CN114078062A - 新能源消纳受阻因素的关键断面识别方法及系统 - Google Patents

新能源消纳受阻因素的关键断面识别方法及系统 Download PDF

Info

Publication number
CN114078062A
CN114078062A CN202111172314.6A CN202111172314A CN114078062A CN 114078062 A CN114078062 A CN 114078062A CN 202111172314 A CN202111172314 A CN 202111172314A CN 114078062 A CN114078062 A CN 114078062A
Authority
CN
China
Prior art keywords
factor
new energy
neural network
network model
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.)
Pending
Application number
CN202111172314.6A
Other languages
English (en)
Inventor
张骥
王吉利
丁茂生
薛飞
程林
任冲
张钢
牛拴保
马晨霄
王小立
李宏强
李旭涛
王波
郭耀松
李雷
沈维健
王天禄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest Branch Of State Grid Corp Of China
State Grid Corp of China SGCC
Nari Technology Co Ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Northwest Branch Of State Grid Corp Of China
State Grid Corp of China SGCC
Nari Technology Co Ltd
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
State Grid Electric Power Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwest Branch Of State Grid Corp Of China, State Grid Corp of China SGCC, Nari Technology Co Ltd, Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical Northwest Branch Of State Grid Corp Of China
Priority to CN202111172314.6A priority Critical patent/CN114078062A/zh
Publication of CN114078062A publication Critical patent/CN114078062A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种新能源消纳受阻因素的关键断面识别方法，包括：获取新能源消纳受阻因素历史数据合集；建立受阻因素神经网络模型，根据历史数据合集对受阻因素神经网络模型进行训练；基于训练好的受阻因素神经网络模型，通过相关性分析找出新能源消纳受阻因素，相比于现阶段电网依赖人工经验的离线选择断面的方式而言，采用本发明技术省去了定期人工选择断面的过程，只需要导入电网历史数据库的数据，通过模型智能识别新能源受阻断面与受阻因素，极大地节省了人力，提升了效率。

Description

新能源消纳受阻因素的关键断面识别方法及系统
技术领域
本发明属于电网监测技术领域，尤其涉及一种新能源消纳受阻因素的关键断面识别方法及系统。
背景技术
近年来，随着社会经济的发展，我国风电和光伏等新能源发展迅速，新能源已成为我国能源转型的重要引擎之一，在我国能源转型的关键时期，随着新能源接入规模不断增大、特高压交直流输送通道不断建成投运，长距离、链式接力输电通道的运行特性日趋复杂，通道能力与新能源出力的时间、空间相关性愈加紧密，特别是新能源发电渗透率的逐渐提高，新能源发电受自然因素影响而具有波动性、低可控性和不完全可预测性等特点对远距离大规模新能源输电带来了明显的不确定性因素，长距离级联式输电通道存在不确定场景组合爆炸、新能源外送受限因素复杂、级联式输电通道时空协同困难等问题，新能源消纳问题愈加严峻，新能源的快速发展、装机容量不断增加，更加剧了电网运行方式的不确定性以及多样性。
在现阶段电网运行管理模式中，关键断面一般是由电网运行方式专家在长期电网运行经验积累的基础上根据对电网的离线分析人工选择而得到。在此基础上，运行人员基于一些典型和极端的电网运行方式，通过离线仿真的方法，计算得到断面极限传输容量TTC(Total Transfer Capability)。调度员通过在线监控上述断面中的重载、越限情况，并根据运行经验调整电网运行方式，保证断面潮流小于断面TTC。人工经验确定的断面及其控制规则作为电网安全运行的知识，对其进行整理和存储，形成电网安全运行知识库，进一步来指导电网安全、稳定和经济运行。
这种传统的利用人工经验确定的关键断面通常只反映极端运行方式下电网的薄弱环节，对在线运行方式变化的适应性不强。随着经济的快速发展，电力系统规模逐渐扩大，新能源的渗透率逐步提高，导致电力系统的运行方式变得日益多变。作为电力系统的重要安全特征，关键断面也可能会频繁发生变化，影响系能源消纳受阻的关键因素也随之频繁变化。因此，传统的人工经验确定电网关键断面方法已无法适应电网运行方式的快速变化。第一，依赖人工经验离线选择断面的工作量大，例如广东中调，存在近200个长期断面，年均1000多个临时断面，通过人工寻找这些断面费时费力；第二，基于人工经验制定的断面控制规则保守、简单，缺乏量化、精益化管控，无法最大化输电通道传输能力，影响了网络资源利用率，断面限额计算受制于多种稳定校核，传统方案难以确定关键影响因素，计算方法在效率上无法满足实际需求，使得灵活释放断面外送潜力、提高新能源消纳水平十分困难。
调度运行人员无法准确挖掘新能源送出断面的功率传输潜力，只能采取过于保守的运行限制，从而造成断面输送能力的大量浪费以及不必要的新能源切机或受限。
发明内容
为了解决现有技术存在的问题，本发明提供一种新能源消纳受阻因素的关键断面识别方法，能够对新能源消纳受阻因素的关键断面自动识别。
本发明所要解决的技术问题是通过以下技术方案实现的：
第一方面，提供了一种新能源消纳受阻因素的关键断面识别方法，包括：
获取新能源消纳受阻因素历史数据合集；
建立受阻因素神经网络模型，根据历史数据合集对受阻因素神经网络模型进行训练；
基于训练好的受阻因素神经网络模型，通过相关性分析找出新能源消纳受阻因素。
结合第一方面，进一步的，所述根据历史数据合集对受阻因素神经网络模型进行训练包括：
根据历史数据合集确定受阻因素神经网络模型的训练样本；
采用训练样本对受阻因素神经网络模型进行训练；
所述受阻因素神经网络模型采用反向传播神经网络模型，其中，优化器采用adam优化器，优化算法采用随机梯度下降算法。
结合第一方面，进一步的，反向传播神经网络模型的隐藏层层数设为1，隐藏层的神经元的数量满足下述的一种或多种条件：
1)隐藏神经元不应大于输入神经元个数的2倍；
2)隐藏神经元数量位于输入神经元数和输出神经元数之间；
3)隐藏神经元可以为输入、输出神经元总数的三分之二。
结合第一方面，进一步的，所述根据历史数据合集获取受阻因素神经网络模型的训练样本包括：
从历史数据合集中抽取某时间段数据；
对抽取出的某时间段数据中的相同因素细分数据按因素进行合并得到受阻因素神经网络模型的训练样本集。
结合第一方面，进一步的，所述通过相关性分析找出新能源消纳受阻因素包括：
构建新能源消纳的影响因素矩阵X和新能源受阻电量Y；
将X和Y分别作为受阻因素神经网络模型的输入矩阵和输出向量；
Figure BDA0003293746580000031
Y＝[y1 y2 …ym]T
其中，n为新能源消纳影响因素的个数，m为总样本数量，xmn表示第n个新能源消纳影响因素的第m个样本值，ym表示第m个样本值所对应的新能源受阻量；
将新能源消纳的影响因素矩阵X中的每个影响因素在其自身基础上分别增、减δ生成两组新的输入量分别为X+ i和X- i；
Figure BDA0003293746580000032
Figure BDA0003293746580000033
将X+ i和X- i输入受阻因素神经网络模型得到两组新的输出向量Y+ i和Y- i；
Figure BDA0003293746580000034
Figure BDA0003293746580000035
其中，δ为调节率，
Figure BDA0003293746580000036
表示第i个影响因素按调节率增加后第m个样本所对应的新能源受阻量，
Figure BDA0003293746580000037
表示第i个影响因素按调节率减少后第m个样本所对应的新能源受阻量；
通过下式计算影响因素的灵敏度
Figure BDA0003293746580000038
IMIV，i表示第i个影响因素的灵敏度；
通过下式计算影响因素的贡献度
Figure BDA0003293746580000039
Ci表示第i个影响因素的贡献度；
将所有的影响因素由高到低进行排序，取前k个影响因素为关键影响因素，根据关键影响因素确定相应的断面。
第二方面，提供了一种新能源消纳受阻因素的关键断面识别系统，包括：
数据获取模块，用于获取新能源消纳受阻因素历史数据合集；
建模模块，用于建立受阻因素神经网络模型，根据历史数据合集对受阻因素神经网络模型进行训练；
断面识别模块，用于基于训练好的受阻因素神经网络模型，通过相关性分析找出新能源消纳受阻因素。
结合第二方面，进一步的，所述建模模块包括：
样本确定模块，用于根据历史数据合集确定受阻因素神经网络模型的训练样本；
模型训练模块，采用训练样本对受阻因素神经网络模型进行训练；
所述受阻因素神经网络模型采用反向传播神经网络模型，其中，优化器采用adam优化器优化算法采用随机梯度下降算法。
结合第二方面，进一步的，所述建模模块中反向传播神经网络模型的隐藏层层数设为1，隐藏层的神经元的数量满足下述的一种或多种条件：
1)隐藏神经元不应大于输入神经元个数的2倍；
2)隐藏神经元数量位于输入神经元数和输出神经元数之间；
3)隐藏神经元可以为输入、输出神经元总数的三分之二。
结合第二方面，进一步的，所述断面识别模块包括：
向量构建模块，用于构建新能源消纳的影响因素矩阵X和新能源受阻电量Y；
将X和Y分别作为受阻因素神经网络模型的输入矩阵和输出向量；
Figure BDA0003293746580000041
Y＝[y1 y2 … ym]T
其中，n为新能源消纳影响因素的个数，m为总样本数量，xmn表示第n个新能源消纳影响因素的第m个样本值，ym表示第m个样本值所对应的新能源受阻量；
将新能源消纳的影响因素矩阵X中的每个影响因素在其自身基础上分别增、减δ生成两组新的输入量分别为X+ i和X- i；
Figure BDA0003293746580000051
Figure BDA0003293746580000052
将X+ i和X- i输入受阻因素神经网络模型得到两组新的输出向量Y+ i和Y- i；
Figure BDA0003293746580000053
Figure BDA0003293746580000054
其中，δ为调节率，
Figure BDA0003293746580000055
表示第i个影响因素按调节率增加后第m个样本所对应的新能源受阻量，
Figure BDA0003293746580000056
表示第i个影响因素按调节率减少后第m个样本所对应的新能源受阻量；
灵敏度计算模块，用于通过下式计算影响因素的灵敏度
Figure BDA0003293746580000057
IMIV，i表示第i个影响因素的灵敏度；
贡献度计算模块，用于通过下式计算影响因素的贡献度
Figure BDA0003293746580000058
Ci表示第i个影响因素的贡献度；
断面确认模块，用于将所有的影响因素由高到低进行排序，取前k个影响因素为关键影响因素，根据关键影响因素确定相应的断面。
本发明有益效果主要如下几个方面：
相比于现阶段电网依赖人工经验的离线选择断面的方式而言，采用本发明技术省去了定期人工选择断面的过程，只需要导入电网历史数据库的数据，通过模型智能识别新能源受阻断面与受阻因素，极大地节省了人力，提升了效率。
更加合理的制定断面控制规则。先前的规则采用了相对保守的断面控制规则，在很多情况下会过度限制新能源断面的外送潜力，同时在某些特殊运行方式下又可能出现过于乐观的结果存在安全隐患，而本发明技术采用BP神经网络，结果是基于电网的大数据，通过人工智能算法多次训练分析出对新能源受阻的关键影响因素与关键断面，为针对性的制定断面控制规则提供依据相比于先前的方式更加合理。
一种计算机存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-5任一项所述的方法。
神经网络模型准确性高，在样本数量足够的情况下，通过建立神经网络通过深度学习来对数据进行挖掘，相比于一些传统算法亦或者部分机器学习的算法，获取的模型准确性更高，模型有良好的自适应性、自组织性以及较强的学习和容错抗干扰能力，可实现输入到输出之前的高度非线性映射，提升了相关性分析的准确性。
附图说明
图1为本发明的流程图；
图2为本发明中断面识别的流程图；
图3为本发明中能源消纳受阻因素相关性系数结果示意图。
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，下面将结合附图对本发明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做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。
为了更好地理解本发明，下面对本发明技术方案中的相关技术进行说明。
实施例1
如图1-3所示，本发明的一种新能源消纳受阻因素的关键断面识别方法，包括如下步骤：
步骤一、分析受阻断面的级联关系，整理出主要的受阻断面，并结合区域的受阻断面网架图，得到新能源受阻的可能因素历史数据的合集S1，S1包括新能源受阻相关的交流线路的实时功率，变电站主变实时功率及对应限额，以及受影响的直流线路的实时功率，区域整体实时负荷，区域整体发电实时功率，区域整体火电和水电发电实时功率等。
步骤二、从历史数据的合集S1选出某个时间段内的数据(本文采用2020年全年的某地区电网数据，采样间隔为15分钟)。
对选出的时间段内的数据进行缺失和异常处理，然后对处理后的数据按照因素进行合并，生成训练例如“750千伏黄河变电站1号主变高压侧实时功率”，“750千伏黄河变电站2号主变高压侧实时功率”，均属于黄河750千伏主变数据(因素)，此处对以上数据求和，从而合并为同一数据，生成新能源消纳受阻因素神经网络模型所需的训练样本集。
步骤三、通过得到的训练样本集(包括作为输入的影响因素和作为输出的新能源消纳受阻量)对新能源消纳受阻因素神经网络模型进行训练，神经网络模型采用反向传播神经网络模型(Backpropagationneural network)，其中，优化器采用adam优化器，优化算法采用随机梯度下降算法。
为了进一步提高神经网络的准确度，将其隐藏层层数设为1，隐藏层的神经元的数量满足下述的一种或多种条件：
1)隐藏神经元不应大于输入神经元个数的2倍；
2)隐藏神经元数量位于输入神经元数和输出神经元数之间；
3)隐藏神经元可以为输入、输出神经元总数的三分之二。
在训练的过程中可以逐渐加入正则化来防止过拟合，当模型的准确率达到97％时候停止训练。
步骤四、基于训练好的受阻因素神经网络模型，通过相关性分析找出新能源消纳受阻因素。
构建新能源消纳的影响因素矩阵X(输入神经元)和新能源受阻电量Y(输出神经元)；
将X和Y分别作为受阻因素神经网络模型的输入矩阵和输出向量；
Figure BDA0003293746580000071
Y＝[y1 y2 … ym]T
其中，n为新能源消纳影响因素的个数，m为总样本数量，xmn表示第n个新能源消纳影响因素的第m个样本值，ym表示第m个样本值所对应的新能源受阻量；
将新能源消纳的影响因素矩阵X中的每个影响因素在其自身基础上分别增、减δ生成两组新的输入量分别为X+ i和X- i；
Figure BDA0003293746580000072
Figure BDA0003293746580000073
将X+ i和X- i输入受阻因素神经网络模型得到两组新的输出向量Y+ i和Y- i；
Figure BDA0003293746580000081
Figure BDA0003293746580000082
其中，δ为调节率，这里取10％，
Figure BDA0003293746580000083
表示第i个影响因素按调节率增加后第m个样本所对应的新能源受阻量，
Figure BDA0003293746580000084
表示第i个影响因素按调节率减少后第m个样本所对应的新能源受阻量；
通过对每个因素变化后的结果之差取平均值，即为该影响因素的灵敏度
Figure BDA0003293746580000085
IMIV，i表示第i个影响因素的灵敏度；
通过下式计算影响因素的贡献度
Figure BDA0003293746580000086
Ci表示第i个影响因素的贡献度；
将所有的影响因素由高到低进行排序，取前k(k＝3)个影响因素为关键影响因素，根据关键影响因素确定相应的断面，每个关键影响因素对应着一个断面。
实施例2
本发明还提供了一种新能源消纳受阻因素的关键断面识别系统，包括：
数据获取模块，用于获取新能源消纳受阻因素历史数据合集；
建模模块，用于建立受阻因素神经网络模型，根据历史数据合集对受阻因素神经网络模型进行训练；
断面识别模块，用于基于训练好的受阻因素神经网络模型，通过相关性分析找出新能源消纳受阻因素。
前述建模模块包括：
样本确定模块，用于根据历史数据合集确定受阻因素神经网络模型的训练样本；
模型训练模块，采用训练样本对受阻因素神经网络模型进行训练；
所述受阻因素神经网络模型采用反向传播神经网络模型，其中，优化器采用adam优化器，优化算法采用随机梯度下降算法。
本发明在实验室内部进行已使用系统验证，通过对2020年全年的某地区电网数据进行预处理之后，整理成为16个可能的影响区域新能源受阻量的因素合集，通过对这16个输入因素使用本方法计算之后，结果如图3所示，图中横轴a-p为16个可能的影响区域新能源受阻量的因素，纵轴为每个因素对于区域整体新能源受阻量影响的相关性系数，从而得出m，h，i三个因素为对区域新能源受阻量影响最大的三个因素。
一种计算机存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-5任一项所述的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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 (10)

1.一种新能源消纳受阻因素的关键断面识别方法，其特征在于，包括：
获取新能源消纳受阻因素历史数据合集；
建立受阻因素神经网络模型，根据历史数据合集对受阻因素神经网络模型进行训练；
基于训练好的受阻因素神经网络模型，通过相关性分析找出新能源消纳受阻因素。
2.根据权利要求1所述的一种新能源消纳受阻因素的关键断面识别方法，其特征在于，所述根据历史数据合集对受阻因素神经网络模型进行训练包括：
根据历史数据合集确定受阻因素神经网络模型的训练样本；
采用训练样本对受阻因素神经网络模型进行训练；
所述受阻因素神经网络模型采用反向传播神经网络模型，其中，优化器采用adam优化器，优化算法采用随机梯度下降算法。
3.根据权利要求2所述的一种新能源消纳受阻因素的关键断面识别方法，其特征在于，反向传播神经网络模型的隐藏层层数设为1，隐藏层的神经元的数量满足下述的一种或多种条件：
1)隐藏神经元不应大于输入神经元个数的2倍；
2)隐藏神经元数量位于输入神经元数和输出神经元数之间；
3)隐藏神经元可以为输入、输出神经元总数的三分之二。
4.根据权利要求2所述的一种新能源消纳受阻因素的关键断面识别方法，其特征在于，所述根据历史数据合集获取受阻因素神经网络模型的训练样本包括：
从历史数据合集中抽取某时间段数据；
对抽取出的某时间段数据中的相同因素细分数据按因素进行合并得到受阻因素神经网络模型的训练样本集。
5.根据权利要求1所述的一种新能源消纳受阻因素的关键断面识别方法，其特征在于，所述通过相关性分析找出新能源消纳受阻因素包括：
构建新能源消纳的影响因素矩阵X和新能源受阻电量Y；
将X和Y分别作为受阻因素神经网络模型的输入矩阵和输出向量；
Figure FDA0003293746570000011
Y＝[y1 y2 … ym]T
其中，n为新能源消纳影响因素的个数，m为总样本数量，xmn表示第n个新能源消纳影响因素的第m个样本值，ym表示第m个样本值所对应的新能源受阻量；
将新能源消纳的影响因素矩阵X中的每个影响因素在其自身基础上分别增、减δ生成两组新的输入量分别为X+ i和X- i；
Figure FDA0003293746570000021
Figure FDA0003293746570000022
将X+ i和X- i输入受阻因素神经网络模型得到两组新的输出向量Y+ i和Y- i；
Figure FDA0003293746570000023
Figure FDA0003293746570000024
其中，δ为调节率，
Figure FDA0003293746570000025
表示第i个影响因素按调节率增加后第m个样本所对应的新能源受阻量，
Figure FDA0003293746570000026
表示第i个影响因素按调节率减少后第m个样本所对应的新能源受阻量；
通过下式计算影响因素的灵敏度
Figure FDA0003293746570000027
IMIV,i表示第i个影响因素的灵敏度；
通过下式计算影响因素的贡献度
Figure FDA0003293746570000028
Ci表示第i个影响因素的贡献度；
将所有的影响因素由高到低进行排序，取前k个影响因素为关键影响因素，根据关键影响因素确定相应的断面。
6.一种新能源消纳受阻因素的关键断面识别系统，其特征在于，包括：
数据获取模块，用于获取新能源消纳受阻因素历史数据合集；
建模模块，用于建立受阻因素神经网络模型，根据历史数据合集对受阻因素神经网络模型进行训练；
断面识别模块，用于基于训练好的受阻因素神经网络模型，通过相关性分析找出新能源消纳受阻因素。
7.根据权利要求6所述的一种新能源消纳受阻因素的关键断面识别系统，其特征在于，所述建模模块包括：
样本确定模块，用于根据历史数据合集确定受阻因素神经网络模型的训练样本；
模型训练模块，采用训练样本对受阻因素神经网络模型进行训练；
所述受阻因素神经网络模型采用反向传播神经网络模型，其中，优化器采用adam优化器，优化算法采用随机梯度下降算法。
8.根据权利要求6所述的一种新能源消纳受阻因素的关键断面识别系统，其特征在于，所述建模模块中反向传播神经网络模型的隐藏层层数设为1，隐藏层的神经元的数量满足下述的一种或多种条件：
1)隐藏神经元不应大于输入神经元个数的2倍；
2)隐藏神经元数量位于输入神经元数和输出神经元数之间；
3)隐藏神经元可以为输入、输出神经元总数的三分之二。
9.根据权利要求6所述的一种新能源消纳受阻因素的关键断面识别系统，其特征在于，所述断面识别模块包括：
向量构建模块，用于构建新能源消纳的影响因素矩阵X和新能源受阻电量Y；
将X和Y分别作为受阻因素神经网络模型的输入矩阵和输出向量；
Figure FDA0003293746570000031
Y＝[y1 y2 … ym]T
其中，n为新能源消纳影响因素的个数，m为总样本数量，xmn表示第n个新能源消纳影响因素的第m个样本值，ym表示第m个样本值所对应的新能源受阻量；
将新能源消纳的影响因素矩阵X中的每个影响因素在其自身基础上分别增、减δ生成两组新的输入量分别为X+ i和X- i；
Figure FDA0003293746570000041
Figure FDA0003293746570000042
将X+ i和X- i输入受阻因素神经网络模型得到两组新的输出向量Y+ i和Y- i；
Figure FDA0003293746570000043
Figure FDA0003293746570000044
其中，δ为调节率，
Figure FDA0003293746570000045
表示第i个影响因素按调节率增加后第m个样本所对应的新能源受阻量，
Figure FDA0003293746570000046
表示第i个影响因素按调节率减少后第m个样本所对应的新能源受阻量；
灵敏度计算模块，用于通过下式计算影响因素的灵敏度
Figure FDA0003293746570000047
IMIV,i表示第i个影响因素的灵敏度；
贡献度计算模块，用于通过下式计算影响因素的贡献度
Figure FDA0003293746570000048
Ci表示第i个影响因素的贡献度；
断面确认模块，用于将所有的影响因素由高到低进行排序，取前k个影响因素为关键影响因素，根据关键影响因素确定相应的断面。
10.一种计算机存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-5任一项所述的方法。
CN202111172314.6A 2021-10-08 2021-10-08 新能源消纳受阻因素的关键断面识别方法及系统 Pending CN114078062A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111172314.6A CN114078062A (zh) 2021-10-08 2021-10-08 新能源消纳受阻因素的关键断面识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111172314.6A CN114078062A (zh) 2021-10-08 2021-10-08 新能源消纳受阻因素的关键断面识别方法及系统

Publications (1)

Publication Number Publication Date
CN114078062A true CN114078062A (zh) 2022-02-22

Family

ID=80283474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111172314.6A Pending CN114078062A (zh) 2021-10-08 2021-10-08 新能源消纳受阻因素的关键断面识别方法及系统

Country Status (1)

Country Link
CN (1) CN114078062A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705743A (zh) * 2019-08-23 2020-01-17 国网浙江省电力有限公司 一种基于长短期记忆神经网络的新能源消纳电量预测方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705743A (zh) * 2019-08-23 2020-01-17 国网浙江省电力有限公司 一种基于长短期记忆神经网络的新能源消纳电量预测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
舒印彪等: "新能源消纳关键因素分析及解决 措施研究", 中国电机工程学报, vol. 37, no. 1, 31 January 2017 (2017-01-31), pages 95 - 101 *

Similar Documents

Publication Publication Date Title
Song et al. Hourly heat load prediction model based on temporal convolutional neural network
CN108876163B (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN110659779B (zh) 一种基于长短期记忆网络的配电系统网损预测方法
CN107292502B (zh) 一种配电网可靠性评估方法
CN110212524A (zh) 一种区域电力负荷预测方法
CN117595231B (zh) 一种智能电网配网管理系统及其方法
CN112633565B (zh) 一种光伏功率集合区间预测方法
CN114819374B (zh) 区域新能源超短期功率预测方法及系统
CN114021848A (zh) 一种基于lstm深度学习的发电量需求预测方法
CN112383045B (zh) 新能源发电不确定性的暂态稳定越限概率计算方法和装置
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN117557047A (zh) 一种基于深度强化学习的配电设备运维优化方法及系统
CN118017624A (zh) 基于配网重构的多时间尺度的无功优化方法
CN112418662A (zh) 一种利用人工神经网络的配电网运行可靠性分析方法
CN114078062A (zh) 新能源消纳受阻因素的关键断面识别方法及系统
CN114757548B (zh) 一种采用场景构建的风电储能设备调节性能评估方法
CN110261693A (zh) 一种基于稳态采样技术的在线热力试验方法及系统
CN109242304A (zh) 一种电力系统小概率事件可靠性评估的方法
CN112949938B (zh) 改善训练样本类别不均衡的风电爬坡事件直接预报方法
CN112070303A (zh) 参数自适应的光伏功率爬坡事件的分级概率性预测方法
CN111682574B (zh) 一种交直流混联系统运行场景辨识方法、存储介质和设备
CN118228897B (zh) 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法
CN117634652B (zh) 基于机器学习的大坝变形可解释预测方法
Wu et al. Research on Project Duration Prediction Based on Artificial Neural Network
CN118691054A (zh) 一种基于智慧城市的能源监测方法及系统

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