基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法技術

本發(fā)明專利技術屬于新能源預測技術領域，具體為基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法，包括步驟1：功率不平衡計算；步驟2：基于SDAE的特征提取；步驟3：基于SDAE和SVM的分類模型，利用SDAE提取的各個隱層特征訓練SVM，充分利用所有隱層提取的特征信息，將爬坡事件發(fā)生與否看作為二分類問題，通過SVM實現(xiàn)分類，輸出為1和0分別表示是否發(fā)生爬坡事件；步驟4：爬坡事件預測流程，包括樣本生成、特征選擇以及訓練和應用，其結構合理，能夠實現(xiàn)考慮機組和聯(lián)絡線的調節(jié)能力，利用運行數(shù)據(jù)和部分預測數(shù)據(jù)快速判斷是否發(fā)生爬坡事件，能夠對爬坡事件進行有效辨識，可用于新能源爬坡事件的預警與安全防控，從而提高電力系統(tǒng)的安全運行水平。從而提高電力系統(tǒng)的安全運行水平。從而提高電力系統(tǒng)的安全運行水平。

【技術實現(xiàn)步驟摘要】
基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法


[0001]本專利技術涉及新能源預測
，具體為基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法。

技術介紹

[0002]為應對氣候變化，能源革命持續(xù)進行，風電、光伏等新能源接人電網的比例逐漸增大。2018年底我國風電和光伏累計裝機容量分別達到221GW和174GW高比例新能源的接入，在帶來巨大環(huán)境效益的同時，也給電網的安全穩(wěn)定運行帶來極大挑戰(zhàn)。
[0003]受地形、溫度和光照強度等因素的影響，新能源呈現(xiàn)出地區(qū)分布不均衡的現(xiàn)象，局部地區(qū)風能或光照資源豐富，風電場和光伏電站密集，呈現(xiàn)出大規(guī)模集中分布的特點，使得在一段時間內其出力表現(xiàn)出強相關性，可能會出現(xiàn)出力短時間內的大幅變化，如果此時電網備用和調節(jié)能力不足以平衡這種變化，電網可能因功率大幅缺額而出現(xiàn)頻率降低，導致?lián)p失大量負荷的爬坡事件。美國德克薩斯州電網2008年發(fā)生了風電功率大規(guī)模下降的爬坡事件，因風電功率預測存在較大誤差，使得調度中心出現(xiàn)誤判，未能及時采取預防控制措施，造成頻率下降至59.85Hz，最終1150MW負荷被切除，才使頻率恢復至額定值，造成了較大的經濟損失，因此，在新能源滲透率逐漸增大的背景下，深人研究爬坡事件的快速準確預測，對于及時采取應對措施，保證電網安全穩(wěn)定運行具有重要意義。
[0004]基于上述問題，我們提出一種新型的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法。

技術實現(xiàn)思路

[0005]本部分的目的在于概述本專利技術的實施方式的一些方面以及簡要介紹一些較佳實施方式。在本部分以及本申請的說明書摘要和專利技術名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和專利技術名稱的目的模糊，而這種簡化或省略不能用于限制本專利技術的范圍。
[0006]鑒于現(xiàn)有技術中存在的問題，提出了本專利技術。
[0007]因此，本專利技術的目的是提供基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法，能夠實現(xiàn)考慮機組和聯(lián)絡線的調節(jié)能力，利用運行數(shù)據(jù)和部分預測數(shù)據(jù)快速判斷是否發(fā)生爬坡事件，能夠對爬坡事件進行有效辨識，可用于新能源爬坡事件的預警與安全防控，從而提高電力系統(tǒng)的安全運行水平。
[0008]為解決上述技術問題，根據(jù)本專利技術的一個方面，本專利技術提供了如下技術方案：
[0009]基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法，其包括如下步驟：
[0010]步驟1：功率不平衡計算，設系統(tǒng)負荷功率、風電出力和光伏出力的預測值分別為P1、P2、P3，N臺常規(guī)火電機組的出力分別為PN，抽水蓄能發(fā)電功率為PH，功率缺額為P，正常情況下，由于發(fā)電機的調節(jié)作用，P在一定范圍內變化，當P超過閾值時，表示系統(tǒng)存在不可接受的功率缺額，即認為發(fā)生了爬坡事件；
[0011]步驟2：基于SDAE的特征提取，降噪自動編碼器DAE是將隨機噪聲引人編碼器，在訓練時消除噪聲干擾，能從受損的輸人中獲得更具魯棒性的表達；
[0012]步驟3：基于SDAE和SVM的分類模型，利用SDAE提取的各個隱層特征訓練SVM，充分利用所有隱層提取的特征信息，將爬坡事件發(fā)生與否看作為二分類問題，通過SVM實現(xiàn)分類，輸出為1和0分別表示是否發(fā)生爬坡事件；
[0013]步驟4：爬坡事件預測流程，包括樣本生成、特征選擇以及訓練和應用。
[0014]作為本專利技術所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法的一種優(yōu)選方案，其中：所述步驟1中，直流聯(lián)絡線還需要滿足每個檔位的調節(jié)范圍，傳輸功率可調范圍通常劃分為幾個離散區(qū)間。
[0015]作為本專利技術所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法的一種優(yōu)選方案，其中：所述步驟2中，將DAE棧式堆疊成深層結構，可以獲得更抽象和細致的特征，利用貪婪無監(jiān)督學習算法進行預訓練，使輸出盡可能逼近輸入，實現(xiàn)層次特征提取功能。
[0016]作為本專利技術所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法的一種優(yōu)選方案，其中：所述步驟4中，樣本生成的具體流程為，將所有選取時刻的負荷、風電和光伏出力的預測值進行隨機組合，利用蒙特卡洛模擬法生成大量運行場景，將每一種運行場景利用時域仿真法進行計算，判斷是否發(fā)生爬坡事件。
[0017]作為本專利技術所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法的一種優(yōu)選方案，其中：所述步驟4中，特征選擇的具體流程為，將當前時刻的不平衡量和交直流聯(lián)絡線的功率作為輸人特征，下一時刻的負荷、風電和光伏預測值與當前時刻的差也作為輸人特征；首先，計算出當前時刻的功率不平衡量和交直流聯(lián)絡線的注入功率；然后，計算下一時刻的負荷、風電和光伏的預測值與當前時刻的差；最后，計算下一時刻常規(guī)機組、抽水蓄能電站和交直流聯(lián)絡線功率的可調量。
[0018]作為本專利技術所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法的一種優(yōu)選方案，其中：所述步驟4中，訓練和應用的具體步驟包括：
[0019](1)SDAE采用sigmoid函數(shù)作為激活函數(shù)，將步驟4所選特征作為初始特征輸人，利用貪婪無監(jiān)督學習算法進行預訓練，得到每個隱藏層的特征；
[0020](2)將上述中所有隱藏層的特征作為SVM的輸人，SVM的核函數(shù)選用徑向基函數(shù)，采用步驟4中的樣本生成產生樣本，用誤差反向傳播算法進行訓練；
[0021](3)運用訓練好的SDAE和SVM組合模型，將當前時刻的運行數(shù)據(jù)和下一時刻的預測數(shù)據(jù)作為SDAE的輸人，其輸出為是否發(fā)生爬坡事件；針對預測為爬坡事件的運行場景，通過數(shù)值仿真具體計算出有功不平衡量，并生成相應的安全防控措施。
[0022]與現(xiàn)有技術相比，本專利技術的有益效果是：能夠實現(xiàn)考慮機組和聯(lián)絡線的調節(jié)能力，利用運行數(shù)據(jù)和部分預測數(shù)據(jù)快速判斷是否發(fā)生爬坡事件，能夠對爬坡事件進行有效辨識，可用于新能源爬坡事件的預警與安全防控，從而提高電力系統(tǒng)的安全運行水平。
附圖說明
[0023]為了更清楚地說明本專利技術實施方式的技術方案，下面將結合附圖和詳細實施方式對本專利技術進行詳細說明，顯而易見地，下面描述中的附圖僅僅是本專利技術的一些實施方式，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得
其它的附圖。其中：
[0024]圖1為本專利技術步驟流程結構示意圖。
具體實施方式
[0025]為使本專利技術的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結合附圖對本專利技術的具體實施方式做詳細的說明。
[0026]在下面的描述中闡述了很多具體細節(jié)以便于充分理解本專利技術，但是本專利技術還可以采用其他不同于在此描述的其它方式來實施，本領域技術人員可以在不違背本專利技術內涵的情況下做類似推廣，因此本專利技術不受下面公開的具體實施方式的限制。
[0027]其次，本專利技術結合示意圖進行詳細描述，在詳述本專利技術實施方式時，為便于說明，表示器件結構的剖面圖會不依一般比例作局部放大，而且所述示意圖只是示例，其在此不應限制本專利技術保護的范圍。此外，在實際制作中應包含長度、寬度及深度的三維空間尺寸。
[0028]為使本專利技術的目的、本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法，其特征在于：包括如下步驟：步驟1：功率不平衡計算，設系統(tǒng)負荷功率、風電出力和光伏出力的預測值分別為P1、P2、P3，N臺常規(guī)火電機組的出力分別為PN，抽水蓄能發(fā)電功率為PH，功率缺額為P，正常情況下，由于發(fā)電機的調節(jié)作用，P在一定范圍內變化，當P超過閾值時，表示系統(tǒng)存在不可接受的功率缺額，即認為發(fā)生了爬坡事件；步驟2：基于SDAE的特征提取，降噪自動編碼器DAE是將隨機噪聲引人編碼器，在訓練時消除噪聲干擾，能從受損的輸人中獲得更具魯棒性的表達；步驟3：基于SDAE和SVM的分類模型，利用SDAE提取的各個隱層特征訓練SVM，充分利用所有隱層提取的特征信息，將爬坡事件發(fā)生與否看作為二分類問題，通過SVM實現(xiàn)分類，輸出為1和0分別表示是否發(fā)生爬坡事件；步驟4：爬坡事件預測流程，包括樣本生成、特征選擇以及訓練和應用。2.根據(jù)權利要求1所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法，其特征在于：所述步驟1中，直流聯(lián)絡線還需要滿足每個檔位的調節(jié)范圍，傳輸功率可調范圍通常劃分為幾個離散區(qū)間。3.根據(jù)權利要求1所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法，其特征在于：所述步驟2中，將DAE棧式堆疊成深層結構，可以獲得更抽象和細致的特征，利用貪婪無監(jiān)督學習算法進行預訓練，使輸出盡可能逼近輸入，實現(xiàn)層次特征提取功能。4.根據(jù)權利要求1所述的基于新能源預測的深度學習修正的區(qū)域優(yōu)化調度方法，其特征...

【專利技術屬性】
技術研發(fā)人員：許新華，高剛，劉坤杰，徐永嘉，李曉江，陳志星，高玉文，王學飛，
申請(專利權)人：華電寧夏能源有限公司，
類型：發(fā)明
國別省市：