一种风光荷联合预测方法技术

本发明专利技术公开一种风光荷联合预测方法，通过多源异构数据同化构建风光荷样本集，通过高维特征构建与优选生成风光荷高维特征集合，基于风光荷高维特征集合与代价敏感学习得到新能源预测典型场景辨识模型；基于Stacking深度学习组合模型与典型场景辨识模型实现新能源场站的精细化建模，通过改进统计升尺度法将场站的功率预测结果升维至省级集群；基于风电、光伏省级集群功率与省级电力负荷历史数据实现省级负荷预测；通过基于B/S结构的风光荷联合预测系统，对各场站、集群、省级集群风光荷功率进行联合预测。通过本发明专利技术可实现不同典型场景下的风光荷精细化建模与联合预测，提升风电、光伏、负荷预测精度，具有一定推广价值。具有一定推广价值。具有一定推广价值。

【技术实现步骤摘要】
一种风光荷联合预测方法


[0001]本专利技术涉及一种风光荷联合预测方法，属于新能源功率预测与负荷预测领域。

技术介绍

[0002]建设以新能源为主体的新型电力系统，是实现“双碳”目标的重要途径。但新能源存在强随机性、波动性、低抗扰性和弱支撑性等固有弱点，对电力系统稳定运行带来挑战。受风、光等资源特性限制，风电机组日波动最大幅度可达装机容量的八成，不确定性强，且呈现一定的反调峰特性。光伏发电则受昼夜交替、云层遮挡等影响，同样存在较强随机性。因此新型电力系统实际运行中不仅需要调节火电等常规机组出力以平衡负荷波动，还需要适应新能源的不确定性。随着经济社会的发展，随机性强、不确定性高的新型负荷使得电力系统的运行状况愈发复杂。
[0003]准确的新能源及负荷预测能有效刻画电源侧及负荷侧的波动性，是电力系统不同时空尺度下电力电量平衡的重要技术手段之一。但现有预测系统多为仅针对单一对象进行预测的产品，如欧盟ANEMOS.plus系统、电科院WPFS系统等均为针对风电功率预测的系统，还有针对光伏功率预测的电科院SPFS系统。
[0004]通过研发一种风光荷联合预测系统，利用风电与光伏互补特性提出基于多任务学习与深度学习集成网络的风光联合预测方法，创造性的利用风电、光伏等新能源对负荷水平的影响，构建基于风光功率预测与历史功率驱动的负荷预测方法，最终实现高精度、高可靠性的风光荷联合预测，并将以上功能整合在系统中，为电力系统调度提供技术支撑，具有较高经济价值与社会效益。

技术实现思路

[0005]本专利技术的目的为解决上述
技术介绍
中存在的问题，提供一种风光荷联合预测方法，通过本专利技术可实现不同典型场景下的风光荷精细化建模与联合预测，提升风电、光伏、负荷预测精度，具有一定推广价值。
[0006]本专利技术的目的由以下技术措施实现：
[0007]一种风光荷联合预测方法，其特征在于按以下步骤进行：
[0008]S1：对不同结构的风电数据、光伏数据、负荷数据进行多源异构数据同化，构建风光荷预测样本集，通过高维特征构建与优选生成风光荷高维特征集合，基于风光荷高维特征集合与代价敏感学习得到新能源预测典型场景辨识模型；
[0009]S2：基于S1构建的风光荷高维特征集合与新能源预测典型场景辨识模型，通过KFold交叉验证对经过新能源预测典型场景辨识模型与划分的风光荷预测样本集进行拆分，基于模型堆叠方法(Stacking)对长短期记忆网络模型(LSTM)、门控循环网络模型(GRU)和时间卷积网络模型(TCN)深度学习基学习器进行集成，利用风光荷高维特征集合对集成的模型进行训练，得到新能源场站级功率预测模型，最后基于改进统计升尺度法对省级集群功率进行预测，得到风电、光伏省级集群功率；
[0010]S3：基于S2得到的风电、光伏省级集群功率与省级电力负荷历史数据实现省级负荷预测；通过基于浏览器/服务器模式(B/S)的风光荷联合预测系统，对各场站、集群、省级集群风光荷功率进行联合预测。
[0011]进一步地，所述S1步骤中，具体步骤包括：
[0012]S1.1：对不同结构的风电数据、光伏数据、负荷数据，进行多源异构数据同化，对空缺数据进行三次线性插值补齐，对异常数据进行处理及进行数据降噪，构建风光荷预测样本集；
[0013]S1.2：基于S1.1构建的风光荷预测样本集，通过经验模态分解、邻近场站特征构建和特征升维方法构建高维时空特征，基于主成分分析(PCA)线性相关性分析与Copula函数非线性相关性分析，对高维时空特征进行优选，构建风光荷高维特征集合；
[0014]S1.3：基于S1.2构建的风光荷高维特征集合，对极热无风、低温寒潮、和/或台风的新能源典型场景进行划分与编码，通过时间序列生成对抗性网络(TimeGAN)生成对抗网络对各场景的样本进行扩充，最后基于代价敏感学习得到新能源预测典型场景辨识模型。
[0015]进一步地，所述S2步骤中，具体步骤包括：
[0016]S2.1：将S1.1构建的风光荷高维特征集合输入S1.3得到新能源预测典型场景辨识模型中进行场景辨识；
[0017]S2.2：基于S2.1场景辨识结果，利用KFold对不同场景数据进行划分，通过Stacking模型对LSTM、GRU、TCN深度学习基学习器进行集成得到新能源场站级功率预测模型；
[0018]S2.3：基于特征聚类对省级集群进行子区域划分，基于场站功率与集群功率的匹配程度与场站功率预测精度选择区域内代表性场站，通过BPNN机器学习模型将得到的区域内代表性场站功率预测结果进行升尺度至省级集群功率预测结果，得到风电、光伏省级集群功率。
[0019]进一步地，所述S3步骤中，具体步骤包括：
[0020]S3.1：基于S2.3得到的风电、光伏省级集群功率与多任务学习构建风光功率联合预测；基于多任务学习风光功率联合预测结果与省级电力负荷历史数据的省级负荷预测；基于Vue构建Web界面，基于ECharts进行数据展示，基于MySQL对数据库进行管理，通过Flask框架实现后端服务器功能；
[0021]S3.2：通过电力调度中心收集的数据进行日前与短期、超短期风光荷联合预测，为调度提供技术支撑。
[0022]通过本专利技术可实现不同典型场景下的风光荷精细化建模与联合预测，提升风电、光伏、负荷预测精度，具有一定推广价值。
附图说明
[0023]图1为本专利技术的整体流程结构框图。
具体实施方式
[0024]下面结合本专利技术实施方式中的附图进行具体的描述，本专利技术的目的是提供一种风光荷联合预测方法。
[0025]如图1所示，一种风光荷联合预测方法，其特征在于按以下步骤进行：
[0026]S1：对不同结构的风电数据、光伏数据、负荷数据进行多源异构数据同化，构建风光荷预测样本集，通过高维特征构建与优选生成风光荷高维特征集合，基于风光荷高维特征集合与代价敏感学习得到新能源预测典型场景辨识模型；其具体步骤如下：
[0027]S1.1：对不同结构的风电数据、光伏数据、负荷数据，进行多源异构数据同化，对空缺数据进行三次线性插值补齐，对异常数据进行处理及进行数据降噪，构建风光荷预测样本集；
[0028]S1.2：基于S1.1构建的风光荷预测样本集，通过经验模态分解、邻近场站特征构建和特征升维方法构建高维时空特征，基于主成分分析(PCA)线性相关性分析与Copula函数非线性相关性分析，对高维时空特征进行优选，构建风光荷高维特征集合；
[0029]S1.3：基于S1.2构建的风光荷高维特征集合，对极热无风、低温寒潮、和/或台风的新能源典型场景进行划分与编码，通过时间序列生成对抗性网络(TimeGAN)生成对抗网络对各场景的样本进行扩充，最后基于代价敏感学习得到新能源预测典型场景辨识模型。
[0030]S2：基于S1构建的风光荷高维特征集合与新能源预测典型场景辨识模型，通过KFold交叉验证对经过新能源预测典型场景辨识模型与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风光荷联合预测方法，其特征在于按以下步骤进行：S1：对不同结构的风电数据、光伏数据、负荷数据进行多源异构数据同化，构建风光荷预测样本集，通过高维特征构建与优选生成风光荷高维特征集合，基于风光荷高维特征集合与代价敏感学习得到新能源预测典型场景辨识模型；S2：基于S1构建的风光荷高维特征集合与新能源预测典型场景辨识模型，通过KFold交叉验证对经过新能源预测典型场景辨识模型与划分的风光荷预测样本集进行拆分，基于模型堆叠方法(Stacking)对长短期记忆网络模型(LSTM)、门控循环网络模型(GRU)和时间卷积网络模型(TCN)深度学习基学习器进行集成，利用风光荷高维特征集合对集成的模型进行训练，得到新能源场站级功率预测模型，最后基于改进统计升尺度法对省级集群功率进行预测，得到风电、光伏省级集群功率；S3：基于S2得到的风电、光伏省级集群功率与省级电力负荷历史数据实现省级负荷预测；通过基于浏览器/服务器模式(B/S)的风光荷联合预测系统，对各场站、集群、省级集群风光荷功率进行联合预测。2.根据权利要求1所述的一种风光荷联合预测方法，其特征在于，所述S1步骤中，具体步骤包括：S1.1：对不同结构的风电数据、光伏数据、负荷数据，进行多源异构数据同化，对空缺数据进行三次线性插值补齐，对异常数据进行处理及进行数据降噪，构建风光荷预测样本集；S1.2：基于S1.1构建的风光荷预测样本集，通过经验模态分解、邻近场站特征构建和特征升维方法构建高维时空特征，基于主成分分析(PCA)线性相关性分析与Copula函数非线性相关性分析，对高维时空特征进行优选，构建风...

【专利技术属性】
技术研发人员：彭小圣，覃国元，徐恒，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：