CN117993611A - 一种基于场景时序的灵活热源新能源消纳能力评估方法 - Google Patents
一种基于场景时序的灵活热源新能源消纳能力评估方法 Download PDFInfo
- Publication number
- CN117993611A CN117993611A CN202410125353.8A CN202410125353A CN117993611A CN 117993611 A CN117993611 A CN 117993611A CN 202410125353 A CN202410125353 A CN 202410125353A CN 117993611 A CN117993611 A CN 117993611A
- Authority
- CN
- China
- Prior art keywords
- wind power
- scene
- wind
- unit
- energy consumption
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000005338 heat storage Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000010248 power generation Methods 0.000 claims abstract description 5
- 239000002699 waste material Substances 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 46
- 238000010438 heat treatment Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000007774 longterm Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 5
- 238000005485 electric heating Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于场景时序的灵活热源新能源消纳能力评估方法，包括：步骤1：输入各个场景的风电、热负荷、电负荷数据和最终聚类个数s；步骤2：使用多普尺度算法，对各个场景的风电、热负荷、电负荷数据进行聚类，得到聚类后的各个场景的风电、热负荷、电负荷数据；步骤3：将聚类后的各个场景的风电、热负荷、电负荷数据输入新能源消纳能力评估模型中，得到接纳年弃风电量；步骤4：基于接纳年弃风电量获取系能源消纳能力评估结果。本发明推导了灵活性热源的新能源消纳能力量化评估策略。基于实际数据模拟分析了电锅炉和热储在不同场景下的弃风消纳效果，可为热电联合系统中灵活性热源的规划配置提供指导意义。
Description
技术领域
本发明属于能源储备技术领域，具体涉及一种基于场景时序的灵活热源新能源消纳能力评估方法。
背景技术
我国的可再生能源电网逐步的走向了世界的前列，并仍以高速发展着，优化电网电源结构，扩大可再生能源的接入，尤其是风电的接入是我国电力和能源的发展趋势。然而，我国风电虽装机容量大，却存在着利用率低，弃风严重，风电技术和管理水平落后，促进风电发展的配置机制不完善的缺点。风电等新能源相比煤炭、石油等化石能源具有成本低，无污染等优点，但同时具有间歇性、波动性和反调峰特性，对新能源风电接入电网引入了困难，大规模的风电接入电网带来收益的同时，也给电网的调度运行带来了挑战。
总体来看，热电联产系统和新能源风电在时间上存在着高度的重合性，“风”和“热”在时间上的同步性和使用上的矛盾性造成了我国北方供暖季弃风现象的发生。尤其在我国“三北”地区供暖季，既是热电联产机组的主要工作时期，又是风电高峰期，热电厂供热约束限制了其最低电出力，使电网的调峰能力下降，挤占风电上网空间，造成弃风现象的频发。
然而，现有研究存在以下不足：首先，目前尚缺乏对灵活性热源新能源消纳能力的量化评估方法，亟需统筹考虑电热联合系统的运行特点和灵活性热源的模型特征，提出具有普适性的灵活性热源新能源消纳能力评估方法。其次，现有基于时序生产模拟的系统新能源消纳能力评估方法涉及的场景众多，计算复杂度高，难以实现新能源消纳能力的高效评估和分析。最后，亟需结合电力系统的实际数据，对灵活性热源的新能源消纳能力进行综合分析，为灵活性热源的长期规划提供指导建议。
