[发明专利]一种基于深度学习的配电台区储能配置方法

说明书

本发明公开了一种基于深度学习的配电台区储能配置方法，包括以下步骤：构建历史特征数据集；所述历史特征数据集包括在不同时间点下的配电台区的特征变量的历史数据；获取第一LSTM神经网络；用所述历史特征数据集中的历史数据对LSTM神经网络进行训练，直至所述LSTM神经网络的预测精度达到预设精度；获取配电台区的当前特征变量值，根据所述当前特征变量值和所述第一LSTM神经网络，对所述配电台区的储能进行预测。本发明的目的在于提供一种基于深度学习的配电台区储能配置方法，采用LSTM神经网络模型对配电台区储能进行优化配置，避免针对不同的储能配置场景，每次都需要做大量优化计算的过程。

技术领域

本发明涉及电力系统技术领域，尤其涉及一种基于深度学习的配电台区储能配置方法。

背景技术

随着用电需求的不断增大，我国供电水平普遍提高，在此背景下，电网负荷峰谷差值却越来越大，用电负荷逐渐增大。低压变电台区地区出现的配电变压器三相不平衡和低功率因数等因素将对服务质量产生直接性影响。针对低压配电台区，有效控制其输出电能的质量，传统方法是安装无功补偿装置，调压器或平衡装置，只能解决一个电能质量问题。因此，在这样的需求之下，采用储能装置对系统进行改良是十分有必要的。与传统方法相比，结合电力电子技术的储能单元可以满足电压超限控制，三相不平衡处理和功率因数调节的应用要求。同时，储能可以减少分布式新能源发电的电价波动，并且减小分布式新能源接入对现场区域对电能质量的影响。从提高电源的可靠性的角度来看，储能系统还可以起到调峰削谷的作用，在高峰时段降低配电变压器的负载系数，从而减少配电变压器安全运行的风险。储能系统可以用作备用电源，缩短台区点周围的停电时间，提高台区点周围电源的可靠性和服务能力。此外，从配电网络中的局部峰值负载平衡的角度来看，台区点区域多点分布式储能设备可以缓解峰值或峰值负载期间的负载平衡拥塞问题，并延迟电网扩展和升级改进。为了使得整体提升低压配电台的输出电能质量并且提升系统的可靠性，选择出合理的储能装置是十分有必要的。

随着全球不可再生资源的减少以及国家节能减排政策的号召，风能、太阳能等可再生能源发电接入电网的比例不断加大，由于可再生资源发电存在着间歇性、波动性等不稳定因素，分布式储能技术应运而生。分布式储能可以有效提高配电网的灵活性、可靠性与互动性，尤其是在能源消纳、峰谷调节等方面具有重大作用。随着可再生能源并网容量的进一步增加，其波动性、随机性也会进一步对电网的电能质量造成影响，分布式储能是解决上述问题的一种重要手段，可以使电力实时平衡的“刚性”电力系统变得“柔性”，有效平抑清洁能源发电接入电网带来的波动，大幅提高配电网运行的安全性、经济性和灵活性，因此，分布式储能优化配置就尤为重要。然而，目前分布式储能配置技术还存在诸多问题，比如，采用何种储能，配置多大容量的储能等。像风、光、小水电等可再生能源发电技术都具有日变化性和季度性特性，储能容量优化配置问题十分困难，配置容量不足时，难以平衡可再生发电波动带来的影响，无法实现功率的稳定输出；配置容量过大又会增加系统的开销成本，降低系统经济性。就目前主流储能配置策略而言，针对不同的储能配置场景，每次都需要做大量的优化计算，过程十分繁琐。

发明内容

本发明的目的在于提供一种基于深度学习的配电台区储能配置方法，采用LSTM神经网络模型对配电台区储能进行优化配置，避免针对不同的储能配置场景，每次都需要做大量优化计算的过程。

本发明通过下述技术方案实现：

一种基于深度学习的配电台区储能配置方法，包括以下步骤：

S1：构建历史特征数据集；所述历史特征数据集包括在不同时间点下的配电台区的特征变量的历史数据，所述特征变量包括台区储能配置的电压等级、储能成本、储能寿命、不同季节不同典型日的最大充电功率、不同季节不同典型日的最大放电功率、不同季节不同典型日的充电能量值以及不同季节不同典型日的放电能量；

S2：获取第一LSTM神经网络；所述第一LSTM神经网络的预测精度大于预设精度；