CN112182835A - 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*** - Google Patents
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*** Download PDFInfo
- Publication number
- CN112182835A CN112182835A CN202010862749.2A CN202010862749A CN112182835A CN 112182835 A CN112182835 A CN 112182835A CN 202010862749 A CN202010862749 A CN 202010862749A CN 112182835 A CN112182835 A CN 112182835A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power
- value
- wind
- power system
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000033228 biological regulation Effects 0.000 title abstract description 16
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 21
- 238000011217 control strategy Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006641 stabilisation Effects 0.000 claims description 8
- 238000011105 stabilization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000002245 particle Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 108090000672 Annexin A5 Proteins 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了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***，属于电力***可靠性技术领域。本发明方法，包括：搭建ARIMA模型；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；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；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；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。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。
Description
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；
给定
的初值
令
从
中抽取参数
从
中抽取参数θi(i＝1,2,…,q)；
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；
γ1,
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；
充电时
放电时
SOCt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；ηc、ηd分别为蓄电池的充放电效率；BSC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。
Claims (8)
1.一种用于电力***可靠性指标的评估方法，所述方法包括：
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。
2.根据权利要求1所述的方法，所述搭建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。
3.根据权利要求1所述的方法，所述点预测值的确定，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。
4.根据权利要求1所述的方法，所述试验***为节点***。
5.一种用于电力***可靠性指标的评估***，所述***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。
6.根据权利要求5所述的***，所述搭建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。
7.根据权利要求5所述的***，所述点预测值的确定，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。
8.根据权利要求5所述的***，所述试验***为节点***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010862749.2A CN112182835A (zh) | 2020-08-25 | 2020-08-25 | 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*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010862749.2A CN112182835A (zh) | 2020-08-25 | 2020-08-25 | 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*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112182835A true CN112182835A (zh) | 2021-01-05 |
Family
ID=73924363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010862749.2A Pending CN112182835A (zh) | 2020-08-25 | 2020-08-25 | 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*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182835A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113489066A (zh) * | 2021-07-08 | 2021-10-08 | 华翔翔能科技股份有限公司 | 计及供需不确定性的含储能电网区间供电可靠性评估方法 |
| CN114757548A (zh) * | 2022-04-22 | 2022-07-15 | 国网福建省电力有限公司电力科学研究院 | 一种采用场景构建的风电储能设备调节性能评估方法 |
| CN115513979A (zh) * | 2022-10-31 | 2022-12-23 | 重庆大学 | 一种计及压缩空气储能的发输电***可靠性评估方法 |
| CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104201723A (zh) * | 2014-08-29 | 2014-12-10 | 重庆大学 | 基于时序模拟的离网型微网可靠性评估方法 |
| CN106355517A (zh) * | 2016-11-07 | 2017-01-25 | 国网重庆市电力公司经济技术研究院 | 一种风电场集电***可靠性计算方法 |
| CN108647415A (zh) * | 2018-04-28 | 2018-10-12 | 国网湖南省电力有限公司 | 用于高比例风电并网的电力***的可靠性评估方法 |
-
2020
- 2020-08-25 CN CN202010862749.2A patent/CN112182835A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104201723A (zh) * | 2014-08-29 | 2014-12-10 | 重庆大学 | 基于时序模拟的离网型微网可靠性评估方法 |
| CN106355517A (zh) * | 2016-11-07 | 2017-01-25 | 国网重庆市电力公司经济技术研究院 | 一种风电场集电***可靠性计算方法 |
| CN108647415A (zh) * | 2018-04-28 | 2018-10-12 | 国网湖南省电力有限公司 | 用于高比例风电并网的电力***的可靠性评估方法 |
Non-Patent Citations (5)
| Title |
|---|
| XIYU N YANG, ET.AL: "A Reliability Assessment Approach for Electric Power Systems Considering Wind Power Uncertainty", vol. 8, 13 January 2020 (2020-01-13), pages 12467 - 12478, XP011767770, DOI: 10.1109/ACCESS.2020.2966275 * |
| 刘芳;李冰;张帆;: "计及配电网经济性与可靠性的电池储能***优化配置", 电力建设, no. 12, 1 December 2015 (2015-12-01), pages 76 - 83 * |
| 杨明明: "风储***并网对电力***可靠性影响研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 9, 15 September 2019 (2019-09-15), pages 042 - 685 * |
| 王步云;: "计及储能控制策略的有源配电网可靠性评估", 自动化与仪器仪表, no. 11, 25 November 2018 (2018-11-25), pages 198 - 202 * |
| 禹海峰;潘力强;吴亚茹;杨高才;雷川丽;马瑞;: "储能提升含高比例风电电力***可靠性分析", 电网与清洁能源, no. 06, 25 June 2020 (2020-06-25), pages 92 - 98 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113489066A (zh) * | 2021-07-08 | 2021-10-08 | 华翔翔能科技股份有限公司 | 计及供需不确定性的含储能电网区间供电可靠性评估方法 |
| CN114757548A (zh) * | 2022-04-22 | 2022-07-15 | 国网福建省电力有限公司电力科学研究院 | 一种采用场景构建的风电储能设备调节性能评估方法 |
| CN115513979A (zh) * | 2022-10-31 | 2022-12-23 | 重庆大学 | 一种计及压缩空气储能的发输电***可靠性评估方法 |
| CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制*** |
| CN117666462B (zh) * | 2024-01-31 | 2024-05-17 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109462231B (zh) | 居民微电网的负荷优化调度方法、***和存储介质 | |
| CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN112182835A (zh) | 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*** | |
| CN110854932A (zh) | 一种交直流配电网多时间尺度优化调度方法及*** | |
| CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
| CN104217113B (zh) | 基于储能概率模型的独立风光储***可靠性评估方法 | |
| CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、***及装置 | |
| CN111555281A (zh) | 一种电力***灵活性资源配置仿真方法及装置 | |
| CN110414725B (zh) | 预测决策一体化的风电场储能***调度方法及装置 | |
| Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
| CN114696351A (zh) | 一种电池储能***动态优化方法、装置、电子设备和存储介质 | |
| He et al. | Stochastic model predictive control of hybrid energy storage for improving AGC performance of thermal generators | |
| CN109146131A (zh) | 一种日前风力发电预测方法 | |
| Nourianfar et al. | Economic emission dispatch considering electric vehicles and wind power using enhanced multi-objective exchange market algorithm | |
| CN115345380A (zh) | 一种基于人工智能的新能源消纳电力调度方法 | |
| CN116995682B (zh) | 一种可调节负荷参与有功潮流连续调整方法与*** | |
| CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及*** | |
| CN113489066A (zh) | 计及供需不确定性的含储能电网区间供电可靠性评估方法 | |
| CN105914780B (zh) | 风储联合发电***发电指标跟踪方法及装置 | |
| CN111799820A (zh) | 一种电力***双层智能混合零星云储能对抗调控方法 | |
| CN114757548A (zh) | 一种采用场景构建的风电储能设备调节性能评估方法 | |
| CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制***、方法和介质 | |
| CN114298429A (zh) | 一种配电网动案辅助决策方法、***、装置和存储介质 | |
| Wehinger et al. | Assessing the effect of storage devices and a PHEV cluster on German spot prices by using model predictive and profit maximizing agents | |
| Kou et al. | Transmission constrained economic dispatch via interval optimization considering wind uncertainty |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210324 Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant after: State Grid Liaoning Electric Power Co., Ltd. Electric Power Research Institute Applicant after: STATE GRID CORPORATION OF CHINA Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant before: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |