CN119441848A 一种新能源送出工程投入产出数据的映射关系确定方法 （国网宁夏电力有限公司经济技术研究院）

一种新能源送出工程投入产出数据的映射本发明提供了一种新能源送出工程投入产充分考虑不同数据之间的相互关系的最终映射2S20、对所有类型设备的关键参数构建设备参数矩阵,每一行代表一种设备,每一列代2.根据权利要求1所述的一种新能源送出工程投入产出数据的映射关系确定方法，其所述设备投入数据包括工程中全部设备的设备参数和设备成本，所述3.根据权利要求2所述的一种新能源送出工程投入产出数据的映射关系确定方法，其4.根据权利要求3所述的一种新能源送出工程投入产出数据的映射关系确定方法，其3;式中，为第i种设备的第j个关键参数归一化后的值，i=1,2…,m，j=1,2…,n；m为设;;;5.根据权利要求4所述的一种新能源送出工程投入产出数据的映射关系确定方法，其;;6.根据权利要求5所述的一种新能源送出工程投入产出数据的映射关系确定方法，其4;7.根据权利要求6所述的一种新能源送出工程投入产出数据的映射关系确定方法，其8.根据权利要求7所述的一种新能源送出工程投入产出数据的映射关系确定方法，其步骤二、分别构建矩阵组,包括新能源未接入时的电能质量方程矩阵组以及新能源接步骤三、对构建的矩阵组中的每个矩阵分别进行奇异值分解,得到稳定方程矩阵和变9.根据权利要求8所述的一种新能源送出工程投入产出数据的映射关系确定方法，其5[0005]这一问题导致新能源送出工程的投资效益难以准确评估，运维资源配置不够合[0006]有鉴于此，本发明提供一种新能源送出工程投入产出数S30、采用主成分分析方法对所述设备特征向量进行降维处理，提取主要特征分6[0009]所述步骤S20具体包括以下步骤：将所述设备关键参数按照设备类型和参数类型[0012]所述步骤S50具体包括以下步骤：根据所述权重系数将所述核心设备特征向量各7[0014]所述步骤S70具体包括以下步骤：从实际工程数据中随机选取20％数据作为验证;式中，F(k)为傅里叶变换后的复数域表示；k=0,1…,n-1为频率分量序号；;8;;;,;。;;9;,;;[0030]进一步的，所述多输入多输出的深度神经网络采用编码器_解码器(Encoder_Decoder)架构，输入层接收经过降维处理的核心设备特征向量，编码器由3层双向LSTM构;式中,ua和uqi分别为第i个采样点的电压d轴和轴分量(p.u.);为电压偏差;式中,为第个采样点的实测频率(Hz);为频率偏差(Hz);为频率变化率(Hz/s);fni为额定频率(Hz);为有功功率偏差(p.u.);kni为频率调节系数。;式中,un为第i个采样点的第h次谐波电压(p.u.);为总谐波畸变率(%);为;;;;;;式中,Ux为左奇异矩阵;E为奇异值矩阵;为右奇异矩阵的转置;ou为第k个矩;;[0044]步骤四:基于八个矩阵的变动方程矩阵,采用改进的BP神经网络计算电能质量向量:;。;;验证集上的损失连续10个epoch没有改善时停止训练。同时使用学习率衰减策略，每50个[0067]如图1所示，是本发明提供的一种新能源送出工程投入产出数据的映射关系确定步骤S10的具体实施方式是通过数据采集和标准化处理，为后续建模分析提供基年度、月度和日度发电量数据，同时从电能质量在线监测系统中提取电压偏差、频率偏差、三相不平衡度和谐波含量等电能质量数据。对采集的原始数据进行标准化处理，采用最大最小值归一化方法，将各类数据统一映射到0到1的区间内，具体计算公式为：[0068]步骤S20的具体实施方式是通过构建设备参数矩阵并进行快速傅里叶变换，实现[0069]步骤S30的具体实施方式是采用主成分分析方法对设备特征向量进行降维处理。得到特征值和对应的特征向量。特征值的大小表示了对应特征向量方向上数据变化的程[0070]步骤S40的具体实施方式是通过建立交互影响矩阵来确定各设备关键参数的权重[0071]步骤S50的具体实施方式是构建设备参数综合评价指标与其他数据之间的映射关[0072]步骤S60的具体实施方式是构建并训练深度神经网络模型。选用多层感知器作为化技术，可以加速网络收敛并防止梯度消失。同时采用dropout技术防止网络过拟合，[0073]步骤S70的具体实施方式是对训练好的深度神经网络模型进行验证和调优。从实[0079]在建立映射关系时，采用深度神经网络的原理是基于投入产出关系的非线性特方法比传统的线性模型更适合描述新能源送出工程中的复[0082]为了更好的理解和实施本发明，下面提供本发明的[0091]产出数据中的输出电能数据从电力调度自动化系统中提取，具体数据如下表5所[0100]最终得到