CN115765044B - 风光水电系统联合运行及风险分析方法和系统 - Google Patents
风光水电系统联合运行及风险分析方法和系统 Download PDFInfo
- Publication number
- CN115765044B CN115765044B CN202211494883.7A CN202211494883A CN115765044B CN 115765044 B CN115765044 B CN 115765044B CN 202211494883 A CN202211494883 A CN 202211494883A CN 115765044 B CN115765044 B CN 115765044B
- Authority
- CN
- China
- Prior art keywords
- wind
- forecast
- wind speed
- solar radiation
- output
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 238000012502 risk assessment Methods 0.000 title claims abstract description 17
- 230000005855 radiation Effects 0.000 claims abstract description 86
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims abstract description 10
- 230000006872 improvement Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 23
- 238000004146 energy storage Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000005622 photoelectricity Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种风光水电系统联合运行及风险分析方法和系统,所述方法包括构建风电出力计算模型,基于风速预报情景树中已生成的风速计算风电出力;构建光电出力计算模型,基于太阳辐射预报情景树中已生成的太阳辐射计算光电出力;依序累加所述风电出力和光电出力,获得风光联合出力;构建风光水电优化调度模型和约束条件,以研究区域的基础数据作为输入,求解所述风光水电优化调度模型,并基于计算结果制定水库调度方案和分析调度风险。本申请为解决风光水电联合出力的问题提供了新的技术构思,提高了能量的利用率。
Description
技术领域
本发明涉及风光水水电多能互补技术,尤其是预报不确定性条件下风电、光电以及水电系统短期联合运行调度方法及风险分析方法。
背景技术
在新能源联合调度领域,水电、风电和光电联合调度是目前研究的热点。由于各种因素的影响,比如气象预报模型不能完美模拟天气系统、水文预报模型不能很好概化流域情况、初始条件和边界条件信息获取不一定准确,导致了预报存在一定的不确定性。
因此,现有技术多数是基于上述风电或光电单一能源出力确定性预报使用水电进行补偿调度,很少考虑到风电或光电出力预报不确定性情况,风电或光电单一能源出力预报不确定性到风光联合出力预报不确定性的动态演化机制,以及由于预报不确定性导致的水电补偿后出力短缺的风险过程。
所以需要研究新的技术方案。
发明内容
发明目的:提供一种风光水电系统联合运行及风险分析方法,以解决现有技术存在的上述问题。进一步提供一种实现上述方法的系统。
技术方案:风光水电系统联合运行及风险分析方法,包括如下步骤:
步骤S1、构建风电预报演进模型,以历史风速预报数据作为输入,生成风速预报改进样本,并获得风速预报情景树;构建光电预报演进模型,以历史太阳辐射预报数据作为输入,生成太阳辐射预报改进样本,并获得太阳辐射预报情景树;
步骤S2、构建风电出力计算模型,基于风速预报情景树中已生成的风速计算风电出力;构建光电出力计算模型,基于太阳辐射预报情景树中已生成的太阳辐射计算光电出力;
步骤S3、依序累加所述风电出力和光电出力,获得风光联合出力;
步骤S4、构建风光水电优化调度模型和约束条件,以研究区域的基础数据作为输入,求解所述风光水电优化调度模型,并基于计算结果制定水库调度方案和分析调度风险。
根据本申请的一个方面,所述步骤S1中构建风电预报演进模型,以历史风速预报作为输入,生成风速预报改进样本,并获得风速预报情景树的过程进一步为:
步骤S11、读取历史风速预报数据并估计误差分布;
步骤S12、判断预报误差是否为正态分布,若是,进入下一步骤;
步骤S13、基于所述风速预报数据构建方差协方差矩阵,并进行Cholesky分解和矩阵变换,得到风速预报改进样本;
步骤S14、基于风速预报改进样本得到新的风速预报误差,并进一步计算新的风速预报值,结合新的风速预报值构建风速预报情景树。
根据本申请的一个方面,所述步骤S1中,构建光电预报演进模型,以历史太阳辐射预报数据作为输入,生成太阳辐射预报改进样本,并获得太阳辐射预报情景树的过程进步为:
步骤S15、统计历史太阳辐射预报数据并估计误差分布;
步骤S16、判断预报误差是否为正态分布,若是,进入下一步骤;
步骤S17、基于所述太阳辐射预报误差构建方差协方差矩阵,并进行Cholesky分解和矩阵变换,得到太阳辐射预报改进样本;
步骤S18、基于太阳辐射预报改进样本得到新的太阳辐射预报误差,并进一步计算新的太阳辐射预报值,结合新的太阳辐射预报值构建太阳辐射预报情景树。
根据本申请的一个方面,在步骤S12中,若否,进入以下步骤:
步骤S1a、对历史风速预报数据进行正态分位数变换,转换为标准正态分布的样本数据;
步骤S1b、基于正态分位数变换后的标准化的风速预报误差构建方差协方差矩阵,并进行Cholesky分解,生成新的无偏的随机样本;
步骤S1c、针对新的无偏随机样本进行逆正态分位数变换,转化为有偏非正态分布的风速预报改进样本;
步骤S1d、基于有偏非正态分布的风速预报改进样本计算风速误差,并得到新的风速预报值,结合新的风速预报值构建风速预报情景树。
根据本申请的一个方面,在所述S16中,若否,进一步为:
步骤S1e、对历史太阳辐射预报数据进行正态分位数变换,转换为标准正态分布的样本数据;
步骤S1f、基于正态分位数变换后的标准化的太阳辐射预报误差构建方差协方差矩阵,并进行Cholesky分解,生成新的无偏的随机样本;
步骤S1g、针对新的无偏随机样本进行逆正态分位数变换,转化为有偏非正态分布的风速预报改进样本;
步骤S1h、基于有偏非正态分布的太阳辐射预报改进样本计算太阳辐射误差,并得到新的太阳辐射预报值,结合新的太阳辐射预报值构建太阳辐射预报情景树。
根据本申请的一个方面,步骤S2中,
所述风电出力计算模型为:{
PWω t jj } t=ws ws+HL :
PW t jj =0.5
ρAN(
v t jj )3
式中,
A是风力发电机轮毂的面积,
ρ是空气密度,
N是风电站的风力发电机的台数,
V t jj 是第
jj预报模式第
t时段风力发电机轮毂处的风速预报,
PW t jj 风电站第
jj预报模式的第
t时段的出力;
所述光电出力计算模型为:
{
PWω t jj } t=ws ws+HL :
PW t jj ={
P stc
G jj tot,t [1-
β(
T cel,t -
T ref )]
A pv }/
G stc
式中,
PPV t jj 是光伏电站第
jj预报模式第
t时段的出力,
P stc 是标准条件下光伏电池板的出力,
T cel,t 是光伏电池板第
t时段的温度,
T ref 是标准条件下的温度,
G jj tot,t 是第
jj预报模式第
t时段的辐照度,
G stc 是标准条件下的太阳辐射强度,
A pv 是光伏电池板的面积,系数
β反应了热损耗效率。
根据本申请的一个方面,所述风光联合出力的计算模型为:
{
PWω t jj } t=ws ws+HL :
PWPV t jj =
PW t jj +
PPV t jj ;
ω t jj 为第
jj个风光联合出力情景,其包含了一系列节点,节点从当前时段ws开始,在时段
ws+
HL结束。
根据本申请的一个方面,所述风光水电优化调度模型为:
ws是当前时段,
O i,t jj 、
O i,ws jj 是在预报模式
jj下第
i个水库第
t时段、当前时段水库的出库流量,
I是水库的数量,是未来阶段水电站期望出库流量,
PP(
w t jj )是第jj个预报模式下风光联合出力情景出现的概率;
所述约束条件为:
①、水库水量平衡约束
S i,t =
S i,t-1 +(
Q i,t -
O i,t )
∆t
式中,
S i,t 和
S i,t-1 为每一预报模式下第
i库第
t时段末、初水库蓄水量;
Q i,t 为第
i库第
t时段入库流量;
O i,t 为第
i库第
t时段出库流量;
②、水库水位约束
Z i,t min ≤
Z i,t ≤
Z i,t max ;
式中,
Z i,t 为每一预报模式下第i库第t时段末计算水位;
Z i,t min 为第i库第t时段末允许下限水位;
Z i,t max 为第i库第t时段末允许上限水位;
③、出库流量约束
O i,t min ≤
O i,t ≤
O i,t max ;
O i,t =
OP i,t +
ON i,t
式中,
O i,t min 和
O i,t max 分别为各预报模式下第
i库第
t时段下泄流量允许的最小、最大值,
OP i,t 为第
i库第
t时段发电流量,
ON i,t 预报模式下第
i库第
t时段弃水流量;
④、水电站出力约束
PH t =
∑PH i,t ,i=1,2,…,I;
PH i,t min ≤
PH i,t ≤
PH i,t max
式中,
PH i,t min 和
PH i,t max 分别为第
i水电站第
t时段的允许最小出力和最大出力。
根据本申请的一个方面,所述调度风险的计算过程为:
Risk=
P((
PH+
PWPV)<
N demand ),
式中,
PH和
PWPV分别为水电和风光联合出力,
N demand 为电网下达的负荷指令,
P((
PH
+PWPV)<
N demand )为风光水联合出力小于负荷指令发生的概率。
根据本申请的一个方面,所述制定水库调度方案的过程还包括:
步骤S31、确定电站计算序位,生成电站计算序位表;
依序计算各电站在预定时段系统负荷偏差,若系统负荷偏差大于零,则计算各电站的蓄能率,并降序排列,蓄能率越高,优先级越高;若系统负荷偏差小于零,则计算各电站的蓄能率,并升序排列,蓄能率越低,优先级越高;若系统负荷偏差等于零,则计算耗水率,并升序排列,耗水率越低,优先级越高;
步骤S32、若系统负荷偏差大于零,按照计算序位,从高到低,逐一累加各电站向上可出调力,直至向上可出调力总值大于预设值;参与出力的电站标记为第一电站组合;
步骤S33、若系统负荷偏差小于零,按照计算序位,从高到低,逐一累加各电站向下可出调力,直至向下可出调力总值大于预设值;参与出力的电站标记为第二电站组合;
步骤S34、在第一电站组合或第二电站组合出力时,利用出力持续时段数重构负荷偏差,使新的负荷偏差满足持续时段数的要求;
根据本申请的一个方面,所述步骤S34还包括:
根据选定的负荷波动和出力持续时段数,对负荷偏差序列进行修正,得到新的负荷偏差序列。
根据本申请的另一方面,提供一种风光水电系统联合运行及风险分析系统,包括:
至少一个处理器;以及
与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的风光水电系统联合运行及风险分析方法。
有益效果:本申请提供了一种新的技术思路,可以很好地模拟风速和太阳辐射的不确定现象,提高了能量的使用效率。而且通过优化水电站的出力情况,进一步提高水电的效率,减少水资源浪费。
附图说明
图1是本发明的整体过程示意图。
图2是本发明实施例一的风速预报部分的流程图。
图3是本发明实施例一的太阳辐射预报部分的流程图。
图4是本发明实施例二的风速预报部分的流程图。
图5是本发明实施例二的太阳辐射预报部分的流程图。
具体实施方式
为了解决现有技术存在的上述问题,申请人进行了深入地研究,针对光电、光电与水电的联合模拟,现有技术主要采用对于风光水电三能源不确定性的研究较少,一般是基于单一能源出力确定性进行使用水电进行补偿调度。在一些模型中,有的以运行成本最小为目标进行模拟,有的以弃风电量最小为目标进行计算。对于风电和光电均存在不确定的情况下,现有的模型和方法不能很好的对风电、太阳能(光电)和水电进行联合调度。另外,申请人认为,水电在汛期首要任务是防洪,此时一般不参与补偿风光能源出力的调度。在非汛期水电站日内入库径流较为平稳,预报较为准确,可以忽略其预报不确定性。为了解决上述问题,在上述研究基础上,提出了如下的技术方案。
首先,描述风速和太阳辐射预报不确定性随时间变化的过程。
如图1所示,定义风速预报的预见期为
HL,开始预报风速对应的时段为
ws,
v t 为第t时段的风速实测值,
fv ws,t 为时段
ws预报未来第
t个时段的风速(
t=
ws+0,
ws+1,……,
ws+
HL)。令
ev ws,t 为时段
t的风速
v t 对应的预报误差,则有
ev ws,t =
fv ws,t -
v t 。
在时段
ws做出的风速预报可以构成数组
fv ws,- ,
fv ws,-= [
fv ws,ws , fv ws,ws+1 , fv ws,ws+2 ,…,
fv ws,ws+HL ];
同理,在第t时段所对应的真实风速
v t 对应有不同预见期的风速预报也可以构成一个数组
fv -,t ,
fv -,t= [
fv t-HL,t
, fv t-HL+1,t
, fv t-HL+2,t,…,
fv t,t ];
因此,根据上述两个式子可以得到,在时段
ws作的预报相应的预报误差数组可以记为
ev ws,- ;同理,根据上式,可以得到在t时段相应的预报误差所对应的数组
ev -,t ,
ev ws,-=[
ev ws,ws ,
ev ws,ws+1 ,
ev ws,ws+2 ,…,
ev ws,ws+HL ]
ev -,t=[
ev t-HL,t ,
ev t-HL+1,t ,
ev t-HL+2,t , …,
ev t,t ]
根据风速预报误差
ev ws,t (
ws=
t-HL,
t-HL+1,…,
t),定义风速预报改进
u v ws,t 为当前时段
ws对未来第
t个时段作的预报对应的预报误差相较于前一个时段
ws-1对未来第
t个时段作的预报对应的预报误差的减小量,具体如下:
u v ws,t =
ev ws,t -
ev ws-1,t 。
对于当前时段风速已知,即
fv t,t =
v t ,
ev t,t =0。
ev t-1,t =
ev t,t -u v t,t =-
u v t,t ;
ev t-2,t =
ev t-1,t -
u v t,t =-
u v t,t -
u v t-1,t ;
…
ev t-HL,t ;
对上式分析可知,以时段t-HL为例,风速总的预报误差
ev t-HL,t 可以被分解为各时段风速预报误差的改进
u v t-HL+i,t ,
i=1,2,…
HL;对未来第个时段所作的预报
fv -,t ,其预报改进
u v ws,t 将构成一个数组
u v -,t ,
u v -,t =[
u v t-HL+1,t ,
u v t-HL+2,t ,
u v t-HL+3,t ,…,
u v t,t ,]。
另一方面,时段
ws所作的预报对应的预报改进也将构成一个数组
u v ws,- ,如下述所示:
u v ws,- =[
u v ws,ws ,
u v ws,ws+1 ,
u v ws,ws+2 ,…,
u v ws,ws+HL-1 ]
因此,要想知道风速预报误差值
ev,首先要得到各个时段所对应的风速预报改进值
u v 。因此,模拟风速预报的不确定性转化为模拟邻近时段风速预报改进值
u v 。同样地,模拟太阳辐射预报误差值
eGtot与模拟风速预报误差值
ev一样,需要先得到各个时段太阳辐射预报改进值
u Gtot 。
其次,给出一个具体的实施例,具体如下。
提供一种风光水电系统联合运行及风险分析方法,包括如下步骤:
步骤S1、构建风电预报演进模型,以历史风速预报数据作为输入,生成风速预报改进样本,并获得风速预报情景树;构建光电预报演进模型,以历史太阳辐射预报数据作为输入,生成太阳辐射预报改进样本,并获得太阳辐射预报情景树。
步骤S2、构建风电出力计算模型,基于风速预报情景树中已生成的风速计算风电出力;构建光电出力计算模型,基于太阳辐射预报情景树中已生成的太阳辐射计算光电出力。
步骤S3、依序累加所述风电出力和光电出力,获得风光联合出力。
步骤S4、构建风光水电优化调度模型和约束条件,以研究区域的基础数据作为输入,求解所述风光水电优化调度模型,并基于计算结果制定水库调度方案和分析调度风险。
在本实施例中,先是通过对风电和太阳辐射进行建模,然后合并风电和光电出力。最后以满足负荷需求的前提下最小化水电出库水量为目标函数,计算出相应的结果。最后再制定水库调度方案,并分析出力不足的情况。
具体地,当符合无偏性、正态分布性、时序独立性和稳态性假设时,即在本实施例的场景下,风、光的预报演进模型可以概化为[
u v ws,ws ,
u v ws,ws+1 ,
u v ws,ws+2 ,…,
u v ws,ws+HL-1 ]的方差协方差矩阵
VCV,
,
由于方差协方差矩阵
VCV是半正定矩阵,可以将其进行Cholesky分解,得到,
VCV=
V×
V T ;
随后,对独立同分布的标准正态分布随机变量
x i 进行变换,得到
[
u v 1 ,
u v 2 ,
u v i ,…,
u v HL ]=[
x v 1 ,
x v 2 ,…,
x v HL ]
V T 。
u v i 是随机生成的风速预报改进值,同时,[
u v 1 ,
u v 2 ,
u v i ,…,
u v HL ] 方差协方差矩阵为给定的
VCV矩阵。
根据本申请的一个方面,所述步骤S1中构建风电预报演进模型,以历史风速预报作为输入,生成风速预报改进样本,并获得风速预报情景树的过程进一步为:
步骤S11、读取历史风速预报数据并估计误差分布;
步骤S12、判断预报误差是否为正态分布,若是,进入下一步骤;
步骤S13、基于所述风速预报数据构建方差协方差矩阵,并进行Cholesky分解和矩阵变换,得到风速预报改进样本;
步骤S14、基于风速预报改进样本得到新的风速预报误差,并进一步计算新的风速预报值,结合新的风速预报值构建风速预报情景树。
根据本申请的一个方面,所述步骤S1中,构建光电预报演进模型,以历史太阳辐射预报数据作为输入,生成太阳辐射预报改进样本,并获得太阳辐射预报情景树的过程进步为:
步骤S15、统计历史太阳辐射预报数据并估计误差分布;
步骤S16、判断预报误差是否为正态分布,若是,进入下一步骤;
步骤S17、基于所述太阳辐射预报误差构建方差协方差矩阵,并进行Cholesky分解和矩阵变换,得到太阳辐射预报改进样本;
步骤S18、基于太阳辐射预报改进样本得到新的太阳辐射预报误差,并进一步计算新的太阳辐射预报值,结合新的太阳辐射预报值构建太阳辐射预报情景树。
如果相关数据不符合相关假设,则需要采用如下方法。首先进行正态分位数变换,以风速为例,定义
u v ws,ws+jj-1 为风速预报改进样本,CDFv kk(
u v ws,ws+jj- )为变量
u v ws,ws+jj- 的累积分布函数,定义(CDFu Gaussian)-1(CDFjj v(
u v ws,ws+jj-1 ))为标准正态分布的累积分布函数的反函数。将风速预报
u v ws,ws+jj-1 改进转化为相应的累积概率,随后将累积概率通过标准正态分布的累积分布函数的反函数转化为无偏、正态分布的样本(
u v ws,ws+jj-1 )'。
(
u v ws,ws+jj-1 )'=(CDF v Gaussian)-1(CDFjj v(
u v ws,ws+jj-1 ))。
由于
u v ws,ws+jj-1 是服从从标准正态分布的随机变量,因此,其协方差矩阵与相关系数矩阵
CORR等价。
对上式进行Cholesky分解,随后再对其进行矩阵变换,可以生成新的无偏、正态分布样本
u v jj (
jj=1,2,…,
HL)。
接着进行逆正态分位数变换,将新生成的样本
u v jj (
jj=1,2,…,
HL),转化为有偏、非正态分布的预报改进样本
u v jj 。首先将新生成的无偏正态分布样本
u v jj (jj=1,2,…,
HL)通过CDFu Gaussian(
u v jj )转化为相应的累积分布函数,随后将累积概率转化成的累积分布函数,最后通过反函数CDFjj v转化成有偏、非正态分布的预报改进样本。
u v jj =(CDFjj v)-1(CDF v Gaussian(
u v jj )
')。
得到的风速预报改进样本
u v jj ,根据公式可以得到风速预报误差
ev ws,t 。在得到风速预报误差
ev ws,t 后,可以得到风速预报值
fv ws,t 。通过情景树理论,将随机模拟的风速预报过程进一步定义为动态风速情景树:{
Wω t jj }t=ws ws+HL;jj=1,2,…,II 。其中II为情景树规模。
具体地,对于风、光电的实施过程,具体如下。
根据本申请的一个方面,在步骤S12中,若否,进入以下步骤:
步骤S1a、对历史风速预报数据进行正态分位数变换,转换为标准正态分布的样本数据;
步骤S1b、基于正态分位数变换后的标准化的风速预报误差构建方差协方差矩阵,并进行Cholesky分解,生成新的无偏的随机样本;
步骤S1c、针对新的无偏随机样本进行逆正态分位数变换,转化为有偏非正态分布的风速预报改进样本;
步骤S1d、基于有偏非正态分布的风速预报改进样本计算风速误差,并得到新的风速预报值,结合新的风速预报值构建风速预报情景树。
根据本申请的一个方面,在所述S16中,若否,进一步为:
步骤S1e、对历史太阳辐射预报数据进行正态分位数变换,转换为标准正态分布的样本数据;
步骤S1f、基于正态分位数变换后的标准化的太阳辐射预报误差构建方差协方差矩阵,并进行Cholesky分解,生成新的无偏的随机样本;
步骤S1g、针对新的无偏随机样本进行逆正态分位数变换,转化为有偏非正态分布的风速预报改进样本;
步骤S1h、基于有偏非正态分布的太阳辐射预报改进样本计算太阳辐射误差,并得到新的太阳辐射预报值,结合新的太阳辐射预报值构建太阳辐射预报情景树。
在进一步的实施例中,由于风速、太阳辐射、风电出力、光电出力和风光联合出力数量级相差可能较大,直接使用方差衡量不能很好的反映各个变量的不确定性。因此,本实施例将风速、太阳辐射、风电出力、光电出力、风光联合出力分别进行标准化。
。
fvnew ws,t jj 为标准化后的风速,和分别为风速的最大值和最小值。
根据本申请的一个方面,步骤S2中,
所述风电出力计算模型为:{
PWω t jj } t=ws ws+HL :
PW t jj =0.5
ρAN(
v t jj )3
式中,
A是风力发电机轮毂的面积,
ρ是空气密度,
N是风电站的风力发电机的台数,
V t jj 是第
jj预报模式第
t时段风力发电机轮毂处的风速预报,
PW t jj 风电站第
jj预报模式的第
t时段的出力;
所述光电出力计算模型为:
{
PWω t jj } t=ws ws+HL :
PW t jj ={
P stc
G jj tot,t [1-
β(
T cel,t -
T ref )]
A pv }/
G stc
式中,
PPV t jj 是光伏电站第
jj预报模式第
t时段的出力,
P stc 是标准条件下光伏电池板的出力,
T cel,t 是光伏电池板第
t时段的温度,
T ref 是标准条件下的温度,
G jj tot,t 是第
jj预报模式第
t时段的辐照度,
G stc 是标准条件下的太阳辐射强度,
A pv 是光伏电池板的面积,系数
β反应了热损耗效率。
根据本申请的一个方面,所述风光联合出力的计算模型为:
{
PWω t jj } t=ws ws+HL :
PWPV t jj =
PW t jj +
PPV t jj ;
ω t jj 为第
jj个风光联合出力情景,其包含了一系列节点,节点从当前时段ws开始,在时段
ws+
HL结束。
根据本申请的一个方面,所述风光水电优化调度模型为:
ws是当前时段,
O i,t jj 、
O i,ws jj 是在预报模式
jj下第
i个水库第
t时段、当前时段水库的出库流量,
I是水库的数量,是未来阶段水电站期望出库流量,
PP(
w t jj )是第jj个预报模式下风光联合出力情景出现的概率;
所述约束条件为:
①、水库水量平衡约束
S i,t =
S i,t-1 +(
Q i,t -
O i,t )
∆t
式中,
S i,t 和
S i,t-1 为每一预报模式下第
i库第
t时段末、初水库蓄水量;
Q i,t 为第
i库第
t时段入库流量;
O i,t 为第
i库第
t时段出库流量;
②、水库水位约束
Z i,t min ≤
Z i,t ≤
Z i,t max ;
式中,
Z i,t 为每一预报模式下第i库第t时段末计算水位;
Z i,t min 为第i库第t时段末允许下限水位;
Z i,t max 为第i库第t时段末允许上限水位;
③、出库流量约束
O i,t min ≤
O i,t ≤
O i,t max ;
O i,t =
OP i,t +
ON i,t
式中,
O i,t min 和
O i,t max 分别为各预报模式下第
i库第
t时段下泄流量允许的最小、最大值,
OP i,t 为第
i库第
t时段发电流量,
ON i,t 预报模式下第
i库第
t时段弃水流量;
④、水电站出力约束
PH t =
∑PH i,t ,i=1,2,…,I;
PH i,t min ≤
PH i,t ≤
PH i,t max
式中,
PH i,t min 和
PH i,t max 分别为第
i水电站第
t时段的允许最小出力和最大出力。
根据本申请的一个方面,所述调度风险的计算过程为:
Risk=
P((
PH+
PWPV)<
N demand ),
式中,
PH和
PWPV分别为水电和风光联合出力,
N demand 为电网下达的负荷指令,
P((
PH
+PWPV)<
N demand )为风光水联合出力小于负荷指令发生的概率。
在计算出水电站出力数据,即知晓水电站发电量后,需要进一步优化水电效率,减少水电的浪费。比如说,需要发电1万度,采用不同的水电站,效率不同,某一水电站组合,可能用水多,另一水电站组合,可能用水少。因此,需要对水电站组合进行优化。
在本申请的另一实施例中,所述制定水库调度方案的过程还包括:
步骤S31、确定电站计算序位,生成电站计算序位表;
依序计算各电站在预定时段系统负荷偏差,若系统负荷偏差大于零,则计算各电站的蓄能率,并降序排列,蓄能率越高,优先级越高;若系统负荷偏差小于零,则计算各电站的蓄能率,并升序排列,蓄能率越低,优先级越高;若系统负荷偏差等于零,则计算耗水率,并升序排列,耗水率越低,优先级越高;
步骤S32、若系统负荷偏差大于零,按照计算序位,从高到低,逐一累加各电站向上可出调力,直至向上可出调力总值大于预设值;参与出力的电站标记为第一电站组合;
步骤S33、若系统负荷偏差小于零,按照计算序位,从高到低,逐一累加各电站向下可出调力,直至向下可出调力总值大于预设值;参与出力的电站标记为第二电站组合;
步骤S34、在第一电站组合或第二电站组合出力时,利用出力持续时段数重构负荷偏差,使新的负荷偏差满足持续时段数的要求。
在进一步的实施例中,水电站的出力如下式所示:
PH i,t =
OP i,t /g(∆
H i,t );
式中,
PH i,t 是各预报模式下第i水电站第t时段的出力,g(·)函数为水电站出力特性函数,∆
H i,t 是各预报模式下第i水电站第t时段的发电水头。
在本申请的另一实施例中,所述步骤S34还包括:
根据选定的负荷波动和出力持续时段数,对负荷偏差序列进行修正,得到新的负荷偏差序列。
根据本申请的另一方面,提供一种风光水电系统联合运行及风险分析系统,包括:
至少一个处理器;以及
与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以实现上述任一项技术方案所述的风光水电系统联合运行及风险分析方法。
由于处理器、存储器等属于现有技术,因此在此没有详细描述。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (5)
1.风光水电系统联合运行及风险分析方法,其特征在于,包括如下步骤:
步骤S1、构建风电预报演进模型,以历史风速预报数据作为输入,生成风速预报改进样本,并获得风速预报情景树;构建光电预报演进模型,以历史太阳辐射预报数据作为输入,生成太阳辐射预报改进样本,并获得太阳辐射预报情景树;
步骤S2、构建风电出力计算模型,基于风速预报情景树中已生成的风速计算风电出力;构建光电出力计算模型,基于太阳辐射预报情景树中已生成的太阳辐射计算光电出力;
步骤S3、依序累加所述风电出力和光电出力,获得风光联合出力;
步骤S4、构建风光水电优化调度模型和约束条件,以研究区域的基础数据作为输入,求解所述风光水电优化调度模型,并基于计算结果制定水库调度方案和分析调度风险;
所述步骤S1中构建风电预报演进模型,以历史风速预报作为输入,生成风速预报改进样本,并获得风速预报情景树的过程进一步为:
步骤S11、读取历史风速预报数据并估计误差分布;
步骤S12、判断预报误差是否为正态分布,若是,进入下一步骤;
步骤S13、基于所述风速预报数据构建方差协方差矩阵,并进行Cholesky分解和矩阵变换,得到风速预报改进样本;
步骤S14、基于风速预报改进样本得到新的风速预报误差,并进一步计算新的风速预报值,结合新的风速预报值构建风速预报情景树;
所述步骤S1中,构建光电预报演进模型,以历史太阳辐射预报数据作为输入,生成太阳辐射预报改进样本,并获得太阳辐射预报情景树的过程进步为:
步骤S15、统计历史太阳辐射预报数据并估计误差分布;
步骤S16、判断预报误差是否为正态分布,若是,进入下一步骤;
步骤S17、基于所述太阳辐射预报数据构建方差协方差矩阵,并进行Cholesky分解和矩阵变换,得到太阳辐射预报改进样本;
步骤S18、基于太阳辐射预报改进样本得到新的太阳辐射预报误差,并进一步计算新的太阳辐射预报值,结合新的太阳辐射预报值构建太阳辐射预报情景树;
在步骤S12中,若否,进入以下步骤:
步骤S1a、对历史风速预报数据进行正态分位数变换,转换为标准正态分布的样本数据;
步骤S1b、基于正态分位数变换后的标准化的风速预报误差构建方差协方差矩阵,并进行Cholesky分解,生成新的无偏的随机样本;
步骤S1c、针对新的无偏随机样本进行逆正态分位数变换,转化为有偏非正态分布的风速预报改进样本;
步骤S1d、基于有偏非正态分布的风速预报改进样本计算风速误差,并得到新的风速预报值,结合新的风速预报值构建风速预报情景树;
在所述S16中,若否,进一步为:
步骤S1e、对历史太阳辐射预报数据进行正态分位数变换,转换为标准正态分布的样本数据;
步骤S1f、基于正态分位数变换后的标准化的太阳辐射预报误差构建方差协方差矩阵,并进行Cholesky分解,生成新的无偏的随机样本;
步骤S1g、针对新的无偏随机样本进行逆正态分位数变换,转化为有偏非正态分布的风速预报改进样本;
步骤S1h、基于有偏非正态分布的太阳辐射预报改进样本计算太阳辐射误差,并得到新的太阳辐射预报值,结合新的太阳辐射预报值构建太阳辐射预报情景树;
步骤S2中,
所述风电出力计算模型为:{PWω t jj } t=ws ws+HL :PW t jj =0.5ρAN(v t jj )3
式中,A是风力发电机轮毂的面积,ρ是空气密度,N是风电站的风力发电机的台数,v t jj 是第jj预报模式第t时段风力发电机轮毂处的风速预报,PW t jj 是风电站第jj预报模式的第t时段的出力;
所述光电出力计算模型为:
{PPVω t jj } t=ws ws+HL :PPV t jj ={P stc G jj tot,t [1-β(T cel,t -T ref )] A pv }/G stc
式中,PPV t jj 是光伏电站第jj预报模式第t时段的出力,P stc 是标准条件下光伏电池板的出力,T cel,t 是光伏电池板第t时段的温度,T ref 是标准条件下的温度,G jj tot,t 是第jj预报模式第t时段的辐照度,G stc 是标准条件下的太阳辐射强度,A pv 是光伏电池板的面积,系数β反应了热损耗效率;
所述风光联合出力的计算模型为:
{PWPVω t jj } t=ws ws+HL :PWPV t jj =PW t jj +PPV t jj ;
ω t jj 为第jj个风光联合出力情景,其包含了一系列节点,节点从当前时段ws开始,在时段ws+HL结束;
所述风光水电优化调度模型为:
,
ws是当前时段,O i,t jj 、O i,ws jj 是在预报模式jj下第i个水库第t时段、当前时段水库的出库流量,I是水库的数量, 是未来阶段水电站期望出库流量,PP(w t jj )是第jj个预报模式下风光联合出力情景出现的概率;
所述约束条件为:
①、水库水量平衡约束
,
式中,S i,t 和 S i,t-1 为每一预报模式下第i库第t时段末、初水库蓄水量;Q i,t 为第i库第t时段入库流量;O i,t 为第i库第t时段出库流量;
②、水库水位约束
Z i,t min ≤Z i,t ≤Z i,t max ;
式中,Z i,t 为每一预报模式下第i库第t时段末计算水位;Z i,t min 为第i库第t时段末允许下限水位;Z i,t max 为第i库第t时段末允许上限水位;
③、出库流量约束
O i,t min ≤ O i,t ≤O i,t max ;O i,t = OP i,t + ON i,t
式中,O i,t min 和 O i,t max 分别为各预报模式下第i库第t时段下泄流量允许的最小、最大值,OP i,t 为第i库第t时段发电流量,ON i,t 预报模式下第i库第t时段弃水流量;
④、水电站出力约束
PH t =∑PH i,t ,i=1,2,…,I;PH i,t min ≤PH i,t ≤PH i,t max
式中,PH i,t min 和 PH i,t max 分别为第i水电站第t时段的允许最小出力和最大出力。
2.如权利要求1所述的风光水电系统联合运行及风险分析方法,其特征在于,所述调度风险的计算过程为:
Risk=P((PH+PWPV)<N demand ),
式中,PH和PWPV分别为水电和风光联合出力,N demand 为电网下达的负荷指令,P((PH+ PWPV)<N demand )为风光水联合出力小于负荷指令发生的概率。
3.如权利要求2所述的风光水电系统联合运行及风险分析方法,其特征在于,所述制定水库调度方案的过程还包括:
步骤S31、确定电站计算序位,生成电站计算序位表;
依序计算各电站在预定时段系统负荷偏差,若系统负荷偏差大于零,则计算各电站的蓄能率,并降序排列,蓄能率越高,优先级越高;若系统负荷偏差小于零,则计算各电站的蓄能率,并升序排列,蓄能率越低,优先级越高;若系统负荷偏差等于零,则计算耗水率,并升序排列,耗水率越低,优先级越高;
步骤S32、若系统负荷偏差大于零,按照计算序位,从高到低,逐一累加各电站向上可出调力,直至向上可出调力总值大于预设值;参与出力的电站标记为第一电站组合;
步骤S33、若系统负荷偏差小于零,按照计算序位,从高到低,逐一累加各电站向下可出调力,直至向下可出调力总值大于预设值;参与出力的电站标记为第二电站组合;
步骤S34、在第一电站组合或第二电站组合出力时,利用出力持续时段数重构负荷偏差,使新的负荷偏差满足持续时段数的要求。
4.如权利要求3所述的风光水电系统联合运行及风险分析方法,其特征在于,所述步骤S34还包括:
根据选定的负荷波动和出力持续时段数,对负荷偏差序列进行修正,得到新的负荷偏差序列。
5. 一种风光水电系统联合运行及风险分析系统,其特征在于,包括:
至少一个处理器;以及
与至少一个所述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处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1~4任一项所述的风光水电系统联合运行及风险分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494883.7A CN115765044B (zh) | 2022-11-26 | 2022-11-26 | 风光水电系统联合运行及风险分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211494883.7A CN115765044B (zh) | 2022-11-26 | 2022-11-26 | 风光水电系统联合运行及风险分析方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115765044A CN115765044A (zh) | 2023-03-07 |
CN115765044B true CN115765044B (zh) | 2023-05-09 |
Family
ID=85338502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211494883.7A Active CN115765044B (zh) | 2022-11-26 | 2022-11-26 | 风光水电系统联合运行及风险分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115765044B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415742B (zh) * | 2023-06-12 | 2023-08-22 | 水利部水利水电规划设计总院 | 风光水电系统两阶段随机多属性决策方法及系统 |
CN118396430B (zh) * | 2024-06-27 | 2024-09-10 | 水利部水利水电规划设计总院 | 风光水电集合短期预报与不确定性分析方法及系统 |
CN118469263B (zh) * | 2024-07-12 | 2024-09-20 | 水利部水利水电规划设计总院 | 考虑多重不确定性的风光水电系统短期调度方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181895A (zh) * | 2014-08-28 | 2014-12-03 | 国家电网公司 | 适应新能源接入的短期与超短期协调滚动调度优化策略 |
CN107565606A (zh) * | 2017-09-01 | 2018-01-09 | 国网河南省电力公司电力科学研究院 | 计及预测可信度差异性的配电网风光水发电优化调度方法 |
CN112801816A (zh) * | 2021-01-07 | 2021-05-14 | 四川大学 | 一种风光水互补系统总效益的资源优化调度方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002912A (zh) * | 2018-07-10 | 2018-12-14 | 国网湖南省电力有限公司电力科学研究院 | 一种水风光互补发电系统调峰能力评估方法 |
CN109066747B (zh) * | 2018-08-23 | 2021-10-08 | 天津大学前沿技术研究院有限公司 | 满足电网三段线需求的多能互补电站储能系统容量配置法 |
CN109245169B (zh) * | 2018-10-29 | 2020-06-09 | 贵州电网有限责任公司 | 一种风光水储联合调度方法 |
CN109886473B (zh) * | 2019-01-24 | 2020-05-05 | 河海大学 | 一种考虑下游生态的流域风光水系统多目标优化调度方法 |
CN109858173B (zh) * | 2019-02-18 | 2020-11-13 | 华中科技大学 | 一种风光水互补发电系统联合调度的多目标正切方法 |
CN111342486B (zh) * | 2020-02-24 | 2022-10-14 | 河海大学 | 一种含梯级水电的风光水互补发电系统的优化调度方法 |
CN112183839B (zh) * | 2020-09-22 | 2022-08-30 | 河海大学 | 一种含梯级水电风光水互补发电系统中长期优化调度方法 |
CN113937819B (zh) * | 2021-06-30 | 2024-09-03 | 国网甘肃省电力公司电力科学研究院 | 一种多能源短期优化调度方法 |
CN115293442A (zh) * | 2022-08-17 | 2022-11-04 | 大连理工大学 | 一种基于分布鲁棒优化的水风光能源系统均衡调度模型 |
-
2022
- 2022-11-26 CN CN202211494883.7A patent/CN115765044B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104181895A (zh) * | 2014-08-28 | 2014-12-03 | 国家电网公司 | 适应新能源接入的短期与超短期协调滚动调度优化策略 |
CN107565606A (zh) * | 2017-09-01 | 2018-01-09 | 国网河南省电力公司电力科学研究院 | 计及预测可信度差异性的配电网风光水发电优化调度方法 |
CN112801816A (zh) * | 2021-01-07 | 2021-05-14 | 四川大学 | 一种风光水互补系统总效益的资源优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115765044A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115765044B (zh) | 风光水电系统联合运行及风险分析方法和系统 | |
CN106874630B (zh) | 基于电量消纳的区域电网新能源开发潜力评估方法 | |
Wang et al. | Analysis of energy storage demand for peak shaving and frequency regulation of power systems with high penetration of renewable energy | |
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 | |
CN107528350B (zh) | 一种适应中长期电源规划的风电出力典型场景生成方法 | |
CN104376410A (zh) | 一种配电网中分布式电源的规划方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN105207272B (zh) | 基于通用分布的电力系统动态随机经济调度方法及装置 | |
ElDesouky | Security constrained generation scheduling for grids incorporating wind, photovoltaic and thermal power | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN105305488B (zh) | 一种考虑新能源并网对输电网利用率影响的评价方法 | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN110460038A (zh) | 一种涉及新能源并网的多场景输电网扩展规划方法 | |
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 | |
CN115021331A (zh) | 基于贡献系数法的清洁能源基地水风光一体化补偿方法 | |
CN116526469A (zh) | 一种水风光互补系统长期随机动态调度方法 | |
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 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
CN112994087B (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 | |
CN114142461A (zh) | 考虑电网形态演变和结构发展的新能源差异化配置方法 | |
CN114977324A (zh) | 能源基地多能互补运行中多主体效益变化的量化方法 | |
CN114123313A (zh) | 一种时序生产模拟新能源电力系统消纳方法 | |
CN113947499A (zh) | 基于分层优化模型的水、风、光规划方案集优选方法 | |
CN116415722A (zh) | 一种光伏发电量预测方法 |
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 |