(19)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 202210428062.7 (22)申请日 2022.04.22 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 景锐鹏　孙冰　曾沅　李云飞　 陈家浩　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 专利代理师 韩帅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01)H02J 3/00(2006.01) H02J 3/46(2006.01) H02J 3/48(2006.01) (54)发明名称 一种基于数据驱动 的风光电源消纳优化方 法 (57)摘要 本发明公开了一种基于数据驱动 的风光电 源消纳优化方法， 包括步骤： S1： 获取历史数据并 进行数据预处理； S2： 基于LSTM建立日前负荷预 测模型； S3： 基于k ‑means的可再生能源出力场景 集生成和缩减； S4： 制定风、 光电源最优消纳方 案； 本发明针对负荷预测问题， 基于长短期记忆 学习模型， 训练经过预处理的系统历史负荷数 据， 并对模型的超参数进行优化， 得到更准确的 日前负荷预测数据； 本发明针对风、 光电源出力 预测问题， 基于历史量测数据和历史预测数据统 计预测偏 差的概率分布， 生 成大量计及预测偏差 时变性的初始偏差场景集， 通过k ‑means场景聚 类的方法得到具有代表性的最终场景集， 从而合 理计及风、 光发电不确定性。 权利要求书4页 说明书11页 附图2页 CN 114648176 A 2022.06.21 CN 114648176 A 1.一种基于数据驱动的风 光电源消纳优化方法， 其特 征在于， 包括如下步骤： 步骤1： 获取历史数据并进行 数据预处 理； 步骤2： 基于长短期记忆学习方法建立日前负荷预测模型； 其中： 所述日前负荷预测模 型由四个模块构成， 分别是遗忘门、 输入门、 细胞状态和输出门组成； 所述日前负荷预测模 型中使用两种激活函数， 即σ 激活函数和tanh激活函数， 其中： 所述σ 函数将相应的输入映射 至[0,1]范围内， 用在各个门结构上， 函数产生的0～1之间的数代表着对信息的选择性， 0代 表将对应位置的信息完全遗忘， 1代表将对应位置的信息完全保留； tanh激活函数将相应的 输入映射至[ ‑1,1]范围内； 步骤3： 基于k ‑means场景 聚类方法的可再生能源出力场景集生成和缩减； 其 中： 通过随 机数抽样生成可再生能源出力预测误差的场景集， 所述场景集中每个误差场景叠加可再生 能源出力的预测值， 从而得到可再生能源出力原始场景集， 利用场景聚类方法进行场景削 减获得用于经济调度的最终场景集； 步骤4： 制定风、 光电源最优消纳方案 。 2.根据权利要求1所述的一种基于数据驱动的风光电源消纳优化方法， 其特征在于， 所 述步骤1获取历史数据并进行 数据预处 理过程； 101、 获取历史数据 从系统中各种类型的测量设备和计算机中获取历史系统负荷和风光出力的真实量测 数据和相应预测值。 102、 补充缺失值 补充历史数据中i 位置上的缺失值xi， 可由前后位置历史数据的平均值表示， 计算如下： xi＝(xi‑1+xi+1)/2 103、 对历史负荷数据进行归一 化处理， 归一化的计算公式如下： 其中， x*表示归一化后的历史负荷数据向量， x表示原始历史负荷数据向量， μ表示负荷 数据的平均值， σ 表示负荷数据的标准差； 104、 处理离群点 经过归一化后的数据集服从(0， 1)正态分布， 根据正态分布的性质可知， 样本中在[ ‑2 σ， 2σ ]范围之外的概 率小于5％， 如下式所示： P(|x*‑μ|＞2σ )≤ 0.05。 3.根据权利要求1所述的一种基于数据驱动的风光电源消纳优化方法， 其特征在于， 所 述步骤2中日前负荷预测模型训练过程： 201、 所述日前负荷预测模型在时刻t的第一步运算就是决定对t ‑1时刻细胞状态信息权　利　要　求　书 1/4 页 2 CN 114648176 A 2的筛选， 计算通过遗忘门来完成， 其计算过程如下 所示： ft＝σ(Wf[xt,ht‑1]+bf) 其中， xt表示t时刻给日前负荷预测模型的输入， ht‑1表示t‑1时刻隐含层的输出， Wf表示 遗忘门的权重矩阵， bf表示遗忘门 的偏置， ft表示遗忘门在时刻t下的计算结果， 该计 算结果 由是范围在[0， 1]之间的数组成的向量； 202、 决定让多少新的信息加入到细胞状态中来， 需要输入门实现这步骤的运算， 需要σ 激活函数决定需要信息更新， 同时tanh函数生成一个向量也就是备选的用来更新的内容 gt， 其计算过程如下 所示： it＝σ(Wi[xt,ht‑1]+bi) gt＝tanh(Wg[xt,ht‑1]+bg) 其中， it表示输入门的计算结果是由范围在[0， 1]之间的数组成的向量， Wi、 Wg和bi、 bg分 别表示对应激活函数运 算时的权 重矩阵和偏置矩阵； 203、 更新t时刻的细胞状态Ct， 在该细胞状态 中遗忘了不重要的信息， 并且增加了在时 刻t输入的重要信息， 其计算过程如下 所示： 其中， 表示矩阵中对应位置元 素相乘； 204、 确定t时刻隐含层的输出ht， 其计算过程如下 所示： ot＝σ(Wo[xt,ht‑1]+bo) 其中， Ot表示输出门的计算结果由范围在[0， 1]之间的数组成的向量， Wo和bo分别表示 输出门的权 重矩阵和偏置矩阵； 以上权 重矩阵和偏置矩阵都是 经过LSTM训练自动生成的。 4.根据权利要求1所述的一种基于数据驱动的风光电源消纳优化方法， 其特征在于， 所 述步骤3中基于场景聚类方法的可 再生能源出力场景集 生成和缩 减过程： 301、 统计风、 光出力预测的偏差率 使用过去一年可再生能源出力的历史量测数据及预测数据和矩估计法得到每一个时 间断面的标准差； 每天第t时刻可 再生能源的历史量测数据记为Pttrue， 可用下式表示： 每天第t时刻可 再生能源的历史预测数据记为Ptfore， 可用下式表示： 则可得到每天第t时刻预测误差的偏差率， 记为Xt， 可用下式表示： Xt＝[X1,t X2,t...X365,t] 其计算方法如下： Xt＝(Pttrue‑Ptfore)./Pttrue*100％ 其中， ./表示两个向量对应元 素的比值； 将第t时刻样本均值 和样本二阶中心矩Mt作为总体均值μt和方差 的矩估计， 用下 式计算：权　利　要　求　书 2/4 页 3 CN 114648176 A 3