CN113256033A - 基于模态互补的发电站选址定容方法、装置、系统及介质 - Google Patents

基于模态互补的发电站选址定容方法、装置、系统及介质 Download PDF

Info

Publication number
CN113256033A
CN113256033A CN202110757725.5A CN202110757725A CN113256033A CN 113256033 A CN113256033 A CN 113256033A CN 202110757725 A CN202110757725 A CN 202110757725A CN 113256033 A CN113256033 A CN 113256033A
Authority
CN
China
Prior art keywords
wind
light
power
station
solar
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
CN202110757725.5A
Other languages
English (en)
Other versions
CN113256033B (zh
Inventor
廖圣桃
黄日光
陈慧聪
刘康
徐江旺
曾广贤
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.)
Huizhou Hongye Electric Power Co ltd
Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Huizhou Hongye Electric Power Co ltd
Huizhou Power Supply Bureau of Guangdong 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 Huizhou Hongye Electric Power Co ltd, Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Huizhou Hongye Electric Power Co ltd
Priority to CN202110757725.5A priority Critical patent/CN113256033B/zh
Publication of CN113256033A publication Critical patent/CN113256033A/zh
Application granted granted Critical
Publication of CN113256033B publication Critical patent/CN113256033B/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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • 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
    • 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
    • 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
    • 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
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

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

Abstract

本发明公开了基于模态互补的发电站选址定容方法、装置、系统及介质，通过获取各个备选风光站址对应的风光资源数据，根据风光资源数据预测各个备选风光站址的风光预测出力；根据风光预测出力计算各个备选风光站址的风光互补指标；对各个风光互补指标进行模态加权运算后选定互补指标最大值对应的风光互补站址；在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，根据每次调整后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。通过选择互补程度最大的风光站址并优化水电与风光发电的容量比，使得水风光联合出力曲线能最大化程度与负荷相匹配，提高能源利用率。

Description

基于模态互补的发电站选址定容方法、装置、系统及介质
技术领域
本发明涉及新能源技术领域，尤其涉及基于模态互补的发电站选址定容方法、装置、系统及介质。
背景技术
风能和太阳能发电可有效缓解当前化石燃料危机和解决环境污染问题，但风电和太阳能发电都受到自然气象条件的影响，具有间歇性、波动性特点，使风光并网困难。目前，通过建立水、风、光联合发电系统，能有效平抑风光出力的波动性，然而现有的水、风、光联合发电系统中，通常仅针对不同能源之间的容量配置进行优化，而忽略了站址选择对风光能源互补性的影响以及联合发电系统与负荷功率之间的匹配，可能出现风光电站址选择不合理以及水电与风光电容量比配置不合理的情况，从而对能源利用率造成影响。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供基于模态互补的发电站选址定容方法、装置、系统及介质，旨在解决现有技术中水风光联合电站能源利用率不高的问题。
本发明的技术方案如下：
一种基于模态互补的发电站选址定容方法，其包括如下步骤：
获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力；
根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离；
对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址；
在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。
所述的基于模态互补的发电站选址定容方法中，所述获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力，包括：
获取各个备选风光站址的风能资源数据和太阳能资源数据；
根据所述风能资源数据和太阳能资源数据分别预测各个备选风光站址在周期T内各时段单位装机容量下的风光预测出力，输出相应的风电出力序列和光伏出力序列。
所述的基于模态互补的发电站选址定容方法中，所述根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离，包括：
根据所述风电出力序列和光伏出力序列计算原始序列的形态互补性；
对所述风电出力序列和光伏出力序列作一阶差分运算得到风电一阶差分序列和光伏一阶差分序列；
根据所述风电一阶差分序列和光伏一阶差分序列分别计算所述实时波动互补性和实时波动欧式距离。
所述的基于模态互补的发电站选址定容方法中，所述根据所述风电出力序列和光伏出力序列计算原始序列的形态互补性，具体包括：
根据所述风电出力序列（
Figure 100002_DEST_PATH_IMAGE001
）和光伏出力序列(
Figure 188771DEST_PATH_IMAGE002
)计算原始序列的形态互补性
Figure 100002_DEST_PATH_IMAGE003
，
Figure 611662DEST_PATH_IMAGE004
，其中
Figure 100002_DEST_PATH_IMAGE005
为风电在t时刻的出 力，
Figure 562563DEST_PATH_IMAGE006
为光伏在t时刻的出力，
Figure 100002_DEST_PATH_IMAGE007
为周期T内风电的平均出力、
Figure 463523DEST_PATH_IMAGE008
为周期T内光伏的 平均出力。
所述的基于模态互补的发电站选址定容方法中，所述根据所述风电一阶差分序列和光伏一阶差分序列分别计算所述实时波动互补性和实时波动欧式距离，具体包括：
根据所述风电一阶差分序列和光伏一阶差分序列计算所述实时波动互补性
Figure 100002_DEST_PATH_IMAGE009
和 实时波动欧式距离
Figure 682014DEST_PATH_IMAGE010
，其中，
Figure 100002_DEST_PATH_IMAGE011
Figure 275807DEST_PATH_IMAGE012
分别为风电功率、光伏功率、风光联合功率在t时刻的一 阶差分值，
Figure 100002_DEST_PATH_IMAGE013
为风电和光伏电站在t时刻的联合功率，
Figure 141036DEST_PATH_IMAGE005
为风电在t时刻的出力，
Figure 845687DEST_PATH_IMAGE006
为光伏在t时刻的出力，
Figure 387527DEST_PATH_IMAGE014
为风电和光伏电站在t+1时刻的联合功率，
Figure 100002_DEST_PATH_IMAGE015
为风电在 t+1时刻的出力，
Figure 650756DEST_PATH_IMAGE016
为光伏在t+1时刻的出力，
Figure 100002_DEST_PATH_IMAGE017
为t时刻光伏功率一阶差分值与风电 功率一阶差分值的差的平方。
所述的基于模态互补的发电站选址定容方法中，所述对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址，包括：
构造以
Figure 809204DEST_PATH_IMAGE018
为特征变量的3*M维的样本空间
Figure 100002_DEST_PATH_IMAGE019
，
Figure 51967DEST_PATH_IMAGE020
，其中
Figure 713892DEST_PATH_IMAGE018
分别为第j个备选风光站址的 形态互补性、实时波动互补性以及实时波动欧式距离，M为备选风光站址的数量；
对所述样本空间进行标准化处理后得到相应的数据集矩阵
Figure 100002_DEST_PATH_IMAGE021
，
Figure 915067DEST_PATH_IMAGE022
，
Figure 100002_DEST_PATH_IMAGE023
，其中
Figure 796697DEST_PATH_IMAGE024
分别为矩 阵
Figure 577571DEST_PATH_IMAGE021
、
Figure 94003DEST_PATH_IMAGE019
的第i行第j列的元素；
求矩阵
Figure 669341DEST_PATH_IMAGE021
的协方差矩阵
Figure 100002_DEST_PATH_IMAGE025
，并求取所述协方差矩阵
Figure 802382DEST_PATH_IMAGE025
的特征值
Figure 386947DEST_PATH_IMAGE026
和单位特征 向量
Figure 100002_DEST_PATH_IMAGE027
；
将单位特征向量按照特征值从大到小的顺序，从上到下按行排列构造矩阵
Figure 289044DEST_PATH_IMAGE028
，按 公式
Figure 100002_DEST_PATH_IMAGE029
计算得到主成分矩阵
Figure 64977DEST_PATH_IMAGE030
，
Figure 100002_DEST_PATH_IMAGE031
，其中各个主 成分的贡献率
Figure 419735DEST_PATH_IMAGE032
，
Figure 100002_DEST_PATH_IMAGE033
为所述协方差矩阵的第
Figure 73570DEST_PATH_IMAGE034
个特征值；
根据所述主成分矩阵将各个备选风光站址的风光互补指标
Figure 100002_DEST_PATH_IMAGE035
转化为模态加权互 补指标
Figure 564594DEST_PATH_IMAGE036
，
Figure 100002_DEST_PATH_IMAGE037
，其中
Figure 779937DEST_PATH_IMAGE038
为主成分矩 阵中第1行第j列的元素，
Figure 100002_DEST_PATH_IMAGE039
为主成分矩阵中第2行第j列的元素，
Figure 621991DEST_PATH_IMAGE040
为主成分矩阵中第 3行第j列的元素；
选择模态加权互补指标的最大值对应的风电站址和光伏站址作为所述风光互补站址。
所述的基于模态互补的发电站选址定容方法中，所述在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比，包括：
获取已选定的风光互补站址中风电站址的风电出力序列和光伏站址的光伏出力序列；
将预设水电站址与已选定的风光互补站址之间的容量比设置为初始值，并根据所述容量比计算得到水电出力序列以及净负荷功率序列；
根据所述净负荷功率序列计算输出相应的净负荷均衡分布曲线，并根据所述净负荷均衡分布曲线计算水风光联合电站的净负荷基尼系数；
按预设步长调节所述容量比的值后返回重新计算所述净负荷基尼系数，直到所述容量比的值达到预设范围的上限值；
选取净负荷基尼系数最小时对应的容量比作为最佳容量比。
本发明又一实施例还提供了一种基于模态互补的发电站选址定容装置，所述装置包括：
风光出力预测模块，用于获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力；
互补指标计算模块，用于根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离；
选址模块，用于对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址；
容量比优化模块，用于在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。
本发明又一实施例还提供了一种基于模态互补的发电站选址定容系统，所述系统包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于模态互补的发电站选址定容方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于模态互补的发电站选址定容方法。
有益效果：本发明公开了基于模态互补的发电站选址定容方法、装置、系统及介质，相比于现有技术，本发明实施例对备选风光站址的多项风光互补指标进行计算以及进一步的模态加权运算，选择互补程度最大的风光互补站址并优化水电与风光发电的容量比，使得水风光联合出力曲线能最大化程度与负荷相匹配，提高能源利用率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明实施例提供的基于模态互补的发电站选址定容方法的一个流程图；
图2为本发明实施例提供的基于模态互补的发电站选址定容方法中净负荷均衡分布曲线；
图3为本发明实施例提供的基于模态互补的发电站选址定容方法的一个原理图；
图4为本发明实施例提供的基于模态互补的发电站选址定容方法中风光日预测出力曲线；
图5为本发明实施例提供的基于模态互补的发电站选址定容方法中不同容量比下净负荷基尼系数的计算结果示意图；
图6为本发明实施例提供的基于模态互补的发电站选址定容装置的功能模块示意图；
图7为本发明实施例提供的基于模态互补的发电站选址定容系统的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。以下结合附图对本发明实施例进行介绍。
请参阅图1，图1为本发明提供的基于模态互补的发电站选址定容方法一个实施例的流程图。本实施例提供的基于模态互补的发电站选址定容方法适用于对水风光联合电站进行选址定容的情况，应用于包括终端设备、网络和服务器构成的系统，其中网络为用于在终端设备和服务器直接提供通信链路的介质，其可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等；终端设备上的操作系统可以包括手持设备操作系统（iPhoneoperating system，iOS系统）、安卓系统或其他操作系统，所述终端设备通过网络连接到服务器以实现交互，从而进行接收或发送数据等操作，具体可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式服务器等等。如图1所示，该方法具体包括如下步骤：
S100、获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力。
本实施例中，针对水风光联合发电系统预设有若干个备选风光站址，所述备选风光站址具体包括若干个风电站址和若干个光伏站址，各个备选风光站址输出的电能经并网逆变器、配电变压器接入大电网，再由大电网经配电变压器输出，供用户用电。通过获取各个备选风光站址对应的风光资源数据来进行出力预测，具体所述风光资源数据可以是各个备选风光站址的发电功率历史数据，或者也可以是从气象站等数据源获取的各个风电站址的风能数据以及各个光伏站址的太阳能数据，从而对各个备选风光站址在预设周期内的风光预测出力进行准确预测，为水风光联合发电系统的站址选择提供准确的分析数据，提高站址选择的可靠性。
S200、根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离。
由于风电和太阳能发电在时空上存在互补性，合理利用其互补特性可最大限度的优化风光联合出力的稳定性和安全性，因此在得到各个备选风光站址的风光预测出力后，则进一步计算对应的风光互补指标，所述风光互补指标用于表征不同的风电站址与光伏站址之间的风光出力互补程度，互补程度越大则越有利于风电站址与光伏站址之间的互补波动抑制，具体地，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离，即本实施例中并非采用传统的单一互补系数来描述不同能源出力相互补充对负荷需求的满足程度，而是充分考虑了风能和太阳能之间的多种互补特性，通过不同的互补指标来分别表征对应的时空互补特性，使得风光互补指标更加合理且全面，尽可能地提高了对不同备选风光站址之间的互补评估的准确性，有利于风光电站址的选择。
S300、对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址。
由于针对每个备选风光站址均需要计算包括形态互补性、实时波动互补性以及实时波动欧式距离在内的多种风光互补指标，考虑到不同类型的风光互补指标之间的相关性，进一步对各个备选风光站址的风光互补指标进行模态加权运算，即引入加权系数对所述形态互补性、实时波动互补性以及实时波动欧式距离进行加权计算得到总体互补指标，并且进一步以不同风光互补指标作为模态分析对象，分析确定各个风光互补指标的权重系数，通过权重系数来体现不同风光互补指标对风光互补程度的影响力，从而得到更加准确合理的模态加权互补指标，选定最大值对应的两个备选风光站址作为风光互补站址，即最优的选址方案，所述风光互补站址包括一个风电站址和一个光伏站址，二者具有最大的模态加权互补指标，表示这两个电站之间的互补程度最高，能最大程度的利用风光资源的互补性，确保站址选择的合理性以及对资源的利用率。
S400、在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。
在选定了所述风光互补站址作为最优地址的基础上，通过有调节能力的水电机组联合风光电站出力，进一步利用水电快速调节能力来平抑风光出力波动，实现水风光联合电站的最优配置方案，具体通过调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比来实现，即所述容量比为水电与风光容量之间的比例，所述容量比可在预设范围内进行灵活调节，具体可根据实际需要设置预设范围的大小以及调节方式等等，例如调节方式可采用等步长调节、指定比例调节等等，本实施例对此不作限定。每次对容量比进行调节后均计算当前容量比下水风光联合电站的净负荷基尼系数，具体所述水风光联合电站包括已选定的风光互补站址以及预设水电站址所对应的三家发电站，所述净负荷基尼系数用于度量在一定容量比下，水风光联合电站跟踪符合功率曲线的程度，即水风光联合电站的出力曲线与负荷曲线的匹配程度，当净负荷基尼系数越小时，说明水风光联合电站的出力曲线与负荷曲线的匹配程度越高，将此时对应的容量比作为最佳容量比，预设水电站址则按所述最佳容量比进行水电出力，实现与风电互补站址之间的最优资源配置。也就是说，本实施例中通过有调节能力的水电机组联合风光电站出力，一方面能平抑风光电站的波动性，另一方面还可跟踪负荷功率变化，通过调节容量比使净负荷功率曲线平稳均衡，在选择了具有最优互补程度的风光互补站址的基础上，将水电与风光容量的比例最大程度进行了优化配置，使得水风光联合电站的输出与负荷能匹配，有效提高了资源利用率。
进一步地，在一个实施例中，所述获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力，包括：
获取各个备选风光站址的风能资源数据和太阳能资源数据；
根据所述风能资源数据和太阳能资源数据分别预测各个备选风光站址在周期T内各时段单位装机容量下的风光预测出力，输出相应的风电出力序列和光伏出力序列。
本实施例中，根据各个备选风光站址的发电功率历史数据，或者获取从气象站等数据源获取的各个风电站址的风能数据以及各个光伏站址的太阳能数据得到各个备选风光站址的风能资源数据和太阳能资源数据，通过风能资源数据预测各个风电站址在周期T内各时段单位装机容量下的风电预测出力，输出风电出力序列，并且通过太阳能资源数据预测各个光伏站址在周期T内各时段单位装机容量下的光伏预测出力，输出光伏出力序列，所述风电出力序列和光伏出力序列分别代表了风电站址和光伏站址在单位装机容量下不同时段的输出功率，通过不同时段下的出力序列能体现风电出力以及光伏出力的波动变化，为后续的风光互补指标计算提供更加精准的数据，具体周期T可根据需求灵活设置，例如设置为24小时，则预测得到的是风电日预测出力以及光伏日预测出力，当然还可设置为其它周期，本实施例对此不作限定，具体的出力预测过程可采用现有技术进行预测，此处不作赘述。
进一步地，在一个实施例中，所述根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离，包括：
根据所述风电出力序列和光伏出力序列计算原始序列的形态互补性；
对所述风电出力序列和光伏出力序列作一阶差分运算得到风电一阶差分序列和光伏一阶差分序列；
根据所述风电一阶差分序列和光伏一阶差分序列分别计算所述实时波动互补性和实时波动欧式距离。
本实施例中，通过所述风电出力序列和光伏出力序列分别计算各个备选风光站址 的形态互补性、实时波动互补性以及实时波动欧式距离，以尽可能地优化风光站址之间的 互补特性，其中具体地，所述形态互补性的计算过程为根据所述风电出力序列（
Figure 548359DEST_PATH_IMAGE001
）和光伏出力序列(
Figure 628311DEST_PATH_IMAGE002
)计算原始序列的形 态互补性
Figure 247511DEST_PATH_IMAGE003
，
Figure 780123DEST_PATH_IMAGE004
，其中
Figure 244603DEST_PATH_IMAGE005
为风电 在t时刻的出力，
Figure 444640DEST_PATH_IMAGE006
为光伏在t时刻的出力，
Figure 969162DEST_PATH_IMAGE007
为周期T内风电的平均出力、
Figure 487606DEST_PATH_IMAGE008
为周 期T内光伏的平均出力，
Figure DEST_PATH_IMAGE041
，
Figure 552514DEST_PATH_IMAGE003
越大，则风光出力的形态互补性越强。
进一步地，所述实时波动互补性以及实时波动欧式距离的计算需要先对所述风电出力序列和光伏出力序列作一阶差分运算得到风电一阶差分序列和光伏一阶差分序列，进而根据所述风电一阶差分序列和光伏一阶差分序列分别计算得到所述实时波动互补性以及实时波动欧式距离。
具体地，所述实时波动互补性的计算过程为对所述风电出力序列和光伏出力序列 作一阶差分运算得到风电一阶差分序列（
Figure 341478DEST_PATH_IMAGE042
）和光伏一阶差分 序列(
Figure DEST_PATH_IMAGE043
)，之后计算实时波动互补性
Figure 568060DEST_PATH_IMAGE044
，计算模型具 体为：
Figure DEST_PATH_IMAGE045
其中，
Figure 606423DEST_PATH_IMAGE046
分别为风电功率、光伏功率、风光联合功率在t时 刻的一阶差分值，
Figure DEST_PATH_IMAGE047
为风电和光伏电站在t时刻的联合功率，
Figure 710908DEST_PATH_IMAGE014
为风电和光伏电站 在t+1时刻的联合功率，
Figure 619958DEST_PATH_IMAGE015
为风电在t+1时刻的出力，
Figure 486283DEST_PATH_IMAGE016
为光伏在t+1时刻的出力，
Figure 480784DEST_PATH_IMAGE048
，
Figure 356336DEST_PATH_IMAGE044
越大则风光实时波动互补性越强。
所述实时波动欧式距离
Figure DEST_PATH_IMAGE049
的计算模型为：
Figure 651051DEST_PATH_IMAGE050
其中，
Figure 688277DEST_PATH_IMAGE017
为t时刻光伏功率一阶差分值与风电功率一阶差分值的差的平方，
Figure DEST_PATH_IMAGE051
，
Figure 199768DEST_PATH_IMAGE049
越大则风光实时波动互补性越强。
进一步地，在一个实施例中，所述对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址，包括：
构造以
Figure 613431DEST_PATH_IMAGE018
为特征变量的3*M维的样本空间
Figure 497074DEST_PATH_IMAGE019
，
Figure 705201DEST_PATH_IMAGE020
，其中
Figure 408715DEST_PATH_IMAGE018
分别为第j个备选风光站址的形 态互补性、实时波动互补性以及实时波动欧式距离，M为备选风光站址的数量；
对所述样本空间进行标准化处理后得到相应的数据集矩阵
Figure 626070DEST_PATH_IMAGE021
，
Figure 364219DEST_PATH_IMAGE022
，
Figure 8827DEST_PATH_IMAGE023
，其中
Figure 199637DEST_PATH_IMAGE024
分别为矩阵
Figure 456568DEST_PATH_IMAGE021
、
Figure 314802DEST_PATH_IMAGE019
的第i行第j列的元素；
求矩阵
Figure 130312DEST_PATH_IMAGE021
的协方差矩阵
Figure 542838DEST_PATH_IMAGE025
，并求取所述协方差矩阵
Figure 101996DEST_PATH_IMAGE025
的特征值
Figure 814737DEST_PATH_IMAGE026
和单位特征 向量
Figure 535568DEST_PATH_IMAGE027
；
将单位特征向量按照特征值从大到小的顺序，从上到下按行排列构造矩阵
Figure 966549DEST_PATH_IMAGE028
，按 公式
Figure 63818DEST_PATH_IMAGE029
计算得到主成分矩阵
Figure 129601DEST_PATH_IMAGE030
，
Figure 21334DEST_PATH_IMAGE031
，其中各个主 成分的贡献率
Figure 674032DEST_PATH_IMAGE032
，
Figure 574992DEST_PATH_IMAGE033
为所述协方差矩阵的第
Figure 262325DEST_PATH_IMAGE034
个特征值；
根据所述主成分矩阵将各个备选风光站址的风光互补指标
Figure 324959DEST_PATH_IMAGE035
转化为模态加权互 补指标
Figure 464953DEST_PATH_IMAGE036
，
Figure 904025DEST_PATH_IMAGE037
，其中
Figure 180286DEST_PATH_IMAGE038
为主成分矩阵 中第1行第j列的元素，
Figure 679400DEST_PATH_IMAGE039
为主成分矩阵中第2行第j列的元素，
Figure 808155DEST_PATH_IMAGE040
为主成分矩阵中第3 行第j列的元素；
选择模态加权互补指标的最大值对应的风电站址和光伏站址作为所述风光互补站址。
本实施例中，在进行模态加权运算时，引入加权系数
Figure 50918DEST_PATH_IMAGE052
、
Figure DEST_PATH_IMAGE053
、
Figure 978423DEST_PATH_IMAGE054
对所述形态互 补性
Figure DEST_PATH_IMAGE055
、实时波动互补性
Figure 179597DEST_PATH_IMAGE056
和实时波动欧式距离
Figure DEST_PATH_IMAGE057
进行加权计算得到备选风光站址的总 体互补指标
Figure 294183DEST_PATH_IMAGE058
，具体计算模型为：
Figure DEST_PATH_IMAGE059
其中
Figure 104751DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE061
越大则风光互补性越强。
其中，加权系数的确定考虑到各风光互补指标具有一定相关性，且以人为经验为 主的权重系数确定方法具有主观性缺陷，因此本实施例中采用主成分分析法对
Figure 152342DEST_PATH_IMAGE062
三个特征指标组成的样本空间
Figure DEST_PATH_IMAGE063
进行变换，得到样本 空间
Figure 258838DEST_PATH_IMAGE019
对应的模态空间
Figure 595141DEST_PATH_IMAGE030
，之后进一步确定各特征指标的权重系数，具体的步骤是先据M 个风电出力样本和M个光伏出力样本计算
Figure 179706DEST_PATH_IMAGE018
三个特征指标，形成有M个样本， 每个样本由3个特征变量描述的数据集，将数据集中的每个样本作为列向量，构成一个3行M 列的矩阵
Figure 550645DEST_PATH_IMAGE019
。
Figure 296884DEST_PATH_IMAGE020
其中，
Figure 887528DEST_PATH_IMAGE018
分别为第j个备选风光站址的形态互补性、实时波动互补性 以及实时波动欧式距离，M为备选风光站址的数量。
将矩阵
Figure 10204DEST_PATH_IMAGE019
的每个行向量都减去该行向量的均值，再除以该行向量的标准差，得到 新的数据集矩阵
Figure 501229DEST_PATH_IMAGE021
，具体计算模型如下：
Figure 418369DEST_PATH_IMAGE022
Figure 729265DEST_PATH_IMAGE023
其中
Figure 655632DEST_PATH_IMAGE024
分别为矩阵
Figure 1163DEST_PATH_IMAGE021
、
Figure 89205DEST_PATH_IMAGE019
的第i行第j列的元素。
之后求矩阵
Figure 887396DEST_PATH_IMAGE021
的协方差矩阵
Figure 115990DEST_PATH_IMAGE025
，并求取所述协方差矩阵
Figure 316027DEST_PATH_IMAGE025
的特征值
Figure 840550DEST_PATH_IMAGE026
和单位 特征向量
Figure 126037DEST_PATH_IMAGE027
，具体
Figure 659787DEST_PATH_IMAGE064
。
之后按单位特征向量按照特征值从大到小的顺序，从上到下按行排列构造矩阵
Figure 448751DEST_PATH_IMAGE028
，通过公式
Figure 144175DEST_PATH_IMAGE029
计算得到主成分矩阵
Figure 916959DEST_PATH_IMAGE030
，具体可以表示为：
Figure DEST_PATH_IMAGE065
用特征值计算各主成分的贡献率
Figure 755864DEST_PATH_IMAGE066
，具体计算模型为：
Figure 664914DEST_PATH_IMAGE032
，其 中
Figure 531239DEST_PATH_IMAGE033
为所述协方差矩阵的第
Figure 525740DEST_PATH_IMAGE034
个特征值，
Figure DEST_PATH_IMAGE067
。
由以上过程可知，原始数据集
Figure 932451DEST_PATH_IMAGE021
通过矩阵
Figure 430428DEST_PATH_IMAGE028
重构成了新数据集
Figure 733233DEST_PATH_IMAGE030
，数据集
Figure 215030DEST_PATH_IMAGE030
中 每个样本状态空间由3个主成分构成，而每个主成分由3个特征指标经标准化后线性组合得 到，故可称新数据集
Figure 363115DEST_PATH_IMAGE030
为原始数据集
Figure 768730DEST_PATH_IMAGE021
的模态空间，
Figure 242437DEST_PATH_IMAGE030
的每列为基本模态，记为
Figure 211530DEST_PATH_IMAGE068
，各主成分的方差贡献率反映了其对样本整体状况的影响程度， 即可视为各主成分的权重系数，因此将风光互补指标
Figure DEST_PATH_IMAGE069
转化为模态加权互补指标
Figure 694463DEST_PATH_IMAGE036
，
Figure 432612DEST_PATH_IMAGE037
则模态加权互补指标的最大值即 互补程度最大的风电站址和光伏站址作为所述风光互补站址，实现最优互补的风光站址选 择过程，确保联合电站中站址选择的合理性。
进一步地，在一个实施例中，所述在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比，包括：
获取已选定的风光互补站址中风电站址的风电出力序列和光伏站址的光伏出力序列；
将预设水电站址与已选定的风光互补站址之间的容量比设置为初始值，并根据所述容量比计算得到水电出力序列以及净负荷功率序列；
根据所述净负荷功率序列计算输出相应的净负荷均衡分布曲线，并根据所述净负荷均衡分布曲线计算水风光联合电站的净负荷基尼系数；
按预设步长调节所述容量比的值后返回重新计算所述净负荷基尼系数，直到所述容量比的值达到预设范围的上限值；
选取净负荷基尼系数最小时对应的容量比作为最佳容量比。
本实施例中，通过有调节能力的水电机组联合风光电站出力，一方面平抑风光电 站的波动性，另一方面跟踪负荷功率变化，使净负荷功率曲线平稳均衡，先获取之前选址得 到的风光互补站址中风电站址n的风电出力序列（
Figure 811641DEST_PATH_IMAGE070
） 和光伏站址m的光伏出力序列（
Figure DEST_PATH_IMAGE071
），将预设水电站址 与已选定的风光互补站址之间的容量比R设置为初始值，并计算当前容量比下的水电出力 序列，具体地，获取已选定的风电站址的风电额定容量
Figure 799189DEST_PATH_IMAGE072
和光伏站址的光伏额定容量
Figure DEST_PATH_IMAGE073
，则水电装机容量为
Figure 321699DEST_PATH_IMAGE074
，再根据水电装机容量和给定的发电流量，通过 水电出力模型得到水电出力序列，此计算过程为现有技术，此处不作赘述。计算得到水电出 力序列（
Figure DEST_PATH_IMAGE075
）即可得到水风光联合电站的出力序列（
Figure 711092DEST_PATH_IMAGE076
），再与给定的负荷序列（
Figure DEST_PATH_IMAGE077
）作差，得到净 负荷功率序列（
Figure 526601DEST_PATH_IMAGE078
）。
之后确定净负荷功率序列的频率分布和时间序列的频率分布。采用各时刻功率占 周期T内总功率的百分比表征其对应的频率，得到净负荷功率频率分布序列
Figure DEST_PATH_IMAGE079
。由于各时刻均等分布且间隔为1，所以时间序列频率分布为
Figure 1445DEST_PATH_IMAGE080
。
按从小到大的顺序，对净负荷功率频率分布序列
Figure 295023DEST_PATH_IMAGE082
的元素从新排序，并按公式
Figure DEST_PATH_IMAGE083
求出排序后净负荷功率累计频率分布序列
Figure 37458DEST_PATH_IMAGE084
。时间频率分布各元素大小相等，无需排序，并直接求得时间 累计频率分布序列
Figure DEST_PATH_IMAGE085
；
以时刻累计分布为横坐标，以净负荷功率累计频率分布为纵坐标，绘制净负荷均衡分布曲线L，如图2所示。并根据所述净负荷均衡分布曲线计算水风光联合电站的的净负荷基尼系数G，具体计算模型如下：
Figure 289448DEST_PATH_IMAGE086
其中
Figure DEST_PATH_IMAGE087
分别为图2中A、B两部分的面积，A部分为净负荷功率绝对均衡线与 曲线L包围的区域，B部分为阴影区域，A的面积越小，净负荷功率分布越均衡，即净负荷基尼 系数G越小净负荷功率分布越均衡，
Figure 986008DEST_PATH_IMAGE088
。
在容量比取初始值计算了相应的净负荷基尼系数后，则按预设步长调节所述容量比的值后再重复上述计算过程，知道所述容量比的值达到预设范围的上限值时得到所有容量比的取值对应的净负荷基尼系数，例如容量比R初始值取0.1，预设范围的上限值为2，预设步长为0.1，则从R=0.1开始计算G值，每计算一次G值则R+0.1后返回继续计算G值，直到R=2，此时即可得到多个R值对应的G值，取G值最小时对应的容量比作为最佳容量比来配置水电与风光容量的比例，在综合考虑了多种风光互补特性得到互补程度最大的风光互补站址的基础上，也保证了水风光联合电站的跟踪负荷效果最好，得到水电与风光发电的最佳容量配置比，使得水风光联合电站的出力与负荷最大程度相匹配，兼顾系统经济性和环保性的同时尽可能地提高了能源利用效率。
为更好地理解本发明提供的基于模态互补的发电站选址定容方法的实现过程，以下结合图2至图5，举具体的应用实施例对基于模态互补的发电站选址定容的过程进行详细描述：
针对雅鲁藏布江流域多个水风光站点2016 年的电源装机和负荷数据，基于一天24 时段优化周期进行仿真计算。
从风光资源分布地图选择风光站点，具体包括：拉孜、南木林、拉萨、当雄、泽当、林芝、波密7个气象站点。每个站点作为一个风电站址和光伏站址根据每个站点的风光数据，通过预测模块得到各个站点的风、光日预测曲线。
之后，通过互补指标计算模块计算各风光站点之间的风光互补指标，具体步骤如下：
步骤一：根据各站点的风电出力序列（
Figure DEST_PATH_IMAGE089
）和光伏出力序列 (
Figure 348856DEST_PATH_IMAGE090
)计算形态互补性
Figure DEST_PATH_IMAGE091
，具体计算模型如下：
Figure 214307DEST_PATH_IMAGE092
其中
Figure DEST_PATH_IMAGE093
、
Figure 637198DEST_PATH_IMAGE094
为风电、光伏在t时刻的出力；
Figure DEST_PATH_IMAGE095
、
Figure 555475DEST_PATH_IMAGE096
为周期T内风电、光伏的 平均出力；
Figure DEST_PATH_IMAGE097
，
Figure 987593DEST_PATH_IMAGE091
越大，风光出力形态互补性越强。
步骤二：对风电出力序列和光伏出力序列作一阶差分运算得风电一阶差分序列（
Figure 674927DEST_PATH_IMAGE098
）和光伏一阶差分序列(
Figure DEST_PATH_IMAGE099
)，计算实时波动互补性
Figure 268719DEST_PATH_IMAGE100
，具体计算模型如下：
Figure DEST_PATH_IMAGE101
其中
Figure 438407DEST_PATH_IMAGE102
为风电、光伏、风光联合功率在t时刻的一阶差 分值；
Figure DEST_PATH_IMAGE103
为风电和光伏电站在t时刻的联合功率；
Figure 143058DEST_PATH_IMAGE104
，
Figure 684898DEST_PATH_IMAGE100
越大风光实时波动互 补性越强。
步骤三：根据风电一阶差分序列和光伏一阶差分序列，计算其实时波动欧式距离
Figure DEST_PATH_IMAGE105
，具体计算模型如下：
Figure 449591DEST_PATH_IMAGE106
其中
Figure DEST_PATH_IMAGE107
，
Figure 608040DEST_PATH_IMAGE105
越大风光实时波动互补性越强。
步骤四：引入加权系数
Figure 86688DEST_PATH_IMAGE108
、
Figure DEST_PATH_IMAGE109
、
Figure 14193DEST_PATH_IMAGE110
对原始序列形态互补性
Figure DEST_PATH_IMAGE111
、实时波动互补性
Figure 949788DEST_PATH_IMAGE112
和实时波动欧式距离
Figure DEST_PATH_IMAGE113
进行加权计算得到风光电站总体互补指标
Figure 595533DEST_PATH_IMAGE114
，具体计算模型如 下：
Figure DEST_PATH_IMAGE115
其中
Figure 907566DEST_PATH_IMAGE116
，
Figure DEST_PATH_IMAGE117
越大风光实时波动互补性越强。
步骤五：根据M个风电出力样本和M个光伏出力样本计算
Figure 922533DEST_PATH_IMAGE118
三个特征 指标，形成有M个样本，每个样本由3个特征变量描述的数据集，将数据集中的每个样本作为 列向量，构成一个3行M列的矩阵
Figure DEST_PATH_IMAGE119
。
Figure 294608DEST_PATH_IMAGE120
步骤六：将矩阵
Figure 896491DEST_PATH_IMAGE119
的每个行向量都减去该行向量的均值，再除以该行向量的标准 差，得到新的数据集矩阵
Figure DEST_PATH_IMAGE121
，具体计算模型如下：
Figure 746635DEST_PATH_IMAGE122
Figure DEST_PATH_IMAGE123
其中
Figure 648732DEST_PATH_IMAGE124
分别为矩阵
Figure 394971DEST_PATH_IMAGE121
、
Figure 985615DEST_PATH_IMAGE119
的第i行第j列的元素。
步骤七：求矩阵
Figure 108292DEST_PATH_IMAGE121
的协方差矩阵
Figure DEST_PATH_IMAGE125
，并求取所述协方差矩阵
Figure 599316DEST_PATH_IMAGE125
的特征值
Figure 47615DEST_PATH_IMAGE126
和 单位特征向量
Figure DEST_PATH_IMAGE127
。
Figure 624090DEST_PATH_IMAGE128
步骤八：将单位特征向量按照特征值从大到小的顺序，从上到下按行排列成矩阵
Figure DEST_PATH_IMAGE129
。
步骤九：按公式
Figure 81616DEST_PATH_IMAGE130
计算得到主成分矩阵
Figure DEST_PATH_IMAGE131
，具体可表示为：
Figure 191261DEST_PATH_IMAGE132
步骤十：用特征值计算各主成分的贡献率
Figure DEST_PATH_IMAGE133
，具体计算模型为：
Figure 76040DEST_PATH_IMAGE134
其中
Figure DEST_PATH_IMAGE135
为所述协方差矩阵的第
Figure 139811DEST_PATH_IMAGE136
个特征值，
Figure DEST_PATH_IMAGE137
。
步骤十一：将风光电站总体互补指标
Figure 135449DEST_PATH_IMAGE138
转化为模态加权互补指标
Figure DEST_PATH_IMAGE139
，具体模型如 下：
Figure 368109DEST_PATH_IMAGE140
至此，得到风电站址n和光伏站址m之间的互补指标
Figure DEST_PATH_IMAGE141
，结果如表1所示。
表1各风光站点间的风光互补指标值
Figure DEST_PATH_IMAGE143
之后，基于风光互补指标计算模块所得到的各风光站点间的风光互补指标值，选址模块选择互补程度最大的风电站址和光伏站址，并输出所选风光站点的风光日预测出力序列。根据表1可知，林芝的风能与泽当的太阳能互补程度最高，选择模块选择林芝作为风电站、泽当作为光伏电站，并输出林芝风电站单位装机容量下的风电日预测出力曲线及泽当光伏电站单位装机容量下的光伏日预测出力曲线，结果如图4所示。
之后，将水电与风光容量比初始值R设为0.1，R的最大值设为2.5。
之后，计算负荷跟踪度指标G，即净负荷基尼系数，具体步骤如下：
步骤一：根据选址模块得到的光伏出力序列（
Figure 689369DEST_PATH_IMAGE144
）和风电出力序列（
Figure DEST_PATH_IMAGE145
）联合水电出力序列（
Figure 240436DEST_PATH_IMAGE146
），得 到水风光联合系统的出力序列（
Figure DEST_PATH_IMAGE147
），再与给定的负荷序列（
Figure 39765DEST_PATH_IMAGE148
）作差，得到净负荷功率序列（
Figure DEST_PATH_IMAGE149
）。
步骤二：确定净负荷功率序列的频率分布和时间序列的频率分布。采用各时刻功 率占周期T内总功率的百分比表征其对应的频率，得到净负荷功率频率分布序列
Figure 359888DEST_PATH_IMAGE150
。由于各时刻均等分布且间隔为1，所以时间序列频率分布为
Figure DEST_PATH_IMAGE151
。
步骤三：按从小到大的顺序，对净负荷功率频率分布序列
Figure 350584DEST_PATH_IMAGE082
的元素从新排序，并按 公式
Figure 857789DEST_PATH_IMAGE083
求出排序后净负荷功率累计频率分布序列
Figure 664071DEST_PATH_IMAGE084
。时间频率分布各元素大小相等，无需排序，并直接求得时间累 计频率分布序列
Figure 838700DEST_PATH_IMAGE085
。
步骤四：以时刻累计分布为横坐标，以净负荷功率累计频率分布为纵坐标，绘制净负荷均衡分布曲线L，如图2所示。并根据所述净负荷均衡分布曲线计算水风光联合电站的的净负荷基尼系数G，具体计算模型如下：
Figure 705025DEST_PATH_IMAGE086
其中
Figure 699526DEST_PATH_IMAGE087
分别为图2中A、B两部分的面积，A部分为净负荷功率绝对均衡线与 曲线L包围的区域，B部分为阴影区域，A的面积越小，净负荷功率分布越均衡，即净负荷基尼 系数G越小净负荷功率分布越均衡，
Figure 309499DEST_PATH_IMAGE088
，至此，得到净负荷基尼系数G。
之后，R值增加0.1，并返回重新计算净负荷基尼系数G，直到R值达到最大值2.5终止计算；
之后，统计所有的G值及其对应的R值，结果如图5所示，由图5可知，水电与风光容量比为1.4时，净负荷基尼系数G为最小值0.3。所以得到水电与风光容量最佳配置比为1.4。
由以上方法实施例可知，本发明提供的基于模态互补的发电站选址定容方法通过选择互补程度最大的风光互补站址并优化水电与风光发电的容量比，使得水风光联合出力曲线能最大化程度与负荷相匹配，提高能源利用率。
需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
本发明另一实施例提供一种基于模态互补的发电站选址定容装置，如图6所示，装置1包括：
风光出力预测模块11，用于获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力；
互补指标计算模块12，用于根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离；
选址模块13，用于对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址；
容量比优化模块14，用于在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。
所述风光出力预测模块11、互补指标计算模块12、选址模块13和容量比优化模块14依次连接，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于模态互补的发电站选址定容的执行过程，各模块的具体实施方式请参考上述对应的方法实施例，此处不再赘述。
本发明另一实施例提供一种基于模态互补的发电站选址定容系统，如图7所示，系统10包括：
一个或多个处理器110以及存储器120，图7中以一个处理器110为例进行介绍，处理器110和存储器120可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器110用于完成系统10的各种控制逻辑，其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM（Acorn RISCMachine）或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于模态互补的发电站选址定容方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行系统10的各种功能应用以及数据处理，即实现上述方法实施例中的基于模态互补的发电站选址定容方法。
存储器120可以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、至少一个功能所需要的应用程序；存储数据区可存储根据系统10使用所创建的数据等。此外，存储器120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、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，执行上述任意方法实施例中的基于模态互补的发电站选址定容方法，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明而非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
综上所述，本发明公开的基于模态互补的发电站选址定容方法、装置、系统及介质中，方法通过获取各个备选风光站址对应的风光资源数据，根据风光资源数据预测各个备选风光站址在预设周期内的风光预测出力；根据风光预测出力计算各个备选风光站址的风光互补指标；对各个风光互补指标进行模态加权运算后选定互补指标最大值对应的风光互补站址；在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，根据每次调整后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。通过选择互补程度最大的风光互补站址并优化水电与风光发电的容量比，使得水风光联合出力曲线能最大化程度与负荷相匹配，提高能源利用率。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的计算机程序可存储于一非易失性计算机可读取的存储介质中，该计算机程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、软盘、闪存、光存储器等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于模态互补的发电站选址定容方法，其特征在于，包括如下步骤：
获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力；
根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离；
对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址；
在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。
2.根据权利要求1所述的基于模态互补的发电站选址定容方法，其特征在于，所述获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力，包括：
获取各个备选风光站址的风能资源数据和太阳能资源数据；
根据所述风能资源数据和太阳能资源数据分别预测各个备选风光站址在周期T内各时段单位装机容量下的风光预测出力，输出相应的风电出力序列和光伏出力序列。
3.根据权利要求2所述的基于模态互补的发电站选址定容方法，其特征在于，所述根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离，包括：
根据所述风电出力序列和光伏出力序列计算原始序列的形态互补性；
对所述风电出力序列和光伏出力序列作一阶差分运算得到风电一阶差分序列和光伏一阶差分序列；
根据所述风电一阶差分序列和光伏一阶差分序列分别计算所述实时波动互补性和实时波动欧式距离。
4.根据权利要求3所述的基于模态互补的发电站选址定容方法，其特征在于，所述根据所述风电出力序列和光伏出力序列计算原始序列的形态互补性，具体包括：
根据所述风电出力序列（
Figure DEST_PATH_IMAGE001
）和光伏出力序列(
Figure 418774DEST_PATH_IMAGE002
)计算原始序列的形态互补性
Figure DEST_PATH_IMAGE003
，
Figure 987159DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE005
为风电在t时刻的出 力，
Figure 114DEST_PATH_IMAGE006
为光伏在t时刻的出力，
Figure DEST_PATH_IMAGE007
为周期T内风电的平均出力、
Figure 679357DEST_PATH_IMAGE008
为周期T内光伏的 平均出力。
5.根据权利要求3所述的基于模态互补的发电站选址定容方法，其特征在于，所述根据所述风电一阶差分序列和光伏一阶差分序列分别计算所述实时波动互补性和实时波动欧式距离，具体包括：
根据所述风电一阶差分序列和光伏一阶差分序列计算所述实时波动互补性
Figure DEST_PATH_IMAGE009
和实时 波动欧式距离
Figure 595623DEST_PATH_IMAGE010
，其中，
Figure DEST_PATH_IMAGE011
Figure 334909DEST_PATH_IMAGE012
分别为风电功率、光伏功率、风光联合功率在t时刻的一阶差分 值，
Figure DEST_PATH_IMAGE013
为风电和光伏电站在t时刻的联合功率，
Figure 835160DEST_PATH_IMAGE005
为风电在t时刻的出力，
Figure 786936DEST_PATH_IMAGE006
为光伏 在t时刻的出力，
Figure 525084DEST_PATH_IMAGE014
为风电和光伏电站在t+1时刻的联合功率，
Figure DEST_PATH_IMAGE015
为风电在t+1时 刻的出力，
Figure 700851DEST_PATH_IMAGE016
为光伏在t+1时刻的出力，
Figure DEST_PATH_IMAGE017
为t时刻光伏功率一阶差分值与风电功率一 阶差分值的差的平方。
6.根据权利要求1所述的基于模态互补的发电站选址定容方法，其特征在于，所述对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址，包括：
构造以
Figure 186934DEST_PATH_IMAGE018
为特征变量的3*M维的样本空间
Figure DEST_PATH_IMAGE019
，
Figure 207979DEST_PATH_IMAGE020
，其中
Figure 800635DEST_PATH_IMAGE018
分别为第j个备选风光站址的 形态互补性、实时波动互补性以及实时波动欧式距离，M为备选风光站址的数量；
对所述样本空间进行标准化处理后得到相应的数据集矩阵
Figure DEST_PATH_IMAGE021
，
Figure 147302DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
，其中
Figure 356567DEST_PATH_IMAGE024
分别为矩 阵
Figure 417189DEST_PATH_IMAGE021
、
Figure 129930DEST_PATH_IMAGE019
的第i行第j列的元素；
求矩阵
Figure 850761DEST_PATH_IMAGE021
的协方差矩阵
Figure DEST_PATH_IMAGE025
，并求取所述协方差矩阵
Figure 547322DEST_PATH_IMAGE025
的特征值
Figure 644591DEST_PATH_IMAGE026
和单位特征向量
Figure DEST_PATH_IMAGE027
；
将单位特征向量按照特征值从大到小的顺序，从上到下按行排列构造矩阵
Figure 742997DEST_PATH_IMAGE028
，按公式
Figure DEST_PATH_IMAGE029
计算得到主成分矩阵
Figure 664423DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
，其中各个主成分 的贡献率
Figure 848280DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
为所述协方差矩阵的第
Figure 280398DEST_PATH_IMAGE034
个特征值；
根据所述主成分矩阵将各个备选风光站址的风光互补指标
Figure DEST_PATH_IMAGE035
转化为模态加权互补指 标
Figure 233311DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
，其中
Figure 827103DEST_PATH_IMAGE038
为主成分矩阵中 第1行第j列的元素，
Figure DEST_PATH_IMAGE039
为主成分矩阵中第2行第j列的元素，
Figure 999721DEST_PATH_IMAGE040
为主成分矩阵中第3行 第j列的元素；
选择模态加权互补指标的最大值对应的风电站址和光伏站址作为所述风光互补站址。
7.根据权利要求1所述的基于模态互补的发电站选址定容方法，其特征在于，所述在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比，包括：
获取已选定的风光互补站址中风电站址的风电出力序列和光伏站址的光伏出力序列；
将预设水电站址与已选定的风光互补站址之间的容量比设置为初始值，并根据所述容量比计算得到水电出力序列以及净负荷功率序列；
根据所述净负荷功率序列计算输出相应的净负荷均衡分布曲线，并根据所述净负荷均衡分布曲线计算水风光联合电站的净负荷基尼系数；
按预设步长调节所述容量比的值后返回重新计算所述净负荷基尼系数，直到所述容量比的值达到预设范围的上限值；
选取净负荷基尼系数最小时对应的容量比作为最佳容量比。
8.一种基于模态互补的发电站选址定容装置，其特征在于，所述装置包括：
风光出力预测模块，用于获取各个备选风光站址对应的风光资源数据，根据所述风光资源数据预测各个备选风光站址在预设周期内的风光预测出力；
互补指标计算模块，用于根据所述风光预测出力计算各个备选风光站址的风光互补指标，所述风光互补指标包括形态互补性、实时波动互补性以及实时波动欧式距离；
选址模块，用于对各个备选风光站址的风光互补指标进行模态加权运算后得到模态加权互补指标，并根据所述模态加权互补指标的最大值选定相应的备选风光站址作为风光互补站址；
容量比优化模块，用于在预设范围内调节预设水电站址的水电容量与所述风光互补站址的风光容量之间的容量比，并根据每次调节后的容量比计算水风光联合电站的净负荷基尼系数，输出净负荷基尼系数最小时对应的容量比作为最佳容量比。
9.一种基于模态互补的发电站选址定容系统，其特征在于，所述系统包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的基于模态互补的发电站选址定容方法。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-7任一项所述的基于模态互补的发电站选址定容方法。
CN202110757725.5A 2021-07-05 2021-07-05 基于模态互补的发电站选址定容方法、装置、系统及介质 Active CN113256033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110757725.5A CN113256033B (zh) 2021-07-05 2021-07-05 基于模态互补的发电站选址定容方法、装置、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110757725.5A CN113256033B (zh) 2021-07-05 2021-07-05 基于模态互补的发电站选址定容方法、装置、系统及介质

Publications (2)

Publication Number Publication Date
CN113256033A true CN113256033A (zh) 2021-08-13
CN113256033B CN113256033B (zh) 2021-12-14

Family

ID=77190839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110757725.5A Active CN113256033B (zh) 2021-07-05 2021-07-05 基于模态互补的发电站选址定容方法、装置、系统及介质

Country Status (1)

Country Link
CN (1) CN113256033B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114204597A (zh) * 2021-12-13 2022-03-18 国网山东省电力公司东营市垦利区供电公司 基于多区域互联的新能源消纳优化方法
CN116316898A (zh) * 2023-04-10 2023-06-23 大连理工大学 水风光多能互补系统时空协调方法、系统、设备及介质
CN117132063A (zh) * 2023-08-29 2023-11-28 山东探越物联网技术有限公司 一种风光互补供电系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070273210A1 (en) * 2006-05-23 2007-11-29 Wang Kon-King M System and method for a power system micro grid
US20110270682A1 (en) * 2010-04-28 2011-11-03 David Valin Solar panel wind turbine communication server network apparatus method and mechanism
CN102882223A (zh) * 2011-07-11 2013-01-16 陈巍 水风光和生物质多能集成互补发电方法及装置
CN103310283A (zh) * 2013-04-28 2013-09-18 国家电网公司 一种风光互补电站的选址方法
CN109460845A (zh) * 2018-05-24 2019-03-12 国网浙江省电力有限公司嘉兴供电公司 一种风光微电网站选址方式
CN112952818A (zh) * 2021-03-17 2021-06-11 河海大学 一种基于出力互补性的风光水多能互补容量优化配置方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070273210A1 (en) * 2006-05-23 2007-11-29 Wang Kon-King M System and method for a power system micro grid
US20110270682A1 (en) * 2010-04-28 2011-11-03 David Valin Solar panel wind turbine communication server network apparatus method and mechanism
CN102882223A (zh) * 2011-07-11 2013-01-16 陈巍 水风光和生物质多能集成互补发电方法及装置
CN103310283A (zh) * 2013-04-28 2013-09-18 国家电网公司 一种风光互补电站的选址方法
CN109460845A (zh) * 2018-05-24 2019-03-12 国网浙江省电力有限公司嘉兴供电公司 一种风光微电网站选址方式
CN112952818A (zh) * 2021-03-17 2021-06-11 河海大学 一种基于出力互补性的风光水多能互补容量优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乌云娜 等: "风光互补电站宏观选址研究", 《电网技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114204597A (zh) * 2021-12-13 2022-03-18 国网山东省电力公司东营市垦利区供电公司 基于多区域互联的新能源消纳优化方法
CN116316898A (zh) * 2023-04-10 2023-06-23 大连理工大学 水风光多能互补系统时空协调方法、系统、设备及介质
CN116316898B (zh) * 2023-04-10 2023-10-27 大连理工大学 水风光多能互补系统时空协调方法、系统、设备及介质
CN117132063A (zh) * 2023-08-29 2023-11-28 山东探越物联网技术有限公司 一种风光互补供电系统

Also Published As

Publication number Publication date
CN113256033B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN113256033B (zh) 基于模态互补的发电站选址定容方法、装置、系统及介质
Han et al. Quantitative evaluation method for the complementarity of wind–solar–hydro power and optimization of wind–solar ratio
Bludszuweit et al. Statistical analysis of wind power forecast error
Nuño et al. On the simulation of aggregated solar PV forecast errors
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
CN112200377A (zh) 基于sarimax模型的光伏中长期发电量预报方法及装置
Rodríguez et al. Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks
Naveen Chakkaravarthy et al. Solar irradiance forecasting and energy optimization for achieving nearly net zero energy building
CN104252649A (zh) 一种计及多风电场相关性的区域风电出力预测方法
EP3576029A1 (en) Method and device for determining energy system operating scenarios
Junior et al. Forecasting regional photovoltaic power generation-a comparison of strategies to obtain one-day-ahead data
CN112994092B (zh) 一种基于功率预测的独立风光储微电网系统尺寸规划方法
CN112653198A (zh) 一种基于预测箱的风电出力场景生成方法及系统
CN113496316A (zh) 基于源荷时序耦合的容量配置方法、装置、系统及介质
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
Yang et al. Sub-minute probabilistic solar forecasting for real-time stochastic simulations
CN116304669A (zh) 一种短期校正的分布式光伏功率预测方法及系统
Komilov Location and orientation based LCOE: Simplified visual analysis and generalization of the levelized cost of electricity from storageless photovoltaic systems
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN111476411B (zh) 一种光伏电站发电量计算方法及服务器
CN117543567A (zh) 用于风电场无功优化的风电功率预测方法及装置
Mughal et al. Techno-economic assessment of photovoltaics by predicting daily global solar radiations using hybrid ANN-PSO model
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
Zhang et al. Short‐Term Power Prediction of Wind Power Generation System Based on Logistic Chaos Atom Search Optimization BP Neural Network
CN115765044A (zh) 风光水电系统联合运行及风险分析方法和系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liao Shengtao

Inventor after: Huang Riguang

Inventor after: Chen Huicong

Inventor after: Liu Kang

Inventor after: Xu Jiangwang

Inventor after: Zeng Guangxian

Inventor before: Liao Shengtao

Inventor before: Huang Riguang

Inventor before: Chen Huicong

Inventor before: Liu Kang

Inventor before: Xu Jiangwang

Inventor before: Zeng Guangxian

GR01 Patent grant
GR01 Patent grant