CN113052469B - 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 - Google Patents
一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 Download PDFInfo
- Publication number
- CN113052469B CN113052469B CN202110342256.0A CN202110342256A CN113052469B CN 113052469 B CN113052469 B CN 113052469B CN 202110342256 A CN202110342256 A CN 202110342256A CN 113052469 B CN113052469 B CN 113052469B
- Authority
- CN
- China
- Prior art keywords
- runoff
- wind
- calculating
- water
- light
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000000295 complement effect Effects 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 title claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000001556 precipitation Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000004304 visual acuity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 241000039077 Copula Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,该方法为:首先基于数据驱动的LSTM‑注意力机制,通过样本数据训练学习,预测径流式小水电的来水;然后通过径流功率模型计算出小水电的功率输出。利用皮尔逊相关系数法和Spear‑man秩相关系数来计算风光水荷两两之间的相关性,再利用利用模糊层次分析法获得总的风光水荷之间的相关性。本发明解决了缺乏量测的径流式小水电地区输出功率的预测,并能计算风光水荷两两之间的相关性,再利用利用模糊层次分析法获得总的风光水荷之间的相关性。
Description
技术领域
本发明涉及一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,属于风光水荷互补特性技术领域。
背景技术
煤炭、石油等传统能源的日益枯竭及其造成的环境污染问题已促使各国纷纷调整能源发展战略,积极寻求资源潜力大、环境污染低可持续利用的可再生新能源,来有限应对能源危机。为实现资源和环境的可持续发展,清洁、可再生的风电、光伏和水电得到了大力的发展和利用。但是,风能和太阳能受季节和环境影响比较大,其发电出力具有随机性、间歇性和反调峰性,高比例可再生能源的接入必然会影响电力系统的安全运行和高效消纳。截至2019年底,我国风电、光伏累计装机分别为21万MW和20.43万MW;同时,全国弃风、弃光电量分别达到了169亿kWh和46亿kWh,可再生能源消纳问题仍然严峻。
考虑风光互补的系统规划运行能有效平抑风光出力的波动性,从而促进风光资源的消纳以及维持系统的稳定,因此得到了广泛的关注和研究。文献(冯·不莱梅.依赖天气的可再生能源的变化-在电力工业中管理天气和气候变化的风险。)通过组合风能和太阳,文献(弗朗索瓦等,基于水电和风能/太阳能协同的可再生能源渗透率提升,可再生能源2016;87:686e96)通过风能,太阳能和径流水电来平抑可再生能源的波动。文献(弗朗索瓦等,太阳能和水力发电的互补性:意大利北部气候特征的敏感性研究,可再生能源2016;86:543e53)结果表明,在意大利,径流式水电与太阳能光伏(PV)在小时到季节的时间尺度上呈负相关关系,具有互补性。为描述新能源出力间更复杂的相依关系,文献(马燕峰,李鑫,刘金山,等.考虑风电场时空相关性的多场景优化调度[J].电力自动化设备,2020,40(2):55-65)使用混合Copula方法,将多种Copula函数进行凸组合,实现了更精确的相依关系刻画。该方法主要针对已建成的新能源场站的风光互补特性的评价。而对于待建的新能源场站,通常需要通过求解优化模型来获得合理的风光容量配置。虽然这些模型因应用场景差异而不尽相同,但这些求解模型中基本都包含对于风光出力的平稳性、新能源消纳率或渗透率的要求,同时这也是对于系统的风光互补特性的要求与评价。在文献(李湃,黄越辉,王跃峰,等.含抽蓄电站的多端柔性直流电网风光接入容量配比优化方法[J].中国电力,2019,52(4):32-40)的多端柔性直流电网风光最优接入容量配比模型中,全年下网电量目标,新能源弃电率约束也是该系统中风光互补效果的量度指标。而在文献(于东霞,张建华,王晓燕,等.并网型风光储互补发电系统容量优化配置[J].电力系统及其自动化学报,2019,31(10):59-65)的含混合储能的风光储互补容量配置优化问题中,以系统功率偏差、入网功率的标准差来反映风光储发电系统的互补效果。
上述文献综述揭示了分析互补性特征需要解决的几个问题:1)以往的研究主要集中在两种可再生能源的互补性研究上。对光伏-风电-水电互补特性的研究较少,忽视了水电对系统的互补效应;2)径流式小水电通常不具有完备的测量系统,不具有传统大水电厂的分析数据,只能通过模型和天气数据间接估计。
发明内容
本发明要解决的技术问题是:提供一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,以解决上述现有技术中存在的问题。
本发明采取的技术方案为:一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,该方法为:首先,基于数据驱动的LSTM-注意力机制,通过样本数据训练学习,预测径流式小水电的径流量(公式1中的径流量);然后通过径流功率模型计算出小水电的功率输出;其次,利用皮尔逊相关系数法和Spear-man秩相关系数来计算风光水荷两两之间的相关性,再利用利用模糊层次分析法获得总的风光水荷之间的相关性。
径流式小水电出力预测方法为:通过深度学习框架完成对径流数据的预测,然后通过下式计算出径流式小水电厂的出力:
PROR(t)=ηHghρq(t) (1)
式中,PROR为小水电站发电机输送的功率(kW),ηH为发电机的效率,q(t)为流过涡轮机的径流量(m3s-1),g为重力加速度(=9.81m3s-2),ρ为水密度(=1000kgm-3),h为落差高度(m);q(t)通过基于注意力机制的长短时记忆网络模型获得。
基于注意力机制的长短时记忆网络模型获得q(t)的方法为:将注意力机制与LSTM网络结合起来构造一个预测基模型,该预测基模型为:两个LSTM层、注意力机制层和全连接层,输入的历史特征数据分别为流域的面积(公里2)、高程(m)、年平均径流量(mm)、年平均降水量(mm)、径流系数、S/P比率、临近区域的径流量,其中,径流量和降水量为年平均值,比值S/P是降雪量/总降水量之间的平均比值,径流系数是年平均径流量与年平均降水量之比。
两个LSTM层的神经元个数分别为32和64。
LSTM单元根据t-1时刻记忆单元状态值ct-1、隐藏层t-1时刻输出值ht-1和t时刻输入值xt,计算t时刻隐藏层输出值ht,根据信号的流向,具体计算方法如下:
ft=σ(Wfxxt+Wfhht-1+bf) (2)
it=σ(Wixxt+Wihht-1+bi) (3)
ct=ct-1⊙ft+gt⊙it (5)
ot=σ(Woxxt+Wohht-1+bo) (6)
采用的注意力机制模型方法为:模型的第二层LSTM节点的输出值{h1,h2,…,ht}表示Attention结构的输入特征序列,也作为Attention第一层隐藏层中的状态值;Uk表示当序列点经过注意力系数加权后的向量,是Attention最后一层隐藏层中所保存的向量,也是Attention层的输出;
ski表示第i个序列点对第k个序列点的影响,计算公式如下:
ski=Uk-1tanh(V1hk+V2hi+b) (8)
Uk-1是Attention隐藏层更新所保存的向量,V1、V2为矩阵系数,b为偏置系数;再将各个ski输入softma层进行归一化得到概率分布ski,这样影响越大的序列点所对应的概率越大,可以抑制一些无效信息或噪音。计算公式如下:
再将各个αki加权求和得到第k个序列点的注意力系数C,最后综合求出attention层的输出值Uk并更新隐藏层保存值,公式如下:
Uk=tanh(C,hk) (11)
风光水荷两两之间的相关性计算方法为:
首先利用皮尔逊相关系数分析风光水荷的相关性,具体步骤如下:
1)相关性是衡量两个随机变量之间依赖程度的指标。皮尔逊相关系数CC(X,Y)是最常见的一种关联式,它在能量互补研究中得到了广泛的应用。对于任意配对的风光水荷数据的样本{(x1,y1),…,(xn,yn)},rii可计算为:
式中:cov(X,Y)为X与Y的协方差;D(X)、D(Y)分别为X与Y的方差,X与Y表示风光水荷数据样本的任何一个;
2)对于非正态分布的多元分布,Spear-man秩相关系数ρM(X,Y)是一个较好的选择。它删除了两个变量的相对大小,并测量了转换变量之间的依赖,Spear-man秩相关系数ρM(X,Y)的计算需要将每个X与Y的值转换为相应的秩,通过以下方法计算出秩相关系数:
式中:rank(X),rank(Y)分别为X与Y的秩,cov(rank(X),rank(Y))为X与Y秩的协方差;D(rank(X))、D(rank(Y))分别为X与Y秩的方差;X与Y表示风光水荷数据样本的任何一个;
3)让分指数W、S、H、L相应地代表风、光、水电资源和负荷,计算这些资源和负荷可能的配对组合相关系数,如CCWS,CCWH,CCWL,ρM(W,S),ρM(W,L)等12种组合;
4)利用模糊层次分析法获得的权重,将12种组合相关系数综合为总的相关系数;
5)为将多个专家的决策结果提炼出统一决策权重向量,同时降低决策的主观性,引入k均值算法对专家决策向量进行聚类分析获得最终指标层的最终权重向量。
模糊层次分析法获得的权重的步骤如下:
模糊层次分析法是模糊数学与层次分析法相结合的多指标权重分配方法,它克服了层次分析法的判断矩阵一致性难以检验等问题,可消除指标权重分配中的不确定性问题。
设模糊互补矩阵F=(fij)n×n(fij∈[0,1],其中:n为指标准则数,一般取n=6),fij取0.1~0.9数量标度;
各指标权重为:
式中:uZi,uZj分别表示专家Z对指标i和j的权重决策结果,满足fij=logαuZi-logαuZj+0.5;α为决策者的分辨能力,可以通过增大α的值来提高权重分配方案优劣的分辨率。
k均值算法步骤如下:
1)假定各指标权重由N个专家完成,输入N个12维(对应2类12个指标)待分类的专家决策权重向量{U1,U2,…,UZ,…UN},其中UZ=(uZ1,uZ2,…,uZ12)表示专家Z对12个指标的权重分配结果,待分类的簇数为k;
2)随机选择k个专家对指标权重分配的决策向量作为初始聚类中心{p1,p2,…,pi,…pk},其中pi=(pi1,pi2,…,pi12)表示第i个聚类中心的权重决策向量;选择聚类最大迭代次数V;确定迭代结束的最大收敛系数M;
3)计算每个决策向量到各簇的欧氏距离,将各决策向量分到具有最小距离的簇中,欧氏距离的计算公式为:
4)重新计算k个聚类的中心值{p1,p2,…,pi,…pk},其中pil为:
5)检验聚类操作是否结束:若迭代次数等于P,则结束聚类;否则计算该次迭代每个聚类的收敛距离,若收敛距离都小于给定的参数M则结束,否则继续迭代,第m次迭代收敛距离计算公式为:
6)如果类别pl包括nl个排序向量,则得该类专家决策向量的权重为:
由此得到指标层的最终权重向量为:
本发明的有益效果:与现有技术相比,本发明提出一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,首先基于数据驱动的LSTM-注意力机制,通过样本数据训练学习,预测径流式小水电的来水;然后通过径流功率模型计算出小水电的功率输出。解决了缺乏量测的径流式小水电地区输出功率的预测,使得径流式小水电测量更完备,直接估计更准确;利用皮尔逊相关系数法和Spear-man秩相关系数来计算风光水荷两两之间的相关性,再利用利用模糊层次分析法获得总的风光水荷之间的相关性,采用光、风、水三者的互补相关性,获得更精确的数据分析。
附图说明
图1为LSTM网络基本单元示意图
图2为Attention模块结构图;
图3为Attention-LSTM网络模型图;
图4为本发明的流程图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1:如图1-图4所示,一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,该计算方法分为两个个阶段:第1阶段,基于数据驱动的LSTM-注意力机制,通过样本数据训练学习,预测径流式小水电的径流量;然后通过径流功率模型计算出小水电的功率输出;第2阶段,利用皮尔逊相关系数法和Spear-man秩相关系数来计算风光水荷两两之间的相关性,再利用利用模糊层次分析法获得总的风光水荷之间的相关性。
1.径流式小水电出力预测
径流式小电厂大多位于无计量的小支流上,因此缺乏径流数据。本方法通过深度学习框架完成对径流数据的预测,然后通过下式计算出径流式小水电厂的出力:
PROR(t)=ηHghρq(t) (1)
式中,PROR为小水电站发电机输送的功率(kW),ηH为发电机的效率,q(t)为流过涡轮机的径流量m3s-1),g为重力加速度(=9.81m3s-2),ρ为水密度(=1000kgm-3),h为落差高度(m);q(t)通过基于注意力机制的长短时记忆网络模型获得。
q(t)通过如下的基于注意力机制的长短时记忆网络模型获得。
1.1基于注意力机制的长短时记忆网络模型原理
1.1.1 LSTM原理
LSTM网络是一种改进的时间循环神经网络(RNN),用于处理时序信号。LSTM基本单元主要由输入门、输出门、遗忘门组成,如图1所示。在基本单元处理信息的过程中,最重要的是单元状态的传递,即图1中上方从ct-1到ct的水平线,它将信息从上一个单元传递到下一个单元。
LSTM单元根据t-1时刻记忆单元状态值ct-1、隐藏层t-1时刻输出值ht-1和t时刻输入值xt,计算t时刻隐藏层输出值ht。根据信号的流向,具体计算规则如下:
ft=σ(Wfxxt+Wfhht-1+bf) (2)
it=σ(Wixxt+Wihht-1+bi) (3)
ct=ct-1⊙ft+gt⊙it (5)
ot=σ(Woxxt+Wohht-1+bo) (6)
1.1.2注意力机制机理
AttentionModel是一种模拟人脑注意力的机制模型,其目的是使神经网络有选择地关注输入特征,并将学习到的特征权重保存赋值给下一个时间步长的输入向量,利用权值矩阵分配注意力,从而突出关键输入特征对预测的影响。
采用的注意力机制原理如图2所示。图2中所示模型的第二层LSTM节点的输出值{h1,h2,…,ht}表示Attention结构的输入特征序列,也作为Attention第一层隐藏层中的状态值;Uk表示当序列点经过注意力系数加权后的向量,是Attention最后一层隐藏层中所保存的向量,也是Attention层的输出。
图中ski表示第i个序列点对第k个序列点的影响,计算公式如下:
ski=Uk-1tanh(V1hk+V2hi+b) (8)
Uk-1是Attention隐藏层更新所保存的向量,V1、V2为矩阵系数,b为偏置系数。再将各个ski输入softma层进行归一化得到概率分布ski,这样影响越大的序列点所对应的概率越大,可以抑制一些无效信息或噪音,计算公式如下:
再将各个αki加权求和得到第k个序列点的注意力系数C,最后综合求出attention层的输出值Uk并更新隐藏层保存值,公式如下:
Uk=tanh(C,hk) (11)
1.2基于LSTM-注意力机制的径流预测
将注意力机制与LSTM网络结合起来构造一个预测基模型,网络结构如图3所示,其中两个LSTM层的神经元个数分别为32和64。
输入的历史特征数据分别为流域的面积(公里2)、高程(m)、年平均径流量(mm)、年平均降水量(mm)、径流系数、S/P比率、临近区域的径流量。其中,径流量和降水量为年平均值。比值S/P是降雪量/总降水量之间的平均比值。径流系数是年平均径流量与年平均降水量之比。
2.风光水荷之间的相关性计算
首先利用皮尔逊相关系数分析风光水荷的相关性。具体步骤如下:
1)相关性是衡量两个随机变量之间依赖程度的指标。皮尔逊相关系数CC(X,Y)是最常见的一种关联式,它在能量互补研究中得到了广泛的应用。对于任意配对的风光水荷数据的样本{(x1,y1),…,(xn,yn)},rii可计算为:
式中:cov(X,Y)为X与Y的协方差;D(X)、D(Y)分别为X与Y的方差。X与Y表示风光水荷数据样本的任何一个;
2)对于非正态分布的多元分布,Spear-man秩相关系数ρM(X,Y)是一个较好的选择。它删除了两个变量的相对大小,并测量了转换变量之间的依赖.ρM(X,Y)的计算需要将每个X与Y的值转换为相应的秩,可以通过以下方法计算出秩相关系数:
式中:rank(X),rank(Y)分别为X与Y的秩。cov(rank(X),rank(Y))为X与Y秩的协方差;D(rank(X))、D(rank(Y))分别为X与Y秩的方差。X与Y表示风光水荷数据样本的任何一个;
3)让分指数W、S、H、L相应地代表风、光、水电资源和负荷,计算这些资源和负荷可能的配对组合相关系数,如CCWS,CCWH,CCWL,ρM(W,S),ρM(W,L)等12种组合;
4)利用模糊层次分析法获得的权重,将12种组合相关系数综合为总的相关系数;
5)通过模糊层次分析法获得的权重的步骤如下:
模糊层次分析法是模糊数学与层次分析法相结合的多指标权重分配方法,它克服了层次分析法的判断矩阵一致性难以检验等问题,可消除指标权重分配中的不确定性问题。
设模糊互补矩阵F=(fij)n×n(fij∈[0,1],其中:n为指标准则数,一般取n=6),fij取0.1~0.9数量标度。
各指标权重为:
式中:uZi,uZj分别表示专家Z对指标i和j的权重决策结果,满足fij=logαuZi-logαuZj+0.5;α为决策者的分辨能力,可以通过增大α的值来提高权重分配方案优劣的分辨率。
为将多个专家的决策结果提炼出统一决策权重向量,同时降低决策的主观性,本文引入k均值算法对专家决策向量进行聚类分析。算法流程如下:
1)假定各指标权重由N个专家完成,输入N个12维(对应2类12个指标)待分类的专家决策权重向量{U1,U2,…,UZ,…UN},其中UZ=(uZ1,uZ2,…,uZ12)表示专家Z对12个指标的权重分配结果,待分类的簇数为k;
2)随机选择k个专家对指标权重分配的决策向量作为初始聚类中心{p1,p2,…,pi,…pk},其中pi=(pi1,pi2,…,pi12)表示第i个聚类中心的权重决策向量;选择聚类最大迭代次数V;确定迭代结束的最大收敛系数M;
3)计算每个决策向量到各簇的欧氏距离,将各决策向量分到具有最小距离的簇中,欧氏距离的计算公式为:
4)重新计算k个聚类的中心值{p1,p2,…,pi,…pk},其中pil为:
5)检验聚类操作是否结束:若迭代次数等于P,则结束聚类;否则计算该次迭代每个聚类的收敛距离,若收敛距离都小于给定的参数M则结束,否则继续迭代。第m次迭代收敛距离计算公式为:
6)如果类别pl包括nl个排序向量,则可得该类专家决策向量的权重为:
由此得到指标层的最终权重向量为:
本发明提出一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法。首先基于数据驱动的LSTM-注意力机制,通过样本数据训练学习,预测径流式小水电的来水;然后通过径流功率模型计算出小水电的功率输出。解决了缺乏量测的径流式小水电地区输出功率的预测。利用皮尔逊相关系数法和Spear-man秩相关系数来计算风光水荷两两之间的相关性,再利用利用模糊层次分析法获得总的风光水荷之间的相关性。
