CN113744082A - 一种综合刻画源荷两侧不确定性的二维分箱方法 - Google Patents

一种综合刻画源荷两侧不确定性的二维分箱方法 Download PDF

Info

Publication number
CN113744082A
CN113744082A CN202110983724.2A CN202110983724A CN113744082A CN 113744082 A CN113744082 A CN 113744082A CN 202110983724 A CN202110983724 A CN 202110983724A CN 113744082 A CN113744082 A CN 113744082A
Authority
CN
China
Prior art keywords
load
historical
data
error
uncertainty
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
CN202110983724.2A
Other languages
English (en)
Other versions
CN113744082B (zh
Inventor
江海燕
蒋一博
王林钰
陈�光
马亚辉
丁一帆
徐海华
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.)
State Grid Suzhou Urban Energy Research Institute Co ltd
Original Assignee
State Grid Suzhou Urban Energy Research Institute 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 State Grid Suzhou Urban Energy Research Institute Co ltd filed Critical State Grid Suzhou Urban Energy Research Institute Co ltd
Priority to CN202110983724.2A priority Critical patent/CN113744082B/zh
Publication of CN113744082A publication Critical patent/CN113744082A/zh
Application granted granted Critical
Publication of CN113744082B publication Critical patent/CN113744082B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种综合刻画源荷两侧不确定性的二维分箱方法，包括：A、计算得到源侧新能源功率预测误差历史数据集合，并按调度人员可获得的新能源功率预测值的大小将历史预测误差分成W个箱，再将每个箱内的带时标数组按照时段分为T个箱；B、计算荷侧负荷功率不确定性得到带时标的负荷响应历史误差数据；C、根据时标和当时系统的新能源功率预测值将负荷响应历史误差数据放入分好的W×T个箱中；D、计算每个箱内的系统误差历史数据；E、利用通用分布模型对每个箱内系统误差历史数据的概率密度直方图进行拟合，得到各箱内的系统误差的概率分布模型，并对得到的概率分布模型进行分段线性化处理。本发明兼顾源侧荷侧不确定性的统一描述，准确性高。

Description

一种综合刻画源荷两侧不确定性的二维分箱方法
技术领域
本发明涉及能源优化技术领域，特别涉及一种综合刻画源荷两侧不确定性 的二维分箱方法。
背景技术
随着我国“双碳”战略目标的明确，高比例可再生能源接入下系统不确定性 评估问题成为系统规划、运行调度、优化控制各个环节均需关注的基础问题。 同时，以新能源为主体的新型电力系统正在逐步建成，电源侧和负荷侧双向发 力，双侧新能源陡增不仅会使原有的电源侧波动性进一步加强，未来负荷侧波 动性也将快速增加。现在优化调度工作中对不确定的考虑一般只单独考虑源侧 或者荷侧不确定性，从而进行针对性分析，但这一思路和方法已经不适用于我 国“双碳”发展战略下新型电力系统优化调度的要求。
发明内容
本发明要解决的技术问题是提供一种准确性高的综合刻画源荷两侧不确定 性的二维分箱方法。
为了解决上述问题，本发明提供了一种综合刻画源荷两侧不确定性的二维 分箱方法，其包括以下步骤：
A、计算得到源侧新能源功率预测误差历史数据集合，并按调度人员可获 得的新能源功率预测值的大小将历史预测误差分成W个箱，再将每个箱内的带 时标数组按照时段分为T个箱，得到W×T个箱；其中，W≥2，T≥2；
B、计算荷侧负荷功率不确定性得到带时标的负荷响应历史误差数据；
C、根据时标和当时系统的新能源功率预测值将所述负荷响应历史误差数 据放入分好的W×T个箱中；
D、计算每个箱内的系统误差历史数据；
E、利用通用分布模型对每个箱内系统误差历史数据的概率密度直方图进 行拟合，得到各箱内的系统误差的概率分布模型，并对得到的概率分布模型进 行分段线性化处理。
作为本发明的进一步改进，所述通用分布模型如下：
Figure BDA0003229847330000021
F(x)＝(1+e-α(x-γ))-β
Figure BDA0003229847330000022
其中，通用分布模型的三个形状参数α、β和γ分别满足：
α＞0,β＞0,-∞＜γ＜+∞。
作为本发明的进一步改进，所述负荷响应历史误差数据包括高电价下的负 荷响应历史误差数据和低电价下的负荷响应历史误差数据。
作为本发明的进一步改进，所述高电价事件下的负荷响应历史误差数据， 包括以下步骤：
B11、计算得到时段t内历史负荷降低量
Figure BDA0003229847330000023
的历史数据集合，并对该时 段t内的
Figure BDA0003229847330000024
的直方图进行拟合得到其概率密度函数
Figure BDA0003229847330000025
公式如下；
Figure BDA0003229847330000026
其中，
Figure BDA0003229847330000027
表示时段t内负荷基础用电量，
Figure BDA0003229847330000028
表示时段t内高电价下的 实测用电量；
B12、计算得到时段t对应的高电价激励下负荷用电量削减量
Figure BDA0003229847330000029
的期望值
Figure BDA00032298473300000210
公式如下；
Figure BDA00032298473300000211
B13、对所有历史上发生过高电价的时刻均计算t时段内的历史减负荷量期 望
Figure BDA00032298473300000212
与历史减负荷量
Figure BDA00032298473300000213
的差值，求得t时段内的历史减负荷量误差
Figure BDA0003229847330000031
得到高电价下的负荷响应误差的全部样本数据，公式如下：
Figure BDA0003229847330000032
作为本发明的进一步改进，所述低电价事件下的负荷响应历史误差数据， 包括以下步骤：
B21、计算得到时段t内历史增负荷量
Figure BDA0003229847330000033
的历史数据集合，并对该时段 t内的
Figure BDA0003229847330000034
的直方图进行拟合得到其概率密度函数
Figure BDA0003229847330000035
公式如下：
Figure BDA0003229847330000036
其中，
Figure BDA0003229847330000037
表示时段t内负荷基础用电量，
Figure BDA0003229847330000038
表示时段t内低电价下的 实测用电量；
B22、计算得到时段t对应的低电价激励下负荷用电量增加量
Figure BDA0003229847330000039
的期望值
Figure BDA00032298473300000310
公式如下：
Figure BDA00032298473300000311
B23、对所有历史上发生过低电价的时刻均计算t时段内的历史增负荷量期 望
Figure BDA00032298473300000312
与历史增负荷量
Figure BDA00032298473300000313
的差值，求得t时段内的历史增负荷量误差
Figure BDA00032298473300000314
得到高电价下的负荷响应误差的全部样本数据，公式如下：
Figure BDA00032298473300000315
作为本发明的进一步改进，步骤D中所述每个箱内的系统误差历史数据包 括高电价下的系统误差历史数据和低电价下的系统误差历史数据。
作为本发明的进一步改进，所述高电价下的系统误差历史数据
Figure BDA00032298473300000316
计算 如下：
Figure BDA00032298473300000317
其中，t表示时间，w表示第w个箱，
Figure BDA0003229847330000041
表示新能源功率预测误差；
Figure BDA0003229847330000042
表示t时段内的历史减负荷量误差；
Figure BDA0003229847330000043
表示新能源功率预测 值，
Figure BDA0003229847330000044
表示新能源功率实测值，
Figure BDA0003229847330000045
表示历史减负荷量期望，
Figure BDA0003229847330000046
表示负荷基础用电量，
Figure BDA0003229847330000047
表示高电价下实测用电量。
作为本发明的进一步改进，所述低电价下的系统误差历史数据
Figure BDA0003229847330000048
计算如 下：
Figure BDA0003229847330000049
其中，t表示时间，w表示第w个箱，
Figure BDA00032298473300000410
表示新能源功率预测误差；
Figure BDA00032298473300000411
表示t时段内的历史增负荷量误差；
Figure BDA00032298473300000412
表示新能源功率预测 值，
Figure BDA00032298473300000413
表示新能源功率实测值，
Figure BDA00032298473300000414
表示历史增负荷量期望，
Figure BDA00032298473300000415
表示负荷基础用电量，
Figure BDA00032298473300000416
表示低电价下实测用电量。
作为本发明的进一步改进，所述新能源包括风电、水电、太阳能。
本发明的有益效果：
本发明综合刻画源荷两侧不确定性的二维分箱方法补充了能源侧和负荷侧 双重系统不确定描述方法，提高了不确定性描述的准确性，增强了不确定性和 随机性之间的耦合关系描述，有利于提高新型电力系统日前电力和备用优化调 度准确性和经济性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术 手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、 特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如 下。
附图说明
图1是本发明优选实施例中综合刻画源荷两侧不确定性的二维分箱方法的 流程图；
图2是本发明优选实施例中综合刻画源荷两侧不确定性的二维分箱方法的 示意图；
图3是本发明优选实施例中分箱后各数据箱内的概率分布直方图；
图4是本发明优选实施例中时段10、20和30的高电价下负荷响应历史误 差数据；
图5是本发明优选实施例中时段10、20和30的低电价下负荷响应历史误 差数据；
图6是本发明优选实施例中二维分箱后每个箱内高/中/低电价下系统误差 概率分布模型示意图；
图7是本发明优选实施例爱尔兰EIRGRID风电功率历史预测误差原始数据 展示；
图8是本发明优选实施例中风电功率历史预测误差拟合效果对比图；
图9是本发明优选实施例中5533户用户地理分布图；
图10是本发明优选实施例中负荷响应时间相关性统计结果图；
图11是本发明优选实施例中时段10、20和30内高电价信号激励下负荷响 应误差累积概率函数拟合结果；
图12是本发明优选实施例中时段10、20和30内低电价信号激励下负荷响 应误差累积概率函数拟合结果；
图13是本发明优选实施例中风电等级为第5等级，时段10、20和30内高 电价信号激励下系统误差历史数据；
图14是本发明优选实施例中风电等级为第5等级，时段10、20和30内低 电价信号激励下系统误差历史数据。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人 员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1-2所示，为本发明优选实施例中的综合刻画源荷两侧不确定性的二 维分箱方法，包括以下步骤：
A、计算得到源侧新能源功率预测误差历史数据集合，并按调度人员可获 得的新能源功率预测值的大小将历史预测误差分成W个箱，再将每个箱内的带 时标数组按照时段分为T个箱，得到W×T个箱；其中，W≥2，T≥2；即构建纵 坐标为源侧分箱箱号、横坐标为荷侧分箱箱号的二维箱组合。在本实施例中， 新能源为风电。在其他实施例中，所述新能源可以为风电、水电、太阳能等。
步骤A具体包括：
数据预处理：首先对风电历史数据进行采集，包括“风电功率预测数据
Figure BDA0003229847330000061
”以及对应历史t时刻的“风电功率实测数据
Figure BDA0003229847330000062
”。定义历史t时刻的 “预测误差”为对时标的“预测值”减“实测值”，记为
Figure BDA0003229847330000063
如等式(1)所示。 一对历史数据中的功率预测值和实测值就可以得到一个“预测误差”样本。同一 历史时标t下的“历史风电功率预测数据”、“历史风电功率实测数据”以及“历史 风电功率预测误差”三个样本组成了一个历史数据库中的对时标数组。最后，以 风电场的装机容量为基准值，将历史数据库中的所有元素标幺化，供后续研究 使用。
Figure BDA0003229847330000064
基于预测等级的分箱处理：首先，对调度人员所获得的风电功率的预测值 总范围进行等级划分。风电预测功率的取值范围在[0,1]p.u.之内。将历史预测 数据分为W个箱，第w箱的预测功率取值范围为[(w-1)/W,w/W]。经过步骤1 处理后，历史数据已被划分为了以历史时刻为单位的数组。根据每个历史数据 数组中的“历史风电预测数据
Figure BDA0003229847330000065
”标幺值的大小，将数据库中所有数组分别存 入其对应的预测等级数据箱中，完成数组的分箱过程。以w作为风电预测功率 等级的检索名称，则w风电预测等级对应数据分箱内的一个历史对时标数组包 含了
Figure BDA0003229847330000066
和
Figure BDA0003229847330000067
下面举例说明，当历史预测值分为10个等级时，W＝10，图3展示了用步 骤A所提方法处理后各个数据箱的概率分布直方图。由该图可以看出，每个风 电功率预测等级对应的风电功率预测误差分布具有明显差异，因此按预测等级 对风电数据进行分箱是有必要的。对调度人员而言，可近似认为实际的风电功 率预测误差分布与由历史数据统计得到的概率分布相同。该数据收集和处理过 程中需要注意箱数(预测等级数)W的选择。在历史数据的分箱过程中，假设 数据量足够充裕，则箱数W越大，各预测等级下的预测误差统计效果就越准确。 但在实际中，电力系统调度人员所能获得的历史数据总量往往有限。因此，随 着箱数的增大，每个预测等级w对应的数据集合中样本数量就会减少，而样本 过少会导致最终拟合效果变差。上述情况容易发生在预测等级最小或预测等级 最大的箱内，由于极端的风电出力情况较少，导致该类数据箱中的样本数量过 少，以至于难以反映出其统计特征。因此，箱数W的选取，要根据实际获得的 历史数据总量而定，每个箱内的风电功率预测误差样本数量均需满足基础的拟 合要求。
B、计算荷侧负荷功率不确定性得到带时标的负荷响应历史误差数据；其 中，负荷响应历史误差数据包括高电价下的负荷响应历史误差数据和低电价下 的负荷响应历史误差数据。
在获取含时标的负荷响应历史数据后，首先通过“对比用户”的历史数据得 到在t时段的负荷基础用电量，记为
Figure BDA0003229847330000071
在相同时标t下得到“实验用户”在 接受到高/低电价信号刺激后的历史实测用电量，分别记为
Figure BDA0003229847330000072
和
Figure BDA0003229847330000073
所述高电价事件下的负荷响应历史误差数据，包括以下步骤：
B11、计算得到时段t内历史负荷降低量
Figure BDA0003229847330000074
的历史数据集合，并对该时 段t内的
Figure BDA0003229847330000075
的直方图进行拟合得到其概率密度函数
Figure BDA0003229847330000076
公式如下；
Figure BDA0003229847330000077
其中，
Figure BDA0003229847330000078
表示时段t内负荷基础用电量，
Figure BDA0003229847330000079
表示时段t内高电价下的 实测用电量；
B12、计算得到时段t对应的高电价激励下负荷用电量削减量
Figure BDA00032298473300000710
的期望值
Figure BDA00032298473300000711
公式如下；
Figure BDA0003229847330000081
其中，假设负荷在t时段内实际发生的减负荷动作量为
Figure BDA0003229847330000082
则可以假设随 机变量
Figure BDA0003229847330000083
是近似满足拟合历史数据
Figure BDA0003229847330000084
所得到的概率密度函数所展示出的 概率分布。根据数学期望的定义，可计算得到时段t对应的高电价激励下负荷 用电量削减量
Figure BDA0003229847330000085
的期望值
Figure BDA0003229847330000086
如式(3)；
B13、对所有历史上发生过高电价的时刻均计算t时段内的历史减负荷量期 望
Figure BDA0003229847330000087
与历史减负荷量
Figure BDA0003229847330000088
的差值，求得t时段内的历史减负荷量误差
Figure BDA0003229847330000089
得到高电价下的负荷响应误差的全部样本数据，公式如下：
Figure BDA00032298473300000810
同上，所述低电价事件下的负荷响应历史误差数据，包括以下步骤：
B21、计算得到时段t内历史增负荷量
Figure BDA00032298473300000811
的历史数据集合，并对该时段 t内的
Figure BDA00032298473300000812
的直方图进行拟合得到其概率密度函数
Figure BDA00032298473300000813
公式如下：
Figure BDA00032298473300000814
其中，
Figure BDA00032298473300000815
表示时段t内负荷基础用电量，
Figure BDA00032298473300000816
表示时段t内低电价下的 实测用电量；
B22、计算得到时段t对应的低电价激励下负荷用电量增加量
Figure BDA00032298473300000817
的期望值
Figure BDA00032298473300000818
公式如下：
Figure BDA00032298473300000819
B23、对所有历史上发生过低电价的时刻均计算t时段内的历史增负荷量期 望
Figure BDA00032298473300000820
与历史增负荷量
Figure BDA00032298473300000821
的差值，求得t时段内的历史增负荷量误差
Figure BDA00032298473300000822
得到高电价下的负荷响应误差的全部样本数据，公式如下：
Figure BDA00032298473300000823
C、根据时标和当时系统的新能源功率预测值将所述负荷响应历史误差数 据放入分好的W×T个箱中；此时，每个箱内都存有对时标的风电功率预测值、 风电功率实测值、实验用户实际用电量和对比用户的实际用电量数据。
得到负荷响应历史误差数据后，按照调度时段将全部荷侧历史误差进行分 箱处理。以一天分为48个调度时段为例进行说明，图4和图5分别展示了调度 时段10、20和30下高电价和低电价事件激励下的负荷响应误差历史数据直方 图，即每个箱内分得的误差数据分布情况。
D、利用通用分布模型对每个箱内系统误差历史数据的概率密度直方图进 行拟合，得到各箱内的系统误差的概率分布模型，并对得到的概率分布模型进 行分段线性化处理。从而使得该方法可以快速带入调度人员常用经济优化调度 模型当中，从而辅助其提高优化准确性和运行经济性。
其中，所述高电价下的系统误差历史数据
Figure BDA0003229847330000091
计算如下：
Figure BDA0003229847330000092
其中，t表示时间，w表示第w个箱，
Figure BDA0003229847330000093
表示新能源功率预测误差；
Figure BDA0003229847330000094
表示t时段内的历史减负荷量误差；
Figure BDA0003229847330000095
表示新能源功率预测 值，
Figure BDA0003229847330000096
表示新能源功率实测值，
Figure BDA0003229847330000097
表示历史减负荷量期望，
Figure BDA0003229847330000098
表示负荷基础用电量，
Figure BDA0003229847330000099
表示高电价下实测用电量。
其中，所述低电价下的系统误差历史数据
Figure BDA00032298473300000910
计算如下：
Figure BDA00032298473300000911
其中，t表示时间，w表示第w个箱，
Figure BDA00032298473300000912
表示新能源功率预测误差；
Figure BDA00032298473300000913
表示t时段内的历史增负荷量误差；
Figure BDA00032298473300000914
表示新能源功率预测 值，
Figure BDA0003229847330000101
表示新能源功率实测值，
Figure BDA0003229847330000102
表示历史增负荷量期望，
Figure BDA0003229847330000103
表示负荷基础用电量，
Figure BDA0003229847330000104
表示低电价下实测用电量。
E、对每个箱内系统误差历史数据的概率密度直方图进行拟合，得到各箱 内的系统误差的概率分布模型。
根据各箱中的
Figure RE-GDA0003342769610000105
和
Figure RE-GDA0003342769610000106
历史数据样本，采用通用分布模型对其概率直方 图进行拟合，得到各箱内高/低电价事件下的“系统误差”的概率分布模型。通用 分布模型如公式(10)到公式(12)所示。平电价下，居民负荷不提供负荷响 应，并保持原有的用电特性。该情况下系统内不确定性仅由风电功率预测误差 造成。如图6图所示，每个箱内存有高、中和低电价情况下的三条系统误差概 率密度函数。
Figure BDA0003229847330000107
F(x)＝(1+e-α(x-γ))-β (11)
Figure BDA0003229847330000108
其中，通用分布模型的三个形状参数α、β和γ分别满足：
α＞0,β＞0,-∞＜γ＜+∞。
在一具体实施例中，电源侧以从爱尔兰EIRGRID公司所采集的风电数据为 例，对上述方法进一步阐述。该公司提供了时标对应的风电功率历史预测值以 及实测值。爱尔兰岛的风电装机容量为1526MW，该电力公司每日在网站公布 爱尔兰岛的风电日前出力预测曲线，并实时公布风电的实测出力曲线。本实施 例使用的数据库中共有77800个数组，数组的时间分辨率为15分钟。图7展示 了数据库中“历史风电功率预测误差
Figure BDA0003229847330000109
”的原始数据。
本发明采用不同的概率分布模型对图7中所示的爱尔兰岛真实风电数据进 行了拟合，如图8所示。由图可知，较之现有研究中常用的正态分布模型，通 用分布模型能够更加精确地表征风电功率预测误差的概率分布。解决了正态分 布对偏轴现象和尖峰现象拟合不准确的问题。表1是以风电预测等级为条件的 “风电功率预测误差”通用分布概率模型参数表，展示了风电功率预测值分为 10个等级时，图7中历史数据的通用分布模型三参数，便于相关研究使用。
Figure BDA0003229847330000111
表1
负荷侧，本发明选择了在英国伦敦实际电力系统中真实实施过、具有大量 原始采集数据，并且设有明确“对比用户”的英国低碳计划LCL(Low Carbon London)项目作为原始数据。通过“对比用户”和“实验用户”的大量历史 数据，负荷响应事件所导致的负荷变化量可被清晰地表达。
英国伦敦低碳计划从2011年开启，共筛选了5533户自愿参与的居民，并 在每一户安装了入户智能电表，通过红/绿信号指示灯对每一户用户下发电价激 励信号，信号的发送和用户数据采集的时间颗粒度为30min。项目选择了1119 户居民作为参加高/低电价事件激励的实验用户，而剩余的4414户则是作为反 映不参加负荷响应时原本用能情况的对比用户。
为保证“对比用户”可以充分起到对比效果，并加强数据的合理性，“对 比用户”和“实验用户”所处的地理位置分布均匀，如图9所示。经过对原始 采集数据的筛选后，本文选取2013年完整无损的3437个“对比用户”和922 个“实验用户”的数据开展研究。
本发明中考虑的负荷响应模式采用的是高/中/低三级电价信号激励机制。调 度部门通过开启高/低电价事件激励用户参与负荷响应，对应的用户通过入户智 能电表接受高/低电价指示信号，并根据其自身意愿改变用能行为。高/低电价事 件的触发时刻以半小时为间隔，故全天一共有48个时刻可以开启高/低电价指 示信号。通过对原始数据中922“实验用户”的响应动作量进行统计，本文计 算得到了平均每户居民在不同时刻的分别应对高、低电价的负荷响应量，如图 10所示。由图可以看出，负荷响应的程度与信号下发的时间有密切关系。在用 户处于睡眠状态的1至5时，用户对电价的变化并不敏感。而在9至16时，负 荷积极响应高低电价，且同一时段内，居民负荷对低电价的响应动作量一般大 于其对高电价的响应动作量。
图11和图12展示了对应历史数据用通用分布模型拟合后得到的累计概率 密度函数(此处采用通用分布模型的CDF形式来表达)。可以看到，负荷响应 的力度在不同时刻存在明显差别，验证了本发明按照时间维度对负荷侧不确定 性数据进行分箱的思路正确性。
表2为负荷响应误差的激励时段条件概率模型参数表，给出了时段10、20 和30内高、低电价激励情况下，利用通用分布函数拟合的负荷响应量误差概率 分布模型对应的三参数。
Figure BDA0003229847330000121
表2
利用本发明所提的二维分箱技术，本文对风电功率等级分为10箱，时间分 为48段，可得调度时段10、20和30时段内、风电功率等级为第5等级时，高、 低电价下系统误差的累积概率分布函数，如图13和图14所示。对比不同时段 内系统误差概率模型可知，不同时段下系统误差的概率分布截然不同。不确定 性差异性的详细刻画为后续备用需求的准确评估奠定了基础。图13和图14对 应的通用分布函数三参数见表3，为风电等级为第5等级，时段10、20和30 内系统误差通用分布分布模型参数。
Figure BDA0003229847330000131
表3
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护 范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换， 均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.一种综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，包括以下步骤：
A、计算得到源侧新能源功率预测误差历史数据集合，并按调度人员可获得的新能源功率预测值的大小将历史预测误差分成W个箱，再将每个箱内的带时标数组按照时段分为T个箱，得到W×T个箱；其中，W≥2，T≥2；
B、计算荷侧负荷功率不确定性得到带时标的负荷响应历史误差数据；
C、根据时标和当时系统的新能源功率预测值将所述负荷响应历史误差数据放入分好的W×T个箱中；
D、计算每个箱内的系统误差历史数据；
E、利用通用分布模型对每个箱内系统误差历史数据的概率密度直方图进行拟合，得到各箱内的系统误差的概率分布模型，并对得到的概率分布模型进行分段线性化处理。
2.如权利要求1所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，所述通用分布模型如下：
Figure FDA0003229847320000011
F(x)＝(1+e-α(x-γ))-β
Figure FDA0003229847320000012
其中，通用分布模型的三个形状参数α、β和γ分别满足：
α＞0,β＞0,-∞＜γ＜+∞。
3.如权利要求1所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，所述负荷响应历史误差数据包括高电价下的负荷响应历史误差数据和低电价下的负荷响应历史误差数据。
4.如权利要求3所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，所述高电价事件下的负荷响应历史误差数据，包括以下步骤：
B11、计算得到时段t内历史负荷降低量
Figure FDA0003229847320000021
的历史数据集合，并对该时段t内的
Figure FDA0003229847320000022
的直方图进行拟合得到其概率密度函数
Figure FDA0003229847320000023
公式如下；
Figure FDA0003229847320000024
其中，
Figure FDA0003229847320000025
表示时段t内负荷基础用电量，
Figure FDA0003229847320000026
表示时段t内高电价下的实测用电量；
B12、计算得到时段t对应的高电价激励下负荷用电量削减量
Figure FDA0003229847320000027
的期望值
Figure FDA0003229847320000028
公式如下；
Figure FDA0003229847320000029
B13、对所有历史上发生过高电价的时刻均计算t时段内的历史减负荷量期望
Figure FDA00032298473200000210
与历史减负荷量
Figure FDA00032298473200000211
的差值，求得t时段内的历史减负荷量误差
Figure FDA00032298473200000212
得到高电价下的负荷响应误差的全部样本数据，公式如下：
Figure FDA00032298473200000213
5.如权利要求3所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，所述低电价事件下的负荷响应历史误差数据，包括以下步骤：
B21、计算得到时段t内历史增负荷量
Figure FDA00032298473200000214
的历史数据集合，并对该时段t内的
Figure FDA00032298473200000215
的直方图进行拟合得到其概率密度函数ft low,load(x)，公式如下：
Figure FDA00032298473200000216
其中，
Figure FDA00032298473200000217
表示时段t内负荷基础用电量，
Figure FDA00032298473200000218
表示时段t内低电价下的实测用电量；
B22、计算得到时段t对应的低电价激励下负荷用电量增加量
Figure FDA00032298473200000219
的期望值
Figure FDA00032298473200000220
公式如下：
Figure FDA00032298473200000221
B23、对所有历史上发生过低电价的时刻均计算t时段内的历史增负荷量期望
Figure FDA0003229847320000031
与历史增负荷量
Figure FDA0003229847320000032
的差值，求得t时段内的历史增负荷量误差
Figure FDA0003229847320000033
得到高电价下的负荷响应误差的全部样本数据，公式如下：
Figure FDA0003229847320000034
6.如权利要求1所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，步骤D中所述每个箱内的系统误差历史数据包括高电价下的系统误差历史数据和低电价下的系统误差历史数据。
7.如权利要求6所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，所述高电价下的系统误差历史数据
Figure FDA0003229847320000035
计算如下：
Figure FDA0003229847320000036
其中，t表示时间，w表示第w个箱，
Figure FDA0003229847320000037
表示新能源功率预测误差；
Figure FDA0003229847320000038
表示t时段内的历史减负荷量误差；
Figure FDA0003229847320000039
表示新能源功率预测值，
Figure FDA00032298473200000310
表示新能源功率实测值，
Figure FDA00032298473200000311
表示历史减负荷量期望，
Figure FDA00032298473200000312
表示负荷基础用电量，
Figure FDA00032298473200000313
表示高电价下实测用电量。
8.如权利要求6所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，所述低电价下的系统误差历史数据
Figure FDA00032298473200000314
计算如下：
Figure FDA00032298473200000315
其中，t表示时间，w表示第w个箱，
Figure FDA00032298473200000316
表示新能源功率预测误差；
Figure FDA00032298473200000317
表示t时段内的历史增负荷量误差；
Figure FDA00032298473200000318
表示新能源功率预测值，
Figure FDA00032298473200000319
表示新能源功率实测值，
Figure FDA00032298473200000320
表示历史增负荷量期望，
Figure FDA00032298473200000321
表示负荷基础用电量，
Figure FDA0003229847320000041
表示低电价下实测用电量。
9.如权利要求1所述的综合刻画源荷两侧不确定性的二维分箱方法，其特征在于，所述新能源包括风电、水电、太阳能。
CN202110983724.2A 2021-08-25 2021-08-25 一种综合刻画源荷两侧不确定性的二维分箱方法 Active CN113744082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110983724.2A CN113744082B (zh) 2021-08-25 2021-08-25 一种综合刻画源荷两侧不确定性的二维分箱方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110983724.2A CN113744082B (zh) 2021-08-25 2021-08-25 一种综合刻画源荷两侧不确定性的二维分箱方法

Publications (2)

Publication Number Publication Date
CN113744082A true CN113744082A (zh) 2021-12-03
CN113744082B CN113744082B (zh) 2024-10-01

Family

ID=78732929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110983724.2A Active CN113744082B (zh) 2021-08-25 2021-08-25 一种综合刻画源荷两侧不确定性的二维分箱方法

Country Status (1)

Country Link
CN (1) CN113744082B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930671A (zh) * 2016-04-29 2016-09-07 武汉大学 一种表征风电功率概率分布的改进通用分布及通用混合分布模型
US20170345208A1 (en) * 2011-04-14 2017-11-30 Suntracker Technologies Ltd. System and method for real time dynamic lighting simulation
CN111008504A (zh) * 2019-12-18 2020-04-14 武汉大学 一种基于气象模式识别的风电功率预测误差建模方法
CN111049193A (zh) * 2019-12-16 2020-04-21 国家电网公司华中分部 一种风电系统多调度场景的备用需求动态评估方法
CN111552923A (zh) * 2020-04-22 2020-08-18 国网江苏省电力有限公司苏州供电分公司 一种基于通用分布的负荷预测方法及负荷预测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170345208A1 (en) * 2011-04-14 2017-11-30 Suntracker Technologies Ltd. System and method for real time dynamic lighting simulation
CN105930671A (zh) * 2016-04-29 2016-09-07 武汉大学 一种表征风电功率概率分布的改进通用分布及通用混合分布模型
CN111049193A (zh) * 2019-12-16 2020-04-21 国家电网公司华中分部 一种风电系统多调度场景的备用需求动态评估方法
CN111008504A (zh) * 2019-12-18 2020-04-14 武汉大学 一种基于气象模式识别的风电功率预测误差建模方法
CN111552923A (zh) * 2020-04-22 2020-08-18 国网江苏省电力有限公司苏州供电分公司 一种基于通用分布的负荷预测方法及负荷预测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SAURABH TEWARI 等: "A Statistical Model for Wind Power Forecast Error and its Application to the Estimation of Penalties in Liberalized Markets", IEEE TRANSACTIONS ON POWER SYSTEMS, vol. 26, no. 4, pages 2031 - 2039, XP011387400, DOI: 10.1109/TPWRS.2011.2141159 *
张显 等: "分时段短期电价预测", 中国电机工程学报, vol. 25, no. 15, pages 1 - 6 *
王豹 等: "基于通用分布的含风电电力系统随机动态经济调度", 电力系统自动化, vol. 40, no. 06, pages 17 - 24 *

Also Published As

Publication number Publication date
CN113744082B (zh) 2024-10-01

Similar Documents

Publication Publication Date Title
CN109359389B (zh) 基于典型负荷动态博弈的城市电动汽车充电决策方法
Weitzel et al. Operating a storage-augmented hybrid microgrid considering battery aging costs
CN107947165A (zh) 一种面向调节需求的配电网灵活性评价方法
CN107423852A (zh) 一种计及典型场景的光储联合电站优化运营方法
CN103197138A (zh) 一种具有供电可靠率和电压合格率监测功能的智能电表及监测方法
CN114938035B (zh) 考虑储能退化成本的共享储能能量调度方法及系统
CN111049193B (zh) 一种风电系统多调度场景的备用需求动态评估方法
CN107480907A (zh) 一种峰谷电价下含风电的省级电网购电配比的优化方法
CN109389437B (zh) 电价的定价方法、定价装置及终端
CN111144447A (zh) 一种新能源出力引起的反调峰风险的电网峰谷时段划分方法
CN203069670U (zh) 一种具有供电可靠率和电压合格率监测功能的智能电表
Kim et al. Economical energy storage systems scheduling based on load forecasting using deep learning
CN116611711B (zh) 储能项目分析系统、方法、设备及可读存储介质
CN111969598B (zh) 一种考虑激励型需求侧响应的用户侧储能优化方法及系统
CN113256092A (zh) 基于改进优化隶属度函数的便携式电量计量装置评估方法
CN111082424B (zh) 一种综合能源及微电网系统可靠性预测方法及装置
CN111211576B (zh) 考虑储能的区域电网新能源承载能力的测算方法
CN113744082A (zh) 一种综合刻画源荷两侧不确定性的二维分箱方法
CN109188070B (zh) 一种月度功率因数预测方法及系统
CN103488865A (zh) 一种储能装置容量的计算方法
Ye et al. Short term output prediction method of runoff type medium and small hydropower stations
CN114977232A (zh) 一种储能控制方法、装置及微网
Jiayi et al. Power load feature identification and prediction based on structural entropy weight method and improved Bayesian algorithm
CN110429593A (zh) 一种考虑电动汽车充电需求的配电最优容载比确定方法
Wu et al. Optimization of Demand Response Packages Based on High Flexibility and Adjustable Characteristics of Load Side

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