一种考虑风电不确定性和储能调节的电力***可靠性评估方
法及***
技术领域
本发明涉及电力***可靠性技术领域,并且更具体地,涉及一种考虑风电不确定性和储能调节的电力***可靠性评估方法及***。
背景技术
电力***是一个复杂的动态***。电网调度机构根据日负荷曲线可以制定发电计划,满足次日的电力需求。风电场输出功率具有波动性和间歇性,风电的大规模接入导致发电计划制定难度大大增加,风电给电力***的调度运行带来巨大挑战。随着风能大规模集成到电网中,风能输出的不确定性将对电力***的运行可靠性产生越来越大的影响。有效,准确地分析风电场并网对发电可靠性的影响,可以为有效利用风电提供理论依据。几位学者研究了风电场电力***的可靠性。常见的方法包括分析方法和模拟方法。目前的方法有使用蒙特卡罗采样方法进行随机生产模拟,以评估风电场对电力***生产和运营的影响;考虑不同位置的风速相关性,使用非序列蒙特卡罗模拟方法来分析风电场的等效容量;从***运行方式、元件故障率、分布式电源分析对电网可靠性影响;建立考虑机组强迫停运率的风电场可发出力概率模型,对含风电场电力***的可靠性指标概率分布情况进行研究。
风电场配置适当的储能容量可以有效改善风电场的输出功率波动,提高***的可靠性。现有的考虑风储并网的电力***可靠性评估方法有:建立考虑风速时序性和自相关性的自回归–滑动平均风速预测模型,并结合储能装置在电力***中的应用情况,采用序贯蒙特卡罗仿真方法评估了风储对发输电***可靠性的影响;基于ARMA风速模型,建立含风能和储能设备电力***时序Monte Carlo仿真模型,分析不同储能运行策略对含风能和储能设备的RTS***可靠性影响;模拟风速时间序列,考虑风电机组的时变故障率和降额率以及风电场复杂尾流效应的影响,建立含电池储能风电场的出力模型,提出基于时序蒙特卡罗模拟法的含电池储能电力***的可靠性评估模型。
现有的研究都集中在风速对电力***可靠性的影响上。很少有讨论考虑到风力不确定性的波动范围对***可靠性的影响。
而且,现有的对电力***可靠性进行评估的方法中,很少有关于风力不确定性与储能结合进行评估的方法。
发明内容
针对上述问题,本发明提出了一种考虑风电不确定性和储能调节的电力***可靠性评估方法,包括:
搭建ARIMA模型,根据ARIMA模型获取电力***风电机组的风电功率的点预测值;
对风电功率进行功率区间划分,对不同风电功率区间进行寻优处理,获取不同风电功率区间的最优输出权重β1及β2;
取点预测值与β1及β2的乘积,作为风电功率区间预测的上限和下限;
建立时序负荷模型,获取负荷的预测值,根据负荷的预测值与风电功率的预测值的差值确定电力***风电机组的预测出力;
根据电力***风电***的实际出力及预测出力,确定储能控制策略,并将风电机组接入试验***,使用储能控制策略进行控制,并进行分布式访问,获取接入试验***的风电机组的风电功率实际值及原电力***的可靠性指标值;
根据风电功率预测的上限和下限及原电力***的可靠性指标值,确定预测的上限和下限对电力***的可靠性指标的影响及提升范围;
根据可靠性指标的影响及提升范围,对电力***的可靠性指标进行评估。
可选的,搭建ARIMA模型,包括:
获取电力***风电机组的风电功率序列,对风电功率序列进行平稳化处理确定风电功率序列的显著性;
根据序列AIC准则,及序列显著性选取ARIMA2、1、1模型;
设置ARIMA2、1、1模型中任意两组模型的初始值,进行抽样处理,确定ARIMA模型。
可选的,点预测值的确定,包括:
将风电功率数据以预设比例进行分配,分配为训练数据集和测试数据集;
以训练数据集作为ARIMA模型的输入数据,对ARIMA模型进行训练,生成预测模型;
以测试数据集中的目标点作为输入数据,输入至预测模型,获取目标点的点预测值。
可选的,试验***为节点***。
本发明还提出了一种考虑风电不确定性和储能调节的电力***可靠性评估***,包括:
第一预测模块,搭建ARIMA模型,根据ARIMA模型获取电力***风电机组的风电功率的点预测值;
预处理模块,对风电功率进行功率区间划分,对不同风电功率区间进行寻优处理,获取不同风电功率区间的最优输出权重β1及β2;
计算模块,取点预测值与β1及β2的乘积,作为风电功率区间预测的上限和下限;
第二预测模块,建立时序负荷模型,获取负荷的预测值,根据负荷的预测值与风电功率的预测值的差值确定电力***风电机组的预测出力;
评估模块,根据电力***风电***的实际出力及预测出力,确定储能控制策略,并将风电机组接入试验***,使用储能控制策略进行控制,并进行分布式访问,获取接入试验***的风电机组的风电功率实际值及原电力***的可靠性指标值,根据风电功率预测的上限和下限及原电力***可靠性指标值,确定预测的上限和下限对电力***的可靠性指标的影响及提升范围,根据可靠性指标的影响及提升范围,对电力***的可靠性指标进行评估。
可选的,搭建ARIMA模型,包括:
获取电力***风电机组的风电功率序列,对风电功率序列进行平稳化处理确定风电功率序列的显著性;
根据序列AIC准则,及序列显著性选取ARIMA2、1、1模型;
设置ARIMA2、1、1模型中任意两组模型的初始值,进行抽样处理,确定ARIMA模型。
可选的,点预测值的确定,包括:
将风电功率数据以预设比例进行分配,分配为训练数据集和测试数据集;
以训练数据集作为ARIMA模型的输入数据,对ARIMA模型进行训练,生成预测模型;
以测试数据集中的目标点作为输入数据,输入至预测模型,获取目标点的点预测值。
可选的,试验***为节点***。
本发明利用了已知数据的先验知识和分布假设,且根据这些概率及分布对已观察到的数据进行推理,从而做出最优的判断。
本发明分别分析风电实际功率、区间预测功率上下限对***可靠性指标的影响,该结论在指导风电接入***等领域具有一定工程实际应用价值。
本发明根据储能提高风电场输出功率的可控性特点,引入大规模储能,从而得到加入储能后***可靠性指标的提升范围,对规划风电场及储能接入电力***、调整计划出力、指导电力调度具有一定参考意义。
附图说明
图1为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估方法流程图;
图2为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估方法实施例流程图;
图3为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估方法实施例预测上限及下限流程图;
图4为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估方法实施例预测结果图;
图5为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估方法实施例提升范围对比图;
图6为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估方法实施例提升范围对比图;
图7为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估方法实施例提升范围对比图;
图8为本发明一种考虑风电不确定性和储能调节的电力***可靠性评估***结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本发明提出了一种考虑风电不确定性和储能调节的电力***可靠性评估方法,如图1所示,包括:
搭建ARIMA模型,根据ARIMA模型获取电力***风电机组的风电功率的点预测值;
对风电功率进行功率区间划分,对不同风电功率区间进行寻优处理,获取不同风电功率区间的最优输出权重β1及β2;
取点预测值与β1及β2的乘积,作为风电功率区间预测的上限和下限;
建立时序负荷模型,获取负荷的预测值,根据负荷的预测值与风电功率的预测值的差值确定电力***风电机组的预测出力;
根据电力***风电***的实际出力及预测出力,确定储能控制策略,并将风电机组接入试验***,使用储能控制策略进行控制,并进行分布式访问,获取接入试验***的风电机组的风电功率实际值及原电力***的可靠性指标值;
根据风电功率预测的上限和下限及原电力***的可靠性指标值,确定预测的上限和下限对电力***的可靠性指标的影响及提升范围;
根据可靠性指标的影响及提升范围,对电力***的可靠性指标进行评估。
搭建ARIMA模型,包括:
获取电力***风电机组的风电功率序列,对风电功率序列进行平稳化处理确定风电功率序列的显著性;
根据序列AIC准则,及序列显著性选取ARIMA2、1、1模型;
设置ARIMA2、1、1模型中任意两组模型的初始值,进行抽样处理,确定ARIMA模型。
点预测值的确定,包括:
将风电功率数据以预设比例进行分配,分配为训练数据集和测试数据集;
以训练数据集作为ARIMA模型的输入数据,对ARIMA模型进行训练,生成预测模型;
以测试数据集中的目标点作为输入数据,输入至预测模型,获取目标点的点预测值。
试验***为节点***。
如图2所示,具体包括:
建立ARIMA模型及确定点预测值,包括:
对风功率序列进行平稳化处理;
根据序列的AIC(Akaike information criterion,赤池信息量准则)准则,并考虑到参数的显著性,最终选取ARIMA(2,1,1)模型;
MCMC-贝叶斯方法估计模型参数;
任意给定两组ARIMA模型参数的初始值,进行抽样过程;
由抽样结果计算参数α1和α2的贝叶斯估计,得到原始时间序列的ARIMA模型;
将风电功率数据分为训练数据集和测试数据集,利用训练数据训练ARIMA模型,对测试数据集的值进行预估,通过ARIMA模型得到测试数据的点预测值;
确定区间的预测的上下限,包括:
首先再划分前,初始化粒子群参数,包括设定种群数,粒子初始位置和随机设定初始速度,个体极值和全体极值;
对风功率以200KW为间隔进行等间隔功率划分,用粒子群分别对不同功率段寻优,根据目标函数在每次迭代中计算每个粒子的适应度,更新速度、位置、全局优值,迭代后分别得到区间预测上下限最优输出权重β1和β2;
将ARIMA模型输出的点预测值分别乘以β1和β2,用来获得风功率区间预测的上限和下限;
预测流程如图3所示,预测结果如图4所示,预测值可以很好的落在预测区间范围内,预测精度较高;
建立时序负荷模型,根据负荷与风电机组的功率差值来控制风储***的出力,由风电场实际出力和参考出力确定储能控制策略,当风电场实际出力大于参考出力时,储能***充电,当风电场实际出力小于参考出力时,储能***放电。
在所建模的基础上,将风电场连接到IEEE-RTS79***,使用分布式访问方法,在IEEE-RTS79***中,风电容量为600MW,连接的节点为节点13,节点15和节点18,每个节点风电的安装容量为200MW,用风电区间预测功率的上下限分别建立可靠性模型,从而得到一个风电场在此接入方式下的可靠性区间,与原***可靠性相对比,可靠性得到有效提升。
大规模储能采用同样的分布式访问方法连接到IEEE-RTS79***的13,15和18节点,储能采用60MW×2h=120MW·h的磷酸铁锂电池,每个节点的安装容量为20MW,得到储能***接入后的可靠性指标变化。
可靠性指标变化如图5、图6和图7所示,接入储能装置后,对比只加入风电场***,仿真***失负荷概率、一年内出现切负荷故障的次数大大减少以及由于元件故障退出运行而导致无法满足用户负荷需求的概率都大大降低,电力***可靠性得到有效提升。
其中,风电功率区间预测模型按照以下策略建立。
对风功率序列进行平稳化处理,根据序列的AIC(Akaike informationcriterion,赤池信息量准则)准则,并考虑到参数的显著性,最终选取ARIMA(2,1,1)模型;
AIC准则由以下公式确定;
AIC=2k-2ln(L);
其中:k是参数的数量,L是似然函数;
ARIMA模型为以下公式;
任意给定两组ARIMA模型参数的初始值,进行Gibbs抽样过程,由抽样结果计算参数β1和β2的贝叶斯估计,得到原始时间序列的ARIMA模型;
Gibbs抽样过程如下;
令a=a+1;
直到Markov收敛,并将前N次迭代舍去消除初值对估计造成的影响。
初始化粒子群参数,包括设定种群数,粒子初始位置和随机设定初始速度,个体极值和全体极值,对风功率进行等间隔功率划分,用粒子群分别对不同功率段寻优,根据目标函数在每次迭代中计算每个粒子的适应度,更新速度、位置、全局优值,迭代后得到最优输出权重β1和β2;
风功率区间预测的目标函数按以下公式计算;
PICE=|PINC-PICP|,PINC为额定置信水平,PICP为预测区间覆盖率,是评价预测区间的可靠性指标,该指标反应了实际观测值ti落在预测区间上下界内的概率;
Nt为预测样本数;κ为布尔量,如果预测目标值ti包含于区间预测的上下限,则κ=1,否则κ=0,意义为在实际预测中,为得到有效预测区间,PICP应尽可能接近预设的额定置信水平PINC;
PINAW为预测区间平均带宽,反映预测的清晰度。可以避免因单纯追求可靠性,出现预测区间过宽,不能给出有效的预测值不确定性信息,失去决策价值;
γ
1,
分别为针对预测目标覆盖率偏差、预测区间平均带宽的权重系数,调整权重系数,控制不同准则对优化效果的影响比例,|·|是对PICE、PINAW求取绝对值;
将ARIMA模型输出的点预测值分别乘以β1和β2,用来获得风功率区间预测的上限和下限。
储能模型按照以下策略建立。
以小时为单位建立时序负荷模型;
L(t)=LyRwRdRh(t);
Ly为年最大峰值负荷,Rw为每周最大负荷与年最大峰值负荷的比值,Rd为一天中最大负荷与所在周最大负荷的比值,Rh(t)为某小时负荷与该天最大负荷的比值;
确定储能控制策略;
若Pw(t)>Pref(t),则储能***充电,充电功率PES(t)按以下公式计算;
PES(t)=min(Pw(t)-Pref(t),PES,max,Ecmax;
若Pw(t)<Pref(t),则储能***放电,放电功率PES(t)按以下公式计算:
PES(t)=min(Pref(t)-Pw(t),PES,max,E(t-1)-Edmin;
若Pw(t)=Pref(t),储能***既不充也不放电。
PES,max为储能***的最大充放电功率,E(t-1)为t-1时刻储能剩余容量,Emax、Emin为储能最大最小存储容量,ηc、ηd为储能的充放电效率。
确定储能约束条件;
储能容量约束;
为避免储能电池过度充放电,延长电池使用寿命,需加入储能容量状态约束,限制其充放电深度:0.2≤SOC(t)≤0.8;
充放电功率约束;
SOC
t为t时刻储能***荷电状态,通常规定其容量限制为0.2~0.8以延长电池使用寿命;
为储能***t时刻输出功率;η
c、η
d分别为蓄电池的充放电效率;B
SC为电池额定储能容量;ΔT为充放电持续时间。
IEEE-RTS79可靠性测试***模型按以下步骤进行:
搭建可靠性测试***IEEE-RTS79;
将风电场及储能接入***中,接入方案采用分布式接入方法;
在IEEE-RTS79***中,风电容量为600MW,储能采用60MW×2h=120MW·h的磷酸铁锂电池,其中连接的节点为节点13,节点15和节点18,每个节点风电的安装容量为200MW,储能的安装容量为20MW。
根据风电场功率区间预测模型,假设风电场统输出功率分别取区间预测模型的上限或下限,仿真得到可靠性结果,从而得到风电场在此接入方式下的可靠性区间;
根据储能提高风电场输出功率的可控性特点,引入储能***,从而得到储能***在此接入方式下对可靠性区间的影响。
电力***可靠性指标按照以下公式计算:
LOLP为电力***失负荷概率,表示发电***或输电线路输送功率不能满足负荷用电需求的概率***中出现停电事件的概率,无量纲;
其中,FLOLP(Xi)是与LOLP对应的试验函数;
EPNS为电力***电力不足期望,量纲为MW;
其中,FEPNS(Xi)是与EPNS对应的试验函数;
LOLF为电力***电力不足频率,表示单位时间内***出现切负荷故障次数,量纲为次/年。
其中,CL为仿真时间内切负荷数;T为***总仿真时间;ti为***状态Xi的持续时间,
分析在原IEEE-RTS79节点***中加入风电场以及加入储能对***失负荷频率、失负荷期望、电力不足频率的影响。
本发明还提出了一种考虑风电不确定性和储能调节的电力***可靠性评估***200,如图8所示,包括:
第一预测模块201,搭建ARIMA模型,根据ARIMA模型获取电力***风电机组的风电功率的点预测值;
预处理模块202,对风电功率进行功率区间划分,对不同风电功率区间进行寻优处理,获取不同风电功率区间的最优输出权重β1及β2;
计算模块203,取点预测值与β1及β2的乘积,作为风电功率区间预测的上限和下限;
第二预测模块204,建立时序负荷模型,获取负荷的预测值,根据负荷的预测值与风电功率的预测值的差值确定电力***风电机组的预测出力;
评估模块205,根据电力***风电***的实际出力及预测出力,确定储能控制策略,并将风电机组接入试验***,使用储能控制策略进行控制,并进行分布式访问,获取接入试验***的风电机组的风电功率实际值及原电力***的可靠性指标值,根据风电功率预测的上限和下限及原电力***可靠性指标值,确定预测的上限和下限对电力***的可靠性指标的影响及提升范围,根据可靠性指标的影响及提升范围,对电力***的可靠性指标进行评估。
搭建ARIMA模型,包括:
获取电力***风电机组的风电功率序列,对风电功率序列进行平稳化处理确定风电功率序列的显著性;
根据序列AIC准则,及序列显著性选取ARIMA2、1、1模型;
设置ARIMA2、1、1模型中任意两组模型的初始值,进行抽样处理,确定ARIMA模型。
点预测值的确定,包括:
将风电功率数据以预设比例进行分配,分配为训练数据集和测试数据集;
以训练数据集作为ARIMA模型的输入数据,对ARIMA模型进行训练,生成预测模型;
以测试数据集中的目标点作为输入数据,输入至预测模型,获取目标点的点预测值。
试验***为节点***。
本发明利用了已知数据的先验知识和分布假设,且根据这些概率及分布对已观察到的数据进行推理,从而做出最优的判断。
本发明分别分析风电实际功率、区间预测功率上下限对***可靠性指标的影响,该结论在指导风电接入***等领域具有一定工程实际应用价值。
本发明根据储能提高风电场输出功率的可控性特点,引入大规模储能,从而得到加入储能后***可靠性指标的提升范围,对规划风电场及储能接入电力***、调整计划出力、指导电力调度具有一定参考意义。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。