附图4中步骤1描述的是采集输入样本数据,本方法使用贵州某地区2018年7月1日至12月31日的运行数据作为样本,按照分钟为单位进行采样,每天有1440个断面。数据断面信息包括输入的历史特征数据分别为流域的面积(公里2)、高程(m)、年平均径流量(mm)、年平均降水量(mm)、径流系数、S/P比率、临近区域的径流量。
附图4中步骤2描述的是,构建LSTM-Attention网络模型,本方法所提模型中LSTM层包含64个神经元,Attention层作为LSTM层的接口,通过合理分配注意力全中庭实现记忆单元求解,最后通过一个全连接Dense层输出预测结果。
附图4中步骤3描述的是,将训练集数据输入LSTM-Attention网络训练模型,本方法设置参数batch_size为200,epoch为100,并且当模型收敛后可以提前停止训练,从而避免模型过拟合。
附图4中步骤4是对利用径流功率模型,公式(1)计算径流小水电输出功率。
附图4中步骤5描述的是在步骤4的基础上,通过量测获得的风电、光伏和负荷数据构成风光水荷数据集,通过皮尔逊相关系数法和Spear-man秩相关系数法分别计算风光水荷两两间的12相关系数。
附图4中步骤6描述的是,利用模糊层次分析法获得各指标权重系数,将风光水荷两两间的12相关系数综合为一个能全面评估的总的相关系数。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,其特征在于:该方法为:首先,基于数据驱动的LSTM-注意力机制,通过样本数据训练学习,预测径流式小水电的径流量;然后通过径流功率模型计算出小水电的功率输出;其次,利用皮尔逊相关系数法和Spear-man秩相关系数来计算风光水荷两两之间的相关性,再利用模糊层次分析法获得总的风光水荷之间的相关性;
径流式小水电出力预测方法为:通过深度学习框架完成对径流数据的预测,然后通过下式计算出径流式小水电厂的出力:
PROR(t)=hHghρq(t) (1)
式中,PROR为小水电站发电机输送的功率,单位kW,hH为发电机的效率,q(t)为流过涡轮机的径流量,单位m3s-1,g为重力加速度,g=9.81m3s-2,ρ为水密度,ρ=1000kgm-3,h为落差高度,单位m;q(t)通过基于注意力机制的长短时记忆网络模型获得。
2.根据权利要求1所述的一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,其特征在于:基于注意力机制的长短时记忆网络模型获得q(t)的方法为:将注意力机制与LSTM网络结合起来构造一个预测基模型,该预测基模型为:两个LSTM层、注意力机制层和全连接层,输入的历史特征数据分别为流域的面积、高程、年平均径流量、年平均降水量、径流系数、S/P比率、临近区域的径流量,面积、高程、年平均径流量和年平均降水量的单位分别为公里2、m、mm和mm,其中,径流量和降水量为年平均值,比值S/P是降雪量/总降水量之间的平均比值,径流系数是年平均径流量与年平均降水量之比。
3.根据权利要求2所述的一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,其特征在于:两个LSTM层的神经元个数分别为32和64。
5.根据权利要求3所述的一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,其特征在于:采用的注意力机制模型方法为:模型的第二层LSTM节点的输出值{h1,h2,…,ht}表示Attention结构的输入特征序列,也作为Attention第一层隐藏层中的状态值;Uk表示当序列点经过注意力系数加权后的向量,是Attention最后一层隐藏层中所保存的向量,也是Attention层的输出;
ski表示第i个序列点对第k个序列点的影响,计算公式如下:
ski=Uk-1tanh(V1hk+V2hi+b) (8)
Uk-1是Attention隐藏层更新所保存的向量,V1、V2为矩阵系数,b为偏置系数;再将各个ski输入softma层进行归一化得到概率分布ski,计算公式如下:
再将各个αki加权求和得到第k个序列点的注意力系数C,最后综合求出attention层的输出值Uk并更新隐藏层保存值,公式如下:
Uk=tanh(C,hk) (11)
6.根据权利要求1所述的一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,其特征在于:风光水荷两两之间的相关性计算方法为:
首先利用皮尔逊相关系数分析风光水荷的相关性,具体步骤如下:
1)对于任意配对的风光水荷数据的样本{(x1,y1),…,(xn,yn)},rii可计算为:
式中:cov(X,Y)为X与Y的协方差;D(X)、D(Y)分别为X与Y的方差,X与Y表示风光水荷数据样本的任何一个;
2)Spear-man秩相关系数ρM(X,Y)的计算需要将每个X与Y的值转换为相应的秩,通过以下方法计算出秩相关系数:
式中:rank(X),rank(Y)分别为X与Y的秩,cov(rank(X),rank(Y))为X与Y秩的协方差;D(rank(X))、D(rank(Y))分别为X与Y秩的方差;X与Y表示风光水荷数据样本的任何一个;
3)让分指数W、S、H、L相应地代表风、光、水电资源和负荷,计算这些资源和负荷可能的配对组合相关系数;
4)利用模糊层次分析法获得的权重,将12种组合相关系数综合为总的相关系数;
5)提炼出统一决策权重向量,引入k均值算法对专家决策向量进行聚类分析获得最终指标层的最终权重向量。
8.根据权利要求7所述的一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法,其特征在于:k均值算法步骤如下:
1)假定各指标权重由N个专家完成,输入N个12维待分类的专家决策权重向量{U1,U2,…,UZ,…UN},其中UZ=(uZ1,uZ2,…,uZ12)表示专家Z对12个指标的权重分配结果,待分类的簇数为k;
2)随机选择k个专家对指标权重分配的决策向量作为初始聚类中心{p1,p2,…,pi,…pk},其中pi=(pi1,pi2,…,pi12)表示第i个聚类中心的权重决策向量;选择聚类最大迭代次数V;确定迭代结束的最大收敛系数M;
3)计算每个决策向量到各簇的欧氏距离,将各决策向量分到具有最小距离的簇中,欧氏距离的计算公式为:
4)重新计算k个聚类的中心值{p1,p2,…,pi,…pk},其中pil为:
5)检验聚类操作是否结束:若迭代次数等于P,则结束聚类;否则计算该次迭代每个聚类的收敛距离,若收敛距离都小于给定的参数M则结束,否则继续迭代,第m次迭代收敛距离计算公式为:
6)如果类别pl包括nl个排序向量,则得该类专家决策向量的权重为:
由此得到指标层的最终权重向量为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342256.0A CN113052469B (zh) | 2021-03-30 | 2021-03-30 | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110342256.0A CN113052469B (zh) | 2021-03-30 | 2021-03-30 | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052469A CN113052469A (zh) | 2021-06-29 |
CN113052469B true CN113052469B (zh) | 2022-04-22 |
Family
ID=76516901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110342256.0A Active CN113052469B (zh) | 2021-03-30 | 2021-03-30 | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052469B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743668B (zh) * | 2021-09-07 | 2024-04-05 | 中国海洋大学 | 一种面向家庭用电的短期负荷预测方法 |
CN113988446A (zh) * | 2021-11-04 | 2022-01-28 | 贵州电网有限责任公司 | 一种风光水协同的输配电系统分布式优化方法 |
CN115374957B (zh) * | 2022-06-22 | 2024-02-27 | 国网浙江省电力有限公司丽水供电公司 | 一种径流式小水电多尺度缺失量测数据重建方法 |
CN115392387B (zh) * | 2022-09-01 | 2023-08-08 | 国网江苏省电力有限公司镇江供电分公司 | 一种低压分布式光伏发电出力预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320062A (zh) * | 2018-03-21 | 2018-07-24 | 广东电网有限责任公司电力科学研究院 | 一种基于多目标种群群搜索算法的联合调度方法及系统 |
CN108879793A (zh) * | 2018-07-12 | 2018-11-23 | 电子科技大学 | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 |
CN109102110A (zh) * | 2018-07-23 | 2018-12-28 | 云南电网有限责任公司临沧供电局 | 一种径流式小水电短期出力预测方法和装置 |
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599363A (zh) * | 2019-08-26 | 2019-12-20 | 重庆大学 | 一种计及梯级水电站优化调度的电力系统可靠性评估方法 |
-
2021
- 2021-03-30 CN CN202110342256.0A patent/CN113052469B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320062A (zh) * | 2018-03-21 | 2018-07-24 | 广东电网有限责任公司电力科学研究院 | 一种基于多目标种群群搜索算法的联合调度方法及系统 |
CN108879793A (zh) * | 2018-07-12 | 2018-11-23 | 电子科技大学 | 一种风光蓄能水电站互补的离网式混合能源系统优化方法 |
CN109102110A (zh) * | 2018-07-23 | 2018-12-28 | 云南电网有限责任公司临沧供电局 | 一种径流式小水电短期出力预测方法和装置 |
CN110288157A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 一种基于注意力机制和lstm的径流预测方法 |
CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及系统 |
Non-Patent Citations (2)
Title |
---|
"风光水 "互补微电网的运行优化;余志勇 等;《微电网技术专栏》;20140630;第35卷(第6期);第50-55页 * |
考虑降雨量影响的径流式小水电计划出力校正方法研究;李文娟 等;《测量与检测技术》;20190730;第41卷(第4期);第99-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052469A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
CN113052469B (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
Wang et al. | A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network | |
Sheng et al. | Short-term solar power forecasting based on weighted Gaussian process regression | |
Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
Feng et al. | A taxonomical review on recent artificial intelligence applications to PV integration into power grids | |
CN112561058B (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
Zhou et al. | Transfer learning for photovoltaic power forecasting with long short-term memory neural network | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
Zhang et al. | Solar radiation intensity probabilistic forecasting based on K-means time series clustering and Gaussian process regression | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
Munir et al. | Artificial neural network based simplified one day ahead forecasting of solar photovoltaic power generation | |
Iqbal et al. | Solar radiation prediction using ant colony optimization and artificial neural network | |
Al-Janabi et al. | Main challenges (generation and returned energy) in a deep intelligent analysis technique for renewable energy applications. | |
Wu et al. | Short-Term Prediction of Wind Power Considering the Fusion of Multiple Spatial and Temporal Correlation Features | |
CN115456286A (zh) | 一种短期光伏功率预测方法 | |
Prashanthi et al. | A comparative study of the performance of machine learning based load forecasting methods |
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 |