一种高比例可再生能源电力系统的实时调控方法及装置

摘要

本发明公开了一种高比例可再生能源电力系统的实时调控方法及装置。本发明通过根据预设的出清周期，获取电力系统内可再生能源的预测出力数据和实时出力数据；将预测出力数据作为训练数据训练预先建立的出力功率预测模型，得到目标出力功率预测模型；将实时出力数据作为校准数据输入目标出力功率预测模型，得到校准数据对应的出力功率；根据校准数据和校准数据对应的出力功率，得到目标出力功率预测模型的预测误差；根据目标出力功率预测模型的预测误差，确定可再生能源的预测出力区间；基于预先制定的机组发电计划进行市场出清，得到机组出力功率，并根据预测出力区间调控机组出力功率，能够计及可再生能源的预测出力区间对电力系统进行实时调控。

说明书

技术领域

本发明涉及电力系统调控技术领域，尤其涉及一种高比例可再生能源电力系统的实时调控方法及装置。

背景技术

高比例可再生能源成为电力系统未来发展的一个突出特征。风电和光伏是当前技术最成熟的可再生能源发电技术，这两类电源都具有很强的波动性、随机性。在高比例可再生能源并网的未来电力系统，电源波动甚至超过了负荷波动而成为电力系统不确定性的主要来源。如何综合考虑这种电源和负荷的双不确定性，对电力系统进行实时调控，成为电力系统规划和运行的核心问题。

发明内容

为了克服现有技术的缺陷，本发明提供一种高比例可再生能源电力系统的实时调控方法及装置，能够计及可再生能源的预测出力区间对电力系统进行实时调控，有利于充分消纳可再生能源和有效保证电力系统安全稳定运行。

