CN110889779A - 多风电场出力的典型场景模型构建方法和机组恢复方法 - Google Patents

多风电场出力的典型场景模型构建方法和机组恢复方法 Download PDF

Info

Publication number
CN110889779A
CN110889779A CN201911223259.1A CN201911223259A CN110889779A CN 110889779 A CN110889779 A CN 110889779A CN 201911223259 A CN201911223259 A CN 201911223259A CN 110889779 A CN110889779 A CN 110889779A
Authority
CN
China
Prior art keywords
wind
wind power
wind speed
output
recovered
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.)
Granted
Application number
CN201911223259.1A
Other languages
English (en)
Other versions
CN110889779B (zh
Inventor
刘艳
周宜昌
顾雪平
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201911223259.1A priority Critical patent/CN110889779B/zh
Publication of CN110889779A publication Critical patent/CN110889779A/zh
Application granted granted Critical
Publication of CN110889779B publication Critical patent/CN110889779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Wind Motors (AREA)

Abstract

本发明实施例公开了一种多风电场出力的典型场景模型构建方法和机组恢复方法，该模型构建方法包括：根据各风电场的风速预测数据从历史风速数据中筛选相似度高的历史出力时段；根据各风电场的历史出力时段计算各风电场的风速预测误差区间值及风速预测误差总和区间值；然后计算多个风电场的空间集群系数；根据多个风电场的空间集群系数确定风速场景集合并进行场景消减得到多个风电场出力的典型风速场景。本发明的技术方案通过考虑多风场空间集群效应，使恢复过程中对风电出力的建模更加贴合实际，并且通过考虑规模风电并与火电协调配合，统筹使用启动功率，能够在保证恢复安全的前提下，有效加快系统恢复速度，实现恢复效益最大化等。

Description

多风电场出力的典型场景模型构建方法和机组恢复方法
技术领域
本发明涉及电力机组恢复技术领域，尤其涉及一种多风电场出力的典型场景模型构建方法和机组恢复方法。
背景技术
大停电后的系统恢复一般要经历黑启动、网架重构和负荷恢复三个阶段。机组恢复指在网架重构阶段，利用黑启动电源有限的启动功率按照一定的优先次序恢复系统中不具备黑启动能力的骨干机组的出力，为后续全面的负荷恢复奠定基础。
目前已有的机组恢复系统主要以火电机组为主要恢复目标。然而，从目前针对风电参与系统恢复过程的网架重构阶段的研究来看，尚未计及规模风电场空间集群效应对系统恢复过程的影响。同时，对网架重构过程如何安全有效地利用规模风电还缺乏深入研究。
发明内容
有鉴于此，本发明实施例提出一种多风电场出力的典型场景模型构建方法和机组恢复方法，通过考虑多风场空间集群效应，使恢复过程中对风电出力的建模更加贴合实际，并且通过考虑规模风电并与火电协调配合，可有效加快系统恢复速度等。
本发明的一实施方式公开一种多风电场出力的典型场景模型构建方法，包括：
根据多个风电场中每一风电场在预设时段内的风速预测数据从对应风电场的预存历史风速数据中筛选相似度高于预设数值的历史出力相似时段；
根据各风电场在所述历史出力相似时段内的历史实际风速数据与历史预测风速数据分别计算对应预设置信水平下各风电场的风速预测误差区间值，并计算同一置信水平下所有风电场的风速预测误差总和区间值；
根据各风电场的风速预测误差区间值和所述风速预测误差总和区间值计算所述多个风电场的空间集群系数；
基于多个风电场的出力公式根据所述多个风电场的空间集群系数确定所述多个风电场的风速场景集合，并对所述风速场景集合进行场景消减得到所述多个风电场出力的典型风速场景。
进一步地，在上述的多风电场出力的典型场景模型构建方法中，所述多个风电场出力的典型风速场景为{P1 W,P2 W,…,Ps W}，其中，s为典型场景个数；每一典型场景的多个风电场的出力公式为：
Figure BDA0002301436530000021
Figure BDA0002301436530000022
其中，n为风电场的个数；pjt为第j个风电场在第t时段内的实际出力；vjt为第j个风电场在第t时段内的实际风速；Paj为第j个风电场的并网容量；
Figure BDA0002301436530000023
为第j个风电场在第t时段内的预测风速；τjt为第j个风电场在第t时段内的预测误差修正系数；
Figure BDA0002301436530000024
为第j个风电场的风速预测误差区间值；
Figure BDA0002301436530000025
为所有风电场的风速预测误差总和区间值；Γs为空间集群系数；Pwj为第j个风电场满足的单一风电场的出力函数；vw为风机轮毂高度处的风速；vcj为切入风速；vco为切出风速；vr为额定风速。
本发明的另一实施方式公开一种机组恢复方法，包括：
利用上述的多风电场出力的典型场景模型构建方法构建的模型得到待恢复网络中多个风电场出力的典型风速场景；
基于所述多个风电场出力的典型风速场景和所述待恢复网络的系统参数确定当前时步下所述待恢复网络的初始目标集，所述初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷；
基于所述待恢复网络的初始目标集以风电机组和火电机组的净收益之和最大为目标确定当前时步下所述待恢复网络的机组恢复顺序和实际风电接入量。
进一步地，在上述的机组恢复方法中，根据所述确定的当前时步下的所述机组恢复顺序和所述实际风电接入量执行恢复，然后更新所述待恢复网络的系统参数；
基于所述多个风电场出力的典型风速场景和更新后的系统参数确定下一时步下所述待恢复网络的下一初始目标集，所述下一初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷；
基于所述下一初始目标集以风电机组和火电机组的净收益之和最大为目标确定下一时步下所述待恢复网络的下一机组恢复顺序和下一实际风电接入量，直到所述待恢复网络全部恢复完成。
进一步地，在上述的机组恢复方法中，所述基于所述多个风电场出力的典型风速场景和所述待恢复网络的系统参数确定当前时步所述待恢复网络的初始目标集，包括：
根据所述待恢复网络的启动功率确定当前时步下的可恢复区域；
基于所述多个风电场出力的典型风速场景构建多风电场黑启动价值评价函数，并以多风电场黑启动价值最大为目标从所述可恢复区域中确定所述待恢复网络的风电最佳接入容量；
以最大发电量为目标从所述可恢复区域中确定所述待恢复网络的待启动火电机组；
以停电损失最小为目标从所述可恢复区域中确定所述待恢复网络的待恢复一类负荷。
进一步地，在上述的机组恢复方法中，确定当前时步下所述待恢复网络的初始目标集时，所述方法还包括：
根据基于动态可恢复节点重要度的恢复路径评价方法分别确定待恢复的风电机组、所述待启动火电机组和所述待恢复一类负荷各自对应的具体恢复路径。
进一步地，在上述的机组恢复方法中，所述多风电场黑启动价值评价函数的表达式为：
Figure BDA0002301436530000031
其中，n为风电场的个数；Pa为所有风电场的并网容量向量；W为第t时步内并网容量向量为Pa的多风电场黑启动价值；s为典型场景个数；hi为第i个场景的场景概率；T为第t时步内的及时因子；Mi为第t时步内并网容量向量为Pa的多风电场的第i个场景的质量因子；
Figure BDA0002301436530000041
为第i个场景的第j个风电场的期望出力，满足以下约束公式：
Figure BDA0002301436530000042
其中，PWi,j,t为第i个场景的第j个风电场在第t时步内的实际有功功率输出值；ΔPGup,t为第t时步内NG台并网出力火电机组的总上调备用容量；ΔPGupk,t、PGmax,k和PGk,t-1依次为第k台火电机组在第t时步内的上调备用容量、额定最大出力和第t-1时步的初始出力；rk为第k台火电机组的爬坡速率；Δt为第t时步的时长。
进一步地，在上述的机组恢复方法中，所述最大发电量的函数表达式为：
Figure BDA0002301436530000043
其中，nGF为待恢复火电机组的个数；
Figure BDA0002301436530000044
为预估恢复总时长；l为机组恢复时所在时步；ci为0或1，1表示第i台火电机组参与机组恢复，0表示第i台火电机组未参与机组恢复；PGi为第i台火电机组在第t时步内的输出功率，表达式如下：
Figure BDA0002301436530000045
其中，T’Si和T”Si分别为火电机组并网的时刻和达到额定最大出力PGFmax,i的时刻。
进一步地，在上述的机组恢复方法中，所述停电损失根据需要优先恢复的负荷量确定，所述需要优先恢复的负荷量的函数表达式为：
Figure BDA0002301436530000046
其中，nL为待恢复一类负荷的个数；α(t)为第t时步内的一类负荷损失费用；
Figure BDA0002301436530000047
为当前时步参与恢复的一类负荷节点重要度平均值；Ptotal为待恢复一类负荷的失负荷总量；
Figure BDA0002301436530000051
为当前时步参与恢复的一类负荷总量；ci为0或1，1表示第j个一类负荷PLj得到恢复，0表示第j个一类负荷PLj未得到恢复。
本发明的再一个实施方式公开机组恢复装置，包括：多风电场出力典型场景构建模块、初始目标集确定模块和恢复顺序及风电接入量确定模块；
所述多风电场出力典型场景构建模块用于得到待恢复网络中多个风电场出力的典型风速场景，所述多风电场出力典型场景构建模块包括历史出力相似时段筛选子模块、风速预测误差区间计算子模块、空间集群系数计算子模块和典型风速场景输出子模块；
所述历史出力相似时段筛选子模块，用于根据待恢复网络中多个风电场每一风电场在待恢复时段内的风速预测数据从对应风电场的预存历史风速数据中筛选相似度高于预设数值的历史出力时段；
所述风速预测误差区间计算子模块，用于根据各风电场的历史出力时段分别计算同一预设置信水平下各风电场的风速预测误差区间值，并计算所有风电场的风速预测误差总和区间值；
所述空间集群系数计算子模块，用于根据各风电场的风速预测误差区间值和所述风速预测误差总和区间值计算所述多个风电场的空间集群系数；
所述典型风速场景输出子模块，用于基于多个风电场出力公式根据所述多个风电场的空间集群系数确定所述多个风电场的风速场景集合，并对所述风速场景集合进行场景消减得到所述多个风电场出力的典型风速场景；
所述初始目标集确定模块，用于基于所述多个风电场出力的典型风速场景和所述待恢复网络的系统参数确定当前时步下所述待恢复网络的初始目标集，所述初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷；
所述恢复顺序及风电接入量确定模块，用于基于所述待恢复网络的初始目标集以风电机组和火电机组的净收益之和最大为目标确定当前时步下所述待恢复网络的机组恢复顺序和实际风电接入量。
本发明的又一个实施方式提供一种终端，所述终端包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以实施上述的多风电场出力的典型场景模型构建方法或机组恢复方法。
本发明的再一个实施方式提供一种计算机存储介质，其存储有计算机程序，在所述计算机程序被执行时，实施根据上述的多风电场出力的典型场景模型构建方法或机组恢复方法。
本发明的技术方案通过构建考虑空间集群效应的多风电场出力典型风速场景并将其用于对系统机组的恢复，一方面使得恢复过程中对风电出力的建模更加贴合实际，另一方面通过考虑规模风电并与火电协调配合，统筹使用启动功率，能够在保证恢复安全的前提下，有效加快系统恢复速度，实现恢复效益最大化等。
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，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例的多风电场出力的典型场景模型构建方法的流程示意图；
图2示出了本发明实施例的机组恢复方法的第一流程示意图；
图3示出了本发明实施例的机组恢复方法的初始目标集确定的流程示意图；
图4示出了本发明实施例的机组恢复方法的第二流程示意图；
图5示出了本发明实施例的多风电场出力的典型场景模型构建装置的结构示意图；
图6示出了本发明实施例的机组恢复装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
请参照图1，本实施例提出一种多风电场出力的典型场景模型构建方法，可应用于规模风电电力系统的机组恢复，通过考虑多风电场的空间群集效应，计及多风电场黑启动的价值对系统机组恢复的影响，使得恢复过程中对风电出力的建模更加贴合实际，进而可充分利用该空间群集效应的影响来加快系统恢复速度及增加恢复效益等。
下面对该多风电场出力的典型场景模型构建方法进行详细说明。
步骤S110，根据多个风电场中每一风电场在预设时段内的风速预测数据从对应风电场的预存历史风速数据中筛选相似度高于预设数值的历史出力相似时段。
其中，各风电场预存的历史风速数据包括历史预测风速数据及历史实际风速数据等。示范性地，对于每一风电场，可根据其对应季节或月份的历史预测风速数据作相关性分析，从中筛选出相关性较强(即相似度较高)的风速时段作为该风电场的历史出力相似时段。例如，该预设数值可取值为80％～95％等。
步骤S120，根据各风电场在历史出力相似时段内的实际风速数据与历史预测风速数据分别计算对应预设置信水平下各风电场的风速预测误差区间值，并计算同一置信水平下所有风电场的风速预测误差总和区间值。
示范性地，通过计算每一风电场在该历史出力相似时段的历史风速预测误差，并求解在预设置信水平下该风电场的风速预测误差区间值。然后，求解所有风电场的历史风速误差总和，并求解在同一置信水平下所有风电场的风速预测误差总和区间值。
例如，以一风电场为例，在筛选出相似度较高的历史出力相似时段后，根据该历史相似时段的历史实际风速数据计算出该风电场的风速预测误差，然后可对该风速预测误差样本进行分析得到误差概率分布曲线，进而可求取一定置信水平对应的风速误差，并将其作为风速预测误差边界，即对应上述的风速预测误差区间值。
步骤S130，根据各风电场的风速预测误差区间值和所述风速预测误差总和区间值计算所述多个风电场的空间集群系数。
示范性地，若待恢复网络中包含n个风电场，第j个风电场的风速预测误差区间值为
Figure BDA0002301436530000081
所有风电场的风速预测误差总和区间值为
Figure BDA0002301436530000082
可根据如下公式(1)求解该多个风电场的空间集群系数Γs，即
Figure BDA0002301436530000083
步骤S140，基于多个风电场出力公式根据所述多个风电场的空间集群系数确定所述多个风电场的风速场景集合，并对所述风速场景集合进行场景消减得到所述多个风电场出力的典型风速场景。
为有效利用风电出力，本实施例将先确定多个风电场出力的典型场景。其中，对于单个风电场而言，单一风电场的出力与风速的关系可用以下公式(2)来表示：
Figure BDA0002301436530000084
其中，Pwj表示单一风电场出力函数，通过该出力函数可计算第j个风电场的出力；vw为该第j个风电场风机轮毂高度处的风速；vcj为切入风速；vco为切出风速；vr为额定风速；Paj为该第j个风电场的并网容量。
对风电场群而言，基本不会出现由于无风而使电网内风电机组同时停运或同时满发的情况，而风电功率的波动随空间分布尺度的增大也趋于缓和。考虑到大规模风电场集群会表现出一定的空间集群效应，将进一步确定考虑空间集群效应的多风电场出力典型场景。
示范性地，基于上述单一风电场的出力函数，若恢复网络中n个风电场的出力集合为PW，则该n个风电场的出力可用以下公式(3)表示：
Figure BDA0002301436530000091
其中，pjt为第j个风电场在第t时段的实际出力；vjt为第j个风电场在第t时段的实际风速；Paj为第j个风电场的并网容量；
Figure BDA0002301436530000092
为第j个风电场在第t时段的预测风速；τjt为第j个风电场在第t时段的预测误差修正系数；
Figure BDA0002301436530000093
为第j个风电场的风速预测误差区间值；
Figure BDA0002301436530000094
为所有风电场的风速预测误差总和区间值；Γs为空间集群系数；符号
Figure BDA0002301436530000095
为全称量词，表示每一个。
考虑到空间集群效应，在特定时段所有风电场的风速预测误差不太可能同时达到上界或下界，故引入第j个风电场在第t时段的预测误差修正系数τjt。于是将上述步骤S130及之前步骤求出的各项参数代入上述公式(3)可求解出考虑空间集群效应的多个风电场的风速场景集合vjt，重复上述代入步骤可获得该多个风电场的m个随机风速场景集合{vjt1,vjt2,…,vjtm}。进一步优选地，可采用场景消除方法将获得的m个随机场景优化消减为s个典型场景。此外，还将获取这s个典型场景各自的场景概率。例如，该场景消除方法具体可如基于同步回带消除法等实现。
于是，该多个风电场出力的典型风速场景为{P1 W,P2 W,…,Ps W}，其中，s为典型场景个数。可以理解，对于各个典型场景的多个风电场的出力PW，其出力公式满足上述公式(3)。
本实施例先通过利用多个风电场的历史风速数据来得到多个风电场的历史风速预测误差区间值，进而求解所有风电场的空间集群系数。然后再确定考虑空间集群效应的多个风电场出力的典型风速场景以方便后续进一步利用风电场出力。本实施例提出的构建多风电场出力典型场景模型方法将空间集群效应定量化，可精确预测多个风电场出力，并合理计及空间集群效应，这为恢复过程中有效使用规模风电场提供了较好的基础等。
实施例2
请参照图2，本实施例提出一种机组恢复方法，应用于对电力系统的停电恢复，通过考虑多风电场的空间集群效应对系统恢复的影响，使得对电力系统的机组恢复的模拟分析更贴合实际，而且在实际应用过程中，通过考虑规模风电并将其与火电进行协调配合，可实现在保证恢复安全的前提下，加快系统恢复速度，实现恢复效益最大化等。
如图2所示，下面对该机组恢复方法进行详细说明。
步骤S210，利用多风电场出力的典型场景模型得到待恢复网络中多个风电场出力的典型风速场景。
其中，该待恢复网络是指待恢复的电力系统，该电力系统通常包括多个风电机组、多个火电机组及各级负荷等。在上述步骤S210中，该多风电场出力的典型场景模型可采用上述实施例1的多风电场出力的典型场景模型构建方法进行构建得到，于是利用该模型可得到待恢复网络中的多个风电场出力的典型风速场景。具体获取过程可参见上述实施例1的各步骤，故在此不再重复描述。
步骤S220，基于多个风电场出力的典型风速场景和该待恢复网络的系统参数确定当前时步下该待恢复网络的初始目标集，所述初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷。
含大规模风电场的电力系统网架重构阶段需要恢复的目标可分为三类，即火电机组、风电机组和一级负荷(即重要负荷)。由于网架重构阶段系统可用的启动功率有限，本实施例将确定该待恢复网络的初始目标集，并进一步从该初始目标集中求解当前时步下含风电场的最佳机组恢复组合。其中，上述的系统参数可包括但不限于启动功率、风电场(又称风电机组)的个数、火电机组的个数及总负荷数量等。
可以理解，初始目标集是指针对某一重构时步，根据可用启动功率，以单独启动风电机组、火电机组或重要负荷为目标所获收益最大，优化求得的风电可接入容量、待启动火电机组和优先恢复的重要负荷的组合。
对于上述步骤S220，如图3所示，主要包括以下几个子步骤：
子步骤S221，根据该待恢复网络的启动功率确定当前时步下的可恢复区域。
其中，对于待恢复网络的系统恢复，需要一定的恢复时间即恢复总时长，而这些恢复目标将划分成若干个时步依次进行的，故将确定在每一时步下该待恢复网络的风电最佳接入容量、待启动火电机组和待恢复一类负荷。
子步骤S222，基于多个风电场出力的典型风速场景构建多风电场黑启动价值评价函数，并以多风电场黑启动价值最大为目标从该可恢复区域中确定该待恢复网络的风电最佳接入容量。
本实施例将对多风电场黑启动的价值进行量化计算。示范性地，该多风电场黑启动价值评价函数的表达式(4)为：
Figure BDA0002301436530000111
其中，n为风电场的个数；Pa为所有风电场的并网容量向量；W为第t时步内并网容量向量为Pa的多风电场黑启动价值；s为典型场景个数；hi为第i个场景的场景概率；T(t)为第t时步内的及时因子；Mi(t,Pa)为第t时步内并网容量向量为Pa的多风电场的第i个场景的质量因子；
Figure BDA0002301436530000112
为第i个场景的第j个风电场的期望出力。
Figure BDA0002301436530000113
为第i个场景的第j个风电场的期望出力，其满足以下约束公式(5)：
Figure BDA0002301436530000114
其中，PWi,j,t为第i个场景的第j个风电场在第t时步内的实际有功功率输出值；ΔPGup,t为第t时步内NG台并网出力火电机组的总上调备用容量；ΔPGupk,t、PGmax,k和PGk,t-1依次为第k台火电机组在第t时步内的上调备用容量、额定最大出力和第t-1时步的初始出力；rk为第k台火电机组的爬坡速率；Δt为第t时步的时长。
为客观度量风电场接入时的所在时步对风电场黑启动价值的影响，定义风电场的黑启动价值的及时因子T为：
Figure BDA0002301436530000115
其中，L(t)为停电损失函数，是t的单调递增函数，tmax是风电场的最迟接入时刻。关于L(t)可通过调查统计及停电损失曲线拟合获得。而质量因子
Figure BDA0002301436530000116
其中，Δfmax和ΔVmax分别为接入Pa容量的风电场之后，风电波动引起的最大系统频率偏差和最大系统电压偏差；g和h分别代表频率和电压质量的分段线性函数，其两者的值域均为[-1，1]，具体可参考现有文献得到；w为预设权重系数，代表电压质量相比于频率质量的重要程度。
于是，如果将某一时步的启动功率全部用作风电机组的上调旋转备用，那么使该时步内多风电场的黑启动价值W最大的Pa即为该时步对应的风电最佳接入容量。
子步骤S223，以最大发电量为目标从该可恢复区域中确定该待恢复网络的待启动火电机组。
对于待启动火电机组，可以重构恢复时步内获得最大发电量为优化目标进行确定。
本实施例中，该最大发电量的函数表达式(6)为：
Figure BDA0002301436530000121
其中，nGF为待恢复火电机组的个数；
Figure BDA0002301436530000122
为预估的恢复总时长；l为火电机组恢复时所在时步，例如，当l＝2，则表示在第2个时步内机组得到恢复；ci为0或1，1表示第i台火电机组参与机组恢复，0表示第i台火电机组未参与机组恢复；PGi为第i台火电机组在第t时步的输出功率，表达式(7)如下：
Figure BDA0002301436530000123
其中，T’Si和T”Si分别为机组并网的时刻和达到额定最大出力PGF max,i的时刻。
在恢复过程中，火电机组需根据缸温选择热启动或者冷启动方式，因此，其厂用电恢复时间TSi还需要满足以下约束条件：0<TSi<TCH.i，Tsi>TCC.i。其中，TCH,i为机组的最大热启动时限，TCC,i为机组的最小冷启动时限。
子步骤S224，以停电损失最小为目标从该可恢复区域中确定该待恢复网络的待恢复一类负荷。
其中，停电损失以损失费用计算，并根据需要优先恢复的负荷量确定。本实施例中，需要优先恢复的负荷量的函数表达式(8)为：
Figure BDA0002301436530000124
其中，nL为待恢复一类负荷的个数；α(t)为第t时步内的一类负荷损失费用；
Figure BDA0002301436530000125
为当前时步参与恢复的一类负荷节点重要度平均值；Ptotal为待恢复一类负荷的失负荷总量；
Figure BDA0002301436530000131
为当前时步参与恢复的一类负荷总量；ci为0或1，1表示第j个一类负荷PLj得到恢复，0表示第j个一类负荷PLj未得到恢复。
本实施例中，优选地，在确定当前时步下该待恢复网络的初始目标集时，该机组恢复方法将根据动态可恢复节点重要度的恢复路径评价方法分别确定待恢复的风电机组、待启动火电机组和待恢复一类负荷各自对应的具体恢复路径。对于动态可恢复节点重要度，其定义如下公式(9)：
Figure BDA0002301436530000132
其中，seq为已恢复带电区域对应的等效电源点；Rtemp为可恢复区域，可根据seq中已出力机组的进相调节能力和待恢复线路的充电无功水平定量确定；ntemp,d为初始目标集中恢复目标的个数；pi(seq,dj,Rtemp)表示在Rtemp中，由seq恢复第j个恢复目标dj时，选择节点i的概率，可以理解为节点i在恢复目标时的重要程度，其满足以下公式(10)：
Figure BDA0002301436530000133
其中，nr表示在Rtemp中由seq恢复第j个恢复目标dj的路径条数；bir为0或1，1表示第r条路径经过节点i，0表示第r条路径未经过节点i；nrv,r为第r条路径所包含的节点数；pr表示第r条路径被选中的概率。一条路径是一系列首尾相连的支路eij的集合，aij为Rtemp的网络邻接矩阵元素；qij为支路eij的充电无功；
Figure BDA0002301436530000134
表示在Rtemp中支路eij的被选概率，具体为支路eij的权值
Figure BDA0002301436530000141
和与节点i相关联的所有支路路径权值总和
Figure BDA0002301436530000142
之比；Etemp和Vtemp分别表示可恢复支路集和可恢复节点集。
于是，以动态可恢复节点重要度为基础，将对恢复路径进行评价，该恢复路径评价指标τr，满足如下公式(11)：
Figure BDA0002301436530000143
其中，τr,q表示路径充电无功；τr,β表示路径平均动态可恢复节点重要度；w为预设权重系数。
步骤S230，基于该待恢复网络的初始目标集以风电机组和火电机组的净收益之和最大为目标确定当前时步下该待恢复网络的机组恢复顺序和实际风电接入量。
在确定了当前时步下该待恢复网络的初始目标集后，将以机组启动的综合净收益最大为目标进行机组恢复顺序的优化，并确定需要接入的实际风电接入量。示范性地，在待恢复机组为火电与风电的情况下，机组启动的综合净收益函数定义如公式(12)所示：F＝fG+fW，其中，fG、fW分别代表启动火电和风电的净收益，具体如下：
Figure BDA0002301436530000144
其中，Pi0为火电机组所需的启动功率；PW,t为第t时步内的风电场有功出力总量，可根据多个风场出力的典型风速场景求解得到。
进一步地，网架重构某一时步的启动功率Pcost与火电机组的启动功率Pi0、为风电预留旋转备用容量ΔPGup,t和当前时步下的恢复负荷量PLj应满足如下约束：
Figure BDA0002301436530000145
进一步地，网架重构时步的恢复操作还应满足：
Figure BDA0002301436530000151
其中，PGi为已恢复的NG台火电机组；PWj为已恢复的NW台风电机组的有功出力；PLk为已恢复的NL个负荷有功功率；Plm为已恢复Nl条线路的有功损耗；f为系统频率；fmin和fmax分别为系统允许的最小频率值和最大频率值，Vn为节点电压幅值，Vn min和Vn max分别为系统允许的最小节点电压幅值和最大节点电压幅值；PGi min和PGi max分别为允许的第i个机组有功功率的最小值和最大值；QGi min和QGi max分别为允许的第i个机组无功功率的最小值和最大值。
基于风电机组和火电机组的净收益之和最大人机组恢复顺序可以通过上述公式进行联立求解得到。于是，当求解出最大综合收净收益maxF时，此时通过对应的fW，即可求解出在当前时步下需要接入的实际风电接入量，并可确定当前时步下该待恢复网络的机组恢复顺序，然后系统将根据可用启动功率按照该当前时步对应的顺序恢复对应的风电机组、火电机组和/或一级负荷。
进一步地，如图4所示，本实施例的机组恢复方法还包括：
步骤S240，按照上述确定的当前时步下的机组恢复顺序和实际风电接入量执行恢复后，更新该待恢复网络的系统参数。
步骤S250，基于所述多个风电场出力的典型风速场景和更新后的系统参数确定下一时步下所述待恢复网络的下一初始目标集，所述下一初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷。
步骤S260，基于所述下一初始目标集以风电机组和火电机组的净收益之和最大为目标确定下一时步下所述待恢复网络的下一机组恢复顺序和和下一实际风电接入量，直到所述待恢复网络全部恢复完成。
对于上述步骤S240-S260，在执行完当前时步的恢复策略后，将刷新系统恢复的各项参数，然后重复上述步骤S220-S230以对下一时步进行机组恢复顺序及实际风电接入量的确定，直到该待恢复网络中的待恢复目标全部成功恢复。
本实施例通过构建多风电场出力典型场景模型方法将空间集群效应定量化，可精确预测多个风电场出力，并通过考虑多风电场的空间集群效应对系统恢复的影响，使得对电力系统的机组恢复的模拟分析更贴合实际，而且在实际应用过程中，通过考虑规模风电并将其与火电进行协调配合，可实现在保证恢复安全的前提下，加快系统恢复速度，实现恢复效益最大化等。
实施例3
请参照图5，基于上述实施例1的多风电场出力的典型场景模型构建方法，本实施例提出一种多风电场出力的典型场景模型构建装置100，包括：
历史出力相似时段筛选子模块110，用于根据多个风电场中每一风电场在预设时段内的风速预测数据从对应风电场的预存历史风速数据中筛选相似度高于预设数值的历史出力相似时段；
风速预测误差区间计算子模块120，用于根据各风电场在所述历史出力相似时段内的历史实际风速数据与历史预测风速数据分别计算对应预设置信水平下各风电场的风速预测误差区间值，并计算同一置信水平下所有风电场的风速预测误差总和区间值；
空间集群系数计算子模块130，用于根据各风电场的风速预测误差区间值和所述风速预测误差总和区间值计算所述多个风电场的空间集群系数；
典型风速场景输出子模块140，用于基于多个风电场的出力公式根据所述多个风电场的空间集群系数确定所述多个风电场的风速场景集合，并对所述风速场景集合进行场景消减得到所述多个风电场出力的典型风速场景。
可以理解，上述的多风电场出力的典型场景模型构建装置100对应于实施例1的多风电场出力的典型场景模型构建方法。实施例1中的任何可选项也适用于本实施例，这里不再详述。
实施例4
请参照图6，基于上述实施例2的机组恢复方法，本实施例提出一种机组恢复装置200，该装置包括：多风电场出力典型场景构建模块210、初始目标集确定模块220和恢复顺序及风电接入量确定模块230。其中，该多风电场出力典型场景构建模块210对应上述实施例3的多风电场出力的典型场景模型构建装置100。
所述多风电场出力典型场景构建模块210包括多风电场出力的典型场景模型构建装置100中的各模块，用于得到待恢复网络中多个风电场出力的典型风速场景。
所述初始目标集确定模块220，用于基于所述多个风电场出力的典型风速场景和所述待恢复网络的系统参数确定当前时步下所述待恢复网络的初始目标集，所述初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷。
所述恢复顺序及风电接入量确定模块230，用于基于所述待恢复网络的初始目标集以风电机组和火电机组的净收益之和最大为目标确定当前时步下所述待恢复网络的机组恢复顺序和实际风电接入量。
可以理解，上述的机组恢复装置200对应于实施例2的机组恢复方法。实施例2中的任何可选项也适用于本实施例，这里不再详述。
本发明还提供了一种终端，如计算机等。该终端包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使终端执行上述多风电场出力的典型场景模型构建方法或机组恢复方法。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机存储介质，用于储存上述终端中使用的所述计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种多风电场出力的典型场景模型构建方法，其特征在于，包括：
根据多个风电场中每一风电场在预设时段内的风速预测数据从对应风电场的预存历史风速数据中筛选相似度高于预设数值的历史出力相似时段；
根据各风电场在所述历史出力相似时段内的历史实际风速数据与历史预测风速数据分别计算对应预设置信水平下各风电场的风速预测误差区间值，并计算同一置信水平下所有风电场的风速预测误差总和区间值；
根据各风电场的风速预测误差区间值和所述风速预测误差总和区间值计算所述多个风电场的空间集群系数；
基于多个风电场的出力公式根据所述多个风电场的空间集群系数确定所述多个风电场的风速场景集合，并对所述风速场景集合进行场景消减得到所述多个风电场出力的典型风速场景。
2.根据权利要求1所述的多风电场出力的典型场景模型构建方法，其特征在于，所述多个风电场出力的典型风速场景为{P1 W,P2 W,…,Ps W}，其中，s为典型场景个数；每一典型场景的多个风电场的出力公式为：
Figure FDA0002301436520000011
Figure FDA0002301436520000012
其中，n为风电场的个数；pjt为第j个风电场在第t时段内的实际出力；vjt为第j个风电场在第t时段内的实际风速；Paj为第j个风电场的并网容量；
Figure FDA0002301436520000013
为第j个风电场在第t时段内的预测风速；τjt为第j个风电场在第t时段内的预测误差修正系数；
Figure FDA0002301436520000014
为第j个风电场的风速预测误差区间值；
Figure FDA0002301436520000015
为所有风电场的风速预测误差总和区间值；Γs为空间集群系数；Pwj为第j个风电场满足的单一风电场的出力函数；vw为风机轮毂高度处的风速；vcj为切入风速；vco为切出风速；vr为额定风速。
3.一种机组恢复方法，其特征在于，包括：
利用权利要求1或2所述的方法构建的模型得到待恢复网络中多个风电场出力的典型风速场景；
基于所述多个风电场出力的典型风速场景和所述待恢复网络的系统参数确定当前时步下所述待恢复网络的初始目标集，所述初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷；
基于所述待恢复网络的初始目标集以风电机组和火电机组的净收益之和最大为目标确定当前时步下所述待恢复网络的机组恢复顺序和实际风电接入量。
4.根据权利要求3所述的机组恢复方法，其特征在于，还包括：
根据所述确定的当前时步下的所述机组恢复顺序和所述实际风电接入量执行恢复，然后更新所述待恢复网络的系统参数；
基于所述多个风电场出力的典型风速场景和更新后的系统参数确定下一时步下所述待恢复网络的下一初始目标集，所述下一初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷；
基于所述下一初始目标集以风电机组和火电机组的净收益之和最大为目标确定下一时步下所述待恢复网络的下一机组恢复顺序和下一实际风电接入量，直到所述待恢复网络全部恢复完成。
5.根据权利要求3所述的机组恢复方法，其特征在于，所述基于所述多个风电场出力的典型风速场景和所述待恢复网络的系统参数确定当前时步下所述待恢复网络的初始目标集，包括：
根据所述待恢复网络的启动功率确定当前时步下的可恢复区域；
基于所述多个风电场出力的典型风速场景构建多风电场黑启动价值评价函数，并以多风电场黑启动价值最大为目标从所述可恢复区域中确定所述待恢复网络的风电最佳接入容量；
以最大发电量为目标从所述可恢复区域中确定所述待恢复网络的待启动火电机组；
以停电损失最小为目标从所述可恢复区域中确定所述待恢复网络的待恢复一类负荷。
6.根据权利要求5所述的机组恢复方法，其特征在于，确定当前时步下所述待恢复网络的初始目标集时，所述方法还包括：
根据基于动态可恢复节点重要度的恢复路径评价方法分别确定待恢复的风电机组、所述待启动火电机组和所述待恢复一类负荷各自对应的具体恢复路径。
7.根据权利要求5所述的机组恢复方法，其特征在于，所述多风电场黑启动价值评价函数的表达式为：
Figure FDA0002301436520000031
其中，n为风电场的个数；Pa为所有风电场的并网容量向量；W为第t时步内并网容量向量为Pa的多风电场黑启动价值；s为典型场景个数；hi为第i个场景的场景概率；T(t)为第t时步内的及时因子；Mi(t,Pa)为第t时步内并网容量向量为Pa的多风电场的第i个场景的质量因子；
Figure FDA0002301436520000032
为第i个场景的第j个风电场的期望出力，满足以下约束公式：
Figure FDA0002301436520000033
其中，PWi,j,t为第i个场景的第j个风电场在第t时步内的实际有功功率输出值；ΔPGup,t为第t时步内NG台并网出力火电机组的总上调备用容量；ΔPGupk,t、PGmax,k和PGk,t-1依次为第k台火电机组在第t时步内的上调备用容量、额定最大出力和第t-1时步的初始出力；rk为第k台火电机组的爬坡速率；Δt为第t时步的时长。
8.一种机组恢复装置，其特征在于，包括：多风电场出力典型场景构建模块、初始目标集确定模块和恢复顺序及风电接入量确定模块；
所述多风电场出力典型场景构建模块用于得到待恢复网络中多个风电场出力的典型风速场景，所述多风电场出力典型场景构建模块包括历史出力时段筛选子模块、风速预测误差区间计算子模块、空间集群系数计算子模块和典型风速场景输出子模块；
所述历史出力时段筛选子模块，用于根据多个风电场中每一风电场在预设时段内的风速预测数据从对应风电场的预存历史风速数据中筛选相似度高于预设数值的历史出力相似时段；
所述风速预测误差区间计算子模块，用于根据各风电场在所述历史出力相似时段内的历史实际风速数据与历史预测风速数据分别计算对应预设置信水平下各风电场的风速预测误差区间值，并计算同一置信水平下所有风电场的风速预测误差总和区间值；
所述空间集群系数计算子模块，用于根据各风电场的风速预测误差区间值和所述风速预测误差总和区间值计算所述多个风电场的空间集群系数；
所述典型风速场景输出子模块，用于基于多个风电场出力公式根据所述多个风电场的空间集群系数确定所述多个风电场的风速场景集合，并对所述风速场景集合进行场景消减得到所述多个风电场出力的典型风速场景；
所述初始目标集确定模块，用于基于所述多个风电场出力的典型风速场景和所述待恢复网络的系统参数确定当前时步下所述待恢复网络的初始目标集，所述初始目标集包括风电最佳接入容量、待启动火电机组和待恢复一类负荷；
所述恢复顺序及风电接入量确定模块，用于基于所述待恢复网络的初始目标集以风电机组和火电机组的净收益之和最大为目标确定当前时步下所述待恢复网络的机组恢复顺序和实际风电接入量。
9.一种终端，其特征在于，所述终端包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序以实施权利要求1-2中任一项所述的多风电场出力的典型场景模型构建方法或权利要求3-7中任一项所述的机组恢复方法。
10.一种计算机存储介质，其特征在于，其存储有计算机程序，在所述计算机程序被执行时，实施根据权利要求1-2中任一项所述的多风电场出力的典型场景模型构建方法或权利要求3-7中任一项所述的机组恢复方法。
CN201911223259.1A 2019-12-03 2019-12-03 多风电场出力的典型场景模型构建方法和机组恢复方法 Active CN110889779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911223259.1A CN110889779B (zh) 2019-12-03 2019-12-03 多风电场出力的典型场景模型构建方法和机组恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911223259.1A CN110889779B (zh) 2019-12-03 2019-12-03 多风电场出力的典型场景模型构建方法和机组恢复方法

Publications (2)

Publication Number Publication Date
CN110889779A true CN110889779A (zh) 2020-03-17
CN110889779B CN110889779B (zh) 2022-10-21

Family

ID=69750084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911223259.1A Active CN110889779B (zh) 2019-12-03 2019-12-03 多风电场出力的典型场景模型构建方法和机组恢复方法

Country Status (1)

Country Link
CN (1) CN110889779B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111628528A (zh) * 2020-06-22 2020-09-04 华北电力大学（保定） 风电参与系统恢复的潮流越限消除方法及装置
CN112271731A (zh) * 2020-10-29 2021-01-26 合肥工业大学 一种风电功率多时段时间序列场景的生成及消减方法
CN112865170A (zh) * 2020-12-31 2021-05-28 南京理工大学 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
CN112883577A (zh) * 2021-02-26 2021-06-01 广东电网有限责任公司 一种海上风电场出力典型场景生成方法及存储介质
CN115395505A (zh) * 2022-08-11 2022-11-25 华北电力大学（保定） 一种计及规模储能的含风电电力系统黑启动分区方法
CN115935645A (zh) * 2022-12-05 2023-04-07 山东大学 基于测风塔数据的风电场上调备用容量评估方法及系统
CN117972363A (zh) * 2024-03-29 2024-05-03 西安热工研究院有限公司 一种基于平稳度的储能辅助黑启动的风速预测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160092622A1 (en) * 2013-05-20 2016-03-31 State Grid Corporation Of China Method for modeling medium and long term wind power output model of medium and long term optimal operationof power system
CN107317334A (zh) * 2017-08-31 2017-11-03 华北电力大学（保定） 一种电力系统网架重构方法和装置
CN109672223A (zh) * 2017-10-13 2019-04-23 华北电力大学（保定） 一种考虑风电场出力不确定性的电力系统骨架网络恢复方案

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160092622A1 (en) * 2013-05-20 2016-03-31 State Grid Corporation Of China Method for modeling medium and long term wind power output model of medium and long term optimal operationof power system
CN107317334A (zh) * 2017-08-31 2017-11-03 华北电力大学（保定） 一种电力系统网架重构方法和装置
CN109672223A (zh) * 2017-10-13 2019-04-23 华北电力大学（保定） 一种考虑风电场出力不确定性的电力系统骨架网络恢复方案

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘文轩 等: "考虑机组重要度和负荷停电损失的网架重构分层协调优化", 《华北电力大学学报》 *
顾雪平 等: "一种机组恢复决策的多时段协调优化方法", 《电工技术学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111628528A (zh) * 2020-06-22 2020-09-04 华北电力大学（保定） 风电参与系统恢复的潮流越限消除方法及装置
CN112271731A (zh) * 2020-10-29 2021-01-26 合肥工业大学 一种风电功率多时段时间序列场景的生成及消减方法
CN112865170A (zh) * 2020-12-31 2021-05-28 南京理工大学 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
CN112865170B (zh) * 2020-12-31 2022-09-13 南京理工大学 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
CN112883577A (zh) * 2021-02-26 2021-06-01 广东电网有限责任公司 一种海上风电场出力典型场景生成方法及存储介质
CN115395505A (zh) * 2022-08-11 2022-11-25 华北电力大学（保定） 一种计及规模储能的含风电电力系统黑启动分区方法
CN115935645A (zh) * 2022-12-05 2023-04-07 山东大学 基于测风塔数据的风电场上调备用容量评估方法及系统
CN115935645B (zh) * 2022-12-05 2024-05-17 山东大学 基于测风塔数据的风电场上调备用容量评估方法及系统
CN117972363A (zh) * 2024-03-29 2024-05-03 西安热工研究院有限公司 一种基于平稳度的储能辅助黑启动的风速预测方法和系统
CN117972363B (zh) * 2024-03-29 2024-06-07 西安热工研究院有限公司 一种基于平稳度的储能辅助黑启动的风速预测方法和系统

Also Published As

Publication number Publication date
CN110889779B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN110889779B (zh) 多风电场出力的典型场景模型构建方法和机组恢复方法
Hasche et al. Capacity value of wind power, calculation, and data requirements: the Irish power system case
CN108365608B (zh) 一种区域能源互联网不确定优化调度方法及系统
JP2006304402A (ja) 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体
CN110633854A (zh) 一种考虑储能电池多重分段服务全生命周期优化规划方法
CN111092455A (zh) 一种储能系统与已恢复机组联合运行的负荷恢复优化方法
Helistö et al. Selection of representative slices for generation expansion planning using regular decomposition
CN115471006A (zh) 一种考虑风电出力不确定性的电源规划方法及系统
CN114595891A (zh) 一种配电网电压及潮流越界风险评估方法、系统及设备
Zhang et al. An ensemble machine learning based approach for constructing probabilistic PV generation forecasting
CN112865170B (zh) 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
CN116502771B (zh) 一种基于电力物资预测的配电方法及系统
CN116613733A (zh) 计及源荷不确定性的多元能源系统优化调度方法及装置
CN107069810B (zh) 应对风电间歇性的火电机组组合模型构建与分析方法
CN106208118B (zh) 一种储能系统多目标优化规划方法
CN115296345A (zh) 一种燃气发电机组启停-出力-备用联合优化方法及装置
Jain et al. Reliability analysis of wind embedded power generation system for Indian Scenario
CN113506185A (zh) 梯级水电站的发电优化调度方法、装置和计算机设备
CN115207947B (zh) 电网节点储能配置方法、装置、计算机设备和存储介质
Nagoya et al. A method for load frequency control using battery in power system with highly penetrated photovoltaic generation
CN109038557A (zh) 一种考虑风险规避的风电和电价的主动配电网规划方法
CN118249342A (zh) 考虑新能源出力时空相关性的恢复分区划分方法及系统
CN115833262A (zh) 用水电协调风电不确定性的火电机组日前调度方法及装置
Samuel et al. Stochastic Modeling for Future Scenarios of the 2040 Australian National Electricity Market using ANTARES
CN117540959A (zh) 基于数据驱动的常规机组与长-短时储能协同调度方法

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