一种基于LSTM算法的新能源承载力评估方法和系统与流程

本发明涉及能源系统，具体涉及一种基于lstm算法的新能源承载力评估方法和系统。

背景技术：

1、新能源(如风力发电和光伏发电)通常具有随机性、间歇性和波动性，其高份额的接入会使电力系统的运行变得更加复杂。由于电力系统本身具有低抗扰性、低惯性和低短路容量等特点，这种变化将给电网的平衡能力、支撑能力、调节能力和安全稳定性带来巨大挑战。因此，在比重越来越大的新能源区域电网中，必须充分考虑电网结构和运行方式的合理配置，并考虑电网自身对新能源的承载能力，以确保电力系统的安全运行和新能源的可靠消纳。通过对区域电网新能源承载能力的动态分析，可以精确掌握其承载能力，并为电网新能源发展和规划提供重要参考。

2、电网新能源承载力则是指电力系统中新能源的最大接入容量。电网新能源承载能力受到许多因素的影响，如新能源的装机规模和接入位置、天气和气候因素等。电力系统中新能源承载能力的分析需要建立数学模型，考虑到电网潮流方面的各种约束条件，如输电线路传输容量约束、节点电压约束以及常规发电机组运行约束等限制因素。目前的一些研究方法(如典型日法、迭代寻优法以及时序仿真法)已经考虑了这些约束条件，但是在处理潮流约束时存在误差或者迭代速度慢的缺陷。

3、其中，近似方法将潮流模型简化为线性规划模型进行求解，但是存在一定的误差；而迭代寻优的方法，如粒子群优化算法、人工鱼群算法和遗传算法等，虽然可以直接考虑潮流约束进行求解，但是迭代次数多且运算速度慢。

4、随着新能源装机规模和接入场站数量的不断增加，场站之间的互相影响也越来越明显，多场站短路比成为新的考虑因素之一。多场站短路比反映了不同场站之间的电力分布和输送情况，它与新能源功率预测密切相关：当新能源发电功率预测出现误差时，将导致电网出现电压和频率变化，从而影响场站之间的短路比。

5、因此，在实现新能源承载的过程中，需要考虑到多场站短路比对电力网络的影响，同时采用深度学习技术可提高新能源功率预测的准确性，进而实现新能源在电力系统中的有效接入，降低多场站之间短路比变化的风险。

6、因此，如何降低现有技术中的多场站短路比对电力网络带来的风险，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、为实现本发明目的提供的一种基于lstm算法的新能源承载力评估方法，包括：

2、步骤s1：对原始电量数据进行预处理，并划分训练集和预测集，用于建立基于lstm的光伏短期功率预测模型；

3、步骤s2：设定所述新能源承载力评估模型的约束条件，以确定优化目标fm；

4、步骤s3：将所述预测集数据导入所述光伏短期功率预测模型，以输出光伏短期功率预测值；

5、步骤s4：根据均方根误差rmse、平均绝对误差mae和决定系数r2评估所述光伏短期功率预测值。

6、在其中一些具体实施例中，所述新能源承载力评估模型的约束条件包括：输电网潮流约束、节点电压约束、输电线路传输容量约束、常规发电机组运行约束、可再生能源出力约束、联络线功率约束及mrscr约束。

7、在其中一些具体实施例中，所述优化目标fm为可再生能源机组在评估时间内有功出力最大，即：

8、

9、式中：ψre为可再生能源接入机组的集合；t为运行总时段；i为节点编号；t为时间；为i节点可再生能源机组在t时刻的有功出力。

10、在其中一些具体实施例中，对原始数据进行数据预处理和数据切分后，将预测集数据分别导入多元线性回归、随机森林和lstm模型中，所述预处理包括：异常值处理、缺失值补充和归一化处理。

11、在其中一些具体实施例中，所述步骤s4还包括：通过对影响所述光伏功率预测值因素的分析，结合xgboost特征筛选法，以温度、湿度和辐照度作为深度学习模型的输入特征，评估所述光伏短期功率预测值。

12、为实现发明目的，本申请还提供了一种基于lstm算法的新能源承载力评估系统，包括：

13、数据处理模块：用于对原始电量数据进行预处理，并划分训练集和预测集，用于建立基于lstm的光伏短期功率预测模型；

14、约束设定模块：用于设定所述新能源承载力评估模型的约束条件，以确定优化目标fm；

15、预测值输出模块：用于将所述预测集数据导入所述光伏短期功率预测模型，以输出光伏短期功率预测值；

16、预测评估模块：用于根据均方根误差rmse、平均绝对误差mae和决定系数r2评估所述光伏短期功率预测值。

17、在其中一些具体实施例中，所述新能源承载力评估模型的约束条件包括：输电网潮流约束、节点电压约束、输电线路传输容量约束、常规发电机组运行约束、可再生能源出力约束、联络线功率约束及mrscr约束。

18、在其中一些具体实施例中，所述优化目标fm为可再生能源机组在评估时间内有功出力最大，即：

19、

20、式中：ψre为可再生能源接入机组的集合；t为运行总时段；i为节点编号；t为时间；为i节点可再生能源机组在t时刻的有功出力。

21、在其中一些具体实施例中，对原始数据进行数据预处理和数据切分后，将预测集数据分别导入多元线性回归、随机森林和lstm模型中，所述预处理包括：异常值处理、缺失值补充和归一化处理。

22、在其中一些具体实施例中，所述步骤s4还包括：通过对影响所述光伏功率预测值因素的分析，结合xgboost特征筛选法，以温度、湿度和辐照度作为深度学习模型的输入特征，评估所述光伏短期功率预测值。

23、上述技术方案的有益效果：

24、(1)本申请基于lstm算法的新能源承载力评估方法的优点是对序列间隙长度相对不敏感。因此，lstm可以在不完整的时间序列中使用，因为它可以记住预测之间的状态。通过这种方式，可以在长时间序列中做出多个预测。长短时记忆神经网络的广控结构除必要的输入输出门外，，还设有用于舍弃权重的遗忘门，以及更替权重的更新门。这些门有助于更新和控制通过存储块的信息流。输入门的存在为信息到记忆单元的过程提供传送通道，如果激活遗忘门，则临近的前一个单元状态被舍弃或遗忘；决定当前信息是否输出可由输出门控制。

25、(2)预测新能源发电功率的深度学习方法可以有效提高电网的可靠性和稳定性。通过深度学习算法对新能源场站的发电数据进行建模和预测，可以更准确地预测未来的发电功率，并制定相应的调度计划，以优化电网的供需平衡和安全稳定运行。

26、(3)深度学习技术可以预测新能源产生的功率，进而帮助优化电网中不同类型的能源的分配。因此，深度学习技术可以为电网的新能源承载能力提供反馈和优化，充分发挥电网的潜力，实现更加可靠和高效的新能源输送。

技术特征：

1.一种基于lstm算法的新能源承载力评估方法，其特征在于，包括：

2.根据权利要求1所述的基于lstm算法的新能源承载力评估方法，其特征在于，所述新能源承载力评估模型的约束条件包括：输电网潮流约束、节点电压约束、输电线路传输容量约束、常规发电机组运行约束、可再生能源出力约束、联络线功率约束及mrscr约束。

3.根据权利要求1所述的基于lstm算法的新能源承载力评估方法，其特征在于，所述优化目标fm为可再生能源机组在评估时间内有功出力最大，即：

4.根据权利要求1所述的基于lstm算法的新能源承载力评估方法，其特征在于，对原始数据进行数据预处理和数据切分后，将预测集数据分别导入多元线性回归、随机森林和lstm模型中，所述预处理包括：异常值处理、缺失值补充和归一化处理。

5.根据权利要求1所述的基于lstm算法的新能源承载力评估方法，其特征在于，所述步骤s4还包括：通过对影响所述光伏功率预测值因素的分析，结合xgboost特征筛选法，以温度、湿度和辐照度作为深度学习模型的输入特征，评估所述光伏短期功率预测值。

6.一种基于lstm算法的新能源承载力评估系统，其特征在于，包括：

7.根据权利要求6所述的基于lstm算法的新能源承载力评估系统，其特征在于，所述新能源承载力评估模型的约束条件包括：输电网潮流约束、节点电压约束、输电线路传输容量约束、常规发电机组运行约束、可再生能源出力约束、联络线功率约束及mrscr约束。

8.根据权利要求6所述的基于lstm算法的新能源承载力评估系统，其特征在于，所述优化目标fm为可再生能源机组在评估时间内有功出力最大，即：

9.根据权利要求6所述的基于lstm算法的新能源承载力评估系统，其特征在于，对原始数据进行数据预处理和数据切分后，将预测集数据分别导入多元线性回归、随机森林和lstm模型中，所述预处理包括：异常值处理、缺失值补充和归一化处理。

10.根据权利要求6所述的基于lstm算法的新能源承载力评估系统，其特征在于，所述步骤s4还包括：通过对影响所述光伏功率预测值因素的分析，结合xgboost特征筛选法，以温度、湿度和辐照度作为深度学习模型的输入特征，评估所述光伏短期功率预测值。

技术总结
本发明涉及能源系统技术领域，具体公开了一种基于LSTM算法的新能源承载力评估方法和系统，其中，该方法包括：对原始数据进行预处理，并划分训练集和预测集，用于建立基于LSTM的光伏短期功率预测模型；设定新能源承载力评估模型的约束条件，以确定优化目标F<subgt;m</subgt;；将预测集数据导入光伏短期功率预测模型，以输出光伏短期功率预测值；根据均方根误差RMSE、平均绝对误差MAE和决定系数R<supgt;2</supgt;评估光伏短期功率预测值。本申请通过深度学习算法对新能源场站的发电数据进行建模和预测，可以更准确地预测未来的发电功率，并制定相应的调度计划，以优化电网的供需平衡和安全稳定运行。

技术研发人员：鞠贵彬,葛亮,牛树林,张灿煜,朱红心,郑雯元,张辎猛,范大鹏,周子建,梁晓龙
受保护的技术使用者：国网吉林省电力有限公司白城供电公司
技术研发日：
技术公布日：2024/3/21