CN116644903A - 电力***调峰充裕性评估方法、***、设备及存储介质 - Google Patents
电力***调峰充裕性评估方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN116644903A CN116644903A CN202310442884.5A CN202310442884A CN116644903A CN 116644903 A CN116644903 A CN 116644903A CN 202310442884 A CN202310442884 A CN 202310442884A CN 116644903 A CN116644903 A CN 116644903A
- Authority
- CN
- China
- Prior art keywords
- peak
- peak shaving
- adequacy
- demand
- shaving
- 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 74
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 83
- 241000039077 Copula Species 0.000 claims description 55
- 238000004146 energy storage Methods 0.000 claims description 50
- 238000005315 distribution function Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000012850 discrimination method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000002131 composite material Substances 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 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
- 230000002688 persistence Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电力***调峰充裕性评估方法、***、设备及存储介质,包括:输入***原始数据;计算***综合净负荷和调峰需求,并绘制***调峰需求持续曲线;利用多级模型表示调峰需求持续曲线,得到离散的调峰需求概率分布;采用蒙特卡罗方法分别对第k级水平进行抽样计算调峰充裕性指标,再将各级调峰充裕性指标相加得到***总的调峰充裕性指标。本发明提出了计及风光时空相关性的***调峰充裕性评估方法,泛化了调峰容量比的概念,定义了综合净负荷曲线,通过调峰不足概率和调峰不足期望两个充裕性指标,量化新能源接入对***充裕性的影响,利用非序贯蒙特卡罗模拟方法求解带有序贯性的调峰问题,保证了计算速度,能够有效指导电网规划、运行。
Description
技术领域
本发明涉及电力***调峰充裕性评估技术领域,尤其是涉及一种计及风光时空相关性的电力***调峰充裕性评估方法、***、设备及存储介质。
背景技术
以风电、光伏为代表的新能源将得到大力发展。但新能源发电具有很强的随机性,大规模并网会给电网的稳定运行带来隐患,其中,调峰问题将成为***面临的主要问题之一。现有研究未考虑到储能等灵活性装置对***调峰的影响,评估结果难以准确反映***的调峰充裕性情况。且同一地区的风速和太阳辐射强度均易受到相同气象条件的影响,这就导致同一地区的风电场和光伏电站具有一定的时空相关性,现有研究未充分综合考虑风光的时空相关性,影响调峰充裕性评估精度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计及风光时空相关性的电力***调峰充裕性评估方法、***、设备及存储介质。
本发明的目的可以通过以下技术方案来实现:
一种计及风光时空相关性的电力***调峰充裕性评估方法,所述方法包括以下步骤:
输入***原始数据,所述原始数据包括新能源机组历史出力数据、储能容量、各机组强迫停运率、常规机组调峰容量比以及负荷时序曲线;
计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线;
利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级,得到离散的调峰需求概率分布;
基于分级模型,采用蒙特卡罗方法分别对第k级水平进行抽样计算调峰充裕性指标,然后再将各级调峰充裕性指标相加得到***总的调峰充裕性指标。
进一步的,所述计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线的具体步骤包括:
计算不含储能时,***第d天第t时段的净负荷Pnl,d,t为:
pnl,d,t=Pl,d,t-Pres,d,t
式中,Pl,d,t表示***第d天第t时段的历史负荷;Pres,d,t表示第d天t时段的新能源出力;
利用储能容量E修正净负荷曲线,得到***第d天第t时段的综合净负荷;
计算***第d天第t时段的综合净负荷值与当天综合净负荷低谷的差值,得到该时段的调峰需求;
计算得到***每一时刻的综合净负荷和调峰需求后,对所有调峰需求由大到小排序,得到***调峰需求持续曲线。
进一步的,所述利用储能容量E修正净负荷曲线的具体过程包括:
通过将储能应用于低谷附近的r个时段,净负荷低谷值将从Pmin,d提升至P'min,d,按照储能容量E与阴影部分面积相等的原则,修正后的净负荷低谷值为:
式中,Δt为时间间隔;表示低谷附近r个时段的净负荷值。
进一步的,所述利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级具体为:
将***的调峰需求持续曲线平均划分为K个等级,Pk表示第k级调峰需求或负荷水平的概率,计算公式如下:
式中,F表示调峰需求或负荷的累计概率分布函数,F-1为F的逆函数,k=2,...,K-1,L1,L2,...,Lk,...,LK分别表示调峰需求。
