【技术实现步骤摘要】
本专利技术涉及新能源并网，特别是一种基于神经网络的新能源并网精细化管控方法及系统。
技术介绍
1、传统电网对新能源丰水期弃风弃光的消纳能力较弱，新能源predict系统实现了风电、光伏发电的精细化预测，主变低压侧并网优化改造提高了热电联产机组调峰能力，且能源基地内部实现发电侧资源优化配置初步调峰。
2、但现有技术仍存在许多不足，例如：当前调峰资源分散，难以统筹协调；电源侧和电网侧调控措施脱节，缺乏闭环控制；缺少对多源异构数据的自动化处理和关联分析，以及对电网侧余缺电量的精确预测；尚未形成可复制、可推广的标准化解决方案。
技术实现思路
1、鉴于上述新能源并网精细化管控中存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于如何提供一种能够对多源异构数据的自动化处理和关联分析的方法和系统。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于神经网络的新能源并网精细化管控方法，其包括，获取新能源相关数据，包括新能源厂站建设项目信息、电网侧配套项目的项目信息、新能源消纳统计信息及新能源厂站的运行信息；对获取的所有信息进行数据来源分析、数据结构设计、关联关系分析、数据关系映射及数据异常处理；接入新能源并网项目数据，开展新能源并网项目全过程监控、预警和可视化展现功能的设计及实现；针对电网消纳能力的预测需求进行消纳能力预测方法的设计，并按照变电站及区域进行预测和展现。
5、
6、作为本专利技术所述基于神经网络的新能源并网精细化管控方法的一种优选方案，其中：所述关联关系分析包括使用深度学习模型自动分析非结构化数据中的相关性，具体公式为：
7、
8、其中，yq为前一个数据经深度学习网络后的输出结果，yd为后一个数据经深度学习网络后的输出结果。
9、作为本专利技术所述基于神经网络的新能源并网精细化管控方法的一种优选方案，其中：所述关联关系分析还包括构建文本匹配模型，具体如下：使用预训练语言模型bert，添加多层感知机匹配模型，构建文本匹配模型：输入层->bert编码层->聚合层->多层感知机匹配层->输出层；训练语言模型：构造文本匹配数据集，将数据集为训练集、验证集和测试集，包含文本对及标签；多次训练语言模型，调整结构和参数，选取准确率最高的模型a，最小化匹配损失函数如下：
10、l＝σ[ylog(p)+(1-y)log(1-p)]
11、其中，y为标签1或0,p为模型预测的匹配概率；输入两段非结构化文本b和c，模型输出匹配概率p；若p>阈值r，则认为b和c为匹配；在测试集上评估模型准确率和召回率指标；若p>＝px，则认为高度相关预测准确率最高；若p<py，则认为无关预测准确率最高；以px作为高度相关的下界，以py作为无关的上界；对任意新样本，根据概率p和上下界判断分类；若p<py，则对召回率进行计算，若召回率>＝0.8，则认为缺失值较少，需重新对模型准确率进行评定；若召回率<0.8，则认为缺失值较多，需要回到训练语言模型调整模型参数或结构。
12、作为本专利技术所述基于神经网络的新能源并网精细化管控方法的一种优选方案，其中：所述px和所述py的设置过程如下：在验证集上用模型a预测样本概率p，设置多个概率区间如([0,0.1],[0.1,0.2],...,[0.9,1.0])；绘制概率p对分类准确率的曲线图，找到准确率峰值对应的概率px、py；在测试集上验证分别以px、py为阈值时，三类别准确率是否最优；使用bootstrap和monte carlo方法，从测试集中抽样重复上述验证过程，计算px和py的置信区间，并最终确定在置信区间内且使准确率最大化的px、py为阈值。
13、作为本专利技术所述基于神经网络的新能源并网精细化管控方法的一种优选方案，其中：所述消纳能力预测包括建立动态消纳能力模型，所述动态消纳能力模型包括区域消纳能力和变电站消纳能力；所述区域消纳能力se的计算过程为：
14、
15、其中，i代表该区域内现状第i类电源；h为区域通道能力，ye为区域最大负荷，c为负荷系数，pi代表该区域内现状第i类电源的总装机；li代表该区域内现状第i类电源在该区域的出力系数；所述变电站消纳能力si的计算为：
16、
17、其中，l为主变容量，yl为主变最大负荷，为接入该变电站非最高电压等级现状电源总出力。
18、作为本专利技术所述基于神经网络的新能源并网精细化管控方法的一种优选方案，其中：所述消纳能力预测还包括，在变电站等边缘节点依次部署区域消纳能力se和变电站消纳能力si；边缘节点仅汇总关键输入；边缘预测结果汇总产生变电站消纳总量；构建能力预测与实际消纳反馈的闭环系统，包括：采集历史区域消纳能力时间序列数据se(t)；设置lstm网络结构，输入层、lstm层和全连接层；配置序列长度n，至少包含几日周期，且包含不同季节；输入数据为过去n个时段的se(t-n)～se(t-1)，目标输出为当前时段se(t)；针对区域消纳能力se和变电站消纳能力si进行计算，再进行编译模型，选择mse作为loss函数；训练模型迭代学习se(t)的时序特征，使用随机数据作为测试集，评估模型预测准确率；得到最佳模型，进行消纳能力预测se'(t)；比较每时段的预测se'(t)与实际se(t)：若se'(t)>＝se(t)，则给予正奖励r+；若se'(t)<se(t)，则给予负惩罚r-；累积多个时段的奖励或惩罚：r＝σr；若r趋负，则降低学习率调整模型；若r趋正，则增加学习率加速训练；迭代学习，追踪使r最大化的最优模型。
19、第二方面，本专利技术为进一步解决新能源并网精细化管控中存在的问题，实施例提供了基于神经网络的新能源并网精细化管控系统，包括新能源信息采集模块，用于收集新能源项目、电网项目和运行数据的多源异构数据；数据预处理模块，用于对采集数据进行预处理，并设计数据模型，映射到结构化关系数据库；数据分析模块，用于对数据进行统计、关联分析和异常检测分析，并提供自定义分析方法接口，支持扩展新算法；消纳能力预测模块，用于设计变电站和区域维度的消纳能力预测方法，定期进行消纳能力预测，更新数据库；监控和预警模块，用于建立新能源项目运行监测预警系统，支持多种监测指标和预警规则配置；可视化模块，用于设计web可视化平台，呈现统计和监控结果，并支持多形式可视化。
20、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面本文档来自技高网...
【技术保护点】
1.一种基于神经网络的新能源并网精细化管控方法，其特征在于：包括：
2.如权利要求1所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述新能源相关数据的获取通过区块链技术进行采集和验证，使用高频传感器和物联网设备实时采集运行参数，并构建SQL数据库和NoSQL数据库分别存储结构化和非结构化数据。
3.如权利要求2所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述关联关系分析包括使用深度学习模型自动分析非结构化数据中的相关性，具体公式为：
4.如权利要求3所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述关联关系分析还包括构建文本匹配模型，具体如下：
5.如权利要求4所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述px和所述py的设置过程如下：
6.如权利要求5所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述消纳能力预测包括建立动态消纳能力模型，所述动态消纳能力模型包括区域消纳能力和变电站消纳能力；
7.如权利要求6所述的基于神经网络的新能源并网精细
8.一种基于神经网络的新能源并网精细化管控系统，基于权利要求1～7任一所述的基于神经网络的新能源并网精细化管控方法，其特征在于：包括：
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1～7任一所述的基于神经网络的新能源并网精细化管控方法的步骤。
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1～7任一所述的基于神经网络的新能源并网精细化管控方法的步骤。
...【技术特征摘要】
1.一种基于神经网络的新能源并网精细化管控方法，其特征在于：包括：
2.如权利要求1所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述新能源相关数据的获取通过区块链技术进行采集和验证，使用高频传感器和物联网设备实时采集运行参数，并构建sql数据库和nosql数据库分别存储结构化和非结构化数据。
3.如权利要求2所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述关联关系分析包括使用深度学习模型自动分析非结构化数据中的相关性，具体公式为：
4.如权利要求3所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述关联关系分析还包括构建文本匹配模型，具体如下：
5.如权利要求4所述的基于神经网络的新能源并网精细化管控方法，其特征在于：所述px和所述py的设置过程如下：
6.如权利要求5所述的基...
【专利技术属性】
技术研发人员：刘金森，王杰，郑飞，陈露东，罗宁，欧阳财岗，徐松，缪茂，
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。