CN112421631A - 一种新能源消纳能力评估方法和*** - Google Patents
一种新能源消纳能力评估方法和*** Download PDFInfo
- Publication number
- CN112421631A CN112421631A CN202110092890.3A CN202110092890A CN112421631A CN 112421631 A CN112421631 A CN 112421631A CN 202110092890 A CN202110092890 A CN 202110092890A CN 112421631 A CN112421631 A CN 112421631A
- Authority
- CN
- China
- Prior art keywords
- new energy
- energy consumption
- power grid
- values
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000005192 partition Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 11
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000010521 absorption reaction Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明提出了一种新能源消纳能力评估方法和***，包括：获取电网新能源消纳能力影响变量的值；将新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到电网中各分区出力的预测值，并作为新能源消纳能力评估结果；新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以输入模型和历史出力序列，对卷积神经网络进行训练得到；本发明构建的新能源消纳预测模型基于电网各分区新能源消纳能力影响变量的历史值训练而成，建立了多区域新能源消纳能力关键影响因素与新能源实际出力的动态关联关系，可评估未来一段时间内多区域电网的新能源消纳能力。
Description
技术领域
本发明属于新能源发电技术领域，具体涉及一种新能源消纳能力评估方法和***。
背景技术
近年来，新能源持续快速发展，以中国为例，截至2019年底，光伏发电累计装机容量2.04亿千瓦，风电累计并网装机容量达到2.1亿千瓦，均列世界首位。然而，由于***调峰能力有限以及受电网送出能力约束的影响，新能源“弃电”现象严重，既造成了绿色能源的浪费，也成为了制约新能源发展的重要因素之一。因此，需要挖掘影响新能源消纳能力的关键因素，准确评估未来年/月电网的新能源接纳能力和弃电率，为电网提高新能源消纳能力的决策提供依据。
目前常用的新能源消纳能力评估方法是时序生产模拟法，时序仿真法计算精度高，物理意义清晰。然而时序仿真法针对每一时段都需要进行仿真计算，若针对不同运行工况下的大量多区域新能源消纳场景进行计算时，耗费时间较多，大规模案例计算时间成本太高。事实上，新能源消纳能力的评估可以看作一个电网运行关键变量与新能源实际出力的映射关系，为了学习这种映射关系，需要通过离线时域仿真获得大量仿真样本，然后利用机器学习的算法近似模拟这种映射关系。映射关系建立后，针对不同的运行场景，利用学习到的映射关系即可快速地得出新能源消纳能力评估的结果。
现有技术采用主成分分析法（principal component analysis , PCA）对取得的风电理论功率、光伏理论功率、负荷、外送联络线、旋转备用容量、各类常规机组（火电、水电）装机容量、最大、最小开机数量，最大、最小技术出力n维数据进行降维，选取其中的k个主成分（k<n），每个主成分所包含的数据信息主要反映在方差上，用累计方差贡献率来判断k的值。如式（1）和式（2）所示。前k个特征值λ 1,λ 2,…,λ k 对应的特征向量Z=(z 1, z 2,…,z k )作为降维后的主成分向量。
式中λ i 为数据样本的协方差的特征值，并已经按大小排序好，即λ 1≥λ 2≥…≥λ n ，η i 为方差贡献率，η Σ(k)为前k个主成分的累计方差贡献率，ε=85%，即选取累计方差贡献率超过85%的值为选取的主成分值。
然后把处理过的一年的数据样本划分为训练数据和测试数据，训练率设定为0.8，即7000组数据作为训练数据，剩余的1760组数据作为测试数据。采用设计好的的LSTM深度神经网络，并在Tensorflow深度学习框架中对训练数据进行训练，设计的LSTM深度神经网络包括输入层、隐含层和输出层。其中隐含层具有两层隐层结构，输入层维数为k，即k个主成分数，输入层时间步数为10，第一隐层中包括30个神经元，第二层隐层中包括50个神经元，输出层维数为1。在训练中，部分参数设置如下：训练次数设定为1000次，学习率为0.05，批大小（batch_size）为70。
最后采用训练好的神经网络对测试数据进行预测模拟，得到新能源的模拟实际功率。
该方法的缺陷是无法针对多区域新能源消纳能力进行计算，只能计算不考虑断面限电的单区域模型。
发明内容
为克服上述现有技术的不足，本发明提出一种新能源消纳能力评估方法，包括：
获取电网新能源消纳能力影响变量的值；
将所述新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到所述电网中各分区出力的预测值，并作为新能源消纳能力评估结果；
所述新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以所述输入模型和历史出力序列，对卷积神经网络进行训练得到。
优选的，所述新能源消纳评估模型的建立，包括：
对历史时段的电网各分区新能源消纳能力影响变量的值进行处理得到输入模型；
基于所述输入模型以及所述历史时段的新能源出力的实际序列作为训练样本集；
以训练样本集中的输入模型为输入，对应下一时刻新能源出力的实际序列为输出，对卷积神经网络进行训练，得到新能源消纳评估模型；
所述新能源消纳能力影响变量包括：风电理论功率、光伏理论功率、电网负荷、分区间断面限额以及各类常规机组最大和最小技术总出力。
优选的，所述对历史时段的电网各分区新能源消纳能力影响变量的值进行处理得到输入模型，包括：
将历史时段的电网各分区新能源消纳能力影响变量的值按照分区不同划分多个通道；
对每个通道内分别按照时间和新能源消纳能力影响变量类型对新能源消纳能力影响变量的值进行划分，构成输入模型。
优选的，所述得到新能源消纳评估模型之后，还包括：
获取另一历史时段的电网各分区新能源消纳能力影响变量的值以及对应下一时刻新能源出力的实际值作为测试样本集；
将测试样本集中电网各分区新能源消纳能力影响变量的值输入所述新能源消纳评估模型，得到对应下一时刻新能源出力的模拟值；
根据新能源出力的实际值和模拟值间的误差，对新能源消纳评估模型进行评价并采用自适应矩估计方法对所述新能源消纳评估模型进行优化，直到所述误差满足要求。
优选的，所述误差包括：弃电率偏差、平均绝对误差百分比和均方根误差。
优选的，所述获取电网新能源消纳能力影响变量的值之后，且将所述新能源消纳能力影响变量的值输入预先建立的新能源消纳评估模型之前，还包括：
对新能源消纳能力影响变量的值采用最小最大值标准化方法进行归一化处理。
基于同一发明构思，本发明还提供了一种新能源消纳能力评估***，包括：数据采集模块和评估模块；
所述数据采集模块，用于获取电网新能源消纳能力影响变量的值；
所述评估模块，用于将所述新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到所述电网中各分区出力的预测值，并作为新能源消纳能力评估结果；
所述新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以所述输入模型和历史出力序列，对卷积神经网络进行训练得到。
优选的，还包括用于建立新能源消纳评估模型的建模模块，所述建模模块包括：输入单元、样本集单元和训练单元；
所述输入单元，用于对历史时段的电网各分区新能源消纳能力影响变量的值进行处理得到输入模型；
所述样本集单元，用于基于所述输入模型以及所述历史时段的新能源出力的实际序列作为训练样本集；
所述训练单元，用于以训练样本集中的输入模型为输入，对应下一时刻新能源出力的实际序列为输出，对卷积神经网络进行训练，得到新能源消纳评估模型；
所述新能源消纳能力影响变量包括：风电理论功率、光伏理论功率、电网负荷、分区间断面限额以及各类常规机组最大和最小技术总出力。
优选的，所述输入单元包括：分区划分子单元和变量划分子单元；
所述分区划分子单元，用于将历史时段的电网各分区新能源消纳能力影响变量的值按照分区不同划分多个通道；
所述变量划分子单元，用于对每个通道内分别按照时间和新能源消纳能力影响变量类型对新能源消纳能力影响变量的值进行划分，构成输入模型。
优选的，还包括归一化模块；
所述归一化模块，用于对新能源消纳能力影响变量的值采用最小最大值标准化方法进行归一化处理。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提出了一种新能源消纳能力评估方法和***，包括：获取电网新能源消纳能力影响变量的值；将新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到电网中各分区出力的预测值，并作为新能源消纳能力评估结果；新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以输入模型和历史出力序列，对卷积神经网络进行训练得到；本发明构建的新能源消纳预测模型基于电网各分区新能源消纳能力影响变量的历史值训练而成，建立了多区域新能源消纳能力关键影响因素与新能源实际出力的动态关联关系，可评估未来一段时间内多区域电网的新能源消纳能力。
本发明可应用于新能源消纳计算的敏感性分析中，针对电网结构不发生改变的情况下，资源、负荷、联络线外送等边界条件发生变化时，快速仿真得到消纳计算结果，本发明技术方案可以为电网提高新能源消纳能力的决策提供依据，对于高比例新能源电力***的消纳能力提升具有重要意义。
附图说明
图1为本发明提供的一种新能源消纳能力评估方法流程示意图；
图2为本发明提供的新能源消纳能力评估方法中新能源消纳评估模型建立流程示意图；
图3为本发明提供的新能源消纳评估模型输入数据结构示意图；
图4为本发明提供的损失值随迭代次数变化；
图5为本发明提供的一个评估实例；
图6为本发明提供的一种新能源消纳能力评估***基本结构示意图；
图7为本发明提供的一种新能源消纳能力评估***详细结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种新能源消纳能力评估方法流程示意图如图1所示，包括：
步骤1：获取电网新能源消纳能力影响变量的值；
步骤2：将新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到电网中各分区出力的预测值，并作为新能源消纳能力评估结果；
新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以输入模型和历史出力序列，对卷积神经网络进行训练得到。
本实施例提供的新能源消纳能力评估方法具体包括：
S1. 根据新能源主要受限断面对省级电网进行分区，得到不同的电网区域m。分别搜集某省级电网不同电网分区m的一年8760小时，时间分辨率为1小时的新能源消纳能力影响变量，包括：风电理论功率、光伏理论功率、电网负荷、区域间断面限额、各类常规机组（火电、水电）最大、最小技术总出力共n维数据，组成数据输入样本X m (t)=( X m,1(t), X m,2(t),…, X m,n (t))（t =1，2，3，…，8760），以及各区域的新能源实际功率P m,N (t)。
S2. 采用最小最大值标准化对上述数据进行归一化处理，如式（1）所示。
其中x i 为数据的实际值，x imin 为数据的最小值，x imax 为数据的最大值，
为归一化后的
标准值。
S3.建立输入数据模型，模型的输入是m个区域评估时刻t超前滞后一段时间（一般是2h）的新能源消纳能力影响变量，这里主要包括风电理论功率、光伏理论功率、电网负荷、区域间断面限额、各类常规机组（火电、水电）最大、最小技术总出力等变量，输出是t时刻对应的电网接纳新能源的实际功率。在这里，类比二维彩色图像的RGB三通道表示方法，对模型输入进行了维数变换，建立了通道，行，列的三维输入模型。每一个区域的数据输入到对应的通道中，通道的列向量为风电、光伏理论功率，负荷，区域间断面限额，常规机组最大、最小技术总出力等新能源消纳能力影响要素，行向量为评估时刻超前滞后一段时间（一般是2h）的时间窗，具体如附图3所示。
S4. 设计卷积神经网络的结构，并优化模型参数，通过多个卷积层与池化层的交替，逐步进行特征提取与信息过滤，最后通过全连接层的特征组合来得到结果输出。这里采用2维CNN网络结构，采用三个卷积层来提取输入数据中的特征，采用池化层对卷积出来的结果进行最大值池化，并对卷积层提取的特征进行简化。具体模型参数为：第一层卷积层的卷积核个数为30个，卷积核尺寸为3*2，第二、三层卷积层的个数均为6个，卷积层尺寸为m *1，池化层的尺寸为2，激活函数采用Relu函数，dropout层设定网络权值随机进行断开的比例为50%。
S5. 把处理过的一年的数据样本划分为训练数据和测试数据，训练率设定为0.8，即7000组数据作为训练数据，剩余的1760组数据作为测试数据。采用设计好的CNN深度神经网络，并在Keras深度学习框架中对训练数据进行训练，部分训练参数设置如下：训练次数设定为1000次，学习率为0.05，批大小（batch_size）为70，训练结束后，保存好训练后的模型结构与参数，得到新能源消纳评估模型。需要注意的是，当输入数据进行了归一化（也即标准化过程）时，输出的数据也要进行反标准化。
S6. 采用训练好的新能源消纳评估模型对测试数据进行预测模拟，得到新能源的
模拟实际功率
，采用弃电率偏差、平均绝对误差百分比和均方根误差对评估结果进行
评价，如式（2）至式（4）所示，评估误差迭代变化情况如图4所示，其中实线部分为训练误差，
虚线部分为验证误差，然后根据误差采用adam ( Adaptive Moment Estimation，自适应矩
估计)优化方法进行优化；可以看出随着训练迭代次数的增加，均方根误差迅速收敛。评估
实例结果如图5所示。新能源消纳评估模型建立流程整体如图2所示。
其中，
，
，
和
（t=1，2，3，…，T）分别为第t时刻新能源的理论出力、
实际出力、模拟出力以及新能源装机容量，T表示测试集的数据长度，
表示弃电率偏差，
表示平均绝对误差百分比，
表示均方根误差。
上述步骤S1-S6即预先建立新能源消纳评估模型的过程。
S7.采用新能源消纳评估模型对新能源消纳能力进行评估。即获取电网各分区新能源消纳能力影响变量的值并输入新能源消纳评估模型，得到电网下一时刻的新能源出力的预测值作为新能源消纳能力。
步骤S7即前述步骤1和步骤2。
实施例2：
基于同一发明构思，本发明还提供了一种新能源消纳能力评估***。
该***基本结构如图6所示，包括：数据采集模块和评估模块；
数据采集模块，用于获取电网新能源消纳能力影响变量的值；
评估模块，用于将新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到电网中各分区出力的预测值，并作为新能源消纳能力评估结果；
新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以输入模型和历史出力序列，对卷积神经网络进行训练得到。
一种新能源消纳能力评估***详细结构如图7所示。
其中，新能源消纳能力评估***还包括用于建立新能源消纳评估模型的建模模块，建模模块包括：输入单元、样本集单元和训练单元；
输入单元，用于对历史时段的电网各分区新能源消纳能力影响变量的值进行处理得到输入模型；
样本集单元，用于基于输入模型以及历史时段的新能源出力的实际序列作为训练样本集；
训练单元，用于以训练样本集中的输入模型为输入，对应下一时刻新能源出力的实际序列为输出，对卷积神经网络进行训练，得到新能源消纳评估模型；
新能源消纳能力影响变量包括：风电理论功率、光伏理论功率、电网负荷、分区间断面限额以及各类常规机组最大和最小技术总出力。
其中，输入单元包括：分区划分子单元和变量划分子单元；
分区划分子单元，用于将历史时段的电网各分区新能源消纳能力影响变量的值按照分区不同划分多个通道；
变量划分子单元，用于对每个通道内分别按照时间和新能源消纳能力影响变量类型对新能源消纳能力影响变量的值进行划分，构成输入模型。
其中，建模模块还包括优化单元；
优化单元，用于获取另一历史时段的电网各分区新能源消纳能力影响变量的值以及对应下一时刻新能源出力的实际值作为测试样本集；将测试样本集中电网各分区新能源消纳能力影响变量的值输入新能源消纳评估模型，得到对应下一时刻新能源出力的模拟值；根据新能源出力的实际值和模拟值间的误差，对新能源消纳评估模型进行评价并采用自适应矩估计方法对新能源消纳评估模型进行优化，直到误差满足要求。
其中，误差包括：弃电率偏差、平均绝对误差百分比和均方根误差。
其中，该***还包括归一化模块；
归一化模块，用于对新能源消纳能力影响变量的值采用最小最大值标准化方法进行归一化处理。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (10)
1.一种新能源消纳能力评估方法，其特征在于，包括：
获取电网新能源消纳能力影响变量的值；
将所述新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到所述电网中各分区出力的预测值，并作为新能源消纳能力评估结果；
所述新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以所述输入模型和历史出力序列，对卷积神经网络进行训练得到。
2.如权利要求1所述的方法，其特征在于，所述新能源消纳评估模型的建立，包括：
对历史时段的电网各分区新能源消纳能力影响变量的值进行处理得到输入模型；
基于所述输入模型以及所述历史时段的新能源出力的实际序列作为训练样本集；
以训练样本集中的输入模型为输入，对应下一时刻新能源出力的实际序列为输出，对卷积神经网络进行训练，得到新能源消纳评估模型；
所述新能源消纳能力影响变量包括：风电理论功率、光伏理论功率、电网负荷、分区间断面限额以及各类常规机组最大和最小技术总出力。
3.如权利要求2所述的方法，其特征在于，所述对历史时段的电网各分区新能源消纳能力影响变量的值进行处理得到输入模型，包括：
将历史时段的电网各分区新能源消纳能力影响变量的值按照分区不同划分多个通道；
对每个通道内分别按照时间和新能源消纳能力影响变量类型对新能源消纳能力影响变量的值进行划分，构成输入模型。
4.如权利要求2所述的方法，其特征在于，所述得到新能源消纳评估模型之后，还包括：
获取另一历史时段的电网各分区新能源消纳能力影响变量的值以及对应下一时刻新能源出力的实际值作为测试样本集；
将测试样本集中电网各分区新能源消纳能力影响变量的值输入所述新能源消纳评估模型，得到对应下一时刻新能源出力的模拟值；
根据新能源出力的实际值和模拟值间的误差，对新能源消纳评估模型进行评价并采用自适应矩估计方法对所述新能源消纳评估模型进行优化，直到所述误差满足要求。
5.如权利要求4所述的方法，其特征在于，所述误差包括：弃电率偏差、平均绝对误差百分比和均方根误差。
6.如权利要求1所述的方法，其特征在于，所述获取电网新能源消纳能力影响变量的值之后，且将所述新能源消纳能力影响变量的值输入预先建立的新能源消纳评估模型之前，还包括：
对新能源消纳能力影响变量的值采用最小最大值标准化方法进行归一化处理。
7.一种新能源消纳能力评估***，其特征在于，包括：数据采集模块和评估模块；
所述数据采集模块，用于获取电网新能源消纳能力影响变量的值；
所述评估模块，用于将所述新能源消纳能力影响变量的值输入预先建立的新能源消纳预测模型，得到所述电网中各分区出力的预测值，并作为新能源消纳能力评估结果；
所述新能源消纳预测模型包括：基于电网各分区新能源消纳能力影响变量的历史值构建输入模型，以所述输入模型和历史出力序列，对卷积神经网络进行训练得到。
8.如权利要求7所述的***，其特征在于，还包括用于建立新能源消纳评估模型的建模模块，所述建模模块包括：输入单元、样本集单元和训练单元；
所述输入单元，用于对历史时段的电网各分区新能源消纳能力影响变量的值进行处理得到输入模型；
所述样本集单元，用于基于所述输入模型以及所述历史时段的新能源出力的实际序列作为训练样本集；
所述训练单元，用于以训练样本集中的输入模型为输入，对应下一时刻新能源出力的实际序列为输出，对卷积神经网络进行训练，得到新能源消纳评估模型；
所述新能源消纳能力影响变量包括：风电理论功率、光伏理论功率、电网负荷、分区间断面限额以及各类常规机组最大和最小技术总出力。
9.如权利要求8所述的***，其特征在于，所述输入单元包括：分区划分子单元和变量划分子单元；
所述分区划分子单元，用于将历史时段的电网各分区新能源消纳能力影响变量的值按照分区不同划分多个通道；
所述变量划分子单元，用于对每个通道内分别按照时间和新能源消纳能力影响变量类型对新能源消纳能力影响变量的值进行划分，构成输入模型。
10.如权利要求7所述的***，其特征在于，还包括归一化模块；
所述归一化模块，用于对新能源消纳能力影响变量的值采用最小最大值标准化方法进行归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110092890.3A CN112421631A (zh) | 2021-01-25 | 2021-01-25 | 一种新能源消纳能力评估方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110092890.3A CN112421631A (zh) | 2021-01-25 | 2021-01-25 | 一种新能源消纳能力评估方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112421631A true CN112421631A (zh) | 2021-02-26 |
Family
ID=74782524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110092890.3A Pending CN112421631A (zh) | 2021-01-25 | 2021-01-25 | 一种新能源消纳能力评估方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112421631A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113141008A (zh) * | 2021-04-23 | 2021-07-20 | 国网陕西省电力公司电力科学研究院 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
| CN113205279A (zh) * | 2021-05-27 | 2021-08-03 | 浙江大学 | 计及误差修正的电网新能源消纳能力提升量估算方法及装置 |
| CN113408193A (zh) * | 2021-06-02 | 2021-09-17 | 国网河北省电力有限公司营销服务中心 | 新能源消纳能力评估方法、装置、终端设备及存储介质 |
| CN117040030A (zh) * | 2023-10-10 | 2023-11-10 | 国网浙江宁波市鄞州区供电有限公司 | 新能源消纳能力风险管控方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480896A (zh) * | 2017-08-21 | 2017-12-15 | 国电南瑞科技股份有限公司 | 一种支持多分区的新能源受端电网消纳能力评估方法 |
| CN109921462A (zh) * | 2019-03-07 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于lstm的新能源消纳能力评估方法及*** |
| WO2020016808A1 (en) * | 2018-07-17 | 2020-01-23 | Farrokhabadi Mostafa | System and method for fluctuating renewable energy-battery optimization to improve battery life-time |
| CN111030192A (zh) * | 2019-12-16 | 2020-04-17 | 国电南瑞科技股份有限公司 | 促进新能源消纳的四鱼断面限额优化方法 |
-
2021
- 2021-01-25 CN CN202110092890.3A patent/CN112421631A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480896A (zh) * | 2017-08-21 | 2017-12-15 | 国电南瑞科技股份有限公司 | 一种支持多分区的新能源受端电网消纳能力评估方法 |
| WO2020016808A1 (en) * | 2018-07-17 | 2020-01-23 | Farrokhabadi Mostafa | System and method for fluctuating renewable energy-battery optimization to improve battery life-time |
| CN109921462A (zh) * | 2019-03-07 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于lstm的新能源消纳能力评估方法及*** |
| CN111030192A (zh) * | 2019-12-16 | 2020-04-17 | 国电南瑞科技股份有限公司 | 促进新能源消纳的四鱼断面限额优化方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113141008A (zh) * | 2021-04-23 | 2021-07-20 | 国网陕西省电力公司电力科学研究院 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
| CN113141008B (zh) * | 2021-04-23 | 2023-06-13 | 国网陕西省电力公司电力科学研究院 | 一种数据驱动的配电网分布式新能源消纳能力评估方法 |
| CN113205279A (zh) * | 2021-05-27 | 2021-08-03 | 浙江大学 | 计及误差修正的电网新能源消纳能力提升量估算方法及装置 |
| CN113408193A (zh) * | 2021-06-02 | 2021-09-17 | 国网河北省电力有限公司营销服务中心 | 新能源消纳能力评估方法、装置、终端设备及存储介质 |
| CN117040030A (zh) * | 2023-10-10 | 2023-11-10 | 国网浙江宁波市鄞州区供电有限公司 | 新能源消纳能力风险管控方法及*** |
| CN117040030B (zh) * | 2023-10-10 | 2024-04-02 | 国网浙江宁波市鄞州区供电有限公司 | 新能源消纳能力风险管控方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| CN112421631A (zh) | 一种新能源消纳能力评估方法和*** | |
| CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
| CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、***及设备 | |
| CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
| CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
| CN107993012B (zh) | 一种时间自适应的电力***在线暂态稳定评估方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、***及介质 | |
| CN107506865A (zh) | 一种基于lssvm优化的负荷预测方法及*** | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
| CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、***、设备及其存储介质 | |
| CN114006370B (zh) | 一种电力***暂态稳定分析评估方法及*** | |
| CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
| CN108647772B (zh) | 一种用于边坡监测数据粗差剔除的方法 | |
| CN111723516B (zh) | 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及*** | |
| CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
| CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及*** | |
| CN114971090A (zh) | 一种电供暖负荷预测方法、***、设备和介质 | |
| CN113705897B (zh) | 一种面向工业铜箔生产的产品质量预测方法及*** | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |