极端天气前、中及后期多源协同发电能力评估方法及系统与流程

本发明涉及电力系统负荷与容量评估，特别涉及极端天气前、中及后期多源协同发电能力评估方法及系统。

背景技术：

1、居民平稳有序的生活依赖于一系列基础设施的正常运行。然而随着化石能源的不断消耗，全球气候发生严峻变化，进而导致极端天气灾害事件频繁发生。电力作为“生命线设施”，在应对波及范围广、破坏力强的极端天气事件下应能保障正常的生产供应。如何使得电力系统更好的在极端事件前、中及后多源协同发电，增强电力系统应对极端事件的能力是电力行业的研究热点。

2、在众多相关历史数据中学习规律，预测电力系统在极端事件期间的调频容量和调峰容量，按照预测值调整各发电单元，提前制定多源协同发电策略是一种应对极端天气事件的有效方式。因此，有必要研究在极端天气事件中调频容量和调峰容量的预测方法。

技术实现思路

1、本发明的目的是为了解决现有技术中的上述缺陷，提供极端天气前、中及后期多源协同发电能力评估方法及系统，有效地对极端事件前期、中期及后期多源协同发电能力以及电力系统调频、调峰容量进行精准预测。具体技术方案如下：

2、本发明提供了一种极端天气前、中及后期多源协同发电能力评估方法，包括以下步骤：

3、步骤s1，采集历史数据并对收集到的历史数据进行预处理并划分为训练集和验证集，所述历史数据包括历史极端天气数据和历史极端天气前期、中期及后期的历史电力系统发电数据；所述历史极端天气数据包括极端天气类型、规模程度和持续时间；所述历史电力系统发电数据包括电力系统的调峰容量、调频容量、频率偏差、各发电单元的有功功率及无功功率；

4、步骤s2，建立电力系统发电能力评估模型，所述电力系统发电能力评估模型包括分解模块、卷积模块、训练模块；具体如下：

5、步骤s21，将训练集中的时间序列数据进行ceemdan分解，得到k个不同频率和时间尺度下的本征模态分量；k为迭代次数；

6、步骤s22，对每一个本征模态分量通过时间卷积网络tcn进行时间卷积，得到数据深层特征数据；

7、步骤s23，将数据深层特征数据以及预处理后的数据输入到autoformer深度学习网络中，输出极端天气时间前期、中期及后期电力系统的调峰容量预测值和调频容量预测值；将得到的预测值与测试集中的对应数值相比较，验证预测精度，当精度达到要求时则电力系统发电能力评估模型训练完成；

8、步骤s3，采用训练好的电力系统发电能力评估模型预测电力系统的调峰容量、调频容量，对多源协同发电能力进行评估。

9、优选地，所述步骤s1中预处理具体包括缺失值处理、z-score异常值检测处理、序列填充。

10、优选地，所述z-score异常值检测处理具体是：

11、将每种类型的数据转化为标准正态分布，计算每个数据点与该类型数据的平均值的偏差并以标准差为单位进行标准化，在检测时，以3倍标准差为阈值判断数据点是否为异常值，当数据点超过平均值±3δ时，则判断为异常值，然后对异常值进行剔除操作；其中，δ为该类型数据的标准差。

12、优选地，所述步骤s21中的时间序列被分解为：

13、

14、其中，s(t)为训练集中的时间序列；simf,k(t)为第k个本征模态分量；sr,k(t)为第k个残差。

15、优选地，所述步骤s22中的时间卷积网络tcn包括因果卷积网络、扩张卷积网络和残差网络；

16、所述扩张卷积网络中，对于输入的simf,k(t)和卷积核f:{0,...,k-1}，其中元素s的扩张卷积公式为：

17、

18、式中，f(s)为经过一次扩张卷积运算之后，新序列在位置s上的计算结果；d为扩张率；*为卷积运算；fd为扩张率为d的卷积核；v为卷积核的尺寸；s-d·i表示过去的方向，当d＝1时，一个扩张卷积就是一个正常规则的因果卷积；

19、所述残差网络中残差连接的公式为：

20、resout＝activation(resin+f(resin))；

21、式中，resin为残差块的输入；f(·)表示残差块内部的变换，为卷积层和激活函数的组合，用于学习残差的表示；activation(·)是激活函数，用于对最终的输出进行非线性变换，resout表示残差块的输出。

22、优选地，所述步骤s23中autoformer深度学习网络包括编码器和解码器；设经过时间卷积网络tcn得到的深层特征数据χs，包括季节性分量和趋势性分量；

23、趋势性分量的计算公式为：

24、χs,t＝avgpool(padding(χs))；

25、式中，χs,t为趋势性分量；avgpool(·)表示滑动平均处理；padding(·)为保持序列长度不变的操作；

26、输入的原特征序列数据减去趋势性分量就得到了季节性分量，即季节性分量的计算公式为：

27、χs,s＝χs-χs,t；

28、式中，χs,s为季节性分量；

29、所述autoformer深度学习网络通过编码器将深层特征数据χs进行序列分解，得到季节性分量，通过解码器输出极端天气时间前期、中期及后期电力系统的调峰容量预测值和调频容量预测值。

30、本发明还提供了一种极端天气前、中及后期多源协同发电能力评估系统，包括：数据采集模块，用于采集历史数据并对收集到的历史数据进行预处理并划分为训练集和验证集，所述历史数据包括历史极端天气数据和历史极端天气前期、中期及后期的历史电力系统发电数据；所述历史极端天气数据包括极端天气类型、规模程度和持续时间；所述历史电力系统发电数据包括电力系统的调峰容量、调频容量、频率偏差、各发电单元的有功功率及无功功率；

31、分解模块，用于将训练集中的时间序列数据进行ceemdan分解，得到k个不同频率和时间尺度下的本征模态分量；k为迭代次数；

32、卷积模块，用于对每一个本征模态分量通过时间卷积网络tcn进行时间卷积，得到数据深层特征数据；

33、训练模块，用于将数据深层特征数据以及预处理后的数据输入到autoformer深度学习网络中，输出极端天气时间前期、中期及后期电力系统的调峰容量预测值和调频容量预测值；将得到的预测值与测试集中的对应数值相比较，验证预测精度，当精度达到要求时则电力系统发电能力评估模型训练完成；

34、预测模块，用于采用训练好的电力系统发电能力评估模型预测电力系统的调峰容量、调频容量，对多源协同发电能力进行评估。

35、本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述的一种极端天气前、中及后期多源协同发电能力评估方法。

36、本发明还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的一种极端天气前、中及后期多源协同发电能力评估方法。

37、本发明还提供了一种计算机设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行所述的一种极端天气前、中及后期多源协同发电能力评估方法。

38、与现有技术相比，本发明的有益效果为：

39、(1)本发明将ceedan方法作为分解方式，相比于vmd、emd以及其他分解方式，ceemdan在噪声抑制、模态混叠处理、稳定性和计算效率方面更具优势。

40、(2)本发明采用最新的autoformer深度学习网络，相比于transformer，引入了一种自相关机制来代替自注意力机制，可以更好地完成时序预测任务。

41、(3)本发明采用“分解+特征提取+深度学习”的预测框架，相比于单一预测方法，分解后进行特征提取能够更大程度的反映出待预测信号的深层特征，使得深度学习网络学习到底层时序关系。