CN110009141B - 基于sdae特征提取和svm分类模型的爬坡事件预测方法及*** - Google Patents

Abstract

本发明公开了基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及***，包括：利用离线的时域仿真法生成样本，选取8个输入特征作为SDAE的输入层特征，将选择的特征输入到SDAE进行特征提取。假设SDAE有N个隐层，得到每一个层提取的抽象特征,利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息；本发明有益效果：分类模型可以快速而且准确地判断出下一时刻是否存在爬坡事件，针对存在爬坡事件的情况，具体计算出有功不平衡量，从而有针对性地进行安全防御。该方法快速准确，能够对爬坡事件进行有效辨识。

Description

基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及 ***

技术领域

本发明属于电力***调度领域，具体涉及一种基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及***。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

为应对气候变化，能源革命持续进行，风电、光伏等新能源接入电网的比例逐渐增大。2017年我国风电新增装机容量为15.03GW，累计并网装机容量达到164GW。高比例新能源的接入，在带来巨大环境效益的同时，也给电网的安全稳定运行带来极大的挑战。

受地形、温度和光照强度等因素的影响，新能源呈现出地区分布不均衡的现象，局部地区风能或光照资源丰富，风电场和光伏电站密集，呈现出大规模集中分布的特点，使得在一段时间内其出力表现出强相关性，可能会出现出力短时间内的大幅变化，如果此时电网备用和调节能力不足以平衡这种变化，电网就可能因功率大幅缺额而出现频率降低，导致损失大量负荷的爬坡事件。美国德克萨斯州电网2008年发生了风电功率大规模下降的爬坡事件，因风电功率预测存在较大误差，使得调度中心出现误判，未能及时采取预防控制措施，造成频率下降至59.85Hz，最终1150MW负荷被切除，才使频率恢复至额定值，造成了较大的经济损失。因此，在新能源渗透率逐渐增大的背景下，深入研究爬坡事件的快速准确预测，对于及时采取应对措施，保证电网安全稳定运行具有重要意义。

发明人发现，目前对于风电爬坡事件的预测和调度方法研究较多，而综合考虑风电、光伏和抽水蓄能电站、交直流联络线的调节作用关注度较低。风电、光伏出力具有间歇性，其预测存在较大误差，爬坡事件在线预测时，传统的时域仿真法需要考虑的运行场景众多，耗费时间较长，不能满足在线应用的要求。

发明内容

为了解决上述问题，本发明提出一种基于SDAE特征提取和SVM分类模型的爬坡事件预测方法及***，采用人工智能的方法，利用堆叠降噪自动编码器SDAE进行特征提取，采用支持向量机的方法建立分类模型。在样本生成时，计及负荷预测的误差和风电、光伏出力的不确定性，综合考虑常规机组、抽水蓄能和交直流联络线的调节作用，对爬坡事件进行快速准确预测。

在一些实施方式中，采用如下技术方案：

基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，包括：

分别采集***负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；

构造样本：将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；

分别选取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；

将选择的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；

利用训练好的SVM分类模型对爬坡事件进行预测。

在一些实施方式中，采用如下技术方案：

基于SDAE特征提取和SVM分类模型的爬坡事件预测***，包括：

数据采集单元，用于采集***负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；

样本构造单元，用于将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景；

功率不平衡量计算单元，用于将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；

特征提取单元，分别提取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；

SVM分类模型训练单元，用于将提取的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；

预测单元，用于利用训练好的SVM分类模型对爬坡事件进行预测。

在一些实施方式中，采用如下技术方案：

基于SDAE特征提取和SVM分类模型的爬坡事件预测***，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的爬坡事件预测方法。

在一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述的爬坡事件预测方法。

与现有技术相比，本发明的有益效果是：

综合考虑了风电、光伏出力的不确定性和间歇性以及负荷预测的误差，计及常规机组、抽水蓄能电站和交直流联络线的调节作用，提出了基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，分类模型可以快速而且准确地判断出下一时刻是否存在爬坡事件，针对存在爬坡事件的情况，具体计算出有功不平衡量，从而有针对性地进行安全防御。该方法快速准确，能够对爬坡事件进行有效辨识。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为降噪自动编码器SDAE的训练过程图；

图2为堆叠降噪自动编码器SDAE的预训练过程图；

图3为基于SDAE和SVM的爬坡事件预测模型图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，包括以下步骤：

(1)利用离线的时域仿真法生成样本。将一天所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，得到所有运行场景的功率不平衡量。

(2)通过与阈值的比较判断是否发生了爬坡事件，同时计算出所有场景的交流联络线功率、直流联络线功率、常规机组的可调范围以及抽水蓄能电站的可调范围。(根据设定的阈值，超过的认为发生了爬坡事件；这些量都可以在计算每个场景的有功不平衡量之后得到，将这些量计算出来作为样本的一个特征)

(3)判定为爬坡事件的记为1，其余的记为0。计算出每个时刻所有运行场景的有功不平衡量，把一天内所有时刻按照有功不平衡量绝对值的大小进行排序。(在线应用时，利用本发明的方法判断出是否发生爬坡事件后，针对发生爬坡事件的场景进一步利用时域仿真法算出具体的有功不平衡量，从而进行安全防御；把一天内所有时刻按照有功不平衡量绝对值的大小进行排序的原因是得到一天中哪些时刻容易发生爬坡事件，从而提前做好准备)

(4)选取8个输入特征作为SDAE的输入层特征。分别为当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值与当前时刻的差，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量。

(5)将选择的特征输入到SDAE进行特征提取。假设SDAE有N个隐层，得到每一个层提取的抽象特征h_j(j＝1,2,…，N),利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息。

利用一部分样本作为训练样本，建立SVM分类模型，另一部分作为测试样本，测试模型的性能，记录所用时间，与时域仿真法进行比较。

下面基于上述步骤对本发明方法进行详细的说明：

1)功率不平衡量计算

设***负荷功率、风电出力和光伏出力的预测值分别为P_{l_pre}、P_{f_pre}和P_{pv_pre}，N台常规火电机组的出力分别为P_i(i＝1,2,…,N)，抽水蓄能电站发电功率为P_h，直流和交流联络线的注入功率分别为P_d和P_a。那么功率缺额ΔP可表示为

正常情况下，由于发电机的调频作用，ΔP在一定阈值范围内变化。当ΔP超过阈值时，表示***存在不可接受的功率缺额，即认为发生了爬坡事件。

考虑常规机组出力上下限约束及上爬坡和下爬坡速率约束，如式(2)和式(3)

式(2)中，P_min和P_max分别表示常规机组出力的最小值和最大值；式(3)中,P_i ^dn和P_i ^up分别表示第i台机组在单位时间有功功率允许的下降值和上升值，Δt为单位时间间隔，P_{i_t+1}和P_{i_t}分别表示t+1和t时刻第i台机组出力。

考虑抽水蓄能电站最大、最小库容量和水轮机组最大出力约束，如式(4)、(5)和(6)

C_{h_t+1}＝C_{h_t}+V₁·Δt·λ_t-V₂·Δt·(1-λ_t) (4)

C_min≤C_{h_t}≤C_max (5)

W_{h_t+1}＝W_{h_t}+P_h ^up·Δt·η₁·λ_t-P_h ^dn·Δt·η₂·(1-λ_t) (6)

式(4)中，C_{hy_t}为t时刻的库容量，V₁和V₂分别为单位时间Δt内的抽水体积和放水体积，λ_t为抽水蓄能电站的运行状态，1和0分别表示处于抽水状态和放水发电状态；式(5)中，C_min和C_max分别为允许库容量的最小值和最大值；式(6)中，W_{h_t+1}为t+1时刻的库容量对应的电能，P_h ^up和P_h ^dn分别为抽水和放水时水轮机组的功率，η₁和η₂分别为抽水效率和发电效率。

直流和交流联络线注入功率P_{d_t}和P_{a_t}分别满足式(7)和(8)，P_{d_max}和P_{a_max}分别为直流和交流联络线的最大可调功率。

P_{d_t}≤P_{d_max} (7)

P_{a_t}≤P_{a_max} (8)

2)基于SDAE的特征提取

给定样本集{x_i}(x_i∈R^m,i＝1,2,…，n)，表示每个样本有m维输入，共有n个样本。对样本进行“随机破坏”污染，得到样本集

重构误差即损失函数定义为

式中，

为受损输入

的重构表示。

通过训练，不断地最小化重构误差L(x,y)，获得隐层表达h，如附图1所示。

首先将受损输入

通过编码过程映射为隐层表达

然后通过解码过程映射为重构表示

通过不断优化模型参数θ和θ'，使L(x,y)足够小。编码和解码的过程如式(10)和(11)所示。

y＝q_θ'(h)＝s(W'h+b') (11)

式中，θ＝[W,b]和θ'＝[W',b']分别为编码和解码模型参数；W和W’分别为编码和解码权值矩阵；b和b’为偏置量；s为激活函数，采用sigmoid函数。

将DAE栈式堆叠成深层结构，以获得更抽象、细致的特征，构成了SDAE。利用贪婪无监督学习算法进行预训练，使输出尽可能逼近输入，实现层次特征提取功能。

参照图2，设l为SDAE的层数，h_k为第k(1＜k＜l)层提取出的抽象特征。第一层利用训练样本进行训练，第k(2＜k＜l)层利用前一层提取的特征进行训练。完成训练后，第l层的输出即为原始特征的高阶形式。

3)基于SVM的分类模型

基于SVM的爬坡事件预测实际为一个模式分类问题，需要构造一个最优超平面，最优超平面的维数与输入特征的个数相同。SVM主要针对的是两分类问题，在高维空间寻找一个超平面作为两类的分割面，使分类间隔最大。

当训练集线性不可分时，通过非线性映射Φ：Rⁿ→H将其映射到高维空间，使其在高维空间内线性可分。在高维空间内的训练算法只需要进行内积Φ(x_i)·Φ(x_j)计算，当函数满足K(x_i，x_j)＝Φ(x_i)·Φ(x_j)时，高维空间的内积计算可以通过原空间的函数来实现，这种函数成为核函数。本发明采用径向基核函数，如式(12)

式中，σ为样本输入特征个数与径向基核函数宽度的乘积，为常数。

4)样本生成

在利用SDAE模型进行特征提取和SVM进行分类前，首先需要通过离线的时域仿真构造样本。

将一天所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量，通过与阈值的比较判断是否发生了爬坡事件，同时计算出所有场景的交流和直流联络线注入功率以及常规机组和抽水蓄能电站的可调范围。

其中，判定为爬坡事件的记为1，其余的记为0。计算出每个时刻所有场景的有功不平衡量的，把一天内所有时刻的按照有功不平衡量绝对值的大小进行排序。

5)特征选择

联络线功率在下一时刻的可调量与当前时刻紧密相关。式(13)中的前6项可以看作是下一时的等效不平衡量，后面的各项表示下一时刻的可参与调节量。因此，上一时刻的不平衡量和交直流联络线的功率作为输入特征，下一时刻的负荷、风电和光伏预测值与当前时刻的差也作为输入特征。

首先，计算出当前时刻的功率不平衡量和交直流联络线的功率；然后，计算下一时刻的负荷、风电和光伏的预测值与当前时刻的差；最后，计算下一时刻常规机组、抽水蓄能电站和交直流联络线的可调量。

本发明选取8个输入特征作为SDAE的输入层特征。分别为当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值与当前时刻的差，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量。

6)基于SDAE和SVM的爬坡事件预测模型

如图3所示，将选择的特征输入到SDAE进行特征提取。假设SDAE有N个隐层，得到每一个层提取的抽象特征h_j(j＝1,2,…，N),利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息。

实施例二

在一个或多个实施方式中，公开了基于SDAE特征提取和SVM分类模型的爬坡事件预测***，包括：

数据采集单元，用于采集***负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；

样本构造单元，用于将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景；

功率不平衡量计算单元，用于将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；

特征提取单元，分别提取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；

SVM分类模型训练单元，用于将提取的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；

预测单元，用于利用训练好的SVM分类模型对爬坡事件进行预测。

实施例三

在一个或多个实施方式中，公开了一种基于SDAE特征提取和SVM分类模型的爬坡事件预测***，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中所述的爬坡事件预测方法。

实施例四

在一个或多个实施方式中，公开了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，该程序被处理器执行时执行实施例一中所述的爬坡事件预测方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，包括：

分别采集***负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；

构造样本：将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；

分别选取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；

将选择的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；

利用训练好的SVM分类模型对爬坡事件进行预测。

2.如权利要求1所述的基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，判断是否发生了爬坡事件，判定为爬坡事件的记为1，其余的记为0；计算出每个时刻所有运行场景的有功不平衡量，把一天内所有时刻按照有功不平衡量绝对值的大小进行排序。

3.如权利要求2所述的基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，***功率缺额ΔP为***负荷功率与风电出力预测值、光伏出力预测值、N台常规火电机组的出力之和、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率之和的差值；当ΔP超过阈值时，表示***存在不可接受的功率缺额，即认为发生了爬坡事件；其中,

P_{l_pre}为***负荷功率预测值，P_{f_pre}为风电出力预测值，P_{pv_pre}为光伏出力预测值，

为N台常规火电机组的出力之和，P_h为抽水蓄能电站发电功率，直流联络线注入功率和交流联络线的注入功率分别为P_d和P_a。

4.如权利要求1所述的基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，给定第i个运行场景下的样本集{x_i}，i＝1,2,…，n，表示每个样本有m维输入，共有n个样本；对样本进行“随机破坏”污染，得到样本集

将受损输入

通过编码过程映射为隐层表达

通过解码过程映射为重构表示

通过不断优化模型参数θ和θ'，使重构误差足够小，其中，θ和θ'分别为编码模型参数和解码模型参数；

设l为SDAE的层数，h_k为第k层提取出的抽象特征；第一层利用训练样本进行训练，第k，2＜k＜l层利用前一层提取的抽象特征进行训练；完成训练后，第l层的输出即为原始特征的高阶形式。

5.如权利要求1所述的基于SDAE特征提取和SVM分类模型的爬坡事件预测方法，其特征在于，假设SDAE有N个隐层，得到每一个层提取的抽象特征h_j，j＝1,2,…，N,利用SDAE提取的各个隐层特征训练SVM。

6.基于SDAE特征提取和SVM分类模型的爬坡事件预测***，其特征在于，包括：

数据采集单元，用于采集***负荷功率与风电出力预测值、光伏出力预测值、常规火电机组的出力、抽水蓄能电站发电功率、直流联络线注入功率和交流联络线注入功率数据；

样本构造单元，用于将一天内所有时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景；

功率不平衡量计算单元，用于将每一种运行场景利用时域仿真法进行计算，得到所有运行场景的功率不平衡量；

特征提取单元，分别提取当前时刻的联络线功率，当前时刻的功率不平衡量，下一时刻的负荷、风电出力和光伏出力预测值分别与当前时刻对应项的差值，下一时刻常规机组、抽水蓄能电站和联络线功率的最大可调量，作为SDAE的输入层特征；

SVM分类模型训练单元，用于将提取的特征输入到SDAE进行特征提取，利用SDAE提取的各个隐层特征训练SVM分类模型；

预测单元，用于利用训练好的SVM分类模型对爬坡事件进行预测。

7.基于SDAE特征提取和SVM分类模型的爬坡事件预测***，其特征在于，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-5任一项所述的爬坡事件预测方法。

8.一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，该程序被处理器执行时执行权利要求1-5任一项所述的爬坡事件预测方法。

Images