一种基于深度多步时空神经网络的微电网调度方法技术

本发明专利技术公开了一种基于深度多步时空神经网络的微电网调度方法，属于电网调度技术领域，以解决风力发电与光伏发电在时间和空间上分布的不确定性，难以对其进行调度，造成弃风率、弃光率高的问题。方法包括建立空间负荷矩阵、建立时空动态负荷矩阵预测模型、建立深度多步时空动态神经网(DMSTN)、时空动态负荷预测、建立评价指标体系。本发明专利技术建立了基于深度多步时空神经网络的微电网调度方法，能够较好地对不确定度极高的风力发电量和光伏发电量进行预测。进行预测。进行预测。

【技术实现步骤摘要】
一种基于深度多步时空神经网络的微电网调度方法


[0001]本专利技术属于电网调度
，具体涉及一种基于深度多步时空神经网络的微电网调度方法。

技术介绍

[0002]近年来，虽然风电、光伏等可再生能源在中国的规模的正迅速扩大，但可再生能源出力的波动性与不确定性始终阻碍其消纳，同时，电力负荷较大的峰谷差及市场机制的不完善，共同导致了多地严重的弃风、弃光。以风电为例，到2017年6月底，中国风电并网总量达1.54亿千瓦，2017年上半年发电量为1490亿千瓦时，占全国总发电量的5.0％，弃风电量235亿千瓦时，弃风率15.8％。
[0003]这种形势下，提高新能源发电在能源结构中所占比例和提高新能源利用率成为重点问题。微电网作为融合可再生能源发电、储能、负荷的新型供配电系统，能够促进可再生能源发电并网，减少化石能源的利用并改善环境污染。同时含高比例绿电的微电网群协同优化调度对微电网系统高效、经济运行有很好的促进作用，对可再生能源发电并网、构建绿色电网、改善环境污染有着积极作用。
[0004]但在现有的微电网中存在着以电动汽车为代表的具有很强时空随机性的充电负荷。电动汽车充电负荷的强随机性加大了电网的控制难度并影响了电能质量，使得现有的微电网技术无法准确预测风力和光伏的发电量，故而对风力与光伏发电不能很好地进行调度，最终导致风力与光伏发电的弃风率和弃光率居高不下。
[0005]基于以上
技术介绍
中的问题，本专利技术提出了一种基于深度多步时空神经网络的微电网调度方法。

技术实现思路

[0006]本专利技术的目的在于提供一种基于深度多步时空神经网络的微电网调度方法，以解决风力发电与光伏发电在时间和空间上分布的不确定性，难以对其进行调度，造成弃风率、弃光率高的问题。
[0007]为了解决以上问题，本专利技术技术方案为：
[0008]一种基于深度多步时空神经网络的微电网调度方法，该方法为以下步骤：
[0009]S1、建立空间负荷矩阵；
[0010]处于微电网中的风力发电以及光伏发电，因其空间分布上的不确定，发电量在空间上有很大的变化，为了更好地进行预测，需要建立空间负荷矩阵；
[0011]S2、建立时空动态负荷矩阵预测模型；
[0012]因风力光伏发电在时间上也有很大的变化，故在完成时空负荷矩阵建立后，还需要随着时间推移，更新矩阵中的具体数值，通过多个历史空间负荷矩阵预测未来的空间负荷矩阵；
[0013]S3、建立深度多步时空动态神经网(DMSTN)；
[0014]S3.1、建立ConvLSTM层；
[0015]ConvLSTM将上一层的输出和新的输入作为下一层的输入，在此基础上加入卷积操作，提取空间特征；
[0016](1)对于传统的ConvLSTM模型，其形式化后可表达如下；
[0017][0018]这种传统的模型可以利用历史数据进行预测，为了更好地体现负荷变化量的时间与空间的变化，需要改进模型，建立深度多步时空动态神经网络，从而在预测过程中体现负荷的时空变化；
[0019](2)为了体现负荷的时空变化，对深度多步时空动态神经网络进行改进；
[0020]S3.2、建立三维卷积层(3D
‑
ConvNet)；
[0021]三维卷积既可以捕获空间信息也可以捕获时间维度的信息；
[0022]三维卷积核是将二维卷积核的扩充为三维，将数据根据时间维度堆叠为三维数据后进行卷积操作；
[0023]在完成了上述建立ConvLSTM层的工作后，继续在ConvLSTM层的基础上，对其进行扩充，完成三维卷积层(3D
‑
ConvNet)的建立；
[0024]S3.3、融合层；
[0025]在实际的时空动态负荷中，既有长期的动态负荷规律，也有短期由于天气、事件以及其他的一些由于随机性引起的短期充电负荷规律；
[0026]为了同时学习到长期的动态负荷规律与短期充电负荷规律，将三维卷积层的输出结果和ConvLSTM层输出结果结合起来，建立起一种融合层；
[0027]S3.4、输出层；
[0028]为了消除滚动预测带来的误差，还需要建立一个输出层，使得该网络能同时输出多个时间步数的时空动态负荷矩阵；
[0029]输出层建立的目的是使得该网络能同时输出多个时间步数的时空动态负荷矩阵；
[0030]使用3D
‑
ConvNet这一部分作为输出部分，使得该网络能同时输出多个时间步数的时空动态负荷矩阵，这样也能够消除滚动预测带来的误差；
[0031]因为网络是同时预测的多步矩阵序列是短时间序列，所以3D
‑
ConvNet层作为输出层可以更好的捕捉此类规律；
[0032]假设输入为D
s
＝{D
t
‑
s
，D
t
‑
s+1
，...D
t
}，相应模型用M表示，该模型的所有参数用Θ表示，那么，模型的具体表达式如下：
[0033][0034]S4、时空动态负荷预测；
[0035]在完成了上述深度多步时空动态神经网的建立后，便可以建立相应的算法进行时空动态负荷预测；
[0036]其算法流程为：
[0037]获取微电网群各发电单位发电量；计算空间负荷矩阵；计算动态时空负荷矩阵；图形归一化；输入模型进行训练；输出预测结果；检验模型，同步调整参数，返回输入模型进行训练环节，直至模型通过检验；输出最终结果；
[0038]S5、评价指标体系的建立；
[0039]选择了均方根误差、平均绝对百分比误差、决定系数这三个变量作为评价指标，建立了评价指标体系。
[0040]进一步的S1中建立空间负荷矩阵的具体的方法如下：
[0041](1)根据风力与光伏分布的实际地理情况构建坐标轴，确定所有光伏发电站以及风力发电站的坐标；
[0042](2)计算出整个微电网群覆盖的范围，将微电网群划分为一个个小正方形，该小正方形的边长由微电网群覆盖范围来确定；
[0043](3)将每一个小正方形覆盖范围内该时刻所有发电单位(包括风力发电与光伏发电)的发电量相加，就可以得到该时刻的负荷矩阵；
[0044]具体形式如下：
[0045][0046]式中：D
t
代表t时刻的电动汽车空间负荷矩阵；
[0047]分别代表处在不同位置的点的负荷量，其中X为横坐标，Y为纵坐标，每一个元素的数值由各发电单位的发电量相加得到。
[0048]进一步的S2中建立深度时空动态负荷矩阵的形式和普通的空间负荷矩阵一样，也为
[0049][0050]式中：
[0051]D
t+n
代表在t+n时刻的电动汽车空间负荷矩阵；
[0052]分别代表在t+n时刻，位于不同坐标位置的点的负荷量；
[0053]其具体的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度多步时空神经网络的微电网调度方法，其特征在于，该方法为以下步骤：S1、建立空间负荷矩阵；处于微电网中的风力发电以及光伏发电，因其空间分布上的不确定，发电量在空间上有很大的变化，为了更好地进行预测，需要建立空间负荷矩阵；S2、建立时空动态负荷矩阵预测模型；因风力光伏发电在时间上也有很大的变化，故在完成时空负荷矩阵建立后，还需要随着时间推移，更新矩阵中的具体数值，通过多个历史空间负荷矩阵预测未来的空间负荷矩阵；S3、建立深度多步时空动态神经网(DMSTN)；S3.1、建立ConvLSTM层；ConvLSTM将上一层的输出和新的输入作为下一层的输入，在此基础上加入卷积操作，提取空间特征；(1)对于传统的ConvLSTM模型，其形式化后可表达如下；这种传统的模型可以利用历史数据进行预测，为了更好地体现负荷变化量的时间与空间的变化，需要改进模型，建立深度多步时空动态神经网络，从而在预测过程中体现负荷的时空变化；(2)为了体现负荷的时空变化，对深度多步时空动态神经网络进行改进；S3.2、建立三维卷积层(3D
‑
ConvNet)；三维卷积既可以捕获空间信息也可以捕获时间维度的信息；三维卷积核是将二维卷积核的扩充为三维，将数据根据时间维度堆叠为三维数据后进行卷积操作；在完成了上述建立ConvLSTM层的工作后，继续在ConvLSTM层的基础上，对其进行扩充，完成三维卷积层(3D
‑
ConvNet)的建立；S3.3、融合层；在实际的时空动态负荷中，既有长期的动态负荷规律，也有短期由于天气、事件以及其他的一些由于随机性引起的短期充电负荷规律；为了同时学习到长期的动态负荷规律与短期充电负荷规律，将三维卷积层的输出结果和ConvLSTM层输出结果结合起来，建立起一种融合层；S3.4、输出层；为了消除滚动预测带来的误差，还需要建立一个输出层，使得该网络能同时输出多个时间步数的时空动态负荷矩阵；输出层建立的目的是使得该网络能同时输出多个时间步数的时空动态负荷矩阵；
使用3D
‑
ConvNet这一部分作为输出部分，使得该网络能同时输出多个时间步数的时空动态负荷矩阵，这样也能够消除滚动预测带来的误差；因为网络是同时预测的多步矩阵序列是短时间序列，所以3D
‑
ConvNet层作为输出层可以更好的捕捉此类规律；假设输入为D
s
＝{D
t
‑
s
，D
t
‑
s+1
，...D
t
}，相应模型用M表示，该模型的所有参数用Θ表示，那么，模型的具体表达式如下：S4、时空动态负荷预测；在完成了上述深度多步时空动态神经网的建立后，便可以建立相应的算法进行时空动态负荷预测；其算法流程为：获取微电网群各发电单位发电量；计算空间负荷矩阵；计算动态时空负荷矩阵；图形归一化；输入模型进行训练；输出预测结果；检验模型，同步调整参数，返回输入模型进行训练环节，直至模型通过检验；输出最终结果；S5、评价指标体系的建立；选择了均方根误差、平均绝对百分比误差、决定系数这三个变量作为评价指标，建立了评价指标体系。2.如权利要求1所述的一种基于深度多步时空神经网络的微电网调度方法，其特征在于：S1中建立空间负荷矩阵的具体的方法如下：(1)根据风力与光伏分布的实际地理情况构建坐标轴，确定所有光伏发电站以及风力发电站的坐标；(2)计算出整个微电网群覆盖的范围，将微电网群划分为一个个小正方形，该小正方形的边长由微电网群覆盖范围来确定；(3)将每一个小正方形覆盖范围内该时刻所有发电单位(包括风力发电与光伏发电)的发电量相加，就可以得到该时刻的负荷矩阵；具体形式如下：式中：D
t
...

【专利技术属性】
技术研发人员：茹秋实，宋志刚，范捷生，张全娥，向敏，韩欢，金仲霞，宋菊文，
申请(专利权)人：国网甘肃省电力公司陇南供电公司，
类型：发明
国别省市：