CN116629457B - 面向持续性无风场景的长周期储能优化配置方法及装置 - Google Patents

面向持续性无风场景的长周期储能优化配置方法及装置 Download PDF

Info

Publication number
CN116629457B
CN116629457B CN202310904445.1A CN202310904445A CN116629457B CN 116629457 B CN116629457 B CN 116629457B CN 202310904445 A CN202310904445 A CN 202310904445A CN 116629457 B CN116629457 B CN 116629457B
Authority
CN
China
Prior art keywords
scene
power generation
wind power
target
energy storage
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
Application number
CN202310904445.1A
Other languages
English (en)
Other versions
CN116629457A (zh
Inventor
但扬清
王锋华
王蕾
周翰泽
许恩超
孙飞飞
沈志恒
朱克平
戴攀
王岑峰
丁一凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202310904445.1A priority Critical patent/CN116629457B/zh
Publication of CN116629457A publication Critical patent/CN116629457A/zh
Application granted granted Critical
Publication of CN116629457B publication Critical patent/CN116629457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/06313—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
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开面向持续性无风场景的长周期储能优化配置方法及装置，该方法包括：构建目标区域的历史风力发电数据；抽取历史风力发电数据构建持续性的无风场景；基于无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；基于历史风力发电数据和目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；根据场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。本发明同时兼顾常态场景和非常态场景对风力发电系统的影响，制定最优的长周期储能优化配置方案，有助于电力系统在极端持续性无风天气中维持电力电量平衡。

Description

面向持续性无风场景的长周期储能优化配置方法及装置
技术领域
本发明涉及电力系统技术领域，尤其涉及一种面向持续性无风场景的长周期储能优化配置方法及装置。
背景技术
风力发电是指将风的动能转换为电能。风力发电的原理是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升，来促使发电机发电。风力发电作为一种清洁的可再生能源，越来越受到世界各国的重视。随着风力发电的广泛应用，对电力系统的电力电量需求平衡带来了新的挑战。
由于风力发电的气象强相关性较传统活力能源更强烈，极端天气对风力发电的电力系统的冲击更加频繁和剧烈。例如：连续无风无光的天气状况将对电力系统的电力保供能力造成冲击，因此，在进行电力系统的发展规划时，有必要将持续性无风场景等低概率、影响程度大的天气事件纳入考虑，开发一种能面对持续性无风场景的长周期储能优化配置方法，形成兼顾常态与非常态场景的长周期储能选址定容决策方案。
发明内容
本发明提供面向持续性无风场景的长周期储能优化配置方法及装置，能够考虑持续性无风场景对风力发电系统的影响，以制定最优的长周期储能优化配置方案。
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明提供面向持续性无风场景的长周期储能优化配置方法，该方法包括：
根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据；
抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景；
基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；
基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；所述常态场景中包含多个时间部，所述非常态场景中包含多个时间部，且满足第二预设条件的所述时间部的风力发电功率为零；
根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。
在一种可能的实现方式中，所述根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据，具体包括：
获取目标区域在目标时间段内的历史风速数据，并对所述历史风速数据进行抽样及分段处理，得到分段化的风速数据系列；
获取风速与发电量的映射关系，根据所述映射关系，将所述风速数据系列映射为风电发电序列；所述风电发电序列中包括所述目标时间段内多个时刻的风力发电功率；
获取所述目标区域的风电机组的额定功率，计算所述风电发电序列中各所述风力发电功率与所述额定功率的比值，得到目标风力发电序列，并将所述目标风力发电序列作为目标区域的历史风力发电数据。
在一种可能的实现方式中，所述目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；所述第一预设条件为t大于预设阈值；所述抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景，具体为：
确定所述事件是否满足所述第一预设条件，若是，则认为所述事件对应的所述目标风力发电序列段为极端场景；
提取所述目标风力发电序列中的所有极端场景，得到持续性的无风场景。
在一种可能的实现方式中，在所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，所述方法还包括：
获取所述目标风力发电序列中的场景总数，以及所述极端场景的个数，并计算所述极端场景的发生概率。
在一种可能的实现方式中，所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率，具体包括：
根据极值理论，令y = t -24，其中，24表示极端事件的阈值，将y的条件超额分配函数F(y)定义为：
，
根据极值理论，将F(y)通过广义帕累托分布近似：
，
其中，为广义帕累托分布，为广义帕累托分布的参数；
通过极大似然法估计广义帕累托分布的参数，定义帕累托分布的对数似然函数为：
，
其中，(y1, y2, …,)为y的历史观测值；
根据如下公式，计算参数的估计值：
，
将极端事件A作为目标事件，在极端事件A发生的前提下，极端事件T发生的概率为，根据极值理论，由贝叶斯定理可得：
，
其中，，，恒为1；
为极端场景个数，为场景总数。
在一种可能的实现方式中，所述基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合，具体包括：
从0-1的均匀分布中采集一个随机数r，判断，若是，则从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将所述目标风力发电序列加入到场景集合X中；其中，目标风力发电序列为常态场景；
若否，则求解方程，确定y的取值；
从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将满足第二预设条件的所述时间部的风力发电功率置为零，得到处理和的目标序列，并将所述目标序列加入到场景集合X中；其中，所述目标序列为非常态场景，第二预设条件为T之前的y个时间步；
重复上述步骤，得到总量为Nx的场景集合；Nx为预设数值，且Nx为正整数。
在一种可能的实现方式中，所述根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案，具体包括：
以年运营成本与投资成本之和最小为目标函数，以功率平衡约束、发电机输出约束、发电机斜坡约束、储能充放电速率约束、储能容量约束和线路流量约束为约束条件，求解长周期储能优化配置方案；
目标函数具体为：
，
约束条件具体为：
其中，为场景集合，x为场景对应的索引，G为目标区域的发电机集合，g为发电机索引，N为母线集合，n为发电机索引，T为场景x的时间周期集合，t为时间索引，T 0为时间周期集合T中的起始时刻，S为储能集合，s为储能索引，W为风机集合，w为风机索引，在时，M表示母线集合N与集合{n}的差集，M=N-{n}，m为集合M的索引，为在母线n、时间t、场景x处的发电机g的发电功率，为在母线n、时间t、场景x处的电力负载，为储能s在母线n处的功率增量，为在母线n、时间t、场景x处储能的放电功率，储能s在母线n处的容量增量，为在母线n、时间t、场景x处的储能s的能量存量，为线路nm在时间t、场景x处的传输功率，为场景x的发生概率，为发电机g的发电成本，为切负荷成本，在母线n、时间t、场景x处的电力需求，为储能功率的投资成本，为储能容量的投资成本，储能功率工资设备的使用寿命，为储能容量投资的使用寿命，为在母线n的发电机g的现有最大发电功率，为发电机g的向下爬坡率，为发电机g的向上爬坡率，为母线n处储能s的现有最大充电功率，母线n处储能s的现有最大储能容量，为线路nm的最大传输容量，为在母线n、时间t、场景x处的风机w的发电功率，为对时间周期T离散化时的离散间隔。
第二方面，本发明提供面向持续性无风场景的长周期储能优化配置装置，包括：
第一处理模块，用于根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据；
第二处理模块，用于抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景；
第三处理模块，用于基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；
第四处理模块，用于基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；所述常态场景中包含多个时间部，所述非常态场景中包含多个时间部，且满足第二预设条件的所述时间部的风力发电功率为零；
第五处理模块，用于根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。
进一步的，所述第一处理模块包括：
第一处理单元，用于获取目标区域在目标时间段内的历史风速数据，并对所述历史风速数据进行抽样及分段处理，得到分段化的风速数据系列；
第二处理单元，用于获取风速与发电量的映射关系，根据所述映射关系，将所述风速数据系列映射为风电发电序列；所述风电发电序列中包括所述目标时间段内多个时刻的风力发电功率；
第三处理单元，用于获取所述目标区域的风电机组的额定功率，计算所述风电发电序列中各所述风力发电功率与所述额定功率的比值，得到目标风力发电序列，并将所述目标风力发电序列作为目标区域的历史风力发电数据。
进一步的，所述目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；所述第一预设条件为t大于预设阈值；所述第二处理模块包括：
极端场景确定单元，用于确定所述事件是否满足所述第一预设条件，若是，则认为所述事件对应的所述目标风力发电序列段为极端场景；
无风场景构建单元，用于提取所述目标风力发电序列中的所有极端场景，得到持续性的无风场景。
进一步的，在所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，所述装置还包括：
概率计算模块，用于获取所述目标风力发电序列中的场景总数，以及所述极端场景的个数，并计算所述极端场景的发生概率。
第三方面，本发明提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任一项所述的面向持续性无风场景的长周期储能优化配置方法。
第四方面，本发明提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述任一项所述的面向持续性无风场景的长周期储能优化配置方法。
本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法在实际应用时，首先，获取目标区域的历史风速数据和风速与发电量的映射关系，并根据获取的数据构建目标区域的历史风力发电数据；其次，抽取满足第一预设条件的历史风力发电数据构建持续性的无风场景；再次，基于构建的无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；之后，基于历史风力发电数据和目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；最后，根据场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案；本发明通过分析、重构历史天气与风力发电处理数据，利用极值理论拟合其中极值样本的概率分布以构建极端天气场景集合，并在构建的极端天气场景集合中加入常态场景形成场景集合并求解优化模型，最终定制最优的长周期储能配置方案；本发明同时兼顾常态场景和非常态场景对风力发电系统的影响，制定最优的长周期储能优化配置方案，有助于电力系统在极端持续性无风天气中维持电力电量平衡。
附图说明
图1为本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法的步骤流程图；
图2为本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法中风速与发电量的映射关系曲线；
图3为本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法中目标海域在目标时间段内一天的历史风速；
图4为本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法中通过风速与发电量的映射关系重构后的风力发电序列；
图5为本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法中持续性的无风场景的统计结果；
图6为本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法中经帕累托分布拟合的概率密度曲线与观察到的历史样本的比较结果；
图7为本发明实施例提供的面向持续性无风场景的长周期储能优化配置装置的结构框图。
具体实施方式
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，所描述的实施例仅仅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，本领域普通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。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。另外，“基于”或“根据”的使用意味着开放和包容性，因为“基于”或“根据”一个或多个所述条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出所述的值。
为了解决现有技术中风力发电的电网系统在进行储能配置时，无法兼顾持续性无风场景的问题，本发明实施例提供了面向持续性无风场景的长周期储能优化配置方法及装置。
如图1所示，第一方面，本发明提供了面向持续性无风场景的长周期储能优化配置方法，该方法包括：
