风光水互补电站的功率预测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种风光水互补电站的功率预测方法、装置、设备及存储介质，方法包括通过气象站获取风电站和光电站在第一预设时长内的历史风光数据；通过第一预设算法定义风光数据的训练模型；基于预设数据集对训练模型进行神经网络训练，得到基于第一预设时长的风光数据模型；获取能源基地区域的实时时间戳，并以实时时间戳为测报起点获取风光数据模型中第二预设时长的模型数据作为测报参考数据；获取测报参考数据的风光趋势走向；计算功率结果输出至水电站计算机监控系统。本申请能够根据神经网络训练完成的数据模型，预测基于实时时间戳未来一定时长的风光趋势走向，并输出结果以调节机组的运行，保证电网和机组的安全稳定。保证电网和机组的安全稳定。保证电网和机组的安全稳定。

【技术实现步骤摘要】
风光水互补电站的功率预测方法、装置、设备及存储介质


[0001]本申请涉及新能源技术、人工智能领域，尤其涉及一种风光水互补电站的功率预测方法、装置、设备及存储介质。

技术介绍

[0002]为满足新型电力系统构建需求，风光水储一体化清洁能源基地的建设有着积极的实践作用。基地以流域内的水电(含抽蓄)作为调节电源，将水电和风电、太阳能发电的出力耦合后互补送出。在风、光、水三种主流的新能源发电中，风电、光电的实时功率受气候、天气、昼夜的影响较大，使得风电和光电的发电曲线波动剧烈、出现陡升陡降的现象，具有明显的随机性、波动性；而水力发电则具有较强的稳定性，为保证电网有功功率的平衡和稳定，清洁能源基地需要水电机组根据电网的负荷特性和新能源的实时功率调整有功功率输出，平抑新能源负荷波动，在满足电力系统负荷需求和水电机组稳定运行的同时保证电网的稳定性。
[0003]现有的风、光、水互补的控制模型尚未成型，现有技术中例如抽水蓄能风电协调的控制模型对于各个有功功率输出采用负荷曲线替代，未考虑水电机组有功功率动态性能；合作博弈法在大规模发电成员参与风光水互补本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风光水互补电站的功率预测方法，所述风光水互补电站包括建设在能源基地区域内的气象站和发电站，所述发电站包括并网运行的风力电站、光伏电站、水电站，所述水电站包括常规水电站和抽水蓄能电站，其特征在于，所述功率预测方法包括：通过所述气象站获取所述风电站和所述光电站在第一预设时长内的历史风光数据；通过第一预设算法定义所述风光数据的训练模型；基于预设数据集对所述训练模型进行神经网络训练，得到基于所述第一预设时长的风光数据模型；获取所述能源基地区域的实时时间戳，并以所述实时时间戳为测报起点获取所述风光数据模型中第二预设时长的模型数据作为测报参考数据，预设时长可达分钟级别的；获取所述测报参考数据的风光趋势走向；根据所述风光趋势走向计算预测功率，结果输出至水电站计算机监控系统。2.根据权利要求1所述的功率预测方法，其特征在于，通过第一预设算法定义所述风光数据的训练模型，包括：获取所述风光数据的所有特征并分别定义为一个输入节点；分别赋予每个输入节点一个预设权值；根据式(1)定义所述训练模型：其中，y为所述训练模型；x
n
为第n个输入节点，为输入层第m个输入节点到隐含层第n个输入节点的预设权值；为隐含层第n个输入节点的阈值；tansig(x)为传递函数，且3.根据权利要求1所述的功率预测方法，其特征在于，基于预设数据集对所述训练模型进行神经网络训练，得到基于所述第一预设时长的风光数据模型，包括：基于预设数据集对所述训练模型进行神经网络训练；通过反向传播算法以预设次数迭代更新所述训练模型的所有预设权值，以使所述训练模型的损失函数的值小于等于第二预设阈值；获取训练完成的训练模型并定义为所述风光数据模型。4.根据权利要求1所述的功率预测方法，其特征在于，通过反向传播算法以预设次数迭代更新所述训练模型的所有预设权值，以使所述训练模型的损失函数的值小于等于第二预设阈值，包括：获取所述训练模型迭代更新后的误差信号；将所述误差信号反向传播至所述训练模型的输出层，得到所述输出层的误差值(2)；
其中，E为所述误差值；target为所述训...

【专利技术属性】
技术研发人员：张辉，朱晓韬，张冲，邱崇俊，姚建国，陈南，张欢，周礼斌，朱茂川，
申请(专利权)人：中国电建集团昆明勘测设计研究院有限公司，
类型：发明
国别省市：