本发明涉及智能电网和风力发电系统的优化控制，具体为一种降低海上风力发电系统容性无功功率方法及系统。
背景技术：
1、随着全球对可再生能源需求的不断增长，海上风力发电作为一种清洁、可再生的能源形式，正逐渐崭露头角并成为全球能源供应的重要部分。然而，在海上风力发电系统中，尤其是在大规模、多期海上风电场项目中，存在一系列技术和经济挑战，其中海缆长度和容性无功功率问题尤为突出，这些问题不仅影响电力传输效率和能源利用率，还直接关系到电网月度力调电费的考核。
2、一、海缆长度的影响
3、海上风力发电系统通常涉及大量的海缆铺设，特别是在二期、三期等后续项目中，为了节省成本和简化结构，常采用共用一条出线的设计。这种设计使得出线上总的容性无功功率显著增加，降低了电力传输效率。
4、二、容性无功功率的问题
5、容性无功功率是电力系统中的一种重要参数，它主要来自于电缆、电容器等设备的充电和放电过程。在海上风力发电系统中，由于海缆长度和共用出线的设计，整个场站的容性无功功率往往非常高。这带来以下问题：
6、容性无功功率的增加导致系统功率因数降低，使得电网的供电能力下降，同时增加了电网的电压波动和闪变风险。
7、高容性无功功率不仅影响电网的稳定性和电能质量，还增加了电网月度力调电费的考核压力。力调电费是为了保证电网的电能质量而引入的一种奖惩措施，主要针对工业用户。在海上风力发电系统中，高容性无功功率可能导致电网供电局对场站进行罚款，增加了运营成本。
技术实现思路
1、鉴于上述存在的问题，提出了本发明。
2、因此，本发明解决的技术问题是：传统的固定补偿装置难以应对风电机组运行状态的快速变化，往往导致无功功率补偿过度或不足，现有的反馈控制方法控制精度受限，且响应速度较慢，难以满足海上风力发电系统的高精度控制要求。传统方法在处理动态变化的运行状态时表现不佳，控制策略缺乏实时调整和优化的能力。
3、为解决上述技术问题，本发明提供如下技术方案：一种降低海上风力发电系统容性无功功率方法，包括：
4、通过安装在风电机组的多种传感器采集相关数据，并对收集到的数据进行分析处理；
5、利用处理后的数据建立预测风电机组运行状态与无功功率之间的关系预测模型；
6、基于关系预测模型的预测结果设计智能控制算法，实时生成并执行滤波器控制策略。
7、作为本发明所述的一种降低海上风力发电系统容性无功功率方法的一种优选方案，其中：通过安装在风电机组的多种传感器采集相关数据包括，通过功率传感器、电压、电流传感器、功率因数传感器和状态传感器采集风电机组运行数据；
8、通过风速计、湿度传感器、气压传感器和雨量传感器采集气象数据；
9、通过频率传感器、电压传感器、负载传感器和故障传感器采集电网数据；
10、通过海洋环境传感器、日照传感器和盐雾传感器采集环境数据；
11、收集并记录历史数据。
12、作为本发明所述的一种降低海上风力发电系统容性无功功率方法的一种优选方案，其中：对收集到的数据进行分析处理包括，对收集到的数据进行预处理，利用历史数据计算各数据源的准确性、完整性、实时性和一致性指标并计算初始可信度指标；
13、在系统运行过程中，实时检测各数据源的数据，更新准确性、实时性和一致性指标并更新可信度指标；
14、利用数据一致性计算和归一化技术处理各个数据源的数据，初始可信度指标的公式表示为：
15、
16、其中，αi表示第i个数据源的初始可信度指标，ai表示第i个数据源的准确性指标，ci表示第i个数据源的完整性指标，ti表示第i个数据源的实时性指标，si表示第i个数据源的一致性指标，n表示数据源的总数，ak表示第k个数据源的准确性指标，ck表示第k个数据源的完整性指标，tk表示第k个数据源的实时性指标，sk表示第k个数据源的一致性指标；
17、αi的值域为0到1，αi＝0时表示该数据源完全不可信，所有指标均为最低值；αi＝1时表示该数据源完全可信，所有指标均为最高值；
18、根据最新的可信度指标，动态调整各数据源的权重，利用最新的权重，对各数据源的数据进行融合；
19、利用综合可信度指标计算公式的动态调整权重和数据融合的公式表示为：
20、
21、其中，wi表示第i个数据源的权重，ai表示第i个数据源的准确性指标，ci表示第i个数据源的完整性指标，ti表示第i个数据源的实时性指标，si表示第i个数据源的一致性指标，n表示数据源的总数；
22、wi的值域为0到1，wi＝0时表示该数据源的权重为最低值，所有指标均为最低值；wi＝1时表示该数据源的权重为最高值，所有指标均为最高值；
23、构建多模态神经网络模型，对多源数据进行联合学习和特征提取，采用联合训练策略优化模型参数；
24、联合训练的损失函数表示为：
25、
26、其中，表示联合训练的损失函数，n表示数据源的总数，t表示总时间长度，xi(t)表示第i个数据源在时间t的数据值，μi表示第i个数据源的均值，σi表示第i个数据源的标准差，表示第i个数据源的预测值，λ表示正则化系数；
27、的值域为(0,∞)，时表示模型的预测值完全匹配实际值，损失为最小值；
28、接近∞时表示模型的预测误差很大，损失为最大值。
29、作为本发明所述的一种降低海上风力发电系统容性无功功率方法的一种优选方案，其中：利用训练好的多模态深度神经网络模型，对实时数据进行融合和预测，生成高精度的融合数据；
30、公式表示为：
31、
32、其中，表示在时间t的预测融合数据，t表示总时间长度，n表示数据源的总数，xi(t)表示第i个数据源在时间t的数据值，μi表示第i个数据源的均值；σi表示第i个数据源的标准差；
33、的值域为负无穷到正无穷，负值表示预测数据低于实际数据，正值表示预测数据高于实际数据。
34、作为本发明所述的一种降低海上风力发电系统容性无功功率方法的一种优选方案，其中：利用处理后的数据建立预测风电机组运行状态与无功功率之间的关系预测模型包括，使用多层神经网络构建关系预测模型，公式表示为：
35、q(t)＝σ(w2·tanh(+b1)+b2)
36、其中，q(t)表示在时间t的无功功率预测值，t表示总时间长度，x(t)表示在时间t的处理后数据向量，w1和w2表示神经网络的权重矩阵，b1和b2表示偏置向量，σ表示sigmoid激活函数；
37、q(t)的值域为0到1，数值越接近0时表示无功功率低，数值越接近1时表示无功功率高。
38、作为本发明所述的一种降低海上风力发电系统容性无功功率方法的一种优选方案，其中：基于关系预测模型的预测结果设计智能控制算法，实时生成并执行滤波器控制策略包括，根据实时数据、历史数据和预测数据进行动态调整，设计一个动态调整的无功功率阈值，公式表示为：
39、
40、其中，qthresh(t)表示在时间t动态调整的′无功功率阈值，μhistory(t)表示历史无功功率的均值，σhistory(t)表示历史无功功率的标准差，k表示历史数据影响的调整系数，α表示无功功率变化率的权重系数；
41、当q(t)>qthresh时，则增加滤波器的接入，降低无功功率；
42、若q(t)≤qthresh时，则减少滤波器的接入，保持当前状态或进一步优化。
43、作为本发明所述的一种降低海上风力发电系统容性无功功率方法的一种优选方案，其中：基于关系预测模型的预测结果设计智能控制算法，实时生成并执行滤波器控制策略还包括，当预测的无功功率产生明显波动时结合实时数据、历史数据和环境因素设计一个函数动态调整波动阈值，公式表示为：
44、
45、其中，δqthresh(t)表示在时间t动态调整的无功功率波动阈值，e(t)为在时间t的环境因素影响系数，α,β,γ为调整系数，k为历史数据影响的调整系数；
46、当预测的无功功率波动幅度δqpred(t)≥δqthresh时，增加滤波器接入量；
47、当预测的无功功率qpred(t)<δqthresh时，减少滤波器接入量。
48、一种降低海上风力发电系统容性无功功率系统，其中：
49、数据采集模块，通过安装在风电机组的多种传感器采集相关数据，并对收集到的数据进行分析处理；
50、功率预测模块利用处理后的数据建立预测风电机组运行状态与无功功率之间的关系预测模型；
51、策略模块，基于关系预测模型的预测结果设计智能控制算法，实时生成并执行滤波器控制策略。
52、一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。
53、一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。
54、本发明的有益效果：本发明提供的一种降低海上风力发电系统容性无功功率方法通过多传感器数据采集和深度学习模型对风电机组运行状态与无功功率之间的关系进行高精度预测，显著提高了无功功率控制的精度、增强电网稳定性、提高系统响应速度、优化风电机组运行效率、降低维护成本、提升系统的适应能力。
1.一种降低海上风力发电系统容性无功功率方法，其特征在于，包括：
2.如权利要求1所述的一种降低海上风力发电系统容性无功功率方法，其特征在于：通过安装在风电机组的多种传感器采集相关数据包括，通过功率传感器、电压、电流传感器、功率因数传感器和状态传感器采集风电机组运行数据；
3.如权利要求2所述的一种降低海上风力发电系统容性无功功率方法，其特征在于：对收集到的数据进行分析处理包括，对收集到的数据进行预处理，利用历史数据计算各数据源的准确性、完整性、实时性和一致性指标并计算初始可信度指标；
4.如权利要求3所述的一种降低海上风力发电系统容性无功功率方法，其特征在于：利用训练好的多模态深度神经网络模型，对实时数据进行融合和预测，生成高精度的融合数据；
5.如权利要求4所述的一种降低海上风力发电系统容性无功功率方法，其特征在于：利用处理后的数据建立预测风电机组运行状态与无功功率之间的关系预测模型包括，使用多层神经网络构建关系预测模型，公式表示为：
6.如权利要求5所述的一种降低海上风力发电系统容性无功功率方法，其特征在于：基于关系预测模型的预测结果设计智能控制算法，实时生成并执行滤波器控制策略包括，根据实时数据、历史数据和预测数据进行动态调整，设计一个动态调整的无功功率阈值，公式表示为：
7.如权利要求6所述的一种降低海上风力发电系统容性无功功率方法，其特征在于：基于关系预测模型的预测结果设计智能控制算法，实时生成并执行滤波器控制策略还包括，当预测的无功功率产生明显波动时结合实时数据、历史数据和环境因素设计一个函数动态调整波动阈值，公式表示为：
8.一种采用如权利要求1-7任一所述方法的一种降低海上风力发电系统容性无功功率系统，其特征在于：
9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现一种降低海上风力发电系统容性无功功率方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现一种降低海上风力发电系统容性无功功率方法的步骤。
