[发明专利]一种基于独立循环神经网络的新能源出力预测方法及系统

说明书

本发明公开了本发明涉及一种基于独立循环神经网络的新能源出力预测方法及系统，通过输入规划地区发展的某类新能源若干年内的出力曲线的历史数据，采用PFCM聚类算法对各年度出力曲线进行聚类，确定各年度的最优聚类场景数目N_S，采用场景削减算法获取各年的概率权重典型出力曲线，然后对独立循环神经网络进行训练，利用训练所得预测模型进行未来的年典型出力曲线预测；本发明用于在地区广泛进行新能源电力规划建设的发展新阶段中，能够着重考量新能源渗透率的变化，预测出更为精准的年度新能源出力典型曲线，在新能源规划建设中能够取得更为精确新能源出力预测结果，为地区电力规划建设与调度工作提供更为可靠的参考。

技术领域

本发明涉及新能源发展预测技术领域，尤其涉及一种基于独立循环神经网络的新能源出力预测方法及系统。

背景技术

随着能源的日益短缺和绿色发展路线的贯彻，推进能源结构改革和实现可持续发展成为我国能源系统改革的重中之重，而我国在太阳能、风能和电能等新能源领域也取得了高速发展。但是，在全国广泛推广使用新能源的同时，新能源出力的不确定性使风机和光伏电源等新能源的发展受到一定程度的限制，而准确预测出力状况能够实现新能源的高效消纳，因此，风机、光伏等新能源的出力预测对电力调度工作具有重大意义。目前，较为成熟的预测方法大多根据新能源历史发电量进行预测，如灰色预测算法、神经网络法、支持向量机等，但这些方法均缺乏对政策、城市发展规划等因素的着重考量，存在着预测精度不理想的问题，不适用于新能源大规模推广应用的大背景。近年来，深度学习、人工智能技术的进步为精细化考量新能源出力的影响因素并提高预测精度提供了有效途径，因此，在城市大力发展新能源的背景下，亟待需要一种着重考量新能源渗透率的变化的新能源出力预测方法。

发明内容

本发明的目的是提供一种基于独立循环神经网络的新能源出力预测方法及系统，能够着重考量新能源渗透率的变化，预测出更为精准的年度新能源出力典型曲线，为地区电力规划建设与调度工作提供更为可靠的参考。

本发明采用的技术方案为：

一种基于独立循环神经网络的新能源出力预测方法，包括以下步骤：

A、通过数据输入模块输入规划区域内一类新能源N年内的年出力曲线历史数据；

B、采用可能性模糊C-均值聚类算法对N年内各年度出力曲线进行聚类，根据聚类中心的聚类密集性，确定各年度的最优聚类场景数目N_S；

C、将各年度期望场景数设定为N_S，采用场景削减算法获取N年内各年度的年概率权重典型出力曲线；

D、独立循环神经网络根据N年内各年度的年概率权重典型出力曲线和该类新能源的特征数据进行训练建模，以训练获取基于独立循环神经网络的深度学习预测模型；特征数据包括该类新能源的历史年渗透率和历史年装机容量；

E、通过数据输入模块输入该类新能源在该区域内规划的预计特征数据，深度学习预测模型对规划区域内该类新能源未来的规划年典型出力曲线进行预测；预计特征数据包括该类新能源的规划年渗透率和规划年装机容量；

F、数据输出模块输出该类新能源的规划年典型出力曲线预测结果。

进一步地，所述步骤B中可能性模糊C-均值聚类算法的目标函数表达公式如下：

公式(1)中，U表示隶属度原型矩阵，T表示典型性原型矩阵，V表示聚类中心，X表示原始数据集，c表示聚类中心数目，u_ik代表n个元素相对于c个聚类中心的隶属度，t_ik代表n个元素相对于c个聚类中心的典型性值，a用于表征隶属度值的影响，b用于表征典型性值的影响，m和η为加权指数，x_k表示原始数据元素，v_i表示聚类中心元素，γ_i表示算法的惩罚因子参数，为正数。