CN114330865A - 电网备用容量预测方法、***、计算机设备及存储介质 - Google Patents
电网备用容量预测方法、***、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114330865A CN114330865A CN202111604968.1A CN202111604968A CN114330865A CN 114330865 A CN114330865 A CN 114330865A CN 202111604968 A CN202111604968 A CN 202111604968A CN 114330865 A CN114330865 A CN 114330865A
- Authority
- CN
- China
- Prior art keywords
- power grid
- reserve capacity
- value
- capacity
- prediction
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力自动化领域,公开了一种电网备用容量预测方法、***、计算机设备及存储介质,通过获取电网备用容量影响因素数据;将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值;其中,电网备用容量预测模型采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到。基于人工智能模型通过训练找到电网备用容量影响因素中潜藏的特征,来建立电网备用容量影响因素间的联系,以及各电网备用容量影响因素与电网备用容量之间的联系,进而增强预测结果的准确性与鲁棒性,保证了电网备用容量预测值的准确性,实现将间接因素也纳入电网备用容量影响因素,进而得到更加准确的预测结果。
Description
技术领域
本发明属于电力自动化领域,涉及一种电网备用容量预测方法、***、计算机设备及存储介质。
背景技术
在电力现货市场的大背景下,日前电力市场出清后,市场运营人员即可依据机组计划和负荷预测,基于一定的备用计算逻辑计算出运行日的电网备用容量。进而根据电网备用容量,调度人员可以采取一定手段规避电网备用容量不足的风险,例如,在日前调度计划环节或日内机组组合环节增加开机,或对识别出的影响电网备用容量的主要因素进行针对性调节。
但是,上述这种电网备用容量计算方法,仅使用了日前市场出清后得到的机组组合计划和负荷预测,然而由于负荷预测并不能做到完全准确,负荷预测偏低时,电网备用容量计算值将偏高;负荷预测偏高时,电网备用容量计算值将偏低。而这种方法默认负荷预测是准确的、并未考虑结合其他因素对负荷预测进行校准,因此采用该方法进行电网备用容量预测的预测准确性,受负荷预测准确性的影响较大。同时,在电网实际运行过程中,机组并不会严格执行机组计划,并且由于机组非计划停机、机组的理论最大出力和实际能达到的最大出力不符以及机组未运行在机组计划规定的运行点等实际运行中的偏差也会影响电网备用容量。
综上所述,目前的电网备用容量计算方法,存在电网备用容量计算值与电网备用容量实际值存在较大差距,即电网备用容量预测准确性较低的缺陷。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种电网备用容量预测方法、***、计算机设备及存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
本发明人一方面,一种电网备用容量预测方法,包括:
获取电网备用容量影响因素数据;
将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值;
其中,电网备用容量预测模型通过以电网备用容量影响因素数据为输入,以电网备用容量预测值为输出,并采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到。
可选的,所述电网备用容量影响因素数据包括下述的一个或几个:负荷预测值、新能源出力预测值、开机机组总容量与负荷预测值的比值、机组历史调度指令执行偏差值、机组非计划停运偏差值、机组实际出力偏差值、外来/送电力预测值、气象数据预测值、日类型以及电网阻塞程度指标值。
可选的,所述机组非计划停运偏差值通过下式得到:
P非计划停运偏差=∑P最大×p非计划停运
其中,P非计划停运偏差为机组非计划停运偏差值;P最大为机组最大容量;p非计划停运为机组非计划停运概率;
所述电网阻塞程度指标值为电网盈余值。
可选的,所述人工智能模型为多层感知机模型、支持向量机模型、随机森林模型或梯度提升法模型。
可选的,所述电网备用容量预测模型至少预设两个;所述将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值的具体方法为:将电网备用容量影响因素数据,输入预设的各电网备用容量预测模型,得到各电网备用容量预测模型的输出值;获取所有电网备用容量预测模型的输出值的平均值,得到电网备用容量预测值。
可选的,还包括:获取电网的负荷预测值,并根据电网备用容量预测值和电网的负荷预测值,得到电网运行风险信息;或者,获取电网备用容量理论值,并根据电网备用容量理论值与电网备用容量预测值之间的差值,得到电网运行风险信息;根据电网运行风险信息和预设的风险等级判定条件,确定电网的运行风险等级,并根据电网的运行风险等级进行运行风险等级提示。
可选的,还包括:根据电网备用容量影响因素数据以及电网备用容量预测值,得到电网备用容量影响因素数据与电网备用容量预测值的相关性。
本发明第二方面,一种电网备用容量预测***,包括:
数据获取模块,用于获取电网备用容量影响因素数据;
预测模块,用于将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值;其中,电网备用容量预测模型通过以电网备用容量影响因素数据为输入,以电网备用容量预测值为输出,并采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到。
可选的,所述电网备用容量预测模型至少预设两个;所述预测模块将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值的具体过程为:将电网备用容量影响因素数据,输入预设的各电网备用容量预测模型,得到各电网备用容量预测模型的输出值;获取所有电网备用容量预测模型的输出值的平均值,得到电网备用容量预测值。
可选的,还包括风险预测模块和风险提示模块;风险预测模块用于获取电网的负荷预测值,并根据电网备用容量预测值和电网的负荷预测值,得到电网运行风险信息;或者,获取电网备用容量理论值,并根据电网备用容量理论值与电网备用容量预测值之间的差值,得到电网运行风险信息;风险提示模块用于根据电网运行风险信息和预设的风险等级判定条件,确定电网的运行风险等级,并根据电网的运行风险等级进行运行风险等级提示。
可选的,还包括相关性分析模块;相关性分析模块用于根据电网备用容量影响因素数据以及电网备用容量预测值,得到电网备用容量影响因素数据与电网备用容量预测值的相关性。
本发明第三方面,一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述电网备用容量预测方法的步骤。
本发明第四方面,一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述电网备用容量预测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明电网备用容量预测方法,通过获取电网备用容量影响因素数据,然后将电网备用容量影响因素数据,输入通过采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到的电网备用容量预测模型中,进而获取电网备用容量预测值。基于人工智能模型可以通过训练找到电网备用容量影响因素中潜藏的特征,来建立电网备用容量影响因素间的联系,以及各电网备用容量影响因素与电网备用容量之间的联系,进而增强预测结果的准确性与鲁棒性,保证了电网备用容量预测值的准确性。并且,采用人工智能模型学习的方式,电网备用容量影响因素不限制为直接因素,可以将间接因素也纳入电网备用容量影响因素,进而得到更加准确的预测结果。
附图说明
图1为本发明的电网备用容量预测方法流程图;
图2为本发明的人工智能模型训练流程图;
图3为本发明的电网备用容量预测***结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明一实施例中,提供一种电网备用容量预测方法,在电力现货市场的背景下,在日前电力市场出清后,依据各已知量,使用人工智能模型预测运行日的电网备用容量,极大的提高了电网备用容量的预测准确性。
具体的,该电网备用容量预测方法包括以下步骤:
S1:获取电网备用容量影响因素数据。
具体的,所述电网备用容量影响因素数据包括下述的一个或几个:负荷预测值、新能源出力预测值、开机机组总容量与负荷预测值的比值、机组历史调度指令执行偏差值、机组非计划停运偏差值、机组实际出力偏差值、外来/送电力预测值、气象数据预测值、日类型以及电网阻塞程度指标值。上述各类型的电网备用容量影响因素数据仅作为示例性说明,但不以此为限,其他可能对电网备用容量造成影响的因素均可以被包括在内。
其中,负荷预测值为日前电力市场,在进行日前出清时所使用的负荷预测值,该负荷预测值可以从调度机构获取得到。
新能源出力预测值为电网内各风力发电/光伏发电等新能源,提交给调度机构的预测出力值。由于新能源出力预测值,尤其是分布式风电/光伏出力的预测值经常与实际值差距较大,故在进行电网备用容量的预测与分析时将其纳入考虑。
开机机组总容量依据日前市场出清后所得到的机组组合计划计算得到,开机机组总容量和机组中标出力有所区别,机组中标出力根据市场出清算法的约束,其值等于负荷预测值,而开机机组总容量为机组计划中各开机机组的最大出力之和。为进一步突出电网备用容量概念,在进行数据处理时通过下式计算开机机组总容量和负荷预测值的比值,以体现开机机组为提供旋转备用所留出的容量大小:
其中,r开机为开机机组总容量和负荷预测值的比值,P开机为各开机机组的最大出力,P负荷预测为各开机机组的负荷预测值。
机组历史调度指令执行偏差值,可以通过分析历史上机组收到的调度指令以及机组的实际执行情况得到。日前出清得到的机组计划中包含的机组历史调度指令执行偏差值越大,则这些机组在实际运行中偏离调度指令的概率也越大,因此备用可靠性越低,因此将机组历史调度指令执行偏差值纳入电网备用容量影响因素。具体的,通过下式计算机组历史调度指令执行偏差值:
P调度执行偏差=∑|P出力-P指令|
其中,P调度执行偏差为机组历史调度指令执行偏差值,P出力为各机组的历史实际出力值,P指令为各机组的历史调度指令出力值。
其中,在使用时,机组历史调度指令执行偏差值可以是机组最近一次的调度指令执行偏差值,也可以是最近几次的调度指令执行偏差值的均值。
机组非计划停运偏差值是指机组由于非计划停运造成的出力偏差,非计划停运是指除去因检修等报备的计划停机以外的停机事件,若某一机组的历史非计划停运概率较高,则该机组更容易在运行时出现异常状况,因此会导致由该机组提供的备用更不可靠,因此将机组非计划停运偏差值纳入电网备用容量影响因素。
本实施例中,在统计所有开机机组的机组非计划停运偏差值时,以机组最大容量作为权重取加权平均,作为度量机组非计划停运概率对电网备用容量预测准确性的方法。具体的,机组非计划停运偏差值通过下式得到:
P非计划停运偏差=∑P最大×p非计划停运
其中,P非计划停运偏差为机组非计划停运偏差值;P最大为各机组的最大容量;p非计划停运为各机组的非计划停运概率。
在实际运行过程中,以夏季的燃气机组为代表的各类机组的实际可达到的最大出力经常小于其的申报最大出力,这会造成机组实际可提供的上调备用容量小于理论计算值,进而影响电网备用容量,因此将机组实际出力偏差值纳入电网备用容量影响因素。具体的,通过下式得到机组实际出力偏差值:
P实际出力偏差=∑P申报最大出力-P实际最大出力
其中,P实际出力偏差为机组实际出力偏差值,P申报最大出力为各机组的申报最大出力,P实际最大出力为各机组的实际最大出力。
其中,在应用时各机组的实际最大出力可通过以下方式得到:一是根据相似日的机组的历史实际最大出力进行估计,例如机组在某个历史相似日时收到调度指令、要求该机组达到其申报的最大出力,但该机组实际未能达到申报最大出力,此时机组的出力即为该机组在该运行日时的实际最大出力。在对实际最大出力进行估计时,可取多个该情况出现的相似日的实际最大出力进行平均。二是根据***运行经验进行估计,例如根据机组历史运行数据决定机组的实际最大出力比例,并对机组的申报最大出力按比例进行扣减。
外来/送电力是电力市场的边界条件,外来/送电力预测值来源于外来/送电力的计划值。若在该电力现货市场的场景中,当前区域是受电端,则外来电力类似于发电机组;若当前区域是送电端,则外来电类似于负荷。
气象数据预测值一般包括气温、日照和风速的预报值,其中日照和风速会影响新能源出力,而气温则会影响负荷。在气温变化较大时,负荷预测值的偏差可能较大,故预测电网备用容量时也将气象数据预测值纳入考虑。
日类型分主要考虑工作日和节假日,日类型主要影响负荷预测值的大小,进而影响电网备用容量,故预测电网备用容量时也将日类型纳入考虑。
电网阻塞程度指标值用来表征电网阻塞情况,电网阻塞情况越严重,则位于阻塞区的备用资源将难以响应阻塞区外的备用需求,电网备用容量稳定性下降。具体的,本实施例中,采用电网盈余度量电网阻塞程度。
S2:将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值;其中,电网备用容量预测模型通过以电网备用容量影响因素数据为输入,以电网备用容量预测值为输出,并采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到。
人工智能模型可以学习并归纳各输入数据与输出数据之间隐含的关联,其相较于确定性计算方法,可以识别出多种因素的不稳定性对实际输出的影响。应用于本发明中,可以考虑各种因素对电网备用容量的影响,且可直接学习预测电网在实际运行中的电网备用容量(而非通过机组计划和负荷预测计算出的理论值),以找到各因素和电网备用容量的关系。
基于上述,本实施例中,以电网备用容量影响因素数据作为输入数据,以电网备用容量预测值为输出数据,通过获取历史电网备用容量影响因素数据和历史电网备用容量实际值,来训练人工智能模型得到电网备用容量预测模型。
参见图2,在进行人工智能模型的训练时,人工智能模型首先读取处理完成的历史电网备用容量影响因素数据,再基于历史电网备用容量影响因素数据给出历史电网备用容量预测值,再计算历史电网备用容量预测值和历史电网备用容量实际值的误差,然后按照误差对人工智能模型进行优化,以调整人工智能模型本身的权重。通过上述过程的反复迭代,人工智能模型的权重不断被优化,当人工智能模型的预测准确率达到设定值时,人工智能模型训练结束,将训练好的人工智能模型作为电网备用容量预测模型。然后将电网备用容量影响因素数据提供给电网备用容量预测模型,电网备用容量预测模型即可给出电网备用容量预测值。
其中,在计算历史电网备用容量实际值时,需要考虑电网实际运行时各常规断面重载率,当某一断面重载时,断面相关的机组的备用容量有可能无法完全响应备用需求(否则可能导致断面越限)。因此,在计算历史电网备用容量实际值时,若某一断面重载,则应将其剩余可用输电容量乘以功率传输分布因子之后分配给断面相关的机组作为备用容量,而非直接计算断面一侧机组的总备用容量,具体的,可通过下式得到历史电网备用容量实际值:
其中,P实际有效备用为历史电网备用容量实际值,P断面j实际剩余容量为断面j实际剩余容量,n为断面总数,PTDFi,j为机组i和断面j的功率传输分布因子,P机组i实际备用容量为机组i实际备用容量,m为机组总数。
其中,人工智能模型可以为多层感知机模型、支持向量机模型、随机森林模型或梯度提升法模型。
综上所述,本发明电网备用容量预测方法,通过获取电网备用容量影响因素数据,然后将电网备用容量影响因素数据,输入通过采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到的电网备用容量预测模型中,进而获取电网备用容量预测值。基于人工智能模型可以通过训练找到电网备用容量影响因素中潜藏的特征,来建立电网备用容量影响因素间的联系,以及各电网备用容量影响因素与电网备用容量之间的联系,进而增强预测结果的准确性与鲁棒性,保证了电网备用容量预测值的准确性。并且,采用人工智能模型学习的方式,电网备用容量影响因素不限制为直接因素,可以将间接因素也纳入电网备用容量影响因素,例如会间接影响电网备用容量的气象数据、日类型及新能源出力等因素,进而得到更加准确的预测结果。而对于依据机组计划和负荷预测直接计算电网备用容量的现有方法,即使获取上述间接因素,也很难合理地将其影响体现在电网备用容量的计算中。
在一种可能的实施方式中,所述电网备用容量预测模型至少预设两个;所述将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值的具体方法为:将电网备用容量影响因素数据,输入预设的各电网备用容量预测模型,得到各电网备用容量预测模型的输出值;获取所有电网备用容量预测模型的输出值的平均值,得到电网备用容量预测值。
具体的,预设的至少两个的电网备用容量预测模型可以是由同一种人工智能模型训练得到,也可以是由不同种人工智能模型训练得到。通过设置多个电网备用容量预测模型进而求取平均值的方式,可以有效降低偶然因素影响。同时,当多个电网备用容量预测模型由不同种人工智能模型训练得到时,又可以充分考虑各种人工智能模型的优势,得到准确性与鲁棒性更佳的联合预测结果。
在一种可能的实施方式中,该电网备用容量预测方法,还包括:获取电网的负荷预测值,并根据电网备用容量预测值和电网的负荷预测值,得到电网运行风险信息;或者,获取电网备用容量理论值,并根据电网备用容量理论值与电网备用容量预测值之间的差值,得到电网运行风险信息;根据电网运行风险信息和预设的风险等级判定条件,确定电网的运行风险等级,并根据电网的运行风险等级进行运行风险等级提示。
具体的,在得到电网备用容量预测值后,即可依据电网备用容量预测值分析电网备用容量的充裕度即电网运行风险情况。其中,电网备用容量的充裕度一般指的是在电力现货市场环境下电网备用容量的充裕程度。电网备用容量指为了应对各种原因(如:机组出力偏差、外来电偏差、机组非计划停机及新能源出力偏差等)导致的电网功率不平衡,而保留的发电能力和调节能力,例如:旋转备用(正在运行于某一运行点的机组,其出力可以依平衡指令上调或下调)和非旋转备用(满足一定平衡技术指标的未开机机组,可以相应平衡指令在一定时间之内开机并达到指定出力)。电网备用容量的充裕度可以通过计算以下指标进行评估:电网备用容量的绝对值,电网备用容量占当日最大负荷的比例,电网备用容量占电网内最大出力机组出力的比例。
具体的,分析电网备用容量的充裕度即电网运行风险一般有两个方法:第一个方法是以电网备用容量预测值的大小作为衡量电网运行风险的依据,即获取电网的负荷预测值,并根据电网备用容量预测值和电网的负荷预测值,得到电网运行风险信息。其中,根据电网备用容量预测值和电网的负荷预测值,得到电网运行风险信息的具体方法为:根据电网备用容量预测值占电网的负荷预测值的比例的大小,比例越大则电力现货市场的电网备用容量充裕度越高,即电网运行风险越小;比例越小,则电网的抗风险能力越低,电力现货市场的电网备用容量的充裕度越低。一般的,电网的运行备用容量应占电网的负荷预测值的2%~5%,当低于2%时则认为备用紧缺,高于5%时则认为备用充裕。
第二个方法是以电网备用容量理论值与电网备用容量预测值之间的差值作为衡量风险的依据,电网备用容量理论值相较于电网备用容量预测值越充裕,说明该运行日的电力市场环境越复杂,即有更多的潜在不稳定因素导致了电网备用容量实际值相较于理论值偏少,这种情况的出现,意味着需要电力市场运营人员重点关注分析导致电网备用容量偏少的因素,并做出相应调整以避免潜在因素导致的电网备用紧张。
具体的,通过预设风险等级判定条件,可以直接确定电网的运行风险等级,便于运营人员直观了解电网的运行情况。其中,风险等级判定条件可依据经验和实际业务需求由运营人员设置。同时,还可以对电网备用容量影响因素数据、电网备用容量预测值以及运行风险等级,进行数值和图像上的可视化。
在一种可能的实施方式中,该电网备用容量预测方法,还包括:根据电网备用容量影响因素数据以及电网备用容量预测值,得到电网备用容量影响因素数据与电网备用容量预测值的相关性。
具体的,可以采用微增法进行相关性分析,进而得到电网备用容量影响因素数据与电网备用容量预测值的相关性,即微增某一电网备用容量影响因素数据,其中增量可根据实际电网备用容量影响因素数据设计,可以是具体的值,也可以是一定比例,然后观察电网备用容量预测值的改变大小并展示,以此来表征电网备用容量影响因素数据与电网备用容量预测值的相关性,继而供运营人员分析影响电网备用容量的因素并做出相应调整。当然,也可以采用线性相关分析法等其他相关性分析方法进行相关性分析。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未披露的细节,请参照本发明方法实施例。
参见图3,本发明再一实施例中,提供一种电网备用容量预测***,能够用于实现上述的电网备用容量预测方法,具体的,该电网备用容量预测***包括数据获取模块以及预测模块。
其中,数据获取模块用于获取电网备用容量影响因素数据;预测模块用于将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值;其中,电网备用容量预测模型通过以电网备用容量影响因素数据为输入,以电网备用容量预测值为输出,并采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到。
在一种可能的实施方式中,所述电网备用容量影响因素数据包括下述的一个或几个:负荷预测值、新能源出力预测值、开机机组总容量与负荷预测值的比值、机组历史调度指令执行偏差值、机组非计划停运偏差值、机组实际出力偏差值、外来/送电力预测值、气象数据预测值、日类型以及电网阻塞程度指标值。
在一种可能的实施方式中,所述机组非计划停运偏差值通过下式得到:
P非计划停运偏差=∑P最大×p非计划停运
其中,P非计划停运偏差为机组非计划停运偏差值;P最大为机组最大容量;p非计划停运为机组非计划停运概率。
所述电网阻塞程度指标值为电网盈余值,即电网的电力盈余量。
在一种可能的实施方式中,所述人工智能模型为多层感知机模型、支持向量机模型、随机森林模型或梯度提升法模型。
在一种可能的实施方式中,所述电网备用容量预测模型至少预设两个;所述预测模块将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值的具体方法为:将电网备用容量影响因素数据,输入预设的各电网备用容量预测模型,得到各电网备用容量预测模型的输出值;获取所有电网备用容量预测模型的输出值的平均值,得到电网备用容量预测值。
在一种可能的实施方式中,该电网备用容量预测***还包括风险预测模块,风险预测模块用于根据电网备用容量预测值,得到电网运行风险信息;或者,获取电网备用容量理论值,根据电网备用容量理论值与电网备用容量预测值之间的差值,得到电网运行风险信息。
在一种可能的实施方式中,该电网备用容量预测***还包括风险提示模块,风险提示模块用于根据电网运行风险信息和预设的风险等级判定条件,确定电网的运行风险等级,并根据电网的运行风险等级进行运行风险等级提示。
在一种可能的实施方式中,该电网备用容量预测***还包括相关性分析模块;相关性分析模块用于根据电网备用容量影响因素数据以及电网备用容量预测值,得到电网备用容量影响因素数据与电网备用容量预测值的相关性。
前述的电网备用容量预测方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的电网备用容量预测***所对应的功能模块的功能描述,在此不再赘述。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于电网备用容量预测方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作***。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关电网备用容量预测方法的相应步骤。
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:以上实施例仅用以说明本发明的技术方案而非对其限制,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:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种电网备用容量预测方法,其特征在于,包括:
获取电网备用容量影响因素数据;
将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值;
其中,电网备用容量预测模型通过以电网备用容量影响因素数据为输入,以电网备用容量预测值为输出,并采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到。
2.根据权利要求1所述的电网备用容量预测方法,其特征在于,所述电网备用容量影响因素数据包括下述的一个或几个:负荷预测值、新能源出力预测值、开机机组总容量与负荷预测值的比值、机组历史调度指令执行偏差值、机组非计划停运偏差值、机组实际出力偏差值、外来/送电力预测值、气象数据预测值、日类型以及电网阻塞程度指标值。
3.根据权利要求2所述的电网备用容量预测方法,其特征在于,所述机组非计划停运偏差值通过下式得到:
P非计划停运偏差=ΣP最大×p非计划停运
其中,P非计划停运偏差为机组非计划停运偏差值;P最大为机组最大容量;p非计划停运为机组非计划停运概率;
所述电网阻塞程度指标值为电网盈余值。
4.根据权利要求1所述的电网备用容量预测方法,其特征在于,所述人工智能模型为多层感知机模型、支持向量机模型、随机森林模型或梯度提升法模型。
5.根据权利要求1所述的电网备用容量预测方法,其特征在于,所述电网备用容量预测模型至少预设两个;所述将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值的具体方法为:
将电网备用容量影响因素数据,输入预设的各电网备用容量预测模型,得到各电网备用容量预测模型的输出值;获取所有电网备用容量预测模型的输出值的平均值,得到电网备用容量预测值。
6.根据权利要求1所述的电网备用容量预测方法,其特征在于,还包括:
获取电网的负荷预测值,并根据电网备用容量预测值和电网的负荷预测值,得到电网运行风险信息;或者,获取电网备用容量理论值,并根据电网备用容量理论值与电网备用容量预测值之间的差值,得到电网运行风险信息;
根据电网运行风险信息和预设的风险等级判定条件,确定电网的运行风险等级,并根据电网的运行风险等级进行运行风险等级提示。
7.根据权利要求1所述的电网备用容量预测方法,其特征在于,还包括:
根据电网备用容量影响因素数据以及电网备用容量预测值,得到电网备用容量影响因素数据与电网备用容量预测值的相关性。
8.一种电网备用容量预测***,其特征在于,包括:
数据获取模块,用于获取电网备用容量影响因素数据;
预测模块,用于将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值;其中,电网备用容量预测模型通过以电网备用容量影响因素数据为输入,以电网备用容量预测值为输出,并采用历史电网备用容量影响因素数据和历史电网备用容量实际值训练人工智能模型得到。
9.根据权利要求8所述的电网备用容量预测***,其特征在于,所述电网备用容量预测模型至少预设两个;
所述预测模块将电网备用容量影响因素数据,输入预设的电网备用容量预测模型,得到电网备用容量预测值的具体过程为:将电网备用容量影响因素数据,输入预设的各电网备用容量预测模型,得到各电网备用容量预测模型的输出值;获取所有电网备用容量预测模型的输出值的平均值,得到电网备用容量预测值。
10.根据权利要求8所述的电网备用容量预测***,其特征在于,还包括风险预测模块和风险提示模块;
风险预测模块用于获取电网的负荷预测值,并根据电网备用容量预测值和电网的负荷预测值,得到电网运行风险信息;或者,获取电网备用容量理论值,并根据电网备用容量理论值与电网备用容量预测值之间的差值,得到电网运行风险信息;
风险提示模块用于根据电网运行风险信息和预设的风险等级判定条件,确定电网的运行风险等级,并根据电网的运行风险等级进行运行风险等级提示。
11.根据权利要求8所述的电网备用容量预测***,其特征在于,还包括相关性分析模块;相关性分析模块用于根据电网备用容量影响因素数据以及电网备用容量预测值,得到电网备用容量影响因素数据与电网备用容量预测值的相关性。
12.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电网备用容量预测方法的步骤。
13.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电网备用容量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111604968.1A CN114330865A (zh) | 2021-12-24 | 2021-12-24 | 电网备用容量预测方法、***、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111604968.1A CN114330865A (zh) | 2021-12-24 | 2021-12-24 | 电网备用容量预测方法、***、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330865A true CN114330865A (zh) | 2022-04-12 |
Family
ID=81012621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111604968.1A Pending CN114330865A (zh) | 2021-12-24 | 2021-12-24 | 电网备用容量预测方法、***、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330865A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081868B (zh) * | 2023-10-17 | 2023-12-26 | 山东源鲁信息科技有限公司 | 一种基于安全策略的网络安全运营方法 |
-
2021
- 2021-12-24 CN CN202111604968.1A patent/CN114330865A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081868B (zh) * | 2023-10-17 | 2023-12-26 | 山东源鲁信息科技有限公司 | 一种基于安全策略的网络安全运营方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5658881B2 (ja) | 太陽光発電装置の電気生産量を予測する方法 | |
Rejc et al. | Estimating the additional operating reserve in power systems with installed renewable energy sources | |
CN105046395B (zh) | 一种含多类型新能源的电力***日内滚动计划编制方法 | |
JP4064334B2 (ja) | エネルギーシステムの制御装置および制御方法 | |
CN103679282B (zh) | 风电功率爬坡的预测方法 | |
KR20190023791A (ko) | 신재생에너지와 부하의 불확실성을 고려한 마이크로그리드의 가상등가부하변동밴드 적용에 의한 단순화된 강인최적운영 시스템 및 그 방법 | |
CN102953936B (zh) | 风力发电的机组组合 | |
CN103310307B (zh) | 基于概率风险评估的电力***规划方案灵活性评估方法 | |
JP2010130762A (ja) | 自然エネルギー発電装置を含む電力供給システムおよび需給調整方法 | |
CN105427005A (zh) | 一种风电场运行风险评估方法 | |
Naemi et al. | Optimisation and analysis of battery storage integrated into a wind power plant participating in a wholesale electricity market with energy and ancillary services | |
CN116821660A (zh) | 一种电力管理方法、***、终端设备及存储介质 | |
CN110705768B (zh) | 用于风电场的风力发电功率预测优化方法和装置 | |
Mishra et al. | A deep learning assisted adaptive nonlinear deloading strategy for wind turbine generator integrated with an interconnected power system for enhanced load frequency control | |
CN114330865A (zh) | 电网备用容量预测方法、***、计算机设备及存储介质 | |
Cho et al. | Three-stage robust unit commitment considering decreasing uncertainty in wind power forecasting | |
Sun et al. | Rolling optimization of transmission network recovery and load restoration considering hybrid wind-storage system and cold load pickup | |
Kushwaha et al. | A novel framework to assess synthetic inertia & primary frequency response support from energy storage systems | |
Wu et al. | Preventive control strategy for an island power system that considers system security and economics | |
WO2023074058A1 (ja) | 電力系統制御装置および方法 | |
US20230279843A1 (en) | Temperature estimation in a wind turbine | |
CN115210730A (zh) | 能量供需运用指导装置以及炼钢厂内的能量供需运用方法 | |
Li et al. | Efficient location of unsatisfiable transmission constraints in look-ahead dispatch via an enhanced Lagrangian relaxation framework | |
JP2017022939A (ja) | エネルギー需給計画装置及びプログラム | |
CN110942195A (zh) | 一种用电负荷预测方法及装置 |
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 |