公开/公告号CN114970096A
专利类型发明专利
公开/公告日2022-08-30
原文格式PDF
申请/专利权人 国网山东省电力公司经济技术研究院;
申请/专利号CN202210428306.1
申请日2022-04-22
分类号G06F30/20(2020.01);G06F17/18(2006.01);G06Q10/06(2012.01);G06Q50/06(2012.01);H02J3/06(2006.01);G06F111/04(2020.01);G06F111/06(2020.01);G06F111/08(2020.01);G06F113/04(2020.01);
代理机构济南圣达知识产权代理有限公司 37221;
代理人闫伟姣
地址 250021 山东省济南市槐荫区纬十路111号
入库时间 2023-06-19 16:36:32
法律状态公告日
法律状态信息
法律状态
2022-09-16
实质审查的生效 IPC(主分类):G06F30/20 专利申请号:2022104283061 申请日:20220422
实质审查的生效
技术领域
本发明属于电力系统评估技术领域,尤其涉及一种基于概率最优潮流的电力系统灵活性量化评估方法及系统。
背景技术
高比例的可再生能源接入电网已成为发展趋势,新能源发电在电力系统中占据的比例逐渐增高,其存在的波动性、随机性、不可控性和反调峰性等特性,对电网的构建带来了新的挑战,增大了系统灵活运行的风险;如何充分的利用这类资源,对电网的灵活性提出了新的要求;但到目前为止,还未能够形成较为统一的灵活性评价指标及评估方法。
现阶段的电力系统灵活性评估中,评估指标采用分为确定性指标和概率性指标,确定性指标以机组参数为主,包括机组上调灵活性容量、下调灵活性容量和机组爬坡率等方面,概率性指标有灵活性不足概率和缺额期望等,概率性指标的求解较为复杂,计算难度大。
发明人发现,现有电力系统评价中,通过确定性指标和概率性指标对电力系统的评估,仅仅考虑了机组的容量性方面,未考虑机组的经济性,未能将确定性指标和概率性指标相联系。
发明内容
本发明为了解决上述问题,提出了一种基于概率最优潮流的电力系统灵活性量化评估方法及系统,本发明采用概率最优潮流模型进行求解时,以运行成本最优为目标,考虑了运行的成本,同时,将灵活性裕度视为加分项,缺额期望及概率视为扣分项,实现了确定性指标和概率性指标的关联,能对多时间尺度下系统进行灵活性评估。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明提供了一种基于概率最优潮流的电力系统灵活性量化评估方法,包括:
获取电力系统历史数据;
依据获取的历史数据,建立包括多类型可再生能源的联合概率密度函数模型;
构建包括灵活性不足概率、灵活性裕度期望和灵活性不足期望的联合概率密度函数模型的灵活性指标;所述灵活性指标中,将灵活性裕度期望视为加分项,灵活性不足期望和灵活性不足概率视为扣分项;
采用概率最优潮流模型,对灵活性指标中的灵活性不足概率、灵活性裕度期望和灵活性不足期望进行求解;其中,所述概率最优潮流模型中,以成本最优为目标函数;
根据求解的灵活性不足概率、灵活性裕度期望和灵活性不足期望,对电力系统进行量化评估。
进一步的,对历史数据进行场景划分,基于各类场景下历史数据采用核密度估计方法对风力、光伏和负荷概率模型进行建模;利用连接函数(Copula函数)对风力、光伏和负荷出力进行联合概率函数建模,得到时间相关性的联合概率密度函数模型;结合贝叶斯定理,依据联合概率密度函数模型,抽样生成时序序列。
进一步的,风力出力采用韦布尔分进行拟合,光伏出力采用贝塔分布拟合,负荷采用正态分布进行建模。
进一步的,基于历史数据,根据电力系统各个厂站运行维护成本,构建包括上调灵活性指标和下调灵活性指标的灵活性指标。
进一步的,灵活性指标中加分项为灵活性裕度期望,扣分项包括灵活性不足期望和活性不足概率的乘积、切负荷量、弃风弃光量以及经济惩罚因子和成本的乘积。
进一步的,成本包括各节点火厂和水电长的启动停成本、运行维护成本、可再生能源机组设置成本、抽水蓄能装置启用成本和储能装置成本。
进一步的,概率最优潮流模型包括潮流约束、机组约束、输电线路约束、机组灵活性资源约束、可控负荷约束、可再生能源约束和储能约束。
第二方面,本发明还提供了一种基于概率最优潮流的电力系统灵活性量化评估系统,包括:
数据获取模块,被配置为:获取电力系统历史数据;
联合概率密度函数模型建立模块,被配置为:依据获取的历史数据,建立包括多类型可再生能源的联合概率密度函数模型;
灵活性指标建立模块,被配置为:构建包括灵活性不足概率、灵活性裕度期望和灵活性不足期望的联合概率密度函数模型的灵活性指标;所述灵活性指标中,将灵活性裕度期望视为加分项,灵活性不足期望和灵活性不足概率视为扣分项;
求解模块,被配置为:采用概率最优潮流模型,对灵活性指标中的灵活性不足概率、灵活性裕度期望和灵活性不足期望进行求解;其中,所述概率最优潮流模型中,以成本最优为目标函数;
评估模块,被配置为:根据求解的灵活性不足概率、灵活性裕度期望和灵活性不足期望,对电力系统进行量化评估。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了第一方面所述的基于概率最优潮流的电力系统灵活性量化评估方法的步骤。
第四方面,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了第一方面所述的基于概率最优潮流的电力系统灵活性量化评估方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明采用概率最优潮流模型对系统进行评估计算,考虑了运行的成本,以运行成本最优为目标,同时,将裕度视为加分项,缺额期望及概率视为扣分项,实现了确定性指标和概率性指标的关联,能对多时间尺度下系统进行灵活性评估。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本发明实施例1的初始聚类中心的变化;
图2为本发明实施例1的负荷拟合图像;
图3为本发明实施例1的风力拟合图像;
图4为本发明实施例1的光伏拟合图像;
图5为本发明实施例1的风力、光伏和负荷时序出力生成方法原理;
图6为本发明实施例1的风力出力曲线;
图7为本发明实施例1的光伏出力曲线;
图8为本发明实施例1的负荷出力曲线;
图9为本发明实施例1的灵活性评估方法流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1:
本实施例中提供了一种基于概率最优潮流的电力系统灵活性量化评估方法,包括:
获取电力系统历史数据;
依据获取的历史数据,建立包括多类型可再生能源的联合概率密度函数模型;
构建包括灵活性不足概率、灵活性裕度期望和灵活性不足期望的联合概率密度函数模型的灵活性指标;所述灵活性指标中,将灵活性裕度期望视为加分项,灵活性不足期望和灵活性不足概率视为扣分项;
采用概率最优潮流模型,对灵活性指标中的灵活性不足概率、灵活性裕度期望和灵活性不足期望进行求解;其中,所述概率最优潮流模型中,以成本最优为目标函数;
根据求解的灵活性不足概率、灵活性裕度期望和灵活性不足期望,对电力系统进行量化评估。
本实施例中,通过两部分实现,第一部分为风力、光伏等可再生电源模型求解,包括:根据得到的风力、光伏等可再生电源及负荷历史出力数据,考虑其出力的时空相关性,得数学模型;基于得到的风力、光伏出力及负荷历史数据进行电源模型建立,先运用K均值聚类算法(k-means clustering algorithm,K-means)算法进行场景聚类分析,得到典型场景下风力、光伏和负荷出力,在空间上对风力、光伏和负荷出力进行划分;对风力、光伏出力的概率模型进行构建,采用核密度估计方法对各类典型场景下风力、光伏历史出力数据进行处理,得到可再生能源出力的概率密度函数;根据得到的核密度估计概率模型,考虑时间相关性,利用连接函数(Copula函数)对风力、光伏和负荷出力进行概率建模,求解风力、光伏和负荷出力联合概率密度函数,根据波动联合概率密度函数,结合贝叶斯公式,求解T
本实施例的具体实现步骤为:
S1、采用K-means算法对历史数据进行场景划分,基于各类场景下历史数据采用核密度估计方法对风力、光伏和负荷概率模型进行建模,利用Copula函数,结合贝叶斯公式,依据所得概率公式抽样生成时序序列;
S2、根据当前新型电力系统运行状况,确定生产厂商可以接受的预期成本期望值,设置经济惩罚因子,对P-OPF模型分析,采用蒙特卡罗模拟法对灵活性裕度期望、缺额期望、缺额概率进行求解,进行灵活性评估。
S1.1、风力、光伏和负荷场景划分包括:
S1.1.1、对典型运行场景进行划分,采用K-means算法对各个时刻的进行场景区分,首先选取k个点,μ
其中,d为明氏距离;q取2;i为样本i序号;j为样本序号j;x
然后对样本X
c
其中,
进行迭代计算直到J
其中,J
J值变换与迭代次数之间关系图如图1所示;经上述计算后得到聚类中心;聚类结果如表1、表2和表3所示:
表1负荷历史数据聚类
表2风力历史数据聚类
表3光伏历史数据聚类
S1.1.2、对风力、光伏概率模型的构建,基于风力、光伏发电原理,根据历史数据,确定当地风力、光伏出力的上限值,根据现有研究,考虑风力发电原理,对历史数据处理,风力出力可以采用韦布尔分布(Weibull函数)进行拟合
其中:x是风速,m/s;λ是比例参数;k是形状参数。
均值为:
方差为:
其中,Γ为伽马函数。
对光伏出力可以采用贝塔分布(Beta Distribution)拟合:
其中:P
对负荷模型建模,负荷模型的波动值符合正态分布,可以采用正态分布进行建模:
其中,x
基于历史数据,由以上公式对数据拟合处理,得到了风力、光伏和负荷概率密度模型。
S1.2、联合概率密度确定:
本实施例,可以通过Copula函数建立联合概率密度模型,假设变量[x
H(x
若F
对式(10)两边同时求偏导,可以得到随机向量的联合概率密度函数:
其中,C(·)为Copula概率密度函数;f
此处采用二元Copula函数,定义为:C(u,v)的定义域为[0,1]*[0,1];C(u,v)有零基面,并且是二维递增的;对任意u,v∈[0,1],满足:C(u,1)=u,C(1,v)=v。
S1.2.1、Copula函数选取:
在本实施例中,设(x
设C(u
将待选Copula联合分布函数分别与经验Copula函数依照公式(12)求取欧氏距离,欧式距离越小,则拟合效果越好。
本实施例采用Kendall系数和Spearman秩相关性系数作为相关性评价指标,分别计算Copula函数抽样生成的模拟数据和原始数据的Kendall系数和Spearman秩相关性系数,两者相关性系数越接近,则Copula函数的拟合效果越好。
Kendall相关性系数定义为:
ρ
Spearman秩相关性系数定义为:
ρ
尾相关系数为:
λ
λ
其中,(V
分析结果表明,正态Copula函数拟合效果最好。
其中,u为样本U的分布值;v为样本V的分布值;ρ为皮尔逊相关系数。
S1.2.2、首先对历史数据归一化处理,对风力、光伏出力概率密度函数进行Copula拟合得到相邻时刻出力联合概率密度。以负荷、风力出力0时刻与1时刻,光伏出力10时刻与11时刻为例,如图2、图3和图4所示。
S1.3、根据贝叶斯公式:
求解得到在该时刻间歇性电源出力确定时,下一时刻出力的概率密度函数,根据该概率密度函数进行随机抽样,得到生成的时序序列,如附图5所示。
S2.1灵活性资源模型构建:
S2.1.1火电机组,火电机组的灵活性资源容量与其爬坡能力和当前运行状态有关
F
F
其中,P
S2.1.2水电机组,水电机组在系统内参与灵活性调节假设系统在调节过程中没有弃水现象的发生,其灵活性资源容量与其爬坡能力和水资源容量有关,其提供的灵活性资源同式(19)和(20)所示。
S2.1.3储能装置,储能装置分为化学储能和物理储能,本文中不考虑储能装置的运行过程,只考虑装置容量及功率输出。
储能装置灵活性资源容量与其当前电荷容量和充、放电功率有关。储能装置运行有充电、放电、非充非放三种状态,假设充、放电功率恒定不变,不考虑装置自放电损失,灵活性资源容量如下:
放电状态下,储能装置上、下调灵活性资源容量为:
其中,F
储能状态下,储能装置上、下调灵活性资源容量为:
其中,F
非充非放状态下,储能装置上、下调灵活性资源容量为:
其中,F
本文中设置的储能装置为抽水蓄能装置,灵活性资源容量如式(21)~(23)所示。
S2.1.4可控负荷,可控负荷提供的灵活性资源容量为:
F
F
其中,F
上调灵活性总资源容量为:
F
下调灵活性总资源容量为:
F
其中,F
S2.2、灵活性指标构建:
确定性指标包括机组基本参数和运行可用灵活性裕度指标等,概率性指标包括灵活性不足概率、电力系统灵活度缺额和电力系统灵活性度量指标等。
常用电网上调灵活性不足概率为:
其中,
常用电网下调灵活性不足概率为:
其中,
电网灵活性裕度期望为:
ΔF
其中,E
电网灵活性不足期望:
ΔF
其中,E
基于历史数据,根据电力系统各个厂站运行维护成本,构建灵活性指标:
上调灵活性指标为:
下调灵活性指标为:
其中,C
该指标将概率性问题转换为一种确定形式反映出来,相较于传统指标,该指标在反映系统预期容量的同时对系统经济性考量。
S2.3、新型电力系统场景下系统灵活性评估
本实施例中新型电力系统场景属于北方某夏季区域电厂,时间尺度分别为15min、30min和1h,采用蒙特卡罗方法进行千次模拟运行,时序序列生成如图1所示某次模拟结果,根据联合概率密度模型生成的风、光出力曲线如图6、图7和图8所示。
风力、光伏出力预测曲线体现了新能源出力的波动性、随机性、不可控性和反调峰性特征。
在系统负荷以及机组出力确定情况下对系统运行分析,系统采用P-OPF模型进行分析,运行目标函数为
其中,F
约束条件如下,潮流约束:
在各个节点处,系统功率应满足:
∑P
在整个电力系统当中,满足
∑P
其中,ΔP
机组约束,机组约束应包括各机组的电压P
P
Q
V
其中,c
输电线路约束,输电线路约束应包括输电线路允许最大电流约束I
I
P
P
常规机组灵活性资源约束,上调灵活性:
0≤P
0≤P
其中,Δt为时间尺度;R
下调灵活性
0≤P
0≤P
其中,R
可控负荷约束,节点处满足的负荷约束为:
P
可再生能源约束,本文中重点研究风力、光伏,出力满足:
其中,ρ为空气密度;A为风机截面积;v为风速;v
储能约束,储能装置的约束应包括放电状态、充电状态和非充非放约束:
放电状态下约束为:
其中,ΔT放电时间为;Q
充电状态下约束为:
其中,ΔT为充电时间;η为充电效率。
非充非放状态工作状态在发生爬坡事件时会向充电状态或放电状态进行转换。
采用基于跟踪中心轨迹内点法对最优潮流求解。为方便讨论,将最优潮流模型简化为如下形式:
minf(x)
s.t.g(x)=0 (55)
a≤h(x)≤b (56)
其中,f(x)为目标函数,对应上述式(37);g(x)为等式约束条件,对应上述式(38)和(39);h(x)为不等式约束条件,对应上述式(40)~(54)。
设置松弛变量满足μ>0,p>0,将不等式约束条件转换为等式约束条件:
h(x)+u=b (57)
h(x)-l=a (58)
其中,u=[u
引入扰动因子,k>0,将目标函数改写为:
其中,l
约束条件为:
g(x)=0
h(x)+u=b
h(x)-l=a
转换为含等式的约束条件问题,应用拉格朗日乘子法求解。
拉格朗日函数为
其中,y=[y
其中,σ∈(0,1)为中心参数;I为单位阵;r为L的维数;L
采用蒙特卡罗模拟方法进行问题求解,求解过程如图9所示。
以12h时刻指标计算为例,灵活性指标计算结果如表4所示为:
表4指标计算
根据计算结果表明在该新型电力系统场景下,12h的灵活性上调能力充足,下调灵活性在时间尺度短时有所缺额,时间尺度较小时风、光出力波动性较大,系统消纳新能源能力有限,弃风弃光现象容易发生。
本实施例中,首先确定含高比例可再生能源电力系统中所存在的灵活性资源类型,对其容量进行数学建模;对系统风力、光伏和负荷模型进行数学建模,通过K-means方法对历史数据进行场景划分,对各个场景下的历史数据进行参数拟合得到概率密度函数,利用Copula函数对风力、光伏和负荷出力进行联合概率函数建模,得到时间相关性的联合概率密度分布,根据联合概率密度函数通过贝叶斯公式求解得上一时刻出力确定时,下一时刻出力的概率密度函数,依据此概率密度函数进行抽样确定时序序列;确定新型电力系统的灵活性评估指标量化方式,考虑系统灵活性裕度期望、缺额期望和不足概率,计及系统运行经济性,考虑运行的成本,预期投入成本的增加会使得系统灵活性提高,同时将裕度视为加分项,缺额期望及概率视为扣分项,得灵活性量化评估指标,能对多时间尺度下系统进行灵活性评估;采用概率最优潮流对系统灵活性进行评估,运用蒙特卡罗模拟法对问题求解,对系统进行评估计算。
实施例2:
本实施例提供了一种基于概率最优潮流的电力系统灵活性量化评估系统,包括:
数据获取模块,被配置为:获取电力系统历史数据;
联合概率密度函数模型建立模块,被配置为:依据获取的历史数据,建立包括多类型可再生能源的联合概率密度函数模型;
灵活性指标建立模块,被配置为:构建包括灵活性不足概率、灵活性裕度期望和灵活性不足期望的联合概率密度函数模型的灵活性指标;所述灵活性指标中,将灵活性裕度期望视为加分项,灵活性不足期望和灵活性不足概率视为扣分项;
求解模块,被配置为:采用概率最优潮流模型,对灵活性指标中的灵活性不足概率、灵活性裕度期望和灵活性不足期望进行求解;其中,所述概率最优潮流模型中,以成本最优为目标函数;
评估模块,被配置为:根据求解的灵活性不足概率、灵活性裕度期望和灵活性不足期望,对电力系统进行量化评估。
所述系统的工作方法与实施例1的基于概率最优潮流的电力系统灵活性量化评估方法相同,这里不再赘述。
实施例3:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了实施例1所述的基于概率最优潮流的电力系统灵活性量化评估方法的步骤。
实施例4:
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了实施例1所述的基于概率最优潮流的电力系统灵活性量化评估方法的步骤。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
机译: 评估电力系统的方法和设备,优化电力系统潮流的方法和设备以及支持电力系统规划的方法和设备
机译: 大型电力系统中具有电压稳定性的最优潮流的方法和装置
机译: 基于最优载荷传输比和风力电网功率的最优网格连接比动态和经济地调度电力系统的方法