【技术实现步骤摘要】
本专利技术属于电网预警，尤其涉及一种基于深度学习的新能源爬坡事件滚动预警方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、新能源并网容量不断增大，其在极端天气的影响下可能出现短时间内功率大幅度下降现象，称之为“爬坡事件”。这种爬坡事件发生后可能会造成系统出现严重的功率不平衡，进而导致频率明显下降，甚至导致大规模负荷切除，严重威胁电网的安全、稳定和经济运行。特别是对于包含大规模风光储发电基地的区域电网，其受新能源爬坡事件的影响尤为严重。因此，有必要建立新能源爬坡事件的预警体系，在爬坡事件发生之前对爬坡事件准确预警，为后续的功率控制措施提供重要决策信息，提高电力系统对新能源爬坡事件的应对能力。
3、针对新能源爬坡事件预警的问题，目前主要有基于严重度函数的预警方法、基于系统频率偏差量的预警方法以及基于控制代价的预警方法三种类型。在基于严重度函数的预警方法中，所设严重度函数的类型和参数由调度运行人员主观设定，其预警结果物理意义不直观明确；在基于系统频率偏差量的预警方法中，一方面系统频率偏差量指标对临界风险点描述能力欠缺，另一方面，该指标对后续预防控制无法提供有价值的决策信息；在基于控制代价的预警方法中，首先分析各种功率控制措施的控制代价，然后计算保证电网安全运行所需要的功率控制措施，按其控制代价进行分级预警，既有明确的物理意义，又可以为调度员决策提供参考。
4、专利技术人发现，区域间联络线和储能装置的功率调节能力是电网的重要调控措施，然而现有
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种基于深度学习的新能源爬坡事件滚动预警方法及系统，基于长短期记忆网络深度学习技术，能够充分挖掘连续时间序列的隐含关系；基于控制代价的分级预警结果能够更全面反应系统运行状态的安全性，并为调度决策提供有效的指导信息。
2、为实现上述目的，本专利技术的第一个方面提供一种基于深度学习的新能源爬坡事件滚动预警方法，包括：
3、构建不同时间尺度的关键联络线预测功率的lstm预测模型，以所获取的历史电网数据作为训练样本对所构建lstm预测模型进行训练，得到训练好的lstm预测模型；其中，基于区域内联络线对新能源出力变化的灵敏度确定关键联络线；
4、获取区域内电网实际运行数据，基于训练好的不同时间尺度的lstm预测模型得到不同时间尺度的关键联络线预测功率，计算不同时间尺度的关键联络线的功率可调量；
5、根据不同时间尺度的关键联络线预测功率可调量，对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态，根据控制代价计算满足电网平衡的功率控制措施类型；
6、根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果。
7、本专利技术的第二个方面提供一种基于深度学习的新能源爬坡事件滚动预警系统，包括：
8、预测模型训练模块，其被配置为：构建不同时间尺度的关键联络线预测功率的lstm预测模型，以所获取的历史电网数据作为训练样本对所构建lstm预测模型进行训练，得到训练好的lstm预测模型；其中，基于区域内联络线对新能源出力的灵敏度确定关键联络线；
9、功率预测模块，其被配置为：获取区域内实时电网数据，基于训练好的不同时间尺度的lstm预测模型得到不同时间尺度的关键联络线预测功率，计算不同时间尺度的关键联络线的功率可调量；
10、控制代价计算模块，其被配置为：根据不同时间尺度的关键联络线预测功率可调量，对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态，根据控制代价计算满足电网平衡的功率控制措施类型；
11、分级预警模块，其被配置为：根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果。
12、本专利技术的第三个方面提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行一种基于深度学习的新能源爬坡事件滚动预警方法。
13、本专利技术的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行一种基于深度学习的新能源爬坡事件滚动预警方法。
14、以上一个或多个技术方案存在以下有益效果：
15、在本专利技术中，基于区域间联络线对新能源出力的灵敏度对联络线进行筛选，得到区域关键联络线；采用lstm预测模型充分挖掘时间序列的隐藏关系，确定区域间关键联络线调节能力；通过预测不同时间尺度的关键联络线功率的lstm预测模型，结合新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态根据控制代价计算进行分时段分级预测，确保分时段分级预警准确性，在线应用时避免了时域仿真，计算快速，预警更为准确。
16、在本专利技术中，引入了隶属度函数和双输入、三输入模糊规则，既利用客观数据进行分析，又考虑了调度人员的主观经验。
17、在本专利技术中，相比原有基于控制代价的预警方法，加入了储能和联络线的调控措施，提出了分时段分级预警体系，能够更全面反映系统的运行危险程度，并且具有明确的物理意义，为调度决策提供有效的信息。
18、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，根据区域内电网运行方式和区域间联络线信息，在潮流计算中改变新能源出力，筛选出对于区域内新能源出力变化灵敏度高的联络线为关键联络线。
3.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，判断得到的关键联络线预测功率是否满足最大传输功率约束条件，若未达到，则关键联络线预测功率与最大传输功率上限作差，得到关键联络线的功率可调量。
4.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，根据每种控制措施的运行约束条件得到自动调节系统、常规火电机组、储能系统的功率可调控范围以及得到的区域关键间联络线的功率可调量确定不同的隶属度函数，每个隶属度函数与控制代价所划分的预警等级相对应，将每个时间间隔内满足电网功率平衡所需的功率调节量代入隶属度函数，按照最大隶属度原则划分预警等级；
5.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其
6.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，还包括预警滚动更新，所述预警滚动更新具体为：
7.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，所述训练样本的构建为：
8.一种基于深度学习的新能源爬坡事件滚动预警系统，其特征在于，包括：
9.如权利要求8所述的一种基于深度学习的新能源爬坡事件滚动预警系统，其特征在于，在所述功率预测模块中，判断得到的关键联络线预测功率是否满足最大传输功率约束条件，若未达到，则将关键联络线预测功率与最大传输功率上限进行作差，得到关键联络线的功率可调量。
10.如权利要求8所述的一种基于深度学习的新能源爬坡事件滚动预警系统，其特征在于，在所述预测模型训练模块中，根据区域内电网运行方式和区域间联络线信息，在潮流计算中改变新能源出力，筛选出对于区域内新能源出力变化灵敏度高的联络线为关键联络线。
...【技术特征摘要】
1.一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，根据区域内电网运行方式和区域间联络线信息，在潮流计算中改变新能源出力，筛选出对于区域内新能源出力变化灵敏度高的联络线为关键联络线。
3.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，判断得到的关键联络线预测功率是否满足最大传输功率约束条件，若未达到，则关键联络线预测功率与最大传输功率上限作差，得到关键联络线的功率可调量。
4.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，根据每种控制措施的运行约束条件得到自动调节系统、常规火电机组、储能系统的功率可调控范围以及得到的区域关键间联络线的功率可调量确定不同的隶属度函数，每个隶属度函数与控制代价所划分的预警等级相对应，将每个时间间隔内满足电网功率平衡所需的功率调节量代入隶属度函数，按照最大隶属度原则划分预警等级；
5.如权利要求1所述的一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，以15min为步长，分别建立...
【专利技术属性】
技术研发人员：田浩，马琳琳，王增威，张坤鹏，马欢，李新，邢法财，乔立同，房俏，蒋哲，
申请(专利权)人：国网山东省电力公司电力科学研究院，
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。