CN117040030B - 新能源消纳能力风险管控方法及系统 - Google Patents
新能源消纳能力风险管控方法及系统 Download PDFInfo
- Publication number
- CN117040030B CN117040030B CN202311304889.8A CN202311304889A CN117040030B CN 117040030 B CN117040030 B CN 117040030B CN 202311304889 A CN202311304889 A CN 202311304889A CN 117040030 B CN117040030 B CN 117040030B
- Authority
- CN
- China
- Prior art keywords
- feature
- power generation
- features
- power
- new energy
- 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 43
- 238000005265 energy consumption Methods 0.000 title claims abstract description 21
- 238000010248 power generation Methods 0.000 claims abstract description 104
- 230000002441 reversible effect Effects 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 32
- 230000002829 reductive effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 45
- 230000002123 temporal effect Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000004146 energy storage Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 28
- 238000012545 processing Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- H02J3/004—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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种新能源消纳能力风险管控方法及系统，涉及电网领域，包括获取新能源系统中风能发电装置对应的第一发电信息，以及太阳能发电装置对应的第二发电信息；通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳。
Description
技术领域
本发明涉及电网技术，尤其涉及一种新能源消纳能力风险管控方法及系统。
背景技术
在高比例新能源并网的背景下，提高新能源功率预测准确性是保证电力系统功率平衡的重要手段。电网调度人员通常采用电力系统潮流分析、短路电流计算等进行故障预警，并未将新能源电站故障期间风电机组脱网的风险纳入考虑范围内，同时考虑到新能源发电具有大量的电力电子设备，导致新能源场站具有较弱的系统惯量支撑能力，容易遭受外部干扰导致发生大面积脱网事故。当系统在遭受较大频率和电压变化时，新能源机组更容易脱网，加剧频率与电压稳定问题。
新能源电站脱网机理进一步加大了电力系统风险度评估难度，这对新能源的管理水平和安全控制提出了新的挑战和要求，迫切需要提出高比例新能源接入地区电网的安全风险评估方法，从保障电力系统安全稳定运行的角度制定合理的预警指标，全面评估高比例新能源接入地区电网的系统风险。
CN111628499B，一种计及多风险因素的配电网新能源消纳能力评估的方法，包括如下步骤：建立负荷及分布式新能源出力随机模型；基于半不变量法建立配电网状态变量的概率密度函数以及概率分布函数；构建配电网运行安全性风险评价指标体系；构建典型场景下的配电网运行经济性风险评价指标体系；基于条件风险价值转化典型场景的经济性运行风险指标；以可消纳的分布式新能源功率最大化为目标，构建配电网新能源消纳目标函数；构建考虑多风险因素的配电网新能源消纳约束条件，求解新能源消纳最优化问题。
CN114583745A，一种电力系统的新能源日消纳风险评估方法及装置，包括：获取电力系统的新能源消纳预警风险指标；基于电力系统的新能源消纳预警风险指标对电力系统进行新能源日消纳风险评估；其中，所述新能源消纳预警风险指标至少包括下述中的一种：源荷同步指数、消纳空间富裕指数、消纳空间压力指数、弃电严峻指数。
现有技术中大规模光伏和风电的接入配电网，配电网由单端供电网络变为多端供电网络，潮流可能出现反向流动，容易造成负荷侧的节点电压越限；而且光伏和风电出力的随机性，也会加剧电压的波动，使电网的运行更加的复杂。现有技术中配电网的网架结构比较薄弱，自动化和智能化程度较低，无论是调度模式还是能量管理的方式都相对落后，严重限制了间歇性可再生能源的有效利用，不利于能源布局从燃料型能源向清洁型能源的转换。
发明内容
本发明实施例提供一种新能源消纳能力风险管控方法及系统，至少能够解决现有技术中部分问题，也即解决现有技术中配电网的网架结构比较薄弱，严重限制了间歇性可再生能源的有效利用的问题。
本发明实施例的第一方面，
提供一种新能源消纳能力风险管控方法，包括：
获取新能源系统中风能发电装置对应的第一发电信息，其中，所述第一发电信息包括风速信息、风向信息以及湍流信息中至少一种，以及太阳能发电装置对应的第二发电信息，其中，所述第二发电信息包括日照信息、温度信息以及天气信息中至少一种，
将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；
获取所述新能源系统在目标区域的历史供电需求，选取特定周期内的历史供电需求进行求平均，将平均供电需求作为所述目标区域的供电需求，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳。
在一种可选的实施方式中，
通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征包括：
所述产能预测模型包括特征解码模块，所述特征解码模块包括正向时态子模块和反向时态子模块，其中，
所述正向时态子模块将所述新能源发电信息通过重置门以及更新门提取第一候选隐藏特征；
所述反向时态子模块采用与所述正向时态子模块相反的顺序处理所述新能源发电信息得到第二候选隐藏特征；
评估所述第一候选隐藏特征和所述第二候选隐藏特征的特征重要性，以及所述第一候选隐藏特征和所述第二候选隐藏特征的特征关联性，通过自适应权重分配算法分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值；
融合所述第一候选隐藏特征和所述第一权重值确定正向特征，融合所述第二候选隐藏特征以及所述第二权重值确定反向特征。
在一种可选的实施方式中，
评估所述第一候选隐藏特征和所述第二候选隐藏特征的特征重要性，以及所述第一候选隐藏特征和所述第二候选隐藏特征的特征关联性，通过自适应权重分配算法分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值包括：
按照如下公式分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值：
；
；
其中，Q1、Q2分别表示第一权重值和第二权重值，K表示候选隐藏特征的数量，W1、W2分别表示与第一候选隐藏特征对应的用于全局线性变换操作的第一权重矩阵以及与第二候选隐藏特征对应的用于全局线性变换操作的第二权重矩阵，H k1、H k2分别表示第k个第一候选隐藏特征和第k个第二候选隐藏特征，b1、b2分别表示第一偏置参数和第二偏置参数，I1、I2分别表示第一候选隐藏特征的特征重要性和第二候选隐藏特征的特征重要性，T、C分别表示任务需求因子、第一候选隐藏特征和第二候选隐藏特征的特征关联性。
在一种可选的实施方式中，
所述方法还包括训练所述自编码器：
将预先获取的编码训练数据集，输入随机初始化后的待训练自编码器中，其中，待训练的自编码器包括编码器和解码器，所述编码器包括输入层和隐藏层，所述解码器包括隐藏层和输出层；
基于待训练自编码器的输出层的输出结果与编码训练数据集的偏差值，在待训练自编码器的损失函数中引入正则化约束和稀疏性约束，通过反向传播算法迭代优化待训练自编码器的损失函数，以使所述偏差值符合预设条件；
其中，待训练的自编码器的损失函数如下公式所示：
；
其中，LOSS表示损失值，N、M分别表示编码训练数据集样本数量和隐藏层神经元的数量，x i、y i分别表示第i个样本的编码训练数据和第i个样本对应的待训练自编码器的输出层的输出结果，r j表示第j个隐藏神经元对应的隐藏权重，h j表示第j个隐藏神经元的输出，KL()表示散度损失函数，p t、p r分别表示理想的稀疏激活概率分布以及实际的激活概率分布。
在一种可选的实施方式中，
基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量包括：
将降低维度后的正向特征和反向特征进行均值归一化，得到标准化特征，通过所述支持向量回归模型的核函数将所述标准化特征映射到高维空间；
确定映射到高维空间的标准化特征与预设超平面的空间距离，将所述空间距离作为初始预测值；
通过所述支持向量回归模型的核函数的逆操作，将所述标准化特征从高维空间映射回所述标准化特征的原始维度空间，并在所述初始预测值中叠加截距项作为预测电能产量。
在一种可选的实施方式中，
根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳包括：
若所述预测电能产量大于所述供电需求，通过电力负荷调度算法将多余电能产量存储至储能设备；
若所述预测电能产量小于所述供电需求，通过电力负荷调度算法从备用电源或者其他电力网络中获取电力。
在一种可选的实施方式中，
根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳还包括：
若所述预测电能产量大于所述供电需求，通过电力负荷调度算法将多余的电能产量均匀分配至储能设备中；
若所述预测电能产量小于所述供电需求，确定不同备用电源的可用容量，或者其他电力网络的电力价格，通过电力负荷调度算法，以综合成本最低为目标，选择对应的备用电源或者从其他电力网络中获取电力。
本发明实施例的第二方面，
提供一种新能源消纳能力风险管控系统，包括：
第一单元，用于获取新能源系统中风能发电装置对应的第一发电信息，其中，所述第一发电信息包括风速信息、风向信息以及湍流信息中至少一种，以及太阳能发电装置对应的第二发电信息，其中，所述第二发电信息包括日照信息、温度信息以及天气信息中至少一种，
第二单元，用于将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；
第三单元，用于获取所述新能源系统在目标区域的历史供电需求，选取特定周期内的历史供电需求进行求平均，将平均供电需求作为所述目标区域的供电需求，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。
附图说明
图1为本发明实施例新能源消纳能力风险管控方法的流程示意图；
图2为本发明实施例新能源消纳能力风险管控系统的结构示意图。
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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例新能源消纳能力风险管控方法的流程示意图，如图1所示，所述方法包括：
S101. 获取新能源系统中风能发电装置对应的第一发电信息，其中，所述第一发电信息包括风速信息、风向信息以及湍流信息中至少一种，以及太阳能发电装置对应的第二发电信息，其中，所述第二发电信息包括日照信息、温度信息以及天气信息中至少一种，
示例性地，本申请的新能源系统以风能发电和太阳能发电为主，其中，风能发电装置对应的第一发电信息包括风速信息、风向信息以及湍流信息中至少一种，可以理解的是，
风速是影响风能发电量的关键因素，获取不同高度和时间段的风速数据，以监测风速的变化，风速数据可用于建立风能发电的风速-功率曲线，从而预测风能发电量。风向数据有助于确定风能系统的朝向，以最大化风能捕获，它也可以用于风能系统的控制和维护。湍流数据可以帮助评估风场的不稳定性，从而更准确地预测风能发电的波动。
太阳能发电装置对应的第二发电信息包括日照信息、温度信息以及天气信息中至少一种，其中，
日照数据是太阳能发电的重要影响因素，获取不同时间段的日照数据，包括光照强度和太阳辐射量。温度对太阳能电池板的性能产生重要影响，高温度可能导致电池板效率降低。了解天气条件，如云层覆盖和雨雪情况，可以帮助预测太阳能发电的波动性。
S102. 将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；
示例性地，本申请的产能预测模型可以是基于双向长短时记忆网络、自编码器以及支持向量回归模型组合构建的，其中，双向长短时记忆网络用于捕捉时间序列数据中的长期和短期依赖关系，自编码器用于降低特征维度，支持向量回归模型用于对特征进行回归分析，进行电能产量预测。
在一种可选的实施方式中，
将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征包括：
所述产能预测模型包括特征解码模块，所述特征解码模块包括正向时态子模块和反向时态子模块，其中，
所述正向时态子模块将所述新能源发电信息通过重置门以及更新门提取第一候选隐藏特征；
所述反向时态子模块采用与所述正向时态子模块相反的顺序处理所述新能源发电信息得到第二候选隐藏特征；
通过自适应权重分配算法分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值；
根据所述第一候选隐藏特征和所述第一权重值确定正向特征，根据所述第二候选隐藏特征以及所述第二权重值确定反向特征。
示例性地，正向时态子模块使用重置门（Reset Gate）和更新门（Update Gate）来提取第一候选隐藏特征，这通常基于门控循环单元（GRU）或长短时记忆网络（LSTM）等适用于序列数据的循环神经网络结构。
将新能源发电信息作为输入序列传递给正向时态子模块，这个输入序列可能包括多个时间步的数据，每个时间步包含了新能源发电的相关信息，如发电量、天气条件等。正向时态子模块在处理序列之前需要初始化一个隐藏状态（hidden state），这个隐藏状态是一个表示网络内部状态的向量，它在序列的每个时间步都会更新。
正向时态子模块包括重置门和更新门，重置门的作用是决定哪些信息应该被遗忘或重置。具体来说，重置门的输出是一个介于0和1之间的值，表示每个输入特征的重要性。这些值将用于对输入数据进行加权。更新门的作用是决定应该从当前时间步的输入和前一个时间步的隐藏状态中保留多少信息。更新门的输出也是介于0和1之间的值，它控制了新信息与旧信息之间的权重。使用重置门和更新门的输出，计算候选隐藏特征，这通常涉及对输入数据进行加权和组合，以生成一个新的候选隐藏状态，使用新的候选隐藏特征和更新门的输出，更新当前时间步的隐藏状态，这个隐藏状态将传递到下一个时间步，以捕捉序列中的信息。
反向时态子模块的目标是以与正向时态子模块相反的顺序处理新能源发电信息，从而获取第二候选隐藏特征。这通常涉及到使用逆序输入序列的方式，并且与正向时态子模块的重置门和更新门具有不同的设置。
反向时态子模块的输入是正向时态子模块处理的新能源发电信息的逆序，这意味着输入数据的时间步被颠倒，从最后一个时间步开始处理，然后逐步向前。反向时态子模块也需要初始化一个隐藏状态，用于存储处理序列时的内部状态信息。与正向时态子模块类似，反向时态子模块同样包括重置门和更新门，重置门在反向时态子模块中的作用与正向时态子模块中一样，用于决定哪些信息应该被遗忘或重置。更新门的作用也相同，决定应该从当前时间步的输入和前一个时间步的隐藏状态中保留多少信息。
使用逆序输入数据和重置门和更新门的输出，计算第二候选隐藏特征。这个特征表示了逆序处理过程中提取的信息，使用第二候选隐藏特征和更新门的输出，更新当前时间步的隐藏状态，隐藏状态将在逆序处理的过程中不断更新。
通过逆序处理输入序列，反向时态子模块能够从不同的角度捕获序列中的信息，从而提取第二候选隐藏特征，这种处理方式有助于模型更全面地理解序列数据，特别是对于与时间相关的问题，如新能源发电信息的产能预测，逆序处理可以提供额外的信息视角。
在一种可选的实施方式中，
评估所述第一候选隐藏特征和所述第二候选隐藏特征的特征重要性，以及所述第一候选隐藏特征和所述第二候选隐藏特征的特征关联性，通过自适应权重分配算法分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值包括：
按照如下公式分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值：
；
；
其中，Q1、Q2分别表示第一权重值和第二权重值，K表示候选隐藏特征的数量，W1、W2分别表示与第一候选隐藏特征对应的用于全局线性变换操作的第一权重矩阵以及与第二候选隐藏特征对应的用于全局线性变换操作的第二权重矩阵，H k1、H k2分别表示第k个第一候选隐藏特征和第k个第二候选隐藏特征，b1、b2分别表示第一偏置参数和第二偏置参数，I1、I2分别表示第一候选隐藏特征的特征重要性和第二候选隐藏特征的特征重要性，T、C分别表示任务需求因子、第一候选隐藏特征和第二候选隐藏特征的特征关联性。
示例性地，特征的重要性可以通过不同的方法进行估计，例如可以通过基于树模型（如决策树、随机森林）的特征重要性评估、基于互信息（Mutual Information）或相关性分析的方法，特征的重要性可以帮助识别哪些特征对于任务是关键的，从而进行更有针对性的特征工程或特征选择，提高模型性能，减少过拟合。
任务需求因子，任务需求因子是指任务本身对特征的需求或期望。不同任务可能对不同特征具有不同的要求，例如分类任务和回归任务可能需要不同类型的特征；任务需求因子通常需要根据具体的任务领域和问题来定义，它可以是领域专家的知识或者通过数据分析和探索来确定。考虑任务需求因子可以帮助选择与任务最相关的特征，提高模型的适用性和性能，它还可以帮助定义特征工程的方向，以更好地满足任务要求。
特征关联性，特征之间的关联性表示不同特征之间的相关性或相似度，它可以帮助理解特征之间的互动关系，关联性通常通过相关系数（如皮尔逊相关系数）来度量，较高的相关性表示两个特征之间存在线性相关关系，理解特征之间的关联性有助于避免多重共线性问题，提高模型的解释性，或者选择一组相关性较低的特征以减少维度。
综上可知，本申请的第一权重和第二权重的计算方法中，特征的重要性可以用于指导权重分配过程，使得更重要的特征被分配更高的权重，从而提高模型对关键特征的关注度。特征之间的高度相关性可能导致多重共线性问题，使模型更难以解释和泛化。在权重计算时，考虑到特征之间的关联性可以帮助减少冗余信息，改善模型的稳定性和可解释性。通过选择相关性较低的特征或通过特征选择方法来处理关联性，可以降低模型过拟合的风险，提高模型的泛化性能。考虑任务需求因子可以确保权重计算过程与任务的本质和目标一致。
在一种可选的实施方式中，
所述方法还包括训练所述自编码器：
将预先获取的编码训练数据集，输入随机初始化后的待训练自编码器中，其中，待训练的自编码器包括编码器和解码器，所述编码器包括输入层和隐藏层，所述解码器包括隐藏层和输出层；
基于待训练自编码器的输出层的输出结果与编码训练数据集的偏差值，在待训练自编码器的损失函数中引入正则化约束和稀疏性约束，通过反向传播算法迭代优化待训练自编码器的损失函数，以使所述偏差值符合预设条件；
其中，待训练的自编码器的损失函数如下公式所示：
；
其中，LOSS表示损失值，N、M分别表示编码训练数据集样本数量和隐藏层神经元的数量，x i、y i分别表示第i个样本的编码训练数据和第i个样本对应的待训练自编码器的输出层的输出结果，r j表示第j个隐藏神经元对应的隐藏权重，h j表示第j个隐藏神经元的输出，KL()表示散度损失函数，p t、p r分别表示理想的稀疏激活概率分布以及实际的激活概率分布。
示例性地，待训练的自编码器包括编码器和解码器两部分，通常由神经网络组成，编码器由输入层和隐藏层组成，而解码器由隐藏层和输出层组成，编码器负责将输入数据编码为潜在表示，解码器负责从潜在表示中重建输入数据。
自编码器的权重和偏差通常会被随机初始化，使用编码器将训练数据传递到隐藏层，然后使用解码器将隐藏表示解码为重建数据；计算解码器输出与原始输入数据之间的差异，即偏差值，这个差异通常以均方误差（MSE）或其他损失函数的形式表示。为了提高自编码器的性能和泛化能力，正则化约束和稀疏性约束可以添加到损失函数中，这有助于控制模型的复杂度和学习有效的特征表示。使用反向传播算法，根据损失函数的梯度，迭代地更新自编码器的权重和偏差，以减小偏差值，并使其符合预设条件。
训练过程会重复进行多个时期（epochs），直到损失函数收敛或达到预定的停止条件，通过这个训练过程，自编码器学习如何从输入数据中提取重要特征，并生成潜在表示，同时尽量减小重建误差。正则化约束和稀疏性约束可以控制模型的复杂度，以防止过拟合，并提高特征表示的质量。
正则化约束有助于减少模型的复杂度，从而降低了过拟合的风险。通过将正则化项添加到损失函数中，模型被迫更加平滑，避免对训练数据的细微噪声过度拟合，提高了模型的泛化能力。正则化约束通常包括L1正则化（Lasso）和L2正则化（Ridge），它们分别用于控制权重的绝对值和平方值，这些约束可以防止权重变得过大，从而确保模型不会在特定特征上过度依赖。
引入稀疏性约束可以促使模型选择性地使用特征，这意味着只有部分特征对损失函数有显著贡献，而其他特征的权重接近于零，这有助于模型更好地捕捉数据中的关键信息，减少冗余特征的影响。稀疏性约束使得自编码器倾向于学习对任务重要的特征，因此，它可以用于特征选择，从而减少输入特征的维度，此外，稀疏性约束还有助于过滤掉对任务无关的噪声特征。
正则化和稀疏性约束可以提高自编码器的泛化能力，改善特征表示的质量，减少过拟合，促进特征选择，提高模型性能，以及在实际应用中提供更具解释性的特征表示。
S102. 将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；
示例性地，可以将第一发电信息和第二发电信息拼接为一个新的新能源发电信息，这可以将不同来源的发电数据合并为一个整体。使用预设的产能预测模型，分别提取新能源发电信息的正向特征和反向特征，这些特征是从新能源发电信息中学到的，可以是潜在表示或高级特征。
在产能预测模型中，使用自编码器对正向特征和反向特征进行降维，自编码器将高维特征映射到低维表示，以保留关键信息并减少维度，这有助于减小数据的复杂性，提高模型的计算效率。使用支持向量回归（SVR，support vector regression）模型对降低维度后的正向特征和反向特征进行特征回归。SVR是一种用于回归问题的机器学习模型，可以预测连续值输出，通过特征回归，模型学会了如何将提取的特征映射到电能产量的预测，综合考虑正向特征和反向特征的回归结果，可以确定新能源系统的预测电能产量，这个预测值反映了新能源系统的发电潜力，可以用于电力调度和管理。
在一种可选的实施方式中，
基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量包括：
将降低维度后的正向特征和反向特征进行均值归一化，得到标准化特征，通过所述支持向量回归模型的核函数将所述标准化特征映射到高维空间；
确定映射到高维空间的标准化特征与预设超平面的空间距离，将所述空间距离作为初始预测值；
通过所述支持向量回归模型的核函数的逆操作，将所述标准化特征从高维空间映射回所述标准化特征的原始维度空间，并在所述初始预测值中叠加截距项作为预测电能产量。
示例性地，将降维后的正向特征和反向特征进行均值归一化，均值归一化通常是将特征的均值减去，并除以标准差，以确保特征的值在相似的范围内。在均值归一化之后，得到标准化的特征，它们的均值为0，标准差为1，这有助于防止特征的尺度不同对模型的影响。
使用SVR模型的核函数将标准化特征映射到高维空间。核函数允许模型在高维空间中进行非线性建模，以更好地捕捉数据的复杂关系。在高维空间中，计算标准化特征与预设超平面的空间距离，这个距离可以被视为初始的电能产量预测值。通过SVR模型的核函数的逆操作，将标准化特征从高维空间映射回原始维度空间，这步操作可以将电能产量的预测从高维度空间还原到原始的特征维度空间。最后，将逆映射后的预测值叠加上截距项，得到最终的预测电能产量，截距项通常是模型的偏差项，用于调整模型的整体预测。
核函数是一种将数据从原始特征空间映射到更高维度空间的数学函数，本申请的核函数可以包括径向基函数（Radial Basis Function，RBF）核函数。
在一种可选的实施方式中，
对训练数据集中的每对样本计算核函数的值，构建核矩阵（Kernel Matrix），核矩阵的维度通常与训练样本数相同，但在更高维度的空间中表示样本之间的相似性。使用计算得到的核矩阵训练SVR模型，在SVR中，模型会尝试找到一个预测函数，以最小化损失函数并满足一定的约束条件。在进行预测时，使用训练好的SVR模型，将标准化特征向量传递给模型，模型会将特征映射到高维空间，进行回归预测，并将结果映射回原始特征空间。
在SVR模型的训练过程中，支持向量是训练样本中最重要的数据点，获取支持向量的标准化特征以及它们对应的拉格朗日乘子。SVR模型的目标是找到一个预测函数，该函数定义了一个高维空间中的超平面，通过支持向量和拉格朗日乘子，可以计算出超平面的参数，包括权重向量和截距项。具体地，可以根据超平面的权重向量、新标准化特征向量在高维空间中的映射、超平面的截距项以及权重向量的L2范数确定标准化特征与预设超平面的空间距离。
示例性地，使用SVR模型的核函数的逆操作，将映射到高维空间的标准化特征逆映射回原始维度的标准化特征，这个逆映射通常依赖于所选择的核函数的类型，对于RBF核函数，可以使用逆高斯函数来执行逆映射。如果在前面的步骤中对标准化特征进行了归一化，需要对逆映射后的标准化特征进行反归一化，将其恢复到原始数据的尺度和范围。在SVR模型中，截距项（或偏差项）是一个常数，用于调整模型的输出，将截距项叠加到逆映射后的特征中，以得到最终的电能产量预测。这将校正预测值以适应数据的整体平移。
均值归一化（标准化）特征有助于提高模型的稳定性，因为它们确保了特征在相似的尺度和范围内，这有助于防止特征的值差异过大，影响模型性能；使用支持向量回归模型的核函数将标准化特征映射到高维空间，可以在更复杂的特征空间中进行建模，以更好地捕获数据的非线性关系。将映射到高维空间的标准化特征与预设超平面的空间距离作为初始预测值，提供了一个初始估计，反映了输入特征与超平面的关系。通过支持向量回归模型的核函数的逆操作，将映射到高维空间的特征逆映射回原始维度的特征空间，并叠加截距项，可以确保预测结果与原始数据的尺度和范围一致。
S103. 获取所述新能源系统在目标区域的历史供电需求，选取特定周期内的历史供电需求进行求平均，将平均供电需求作为所述目标区域的供电需求，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳。
从目标区域的历史数据中获取供电需求的时间序列数据，这些数据可以包括过去一段时间内每小时或每日的电力需求。根据需要，选择特定的周期，例如一天、一周或一个月的历史供电需求数据，这个周期的选择可以根据需求的季节性和周期性来确定。对所选周期内的历史供电需求数据进行求平均操作，以计算出平均供电需求，这个平均值将用作目标区域的供电需求基准。使用之前建立的预测模型（如SVR模型）来预测新能源系统的电能产量，这个模型使用新能源系统的实时或未来预测数据来估计产量。将预测的电能产量与平均供电需求进行比较，这个比较可以用于确定电能产量是否足以满足供电需求。
根据电能产量和供电需求的比较结果，执行电力负荷调度算法来决定如何分配电能。如果电能产量高于供电需求，多余的电能可以存储或分配到其他区域；如果电能产量不足以满足需求，可以考虑从其他电源或储能设备中获取额外的电能。根据电力负荷调度算法的决策，实施电力分配和调整，以确保供电需求得到满足，并维护电网的稳定性。持续监测电能产量和供电需求，根据实际情况进行调整。在必要时，重新计划电力负荷调度以应对不断变化的条件。
在一种可选的实施方式中，
根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳包括：
若所述预测电能产量大于所述供电需求，通过电力负荷调度算法将多余电能产量存储至储能设备；
若所述预测电能产量小于所述供电需求，通过电力负荷调度算法从备用电源或者其他电力网络中获取电力。
在一种可选的实施方式中，
根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳还包括：
若所述预测电能产量大于所述供电需求，通过电力负荷调度算法将多余的电能产量均匀分配至储能设备中；
若所述预测电能产量小于所述供电需求，确定不同备用电源的可用容量，或者其他电力网络的电力价格，通过电力负荷调度算法，以综合成本最低为目标，选择对应的备用电源或者从其他电力网络中获取电力。
示例性地，当预测电能产量大于供电需求时，这表示新能源系统产生了多余的电能，此时，电力负荷调度算法将决定将多余的电能产量存储到储能设备中，以便在未来需要时使用。
当预测电能产量小于供电需求时，这表示新能源系统的产能不足以满足需求。电力负荷调度算法将根据备用电源或其他电力网络的可用性，决定从备用电源或其他电力网络中获取额外的电能来满足需求。
示例性地，需要获取不同备用电源（如发电机、储能系统等）和其他电力网络的可用容量信息以及电力价格数据，为了评估不同选择的成本，需要建立成本模型。该模型考虑了不同备用电源和其他电力网络的运行成本，包括燃料成本、维护成本、启动成本等，同时，还需要考虑电力网络之间的输电损耗。将预测电能产量与供电需求进行比较，确定电力短缺量，将电力短缺量作为目标函数的一部分，建立一个成本最小化的优化问题。这个问题的决策变量是选择不同备用电源或其他电力网络的决策变量，以满足电力短缺量，同时，需要考虑各备用电源和电力网络的运行限制条件。
使用数学优化方法，如线性规划（LP）、整数规划（IP）或混合整数规划（MIP），求解上述优化问题，以找到最佳的备用电源组合或从其他电力网络中获取电力的方案，以实现成本最小化。根据优化结果，执行电力负荷调度，包括启动备用电源、与其他电力网络连接等操作，以确保供电需求得到满足，并且总成本最低。持续监测电力系统的运行，根据实际情况进行调整。如果出现不可预测的变化，可能需要重新进行优化来适应新的情况。
通过电力负荷调度算法，确保了电能供应可以根据实际需求进行有效调整，当电能产量大于需求时，将多余电能存储到储能设备中，提高了系统的可靠性，以备不时之需。通过综合考虑备用电源和其他电力网络的可用性、电力价格和成本，以综合成本最低为目标，选择最经济的电力来源，这有助于降低电力供应的成本，提高系统的经济性。通过均匀分配多余电能产量至储能设备中，以及选择成本最低的备用电源或其他电力网络，确保了能源资源的最优利用。电力负荷调度算法使系统更加灵活，能够适应电能产量和供电需求的变化。系统可以根据实际情况做出调整，以维持供电稳定性。通过有效的电力负荷调度，系统可以更多地依赖可再生能源和储能设备，减少对传统化石燃料电源的依赖，降低碳排放，推动可持续能源发展。
图2为本发明实施例新能源消纳能力风险管控系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于获取新能源系统中风能发电装置对应的第一发电信息，其中，所述第一发电信息包括风速信息、风向信息以及湍流信息中至少一种，以及太阳能发电装置对应的第二发电信息，其中，所述第二发电信息包括日照信息、温度信息以及天气信息中至少一种，
第二单元，用于将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；
第三单元，用于获取所述新能源系统在目标区域的历史供电需求，选取特定周期内的历史供电需求进行求平均，将平均供电需求作为所述目标区域的供电需求，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种新能源消纳能力风险管控方法，其特征在于，包括：
获取新能源系统中风能发电装置对应的第一发电信息，其中，所述第一发电信息包括风速信息、风向信息以及湍流信息中至少一种，以及太阳能发电装置对应的第二发电信息，其中，所述第二发电信息包括日照信息、温度信息以及天气信息中至少一种，
将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；
获取所述新能源系统在目标区域的历史供电需求，选取特定周期内的历史供电需求进行求平均，将平均供电需求作为所述目标区域的供电需求，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳；
通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征包括：
所述产能预测模型包括特征解码模块，所述特征解码模块包括正向时态子模块和反向时态子模块，其中，
所述正向时态子模块将所述新能源发电信息通过重置门以及更新门提取第一候选隐藏特征；
所述反向时态子模块采用与所述正向时态子模块相反的顺序处理所述新能源发电信息得到第二候选隐藏特征；
评估所述第一候选隐藏特征和所述第二候选隐藏特征的特征重要性，以及所述第一候选隐藏特征和所述第二候选隐藏特征的特征关联性，通过自适应权重分配算法分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值；
融合所述第一候选隐藏特征和所述第一权重值确定正向特征，融合所述第二候选隐藏特征以及所述第二权重值确定反向特征；
评估所述第一候选隐藏特征和所述第二候选隐藏特征的特征重要性，以及所述第一候选隐藏特征和所述第二候选隐藏特征的特征关联性，通过自适应权重分配算法分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值包括：
按照如下公式分别为所述第一候选隐藏特征和所述第二候选隐藏特征分配对应的第一权重值和第二权重值：
；
；
其中，Q1、Q2分别表示第一权重值和第二权重值，K表示候选隐藏特征的数量，W1、W2分别表示与第一候选隐藏特征对应的用于全局线性变换操作的第一权重矩阵以及与第二候选隐藏特征对应的用于全局线性变换操作的第二权重矩阵，H k1、H k2分别表示第k个第一候选隐藏特征和第k个第二候选隐藏特征，b1、b2分别表示第一偏置参数和第二偏置参数，I1、I2分别表示第一候选隐藏特征的特征重要性和第二候选隐藏特征的特征重要性，T、C分别表示任务需求因子、第一候选隐藏特征和第二候选隐藏特征的特征关联性；
所述方法还包括训练所述自编码器：
将预先获取的编码训练数据集，输入随机初始化后的待训练自编码器中，其中，待训练的自编码器包括编码器和解码器，所述编码器包括输入层和隐藏层，所述解码器包括隐藏层和输出层；
基于待训练自编码器的输出层的输出结果与编码训练数据集的偏差值，在待训练自编码器的损失函数中引入正则化约束和稀疏性约束，通过反向传播算法迭代优化待训练自编码器的损失函数，以使所述偏差值符合预设条件；
其中，待训练的自编码器的损失函数如下公式所示：
；
其中，LOSS表示损失值，N、M分别表示编码训练数据集样本数量和隐藏层神经元的数量，x i、y i分别表示第i个样本的编码训练数据和第i个样本对应的待训练自编码器的输出层的输出结果，r j表示第j个隐藏神经元对应的隐藏权重，h j表示第j个隐藏神经元的输出，KL ()表示散度损失函数，p t、p r分别表示理想的稀疏激活概率分布以及实际的激活概率分布；
基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量包括：
将降低维度后的正向特征和反向特征进行均值归一化，得到标准化特征，通过所述支持向量回归模型的核函数将所述标准化特征映射到高维空间；
确定映射到高维空间的标准化特征与预设超平面的空间距离，将所述空间距离作为初始预测值；
通过所述支持向量回归模型的核函数的逆操作，将所述标准化特征从高维空间映射回所述标准化特征的原始维度空间，并在所述初始预测值中叠加截距项作为预测电能产量。
2.根据权利要求1所述的方法，其特征在于，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳包括：
若所述预测电能产量大于所述供电需求，通过电力负荷调度算法将多余电能产量存储至储能设备；
若所述预测电能产量小于所述供电需求，通过电力负荷调度算法从备用电源或者其他电力网络中获取电力。
3.根据权利要求2所述的方法，其特征在于，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳还包括：
若所述预测电能产量大于所述供电需求，通过电力负荷调度算法将多余的电能产量均匀分配至储能设备中；
若所述预测电能产量小于所述供电需求，确定不同备用电源的可用容量，或者其他电力网络的电力价格，通过电力负荷调度算法，以综合成本最低为目标，选择对应的备用电源或者从其他电力网络中获取电力。
4.一种新能源消纳能力风险管控系统，用于实现前述权利要求1-3中任一项所述的新能源消纳能力风险管控方法，其特征在于，包括：
第一单元，用于获取新能源系统中风能发电装置对应的第一发电信息，其中，所述第一发电信息包括风速信息、风向信息以及湍流信息中至少一种，以及太阳能发电装置对应的第二发电信息，其中，所述第二发电信息包括日照信息、温度信息以及天气信息中至少一种，
第二单元，用于将所述第一发电信息和所述第二发电信息拼接为新能源发电信息，通过预设的产能预测模型分别提取所述新能源发电信息的正向特征和反向特征，并根据所述产能预测模型中的自编码器降低所述正向特征和所述反向特征的特征维度，基于所述产能预测模型中的支持向量回归模型对降低维度后的正向特征和反向特征进行特征回归，确定所述新能源系统的预测电能产量；
第三单元，用于获取所述新能源系统在目标区域的历史供电需求，选取特定周期内的历史供电需求进行求平均，将平均供电需求作为所述目标区域的供电需求，根据所述预测电能产量与所述供电需求的比较关系，通过电力负荷调度算法对所述预测电能产量进行消纳。
5.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至3中任意一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至3中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304889.8A CN117040030B (zh) | 2023-10-10 | 2023-10-10 | 新能源消纳能力风险管控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311304889.8A CN117040030B (zh) | 2023-10-10 | 2023-10-10 | 新能源消纳能力风险管控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117040030A CN117040030A (zh) | 2023-11-10 |
| CN117040030B true CN117040030B (zh) | 2024-04-02 |
Family
ID=88637744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311304889.8A Active CN117040030B (zh) | 2023-10-10 | 2023-10-10 | 新能源消纳能力风险管控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117040030B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118554549B (zh) * | 2024-07-25 | 2024-09-27 | 国网黑龙江省电力有限公司经济技术研究院 | 一种基于神经网络的分布式能源消纳方法及系统 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816095A (zh) * | 2019-01-14 | 2019-05-28 | 湖南大学 | 基于改进门控循环神经网络的网络流量预测方法 |
| JP2019091335A (ja) * | 2017-11-16 | 2019-06-13 | 株式会社東芝 | 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム |
| CN111507521A (zh) * | 2020-04-15 | 2020-08-07 | 北京智芯微电子科技有限公司 | 台区电力负荷预测方法及预测装置 |
| 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 |
| CN113269400A (zh) * | 2021-04-25 | 2021-08-17 | 贵州电网有限责任公司 | 一种基于历史运维信息的低压配电网设备状态评估方法 |
| CN114004346A (zh) * | 2021-08-17 | 2022-02-01 | 中国地质大学（武汉） | 基于门控堆叠同构自编码器的软测量建模方法及存储介质 |
| CN114169445A (zh) * | 2021-12-09 | 2022-03-11 | 河海大学 | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 |
| CN114648176A (zh) * | 2022-04-22 | 2022-06-21 | 天津大学 | 一种基于数据驱动的风光电源消纳优化方法 |
| CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
| CN115238592A (zh) * | 2022-08-12 | 2022-10-25 | 广西大学 | 一种多时距气象预测分布并行信赖策略优化发电控制方法 |
| CN115860215A (zh) * | 2022-11-29 | 2023-03-28 | 国网甘肃省电力公司电力科学研究院 | 一种光伏和风电发电功率预测方法及系统 |
| CN115912502A (zh) * | 2022-11-15 | 2023-04-04 | 国网浙江省电力有限公司经济技术研究院 | 一种智能电网运营优化方法及装置 |
| CN116307211A (zh) * | 2023-03-23 | 2023-06-23 | 西安热工研究院有限公司 | 一种风电消纳能力预测及优化方法及系统 |
| CN116542429A (zh) * | 2023-07-06 | 2023-08-04 | 中国石油大学(华东) | 一种融合时空特征的油藏生产指标机器学习预测方法 |
| CN116566050A (zh) * | 2023-05-09 | 2023-08-08 | 南昌市科迪电气设备有限公司 | 一种基于人工智能的综合配电管理系统 |
| CN116633816A (zh) * | 2023-05-30 | 2023-08-22 | 合肥正非数字科技有限公司 | 一种基于企业数字化的传媒展示终端安全监管预警系统 |
| CN116820050A (zh) * | 2023-06-30 | 2023-09-29 | 广西兵将自动化科技有限公司 | 一种基于工业互联网的生产线用自动控制系统 |
| CN116859857A (zh) * | 2023-07-31 | 2023-10-10 | 安徽中恒电喷系统有限公司 | 基于远程控制的燃油泵装配生产线智能管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934423B (zh) * | 2019-04-25 | 2020-04-21 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
-
2023
- 2023-10-10 CN CN202311304889.8A patent/CN117040030B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019091335A (ja) * | 2017-11-16 | 2019-06-13 | 株式会社東芝 | 発電量予測装置、発電量予測システム、発電量予測方法及び発電量予測プログラム |
| CN109816095A (zh) * | 2019-01-14 | 2019-05-28 | 湖南大学 | 基于改进门控循环神经网络的网络流量预测方法 |
| CN111507521A (zh) * | 2020-04-15 | 2020-08-07 | 北京智芯微电子科技有限公司 | 台区电力负荷预测方法及预测装置 |
| 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 |
| CN113269400A (zh) * | 2021-04-25 | 2021-08-17 | 贵州电网有限责任公司 | 一种基于历史运维信息的低压配电网设备状态评估方法 |
| CN114004346A (zh) * | 2021-08-17 | 2022-02-01 | 中国地质大学（武汉） | 基于门控堆叠同构自编码器的软测量建模方法及存储介质 |
| CN114169445A (zh) * | 2021-12-09 | 2022-03-11 | 河海大学 | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 |
| CN114648176A (zh) * | 2022-04-22 | 2022-06-21 | 天津大学 | 一种基于数据驱动的风光电源消纳优化方法 |
| CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
| CN115238592A (zh) * | 2022-08-12 | 2022-10-25 | 广西大学 | 一种多时距气象预测分布并行信赖策略优化发电控制方法 |
| CN115912502A (zh) * | 2022-11-15 | 2023-04-04 | 国网浙江省电力有限公司经济技术研究院 | 一种智能电网运营优化方法及装置 |
| CN115860215A (zh) * | 2022-11-29 | 2023-03-28 | 国网甘肃省电力公司电力科学研究院 | 一种光伏和风电发电功率预测方法及系统 |
| CN116307211A (zh) * | 2023-03-23 | 2023-06-23 | 西安热工研究院有限公司 | 一种风电消纳能力预测及优化方法及系统 |
| CN116566050A (zh) * | 2023-05-09 | 2023-08-08 | 南昌市科迪电气设备有限公司 | 一种基于人工智能的综合配电管理系统 |
| CN116633816A (zh) * | 2023-05-30 | 2023-08-22 | 合肥正非数字科技有限公司 | 一种基于企业数字化的传媒展示终端安全监管预警系统 |
| CN116820050A (zh) * | 2023-06-30 | 2023-09-29 | 广西兵将自动化科技有限公司 | 一种基于工业互联网的生产线用自动控制系统 |
| CN116542429A (zh) * | 2023-07-06 | 2023-08-04 | 中国石油大学(华东) | 一种融合时空特征的油藏生产指标机器学习预测方法 |
| CN116859857A (zh) * | 2023-07-31 | 2023-10-10 | 安徽中恒电喷系统有限公司 | 基于远程控制的燃油泵装配生产线智能管理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于人工智能的安全态势预测技术研究综述;肖喜生;龙春;彭凯飞;魏金侠;赵静;冯伟华;陈瑞;;信息安全研究(第06期);全文 * |
| 基于门控循环单元神经网络的储层孔渗饱参数预测;王俊;曹俊兴;尤加春;刘杰;周欣;;石油物探(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117040030A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Reinforcement learning in sustainable energy and electric systems: A survey | |
| Zhu et al. | Short-term stochastic optimization of a hydro-wind-photovoltaic hybrid system under multiple uncertainties | |
| Shams et al. | Artificial intelligence-based prediction and analysis of the oversupply of wind and solar energy in power systems | |
| Ahmed et al. | Computationally expedient Photovoltaic power Forecasting: A LSTM ensemble method augmented with adaptive weighting and data segmentation technique | |
| Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
| Dolatabadi et al. | A novel model-free deep reinforcement learning framework for energy management of a PV integrated energy hub | |
| CN117040030B (zh) | 新能源消纳能力风险管控方法及系统 | |
| Ajagekar et al. | Deep reinforcement learning based unit commitment scheduling under load and wind power uncertainty | |
| Yang et al. | LSTM auto‐encoder based representative scenario generation method for hybrid hydro‐PV power system | |
| Fan et al. | Spatial-temporal genetic-based attention networks for short-term photovoltaic power forecasting | |
| Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
| Dogan et al. | A review on machine learning models in forecasting of virtual power plant uncertainties | |
| Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
| Wu et al. | Explainable temporal dependence in multi-step wind power forecast via decomposition based chain echo state networks | |
| Wang et al. | Grid load forecasting based on dual attention BiGRU and DILATE loss function | |
| Liao et al. | Scenario prediction for power loads using a pixel convolutional neural network and an optimization strategy | |
| Tuyen et al. | A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting | |
| Khan et al. | DSPM: Dual sequence prediction model for efficient energy management in micro-grid | |
| Liu et al. | Embedded scenario clustering for wind and photovoltaic power, and load based on multi-head self-attention | |
| Shi et al. | Rolling horizon wind-thermal unit commitment optimization based on deep reinforcement learning | |
| Pellegrini | Short-term load demand forecasting in Smart Grids using support vector regression | |
| Yu et al. | An integrated AMPSO-CLSTM model for photovoltaic power generation prediction | |
| Zhang et al. | Ultra-short-term photovoltaic power prediction based on similar day clustering and temporal convolutional network with bidirectional long short-term memory model: A case study using DKASC data | |
| Dahal et al. | Improved load and generation forecasting for extended day-ahead estimates in the Nordic grid | |
| Mahin et al. | Advanced Forecasting of Wind Energy Generation Through Integration of AE-CLSTM |
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 |