CN110336333A - 一种区域综合能源系统的场景预测方法 - Google Patents

Abstract

本发明公开了一种区域综合能源系统的场景预测方法，包括对能源及负荷的功率进行预测与统计分析；采用非参数核密度估计方法对能源及负荷出力功率的概率分布进行拟合，并计算概率分布参数；依据概率分布参数对能源及负荷的出力功率场景进行抽样，将抽样生成的随机样本代入各时段能源及负荷出力功率的累积概率分布，得到实际能源及负荷功率场景集；采用粒子群优化算法与K‑均值算法相结合实现对能源及负荷出力功率概率场景集的最优聚类；通过对系统运行场景进行精细化描述，能够快速提炼筛选出关键典型场景，为系统设计和运行提供准确、可靠的决策依据，适用于未来规划及运行。

Description

一种区域综合能源系统的场景预测方法

技术领域

本发明实施例涉及能源系统技术领域，尤其涉及一种区域综合能源系统的场景预测方法。

背景技术

区域综合能源系统作为能源互联网在用户侧重要组成形式和发展模式，直接面向用户，易于实现对用户侧“源”、“荷”、“储”的互联互动，将是能源互联网发展的重要物理载体，对提高综合能源利用效率、消纳可再生能源、保障供能安全可靠及节能减排具有重要意义。

区域综合能源系统的场景预测是其规划设计、运行调度的基础支撑，是保障其安全，经济，可靠运行的首要关键技术。由于区域综合能源系统中包含电源、热源、冷源等多种能量源，以及冷负荷、热负荷、电负荷等多种类型用能负载。并且能源生产侧太阳能、风能及负荷侧冷、热、电负荷等均具有较强的波动性和随机性，导致系统运行场景复杂多样，对区域综合能源系统的设计和运行带来了巨大挑战，而目前区域综合能源系统对场景的选择往往按简单的四季典型场景处理，或者通过经验分布参数进行不确定性的粗略描述，缺乏对区域综合能源系统中能源及负荷不确定场景的深度挖掘和精细化表征，导致据此设计的规划方案对系统未来运行的适应性不足，或使得系统运行调度方案时常被迫需要较大调整，因此亟需合理的区域综合能源系统精细化场景预测和描述方法。

发明内容

为此，本发明实施例提供一种区域综合能源系统的场景预测方法，通过对系统运行场景进行精细化描述，能够快速提炼筛选出关键典型场景，为系统设计和运行提供准确、可靠的决策依据，以解决现有技术中由于区域综合能源系统场景预测分析中多采用经验概率分布或者四季典型场景应用场景，而导致场景描述不精确，难以完全适用于未来规划及运行的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

在本发明的实施方式中，提供了一种区域综合能源系统的场景预测方法，包括如下步骤：

S100、对能源及负荷的功率进行预测与统计分析；

S200、采用非参数核密度估计方法对能源及负荷出力功率的概率分布进行拟合，并计算概率分布参数；

S300、依据概率分布参数对能源及负荷的出力功率场景进行抽样，将抽样生成的随机样本代入各时段能源及负荷出力功率的累积概率分布，得到实际能源及负荷功率场景集；

S400、采用粒子群优化算法与K-均值算法相结合实现对能源及负荷出力功率概率场景集的最优聚类。

本发明实施例的特征还在于，在步骤S100中对能源及负荷的功率进行预测与统计分析的方法包括：

S101、依据区域综合能源系统所在地区的统计气象信息，代入风力发电机以及光伏发电单元的功率特性曲线预测计算风力发电功率、光伏发电功率；

S102、统计计算区域综合能源系统年电负荷功率、年冷负荷功率、年热负荷功率。

本发明实施例的特征还在于，S200中采用非参数核密度估计方法对能源及负荷出力功率的概率分布进行拟合并计算概率分布参数的方法包括：

S201、逐时抽取每天同一时段的可再生能源、电负荷、热负荷、冷负荷数据合并归类；

S202、采用非参数核密度估计方法对各时段的能源及负荷功率数据集进行概率拟合分析，拟合获取各时段的能源及负荷出力功率的概率分布，并计算其概率分布参数。

本发明实施例的特征还在于，S300中所述的实际能源及负荷功率场景集的求解方法包括：

S301、累积概率分布的计算方法为：

F_D(x)＝∫f_D(x)dx

式中，F_D(x)为样本x的累积概率分布函数；

S302、采用拉丁超立方抽样的样本值的计算方法为：

式中，N为抽样场景数量；r_n∈N(0,1)指代[0,1]之间均匀分布的随机数；k代表第k次抽样；为第k次抽样的样本值；

S303、实际能源及负荷功率的求解方法为：

式中，代表对累积概率分布函数求其反函数的值；x_ik即为第k次抽样的实际样本值，即能源及负荷的实际出力功率。

本发明实施例的特征还在于，S400中采用粒子群优化算法与K-均值算法相结合实现对能源及负荷出力功率概率场景集的最优聚类的方法包括：

S401、初始化粒子群优化算法参数，随机生成N个聚类中心，置迭代次数k＝1；

S402、采用K-均值算法进行N个聚类中心的场景聚类分析，并评估各场景与聚类后的N个聚类中心的欧式距离之和；

S403、判断欧式距离之和是否有改进，若有改进，则更新粒子群算法中各粒子的位置与方向，重新生成新的聚类中心个数，转入S402，进入粒子群算法下一次迭代；若无改进，则转入S404；

S404、判断是否达到最大迭代次数，若达到最大迭代次数，则计算结束，转入S405；否则，则转入S402，置k→k+1；

S405、输出最终的聚类中心个数及聚类后的场景集与场景概率。

本发明实施例的特征还在于，S101中所述的：

(1)风力发电机的功率特性曲线为：

式中，P_WT(v)为风力发电机实际发电功率；v为实际风速；v_in、v_n、v_out分别为切入风速、额定风速、切出风速；P_r为风力发电机额定功率；a_wt、b_wt、c_wt为风力发电机风速-功率特性曲线拟合参数，通过风力发电机出厂特性曲线拟合得到；

(2)光伏发电单元的功率特性曲线为：

式中，P_PV(G,T)为光伏发电单元实际发电功率，含下标STC的物理量为标准测试条件下的运行参数；G_STC为标准测试条件下的太阳光照强度，取为1000W/m2；T_STC为标准参考温度，取为25℃；G为实际光照强度；k为功率温度系数；T为太阳能电池组的表面工作温度。

本发明实施例的特征还在于，S201中所述的归类的方法为：

式中，p_pv,k指代光伏发电单元在k时段的发电功率；n为总的预测功率的时段数；M为光伏发电功率数据的预测天数；

S202中所述的非参数核密度估计的方法为在每个样本周围放置一个核函数，具体为：

式中，f_D(x)为样本x最终计算得到的核密度估计分布函数；K()为核函数，可采用高斯核函数；n为总样本量，对于n个样本的集合，则估计的核密度函数则可由n个核函数的总和除以n来近似计算；h为带宽平滑参数。

本发明的实施方式具有如下优点：

本发明克服现有区域综合能源系统场景预测分析中多采用经验概率分布或者四季典型场景应用场景，导致场景描述不精确，难以完全适用于未来规划及运行的缺点问题，本发明的预测方法根据区域综合能源系统所在地区的气象预测信息，经过对能源及负荷的功率预测与统计分析、能源及负荷的出力功率概率分布拟合与分布参数计算、能源及负荷出力功率场景抽样以及能源及负荷出力功率场景的聚类等步骤，对系统运行场景进行精细化描述，快速提炼筛选出关键典型场景，从而为系统设计和运行提供准确、可靠的决策依据，为后续系统规划设计、运行调度等奠定基础，避免传统场景预测方法不精确带来的装机不匹配影响系统可靠运行等问题，有效提高综合能源系统的设计和运行经济性。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明的场景预测方法流程图；

图2为本发明的区域综合能源系统组成结构示意图；

图3为本发明的K-均值算法实施步骤流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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他实施例，都属于本发明保护的范围。

本发明的主要应用对象为区域综合能源系统。该区域综合能源系统包含热力系统、电力系统，热电转换设备等；该综合能源系统中可再生能源如风能、太阳能，负荷如电负荷、热负荷等均具有强随机性和不确定性，导致系统运行场景复杂多样，如何精细化描述系统场景的不确定性，快速提炼筛选出关键典型场景，从而为系统设计和运行提供准确、可靠的决策依据是关键。

如图2所示，该系统包含供电网、供热网、供冷网三个网络，其中供电网的设备包括：可再生能源发电装置：风力发电机、光伏发电，配电网，电储能，三联供微型燃气轮机；供热网的设备包括：热力枢纽站，燃气锅炉，热储能，空气压缩机，三联供微型燃气轮机；供冷网的设备包括：电制冷机组，冰蓄冷系统，三联供微型燃气轮机。该系统中的供电网和供热网分别通过配电变压器、热力枢纽站与外部电网和热管网相连，供电网和供热网之间通过三联供微型燃气轮机、空气压缩机等热电转换设备耦合，供电网和供冷网之间通过电制冷机组等冷电转换设备关联耦合。该系统能同时为负荷提供冷、热、电多种能源的供应。

如图1所示，本发明提供了一种区域综合能源系统的场景预测方法，包括能源及负荷的功率预测与统计分析、能源及负荷的出力功率概率分布拟合与分布参数计算、能源及负荷出力功率场景抽样以及能源及负荷出力功率场景的聚类等步骤。首先依据区域综合能源系统所在地区的统计气象信息，预测区域综合能源系统所在地区的年风力发电功率、年光伏发电功率；同时统计计算区域综合能源系统年电负荷功率、年冷负荷功率、年热负荷功率。最终形成可再生能源及冷、热、电负荷的逐时年预测功率。接着，逐时抽取每天同一时段的可再生能源、电负荷、热负荷、冷负荷数据合并归类，然后采用非参数核密度估计方法对各时段的能源及负荷功率数据集进行概率拟合分析，拟合获取各时段的能源及负荷出力功率的概率分布，并计算其概率分布参数。然后，采用拉丁超立方抽样生成大量[0,1]之间随机数，反带入各能源及负荷的累积概率分布，求解形成对应的实际能源及负荷功率场景集。最后，通过粒子群优化的自适应K-均值算法(k-means)对能源及负荷的出力功率场景集聚类，形成保留原场景特点的特定概率场景。

具体步骤说明如下：

S100、能源及负荷的功率预测与统计分析；

S101、统计区域综合能源系统所在地区的气象预测信息，如年均风速、年均光照、年均温度等数据，代入风力发电机、光伏发电单元等能源单元的功率特性曲线预测计算风力发电功率、光伏发电功率，其中，风力发电机、光伏发电单元的功率特性曲线具体如下：

风力发电机功率特性曲线：

式中：P_WT(v)为风力发电机实际发电功率，v为实际风速，v_in、v_n、v_out分别为切入风速、额定风速、切出风速；P_r为风力发电机额定功率；a_wt、b_wt、c_wt为风力发电机风速-功率特性曲线拟合参数，可通过风力发电机出厂特性曲线拟合得到。

光伏发电单元功率特性曲线：

其中，P_PV(G,T)为光伏发电单元实际发电功率，含下标STC的物理量为标准测试条件下的运行参数，G_STC为标准测试条件下的太阳光照强度，取为1000W/m2；T_STC为标准参考温度，取为25℃；G为实际光照强度，k为功率温度系数，T为太阳能电池组的表面工作温度。

S102、通过预测气象信息代入上述风力发电机、光伏发电单元等能源单元的功率特性曲线，即可预测区域综合能源系统所在地区的年风力发电功率、年光伏发电功率。结合区域综合能源系统所在地区的年平均负荷水平和各分散电负荷、热负荷、冷负荷统计数据，统计计算区域综合能源系统年电负荷功率、年热负荷、年冷负荷功率。最终形成逐时排序的可再生能源及冷、热、电负荷的年功率预测数据。

S200、能源及负荷的出力功率概率分布拟合与分布参数计算；

S201、逐时抽取每天各时段的可再生能源、电负荷、热负荷、冷负荷数据，将每天同一时段的可再生能源、电负荷、热负荷数据合并归类，形成各时段分布在每一天的能源及负荷运行功率数据集合，以光伏发电为例，归类方法如下：

式中，p_pv,k指代光伏发电单元在k时段的发电功率，n为总的预测功率的时段数，M为光伏发电功率数据的预测天数。

S202、采用非参数核密度估计方法对各时段的能源及负荷功率数据集进行概率分布拟合分析，拟合获取各时段的能源及负荷出力功率的概率分布，并计算其概率分布参数。其中非参数核密度估计的方法如下：

如式(4)所示，非参数核密度估计方法通过在每个样本周围放置一个核函数。对于n个样本的集合，则估计的核密度函数则可由n个核函数的总和除以n来近似计算。f_D(x)为样本x最终计算得到的核密度估计分布函数，K()为核函数，可采用高斯核函数。n为总样本量，h为带宽平滑参数。通过代入各时段的能源及负荷功率数据集，即可计算获得各时段的能源及负荷出力功率概率分布及对应分布参数。

S300、能源及负荷出力功率场景抽样；

S301、根据计算得到的各时段能源及负荷出力功率概率分布，积分求解其累积概率分布，计算方法如下：

F_D(x)＝∫f_D(x)dx (5)

式中，F_D(x)为样本x的累积概率分布函数。

S302、结合所需要的抽样场景数量N，采用拉丁超立方抽样生成满足抽样场景数量的随机样本。

式中，r_n∈N(0,1)指代[0,1]之间均匀分布的随机数，k代表第k次抽样，为第k次抽样的样本值。

S303、将抽样生成的大量随机样本反带入各能源及负荷的累积概率分布，求解满足该概率分布下的实际能源及负荷功率，最终形成对应的实际能源及负荷功率场景。

式中，代表对累积概率分布函数求其反函数的值，x_ik即为第k次抽样的实际样本值，即能源及负荷的实际出力功率。抽样完成后，将各能源及负荷在各时段的抽样值组合即可形成最终的能源及负荷出力功率场景集。

S400、能源及负荷出力功率场景集的聚类

采用粒子群优化算法与k-means聚类相结合实现对能源及负荷出力功率概率场景集的最优聚类。首先通过粒子群优化算法随机生成可选的聚类中心个数，然后采用k-means聚类方法对该给定的聚类中心个数进行聚类分析与评价，并评估其中各场景与聚类中心的欧式距离之和，而后再返回到粒子群算法进行判断，若目标值有改进，则转入下一次迭代，通过交替迭代的方式求解，直至获取最优聚类中心个数及最优聚类场景集。

整体求解步骤如图3所示，具体描述如下：

S401、初始化粒子群优化算法参数，随机生成N个聚类中心，置迭代次数k＝1；

S402、采用k-means方法进行N个聚类中心的场景聚类分析，并评估各场景与聚类后的N个聚类中心的欧式距离之和；

S403、判断欧式距离之和是否有改进，若有改进，则更新粒子群算法中各粒子的位置与方向，重新生成新的聚类中心个数，转入S402，进入粒子群算法下一次迭代。若无改进，则转入S404；

S404、判断是否达到最大迭代次数，若达到最大迭代次数，则计算结束，转入S405；否则，则转入S402，置k→k+1；

S405、输出最终的聚类中心个数及聚类后的场景集与场景概率。

本发明克服现有区域综合能源系统场景预测分析中多采用经验概率分布或者四季典型场景应用场景，导致场景描述不精确，难以完全适用于未来规划及运行的缺点问题，本发明的预测方法根据区域综合能源系统所在地区的气象预测信息，经过对能源及负荷的功率预测与统计分析、能源及负荷的出力功率概率分布拟合与分布参数计算、能源及负荷出力功率场景抽样以及能源及负荷出力功率场景的聚类等步骤，对场景预测方法进行精确的推算，为后续系统规划设计、运行调度等奠定基础，有效提高了系统运行调度方案的灵活性，避免传统场景预测方法不精确带来的装机不匹配影响系统可靠运行等问题，从而提高综合能源系统的设计和运行经济性。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.一种区域综合能源系统的场景预测方法，其特征在于，包括如下步骤：

S100、对能源及负荷的功率进行预测与统计分析；

S200、采用非参数核密度估计方法对能源及负荷出力功率的概率分布进行拟合，并计算概率分布参数；

S300、依据概率分布参数对能源及负荷的出力功率场景进行抽样，将抽样生成的随机样本代入各时段能源及负荷出力功率的累积概率分布，得到实际能源及负荷功率场景集；

S400、采用粒子群优化算法与K-均值算法相结合实现对能源及负荷出力功率概率场景集的最优聚类。

2.根据权利要求1所述的一种区域综合能源系统的场景预测方法，其特征在于，在步骤S100中对能源及负荷的功率进行预测与统计分析的方法包括：

S101、依据区域综合能源系统所在地区的统计气象信息，代入风力发电机以及光伏发电单元的功率特性曲线预测计算风力发电功率、光伏发电功率；

S102、统计计算区域综合能源系统年电负荷功率、年冷负荷功率、年热负荷功率。

3.根据权利要求1所述的一种区域综合能源系统的场景预测方法，其特征在于，S200中采用非参数核密度估计方法对能源及负荷出力功率的概率分布进行拟合并计算概率分布参数的方法包括：

S201、逐时抽取每天同一时段的可再生能源、电负荷、热负荷、冷负荷数据合并归类；

S202、采用非参数核密度估计方法对各时段的能源及负荷功率数据集进行概率拟合分析，拟合获取各时段的能源及负荷出力功率的概率分布，并计算其概率分布参数。

4.根据权利要求1所述的一种区域综合能源系统的场景预测方法，其特征在于，S300中所述的实际能源及负荷功率场景集的求解方法包括：

S301、累积概率分布的计算方法为：

F_D(x)＝∫f_D(x)dx

式中，F_D(x)为样本x的累积概率分布函数；

S302、采用拉丁超立方抽样的样本值的计算方法为：

式中，N为抽样场景数量；r_n∈N(0,1)指代[0,1]之间均匀分布的随机数；k代表第k次抽样；为第k次抽样的样本值；

S303、实际能源及负荷功率的求解方法为：

式中，代表对累积概率分布函数求其反函数的值；x_ik即为第k次抽样的实际样本值，即能源及负荷的实际出力功率。

5.根据权利要求1所述的一种区域综合能源系统的场景预测方法，其特征在于，S400中采用粒子群优化算法与K-均值算法相结合实现对能源及负荷出力功率概率场景集的最优聚类的方法包括：

S401、初始化粒子群优化算法参数，随机生成N个聚类中心，置迭代次数k＝1；

S402、采用K-均值算法进行N个聚类中心的场景聚类分析，并评估各场景与聚类后的N个聚类中心的欧式距离之和；

S403、判断欧式距离之和是否有改进，若有改进，则更新粒子群算法中各粒子的位置与方向，重新生成新的聚类中心个数，转入S402，进入粒子群算法下一次迭代；若无改进，则转入S404；

S404、判断是否达到最大迭代次数，若达到最大迭代次数，则计算结束，转入S405；否则，则转入S402，置k→k+1；

S405、输出最终的聚类中心个数及聚类后的场景集与场景概率。

6.根据权利要求2所述的一种区域综合能源系统的场景预测方法，其特征在于，S101中所述的：

(1)风力发电机的功率特性曲线为：

式中，P_WT(v)为风力发电机实际发电功率；v为实际风速；v_in、v_n、v_out分别为切入风速、额定风速、切出风速；P_r为风力发电机额定功率；a_wt、b_wt、c_wt为风力发电机风速-功率特性曲线拟合参数，通过风力发电机出厂特性曲线拟合得到；

(2)光伏发电单元的功率特性曲线为：

式中，P_PV(G,T)为光伏发电单元实际发电功率，含下标STC的物理量为标准测试条件下的运行参数；G_STC为标准测试条件下的太阳光照强度，取为1000W/m2；T_STC为标准参考温度，取为25℃；G为实际光照强度；k为功率温度系数；T为太阳能电池组的表面工作温度。

7.根据权利要求3所述的一种区域综合能源系统的场景预测方法，其特征在于，S201中所述的归类的方法为：

式中，p_pv,k指代光伏发电单元在k时段的发电功率；n为总的预测功率的时段数；M为光伏发电功率数据的预测天数；

S202中所述的非参数核密度估计的方法为在每个样本周围放置一个核函数，具体为：

式中，f_D(x)为样本x最终计算得到的核密度估计分布函数；K()为核函数，可采用高斯核函数；n为总样本量，对于n个样本的集合，则估计的核密度函数则可由n个核函数的总和除以n来近似计算；h为带宽平滑参数。