一种新能源与多元负荷价值匹配方法及系统技术方案

本发明专利技术公开了一种新能源与多元负荷价值匹配方法及系统，通过获取预设时段第一区域内的新能源发电功率数据及负荷数据，并获取所述预设时段内多个第二区域新能源发电功率数据及负荷数据，进行预处理；通过变分自编码器生成关于新能源与负荷的生成场景，得到场景生成数据，再利用深度学习模型进行模型训练，得到各个区域内的训练生成新能源发电功率数据及负荷数据；计算新能源与负荷匹配度，选出匹配度最大的第一区域与对应的第二区域的就近消纳能力方案。该方法具有良好的源荷概率分布规律分析，能够提高新能源就近消纳能力，达到了节能减排的作用，同时提高了新能源的利用率。

【技术实现步骤摘要】
一种新能源与多元负荷价值匹配方法及系统
本专利技术涉及新能源发电和电力系统的
，特别涉及一种新能源与多元负荷价值匹配方法及系统。
技术介绍
随着我国新能源行业发展迅猛，风电、光伏装机均已成为了世界第一。为了能够积极推进电力市场的建设，逐渐完善电力市场交易机制和交易策略。但是能源问题日益突出，随着能源供应的日益减少和节能减排约束不断提高，大力发展新能源的趋势越来越迅猛。面对有些区域新能源弃电率不断增加的情况，为了改善这种情况，不仅要在电力系统内部挖掘新能源消纳的潜力，还需要开展新能源参与市场交易，实现多维度协同消纳新能源。通过合理规范电力市场交易，深化电力资源的优化配置，积极推进电力市场建设，逐渐完善电力市场交易机制和交易策略，进而提高新能源消纳能力。面对负荷数据的不确定性，迫切的需要挖掘负荷数据的特性，如何有效进行概率建模已经刻不容缓。同时面对新能源消纳不足的当前形势，如何高效、准确、自动的实现对新能源的消纳，实现新能源和多元负荷的价值匹配已经成为一个非常紧迫的任务，在此强大需求推动下，相关技术和产品必将得到日臻完善以实现快速增长，对整个国家和区域节能减排起到重大意义。现有技术中，公开号为CN110571862A专利技术专利《一种光伏电站与电力负荷的时序匹配度分析方法及系统》，具有两点不足：(1)该系统的只做到收集历史负荷数据和简单的计算数据，缺点就是如果数据比较异常，将无法收集并计算到，无法学习数据的特征，只达到简单的收集和计算，并不能深度的挖掘数据的特点，分析数据之间的概率分布规律。(2)该系统的只计算了各时间段的匹配度就结束了，并没有进行下一步的用途说明，难以应用到实际的用途上。因此，针对新能源场站出力和多元负荷的实际情况，迫切需要设计一个新能源场站出力和多元负荷的价值匹配系统或方法。
技术实现思路
鉴于上述问题，本专利技术提供一种至少解决上述部分技术问题的新能源与多元负荷价值匹配系统方法及系统，可以实现选择最优的新能源与负荷的就近消纳方案，达到了节能减排的目的。第一方面，本专利技术实施例提供一种新能源与多元负荷价值匹配方法，包括以下步骤：S10、获取预设时段第一区域内的新能源发电功率数据及负荷数据，并获取所述预设时段内多个第二区域新能源发电功率数据及负荷数据，进行预处理；所述第二区域为具有消纳第一区域新能源潜力的区域；S20、将预处理后的第一区域内的新能源发电功率数据及负荷数据、多个第二区域的的新能源发电功率数据及负荷数据，通过变分自编码器生成关于新能源与负荷的生成场景，得到场景生成数据，再利用深度学习模型进行模型训练，得到第一区域内的训练生成新能源发电功率数据及负荷数据、多个第二区域的训练生成新能源发电功率数据及负荷数据；S30、根据各个区域的训练生成新能源出力数据及负荷数据，计算新能源与负荷匹配度，选出匹配度最大的两个区域之间的就近消纳能力方案。在一个实施例中，所述步骤S20，包括：1)数据编码：通过编码器将无标签的新能源出力数据及负荷数据降维成一组特征向量，再进行模型的拟合过程；2)数据解码：通过解码器将编码器中的一组特征向量再还原成输入数据；3)梯度反向传播：通过梯度反下降调整网络权重大小,经过反复的训练后，通过解码器学习到历史数据的分布规律；4)数据生成：通过VAE生成概率模型，输出层生成多组新能源与负荷场景集，得到各个区域的训练生成新能源出力数据及负荷数据。在一个实施例中，所述步骤S30，包括：1)将各个区域的训练生成负荷数据，分别各自减去自己区域的新能源出力数据，得到各个区域预设时段的广义平均负荷，公式如下：(1)式中，PL(t)表示各区域中某一区域内的训练生成负荷数据；PW(t)表示各区域中某一区域内的新能源出力数据；T表示周期时段数；2)叠加所有各个区域预设时段的广义平均负荷：(2)式中，N表示叠加区域的个数；PLj(t)表示第j个叠加区域的预设时段平均负荷；3)分别计算预设时段中各个区域的最大负荷Pmax，最小负荷Pmin，峰谷差Pv，峰谷差率Rv和波动率f；公式如下：Pv＝Pmax-Pmin(3)P′v＝P′max-P′min(4)(4)式中，P′v表示各个区域的广义平均负荷的峰谷差；P′max表示各个区域的广义平均负荷中的最大负荷；P′min表示各个区域的广义平均负荷中的最小负荷；Rv＝Pv/Pmax(5)R′v＝P′v/P′max(6)(6)式中，R′v表示各个区域的广义平均负荷的峰谷差率；(7)式中，表示各个区域预设时段的负荷平均值；s表示各个区域预设时段平均负荷的标准值；4)计算各个区域在预设时段的平均负荷和广义平均负荷的曲线斜率关联度γ，并计算各个区域之间的新能源负荷匹配度ρ；(8)式中，表示是周期为t+1时的广义平均负荷减去周期为t时的广义平均负荷差值；ΔPL(t)表示周期为t+1时的平均负荷减去周期为t时的平均负荷差值；和分别是广义平均负荷和平均负荷的方差；(9)式中，ρ表示第一区域与对应的第二区域的新能源负荷匹配度。第二方面，本专利技术实施例还提供一种新能源与多元负荷价值匹配系统，包括：获取预处理模块，用于获取预设时段第一区域内的新能源发电功率数据及负荷数据，并获取所述预设时段内多个第二区域新能源发电功率数据及负荷数据，进行预处理；所述第二区域为具有消纳第一区域新能源潜力的区域；场景生成模块，用于将预处理后的第一区域内的新能源发电功率数据及负荷数据、多个第二区域的的新能源发电功率数据及负荷数据，通过变分自编码器生成关于新能源与负荷的生成场景，得到场景生成数据，再利用深度学习模型进行模型训练，得到第一区域内的训练生成新能源发电功率数据及负荷数据、多个第二区域的训练生成新能源发电功率数据及负荷数据；源荷匹配模块，用于根据各个区域的训练生成新能源出力数据及负荷数据，计算新能源与负荷匹配度，选出匹配度最大的两个区域之间的就近消纳能力方案。在一个实施例中，所述场景生成模块，包括：数据编码单元：通过编码器将无标签的新能源出力数据及负荷数据降维成一组特征向量，再进行模型的拟合过程；数据解码单元：通过解码器将编码器中的一组特征向量再还原成输入数据；梯度反向传播单元：通过梯度反下降调整网络权重大小,经过反复的训练后，通过解码器学习到历史数据的分布规律；数据生成单元：通过VAE生成概率模型，输出层生成多组新能源与负荷场景集，得到各个区域的训练生成新能源出力数据及负荷数据。在一个实施例中，所述源荷匹配模块，具体用于：1)将各个区域的训练生成负荷数据，分别各自减去自己区域的新能源出力数据，得到各个区域预设时段的广义平均负荷，公式如下：(1)式中，PL(t)表示各区域中某一区域内的训练生成负荷数据；PW(t)表示各区域中某一区域内的新能源出力数据本文档来自技高网...

【技术保护点】
1.一种新能源与多元负荷价值匹配方法，其特征在于，包括以下步骤：/nS10、获取预设时段第一区域内的新能源发电功率数据及负荷数据，并获取所述预设时段内多个第二区域新能源发电功率数据及负荷数据，进行预处理；所述第二区域为具有消纳第一区域新能源潜力的区域；/nS20、将预处理后的第一区域内的新能源发电功率数据及负荷数据、多个第二区域的的新能源发电功率数据及负荷数据，通过变分自编码器生成关于新能源与负荷的生成场景，得到场景生成数据，再利用深度学习模型进行模型训练，得到第一区域内的训练生成新能源发电功率数据及负荷数据、多个第二区域的训练生成新能源发电功率数据及负荷数据；/nS30、根据各个区域的训练生成新能源出力数据及负荷数据，计算新能源与负荷匹配度，选出匹配度最大的两个区域之间的就近消纳能力方案。/n

【技术特征摘要】
1.一种新能源与多元负荷价值匹配方法，其特征在于，包括以下步骤：
S10、获取预设时段第一区域内的新能源发电功率数据及负荷数据，并获取所述预设时段内多个第二区域新能源发电功率数据及负荷数据，进行预处理；所述第二区域为具有消纳第一区域新能源潜力的区域；
S20、将预处理后的第一区域内的新能源发电功率数据及负荷数据、多个第二区域的的新能源发电功率数据及负荷数据，通过变分自编码器生成关于新能源与负荷的生成场景，得到场景生成数据，再利用深度学习模型进行模型训练，得到第一区域内的训练生成新能源发电功率数据及负荷数据、多个第二区域的训练生成新能源发电功率数据及负荷数据；
S30、根据各个区域的训练生成新能源出力数据及负荷数据，计算新能源与负荷匹配度，选出匹配度最大的两个区域之间的就近消纳能力方案。


2.如权利要求1所述的一种新能源与多元负荷价值匹配方法，其特征在于，所述步骤S20，包括：
1)数据编码：通过编码器将无标签的新能源出力数据及负荷数据降维成一组特征向量，再进行模型的拟合过程；
2)数据解码：通过解码器将编码器中的一组特征向量再还原成输入数据；
3)梯度反向传播：通过梯度反下降调整网络权重大小,经过反复的训练后，通过解码器学习到历史数据的分布规律；
4)数据生成：通过VAE生成概率模型，输出层生成多组新能源与负荷场景集，得到各个区域的训练生成新能源出力数据及负荷数据。


3.如权利要求2所述的一种新能源与多元负荷价值匹配方法，其特征在于，所述步骤S30，包括：
1)将各个区域的训练生成负荷数据，分别各自减去自己区域的新能源出力数据，得到各个区域预设时段的广义平均负荷，公式如下：



(1)式中，PL(t)表示各区域中某一区域内的训练生成负荷数据；PW(t)表示各区域中某一区域内的新能源出力数据；T表示周期时段数；
2)叠加所有各个区域预设时段的广义平均负荷：



(2)式中，N表示叠加区域的个数；PLj(t)表示第j个叠加区域的预设时段平均负荷；
3)分别计算预设时段中各个区域的最大负荷Pmax，最小负荷Pmin，峰谷差Pv，峰谷差率Rv和波动率f；公式如下：
Pv＝Pmax-Pmin(3)
P′v＝P′max-P′min(4)
(4)式中，P′v表示各个区域的广义平均负荷的峰谷差；P′max表示各个区域的广义平均负荷中的最大负荷；P′min表示各个区域的广义平均负荷中的最小负荷；
Rv＝Pv/Pmax(5)
R′v＝P′v/P′max(6)
(6)式中，R′v表示各个区域的广义平均负荷的峰谷差率；



(7)式中，表示各个区域预设时段的负荷平均值；s表示各个区域预设时段平均负荷的标准值；
4)计算各个区域在预设时段的平均负荷和广义平均负荷的曲线斜率关联度γ，并计算各个区域之间的新能源负荷匹配度ρ；






(8)式中，表示是周期为t+1时的广义平均负荷减去周期为t时的广义平均负荷差值；ΔPL(t)表示周期为t+1时的平均负荷减去周期为t时的平均负荷差值；和分别是广义平均负荷和平均负荷的方差；
(9)式中，ρ表示第一区域与对应的第二区域的新能源负荷匹配度。


4....

【专利技术属性】
技术研发人员：孙勇，李宝聚，李振元，王尧，吕项羽，李德鑫，刘畅，王熙，张海锋，庄冠群，
申请(专利权)人：国网吉林省电力有限公司，国网吉林省电力有限公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：吉林;22