为了解决上述技术问题，第一方面，本发明一实施例提供一种高比例可再生能源电力系统的实时调控方法，包括：

根据预设的出清周期，获取电力系统内可再生能源的预测出力数据和实时出力数据；

将所述预测出力数据作为训练数据训练预先建立的出力功率预测模型，得到目标出力功率预测模型；

将所述实时出力数据作为校准数据输入所述目标出力功率预测模型，得到所述校准数据对应的出力功率；

根据所述校准数据和所述校准数据对应的出力功率，得到所述目标出力功率预测模型的预测误差；

根据所述目标出力功率预测模型的预测误差，确定所述可再生能源的预测出力区间；

基于预先制定的机组发电计划进行市场出清，得到机组出力功率，并根据所述预测出力区间调控所述机组出力功率。

进一步地，所述根据所述校准数据和所述校准数据对应的出力功率，得到所述目标出力功率预测模型的预测误差，具体为：

计算所述校准数据和所述校准数据对应的出力功率的绝对误差，得到所述目标出力功率预测模型的预测误差。

进一步地，所述根据所述目标出力功率预测模型的预测误差，确定所述可再生能源的预测出力区间，具体为：

从所述目标出力功率预测模型的预测误差中提取分位数作为预测误差估计范围，并根据所述预测出力数据和所述预测误差范围，确定所述预测出力区间。

进一步地，所述基于预先制定的机组发电计划进行市场出清，得到机组出力功率，具体为：

在满足所述电力系统安全约束的条件下，以所述电力系统购电成本最低为优化目标，制定所述机组发电计划；

基于所述机组发电计划，根据所述预测出力数据进行市场净收益最大化出清，得到所述机组出力功率。

进一步地，所述根据所述预测出力区间调控所述机组出力功率，具体为：

分别将所述机组出力功率替换为所述预测出力区间的最大出力数据和最小出力数据进行潮流越限判别；

在判定有线路或断面越限时，基于所述机组发电计划，根据所述最大出力数据或所述最小出力数据重新进行市场净收益最大化出清，得到新的机组出力功率。

第二方面，本发明一实施例提供一种高比例可再生能源电力系统的实时调控装置，包括：

出力数据获取模块，用于根据预设的出清周期，获取电力系统内可再生能源的预测出力数据和实时出力数据；

预测模型训练模块，用于将所述预测出力数据作为训练数据训练预先建立的出力功率预测模型，得到目标出力功率预测模型；

预测模型校准模块，用于将所述实时出力数据作为校准数据输入所述目标出力功率预测模型，得到所述校准数据对应的出力功率；

模型误差预测模块，用于根据所述校准数据和所述校准数据对应的出力功率，得到所述目标出力功率预测模型的预测误差；

出力区间预测模块，用于根据所述目标出力功率预测模型的预测误差，确定所述可再生能源的预测出力区间；

电力系统调控模块，用于基于预先制定的机组发电计划进行市场出清，得到机组出力功率，并根据所述预测出力区间调控所述机组出力功率。

进一步地，所述模型误差预测模块，具体用于计算所述校准数据和所述校准数据对应的出力功率的绝对误差，得到所述目标出力功率预测模型的预测误差。

进一步地，所述出力区间预测模块，具体用于从所述目标出力功率预测模型的预测误差中提取分位数作为预测误差估计范围，并根据所述预测出力数据和所述预测误差范围，确定所述预测出力区间。

进一步地，所述电力系统调控模块，包括：

计划制定单元，用于在满足所述电力系统安全约束的条件下，以所述电力系统购电成本最低为优化目标，制定所述机组发电计划；

市场出清单元，用于基于所述机组发电计划，根据所述预测出力数据进行市场净收益最大化出清，得到所述机组出力功率。

进一步地，所述电力系统调控模块，包括：

潮流越限判别单元，用于分别将所述机组出力功率替换为所述预测出力区间的最大出力数据和最小出力数据进行潮流越限判别；

电力系统调控单元，用于在判定有线路或断面越限时，基于所述机组发电计划，根据所述最大出力数据或所述最小出力数据重新进行市场净收益最大化出清，得到新的机组出力功率。

相比于现有技术，本发明的实施例，具有如下有益效果：

通过根据预设的出清周期，获取电力系统内可再生能源的预测出力数据和实时出力数据；将预测出力数据作为训练数据训练预先建立的出力功率预测模型，得到目标出力功率预测模型；将实时出力数据作为校准数据输入目标出力功率预测模型，得到校准数据对应的出力功率；根据校准数据和校准数据对应的出力功率，得到目标出力功率预测模型的预测误差；根据目标出力功率预测模型的预测误差，确定可再生能源的预测出力区间；基于预先制定的机组发电计划进行市场出清，得到机组出力功率，并根据预测出力区间调控机组出力功率，能够计及可再生能源的预测出力区间对电力系统进行实时调控，有利于充分消纳可再生能源和有效保证电力系统安全稳定运行。

附图说明

图1为本发明第一实施例中的一种高比例可再生能源电力系统的实时调控方法的流程示意图；

图2为本发明第二实施例中的一种高比例可再生能源电力系统的实时调控装置的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明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。

需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的终端设备执行，且下文均以处理器作为执行主体为例进行说明。

如图1所示，第一实施例提供一种高比例可再生能源电力系统的实时调控方法，包括步骤S1～S6：

S1、根据预设的出清周期，获取电力系统内可再生能源的预测出力数据和实时出力数据；

S2、将预测出力数据作为训练数据训练预先建立的出力功率预测模型，得到目标出力功率预测模型；

S3、将实时出力数据作为校准数据输入目标出力功率预测模型，得到校准数据对应的出力功率；

S4、根据校准数据和校准数据对应的出力功率，得到目标出力功率预测模型的预测误差；

S5、根据目标出力功率预测模型的预测误差，确定可再生能源的预测出力区间；

S6、基于预先制定的机组发电计划进行市场出清，得到机组出力功率，并根据预测出力区间调控机组出力功率。

作为示例性地，在步骤S1中，考虑到可再生能源具有时间序列特性，根据预设的出清周期，比如15分钟，直接从电力公司风水光新能源系统调取电力系统内可再生能源的预测出力数据，以及采集并抽取可再生能源的实时出力数据。

假设从电力公司风光水新能源系统调取的预测出力数据具备可信度，本实施例在确定可再生能源的预测出力区间时不再重复考虑气候、风力、温度等因素对可再生能源实时出力的影响。

在步骤S2中，预先建立出力功率预测模型，将调取的预测出力数据作为训练数据训练拟合出力功率预测模型，得到目标出力功率预测模型。其中，可采用随机森林回归算法进行模型训练。

在步骤S3中，将实时出力数据作为校准数据输入目标出力功率预测模型进行功率预测，得到校准数据对应的出力功率。

在步骤S4中，根据校准数据和校准数据对应的出力功率进行误差分析，得到目标出力功率预测模型的预测误差，以判断目标出力功率预测模型的优良程度。

在步骤S5中，根据目标出力功率预测模型的预测误差和调取的预测出力数据，确定可再生能源的预测出力区间。

可以理解的是，由于可再生能源具有时间序列特性，采用用于获取间隔预测的Python库-MAPIE确定可再生能源的预测出力区间，通过引入基于时间序列的出力区间预测方法，对可再生能源的预测出力数据按照时间序列进行分割，以每15分钟的时间间隔对可再生能源的预测出力数据进行分段，使出力功率预测模型根据训练数据与校准数据所产生的错误中学习，拟合得到目标出力功率预测模型，分析目标出力功率预测模型对校准数据产生的预测误差，建立以可变化的时间间隔为基础的预测出力上线和预测出力下限。

在步骤S6中，针对电力系统内的所有发电机组，根据实际的发电需求预先制定机组发电计划，基于机组发电计划进行市场出清，得到机组出力功率，并根据预测出力区间调控机组出力功率，实现对电力系统进行实时调控。

本实施例能够计及可再生能源的预测出力区间对电力系统进行实时调控，有利于充分消纳可再生能源和有效保证电力系统安全稳定运行。

在优选的实施例当中，所述根据校准数据和校准数据对应的出力功率，得到目标出力功率预测模型的预测误差，具体为：计算校准数据和校准数据对应的出力功率的绝对误差，得到目标出力功率预测模型的预测误差。

作为示例性地，通过计算校准数据和校准数据对应的出力功率的绝对误差进行误差分析，得到目标出力功率预测模型的预测误差，以判断目标出力功率预测模型的优良程度。

可以理解的是，本实施例是将数据分为两部分，一部分数据作为训练数据训练模型，另外一部分数据作为校准数据测试模型的误差。由于两部分数据不同，估计得到的泛化误差更接近真实的模型表现。但在实际应用中，往往只有有限的数据可用，需要对数据进行重用，从而对数据进行多次切分，最终得到较好的模型分析结果。

本实施例可采用日前向链时间序列交叉验证方法，其基本思想是对同一组数据进行多次训练/测试分割，然后计算这些分割上的误差平均值。利用这种方法，可将每天的数据作为测试集，并将以前的所有数据分配到训练集中。例如，假设数据集有N天，那么将根据时间序列随机生成N-2个不同的训练和测试分割，确保至少有一天的训练数据和校准数据可用。该方法产生N-2个不同的训练/测试分割，每个训练/测试分割集将得到独立的均方根误差(RMSE)，并且对每个分割集合上的均方根误差(RMSE)求平均，以计算模型误差的鲁棒估计。

本实施例通过计算校准数据和校准数据对应的出力功率的绝对误差进行误差分析，能够准确判断目标出力功率预测模型的优良程度。

在优选的实施例当中，所述根据目标出力功率预测模型的预测误差，确定可再生能源的预测出力区间，具体为：从目标出力功率预测模型的预测误差中提取分位数作为预测误差估计范围，并根据预测出力数据和预测误差范围，确定预测出力区间。

作为示例性地，在绝对误差分析中，为了设置对目标出力功率预测模型的预测误差的容忍度，引入α分位数作为可承受的预测误差范围，从目标出力功率预测模型的预测误差，即绝对误差分布中提取1-α分位数作为预测误差估计范围。其中，α分位数为预先设置的一定值，取值范围为1％～10％，用于在极端天气下，预测出力区间估计偏差较大时，通过调整α分位数提高预测精准度。比如，通常情况下，α分位数可设置为5％，即认为允许预测结果95％的正确率，当实时预测偏差过大时，表明5％的容忍度已经满足不了模型拟合效果，可调整α分位数至10％，即认为允许预测结果90％的正确率即可，如此提高模型拟合效果。根据预测误差范围，可以在预测出力数据这一点预测的两侧添加误差，以，确定预测出力区间。

本实施例通过从目标出力功率预测模型的预测误差中提取分位数作为预测误差估计范围来确定预测出力区间，能够更好地拟合目标出力功率预测模型，准确地估计出预测出力区间。

在优选的实施例当中，所述基于预先制定的机组发电计划进行市场出清，得到机组出力功率，具体为：在满足电力系统安全约束的条件下，以电力系统购电成本最低为优化目标，制定机组发电计划；基于机组发电计划，根据预测出力数据进行市场净收益最大化出清，得到机组出力功率。

作为示例性地，以电力系统购电成本最低为优化目标构造目标函数，根据电力系统安全约束构造约束条件，结合目标函数和约束条件，生成机组发电计划。其中，电力系统安全约束包括电力系统功率平衡约束、电力系统备用约束等与所有机组相关联的系统性约束，以及机组输出功率上下限约束、机组输出功率爬坡率约束、机组最小运行与停机时间约束等单个机组约束。

基于机组发电计划，根据预测出力数据进行市场净收益最大化出清，得到机组出力功率。其中，市场净收益最大化如式(1)所示：

式(1)中，n为电力系统的节点总数；S

本实施例通过对机组发电计划进行市场净收益最大化出清，能够在计及可再生能源的预测出力区间对电力系统进行实时调控的过程中，保证市场经济效益最大化。

在优选的实施例当中，所述根据预测出力区间调控机组出力功率，具体为：分别将机组出力功率替换为预测出力区间的最大出力数据和最小出力数据进行潮流越限判别；在判定有线路或断面越限时，基于机组发电计划，根据最大出力数据或最小出力数据重新进行市场净收益最大化出清，得到新的机组出力功率。

作为示例性地，分别将机组出力功率替换为预测出力区间的最大出力数据和最小出力数据，将其代入电力系统潮流模型中计算潮流分布。

潮流计算就是通过程序，由电力系统中的已知量，求解未知量的过程。已知量是网络中的各类参数，包括各支路电阻和电抗，对地电纳，部分节点注入的有功或无功功率，未知量包括各节点注入的有功和无功功率，各节点电压的幅值和相位等，如式(2)所示：

式(2)中，n为电力系统的节点总数；P

电力系统中的第i个节点有四个变量，分别为有功功率P

比较可再生能源的预测出力数据、预测出力区间对潮流分布的影响，根据代入预测出力区间的最大出力数据和最小出力数据后的各节点有功功率和无功功率潮流计算结果，进行潮流越限判别，即判断以下两个条件：

1、在代入预测出力区间的最大出力数据和最小出力数据这两种情况下是否有线路的有功潮流越限，即有功功率是否超过了线路的最大允许传输功率；

2、已知潮流控制断面是否越限，即计算后的有功断面是否超过了该传输断面的最大允许传输功率。

若以上两个条件任一条件成立，则说明一旦可再生能源的实时出力按照预测出力区间的最大出力数据或最小出力数据发电，就会出现潮流越限导致电力系统潮流突破电力系统安全约束的情况，影响电力系统安全稳定运行，需要重新进行机组发电计划出清。

在判定以上两个条件任一条件成立时，将从电力公司风光水新能源系统调取的预测出力数据替换为预测出力区间的最大出力数据或最小出力数据，基于机组发电计划，根据最大出力数据或最小出力数据重新进行市场净收益最大化出清，得到新的机组出力功率。

例如，假设预测出力区间的最大出力数据导致条件1成立，此时将机组发电计划中的预测出力数据替换为预测出力区间的最大出力数据，其他数据不变，重新进行市场净收益最大化出清。

如果发现重新出清后的机组发电计划仍然会导致条件1或者条件2成立，则说明常规机组调整手段已经用尽，系统算法已不具备解除条件1或者条件2 的能力，此时系统还是按照当前出清后的机组发电计划进行出清，由系统告警提示，本次出清将持续导致条件1或者条件2成立，并列出影响的潮流线路或者断面。

本实施例通过在根据预测出力区间调控机组出力功率的过程中进行潮流越限判别，能够有效保证电力系统安全稳定运行。

基于与第一实施例相同的发明构思，第二实施例提供如图2所示的一种高比例可再生能源电力系统的实时调控装置，包括：出力数据获取模块21，用于根据预设的出清周期，获取电力系统内可再生能源的预测出力数据和实时出力数据；预测模型训练模块22，用于将预测出力数据作为训练数据训练预先建立的出力功率预测模型，得到目标出力功率预测模型；预测模型校准模块23，用于将实时出力数据作为校准数据输入目标出力功率预测模型，得到校准数据对应的出力功率；模型误差预测模块24，用于根据校准数据和校准数据对应的出力功率，得到目标出力功率预测模型的预测误差；出力区间预测模块25，用于根据目标出力功率预测模型的预测误差，确定可再生能源的预测出力区间；电力系统调控模块26，用于基于预先制定的机组发电计划进行市场出清，得到机组出力功率，并根据预测出力区间调控机组出力功率。

在优选的实施例当中，模型误差预测模块24，具体用于计算校准数据和校准数据对应的出力功率的绝对误差，得到目标出力功率预测模型的预测误差。

在优选的实施例当中，出力区间预测模块25，具体用于从目标出力功率预测模型的预测误差中提取分位数作为预测误差估计范围，并根据预测出力数据和预测误差范围，确定预测出力区间。

在优选的实施例当中，电力系统调控模块26，包括：计划制定单元，用于在满足电力系统安全约束的条件下，以电力系统购电成本最低为优化目标，制定机组发电计划；市场出清单元，用于基于机组发电计划，根据预测出力数据进行市场净收益最大化出清，得到机组出力功率。

在优选的实施例当中，电力系统调控模块26，包括：潮流越限判别单元，用于分别将机组出力功率替换为预测出力区间的最大出力数据和最小出力数据进行潮流越限判别；电力系统调控单元，用于在判定有线路或断面越限时，基于机组发电计划，根据最大出力数据或最小出力数据重新进行市场净收益最大化出清，得到新的机组出力功率。

综上所述，实施本发明的实施例，具有如下有益效果：

通过根据预设的出清周期，获取电力系统内可再生能源的预测出力数据和实时出力数据；将预测出力数据作为训练数据训练预先建立的出力功率预测模型，得到目标出力功率预测模型；将实时出力数据作为校准数据输入目标出力功率预测模型，得到校准数据对应的出力功率；根据校准数据和校准数据对应的出力功率，得到目标出力功率预测模型的预测误差；根据目标出力功率预测模型的预测误差，确定可再生能源的预测出力区间；基于预先制定的机组发电计划进行市场出清，得到机组出力功率，并根据预测出力区间调控机组出力功率，能够计及可再生能源的预测出力区间对电力系统进行实时调控，有利于充分消纳可再生能源和有效保证电力系统安全稳定运行。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM) 或随机存储记忆体(Random Access Memory，RAM)等。