CN111682540A - 一种发电侧调峰能力的预测方法和*** - Google Patents
一种发电侧调峰能力的预测方法和*** Download PDFInfo
- Publication number
- CN111682540A CN111682540A CN202010618665.4A CN202010618665A CN111682540A CN 111682540 A CN111682540 A CN 111682540A CN 202010618665 A CN202010618665 A CN 202010618665A CN 111682540 A CN111682540 A CN 111682540A
- Authority
- CN
- China
- Prior art keywords
- determining
- capability
- deep
- output
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种未来调峰能力预测方法和***,通过估算未来一段时间内发电侧调峰资源,可以充分挖掘和利用调峰资源,对调峰资源进行优化配置,指导未来电网规划,并向有关部门提供数据支撑与实施建议。通过本发明所提供的技术方案,可以实现电网规划和调度运行中,发电侧调峰能力的预测与分析,提高电网调峰优化配置方案的优越性,满足在不同电网调峰场景下的调峰需求,并为调峰技术提供新的理论支持。
Description
技术领域
本发明涉及电力***调度运行和促进新能源消纳领域,特别是涉及一种发电侧调峰能力的预测方法和***。
背景技术
近年来,随着电网的发展建设,光伏、风电等新能源装机容量不断增加,火电机组占比不断下降,电网的电源结构产生了较大的变化。而火电机组作为一种重要的调峰电源,其占比的下降将对电力***的稳定和安全提出新的挑战。因此,对发电侧调峰能力的预测,将对电网的规划设计、调度运行具有重要意义。
当前有关发电侧调峰能力的预测方法较少,但在中国发展新能源、调峰资源日趋紧张的大背景下,需要对电网的调峰能力进行预测估计。结合现实情况,在中国西北、东北、华北等地区,新能源的装机容量占比较大、本地负荷较小。例如宁夏地区,在风电、光伏大发时,由于本地负荷较小,其电网的调峰容量十分紧张,仅靠发电侧火电机组的基本调峰能力,根本无法满足电网的稳定运行,这样会极大地影响火电机组的工作状态以及运行的经济性。同时,即使采用一部分机组参与深度调峰,但是由于缺少对未来调峰能力预测数据的支撑,也会大大增加电网未来规划设计以及运行调度的难度。此外,电网空间以及时间维度上海量的数据场景,使得数据具有较大的冗余性和复杂性。
因此,提供一种未来调峰能力预测方法或***,以能够在简化调度难度同时,精确且高效的预测未来调峰能力是本领域亟待解决的一个技术难题。
发明内容
本发明的目的是针对现有技术中存在的问题,提供一种发电侧调峰能力的预测方法和***。
为实现上述目的,本发明提供了如下方案:
一种未来调峰能力预测方法,包括:
获取历史数据对象;所述历史数据对象包括电网的等效负荷数据和新能源出力数据;
采用k-means聚类算法,根据所述历史数据对象确定典型场景;所述典型场景包括第一典型场景和第二典型场景;
根据所述第二典型场景确定第一等效负荷数据、第一风电出力数据和第一光伏出力数据;
根据所述第一等效负荷数据、所述第一风电出力数据和所述第一光伏出力数据确定第一新能源占比;
获取第一最小技术出力和第一实际出力;所述第一最小出力为所述第二典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
根据所述第一最小技术出力和所述第一实际出力确定第一剩余深调能力占比;
根据所述第一新能源占比和所述第一剩余深调能力占比确定第一拟合曲线;
根据所述第一典型场景确定第二新能源占比;
获取第二最小技术出力和第二实际出力;所述第二最小出力为所述第一典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
根据所述第二最小技术出力和所述第二实际出力确定第二剩余深调能力占比;
根据所述第二新能源占比和所述第二剩余深调能力占比确定第二拟合曲线;
确定所述第一拟合曲线和第二拟合曲线的交点以及夹角值;
根据所述交点、所述夹角值和所述第一拟合曲线确定未来时间周期内的拟合曲线;
以所述第一新能源占比为横坐标,根据所述拟合曲线确定与所述横坐标对应的纵坐标;所述纵坐标即为未来时间周期内的剩余深调能力占比;
根据所述未来时间周期内的剩余深调能力占比确定剩余深调能力;
根据所述剩余深调能力确定日调峰能力,并根据所述日调峰能力预测未来时间周期内电网发电侧的调峰能力。
优选的,所述获取历史数据对象,之前还包括:
获取设定时间的区内负荷数据、外送直流联络线功率数据、外送交流联络线功率数据、光伏出力数据和风力出力数据;
根据所述区内负荷数据、所述外送直流联络线功率数据和所述外送交流联络线功率数据确定等效负荷数据;
根据所述光伏出力数据和所述风力出力数据确定新能源出力数据;
根据所述等效负荷数据和所述新能源出力数据确定历史数据对象。
优选的,所述根据所述第一最小技术出力和所述第一实际出力确定第一剩余深调能力占比,具体包括:
根据所述第一最小技术出力和所述第一实际出力确定第一实际深调能力;
根据所述第一实际深调能力和所述第一最小技术出力确定第一最大深调能力;
根据所述第一实际深调能力和所述第一最大深调能力确定第一剩余深调能力;
根据所述第一剩余深调能力和所述第一最大深调能力确定第一剩余深调能力占比。
优选的,所述根据所述第二最小技术出力和所述第二实际出力确定第二剩余深调能力占比,具体包括:
根据所述第二最小技术出力和所述第二实际出力确定第二实际深调能力;
根据所述第二实际深调能力和所述第二最小技术出力确定第二最大深调能力;
根据所述第二实际深调能力和所述第二最大深调能力确定第二剩余深调能力;
根据所述第二剩余深调能力和所述第二最大深调能力确定第二剩余深调能力占比。
一种未来调峰能力预测***,包括:
数据对象获取模块,用于获取历史数据对象;所述历史数据对象包括电网的等效负荷数据和新能源出力数据;
典型场景确定模块,用于采用k-means聚类算法,根据所述历史数据对象确定典型场景;所述典型场景包括第一典型场景和第二典型场景;
数据确定模块,用于根据所述第二典型场景确定第一等效负荷数据、第一风电出力数据和第一光伏出力数据;
第一新能源占比确定模块,用于根据所述第一等效负荷数据、所述第一风电出力数据和所述第一光伏出力数据确定第一新能源占比;
第一出力获取模块,用于获取第一最小技术出力和第一实际出力;所述第一最小出力为所述第二典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
第一剩余深调能力占比确定模块,用于根据所述第一最小技术出力和所述第一实际出力确定第一剩余深调能力占比;
第一拟合曲线确定模块,用于根据所述第一新能源占比和所述第一剩余深调能力占比确定第一拟合曲线;
第二新能源占比确定模块,用于根据所述第一典型场景确定第二新能源占比;
第二出力获取模块,用于获取第二最小技术出力和第二实际出力;所述第二最小出力为所述第一典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
第二剩余深调能力占比确定模块,用于根据所述第二最小技术出力和所述第二实际出力确定第二剩余深调能力占比;
第二拟合曲线确定模块,用于根据所述第二新能源占比和所述第二剩余深调能力占比确定第二拟合曲线;
交点及夹角值确定模块,用于确定所述第一拟合曲线和第二拟合曲线的交点以及夹角值;
拟合曲线确定模块,用于根据所述交点、所述夹角值和所述第一拟合曲线确定未来时间周期内的拟合曲线;
剩余深调能力占比确定模块,用于以所述第一新能源占比为横坐标,根据所述拟合曲线确定与所述横坐标对应的纵坐标;所述纵坐标即为未来时间周期内的剩余深调能力占比;
剩余深调能力确定模块,用于根据所述未来时间周期内的剩余深调能力占比确定剩余深调能力;
调峰能力预测模块,用于根据所述剩余深调能力确定日调峰能力,并根据所述日调峰能力预测未来时间周期内电网发电侧的调峰能力。
优选的,所述预测***还包括:
数据获取模块,用于获取设定时间的区内负荷数据、外送直流联络线功率数据、外送交流联络线功率数据、光伏出力数据和风力出力数据;
等效负荷数据确定模块,用于根据所述区内负荷数据、所述外送直流联络线功率数据和所述外送交流联络线功率数据确定等效负荷数据;
新能源出力数据确定模块,用于根据所述光伏出力数据和所述风力出力数据确定新能源出力数据;
历史数据对象确定模块,用于根据所述等效负荷数据和所述新能源出力数据确定历史数据对象。
优选的,所述第一剩余深调能力占比确定模块,具体包括:
第一实际深调能力确定单元,用于根据所述第一最小技术出力和所述第一实际出力确定第一实际深调能力;
第一最大深调能力确定单元,用于根据所述第一实际深调能力和所述第一最小技术出力确定第一最大深调能力;
第一剩余深调能力确定单元,用于根据所述第一实际深调能力和所述第一最大深调能力确定第一剩余深调能力;
第一剩余深调能力占比确定单元,用于根据所述第一剩余深调能力和所述第一最大深调能力确定第一剩余深调能力占比。
优选的,所述第二剩余深调能力占比确定模块,具体包括:
第二实际深调能力确定单元,用于根据所述第二最小技术出力和所述第二实际出力确定第二实际深调能力;
第二最大深调能力确定单元,用于根据所述第二实际深调能力和所述第二最小技术出力确定第二最大深调能力;
第二剩余深调能力确定单元,用于根据所述第二实际深调能力和所述第二最大深调能力确定第二剩余深调能力;
第二剩余深调能力占比确定单元,用于根据所述第二剩余深调能力和所述第二最大深调能力确定第二剩余深调能力占比。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的未来调峰能力预测方法和***,通过估算未来一段时间内发电侧调峰资源,可以充分挖掘和利用调峰资源,对调峰资源进行优化配置,指导未来电网规划,并向有关部门提供数据支撑与实施建议。通过本发明所提供的技术方案,可以实现电网规划和调度运行中,发电侧调峰能力的预测与分析,提高电网调峰优化配置方案的优越性,满足在不同电网调峰场景下的调峰需求,并为调峰技术提供新的理论支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的未来调峰能力预测方法的流程图;
图2为本发明实施例中基于典型场景的调峰能力预测的流程图;
图3为本发明实施例中的第一拟合曲线图;
图4为本发明实施例中的第二拟合曲线图;
图5为本发明提供的未来调峰能力预测***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是针对电力规划与调度运行中发电侧机组调峰能力问题,提出了一种发电侧调峰能力预测方法和***,以实现电网规划和调度运行中,发电侧调峰能力的预测与分析,提高电网调峰优化配置方案的优越性,满足在不同电网调峰场景下的调峰需求,并为调峰技术提供新的理论支持。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的未来调峰能力预测方法的流程图,如图1所示,一种未来调峰能力预测方法,包括:
步骤100:获取历史数据对象。历史数据对象包括电网的等效负荷数据和新能源出力数据。
步骤101:采用k-means聚类算法,根据历史数据对象确定典型场景。典型场景包括第一典型场景和第二典型场景。
步骤102:根据第二典型场景确定第一等效负荷数据、第一风电出力数据和第一光伏出力数据。
步骤103:根据第一等效负荷数据、第一风电出力数据和第一光伏出力数据确定第一新能源占比。
步骤104:获取第一最小技术出力和第一实际出力。第一最小出力为第二典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称。
步骤105:根据第一最小技术出力和第一实际出力确定第一剩余深调能力占比。
步骤106:根据第一新能源占比和第一剩余深调能力占比确定第一拟合曲线。
步骤107:根据第一典型场景确定第二新能源占比。
步骤108:获取第二最小技术出力和第二实际出力。第二最小出力为第一典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称。
步骤109:根据第二最小技术出力和第二实际出力确定第二剩余深调能力占比。
步骤110:根据第二新能源占比和第二剩余深调能力占比确定第二拟合曲线。
步骤111:确定第一拟合曲线和第二拟合曲线的交点以及夹角值。
步骤112:根据交点、夹角值和第一拟合曲线确定未来时间周期内的拟合曲线。
步骤113:以第一新能源占比为横坐标,根据拟合曲线确定与横坐标对应的纵坐标。纵坐标即为未来时间周期内的剩余深调能力占比。
步骤114:根据未来时间周期内的剩余深调能力占比确定剩余深调能力。
步骤115:根据剩余深调能力确定日调峰能力,并根据日调峰能力预测未来时间周期内电网发电侧的调峰能力。
优选的,步骤105和步骤109中采用相同的方法确定剩余深调能力占比。剩余深调能力占比的确定过程具体包括:
根据最小技术出力和实际出力确定实际深调能力。
根据实际深调能力和最小技术出力确定最大深调能力。
根据实际深调能力和最大深调能力确定剩余深调能力。
根据剩余深调能力和最大深调能力确定剩余深调能力占比。
为了确保对未来调峰能力进行预测的准确性,在步骤100之前还可以包括以下步骤:
获取设定时间的区内负荷数据、外送直流联络线功率数据、外送交流联络线功率数据、光伏出力数据和风力出力数据。
根据区内负荷数据、外送直流联络线功率数据和外送交流联络线功率数据确定等效负荷数据。
根据光伏出力数据和风力出力数据确定新能源出力数据。
根据等效负荷数据和新能源出力数据确定历史数据对象。
下面提供一个基于2017年和2018年电场数据确定的典型场景进行调峰能力预测的具体实施案例,来对本发明提供的技术方案进行进一步说明,在具体应用时,本发明的方案也适用于预测其他电网场景内的调峰能力。
如图2所示,基于该典型场景进行调峰能力预测的过程具体包括:
步骤1:确定当前设定日期T1-Tn内的典型场景。
由于设定日期T1-Tn内的数据量较多,需要选出几个典型场景来代表该段时间内的整体情况,选取典型场景的步骤如下:
步骤11:根据T1-Tn时间段内第d日h时的区内负荷数据LId_h、外送直流联络线功率数据PDCd_h、外送交流联络线功率数据PACd_h,求出T1-Tn时间段内d日h时的等效负荷数据LEd_h=LId_h+PDCd_h+PACd_h。
根据T1-Tn内d日h时的光伏出力数据PVd_h、风力出力数据Wd_h,求出d日h时的新能源出力数据NEd_h=PVd_h+Wd_h。
步骤12:将T1-Tn内第d日作为一个数据对象Xd,每个数据对象包含等效负荷数据LEd_h以及新能源出力数据NEd_h,日期T1-Tn内共形成n个数据对象。
步骤13:数据对象Xd作为输入样本,采用k-means聚类算法,将具有相似等效负荷和相似新能源出力的样本归纳为一个类,每一类作为一个典型场景。
假设聚类共生成y个不同的类,则第i类典型场景记为Ci(i=1,2,…y)。典型场景Ci内第th时的等效负荷为LEi_th,风电出力为Wi_th,光伏出力为PVi_th。
步骤2:根据当地电网规划,以T1-Tn作为当前的时间周期CT1,则未来的时间周期用CT2,CT3,…,CTTend-1,CTTend表示,其中CT2表示时间段Tn+1-T2n,CT3表示时间段T2n+1-T3n,以此类推,CTTend表示最远需要预测的一个时间周期,为第Tend个时间周期,按照当地电网规划报告,在各个时间周期CTj+1(1≤j≤tend,其中,j用来表示预测的时间周期处于哪个位置)的负荷增长率为aload(j),风电装机容量增长率为aw(j),光伏装机容量增长率为apv(j),计算时间周期CTj+1内第i个典型场景Ci第th时的等效负荷th时的风电出力th时的光伏出力
