本发明涉及电力系统及其自动化，具体而言，涉及一种电力系统调频速度需求量化方法。
背景技术：
1、构建以新能源为主体的新型电力系统是落实我国“双碳”目标的关键途径。然而，新能源的强随机波动特性给电网安全稳定运行带来了严峻挑战。通过电力系统调度决策合理安排资源运行方式，是维持电力系统供需实时平衡的关键环节。现有电力系统调度决策方法主要包括不确定性调度决策方法和确定性调度决策方法。
2、不确定性调度决策方法能够计及新能源不确定性的影响，因而受到国内外学者的广泛关注，其主要包括：多场景法、机会约束法、鲁棒优化法等。其中，多场景优化方法根据新能源随机波动特性生成典型场景，并以典型场景下系统期望运行成本最低为目标函数，以满足不同场景下的运行安全为约束条件，制定最优决策方案，但反应新能源随机波动特性的场景数随表征新能源不确定性的随机变量维度的增加而爆炸增长，在大规模电力系统中的求解效率难以满足实际计算需求；机会约束方法确保新能源随机波动影响下系统运行约束越限概率低于设定阈值，并且通过调整阈值大小可实现电网运行安全性与经济性的权衡，但机会约束模型仅在新能源出力满足特定分布(如正态分布)时才可转化为二阶锥形式，否则需通过抽样迭代等方式进行求解，计算复杂度较高。鲁棒优化方法确保电力系统调度能够有效应对新能源随机波动极端场景，可确保最坏场景下的系统运行安全，但该方法较为保守，难以兼顾系统运行经济性，且一般为非凸双层优化问题，计算复杂度较高。综上可见，尽管不确定性调度决策方法能够考虑新能源不确定性的影响，但该类方法的计算复杂度通常较高，难以满足实际电力系统调度决策的计算时间要求。
3、为满足调度决策计算时间要求，目前工业界普遍采用计算负担较小的确定性调度决策方法，其应对新能源随机波动特性的方式是：在调度决策环节引入系统调频容量需求，使机组预留足够调频容量，以确保实际运行中参与调频的机组具有充裕的出力调整空间，以应对新能源随机波动。调频容量需求的设定原则是使机组预留容量大于系统净负荷相对于机组计划出力的最大偏差，以确保机组具有足够运行裕度来应对新能源的随机波动。工业界通常根据运行经验设置调频容量需求，如将调频容量需求设置为每个时段负荷峰值的2％-5％，或设置为负荷、新能源预测值的固定比例。这种调频容量需求量化方法简单易操作，但未能考虑新能源随机波动特性的影响。为改善该问题，国内外学者相继提出了其他改进方法，包括基于新能源预测误差分布情况的方法、基于数据驱动的方法等。然而，为应对新能源随机波动特性的影响，现有方法主要关注系统调频容量需求，以保障系统调节裕度，而未考虑系统短时功率波动的影响。实际上，即使机组预留了足够的调频容量，但如果参与调频的机组调节速度难以有效跟随新能源的短时波动，系统也将无法有效维持电力实时平衡，威胁电网运行安全。因此，除系统调频容量需求外，有必要引入系统净负荷短时功率最大波动，以确保参与调频的机组调节速度能够有效应对净负荷短时功率波动。
技术实现思路
1、本发明旨在至少解决现有技术中存在缺少可靠有效的电力系统调频方法，传统电力系统调频策略中缺少对于系统短时功率波动的考量的技术问题之一。
2、为此，本发明第一方面提供了一种电力系统调频速度需求量化方法。
3、本发明第二方面提供了一种计算机设备。
4、本发明第三方面提供了一种计算机可读存储介质。
5、本发明提供了一种电力系统调频速度需求量化方法，包括：
6、根据电网运行数据构造面向净负荷短时功率最大波动预测的样本特征向量；其中，所述电网运行数据包括负荷数据、新能源出力数据、气象数据和特殊日期数据；所述净负荷短时功率最大波动定义为固定调度时段内净负荷在单位时长的最大变化值；所述样本特征向量包括输入特征向量和输出特征向量；
7、根据训练样本与预测日样本之间的相似性以及训练样本与预测日样本各输入特征向量间的匹配程度进行训练样本和样本特征向量的筛选；
8、构建净负荷短时功率最大波动点预测模型，利用筛选后的训练样本和样本特征向量对净负荷短时功率最大波动点预测模型进行训练；
9、将净负荷短时功率最大波动点预测模型输出的系统净负荷短时功率最大波动点预测值输入到净负荷短时功率最大波动区间预测模型中，得到净负荷短时功率最大波动预测结果的置信区间；
10、将净负荷短时功率最大波动预测结果的置信区间的上限值作为系统调频速度需求。
11、根据本发明上述技术方案的电力系统调频速度需求量化方法，还可以具有以下附加技术特征：
12、在上述技术方案中，所述输入特征向量包括：负荷功率特征、新能源功率特征、净负荷功率特征、气象因素特征和特殊日期信息；
13、其中，所述特殊日期信息包括节假日类型；
14、所述输出特征向量包括预测日当天净负荷短时功率最大波动值。
15、在上述技术方案中，训练样本的筛选包括：
16、采用改进加权欧式距离量化不同样本与预测日样本间的匹配度：
17、
18、其中，q表示预测日前一天负荷功率特征、新能源功率特征、净负荷功率特征以及净负荷短时功率波动特征；n表示预测日当天气象因素特征；r表示预测日当天节假日类型；l表示样本编号；表示每类特征的加权欧式距离；a和b分别为两个w维的样本数据，z表示每一维特征的权重，下标为数据维度编号；dl为两个样本最终的欧式距离计算结果；
19、将欧式距离最小的l个样本作为训练样本。
20、在上述技术方案中，样本特征向量的筛选包括：
21、量化训练样本与待预测样本间各维特征的匹配度：
22、
23、
24、其中，wl表示由归一化后训练样本与待预测样本间欧式距离构造的训练样本权重，欧式距离越小，则训练样本权重越大，对输入特征向量匹配度量化结果的影响也越大；分别表示筛选后训练样本欧式距离的最大与最小值；l表示筛选后的训练样本总数；p表示输入特征维度；表示第l个样本中不同输入特征向量与预测日相应输入特征向量之间的欧氏距离；dp表示最终量化的训练样本和待预测样本之间第p维特征的匹配度；
25、选取匹配度最高的t个特征向量作为最终输入特征向量。
26、在上述技术方案中，所述净负荷短时功率最大波动区间预测模型包括：
27、
28、其中，hi表示第i个样本点的自适应带宽；h0表示全局基线带宽；λ表示调整参数；g(x)表示在x处密度估计；f(x)为概率密度函数；k表示核函数；n表示样本数量；xi表示净负荷短时功率最大波动点预测模型预测得到的第i个样本点；
29、
30、其中，累计分布函数f(x)表示随机变量x小于或等于某个具体数值x的概率；
31、根据累计分布函数f(x)的逆函数得到ppf函数：
32、b＝f-1(r)
33、其中，b表示对应于累积概率r的分位点，r表示累积概率。
34、在上述技术方案中，所述净负荷短时功率最大波动区间预测模型包括：
35、
36、其中，f(x)为概率密度函数；h表示固定带宽；k表示核函数；n表示样本数量；xi表示净负荷短时功率最大波动点预测模型预测得到的第i个样本点；
37、
38、其中，累计分布函数f(x)表示随机变量x小于或等于某个具体数值x的概率；
39、根据累计分布函数f(x)的逆函数得到ppf函数：
40、b＝f-1(r)
41、其中，b表示对应于累积概率r的分位点，r表示累积概率。
42、在上述技术方案中，采用深度神经网络构建所述净负荷短时功率最大波动点预测模型。
43、在上述技术方案中，采用数据驱动模型构建所述净负荷短时功率最大波动点预测模型；
44、所述数据驱动模型包括极限学习机、决策树、长短期记忆网络或卷积神经网络。
45、本发明还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载并执行时实现如上述技术方案中任一项所述的电力系统调频速度需求量化方法。
46、本发明还提供了一种计算机可读存储介质，存储有程序，当所述程序被处理器加载时实现如上述技术方案中任一项所述的电力系统调频速度需求量化方法。
47、综上所述，由于采用了上述技术特征，本发明的有益效果是：
48、本发明基于电网实际可获取的负荷、新能源、气象信息，构造了面向净负荷短时功率最大波动预测的样本特征向量，同时对训练样本与样本特征向量进行筛选，进而建立了净负荷短时功率最大波动点预测模型，实现了净负荷短时功率最大波动的准确预测。为确保调频速度需求的充裕性，在点预测模型基础上，进一步建立了基于自适应带宽核密度估计(adaptive bandwidth kernel density estimation,abkde)的净负荷短时功率最大波动区间预测模型，可得到净负荷短时功率最大波动预测结果的置信区间，以区间上限作为系统净负荷短时功率最大波动可确保其能够覆盖实际净负荷的短时最大波动。通过本发明所提出的方法，能够准确量化系统净负荷短时功率最大波动，为日前调度决策方案的合理制定提供有力参考。
49、本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
1.一种电力系统调频速度需求量化方法，其特征在于，包括：
2.根据权利要求1所述的电力系统调频速度需求量化方法，其特征在于，所述输入特征向量包括：负荷功率特征、新能源功率特征、净负荷功率特征、气象因素特征和特殊日期信息；
3.根据权利要求2所述的电力系统调频速度需求量化方法，其特征在于，训练样本的筛选包括：
4.根据权利要求3所述的电力系统调频速度需求量化方法，其特征在于，样本特征向量的筛选包括：
5.根据权利要求1所述的电力系统调频速度需求量化方法，其特征在于，所述净负荷短时功率最大波动区间预测模型包括：
6.根据权利要求1所述的电力系统调频速度需求量化方法，其特征在于，所述净负荷短时功率最大波动区间预测模型包括：
7.根据权利要求1所述的电力系统调频速度需求量化方法，其特征在于，采用深度神经网络构建所述净负荷短时功率最大波动点预测模型。
8.根据权利要求1所述的电力系统调频速度需求量化方法，其特征在于，采用数据驱动模型构建所述净负荷短时功率最大波动点预测模型；
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载并执行时实现如权利要求1至8中任一项所述的电力系统调频速度需求量化方法。
10.一种计算机可读存储介质，其特征在于，存储有程序，当所述程序被处理器加载时实现如权利要求1至8中任一项所述的电力系统调频速度需求量化方法。
