CN116128211A - 基于风光不确定性预报场景的风光水联合短期优化调度方法 - Google Patents
基于风光不确定性预报场景的风光水联合短期优化调度方法 Download PDFInfo
- Publication number
- CN116128211A CN116128211A CN202211612301.0A CN202211612301A CN116128211A CN 116128211 A CN116128211 A CN 116128211A CN 202211612301 A CN202211612301 A CN 202211612301A CN 116128211 A CN116128211 A CN 116128211A
- Authority
- CN
- China
- Prior art keywords
- wind
- light
- scene
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 238000013508 migration Methods 0.000 claims abstract description 39
- 230000005012 migration Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 230000005622 photoelectricity Effects 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims 1
- 230000000295 complement effect Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于风光不确定性预报场景的风光水联合短期优化调度方法，包括对历史风光出力数据预处理并划分层级；建立风光预报场景构建模型与削减模型，生成风光预报典型场景集；建立场景迁移概率计算模型，得到风光出力实际值不同时段间的迁移概率；根据风光预报典型场景集，结合逐时风光出力实测数据与场景迁移概率信息，更新预报场景；进行风光水联合短期优化调度。本发明基于历史风光出力的预测和实测数据，通过构建风光出力预报场景，考虑其不确定性对风光水联合短期优化调度的影响，为接入新能源的多能互补***优化调度提供了新的方法和技术。
Description
技术领域
本发明涉及考虑风光不确定性的风光水联合短期优化调度方法，具体是一种基于风光不确定性预报场景的风光水联合短期优化调度方法。
背景技术
可再生能源是绿色低碳能源，是我国多轮驱动能源供应体系的重要组成部分，对于改善能源结构、保护生态环境、应对气候变化、实现经济社会可持续发展具有重要意义。近十年来，可再生能源已成为我国发电新增装机的主体，我国可再生能源发电量增量在全社会用电量增量中的占比将超过50％，风电和太阳能发电量将再实现翻倍。但风光与光伏发电本身存在不确定性，直接接入将会给电网带来较大冲击，但利用水电灵活出力的特点，通过将风光水打捆外送，可在一定程度上平抑风光波动性，减少其不确定性带来的影响。
目前，国内外学者对于考虑风光不确定性的风光水联合短期优化调度方法，研究工作主要集中在基于贝叶斯理论和模糊数学理论的建模方法。如刘乔波(2018年)基于历史数据对风电及光伏在不同出力水平下预测误差的分布进行拟合，引入spearman相关系数分季节描述风光预测误差的互补性，建立风光联合预测误差分布模型；张俊涛(2020年)基于随机规划理论，采用耦合分位点回归将历史统计信息由确定性预测序列转化为场景集；徐野驰(2022年)基于预测误差分布的风功率随机性分析法，通过生成描述风功率随机性的风功率出力场景，建立考虑频率响应的随机优化调度模型。然而，上述方法都是基于历史数据描述单独的场景或是多个不相关的独立场景用于制定优化调度方案，并不能考虑场景之间的相关性以及随时段更新的实测值对于调度***的优化，而刻画风光不确定性的准确程度将会影响优化调度方案的制定，最终造成调度目标的偏差。
发明内容
发明目的：针对现有技术存在的问题与不足，本发明提供一种基于风光不确定性预报场景的风光水联合短期优化调度方法。基于历史风光出力的预测和实测数据，建立基于场景构建的风光场景预报模型、场景削减模型以及场景迁移概率计算模型，通过逐时更新风光预报典型场景集及其迁移概率系数，从而逐时计算更新优化调度决策，进行风光水联合短期优化调度。
技术方案：一种基于风光不确定性预报场景的风光水联合短期优化调度方法，包括以下步骤：
S1、选取历史风光出力数据，对缺失值和异常值进行处理，对处理后的数据进行样本归一化，并划分样本层级；
