本申请提供一种日前调度计划偏差度估计模型训练方法、估计方法和装置，训练方法包括：获取综合能源基地的历史日前功率预测数据、历史日前调度计划出力数据和历史实际出力数据；确定历史实际出力数据和历史日前调度计划出力数据之间的偏差度数据并生成数据集；采用数据集训练预设的深度神经网络，以得到用于根据综合能源基地的日前调度计划出力数据和对应的日前功率预测数据输出针对日前调度计划出力数据的偏差度估计结果的日前调度计划偏差度估计模型。本申请能够有效预测计划与实际出力之间的执行偏差度，避免调度计划与实际实施调度差距过大，能够提前获知计划数据的执行不确定程度以便于提前调整，进而提升综合能源基地运行的稳定性及安全性。地运行的稳定性及安全性。地运行的稳定性及安全性。
【技术实现步骤摘要】
日前调度计划偏差度估计模型训练方法、估计方法和装置
[0001]本申请涉及能源调度
，尤其涉及日前调度计划偏差度估计模型训练方法、估计方法和装置。
技术介绍
[0002]大型能源基能将风、光、火电汇集后通过直流送出。大型能源基地的运行需要提前制定好风光火电的调度计划，避免由各种原因导致的备用容量不足或者由配置不合理导致的大量弃风弃光。提前制定的调度计划，如日前调度计划会与当日实际调度结果存在差异，但在制定计划时没有有效的方法估计这种差异可能会有多大。
[0003]目前，鲜有针对日前调度计划不确定度的估计方法，日前调度计划方法往往只输出对次日的调度计划，而不会去考虑这个计划在实施时的不确定度有多大，假设调度计划与实际实施调度差距过大，则这个计划的意义就很小，如果没有有效的计划，那么就会出现调度计划的准确度很差，但却无法被感知到的情况，因此也无法及时调整计划部署，可能会导致系统的安全稳定运行受到影响。
技术实现思路
[0004]鉴于此，本申请实施例提供了日前调度计划偏差度估计模型训练方法、估计方法和装置，以消除或改善现有技术中存在的一个或更多个缺陷。
[0005]本申请的第一个方面提供了一种日前调度计划偏差度估计模型训练方法，包括：
[0006]获取综合能源基地的历史日前功率预测数据、分别与该历史日前功率预测数据对应的历史日前调度计划出力数据和历史实际出力数据；
[0007]确定所述历史实际出力数据和历史日前调度计划出力数据之间的偏差度数据，并生成包含有所述历史日前功率预测数据、历史日前调度计划出力数据和偏差度数据之间对应关系的数据集；
[0008]采用所述数据集训练预设的深度神经网络，以得到用于根据所述综合能源基地的日前调度计划出力数据和对应的日前功率预测数据输出针对所述日前调度计划出力数据的偏差度估计结果的日前调度计划偏差度估计模型。
[0009]在本申请的一些实施例中，所述获取综合能源基地的历史日前功率预测数据、分别与该历史日前功率预测数据对应的历史日前调度计划出力数据和历史实际出力数据，包括：
[0010]获取综合能源基地的多个历史采样时间点分别对应的历史日前功率预测数据样本，每个所述历史日前功率预测数据样本中均包括：历史日前光伏功率预测数据和历史日前风电功率预测数据；
[0011]获取各个所述历史日前功率预测数据样本各自对应的次日的历史日前调度计划出力数据样本和历史实际出力数据样本，每个所述历史日前调度计划出力数据样本中均包括：历史日前计划光伏出力占比、历史日前计划风电出力占比和历史日前计划火电出力占
比；每个所述历史实际出力数据样本中均包括：历史实际光伏出力占比、历史实际风电出力占比和历史实际火电出力占比。
[0012]在本申请的一些实施例中，所述确定所述历史实际出力数据和历史日前调度计划出力数据之间的偏差度数据，并生成包含有所述历史日前功率预测数据、历史日前调度计划出力数据和偏差度数据之间对应关系的数据集，包括：
[0013]对各个所述历史日前调度计划出力数据样本和各个所述历史实际出力数据样本之间的偏差度进行量化处理，以得到各个所述偏差度数据；
[0014]根据各个所述历史日前功率预测数据样本、各个所述历史日前调度计划出力数据样本和各个所述偏差度数据之间的对应关系生成各个样本对，以得到包含有多个所述样本对的数据集。
[0015]在本申请的一些实施例中，在所述采用所述数据集训练预设的深度神经网络之前，还包括：
[0016]构建用于表示深度神经网络输出的偏差度估计结果与所述偏差度数据之间差异值的损失函数；
[0017]相对应的，所述采用所述数据集训练预设的深度神经网络，包括：
[0018]以所述损失函数的最小值为目标，基于所述数据集训练预设的深度神经网络。
[0019]在本申请的一些实施例中，所述历史日前功率预测数据、历史日前调度计划出力数据和偏差度数据均为时间序列数据；
[0020]相对应的，所述深度神经网络包括：LSTM模型。
[0021]在本申请的一些实施例中，所述对各个所述历史日前调度计划出力数据样本和各个所述历史实际出力数据样本之间的偏差度进行量化处理，包括：
[0022]基于预设的偏差度量化公式，对各个所述历史日前调度计划出力数据样本和各个所述历史实际出力数据样本之间的偏差度进行量化处理；
[0023]其中，所述偏差度量化公式包括：
[0024][0025]在公式(1)中，S
i
表示偏差度数据；N表示历史日前功率预测数据的采样数量；j＝1,2...N；R
Pij
表示历史实际光伏出力占比；表示历史日前计划光伏出力占比；R
Wij
表示历史实际风电出力占比；表示历史日前计划风电出力占比；R
Tij
表示历史实际火电出力占比；表示历史日前计划火电出力占比。
[0026]本申请的第二个方面还提供了一种综合能源基地的日前调度计划偏差度估计方法，包括：
[0027]获取综合能源基地的日前调度计划出力数据和对应的日前功率预测数据；
[0028]将所述日前调度计划出力数据和对应的日前功率预测数据输入日前调度计划偏差度估计模型，以使该日前调度计划偏差度估计模型输出所述日前调度计划出力数据对应的偏差度估计结果；
[0029]其中，所述日前调度计划偏差度估计模型预先基于所述的日前调度计划偏差度估计模型训练方法训练得到。
[0030]本申请的第三个方面还提供了一种日前调度计划偏差度估计模型训练装置，包括：
[0031]数据获取模块，用于获取综合能源基地的历史日前功率预测数据、分别与该历史日前功率预测数据对应的历史日前调度计划出力数据和历史实际出力数据；
[0032]偏差度确定模块，用于确定所述历史实际出力数据和历史日前调度计划出力数据之间的偏差度数据，并生成包含有所述历史日前功率预测数据、历史日前调度计划出力数据和偏差度数据之间对应关系的数据集；
[0033]模型训练模块，用于采用所述数据集训练预设的深度神经网络，以得到用于根据所述综合能源基地的日前调度计划出力数据和对应的日前功率预测数据输出针对所述日前调度计划出力数据的偏差度估计结果的日前调度计划偏差度估计模型。
[0034]本申请的第四个方面还提供了一种综合能源基地的日前调度计划偏差度估计装置，包括：
[0035]数据接收模块，用于获取综合能源基地的日前调度计划出力数据和对应的日前功率预测数据；
[0036]模型预测模块，用于将所述日前调度计划出力数据和对应的日前功率预测数据输入日前调度计划偏差度估计模型，以使该日前调度计划偏差度估计模型输出所述日前调度计划出力数据对应的偏差度估计结果；
[0037]其中，所述日前调度计划偏差度估计模型预先基于所述的日前调度计划偏差度估计模型训练方法训练得到。
[0038]本申请的第五个方面还提供了一种本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种日前调度计划偏差度估计模型训练方法，其特征在于，包括：获取综合能源基地的历史日前功率预测数据、分别与该历史日前功率预测数据对应的历史日前调度计划出力数据和历史实际出力数据；确定所述历史实际出力数据和历史日前调度计划出力数据之间的偏差度数据，并生成包含有所述历史日前功率预测数据、历史日前调度计划出力数据和偏差度数据之间对应关系的数据集；采用所述数据集训练预设的深度神经网络，以得到用于根据所述综合能源基地的日前调度计划出力数据和对应的日前功率预测数据输出针对所述日前调度计划出力数据的偏差度估计结果的日前调度计划偏差度估计模型。2.根据权利要求1所述的日前调度计划偏差度估计模型训练方法，其特征在于，所述获取综合能源基地的历史日前功率预测数据、分别与该历史日前功率预测数据对应的历史日前调度计划出力数据和历史实际出力数据，包括：获取综合能源基地的多个历史采样时间点分别对应的历史日前功率预测数据样本，每个所述历史日前功率预测数据样本中均包括：历史日前光伏功率预测数据和历史日前风电功率预测数据；获取各个所述历史日前功率预测数据样本各自对应的次日的历史日前调度计划出力数据样本和历史实际出力数据样本，每个所述历史日前调度计划出力数据样本中均包括：历史日前计划光伏出力占比、历史日前计划风电出力占比和历史日前计划火电出力占比；每个所述历史实际出力数据样本中均包括：历史实际光伏出力占比、历史实际风电出力占比和历史实际火电出力占比。3.根据权利要求2所述的日前调度计划偏差度估计模型训练方法，其特征在于，所述确定所述历史实际出力数据和历史日前调度计划出力数据之间的偏差度数据，并生成包含有所述历史日前功率预测数据、历史日前调度计划出力数据和偏差度数据之间对应关系的数据集，包括：对各个所述历史日前调度计划出力数据样本和各个所述历史实际出力数据样本之间的偏差度进行量化处理，以得到各个所述偏差度数据；根据各个所述历史日前功率预测数据样本、各个所述历史日前调度计划出力数据样本和各个所述偏差度数据之间的对应关系生成各个样本对，以得到包含有多个所述样本对的数据集。4.根据权利要求1所述的日前调度计划偏差度估计模型训练方法，其特征在于，在所述采用所述数据集训练预设的深度神经网络之前，还包括：构建用于表示深度神经网络输出的偏差度估计结果与所述偏差度数据之间差异值的损失函数；相对应的，所述采用所述数据集训练预设的深度神经网络，包括：以所述损失函数的最小值为目标，基于所述数据集训练预设的深度神经网络。5.根据权利要求1所述的日前调度计划偏差度估计模型训练方法，其特征在于，所述历史日前功率预测数据、历史日前调度计划出力数据和偏差度数据均为时间序列数据；相对应的，所述深度神经...
【专利技术属性】
技术研发人员：章卓雨，杭楠，柳谦，郭小江，汤海雁，申旭辉，王守燊，赫卫国，陈健，牛尧，吕哲，巴蕾，李铮，王鸿策，孙财新，潘霄峰，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
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。