基于深度学习的水光风储电短期调度方法及系统技术方案

本发明专利技术提供一种基于深度学习的水光风储电短期调度方法及系统

【技术实现步骤摘要】
基于深度学习的水光风储电短期调度方法及系统


[0001]本专利技术属于电力系统调度领域，具体涉及一种基于深度学习的水光风储电短期调度方法及系统
。

技术介绍

[0002]当前，新能源具有随机性
、
波动性
、
间歇性的特点，导致各电源协调问题日益突出
。
[0003]水电是具有灵活调节作用的清洁能源，在维持电力系统稳定性，保证电能质量方面发挥了其他能源难以替代的作用
。
储能技术的发展对提高现代电力系统的运行能力和安全稳定
、
保证基于可再生能源发电的智能电网的良好发展等方面提供了有效的支撑
。
充分利用丰富的水能
、
太阳能及风能资源，并合理利用电化学储能辅助，符合我国大力发展可再生能源
、
促进能源结构转型的战略要求
。
[0004]但是，随着风
、
光等可再生能源在电网中的比例进一步增加，传统的水电机组控制策略已难以满足应对各种复杂工况的要求
。

技术实现思路

[0005]本专利技术的目的在于，提供一种基于深度学习的水光风储电短期调度方法及系统，以解决传统的水电机组控制策略已难以满足应对各种复杂工况的要求的问题
。
[0006]为了实现上述目的，本专利技术的技术方案为：
[0007]根据本申请第一方面，提出一种基于深度学习的水光风储电短期调度方法，包括如下步骤：
[0008]S1、
计算风光电在预设时间间隔后的预测出力，及出力波动率；
[0009]S2、
对比风光电的出力波动率与既定阈值，如果风光电的出力波动率大于既定阈值，则进入步骤
S3
，否则在预设时间间隔后返回步骤
S1
；
[0010]S3、
按照预设采样周期采集水光风储电的运行数据，总共采集预设时长内的数据；
[0011]S4、
将采集的运行数据组合成一个矩阵并进行归一化处理得到归一化矩阵；
[0012]S5、
将归一化矩阵传入训练好的深度学习模型中得到对应的调度策略
。
[0013]根据一些实施例，步骤
S1
中所述的风光电预测出力计算公式如下：
[0014][0015]其中，
P
WPF
为风光电在预设时间间隔后的预测出力，
P
iW,F
为第
i
个风电场的预测出力，
P
jP,F
为第
j
个光伏电站的预测出力，
N
W
为风电场数目，
N
P
为光伏电站数目
。
[0016]根据一些实施例，步骤
S1
中所述的出力波动率计算公式如下：
[0017][0018]其中，
ε
为风光电出力波动率，
P
WP
为当前风光电出力
。
[0019]根据一些实施例，步骤
S3
所述的水光风储电的运行数据包括风光电出力大小
、
水轮机输出功率
、
水轮机流量
、
水库容量
、
下游流速比
、
库容量占比
、
储能容量
、
储能充电功率
、
储能放电功率和风光电出力差值
。
[0020]根据一些实施例，所述的风光电出力差值计算公式如下
:
[0021][0022]其中，表示第
t
时刻风光电出力差，表示第
t
时刻风光电出力大小
。
[0023]根据一些实施例，步骤
S4
所述的归一化操作方式如下
:
[0024][0025]其中，
x
*
表示归一化后的数据，
x
表示原始数据，
μ
表示所有样本数据的均值，
σ
表示所有样本数据的标准差
。
[0026]根据一些实施例，所述深度学习模型包括数据矩阵处理卷积网络和全连接层，所述数据矩阵处理卷积包含6个子卷积层，所述全连接层包括2层，所述归一化矩阵经过数据矩阵处理卷积网络和全连接层处理后，得到对应的调度策略
。
[0027]根据一些实施例，所述深度学习模型的建立过程包括：
[0028]步骤
S5.1
，获取多个归一化历史数据矩阵，为每个归一化历史数据矩阵设置对应的调度策略类别标签，并将归一化历史数据矩阵与对应的调度策略类别标签关联作为一个样本，将多个样本划分为训练集和验证集；
[0029]步骤
S5.2
，构建数据矩阵处理卷积网络和全连接层，所述数据矩阵处理卷积包含6个子卷积层，所述全连接层包括2层，将归一化历史数据矩阵通过所述数据矩阵处理卷积网络处理后再传入所述全连接层，能够得到与传入的所述归一化历史数据矩阵对应的调度策略类别标签；
[0030]步骤
S5.3
，利用训练集分批次训练数据矩阵处理卷积网络和全连接层，利用验证集验证训练结果，确定数据矩阵处理卷积网络和全连接层的模型参数，完成深度学习模型的建立
。
[0031]根据一些实施例，所述获取多个归一化历史数据矩阵中，每个归一化历史数据矩阵采用步骤
S1
～
S4
的方法获取
。
[0032]根据一些实施例，所述步骤
S5.3
具体包括：利用训练集分批次训练数据矩阵处理卷积网络和全连接层，当前批次训练完成后采用验证集验证训练后的数据矩阵处理卷积网络和全连接层的异常召回率
、
准确率是否符合预设要求；若不符合预设要求，则利用下一批次的训练集对当前训练后的数据矩阵处理卷积网络和全连接层继续训练，直至满足符合预设要求；若符合预设要求，训练截止，保存当前数据矩阵处理卷积网络和全连接层的模型参数，完成深度学习模型的建立
。
[0033]根据一些实施例，所述的调度策略类别总共有4类，包括：开启水轮机
、
关闭水轮机
、
调用储能和调节水轮机
。
[0034]根据一些实施例，所述方法还包括步骤
S6
：根据输出的调度策略进行调度操作；在进行调度操作时，需要满足相关约束，包括：
[0035]电量平衡约束：
[0036][0037]其中，
PD
t
表示
t
时段负荷，表示
t
时段风光电出力，表示
t
时段水电出力，表示
t
时段储能放
/
充电功率；
[0038]蓄水量约束：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的水光风储电短期调度方法，其特征在于，包括如下步骤：
S1、
计算风光电在预设时间间隔后的预测出力，及出力波动率；
S2、
对比风光电的出力波动率与既定阈值，如果风光电的出力波动率大于既定阈值，则进入步骤
S3
，否则在预设时间间隔后返回步骤
S1
；
S3、
按照预设采样周期采集水光风储电的运行数据，总共采集预设时长内的数据；
S4、
将采集的运行数据组合成一个矩阵并进行归一化处理得到归一化矩阵；
S5、
将归一化矩阵传入训练好的深度学习模型中得到对应的调度策略
。2.
根据权利要求1所述的方法，其特征在于，步骤
S1
中所述的风光电预测出力计算公式如下：其中，
P
WPF
为风光电在预设时间间隔后的预测出力，
P
iW,F
为第
i
个风电场的预测出力，
P
jP,F
为第
j
个光伏电站的预测出力，
N
W
为风电场数目，
N
P
为光伏电站数目
。3.
根据权利要求1所述的方法，其特征在于，步骤
S1
中所述的出力波动率计算公式如下：其中，
ε
为风光电出力波动率，
P
WP
为当前风光电出力
。4.
根据权利要求1所述的方法，其特征在于，步骤
S3
所述的水光风储电的运行数据包括风光电出力大小
、
水轮机输出功率
、
水轮机流量
、
水库容量
、
下游流速比
、
库容量占比
、
储能容量
、
储能充电功率
、
储能放电功率和风光电出力差值
。5.
根据权利要求4所述的方法，其特征在于，所述的风光电出力差值计算公式如下
:
其中，表示第
t
时刻风光电出力差，表示第
t
时刻风光电出力大小
。6.
根据权利要求1所述的方法，其特征在于，步骤
S4
所述的归一化操作方式如下
:
其中，
x
*
表示归一化后的数据，
x
表示原始数据，
μ
表示所有样本数据的均值，
σ
表示所有样本数据的标准差
。7.
根据权利要求1所述的方法，其特征在于，所述深度学习模型包括数据矩阵处理卷积网络和全连接层，所述数据矩阵处理卷积包含6个子卷积层，所述全连接层包括2层，所述归一化矩阵经过数据矩阵处理卷积网络和全连接层处理后，得到对应的调度策略
。8.
根据权利要求1所述的方法，其特征在于，所述深度学习模型的建立过程包括：步骤
S5.1
，获取多个归一化历史数据矩阵，为每个归一化历史数据矩阵设置对应的调度策略类别标签，并将归一化历史数据矩阵与对应的调度策略类别标签关联作为一个样本，将多个样本划分为训练集和验证集；步骤
S5.2
，构建数据矩阵处理卷积网络和全连接层，所述数据矩阵处理卷积包含6个子
卷积层，所述全连接层包括2层，将归一化历史数据矩阵通过所述数据矩阵处理卷积网络处理后再传入所述全连接层，能够得到与传入的所述归一化历史数据矩阵对应的调度策略类别标签；步骤
S5.3
，利用训练集分批次训练数据矩阵处理卷积网络和全连接层，利用验证集验证训练结果，确定数据矩阵处理卷积网络和全连接层的模型参数，完成深度学习模型的建立

【专利技术属性】
技术研发人员：王凯，林子杰，陈凯，张凯恒，陈根军，
申请(专利权)人：南京南瑞继保工程技术有限公司，
类型：发明
国别省市：