CN114282336A - 一种新能源电站出力场景生成方法及系统 - Google Patents
一种新能源电站出力场景生成方法及系统 Download PDFInfo
- Publication number
- CN114282336A CN114282336A CN202110772633.4A CN202110772633A CN114282336A CN 114282336 A CN114282336 A CN 114282336A CN 202110772633 A CN202110772633 A CN 202110772633A CN 114282336 A CN114282336 A CN 114282336A
- Authority
- CN
- China
- Prior art keywords
- new energy
- output
- energy power
- power station
- scene
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
-
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种新能源电站出力场景生成方法,包括:获取所有新能源电站时序功率数据;根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S 1;根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S 1’;根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景S i ;采用得到的S i 替换S 1’中相应第i次模拟场景S i’的对应时段,生成新能源电站出力场景。本发明能够兼顾时空相关性,提高新能源电站出力场景生产的准确性。
Description
技术领域
本发明涉及一种新能源电站出力场景生成方法及系统,属于新能源高占比电力系统发电机组组合优化技术领域。
背景技术
随着新能源发电技术的日益成熟,风力和光伏等新能源在电力系统中的发电总量占比逐渐增加。由于风力和光伏等新能源的出力具有随机性和间歇性的特点,其大规模接入给系统的运行与机组组合决策都带来了较大挑战。如果能够对新能源出力进行有效预测,就能提高机组组合问题的决策精度,从而降低新能源大规模接入对电力系统的影响。
时空相关性是在进行新能源模拟数据生成时需要考虑的重要特性之一,准确刻画新能源出力序列时空相关性是建模和有效性评价的前提。新能源出力的时间相关性能够反映新能源出力随时间的动态变化情况。新能源出力的空间相关性主要针对多新能源电站而言,由于同一地区新能源资源特性具有相似性,使得不同新能源电站出力之间存在不同程度的相关性。新能源出力特性主要受自然条件因素影响,新能源的随机性、波动性、间歇性等特点导致大规模并网后对电网运行带来挑战,因此对新能源资源、新能源出力特性等方面的特性研究成为系统规划、运行、运营经济性等问题的研究基础。
单个新能源电站出力时间相关性模型是建立新能源出力场景模型的基础。单个新能源电站出力时间相关性建模旨在刻画出序列的时序特征及其他基本统计特性,包括均值、标准差、概率分布函数等,以生成能够表征原始风电序列随机性和不确定性的模拟数据,为电力系统可靠性分析、优化调度分析提供信息。目前主要有时间序列、马尔科夫链、随机微分方程等方法用于新能源电站出力的时序建模。以自回归移动平均模型为基础的时间序列方法以历史数据为训练样本,侧重挖掘数据的自相关特性。马尔科夫链是以一定的人工经验和一定的状态数选取方法为基础的时序建模方法,它在一定程度上降低了时序建模的复杂性,提高建模的可靠性。随机微分方程法也是解决该问题的重要方法,可以很好地进行新能源出力时序建模问题求解。除以上概率模型外,还有采用人工神经网络、支持向量机等智能算法以及混合型方法进行新能源出力时序建模。
新能源出力序列的空间相关性存在于同一区域的多新能源电站集群,由于常常处于同一风速带或光照条件相似,受相近的天气情况影响,各新能源电站出力之间存在时空相关性。现有技术中,新能源电站发电模拟数据生成建模较为粗糙,对于由新能源电站间的分布、自然资源的分布及变化,造成的各新能源电站间出力序列存在时空相关性不足的问题,在实际运行中,不能够得到解决。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种新能源电站出力场景生成方法,能够提高新能源电站出力场景生成的准确性。为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种新能源电站出力场景生成方法,其特征在于,包括:
获取所有新能源电站时序功率数据;
根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S1;
根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’;
根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;
采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景。
结合第一方面,进一步地,所述利用Copula函数建立同类型新能源电站的空间相关性模型,包括:
根据核密度估计法,对获取到的所有新能源电站时序功率数据进行边缘分布拟合,包括:
初始化任一新能源电站出力为随机变量X={x1,x2,...,xn},则各新能源电站的概率密度函数f(x)通过下式表示:
式(1)中,h表示滑动窗口长度,且满足h>0;N表示样本长度;K(·)为核函数,满足对称性以及积分∫K(x)dx=1;
根据同类型各新能源电站的出力,得到新能源电站经验多元联合概率分布,根据得到的概率分布,采用极大似然法求解得到多组Copula函数;
基于Copula函数拟合效果,从多组Copula函数中选取拟合效果最佳的Copula函数;
利用选取得到的最优Copula函数对同类型新能源电站进行空间相关性建模。
结合第一方面,优选地,对各新能源电站的概率密度函数f(x)求积分能够得到变量的累积概率函数。
结合第一方面,优选地,所述多组Copula函数包括Gaussian-Copula、t-Copula、Gumbel-Copula、Clayton-Copula、Frank-Copula。
结合第一方面,进一步地,所述Copula函数拟合效果通过以下两个指标进行评估:
拟合优度指标:计算多组Copula函数与新能源电站经验多元联合概率分布的欧式距离d,当d值越小,则该Copula函数越贴近新能源电站经验多元联合概率分布;
相关性指标:计算多组Copula函数抽样生成的样本场景的Spearman和Kendall相关性系数,当相关性系数越接近实际样本,则该Copula模型越接近实际的空间相关性程度。
结合第一方面,进一步地,所述初始新能源电站出力场景S1通过下式表示:
式(2)中,行向量表示每个电站的出力序列;列向量表示同一时间断面下各个电站的出力,每个列向量包含了电站间的空间相关性信息;xm,t为第m个同类型新能源电站在第t次模拟时的出力值;t表示模拟次数,满足t=1,2,·,N,N表示样本长度。
结合第一方面,进一步地,所述典型新能源电站为装机容量较大且与其他各新能源电站之间的相关性较强的新能源电站。
结合第一方面,优选地,所述初始新能源电站出力场景S1包含了各新能源电站在各时刻出力幅值上的相关性,且初始新能源电站出力场景S1中各新能源电站序列满足样本序列的经验概率分布。
结合第一方面,进一步地,所述得到重构后的新能源电站出力场景S1’,包括:
在确定的时间颗粒度下,根据典型新能源电站的出力波动变化率的概率分布,模拟出力波动序列,其中,所述典型新能源电站的出力波动序列为{Pt|t=1,2,…,N-1};
对新能源电站出力场景进行数据重构,遍历所有初始新能源电站出力场景S1,得到重构后的新能源电站出力场景S1’。
结合第一方面,优选地,所述对新能源电站出力场景进行数据重构,包括:
初始化t时刻的新能源电站出力为[x1,t x2,t ··· xm,t]T,在典型新能源电站出力x1,t和波动Pt的基础上,找到最接近x1,t+Pt的数值x1,t’,将列向量[x1,t' x2,t' ···xm,t']T作为下一时刻场景出力。
结合第一方面,进一步地,所述预设的典型日选取方法,包括:
选取电网一整年的负荷有功数据,计算月平均负荷,将月平均负荷最大的月份作为电网全年的最大负荷月,将月平均负荷最小的月份作为电网全年的最小负荷月;
在电网最大负荷月和最小负荷月内,根据各类新能源日平均出力最大值和日平均出力最小值划分低出力区间、平均出力区间和高出力区间,划分月内各日平均出力水平所在的出力区间,根据各类新能源出力水平的划分区间得到系统典型出力区间;
在每个系统典型出力区间内筛选得到各出力区间的极端出力场景,该场景的出现时间为该典型出力区间的典型日;
选择全年净负荷最大、最小的日期作为典型日的补充,得到电网典型日。
各出力区间的极端出力场景,通过下式筛选得到:
式(5)中,m表示有m类新能源;满足式(5)的日期则为该典型出力区间的典型日。
结合第一方面,进一步地,所述低出力区间、平均出力区间和高出力区间分别为:
第二方面,本发明提供了一种新能源电站出力场景生成系统,包括:
获取模块:用于获取所有新能源电站时序功率数据;
建模模块:用于根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S1;
重构模块:用于根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’;
典型日计算模块:用于根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;
生产模块:用于采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景。
与现有技术相比,本发明实施例所提供的一种新能源电站出力场景生成方法及系统所达到的有益效果包括:
本发明获取所有新能源电站时序功率数据;根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S1;本发明基于Copula函数理论的空间相关性建立同类型新能源电站的空间相关性模型,解决了由新能源电站间的分布、自然资源的分布及变化,造成的各新能源电站间出力序列存在时空相关性不足的问题;
本发明根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’;本发明能够保证各新能源电站各自的时间相关性,能够有效保证新能源电站出力场景生成的时空相关性;
本发明根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景;本发明对典型日场景模拟修正,能够提高新能源电站出力场景生成的准确性。
附图说明
图1是本发明实施例中提供的一种新能源电站出力场景生成方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1:
如图1所示,一种新能源电站出力场景生成方法,包括:
获取所有新能源电站时序功率数据;
根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S1;
根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’;
根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;
采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景。
具体步骤如下:
步骤1:获取所有新能源电站时序功率数据,根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型。
步骤1-1:根据核密度估计法,对获取到的所有新能源电站时序功率数据进行边缘分布拟合。
初始化任一新能源电站出力为随机变量X={x1,x2,...,xn},则各新能源电站的概率密度函数f(x)通过下式表示:
式(1)中,h表示滑动窗口长度,且满足h>0;N表示样本长度;K(·)为核函数,满足对称性以及积分∫K(x)dx=1。
具体的,对各新能源电站的概率密度函数f(x)求积分能够得到变量的累积概率函数。
步骤1-2:根据同类型各新能源电站的出力,得到新能源电站经验多元联合概率分布,根据得到的概率分布,采用极大似然法求解得到多组Copula函数。
多组Copula函数包括Gaussian-Copula、t-Copula、Gumbel-Copula、Clayton-Copula、Frank-Copula。
步骤1-3:基于Copula函数拟合效果,从多组Copula函数中选取拟合效果最佳的Copula函数。
Copula函数拟合效果通过以下两个指标进行评估:
拟合优度指标:计算多组Copula函数与新能源电站经验多元联合概率分布的欧式距离d,当d值越小,则该Copula函数越贴近新能源电站经验多元联合概率分布;
相关性指标:计算多组Copula函数抽样生成的样本场景的Spearman和Kendall相关性系数,当相关性系数越接近实际样本,则该Copula模型越接近实际的空间相关性程度。
步骤1-4:利用选取得到的最优Copula函数对同类型新能源电站进行空间相关性建模。
本发明基于Copula函数理论的空间相关性建立同类型新能源电站的空间相关性模型,解决了由新能源电站间的分布、自然资源的分布及变化,造成的各新能源电站间出力序列存在时空相关性不足的问题。
步骤2:对建立的模型进行随机抽样,得到初始新能源电站出力场景S1。
初始新能源电站出力场景S1通过下式表示:
式(2)中,行向量表示每个电站的出力序列;列向量表示同一时间断面下各个电站的出力,每个列向量包含了电站间的空间相关性信息;xm, t为第m个同类型新能源电站在第t次模拟时的出力值;t表示模拟次数,满足t=1,2,·,N,N表示样本长度。
初始新能源电站出力场景S1包含了各新能源电站在各时刻出力幅值上的相关性,且初始新能源电站出力场景S1中各新能源电站序列满足样本序列的经验概率分布。
步骤3:根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’。
具体的,典型新能源电站为装机容量较大且与其他各新能源电站之间的相关性较强的新能源电站。
步骤3-1:在确定的时间颗粒度下,根据典型新能源电站的出力波动变化率的概率分布,模拟出力波动序列,其中,所述典型新能源电站的出力波动序列为{Pt|t=1,2,…,N-1}。
步骤3-2:初始化t时刻的新能源电站出力为[x1,t x2,t ··· xm,t]T,在典型新能源电站出力x1,t和波动Pt的基础上,找到最接近x1,t+Pt的数值x1,t’,将列向量[x1,t' x2,t'··· xm,t']T作为下一时刻场景出力,完成新能源电站出力场景的数据重构。
步骤3-3:遍历所有初始新能源电站出力场景S1,得到重构后的新能源电站出力场景S1’。
本发明能够保证各新能源电站各自的时间相关性,能够有效保证新能源电站出力场景生成的时空相关性。
步骤4:选取典型日。
步骤4-1:选取电网一整年的负荷有功数据,计算月平均负荷,将月平均负荷最大的月份作为电网全年的最大负荷月,将月平均负荷最小的月份作为电网全年的最小负荷月。
步骤4-3:根据各类新能源某日的日平均出力是否在其高出力区间、平均出力区间、低出力区间,分别定义当日该新能源为高、平均、低出力水平。
步骤4-4:在每个系统典型出力区间内筛选得到各出力区间的极端出力场景,该场景的出现时间为该典型出力区间的典型日。
具体的,在电网最大负荷月和最小负荷月内,根据各类新能源出力水平,将含新能源电网的日出力水平进行了划分,如仅考虑风电、光伏、水电在内的电网运行情况可以划分为16个系统典型出力区间,每个区间含n(n=0,1,2,…,i)个场景。
各出力区间的极端出力场景,通过下式筛选得到:
式(5)中,m表示有m类新能源;满足式(5)的日期则为该典型出力区间的典型日。
步骤4-5:选择全年净负荷最大、最小的日期作为典型日的补充,得到电网典型日。
步骤5:对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;
步骤6:采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景。
本发明考虑到极端的天气情况等原因未能准确生成新能源电站出力场景,基于典型日选取原则,对典型日场景模拟修正,能够提高新能源电站出力场景生成的准确性。
实施例2:
本发明提供了一种新能源电站出力场景生成系统,包括:
获取模块:用于获取所有新能源电站时序功率数据;
建模模块:用于根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S1;
重构模块:用于根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’;
典型日计算模块:用于根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;
生产模块:用于采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种新能源电站出力场景生成方法,其特征在于,包括:
获取所有新能源电站时序功率数据;
根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S1;
根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’;
根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;
采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景。
2.根据权利要求1所述的新能源电站出力场景生成方法,其特征在于,所述利用Copula函数建立同类型新能源电站的空间相关性模型,包括:
根据核密度估计法,对获取到的所有新能源电站时序功率数据进行边缘分布拟合,包括:
初始化任一新能源电站出力为随机变量X={x1,x2,...,xn},则各新能源电站的概率密度函数f(x)通过下式表示:
式(1)中,h表示滑动窗口长度,且满足h>0;N表示样本长度;K(·)为核函数,满足对称性以及积分∫K(x)dx=1;
根据同类型各新能源电站的出力,得到新能源电站经验多元联合概率分布,根据得到的概率分布,采用极大似然法求解得到多组Copula函数;
基于Copula函数拟合效果,从多组Copula函数中选取拟合效果最佳的Copula函数;
利用选取得到的最优Copula函数对同类型新能源电站进行空间相关性建模。
3.根据权利要求2所述的新能源电站出力场景生成方法,其特征在于,所述Copula函数拟合效果通过以下两个指标进行评估:
拟合优度指标:计算多组Copula函数与新能源电站经验多元联合概率分布的欧式距离d,当d值越小,则该Copula函数越贴近新能源电站经验多元联合概率分布;
相关性指标:计算多组Copula函数抽样生成的样本场景的Spearman和Kendall相关性系数,当相关性系数越接近实际样本,则该Copula模型越接近实际的空间相关性程度。
5.根据权利要求1所述的新能源电站出力场景生成方法,其特征在于,所述典型新能源电站为装机容量较大且与其他各新能源电站之间的相关性较强的新能源电站。
6.根据权利要求5所述的新能源电站出力场景生成方法,其特征在于,所述得到重构后的新能源电站出力场景S1’,包括:
在确定的时间颗粒度下,根据典型新能源电站的出力波动变化率的概率分布,模拟出力波动序列,其中,所述典型新能源电站的出力波动序列为{Pt|t=1,2,…,N-1};
对新能源电站出力场景进行数据重构,遍历所有初始新能源电站出力场景S1,得到重构后的新能源电站出力场景S1’。
7.根据权利要求1所述的新能源电站出力场景生成方法,其特征在于,所述预设的典型日选取方法,包括:
选取电网一整年的负荷有功数据,计算月平均负荷,将月平均负荷最大的月份作为电网全年的最大负荷月,将月平均负荷最小的月份作为电网全年的最小负荷月;
在电网最大负荷月和最小负荷月内,根据各类新能源日平均出力最大值和日平均出力最小值划分低出力区间、平均出力区间和高出力区间,划分月内各日平均出力水平所在的出力区间,根据各类新能源出力水平的划分区间得到系统典型出力区间;
在每个系统典型出力区间内筛选得到各出力区间的极端出力场景,该场景的出现时间为该典型出力区间的典型日;
选择全年净负荷最大、最小的日期作为典型日的补充,得到电网典型日。
10.一种新能源电站出力场景生成系统,其特征在于,包括:
获取模块:用于获取所有新能源电站时序功率数据;
建模模块:用于根据获取到的新能源电站时序功率数据,利用Copula函数建立同类型新能源电站的空间相关性模型,对建立的模型进行随机抽样,得到初始新能源电站出力场景S1;
重构模块:用于根据典型新能源电站的出力波动序列,对新能源电站出力场景进行数据重构,得到重构后的新能源电站出力场景S1’;
典型日计算模块:用于根据预设的典型日选取方法选取典型日,对各典型日进行建模和重构,得到满足典型日特征的新能源出力场景Si;
生产模块:用于采用得到的Si替换S1’中相应第i次模拟场景Si’的对应时段,生成新能源电站出力场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772633.4A CN114282336A (zh) | 2021-07-08 | 2021-07-08 | 一种新能源电站出力场景生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110772633.4A CN114282336A (zh) | 2021-07-08 | 2021-07-08 | 一种新能源电站出力场景生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114282336A true CN114282336A (zh) | 2022-04-05 |
Family
ID=80868343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110772633.4A Pending CN114282336A (zh) | 2021-07-08 | 2021-07-08 | 一种新能源电站出力场景生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114282336A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523351A (zh) * | 2023-07-03 | 2023-08-01 | 广东电网有限责任公司湛江供电局 | 一种源-荷联合典型场景集生成方法、系统和设备 |
-
2021
- 2021-07-08 CN CN202110772633.4A patent/CN114282336A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523351A (zh) * | 2023-07-03 | 2023-08-01 | 广东电网有限责任公司湛江供电局 | 一种源-荷联合典型场景集生成方法、系统和设备 |
CN116523351B (zh) * | 2023-07-03 | 2023-09-22 | 广东电网有限责任公司湛江供电局 | 一种源-荷联合典型场景集生成方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524993B (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
Cordova et al. | An efficient forecasting-optimization scheme for the intraday unit commitment process under significant wind and solar power | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
CN109255728A (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
CN106485093A (zh) | 基于改进马尔可夫链的太阳辐照度时间序列合成方法 | |
CN110942170A (zh) | 一种基于信息处理的短期风速预测方法及系统 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
Amarasinghe et al. | Kernel density estimation based time-dependent approach for analyzing the impact of increasing renewables on generation system adequacy | |
Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
CN114282336A (zh) | 一种新能源电站出力场景生成方法及系统 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
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 | |
CN109919382A (zh) | 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统 | |
CN116777066B (zh) | 基于地基云图引导深度分解的光伏功率概率预测方法及装置 | |
CN111786391A (zh) | 一种计及能源不确定性的概率潮流分析方法及系统 | |
CN113159437B (zh) | 一种短期光伏发电输出功率的预测方法 | |
CN114513012A (zh) | 一种考虑时空相关性的新能源出力场景构建方法及系统 | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data | |
Guan et al. | Multiple wind power time series modeling method considering correlation | |
Geng et al. | Study on index model of tropical cyclone intensity change based on projection pursuit and evolution strategy | |
Oduola et al. | Application of agglomerative hierarchical clustering and logistic model development for assessing solar energy acceptability as an alternate energy option | |
Dong et al. | An integrated ultra short term power forecasting method for regional wind–pv–hydro | |
CN110932265B (zh) | 一种静态电压稳定性评估方法及系统 |
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 |