CN116307211A - 一种风电消纳能力预测及优化方法及系统 - Google Patents
一种风电消纳能力预测及优化方法及系统 Download PDFInfo
- Publication number
- CN116307211A CN116307211A CN202310295493.5A CN202310295493A CN116307211A CN 116307211 A CN116307211 A CN 116307211A CN 202310295493 A CN202310295493 A CN 202310295493A CN 116307211 A CN116307211 A CN 116307211A
- Authority
- CN
- China
- Prior art keywords
- wind power
- model
- power consumption
- prediction
- xgboost
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000029087 digestion Effects 0.000 title claims description 6
- 210000002569 neuron Anatomy 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000010521 absorption reaction Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 37
- 230000005284 excitation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 12
- 238000012795 verification Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- G06Q10/04—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
- G06N3/08—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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度神经网络算法的风电消纳能力预测及优化方法,充分利用历史数据对风电消纳能力进行预测,并分析影响消纳能力的关键因素,提出了基于DNN‑XGBoost的风电消纳能力组合预测模型。分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型的预测准确性与XGBoost的模型可解释性,采用误差倒数法建立组合预测模型并对风电消纳能力进行预测。对该组合模型与多种回归算法进行模型评分以及误差分析对比,验证该模型的准确性以及各影响因素对风电消纳能力的影响程度,将有助于电网针对不同场景提出不同的改进措施以提升系统的风电消纳能力。
Description
技术领域
本发明属于发电技术领域,特别涉及一种风电消纳能力预测及优化方法及系统。
背景技术
风能、光能等新能源具有污染少、可再生的优势,具有广阔的发展空间,充分有效的利用风能等新能源对世界环境保护与资源重复利用具有重要意义。风能作为一种清洁能源,具有丰富的储量,有着取之不尽、用之不竭的优势。如果能有效利用风能资源,将有助于解决能源短缺问题,有效优化能源结构。风力发电技术是世界上规模最大、潜力最大和技术最成熟的一种可再生能源发电技术。随着全球风力涡轮机制造技术的快速发展,风电发电装置正朝着大型化和多元化方向逐步发展,全世界各国也越来越重视发展风力发电的规模。
当在可再生能源渗透比例较高时,风电的波动性与间歇性将成为电力系统不确定性的主要来源,加大了系统对灵活性容量的需求,而仅依靠系统现有的灵活性调节能力难以满足系统的调峰需求,使得大规模风电并网面临消纳困难的问题,因此必须对出现弃风的场景进行充分分析,建立电力系统风电消纳能力分析模型,探究影响风电消纳的关键因素,提出提升措施以促进风电的进一步消纳。
目前能源结构与大规模风能的开发利用之间存在着矛盾,如何增加风电上网量,提升电力系统风电消纳能力成为能源发展面临的重要问题。为了提升电力系统的风电消纳能力,对风电消纳能力影响因素进行分析,分析不同影响因素下的电力系统灵活性调节能力以及灵活性需求,通过提出相应的改进措施增加系统灵活性以平抑风电波动性与随机性带给电力系统的不确定性。
发明内容
本发明针对风电消纳能力评估的风电-负荷典型场景,提出一种风电消纳能力预测及优化方法及系统,该方法提升电力系统风电消纳能力的措施,促进对新能源建设、环境治理、甚至电力系统改造与建设的发展。
为达到上述目的,本发明采用以下技术方案:
一种风电消纳能力预测及优化方法,包括:
获取影响风电消纳能力的各个因素的历史数据;
基于历史数据分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型与XGBoost模型,采用误差倒数法建立基于DNN-XGBoost的风电消纳能力组合预测模型;
采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果。
作为本发明的进一步改进,DNN风电消纳预测模型包括:输入层、隐藏层和输出层;其中隐藏层有多个,除输入层外,其它层由神经元组成,每个神经元包含多个权重和一个激活函数,当输入数据传递到神经元后,对其进行加权求和,然后将求和结果传递到激活函数以产生输出。
作为本发明的进一步改进,所述激励函数通过非线性映射将输入信号映射为相应的内部状态并限制其输出幅值,将Sigmoid函数用作输出层神经元的传递函数。
作为本发明的进一步改进,DNN风电消纳预测模型将影响风电消纳能力的各个因素作为输入层,包括:负荷出力、风电出力、机组最小出力、系统备用、机组出力系数、系统备用系数;以风电消纳预测量作为输出层。
作为本发明的进一步改进,采用深度神经网络模型对风电消纳能力进行预测,选取模型的训练集和测试集数据样本,确定各层神经元个数及其隐藏层个数,选择最优的损失函数以及优化算法,从而建立神经网络预测模型,在网络输出层即可得到预测结果,具体公式如下:
其中,xi(1=1…n)为第i个神经元的输入信号;wi(i=1…n)为第i个神经元对应的权重系数;b为偏置项;si为第i个神经元加权后的总输入,f(x)为第i个神经元的激励函数。
作为本发明的进一步改进,所述XGBoost风电消纳预测模型是基于决策树的集成机器学习算法,在GBDT的基础上对Bossting算法进行改进,通过在电力系统风电消纳能力分析中,使用先进的机器学习算法挖掘风电消纳与各因素间的关系,对电力系统风电消纳能力的精准预测。
作为本发明的进一步改进,在XGBoost模型中,所用回归树为CART回归树模型,包括以下步骤:
在建立的风电消纳能力数据集中,首先建立第一棵CART树,对数据进行有放回的抽样,通过汇总所有弱评估器的建模结果对模型进行评估,然后将预测错误的样本反馈给原始数据集,完成第一次迭代;
然后建立第二棵树并进行第二次抽样,但这次抽样中会增加第一棵树中误差样本的权重,使得在下一次抽样中,权重较大的误差样本被抽中的概率越大;建模完成后,再将错误样本返回原始数据集,完成第二次迭代;
在下一次迭代时,错误样本的权重将会继续增大,新建的数模型则会针对这些难以判断的数据样本,如此往复迭代,只要弱分类器足够强,所有模型都会继续处理错误样本,这些样本就可以被正确的评估;如此实现每新建一棵树模型的效果都会提升的目标,最终在第K颗树时结束迭代。
作为本发明的进一步改进,采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果,其数学表达式如下:
YD_X,j=wDyDj+wXyXj
其中,YD_Xj为组合模型的预测值,WD与WD分别为深度神经网络与XGBoost模型预测值的权重系数,εD与εX分别为深度神经网络与XGBoost模型预测值的误差。
作为本发明的进一步改进,误差倒数法将赋予误差小的模型较大的权值系数,使整个组合模型误差趋于减小,得到最终误差更小的预测结果。
一种风电消纳能力预测及优化系统,包括:
数据获取模块,用于获取影响风电消纳能力的各个因素的历史数据;
模型建立模块,用于基于历史数据分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型与XGBoost模型,采用误差倒数法建立基于DNN-XGBoost的风电消纳能力组合预测模型;
加权预测模块,用于采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果。
与现有技术相比,本发明具有以下有益效果:
相对于现有的风电消纳能力预测及算法,本发明充分利用历史数据对风电消纳能力进行预测,并分析影响消纳能力的关键因素,提出了基于DNN-XGBoost的风电消纳能力组合预测模型。分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型的预测准确性与XGBoost的模型可解释性,采用误差倒数法建立组合预测模型并对风电消纳能力进行预测。对该组合模型与多种回归算法进行模型评分以及误差分析对比,验证该模型的准确性以及各影响因素对风电消纳能力的影响程度。对风电消纳量的预测以及关键因素的分析将有助于电网针对不同场景提出不同的改进措施以提升系统的风电消纳能力。
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,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;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说,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是本发明实施例的一种深度神经网络结构的示意图;
图2是本发明实施例的一种神经网络工作原理的示意图;
图3是本发明实施例的一种DNN-XGBoost组合模型预测流程的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
由于风电出力存在较强的随机性与波动性,需要电力系统提供足够的调峰能力,使得风电能够稳定、安全的并网,达到一定的功率平衡,否则将会造成风电能源浪费,用户用电质量下降,甚至会影响整个电力系统的安全性和稳定性。因而充分把握电力系统的调峰能力,分析电力系统的风电消纳能力,有利于对电力系统日调度计划和周调度计划做出调整以及对电力系统进行中长期规划。
本发明的目的在于提供一种基于深度神经网络算法的风电消纳能力预测及优化方法。针对风电-负荷典型场景选取的随机性与不确定性问题,提出了面向风电消纳能力评估的风电-负荷典型场景生成方法。
具体提出的一种风电消纳能力预测及优化方法,包括:
获取影响风电消纳能力的各个因素的历史数据;
基于历史数据分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型与XGBoost模型,采用误差倒数法建立基于DNN-XGBoost的风电消纳能力组合预测模型;
采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果。
本发明充分利用历史数据对风电消纳能力进行预测,并分析影响消纳能力的关键因素,提出了基于DNN-XGBoost的风电消纳能力组合预测模型。分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型的预测准确性与XGBoost的模型可解释性,采用误差倒数法建立组合预测模型并对风电消纳能力进行预测。对该组合模型与多种回归算法进行模型评分以及误差分析对比,验证该模型的准确性以及各影响因素对风电消纳能力的影响程度,将有助于电网针对不同场景提出不同的改进措施以提升系统的风电消纳能力。
下面结合附图对本发明做进一步详细描述:
请参阅图1,本发明提供一种基于深度神经网络算法的风电消纳能力预测及优化方法。针对风电-负荷典型场景选取的随机性与不确定性问题,提出了面向风电消纳能力评估的风电-负荷典型场景生成方法。神经网络或人工神经网络(ANN),是一类机器学习算法,可以通过模仿大脑工作方式的过程来解码一组数据中隐含的关系。人工神经网络具有自主学习、知识推理和自适应特性等传统算法所不具有的优越特性,因而其被当作是深度学习领域最具发展前景的方法之一。
神经网络或人工神经网络(ANN)算法,可以通过模仿大脑工作方式的过程来解码一组数据中隐含的关系。
本发明提出的一种人工神经网络通常由三种类型的层组成:输入层、隐藏层和输出层。其中隐藏层可以有多个,隐藏层与输出层的数目称为神经网络的深度。普通的神经网络通常只有一层隐藏层,在处理多维非线性数据时,一层隐藏层无法有效的展示数据间的非线性关系,需要增加多个隐藏层,而具有多个隐藏层的神经网络模型被称为深度神经网络。除输入层外,其它层由神经元(实心圆圈)组成。每个神经元包含多个权重和一个激活函数,当输入数据传递到神经元后,对其进行加权求和,然后将求和结果传递到激活函数以产生输出。
本发明将影响风电消纳能力的各个因素作为输入层,即以下6种风电消纳影响因素:负荷出力、风电出力、机组最小出力、系统备用、机组出力系数、系统备用系数;以风电消纳预测量作为输出层。采用深度神经网络模型对风电消纳能力进行预测,需要选取模型的训练集和测试集数据样本,确定各层神经元个数及其隐藏层个数,选择最优的损失函数以及优化算法,从而建立神经网络预测模型,在网络输出层即可得到预测结果。
请参阅图2,采用深度神经网络模型对风电消纳能力进行预测,需要选取模型的训练集和测试集数据样本,确定各层神经元个数及其隐藏层个数,选择最优的损失函数以及优化算法,从而建立神经网络预测模型,在网络输出层即可得到预测结果。
图中,xi(1=1…n)为第i个神经元的输入信号;wi(i=1…n)为第i个神经元对应的权重系数;b为偏置项;si为第i个神经元加权后的总输入,f(x)为第i个神经元的激励函数。
由于需要学习的隐藏关系通常是高度非线性的,而其非线性通常反映在激励函数上。常用的激励函数有Sigmoid函数和Tan函数,其数学表达式如下:
其中,式(1)为Sigmoid函数,它将输入的特征值变换到[0,1]范围内。式(2)为Tan函数,它将输入的特征值变换到[-1,1]范围内。
激励函数通过非线性映射将输入信号映射为相应的内部状态并限制其输出幅值。然而使用Sigmoid函数和Tan函数在DNN模型中会造成梯度消失现象,导致一些神经元的权重无法更新,以及与这些神经元相关联的神经元的权重也更新的非常缓慢。因此通常将Sigmoid函数用作输出层神经元的传递函数。
为解决梯度消失的问题,修正线性单元(ReLU)做为一种神经网络的激励函数得到了最广泛的使用。在深度神经网络模型中,选择ReLU函数与Sigmoid函数分别作为隐藏层与输出层的激励函数。
请参阅图3,EXtremeGradient Boosting(XGBoost)是一种基于决策树的集成机器学习算法,使用梯度提升框架,适用于分类和回归问题。XGBoost算法在GBDT(梯度提升决策树)的基础上对Bossting算法进行了改进,弥补了GBDT算法模型难以并行运算的问题,有效的控制了模型的过拟合问题。它通过在电力系统风电消纳能力分析中,使用先进的机器学习算法挖掘风电消纳与各因素间的关系,实现电力系统风电消纳能力的精准预测。本发明建立了基于XGBoost算法的风电消纳能力分析模型,实现了对不同因素间的相关性分析以及对电力系统风电消纳量的预测。
本发明的一种基于深度神经网络算法的风电消纳能力预测及优化方法,在XGBoost模型中,所用回归树为CART回归树模型,包括以下步骤:
1.在建立的风电消纳能力数据集中,首先建立第一棵CART树,对数据进行有放回的抽样,通过汇总所有弱评估器的建模结果对模型进行评估,然后将预测错误的样本反馈给原始数据集,完成第一次迭代。
2.然后建立第二棵树并进行第二次抽样,但这次抽样中会增加第一棵树中误差样本的权重,使得在下一次抽样中,权重较大的误差样本被抽中的概率越大。建模完成后,再将错误样本返回原始数据集,完成第二次迭代。
3.在下一次迭代时,错误样本的权重将会继续增大,新建的数模型则会针对这些难以判断的数据样本,如此往复迭代,只要弱分类器足够强,所有模型都会继续处理错误样本,这些样本就可以被正确的评估。如此就实现了每新建一棵树模型的效果都会提升的目标,最终在第K颗树时结束迭代。
图3为深度神经网络模型与XGBoost模型组合模型流程图,将深度神经网络模型与XGBoost模型应用于对电力系统的风电消纳能力分析,其中深度神经网络专注于模型的准确度,而XGBoost模型更专注于模型的可解释性,通过XGBoost模型可以简洁,有效的分析出各输入因素对风电消纳量的影响程度。因此,通过组合DNN与XGBoost模型,可以进一步提升模型预测的准确性,并分析出模型中各因素对风电消纳能力影响的重要程度,有利于电网从各因素的重要程度上提出提升系统消纳能力的不同改进措施。
采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果,其数学表达式如下:
YD_X,j=wDyDj+wXyXj
误差倒数法将赋予误差小的模型较大的权值系数,从而使整个组合模型误差趋于减小,得到误差更小的预测值,达到提升整体预测精度的效果。
本发明还提供一种风电消纳能力预测及优化系统,包括:
数据获取模块,用于获取影响风电消纳能力的各个因素的历史数据;
模型建立模块,用于基于历史数据分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型与XGBoost模型,采用误差倒数法建立基于DNN-XGBoost的风电消纳能力组合预测模型;
加权预测模块,用于采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果。
本发明提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述风电消纳能力预测及优化方法的步骤。
本发明第还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述风电消纳能力预测及优化方法的步骤。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种风电消纳能力预测及优化方法,其特征在于,包括:
获取影响风电消纳能力的各个因素的历史数据;
基于历史数据分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型与XGBoost模型,采用误差倒数法建立基于DNN-XGBoost的风电消纳能力组合预测模型;
采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果。
2.根据权利要求1所述的一种风电消纳能力预测及优化方法,其特征在于,
DNN风电消纳预测模型包括:输入层、隐藏层和输出层;其中隐藏层有多个,除输入层外,其它层由神经元组成,每个神经元包含多个权重和一个激活函数,当输入数据传递到神经元后,对其进行加权求和,然后将求和结果传递到激活函数以产生输出。
3.根据权利要求1所述的一种风电消纳能力预测及优化方法,其特征在于,
所述激励函数通过非线性映射将输入信号映射为相应的内部状态并限制其输出幅值,将Sigmoid函数用作输出层神经元的传递函数。
4.根据权利要求1所述的一种风电消纳能力预测及优化方法,其特征在于,
DNN风电消纳预测模型将影响风电消纳能力的各个因素作为输入层,包括:负荷出力、风电出力、机组最小出力、系统备用、机组出力系数、系统备用系数;以风电消纳预测量作为输出层。
6.根据权利要求1所述的一种风电消纳能力预测及优化方法,其特征在于,
所述XGBoost风电消纳预测模型是基于决策树的集成机器学习算法,在GBDT的基础上对Bossting算法进行改进,通过在电力系统风电消纳能力分析中,使用先进的机器学习算法挖掘风电消纳与各因素间的关系,对电力系统风电消纳能力的精准预测。
7.根据权利要求1所述的一种风电消纳能力预测及优化方法,其特征在于,
在XGBoost模型中,所用回归树为CART回归树模型,包括以下步骤:
在建立的风电消纳能力数据集中,首先建立第一棵CART树,对数据进行有放回的抽样,通过汇总所有弱评估器的建模结果对模型进行评估,然后将预测错误的样本反馈给原始数据集,完成第一次迭代;
然后建立第二棵树并进行第二次抽样,但这次抽样中会增加第一棵树中误差样本的权重,使得在下一次抽样中,权重较大的误差样本被抽中的概率越大;建模完成后,再将错误样本返回原始数据集,完成第二次迭代;
在下一次迭代时,错误样本的权重将会继续增大,新建的数模型则会针对这些难以判断的数据样本,如此往复迭代,只要弱分类器足够强,所有模型都会继续处理错误样本,这些样本就可以被正确的评估;如此实现每新建一棵树模型的效果都会提升的目标,最终在第K颗树时结束迭代。
9.根据权利要求1所述的一种风电消纳能力预测及优化方法,其特征在于,
误差倒数法将赋予误差小的模型较大的权值系数,使整个组合模型误差趋于减小,得到最终误差更小的预测结果。
10.一种风电消纳能力预测及优化系统,其特征在于,包括:
数据获取模块,用于获取影响风电消纳能力的各个因素的历史数据;
模型建立模块,用于基于历史数据分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型与XGBoost模型,采用误差倒数法建立基于DNN-XGBoost的风电消纳能力组合预测模型;
加权预测模块,用于采用误差倒数法将两个模型的预测结果进行加权组合得到最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310295493.5A CN116307211A (zh) | 2023-03-23 | 2023-03-23 | 一种风电消纳能力预测及优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310295493.5A CN116307211A (zh) | 2023-03-23 | 2023-03-23 | 一种风电消纳能力预测及优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307211A true CN116307211A (zh) | 2023-06-23 |
Family
ID=86818520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310295493.5A Pending CN116307211A (zh) | 2023-03-23 | 2023-03-23 | 一种风电消纳能力预测及优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307211A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117040030A (zh) * | 2023-10-10 | 2023-11-10 | 国网浙江宁波市鄞州区供电有限公司 | 新能源消纳能力风险管控方法及系统 |
CN117522080A (zh) * | 2024-01-02 | 2024-02-06 | 国网湖北省电力有限公司经济技术研究院 | 输电工程进度安全与造价的联动优化方法、系统及设备 |
-
2023
- 2023-03-23 CN CN202310295493.5A patent/CN116307211A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117040030A (zh) * | 2023-10-10 | 2023-11-10 | 国网浙江宁波市鄞州区供电有限公司 | 新能源消纳能力风险管控方法及系统 |
CN117040030B (zh) * | 2023-10-10 | 2024-04-02 | 国网浙江宁波市鄞州区供电有限公司 | 新能源消纳能力风险管控方法及系统 |
CN117522080A (zh) * | 2024-01-02 | 2024-02-06 | 国网湖北省电力有限公司经济技术研究院 | 输电工程进度安全与造价的联动优化方法、系统及设备 |
CN117522080B (zh) * | 2024-01-02 | 2024-04-09 | 国网湖北省电力有限公司经济技术研究院 | 输电工程进度安全与造价的联动优化方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
Lin et al. | Machine learning templates for QCD factorization in the search for physics beyond the standard model | |
CN111898828A (zh) | 一种基于极限学习机的水力发电预测方法 | |
CN110135635A (zh) | 一种区域电力饱和负荷预测方法及系统 | |
Meng et al. | A novel few-shot learning approach for wind power prediction applying secondary evolutionary generative adversarial network | |
CN113468790B (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN112464981B (zh) | 基于空间注意力机制的自适应知识蒸馏方法 | |
CN111553510A (zh) | 一种短期风速预测方法 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN115828768A (zh) | 一种数据驱动的配电网无功功率预测方法 | |
Liu et al. | Research on wind speed prediction of wind power system based on GRU deep learning | |
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 | |
CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法 | |
Xing et al. | Hydrological time series forecast by ARIMA+ PSO-RBF combined model based on wavelet transform | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data | |
Li et al. | Smoothed deep neural networks for marine sensor data prediction | |
Yang et al. | Electricity load forecasting based on long and short-term memory neural network | |
CN111932008B (zh) | 一种可适用不同天气状况的船舶光伏输出功率预测方法 |
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 |