基于深度神经网络与自适应核密度估计的可再生能源电力系统调节容量需求预测方法

《Processes》：Quantification of Power Grid Frequency Regulation Capacity Demand Based on Deviation Prediction

　　

摘要

在全球脱碳目标的驱动下，可再生能源发电的快速增长正使电力系统承受日益加重的频率调节负担。因此，可靠估计调节容量需求对于协调能量与辅助服务市场出清以及保障电网安全运行至关重要。本文提出了一种数据驱动的方法，在捕捉可再生能源波动特性的同时，准确量化该容量需求。该方法以可再生能源出力、负荷波动及气象条件作为预测变量，并以各时间区间内最大一分钟净负荷偏差定义目标容量。为应对尺度不平衡及冗余高维输入问题，我们引入了一种基于改进加权欧氏距离的训练样本与特征双重筛选程序。随后，利用深度神经网络（DNN）生成确定性的容量预测，并通过自适应带宽核密度估计（ABKDE）对残差误差进行建模。将所得预测区间的置信上界作为所需的调节容量。在2023年某省级电网运行数据上的测试表明，春季场景的平均绝对百分比误差（MAPE）为3.62%，决定系数（R²）为98.31%。经ABKDE补偿后，预测区间覆盖率达100%，而预测区间归一化平均宽度（PINAW）保持在7.46%。在不同可再生能源渗透水平以及四个季节中，模型性能均保持稳健。