CN117154725B - 水风光多能互补的调度方法、装置、计算机设备及介质 - Google Patents
水风光多能互补的调度方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117154725B CN117154725B CN202311426072.8A CN202311426072A CN117154725B CN 117154725 B CN117154725 B CN 117154725B CN 202311426072 A CN202311426072 A CN 202311426072A CN 117154725 B CN117154725 B CN 117154725B
- Authority
- CN
- China
- Prior art keywords
- cluster
- wind
- output
- daily load
- output 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.)
- Active
Links
- 230000000295 complement effect Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 188
- 230000033228 biological regulation Effects 0.000 claims abstract description 75
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 238000007619 statistical method Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 238000010248 power generation Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/381—Dispersed generators
-
- 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
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力调度技术领域,公开了水风光多能互补的调度方法、装置、计算机设备及介质,水风光多能互补的调度方法包括:对风力发电站和光伏电站进行集群划分,得到多个集群组;基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据;确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息;确定集群***的出力随机性分布信息和电网日负荷随机性分布信息;构建水风光多能互补短期调峰模型,得到第一调节结果;构建水电站群短期优化调度模型,得到第二调节结果;根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果。本发明融合了对网源多维不确定性因素的考虑,调度结果更具统计显著性意义。
Description
技术领域
本发明涉及电力调度技术领域,具体涉及水风光多能互补的调度方法、装置、计算机设备及介质。
背景技术
近年来,我国新能源装机规模迅猛发展,对我国电力能源格局产生了深刻影响。风电、光伏等新能源受气象因素影响明显,具有显著随机性与不确定性,规模化风电、光伏直接馈入会对电网安全稳定运行产生较大影响。
为减小新能源并网影响、降低清洁能源弃电率,将水、风、光多种能源打捆运行,形成水风光多能互补***,利用水电的调节能力平抑风光资源的随机波动性,是当前行业公认行之有效的重要手段之一。
但是,随着新能源装机占比不断增长,电力***安全经济高效运行面临一系列新挑战,立足于水风光多能互补新模式,面向大规模风光资源接入的水风光多能互补***,作为水风光多能互补调度主要内容,相关技术中的水风光短期联合优化调度多从电网侧或电源侧角度考虑它们的单一需求,难以满足源网协调需求背景下调度场景的需要。
发明内容
有鉴于此,本发明提供了一种水风光多能互补的调度方法、装置、计算机设备及介质,以解决源网协调需求背景下水风光多能互补短期调度的问题。
第一方面,本发明提供了一种水风光多能互补的调度方法,包括:根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组;基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,集群***包括多个集群组;对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息;根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息;根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,水风光多能互补短期调峰模型代表用电高峰的第一调节结果;根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,水电站群短期优化调度模型代表发电量的第二调节结果;根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果。
有益效果:本发明实施例根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组,电站的规模庞大,进行发电调度时,统一管理会使运行信息维护困难,大规模***优化建模准确性低,计算效率低,因此将风力发电站和光伏电站进行集群划分。本发明实施例基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,集群***包括多个集群组,对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,水风光多能互补短期调峰模型代表用电高峰的第一调节结果,水风光多能互补短期调峰模型是以电网侧调峰需求为主的模型,因此,第一调节结果满足电网侧调峰需求;根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,水电站群短期优化调度模型代表发电量的第二调节结果,水电站群短期优化调度模型是以电源侧发电量需求为主的模型,因此,第二调节结果满足电源侧发电量需求;根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果,因此,本发明实施例考虑网源多维不确定性特点,融合了对网源多维不确定性因素的考虑,调度结果更具统计显著性意义,另外,该方法兼顾了网源双侧需求,更适用于源网协调背景下的调度场景,有利于源网协调下水风光多能互补短期发电计划的高效编制。
