CN114707767A - 一种新能源电力系统低谷时段可调峰功率预测方法 - Google Patents

一种新能源电力系统低谷时段可调峰功率预测方法 Download PDF

Info

Publication number
CN114707767A
CN114707767A CN202210546984.8A CN202210546984A CN114707767A CN 114707767 A CN114707767 A CN 114707767A CN 202210546984 A CN202210546984 A CN 202210546984A CN 114707767 A CN114707767 A CN 114707767A
Authority
CN
China
Prior art keywords
output
power
wind power
neural network
peak
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.)
Granted
Application number
CN202210546984.8A
Other languages
English (en)
Other versions
CN114707767B (zh
Inventor
杨波
唐飞
杨东俊
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.)
Changsha University
Original Assignee
Changsha University
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 Changsha University filed Critical Changsha University
Priority to CN202210546984.8A priority Critical patent/CN114707767B/zh
Publication of CN114707767A publication Critical patent/CN114707767A/zh
Application granted granted Critical
Publication of CN114707767B publication Critical patent/CN114707767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电网优化调度领域，具体涉及一种新能源电力系统低谷时段可调峰功率预测方法，构建了面向低谷时段的、分阶段调整隐藏层节点数的新能源电力系统可调峰功率预测模型，实现了以历史负荷数据预测低谷时段用电负荷、以风电场气象数据和历史出力数据预测低谷时段风电出力，并以此为基础根据新能源电力系统功率平衡原理预测低谷时段可调峰功率。根据可调峰功率预测值制定风电电源发电计划和储能电站储能计划，可以显著减少在用电低谷时段弃风现象，为风电出力在用电低谷时段和用电高峰时段的跨时段调剂提供了技术支撑。