S2、建立基于场景构建的风光场景预报模型，采用各层级的样本数据进行层级内的样本特征分析，运用分析结果基于风光出力的日前预报数据进行风光场景预报，得到风光预报场景集；
S3、建立场景削减模型，对初始的风光预报场景集进行场景削减，迭代计算挑选最具有代表性的风光预报典型场景，组成风光预报典型场景集；
S4、基于风光出力历史实测值建立场景迁移概率计算模型，对实测值进行区间划分，计算存在时间相关性的实测值之间的迁移概率；
S5、根据风光预报典型场景集中的结果，基于风光出力逐时实测数据，逐时更新优化调度决策，按照源荷匹配度最好原则，进行风光水联合短期优化调度。
进一步的，步骤S1具体为：历史风光出力数据主要包括，时空相关性一致的日前预报风出力数据以及实测风出力数据，以及时空相关性一致的日前预报光伏出力数据以及实测光伏出力数据；对于缺失值的处理方法为：按照相邻两组数据进行线性插值方法进行数据补充；对于异常值的处理方法为：首先对异常值进行删除处理，其缺失数据按照缺失值的方法补充；对处理后的数据进行样本归一化，样本归一化方法为：
s′＝(s-μ)/σ
式中，s′为归一化后样本值；s为样本原始数据；μ为样本原始集的均值；σ为样本原始集的标准差。
进一步的，步骤S2中建立的基于场景构建的风光场景预报模型结构为：
基于样本归一化处理后得到的预报与实测数据集，将其按照预报值数值大小进行分级，计算每一层级内数据特征值，特征值计算方法如下：
式中，ε′i,j为第i层级内的第j个样本相对误差值；sp′i,j为预测样本的归一化值；st′i,j为实测样本的归一化值。
式中，为层级的第一特征值；ni为第i层级的样本相对误差值数量。
式中，为层级的第二特征值。
进一步的，基于该样本层级中的两个特征值，采用超拉丁方抽样生成风光出力预报场景集。
进一步的，步骤S3具体为：采用K-means随机质心聚类法进行场景削减，聚类结果控制在4-8之间。
进一步的，步骤S4具体为：根据风光出力实测数据归一化结果进行区间划分，建立场景迁移概率计算模型，概率计算方法如下：
st″＝(st′-μ′)/σ′
式中，st″表示标准正态分布的标准分；μ′表示实测样本归一化值均值；σ′表示实测样本归一化值标准差。
式中，Pst′(u,d)表示当前实测值归一化后位于(u,d)区间时，下一实测值归一化后为st′的概率。
进一步的，步骤S5具体为：基于风光预报典型场景集中的结果，逐时计算各个典型场景发生的概率，不断生成用于短期优化调度计算的决策场景，计算方法如下：
式中，P′q为风光预报典型场景集中第q个场景的迁移概率系数。
式中，x′p表示优化调度期内第p个小时的风光预报场景值；xp,q表示风光预报典型场景值中第w个场景中第p个小时的值。
进一步的，以源荷匹配度最优为目标构建风光水联合短期优化调度模型，基于不断生成的短期优化调度的决策场景，实现考虑风光不确定性的风光水联合短期优化调度，计算方法如下：
Nhp＝Nw+Ns+Nh
式中，Nv为源荷匹配率；Nyp为第p个小时的***总出力；Nhp为第p个小时的***负荷；Nw、Ns、Nh分别为风电、光电、水电出力值；为水电站第j时的发电流量；Hj为水电站第j时的发电水头。
一种基于风光不确定性预报场景的风光水联合短期优化调度***，包括：
数据处理模块，用于对输入的历史风光出力数据进行层级划分，并对各层级的历史数据进行特征值的计算，用于场景生成；
场景生成模块，用于建立风光场景预报模型与场景削减模型，基于日前预报数据采用各层级样本的特征值生成场景集，运用迭代聚类进行场景集的削减，输出风光预报典型场景集；
场景迁移概率计算模块，用于计算存在时间相关性的实测值之间的迁移概率，输出风光预报典型场景集中各场景的迁移概率系数；
优化调度模块，用于制定风光水联合优化调度计划，基于风光预报典型场景集与各场景迁移概率系数，按照源荷匹配度最好原则，进行风光水联合短期优化调度计算。
一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如上所述的基于风光不确定性预报场景的风光水联合短期优化调度方法。
一种计算机可读存储介质，该计算机可读存储介质存储有执行如上所述的基于风光不确定性预报场景的风光水联合短期优化调度方法的计算机程序。
有益效果：与现有技术相比，本发明的技术效果为：(1)本发明基于历史风光出力的预测和实测数据，建立基于场景构建的风光场景预报模型、场景削减模型以及场景迁移概率计算模型，通过生成风光典型预报场景集，制定风光水联合调度计划，并据此提出了新的考虑不确定性的风光水联合短期优化调度方法；(2)通过逐时更新风光预报典型场景集及其迁移概率系数，可以逐时计算更新优化调度决策。该方法不确定信息提取部分所需数据均为历史数据，可编写PYTHON程序应对任一调度期不同输入数据情况下风光水联合短期优化调度计算；(3)原理简单，操作简便灵活，易于实施。该技术方法基于场景构建与削减以及场景迁移概率模型进行优化调度计算，计算速度快，响应时间短；(4)可以为后续其他可再生能源的接入提供支撑；该技术为接入新能源的多能互补***优化调度提供了新的方法和技术，也为多能互补***新能源消纳、减少电网冲击、优化能源结构打下了较好的基础。
附图说明
图1为本发明的方法流程图；
图2为本发明的***结构框图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明基于历史风光出力的预测和实测数据，建立基于场景构建的风光场景预报模型、场景削减模型以及场景迁移概率计算模型，通过逐时更新风光预报典型场景集及其迁移概率系数，从而逐时计算更新优化调度决策，进行风光水联合短期优化调度。
如图1所示，本发明的一种基于风光不确定性预报场景的风光水联合短期优化调度方法，包括以下步骤：
S1、选取历史风光出力数据，对缺失值和异常值进行处理，对处理后的数据进行样本归一化，并划分样本层级，具体步骤如下：
S1.1、首先对历史风光出力数据进行筛选，选取相关风电场与光伏电站附近的大气环境测点数据进行计算，数据精度控制在1-15min，同时保证数据样本的总体一致性，以确保其时空相关性。
S1.2、筛选得到历史风光出力预测和实测数据后，需要对其进行缺失值与异常值的处理，对于风光出力数据而言，将不会出现负值以及超出测量仪器量程的数据，特别的，对于光伏出力数据，其在太阳升起前的测量值应始终为零，因此，选取的历史数据需要完整且相对合理的风光出力的预测与实测数据。
S1.3、对处理后的样本进行归一化处理，样本归一化方法为：
s′＝(s-μ)/σ
式中，s′为归一化后样本值；s为样本原始数据；μ为样本原始集的均值；σ为样本原始集的标准差。
S2、建立基于场景构建的风光场景预报模型，采用各层级的样本数据进行层级内的样本特征分析，运用分析结果基于风光出力的日前预报数据进行风光场景预报，得到风光预报场景集，具体步骤如下：
S2.1、计算数据集中各时间点预报值的预报误差，根据预报误差的统计结果进行层级划分，可采用误差值进行梯级划分或按误差样本数量均分，确定层级内样本上下边界用于后续抽样进行场景生成。
S2.2、计算每一层级内数据特征值，特征值计算方法如下：
式中，ε′i,j为第i层级内的第j个样本相对误差值；sp′i,j为预测样本的归一化值；st′i,j为实测样本的归一化值。
式中，为层级的第一特征值；ni为第i层级的样本相对误差值数量。
式中，为层级的第二特征值。
S2.3、基于该样本层级中的两个特征值，采用超拉丁方抽样生成风光出力预报场景集。超拉丁方抽样(LHS)是通过较少迭代次数的抽样，准确建立输入分布，与蒙特卡洛发相比，其关键在于对输入概率进行分层，并建立累计概率尺度相等的区间，通过从输入分布的每个区间或层中进行样本抽取，抽样结果被强制代表每个区间的值，因此输入概率分布被强制重建。风光与光伏预报场景集的生成策略为：整个抽样过程采用“抽样不替换”原则，累计分布的分层数目与整个执行过程中的迭代次数相同。需要注意的是，当使用该方法进行抽样时，需要保持变量之间的独立性，独立性的保持通过对每个变量随机选择抽样区间来实现，这样可以有效避免变量间的无意相关。
S3、建立场景削减模型，对初始的风光预报场景集进行场景削减，迭代计算挑选最具有代表性的风光预报典型场景，组成风光预报典型场景集。
K-means算法作为聚类中的基础算法，属于无监督学习中的一种算法，其基本原理是随机确定k个初始点作为簇质心，然后计算样本数据中各点与簇质心之间的计算距离，并以此距离为依据对样本进行分类，通过不断迭代簇质心的位置，可以得到更好的聚类结果。
具体步骤如下：
S3.1、根据初始风光预报场景集，我们选择4-8个初始质心，即为典型簇质心。
S3.2、计算整个场景集中其他元素距离典型簇质心的距离，这里距离采用欧式距离进行计算。
S3.3、选择新的簇质心并计算在新的簇质心下整个场景集的分类情况，通过不断重复S3.2-S3.3，指导整个场景集的分类结果收敛，则表明聚类结束。
S4、基于风光出力历史实测值建立场景迁移概率计算模型，对实测值进行区间划分，计算存在时间相关性的实测值之间的迁移概率，具体步骤如下：
S4.1、计算典型场景集中各个场景的对应情况的正态分布标准分，计算方法如下：
st″＝(st′-μ′)/σ′
式中，st″表示标准正态分布的标准分；μ′表示实测样本归一化值均值；σ′表示实测样本归一化值标准差。
