深度学习在风电爬坡事件预警中的应用研究
发布时间：2022-02-14 20:47
风电装机容量的提高带来了巨大的经济和环境效益,也给电力系统安全稳定运行带来极大影响。风电场大规模集中分布使其出力表现出强相关性,可能会短时间大幅变化,若备用和调节能力不足以平衡,电网频率可能会降低,甚至损失负荷。风电出力具有波动性和不确定性,其预测存在误差,系统需要更多备用来应对风功率变化的影响。因此,研究风电爬坡事件快速准确预测、评估和预警,对于电力系统安全稳定运行具有重要意义。本文从这个角度出发,采用深度学习等人工智能技术对风电爬坡事件进行了预测、评估和预警研究。首先,提出一种基于堆叠降噪自动编码器（stacked denoising autoencoder,SDAE）的风电爬坡事件预测多层特征提取方法。利用K-means聚类算法将具有较高相似度的样本归为一类;针对不同类别,分别利用SDAE进行特征提取,将提取的每一个隐藏层特征都作为预测模型的输入,实现风电爬坡事件的快速准确预测。山东电网仿真分析结果表明,使用SDAE特征提取方法能够一定程度上提高风电爬坡事件预测的准确性,降低漏警率和误警率。其次,提出一种基于支持向量机（support vector machine,SVM）的风电...
【文章来源】：山东大学山东省211工程院校985工程院校教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图１－１?２００８年至２０１７年中国新增和累计风电装机容量??１??
山东大学硕士学位论文??个不同的类别。??２．１．２?Ｋ－ｍｅａｎｓ聚类算法训练过程??Ｋ－ｍｅａｎｓ聚类算法训练过程如下：如图２－１?（ａ），从数据集中选择Ｋ个样??本作为Ｋ个类别的初始聚类中心，计算其余样本到聚类中心的距离；如图２－１??（ｂ），将样本归到距离最近的聚类中心；如图２－１?（ｃ），重新计算Ｋ个类别??的聚类中心，计算其余样本到新的聚类中心的距离，最后再次计算新的聚类中??心。如图２－】（ｄ），重复以上过程，直到聚类中心误差平方和收敛到最小值为??止。??★?？？纖．??＃?＊?－Ｉｗ??（ａ）?（ｂ）??＊?．?＊＊＊？??Ｍ??翁?备??（ｃ）?（ｄ）??图２－１?Ｋ－ｍｅａｎｓ聚类算法??Ｋ－ｍｅａｎｓ聚类算法具有聚类效果好、收敛速度快、算法的可解释度强等优??点，处理数据时具有高效性和可伸缩性，在电力系统相关研宄中获得了广泛的??１２??
山东大学硕士学位论文??Ｌ（ｊｃ，ｊ）?＝?－＾｜｜Ｘｉ，）－Ａ：，?ＩＩ?（２－２）??ｎ??式中，．Ｖｂ，）为受损输入Ａ的重构表示。训练目标是不断地最小化重构误差增强??训练效果［７１］。??通过训练，不断地最小化重构误差Ｚ（ｗ），获得隐层表达如图２－２所示。??隐层表达Ａ?重构误差?????、?■丨??＾、．．＇乂?巧Ｕ?Ｊ?Ｌ乂?ｌ．ｕ?Ｕ?Ｕ?Ｕ?Ｕ??受损输入Ｆ?原始输入ＪＣ?重构表示ｙ??图２－２降噪自动编码器训练过程??首先将受损输入ｉ，通过编码过程映射为隐层表达Ａ?（幻，然后通过解码过程??映射为重构表示．Ｖ（ｉ，），通过不断优化模型参数０和《，使Ｚ（Ｘｊ〇足够小［７２］。编??码和解码分别表示为??ｈ?＝?ｐ０?（ｘ）?＝?，ｖ（ｆｆＳ?＋?ｂ）?（２－３）??ｙ?＝?ｑ〇｛ｈ）?＝?ｓ｛Ｗ?ｈ?＋?ｂ）?（２－４）??式中，０?＝?［％以和０＿＝［象＞］分别为编码和解码模型参数；Ｆ和ＩＴ’分别为编码和??解码权值矩阵；６和Ａ?’为偏置量；为激活函数。??神经网络的神经元的输入和输出是线性关系，这样得到的模型是线性模型，??无法处理复杂的非线性问题。如果要处理非线性问题，输入和输出之前应是非??线性关系，对应的函数应该是非线性函数，称为激活函数。这样训练出的模型??即为非线性模型，本章采用ｓｉｇｍｏｉｄ函数作为激活函数，表达式如式（２－５）所??示。ｓｉｇｍｏｉｄ函数是单调递增且可导函数，定义域为Ｒ，值域为（０，１）。由于其值??域在有限范围内，使用梯度下降法进行训练时会更加稳定。??１４??
【参考文献】：
期刊论文
[1]新电改环境下基于效用函数的电网投资决策评价方法[J]. 马倩,王昭聪,潘学萍,刘肖凡. 电力自动化设备. 2019(12)
[2]基于小波深度置信网络的风电爬坡预测方法[J]. 唐振浩,孟庆煜,曹生现,李扬,牟中华,庞晓娅. 太阳能学报. 2019(11)
[3]一种结合CNN和GRU网络的超短期风电预测模型[J]. 薛阳,王琳,王舒,张亚飞,张宁. 可再生能源. 2019(03)
[4]基于功率波动过程的风电功率短期预测及误差修正[J]. 丁明,张超,王勃,毕锐,缪乐颖,车建峰. 电力系统自动化. 2019(03)
[5]基于SDAE特征提取的含风电电网可用输电能力计算[J]. 闫炯程,李常刚,刘玉田. 电力系统自动化. 2019(01)
[6]基于深度学习分位数回归模型的风电功率概率密度预测[J]. 李彬,彭曙蓉,彭君哲,黄士峻,郑国栋. 电力自动化设备. 2018(09)
[7]基于深度学习的暂态稳定评估与严重度分级[J]. 尹雪燕,闫炯程,刘玉田,仇晨光. 电力自动化设备. 2018(05)
[8]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]. 田芳,周孝信,于之虹. 电力系统保护与控制. 2017(22)
[9]基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用[J]. 黎静华,黄乾,韦善阳,黄玉金. 电网技术. 2017(10)
[10]基于模态分析和Relief算法的在线静态电压稳定特征选取方法[J]. 和怡,朱小军,李登峰,陈涛,张大海,张沛. 电力系统及其自动化学报. 2017(07)
博士论文
[1]大规模风电爬坡预警与决策研究[D]. 马欢.山东大学 2017
[2]大规模风电并网的有功协调控制研究[D]. 何成明.山东大学 2015
硕士论文
[1]基于支持向量机和移动窗口最小二乘法的网格结构损伤识别研究[D]. 兰翔.南昌大学 2019
[2]风电爬坡事件的区间概率估计方法研究[D]. 赵元春.山东大学 2019
[3]基于深度学习的交直流混联系统暂态稳定评估研究[D]. 尹雪燕.山东大学 2019
[4]基于深度学习算法的风功率预测技术[D]. 窦金利.中国电力科学研究院 2018
[5]基于深度学习的风电功率预测方法研究[D]. 张浩.华北电力大学(北京) 2017
[6]风电功率爬坡事件预测方法研究[D]. 孙莹.华北电力大学(北京) 2017
[7]基于气象测量场的风电爬坡事件与功率预测[D]. 刘申.山东大学 2015
本文编号：3625245
【文章来源】：山东大学山东省211工程院校985工程院校教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
图１－１?２００８年至２０１７年中国新增和累计风电装机容量??１??
山东大学硕士学位论文??个不同的类别。??２．１．２?Ｋ－ｍｅａｎｓ聚类算法训练过程??Ｋ－ｍｅａｎｓ聚类算法训练过程如下：如图２－１?（ａ），从数据集中选择Ｋ个样??本作为Ｋ个类别的初始聚类中心，计算其余样本到聚类中心的距离；如图２－１??（ｂ），将样本归到距离最近的聚类中心；如图２－１?（ｃ），重新计算Ｋ个类别??的聚类中心，计算其余样本到新的聚类中心的距离，最后再次计算新的聚类中??心。如图２－】（ｄ），重复以上过程，直到聚类中心误差平方和收敛到最小值为??止。??★?？？纖．??＃?＊?－Ｉｗ??（ａ）?（ｂ）??＊?．?＊＊＊？??Ｍ??翁?备??（ｃ）?（ｄ）??图２－１?Ｋ－ｍｅａｎｓ聚类算法??Ｋ－ｍｅａｎｓ聚类算法具有聚类效果好、收敛速度快、算法的可解释度强等优??点，处理数据时具有高效性和可伸缩性，在电力系统相关研宄中获得了广泛的??１２??
山东大学硕士学位论文??Ｌ（ｊｃ，ｊ）?＝?－＾｜｜Ｘｉ，）－Ａ：，?ＩＩ?（２－２）??ｎ??式中，．Ｖｂ，）为受损输入Ａ的重构表示。训练目标是不断地最小化重构误差增强??训练效果［７１］。??通过训练，不断地最小化重构误差Ｚ（ｗ），获得隐层表达如图２－２所示。??隐层表达Ａ?重构误差?????、?■丨??＾、．．＇乂?巧Ｕ?Ｊ?Ｌ乂?ｌ．ｕ?Ｕ?Ｕ?Ｕ?Ｕ??受损输入Ｆ?原始输入ＪＣ?重构表示ｙ??图２－２降噪自动编码器训练过程??首先将受损输入ｉ，通过编码过程映射为隐层表达Ａ?（幻，然后通过解码过程??映射为重构表示．Ｖ（ｉ，），通过不断优化模型参数０和《，使Ｚ（Ｘｊ〇足够小［７２］。编??码和解码分别表示为??ｈ?＝?ｐ０?（ｘ）?＝?，ｖ（ｆｆＳ?＋?ｂ）?（２－３）??ｙ?＝?ｑ〇｛ｈ）?＝?ｓ｛Ｗ?ｈ?＋?ｂ）?（２－４）??式中，０?＝?［％以和０＿＝［象＞］分别为编码和解码模型参数；Ｆ和ＩＴ’分别为编码和??解码权值矩阵；６和Ａ?’为偏置量；为激活函数。??神经网络的神经元的输入和输出是线性关系，这样得到的模型是线性模型，??无法处理复杂的非线性问题。如果要处理非线性问题，输入和输出之前应是非??线性关系，对应的函数应该是非线性函数，称为激活函数。这样训练出的模型??即为非线性模型，本章采用ｓｉｇｍｏｉｄ函数作为激活函数，表达式如式（２－５）所??示。ｓｉｇｍｏｉｄ函数是单调递增且可导函数，定义域为Ｒ，值域为（０，１）。由于其值??域在有限范围内，使用梯度下降法进行训练时会更加稳定。??１４??
【参考文献】：
期刊论文
[1]新电改环境下基于效用函数的电网投资决策评价方法[J]. 马倩,王昭聪,潘学萍,刘肖凡. 电力自动化设备. 2019(12)
[2]基于小波深度置信网络的风电爬坡预测方法[J]. 唐振浩,孟庆煜,曹生现,李扬,牟中华,庞晓娅. 太阳能学报. 2019(11)
[3]一种结合CNN和GRU网络的超短期风电预测模型[J]. 薛阳,王琳,王舒,张亚飞,张宁. 可再生能源. 2019(03)
[4]基于功率波动过程的风电功率短期预测及误差修正[J]. 丁明,张超,王勃,毕锐,缪乐颖,车建峰. 电力系统自动化. 2019(03)
[5]基于SDAE特征提取的含风电电网可用输电能力计算[J]. 闫炯程,李常刚,刘玉田. 电力系统自动化. 2019(01)
[6]基于深度学习分位数回归模型的风电功率概率密度预测[J]. 李彬,彭曙蓉,彭君哲,黄士峻,郑国栋. 电力自动化设备. 2018(09)
[7]基于深度学习的暂态稳定评估与严重度分级[J]. 尹雪燕,闫炯程,刘玉田,仇晨光. 电力自动化设备. 2018(05)
[8]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]. 田芳,周孝信,于之虹. 电力系统保护与控制. 2017(22)
[9]基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用[J]. 黎静华,黄乾,韦善阳,黄玉金. 电网技术. 2017(10)
[10]基于模态分析和Relief算法的在线静态电压稳定特征选取方法[J]. 和怡,朱小军,李登峰,陈涛,张大海,张沛. 电力系统及其自动化学报. 2017(07)
博士论文
[1]大规模风电爬坡预警与决策研究[D]. 马欢.山东大学 2017
[2]大规模风电并网的有功协调控制研究[D]. 何成明.山东大学 2015
硕士论文
[1]基于支持向量机和移动窗口最小二乘法的网格结构损伤识别研究[D]. 兰翔.南昌大学 2019
[2]风电爬坡事件的区间概率估计方法研究[D]. 赵元春.山东大学 2019
[3]基于深度学习的交直流混联系统暂态稳定评估研究[D]. 尹雪燕.山东大学 2019
[4]基于深度学习算法的风功率预测技术[D]. 窦金利.中国电力科学研究院 2018
[5]基于深度学习的风电功率预测方法研究[D]. 张浩.华北电力大学(北京) 2017
[6]风电功率爬坡事件预测方法研究[D]. 孙莹.华北电力大学(北京) 2017
[7]基于气象测量场的风电爬坡事件与功率预测[D]. 刘申.山东大学 2015
本文编号：3625245
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3625245.html
