CN116050572A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116050572A CN116050572A CN202211467764.2A CN202211467764A CN116050572A CN 116050572 A CN116050572 A CN 116050572A CN 202211467764 A CN202211467764 A CN 202211467764A CN 116050572 A CN116050572 A CN 116050572A
- Authority
- CN
- China
- Prior art keywords
- self
- new energy
- power plant
- data
- contained power
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 44
- 238000005265 energy consumption Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 54
- 238000010248 power generation Methods 0.000 claims abstract description 41
- 238000005286 illumination Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 34
- 238000012706 support-vector machine Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 21
- 230000001537 neural effect Effects 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 12
- 241000272168 Laridae Species 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 230000005012 migration Effects 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 abstract description 19
- 239000003245 coal Substances 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 description 16
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及自备电厂参与电网供需调节技术领域,是一种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,该方法按以下步骤进行:从电网调度中心获取含燃煤自备电厂城市的历史负荷数据以及风速、光照强度数据,从燃煤自备电厂侧获取机组日前发电计划;建立对应的出力模型,获得源网互动时面向新能源消纳的典型新能源出力场景;获得源网互动时面向调峰辅助场景的负荷峰谷场景;判断燃煤自备电厂能否从电量、响应时间等方面参与电网供需调节。本发明实现了燃煤自备电厂、电网之间的供需调节协调互动的各方面基本要求的判定,确保在源网互动场景下对燃煤自备电厂电量、响应时间需求预测的精准性,以达到有效调峰和新能源消纳的目的。
Description
技术领域
本发明涉及自备电厂参与电网供需调节技术领域,是一种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。
背景技术
20世纪80年代,对高耗能产业的投资扩张直接导致我国电力需求的快速增长,政府为缓解社会电力供需矛盾,推行“多渠道办电”,由此引导工业企业投资发电业务。以煤炭、石化和钢铁为代表的大型工业用户自身电力需求大,并且属于重要负荷,纷纷建立自备电厂以接入企业输配电网络中,构成发、输、配集中的企业电网,在降低生产用电成本的同时提高了企业的用电自主性。在产业政策与经济态势的推动下,我国自备电厂规模不断扩大。目前,我国自备电厂一般指高耗能企业为了降低自身生产成本建立的、以火电机组为主,采取自发自用,以用定发的供电模式的发电厂。
随着经济社会发展,尤其是全国电网建设水平的大幅度提升,自备电厂最初的功能正在减弱。由于发电机组普遍偏小,自备电厂的能效指标、排放水平与公用电厂相比存在明显劣势,运营管理水平和运行可靠性也有待提高。清洁能源发电快速增长,造成了公用火电厂调峰能力不足的现状,自备电厂行业已存在,而且分布广泛,客观上存在参与调峰、新能源消纳的有利条件,如果能够很好地利用这一资源,对于短期内化解清洁能源消纳、系统调峰问题将有一定的助益,自备电厂在参与源网互动场景时对其自身具有一定要求,如响应电量、响应时间等。
发明内容
本发明提供了一种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,克服了上述现有技术之不足,其能有效解决自备电厂是否适合参与电网供需调节的问题。
本发明的技术方案是通过以下措施来实现的:一种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,按以下步骤进行:
S1,从电网调度中心获取含燃煤自备电厂城市的历史负荷数据以及风速、光照强度数据,从燃煤自备电厂侧获取机组日前发电计划;
S2,根据含燃煤自备电厂城市所含的风电场、光伏电站的风速、光照强度数据,建立风机、光伏发电单元出力模型,通过基于自组织神经网络-Kmeans算法对出力场景进行削减,获得源网互动时面向新能源消纳场景的新能源出力数据;
S3,通过基于海鸥-支持向量机优化算法对含燃煤自备电厂城市的负荷数据进行模型预测,获得源网互动时面向调峰辅助服务场景的负荷峰谷预测数据;
S4,基于新能源典型出力数据以及系统负荷数据进行弃风弃光量的判断,弃风弃光部分为自备电厂-新能源发电权交易中的自备电厂响应电量,对应的时间为响应时间;基于负荷预测数据进行峰谷时段的判断,峰时段部分为自备电厂响应电量,对应时间为响应时间。
下面是对上述发明技术方案的进一步优化或/和改进:
上述在新能源消纳服务场景下进行源网互动的新能源出力模型生成,所述步骤S2中,风机、光伏发电单元出力模型为:
Ppv=SRη 式2
式中,Pwe为风机发电的额定功率,vwi、vwo、vwe分别为风机发电机组的切入风速、切出风速、额定风速,Pw为某时刻风机的出力值,v为某时刻的风速;s为光伏电池板面积,η为太阳能电池板转化效率,R为光照强度,Ppv为某时刻光伏发电单元的出力值。
上述在新能源消纳服务场景下进行源网互动的新能源出力场景削减,所述步骤S2操作为:根据新能源出力模型构建含时间序列性质的原始出力数据集,对原始数据集进行主成分分析降维处理,并结合自组织神经网络-Kmeans优化算法进行场景削减。
上述基于自组织神经网络-Kmeans优化算法对场景削减具体操作为:
A1,选取全年的风、光新能源日出力数据作为样本数据,对数据进行主成分分析降维预处理;
A2,赋予输出层节点初始权值,计算样本数据计算每个样本与每个输出节点的相似度,根据邻域函数判断获胜单元,调整对应权值;
A3,重复训练,知道达到其最大训练长度,并满足训练终止条件,得到聚类中心和聚类数;
A4,将得到的聚类数作为k值,得到的聚类中心作为初始聚类中心;
A5,将新能源出力数据根据它们与初始聚类中心的欧式距离,划分给距离最小的初始聚类中心,形成新的簇;
A6,重新计算每个簇的均值,作为新的聚类中心,重复循环A4至A5步骤,直至每个聚类不再发生变化,输出聚类结果作为新能源典型出力场景。
上述在面向调峰辅助服务场景下进行源网互动的负荷预测模型的建立,所述步骤S1、S3具体为:采集燃煤自备电厂所在地区的一年内的24时段日负荷数据,构建含时间序列性质的原始负荷数据集,对原始数据集进行标准化预处理,设定负荷预测时间长度和负荷预测时间尺度,将数据集划分出训练集和测试集,结合海鸥-支持向量机优化算法进行模型预测。
上述基于海鸥-支持向量机优化算法中,利用海鸥算法对支持向量机超参数优化,选取预测值和真实值的均方误差作为适应度值,并把得到的寻优参数输入到支持向量机训练模型中,从而得到预测结果。
上述基于海鸥-支持向量机优化算法对模型预测具体包括以下步骤:
B1,选取一年内的含燃煤自备电厂城市的负荷数据作为初始样本数据生成全年基本负荷曲线,对原始数据集进行标准化预处理,将数据集分为训练集和测试集;
B2,初始化海鸥种群数pop、维度dim、最大迭代次数iter、上下边界lb、ub等参数;
B3,计算种群中个体适应度值fitness,并记录个体最优海鸥适应度值gbest及其位置pbest;
B4,通过迁徙运动、攻击行为两阶段的个体更新公式对海鸥位置进行更新并计算当前海鸥种群内的适应度值,记录最佳海鸥个体有关信息;
B5,判断是否满足迭代终止条件,若满足输出gbest、pbest作为支持向量机的输入参数。
上述步骤S4中,基于负荷预测数据进行峰谷时段的判断,峰时段部分为自备电厂响应电量,对应时间为响应时间;基于新能源典型出力数据以及系统负荷数据进行弃风弃光量的判断,弃风弃光部分为自备电厂-新能源发电权交易中的自备电厂响应电量,对应的时间为响应时间,基于新能源消纳场景的响应电量为:
式中,Qres为自备电厂的响应电量,Qaba为弃风弃光容量,Qplan为自备电厂日前出力计划电量。
本发明具有以下有益效果:
1、本发明的自备电厂参与源网互动的条件判断方法,实现对自备电厂能否从电量、响应时间方面参与源网互动的判断,有助于消纳绿色能源和降低电网调峰压力,有利于实现源—网—荷友好互动。
2、本发明提出的面向新能源消纳场景时对自备电厂要求的判断方法,有助于消纳清洁能源,有利于发电权交易的展开,减少弃风弃光量,降低新能源接入系统时由于出力不确定性造成的调峰压力。
3、本发明提出的面向调峰辅助服务场景时对自备电厂要求的判断,有效的从电量、响应时间方面对自备电厂能否参与调峰进行判断,有助于减小系统调峰压力,增加电力调度灵活性,有效的实现电网系统高效经济运行。
附图说明
附图1为本发明的流程示意图。
附图2为本发明中基于自组织神经网络-Kmeans算法的新能源出力场景削减流程示意图。
附图3为本发明中利用海鸥-支持向量机算法建立负荷预测模型流程示意图。
附图4为实施例9中新能源-自备电厂发电权交易空间电量数据。
附图5为实施例9中基于海鸥-支持向量机算法预测的负荷数据。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例对本发明作进一步描述:
实施例1:如附图1所示,该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,按以下步骤进行:
S1,从电网调度中心获取含燃煤自备电厂城市的历史负荷数据以及风速、光照强度数据,从燃煤自备电厂侧获取机组日前发电计划;
S2,根据含燃煤自备电厂城市所含的风电场、光伏电站的风速、光照强度数据,建立风机、光伏发电单元出力模型,通过基于自组织神经网络-Kmeans算法对出力场景进行削减,获得源网互动时面向新能源消纳场景的新能源出力数据;
S3,通过基于海鸥-支持向量机优化算法对含燃煤自备电厂城市的负荷数据进行模型预测,获得源网互动时面向调峰辅助服务场景的负荷峰谷预测数据;
S4,基于新能源典型出力数据以及系统负荷数据进行弃风弃光量的判断,弃风弃光部分为自备电厂-新能源发电权交易中的自备电厂响应电量,对应的时间为响应时间;基于负荷预测数据进行峰谷时段的判断,峰时段部分为自备电厂响应电量,对应时间为响应时间。
实施例2:作为上述实施例的优化,在新能源消纳服务场景下进行源网互动的新能源出力模型生成,所述步骤S2中,风机、光伏发电单元出力模型为:
Ppv=SRη 式2
式中,Pwe为风机发电的额定功率,vwi、vwo、vwe分别为风机发电机组的切入风速、切出风速、额定风速,Pw为某时刻风机的出力值,v为某时刻的风速;S为光伏电池板面积,η为太阳能电池板转化效率,R为光照强度,Ppv为某时刻光伏发电单元的出力值。
实施例3:作为上述实施例的优化,在新能源消纳服务场景下进行源网互动的新能源出力场景削减,所述步骤S2操作为:根据新能源出力模型构建含时间序列性质的原始出力数据集,对原始数据集进行主成分分析降维处理,并结合自组织神经网络-Kmeans优化算法进行场景削减。
实施例4:作为上述实施例3的优化,如附图2所示,基于自组织神经网络-Kmeans优化算法对场景削减具体操作为:
A1,选取全年的风、光新能源日出力数据作为样本数据,对数据进行主成分分析降维预处理;
A2,赋予输出层节点初始权值,计算样本数据计算每个样本与每个输出节点的相似度,根据邻域函数判断获胜单元,调整对应权值;
A3,重复训练,知道达到其最大训练长度,并满足训练终止条件,得到聚类中心和聚类数;
A4,将得到的聚类数作为k值,得到的聚类中心作为初始聚类中心;
A5,将新能源出力数据根据它们与初始聚类中心的欧式距离,划分给距离最小的初始聚类中心,形成新的簇;
A6,重新计算每个簇的均值,作为新的聚类中心,重复循环A4至A5步骤,直至每个聚类不再发生变化,输出聚类结果作为新能源典型出力场景。
实施例5:作为上述实施例的优化,在面向调峰辅助服务场景下进行源网互动的负荷预测模型的建立,所述步骤S1、S3具体为:采集燃煤自备电厂所在地区的一年内的24时段日负荷数据,构建含时间序列性质的原始负荷数据集,对原始数据集进行标准化预处理,设定负荷预测时间长度和负荷预测时间尺度,将数据集划分出训练集和测试集,结合海鸥-支持向量机优化算法进行模型预测。
实施例6:作为上述实施例5的优化,基于海鸥-支持向量机优化算法中,利用海鸥算法对支持向量机超参数优化,选取预测值和真实值的均方误差作为适应度值,并把得到的寻优参数输入到支持向量机训练模型中,从而得到预测结果。
实施例7:作为上述实施例6的优化,如附图3所示,基于海鸥-支持向量机优化算法对模型预测具体包括以下步骤:
B1,选取一年内的含燃煤自备电厂城市的负荷数据作为初始样本数据生成全年基本负荷曲线,对原始数据集进行标准化预处理,将数据集分为训练集和测试集;
B2,初始化海鸥种群数pop、维度dim、最大迭代次数iter、上下边界lb、ub等参数;
B3,计算种群中个体适应度值fitness,并记录个体最优海鸥适应度值gbest及其位置pbest;
B4,通过迁徙运动、攻击行为两阶段的个体更新公式对海鸥位置进行更新并计算当前海鸥种群内的适应度值,记录最佳海鸥个体有关信息;
B5,判断是否满足迭代终止条件,若满足输出gbest、pbest作为支持向量机的输入参数。
实施例8:作为上述实施例的优化,步骤S4中,基于负荷预测数据进行峰谷时段的判断,峰时段部分为自备电厂响应电量,对应时间为响应时间;基于新能源典型出力数据以及系统负荷数据进行弃风弃光量的判断,弃风弃光部分为自备电厂-新能源发电权交易中的自备电厂响应电量,对应的时间为响应时间,基于新能源消纳场景的响应电量为:
式中,Qres为自备电厂的响应电量,Qaba为弃风弃光容量,Qplan为自备电厂日前出力计划电量。
实施例9:
由于燃煤自备电厂、风光新能源发电与电网之间在时间和空间上具有一定的互补协调特性,清洁能源的高比例接入加剧系统调峰压力,而自备电厂业已存在,而且分布广泛,客观上存在参与调峰、新能源消纳的有利条件。本实施例提供了一种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,包括以下步骤:
S1,从电网调度中心获取含燃煤自备电厂城市的历史负荷数据以及风电厂、光伏电站新能源企业的风速、光照强度数据,从燃煤自备电厂侧获取机组日前发电计划;
S2,根据含燃煤自备电厂城市所含的风电场、光伏电站的风速、光照强度数据,建立风机、光伏发电单元出力模型,通过基于自组织神经网络-Kmeans算法对出力场景进行削减,获得源网互动时面向新能源消纳场景的新能源出力数据;
S3,通过基于海鸥-支持向量机优化算法对含燃煤自备电厂城市的负荷数据进行模型预测,获得源网互动时面向调峰辅助服务场景的负荷峰谷预测数据;
S4,基于新能源典型出力数据以及系统负荷数据进行弃风弃光量的判断,弃风弃光部分为自备电厂-新能源发电权交易中的自备电厂响应电量,对应的时间为响应时间;基于负荷预测数据进行峰谷时段的判断,峰时段部分为自备电厂响应电量,对应时间为响应时间。
其中,步骤S2的原理和展开如下:
本实施例根据含燃煤自备电厂城市所含的风电场、光伏电站的风速、光照强度数据,建立风机、光伏发电单元出力模型,风机出力和风速的关系表达式:
式中,Pwe为风机发电的额定功率,vwi、vwo、vwe分别为风机发电机组的切入风速、切出风速、额定风速,Pw为某时刻风机的出力值,v为某时刻的风速。
光伏发电单元出力和光照强度的关系表达式为:
Ppv=SRη 式2
式中,S为光伏电池板面积,η为太阳能电池板转化效率,R为光照强度,Ppv为某时刻光伏发电单元的出力值。
基于风机、光伏发电单元出力模型将风速、光照强度数据转化为风机、光伏发电单元出力功率数据,得到一年内的日出力数据,完成新能源出力场景的生成,并作为原始样本进行新能源出力场景的削减。
本实施例将自组织神经网络和Kmeans算法结合,一次提出了一种自组织神经网络-Kmeans优化算法。相当于传统Kmeans聚类算法,该算法解决了Kmeans算法需提前设定聚类数和聚类中心的问题,又克服了自组织神经网络中分类结果不准确的缺陷。
以全年内的新能源日出力数据为基础样本,基于自组织神经网络-Kmeans优化算法进行场景削减,具体展开如下:
A1,选取全年的风、光新能源日出力数据作为样本数据,对数据进行主成分分析降维预处理;
A2,赋予输出层节点初始权值,计算样本数据计算每个样本与每个输出节点的相似度,根据邻域函数判断获胜单元,调整对应权值;
A3,重复训练,直到达到其最大训练长度,并满足训练终止条件,得到聚类中心和聚类数;
A4,将得到的聚类数作为k值,得到的聚类中心作为初始聚类中心;
A5,将新能源出力数据根据它们与初始聚类中心的欧式距离,划分给距离最小的初始聚类中心,形成新的簇;
A6,重新计算每个簇的均值,作为新的聚类中心,重复循环A4~A5步骤,直至每个聚类不再发生变化,输出聚类结果作为新能源典型出力场景。
在步骤A2中,权值调整表达式:
式中,wij(t+1)为权值更新后的权重,wij(t)胃权值更新前的权重,η为学习率,为输入向量,η的更新表达式:
式中,η0为初始化学习率,iter为最大迭代次数。
在步骤A5至A6中,欧式距离计算公式为:
式中,m为数据的维度,xi1为数据的第i个特征。
步骤S3的原理和展开如下:
本实施例将海鸥算法和支持向量机算法结合,以此提出了一种海鸥-支持向量机优化算法。相对于传统支持向量机算法,该算法提高了预测精度,更好的体现负荷预测效果,充分利用了种群中的共享信息,同时有着较快的收敛速度,基于海鸥-支持向量机优化算法流程图如图3所示。
以含燃煤自备电厂城市的一年内24时段采样数据作为原始数据,通过基于海鸥-支持向量机优化算法对含燃煤自备电厂城市的负荷数据进行模型预测,基于海鸥-支持向量机优化算法中,利用海鸥算法对支持向量机超参数优化,选取预测值和真实值的均方误差作为适应度值,并把得到的寻优参数输入到支持向量机训练模型中,从而输出预测结果,具体展开如下:
B1,选取一年内的含燃煤自备电厂城市的负荷数据作为初始样本数据生成全年基本负荷曲线,对原始数据集进行标准化预处理,将数据集分为训练集和测试集,并作为初始运行数据;
B2,初始化海鸥种群数pop、维度dim、最大迭代次数iter、上下边界lb、ub等参数;
B3,评价海鸥种群内各海鸥个体的适应度值fitness,将最优海鸥个体的位置和适应度值存在pbest、gbest中;
B4,通过中迁徙运动、攻击行为两阶段的个体更新公式对海鸥位置进行更新并计算当前海鸥种群内的适应度值,记录最佳海鸥个体有关信息;其中,迁徙运动、攻击行为两阶段两阶段的个体更新包括:
B41,种群内海鸥个体通过迁徙运动中的防碰撞规则进行位置移动;
B42,种群内海鸥个体通过最优海鸥候补移动公式进行位置移动,并计算各海鸥个体与最优海鸥之间的距离;
B43,种群内的海鸥个体通过攻击行为进行攻击位置更新;
B5,判断是否满足迭代终止条件,若满足输出gbest、pbest作为支持向量机的输入参数;
在步骤B41中,迁徙运动中的个体防碰撞表达式为:
Cs(t)=A-Ps(t) 式7
式中,Cs(t)为海鸥与其他个体不发生碰撞的新地点,Ps(t)为个体目前你所在地点,t为当前迭代数,A为个体迁徙动作。
A=fc-(t*(fc/Iter)) 式8
式中,fc为控制变量A使用次数的操纵变量,其值随迭代增加从2减至0。
在步骤B42中,最优海鸥候补移动公式的表达式为:
Ms(t)=B*[Pbs(t)-Ps(t)] 式9
式中,Ms(t)为海鸥向最佳海鸥位置靠近后得到的新位置,Pbs(t)为最佳海鸥个体的位置,B是一个控制算法探测与开发能力的随机数,B的更新表达式为:
B=2*A2*rd 式10
式中,rd是在[0,1]范围内的随机数。
得到海鸥搜索方向后,海鸥对该方向进行搜索移动,表达式为:
Ds(t)=|Cs(t)+Ms(t)| 式11
式中,Ds(t)为海鸥与最优海鸥个体之间的距离。
在步骤B6中,攻击行为位置更新表达式为:
Ps(t)=Ds(t)*x*y*z+Pbs(t) 式12
式中,Ps(t)为海鸥经过攻击行为更新公式得到的新位置,x、y、z为海鸥移动行为在坐标轴上的运动描述系数,表达式为:
x=r*cos(θ)
y=r*sin(θ)
z=r*θ
r=u*eθv 式13
式中,r表示螺旋的半径,θ是[0,2π]内的随机数,u和v表示螺旋形状的常数,e是自然对数的底数。
步骤S4的原理和展开如下:
基于负荷预测数据进行峰谷时段的判断,峰时段部分为自备电厂响应电量,对应时间为响应时间。基于新能源典型出力数据以及系统负荷数据进行弃风弃光量的判断,弃风弃光部分为自备电厂-新能源发电权交易中的自备电厂响应电量,对应的时间为响应时间,基于新能源消纳场景的响应电量为:
式中,Qres为自备电厂的响应电量,Qaba为弃风弃光容量,Qplan为自备电厂日前出力计划电量。
仿真验证:
采用本实施例的方法进行面向源网互动场景时对自备电厂电量和响应时间等要求的判断,在Python3.8环境下编程,仿真参数设置如表1所示。
首先考虑新能源消纳场景情况,根据新能源出力模型进行拟合,得到一年内365天的日出力数据,再根据自组织神经网络-Kmeans优化算法得到概率最高的聚类簇,即典型新能源出力场景,如表2所示。
新能源出力和负荷的差值部分为弃风弃光电量,此部分为新能源企业-自备电厂发电权交易空间,即需自备电厂响应的电量需求。根据自备电厂的日前计划发电容量和需求电量进行对比,当响应时段自备电厂的日前发电计划大于需求电量,即以弃风弃光量为交易电量进行发电权交易,且能全额消纳弃风弃光部分;当响应时段自备电厂的日前发电计划小于需求电量,则以自备电厂日前计划出力为交易电量进行发电权交易,此时不能全额消纳弃风弃光电量,此场景下对自备电厂响应电量和响应时间的需求如表3所示。
然后考虑调峰辅助服务场景情况,根据海鸥-支持向量机进行负荷预测,得到负荷峰谷情况,如图5所示,然后根据峰时段确定面向调峰辅助服务场景下对自备电厂电量和响应时间的要求,如表4所示。
综上所述,本发明的自备电厂参与源网互动的条件判断方法,实现了对自备电厂能否从电量、响应时间方面参与源网互动的判断,有助于消纳绿色能源和降低电网调峰压力,有利于实现源—网—荷友好互动,有助于消纳清洁能源,有利于发电权交易的展开,减少弃风弃光量,降低新能源接入系统时由于出力不确定性造成的调峰压力,其能有效的从电量、响应时间方面对自备电厂能否参与调峰进行判断,有助于减小系统调峰压力,增加电力调度灵活性,有效的实现电网系统高效经济运行。
以上技术特征构成了本发明的实施例,其具有较强的适应性和实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。
表1
参数类型 | 参数取值 |
SOM初始学习率 | 0.5 |
SOM最大迭代数 | 40 |
SOA种群数pop | 30 |
SOA最大迭代次数iter | 50 |
SOA求解维度数dim | 2 |
SOA上边界lb | 20 |
SOA下边界ub | 0.1 |
表2
表3
时段 | 响应容量(MW) | 时段 | 响应容量(MW) |
2:00 | 6.03 | 12:00 | 26.09 |
3:00 | 5.21 | 13:00 | 33.95 |
4:00 | 2.73 | 14:00 | 39.38 |
5:00 | 3.26 | 15:00 | 42.38 |
10:00 | 0.18 | 16:00 | 24.98 |
11:00 | 13.18 | 18:00 | 19.87 |
表4
时段 | 响应容量(MW) |
10:00-13:00 | 24.13 |
17:00-23:00 | 57.94 |
Claims (8)
1.一种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,其特征在于按以下步骤进行:
S1,从电网调度中心获取含燃煤自备电厂城市的历史负荷数据以及风速、光照强度数据,从燃煤自备电厂侧获取机组日前发电计划;
S2,根据含燃煤自备电厂城市所含的风电场、光伏电站的风速、光照强度数据,建立风机、光伏发电单元出力模型,通过基于自组织神经网络-Kmeans算法对出力场景进行削减,获得源网互动时面向新能源消纳场景的新能源出力数据;
S3,通过基于海鸥-支持向量机优化算法对含燃煤自备电厂城市的负荷数据进行模型预测,获得源网互动时面向调峰辅助服务场景的负荷峰谷预测数据;
S4,基于新能源典型出力数据以及系统负荷数据进行弃风弃光量的判断,弃风弃光部分为自备电厂-新能源发电权交易中的自备电厂响应电量,对应的时间为响应时间;基于负荷预测数据进行峰谷时段的判断,峰时段部分为自备电厂响应电量,对应时间为响应时间。
3.根据权利要求1所述的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,其特征在于在新能源消纳服务场景下进行源网互动的新能源出力场景削减,所述步骤S2操作为:根据新能源出力模型构建含时间序列性质的原始出力数据集,对原始数据集进行主成分分析降维处理,并结合自组织神经网络-Kmeans优化算法进行场景削减。
4.根据权利要求3所述的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,其特征在于基于自组织神经网络-Kmeans优化算法对场景削减具体操作为:
A1,选取全年的风、光新能源日出力数据作为样本数据,对数据进行主成分分析降维预处理;
A2,赋予输出层节点初始权值,计算样本数据计算每个样本与每个输出节点的相似度,根据邻域函数判断获胜单元,调整对应权值;
A3,重复训练,知道达到其最大训练长度,并满足训练终止条件,得到聚类中心和聚类数;
A4,将得到的聚类数作为k值,得到的聚类中心作为初始聚类中心;
A5,将新能源出力数据根据它们与初始聚类中心的欧式距离,划分给距离最小的初始聚类中心,形成新的簇;
A6,重新计算每个簇的均值,作为新的聚类中心,重复循环A4至A5步骤,直至每个聚类不再发生变化,输出聚类结果作为新能源典型出力场景。
5.根据权利要求1所述的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,其特征在于在面向调峰辅助服务场景下进行源网互动的负荷预测模型的建立,所述步骤S1、S3具体为:采集燃煤自备电厂所在地区的一年内的24时段日负荷数据,构建含时间序列性质的原始负荷数据集,对原始数据集进行标准化预处理,设定负荷预测时间长度和负荷预测时间尺度,将数据集划分出训练集和测试集,结合海鸥-支持向量机优化算法进行模型预测。
6.根据权利要求5所述的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,其特征在于基于海鸥-支持向量机优化算法中,利用海鸥算法对支持向量机超参数优化,选取预测值和真实值的均方误差作为适应度值,并把得到的寻优参数输入到支持向量机训练模型中,从而得到预测结果。
7.根据权利要求6所述的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,其特征在于基于海鸥-支持向量机优化算法对模型预测具体包括以下步骤:
B1,选取一年内的含燃煤自备电厂城市的负荷数据作为初始样本数据生成全年基本负荷曲线,对原始数据集进行标准化预处理,将数据集分为训练集和测试集;
B2,初始化海鸥种群数pop、维度dim、最大迭代次数iter、上下边界lb、ub等参数;
B3,计算种群中个体适应度值fitness,并记录个体最优海鸥适应度值gbest及其位置pbest;
B4,通过迁徙运动、攻击行为两阶段的个体更新公式对海鸥位置进行更新并计算当前海鸥种群内的适应度值,记录最佳海鸥个体有关信息;
B5,判断是否满足迭代终止条件,若满足输出gbest、pbest作为支持向量机的输入参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467764.2A CN116050572A (zh) | 2022-11-22 | 2022-11-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211467764.2A CN116050572A (zh) | 2022-11-22 | 2022-11-22 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050572A true CN116050572A (zh) | 2023-05-02 |
Family
ID=86122546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211467764.2A Pending CN116050572A (zh) | 2022-11-22 | 2022-11-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050572A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523278A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
-
2022
- 2022-11-22 CN CN202211467764.2A patent/CN116050572A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523278A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
CN116523278B (zh) * | 2023-07-05 | 2023-10-13 | 北京观天执行科技股份有限公司 | 一种基于智慧能源管理平台的能源互补优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109599861B (zh) | 考虑本地负荷调峰能力的送端电网电源结构规划方法 | |
CN109347151B (zh) | 一种新能源参与调峰的送端电网电源结构优化方法 | |
CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN111525552B (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
Shi et al. | Comparison study of two meta-heuristic algorithms with their applications to distributed generation planning | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN112994115A (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
CN115940292A (zh) | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 | |
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 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
Zhang et al. | Joint optimization of the number, type and layout of wind turbines for a new offshore wind farm | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
CN116796990A (zh) | 不确定电价条件下梯级水库汛前水位消落控制方法 | |
Zhang et al. | Ultra-short-term wind power forecasting model based on time-section fusion and pattern classification | |
CN109546647B (zh) | 一种用于含风光水储的电力系统的安全稳定评估方法 | |
CN111009923A (zh) | 一种含分布式电源的新型配网双层优化配置方法 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
CN114188942A (zh) | 一种包含大规模新能源基地的电网调度方法 | |
Wang et al. | BP neural network model based on cluster analysis for wind power prediction | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN108233373B (zh) | 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法 | |
Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization |
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 |