S4.2、根据风光实测数据归一化结果进行区间划分，建立场景迁移概率计算模型，概率计算方法如下：
式中，Pst′(u,d)表示当前实测值归一化后位于(u,d)区间时，下一实测值归一化后为st′的概率。
S5、根据风光预报典型场景集中的结果，基于风光出力逐时实测数据，逐时更新优化调度决策，按照源荷匹配度最好原则，进行风光水联合短期优化调度，具体步骤如下：
S5.1、基于风光预测典型场景集中各个场景迁移概率值，计算各个场景的迁移概率系数，计算方法如下：
式中，P′q为风光预报典型场景集中第q个场景的迁移概率系数。
S5.2、基于各个场景的迁移概率系数，生成用于短期优化调度的计算场景，计算方法如下：
式中，x′p表示优化调度期内第p个小时的风光预报场景值；xp,q表示风光预报典型场景值中第q个场景中第p个小时的值。
S5.3、以源荷匹配度最优为目标构建风光水联合短期优化调度模型，基于不断生成的短期优化调度的决策场景，实现考虑风光不确定性的风光水联合短期优化调度，计算方法如下：
Nhp＝Nw+Ns+Nh
式中，Nv为源荷匹配率；Nyp为第p个小时的***总出力；Nhp为第p个小时的***负荷；Nw、Ns、Nh分别为风电、光电、水电出力值；为水电站第j时的发电流量；Hj为水电站第j时的发电水头。
本发明基于历史风光出力的预测和实测数据，建立基于场景构建的风光场景预报模型、场景削减模型以及场景迁移概率计算模型，通过逐时更新风光预报典型场景集及其迁移概率系数，从而逐时计算更新优化调度决策，进行风光水联合短期优化调度。该技术为接入新能源的多能互补***优化调度提供了新的方法和技术，也为多能互补***新能源消纳、减少电网冲击、优化能源结构打下了较好的基础。
如图2所示，基于风光不确定性预报场景的风光水联合短期优化调度***，包括：
数据处理模块，用于对输入的数据进行层级划分，并对各层级的历史数据进行特征值的计算，用于场景生成；
场景生成模块，用于建立风光场景预报模型与场景削减模型，基于日前预报数据采用各层级样本的特征值生成场景集，运用迭代聚类进行场景集的削减，输出风光预报典型场景集；
场景迁移概率计算模块，用于计算存在时间相关性的实测值之间的迁移概率，输出风光预报典型场景集中各场景的迁移概率系数；
优化调度模块，用于制定风光水联合优化调度计划，基于风光预报典型场景集与各场景迁移概率系数，按照源荷匹配度最好原则，进行风光水联合短期优化调度计算。
***的实现过程与方法一样，不再赘述。
显然，本领域的技术人员应该明白，上述的本发明实施例的基于风光不确定性预报场景的风光水联合短期优化调度方法各步骤基于风光不确定性预报场景的风光水联合短期优化调度***各模块可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
Claims (10)
1.一种基于风光不确定性预报场景的风光水联合短期优化调度方法，其特征在于，包括以下步骤：
S1、选取历史风光出力数据，对缺失值和异常值进行处理，对处理后的数据进行样本归一化，并划分样本层级；
S2、建立基于场景构建的风光场景预报模型，采用各层级的样本数据进行层级内的样本特征分析，运用分析结果基于风光出力的日前预报数据进行风光场景预报，得到风光预报场景集；
S3、建立场景削减模型，对初始的风光预报场景集进行场景削减，迭代计算挑选最具有代表性的风光预报典型场景，组成风光预报典型场景集；
S4、基于风光历史实测值建立场景迁移概率计算模型，对实测值进行区间划分，计算存在时间相关性的实测值之间的迁移概率；
S5、根据风光预报典型场景集中的结果，基于风光出力逐时实测数据，逐时更新优化调度决策，按照源荷匹配度最好原则，进行风光水联合短期优化调度。
2.根据权利要求1所述的基于风光不确定性预报场景的风光水联合短期优化调度方法，其特征在于，所述S1中，历史风光出力数据包括：时空相关性一致的日前预报风出力以及实测风出力数据，以及时空相关性一致的日前预报光伏出力数据以及实测光伏出力数据；对于缺失值的处理方法为：按照相邻两组数据进行线性插值方法进行数据补充；对于异常值的处理方法为：首先对异常值进行删除处理，其缺失数据按照缺失值的方法补充；样本归一化方法为：
s′＝(s-μ)/σ
式中，s′为归一化后样本值；s为样本原始数据；μ为样本原始集的均值；σ为样本原始集的标准差。
3.根据权利要求1所述的基于风光不确定性预报场景的风光水联合短期优化调度方法，其特征在于，所述S2中，建立的基于场景构建的风光场景预报模型结构为：
基于样本归一化处理后得到的预报与实测数据集，将其按照预报值数值大小进行分级，计算每一层级内数据特征值，特征值计算方法如下：
式中，ε′i,j为第i层级内的第j个样本相对误差值；sp′i,j为预测样本的归一化值；st′i,j为实测样本的归一化值；
式中，为层级的第一特征值；ni为第i层级的样本相对误差值数量。
式中，为层级的第二特征值；
基于样本层级中的两个特征值，采用超拉丁方抽样生成风光出力预报场景集。
4.根据权利要求1所述的基于风光不确定性预报场景的风光水联合短期优化调度方法，其特征在于，所述S3中采用的场景削减方法为K-means聚类法采用随机质心进行聚类，聚类结果控制在4-8之间。
5.根据权利要求1所述的基于风光不确定性预报场景的风光水联合短期优化调度方法，其特征在于，所述S4中，根据风光实测数据归一化结果进行区间划分，建立场景迁移概率计算模型，概率计算方法如下：
st″＝(st′-μ′)/σ′
式中，st″表示标准正态分布的标准分；μ′表示实测样本归一化值均值；σ′表示实测样本归一化值标准差。
式中，Pst′(u,d)表示当前实测值归一化后位于(u,d)区间时，下一实测值归一化后为st′的概率。
6.根据权利要求1所述的基于风光不确定性预报场景的风光水联合短期优化调度方法，其特征在于，所述S5中，基于风光预报典型场景集中的结果，逐时计算各个典型场景发生的概率，不断生成用于短期优化调度计算的决策场景，计算方法如下：
式中，P′q为风光预报典型场景集中第q个场景的迁移概率系数；
式中，x′p表示优化调度期内第p个小时的风光预报场景值；xp,q表示风光预报典型场景值中第q个场景中第p个小时的值。
7.根据权利要求1所述的基于风光不确定性预报场景的风光水联合短期优化调度方法，其特征在于，所述S5中，以源荷匹配度最优为目标构建风光水联合短期优化调度模型，基于不断生成的短期优化调度的决策场景，进行风光水联合调度，计算方法如下：
Nhp＝Nw+Ns+Nh
式中，Nv为源荷匹配率；Nyp为第p个小时的***总出力；Nhp为第p个小时的***负荷；Nw、Ns、Nh：分别为风电、光电、水电出力值；为水电站第j时的发电流量；Hj为水电站第j时的发电水头。
8.一种基于风光不确定性预报场景的风光水联合短期优化调度***，其特征在于，包括：
数据处理模块，用于对输入的历史风光出力数据进行层级划分，并对各层级的历史数据进行特征值的计算，用于场景生成；
场景生成模块，用于建立风光场景预报模型与场景削减模型，基于日前预报数据采用各层级样本的特征值生成场景集，运用迭代聚类进行场景集的削减，输出风光预报典型场景集；
场景迁移概率计算模块，用于计算存在时间相关性的实测值之间的迁移概率，输出风光预报典型场景集中各场景的迁移概率系数；
优化调度模块，用于制定风光水联合优化调度计划，基于风光预报典型场景集与各场景迁移概率系数，按照源荷匹配度最好原则，进行风光水联合短期优化调度计算。
9.一种计算机设备，其特征在于，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-7中任一项所述的基于风光不确定性预报场景的风光水联合短期优化调度方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储有执行如权利要求1-7中任一项所述的基于风光不确定性预报场景的风光水联合短期优化调度方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211612301.0A CN116128211A (zh) | 2022-12-15 | 2022-12-15 | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211612301.0A CN116128211A (zh) | 2022-12-15 | 2022-12-15 | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116128211A true CN116128211A (zh) | 2023-05-16 |
Family
ID=86309127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211612301.0A Pending CN116128211A (zh) | 2022-12-15 | 2022-12-15 | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116128211A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117154725A (zh) * | 2023-10-31 | 2023-12-01 | 长江三峡集团实业发展(北京)有限公司 | 水风光多能互补的调度方法、装置、计算机设备及介质 |
-
2022
- 2022-12-15 CN CN202211612301.0A patent/CN116128211A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117154725A (zh) * | 2023-10-31 | 2023-12-01 | 长江三峡集团实业发展(北京)有限公司 | 水风光多能互补的调度方法、装置、计算机设备及介质 |
| CN117154725B (zh) * | 2023-10-31 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 水风光多能互补的调度方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102478584B (zh) | 基于小波分析的风电场风速预测方法及*** | |
| CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
| Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
| CN105512766A (zh) | 一种风电场功率预测方法 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
| CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| Kader et al. | Active power control strategy for wind farms based on power prediction errors distribution considering regional data | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
| Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
| Huang et al. | Power prediction method of distributed photovoltaic digital twin system based on GA-BP | |
| Liu et al. | A novel photovoltaic power output forecasting method based on weather type clustering and wavelet support vector machines regression | |
| Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction | |
| Chen et al. | Short-Term Photovoltaic Power Prediction Algorithm Based on Improved BP Neural Network | |
| Zhang et al. | PV Prediction Using Hierarchical BiLSTM-RFR Model Considering Meteorological Factors | |
| CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
| Sai et al. | Bus net Load Forecast Considering Photovoltaic Output Correlation | |
| Balbal et al. | Time Series Forecasting on Solar Energy Production Data Using LSTM | |
| Yan et al. | Check for updates Multi-source-Load Prediction Based on Multi-task Learning | |
| Yang et al. | Short-term prediction of photovoltaic power based on meteorological characteristics and deep learning in Guizhou mountainous areas |
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 |