可再生能源并网消纳信息多维度校核方法及设备技术

本申请公开了一种可再生能源并网消纳信息多维度校核方法及设备，方法包括以下步骤：S1：采用支持向量机算法构建电量与各种气象因子关系模型来预测供电情况；S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况。与现有技术相比，本申请公开了一种可再生能源并网消纳信息多维度校核方法及设备，支持向量机可以非常有效地进行训练，并且可以用来获得非常好的预测准确性。能够缩短分类器的训练时间，并在预测精度上表现出较好的性能。

【技术实现步骤摘要】
可再生能源并网消纳信息多维度校核方法及设备
本专利技术涉及电力系统及其自动化
，具体来说是一种可再生能源并网消纳信息多维度校核方法及设备。
技术介绍
要实现能源的可持续发展，就要求大力发展清洁能源，开辟安全、清洁、高效的能源可持续发展之路，全球能源互联网理念由此应运而生。全球能源互联网是坚强智能电网发展的高级阶段，核心是以清洁能源为主导，以特高压电网为骨干网架，各国各洲电网广泛互联，能源资源全球配置，各级电网协调发展，各类电源和用户灵活接入的坚强智能电网，功能是将风能、太阳能、海洋能等可再生能源输送到各类用户。能源互联网发展势必促进可再生能源发展，对可再生能源消纳能力分析计算的研究将是一项未来长久探讨的问题。同时国家层面上在可再生能源建设和发展方面出台了多项扶持政策。为提升电力系统调峰能力，有效缓解弃水、弃风、弃光，促进可再生能源消纳，国家发展改革委、国家能源局联合印发了关于《可再生能源调峰机组优先发电试行办法》的通知，明确给出了可再生能源调峰机组优先调度管理办法，按照“谁调峰、谁受益”原则，建立调峰机组激励机制，同时要求各省(区、市)结合可再生能源建设规模、消纳情况、电源结构和负荷特性，安排一定规模煤电机组为可再生能源调峰。然而，目前我国各省间新能源资源和电源结构的互补性不能充分利用，东北、西北电网目前的跨区输电能力只有新能源装机容量的19％，在这一过程中，可再生能源并网消纳是影响跨区输电能力的主要问题因素，而对可再生能源并网消纳信息的校核则决定了可再生能源并网消纳的精确度和准确度。因此，亟需提出一套切实可行的可再生能源并网消纳信息的校核方法，以适应未来可再生能源互联发展的需求。
技术实现思路
鉴于现有技术中的上述缺陷或不足，期望提供一种可再生能源并网消纳信息多维度校核的方案。第一方面，本申请实施例提供了一种可再生能源并网消纳信息多维度校核方法，包括以下步骤：S1：采用支持向量机(SVM)算法构建电量与各种气象因子关系模型来预测供电情况，包括：建立电量气象因子历史数据集，并包括描述所述数据的用作训练库参数的多个气象特征；对所述历史数据集进行参数优化得到优化数据库；利用所述优化数据库进行SVM训练，得到电量与各种气象因子的SVM模型；下载待预测的气象因子数据集，所述气象因子数据集包括所述多个气象特征；利用所述SVM模型，采用SVM方法预测供电大小情况；S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况，包括：建立异常用电训练样本，所述异常用电训练样本包括用以描述异常用电的特征值，以及对是否属于异常用电的分类；下载异常用电的预测样本，求所述预测样本与所述异常用电训练样本之间的相似性；对所述异常用电训练样本依据与所述预测样本的相似性按从大到小进行排序；确定排序后前K个样本所在类别出现的频率，并输出出现频率最高的用电类别作为预测用电类别。在本申请的某些实施例中，所述S1中的所述历史数据集选自历史案例。在本申请的某些实施例中，所述S1中的所述气象特征包括风力级别、光照强度、天气状况和\或温度。在本申请的某些实施例中，所述S1中的以电量数值作为分类标准，进行所述SVM训练。在本申请的某些实施例中，所述S1中的所述采用SVM方法预测包括对所述待预测的气象因子数据集按照电量大小进行分类。在本申请的某些实施例中，所述S1中的将所述预测供电大小情况与预备供电量进行对比，实现对并网消纳信息中供电量的校核。在本申请的某些实施例中，所述S2中，按照欧式距离确定所述预测样本与所述异常用电训练样本之间的相似性。在本申请的某些实施例中，所述S2中的所述用电类别包括正常用电和异常用电。在本申请的某些实施例中，所述S2中，将所述预测用电类别与预备用电类别进行对比，实现对并网消纳信息中用电类别的校核。第二方面，本申请实施例提供了一种设备，所述设备包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行时实现上述可再生能源并网消纳信息多维度校核方法。目前，将概率分析方法应用到并网消纳来进行供电和用电情况的分类预测从而校核消纳信息的相关研究非常少。本申请实施例提供的可再生能源并网消纳信息校核方案，提出利用概率分析方法来对供电量和用电类别的分类进行预测，进而可以评估潜在的供电量和可能的用电类别，从而实现对并网消纳信息中供电量和用电类别的校核。分析过程中，支持向量机分类器模型在准确性和适用性方面产生了更好的性能，耗时更短，精度更高，能产生良好的预测结果。与其他技术相比，支持向量机可以非常有效地进行训练，并且可以用来获得非常好的预测准确性。能够缩短分类器的训练时间，并在预测精度上表现出较好的性能。采用K最近邻分类算法构建异常用电辨识分析模型，可以在收据样本有限的情况下进行用电类别的预测，使用电类别的成功预测成为可能。附图说明图1示出了可再生能源并网消纳信息多维度校核方法流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本专利技术一部分而不是全部的实施例。为了便于描述，附图中仅示出了与专利技术相关的部分。需要说明的是，在不冲突的情况下，通常在此附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，属于“设置”、“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。请参考图1，其示出了可再生能源并网消纳信息多维度校核方法的流程图。本申请实施例提供的可再生能源并网消纳信息多维度校核方法，包括以下步骤：S1：采用支持向量机(SVM)算法构建电量与各种气象因子关系模型来预测供电情况，包括：建立电量气象因子历史数据集，历史数据集选自历史案例，并包括描述数据的用作训练库参数的多个气象特征；气象特征包括风力级别、光照强度、天气状况和\或温度。对历史数据集进行参数优化得到优化数据库；以电量数值作为分类标准，利用优化数据库进行SVM训练，得到电量与各种气象因子的SVM模型；下载待预测的气象因子数据集，气象因子数据集包括多个气象特征；利用SVM模型，采用SVM方法预测供电大小情况，具体包括对待预测的气象因子数据集按照电量大小进行分类。将预测供电大小情况与预备供电量进行对比，实现对并网消纳信息中供电量的校核。S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况，包括：建立异常用电训练样本，异常用电训练样本包括用以描述异常用电的特征值，以及对是否属于异常用电的分类；下载异常用电的预测样本，按照欧式距离求预测样本与异常用电训练样本之间的相似性；对异常用电训练样本依据与预测样本的相似本文档来自技高网...

【技术保护点】
1.一种可再生能源并网消纳信息多维度校核方法，其特征在于，包括以下步骤：S1：采用支持向量机算法构建电量与各种气象因子关系模型来预测供电情况，包括：建立电量气象因子历史数据集，并包括描述所述数据的用作训练库参数的多个气象特征；对所述历史数据集进行参数优化得到优化数据库；利用所述优化数据库进行SVM训练，得到电量与各种气象因子的SVM模型；下载待预测的气象因子数据集，所述气象因子数据集包括所述多个气象特征；利用所述SVM模型，采用SVM方法预测供电大小情况；S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况，包括：建立异常用电训练样本，所述异常用电训练样本包括用以描述异常用电的特征值，以及对是否属于异常用电的分类；下载异常用电的预测样本，求所述预测样本与所述异常用电训练样本之间的相似性；对所述异常用电训练样本依据与所述预测样本的相似性按从大到小进行排序；确定排序后前K个样本所在类别出现的频率，并输出出现频率最高的用电类别作为预测用电类别。

【技术特征摘要】
1.一种可再生能源并网消纳信息多维度校核方法，其特征在于，包括以下步骤：S1：采用支持向量机算法构建电量与各种气象因子关系模型来预测供电情况，包括：建立电量气象因子历史数据集，并包括描述所述数据的用作训练库参数的多个气象特征；对所述历史数据集进行参数优化得到优化数据库；利用所述优化数据库进行SVM训练，得到电量与各种气象因子的SVM模型；下载待预测的气象因子数据集，所述气象因子数据集包括所述多个气象特征；利用所述SVM模型，采用SVM方法预测供电大小情况；S2：基于K最近邻分类算法构建异常用电辨识分析模型以识别异常用电情况，包括：建立异常用电训练样本，所述异常用电训练样本包括用以描述异常用电的特征值，以及对是否属于异常用电的分类；下载异常用电的预测样本，求所述预测样本与所述异常用电训练样本之间的相似性；对所述异常用电训练样本依据与所述预测样本的相似性按从大到小进行排序；确定排序后前K个样本所在类别出现的频率，并输出出现频率最高的用电类别作为预测用电类别。2.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S1中的所述历史数据集选自历史案例。3.根据权利要求1所述的可再生能源并网消纳信息多维度校核方法，其特征在于，所述S1中的所述气象特征包括风力级别、光照强度、天气状况...

【专利技术属性】
技术研发人员：吕刚，汤伟，杨铖，徐超峰，胡昌师，肖杰，郭乾坤，史宗金，赵勇，宋倩倩，魏秀霞，
申请(专利权)人：合肥学院，国网安徽省电力有限公司，安徽博诺思信息科技有限公司，
类型：发明
国别省市：安徽,34