CN109921462B - 一种基于lstm的新能源消纳能力评估方法及系统 - Google Patents
一种基于lstm的新能源消纳能力评估方法及系统 Download PDFInfo
- Publication number
- CN109921462B CN109921462B CN201910170396.7A CN201910170396A CN109921462B CN 109921462 B CN109921462 B CN 109921462B CN 201910170396 A CN201910170396 A CN 201910170396A CN 109921462 B CN109921462 B CN 109921462B
- Authority
- CN
- China
- Prior art keywords
- new energy
- data
- power grid
- training
- energy consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000010521 absorption reaction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 108010049508 Myxococcus acidic endoprotease Proteins 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012353 t test Methods 0.000 claims description 4
- 235000019577 caloric intake Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于LSTM的新能源消纳能力评估方法及系统,将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;将数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;基于电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估;其中,所述映射关系模型包括:通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
Description
技术领域
本发明属于新能源发电技术领域,具体涉及一种基于LSTM的新能源消纳能力评估方法及系统。
背景技术
近年来,新能源保持持续快速发展态势。截止2017年底,中国新能源累计装机容量已达274GW,增量和总量均居世界第一位。然而据初步统计,仍有部分地区系统调峰能力有限以及受电网送出能力约束的影响,新能源“弃电”现象严重,既造成了绿色能源的浪费,也成为了制约新能源发展的重要因素之一。因此,需要挖掘影响新能源消纳能力的关键因素,准确评估未来年/月电网的新能源接纳能力和弃电率,为电网提高新能源消纳能力的决策提供依据。
目前常用的新能源消纳能力评估方法是时序生产模拟法,时序仿真法计算精度高,物理意义清晰。然而时序仿真法针对每一时段都需要进行仿真计算,若针对不同运行工况下的大量新能源消纳场景进行计算时,耗费时间较多。
发明内容
为了解决现有技术的不足,本发明提供一种基于LSTM的新能源消纳能力评估方法及系统,建立了新能源消纳能力关键影响因素与新能源实际出力的动态关联关系,可准确评估未来场景的新能源消纳能力。
为了实现上述发明目的,本发明采取如下技术方案:
一种基于LSTM的新能源消纳能力评估方法,所述方法包括:
将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;
将所述数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;
基于所述电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估;
其中,所述映射关系模型包括:通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
优选的,所述映射关系模型的建立包括:
获取历史电网运行数据;
对所述历史电网运行数据进行降维处理,得到新能源消纳能力影响因素对应的样本数据;
将所述样本数据划分为训练数据和测试数据;
将训练数据输入LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
进一步地,所述将样本数据划分为训练数据和测试数据包括:
基于预先定义的时间分辨率采集全年的历史电网运行数据,将历史电网运行数据作为样本数据;
对所述样本数据进行归一化处理,对处理后的训练样本进行维度的变换;
根据预先设定的训练率,将经过维度变换获得的n维样本数据划分为训练数据和测试数据。
进一步地,所述电网运行数据包括:风电理论功率、光伏理论功率、负荷、外送联络线、旋转备用容量、火电和水电机组装机容量、最大和最小开机数量,最大和最小技术出力。
进一步地,通过下式确定样本数据:
X(t)=(x1(t),x2(t),...,xn(t))(t=1,2,3,…,8760)
其中,n表示数据维度,t为每个样本数据的采样时间点。
进一步地,通过下式对样本数据进行归一化处理:
其中,xi为数据的实际值,ximin为数据的最小值,ximax为数据的最大值,x* i为归一化后的标准值。
进一步地,所述将训练数据输入预先构建的LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与新能源实际出力之间的映射关系包括:
采用主成分分析法,在训练数据中筛选出降维的主成分;
基于主成分累计方差贡献率确定主成分的特征值,并将所述主成分特征值对应的特征向量定义为影响新能源消纳能力的重要因素,通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
进一步地,通过下式确定主成分的特征值:
式中,λi为数据样本的协方差的特征值,ηi为方差贡献率,η∑(k)为k个主成分的累计方差贡献率,ε为预设阈值。
进一步地,通过下式定义主成分特征值对应的特征向量:
Z=(z1,z2,...,zk)
式中,z1,z2,...,zk表示k个特征值λ1,λ2...λk对应的特征向量。
优选的,所述映射关系模型包括:设置参数、输入层、输出层和2个隐藏层;
所述设置参数包括:训练次数,学习率和批值;
所述输入层用于输入k×t的测试数据,其中,k为主成分数,t为时间步数;
所述2个隐藏层分别包括若干数量的神经元;
所述输出层用于输出电网接纳新能源的实际出力。
优选的,所述基于电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估包括:
获取一个测试周期内多个采样点的新能源理论功率与实际值的平均绝对误差百分比和均方根误差;
将所述平均绝对误差百分比与第一阈值进行比较,并将所述均方根误差与第二阈值进行比较;
若所述平均绝对误差百分比小于所述第一阈值且所述均方根误差小于所述第二阈值,则新能源消纳能力良好。
进一步地,通过下式确定电网接纳新能源的实际出力平均绝对误差百分比和均方根误差:
式中,εMAEP和εRMSE分别表示电网接纳新能源的实际出力PN(t)的平均绝对误差百分比和均方根误差,和CN(t)分别为第t时刻电网接纳新能源的理论出力和新能源装机容量,t=1,2,3,…,T;T表示测试集的数据长度。
优选的,一种基于LSTM的新能源消纳能力评估系统,所述系统包括:
处理模块,用于将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;
获取模块,用于将所述数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;
评估模块,用于基于所述电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提出的一种基于LSTM的新能源消纳能力评估方法及系统,将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;将数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;其中,所述映射关系模型包括:通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。建立了新能源消纳能力关键影响因素与新能源实际出力的动态关联关系,可准确评估未来场景的新能源消纳能力。
基于电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估;从而为电网提高新能源消纳能力的决策提供依据,对于高比例新能源电力系统的消纳能力提升具有重要意义。
附图说明
图1是本发明实施例中提供的基于LSTM的新能源消纳能力评估方法流程图;
图2是本发明实施例中提供的基于LSTM的新能源消纳能力的评估框架图;
图3是本发明实施例中提供的主成分的方差贡献率柱状图;
图4是本发明实施例中提供的损失值随迭代次数变化示意图;
图5是本发明实施例中提供的基于LSTM的新能源消纳能力的实例图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于LSTM的新能源消纳能力评估方法,事实上,新能源消纳能力的评估可以看作一个电网运行关键变量与新能源实际出力的映射关系,为了学习这种映射关系,需要通过离线时域仿真获得大量仿真样本,然后利用机器学习的算法近似模拟这种映射关系。映射关系建立后,针对不同的运行场景,利用学习到的映射关系即可快速地得出新能源消纳能力评估的结果。
基于此,通过本发明提出发明方案建立了新能源消纳能力关键影响因素与新能源实际出力的动态关联关系,可准确评估未来场景的新能源消纳能力。
如图1和2所示,具体包括以下步骤:
S1将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;
S2将数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;
S3基于电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估;
其中,所述映射关系模型包括:通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
映射关系模型由设置参数、输入层、输出层和2个隐藏层构成;
其中,设置参数包括:训练次数,学习率和批值;
输入层用于输入k×t的测试数据,其中,k为主成分数,t为时间步数;
2个隐藏层分别包括若干数量的神经元;
输出层用于输出电网接纳新能源的实际出力。
具体地,隐含层具有两层隐层结构,输入层维数为k,即k个主成分数,输入层时间步数为10,第一隐层中包括30个神经元,第二层隐层中包括50个神经元,输出层维数为1。如图4所示为在训练中,损失值随迭代次数变化情况。在训练中,部分参数设置如下:训练次数设定为1000次,学习率为0.05,批大小(batch_size)为70。
步骤S2中,所述映射关系模型的建立包括:
a,获取历史电网运行数据;
b,对历史电网运行数据进行降维处理,得到新能源消纳能力影响因素对应的样本数据;
c,将样本数据划分为训练数据和测试数据;
d,将训练数据输入LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
步骤c,将样本数据划分为训练数据和测试数据包括:
基于预先定义的时间分辨率采集全年的历史电网运行数据,将历史电网运行数据作为样本数据;
对样本数据进行归一化处理,对处理后的训练样本进行维度的变换;
根据预先设定的训练率,将经过维度变换获得的n维样本数据划分为训练数据和测试数据。
其中,电网运行数据包括:风电理论功率、光伏理论功率、负荷、外送联络线、旋转备用容量、火电和水电机组装机容量、最大和最小开机数量,最大和最小技术出力。
实施例:搜集某省级电网全年的运行数据,时间分辨率为1小时,主要包括:风电理论功率、光伏理论功率、负荷、外送联络线、旋转备用容量、各类常规机组(火电、水电)装机容量、最大、最小开机数量,最大、最小技术出力,共n维数据,组成数据样本X(t)=(x1(t),x2(t),...,xn(t))(t=1,2,3,…,8760),以及电网接纳新能源的实际功率PN(t)。
通过下式确定数据样本:
X(t)=(x1(t),x2(t),...,xn(t))(t=1,2,3,…,8760)
其中,n表示数据维度,t为每个数据样本的采样时间点。
通过下式对数据样本进行归一化处理:
其中,xi为数据的实际值,ximin为数据的最小值,ximax为数据的最大值,x* i为归一化后的标准值。
把处理过的一年的数据样本划分为训练数据和测试数据,训练率设定为0.8,即7000组数据作为训练数据,剩余的1760组数据作为测试数据。
步骤d,将训练数据输入预先构建的LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与新能源实际出力之间的映射关系包括:
采用主成分分析法(principal component analysis,PCA),在训练数据中筛选出降维的主成分;
基于主成分累计方差贡献率确定主成分的特征值,并将所述主成分特征值对应的特征向量定义为影响新能源消纳能力的重要因素,通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
通过下式确定主成分的特征值:
式中,λi为数据样本的协方差的特征值,如图3所示:ηi为方差贡献率,η∑(k)为k个主成分的累计方差贡献率;ε为预设阈值。如果设ε=85%,则选取累计方差贡献率超过85%的值为选取的主成分值。
通过下式定义主成分特征值对应的特征向量:
Z=(z1,z2,…,zk)
式中,z1,z2,…,zk表示k个特征值λ1,λ2...λk对应的特征向量。
步骤S3基于电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估包括:
如图5所示,获取一个测试周期内多个采样点的新能源理论功率与实际值的平均绝对误差百分比和均方根误差;
将所述平均绝对误差百分比与第一阈值进行比较,并将所述均方根误差与第二阈值进行比较;
若所述平均绝对误差百分比小于所述第一阈值且所述均方根误差小于所述第二阈值,则新能源消纳能力良好。
具体地,采用训练好的神经网络对测试数据进行预测模拟,得到新能源的理论出力采用新能源实际功率的平均绝对误差百分比(Mean Absolute Error Percentage,MAEP)和均方根误差(Root Mean Square Error,RMSE)来对电网新能源消纳能力的评估效果进行评价。
通过下式确定电网接纳新能源的实际出力平均绝对误差百分比和均方根误差:
式中,εMAEP和εRMSE分别表示电网接纳新能源的实际出力PN(t)的平均绝对误差百分比和均方根误差,和CN(t)分别为第t时刻电网接纳新能源的理论出力和新能源装机容量,t=1,2,3,…,T;T表示测试集的数据长度。
基于同一发明构思,本申请还提出一种基于LSTM的新能源消纳能力评估系统,所述系统,包括:
处理模块,用于将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;
获取模块,用于将所述数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;
评估模块,用于基于所述电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (20)
1.一种基于LSTM的新能源消纳能力评估方法,其特征在于,所述方法包括:
将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;
将所述数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;
基于所述电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估;
其中,所述映射关系模型包括:通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系;
所述映射关系模型的建立包括:
获取历史电网运行数据;
对所述历史电网运行数据进行降维处理,得到新能源消纳能力影响因素对应的样本数据;
将所述样本数据划分为训练数据和测试数据;
将训练数据输入LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系;
所述将样本数据划分为训练数据和测试数据包括:
基于预先定义的时间分辨率采集全年的历史电网运行数据,将历史电网运行数据作为样本数据;
对所述样本数据进行归一化处理,对处理后的训练样本进行维度的变换;
根据预先设定的训练率,将经过维度变换获得的n维样本数据划分为训练数据和测试数据。
2.根据权利要求1所述的方法,其特征在于,所述电网运行数据包括:风电理论功率、光伏理论功率、负荷、外送联络线、旋转备用容量、火电和水电机组装机容量、最大和最小开机数量,最大和最小技术出力。
3.根据权利要求1所述的方法,其特征在于,通过下式确定样本数据:
X(t)=(x1(t),x2(t),...,xn(t))(t=1,2,3,…,8760)
其中,n表示数据维度,t为每个样本数据的采样时间点。
4.根据权利要求1所述的方法,其特征在于,通过下式对样本数据进行归一化处理:
其中,xi为数据的实际值,ximin为数据的最小值,ximax为数据的最大值,x* i为归一化后的标准值。
5.根据权利要求1所述的方法,其特征在于,所述将训练数据输入预先构建的LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与新能源实际出力之间的映射关系包括:
采用主成分分析法,在训练数据中筛选出降维的主成分;
基于主成分累计方差贡献率确定主成分的特征值,并将所述主成分特征值对应的特征向量定义为影响新能源消纳能力的重要因素,通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
6.根据权利要求5所述的方法,其特征在于,通过下式确定主成分的特征值:
式中,λi为数据样本的协方差的特征值,ηi为方差贡献率,η∑(k)为k个主成分的累计方差贡献率,ε为预设阈值。
7.根据权利要求6所述的方法,其特征在于,通过下式定义主成分特征值对应的特征向量:
Z=(z1,z2,...,zk)
式中,z1,z2,...,zk表示k个特征值λ1,λ2...λk对应的特征向量。
8.根据权利要求1所述的方法,其特征在于,所述映射关系模型包括:设置参数、输入层、输出层和2个隐藏层;
所述设置参数包括:训练次数,学习率和批值;
所述输入层用于输入k×t的测试数据,其中,k为主成分数,t为时间步数;
所述2个隐藏层分别包括若干数量的神经元;
所述输出层用于输出电网接纳新能源的实际出力。
9.根据权利要求1所述的方法,其特征在于,所述基于电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估包括:
获取一个测试周期内多个采样点的新能源理论功率与实际值的平均绝对误差百分比和均方根误差;
将所述平均绝对误差百分比与第一阈值进行比较,并将所述均方根误差与第二阈值进行比较;
若所述平均绝对误差百分比小于所述第一阈值且所述均方根误差小于所述第二阈值,则新能源消纳能力良好。
10.根据权利要求9所述的方法,其特征在于,通过下式确定电网接纳新能源的实际出力平均绝对误差百分比和均方根误差:
式中,εMAEP和εRMSE分别表示电网接纳新能源的实际出力PN(t)的平均绝对误差百分比和均方根误差,和CN(t)分别为第t时刻电网接纳新能源的理论出力和新能源装机容量,t=1,2,3,…,T;T表示测试集的数据长度。
11.一种基于LSTM的新能源消纳能力评估系统,其特征在于,所述系统包括:
处理模块,用于将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据;
获取模块,用于将所述数据带入预先建立的映射关系模型,获得电网接纳新能源的实际出力;
评估模块,用于基于所述电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估;
其中,所述映射关系模型包括:通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系;
所述映射关系模型的建立包括:
获取历史电网运行数据;
对所述历史电网运行数据进行降维处理,得到新能源消纳能力影响因素对应的样本数据;
将所述样本数据划分为训练数据和测试数据;
将训练数据输入LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系;
所述将样本数据划分为训练数据和测试数据包括:
基于预先定义的时间分辨率采集全年的历史电网运行数据,将历史电网运行数据作为样本数据;
对所述样本数据进行归一化处理,对处理后的训练样本进行维度的变换;
根据预先设定的训练率,将经过维度变换获得的n维样本数据划分为训练数据和测试数据。
12.根据权利要求11所述的系统,其特征在于,所述电网运行数据包括:风电理论功率、光伏理论功率、负荷、外送联络线、旋转备用容量、火电和水电机组装机容量、最大和最小开机数量,最大和最小技术出力。
13.根据权利要求11所述的系统,其特征在于,通过下式确定样本数据:
X(t)=(x1(t),x2(t),...,xn(t))(t=1,2,3,…,8760)
其中,n表示数据维度,t为每个样本数据的采样时间点。
14.根据权利要求11所述的系统,其特征在于,通过下式对样本数据进行归一化处理:
其中,xi为数据的实际值,ximin为数据的最小值,ximax为数据的最大值,x* i为归一化后的标准值。
15.根据权利要求11所述的系统,其特征在于,所述将训练数据输入预先构建的LSTM深度神经网络中进行训练,通过训练得到所述新能源消纳能力影响因素与新能源实际出力之间的映射关系包括:
采用主成分分析法,在训练数据中筛选出降维的主成分;
基于主成分累计方差贡献率确定主成分的特征值,并将所述主成分特征值对应的特征向量定义为影响新能源消纳能力的重要因素,通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。
16.根据权利要求15所述的系统,其特征在于,通过下式确定主成分的特征值:
式中,λi为数据样本的协方差的特征值,ηi为方差贡献率,η∑(k)为k个主成分的累计方差贡献率,ε为预设阈值。
17.根据权利要求16所述的系统,其特征在于,通过下式定义主成分特征值对应的特征向量:
Z=(z1,z2,...,zk)
式中,z1,z2,...,zk表示k个特征值λ1,λ2...λk对应的特征向量。
18.根据权利要求11所述的系统,其特征在于,所述映射关系模型包括:设置参数、输入层、输出层和2个隐藏层;
所述设置参数包括:训练次数,学习率和批值;
所述输入层用于输入k×t的测试数据,其中,k为主成分数,t为时间步数;
所述2个隐藏层分别包括若干数量的神经元;
所述输出层用于输出电网接纳新能源的实际出力。
19.根据权利要求11所述的系统,其特征在于,所述基于电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差,对新能源消纳能力进行评估包括:
获取一个测试周期内多个采样点的新能源理论功率与实际值的平均绝对误差百分比和均方根误差;
将所述平均绝对误差百分比与第一阈值进行比较,并将所述均方根误差与第二阈值进行比较;
若所述平均绝对误差百分比小于所述第一阈值且所述均方根误差小于所述第二阈值,则新能源消纳能力良好。
20.根据权利要求19所述的系统,其特征在于,通过下式确定电网接纳新能源的实际出力平均绝对误差百分比和均方根误差:
式中,εMAEP和εRMSE分别表示电网接纳新能源的实际出力PN(t)的平均绝对误差百分比和均方根误差,和CN(t)分别为第t时刻电网接纳新能源的理论出力和新能源装机容量,t=1,2,3,…,T;T表示测试集的数据长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910170396.7A CN109921462B (zh) | 2019-03-07 | 2019-03-07 | 一种基于lstm的新能源消纳能力评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910170396.7A CN109921462B (zh) | 2019-03-07 | 2019-03-07 | 一种基于lstm的新能源消纳能力评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109921462A CN109921462A (zh) | 2019-06-21 |
CN109921462B true CN109921462B (zh) | 2023-11-03 |
Family
ID=66963625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910170396.7A Active CN109921462B (zh) | 2019-03-07 | 2019-03-07 | 一种基于lstm的新能源消纳能力评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109921462B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738477B (zh) * | 2019-08-01 | 2023-11-07 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
CN112103989B (zh) * | 2019-12-09 | 2023-07-04 | 沈阳工业大学 | 一种考虑多类型负荷调控能力的新能源消纳贡献量化方法 |
CN112421631A (zh) * | 2021-01-25 | 2021-02-26 | 中国电力科学研究院有限公司 | 一种新能源消纳能力评估方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429184A (zh) * | 2015-12-11 | 2016-03-23 | 国电南瑞科技股份有限公司 | 一种风电优先调度评价的全过程量化评估方法 |
CN107256436A (zh) * | 2017-05-05 | 2017-10-17 | 国家电网公司 | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 |
CN107480896A (zh) * | 2017-08-21 | 2017-12-15 | 国电南瑞科技股份有限公司 | 一种支持多分区的新能源受端电网消纳能力评估方法 |
-
2019
- 2019-03-07 CN CN201910170396.7A patent/CN109921462B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105429184A (zh) * | 2015-12-11 | 2016-03-23 | 国电南瑞科技股份有限公司 | 一种风电优先调度评价的全过程量化评估方法 |
CN107256436A (zh) * | 2017-05-05 | 2017-10-17 | 国家电网公司 | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 |
CN107480896A (zh) * | 2017-08-21 | 2017-12-15 | 国电南瑞科技股份有限公司 | 一种支持多分区的新能源受端电网消纳能力评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109921462A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN111046581A (zh) | 一种输电线路故障类型识别方法及系统 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN112990500A (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN112381673A (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
CN114722923B (zh) | 一种轻量型的机电设备故障诊断方法 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN112379274A (zh) | 一种动力电池剩余寿命预测方法 | |
CN117151488A (zh) | 一种寒潮大风天气样本扩充方法、系统、存储介质及设备 | |
CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
US20220381832A1 (en) | Production of a Quality Test System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |