System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光伏电站支撑能力预测领域,尤其涉及一种预测精度高的光伏电站支撑能力与调节成本协同预测方法及其系统。
技术介绍
1、分布式光伏是建设新型电力系统的重要着力点,为充分发挥负荷侧灵活性资源对能源供需平衡的支撑能力(以光伏参与调峰任务为例,其支撑能力的评价维度包含调节容量、调节精度、调节速度和可靠性等),需要充分挖掘分布式光伏的响应潜力,以提高电力系统的灵活性和经济性。分布式光伏增强了电力系统的调节灵活性,赋予了更大的可调潜力。然而,其建模具有较大复杂性,可调潜力难以量化,无法确定其支撑能力和调节成本。如何预测未来时刻分布式光伏的支撑能力和调节成本,将光伏预测与电网调节目标结合起来,量化分布式光伏的可调潜力,是一个重要的研究课题。
2、目前,关于分布式光伏的灵活性评估方法和功率预测方法已有研究,但是光伏电站支撑能力与调节成本的整体预测精度偏低,如何大幅度的提高光伏电站支撑能力与调节成本的整体预测精度,使电力系统的灵活性和经济性得到提升是一个亟需解决的问题。
技术实现思路
1、专利技术目的:本专利技术的目的是提供一种预测精度高的光伏电站的支撑能力与调节成本协同预测方法及其系统。
2、为了实现上述技术目的,达到上述技术效果,本专利技术通过以下技术方案实现:
3、第一方面,本专利技术提供了一种光伏电站支撑能力与调节成本协同预测方法,包括:
4、获取光伏电站实时功率数据,以及对光伏功率有影响的实时相关数据,形成实时数据;
5
6、其中,光伏电站的支撑能力与调节成本协同预测模型包括光伏功率概率预测模型和光伏电站的支撑能力与调节成本映射关系模型,光伏功率概率预测模型基于历史光伏功率数据训练得到,支撑能力与调节成本映射关系模型通过历史光伏功率数据计算的光伏电站调节容量,并结合光伏电站调节速度、精度构建,且光伏功率概率预测模型基于贝叶斯长短时记忆网络构建。
7、进一步地,所述方法还包括:
8、对实时数据进行预处理;
9、相应的,所述将实时数据输入至预先训练好的光伏电站支撑能力与调节成本协同预测模型,包括:将经过预处理后的实时数据输入至光伏电站支撑能力与调节成本协同预测模型。
10、进一步地,所述对实时数据进行预处理,包括:
11、挑选出原始数据中的异常值,进行均值替代;
12、采用如下式所示的归一化方法,将数据线性变换到(0,1)范围内;
13、
14、其中,x为实时数据,xmin、xmax分别为实时数据中的最小值、最大值。
15、进一步地,所述光伏电站的支撑能力与调节成本协同预测模型的训练方法包括:
16、获取光伏功率历史数据,以及对光伏功率有影响的历史相关数据,形成历史光伏功率训练数据;
17、利用历史光伏功率训练数据训练光伏功率预测模型,获得训练好的光伏功率预测模型;
18、利用历史光伏功率数据计算光伏电站调节容量,结合光伏电站调节速度、精度构建支撑能力与调节成本映射关系模型;
19、结合训练好的光伏功率预测模型和支撑能力与调节成本映射关系模型,得到训练好的光伏电站支撑能力与调节成本协同预测模型。
20、进一步地:所述贝叶斯长短时记忆网络是通过将贝叶斯神经网络与长短时记忆网络相结合得到,主要包括遗忘门、输入门和输出门;
21、遗忘门读取ht-1和xt,输出一个0到1之间的数值ft作为上一时刻的细胞状态ct-1的权值:ft=σ(wf·[ht-1,xt]+bf),其中,ft=1代表完全保留,ft=0代表完全忘记,ht-1表示上一时刻的细胞输出,xt表示当前时刻的细胞输入;σ表示sigmoid函数,表示遗忘门的权重,bf表示遗忘门的偏置参数,wf与bf都是分别从标准高斯分布中采样得到;
22、输入门读取ht-1和xt,通过sigmoid层得到需要更新信息的权重值it;再通过tanh层得到需要更新的内容;最后得到当前时刻的细胞状态ct,其中:
23、ct=ct-1·ft+it·gt
24、gt=tanh(wc·[ht-1,xt]+bc)
25、it=σ(wi·[ht-1,xt]+bi)
26、wc表示输入门中tanh模块的权重参数,bc表示输入门中tanh模块的偏置参数,wc和bc都是分别从标准高斯分布中采样得到的,wi表示输入门中sigmoid模块的权重参数,bi表示输入门中sigmoid模块的偏置参数,wi和bi都是分别从标准高斯分布中采样得到的;
27、输出门首先通过sigmoid层得到需要输出信息的权重值ot,再通过tanh层从细胞状态ct中得到需要输出的内容ht,其中:
28、ht=ot·tanh(ct)
29、ot=σ(wo·[ht-1,xt]+bo)
30、wo表示输出门中sigmoid模块的权重参数,bo表示输出门中sigmoid模块的偏置参数,wo和bo分别从标准高斯分布中采样得到。
31、进一步地,所述贝叶斯全连接层为贝叶斯神经网络,贝叶斯神经网络中的每一个参数都分别从各自的标准高斯分布n(μ,ρ)中采样得到,贝叶斯神经网络结构如下:
32、
33、其中,w和b从各自的分布和中采样得到,σ表示sigmoid函数。
34、进一步地,所述光伏电站的支撑能力与调节成本映射关系模型中调节成本包括最小固定成本和边际成本,
35、最小固定成本为系统维护成本:
36、costmin=kpout
37、pout=ηpgen
38、其中,k为维护成本系数,pout为系统输出功率,η为光伏消纳系数;
39、边际成本包括热损耗成本和减少的售电利润:
40、costmarginal=h1p2out+h2pout+epricegsell
41、其中,h1和h2为热损耗系数,eprice为电价,gsell为售电量。
42、第二方面,本专利技术提供了一种光伏电站的支撑能力与调节成本协同预测系统,包括:
43、获取模块,用于获取光伏电站实时功率数据,以及对光伏功率有影响的实时相关数据,形成实时数据;
44、预测模块,用于将所述实时数据输入至训练好的光伏电站支撑能力与调节成本协同预测模型,获得光伏电站的支撑能力与调节成本预测结果,完成光伏电站的支撑能力与调节成本协同预测;
45、其中,光伏电站的支撑能力与调节成本协同预测模型包括光伏功率概率预测模型和光伏电站的支撑能力与调节成本映射关系模型,光伏功率概率预测模型基于历史光伏功率数据训练得到,支撑能力与调节成本映射关系模型通过历史光伏本文档来自技高网...
【技术保护点】
1.一种光伏电站支撑能力与调节成本协同预测方法,其特征在于,包括:
2.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的光伏电站支撑能力与调节成本协同预测方法,所述对实时数据进行预处理,包括:
4.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于,所述光伏电站的支撑能力与调节成本协同预测模型的训练过程,包括:
5.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于:所述贝叶斯长短时记忆网络通过将贝叶斯神经网络与长短时记忆网络相结合得到,包括遗忘门、输入门和输出门;
6.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于:所述光伏电站的支撑能力与调节成本映射关系模型中调节成本包括最小固定成本和边际成本,
7.一种光伏电站支撑能力与调节成本协同预测系统,其特征在于,包括:
8.根据权利要求7所述的光伏电站支撑能力与调节成本协同预测系统,其特征在于,
9.根据权利要
10.根据权利要求7所述的光伏电站支撑能力与调节成本协同预测系统,其特征在于,在获取模块中,获取光伏功率历史数据,以及对光伏功率有影响的历史相关数据,形成历史光伏功率训练数据;
11.根据权利要求7所述的光伏电站支撑能力与调节成本协同预测系统,其特征在于,在预测模块中,所述贝叶斯长短时记忆网络是通过将贝叶斯神经网络与长短时记忆网络相结合得到,包括遗忘门、输入门和输出门;
12.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测系统,其特征在于,在预测模块中,所述光伏电站的支撑能力与调节成本映射关系模型中调节成本包括最小固定成本和边际成本,
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现根据权利要求1-6任一项所述的光伏电站支撑能力与调节成本协同预测方法。
14.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被设计为运行时实现根据权利要求1至6任一项所述的光伏电站支撑能力与调节成本协同预测方法。
...【技术特征摘要】
1.一种光伏电站支撑能力与调节成本协同预测方法,其特征在于,包括:
2.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的光伏电站支撑能力与调节成本协同预测方法,所述对实时数据进行预处理,包括:
4.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于,所述光伏电站的支撑能力与调节成本协同预测模型的训练过程,包括:
5.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于:所述贝叶斯长短时记忆网络通过将贝叶斯神经网络与长短时记忆网络相结合得到,包括遗忘门、输入门和输出门;
6.根据权利要求1所述的光伏电站支撑能力与调节成本协同预测方法,其特征在于:所述光伏电站的支撑能力与调节成本映射关系模型中调节成本包括最小固定成本和边际成本,
7.一种光伏电站支撑能力与调节成本协同预测系统,其特征在于,包括:
8.根据权利要求7所述的光伏电站支撑能力与调节成本协同预测系统,其特征在于,
9.根据权利要求8所述的光伏电站...
【专利技术属性】
技术研发人员:郑涛,滕贤亮,王琛,程雪婷,杨宇峰,钱甜甜,陈扬波,耿健,张凯锋,暴悦爽,
申请(专利权)人:国网电力科学研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。