发明内容
本发明为解决现有技术中新能源消纳能力评估方法涉及的场景众多，计算复杂度高，难以实现新能源消纳能力的高效评估和分析的技术问题，进而提出一种基于场景时序的灵活热源新能源消纳能力评估方法。
本发明为解决上述问题采取的技术方案是：本发明提出一种基于场景时序的灵活热源新能源消纳能力评估方法，包括：
步骤1：输入不同场景的风电、热负荷、电负荷数据和最终聚类个数s；
步骤2：使用多普尺度算法，对不同场景的风电、热负荷、电负荷数据进行聚类，得到聚类后的不同场景的风电、热负荷、电负荷数据；
步骤3：将聚类后的不同场景的风电、热负荷、电负荷数据输入新能源消纳能力评估模型中，得到接纳年弃风电量；
步骤4：基于接纳年弃风电量获取系能源消纳能力评估结果。
可选的，步骤2中对不同场景的风电、热负荷、电负荷数据进行聚类的步骤包括：
步骤2.1：计算不同场景的风电、热负荷、电负荷数据的多尺度相似性度量差异并构建多尺度相似性度量差异矩阵；
步骤2.2：基于多尺度相似性度量差异矩阵和高斯核函数获取相似度矩阵；
步骤2.3：基于相似度矩阵构造规范化Laplacian矩阵；
步骤2.4：计算规范化Laplacian矩阵前s个最大的特征值及对应的特征向量，得到归一化后的特征向量空间；
步骤2.5：使用K-means对归一化后的特征向量空间进行聚类，得到s个聚类结果，对不同场景的聚类结果求平均值得到s组风-热-电联合场景。
可选的，步骤2.1中不同场景的风电、热负荷、电负荷数据的多尺度相似性度量差异包括不同场景的风电距离相似性度量差异、风电波动相似性度量差异、风电变化趋势相似性度量差异、热负荷相似性度量差异、电负荷相似性度量差异和风电上网空间相似性度量差异；
风电距离相似性度量差异的表达式为：
公式(1)中，A(i,j)为场景i的风电曲线和场景j的风电曲线/>之间的欧氏距离，即风电距离相似性度量差异，/>为场景风电曲线/>的风电数据，/>为场景风电曲线/>的风电数据；
风电波动相似性度量差异的表达式为：
公式(2)和(3)中，bi,j(t)为场景i的风电曲线和场景j的风电曲线/>之间的相对距离，B(i,j)为场景风电曲线/>和/>之间的风电波动相似性度量差异，m为在不同场景风电曲线/>和/>选取的最大数值的个数；
风电变化趋势相似性度量差异的表达式为：
公式(4)中，ri,j为场景i的风电曲线和场景j的风电曲线/>之间的相关系数，变化范围是[-1,1]，/>为场景风电曲线/>的平均值，/>为场景风电曲线/>的平均值；
热负荷相似性度量差异的表达式为：
公式(5)中，为场景热负荷曲线/>的热负荷数据，/>为场景热负荷曲线的热负荷数据，D(i,j)为场景热负荷曲线/>和/>之间的欧式距离；
电负荷相似性度量差异的表达式为：
公式(6)中，为场景电负荷曲线/>的热负荷数据，/>为场景电负荷曲线/>的热负荷数据，D(i,j)为场景电负荷曲线/>和/>之间的欧式距离；
风电上网空间相似性度量差异的表达式为：
公式(7)中，F(i,j)为风电上网空间相似性度量差异，Si(t)为第i条负荷曲线t时刻的风电上网空间；γCHP为热电联产机组“以热定电”热电比；C为常数。
可选的，步骤2.1中多尺度相似性度量差异矩阵为：
P(i,j)＝α·A％+β·B％+γ·C％+δ·D％+ρ·E％+ξ·F％(8)
公式(8)中，P(i,j)为场景i和场景j的多尺度相似性差异，A％、B％、C％、D％、E％、F％为矩阵A、B、C、D、E、F的极值归一化的值。
可选的，步骤2.2中相似度矩阵为：
公式(9)中，K(i,j)为场景i和场景之间的相似性，γ为高斯核函数宽度参数。
可选的，步骤3中新能源消纳能力评估模型包括：目标函数层、模型约束层和新能源消纳能力预测层。
可选的，目标函数层为供暖季系统消纳风电期望最高值
其中，为所有风场在t时段的风电出力情况，单位为MW，ΔT为模拟时段间隔，单位为h，T为每个供暖日场景模拟时段数，N(k)为场景k的权重，S为供暖季总场景数。
可选的，模型约束层包括电力系统、热力系统模型约束、热电联产机组热电耦合约束、机组出力范围约束、灵活性热源运行约束。
可选的，新能源消纳能力预测层的预测方法包括：
步骤3.1：基于目标函数层和模型约束层进行生产模拟，得到生产模拟结果；
步骤3.2：基于生产模拟结果获取供暖季度的风电上网总量、预测风电总量、弃风率；
步骤3.3：基于供暖季度的风电上网总量、预测风电总量、弃风率构建实时、长期电平衡、热平衡增量方程；
步骤3.4：联立实时、长期电平衡、热平衡增量方程进行计算得到接纳年弃风电量；
供暖季度的风电上网总量的表达式为：
公式(10)中，为所有风场在t时段的风电出力情况，单位为MW，Wwind为风电上网总量，单位为MWh；
供暖季预测风电总量的表达式为：
公式(11)中，Wwind,fore为供暖季预测风电总量，为t时刻风电场预测出力，单位为MW；
供暖季弃风率的表达式为：
公式(12)中，ηQ,day为供暖季弃风率；
实时电平衡增量方程的表达式为：
ΔPwind＝ΔPCHP+PEB+COIHS·Htank,out (13)
公式(13)中，ΔPwind为配置灵活性热源后增加的风电功率，单位为MW，ΔPCHP为热电机组在弃风时段的出力减少量，单位为MW，PEB为热电厂配置的电锅炉电功率，单位为MW，COIHS为热储运行时候的耗电系数，Htank,out为热输出功率，单位为MW；
长期电平衡增量方程的表达式为：
ΔPwind,year＝ΔPCHP·hAHs+PEB·hEB+COIHS·Qtank,out·hHs (14)
公式(14)中，ΔPwind,year为热电机组在夜间热储放热阶段的总发电增量，单位为MWh，Qtank,out为热储的日储热、放热量，单位为NWh，hEB为电锅炉的年工作时长，单位为h，ΔhHs为热储的年工作时长，单位为h，hAHs为灵活性热源的综合工作时长，单位为h；
实时热平衡增量方程的表达式为：
公式(15)中，γCHP为机组电热比，ηEB为利用热网储热和热惯性调整的热负荷量，单位为MW；
长期热平衡增量方程的表达式为：
接纳年弃风电量的表达式为：
ΔWwind,year＝(1+γCHP·ηEB)PEB·hEB+(COIHS+γCHP)Htank,out·hHS (17)
公式(17)中，ΔWwind,year为年消纳弃风电量，单位为NWh。
本发明的有益效果是：
1.本文提出了基于多尺度谱聚类方法的热负荷、电负荷和风电的典型场景获取方法，在此基础上建立了基于风-热-电联合场景的时序生产模拟模型，推导了灵活性热源的新能源消纳能力量化评估策略。基于实际数据模拟分析了电锅炉和热储在不同场景下的弃风消纳效果，可为热电联合系统中灵活性热源的规划配置提供指导意义。
2.本发明通过谱聚类方法解决了传统的基于时序生产模拟的计算复杂度高的问题，提升了新能源消纳评估的效率与准确性，最终为寒冷地区电力系统配置灵活性热源的容量提供科学指导，解决寒冷地区冬季风光功率消纳问题。
附图说明
图1为本发明实施例提供的一种基于场景时序的灵活热源新能源消纳能力评估方法的流程图；
图2为本发明实施例提供的不同电锅炉容量下弃风率偏差分析图；
图3为本发明实施例提供的不同热储容量下弃风率偏差分析图。
具体实施方式
如图1所示，热电联合系统生产模拟的结果由风电预测出力、热负荷、电负荷三者共同决定，因此一个典型日内场景中应包含风-热-电三条时序曲线；在场景聚类时，应综合考虑三条曲线的时序特征、波动性、相对比例等多方面因素；假定原始数据集中有N组典型日内曲线，每组典型日内曲线中包含风电预测、热负荷、电负荷三条曲线： 每条曲线/>的长度均为T；
步骤1：输入各场景风电、热负荷、电负荷数据，以及最终聚类个数；
步骤2：计算多尺度相似性度量差异矩阵P，利用高斯核函数计算相似度矩阵K，利用相似度矩阵K构造规范化Laplacian矩阵；
风电距离相似性度量差异的表达式为：
公式(1)中，A(i,j)为场景i的风电曲线和场景j的风电曲线/>之间的欧氏距离，即风电距离相似性度量差异，/>为场景风电曲线/>的风电数据，/>为场景风电曲线/>的风电数据；
风电波动相似性度量差异的表达式为：
公式(2)和(3)中，bi,j(t)为场景i的风电曲线和场景j的风电曲线/>之间的相对距离，B(i,j)为场景风电曲线/>和/>之间的风电波动相似性度量差异，m为在不同场景风电曲线/>和/>选取的最大数值的个数；
风电变化趋势相似性度量差异的表达式为：
公式(4)中，ri,j为场景i的风电曲线和场景j的风电曲线/>之间的相关系数，变化范围是[-1,1]，/>为场景风电曲线/>的平均值，/>为场景风电曲线/>的平均值；
热负荷相似性度量差异的表达式为：
