CN109787237B - 一种可再生能源高渗透地区电网断面潮流预测方法及装置 - Google Patents

一种可再生能源高渗透地区电网断面潮流预测方法及装置 Download PDF

Info

Publication number
CN109787237B
CN109787237B CN201910089317.XA CN201910089317A CN109787237B CN 109787237 B CN109787237 B CN 109787237B CN 201910089317 A CN201910089317 A CN 201910089317A CN 109787237 B CN109787237 B CN 109787237B
Authority
CN
China
Prior art keywords
power
small hydropower
predicted
station set
hydropower station
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
Application number
CN201910089317.XA
Other languages
English (en)
Other versions
CN109787237A (zh
Inventor
杨洋
苏适
陆海
杨家全
罗恩博
严玉廷
张旭东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN201910089317.XA priority Critical patent/CN109787237B/zh
Publication of CN109787237A publication Critical patent/CN109787237A/zh
Application granted granted Critical
Publication of CN109787237B publication Critical patent/CN109787237B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种可再生能源高渗透地区电网断面潮流预测方法及装置，首先确定风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率，再计算风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度和预测功率准确率，确定预测功率准确率位列第一对应的集合为最优发电站集合，根据相关度和目标预测功率对其他发电站集合的预测功率进行修正，将修正后的各发电站集合的预测功率总和作为地区电网断面潮流的预测功率。可见，根据预测功率结果和各个区域类各新能源类型发电功率的相关性，对不同类型的新能源发电功率预测值进行修正，所得到区域电网的断面潮流预测更加准确。

Description

一种可再生能源高渗透地区电网断面潮流预测方法及装置
技术领域
本发明涉及新能源技术领域，尤其涉及一种可再生能源高渗透地区电网断面潮流预测方法及装置。
背景技术
可再生能源为自然界中可以不断再生、永续利用的能源，主要包括太阳能、风能、水能、生物质能、潮汐能、地热能和海洋能等新能源。而上述新能源是一种波动性、间歇性电源，增加了潮流的不确定性，新能源并网运行将对主网运行带来诸多影响。随着新能源发电装机容量的不断增加，可能对电力系统安全运行产生威胁，因此需要调度调整运行模式以适应高比例新能源电源接入。然而，电网调度系统制定运行模式的基础是对电网潮流有相对准确的判断，当一个地区的新能源占比较高时，新能源电源的出力必然会影响潮流分布。
现有的新能源发电功率预测主要以场站为单位，经过简单相加后作为总的新能源发电功率预测值。由于新能源场站的预测系统性能也参差不齐，尤其是在中西部山区，新能源发电资源在时间空间上差异很大，这使得区域内的新能源发电功率总体预测值准确率较差。因此，在高渗透地区，对于电网调度而言，区域电网内新能源发电功率易对各个断面潮流产生影响，使得潮流预测的准确率差。
发明内容
本发明提供了一种可再生能源高渗透地区电网断面潮流预测方法及装置，以解决现有的电网断面潮流预测方法准确率差的问题。
第一方面，本发明提供了一种可再生能源高渗透地区电网断面潮流预测方法，该方法包括：
确定地区内接入的电网断面的可再生能源的预测功率；其中，所述可再生能源包括风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合；
在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度，以及，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率，将所述预测功率准确率进行排序；
根据排序结果，确定预测功率准确率位列第一对应的集合为最优发电站集合，以及，确定所述最优发电站集合对应的预测功率为目标预测功率；
根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数和预测功率修正值，以对风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率进行修正；
计算修正后的风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率总和，确定地区电网断面潮流的预测功率。
可选地，所述可再生能源包括风力发电站集合；以及，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
根据地区内每个风力发电站的日风功率，确定每个所述风力发电站的预测功率向量；
计算每个所述风力发电站的出力相关系数，以及，确定风力发电站的出力相关系数向量；
根据每个所述风力发电站的预测功率向量、出力相关系数和出力相关系数向量，计算每个风力发电站的功率预测修正比例；
根据每个所述风力发电站的功率预测修正比例，确定每个风力发电站的功率修正权重；
根据每个所述风力发电站的功率修正权重，计算风力发电站集合的预测功率。
可选地，所述可再生能源包括光伏发电站集合；以及，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
将地区中光伏发电站集合对应的区域划分为m*n个网格，建立云位置矩阵；
根据云位置的历史矩阵，确定光伏发电站集合的预测云位置矩阵；
基于预测云位置矩阵和云对光伏发电功率的影响，建立n*m网格云的影响矩阵；
根据所述云位置矩阵和所述影响矩阵，确定所述云对光伏发电功率的预测影响系数；
基于所述预测影响系数，计算光伏发电站集合的预测功率。
可选地，所述可再生能源包括小水电站集合；以及，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
根据地区内每个小水电站的额定发电功率、实际发电功率、距离相邻下游小水电站的水流路程和实时发电水流量，建立地区内每个小水电站的描述向量；
根据每个所述小水电站的描述向量建立小水电站集合的描述矩阵，判断小水电站集合的功率变化趋势；
如果所述小水电站集合的功率变化趋势为功率上升，提取描述矩阵中编号小于m的小水电站的额定发电功率和m号小水电站的实际发电功率中的最小值；输出所述编号小于m的小水电站的发电功率预测值为所述最小值；根据
Figure BDA0001962771510000031
计算a号小水电站的实时发电水流量变化为vm所需要的时间t1，其中，t0为当前时刻，S为编号大于m的a号小水电站与m号小水电站之间的水流路程，V为m号下小水电站至下游相邻电站水流路程的平均流速，vm为m号小水电站当前时刻的水流量；根据a号小水电站时间t1后的实时发电水流量与实际发电功率之间的对应关系，输出a号小水电站时间t1后的发电功率预测值；
如果所述小水电站集合的功率变化趋势为功率下降，提取描述矩阵中编号小于n的小水电站的额定发电功率和n号小水电站的实际发电功率中的最小值；输出所述编号小于n的小水电站的发电功率预测值为所述最小值；根据
Figure BDA0001962771510000032
计算b号小水电站的实时发电水流量变化为vn所需要的时间t2，其中，t0为当前时刻，S为编号大于n的b号小水电站与n号小水电站之间的水流路程，V为n号下小水电站至下游相邻电站水流路程的平均流速，vn为n号小水电站当前时刻的水流量；根据b号小水电站时间t2后的实时发电水流量与实际发电功率之间的对应关系，输出b号小水电站时间t2后的发电功率预测值；
如果所述小水电站集合的功率变化趋势为功率不变，确定小水电站集合的预测功率为每个小水电站的额定发电功率之和。
可选地，按照下述步骤根据每个所述小水电站的描述向量建立小水电站集合的描述矩阵，判断小水电站集合的功率变化趋势：
计算所述小水电站集合中的实际发电功率小于额定发电功率的小水电站的数量，如果所述数量等于0，确定小水电站集合的功率变化趋势为功率不变；
如果所述数量等于1，在所述小水电站的装机容量不是小水电站集合中最大的情况下，确定小水电站集合的功率变化趋势为功率下降；
如果所述数量大于1，确定实际发电功率最大的小水电站m和实际发电功率最小的小水电站n；
在所述小水电站m的实际发电功率与小水电站n的实际发电功率相等的情况下，确定小水电站集合的功率变化趋势为功率不变；
在所述小水电站m位于小水电站n的下游的情况下，确定小水电站集合的功率变化趋势为功率上升；
在所述小水电站m位于小水电站n的上游的情况下，确定小水电站集合的功率变化趋势为功率下降。
可选地，按照下式，在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度：
Figure BDA0001962771510000041
式中，k为实际发电功率的相关度，X、Y分别表示两个集合的发电功率，
Figure BDA0001962771510000042
为两个集合的日平均功率。
可选地，按照下式，在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度：
Figure BDA0001962771510000043
式中，k为实际发电功率的相关度，X、Y分别表示两个集合的发电功率，
Figure BDA0001962771510000044
为两个集合的日平均功率。
可选地，按照下式，根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数：
Figure BDA0001962771510000045
式中，λ为优化修正系数，P'Fi+1为i时段的目标预测功率，Pi为i时段的实际平均功率，k为实际发电功率的相关度。
可选地，按照下式，根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的预测功率修正值：
Q’Fi＝λ×0.2×QFi+(1-0.2×λ)×QFi；
式中，Q’Fi为预测功率修正值，QFi为预测功率，λ为优化修正系数。
第二方面，本发明还提供了一种可再生能源高渗透地区电网断面潮流预测装置，包括：
预测功率确定模块，用于确定地区内接入的电网断面的可再生能源的预测功率；其中，所述可再生能源包括风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合；
计算模块，用于在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度，以及，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率，将所述预测功率准确率进行排序；
确定模块，用于根据排序结果，确定预测功率准确率位列第一对应的集合为最优发电站集合，以及，确定所述最优发电站集合对应的预测功率为目标预测功率；
修正参数计算模块，用于根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数和预测功率修正值，以对风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率进行修正；
潮流预测模块，用于计算修正后的风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率总和，确定地区电网断面潮流的预测功率。
由以上技术方案可知，本发明实施例提供的一种可再生能源高渗透地区电网断面潮流预测方法及装置，首先确定风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率，再计算风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度和预测功率准确率，确定预测功率准确率位列第一对应的集合为最优发电站集合，根据相关度和目标预测功率对其他发电站集合的预测功率进行修正，将修正后的各发电站集合的预测功率总和作为地区电网断面潮流的预测功率。可见，根据预测功率结果和各个区域类各新能源类型发电功率的相关性，对不同类型的新能源发电功率预测值进行修正，所得到的区域内新能源发电总体预测功率相比常规的单个场站预测功率过简单相加更加准确，所得到区域电网的断面潮流预测更加准确。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的可再生能源高渗透地区电网断面潮流预测方法的流程图；
图2为本发明实施例提供的确定风力发电站集合的预测功率方法的流程图；
图3为本发明实施例提供的确定光伏发电站集合的预测功率方法的流程图；
图4为本发明实施例提供的对地区内小水电站进行集合划分和编号的示意图；
图5为本发明实施例提供的可再生能源高渗透地区电网断面潮流预测装置的结构框图。
具体实施方式
图1为本发明实施例提供的可再生能源高渗透地区电网断面潮流预测方法的流程图。
参见图1，本发明实施例提供的一种可再生能源高渗透地区电网断面潮流预测方法，包括以下步骤：
S1、确定地区内接入的电网断面的可再生能源的预测功率；其中，所述可再生能源包括风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合；
在地区内接入一个电网断面的可再生能源，该可再生能源按照类型分为风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合。其中，日调节发电站集合为具有日调节能力的发电站；发电站集合为地区内除了风力发电站、光伏发电站、小水电站、日调节发电站以外的其余类型的发电站集合。
在进行整个地区的潮流预测时，需先确定每个可再生能源的预测功率。具体地，日调节发电站集合将日发电计划曲线作为其预测功率；发电计划曲线是上级调度部门对发电厂一天24小时发电出力的考核依据。其他类型的发电站集合将其当前功率作为预测功率。
如图2所示，对于可再生能源为风力发电站集合时，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
S111、根据地区内每个风力发电站的日风功率，确定每个所述风力发电站的预测功率向量；
每个地区的风力发电站集合包括多个风力发电站，将地区内n个风力发电站按照日风功率预测准确率进行排序，得到风力发电站预测功率向量Pw'＝[p'w1,p'w2...p'wn]，其中Pw1’为预测准确率最高的风力发电站在T时刻后的功率预测值，pw2’..pwn’为准确率依次降低的风力发电站在T时刻后的功率预测值。
其中，地区内发电功率的预测时间分辨率为T，默认值为15分钟，各个区域可以修改该值。
S112、计算每个风力发电站的出力相关系数，以及，确定风力发电站的出力相关系数向量；
在向量Pw’中向前计算风力发电站出力相关系数，得到风力发电站出力相关系数向量。由于风力发电站集合中包括多个风力发电站，因此，需要计算风力发电站集合中每两个风力发电站的出力相关系数，进而确定每个风力发电站的出力相关系数向量。
如在向量Pw’中第i个风力发电站的出力相关系数向量Ki＝[k1,k2...ki-1]，其中k1是与向量Pw’中第1个风力发电站的出力相关系数，其中k2是与向量Pw’中第2个风力发电站的出力相关系数，依次类推。
其中，出力相关系数是用来反映区域内不同风力发电站的出力相关性，计算公式为：
Figure BDA0001962771510000071
式中，k为实际发电功率的相关度，X、Y分别表示两个风力发电站的发电功率，
Figure BDA0001962771510000072
Figure BDA0001962771510000073
为两个风力发电站的日平均功率。
k值为正表示正相关，k值为负表示负相关。k的绝对值反映两个风力发电站的功率相关关系密切程度，绝对值越大说明相关关系越密切，绝对值等于1为完全相关，0为不相关。
S113、根据每个风力发电站的预测功率向量、出力相关系数和出力相关系数向量，计算每个风力发电站的功率预测修正比例；
强相关风力发电站功率预测修正比例计算，以向量Pw’中第i个风力发电站为例，首先在出力相关系数向量Ki中选取最大相关系数kmax＝MAX[k1,k2...ki-1]，kmax在向量中的位置为j(1≤j≤i-1)；之后计算j位置风力发电站的预测功率变化比例Δpj，公式为：
Figure BDA0001962771510000074
其中，p’wjT-1、p’wjT-2分别为j位置风力发电站前一个和前两个时间T的预测功率。
根据确定出的预测功率变化比例，计算第i个风力发电站的强相关功率预测修正比例Ri，公式为：
Figure BDA0001962771510000081
其中，θri为修正权重，后续使用。
S114、根据每个风力发电站的功率预测修正比例，确定每个风力发电站的功率修正权重；
首先，计算最优功率预测风力发电站修正比例。如果风力发电站预测功率向量Pw’中第一个预测值Pw1’是区域风力发电站中预测性能最优的，选取它的预测准确率Cr1作为基准CrMAX，其上一周期的预测功率变化比例Δp1，公式为：
Figure BDA0001962771510000082
然后，计算第i个风力发电站最优功率预测风电场修正比例Bi，公式为：
Figure BDA0001962771510000083
其中θbi为修正权重。
最后，计算每个风力发电站的功率修正权重。修正权重向量定义为θ＝[θo,θr,θb]，其计算公式为：
Figure BDA0001962771510000084
当(1-θri-θbi)≥0.5时；
Figure BDA0001962771510000085
当(1-θri-θbi)＜0.5时；
其中，
Figure BDA0001962771510000086
为风力发电站i在时间T的功率修正权重。
S115、根据每个风力发电站的功率修正权重，计算风力发电站集合的预测功率。
根据每个风力发电站的功率修正权重，对每个风力发电站的功率进行修正。以第i个风力发电站为例，修正后的功率预测值pwi表示为:
Figure BDA0001962771510000091
修正后的风力发电站集合预测功率pw为：
Figure BDA0001962771510000092
根据每一个风力发电站的预测功率，求和之后即为风力发电站集合的预测功率。
本实施例提供的计算风力发电站集合的预测功率方法，考虑区域内各个风电场的预测性能，利用强相关风力发电站功率预测修正和最优功率预测风力发电站修正，将预测性能较优的风力发电站的变化趋势通过一定的权重对预测性能较差的风力发电站功率预测值进行修正，之后再将修正值相加得到区域内整体风力发电站的预测功率，相比未修正直接将各个风力发电站的预测功率进行累加，该方法可以提升区域风力发电站的整体发电功率预测的准确率。
如图3所示，对于可再生能源为光伏发电站集合时；以及，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
S121、将地区中光伏发电站集合对应的区域划分为m*n个网格，建立云位置矩阵；
对地区中光伏电站区域天空云层状态进行观测，观测使用的仪器设备本申请中不做限制。在本实施例中，采用天空成像仪来实现对光伏电站区域天空的云层状态进行观测，并进行快速的采集图像，从而为该区域短期或超短期内的地表辐照度预测提供基础。
建立的m*n云位置矩阵如下：
Figure BDA0001962771510000093
其中，Pij表示第i行j列网格，根据处理后的天空成像仪拍摄的图像，若网格对应矩阵P的位置有云，其元素赋值为1，若没有云，其元素赋值为0。
S122、根据云位置的历史矩阵，确定光伏发电站集合的预测云位置矩阵；
先获取一定时间段内云位置的历史矩阵。全天空成像仪可定时拍摄光伏电站区域天空的图像，经过上述的网格处理后，可以得到一定时间段内云位置的历史矩阵。
根据历史云位置矩阵，获得云区的移动轨迹，云区是指在历史云位置矩阵中连续有云的区域；基于移动轨迹，计算云区的移动速度及云区面积的变化速度；根据移动速度和变化速度，预测某时刻的云位置矩阵。
本实施例中，应用该方法预测T时刻时地表的辐照度，即光伏发电功率。由于历史矩阵是一定时间段内云位置的矩阵，所以根据矩阵可以得到在该时间段内云位置的移动情况。具体的，如该历史矩阵包括有经过20秒后云位置的矩阵，则可根据20秒前后云位置的变化，掌握云的移动情况。根据云移动情况可计算出云的移动速度，根据位移等于速度与时间的乘积，即可预测在之后的T时刻时，天空中云的位置状态，经过上述的网格处理后，即可得到T时刻的云位置的矩阵，即光伏发电站集合的预测云位置矩阵。
S123、基于预测云位置矩阵和云对光伏发电功率的影响，建立n*m网格云的影响矩阵；
根据预测的T时刻云的位置，以及该位置云对辐照度的影响，通过n*m网格处理，建立云对辐照度的影响矩阵。需要说明的是，该影响矩阵Qij表示第j行第i列位置云的影响矩阵。
S124、根据云位置矩阵和影响矩阵，确定云对光伏发电功率的预测影响系数；
处理云位置矩阵和影响矩阵，应用矩阵特有的运算原则，可获得该T时刻云对辐照度的影响系数。
具体地，将云位置矩阵与影响矩阵相乘，得到方阵，即将T时刻m*n网格云位置矩阵与n*m网格云的影响矩阵相乘，可得到m*m的方阵。根据方阵，计算云层对辐照度的影响系数，即利用矩阵特有的乘法原则，得到的方阵中对角元素就是某一行网格的辐照度影响的叠加，根据该辐照度影响可计算出云对光伏发电功率的影响系数。
其中，影响矩阵包括：
Figure BDA0001962771510000101
Qij＝aij*bij，其中aij为遮挡系数，表示第j行i列网格有云时的遮挡程度，取值范围为0-1，bij为透射系数，表示第j行i列网格有云时其厚度对阳光透射的影响，取值范围为0-1。
需要说明的是，当aij的值为0时表示该网格有云时对光伏阵列区域辐照度没有影响，值为1时表示该网格有云时对光伏阵列区域辐照度有完全的影响，中间的取值表示该网格有云时对光伏阵列区域有不分影响。bij的取值与云的厚度成正比，云层越厚其取值越大，云层越薄其取值越小。
某时刻的云位置矩阵包括：
Figure BDA0001962771510000111
其中，p′ij为第i行j列网格区域，所述T时刻网格对应矩阵的位置有云，其元素赋值为1，对应矩阵的位置没有云，其元素赋值为0。
将云位置矩阵与影响矩阵相乘，得到方阵包括：
Figure BDA0001962771510000112
根据矩阵的乘法原则，得到的方阵R中对角的元素表示某一行网格的辐照度影响的叠加，如r22表示第二行所有网格和其对应的遮挡系数和透射系数相乘后的和。故而将方阵的对角元素进行平均处理可得到光伏电站区域云的辐照度影响系数。
故而根据方阵，计算云对辐照度的预测影响系数包括，根据以下公式计算预测影响系数：
Figure BDA0001962771510000113
其中，K为云对辐照度的预测影响系数，n为观测区域划分网格的列数，m为观测区域划分网格的行数。
S125、基于所述预测影响系数，计算光伏发电站集合的预测功率。
根据某时刻云对地表辐照度的影响系数，根据公式ET＝E0*K可计算出T时刻的辐照度。将计算得到T时刻的辐照度带入光伏电站的光伏模型中，便可以计算得到T时刻后的光伏发电站的发电功率。将地区中多个光伏发电站的预测功率相加，即可得到光伏发电站集合的预测功率。
本实施例提供的计算光伏发电站集合的预测功率方法，通过对云的监测掌握其移动规律，预测其在某时刻的位置状态，进而计算出该时刻该区域的辐照度，具有更高的准确性，尤其是对短期及超短期地表辐照度的预测更加的灵敏准确，有利于提高对光伏电站发电功率预测的准确性。
在可再生能源为小水电站集合时，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
S131、根据地区内每个小水电站的额定发电功率、实际发电功率、距离相邻下游小水电站的水流路程和实时发电水流量，建立地区内每个小水电站的描述向量；
地区内小水电站预先按照以下规则进行集合划分和编号：将地区内在单独水流上的小水电站划分为一个集合，在水流出现分叉或汇聚的情况下单独划分集合，按照集合中小水电站在水流的上下游位置关系，对集合中的小水电站依次进行编号。如图4所示，区域内设置有多个沿着水流200分布的小水电站100。图4中箭头所示方向为水流200的流向，即从上游流向下游。每条单独水流200上的小水电站100划分为一个集合，在图4中以虚线椭圆表示集合。以三个小水电站100为例，集合中的小水电站100的编号依次按照水流200上的流向设置为1、2、3。
每个小水电站的描述向量Sn为：Sn＝[n,PN,P,Sd,v]，其中n为该小水电站在集合中的编号，PN为额定发电功率，P为当前实际发电功率，Sd为距离相邻下游小水电站的水流路程，v为该小水电站实时发电水流量。
S132、根据每个所述小水电站的描述向量建立小水电站集合的描述矩阵，判断小水电站集合的功率变化趋势；
根据单个小水电站的描述向量建立小水电站集合的描述矩阵M：
Figure BDA0001962771510000121
确定所述描述矩阵中小水电站的实际发电功率的变化趋势。
具体地，本实施例中，按照下述步骤根据每个小水电站的描述向量建立小水电站集合的描述矩阵，判断小水电站集合的功率变化趋势：
S1321、计算所述小水电站集合中的实际发电功率小于额定发电功率的小水电站的数量，如果所述数量等于0，确定小水电站集合的功率变化趋势为功率不变；
具体地，统计出描述矩阵中实际发电功率小于额定发电功率的小水电站的数量之后，可以判断该数量是否等于0，并在所述数量等于0的情况下，确定出描述矩阵中小水电站的实际发电功率的变化趋势为功率不变。
S1322、如果所述数量等于1，在所述小水电站的装机容量不是小水电站集合中最大的情况下，确定小水电站集合的功率变化趋势为功率下降；
具体地，在所述数量不等于0的情况下，可以进一步判断该数量是否等于1，并在所述数量等于1的情况下，识别实际发电功率小于额定发电功率的小水电站的装机容量是否是集合中最大。
如果实际发电功率小于额定发电功率的小水电站的装机容量是集合中最大，以所述实际发电功率小于额定发电功率的小水电站的实际发电功率的变化趋势预测集合中其他小水电站的发电功率预测值。
如果实际发电功率小于额定发电功率的小水电站的装机容量不是集合中最大，确定所述变化趋势为功率下降。
S1323、如果所述数量大于1，确定实际发电功率最大的小水电站m和实际发电功率最小的小水电站n；
具体地，在所述数量不等于0也不等于1，即所述数量大于1的情况下，可查找集合中实际发电功率最大和最小的小水电站，分布记为m号小水电站n号小水电站，m和n为正整数，比较所述m号小水电站和所述n号小水电站的实际发电功率是否相等。
S1324、在所述小水电站m的实际发电功率与小水电站n的实际发电功率相等的情况下，确定小水电站集合的功率变化趋势为功率不变；
S1325、在所述小水电站m位于小水电站n的下游的情况下，确定小水电站集合的功率变化趋势为功率上升；
S1326、在所述小水电站m位于小水电站n的上游的情况下，确定小水电站集合的功率变化趋势为功率下降。
S133、如果所述小水电站集合的功率变化趋势为功率上升，提取描述矩阵中编号小于m的小水电站的额定发电功率和m号小水电站的实际发电功率中的最小值；具体地，假设实际发电功率最大的小水电站编号为m，对于编号小于m的小水电站，其发电功率预测值为其额定发电功率与m号小水电站实际发电功率中的最小值。
输出所述编号小于m的小水电站的发电功率预测值为所述最小值；根据
Figure BDA0001962771510000131
计算a号小水电站的实时发电水流量变化为vm所需要的时间t1，其中，t0为当前时刻，S为编号大于m的a号小水电站与m号小水电站之间的水流路程，V为m号下小水电站至下游相邻电站水流路程的平均流速，vm为m号小水电站当前时刻的水流量；根据a号小水电站时间t1后的实时发电水流量与实际发电功率之间的对应关系，输出a号小水电站时间t1后的发电功率预测值；
具体地，对于编号大于m的小水电站则根据其与m号小水电站的水流路程计算出其流量变化趋势，从而得到其实际发电功率变化趋势。假设m号小水电站此时的实际发电功功率为Pm，测得的水流量为vm，则其后编号为a的小水电站的水流量将在t1时间后变化为vm。
S134、如果所述小水电站集合的功率变化趋势为功率下降，提取描述矩阵中编号小于n的小水电站的额定发电功率和n号小水电站的实际发电功率中的最小值；具体地，假设实际发电功率最小的小水电站编号为n，对于编号小于n的小水电站，其发电功率预测值为其额定发电功率与n号小水电站实际发电功率中的最小值。
输出所述编号小于n的小水电站的发电功率预测值为所述最小值；根据
Figure BDA0001962771510000141
计算b号小水电站的实时发电水流量变化为vn所需要的时间t2，其中，t0为当前时刻，S为编号大于n的b号小水电站与n号小水电站之间的水流路程，V为n号下小水电站至下游相邻电站水流路程的平均流速，vn为n号小水电站当前时刻的水流量；根据b号小水电站时间t2后的实时发电水流量与实际发电功率之间的对应关系，输出b号小水电站时间t2后的发电功率预测值；
具体地，对于编号大于n的小水电站则根据其与n号小水电站的水流路程计算出其流量变化趋势，从而得到其实际发电功率变化趋势。假设n号小水电站此时的实际发电功功率为Pn，测得的水流量为vn，则其后编号为b的小水电站的水流量将在t2时间后变化为vn。
S135、如果所述小水电站集合的功率变化趋势为功率不变，确定小水电站集合的预测功率为每个小水电站的额定发电功率之和。
在所述变化趋势为功率不变的情况下，计算所述变化趋势下集合中小水电站的发电功率预测值包括：输出所述集合中小水电站的发电功率预测值为小水电站的额定发电功率，将每个小水电站的额定发电功率之和座位小水电站集合的预测功率。
本实施例提供的小水电站集合发电功率预测方法，可以将区域内的小水电站的发电功率进行预测，可以为电网优化调度提供支持，促进水电资源有效利用，且成本较低。
S2、在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度，以及，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率，将所述预测功率准确率进行排序；
以最近四小时为时间窗，按照下式，计算风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度：
Figure BDA0001962771510000151
式中，k为实际发电功率的相关度，X、Y分别表示两个集合的发电功率，
Figure BDA0001962771510000152
为两个集合的日平均功率。
分别计算每个集合与其他集合之间实际发电功率的相关度，k值为正表示正相关，k值为负表示负相关。k的绝对值反映两个集合发电功率相关关系密切程度，绝对值越大说明相关关系越密切，绝对值等于1为完全相关，0为不相关。
按照下式，根据风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率：
Figure BDA0001962771510000153
式中，C为预测功率准确率，PFi为i时段的预测功率，Pi为i时段的实际平均功率，Ci为i时段的开机总容量。
计算预测功率准确率用于判断每一集合的预测功率是否与实际平均功率相符，避免出现数据异常，影响功率预测的准确性。
将每个集合的预测功率准确率进行排序，可按由大到小进行排序。
S3、根据排序结果，确定预测功率准确率位列第一对应的集合为最优发电站集合，以及，确定最优发电站集合对应的预测功率为目标预测功率；
将每个集合的预测功率准确率进行排序后，将准确率最大对应的集合确定为最优发电站集合，以该集合作为修正标准，即将最优发电站集合对应的预测功率为目标预测功率，其他集合的相关数值均以该目标预测功率作为标杆进行修正。
S4、根据实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数和预测功率修正值，以对风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率进行修正；
具体地，在进行修正时，假设预测最优发电站集合为P，待修正集合为Q，P集合在i时段的预测功率为PFi，即目标预测功率为P'Fi+1，实际平均功率为Pi，k为P集合与Q集合之间的发电功率的相关系数。
按照下式，根据实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数：
Figure BDA0001962771510000161
式中，λ为优化修正系数，P'Fi+1为i时段的目标预测功率，Pi为i时段的实际平均功率，k为实际发电功率的相关度。
按照下式，根据实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的预测功率修正值：
Q’Fi＝λ×0.2×QFi+(1-0.2×λ)×QFi；
式中，Q’Fi为预测功率修正值，QFi为预测功率，λ为优化修正系数。
通过优化修正系数和预测功率修正值，对每个集合的预测功率以最优发电站集合的预测功率为基准进行修正，即可确定修订后的风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率。最优发电站集合为风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合中的一个。
S5、计算修正后的风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率总和，确定地区电网断面潮流的预测功率。
修正后的风力发电站集合、光伏发电站集合、小水电站集合预测功率与具备日调节能力的发电站集合和其它类型发电站的预测功率相加，相加结果作为地区电网输电断面功率预测功率。
由以上技术方案可知，本发明实施例提供的可再生能源高渗透地区电网断面潮流预测方法，包括：确定风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度和预测功率准确率，确定预测功率准确率位列第一对应的集合为最优发电站集合，根据相关度和目标预测功率对其他发电站集合的预测功率进行修正，将修正后的各发电站集合的预测功率总和作为地区电网断面潮流的预测功率。可见，根据预测功率结果和各个区域类各新能源类型发电功率的相关性，对不同类型的新能源发电功率预测值进行修正，所得到的区域内新能源发电总体预测功率相比常规的单个场站预测功率过简单相加更加准确，所得到区域电网的断面潮流预测也更加准确。
如图5所示，本发明实施例提供的一种可再生能源高渗透地区电网断面潮流预测装置，用于执行图1所示的潮流预测方法，该装置包括：
预测功率确定模块10，用于确定地区内接入的电网断面的可再生能源的预测功率；其中，所述可再生能源包括风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合；
计算模块20，用于在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度，以及，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率，将所述预测功率准确率进行排序；
确定模块30，用于根据排序结果，确定预测功率准确率位列第一对应的集合为最优发电站集合，以及，确定所述最优发电站集合对应的预测功率为目标预测功率；
修正参数计算模块40，用于根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数和预测功率修正值，以对风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率进行修正；
潮流预测模块50，用于计算修正后的风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率总和，确定地区电网断面潮流的预测功率。
可选地，所述可再生能源包括风力发电站集合；以及，所述预测功率确定模块10包括：
预测功率确定单元，用于根据地区内每个风力发电站的日风功率，确定每个所述风力发电站的预测功率向量；
出力相关参数向量单元，用于计算每个所述风力发电站的出力相关系数，以及，确定风力发电站的出力相关系数向量；
功能预测修正比例计算单元，用于根据每个所述风力发电站的预测功率向量、出力相关系数和出力相关系数向量，计算每个风力发电站的功率预测修正比例；
功率修正权重确定单元，用于根据每个所述风力发电站的功率预测修正比例，确定每个风力发电站的功率修正权重；
第一预测功率计算单元，用于根据每个所述风力发电站的功率修正权重，计算风力发电站集合的预测功率。
可选地，所述可再生能源包括光伏发电站集合；以及，所述预测功率确定模块10包括：
云位置矩阵建立单元，用于将地区中光伏发电站集合对应的区域划分为m*n个网格，建立云位置矩阵；
预测云位置矩阵确定单元，用于根据云位置的历史矩阵，确定光伏发电站集合的预测云位置矩阵；
影响矩阵建立单元，用于基于预测云位置矩阵和云对光伏发电功率的影响，建立n*m网格云的影响矩阵；
预测影响系数确定单元，用于根据所述云位置矩阵和所述影响矩阵，确定所述云对光伏发电功率的预测影响系数；
第二预测功率计算单元，用于基于所述预测影响系数，计算光伏发电站集合的预测功率。
可选地，所述可再生能源包括光伏发电站集合；以及，所述预测功率确定模块10包括：
描述向量建立单元，用于根据地区内每个小水电站的额定发电功率、实际发电功率、距离相邻下游小水电站的水流路程和实时发电水流量，建立地区内每个小水电站的描述向量；
判断单元，用于根据每个所述小水电站的描述向量建立小水电站集合的描述矩阵，判断小水电站集合的功率变化趋势；
第一预测功率确定单元，在所述小水电站集合的功率变化趋势为功率上升的情况下，用于提取描述矩阵中编号小于m的小水电站的额定发电功率和m号小水电站的实际发电功率中的最小值；输出所述编号小于m的小水电站的发电功率预测值为所述最小值；根据
Figure BDA0001962771510000181
计算a号小水电站的实时发电水流量变化为vm所需要的时间t1，其中，t0为当前时刻，S为编号大于m的a号小水电站与m号小水电站之间的水流路程，V为m号下小水电站至下游相邻电站水流路程的平均流速，vm为m号小水电站当前时刻的水流量；根据a号小水电站时间t1后的实时发电水流量与实际发电功率之间的对应关系，输出a号小水电站时间t1后的发电功率预测值；
第二预测功率确定单元，在所述小水电站集合的功率变化趋势为功率下降的情况下，用于提取描述矩阵中编号小于n的小水电站的额定发电功率和n号小水电站的实际发电功率中的最小值；输出所述编号小于n的小水电站的发电功率预测值为所述最小值；根据
Figure BDA0001962771510000191
计算b号小水电站的实时发电水流量变化为vn所需要的时间t2，其中，t0为当前时刻，S为编号大于n的b号小水电站与n号小水电站之间的水流路程，V为n号下小水电站至下游相邻电站水流路程的平均流速，vn为n号小水电站当前时刻的水流量；根据b号小水电站时间t2后的实时发电水流量与实际发电功率之间的对应关系，输出b号小水电站时间t2后的发电功率预测值；
第三预测功率确定单元，在所述小水电站集合的功率变化趋势为功率不变的情况下，用于确定小水电站集合的预测功率为每个小水电站的额定发电功率之和。
可选地，所述判断单元包括：
计算子单元，用于计算所述小水电站集合中的实际发电功率小于额定发电功率的小水电站的数量，如果所述数量等于0，确定小水电站集合的功率变化趋势为功率不变；
第一判断子单元，用于如果所述数量等于1，在所述小水电站的装机容量不是小水电站集合中最大的情况下，确定小水电站集合的功率变化趋势为功率下降；
第二判断子单元，用于如果所述数量大于1，确定实际发电功率最大的小水电站m和实际发电功率最小的小水电站n，m和n为正整数；
第三判断子单元，用于在所述小水电站m的实际发电功率与小水电站n的实际发电功率相等的情况下，确定小水电站集合的功率变化趋势为功率不变；
第一趋势确定子单元，用于在所述小水电站m位于小水电站n的下游的情况下，确定小水电站集合的功率变化趋势为功率上升；
第二趋势确定子单元，用于在所述小水电站m位于小水电站n的上游的情况下，确定小水电站集合的功率变化趋势为功率下降。
可选地，按照下式，在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度：
Figure BDA0001962771510000201
式中，k为实际发电功率的相关度，X、Y分别表示两个集合的发电功率，
Figure BDA0001962771510000202
为两个集合的日平均功率。
可选地，按照下式，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率：
Figure BDA0001962771510000203
式中，C为预测功率准确率，PFi为i时段的预测功率，Pi为i时段的实际平均功率，Ci为i时段的开机总容量。
可选地，按照下式，根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数：
Figure BDA0001962771510000204
式中，λ为优化修正系数，P'Fi+1为i时段的目标预测功率，Pi为i时段的实际平均功率，k为实际发电功率的相关度。
可选地，按照下式，根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的预测功率修正值：
Q’Fi＝λ×0.2×QFi+(1-0.2×λ)×QFi；
式中，Q’Fi为预测功率修正值，QFi为预测功率，λ为优化修正系数。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于可再生能源高渗透地区电网断面潮流预测装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

Claims (9)

1.一种可再生能源高渗透地区电网断面潮流预测方法，其特征在于，包括以下步骤：
确定地区内接入的电网断面的可再生能源的预测功率；其中，所述可再生能源包括风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合；
在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度，以及，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率，将所述预测功率准确率进行排序；
根据排序结果，确定预测功率准确率位列第一对应的集合为最优发电站集合，以及，确定所述最优发电站集合对应的预测功率为目标预测功率；
根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数和预测功率修正值，以对风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率进行修正；
计算修正后的风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率总和，确定地区电网断面潮流的预测功率。
2.根据权利要求1所述的方法，其特征在于，所述可再生能源包括风力发电站集合；以及，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
根据地区内每个风力发电站的日风功率，确定每个所述风力发电站的预测功率向量；
计算每个所述风力发电站的出力相关系数，以及，确定风力发电站的出力相关系数向量；
根据每个所述风力发电站的预测功率向量、出力相关系数和出力相关系数向量，计算每个风力发电站的功率预测修正比例；
根据每个所述风力发电站的功率预测修正比例，确定每个风力发电站的功率修正权重；
根据每个所述风力发电站的功率修正权重，计算风力发电站集合的预测功率。
3.根据权利要求1所述的方法，其特征在于，所述可再生能源包括光伏发电站集合；以及，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
将地区中光伏发电站集合对应的区域划分为m*n个网格，建立云位置矩阵，其中，m和n为正整数；
根据云位置的历史矩阵，确定光伏发电站集合的预测云位置矩阵；
基于预测云位置矩阵和云对光伏发电功率的影响，建立n*m网格云的影响矩阵；
根据所述云位置矩阵和所述影响矩阵，确定所述云对光伏发电功率的预测影响系数；
基于所述预测影响系数，计算光伏发电站集合的预测功率。
4.根据权利要求1所述的方法，其特征在于，所述可再生能源包括小水电站集合；以及，按照下述步骤确定地区内接入的电网断面的可再生能源的预测功率：
根据地区内每个小水电站的额定发电功率、实际发电功率、距离相邻下游小水电站的水流路程和实时发电水流量，建立地区内每个小水电站的描述向量；
根据每个所述小水电站的描述向量建立小水电站集合的描述矩阵，判断小水电站集合的功率变化趋势；
如果所述小水电站集合的功率变化趋势为功率上升，提取描述矩阵中编号小于
Figure 563544DEST_PATH_IMAGE001
的小 水电站的额定发电功率和
Figure 45341DEST_PATH_IMAGE001
号小水电站的实际发电功率中的最小值；输出所述编号小于
Figure 131109DEST_PATH_IMAGE001
的小水电站的发电功率预测值为所述最小值；计算
Figure 890117DEST_PATH_IMAGE002
号小水电站的实时发电水流量变 化为
Figure 363824DEST_PATH_IMAGE003
所需要的时间
Figure 942704DEST_PATH_IMAGE004
；根据
Figure 894480DEST_PATH_IMAGE002
号小水电站时间
Figure 773574DEST_PATH_IMAGE004
后的实时发电水流量与实际发电功率 之间的对应关系，输出
Figure 418182DEST_PATH_IMAGE002
号小水电站时间
Figure 546675DEST_PATH_IMAGE004
后的发电功率预测值，其中，m为正整数，a为大 于m的正整数；
如果所述小水电站集合的功率变化趋势为功率下降，提取描述矩阵中编号小于
Figure 177507DEST_PATH_IMAGE005
的小 水电站的额定发电功率和
Figure 770163DEST_PATH_IMAGE005
号小水电站的实际发电功率中的最小值；输出所述编号小于
Figure 461038DEST_PATH_IMAGE005
的小水电站的发电功率预测值为所述最小值；计算
Figure 404723DEST_PATH_IMAGE006
号小水电站的实时发电水流量变化为
Figure 839247DEST_PATH_IMAGE007
所需要的时间
Figure 286409DEST_PATH_IMAGE008
；根据
Figure 882606DEST_PATH_IMAGE006
号小水电站时间
Figure 313588DEST_PATH_IMAGE008
后的实时发电水流量与实际发电功率之间 的对应关系，输出
Figure 286223DEST_PATH_IMAGE006
号小水电站时间
Figure 119050DEST_PATH_IMAGE008
后的发电功率预测值，其中，n为正整数，b为大于n的 正整数；
如果所述小水电站集合的功率变化趋势为功率不变，确定小水电站集合的预测功率为每个小水电站的额定发电功率之和。
5.根据权利要求4所述的方法，其特征在于，按照下述步骤根据每个所述小水电站的描述向量建立小水电站集合的描述矩阵，判断小水电站集合的功率变化趋势：
计算所述小水电站集合中的实际发电功率小于额定发电功率的小水电站的数量，如果所述数量等于0，确定小水电站集合的功率变化趋势为功率不变；
如果所述数量等于1，在所述小水电站的装机容量不是小水电站集合中最大的情况下，确定小水电站集合的功率变化趋势为功率下降；
如果所述数量大于1，确定实际发电功率最大的小水电站m和实际发电功率最小的小水 电站n，
Figure 682886DEST_PATH_IMAGE001
和
Figure 476530DEST_PATH_IMAGE005
为正整数；
在所述小水电站m的实际发电功率与小水电站n的实际发电功率相等的情况下，确定小水电站集合的功率变化趋势为功率不变；
在所述小水电站m位于小水电站n的下游的情况下，确定小水电站集合的功率变化趋势为功率上升；
在所述小水电站m位于小水电站n的上游的情况下，确定小水电站集合的功率变化趋势为功率下降。
6.根据权利要求1所述的方法，其特征在于，按照下式，在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度：
Figure 377490DEST_PATH_IMAGE009
；
式中，k为实际发电功率的相关度，X、Y分别表示两个集合的发电功率，
Figure 409031DEST_PATH_IMAGE010
、
Figure 409348DEST_PATH_IMAGE011
为两个集 合的日平均功率。
7.根据权利要求1所述的方法，其特征在于，按照下式，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率：
Figure 549342DEST_PATH_IMAGE012
；
式中，C为预测功率准确率，P Fi 为i时段的预测功率，P i 为i时段的实际平均功率，C i 为i时段的开机总容量。
8.根据权利要求1所述的方法，其特征在于，按照下式，根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数：
Figure 129359DEST_PATH_IMAGE013
；
式中，λ为优化修正系数，
Figure 405620DEST_PATH_IMAGE014
为i时段的目标预测功率，P i 为i时段的实际平均功率，k 为实际发电功率的相关度。
9.一种可再生能源高渗透地区电网断面潮流预测装置，其特征在于，包括：
预测功率确定模块，用于确定地区内接入的电网断面的可再生能源的预测功率；其中，所述可再生能源包括风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合；
计算模块，用于在单位时间窗内，计算所述风力发电站集合、光伏发电站集合和小水电站集合的两两之间实际发电功率的相关度，以及，根据所述风力发电站集合、光伏发电站集合和小水电站集合的预测功率，计算相应的预测功率准确率，将所述预测功率准确率进行排序；
确定模块，用于根据排序结果，确定预测功率准确率位列第一对应的集合为最优发电站集合，以及，确定所述最优发电站集合对应的预测功率为目标预测功率；
修正参数计算模块，用于根据所述实际发电功率的相关度和目标预测功率，计算可再生能源中的每个集合的优化修正系数和预测功率修正值，以对风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率进行修正；
潮流预测模块，用于计算修正后的风力发电站集合、光伏发电站集合、小水电站集合、日调节发电站集合和发电站集合的预测功率总和，确定地区电网断面潮流的预测功率。
CN201910089317.XA 2019-01-30 2019-01-30 一种可再生能源高渗透地区电网断面潮流预测方法及装置 Active CN109787237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910089317.XA CN109787237B (zh) 2019-01-30 2019-01-30 一种可再生能源高渗透地区电网断面潮流预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910089317.XA CN109787237B (zh) 2019-01-30 2019-01-30 一种可再生能源高渗透地区电网断面潮流预测方法及装置

Publications (2)

Publication Number Publication Date
CN109787237A CN109787237A (zh) 2019-05-21
CN109787237B true CN109787237B (zh) 2022-06-07

Family

ID=66503776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910089317.XA Active CN109787237B (zh) 2019-01-30 2019-01-30 一种可再生能源高渗透地区电网断面潮流预测方法及装置

Country Status (1)

Country Link
CN (1) CN109787237B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112260283B (zh) * 2020-10-22 2023-08-22 云南电网有限责任公司 一种电力系统输电断面潮流调整方法及装置
CN115117944B (zh) * 2022-08-25 2022-11-29 华能山西综合能源有限责任公司 一种风电光伏联合发电的功率控制方法
US11955782B1 (en) 2022-11-01 2024-04-09 Typhon Technology Solutions (U.S.), Llc System and method for fracturing of underground formations using electric grid power

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107733363A (zh) * 2017-09-30 2018-02-23 国网青海省电力公司 光伏电站数据传输准确率预测方法
CN108053048A (zh) * 2017-11-06 2018-05-18 中国电力科学研究院有限公司 一种单步渐进式光伏电站超短期功率预测方法及系统
WO2018129828A1 (zh) * 2017-01-11 2018-07-19 沃太能源南通有限公司 一种光伏发电预测系统及预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018129828A1 (zh) * 2017-01-11 2018-07-19 沃太能源南通有限公司 一种光伏发电预测系统及预测方法
CN107733363A (zh) * 2017-09-30 2018-02-23 国网青海省电力公司 光伏电站数据传输准确率预测方法
CN108053048A (zh) * 2017-11-06 2018-05-18 中国电力科学研究院有限公司 一种单步渐进式光伏电站超短期功率预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大规模分布式光伏短期集群功率预测综述;张小萌等;《华北电力技术》;20170625(第06期);全文 *

Also Published As

Publication number Publication date
CN109787237A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN109787237B (zh) 一种可再生能源高渗透地区电网断面潮流预测方法及装置
Cococcioni et al. 24-hour-ahead forecasting of energy production in solar PV systems
CN106875033A (zh) 一种基于动态自适应的风电集群功率预测方法
CN106485093B (zh) 基于改进马尔可夫链的太阳辐照度时间序列合成方法
CN112381282B (zh) 基于宽度学习系统的光伏发电功率预测方法
CN111612244B (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN111709569A (zh) 风电场输出功率预测修正方法及装置
CN106251242A (zh) 一种风电出力区间组合预测方法
CN107403015A (zh) 一种基于时间序列相似性的短期光功率预测方法
CN111950900A (zh) 一种电力系统源网荷储本质安全风险评估方法
CN112116171A (zh) 一种新型基于神经网络的光伏发电功率预测方法
Huang et al. A hybrid method for one-day ahead hourly forecasting of PV power output
CN111404193A (zh) 一种基于数据驱动的微电网随机鲁棒优化调度方法
Leholo et al. Solar energy potential forecasting and optimization using artificial neural network: South Africa case study
US20220352714A1 (en) System for estimating renewable energy generation quantity in real-time
CN104346659A (zh) 应用于高倍聚光光伏发电系统的短期发电量预测方法
Li et al. A machine-learning approach for regional photovoltaic power forecasting
CN115765044B (zh) 风光水电系统联合运行及风险分析方法和系统
CN114819382B (zh) 一种基于lstm的光伏功率预测方法
CN116484998A (zh) 基于气象相似日的分布式光伏电站功率预测方法及系统
CN115313527A (zh) 考虑湍流风速波动的风电场有功功率分配方法
CN104850914B (zh) 一种基于特征建模的新能源发电量预测方法
CN114091329A (zh) 基于反距离插值和极限学习机的区域光伏发电量计算方法
Chen et al. Short-term wind power forecasting based on spatial correlation and artificial neural network

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