步骤3:根据时间周期CTj+1内第i个典型日的第th时的等效负荷LEi_th(j+1),风电出力Wi_th(j+1),光伏出力PVi_th(j+1),求出时间周期CTj+1内第i个典型日th时的新能源占比
步骤4:确定时间周期CTj+1内,新能源占比EPe(j+1)与剩余深调能力占比RPPe(j+1)的拟合曲线,其中e表示该时间段内不同的时刻(1≤e≤24×n),具体实现步骤如下:
步骤41:根据该区域的电力辅助服务市场运营规则,定义常规机组、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷统称为最小技术出力,机组低于最小技术出力即参与深调,用最小技术出力与当前实际出力的差值作为实际深调能力,并引入极限负荷率的概念,认为其约等于全年中机组出现的最小负荷率,用极限负荷率与装机容量的乘积作为极限出力,用最小技术出力与极限出力的差值作为最大深调能力,再用最大深调能力与实际调峰能力的差值作为剩余深调能力,剩余深调能力占比为剩余深调能力除以最大深调能力,剩余深调能力占比即图3和图4中的区调+网调+国调占比。
步骤42:根据当前时间周期T1-Tn以及前一个时间周期T1-n至T0内的区内负荷、外送直流联络线功率、外送交流联络线功率、光伏出力以及风电出力数据,得到T1-Tn当前时间周期CT1内e时的新能源占比为EPe(1),T1-n至T0上一个时间周期CT0内e时的新能源占比为EPe(0)。
步骤43:根据当前时间周期CT1以及前一个时间周期CT0内,根据不同时刻e发电侧机组的最小技术出力、实际出力、极限负荷率以及装机容量,得到CT1内e时的最大深调能力为Pe_max(1),剩余深调能力为Pe_rp(1),则剩余深调能力占比为则CT0内e时的最大深调能力为Pe_max(0),剩余深调能力为Pe_rp(0),则剩余深调能力占比
步骤44:由时间周期CT1横轴新能源占比EPe(1)以及纵轴剩余深调能力占比RPPe(1)拟合出直线line1,一次项系数为α1,常数项为β1,由时间周期CT0横轴新能源占比EPe(0)以及纵轴剩余深调能力占比RPPe(0)拟合出直线line0,一次项系数为α0,常数项为β0。
步骤45:直线line1与line0的交点为POINT(point_x,point_y),其中两条直线的夹角为θ,则时间周期CTj+1内的拟合直线为linej+1,对于任意j≥1,直线linej+1经过点POINT,且与linej的夹角为θ,与linej-1夹角为2θ,直线linej+1的一次项系数为αj+1,常数项为βj+1。
步骤5:基于典型场景,预测未来该地区的发电侧调峰能力,具体实现步骤如下:
步骤51:将步骤3中时间周期CTj+1内第i个典型日th时的新能源占比EPi_th(j+1)作为横坐标上的数值,对应步骤45中时间周期CTj+1的拟合曲线linej+1得出纵坐标时间周期CTj+1内第i个典型日th时的剩余深调能力占比RPPi_th(j+1)=αj+1×EPi_th(j+1)+βj+1。
步骤52:根据该区域时间周期CTj+1内,电网机组规划情况以及不同典型日i运行时间下各个机组的最小技术出力与极限出力,将它们的差值作为第i个典型日的最大深调能力Pi_max(j+1),则时间周期CTj+1内第i个典型日th时的剩余深调能力RPi_th(j+1)=RPPi_th(j+1)×Pi_max(j+1)。
步骤53:根据第i个典型场景最终簇集合所包含的数据对象数量numi以及时间周期CTj+1内第i个典型日th时的剩余深调能力RPi_th(j+1),加权平均得到时间周期CTj+1内的日调峰能力将该值作为未来电网发电侧调峰能力预测估算与分析的数据依据,提高电网调峰优化配置方案的优越性以及未来电网规划的效率。
针对上述提供的未来调峰能力预测方法,本发明还对应提供一种未来调峰能力预测***。如图5所示,该预测***包括:数据对象获取模块200、典型场景确定模块201、数据确定模块202、第一新能源占比确定模块203、第一出力获取模块204、第一剩余深调能力占比确定模块205、第一拟合曲线确定模块206、第二新能源占比确定模块207、第二出力获取模块208、第二剩余深调能力占比确定模块209、第二拟合曲线确定模块210、交点及夹角值确定模块211、拟合曲线确定模块212、剩余深调能力占比确定模块213、剩余深调能力确定模块214和调峰能力预测模块215。
其中,数据对象获取模块200用于获取历史数据对象。历史数据对象包括电网的等效负荷数据和新能源出力数据。
典型场景确定模块201用于采用k-means聚类算法,根据历史数据对象确定典型场景。典型场景包括第一典型场景和第二典型场景。
数据确定模块202用于根据第二典型场景确定第一等效负荷数据、第一风电出力数据和第一光伏出力数据。
第一新能源占比确定模块203用于根据第一等效负荷数据、第一风电出力数据和第一光伏出力数据确定第一新能源占比。
第一出力获取模块204用于获取第一最小技术出力和第一实际出力。第一最小出力为第二典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称。
第一剩余深调能力占比确定模块205用于根据第一最小技术出力和第一实际出力确定第一剩余深调能力占比。
第一拟合曲线确定模块206用于根据第一新能源占比和第一剩余深调能力占比确定第一拟合曲线。
第二新能源占比确定模块207用于根据第一典型场景确定第二新能源占比。
第二出力获取模块208用于获取第二最小技术出力和第二实际出力。第二最小出力为第一典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称。
第二剩余深调能力占比确定模块209用于根据第二最小技术出力和第二实际出力确定第二剩余深调能力占比。
第二拟合曲线确定模块210用于根据第二新能源占比和第二剩余深调能力占比确定第二拟合曲线。
交点及夹角值确定模块211用于确定第一拟合曲线和第二拟合曲线的交点以及夹角值。
拟合曲线确定模块212用于根据交点、夹角值和第一拟合曲线确定未来时间周期内的拟合曲线。
剩余深调能力占比确定模块213用于以第一新能源占比为横坐标,根据拟合曲线确定与横坐标对应的纵坐标。纵坐标即为未来时间周期内的剩余深调能力占比。
剩余深调能力确定模块214用于根据未来时间周期内的剩余深调能力占比确定剩余深调能力。
调峰能力预测模块215用于根据剩余深调能力确定日调峰能力,并根据日调峰能力预测未来时间周期内电网发电侧的调峰能力。
作为本发明的一优选实施方式,该预测***还包括:数据获取模块、等效负荷数据确定模块、新能源出力数据确定模块和历史数据对象确定模块。
其中,数据获取模块用于获取设定时间的区内负荷数据、外送直流联络线功率数据、外送交流联络线功率数据、光伏出力数据和风力出力数据。
等效负荷数据确定模块用于根据区内负荷数据、外送直流联络线功率数据和外送交流联络线功率数据确定等效负荷数据。
新能源出力数据确定模块用于根据光伏出力数据和风力出力数据确定新能源出力数据。
历史数据对象确定模块用于根据等效负荷数据和新能源出力数据确定历史数据对象。
作为本发明的另一优选实施方式,上述第一剩余深调能力占比确定模块205,具体包括:第一实际深调能力确定单元、第一最大深调能力确定单元、第一剩余深调能力确定单元和第一剩余深调能力占比确定单元。
其中,第一实际深调能力确定单元用于根据第一最小技术出力和第一实际出力确定第一实际深调能力。
第一最大深调能力确定单元用于根据第一实际深调能力和第一最小技术出力确定第一最大深调能力。
第一剩余深调能力确定单元用于根据第一实际深调能力和第一最大深调能力确定第一剩余深调能力。
第一剩余深调能力占比确定单元用于根据第一剩余深调能力和第一最大深调能力确定第一剩余深调能力占比。
作为本发明的另一优选实施方式,上述第二剩余深调能力占比确定模块209,具体包括:第二实际深调能力确定单元、第二最大深调能力确定单元、第二剩余深调能力确定单元和第二剩余深调能力占比确定单元。
其中,第二实际深调能力确定单元用于根据第二最小技术出力和第二实际出力确定第二实际深调能力。
第二最大深调能力确定单元用于根据第二实际深调能力和第二最小技术出力确定第二最大深调能力。
第二剩余深调能力确定单元用于根据第二实际深调能力和第二最大深调能力确定第二剩余深调能力。
第二剩余深调能力占比确定单元用于根据第二剩余深调能力和第二最大深调能力确定第二剩余深调能力占比。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种未来调峰能力预测方法,其特征在于,包括:
获取历史数据对象;所述历史数据对象包括电网的等效负荷数据和新能源出力数据;
采用k-means聚类算法,根据所述历史数据对象确定典型场景;所述典型场景包括第一典型场景和第二典型场景;
根据所述第二典型场景确定第一等效负荷数据、第一风电出力数据和第一光伏出力数据;
根据所述第一等效负荷数据、所述第一风电出力数据和所述第一光伏出力数据确定第一新能源占比;
获取第一最小技术出力和第一实际出力;所述第一最小出力为所述第二典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
根据所述第一最小技术出力和所述第一实际出力确定第一剩余深调能力占比;
根据所述第一新能源占比和所述第一剩余深调能力占比确定第一拟合曲线;
根据所述第一典型场景确定第二新能源占比;
获取第二最小技术出力和第二实际出力;所述第二最小出力为所述第一典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
根据所述第二最小技术出力和所述第二实际出力确定第二剩余深调能力占比;
根据所述第二新能源占比和所述第二剩余深调能力占比确定第二拟合曲线;
确定所述第一拟合曲线和第二拟合曲线的交点以及夹角值;
根据所述交点、所述夹角值和所述第一拟合曲线确定未来时间周期内的拟合曲线;
以所述第一新能源占比为横坐标,根据所述拟合曲线确定与所述横坐标对应的纵坐标;所述纵坐标即为未来时间周期内的剩余深调能力占比;
根据所述未来时间周期内的剩余深调能力占比确定剩余深调能力;
根据所述剩余深调能力确定日调峰能力,并根据所述日调峰能力预测未来时间周期内电网发电侧的调峰能力。
2.根据权利要求1所述的未来调峰能力预测方法,其特征在于,所述获取历史数据对象,之前还包括:
获取设定时间的区内负荷数据、外送直流联络线功率数据、外送交流联络线功率数据、光伏出力数据和风力出力数据;
根据所述区内负荷数据、所述外送直流联络线功率数据和所述外送交流联络线功率数据确定等效负荷数据;
根据所述光伏出力数据和所述风力出力数据确定新能源出力数据;
根据所述等效负荷数据和所述新能源出力数据确定历史数据对象。
3.根据权利要求1所述的未来调峰能力预测方法,其特征在于,所述根据所述第一最小技术出力和所述第一实际出力确定第一剩余深调能力占比,具体包括:
根据所述第一最小技术出力和所述第一实际出力确定第一实际深调能力;
根据所述第一实际深调能力和所述第一最小技术出力确定第一最大深调能力;
根据所述第一实际深调能力和所述第一最大深调能力确定第一剩余深调能力;
根据所述第一剩余深调能力和所述第一最大深调能力确定第一剩余深调能力占比。
4.根据权利要求1所述的未来调峰能力预测方法,其特征在于,所述根据所述第二最小技术出力和所述第二实际出力确定第二剩余深调能力占比,具体包括:
根据所述第二最小技术出力和所述第二实际出力确定第二实际深调能力;
根据所述第二实际深调能力和所述第二最小技术出力确定第二最大深调能力;
根据所述第二实际深调能力和所述第二最大深调能力确定第二剩余深调能力;
根据所述第二剩余深调能力和所述第二最大深调能力确定第二剩余深调能力占比。
5.一种未来调峰能力预测***,其特征在于,包括:
数据对象获取模块,用于获取历史数据对象;所述历史数据对象包括电网的等效负荷数据和新能源出力数据;
典型场景确定模块,用于采用k-means聚类算法,根据所述历史数据对象确定典型场景;所述典型场景包括第一典型场景和第二典型场景;
数据确定模块,用于根据所述第二典型场景确定第一等效负荷数据、第一风电出力数据和第一光伏出力数据;
第一新能源占比确定模块,用于根据所述第一等效负荷数据、所述第一风电出力数据和所述第一光伏出力数据确定第一新能源占比;
第一出力获取模块,用于获取第一最小技术出力和第一实际出力;所述第一最小出力为所述第二典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
第一剩余深调能力占比确定模块,用于根据所述第一最小技术出力和所述第一实际出力确定第一剩余深调能力占比;
第一拟合曲线确定模块,用于根据所述第一新能源占比和所述第一剩余深调能力占比确定第一拟合曲线;
第二新能源占比确定模块,用于根据所述第一典型场景确定第二新能源占比;
第二出力获取模块,用于获取第二最小技术出力和第二实际出力;所述第二最小出力为所述第一典型场景的常规机组的有偿调峰基准、处于非供热期供热机组的有偿调峰基准以及供热期供热机组所核定的最小负荷的统称;
第二剩余深调能力占比确定模块,用于根据所述第二最小技术出力和所述第二实际出力确定第二剩余深调能力占比;
第二拟合曲线确定模块,用于根据所述第二新能源占比和所述第二剩余深调能力占比确定第二拟合曲线;
交点及夹角值确定模块,用于确定所述第一拟合曲线和第二拟合曲线的交点以及夹角值;
拟合曲线确定模块,用于根据所述交点、所述夹角值和所述第一拟合曲线确定未来时间周期内的拟合曲线;
剩余深调能力占比确定模块,用于以所述第一新能源占比为横坐标,根据所述拟合曲线确定与所述横坐标对应的纵坐标;所述纵坐标即为未来时间周期内的剩余深调能力占比;
剩余深调能力确定模块,用于根据所述未来时间周期内的剩余深调能力占比确定剩余深调能力;
调峰能力预测模块,用于根据所述剩余深调能力确定日调峰能力,并根据所述日调峰能力预测未来时间周期内电网发电侧的调峰能力。
6.根据权利要求5所述的未来调峰能力预测***,其特征在于,所述预测***还包括:
数据获取模块,用于获取设定时间的区内负荷数据、外送直流联络线功率数据、外送交流联络线功率数据、光伏出力数据和风力出力数据;
等效负荷数据确定模块,用于根据所述区内负荷数据、所述外送直流联络线功率数据和所述外送交流联络线功率数据确定等效负荷数据;
新能源出力数据确定模块,用于根据所述光伏出力数据和所述风力出力数据确定新能源出力数据;
历史数据对象确定模块,用于根据所述等效负荷数据和所述新能源出力数据确定历史数据对象。
7.根据权利要求5所述的未来调峰能力预测***,其特征在于,所述第一剩余深调能力占比确定模块,具体包括:
第一实际深调能力确定单元,用于根据所述第一最小技术出力和所述第一实际出力确定第一实际深调能力;
第一最大深调能力确定单元,用于根据所述第一实际深调能力和所述第一最小技术出力确定第一最大深调能力;
第一剩余深调能力确定单元,用于根据所述第一实际深调能力和所述第一最大深调能力确定第一剩余深调能力;
第一剩余深调能力占比确定单元,用于根据所述第一剩余深调能力和所述第一最大深调能力确定第一剩余深调能力占比。
8.根据权利要求5所述的未来调峰能力预测方法,其特征在于,所述第二剩余深调能力占比确定模块,具体包括:
第二实际深调能力确定单元,用于根据所述第二最小技术出力和所述第二实际出力确定第二实际深调能力;
第二最大深调能力确定单元,用于根据所述第二实际深调能力和所述第二最小技术出力确定第二最大深调能力;
第二剩余深调能力确定单元,用于根据所述第二实际深调能力和所述第二最大深调能力确定第二剩余深调能力;
第二剩余深调能力占比确定单元,用于根据所述第二剩余深调能力和所述第二最大深调能力确定第二剩余深调能力占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618665.4A CN111682540B (zh) | 2020-07-01 | 2020-07-01 | 一种发电侧调峰能力的预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618665.4A CN111682540B (zh) | 2020-07-01 | 2020-07-01 | 一种发电侧调峰能力的预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111682540A true CN111682540A (zh) | 2020-09-18 |
CN111682540B CN111682540B (zh) | 2021-10-15 |
Family
ID=72437614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618665.4A Active CN111682540B (zh) | 2020-07-01 | 2020-07-01 | 一种发电侧调峰能力的预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111682540B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112993974A (zh) * | 2020-12-26 | 2021-06-18 | 广东电网有限责任公司电力调度控制中心 | 电力现货日前市场出清电价计算方法、装置、终端及介质 |
CN116402411A (zh) * | 2023-06-09 | 2023-07-07 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120080944A1 (en) * | 2006-03-28 | 2012-04-05 | Wireless Environment, Llc. | Grid Shifting System for a Lighting Circuit |
US20150076821A1 (en) * | 2013-09-19 | 2015-03-19 | General Electric Company | System And Method To Minimize Grid Spinning Reserve Losses By Pre-Emptively Sequencing Power Generation Equipment To Offset Wind Generation Capacity Based On Geospatial Regional Wind Conditions |
CN110571864A (zh) * | 2019-09-09 | 2019-12-13 | 重庆大学 | 一种计及风电预测误差时序相关性和机组启停调峰的含风电-光热电力***机组组合方法 |
CN110717688A (zh) * | 2019-10-16 | 2020-01-21 | 云南电网有限责任公司 | 考虑新能源出力不确定性的水风光短期联合优化调度方法 |
CN110991733A (zh) * | 2019-11-29 | 2020-04-10 | 国网吉林省电力有限公司电力科学研究院 | 一种电力***省间调峰需求和调峰能力评估分析方法 |
CN111211569A (zh) * | 2019-11-19 | 2020-05-29 | 国网浙江省电力有限公司金华供电公司 | 一种柔性负荷参与电网调峰的优化配置方法 |
CN111340335A (zh) * | 2020-02-13 | 2020-06-26 | 国网青海省电力公司经济技术研究院 | 用于火电机组灵活性供给能力的评估方法及*** |
-
2020
- 2020-07-01 CN CN202010618665.4A patent/CN111682540B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120080944A1 (en) * | 2006-03-28 | 2012-04-05 | Wireless Environment, Llc. | Grid Shifting System for a Lighting Circuit |
US20150076821A1 (en) * | 2013-09-19 | 2015-03-19 | General Electric Company | System And Method To Minimize Grid Spinning Reserve Losses By Pre-Emptively Sequencing Power Generation Equipment To Offset Wind Generation Capacity Based On Geospatial Regional Wind Conditions |
CN110571864A (zh) * | 2019-09-09 | 2019-12-13 | 重庆大学 | 一种计及风电预测误差时序相关性和机组启停调峰的含风电-光热电力***机组组合方法 |
CN110717688A (zh) * | 2019-10-16 | 2020-01-21 | 云南电网有限责任公司 | 考虑新能源出力不确定性的水风光短期联合优化调度方法 |
CN111211569A (zh) * | 2019-11-19 | 2020-05-29 | 国网浙江省电力有限公司金华供电公司 | 一种柔性负荷参与电网调峰的优化配置方法 |
CN110991733A (zh) * | 2019-11-29 | 2020-04-10 | 国网吉林省电力有限公司电力科学研究院 | 一种电力***省间调峰需求和调峰能力评估分析方法 |
CN111340335A (zh) * | 2020-02-13 | 2020-06-26 | 国网青海省电力公司经济技术研究院 | 用于火电机组灵活性供给能力的评估方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112993974A (zh) * | 2020-12-26 | 2021-06-18 | 广东电网有限责任公司电力调度控制中心 | 电力现货日前市场出清电价计算方法、装置、终端及介质 |
CN116402411A (zh) * | 2023-06-09 | 2023-07-07 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
CN116402411B (zh) * | 2023-06-09 | 2024-05-14 | 济南作为科技有限公司 | 耗差分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111682540B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gabrielli et al. | Robust and optimal design of multi-energy systems with seasonal storage through uncertainty analysis | |
US11757404B2 (en) | Coordinated control of renewable electric generation resource and charge storage device | |
Huang et al. | An endogenous approach to quantifying the wind power reserve | |
CN108092324B (zh) | 一种风电参与调峰调频的agc控制***和控制方法 | |
CN111276973A (zh) | 一种计及风功率波动的电力***惯量需求评估的方法 | |
CN104268800B (zh) | 基于场景库的风电并网调峰平衡判定方法 | |
CN111682540B (zh) | 一种发电侧调峰能力的预测方法和*** | |
CN112491043B (zh) | 一种新能源富集电网电源规划方法及*** | |
CN112381375B (zh) | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 | |
CN110119888A (zh) | 一种基于分布式电源接入的有源网格化规划方法 | |
CN109103924A (zh) | 基于柔性分析的可再生能源消纳能力关键因素的分析方法 | |
CN115051388A (zh) | 一种基于分布鲁棒的“源-网-荷-储”两阶段调度优化方法 | |
CN113746105A (zh) | 电力需求响应的优化控制方法、装置、设备和存储介质 | |
CN115660234B (zh) | 一种基于混合测算方法的双碳预测优化模型 | |
CN116993022A (zh) | 一种机组检修和水电电量的调配方法和装置 | |
CN112003329B (zh) | 一种基于全局能耗优化的火电机组调峰调控方法及*** | |
CN116562422A (zh) | 一种电能量与爬坡备用的联合出清方法及终端 | |
Li et al. | Analysis of China's wind power development driven by incentive policies based on system dynamics model | |
CN112436510B (zh) | 一种风-光-火特高压直流外送调度方法及*** | |
CN111404195B (zh) | 一种基于智能网关的含分布式电源微电网的调度方法 | |
CN112651540A (zh) | 一种配电网规划项目投资优化方法 | |
Ganesan et al. | Dynamic and intelligent load servicing strategy for a stand-alone solar PV-based microgrid | |
CN112132320B (zh) | 一种区域电网电力资源感知方法、存储介质和设备 | |
CN116436020B (zh) | 新能源上网汇集站的需求判定方法及*** | |
CN108695888A (zh) | 一种新能源发电消纳预警分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |