【技术实现步骤摘要】
本专利技术涉及新能源并网，特别是一种新能源并网精细化管控方法及系统。
技术介绍
1、随着全球能源结构的转型与升级，新能源，特别是风能、太阳能等可再生能源的并网利用已成为推动绿色低碳发展的重要途径。然而，新能源发电具有间歇性和不确定性，这给电网的稳定运行带来了前所未有的挑战。为了实现新能源高效、安全地融入传统电网体系，新能源并网技术的研究与实践显得尤为重要，其中，精细化管控成为了关键所在。
2、在新能源并网技术的快速发展背景下，尽管已有多项技术致力于提高可再生能源的接入与调度效率，但在复杂多变的气象环境与用户负荷需求面前，现有技术仍面临核心挑战，首先，多数系统侧重于单一方面的优化，如单独的负荷预测或简单的并网策略设计，缺乏全局视角下的综合性解决方案。其次，面对极端气候事件和用户行为模式的突变，现有模型往往难以及时准确地预测特殊负荷及其对电网接纳能力的影响，导致调控策略的滞后与低效。同时，传统的线性规划方法在处理非线性、时序相关的新能源并网问题时显得力不从心，无法精确捕捉系统动态特性，影响了电网的稳定性和效率。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种新能源并网精细化管控方法及系统解决现有技术中预测精度不足、调控策略单一、系统应对复杂变化能力有限的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种新能源并网精细化管控方法，其包括，实时采
5、作为本专利技术所述新能源并网精细化管控方法的一种优选方案，其中，所述数据预处理包括错误值检测、数据校准、数据聚合，归一化和缺失值处理。
6、作为本专利技术所述新能源并网精细化管控方法的一种优选方案，其中，对所述实时数据仓库进行高级特征映射和深度学习模型分析，形成特殊负荷关联报告，具体步骤为：
7、基于实时数据仓库，采用谱聚类算法进行特征提取和拉普拉斯矩阵高级特征映射，高级特征映射表达式为：
8、φ＝eig(l)k
9、其中，φ为特征向量矩阵，eig为特征值分解的过程，l为拉普拉斯矩阵，k为选取的前k个特征值；
10、将特征向量矩阵φ输入到双向循环神经网络模型中，并结合注意力权重处理时间序列数据，进行深度学习模型分析，注意力权重计算表达式为：
11、αt＝softmax(vttanh(p*φ⊙ht++qs(t-1)))
12、其中，αt为时间步t对历史信息的注意力权重，softmax为激活函数，vt为双曲正切函数输出相乘的权重向量的转置，tanh为双曲正切函数，st-1为时间步的上下文向量，w[φ⊙ht]为权特征向量φ与隐藏状态ht相乘后的结果的权重矩阵，q为前一时间步的上下文向量st-1的权重矩阵；
13、利用注意力权重αt遍历所有过去的隐藏状态hi进行加权求和，形成上下文向量，上下文向量ct表达式为：
14、
15、最后，利用上下文向量ct，通过一个全连接层来预测特殊负荷值yt：
16、yt＝lr(ct)+b
17、其中，yt为时间步t的输出预测结果，lr为一个全连接层，b为偏置项；
18、基于特殊负荷值yt，运用梯度提升树损失模型进行特征重要性排序分析，识别影响特殊负荷的关键因素，总损失模型l表达式为：
19、
20、其中，l′(yt,f(xi))为梯度提升树局部损失模型，xi为梯度提升树局部损失模型中输入数据中的第i个样本，f(xi)为样本预测值，ω(g)为正则化项；
21、将梯度提升树损失函数的特征重要性排序分析与深度学习模型预测结果相结合，编制特殊负荷关联报告。
22、作为本专利技术所述新能源并网精细化管控方法的一种优选方案，其中，基于所述特殊负荷关联报告，利用时间序列分析和长短期记忆网络模型，生成特殊负荷概率预测数据，具体步骤为：
23、汇总所述特殊负荷关联报告中的实际负荷值、时间戳，天气条件和节假日信息的特殊负荷历史数据，并进行去除异常值，填补缺失数据，归一化预处理，生成原始数据特征集；
24、应用时间序列分析对数据预处理过的特殊负荷历史数据，进行负荷数据中的趋势、季节性和随机成分特征识别；
25、利用自回归积分滑动平均模型提取序列的自相关和偏自相关特征，辅助长短期记忆网络模型理解序列结构；
26、将时间序列分析得到的随机成分特征与原始数据特征集合并，形成增强型特征集；
27、利用长短期记忆网络模型，接收增强型特征集，长短期记忆网络模型输出层输出特定未来时间点负荷落在不同区间的概率分布，生成特殊负荷概率预测数据。
28、作为本专利技术所述新能源并网精细化管控方法的一种优选方案，其中，结合所述特殊负荷概率预测数据和电网状态数据，通过非线性规划算法，生成电网接纳能力预测曲线，具体步骤为：
29、将生成的特殊负荷概率预测数据与实时电网状态数据进行时空对齐，形成综合数据集；
30、利用综合数据集构建非线性规划模型，对特殊负荷概率预测数据进行负荷需求，电力约束和系统稳定性的电网接纳能力模拟；
31、通过蒙特卡洛模拟生成多个未来负荷情景，每个情景作为非线性规划模型的输入，得出情景结果集；
32、统计分析情景结果集中的所有情景，确定接纳能力的上下限及概率分布，生成电网接纳能力预测曲线。
33、作为本专利技术所述新能源并网精细化管控方法的一种优选方案，其中，基于所述长短期记忆网络模型与电网接纳能力预测曲线，设计动态自动调节并网策略，具体步骤为：
34、将长短期记忆网络模型输出的特殊负荷概率预测数据与电网接纳能力预测曲线的数据进行时空同步融合，形成融合数据集xf；
35、通过定义窗口内负荷概率与电网状态的交互特征，来反映电网当前及未来一段时间内的动态特性，交互特征xint表达式为：
36、
37、其中，xint(t)为在时间点t内窗口内负荷概率与电网状态的交互特征值，w(δt)为时间窗口内的权重函数，ppb(t+δt)为在时间点t+δt的负荷概率分布，sgd(t)为在时间点t的电网状态特征集合；
38、基于融合特征集xf与交互特征xint，设计一个自适应调节本文档来自技高网...
【技术保护点】
1.一种新能源并网精细化管控方法，其特征在于：包括，
2.如权利要求1所述的新能源并网精细化管控方法，其特征在于：所述数据预处理包括错误值检测、数据校准、数据聚合，归一化和缺失值处理。
3.如权利要求2所述的新能源并网精细化管控方法，其特征在于：对所述实时数据仓库进行高级特征映射和深度学习模型分析，形成特殊负荷关联报告，具体步骤为：
4.如权利要求3所述的新能源并网精细化管控方法，其特征在于：基于所述特殊负荷关联报告，利用时间序列分析和长短期记忆网络模型，生成特殊负荷概率预测数据，具体步骤为：
5.如权利要求4所述的新能源并网精细化管控方法，其特征在于：结合所述特殊负荷概率预测数据和电网状态数据，通过非线性规划算法，生成电网接纳能力预测曲线，具体步骤为：
6.如权利要求5所述的新能源并网精细化管控方法，其特征在于：基于所述长短期记忆网络模型与电网接纳能力预测曲线，设计动态自动调节并网策略，具体步骤为：
7.如权利要求6所述的新能源并网精细化管控方法，其特征在于：所述配置预警规则，具体步骤为：
8.
9.如权利要求8所述的新能源并网精细化管控方法，其特征在于：所述预警指标中的负荷预测误差和电网接纳能力利用率，阈值的设定与应对措施，具体步骤为：
10.一种新能源并网精细化管控系统，基于权利要求1～9任一所述的新能源并网精细化管控方法，其特征在于：包括，数据收集模块、特征构造与深度学习分析模块、负荷预测模块、电网接纳能力预测模块、动态自动调节并网策略设计模块和预警规则配置模块；
...【技术特征摘要】
1.一种新能源并网精细化管控方法，其特征在于：包括，
2.如权利要求1所述的新能源并网精细化管控方法，其特征在于：所述数据预处理包括错误值检测、数据校准、数据聚合，归一化和缺失值处理。
3.如权利要求2所述的新能源并网精细化管控方法，其特征在于：对所述实时数据仓库进行高级特征映射和深度学习模型分析，形成特殊负荷关联报告，具体步骤为：
4.如权利要求3所述的新能源并网精细化管控方法，其特征在于：基于所述特殊负荷关联报告，利用时间序列分析和长短期记忆网络模型，生成特殊负荷概率预测数据，具体步骤为：
5.如权利要求4所述的新能源并网精细化管控方法，其特征在于：结合所述特殊负荷概率预测数据和电网状态数据，通过非线性规划算法，生成电网接纳能力预测曲线，具体步骤为：
6.如权利要求5所述的新能源并网精细化管控...
【专利技术属性】
技术研发人员：星国财，韩河龙，韩正牧，马伊成，朱彤，
申请(专利权)人：国网青海省电力公司黄化供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。