【技术实现步骤摘要】
本专利技术涉及一种分析方法，尤其涉及一种基于预测误差特征提取的灵活性爬坡容量需求分析方法。
技术介绍
1、面对日益突出的能源危机、环境污染和气候变化等问题，构建以可再生能源为主的新型能源供应体系已成为国际社会共识。然而可再生能源发电出力的随机性、波动性和间歇性对电力系统安全经济运行带来了新的问题及挑战，新型电力系统需在运行过程中预留一定的灵活性爬坡容量。
2、现有的灵活性爬坡容量需求预测方法主要基于统计分析模型，已有技术对爬坡容量的不确定性区间进行统计分析，采用一种基于统计直方图的爬坡容量需求预测方法，但该方法仅考虑了净负荷预测误差数据的统计分布，并未考虑误差数据的时序相关性，对于统计模型而言历史数据集的大小也会影响模型精度。为解决上述问题，有些学者在考虑净负荷预测数据与误差间相关性的基础上，应用条件概率理论建立了由净负荷预测误差产生的爬坡需求概率分布模型，使用置信区间对爬坡需求概率分布结果进行离散化表征，从而得到相应的爬坡容量需求。然而现有研究针对爬坡需求预测却鲜有考虑到组成净负荷的风电、光伏以及负荷本身的特征以及引起预测误差的影响因素，同时统计模型无法充分捕捉净负荷预测数据特征，难以进一步提升预测的精准性。
技术实现思路
1、为了解决上述技术所存在的不足之处，本专利技术提供了一种基于预测误差特征提取的灵活性爬坡容量需求分析方法。
2、为了解决以上技术问题，本专利技术采用的技术方案是：一种基于预测误差特征提取的灵活性爬坡容量需求分析方法，分析方法为：>
3、筛选与净负荷预测误差具有斯皮尔曼相关性的影响因素；
4、通过贝叶斯理论构建历史净负荷预测误差、历史净负荷功率与相关影响因素之间的内部关联，并采用变分推理逐步推断最佳网络参数的后验分布；
5、通过lstm神经网络得到估计日所需净负荷预测误差的区间分布情况；
6、基于区间分布情况结果对新型电力系统所需的灵活爬坡需求进行分析。
7、作为优选地，包括以下分析步骤：
8、s1、计算净负荷预测误差与造成风/光/负荷预测误差影响因素之间的斯皮尔曼相关性系数，标幺化处理历史净负荷预测误差、历史净负荷功率以及相关因素，获得历史数据序列；
9、s2、参考估计日将数据分为训练集和测试集，以预测误差作为训练集，根据贝叶斯理论推断后验分布；
10、s3、使用变分推断，计算参数的变分分布与后验分布之间的kl散度；
11、s4、将最小化kl散度问题转化为最大化证据下界，获得净负荷预测误差的预测分布；
12、s5、更新贝叶斯深度学习中的dropout层参数，使贝叶斯深度学习部分对参数后验分布重新进行推理近似；
13、s6、基于s5得到的近似分布随机更新参数的预测分布，并判断kl散度是否达到极小值；
14、s7、若满足步骤6，则获得lstm网络参数的最优分布，将其输入lstm神经网络对估计日预测误差的概率分布情况进行测算；
15、s8、得到估计日的净负荷预测误差概率分布情况，即得到该日不确定性爬坡容量需求概率测算结果。
16、作为优选地，s1中，在获得历史数据序列前，先明确新型电力系统所需爬坡容量的需求构成；
17、需求构成由两部分组成：一是应对系统相邻时段的净负荷波动而产生的确定性爬坡容量；二是为了应对系统净负荷预测误差而产生的不确定性爬坡容量。
18、作为优选地，s1中，斯皮尔曼相关系数ρ的计算公式如下：
19、
20、di＝xi-yi (5)
21、p＝2[1-φ(z0)] (6)
22、式中，n是净负荷预测误差数据和影响因素样本的容量大小；xi和yi分别是依据净负荷预测误差和对应测算影响因素数据的降秩序，z0是斯皮尔曼相关性系数的标准正态分布统计量；ρ的取值范围在[-1,1]，绝对值越大则表示净负荷预测误差与该因素之间的相关性越强；若ρ为正数时，则证明因素正相关，若ρ为负数时，则证明该因素负相关；p表示显著性值。
23、作为优选地，s1中，标幺化处理采用归一化处理，公式如下：
24、
25、式中，x是历史净负荷预测误差或特征数据；是归一化处理后的数据，且满足xmax是历史净负荷预测误差或特征数据集的最大值；xmin是历史净负荷预测误差或特征数据集的最小值。
26、作为优选地，s2中，选取估计日前40天的预测误差数据作为训练集；
27、根据贝叶斯理论推断后验分布，推断过程如下：将净负荷预测误差以及相关影响因素数据集划分为训练集xtrain、ytrain和测试集x、y，假设网络参数权值和偏差w服从先验分布p(w)；依据贝叶斯理论可推断后验分布p(w|xtrain,ytrain)如下公式所示：
28、
29、式中，p(ytrain|xtrain,w)是参数w的似然概率，通常定义为恒定噪声水平σ的正态分布；p(ytrain|xtrain)是训练集数据的联合概率分布，需使用数学近似方法逼近；
30、测试集的预测分布由如下公式表示：
31、p(y|x,xtrain,ytrain)＝∫p(y|x,w)p(w|xtrain,ytrain)dw (9)
32、式中，p(y|x,w)是参数w基于测试集数据的预测分布。
33、作为优选地，s3中，kl散度的计算公式如下：
34、
35、式中，是标准高斯分布进行变分推断，经过重复随机抽样得到与实际参数概率分布距离最小的分布；
36、kl散度用于度量两个概率分布函数之间的距离，定义如式(11)所示：
37、
38、式中，p(x)是数据的真实分布；q(x)是用于拟合p(x)的近似分布。
39、作为优选地，s7中，基于近似分布随机更新近似分布qθ(w)，推理近似后验分布p(w|xtrain,ytrain)；若满足步骤6，则获得lstm网络参数的最优分布
40、作为优选地，s7中，将网络参数的最优分布应用于lstm神经网络概率模型，即公式(12)-(17)，测算出估计日预测值条件下预测误差的概率分布情况；
41、lstm部分以贝叶斯模块输出的后验分布最为网络参数训练，采用单层lstm网络，并通过全连接层输出爬坡需求区间预测结果；其中输入变量为上一时间步长的状态向量ht-1和当前输入xt，lstm单元在特定时间步长t以自循环编码数据进行存储，这些数据由四个完全连接的神经元ft、gt、it、ot，使用输入门、遗忘门和输出门实现信息记忆或遗忘；
42、随后，上一时间步长的输出将作为下一时间步长的输入ht，记忆单元ct记录当前时间状态，用于决定长期的依赖关系；
43、输入门、输出门及各控制门之间的具体计算公式如下：
44、
【技术保护点】
1.一种基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：分析方法为：
2.根据权利要求1所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：包括以下分析步骤：
3.根据权利要求2所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：S1中，在获得历史数据序列前，先明确新型电力系统所需爬坡容量的需求构成；
4.根据权利要求3所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：S1中，斯皮尔曼相关系数ρ的计算公式如下：
5.根据权利要求3所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：S1中，标幺化处理采用归一化处理，公式如下：
6.根据权利要求3所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：S2中，选取估计日前40天的预测误差数据作为训练集；
7.根据权利要求3所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：S3中，KL散度的计算公式如下：
8.根据权利要求3所述的基于预测误差特
9.根据权利要求3所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：S7中，将网络参数的最优分布应用于LSTM神经网络概率模型，即公式(12)-(17)，测算出估计日预测值条件下预测误差的概率分布情况；
...【技术特征摘要】
1.一种基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：分析方法为：
2.根据权利要求1所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：包括以下分析步骤：
3.根据权利要求2所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：s1中，在获得历史数据序列前，先明确新型电力系统所需爬坡容量的需求构成；
4.根据权利要求3所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：s1中，斯皮尔曼相关系数ρ的计算公式如下：
5.根据权利要求3所述的基于预测误差特征提取的灵活性爬坡容量需求分析方法，其特征在于：s1中，标幺化处理采用归一化处理，公式如下：
6.根据权利要求3所述的基于预测误差特征...
【专利技术属性】
技术研发人员：黄弦超，张粒子，韩慕尧，陈皓轩，孙大雁，闫志彬，杨军峰，项丽，孙小湘，乔宁，郑力，车文妍，史磊，张静忠，张超，
申请(专利权)人：华北电力大学，
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。