CN113705874B - 新能源电网演化预测方法、装置、计算机设备和存储介质 - Google Patents
新能源电网演化预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113705874B CN113705874B CN202110952453.4A CN202110952453A CN113705874B CN 113705874 B CN113705874 B CN 113705874B CN 202110952453 A CN202110952453 A CN 202110952453A CN 113705874 B CN113705874 B CN 113705874B
- Authority
- CN
- China
- Prior art keywords
- power grid
- index
- evolution
- key index
- key
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004146 energy storage Methods 0.000 claims abstract description 84
- 238000011161 development Methods 0.000 claims abstract description 72
- 238000010248 power generation Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 239000000446 fuel Substances 0.000 claims abstract description 21
- 230000035699 permeability Effects 0.000 claims description 64
- 238000005070 sampling Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 28
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 25
- 229910052799 carbon Inorganic materials 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 abstract description 25
- 230000004044 response Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 239000003245 coal Substances 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种新能源电网演化预测方法、装置、计算机设备和存储介质。所述方法包括:确定目标区域对应的关键指标集合;关键指标集合包括影响目标区域电网发展的发电资源指标、储能指标、用电需求侧指标、灵活性资源指标、以及燃料价格指标;对关键指标集合中的每一个指标进行数值预测处理,获得关键指标样本集合;利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据;演化数据包括目标区域对应的发电资源结构的演化数据以及目标区域对应的灵活性资源结构的演化数据。采用本方法能够实现电网演化路径的自动化智能预测,排除人为因素的影响,保证生成的演化路径的准确性,并使预测出的电网演化路径具备一定的全局覆盖性。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种新能源电网演化预测方法、装置、计算机设备和存储介质。
背景技术
随着灵活性资源(例如,火电机组灵活性改造、抽水蓄能、电池储能、压缩空气储能、负荷转移型需求侧回应、负荷削减型需求侧回应)不断参与到电网的演化发展中,电网的演化将会面临诸多不确定性因素,从而使电网的演化具有深度不确定性。对辨识电网演化的关键驱动因素、判别电网演化的路径,造成了极大的挑战。
传统技术中,主要依靠人为经验预测电网可能的演化路径。主要是预先根据在先经验预测出多种可能的演化路径,并将这几种可能的演化路径当做未来***大致的演化发展路径。
然而,传统的电网演化路径预测方法受人为因素影响较大,而且仅预测几条电网可能的演化路径,就将这些路径作为未来***大致的演化发展路径,使预测结果缺乏普适性,可见现有技术难以保证演化路径的准确性。
发明内容
本申请提供一种新能源电网演化预测方法、装置、计算机设备和存储介质,能够提高预测电网演化路径的全局覆盖性,在一定程度上保证了预测演化路径的准确性。
第一方面,提供了一种电网演化预测方法,该方法包括:确定目标区域对应的关键指标集合;关键指标集合包括影响目标区域电网发展的发电资源指标、影响目标区域电网发展的储能指标、影响目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响目标区域电网发展的燃料价格指标;对关键指标集合中的每一个指标进行数值预测处理,获得关键指标样本集合;利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据;演化数据包括目标区域对应的发电资源结构的演化数据以及目标区域对应的灵活性资源结构的演化数据。
结合第一方面,在第一方面的一种可能的实现方式中,对关键指标集合中的每一个指标进行数值预测处理,以获得关键指标样本集合,包括:针对关键指标集合中的每一个指标,确定每一个指标在预测时段内的上限值和下限值,根据每一个指标的上限值和下限值对关键指标集合中的各个指标进行赋值处理;采用蒙特卡洛方法对赋值处理后的关键指标集合进行随机抽样,获得每一个指标在每个预测时段内的数值,根据每一个指标在每个预测时段内的数值确定关键指标样本集合。
结合第一方面,在第一方面的一种可能的实现方式中,利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据,包括:将关键指标样本集合输入电网演化预测算法中的目标函数,利用电网演化预测算法中的约束条件对关键指标样本集合进行约束处理;根据目标函数的输出以及约束处理的结果确定目标区域对应的多组演化数据;其中,目标函数为:电网演化在各个预测时段的投资成本、电网固定运维成本、以及电网可变运行成本之和最优;约束条件包括:电网的建设约束和电网的运行成本约束。
结合第一方面,在第一方面的一种可能的实现方式中,投资成本为建设电力***中发电资源和灵活性资源所投入的资金成本;电网固定运维成本为对电力***中建设的设备进行日常维护所投入的资金成本;电网可变运行成本为电力***中发电资源运行时所消耗的燃料的成本。
结合第三方面,在第三方面的一种可能的实现方式中,电网的建设约束包括以下至少一项:各个预测时段内各电网节点上的各类资源的投资容量约束、投资总容量约束、电网演化最终阶段的可再生能源渗透率约束和电网演化最终阶段碳排放量约束;电网的运行成本约束为维持电力***中各类发电资源正常运行所需的资金成本。
结合第一方面,在第一方面的一种可能的实现方式中,针对关键指标集合中的任意一个关键指标,计算关键指标在不同的演化数据中的差异度,将最大的差异度作为该关键指标的影响因子;将关键指标集合中,影响因子大于预设门限的一个或多个关键指标确定为目标区域电网演化的关键驱动因素;该关键驱动因素用于预测演化数据。
结合第一方面,在第一方面的一种可能的实现方式中,计算目标区域的灵活性资源发展指标,灵活性资源发展指标包括灵活性资源容量需求、灵活性资源边际容量需求、电池储能出现点和电池储能主导点;其中,灵活性资源容量需求为在不同可再生能源电量渗透率下,***的灵活性资源容量,灵活性资源边际容量需求为在不同可再生能源电量渗透率下,渗透率增长预设数值对应的灵活性资源容量增量,电池储能出现点为电池储能在电力***中出现时对应的可再生能源电量渗透率,电池储能主导点为电池储能容量占灵活性资源容量的预设比例时对应的可再生能源电量渗透率。
第二方面,提供了一种电网演化预测装置,该装置包括:确定模块,用于确定目标区域对应的关键指标集合;该关键指标集合包括影响目标区域电网发展的发电资源指标、影响目标区域电网发展的储能指标、影响目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响目标区域电网发展的燃料价格指标;
数值处理模块,用于对关键指标集合中的每一个指标进行数值预测处理,获得关键指标样本集合;
演化数据生成模块,用于利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据;该演化数据包括目标区域对应的发电资源结构的演化数据以及目标区域对应的灵活性资源结构的演化数据。
第三方面,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序。处理器执行计算机程序时实现上述第一方面或第一方面任意一种可能的实现方式中所述的方法的步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面或第一方面任意一种可能的实现方式中所述的方法的步骤。
本申请提供一种新能源电网演化预测方法、装置、计算机设备和存储介质,可以确定目标区域对应的关键指标集合,并对关键指标集合中的每一个指标进行数值预测处理,以获得关键指标样本集合;最后,还可以利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据;演化数据用于表征电网的演化趋势、演化路径等。其中,关键指标集合包括影响目标区域电网发展的发电资源指标、影响目标区域电网发展的储能指标、影响目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响目标区域电网发展的燃料价格指标。可见,本申请中计算机能够基于电网演化预测算法实现对电网演化路径的自动化智能预测,解决了现有技术依靠人工进行电网演化路径预测,导致演化路径的准确性难以保证的问题。基于电网演化预测算法可以排除人为因素对电网演化预测的影响。另外,本申请的关键指标集合基本涵盖了影响电网发展的各种指标,具体包括灵活性资源配置相关的一些指标,在预测电网路径时充分考虑了灵活性资源配置等不确定性因素,因此基于关键指标集合以及电网演化预测算法能够获得较为全面的演化路径,预测出的电网演化路径具备一定的全局覆盖性。
附图说明
图1为一个实施例中电网演化预测方法的流程示意图;
图2为一个实施例中数值预测处理方法的流程示意图;
图3为一个实施例中演化数据分析方法的流程示意图;
图4为一个实施例中火电机组灵活性改造路径设定图;
图5为一个实施例中基于时变模式的关键驱动因素辨识示意图;
图6为一个实施例中西北地区现状装机情况及负荷情况的示意图;
图7为一个实施例中***演化路径及其分布的示意图;
图8为一个实施例中不同可再生能源电量渗透率下灵活性资源需求情况的示意图;
图9为一个实施例中电池储能在大量演化路径中统计情况的示意图;
图10为一个实施例中可再生能源渗透率演化数据聚类结果的示意图;
图11为一个实施例中不同类别路径对应的关键指标的均值曲线图;
图12为一个实施例中各关键指标的类间平均距离图;
图13为一个实施例中海量演化路径生成及分析的框架图;
图14为一个实施例中电网演化预测装置的结构示意图;
图15为一个实施例中电网演化数据分析结构示意图;
图16为一个实施例中电网演化数据调整结构示意图;
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种电网演化预测方法,应用于计算机设备,如图1所示,所述方法包括以下步骤:
步骤101、确定目标区域对应的关键指标集合;关键指标集合包括影响目标区域电网发展的发电资源指标、影响目标区域电网发展的储能指标、影响目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响目标区域电网发展的燃料价格指标;
本申请实施例中为了实现电网演化路径的自动化预测,需要确定多个影响电网发展的不确定性因素,以便基于这些不确定性因素预测电网的演化路径,使得预测的演化路径能够兼顾不确定性因素的影响。具体实现中,在针对某个区域进行电网演化预测时,可以确定影响该区域电网演化的一些关键指标。例如,对目标区域进行电网演化预测时,首先确定该目标区域的关键指标集合,该关键指标集合包括影响目标区域电网演化方向的一些关键指标。
一种可能的实现方式中,关键指标集合包括影响所述目标区域电网发展的发电资源指标、储能指标、用电需求侧指标、灵活性资源指标、燃料价格指标。
其中,发电资源指标可以是目标区域的各种发电资源的投资参数,投资参数可以表征对应发电资源的投资细节,例如,可以是各种发电资源的投资价格。示例性的,发电资源可以是煤电、气电、水电、风电、光伏、光热。
储能指标可以是目标区域灵活性资源的储能效率,储能效率可以表征电力***的应急能力,例如,可以是锂电池储能效率、压缩空气储能效率。其中,锂电池储能主要利用锂离子电池中的化学物质的化学反应储存或释放电力,压缩空气储能主要利用电网负荷低谷时的剩余电力压缩空气,并将其储藏在高压密封设施内,在用电高峰释放出来驱动燃气轮机发电。
用电需求侧指标可以是目标区域电力***的电力需求响应,电力需求响应可以表征电力***运行的可靠性,例如,可以是用电需求侧响应的投资价格,用电需求侧响应的补偿价格、用电需求侧响应的容量潜力。其中,用电需求侧响应的投资价格为电力***在用户需要或电力紧张时,为保证供需平衡,确保***运行的可靠性所投入的资金,示例性的,用电需求侧响应的投资价格可以是转移型需求侧回应单位投资价格、削减型需求侧回应单位投资价格;用电需求侧响应的补偿价格为用户在***需要或电力紧张时减少电力需求,以此获得直接补偿或其他时段的优惠电价,示例性的,用电需求侧响应的补偿价格可以是转移型需求侧回应单位补偿价格、削减型需求侧回应单位补偿价格;用电需求侧响应的容量潜力为电力***在用户需要或电力紧张时,所能给用户或电力设备提供的最大电功率,示例性的,用电需求侧响应的容量潜力可以是转移型需求侧回应容量潜力、削减型需求侧回应容量潜力。
灵活性资源指标可以是目标区域的各种灵活性资源的投资参数,投资参数可以表征对应灵活性资源的投资细节,例如,可以是各种灵活性资源的投资价格或在每个预测时段的最大投资容量(在每个预测时段内,电力***所能在灵活性资源上投入的最大资金)。示例性的,灵活性资源的投资价格可以是抽水蓄能单位投资价格、锂电池储能单位投资价格、压缩空气储能单位投资价格;其中,抽水蓄能是电力***利用电力负荷低谷时的电能抽水至上水库,在电力负荷高峰期再放水至下水库发电的水电站。即当电力***中用电设备消耗的电功率较小时,将剩余电功率用于将水抽至上水库,将电能转化为水的势能;当电力***中用电设备消耗的电功率较大时,将水放至下水库,将水的势能转化为电能。灵活性资源在每个预测时段的最大投资容量可以是锂电池储能在每阶段的最大投资容量、压缩空气储能在每阶段的最大投资容量。其中,锂电池储能在每阶段的最大投资容量为每个预测时段内,电力***所能在锂电池储能上投入的最大资金;压缩空气储能在每阶段的最大投资容量为每个预测时段内,电力***所能在压缩空气储能设备上投入的最大资金。
燃料价格指标可以是目标区域的各种发电资源运行时所消耗的燃料的价格。示例性的,燃料价格可以是煤电燃料价格、气电燃料价格。
以下表1为本申请实施例提供的一种关键指标集合,包括了21种影响电网发展演化的关键指标(不确定性因素)。
具体实现中,目标区域的关键指标集合,可以是根据目标区域的电网实际发展情况确定的。计算机设备可以接收用户输入的关键指标集合,或者关键指标集合可以是预先存储在计算机设备中的。
表1
步骤102、对关键指标集合中的每一个关键指标进行数值预测处理,以获得关键指标样本集合;
本申请实施例中为了基于关键性指标集合确定目标区域对应的演化数据,因此需要对关键指标集合中的各个指标进行赋值处理。例如,可以对关键指标集合中的每一个关键指标进行数值预测处理,以获得关键指标样本集合。
具体实现中,可以对关键指标集合中的每一个关键指标进行量化,并采用随机抽样的方法对量化后的结果进行抽样,获得关键指标样本集合。其中,量化可以是确定每一个指标可能的取值,抽样可以是对各指标可能取值的抽样。一次抽样得到的数据就是一组关键指标样本,多次抽样得到的数据就是关键指标样本集合。
一种可能的实现方式中,对已经确定的影响电网发展的不确定性因素进行量化,量化数据可以是对历史数据进行分析并预测得到的,也可以是依据其他相关文献确定的;对已经量化的影响电网发展的不确定性因素进行抽样,可以采用随机抽样的方法进行抽样。
步骤103、利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据;演化数据包括目标区域对应的发电资源结构的演化数据以及目标区域对应的灵活性资源结构的演化数据。
现有技术基于人为经验由人工预测电网演化路径,本申请实施例中计算机设备可以通过自动化处理算法获得电网的演化路径。例如,在对目标区域进行电网演化预测时,可以根据电网演化预测算法处理该区域对应的关键指标样本集合,获得该区域对应的多组演化数据。
具体实现中,将关键指标样本集合输入电网演化预测算法中,可以确定各个指标样本在某些约束条件下的合理演化,因此可以根据演化后的指标样本构建该区域的电网演化数据。
一种可能的实现方式中,演化数据用于表征电网的演化趋势,或者电网的演化路径。多组演化数据可以确定目标区域的多条电网演化路径。示例性的,演化数据可以包括目标区域对应的发电资源结构的演化数据以及目标区域对应的灵活性资源结构的演化数据。
其中,演化数据用来表征演化趋势,可以是目标区域对应的发电资源结构和灵活性资源结构在未来几年的变化趋势。发电资源结构是指在目标区域内部署的各种发电资源的配置,具体可以为各种发电资源在目标区域内的建设数量占总建设数量的百分比。灵活性资源结构是指在目标区域内部署的各种灵活性资源的配置,具体可以为各种灵活性资源在目标区域内的建设数量占总建设数量的百分比。
本申请实施例提供的一种电网演化预测方法中,计算机能够基于电网演化预测算法实现对电网演化路径的自动化智能预测,解决了现有技术依靠人工进行电网演化路径预测,导致演化路径的准确性难以保证的问题。基于电网演化预测算法可以排除人为因素对电网演化预测的影响。另外,本申请的关键指标集合基本涵盖了影响电网发展的各种指标,具体包括灵活性资源配置相关的一些指标,在预测电网路径时充分考虑了灵活性资源配置等不确定性因素,因此基于关键指标集合以及电网演化预测算法能够获得较为全面的演化路径,预测出的电网演化路径具备一定的全局覆盖性。
前文所述的步骤102中,计算机设备可以通过对关键指标集合进行量化、抽样,获得关键指标样本集合。例如,前文涉及的“对关键指标集合中的每一个指标进行数值预测处理,以获得关键指标样本集合”的具体实现包括图2所示的步骤:
步骤201、针对关键指标集合中的每一个指标,确定每一个指标在预测时段内的上限值和下限值,根据每一个指标的上限值和下限值对关键指标集合中的各个指标进行赋值处理。
本申请实施例中为了生成具体的电网演化数据,因此需要对关键指标集合进行量化处理,以具体的数据表示关键指标集合。例如,可以对关键指标集合中的每一个指标进行赋值,以获得赋值后的关键指标集合。
具体实现中,将关键指标集合中的每一个关键指标划分为多个预测时段,并确定每个关键指标在每个预测时段内的上限值和下限值(上界和下界),以多阶段(多个预测时段)、区间化(上限值和下限值区间)的形式表示该关键指标集合,完成对该关键指标集合的赋值处理;
一种可能的实现方式中,将关键指标集合中的每一个关键指标划分为多个预测时段。例如,参考表2具体可以划分为从2025年至2050年间的5个预测时段,每个预测时段为5年;确定每一个关键指标在预测时段内的上限值和下限值,在一个预测时段内,每一年的上限值、下限值可以不变,每一个关键指标在预测时段内的上限值和下限值可以是对历史数据进行分析并预测得到的,也可以依据其他相关文献确定。
表2
步骤202、采用蒙特卡洛方法对赋值处理后的关键指标集合进行随机抽样,获得每一个指标在每个预测时段内的数值,根据每一个指标在每个预测时段内的数值确定关键指标样本集合。
本申请实施例中为了将关键指标集合进行基于算法的处理,需要对已经赋值的关键指标集合进行抽样,获得关键指标样本集合。
具体实现中,针对每一个关键指标的各个预测时段,在该预测时段的上限值和下限值的区间内进行随机抽样,将随机抽样得到的一组数据作为一组关键指标样本,多次抽样得到的数据即为关键指标样本集合。
一种可能的实现方式中,对赋值后的关键指标集合抽样,可以采用蒙特卡洛方法进行随机抽样,抽样的结果为每一个关键指标在每个预测时段的上、下限区间内的具体数值,以该具体数值代表该关键指标在该预测时段的数据,一次抽样的结果为一组关键指标样本,对赋值后的关键指标集合进行多次随机抽样,从而获得关键指标样本集合。
如前文表1所示,为本申请确定的影响电网演化发展的21个不确定性因素(关键指标集合),将这21个不确定性因素划分为从2025年至2050年间的5个预测时段,每个预测时段为5年,然后确定每一个不确定性因素在各预测时段内的上限值和下限值,得到这21个不确定性因素的量化结果;接着对每一个不确定性因素在每一个预测时段的上、下限区间内进行随机抽样,抽样得到的数值代表该不确定性因素在该预测时段的数据,一次抽样的结果为一组关键指标样本,对量化后的关键指标集合进行多次随机抽样,获得关键指标样本集合。
其中,对表1中的21个不确定性因素(关键指标集合)的量化结果如表2所示。以表2中煤电单位投资价格这个不确定性因素为例:表中,2025年至2030年即为一个预测时段,2030年至2035年为一个预测时段,2025至2050年间共有5个预测时段;559$/kW(1美元每千瓦)为煤电单位投资价格在2025至2030年间的最低单位投资价格,即为2025至2030年这个预测时段的下限值,621$/kW为煤电单位投资价格在2025至2030年间的最高单位投资价格,即为2025至2030年这个预测时段的上限值。对煤电单位投资价格在2025年至2030年这个预测时段抽样时,随机抽取559$/kW至621$/kW之间的一个数值,作为煤电单位投资价格在2025年至2030年这个预测时段的数据,对21个不确定性因素在每个预测时段内进行一次随机抽样,得到的抽样结果即为一组关键指标样本。
本申请实施例提供了对关键指标集合中的每一个关键指标进行数值预测处理,以获得关键指标样本集合的方法。具体是,针对影响目标区域电网演化发展的关键指标集合,将关键指标集合中的每一个关键指标划分为多个预测时段,并确定每个预测时段内的上限值和下限值(上界和下界),完成对该关键指标集合的赋值处理;然后针对每一个关键指标的每一个预测时段,在该预测时段的上限值和下限值的区间内进行随机抽样,将随机抽样得到的一组数据作为一组关键指标样本,多次抽样得到的数据即为关键指标样本集合。可见,本申请实施例对影响目标区域电网演化发展的关键指标集合进行了数值预测处理,将关键指标集合量化并抽样,得到关键指标样本集合,以具体数值的形式代表影响电网演化发展的不确定性因素(关键指标集合),以便于后续用于电网演化预测算法,生成大量的电网演化路径。相比于现有技术中,依靠人为经验预测电网演化路径,本申请实施例依靠具体的样本进行电网演化路径预测,减小了人为因素的影响,提高了电网演化路径预测的准确性。
前文所述的步骤103中,计算机设备可以利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据。
现有技术主要依靠人为经验预测电网演化路径,本申请实施例通过电网演化预测算法,自动化生成电网演化路径。例如,在对目标区域进行电网演化预测时,将关键指标样本集合输入到电网演化预测算法中,获得该区域对应的多组演化数据。
具体实现中,针对关键指标样本集合中的每一组样本,将其输入到电网演化预测算法中的目标函数,然后利用约束条件对目标函数的输出进行约束处理,处理后的结果即为对应的演化数据。即,输出的演化数据既满足电网演化预测算法的目标函数,也满足约束条件。
一种可能的实现方式中,电网演化预测算法针对关键指标样本集合中的每一组样本,若该样本满足目标函数以及约束条件,则根据该样本输出一组演化数据。其中,目标函数为:电网演化各个阶段的投资成本、电网固定运维成本、以及电网可变运行成本之和最优;约束条件包括:电网演化的建设约束和电网的运行成本约束。
前文所述的目标函数,包括电网演化各个阶段的投资成本、电网固定运维成本、以及电网可变运行成本。其中,电网演化各个阶段的投资成本指的是:在各预测时段内用来建设电力***中发电资源和灵活性资源所投入的资金成本;电网固定运维成本指的是:对电力***中建设的设备进行日常维护所投入的资金成本;电网可变运行成本指的是:电力***中发电资源运行时所消耗的燃料的成本。另外,目标函数不仅要考虑到电网演化各个阶段的投资成本、电网固定运维成本、以及电网可变运行成本之和最小,还要考虑到资金的时间价值。本申请在探究电网演化路径时,所划定的时间区间是从2025年至2050年,且以5年为一个预测时段,时间跨度较长,使得相同的资金在不同预测时段的价值有所不同,即2025年的1块钱与2050年的1块钱的价值是不一样的(例如2025年的1块钱在2050年可以买到2块钱的东西)。因此,目标函数在考虑电网演化各个阶段所投入的各种资金成本时,还需要将各个预测时段的资金价值统一到同一预测时段中,即考虑资金的时间价值。
前文所述的约束条件,包括目标区域电网演化的建设约束以及电网演化的运行成本约束。其中,电网演化的建设约束指的是:在电力***中,关于各种机组投资容量的约束以及演化目标的约束;具体包括以下四个方面:各个预测阶段内各电网节点上的各类资源的投资容量约束、投资总容量约束、电网演化最终阶段的可再生能源渗透率约束和电网演化最终阶段碳排放量约束。其中,电网演化各个阶段的投资容量约束指的是:在各预测时段内,在各省电力***中建设各种资源所投入的资金成本;投资总容量约束指的是:在整个预测时段内,整个电力***中建设各种资源所投入的资金成本;可再生能源电量渗透率约束指的是:演化的最终阶段(2045年至2050年这个预测时段)需要达到预设的可再生能源电量渗透率(可再生能源发电量)的目标;碳排放量约束指的是:演化的最终阶段(2045年至2050年这个预测时段)所限制的碳排放量的最大值。
电网运行成本约束指的是:电网***中,供给各类资源(发电设备)正常运行所需的资金成本。其中,火电机组以聚类的形式考虑运行约束;水电机组以三段式出力考虑运行约束;风电、光伏、光热机组的出力小于其最大发电能力;储能考虑其功率、能量、循环周期约束;假设各节点之间的电力传输为无阻塞情况,则节点之间功率流动以交通流模型考虑运行约束。
以下结合具体公式,介绍前文所述的目标函数以及约束条件:
电网演化预测算法中的目标函数为演化各阶段的投资成本、固定运维成本、可变运行成本之和最小,且考虑资金的时间价值,如式(1)~(5)所示:
min CINV+COM+COPR+CTarget (1)
CTarget=cVREQVRE+cCarbQCarb (5)
其中,式(1)表示目标函数;式(2)表示总投资成本,包括各阶段、各类型资源的投资成本之和;式(3)表示总运维成本,包括各阶段、各类型资源的固定运维成本之和;式(4)表示总运行成本,包括以典型日估算的各阶段、各类型资源的运行成本以及切负荷惩罚成本之和;式(5)表示远期惩罚成本,包括可再生能源渗透率未达标的惩罚成本与碳排放未达标的惩罚成本之和。
其中,CINV表示多个预测时段总的投资成本;COM表示多个预测时段固定运维成本;COPR表示多个预测时段可变运行成本;CTarget表示与预设目标差距的惩罚成本,该预设目标可以是可再生能源电量渗透率,也可以是碳排放量;d是年贴现率,即将未来资产折算成现值的年利率;X表示各种发电资源和灵活性资源;表示某种资源在第n个预测时段的单位容量投资成本;/>表示资源X在第k个节点(以省为单位的电力***)第n个预测时段的建设容量;Z表示每个预测时段所包含的年份数目;f是年度单位固定运维成本;/>表示资源X在第n个预测时段的总容量;假设每个阶段内共有S个典型运行场景(模拟不同配比的各种类型的电源在电力***中协同优化运行),一年中对应于每个场景的天数为ρs;/>表示火电机组的单位发电成本;/>表示火电机组的单位容量启动成本(火电机组启动消耗的燃料的成本),其中G表示火电机组类型,包括煤电和气电机组;/>表示节点k上火电机组在预测时段n典型场景s下时刻t的发电功率;/>表示节点k上火电机组在预测时段n典型场景s下时刻t的开机容量;/>表示储能设备的单位运行成本,其中ES表示储能设备类型,包括抽水蓄能、电池储能和压缩空气储能;/>表示储能的充电功率;/>表示储能的放电功率;表示需求侧响应的单位补偿成本,其中DR表示需求侧响应的类型,包括负荷削减型和负荷转移型;/>表示需求侧响应的响应功率;/>表示切负荷(事故情况下,为维持电力***的功率平衡和稳定性,将部分负荷从电网上断开)的单位惩罚成本;/>表示切负荷功率;cVRE表示可再生能源渗透率目标未完成时,与目标相比单位缺额量的惩罚成本;cCarb表示碳排放目标未完成时,与目标相比单位缺额量的惩罚成本;QVRE表示对应的可再生能源电量缺额量;QCarb表示对应的碳排放减排缺额量。
电网演化预测算法中的约束条件为电网的建设约束和电网的运行成本约束,如式(6)~(9):
/>
式(6)约束了各阶段内各节点上各资源的投资容量;式(7)表示投资容量与总容量之间的关系;式(8)约束了演化最终阶段需要达到的可再生能源渗透率目标;式(9)约束了演化最终阶段碳排放上限目标。
其中,表示资源X在n阶段k节点上的投资容量上限,;/>表示在最后一个阶段N内,风电的发电功率;/>表示在最后一个阶段N内,光伏的发电功率;/>表示在最后一个阶段N内,光热的发电功率;ζ表示可再生能源电量渗透率目标;Dk,n=N,t,s表示负荷功率;eG表示火电单位发电对应的碳排放量;VCarb表示碳排放上限的目标值。
本申请实施例提供了对关键指标样本集合进行基于电网演化预测算法的处理,从而生成大量的演化数据的方法。具体是,针对关键指标样本集合中的每一组样本,若该样本满足目标函数(电网演化各个阶段的投资成本、电网固定运维成本、以及电网可变运行成本之和最优)以及约束条件(电网演化的建设约束和电网的运行成本约束),则根据该样本输出一组演化数据。可见,本申请实施例对关键指标样本集合进行基于电网演化预测算法的处理,生成了大量的演化数据。相比于现有技术依靠人工预测出几条电网演化发展路径,本申请实施例基于可靠的具体数据,依靠电网演化预测算法,自动生成了海量的演化路径,可以排除人为因素对电网演化预测的影响,提高了电网演化路径预测的准确性。
本申请实施例提供的方法中,还可以对自动化预测所得的演化数据进行分析,确定影响电网演化的一些关键驱动因素,用于预测电网演化数据,为后续电网实际演化提供指导作用。具体的,本申请实施例提供的方法还包括图3所示的步骤:
步骤301、针对关键指标集合中的任意一个指标,计算指标在不同的演化数据中的差异度,将最大的差异度作为指标的影响因子。
本申请实施例为了确定关键指标集合中,对电网演化发展影响较大的一些关键指标(关键驱动因素),需要用一个具体的数值表示这些关键指标对电网演化的影响程度。
具体实现中,计算出关键指标在不同演化数据中的差异度,将最大的差异度作为该关键指标的影响因子,表示该关键指标对电网演化的影响程度。
计算关键指标在不同演化数据中的差异度,具体过程如式(10)~(13):
yi=[yi,1,yi,2,...,yi,N] (10)
/>
式(10)表示由多阶段取值构成的时间序列;式(11)表示每一种关键指标在对应子空间内的均值;式(12)表示对关键指标的时间序列进行标准化;式(13)表示标准化后的时间序列在不同聚类之间的平均距离。
其中,yi表示第i个关键指标;yi,1,yi,2,...,yi,N表示第i个关键指标在预测时段1到预测时段N的取值;R表示海量路径聚类的个数;表示同属于第r类的演化路径对应的关键指标;Ψi表示关键指标的整个取值空间;/>表示关键指标在一个聚类中的取值空间;表示标准化后的时间序列;μi,n表示关键指标在整个取值空间中对应第n个预测时段内的均值;σi,n表示关键指标在整个取值空间中对应第n个预测时段内的标准差。Disti表示关键指标在不同聚类演化路径间的平均距离。
最后计算出来的平均距离即为该关键指标在不同演化数据中的差异度,将最大的差异度作为该关键指标的影响因子,
步骤302、将关键指标集合中,影响因子大于预设门限的一个或多个指标确定为目标区域电网演化的关键驱动因素。
为了从关键指标集合中确定出对电网演化发展影响较大的一个或多个关键驱动因素,需要针对每一个关键指标对应的影响因子,预设一个门限,将影响因子大于该预设门限的对应关键指标,确定为一个关键驱动因素。
步骤303、根据关键驱动因素预测后续生成的演化数据。
确定出对电网演化发展影响较大的关键驱动因素,在后续生成目标区域的电网演化数据时,就可以通过调整这些关键驱动因素预测电网演化数据。
本申请实施例提供了确定关键指标集合中,对电网演化发展影响较大的一些关键指标(关键驱动因素)的方法。具体地,首先确定任意一个关键指标由多阶段取值构成的时间序列,然后将生成的海量路径进行聚类,确定该关键指标在同一聚类中的取值空间,计算该关键指标在该取值空间的均值,基于该均值,对关键指标的时间序列进行标准化,计算标准化后的参数在不同聚类之间的距离,作为该关键指标在不同演化数据中的差异度,将这些差异度进行排序,将最大的差异度作为该指标的影响因子;获取关键指标集合中,每一个关键指标的影响因子,将影响因子同预设门限作比较,将大于该预设门限的影响因子对应的关键指标确定为目标区域电网演化的关键驱动因素;在后续的电网演化发展过程中,就可以通过影响关键驱动因素调整后续的电网演化路径(演化数据)。
本申请实施例提供的方法中,还可以计算目标区域的灵活性资源发展指标,包括:灵活性资源容量需求、灵活性资源边际容量需求、电池储能出现点和电池储能主导点。根据灵活性资源发展指标调整多组演化数据,还可以根据该发展指标规划后续生成的的演化数据;
本申请实施例中,为了调整电网演化预测算法生成的演化数据,需要获得灵活性资源和电池储能在电力***中的分布情况,确定灵活性资源发展指标。具体地,依据公式对目标区域的灵活性资源容量需求、灵活性资源边际容量需求、电池储能出现点和电池储能主导点进行计算。
其中,灵活性资源容量需求为在不同可再生能源电量渗透率下,***的灵活性资源容量,即,在不同的可再生能源发电量目标下,灵活性资源需要达到的装机容量(发电机组的额定功率);灵活性资源边际容量需求为在不同可再生能源电量渗透率下,渗透率增长预设数值对应的灵活性资源容量增量,即,在不同的可再生能源发电量目标下,可再生能源发电量增长1个百分点,对应的灵活性资源的装机容量所需的增量;电池储能出现点为电池储能在电力***中出现时对应的可再生能源电量渗透率,电池储能主导点为电池储能容量占灵活性资源容量的预设比例时对应的可再生能源电量渗透率。该预设比例可以为50%。
灵活性资源容量的计算,如式(14):
其中,表示灵活性资源容量;ζ0表示某一特定水平的可再生能源电量渗透率。
灵活性资源边际容量的计算,如式(15):
其中,表示灵活性资源的容量增量;Δζ表示可再生能源渗透率增量。
电池储能出现点的计算,如式(16):