步骤101、根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建目标区域的历史风力发电数据。
其中，目标区域为待研究的地区，例如待研究的城市或待研究的区域。历史风速数据可以通过用户在待研究时间段内通过传感器采集得到，也可以是用户直接在相关网站下载得到。
通常来说，在一定范围内，风速越大，风电机组的叶片运动就越剧烈，产生的电流就会越多，也就是说风速与发电量之间存在一定的关联关系，该关联关系即风速与发电量的映射关系。
目标区域的历史风力发电数据包括多个样本，每个样本均包括样本时间、风速数据及发电量数据，多个样本构成一个时间依次延申的时间序列。
在本实施例中，如图2所示，为一种典型的风速与发电量的映射关系曲线，发电量以发电功率表示。其中，启动风速为13km/h，额定风速为50km/h，截止风速为100km每小时，在风速从启动风速上升至额定风速的过程中，发电功率从0MW上升至1MW；当风速从额定风速上升至截止风速的过程中，发电功率缓慢下降，当风速到达截止风速，风力机组停止工作，发电功率迅速下降为0MW。
步骤102、抽取满足第一预设条件的历史风力发电数据构建持续性的无风场景。
具体的，当样本的风速数据小于第一预设阈值，认为该样本对应的场景为无风场景，当无风场景出现的时间超出第二预设阈值后，认为对应的场景为持续性的无风场景。
步骤103、基于无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率。
其中，极值理论是处理与概率分布的中值相离程度极大的理论，常用来分析概率罕见的情况，例如地震、洪水等。
步骤104、基于历史风力发电数据和目标事件的发生概率，构建包含常态场景与非常态场景的场景集合。
其中，常态场景中包含多个时间部，非常态场景中包含多个时间部，且满足第二预设条件的时间部的风力发电功率为零。
步骤105、根据场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。
具体的，基于步骤104构建的包含常态场景和非常态场景，在确定长周期储能优化配置方案时，以优化长周期储能的选点与定容设定为优化对象，以建设成本和运行成本最小为优化目标，对优化后的模型求解后，即可得到最优的储能配置方案。
本发明实施例提供的面向持续性无风场景的长周期储能优化配置方法在实际应用时，首先，获取目标区域的历史风速数据和风速与发电量的映射关系，并根据获取的数据构建目标区域的历史风力发电数据；其次，抽取满足第一预设条件的历史风力发电数据构建持续性的无风场景；再次，基于构建的无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；之后，基于历史风力发电数据和目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；最后，根据场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。
本发明通过分析、重构历史天气与风力发电处理数据，利用极值理论拟合其中极值样本的概率分布以构建极端天气场景集合，并在构建的极端天气场景集合中加入常态场景形成场景集合并求解优化模型，最终定制最优的长周期储能配置方案。本发明同时兼顾常态场景和非常态场景对风力发电系统的影响，制定最优的长周期储能优化配置方案，有助于电力系统在极端持续性无风天气中维持电力电量平衡。
进一步的，根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建目标区域的历史风力发电数据具体包括：
步骤1011、获取目标区域在目标时间段内的历史风速数据，并对历史风速数据进行抽样及分段处理，得到分段化的风速数据系列。
具体的，获取的目标区域在目标时间段内的历史风速数据以风速时序序列的形式表示，令集合为风速数据序列有名值，单位为m/s。
如图3所示，显示了目标海域在目标时间段内一天的历史风速。在本实施例中，以目标区域5年内的历史风速数据为例，以1小时为离散间隔，以2周为关注的场景时间尺度，可得分段化的风速数据序列为，单位为m/s。
具体的，（1），
其中，表示分段化后第i个的风速序列；T取336表示以2周为关注时间尺度，并以1小时为离散间隔分为336个离散点；表示第i个时间段中第t个时刻的风速，单位为m/s。同时，记某一时段的风速序列为，即且，其中，是一个在336维实数空间中的元素。
步骤1012、获取风速与发电量的映射关系，根据映射关系，将风速数据系列映射为风电发电序列。
其中，风电发电序列中包括目标时间段内多个时刻的风力发电功率。
如图2所示，为一种典型的风速与发电量的映射关系曲线。通过线性化处理，可以将风速与发电量的映射关系以如下公式表示：
（2），
其中，v表示某时刻的风速，x表示该时刻的风力发电功率，x rate表示该风电场的额定功率，和表示该风电场的切入和切出风速，即图中的启动风速和截止风速，在本实施例中分别取4 m/s和27 m/s，v rate表示该风电场的额定风速，在本实施例中取14 m/s。
步骤1013、获取目标区域的风电机组的额定功率，计算风电发电序列中各风力发电功率与额定功率的比值，得到目标风力发电序列，并将目标风力发电序列作为目标区域的历史风力发电数据。
具体的，通过上述映射关系，可以将风速序列映射为风力发电序列，并通过将风力发电功率除以其额定功率x rate，可得标幺化后的风力发电序列，即目标风力发电序列。
如图4所示，为通过本方法重构后的目标风力发电序列。
进一步的，目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；第一预设条件为t大于预设阈值；抽取满足第一预设条件的历史风力发电数据构建持续性的无风场景，具体为：
确定事件是否满足第一预设条件，若是，则认为事件对应的目标风力发电序列段为极端场景。
在本实施例中，预设阈值为24，即持续24小时无风，当持续24小时以上无风，则称事件为极端事件，事件对应的场景为极端场景。
提取目标风力发电序列中的所有极端场景，得到持续性的无风场景。
具体的，将提取出的极端场景作为后续极值理论分析的输入。
进一步的，在基于无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，方法还包括：
获取目标风力发电序列中的场景总数，以及极端场景的个数，并计算极端场景的发生概率。
具体的，具体的，提取目标风力发电序列中的所有极端场景，记极端事件发生的概率为，则：
（3），
其中，为极端场景个数，为场景总数。
进一步的，基于无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率，具体包括：
步骤1031、极值定理（Pickands -Balkema-De Haan）给出随机变量的渐近尾部分布，当其真实分布未知时，它常被称为极值理论第二定理，令y = t -24，其中，24表示极端事件的阈值，将y的条件超额分配函数F(y)定义为：
（4）。
步骤1032、极值定理指出，通过合理的指定阈值，F(y)可以通过广义帕累托分布近似，即，具体的：
（5），
其中，为广义帕累托分布，为广义帕累托分布的参数。
步骤1033、通过极大似然法估计广义帕累托分布的参数，定义帕累托分布的对数似然函数为：
（6），
其中，(y1, y2, …,)为y的历史观测值；
根据如下公式，计算参数的估计值：
（7），
步骤1034、将极端事件A作为目标事件，在极端事件A发生的前提下，极端事件T发生的概率为，根据极值理论，由贝叶斯定理可得：
（8），
其中，，，恒为1。
因此，通过极值理论可以得到事件T的概率，以用于形成兼顾常态和非常态的风电出力场景集合。
进一步的，基于历史风力发电数据和目标事件的发生概率，构建包含常态场景与非常态场景的场景集合，其中，为形成一个总量为Nx，每个场景包含T个时间步，且同时考虑常态和非常态的场景集合，重复以下步骤Nx次实现，具体包括：
步骤1041、从0-1的均匀分布中采集一个随机数r，判断，若是，则执行步骤1042；若否，则执行步骤1043。
步骤1042、从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将目标风力发电序列加入到场景集合X中，并返回步骤1041。
其中，目标风力发电序列为常态场景。
步骤1043、求解方程，确定y的取值。
步骤1044、从历史风力发电数据中随机采样一个包含T的时间部的目标风力发电序列，并将满足第二预设条件的时间部的风力发电功率置为零，得到处理和的目标序列，并将目标序列加入到场景集合X中，并返回步骤1041。
其中，目标序列为非常态场景，第二预设条件为T之前的y个时间步。
步骤1045、循环执行上述步骤，得到总量为Nx的场景集合；Nx为预设数值，且Nx为正整数。
具体的，得到的场景集合将用于构建优化模型以确定长周期储能的选址定容决策。
进一步的，根据场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案，具体包括：
以年运营成本与投资成本之和最小为目标函数，以功率平衡约束、发电机输出约束、发电机斜坡约束、储能充放电速率约束、储能容量约束和线路流量约束为约束条件，求解长周期储能优化配置方案；
目标函数具体为：
（9），
约束条件具体为：
（10），
其中，为场景集合，x为场景对应的索引，G为目标区域的发电机集合，g为发电机索引，N为母线集合，n为发电机索引；T为场景x的时间周期集合，单位为小时；t为时间索引，T 0为时间周期集合T中的起始时刻，S为储能集合，s为储能索引，W为风机集合，w为风机索引，在时，M表示母线集合N与集合{n}的差集，M=N-{n}，m为集合M的索引；为在母线n、时间t、场景x处的发电机g的发电功率，单位为MW；为在母线n、时间t、场景x处的电力负载；为储能s在母线n处的功率增量，单位为MW；为在母线n、时间t、场景x处储能的放电功率，单位为MW；储能s在母线n处的容量增量，单位为MWh；为在母线n、时间t、场景x处的储能s的能量存量，单位为MWh，为线路nm在时间t、场景x处的传输功率，单位为MW；为场景x的发生概率；为发电机g的发电成本，单位为元/MWh；为切负荷成本，单位为元/MWh；在母线n、时间t、场景x处的电力需求，单位为MW；为储能功率的投资成本，单位为元/MW；为储能容量的投资成本，单位为元/MWh；为能功率工资设备的使用寿命，单位为年；为储能容量投资的使用寿命，单位为年；为在母线n的发电机g的现有最大发电功率，单位为MW；为发电机g的向下爬坡率，单位为pu；为发电机g的向上爬坡率，单位为pu；为母线n处储能s的现有最大充电功率，单位为MW；母线n处储能s的现有最大储能容量，单位为MWh；为线路nm的最大传输容量；为在母线n、时间t、场景x处的风机w的发电功率，单位为MW；为对时间周期T离散化时的离散间隔，单位为小时。
具体的，在本方案中，、、、、、和为优化问题的待决策变量，其余均为参数。
目标函数为使年运营成本与投资成本之和最小。
其中，运营成本包括发电成本和切负荷成本，投资成本包括储能容量提升成本和充电速度提升成本。运营成本根据情景计算并折算为年度。投资成本考虑了一次性投资和使用寿命，也换算成年。约束依次包括功率平衡约束（直流潮流）、发电机输出约束、发电机斜坡约束、储能充放电速率约束、储能容量约束和线路流量约束。
通过求解上述问题可以得到最终的储能选址定容决策方案。
如图5和图6所示，在本实施例中，使用广义帕累托分布拟合持续无风场景的尾部分布，拟合结果为：k = -0.007，=148.28。
拟合后广义帕累托分布的概率密度函数为：
（11）；
拟合结果与观察到的历史样本比较结果如图6所示，取Nx为1000，每个场景包含336个时间步，即14天，构造场景集合。
设置如下参数，具体的，令火电总装机容量为130910 MW，可再生能源总装机容量为58360MW，峰值负荷为156000MW，现有装机抽蓄为15180MW，火电成本为372元/MWh，切负荷成本为1200元/MWh，储能扩功率成本为6000元/kW，储能扩容成本为12000元/kWh，使用寿命为40年，火电爬坡速度为1%每分钟，储能爬坡速度为1%每分钟，根据约束条件（10）对目标函数（11）进行求解，得到最终的优化结果为，电力系统仍需配备1054MW、4852MWh的长周期储能。
本发明的面向持续性无风场景的长周期储能优化配置方式通过分析、重构历史天气与风力发电出力数据；通过极值理论拟合其中极值样本的概率分布以构建极端天气场景集合，加入常态场景形成场景集合并求解优化模型，以制定最优的长周期储能配置方案，能够用以扭转持续性无风场景下保供困难形势，有效提升能源供应保障能力。
如图7所示，第二方面，本发明还提供了面向持续性无风场景的长周期储能优化配置装置，该装置包括：
第一处理模块201，用于根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建目标区域的历史风力发电数据；
第二处理模块202，用于抽取满足第一预设条件的历史风力发电数据构建持续性的无风场景；
第三处理模块203，用于基于无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；
第四处理模块204，用于基于历史风力发电数据和目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；常态场景中包含多个时间部，非常态场景中包含多个时间部，且满足第二预设条件的时间部的风力发电功率为零；
第五处理模块205，用于根据场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案。
进一步的，第一处理模块201包括：
第一处理单元，用于获取目标区域在目标时间段内的历史风速数据，并对历史风速数据进行抽样及分段处理，得到分段化的风速数据系列；
第二处理单元，用于获取风速与发电量的映射关系，根据映射关系，将风速数据系列映射为风电发电序列；风电发电序列中包括目标时间段内多个时刻的风力发电功率；
第三处理单元，用于获取目标区域的风电机组的额定功率，计算风电发电序列中各风力发电功率与额定功率的比值，得到目标风力发电序列，并将目标风力发电序列作为目标区域的历史风力发电数据。
进一步的，目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；第一预设条件为t大于预设阈值；第二处理模块202包括：
极端场景确定单元，用于确定事件是否满足第一预设条件，若是，则认为事件对应的目标风力发电序列段为极端场景；
无风场景构建单元，用于提取目标风力发电序列中的所有极端场景，得到持续性的无风场景。
进一步的，在基于无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，装置还包括：
概率计算模块，用于获取目标风力发电序列中的场景总数，以及极端场景的个数，并计算极端场景的发生概率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
第三方面，本发明实施例还提供了一种电子设备，电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述任一项的面向持续性无风场景的长周期储能优化配置方法。
本发明实施例还提供了一种计算机可读存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述任一项的面向持续性无风场景的长周期储能优化配置方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.面向持续性无风场景的长周期储能优化配置方法，其特征在于，包括：
根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据；所述历史风力发电数据包括多个样本，每个所述样本均包括：样本时间、风速数据以及发电量数据；
抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景；所述第一预设条件为：所述样本的风速数据小于第一预设阈值，且小于所述第一预设阈值的样本对应的场景连续出现的时间大于第二预设阈值；
基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；
基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；所述常态场景中包含多个时间步，所述非常态场景中包含多个时间步，且满足第二预设条件的所述时间步的风力发电功率为零；
根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案；
所述基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合，具体包括：
每个场景包含T个时间步，从0-1的均匀分布中采集一个随机数r，判断，若是，则从历史风力发电数据中随机采样一个包含T的时间步的目标风力发电序列，并将所述目标风力发电序列加入到场景集合X中；其中，目标风力发电序列为常态场景；为所述目标事件的发生概率；
若否，则求解方程，确定y的取值；其中，为广义帕累托分布的参数；
从历史风力发电数据中随机采样一个包含T的时间步的目标风力发电序列，并将满足第二预设条件的所述时间步的风力发电功率置为零，得到处理后的目标序列，并将所述目标序列加入到场景集合X中；其中，所述目标序列为非常态场景，第二预设条件为T之前的y个时间步；
重复上述步骤，得到总量为Nx的场景集合；Nx为预设数值，且Nx为正整数；
所述根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案，具体为：
以年运营成本与投资成本之和最小为目标函数，以功率平衡约束、发电机输出约束、发电机斜坡约束、储能充放电速率约束、储能容量约束和线路流量约束为约束条件，求解长周期储能优化配置方案。
2.根据权利要求1所述的方法，其特征在于，所述根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据，具体包括：
获取目标区域在目标时间段内的历史风速数据，并对所述历史风速数据进行抽样及分段处理，得到分段化的风速数据系列；
获取风速与发电量的映射关系，根据所述映射关系，将所述风速数据系列映射为风电发电序列；所述风电发电序列中包括所述目标时间段内多个时刻的风力发电功率；
获取所述目标区域的风电机组的额定功率，计算所述风电发电序列中各所述风力发电功率与所述额定功率的比值，得到目标风力发电序列，并将所述目标风力发电序列作为目标区域的历史风力发电数据。
3.根据权利要求2所述的方法，其特征在于，所述目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；所述第一预设条件为t大于预设阈值；所述抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景，具体为：
确定所述事件是否满足所述第一预设条件，若是，则认为所述事件对应的所述目标风力发电序列段为极端场景；
提取所述目标风力发电序列中的所有极端场景，得到持续性的无风场景。
4.根据权利要求3所述的方法，其特征在于，在所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，所述方法还包括：
获取所述目标风力发电序列中的场景总数，以及所述极端场景的个数，并计算所述极端场景的发生概率。
5.根据权利要求4所述的方法，其特征在于，所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率，具体包括：
根据极值理论，令y = t -24，其中，24表示极端事件的阈值，将y的条件超额分配函数F(y)定义为：
，
根据极值理论，将F(y)通过广义帕累托分布近似：
，
其中，为广义帕累托分布，为广义帕累托分布的参数；
通过极大似然法估计广义帕累托分布的参数，定义帕累托分布的对数似然函数为：
，
其中，(y1, y2, …, )为y的历史观测值；
根据如下公式，计算参数的估计值：
，
将极端事件A作为目标事件，在极端事件A发生的前提下，极端事件T发生的概率为，根据极值理论，由贝叶斯定理可得：
，
其中，，，恒为1；
为极端场景个数，为场景总数。
6.根据权利要求1所述的方法，其特征在于，所述目标函数具体为：
，
约束条件具体为：
其中，为场景集合，x为场景对应的索引，G为目标区域的发电机集合，g为发电机索引，N为母线集合，n为发电机索引，T为场景x的时间周期集合，t为时间索引，T 0为时间周期集合T中的起始时刻，S为储能集合，s为储能索引，W为风机集合，w为风机索引，在时，M表示母线集合N与集合{n}的差集，M=N-{n}，m为集合M的索引，为在母线n、时间t、场景x处的发电机g的发电功率，为在母线n、时间t、场景x处的电力负载，为储能s在母线n处的功率增量，为在母线n、时间t、场景x处储能的放电功率，储能s在母线n处的容量增量，为在母线n、时间t、场景x处的储能s的能量存量，为线路nm在时间t、场景x处的传输功率，为场景x的发生概率，为发电机g的发电成本，为切负荷成本，在母线n、时间t、场景x处的电力需求，为储能功率的投资成本，为储能容量的投资成本，为储能功率工资设备的使用寿命，为储能容量投资的使用寿命，为在母线n的发电机g的现有最大发电功率，为发电机g的向下爬坡率，为发电机g的向上爬坡率，为母线n处储能s的现有最大充电功率，母线n处储能s的现有最大储能容量，为线路nm的最大传输容量，为在母线n、时间t、场景x处的风机w的发电功率，为对时间周期T离散化时的离散间隔。
7.面向持续性无风场景的长周期储能优化配置装置，其特征在于，包括：
第一处理模块，用于根据获取的目标区域的历史风速数据以及风速与发电量的映射关系，构建所述目标区域的历史风力发电数据；所述历史风力发电数据包括多个样本，每个所述样本均包括：样本时间、风速数据以及发电量数据；
第二处理模块，用于抽取满足第一预设条件的所述历史风力发电数据构建持续性的无风场景；所述第一预设条件为：所述样本的风速数据小于第一预设阈值，且小于所述第一预设阈值的样本对应的场景连续出现的时间大于第二预设阈值；
第三处理模块，用于基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率；
第四处理模块，用于基于所述历史风力发电数据和所述目标事件的发生概率，构建包含常态场景与非常态场景的场景集合；所述常态场景中包含多个时间步，所述非常态场景中包含多个时间步，且满足第二预设条件的所述时间步的风力发电功率为零；
第五处理模块，用于根据所述场景集合，以长周期储能的选点与定容设定为优化对象，以投资储能建设成本和后续电网运行成本之和最小化为优化目标，确定长周期储能优化配置方案；
所述第四处理模块被配置为执行：
从0-1的均匀分布中采集一个随机数r，判断，若是，则从历史风力发电数据中随机采样一个包含T的时间步的目标风力发电序列，并将所述目标风力发电序列加入到场景集合X中；其中，目标风力发电序列为常态场景；为所述目标事件的发生概率；
若否，则求解方程，确定y的取值；其中，为广义帕累托分布的参数；
从历史风力发电数据中随机采样一个包含T的时间步的目标风力发电序列，并将满足第二预设条件的所述时间步的风力发电功率置为零，得到处理后的目标序列，并将所述目标序列加入到场景集合X中；其中，所述目标序列为非常态场景，第二预设条件为T之前的y个时间步；
重复上述步骤，得到总量为Nx的场景集合；Nx为预设数值，且Nx为正整数；
所述第五处理模块被配置为执行：
以年运营成本与投资成本之和最小为目标函数，以功率平衡约束、发电机输出约束、发电机斜坡约束、储能充放电速率约束、储能容量约束和线路流量约束为约束条件，求解长周期储能优化配置方案。
8.根据权利要求7所述的装置，其特征在于，所述第一处理模块包括：
第一处理单元，用于获取目标区域在目标时间段内的历史风速数据，并对所述历史风速数据进行抽样及分段处理，得到分段化的风速数据系列；
第二处理单元，用于获取风速与发电量的映射关系，根据所述映射关系，将所述风速数据系列映射为风电发电序列；所述风电发电序列中包括所述目标时间段内多个时刻的风力发电功率；
第三处理单元，用于获取所述目标区域的风电机组的额定功率，计算所述风电发电序列中各所述风力发电功率与所述额定功率的比值，得到目标风力发电序列，并将所述目标风力发电序列作为目标区域的历史风力发电数据。
9.根据权利要求8所述的装置，其特征在于，所述目标风力发电序列为，的开始时刻为t0，t0时刻后持续t个时刻风力发电功率均为0为事件；所述第一预设条件为t大于预设阈值；所述第二处理模块包括：
极端场景确定单元，用于确定所述事件是否满足所述第一预设条件，若是，则认为所述事件对应的所述目标风力发电序列段为极端场景；
无风场景构建单元，用于提取所述目标风力发电序列中的所有极端场景，得到持续性的无风场景。
10.根据权利要求9所述的装置，其特征在于，在所述基于所述无风场景，根据极值理论拟合极值样本的概率分布，得到目标事件的发生概率之前，所述装置还包括：
概率计算模块，用于获取所述目标风力发电序列中的场景总数，以及所述极端场景的个数，并计算所述极端场景的发生概率。
11.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-6中任一项所述的面向持续性无风场景的长周期储能优化配置方法。
12.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-6中任一项所述的面向持续性无风场景的长周期储能优化配置方法。
CN202310904445.1A 2023-07-24 2023-07-24 面向持续性无风场景的长周期储能优化配置方法及装置 Active CN116629457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310904445.1A CN116629457B (zh) 2023-07-24 2023-07-24 面向持续性无风场景的长周期储能优化配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310904445.1A CN116629457B (zh) 2023-07-24 2023-07-24 面向持续性无风场景的长周期储能优化配置方法及装置

Publications (2)

Publication Number Publication Date
CN116629457A CN116629457A (zh) 2023-08-22
CN116629457B true CN116629457B (zh) 2023-10-20

Family

ID=87597627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310904445.1A Active CN116629457B (zh) 2023-07-24 2023-07-24 面向持续性无风场景的长周期储能优化配置方法及装置

Country Status (1)

Country Link
CN (1) CN116629457B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512466A (zh) * 2015-11-30 2016-04-20 华北电力大学 基于极值理论的电网工程实施阶段风险预警方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法
CN109787259A (zh) * 2019-01-23 2019-05-21 西安交通大学 一种基于新能源随机波动的多类型储能联合规划方法
CN113268710A (zh) * 2021-05-17 2021-08-17 中国水利水电科学研究院 一种干旱极值信息输出方法、装置、电子设备和介质
CN114372347A (zh) * 2021-12-06 2022-04-19 河海大学 一种基于极值理论的配电网消纳能力评估方法
KR20220083353A (ko) * 2020-12-11 2022-06-20 한국전력공사 재생에너지 변동성을 고려한 전력 계통 안정도 해석 시스템 및 방법
CN115795328A (zh) * 2022-11-08 2023-03-14 国网能源研究院有限公司 同时生成新能源出力常规场景和极端场景的方法及系统
CN115982953A (zh) * 2022-12-02 2023-04-18 南方电网科学研究院有限责任公司 持续高温对新能源电网供电能力影响的评估方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10975846B2 (en) * 2015-07-29 2021-04-13 General Electric Company Method and system to optimize availability, transmission, and accuracy of wind power forecasts and schedules

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512466A (zh) * 2015-11-30 2016-04-20 华北电力大学 基于极值理论的电网工程实施阶段风险预警方法
CN109508857A (zh) * 2018-09-28 2019-03-22 国网浙江省电力有限公司经济技术研究院 一种主动配电网多阶段规划方法
CN109787259A (zh) * 2019-01-23 2019-05-21 西安交通大学 一种基于新能源随机波动的多类型储能联合规划方法
KR20220083353A (ko) * 2020-12-11 2022-06-20 한국전력공사 재생에너지 변동성을 고려한 전력 계통 안정도 해석 시스템 및 방법
CN113268710A (zh) * 2021-05-17 2021-08-17 中国水利水电科学研究院 一种干旱极值信息输出方法、装置、电子设备和介质
CN114372347A (zh) * 2021-12-06 2022-04-19 河海大学 一种基于极值理论的配电网消纳能力评估方法
CN115795328A (zh) * 2022-11-08 2023-03-14 国网能源研究院有限公司 同时生成新能源出力常规场景和极端场景的方法及系统
CN115982953A (zh) * 2022-12-02 2023-04-18 南方电网科学研究院有限责任公司 持续高温对新能源电网供电能力影响的评估方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ANA FERREIRA，et al..The generalized Pareto process *
Jie Zhao，et al..IEEE TRANSACTIONS ON POWER SYSTEMS.《IEEE TRANSACTIONS ON POWER SYSTEMS》.2017,第32卷(第6期),第4970页第1栏第1段至第4971页第2栏第1段. *
with a view towards application and simulation.《Bernoulli》.2014,第20卷(第4期),第1717页第1段至第1735页第3段. *
基于启发式矩匹配法的分布式电源选址定容方法;郑建等;《电力系统及其自动化学报》;第33卷(第8期);第16页第1栏第1段至第22页第1栏第3段 *
计及复杂场景运行的主动配电网多阶段规划;赵磊;杨莉;;能源工程(第04期);第75页第2栏第1段至第80页第2栏最后1段 *
赵磊 ; 杨莉 ; .计及复杂场景运行的主动配电网多阶段规划.能源工程.2020,(第04期),第75页第2栏第1段至第80页第2栏最后1段. *

Also Published As

Publication number Publication date
CN116629457A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Razali et al. Backward reduction application for minimizing wind power scenarios in stochastic programming
Tavner et al. Reliability analysis for wind turbines
Wang et al. Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources
CN113937763B (zh) 风电功率预测方法、装置、设备及存储介质
US20140006331A1 (en) Power prediction for newly added wind turbine
JP2017187371A (ja) 気象予測装置及び風力発電所
CN111815065B (zh) 基于长短时记忆神经网络的短期电力负荷预测方法
EP2562901B1 (en) Unit commitment for wind power generation
CN113315171A (zh) 新能源消纳能力评估方法、装置、计算机设备和存储介质
CN108847679B (zh) 风力发电机组及用于其的次同步振荡识别方法、装置及系统
CN116307257B (zh) 一种特定天气下的风电场的输出功率预测方法及装置
Tahir et al. Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days
CN116089890B (zh) 一种智慧风电场的故障预警检测方法及系统
CN108471137B (zh) 一种风功率预测中风速功率概率性映射方法
CN109236589B (zh) 一种用于评估风机叶片除冰投资方案的方法及装置
CN116629457B (zh) 面向持续性无风场景的长周期储能优化配置方法及装置
CN112211794B (zh) 风电机组的机舱温度异常预警方法、装置、设备及介质
CN102539823A (zh) 一种wtg风速分布的预测方法
CN115663923B (zh) 基于储能装置的海域电网控制方法、系统及设备
Dong et al. Optimised yaw model for adaptive wind direction characteristic based on a data‐driven approach
CN106451551A (zh) 风电极限穿透功率优化方法和装置
CN110334951B (zh) 一种风电机组高温降容状态的智能评估方法及系统
CN116433073B (zh) 风电场运营效能评价方法、装置、设备及介质
Musa et al. Analysis of wind energy conversion systems in north east Nigeria using present value cost method
NEMEŞ et al. Operational parameters evaluation for optimal wind energy systems development

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