[发明专利]一种基于预测的低碳调度方法

说明书

本发明属于风电预测技术领域，具体为一种基于预测的低碳调度方法，包括步骤1：变分模态分解(VMD)，变分模态分解是在EMD的基础上提出的一种新型复杂信号分解方法，步骤2：门控循环神经网络预测模型，循环神经网络(RNN)主要用于处理历史时间序列；步骤3：综合需求响应调度模型，负荷侧响应主要包括电负荷响应与热负荷响应；其中电负荷响应主要分为可中断负荷与可转移负荷；热负荷以温度作为调节约束，在可允许的范围内进行调整，称为可调节热负荷，解决在风电预测工作中的梯度消失和梯度爆炸问题，同时降低原始数据的复杂度的非平稳对预测精度的影响，提高深度学习方法的预测性能，以及电力系统调度过程中风电消纳水平低，碳排放量高的问题。

技术领域

本发明涉及风电预测技术领域，具体为一种基于预测的低碳调度方法。

背景技术

目前中国正在大力发展新能源发电技术，例如光伏、风能、潮汐能等。风电等新能源发电边际成本低且无碳排放，正逐步成为新型电力系统的主导电源，其中风电产业发展潜力巨大，风电装机容量逐年上升。

然而风电具有很强的不确定性和波动性，随着风电的渗透率不断上升，这种不确定性与波动性也会更加强烈，从而对风电出力情况进行预测时会产生相应的预测误差，进而给电力系统的优化调度带来了很大挑战。其大规模并网加大了电力系统的调峰压力，必要时需通过弃风来保证电网的安全运行。而系统的风电消纳水平与碳排放量息息相关，因此提高含风电电力系统的消纳水平替代常规火电的出力，实现系统低碳化是一热点问题。本专利为了提高风电利用率，主要从发电侧与负荷侧进行分析。

发电侧方面，提高应对风电出力不确定性能力的主要方法是预测风电出力。对区域综合能源系统来说，其调度的合理性主要依赖于风电出力的预测精度。风电预测包括短期风电预测(数小时到数天)，其结果可以帮助电网进行合理的经济调度、机组组合运行和机组维护；中期风电预测(数天到数月)，其结果可以帮助风电场制定季度发电计划，安排大规模的维护活动；长期风电预测(数月到数年)，主要用于风电场的选址。为了让电网有计划地应对风电增加所产生的电力大量波动，短期的风电预测非常重要。

风电预测的研究方法主要有物理方法、统计方法和人工智能方法。物理方法主要以天气预报模型(NWP)为代表，采用实时气象条件进行预测，由于气象模型的复杂性和预报数据更新频率低，不适用于短期和超短期风率预测。统计方法主要有移动平均自回归模型(ARIMA)、卡尔曼滤波等方法。文献提出一种改进的差分自回归移动平均模型对风电功率进行预测，并通过误差分析验证了该方法比传统的ARIMA方法有更好的预测精度。人工智能方法指人工神经网络、深度学习等智能算法。

负荷侧方面，需求侧响应可以改变用户固有的用电或供暖模式，以达到减少或者推移某时段的用电供热热负荷而响应电热供应，以此提高系统的调节能力，提升了整个含风电-热的综合能源系统的消纳能力，实现系统的低碳化。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于现有的风电预测模型的算法中存在的问题，提出了本发明。

因此，本发明的目的是提供一种基于预测的低碳调度方法，解决在风电预测工作中的梯度消失和梯度爆炸问题，同时降低原始数据的复杂度的非平稳对预测精度的影响，提高深度学习方法的预测性能，以及电力系统调度过程中风电消纳水平低，碳排放量高的问题。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种基于预测的低碳调度方法，其包括如下步骤：

步骤1：变分模态分解(VMD)