电池储能主导点的计算,如式(17):
其中表示电池储能的总容量。
本申请实施例提供了目标区域的灵活性资源发展指标的计算方法。具体地,依据公式对目标区域的灵活性资源容量需求、灵活性资源边际容量需求、电池储能出现点和电池储能主导点进行计算,依据计算结果,对灵活性资源进行调整,以达到预设的可再生能源电量渗透率目标,也可以通过可再生能源电量渗透率判断电池储能资源目前在电力***中的分布情况(出现频率),增加了电力***的灵活性;当电力***中可再生能源电量渗透率发生异常变化时,可以通过调整灵活性资源干扰可再生能源电量渗透率,一定程度上增加电力***的可靠性。
本发明实施例以西北地区(例如包含陕西、甘肃、青海、宁夏、新疆)为例,对本申请提供的电网演化预测方法进行详细说明。具体地,考虑2020年至2050年的电网演化数据。西北电网各省目前的装机及负荷情况如图4所示,风电和光伏装机占比为38.8%。假设本地负荷的年增长率为3%,外送负荷容量保持不变。
应用于上述具体场景,本申请实施例提供的电网演化预测方法包括以下步骤:
S1、根据历史文献,确定多个不确定性因素在各预测阶段的取值范围,完成对这些不确定性因素的赋值。
其中,不确定因素还可以称为关键指标,多个不确定因素构成前文所述的关键指标集合。
S2、以5年为一个预测时段进行划分,将演化终态(2050年)可再生能源渗透率目标设置为80%。
S3、对赋值后的不确定性因素进行2500次抽样,并在图4所示的三种火电灵活性改造路径下进行演化数据生成,共生成7500条演化数据。需要说明的是,可再生能源渗透率目标的设定划定了常规电源的发电空间,常规电源的碳排放量也相对确定,即可再生能源渗透率目标与碳排放目标具有一定程度的关联性,因此本章未单独设置碳排放目标。
***的碳排放演化路径如图7(d)所示,年碳排放量呈现先达峰后下降的趋势。从平均路径来看,年碳排放量仍将有12%左右的上升,在80%可再生能源渗透率目标下,最终年碳排放量较2020年将下降57%。演化前期碳排放上升是由于在前期可再生能源增长带来的碳排放量减少难以抵消负荷增长、火电发电量增加带来的碳排放增加。
图6展示了海量演化路径下灵活性资源(灵活性资源容量、灵活性资源边际容量)在不同可再生能源电量渗透率下的需求情况,参与统计的演化数据均在火电深度改造路径下生成。随着可再生能源电量渗透率的上升,不仅灵活性资源容量需求增加,灵活性资源边际容量需求也呈上升趋势。渗透率在70~80%之间需要的灵活性容量是渗透率在10~20%之间的约23倍,而对于边际灵活性需求而言,相应的增长为11倍左右。因而当可再生能源渗透率较高时,进一步提升渗透率的资源需求更多,灵活性资源在***中的地位也将随之愈发重要。
图7展示了电池储能在海量演化路径中的统计情况。可以看出,电池储能最早在可再生能源低比例发展初期即可能介入,而最有可能在可再生能源电量渗透率处于40~45%之间介入***;同时,其最有可能在可再生能源渗透率处于60~65%之间成为主导的灵活性资源。
如前文所述,电网演化受技术、市场、公共等不同方面因素的影响。本申请首先以技术层面中可再生能源渗透率演化的关键驱动因素辨识为例展示图5所示的辨识过程,然后分析影响电网演化各个方面的关键驱动因素。
对于可再生能源渗透率演化路径,首先将生成的大量路径聚类,此处聚为4类,如图8所示。这4类对应了渗透率演化的4种模式:快速增长模式、慢速增长模式、前快后慢增长模式、前慢后快增长模式。将每一类演化数据对应的关键指标各自求均值,并进行标准化,如图9所示。可以看出,可再生能源的单位投资成本、电池储能成本、煤炭价格曲线在不同类别之间差别较大,表明可再生能源渗透率对这些指标更为敏感。计算各指标曲线的平均距离并排序,结果如图10所示。可以看出影响显著的因素依次为煤炭价格、风电单位投资成本、各阶段电池储能的最大可投资容量、光伏的单位投资成本、电池储能的单位投资成本,与图9中的结果相符。
基于上述流程,进一步分析影响不同方面演化路径的关键指标,平均距离指标计算值列于表3。在演化的各个方面,主要影响因素基本相同,包括可再生能源和储能的单位投资成本、煤炭价格、电池储能在各预测时段的最大可投资容量。但是这些因素间的相对重要程度在各方面略有区别。技术方面,电池储能在各阶段的最大可投资容量是最主要影响因素,反映出配置电池储能是经济性选择,其配置容量与其最大可配置上限密切相关。而在市场和公共方面,最重要的影响因素是煤炭价格。
表3
从上述计算过程可知,年碳排放量仍将有12%左右的上升,2050年碳排放量较2020年将下降57%。***的灵活性需求和边际灵活性需求都将随可再生能源渗透率的上升而增长,其中电池储能最有可能在可再生能源电量渗透率处于40~45%之间介入***,且在渗透率为60~65%之间成为主导的灵活性资源。影响电网演化的主要驱动因素包括可再生能源和储能的单位投资成本、煤炭价格、电池储能在各阶段的最大可投资容量。该方法计算思路清晰,通用性较好,适合推广使用。
图13为本申请的海量演化路径生成及分析的框架图。具体地,首先,确定影响目标区域电网演化发展的不确定性因素(关键指标集合),然后对不确定性因素划分为多个预测时段,确定每个预测时段的上限值和下限值,完成对不确定性因素的量化;接着对每一个不确定性因素在每一个预测时段内的上限值、下限值区间内进行随机抽样,得到关键指标样本,将该关键指标样本输入到演化路径生成模块(电网演化预测算法),判断若该关键指标样本满足目标函数以及约束条件,则对应的生成一组演化数据;最后,对生成的大量演化数据进行分析,得到对电网演化发展影响较大的关键驱动因素;可以实现的,也可以计算灵活性资源发展指标,用于调整生成的电网演化数据。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图14所示,提供了一种电网演化预测装置,包括:
确定模块1401,用于确定目标区域对应的关键指标集合;关键指标集合包括影响目标区域电网发展的发电资源指标、影响目标区域电网发展的储能指标、影响目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响目标区域电网发展的燃料价格指标;
数值处理模块1402,用于对关键指标集合中的每一个指标进行数值预测处理,获得关键指标样本集合;
演化数据生成模块1403,用于利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据;演化数据包括目标区域对应的发电资源结构的演化数据以及目标区域对应的灵活性资源结构的演化数据。
在一个实施例,数值处理模块1402具体用于,对关键指标集合中的每一个指标进行数值预测处理,以获得关键指标样本集合,包括:
针对关键指标集合中的每一个指标,确定每一个指标在预测时段内的上限值和下限值,根据每一个指标的上限值和下限值对关键指标集合中的各个指标进行赋值处理;
采用蒙特卡洛方法对赋值处理后的关键指标集合进行随机抽样,获得每一个指标在每个预测时段内的数值,根据每一个指标在每个预测时段内的数值确定关键指标样本集合。
在一个实施例,演化数据生成模块1403具体用于,将关键指标样本集合输入电网演化预测算法中的目标函数,利用电网演化预测算法中的约束条件对关键指标样本集合进行约束处理;
根据目标函数的输出以及约束处理的结果确定目标区域对应的多组演化数据;
其中,目标函数为:电网演化在各个预测时段的投资成本、电网固定运维成本、以及电网可变运行成本之和最优;约束条件包括:电网的建设约束和电网的运行成本约束。
在一个实施例中,投资成本为建设电力***中发电资源和灵活性资源所投入的资金成本;电网固定运维成本为对电力***中建设的设备进行日常维护所投入的资金成本;电网可变运行成本为电力***中发电资源运行时所消耗的燃料的成本。
在一个实施例中,电网的建设约束包括以下至少一项:
各个预测时段内各电网节点上的各类资源的投资容量约束、投资总容量约束、电网演化最终阶段的可再生能源渗透率约束和电网演化最终阶段碳排放量约束;
电网的运行成本约束为维持电力***中各类发电资源正常运行所需的资金成本。
在一个实施例中,如图15所示,电网演化预测装置还包括电网演化数据分析模块1404。
该电网演化数据分析模块具体用于,针对关键指标集合中的任意一个关键指标,计算关键指标在不同的演化数据中的差异度,将最大的差异度作为关键指标的影响因子;
将关键指标集合中,影响因子大于预设门限的一个或多个关键指标确定为目标区域电网演化的关键驱动因素;关键驱动因素用于预测电网演化数据。
在一个实施例中,如图16所示,电网演化预测装置还包括电网演化数据调整模块1405。
该电网演化数据调整模块具体用于计算目标区域的灵活性资源发展指标,灵活性资源发展指标包括灵活性资源容量需求、灵活性资源边际容量需求、电池储能出现点和电池储能主导点;
根据灵活性资源发展指标调整多组演化数据,还可以根据该发展指标规划后续生成的演化数据;
其中,灵活性资源容量需求为在不同可再生能源电量渗透率下,***的灵活性资源容量,灵活性资源边际容量需求为在不同可再生能源电量渗透率下,渗透率增长预设数值对应的灵活性资源容量增量,电池储能出现点为电池储能在电力***中出现时对应的可再生能源电量渗透率,电池储能主导点为电池储能容量占灵活性资源容量的预设比例时对应的可再生能源电量渗透率。
关于电网演化预测装置的具体限定可以参见上文中对于电网演化预测方法的限定,在此不再赘述。上述电网演化预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图17所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储关键指标集合、关键指标样本集合以及演化数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请实施例所述的电网演化预测方法。
本领域技术人员可以理解,图17中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
确定目标区域对应的关键指标集合;关键指标集合包括影响目标区域电网发展的发电资源指标、影响目标区域电网发展的储能指标、影响目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响目标区域电网发展的燃料价格指标;
对关键指标集合中的每一个指标进行数值预测处理,获得关键指标样本集合;
利用电网演化预测算法处理关键指标样本集合,获得目标区域对应的多组演化数据;演化数据包括目标区域对应的发电资源结构的演化数据以及目标区域对应的灵活性资源结构的演化数据。
在一个实施例中,该处理器执行计算机程序时实现:
针对关键指标集合中的每一个指标,确定每一个指标在预测时段内的上限值和下限值,根据每一个指标的上限值和下限值对关键指标集合中的各个指标进行赋值处理;
采用蒙特卡洛方法对赋值处理后的关键指标集合进行随机抽样,获得每一个指标在每个预测时段内的数值,根据每一个指标在每个预测时段内的数值确定关键指标样本集合。
在一个实施例中,该处理器执行计算机程序时实现:
将关键指标样本集合输入电网演化预测算法中的目标函数,利用电网演化预测算法中的约束条件对关键指标样本集合进行约束处理;
根据目标函数的输出以及约束处理的结果确定目标区域对应的多组演化数据;
其中,目标函数为:电网演化在各个预测时段的投资成本、电网固定运维成本、以及电网可变运行成本之和最优;约束条件包括:电网的建设约束和电网的运行成本约束。
在一个实施例中,投资成本为建设电力***中发电资源和灵活性资源所投入的资金成本;电网固定运维成本为对电力***中建设的设备进行日常维护所投入的资金成本;电网可变运行成本为电力***中发电资源运行时所消耗的燃料的成本。
在一个实施例中,电网的建设约束包括以下至少一项:
各个预测时段内各电网节点上的各类资源的投资容量约束、投资总容量约束、电网演化最终阶段的可再生能源渗透率约束和电网演化最终阶段碳排放量约束;
电网的运行成本约束为维持电力***中各类发电资源正常运行所需的资金成本。
在一个实施例中,该处理器执行计算机程序时实现:
针对关键指标集合中的任意一个关键指标,计算关键指标在不同的演化数据中的差异度,将最大的差异度作为关键指标的影响因子;
将关键指标集合中,影响因子大于预设门限的一个或多个关键指标确定为目标区域电网演化的关键驱动因素;关键驱动因素用于预测电网演化数据。
在一个实施例中,该处理器执行计算机程序时实现:
计算目标区域的灵活性资源发展指标,灵活性资源发展指标包括灵活性资源容量需求、灵活性资源边际容量需求、电池储能出现点和电池储能主导点;
根据灵活性资源发展指标调整多组演化数据,还可以根据该发展指标规划后续生成的演化数据;
其中,灵活性资源容量需求为在不同可再生能源电量渗透率下,***的灵活性资源容量,灵活性资源边际容量需求为在不同可再生能源电量渗透率下,渗透率增长预设数值对应的灵活性资源容量增量,电池储能出现点为电池储能在电力***中出现时对应的可再生能源电量渗透率,电池储能主导点为电池储能容量占灵活性资源容量的预设比例时对应的可再生能源电量渗透率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种电网演化预测方法,其特征在于,所述方法包括:
确定目标区域对应的关键指标集合;所述关键指标集合包括影响所述目标区域电网发展的发电资源指标、影响所述目标区域电网发展的储能指标、影响所述目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响所述目标区域电网发展的燃料价格指标;
针对所述关键指标集合中的每一个指标,确定所述每一个指标在预测时段内的上限值和下限值,根据所述每一个指标的上限值和下限值对所述关键指标集合中的各个指标进行赋值处理;
采用蒙特卡洛方法对所述赋值处理后的关键指标集合进行随机抽样,获得所述每一个指标在每个预测时段内的数值,根据所述每一个指标在每个预测时段内的数值确定关键指标样本集合;
将所述关键指标样本集合输入电网演化预测算法中的目标函数,利用所述电网演化预测算法中的约束条件对所述关键指标样本集合进行约束处理;
根据所述目标函数的输出以及约束处理的结果确定所述目标区域对应的多组演化数据;
其中,目标函数为:电网演化在各个预测时段的投资成本、电网固定运维成本、以及电网可变运行成本之和最优;所述约束条件包括:电网的建设约束和电网的运行成本约束。
2.根据权利要求1所述的方法,其特征在于,所述投资成本为建设电力***中发电资源和灵活性资源所投入的资金成本;所述电网固定运维成本为对电力***中建设的设备进行日常维护所投入的资金成本;所述电网可变运行成本为电力***中发电资源运行时所消耗的燃料的成本。
3.根据权利要求1所述的方法,其特征在于,所述电网的建设约束包括:
各个预测时段内各电网节点上的各类资源的投资容量约束、投资总容量约束、电网演化最终阶段的可再生能源渗透率约束和电网演化最终阶段碳排放量约束;
电网的运行成本约束为维持电力***中各类发电资源正常运行所需的资金成本。
4.根据权利要求1所述的方法,其特征在于,所述方法包括:
针对所述关键指标集合中的任意一个关键指标,计算所述关键指标在不同的演化数据中的差异度,将最大的差异度作为所述关键指标的影响因子;
将所述关键指标集合中,影响因子大于预设门限的一个或多个关键指标确定为所述目标区域电网演化的关键驱动因素;所述关键驱动因素用于预测电网演化数据;
所述差异度的计算公式如下:
yi=[yi,1,yi,2,...,yi,N]
其中,yi表示第i个关键指标;yi,1,yi,2,...,yi,N表示所述第i个关键指标在预测时段1到预测时段N的取值;R表示海量路径聚类的个数;表示同属于第r类的演化路径对应的关键指标;Ψi表示所述关键指标的整个取值空间;/>表示所述关键指标在一个海量路径聚类中的取值空间;/>表示标准化后的时间序列;μi,n表示所述关键指标在整个取值空间中对应第n个预测时段内的均值;σi,n表示所述关键指标在整个取值空间中对应第n个预测时段内的标准差;Disti表示所述关键指标在不同海量路径聚类的演化路径间的平均距离。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
计算所述目标区域的灵活性资源指标,所述灵活性资源指标包括灵活性资源容量需求、灵活性资源边际容量需求、电池储能出现点和电池储能主导点;
其中,所述灵活性资源容量需求为在不同可再生能源电量渗透率下,***的灵活性资源容量,所述灵活性资源边际容量需求为在不同可再生能源电量渗透率下,渗透率增长预设数值对应的灵活性资源容量增量,所述电池储能出现点为电池储能在电力***中出现时对应的可再生能源电量渗透率,所述电池储能主导点为电池储能容量占灵活性资源容量的预设比例时对应的可再生能源电量渗透率。
6.一种电网演化预测装置,其特征在于,所述装置包括:
确定模块,用于确定目标区域对应的关键指标集合;所述关键指标集合包括影响所述目标区域电网发展的发电资源指标、影响所述目标区域电网发展的储能指标、影响所述目标区域电网发展的用电需求侧指标、灵活性资源指标、以及影响所述目标区域电网发展的燃料价格指标;
数值处理模块,用于针对所述关键指标集合中的每一个指标,确定所述每一个指标在预测时段内的上限值和下限值,根据所述每一个指标的上限值和下限值对所述关键指标集合中的各个指标进行赋值处理;
数值处理模块,用于采用蒙特卡洛方法对所述赋值处理后的关键指标集合进行随机抽样,获得所述每一个指标在每个预测时段内的数值,根据所述每一个指标在每个预测时段内的数值确定关键指标样本集合;
演化数据生成模块,用于将所述关键指标样本集合输入电网演化预测算法中的目标函数,利用所述电网演化预测算法中的约束条件对所述关键指标样本集合进行约束处理;
演化数据生成模块,用于根据所述目标函数的输出以及约束处理的结果确定所述目标区域对应的多组演化数据;
其中,目标函数为:电网演化在各个预测时段的投资成本、电网固定运维成本、以及电网可变运行成本之和最优;所述约束条件包括:电网的建设约束和电网的运行成本约束。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952453.4A CN113705874B (zh) | 2021-08-19 | 2021-08-19 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952453.4A CN113705874B (zh) | 2021-08-19 | 2021-08-19 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705874A CN113705874A (zh) | 2021-11-26 |
CN113705874B true CN113705874B (zh) | 2024-03-15 |
Family
ID=78653376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110952453.4A Active CN113705874B (zh) | 2021-08-19 | 2021-08-19 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705874B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698233B1 (en) * | 2007-01-23 | 2010-04-13 | Southern Company Services, Inc. | System and method for determining expected unserved energy to quantify generation reliability risks |
CN103886514A (zh) * | 2014-03-10 | 2014-06-25 | 国家电网公司 | 一种考虑经济性与安全性的电网发展评估方法 |
CN105354643A (zh) * | 2015-11-24 | 2016-02-24 | 国网四川省电力公司经济技术研究院 | 一种风电接入电网的风险预测评估方法 |
CN107591841A (zh) * | 2017-09-26 | 2018-01-16 | 清华大学 | 适用于新能源大规模接入下的电网演化模拟方法 |
CN107862160A (zh) * | 2017-12-06 | 2018-03-30 | 清华大学 | 压缩空气储能***的未来电网演化模型的生成方法及装置 |
CN107947165A (zh) * | 2017-11-30 | 2018-04-20 | 国网浙江省电力公司经济技术研究院 | 一种面向调节需求的配电网灵活性评价方法 |
CN107958355A (zh) * | 2018-01-10 | 2018-04-24 | 国网山东省电力公司经济技术研究院 | 一种基于项目属性的配电网投入产出关联性分析方法 |
CN109102116A (zh) * | 2018-08-03 | 2018-12-28 | 国网山东省电力公司经济技术研究院 | 一种电网发展多阶段优化评估方法 |
CN110070221A (zh) * | 2019-04-16 | 2019-07-30 | 清华大学 | 基于全成本电价的电网规划方案评估与优选方法及*** |
CN110504694A (zh) * | 2019-07-19 | 2019-11-26 | 国网江苏省电力有限公司经济技术研究院 | 调频参数获取方法、装置、计算机设备及可读存储介质 |
CN110969347A (zh) * | 2019-11-22 | 2020-04-07 | 国网山东省电力公司临沂供电公司 | 一种输电网结构形态评估方法 |
WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析***及方法 |
CN111598348A (zh) * | 2020-05-21 | 2020-08-28 | 国网山东省电力公司经济技术研究院 | 一种输电网均匀性规划优化方法、***、介质及电子设备 |
CN111738519A (zh) * | 2020-06-24 | 2020-10-02 | 广东电网有限责任公司 | 一种配电网规划方法、***及设备 |
CN112001551A (zh) * | 2020-08-25 | 2020-11-27 | 西安交通大学 | 一种基于大用户电量信息的地市电网售电量预测方法 |
CN112072703A (zh) * | 2020-09-10 | 2020-12-11 | 华北电力大学 | 一种适用新能源接入规划的灵活性评价方法及*** |
CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
AU2020103555A4 (en) * | 2019-12-31 | 2021-02-04 | North China Electric Power University | Method and system for power supply prediction by variety |
CN112541616A (zh) * | 2020-11-27 | 2021-03-23 | 国家电网有限公司客户服务中心 | 一种基于需求侧响应的用电调节方法及*** |
WO2021077646A1 (zh) * | 2019-10-22 | 2021-04-29 | 中国科学院广州能源研究所 | 用于电功率预测模型的多精度指标综合评价方法及*** |
CN112952814A (zh) * | 2021-03-04 | 2021-06-11 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
CN112990551A (zh) * | 2021-02-20 | 2021-06-18 | 国电南瑞科技股份有限公司 | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026257B2 (en) * | 2011-10-06 | 2015-05-05 | Avista Corporation | Real-time optimization of hydropower generation facilities |
US11074522B2 (en) * | 2016-06-15 | 2021-07-27 | Roger N. Anderson | Electric grid analytics learning machine |
US11361392B2 (en) * | 2018-11-01 | 2022-06-14 | Battelle Memorial Institute | Flexible allocation of energy storage in power grids |
CN111275240B (zh) * | 2019-12-27 | 2023-06-09 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
-
2021
- 2021-08-19 CN CN202110952453.4A patent/CN113705874B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7698233B1 (en) * | 2007-01-23 | 2010-04-13 | Southern Company Services, Inc. | System and method for determining expected unserved energy to quantify generation reliability risks |
CN103886514A (zh) * | 2014-03-10 | 2014-06-25 | 国家电网公司 | 一种考虑经济性与安全性的电网发展评估方法 |
CN105354643A (zh) * | 2015-11-24 | 2016-02-24 | 国网四川省电力公司经济技术研究院 | 一种风电接入电网的风险预测评估方法 |
CN107591841A (zh) * | 2017-09-26 | 2018-01-16 | 清华大学 | 适用于新能源大规模接入下的电网演化模拟方法 |
CN107947165A (zh) * | 2017-11-30 | 2018-04-20 | 国网浙江省电力公司经济技术研究院 | 一种面向调节需求的配电网灵活性评价方法 |
CN107862160A (zh) * | 2017-12-06 | 2018-03-30 | 清华大学 | 压缩空气储能***的未来电网演化模型的生成方法及装置 |
CN107958355A (zh) * | 2018-01-10 | 2018-04-24 | 国网山东省电力公司经济技术研究院 | 一种基于项目属性的配电网投入产出关联性分析方法 |
CN109102116A (zh) * | 2018-08-03 | 2018-12-28 | 国网山东省电力公司经济技术研究院 | 一种电网发展多阶段优化评估方法 |
WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析***及方法 |
CN110070221A (zh) * | 2019-04-16 | 2019-07-30 | 清华大学 | 基于全成本电价的电网规划方案评估与优选方法及*** |
CN110504694A (zh) * | 2019-07-19 | 2019-11-26 | 国网江苏省电力有限公司经济技术研究院 | 调频参数获取方法、装置、计算机设备及可读存储介质 |
WO2021077646A1 (zh) * | 2019-10-22 | 2021-04-29 | 中国科学院广州能源研究所 | 用于电功率预测模型的多精度指标综合评价方法及*** |
CN110969347A (zh) * | 2019-11-22 | 2020-04-07 | 国网山东省电力公司临沂供电公司 | 一种输电网结构形态评估方法 |
AU2020103555A4 (en) * | 2019-12-31 | 2021-02-04 | North China Electric Power University | Method and system for power supply prediction by variety |
CN111598348A (zh) * | 2020-05-21 | 2020-08-28 | 国网山东省电力公司经济技术研究院 | 一种输电网均匀性规划优化方法、***、介质及电子设备 |
CN111738519A (zh) * | 2020-06-24 | 2020-10-02 | 广东电网有限责任公司 | 一种配电网规划方法、***及设备 |
CN112001551A (zh) * | 2020-08-25 | 2020-11-27 | 西安交通大学 | 一种基于大用户电量信息的地市电网售电量预测方法 |
CN112072703A (zh) * | 2020-09-10 | 2020-12-11 | 华北电力大学 | 一种适用新能源接入规划的灵活性评价方法及*** |
CN112101673A (zh) * | 2020-09-22 | 2020-12-18 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
CN112541616A (zh) * | 2020-11-27 | 2021-03-23 | 国家电网有限公司客户服务中心 | 一种基于需求侧响应的用电调节方法及*** |
CN112990551A (zh) * | 2021-02-20 | 2021-06-18 | 国电南瑞科技股份有限公司 | 基于知识图谱的连锁故障演化路径溯源和预测方法及装置 |
CN112952814A (zh) * | 2021-03-04 | 2021-06-11 | 四川云起老和科技有限公司 | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 |
Non-Patent Citations (7)
Title |
---|
A Data-Driven Approach for Targeting Residential Customers for Energy Efficiency Programs;Huishi Liang;Jin Ma;Rongfu Sun;Yanling Du;IEEE Transactions on Smart Grid;20190807;第11卷(第2期);全文 * |
基于数字孪生的光伏发电功率超短期预测;孙荣富1王隆扬2王玉林1丁然1徐海翔1王靖然1***2;电网技术;20210430;第45卷(第04期);全文 * |
基于点估计法和随机潮流约束的电网及风电场相关特性研究;盖新武;丁丽霞;任凤琴;张亚鹏;彭正伟;;电网与清洁能源(第05期);全文 * |
新能源大规模接入下的未来电力***演化模型;谢宇翔;张雪敏;罗金山;夏德明;张艳;;中国电机工程学报(第02期);全文 * |
新能源风光发电预测技术的发展及应用;张怡;;浙江水利水电学院学报(第01期);全文 * |
考虑柔性负荷接入的配电网规划研究综述与展望;齐宁;程林;田立亭;郭剑波;黄仁乐;王存平;;电力***自动化(第10期);全文 * |
高比例可再生能源并网的电力***灵活性评价与平衡机理;鲁宗相李海波乔颖;中国电机工程学报;20170105;第37卷(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705874A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8571720B2 (en) | Supply-demand balance controller | |
Wang et al. | Optimal planning of stand-alone microgrids incorporating reliability | |
CN114336702B (zh) | 基于双层随机规划的风光储场站群功率分配协同优化方法 | |
CN111555281A (zh) | 一种电力***灵活性资源配置仿真方法及装置 | |
CN114498679A (zh) | 计及调频速率与容量的电力***储能需求量化方法及*** | |
Alsaidan et al. | Determination of optimal size and depth of discharge for battery energy storage in standalone microgrids | |
CN117578706A (zh) | 一种基于电网的多层级负荷管理***及其方法 | |
CN114301081B (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
KR102240556B1 (ko) | 이종 신재생 에너지원이 결합된 발전원 운영 방법 및 장치 | |
CN113705874B (zh) | 新能源电网演化预测方法、装置、计算机设备和存储介质 | |
KR102257965B1 (ko) | 에너지 저장 시스템에 대한 용량 산정 시스템 및 그 산정 방법 | |
CN114386849B (zh) | 新能源高占比***电力平衡风险预警方法 | |
CN117114281A (zh) | 一种灵活资源多阶段规划方案的确定方法 | |
CN115347590A (zh) | 基于可逆固体氧化物电池的混合储能微电网寻优控制方法 | |
KR102284303B1 (ko) | 이종 분산 자원과 연계된 에너지 저장 장치의 지능형 운전 방법 및 장치 | |
CN114186847A (zh) | 基于出力保障率的风电月度平衡功率评估方法 | |
CN114219205A (zh) | 一种用于电网规划的柔性负荷可信容量计算方法 | |
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 | |
CN117955143B (zh) | 一种零碳乡村综合能源管理方法及*** | |
CN113657735B (zh) | 考虑森林碳汇能力约束的碳中和场景下电源结构规划方法 | |
CN114156950B (zh) | 一种电力***电源容量分配方法及装置 | |
KR20240045711A (ko) | 배터리 열화를 고려한 ess 용량 산정 장치 및 방법 | |
CN117559422A (zh) | 基于画像的工业园区可调节功率区间估计方法、***与计算机可读存储介质 | |
CN117977655A (zh) | 海上风电储能配置方法及装置、存储介质、终端 | |
CN113572155A (zh) | 含光伏电源的配网***运行负荷等效方法 |
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 |