CN111293681B - 一种基于RankBoost的光伏场站出力波动性量化评价方法 - Google Patents
一种基于RankBoost的光伏场站出力波动性量化评价方法 Download PDFInfo
- Publication number
- CN111293681B CN111293681B CN202010075416.5A CN202010075416A CN111293681B CN 111293681 B CN111293681 B CN 111293681B CN 202010075416 A CN202010075416 A CN 202010075416A CN 111293681 B CN111293681 B CN 111293681B
- Authority
- CN
- China
- Prior art keywords
- output
- fluctuation
- index
- photovoltaic
- max
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明公开了一种基于RankBoost的光伏场站出力波动性量化评价方法,主要步骤为:1)获取光伏场站的历史出力数据,并剔除无效数据,建立有效数据集V;2)计算各光伏场站出力波动性量化指标;所述出力波动性量化指标包括出力起止时刻波动性指标TDR(ε1)、输出功率波动性指标和发电量波动性指标;3)基于各光伏场站出力波动性量化指标,对有效数据集V进行再次筛选,得到有效数据集V';4)利用RankBoost算法对有效数据集V'的出力波动性量化指标进行评估,得到各光伏场站出力波动性能评估结果。本发明创建了全面、科学、直观的量化指标和评价方法,使光伏场站随机性、波动性由过去的定性评价跃升到定量层次。
Description
技术领域
本发明涉及光伏场站出力波动性研究领域,具体是一种基于RankBoost的光伏场站出力波动性量化评价方法。
背景技术
可再生能源被认为是缓解能源危机和环境污染的解决办法。近年来以风电、光伏为代表的可再生能源受到高度重视,装机容量逐年递增。无论光伏发电采取分布式还是集中式,光伏出力的波动性都是影响光伏资源大规模消纳的关键因素。在波动性分析中,缺乏量化评估指标和综合评价方法又成为关键问题。一套完整、科学评估指标体系和综合评价方法可以在调度中作为决策人员的量化参考数据,使电网能够按照一定的优先级对多个场站进行消纳,促进光伏资源的充分利用。
然而,现有的光伏发电的量化评估指标和综合评价方法缺点在于:1)部分文献借鉴较成熟的日负荷曲线评价指标体系和典型负荷曲线来开展研究。然而与负荷曲线不一样,光伏出力曲线的形状与负荷曲线形态不同,并且光伏出力的波动性与光伏场站在调度中的优先级息息相关。2)目前,仅有不多的研究讨论光伏发电的评价指标,有文献提出衡量风光储能联合发电系统有功功率波动的评价指标,但不够全面和科学。专利CN 109685342A公开了一种光伏发电站综合效益评价指标体系的评价方法,从技术效益、经济效益、社会效益的角度提出了量化指标,专利CN 109193748 A提出并网发电量、故障时间、最大出力、光伏电力占负荷最大比例等指标;以上二者都没有涉及光伏场站出力的波动性。3)指标不够直观和简明,不能方便地将这些指标直接用于指导光伏并网后电网运行和规划。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于RankBoost的光伏场站出力波动性量化评价方法,主要包括以下步骤:
1)获取光伏场站的历史出力数据,并剔除无效数据,建立有效数据集V,主要步骤如下:
1.1)读取光伏场站的历史出力数据集Y={D1,D2,...D365};其中第i日内出力数据Di=(Pi,1,Pi,2,...,Pi,g...,Pi,G),i=1,2,…,365;Pi,g第i日第g个采样点出力,g=1,2,…,G;
1.3)分别计算光伏场站第i日的出力起始点g1,i和出力终止点g2,i,即:
g1,i=min{g,Pi,g≤0且Pi,g+1>0} (1)
g2,i=max{g,Pi,g>0且Pi,g+1≤0} (2)
1.4)判断第i日出力起始点g1,i>0且出力终止点g2,i>0是否成立,若成立,则令有效日数目N=N+1,V=V∪Di,并执行步骤5);若不成立,则直接执行步骤5);
1.5)判断日期i>365是否成立,若不成立,则令i=i+1,并返回步骤3;若成立,则输出有效数据集V和有效日数量N。
2)计算各光伏场站出力波动性量化指标;所述出力波动性量化指标包括出力起、止时刻波动性指标TDR(ε1)、输出功率波动性指标和发电量波动性指标,ε1为时移阈值。
I)计算出力起、止时刻波动性指标TDR(ε1)的主要步骤如下:
a)计算有效数据集V中每一日的出力起始时刻时移TDstart,i和出力终止时刻时移TDter,i,即:
TDstart,i=tstart-tup (3)
TDter,i=tend-tdown (4)
式中,tup为日出时刻;tdown为日落时刻;tstart为光伏场站的出力起始点g1,i对应的时刻;tend场站的出力终止点g2,i对应的时刻;
b)计算每一日出力起止时刻波动性指标TDR(ε1),即:
式中,n[|TDstart,i|<ε1且|TDter,i|<ε1]表示满足|TDstart,i|<ε1且满足|TDter,i|<ε1的天数;ε1为时移阈值。
II)所述输出功率波动性指标主要包括波动占比fa,i、最大正波动量ΔPmax,i、最大负波动量ΔPmin,i、极端波动率PFR(ε2%)、负荷协调度Md,i和波动系数Kfluc,I,计算步骤如下:
a)第i日(i=1,2,…,N)的波动占比fa,i如下所述:
式中,Pi,g为光伏场站第g个采样点的输出有功功率;li表示相邻采样点之间功率波动之和,Pi,max为第i日光伏场站所有采样点输出有功功率的最大值;
b)第i日最大正波动量ΔPmax,i、最大负波动量ΔPmin,i如下所述:
ΔPmax,i=max{ΔPi,g,g=2,3...G} (7)
ΔPmin,i=min{ΔPi,g,g=2,3...G} (8)
其中,相邻采样点之间功率波动量ΔPi,g的计算方法如下:
ΔPi,g=Pi,g-Pi-1,g (9)
c)极端波动率PFR(ε2%)如下所述:
式中,N+(ε2%)和N-(ε2%)的计算方法如下:
N+(ε2%)=d+[ΔPi,max>(max{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg](11)
N-(ε2%)=d-[ΔPi,max<(min{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg](12)
其中,满足ΔPi,max>(max{ΔPi,max,i=1,2,…,N}-ΔPavg)+ΔPavg的天数即为N+(ε2%),满足ΔPi,max<(min{ΔPi,max,i=1,2,…,N}-ΔPavg)+ΔPavg的天数即为N-(ε2%),ΔPavg为ΔPi,max(i=1,2,…,N)的平均值,ε2%为极端波动率阈值;
d)第i日负荷协调度Md,i如下所述:
其中,符号函数si如下所述:
e)第i日波动系数Kfluc,i如下所述:
其中,符号函数ff(i)如下所述:
III)计算发电量波动性指标的主要步骤如下:
a)计算第i日光伏场站的日发电量,即:
式中,g1,i和g2,i分别为第i日出力起始点和终止点,Δt为功率采样间隔时间;
b)将全年有效日的日发电量降序排列,以日发电量Ei的累积概率p为横坐标,日发电量Ei为纵坐标,绘制年持续电量曲线E(p);
c)获取年持续电量曲线E(p)中95%有效日发电量E(5%)和95%保证日发电量E(95%);
d)计算95%有效出力小时数EH(95%)和95%保证出力小时数AH(95%),即:
式中,PN为光伏场站的额定输出功率;
e)计算削峰电量比ERPT和填谷电量比ERVT,即:
式中,为第i日第g个有功功率采样点对应时刻光伏场站所在区域的总负荷,PL,avg为总负荷的日平均值,峰时段为功率的时段,第np个峰时段记为谷时段为功率的时段,第nv个峰时段记为Np为峰时段数目,Nv为谷时段数目。
3)基于各光伏场站出力波动性量化指标,对有效数据集V进行再次筛选,得到有效数据集V',主要步骤如下:
3.1)判断出力起始时刻时移TDstart,i<-1h或出力终止时刻时移TDter,i>1h是否成立,若是,则将对应数据集Di标记为问题数据;
3.2)判断出力起始时刻时移TDstart,i>4h且出力终止时刻时移TDter,i<-4h是否成立,若是,则将对应数据集Di标记为问题数据;
3.3)判断波动占比fa,i<2是否成立,若是,则将对应数据集Di标记为问题数据;
3.4)剔除标记的问题数据,重建有效数据集V'={D1,D2,...DN'},N'≤N;
4)利用Rank-boost算法对有效数据集V'的出力波动性量化指标进行评估,得到各光伏场站出力波动性能评估结果,主要步骤如下:
4.1)初始化迭代次数r=1,权值Dr=1=0,目标函数H0(i)=0,设置最大迭代次数为RT;
4.2)计算得到最优特征指标hr,主要步骤如下:
4.2.1)初始化迭代次数k=1,RM=-∞,M为波动性指标的数目;
4.2.2)设Sk(i)为第i日出力数据第k个指标的计算结果,分别对出力数据的指标计算结果进行降序排列,得到序列fk(i),i=1,...n,n为待排序的光伏场站数目;
4.2.3)基于特征值Sk(i),设置排序对象阈值θk(i),即:
式中,θk为序列fk的阈值;θk(1)=fk(1)-1;
4.2.4)建立符号函数mk,即:
4.2.5)计算累计符号函数Rk,即:
Rk(i)=Rk(i-1)+mk(i) (31)
其中,Rk(0)=0;
4.2.6)确定Rkmax,即:
Rkmax=max{|Rk(i)|,i=1,2...n} (32)
4.2.7)判断Rkmax>RM是否成立,若成立,则进入步骤8,若不成立,则进入步骤9;
4.2.8)令RM=Rkmax,最优特征指标hr=mk;
4.2.9)判断k≤M是否成立,若成立,则令k=k+1,并返回步骤2;如不成立,则结束迭代,并输出最优特征指标hr。
4.3)计算权值Dr(Sk(i),Sk(j)),即:
Dr(Sk(i),Sk(j))=c·max{0,φ(Sk(i),Sk(j))} (22)
其中,符号函数φ(Sk(i),Sk(j))如下所述:
4.4)建立目标函数Zr,即:
4.5)确定目标函数权重参数ar和最优特征指标hr的值,以使目标函数Zr达到最小;
目标函数权重参数ar如下所述:
其中,最优特征指标的权值s如下所述:
6)计算各光伏场站排序目标函数值Hr,即:
Hr(i)=Hr-1(i)+hr(i) (27)
7)判断迭代次数r>RT是否成立,若不成立,则令r=r+1,并进入步骤8;若成立,则结束迭代,并输出光伏场站排序目标函数值Hr;波动性能越优,目标函数值越大。
8)更新权值为Dr+1,并返回步骤2);
权值Dr+1如下所述:
本发明的技术效果是毋庸置疑的。本发明创建了全面、科学、直观的量化指标和评价方法,使光伏场站随机性、波动性由过去的定性评价跃升到定量层次;本发明实现了多个光伏场站的随机性、波动性水平的综合排序,为光伏场站随机性、结构改进和优化调度提供了科学依据;本发明在排序过程中涉及了问题数据和无效数据的识别和剔除,为光伏出力数据的处理和筛选,提高数据的有效性提供了一条有效途径。
附图说明
图1为本发明公布的指标体系结构图。
图2为年发电量曲线图。
图3为RankBoost机器学习排序算法流程图。
图4为RankBoost机器学习排序算法中计算hr的流程图。
图5为6场站11项指标的排序结果示意图。
图6为用RankBoost机器学习排序算法进行排序得到的各场站排序函数值。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图5,一种基于RankBoost的光伏场站出力波动性量化评价方法,主要包括以下步骤:
1)获取光伏场站的历史出力数据,并剔除无效数据,建立有效数据集V,主要步骤如下:
1.1)读取光伏场站的历史出力数据集Y={D1,D2,...D365};其中第i日内出力数据Di=(Pi,1,Pi,2,...,Pi,g...,Pi,G),i=1,2,…,365;Pi,g第i日第g个采样点出力,g=1,2,…,G;
1.3)分别计算光伏场站第i日的出力起始点g1,i和出力终止点g2,i,即:
g1,i=min{g,Pi,g≤0且Pi,g+1>0} (1)
g2,i=max{g,Pi,g>0且Pi,g+1≤0} (2)
1.4)判断第i日出力起始点g1,i>0且出力终止点g2,i>0是否成立,若成立,则令有效日数目N=N+1,V=V∪Di,并执行步骤5);若不成立,则直接执行步骤5);
1.5)判断日期i>365是否成立,若不成立,则令i=i+1,并返回步骤3;若成立,则输出有效数据集V和有效日数量N。
2)计算各光伏场站出力波动性量化指标。所述出力波动性量化指标包括出力起止时刻波动性指标TDR(15min)、输出功率波动性指标和发电量波动性指标。ε1为时移阈值。
I)计算出力起、止时刻波动性指标TDR(15min)的主要步骤如下:
1)计算有效数据集V中每一日的出力起始时刻时移TDstart,i和出力终止时刻时移TDter,i,即:
TDstart,i=tstart-tup (3)
TDter,i=tend-tdown (4)
式中,tup为日出时刻;tdown为日落时刻;tstart为光伏场站的出力起始点g1,i对应的时刻;tend场站的出力终止点g2,i对应的时刻;
2)计算每一日出力起止时刻波动性指标TDR(ε1),即:
式中,n[|TDstart,i|<15min且|TDter,i|<15min]为满足|TDstart,i|<15min且满足|TDter,i|<15min的天数;
I)计算出力起、止时刻波动性指标TDR(ε1)的主要步骤如下:
1)计算有效数据集V中每一日的出力起始时刻时移TDstart,i和出力终止时刻时移TDter,i,即:
TDstart,i=tstart-tup (3)
TDter,i=tend-tdown (4)
式中,tup为日出时刻;tdown为日落时刻;tstart为光伏场站的出力起始点g1,i对应的时刻;tend场站的出力终止点g2,i对应的时刻;
2)计算每一日出力起止时刻波动性指标TDR(ε1),即:
式中,n[|TDstart,i|<ε1且|TDter,i|<ε1]表示满足|TDstart,i|<ε1且满足|TDter,i|<ε1的天数;ε1为时移阈值。
式中,n[TDstarting>15min,或TDterminal>15min]表示时移TDstarting>15min或时移TDterminal>15min的天数。类似地,可以计算TDR(30min)、TDR(1h)。
II)所述输出功率波动性指标主要包括波动占比fa,i、最大正波动量ΔPmax,i、最大负波动量ΔPmin,i、极端波动率PFR(80%)、负荷协调度Md,i和波动系数Kfluc,I,计算步骤如下:
1)第i日(i=1,2,…,N)的波动占比fa,i如下所述:
式中,Pi,g为光伏场站第g个采样点的输出有功功率;li表示相邻采样点之间功率波动之和,Pi,max为第i日光伏场站所有采样点输出有功功率的最大值;
2)第i日最大正波动量ΔPmax,i、最大负波动量ΔPmin,i如下所述:
ΔPmax,i=max{ΔPi,g,g=2,3...G} (7)
ΔPmin,i=min{ΔPi,g,g=2,3...G} (8)
其中,相邻采样点之间功率波动量ΔPi,g的计算方法如下:
ΔPi,g=Pi,g-Pi-1,g (9)
3)极端波动率PFR(80%)如下所述:
式中,N+(ε2%)和N-(ε2%)的计算方法如下:
N+(ε2%)=d+[ΔPi,max>(max{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg](11)
N-(ε2%)=d-[ΔPi,max<(min{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg](12)
其中,满足ΔPi,max>(max{ΔPi,max,i=1,2,…,N}-ΔPavg)+ΔPavg的天数即为N+(80%),满足ΔPi,max<(min{ΔPi,max,i=1,2,…,N}-ΔPavg)+ΔPavg的天数即为N-(80%),ΔPavg为ΔPi,max(i=1,2,…,N)的平均值,80%为极端波动率阈值,类似地,可以计算PFR(90%),PFR(95%)用以反映光伏场站出力输出功率的极端波动情况。
4)第i日负荷协调度Md,i如下所述:
其中,符号函数si如下所述:
5)第i日波动系数Kfluc,i如下所述:
其中,符号函数ff(i)如下所述:
III)计算发电量波动性指标的主要步骤如下:
1)计算第i日光伏场站的日发电量,即:
式中,g1,i和g2,i分别为第i日出力起始点和终止点,Δt为功率采样间隔时间;
2)将全年有效日的日发电量降序排列,以日发电量Ei的累积概率p为横坐标,日发电量Ei为纵坐标,绘制年持续电量曲线E(p);
3)获取年持续电量曲线E(p)中95%有效日发电量E(5%)和95%保证日发电量E(95%);
4)计算95%有效出力小时数EH(95%)和95%保证出力小时数AH(95%),即:
式中,PN为光伏场站的额定输出功率;
5)计算削峰电量比ERPT和填谷电量比ERVT,即:
式中,为第i日第g个有功功率采样点对应时刻光伏场站所在区域的总负荷,PL,avg为总负荷的日平均值,峰时段为功率的时段,第np个峰时段记为谷时段为功率的时段,第nv个峰时段记为Np为峰时段数目,Nv为谷时段数目。
3)基于各光伏场站出力波动性量化指标,根据表1中归纳的问题数据的指标特点可以识别问题数据,从而对有效数据集V进行再次筛选,得到有效数据集V',主要步骤如下:
3.1)判断出力起始时刻时移TDstartingg<-1h或出力终止时刻时移TDterminal>1h是否成立,若是,则将对应数据集Di标记为问题数据。
3.2)判断出力起始时刻时移TDstarting>4h且出力终止时刻时移TDterminal<-4h是否成立,若是,则将对应数据集Di标记为问题数据。
3.3)判断波动占比fa<2是否成立,若是,则将对应数据集Di标记为问题数据。
3.4)剔除标记的问题数据,重建有效数据集V'={D1,D2,...DN'}。N'≤N。
表1问题数据的特征
4)利用Rank-boost算法对有效数据集V'的出力波动性量化指标进行评估,得到各光伏场站出力波动性能评估结果,主要步骤如下:
4.1)初始化迭代次数r=1,权值Dr=1=0,目标函数H0(i)=0,设置最大迭代次数为RT;
4.2)计算得到最优特征指标hr,主要步骤如下:
4.2.1)初始化迭代次数k=1,RM=-∞,M为波动性指标的数目;
4.2.2)设Sk(i)为第i日出力数据第k个指标的计算结果,分别对出力数据的指标计算结果进行降序排列,得到序列fk(i),i=1,...n,n为待排序的光伏场站数目;
4.2.3)基于特征值Sk(i),设置排序对象阈值θk(i),即:
式中,θk为序列fk的阈值;θk(1)=fk(1)-1;
4.2.4)建立符号函数mk,即:
4.2.5)计算累计符号函数Rk,即:
Rk(i)=Rk(i-1)+mk(i) (31)
其中,Rk(0)=0;
4.2.6)确定Rkmax,即:
Rkmax=max{|Rk(i)|,i=1,2...n} (32)
4.2.7)判断Rkmax>RM是否成立,若成立,则进入步骤8,若不成立,则进入步骤9;
4.2.8)令RM=Rkmax,最优特征指标hr=mk;
4.2.9)判断k≤M是否成立,若成立,则令k=k+1,并返回步骤2;如不成立,则结束迭代,并输出最优特征指标hr。
4.3)计算权值Dr(Sk(i),Sk(j)),即:
Dr(Sk(i),Sk(j))=c·max{0,φ(Sk(i),Sk(j))} (22)
其中,符号函数φ(Sk(i),Sk(j))如下所述:
4.4)建立目标函数Zr,即:
4.5)确定目标函数权重参数ar和最优特征指标hr的值,以使目标函数Zr达到最小;
目标函数权重参数ar如下所述:
其中,最优特征指标的权值s如下所述:
6)计算各光伏场站排序目标函数值Hr,即:
Hr(i)=Hr-1(i)+hr(i) (27)
7)判断迭代次数r>RT是否成立,若不成立,则令r=r+1,并进入步骤8;若成立,则结束迭代,并输出光伏场站排序目标函数值Hr;进一步,波动性能越优,目标函数值越大。
8)更新权值为Dr+1,并返回步骤2);
权值Dr+1如下所述:
实施例2:
一种验证基于RankBoost的光伏场站出力波动性量化评价方法的实验,主要包括以下步骤:
1)获取数据:中国南方某区域内6座光伏场站的15min尺度3年出力数据和各场站所在位置3年的日出日落时间数据。剔除光伏出力数据中的空数据。
2)计算3年6个场站每一日的出力起始时刻、终止时刻,并根据问题数据的特点,识别和剔除起止时刻不满足要求的数据,得到新的数据集V。
3)基于数据集V和各场站所在位置3年的日出日落时间数据,计算各项随机性、波动性指标。
3.1)把步骤2计算得到的6个场站3年每一日的出力起始时刻、终止时刻数据代入式(3)~(5)中,计算得到各场站每日15min时移率TDR(15min)。
3.2)把步骤1得到的数据集V中6个场站3年每一日的出力数据代入式(6)中,计算得到各场站每日波动占比。
3.3)把步骤1得到的数据集V中6个场站3年每一日的出力数据代入式(7)~(9)中计算每日最大正波动量、最大负波动量。
3.4)把步骤1得到的数据集V中6个场站3年每一日的出力数据代入式(10)~(12)中计算每日80%极端波动率PFR(80%),把步骤1得到的数据集V中6个场站3年每一日的出力数据代入式(13)~(14)中计算每日负荷协调度。把步骤1得到的数据集V中6个场站3年每一日的出力数据代入式(15)~(16)中计算每日计算波动系数。
3.5)把步骤1得到的数据集V中6个场站3年每一日的出力数据代入式(20)~(21)中计算每日削峰电量比和填谷电量比。
4)筛选和剔除问题数据
按照表1中所列问题数据的时移特点和波动占比特点,筛选和剔除问题数据。
输入各场站每日15min时移率TDR(15min),判断是否满足TDstart,i<-1h或TDter,i>1h,TDstart,i>4h且TDter,i<-4h,若满足则剔除该日所有指标数据,若不满足,则执行2)。
输入各场站每日波动占比,判断是否满足小于2,若满足则剔除该日所有指标数据,若不满足,则执行3)。
5)获得单项指标排序结果
6个场站3年剔除问题数据后的指标数据集V’代入式(17)中计算其余日日发电量En,绘制年持续电量曲线,计算各场站每年的E(95%)和E(5%),并带入式(18)~(19)计算EH(95%)和AH(95%)。计算场站3年H(95%)和AH(95%)的平均值EH*(95%)、AH*(95%)作为场站95%有效利用小时数和95%保证利用小时数的衡量。
计算数据集V’的每日时移率平均值TDR*(15min)作为该场站时移率的衡量;计算数据集V’的每日波动占比平均值作为场站历史波动占比的衡量;计算数据集V’的每日最大正波动量、最大负波动量的平均值作为场站历史最大正波动量、最大负波动量的衡量;计算数据集V’的每日负荷协调度的平均值作为场站负荷协调度的衡量;计算数据集V’每日的80%极端波动率PFR(80%)的平均值PFR*(80%)作为场站极端波动率的衡量;计算数据集V’的每日波动系数Kfluc的平均值作为场站波动系数的衡量;计算场站3年每日削峰电量比ERPT和填谷电量比ERVT的平均值ERPT*、ERVT*作为场站削峰电量比和填谷电量比的衡量。计算得到的6个场站11项指标的结果如表2所述。
表2各场站各项指标的计算结果
分别按照各场站95%有效利用小时数和EH*(95%)和95%保证利用小时数AH*(95%)、负荷协调度削峰电量比ERPT*和填谷电量比ERVT*,由大到小依次排序,指标数值越大排位越靠前,排列位次越小。
计算得到的6场站在11项指标上的排名情况如图4所述。其中1~6表示单指标排序中场站的排名,结果显示,各场站在各项指标上的表现具有发散性,难以通过直观判断得出6场站的波动性的综合排名。
6)基于RankBoost算法对光伏场站波动性进行综合排序6.1)初始化Dr=1,H0(i)=0,迭代次数r=1,设置最大迭代次数为RT=50,输入各场站的各项指标,设Sk(i),i=1,…n为第i个场站第k个指标的计算结果,
6.2)根据式(22)~(24)计算cij和Dr(Sk(i),Sk(j)),其中i,j=1,2…6。
6.2.1)设k=1,RM=-∞。
将Sk(i),i=1,…n的基于第k个指标排序得到降序序列fk。
6.2.2)根据式(29),基于特征值Sk(i),i=1,…n为每一个排序对象设置阈值;
6.2.3)计算mk。
6.2.4)计算Rk。
6.2.5)求Rk中最大值和最大值所在的位置;
6.2.6)判断是否满足Rkmax>RM,若满足,则返回执行步骤4.2.7)。反之,执行步骤4.2.8)。
6.2.7)令RM=Rkmax,hr=mk,km=k。
6.2.8)判断是否满足k<=M,若是,则k=k+1,返回执行步骤4);如否,则结束,并输出hr。
6.3)根据式(25)求ar。
6.4)根据式(26)求Hr。
6.5)判断是否满足r>RT,若否,则r=r+1,并计算Dr+1,并返回执行步骤4.3);如是,结束并输出Hr。
7)采用Rank-boot机器学习算法后,得出的各场站排序函数H的值如图5所述,排序函数H越大,表明场站的波动性综合性能越优。结果显示,场站1的波动性最优,场站6的随机性波动性最差。
Claims (9)
1.一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,包括以下步骤:
1)获取光伏场站的历史出力数据,并剔除无效数据,建立有效数据集V;
2)计算各光伏场站出力波动性量化指标;所述出力波动性量化指标包括出力起、止时刻波动性指标TDR(ε1)、输出功率波动性指标和发电量波动性指标,ε1为时移阈值;
3)基于各光伏场站出力波动性量化指标,对有效数据集V进行再次筛选,得到有效数据集V';
4)利用RankBoost算法对有效数据集V'的出力波动性量化指标进行评估,得到各光伏场站出力波动性能评估结果。
2.根据权利要求1所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,建立有效数据集V的步骤如下:
1)读取光伏场站的历史出力数据集Y={D1,D2,...D365};其中第i日内出力数据Di=(Pi,1,Pi,2,...,Pi,g...,Pi,G),i=1,2,…,365;Pi,g为光伏场站第g个采样点的输出有功功率,g=1,2,…,G;
2)参数初始化,即令日期i=1,有效日数量N=0,有效数据集
3)分别计算光伏场站第i日的出力起始点g1,i和出力终止点g2,i,即:
g1,i=min{g,Pi,g≤0且Pi,g+1>0} (1)
g2,i=max{g,Pi,g>0且Pi,g+1≤0} (2)
4)判断第i日出力起始点g1,i>0且出力终止点g2,i>0是否成立,若成立,则令有效日数量N=N+1,V=V∪Di,并执行步骤5);若不成立,则直接执行步骤5);
5)判断日期i>365是否成立,若不成立,则令i=i+1,并返回步骤3);若成立,则输出有效数据集V和有效日数量N。
3.根据权利要求1所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,计算出力起、止时刻波动性指标TDR(ε1)的步骤如下:
1)计算有效数据集V中每一日的出力起始时刻时移TDstart,i和出力终止时刻时移TDter,i,即:
TDstart,i=tstart-tup (3)
TDter,i=tend-tdown (4)
式中,tup为日出时刻;tdown为日落时刻;tstart为光伏场站的出力起始点g1,i对应的时刻;tend场站的出力终止点g2,i对应的时刻;
2)计算每一日出力起、止时刻波动性指标TDR(ε1),即:
式中,n[|TDstart,i|<ε1且|TDter,i|<ε1]表示满足|TDstart,i|<ε1且满足|TDter,i|<ε1的天数;ε1为时移阈值;N为有效日数量。
4.根据权利要求3所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,所述输出功率波动性指标包括波动占比fa,i、最大正波动量ΔPmax,i、最大负波动量ΔPmin,i、极端波动率PFR(ε2%)、负荷协调度Md,i和波动系数Kfluc,i,计算方法如下:
1)第i日的波动占比fa,i如下所述:
式中,Pi,g为光伏场站第i日第g个采样点的输出有功功率;li表示相邻采样点之间功率波动之和,Pi,max为第i日光伏场站所有采样点输出有功功率的最大值;i=1,2,…,N;N为有效日数量;
2)第i日最大正波动量ΔPmax,i、最大负波动量ΔPmin,i如下所述:
ΔPmax,i=max{ΔPi,g,g=2,3...G} (7)
ΔPmin,i=min{ΔPi,g,g=2,3...G} (8)
其中,相邻采样点之间功率波动量ΔPi,g的计算方法如下:
ΔPi,g=Pi,g-Pi,g-1 (9)
3)极端波动率PFR(ε2%)如下所述:
式中,N+(ε2%)和N-(ε2%)的计算方法如下:
N+(ε2%)=d+[ΔPi,max>(max{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg] (11)
N-(ε2%)=d-[ΔPi,max<(min{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg] (12)
其中,满足ΔPi,max>(max{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg的天数即为N+(ε2%),满足ΔPi,max<(min{ΔPi,max,i=1,2...N}-Δpavg)×ε2%+Δpavg的天数即为N-(ε2%),Δpavg为ΔPi,max的平均值,ε2%为极端波动率阈值;i=1,2,…,N;
4)第i日负荷协调度Md,i如下所述:
其中,符号函数si,g如下所述:
式中,表示第i日第g个采样点光伏场站所在区域的总负荷大小;
5)第i日波动系数Kfluc,i如下所述:
其中,符号函数ff(g)如下所述:
5.根据权利要求1所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,计算发电量波动性指标的步骤如下:
1)计算第i日光伏场站的日发电量,即:
式中,g1,i和g2,i分别为第i日出力起始点和终止点,Δt为功率采样间隔时间;Pi,g为光伏场站第i日第g个采样点的输出有功功率;
2)将全年有效日的日发电量降序排列,以日发电量Ei的累积概率p为横坐标,日发电量Ei为纵坐标,绘制年持续电量曲线E(p);
3)获取年持续电量曲线E(p)中95%有效日发电量E(5%)和95%保证日发电量E(95%);
4)计算95%有效出力小时数EH(95%)和95%保证出力小时数AH(95%),即:
式中,PN为光伏场站的额定输出功率;
5)计算削峰电量比ERPTi和填谷电量比ERVTi,即:
式中,为第i日第g个有功功率采样点对应时刻光伏场站所在区域的总负荷,PL,avg为总负荷的日平均值,峰时段为功率的时段,第np个峰时段记为谷时段为功率的时段,第nv个谷时段记为Np为峰时段数目,Nv为谷时段数目。
6.根据权利要求4所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,对有效数据集V进行再次筛选的步骤如下:
1)判断出力起始时刻时移TDstart,i<-1h或出力终止时刻时移TDter,i>1h是否成立,若是,则将对应数据集Di标记为问题数据;
2)判断出力起始时刻时移TDstart,i>4h且出力终止时刻时移TDter,i<-4h是否成立,若是,则将对应数据集Di标记为问题数据;
3)判断波动占比fa,i<2是否成立,若是,则将对应数据集Di标记为问题数据;
4)剔除标记的问题数据,重建有效数据集V'={D1,D2,...DN'},N'≤N。
7.根据权利要求1所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,利用RankBoost算法对有效数据集V'的出力波动性量化指标进行评估的步骤如下:
1)初始化迭代次数r=1,权值Dr=1=0,目标函数H0(i')=0,设置最大迭代次数为RT;
2)计算得到最优特征指标hr;
3)计算权值Dr(Sk(i'),Sk(j)),即:
Dr(Sk(i'),Sk(j))=c·max{0,φ(Sk(i'),Sk(j))} (22)
式中,Sk(i')为第i'个光伏场站出力数据第k个指标的计算结果,c为令的泛化因子,n为待评价的光伏场站数目;
其中,符号函数φ(Sk(i'),Sk(j))如下所述:
4)建立目标函数Zr,即:
5)确定目标函数权重参数ar和最优特征指标hr的值,以使目标函数Zr达到最小;
目标函数权重参数ar如下所述:
其中,最优特征指标的权值s如下所述:
6)计算各光伏场站排序目标函数值Hr,即:
Hr(i')=Hr-1(i')+hr(i') (27)
7)判断迭代次数r>RT是否成立,若不成立,则令r=r+1,并进入步骤8);若成立,则结束迭代,并输出光伏场站排序目标函数值Hr;
8)更新权值为Dr+1,并返回步骤2);
权值Dr+1如下所述:
8.根据权利要求7所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,排序目标函数值Hr和光伏场站的波动性能正相关。
9.根据权利要求7所述的一种基于RankBoost的光伏场站出力波动性量化评价方法,其特征在于,计算最优特征指标hr的步骤如下:
1)初始化迭代次数k=1,RM=-∞,M为波动性指标的数目;
2)设Sk(i')为第i'个光伏场站出力数据第k个指标的计算结果,分别对出力数据的指标计算结果进行降序排列,得到序列fk(i'),i'=1,...n,n为待排序的光伏场站数目;
3)基于特征值Sk(i'),设置排序对象阈值θk(i'),即:
式中,θk为序列fk的阈值;θk(1)=fk(1)-1;
4)建立符号函数mk,即:
5)计算累计符号函数Rk,即:
Rk(i')=Rk(i'-1)+mk(i') (31)
其中,Rk(0)=0;
6)确定Rkmax,即:
Rkmax=max{|Rk(i')|,i'=1,2...n} (32)
7)判断Rkmax>RM是否成立,若成立,则进入步骤8),若不成立,则进入步骤9);
8)令RM=Rkmax,最优特征指标hr=mk;
9)判断k≤M是否成立,若成立,则令k=k+1,并返回步骤2);如不成立,则结束迭代,并输出最优特征指标hr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075416.5A CN111293681B (zh) | 2020-01-22 | 2020-01-22 | 一种基于RankBoost的光伏场站出力波动性量化评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010075416.5A CN111293681B (zh) | 2020-01-22 | 2020-01-22 | 一种基于RankBoost的光伏场站出力波动性量化评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111293681A CN111293681A (zh) | 2020-06-16 |
CN111293681B true CN111293681B (zh) | 2023-04-25 |
Family
ID=71028495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010075416.5A Active CN111293681B (zh) | 2020-01-22 | 2020-01-22 | 一种基于RankBoost的光伏场站出力波动性量化评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111293681B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052430B (zh) * | 2020-08-17 | 2023-09-29 | 重庆大学 | 一种基于改进topsis的光伏场站相关性综合评估系统 |
CN112398165B (zh) * | 2020-11-05 | 2022-07-05 | 贵州电网有限责任公司 | 一种基于极限场景分析的新能源消纳能力评估方法 |
CN113162028B (zh) * | 2021-03-29 | 2023-05-30 | 重庆大学 | 一种基于RankBoost的新能源场站AGC综合性能评估方法 |
CN113191918B (zh) * | 2021-03-31 | 2024-04-23 | 重庆大学 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719059A (zh) * | 2016-01-13 | 2016-06-29 | 合肥工业大学 | 光伏发电系统置信容量评估方法 |
CN105846472A (zh) * | 2016-06-15 | 2016-08-10 | 国网西藏电力有限公司 | 基于光伏出力波动性的电网频率变化评估方法及系统 |
CN106875292A (zh) * | 2017-02-17 | 2017-06-20 | 云南电网有限责任公司 | 一种基于时域相关性量化分析间歇性能源集群效应的方法 |
CN107679687A (zh) * | 2017-08-29 | 2018-02-09 | 国网江苏省电力公司经济技术研究院 | 一种光伏出力建模方法以及发电系统可靠性评估方法 |
CN108321840A (zh) * | 2018-02-12 | 2018-07-24 | 重庆大学 | 基于光伏发电站精细化出力的并网退网选择方法 |
CN109103926A (zh) * | 2018-08-14 | 2018-12-28 | 清华大学 | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9507364B2 (en) * | 2014-03-10 | 2016-11-29 | Duke Energy Corporation | Methods for reducing solar inverter output volatility, and related nodes and solar inverters |
-
2020
- 2020-01-22 CN CN202010075416.5A patent/CN111293681B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719059A (zh) * | 2016-01-13 | 2016-06-29 | 合肥工业大学 | 光伏发电系统置信容量评估方法 |
CN105846472A (zh) * | 2016-06-15 | 2016-08-10 | 国网西藏电力有限公司 | 基于光伏出力波动性的电网频率变化评估方法及系统 |
CN106875292A (zh) * | 2017-02-17 | 2017-06-20 | 云南电网有限责任公司 | 一种基于时域相关性量化分析间歇性能源集群效应的方法 |
CN107679687A (zh) * | 2017-08-29 | 2018-02-09 | 国网江苏省电力公司经济技术研究院 | 一种光伏出力建模方法以及发电系统可靠性评估方法 |
CN108321840A (zh) * | 2018-02-12 | 2018-07-24 | 重庆大学 | 基于光伏发电站精细化出力的并网退网选择方法 |
CN109103926A (zh) * | 2018-08-14 | 2018-12-28 | 清华大学 | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 |
Non-Patent Citations (3)
Title |
---|
"基于可靠性量化的微电网变时间尺度协调调度策略";刘增庆,雷霞,邱少引 等;《华北电力大学学报(自然科学版)》;20180130;第39-47页 * |
"考虑光伏出力波动性的独立微网优化配置";杨冬锋,马群凯,王永 等;《东北电力大学学报》;20190831;第39卷(第04期);第19-26页 * |
"计及功率相关性的光伏电站群置信容量评估方法";崔杨,李焕奇,张节潭 等;《太阳能学报》;20170428;第38卷(第04期);第1039-1044页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111293681A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111293681B (zh) | 一种基于RankBoost的光伏场站出力波动性量化评价方法 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN102663513B (zh) | 利用灰色关联度分析的风电场功率组合预测建模方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN106228462B (zh) | 一种基于遗传算法的多储能系统优化调度方法 | |
CN109934395B (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
CN102810860B (zh) | 风能源与常规能源协调调度模式下备用容量分析方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
CN104268659A (zh) | 一种光伏电站发电功率超短期预测方法 | |
CN109886567A (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN109670694B (zh) | 一种多能源供给系统负荷预测方法 | |
CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
CN112994115A (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
CN116974768A (zh) | 一种基于深度学习的算力调度方法 | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
CN116826726A (zh) | 一种微电网发电量预测方法、装置及存储介质 | |
Liu et al. | Advanced evaluation method for regional wind power prediction | |
CN105528517A (zh) | 基于神经网络、小波分解光伏电站功率预测方法、系统 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN114862022A (zh) | 海上风电场发电出力特性预测方法、装置、设备及介质 |
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 |