在一种可选的实施方式中,根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组,包括:根据多个风力发电站和多个光伏电站的第一历史出力数据,通过手肘法和轮廓系数法确定初始簇中心点,初始簇中心点为根据第一历史出力数据形成的初始簇中代表核心指标信息的样本中心点;将多个样本点划分至最近的初始簇中心点代表的初始簇中,多个样本点是根据第一历史出力数据形成的代表指标信息的点位;用多个样本点代替初始簇中心点,直至初始簇中心点到达容错范围内;确定多个样本点所在的多个初始簇,将多个初始簇确定为多个集群组。
在一种可选的实施方式中,基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,包括:将多个集群组的第二历史出力数据相加,得到集群***的第三历史出力数据。
有益效果:根据集群***的第二历史出力数据,整合得到集群***的第三历史出力数据,将集群***中的第二历史出力数据求和,得到集群***总出力数据。
在一种可选的实施方式中,对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,包括:获取不同时间间隔的集群***的第三历史出力数据和电网日负荷数据;将集群***的第三历史出力数据和电网日负荷数据,确定为集群***的出力序列;根据出力序列对集群***的出力数据和电网日负荷数据进行统计分析,得到统计分析结果;根据统计分析结果,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息。
在一种可选的实施方式中,根据出力序列对集群***的出力数据和电网日负荷数据进行统计分析,得到统计分析结果,包括:获取集群***的出力序列中的样本数据;将出力序列中的多个样本数据分别输入至概率密度函数,得到多个概率分布结果;将多个概率分布结果进行统计分析,得到统计分析结果。
有益效果:将出力序列中的多个样本数据分别输入至概率密度函数,得到多个概率分布结果,使得概率分布结果更准确。
在一种可选的实施方式中,概率密度函数为:
其中,为概率密度函数,/>为样本容量,/>为带宽,/>()为核函数,/>为样本数据,/>为第/>个样本,/>为第/>个样本的样本数据。
在一种可选的实施方式中,根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息,包括:根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定多个出力场景;根据随机模拟方法确定多个出力场景对应的概率;根据多个出力场景对应的概率确定集群***的出力随机性分布信息和电网日负荷随机性分布信息。
在一种可选的实施方式中,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,包括:根据出力随机性分布信息和电网日负荷随机性分布信息,确定多个出力场景的剩余负荷波动数据;根据剩余负荷波动数据的期望值构建水风光多能互补短期调峰模型。
有益效果:根据剩余负荷波动数据的期望值构建水风光多能互补短期调峰模型,得到的水风光多能互补短期调峰模型可满足电网侧调峰需求。
在一种可选的实施方式中,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,包括:根据出力随机性分布信息和电网日负荷随机性分布信息,确定发电量;根据发电量构建水电站群短期优化调度模型。
有益效果:根据发电量构建水电站群短期优化调度模型,得到的水电站群短期优化调度模型可满足电源侧发电量需求。
在一种可选的实施方式中,根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果,包括:运用多目标优化算法,对水风光多能互补短期调峰模型进行分析,得到第一调节结果;运用多目标优化算法,对水电站群短期优化调度模型进行分析,得到第二调节结果;将第一调节结果和第二调节结果进行组合,生成水风光多能互补的调度结果。
有益效果:本发明实施例考虑了风电、光伏、负荷多维随机因素的影响,能够满足多元不确定因素影响下电网调峰的需要,同时也能使电源侧的利益诉求得到了满足,提高了水风光多能互补的调度效率,使得能源的利用率更加充分。
第二方面,本发明提供了一种水风光多能互补的调度装置,包括:集群划分模块,用于根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组;出力数据确定模块,用于基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,集群***包括多个集群组;统计分析模块,用于对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息;分布信息确定模块,用于根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息;第一调节结果确定模块,用于根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,水风光多能互补短期调峰模型代表用电高峰的第一调节结果;第二调节结果确定模块,用于根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,水电站群短期优化调度模型代表发电量的第二调节结果;调度结果生成模块,用于根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果。
在一种可选的实施方式中,集群划分模块,包括:初始簇中心点确定单元,用于根据多个风力发电站和多个光伏电站的第一历史出力数据,通过手肘法和轮廓系数法确定初始簇中心点,初始簇中心点为根据第一历史出力数据形成的初始簇中代表核心指标信息的样本中心点;中心点划分单元,用于将多个样本点划分至最近的初始簇中心点代表的初始簇中,多个样本点是根据第一历史出力数据形成的代表指标信息的点位;中心点代替单元,用于用多个样本点代替初始簇中心点,直至初始簇中心点到达容错范围内;集群组确定单元,用于确定多个样本点所在的多个初始簇,将多个初始簇确定为多个集群组。
在一种可选的实施方式中,出力数据确定模块,包括:加法单元,用于将多个集群组的第二历史出力数据相加,得到集群***的第三历史出力数据。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的水风光多能互补的调度方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的水风光多能互补的调度方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的水风光多能互补的调度方法的流程示意图;
图2是根据本发明实施例的另一水风光多能互补的调度方法的流程示意图;
图3是根据本发明实施例的集群划分的方法的流程示意图;
图4是根据本发明实施例的分布特性信息确定的方法的流程示意图;
图5是根据本发明实施例的调度结果生成的方法的流程示意图;
图6是根据本发明实施例的水风光多能互补的调度装置的结构框图;
图7是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种水风光多能互补的调度方法,通过构建水风光多能互补短期调峰模型和水电站群短期优化调度模型,以达到提高水风光多能互补的调度效率的效果。
根据本发明实施例,提供了一种水风光多能互补的调度方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种水风光多能互补的调度方法,可用于上述的水风光多能互补,图1是根据本发明实施例的水风光多能互补的调度方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组。
其中,出力数据为单位时间内输出的能量,风力发电站的出力为单位时间内输出的风能,光伏电站的出力为单位时间内输出的太阳能,第一历史出力数据中包括多个风力发电站的历史出力数据和多个光伏电站的历史出力数据。
在本发明实施例中,用聚类算法将多个风力发电站和多个光伏电站进行集群划分,示例性的,聚类算法可以是K-均值(Means)聚类算法,K-Means聚类算法是寻找数据对象中隐藏的有价值的信息,根据相似性原则,将具有高相似度的数据对象划分到同一类簇,把具有较高相异度的数据对象划分到不同类簇,从而使相同组中的数据点之间比其他组中的数据点更具相似性,因此,本发明实施例的同一集群组中的电站的第一历史出力数据相似。
关于集群组,集群组由多个风力发电站和多个光伏电站划分而成,集群组中的电站类型可以为一种或两种,示例性的,集群组中可以为多个光伏电站,集群组中可以为多个风力发电站,集群组中可以为至少一个光伏电站、至少一个风力发电站。
步骤S102,基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,集群***包括多个集群组。
在一些可选的实施方式中,将多个集群组的第二历史出力数据相加,得到集群***的第三历史出力数据。
在本发明实施例中,对于单个集群组,将该集群组中的电站的出力数据相加,得到该集群组的第二历史出力数据,将多个集群组的第二历史出力数据相加,得到集群***的第三历史出力数据。
步骤S103,对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息。
在本发明实施例中,基于第三历史出力数据和电网日负荷数据,运用统计分析手段获得集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,其中,统计分析手段为利用概率密度函数进行分析,概率密度函数是一个描述随机变量的输出值,在某个确定的取值点附近的可能性的函数。而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分。在本发明实施例中,通过概率密度函数,对第三历史出力数据进行统计分析,确定集群***的出力概率分布特性信息,对电网日负荷数据进行统计分析,确定集群***的电网日负荷概率分布特性信息。
步骤S104,根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息。
在本发明实施例中,根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,运用多场景分析方法,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息,其中,根据集群***的出力概率分布特性信息,确定集群***的出力随机性分布信息,根据集群***的电网日负荷概率分布特性信息,确定集群***的电网日负荷随机性分布信息。本发明实施例在多场景分析方法中,运用蒙特卡罗方法生成多个出力场景,获取各场景对应的概率。
其中,蒙特卡罗方法是描述装备运用过程中各种随机现象的基本方法,首先建立一个概率模型或随机过程,使其参数或数字特征等于问题的解,通过对模型或过程的观察或抽样试验来计算这些参数或数字特征,最后给出所求解的近似值。
步骤S105,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,水风光多能互补短期调峰模型代表用电高峰的第一调节结果。
其中,水风光多能互补短期调峰模型是以电网侧调峰需求为主,以多场景下电网剩余负荷波动(剩余负荷最大值与最小值之差最小)期望值最小为目标,构建的模型。
步骤S106,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,水电站群短期优化调度模型代表发电量的第二调节结果。
其中,水电站群短期优化调度模型是以电源侧发电量需求为主,以水电站发电量最大为目标,构建的模型。
步骤S107,根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果。
本实施例提供的水风光多能互补的调度方法,根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组,电站的规模庞大,进行发电调度时,统一管理会使运行信息维护困难,大规模***优化建模准确性低,计算效率低,因此将风力发电站和光伏电站进行集群划分。本发明实施例基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,集群***包括多个集群组,对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,水风光多能互补短期调峰模型代表用电高峰的第一调节结果,水风光多能互补短期调峰模型是以电网侧调峰需求为主的模型,因此,第一调节结果满足电网侧调峰需求;根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,水电站群短期优化调度模型代表发电量的第二调节结果,水电站群短期优化调度模型是以电源侧发电量需求为主的模型,因此,第二调节结果满足电源侧发电量需求;根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果,因此,本发明实施例考虑网源多维不确定性特点,融合了对网源多维不确定性因素的考虑,调度结果更具统计显著性意义,另外,该方法兼顾了网源双侧需求,更适用于源网协调背景下的调度场景,有利于源网协调下水风光多能互补短期发电计划的高效编制。
在本实施例中提供了一种水风光多能互补的调度方法,可用于上述的水风光多能互补,图2是根据本发明实施例的另一水风光多能互补的调度方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组。详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,集群***包括多个集群组。详细请参见图1所示实施例的步骤S102,在此不再赘述。
具体地,上述步骤S202包括:
步骤S2021,将多个集群组的第二历史出力数据相加,得到集群***的第三历史出力数据。
步骤S203,对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息。详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S204,根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息。详细请参见图1所示实施例的步骤S104,在此不再赘述。
具体地,上述步骤S204包括:
步骤S2041,根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定多个出力场景。
步骤S2042,根据随机模拟方法确定多个出力场景对应的概率。
步骤S2043,根据多个出力场景对应的概率确定集群***的出力随机性分布信息和电网日负荷随机性分布信息。
示例性地,如表1所示,为集群***场景概率表,在表1中,对于不同的场景,有该场景对应的第一集群***日出力过程场景,第二集群***日出力过程,负荷日出力过程,以及发生概率,例如,对于场景1,第一集群***日出力过程对应场景1-1,第二集群***日出力过程对应场景2-1,负荷日出力过程对应场景3-1,以及场景1对应的第一概率。
表1,集群***场景概率表。
步骤S205,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,水风光多能互补短期调峰模型代表用电高峰的第一调节结果。详细请参见图1所示实施例的步骤S105,在此不再赘述。
具体地,上述步骤S205包括:
步骤S2051,根据出力随机性分布信息和电网日负荷随机性分布信息,确定多个出力场景的剩余负荷波动数据。
步骤S2052,根据剩余负荷波动数据的期望值构建水风光多能互补短期调峰模型。
水风光多能互补短期调峰模型的公式如下:
其中,为最小值,/>为第/>个出力场景的剩余负荷波动数据,/>为第/>个出力场景的概率,/>为/>的最大值与最小值的差。
水风光多能互补短期调峰模型是以电网侧调峰需求为主,以多场景下电网剩余负荷波动(剩余负荷最大值与最小值之差最小)期望值最小为目标,构建的模型。
步骤S206,根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,水电站群短期优化调度模型代表发电量的第二调节结果。详细请参见图1所示实施例的步骤S106,在此不再赘述。
具体地,上述步骤S206包括:
步骤S2061,根据出力随机性分布信息和电网日负荷随机性分布信息,确定发电量。
步骤S2062,根据发电量构建水电站群短期优化调度模型。
水电站群短期优化调度模型的公式如下:
其中,为最大值,/>为第/>个出力场景的发电量,/>为时间段,T为时间段数,为时间,/>为出力场景,/>为出力场景数。
水电站群短期优化调度模型是以电源侧发电量需求为主,以水电站发电量最大为目标,构建的模型。
步骤S207,根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果。详细请参见图1所示实施例的步骤S107,在此不再赘述。
在本实施例中提供了一种水风光多能互补的调度方法,可用于上述的水风光多能互补,图3是根据本发明实施例的集群划分的方法流程图,如图3所示,该流程包括如下步骤:
步骤S301,根据多个风力发电站和多个光伏电站的第一历史出力数据,通过手肘法和轮廓系数法确定初始簇中心点,初始簇中心点为根据第一历史出力数据形成的初始簇中代表核心指标信息的样本中心点。
其中,手肘法的核心指标是误差平方和(Sum Of The Squared Errors,SSE),通过如下公式进行计算:
其中,为第/>个簇,/>为集群组中的样本点,/>为/>的质心(/>中所有样本的均值),/>为聚类误差,/>为集群组的个数。
其中,随着聚类数的增大,样本划分会更加精细,每个簇的聚合程度会逐渐提高,那么误差平方和SSE自然会逐渐变小。当/>小于真实聚类数时,由于/>的增大会大幅增加每个集群组的聚合程度,故SSE的下降幅度会很大,而当/>到达真实聚类数时,再增加/>所得到的聚合程度回报会迅速变小,所以SSE的下降幅度会骤减,然后随着/>值的继续增大而趋于平缓。
其中,轮廓系数法的核心指标是轮廓系数,轮廓系数通过如下公式计算:
其中,S为轮廓系数,为样本点中与距离最近的簇中所有样本的平均距离,/>是样本点中与同簇的其他样本的平均距离,/>是最大值。
求出所有样本的轮廓系数后再求平均值就得到了平均轮廓系数,簇内样本的距离越近,簇间样本距离越远,平均轮廓系数越大,聚类效果越好。
步骤S302,将多个样本点划分至最近的初始簇中心点代表的初始簇中,多个样本点是根据第一历史出力数据形成的代表指标信息的点位。
步骤S303,用多个样本点代替初始簇中心点,直至初始簇中心点到达容错范围内。
步骤S304,确定多个样本点所在的多个初始簇,将多个初始簇确定为多个集群组。
在本实施例中提供了一种水风光多能互补的调度方法,可用于上述的水风光多能互补,图4是根据本发明实施例的分布特性信息确定的方法流程图,如图4所示,该流程包括如下步骤:
步骤S401,获取不同时间间隔的集群***的第三历史出力数据和电网日负荷数据。
步骤S402,将集群***的第三历史出力数据和电网日负荷数据,确定为集群***的出力序列。
步骤S403,根据出力序列对集群***的出力数据和电网日负荷数据进行统计分析,得到统计分析结果。
步骤S404,根据统计分析结果,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息。
在一些可选的实施方式中,根据出力序列对集群***的出力数据和电网日负荷数据进行统计分析,得到统计分析结果,包括:获取集群***的出力序列中的样本数据。将出力序列中的多个样本数据分别输入至概率密度函数,得到多个概率分布结果。将多个概率分布结果进行统计分析,得到统计分析结果。
其中,集群***的出力序列为。
在一些可选的实施方式中,概率密度函数为:
其中,为概率密度函数,/>为样本容量,/>为带宽,/>()为核函数,/>为样本数据,/>为第/>个样本,/>为第/>个样本的样本数据。
其中,核函数为对称的非负函数。可有多种表现形式,不同形式对于概率密度建模的精度影响不大,且需满足以下条件:
其中,()为核函数,/>为自变量。
示例性地,可选取高斯核函数为本发明实施例的核函数,即:
其中,为以e为底的指数函数,/>为自变量,/>为以/>为自变量的核函数。
在本实施例中提供了一种水风光多能互补的调度方法,可用于上述的水风光多能互补,图5是根据本发明实施例的调度结果生成的方法流程图,如图5所示,该流程包括如下步骤:
步骤S501,运用多目标优化算法,对水风光多能互补短期调峰模型进行分析,得到第一调节结果。
步骤S502,运用多目标优化算法,对水电站群短期优化调度模型进行分析,得到第二调节结果。
步骤S503,将第一调节结果和第二调节结果进行组合,生成水风光多能互补的调度结果。
本发明实施例将出力序列中的多个样本数据分别输入至概率密度函数,得到多个概率分布结果,使得概率分布结果更准确。根据剩余负荷波动数据的期望值构建水风光多能互补短期调峰模型,得到的水风光多能互补短期调峰模型可满足电网侧调峰需求。根据发电量构建水电站群短期优化调度模型,得到的水电站群短期优化调度模型可满足电源侧发电量需求。本发明实施例考虑了风电、光伏、负荷多维随机因素的影响,能够满足多元不确定因素影响下电网调峰的需要,同时也能使电源侧的利益诉求得到了满足,提高了水风光多能互补的调度效率,使得能源的利用率更加充分。
在本实施例中还提供了一种水风光多能互补的调度装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种水风光多能互补的调度装置,如图6所示,包括:
集群划分模块601,用于根据多个风力发电站和多个光伏电站的第一历史出力数据,对多个风力发电站和多个光伏电站进行集群划分,得到多个集群组。
出力数据确定模块602,用于基于多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,集群***包括多个集群组。
统计分析模块603,用于对第三历史出力数据和电网日负荷数据进行统计分析,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息。
分布信息确定模块604,用于根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定集群***的出力随机性分布信息和电网日负荷随机性分布信息。
第一调节结果确定模块605,用于根据出力随机性分布信息和电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,水风光多能互补短期调峰模型代表用电高峰的第一调节结果。
第二调节结果确定模块606,用于根据出力随机性分布信息和电网日负荷随机性分布信息,构建水电站群短期优化调度模型,水电站群短期优化调度模型代表发电量的第二调节结果。
调度结果生成模块607,用于根据第一调节结果和第二调节结果,生成水风光多能互补的调度结果。
具体地,上述集群划分模块601包括:
初始簇中心点确定单元,用于根据多个风力发电站和多个光伏电站的第一历史出力数据,通过手肘法和轮廓系数法确定初始簇中心点,初始簇中心点为根据第一历史出力数据形成的初始簇中代表核心指标信息的样本中心点。
中心点划分单元,用于将多个样本点划分至最近的初始簇中心点代表的初始簇中,多个样本点是根据第一历史出力数据形成的代表指标信息的点位。
中心点代替单元,用于用多个样本点代替初始簇中心点,直至初始簇中心点到达容错范围内。
集群组确定单元,用于确定多个样本点所在的多个初始簇,将多个初始簇确定为多个集群组。
具体地,出力数据确定模块602包括:
加法单元,用于将多个集群组的第二历史出力数据相加,得到集群***的第三历史出力数据。
具体地,统计分析模块603包括:
数据获取单元,用于获取不同时间间隔的集群***的第三历史出力数据和电网日负荷数据。
出力序列确定单元,用于将集群***的第三历史出力数据和电网日负荷数据,确定为集群***的出力序列。
统计分析结果确定单元,用于根据出力序列对集群***的出力数据和电网日负荷数据进行统计分析,得到统计分析结果。
分布特性信息确定单元,用于根据统计分析结果,确定集群***的出力概率分布特性信息和电网日负荷概率分布特性信息。
具体地,分布信息确定模块604包括:
出力场景确定单元,用于根据集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,确定多个出力场景。
概率确定单元,用于根据随机模拟方法确定多个出力场景对应的概率。
分布信息确定单元,用于根据多个出力场景对应的概率确定集群***的出力随机性分布信息和电网日负荷随机性分布信息。
具体地,第一调节结果确定模块605包括:
剩余负荷波动数据确定单元,用于根据出力随机性分布信息和电网日负荷随机性分布信息,确定多个出力场景的剩余负荷波动数据。
第一模型确定单元,用于根据剩余负荷波动数据的期望值构建水风光多能互补短期调峰模型。
具体地,第二调节结果确定模块606包括:
发电量确定单元,用于根据出力随机性分布信息和电网日负荷随机性分布信息,确定发电量。
第二模型确定单元,用于根据发电量构建水电站群短期优化调度模型。
具体地,调度结果生成模块607包括:
第一调节结果确定单元,用于运用多目标优化算法,对水风光多能互补短期调峰模型进行分析,得到第一调节结果。
第二调节结果确定单元,用于运用多目标优化算法,对水电站群短期优化调度模型进行分析,得到第二调节结果。
调度结果确定单元,用于将第一调节结果和第二调节结果进行组合,生成水风光多能互补的调度结果。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的水风光多能互补的调度装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图6所示的水风光多能互补的调度装置。
请参阅图7,图7是本发明可选实施例提供的一种计算机设备的结构示意图,如图7所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (12)
1.一种水风光多能互补的调度方法,其特征在于,所述方法包括:
根据多个风力发电站和多个光伏电站的第一历史出力数据,对所述多个风力发电站和所述多个光伏电站进行集群划分,得到多个集群组;
基于所述多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,所述集群***包括所述多个集群组;
对所述第三历史出力数据和电网日负荷数据进行统计分析,确定所述集群***的出力概率分布特性信息和电网日负荷概率分布特性信息;
根据所述集群***的出力概率分布特性信息和所述电网日负荷概率分布特性信息,确定所述集群***的出力随机性分布信息和电网日负荷随机性分布信息;
根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,所述水风光多能互补短期调峰模型代表用电高峰的第一调节结果;
根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,构建水电站群短期优化调度模型,所述水电站群短期优化调度模型代表发电量的第二调节结果;
根据所述第一调节结果和所述第二调节结果,生成水风光多能互补的调度结果;
其中,所述基于所述多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,包括:
将所述多个集群组的第二历史出力数据相加,得到所述集群***的所述第三历史出力数据;
所述对所述第三历史出力数据和电网日负荷数据进行统计分析,确定所述集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,包括:
获取不同时间间隔的所述集群***的所述第三历史出力数据和电网日负荷数据;
将所述集群***的所述第三历史出力数据和电网日负荷数据,确定为集群***的出力序列;
根据所述出力序列对所述集群***的所述出力数据和所述电网日负荷数据进行统计分析,得到统计分析结果;
根据统计分析结果,确定所述集群***的所述出力概率分布特性信息和所述电网日负荷概率分布特性信息。
2.根据权利要求1所述的方法,其特征在于,所述根据多个风力发电站和多个光伏电站的第一历史出力数据,对所述多个风力发电站和所述多个光伏电站进行集群划分,得到多个集群组,包括:
根据所述多个风力发电站和所述多个光伏电站的所述第一历史出力数据,通过手肘法和轮廓系数法确定初始簇中心点,所述初始簇中心点为根据所述第一历史出力数据形成的初始簇中代表核心指标信息的样本中心点;
将多个样本点划分至最近的所述初始簇中心点代表的所述初始簇中,所述多个样本点是根据所述第一历史出力数据形成的代表指标信息的点位;
用所述多个样本点代替所述初始簇中心点,直至所述初始簇中心点到达容错范围内;
确定所述多个样本点所在的多个初始簇,将所述多个初始簇确定为所述多个集群组。
3.根据权利要求1所述的方法,其特征在于,所述根据所述出力序列对所述集群***的所述出力数据和所述电网日负荷数据进行统计分析,得到统计分析结果,包括:
获取所述集群***的所述出力序列中的样本数据;
将所述出力序列中的多个样本数据分别输入至概率密度函数,得到多个概率分布结果;
将所述多个概率分布结果进行统计分析,得到统计分析结果。
4.根据权利要求3所述的方法,其特征在于,所述概率密度函数为:
其中,为概率密度函数,/>为样本容量,/>为带宽,/>()为核函数,/>为样本数据,/>为第/>个样本,/>为第/>个样本的样本数据。
5.根据权利要求1或2所述的方法,其特征在于,所述根据所述集群***的出力概率分布特性信息和所述电网日负荷概率分布特性信息,确定所述集群***的出力随机性分布信息和电网日负荷随机性分布信息,包括:
根据所述集群***的出力概率分布特性信息和所述电网日负荷概率分布特性信息,确定多个出力场景;
根据随机模拟方法确定所述多个出力场景对应的概率;
根据所述多个出力场景对应的概率确定所述集群***的出力随机性分布信息和电网日负荷随机性分布信息。
6.根据权利要求1或2所述的方法,其特征在于,所述根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,包括:
根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,确定多个出力场景的剩余负荷波动数据;
根据所述剩余负荷波动数据的期望值构建所述水风光多能互补短期调峰模型。
7.根据权利要求1或2所述的方法,其特征在于,所述根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,构建水电站群短期优化调度模型,包括:
根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,确定发电量;
根据发电量构建所述水电站群短期优化调度模型。
8.根据权利要求1或2所述的方法,其特征在于,所述根据所述第一调节结果和所述第二调节结果,生成水风光多能互补的调度结果,包括:
运用多目标优化算法,对所述水风光多能互补短期调峰模型进行分析,得到所述第一调节结果;
运用多目标优化算法,对所述水电站群短期优化调度模型进行分析,得到所述第二调节结果;
将所述第一调节结果和所述第二调节结果进行组合,生成水风光多能互补的调度结果。
9.一种水风光多能互补的调度装置,其特征在于,所述装置包括:
集群划分模块,用于根据多个风力发电站和多个光伏电站的第一历史出力数据,对所述多个风力发电站和所述多个光伏电站进行集群划分,得到多个集群组;
出力数据确定模块,用于基于所述多个集群组的第二历史出力数据,得到集群***的第三历史出力数据,所述集群***包括所述多个集群组;
统计分析模块,用于对所述第三历史出力数据和电网日负荷数据进行统计分析,确定所述集群***的出力概率分布特性信息和电网日负荷概率分布特性信息;
分布信息确定模块,用于根据所述集群***的出力概率分布特性信息和所述电网日负荷概率分布特性信息,确定所述集群***的出力随机性分布信息和电网日负荷随机性分布信息;
第一调节结果确定模块,用于根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,构建水风光多能互补短期调峰模型,所述水风光多能互补短期调峰模型代表用电高峰的第一调节结果;
第二调节结果确定模块,用于根据所述出力随机性分布信息和所述电网日负荷随机性分布信息,构建水电站群短期优化调度模型,所述水电站群短期优化调度模型代表发电量的第二调节结果;
调度结果生成模块,用于根据所述第一调节结果和所述第二调节结果,生成水风光多能互补的调度结果;
其中,所述出力数据确定模块,包括:
加法单元,用于将所述多个集群组的第二历史出力数据相加,得到所述集群***的所述第三历史出力数据;
统计分析模块,用于对所述第三历史出力数据和电网日负荷数据进行统计分析,确定所述集群***的出力概率分布特性信息和电网日负荷概率分布特性信息,包括:
获取不同时间间隔的所述集群***的所述第三历史出力数据和电网日负荷数据;
将所述集群***的所述第三历史出力数据和电网日负荷数据,确定为集群***的出力序列;
根据所述出力序列对所述集群***的所述出力数据和所述电网日负荷数据进行统计分析,得到统计分析结果;
根据统计分析结果,确定所述集群***的所述出力概率分布特性信息和所述电网日负荷概率分布特性信息。
10.根据权利要求9所述的装置,其特征在于,所述集群划分模块,包括:
初始簇中心点确定单元,用于根据所述多个风力发电站和所述多个光伏电站的所述第一历史出力数据,通过手肘法和轮廓系数法确定初始簇中心点,所述初始簇中心点为根据所述第一历史出力数据形成的初始簇中代表核心指标信息的样本中心点;
中心点划分单元,用于将多个样本点划分至最近的所述初始簇中心点代表的所述初始簇中,所述多个样本点是根据所述第一历史出力数据形成的代表指标信息的点位;
中心点代替单元,用于用所述多个样本点代替所述初始簇中心点,直至所述初始簇中心点到达容错范围内;
集群组确定单元,用于确定所述多个样本点所在的多个初始簇,将所述多个初始簇确定为所述多个集群组。
11.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至8中任一项所述的水风光多能互补的调度方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至8中任一项所述的水风光多能互补的调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426072.8A CN117154725B (zh) | 2023-10-31 | 2023-10-31 | 水风光多能互补的调度方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311426072.8A CN117154725B (zh) | 2023-10-31 | 2023-10-31 | 水风光多能互补的调度方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117154725A CN117154725A (zh) | 2023-12-01 |
CN117154725B true CN117154725B (zh) | 2024-01-26 |
Family
ID=88910523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311426072.8A Active CN117154725B (zh) | 2023-10-31 | 2023-10-31 | 水风光多能互补的调度方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117154725B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113363976A (zh) * | 2021-06-18 | 2021-09-07 | 河海大学 | 一种基于场景图的风光水互补发电***中期优化调度方法 |
CN114243794A (zh) * | 2021-10-19 | 2022-03-25 | 大连理工大学 | 风光水多能互补***灵活性需求量化及协调优化方法 |
CN115081693A (zh) * | 2022-06-08 | 2022-09-20 | 天津大学 | 一种能源不确定性的水风光互补***两阶段容量配置方法 |
CN116128211A (zh) * | 2022-12-15 | 2023-05-16 | 河海大学 | 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 |
CN116306006A (zh) * | 2023-04-03 | 2023-06-23 | 华能澜沧江水电股份有限公司 | 风光水联合发电的优化调度方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230268742A1 (en) * | 2021-10-19 | 2023-08-24 | Dalian University Of Technology | A method for quantification of flexibility requirements and coordinated optimization of a hydro-wind-solar multi-energy complementary systems |
-
2023
- 2023-10-31 CN CN202311426072.8A patent/CN117154725B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113363976A (zh) * | 2021-06-18 | 2021-09-07 | 河海大学 | 一种基于场景图的风光水互补发电***中期优化调度方法 |
CN114243794A (zh) * | 2021-10-19 | 2022-03-25 | 大连理工大学 | 风光水多能互补***灵活性需求量化及协调优化方法 |
CN115081693A (zh) * | 2022-06-08 | 2022-09-20 | 天津大学 | 一种能源不确定性的水风光互补***两阶段容量配置方法 |
CN116128211A (zh) * | 2022-12-15 | 2023-05-16 | 河海大学 | 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 |
CN116306006A (zh) * | 2023-04-03 | 2023-06-23 | 华能澜沧江水电股份有限公司 | 风光水联合发电的优化调度方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
基于改进粒子群算法的风光水互补发电***短期调峰优化调度;张世钦;;水电能源科学(04);全文 * |
风光水互补***发电效益-稳定性多目标优化调度;张振东 等;《水利学报》;第53卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117154725A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107204615B (zh) | 一种实现功率预测的方法及*** | |
CN110110948B (zh) | 一种多目标分布式电源优化配置方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及*** | |
CN105809349B (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
CN103955521A (zh) | 一种风电场机群划分方法 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN110460038A (zh) | 一种涉及新能源并网的多场景输电网扩展规划方法 | |
CN115456304A (zh) | 考虑台风影响的海上风电场可靠性指标计算方法及装置 | |
CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、***、设备和存储介质 | |
CN115795329A (zh) | 一种基于大数据网格下的用电异常行为分析方法和装置 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN112052996B (zh) | 基于卷积神经网络技术的小水电集群功率预测方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN117154725B (zh) | 水风光多能互补的调度方法、装置、计算机设备及介质 | |
Erdeljan et al. | Distributed PSO algorithm for data model partitioning in power distribution systems | |
CN114329857A (zh) | 一种基于改进鲸鱼算法的分布式电源规划方法 | |
CN114036845A (zh) | 一种风电场群模型构建方法 | |
Le et al. | Probabilistic assessment of power systems with renewable energy sources based on an improved analytical approach | |
Apostolopoulou et al. | Effects of solar and wind generation integration on feeder hosting capacity | |
CN117039896B (zh) | 基于风电不确定性的调度方法及装置、介质、电子设备 | |
CN117353302B (zh) | 新能源发电功率的预测方法、装置、设备及介质 | |
CN115829165B (zh) | 基于发电性能差异的分布式光伏运行情况分析方法、装置 | |
CN116776178A (zh) | 分布式光伏场景下的集群划分方法、装置、设备及介质 |
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 |