【技术实现步骤摘要】
本专利技术涉及电力系统光伏出力预测，具体为一种山区配电网分布式光伏出力不确定性刻画方法及系统。
技术介绍
1、在以新能源为主体的新型电力系统中，配电网从原有的“电能下游”转变为“电能双向流动”，这种改变对于传统的配网运行维护、供电质量，提出了新的问题与挑战，对高原省份贵州而言，原有的山区配电网结构比较薄弱，在传统山区配电网接入高比例分布式光伏场景下，可能会发生如下问题，原有的变压器容量为根据负荷大小设计，未考虑分布式光伏倒送，会造成变压器过载，因此亟需考虑规模化分布式光伏对山区配电网的影响，从山区配电网分布式光伏出力特性角度出发，构建一种适用山区配电网分布式光伏的出力不确定性刻画方法来进行光伏出力预测模型，传统贝叶斯神经网络结构能够基于光伏出力样本数据得到权重和偏置参数的后验概率分布，获得最优的参数结果，贝叶斯神经网络在光伏出力区间预测中具有一些独特的优势，如不确定性建模，能有效解决深度学习神经网络模型的过拟合问题，提高预测模型精度和模型的泛化能力，但在实际工程应用中贝叶斯神经网络仍存在以下几点不足，传统贝叶斯神经网络结构复杂，模型参数众多导致实际计算时难以实现，高维数据难以处理，采用贝叶斯神经网络模型进行光伏出力预测时，模型的权重和偏置参数需要在高维的向量空间中进行积分运算，而实际操作中难以实现，计算复杂且耗费的时间成本高，难以满足电网实施调度及风险评估的光伏出力预测需求，
2、为克服前述问题，以lstm神经网络为基础添加dropout层来构建近似贝叶斯神经网络，利用dropout层的随机性代替贝叶斯神经网络的参数
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有的电力系统光伏出力预测方法存在精度低，复杂度高，成本高，以及如何满足电网实施调度及风险评估的光伏出力预测需求的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种山区配电网分布式光伏出力不确定性刻画方法，包括采集山区配电网特征数据，进行数据预处理并填补空缺数据；分解预处理后的光伏出力时间序列，构建贝叶斯神经网络改进模型；将不同频率时间序列输入改进模型计算最优参数，进行光伏出力预测，输出波动日区间预测结果图。
4、作为本专利技术所述的山区配电网分布式光伏出力不确定性刻画方法的一种优选方案，其中：所述山区配电网特征数据包括光伏出力数据、气象数据、地理位置数据、电网负载数据以及光伏设备性能参数；光伏出力数据包括光伏出力时间序列和历史光伏发电量数据；气象数据包括阳光辐射强度、温度、风速以及湿度；地理位置数据包括光伏发电站的具体位置、海拔高度以及周围地形；光伏设备性能参数包括光伏板的型号、效率以及安装年份。
5、作为本专利技术所述的山区配电网分布式光伏出力不确定性刻画方法的一种优选方案，其中：所述填补空缺数据包括将采集的原始光伏出力时间序列进行数据预处理，对空缺数据进行填补，采集的单位时间每天6:00至19:00为光伏出力时间，剩余时间光伏出力数据取0，对采集的原始光伏出力序列进行数据预处理，采用三次样条插值对空缺数据进行填补，表示为：
6、2cihi+4(hi+hi+1)ci+1+2hi+1ci+2＝6[(xi+2-xi+1)/hi+1-(xi+1-xi)/hi]
7、其中，xi为第i个输入的光伏出力数据，hi表示第i个光伏出力数据步长；ci表示第i个输入的光伏出力数据系数；原始光伏出力序列为s(n)，第i次实验添加的服从标准正态分布的白噪声序列为vi(n)，第k个信噪比为εk，函数ek(g)为emd产生的第k个模态分量，计算第i次添加噪声的光伏出力序列表示为：
8、si(n)＝s(n)+ε0vi(n)
9、其中，i＝1,...,i为实验次数。
10、作为本专利技术所述的山区配电网分布式光伏出力不确定性刻画方法的一种优选方案，其中：所述分解预处理后的光伏出力时间序列包括将全部含噪音的si(n)进行分解计算的所有imf分量求平均，计算第一个模态分量和第一个唯一余量r1(n)表示为：
11、
12、对r1(n)+ε1e1(vi(n))进行i次分解获取第一个imf分量为止，计算第二个模态分量表示为：
13、
14、对剩余每个阶段，k＝2,···,k，依次迭代，计算第k+1个模态分量表示为：
15、
16、
17、当最后余量为原始光伏出力序列和所有imf分量的差时，最终余量序列表示为：
18、
19、对原始光伏出力序列s(n)进行分解表示为：
20、
21、分解的原始光伏出力序列频率不同。
22、作为本专利技术所述的山区配电网分布式光伏出力不确定性刻画方法的一种优选方案，其中：所述构建贝叶斯神经网络改进模型包括基于lstm神经网络，添加dropout层和全连接神经网络层构建贝叶斯神经网络改进模型，lstm神经元结构包括遗忘门、输入门以及输出门；构建遗忘门表示为：
23、ft＝σ(wfg[ht-1,xt]+bf)
24、其中，ft为遗忘门输出，σ为激活函数sigmoid，wf为遗忘门权重系数，g为权重矩阵，ht-1为上一时刻的数据输出信息，xt为实时光伏出力数据输入信息，bf表示遗忘门的偏置向量并为待训练参数；输入门包括数据输入部分和细胞状态更新部分，计算数据输入部分表示为：
25、it＝σ(wig[ht-1,xt])+bi
26、ct＝tanh(wcg[ht-1,xt]+bc
27、其中，it和ct表示输入门的输出，σ和tanh函数均为激活函数，wi和wc为输入门权重系数，ht-1为上一时刻的数据输出信息，bi和bc表示输入门的偏置向量并为待训练参数；计算细胞状态更新bt表示为：
28、bt＝ft*ct-1+it*ct
29、其中，ct-1为上一时刻的细胞状态；构建输出门表示为：
30、ot＝σ(wog[ht-1,xt]+bo)
31、ht＝ot*tanh(ct)
32、其中，ot表示激活函数sigmoid的输出，wo为输出门权重系数，bo为输出门偏置，ht为实时的最终输出；添加dropout层和全连接神经网络层构建贝叶斯神经网络改进模型表示为：
33、r(l)～bernoulli(p)
34、y(l)＝r(l)*y(l-1)
35、zi(l+1)＝wi(l+1)y(l)*bi(l+1)
36、
37、其中，bernoulli(p)表示服从概率为p的伯努利分布，l为隐藏层索引本文档来自技高网...
【技术保护点】
1.一种山区配电网分布式光伏出力不确定性刻画方法，其特征在于，包括：
2.如权利要求1所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述山区配电网特征数据包括光伏出力数据、气象数据、地理位置数据、电网负载数据以及光伏设备性能参数；
3.如权利要求2所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述填补空缺数据包括将采集的原始光伏出力时间序列进行数据预处理，对空缺数据进行填补，采集的单位时间每天6:00至19:00为光伏出力时间，剩余时间光伏出力数据取0，对采集的原始光伏出力序列进行数据预处理，采用三次样条插值对空缺数据进行填补，表示为：
4.如权利要求3所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述分解预处理后的光伏出力时间序列包括将全部含噪音的si(n)进行分解计算的所有IMF分量求平均，计算第一个模态分量和第一个唯一余量r1(n)表示为：
5.如权利要求4所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述构建贝叶斯神经网络改进模型包括基于LSTM神经网络，添加Dropo
6.如权利要求5所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述计算最优参数包括将分解和不同频率的原始光伏出力序列输入贝叶斯神经网络改进模型计算最优参数，模型预测误差L表示为：
7.如权利要求6所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述进行光伏出力预测包括基于贝叶斯神经网络改进模型对山区配电网分布式光伏出力区间进行预测，针对预测结果，通过山区配电网特征数据建立预测可信度评估模型，表示为：
8.一种采用如权利要求1～7任一所述的山区配电网分布式光伏出力不确定性刻画方法的系统，其特征在于：包括数据处理模块，分解改进模块，预测分析模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的山区配电网分布式光伏出力不确定性刻画方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的山区配电网分布式光伏出力不确定性刻画方法的步骤。
...【技术特征摘要】
1.一种山区配电网分布式光伏出力不确定性刻画方法，其特征在于，包括：
2.如权利要求1所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述山区配电网特征数据包括光伏出力数据、气象数据、地理位置数据、电网负载数据以及光伏设备性能参数；
3.如权利要求2所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述填补空缺数据包括将采集的原始光伏出力时间序列进行数据预处理，对空缺数据进行填补，采集的单位时间每天6:00至19:00为光伏出力时间，剩余时间光伏出力数据取0，对采集的原始光伏出力序列进行数据预处理，采用三次样条插值对空缺数据进行填补，表示为：
4.如权利要求3所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述分解预处理后的光伏出力时间序列包括将全部含噪音的si(n)进行分解计算的所有imf分量求平均，计算第一个模态分量和第一个唯一余量r1(n)表示为：
5.如权利要求4所述的山区配电网分布式光伏出力不确定性刻画方法，其特征在于：所述构建贝叶斯神经网络改进模型包括基于lstm神经网络，添加dropout层和全连接神经网络层构建贝叶斯神经网络改进模型，l...
【专利技术属性】
技术研发人员：王扬，郑友卓，付宇，肖小兵，宋子宏，刘安茳，李新皓，郝树青，苗宇，张锐锋，陈宇，蔡永翔，李跃，吴鹏，张恒荣，张洋，邓松，黄如云，王冕，吕黔苏，龙秋风，李前敏，王卓月，班诗雪，何明君，张松，樊科，何肖蒙，何心怡，丁江桥，代吉玉蕾，郑书毅，黎安俊，华龙，吴聪聪，金庆远，吴应双，熊锦航，刘亮，王明伟，王竹，陈开雷，田橙，李华鹏，杨忠，潘富祥，杨叶奎，周西南，郭刀，何鹏，李巍，罗朝逸，汤康，
申请(专利权)人：贵州电网有限责任公司，
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。