一种电源型虚拟电厂功率预测方法、系统及存储介质技术方案

本发明专利技术公开了电源型虚拟电厂功率率预测技术领域的一种电源型虚拟电厂功率预测方法、系统及存储介质。所述方法包括对电源型虚拟电厂的原始功率序列进行预处理；对预处理后的原始功率序列进行分解，得到长、短时间尺度下的主成分序列；使用宽网络，得出长时间尺度下待预测的电源型虚拟电厂功率数据与输入主成分序列的映射关系，并输出预测结果；使用深网络，得出短时间尺度下待预测的电源型虚拟电厂功率数据与输入主成分序列的映射关系，并输出预测结果；运用全连接层将宽网络的预测结果与深网络的预测结果进行融合，得到最终的电源型虚拟电厂功率预测结果。本发明专利技术能够减少电源型虚拟电厂功率预测误差，提高预测结果的精度和稳定性。定性。定性。

【技术实现步骤摘要】
一种电源型虚拟电厂功率预测方法、系统及存储介质


[0001]本专利技术属于电源型虚拟电厂功率率预测
，具体涉及一种电源型虚拟电厂功率预测方法、系统及存储介质。

技术介绍

[0002]电源型虚拟电厂通过将分布式电源、可控负荷和储能系统、电动汽车等有机结合，作为一个特殊电厂参与电力市场和电网运行，可以将大规模新能源电力进行安全高效利用。但是由于电源型虚拟电厂聚合的能源种类繁多，风电、光伏等新能源功率又具有间歇性和波动性的特点，这些特性给电源型虚拟电厂的并网运行带来了挑战。通过对电源型虚拟电厂进行功率预测，可以实现分布式能源供需平衡，为虚拟电厂并网消纳提供重要保障。
[0003]目前广泛使用的电源型虚拟电厂功率预测方法主要分为统计法和物理法，另外还包括将多种方法组合起来的组合预测法。其中，物理法是基于虚拟电厂功率的历史数据和数值天气预报等多要素虚拟电厂物理数据的预测方法。基于物理法的虚拟电厂功率预测优点在于依赖的数据量小，模型简单，预测方便快捷；但预报得到的物理数据与真实数据间存在着较大的误差，这使物理法对风电功率预测精度普遍偏低。统计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽深神经网络的电源型虚拟电厂功率预测方法，其特征在于，包括：对电源型虚拟电厂的原始功率序列进行预处理；对预处理后的原始功率序列进行分解，分别得到长、短时间尺度下的主成分序列；使用宽网络TCN，得出长时间尺度下待预测的电源型虚拟电厂功率数据与输入主成分序列的映射关系，并输出宽网络TCN的预测结果；使用深网络LSTM，得出短时间尺度下待预测的电源型虚拟电厂功率数据与输入主成分序列的映射关系，并输出深网络LSTM的预测结果；运用全连接层将宽网络TCN的预测结果与深网络LSTM的预测结果进行融合，得到最终的电源型虚拟电厂功率预测结果。2.根据权利要求1所述的基于宽深神经网络的电源型虚拟电厂功率预测方法，其特征在于，所述对电源型虚拟电厂的原始功率序列进行预处理，包括：采用直接置零的方式对负值进行处理、利用前后两个时刻的电源型虚拟电厂功率值对超满发值和乱码进行修正、对空缺值进行填充、对原始功率序列进行归一化处理，所述归一化处理表达式为：其中，P
t”为归一化处理后t时刻的电源型虚拟电厂功率，P
t
'为归一化处理前t时刻的电源型虚拟电厂功率，max(P')预处理后的电源型虚拟电厂功率序列中的最大值，min(P')预处理后的电源型虚拟电厂功率序列中的最小值。3.根据权利要求1所述的基于宽深神经网络的电源型虚拟电厂功率预测方法，其特征在于，所述对预处理后的原始功率序列进行分解，分别得到长、短时间尺度下的主成分序列，包括：对预处理后的原始功率序列进行约束变分；通过引入拉格朗日乘子和二次罚函数，将约束变分结果转化转换为非约束性变分问题；利用交替方向乘子法迭代算法结合帕塞瓦尔、普朗歇尔定理和傅里叶等距变换，优化非约束性变分问题，分别得到长、短时间尺度下主成分序列的各模态分量和中心频率。4.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法，其特征在于，所述约束变分的约束条件为所有模态之和与原始信号相等，分解序列为具有中心频率的有限带宽的模态分量，且各模态的估计带宽之和最小，约束变分表达式为：其中，u
m
＝{u1,u2,...,u
m
}为分解电源型虚拟电厂功率序列的各模态分量，为二范数的平方表达式，δ(t)为冲激函数，为对时间t的一阶偏导，f(t)为电源型虚拟电厂原始功率序列，m为不同时间尺度下的分量数，长时间尺度下m为200维，短时间尺度下m为96维，为傅里叶变换基。5.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法，其特征
在于，所述非约束性变分问题的表达式为：其中，u
m
(t)＝{u1(t),u2(t),...,u
m
(t)}为t时刻分解电源型虚拟电厂功率序列的各模态分量，ω
m
＝{ω1,ω2,...,ω
m
}为各模态分量的中心频率，为二范数的平方表达式，δ(t)为冲激函数，为对时间t的一阶偏导，f(t)为电源型虚拟电厂原始功率序列，m为不同时间尺度下的分量数，长时间尺度下m为200维，短时间尺度下m为96维，α为引入的二次惩罚因子参数，λ(t)为t时刻的拉格朗日乘子。6.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法，其特征在于，所述长、短时间尺度下主成分序列的各模态分量和中心频率的表达式为：在于，所述长、短时间尺度下主成分序列的各模态分量和中心频率的表达式为：在于，所述长、短时间尺度下主成分序列的各模态分量和中心频率的表达式为：其中，τ为噪声容忍度，满足电源型虚拟电厂功率序列分解的保真度，其中，τ为噪声容忍度，满足电源型虚拟电厂功率序列分解的保真度，和分别为u
ms+1
(t)、u
i
(t)、f(t)和λ(t)的傅里叶变换，为当前频率与第s次迭代所得中心频率的L2距离，α为引入的二次惩罚因子参数，为第s+1次迭代后的各模态分量的中心频率，为第s+1次迭代后拉格朗日乘子，f(t)为电源型虚拟电厂原始功率序列，u
i
(t)为t时刻第i个模态分量，u
ms+1
(t)为第s+1次迭代后的各模态分量，λ(t)为t时刻的拉格朗日乘子。7.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法，其特征在于，所述使用宽网络TCN，得出长时间尺度下待预测的电源型虚拟电厂功率数据与输入主成分序列的映射关系，包括：将输入主成分序列经约束变分后得到的输出序列Ps，通过堆叠空洞卷积挖掘长时间尺度下虚拟电厂功率与主成分序列的映射关系，输出下一时刻的电源型虚拟电厂功率值P
t
，其中，t时刻电源型虚拟电厂功率值P
t
的空洞卷积...

【专利技术属性】
技术研发人员：暴悦爽，程雪婷，王金浩，王玮茹，郑惠萍，刘新元，李瑞，李蒙赞，皮军，张一帆，高宏，郑涛，金玉龙，窦迅，薄利明，王锬，段伟文，陈丹阳，芦耀辉，翟文娟，
申请(专利权)人：国网山西省电力公司晋城供电公司国电南瑞科技股份有限公司，
类型：发明
国别省市：