大发888促销活动,炸金花千术之防切还原,棋牌上去(中国)·官方网站

考慮時空關(guān)聯(lián)與數(shù)據(jù)隱私性的有源配電網(wǎng)分布式光伏功率預(yù)測技術(shù)

（一）成果背景分布式光伏可在用戶側(cè)就近安裝與消納，減少因長距離輸送帶來的線路損耗問題，在新型電力系統(tǒng)建設(shè)中發(fā)揮著重要作用。2021年6月，國家能源局綜合司發(fā)布了《關(guān)于報送整縣（市、區(qū)）屋頂分布式光伏開發(fā)試點方案的通知》，用以推動分布式光伏高質(zhì)量發(fā)展、支撐新型電力系統(tǒng)建設(shè)。在該政策的推進下，分布式光伏容量迅猛增長。截至2021年底，國內(nèi)分布式光伏裝機容量已達到107.5GW，約占光伏總裝機容量的三分之一，且其增長速度已經(jīng)超過了集中式光伏。（二）痛點問題對于配電網(wǎng)來說，光伏出力易受天氣因素影響，具有極強的隨機波動特性，大規(guī)模分布式光伏接入，一方面加劇了配電網(wǎng)負荷短時波動，影響電力實時平衡，制約負荷預(yù)測精度提升；另一方面，分布式光伏出力特性與負荷特性的不匹配造成其難以消納，為有源配電網(wǎng)運行管理帶來嚴峻挑戰(zhàn)。對于電力市場交易來說，隨著新一輪電力體制改革的持續(xù)深入，分布式光伏所有者作為售電商參與市場競爭成為必然趨勢。分布式光伏出力的不確定性與短時劇烈波動性，使得分布式光伏電站/售電商難以制定合理的市場交易策略與電力交易合同，面臨嚴重的市場風險。因此，亟需精準的分布式光伏功率預(yù)測，為有源配電網(wǎng)調(diào)度運行、分布式光伏消納，分布式光伏參與電力市場等提供有力數(shù)據(jù)支撐。（三）技術(shù)方案 1、基于變分模態(tài)分解與動態(tài)圖卷積網(wǎng)絡(luò)的分布式光伏功率預(yù)測首先利用變分模態(tài)分解各分布式光伏復(fù)雜出力序列分解為相對簡單、波動較小的不同頻率子序列，以減小場站間關(guān)聯(lián)關(guān)系的挖掘難度。然后，基于分布式光伏場站間時空關(guān)聯(lián)性處于動態(tài)變化中的考慮，利用全連接神經(jīng)網(wǎng)絡(luò)將各節(jié)點特征映射到多維空間，而后利用時域卷積挖掘跨節(jié)點關(guān)聯(lián)關(guān)系，由此以數(shù)據(jù)驅(qū)動方式挖掘各頻率下各場站子序列關(guān)聯(lián)性，有效實現(xiàn)子序列動態(tài)圖結(jié)構(gòu)的構(gòu)建。最終，基于可用于非歐式空間結(jié)構(gòu)數(shù)據(jù)建模的卷積神經(jīng)網(wǎng)絡(luò)，將其與動態(tài)圖結(jié)構(gòu)結(jié)合，建立考慮動態(tài)時空關(guān)聯(lián)性的圖卷積預(yù)測模型，針對不同頻率下出力子序列分別預(yù)測，而后重構(gòu)得到各場站功率進而獲取配電網(wǎng)分布式光伏總功率。 2、基于深度聯(lián)邦學習的分布式光伏發(fā)電功率預(yù)測首先，基于長短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建時域自編碼器模型，該模型編碼器用于提取每個時間步輸入的時域特征，而后利用解碼器將該特征向量轉(zhuǎn)換為輸出序列進行未來時間步的預(yù)測，自編碼能顯著增強長短期記憶神經(jīng)網(wǎng)絡(luò)的時域建模能力。而后，利用注意力機制解決其在處理長輸入時間序列時會導(dǎo)致解碼器面臨特征冗余問題，且使模型聚焦于對輸出更關(guān)鍵的時域特征。由此，利用注意力自編碼預(yù)測模型通過對時域特征的有效挖掘?qū)崿F(xiàn)功率預(yù)測精度的進一步提升。在此基礎(chǔ)上，開發(fā)了用于分布式光伏功率預(yù)測的聯(lián)邦學習框架，在該框架中，本地用戶僅需將本地模型進行共享，無需數(shù)據(jù)的傳輸，而后由中央服務(wù)器進行模型的聚合以實現(xiàn)用戶間信息共享。在各本地場站進行注意力自編碼預(yù)測模型的訓練；在中央服務(wù)器，基于聯(lián)邦平均算法實現(xiàn)各本地預(yù)測模型的匯聚、全局模型的生成與下發(fā)。在保證數(shù)據(jù)隱私性的前提下取得與傳統(tǒng)集中式機器學習訓練近似的預(yù)測效果。（四）競爭優(yōu)勢 1、有效表征廣域分布式光伏集群間時空關(guān)聯(lián)特征，實現(xiàn)分布式光伏功率預(yù)測精度提升。當缺乏氣象實測或預(yù)報數(shù)據(jù)時，考慮分布式光伏時空相關(guān)性可有效提升分布式光伏功率預(yù)測精度?，F(xiàn)有研究多利用各光伏場站地理距離或者整體出力表征時空相關(guān)性。這種靜態(tài)建模方式在分布式光伏出力模式長期穩(wěn)定的情況下，可以取得較好的預(yù)測效果。然而，易受天氣因素的影響，分布式光伏出力極易發(fā)生短時波動，因而各場站關(guān)聯(lián)性處于動態(tài)變化過程。以恒定的場站間關(guān)聯(lián)關(guān)系去考慮這種復(fù)雜的集群出力序列，顯然無法反映天氣影響下分布式光伏出力短時變化，難以實現(xiàn)功率預(yù)測精度的有效提升。所提的基于變分模態(tài)分解與動態(tài)圖卷積網(wǎng)絡(luò)的分布式光伏功率預(yù)測方法，利用數(shù)據(jù)驅(qū)動方式實現(xiàn)挖掘各場站間關(guān)聯(lián)特性的動態(tài)實時挖掘。在基礎(chǔ)上，考慮到不同模態(tài)分量下各場站間關(guān)聯(lián)關(guān)系的差異性，將各場站原始功率分解為了相對簡單、波動較小的不同頻率模態(tài)分量，減小關(guān)聯(lián)關(guān)系的挖掘難度。 2、有效保證各分布式光伏數(shù)據(jù)隱私性，且能取得與傳統(tǒng)集中式機器學習訓練方式近似的預(yù)測效果現(xiàn)有的數(shù)據(jù)驅(qū)動預(yù)測方法性能在很大程度上依賴于訓練數(shù)據(jù)的數(shù)量，因此大多以一種集中的訓練方式實現(xiàn)，即中央服務(wù)器匯聚來自各場站的運行數(shù)據(jù)而后進行模型的訓練。然而，這種集中訓練的方式會期限數(shù)據(jù)隱私，使用戶信息暴露在公共環(huán)境而導(dǎo)致被外部攻擊者進行數(shù)據(jù)分析、行為探測等。此外，在競爭激烈的電力市場中，分布式光伏場站所有者可能不愿共享數(shù)據(jù)。這些因素使傳統(tǒng)模型訓練方式難以實現(xiàn)。所提的基于深度聯(lián)邦學習的分布式光伏發(fā)電功率預(yù)測方法，利用注意力自編碼模型在本地場站進行建模預(yù)測，實現(xiàn)對本地功率時域特征的有效挖掘；利用分散式訓練的聯(lián)邦學習框架，實現(xiàn)各場站預(yù)測模型信息共享，有效保證本地用戶的數(shù)據(jù)隱私的同時取得不錯的預(yù)測效果。創(chuàng)新點 1、考慮了場站間關(guān)聯(lián)關(guān)系的動態(tài)性。對于分布式光伏，雖然場站數(shù)量眾多、分布廣泛，但是其位置臨近，由于云團運動等氣象因素導(dǎo)致的相關(guān)性較強。所提方法以數(shù)據(jù)驅(qū)動方式根據(jù)網(wǎng)絡(luò)當前的各場站輸入功率進行關(guān)聯(lián)關(guān)系的動態(tài)表征，實現(xiàn)功率預(yù)測精度的有效提升。 2、在保障各分布式光伏站點數(shù)據(jù)隱私應(yīng)的前提現(xiàn)實現(xiàn)信息共享。利用自編碼結(jié)構(gòu)進一步提升LSTM的時間序列建模能力；利用注意力機制模型聚焦于對預(yù)測更關(guān)鍵的輸入特征，以此實現(xiàn)時域特征的有效挖掘。在此基礎(chǔ)上，利用聯(lián)邦學習框架聚合各本地模型，實現(xiàn)各站點信息聚合，實現(xiàn)精度有效提升。市場前景隨著新型電力系統(tǒng)建設(shè)目標的推進，分布式光伏裝機容量呈爆發(fā)式增長。所研成果可應(yīng)用于配電網(wǎng)負荷預(yù)測、用戶可調(diào)度容量評估、激勵型需求響應(yīng)基線負荷估計等場景中，為高比例分布式光伏有源配電網(wǎng)的安全、經(jīng)濟、高效運行，維持電力平衡等工作提供重要參考。同時，隨著分布式光伏逐步參與到電力市場，所研成果可為分布式光伏售電商制定最優(yōu)的交易策略，簽訂合理的價格合同提供有力數(shù)據(jù)支撐。綜上所述，所研成果市場前景廣闊。

華北電力大學 2023-08-10

新葡京娱乐场-大陆娱乐场开户注册