一种基于独立循环神经网络的新能源出力预测方法及系统技术方案

本发明专利技术公开了本发明专利技术涉及一种基于独立循环神经网络的新能源出力预测方法及系统，通过输入规划地区发展的某类新能源若干年内的出力曲线的历史数据，采用PFCM聚类算法对各年度出力曲线进行聚类，确定各年度的最优聚类场景数目NS，采用场景削减算法获取各年的概率权重典型出力曲线，然后对独立循环神经网络进行训练，利用训练所得预测模型进行未来的年典型出力曲线预测；本发明专利技术用于在地区广泛进行新能源电力规划建设的发展新阶段中，能够着重考量新能源渗透率的变化，预测出更为精准的年度新能源出力典型曲线，在新能源规划建设中能够取得更为精确新能源出力预测结果，为地区电力规划建设与调度工作提供更为可靠的参考。

【技术实现步骤摘要】
一种基于独立循环神经网络的新能源出力预测方法及系统
本专利技术涉及新能源发展预测
，尤其涉及一种基于独立循环神经网络的新能源出力预测方法及系统。
技术介绍
随着能源的日益短缺和绿色发展路线的贯彻，推进能源结构改革和实现可持续发展成为我国能源系统改革的重中之重，而我国在太阳能、风能和电能等新能源领域也取得了高速发展。但是，在全国广泛推广使用新能源的同时，新能源出力的不确定性使风机和光伏电源等新能源的发展受到一定程度的限制，而准确预测出力状况能够实现新能源的高效消纳，因此，风机、光伏等新能源的出力预测对电力调度工作具有重大意义。目前，较为成熟的预测方法大多根据新能源历史发电量进行预测，如灰色预测算法、神经网络法、支持向量机等，但这些方法均缺乏对政策、城市发展规划等因素的着重考量，存在着预测精度不理想的问题，不适用于新能源大规模推广应用的大背景。近年来，深度学习、人工智能技术的进步为精细化考量新能源出力的影响因素并提高预测精度提供了有效途径，因此，在城市大力发展新能源的背景下，亟待需要一种着重考量新能源渗透率的变化的新能源出力预测方法。
技术实现思路
本专利技术的目的是提供一种基于独立循环神经网络的新能源出力预测方法及系统，能够着重考量新能源渗透率的变化，预测出更为精准的年度新能源出力典型曲线，为地区电力规划建设与调度工作提供更为可靠的参考。本专利技术采用的技术方案为：一种基于独立循环神经网络的新能源出力预测方法，包括以下步骤：A、通过数据输入模块输入规划区域内一类新能源N年内的年出力曲线历史数据；B、采用可能性模糊C-均值聚类算法对N年内各年度出力曲线进行聚类，根据聚类中心的聚类密集性，确定各年度的最优聚类场景数目NS；C、将各年度期望场景数设定为NS，采用场景削减算法获取N年内各年度的年概率权重典型出力曲线；D、独立循环神经网络根据N年内各年度的年概率权重典型出力曲线和该类新能源的特征数据进行训练建模，以训练获取基于独立循环神经网络的深度学习预测模型；特征数据包括该类新能源的历史年渗透率和历史年装机容量；E、通过数据输入模块输入该类新能源在该区域内规划的预计特征数据，深度学习预测模型对规划区域内该类新能源未来的规划年典型出力曲线进行预测；预计特征数据包括该类新能源的规划年渗透率和规划年装机容量；F、数据输出模块输出该类新能源的规划年典型出力曲线预测结果。进一步地，所述步骤B中可能性模糊C-均值聚类算法的目标函数表达公式如下：公式(1)中，U表示隶属度原型矩阵，T表示典型性原型矩阵，V表示聚类中心，X表示原始数据集，c表示聚类中心数目，uik代表n个元素相对于c个聚类中心的隶属度，tik代表n个元素相对于c个聚类中心的典型性值，a用于表征隶属度值的影响，b用于表征典型性值的影响，m和η为加权指数，xk表示原始数据元素，vi表示聚类中心元素，γi表示算法的惩罚因子参数，为正数。进一步地，所述隶属度原型矩阵U的计算公式为：公式(2)中，DikA表示样本数据k与聚类中心i之间的欧氏距离，DjkA表示样本数据k与聚类中心j之间的欧氏距离；典型性原型矩阵T的计算公式为：公式(3)中，γi表示算法的惩罚因子参数，为正数；b用于表征典型性值的影响；聚类中心V的计算公式为：公式(4)中，a用于表征隶属度值的影响，b用于表征典型性值的影响。进一步地，所述c个聚类中心的聚类密集性计算公式如下：公式(5)中，C表示聚类中心数目，var(ci)与var(X)分别代表聚类中心数目为ci的类别内的簇内方差和数据集X的簇内方差；数据集X的簇内方差计算公式为：公式(6)中，为两个是两矢量之间的欧氏距离，xi表示集合内元素，表示集合内元素的均值。进一步地，所述步骤B中确定各年度的最优聚类场景数目NS具体包括以下步骤：b1:设定聚类中心数目C的值，1<C<n，并设定加权指数m值，m取值范围为[1,∞)；b2：初始化算法迭代次数L，使L为1；b3：将可能性划分矩阵Uik进行初始化，设定另一加权指数η的值；b4：循环迭代运算，更新可能性模糊C-均值聚类算法的隶属度原型矩阵U、典型性原型矩阵T和聚类中心V；若输出的目标函数与前一次循环迭代的输出值之间差值不小于设定的阈值，且L不大于最大循环次数Lmax，则继续循环；若输出的目标函数与前一次循环迭代的输出值之间差值小于设定的阈值，或L大于最大循环次数Lmax，则停止循环并获取聚类中心数目C下的聚类密集性；b5：改变聚类中心数目C的值，重复步骤b1至b4，比较不同聚类中心数目下的聚类密集性，通过聚类密集型判定聚类中心数目是否为最优，获取最优聚类场景数目NS。进一步地，所述步骤C具体包括以下步骤：c1：设原始数据集X中包含n个不同元素xi，i＝1,2,……,n,设元素xi产生的概率为pi，设拟保留场景数为NS；c2：计算原始数据集X中与元素xi的产生概率pi距离最短的概率pj，获取元素xj，j＝1,2,……,n；计算公式为：c3：从原始数据集X中删除元素xi，删除元素xi由以下公式确定：c4：原始数据集X中剩余元素数目变为n-1，将被删除元素的概率加到与其距离最近的元素上；c5：重复步骤c2至步骤c4，直至原始数据集X中剩余元素数目达到设定值NS；c6：将剩余元素以各自对应概率为权重进行求和，获取场景削减后得到的地区内该类新能源的年概率权重典型出力Pt和对应年概率权重典型出力曲线；Pt计算公式如下：公式(9)中，Pt表示为场景削减后得到的地区内该类新能源的年概率权重典型出力；Pi表示元素xi产生的概率；xi表示原始数据集中的元素，在本方法中具体指新能源出力曲线历史数据。进一步地，所述的独立循环神经网络包括输入层、隐含层和输出层，输入层输入隐含层的隐含层输入序列为x＝(x1,x2,x3,…,xT),隐含层输出至输出层的隐含层输出序列为y＝(y1,y2,y3,…,yT)，T为时间步长，x为输入隐含层的历史数据，y为输出隐含层的新能源年典型出力曲线预测结果；所述新能源出力预测系统包括：数据输入模块，用于向场景聚类削减模块和IndRNN预测模块输入数据；场景聚类削减模块，包括数据聚类单元和场景削减单元，数据聚类单元用于将N年内各年度出力曲线进行聚类，确定各年度的最优聚类场景数目NS，场景削减单元用于利用场景削减算法获取N年内各年度的年概率权重典型出力曲线；IndRNN预测模块，包括数据接收单元、预测模型建立单元、新能源出力预测单元和预测结果输出单元，数据接收单元用于接收数据输入模块输入的新能源在N年内的历史年渗透率、历史年装机容量和年出力曲线历史数据，并将接收到的数据传递至独立循环神经网络的输入层，预测模型建立单元用于将N年的年概率权重典型出力曲线、历史年渗透率和历史年装机容量导入独立循环神经网络的隐含层进行训练建模，以训练生成基于独立循环神经网络的深度学习预测模型，新能源出力预测单元用于利用深度学习预测模型对所需预测区域内一类新能源未来的出力状况进行预测，预测结果输出单元用于将新能源出力预测单元的预测结果传递至数据输出模块；数据输出模块，用于将IndRNN预测模块产生的数据传递至外部设备。进一步地，所述深度学习预测模型表达式如下：Pforecast＝f(t,st,vt,Pt)(本文档来自技高网...

【技术保护点】
1.一种基于独立循环神经网络的新能源出力预测方法，其特征在于：包括以下步骤：A、通过数据输入模块输入规划区域内一类新能源N年内的年出力曲线历史数据；B、采用可能性模糊C‑均值聚类算法对N年内各年度出力曲线进行聚类，根据聚类中心的聚类密集性，确定各年度的最优聚类场景数目NS；C、将各年度期望场景数设定为NS，采用场景削减算法获取N年内各年度的年概率权重典型出力曲线；D、独立循环神经网络根据N年内各年度的年概率权重典型出力曲线和该类新能源的特征数据进行训练建模，以训练获取基于独立循环神经网络的深度学习预测模型；特征数据包括该类新能源的历史年渗透率和历史年装机容量；E、通过数据输入模块输入该类新能源在该区域内规划的预计特征数据，深度学习预测模型对规划区域内该类新能源未来的规划年典型出力曲线进行预测；预计特征数据包括该类新能源的规划年渗透率和规划年装机容量；F、数据输出模块输出该类新能源的规划年典型出力曲线预测结果。

【技术特征摘要】
1.一种基于独立循环神经网络的新能源出力预测方法，其特征在于：包括以下步骤：A、通过数据输入模块输入规划区域内一类新能源N年内的年出力曲线历史数据；B、采用可能性模糊C-均值聚类算法对N年内各年度出力曲线进行聚类，根据聚类中心的聚类密集性，确定各年度的最优聚类场景数目NS；C、将各年度期望场景数设定为NS，采用场景削减算法获取N年内各年度的年概率权重典型出力曲线；D、独立循环神经网络根据N年内各年度的年概率权重典型出力曲线和该类新能源的特征数据进行训练建模，以训练获取基于独立循环神经网络的深度学习预测模型；特征数据包括该类新能源的历史年渗透率和历史年装机容量；E、通过数据输入模块输入该类新能源在该区域内规划的预计特征数据，深度学习预测模型对规划区域内该类新能源未来的规划年典型出力曲线进行预测；预计特征数据包括该类新能源的规划年渗透率和规划年装机容量；F、数据输出模块输出该类新能源的规划年典型出力曲线预测结果。2.根据权利要求1所述的基于独立循环神经网络的新能源出力预测方法，其特征在于：所述步骤B中可能性模糊C-均值聚类算法的目标函数表达公式如下：公式(1)中，U表示隶属度原型矩阵，T表示典型性原型矩阵，V表示聚类中心，X表示原始数据集，c表示聚类中心数目，uik代表n个元素相对于c个聚类中心的隶属度，tik代表n个元素相对于c个聚类中心的典型性值，a用于表征隶属度值的影响，b用于表征典型性值的影响，m和η为加权指数，xk表示原始数据元素，vi表示聚类中心元素，γi表示算法的惩罚因子参数，为正数。3.根据权利要求2所述的基于独立循环神经网络的新能源出力预测方法，其特征在于：所述隶属度原型矩阵U的计算公式为：公式(2)中，DikA表示样本数据k与聚类中心i之间的欧氏距离，DjkA表示样本数据k与聚类中心j之间的欧氏距离；典型性原型矩阵T的计算公式为：公式(3)中，γi表示算法的惩罚因子参数，为正数；b用于表征典型性值的影响；聚类中心V的计算公式为：公式(4)中，a用于表征隶属度值的影响，b用于表征典型性值的影响。4.根据权利要求2所述的基于独立循环神经网络的新能源出力预测方法，其特征在于：所述c个聚类中心的聚类密集性计算公式如下：公式(5)中，C表示聚类中心数目，var(ci)与var(X)分别代表聚类中心数目为ci的类别内的簇内方差和数据集X的簇内方差；数据集X的簇内方差计算公式为：公式(6)中，为两个是两矢量之间的欧氏距离，xi表示集合内元素，表示集合内元素的均值。5.根据权利要求2所述的基于独立循环神经网络的新能源出力预测方法，其特征在于：所述步骤B中确定各年度的最优聚类场景数目NS具体包括以下步骤：b1:设定聚类中心数目C的值，1<C<n，并设定加权指数m值，m取值范围为[1,∞)；b2：初始化算法迭代次数L，使L为1；b3：将可能性划分矩阵Uik进行初始化，设定另一加权指数η的值；b4：循环迭代运算，更新可能性模糊C-均值聚类算法的隶属度原型矩阵U、典型性原型矩阵T和聚类中心V；若输出的目标函数与前一次循环迭代的输出值之间差值不小于设定的阈值，且L不大于最大循环次数Lmax，则继续循环；若输出的目标函数与前一次循环迭代的输出值之间差值小于设定的阈值，或L大于最大循环次数Lmax，则停止循环并获取聚类中心数目C下的聚类密集性；b5：改变聚类中心数目C的值，重复步骤b1至b4，比较不同聚类中心数目下的聚类密集性，通过聚类密集型判定聚类中心数目是否为最优，获取最优...

【专利技术属性】
技术研发人员：张晓东，饶宇飞，张振安，秦开明，郭长辉，郝元钊，崔惟，王建波，高泽，朱旭，王馨，饶颖卿，
申请(专利权)人：国网河南省电力公司电力科学研究院，武汉大学，国家电网有限公司，
类型：发明
国别省市：河南,41