一种功率爬坡事件预测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种功率爬坡事件预测方法、装置、设备及存储介质，涉及新型电力系统技术领域，包括：将风电功率爬坡事件或光伏功率爬坡事件输入至利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的目标风光功率爬坡事件预测模型中以对功率进行预测，得到风电功率预测值或光伏功率预测值；根据风电功率预测值或光伏功率预测值对风电功率爬坡事件或光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。本申请能够避免系统误差的累计，提高功率预测的精度和爬坡事件检测的准确性，并且避免了爬坡事件的漏检和检测过于频繁。繁。繁。

【技术实现步骤摘要】
一种功率爬坡事件预测方法、装置、设备及存储介质


[0001]本申请涉及新型电力系统
，特别涉及一种功率爬坡事件预测方法、装置、设备及存储介质。

技术介绍

[0002]近年来随着新能源技术的蓬勃发展，以风能、光伏为代表的发电方式得到了广泛的应用。然而，当风电在短时间内受到极端天气影响时会导致输出功率大规模增加或减小的风电爬坡现象，并且，由于昼夜变换及短时气象条件突变会引起光伏爬坡现象，另外，风电或光伏出力过程中的间歇性和随机性易造成电力系统震荡及频率稳定性遭到破坏，甚至会大规模的切负荷，严重威胁了电网的安全、稳定和经济运行。
[0003]目前，爬坡事件的预测方法分为直接预测法和间接预测法。其中，直接预测法是利用历史爬坡率数据进行特征识别，但是该方法由于受制于爬坡事件的数量，因此在数据缺乏的情况下难以有效的预测出小概率爬坡事件。当前主流的爬坡预测方法是间接预测法，该方法是通过改进爬坡预测模型来提高预测精度的，但对功率预测的精度依赖较高。随着机器学习技术的不断发展，基于机器学习的功率爬坡事件预测方法不断涌现，然而，这些方法虽然通过不同的途径提升了功率爬坡事件预测的精度，但缺乏对功率时间特性的研究，而功率时间特性在带有强烈间歇性和随机性的新能源预测中尤为重要。
[0004]因此，如何对风电和光伏功率爬坡事件进行预测是本领域目前还有待进一步解决的问题。

技术实现思路

[0005]有鉴于此，本申请的目的在于提供一种功率爬坡事件预测方法、装置、设备及存储介质，能够避免系统误差的累计，提高功率预测的精度和爬坡事件检测的准确性，有助于缓解电力系统调峰、调频的压力，增加电网中的风电和光伏发电消纳，降低后备电站的运营成本。其具体方案如下：
[0006]第一方面，本申请公开了一种功率爬坡事件预测方法，包括：
[0007]获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；
[0008]将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；
[0009]根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
[0010]可选的，所述目标风光功率爬坡事件预测模型的训练过程，包括：
[0011]基于所述初始风光功率爬坡事件预测模型中的所述PCA算法对所述历史风电数据和所述历史光伏数据进行降维处理，得到降维后风电数据和降维后光伏数据；
[0012]通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的历史风电功率和历史光伏功率进行时序分解，得到包含周期分量、趋势分量和余项分量的分解后风电功率和分解后光伏功率；
[0013]将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，以预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，并利用所述误差修正算法对所述预测功率进行误差校正，得到所述目标风光功率爬坡事件预测模型。
[0014]可选的，所述预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，包括：
[0015]基于周期朴素法预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率。
[0016]可选的，所述将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，包括：
[0017]对所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率进行预处理，得到预处理后的数据，并将所述预处理后的数据输入至所述LSTM神经网络中。
[0018]可选的，所述STL分解法包括内循环和外循环；其中，所述内循环用于更新所述周期分量和所述趋势分量，所述外循环用于计算下一个内循环的鲁棒权重。
[0019]可选的，所述通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的风电功率和光伏功率进行时序分解的过程中，还包括：
[0020]对预设的参数进行确定；所述预设的参数包括循环中的观测值数量、内循环迭代次数、外循环迭代次数、周期序列平滑参数、低通滤波器的平滑参数。
[0021]可选的，所述根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果，包括：
[0022]根据预设的爬坡事件判定规则检测所述风电功率预测值或所述光伏功率预测值在预设时间内是否发生爬坡事件，并判断所述风电功率爬坡事件或所述光伏功率爬坡事件的具体方向，得到风电爬坡事件检测结果或光伏爬坡事件检测结果；所述爬坡事件判定规则为如果开始时刻功率与结束时刻功率差的绝对值与观测时长之比大于预设阈值，则判定发生了爬坡事件。
[0023]第二方面，本申请公开了一种功率爬坡事件预测装置，包括：
[0024]爬坡事件获取模块，用于获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；
[0025]爬坡功率预测模块，用于将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率
爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；
[0026]爬坡事件检测模块，用于根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
[0027]第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述的功率爬坡事件预测方法。
[0028]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述的功率爬坡事件预测方法。
[0029]可见，本申请先获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件，然后将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种功率爬坡事件预测方法，其特征在于，包括：获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。2.根据权利要求1所述的功率爬坡事件预测方法，其特征在于，所述目标风光功率爬坡事件预测模型的训练过程，包括：基于所述初始风光功率爬坡事件预测模型中的所述PCA算法对所述历史风电数据和所述历史光伏数据进行降维处理，得到降维后风电数据和降维后光伏数据；通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的历史风电功率和历史光伏功率进行时序分解，得到包含周期分量、趋势分量和余项分量的分解后风电功率和分解后光伏功率；将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，以预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，并利用所述误差修正算法对所述预测功率进行误差校正，得到所述目标风光功率爬坡事件预测模型。3.根据权利要求2所述的功率爬坡事件预测方法，其特征在于，所述预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，包括：基于周期朴素法预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率。4.根据权利要求2所述的功率爬坡事件预测方法，其特征在于，所述将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，包括：对所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率进行预处理，得到预处理后的数据，并将所述预处理后的数据输入至所述LSTM神经网络中。5.根据权利要求2所述的功率爬坡事件预测方法，其特征在于，所述STL分解法包括内循环和外循环；其中，...

【专利技术属性】
技术研发人员：柴保桐，周宇昊，张骏，付泽洋，邹文珍，陈银鹏，
申请(专利权)人：华电电力科学研究院有限公司，
类型：发明
国别省市：