基于深度学习的新能源承载力评估方法、预警方法与流程

1.本发明涉及新能源承载力评估的技术领域，具体涉及基于深度学习的新能源承载力评估方法、预警方法。


背景技术：

2.随着我国“双碳”发展战略目标的提出，构建以新能源为主体的新型电力系统成为我国实现能源转型的关键支撑；我国“十四五”规划发展期间，在新型电力系统背景下，新能源并网装机和消纳总量将会呈现更高速度、高比例增长，这将会导致其消纳矛盾日渐突出，调控运行面临较大难题。
3.为避免地区电网大面积弃风弃光现象的发生，根据电网实际运行情况进行地区新能源承载力分析评估和消纳预警成为当前新能源管理的重点问题。
4.当前，我国的新能源承载力评估目标主要包括：电网的稳定性分析和新能源发电特性分析，以电网稳定性分析为目标的承载力评估主要关注于新能源接入电网后，对电网频率、电压、输电功率等条件的约束，采用的评估分析方法主要依赖于潮流计算，通过复杂的潮流计算来对其承载力目标进行评估；以新能源发电特性分析为目标的承载力分析主要关注于新能源运行特性对电网的影响，通常对于新能源出力规律的研究多集中在对概率分布、波动规律的分析上，采用的主要方法是关于新能源发电系统的精确建模研究。
5.采用潮流计算的方法具有普遍的应用性，但是其计算量庞大，所需时间较长，所需计算平台性能要求很高，同时，对于新能源和负荷等模型的建模也较为复杂，必须根据电网运行的实际情况进行调整，将节点类型不断调整以适应潮流计算目标，这给传统的潮流计算方法带来较大的困难。


技术实现要素：

6.针对相关技术中存在的不足，本发明所要解决的技术问题在于：提供一种计算难度较低的基于深度学习的新能源承载力评估方法、预警方法。
7.为解决上述技术问题，本发明采用的技术方案为：基于深度学习的新能源承载力评估方法，包括以下步骤：s10，通过dts仿真系统进行仿真操作，以获取大量的变电站的运行数据；s20，确定用于新能源承载力评估的特征量；s30，基于特征量构建样本数据；s40，对样本数据进行标准化处理后，采用pca进行降维；s50，通过降维后的样本数据对dbn模型进行训练，得到具有承载力评估功能的dbn模型。
8.优选地，所述步骤s20中，特征量的表达式为：；步骤s30中，样本数据的表达式为：
；其中，样本数据中包含有p组样本；表示第i次仿真时得到的特征量数据组；表示第p次仿真时得到的特征量数据组；分别表示第i次仿真时得到的母线电压、主变压器电压、主变压器电流、进线电流、出线电流、母联开关电流、电容器电流、新能源并网点电压和新能源并网点电流。
9.优选地，所述步骤s40中，采用pca进行降维；具体包括：s401，根据标准化处理后的样本数据进行协方差矩阵的计算；具体为：协方差矩阵的计算表达式为：其中，表示标准化处理后的样本数据的矩阵，表示矩阵的转置矩阵，g表示数据维度；s402，对协方差矩阵进行对角化处理，计算协方差矩阵的特征值和特征向量；s403，根据协方差矩阵的特征值，采用pca进行主成分矩阵的选取分析；主成分矩阵的计算表达式为：其中， h表示选取主成分特征向量数目，表示第h个主成分特征向量；s404，通过主成分矩阵对标准化处理后的样本数据进行降维处理；降维后的特征向量的表达式为：其中，为原始特征向量降维后的特征量。
10.优选地，所述步骤s40中，对样本数据进行标准化处理，具体包括：对每组样本数据分别采用标准差进行标准化处理，采用的计算表达式为：其中，为样本数据组中的样本元素，为该组数据样本的平均值，为标准差，为标准差标准化处理后的样本元素；的计算表达式为：
其中，r为该组样本数据组中含有的数据量； 的计算表达式为：。
11.优选地，所述步骤s50中，所述的dbn模型包括：多个rbm层和softmax分类器；通过降维后的样本数据对dbn模型进行训练，具体包括：s501，将降维后的样本数据输入到第一层rbm，完成无监督训练；s502，提取第一层rbm输出的特征向量，输入到第二层rbm，完成无监督训练；s503，重复执行步骤s502，将前一层rbm的输出作为后一层rbm的输入，完成每层rbm的训练，最终获得顶层rbm的输出特征向量；s504，利用误差反向传播算法，自上而下对每层 rbm 进行有监督微调，逐层调整rbm的权值参数，使其收敛至全局最优；s505，将顶层rbm的输出特征向量作为softmax分类器的输入向量，结合表示不同承载力消纳程度的类别标签，计算出特征向量属于不同承载力消纳程度的概率，完成承载力评估；其中，不同承载力消纳程度的类别标签包括：标签为1，表示高电压等级侧电气量检测到潮流倒送现象；标签为2，表示未出现潮流倒送，站内电气量检测到母线、主变或线路电压稳定性被破坏；标签为3，表示未出现潮流倒送，电流谐波较多，电能质量不合格；标签为4，表示未出现潮流倒送，电压稳定、电能质量均不合格。
12.优选地，所述步骤s504，利用误差反向传播算法，自上而下对每层 rbm 进行有监督微调，逐层调整rbm的权值参数中，所述误差反向传播算法调整rbm的权值参数的计算表达式如下：达式如下：其中：、分别表示权值的原始值和更新值，v表示梯度，表示权值更新计算梯度，α表示学习率，β表示动量系数。
13.优选地，所述步骤s505中，计算出特征向量属于不同承载力消纳程度的概率的计算表达式为：
其中，表示承载力消纳程度，且；表示第i个输入样本数据序列，表示第i个输入样本数据对应的分类结果标签值；表示第i个样本数据对应各类输出结果的概率值；表示softmax分类器的内置参数。
14.本发明还提供了基于深度学习的新能源承载力预警方法，包括：a10，基于scada系统的电网实时数据、以及用于新能源承载力评估的特征量构建数据样本；a20，对数据样本进行标准化处理后，采用pca进行降维；a30，将降维后的样本数据输入到dbn模型中，通过dbn模型对实时消纳能力进行分类；a40，根据实时消纳能力 在电网接线图中显示预警程度；其中，所述dbn模型为权利要求1至6所述的dbn模型。
15.优选地，所述的预警程度包括：一级预警，表示出现潮流倒送；二级预警，表示潮流未出现倒送，母线电压失稳、电能质量均不合格；三级预警，表示仅电压失稳；四级预警，表示电流谐波超标，电能质量不合格。
16.本发明的有益技术效果在于：本发明提供的基于深度学习的新能源承载力评估方法、预警方法，通过用pca方法与dbn模型结合，降低样本数据的维度，提高了深度学习网络的训练水平，具有更为广泛的适用性；本发明通过深度学习的方法，与传统的以潮流计算为基础的方法相比，具有简单、快速的优点，降低了计算复杂度，自适应能力更强，抗干扰能力强，更为可靠；同时，训练好的dbn模型，应用于scada系统的电网实时数据，能够实现地区新能源承载力消纳预警，为地区电网的稳定运行提供了保障，实用性极强。
附图说明
17.图1是本发明实施例一提供的基于深度学习的新能源承载力评估方法的流程示意图；图2是本发明实施例二中采用pca进行降维的流程示意图；图3是本发明实施例三中通过降维后的样本数据对dbn模型进行训练的流程示意
图；图4是本发明实施例一提供的基于深度学习的新能源承载力预警方法的流程示意图。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
20.以下结合附图详细说明本发明的一个实施例。
21.实施例一如图1所示，基于深度学习的新能源承载力评估方法，包括以下步骤：s10，通过dts仿真系统进行仿真操作，以获取大量的变电站的运行数据；s20，确定用于新能源承载力评估的特征量；s30，基于特征量构建样本数据；s40，对样本数据进行标准化处理后，采用pca进行降维；s50，通过降维后的样本数据对dbn模型进行训练，得到具有承载力评估功能的dbn模型。
22.确定用于新能源承载力评估的特征量时，考虑根据潮流信息稳定评估新能源承载力，因此，主要特征量为：主变压器三侧电压和电流、母线电压、进线电流、出线电流、母联开关电流、电容器组电流，还有新能源电源的可接入容量、并网点电压和电流信息，使得可以根据变电站运行数据对电压稳定、电能质量(谐波)、潮流倒送及短路电流进行判断。
23.本实施例中，所需数据除稳态潮流数据外，还需包含大量接入容量超过变电站承载力出现稳态运行被破坏时的运行数据，如电压出现较大偏差甚至失稳、谐波含量大(电能质量差)、潮流倒送及短路冲击电流超过站内设备热稳定性等情况，因此，通过dts仿真系统进行仿真操作以获取大量运行数据。
24.具体地，所述步骤s20中，特征量的表达式为：；步骤s30中，样本数据的表达式为：；其中，样本数据中包含有p组样本；表示第i次仿真时得到的特征量数据组；表示第p次仿真时得到的特征量数据组；分别表示第i次仿真时得到的母线电压、主变压器电压、主变压器电流、进线电流、出线电流、母联开关电流、电容器电流、新能源并
网点电压和新能源并网点电流；本实施例中，所有样本数据的特征量表达形式如下：设仿真时，变电站内共有母线n组，变压器m组，进线k组，出线x组，母联开关y组，电容器组j组，新能源场站w组；则：每组特征量数据组中的特征量数量为：n+2m+k+x+y+j+2w；母线电压包括：；主变压器电压包括：；主变压器电流包括：;进线电流包括：；出线电流包括：；母联开关电流包括：；电容器电流包括：；新能源并网点电压包括：新能源并网点电流包括：。
25.本发明还提供了基于深度学习的新能源承载力预警方法，其特征在于：包括：a10，基于scada系统的电网实时数据、以及用于新能源承载力评估的特征量构建数据样本；a20，对数据样本进行标准化处理后，采用pca进行降维；a30，将降维后的样本数据输入到dbn模型中，通过dbn模型对实时消纳能力进行分类；a40，根据实时消纳能力 在电网接线图中显示预警程度；其中，所述dbn模型为如上所述的dbn模型。
26.本实施例一提供的基于深度学习的新能源承载力评估方法、预警方法，通过用pca方法与dbn模型结合，降低样本数据的维度，提高了深度学习网络的训练水平，具有更为广泛的适用性；本发明通过深度学习的方法，与传统的以潮流计算为基础的方法相比，具有简单、快速的优点，降低了计算复杂度，自适应能力更强，抗干扰能力强，更为可靠；同时，训练好的dbn模型，应用于scada系统的电网实时数据，能够实现地区新能源承载力消纳预警，为地区电网的稳定运行提供了保障，实用性极强。
27.实施例二在根据仿真数据建立运行样本数据后，由于采集的电压、电流等数据的量纲不同，且数据来源于不同电压等级的线路，以及样本数据的数据特征量多，样本数据维度高，直接采用dbn模型进行训练和学习会导致网络陷入局部最优，降低承载力评估的准确度；因此，为了提高深度学习算法的性能，需要对数据进行处理。
28.具体地，基于深度学习的新能源承载力评估方法，所述步骤s40中，对样本数据进行标准化处理，具体包括：对每组样本数据分别采用标准差进行标准化处理，采用的计算表达式为：
其中，为样本数据组中的样本元素，为该组数据样本的平均值，为标准差，为标准差标准化处理后的样本元素；的计算表达式为：其中，r为该组样本数据组中含有的数据量； 的计算表达式为：。
29.进一步地，准化处理后的样本数据示例如下：该式表示该变电站母线、主变、进出线、电容器组、并网新能源仅有1组时，共9个维度的样本数据，同时每组样本采样q个点。
30.如图2所示，所述步骤s40中，采用pca进行降维；具体包括：s401，根据标准化处理后的样本数据进行协方差矩阵的计算；具体为：协方差矩阵的计算表达式为：其中，表示标准化处理后的样本数据的矩阵，物理意义为：在h个维度上的投影；表示矩阵的转置矩阵，g表示数据维度；s402，对协方差矩阵进行对角化处理，计算协方差矩阵的特征值和特征向量；s403，根据协方差矩阵的特征值，采用pca进行主成分矩阵的选取分析；主成分矩阵的计算表达式为：
其中， h表示选取主成分特征向量数目，表示第h个主成分特征向量；s404，通过主成分矩阵对标准化处理后的样本数据进行降维处理；降维后的特征向量的表达式为：其中，为原始特征向量降维后的特征量。
31.本实施例中，采用pca进行主成分矩阵的选取分析，即：根据特征值选取特征值最大的特征向量。
32.实施例三如图3所示，基于深度学习的新能源承载力评估方法，所述步骤s50中，所述的dbn模型包括：多个rbm层和softmax分类器；通过降维后的样本数据对dbn模型进行训练，具体包括：s501，将降维后的样本数据输入到第一层rbm，完成无监督训练；s502，提取第一层rbm输出的特征向量，输入到第二层rbm，完成无监督训练；s503，重复执行步骤s502，将前一层rbm的输出作为后一层rbm的输入，完成每层rbm的训练，最终获得顶层rbm的输出特征向量；s504，利用误差反向传播算法，自上而下对每层 rbm 进行有监督微调，逐层调整rbm的权值参数，使其收敛至全局最优；s505，将顶层rbm的输出特征向量作为softmax分类器的输入向量，结合表示不同承载力消纳程度的类别标签，计算出特征向量属于不同承载力消纳程度的概率，完成承载力评估；其中，不同承载力消纳程度的类别标签包括：标签为1，表示高电压等级侧电气量检测到潮流倒送现象；标签为2，表示未出现潮流倒送，站内电气量检测到母线、主变或线路电压稳定性被破坏；标签为3，表示未出现潮流倒送，电流谐波较多，电能质量不合格；标签为4，表示未出现潮流倒送，电压稳定、电能质量均不合格。
33.具体地，所述步骤s504，利用误差反向传播算法，自上而下对每层 rbm 进行有监督微调，逐层调整rbm的权值参数中，所述误差反向传播算法调整rbm的权值参数的计算表达式如下：
其中：、分别表示权值的原始值和更新值，v表示梯度，表示权值更新计算梯度，α表示学习率，β表示动量系数。
34.进一步地，所述步骤s505中，计算出特征向量属于不同承载力消纳程度的概率的计算表达式为：其中，表示承载力消纳程度，且；表示第i个输入样本数据序列，表示第i个输入样本数据对应的分类结果标签值；表示第i个样本数据对应各类输出结果的概率值；表示softmax分类器的内置参数。
35.本实施例中，可设置dbn网络的输入层（第一层rbm）、隐含层（中间层rbm）及输出层（顶层rbm及softmax分类器）层数和神经元个数；一般地，输入层的神经元个数等于输入数据的维度，softmax分类器的输出等于类别数，隐含层数一般采用4~6层结构。
36.本实施例中，第一层 rbm 训练后提取的特征向量，作为输入向量训练下一层rbm；如此重复完成每层 rbm 完成训练，获得顶层rbm的输出特征，此时得到每层rbm的局部最优参数；之后，自上而下对每层 rbm 进行有监督的微调，逐层调整rbm的权值参数，使其收敛至全局最优。
37.本发明还提供了基于深度学习的新能源承载力预警方法。
38.在实施例一的基础上，基于深度学习的新能源承载力预警方法，所述的预警程度包括：一级预警，表示出现潮流倒送；二级预警，表示潮流未出现倒送，母线电压失稳、电能质量均不合格；三级预警，表示仅电压失稳；四级预警，表示电流谐波超标，电能质量不合格。
39.本实施例中，将训练后的dbn模型与地区电网调度的scada系统结合，建立地区电网新能源承载力消纳实时预警系统，将scada系统采集的电网络数据进行实时消纳能力分类，根据dbn模型输出的不同分类结果在scada显示的电力网络图中进行预警显示，达到对地区新能源消纳的预警。
40.本发明还提供了一种存储设备，其中存储有多条指令，所述指令适于由处理器加载并执行如上述的基于深度学习的新能源承载力评估方法。
41.所述存储设备可为一计算机可读存储介质，可以包括：rom、ram、磁盘或光盘等。
42.本发明还提供了一种终端，所述终端可包括：处理器，适于实现各指令；以及存储设备，适于存储多条指令，所述指令适于由处理器加载并执行如上述的基于深度学习的新能源承载力评估方法。
43.所述终端可为任意能够实现物品防伪溯源的装置，该装置可以是各种终端设备，例如：台式电脑、手提电脑等，具体可以通过软件和/或硬件来实现。
44.综上，本发明提供了电网稳定性分析为目标的新能源承载力评估方法，通过采用大量的历史数据进行评估和分析，对新能源的可消纳水平进行判断和分类，无需对新能源发电系统进行建模表达和调整，也无需较高的计算难度，具有很高的应用前景。
45.在本发明的描述中，需要理解的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
46.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
47.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
48.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其他设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定的编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
49.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。