CN116187685A - 一种基于调峰约束的电网接纳光伏最大容量的计算方法 - Google Patents
一种基于调峰约束的电网接纳光伏最大容量的计算方法 Download PDFInfo
- Publication number
- CN116187685A CN116187685A CN202310057850.4A CN202310057850A CN116187685A CN 116187685 A CN116187685 A CN 116187685A CN 202310057850 A CN202310057850 A CN 202310057850A CN 116187685 A CN116187685 A CN 116187685A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- peak
- grid
- formula
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000012098 association analyses Methods 0.000 claims abstract description 3
- 238000012097 association analysis method Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000002620 method output Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012417 linear regression Methods 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于调峰约束的电网接纳光伏最大容量的计算方法,包括:获取所研究地区气象数据和光伏电站的运行数据,利用混合规则的数据清洗方法对获取的数据进行修正,并计算光伏电站并网前电网的调峰容量P peak ;利用双重关联分析法对气象数据与所得的光伏出力数据进行关联度分析,并对出力数据进行分类;对每一类出力数据进行分析,利用多模型组合法构建光伏出力模型,并计算光伏电站并网后电网的调峰容量L peak 和电网能提供的调峰容量C peak ,将计算结果进行比较,最终确定电网接纳光伏电站最大容量。本发明提供的方法简单快捷,能够快速得到某地区广度接入的最大容量,避免出现光伏电站过度建设,出现大面积“弃光”现象。
Description
技术领域
本发明涉及电网光伏接纳方法计算技术领域,尤其涉及一种基于调峰约束的电网接纳光伏最大容量的计算方法。
背景技术
化石能源的枯竭,温室效应和环境污染的日益严重,严重威胁了人类社会的可持续发展。电网作为承载能源革命的基础性平台,对能源革命具有重大的推动作用。在节能减排的背景下,以光伏、风能为代表的可再生能源发电得到了快速发展。
然而,光伏发电出力具有随机性、间歇性和波动性等特点,出力受到季节、气候等因素影响较大,且不具备调峰、调频能力,这将会给电力系统有功平衡带来强大的冲击与挑战。随着近几年光伏发电系统大规模并网运行,当机组容量过大时,讲导致常规电源的开机规模下降,进而导致整个电网的调节能力下降、低谷出力较高,从而对电网的调峰安全造成不利影响。
目前,许多专家学者针对如何确定光伏最大准入容量的问题展开了大量的研究,而他们在研究中主要用到的是随机分析法与优化建模法。其中,随机分析法虽然计算成本低,但极易出现光伏场景不具备代表性、计算误差大的情况;优化建模法虽然具有较高的计算精度,但模型的建立与优化求解过程十分复杂,耗时较长。因此,现有计算方案中缺少一种速度快、精度高、且能够满足实际电网应用需求的方法来确定电网接纳光伏最大容量。
发明内容
针对现有技术中存在的不足,本发明提出了一种基于调峰约束的电网接纳光伏最大容量的计算方法,能够从大量的历史出力数据中提取具有代表性的运行特性结果,充分考虑各类环境对光伏出力的影响,运用简单快捷的计算方法,能够快速得到某地区广度接入的最大容量,避免出现光伏电站过度建设,出现大面积“弃光”现象。
为实现上述目的,本发明采用的技术方案是:
一种基于调峰约束的电网接纳光伏最大容量的计算方法,其特征是,包括以下步骤:
步骤1:获取所研究地区气象数据和光伏电站的运行数据,利用混合规则的数据清洗方法对获取的数据进行修正,并计算光伏电站并网前电网的调峰容量Ppeak;
步骤2:利用双重关联分析法对气象数据与所得的光伏出力数据进行关联度分析,并对出力数据进行分类;
步骤3:对每一类出力数据进行分析,利用多模型组合法构建光伏出力模型,并计算光伏电站并网后电网的调峰容量Lpeak和电网能提供的调峰容量Cpeak,将计算结果进行比较,最终确定电网接纳光伏电站最大容量。
所述气象数据包括:现场温度、风速、风向、空气质量指数和天气状况,所述运行数据包括:负荷预测数据、常规机组数据、光伏电站初始容量及一段时间内的光伏出力数据或者太阳辐射数据。
步骤1包括如下子步骤:
步骤101、采集所研究地区气象数据和光伏电站的运行数据,作为初始数据集;
步骤102、将初始数据集中不同类型的数据通过简单规则分别识别出明显错误、异常的野值;
以风速参数为例,根据数据自身性质与经验,设定粗略的阈值范围,设该数据的粗略阈值范围为(xmin,xmax),当采集到的参数值x(l)超出该阈值范围,即x(l)<xmin或者x(l)>xmax,则将采集值x(l)作为野值,并记录下该野值的采集时刻;其中,x(l)表示参数的第l个采集数据;
步骤103、将剔除野值后的数据组成新的数据集,对新的数据集中的野值进行精细化识别;
(1)确定野值长度和参考宽度
设野值长度为Lerr,指数据采集中可能连续出现野值的个数;参考宽度为Lc,指对参数野值做出判断时使用的附近参考数据的个数;参数的第i个采集数据为y(h);
野值长度Lerr表达式如式(1)所示:
Lerr=fs·terr(1)
式中,fs为采集设备工作频率;terr为野值持续时间;当野值不连续的情况出现时,Lerr取值为1;
参考长度Lc通常取野值长度Lerr的5~10倍;
(2)确定回归参考值和偏离范围
式中,ρ为当前识别位置与参考数据位置的最小偏移量,计算公式如式(4)所示:
偏离范围计算公式如式(5)所示:
Ry(h)=1/fsg(Lc+Lerr)/2g Vmax (5)
式中,Vmax为参数最大变化速度;
(3)确定动态回归阈值及野值精细化识别
步骤104、将通过简单规则和精细化规则识别出的野值进行估计;
野值发生在h采集时刻的估计值为:
步骤106、利用修正后的负荷预测数据计算光伏电站并网前电网的调峰容量Ppeak,计算公式如下:
Ppeak=max(PL(k))-min(PL(k)) (10)
式中,max(PL(k))为电网时段负荷最大值;min(PL(k))为电网时段负荷最大值。
步骤2包括如下子步骤:
步骤201、将气象数据作为影响因子,光伏出力数据作为关联度的参考基准,从变化趋势一致性角度来判断气象数据与光伏出力数据之间的相关性;
(1)Pearson相关系数计算公式如下:
式中,表示第i个气象因子与第r个光伏出力数据的Pearson相关系数;cov(Xi,Pr)表示第i个气象因子与第r个光伏出力数据的协方差;/>分别第i个气象因子和第r个光伏出力数据的标准差;/>第i个气象因子和第r个光伏出力数据的数学期望E(Xi)和E(Pr);/>
(2)根据Pearson相关系数分别对气象数据和光伏出力数据进行等级由低到高的排序(相关系数高则等级越高);
(3)将排序结果分别替换公式(11)中的Xi和Pr,并将计算结果作为气象数据与光伏出力数据之间的相关性sim1(Xi,Pr);
步骤202、将时间权重函数引入到Pearson相关系数中;
(1)时间权重函数计算公式如下:
式中,t(Pr)表示光伏出力数据Pr获取的时间;τ0表示光伏出力数据集中记录的最大时间;λ表示时间权重,该数值根据出力数据自身性质与经验所得;
(2)Pearson公式中引入时间权重函数,得到修正的相似度计算公式如下:
步骤203、计算混合相似度,计算公式如下:
sim'(Xi,Pr)=βsim1(Xi,Pr)+(1-β)sim2(Xi,Pr) (14)
其中,β是调节参数(0<β<1),根据sim1(Xi,Pr)和sim2(Xi,Pr)的比值,按比例确定β的值,即比值越大,β越大;
步骤204、根据混合相似度对光伏出力数据进行分类,将每个光伏出力数据分配到与之相似度最高的气象类型中。
步骤3包括以下子步骤:
将光伏电站一段时间内某类气象模式下光伏电站平均出力作为光伏电站的典型时段出力,计算公式如下:
(1)将气象模式分为常规天气模型和非常规天气模式两大类;
(2)对于常规天气模式,将气象样本按6:1的比例分配为训练样本和测试样本,将该模式下的光伏出力数据采用EEMD方法进行分解,分解为不同的特征模函数分量和一个剩余分量,将分解的特征模函数分量和与之相关系数最大的气象数据作为SVM预测条件,以此构建预测模型,输出结果即为光伏短期出力波动;
(3)对于非常规天气模式,将光伏出力数据按7:1的比例分配为训练样本和测试样本,首先对训练样本的某一时刻的光伏出力数据运用EEMD方法分解为不同的特征模函数分量,将原始数据平稳化;添加n组白噪声数据到原始光伏出力数据中,每组白噪声产生不同的特征模函数分量和一个剩余分量,将所有的特征模函数分量和其对应的气象数据作为SVM预测条件,则模型的输出即为光伏短期出力波动;
步骤303、计算光伏电站出力模型,计算公式如下:
步骤304、计算光伏电站并网后电网的调峰容量Lpeak和电网能提供的调峰容量Cpeak,计算公式如下:
式中,PL(k)为电网中所有负荷的有功功率之和;PPV,j为电网第j座光伏电站的有功实时出力;m为光伏电站的总数;ηg为电网调峰裕度系数;k={1,2,…,NT},NT为电网运行周期的总时段数;PGimax为电网中第i台发电机组的最大有功出力;PGimin为电网中第i台发电机组的最小有功出力;PG,i(k)为电网中第i台发电机组的有功实时出力;q代表发电机组的总数;
步骤305、比较Lpeak与Cpeak的大小;若Lpeak大于Cpeak,则输出当前光伏电站的容量作为电网接纳的光伏最大容量;若Lpeak小于Cpeak,则重复步骤304。
本发明提供的方法简单快捷,能够快速得到某地区广度接入的最大容量,避免出现光伏电站过度建设,出现大面积“弃光”现象。
附图说明
图1为本发明基于调峰约束的电网接纳光伏最大容量的计算方法流程图;
图2为本发明中混合规则的数据清洗方法流程图;
图3为本发明中多模型组合法流程图。
图4为本发明SVM体系结构图
具体实施方式
下面结合附图对本发明作进一步描述,以下具体实施方式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。
如图1为本发明基于调峰约束的电网接纳光伏最大容量的计算方法的流程图,该计算方法包括以下步骤:
步骤1:首先,将现场温度、风速、风向、空气质量指数和天气状况作为气象数据,负荷预测数据、常规机组数据及太阳辐射数据作为光伏电站运行数据。其中,现场温度为光伏电站现场温度,风速为光伏电厂现场风速测量值,风向为光伏电厂现场风的来向,天气状况为根据气象专业天气类型分为Ⅰ、Ⅱ、Ⅲ、Ⅳ四类广义天气类型。然后,利用混合规则的数据清洗方法对获取的数据进行修正,通过对野值多重识别,提高了数据集的数据质量。最后,根据修正后的数据计算光伏电站并网前电网的调峰容量Ppeak。
当获取到的是太阳辐射数据时,则需要将其转化为光伏出力数据,转化公式如下:
式中,Pstc为标准条件下对应光伏组件接收到的太阳辐射强度;Istc=1000W/m2,为温度Tstc=25℃时光伏组件的出力;αT为光伏组件的功率温度系数;Ir,t为t时刻实际的地表太阳辐射强度;Tt为t时刻光伏板的温度。
具体地,步骤1包括如下子步骤:
步骤1包括如下子步骤:
步骤101、采集所研究地区气象数据和光伏电站的运行数据,作为初始数据集;
步骤102、将初始数据集中不同类型的数据通过简单规则分别识别出明显错误、异常的野值;
以风速参数为例,根据数据自身性质与经验,设定粗略的阈值范围,设该数据的粗略阈值范围为(xmin,xmax),当采集到的参数值x(l)超出该阈值范围,即x(l)<xmin或者x(l)>xmax,则将采集值x(l)作为野值,并记录下该野值的采集时刻;其中,x(l)表示参数的第l个采集数据;
步骤103、将剔除野值后的数据组成新的数据集,对新的数据集中的野值进行精细化识别;
(1)确定野值长度和参考宽度
设野值长度为Lerr,指数据采集中可能连续出现野值的个数;参考宽度为Lc,指对参数野值做出判断时使用的附近参考数据的个数;参数的第i个采集数据为y(h);
野值长度Lerr表达式如式(1)所示:
Lerr=fs·terr(1)
式中,fs为采集设备工作频率;terr为野值持续时间;当野值不连续的情况出现时,Lerr取值为1;
参考长度Lc通常取野值长度Lerr的5~10倍;
(2)确定回归参考值和偏离范围
式中,ρ为当前识别位置与参考数据位置的最小偏移量,计算公式如式(4)所示:
偏离范围计算公式如式(5)所示:
Ry(h)=1/fsg(Lc+Lerr)/2g Vmax (5)
式中,Vmax为参数最大变化速度;
(3)确定动态回归阈值及野值精细化识别
步骤104、将通过简单规则和精细化规则识别出的野值进行估计;
野值发生在h采集时刻的估计值为:
步骤106、利用修正后的负荷预测数据计算光伏电站并网前电网的调峰容量Ppeak,计算公式如下:
Ppeak=max(PL(k))-min(PL(k)) (10)
式中,max(PL(k))为电网时段负荷最大值;min(PL(k))为电网时段负荷最大值。
步骤2包括如下子步骤:
步骤201、将气象数据作为影响因子,光伏出力数据作为关联度的参考基准,从变化趋势一致性角度来判断气象数据与光伏出力数据之间的相关性;
(1)Pearson相关系数计算公式如下:
式中,表示第i个气象因子与第r个光伏出力数据的Pearson相关系数;cov(Xi,Pr)表示第i个气象因子与第r个光伏出力数据的协方差;/>分别第i个气象因子和第r个光伏出力数据的标准差;/>第i个气象因子和第r个光伏出力数据的数学期望E(Xi)和E(Pr);
(2)根据Pearson相关系数分别对气象数据和光伏出力数据进行等级由低到高的排序(相关系数高则等级越高);
(3)将排序结果分别替换公式(11)中的Xi和Pr,并将计算结果作为气象数据与光伏出力数据之间的相关性sim1(Xi,Pr);
步骤202、将时间权重函数引入到Pearson相关系数中;
(1)时间权重函数计算公式如下:
式中,t(Pr)表示光伏出力数据Pr获取的时间;τ0表示光伏出力数据集中记录的最大时间;λ表示时间权重,该数值根据出力数据自身性质与经验所得;
(2)Pearson公式中引入时间权重函数,得到修正的相似度计算公式如下:
步骤203、计算混合相似度,计算公式如下:
sim'(Xi,Pr)=βsim1(Xi,Pr)+(1-β)sim2(Xi,Pr) (14)
其中,β是调节参数(0<β<1),根据sim1(Xi,Pr)和sim2(Xi,Pr)的比值,按比例确定β的值,即比值越大,β越大;
步骤204、根据混合相似度对光伏出力数据进行分类,将每个光伏出力数据分配到与之相似度最高的气象类型中。
步骤3:对每一类出力数据进行分析,利用多模型组合法构建光伏出力模型,并计算光伏电站并网后电网的调峰容量Lpeak和电网能提供的调峰容量Cpeak,将计算结果进行比较,最终确定电网接纳光伏电站最大容量。
将SVM用于光伏短期出力波动的非线性回归问题,首先使用一个非线性映射函数把原样本空间映射到一个高维空间ψ中,再在高维空间中利用线性回归的方法来进行分析,得到回归函数为:
式中,αi、αi *不为0,对应的样本点就是支持向量;K(x,xi)为核函数。对光伏电站小时出力序列用EEDM分解之后的不同IMF分量进行预测时选用不同的核函数,波动较小的选用线性核函数,如式(18)所示,波动较大的选用高斯核函数,如式(19)所示,其中ε为核宽度。
K(x,xi)=x×xi (18)
具体的,步骤3包括以下子步骤:
将光伏电站一段时间内某类气象模式下光伏电站平均出力作为光伏电站的典型时段出力,计算公式如下:
(1)将气象模式分为常规天气模型和非常规天气模式两大类;
(2)对于常规天气模式,将气象样本按6:1的比例分配为训练样本和测试样本,将该模式下的光伏出力数据采用EEMD方法进行分解,分解为不同的特征模函数分量和一个剩余分量,将分解的特征模函数分量和与之相关系数最大的气象数据作为SVM预测条件,以此构建预测模型,输出结果即为光伏短期出力波动;
(3)对于非常规天气模式,将光伏出力数据按7:1的比例分配为训练样本和测试样本,首先对训练样本的某一时刻的光伏出力数据运用EEMD方法分解为不同的特征模函数分量,将原始数据平稳化;添加n组白噪声数据到原始光伏出力数据中,每组白噪声产生不同的特征模函数分量和一个剩余分量,将所有的特征模函数分量和其对应的气象数据作为SVM预测条件,则模型的输出即为光伏短期出力波动;
步骤303、计算光伏电站出力模型,计算公式如下:
步骤304、计算光伏电站并网后电网的调峰容量Lpeak和电网能提供的调峰容量Cpeak,计算公式如下:
式中,PL(k)为电网中所有负荷的有功功率之和;PPV,j为电网第j座光伏电站的有功实时出力;m为光伏电站的总数;ηg为电网调峰裕度系数;k={1,2,…,NT},NT为电网运行周期的总时段数;PGimax为电网中第i台发电机组的最大有功出力;PGimin为电网中第i台发电机组的最小有功出力;PG,i(k)为电网中第i台发电机组的有功实时出力;q代表发电机组的总数;
步骤305、比较Lpeak与Cpeak的大小;若Lpeak大于Cpeak,则输出当前光伏电站的容量作为电网接纳的光伏最大容量;若Lpeak小于Cpeak,则重复步骤304。
Claims (5)
1.一种基于调峰约束的电网接纳光伏最大容量的计算方法,其特征是,包括以下步骤:
步骤1:获取所研究地区气象数据和光伏电站的运行数据,利用混合规则的数据清洗方法对获取的数据进行修正,并计算光伏电站并网前电网的调峰容量Ppeak;
步骤2:利用双重关联分析法对气象数据与所得的光伏出力数据进行关联度分析,并对出力数据进行分类;
步骤3:对每一类出力数据进行分析,利用多模型组合法构建光伏出力模型,并计算光伏电站并网后电网的调峰容量Lpeak和电网能提供的调峰容量Cpeak,将计算结果进行比较,最终确定电网接纳光伏电站最大容量。
2.根据权利要求1所述的一种基于调峰约束的电网接纳光伏最大容量的计算方法,其特征在于,所述气象数据包括:现场温度、风速、风向、空气质量指数和天气状况,所述运行数据包括:负荷预测数据、常规机组数据、光伏电站初始容量及一段时间内的光伏出力数据或者太阳辐射数据。
3.根据权利要求1所述的一种基于调峰约束的电网接纳光伏最大容量的计算方法,其特征是:步骤1包括如下子步骤:
步骤101、采集所研究地区气象数据和光伏电站的运行数据,作为初始数据集;
步骤102、将初始数据集中不同类型的数据通过简单规则分别识别出明显错误、异常的野值;
以风速参数为例,根据数据自身性质与经验,设定粗略的阈值范围,设该数据的粗略阈值范围为(xmin,xmax),当采集到的参数值x(l)超出该阈值范围,即x(l)<xmin或者x(l)>xmax,则将采集值x(l)作为野值,并记录下该野值的采集时刻;其中,x(l)表示参数的第l个采集数据;
步骤103、将剔除野值后的数据组成新的数据集,对新的数据集中的野值进行精细化识别;
(1)确定野值长度和参考宽度
设野值长度为Lerr,指数据采集中可能连续出现野值的个数;参考宽度为Lc,指对参数野值做出判断时使用的附近参考数据的个数;参数的第i个采集数据为y(h);
野值长度Lerr表达式如式(1)所示:
Lerr=fs·terr(1)
式中,fs为采集设备工作频率;terr为野值持续时间;当野值不连续的情况出现时,Lerr取值为1;
参考长度Lc通常取野值长度Lerr的5~10倍;
(2)确定回归参考值和偏离范围
式中,ρ为当前识别位置与参考数据位置的最小偏移量,计算公式如式(4)所示:
偏离范围计算公式如式(5)所示:
Ry(h)=1/fsg(Lc+Lerr)/2g Vmax (5)
式中,Vmax为参数最大变化速度;
(3)确定动态回归阈值及野值精细化识别
步骤104、将通过简单规则和精细化规则识别出的野值进行估计;
野值发生在h采集时刻的估计值为:
步骤106、利用修正后的负荷预测数据计算光伏电站并网前电网的调峰容量Ppeak,计算公式如下:
Ppeak=max(PL(k))-min(PL(k)) (10)
式中,max(PL(k))为电网时段负荷最大值;min(PL(k))为电网时段负荷最大值。
4.根据权利要求1所述的一种基于调峰约束的电网接纳光伏最大容量的计算方法,其特征是:步骤2包括如下子步骤:
步骤201、将气象数据作为影响因子,光伏出力数据作为关联度的参考基准,从变化趋势一致性角度来判断气象数据与光伏出力数据之间的相关性;
(1)Pearson相关系数计算公式如下:
式中,表示第i个气象因子与第r个光伏出力数据的Pearson相关系数;cov(Xi,Pr)表示第i个气象因子与第r个光伏出力数据的协方差;/>分别第i个气象因子和第r个光伏出力数据的标准差;/>第i个气象因子和第r个光伏出力数据的数学期望E(Xi)和E(Pr);
(2)根据Pearson相关系数分别对气象数据和光伏出力数据进行等级由低到高的排序(相关系数高则等级越高);
(3)将排序结果分别替换公式(11)中的Xi和Pr,并将计算结果作为气象数据与光伏出力数据之间的相关性sim1(Xi,Pr);
步骤202、将时间权重函数引入到Pearson相关系数中;
(1)时间权重函数计算公式如下:
式中,t(Pr)表示光伏出力数据Pr获取的时间;τ0表示光伏出力数据集中记录的最大时间;λ表示时间权重,该数值根据出力数据自身性质与经验所得;
(2)Pearson公式中引入时间权重函数,得到修正的相似度计算公式如下:
步骤203、计算混合相似度,计算公式如下:
sim'(Xi,Pr)=βsim1(Xi,Pr)+(1-β)sim2(Xi,Pr) (14)
其中,β是调节参数(0<β<1),根据sim1(Xi,Pr)和sim2(Xi,Pr)的比值,按比例确定β的值,即比值越大,β越大;
步骤204、根据混合相似度对光伏出力数据进行分类,将每个光伏出力数据分配到与之相似度最高的气象类型中。
5.根据权利要求1所述的一种基于调峰约束的电网接纳光伏最大容量的计算方法,其特征在于,步骤3包括以下子步骤:
将光伏电站一段时间内某类气象模式下光伏电站平均出力作为光伏电站的典型时段出力,计算公式如下:
(1)将气象模式分为常规天气模型和非常规天气模式两大类;
(2)对于常规天气模式,将气象样本按6:1的比例分配为训练样本和测试样本,将该模式下的光伏出力数据采用EEMD方法进行分解,分解为不同的特征模函数分量和一个剩余分量,将分解的特征模函数分量和与之相关系数最大的气象数据作为SVM预测条件,以此构建预测模型,输出结果即为光伏短期出力波动;
(3)对于非常规天气模式,将光伏出力数据按7:1的比例分配为训练样本和测试样本,首先对训练样本的某一时刻的光伏出力数据运用EEMD方法分解为不同的特征模函数分量,将原始数据平稳化;添加n组白噪声数据到原始光伏出力数据中,每组白噪声产生不同的特征模函数分量和一个剩余分量,将所有的特征模函数分量和其对应的气象数据作为SVM预测条件,则模型的输出即为光伏短期出力波动;
步骤303、计算光伏电站出力模型,计算公式如下:
步骤304、计算光伏电站并网后电网的调峰容量Lpeak和电网能提供的调峰容量Cpeak,计算公式如下:
式中,PL(k)为电网中所有负荷的有功功率之和;PPV,j为电网第j座光伏电站的有功实时出力;m为光伏电站的总数;ηg为电网调峰裕度系数;k={1,2,…,NT},NT为电网运行周期的总时段数;PGimax为电网中第i台发电机组的最大有功出力;PGimin为电网中第i台发电机组的最小有功出力;PG,i(k)为电网中第i台发电机组的有功实时出力;q代表发电机组的总数;
步骤305、比较Lpeak与Cpeak的大小;若Lpeak大于Cpeak,则输出当前光伏电站的容量作为电网接纳的光伏最大容量;若Lpeak小于Cpeak,则重复步骤304。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310057850.4A CN116187685B (zh) | 2023-01-16 | 2023-01-16 | 一种基于调峰约束的电网接纳光伏最大容量的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310057850.4A CN116187685B (zh) | 2023-01-16 | 2023-01-16 | 一种基于调峰约束的电网接纳光伏最大容量的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116187685A true CN116187685A (zh) | 2023-05-30 |
CN116187685B CN116187685B (zh) | 2023-11-24 |
Family
ID=86439710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310057850.4A Active CN116187685B (zh) | 2023-01-16 | 2023-01-16 | 一种基于调峰约束的电网接纳光伏最大容量的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187685B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6037758A (en) * | 1998-05-21 | 2000-03-14 | The Research Foundation Of State University Of New York | Load controller and method to enhance effective capacity of a photovoltaic power supply |
US20120025750A1 (en) * | 2010-07-27 | 2012-02-02 | Margo Philip F | Portable Solar Power System |
CN104701880A (zh) * | 2015-02-17 | 2015-06-10 | 国家电网公司 | 基于调峰约束的电网接纳光伏最大容量的计算方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN112817955A (zh) * | 2021-02-02 | 2021-05-18 | 中国人民解放军海军航空大学青岛校区 | 基于回归模型的数据清洗方法 |
KR20220035663A (ko) * | 2020-09-14 | 2022-03-22 | 한국전자통신연구원 | 주택 단지용 태양광 발전을 위한 용량 설계 장치 및 용량 설계 방법 |
CN114912721A (zh) * | 2022-07-18 | 2022-08-16 | 国网江西省电力有限公司经济技术研究院 | 一种储能调峰需求的预测方法及系统 |
CN115330362A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市睿拓新科技有限公司 | 一种工程进度数据处理方法及系统 |
-
2023
- 2023-01-16 CN CN202310057850.4A patent/CN116187685B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6037758A (en) * | 1998-05-21 | 2000-03-14 | The Research Foundation Of State University Of New York | Load controller and method to enhance effective capacity of a photovoltaic power supply |
US20120025750A1 (en) * | 2010-07-27 | 2012-02-02 | Margo Philip F | Portable Solar Power System |
CN104701880A (zh) * | 2015-02-17 | 2015-06-10 | 国家电网公司 | 基于调峰约束的电网接纳光伏最大容量的计算方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
KR20220035663A (ko) * | 2020-09-14 | 2022-03-22 | 한국전자통신연구원 | 주택 단지용 태양광 발전을 위한 용량 설계 장치 및 용량 설계 방법 |
CN112817955A (zh) * | 2021-02-02 | 2021-05-18 | 中国人民解放军海军航空大学青岛校区 | 基于回归模型的数据清洗方法 |
CN114912721A (zh) * | 2022-07-18 | 2022-08-16 | 国网江西省电力有限公司经济技术研究院 | 一种储能调峰需求的预测方法及系统 |
CN115330362A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市睿拓新科技有限公司 | 一种工程进度数据处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
YI LINGZHI 等: "Optimal Scheduling of Intelligent Building with Photovoltaic Energy Storage System Using Competitive Mechanism Integrated Multi-objective Equilibrium Optimizer Algorithm", 《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》, vol. 47, no. 11, pages 14641 - 14655 * |
方鑫 等: "并网光伏电站置信容量评估", 《电网技术》, vol. 36, no. 09, pages 31 - 35 * |
陈轶玮 等: "玉环电网风力发电项目消纳能力", 《农村电气化》, no. 01, pages 10 - 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN116187685B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
CN111369045A (zh) | 一种短期光伏发电功率预测的方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN111950900A (zh) | 一种电力系统源网荷储本质安全风险评估方法 | |
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 | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
CN111509768A (zh) | 一种综合能源系统的场景模拟方法及系统 | |
CN112819279A (zh) | 分布式能源与配电网扩展适应性的规划评估方法及系统 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN112508246A (zh) | 一种基于相似日的光伏发电功率预测方法 | |
CN111784543A (zh) | 一种基于隐马尔可夫模型预测短期光伏发电系统发电量的系统模型 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
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 | |
Monterrat et al. | Integration Cost of Variable Renewable Resources to Power Systems–A Techno-economic Assessment in European Countries | |
Putra et al. | Modeling of high uncertainty photovoltaic generation in quasi dynamic power flow on distribution systems: A case study in Java Island, Indonesia | |
CN116187685B (zh) | 一种基于调峰约束的电网接纳光伏最大容量的计算方法 | |
CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
Cao et al. | Impact of Carbon Trading Market on Photovoltaic Power Generation under Grid Parity Policy | |
CN110689269A (zh) | 基于自回归分布滞后模型及Kaya公式的碳排放评估方法 | |
Dou et al. | Day-Ahead Correction of Numerical Weather Prediction Solar Irradiance Forecasts Based on Similar Day Analysis |
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 |