一种基于Bi-LSTM-QR的新能源的灵活性需求量化方法及系统技术方案

本发明专利技术涉及新型电力系统灵活性研究技术领域，特别是一种基于Bi‑LSTM‑QR的新能源灵活性需求量化方法及系统。长序列新能源预测出力及对应的真实出力资料收集、置信度设定及上下界分位数损失函数确定、Bi‑LSTM模型训练、预测输出及波动区间量化的准确性评价、灵活性需求计算。本发明专利技术基于数据驱动的思想从区间概率预测的角度出发利用神经网络工具量化新能源的灵活性需求。基于电网已有预测系统收集海量长系列数据，将分位数损失函数嵌入神经网络Bi‑LSTM进行训练，拟合预测值与实际出的分位点映射关系。将预测值输入训练好的该模型能得到实际出力的分位数，基于中心区间预测方法将模型输出转换为置信度下的实际出力波动区间最后基于该区间计算各时刻的上下灵活性需求。

【技术实现步骤摘要】

本专利技术涉及新型电力系统灵活性研究，特别是一种基于bi-lstm-qr的新能源灵活性需求量化方法及系统。

技术介绍

1、近年来，以风电光伏为主的高比例新能源新型电力系统逐渐成形。大规模风电光伏并网后由于其天然的随机波动性对整个电力系统造成不小的冲击。靠水电、储能等灵活性资源平抑风光波动是电网调节的有效手段。但随着新能源装机的快速增长，在某些时刻其剧增的灵活性需求会导致电网供给侧灵活性严重不足。精确量化新能源的灵活性需求有利于协助电网合理安排备用，能有效减少电力系统出现灵活性不足的概率。

2、目前电网侧对于风电光伏等灵活性需求均从预测误差考虑。比如直接给定最大误差系数或者基于历史数据拟合误差的概率分布曲线，以此为基础刻画新能源预测值波动的边界，从而计算灵活性需求。此类方法处理过于简单，未能充分利用海量的历史数据。

3、由于电网侧均配备新能源功率预测系统，且随着系统的运行，积累了海量的真实运行和预测数据。同时机器学习、神经网络等发展为海量数据处理提供了有效手段。为此，本专利技术提出了一种基于数据驱动思想的bi-lstm-qr新能源灵活本文档来自技高网...

【技术保护点】

1.一种基于Bi-LSTM-QR的新能源灵活性需求量化方法，其特征在于：包括，

2.如权利要求1所述的基于Bi-LSTM-QR的新能源灵活性需求量化方法，其特征在于：所述收集长序列新能源预测出力和真实出力数据，构成训练集和测试集，包括长序列新能源预测出力及对应的真实出力资料收集，依托电网预测系统，提取长序列的新能源预测出力及对应的真实出力，构成原始数据集，将原始数据集转换为单位装机出力后再将数据集按照8：2划分为训练集和测试集。

3.如权利要求2所述的基于Bi-LSTM-QR的新能源灵活性需求量化方法，其特征在于：所述设定置信度，置信度设定及上下界分位数损失函数确...

【技术特征摘要】

1.一种基于bi-lstm-qr的新能源灵活性需求量化方法，其特征在于：包括，

2.如权利要求1所述的基于bi-lstm-qr的新能源灵活性需求量化方法，其特征在于：所述收集长序列新能源预测出力和真实出力数据，构成训练集和测试集，包括长序列新能源预测出力及对应的真实出力资料收集，依托电网预测系统，提取长序列的新能源预测出力及对应的真实出力，构成原始数据集，将原始数据集转换为单位装机出力后再将数据集按照8：2划分为训练集和测试集。

3.如权利要求2所述的基于bi-lstm-qr的新能源灵活性需求量化方法，其特征在于：所述设定置信度，置信度设定及上下界分位数损失函数确定，设定置信度为(1-β)，上下界分位数确定公式采用如下所示：

4.如权利要求3所述的基于bi-lstm-qr的新能源灵活性需求量化方法，其特征在于：所述构建分位数回归损失函数，所采集的数据样本由历史上预测出力和实际出力构成，对应的分位数回归损失函数可采用如下公式：

5.如权利要求4所述的基于bi-lstm-qr的新能源灵活性需求量化方法，其特征在于：所述基于设定置信度，构建分位数回归损失函数，将其嵌入bi-lstm模型...

【专利技术属性】
技术研发人员：苏华英，张俨，王榆楗，王融融，赵维兴，黄晓旭，贺先强，唐建兴，顾业锐，周贤，王国松，王寅，李恺颜，田年杰，陈锐，赵倩，陶用伟，冯金玲，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：