进一步的,所述基于分级模型,采用蒙特卡罗方法抽样计算调峰充裕性指标具体为:
对常规发电机进行状态抽样得到***总调峰容量Preserve;对新能源机组出力及运行状态根据风、光出力的联合概率密度抽样得到***总新能源出力Pres;
将抽样得到***总新能源出力Pres与***总调峰容量Preserve求和后与k级调峰需求水平Preq,k比较,判断本次模拟调峰是否充足;若本次模拟调峰不足计算调峰不足容量PRNE,i;
计算在第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k;
全部调峰需求水平模拟结束后,计算***总的调峰不足概率与调峰不足期望。
进一步的,所述风、光出力的联合概率密度根据Copula理论计算具体步骤如下:
将所述风、光历史实际出力数据折算成出力率,并进行归一化处理,
选取风电场、光伏电站的出力率为随机变量;
对风电场的出力率P1的样本和光伏电站的出力率P2的样本进行核密度估计,得到出风电场和光伏电站的出力率概率密度;
对出风电场和光伏电站的出力率概率密度进行积分运算,得到风电场和光伏电站出力的累积概率分布;
通过对Copula函数进行拟合度判别,选取最佳Copula函数,将出风电场和光伏电站的出力率概率密度带入最佳Copula函数的概率密度函数,并带入联合分布函数表达式,得到风、光出力的联合概率密度。
进一步的,所述Copula函数包括:正态Copula、t-Copula、Gumbel-Copula、Clayton-Copula和Frank-Copula函数。
进一步的,所述Copula函数拟合度判别方法包括函数图像判别法、相关系数判别法和欧氏距离判别法;所述相关系数判别法采用Spearman秩相关系数和Kendall秩相关系数。
进一步的,第i次抽样中的所述调峰不足容量PRNE,i的计算式为:
PRNE,i=max{0,Preq,k-(Pres+Preserve)}
式中,Preq,k为第k级调峰需求水平,Pres为抽样得到***总的新能源出力,Preserve
为***总调峰容量。
进一步的,第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k计算式为:
式中,Nk为计算第k级调峰需求水平的充裕性指标时蒙特卡洛抽样次数;Tk为第k级调峰需求水平的持续时间长度,PRNE,i为第i次抽样中的所述调峰不足容量;指标变量Ii的含义为:
作为本发明的第二方面,提供一种电力***调峰充裕性评估***,所述***包括:
数据输入模块,用于输入原始数据,所述原始数据包括新能源机组历史出力数据、储能容量、各机组强迫停运率、常规机组调峰容量比以及负荷时序曲线;
***调峰需求持续曲线绘制模块,用于计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线;
调峰需求水平分级模块,同于利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级,得到离散的调峰需求概率分布;
调峰充裕性指标计算模块,用于基于分级模型,采用蒙特卡罗方法分别对各调峰需求水平分级进行抽样计算调峰充裕性指标,然后再将各级调峰充裕性指标相加得到***总的调峰充裕性指标。
进一步的,所述计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线的具体步骤包括:
计算不含储能时,***第d天第t时段的净负荷Pnl,d,t为:
pnl,d,t=Pl,d,t-Pres,d,t
式中,Pl,d,t表示***第d天第t时段的历史负荷;Pres,d,t表示第d天t时段的新能源出力;
利用储能容量E修正净负荷曲线,得到***第d天第t时段的综合净负荷;
计算***第d天第t时段的综合净负荷值与当天综合净负荷低谷的差值,得到该时段的调峰需求;
计算得到***每一时刻的综合净负荷和调峰需求后,对所有调峰需求由大到小排序,得到***调峰需求持续曲线。
进一步的,所述利用储能容量E修正净负荷曲线的具体过程包括:
通过将储能应用于低谷附近的r个时段,净负荷低谷值将从Pmin,d提升至P'min,d,按照储能容量E与阴影部分面积相等的原则,修正后的净负荷低谷值为:
式中,Δt为时间间隔;表示低谷附近r个时段的净负荷值。
进一步的,所述利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级具体为:
将***的调峰需求持续曲线平均划分为K个等级,Pk表示第k级调峰需求或负荷水平的概率,计算公式如下:
式中,F表示调峰需求或负荷的累计概率分布函数,F-1为F的逆函数,k=2,...,K-1,L1,L2,...,Lk,...,LK分别表示调峰需求。
进一步的,所述基于分级模型,采用蒙特卡罗方法抽样计算调峰充裕性指标具体为:
对常规发电机进行状态抽样得到***总调峰容量Preserve;对新能源机组出力及运行状态根据风、光出力的联合概率密度抽样得到***总新能源出力Pres;
将抽样得到***总新能源出力Pres与***总调峰容量Preserve求和后与k级调峰需求水平Preq,k比较,判断本次模拟调峰是否充足;若本次模拟调峰不足计算调峰不足容量PRNE,i;
计算在第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k;
全部调峰需求水平模拟结束后,计算***总的调峰不足概率与调峰不足期望。
进一步的,所述风、光出力的联合概率密度根据Copula理论计算具体步骤如下:
将所述风、光历史实际出力数据折算成出力率,并进行归一化处理,
选取风电场、光伏电站的出力率为随机变量;
对风电场的出力率P1的样本和光伏电站的出力率P2的样本进行核密度估计,得到出风电场和光伏电站的出力率概率密度;
对出风电场和光伏电站的出力率概率密度进行积分运算,得到风电场和光伏电站出力的累积概率分布;
通过对Copula函数进行拟合度判别,选取最佳Copula函数,将出风电场和光伏电站的出力率概率密度带入最佳Copula函数的概率密度函数,并带入联合分布函数表达式,得到风、光出力的联合概率密度。
进一步的,
第i次抽样中的所述调峰不足容量PRNE,i的计算式为:
PRNE,i=max{0,Preq,k-(Pres+Preserve)}
式中,Preq,k为第k级调峰需求水平,Pres为抽样得到***总的新能源出力,Preserve
为***总调峰容量。
进一步的,
第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k计算式为:
式中,Nk为计算第k级调峰需求水平的充裕性指标时蒙特卡洛抽样次数;Tk为第k级调峰需求水平的持续时间长度,PRNE,i为第i次抽样中的所述调峰不足容量;指标变量Ii的含义为:
作为本发明的第三方面,提供一种电力***调峰充裕性评估设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述电力***调峰充裕性评估方法的步骤。
作为本发明的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的电力***调峰充裕性评估方法的步骤。
与现有技术相比,本发明具有以下有益效果:
1)本发明提出了基于蒙特卡罗模拟方法的适用于大规模新能源并网的***调峰充裕性评估方法。本方法绘制***调峰需求持续曲线;泛化调峰容量比的概念,对***调峰需求持续曲线进行分级;再利用非序贯蒙特卡罗模拟方法求解带有序贯性的调峰问题。该方法计及机组的强迫停运率、新能源随机波动和储能装置对***调峰充裕性的影响,并保证了计算速度。
2)本发明提出的综合净负荷曲线同时考虑了负荷、风电出力和储能3个方面,利用储能容量修正净负荷曲线,得到***的综合净负荷。充分利用储能的作用,提高了净负荷的低谷值。
3)本发明立足于同一地区风电、光伏出力的相关性和波动性,采用核密度估计法分别得到风电、光伏出力的概率分布函数;然后基于Copula理论建立风光联合出力可靠性模型获得风、光出力的联合概率密度,充分地考虑风光时空相关性,提高评估的准确度。
4)本发明通过调峰不足概率和调峰不足期望两个充裕性指标,量化新能源接入对***充裕性的影响,可以方便地获取调峰裕度信息,确定合适的新能源接入规模。
附图说明
图1为本发明***调峰充裕性评估流程图;
图2为综合净负荷曲线示意图;
图3为调峰需求持续曲线及多水平分级模型示意图;
图4为经验Copula的概率密度分布图;(a)t-Copula、(b)Gumbel-Copula、(c)Clayton-Copula、(d)Frank-Copula;
图5为经验Copula的概率密度分布图;
图6为不同新能源并网容量下的***调峰不足概率示意图;
图7为不同新能源并网容量下的***调峰不足期望示意图;
图8为不同储能装机容量下的***调峰不足指标示意图;
图9为本发明***调峰充裕性评估***的示意框图;图10为本发明***调峰充裕性评估装置的示意框图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本发明提出了一种计及风、光出力非线性相关性的***调峰充裕性评估方法。首先,采用核密度估计法分别得到风电、光伏出力的概率分布函数;然后,基于Copula理论建立风光联合出力可靠性模型;最后,计及机组的强迫停运率、新能源随机波动和储能装置对***调峰充裕性的影响,基于蒙特卡罗模拟方法提出了适用于大规模新能源并网的***调峰充裕性评估方法。本发明的技术方案具体包括如下步骤:
1风光联合出力概率建模
1.1核密度估计法
风电场、光伏电站的出力概率模型通常采用参数估计法,即认为风速服从Weibull分布、光照强度短时服从Beta分布,通过估计参数获取概率分布。然而,风、光出力不仅由风速、光照强度决定,还受其他诸多因素的影响,故选取的参数模型与实际的物理模型之间往往存在较大的差距。核密度估计法能够直接对风电、光伏出力的数据进行非参数估计,以已有出力样本为基础即可挖掘出数据的分布特征,从而得到各自的概率密度函数,因此具有更好的效果。
核密度估计原理为:设f(x)为X符合的密度函数,为核密度估计函数值,则可以通过计算x邻域内各点对x的距离,分析各点对x的远近程度,进而确定这些点对估计值的贡献程度。设X1,X2,...,Xn为从X中抽取的离散样本,那么在点x处的密度函数的核密度估计值/>为:
式中,n为样本数量;h为窗宽;K()为核函数,通常选取以0为中心的对称单峰概率密度函数。
1.2Copula理论及其最优选择
1.2.1Sklar定理及Copular函数
已知两个变量的分布时,很难确定这两个变量的联合分布函数,1959年Sklar提出的Sklar定理很好地解决了这一问题。定理指出一个N维变量的联合分布函数可以由这N个变量的边缘分布和一个Copula函数来描述。基于Copula函数的联合分布函数表达式如下所示:
F(x1,x2,...,xn)=C(F(x1),F(x2),...,F(xn)) (2)
式中,F(x1,x2,...,xn)为变量的联合分布函数,F(xi)为单个变量的边缘分布函数,C()为Copula函数。
1.2.2 Copula函数的最优选择
Copula函数主要分为椭圆函数族和阿基米德函数族两大类,前者有正态Copula和t-Copula函数两类,后者主要包括Gumbel-Copula、Clayton-Copula和Frank-Copula函数。由于Copula函数的类型多样,且不同类型Copula函数的函数结构和尾部特征各不相同,其刻画的相依关系也有所不同。因此,需要对其进行拟合优度判别,从而选取拟合效果最优的函数。常用的判别方法包括函数图像判别法、相关系数判别法和欧氏距离判别法。
一、函数图像判别法
将各Copula函数概率密度函数图像与样本数据的概率密度函数进行比较,图像最为接近的即为最优Copula函数。
二、平方欧式距离判别法
平方欧式距离判别法是用各Copula函数分别和样本数据的经验Copula函数的欧式距离进行比较,其大小能够反映各种Copula函数模型与经验Copula函数的接近程度,欧式距离越小,函数的拟合性能越好。其中,样本数据的经验Copula函数和平方欧式距离的计算公式分别如式(3)、(4)所示:
式中,(xi,yi)(i=1,2,...,n)为二维变量(X,Y)的样本,Fn(xi)与Gn(yi)分别为二维变量(X,Y)的经验累积分布函数,I[]为示性函数,当Fn(xi)≤u时,存在I[Fn(xi)≤u]=1,否则I[Fn(xi)≤u]=0,I[Gn(yi)≤v]同理;Ce()为经验Copula函数。
三、相关系数判别法
相关系数是度量变量间相关性大小的常用指标,常见的相关系数有线性相关系数(Pearson系数)和秩相关系数(Spearman系数和Kendall系数)两类。由于秩相关系数更适用于两个分类变量均为有序分类的情况,因此本发明采用秩相关系数对其拟合效果进行分析,秩相关系数的数值越大,其拟合性越好。两类秩相关系数的计算公式如式(5)、(6)所示。
式中,ρk、ρs分别表示Kendall和Spearman秩相关系数;(u1,v1)和(u2,v2)是两变量(U,V)的任意两个样本的观测值,两个值相互独立。若(u1,v1)(u2,v2)>0,则称其具有一致性;如果(u1,v1)(u2,v2)<0,则二者具有不一致性;a为两变量(U,V)的一致性的样本对数,b为(U,V)具有不一致性的样本对数;N为采样点的总个数;ci为ui在(u1,u2,...,uN)中的秩,di为vi在(v1,v2,...,vN)中的秩;分别为ci和di的平均值。
1.3风光联合出力概率建模
由于风速和太阳辐照度均易受到气象条件的影响,这就导致同一地区的风、光出力具有一定的相关性,且呈现出互补特性。为了提高充裕评估的准确性,应采用计及相关性的风、光时序出力数据进行评估。
将风、光历史实际出力数据折算成出力率,进行归一化处理,选取风电场、光伏电站的出力率为随机变量。设风电场的出力率为P1,其对应的概率密度为fWT(P1);光伏电站的出力率为P2,其对应的概率密度为fPV(P2)。令(p11,p12,...,p1n)和(p21,p22,...,p2n)分别为P1和P2的样本空间,n为样本容量。根据Copula理论,计及时空相关性的风、光出力的联合概率分布由如下步骤计算:
a.将样本(p11,p12,...,p1n)和(p21,p22,...,p2n)代入式(1)进行核密度估计得到出风电场和光伏电站的出力率概率密度fWT(P1)、fPV(P2)。
b.将fWT(P1)、fPV(P2)进行积分运算,得到风电场和光伏电站出力的累积概率分布FWT(P1)和FPV(P2),计算公式如下:
c.通过对Copula函数进行拟合度判别,选取最佳Copula函数,将fWT(P1)、fPV(P2)带入该Copula函数的概率密度函数,并与式(2)联立,即可得到风、光出力的联合概率密度。
2含新能源发电的***调峰充裕性评估方法
2.1综合净负荷建模
新能源并网前,***的日调峰需求表现为峰荷与谷荷间的差值,即峰谷差。新能源并网后,由于其出力的随机性与间歇性,一般采用净负荷分析***的调峰需求,即***负荷减去新能源出力。然而,这种净负荷的计算未能体现储能的作用。因此,本发明提出一种综合净负荷模型,同时考虑了负荷、风电出力和储能3个方面。
假设***储能容量为E,第d天净负荷曲线低谷值为Pmin,d,总天数为365,每天划分为24个时段,则综合净负荷的计算过程如下:
(1)首先,计算不含储能时,***第d天第t时段的净负荷Pnl,d,t为:
pnl,d,t=Pl,d,t-Pres,d,t (9)
式中,Pl,d,t表示***第d天第t时段的历史负荷;Pres,d,t表示第d天t时段的新能源出力。
(2)利用储能容量E修正净负荷曲线,得到***第d天第t时段的综合净负荷,具体修成过程如图2所示,利用储能修正后的净负荷曲线即为综合净负荷曲线。
通过将储能E应用于低谷附近的r个时段(r取经验值,本发明选取r=5),如图2的阴影部分所示。净负荷低谷值将从Pmin,d提升至P'min,d,从而降低该日净负荷的峰谷差。按照储能的容量与阴影部分面积相等的原则,修正后的净负荷低谷值为:
式中,Δt为时间间隔;表示低谷附近r个时段的净负荷值。
2.2***调峰需求分析
基于***的综合净负荷,即可计算***的调峰需求。***第d天第t时段的调峰需求Lpeakreq,d,t等于该时段的综合净负荷值与当天综合净负荷低谷P'min,d的差值,计算公式如下:
Lpeakreq,d,t=Pcoml,d,t-P'min,d (11)
式中,Pcoml,d,t表示***第d天第t时段综合净负荷。
火电机组运行时,其正常发电出力范围受到最小技术出力和最大技术出力的约束,其最小出力一般达到额定出力的70%,少数机组可达到60%或50%,这一灵活变动的容量数值与机组额定容量之比称为调峰容量比。其表达式为:
式中,RG为发电机组的调峰容量比;PN为发电机组的额定发电出力;PGmax为发电机组的最大技术出力;PGmin为发电机组的最小技术出力。将调峰容量比概念泛化,可认为能够通过启停调峰的机组调峰容量比为1,不具备调峰能力适于承担基荷运行的机组调峰容量比为0,即有调节水电机组、燃汽轮机机组调峰容量比为1;无调节水电机组、处于热电联产期供热机组和核电机组调峰容量比为0。
2.3***调峰充裕性指标计算
基于2.1、2.2节计算得到***每一时刻的综合净负荷和调峰需求后,对所有调峰需求由大到小排序,即可以得到***调峰需求持续曲线。采用分级的模型对***充裕性指标进行计算,如图3所示。
图中,将***的调峰需求持续曲线平均划分为K个等级,曲线表示调峰需求或负荷的累计概率分布函数F,F可由历史的负荷或调峰需求数据通过核估计方法获得,本发明采用一年365天间隔24h共8760个点的调峰需求进行累积。L1,L2,...,Lk,...,LK分别表示调峰需求,Tk为第k级水平所持续的时间,其数值为生成曲线F时所采用的历史数据的时间长度除以K,Pk表示第k级调峰需求/负荷水平的概率,计算公式如下:
式中,F-1为F的逆函数,k=2,...,K-1。
基于分级模型,采用蒙特卡罗方法分别对第k级水平进行抽样计算调峰充裕性指标,然后再将各级调峰充裕性指标相加得到***总的调峰充裕性指标,具体计算公式:
(1)调峰不足概率(peak-load regulation not enough probability,PRNEP),用PPRNEP表示。
(2)调峰不足期望(peak-load regulation not enough expectation,PRNEE),用EPRNEE表示。
式中,Nk为计算第k级调峰需求水平的充裕性指标时蒙特卡洛抽样次数;PPRNEP,k为第k级调峰需求水平下的调峰不足概率;Pk为第k级调峰需求水平的概率;PRNE,k,i表示第k级调峰需求水平下第i次抽样中的调峰不足容量。
3***调峰充裕性评估流程
如图1所示,本发明基于蒙特卡罗模拟方法的***调峰充裕性评估流程如下:
(1)输入新能源机组历史出力数据、储能容量、各机组强迫停运率、常规机组调峰容量比以及负荷时序曲线等原始数据。
(2)计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线。
(3)利用多级模型表示调峰需求持续曲线。给定调峰需求水平分级后,可将各个调峰需求分配到最接近的一个级别,从而得到一个离散的调峰需求概率分布。
(4)对常规发电机进行状态抽样,根据发电机状态与对应机组调峰容量比确定每台机组的调峰容量,从而得到***的总调峰容量Preserve;对新能源机组出力及运行状态根据风、光出力的联合概率密度进行随机抽样,得到***总的新能源出力Pres。
(5)将新能源出力Pres与***总调峰容量Preserve求和后与k级调峰需求水平Preq,k比较。若Pres+Preserve>Preq,k,则认为本次模拟调峰充足;若Pres+Preserve<Preq,k,则认为本次模拟调峰不足。在第i次抽样中的调峰不足容量PRNE,i的计算式为:
PRNE,i=max{0,Preq,k-(Pres+Preserve)} (16)
(6)计算在第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k,其计算式为:
式中,Tk为第k级调峰需求水平的持续时间长度;指标变量Ii的含义为:
(7)全部调峰需求水平模拟结束后,计算调峰不足概率与调峰不足期望。
4算例分析
4.1基础数据
本发明参照我国南方某电网实际运行情况设置算例,基于风、光和负荷历史一年的出力数据,应用本发明所提评估方法,对***目标年的调峰充裕性进行了评估。该***总装机容量42980MW,年最大负荷33520MW。新能源装机规模为2750MW,其中,风电和光伏装机比例约为2:3。常规机组调峰容量比,如表1所示,计算得到的***总调峰容量为15490MW。储能***总装机容量为100MW。假设机组的强迫停运率为0.05。
表1***各机组数据
机组容量/MW | 机组数量 | 机组类型 | 强迫停运率 | 调峰容量比/% |
450 | 10 | 燃煤 | 0.01 | 46 |
200 | 41 | 燃气 | 0.1 | 100 |
100 | 6 | 水电 | 0.04 | 100 |
350 | 30 | 燃煤 | 0.08 | 44 |
4.2评估结果及分析
为选择拟合最优的Copula函数以有效反映风、光之间的相关性,本发明引入Spearman秩相关系数、Kendall秩相关系数和平方欧式距离。若秩相关系数绝对值越大,且平方欧式距离越小,则该函数拟合效果越好。基于南方某电网一年(8760h)风电、光伏历史出力数据,分别用t-Copula、Frank-Copula、Gumbel-Copula、Clayton-Copula四种Copula函数拟合风光出力,建立风电场与光伏电站有功功率出力的预测误差联合分布函数,如图4、图5所示。
由图可以看出,Frank-Copula的概率密度分布与经验Copula的概率密度分布最为接近。分别计算其秩相关系数和与经验Copula函数的平方欧式距离,计算结果如表2所示。从表2可知,采用Frank-Copula函数拟合计算得到的秩相关系数与样本数据的相关系数较为接近,且其与样本数据的平方欧式距离也较小。综上,本发明选择Frank-Copula作为风光联合出力模型的连接函数,从而保证拟合的精度。
表2各Copula函数的相关系数与平方欧式距离
采用Frank-Copula函数进行拟合,利用极大似然估计法进行参数θ的估计,得θ=0.275。联合分布函数的表达式为:
采用本发明所提调峰充裕性评估方法对***进行充裕性评估,所得调峰不足概率为0.48%,调峰不足期望为398.24GW·h。不改变风电和光伏之间的装机比例,通过新能源出力乘以比例系数,设置多个新能源装机比例的分析场景,所得调峰不足概率PPRNEP和调峰不足期望EPRNEE结果如图6、图7所示。
由图可知,随着可再生能源并网规模的增大,***PPRNEP和EPRNEE也不断增大,说明新能源大规模并网会导致***的调峰压力不断增大。新能源接入规模小于6000MW左右时,PPRNEP和EPRNEE均很小且变化平缓,当新能源接入规模大于6000MW左右时,PPRNEP和EPRNEE迅速增大,***的调峰不足问题较为明显。因此,新能源并网容量适宜选择在调峰充裕度指标PPRNEP和EPRNEE迅速增大之前,以获得较好的调峰充裕性。
不改变风电、光伏的装机容量,***其他参数不变,以等步长20MW减小或扩展储能***装机容量,对具有不同储能***的调峰充裕性进行研究,所得调峰不足概率PPRNEP和调峰不足期望EPRNEE结果如图8所示。
由图可知,***加入储能***后,随着储能容量的增大,***的PPRNEP和EPRNEE不断减小,这表明加入储能有利于改善***的调峰充裕性情况。因此,在对***进行规划时,合理安排以储能为代表的多种灵活调节资源协同运行,可以显著改善高比例可再生能源接入为电力***带来的调峰压力,保障电力***安全可靠运行。本发明立足于同一地区风电、光伏出力的相关性和波动性,提出了计及风光时空相关性的***调峰充裕性评估方法。文中泛化了调峰容量比的概念,定义了综合净负荷曲线,通过调峰不足概率和调峰不足期望两个充裕性指标,量化新能源接入对***充裕性的影响。评估方法利用非序贯蒙特卡罗模拟方法求解带有序贯性的调峰问题,保证了计算速度。由算例分析可知,高比例新能源大规模集中式开发增大了***的调峰难度。因此,在大规模新能源并网规划和运行时计算调峰充裕性指标是必要的。通过计算调峰充裕性指标可以方便地获取调峰裕度信息,确定合适的新能源接入规模。在当前背景下,发电***充裕性评估需要综合考虑发电可靠性评估和调峰充裕性评估,以有效指导电网规划、运行。
实施例2
作为本发明的第二方面,本申请还提供一种电力***调峰充裕性评估***,其特征在于,如图9所示***包括:
数据输入模块101,用于输入原始数据,所述原始数据包括新能源机组历史出力数据、储能容量、各机组强迫停运率、常规机组调峰容量比以及负荷时序曲线;
***调峰需求持续曲线绘制模块102,用于计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线;
计算不含储能时,***第d天第t时段的净负荷Pnl,d,t
通过将储能应用于低谷附近的r个时段,净负荷低谷值将从Pmin,d提升至P'min,d,按照储能容量E与阴影部分面积相等的原则,修正后的净负荷低谷值;
计算***第d天第t时段的综合净负荷值与当天综合净负荷低谷的差值,得到该时段的调峰需求;
计算得到***每一时刻的综合净负荷和调峰需求后,对所有调峰需求由大到小排序,得到***调峰需求持续曲线。
调峰需求水平分级模块103,同于利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级,得到离散的调峰需求概率分布;
将***的调峰需求持续曲线平均划分为K个等级,Pk表示第k级调峰需求或负荷水平的概率;
调峰充裕性指标计算模块104,用于基于分级模型,采用蒙特卡罗方法分别对各调峰需求水平分级进行抽样计算调峰充裕性指标,然后再将各级调峰充裕性指标相加得到***总的调峰充裕性指标。
对常规发电机进行状态抽样得到***总调峰容量Preserve;对新能源机组出力及运行状态根据风、光出力的联合概率密度抽样得到***总新能源出力Pres;
将抽样得到***总新能源出力Pres与***总调峰容量Preserve求和后与k级调峰需求水平Preq,k比较,判断本次模拟调峰是否充足;若本次模拟调峰不足计算调峰不足容量PRNE,i;
计算在第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k;
全部调峰需求水平模拟结束后,计算***总的调峰不足概率与调峰不足期望。
将所述风、光历史实际出力数据折算成出力率,并进行归一化处理,
选取风电场、光伏电站的出力率为随机变量;
对风电场的出力率P1的样本和光伏电站的出力率P2的样本进行核密度估计,得到出风电场和光伏电站的出力率概率密度;
对出风电场和光伏电站的出力率概率密度进行积分运算,得到风电场和光伏电站出力的累积概率分布;
通过对Copula函数进行拟合度判别,选取最佳Copula函数,将出风电场和光伏电站的出力率概率密度带入最佳Copula函数的概率密度函数,并带入联合分布函数表达式,得到风、光出力的联合概率密度。
实施例3
作为本发明的第三方面,本申请还提供一种电力***调峰充裕性评估设备,如图10所示,包括:一个或多个处理器21;存储器22,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器21执行,使得所述一个或多个处理器21实现如上述电力***调峰充裕性评估方法。除了所述的处理器21、存储器22以及接口23之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
实施例4
作为本发明的第四方面,本申请还提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述电力***调峰充裕性评估方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (20)
1.一种电力***调峰充裕性评估方法,其特征在于,所述方法包括以下步骤:
输入***原始数据,所述原始数据包括新能源机组历史出力数据、储能容量、各机组强迫停运率、常规机组调峰容量比以及负荷时序曲线;
计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线;
利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级,得到离散的调峰需求概率分布;
基于分级模型,采用蒙特卡罗方法分别对第k级水平进行抽样计算调峰充裕性指标,然后再将各级调峰充裕性指标相加得到***总的调峰充裕性指标。
2.根据权利要求1所述的一种电力***调峰充裕性评估方法,其特征在于,所述计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线的具体步骤包括:
计算不含储能时,***第d天第t时段的净负荷Pnl,d,t为:
pnl,d,t=Pl,d,t-Pres,d,t
式中,Pl,d,t表示***第d天第t时段的历史负荷;Pres,d,t表示第d天t时段的新能源出力;
利用储能容量E修正净负荷曲线,得到***第d天第t时段的综合净负荷;
计算***第d天第t时段的综合净负荷值与当天综合净负荷低谷的差值,得到该时段的调峰需求;
计算得到***每一时刻的综合净负荷和调峰需求后,对所有调峰需求由大到小排序,得到***调峰需求持续曲线。
3.根据权利要求2所述的一种电力***调峰充裕性评估方法,其特征在于,所述利用储能容量E修正净负荷曲线的具体过程包括:
通过将储能应用于低谷附近的r个时段,净负荷低谷值将从Pmin,d提升至P'min,d,按照储能容量E与阴影部分面积相等的原则,修正后的净负荷低谷值为:
式中,Δt为时间间隔;表示低谷附近r个时段的净负荷值。
4.根据权利要求1所述的一种电力***调峰充裕性评估方法,其特征在于,所述利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级具体为:
将***的调峰需求持续曲线平均划分为K个等级,Pk表示第k级调峰需求或负荷水平的概率,计算公式如下:
式中,F表示调峰需求或负荷的累计概率分布函数,F-1为F的逆函数,k=2,...,K-1,L1,L2,...,Lk,...,LK分别表示调峰需求。
5.根据权利要求1所述的一种电力***调峰充裕性评估方法,其特征在于,所述基于分级模型,采用蒙特卡罗方法抽样计算调峰充裕性指标具体为:
对常规发电机进行状态抽样得到***总调峰容量Preserve;对新能源机组出力及运行状态根据风、光出力的联合概率密度抽样得到***总新能源出力Pres;
将抽样得到***总新能源出力Pres与***总调峰容量Preserve求和后与k级调峰需求水平Preq,k比较,判断本次模拟调峰是否充足;若本次模拟调峰不足计算调峰不足容量PRNE,i;
计算在第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k;
全部调峰需求水平模拟结束后,计算***总的调峰不足概率与调峰不足期望。
6.根据权利要求5所述的一种电力***调峰充裕性评估方法,其特征在于,所述风、光出力的联合概率密度根据Copula理论计算具体步骤如下:
将所述风、光历史实际出力数据折算成出力率,并进行归一化处理,
选取风电场、光伏电站的出力率为随机变量;
对风电场的出力率P1的样本和光伏电站的出力率P2的样本进行核密度估计,得到出风电场和光伏电站的出力率概率密度;
对出风电场和光伏电站的出力率概率密度进行积分运算,得到风电场和光伏电站出力的累积概率分布;
通过对Copula函数进行拟合度判别,选取最佳Copula函数,将出风电场和光伏电站的出力率概率密度带入最佳Copula函数的概率密度函数,并带入联合分布函数表达式,得到风、光出力的联合概率密度。
7.根据权利要求6所述的一种电力***调峰充裕性评估方法,其特征在于,所述Copula函数包括:正态Copula、t-Copula、Gumbel-Copula、Clayton-Copula和Frank-Copula函数。
8.根据权利要求6所述的一种电力***调峰充裕性评估方法,其特征在于,所述Copula函数拟合度判别方法包括函数图像判别法、相关系数判别法和欧氏距离判别法;所述相关系数判别法采用Spearman秩相关系数和Kendall秩相关系数。
9.根据权利要求5所述的一种电力***调峰充裕性评估方法,其特征在于,
第i次抽样中的所述调峰不足容量PRNE,i的计算式为:
PRNE,i=max{0,Preq,k-(Pres+Preserve)}
式中,Preq,k为第k级调峰需求水平,Pres为抽样得到***总的新能源出力,Preserve为***总调峰容量。
10.根据权利要求5所述的一种电力***调峰充裕性评估方法,其特征在于,
第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k计算式为:
式中,Nk为计算第k级调峰需求水平的充裕性指标时蒙特卡洛抽样次数;Tk为第k级调峰需求水平的持续时间长度,PRNE,i为第i次抽样中的所述调峰不足容量;指标变量Ii的含义为:
11.一种电力***调峰充裕性评估***,其特征在于,所述***包括:
数据输入模块,用于输入原始数据,所述原始数据包括新能源机组历史出力数据、储能容量、各机组强迫停运率、常规机组调峰容量比以及负荷时序曲线;
***调峰需求持续曲线绘制模块,用于计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线;
调峰需求水平分级模块,同于利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级,得到离散的调峰需求概率分布;
调峰充裕性指标计算模块,用于基于分级模型,采用蒙特卡罗方法分别对各调峰需求水平分级进行抽样计算调峰充裕性指标,然后再将各级调峰充裕性指标相加得到***总的调峰充裕性指标。
12.根据权利要求11所述的一种电力***调峰充裕性评估***,其特征在于,所述计算***每一时刻的综合净负荷和调峰需求,并绘制***调峰需求持续曲线的具体步骤包括:
计算不含储能时,***第d天第t时段的净负荷Pnl,d,t为:
pnl,d,t=Pl,d,t-Pres,d,t
式中,Pl,d,t表示***第d天第t时段的历史负荷;Pres,d,t表示第d天t时段的新能源出力;
利用储能容量E修正净负荷曲线,得到***第d天第t时段的综合净负荷;
计算***第d天第t时段的综合净负荷值与当天综合净负荷低谷的差值,得到该时段的调峰需求;
计算得到***每一时刻的综合净负荷和调峰需求后,对所有调峰需求由大到小排序,得到***调峰需求持续曲线。
13.根据权利要求12所述的一种电力***调峰充裕性评估***,其特征在于,所述利用储能容量E修正净负荷曲线的具体过程包括:
通过将储能应用于低谷附近的r个时段,净负荷低谷值将从Pmin,d提升至P'min,d,按照储能容量E与阴影部分面积相等的原则,修正后的净负荷低谷值为:
式中,Δt为时间间隔;表示低谷附近r个时段的净负荷值。
14.根据权利要求11所述的一种电力***调峰充裕性评估***,其特征在于,所述利用多级模型表示调峰需求持续曲线,对各个调峰需求水平分级具体为:
将***的调峰需求持续曲线平均划分为K个等级,Pk表示第k级调峰需求或负荷水平的概率,计算公式如下:
式中,F表示调峰需求或负荷的累计概率分布函数,F-1为F的逆函数,k=2,...,K-1,L1,L2,...,Lk,...,LK分别表示调峰需求。
15.根据权利要求11所述的一种电力***调峰充裕性评估***,其特征在于,所述基于分级模型,采用蒙特卡罗方法抽样计算调峰充裕性指标具体为:
对常规发电机进行状态抽样得到***总调峰容量Preserve;对新能源机组出力及运行状态根据风、光出力的联合概率密度抽样得到***总新能源出力Pres;
将抽样得到***总新能源出力Pres与***总调峰容量Preserve求和后与k级调峰需求水平Preq,k比较,判断本次模拟调峰是否充足;若本次模拟调峰不足计算调峰不足容量PRNE,i;
计算在第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k;
全部调峰需求水平模拟结束后,计算***总的调峰不足概率与调峰不足期望。
16.根据权利要求15所述的一种电力***调峰充裕性评估***,其特征在于,所述风、光出力的联合概率密度根据Copula理论计算具体步骤如下:
将所述风、光历史实际出力数据折算成出力率,并进行归一化处理,
选取风电场、光伏电站的出力率为随机变量;
对风电场的出力率P1的样本和光伏电站的出力率P2的样本进行核密度估计,得到出风电场和光伏电站的出力率概率密度;
对出风电场和光伏电站的出力率概率密度进行积分运算,得到风电场和光伏电站出力的累积概率分布;
通过对Copula函数进行拟合度判别,选取最佳Copula函数,将出风电场和光伏电站的出力率概率密度带入最佳Copula函数的概率密度函数,并带入联合分布函数表达式,得到风、光出力的联合概率密度。
17.根据权利要求15所述的一种电力***调峰充裕性评估***,其特征在于,
第i次抽样中的所述调峰不足容量PRNE,i的计算式为:
PRNE,i=max{0,Preq,k-(Pres+Preserve)}
式中,Preq,k为第k级调峰需求水平,Pres为抽样得到***总的新能源出力,Preserve为***总调峰容量。
18.根据权利要求15所述的一种电力***调峰充裕性评估***,其特征在于,
第k级调峰需求水平下的调峰不足概率PPRNE,k和调峰不足期望EPRNE,k计算式为:
式中,Nk为计算第k级调峰需求水平的充裕性指标时蒙特卡洛抽样次数;Tk为第k级调峰需求水平的持续时间长度,PRNE,i为第i次抽样中的所述调峰不足容量;指标变量Ii的含义为:
19.一种电力***调峰充裕性评估设备,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如权利要求1至10中任一项所述电力***调峰充裕性评估方法的步骤。
20.一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如权利要求1至10中任一项所述的电力***调峰充裕性评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442884.5A CN116644903A (zh) | 2023-04-23 | 2023-04-23 | 电力***调峰充裕性评估方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442884.5A CN116644903A (zh) | 2023-04-23 | 2023-04-23 | 电力***调峰充裕性评估方法、***、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116644903A true CN116644903A (zh) | 2023-08-25 |
Family
ID=87617795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442884.5A Pending CN116644903A (zh) | 2023-04-23 | 2023-04-23 | 电力***调峰充裕性评估方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644903A (zh) |
-
2023
- 2023-04-23 CN CN202310442884.5A patent/CN116644903A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113193600B (zh) | 计及风电概率分布不确定性的电力***调度方法及装置 | |
CN103810535B (zh) | 电力***风电消纳能力评估方法 | |
CN112036611B (zh) | 一种计及风险的电网优化规划方法 | |
CN108599268B (zh) | 一种考虑风电场时空关联约束的日前优化调度方法 | |
Tahir et al. | Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days | |
CN113962441A (zh) | 一种基于历史数据分析的短期辐照度预测方法及预测*** | |
CN113363976B (zh) | 一种基于场景图的风光水互补发电***中期优化调度方法 | |
CN108767855B (zh) | 一种时序持续混合的电力***随机生产模拟方法 | |
CN117993611A (zh) | 一种基于场景时序的灵活热源新能源消纳能力评估方法 | |
CN113609699A (zh) | 辐射状配电网交流潮流模型的计算方法和*** | |
CN117638939A (zh) | 一种基于Adam算法考虑的水光互补优化调度方法 | |
Kader et al. | Active power control strategy for wind farms based on power prediction errors distribution considering regional data | |
CN112564160A (zh) | 一种计及风电不确定性的储能***随机配置方法、终端及存储介质 | |
CN105320992A (zh) | 一种电力***备用量化评估方法 | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
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 | |
CN116644903A (zh) | 电力***调峰充裕性评估方法、***、设备及存储介质 | |
CN115689241A (zh) | 一种基于水风光多能互补的梯级水库群调度图优化方法 | |
Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
CN101478159A (zh) | 基于差分等式约束转化降阶的暂态稳定约束潮流优化方法 | |
Zim et al. | Short-term Weather Forecasting for Wind Energy Generation using A Deep Learning Technique | |
Ji et al. | Probabilistic optimal power flow considering the dependence of multiple wind farms using pair diffusive kernel copula | |
Zhang et al. | Optimal Scheduling Strategy for Power Systems Containing Offshore Wind Farms Considering Wind Power Uncertainty | |
CN116613759B (zh) | 配电网潮流计算方法、装置、电子设备及存储介质 | |
Liu et al. | A Combined Clustering Scenario Reduction Method Base on Potential Decision Results for Generation Expansion Planning |
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 |