【技术实现步骤摘要】
一种基于深度学习的联络线计划编制方法及系统
本专利技术属于自动化
,本专利技术涉及一种基于深度学习的联络线计划编制方法及系统。
技术介绍
随着清洁能源大规模接入电网,如何在更大的空间范围内消纳清洁能源发电成为当前的研究热点。目前联络线计划编制问题的研究虽然侧重点各有不同,但其总体思路都具有相似性:首先结合实际电网提炼相应的数学模型,然后结合模型特点采用各种数学手段对其进行处理,最后再研究相应的求解算法,整个建模求解过程都是以严密的物理模型和逻辑推导为基础。但是联络线计划编制涉及多个区域,各级调度中心的计划编制方法不同,总调度中心和区域调度中心无法掌握区域电网的运行方式和计划编制计算方法,容易出现不满足下级电网运行的情况而导致反复迭代修改。
技术实现思路
针对现有的各级调度中心的计划编制方法不同,调度中心无法掌握各级电网的运行方式和计划编制计算方法,容易出现不满足下级电网运行的情况而导致反复迭代修改的不足,本专利技术提供了一种基于深度学习的联络线计划编制方法,具体包括:获取待计算日的负 ...
【技术保护点】
1.一种基于深度学习的联络线计划编制方法,其特征在于,包括:/n获取待计算日的负荷预测数据和清洁能源预测数据;/n将所述待计算日的负荷预测数据和清洁能源预测数据输入到预先训练好的长短时记忆网络深度学习模型中,得到联络线计划;/n其中,所述长短时记忆网络深度学习模型,基于对历史负荷数据、清洁能源功率数据以及历史联络线计划功率进行训练得到。/n
【技术特征摘要】
1.一种基于深度学习的联络线计划编制方法,其特征在于,包括:
获取待计算日的负荷预测数据和清洁能源预测数据;
将所述待计算日的负荷预测数据和清洁能源预测数据输入到预先训练好的长短时记忆网络深度学习模型中,得到联络线计划;
其中,所述长短时记忆网络深度学习模型,基于对历史负荷数据、清洁能源功率数据以及历史联络线计划功率进行训练得到。
2.如权利要求1所述的方法,其特征在于,所述长短时记忆网络深度学习模型的训练包括:
对历史负荷数据、清洁能源功率数据以及历史联络线计划功率按照日期进行排列,并将各个日期的历史的系统负荷和清洁能源功率作为样本数据;
基于样本数据中的历史负荷数据、清洁能源功率数据进行聚类;
基于聚类后的样本数据对长短时记忆网络深度学习模型进行训练确定系统负荷、清洁能源功率与联络线计划功率之间的映射关系。
3.如权利要求2所述的方法,其特征在于,所述基于样本数据中的历史负荷数据、清洁能源功率数据进行聚类,包括:
基于样本数据的不同日期时段的系统负荷值、清洁能源功率以及联络线相关区域数量和每日时段数量,利用聚类算法计算所述样本数据之间的欧氏距离,并将小于预设欧氏距离的样本分为一类;
基于样本数量、样本数据计算各类的聚类中心;
计算分类后的各个样本数据到各类聚类中心的欧氏距离,再基于求得的距离最近的欧氏距离,更新所述各类的聚类中心,至所述聚类中心不再变化时停止更新,得到聚类后的样本数据。
4.如权利要求3所述的方法,其特征在于,所述样本数据之间的欧氏距离的计算式如下所示:
式中,xi为第i日的样本,xj为第j日的样本,PLtni为第i日的区域n在时段t的负荷值,PLtnj为第j日的区域n在时段t的负荷值,PCtni为第i日的区域n在时段t的清洁能源功率值,PCtnj为第j日的区域n在时段t的清洁能源功率值,N为联络线相关区域份个数,96为一天的时段数划分的个数。
5.如权利要求4所述的方法,其特征在于,所述聚类中心的更新公式如下所示:
式中,sk为聚类中心,aik为二进制变量,xi为样本,M为样本数量。
6.如权利要求5所述的方...
【专利技术属性】
技术研发人员:蔡帜,许丹,林静怀,王轶禹,董根源,戴赛,丁强,崔晖,张传成,张加力,李宇轩,李博,燕京华,王磊,胡晨旭,孙振,黄国栋,韩彬,刘芳,韩巍,王伟,杨占勇,盛灿辉,闫翠会,李伟刚,屈富敏,胡晓静,李哲,徐晓彤,李媛媛,
申请(专利权)人:中国电力科学研究院有限公司,国家电网有限公司,国网福建省电力有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。