CN109378857B - 一种负荷尖峰时刻风电预测可信度风险计算方法 - Google Patents
一种负荷尖峰时刻风电预测可信度风险计算方法 Download PDFInfo
- Publication number
- CN109378857B CN109378857B CN201811294870.9A CN201811294870A CN109378857B CN 109378857 B CN109378857 B CN 109378857B CN 201811294870 A CN201811294870 A CN 201811294870A CN 109378857 B CN109378857 B CN 109378857B
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- power grid
- power
- credibility
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H02J3/386—
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable 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
Abstract
本发明属于电网技术领域,尤其涉及一种负荷尖峰时刻风电预测可信度风险计算方法,在当前大量风电不断并网的电力系统中,进行风电预测可信度风险计算,对风电预测结果进行风险评估。本发明首先进行数据采集,对电网调度系统面临不确定电网风电功率预测结果,日前调度时风电企业以概率向电网提供出力预测可信度;日中调度时,风电企业以比率提供实际出力;在调度周期结束时,对于未满足电网负荷需求的部分电网调度功率;超出预测出力的部分成为电网弃风率。使电网调度面对的问题转化为在日前调度周期开始前确定风电出力预测的最优可信度使其期望风电消纳最大化。本发明合理进行机组组合,减少备用发电机组的投入,同时又能保证电网供电的安全可靠。
Description
技术领域
本发明属于电网技术领域,尤其涉及一种负荷尖峰时刻风电预测可信度风险计算方法,在当前大量风电不断并网的电力系统中,进行风电预测可信度风险计算,对风电预测结果进行风险评估。
背景技术
在当前大量风电并网的电力系统中,由于风电出力的不确定性,对风电出力进行预测的过程中会产生一定的误差,甚至在对天气数据采集的过程中,由于数据的误差较大,甚至对风电预测产生错误。在根据风电预测可信度作出发电计划同时,由于对风电预测的可信度也存在小概率的较大误差,所以需要对风电预测可信度进行风险计算,在小概率事件发生的情况下,如果实际发电量比预测风电少,电网能否挺过负荷尖峰时刻进行风险计算。
截至目前为止,风电预测精度问题研究通常假设已知完备准确的地理气象信息,研究开发能够更精确拟合地理气象信息与风力发电能力之间关系的理论与方法。而在实际电网运行中,随着可再生能源发电接入规模以及多能源互联规模的迅速增长,电网调度系统面对的不确定性因素越来越多,而电网自身在掌握这种不确定性方面通常缺乏足够信息支撑,使得现有的这种需要相对完备已知信息的风电预测方法难以较好的满足实际电网调度的工程情况。
针对电力系统作为一个整体而单个风电场的出力变化对调度而言作用不突出问题;以及为了对电网进行合理的实时调度以及对联络交换功率的有效控制,避免风电穿透功率提高而造成的脱网问题,本发明对集群风电功率做出有效预测的同时。为了能够对风电集群功率作出精确预测,还对区域整体的角度预测其出力的总体发展变化规律进行研究,但是由于其对风电场历史数据、功率汇集点历史数据的集成度和时间长度要求较高,建模难度较大,因此对集群风电功率预测的精度不高。
发明内容
本发明针对上述现有技术中存在的不足之处,提出了一种负荷尖峰时刻风电预测可信度风险计算方法。其目的是为了实现通过进行相应的数据采集,在数据采集基础上进行最优可信度Q*计算,使其期望风电消纳最大。
本发明解决其技术问题所采用的技术方案是:
一种负荷尖峰时刻风电预测可信度风险计算方法,包括如下步骤:
步骤1:首先进行相应的数据采集,对电网调度系统面临不确定电网风电功率预测结果d,日前调度时风电企业以概率c向电网提供出力预测可信度Q;日中调度时,风电企业以比率r提供实际出力;在调度周期结束时,对于未满足电网负荷需求的部分电网调度功率s;超出预测出力的部分成为电网弃风率v;
步骤2:使电网调度面对的问题转化为在日前调度周期开始前确定风电出力预测的最优可信度Q*使其期望风电消纳最大化;
首先假设电网调度仅知历史风电预测数据,具体分布形式未知;预测结果d有m个可能的情景:
d∈{d1,d2,...,dm}
建立预测可信度与预测结果的适应度函数:
则风电出力最优可信度为:
