基于新能源预测的深度学习修正的区域优化调度方法技术

本发明专利技术属于新能源预测技术领域，具体为基于新能源预测的深度学习修正的区域优化调度方法，包括步骤1：功率不平衡计算；步骤2：基于SDAE的特征提取；步骤3：基于SDAE和SVM的分类模型，利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息，将爬坡事件发生与否看作为二分类问题，通过SVM实现分类，输出为1和0分别表示是否发生爬坡事件；步骤4：爬坡事件预测流程，包括样本生成、特征选择以及训练和应用，其结构合理，能够实现考虑机组和联络线的调节能力，利用运行数据和部分预测数据快速判断是否发生爬坡事件，能够对爬坡事件进行有效辨识，可用于新能源爬坡事件的预警与安全防控，从而提高电力系统的安全运行水平。从而提高电力系统的安全运行水平。从而提高电力系统的安全运行水平。

【技术实现步骤摘要】
基于新能源预测的深度学习修正的区域优化调度方法


[0001]本专利技术涉及新能源预测
，具体为基于新能源预测的深度学习修正的区域优化调度方法。

技术介绍

[0002]为应对气候变化，能源革命持续进行，风电、光伏等新能源接人电网的比例逐渐增大。2018年底我国风电和光伏累计装机容量分别达到221GW和174GW高比例新能源的接入，在带来巨大环境效益的同时，也给电网的安全稳定运行带来极大挑战。
[0003]受地形、温度和光照强度等因素的影响，新能源呈现出地区分布不均衡的现象，局部地区风能或光照资源丰富，风电场和光伏电站密集，呈现出大规模集中分布的特点，使得在一段时间内其出力表现出强相关性，可能会出现出力短时间内的大幅变化，如果此时电网备用和调节能力不足以平衡这种变化，电网可能因功率大幅缺额而出现频率降低，导致损失大量负荷的爬坡事件。美国德克萨斯州电网2008年发生了风电功率大规模下降的爬坡事件，因风电功率预测存在较大误差，使得调度中心出现误判，未能及时采取预防控制措施，造成频率下降至59.85Hz，最终1150MW负荷被切除，才使频率恢复至额定值，造成了较大的经济损失，因此，在新能源渗透率逐渐增大的背景下，深人研究爬坡事件的快速准确预测，对于及时采取应对措施，保证电网安全稳定运行具有重要意义。
[0004]基于上述问题，我们提出一种新型的基于新能源预测的深度学习修正的区域优化调度方法。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于现有技术中存在的问题，提出了本专利技术。
[0007]因此，本专利技术的目的是提供基于新能源预测的深度学习修正的区域优化调度方法，能够实现考虑机组和联络线的调节能力，利用运行数据和部分预测数据快速判断是否发生爬坡事件，能够对爬坡事件进行有效辨识，可用于新能源爬坡事件的预警与安全防控，从而提高电力系统的安全运行水平。
[0008]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0009]基于新能源预测的深度学习修正的区域优化调度方法，其包括如下步骤：
[0010]步骤1：功率不平衡计算，设系统负荷功率、风电出力和光伏出力的预测值分别为P1、P2、P3，N台常规火电机组的出力分别为PN，抽水蓄能发电功率为PH，功率缺额为P，正常情况下，由于发电机的调节作用，P在一定范围内变化，当P超过阈值时，表示系统存在不可接受的功率缺额，即认为发生了爬坡事件；
[0011]步骤2：基于SDAE的特征提取，降噪自动编码器DAE是将随机噪声引人编码器，在训练时消除噪声干扰，能从受损的输人中获得更具鲁棒性的表达；
[0012]步骤3：基于SDAE和SVM的分类模型，利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息，将爬坡事件发生与否看作为二分类问题，通过SVM实现分类，输出为1和0分别表示是否发生爬坡事件；
[0013]步骤4：爬坡事件预测流程，包括样本生成、特征选择以及训练和应用。
[0014]作为本专利技术所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤1中，直流联络线还需要满足每个档位的调节范围，传输功率可调范围通常划分为几个离散区间。
[0015]作为本专利技术所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤2中，将DAE栈式堆叠成深层结构，可以获得更抽象和细致的特征，利用贪婪无监督学习算法进行预训练，使输出尽可能逼近输入，实现层次特征提取功能。
[0016]作为本专利技术所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤4中，样本生成的具体流程为，将所有选取时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，判断是否发生爬坡事件。
[0017]作为本专利技术所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤4中，特征选择的具体流程为，将当前时刻的不平衡量和交直流联络线的功率作为输人特征，下一时刻的负荷、风电和光伏预测值与当前时刻的差也作为输人特征；首先，计算出当前时刻的功率不平衡量和交直流联络线的注入功率；然后，计算下一时刻的负荷、风电和光伏的预测值与当前时刻的差；最后，计算下一时刻常规机组、抽水蓄能电站和交直流联络线功率的可调量。
[0018]作为本专利技术所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤4中，训练和应用的具体步骤包括：
[0019](1)SDAE采用sigmoid函数作为激活函数，将步骤4所选特征作为初始特征输人，利用贪婪无监督学习算法进行预训练，得到每个隐藏层的特征；
[0020](2)将上述中所有隐藏层的特征作为SVM的输人，SVM的核函数选用径向基函数，采用步骤4中的样本生成产生样本，用误差反向传播算法进行训练；
[0021](3)运用训练好的SDAE和SVM组合模型，将当前时刻的运行数据和下一时刻的预测数据作为SDAE的输人，其输出为是否发生爬坡事件；针对预测为爬坡事件的运行场景，通过数值仿真具体计算出有功不平衡量，并生成相应的安全防控措施。
[0022]与现有技术相比，本专利技术的有益效果是：能够实现考虑机组和联络线的调节能力，利用运行数据和部分预测数据快速判断是否发生爬坡事件，能够对爬坡事件进行有效辨识，可用于新能源爬坡事件的预警与安全防控，从而提高电力系统的安全运行水平。
附图说明
[0023]为了更清楚地说明本专利技术实施方式的技术方案，下面将结合附图和详细实施方式对本专利技术进行详细说明，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得
其它的附图。其中：
[0024]图1为本专利技术步骤流程结构示意图。
具体实施方式
[0025]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方式做详细的说明。
[0026]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施方式的限制。
[0027]其次，本专利技术结合示意图进行详细描述，在详述本专利技术实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0028]为使本专利技术的目的、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：包括如下步骤：步骤1：功率不平衡计算，设系统负荷功率、风电出力和光伏出力的预测值分别为P1、P2、P3，N台常规火电机组的出力分别为PN，抽水蓄能发电功率为PH，功率缺额为P，正常情况下，由于发电机的调节作用，P在一定范围内变化，当P超过阈值时，表示系统存在不可接受的功率缺额，即认为发生了爬坡事件；步骤2：基于SDAE的特征提取，降噪自动编码器DAE是将随机噪声引人编码器，在训练时消除噪声干扰，能从受损的输人中获得更具鲁棒性的表达；步骤3：基于SDAE和SVM的分类模型，利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息，将爬坡事件发生与否看作为二分类问题，通过SVM实现分类，输出为1和0分别表示是否发生爬坡事件；步骤4：爬坡事件预测流程，包括样本生成、特征选择以及训练和应用。2.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：所述步骤1中，直流联络线还需要满足每个档位的调节范围，传输功率可调范围通常划分为几个离散区间。3.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：所述步骤2中，将DAE栈式堆叠成深层结构，可以获得更抽象和细致的特征，利用贪婪无监督学习算法进行预训练，使输出尽可能逼近输入，实现层次特征提取功能。4.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征...

【专利技术属性】
技术研发人员：许新华，高刚，刘坤杰，徐永嘉，李晓江，陈志星，高玉文，王学飞，
申请(专利权)人：华电宁夏能源有限公司，
类型：发明
国别省市：