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)

RichHTML

34

PDF (PC)

1406

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] 李常刚,李宝亮,曹永吉,王佳颖. 人工智能在电力系统潮流计算中的应用综述及展望[J]. 山东大学学报 (工学版), 2025, 55(5): 1-17.
[2] 周群颖,隋家成,张继,王洪元. 基于自监督卷积和无参数注意力机制的工业品表面缺陷检测[J]. 山东大学学报 (工学版), 2025, 55(4): 40-47.
[3] 薛冰冰,王勇,杨维浩,王川,于迪,王旭. 基于ETC收费数据的高速公路交通流数据修复及实时预测[J]. 山东大学学报 (工学版), 2025, 55(3): 58-71.
[4] 董明书,陈俐企,马川义,张珠皓,孙仁娟,管延华,庄培芝. 沥青路面内部裂缝雷达图像智能判识算法研究[J]. 山东大学学报 (工学版), 2025, 55(3): 72-79.
[5] 张恒旭,马睿聪,曹永吉,刘奕敏,邹世豪. 新型电力系统同步稳定研究综述及展望[J]. 山东大学学报 (工学版), 2025, 55(2): 1-15.
[6] 常新功,苏敏惠,周志刚. 基于进化集成的图神经网络解释方法[J]. 山东大学学报 (工学版), 2024, 54(4): 1-12.
[7] 索大翔,李波. 基于Gromov-Wasserstein最优传输的输电线路小目标检测方法[J]. 山东大学学报 (工学版), 2024, 54(3): 22-29.
[8] 宋辉,张轶哲,张功萱,孟元. 基于类权重和最小化预测熵的测试时集成方法[J]. 山东大学学报 (工学版), 2024, 54(3): 36-43.
[9] 刘新,刘冬兰,付婷,王勇,常英贤,姚洪磊,罗昕,王睿,张昊. 基于联邦学习的时间序列预测算法[J]. 山东大学学报 (工学版), 2024, 54(3): 55-63.
[10] 聂秀山,巩蕊,董飞,郭杰,马玉玲. 短视频场景分类方法综述[J]. 山东大学学报 (工学版), 2024, 54(3): 1-11.
[11] 李常刚,陈浩然,张慧,张文,张恒旭. 电力系统实时调频仿真与教学实验设计[J]. 山东大学学报 (工学版), 2024, 54(3): 122-131.
[12] 李璐,张志军,范钰敏,王星,袁卫华. 面向冷启动用户的元学习与图转移学习序列推荐[J]. 山东大学学报 (工学版), 2024, 54(2): 69-79.
[13] 高泽文,王建,魏本征. 基于混合偏移轴向自注意力机制的脑胶质瘤分割算法[J]. 山东大学学报 (工学版), 2024, 54(2): 80-89.
[14] 陈成,董永权,贾瑞,刘源. 基于交互序列特征相关性的可解释知识追踪[J]. 山东大学学报 (工学版), 2024, 54(1): 100-108.
[15] 李家春,李博文,常建波. 一种高效且轻量的RGB单帧人脸反欺诈模型[J]. 山东大学学报 (工学版), 2023, 53(6): 1-7.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[2] 陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[3] 赵延风1,2, 王正中1,2 ,芦琴1,祝晗英3 . 梯形明渠水跃共轭水深的直接计算方法[J]. 山东大学学报(工学版), 2009, 39(2): 131 -136 .
[4] 张迎春 王佐勋 王桂娟. 基于神经网络控制器的高压电缆测温系统[J]. 山东大学学报(工学版), 2009, 39(5): 62 -67 .
[5] 朱向彩,栾云才,徐健 . 基于VB及FTA的城市交通评价系统[J]. 山东大学学报(工学版), 2007, 37(4): 89 -92 .
[6] 方炜, , 姜长生, , 钱承山 . 一类非线性不确定时滞系统的模糊跟踪控制[J]. 山东大学学报(工学版), 2007, 37(5): 47 -52 .
[7] 周新虹,彭玉华,刘勇,曲怀敬 . 基于多尺度分析和SVM相关反馈的纹理图像检索[J]. 山东大学学报(工学版), 2008, 38(2): 45 -50 .
[8] 李术才,王兆清,李树忱 . 基于无理函数插值的多边形有限元方法[J]. 山东大学学报(工学版), 2008, 38(2): 66 -70 .
[9] 王会青,孙宏伟,张建辉. 基于Map/Reduce的时间序列相似性搜索算法[J]. 山东大学学报(工学版), 2016, 46(1): 15 -21 .
[10] 郝明辉,王锡平,王敏,周慎杰 .

考虑偶应力影响的有限大板单边裂纹计算

[J]. 山东大学学报(工学版), 2008, 38(2): 92 -95 .
版权所有 © 2018 《山东大学学报(工学版)》编辑部　
地址: 济南市山大南路27号（250100）　 电话: 0531-88366735　 E-mail: xbgxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发