[发明专利]基于深度学习的储能出力预测方法、系统、设备及介质

说明书

本发明公开一种基于深度学习的储能出力预测方法、系统、设备及介质，首先获取预测电网数据；然后将预测电网数据作为预测输入数据输入储能出力预测模型，得到预测储能出力；其中，储能出力预测模型通过对多层神经元网络模型进行训练得到，对多层神经元网络模型进行训练时，将历史电网数据作为历史输入数据，将历史储能出力作为历史输出数据。本发明可以从客观的角度出发，从储能历史参与表现以及电网已知部分来预测储能设施在电网中行为，受主观影响较小，并且减小了人员工作量。

技术领域

本发明属于储能设施在电网中行为分析预测领域，具体涉及一种基于深度学习的储能出力预测方法、系统、设备及介质。

背景技术

随着电力市场的开展，市场成员的行为充满自主性，和计划方式下电网运行不同，电网不能预先准确知道所有的市场成员各时段的实时发电或者如何提供辅助服务。因此，对电网的安全管控带来了一些挑战。随着储能技术，特别是分布式储能技术的发展，以及电能量市场、辅助服务市场、容量市场的准入门槛和组织形式等的修改，给参与市场的储能在电网中行为预测带来了不确定性，目前主要依靠计划人员来预测储能未来的表现，受主观影响较大，这不利于电力现货市场组织运营，也给合理的市场规则制定调整增加了一定的困难。

发明内容

本发明提供了一种基于深度学习的储能出力预测方法、系统、设备及介质，以克服现有技术存在缺陷，本发明可以支持在储能设施的运营者具有不同参与市场方案和既定策略、或者在不同场景、或者在不同市场规则及组织形式的情况下，从客观的角度出发，从储能历史参与表现以及电网已知部分来预测储能设施在电网中行为，受主观影响较小，并且减小了人员工作量，供电力市场规划运营人员参考。

为达到上述目的，本发明采用如下技术方案：

基于深度学习的储能出力预测方法，包括：

获取预测电网数据；

将预测电网数据作为预测输入数据输入储能出力预测模型，得到预测储能出力；其中，储能出力预测模型通过对多层神经元网络模型进行训练得到，对多层神经元网络模型进行训练时，将历史电网数据作为历史输入数据，将历史储能出力作为历史输出数据。

进一步地，所述历史电网数据包括历史负荷值、历史网络拓扑结构以及水电、风电、光伏的历史出力值，所述历史网络拓扑结构作为历史输入数据时，将某一历史时间点的历史网络拓扑结构构建为此历史时间点对应的历史关联矩阵；

所述历史储能出力为若干储能设施在历史时间点的储能出力的集合。

进一步地，将历史电网数据作为历史输入数据，将历史储能出力作为历史输出数据，对多层神经元网络模型进行训练的具体过程为：

将历史输入数据构建成历史输入矩阵；所述历史输入矩阵的每一行对应一历史时间点的历史负荷值，不同水电、风电、光伏的历史出力值，以及历史关联矩阵的不同元素，所述历史关联矩阵的不同元素表示历史网络拓扑结构中不同设备之间的连接关系；

将历史输出数据构建成历史输出矩阵；所述历史输出矩阵的每一行对应一历史时间点不同储能设施的储能出力；

将历史输入矩阵和历史输出矩阵通过历史时间点的对应关系连接，形成历史矩阵，对历史矩阵进行归一化处理；

对归一化处理后的历史矩阵按照预设比例拆分得到训练集和测试集，将训练集分解为历史输入训练集和历史输出训练集，将测试集分解为历史输入测试集和历史输出测试集；

采用历史输入训练集和历史输出训练集对多层神经元网络模型进行训练，采用历史输入测试集和历史输出测试集对训练后的多层神经元网络模型进行测试，若测试结果满足要求，则得到储能出力预测模型，若测试结果不满足要求，则调整训练后的多层神经元网络模型的模型参数后，采用历史输入训练集和历史输出训练集重新训练，并采用历史输入测试集和历史输出测试集重新测试，直至测试结果满足要求。