CN116703006A - 一种基于时序生产模拟的风电消纳滚动预测方法及装置 - Google Patents
一种基于时序生产模拟的风电消纳滚动预测方法及装置 Download PDFInfo
- Publication number
- CN116703006A CN116703006A CN202310915757.2A CN202310915757A CN116703006A CN 116703006 A CN116703006 A CN 116703006A CN 202310915757 A CN202310915757 A CN 202310915757A CN 116703006 A CN116703006 A CN 116703006A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- power consumption
- historical
- predicted
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 91
- 239000002699 waste material Substances 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 27
- 238000010248 power generation Methods 0.000 claims description 17
- 238000013499 data model Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/04—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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于时序生产模拟的风电消纳滚动预测方法及装置,包括:获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据;根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据;对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据;响应于用户对滚动计算的触发操作,根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果。
Description
技术领域
本发明涉及电力系统模拟计算技术领域,尤其涉及一种基于时序生产模拟的风电消纳滚动预测方法及装置。
背景技术
随着海上风电行业作为新能源发展的方向之一,风电装机量和规模不断创历史新高,但由于新能源处理的随机性和波动性,给送出通道和极限控制带来了新的难题,也对新能源的送出和合理消纳带来了挑战。
目前,现有对风电消纳和电网调峰主要通过预测模型来得出,但传统的风电消纳预测模型是根据历史负荷,天气等数据进行风电可送出的预测功率与风电预测消纳功率,缺少全面的时序生产模拟,同时基于时序生产模拟的预测模型,预测算法和新能源消纳预测存在不准确性,可能为电网带来电力电量平衡问题与规划投资问题,并且也没有考虑实时数据缺乏对预测偏差的校正,导致无法适应于实际的系统,鲁棒性较低。
因此,目前亟需一种能够提高风电消纳预测的准确性和鲁棒性的方法。
发明内容
本发明提供了一种基于时序生产模拟的风电消纳滚动预测方法及装置,以解决现有技术中预测算法和新能源消纳预测存在不准确性、鲁棒性较低的技术问题。
为了解决上述技术问题,本发明实施例提供了一种基于时序生产模拟的风电消纳滚动预测方法,包括:
获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据;
根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据;
对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据;
响应于用户对滚动计算的触发操作,根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果。
作为优选方案,所述获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据,具体为:
获取风电场的历史出力数据与历史弃风量数据,并将所获取的历史出力数据与历史弃风量数据输入至预设风电消纳模型中,进行风电消纳计算,从而得到历史风电消纳数据。
作为优选方案,所述预设风电消纳模型的构建方法,包括:
根据风电机组热稳限制功率、风电机组近区暂稳的限制功率、风电机组总体的稳定限制功率以及电网总体的平衡限制功率,构建电力平衡模型;
根据风电发电功率和风电最大送出量,构建电量平衡模型,并根据所述电量平衡模型和预设时间间隔,构建时序生产模拟模型;
将所述电力平衡模型、所述电量平衡模型和所述时序生产模拟模型进行结合,得到预设风电消纳模型。
作为优选方案,所述电力平衡模型,包括:
其中,为风电机组可送出的最大功率;/>为风电机组热稳限制功率;为风电机组近区暂稳的限制功率;/>为风电机组总体的稳定限制功率;/>为电网总体的平衡限制功率;
所述电量平衡模型,包括:
Eaban=Egen-Eout
其中,Egen为风电发电量;Pt gen为t时刻风电发电功率;Eout为风电消纳电量;为风电最大送出量;Eaban为风电弃风量;
