CN109274124A - 基于场景马尔科夫法的风电就地消纳能力预测方法 - Google Patents

Abstract

基于场景马尔科夫法的风电就地消纳能力预测方法，涉及新能源与高效节能技术领域。本发明是为了解决现有技术手段对风电就地消纳能力预测的准确率低的问题。步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷；步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷，结合本地区电源发电出力、电网电力外送和电网电力输入情况，获得风电就地消纳能力。它用于对风电就地消纳能力进行预测。

Description

基于场景马尔科夫法的风电就地消纳能力预测方法

技术领域

本发明涉及一种基于场景马尔科夫法的提高风电就地消纳能力预测方法，属于新能源与高效节能技术领域。

背景技术

风力资源，是我国重要的可再生能源。随着对清洁可再生能源需求的不断增强，风电一直保持着较快的发展速度。现有的风电装机容量大、风电渗透率高，所以，现在利用可再生能源进行就地消纳是当前风电快速发展过程中需要解决的主要问题，

然而由于各地区的季节特征不同且电力负荷分布不均，导致许多地区出现风电就地消纳困难，弃风弃光现象严重，已严重制约了可再生能源的健康发展。现有缺少能够对风电就地消纳能力进行准确预测的方法，准确的预测地区短时(1至4小时)风电就地消纳能力，可为合理制定风电消纳计划、采取准确风电消纳措施提供数据依托。

发明内容

本发明是为了解决现有技术手段对风电就地消纳能力预测的准确率低的问题。现提供基于场景马尔科夫法的风电就地消纳能力预测方法。

基于场景马尔科夫法的风电就地消纳能力预测方法，所述方法包括以下步骤：

步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷：

预测下一时刻风速的风电出力的过程为：

统计本地区历史风速数据和影响该风速数据的历史天气因素，将历史天气因素分为若干天气场景，利用场景分析法将历史风速数据归入相应的场景内，利用马尔科夫法，获得各场景内历史风速的转移矩阵；

根据各场景内历史风速的转移概率和风机发电特性，建立风速与风电出力数学关系模型；

根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率，利用马尔科夫法预测下一时刻风速的风电出力；

预测下一时刻的电力负荷：

统计本地区历史电力负荷数据和影响负荷数据的历史天气数据，将历史天气数据分为若干天气场景，并将历史天气数据归入每个场景内，利用马尔科夫法，获得各场景下的本地区电力负荷转移矩阵；

根据各场景下的本地区电力负荷转移矩阵和当前时刻电力负荷数据，利用马尔科夫法预测本地区内下一时刻的电力负荷；

步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷，结合本地区电源发电出力、电网电力外送和电网电力输入情况，获得风电就地消纳能力。

本申请的有益效果为：

本申请通过获取地区风机轮毂高度历史风速数据，以历史风速数据为依托，实现短时风速预测；建立风速-风电功率数学转换模型，实现风速预测向风电出力预测的转换；获取地区电力负荷历史数据，以历史电力负荷数据为依托，实现短时电力负荷预测；获取地区历史天气数据包括降水、温度数据，根据历史天气数据，设定相应场景，丰富历史风速数据和电力负荷数据的样本分类；在各场景中利用马尔科夫预测模型对地区短时风电出力和电力负荷进行预测，提高预测精度；基于风电出力和电力负荷预测结果，结合地区传统电源发电及电网外送、输入情况，计算风电就地消纳能力。

本申请采用场景分析法，对风速、电力负荷数据进行分类，丰富了风速和电力负荷数据的样本类别；并且基于场景分析法，在各场景内利用马尔科夫预测模型提高了短时风速及电力负荷的预测精度；

本申请的基于场景马尔科夫法的短时风电就地消纳能力预测方法可提高风电就地消纳预测水平，为制定风电消纳计划和措施提供可信数据基础。相比现有的对风电就地消纳能力的预测方法准确率提高了3倍以上。

附图说明

图1为具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法的流程图；

图2为预测风速与实测风速的对比图；

图3为预测电力负荷与实测电力负荷的对比图；

图4为预测风电出力与实测风电出力的对比图；

图5为预测风电就地消纳量与实测风电就地消纳量的对比图；

图6为预测风电就地消纳率与实测风电就地消纳率的对比图。

具体实施方式

具体实施方式一：参照图图1具体说明本实施方式，本实施方式所述的基于场景马尔科夫法的风电就地消纳能力预测方法，所述方法包括以下步骤：

步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷：

预测下一时刻风速的风电出力的过程为：

统计本地区历史风速数据和影响该风速数据的历史天气因素，将历史天气因素分为若干天气场景，利用场景分析法将历史风速数据归入相应的场景内，利用马尔科夫法，获得各场景内历史风速的转移矩阵；

根据各场景内历史风速的转移概率和风机发电特性，建立风速与风电出力数学关系模型；

根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率，利用马尔科夫法预测下一时刻风速的风电出力；

预测下一时刻的电力负荷：

统计本地区历史电力负荷数据和影响负荷数据的历史天气数据，将历史天气数据分为若干天气场景，并将历史天气数据归入每个场景内，利用马尔科夫法，获得各场景下的本地区电力负荷转移矩阵；

根据各场景下的本地区电力负荷转移矩阵和当前时刻电力负荷数据，利用马尔科夫法预测本地区内下一时刻的电力负荷；

步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷，结合本地区电源发电出力、电网电力外送和电网电力输入情况，获得风电就地消纳能力。

本实施方式中，步骤一中的多场景分类图如表1所示，其中，历史天气因素包括季节因素和天气情况，季节因素包括春秋、夏、冬，天气情况包括晴、阴、降水。步骤四中的多场景分类图如表2所示，其中，历史天气数据包括季节因素和日负荷强度；季节因素包括春秋、夏、冬，日负荷强度包括大负荷日、平负荷日和小负荷日。

表1:

如表1所示，本发明中选择季节和降水与否作为影响风速分布的主要因素；将关键影响因素进行组合，形成多个初步未来场景描述方案；根据风速数据采集信息，将采集到的风速数据归入相应的场景方案内；将全部风速数据按场景分类后形成场景集。

表2:

步骤一中的场景分析法，具体为：

情景分析法又称脚本法或者前景描述法，是假定某种现象或某种趋势将持续到未来的前提下，对预测对象可能出现的情况或引起的后果作出预测的方法。通常用来对预测对象的未来发展作出种种设想或预计，是一种直观的定性预测方法。

步骤三中，马尔科夫预测模型，具体为：

马尔可夫链是满足马尔可夫性质的随机过程，它满足如下两个条件。

1、t+l时刻系统状态的概率分布只与t时刻的状态有关，与t时刻以前的状态无关；

2、从t时刻到t+l时刻的状态转移与t的值无关。

马尔可夫链(Markov Chain)X₁，X₂，X₃…描述了一种状态序列，其每个状态值取决于前面有限个状态。马尔可夫链是具有马尔可夫性质的随机变量的一个数列。这些变量的范围，即它们所有可能取值的集合，被称为“状态空间”，而X_n的值则是在时间n的状态。如果X_n+1对于过去状态的条件概率分布仅是X_n的一个函数，则

P(X_n+1＝x|X₁＝x₁,X₂＝x₂,...,X_n＝x_n)＝P(X_n+1＝x|X_n＝x_n)

其中，x为过程中的某个状态。恒等式可以被看作是马尔可夫性质。

利用马尔科夫链可以求得从某一状态转移到另一状态的概率，因此，可以用此方法做相应的预测研究。假设状态空间为{x₁,x₂,...,x_n}，其转移概率可表达为：

P{X(t+1)＝j|X(t)＝i}＝p_i i∈n

对于n个这样的系统，可有n×n个状态，则其各状态间的转移概率为：

具体实施方式二：本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明，本实施方式中，步骤一中，利用马尔科夫法，获得各场景内历史风速的转移矩阵为：

P{v(t+1)＝j|v(t)＝i}＝pi_j i,j∈Φ_k 公式1，

式中，v(t)为t时刻风速，v(t+1)为t+1时刻风速，Φ_k为风速样本空间，p_ij为风速转移概率；

由多个风速转移概率构成的风速转移矩阵为：

式中，P_wind为风速转移矩阵，n为风速样本种类数量。

具体实施方式三：本实施方式是对具体实施方式二所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明，本实施方式中，步骤一中，根据各场景内历史风速的转移矩阵和风机发电特性，建立风速与风电出力数学关系模型为：

t时刻第τ台风机的电出力功率P_wind,t,τ与风速v的关系模型为：

式中，v为风速，P_rated为风机额定功率；A为风机出力常数；B为风机一次风速出力常数；C为风机二次风速出力常数，v_ci为风机切入风速；v_r为风机额定风速；v_co为风机切出风速；

t时刻风场内所有风机总的电出力功率P_WF,t与风速v的关系模型为：

式中，α为风电场尾流效应系数；β为风机工作状态N_w为风场内风机数量。

具体实施方式四：本实施方式是对具体实施方式三所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明，本实施方式中，步骤一中，根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率，利用马尔科夫法预测下一时刻风速的风电出力为：

下一时刻风速为：

式中，为基于t时刻风速数据预测的t+1时刻风速，P(v_t|v_k)为由历史风速v_t向历史风速v_k的转移概率；

下一时刻一台风机的风电出力为：

式中，P_wind,t+1,τ为t+1时刻第τ台风机的电出力功率；

t+1时刻风场的风电出力为：

具体实施方式五：本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明，本实施方式中，步骤四中，利用马尔科夫法，获得各场景下的本地区电力负荷转移矩阵为：

本地区电力负荷转移概率为：

P{L(t+1)＝L_x|L(t)＝L_y}＝p_xy L_x＝L_y∈Φ_z 公式8，

式中，L(t)为t时刻地区电力负荷，L(t+1)为t+1时刻地区电力负荷，Φ_z为地区电力负荷样本空间，p_xy为本地区电力负荷转移概率，1≤x≤z，1≤y≤z，

地区电力负荷转移矩阵P_load为：

式中，z为电力负荷样本种类数量。

具体实施方式六：本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明，本实施方式中，步骤五中，利用马尔科夫法预测本地区内下一时刻电力负荷为：

式中，为t+1时刻地区电力负荷水平，L为地区电力负荷，P(L_t|L_z)为地区历史电力负荷L_t向地区历史电力负荷L_z的转移概率。

具体实施方式七：本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明，本实施方式中，步骤六中，本地区电源发电出力P_tri为：

P_tri＝∑P_CHP+∑P_thermal+∑P_hydro公式11，

式中，电源包括火电厂、热电厂和水电厂，P_tri为地区内传统电源发电出力，P_CHP为热电机组电出力，P_thermal为火电机组电出力，P_hydro为水电机组电出力。

具体实施方式八：本实施方式是对具体实施方式七所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明，本实施方式中，步骤六中，风电就地消纳能力为：

风电消纳率为：

式中，为预测风电出力，为预测地区电网可消纳风电，其中，

式中，L^pred为地区电网预测电力负荷，P_out为地区电网外送功率，P_in为地区电网输入功率。

实施例：

以黑龙江省宾西地区电网系统作为算例系统。该地区电网电源总容量110MW，其中传统电源均为背压热电联产机组60MW，最小技术出力30MW，新能源容量50MW，全部为风电，风电渗透率约为45.5％。地区电网通过220KV宾发变电站与省网相联，地区电网断面最大外送能力80MW，本地区为电能外送地区，不计域外输入电能。

黑龙江省宾西地区坐落锐驰风电场一座，场内包含w2000c-99-80型风机25台，单台风机额定功率2MW，切入、额定和切出风速分别为3m/s、14m/s和25m/s。风电场内尾流效应忽略不计。

统计宾西地区近10年小时级风速和电力负荷历史数据，利用场景马尔科夫模型对历史风速及电力负荷数据进行统计。并根据马尔科夫预测模型进行短时风速及电力负荷预测，如图2与图3。利用本发明的短时预测风速与实测风速相关系数为0.982，短时预测电力负荷与实测负荷相关系数为0.967两者均高度正相关，证明了本发明提出的短时风速及电力负荷预测方法的有效性。

根据风速-风电出力模型，求得短时预测风电出力，如图4所示。预测短时风电出力与实测风电出力相关系数为0.934，由于风速与风电出力的非线性关系扩大了风电出力的预测误差，风电出力预测的相关性系数较风速预测小，但其依然显示出很高的预测准确性。

风电本地预测及实测消纳情况及消纳率如图5和图6所示，两者预测值与实测值相关性分别为0.964和0.952，呈现很高的正相关性，证明了本发明所述风电短时就地消纳能力预测方法的有效性。

Claims (8)

1.基于场景马尔科夫法的风电就地消纳能力预测方法，其特征在于，所述方法包括以下步骤：

步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷：

预测下一时刻风速的风电出力的过程为：

统计本地区历史风速数据和影响该风速数据的历史天气因素，将历史天气因素分为若干天气场景，利用场景分析法将历史风速数据归入相应的场景内，利用马尔科夫法，获得各场景内历史风速的转移矩阵；

根据各场景内历史风速的转移概率和风机发电特性，建立风速与风电出力数学关系模型；

根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率，利用马尔科夫法预测下一时刻风速的风电出力；

预测下一时刻的电力负荷：

统计本地区历史电力负荷数据和影响负荷数据的历史天气数据，将历史天气数据分为若干天气场景，并将历史天气数据归入每个场景内，利用马尔科夫法，获得各场景下的本地区电力负荷转移矩阵；

根据各场景下的本地区电力负荷转移矩阵和当前时刻电力负荷数据，利用马尔科夫法预测本地区内下一时刻的电力负荷；

步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷，结合本地区电源发电出力、电网电力外送和电网电力输入情况，获得风电就地消纳能力。

2.根据权利要求1所述的基于场景马尔科夫法的风电就地消纳能力预测方法，其特征在于，步骤一中，利用马尔科夫法，获得各场景内历史风速的转移矩阵为：

P{v(t+1)＝j|v(t)＝i}＝p_iji,j∈Φ_k 公式1，

式中，v(t)为t时刻风速，v(t+1)为t+1时刻风速，Φ_k为风速样本空间，p_ij为风速转移概率；

由多个风速转移概率构成的风速转移矩阵为：

式中，P_wind为风速转移矩阵，n为风速样本种类数量。

3.根据权利要求2所述的基于场景马尔科夫法的风电就地消纳能力预测方法，其特征在于，步骤一中，根据各场景内历史风速的转移矩阵和风机发电特性，建立风速与风电出力数学关系模型为：

t时刻第τ台风机的电出力功率P_wind,t,τ与风速v的关系模型为：

式中，v为风速，P_rated为风机额定功率；A为风机出力常数；B为风机一次风速出力常数；C为风机二次风速出力常数，v_ci为风机切入风速；v_r为风机额定风速；v_co为风机切出风速；

t时刻风场内所有风机总的电出力功率P_WF,t与风速v的关系模型为：

式中，α为风电场尾流效应系数；β为风机工作状态N_w为风场内风机数量。

4.根据权利要求3所述的基于场景马尔科夫法的短期风电就地消纳能力预测方法，其特征在于，步骤一中，根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率，利用马尔科夫法预测下一时刻风速的风电出力为：

下一时刻风速为：

式中，为基于t时刻风速数据预测的t+1时刻风速，P(v_t|v_k)为由历史风速v_t向历史风速v_k的转移概率；

下一时刻一台风机的风电出力为：

式中，P_wind,t+1,τ为t+1时刻第τ台风机的电出力功率；

t+1时刻风场的风电出力为：

5.根据权利要求1所述的基于场景马尔科夫法的风电就地消纳能力预测方法，其特征在于，步骤四中，利用马尔科夫法，获得各场景下的本地区电力负荷转移矩阵为：

本地区电力负荷转移概率为：

P{L(t+1)＝L_x|L(t)＝L_y}＝p_xy L_x＝L_y∈Φ_z 公式8，

式中，L(t)为t时刻地区电力负荷，L(t+1)为t+1时刻地区电力负荷，Φ_z为地区电力负荷样本空间，p_xy为本地区电力负荷转移概率，1≤x≤z，1≤y≤z，

地区电力负荷转移矩阵P_load为：

式中，z为电力负荷样本种类数量。

6.根据权利要求1所述的基于场景马尔科夫法的风电就地消纳能力预测方法，其特征在于，步骤五中，利用马尔科夫法预测本地区内下一时刻电力负荷为：

式中，为t+1时刻地区电力负荷水平，L为地区电力负荷，P(L_t|L_z)为地区历史电力负荷L_t向地区历史电力负荷L_z的转移概率。

7.根据权利要求1所述的基于场景马尔科夫法的风电就地消纳能力预测方法，其特征在于，步骤六中，本地区电源发电出力P_tri为：

P_tri＝∑P_CHP+∑P_thermal+∑P_hydro 公式11，

式中，电源包括火电厂、热电厂和水电厂，P_tri为地区内传统电源发电出力，P_CHP为热电机组电出力，P_thermal为火电机组电出力，P_hydro为水电机组电出力。

8.根据权利要求7所述的基于场景马尔科夫法的风电就地消纳能力预测方法，其特征在于，步骤六中，风电就地消纳能力为：

风电消纳率为：

式中，为预测风电出力，为预测地区电网可消纳风电，其中，

式中，L^pred为地区电网预测电力负荷，P_out为地区电网外送功率，P_in为地区电网输入功率。