综合能源基地日前调度计划的不确定度估算方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115860386A(43)申请公布日2023.03.28(21)申请号202211535360.2G06N3/084(2023.01)(22)申请日2022.12.02G06N3/0442(2023.01)G06N3/045(2023.01)(71)申请人华能湖南能源销售有限责任公司G06N3/0464(2023.01)地址410035湖南省长沙市天心区书院路9号保利国际广场B3栋3218号房申请人中国华能集团清洁能源技术研究院有限公司(72)发明人王鸿策刘涛曾庆丰孙财新陈建华潘霄峰谢翔周卉(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201专利代理师宋合成(51)Int.Cl.G06Q10/0631(2023.01)G06Q50/06(2012.01)权利要求书2页说明书10页附图3页(54)发明名称综合能源基地日前调度计划的不确定度估算方法及系统(57)摘要本申请提出综合能源基地日前调度计划的不确定度估算方法及系统，所述方法包括：获取待调度日对应的各历史相似日内各时刻的第一预测数据和各历史相似日的不确定度，构成训练集；利用所述训练集对深度神经网络模型进行训练，得到训练好的不确定度估算模型；获取待调度日各时刻的各时刻的第一预测数据，并将所述第一预测值输入所述不确定度估算模型中，得到所述待调度日的不确定度；其中，所述第一预测数据包括：风电功率预测值、光伏功率预测值、光伏出力占比预测值、风电出力占比预测值和火电出力占比预测值。本申请提出的技术方案，提前评估日前调度计划不确定度，以辅助调度决策。CN115860386ACN115860386A权利要求书1/2页1.一种综合能源基地日前调度计划的不确定度估算方法，其特征在于，所述方法包括：获取待调度日对应的各历史相似日内各时刻的第一预测数据和各历史相似日的不确定度，构成训练集；利用所述训练集对深度神经网络模型进行训练，得到训练好的不确定度估算模型；获取待调度日各时刻的各时刻的第一预测数据，并将所述第一预测值输入所述不确定度估算模型中，得到所述待调度日的不确定度；其中，所述第一预测数据包括：风电功率预测值、光伏功率预测值、光伏出力占比预测值、风电出力占比预测值和火电出力占比预测值。2.如权利要求1所述的方法，其特征在于，各历史相似日的不确定度的计算式如下：式中，Si为第i个历史相似日的不确定度，RPij为第i个历史相似日中j时刻的实际光伏出力占比，为第i个历史相似日中j时刻的计划光伏出力占比，RWij为第i个历史相似日中j时刻的实际风电出力占比，为第i个历史相似日中j时刻的计划火电出力占比，RTij为第i个历史相似日中j时刻的实际火电出力占比，为第i个历史相似日中j时刻的计划火电出力占比，N为一个相似日中的时刻总数。3.如权利要求1所述的方法，其特征在于，所述深度神经网络模型包括：输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层。4.如权利要求3所述的方法，其特征在于，所述利用所述训练集对深度神经网络模型进行训练，得到训练好的不确定度估算模型，包括：将训练集中各历史相似日内各时刻的第一预测数据作为所述深度神经网络模型的输入，将训练集中各历史相似日的不确定度作为所述深度神经网络模型的输出对所述模型进行训练，以得到所述训练好的不确定度估算模型。5.如权利要求4所述的方法，其特征在于，所述不确定度估算模型的训练过程包括：将所述训练集中各历史相似日内各时刻的第一预测数据输入到所述输入层，通过所述输入层得到所述预测数据各自对应的输入向量；将所述输入向量输入到所述CNN层，并对所述输入向量进行特征提取，以筛选出目标特征向量；获取所述目标特征向量，将所述目标特征向量输入所述LSTM层，以得到所述目标特征向量各自对应的第一输出向量；将所述目标特征向量各自对应的第一输出向量输入到所述注意力层中，并根据所述注意力层中所述第一输出向量的注意力权重参数值，对所述第一输出向量进行筛选，以得到第二输出向量；将所述第二输出向量输入到所述输出层，以确定各历史相似日的不确定度预测值，并输出所述各历史相似日的不确定度预测值；根据所述训练样集中历史相似日的不确定度与所述预测值之间的差异，对所述深度神经网络模型进行模型参数调整，以得到所述不确定度估算模型。2CN115860386A权利要求书2/2页6.如权利要求5所述的方法，其特征在于，所述CNN层包括卷积层和丢弃dropout层，将所述输入向量输入到所述CNN层，并对所述输入向量进行特征提取，以筛选出目标特征向量，包括：将所述输入向量输入到所述卷积层中，获取卷积层提取的输入向量的多个特征向量；将所述输入向量的多个特征向量输入到所述dropout层，以从所述多