CN117408535B - 一种基于深度学习的新能源爬坡事件滚动预警方法及系统 - Google Patents
一种基于深度学习的新能源爬坡事件滚动预警方法及系统 Download PDFInfo
- Publication number
- CN117408535B CN117408535B CN202311722745.4A CN202311722745A CN117408535B CN 117408535 B CN117408535 B CN 117408535B CN 202311722745 A CN202311722745 A CN 202311722745A CN 117408535 B CN117408535 B CN 117408535B
- Authority
- CN
- China
- Prior art keywords
- power
- early warning
- new energy
- prediction
- lstm
- 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 64
- 238000005096 rolling process Methods 0.000 title claims abstract description 44
- 230000009194 climbing Effects 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000035945 sensitivity Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 43
- 230000005540 biological transmission Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 22
- 238000010248 power generation Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000004146 energy storage Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 2
- 238000012216 screening Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000014509 gene expression Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- H02J3/004—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明为了解决现有新能源爬坡事件预警中没有考虑区域间联络线的调节能力以及新能源出力和负荷功率时序相关性的问题,提出了一种基于深度学习的新能源爬坡事件滚动预警方法及系统,基于区域间联络线对新能源出力的灵敏度对联络线进行筛选,得到区域关键联络线;采用LSTM预测模型充分挖掘时间序列的隐藏关系,确定区域间关键联络线调节能力;通过预测不同时间尺度的关键联络线功率的LSTM预测模型,结合新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态根据控制代价计算进行分时段分级预测,确保分时段分级预警准确性,避免了时域仿真,计算快速。
Description
技术领域
本发明属于电网预警技术领域,尤其涉及一种基于深度学习的新能源爬坡事件滚动预警方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
新能源并网容量不断增大,其在极端天气的影响下可能出现短时间内功率大幅度下降现象,称之为“爬坡事件”。这种爬坡事件发生后可能会造成系统出现严重的功率不平衡,进而导致频率明显下降,甚至导致大规模负荷切除,严重威胁电网的安全、稳定和经济运行。特别是对于包含大规模风光储发电基地的区域电网,其受新能源爬坡事件的影响尤为严重。因此,有必要建立新能源爬坡事件的预警体系,在爬坡事件发生之前对爬坡事件准确预警,为后续的功率控制措施提供重要决策信息,提高电力系统对新能源爬坡事件的应对能力。
针对新能源爬坡事件预警的问题,目前主要有基于严重度函数的预警方法、基于系统频率偏差量的预警方法以及基于控制代价的预警方法三种类型。在基于严重度函数的预警方法中,所设严重度函数的类型和参数由调度运行人员主观设定,其预警结果物理意义不直观明确;在基于系统频率偏差量的预警方法中,一方面系统频率偏差量指标对临界风险点描述能力欠缺,另一方面,该指标对后续预防控制无法提供有价值的决策信息;在基于控制代价的预警方法中,首先分析各种功率控制措施的控制代价,然后计算保证电网安全运行所需要的功率控制措施,按其控制代价进行分级预警,既有明确的物理意义,又可以为调度员决策提供参考。
发明人发现,区域间联络线和储能装置的功率调节能力是电网的重要调控措施,然而现有的基于控制代价预警方法的分级策略中没有包含这两种措施;而且新能源出力和负荷功率有很强的时序相关性,现有预警方法也没有利用这一点。
发明内容
为克服上述现有技术的不足,本发明提供了一种基于深度学习的新能源爬坡事件滚动预警方法及系统,基于长短期记忆网络深度学习技术,能够充分挖掘连续时间序列的隐含关系;基于控制代价的分级预警结果能够更全面反应系统运行状态的安全性,并为调度决策提供有效的指导信息。
为实现上述目的,本发明的第一个方面提供一种基于深度学习的新能源爬坡事件滚动预警方法,包括:
构建不同时间尺度的关键联络线预测功率的LSTM预测模型,以所获取的历史电网数据作为训练样本对所构建LSTM预测模型进行训练,得到训练好的LSTM预测模型;其中,基于区域内联络线对新能源出力变化的灵敏度确定关键联络线;
获取区域内电网实际运行数据,基于训练好的不同时间尺度的LSTM预测模型得到不同时间尺度的关键联络线预测功率,计算不同时间尺度的关键联络线的功率可调量;
根据不同时间尺度的关键联络线预测功率可调量,对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态,根据控制代价计算满足电网平衡的功率控制措施类型;
根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果。
本发明的第二个方面提供一种基于深度学习的新能源爬坡事件滚动预警系统,包括:
预测模型训练模块,其被配置为:构建不同时间尺度的关键联络线预测功率的LSTM预测模型,以所获取的历史电网数据作为训练样本对所构建LSTM预测模型进行训练,得到训练好的LSTM预测模型;其中,基于区域内联络线对新能源出力的灵敏度确定关键联络线;
功率预测模块,其被配置为:获取区域内实时电网数据,基于训练好的不同时间尺度的LSTM预测模型得到不同时间尺度的关键联络线预测功率,计算不同时间尺度的关键联络线的功率可调量;
控制代价计算模块,其被配置为:根据不同时间尺度的关键联络线预测功率可调量,对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态,根据控制代价计算满足电网平衡的功率控制措施类型;
分级预警模块,其被配置为:根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果。
本发明的第三个方面提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行一种基于深度学习的新能源爬坡事件滚动预警方法。
本发明的第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行一种基于深度学习的新能源爬坡事件滚动预警方法。
以上一个或多个技术方案存在以下有益效果:
在本发明中,基于区域间联络线对新能源出力的灵敏度对联络线进行筛选,得到区域关键联络线;采用LSTM预测模型充分挖掘时间序列的隐藏关系,确定区域间关键联络线调节能力;通过预测不同时间尺度的关键联络线功率的LSTM预测模型,结合新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态根据控制代价计算进行分时段分级预测,确保分时段分级预警准确性,在线应用时避免了时域仿真,计算快速,预警更为准确。
在本发明中,引入了隶属度函数和双输入、三输入模糊规则,既利用客观数据进行分析,又考虑了调度人员的主观经验。
在本发明中,相比原有基于控制代价的预警方法,加入了储能和联络线的调控措施,提出了分时段分级预警体系,能够更全面反映系统的运行危险程度,并且具有明确的物理意义,为调度决策提供有效的信息。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一提供的一种基于深度学习和模糊规则的新能源爬坡事件滚动预警方法流程图;
图2(a)为本发明实施例一中LSTM模型样本输入、输出示意图;
图2(b)为本发明实施例一中LSTM模型训练示意图;
图3为本发明实施例一中基于控制代价的分级预警计算流程图;
图4(a)为本发明实施例一中功率控制措施隶属度函数图;
图4(b)为本发明实施例一中隶属度函数第一梯形型函数表达式示意图;
图4(c)为本发明实施例一中隶属度函数第二梯形型函数-第四梯形函数表达式示意图;
图4(d)为本发明实施例一中隶属度函数第五梯形型函数表达式示意图
图5为本发明实施例一中模糊规则应用示意图;
图6为本发明实施例一中滚动更新预警结果示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供一种基于深度学习的新能源爬坡事件滚动预警方法,包括:
构建不同时间尺度的关键联络线预测功率的LSTM预测模型,以所获取的历史电网数据作为训练样本对所构建LSTM预测模型进行训练,得到训练好的LSTM预测模型;其中,基于区域内联络线对新能源出力变化的灵敏度确定关键联络线;
获取区域内电网实际运行数据,基于训练好的不同时间尺度的LSTM预测模型得到不同时间尺度的关键联络线预测功率,计算不同时间尺度的关键联络线的功率可调量;
根据不同时间尺度的关键联络线预测功率可调量,对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态,根据控制代价计算满足电网平衡的功率控制措施类型;
根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果。
本实施例提出的一种基于深度学习的新能源爬坡事件滚动预警方法的整体思路为:基于电网运行方式和潮流计算,筛选出区域间关键联络线;基于新能源出力、负荷功率和联络线功率历史时间序列,生成联络线功率预测模型的训练样本;基于LSTM建立联络线调节能力预测模型;基于新能源出力、电网负荷功率的实际运行历史数据和预测数据,以及区域内功率控制措施的运行状态,计算为保证系统安全稳定运行所需要的功率控制措施,依据控制代价分级预警;滚动更新预警结果,实现滚动预警。基于长短期记忆网络深度学习技术,能够充分挖掘连续时间序列的隐含关系;基于控制代价的分级预警结果能够更全面反映系统运行状态的安全性,并为调度决策提供有效的指导信息。
如图1所示,本实施例提供一种基于深度学习的新能源爬坡事件滚动预警方法,具体步骤包括:
步骤1:基于预警区域的电网运行方式和区域间联络线信息,利用潮流计算筛选出对于区域内新能源出力变化灵敏度高的关键联络线;
步骤2:获取不同季节的新能源发电、负荷和区域联络线的历史功率时间序列作为原始样本集,并构建训练样本;
步骤3:基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型,利用样本集数据对预测模型进行离线训练;
步骤4:在线应用时,获取当前时刻及之前一段时间的新能源出力、电网负荷功率以及联络线功率的实际值,基于预测模型得到不同预测时间尺度的联络线功率可调量;
步骤5:基于训练后的LSTM预测模型预测结果、新能源出力和电网负荷功率的预测信息以及区域内功率控制措施的运行状态,计算满足电网功率平衡所需的功率控制措施类型;根据控制代价划分预警等级,应用模糊规则,对爬坡事件进行分级预警;
步骤6:针对不同的预警时间尺度,滚动获取相应预测模型所需的历史数据、负荷功率和新能源出力的最新预测信息以及最新功率控制措施运行状态信息,更新预警结果,实现滚动预警。
在本实施例步骤1中,获取区域电网的运行方式、发电机、负荷等信息,建立潮流计算工程,并对跨区域联络线进行编号。在潮流计算工程中,将新能源出力调至装机容量的70%,经潮流计算得到各联络线的初始功率,然后分两次降低20%新能源出力,经过潮流计算得到的结果分别记为、,N为联络线个数,依据灵敏度计算公式,筛选出灵敏度高的关键联络线。
本实施例中,第i条联络线灵敏度β j(i)表示为:
(1)
其中,j为调整次数,L j(i)为第j次调整后第i条联络线上的功率,L j_abs为第j次调整后,所有联络线输入功率总的变化量绝对值。
在本实施例中步骤2中,获取不同季节的新能源发电如风力发电和光伏发电、电网负荷和关键联络线的历史功率时间序列作为原始样本集,为了消除数据量纲的影响,对样本中的数据进行归一化处理,并依据设定模型更新周期更新原始样本集数据。
具体的,采用Z-score归一化处理,表达式如下:
(2)
其中,x *为归一化后的样本数据,x为样本数据的实际值,为样本数据均值,为样本数据标准差。
在本实施例步骤3中,考虑到新能源发电、电网负荷以及联络线功率时间序列均具有较强的非线性,前后时刻有很强的关联,采用LSTM作为预测模型,可以充分发挥其处理时间序列独特优势,进而提高预测准确性。
基于LSTM建立不同预测时间尺度的关键联络线功率预测模型,并进行离线训练。模型构建及离线训练方法为:以15min为步长,分别建立预测时间尺度为15min、30min、1h和2h的双层LSTM模型,预测时间尺度是预测模型预所能预测数据的时间长度,训练过程中,根据误差不断调整每层LSTM神经单元数量以及迭代次数,为了防止过拟合,每层神经单元的数量从小到大进行调节。
如图2(a)-图2(b)所示,LSTM模型样本输入和输出,具体训练过程如下:
步骤3-1:将经过归一化处理的样本集,n为样本个数,60%作为训练集,40%作为测试集。将样本集数据划分特征和标签,不同预测模型按照各自预测步长将数据切片,用作训练模型的输入输出。这里特征和标签分别表示一个样本的输入数据和预测输出数据。以15min预测模型为例,第一个训练样本的特征包括前10个时间点的新能源出力、负荷功率和关键联络线功率数据,其标签为第11个时间点的关键联络线功率。
步骤3-2:分别对4个LSTM预测模型进行建模,设定双层LSTM模型的神经单元数量、迭代数以及全连接层数。
步骤3-3:选取激活函数和损失函数;
具体地,激活函数选取线性整流函数,定义为:
(3)
其中,y表示来自上一层神经网络的输入量,w为第一参数,b为第二参数,T表示转置。
具体地,损失函数选择平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对值误差(Mean Absolute Error, MAE)和均方根误差(Root Mean SquareError, RMSE),对预测精度进行考量,各误差表达式为:
(4)
(5)
(6)
其中,A表示测量值,E表示真实值,n为样本个数。
在本实施例步骤4中,使用训练好的关键联络线功率预测模型,基于当前时刻已知的数据,确定联络线的功率调节能力。
具体的,确定联络线的功率调节能力流程包括:
步骤4-1:根据4个预测模型输入时间尺度的要求,获取当前时刻及之前新能源出力、电网负荷功率以及关键联络线功率的实际值,经归一化后作为各预测模型的输入,得到不同预测时间尺度的关键联络线功率预测值。
步骤4-2:将预测数据进行逆变换处理,得到带有量纲的数据,判断每条联络线的功率是否满足最大传输功率约束条件,若达到上限,则该联络线无功率调节能力,之后的调节过程中维持最大传输功率不变,不再考虑此联络线的调节能力。
步骤4-3:将未达到功率传输上限的联络线的功率预测值与最大传输功率上限作差,得到最大可调功率,结合其最大功率变化率约束,得到每条联络线在预测时间段内所能提供的最大功率可调量。
具体地,联络线约束条件如下:
(7)
其中,t表示一个时间段的起始时刻,P L_max为联络线最大传输功率,R L为联络线功率最大变化率。
在本实施例步骤5中,基于控制代价的分级预警流程图如图3所示,对爬坡事件进行分级预警过程为:
步骤5-1:获取新能源出力和电网负荷功率的预测信息,用净负荷表示区域内电网有功功率的缺额,计算出每个步长的净负荷相对于当前时刻的变化值,净负荷P net表示为:
(8)
其中,P load为电网的负荷功率,P wind为风力发电的功率,P PV为光伏发电的功率。
步骤5-2:获取区域内功率控制措施的运行信息,根据每种控制措施的运行约束条件得到自动调节系统(例如自动发电控制系统)、常规火电机组和储能系统的功率可调控范围,再结合所述步骤4中得到的区域间关键联络线的可调功率,即可确定各功率控制措施的调节能力。
步骤5-3:基于控制代价划分预警等级,具体为:
无需预警(0级):仅靠自动调节即可完成调控;
1级预警:需要区域内的常规火电机组功率调度;
2级预警:需要区域内的储能装置功率调度;
3级预警:需要跨区域的联络线功率调度;
4级预警:需要负荷管理。
步骤5-4:步骤5-3所划分的5个等级分别对应下面的5个隶属度函数,功率控制措施隶属度函数如图4(a)-图4(d)所示,采用指派法中的梯形型函数,表达式分别具体如下:
如图4(b),第一个梯形函数表达式:
如图4(c)所示,第二、第三和第四个梯形函数表达式:
如图4(d)所示,第五个梯形函数表达式:
其中,a为左分点,b和c为转折点,d为右分点;x为隶属度函数输入量即在本实施例中为各时段电网功率缺额。
具体地,预警等级越大,则系统面临的风险越高,为了更好地保证系统安全稳定运行,风险程度越高,越要保证所采取功率控制措施的功率调节余量。陡窄的隶属度函数能提高系统的灵敏度,因此隶属度函数中每个梯形函数左分点取对应功率控制措施的功率可调量20%不变,上述第一梯形函数至第四梯形函数的右分点依次为18%、16%、14%、12%,转折点均取15%。
基于步骤5-1得到的不同时间尺度的净负荷,以15min为间隔计算每个时间间隔内净负荷的变化量,从而得到每个时间间隔内满足电网功率平衡所需的功率调节量,可以表示为:
其中,t表示一个时间段的起始时刻,为一个时间间隔。
基于步骤5-2得到的各控制措施的功率调节范围,将每个时间间隔内满足电网功率平衡所需的功率调节量代入隶属度函数,按照最大隶属度原则划分预警等级。
步骤5-5:如图5所示,基于预测时长为30min、1h和2h的预测模型各时间间隔内的分级预警结果,前30min和30-60min分别用三输入和双输入模糊规则得到预警结果,1h-2h采用2h预测模型得到的预警结果。
需要说明的是,预警流程就是根据联络线功率预测模型即LSTM预测模型,本实施例采用4个不同预测时间尺度的预测模型来确定各时段联络线功率可调量,同时根据区域内其他功率控制措施的功率可调量和区域内电网功率的缺额来进行预警。
用到四个不同预测时间尺度的LSTM预测模型,以15min为时间间隔,那么提到的30min、1h、2h的预测模型结果均包含前30min(两个时间间隔的结果),即前30min有三个输出;同样30min-60min(第三和第四个时间间隔)1h和2h的预测模型包含这两个时间间隔的预警结果,即30min-60min有两个输出;1h-2h那就一个输出了。
具体的,前30min采用三输入模糊规则得到预警结果,三输入分别是时间尺度为30min的LSTM预测模型输出的对应时段的预警结果、时间尺度为1h的LSTM预测模型输出的对应时段的预警结果和时间尺度为2h的LSTM预测模型输出的对应时段的预警结果;30min-60min采用两输入模糊规则得到预警结果,两输入分别是时间尺度为1h的LSTM预测模型输出的对应时段的预警结果和时间尺度为2h的LSTM预测模型输出的对应时段的预警结果;1h-2h采用时间尺度为2h的LSTM预测模型输出的对应时段的预警结果。
步骤5-6:将步骤5-5得到的15min分级预警结果用15min的预测模型进行校验和修正。基于15min源荷实际运行信息和预测信息以及区域内各功率控制措施的运行状态信息,根据15min预测模型得到未来15min的爬坡事件风险等级,然后对步骤5-5得到的15min分级结果进行校验,如果分级结果出现误差,则以15min预测模型得到的结果为准对原有分级结果进行修正。
模糊规则的基本原理为,当任一输入量增大时,输出量随之增大。具体地,模糊规则输入1、2、3分别取30min、1h、2h的对应时段预警结果,预测时间越短,预测的准确度相对越高,因此三输入模糊规则设定如表I~表Ⅴ所示,双输入模糊规则如表Ⅵ所示。
表Ⅰ:
表Ⅱ:
表Ⅲ:
表Ⅳ:
表Ⅴ:
表Ⅵ:
在本实施例步骤6中,预警结果滚动更新的示意图如图6所示,滚动预警流程为:
步骤6-1:当预测模型输入数据、新能源出力和负荷功率预测信息更新后,获取最新的数据信息和功率控制措施运行状态信息。
步骤6-2:基于最新的信息,计算每个预测模型下的预警分级结果,进而依据模糊规则更新分级预警结果。
步骤6-3:对15min的分级预警结果进行校验和修正,输出更新后的分级预警结果,等待下次信息更新。
电力系统在运行过程中,其新能源出力、负荷功率的实际功率和预测功率信息每隔一定时间会更新一次,可用的功率调节措施的运行状态也会不断地变化。负荷功率和新能源出力的预测时间越长,误差越大,滚动更新预测结果,可以提高预测精准度。本实施例基于最新的预测模型输入数据、新能源出力和负荷功率预测数据以及功率控制措施运行状态信息,对原有的预警结果进行更新,实现滚动预警。
本发明的主要创新点在于基于区域间联络线相对控制目标的灵敏度对联络线进行筛选,采用LSTM模型充分挖掘时间序列的隐藏关系,确定区域间关键联络线调节能力,并结合提出的隶属度函数和模糊规则对区域内新能源爬坡事件进行滚动分级预警。
本发明考虑了区域间联络线的容量约束和爬坡率约束,并将此措施与储能装置加入分级策略中,增加了预警分级结果的合理性。
本发明基于LSTM深度学习技术建立4个不同预测时间尺度的联络线功率预测模型,由长时间尺度预警结果初步警示,再结合短时间尺度预警结果综合预警,并由15min预测模型对未来15min的分级结果进行校验,确保分级预警准确性;在线应用时避免了时域仿真,计算快速。
本发明引入了隶属度函数和双输入、三输入模糊规则,既利用客观数据进行分析,又考虑了调度人员的主观经验。
本发明相比原有基于控制代价的预警方法,加入了储能和联络线的调控措施,提出了分时段分级预警体系,能够更全面反映系统的运行危险程度,并且具有明确的物理意义,为调度决策提供有效的信息。
实施例二
本实施例的目的是提供一种基于深度学习的新能源爬坡事件滚动预警系统,包括:
预测模型训练模块,其被配置为:构建不同时间尺度的关键联络线预测功率的LSTM预测模型,以所获取的历史电网数据作为训练样本对所构建LSTM预测模型进行训练,得到训练好的LSTM预测模型;其中,基于区域内联络线对新能源出力的灵敏度确定关键联络线;
功率预测模块,其被配置为:获取区域内实时电网数据,基于训练好的不同时间尺度的LSTM预测模型得到不同时间尺度的关键联络线预测功率,计算不同时间尺度的关键联络线的功率可调量;
控制代价计算模块,其被配置为:根据不同时间尺度的关键联络线预测功率可调量,对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态,根据控制代价计算满足电网平衡的功率控制措施类型;
分级预警模块,其被配置为:根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果。
在本实施例的预测模型训练模块中,基于预警区域的电网运行方式和区域间联络线信息,利用潮流计算筛选出对于区域内新能源出力变化灵敏度高的关键联络线;获取不同季节的新能源发电、负荷和区域联络线的历史功率时间序列作为原始样本集,并构建训练样本;基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型,利用样本集数据对预测模型进行离线训练。
具体的,获取区域电网的运行方式、发电机、负荷等信息,建立潮流计算工程,并对跨区域联络线进行编号。在潮流计算工程中,将新能源出力调至装机容量的70%,经潮流计算得到各联络线的初始功率,然后分两次降低20%新能源出力,经过潮流计算得到的结果分别记为、,依据灵敏度计算公式,筛选出灵敏度高的关键联络线。
本实施例中,第i条联络线灵敏度β j(i)表示为:
其中,j为调整次数,L j(i)为第j次调整后第i条联络线上的功率,L j_abs为第j次调整后,所有联络线输入功率总的变化量绝对值。
获取不同季节的新能源发电如风力发电和光伏发电、电网负荷和关键联络线的历史功率时间序列作为原始样本集,为了消除数据量纲的影响,对样本中的数据进行归一化处理,并依据设定模型更新周期更新原始样本集数据。
具体的,采用Z-score归一化处理,表达式如下:
其中,x *为归一化后的样本数据,x为样本数据的实际值,为样本数据均值,为样本数据标准差。
考虑到新能源发电、电网负荷以及联络线功率时间序列均具有较强的非线性,前后时刻有很强的关联,采用LSTM作为预测模型,可以充分发挥其处理时间序列独特优势,进而提高预测准确性。
基于LSTM建立不同预测时间尺度的关键联络线功率预测模型,并进行离线训练。模型构建及离线训练方法为:以15min为步长,分别建立预测时间尺度为15min、30min、1h和2h的双层LSTM模型,预测时间尺度是预测模型预所能预测数据的时间长度,训练过程中,根据误差不断调整每层LSTM神经单元数量以及迭代次数,为了防止过拟合,每层神经单元的数量从小到大进行调节。
LSTM模型的具体训练过程如下:
将经过归一化处理的样本集,60%作为训练集,40%作为测试集。将样本集数据划分特征和标签,不同预测模型按照各自预测步长将数据切片,用作训练模型的输入输出。这里特征和标签分别表示一个样本的输入数据和预测输出数据。以15min预测模型为例,第一个训练样本的特征包括前10个时间点的新能源出力、负荷功率和关键联络线功率数据,其标签为第11个时间点的关键联络线功率。
分别对4个LSTM预测模型进行建模,设定双层LSTM模型的神经单元数量、迭代数以及全连接层数。
选取激活函数和损失函数;
具体地,激活函数选取线性整流函数,定义为:
其中,y表示来自上一层神经网络的输入量。
具体地,损失函数选择平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对值误差(Mean Absolute Error, MAE)和均方根误差(Root Mean SquareError, RMSE),对预测精度进行考量,各误差表达式为:
其中,A表示测量值,E表示真实值。
使用训练好的关键联络线功率预测模型,基于当前时刻已知的数据,确定联络线的功率调节能力。
在本实施例功率预测模块中,确定联络线的功率调节能力流程包括:
根据4个预测模型输入时间尺度的要求,获取当前时刻及之前新能源出力、电网负荷功率以及关键联络线功率的实际值,经归一化后作为各预测模型的输入,得到不同预测时间尺度的关键联络线功率预测值。
将预测数据进行逆变换处理,得到带有量纲的数据,判断每条联络线的功率是否满足最大传输功率约束条件,若达到上限,则该联络线无功率调节能力,之后的调节过程中维持最大传输功率不变,不再考虑此联络线的调节能力。
将未达到功率传输上限的联络线的功率预测值与最大传输功率上限作差,得到最大可调功率,结合其最大功率变化率约束,得到每条联络线在预测时间段内所能提供的最大功率可调量。
具体地,联络线约束条件如下:
其中,P L_max为联络线最大传输功率,R L为联络线功率最大变化率。
在本实施例控制代价计算模块中,基于控制代价的分级预警过程为:
获取新能源出力和电网负荷功率的预测信息,用净负荷表示区域内电网有功功率的缺额,计算出每个步长的净负荷相对于当前时刻的变化值,净负荷P net表示为:
其中,P load为电网的负荷功率,P wind为风力发电的功率,P PV为光伏发电的功率。
获取区域内功率控制措施的运行信息,根据每种控制措施的运行约束条件得到自动调节系统(例如自动发电控制系统)、常规火电机组和储能系统的功率可调控范围,再结合上述得到的区域间关键联络线的可调功率,即可确定各功率控制措施的调节能力。
基于控制代价划分预警等级,具体为:
无需预警(0级):仅靠自动调节即可完成调控;
1级预警:需要区域内的常规火电机组功率调度;
2级预警:需要区域内的储能装置功率调度;
3级预警:需要跨区域的联络线功率调度;
4级预警:需要负荷管理。
控制代价所划分的5个等级分别对应下面的5个隶属度函数,功率控制措施隶属度函数如图4(a)-图4(d)所示,采用指派法中的梯形型函数,表达式分别具体如下:
第一个梯形函数表达式:
第二、第三和第四个梯形函数表达式:
第五个梯形函数表达式:
其中,a为左分点,b和c为转折点,d为右分点;x为隶属度函数输入量即在本实施例中为各时段电网功率缺额。
具体地,预警等级越大,则系统面临的风险越高,为了更好地保证系统安全稳定运行,风险程度越高,越要保证所采取功率控制措施的功率调节余量。陡窄的隶属度函数能提高系统的灵敏度,因此隶属度函数中每个梯形函数左分点取对应功率控制措施的功率可调量20%不变,上述第一梯形函数至第四梯形函数的右分点依次为18%、16%、14%、12%,转折点均取15%。
基于得到的不同时间尺度的净负荷,以15min为间隔计算每个时间间隔内净负荷的变化量,从而得到每个时间间隔内满足电网功率平衡所需的功率调节量,可以表示为:
其中,t表示一个时间段的起始时刻,为一个时间间隔。
基于得到的各控制措施的功率调节范围,将每个时间间隔内满足电网功率平衡所需的功率调节量代入隶属度函数,按照最大隶属度原则划分预警等级。
在本实施例分级预警模块中,基于预测时长为30min、1h和2h的预测模型各时间间隔内的分级预警结果,前30min和30-60min分别用三输入和双输入模糊规则得到预警结果,1h-2h采用2h预测模型得到的预警结果。
需要说明的是,预警流程就是根据联络线功率预测模型即LSTM预测模型,本实施例采用4个不同预测时间尺度的预测模型来确定各时段联络线功率可调量,同时根据区域内其他功率控制措施的功率可调量和区域内电网功率的缺额来进行预警。
用到四个不同预测时间尺度的LSTM预测模型,以15min为时间间隔,那么提到的30min、1h、2h的预测模型结果均包含前30min(两个时间间隔的结果),即前30min有三个输出;同样30min-60min(第三和第四个时间间隔)1h和2h的预测模型包含这两个时间间隔的预警结果,即30min-60min有两个输出;1h-2h那就一个输出了。
具体的,前30min采用三输入模糊规则得到预警结果,三输入分别是时间尺度为30min的LSTM预测模型输出的对应时段的预警结果、时间尺度为1h的LSTM预测模型输出的对应时段的预警结果和时间尺度为2h的LSTM预测模型输出的对应时段的预警结果;30min-60min采用两输入模糊规则得到预警结果,两输入分别是时间尺度为1h的LSTM预测模型输出的对应时段的预警结果和时间尺度为2h的LSTM预测模型输出的对应时段的预警结果;1h-2h采用时间尺度为2h的LSTM预测模型输出的对应时段的预警结果。
将得到的15min分级预警结果用15min的预测模型进行校验和修正。基于15min源荷实际运行信息和预测信息以及区域内各功率控制措施的运行状态信息,根据15min预测模型得到未来15min的爬坡事件风险等级,然后对步骤5-5得到的15min分级结果进行校验,如果分级结果出现误差,则以15min预测模型得到的结果为准对原有分级结果进行修正。
模糊规则的基本原理为,当任一输入量增大时,输出量随之增大。具体地,模糊规则输入1、2、3分别取30min、1h、2h的对应时段预警结果,预测时间越短,预测的准确度相对越高,因此三输入模糊规则设定如表I~表Ⅴ所示,双输入模糊规则如表Ⅵ所示。
表Ⅰ:
表Ⅱ:
表Ⅲ:
表Ⅳ:
表Ⅴ:
表Ⅵ:
本实施例还包括滚动更新模块,具体包括:
当预测模型输入数据、新能源出力和负荷功率预测信息更新后,获取最新的数据信息和功率控制措施运行状态信息。
基于最新的信息,计算每个预测模型下的预警分级结果,进而依据模糊规则更新分级预警结果。
对15min的分级预警结果进行校验和修正,输出更新后的分级预警结果,等待下次信息更新。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于深度学习的新能源爬坡事件滚动预警方法,其特征在于,包括:
构建不同时间尺度的关键联络线预测功率的LSTM预测模型,以所获取的历史电网数据作为训练样本对所构建LSTM预测模型进行训练,得到训练好的LSTM预测模型;其中,基于区域内联络线对新能源出力变化的灵敏度确定关键联络线;
获取区域内电网实际运行数据,基于训练好的不同时间尺度的LSTM预测模型得到不同时间尺度的关键联络线预测功率,计算不同时间尺度的关键联络线的功率可调量;
根据不同时间尺度的关键联络线预测功率可调量,对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态,根据控制代价计算满足电网平衡的功率控制措施类型;
根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果;
所述一种基于深度学习的新能源爬坡事件滚动预警方法,具体步骤为:
步骤1:基于预警区域的电网运行方式和区域间联络线信息,利用潮流计算筛选出对于区域内新能源出力变化灵敏度高的关键联络线;
步骤2:获取不同季节的新能源发电、负荷和区域联络线的历史功率时间序列作为原始样本集,对原始样本集进行归一化处理,并构建训练样本;
步骤3:基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型,利用样本集数据对预测模型进行离线训练;
步骤4:在线应用时,获取当前时刻及之前一段时间的新能源出力、电网负荷功率以及联络线功率的实际值,基于预测模型得到不同预测时间尺度的联络线功率预测值;将预测值进行逆变换处理,得到带有量纲的数据,判断每条联络线的功率是否满足最大传输功率约束条件,若达到上限,则该联络线无功率调节能力,之后的调节过程中维持最大传输功率不变,不再考虑此联络线的调节能力;将未达到功率传输上限的联络线的功率预测值与最大传输功率上限作差,得到最大可调功率,结合其最大功率变化率约束,得到每条联络线在预测时间段内所能提供的最大功率可调量;
步骤5:基于训练后的LSTM预测模型预测结果、新能源出力和电网负荷功率的预测信息以及区域内功率控制措施的运行状态,计算满足电网功率平衡所需的功率控制措施类型;根据控制代价划分预警等级,应用模糊规则,对爬坡事件进行分级预警;根据每种控制措施的运行约束条件得到自动调节系统、常规火电机组、储能系统的功率可调控范围以及得到的区域间关键联络线的功率可调量确定不同的隶属度函数,每个隶属度函数与控制代价所划分的预警等级相对应,将每个时间间隔内满足电网功率平衡所需的功率调节量代入隶属度函数,按照最大隶属度原则划分预警等级;
基于控制代价划分预警等级,具体为:
0级:仅靠自动调节即可完成调控;
1级预警:需要区域内的常规火电机组功率调度;
2级预警:需要区域内的储能装置功率调度;
3级预警:需要跨区域的联络线功率调度;
4级预警:需要采取负荷管理;
步骤6:针对不同的预警时间尺度,滚动获取相应预测模型所需的历史数据、负荷功率和新能源出力的最新预测信息以及最新功率控制措施运行状态信息,更新预警结果,实现滚动预警;具体为:基于滚动更新后的关键联络线预测功率、新能源出力和负荷功率预测信息以及区域内功率控制措施的运行状态,得到电网功率缺额和各功率控制措施的功率可调量;基于隶属度函数和模糊规则计算各时段预警分级结果;对原有的预警结果进行滚动更新,得到更新后的分时段分级预警结果;
所述灵敏度的计算公式为:
其中,为第i条联络线灵敏度,j为调整次数,L j(i)为第j次调整后第i条联络线上的功率,L j_abs为第j次调整后,所有联络线输入功率总的变化量绝对值;
所述基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型,具体为:分别对4个LSTM预测模型进行建模,设定双层LSTM模型的神经单元数量、迭代数以及全连接层数;选取激活函数和损失函数;
其中激活函数选取线性整流函数为:
其中,y表示来自上一层神经网络的输入量,w为第一参数,b为第二参数,T表示转置;
其中损失函数为平均绝对百分比误差、平均绝对值误差和均方根误差;
所述最大传输功率约束条件为:
其中,t表示一个时间段的起始时刻,P L_max为联络线最大传输功率,R L为联络线功率最大变化率。
2.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法,其特征在于,根据区域内电网运行方式和区域间联络线信息,在潮流计算中改变新能源出力,筛选出对于区域内新能源出力变化灵敏度高的联络线为关键联络线。
3.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法,其特征在于,以15min为步长,分别建立预测时间尺度为15min、30min、1h和2h的关键联络线预测功率的LSTM预测模型;基于所建立的不同时间尺度的关键联络线预测功率的LSTM预测模型采用模糊规则进行预警。
4.如权利要求3所述的一种基于深度学习的新能源爬坡事件滚动预警方法,其特征在于,前30min采用三输入模糊规则得到预警结果,三输入分别是时间尺度为30min的LSTM预测模型输出的对应时段的预警结果、时间尺度为1h的LSTM预测模型输出的对应时段的预警结果和时间尺度为2h的LSTM预测模型输出的对应时段的预警结果。
5.如权利要求3所述的一种基于深度学习的新能源爬坡事件滚动预警方法,其特征在于,30min-60min采用两输入模糊规则得到预警结果,两输入分别是时间尺度为1h的LSTM预测模型输出的对应时段的预警结果和时间尺度为2h的LSTM预测模型输出的对应时段的预警结果;
1h-2h采用时间尺度为2h的LSTM预测模型输出的对应时段的预警结果。
6.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法,其特征在于,所述训练样本的构建为:
获取区域内不同季节的历史电网数据;所述电网数据包括新能源发电功率时间序列、电网负荷功率时间序列和关键联络线功率时间序列;
对所获取的历史电网数据进行归一化处理,构建训练样本。
7.一种基于深度学习的新能源爬坡事件滚动预警系统,其特征在于,包括:
预测模型训练模块,其被配置为:构建不同时间尺度的关键联络线预测功率的LSTM预测模型,以所获取的历史电网数据作为训练样本对所构建LSTM预测模型进行训练,得到训练好的LSTM预测模型;其中,基于区域内联络线对新能源出力变化的灵敏度确定关键联络线;
功率预测模块,其被配置为:获取区域内实时电网数据,基于训练好的不同时间尺度的LSTM预测模型得到不同时间尺度的关键联络线预测功率,计算不同时间尺度的关键联络线的功率可调量;
控制代价计算模块,其被配置为:根据不同时间尺度的关键联络线预测功率可调量,对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态,根据控制代价计算满足电网平衡的功率控制措施类型;
分级预警模块,其被配置为:根据功率控制措施类型应用模糊规则应用分级原则和模糊规则得到分时段分级预警结果;
所述一种基于深度学习的新能源爬坡事件滚动预警方法,具体步骤为:
步骤1:基于预警区域的电网运行方式和区域间联络线信息,利用潮流计算筛选出对于区域内新能源出力变化灵敏度高的关键联络线;
步骤2:获取不同季节的新能源发电、负荷和区域联络线的历史功率时间序列作为原始样本集,对原始样本集进行归一化处理,并构建训练样本;
步骤3:基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型,利用样本集数据对预测模型进行离线训练;
步骤4:在线应用时,获取当前时刻及之前一段时间的新能源出力、电网负荷功率以及联络线功率的实际值,基于预测模型得到不同预测时间尺度的联络线功率预测值;将预测值进行逆变换处理,得到带有量纲的数据,判断每条联络线的功率是否满足最大传输功率约束条件,若达到上限,则该联络线无功率调节能力,之后的调节过程中维持最大传输功率不变,不再考虑此联络线的调节能力;将未达到功率传输上限的联络线的功率预测值与最大传输功率上限作差,得到最大可调功率,结合其最大功率变化率约束,得到每条联络线在预测时间段内所能提供的最大功率可调量;
步骤5:基于训练后的LSTM预测模型预测结果、新能源出力和电网负荷功率的预测信息以及区域内功率控制措施的运行状态,计算满足电网功率平衡所需的功率控制措施类型;根据控制代价划分预警等级,应用模糊规则,对爬坡事件进行分级预警;根据每种控制措施的运行约束条件得到自动调节系统、常规火电机组、储能系统的功率可调控范围以及得到的区域间关键联络线的功率可调量确定不同的隶属度函数,每个隶属度函数与控制代价所划分的预警等级相对应,将每个时间间隔内满足电网功率平衡所需的功率调节量代入隶属度函数,按照最大隶属度原则划分预警等级;
基于控制代价划分预警等级,具体为:
0级:仅靠自动调节即可完成调控;
1级预警:需要区域内的常规火电机组功率调度;
2级预警:需要区域内的储能装置功率调度;
3级预警:需要跨区域的联络线功率调度;
4级预警:需要采取负荷管理;
步骤6:针对不同的预警时间尺度,滚动获取相应预测模型所需的历史数据、负荷功率和新能源出力的最新预测信息以及最新功率控制措施运行状态信息,更新预警结果,实现滚动预警;具体为:基于滚动更新后的关键联络线预测功率、新能源出力和负荷功率预测信息以及区域内功率控制措施的运行状态,得到电网功率缺额和各功率控制措施的功率可调量;基于隶属度函数和模糊规则计算各时段预警分级结果;对原有的预警结果进行滚动更新,得到更新后的分时段分级预警结果;
所述灵敏度的计算公式为:
其中,为第i条联络线灵敏度,j为调整次数,L j(i)为第j次调整后第i条联络线上的功率,L j_abs为第j次调整后,所有联络线输入功率总的变化量绝对值;
所述基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型,具体为:分别对4个LSTM预测模型进行建模,设定双层LSTM模型的神经单元数量、迭代数以及全连接层数;选取激活函数和损失函数;
其中激活函数选取线性整流函数为:
其中,y表示来自上一层神经网络的输入量,w为第一参数,b为第二参数,T表示转置;
其中损失函数为平均绝对百分比误差、平均绝对值误差和均方根误差;
所述最大传输功率约束条件为:
其中,t表示一个时间段的起始时刻,P L_max为联络线最大传输功率,R L为联络线功率最大变化率。
8.如权利要求7所述的一种基于深度学习的新能源爬坡事件滚动预警系统,其特征在于,在所述预测模型训练模块中,根据区域内电网运行方式和区域间联络线信息,在潮流计算中改变新能源出力,筛选出对于区域内新能源出力变化灵敏度高的联络线为关键联络线。
9.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至6任一项所述的一种基于深度学习的新能源爬坡事件滚动预警方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6任一项所述的一种基于深度学习的新能源爬坡事件滚动预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311722745.4A CN117408535B (zh) | 2023-12-15 | 2023-12-15 | 一种基于深度学习的新能源爬坡事件滚动预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311722745.4A CN117408535B (zh) | 2023-12-15 | 2023-12-15 | 一种基于深度学习的新能源爬坡事件滚动预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408535A CN117408535A (zh) | 2024-01-16 |
CN117408535B true CN117408535B (zh) | 2024-04-12 |
Family
ID=89492990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311722745.4A Active CN117408535B (zh) | 2023-12-15 | 2023-12-15 | 一种基于深度学习的新能源爬坡事件滚动预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408535B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN110348637A (zh) * | 2019-07-12 | 2019-10-18 | 哈尔滨工业大学 | 一种考虑场-网因素的风电爬坡事件预警方法 |
AU2020102245A4 (en) * | 2019-01-08 | 2020-10-29 | Nanjing Institute Of Technology | A grid hybrid rolling dispatching method considering congestion and energy storage tou price |
CN112070160A (zh) * | 2020-09-08 | 2020-12-11 | 合肥工业大学 | 风电功率爬坡事件的多层协同实时分类预警方法 |
CN112381424A (zh) * | 2020-11-17 | 2021-02-19 | 国网山东省电力公司电力科学研究院 | 新能源及负荷不确定性的多时间尺度有功优化决策方法 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
WO2023065552A1 (zh) * | 2021-10-21 | 2023-04-27 | 国网浙江省电力有限公司台州供电公司 | 一种新能源耦合背景下的源网荷储协同调度方法 |
CN116316595A (zh) * | 2023-03-23 | 2023-06-23 | 华电(宁夏)能源有限公司 | 基于新能源预测的深度学习修正的区域优化调度方法 |
CN116384598A (zh) * | 2023-06-06 | 2023-07-04 | 中国电力科学研究院有限公司 | 一种基于时序事件编码的风电过程预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311008B (zh) * | 2020-02-21 | 2021-04-30 | 山东大学 | 交直流大电网动态安全风险态势滚动前瞻预警方法及系统 |
US20230037193A1 (en) * | 2021-07-26 | 2023-02-02 | Dalian University Of Technology | Wind power output interval prediction method |
-
2023
- 2023-12-15 CN CN202311722745.4A patent/CN117408535B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
AU2020102245A4 (en) * | 2019-01-08 | 2020-10-29 | Nanjing Institute Of Technology | A grid hybrid rolling dispatching method considering congestion and energy storage tou price |
CN110348637A (zh) * | 2019-07-12 | 2019-10-18 | 哈尔滨工业大学 | 一种考虑场-网因素的风电爬坡事件预警方法 |
CN112070160A (zh) * | 2020-09-08 | 2020-12-11 | 合肥工业大学 | 风电功率爬坡事件的多层协同实时分类预警方法 |
CN112381424A (zh) * | 2020-11-17 | 2021-02-19 | 国网山东省电力公司电力科学研究院 | 新能源及负荷不确定性的多时间尺度有功优化决策方法 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
WO2023065552A1 (zh) * | 2021-10-21 | 2023-04-27 | 国网浙江省电力有限公司台州供电公司 | 一种新能源耦合背景下的源网荷储协同调度方法 |
CN116316595A (zh) * | 2023-03-23 | 2023-06-23 | 华电(宁夏)能源有限公司 | 基于新能源预测的深度学习修正的区域优化调度方法 |
CN116384598A (zh) * | 2023-06-06 | 2023-07-04 | 中国电力科学研究院有限公司 | 一种基于时序事件编码的风电过程预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的风电爬坡识别及短期功率预测技术研究;李文泽;《中国优秀硕士学位论文全文数据库》;20230115(第2023第01期期);C042-1557 * |
Also Published As
Publication number | Publication date |
---|---|
CN117408535A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN107679658B (zh) | 一种高比例清洁能源接入下的输电网规划方法 | |
Rejc et al. | Estimating the additional operating reserve in power systems with installed renewable energy sources | |
Mostafa et al. | Multi-objective optimization for the operation of an electric distribution system with a large number of single phase solar generators | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN113269371A (zh) | 一种智能配电网供电综合性能评估方法及系统 | |
CN105069535A (zh) | 一种基于arima模型的配电网运行可靠性的预测方法 | |
CN106682808A (zh) | 在线滚动优化调度模型 | |
CN103150635B (zh) | 电力设备运维方法 | |
CN105205570A (zh) | 一种基于季节时序分析的电网售电量预测方法 | |
CN110222897A (zh) | 一种配电网可靠性分析方法 | |
CN107132762A (zh) | 基于预想故障集自动筛选的在线静态安全评估方法 | |
Mochamad et al. | Assessing the impact of VSC-HVDC on the interdependence of power system dynamic performance in uncertain mixed AC/DC systems | |
CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
CN110649627B (zh) | 一种基于gbrt的静态电压稳定裕度评估方法及系统 | |
Zografos et al. | Prediction of frequency nadir by employing a neural network approach | |
Memmel et al. | Predicting renewable curtailment in distribution grids using neural networks | |
CN114492923A (zh) | 一种长时间尺度功率预测方法 | |
CN117408535B (zh) | 一种基于深度学习的新能源爬坡事件滚动预警方法及系统 | |
Navidi et al. | Predicting solutions to the optimal power flow problem | |
US20240318632A1 (en) | Predicting grid frequency | |
CN113517693B (zh) | 一种弱电压暂态稳定节点分析方法及装置 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN115564495A (zh) | 一种适用于新能源电站选址的综合评价方法 |
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 |