基于气象的多能源配电台区控制方法与流程

本发明涉及配电台区控制，更具体地说，它涉及基于气象的多能源配电台区控制方法。

背景技术：

1、随着新能源的快速发展，多能源配电台区已成为现代电力系统的重要组成部分，多能源配电台区将新能源发电设施(例如光伏发电设施、水力发电设施、风力发电设施等)与传统能源发电设施进行整合，旨在提升能源利用效率、减少碳排放、增强供电稳定性。在电力系统运行的过程中，经常会出现在短时间内用电负荷量急剧增加的情况，电网频率会快速降低，多能源配电台区根据电网频率的变化通过逆变器控制技术和虚拟同步发电机技术(vsg)迅速调整新能源发电设施和传统能源发电设施的有功功率输出，以保障电网快速恢复至额定频率(例如50赫兹)。

2、然而，新能源发电设施容易受气象因素的影响，例如在光照强度和光照时长较小的情况下，光伏发电设施的输出功率较小，在风速较小的情况下，风力发电设施的输出功率较小，导致电网恢复至额定频率的时间较慢，严重影响用户的使用。

技术实现思路

1、本发明提供基于气象的多能源配电台区控制方法，解决上述背景技术中的技术问题。

2、本发明提供了基于气象的多能源配电台区控制方法，包括以下步骤：

3、步骤s101，在预设时间段t内，分别按照第一预设时间间隔t1和第二预设时间间隔t2采集电网的用电负荷量，并分别生成第一序列和第二序列；

4、第一序列和第二序列的每个序列单元都对应一个用电负荷量；

5、第一序列包括n1个序列单元，n1＝t/t1；

6、第二序列包括n2个序列单元，n2＝t/t2；

7、步骤s102，将第一序列和第二序列输入到用电负荷量预测模型中，输出的值表示电网在未来时间段g内的用电负荷量；

8、步骤s103，在预设时间段t内，按照第三预设时间间隔t3采集m个能源设施的运行数据和气象数据，并对运行数据和气象数据进行预处理生成特征矩阵；

9、特征矩阵的第i行第j列的元素表示第i个能源设施在第j个时间点的组合特征，其中1≤i≤m，1≤j≤n3，n3＝t/t3；所述组合特征根据运行数据和气象数据生成；

10、运行数据包括：能源类型、输出功率和额定功率；其中能源类型包括：火力发电、光伏发电、水力发电和风力发电；

11、气象数据包括：光照强度、风速、风向、温度、湿度和降雨量；

12、步骤s104，将特征矩阵输入到能源设施功率预测模型中，输出的值分别表示m个能源设施在未来时间段g内的最大输出功率；

13、步骤s105，根据电网在未来时间段g内的用电负荷量和m个能源设施在未来时间段g内的最大输出功率生成功率调度方案。

14、进一步地，t、t1、t2、t3、g和m均为自定义参数。

15、进一步地，用电负荷量预测模型包括第一隐藏层、第二隐藏层和第三隐藏层；

16、第一隐藏层输入第一序列，输出第一预测值；

17、第二隐藏层输入第二序列，输出第二预测值；

18、第三隐藏层输入第一预测值和第二预测值，输出的值表示电网在未来时间段g内的用电负荷量。

19、进一步地，第一隐藏层的计算公式包括：

20、

21、[w1，w2]＝[(d1t*d1)-1*d1t*e1]t；

22、

23、e1＝(y2，y3，…，yn1-1，yn1)t；

24、

25、其中pre1表示第一隐藏层输出的第一预测值，y1、y2、y3、yn1-1和yn1分别表示第一序列的第1个、第2个、第3个、第n1-1个和第n1个序列单元对应的用电负荷量，表示第一序列的累加序列，和分别表示累加序列的第1个、第2个、第3个、第n1-1个和第n1个序列单元对应的用电负荷量的累加值，d1和e1分别表示第一矩阵和第二矩阵，t表示矩阵的转置操作，w1和w2分别表示第一隐藏层的第一权重参数和第二权重参数，t1表示第一预设时间间隔；

26、第二隐藏层和第一隐藏层的计算公式相同；

27、第三隐藏层的计算公式如下：

28、pre＝w3*pre1+b1+w4*pre2+b2；

29、其中pre表示第三隐藏层输出的电网在未来时间段g内的用电负荷量，pre1和pre2分别表示第三隐藏层输入的第一预测值和第二预测值，w3和w4分别表示第三权重参数和第四权重参数，b1和b2分别表示第一偏置参数和第二偏置参数。

30、进一步地，采集电网在历史时间段k内的用电负荷量作为用电负荷量预测模型的训练样本的样本标签，其中k等于g，在用电负荷量预测模型的训练过程中，指定用电负荷量预测模型的输出值与训练样本的样本标签的差作为损失函数。

31、进一步地，对运行数据和气象数据进行预处理生成特征矩阵，包括以下步骤：

32、步骤s201，当运行数据和气象数据存在缺失值，则取缺失值的前一个值和后一个值的平均值作为该缺失值；

33、步骤s202，将运行数据中的能源类型通过正整数编码表示，将气象数据中的风向通过角度编码来表示；

34、步骤s203，对运行数据和气象数据进行最大最小归一化处理；

35、步骤s204，将归一化处理后的运行数据和气象数据进行拼接生成组合特征。

36、进一步地，能源设施功率预测模型包括m个第四隐藏层，第m个第四隐藏层输入特征矩阵的第m行元素，即第m个能源设施在第1个时间点到第n3个时间点的组合特征，其中1≤i≤m，m个第四隐藏层连接m个分类器，m个分类器输出的值分别表示m个能源设施在未来时间段g内的最大输出功率。

37、进一步地，第四隐藏层基于长短时神经网络模型构建，第四隐藏层连接的分类器为softmax分类器。

38、进一步地，通过模拟仿真平台获得用于训练能源设施功率预测模型的训练样本的样本标签，包括以下步骤：

39、步骤s301，在预设时间段t内，按照第三预设时间间隔t3随机为m个能源设施生成u组运行数据和气象数据，并进行预处理生成u个特征矩阵，其中u为自定义参数；

40、步骤s302，将u个特征矩阵分别输入到模拟仿真平台后，随机为每个特征矩阵生成一个样本标签，并通过模拟仿真平台调整m个能源设施在未来时间段g内的最大输出功率；

41、一个样本标签表示m个能源设施在未来时间段g内的最大输出功率；

42、步骤s303，记录u个通过模拟仿真平台调整后的电网的频率值，并标记为freq；

43、步骤s304，选择u个freq减去电网额定频率的绝对值的最小值对应的样本标签作为一个训练样本的样本标签，其中电网额定频率为50赫兹；

44、步骤s305，重复步骤s301到步骤s304，直至获得q个训练样本，其中q为自定义参数。

45、进一步地，功率调度方案按照能源设施的能源类型为光伏发电、风力发电、水力发电和火力发电的顺序，将电网在未来时间段g内的用电负荷量分配到m个能源设施，直至m个能源设施在未来时间段g内的最大输出功率的总和值大于等于电网在未来时间段g内的用电负荷量。

46、本发明的有益效果在于：本发明通过神经网络模型建立多能源设施的运行数据和气象数据与输出功率之间的非线性映射关系，提高输出功率调整的精确性，并将预测的电网用电负荷量按照新能源优先的顺序进行输出功率调整，使得多能源配电台区能够更快地响应负荷变化，缩短电网频率恢复至额定频率的时间，提高电网的稳定性，并且能够降低环境污染。