CN113809772B - 提升应对次时间尺度风电不确定性的安全性的方法及装置 - Google Patents

提升应对次时间尺度风电不确定性的安全性的方法及装置 Download PDF

Info

Publication number
CN113809772B
CN113809772B CN202111092201.5A CN202111092201A CN113809772B CN 113809772 B CN113809772 B CN 113809772B CN 202111092201 A CN202111092201 A CN 202111092201A CN 113809772 B CN113809772 B CN 113809772B
Authority
CN
China
Prior art keywords
wind power
time scale
period
sub
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.)
Active
Application number
CN202111092201.5A
Other languages
English (en)
Other versions
CN113809772A (zh
Inventor
刘阳
谷青发
滕卫军
张振安
李朝晖
杨海晶
孙鑫
李本新
张衷望
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.)
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Northeast Electric Power University
Original Assignee
Northeast Dianli University
Electric Power Research Institute of State Grid Henan Electric Power 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 Northeast Dianli University, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Northeast Dianli University
Priority to CN202111092201.5A priority Critical patent/CN113809772B/zh
Publication of CN113809772A publication Critical patent/CN113809772A/zh
Application granted granted Critical
Publication of CN113809772B publication Critical patent/CN113809772B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种提升应对次时间尺度风电不确定性的安全性的方法及装置，方法包括：对于主时间尺度t时段延续时间内各个子时段，基于风电功率波动区间的上、下界以及一个时段内不同次时间尺度间风电功率牵制关系，分别从t时段首或末端点时刻开始按顺或逆序推导时段内各子时段风电功率的最大值和最小值；将各时段风电功率最大值和最小值取交集即为次时间尺度下风电场输出功率的最大值和最小值，进而获取次时间尺度的风电功率不确定性集；将所述次时间尺度风电功率不确定性集补充多时间尺度下风电功率波动速率约束，即可构建考虑次时间尺度不确定性的风电功率区间模型，能够避免风电发生较大波动时对电力系统造成的安全隐患。装置包括：处理器和存储器。

Description

提升应对次时间尺度风电不确定性的安全性的方法及装置
技术领域
本发明涉及风力发电系统领域，尤其涉及一种提升应对次时间尺度风不确定性的电力 系统安全性的方法，该方法通过将风电在次时间尺度下的不确定性量化描述，从而使电力 系统能够更加有效地应对风电不确定性在次时间尺度下的剧烈波动，最终提升了电力系统 的安全稳定性。
背景技术
风光等可再生能源发电与天(自然)的行为直接相关，决定了这一发电具有较强的不确 定性。对这一不确定建立准确、适用的模型是进行高比例可再生能源电力系统多时空协同 控制策略研究的基础[1]。依据对不确定性的认识，国内外学者就这一问题展开了广泛而深 入的研究，提出了诸如概率模型、模糊模型、区间模型等量化描述的建模方法。
概率模型的基础是蒙特卡洛模拟法[2]，该种方法还可称为随机抽样法，是20世纪中期 以概率统计理论为核心提出的一种数值计算方法。该方法是概率统计理论中较为常用的方 法，首先使用随机数来刻画风电功率的概率过程，然后对风电功率历史统计数据进行一定 数量的抽样，最后根据抽样结果生成基于风电概率分布函数相关的风电场景集[3]。文献[4] 先运用蒙特卡洛模拟法，得到数量庞大的模拟场景，通过这些变化多样的场景体现出风电 功率波动变化的不确定性，然后使用同步回代缩减法对大量场景进行削减，得到关键场景 集。文献[5]为获得大量风电功率波动场景使用了蒙特卡洛模拟法，然后为了筛选出能表达 不确定性的典型场景而使用场景削减法合并类似的场景。文献[6]提出了一种基于多项式混 沌展开的蒙特卡洛抽样方法，并用于风电不确定场景的生成。文献[7]假定风电出力服从 Beta分布，在考虑预测误差发生概率基础上对其进行概率分布拟合。文献[8]首先研究了风 电实际输出功率与预测值误差之间的概率分布关系，划分风功率波动区间，然后运用科西 (Cauchy)分布参数分段拟合预测误差。文献[9]为了精确描述风电功率预测误差，总结并提 出一种新的近似函数模拟服从正态分布。
模糊模型的基础是模糊集合理论，在19世纪中期，L.A.zadeh教授(美国加州大学电气 工程系)开创了这项理论。模糊理论中，模糊集是用来描述不确定性集合的较为常用的方法， 这种方法经常用模糊数的形式描述风速或者风电功率波动，该方法较为依赖隶属度函数建 立相关模型[10-11]。文献[12]提出了随机模糊的相关概念，并运用概率密度分布函数获得拟 合函数，然后将参数模糊处理，从而构建日风速随机模糊不确定性集合数学模型。文献[13] 结合风电出力和交通流量的历史数据构造高维源、荷不确定量的模糊集表征其概率分布特 性。文献[14]在短期调度问题中，将模糊理论应用于风电功率预测误差信息中，并通过将 风电功率预测值转化为模糊变量的方式，构建梯形隶属度函数。文献[15]根据梯形隶属度 函数构建具有可信性特征的数学模型，从而实现对风电功率预测值的模糊化处理。文献[16] 根据可信性理论对风电功率预测误差建立模糊模型。文献[17]首先计及了多种不同时间尺 度框架下的风电功率预测值精度的误差，然后对风电功率预测值进行模糊建模，并将传统 确定性条件下的电力系统约束转化成模糊机会约束，最后为了反映风电预测值精度随时间 推进而逐渐提高的特点，将模糊置信度定为递增向量。
区间模型的基础是区间数理论[18-19]，通过将扰动因素表述为区间变量来描述不确定性。 文献[20]为了描述风电的不确定性，利用区间变量模拟风电的日前预测功率和超短期预测 功率。文献[21]为了能够描述风电不确定性因素，运用区间数方法将系统负荷以及可再生 能源发电出力等预测值描述的相关等式约束转化成区间形式表达，得到风电与光伏发电出 力的预测值区间。文献[22]以区间上下界的表示形式对不确定风电进行范围表述，从而在 经济调度决策中得到基于风电区间上下界的乐观解和悲观解。
概率模型虽然可以通过多种概率分布函数来描述不同情况下的不确定性，但是概率分 布函数的选择结果直接影响计算结果，同时由于其建模基于概率解析形式，导致模型和求 解较为复杂。模糊模型虽然适用于风速不具备统计性质的情况，可以避免数据不足导致建 模精度不够的问题，但是由于还没有成熟有效的方法来确定模糊变量的隶属函数，因此模 糊模型主观性较强。相对于概率模型和模糊模型，由于区间模型仅需要注意区间上下界信 息，使得区间模型不仅更加客观，而且不需要获得不确定量的概率分布，同时在后续安全 评估时还可以运用所得到的区间结果进行指导。然而目前关于风电出力区间模型的研究只 考虑了主时间尺度框架下各时段风电出力的不确定性，而没有对各时段连续时间内(次时 间尺度)风电出力波动的不确定性进行建模，随着风电渗透率的不断提高，始终存在于不 确定量波动轨迹中的间歇性特征，可能以分钟级尺度体现，也可能以更短的时间尺度体现， 其存在的时间尺度日渐多元化且难以预知，由此对量化处理手段提出了更高的要求。
发明内容
本发明提供了一种提升应对次时间尺度风电不确定性的电力系统安全性的方法及装 置，本发明更加精确、真实的刻画在多个时间尺度下的风电不确定性，从而使电力系统在 应对风电不确定性时能够制定更加精确有效地调度命令，使得电力系统的安全稳定性进一 步提升，详见下文描述：
第一方面，一种提升应对次时间尺度风电不确定性的安全性的方法，所述方法包括：
1)对于主时间尺度t时段延续时间内各个子时段，基于风电功率波动区间的上、下界 以及一个时段内不同次时间尺度间风电功率牵制关系，分别从t时段首或末端点时刻开始 按顺或逆序推导时段内各子时段风电功率的最大值和最小值；
2)将各时段风电功率最大值和最小值取交集即为次时间尺度下风电场输出功率的最 大值和最小值，进而获取次时间尺度的风电功率不确定性集；
3)将所述次时间尺度风电功率不确定性集补充多时间尺度下风电功率波动速率约束， 即可构建考虑次时间尺度不确定性的风电功率区间模型，能够避免风电发生较大波动时对 电力系统造成的安全隐患。
在一种实施方式中，所述方法在步骤1)之前还包括：
获取主、次时间尺度风电不确定性和波动性描述，用于评估次时间尺度各时刻风电功 率波动区间的上、下界。
在一种实施方式中，步骤1)中的从t时段首或末端点时刻开始按顺或逆序推导时段 内各子时段风电功率的最大值和最小值为：
式中：分别为从t时段首端点按顺序推算的风电场j在该时段第n个子 时段输出功率最大值和最小值；/>分别为从t时段末端点按逆序推算的风电机 组j在第n个子时段输出功率最大值和最小值。
在一种实施方式中，所述步骤2)中的次时间尺度下风电场输出功率的最大值和最小 值为：
式中：为主时间尺度t时段按次时间尺度划分的第n个子时段的风电功 率最大值和最小值。
在一种实施方式中，所述步骤2)中的获取次时间尺度的风电功率不确定性集具体为：
式中：为次时间尺度h时段风电功率最大值和最小值。
第二方面，一种提升应对次时间尺度风电不确定性的安全性的装置，所述装置包括： 处理器和存储器，存储器中存储有程序指令，处理器调用存储器中存储的程序指令以使装 置执行第一方面中的任一项所述的方法步骤。
第三方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序， 所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面 中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是：
1、本发明基于历史数据对风电不确定性在主时间尺度下的空间特性进行建模，并充 分考虑风电波动不确定性在次时间尺度下的平滑效应，建立能够反映不同时间尺度下风电 波动不确定性的区间模型；
2、本发明依据多个时间尺度的风电不确定性区间模型推导出能够更加准确、真实反 映风电不确定性集合的区间模型，使得电力系统在制定调度命令时能够避免决策过于冒进 而导致备用不足的情况，进一步提高了电力系统的安全稳定性。
附图说明
图1为一种提升应对次时间尺度风电不确定性的电力系统安全性的方法的流程图；
图2为主次时间尺度下各时段划分的示意图；
图3为从左侧推导的各时刻最大值的示意图；
图4为从右侧推导的各时刻最大值的示意图；
图5为一种提升应对次时间尺度风电不确定性的电力系统安全性的装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详 细描述。
实施例1
为了更加准确、真实地描述风电不确定性的时空特性，本发明实施例提出一种提升应 对次时间尺度风电不确定性的电力系统安全性的方法，参见图1，该方法包括以下步骤：
101：获取主、次时间尺度风电不确定性和波动性描述，用于评估次时间尺度各时刻 风电功率波动区间的上、下界；
102：对于主时间尺度t时段延续时间内各个子时段，基于风电功率波动区间的上、下 界以及一个时段内不同次时间尺度间风电功率牵制关系，分别从t时段首或末端点时刻开 始按顺或逆序推导时段内各子时段风电功率的最大值和最小值；
103：将各时段风电功率最大值和最小值取交集即为次时间尺度下风电场输出功率的 最大值和最小值，进而获取次时间尺度的风电功率不确定性集；
104：将风电功率不确定性集补充多时间尺度下风电功率波动速率约束，用于真实有 效的描述风电波动的区间模型，避免净负荷发生较大波动时对电力系统造成的安全隐患。
综上所述，本发明实施例通过上述步骤101-步骤104依据多个时间尺度的风电不确定 性区间模型推导出能够更加准确、真实反映风电不确定性集合的区间模型，使得电力系统 在制定调度命令时能够避免决策过于冒进而导致备用不足的情况，进一步提高了电力系统 的安全稳定性。
实施例2
下面结合具体的计算公式、实例、图2至图4对实施例1中的方案进行进一步地介绍， 详见下文描述：为了解决背景技术中的问题，本发明实施例在主时间尺度决策框架下引入 更为精细的次时间尺度，如图1所示，将研究周期依据主时间尺度等分为T个时段，对应 的时间分辨率为△T，在此基础上将每个时段等分为N个子时段，每个子时段延续时间△t ＝△T/N，由此本发明实施例称个子时段的组合即k△t为次时间尺度对应的时间分 辨率，基于主、次时间尺度描述的风电不确定性如式(1)和(2)所示。
式中：j为风电场，j∈NW，NW为风电场总数；Wj,t、、分别为主时间尺度框架下t时段风电场i输出功率的随机值及其可能的下限值和上限值；wj,h为次时间尺度框架下风电场j在h时段可能的输出功率；/>为在k△t时间尺度下风电场j输出功率可能的最大向上、向下变化速率，由于风电功率的时间平滑效应，k越大，/>的数值就越小。
可见，式(1)表示主时间尺度各时刻风电功率空间位置变动范围的不确定性；式(2)表示 次时间尺度不同时刻间风电功率波动速度的不确定性。由于计及了多个时间尺度风电变化 速率的不确定性，可有效避免仅考虑主时间尺度因时间分辨率过小低估时段内出现的风险 使决策过于冒进，或因仅考虑最小时间尺度而忽略了风电功率的时间平滑效应导致风电波 动场景刻画过于苛刻导致决策过于保守。
基于式(1)和式(2)对主、次时间尺度风电不确定性和波动性描述，可以评估次时间尺度 各时刻风电功率波动区间的上、下界。
依据主、次时间尺度的划分方式，式(1)中的主时间尺度各时段端点时刻风电功率上、 下界在次时间尺度可等价表示为如下形式。
式中：wj,tN、分别为次时间尺度框架下tN时刻风电场j输出功率的随机值及 其可能的上限值和下限值。
对于主时间尺度t时段延续时间内各个子时段，基于式(3)给定的t时段端点时刻风电 功率上下界以及式(2)给定的一个时段内不同次时间尺度间风电功率牵制关系，可以分别从 t时段首(末)端点时刻开始按顺(逆)序推导时段内各子时段风电功率可能的最大值和最小值， 如式(4)所示。
式中：分别为从t时段首端点按顺序推算的风电场j在该时段第n个子 时段输出功率可能的最大值和最小值。/>分别为从t时段末端点按逆序推算的 风电机组j在第n个子时段输出功率可能的最大值和最小值。
以评估主时间尺度一个时段所划分的各子时段风电功率可能的最大值为例，假设△T ＝5min，N＝5，K＝2，Δt＝1min，在主时间尺度预测的时段首、末时刻的风电最大功率分别 为和/>若按从左到右的顺序逐一评估爬升约束下各子时段风电的最大值，分析可 知，当风电按照/>的速度由/>持续爬升，可得出子时段1风电最大可能值/>如图3(a)所示；对于子时段2，如图3(b)所示，基于K＝2的假设，其风电功率同时受/>和/>的牵 制，当受/>牵制时，根据1分钟的最大可能爬升速度/>子时段2的风电最大可能功率为/>当受/>牵制时，根据2分钟最大平均爬坡速度/>子时段2的风电功率 最大值为/>通过比较/>和/>的大小，选择其中较小者作为子 时段2顺序推导模式下风电功率的最大值，记为/>以此类推，可得到顺序推导模式下 子时段3和子时段4风电功率最大值/>和/>如图3(c)、3(d)所示，所有子时段风电 功率顺序推导的最大值如图3(e)所示。
若按从右到左的逆序逐一评估爬升约束下各子时段风电的最大值，分析可知，当风电 按照的速度从/>持续下坡到/>可反向得出子时段4的风电最大可能值/>如图 3a所示；对于子时段3，如图3b所示，基于K＝2的假设，其风电功率同时受/>和/>的牵制，当受/>牵制时，根据1分钟的最大可能下坡速度/>可反向推出子时段3的风电最大可能功率为/>当受/>牵制时，根据2分钟最大平均爬坡速度/>可反向 推出子时段3的风电功率最大值为/>通过比较/>和/>的大小， 选择其中较小者作为子时段3逆序推导模式下风电功率的最大值，记为/>以此类推， 可得到逆序推导模式下子时段2和子时段1风电功率最大值/>和/>如图3c、3d所 示，所有子时段风电功率逆序推导的最大值如图3e所示。
对式(4)前推回代计算的各时段风电功率最大值和最小值取交集即为次时间尺度下风 电场输出功率可能的最大值和最小值，如式(5)所示。
式中：为主时间尺度t时段按次时间尺度划分的第n个子时段的风电功 率可能的最大值和最小值。
由此结合式(2)、式(5)，基于次时间尺度的风电功率不确定性集ΩW可表示为如下形式：
式中：为次时间尺度h时段风电功率可能的最大值和最小值。
式(6)为本方法所提发明的结果，该式通过考虑风电不确定性在次时间尺度下的平滑效 应，构建了多时间尺度下风电功率波动速率约束，使得能够更加真实有效描述风电波动的 区间模型，从而使电力系统在做调度决策时，能够更加精准的制定所需备用，避免净负荷 发生较大波动时对电力系统造成的安全隐患，使得电力系统的安全稳定性进一步提高。
实施例2
下面结合具体的实验对实施例1和2中的方案进行可行性验证，详见下文描述：
为验证本发明所提考虑次时间尺度不确定性的风电功率模型有效性，选取单一风电场 进行分析，主时间尺度预测的风电场出力如表2-1所示，其中ΔT取10min，Δt取1min，根据对1分钟，2分钟以及5分钟风电功率平均波动速度的不同考虑，设计如下3种方案 进行分析：
方案1：假设主时间尺度风电偏离预测值的最大偏差为±5％，仅考虑1min时间尺度 的风电功率平均最大波动速度约束(设δ1,1＝5MW/min)，不考虑2分钟和5分钟时间尺度下 的风电功率波动的时间平缓效应，即δ1,2＝δ1,5＝δ1,1＝5MW/min。
方案2：在方案1的基础上，不仅考虑1min时间尺度的风电功率平均最大波动速度，而且考虑2min时间尺度的风电功率波动的时间平缓效应(设δ1,1＝5MW/min，δ1,2＝3MW/min)， 但不考虑5分钟时间尺度的风电功率波动的时间平缓效应，即假设δ1,5＝δ1,2＝3MW/min。
方案3：在方案2的基础上，再考虑5min时间尺度的风电功率波动的时间平缓效应，即假设δ1,1＝5MW/min，δ1,2＝3MW/min，δ1,5＝2MW/min。
表1主时间尺度预测的风电场出力数据
依据式(4)，3种方案按照顺序推导次时间尺度风电功率可能的最大值如表2所示；按 照逆序推导的次时间尺度风电功率可能的最大值如表3所示；按照顺序推导次时间尺度风 电功率可能的最小值如表4所示；按照逆序推导次时间尺度风电功率可能的最小值如表5 所示。
表2 3种方案按照顺序推导次时间尺度风电功率可能的最大值
表3 3种方案按照逆序推导次时间尺度风电功率可能的最大值
表4 3种方案按照顺序推导次时间尺度风电功率可能的最小值
表5 3种方案按照逆序推导次时间尺度风电功率可能的最小值
按照式(5)，结合表2和表3，可得到3种方案最终推导出的风电功率可能的最大值，如表6所示；结合表4和表5，可得到3种方案最终推导出的风电功率可能的最小值，如 表7所示。
表6 3种方案对应的次时间尺度风电功率可能的最大值
表7 3种方案对应的次时间尺度风电功率可能的最小值
对比表6中三种方案推导的风电功率在次时间尺度下可能的最大值，可以发现从开始，方案2、3和方案1开始出现不同，在方案2、方案3中/>而在方案1 中在/>之后，方案2、3和方案1推导出的最大值差距更加明显，这是由 于方案2、3均考虑了时间平滑效应对风电功率波动的影响，如式(2)所示，在2min时间尺 度下的风电功率平均最大速度牵制下，风电功率的波动在较长时间尺度下更加平缓，这更 加符合真实的风电功率波动。而从/>开始，方案3与方案2开始出现不同，方案3中/>＝90MW，而方案2中/>在/>之后，方案3与方案2推导出的最大值差距更 加明显，这是由于方案3在方案2的基础上，还考虑了5min时间尺度下的风电功率平均 最大速度牵制，将长时间尺度下风电功率波动速度的平滑效应进一步体现出来。
对比表2-7中三种方案推导的风电功率在次时间尺度下可能的最大值，可以发现从开始，方案2、3和方案1开始出现不同，在方案2、方案3中/>而在方案1 中在/>之前，方案2、3和方案1推导出的最大值差距更加明显，这是由 于方案2、3均考虑了时间平滑效应对风电功率波动的影响，如式(2)所示，在2min时间尺 度下的风电功率平均最大速度牵制下，风电功率的波动在较长时间尺度下更加平缓，这更 加符合真实的风电功率波动。而从/>开始，方案3与方案2开始出现不同，方案3中/> 而方案2中/>在/>之前，方案3与方案2推导出的最大值差距更 加明显，这是由于方案3在方案2的基础上，还考虑了5min时间尺度下的风电功率平均 最大速度牵制，将长时间尺度下风电功率波动速度的平滑效应进一步体现出来。
综上所述，相比于仅考虑单一时间尺度风电不确定性的建模方法，本发明所提模型不 仅能够兼顾主次时间尺度不确定性的表达，而且能够更加真实的反映风电平滑效应对不确 定性模型的影响，从而确保了电力系统在做调度决策时，能够精准有效的制定预留备用， 避免短时间内净负荷出现较大波动时对电力系统造成安全隐患，最终提升了电力系统的安 全稳定性。
实施例4
基于同一发明构思，本发明实施例还提供了一种提升应对次时间尺度风电不确定性的 安全性的装置，参加图5，该装置包括处理器和存储器，存储器中存储有程序指令，处理 器调用存储器中存储的程序指令以使装置执行实施例中的以下方法步骤：
1)对于主时间尺度t时段延续时间内各个子时段，基于风电功率波动区间的上、下界 以及一个时段内不同次时间尺度间风电功率牵制关系，分别从t时段首或末端点时刻开始 按顺或逆序推导时段内各子时段风电功率的最大值和最小值；
2)将各时段风电功率最大值和最小值取交集即为次时间尺度下风电场输出功率的最 大值和最小值，进而获取次时间尺度的风电功率不确定性集；
3)将所述风电功率不确定性集作为多时间尺度下风电功率波动速率约束，用于真实 有效的描述风电波动的区间模型，避免净负荷发生较大波动时对电力系统造成的安全隐患。
在一种实施方式中，在步骤1)之前还包括：
获取主、次时间尺度风电不确定性和波动性描述，用于评估次时间尺度各时刻风电功 率波动区间的上、下界。
步骤1)中的从t时段首或末端点时刻开始按顺或逆序推导时段内各子时段风电功率 的最大值和最小值为：
式中：分别为从t时段首端点按顺序推算的风电场j在该时段第n个子 时段输出功率最大值和最小值；/>分别为从t时段末端点按逆序推算的风电机 组j在第n个子时段输出功率最大值和最小值。
步骤2)中的次时间尺度下风电场输出功率的最大值和最小值为：
式中：为主时间尺度t时段按次时间尺度划分的第n个子时段的风电功 率最大值和最小值。
步骤2)中的获取次时间尺度的风电功率不确定性集具体为：
式中：为次时间尺度h时段风电功率最大值和最小值。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本 发明实施例在此不做赘述。
上述的处理器和存储器的执行主体可以是计算机、单片机、微控制器等具有计算功能 的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选 择。
存储器和处理器之间通过总线传输数据信号，本发明实施例对此不做赘述。
实施例5
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括 存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述想对 应的，本发明实施例在此不做赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。 当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包 括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地 产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机 指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机 可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集 成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
参考文献
[1]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007.
[2]Xie Z Q，Ji T Y，Li M S，et al.Quasi-monte carlo based probabilisticoptimal power flow considering the correlation of wind speeds using copulafunction[J].IEEE Transactions on Power Systems，2017：2239-2247.
[3]Villanueva D,Jose Luis Pazos,Andres Feijoo.Probabilistic load flowincluding wind power generation[J].IEEE Transactions on Power Systems，2011，26(3)：1659-1667.
[4]艾欣，周树鹏，赵阅群.考虑风电不确定性的用户侧分时电价研究[J].电网技术，2016， 40(5):1529-1535.
[5]刘春阳，王秀丽，吴雄.考虑蓄电池分组优化的风储系统多层次调度策略[J].电网技术， 2016，40(10):3029-3037.
[6]Germán Morales-Lorcab,Mathijs M.de Weerdta.RobustUnit Commitment with Dispatchable Wind Power[J].Electric Power SystemsResearch,2018,155:58-66.
[7]刘立阳，孟绍良，吴军基.基于风电预测误差区间的动态经济调度[J].电力自动化设备， 2016，36(09)：87-93.
[8]马燕峰，范振亚，刘伟东，等.考虑碳权交易和风荷预测误差随机性的环境经济调度[J]. 电网技术，2016，40(02)：412-418.
[9]张昭遂，孙元章，李国杰，等.计及风电功率不确定性的经济调度问题求解方法[J].电 力系统自动化，2011，35(22)：125-130.
[10]张晓辉，赵翠妹，梁军雪，等.考虑发用电双侧不确定性的电力系统鲁棒模糊经济调 度[J].电力系统自动化，2018，42(17)：67-78.
[11]Choi J,El-Keib A A,Tran T.A fuzzy branch and boundbasedtransmission system expansion planning for the highest satisfaction level ofthe decision maker[J].IEEE Transactions Power System，2005，20(1)：476-484.
[12]马瑞，张强，吴瑕，等.日风速随机模糊不确定模型[J].中国电机工程学报，2015， 35(24)：6351-6357.
[13]张亚超，郑峰，舒胜文，等.考虑多重不确定性的电-气-交通网络耦合系统数据驱动鲁 棒优化调度[J].中国电机工程学报，DOI:10.13334/j.0258-8013.pcsee.200641..
[14]Hodge B M S,Ela E G,Milligan M.Characterizing and Modeling WindPower Forecast Errors from Operational Systems for Use in Wind IntegrationPlanning Studies[J].Wind Engineering，2012，36(5)：509-524.
[15]孙巧英.基于可信性理论含规模化风电的机组组合问题研究[D].华北电力大学(北京)， 2011.
[16]艾欣，刘晓，孙翠英.含风电场电力系统机组组合的模糊机会约束决策模型[J].电网 技术，2011，35(12)：202-207.
[17]翟俊义，任建文，周明，等.含风电电力系统的多时间尺度模糊机会约束动态经济调 度模型[J].电网技术，2016，40(4)：1094-1099.
[18]Jiang C,Han X.A.New uncertain optimization method basedonintervals and an approximationManagement model[J].CMES-Computer Modeling inEngineering and Science， 2007，22(2)：97-118.
[19]王守相，武志峰，王成山.计及不确定性的电力系统直流潮流的区间算法[J].电力系 统自动化，2007，31(5)：18-23.
[20]鞠立伟，于超，谭忠富.计及需求响应的风电储能两阶段调度优化模型及求解算法[J].电 网技术，2015，39(5)：1287-1293.
[21]王守相，王栋，韩亮.考虑不确定性的微网日前经济优化调度区间线性调度方法[J].电 力系统自动化，2014，38(24)：5-11.
[22]丁涛，郭庆来，柏瑞，等.考虑风电不确定性的区间经济调度模型及空间分支定界法[J]. 中国电机工程学报，2014，34(22)：3707-3714.
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要 能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号 仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种提升应对次时间尺度风电不确定性的安全性的方法，其特征在于，所述方法包括：
1)将主时间尺度下每个时段划分为次时间尺度下的N个子时段，对于主时间尺度t时段延续时间内各个子时段，基于主时间尺度下风电功率波动区间的上、下界以及一个时段内不同次时间尺度间风电功率牵制关系，分别从t时段次时间尺度下的首和末端点时刻开始按顺序和逆序推导t时段内各子时段风电功率的最大值和最小值；
2)将顺序推导得到的各子时段风电功率最大值和最小值，与逆序推导得到的各子时段风电功率最大值和最小值分别取交集即为次时间尺度下风电场输出功率的最大值和最小值，进而获取次时间尺度的风电功率不确定性集；
3)将所述次时间尺度风电功率不确定性集补充多时间尺度下风电功率波动速率约束，即可构建考虑次时间尺度不确定性的风电功率区间模型，能够避免风电发生较大波动时对电力系统造成的安全隐患。
2.根据权利要求1所述的一种提升应对次时间尺度风电不确定性的安全性的方法，其特征在于，所述方法在步骤1)之前还包括：
获取主、次时间尺度风电不确定性和波动性描述，用于评估次时间尺度各时刻风电功率波动区间的上、下界。
3.根据权利要求1所述的一种提升应对次时间尺度风电不确定性的安全性的方法，其特征在于，所述步骤1)中的从t时段次时间尺度下的首和末端点时刻开始按顺序和逆序推导t时段内各子时段风电功率的最大值和最小值为：
式中：分别为从t时段首端点按顺序推算的风电场j在该时段第n个子时段输出功率最大值和最小值；/>分别为从t时段末端点按逆序推算的风电机组j在第n个子时段输出功率最大值和最小值，N为子时段的个数，K为次时间尺度下风电场输出功率变化速率需考虑的最大时段数，/>为在k△t时间尺度下风电场j输出功率可能的最大向上、向下变化速率。
4.根据权利要求3所述的一种提升应对次时间尺度风电不确定性的安全性的方法，其特征在于，所述步骤2)中的次时间尺度下风电场输出功率的最大值和最小值为：
式中：为主时间尺度t时段按次时间尺度划分的第n个子时段的风电功率最大值和最小值。
5.根据权利要求4所述的一种提升应对次时间尺度风电不确定性的安全性的方法，其特征在于，所述步骤2)中的获取次时间尺度的风电功率不确定性集具体为：
式中：为次时间尺度h时段风电功率最大值和最小值。
6.一种提升应对次时间尺度风电不确定性的安全性的装置，其特征在于，所述装置包括：处理器和存储器，存储器中存储有程序指令，处理器调用存储器中存储的程序指令以使装置执行权利要求1-5中的任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-5中的任一项所述的方法。
CN202111092201.5A 2021-09-17 2021-09-17 提升应对次时间尺度风电不确定性的安全性的方法及装置 Active CN113809772B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111092201.5A CN113809772B (zh) 2021-09-17 2021-09-17 提升应对次时间尺度风电不确定性的安全性的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111092201.5A CN113809772B (zh) 2021-09-17 2021-09-17 提升应对次时间尺度风电不确定性的安全性的方法及装置

Publications (2)

Publication Number Publication Date
CN113809772A CN113809772A (zh) 2021-12-17
CN113809772B true CN113809772B (zh) 2023-09-08

Family

ID=78939532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111092201.5A Active CN113809772B (zh) 2021-09-17 2021-09-17 提升应对次时间尺度风电不确定性的安全性的方法及装置

Country Status (1)

Country Link
CN (1) CN113809772B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105429158A (zh) * 2015-12-15 2016-03-23 浙江大学 一种多时间尺度约束下平抑功率波动的简化约束方法
CN107230977A (zh) * 2017-05-05 2017-10-03 浙江工商大学 基于误差修正和提升小波组合预测模型的风电功率预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103827482B (zh) * 2011-06-14 2017-09-12 维斯塔斯风力系统集团公司 风力涡轮机发电厂的选择性下垂响应控制
CN107251356B (zh) * 2015-02-23 2020-09-11 学校法人冲绳科学技术大学院大学学园 确定可再生能源波动的预测误差的系统和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105429158A (zh) * 2015-12-15 2016-03-23 浙江大学 一种多时间尺度约束下平抑功率波动的简化约束方法
CN107230977A (zh) * 2017-05-05 2017-10-03 浙江工商大学 基于误差修正和提升小波组合预测模型的风电功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Multi-Time-Scale Modeling and Parameter Estimation of TCLs for Smoothing Out Wind Power Generation Variability;Meng Song; Ciwei Gao;IEEE Transactions on Sustainable Energy;第10卷(第1期);第105-118页 *

Also Published As

Publication number Publication date
CN113809772A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
Zhang et al. Dynamic energy conversion and management strategy for an integrated electricity and natural gas system with renewable energy: Deep reinforcement learning approach
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
CN110854932B (zh) 一种交直流配电网多时间尺度优化调度方法及系统
CN112396220B (zh) 一种基于场景缩减的含风电与需求侧资源的优化调度方法
CN111799847B (zh) 计及风险的主动配电网两阶段随机模型的预测控制方法
Fang et al. Reliability assessment of microgrid using sequential Monte Carlo simulation
JP6635954B2 (ja) 配電系統の動的状態推定のための方法とシステム
CN113935463A (zh) 一种基于人工智能控制方法的微电网控制器
Teng et al. Availability estimation of wind power forecasting and optimization of day-ahead unit commitment
Jiang et al. Research on short-term optimal scheduling of hydro-wind-solar multi-energy power system based on deep reinforcement learning
Wen et al. ELCC-based capacity value estimation of combined wind-storage system using IPSO algorithm
CN110752622B (zh) 一种配电网仿射状态估计方法
CN113809772B (zh) 提升应对次时间尺度风电不确定性的安全性的方法及装置
CN110363338B (zh) 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法
Ma et al. Integrated strategy of the output planning and economic operation of the combined system of wind turbines-pumped-storage-thermal power units
Zhai et al. MPC-based two-stage rolling power dispatch approach for wind-integrated power system
Tan et al. An improved modeling method for uncertainty of renewable energy power generation considering random variables correlation
Shensi et al. Grid code for wind power fluctuation in China and particle swarm optimization-based power dispatch solution
CN111614086A (zh) 一种面向电力系统多状态变量的滤波估计和预测估计方法
Su et al. A novel data-driven robust method applied to OPF with uncertain wind power
Zhao et al. Correlation analysis of wind power based on mixed copula model and its application into stochastic dispatch
Huang et al. Long Period Continuous Operation Data Sample Generation Method for Power Grid
Xu et al. Photovoltaic power generation unit life prediction based on grey forecast model with health evaluation
CN116646994B (zh) 一种电力系统优化调度方法及装置
Wang et al. Research on optimal equivalent capacity of wind farms based on probabilistic forecasting for power system planning

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