【技术实现步骤摘要】
一种基于深度学习的分布式新能源出力估计方法
[0001]本专利技术属于新能源
，尤其涉及一种基于深度学习的分布式新能源出力估计方法。
技术介绍
[0002]新能源(NE)：又称非常规能源。是指传统能源之外的各种能源形式。指刚开始开发利用或正在积极研究、有待推广的能源，如太阳能、地热能、风能、海洋能、生物质能和核聚变能等。新能源一般是指在新技术基础上加以开发利用的可再生能源，包括太阳能、生物质能、风能、地热能、波浪能、洋流能和潮汐能，以及海洋表面与深层之间的热循环等；此外，还有氢能、沼气、酒精、甲醇等，而已经广泛利用的煤炭、石油、天然气、水能等能源，称为常规能源。随着常规能源的有限性以及环境问题的日益突出，以环保和可再生为特质的新能源越来越得到各国的重视；然而，现有新能源出力估计方法不能准确确定新能源出力的概率分布；同时，传统基于风速/光照强度的新能源出力概率模型无法反映时间和空间特性的客观问题，无法为电力系统精细化规划计算与分析提供基础数据，因此，电网安全稳定分析的合理性得不到保障。
[0003]通过上述分析，...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的分布式新能源出力估计方法，其特征在于，所述基于深度学习的分布式新能源出力估计方法包括以下步骤：步骤一，分布式采集新能源出力数据；根据出力数据计算新能源出力状态；构建新能源出力的概率分布模型；根据概率分布模型、出力状态和预先挖掘的新能源出力状态转移规律，确定设定时长后新能源出力状态及出力状态的概率；对新能源出力进行仿真模拟；步骤二，根据新能源出力数据预测新能源发电功率；对预测功率数据序列进行分割，初始化预测功率分段区间，依据功率预测数据所属分段映射的预测误差分段区间初始化预测误差分段区间，估计给定置信度下各预测误差分段区间的可信区间；步骤三，根据各预测误差分段区间的可信区间拟合预测功率曲线的可信上限曲线和可信下限曲线，建立以预测估计偏差越界点占比最小为目标的最佳可信区间估计模型，以表征分割点是否为预测功率分段点的决策变量为最佳可信区间估计模型的控制变量优化预测估计偏差越界点集合。2.如权利要求1所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述构建新能源出力的概率分布模型方法如下：(1)调查历史新能源发电信息；获取目标新能源出力的样本，多个所述样本构成样本序列；(2)根据样本序列，建立目标新能源出力的最优带宽选择模型；采用非参数核密度估计法对所述最优带宽选择模型的边缘分布进行估计，得到第一分布函数和第二分布函数；根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽；建立概率分布模型；根据所述最优带宽，得到核密度估计值；(3)通过K
‑
S检验对所述概率分布模型进行拟合度检验，若满足精度要求，则得到概率分布模型；否则，返回上步。3.如权利要求2所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽，具体步骤如下：计算第一分布函数和第二分布函数的积分均方误差，得到带宽；对所述最优带宽选择模型进行K
‑
S检验，得到最优带宽选择模型的K
‑
S检验统计量；判断所述最优带宽选择模型的K
‑
S检验统计量是否大于K
‑
S检验统计量的临界值；若所述最优带宽选择模型的K
‑
S检验统计量大于K
‑
S检验统计量的临界值，则重新计算带宽；若所述最优带宽选择模型的K
‑
S检验统计量不大于K
‑
S检验统计量的临界值，则所述带宽为最优带宽。4.如权利要求2所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述对所述最优带宽选择模型进行K
‑
S检验，得到最优带宽选择模型的K
‑
S检验统计量，具体步骤如下：计算第一分布函数和第二分布函数的最大绝对差值，得到所述最优带宽选择模型的K
‑
S检验统计量；通过查表，判断所述最优带宽选择模型的K
‑
S检验统计量是否大于K
‑
S检验统计量的临界值。5.如权利要求1所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述对
...
【专利技术属性】
技术研发人员：许国良，陈宝红，
申请(专利权)人：苏州瑞城电力科技有限公司，
类型：发明
国别省市：
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。