所述时序生产模拟模型,包括:
其中,是全年风电发电量;/>是全年风电消纳电量。
作为优选方案,所述根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据,具体为:
将所述历史出力数据和所述历史弃风量数据,分别与其对应的天气数据作为预测模型的输入数据,训练得到预测出力数据模型和预测弃风量数据模型;
根据预先获取的未来天气数据,依次输入至所述预测出力数据模型和预测弃风量数据模型中,从而得到预测风电出力数据和预测弃风量数据。
作为优选方案,对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据,具体为:
分别将所述预测风电出力数据和所述预测弃风量数据输入至所述预设风电消纳模型中,进行风电消纳的预测计算,从而得到预测风电消纳数据。
作为优选方案,所述根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果,具体为:
根据各个时刻的历史风电消纳数据,选取预设时刻的实际风电消纳数据;
根据所述预设时刻的实际风电消纳数据,结合对应于该预设时刻的预测风电消纳数据,计算出优化性能指标;
通过预设滚动优化算法,根据所述优化性能指标,在每一个采样时刻,求解在未来预设控制时间段内的最优控制序列,从而根据所述最优控制序列,对所述预测风电消纳数据进行修正,从而得到优化后的预测风电消纳计算结果。
相应地,本发明还提供一种基于时序生产模拟的风电消纳滚动预测装置,包括:历史消纳数据模块、第一预测模块、第二预测模块和滚动计算模块;
所述历史消纳数据模块,用于获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据;
所述第一预测模块,用于根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据;
所述第二预测模块,用于对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据;
所述滚动计算模块,用于响应于用户对滚动计算的触发操作,根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果。
相应地,本发明还提供一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的基于时序生产模拟的风电消纳滚动预测方法。
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项所述的基于时序生产模拟的风电消纳滚动预测方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明的技术方案通过获取风电场的历史出力数据和历史弃风量数据,并进行历史风电消纳数据的计算,进而结合未来天气数据,从而得到预测风电出力弃风量数据及其预测风电消纳数据,并通过滚动迭代计算,对预测风电消纳数据进行修正,最终得到优化后的预测风电消纳计算结果,避免了由于天气预测存在的偏差,导致风电出力存在的不确定性,滚动迭代计算增加了预测的准确性,并且本发明还可以选择计算历史消纳数据,也可以进行风电消纳的预测计算,同时可以根据对预测时段风电实时数据的收集情况灵活选择对预测数据的优化计算,对于实际的风电应用能够更加全面、适配与准确。
附图说明
图1:为本发明实施例所提供的一种基于时序生产模拟的风电消纳滚动预测方法的步骤流程图;
图2:为本发明实施例所提供的一种基于时序生产模拟的风电消纳滚动预测装置的结构示意图。
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作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。
实施例一
请参照图1,为本发明实施例提供的一种基于时序生产模拟的风电消纳滚动预测方法,包括以下步骤S101-S104:
步骤S101:获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据。
作为本实施例的优选方案,所述获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据,具体为:
获取风电场的历史出力数据与历史弃风量数据,并将所获取的历史出力数据与历史弃风量数据输入至预设风电消纳模型中,进行风电消纳计算,从而得到历史风电消纳数据。
需要说明的是,所需要获取的数据包括:风电场历史出力与弃风量数据和风电场消纳实时数据,能够为风电消纳预测计算提供基础数据。其中,风电场历史出力与弃风量数据,从目标电场中获取历史数据与所需预测的未来天气数据,为计算模块提供基础数据。风电场消纳实时数据,包含不同积分时长的风电消纳数据,为建立精确滚动优化模型提供基础。
在本实施例中,根据输入的风电出力、负荷参数与弃风量等历史数据,输入至预设风电消纳模型,进行历史风电消纳计算,从而得到历史风电消纳结果。
作为本实施例的优选方案,所述预设风电消纳模型的构建方法,包括:
根据风电机组热稳限制功率、风电机组近区暂稳的限制功率、风电机组总体的稳定限制功率以及电网总体的平衡限制功率,构建电力平衡模型;根据风电发电功率和风电最大送出量,构建电量平衡模型,并根据所述电量平衡模型和预设时间间隔,构建时序生产模拟模型;将所述电力平衡模型、所述电量平衡模型和所述时序生产模拟模型进行结合,得到预设风电消纳模型。
作为本实施例的优选方案,所述电力平衡模型,包括:
其中,为风电机组可送出的最大功率;/>为风电机组热稳限制功率;为风电机组近区暂稳的限制功率;/>为风电机组总体的稳定限制功率;/>为电网总体的平衡限制功率;
所述电量平衡模型,包括:
Eaban=Egen-Eout
其中,Egen为风电发电量;Pt gen为t时刻风电发电功率;Eout为风电消纳电量;为风电最大送出量;Eaban为风电弃风量;
所述时序生产模拟模型,包括:
其中,是全年风电发电量;/>是全年风电消纳电量。
需要说明的是,预设风电消纳模型用于通过风电的出力数据和弃风量数据来计算出风电消纳量,若计算数据为历史数据则为风电消纳计算结果,若计算数据为预测数据则为预测风电消纳计算结果。
在本实施例中,在仿真软件中先建立一个详细的风电消纳计算模型,包含电力平衡模型、电量平衡模型和时序生产模拟模型,为短路比计算提供数据支撑。
进一步地,风电机组可送出的最大功率,即为风电机组热稳限制功率、风电机组近区暂稳的限制功率、风电机组总体的稳定限制功率以及电网总体的平衡限制功率的最小值。由于风电出力的不确定性,风电电量的计算是由每个时刻的风电功率对时间的积分计算所得。电量平衡需要依次计算风电发电量、风电消纳电量和风电弃风量。新能源生产模拟模型基于时序生产模拟方法建立,全年时序生产模拟保留了负荷曲线形状随时间变化的特点,优选地,以1h或者15min(时间间隔可以任意设定)为单位模拟系统运行。
步骤S102:根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据。
作为本实施例的优选方案,所述根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据,具体为:
将所述历史出力数据和所述历史弃风量数据,分别与其对应的天气数据作为预测模型的输入数据,训练得到预测出力数据模型和预测弃风量数据模型;根据预先获取的未来天气数据,依次输入至所述预测出力数据模型和预测弃风量数据模型中,从而得到预测风电出力数据和预测弃风量数据。
在本实施例中,通过利用历史数据与对应其的天气数据,进行模型数据拟合后,即可通过未来天气数据,来得到对应的预测风电出力与弃风量。
步骤S103:对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据。
作为本实施例的优选方案,对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据,具体为:
分别将所述预测风电出力数据和所述预测弃风量数据输入至所述预设风电消纳模型中,进行风电消纳的预测计算,从而得到预测风电消纳数据。
作为优选方案,还包括:对的带的预测风电消纳数据、预测风电出力数据、预测弃风量数据和历史风电消纳数据进行存储。可以理解的是,通过对中间数据的储存,能够为收集实时消纳数据之后时间保留时间裕度,并给予用户判定是否需要使用滚动优化模块前保留数据。
步骤S104:响应于用户对滚动计算的触发操作,根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果。
作为本实施例的优选方案,所述根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果,具体为:
根据各个时刻的历史风电消纳数据,选取预设时刻的实际风电消纳数据;根据所述预设时刻的实际风电消纳数据,结合对应于该预设时刻的预测风电消纳数据,计算出优化性能指标;通过预设滚动优化算法,根据所述优化性能指标,在每一个采样时刻,求解在未来预设控制时间段内的最优控制序列,从而根据所述最优控制序列,对所述预测风电消纳数据进行修正,从而得到优化后的预测风电消纳计算结果。
在本实施例中,滚动优化是模型预测算法(model predictive control,MPC)的核心环节,因为此过程不是-次离线计算就能得出结果,而是要进行在线的反复多次求解。在每一个采样时刻,根据该时刻优化性能指标J(k),求解未来M个控制时段内的最优控制序列{Δu(k),Δu(k+1),…,Δu(k+M-1)}。为了防止模型失配及环境干扰引起控制误差,只有当前值是实际执行的,在下一个采样时刻又重新求取最优控制序列。其中,优化性能指标J(k)可以为二次优化函数:
式中:Y(k+j|k)表示k时刻预测的未来k+j时刻的输出变量;Y(k+j)表示k+j时刻的输出参考值;Q为控制成本的权重矩阵。
进一步地,实际被控过程存在非线性、时变性、不确定性等原因,使基于模型预测控制的预测输出不可能与实际被控过程完全相同。在每一个采样时刻,通过实际测量到的输出信息对基于模型的预测输出进行修正,然后进行新一轮的优化,使滚动优化不仅基于模型,同时利用反馈信息,构成闭环优化。计算k时刻被控对象经过滚动优化后的输出值y(k)与系统优化目标设定值r(k)之间的偏差Δe(k)=y(k)-r(k)。并将偏差Δe(k)作用到y(k)上,以获得精确的控制结果。
可以理解的是,滚动优化模型利用预测模型和系统的历史数据、未来输入来预测系统的未来输出的控制。通过某一性能指标在滚动的有限时间区间内进行优化得到反馈校正控制。状态方程、传递函数及稳定系统的阶跃响应、脉冲响应函数等都可以作为预测模型。滚动优化与传统的全局优化不同,滚动优化在每一时刻优化性能指标只涉及到从该时刻起未来有限的时间,而到下一时刻,这一优化时间同时向前推移,不断地进行在线优化。在每一时刻得到一组未来的控制动作,而只实现本时刻的控制动作,到下一时刻重新预测优化出一组新的控制,也是只实现一个新的控制动作,每步都是反馈校正。预测控制有了预见性,滚动优化和反馈校正能够更好地适应实际系统,有更强的鲁棒性,预测控制主要有动态矩阵控制、模型算法控制和广义预测控制。
可以理解的是,通过计算风电的每日消纳预测,进而通过滚动优化提升消纳预测的准确性,便于解决供需不平衡的情况,为电力调度发挥基础支撑作用,达到提升电力系统的动态平衡的目的。
实施以上实施例,具有如下效果:
本发明的技术方案通过获取风电场的历史出力数据和历史弃风量数据,并进行历史风电消纳数据的计算,进而结合未来天气数据,从而得到预测风电出力弃风量数据及其预测风电消纳数据,并通过滚动迭代计算,对预测风电消纳数据进行修正,最终得到优化后的预测风电消纳计算结果,避免了由于天气预测存在的偏差,导致风电出力存在的不确定性,滚动迭代计算增加了预测的准确性,并且本发明还可以选择计算历史消纳数据,也可以进行风电消纳的预测计算,同时可以根据对预测时段风电实时数据的收集情况灵活选择对预测数据的优化计算,对于实际的风电应用能够更加全面、适配与准确。
实施例二
请参阅图2,本发明还提供一种基于时序生产模拟的风电消纳滚动预测装置,包括:历史消纳数据模块201、第一预测模块202、第二预测模块203和滚动计算模块204。
所述历史消纳数据模块201,用于获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据。
所述第一预测模块202,用于根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据。
所述第二预测模块203,用于对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据。
所述滚动计算模块204,用于响应于用户对滚动计算的触发操作,根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果。
作为优选方案,所述获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据,具体为:
获取风电场的历史出力数据与历史弃风量数据,并将所获取的历史出力数据与历史弃风量数据输入至预设风电消纳模型中,进行风电消纳计算,从而得到历史风电消纳数据。
作为优选方案,所述预设风电消纳模型的构建方法,包括:
根据风电机组热稳限制功率、风电机组近区暂稳的限制功率、风电机组总体的稳定限制功率以及电网总体的平衡限制功率,构建电力平衡模型;根据风电发电功率和风电最大送出量,构建电量平衡模型,并根据所述电量平衡模型和预设时间间隔,构建时序生产模拟模型;将所述电力平衡模型、所述电量平衡模型和所述时序生产模拟模型进行结合,得到预设风电消纳模型。
作为优选方案,所述电力平衡模型,包括:
其中,为风电机组可送出的最大功率;/>为风电机组热稳限制功率;为风电机组近区暂稳的限制功率;/>为风电机组总体的稳定限制功率;/>为电网总体的平衡限制功率;
所述电量平衡模型,包括:
Eaban=Egen-Eout
其中,Egen为风电发电量;为t时刻风电发电功率;Eout为风电消纳电量;/>为风电最大送出量;Eaban为风电弃风量;
所述时序生产模拟模型,包括:
其中,是全年风电发电量;/>是全年风电消纳电量。
作为优选方案,所述根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据,具体为:
将所述历史出力数据和所述历史弃风量数据,分别与其对应的天气数据作为预测模型的输入数据,训练得到预测出力数据模型和预测弃风量数据模型;根据预先获取的未来天气数据,依次输入至所述预测出力数据模型和预测弃风量数据模型中,从而得到预测风电出力数据和预测弃风量数据。
作为优选方案,对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据,具体为:
分别将所述预测风电出力数据和所述预测弃风量数据输入至所述预设风电消纳模型中,进行风电消纳的预测计算,从而得到预测风电消纳数据。
作为优选方案,所述根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果,具体为:
根据各个时刻的历史风电消纳数据,选取预设时刻的实际风电消纳数据;根据所述预设时刻的实际风电消纳数据,结合对应于该预设时刻的预测风电消纳数据,计算出优化性能指标;通过预设滚动优化算法,根据所述优化性能指标,在每一个采样时刻,求解在未来预设控制时间段内的最优控制序列,从而根据所述最优控制序列,对所述预测风电消纳数据进行修正,从而得到优化后的预测风电消纳计算结果。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
实施以上实施例,具有如下效果:
本发明的技术方案通过获取风电场的历史出力数据和历史弃风量数据,并进行历史风电消纳数据的计算,进而结合未来天气数据,从而得到预测风电出力弃风量数据及其预测风电消纳数据,并通过滚动迭代计算,对预测风电消纳数据进行修正,最终得到优化后的预测风电消纳计算结果,避免了由于天气预测存在的偏差,导致风电出力存在的不确定性,滚动迭代计算增加了预测的准确性,并且本发明还可以选择计算历史消纳数据,也可以进行风电消纳的预测计算,同时可以根据对预测时段风电实时数据的收集情况灵活选择对预测数据的优化计算,对于实际的风电应用能够更加全面、适配与准确。
实施例三
相应地,本发明还提供一种终端设备,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项实施例所述的基于时序生产模拟的风电消纳滚动预测方法。
该实施例的终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序、计算机指令。所述处理器执行所述计算机程序时实现上述实施例一中的各个步骤,例如图1所示的步骤S101至S104。或者,所述处理器执行所述计算机程序时实现上述装置实施例中各模块/单元的功能,例如第一预测模块202。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。例如,第一预测模块202,用于根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,示意图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据移动终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
实施例四
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的基于时序生产模拟的风电消纳滚动预测方法。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时序生产模拟的风电消纳滚动预测方法,其特征在于,包括:
获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据;
根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据;
对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据;
响应于用户对滚动计算的触发操作,根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果。
2.如权利要求1所述的一种基于时序生产模拟的风电消纳滚动预测方法,其特征在于,所述获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据,具体为:
获取风电场的历史出力数据与历史弃风量数据,并将所获取的历史出力数据与历史弃风量数据输入至预设风电消纳模型中,进行风电消纳计算,从而得到历史风电消纳数据。
3.如权利要求2所述的一种基于时序生产模拟的风电消纳滚动预测方法,其特征在于,所述预设风电消纳模型的构建方法,包括:
根据风电机组热稳限制功率、风电机组近区暂稳的限制功率、风电机组总体的稳定限制功率以及电网总体的平衡限制功率,构建电力平衡模型;
根据风电发电功率和风电最大送出量,构建电量平衡模型,并根据所述电量平衡模型和预设时间间隔,构建时序生产模拟模型;
将所述电力平衡模型、所述电量平衡模型和所述时序生产模拟模型进行结合,得到预设风电消纳模型。
4.如权利要求3所述的一种基于时序生产模拟的风电消纳滚动预测方法,其特征在于,所述电力平衡模型,包括:
其中,为风电机组可送出的最大功率;/>为风电机组热稳限制功率;/>为风电机组近区暂稳的限制功率;/>为风电机组总体的稳定限制功率;/>为电网总体的平衡限制功率;
所述电量平衡模型,包括:
Eaban=Egen-Eout
其中,Egen为风电发电量;Pt gen为t时刻风电发电功率;Eout为风电消纳电量;为风电最大送出量;Eaban为风电弃风量;
所述时序生产模拟模型,包括:
其中,是全年风电发电量;/>是全年风电消纳电量。
5.如权利要求4所述的一种基于时序生产模拟的风电消纳滚动预测方法,其特征在于,所述根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据,具体为:
将所述历史出力数据和所述历史弃风量数据,分别与其对应的天气数据作为预测模型的输入数据,训练得到预测出力数据模型和预测弃风量数据模型;
根据预先获取的未来天气数据,依次输入至所述预测出力数据模型和预测弃风量数据模型中,从而得到预测风电出力数据和预测弃风量数据。
6.如权利要求5所述的一种基于时序生产模拟的风电消纳滚动预测方法,其特征在于,对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据,具体为:
分别将所述预测风电出力数据和所述预测弃风量数据输入至所述预设风电消纳模型中,进行风电消纳的预测计算,从而得到预测风电消纳数据。
7.如权利要求6所述的一种基于时序生产模拟的风电消纳滚动预测方法,其特征在于,所述根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果,具体为:
根据各个时刻的历史风电消纳数据,选取预设时刻的实际风电消纳数据;
根据所述预设时刻的实际风电消纳数据,结合对应于该预设时刻的预测风电消纳数据,计算出优化性能指标;
通过预设滚动优化算法,根据所述优化性能指标,在每一个采样时刻,求解在未来预设控制时间段内的最优控制序列,从而根据所述最优控制序列,对所述预测风电消纳数据进行修正,从而得到优化后的预测风电消纳计算结果。
8.一种基于时序生产模拟的风电消纳滚动预测装置,其特征在于,包括:历史消纳数据模块、第一预测模块、第二预测模块和滚动计算模块;
所述历史消纳数据模块,用于获取风电场的历史出力数据与历史弃风量数据,并对所述历史出力数据与所述历史弃风量数据进行风电消纳计算,得到历史风电消纳数据;
所述第一预测模块,用于根据所述历史出力数据与历史弃风量数据,结合预先获取的未来天气数据,计算得到预测风电出力数据和预测弃风量数据;
所述第二预测模块,用于对所述预测风电出力数据和所述预测弃风量数据进行风电消纳预测计算,得到预测风电消纳数据;
所述滚动计算模块,用于响应于用户对滚动计算的触发操作,根据各个时刻的历史风电消纳数据和当前时刻所得到的预测风电消纳数据,进行最优序列滚动迭代计算,从而得到优化后的预测风电消纳计算结果。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的基于时序生产模拟的风电消纳滚动预测方法。
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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于时序生产模拟的风电消纳滚动预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915757.2A CN116703006A (zh) | 2023-07-25 | 2023-07-25 | 一种基于时序生产模拟的风电消纳滚动预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915757.2A CN116703006A (zh) | 2023-07-25 | 2023-07-25 | 一种基于时序生产模拟的风电消纳滚动预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703006A true CN116703006A (zh) | 2023-09-05 |
Family
ID=87839386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310915757.2A Pending CN116703006A (zh) | 2023-07-25 | 2023-07-25 | 一种基于时序生产模拟的风电消纳滚动预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703006A (zh) |
-
2023
- 2023-07-25 CN CN202310915757.2A patent/CN116703006A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shu et al. | Optimal operation strategy of energy storage system for grid-connected wind power plants | |
CN111695742B (zh) | 一种综合能源系统日前调度区间优化方法、系统及设备 | |
CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
CN114037191A (zh) | 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 | |
CN103986193B (zh) | 一种最大风电并网容量获取的方法 | |
CN111917111B (zh) | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 | |
CN112966883A (zh) | 综合能源系统运行优化方法及终端设备 | |
CN115498623A (zh) | 多微电网的储能配置优化方法、装置、设备及存储介质 | |
CN113689068B (zh) | 一种电力电量平衡规划方法、装置及终端设备 | |
CN117035335A (zh) | 一种多阶段储能与输电网协同规划方法及系统 | |
CN114336739B (zh) | 基于云边协同的光储电站储能功率配置方法和系统 | |
CN116703006A (zh) | 一种基于时序生产模拟的风电消纳滚动预测方法及装置 | |
CN115566680A (zh) | 一种新能源电力系统时序生产模拟运行优化方法及装置 | |
CN115764936A (zh) | 电网储能配置的优化方法、装置、设备及存储介质 | |
CN104037781A (zh) | 电网无功协调控制方法及装置 | |
CN118095765A (zh) | 一种配电网的两阶段规划方法、装置、设备及存储介质 | |
CN116937710A (zh) | 新能源基地的功率控制方法、装置、设备及介质 | |
CN118297277A (zh) | 一种电网碳排放因子计算方法、装置、设备及存储介质 | |
CN116544929A (zh) | 一种电力系统中长期时序运行模拟计算方法及系统 | |
Kumar et al. | Load Flow Algorithm for Variable Economical Power Dispatch of Electricity Generation including Demand Response | |
CN114597906A (zh) | 一种基于电源及负荷预测偏差的主动负荷控制方法及系统 | |
CN117909432A (zh) | 一种面向光伏发电预测的辐照度修正方法及装置 | |
CN118300129A (zh) | 考虑动态频率安全的储能配置方法、装置、设备及介质 | |
CN115642621A (zh) | 一种面向多目标优化的新能源-储能场站协同控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |