CN111884251A - 联络线控制性能评价指标预测方法及装置 - Google Patents
联络线控制性能评价指标预测方法及装置 Download PDFInfo
- Publication number
- CN111884251A CN111884251A CN202010713137.7A CN202010713137A CN111884251A CN 111884251 A CN111884251 A CN 111884251A CN 202010713137 A CN202010713137 A CN 202010713137A CN 111884251 A CN111884251 A CN 111884251A
- Authority
- CN
- China
- Prior art keywords
- tie
- performance evaluation
- control performance
- line control
- evaluation index
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种联络线控制性能评价指标预测方法及装置。该方法包括:根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;根据所述联络线控制性能评价指标历史数据,建立预测模型;将预设时间段内的联络线控制性能评价指标历史数据输入所述预测模型,以预测未来时间段内的联络线控制性能评价指标。所述方法及装置可以精准预测未来时间段内的联络线控制性能评价指标。
Description
技术领域
本发明涉及电网控制技术领域,尤其涉及一种联络线控制性能评价指标预测方法及装置。
背景技术
风电作为一种清洁无污染的可再生绿色能源,越来越受到重视。但风电具有不确定性和随机性。
随着风电渗透率的不断增加,风电并网对电力系统安全运行造成的威胁越来越大,潜在的风电爬坡风险也增大。这些问题会对频率和联络线功率偏差产生影响,使联络线越限,影响电网考核。
为解决这些问题,国内外学者对联络线功率控制、电网考核的标准、以及为满足考核的联络线功率的波动范围进行了深入的研究。但本领域尚缺乏有关联络线考核指标预测方面的研究。
目前,预测的方法主要有回归分析法、时间序列法、支持向量机、神经网络等,但由于联络线控制性能评价指标预测的随机因素较多、数据非线性变化规律强,这类方法在拟合逼近机理上的局限性限制了模型精度的提升和预测的效果。
发明内容
本发明实施例提供一种联络线控制性能评价指标预测方法及装置,用以解决现有技术中联络线控制性能评价指标预测不精确的缺陷,实现联络线控制性能评价指标的精准预测。
本发明实施例提供一种联络线控制性能评价指标预测方法,包括:
根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
根据所述联络线控制性能评价指标历史数据,建立预测模型;
将预设时间段内的联络线控制性能评价指标历史数据输入所述预测模型,以预测未来时间段内的联络线控制性能评价指标。
根据本发明一个实施例的联络线控制性能评价指标预测方法,
所述根据电网区域控制偏差的历史数据,获取联络线控制性能评价指标历史数据包括:
基于所述电网区域控制偏差历史数据以及电网频率历史数据,通过预设计算方式,获取所述联络线控制性能评价指标历史数据。
根据本发明一个实施例的联络线控制性能评价指标预测方法,所述预设计算方式包括:
ACE=Ptie-I0
CPS1=(2-CF)×100%
其中,ACE为区域控制偏差,CPS1为联络线控制性能评价指标;Ptie为联络线实际有功功率;I0为联络线有功功率计划值;ACEAVG-min为控制区域一分钟ACE的平均值;ΔfAVG-min为电力系统频率偏差一分钟的平均值;ε1为上一年实际频率偏差的均方值,且各控制区域的ε1均相等;
Bi为系统的频率偏差系数,单位为(MW/0.1Hz),取负值;n为统计分钟数;Ki为各区域的频率响应系数。
根据本发明一个实施例的联络线控制性能评价指标预测方法,所述预测模型为卷积神经网络模型;
并且,所述根据所述联络线控制性能评价指标历史数据,建立预测模型包括:
对所述联络线控制性能评价指标历史数据进行归一化处理;
根据预设的时间步长,将归一化后的联络线控制性能评价指标历史数据划分为多个训练样本;
将所述多个训练样本输入到所述卷积神经网络预测模型中进行训练。
本发明实施例还提供一种联络线控制性能评价指标预测装置,包括:
获取模块,用于根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
建模模块,用于根据所述联络线控制性能评价指标历史数据,建立预测模型;
预测模块,用于将预设时间段内的联络线控制性能评价指标历史数据输入所述预测模型,以预测未来时间段内的联络线控制性能评价指标。
根据本发明一个实施例的联络线控制性能评价指标预测装置,所述获取模块具体用于:
基于所述电网区域控制偏差历史数据以及电网频率历史数据,通过预设计算方式,获取所述联络线控制性能评价指标历史数据。
根据本发明一个实施例的联络线控制性能评价指标预测装置,所述预设计算方式包括:
ACE=Ptie-I0
CPS1=(2-CF)×100%
其中,ACE为区域控制偏差,CPS1为联络线控制性能评价指标;Ptie为联络线实际有功功率;I0为联络线有功功率计划值;ACEAVG-min为控制区域一分钟ACE的平均值;ΔfAVG-min为电力系统频率偏差一分钟的平均值;ε1为上一年实际频率偏差的均方值,且各控制区域的ε1均相等;
Bi为系统的频率偏差系数,单位为(MW/0.1Hz),取负值;n为统计分钟数;Ki为各区域的频率响应系数。
根据本发明一个实施例的联络线控制性能评价指标预测装置,所述预测模型为卷积神经网络模型;
并且,所述建模模块具体用于:
对所述联络线控制性能评价指标历史数据进行归一化处理;
根据预设的时间步长,将归一化后的联络线控制性能评价指标历史数据划分为多个训练样本;
将所述多个训练样本输入到所述卷积神经网络预测模型中进行训练。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述联络线控制性能评价指标预测方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述联络线控制性能评价指标预测方法的步骤。
本发明实施例提供的联络线控制性能评价指标预测方法及装置,由于是根据历史数据建立预测模型,因此建立的模型具有较高的精度。另外,该方法根据建立的预测模型来预测未来时间段内的联络线控制性能评价指标,因此预测的结果也具有较高的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种联络线控制性能评价指标预测方法的流程示意图;
图2是卷积神经网络CNN的模型结构示意图;
图3是本发明实施例提供的预测模型的框架示意图;
图4是本发明实施例提供的预测模型的预测结果与实际结果的对比图;
图5是本发明实施例提供的一种联络线控制性能评价指标预测装置的结构示意图;
图6是本发明实施例提供的一种电子设备的结构示意图。
附图标记:
501:获取模块;502:建模模块;503:预测模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1至图6描述本发明实施例的
图1是本发明实施例提供的一种联络线控制性能评价指标预测方法的流程示意图,参照图1,本发明实施例提供的联络线控制性能评价指标预测方法包括以下步骤:
S1、根据电网区域控制偏差(ACE)历史数据,获取联络线控制性能评价指标历史数据;
S2、根据联络线控制性能评价指标历史数据,建立预测模型;
S3、将预设时间段内的联络线控制性能评价指标历史数据输入预测模型,以预测未来时间段内的联络线控制性能评价指标。
本发明实施例提供的联络线控制性能评价指标预测方法,由于是根据历史数据建立预测模型,因此建立的模型具有较高的精度。另外,该方法根据建立的预测模型来预测未来时间段内的联络线控制性能评价指标,因此预测的结果也具有较高的准确度。
需要说明的是,本发明实施例提供的联络线控制性能评价指标预测方法的执行主体可以是计算机,例如单片机、嵌入式计算机、微型机、MCU等。
在一个实施例中,步骤S1包括:基于电网区域控制偏差历史数据以及电网频率历史数据,通过预设计算方式,获取联络线控制性能评价指标历史数据。
具体地,在该实施例中,联络线控制性能评价的标准采用了CPS(ControlPerformance Standard),对应的联络线控制性能评价指标则采用了CPS1,该评价指标可以用于评价电网的控制区域调控联络线潮流效果。
相应地,ACE的计算方式包括:
ACE=Ptie-I0
其中,ACE为区域控制偏差,Ptie为联络线实际有功功率;I0为联络线有功功率计划值;ACEAVG-min为控制区域一分钟ACE的平均值;ΔfAVG-min为电力系统频率偏差一分钟的平均值;ε1为上一年实际频率偏差的均方值,且各控制区域的ε1均相等;
进一步地,CPS1的计算方式包括:
CPS1=(2-CF)×100%
其中,Bi为系统的频率偏差系数,单位为(MW/0.1Hz),取负值;n为统计分钟数;Ki为各区域的频率响应系数。
在一个实施例中,n取15,即以15min为间隔计算CPS1值,当然n的具体取值还可以根据实际需要进行调整,本发明实施例对此不做限定。
从上述预设计算方式可以看出,本申请实施例中的联络线控制性能评价指标充分考虑了联络线的功率,而联络线的功率与电网考核有着极其密切的联系。因此,通过基于本申请实施例的联络线控制性能评价指标进行建模训练,并最终得到的联络线控制性能评价指标预测结果,能够有效预防电网被考核的风险。
另外,从上述预设计算方式还可以看出,本申请实施例中的联络线控制性能评价指标的获取综合考虑了ACE、电网频率数据以及联络线的功率,因此可以为电网相关工作人员提供十分显著的参考价值。
在一个实施例中,采用了卷积神经网络模型作为预测模型,其框架图如图3所示,并且步骤S2包括:
S21、对联络线控制性能评价指标历史数据进行归一化处理;
S22、根据预设的时间步长,将归一化后的联络线控制性能评价指标历史数据划分为多个训练样本;
S23、将多个训练样本输入到卷积神经网络预测模型中进行训练。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,其典型的网络结构由输入层、卷积层、池化层、全连接层和输出层组成。
图2是CNN的模型结构示意图。其中,卷积层是CNN的核心,它的主要作用是通过卷积核对输入数据进行卷积操作,提取数据特征,如下式所示:
其中,Xi,j表示第i行第j列的数据,Wm,n表示第m行第n列数据的权重,Wb表示滤波器的偏置项,f表示激活函数。
池化层采用最大池化方法,用于压缩数据和参数的数量,防止数据过拟合。
进一步地,CNN模型的结构和参数还有:网络的卷积层、池化层和全连接层的数目及其参数,数据输入时间步数,优化器,迭代次数和训练数据批次大小等。
在一个实施例中,模型设计为两层卷积层(Conv1D_1,Conv1D_2),两层池化层(MaxPooling1D_1,MaxPooling1D_2)和两层全连接层(Dense_1,Dense_2)的堆叠结构,网络训练优化器运用Adam算法,各参数的设置如下表所示。
表1:CNN参数设置
当然,CNN参数的具体设置,还可以根据实际需要进行调整,本发明实施例对此不做限定。
在该实施例中,步骤S21中的归一化处理采用了min-max的方法对CPS1进行归一化处理,所用公式为:
其中,x为初始的CPS1数据,max(x)、min(x)分别是其最大值和最小值。
在步骤S22中,预设的时间步长L可以是96,并根据该步长L对联络线控制性能评价指标历史数据进行划分,获得多个长度为96的训练样本。
在获取到训练样本后,则在步骤S23中按照表1中所示的样本批次大小输入到CNN模型中进行训练,训练强度为100轮。在此过程中,CNN采用梯度下降法训练参数,以减小损失函数。
需要说明的是,时间步长L由计算CPS1的间隔时间决定。具体地,一天24小时共计1440分钟,当计算CPS1的间隔时间为15分钟时,则时间步长L为1440÷15=96;而当计算CPS1的间隔时间为30分钟时,则时间步长L为1440÷30=48。
可以理解的是,上述预设时间步长L以及训练强度均可以根据实际需要进行调整,本发明实施例对此不做限定。
在完成预测模型的建立和训练后,即可以通过步骤S3来预测未来时间段内的联络线控制性能评价指标。
例如,预设时间段可以是当前时间前5天,未来时间段可以是当前时间后1天。则在步骤S3中,需要将5天前的联络线控制性能评价指标历史数据输入到预测模型,以预测未来1天的联络线控制性能评价指标。
需要说明的是,预设时间段以及未来时间段的具体长度可以根据实际情况进行调整,本实施例对此不做限定。
例如,在一个实施例中,发明人将5月1日至5月30日的电网区域控制偏差数据以及电网频率数据作为历史数据,并将前26天的数据用作训练,将后4天的数据用作预设时间段内的联络线控制性能评价指标历史数据,以用于预测5月31日的联络线控制性能评价指标。
当然,可以理解的是,为了获得更加准确的预测结果,预设时间段的长度可以大于未来时间段的长度。
此外,预设时间段与未来时间段还可以是不连续的,例如,预设时间段可以是5月25日至5月31,而未来时间段可以是6月2日和/或6月3日。
进一步地,在预测未来时间段内的联络线控制性能评价指标时,预测模型会以预设时间段的所有联络线控制性能评价指标为基础,预测未来时间段的第一个联络线控制性能评价指标;当获取到第一个联络线控制性能评价指标后,预测模型会将该第一个联络线控制性能评价指标进行迭代。
例如,假设输入的预设时间段的联络线控制性能评价指标的数量为96个(编号1-96)时,则预测模型会将该96个值作为输入,并输出第97个(编号97)值,该值即为未来时间段内的第一个联络线控制性能评价指标。接着,预测模型会将编号2-97的值作为输入,来输出第98个(编号98)值,该值即为未来时间段内的第二个联络线控制性能评价指标。之后,预测模型会将编号3-98的值作为输入,来输出第99个(编号99)值……以此类推。
在一个实施例中,当通过预测模型输出结果后,可对该输出结果进行去归一化处理,即可得到预测的联络线控制性能评价指标。
其中,预测的联络线控制性能评价指标可以是未来时间段内,每间隔预定时长的联络线控制性能评价指标。
例如,预测的联络线控制性能评价指标可以是未来一天内每15分钟的联络线控制性能评价指标。
当然,该预定时长的长短可以根据实际需要进行调整,本发明实施例对此不做限定。
进一步地,为了评价模型的优劣,在一个实施例中还采用了相对百分误差绝对值的平均值(MAPE,Mean Absolute Percentage Error)和均方根误差(RMSE,Root MeanSquare Error)来评估模型精度。
其中,MAPE越小,模型精确度越高,计算公式如下:
式中,n表示样本个数;yr(t)为t时刻的联络线功率真实值;yp(t)则为t时刻的联络线功率预测值。
图4为采用预测模型预测的5月31日一天内96个时刻的CPS1值与实际对比图,表2为模型预测结果的评价指标。由图4和表2可以看出采用CNN模型预测的结果较为精确,证明了本发明实施例提供的联络线控制性能评价指标预测方法的可行性和可靠性。
表2:模型预测评价指标
本发明实施例提供的联络线控制性能评价指标预测方法,由于是基于建立的预测模型来预测未来时间段内的联络线控制性能评价指标的,因此预测的结果具有较高的准确度。另外,由于综合考虑了ACE、电网频率数据以及联络线的功率,因此所预测的联络线控制性能评价指标可以为电网相关工作人员提供十分显著的参考价值,具有十分广阔的应用前景。
下面对本发明实施例提供的联络线控制性能评价指标预测装置进行描述,下文描述的联络线控制性能评价指标预测装置与上文描述的联络线控制性能评价指标预测方法可相互对应参照。
参照图5,本发明实施例提供的联络线控制性能评价指标预测装置可以包括:
获取模块501,用于根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
建模模块502,用于根据所述联络线控制性能评价指标历史数据,建立预测模型;
预测模块503,用于将预设时间段内的联络线控制性能评价指标历史数据输入所述预测模型,以预测未来时间段内的联络线控制性能评价指标。
本发明实施例提供的联络线控制性能评价指标预测装置,由于是根据历史数据建立预测模型,因此建立的模型具有较高的精度。另外,该装置根据建立的预测模型来预测未来时间段内的联络线控制性能评价指标,因此预测的结果也具有较高的准确度。
在一个实施例中,获取模块501具体用于:基于电网区域控制偏差历史数据以及电网频率历史数据,通过预设计算方式,获取联络线控制性能评价指标历史数据。
具体地,在该实施例中,联络线控制性能评价的标准采用了CPS,对应的联络线控制性能评价指标则采用了CPS1,该评价指标可以用于评价电网的控制区域调控联络线潮流效果。
相应地,ACE的计算方式包括:
ACE=Ptie-I0
其中,ACE为区域控制偏差,Ptie为联络线实际有功功率;I0为联络线有功功率计划值;ACEAVG-min为控制区域一分钟ACE的平均值;ΔfAVG-min为电力系统频率偏差一分钟的平均值;ε1为上一年实际频率偏差的均方值,且各控制区域的ε1均相等;
进一步地,CPS1的计算方式包括:
CPS1=(2-CF)×100%
其中,Bi为系统的频率偏差系数,单位为(MW/0.1Hz),取负值;n为统计分钟数;Ki为各区域的频率响应系数。
在一个实施例中,n取15,即以15min为间隔计算CPS1值,当然n的具体取值还可以根据实际需要进行调整,本发明实施例对此不做限定。
从上述预设计算方式可以看出,本申请实施例中的联络线控制性能评价指标充分考虑了联络线的功率,而联络线的功率与电网考核有着极其密切的联系。因此,通过基于本申请实施例的联络线控制性能评价指标进行建模训练,并最终得到的联络线控制性能评价指标预测结果,能够有效预防电网被考核的风险。
另外,从上述预设计算方式还可以看出,本申请实施例中的联络线控制性能评价指标的获取综合考虑了ACE、电网频率数据以及联络线的功率,因此可以为电网相关工作人员提供十分显著的参考价值。
在一个实施例中,联络线控制性能评价指标预测装置采用了卷积神经网络模型作为预测模型,其框架图如图3所示,并且建模模块502具体用于:
S21、对联络线控制性能评价指标历史数据进行归一化处理;
S22、根据预设的时间步长,将归一化后的联络线控制性能评价指标历史数据划分为多个训练样本;
S23、将多个训练样本输入到卷积神经网络预测模型中进行训练。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,其典型的网络结构由输入层、卷积层、池化层、全连接层和输出层组成。
图2是CNN的模型结构示意图。其中,卷积层是CNN的核心,它的主要作用是通过卷积核对输入数据进行卷积操作,提取数据特征,如下式所示:
其中,Xi,j表示第i行第j列的数据,Wm,n表示第m行第n列数据的权重,Wb表示滤波器的偏置项,f表示激活函数。
池化层采用最大池化方法,用于压缩数据和参数的数量,防止数据过拟合。
进一步地,CNN模型的结构和参数还有:网络的卷积层、池化层和全连接层的数目及其参数,数据输入时间步数,优化器,迭代次数和训练数据批次大小等。
在一个实施例中,模型设计为两层卷积层(Conv1D_1,Conv1D_2),两层池化层(MaxPooling1D_1,MaxPooling1D_2)和两层全连接层(Dense_1,Dense_2)的堆叠结构,网络训练优化器运用Adam算法,各参数的设置如下表所示。
表1:CNN参数设置
当然,CNN参数的具体设置,还可以根据实际需要进行调整,本发明实施例对此不做限定。
在该实施例中,建模模块502采用了min-max的方法对CPS1进行归一化处理,所用公式为:
其中,x为初始的CPS1数据,max(x)、min(x)分别是其最大值和最小值。
在建模模块502执行步骤S22的过程中,预设的时间步长L可以是96,并根据该步长L对联络线控制性能评价指标历史数据进行划分,获得多个长度为96的训练样本。
在获取到训练样本后,建模模块502则按照表1中所示的样本批次大小输入到CNN模型中进行训练,训练强度为100轮。在此过程中,CNN采用梯度下降法训练参数,以减小损失函数。
需要说明的是,时间步长L由计算CPS1的间隔时间决定。具体地,一天24小时共计1440分钟,当计算CPS1的间隔时间为15分钟时,则时间步长L为1440÷15=96;而当计算CPS1的间隔时间为30分钟时,则时间步长L为1440÷30=48。
可以理解的是,上述预设时间步长L以及训练强度均可以根据实际需要进行调整,本发明实施例对此不做限定。
在完成预测模型的建立和训练后,预测模块503即可以预测未来时间段内的联络线控制性能评价指标。
例如,预设时间段可以是当前时间前5天,未来时间段可以是当前时间后1天。则需要将5天前的联络线控制性能评价指标历史数据输入到预测模型,以预测未来1天的联络线控制性能评价指标。
需要说明的是,预设时间段以及未来时间段的具体长度可以根据实际情况进行调整,本实施例对此不做限定。
例如,在一个实施例中,发明人将5月1日至5月30日的电网区域控制偏差数据以及电网频率数据作为历史数据,并将前26天的数据用作训练,将后4天的数据用作预设时间段内的联络线控制性能评价指标历史数据,以用于预测5月31日的联络线控制性能评价指标。
当然,可以理解的是,为了获得更加准确的预测结果,预设时间段的长度可以大于未来时间段的长度。
此外,预设时间段与未来时间段还可以是不连续的,例如,预设时间段可以是5月25日至5月31,而未来时间段可以是6月2日和/或6月3日。
进一步地,在预测未来时间段内的联络线控制性能评价指标时,预测模型会以预设时间段的所有联络线控制性能评价指标为基础,预测未来时间段的第一个联络线控制性能评价指标;当获取到第一个联络线控制性能评价指标后,预测模型会将该第一个联络线控制性能评价指标进行迭代。
例如,假设输入的预设时间段的联络线控制性能评价指标的数量为96个(编号1-96)时,则预测模型会将该96个值作为输入,并输出第97个(编号97)值,该值即为未来时间段内的第一个联络线控制性能评价指标。接着,预测模型会将编号2-97的值作为输入,来输出第98个(编号98)值,该值即为未来时间段内的第二个联络线控制性能评价指标。之后,预测模型会将编号3-98的值作为输入,来输出第99个(编号99)值……以此类推。
在一个实施例中,当通过预测模型输出结果后,可对该输出结果进行去归一化处理,即可得到预测的联络线控制性能评价指标。
其中,预测的联络线控制性能评价指标可以是未来时间段内,每间隔预定时长的联络线控制性能评价指标。
例如,预测的联络线控制性能评价指标可以是未来一天内每15分钟的联络线控制性能评价指标。
当然,该预定时长的长短可以根据实际需要进行调整,本发明实施例对此不做限定。
进一步地,为了评价模型的优劣,在一个实施例中还采用了相对百分误差绝对值的平均值(MAPE,Mean Absolute Percentage Error)和均方根误差(RMSE,Root MeanSquare Error)来评估模型精度。
其中,MAPE越小,模型精确度越高,计算公式如下:
式中,n表示样本个数;yr(t)为t时刻的联络线功率真实值;yp(t)则为t时刻的联络线功率预测值。
图4为采用预测模型预测的5月31日一天内96个时刻的CPS1值与实际对比图,表2为模型预测结果的评价指标。由图4和表2可以看出采用CNN模型预测的结果较为精确,证明了本发明实施例提供的联络线控制性能评价指标预测装置的可行性和可靠性。
表2:模型预测评价指标
本发明实施例提供的联络线控制性能评价指标预测装置,由于是基于建立的预测模型来预测未来时间段内的联络线控制性能评价指标的,因此预测的结果具有较高的准确度。另外,由于综合考虑了ACE、电网频率数据以及联络线的功率,因此所预测的联络线控制性能评价指标可以为电网相关工作人员提供十分显著的参考价值,具有十分广阔的应用前景。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(communication interface)620、存储器(memory)630和通信总线(bus)640,其中,处理器610、通信接口620、存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行联络线控制性能评价指标预测方法,该方法包括:
根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
根据联络线控制性能评价指标历史数据,建立预测模型;
将预设时间段内的联络线控制性能评价指标历史数据输入预测模型,以预测未来时间段内的联络线控制性能评价指标。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的联络线控制性能评价指标预测方法,该方法包括:
根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
根据联络线控制性能评价指标历史数据,建立预测模型;
将预设时间段内的联络线控制性能评价指标历史数据输入预测模型,以预测未来时间段内的联络线控制性能评价指标。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的联络线控制性能评价指标预测方法,该方法包括:
根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
根据联络线控制性能评价指标历史数据,建立预测模型;
将预设时间段内的联络线控制性能评价指标历史数据输入预测模型,以预测未来时间段内的联络线控制性能评价指标。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种联络线控制性能评价指标预测方法,其特征在于,包括:
根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
根据所述联络线控制性能评价指标历史数据,建立预测模型;
将预设时间段内的联络线控制性能评价指标历史数据输入所述预测模型,以预测未来时间段内的联络线控制性能评价指标。
2.根据权利要求1所述的联络线控制性能评价指标预测方法,其特征在于,所述根据电网区域控制偏差的历史数据,获取联络线控制性能评价指标历史数据包括:
基于所述电网区域控制偏差历史数据以及电网频率历史数据,通过预设计算方式,获取所述联络线控制性能评价指标历史数据。
4.根据权利要求1-3任一项所述的联络线控制性能评价指标预测方法,其特征在于,所述预测模型为卷积神经网络模型;
并且,所述根据所述联络线控制性能评价指标历史数据,建立预测模型包括:
对所述联络线控制性能评价指标历史数据进行归一化处理;
根据预设的时间步长,将归一化后的联络线控制性能评价指标历史数据划分为多个训练样本;
将所述多个训练样本输入到所述卷积神经网络预测模型中进行训练。
5.一种联络线控制性能评价指标预测装置,其特征在于,包括:
获取模块,用于根据电网区域控制偏差历史数据,获取联络线控制性能评价指标历史数据;
建模模块,用于根据所述联络线控制性能评价指标历史数据,建立预测模型;
预测模块,用于将预设时间段内的联络线控制性能评价指标历史数据输入所述预测模型,以预测未来时间段内的联络线控制性能评价指标。
6.根据权利要求5所述的联络线控制性能评价指标预测装置,其特征在于,所述获取模块具体用于:
基于所述电网区域控制偏差历史数据以及电网频率历史数据,通过预设计算方式,获取所述联络线控制性能评价指标历史数据。
8.根据权利要求5-7任一项所述的联络线控制性能评价指标预测装置,其特征在于,所述预测模型为卷积神经网络模型;
并且,所述建模模块具体用于:
对所述联络线控制性能评价指标历史数据进行归一化处理;
根据预设的时间步长,将归一化后的联络线控制性能评价指标历史数据划分为多个训练样本;
将所述多个训练样本输入到所述卷积神经网络预测模型中进行训练。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的联络线控制性能评价指标预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述的联络线控制性能评价指标预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713137.7A CN111884251A (zh) | 2020-07-22 | 2020-07-22 | 联络线控制性能评价指标预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713137.7A CN111884251A (zh) | 2020-07-22 | 2020-07-22 | 联络线控制性能评价指标预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111884251A true CN111884251A (zh) | 2020-11-03 |
Family
ID=73155294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713137.7A Pending CN111884251A (zh) | 2020-07-22 | 2020-07-22 | 联络线控制性能评价指标预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111884251A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103490413A (zh) * | 2013-09-27 | 2014-01-01 | 华南理工大学 | 一种基于智能体均衡算法的智能发电控制方法 |
CN103500364A (zh) * | 2013-09-18 | 2014-01-08 | 广州供电局有限公司 | 电能质量稳态指标预测方法和系统 |
CN104092297A (zh) * | 2014-06-24 | 2014-10-08 | 国家电网公司 | 一种实时监测电网系统运行性能的监测系统及方法 |
CN106355980A (zh) * | 2016-10-27 | 2017-01-25 | 江苏方天电力技术有限公司 | 一种基于限定记忆极限学习机的电网调节能力预测方法 |
EP3376630A1 (en) * | 2017-03-17 | 2018-09-19 | General Electric Technology GmbH | Scalable flexibility control of distributed loads in a power grid |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
-
2020
- 2020-07-22 CN CN202010713137.7A patent/CN111884251A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103500364A (zh) * | 2013-09-18 | 2014-01-08 | 广州供电局有限公司 | 电能质量稳态指标预测方法和系统 |
CN103490413A (zh) * | 2013-09-27 | 2014-01-01 | 华南理工大学 | 一种基于智能体均衡算法的智能发电控制方法 |
CN104092297A (zh) * | 2014-06-24 | 2014-10-08 | 国家电网公司 | 一种实时监测电网系统运行性能的监测系统及方法 |
CN106355980A (zh) * | 2016-10-27 | 2017-01-25 | 江苏方天电力技术有限公司 | 一种基于限定记忆极限学习机的电网调节能力预测方法 |
EP3376630A1 (en) * | 2017-03-17 | 2018-09-19 | General Electric Technology GmbH | Scalable flexibility control of distributed loads in a power grid |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
单茂华 等: "风电大规模集中并网后的互联电网有功功率控制性能评价模型", 《中国电机工程学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330573B (zh) | 一种光伏系统关键设备的状态评估方法及装置 | |
CN110390461B (zh) | 基于复杂网络的非线性模糊语言配电网节点脆弱性评价方法 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN112270439B (zh) | 超短期风电功率预测方法、装置、电子设备及存储介质 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
CN111210049A (zh) | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 | |
Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
Qian et al. | N-1 static security assessment method for power grids with high penetration rate of renewable energy generation | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
WO2022143021A1 (zh) | 神经网络的生成方法、功率预测方法、装置和存储介质 | |
CN114154753A (zh) | 一种负荷预测方法及系统 | |
CN114519470A (zh) | 一种风电中长期发电量预测方法及装置 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
Nguyen et al. | Electricity demand forecasting for smart grid based on deep learning approach | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN105976057B (zh) | 一种基于改进灰色理论的中长期负荷预测方法 | |
CN111400964A (zh) | 一种故障发生时间预测方法及装置 | |
CN111884251A (zh) | 联络线控制性能评价指标预测方法及装置 | |
CN116706907A (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN111371088A (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
CN109510189B (zh) | 基于可信性理论的配电网规划方法 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |
|
RJ01 | Rejection of invention patent application after publication |