您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报 (工学版) ›› 2019, Vol. 49 ›› Issue (5): 24-28.doi: 10.6040/j.issn.1672-3961.0.2019.132

• 电气工程———人工智能应用专题 • 上一篇    下一篇

基于深度学习的新能源爬坡事件预测方法

梁志祥1(),刘晓明2,牟颖2,刘玉田1   

  1. 1. 电网智能化调度与控制教育部重点实验室(山东大学), 山东 济南 250061
    2. 国网山东省电力公司经济技术研究院, 山东 济南 250021
  • 收稿日期:2019-04-02 出版日期:2019-10-20 发布日期:2019-10-18
  • 作者简介:梁志祥(1995—),男,山东枣庄人,硕士研究生,主要研究方向为电力系统运行与控制.E-mail:liangzhixiang@mail.sdu.edu.cn
  • 基金资助:
    承接全球能源互联网的省级大受端电网发展规划及安全防御技术研究;国家重点研发计划项目(2017YFB0902600);国家电网公司科技资助项目(SGJS0000DKJS1700840)

Prediction method of wind power and PV ramp event based on deep learning

Zhixiang LIANG1(),Xiaoming LIU2,Ying MU2,Yutian LIU1   

  1. 1. Key Laboratory of Power System Intelligent Dispatch and Control of Ministry of Education(Shandong University), Jinan 250061, Shandong, China
    2. Economic & Technology Research Institute, State Grid Shandong Electric Power Company, Jinan 250021, Shandong, China
  • Received:2019-04-02 Online:2019-10-20 Published:2019-10-18
  • Supported by:
    承接全球能源互联网的省级大受端电网发展规划及安全防御技术研究;国家重点研发计划项目(2017YFB0902600);国家电网公司科技资助项目(SGJS0000DKJS1700840)

摘要:

随着新能源渗透率的逐渐增大,有功功率不平衡的爬坡事件时有发生,甚至造成较大负荷损失。因风电和光伏预测的精度不够,需要考虑的运行场景较多,时域仿真不能满足在线评估要求。提出一种基于深度学习的方法,综合考虑机组和联络线的调节能力,利用堆叠降噪自动编码器提取各层特征训练支持向量机。将风电、光伏和负荷预测数据及上一时刻联络线功率等相关量作为输入,是否发生爬坡事件为输出,通过支持向量机快速预测是否发生爬坡事件。实际电网的仿真结果表明,本研究方法快速准确,能够对爬坡事件进行有效辨识。

关键词: 电力系统, 深度学习, 降噪自动编码器, 支持向量机, 爬坡事件

Abstract:

With the gradual increase of the renewable energy penetration rate, the ramp event that caused the unbalanced active power occured sometimes, and even a large load loss. Due to the insufficient accuracy of wind power and photovoltaic prediction, there were many operational scenarios to be considered. The time domain simulation could not meet the online assessment requirements. A method based on deep learning was proposed in this paper. Considering the generation unit and tie line adjustment ability, the stacked denoising autoencoder was used to extract each layer feature to train support vector machine. The wind power, photovoltaic and load forecast data, and the power of the tie line at the previous moment were taken as inputs, and whether the ramp event occured as an output. The vector machine was used to quickly predict whether a ramp event occured. The simulation results of practical power grid showed that the proposed method was fast and accurate. It could effectively identify ramp events.

Key words: power system, deep learning, denoising autoencoder, support vector machine, ramp event

中图分类号: 

  • TM7

图1

降噪自动编码器训练过程"

图2

堆叠降噪自动编码器预训练过程"

图3

SDAE和SVM组合模型"

图4

不同时间的有功不平衡量"

表1

方法性能比较"

方法 15 min准确率/% 1 h准确率/%
时域仿真法 100 100
SVM 97.63 97.67
SDAE(最高阶隐层特征)+SVM 97.70 97.18
SDAE(所有隐层特征)+SVM 98.52 98.28
1 LIU Y , FAN R , TERZIJA V . Power system restoration: a literature review from 2006 to 2016[J]. Journal of Modern Power System and Clean Energy, 2016, 4 (3): 332- 341.
doi: 10.1007/s40565-016-0219-2
2 马欢, 李常刚, 刘玉田. 风电爬坡事件多级区间预警方法[J]. 电力系统自动化, 2017, 41 (11): 39- 47.
doi: 10.7500/AEPS20161021008
MA Huan , LI Changgang , LIU Yutian . Multi-level early warning method for wind power ramp events[J]. Automation of Electric Power Systems, 2017, 41 (11): 39- 47.
doi: 10.7500/AEPS20161021008
3 ELA E, KIRBY B. ERCOT event on February 26, 2008: lessons learned[R]. Golden Colorado, USA: National Renewable Energy Laboratory (NREL), 2008.
4 FERREIRA C, GAMA J, MATIAS L, et al. A survey on wind power ramp forecasting[R]. Illinois, USA: Argonne National Laboratory (ANL), 2011.
5 李军徽, 冯喜超, 严干贵, 等. 高风电渗透率下的电力系统调频研究综述[J]. 电力系统保护与控制, 2018, 46 (2): 163- 170.
LI Junhui , FENG Xichao , YAN Gangui , et al. Survey on frequency regulation technology in high wind penetration power system[J]. Power System Protection and Control, 2018, 46 (2): 163- 170.
6 ZHENG H , KUSIAK A . Prediction of wind farm power ramp rates: a data-mining approach[J]. Journal of Solar Energy Engineering, 2009, 131 (3): 376- 385.
7 ZAREIPOUR H, HUANG D, ROSEHART W.Wind power ramp events classification and forecasting: a data mining approach[C]//2011 IEEE Power & Energy Society General Meeting.San Diego, America: IEEE, 2011: (1-3).
8 崔明建, 孙元章, 柯德平, 等. 考虑电网侧频率偏差的风电功率爬坡事件预测方法[J]. 电力系统自动化, 2014, 38 (5): 8- 13.
CUI Mingjian , SUN Yuanzhang , KE Deping , et al. Prediction method for wind power ramp events considering frequency deviation of power grid side[J]. Automation of Electric Power Systems, 2014, 38 (5): 8- 13.
9 宋豪, 宋曙光, 王超, 等. 抽水蓄能电站对山东电网风电接纳能力的影响[J]. 山东大学学报(工学版), 2011, 41 (5): 138- 142.
SONG Hao , SONG Shuguang , WANG Chao , et al. Impacts of the pumped storage power station on the wind generation integration capability of the Shandong Power Grid[J]. Journal of Shandong University(Engineering Science), 2011, 41 (5): 138- 142.
10 梁亮, 李普明, 刘嘉宁, 等. 抽水蓄能电站自主调频控制策略研究[J]. 高电压技术, 2015, 41 (10): 3288- 3295.
LIANG Liang , LI Puming , LIU Jianing , et al. Study on the control strategy of pumped storage power station for frequency regulation[J]. High Voltage Engineering, 2015, 41 (10): 3288- 3295.
11 代杰杰, 宋辉, 杨祎, 等. 基于栈式降噪自编码器的输变电设备状态数据清洗方法[J]. 电力系统自动化, 2017, 41 (12): 224- 230.
doi: 10.7500/AEPS20161201003
DAI Jiejie , SONG Hui , YANG Wei , et al. Cleaning method for status data of power transmission and transformation equipment based on stacked denoising autoencoders[J]. Automation of Electric Power Systems, 2017, 41 (12): 224- 230.
doi: 10.7500/AEPS20161201003
12 尹雪燕, 闫炯程, 刘玉田, 等. 基于深度学习的暂态稳定评估与严重度分级[J]. 电力自动化设备, 2018, 38 (5): 64- 69.
YIN Xueyan , YAN Jiongcheng , LIU Yutian , et al. Deep learning based transient stability assessment and severity grading[J]. Electric Power Automation Equipment, 2018, 38 (5): 64- 69.
13 田芳, 周孝信, 于之虹. 基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估[J]. 电力系统保护与控制, 2017, 45 (22): 1- 8.
doi: 10.7667/PSPC161864
TIAN Fang , ZHOU Xiaoxin , YU Zhihong . Power system transient stability assessment based on comprehensive SVM classification model and key sample set[J]. Power System Protection and Control, 2017, 45 (22): 1- 8.
doi: 10.7667/PSPC161864
14 别朝红, 王锡凡. 蒙特卡洛法在评估电力系统可靠性中的应用[J]. 电力系统自动化, 1997, 21 (6): 68- 75.
doi: 10.3321/j.issn:1000-1026.1997.06.021
BIE Zhaohong , WANG Xifan . The application of Monte Carlo method to reliability evaluation of power systems[J]. Automation of Electric Power Systems, 1997, 21 (6): 68- 75.
doi: 10.3321/j.issn:1000-1026.1997.06.021
15 何成明, 王洪涛, 王春义, 等. 风电功率爬坡事件作用下考虑时序特性的系统风险评估[J]. 电力自动化设备, 2016, 36 (1): 35- 41.
HE Chengming , WANG Hongtao , WANG Chunyi , et al. System risk assessment considering timing characteristics under wind power ramp event[J]. Electric Power Automation Equipment, 2016, 36 (1): 35- 41.
16 薛志英, 周明, 李庚银. 大规模风电接入电力系统备用决策评述[J]. 电力系统保护与控制, 2013, 41 (4): 148- 155.
XUE Zhiying , ZHOU Ming , LI Gengyin . Survey on reserve decision of power systems with large scale wind power integration[J]. Power System Protection and Control, 2013, 41 (4): 148- 155.
[1] 万鹏. 基于F-PointNet的3D点云数据目标检测[J]. 山东大学学报 (工学版), 2019, 49(5): 98-104.
[2] 刘玉田,孙润稼,王洪涛,顾雪平. 人工智能在电力系统恢复中的应用综述[J]. 山东大学学报 (工学版), 2019, 49(5): 1-8.
[3] 孙润稼,朱海南,刘玉田. 基于偏好多目标优化和遗传算法的输电网架重构[J]. 山东大学学报 (工学版), 2019, 49(5): 17-23.
[4] 张继,金翠,王洪元,陈首兵. 基于奇异值分解行人对齐网络的行人重识别[J]. 山东大学学报 (工学版), 2019, 49(5): 91-97.
[5] 张成彬,赵慧,曹宗钰. 基于深度学习的车身网络KWP2000协议漏洞挖掘[J]. 山东大学学报 (工学版), 2019, 49(2): 17-22.
[6] 侯霄雄,许新征,朱炯,郭燕燕. 基于AlexNet和集成分类器的乳腺癌计算机辅助诊断方法[J]. 山东大学学报 (工学版), 2019, 49(2): 74-79.
[7] 李力钊,蔡国永,潘角. 基于C-GRU的微博谣言事件检测方法[J]. 山东大学学报 (工学版), 2019, 49(2): 102-106, 115.
[8] 严云洋,张慧珍,刘以安,高尚兵. 基于GMM与三维LBP纹理的视频火焰检测[J]. 山东大学学报 (工学版), 2019, 49(1): 1-9.
[9] 刘萌,徐陶阳,李常刚,吴越,王智,史方芳,苏建军,张国辉,李宽. 基于粒子群算法的受端电网紧急切负荷优化[J]. 山东大学学报 (工学版), 2019, 49(1): 120-128.
[10] 李兴,侯振杰,梁久祯,常兴治. 基于线性加速度的多节点人体行为识别[J]. 山东大学学报 (工学版), 2018, 48(6): 56-66.
[11] 叶明全,高凌云,万春圆. 基于人工蜂群和SVM的基因表达数据分类[J]. 山东大学学报(工学版), 2018, 48(3): 10-16.
[12] 谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[13] 唐乐爽,田国会,黄彬. 一种基于DSmT推理的物品融合识别算法[J]. 山东大学学报(工学版), 2018, 48(1): 50-56.
[14] 韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[15] 王辉,陈立征,周刚,刘泊辰,于洋,刘刚,冯忠奎,靳宗帅. 基于WAMS Light的配电网电压安全在线评估[J]. 山东大学学报(工学版), 2017, 47(6): 39-45.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 李 侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[2] 李可,刘常春,李同磊 . 一种改进的最大互信息医学图像配准算法[J]. 山东大学学报(工学版), 2006, 36(2): 107 -110 .
[3] 季涛,高旭,孙同景,薛永端,徐丙垠 . 铁路10 kV自闭/贯通线路故障行波特征分析[J]. 山东大学学报(工学版), 2006, 36(2): 111 -116 .
[4] 王丽君,黄奇成,王兆旭 . 敏感性问题中的均方误差与模型比较[J]. 山东大学学报(工学版), 2006, 36(6): 51 -56 .
[5] 刘忠国,张晓静,刘伯强,刘常春 . 视觉刺激间隔对大脑诱发电位的影响[J]. 山东大学学报(工学版), 2006, 36(3): 34 -38 .
[6] 张爱娟. 模拟体液中类骨羟基磷灰石的合成[J]. 山东大学学报(工学版), 2010, 40(3): 86 -90 .
[7] 胡天亮,李鹏,张承瑞,左毅 . 基于VHDL的正交编码脉冲电路解码计数器设计[J]. 山东大学学报(工学版), 2008, 38(3): 10 -13 .
[8] 徐丽丽,季忠,夏继梅 . 同规格货物装箱问题的优化计算[J]. 山东大学学报(工学版), 2008, 38(3): 14 -17 .
[9] 陈华鑫, 陈拴发, 王秉纲. 基质沥青老化行为与老化机理[J]. 山东大学学报(工学版), 2009, 39(2): 125 -130 .
[10] 潘多涛,刘桂萍,刘长风 . 生物絮凝剂产生菌的筛选及培养条件优化[J]. 山东大学学报(工学版), 2008, 38(3): 99 -103 .