申请/专利权人：国网山东省电力公司电力科学研究院;国网山东省电力公司

申请日：2023-12-15

公开（公告）日：2024-04-12

公开（公告）号：CN117408535B

主分类号：G06Q10/0637

分类号：G06Q10/0637;G06Q10/0631;G06Q50/06;G06N3/0442;G06N3/08;H02J3/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.02.02#实质审查的生效;2024.01.16#公开

摘要：本发明为了解决现有新能源爬坡事件预警中没有考虑区域间联络线的调节能力以及新能源出力和负荷功率时序相关性的问题，提出了一种基于深度学习的新能源爬坡事件滚动预警方法及系统，基于区域间联络线对新能源出力的灵敏度对联络线进行筛选，得到区域关键联络线；采用LSTM预测模型充分挖掘时间序列的隐藏关系，确定区域间关键联络线调节能力；通过预测不同时间尺度的关键联络线功率的LSTM预测模型，结合新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态根据控制代价计算进行分时段分级预测，确保分时段分级预警准确性，避免了时域仿真，计算快速。

主权项：1.一种基于深度学习的新能源爬坡事件滚动预警方法，其特征在于，包括：构建不同时间尺度的关键联络线预测功率的LSTM预测模型，以所获取的历史电网数据作为训练样本对所构建LSTM预测模型进行训练，得到训练好的LSTM预测模型；其中，基于区域内联络线对新能源出力变化的灵敏度确定关键联络线；获取区域内电网实际运行数据，基于训练好的不同时间尺度的LSTM预测模型得到不同时间尺度的关键联络线预测功率，计算不同时间尺度的关键联络线的功率可调量；根据不同时间尺度的关键联络线预测功率可调量，对应的新能源出力预测信息、电网负荷功率预测信息和区域内功率控制措施的运行状态，根据控制代价计算满足电网平衡的功率控制措施类型；根据功率控制措施类型应用分级原则和模糊规则得到分时段分级预警结果；所述一种基于深度学习的新能源爬坡事件滚动预警方法，具体步骤为：步骤1：基于预警区域的电网运行方式和区域间联络线信息，利用潮流计算筛选出对于区域内新能源出力变化灵敏度高的关键联络线；步骤2：获取不同季节的新能源发电、负荷和区域联络线的历史功率时间序列作为原始样本集，对原始样本集进行归一化处理，并构建训练样本；步骤3：基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型，利用样本集数据对预测模型进行离线训练；步骤4：在线应用时，获取当前时刻及之前一段时间的新能源出力、电网负荷功率以及联络线功率的实际值，基于预测模型得到不同预测时间尺度的联络线功率预测值；将预测值进行逆变换处理，得到带有量纲的数据，判断每条联络线的功率是否满足最大传输功率约束条件，若达到上限，则该联络线无功率调节能力，之后的调节过程中维持最大传输功率不变，不再考虑此联络线的调节能力；将未达到功率传输上限的联络线的功率预测值与最大传输功率上限作差，得到最大可调功率，结合其最大功率变化率约束，得到每条联络线在预测时间段内所能提供的最大功率可调量；步骤5：基于训练后的LSTM预测模型预测结果、新能源出力和电网负荷功率的预测信息以及区域内功率控制措施的运行状态，计算满足电网功率平衡所需的功率控制措施类型；根据控制代价划分预警等级，应用模糊规则，对爬坡事件进行分级预警；根据每种控制措施的运行约束条件得到自动调节系统、常规火电机组、储能系统的功率可调控范围以及得到的区域间关键联络线的功率可调量确定不同的隶属度函数，每个隶属度函数与控制代价所划分的预警等级相对应，将每个时间间隔内满足电网功率平衡所需的功率调节量代入隶属度函数，按照最大隶属度原则划分预警等级；基于控制代价划分预警等级，具体为：0级：仅靠自动调节即可完成调控；1级预警：需要区域内的常规火电机组功率调度；2级预警：需要区域内的储能装置功率调度；3级预警：需要跨区域的联络线功率调度；4级预警：需要采取负荷管理；步骤6：针对不同的预警时间尺度，滚动获取相应预测模型所需的历史数据、负荷功率和新能源出力的最新预测信息以及最新功率控制措施运行状态信息，更新预警结果，实现滚动预警；具体为：基于滚动更新后的关键联络线预测功率、新能源出力和负荷功率预测信息以及区域内功率控制措施的运行状态，得到电网功率缺额和各功率控制措施的功率可调量；基于隶属度函数和模糊规则计算各时段预警分级结果；对原有的预警结果进行滚动更新，得到更新后的分时段分级预警结果；所述灵敏度的计算公式为：其中，为第i条联络线灵敏度，j为调整次数，Lji为第j次调整后第i条联络线上的功率，Lj_abs为第j次调整后，所有联络线输入功率总的变化量绝对值；所述基于LSTM建立4个不同预测时间尺度的关键联络线功率预测模型，具体为：分别对4个LSTM预测模型进行建模，设定双层LSTM模型的神经单元数量、迭代数以及全连接层数；选取激活函数和损失函数；其中激活函数选取线性整流函数为：其中，y表示来自上一层神经网络的输入量，w为第一参数，b为第二参数，T表示转置；其中损失函数为平均绝对百分比误差、平均绝对值误差和均方根误差；所述最大传输功率约束条件为： 其中，t表示一个时间段的起始时刻，PL_max为联络线最大传输功率，RL为联络线功率最大变化率。

全文数据：

权利要求：

百度查询： 国网山东省电力公司电力科学研究院;国网山东省电力公司 一种基于深度学习的新能源爬坡事件滚动预警方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD