基于LSTM的含储能电力系统风电爬坡协调调度方法与流程

本发明涉及一种基于lstm的含储能电力系统风电爬坡协调调度方法，属风电的不确定性分析和新能源并网调度领域。

背景技术：

随着能源短缺和环境污染的加剧，以风能为代表的清洁能源得到广泛关注，风电并网容量也在日益提高。然而，风电具有较强的随机性和波动性，并网后会给电力系统的安全运行带来风险。特别是发生风电爬坡事件，即风功率幅值在短时间内大幅度波动现象。因其发生的概率小而难以预测，一旦发生，会使电力系统无法制定及时有效的调整措施，给电力系统的稳定运行和安全供电带来严重影响。因此，在含风电并网的电力系统运行调度中，考虑风电爬坡事件的影响，对其进行提前预测和制定调整策略至关重要。

关于含风电的电力系统优化调度问题，国内外已有了很多研究，如概率模型、场景法、模糊理论、随机规划等，但针对风电爬坡事件的调度方法研究较少，目前的方法大多由上述理论发展而来，主要有以下几类。一是基于预测值的随机规划模型；二是构建极限场景集，建立应对最坏爬坡场景的鲁棒优化模型；三是基于博弈论；四是协调储能系统参与协调调度。上述方法能够在一定程度上应对风电爬坡事件，但均有局限性。风电爬坡事件为小概率事件，不确定性参数难以用概率方法准确描述；场景理论依赖于预测值的准确性，否则会造成结果的较大偏离；博弈论仅依靠对风电场之间的协调调节应对风电爬坡事件，没有考虑机组和储能系统的协调，故调节能力有限；利用储能系统的调整依赖于合理调节策略的制定和对风功率爬坡的准确预测，若调节不当会增加调度成本。

对风电爬坡事件的预测，要兼顾时效性和准确性。例如基于自回归对数模型对风概率爬坡事件进行概率预测，同时估计各种阈值下的风电爬坡事件的概率；例如采用nwp模型，基于风电场景集进行爬坡预测。上述两种方法只能实现1～2步较准确的预测，随着预测步长的增加，误差增大，无法满足爬坡预测要求。基于此，相关学者提出基于eemd去噪和改进rspa的风电功率预测模型，能够对风功率进行4h的多步预测，但在预测风功率爬坡事件时误差仍较大。

技术实现要素：

发明目的：针对上述技术，提出一种基于lstm的含储能电力系统风电爬坡协调调度方法，提高风电爬坡的准确性，并减少或避免弃风现象。

技术方案：基于lstm的含储能电力系统风电爬坡协调调度方法，包括以下步骤：

步骤1：利用lstm神经网络对风功率爬坡事件进行提前多步预测；

步骤2：利用储能系统进行提前-滞后两步补偿，降低风功率爬坡时的速率，同时降低对储能功率和容量的需求；

步骤3：基于步骤1的预测结果和步骤2的调节方法，使用考虑风电爬坡事件的火储协调调度模型，提前协调机组。

进一步的，所述步骤2中包括如下具体步骤：设风电爬坡事件的开始时间为t0，持续n＝4个时段，持续时间为δt＝4×δt，δt为每个时段的时长；当发生风电上爬坡事件，在时段(t0-δt,t0+2δt)内，提前风电爬坡开始时间δt使机组下爬坡，使机组以最大爬坡率调节，所述时段(t0-δt,t0+2δt)内由储能系统放电补足功率差额；在时段(t0+2δt,t0+5δt)内，滞后风电爬坡结束时间δt使机组停止爬坡，所述时段(t0+2δt,t0+5δt)内由储能系统充电补足功率差额；当风电发生下爬坡事件时的调节方法与发生风电上爬坡事件时的调节方向相反。

进一步的，所述步骤3中考虑风电爬坡事件的火储协调调度模型建立方法包括如下步骤：

考虑机组煤耗成本和储能使用成本，得到调度时段总成本f最小为目标：

minf＝c^g+c^b+c^wc+c^ls

其中

式中：c^g、c^b、c^wc、c^ls为机组煤耗成本、储能运行成本、弃风成本和切负荷成本；t为调度总时间；n为火电机组总数；ai、bi、ci为机组i煤耗成本系数；pi,t为机组i在时段t的出力；pt^b,ch、pt^b,dc为储能在时段t的充、放电功率；k^b为储能单位容量的使用成本系数；pt^wc、k^wc为弃风功率和单位弃风功率惩罚系数；pt^ls、k^ls为切负荷功率和单位切负荷功率惩罚系数；

约束条件包括：

1)机组和储能出力约束：

式中：pi为机组i瞬时出力，pi^max、pi^min为机组i最大、最小技术出力；p^b,max为储能最大充放电功率；

2)功率平衡约束：

式中：pt^f、pt^l为风电功率和负荷功率预测值；

3)机组爬坡约束：

式中：ri^u、ri^d为机组i单位时间的爬坡率；δt为调度单时段持续时间；pi,t-1为机组i在t-1时段的出力；

4)旋转备用约束：

式中：为机组i在时段t可提供的上调和下调备用；

5)储能容量约束：

式中：et^b、e^b,max、e^b,min为储能在t时刻剩余容量、最大和最小可用容量；储能在t时刻的下一时刻剩余容量；h^b,ch、pt^b,ch为储能充、放电效率；

6)爬坡对策判断条件：

式中：δpt^g,u、δpt^g,d为所有机组在时段t可提供的上调和下调备用；δpt^w,u、δpt^w,d为风电在t时刻的上、下爬坡率；δpt^l,u、δpt^l,d为负荷在t时刻的上、下爬坡率；

若机组最大爬坡率大于风电和负荷爬坡率之和时，通过提前协调机组应对风电爬坡，此时无需使用储能系统，模型中pt^b,ch＝pt^b,dc＝0；反之，则需要进行提前弃风或使用储能系统参与协调调度，按步骤2提前-滞后调节法和所述火储协调调度模型进行优化求解。

有益效果：本发明的一种基于lstm的含储能电力系统风电爬坡协调调度方法，首先，利用lstm神经网络对风功率爬坡事件进行提前多步预测；然后，提出一种应对风电爬坡事件的提前-滞后调节方法，利用储能系统进行提前滞后两步补偿，降低风功率爬坡时的速率，同时降低了对储能功率和容量的需求；基于上述预测和调节方法，建立了考虑风电爬坡事件的火储协调调度模型，提前协调机组，使机组在爬坡时有足够的可调备用容量，通过对不同的风电爬坡条件的判断协调机组和储能，实现更经济和安全的爬坡调度方案。通过对预测方法的性能测试和爬坡调度仿真，验证了预测方法、调节方法和调度模型的有效性。

附图说明

图1是lstm神经网络子模块结构图；

图2是风电上爬坡事件简图；

图3是风电上爬坡事件时的“弃风调节法”和“补偿弃风法”示意图；

图4是风电上爬坡事件时的“提前-滞后”调节方法示意图；

图5是算例2的风功率预测值曲线和实际值曲线；

图6是弃风调节法和补偿弃风法的调节过程示意图；

图7是提前-滞后调节法的调节过程示意图；

图8是算例3的预测值曲线和实际值曲线；

图9是gr神经网络风功率调度示意图；

图10是lstm神经网络风功率调度示意图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

一种基于lstm神经网络的含储能电力系统风电爬坡协调调度方法，包括以下步骤：

步骤1：利用lstm神经网络对风功率爬坡事件进行提前多步预测，具体原理如下：

长短期记忆(long-shorttermmemory,lstm)神经网络是一种特殊的时间递归神经网络(rnn)，它解决了传统神经网络无法做到信息的时序关联问题，且具有独特的记忆和遗忘模式，对具有时序相关性特征的风功率预测效果有很大的提高；同时，lstm神经网络解决了rnn在bptt训练中出现的长期依赖(long-termdependencies)问题，能够关联到间隔时间较长的信息，从而充分利用历史信息对风功率做到更准确的预测，尤其在风功率多步提前预测方面表现明显。

lstm神经网络子模块由输入层、隐藏层和输出层构成。与rnn不同的是，lstm的隐藏层不是由单一的神经网络层构成，而是由4个层以一种特殊的方式交互。lstm子模块的关键是元胞状态(cellstate)，即图1中顶端的水平直线。它是lstm的记忆单元，通过门(gates)的控制有选择性的储存信息。lstm子模块的工作步骤如下：第一，输入信息ht-1和xt合并后通过σ函数层后输出，称此函数层为遗忘门(forgetgate)，它决定哪些信息需要被丢弃，如式(1)；第二，输入信息通过被称为输入门(inputgate)的σ层和一个tanh层，决定哪些信息通过并产生一个候选值向量，如式(2)、(3)；第三，旧的元胞状态ct-1通过遗忘门和输入门更新其状态ct，如式(4)；第四，由被称为输出门(outputgate)的σ层决定元胞状态的哪一部分需被输出，并通过一个tanh层进行规范化，得到输出ht，如式(5)、(6)。

ft＝σ(wf·[ht-1,xt]+bf)(1)

it＝σ(wi·[ht-1,xt]+bi)(2)

ot＝σ(wo[ht-1,xt]+bo)(5)

ht＝ot*tanh(ct)(6)

式中：ft、it、ot分别为遗忘门、输入门、输出门的状态结果；wf、wi、wc、wo分别为遗忘门、输入门、输入元胞状态、输出门的权重矩阵；bf、bi、bo分别为遗忘门、输入门、输出门的偏置项；为可被加入元胞状态的候选值向量；ct-1、ct为上一时刻和当前时刻lstm的元胞状态；ht-1、ht为上一时刻和当前时刻lstm的隐藏状态；σ为sigmoid激活函数；*表示逐点相乘。

统计研究表明，95％的风电爬坡事件持续时间低于4.04h。因此，本发明的预测时间窗为未来4h，以采样分辨率15min算，共16步预测。假设当前时刻为t，lstm的输入为{t,t-z}，输出为{t,t+16}。通过当前时刻之前z个样本一次多步预测未来16个时刻的风电功率输出。一旦出现风电爬坡事件，这代表着未来4小时内、16个点的预测值曲线将会即时表现出来。

根据国家电网公司规定的技术指标，风功率超短期预测(未来4h)的月平均绝对误差要求小于20％，月均方根误差要求小于15％。采用标准化均方根误差(nrmse)和标准化平均绝对误差(nmae)对lstm神经网络预测结果进行评估。计算公式如下：

式中：pt^w和pt^f分别为t时刻风功率的实际值和预测值；s为样本个数；为样本平均值。

步骤2：建立应对风电爬坡事件的提前-滞后调节方法，即利用储能系统进行提前-滞后两步补偿，降低风功率爬坡时的速率，同时降低对储能功率和容量的需求。其中，应对风电爬坡事件的提前-滞后调节方法的制定过程如下：

风电具有随机性和波动性的特征，风电爬坡事件是短时间内风功率发生大幅变化的事件，是风电波动性的体现。风电爬坡事件分为上爬坡和下爬坡，风电上爬坡时，当机组的调节速度无法跟随风电爬坡速度时，必须采取弃风措施确保电力系统运行安全；同理，风电下爬坡时，需采取必要的切负荷措施。

本发明将风功率表示为p^w，δt为风功率采样分辨率，也是调度单时段持续时间。设风电爬坡事件的开始时间为t0，持续n个时段，持续时间为δt＝n×δt，幅值变化为δp。以上爬坡为例，风电爬坡事件的简图如图2所示。

图2中，斜线段为风电正在上爬坡，在t0时刻发生上爬坡事件，持续n＝4个时段，持续时间为δt＝4×δt。

本发明将时段(t,t+δt)内首末时刻风功率之差定义为t时段风电爬坡时的爬坡率δp^w(t)，如式(9)所示：

δp^w(t)＝p^w(t+δt)-p^w(t)(9)

若t时刻的爬坡率δp^w(t)大于给定阈值p^threshold，则认为风电在t时段处于爬坡状态，即：

|δp^w(t)|>p^threshold(10)

常规调度计划制定时，由于对风功率的多步预测误差较大，难以预测爬坡事件，因而难以对爬坡事件做出准确对策，可能致使某些机组在风电爬坡时刻处于满载或最小技术出力，即无法提供上调或下调的爬坡备用，致使机组爬坡率下降，应对风电爬坡事件的能力降低。而通过lstm神经网络，可以对风电功率的爬坡事件提前准确预测，这为提前协调各机组应对风电爬坡事件提供了可能。

将通过提前协调各机组使其能够在爬坡时段提供的最大爬坡率称为δp^g。当预测到风电爬坡事件时，首先要判断风电在爬坡时段各时刻的爬坡率δp^w是否大于机组系统的最大爬坡率δp^g。若判定条件δp^w<δp^g，则通过合理分配爬坡事件发生之前时段各机组的出力，使其在风电发生爬坡的时刻有充足的爬坡备用，并使所有时段机组发电的总成本最小。若判定条件δp^w>δp^g，此时已无法通过机组的协同调节应对风电爬坡，为保证供电安全，避免切负荷现象，常规的做法是采取弃风手段，降低风电爬坡率，如图3所示。

与图2中的爬坡事件相同，图3中斜率较大的线段表示风电正在上爬坡，斜率较小的线段为机组在各时刻可提供的最大下爬坡备用，并已达到其最大爬坡率，则横线阴影部分为必须采取弃风的功率。弃风时段为t0到t0+δt+mδt，弃风调节滞后风电爬坡结束时间mδt。图3中是m＝2的情况，当风电的爬坡率不同时，需要的调节时间也不同。同理，应对下爬坡事件时需提前mδt采取弃风，且此时的提前预测显得更加重要。若无法设置准确的弃风量则仍会发生切负荷现象，而且这种传统的调节方法造成大量的风力资源浪费。本发明称这种采用弃风的调节方法为“弃风调节法”。

为减少或避免弃风现象，加入储能系统进行协调调度，在风电上爬坡需要弃风时进行充电，图3中需要弃风的部分即为需要充电的功率。同理，在风电下爬坡时提供放电。本发明称这种采用储能系统补偿弃风功率的方法为“补偿弃风法”。这样，弃风现象可以得到很大改善。但是，单位容量的储能系统配置成本较高，当风电爬坡持续时间较长时需要配置较大容量的储能系统以确保安全。因此，本发明采取“提前-滞后”的调节方法，可降低对储能容量的需要，如图4所示。

由图4所示，当发生风电上爬坡事件，在时段(t0-δt,t0+2δt)内，提前风电爬坡开始时间δt使机组下爬坡，使其以最大爬坡率调节，此时段内由储能系统放电补足功率差额；在时段(t0+2δt,t0+5δt)内，滞后风电爬坡结束时间δt使机组停止爬坡，此时段内由储能系统充电补足功率差额。风电发生下爬坡事件的调节方法与此类似，调节方向相反。与图3相比，此调节方法对储能容量的需求最大可降低50％(图4恰好为50％)，且在发生风电下爬坡时，需要提前调节的时间由图3中的2δt减少至δt，即对预测的精度需求有所降低。图2至图4结合风电上爬坡的一种情况对本发明的调节方法作出说明，在具体调节中，提前和滞后的调节时间需根据风电的爬坡率优化调整。

步骤3：基于步骤1的预测结果和步骤2的调节方法，使用考虑风电爬坡事件的火储协调调度模型，提前协调机组，使机组在爬坡时有足够的可调备用容量，通过对不同的风电爬坡条件的判断协调机组和储能，实现更经济和安全的爬坡调度方案。其中，考虑风电爬坡事件的火储协调调度模型建立方法包括：

考虑机组煤耗成本和储能使用成本，得到调度时段总成本f最小为目标：

minf＝c^g+c^b+c^wc+c^ls(11)

其中

式中：c^g、c^b、c^wc、c^ls为机组煤耗成本、储能运行成本、弃风成本和切负荷成本；t为调度总时间；n为火电机组总数；ai、bi、ci为机组i煤耗成本系数；pi,t为机组i在时段t的出力；pt^b,ch、pt^b,dc为储能在时段t的充、放电功率；k^b为储能单位容量的使用成本系数；pt^wc、k^wc为弃风功率和单位弃风功率惩罚系数；pt^ls、k^ls为切负荷功率和单位切负荷功率惩罚系数；

约束条件包括：

1)机组和储能出力约束：

式中：pi为机组i瞬时出力，pi^max、pi^min为机组i最大、最小技术出力；p^b,max为储能最大充放电功率；

2)功率平衡约束：

式中：pt^f、pt^l为风电功率和负荷功率预测值，用风功率预测值pt^f代替步骤2中的风电功率p^w作为调节策略制定的依据；

3)机组爬坡约束：

式中：ri^u、ri^d为机组i单位时间的爬坡率；δt为调度单时段持续时间；pi,t-1为机组i在t-1时段的出力；

4)旋转备用约束：

式中：为机组i在时段t可提供的上调和下调备用；当所有机组均有足够的可调空间时，取式中的第二项；

5)储能容量约束：

式中：et^b、e^b,max、e^b,min为储能在t时刻剩余容量、最大和最小可用容量；储能在t时刻的下一时刻剩余容量；h^b,ch、pt^b,ch为储能充、放电效率；

6)爬坡对策判断条件：

式中：δpt^w,u、δpt^w,d为风电在t时刻的上、下爬坡率；δpt^l,u、δpt^l,d为负荷在t时刻的上、下爬坡率；δpt^g,u、δpt^g,d为所有机组在时段t可提供的上调和下调备用，二者统称为步骤2判定条件δp^w<δp^g中的δp^g，并且考虑负荷的爬坡，将判断条件具体为式(18)；

当所有机组均可调时，称δpt^g为机组在时段t的最大爬坡率。若机组最大爬坡率大于机组和负荷爬坡率之和时，即满足此约束条件时，通过提前协调机组应对风电爬坡，此时无需使用储能系统，模型中pt^b,ch＝pt^b,dc＝0；反之，若不满足此约束条件，则需要进行提前弃风或使用储能系统参与协调调度，按步骤2提前-滞后调节法和的所述火储协调调度模型进行优化求解。

本实施例采用ieee39节点系统进行仿真分析，共有10台火电机组。风电场数据为elia比利时电力运营商公开的运行数据。储能系统总容量为100mw，其它参数见表1。

表1储能系统参数设置

算例1：基于lstm神经网络的风功率预测效果评估

为验证lstm神经网络的预测效果，采用elia比利时电力运营商公开的2014年1月～5月的数据分别对bp神经网络、gr神经网络、elman神经网络和lstm神经网络进行训练，并分别对2014年6月共30天的数据进行预测。式(1)、(2)中样本数s＝2880。表2为不同预测方法预测结果的评估指标比较，预测提前的时间从提前15min到提前4h。其中底部方框中表示超出国家电网公司规定指标，右侧方框表示四种预测方法的最优值。

表2不同预测方法和不同提前预测时间的nrmse(％)和nmae(％)比较

由表2可见，lstm神经网络在提前不同时间情况下所得nrmse和nmae指标与其它三种神经网络相比均是最低的。如提前4h预测所得nmae，bp神经网络为20.09％，elman神经网络为19.68％，gr神经网络为17.28％，均超出了国家电网公司公司规定的指标(15％)，而lstm神经网络为3.47％，与其它三种神经网络相比分别降低了16.62％、16.21％和13.81％，远低于规定指标。又如提前1h预测所得nrmse，bp神经网络为10.58％，elman神经网络为10.76％，gr神经网络为6.05％，而lstm神经网络为5.49％，与其它三种神经网络相比分别降低了5.09％、5.27％和0.56％，远低于规定的指标(20％)。说明lstm神经网络的预测精度在四种预测方法里是最高的。

比较提前不同时间的预测结果，可见，lstm神经网络在预测提前时间增大的过程中两项性能指标变化不大，依旧能够实现高精度预测，而其它三种神经网络性能指标变化明显，预测精度迅速衰减。在预测提前时间从15min变化到4h的过程中，lstm神经网络的nmae从2.48％变化至3.47％，仅下降了0.99％的精度，而在此过程中，bp神经网络的nmae从3.30％变化至20.09％，精度下降了16.79％，同样，elman神经网络和gr神经网络精度分别下降了16.49％和14.25％。由此可见，lstm神经网络能够实现较长期的高精度预测，得益于其独特的记忆和遗忘设计，能够充分关联较长期的历史信息。这对提前制定和调节火储系统发电计划以应对风电爬坡事件具有非常重要的指导意义。

算例2：风电上爬坡事件调度算例

将风电爬坡事件的阈值p^threshold设定为15min内变化量为装机容量的10％，在2014年6月1日至2015年5月31日一年内的风功率数据中选取风电爬坡事件样本进行预测和调度，并按照装机容量500mw进行归一化折算。取lstm神经网络得到的多步预测结果，即预测未来4h内的风功率。调度总时段t＝16，单时段持续时间δt＝15min，调度周期为4h。为促进风电消纳，尽量避免切负荷，设置单位功率弃风成本系数k^wc＝100$/mw，单位功率切负荷成本系数k^ls＝1000$/mw。

取2014年10月4日15:30～19:30发生的风电上爬坡事件。图5左纵轴为分别采用bp神经网络和lstm神经网络预测所得的风功率预测值曲线和实际值曲线，右纵轴为负荷曲线。

由图5预测结果可见，bp神经网络所得预测值在t＝6时刻开始误差明显增大，说明其对多步预测，特别是发生风电爬坡事件时的预测误差较大，其16个时段的nmae为23.41％，超出了规定指标。与此相比，lstm网络所得结果在大多数时段误差均小于bp神经网络，更接近实际值，其16个时段的nmae为3.68％，比前者降低了19.73％，能实现风电爬坡事件的多步准确预测。

为说明本发明所提调节方法和调度模型的有效性，本例暂不考虑其它预测值，不考虑预测误差，按图5中lstm网络得到的预测值和负荷曲线进行分析和调度。可见，风功率在t＝5时刻发生上爬坡事件，而负荷发生下爬坡，出现了极端情景。由公式(16)和(18)，通过提前调节能使所有机组在15min内可提供的最大备用为127.5mw，而在t＝[8,9]的15min内风功率和负荷的爬坡功率之和达到163.8mw，超出机组可用备用36.3mw。此时，需采取步骤2中所述的三种调节方式。采取弃风调节法和补偿弃风法的调节过程如图6所示，采用本发明提出的提前-滞后调节方法的调节过程如图7所示(只画出有调节的附近几个时段)。

图6所示为总弃风功率最小的调节策略。可见，弃风调节法需在t＝9时刻和t＝10时刻分别弃风46.6mw和7.6mw才能满足机组的爬坡能力范围，共造成54.2mw的弃风。若采用补偿弃风法，利用储能平抑弃风，则需单时段充电功率最少为46.6mw，在本例设置储能约束下，储能在t＝9时刻最多可充电25mw，造成弃风功率21.6mw。若要避免弃风，需配置更大输出功率和容量的储能系统才能满足需要，储能配置成本会显著增加。且若出现连续的风电上爬坡，储能系统将一直处于充电状态，易造成过度充电，影响储能系统寿命。相比之下，采用如图7所示的提前-滞后调节法，提前1个时刻进行调节，使储能系统在t＝8时刻放电25.0mw，在t＝9时刻充电21.6mw，降低风功率的爬坡速率；同时，使机组在其爬坡能力范围内提前开始提供下爬坡备用，降低出力，接纳风电。利用火储协调调度，使整个调度过程的弃风总功率降至0。在调节过程中，储能的单时段放电功率最大为25.0mw，所设容量为100mw储能系统满足要求。同时，所需的储能总输出功率由54.2mw降低至46.6mw，降低了14％。可见，提前-滞后调节法不仅避免了弃风，且对储能输出功率和配置容量的需求降低，从而节省了储能配置和运行成本。

在不计预测误差的前提下，三种调节方法的调度成本比较如表3所示。

表3各调节方法的调度成本比较(单位：$)

由表3可见，提前-滞后法所需总成本在三种方法中是最低的，在本例的风电爬坡事件下，能够在保证不切负荷、不弃风的情况下实现最经济的调度计划。

算例3：风电下爬坡事件调度算例

为说明lstm神经网络多步预测方法在爬坡调度中的指导意义，本例考虑预测误差，取2015年5月18日17:30～21:30发生的风电下爬坡事件。图8左纵轴为分别采用gr神经网络和lstm神经网络预测所得的风功率预测值曲线和实际值曲线，右纵轴为负荷曲线，对两种方法得到的预测值分别进行分析和调度。

由图8可见，gr神经网络在前2个时刻预测较准确，而在第3时刻至第16时刻误差逐渐增大，说明gr网络在进行多步预测时预测精度明显下降，其16个时段的nrmse为19.03％。与此相比，lstm神经网络所得结果在大部分时段预测误差均小于gr神经网络，更接近实际值曲线，其16个时段的nrmse为5.31％，比前者降低了13.72％，能够实现更多时间步的精确预测。

由图8，风功率在t＝6时刻发生急剧下爬坡事件，此时负荷处于上爬坡状态，出现了极端情景。利用火储系统、采用提前-滞后的调节策略分别对两种预测方法得到的风功率爬坡预测值进行爬坡调节，并将优化前风功率的实际值与优化后风功率的调度值和进行比较。

由图9所示，由于gr神经网络对爬坡时段的风功率预测误差较大，若按此预测值制定调度计划，会致使大部分时段的调度计划很大程度的偏离实际值，从而使火储系统提前调节的功率不足。若得不到及时的修正，会在4h的调度周期内共造成554.7mw的切负荷和20.4mw的弃风，给电力系统的安全供电带来严重影响。若gr神经网络的预测值与实际值相比不是偏大而是偏小同等的误差，则会使火储系统调节过度，还会造成554.7mw的弃风，造成能源的浪费和电力系统运行经济性的严重下降。与此相比，由图10可见，由于lstm神经网络能够保证较长时段预测的准确性，从而为应对风电爬坡调节策略的提前制定提供很大的依据。在4h调度周期内的总切负荷量为35.6mw，比前者降低了519.1mw，降低了93.6％。根据两种预测值进行调度的成本比较如表4所示。

表4各调节方法的调度成本比较(单位：$)

由表4可见，根据lstm神经网络进行调度时，由于避免了大规模的切负荷风险，总成本比grnn神经网络调度降低了51.2％。说明根据lstm的多步精确预测，使火储系统能够提前制定更准确的调节策略，应对风电爬坡事件。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。