CN116307632A - 水电站经济负荷分配方法、装置、电子设备及存储介质 - Google Patents
水电站经济负荷分配方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116307632A CN116307632A CN202310525854.0A CN202310525854A CN116307632A CN 116307632 A CN116307632 A CN 116307632A CN 202310525854 A CN202310525854 A CN 202310525854A CN 116307632 A CN116307632 A CN 116307632A
- Authority
- CN
- China
- Prior art keywords
- wind power
- output data
- target
- historical
- hydropower station
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000010248 power generation Methods 0.000 claims abstract description 120
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000007619 statistical method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及水利工程领域,具体涉及一种水电站经济负荷分配方法、装置、电子设备及存储介质。包括:获取风电场在未来目标时间段的风电未来预测出力数据,获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间;根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件;以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数;在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果。实现了水风电联合稳定运行,保证了安全性和经济性。
Description
技术领域
本发明涉及水利工程领域,具体涉及一种水电站经济负荷分配方法、装置、电子设备及存储介质。
背景技术
由于风电自身存在较强的不确定性,大规模风电直接并网运行会对电网产生较大冲击,利用水电的可调节性平抑风电的波动性实现水风电联合稳定运行,是保证风电消纳水平、减少电网安全威胁的有效途径。
在水风电打捆模式下,水电站自动发电控制的功能定位发生了根本改变,由最初参与电网调频转变为实时跟踪风电随机波动。由于水电站自动发电控制机组实时调节建立于日前负荷分配所确定的机组运行基点,日前负荷分配方式较大程度决定了水电站自动发电控制运行的安全性、经济性。
为了适应水风电打捆运行的应用需求,需要面向风电不确定性调节要求,研究具有适应性的水电站自动发电控制日前负荷分配策略,那么如何对水电站自动发电控制负荷分配方案进行调整成为了亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种水电站经济负荷分配方法,旨在解决如何对水电站自动发电控制经济负荷分配方案进行调整的问题。
根据第一方面,本发明实施例提供了一种水电站经济负荷分配方法,包括:获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间;
根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件;
以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数;
在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果。
本发明实施例提供的水电站经济负荷分配方法,获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。然后,根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,保证了确定的目标水电站自动发电控制对应的水电计划出力数据的准确性。并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件,保证了确定的约束条件的准确性。以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数,保证了构建的目标函数的准确性。在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果,保证了确定的目标水电站自动发电控制对应的经济负荷分配结果的准确性。上述方法,解决了如何对水电站自动发电控制经济负荷分配方案进行调整的问题,使得目标水电站自动发电控制对应的经济负荷分配结果可以弥补风电场出力数据不稳定的缺点,平抑风电的波动性实现水风电联合稳定运行,是保证风电消纳水平、减少电网安全威胁的有效途径,且保证了目标水电站自动发电控制运行的安全性以及经济性。
结合第一方面,在第一方面第一实施方式中,获取风电场在未来目标时间段的风电未来预测出力数据,包括:
获取风电场对应的第一预设时间之前的第一历史原始出力数据;
剔除第一历史原始出力数据中的异常数据,得到第一历史目标出力数据;
根据第一历史目标出力数据,利用预设预测方法对风电场在未来目标时间段的风电出力数据进行预测,得到风电场在未来目标时间段的风电未来预测出力数据。
本发明实施例提供的水电站经济负荷分配方法,获取风电场对应的第一预设时间之前的第一历史原始出力数据,剔除第一历史原始出力数据中的异常数据,得到第一历史目标出力数据,保证了得到的第一历史目标出力数据的准确性。然后,根据第一历史目标出力数据,利用预设预测方法对风电场在未来目标时间段的风电出力数据进行预测,得到风电场在未来目标时间段的风电未来预测出力数据,保证了得到的风电场在未来目标时间段的风电未来预测出力数据的准确性。
结合第一方面,在第一方面第二实施方式中,获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间,包括:
获取风电场对应的第二预设时间之前的第二历史原始出力数据;
剔除第二历史原始出力数据中的异常数据,得到第二历史目标出力数据;
根据第二历史目标出力数据,利用预设预测方法对风电场在第二预设时间之后的历史时间段的风电出力数据进行预测,得到风电场在历史时间段的历史预测风电出力数据;
获取风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据;
根据历史预测风电出力数据以及历史真实风电出力数据之间的关系,确定风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
本发明实施例提供的水电站经济负荷分配方法,获取风电场对应的第二预设时间之前的第二历史原始出力数据,剔除第二历史原始出力数据中的异常数据,得到第二历史目标出力数据,保证了得到的第二历史目标出力数据的准确性。然后,根据第二历史目标出力数据,利用预设预测方法对风电场在第二预设时间之后的历史时间段的风电出力数据进行预测,得到风电场在历史时间段的历史预测风电出力数据,保证了得到的风电场在历史时间段的历史预测风电出力数据的准确性。获取风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据。根据历史预测风电出力数据以及历史真实风电出力数据之间的关系,确定风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间,保证了确定的风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间的准确性,从而可以保证根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定的水电计划出力数据对应的约束条件的准确性。
结合第一方面第二实施方式,在第一方面第三实施方式中,根据历史预测风电出力数据以及历史真实风电出力数据之间的关系,确定风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间,包括:
计算历史预测风电出力数据与历史真实风电出力数据之间的出力预测偏差;
对出力预测偏差进行统计分析,确定出力预测偏差对应的分布特性;
对出力预测偏差对应的分布特性进行分析,确定历史预测风电出力数据在目标置信度下的风电波动区间;
根据历史预测风电出力数据在目标置信度下的风电波动区间,确定风电未来预测出力数据在目标置信度下的风电波动区间。
本发明实施例提供的水电站经济负荷分配方法,计算历史预测风电出力数据与历史真实风电出力数据之间的出力预测偏差,保证了计算得到的出力预测偏差的准确性。对出力预测偏差进行统计分析,确定出力预测偏差对应的分布特性,保证了确定的出力预测偏差对应的分布特性的准确性。对出力预测偏差对应的分布特性进行分析,确定历史预测风电出力数据在目标置信度下的风电波动区间,保证了确定的历史预测风电出力数据在目标置信度下的风电波动区间的准确性。根据历史预测风电出力数据在目标置信度下的风电波动区间,确定风电未来预测出力数据在目标置信度下的风电波动区间,保证了确定的风电未来预测出力数据在目标置信度下的风电波动区间的准确性。
结合第一方面,在第一方面第四实施方式中,根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,包括:
获取水风电联合体在未来目标时间段的总体计划出力数据;
利用总体计划出力数据减去风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据。
本发明实施例提供的水电站经济负荷分配方法,获取水风电联合体在未来目标时间段的总体计划出力数据,利用总体计划出力数据减去风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,保证了确定的目标水电站自动发电控制对应的水电计划出力数据的准确性。
结合第一方面,在第一方面第五实施方式中,根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件,包括:
根据风电波动区间,确定风电未来预测出力数据对应的风电未来预测出力数据波动区间,以确定风电未来预测出力数据对应的风电调节需求;
根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件。
本发明实施例提供的水电站经济负荷分配方法,根据风电波动区间,确定风电未来预测出力数据对应的风电未来预测出力数据波动区间,以确定风电未来预测出力数据对应的风电调节需求,保证了确定的风电未来预测出力数据对应的风电未来预测出力数据波动区间的准确性,从而可以保证确定的风电未来预测出力数据对应的风电调节需求的准确性。然后,根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件,保证了确定的水电计划出力数据对应的约束条件的准确性,进而可以保证目标水电站自动发电控制运行的安全性以及经济性。
结合第一方面第五实施方式,在第一方面第六实施方式中,根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件,包括:
根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的有功平衡限制、最大最小出力限制、避开振动区要求、下泄流量限制、水库库容限制、水量平衡方程以及机组启停限制中的至少一项预设条件,生成水电计划出力数据对应的约束条件。
本发明实施例提供的水电站经济负荷分配方法,根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的有功平衡限制、最大最小出力限制、避开振动区要求、下泄流量限制、水库库容限制、水量平衡方程以及机组启停限制中的至少一项预设条件,生成水电计划出力数据对应的约束条件,保证了生成的约束条件的准确性,进而可以保证目标水电站自动发电控制运行的安全性以及经济性。
根据第二方面,本发明实施例还提供了一种水电站经济负荷分配装置,包括:
获取模块,用于获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间;
确定模块,用于根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件;
构建模块,用于以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数;
求解模块,用于在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果。
本发明实施例提供的水电站经济负荷分配装置,获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。然后,根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,保证了确定的目标水电站自动发电控制对应的水电计划出力数据的准确性。并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件,保证了确定的约束条件的准确性。以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数,保证了构建的目标函数的准确性。在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果,保证了确定的目标水电站自动发电控制对应的经济负荷分配结果的准确性。上述装置,解决了如何对水电站自动发电控制经济负荷分配方案进行调整的问题,使得目标水电站自动发电控制对应的经济负荷分配结果可以弥补风电场出力数据不稳定的缺点,平抑风电的波动性实现水风电联合稳定运行,是保证风电消纳水平、减少电网安全威胁的有效途径,且保证了目标水电站自动发电控制运行的安全性以及经济性。
根据第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中的水电站经济负荷分配方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储计算机指令,计算机指令用于使计算机执行第一方面或者第一方面的任意一种实施方式中的水电站经济负荷分配方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1 是应用本发明实施例提供的水电站经济负荷分配方法的流程图;
图2 是应用本发明另一实施例提供的水电站经济负荷分配方法的流程图;
图3 是应用本发明另一实施例提供的风电场出力预测偏差与预测偏差概率分布曲线的示意图;
图4 是应用本发明另一实施例提供的水电站经济负荷分配方法的流程图;
图5 是应用本发明另一实施例提供的为不同置信度条件下风电未来预测出力数据对应的风电调节需求的示意图;
图6 是应用本发明另一实施例提供的为99.5%置信度下本方法经济负荷分配结果和其他方法经济负荷分配结果比较的示意图;
图7 是应用本发明实施例提供的水电站经济负荷分配装置的功能模块图;
图8 是应用本发明实施例提供的电子设备的硬件结构示意图。
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中的附图,对本发明实施例中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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本申请实施例提供的水电站经济负荷分配的方法,其执行主体可以是水电站经济负荷分配的装置,该水电站经济负荷分配的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,其中,该计算机设备可以是服务器或者终端,其中,本申请实施例中的服务器可以为一台服务器,也可以为由多台服务器组成的服务器集群,本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中,均以执行主体是电子设备为例来进行说明。
在本申请一个实施例中,如图1所示,提供了一种水电站经济负荷分配方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S11、获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
可选的,电子设备可以接收用户输入的风电场在未来目标时间段的风电未来预测出力数据,以及风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
可选的,电子设备还可以接收其他设备发送的风电场在未来目标时间段的风电未来预测出力数据,以及风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
可选的,电子设备还可以根据预设方法计算得到风电场在未来目标时间段的风电未来预测出力数据,以及风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
本申请实施例对电子设备获取风电场在未来目标时间段的风电未来预测出力数据,以及风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间的方式不做具体限定。
其中,未来目标时间段可以未来的某一日,可以包括该日中的24个小时,也可以是未来的某两日,包括该两日中的24小时,还可以是其他时长,本申请实施例对未来目标时间段不做具体限定。
关于该步骤将在下文进行详细介绍。
S12、根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件。
具体地,电子设备可以根据风电未来预测出力数据与水风电联合体在未来目标时间段的总体计划出力数据之间的关系,计算目标水电站自动发电控制对应的水电计划出力数据。然后,根据风电波动区间确定水电计划出力数据对应的水电波动区间,再根据水电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件。
关于该步骤将在下文进行详细介绍。
S13、以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数。
具体地,电子设备在获取到目标水电站自动发电控制对应的水电计划出力数据,并确定水电计划出力数据对应的约束条件之后,可以以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数。
示例性的,电子设备构建的目标函数可以如下所示:
式中,T为将未来目标时间段进行均等划分,得到的时段数(例如,未来目标时间段为某一日,将该日按照小时划分,则T=24);K为水电站机组台数;为t时段机组k在负荷为/>时的发电流量,/>为t时段机组k的工作状态标识,/>表示机组停机,/>表示机组启动;/>、/>分别表示时段间开、停机损耗折合水量。
S14、在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果。
具体地,在满足约束条件的情况下,电子设备可以利用预设优化求解方法对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果,也就是确定各个水电站机组对应的水电计划出力。
其中,预设优化求解方法可以是动态规划算法、梯度下降算法、共轭梯度法、拉格朗日法等方法中的任一一种,本申请实施例对预设优化求解方法不做具体限定。
本发明实施例提供的水电站经济负荷分配方法,获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。然后,根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,保证了确定的目标水电站自动发电控制对应的水电计划出力数据的准确性。并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件,保证了确定的约束条件的准确性。以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数,保证了构建的目标函数的准确性。在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果,保证了确定的目标水电站自动发电控制对应的经济负荷分配结果的准确性。上述方法,解决了如何对水电站自动发电控制经济负荷分配方案进行调整的问题,使得目标水电站自动发电控制对应的经济负荷分配结果可以弥补风电场出力数据不稳定的缺点,平抑风电的波动性实现水风电联合稳定运行,是保证风电消纳水平、减少电网安全威胁的有效途径,且保证了目标水电站自动发电控制运行的安全性以及经济性。
在本申请一个实施例中,如图2所示,提供了一种水电站经济负荷分配方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S21、获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
在本申请一种可选的实施方式中上述步骤S21中的“获取风电场在未来目标时间段的风电未来预测出力数据”,可以包括如下步骤:
S211、获取风电场对应的第一预设时间之前的第一历史原始出力数据。
具体地,电子设备可以接收用户输入的风电场对应的第一预设时间之前的第一历史原始出力数据,也可以接收其他设备发送的风电场对应的第一预设时间之前的第一历史原始出力数据,电子设备还可以在风电场原始数据记录系统中查找风电场对应的第一预设时间之前的第一历史原始出力数据。
其中,第一预设时间可以是一周,也可以是两周,还可以是其他时长,本申请实施例对第一预设时间不做具体限定。
S212、剔除第一历史原始出力数据中的异常数据,得到第一历史目标出力数据。
具体地,电子设备可以对第一历史原始出力数据进行识别,确定第一历史原始出力数据中的空值和异常值等异常数据,然后剔除第一历史原始出力数据中的异常数据,得到第一历史目标出力数据。
在本申请一种可选的实施方式中,示例性的,假设未来目标时间段为未来的某一日,且电子设备将该日按照小时进行划分,划分得到24个小时。电子设备为了预测得到该日中24个小时分别对应的小时风电未来预测出力数据。电子设备需要将获取到的第一历史目标出力数据处理为以小时为单位的第一历史目标出力数据,作为风电场小时出力基础数据集,具体如下;
S213、根据第一历史目标出力数据,利用预设预测方法对风电场在未来目标时间段的风电出力数据进行预测,得到风电场在未来目标时间段的风电未来预测出力数据。
具体地,在确定了风电场对应的第一历史目标出力数据之后,电子设备可以利用预设预测方法对风电场在未来目标时间段的风电出力数据进行预测,得到风电场在未来目标时间段的风电未来预测出力数据。
其中,预设预测方法可以是时间序列多步预测方法,也可以是简单移动平均数方法、加权移动平均数等方法中的一种,本申请实施例对预设预测方法不做具体限定。
其中,时间序列预测法其实是一种回归预测方法,属于定量预测,其基本原理是:一方面承认事物发展的延续性,运用过去的时间序列数据进行统计分析,推测出事物的发展趋势;另一方面充分考虑到由于偶然因素影响而产生的随机性,为了消除随机波动产生的影响,利用历史数据进行统计分析,并对数据进行适当处理,进行趋势预测。
在本申请一种可选的实施方式中,上述步骤S21中的“获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间”,可以包括如下步骤:
S214、获取风电场对应的第二预设时间之前的第二历史原始出力数据。
具体地,电子设备可以接收用户输入的风电场对应的第二预设时间之前的第二历史原始出力数据,也可以接收其他设备发送的风电场对应的第二预设时间之前的第二历史原始出力数据,电子设备还可以在风电场原始数据记录系统中查找风电场对应的第二预设时间之前的第二历史原始出力数据。
其中,第二预设时间可以是一个月,也可以是一年,还可以是其他时长,本申请实施例对第二预设时间不做具体限定。
可选的,第二预设时间可以比第一预设时间对应的时间长。
S215、剔除第二历史原始出力数据中的异常数据,得到第二历史目标出力数据。
具体地,电子设备可以对第二历史原始出力数据进行识别,确定第二历史原始出力数据中的空值和异常值等异常数据,然后剔除第二历史原始出力数据中的异常数据,得到第二历史目标出力数据。
在本申请一种可选的实施方式中,示例性的,假设第二预设时间之后的历史时间段为历史时间段中的某一日,且电子设备将该日按照小时进行划分,划分得到24个小时。电子设备为了预测得到历史时间中的某一日中24个小时分别对应的历史预测风电出力数据。电子设备需要将获取到的第二历史目标出力数据处理为以小时为单位的第二历史目标出力数据,作为风电场小时出力基础数据集。
S216、根据第二历史目标出力数据,利用预设预测方法对风电场在第二预设时间之后的历史时间段的风电出力数据进行预测,得到风电场在历史时间段的历史预测风电出力数据。
具体地,在确定了风电场对应的第二历史目标出力数据之后,电子设备可以利用预设预测方法对风电场在第二预设时间之后的历史时间段的风电出力数据进行预测,得到风电场在历史时间段的历史预测风电出力数据。
其中,预设预测方法可以是时间序列多步预测方法,也可以是简单移动平均数方法、加权移动平均数等方法中的一种,本申请实施例对预设预测方法不做具体限定。
示例性的,电子设备可以根据第二历史目标出力数据,利用时间序列多步预测方法,逐日滚动预测风电场在第二预设时间之后的多个历史日中各个小时对应的历史预测风电出力数据。
其中,时间序列预测法其实是一种回归预测方法,属于定量预测,其基本原理是:一方面承认事物发展的延续性,运用过去的时间序列数据进行统计分析,推测出事物的发展趋势;另一方面充分考虑到由于偶然因素影响而产生的随机性,为了消除随机波动产生的影响,利用历史数据进行统计分析,并对数据进行适当处理,进行趋势预测。
S217、获取风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据。
具体地,在预测得到风电场在历史时间段的历史预测风电出力数据之后,电子设备可以接收用户输入的风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据;也可以接收其他设备发送的风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据;电子设备还可以在风电场原始数据记录系统中查找风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据。
S218、根据历史预测风电出力数据以及历史真实风电出力数据之间的关系,确定风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
在本申请一种可选的实施方式中,上述S218“根据历史预测风电出力数据以及历史真实风电出力数据之间的关系,确定风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间”,可以包括如下步骤:
(1)计算历史预测风电出力数据与历史真实风电出力数据之间的出力预测偏差。
(2)对出力预测偏差进行统计分析,确定出力预测偏差对应的分布特性。
(3)对出力预测偏差对应的分布特性进行分析,确定历史预测风电出力数据在目标置信度下的风电波动区间。
(4)根据历史预测风电出力数据在目标置信度下的风电波动区间,确定风电未来预测出力数据在目标置信度下的风电波动区间。
具体地,电子设备可以利用历史预测风电出力数据减去历史真实风电出力数据,得到历史预测风电出力数据与历史真实风电出力数据之间的出力预测偏差。
然后,电子设备可以对出力预测偏差进行统计分析,确定出力预测偏差对应的分布特性。示例性的,如图3为风电场出力预测偏差与预测偏差概率分布曲线。其中,第一排为出力预测偏差图,其中,横坐标为样本数,纵坐标为出力。其中,第一个图可以表征统计周期内风电场第1个时段的出力预测偏差图,第二个图可以表征统计周期内风电场第23个时段的出力预测偏差图,第三个图可以表征统计周期内风电场第24个时段的出力预测偏差图。第二排为出力预测偏差概率分布图,横坐标为出力预测偏差,纵坐标为概率密度。其中,第一个图可以表征统计周期内风电场第1个时段的出力预测偏差概率分布图,第二个图可以表征统计周期内风电场第23个时段的出力预测偏差概率分布图,第三个图可以表征统计周期内风电场第24个时段的出力预测偏差概率分布图。
然后,对出力预测偏差对应的分布特性进行分析,确定历史预测风电出力数据在目标置信度下的风电波动区间。
示例性的,电子设备可以利用概率统计理论方法,确定风电场历史预测风电出力数据24时段在不同置信水平下的风电波动区间数;
然后,电子设备将历史预测风电出力数据在目标置信度下的风电波动区间,确定为风电未来预测出力数据在目标置信度下的风电波动区间。
示例性的,假设电子设备可以利用2023年1月1日至1月31日对应的第二历史原始出力数据,根据时间序列多步预测方法,逐日滚动预测2023年2月1日-2月15日对应的每个小时的出力数据,得到2023年2月1日-2月15日每个小时对应的历史预测风电出力数据。然后,电子设备获取2023年2月1日-2月15日每个小时对应的历史真实风电出力数据,电子设备利用2023年2月1日-2月15日每个小时对应的历史预测风电出力数据减去2023年2月1日-2月15日每个小时对应的历史真实风电出力数据,得到2023年2月1日-2月15日每个小时对应的出力预测偏差。然后电子设备对2023年2月1日-2月15日每个小时对应的出力预测偏差进行统计分析,确定出力预测偏差对应的分布特性。对出力预测偏差对应的分布特性进行分析,确定历史预测风电出力数据在每个小时不同置信度下的风电波动区间。示例性的,电子设备可以确定在0时在95%置信度在的风电波动区间为[-2,3],1时在95%置信度在的风电波动区间为[-1,3],2时在95%置信度在的风电波动区间为[-2,4],……,23时在95%置信度在的风电波动区间为[-3,5]。
然后,电子设备确定风电场在未来目标时间段的风电未来预测出力数据在0时在95%置信度在的风电波动区间为[-2,3],1时在95%置信度在的风电波动区间为[-1,3],2时在95%置信度在的风电波动区间为[-2,4],……,23时在95%置信度在的风电波动区间为[-3,5]。
S22、根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件。
关于该步骤请参见图1对S12的介绍,在此不进行赘述。
S23、以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数。
关于该步骤请参见图1对S13的介绍,在此不进行赘述。
S24、在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果。
关于该步骤请参见图1对S14的介绍,在此不进行赘述。
本发明实施例提供的水电站经济负荷分配方法,获取风电场对应的第一预设时间之前的第一历史原始出力数据,剔除第一历史原始出力数据中的异常数据,得到第一历史目标出力数据,保证了得到的第一历史目标出力数据的准确性。然后,根据第一历史目标出力数据,利用预设预测方法对风电场在未来目标时间段的风电出力数据进行预测,得到风电场在未来目标时间段的风电未来预测出力数据,保证了得到的风电场在未来目标时间段的风电未来预测出力数据的准确性。
然后,获取风电场对应的第二预设时间之前的第二历史原始出力数据,剔除第二历史原始出力数据中的异常数据,得到第二历史目标出力数据,保证了得到的第二历史目标出力数据的准确性。然后,根据第二历史目标出力数据,利用预设预测方法对风电场在第二预设时间之后的历史时间段的风电出力数据进行预测,得到风电场在历史时间段的历史预测风电出力数据,保证了得到的风电场在历史时间段的历史预测风电出力数据的准确性。获取风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据。计算历史预测风电出力数据与历史真实风电出力数据之间的出力预测偏差,保证了计算得到的出力预测偏差的准确性。对出力预测偏差进行统计分析,确定出力预测偏差对应的分布特性,保证了确定的出力预测偏差对应的分布特性的准确性。对出力预测偏差对应的分布特性进行分析,确定历史预测风电出力数据在目标置信度下的风电波动区间,保证了确定的历史预测风电出力数据在目标置信度下的风电波动区间的准确性。根据历史预测风电出力数据在目标置信度下的风电波动区间,确定风电未来预测出力数据在目标置信度下的风电波动区间,保证了确定的风电未来预测出力数据在目标置信度下的风电波动区间的准确性。从而可以保证根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定的水电计划出力数据对应的约束条件的准确性。
在本申请一个实施例中,如图4所示,提供了一种水电站经济负荷分配方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S31、获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
关于该步骤请参见图2对S21的介绍,在此不进行赘述。
S32、根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件。
在本申请一种可选的实施方式中,上述步骤S32中的“根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据”,可以包括如下步骤:
S321、获取水风电联合体在未来目标时间段的总体计划出力数据。
具体地,电子设备可以接收用户输入的水风电联合体在未来目标时间段的总体计划出力数据,也可以接收其他设备发送的水风电联合体在未来目标时间段的总体计划出力数据。
本申请实施例对电子设备获取水风电联合体在未来目标时间段的总体计划出力数据的方式不做具体限定。
S322、利用总体计划出力数据减去风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据。
具体地,电子设备在获取到水风电联合体在未来目标时间段的总体计划出力数据之后,可以利用总体计划出力数据减去风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据。
在本申请一种可选的实施方式中,上述步骤S32中的“根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件”,可以包括如下步骤:
S323、根据风电波动区间,确定风电未来预测出力数据对应的风电未来预测出力数据波动区间,以确定风电未来预测出力数据对应的风电调节需求。
具体地,电子设备在获取到风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间之后,可以根据风电波动区间,确定风电未来预测出力数据对应的风电未来预测出力数据波动区间,从而确定风电未来预测出力数据对应的风电调节需求。
可选的,电子设备可以利用如下公式确定风电未来预测出力数据对应的风电未来预测出力数据波动区间:
示例性的,假设风电未来预测出力数据在未来目标时间段中某一时刻的数据为10MW,且在目标置信度下该时刻对应的风电波动区间为[-2,3],则电子设备确定风电未来预测出力数据对应的风电未来预测出力数据波动区间为[8,13]。因此,确定风电未来预测出力数据对应的风电调节需求为[8,13]。
示例性,如图5所示,为不同置信度条件下风电未来预测出力数据对应的风电调节需求。其中,左上角图为置信度99.5%条件下风电未来预测出力数据对应的风电调节需求;右左上角图为置信度85%条件下风电未来预测出力数据对应的风电调节需求;左下角图为置信度75%条件下风电未来预测出力数据对应的风电调节需求;右下角图为置信度50%条件下风电未来预测出力数据对应的风电调节需求。
S324、根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件。
在本申请一种可选的实施方式中,上述步骤S324“根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件”,可以包括如下步骤:
根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的有功平衡限制、最大最小出力限制、避开振动区要求、下泄流量限制、水库库容限制、水量平衡方程以及机组启停限制中的至少一项预设条件,生成水电计划出力数据对应的约束条件。
具体地,电子设备根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的有功平衡限制、最大最小出力限制、避开振动区要求、下泄流量限制、水库库容限制、水量平衡方程以及机组启停限制中的至少一项预设条件,生成水电计划出力数据对应的约束条件。
示例性的,约束条件可以包括如下公式中:
有功平衡限制
风电调节需求
最大最小出力限制
避开振动区要求
下泄流量限制
水库库容限制
水量平衡方程
机组启停限制
其中,为水电站次日t时段计划出力;/>、/>分别为k机组第j个振动区的上下边界;/>为水电站t时段下泄流量,/>为水电站t时段弃水流量;/>为t时段入库流量,/>为t时段初水库库容;/>、/>表示机组k最小开、停机时间。
S33、以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数。
关于该步骤请参见图2对S23的介绍,在此不进行赘述。
S34、在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果。
关于该步骤请参见图2对S24的介绍,在此不进行赘述。
示例性的,如图6所示,为99.5%置信度下本方法经济负荷分配结果和其他方法经济负荷分配结果比较的示意图。其中,黑色的实线和虚线分别用于表征风电未来预测出力数据对应的风电调节需求的上边界与下边界,深灰色实线和虚线分别用于表征使用本申请实施例的方法计算得到的目标水电站自动发电控制对应的经济负荷分配结果。由图6可知,本申请实施例的方法可以满足风电未来预测出力数据对应的风电调节需求。浅灰色深灰色实线和虚线分别用于表征使用其他方法计算得到的目标水电站自动发电控制对应的经济负荷分配结果。由图6可知,使用其他方法不能满足风电未来预测出力数据对应的风电调节需求。
本发明实施例提供的水电站经济负荷分配方法,获取水风电联合体在未来目标时间段的总体计划出力数据,利用总体计划出力数据减去风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,保证了确定的目标水电站自动发电控制对应的水电计划出力数据的准确性。
此外,本发明实施例提供的水电站经济负荷分配方法,根据风电波动区间,确定风电未来预测出力数据对应的风电未来预测出力数据波动区间,以确定风电未来预测出力数据对应的风电调节需求,保证了确定的风电未来预测出力数据对应的风电未来预测出力数据波动区间的准确性,从而可以保证确定的风电未来预测出力数据对应的风电调节需求的准确性。然后,根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的有功平衡限制、最大最小出力限制、避开振动区要求、下泄流量限制、水库库容限制、水量平衡方程以及机组启停限制中的至少一项预设条件,生成水电计划出力数据对应的约束条件,保证了生成的约束条件的准确性,进而可以保证目标水电站自动发电控制运行的安全性以及经济性。
应该理解的是,虽然图1、图2以及图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图2以及图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图7所示,本实施例提供一种水电站经济负荷分配装置,包括:
获取模块41,用于获取风电场在未来目标时间段的风电未来预测出力数据,并获取风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间;
确定模块42,用于根据风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据风电波动区间以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件;
构建模块43,用于以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数;
求解模块44,用于在满足约束条件的情况下,对目标函数进行求解,确定目标水电站自动发电控制对应的经济负荷分配结果。
在本申请一个实施例中,上述获取模块41,具体用于获取风电场对应的第一预设时间之前的第一历史原始出力数据;剔除第一历史原始出力数据中的异常数据,得到第一历史目标出力数据;根据第一历史目标出力数据,利用预设预测方法对风电场在未来目标时间段的风电出力数据进行预测,得到风电场在未来目标时间段的风电未来预测出力数据。
在本申请一个实施例中,上述获取模块41,具体用于获取风电场对应的第二预设时间之前的第二历史原始出力数据;剔除第二历史原始出力数据中的异常数据,得到第二历史目标出力数据;根据第二历史目标出力数据,利用预设预测方法对风电场在第二预设时间之后的历史时间段的风电出力数据进行预测,得到风电场在历史时间段的历史预测风电出力数据;获取风电场在第二预设时间之后的历史时间段对应的历史真实风电出力数据;根据历史预测风电出力数据以及历史真实风电出力数据之间的关系,确定风电场对应的风电未来预测出力数据在目标置信度下的风电波动区间。
在本申请一个实施例中,上述获取模块41,具体用于计算历史预测风电出力数据与历史真实风电出力数据之间的出力预测偏差;对出力预测偏差进行统计分析,确定出力预测偏差对应的分布特性;对出力预测偏差对应的分布特性进行分析,确定历史预测风电出力数据在目标置信度下的风电波动区间;根据历史预测风电出力数据在目标置信度下的风电波动区间,确定风电未来预测出力数据在目标置信度下的风电波动区间。
在本申请一个实施例中,上述确定模块42,具体用于获取水风电联合体在未来目标时间段的总体计划出力数据;利用总体计划出力数据减去风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据。
在本申请一个实施例中,上述确定模块42,具体用于根据风电波动区间,确定风电未来预测出力数据对应的风电未来预测出力数据波动区间,以确定风电未来预测出力数据对应的风电调节需求;根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的预设条件,确定水电计划出力数据对应的约束条件。
在本申请一个实施例中,上述确定模块42,具体用于根据风电未来预测出力数据对应的风电调节需求以及目标水电站自动发电控制对应的有功平衡限制、最大最小出力限制、避开振动区要求、下泄流量限制、水库库容限制、水量平衡方程以及机组启停限制中的至少一项预设条件,生成水电计划出力数据对应的约束条件。
关于水电站经济负荷分配装置的具体限定以及有益效果可以参见上文中对于水电站经济负荷分配方法的限定,在此不再赘述。上述水电站经济负荷分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供一种电子设备,具有上述图7所示的水电站经济负荷分配装置。
如图8所示,图8是本发明可选实施例提供的一种电子设备的结构示意图,如图8所示,该电子设备可以包括:至少一个处理器51,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口53,存储器54,至少一个通信总线52。其中,通信总线52用于实现这些组件之间的连接通信。其中,通信接口53可以包括显示屏(Display)、键盘(Keyboard),可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图7所描述的装置,存储器54中存储应用程序,且处理器51调用存储器54中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器54可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器54还可以包括上述种类的存储器的组合。
其中,处理器51可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic, 缩写:GAL)或其任意组合。
可选地,存储器54还用于存储程序指令。处理器51可以调用程序指令,实现如本申请图1、图2以及图4实施例中所示的水电站经济负荷分配方法。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的水电站经济负荷分配方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种水电站经济负荷分配方法,其特征在于,包括:
获取风电场在未来目标时间段的风电未来预测出力数据,并获取所述风电场对应的所述风电未来预测出力数据在目标置信度下的风电波动区间;
根据所述风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据所述风电波动区间以及所述目标水电站自动发电控制对应的预设条件,确定所述水电计划出力数据对应的约束条件;
以所述目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数;
在满足所述约束条件的情况下,对所述目标函数进行求解,确定所述目标水电站自动发电控制对应的经济负荷分配结果。
2.根据权利要求1所述的方法,其特征在于,所述获取风电场在未来目标时间段的风电未来预测出力数据,包括:
获取所述风电场对应的第一预设时间之前的第一历史原始出力数据;
剔除所述第一历史原始出力数据中的异常数据,得到第一历史目标出力数据;
根据所述第一历史目标出力数据,利用预设预测方法对所述风电场在所述未来目标时间段的风电出力数据进行预测,得到所述风电场在未来目标时间段的所述风电未来预测出力数据。
3.根据权利要求1所述的方法,其特征在于,所述获取所述风电场对应的所述风电未来预测出力数据在目标置信度下的风电波动区间,包括:
获取所述风电场对应的第二预设时间之前的第二历史原始出力数据;
剔除所述第二历史原始出力数据中的异常数据,得到第二历史目标出力数据;
根据所述第二历史目标出力数据,利用预设预测方法对所述风电场在所述第二预设时间之后的历史时间段的风电出力数据进行预测,得到所述风电场在所述历史时间段的历史预测风电出力数据;
获取所述风电场在所述第二预设时间之后的所述历史时间段对应的历史真实风电出力数据;
根据所述历史预测风电出力数据以及所述历史真实风电出力数据之间的关系,确定所述风电场对应的所述风电未来预测出力数据在目标置信度下的风电波动区间。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史预测风电出力数据以及所述历史真实风电出力数据之间的关系,确定所述风电场对应的所述风电未来预测出力数据在目标置信度下的风电波动区间,包括:
计算所述历史预测风电出力数据与所述历史真实风电出力数据之间的出力预测偏差;
对所述出力预测偏差进行统计分析,确定所述出力预测偏差对应的分布特性;
对所述出力预测偏差对应的分布特性进行分析,确定所述历史预测风电出力数据在所述目标置信度下的风电波动区间;
根据所述历史预测风电出力数据在所述目标置信度下的风电波动区间,确定所述风电未来预测出力数据在所述目标置信度下的所述风电波动区间。
5.根据权利要求1所述的方法,其特征在于,所述根据所述风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,包括:
获取水风电联合体在所述未来目标时间段的总体计划出力数据;
利用所述总体计划出力数据减去所述风电未来预测出力数据,确定所述目标水电站自动发电控制对应的所述水电计划出力数据。
6.根据权利要求1所述的方法,其特征在于,所述根据所述风电波动区间以及所述目标水电站自动发电控制对应的预设条件,确定所述水电计划出力数据对应的约束条件,包括:
根据所述风电波动区间,确定所述风电未来预测出力数据对应的风电未来预测出力数据波动区间,以确定所述风电未来预测出力数据对应的风电调节需求;
根据所述风电未来预测出力数据对应的风电调节需求以及所述目标水电站自动发电控制对应的预设条件,确定所述水电计划出力数据对应的约束条件。
7.根据权利要求6所述的方法,其特征在于,所述根据所述风电未来预测出力数据对应的风电调节需求以及所述目标水电站自动发电控制对应的预设条件,确定所述水电计划出力数据对应的约束条件,包括:
根据所述风电未来预测出力数据对应的风电调节需求以及所述目标水电站自动发电控制对应的有功平衡限制、最大最小出力限制、避开振动区要求、下泄流量限制、水库库容限制、水量平衡方程以及机组启停限制中的至少一项所述预设条件,生成所述水电计划出力数据对应的约束条件。
8.一种水电站经济负荷分配装置,其特征在于,包括:
获取模块,用于获取风电场在未来目标时间段的风电未来预测出力数据,并获取所述风电场对应的所述风电未来预测出力数据在目标置信度下的风电波动区间;
确定模块,用于根据所述风电未来预测出力数据,确定目标水电站自动发电控制对应的水电计划出力数据,并根据所述风电波动区间以及所述目标水电站自动发电控制对应的预设条件,确定所述水电计划出力数据对应的约束条件;
构建模块,用于以目标水电站自动发电控制对应的耗水量最小为目标,构建目标函数;
求解模块,用于在满足所述约束条件的情况下,对所述目标函数进行求解,确定所述目标水电站自动发电控制对应的经济负荷分配结果。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的水电站经济负荷分配方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-7中任一项所述的水电站经济负荷分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525854.0A CN116307632B (zh) | 2023-05-11 | 2023-05-11 | 水电站经济负荷分配方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525854.0A CN116307632B (zh) | 2023-05-11 | 2023-05-11 | 水电站经济负荷分配方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307632A true CN116307632A (zh) | 2023-06-23 |
CN116307632B CN116307632B (zh) | 2023-08-18 |
Family
ID=86796184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310525854.0A Active CN116307632B (zh) | 2023-05-11 | 2023-05-11 | 水电站经济负荷分配方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307632B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116646994A (zh) * | 2023-07-27 | 2023-08-25 | 长江三峡集团实业发展(北京)有限公司 | 一种电力系统优化调度方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046395A (zh) * | 2015-05-15 | 2015-11-11 | 华南理工大学 | 一种含多类型新能源的电力系统日内滚动计划编制方法 |
CN113659620A (zh) * | 2021-08-13 | 2021-11-16 | 西北农林科技大学 | 基于动态频率约束的水风互补发电系统日前调度方法 |
CN115271244A (zh) * | 2022-08-17 | 2022-11-01 | 大连理工大学 | 一种基于两阶段分布鲁棒优化的梯级水电站短期调峰模型 |
CN115392526A (zh) * | 2022-05-23 | 2022-11-25 | 河海大学 | 含梯级水电的风光水发电系统多时间尺度协调调度方法 |
-
2023
- 2023-05-11 CN CN202310525854.0A patent/CN116307632B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046395A (zh) * | 2015-05-15 | 2015-11-11 | 华南理工大学 | 一种含多类型新能源的电力系统日内滚动计划编制方法 |
CN113659620A (zh) * | 2021-08-13 | 2021-11-16 | 西北农林科技大学 | 基于动态频率约束的水风互补发电系统日前调度方法 |
CN115392526A (zh) * | 2022-05-23 | 2022-11-25 | 河海大学 | 含梯级水电的风光水发电系统多时间尺度协调调度方法 |
CN115271244A (zh) * | 2022-08-17 | 2022-11-01 | 大连理工大学 | 一种基于两阶段分布鲁棒优化的梯级水电站短期调峰模型 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116646994A (zh) * | 2023-07-27 | 2023-08-25 | 长江三峡集团实业发展(北京)有限公司 | 一种电力系统优化调度方法及装置 |
CN116646994B (zh) * | 2023-07-27 | 2024-01-05 | 长江三峡集团实业发展(北京)有限公司 | 一种电力系统优化调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116307632B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11876374B2 (en) | System and method for optimal control of energy storage system | |
Sanjari et al. | Power generation forecast of hybrid PV–wind system | |
Alismail et al. | Optimal wind farm allocation in multi-area power systems using distributionally robust optimization approach | |
CN113937763B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
CN116307632B (zh) | 水电站经济负荷分配方法、装置、电子设备及存储介质 | |
CN107017625B (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
Guo et al. | Sizing energy storage to reduce renewable power curtailment considering network power flows: a distributionally robust optimisation approach | |
Zhang et al. | Multi-objective interval prediction of wind power based on conditional copula function | |
WO2023136774A2 (en) | Method and apparatus for determining energy storage charge and discharge scheme, device, and storage medium | |
Nejati et al. | A new solar power prediction method based on feature clustering and hybrid-classification-regression forecasting | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及系统 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN117077978A (zh) | 一种跨区域新能源蓄能方法及系统 | |
CN116523145A (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
CN116316828A (zh) | 一种水风光互补系统弃电模拟方法、装置及电子设备 | |
Hobbs et al. | Using probabilistic solar power forecasts to inform flexible ramp product procurement for the California ISO | |
CN109217386B (zh) | 自动发电控制方法、系统及终端设备 | |
CN113657936A (zh) | 电力负荷预测方法及终端 | |
CN109063859B (zh) | 电网设备检修优化处理方法与装置 | |
CN117220286B (zh) | 一种水风光多能互补系统风险评估方法、装置及介质 | |
Fruh | Evaluation of simple wind power forecasting methods applied to a long-term wind record from Scotland | |
CN117196415B (zh) | 一种水风光互补系统风险调度方法、装置、设备及介质 | |
ElMenshawy et al. | Short-Term Load Forecasting in Active Distribution Networks using Forgetting Factor Adaptive Extended Kalman Filter | |
CN112200464B (zh) | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |