基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及系统技术方案

本发明专利技术公开了基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及系统，包括：利用离线的时域仿真法生成样本，选取8个输入特征作为SDAE的输入层特征，将选择的特征输入到SDAE进行特征提取。假设SDAE有N个隐层，得到每一个层提取的抽象特征,利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息；本发明专利技术有益效果：分类模型可以快速而且准确地判断出下一时刻是否存在爬坡事件，针对存在爬坡事件的情况，具体计算出有功不平衡量，从而有针对性地进行安全防御。该方法快速准确，能够对爬坡事件进行有效辨识。

Prediction Method and System of Climbing Events Based on SDAE Feature Extraction and SVM Classification Model

【技术实现步骤摘要】
基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及系统
本专利技术属于电力系统调度领域，具体涉及一种基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。为应对气候变化，能源革命持续进行，风电、光伏等新能源接入电网的比例逐渐增大。2017年我国风电新增装机容量为15.03GW，累计并网装机容量达到164GW。高比例新能源的接入，在带来巨大环境效益的同时，也给电网的安全稳定运行带来极大的挑战。受地形、温度和光照强度等因素的影响，新能源呈现出地区分布不均衡的现象，局部地区风能或光照资源丰富，风电场和光伏电站密集，呈现出大规模集中分布的特点，使得在一段时间内其出力表现出强相关性，可能会出现出力短时间内的大幅变化，如果此时电网备用和调节能力不足以平衡这种变化，电网就可能因功率大幅缺额而出现频率降低，导致损失大量负荷的爬坡事件。美国德克萨斯州电网2008年发生了风电功率大规模下降的爬坡事件，因风电功率预测存在较大误差，使得调度中心出现误判，未能及时采取预防控制措施，造成频率下降至59.85Hz，最终1150MW负荷被切除，才使频率恢复至额定值，造成了较大的经济损失。因此，在新能源渗透率逐渐增大的背景下，深入研究爬坡事件的快速准确预测，对于及时采取应对措施，保证电网安全稳定运行具有重要意义。专利技术人发现，目前对于风电爬坡事件的预测和调度方法研究较多，而综合考虑风电、光伏和抽水蓄能电站、交直流联络线的调节作用关注度较低。风电、光伏出力具有间歇性，其预测存在较大误差，爬坡事件在线预测时，传统的时域仿真法需要考虑的运行场景众多，耗费时间较长，不能满足在线应用的要求。
技术实现思路
为了解决上述问题，本专利技术提出一种基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及系统，采用人工智能的方法，利用堆叠降噪自动编码器SDAE进行特征提取，采用支持向量机的方法建立分类模型。在样本生成时，计及负荷预测的误差和风电、光伏出力的不确定性，综合考虑常规机组、抽水蓄能和交直流联络线的调节作用，对爬坡事件进行快速准确预测。在一些实施方式中，采用如下技术方案：基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，包括：分别采集系统负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；构造样本：将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；分别选取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；将选择的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；利用训练好的SVM分类模型对爬坡事件进行预测。在一些实施方式中，采用如下技术方案：基于SDAE特征提取和SVM分类模型的爬坡事件预测系统，包括：数据采集单元，用于采集系统负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；样本构造单元，用于将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景；功率不平衡量计算单元，用于将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；特征提取单元，分别提取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；SVM分类模型训练单元，用于将提取的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；预测单元，用于利用训练好的SVM分类模型对爬坡事件进行预测。在一些实施方式中，采用如下技术方案：基于SDAE特征提取和SVM分类模型的爬坡事件预测系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的爬坡事件预测方法。在一些实施方式中，采用如下技术方案：一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述的爬坡事件预测方法。与现有技术相比，本专利技术的有益效果是：综合考虑了风电、光伏出力的不确定性和间歇性以及负荷预测的误差，计及常规机组、抽水蓄能电站和交直流联络线的调节作用，提出了基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，分类模型可以快速而且准确地判断出下一时刻是否存在爬坡事件，针对存在爬坡事件的情况，具体计算出有功不平衡量，从而有针对性地进行安全防御。该方法快速准确，能够对爬坡事件进行有效辨识。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为降噪自动编码器SDAE的训练过程图；图2为堆叠降噪自动编码器SDAE的预训练过程图；图3为基于SDAE和SVM的爬坡事件预测模型图。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本专利技术使用的所有技术和科学术语具有与本申请所属
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申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例一在一个或多个实施方式中，公开了一种基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，包括以下步骤：(1)利用离线的时域仿真法生成样本。将一天所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，得到所有运行场景的功率不平衡量。(2)通过与阈值的比较判断是否发生了爬坡事件，同时计算出所有场景的交流联络线功率、直流联络线功率、常规机组的可调范围以及抽水蓄能电站的可调范围。(根据设定的阈值，超过的认为发生了爬坡事件；这些量都可以在计算每个场景的有功不平衡量之后得到，将这些量计算出来作为样本的一个特征)(3)判定为爬坡事件的记为1，其余的记为0。计算出每个时刻所有运行场景的有功不平衡量，把一天内所有时刻按照有功不平衡量绝对值的大小进行排序。(在线应用时，利用本专利技术的方法判断出是否发生爬坡事件后，针对发生爬坡事件的场景进一步利用时域仿真法算出具体的有功不平衡量，从而进行安全防御；把一天内所有时刻按照有功不平衡量绝对值的大小进行排序的原因是得到一天中哪些时刻容易发生爬坡事件，从而提前做好准备)(4)选取8个输入特征作为SDAE的输入层特征。分别为当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏本文档来自技高网...

【技术保护点】
1.基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，包括：分别采集系统负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；构造样本：将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；分别选取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；将选择的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；利用训练好的SVM分类模型对爬坡事件进行预测。

【技术特征摘要】
1.基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，包括：分别采集系统负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；构造样本：将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；分别选取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；将选择的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；利用训练好的SVM分类模型对爬坡事件进行预测。2.如权利要求1所述的基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，判断是否发生了爬坡事件，判定为爬坡事件的记为1，其余的记为0。计算出每个时刻所有运行场景的有功不平衡量，把一天内所有时刻按照有功不平衡量绝对值的大小进行排序。3.如权利要求2所述的基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，系统功率缺额ΔP为系统负荷功率与风电出力预测值、光伏出力预测值、N台常规火电机组的出力之和、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率之和的差值；当ΔP超过阈值时，表示系统存在不可接受的功率缺额，即认为发生了爬坡事件。4.如权利要求1所述的基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，给定第i个运行场景下的样本集{xi}，i＝1,2,…，n，表示每个样本有m维输入，共有n个样本；对样本进行“随机破坏”污染，得到样本集将受损输入通过编码过程映射为隐层表达通过解码过程映射为重构表示通过不断优化模型参数...

【专利技术属性】
技术研发人员：刘晓明，梁志祥，孙东磊，李山，袁振华，牟颖，
申请(专利权)人：国网山东省电力公司经济技术研究院，山东大学，
类型：发明
国别省市：山东,37