CN114386681A - 一种水光出力联合预测方法 - Google Patents

一种水光出力联合预测方法 Download PDF

Info

Publication number
CN114386681A
CN114386681A CN202111622927.5A CN202111622927A CN114386681A CN 114386681 A CN114386681 A CN 114386681A CN 202111622927 A CN202111622927 A CN 202111622927A CN 114386681 A CN114386681 A CN 114386681A
Authority
CN
China
Prior art keywords
output
photovoltaic power
prediction
target
cascade hydropower
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
Application number
CN202111622927.5A
Other languages
English (en)
Inventor
郭苏
郑堃
阿依努尔
刘群明
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.)
Nanjing Jurun Information Technology Co ltd
Original Assignee
Nanjing Jurun Information Technology 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 Nanjing Jurun Information Technology Co ltd filed Critical Nanjing Jurun Information Technology Co ltd
Priority to CN202111622927.5A priority Critical patent/CN114386681A/zh
Publication of CN114386681A publication Critical patent/CN114386681A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种水光出力联合预测方法，属于水光联合发电技术领域。本发明的方法包括如下步骤：S10、采集光伏电站数据；S20、光伏电站出力预测；S30、采集梯级水电站数据；S40、梯级水电站出力优化；S50、构建水光出力联合模型。本发明的水光出力联合预测方法，通过预测目标预测日光伏电站的出力，然后采用粒子群优化算法，相应优化各目标梯级水电站的出力，最终构建的水光出力联合模型对梯级水电站、光伏电站联合系统的发电计划有着指导价值，能有效减轻光伏并网对电网产生的冲击，促进光伏的消纳，降低了弃光率。