Description

一种新能源电力系统低谷时段可调峰功率预测方法
技术领域
本发明涉及电网优化调度领域，尤其涉及一种新能源电力系统低谷时段可调峰功率 预测方法。
背景技术
传统电力系统以水电、火电等常规电源为主体，电力系统调度的重点在于保持源网 荷的电力平衡，即发电电源、输配电网、负荷等三个环节的协调运行。但是在新能源电力系统中，风电、太阳能发电等新能源电源占比显著提高，随着抽水蓄能、电化学储能 等用于平抑风光强波动性的储能电站不断增加，电力系统调度的重点已转变为保持源网 荷储的电力平衡，即发电电源、输配电网、负荷、储能等四个环节的协调运行。根据我 国电力系统调度相关规程，电力系统日负荷可以分为高峰时段、腰荷时段和低谷时段。 在低谷时段(一般为晚23:00至次日凌晨6:00)，电力系统用电负荷较低，难以消纳风 电等新能源电源出力，出现弃风现象，造成风力资源的浪费。将用电低谷时段的新能源 电源发出的电力存储在储能电站，待用电高峰时段再将储能电站存储的新能源电源电力 释放出来，可以实现新能源电源出力在用电低谷时段和用电高峰时段的跨时段调剂。其 优点在于：一是可以解决新能源消纳的难题，增大用电低谷时段新能源电源发电出力， 减少弃风现象；二是可以最大限度减少火电电源出力，减少火电机组调峰备用容量，最 大限度减少火电机组碳排放。要实现新能源电源出力跨时段调剂，必须准确预测用电低 谷时段的可调峰功率，以此为基础才能确定在用电低谷时段新能源电源发电计划和储能 电站储能计划，进而制定日前各时段的新能源电源、常规电源等各类型电源发电计划， 从而确保新能源电力系统源网荷储四个环节的协调互动，确保新能源电力系统安全低碳 运行。
新能源电力系统调峰研究方面，文献一(“基于双时间尺度净负荷预测的储能调峰控制策略”，王晓东等，太阳能学报，第42卷，第7期，第58-64页，2021年7月28 日)通过日前功率预测和超短期净负荷预测动态调整调峰参考功率，以此为基础提出了 基于双时间尺度净负荷预测的电池储能系统调峰控制策略；中国专利申请，申请公布号 为CN114039384A，申请公布日为2022年2月11日的发明公开了基于新能源消纳的源 -储协调优化调度方法；中国专利申请，申请公布号为CN114169679A，申请公布日为 2022年3月11日的发明公开了一种考虑出力平稳性的风光水多能互补日前风险调度方 法；上述研究是从日前功率预测和超短期净负荷预测确定电池储能系统调峰功率，或是 在获取日前负荷预测和新能源电源发电出力预测基础数据的前提下进行源储优化调度 和风光水多能互补调度，不涉及新能源电力系统低谷时段可调峰功率的预测和调度。
准确预测新能源电力系统低谷时段可调峰功率是新能源电源出力跨时段调剂的前 提，也是新能源电力系统安全低碳运行的基础。对其进行准确预测难度很大，主要体现在：一是需要提前一日预测出用电低谷时段的负荷，其预测精度主要取决于负荷的历史 数据和负荷预测模型；二是需要提前一日预测出用电低谷时段的风电出力，其预测精度 主要取决于风电出力预测模型和对影响风电出力的关键因素预测；三是需要对负荷预测、 风电出力预测这两类性质截然不同的预测方法进行综合修正，使之符合新能源电力系统 可调峰功率预测精度要求。考虑到新能源电力系统可调峰功率预测中负荷和风电出力的 影响因素、预测模型、预测方法各不相同，且负荷预测、风电出力预测的精度对可调峰 功率预测精度存在耦合影响，如何对新能源电力系统低谷时段可调峰功率进行准确预测 这一问题仍有待解决。
发明内容
本发明的目的是为实现新能源电源出力在用电低谷时段和用电高峰时段的跨时段 调剂，提出一种新能源电力系统低谷时段可调峰功率预测方法，该方法通过获取影响可调峰功率预测的历史负荷数据、风电场气象数据和历史出力数据，构建新能源电力系统 可调峰功率预测模型，提前一日对用电低谷时段的可调峰功率进行预测，以此作为制定 用电低谷时段风电电源发电计划和储能电站储能计划的依据，从而确保新能源电力系统 源网荷储协调互动，确保新能源电力系统安全低碳运行。
为实现以上目的，本发明的技术解决方案是：一种新能源电力系统低谷时段可调峰 功率预测方法，包括以下步骤：
S1、从调度系统获取新能源电力系统历史负荷数据，包括高峰时段、腰荷时段和低谷时段的用电负荷数据：
设基准日为D日，可调峰功率预测日为第D+1日。t表示时段，当时段长度为1小 时、半小时或15分钟时，时段t的最大取值tmax分别为24、48和96：
Figure BDA0003649555270000021
第d日第t时段的负荷为Ld，t，其中d表示日期，负荷的单位为kW。新能源电力系统第t时段的历史负荷数据集合Lset，t为：
Lset，t＝{Ld，t|d∈(1，2，...，D)}
新能源电力系统的历史负荷数据集合Lset为：
Lset＝{Lset，t|t∈(1，2，...，tmax)}＝{Ld，t|t∈(1，2，...，tmax)，d∈(1，2，...，D)}
S2、从风电场运行控制系统获取风电场气象数据，包括风速、风向、气温、气压、 湿度等，以及风电场历史出力数据：
第i个风电场第d日第t时段的风速、风向、气温、气压、湿度、出力分别为Vei，d，t、Dii，d，t、Tei，d，t、Pri，d，t、Hui，d，t、PWi，d，t。
第i个风电场第t时段的气象数据集合Mset，i，t为：
Mset，i，t＝{Vei，d，t，Dii，d，t，Tei，d，t，Pri，d，t，Hui，d，t|d∈(1，2，...，D)}
第i个风电场第t时段的历史出力集合Pwset，i，t为：
Pwset，i，t＝{Pwi，d，t|d∈(1，2，...，D)}
第i个风电场的气象数据集合Mset，i为：
Mset，i＝{Vei，d，t，Dii，d，t，Tei，d，t，Pri，d，t，Hui，d，t|t∈(1，2，...，tmax)，d∈(1，2，...，D)}
第i个风电场历史出力集合Pwset，i为：
Pwset，i＝{Pwi，d，t|t∈(1，2，...，tmax)，d∈(1，2，...，D)}
i为风电场序号，i∈(1，2，...，imax)，imax表示新能源电力系统中风电场最大数目。
S3、以新能源电力系统历史负荷数据为基础数据，构建面向低谷时段的用电负荷神 经网络预测模型，在该模型中，输入为与低谷时段负荷强相关的新能源电力系统历史负荷数据，输出为预测日低谷时段负荷，神经网络采用输入层、隐藏层和输出层的三层结 构，具体如下：
S3.1、为预测第D+1日第t时段的负荷LD+1，t，选取与LD+1，t强相关的历史负荷数据作为用电负荷神经网络预测模型的输入变量InputL，t，InputL，t的维数为ML，ML≥1。用 电负荷神经网络预测模型的输出变量OutputL，t＝{LD+1，t}，OutputL，t的维数为1。
在实施例中，由于负荷曲线具备以日为周期和以周为周期的典型特征，因此选取与 LD+1，t强相关的提前一日、提前两日、提前一周的历史负荷数据作为用电负荷神经网络预测模型的输入变量InputL，t：
InputL，t＝{LD，t，LD，t-1，LD，t+1，LD-1，t，LD-1，t-1，LD-1，t+1，LD-6，t，LD-6，t-1，LD-6，t+1}
式中，LD，t，LD，t-1和LD，t+1分别为相对预测日提前一日的第t时段、第t-1时段、第t+1时段的负荷，LD-1，t，LD-1，t-1和LD-1，t+1分别为相对预测日提前两日的第t时段、第t-1 时段、第t+1时段的负荷，LD-6，t，LD-6，t-1和LD-6，t+1分别为相对预测日提前一周的第t 时段、第t-1时段、第t+1时段的负荷。此时InputL，t的维数ML为9。
S3.2、用电负荷神经网络预测模型采用输入层、隐藏层、输出层三层结构。根据输入变量InputL，t和输出变量OutputL，t的维数，确定用电负荷神经网络预测模型的输入层 节点数等于输入变量InputL，t的维数ML，输出层节点数等于输出变量OutputL，t的维数， 隐藏层节点数为NL，NL的取值为集合[NL，min，NL，max]中的整数，NL通过负荷预测精度指 标δL，0调整，δL，0通常取5％，NL，min为NL的最小取值，NL，min通常取10，NL，max为NL的最 大取值，由神经网络训练复杂度和计算能力决定。输入层到隐藏层的连接权重数量为 ML*NL；隐藏层到输出层的连接权重数量为NL*1；用电负荷神经网络预测模型的连接 权重数量WL为(ML+1)*NL。用电负荷神经网络预测模型中隐藏层第k个神经元输出 yL，k，t为：
Figure BDA0003649555270000041
式中，
Figure BDA0003649555270000042
为隐藏层第k个神经元的输入，PL，k，t，j为隐藏层 第k个神经元的第j个输入，j∈(1，2，...，ML)，
Figure BDA0003649555270000043
为隐 藏层第k个神经元的连接权重，wL，k，t，j为隐藏层第k个神经元的第j个连接权重，bL，k，t为隐藏层第k个神经元的阈值，fL(·)为神经元的激励函数：
Figure BDA0003649555270000044
fL(xL)∈(0，1)
或
Figure BDA0003649555270000045
fL(xL)∈(-1，1)
xL为神经元激励函数fL(·)的自变量。
用电负荷神经网络预测模型的输出OutputL，t：
Figure BDA0003649555270000046
ωL，k，t为用电负荷神经网络预测模型中隐藏层第k个神经元到输出层的连接权重。
在实施例中，由于InputL，t的维数ML为9，因此用电负荷神经网络预测模型的输入层节点数为9，隐藏层节点数为NL，输出层节点数为1。
S4、根据历史负荷数据构造训练集和测试集，通过训练集采用神经网络学习算法确 定用电负荷神经网络预测模型的权重和阈值，通过测试集确定用电负荷神经网络预测模 型的负荷预测精度，并根据负荷预测精度调整神经网络隐藏层的节点数，具体如下：
S4.1、构造用电负荷神经网络预测模型的数据样本，数据取自历史负荷数据集合Lset， 这些数据样本将作为用电负荷神经网络预测模型的训练集和测试集。训练集和测试集按 比例从用电负荷数据样本中随机产生。
在实施例中，用电负荷神经网络预测模型数据样本的输入为：
{Ld，t，Ld，t-1，Ld，t+1，Ld-1，t，Ld-1，t-1，Ld-1，t+1，Ld-6，t，Ld-6，t-1，Ld-6，t+1}，输出为 Ld+1，t，d的取值范围为d∈[7，...，D-1]。随机选组80％的数据样本作为用电负荷神经 网络预测模型的训练集，其余20％的数据样本作为测试集。
S4.2、将训练集和测试集中元素进行归一化：
Figure BDA0003649555270000047
式中，L′d，t为训练集元素Ld，t归一化后的值，Lmax为历史负荷数据集合Lset中最大负荷值， Lmin为历史负荷数据集合Lset中最小负荷值。归一化采用MATLAB中mapminmax函数 实现，然后根据归一化后的训练集，采用标准的Levenberg-Marquardt学习算法确定该 模型中各神经元的连接权值wL，k，t、ωL，k，t和阈值bL，k，t。
S4.3、根据归一化后的测试集，检验用电负荷神经网络预测模型的负荷预测精度
Figure BDA0003649555270000051
根据用电负荷预测值与观测值的均方根计算。
Figure BDA0003649555270000052
式中，LD+1，t，x为测试集中第x个元素的用电负荷预测值，
Figure BDA0003649555270000053
为与测试集中第x个元 素对应的用电负荷观测值，xmax为测试集中元素的个数。
根据负荷预测精度
Figure BDA0003649555270000054
调整用电负荷预测模型隐藏层节点数：
Figure BDA0003649555270000055
式中，δset，L为满足负荷预测精度指标δL，0且NL取值为[NL，min，NL，max]中整数时的用电负 荷预测精度集合。
Figure BDA0003649555270000056
式中，mminδset，L为用电负荷预测精度集合中的最小值，Zx为该最小值对应的NL取值， NL，opt为用电负荷预测模型最优隐藏层节点数。
因此，用电负荷预测模型结构和参数确定如下：输入层节点数为ML，隐藏层节点数NL取值为NL，opt，输出层节点数为1，神经元的连接权值连接权值为wL，k，t、ωL，k，t和阈值 为bL，k，t。
S5、以风电场气象数据和历史出力数据为基础数据，构建面向低谷时段的风电出力 神经网络预测模型，在该模型中，输入为与风电出力强相关的风电场气象数据，输出为预测日低谷时段风电场出力，神经网络采用输入层、隐藏层和输出层的三层结构，具体 如下：
S5.1、为预测第i个风电场第D+1日第t时段的风电出力Pwi，D+1，t，选取与Pwi，D+1，t强相关的风电场气象数据和历史出力数据作为风电出力神经网络预测模型的输入变量InputW，i，t，InputW，i，t的维数记为Mi，W，Mi，W≥1。第i个风电场的风电出力神经网络预 测模型的输出变量OutputW，i，t＝{Pwi，D+1，t}，OutputW，i，t的维数为1。
在实施例中，由于风电出力曲线与预测日风电场气象数据、预测前一日风电场气象 数据与风电出力数据强相关，因此选取以下数据作为风电出力神经网络预测模型的输入 变量InputW，i，t：
Figure BDA0003649555270000057
式中，Vei，d，t、Dii，d，t、Tei，d，t、Pri，d，t、Hui，d，t、Pwi，d，t为第i个风电场第d日第t时段的风速、风向、气温、气压、湿度、出力，当下标d取值为D+1、D时分别表示预测日、 预测日提前一日，当下标t取值为t-1、t+1时分别表示第t-1时段、第t+1时段。
S5.2、风电出力神经网络预测模型采用输入层、隐藏层、输出层三层结构。根据输入变量InputW，i，t和输出变量OutputW，i，t的维数，确定第i个风电场的风电出力神经网络 预测模型的输入层节点数等于输入变量InputW，i，t的维数Mi，W，输出层节点数等于输出变 量OutputW，i，t的维数，隐藏层节点数为Ni，W，Ni，W的取值为集合[NW，min，NW，max]中的整 数，Ni，W通过风电场出力预测精度指标δW，i，0调整，δW，i，0通常取10％，NW，min为Ni，W的最 小取值，NW，min通常取10，NW，max为Ni，W的最大取值，由神经网络训练复杂度和计算能 力决定。输入层到隐藏层的连接权重数量为Mi，W*Ni，W；隐藏层到输出层的连接权重数 量为Ni，W*1；用电负荷神经网络预测模型的连接权重数量Wi，W为(Mi，W+1)*Ni，W。第 i个风电场第t时段的风电出力神经网络预测模型中隐藏层第l个神经元输出yW，i，l，t为：
Figure BDA0003649555270000061
式中，
Figure BDA0003649555270000062
为隐藏层第l个神经元的输入，pW，i，l，t，m为隐藏层第l个神经元的第m个输入，m∈(1，2，...，Mi，W)，
Figure BDA0003649555270000063
Figure BDA0003649555270000064
为隐藏层第l个神经元的连接权重，wW，i，l，t，m为隐藏层 第l个神经元的第m个连接权重，bW，i，t，l为隐藏层第l个神经元的阈值，fW(·)为神经元 的激励函数：
Figure BDA0003649555270000065
fW(xW)∈(0，1)
或
Figure BDA0003649555270000066
fW(xW)∈(-1，1)
xW为神经元激励函数fW(·)的自变量。
风电出力神经网络预测模型的输出OutputW，i，t：
Figure BDA0003649555270000067
ωW，i，l，t为风电出力神经网络预测模型中隐藏层第l个神经元到输出层的连接权重。
在实施例中，由于InputW，i，t的维数Mi，W为33，因此风电出力神经网络预测模型的输入层节点数为33，隐藏层节点数为Ni，W，输出层节点数为1。
S6、根据风电场气象数据和历史出力数据构造训练集和测试集，通过训练集采用神 经网络学习算法确定风电出力神经网络预测模型的权重和阈值，通过测试集确定风电出 力神经网络预测模型的风电出力预测精度，并根据风电出力预测精度调整神经网络隐藏 层的节点数，具体如下：
S6.1、构造风电出力神经网络预测模型的数据样本，数据取自第i个风电场气象数据集合Mset，i和风电场历史出力集合Pwset，i，训练集和测试集按比例从风电出力数据样 本中随机产生。
在实施例中，风电出力神经网络预测模型数据样本的输入为：
Figure BDA0003649555270000071
，输出为Pwi，d+1t，d的取值范围为d∈[1，...，D-1]。随机选组80％的数据样本作为风 电出力神经网络预测模型的训练集，其余20％的数据样本作为测试集。
S6.2、将训练集和测试集中元素进行归一化：
Figure BDA0003649555270000072
Figure BDA0003649555270000073
Figure BDA0003649555270000074
Figure BDA0003649555270000075
Figure BDA0003649555270000076
Figure BDA0003649555270000077
式中，Ve′i，d，t、Di′i，d，t、Te′i，d，t、Pr′i，d，t、Hu′i，d，t、Pw′i，d，t分别为Vei，d，t、Dii，d，t、Tei，d，t、Pri，d，t、 Hui，d，t、Pwi，d，t归一化后的值，Vei，max、Pimax、Tei，max、Pri，max、Hui，max分别为第i个 风电场气象数据集合Mset，i中最大的风速值、风向值、气温值、气压值、湿度值，Vei，min、Dimin、Tei，min、Pri，min、Hui，min分别为第i个风电场气象数据集合Mset，i中最小的风速 值、风向值、气温值、气压值、湿度值，Pwi，max、Pwi，min分别为第i个风电场历史出力 集合Pwset，i中最大、最小的风电出力。归一化采用MATLAB中mapminmax函数实现， 然后根据归一化后的训练集，采用标准的Levenberg-Marquardt学习算法确定该模型中 各神经元的连接权值wW，i，l，t、ωW，i，l，t和阈值bW，i，l，t。
S6.3、根据归一化后的测试集，检验风电出力神经网络预测模型的风电出力预测精 度
Figure BDA0003649555270000081
Figure BDA0003649555270000082
根据风电出力预测值与观测值的均方根计算：
Figure BDA0003649555270000083
式中，Pwi，d+1，t，y为测试集中第y个元素的风电出力预测值，
Figure BDA0003649555270000084
为与测试集中第 y个元素对应的风电出力观测值，ymax为测试集中元素的个数。
根据风电出力预测精度
Figure BDA0003649555270000085
调整第i个风电场风电出力预测模型隐藏层节点数：
Figure BDA0003649555270000086
式中，δset，W，i为满足风电场出力预测精度指标δW，i，0且Ni，W取值为[NW，min，NW，max]中整数 时的第i个风电场风电出力预测精度集合：
Figure BDA0003649555270000087
式中，minδset，w，i为第i个风电场风电出力预测精度集合中的最小值，Zy为该最小值对 应的Ni，W取值，Ni，W，opt为第i个风电场风电出力预测模型最优隐藏层节点数。
因此，第i个风电场风电出力预测模型结构和参数确定如下：输入层节点数为Mi，W，隐藏层节点数Ni，W取值为Ni，W，opt，输出层节点数为1，神经元的连接权值为wW，i，l，t、 ωW，i，l，t和阈值为bW，i，l，t。
S7、构建面向低谷时段的新能源电力系统可调峰功率预测模型，在该模型中，可调峰功率预测值由新能源电力系统功率平衡原理确定，其中用电负荷神经网络预测模型确定低谷时段用电负荷，风电出力神经网络预测模型确定低谷时段风电场出力，具体如下：
S7.1、构建新能源电力系统第t时段可调峰功率预测模型：
S7.1.1、构建输入层节点数为ML，隐藏层节点数为NL，输出层节点数为1的三层神经网络，该神经网络中各神经元的连接权值为wL，k，t、ωL，k，t和阈值为bL，k，t，将此神经网 络作为用电负荷神经网络预测模型；
S7.1.2、构建输入层节点数为Mi，W，隐藏层节点数为Ni，W，输出层节点数为1的三 层神经网络，该神经网络的各神经元的连接权值为WW，i，l，t、ωW，i，l，t和阈值为bW，i，l，t，将此 神经网络作为第i个风电场的风电出力神经网络预测模型；与此类似，当i取值为 (1，2，...，imax)时，即可将新能源电力系统所有风电场的风电出力神经网络预测模型全部 建立；
S7.1.3、根据新能源电力系统的功率平衡原理计算第t时段可调峰功率预测值，该预测值由第t时段可调峰功率预测模型的输出变量Outputt确定：
Figure BDA0003649555270000088
Pother，t＝PV，t+PT，t+PN，t+PH，t
式中，Pother，t为第t时段其他类型电源发电功率，由第t时段的太阳能发电功率PV，t、火 力发电功率PT，t、核能发电功率PN，t和水力发电功率PH，t组成。当太阳能发电为光伏发电 时，由于低谷时段为晚23:00至次日凌晨6:00的某段时间区域，此时PV，t取值为0；当太阳能发电为光热发电时，PV，t取值为光热发电站按调度要求实际输出的功率。
在实施例中，用电负荷神经网络预测模型采用输入层节点数为ML等于9，隐藏层节点数为NL，输出层节点数为1的三层神经网络，风电出力神经网络预测模型采用输入层 节点数为Mi，W等于33，隐藏层节点数为Ni，W，输出层节点数为1的三层神经网络，且隐 藏层节点数NL和Ni，W可以分别根据负荷预测精度
Figure BDA0003649555270000091
风电出力预测精度
Figure BDA0003649555270000092
进行 调整。
S7.2、预测新能源电力系统低谷时段可调峰功率值。为预测D+1日新能源电力系统第t时段的可调峰功率，构建输入变量Inputt：
Inputt＝{InputL，t，InputW，i，t|i∈[1，2，...，imax]}
根据InputL，t和用电负荷神经网络预测模型可以确定低谷时段新能源电力系统的用 电负荷OutputL，t；根据InputW，i，t和第i个风电场的风电出力神经网络预测模型可以确定第i个风电场第t时段的风电出力OutputW，i，t；用电负荷OutputL，t扣除风电出力OutputW，i，t、太阳能发电功率PV，t、火力发电功率PT，t、核能发电功率PN，t和水力发电功 率PH，t，得到第t时段的可调峰功率预测值。根据电力系统负荷曲线规律，低谷时段为 晚23：00至次日凌晨6：00的某段时间区域，通常包含若干个一小时、半小时或15分钟 时段，针对每一个时段t计算可调峰功率，就得到新能源电力系统低谷时段可调峰功率 预测值Output：
Output＝{Outputt|t∈低谷时段}
对应的，低谷时段各风电场的风电出力预测值OutputW：
OutputW＝{OutputW，i，t|t∈低谷时段，i∈(1，2，...，imax)}
S8、将低谷时段风电出力预测值OutputW、可调峰功率预测值Output分别作为风电电源发电计划和储能电站储能计划，为新能源电力系统的风电调度和储能调度提供决策支持。
与现有技术相比，本发明的有益效果为：
本发明一种新能源电力系统低谷时段可调峰功率预测方法中，构建了面向低谷时段 的、分阶段调整隐藏层节点数的新能源电力系统可调峰功率预测模型，实现了以历史负荷数据预测低谷时段用电负荷、以风电场气象数据和历史出力数据预测低谷时段风电出力，并以此为基础根据新能源电力系统功率平衡原理预测低谷时段可调峰功率。该模型 的典型特征在于：一是实现了宏观层面的系统级用电负荷预测与微观层面的电源级风电 出力预测的无缝融合，破解了电源和负荷耦合波动性下调峰功率难以预测的难题，为系 统级低谷时段可调峰功率预测提供了基础；二是实现了基于测试集误差的用电负荷和风 电出力预测模型结构分阶段调整策略，使得隐藏层节点数灵活可调，克服了现有的固定 结构预测模型精度低的缺点，为低谷时段可调峰功率高精度预测提供了基础。该模型输 出的可调峰功率预测值是储能电站制定储能计划、新能源电力系统调度的前提和基础， 能为新能源电力系统的源网荷储协调调度提供辅助决策支持。根据可调峰功率预测值制 定风电电源发电计划和储能电站储能计划，可以显著减少在用电低谷时段弃风现象，为 风电出力在用电低谷时段和用电高峰时段的跨时段调剂提供了技术支撑。
附图说明
图1是本发明中新能源电力系统低谷时段可调峰功率预测方法的流程图；
图2是本发明中新能源电力系统低谷时段可调峰功率预测模型示意图；
图3是本发明中可调峰功率预测模型神经元结构图：图3(a)为用于预测用电负荷的隐藏层神经元，图3(b)为用于预测风电出力的隐藏层神经元；
图4是本发明中可调峰功率预测模型拟合图(低谷时段00:00点)；
图5是本发明中可调峰功率预测模型的预测结果(低谷时段23:00至次日凌晨6:00)。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1，为本发明中新能源电力系统低谷时段可调峰功率预测方法的流程图，包括以下步骤：
S1、从调度系统获取新能源电力系统历史负荷数据，包括高峰时段、腰荷时段和低谷时段的用电负荷数据；
S2、从风电场运行控制系统获取风电场气象数据，包括风速、风向、气温、气压、 湿度等，以及风电场历史出力数据；
S3、以新能源电力系统历史负荷数据为基础数据，构建面向低谷时段的用电负荷神 经网络预测模型，在该模型中，输入为与低谷时段负荷强相关的新能源电力系统历史负荷数据，输出为预测日低谷时段负荷，神经网络采用输入层、隐藏层和输出层的三层结 构；
S4、根据历史负荷数据构造训练集和测试集，通过训练集采用神经网络学习算法确 定用电负荷神经网络预测模型的权重和阈值，通过测试集确定用电负荷神经网络预测模 型的负荷预测精度，并根据负荷预测精度调整神经网络隐藏层的节点数；
S5、以风电场气象数据和历史出力数据为基础数据，构建面向低谷时段的风电出力 神经网络预测模型，在该模型中，输入为与风电出力强相关的风电场气象数据，输出为预测日低谷时段风电场出力，神经网络采用输入层、隐藏层和输出层的三层结构；
S6、根据风电场气象数据和历史出力数据构造训练集和测试集，通过训练集采用神 经网络学习算法确定风电出力神经网络预测模型的权重和阈值，通过测试集确定风电出 力神经网络预测模型的风电出力预测精度，并根据风电出力预测精度调整神经网络隐藏 层的节点数；
S7、构建面向低谷时段的新能源电力系统可调峰功率预测模型，在该模型中，可调峰功率预测值由新能源电力系统功率平衡原理确定，其中用电负荷神经网络预测模型确定低谷时段用电负荷，风电出力神经网络预测模型确定低谷时段风电场出力。
S8、将低谷时段风电出力预测值、可调峰功率预测值分别作为风电电源发电计划和 储能电站储能计划，为新能源电力系统的风电调度和储能调度提供决策支持。
本发明的原理说明如下：
本发明用于解决新能源电力系统低谷时段可调峰功率预测问题，遵循新能源电力系 统功率平衡原理，将新能源电力系统可调峰功率作为储能电站储能计划，既实现了新能源电力系统运行过程中源网荷储四个环节的协调互动，又充分发挥了储能电站储能能力，实现了新能源电源出力在用电低谷时段和用电高峰时段的跨时段调剂，增大用电低谷时段新能源电源发电出力，促进了风电消纳，减少了弃风现象，并且还最大限度减少了火 电电源出力，进而减少了火电机组碳排放，有效服务了国家碳达峰碳中和目标。本设计 在预测可调峰功率值的过程中，还得到了新能源电力系统中各风电场的低谷时段风电出 力预测值，此结果可以作为电力系统调度机构进行风电调度的依据。
参见图2，新能源电力系统低谷时段可调峰功率预测模型包括输入、预测模型、输出等三个部分，其中输入数据包括历史负荷数据、风电场气象数据、风电场历史出力数 据，预测模型采用输入层、隐藏层、输出层三层结构的神经网络集成模型，根据历史负 荷数据和用电负荷神经网络预测模型可以获得低谷时段用电负荷预测值，NL为用电负 荷神经网络预测模型隐藏层节点数并可以通过用电负荷预测精度调整，根据风电场气象 数据、风电场历史出力数据和风电出力神经网络预测模型可以获得低谷时段风电出力预 测值，Ni，W为风电出力神经网络预测模型隐藏层节点数并可以通过风电出力预测精度调 整，输出结果为低谷时段可调峰功率预测值，通过新能源电力系统的功率平衡原理确定， 即低谷时段可调峰功率等于用电负荷与风电出力、其他类型电源出力(包括太阳能发电 功率、火力发电功率、核能发电功率和水力发电功率)的差值。该模型获得的低谷时段 风电出力预测值、可调峰功率预测值可以作为风电电源发电计划和储能电站储能计划， 用于新能源电力系统的风电调度和储能调度中。
参见图3，可调峰功率预测模型神经元分为两类：一类用于预测用电负荷的隐藏层神经元，见图3(a)；另一类为预测风电出力的隐藏层神经元，见图3(b)。
用电负荷神经网络预测模型中隐藏层第k个神经元输出yL，k，t为：
Figure BDA0003649555270000111
式中，
Figure BDA0003649555270000112
为隐藏层第k个神经元的输入，pL，k，t，j为隐藏层 第k个神经元的第j个输入，j∈(1，2，...，ML)，
Figure BDA0003649555270000113
为隐 藏层第k个神经元的连接权重，wL，k，t，j为隐藏层第k个神经元的第j个连接权重，bL，k，t为隐藏层第k个神经元的阈值，fL(·)为神经元的激励函数：
Figure BDA0003649555270000121
fL(xL)∈(0，1)
或
Figure BDA0003649555270000122
fL(xL)∈(-1，1)
xL为神经元激励函数fL(·)的自变量。
第i个风电场第t时段的风电出力神经网络预测模型中隐藏层第l个神经元输出yW，i，l，t为：
Figure BDA0003649555270000123
式中，
Figure BDA0003649555270000124
为隐藏层第l个神经元的输入，pW，i，l，t，m为隐藏层第l个神经元的第m个输入，m∈(1，2，...，Mi，W)，
Figure BDA0003649555270000125
Figure BDA0003649555270000126
为隐藏层第l个神经元的连接权重，wW，i，l，t，m为隐藏层 第l个神经元的第m个连接权重，bW，i，t，l为隐藏层第l个神经元的阈值，fW(·)为神经元 的激励函数：
Figure BDA0003649555270000127
fW(xW)∈(0，1)
或
Figure BDA0003649555270000128
fW(xW)∈(-1，1)
xW为神经元激励函数fW(·)的自变量。
参见图4，在可调峰功率预测模型拟合图中，纵坐标表示可调峰功率，单位为MW；横坐标表示训练集数据样本，共选取360个样本。实线表示低谷时段00:00点时刻的可 调峰功率实际值，虚线表示低谷时段00:00点时刻的可调峰功率预测值。从该图可以看 出，对于低谷时段00:00点时刻，采用可调峰功率预测模型获得的可调峰功率预测值能 够较好的拟合可调峰功率实际值，这说明本发明所建立的可调峰功率预测模型是可行的 和有效的。
参见图5，在可调峰功率预测模型的预测结果图中，纵坐标表示可调峰功率，单位为MW；横坐标表示时段，从晚23:00至次日凌晨6:00，每个时段长度为15分钟，分 别为23:15、23:30、23:45、0:00、0:15、……、6:00，共计28个时段。从该图可以看出， 对于低谷时段即从晚23:00至次日凌晨6:00的28个时段，可调峰功率预测模型获得的 可调峰功率预测值能够高度逼近低谷时段可调峰功率实际值，这说明本发明的可调峰功 率预测模型能有效预测低谷时段可调峰功率。

Claims (15)

1.一种新能源电力系统低谷时段可调峰功率预测方法，其特征在于，该方法包括以下步骤：
S1、从调度系统获取新能源电力系统历史负荷数据，包括高峰时段、腰荷时段和低谷时段的用电负荷数据：
设基准日为D日，可调峰功率预测日为第D+1日，t表示时段，第d日第t时段的负荷为Ld，t，其中d表示日期，负荷的单位为kW；新能源电力系统第t时段的历史负荷数据集合Lset，t为：
Lset，t＝{Ld，t|d∈(1，2，...，D)}
新能源电力系统的历史负荷数据集合Lset为：
Lset＝{Lset，t|t∈(1，2，...，tmax)}＝{Ld，t|t∈(1，2，...，tmax)，d∈(1，2，...，D)}
tmax表示时段t的最大取值；
S2、从风电场运行控制系统获取风电场气象数据，包括风速、风向、气温、气压、湿度，以及风电场历史出力数据：
第i个风电场第d日第t时段的风速、风向、气温、气压、湿度、出力分别为Vei，d，t、Dii，d，t、Tei，d，t、Pri，d，t、Hui，d，t、Pwi，d，t；
第i个风电场第t时段的气象数据集合Mset，i，t为：
Mset，L，t＝{Vei，d，t，Dii，d，t，Tei，d，t，Pri，d，t，Hui，d，t|d∈(1，2，...，D)}
第i个风电场第t时段的历史出力集合Pwset，i，t为：
Pwset，i，t＝{Pwi，d，t|d∈(1，2，...，D)}
第i个风电场的气象数据集合Mset，i为：
Mset，i＝{Vei，d，t，Dii，d，t，Tei，d，t，Pri，d，t，Hui，d，t|t∈(1，2，...，tmax)，d∈(1，2，...，D)}
第i个风电场历史出力集合Pwset，i为：
Pwset，i＝{Pwi，d，t|t∈(1，2，...，tmax)，d∈(1，2，...，D)}
i为风电场序号，i∈(1，2，...，imax)，imax表示新能源电力系统中风电场最大数目；
S3、以新能源电力系统历史负荷数据为基础数据，构建面向低谷时段的用电负荷神经网络预测模型，在该模型中，输入为与低谷时段负荷强相关的新能源电力系统历史负荷数据，输出为预测日低谷时段负荷，神经网络采用输入层、隐藏层和输出层的三层结构，具体如下：
S3.1、为预测第D+1日第t时段的负荷LD+1，t，选取与LD+1，t强相关的历史负荷数据作为用电负荷神经网络预测模型的输入变量InputL，t，InputL，t的维数为ML，ML≥1；用电负荷神经网络预测模型的输出变量OutputL，t＝{LD+1，t}，OutputL，t的维数为1；
S3.2、用电负荷神经网络预测模型采用输入层、隐藏层、输出层三层结构，根据输入变量InputL，t和输出变量OutputL，t的维数，确定用电负荷神经网络预测模型的输入层节点数等于输入变量InputL，t的维数ML，输出层节点数等于输出变量OutputL，t的维数，隐藏层节点数为NL，NL的取值为集合[NL，min，NL，max]中的整数，NL通过负荷预测精度指标δL，0调整，NL，min为NL的最小取值，NL，max为NL的最大取值；输入层到隐藏层的连接权重数量为ML*NL；隐藏层到输出层的连接权重数量为NL*1；用电负荷神经网络预测模型的连接权重数量WL为(ML+1)*NL；用电负荷神经网络预测模型中隐藏层第k个神经元输出yL，k，t为：
Figure FDA0003649555260000021
式中，
Figure FDA0003649555260000022
为隐藏层第k个神经元的输入，pL，k，t，j为隐藏层第k个神经元的第j个输入，
Figure FDA0003649555260000023
为隐藏层第k个神经元的连接权重，wL，k，t，j为隐藏层第k个神经元的第j个连接权重，bL，k，t为隐藏层第k个神经元的阈值，fL(·)为神经元的激励函数；
用电负荷神经网络预测模型的输出OutputL，t：
Figure FDA0003649555260000024
ωL，k，t为用电负荷神经网络预测模型中隐藏层第k个神经元到输出层的连接权重；
S4、根据历史负荷数据构造训练集和测试集，通过训练集采用神经网络学习算法确定用电负荷神经网络预测模型的权重和阈值，通过测试集确定用电负荷神经网络预测模型的负荷预测精度，并根据负荷预测精度调整神经网络隐藏层的节点数，具体如下：
S4.1、构造用电负荷神经网络预测模型的数据样本，数据取自历史负荷数据集合Lset，这些数据样本将作为用电负荷神经网络预测模型的训练集和测试集，训练集和测试集按比例从用电负荷数据样本中随机产生；
S4.2、将训练集和测试集中元素进行归一化：
Figure FDA0003649555260000025
式中，L′d，t为训练集元素Ld，t归一化后的值，Lmax为历史负荷数据集合Lset中最大负荷值，Lmin为历史负荷数据集合Lset中最小负荷值；然后根据归一化后的训练集，确定该模型中各神经元的连接权值wL，k，t、ωL，k，t和阈值bL，k，t；
S4.3、根据归一化后的测试集，检验用电负荷神经网络预测模型的负荷预测精度
Figure FDA0003649555260000026
根据负荷预测精度
Figure FDA0003649555260000027
调整用电负荷预测模型隐藏层节点数：
Figure FDA0003649555260000028
式中，δset，L为满足负荷预测精度指标δL，0且NL取值为[NL，min，NL，max]中整数时的用电负荷预测精度集合：
Figure FDA0003649555260000029
式中，minδset，L为用电负荷预测精度集合中的最小值，Zx为该最小值对应的NL取值，
NL，opt为用电负荷预测模型最优隐藏层节点数；
S5、以风电场气象数据和历史出力数据为基础数据，构建面向低谷时段的风电出力神经网络预测模型，在该模型中，输入为与风电出力强相关的风电场气象数据，输出为预测日低谷时段风电场出力，神经网络采用输入层、隐藏层和输出层的三层结构，具体如下：
S5.1、为预测第i个风电场第D+1日第t时段的风电出力Pwi，D+1，t，选取与Pwi，D+1，t强相关的风电场气象数据和历史出力数据作为风电出力神经网络预测模型的输入变量InputW，i，t，InputW，i，t的维数记为Mi，W，Mi，W≥1，第i个风电场的风电出力神经网络预测模型的输出变量OutputW，i，t＝{Pwi，D+1，t}，OutputW，i，t的维数为1；
S5.2、风电出力神经网络预测模型采用输入层、隐藏层、输出层三层结构，根据输入变量InputW，i，t和输出变量OutputW，i，t的维数，确定第i个风电场的风电出力神经网络预测模型的输入层节点数等于输入变量InputW，i，t的维数Mi，W，输出层节点数等于输出变量OutputW，i，t的维数，，隐藏层节点数为Ni，W，Ni，W的取值为集合[NW，min，NW，max]中的整数，Ni，W通过风电场出力预测精度指标δW，i，0调整，NW，min为Ni，W的最小取值，NW，max为Ni，W的最大取值；输入层到隐藏层的连接权重数量为Mi，W*Ni，W；隐藏层到输出层的连接权重数量为Ni，W*1；用电负荷神经网络预测模型的连接权重数量Wi，W为(Mi，W+1)*Ni，W；第i个风电场第t时段的风电出力神经网络预测模型中隐藏层第l个神经元输出yW，i，l，t为：
Figure FDA0003649555260000031
式中，
Figure FDA0003649555260000032
为隐藏层第l个神经元的输入，pW，i，l，t，m为隐藏层第l个神经元的第m个输入，
Figure FDA0003649555260000033
Figure FDA0003649555260000034
为隐藏层第l个神经元的连接权重，wW，i，l，t，m为隐藏层第l个神经元的第m个连接权重，bW，i，t，l为隐藏层第l个神经元的阈值，fW(·)为神经元的激励函数；
风电出力神经网络预测模型的输出OutputW，i，t：
Figure FDA0003649555260000035
ωW，i，l，t为风电出力神经网络预测模型中隐藏层第l个神经元到输出层的连接权重；
S6、根据风电场气象数据和历史出力数据构造训练集和测试集，通过训练集采用神经网络学习算法确定风电出力神经网络预测模型的权重和阈值，通过测试集确定风电出力神经网络预测模型的风电出力预测精度，并根据风电出力预测精度调整神经网络隐藏层的节点数，具体如下：
S6.1、构造风电出力神经网络预测模型的数据样本，数据取自第i个风电场气象数据集合Mset，i和风电场历史出力集合Pwset，i，训练集和测试集按比例从风电出力数据样本中随机产生；
S6.2、将训练集和测试集中元素进行归一化：
Figure FDA0003649555260000041
Figure FDA0003649555260000042
Figure FDA0003649555260000043
Figure FDA0003649555260000044
Figure FDA0003649555260000045
Figure FDA0003649555260000046
式中，Ve′i，d，t、Di′i，d，t、Te′i，d，t、Pr′i，d，t、Hu′i，d，t、Pw′i，d，t分别为Vei，d，t、Dii，d，t、Tei，d，t、Pri，d，t、Hui，d，t、Pwi，d，t归一化后的值，Vei，max、Dimax、Tei，max、Pri，max、Hui，max分别为第i个风电场气象数据集合Mset，i中最大的风速值、风向值、气温值、气压值、湿度值，Vei，min、Dimin、Tei，min、Pri，min、Hui，min分别为第i个风电场气象数据集合Mset，i中最小的风速值、风向值、气温值、气压值、湿度值，Pwi，max、Pwi，min分别为第i个风电场历史出力集合Pwset，i中最大、最小的风电出力；然后根据归一化后的训练集，确定该模型中各神经元的连接权值wW，i，l，t、ωW，i，l，t和阈值bW，i，l，t；
S6.3、根据归一化后的测试集，检验风电出力神经网络预测模型的风电出力预测精度
Figure FDA0003649555260000047
根据风电出力预测精度
Figure FDA0003649555260000048
调整第i个风电场风电出力预测模型隐藏层节点数：
Figure FDA0003649555260000049
式中，δset，W，i为满足风电场出力预测精度指标δW，i，0且Ni，W取值为[NW，min，NW，max]中整数时的第i个风电场风电出力预测精度集合：
Figure FDA00036495552600000410
式中，minδset，W，i为第i个风电场风电出力预测精度集合中的最小值，Zy为该最小值对应的Ni，W取值，Ni，W，opt为第i个风电场风电出力预测模型最优隐藏层节点数；
S7、构建面向低谷时段的新能源电力系统可调峰功率预测模型，在该模型中，可调峰功率预测值由新能源电力系统功率平衡原理确定，其中用电负荷神经网络预测模型确定低谷时段用电负荷，风电出力神经网络预测模型确定低谷时段风电场出力，具体如下：
S7.1、构建新能源电力系统第t时段可调峰功率预测模型：
S7.1.1、构建输入层节点数为ML，隐藏层节点数为NL，输出层节点数为1的三层神经网络，该神经网络中各神经元的连接权值为wL，k，t、ωL，k，t和阈值为bL，k，t，将此神经网络作为用电负荷神经网络预测模型；
S7.1.2、构建输入层节点数为Mi，W，隐藏层节点数为Ni，W，输出层节点数为1的三层神经网络，该神经网络的各神经元的连接权值为wW，i，l，t、ωW，i，l，t和阈值为bW，i，l，t，将此神经网络作为第i个风电场的风电出力神经网络预测模型；与此类似，当i取值为(1，2，...，imax)时，即可将新能源电力系统所有风电场的风电出力神经网络预测模型全部建立；
S7.1.3、根据新能源电力系统的功率平衡原理计算第t时段可调峰功率预测值，该预测值由第t时段可调峰功率预测模型的输出变量Outputt确定：
Figure FDA0003649555260000051
Pother，t＝PV，t+PT，t+PN，t+PH，t
式中，Pother，t为第t时段其他类型电源发电功率，由第t时段的太阳能发电功率PV，t、火力发电功率PT，t、核能发电功率PN，t和水力发电功率PH，t组成；
S7.2、预测新能源电力系统低谷时段可调峰功率值；为预测D+1日新能源电力系统第t时段的可调峰功率，构建输入变量Inputt：
Inputt＝{InputL，t，InputW，i，t|i∈[1，2，...，imax]}
根据InputL，t和用电负荷神经网络预测模型可以确定低谷时段新能源电力系统的用电负荷OutputL，t；根据InputW，i，t和第i个风电场的风电出力神经网络预测模型确定第i个风电场第t时段的风电出力OutputW，i，t；用电负荷OutputL，t扣除风电出力OutputW，i，t、太阳能发电功率PV，t、火力发电功率PT，t、核能发电功率PN，t和水力发电功率PH，t，得到第t时段的可调峰功率预测值；根据电力系统负荷曲线规律，低谷时段为晚23:00至次日凌晨6:00的某段时间区域，包含若干个一小时、半小时或15分钟时段，针对每一个时段t计算可调峰功率，就得到新能源电力系统低谷时段可调峰功率预测值Output：
Output＝{Outputt|t∈低谷时段}
对应的，低谷时段各风电场的风电出力预测值OutputW：
OutputW＝{OutputW，i，t|t∈低谷时段，i∈(1，2，...，imax)}
S8、将低谷时段风电出力预测值OutputW、可调峰功率预测值Output分别作为风电电源发电计划和储能电站储能计划，为新能源电力系统的风电调度和储能调度提供决策支持。
2.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S1中，当时段长度为1小时、半小时或15分钟时，时段t的最大取值tmax分别为24、48和96：
Figure FDA0003649555260000061
3.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S3.1中，选取与LD+1，t强相关的提前一日、提前两日、提前一周的历史负荷数据作为用电负荷神经网络预测模型的输入变量InputL，t：
InputL，t＝{LD，t，LD，t-1，LD，t+1，LD-1，t，LD-1，t-1，LD-1，t+1，LD-6，t，LD-6，t-1，LD-6，t+1}
式中，LD，t，LD，t-1和LD，t+1分别为相对预测日提前一日的第t时段、第t-1时段、第t+1时段的负荷，LD-1，t，LD-1，t-1和LD-1，t+1分别为相对预测日提前两日的第t时段、第t-1时段、第t+1时段的负荷，LD-6，t，LD-6，t-1和LD-6，t+1分别为相对预测日提前一周的第t时段、第t-1时段、第t+1时段的负荷，此时InputL，t的维数ML为9。
4.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S3.2中，负荷预测精度δL，0取5％，NL的最小取值NL，min取10，NL的最大取值NL，max由神经网络训练复杂度和计算能力决定。
5.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S3.2中，神经元的激励函数fL(·)为：
Figure FDA0003649555260000062
或
Figure FDA0003649555260000063
xL为神经元激励函数fL(·)的自变量。
6.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S4.1中，用电负荷神经网络预测模型数据样本的输入为：
{Ld，t，Ld，t-1，Ld，t+1，Ld-1，t，Ld-1，t-1，Ld-1，t+1，Ld-6，t，Ld-6，t-1，Ld-6，t+1}，输出为Ld+1，t，d的取值范围为d∈[7，...，D-1]，随机选组80％的数据样本作为用电负荷神经网络预测模型的训练集，其余20％的数据样本作为测试集。
7.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S4.2中，归一化采用MATLAB中mapminmax函数实现，采用标准的Levenberg-Marquardt学习算法确定该模型中各神经元的连接权值wL，k，t、ωL，k，t和阈值bL，k，t。
8.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S4.3中，用电负荷神经网络预测模型的负荷预测精度
Figure FDA0003649555260000071
根据用电负荷预测值与观测值的均方根计算：
Figure FDA0003649555260000072
式中，LD+1，t，x为测试集中第x个元素的用电负荷预测值，
Figure FDA0003649555260000073
为与测试集中第x个元素对应的用电负荷观测值，xmax为测试集中元素的个数。
9.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S5.1中，选取以下数据作为风电出力神经网络预测模型的输入变量InputW，i，t：
Figure FDA0003649555260000074
式中，Vei，d，t、Dii，d，t、Tei，d，t、Pri，d，t、Hui，d，t、Pwi，d，t为第i个风电场第d日第t时段的风速、风向、气温、气压、湿度、出力，当下标d取值为D+1、D时分别表示预测日、预测日提前一日，当下标t取值为t-1、t+1时分别表示第t-1时段、第t+1时段，此时InputW，i，t的维数Mi，W为33。
10.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S5.2中，风电出力预测精度δW，i，0取10％，Ni，W的最小取值NW，min取10，Ni，W的最大取值NW，max由神经网络训练复杂度和计算能力决定。
11.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S5.2中，神经元的激励函数fW(·)为：
Figure FDA0003649555260000075
或
Figure FDA0003649555260000076
xW为神经元激励函数fW(·)的自变量。
12.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S6.1中，风电出力神经网络预测模型数据样本的输入为：
Figure FDA0003649555260000081
，输出为Pwi，d+1，t，d的取值范围为d∈[1，...，D-1]，随机选组80％的数据样本作为风电出力神经网络预测模型的训练集，其余20％的数据样本作为测试集。
13.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S6.2中，归一化采用MATLAB中mapminmax函数实现，采用标准的Levenberg-Marquardt学习算法确定该模型中各神经元的连接权值wW，i，l，t、ωW，i，l，t和阈值bW，i，l，t。
14.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S6.3中，风电出力神经网络预测模型的风电出力预测精度
Figure FDA0003649555260000082
根据风电出力预测值与观测值的均方根计算：
Figure FDA0003649555260000083
式中，Pwi，d+1，t，y为测试集中第y个元素的风电出力预测值，
Figure FDA0003649555260000084
为与测试集中第y个元素对应的风电出力观测值，ymax为测试集中元素的个数。
15.一种根据权利要求1所述新能源电力系统低谷时段可调峰功率预测方法，其特征在于：S7.1.3中，当太阳能发电为光伏发电时，PV，t取值为0；当太阳能发电为光热发电时，PV，t取值为光热发电站按调度要求实际输出的功率。
CN202210546984.8A 2022-05-18 2022-05-18 一种新能源电力系统低谷时段可调峰功率预测方法 Active CN114707767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210546984.8A CN114707767B (zh) 2022-05-18 2022-05-18 一种新能源电力系统低谷时段可调峰功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210546984.8A CN114707767B (zh) 2022-05-18 2022-05-18 一种新能源电力系统低谷时段可调峰功率预测方法

Publications (2)

Publication Number Publication Date
CN114707767A true CN114707767A (zh) 2022-07-05
CN114707767B CN114707767B (zh) 2023-04-25

Family

ID=82175680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210546984.8A Active CN114707767B (zh) 2022-05-18 2022-05-18 一种新能源电力系统低谷时段可调峰功率预测方法

Country Status (1)

Country Link
CN (1) CN114707767B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115145709A (zh) * 2022-07-19 2022-10-04 华南师范大学 低碳大数据人工智能方法和医康养生态系统
CN116565966A (zh) * 2023-06-29 2023-08-08 国能青海黄河玛尔挡水电开发有限公司 智能水力发电双微机自动同步控制系统
CN117236532A (zh) * 2023-11-16 2023-12-15 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统
CN117239843A (zh) * 2023-11-13 2023-12-15 国网山东省电力公司东营供电公司 一种考虑储能的风电场调峰优化调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103296679A (zh) * 2013-05-20 2013-09-11 国家电网公司 电力系统中长期优化运行的中长期风电出力模型建模方法
CN104376412A (zh) * 2014-11-11 2015-02-25 国家电网公司 一种新能源发电模式下高载能企业调峰控制方法
CN110739711A (zh) * 2019-10-31 2020-01-31 山东大学 考虑风电并网系统负调峰能力的储能设备优化控制方法
CN110880789A (zh) * 2019-12-06 2020-03-13 国网江苏省电力有限公司南通供电分公司 一种风电、光伏联合发电系统经济调度方法
CN111030189A (zh) * 2019-12-06 2020-04-17 国网辽宁省电力有限公司经济技术研究院 一种风电和光伏消纳预测预警方法
CN111211569A (zh) * 2019-11-19 2020-05-29 国网浙江省电力有限公司金华供电公司 一种柔性负荷参与电网调峰的优化配置方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103296679A (zh) * 2013-05-20 2013-09-11 国家电网公司 电力系统中长期优化运行的中长期风电出力模型建模方法
CN104376412A (zh) * 2014-11-11 2015-02-25 国家电网公司 一种新能源发电模式下高载能企业调峰控制方法
CN110739711A (zh) * 2019-10-31 2020-01-31 山东大学 考虑风电并网系统负调峰能力的储能设备优化控制方法
CN111211569A (zh) * 2019-11-19 2020-05-29 国网浙江省电力有限公司金华供电公司 一种柔性负荷参与电网调峰的优化配置方法
CN110880789A (zh) * 2019-12-06 2020-03-13 国网江苏省电力有限公司南通供电分公司 一种风电、光伏联合发电系统经济调度方法
CN111030189A (zh) * 2019-12-06 2020-04-17 国网辽宁省电力有限公司经济技术研究院 一种风电和光伏消纳预测预警方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115145709A (zh) * 2022-07-19 2022-10-04 华南师范大学 低碳大数据人工智能方法和医康养生态系统
CN115145709B (zh) * 2022-07-19 2024-05-17 华南师范大学 低碳大数据人工智能方法和医康养生态系统
CN116565966A (zh) * 2023-06-29 2023-08-08 国能青海黄河玛尔挡水电开发有限公司 智能水力发电双微机自动同步控制系统
CN116565966B (zh) * 2023-06-29 2023-10-24 国能青海黄河玛尔挡水电开发有限公司 智能水力发电双微机自动同步控制系统
CN117239843A (zh) * 2023-11-13 2023-12-15 国网山东省电力公司东营供电公司 一种考虑储能的风电场调峰优化调度方法
CN117239843B (zh) * 2023-11-13 2024-01-26 国网山东省电力公司东营供电公司 一种考虑储能的风电场调峰优化调度方法
CN117236532A (zh) * 2023-11-16 2023-12-15 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统
CN117236532B (zh) * 2023-11-16 2024-04-02 国网天津市电力公司营销服务中心 一种基于负荷数据的用电高峰负荷预测的方法及系统

Also Published As

Publication number Publication date
CN114707767B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN114707767A (zh) 一种新能源电力系统低谷时段可调峰功率预测方法
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN110365013B (zh) 一种光热-光伏-风电联合发电系统的容量优化方法
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN109492861B (zh) 一种梯级水电站群中期电量交易计划分解方法
CN107301472A (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
CN105162149A (zh) 基于模糊自适应调节的光储系统跟踪发电计划出力方法
CN102102626A (zh) 风电场短期功率预测方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN109886567B (zh) 一种考虑体感温度和辐射强度的短期负荷预测方法
CN107147152A (zh) 新能源配电网多类型有功无功源协同优化配置方法及系统
CN111092451B (zh) 一种基于配电网网格的光伏消纳预警方法
CN112116171A (zh) 一种新型基于神经网络的光伏发电功率预测方法
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
CN112418496A (zh) 一种基于深度学习的配电台区储能配置方法
CN110838734B (zh) 新能源电力调度出力的确定方法、装置和计算机设备
CN114530848B (zh) 一种光储虚拟电厂多时间尺度动态划分方法
CN105896535A (zh) 用于最小化弃风电量的风电场发电权置换电量评估的方法
CN110334856A (zh) 一种基于碳交易机制的风光储容量规划方法
CN112580897B (zh) 基于鹦鹉算法的多能源电力系统优化调度的方法
CN115395579A (zh) 计及置信容量的光热光伏配置方法、系统、设备和介质
Zhang et al. Coordinated Optimal Scheduling of WPHTNS Power System Based on Adaptive Improved Genetic Algorithm (July 2023)
Lestari et al. Prediction of solar energy radiation using adaptive neuro fuzzy inference system in the tropical region
CN112952839B (zh) 一种基于可控负荷的配电网经济调度评估方法

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