式中,E[·]为期望算子,则预测可信度Q,适应度ζ(Q;d)不低于阈值αQ的概率为:
ψ(Q,αQ)=Pr{ζ(Q;d)≥αQ} (3);
在给定水平1-β∈(0,1)下,预测可信度与预测结果适应度的条件风险值为:
CVaRβ(Q)=bVaRβ(Q)+(1-b)CVaRβ(Q)+ (4);
CVaRβ(Q)+=[E[ζ(Q;d)|ζ(Q;d)<CVaRβ(Q)]
式(4)中,CVaRβ(Q)表示可信度Q的条件风险值,E[ζ(Q;d)]为适应度函数值的期望;
当-10%≤CVaRβ(Q)≤15%时可以减少机组容量;由式(4)可以看出,条件风险值度量了适应度低于其风险值或1-β分位数的平均值;β表示电网调度对于适应度的风险容许程度,β越小,电网对适应度风险容许度越低;在CVaR准则下,风电预测可信度优化问题是寻找最优可信度使得式(4)取最大值;根据风险值来进行计算减少的备用机组容量;
其减少机组容量计算公式如下所示:
所述的一种负荷尖峰时刻风电预测可信度风险计算方法,包括:
在某日风电企业预测可以发出60MW的概率为80%;误差范围在10%-20%,日中调度时,风电企业以比率85%提供实际出力;在调度周期结束时,对于未满足电网负荷需求的部分电网调度功率10MW;
步骤1.使电网调度面对的问题转化为在日前调度周期开始前确定风电出力预测的最优可信度Q*使其期望风电消纳最大化;
对电网调度仅知历史风电预测数据分析,具体分布形式未知;设预测结果d有6个可能的情景:
d∈{d1,d2,...,d6}
对于6种可能发生的情景di(i=1,2......,6),d1=50,d2=50,d3=60,d4=65,d5=70,d6=75,其发生的概率为Pr(d=di)=pi,Pi≥0,设,p1=0.1,p2=0.1,p3=0.2,p4=0.2,p5=0.35,p6=0.05,,在风电预测可信度估计中,每个情景对应于电网负荷峰值所对应时间区间的大小;
将以上数值代入以下公式进行计算,通过预测可信度与预测结果的适应度函数:
ζ(Q;d)=r min(d,Q)-s max(d-Q)+max(Q-d)-cQ
风电出力最优可信度为:
式中,E[·]为期望算子,则预测可信度Q,适应度ζ(Q;d)不低于阈值αQ的概率为:
ψ(Q,αQ)=Pr{ζ(Q;d)≥αQ}
在给定水平1-β∈(0,1)下,预测可信度与预测结果适应度的条件风险值为:
CVaRβ(Q)=bVaRβ(Q)+(1-b)CVaRβ(Q)+
上式中,CVaRβ(Q)表示可信度Q的条件风险值,E[ζ(Q;d)]为适应度函数值的期望;
通过实例计算CVaRβ(Q)=6.7%≤15%可以减少备用机组容量;β表示电网调度对于适应度的风险容许程度,β越小,电网对适应度风险容许度越低,在CVaR准则下,风电预测可信度优化问题是寻找最优可信度使得式取最大值;在以上取得最大值的情况下,进行风电可信度风险计算,减少弃风量,进行对机组组合优化,在减少备用机组容量的前提下,能够满足最大负荷在风电预测误差最大条件下的要求;根据以上优化方法,得到风电预测可信度风险结果,在机组减少情况下可以满足最大负荷要求。
本发明具有以下优点及有益效果:
本发明通过进行相应的数据采集,在数据采集基础上进行最优可信度Q*计算,使其期望风电消纳最大,合理进行机组组合,减少备用发电机组的投入,同时又能保证电网供电的安全可靠。
附图说明
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及具体实施方式对本发明作进一步的详细描述,以下实施例用于说明本发明,但应当理解本发明的保护范围并不受具体实施方式的限制。
图1是本发明具体计算示意图;
图2是本发明中一年内实际每天最大负荷;
图3是本发明风电预测可信度风险计算图。
具体实施方式
本发明是一种负荷尖峰时刻风电预测可信度风险计算方法,如图1所示,图1是本发明具体计算示意图,包括如下步骤:
步骤1:首先进行相应的数据采集,对电网调度系统面临不确定电网风电功率预测结果d,日前调度时风电企业以概率c向电网提供出力预测可信度Q;日中调度时,风电企业以比率r提供实际出力;在调度周期结束时,对于未满足电网负荷需求的部分电网调度功率s;超出预测出力的部分成为电网弃风率v。
步骤2:使电网调度面对的问题转化为在日前调度周期开始前确定风电出力预测的最优可信度Q*使其期望风电消纳最大化。
本发明首先假设电网调度仅知历史风电预测数据,具体分布形式未知。预测结果d有m个可能的情景:
d∈{d1,d2,...,dm}
建立预测可信度与预测结果的适应度函数:
则风电出力最优可信度为:
式中,E[·]为期望算子。则预测可信度Q,适应度ζ(Q;d)不低于阈值αQ的概率为:
ψ(Q,αQ)=Pr{ζ(Q;d)≥αQ} (3);
在给定水平1-β∈(0,1)下,预测可信度与预测结果适应度的条件风险值为:
CVaRβ(Q)=bVaRβ(Q)+(1-b)CVaRβ(Q)+ (4);
CVaRβ(Q)+=[E[ζ(Q;d)|ζ(Q;d)<CVaRβ(Q)]
式(4)中,CVaRβ(Q)表示可信度Q的条件风险值,E[ζ(Q;d)]为适应度函数值的期望。
当-10%≤CVaRβ(Q)≤15%时可以减少机组容量;由式(4)可以看出,条件风险值度量了适应度低于其风险值或1-β分位数的平均值。β表示电网调度对于适应度的风险容许程度,β越小,电网对适应度风险容许度越低,在CVaR准则下,风电预测可信度优化问题是寻找最优可信度使得式(4)取最大值。根据风险值来进行计算减少的备用机组容量。
其减少机组容量计算公式如下所示:
实施例1:
本发明是一种负荷尖峰时刻风电预测可信度风险计算方法,包括如下步骤:
在某日风电企业预测可以发出60MW的概率为80%;误差范围在10%-20%,日中调度时,风电企业以比率85%提供实际出力;在调度周期结束时,对于未满足电网负荷需求的部分电网调度功率10MW。
步骤1.使电网调度面对的问题转化为在日前调度周期开始前确定风电出力预测的最优可信度Q*使其期望风电消纳最大化。如图2所示,图2是本发明中一年内实际每天最大负荷。
对电网调度仅知历史风电预测数据分析,具体分布形式未知。设预测结果d有6个可能的情景:
d∈{d1,d2,...,d6}
对于6种可能发生的情景di(i=1,2......,6),d1=50,d2=50,d3=60,d4=65,d5=70,d6=75,其发生的概率为Pr(d=di)=pi,Pi≥0,设,p1=0.1,p2=0.1,p3=0.2,p4=0.2,p5=0.35,p6=0.05,在风电预测可信度估计中,每个情景对应于电网负荷峰值所对应时间区间的大小。
将以上数值代入以下公式进行计算,通过预测可信度与预测结果的适应度函数:
ζ(Q;d)=r min(d,Q)-s max(d-Q)+max(Q-d)-cQ
风电出力最优可信度为:
式中,E[·]为期望算子。则预测可信度Q,适应度ζ(Q;d)不低于阈值αQ的概率为:
ψ(Q,αQ)=Pr{ζ(Q;d)≥αQ}
在给定水平1-β∈(0,1)下,预测可信度与预测结果适应度的条件风险值为:
CVaRβ(Q)=bVaRβ(Q)+(1-b)CVaRβ(Q)+
上式中,CVaRβ(Q)表示可信度Q的条件风险值,E[ζ(Q;d)]为适应度函数值的期望。
通过实例计算CVaRβ(Q)=6.7%≤15%可以减少备用机组容量。β表示电网调度对于适应度的风险容许程度,β越小,电网对适应度风险容许度越低,在CVaR准则下,风电预测可信度优化问题是寻找最优可信度使得式取最大值。在以上取得最大值的情况下,进行风电可信度风险计算,减少弃风量,进行对机组组合优化,在减少备用机组容量的前提下,能够满足最大负荷在风电预测误差最大条件下的要求;根据以上优化方法,得到风电预测可信度风险结果,在机组减少情况下可以满足最大负荷要求,如图3所示。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种负荷尖峰时刻风电预测可信度风险计算方法,其特征是:包括如下步骤:
步骤1:首先进行相应的数据采集,对电网调度系统面临不确定电网风电功率预测结果d,日前调度时风电企业以概率c向电网提供出力预测可信度Q;日中调度时,风电企业以比率r提供实际出力;在调度周期结束时,对于未满足电网负荷需求的部分电网调度功率s;超出预测出力的部分成为电网弃风率v;
步骤2:使电网调度面对的问题转化为在日前调度周期开始前确定风电出力预测的最优可信度Q*使其期望风电消纳最大化;
首先假设电网调度仅知历史风电预测数据,具体分布形式未知;预测结果d有m个可能的情景:
d∈{d1,d2,...,dm}
建立预测可信度与预测结果的适应度函数:
则风电出力最优可信度为:
式中,E[·]为期望算子,则预测可信度Q,适应度ζ(Q;d)不低于阈值αQ的概率为:
ψ(Q,αQ)=Pr{ζ(Q;d)≥αQ} (3);
在给定水平1-β∈(0,1)下,预测可信度与预测结果适应度的条件风险值为:
CVaRβ(Q)=bVaRβ(Q)+(1-b)CVaRβ(Q)+ (4);
CVaRβ(Q)+=[E[ζ(Q;d)|ζ(Q;d)<CVaRβ(Q)]
式(4)中,CVaRβ(Q)表示可信度Q的条件风险值,E[ζ(Q;d)]为适应度函数值的期望;
当-10%≤CVaRβ(Q)≤15%时可以减少机组容量;由式(4)可以看出,条件风险值度量了适应度低于其风险值或1-β分位数的平均值;β表示电网调度对于适应度的风险容许程度,β越小,电网对适应度风险容许度越低;在CVaR准则下,风电预测可信度优化问题是寻找最优可信度使得式(4)取最大值;根据风险值来进行计算减少的备用机组容量;
其减少机组容量计算公式如下所示:
2.根据权利要求1所述的一种负荷尖峰时刻风电预测可信度风险计算方法,其特征是:所述计算方法包括:
在某日风电企业预测可以发出60MW的概率为80%;误差范围在10%-20%,日中调度时,风电企业以比率85%提供实际出力;在调度周期结束时,对于未满足电网负荷需求的部分电网调度功率10MW;
步骤1.使电网调度面对的问题转化为在日前调度周期开始前确定风电出力预测的最优可信度Q*使其期望风电消纳最大化;
对电网调度仅知历史风电预测数据分析,具体分布形式未知;设预测结果d有6个可能的情景:
d∈{d1,d2,...,d6}
对于6种可能发生的情景di(i=1,2......,6),d1=50,d2=50,d3=60,d4=65,d5=70,d6=75,其发生的概率为:Pr(d=di)=pi,Pi≥0,设,p1=0.1,p2=0.1,p3=0.2,p4=0.2,p5=0.35,p6=0.05,在风电预测可信度估计中,每个情景对应于电网负荷峰值所对应时间区间的大小;
将以上数值代入以下公式进行计算,通过预测可信度与预测结果的适应度函数:
ζ(Q;d)=r min(d,Q)-s max(d-Q)+max(Q-d)-cQ
风电出力最优可信度为:
式中,E[·]为期望算子,则预测可信度Q,适应度ζ(Q;d)不低于阈值αQ的概率为:
ψ(Q,αQ)=Pr{ζ(Q;d)≥αQ}
在给定水平1-β∈(0,1)下,预测可信度与预测结果适应度的条件风险值为:
CVaRβ(Q)=bVaRβ(Q)+(1-b)CVaRβ(Q)+
上式中,CVaRβ(Q)表示可信度Q的条件风险值,E[ζ(Q;d)]为适应度函数值的期望;
通过实例计算CVaRβ(Q)=6.7%≤15%可以减少备用机组容量;β表示电网调度对于适应度的风险容许程度,β越小,电网对适应度风险容许度越低,在CVaR准则下,风电预测可信度优化问题是寻找最优可信度使得式取最大值;在以上取得最大值的情况下,进行风电可信度风险计算,减少弃风量,进行对机组组合优化,在减少备用机组容量的前提下,能够满足最大负荷在风电预测误差最大条件下的要求;根据以上优化方法,得到风电预测可信度风险结果,在机组减少情况下可以满足最大负荷要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294870.9A CN109378857B (zh) | 2018-11-01 | 2018-11-01 | 一种负荷尖峰时刻风电预测可信度风险计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294870.9A CN109378857B (zh) | 2018-11-01 | 2018-11-01 | 一种负荷尖峰时刻风电预测可信度风险计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109378857A CN109378857A (zh) | 2019-02-22 |
CN109378857B true CN109378857B (zh) | 2022-03-01 |
Family
ID=65397421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811294870.9A Active CN109378857B (zh) | 2018-11-01 | 2018-11-01 | 一种负荷尖峰时刻风电预测可信度风险计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109378857B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160653B (zh) * | 2019-12-31 | 2023-06-27 | 国网内蒙古东部电力有限公司经济技术研究院 | 基于云计算的分布式储能系统风电消纳能力监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013123443A1 (en) * | 2012-02-16 | 2013-08-22 | Lazaris Spyros | System and method for managing the generation, transmission and distribution of power |
CN103489041A (zh) * | 2013-09-17 | 2014-01-01 | 国家电网公司 | 一种短期风电功率预测方法 |
CN105281362A (zh) * | 2015-09-28 | 2016-01-27 | 国家电网公司 | 电力系统消纳风电能力的评估方法 |
-
2018
- 2018-11-01 CN CN201811294870.9A patent/CN109378857B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013123443A1 (en) * | 2012-02-16 | 2013-08-22 | Lazaris Spyros | System and method for managing the generation, transmission and distribution of power |
CN103489041A (zh) * | 2013-09-17 | 2014-01-01 | 国家电网公司 | 一种短期风电功率预测方法 |
CN105281362A (zh) * | 2015-09-28 | 2016-01-27 | 国家电网公司 | 电力系统消纳风电能力的评估方法 |
Non-Patent Citations (2)
Title |
---|
A Simplified Risk-Based Method for Short-Term Wind Power Commitment;Rajesh Karki;《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》;20120731;第03卷(第03期);第498-505页 * |
考虑预测误差时序分布特性的含风电机组组合模型;王成福;《中国电机工程学报》;20160805;第36卷(第15期);第4081-4090页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109378857A (zh) | 2019-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108092324B (zh) | 一种风电参与调峰调频的agc控制系统和控制方法 | |
US20140172182A1 (en) | System and Method For Energy Distribution | |
CN103296701B (zh) | 一种风电场有功功率控制方法 | |
CN112510703B (zh) | 一种考虑煤耗曲线修正的多能源接入电网优化调度方法 | |
CN108090632B (zh) | 基于鲁棒优化的新能源并网电力系统多时间尺度调度方法 | |
CN112886645B (zh) | 一种基于氢能超高比例的新能源电力系统运行模拟方法 | |
CN109474007B (zh) | 一种基于大数据云技术的能源互联网调度方法 | |
CN115392547A (zh) | 基于数据分析的虚拟电厂能源综合管控平台 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN109038556B (zh) | 一种火电机组灵活性改造容量计算方法及系统 | |
CN109378857B (zh) | 一种负荷尖峰时刻风电预测可信度风险计算方法 | |
CN113872253A (zh) | 抽水蓄能电站联合新能源发电优化调度方法及装置 | |
CN114336762A (zh) | 风光发电及电网负荷波动日前调度储能配置优化方法 | |
CN111668844B (zh) | 风电/光伏富余电力参与跨省消纳的优化配置方法 | |
CN111799798A (zh) | 一种提高未来态潮流计算结果准确性的方法及系统 | |
CN112491049B (zh) | 一种考虑在线煤耗曲线的多能源接入电网优化调度方法 | |
CN104657787A (zh) | 一种风功率时间序列组合预测方法 | |
CN114865695A (zh) | 一种分布式新能源安全并网系统 | |
CN110717694B (zh) | 基于新能源消纳期望值的储能配置随机决策方法及装置 | |
CN114069712A (zh) | 基于滚动调整的新能源发电优化调度系统 | |
CN112651540A (zh) | 一种配电网规划项目投资优化方法 | |
CN105184681B (zh) | 基于最近距离分群的大型光伏发电集群弃光电量评估法 | |
Ma et al. | A robust interval economic dispatch method accommodating significant wind power integration | |
CN111030088B (zh) | 一种电力外送输电通道容量预测方法和装置 | |
CN104283225A (zh) | 风电场运行控制装置及方法 |
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 |