CN108233357B - 基于非参数概率预测及风险期望的风电日前消纳优化方法 - Google Patents

Abstract

本发明提供了一种基于非参数概率预测及风险期望的风电日前消纳优化方法，该方法包括：基于风电出力概率预测得到非参数经验累积概率分布，进而得到风电日前概率预测置信边界的计算、基于后向消除法的风电概率预测出力场景的削减和得到基于非参数概率预测及风险期望的风电消纳优化结果。本发明提供的技术方案实现了基于在一定置信水平下风电场功率非参数概率预测方法，该方法适合弃风风险及失负荷风险的风电消纳水平的计算。

Description

基于非参数概率预测及风险期望的风电日前消纳优化方法

技术领域

本发明属于电力系统预测与控制技术领域，具体涉及一种基于非参数概率预测及风险期望的风电日前消纳优化方法。

背景技术

风电概率密度预测是指预测未来某一个时间点风电功率的所有概率信息，需要预测在某一时间段，某一预测尺度下的风电功率这一随机变量的分布函数或密度函数。相比传统点预测信息，风电概率密度预测不仅能体现出风电输出功率的不确定性，通过对相关数据的统计分析，提供预测时刻风电功率的密度函数，能够展现完整的风电功率的概率分布，定量描述风电功率取某个值的可能性大小。

在风电大规模并网背景下，其具有的波动性和随机性给传统电力系统的安全稳定运行带来巨大挑战。解决这一问题重要手段的风电功率预测技术，由于点预测模型的固有缺陷，风电功率的点预测误差无法避免，点预测结果不能对风电功率不确定性做出定量描述的缺陷难以克服。另外，从风电功率的应用层面来说，尤其是对于未来高比例可再生能源并网情况存在的风电消纳问题系统运行风险问题，仅仅采用单点的预测值是不能完整反映风电的不确定性及波动特性。

传统确定性机组组合模型或者场景法机组组合模型很难完整体现电力系统风险，因此，需要提供一种综合利用风电概率预测信息以及基于风险的机组组合模型来解决以上问题。

发明内容

为了克服现有点预测对风电消纳的不足，本发明提出了一种基于非参数概率预测及风险期望的风电日前消纳优化方法，用于获取基于在一定置信水平下风电场功率非参数概率预测方法以及考虑弃风风险及失负荷风险的风电消纳水平。

一种基于非参数概率预测及风险期望的风电日前消纳优化方法，所述方法包括：

I、基于风电出力概率预测得到非参数经验累积概率分布，进而得到风电日前概率预测的置信边界；

II、基于后向消除法的风电概率预测出力场景的削减；

III、得到基于非参数概率预测及风险期望的风电消纳优化结果。

进一步的，所述步骤I包括：

I-1、根据风电出力主导影响条件构建条件空间子集；

I-2、建立风电出力概率预测非参数经验累积概率分布模型；

I-3、计算风电日前概率预测的置信边界。

进一步的，所述步骤I-1的所述风电出力主导影响条件包括风速、风向和预测时间尺度。

进一步的，所述步骤I-2的所述累积概率分布模型如下式所示：

其中，F(x_s)表示累积概率分布函数；x_s为在s个条件空间子集中风电出力样本值；n_s为在s个条件空间子集中风电出力样本个数；I(X≤x_s)为指示函数；Ω_s为第s个条件空间子集；q为主导影响因子，其个数为2，每个主导影响因子划分成K_q个区间，k_q∈K_q。

进一步的，所述步骤I-3包括：

置信水平α_γ时的风电预测出力的分位点如下式所示：

风电预测出力的非参数概率模型如下式所示：

其中，α_γ为置信水平，γ＝1,2,...,Λ。

进一步的，所述步骤II包括：

II-1、根据风电场非参数条件概率预测模型得到风电场日前预测出力概率密度函数，得到置信区间；

II-2、根据预测出力概率分布、风电概率预测出力约束以及风电概率预测爬坡约束生成场景。

进一步的，所述步骤II-2的所述场景的数量为3000。

进一步的，所述步骤II-2的所述风电概率预测出力约束如下式所示：

所述风电概率预测爬坡约束如下式所示：

其中，

为风电场j出力上下限；n_W为风电场数量；n_T为调度时段数；X(t)为风电预测可发功率随机变量；p为风电场功率随机变量取值；α、/>

分别为在置信水平下的置信区间下界和上界；/>

为风电场j爬坡上下限；δ_up、δ_dn分别为风电场爬坡上下限制；/>

为风电功率波动量随机变量；X_j(t)为第j个风电场出力随机变量。

进一步的，所述步骤III包括：根据弃风风险期望和失负荷风险期望构成的机组组合模型，得到基于风电非参数概率预测及风险期望的风电消纳优化结果；

所述弃风风险期望R^CUR(t)和所述失负荷风险期望R^EENS(t)如下式所示：

其中，p^net(t)为在时刻t净负荷水平；n_G为火电机组数量；

分别为时刻t负荷k水平及风电场j出力；p ^net(t)和/>

为在时刻t可能的最小及最大净负荷水平；/>

和r_i ^dn(t)分别为常规机组i在时刻t上旋备及下旋备能力；x为积分变量；f^net(x,t)为在时刻t净负荷概率密度函数。

进一步的，所述机组组合模型的目标函数如下式所示：

min OBJ＝C^OP+C^EM+C^W+C^RISK

其中，C^OP为常规机组运行成本；C^EM为常规机组碳排放成本；C^W为风电计划弃风成本；C^RISK为系统运行风险成本。

进一步的，常规机组运行成本C^OP如下式所示：

常规机组碳排放成本C^EM如下式所示：

风电计划弃风成本C^W如下式所示：

系统运行风险成本C^RISK如下式所示：

其中，n_T为调度时段数；n_G为火电机组数量；n_W为风电场数量；

为常规机组运行成本，a_i,b_i,c_i为常规机组i运行成本函数系数，/>

u_i(t)分别为常规机组i在时刻t调度出力值以及运行状态；/>

为常规机组上旋备成本；/>

为常规机组下旋备成本；/>

和r_i ^dn(t)分别为常规机组i在时刻t上旋备及下旋备能力；/>

和/>

为常规机组上下旋备单位成本；SU_i(t)和SD_i(t)分别为机组i的启动及关停成本；E^EM为常规机组碳排放总量，对应相应的碳排放权；α_i、β_i、γ_i为碳排放特性曲线参数；/>

为碳排放强度系数或碳排放价格；

为计划弃风出力；/>

为计划弃风边际成本；λ^CUR和λ^EENS分别为弃风以及失负荷边际成本；R^CUR(t)为弃风风险期望；R^EENS(t)为失负荷风险期望。/>

进一步的，所述机组组合模型的约束条件包括常规机组约束、风电约束和系统约束。

进一步的，所述风电约束包括风电弃风约束、风电概率预测出力约束和风电概率预测爬坡约束；所述风电弃风约束如下式所示：

所述系统约束包括网络功率平衡约束和系统风险约束，分别如下式所示：

其中，

为计划弃风出力；/>

为风电场j预测出力；n_T为调度时段数；n_G为火电机组数量；n_W为风电场数量；/>

为常规机组i在时刻t调度出力值；R^CUR(t)为弃风风险期望；R^EENS(t)为失负荷风险期望。

风电日前消纳优化方法所用的装置，所述装置包括：

采集模块，用于采集风电场历史出力数据和影响风电出力主导条件的数据；

信息接收模块，与采集模块相连，用于接收采集模块采集的数据；

处理模块，与信息接收模块相连，并根据所述信息接收模块接收的数据进行数据计算；

存储模块，与处理模块相连，用于储存数据。

与最接近的现有技术比，本发明提供的技术方案具有以下有益效果：

本发明提供的技术方案克服了点预测结果不能对风电功率不确定性做出定量描述的缺陷，实现了基于在一定置信水平下风电场功率非参数概率预测方法以及考虑弃风风险及失负荷风险的风电消纳水平计算。

附图说明

图1为本发明的流程图；

图2为本发明所用装置。

具体实施方式

下面结合附图对本发明做进一步详细说明。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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提出一种基于非参数概率预测及风险期望的风电日前消纳优化方法，用于获取基于在一定置信水平下风电场功率非参数概率预测方法以及考虑弃风风险及失负荷风险的风电消纳水平。

本发明流程如图1所示，解决其技术问题所采用的技术方案如下：

I、基于风电出力概率预测非参数经验累积概率分布的风电日前概率预测置信边界计算；

II、基于后向消除法的风电概率预测出力场景削减；

III、基于非参数概率预测与风险期望的风电消纳优化。

(一)基于风电出力概率预测非参数经验累积概率分布的风电日前概率预测的置信边界计算

获取风电场历史出力数据集，以及不同影响风电出力主导条件的数据集；根据风电场在不同风电出力主导影响条件构建条件空间子集，并进而得到在每个条件空间子集上风电出力概率预测非参数经验累积概率分布，通过设置一定的置信水平，可以得到风电日前概率预测的置信边界。风电出力概率预测非参数经验累积概率分布以及置信边界的计算方法如下：

(1)构建风电出力主导影响条件构建条件空间子集。

(2)在条件空间子集中，构建风电出力概率预测非参数经验累积概率分布模型。

在条件空间中，风电出力的所有影响因素在不同的划分区间上可以构成笛卡尔积，本文称之为条件空间子集，进而可以得到条件空间子集上的非参数风电条件概率预测模型如下式：

式中，Ω_s代表第s个条件空间子集；x_s为在s个条件空间子集中风电出力样本值；n_s为在s个条件空间子集中风电出力样本个数；F表示累积概率分布函数；I(X≤x_s)为指示函数，表示当X≤x_s时函数值为1，否则为0；q代表主导影响因子，其个数为2，每个主导影响因子可以划分成K_q个区间，k_q∈K_q。

(3)设置一定的置信水平，可以得到风电日前概率预测的置信边界。

取一定置信水平α_γ，可以得到在该置信水平下的风电预测出力的分位点为

式中，λ＝1_,2,...,Λ。

由于单一的置信水平不能完整体现风电出力的不确定性，所以本文选取一系列不同的置信水平α_λ,λ＝1,2,...,Λ，从而得到风电预测出力的非参数概率模型为，

(二)基于后向消除法的风电概率预测出力场景削减；

对于风电概率预测信息，生成包含时间耦合约束的大量场景，进而采用后向消除法对风电概率预测出力场景进行削减。

(1)根据风电场非参数条件概率预测模型得到风电场日前预测出力概率分布，并在一定置信水平下得到置信区间；

(2)在日前每个调度时刻根据预测出力概率分布、风电概率预测出力约束以及式风电出力爬坡约束即时间耦合约束，生成大量可能的场景，场景生成规模一般为3000；

其中，风电概率预测出力约束为

式中，

为风电场j出力上下限，具体可以表示为

式中，α、

分别为在一定置信水平下的置信区间下界和上界，置信水平满足

风电概率预测爬坡约束为

式中，

及/>

为风电场j出力爬坡上下限，可以表示为

式中，

为风电功率波动量随机变量，其定义为/>

风电概率预测爬坡约束说明风电出力具有时间耦合特性，这一特性符合风资源实际状况。

(三)基于非参数概率预测与风险期望的风电消纳优化

采用考虑弃风风险期望以及失负荷风险期望的基于风险的机组组合模型，得到基于风电非参数概率预测的风电消纳优化结果。

弃风风险期望以及失负荷风险期望为

式中，p^net(t)为在时刻t净负荷水平，

其中/>

分别为时刻t负荷k水平及风电场j出力；p ^net(t)及/>

为在时刻t可能的最小及最大净负荷水平；f^net(x,t)为在时刻t净负荷概率密度函数。

在机组组合模型中考虑弃风风险以及失负荷风险所构成的RUC模型的目标为

min OBJ＝C^OP+C^EM+C^W+C^RISK (10)

式中，C^OP为常规机组运行成本，C^EM为常规机组碳排放成本，C^W为风电计划弃风成本，C^RISK为系统运行风险成本。

(1)常规机组运行成本C^OP为

式中，n_T为调度时段数，n_G为火电机组数量，

为常规机组运行成本，a_i,b_i,c_i为常规机组i运行成本函数系数，/>

u_i(t)分别为常规机组i在时刻t调度出力值以及运行状态；常规机组上旋备成本/>

常规机组下旋备成本

其中/>

及r_i ^dn(t)分别为常规机组i在时刻t上旋备及下旋备能力；SU_i(t)及SD_i(t)分别为机组i的启动及关停成本。

(2)常规机组碳排放成本C^EM为

式中，E^EM为常规机组碳排放总量，对应相应的碳排放权；α_i、β_i、γ_i为碳排放特性曲线参数，

为碳排放强度系数或碳排放价格，取值越大表示碳排放管制越严厉；该系数的作用是协调碳排放市场与电能市场，从而实现碳排放权与经济运行的协调优化。

(3)风电计划弃风成本C^W为

式中，n_W为风电场数量，

为计划弃风出力；/>

为计划弃风边际成本。

(4)系统运行风险成本C^RISK为

式中，λ^CUR及λ^EENS分别为弃风以及失负荷边际成本。

约束条件包括常规机组约束、风电约束以及系统约束。其中，风电弃约束包括风电弃风约束、风电概率预测出力约束以及风电概率预测爬坡约束，其中风电弃风约束为

式中，

为风电场j预测出力。风电概率预测出力约束以及风电概率预测爬坡约束如(二)(2)所述。

系统约束包括网络功率平衡约束及系统风险约束，其中网络平衡约束为

系统风险约束为

从上述计算过程可知运用本发明综合考虑了风资源不确定性及波动性特点以及系统风险水平的风电消纳方法，在风电消纳过程中考虑了风电概率信息以及系统风险，计算思路清晰，通用性较好，适合推广使用。

如图2所示为风电日前消纳优化方法所用的装置，该装置包括：

采集模块，用于采集风电场历史出力数据和影响风电出力主导条件的数据；

信息接收模块，与采集模块相连，用于接收采集模块采集的数据；

处理模块，与信息接收模块相连，并根据所述信息接收模块接收的数据进行数据计算；

存储模块，与处理模块相连，用于储存数据。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (11)

1.一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述方法包括：

I、基于风电出力概率预测得到非参数经验累积概率分布，进而得到风电日前概率预测的置信边界；

II、基于后向消除法的风电概率预测出力场景的削减；

III、得到基于非参数概率预测及风险期望的风电消纳优化结果；

所述步骤I包括：

I-1、根据风电出力主导影响条件构建条件空间子集；

I-2、建立风电出力概率预测非参数经验累积概率分布模型；

I-3、计算风电日前概率预测的置信边界；

所述步骤I-2的所述累积概率分布模型如下式所示：

其中，F(x_s)表示累积概率分布函数；x_s为在s个条件空间子集中风电出力样本值；n_s为在s个条件空间子集中风电出力样本个数；I(X≤x_s)为指示函数；Ω_s为第s个条件空间子集；q为主导影响因子，其个数为2，每个主导影响因子划分成K_q个区间，k_q∈K_q。

2.如权利要求1所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述步骤I-1的所述风电出力主导影响条件包括风速、风向和预测时间尺度。

3.如权利要求1所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述步骤I-3包括：

置信水平α_γ时的风电预测出力的分位点如下式所示：

风电预测出力的非参数概率模型如下式所示：

其中，α_γ为置信水平，γ＝1,2,...,Λ。

4.如权利要求1所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述步骤II包括：

II-1、根据风电场非参数条件概率预测模型得到风电场日前预测出力概率密度函数，得到置信区间；

II-2、根据预测出力概率分布、风电概率预测出力约束以及风电概率预测爬坡约束生成场景。

5.如权利要求4所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述步骤II-2的所述场景的数量为3000。

6.如权利要求4所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述步骤II-2的所述风电概率预测出力约束如下式所示：

所述风电概率预测爬坡约束如下式所示：

其中，

为风电场j出力下限和上限；n_W为风电场数量；n_T为调度时段数；X(t)为风电预测可发功率随机变量；p为风电场功率随机变量取值；α、/>

分别为在置信水平下的置信区间下界和上界；/>

为风电场j爬坡上下限；δ_up、δ_dn分别为风电场爬坡上下限制；/>

为风电功率波动量随机变量；X_j(t)为第j个风电场出力随机变量。

7.如权利要求1所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述步骤III包括：根据弃风风险期望和失负荷风险期望构成的机组组合模型，得到基于风电非参数概率预测及风险期望的风电消纳优化结果；

所述弃风风险期望R^CUR(t)和所述失负荷风险期望R^EENS _(t)如下式所示：

其中，p^net(t)为在时刻t净负荷水平；n_G为火电机组数量；

分别为时刻t负荷k水平及风电场j出力；p ^net(t)和/>

为在时刻t的最小及最大净负荷水平；r_i ^up(t)和r_i ^dn(t)分别为常规机组i在时刻t上旋备及下旋备能力；x为积分变量；f^net(x,t)为在时刻t净负荷概率密度函数。

8.如权利要求7所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述机组组合模型的目标函数如下式所示：

minOBJ＝C^OP+C^EM+C^W+C^RISK

其中，C^OP为常规机组运行成本；C^EM为常规机组碳排放成本；C^W为风电计划弃风成本；C^RISK为系统运行风险成本。

9.如权利要求8所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，

常规机组运行成本C^OP如下式所示：

常规机组碳排放成本C^EM如下式所示：

风电计划弃风成本C^W如下式所示：

系统运行风险成本C^RISK如下式所示：

其中，n_T为调度时段数；n_G为火电机组数量；n_W为风电场数量；

为常规机组运行成本，a_i,b_i,c_i为常规机组i运行成本函数系数，/>

u_i(t)分别为常规机组i在时刻t调度出力值以及运行状态；/>

为常规机组上旋备成本；/>

为常规机组下旋备成本；/>

和/>

分别为常规机组i在时刻t上旋备及下旋备能力；/>

和/>

为常规机组上下旋备单位成本；SU_i(t)和SD_i(t)分别为机组i的启动及关停成本；E^EM为常规机组碳排放总量，对应相应的碳排放权；α_i、β_i、γ_i为碳排放特性曲线参数；/>

为碳排放强度系数或碳排放价格；/>

为计划弃风出力；/>

为计划弃风边际成本；λ^CUR和λ^EENS分别为弃风以及失负荷边际成本；R^CUR(t)为弃风风险期望；R^EENS(t)为失负荷风险期望。

10.如权利要求7所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，所述机组组合模型的约束条件包括常规机组约束、风电约束和系统约束。

11.如权利要求10所述的一种基于非参数概率预测及风险期望的风电日前消纳优化方法，其特征在于，

所述风电约束包括风电弃风约束、风电概率预测出力约束和风电概率预测爬坡约束；所述风电弃风约束如下式所示：

所述系统约束包括网络功率平衡约束和系统风险约束，分别如下式所示：

其中，

为计划弃风出力；/>

为风电场j预测出力；n_T为调度时段数；n_G为火电机组数量；n_W为风电场数量；/>

为常规机组i在时刻t调度出力值；R^CUR(t)为弃风风险期望；R^EENS(t)为失负荷风险期望；/>

为最大弃风风险期望；/>

为最大失负荷风险期望。/>

Images