一种新型电力系统评估方法及系统技术方案

本发明专利技术公开了一种新型电力系统评估方法及系统，包括：构建源荷

【技术实现步骤摘要】
一种新型电力系统评估方法及系统


[0001]本专利技术涉及电力系统评估
，并且更具体地，涉及一种新型电力系统评估方法及系统。

技术介绍

[0002]随着能源绿色低碳转型的持续推进，可再生能源在电力系统能源供应中的占比逐渐增大，且传统电力系统结构形态与市场机制难以支撑高比例新能源消纳，迫切需要构建以新能源为主体的新型电力系统。而构建新型电力系统是一个复杂的系统工程，仍面临电网安全运行分析复杂化、缺乏支持源网荷储互动的市场机制，电力资源优化深度不足等问题。上述问题无法在制定电力系统规划与运行方案时给予相应的决策依据，为客观反映新型电力系统建设现状，展现新型电力系统发展进程，急需构建新型电力系统建设评估体系及评价方法，实现新型电力系统建设的科学分析与评价。
[0003]另外，长短期记忆神经网络是一种特殊的循环神经网络，由遗忘门限、输入门限、输出门限和神经单元状态组成，主要特点是能够学习长距离依赖关系，即记住长时间段的信息，可以应对循环神经网络中的梯度衰减问题，并更好地捕捉时间序列中时间步距离较大的依赖关系。正是由于这种优势，我们将长短期记忆神经网络应用于新型电力系统评估中。但是基本的长短期记忆神经网络通过使用基于梯度下降的误差逆传输方法来更新网络参数，这种参数更新方法存在容易陷入局部极值、最优网络参数不确定等问题。
[0004]所以急需找到更好的方法与神经网络结合起来，确定一种新型电力系统评估方法。

技术实现思路

[0005]本专利技术提出一种新型电力系统评估方法及系统，以解决如何对新型电力系统进行评估的问题。
[0006]为了解决上述问题，根据本专利技术的一个方面，提供了一种新型电力系统评估方法，所述方法包括：
[0007]构建源荷
‑
绿色智能多层次多维评估体系；
[0008]基于所述源荷
‑
绿色智能多层次多维评估体系，确定训练数据；其中，所述训练数据包括多组不同评价指标对应的属性值和评价目标值；
[0009]将改进的流体搜寻优化算法引入到用于新型电力系统评估的长短期记忆神经网络模型中，并基于所述训练数据进行训练，确定长短期记忆神经网络的最优网络参数，以基于所述最优网络参数确定用于新型电力系统评估的长短期记忆神经网络最优模型；
[0010]基于所述长短期记忆神经网络最优模型对目标新型电力系统进行评估，确定评估结果。
[0011]优选地，其中所述源荷
‑
绿色智能多层次多维评估体系，包括：内部评估因素和外部评估因素；其中，内部评估因素包括：火电机组参与深度调峰电量、峰荷时段火电机组爬
坡裕度、净负荷日最大峰谷差率和净负荷日变化率；外部评估因素包括：一次能源综合利用率、可再生能源占比、供电可靠性、调峰容量比、智能化配电网容量比和变电一次设备智能化率。
[0012]优选地，其中所述长短期记忆神经网络最优模型，包括:遗忘门限、输入门限、输出门限和神经单元状态：其中，在训练过程中，前向计算每个神经元的输出值f
t
、i
t
、C
t
、o
t
、h
t
，再沿时间反方向和上一层反向传播误差项，根据误差项，基于梯度下降法，计算每个权重的梯度来调整模型参数，使模型的预测输出与实际输出契合；并迭代上述过程训练网络模型，直至满足训练误差精度或最大迭代次数时，确定长短期记忆神经网络的最优网络参数，并基于所述最优网络参数确定用于新型电力系统评估的长短期记忆神经网络最优模型。
[0013]优选地，其中所述方法还包括：
[0014]基于改进的流体搜寻优化算法对训练过程中长短期记忆神经网络权重进行自适应学习，包括：
[0015]step1：初始化流体搜寻优化算法参数，包括：随机初始化流体无穷小的位置X
i
，流体速度V
i
＝0，速度方向D＝0，密度ρ＝1，以及初始压力p0＝1；
[0016]step2：计算适应度函数值，包括：根据流体无穷小的位置X
i
，计算每个无穷小的适应度函数值y
i
，更新最佳拟合函数值y
best
和最差拟合函数值y
worst
，并计算当前无穷小单元格中其他无穷小的数目。
[0017]step3：根据个体多样性的概率函数选择是否对y
best
和y
worst
进行震荡退火；其中，个体多样性用流体搜寻优化算法中流体无穷小密度表示，通过sigmoid函数将密度函数映射为0和1之间的概率值p1，然后通过随机数选择是否进行退火震荡后更新粒子速度位置；其中，
[0018][0019][0020]step4：对y
best
和y
worst
进行震荡退火，该步骤结束后执行step5。首先，设置退火初始温度为：
[0021][0022]然后，在各个体的单元附近产生一个新个体x
’
＝x+Δx，并计算目标函数值增量Δf(x)＝f(x
’
)
‑
f(x)。按下式计算p2选择是否保留原来个体：
[0023][0024][0025]上述模拟退火操作执行l
k
次，每次执行完按温度衰减更新公式降低温度：
[0026]T(k)＝δ
k
T0，
[0027]式中，δ是退火系数；
[0028]step5：计算出各适应度函数对应的流体无穷小压力、方向、速度和下一次的迭代的流体无穷小速度矢量；
[0029]step6：更新每个流体无穷小的位置，判断当前迭代次数是否达到最大迭代次数，如果没有满足则进入步骤step2，否则迭代终止。
[0030]优选地，其中所述方法采用改进流体搜寻优化算法求解长短期记忆神经网络误差函数，以求解出长短期记忆神经网络的最优网络参数；其中，误差函数包括：
[0031][0032]其中，Error为误差值；M为训练样本数；y和分别为改进长短期记忆神经网络输出的预测值与实际值。
[0033]根据本专利技术的另一个方面，提供了一种新型电力系统评估系统，所述系统包括：
[0034]评估体系构建单元，用于构建源荷
‑
绿色智能多层次多维评估体系；
[0035]训练数据确定单元，用于基于所述源荷
‑
绿色智能多层次多维评估体系，确定训练数据；其中，所述训练数据包括多组不同评价指标对应的属性值和评价目标值；
[0036]模型确定单元，用于将改进的流体搜寻优化算法引入到用于新型电力系统评估的长短期记忆神经网络模型中，并基于所述训练数据进行训练，确定长短期记忆神经网络的最优网络参数，以基于所述最优网络参数确定用于新型电力系统评估的长短期记忆神经网络最优模型；
[0037]评估单元，用于基于所述长短期记忆神经网络最优模型对目标新型电力系统进行评估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型电力系统评估方法，其特征在于，所述方法包括：构建源荷
‑
绿色智能多层次多维评估体系；基于所述源荷
‑
绿色智能多层次多维评估体系，确定训练数据；其中，所述训练数据包括多组不同评价指标对应的属性值和评价目标值；将改进的流体搜寻优化算法引入到用于新型电力系统评估的长短期记忆神经网络模型中，并基于所述训练数据进行训练，确定长短期记忆神经网络的最优网络参数，以基于所述最优网络参数确定用于新型电力系统评估的长短期记忆神经网络最优模型；基于所述长短期记忆神经网络最优模型对目标新型电力系统进行评估，确定评估结果。2.根据权利要求1所述的方法，其特征在于，所述源荷
‑
绿色智能多层次多维评估体系，包括：内部评估因素和外部评估因素；其中，内部评估因素包括：火电机组参与深度调峰电量、峰荷时段火电机组爬坡裕度、净负荷日最大峰谷差率和净负荷日变化率；外部评估因素包括：一次能源综合利用率、可再生能源占比、供电可靠性、调峰容量比、智能化配电网容量比和变电一次设备智能化率。3.根据权利要求1所述的方法，其特征在于，所述长短期记忆神经网络最优模型，包括:遗忘门限、输入门限、输出门限和神经单元状态：其中，在训练过程中，前向计算每个神经元的输出值f
t
、i
t
、C
t
、o
t
、h
t
，再沿时间反方向和上一层反向传播误差项，根据误差项，基于梯度下降法，计算每个权重的梯度来调整模型参数，使模型的预测输出与实际输出契合；并迭代上述过程训练网络模型，直至满足训练误差精度或最大迭代次数时，确定长短期记忆神经网络的最优网络参数，并基于所述最优网络参数确定用于新型电力系统评估的长短期记忆神经网络最优模型。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于改进的流体搜寻优化算法对训练过程中长短期记忆神经网络权重进行自适应学习，包括：step1：初始化流体搜寻优化算法参数，包括：随机初始化流体无穷小的位置X
i
，流体速度V
i
＝0，速度方向D＝0，密度ρ＝1，以及初始压力p0＝1；step2：计算适应度函数值，包括：根据流体无穷小的位置X
i
，计算每个无穷小的适应度函数值y
i
，更新最佳拟合函数值y
best
和最差拟合函数值y
worst
，并计算当前无穷小单元格中其他无穷小的数目。step3：根据个体多样性的概率函数选择是否对y
best
和y
worst
进行震荡退火；其中，个体多样性用流体搜寻优化算法中流体无穷小密度表示，通过sigmoid函数将密度函数映射为0和1之间的概率值p1，然后通过随机数选择是否进行退火震荡后更新粒子速度位置；其中，，然后通过随机数选择是否进行退火震荡后更新粒子速度位置；其中，step4：对y
best
和y
worst
进行震荡退火，该步骤结束后执行step5；首先，设置退火初始温度为：
然后，在各个体的单元附近产生一个新个体x
’
＝x+Δx，并计算目标函数值增量Δf(x)＝f(x
’
)
‑
f(x)；按下式计算p2选择是否保留原来个体：选择是否保留原来个体：上述模拟退火操作执行l
k
次，每次执行完按温度衰减更新公式降低温度：T(k)＝δ
k
T0，式中，δ是退火系数；step5：计算出各适应度函数对应的流体无穷小压力、方向、速度和下一次的迭代的流体无穷小速度矢量；step6：更新每个流体无穷小的位置，判断当前迭代次数是否达到最大迭代次数，如果没有满足则进入步骤step2，否则迭代终止。5.根据权利要求4所述的方法，其特征在于，所述方法采用改进流体搜寻优化算法求解长短期记忆神经网络误差函数，以求解出长短期记忆神经网络的最优网络参数；其中，误差函数包括：其中，Error为误差值；M为训练样本数；y和分别为改进长短期记忆神经网络输出的预测值与实际值。6.一种新型电力系统评估系统，其特征在于，所述系统包括：评估体系构建...

【专利技术属性】
技术研发人员：韩凝晖，崔艳妍，沈豫，曾振松，林伟芳，魏春霞，吉平，杨水丽，
申请(专利权)人：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：