CN116776613A - 风光出力场景重构系统 - Google Patents

风光出力场景重构系统 Download PDF

Info

Publication number
CN116776613A
CN116776613A CN202310768737.7A CN202310768737A CN116776613A CN 116776613 A CN116776613 A CN 116776613A CN 202310768737 A CN202310768737 A CN 202310768737A CN 116776613 A CN116776613 A CN 116776613A
Authority
CN
China
Prior art keywords
wind
light output
scene
module
data
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
Application number
CN202310768737.7A
Other languages
English (en)
Other versions
CN116776613B (zh
Inventor
姚颖蓓
庄侃沁
王峥
程浩忠
孙超
柳璐
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.)
East China Branch Of State Grid Corp ltd
Original Assignee
East China Branch Of State Grid Corp 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 East China Branch Of State Grid Corp ltd filed Critical East China Branch Of State Grid Corp ltd
Priority to CN202310768737.7A priority Critical patent/CN116776613B/zh
Publication of CN116776613A publication Critical patent/CN116776613A/zh
Application granted granted Critical
Publication of CN116776613B publication Critical patent/CN116776613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Photovoltaic Devices (AREA)

Abstract

本申请公开了一种风光出力场景重构系统,包括:输入模块,用于获取各季节的历史样本数据,其中,历史样本数据为基于时序的采样数据;时间相关性模型构建模块,用于根据历史样本数据,确定不同时刻风光出力的概率密度函数,得到各季节风光出力的时间序列信息;空间相关性模型构建模块,用于利用Frank‑Copula函数确定目标空间范围内风光出力的风光出力相关性信息;可信度计算模块,用于根据时间序列信息以及风光出力相关性信息,得到风光出力重构场景以及场景对应的概率,并计算风光出力重构场景中的风光出力可信度。本申请解决了现有方案未涉及联合考虑风光出力时空相关性及季节差异性方法,未解决多方面风光出力联合建模的问题。

Description

风光出力场景重构系统
技术领域
本申请涉及新能源发电技术领域,尤其是涉及到一种风光出力场景重构系统。
背景技术
随着新型电力系统的发展,风力发电和光伏发电已成为可再生能源利用的两种主要形式。然而,由于风速、光照强度等自然因素固有的随机性和波动性,风电场和光伏电站的输出具有很强的间歇性和不可控性。随着不确定电源穿透功率的增加,新能源对电网的影响日益突出,严重影响电力系统的安全、稳定和可靠性。因此,在含新能源的电力系统规划方法中,有必要选择合适的风光出力场景,从而提高新型电力系统规划方法的可靠性。风能和太阳能的自然属性决定了风光出力的不确定性,也决定了一定区域内风光出力的相关性。
目前研究电力系统风光出力相关性的主要方法包括相关系数矩阵法和Copula函数法。相关系数矩阵法通过矩阵变换对输入变量间的相关系数矩阵进行转化,以正态空间中生成的独立序列得到非正态空间中包含相关性的序列,已有文献中,石东源、蔡德福、陈金富等,在《中国电机工程学报》(2012,32(28):104-113)发表的《计及输入变量相关性的半不变量法概率潮流计算》提出了一种基于相关系数矩阵Cholesky分解的PLF计算方法,分析了风速相关性对系统运行特性的影响。潘雄、周明、孔晓民等,在《电力系统自动化》(2013,37(6):37-41)发表的《风速相关性对最优潮流的影响》利用Nataf逆变换建立多个风电场间考虑相关性的风速样本空间,进而获得相关性风电出力。方斯顿、程浩忠、徐国栋等,在《电力自动化设备》(2012,32(28):104-113)发表的《基于Nataf变换和准蒙特卡洛模拟的随机潮流方法》考虑到Cholesky分解无法处理相关系数矩阵为非正定或非满秩阵的情况,在Nataf变换中采用奇异值分解技术处理多维风速相关系数矩阵,应用于PLF的求解中,具有较高的收敛速度和计算精度。Copula函数通过建立随机变量边缘分布的连接函数描述其联合分布特性,目前已是分析电力系统各种不确定性因素间相关性的主要方法。段偲默、苗世洪、霍雪松等,在《电力系统保护与控制》(2019.47(05):35-42)发表的《基于动态Copula的风光联合出力建模及动态相关性分析》提出了基于动态Copula函数的风光联合出力模型构建方法;马燕峰、李鑫、刘金山等,在《电力自动化设备》(2020,40(02):55-65)发表的《考虑风电场时空相关性的多场景优化调度》基于混合Copula函数和连续马尔科夫链模型构建多维时序风速相关性模型,并根据抽样产生的大量模拟场景聚类生成典型场景。
现有方案未涉及联合考虑风光出力时空相关性及季节差异性方法,没有解决多方面风光出力联合建模的应用难题。
发明内容
有鉴于此,本申请提供了一种风光出力场景重构系统,解决了现有方案未涉及联合考虑风光出力时空相关性及季节差异性方法,没有解决多方面风光出力联合建模的问题。
根据本申请的一个方面,提供了一种风光出力场景重构系统,包括:
输入模块,用于获取各季节的历史样本数据,其中,所述历史样本数据为基于时序的采样数据;
时间相关性模型构建模块,用于根据所述历史样本数据,确定不同时刻风光出力的概率密度函数,得到各季节风光出力的时间序列信息;
空间相关性模型构建模块,用于利用Frank-Copula函数确定目标空间范围内风光出力的风光出力相关性信息;
可信度计算模块,用于根据所述时间序列信息以及所述风光出力相关性信息,得到风光出力重构场景以及所述场景对应的概率,并计算所述风光出力重构场景中的风光出力可信度。
可选地,所述时间相关性模型构建模块包括概率密度函数生成模块;
所述概率密度函数生成模块用于根据所述历史样本数据得到各季节各时刻风光出力的核密度估计,根据所述核密度估计得到各季节各时刻风光出力的概率密度函数,根据所述概率密度函数建立所述风光出力的时间序列模型。
可选地,所述时间相关性模型构建模块还包括带宽计算模块;
所述带宽计算模块用于利用最小化积分均方误差方法,计算得到核密度估计的目标带宽。
可选地,所述空间相关性模型构建模块包括相关性构造模块;
所述相关性构造模块用于利用Frank-Copula函数,构建各季节风光出力的空间相关性模型。
可选地,所述空间相关性模型构建模块包括参数估计模块;
所述参数估计模块用于利用最大似然估计,得到所述空间相关性模型的模型参数估计值。
可选地,所述可信度计算模块用于:
利用二分法计算各季节对应的风光出力原场景中的风光出力可信度、所述风光出力重构场景中的风光出力可信度,以及可信度偏差。
可选地,所述可信度计算模块具体用于:
计算原场景中的可靠性指标值,作为基准值;
设定风电可信容量的上限为100%装机容量,下限为0%装机容量;
将所述上限以及所述下限的均值作为可信容量,并计算所述可信容量下的可靠性指标值;
若所述可靠性指标值不满足预设要求,则根据所述可信容量下的可靠性指标值与所述基准值之间的差值,利用二分法调整所述上限或下限,并返回至将所述上限以及所述下限的均值作为可信容量的步骤。
可选地,所述系统还包括:
场景采样模块,用于对各季节的风光出力原场景进行采样,得到采样数据,其中,所述采样数据包括常规机组数据、风电出力数据、光伏出力数据、负荷数据。
可选地,所述系统还包括:
数据模块,用于存储所述采样数据,并对所述采样数据进行预处理,其中,所述预处理包括补全缺漏数据、降噪处理、分类处理。
可选地,所述系统还包括:
输出模块,用于输出所述风光出力重构场景以及所述风光出力重构场景中的风光出力可信度。
借由上述技术方案,本申请综合考虑风光出力季节特征、时间序列特征以及一定范围内风光出力相关性特征,在此基础上,分别计算原始场景和重构场景中风光出力可信度及可信度偏差,从而得到更科学全面的风光场景重构方法。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种风光出力场景重构系统的结构框图;
图2示出了本申请实施例提供的另一种风光出力场景重构系统的二分法的流程示意图;
图3示出了本申请实施例提供的另一种风光出力场景重构系统的历史采样数据示意图之一;
图4示出了本申请实施例提供的另一种风光出力场景重构系统的历史采样数据示意图之二;
图5示出了本申请实施例提供的另一种风光出力场景重构系统的历史采样数据示意图之三;
图6示出了本申请实施例提供的另一种风光出力场景重构系统的历史采样数据示意图之四;
图7示出了本申请实施例提供的另一种基于风电出力场景重构系统的春季风电出力场景示意图之一;
图8示出了本申请实施例提供的另一种基于光伏出力场景重构系统的春季风电出力场景示意图之一;
图9示出了本申请实施例提供的另一种基于风电出力场景重构系统的春季风电出力场景示意图之二;
图10示出了本申请实施例提供的另一种基于光伏出力场景重构系统的春季风电出力场景示意图之二;
图11示出了本申请实施例提供的另一种基于风电出力场景重构系统的夏季风电出力场景示意图之一;
图12示出了本申请实施例提供的另一种基于光伏出力场景重构系统的夏季风电出力场景示意图之一;
图13示出了本申请实施例提供的另一种基于风电出力场景重构系统的夏季风电出力场景示意图之二;
图14示出了本申请实施例提供的另一种基于光伏出力场景重构系统的夏季风电出力场景示意图之二;
图15示出了本申请实施例提供的另一种基于风电出力场景重构系统的秋季风电出力场景示意图之一;
图16示出了本申请实施例提供的另一种基于光伏出力场景重构系统的秋季风电出力场景示意图之一;
图17示出了本申请实施例提供的另一种基于风电出力场景重构系统的秋季风电出力场景示意图之二;
图18示出了本申请实施例提供的另一种基于风伏出力场景重构系统的秋季风电出力场景示意图之二;
图19示出了本申请实施例提供的另一种基于风电出力场景重构系统的冬季风电出力场景示意图之一;
图20示出了本申请实施例提供的另一种基于光伏出力场景重构系统的冬季风电出力场景示意图之一;
图21示出了本申请实施例提供的另一种基于风电出力场景重构系统的冬季风电出力场景示意图之二;
图22示出了本申请实施例提供的另一种基于光伏出力场景重构系统的冬季风电出力场景示意图之二。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种风光出力场景重构系统,如图1所示,该系统包括输入模块、时间相关性模型构建模块、空间相关性模型构建模块以及可信度计算模块。
输入模块,用于获取各季节的历史样本数据,其中,历史样本数据为基于时序的采样数据;
时间相关性模型构建模块,用于根据历史样本数据,确定不同时刻风光出力的概率密度函数,得到各季节风光出力的时间序列信息;
空间相关性模型构建模块,用于利用Frank-Copula函数确定目标空间范围内风光出力的风光出力相关性信息;
可信度计算模块,用于根据时间序列信息以及风光出力相关性信息,得到风光出力重构场景以及场景对应的概率,并计算风光出力重构场景中的风光出力可信度。
本申请实施例提供的风光出力场景重构系统,用于根据历史数据,考虑风光出力的相关性、自然因素等的随机性以及波动性,重构风光出力场景。
具体地,本系统包括输入模块,用于获取历史样本数据并发送至其他模块进行分析。其中,可以理解的是,风能和太阳能受到季节以及时间的影响较大,例如,相较于其他季节,夏季太阳能出力更多;而在同一天中,中午太阳能出力较多。基于此,可分别获取不同季节的历史样本数据,并分别对每个季节的样本数据进行分析,得到各季节对应的重构场景。其中,历史样本数据为基于时刻的采样数据序列,例如某个季节中的风电或光伏出力序列中包含n个样本x1,x2,…xn
时间相关性模型构建模块以及空间相关性模型构建模块分别用于得到风光出力的时间序列特征以及一定范围内风光出力相关性特征。
其中,时间相关性模型构建模块首先根据不同时刻的历史样本数据,分别确定不同时刻风光出力的核密度估计。具体地,通过核函数(如高斯函数等)将每个样本数据以及带宽当作核函数的参数,得到n个核函数,再线性叠加就形成了核密度的估计函数。然后再根据核密度估计得到整个样本集的概率密度函数,也即不同时刻风光出力的概率密度函数。在该模块中,由于采用了不同时刻的样本组成的风电以及光伏出力序列,因此得到的概率密度函数也带有时间序列特征,也即时间上的相关性特征。
空间相关性模型构建模块利用Copula函数拟合风光出力特征。具体地,分析采集的多组历史采样数据,得到采样数据的联合分布函数及联合密度函数,通过采样数据的相关性表现出一定范围内风光出力相关性特征,也即空间上的相关性特征。
在得到空间上的相关性特征以及时间上的相关性特征后,即可得到重构的风光出力场景以及场景出现的概率。可信度计算模块用于计算场景对应的风光出力可信度。其中,风光出力可信度是保证电力系统的发电总量不变的情况下,风电机组以及光伏机组所能够替代常规机组的容量。例如,若机组需要的发电总量为10KW,风光能够发电3KW,则其容量可信度为3KW。
在具体的应用场景中,时间相关性模型构建模块包括概率密度函数生成模块,用于根据历史样本数据得到各季节各时刻风光出力的核密度估计,根据核密度估计得到各季节各时刻风光出力的概率密度函数,根据概率密度函数建立风光出力的时间序列模型。
具体地,针对风电或光伏出力采样数据序列中的样本x1,x2,…xn,任意点x处的概率密度函数fh(x)的核密度估计为:
其中,h为带宽,n为样本容量,K()为核函数,表达式如下:
在具体的应用场景中,可以理解的是,选取不同的带宽,最终求解出来的概率密度函数会呈现不同的形态。一般来说,带宽越小则概率密度函数越不平滑,包含的噪声也越多;带宽越大,则概率密度函数会过分平滑,包含的细节也越少。基于此,时间相关性模型构建模块还包括带宽计算模块,该模块利用最小化积分均方误差方法,计算得到核密度估计的最优带宽,也即目标带宽。
具体地,的最小化积分均方误差可表示为:
在上式中,略去式中的无穷小量可得渐进积分均方误差,可以得到:
令上式偏导为零,即可解得最优带宽为:
采用核函数即可得到/>
在具体的应用场景中,空间相关性模型构建模块包括相关性构造模块,用于利用Frank-Copula函数(Copula函数族中的一个分支),构建各季节风光出力的空间相关性模型。
设描述N维随机变量联合分布的Copula函数为C(u1,u2,…uN;α),α为未知参数,即没有直接给定,需要通过其他方法整定的参数,如极大似然估计。联合分布函数及联合密度函数可分别表示为:
H(X;θ12,…,θN,α)=C[F1(x1;θ1),F2(x2;θ2),…FN(xN;θN);α]
式中:θ12,…,θN为边缘分布中的未知参数,F1(x1;θ1),F2(x2;θ2),…,FN(xN;θN)为边缘分布函数,f1(x1;θ1),f2(x2;θ2),…,fN(xN;θN)为边缘密度函数。由于风光出力具有负相关性,所以选用Frank-Copula函数模型,其二元变量(x,θ)情况下分布函数如下所示:
式中,u,v是两个随机变量。
在具体的应用场景中,空间相关性模型构建模块包括参数估计模块,用于利用最大似然估计,得到空间相关性模型的模型参数估计值。
具体地,利用最大似然法对参数进行估计。样本的对数似然函数为:
令上式偏导为零,可以解得各未知参数的最大似然估计量:
在具体的应用场景中,可信度计算模块用于:利用二分法计算各季节对应的风光出力原场景中的风光出力可信度、风光出力重构场景中的风光出力可信度,并计算原场景与重构场景的风光出力可信度之间的可信度偏差,偏差越小则证明场景重构越精准。
具体地,二分法具体步骤如图2所示,首先设定风电容量可信容量的上限为100%装机容量,下限为0%装机容量,取可信容量的初值为上下限的中点,计算此时系统的可靠性,其中,可靠性的判断指标以电力不足概率(LOLP)来定义。将此时系统的可靠性与原系统可靠性进行对比,然后根据对比结果更新容量可信度上下限(原系统可靠性低于等效系统,则容量可信容量上限更新为50%装机容量,否则下限更新为50%装机容量),进而进入下一次迭代,再次计算取可信容量上下限中点时系统的可信容量,直至可信容量计算精度达到要求。
在具体的应用场景中,系统包括场景采样模块,根据场景数量、场景特征需求,先对边缘累积分布函数值进行采样,再通过边缘分布的逆函数得到实际出力数据,实现对各季节风光出力场景进行采样。采样数据包括常规机组数据、风电出力数据、光伏出力数据、负荷数据。其中,场景数量在方法实施过程中根据历史经验确定,保证足够的数量,能够反映联合分布函数的特征即可。
在具体的应用场景中,系统包括数据模块,用于存储数据并对其进行预处理,其中,数据包括:常规机组数据、风电出力数据、光伏出力数据、负荷数据;预处理包括:补全缺漏数据、降噪处理、分类处理。
在具体的应用场景中,系统包括输出模块,用于输出各季节的风光出力重构场景、场景对应的概率以及风光出力重构场景中的风光出力可信度。
在一个具体的实施例中,常规机组编号及装机容量如图3所示,历史风机出力如图4所示,历史光伏出力如图5所示,历史负荷数据如图6所示。系统总装机容量为376,474.4MW,其中风电装机容量占比为4%,光伏装机容量占比为7%,年最大负荷为285,674.6MW。
考虑风光出力时空相关性及数据季节差异性后,根据历史风光采集数据,利用上述场景重构方法,得到新的场景中每个时刻风光数据,输出各季节场景重构及可信度对比结果。图7、8为春季风光重构场景1,其中图7为风电出力场景,图8为光伏出力场景;图9、10为春季风光重构场景2,其中图9为风电出力场景,图10为光伏出力场景;图11、12为夏季风光重构场景1,其中图11为风电出力场景,图12为光伏出力场景;图13、14为夏季风光重构场景2,其中图13为风电出力场景,图14为光伏出力场景;图15、16为秋季风光重构场景1,其中图15为风电出力场景,图16为光伏出力场景;图17、18为秋季风光重构场景2,其中图17为风电出力场景,图18为光伏出力场景;图19、20为冬季风光重构场景1,其中图19为风电出力场景,图20为光伏出力场景;图21、22为冬季风光重构场景2,其中图21为风电出力场景,图22为光伏出力场景。
春季风光出力场景概率分别为0.42、0.58,夏季风光出力场景概率分别为0.75、0.25,春季风光出力场景概率分别为0.49、0.51,春季风光出力场景概率分别为0.48、0.52。
可信度计算结果如表1所示。
表1可信度计算结果
从可信度计算结果可以看出,考虑风光出力时空相关性及季节差异性的重构模型能够获得符合该地区实际情况的重构结果,为电力系统调度或规划提供可靠场景。
与现有技术相比,本发明具有如下优点:
(1)本发明在含风光出力的场景重构模型中不仅考虑了一定区域内风光出力相关性,也考了风光出力的时间序列,使得重构结果约束更强。
(2)本发明考虑了风光出力季节差异性,分别对每个季节进行场景重构,使得场景重构结果更加符合当地实际情况。
(3)本发明在重构模型中加入了可信度计算模块,一方面可以判断重构结果是否满足系统可信度要求;另一方面从可信度计算结果,可以帮助规划调度人员对场景重构结果进行有目标的修正。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的单元或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的单元可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的单元可以合并为一个单元,也可以进一步拆分成多个子单元。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种风光出力场景重构系统,其特征在于,所述系统包括:
输入模块,用于获取各季节的历史样本数据,其中,所述历史样本数据为基于时序的采样数据;
时间相关性模型构建模块,用于根据所述历史样本数据,确定不同时刻风光出力的概率密度函数,得到各季节风光出力的时间序列信息;
空间相关性模型构建模块,用于利用Frank-Copula函数确定目标空间范围内风光出力的风光出力相关性信息;
可信度计算模块,用于根据所述时间序列信息以及所述风光出力相关性信息,得到风光出力重构场景以及所述场景对应的概率,并计算所述风光出力重构场景中的风光出力可信度。
2.根据权利要求1所述的系统,其特征在于,所述时间相关性模型构建模块包括概率密度函数生成模块;
所述概率密度函数生成模块用于根据所述历史样本数据得到各季节各时刻风光出力的核密度估计,根据所述核密度估计得到各季节各时刻风光出力的概率密度函数,根据所述概率密度函数建立所述风光出力的时间序列模型。
3.根据权利要求2所述的系统,其特征在于,所述时间相关性模型构建模块还包括带宽计算模块;
所述带宽计算模块用于利用最小化积分均方误差方法,计算得到核密度估计的目标带宽。
4.根据权利要求1所述的系统,其特征在于,所述空间相关性模型构建模块包括相关性构造模块;
所述相关性构造模块用于利用Frank-Copula函数,构建各季节风光出力的空间相关性模型。
5.根据权利要求4所述的系统,其特征在于,所述空间相关性模型构建模块包括参数估计模块;
所述参数估计模块用于利用最大似然估计,得到所述空间相关性模型的模型参数估计值。
6.根据权利要求1所述的系统,其特征在于,所述可信度计算模块用于:
利用二分法计算各季节对应的风光出力原场景中的风光出力可信度、所述风光出力重构场景中的风光出力可信度,以及可信度偏差。
7.根据权利要求6所述的系统,其特征在于,所述可信度计算模块具体用于:
计算原场景中的可靠性指标值,作为基准值;
设定风电可信容量的上限为100%装机容量,下限为0%装机容量;
将所述上限以及所述下限的均值作为可信容量,并计算所述可信容量下的可靠性指标值;
若所述可靠性指标值不满足预设要求,则根据所述可信容量下的可靠性指标值与所述基准值之间的差值,利用二分法调整所述上限或下限,并返回至将所述上限以及所述下限的均值作为可信容量的步骤。
8.根据权利要求1所述的系统,其特征在于,所述系统还包括:
场景采样模块,用于对各季节的风光出力原场景进行采样,得到采样数据,其中,所述采样数据包括常规机组数据、风电出力数据、光伏出力数据、负荷数据。
9.根据权利要求1所述的系统,其特征在于,所述系统还包括:
数据模块,用于存储所述采样数据,并对所述采样数据进行预处理,其中,所述预处理包括补全缺漏数据、降噪处理、分类处理。
10.根据权利要求1所述的系统,其特征在于,所述系统还包括:
输出模块,用于输出所述风光出力重构场景以及所述风光出力重构场景中的风光出力可信度。
CN202310768737.7A 2023-06-27 2023-06-27 风光出力场景重构系统 Active CN116776613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310768737.7A CN116776613B (zh) 2023-06-27 2023-06-27 风光出力场景重构系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310768737.7A CN116776613B (zh) 2023-06-27 2023-06-27 风光出力场景重构系统

Publications (2)

Publication Number Publication Date
CN116776613A true CN116776613A (zh) 2023-09-19
CN116776613B CN116776613B (zh) 2024-02-06

Family

ID=87985702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310768737.7A Active CN116776613B (zh) 2023-06-27 2023-06-27 风光出力场景重构系统

Country Status (1)

Country Link
CN (1) CN116776613B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104319807A (zh) * 2014-10-17 2015-01-28 南方电网科学研究院有限责任公司 一种基于Copula函数获取多风电场容量可信度的方法
CN109492315A (zh) * 2018-11-19 2019-03-19 西安交通大学 一种基于Copula函数的时空相关风光序列模拟方法
CN110311420A (zh) * 2019-06-29 2019-10-08 南京理工大学 一种风光联合出力时序场景的生成方法
CN110648006A (zh) * 2018-06-26 2020-01-03 南京理工大学 一种考虑风光相关性的日前优化调度方法
CN110889603A (zh) * 2019-11-13 2020-03-17 国网北京市电力公司 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法
CN111639808A (zh) * 2020-05-29 2020-09-08 国网山东省电力公司经济技术研究院 一种考虑时空相关性的多风电场出力场景生成方法及系统
WO2021051035A1 (en) * 2019-09-13 2021-03-18 Arrieta Prieto Mario Spatio-temporal probabilistic forecasting of wind power output
WO2021164112A1 (zh) * 2020-02-18 2021-08-26 山东大学 风电场优化配置储能作为黑启动电源的频率控制方法及系统
CN114386700A (zh) * 2022-01-13 2022-04-22 广东电网有限责任公司 考虑风光相关性的输电系统规划方法、装置及存储介质
CN115149565A (zh) * 2022-02-10 2022-10-04 国网山东省电力公司经济技术研究院 一种计及源荷匹配特性的新能源可信容量评估方法及系统
WO2023004838A1 (zh) * 2021-07-26 2023-02-02 大连理工大学 一种风电出力区间预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104319807A (zh) * 2014-10-17 2015-01-28 南方电网科学研究院有限责任公司 一种基于Copula函数获取多风电场容量可信度的方法
CN110648006A (zh) * 2018-06-26 2020-01-03 南京理工大学 一种考虑风光相关性的日前优化调度方法
CN109492315A (zh) * 2018-11-19 2019-03-19 西安交通大学 一种基于Copula函数的时空相关风光序列模拟方法
CN110311420A (zh) * 2019-06-29 2019-10-08 南京理工大学 一种风光联合出力时序场景的生成方法
WO2021051035A1 (en) * 2019-09-13 2021-03-18 Arrieta Prieto Mario Spatio-temporal probabilistic forecasting of wind power output
CN110889603A (zh) * 2019-11-13 2020-03-17 国网北京市电力公司 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法
WO2021164112A1 (zh) * 2020-02-18 2021-08-26 山东大学 风电场优化配置储能作为黑启动电源的频率控制方法及系统
CN111639808A (zh) * 2020-05-29 2020-09-08 国网山东省电力公司经济技术研究院 一种考虑时空相关性的多风电场出力场景生成方法及系统
WO2023004838A1 (zh) * 2021-07-26 2023-02-02 大连理工大学 一种风电出力区间预测方法
CN114386700A (zh) * 2022-01-13 2022-04-22 广东电网有限责任公司 考虑风光相关性的输电系统规划方法、装置及存储介质
CN115149565A (zh) * 2022-02-10 2022-10-04 国网山东省电力公司经济技术研究院 一种计及源荷匹配特性的新能源可信容量评估方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴耀武;张联邦;李海英;娄素华;杨育丰;: "考虑多风电场出力相关性的风电容量可信度评估方法", 电力自动化设备, no. 11 *
汤向华;李秋实;侯丽钢;陈昌铭;刘晟源;林振智;: "基于Copula函数的风电时序联合出力典型场景生成", 电力工程技术, no. 05 *
赵继超;袁越;傅质馨;孙纯军;钱康;许文超;: "基于Copula理论的风光互补发电系统可靠性评估", 电力自动化设备, no. 01 *
钟嘉庆;李茂林;江静;张晓辉;: "基于Copula理论的风/光出力预测误差分析方法的研究", 电工电能新技术, no. 06 *

Also Published As

Publication number Publication date
CN116776613B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
Liu et al. Prediction of short-term PV power output and uncertainty analysis
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
Mosadeghy et al. A time-dependent approach to evaluate capacity value of wind and solar PV generation
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
Shams et al. Artificial intelligence-based prediction and analysis of the oversupply of wind and solar energy in power systems
CN108400595B (zh) 一种考虑新能源出力相关性的电压暂降随机预估方法
CN110889603A (zh) 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN111797132B (zh) 考虑时空相关性的多可再生能源电站功率场景生成方法
CN112653198A (zh) 一种基于预测箱的风电出力场景生成方法及系统
CN111985805A (zh) 综合能源系统动态需求响应的方法及系统
Yan et al. Operating power reserve quantification through PV generation uncertainty analysis of a microgrid
Yang et al. A two-stage scenario generation method for wind-solar joint power output considering temporal and spatial correlations
CN117595398A (zh) 一种电力系统灵活性优化方法及装置
CN116776613B (zh) 风光出力场景重构系统
CN116485139A (zh) 一种基于多特征融合的短期光伏发电量预测方法
Kim et al. Probabilistic estimation of wind generating resources based on the spatio-temporal penetration scenarios for power grid expansions
CN109494747B (zh) 一种基于交替梯度算法的电网概率潮流计算方法
Shadaei et al. Probabilistic Microgrid Economic Dispatch via Economic Model Predictive Control Considering Weather and Load Data Uncertainty
Xiaoqing et al. Wind power penetration limit calculation based on power system reliability
CN104850914A (zh) 一种基于特征建模的新能源发电量预测方法
Hamid Oudjana et al. Neural network based photovoltaic electrical forecasting in south Algeria
Mahmoud et al. Classification of solar variability using K-means method for the evaluation of solar photovoltaic systems performance
Zheng et al. Unscented transformation-based fast scheduling optimization for large-scale unit commitment considering uncertainties of wind and solar power

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