[发明专利]基于数字孪生的新能源电力系统调度方法

权利要求书

1.基于数字孪生的新能源电力系统调度方法，其特征在于，它包括以下步骤：

步骤S1、构建适用于光伏功率的短期直接概率预测模型；

步骤S2、构建电力数字孪生系统，利用泛在物联网，电力数据流，通过实时态势感知和实时虚拟推演，辅助电网运管调控的决策制定；

步骤S3、基于新能源区间预测结果，建立一种鲁棒调度模型，考虑机组的自动发电控制(AGC)响应来应对新能源出力波动，保证电网功率平衡。

2.如权利要求1所述的基于数字孪生的新能源电力系统调度方法，其特征在于，所述步骤S1构建适用于光伏功率的短期直接概率预测模型包括：对初始数据集进行预处理，基于图基检测剔除数据集异常值，利用灰色关联分析提取强关联气象变量；借助一般化自然梯度计算方法，改进NGBoost元模型；利用Blending架构进行融合，进一步强化模型学习效果；

模型数据集D包含n_D个样本，m个特征，即D＝{(x_i，y_i)}(x_i∈R^m，y_i∈R)，其中x_i表征第i个样本的特征向量，y_i表征第i个样本对应标签值(真实值)，i∈(1，n_D)。

3.如权利要求2所述的基于数字孪生的新能源电力系统调度方法，其特征在于，所述对初始数据集进行预处理，基于图基检测剔除数据集异常值，利用灰色关联分析提取强关联气象变量包括：

1)对各变量时间序列做归一化处理，以n个气象变量序列中的第k个为比较序列S^k(t)，光伏功率序列为参考序列S⁰(t)，求取两者差计作绝对值序列Δ^k(t)，其中k∈(1,n)；

Δ^k(t)＝|S^k(t)-S⁰(t)|     (1)

2)计算关联系数η^k(t)：

式中：Min(·)、Max(·)表示求取序列的最小、最大值；ρ为分辨系数；

3)求解关联度γ^k：

式中：T_n为序列长度；

4)设定阈值选取关联度大于阈值的变量，组成新的模型数据集。

4.如权利要求2所述的基于数字孪生的新能源电力系统调度方法，其特征在于，所述借助一般化自然梯度计算方法，改进NGBoost元模型包括：

对自然梯度的求解过程进行改进，通过Fisher信息量在一般梯度和自然梯度间建立起联系，具体如下：

以y_i的香农信息量为基准建立评分函数S(θ，y_i)，

S(θ,y_i)＝-log P_θ(y_i)     (4)

式中：P_θ(y_i)为y_i在预测概率分布中的概率值；θ为预测概率分布的参数向量；

进行泰勒展开并舍去三阶及以上余项：

式中：d′为θ沿移动的无穷小步长向量；表示自然梯度；

将欧式空间转化为统计流形，在黎曼空间下处理式(5)，

其中一次项的计算可简化为：

将剩余部分表示为：

式中：

由此实现通过一般梯度计算自然梯度：

基于式(10)建立改进NGBoost元模型：以θ°为初始参数向量，计算进行到第m次迭代，通过式(10)由普通梯度计算y_i及其对应参数向量的自然梯度并沿该自然梯度方向生成一组新的基学习器，从而实现参数向量更新，最终预测结果可以表示为式(11)：

式中：α^m为比例因子；β为统一学习率；B^m为基学习器的统一表示，每个样本点的取值大小满足高斯分布，即θ＝(μ，σ)，θ的第m个训练阶段对应产生两个基学习器将其统一表示为