【技术实现步骤摘要】
本专利技术涉及新能源数据处理，特别是一种基于深度学习的新能源发电功率预测系统。
技术介绍
1、新能源中风电发电的风电功率在短时间内发生的大幅度变化被称作风电爬坡事件，风电爬坡事件会导致电力系统发用电短时不平衡，威胁电网安全运行。现有风电爬坡事件的预测方法可大致分为间接预测法和直接预测法两类。间接预测法指先借助风电功率预测技术对风电功率时间序列进行预测，再就预测结果利用爬坡事件的定义检测爬坡事件的发生；直接预测法利用历史样本数据挖掘爬坡特征量与区域气象信息间的关系，建立由气象信息到爬坡特征量的映射，无需预先进行风电功率的预测。
2、然而现有的新能源发电功率预测系统对于风电爬坡事件的预测，所采用的直接预测法中对获取的区域气象信息进行预测的方法比较单一，并没有考虑当前风电电网发电功率的潮流信息，由于风电电网发电功率的潮流信息对风电爬坡事件的影响较大，且对当前风电电网发电功率的潮流信息并无实时修正后与区域气象信息融合预测的过程，所以在多维度空间范围和时间尺度的场景下，面对多层级多目标的影响事件，往往新能源发电在面对风电爬坡事件时的预测效果和准确性一般。
技术实现思路
1、鉴于上述现有的风电爬坡的数据处理中存在的问题，提出了本专利技术。
2、因此，本专利技术其中的一个目的是提供一种基于深度学习的新能源发电功率预测系统，其通过采集风电电网发电功率的实时潮流信息并进行实时修正后，与区域气象信息融合预测的过程中具有多层级多目标的影响事件评判功能，其预测数据更加丰富和准确性。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于深度学习的新能源发电功率预测系统，包括：
4、风电爬坡框架构建模块，用于构建新能源发电功率的信息层级框架，划分配置新能源发电功率预测层级和相匹配的发电功率关联特征词，并根据新能源发电功率预测层级和相匹配的发电功率关联特征词生成不同层次和目标的新能源相关数据的信息框架；
5、自然语言处理模块，用于接收新能源电站发送的发电功率预测请求，根据预训练的自然语言处理模型对所述发电功率预测请求进行语义分析，得到对应的信息层级框架和相匹配的发电功率关联特征词；
6、潮流信息实时修正模块，用于响应风电爬坡框架构建模块的信息框架和经自然语言处理模块处理后的各个发电功率关联特征词，确定新能源发电的潮流电力信息以及所匹配层次的信息框架信息，根据潮流电力信息和所匹配层次的信息框架信息，分析当前信息框架下潮流电力信息的综合影响度，根据当前层级框架下潮流电力信息的综合影响度，判断潮流电力信息是否进行修正，基于牛顿拉夫逊法构建潮流电力信息修正模型完成修正，并生成潮流电力信息修正结果；
7、区域气象分析模块，用于在给定的初始条件和边界条件下，获取区域的气象信息并接收所述自然语言处理模块的发电功率关联特征词，根据发电功率关联特征词并结合所获取的区域气象信息，进行新能源发电的数值环境预测生成新能源发电环境数值结果；
8、融合预测模块，用于接收所述新能源发电环境数值结果和潮流电力信息修正结果，进行新能源发电功率的融合预测并生成新能源发电功率的融合预测结果并输出。
9、作为本专利技术的一种优选方案，其中：所述潮流信息实时修正模块根据潮流电力信息和所匹配层次的信息框架信息，分析当前信息框架下潮流电力信息的综合影响度，具体地通过构建潮流电力信息的综合影响度评估模型；
10、将所述潮流电力信息和所匹配层次的信息框架信息输入潮流电力信息的综合影响度评估模型，进行综合影响度的评估，即根据层级框架中每一层信息的风险置信度，计算当前信息框架下潮流电力信息的综合影响度，如下：
11、
12、其中，为当前信息框架e对潮流电力信息xi的评分，infre,xi为当前信息框架第e层级数据的评估值，e为信息框架e的第e层。
13、作为本专利技术的一种优选方案，其中：所述潮流电力信息的综合影响度评估模型，根据所输入潮流电力信息的发电功率关联特征，采用模糊评价的方法进行评估，具体地建立潮流电力信息的综合影响度评估的因素集，确定潮流电力信息的综合影响度评估的评价集、确定潮流电力信息的发电功率关联特征的权重，构建模糊综合评价矩阵并通过专家打分确定隶属函数后，形成模糊评价矩阵，通过模糊变换将潮流电力信息的综合影响度评估因素集上的各个特征权重模糊向量转换为潮流电力信息的综合影响度评估评价集上的模糊向量，得到潮流电力信息的评估值。
14、作为本专利技术的一种优选方案，其中：基于牛顿拉夫逊法构建潮流电力信息修正模型完成修正，表示如下：
15、
16、其中，sij表示为节点i到节点j的传输功率，pij表示节点i到节点j的有功功率，qi表示节点i到节点j的无功功率，*表示共轭，表示节点i的接地导纳，表示节点i和节点j之间的支路导纳，vi表示第i节点的电压，表示第i节点电压的向量值，表示第j节点电压的向量值。
17、作为本专利技术的一种优选方案，其中：所述潮流信息实时修正模块输入新能源发电系统的节点、支路、发电机的基本参数形成导纳矩阵；
18、假设系统共有n个节点，m个pq节点，因为平衡节点有且只有一个，所以pv节点共有n-m-1个，对于所有的pq节点和pv节点，建立有功功率和无功功率的不平衡量方程，再根据求雅可比矩阵，解修正方程后，将各个节点的电压加上修正量，并返回继续迭代处理。
19、作为本专利技术的一种优选方案，其中：所述区域气象分析模块的新能源发电的数值环境预测采用回归算法进行分析计算新能源发电环境数值结果，如下：
20、p＝α0+α1β1+α2β2+...+αmβm+ε；
21、其中p为预测概率值，即新能源发电环境数值结果，α1至αm分别为区域气象分析线性回归模型的系数，系数是通过训练历史数据集获得的，β1至βm为发电功率所关联特征的特征向量，ε为误差项。
22、作为本专利技术的一种优选方案，其中：所述融合预测模块进行新能源发电功率的融合预测采用协方差交叉融合法将所述新能源发电环境数值结果和潮流电力信息修正结果组合一起，输出融合状态后的状态预估值，并确定为新能源发电功率的融合预测结果；如下：
23、
24、其中，rab为融合状态后的状态预估值，n为第i节点的总数，wn为节点n的权重值，且pab为融合后的预估方差值，pn为节点n的局部预估方差，rn为节点n的融合值。
25、作为本专利技术的一种优选方案，其中：生成新能源发电功率的融合预测结果并输出时还包括，采用滚动预测法，并调用深度置信网络predict函数，预测出未来的功率数据。
26、作为本专利技术的一种优选方案，其中：还包括：
27、新能源发电功率知识图谱构建模块，用于在给定的初始条件和边界条件下，接收所述自然语言处理模块的发电功率关联特征词，并根据发电功率关联特征词关联新能源发电的调度方案，建立新能源发电的调度方案知识图谱；
28、新本文档来自技高网...
【技术保护点】
1.一种基于深度学习的新能源发电功率预测系统，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，所述潮流信息实时修正模块根据潮流电力信息和所匹配层次的信息框架信息，分析当前信息框架下潮流电力信息的综合影响度，具体地通过构建潮流电力信息的综合影响度评估模型；
3.如权利要求2所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，所述潮流电力信息的综合影响度评估模型，根据所输入潮流电力信息的发电功率关联特征，采用模糊评价的方法进行评估，具体地建立潮流电力信息的综合影响度评估的因素集，确定潮流电力信息的综合影响度评估的评价集、确定潮流电力信息的发电功率关联特征的权重，构建模糊综合评价矩阵并通过专家打分确定隶属函数后，形成模糊评价矩阵，通过模糊变换将潮流电力信息的综合影响度评估因素集上的各个特征权重模糊向量转换为潮流电力信息的综合影响度评估评价集上的模糊向量，得到潮流电力信息的评估值。
4.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，基于牛顿拉夫逊法构建潮流电力信息修正模型
5.如权利要求4所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，所述潮流信息实时修正模块输入新能源发电系统的节点、支路、发电机的基本参数形成导纳矩阵；
6.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，所述区域气象分析模块的新能源发电的数值环境预测采用回归算法进行分析计算新能源发电环境数值结果，如下：
7.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，所述融合预测模块进行新能源发电功率的融合预测采用协方差交叉融合法将所述新能源发电环境数值结果和潮流电力信息修正结果组合一起，输出融合状态后的状态预估值，并确定为新能源发电功率的融合预测结果；如下：
8.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，生成新能源发电功率的融合预测结果并输出时还包括，采用滚动预测法，并调用深度置信网络predict函数，预测出未来的功率数据。
9.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，还包括：
...【技术特征摘要】
1.一种基于深度学习的新能源发电功率预测系统，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，所述潮流信息实时修正模块根据潮流电力信息和所匹配层次的信息框架信息，分析当前信息框架下潮流电力信息的综合影响度，具体地通过构建潮流电力信息的综合影响度评估模型；
3.如权利要求2所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，所述潮流电力信息的综合影响度评估模型，根据所输入潮流电力信息的发电功率关联特征，采用模糊评价的方法进行评估，具体地建立潮流电力信息的综合影响度评估的因素集，确定潮流电力信息的综合影响度评估的评价集、确定潮流电力信息的发电功率关联特征的权重，构建模糊综合评价矩阵并通过专家打分确定隶属函数后，形成模糊评价矩阵，通过模糊变换将潮流电力信息的综合影响度评估因素集上的各个特征权重模糊向量转换为潮流电力信息的综合影响度评估评价集上的模糊向量，得到潮流电力信息的评估值。
4.如权利要求1所述的一种基于深度学习的新能源发电功率预测系统，其特征在于，基于牛顿拉夫逊法构建潮流电力信息修正...
【专利技术属性】
技术研发人员：王有河，朱慧军，李鹏，马俊财，田贵，
申请(专利权)人：新疆能源集团哈密清洁能源有限责任公司，
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。