[发明专利]一种新能源电力系统低谷时段可调峰功率预测方法

权利要求书

1.一种新能源电力系统低谷时段可调峰功率预测方法，其特征在于，该方法包括以下步骤：

S1、从调度系统获取新能源电力系统历史负荷数据，包括高峰时段、腰荷时段和低谷时段的用电负荷数据：

设基准日为D日，可调峰功率预测日为第D+i日，t表示时段，第d日第t时段的负荷为L_d，t，其中d表示日期，负荷的单位为kW；新能源电力系统第t时段的历史负荷数据集合L_set，t为：

L_set，t＝{L_d，t|d∈(1，2，...，D)}

新能源电力系统的历史负荷数据集合L_set为：

L_set＝{L_set，t|t∈(1，2，...，t_max)}＝{L_d，t|t∈(1，2，...，t_max)，d∈(1，2，...，D)}

t_max表示时段t的最大取值；

S2、从风电场运行控制系统获取风电场气象数据，包括风速、风向、气温、气压、湿度，以及风电场历史出力数据：

第i个风电场第d日第t时段的风速、风向、气温、气压、湿度、出力分别为Ve_i，d，t、Di_i，d，t、Te_i，d，t、Pr_i，d，t、Hu_i，d，t、Pw_i，d，t；

第i个风电场第t时段的气象数据集合M_set，i，t为：

M_set，i，t＝{Ve_i，d，t，Di_i，d，t，Te_i，d，t，Pr_i，d，t，Hu_i，d，t|d∈(1，2，...，D)}

第i个风电场第t时段的历史出力集合Pw_set，i，t为：

Pw_set，i，t＝{Pw_i，d，t|d∈(1，2，...，D)}

第i个风电场的气象数据集合M_set，i为：

M_set，i＝{Ve_i，d，t，Di_i，d，t，Te_i，d，t，Pr_i，d，t，Hu_i，d，t|t∈(1，2，...，t_max)，d∈(1，2，...，D)}

第i个风电场历史出力集合Pw_set，i为：

Pw_set，i＝{Pw_i，d，t|t∈(1，2，...，t_max)，d∈(1，2，...，D)}

i为风电场序号，i∈(1，2，...，i_max)，i_max表示新能源电力系统中风电场最大数目；

S3、以新能源电力系统历史负荷数据为基础数据，构建面向低谷时段的用电负荷神经网络预测模型，在该模型中，输入为与低谷时段负荷强相关的新能源电力系统历史负荷数据，即与L_D+1，t强相关的历史负荷数据作为用电负荷神经网络预测模型的输入变量Input_L，t，Input_L，t的维数为M_L，M_L≥1，输出为预测日低谷时段负荷，即输出变量Output_L，t＝{L_D+1，t}，Output_L，t的维数为1，神经网络采用输入层、隐藏层和输出层的三层结构，具体如下：

用电负荷神经网络预测模型采用输入层、隐藏层、输出层三层结构，根据输入变量Input_L，t和输出变量Output_L，t的维数，确定用电负荷神经网络预测模型的输入层节点数等于输入变量Input_L，t的维数M_L，输出层节点数等于输出变量Output_L，t的维数，隐藏层节点数为N_L，N_L的取值为集合[N_L，min，N_L，max]中的整数，N_L通过负荷预测精度指标δ_L，0调整，N_L，min为N_L的最小取值，N_L，max为N_L的最大取值；输入层到隐藏层的连接权重数量为M_L*N_L；隐藏层到输出层的连接权重数量为N_L*1；用电负荷神经网络预测模型的连接权重数量W_L为(M_L+1)*N_L；用电负荷神经网络预测模型中隐藏层第k个神经元输出y_L，k，t为：

式中，为隐藏层第k个神经元的输入，p_{L，k，t，j}为隐藏层第k个神经元的第j个输入，j∈(1，2，...，M_L)，为隐藏层第k个神经元的连接权重，w_{L，k，t，j}为隐藏层第k个神经元的第j个连接权重，b_L，k，t为隐藏层第k个神经元的阈值，f_L(·)为神经元的激励函数；

用电负荷神经网络预测模型的输出Output_L，t：

ω_L，k，t为用电负荷神经网络预测模型中隐藏层第k个神经元到输出层的连接权重；

S4、根据历史负荷数据构造训练集和测试集，通过训练集采用神经网络学习算法确定用电负荷神经网络预测模型的权重和阈值，通过测试集确定用电负荷神经网络预测模型的负荷预测精度，并根据负荷预测精度调整神经网络隐藏层的节点数，具体如下：

S4.1、构造用电负荷神经网络预测模型的数据样本，数据取自历史负荷数据集合L_set，这些数据样本将作为用电负荷神经网络预测模型的训练集和测试集，训练集和测试集按比例从用电负荷数据样本中随机产生；

S4.2、将训练集和测试集中元素进行归一化：

式中，L′_d，t为训练集元素L_d，t归一化后的值，L_max为历史负荷数据集合L_set中最大负荷值，L_min为历史负荷数据集合L_set中最小负荷值；然后根据归一化后的训练集，确定该模型中各神经元的连接权值w_L，k，t、ω_L，k，t和阈值b_L，k，t；

S4.3、根据归一化后的测试集，检验用电负荷神经网络预测模型的负荷预测精度

根据负荷预测精度调整用电负荷预测模型隐藏层节点数：

式中，δ_set，L为满足负荷预测精度指标δ_L，0且N_L取值为[N_L，min，N_L，max]中整数时的用电负荷预测精度集合：

式中，minδ_set，L为用电负荷预测精度集合中的最小值，Z_x为该最小值对应的N_L取值，N_L，opt为用电负荷预测模型最优隐藏层节点数；

S5、以风电场气象数据和历史出力数据为基础数据，构建面向低谷时段的风电出力神经网络预测模型，在该模型中，输入为与风电出力强相关的风电场气象数据和历史出力数据，即与Pw_iD+1，t强相关的风电场气象数据和历史出力数据作为风电出力神经网络预测模型的输入变量Input_W，i，t，Input_W，i，t的维数记为M_i，W，M_i，W≥1，输出为预测日低谷时段风电场出力，即输出变量Output_W，i，t＝{Pw_i，D+1，t}，Output_W，i，t的维数为1，神经网络采用输入层、隐藏层和输出层的三层结构，具体如下：

风电出力神经网络预测模型采用输入层、隐藏层、输出层三层结构，根据输入变量Input_W，i，t和输出变量Output_W，i，t的维数，确定第i个风电场的风电出力神经网络预测模型的输入层节点数等于输入变量Input_W，i，t的维数M_i，W，输出层节点数等于输出变量Output_W，i，t的维数，，隐藏层节点数为N_i，W，N_i，W的取值为集合[N_W，min，N_W，max]中的整数，N_i，W通过风电场出力预测精度指标δ_W，i，0调整，N_W，min为N_i，W的最小取值，N_W，max为N_i，W的最大取值；输入层到隐藏层的连接权重数量为M_i，W*N_i，W；隐藏层到输出层的连接权重数量为N_i，W*1；用电负荷神经网络预测模型的连接权重数量W_i，W为(M_i，W+1)*N_i，W；第i个风电场第t时段的风电出力神经网络预测模型中隐藏层第l个神经元输出y_{W，i，l，t}为：

式中，为隐藏层第l个神经元的输入，p_{W，i，l，t，m}为隐藏层第l个神经元的第m个输入，m∈(1，2，...，M_i，W)，为隐藏层第l个神经元的连接权重，w_{W，i，l，t，m}为隐藏层第l个神经元的第m个连接权重，b_{W，i，t，l}为隐藏层第l个神经元的阈值，f_W(·)为神经元的激励函数；

风电出力神经网络预测模型的输出Output_W，i，t：

ω_{W，i，l，t}为风电出力神经网络预测模型中隐藏层第l个神经元到输出层的连接权重；

S6、根据风电场气象数据和历史出力数据构造训练集和测试集，通过训练集采用神经网络学习算法确定风电出力神经网络预测模型的权重和阈值，通过测试集确定风电出力神经网络预测模型的风电出力预测精度，并根据风电出力预测精度调整神经网络隐藏层的节点数，具体如下：

S6.1、构造风电出力神经网络预测模型的数据样本，数据取自第i个风电场气象数据集合M_set，i和风电场历史出力集合Pw_set，i，训练集和测试集按比例从风电出力数据样本中随机产生；

S6.2、将训练集和测试集中元素进行归一化：

式中，Ve′_i，d，t、Di′_i，d，t、Te′_i，d，t、Pr′_i，d，t、Hu′_i，d，t、Pw′_i，d，t分别为Ve_i，d，t、Di_i，d，t、Te_i，d，t、Pr_i，d，t、Hu_i，d，t、Pw_i，d，t归一化后的值，Ve_i，max、Di_max、Te_i，max、Pr_i，max、Hu_i，max分别为第i个风电场气象数据集合M_set，i中最大的风速值、风向值、气温值、气压值、湿度值，Ve_i，min、Di_min、Te_i，min、Pr_i，min、Hu_i，min分别为第i个风电场气象数据集合M_set，i中最小的风速值、风向值、气温值、气压值、湿度值，Pw_i，max、Pw_i，min分别为第i个风电场历史出力集合Pw_set，i中最大、最小的风电出力；然后根据归一化后的训练集，确定该模型中各神经元的连接权值w_{W，i，l，t}、ω_{W，i，l，t}和阈值b_{W，i，l，t}；

S6.3、根据归一化后的测试集，检验风电出力神经网络预测模型的风电出力预测精度

根据风电出力预测精度调整第i个风电场风电出力预测模型隐藏层节点数：

式中，δ_set，W，i为满足风电场出力预测精度指标δ_W，i，0且N_i，W取值为[N_W，min，N_W，max]中整数时的第i个风电场风电出力预测精度集合：

式中，minδ_setW，i为第i个风电场风电出力预测精度集合中的最小值，Z_y为该最小值对应的N_i，W取值，N_i，W，opt为第i个风电场风电出力预测模型最优隐藏层节点数；

S7、构建面向低谷时段的新能源电力系统可调峰功率预测模型，在该模型中，可调峰功率预测值由新能源电力系统功率平衡原理确定，其中用电负荷神经网络预测模型确定低谷时段用电负荷，风电出力神经网络预测模型确定低谷时段风电场出力，具体如下：

S7.1、构建新能源电力系统第t时段可调峰功率预测模型：

S7.1.1、构建输入层节点数为M_L，隐藏层节点数为N_L，输出层节点数为1的三层神经网络，该神经网络中各神经元的连接权值为w_L，k，t、ω_L，k，t和阈值为b_L，k，t，将此神经网络作为用电负荷神经网络预测模型；

S7.1.2、构建输入层节点数为M_i，W，隐藏层节点数为N_i，W，输出层节点数为1的三层神经网络，该神经网络的各神经元的连接权值为w_{W，i，l，t}、ω_{W，i，l，t}和阈值为b_{W，i，l，t}，将此神经网络作为第i个风电场的风电出力神经网络预测模型；与此类似，当i取值为1，2，...，i_max时，即可将新能源电力系统所有风电场的风电出力神经网络预测模型全部建立；

S7.1.3、根据新能源电力系统的功率平衡原理计算第t时段可调峰功率预测值，该预测值由第t时段可调峰功率预测模型的输出变量Output_t确定：

P_other，t＝P_V，t+P_T，t+P_N，t+P_H，t

式中，P_other，t为第t时段其他类型电源发电功率，由第t时段的太阳能发电功率P_V，t、火力发电功率P_T，t、核能发电功率P_N，t和水力发电功率P_H，t组成；

S7.2、预测新能源电力系统低谷时段可调峰功率值；为预测D+1日新能源电力系统第t时段的可调峰功率，构建输入变量Input_t：

Input_t＝{Input_L，t，Input_W，i，t|i∈[1，2，...，i_max]}

根据Input_L，t和用电负荷神经网络预测模型确定低谷时段新能源电力系统的用电负荷Output_L，t；根据Input_W，i，t和第i个风电场的风电出力神经网络预测模型确定第i个风电场第t时段的风电出力Output_W，i，t；用电负荷Output_L，t扣除风电出力Output_W，i，t、太阳能发电功率P_V，t、火力发电功率P_T，t、核能发电功率P_N，t和水力发电功率P_H，t，得到第t时段的可调峰功率预测值；根据电力系统负荷曲线规律，低谷时段为晚23：00至次日凌晨6：00的某段时间区域，包含若干个一小时、半小时或15分钟时段，针对每一个时段t计算可调峰功率，就得到新能源电力系统低谷时段可调峰功率预测值Output：

Output＝{Output_t|t∈低谷时段}

对应的，低谷时段各风电场的风电出力预测值Output_W：

Output_W＝{Output_W，i，t|t∈低谷时段，i∈(1，2，...，i_max)}

S8、将低谷时段风电出力预测值Output_W、可调峰功率预测值Output分别作为风电电源发电计划和储能电站储能计划，为新能源电力系统的风电调度和储能调度提供决策支持。