【技術實現(xiàn)步驟摘要】
本專利技術涉及一種數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，屬于電力系統(tǒng)領域。
技術介紹
1、為了緩解氣候變化及降低碳排放，世界各國都開始大力發(fā)展可再生能源，這使得大量的分布式電源接入到了電網(wǎng)中，尤其是低壓配電網(wǎng)側中。這些大規(guī)模接入的新能源可以對電網(wǎng)起到輔助支撐的作用，但是分布式電源在參與輔助支撐服務時往往存在最小允許容量（一般為1-10mw）的限制，另外由于分布式電源所處的地理位置分散，不同地理位置的分布式電源在規(guī)模、環(huán)境和特征上的差異可以產(chǎn)生互補的功率輸出。此外，由于天氣因素的影響，各個分布式電源的出力存在著較大的不確定性，而在研究分布式電源有功功率聚合時，也需要將這種不確定性聚合表征出來。現(xiàn)有的工作均忽略了分布式電源間的拓撲連接關系，這在實際情況中是不合理的。有鑒于此，本專利技術需要在聚合多個分布式電源發(fā)電功率不確定性的同時考慮到分布式電源的拓撲連接關系，來更好地為電網(wǎng)提供輔助支撐服務。
2、此外，出于用戶隱私保護的目的，部分分布式電源的所有者（如獨立運營商）不愿意共享其自身的數(shù)據(jù)，這就會造成數(shù)據(jù)孤島問題或者數(shù)據(jù)不完備問題，如何在這種情況下進行聚合分布式電源發(fā)電功率的不確定性也是研究要點之一。因此，本專利技術提出了一種數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法。
技術實現(xiàn)思路
1、本專利技術的目的在于克服現(xiàn)有技術中的不足，提供一種數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，在保護用戶隱私的前提下，能夠考慮到各個分布式電源間的拓撲連接關系，實現(xiàn)分
2、為達到上述目的，本專利技術是采用下述技術方案實現(xiàn)的，一種數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，具體包括以下步驟：
3、（1）收集配電網(wǎng)中各區(qū)域內各個分布式電源發(fā)電功率的區(qū)間預測值，各個分布式電源之間的拓撲連接關系及線路導納；
4、（2）在云端構建分布式電源發(fā)電功率全局不確定性聚合量化模型，并初始化模型參數(shù)，云端將初始化的全局不確定性聚合量化模型參數(shù)發(fā)送至管轄配電網(wǎng)不同區(qū)域的邊緣計算設備作為本地不確定性聚合量化模型；
5、（3）各邊緣計算設備利用區(qū)域內各個分布式電源發(fā)電功率的區(qū)間預測值構建本地不確定性聚合量化模型訓練數(shù)據(jù)庫，并利用該數(shù)據(jù)庫對邊緣設備的本地不確定性聚合量化模型進行訓練；
6、（4）訓練完成后各邊緣計算設備將本地模型參數(shù)上傳至云端進行更新，云端再將更新后的全局不確定性聚合量化模型發(fā)送給各個邊緣計算設備進行本地模型的更新，通過這種迭代實現(xiàn)不確定性聚合量化模型的訓練；
7、（5）各個邊緣設備利用訓練完成的本地不確定性聚合量化模型實現(xiàn)區(qū)域內各個分布式電源發(fā)電功率的不確定性聚合量化。
8、進一步地，所述步驟（1），包括：
9、步驟（1）具體為：
10、收集配電網(wǎng)中各個分布式電源發(fā)電功率的區(qū)間預測值，第個區(qū)域內各個分布式電源之間的拓撲連接關系表示為：
11、?（1）
12、?（2）
13、其中為第個分布式電源和第個分布式電源之間連接線路的導納,表示該區(qū)域內分布式電源的數(shù)量。
14、進一步地，所述步驟（2），包括：
15、（2.1）在云端構建分布式電源發(fā)電功率全局不確定性聚合量化模型，包括構建空間特性模塊、時間特性模塊和不確定性聚合量化模塊，并初始化模型參數(shù)：
16、（2.1.1）空間特性模塊具體表示為：
17、（3）
18、其中,是一個加權鄰接矩陣，表示單位對角矩陣，表示矩陣的度矩陣，表示空間模塊中第層網(wǎng)絡層的輸入，表示空間模塊中第+1層網(wǎng)絡層的輸入，表示第層神經(jīng)網(wǎng)絡的權重矩陣，為非線性激活函數(shù)，
19、（2.1.2）時間特性模塊具體表示為：
20、（4）
21、其中，為非線性激活函數(shù)，為遺忘門，是輸入門，是輸出門，，，和是時間特性模塊的權重矩陣，，，和是相應的偏置，為時刻的隱含層的輸出，為時刻的輸入，代表將和連接為一個向量，是當前時刻的記憶單元的狀態(tài)，是時刻的輸入信息，為時刻隱含層的輸出，
22、為了更好地學習不確定性數(shù)據(jù)的時間特征，時間特性模塊的輸入分別為前向數(shù)據(jù)和后向數(shù)據(jù)，具體表示為：
23、（5）
24、其中和是時刻前向數(shù)據(jù)和后向數(shù)據(jù)經(jīng)過時間特性模塊處理的輸出，concat表示拼接操作，表示公式（4），
25、（2.1.3）不確定性聚合量化模塊：
26、為了將各個分布式電源聚合之后的不確定性進行量化，將不確定性聚合量化模型的目標表示為：
27、（6）
28、（7）
29、（8）
30、其中，表示不確定性聚合量化模型的損失，表示在分位數(shù)水平下的不確定性聚合量化模型的損失，和分別表示第個樣本在分位數(shù)水平預測值和真實值，為分位數(shù)水平，是一個任意小的正數(shù)，為數(shù)據(jù)集的索引聚合，為分位數(shù)的索引集合，表示基數(shù)函數(shù)，
31、（2.2）云端將初始化的全局不確定性聚合量化模型參數(shù)發(fā)送至管轄配電網(wǎng)不同區(qū)域的邊緣計算設備作為本地不確定性聚合量化模型，具體表示為：
32、（9）
33、其中，為云端的初始全局不確定性聚合量化模型參數(shù)，為第個邊緣計算設備的本地初始不確定性聚合量化模型的權重參數(shù)。
34、進一步地，所述步驟（3），包括：
35、（3.1）各邊緣計算設備利用區(qū)域內各個分布式電源發(fā)電功率的區(qū)間預測值構建本地不確定性聚合量化模型訓練數(shù)據(jù)庫，
36、將時刻的數(shù)據(jù)與之前個時刻的數(shù)據(jù)進行組合形成單個樣本的輸入數(shù)據(jù)，時刻的聚合輸出作為單個樣本的輸出數(shù)據(jù)，輸入數(shù)據(jù)和輸出數(shù)據(jù)組合為樣本數(shù)據(jù)，形成數(shù)據(jù)庫，將所有樣本打亂，隨機抽取70%的樣本作為訓練數(shù)據(jù)，剩余樣本作為測試數(shù)據(jù)，
37、（3.2）各個邊緣計算設備利用本地數(shù)據(jù)庫進行模型的訓練，訓練目標為損失函數(shù)（6）最小，以梯度下降算法進行參數(shù)更新，表示為：
38、（10）
39、其中，為本地不確定性聚合量化模型的第個權重參數(shù)，為學習率。
40、進一步地，所述步驟（4），包括：
41、（4.1）各邊緣計算設備將在本地訓練完成之后的本地模型參數(shù)上傳至云端進行更新，具體表示為：
42、???（11）
43、其中為第次迭代中第個邊緣設備本地不確定性聚合量化模型的權重參數(shù)，為第次迭代之后云端的全局不確定性聚合量化模型參數(shù)，為所有邊緣計算設備具有的數(shù)據(jù)集的數(shù)量，為第個邊緣計算設備擁有的訓練數(shù)據(jù)集的數(shù)量；
44、（4.2）云端再將更新后的全局不確定性聚合量化模型發(fā)送給各個邊緣計算設備進行本地模型的更新，表示為：
45、?（12）
46、式中為第次迭代之后云端的全局不確定性聚合量化模型參數(shù)，為第次迭代中第個邊緣設備的本地不確定性聚合量化模型的權重參數(shù)。
47本文檔來自技高網(wǎng)...
【技術保護點】
1.數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，包含以下步驟：
2.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（1）具體為：
3.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（2）具體為：
4.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（3）具體為：
5.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（4）具體為：
6.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（5）具體為：
7.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于：所述處理器執(zhí)行所述程序時實現(xiàn)如上述權利要求1至6中的任意一項所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法。
8.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于：該計算機指令被
...【技術特征摘要】
1.數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，包含以下步驟：
2.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（1）具體為：
3.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（2）具體為：
4.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（3）具體為：
5.根據(jù)權利要求1所述的數(shù)據(jù)驅動的分布式電源發(fā)電功率不確定性聚合量化方法，其特征在于，步驟（4）具...
【專利技術屬性】
技術研發(fā)人員：竇春霞，李厚俊，岳東，
申請(專利權)人：南京郵電大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。