公式(5)中，为场景热负荷曲线/>的热负荷数据，/>为场景热负荷曲线的热负荷数据，D(i,j)为场景热负荷曲线/>和/>之间的欧式距离；
电负荷相似性度量差异的表达式为：
公式(6)中，为场景电负荷曲线/>的热负荷数据，/>为场景电负荷曲线/>的热负荷数据，D(i,j)为场景电负荷曲线/>和/>之间的欧式距离；
风电上网空间相似性度量差异的表达式为：
相似度矩阵为：
公式(9)中，K(i,j)为场景i和场景之间的相似性，γ为高斯核函数宽度参数。
公式(7)中，F(i,j)为风电上网空间相似性度量差异，Si(t)为第i条负荷曲线t时刻的风电上网空间；γCHP为热电联产机组“以热定电”热电比；C为常数。
步骤3：计算规范化Laplacian矩阵前s个最大的特征值及其对应的特征向量，构成归一化的特征向量空间。
步骤4：利用K-means对特征向量空间进行聚类，得到s个分类结果；对每类场景求平均值得到s组典型的风-热-电联合场景。
步骤5：为分析热电联合系统的风电消纳能力，构建供暖季生产模拟模型的目标函数是供暖季系统消纳风电期望最高。约束条件包括：电力系统、热力系统模型约束、热电联产机组热电耦合约束、机组出力范围约束、灵活性热源运行约束。
供暖季系统消纳风电期望最高值其中，/>为所有风场在t时段的风电出力情况，单位为MW，ΔT为模拟时段间隔，单位为h，T为每个供暖日场景模拟时段数，N(k)为场景k的权重，S为供暖季总场景数。
步骤6：构建实时、长期电平衡、热平衡增量方程：
供暖季度的风电上网总量的表达式为：
公式(10)中，为所有风场在t时段的风电出力情况，单位为MW，Wwind为风电上网总量，单位为MWh；
供暖季预测风电总量的表达式为：
公式(11)中，Wwind,fore为供暖季预测风电总量，为t时刻风电场预测出力，单位为MW；
供暖季弃风率的表达式为：
公式(12)中，ηQ,day为供暖季弃风率；
实时电平衡增量方程的表达式为：
ΔPwind＝ΔPCHP+PEB+COIHS·Htank,out(13)
公式(13)中，ΔPwind为配置灵活性热源后增加的风电功率，单位为MW，ΔPCHP为热电机组在弃风时段的出力减少量，单位为MW，PEB为热电厂配置的电锅炉电功率，单位为MW，COIHS为热储运行时候的耗电系数，Htank,out为热输出功率，单位为MW；
长期电平衡增量方程的表达式为：
ΔPwind,year＝ΔPCHP·hAHs+PEB·hEB+COIHS·Qtank,out·hHs(14)
公式(14)中，ΔPwind,year为热电机组在夜间热储放热阶段的总发电增量，单位为MWh，Qtank,out为热储的日储热、放热量，单位为NWh，hEB为电锅炉的年工作时长，单位为h，ΔhHs为热储的年工作时长，单位为h，hAHs为灵活性热源的综合工作时长，单位为h；
实时热平衡增量方程的表达式为：
公式(15)中，γCHP为机组电热比，ηEB为利用热网储热和热惯性调整的热负荷量，单位为MW；
长期热平衡增量方程的表达式为：
步骤7：联立电平衡和热平衡方程可得到接纳年弃风电量，依此指标可得热灵活热源对新能源的消纳能力评估结果；
接纳年弃风电量的表达式为：
ΔWwind,year＝(1+γCHP·ηEB)PEB·hEB+(COIHS+γCHP)Htank,out·hHS (17)
公式(17)中，ΔWwind,year为年消纳弃风电量，单位为NWh。
如图2和图3所示，本发明根据全年电、热负荷及风电预测功率的历史统计结果进行场景聚类，获得20个典型场景，基于此对本发明所提模型进行精度验证，并将场景聚类经精度和现有聚类算法改进的模型精度进行对比。
模型A、B和C的基本模型均为供暖季逐日时序仿真模型，模型A为本发明使用多尺度谱聚类算法构建的基于场景聚类的供暖季时序仿真模型，模型B为使用基于单一欧式距离的谱聚类算法构建的基于场景聚类的供暖季时序仿真模型，模型C为使用K-means聚类算法构建的基于场景聚类的供暖季时序仿真模型
若使用供暖季逐日时序仿真模型，需要对整个供暖季145日逐日进行仿真模拟，使用基于场景聚类的时序仿真模型，只需对获得的典型场景进行模拟，再乘以各场景对应的权重即可，极大的提高了仿真模拟的速度。
在提升模拟速度的基础上，应保证一定的精度。由于本文主要研究灵活性热源对风电消纳的影响，A、B、C三种模型下的弃风率与基本模型的弃风率偏差如图2、图3所示。
