[发明专利]清洁能源环境下双轨制不平衡资金预测方法及装置

说明书

本发明涉及一种清洁能源环境下双轨制不平衡资金预测方法及装置，所述方法包括获取清洁能源发电能力因素的历史数据，根据历史数据进获取相应的概貌分量时序数据；确定预构建的BP神经网络的输入节点，将概貌分量时序数据作为训练样本输入至节点，以对BP神经网络进行迭代训练，至满足迭代条件，输出资金预测模型；将清洁能源发电能力因素的待测数据输入资金预测模型，输出资金预测结果。本发明利用GWO对BP神经网络的初始权值和初始阈值予以优化，并根据GWO算法的多个最优解寻求最优位置，扩大了狼群搜索范围，有效防止网络训练过程陷入局部最优，提高了双轨制不平衡资金预测的准确性。

技术领域

本发明属于电力市场技术领域，具体涉及一种清洁能源环境下双轨制不平衡资金预测方法及装置。

背景技术

随着“双碳”目标的逐步推进，清洁能源大规模接入电网是未来电力系统发展的必然趋势。清洁能源并网的随机性、间歇性将会对双轨制不平衡资金产生巨大影响。清洁能源对双轨制不平衡资金的影响机理包括两个方面：一是通过影响市场电量与计划电量的偏差来影响双轨制不平衡资金。由于清洁能源出力具有不确定性，若清洁能源作为优先电量全额消纳，计划电量会产生波动；若清洁能源参与市场化交易，系统爬坡约束或线路约束会导致其他机组出力产生波动，对市场电量产生影响。上述两种方式均会导致计划电量与市场电量不匹配，从而影响双轨制不平衡资金。二是通过影响市场出清价格来影响双轨制不平衡资金。清洁能源参与市场化交易时，其出力不稳定使得供给电量发生波动，市场出清价格也随之浮动，从而导致市场出清价与计划价之间的价差发生波动，进而影响双轨制不平衡资金。

相关技术中，目前广泛应用的预测模型包括自回归分析法、支持向量机、BP神经网络等。自回归分析法是基于数理统计的预测方法，往往需要根据经验近似确定模型阶数，不具备自学习能力；支持向量机计算的复杂性取决于支持向量的数目，而不是样本空间的维数，在一定程度上可避免“维数灾难”，但现阶段成熟的参数和核函数都是人为根据经验来取的，具有随意性，且在求解二次规划时涉及高阶矩阵的计算，对大规模训练样本难以实施；传统BP神经网络存在初始权值和初始阈值过于随机的问题，后续参数训练过程中容易陷入局部最优，导致网络模型预测精度较差。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种清洁能源环境下双轨制不平衡资金预测方法及装置，以解决现有技术中清洁能源环境下双轨制不平衡资金预测精确较差的问题。

为实现以上目的，本发明采用如下技术方案：一种清洁能源环境下双轨制不平衡资金预测方法，包括：

获取清洁能源发电能力因素的历史数据，根据所述历史数据进获取相应的概貌分量时序数据；

确定预构建的BP神经网络的输入节点，将所述概貌分量时序数据作为训练样本输入至所述节点，以对BP神经网络进行迭代训练，同时利用灰狼优化算法对BP神经网络的初始权值和初始阈值进行优化，至满足迭代条件，输出资金预测模型；

将清洁能源发电能力因素的待测数据输入所述资金预测模型，输出资金预测结果。

进一步的，所述洁能源发电能力因素包括：非水清洁能源发电能力、传统能源机组服务成本、传统能源机组可调出力以及系统负荷预测；

其中，根据非水清洁能源发电能力的历史数据，获取风速、光照强度概貌分量时序数据；

根据传统能源机组服务成本对应的数据为传统能源机组变动成本时序数据；

根据传统能源机组可调出力对应的数据为传统能源机组可调出力时序数据；

根据系统负荷预测对应的数据为系统负荷预测时序数据。

进一步的，所述根据非水清洁能源发电能力的历史数据，获取风速、光照强度概貌分量时序数据，包括：

获取风速历史数据和光照强度历史数据，并剔除异常数据；