【CN109921462A】一种基于LSTM的新能源消纳能力评估方法及系统【专利】

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910170396.7
(22)申请日 2019.03.07
(71)申请人 中国电力科学研究院有限公司
地址 100192 北京市海淀区清河小营东路
15号
申请人 国家电网有限公司　
国网江苏省电力有限公司
(72)发明人 李驰　黄越辉　刘纯　王跃峰　
礼晓飞　王晶　陆晓　雷震　
郝雨辰　金鑫　
(74)专利代理机构 北京安博达知识产权代理有
限公司 11271
代理人 徐国文
(51)Int.Cl.
H02J 3/38(2006.01)
(54)发明名称
一种基于LSTM的新能源消纳能力评估方法
及系统
(57)摘要
本发明涉及一种基于LSTM的新能源消纳能
力评估方法及系统，将电网运行数据进行降维处
理后得到新能源消纳能力影响因素对应的数据；
将数据带入预先建立的映射关系模型，获得电网
接纳新能源的实际出力；基于电网接纳新能源的
实际出力和电网接纳新能源的理论出力之间的
平均绝对误差百分比和均方根误差，对新能源消
纳能力进行评估；其中，所述映射关系模型包括：
通过LSTM深度神经网络训练得到新能源消纳能
力影响因素与电网接纳新能源的实际出力之间
的映射关系。

权利要求书3页 说明书7页 附图3页CN 109921462 A 2019.06.21
C N 109921462
A
1.一种基于LSTM的新能源消纳能力评估方法，其特征在于，所述方法包括：
将电网运行数据进行降维处理后得到新能源消纳能力影响因素对应的数据；
将所述数据带入预先建立的映射关系模型，获得电网接纳新能源的实际出力；
基于所述电网接纳新能源的实际出力和电网接纳新能源的理论出力之间的平均绝对误差百分比和均方根误差，对新能源消纳能力进行评估；
其中，所述映射关系模型包括：通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。

2.根据权利要求1所述的方法，其特征在于，所述映射关系模型的建立包括：
获取历史电网运行数据；
对所述历史电网运行数据进行降维处理，得到新能源消纳能力影响因素对应的样本数据；
将所述样本数据划分为训练数据和测试数据；
将训练数据输入LSTM深度神经网络中进行训练，通过训练得到所述新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。

3.根据权利要求2所述的方法，其特征在于，所述将样本数据划分为训练数据和测试数据包括：
基于预先定义的时间分辨率采集全年的历史电网运行数据，将历史电网运行数据作为样本数据；
对所述样本数据进行归一化处理，对处理后的训练样本进行维度的变换；
根据预先设定的训练率，将经过维度变换获得的n维样本数据划分为训练数据和测试数据。

4.根据权利要求3所述的方法，其特征在于，所述电网运行数据包括：风电理论功率、光伏理论功率、负荷、外送联络线、旋转备用容量、火电和水电机组装机容量、最大和最小开机数量，最大和最小技术出力。

5.根据权利3所述的方法，其特征在于，通过下式确定样本数据：
X(t)＝(x 1(t),x 2(t),...,x n (t))(t＝1，2，3， (8760)
其中，n表示数据维度，t为每个样本数据的采样时间点。

6.根据权利3所述的方法，其特征在于，
通过下式对样本数据进行归一化处理：
其中，x i 为数据的实际值，x imin 为数据的最小值，x imax 为数据的最大值，x *i 为归一化后的标准值。

7.根据权利2所述的方法，其特征在于，所述将训练数据输入预先构建的LSTM深度神经网络中进行训练，通过训练得到所述新能源消纳能力影响因素与新能源实际出力之间的映射关系包括：
采用主成分分析法，在训练数据中筛选出降维的主成分；
基于主成分累计方差贡献率确定主成分的特征值，并将所述主成分特征值对应的特征向量定义为影响新能源消纳能力的重要因素，通过LSTM深度神经网络训练得到新能源消纳能力影响因素与电网接纳新能源的实际出力之间的映射关系。

权　利　要　求　书1/3页2CN 109921462 A。