从图2、图3中可以得知，基于多尺度谱聚类的时序仿真模型计算量小，模拟精度高的特点。对比其他几种常用聚类方法具有显著的效果。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (9)
1.一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，所述一种基于场景时序的灵活热源新能源消纳能力评估方法的步骤包括：
步骤1：输入不同场景的风电、热负荷、电负荷数据和最终聚类个数s；
步骤2：使用多普尺度算法，对不同场景的风电、热负荷、电负荷数据进行聚类，得到聚类后的不同场景的风电、热负荷、电负荷数据；
步骤3：将所述聚类后的不同场景的风电、热负荷、电负荷数据输入新能源消纳能力评估模型中，得到接纳年弃风电量；
步骤4：基于所述接纳年弃风电量获取系能源消纳能力评估结果。
2.根据权利要求1所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，步骤2中对不同场景的风电、热负荷、电负荷数据进行聚类的步骤包括：
步骤2.1：计算不同场景的风电、热负荷、电负荷数据的多尺度相似性度量差异并构建多尺度相似性度量差异矩阵；
步骤2.2：基于所述多尺度相似性度量差异矩阵和高斯核函数获取相似度矩阵；
步骤2.3：基于所述相似度矩阵构造规范化Laplacian矩阵；
步骤2.4：计算所述规范化Laplacian矩阵前s个最大的特征值及对应的特征向量，得到归一化后的特征向量空间；
步骤2.5：使用K-means对归一化后的特征向量空间进行聚类，得到s个聚类结果，对不同场景的聚类结果求平均值得到s组风-热-电联合场景。
3.根据权利要求2所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，步骤2.1中不同场景的风电、热负荷、电负荷数据的多尺度相似性度量差异包括不同场景的风电距离相似性度量差异、风电波动相似性度量差异、风电变化趋势相似性度量差异、热负荷相似性度量差异、电负荷相似性度量差异和风电上网空间相似性度量差异；
风电距离相似性度量差异的表达式为：
公式(1)中，A(i,j)为场景i的风电曲线和场景j的风电曲线/>之间的欧氏距离，即风电距离相似性度量差异，/>为场景风电曲线/>的风电数据，/>为场景风电曲线/>的风电数据；
风电波动相似性度量差异的表达式为：
公式(2)和(3)中，bi,j(t)为场景i的风电曲线和场景j的风电曲线/>之间的相对距离，B(i,j)为场景风电曲线/>和/>之间的风电波动相似性度量差异，m为在不同场景风电曲线/>和/>选取的最大数值的个数；
风电变化趋势相似性度量差异的表达式为：
公式(4)中，ri,j为场景i的风电曲线和场景j的风电曲线/>之间的相关系数，变化范围是[-1,1]，/>为场景风电曲线/>的平均值，/>为场景风电曲线/>的平均值；
热负荷相似性度量差异的表达式为：
公式(5)中，为场景热负荷曲线/>的热负荷数据，/>为场景热负荷曲线/>的热负荷数据，D(i,j)为场景热负荷曲线/>和/>之间的欧式距离；
电负荷相似性度量差异的表达式为：
公式(6)中，为场景电负荷曲线/>的热负荷数据，/>为场景电负荷曲线/>的热负荷数据，D(i,j)为场景电负荷曲线/>和/>之间的欧式距离；
风电上网空间相似性度量差异的表达式为：
公式(7)中，F(i,j)为风电上网空间相似性度量差异，Si(t)为第i条负荷曲线t时刻的风电上网空间；γCHP为热电联产机组“以热定电”热电比；C为常数。
4.根据权利要求2所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，其特征在于，步骤2.1中多尺度相似性度量差异矩阵为：
P(i,j)＝α·A％+β·B％+γ·C％+δ·D％+ρ·E％+ξ·F％ (8)
公式(8)中，P(i,j)为场景i和场景j的多尺度相似性差异，A％、B％、C％、D％、E％、F％为矩阵A、B、C、D、E、F的极值归一化的值。
5.根据权利要求2所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，其特征在于，步骤2.2中相似度矩阵为：
公式(9)中，K(i,j)为场景i和场景之间的相似性，γ为高斯核函数宽度参数。
6.根据权利要求1所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，其特征在于，步骤3中新能源消纳能力评估模型包括：目标函数层、模型约束层和新能源消纳能力预测层。
7.根据权利要求6所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，其特征在于，目标函数层为供暖季系统消纳风电期望最高值
其中，为所有风场在t时段的风电出力情况，单位为MW，ΔT为模拟时段间隔，单位为h，T为每个供暖日场景模拟时段数，N(k)为场景k的权重，S为供暖季总场景数。
8.根据权利要求6所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，其特征在于，模型约束层包括电力系统、热力系统模型约束、热电联产机组热电耦合约束、机组出力范围约束、灵活性热源运行约束。
9.根据权利要求6所述的一种基于场景时序的灵活热源新能源消纳能力评估方法，其特征在于，其特征在于，新能源消纳能力预测层的预测方法包括：
步骤3.1：基于所述目标函数层和模型约束层进行生产模拟，得到生产模拟结果；
步骤3.2：基于所述生产模拟结果获取供暖季度的风电上网总量、预测风电总量、弃风率；
步骤3.3：基于供暖季度的风电上网总量、预测风电总量、弃风率构建实时、长期电平衡、热平衡增量方程；
步骤3.4：联立实时、长期电平衡、热平衡增量方程进行计算得到接纳年弃风电量；
供暖季度的风电上网总量的表达式为：
公式(10)中，为所有风场在t时段的风电出力情况，单位为MW，Wwind为风电上网总量，单位为MWh；
供暖季预测风电总量的表达式为：
公式(11)中，Wwind,fore为供暖季预测风电总量，为t时刻风电场预测出力，单位为MW；
供暖季弃风率的表达式为：
公式(12)中，ηQ,day为供暖季弃风率；
实时电平衡增量方程的表达式为：
ΔPwind＝ΔPCHP+PEB+COIHS·Htank,out(13)
公式(13)中，ΔPwind为配置灵活性热源后增加的风电功率，单位为MW，ΔPCHP为热电机组在弃风时段的出力减少量，单位为MW，PEB为热电厂配置的电锅炉电功率，单位为MW，COIHS为热储运行时候的耗电系数，Htank,out为热输出功率，单位为MW；
长期电平衡增量方程的表达式为：
ΔPwind,year＝ΔPCHP·hAHs+PEB·hEB+COIHS·Qtank,out·hHs(14)
公式(14)中，ΔPwind,year为热电机组在夜间热储放热阶段的总发电增量，单位为MWh，Qtank,out为热储的日储热、放热量，单位为NWh，hEB为电锅炉的年工作时长，单位为h，ΔhHs为热储的年工作时长，单位为h，hAHs为灵活性热源的综合工作时长，单位为h；
实时热平衡增量方程的表达式为：
公式(15)中，γCHP为机组电热比，ηEB为利用热网储热和热惯性调整的热负荷量，单位为MW；
长期热平衡增量方程的表达式为：
接纳年弃风电量的表达式为：
ΔWwind,year＝(1+γCHP·ηEB)PEB·hEB+(COIHS+γCHP)Htank,out·hHS (17)
公式(17)中，ΔWwind,year为年消纳弃风电量，单位为NWh。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125353.8A CN117993611A (zh) | 2024-01-30 | 2024-01-30 | 一种基于场景时序的灵活热源新能源消纳能力评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410125353.8A CN117993611A (zh) | 2024-01-30 | 2024-01-30 | 一种基于场景时序的灵活热源新能源消纳能力评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117993611A true CN117993611A (zh) | 2024-05-07 |
Family
ID=90901001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410125353.8A Pending CN117993611A (zh) | 2024-01-30 | 2024-01-30 | 一种基于场景时序的灵活热源新能源消纳能力评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117993611A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118208766A (zh) * | 2024-05-21 | 2024-06-18 | 国网山西省电力公司信息通信分公司 | 基于煤改电设备的供热系统调节方法及系统 |
-
2024
- 2024-01-30 CN CN202410125353.8A patent/CN117993611A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118208766A (zh) * | 2024-05-21 | 2024-06-18 | 国网山西省电力公司信息通信分公司 | 基于煤改电设备的供热系统调节方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
| CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
| CN104598985B (zh) | 电力负荷预测方法 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN113572206A (zh) | 一种风电出力区间预测方法 | |
| CN104598986A (zh) | 基于大数据的电力负荷预测方法 | |
| CN104899665A (zh) | 风电功率短期预测方法 | |
| CN117993611A (zh) | 一种基于场景时序的灵活热源新能源消纳能力评估方法 | |
| CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN111404193B (zh) | 一种基于数据驱动的微电网随机鲁棒优化调度方法 | |
| CN105279707A (zh) | 一种综合考虑负荷与风电时序特性的随机生产模拟方法 | |
| CN117077960A (zh) | 一种区域综合能源系统日前调度优化方法 | |
| CN112994115A (zh) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 | |
| Kim et al. | Probabilistic solar power forecasting based on bivariate conditional solar irradiation distributions | |
| CN110197296A (zh) | 一种基于时间序列相似性的机组负荷预测方法 | |
| CN110112779B (zh) | 基于多状态概率分布的电采暖消纳风电测算模型 | |
| CN112821463A (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
| CN112508246A (zh) | 一种基于相似日的光伏发电功率预测方法 | |
| CN113991640B (zh) | 基于火电的多能互补能源基地能源配置规划方法 | |
| Dong et al. | Day-ahead prediction of wind power based on conditional generative adversarial network | |
| CN108767855A (zh) | 一种时序持续混合的电力系统随机生产模拟方法 | |
| CN114662922B (zh) | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 | |
| CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
| Zhang et al. | Time-of-use pricing model considering wind power uncertainty |
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 |