Description

一种水光出力联合预测方法
技术领域
本发明属于水光联合发电技术领域，更具体地说，涉及一种水光出力联合预测方法。
背景技术
化石能源枯竭和环境污染加剧了能源产业结构的转变和开发可再生能源发电的进程，截止2016年底，全球累计可再生能源(不含水电)装机达921GW，我国水资源丰富，水电装机容量大，基于水电调节能力大，启停灵活等优点，将水电和其他形式的新能源结合形成互补系统，能够减轻新能源大规模并网对电网产生的冲击，促进可再生能源的消纳。
光伏系统和梯级电站结合形成梯级水光联合发电系统，能够提高电力系统的稳定性和安全性，利用具有调节能力的水电站补偿光伏系统出力能够减轻光伏并网对电网产生的冲击，促进光伏的消纳，降低弃光率；由于光伏电站发电收到调度周期内天气变化的影响，其随机性给电力系统的日前发电调度和负荷分配带来了困难，同时，针对光伏电站出力的频繁变化，还需要对梯级水电站的出力进行及时的调控。
因此，目前亟需一种能有效预测水光联合发电系统出力的方法，为电网的日前调度计划提供可靠的参考，由此来提高系统并网的稳定性和安全性。
发明内容
为了解决上述技术问题至少之一，根据本发明的一方面，提供了一种水光出力联合预测方法，包括如下步骤：
S10、采集光伏电站数据，采集目标光伏电站历史N1年中与目标预测日相同日期所处区间N2天，共N1×N2＝n天的日光伏功率曲线数据及日辐照量数据，并获取目标光伏电站的出力上限PPV,max；
S20、光伏电站出力预测，利用步骤S10采集的数据进行目标预测日光伏电站出力预测，得到预测结果PPV(t)；
S30、采集梯级水电站数据，采集各目标梯级水电站历史年中平水年与目标预测日相同日期的区间径流量数据，作为对应目标梯级水电站目标预测日的区间径流量，并获取各目标梯级水电站的参数信息；
S40、梯级水电站出力优化，利用步骤S30采集的数据及步骤S20的预测结果PPV(t)，通过粒子群优化算法，优化各目标梯级水电站的出力，得到优化结果Pi″(t)，i″＝1,2,…,d，d为目标梯级水电站个数；
S50、构建水光出力联合模型，
Ptotal(t)＝P1(t)+P2(t)+…Pi″(t)+…+Pd(t)+PPV(t)，
其中，Ptotal(t)为t时刻各目标梯级水电站与目标光伏电站的总出力，P1(t)、P2(t)、...、Pi″(t)、...、Pd(t)分别为各目标梯级水电站t时刻的出力，PPV(t)为目标光伏电站t时刻的出力。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S30要采集的数据如下：
第i″个梯级水电站的水头Hi；
第i″个梯级水电站的发电效率ηi；
梯级水电站群中目标梯级电站的个数d；
第i″个梯级水电站的出力上限Pi″，max；
第i″个梯级水电站的允许发电流量上限
Figure BDA0003438773300000021
第i″个梯级水电站的允许发电流量下限
Figure BDA0003438773300000022
第i″个梯级水电站第t时刻的区间径流量
Figure BDA0003438773300000023
第i″个梯级水电站的初始库容Vi″，1；
第i″个梯级水电站的最小库容Vi″，min；
第i″个梯级水电站的最大库容Vi″，max。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S40梯级水电站出力优化的具体步骤为：
S41、构建目标函数min(F)，
Figure BDA0003438773300000024
其中，
Figure BDA0003438773300000025
Figure BDA0003438773300000026
Figure BDA0003438773300000027
式中，Ptotal(t)为第t时刻光伏电站与各梯级水电站联合的总出力，Paver为整个调度周期内光伏电站与各梯级水电站联合的每小时平均出力，
Figure BDA0003438773300000028
为第i″个梯级水电站第t时刻的发电流量，Pi″(t)为第i″个梯级水电站第t时刻的出力；
S42、建立约束，
0≤PPV，t≤PPV，max；
0≤Pi″(t)≤Pi″，max；
Figure BDA0003438773300000031
Vi″，min≤Vi″，t≤Vi″，max；
式中，Vi″，t为第i″个梯级水电站第t时刻的库容；
S43、设置粒子群参数，将
Figure BDA0003438773300000032
设为未知变量，粒子群算法维数D＝d，随机产生粒子总数M＝100，最大迭代次数T′max＝500，学习因子c1＝c2＝1.2，初始优化权重ω＝0.9；
S44、开始优化，
(1)在t时刻第z个粒子的位置为
Figure BDA0003438773300000033
其中
Figure BDA0003438773300000034
分别对应各未知变量；
在t时刻第z个粒子的速度为
Figure BDA0003438773300000035
在t时刻的第z个粒子的最优位置为
Figure BDA0003438773300000036
在t时刻种群搜索的全局最优位置为
Figure BDA0003438773300000037
使用rand函数对粒子进行初始化，确定初始粒子位置和速度；
(2)将粒子位置带入目标函数min(F)，求得的值为粒子适应度，并以此作为粒子个体最优值，将粒子个体最优值在全局范围内做比较，数值最小的粒子个体最优值作为全局最优值，并记录其对应的粒子位置；
(3)按照如下模型对粒子位置和速度进行更新，更新过程中相关参数要符合S42的约束，模型为，
Figure BDA0003438773300000038
Figure BDA0003438773300000039
其中，c1＝c2＝1.2，r1和r2是两个相互独立的随机数，取值范围(0，1)，ω＝0.9；
Figure BDA00034387733000000310
是t时刻第个z粒子的个体最优值；
Figure BDA00034387733000000311
是t时刻z粒子的全局最优值；
Figure BDA00034387733000000312
为更新后的粒子速度，
Figure BDA00034387733000000313
为更新后的粒子位置；
(4)将更新后的粒子位置带入目标函数min(F)，重复步骤(2)～(3)，迭代T′max次后，结束迭代，以此时全局最优值对应的粒子位置的值为各未知变量的最优解，由此得到
Figure BDA00034387733000000314
Figure BDA00034387733000000315
的最优值；
S45、获取梯级水电站最优出力，
将步骤S44获得的最优
Figure BDA0003438773300000043
的值代入式
Figure BDA0003438773300000041
得到的Pi″(t)值即为第i″个梯级水电站第t时刻的最优出力。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S10中，与目标预测日相同日期所处区间N2天具体为：与目标预测日相同日期及其前后各一周，共15天。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S20光伏电站出力预测包括如下步骤：
S21、K-means聚类分析预测，利用步骤S10中n天的日光伏功率曲线，通过K-means聚类分析法预测目标预测日的光伏功率曲线，得到预测结果P1；
S22、BP神经网络模型预测，构建BP神经网络模型，用步骤S10中采集的n天的日辐照量数据训练BP神经网络模型，用训练好的模型预测目标预测日的光伏功率曲线，得到预测结果P2；
S23、预测结果整合，构建整合模型，将步骤S20和步骤S30的预测结果整合，整合模型如下，
PPV＝P1ω1+P2ω2；
其中，PPV为最终预测的日光伏功率曲线，ω1为预测结果P1所占权重，ω2预测结果P2所占权重；
根据最终预测的日光伏功率曲线即可获得目标预测日光伏电站的出力PPV(t)。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S21的K-means聚类分析预测具体步骤如下：
S210、用步骤S10中采集的n天的日光伏功率曲线作为样本数据集{y1，y2，…，yn}，yi表示第i天的日光伏功率曲线，从中随机选取四个样本数据作为四个初始聚类中心，分别代表晴、多云、阴及雨4种典型天气类型下的日光伏功率曲线模式；
S211、分别计算每个样本数据至各初始聚类中心的欧氏距离Dic，与对应初始聚类中心的欧氏距离最小的样本即归为该初始聚类中心所属簇，将样本数据更新成四簇；
所述欧氏距离计算模型如下，
Dic＝|yi-xc|，
其中，yi为第i个样本，xc表示第c簇的聚类中心；
S212、对产生的四簇样本重新计算对应簇的聚类中心，通过如下模型计算，
Figure BDA0003438773300000042
其中，Nc为第c簇的样本个数；
S213、重复步骤S22～步骤S23，直到达到最大迭代次数100时终止重复；
S214、获取目标预测日的天气预报信息，确定天气预报中四种典型天气类型对应的时段，根据不同时段对应的天气类型，选取对应簇聚类中心的日光伏功率曲线中对应时段的曲线，拼接形成目标预测日的光伏功率曲线，即为预测结果P1。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S22的BP神经网络模型预测具体步骤如下：
S220、用步骤S10采集的n天的日辐照量数据作为训练样本数据集一{x1，x2，…，xn}，xi表示第i天的辐照量数据，用步骤S10采集的m天的日光伏功率曲线作为样本数据集二{y1，y2，…，yn}，yi表示第i天的日光伏功率曲线；
S221、采用如下计算模型对训练样本数据归一化处理，
Figure BDA0003438773300000051
Figure BDA0003438773300000052
其中，xmin为训练样本数据集一中的最小值，xmax为训练样本数据集一中的最大值，ymin为训练样本数据集二中的最小值，ymax为训练样本数据集二中的最大值；
S222、创建BP神经网络模型；
S223、用归一化处理后的训练样本数据训练BP神经网络模型，设置最大迭代次数T＝1000次，允许误差ε＝0.00001，学习速率η＝0.01，当达到最大迭代次数或满足精度范围时，结束训练；
S224、用训练好的BP神经网络模型预测目标预测日的光伏功率曲线。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S222的BP神经网络模型包括输入层、隐含层和输出层，输入层节点n′＝24，隐含层节点l＝1，输出层节点m＝24，隐含层阈值aj＝[a1，a2，…，al]，输出层阈值bk＝[b1，b2，…，bm]，输入层与隐藏层间的连接权值为ωij，隐含层与输出层之间的连接权值为ω′jk，其中：
隐含层输出hj，
Figure BDA0003438773300000053
输出层输出ok，
Figure BDA0003438773300000054
连接权值更新，
ωij(t+1)＝ωij(t)+η[(1-β)D(t)+βD(t-1)]，
ω′jk(t+1)＝ω′jk(t)+η[(1-β)D(t)+βD(t-1)]，
阈值更新，
Figure BDA0003438773300000061
bk(t+1)＝bk(t)+(yk-ok)，
式中，
Figure BDA0003438773300000062
J为BP神经网络模型实际输出值和期望输出值的均方误差，t指当前时刻，t+1指下一时刻，t-1指前一时刻，β为动量因子，0≤β＜1，yk为节点k对应的
Figure BDA0003438773300000063
的值。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S23中，ω1和ω2的取值为通过粒子群优化算法进行优化后的最优值。
根据本发明实施例的水光出力联合预测方法，可选地，所述步骤S23中，ω1＝ω2＝0.5。
本发明的水光出力联合预测方法，通过预测目标预测日光伏电站的出力，然后采用粒子群优化算法，相应优化各目标梯级水电站的出力，最终构建的水光出力联合模型对梯级水电站、光伏电站联合系统的发电计划有着指导价值，能有效减轻光伏并网对电网产生的冲击，促进光伏的消纳，降低弃光率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1示出了本发明的水光出力联合预测方法流程图；
图2示出了本发明的BP神经网络模型结构示意图；
图3示出了实施例2中三种预测结果与实际日光伏功率曲线比较图；
图4示出了实施例2中水光联合系统出力图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
目前，水光联合发电系统的调度存在诸多困难，光伏发电站的出力受到天气频繁变化、辐照强度的影响，使得光伏发电具有随机性，并网时易对电网产生冲击，因此需对梯级水电站的出力进行及时的调控调度，在对水光联合发电系统目标日制定调度计划时，如果能对水光联合发电系统的水光联合出力进行有效的预测，提前构建目标预测日的水光联合出力模型，将对标预测日电网的调度计划提供可靠的参考，由此能有效提高系统并网的稳定性和安全性，促进光伏的消纳，降低弃光率。
实施例1
本实施例的水光出力联合预测方法，如图1所示，包括如下步骤：
S10、采集光伏电站数据，
采集目标光伏电站历史N1年中与目标预测日相同日期所处区间N2天，共N1×N2＝n天的日光伏功率曲线数据及日辐照量数据，更具体地说，是采集对应日期0:00～23:00的小时光伏功率曲线数据及小时辐照量数据，并获取目标光伏电站的出力上限PPV，max；
进一步地，本步骤中与目标预测日相同日期所处区间N2天具体为：与目标预测日相同日期及其前后各一周，共15天，做此选择的目的是，这N2天与目标预测日日期相近，数据的相关性较高，以此作为训练数据或初始数据有更高的参考价值，能有效提高预测精度。
S20、光伏电站出力预测，
利用步骤S10采集的数据进行目标预测日光伏电站出力预测，得到预测结果PPV(t)，具体步骤如下，
S21、K-means聚类分析预测，利用步骤S10中m天的日光伏功率曲线，通过K-means聚类分析法预测目标预测日的光伏功率曲线，得到预测结果P1；
S22、BP神经网络模型预测，构建BP神经网络模型，用步骤S10中采集的n天的日辐照量数据训练BP神经网络模型，用训练好的模型预测目标预测日的光伏功率曲线，得到预测结果P2；
S23、预测结果整合，构建整合模型，将步骤S20和步骤S30的预测结果整合，整合模型如下，
PPV＝P1ω1+P2ω2；
其中，PPV为最终预测的日光伏功率曲线，ω1为预测结果P1所占权重，ω2预测结果P2所占权重；
根据最终预测的日光伏功率曲线即可获得目标预测日光伏电站的出力PPV(t)。
S30、采集梯级水电站数据，
采集各目标梯级水电站历史年中平水年与目标预测日相同日期的区间径流量数据，作为对应目标梯级水电站目标预测日的区间径流量，并获取各目标梯级水电站的参数信息；
本步骤要采集的数据如下：
第i″个梯级水电站的水头Hi；
第i″个梯级水电站的发电效率ηi；
梯级水电站群中目标梯级电站的个数d；
第i″个梯级水电站的出力上限Pi″，max；
第i″个梯级水电站的允许发电流量上限
Figure BDA0003438773300000081
第i″个梯级水电站的允许发电流量下限
Figure BDA0003438773300000082
第i″个梯级水电站第t时刻的区间径流量
Figure BDA0003438773300000083
第i″个梯级水电站的初始库容Vi″，1；
第i″个梯级水电站的最小库容Vi″，min；
第i″个梯级水电站的最大库容Vi″，max。
S40、梯级水电站出力优化，
利用步骤S30采集的数据及步骤S20的预测结果PPV(t)，通过粒子群优化算法，优化各目标梯级水电站的出力，得到优化结果Pi″(t)，i″＝1，2，...，d，d为目标梯级水电站个数；
粒子群优化算法具体方法为，
S41、构建目标函数min(F)，为了能够保证水光联合系统并网后不会对电网造成较大的冲击，对日前调度进行优化，因此本实施例以优化目标为水光联合系统总出力波动最小化构建了目标函数，
Figure BDA0003438773300000084
其中，
Figure BDA0003438773300000085
Figure BDA0003438773300000086
Figure BDA0003438773300000087
式中，Ptotal(t)为第t时刻光伏电站与各梯级水电站联合的总出力，Paver为整个调度周期内光伏电站与各梯级水电站联合的每小时平均出力，
Figure BDA0003438773300000088
为第i″个梯级水电站第t时刻的发电流量，Pi″(t)为第i″个梯级水电站第t时刻的出力，一整个调度周期为24小时；
S42、建立约束，
0≤PPV，t≤PPV，max；
0≤Pi″(t)≤Pi″，max；
Figure BDA0003438773300000091
Vi″，min≤Vi″，t≤Vi″，max；
式中，Vi″，t为第i″个梯级水电站第t时刻的库容通过下式获得，
Figure BDA0003438773300000092
Figure BDA0003438773300000093
Figure BDA0003438773300000094
式中，
Figure BDA0003438773300000095
为第i″个梯级水电站第t时刻的入库流量，
Figure BDA0003438773300000096
为第i″个梯级水电站第t时刻的出库流量，
Figure BDA0003438773300000097
为第i″个梯级水电站第t时刻的出库流量，
Figure BDA0003438773300000098
为第i″个梯级水电站第t时刻的弃水量，Vi″，t+1为第i″个梯级水电站第t+1时刻的库容，由于第i″个梯级水电站的初始库容已知，可通过关系式
Figure BDA0003438773300000099
来获取各时刻下的库容；
S43、设置粒子群参数，将
Figure BDA00034387733000000910
设为未知变量，粒子群算法维数D＝d，随机产生粒子总数M＝100，最大迭代次数T′max＝500，学习因子c1＝c2＝1.2，初始优化权重ω＝0.9；
S44、开始优化，
(1)在t时刻第z个粒子的位置为
Figure BDA00034387733000000911
其中
Figure BDA00034387733000000912
分别对应各未知变量；在t时刻第z个粒子的速度为
Figure BDA00034387733000000913
在t时刻的第z个粒子的最优位置为
Figure BDA00034387733000000914
在t时刻种群搜索的全局最优位置为
Figure BDA00034387733000000915
使用rand函数对粒子进行初始化，确定初始粒子位置和速度；
(2)将粒子位置带入目标函数min(F)，求得的值为粒子适应度，并以此作为粒子个体最优值，将粒子个体最优值在全局范围内做比较，数值最小的粒子个体最优值作为全局最优值，并记录其对应的粒子位置；
(3)按照如下模型对粒子位置和速度进行更新，更新过程中相关参数要符合S42的约束，模型为，
Figure BDA00034387733000000916
Figure BDA00034387733000000917
其中，c1＝c2＝1.2，r1和r2是两个相互独立的随机数，取值范围(0，1)，ω＝0.9；
Figure BDA0003438773300000101
是t时刻第个z粒子的个体最优值；
Figure BDA0003438773300000102
是t时刻z粒子的全局最优值；
Figure BDA0003438773300000103
为更新后的粒子速度，
Figure BDA0003438773300000104
为更新后的粒子位置；
(4)将更新后的粒子位置带入目标函数min(F)，重复步骤(2)～(3)，迭代T′max次后，结束迭代，以此时全局最优值对应的粒子位置的值为各未知变量的最优解，由此得到
Figure BDA0003438773300000105
Figure BDA0003438773300000106
的最优值；
S45、获取梯级水电站最优出力，
将步骤S44获得的最优
Figure BDA0003438773300000107
的值代入式
Figure BDA0003438773300000108
得到的Pi″(t)值即为第i″个梯级水电站第t时刻的最优出力；
本实施例的步骤S40，以水光联合系统总出力最小化为目标，且考虑到水光联合系统运行过程中功率平衡、发电单元出力限制、水库库容限制等约束，建立起粒子群优化模型，最终得到优化后的
Figure BDA0003438773300000109
由此得出梯级水电站的最优出力。
S50、构建水光出力联合模型，
Ptotal(t)＝P1(t)+P2(t)+…Pi″(t)+…+Pd(t)+PPV(t)，
其中，Ptotal(t)为t时刻各目标梯级水电站与目标光伏电站的总出力，P1(t)、P2(t)、...、Pi″(t)、...、Pd(t)分别为各目标梯级水电站t时刻的出力，PPV(t)为目标光伏电站t时刻的出力；
通过步骤S50构建的水光出力联合模型，可根据各目标梯级水电站t时刻的出力对目标预测日当天的各梯级水电站进行调度调控，由此能有效降低出力波动，从而减轻光伏并网对电网产生的冲击。
进一步地，由于光伏电站在目标预测日的出力，受天气等因素影响随机性较大，而本实施例的水光出力联合模型及各梯级水电站的最优出力均需基于光伏电站在目标预测日的出力来确定，因此，有效预测光伏电站在目标预测日的出力，对本实施例构建的水光出力联合模型的可靠性起着重要作用，基于此，本实施例还对光伏电站出力预测步骤进行了改进。
本实施例的光伏电站出力预测中，S21的K-means聚类分析预测，具体步骤如下：
S210、用步骤S10中采集的n天的日光伏功率曲线作为样本数据集{y1，y2，…，yn}，yi表示第i天的日光伏功率曲线，从中随机选取四个样本数据作为四个初始聚类中心，分别代表晴、多云、阴及雨4种典型天气类型下的日光伏功率曲线模式；
S211、分别计算每个样本数据至各初始聚类中心的欧氏距离Dic，与对应初始聚类中心的欧氏距离最小的样本即归为该初始聚类中心所属簇，将样本数据更新成四簇；
所述欧氏距离计算模型如下，
Dic＝|yi-xc|，
其中，yi为第i个样本，xc表示第c簇的聚类中心；
S212、对产生的四簇样本重新计算对应簇的聚类中心，通过如下模型计算，
Figure BDA0003438773300000111
其中，Nc为第c簇的样本个数；
S213、重复步骤S22～步骤S23，直到达到最大迭代次数100时终止重复；
S214、获取目标预测日的天气预报信息，确定天气预报中四种典型天气类型对应的时段，根据不同时段对应的天气类型，选取对应簇聚类中心的日光伏功率曲线中对应时段的曲线，拼接形成目标预测日的光伏功率曲线，即为预测结果P1；
本实施例步骤S21的K-means聚类分析预测，通过K-means聚类分析的方法，将大量具有参考价值的光伏出力的样本数据分成典型的几类，然后利用天气预报，建立起聚类中心与各时段天气状况的映射关系，充分考虑到日内天气频繁变化造成的日光伏功率曲线的多样化和随机性的误差因素，通过步骤S210～S214，以K-means聚类分析+天气预报的模式极大的降低了误差因素的影响，更加准确的追踪日内气象变换频繁的光伏功率曲线的变化，提高了预测结果P1的精度。
本实施例的光伏电站出力预测中，S22的BP神经网络模型预测，具体步骤如下：
S220、用步骤S10采集的n天的日辐照量数据作为训练样本数据集一{x1，x2，…，xn}，xi表示第i天的辐照量数据，用步骤S10采集的m天的日光伏功率曲线作为样本数据集二{y1，y2，…，yn}，yi表示第i天的日光伏功率曲线；
S221、采用如下计算模型对训练样本数据归一化处理，
Figure BDA0003438773300000112
Figure BDA0003438773300000113
其中，xmin为训练样本数据集一中的最小值，xmax为训练样本数据集一中的最大值，ymin为训练样本数据集二中的最小值，ymax为训练样本数据集二中的最大值；此步骤的目的是由于辐照数据和光伏功率数据的数量级差别较大，为避免产生病态问题，加快训练过程，采用归一化处理将数据统一映射到[0，1]之间；
S222、创建BP神经网络模型，如图2所示，本实施例中创建的BP神经网络模型包括输入层、隐含层和输出层，输入层节点n′＝24，隐含层节点l＝1，输出层节点m＝24，隐含层阈值aj＝[a1，a2，…，al]，输出层阈值bk＝[b1，b2，…，bm]，输入层与隐藏层间的连接权值为ωij，隐含层与输出层之间的连接权值为ω′jk，
其中：
隐含层输出hj，
Figure BDA0003438773300000121
f为隐含层激励函数
Figure BDA0003438773300000122
输出层输出ok，
Figure BDA0003438773300000123
连接权值更新，
ωij(t+1)＝ωij(t)+η[(1-β)D(t)+βD(t-1)]，
ω′jk(t+1)＝ω′jk(t)+η[(1-β)D′(t)+βD′(t-1)]，
阈值更新，
Figure BDA0003438773300000124
bk(t+1)＝bk(t)+(yk-ok)，
式中，
Figure BDA0003438773300000125
J为BP神经网络模型实际输出值和期望输出值的均方误差，具体为
Figure BDA0003438773300000126
N′为训练样本总数，N′＝n，
Figure BDA0003438773300000127
为样本p在节点k的目标输出值，
Figure BDA0003438773300000128
为样本p在节点k的实际输出值，t指当前时刻，t+1指下一时刻，t-1指前一时刻，β为动量因子，0≤β＜1，yk为节点k对应的
Figure BDA0003438773300000129
的值；通过训练BP神经网络模型，不断的更新阈值和权值，使得模型的实际输出值和目标输出值的均方误差不断减小，最终完成训练的模型能有较高的预测精度；
S223、用归一化处理后的训练样本数据训练BP神经网络模型，设置最大迭代次数T＝1000次，允许误差ε＝0.00001，学习速率η＝0.01，当达到最大迭代次数或满足精度范围时，结束训练；
S224、用训练好的BP神经网络模型预测目标预测日的光伏功率曲线；
本实施例步骤S22的BP神经网络模型预测，选取历史年度与目标预测日相近日期的历史数据做参考，能有效提高预测精度，BP神经网络模型预测在预测时，充分考虑到辐照强度对光伏出力的影响，利用辐照强度数据为BP神经网络模型预测的输入值，利用光伏出力数据为BP神经网络模型预测的目标输出值，不断训练优化BP神经网络模型预测，提高了预测结果P2的精度。
进一步地，本实施例步骤S21和步骤S22互不干扰，可以同时进行，提高本方法的预测效率。
本实施例的光伏电站出力预测中，在预测结果整合时，对P1和P2两种预测结果所占权重取值通过粒子群优化算法进行了优化，优化目的为了提高整合模型的预测精度，而平均绝对误差MAE、均方误差MSE和均方根误差RMSE通常作为评判预测模型精度的三个指标，因此本实施例以这三个精度指标最小化作为目标，构建了目标函数f，
f＝(f1+f2+f3)/3，
其中，
f1＝min(MAE)，
f2＝min(MSE)，
f3＝min(RMSE)，
Figure BDA0003438773300000131
Figure BDA0003438773300000132
Figure BDA0003438773300000133
式中，MAE为平均绝对误差精度指标，MSE为均方误差精度指标，RMSE为均方根误差精度指标，T′为整个运行周期，
Figure BDA0003438773300000134
为第i′时刻的预测光伏功率，
Figure BDA0003438773300000135
为第i′时刻的实际光伏功率；
然后确定约束条件，
ω1+ω2＝1，
0≤ω1≤1，
0≤ω2≤1；
然后设置粒子群参数，将ω1和ω2设为未知变量，粒子群算法位数D＝2，随机产生粒子总数为100，最大迭代次数设为100，学习因子、初始优化权重与步骤S43相同；然后采用与步骤S44相同的方法开始优化，经过100次迭代，最终得到优化后的ω1和ω2的值均为0.5，由此整合模型为PPV＝0.5·P1+0.5·P2ω2。
本实施例的光伏电站出力预测中，基于K-means聚类分析和天气预报相结合的预测方法能够考虑到日内天气频繁变化造成的日光伏功率曲线的多样化和随机性，通过结合预测日当天的实时天气预报信息提高光伏出力预测精度；通过使用历史辐照数据和历史光伏出力数据建立的BP神经网络预测模型充分考虑辐照强度对光伏出力的影响；再利用粒子群优化算法优化后的权重构建整合模型，将两种预测结果整合，得到的最终预测结果将天气变化及辐照强度对光伏出力预测结果的误差影响降至最低，使PPV具有很高的精度，从而能进一步确保本实施例构建的水光出力联合模型的可靠性。
实施例2
本实施例利用水光出力联合预测方法对某地水光联合系统出力进行预测，选取2019年5月15日为预测日，其中，光伏电站为100MW，梯级水电站有三个，装机容量分别是10MW，200MW和200MW，水库最大容量分别是1.9*104m3，12.16*104m3和2.93*104m3，水头分别是70m，90m和77m。
首先对光伏电站的出力进行预测，得到预测结果如图3所示，从图3中预测结果与预测日实际值的对比表明，本发明的方法对光伏电站出力的预测精度很高，然后对三个梯级水电站的出力进行优化，优化后各梯级水电站出力如图4所示，根据水光出力联合模型，得出水光联合系统各时刻的总出力如图4所示；各时刻水光联合系统的出力结果如表1。
表1.水光联合系统出力结果
Figure BDA0003438773300000141
结合表1和图4可以看出，水光联合系统的总出力曲线平稳，该调度方案下的系统出力波动仅有1.015，联合系统并入电网时不会产生较大的波动；在0：00-5：00由于没有辐照光伏系统出力为0，由三个梯级水电站承担系统出力；在6：00时刻光伏系统开始发电，联合系统总出力略有上升，随后梯级水电及时降低出力来容纳光伏出力，联合系统于7：00再次趋于平稳；18：00时刻光伏系统几乎不再发电，联合系统再次出现较小波动，梯级水电增大出力使得联合系统出力再次趋于平稳；在本发明水光出力联合模型的指导下，仅在光伏系统发电的两个临界点产生较小的波动，总体出力波动的标准差仅为1.015，由此表面本发明方法的有效性、可靠性。
本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。

Claims (10)

1.一种水光出力联合预测方法，其特征在于，包括如下步骤：
S10、采集光伏电站数据，采集目标光伏电站历史N1年中与目标预测日相同日期所处区间N2天，共N1×N2＝n天的日光伏功率曲线数据及日辐照量数据，并获取目标光伏电站的出力上限PPV，max；
S20、光伏电站出力预测，利用步骤S10采集的数据进行目标预测日光伏电站出力预测，得到预测结果PPV(t)；
S30、采集梯级水电站数据，采集各目标梯级水电站历史年中平水年与目标预测日相同日期的区间径流量数据，作为对应目标梯级水电站目标预测日的区间径流量，并获取各目标梯级水电站的参数信息；
S40、梯级水电站出力优化，利用步骤S30采集的数据及步骤S20的预测结果PPV(t)，通过粒子群优化算法，优化各目标梯级水电站的出力，得到优化结果Pi″(t)，i″＝1，2，...，d，d为目标梯级水电站个数；
S50、构建水光出力联合模型，
Ptotal(t)＝P1(t)+P2(t)+…Pi″(t)+…+Pd(t)+PPV(t)，
其中，Ptotal(t)为t时刻各目标梯级水电站与目标光伏电站的总出力，P1(t)、P2(t)、...、Pi″(t)、...、Pd(t)分别为各目标梯级水电站t时刻的出力，PPV(t)为目标光伏电站t时刻的出力。
2.根据权利要求1所述的一种水光出力联合预测方法，其特征在于，所述步骤S30要采集的数据如下：
第i″个梯级水电站的水头Hi；
第i″个梯级水电站的发电效率ηi；
梯级水电站群中目标梯级电站的个数d；
第i″个梯级水电站的出力上限Pi″，max；
第i″个梯级水电站的允许发电流量上限
Figure FDA0003438773290000011
第i″个梯级水电站的允许发电流量下限
Figure FDA0003438773290000012
第i″个梯级水电站第t时刻的区间径流量
Figure FDA0003438773290000013
第i″个梯级水电站的初始库容Vi″，1；
第i″个梯级水电站的最小库容Vi″，min；
第i″个梯级水电站的最大库容Vi″，max。
3.根据权利要求2所述的一种水光出力联合预测方法，其特征在于，所述步骤S40梯级水电站出力优化的具体步骤为：
S41、构建目标函数min(F)，
Figure FDA0003438773290000021
其中，
Figure FDA0003438773290000022
Figure FDA0003438773290000023
Figure FDA0003438773290000024
式中，Ptotal(t)为第t时刻光伏电站与各梯级水电站联合的总出力，Paver为整个调度周期内光伏电站与各梯级水电站联合的每小时平均出力，
Figure FDA0003438773290000025
为第i″个梯级水电站第t时刻的发电流量，Pi″(t)为第i″个梯级水电站第t时刻的出力；
S42、建立约束，
0≤PPV，t≤PPV，max；
0≤Pi″(t)≤Pi″，max；
Figure FDA0003438773290000026
Vi″，min≤Vi″，t≤Vi″，max；
式中，Vi″，t为第i″个梯级水电站第t时刻的库容；
S43、设置粒子群参数，将
Figure FDA0003438773290000027
设为未知变量，粒子群算法维数D＝d，随机产生粒子总数M＝100，最大迭代次数T′max＝500，学习因子c1＝c2＝1.2，初始优化权重ω＝0.9；
S44、开始优化，
(1)在t时刻第z个粒子的位置为
Figure FDA0003438773290000028
其中
Figure FDA0003438773290000029
分别对应各未知变量；
在t时刻第z个粒子的速度为
Figure FDA00034387732900000210
在t时刻的第z个粒子的最优位置为
Figure FDA00034387732900000211
在t时刻种群搜索的全局最优位置为
Figure FDA00034387732900000212
使用rand函数对粒子进行初始化，确定初始粒子位置和速度；
(2)将粒子位置带入目标函数min(F)，求得的值为粒子适应度，并以此作为粒子个体最优值，将粒子个体最优值在全局范围内做比较，数值最小的粒子个体最优值作为全局最优值，并记录其对应的粒子位置；
(3)按照如下模型对粒子位置和速度进行更新，更新过程中相关参数要符合S42的约束，模型为，
Figure FDA0003438773290000031
Figure FDA0003438773290000032
其中，c1＝c2＝1.2，r1和r2是两个相互独立的随机数，取值范围(0，1)，ω＝0.9；
Figure FDA0003438773290000033
是t时刻第个z粒子的个体最优值；
Figure FDA0003438773290000034
是t时刻z粒子的全局最优值；
Figure FDA0003438773290000035
为更新后的粒子速度，
Figure FDA0003438773290000036
为更新后的粒子位置；
(4)将更新后的粒子位置带入目标函数min(F)，重复步骤(2)～(3)，迭代T′max次后，结束迭代，以此时全局最优值对应的粒子位置的值为各未知变量的最优解，由此得到
Figure FDA0003438773290000037
Figure FDA0003438773290000038
的最优值；
S45、获取梯级水电站最优出力，
将步骤S44获得的最优
Figure FDA0003438773290000039
的值代入式
Figure FDA00034387732900000310
得到的Pi″(t)值即为第i″个梯级水电站第t时刻的最优出力。
4.根据权利要求1所述的一种水光出力联合预测方法，其特征在于，所述步骤S10中，与目标预测日相同日期所处区间N2天具体为：与目标预测日相同日期及其前后各一周，共15天。
5.根据权利要求4所述的一种水光出力联合预测方法，其特征在于，所述步骤S20光伏电站出力预测包括如下步骤：
S21、K-means聚类分析预测，利用步骤S10中n天的日光伏功率曲线，通过K-means聚类分析法预测目标预测日的光伏功率曲线，得到预测结果P1；
S22、BP神经网络模型预测，构建BP神经网络模型，用步骤S10中采集的n天的日辐照量数据训练BP神经网络模型，用训练好的模型预测目标预测日的光伏功率曲线，得到预测结果P2；
S23、预测结果整合，构建整合模型，将步骤S20和步骤S30的预测结果整合，整合模型如下，
PPV＝P1ω1+P2ω2；
其中，PPV为最终预测的日光伏功率曲线，ω1为预测结果P1所占权重，ω2预测结果P2所占权重；
根据最终预测的日光伏功率曲线即可获得目标预测日光伏电站的出力PPV(t)。
6.根据权利要求5所述的一种水光出力联合预测方法，其特征在于，所述步骤S21的K-means聚类分析预测具体步骤如下：
S210、用步骤S10中采集的n天的日光伏功率曲线作为样本数据集{y1，y2，…，yn}，yi表示第i天的日光伏功率曲线，从中随机选取四个样本数据作为四个初始聚类中心，分别代表晴、多云、阴及雨4种典型天气类型下的日光伏功率曲线模式；
S211、分别计算每个样本数据至各初始聚类中心的欧氏距离Dic，与对应初始聚类中心的欧氏距离最小的样本即归为该初始聚类中心所属簇，将样本数据更新成四簇；
所述欧氏距离计算模型如下，
Dic＝|yi-xc|，
其中，yi为第i个样本，xc表示第c簇的聚类中心；
S212、对产生的四簇样本重新计算对应簇的聚类中心，通过如下模型计算，
Figure FDA0003438773290000041
其中，Nc为第c簇的样本个数；
S213、重复步骤S22～步骤S23，直到达到最大迭代次数100时终止重复；
S214、获取目标预测日的天气预报信息，确定天气预报中四种典型天气类型对应的时段，根据不同时段对应的天气类型，选取对应簇聚类中心的日光伏功率曲线中对应时段的曲线，拼接形成目标预测日的光伏功率曲线，即为预测结果P1。
7.根据权利要求5所述的一种水光出力联合预测方法，其特征在于，所述步骤S22的BP神经网络模型预测具体步骤如下：
S220、用步骤S10采集的n天的日辐照量数据作为训练样本数据集一{x1，x2，…，xn}，xi表示第i天的辐照量数据，用步骤S10采集的m天的日光伏功率曲线作为样本数据集二{y1，y2，…，yn}，yi表示第i天的日光伏功率曲线；
S221、采用如下计算模型对训练样本数据归一化处理，
Figure FDA0003438773290000042
Figure FDA0003438773290000043
其中，xmin为训练样本数据集一中的最小值，xmax为训练样本数据集一中的最大值，ymin为训练样本数据集二中的最小值，ymax为训练样本数据集二中的最大值；
S222、创建BP神经网络模型；
S223、用归一化处理后的训练样本数据训练BP神经网络模型，设置最大迭代次数T＝1000次，允许误差ε＝0.00001，学习速率η＝0.01，当达到最大迭代次数或满足精度范围时，结束训练；
S224、用训练好的BP神经网络模型预测目标预测日的光伏功率曲线。
8.根据权利要求7所述的一种水光出力联合预测方法，其特征在于，所述步骤S222的BP神经网络模型包括输入层、隐含层和输出层，输入层节点n′＝24，隐含层节点l＝1，输出层节点m＝24，隐含层阈值aj＝[a1，a2，…，al]，输出层阈值bk＝[b1，b2，…，bm]，输入层与隐藏层间的连接权值为ωij，隐含层与输出层之间的连接权值为ω′jk，其中：
隐含层输出hj，
Figure FDA0003438773290000051
输出层输出ok，
Figure FDA0003438773290000052
连接权值更新，
ωij(t+1)＝ωij(t)+η[(1-β)D(t)+βD(t-1)]，
ω′jk(t+1)＝ω′jk(t)+η[(1-β)D′(t)+βD′(t-1)]，
阈值更新，
Figure FDA0003438773290000053
bk(t+1)＝bk(t)+(yk-ok)，
式中，
Figure FDA0003438773290000054
J为BP神经网络模型实际输出值和期望输出值的均方误差，t指当前时刻，t+1指下一时刻，t-1指前一时刻，β为动量因子，0≤β＜1，yk为节点k对应的
Figure FDA0003438773290000055
的值。
9.根据权利要求5所述的一种水光出力联合预测方法，其特征在于：所述步骤S23中，ω1和ω2的取值为通过粒子群优化算法进行优化后的最优值。
10.根据权利要求9所述的一种水光出力联合预测方法，其特征在于：所述步骤S23中，ω1＝ω2＝0.5。
CN202111622927.5A 2021-12-28 2021-12-28 一种水光出力联合预测方法 Pending CN114386681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111622927.5A CN114386681A (zh) 2021-12-28 2021-12-28 一种水光出力联合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111622927.5A CN114386681A (zh) 2021-12-28 2021-12-28 一种水光出力联合预测方法

Publications (1)

Publication Number Publication Date
CN114386681A true CN114386681A (zh) 2022-04-22

Family

ID=81197172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111622927.5A Pending CN114386681A (zh) 2021-12-28 2021-12-28 一种水光出力联合预测方法

Country Status (1)

Country Link
CN (1) CN114386681A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116885715A (zh) * 2023-09-05 2023-10-13 国网山西省电力公司太原供电公司 一种分布式光伏集群功率短期预测方法及装置
CN117081161A (zh) * 2023-10-17 2023-11-17 长江三峡集团实业发展(北京)有限公司 水光互补优化目标的确定方法、装置、计算机设备及介质
CN117674266A (zh) * 2024-01-31 2024-03-08 国电南瑞科技股份有限公司 一种梯级水电与光伏协同运行的超前预测控制方法及系统
WO2024051524A1 (zh) * 2022-09-05 2024-03-14 中国长江三峡集团有限公司 一种水风光发电功率联合预测方法、装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024051524A1 (zh) * 2022-09-05 2024-03-14 中国长江三峡集团有限公司 一种水风光发电功率联合预测方法、装置
CN116885715A (zh) * 2023-09-05 2023-10-13 国网山西省电力公司太原供电公司 一种分布式光伏集群功率短期预测方法及装置
CN116885715B (zh) * 2023-09-05 2023-11-14 国网山西省电力公司太原供电公司 一种分布式光伏集群功率短期预测方法及装置
CN117081161A (zh) * 2023-10-17 2023-11-17 长江三峡集团实业发展(北京)有限公司 水光互补优化目标的确定方法、装置、计算机设备及介质
CN117081161B (zh) * 2023-10-17 2024-01-26 长江三峡集团实业发展(北京)有限公司 水光互补优化目标的确定方法、装置、计算机设备及介质
CN117674266A (zh) * 2024-01-31 2024-03-08 国电南瑞科技股份有限公司 一种梯级水电与光伏协同运行的超前预测控制方法及系统
CN117674266B (zh) * 2024-01-31 2024-04-26 国电南瑞科技股份有限公司 一种梯级水电与光伏协同运行的超前预测控制方法及系统

Similar Documents

Publication Publication Date Title
CN114386681A (zh) 一种水光出力联合预测方法
US11581740B2 (en) Method, system and storage medium for load dispatch optimization for residential microgrid
CN111555355B (zh) 水光蓄联合发电的调度策略及其优化方法
Sinha et al. Review of recent trends in optimization techniques for solar photovoltaic–wind based hybrid energy systems
CN107766990B (zh) 一种光伏电站发电功率的预测方法
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
CN107895221B (zh) 市场环境下梯级水电站中长期调度与检修计划优化方法
CN114511132A (zh) 一种光伏出力短期预测方法及预测系统
CN110071502B (zh) 一种短期电力负荷预测的计算方法
CN112508246B (zh) 一种基于相似日的光伏发电功率预测方法
CN114648176A (zh) 一种基于数据驱动的风光电源消纳优化方法
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
CN116562583A (zh) 一种多维度水资源供需预测方法及系统
CN113363976B (zh) 一种基于场景图的风光水互补发电系统中期优化调度方法
CN110472780A (zh) 一种基于神经网络的配电优化调度方法
Li et al. Research on short-term joint optimization scheduling strategy for hydro-wind-solar hybrid systems considering uncertainty in renewable energy generation
CN116683530A (zh) 风-光-含混合式抽蓄电站梯级水库随机优化调度方法
CN117013522A (zh) 考虑分布式电源和气电协同的综合能源系统调度优化方法
CN116796990A (zh) 不确定电价条件下梯级水库汛前水位消落控制方法
CN111476437A (zh) 一种光伏发电功率超短期区间预测的方法及设备
CN113159437B (zh) 一种短期光伏发电输出功率的预测方法
CN113809780B (zh) 一种基于改进q学习惩罚选择的微电网优化调度方法
CN112736905B (zh) 区域新能源容量优化配置方法及系统
CN116050572A (zh) 新能源消纳场景下自备电厂参与源网互动的条件判断方法
CN114626622A (zh) 一种光伏功率预测方法、系统、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination