考虑新能源出力不确定性的水风光短期联合优化调度方法技术

本发明专利技术涉及考虑新能源出力不确定性的水风光短期联合优化调度方法，属于多能源互补协调调度技术领域。该方法提出一种以新能源预测出力作为输入条件的未来典型组合出力场景生成方法，利用历史统计信息将新能源单一确定性出力预测转化为多种实际可能出力场景和相应的概率。以此为基础，构建多情景水风光联合调度的随机期望值调峰模型。并利用优化求解软件求解该模型，最终获得水电运行计划。本发明专利技术可以有效应对新能源出力不确定性对水电运行计划的影响，有利于提高水电计划的可靠性，为水单主导的高比例可再生能源电力系统的水风光联合优化调度提供了新的技术途径。

A short-term joint optimal scheduling method of water and wind considering the uncertainty of new energy output

【技术实现步骤摘要】
考虑新能源出力不确定性的水风光短期联合优化调度方法
本专利技术属于多能源互补协调调度
，特别涉及水电主导高比例可再生能源电力系统的水风光短期联合调度方法。
技术介绍
随着资源紧张、气候变化、环境污染等问题日益突出，优先开发和利用水能、风能、太阳能等可再生能源是促进环境保护，减少对化石能源依赖的重要途径，也是国际社会的共识。在国家相关政策的推动下，我国出现了多个水电主导的高比例可再生能源电网，其中以云南、西藏最为典型。由于新能源(风电、光伏)不可调度的特性，电网在制定新能源日前计划时，多采用“预报值即为计划值”的调度模式。该模式高度依赖新能源的预测水平，一旦出现较大预测偏差，就会影响水电计划的可靠性。目前，随着新能源渗透率的逐年提升，电网水电计划的可靠性日益降低，严重时会出现弃电或者限电的情况。因此，如何应对新能源的不确定性和难预测性，制定更加可靠的发电计划对水电主导的高比例可再生能源电网安全、稳定、经济运行具有重要意义。目前关于高比例可再生能源电力系统联合优化调度的相关研究大概可分为两类：一类是点对点模式，该类联合调度模式，对多类型单个电站之间的联合调度具有借鉴意义，但难以适用于大电网互补协调调度，因为很难为全网内所有新能源电站都找到相应匹配的灵活调节电源。另一类是网对网模式，目前该类调度模式主要针对区域电网新能源消纳和减少碳排放等问题具有指导意义。而对于水电主导的高比例可再生能源电力系统，运营者更加关注在新能源优先消纳条件下，如何应对新能源不确性的影响，提高水电计划可靠性，减小调度风险。可见，当前该领域的诸多研究难以满足水电主导的高比例可再生能源电力系统运营者的诉求。
技术实现思路
本专利技术的目的是为了解决现有技术的不足，提供一种考虑新能源出力不确定性的水风光短期联合优化调度方法，可有效应对新能源大规模并网带来的不确定性影响，提高水电计划的可靠性和鲁棒性。为实现上述目的，本专利技术采用的技术方案如下：考虑新能源出力不确定性的水风光短期联合优化调度方法，包括如下步骤：步骤(1)，初始计算条件，包括水电站运行条件和约束、电力和水力调度需求条件、新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；水电站运行条件包括：调度日区间流量、调度日始末控制水位、耗水率、梯级电站之间的水流滞时数据；水电站运行约束包括：水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束；电力调度需求条件包括：电力系统负荷数据、水电站出力上下限；水力调度需求条件包括：梯级电站上下游水力联系；所述的新能源包括：风电、光伏；步骤(2)，假设步骤(1)得到的某种新能源历史实际出力数据有n天，每天出力数据采集次数为k，则得n×k组样本，每组样本记为其中，d为天数，i为次数，d＝1,2,…,n；i＝1,2,…,k，分别为历史第d天第i个观测点的预测出力和实际出力；则调度日单一确定性预测出力序列为(P1f,P2f,…,Pkf)T；之后，将调度日单一确定性新能源预测出力过程(P1f,P2f,…,Pkf)T转换为多种组合出力场景和相应的实现概率。步骤(3)，已知风电、光伏调度日单一确定性预测数据，根据步骤(2)获得的风电实际典型出力场景集光伏实际典型出力场景集根据笛卡尔乘积思想将风电、光伏实际典型出力场景集组合获得典型组合出力场景集式中：wm为风电集典型出力场景集中场景个数，wm个场景序列分别为各个场景对应的概率为pw,1,pw,2,…,pw,wm，且sm为光伏典型出力场景集中场景个数，sm个场景序列分别为各个场景对应的概率为ps,1,ps,2,…,ps,sm，且和笛卡尔乘积组合方法如下：取集合中的第一个元素与集合中所有的元素进行组合，得到sm个组合场景，然后再取集合中的第二个元素与集合中所有的元素进行组合，如此循环wm次，最终可以获得wm×sm个组合场景，每个组合场景的概率为被组合场景概率的乘积；得到组合场景为：步骤(4)，基于步骤(3)得到的典型组合出力场景集建立多场景水风光联合调度的随机期望值调峰模型，用余留负荷方差的期望值最小作为目标函数，并基于水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束，求解模型，得到各个电站的库水位序列、发电流量序列和出力序列，之后按照得到的结果进行调度；其中，目标函数如下式中：S为风电、光伏组合出力场景集集中场景的总数，S＝wm×sm；s为场景序号，s＝1,2,…,S；和分别为组合场景集中第s个组合场景t时段风电和光伏出力，MW；Ps为组合场景集中第s个组合场景的概率；T为调度时段数目；t为时段序号，t＝1,2,…,T；N为电站数目；n为电站编号，n＝1,2,…,N；Pd,t为t时段的系统负荷值，MW；Ph,n,t为n水电站，t时段水电出力，MW；为组合场景s中t时段系统剩余负荷，MW。进一步，优选的是，步骤(2)的转换方法以风电为例，具体如下：Step1.已有n×k组风电样本d＝1,2,…,n；i＝1,2,…,k；其中，d为天数，k为每日出力采集次数，分别为历史第d天第i个观测点的预测出力和实际出力；基于样本构建基于分位点回归的非参数概率预测模型：和为分位点回归模型拟合参数，实现输入任意预测值即可获得一组实际出力值分布的分位点Step2.利用Step1的分位点预测模型，将所有风电历史实际出力通过线性插值计算为转换为转换步骤为：首先，将对应的预测出力输入到分位点预测模型可得到一组分位点利用集合进行线性插值即可得到对应的Step3.近似服从[0,1]均匀分布，将其进行如下转换：式中为probit函数erf-1(·)为逆误差函数，服从标准正态分布；Step4.基于Step2和Step3将历史第d天风电实际出力向量转化为向量最终将n天的历史实际出力数据序列均转化为k维随机向量，得到的n个样本：假定所述的k维随机向量服从k维高斯分布Nk(μ,Σ)，且μ和Σ的极大似然估计为样本均值向量和样本协差阵S，样本为前述的样本Step5.随机产生ws个服从k维高斯分布的随机向量s＝1,2,…,ws，并转换为ws个向量转换方法如下：式中Φ(·)函数为probit函数的逆函数；Step6.将调度日风电单一确定性预测序列输入非参数概率预测模型，得分位点矩阵Pw,τ，将Step5产生的ws个向量利用矩阵Pw,τ进行逐点线性插值，获得该风电预测出力序列对应的场景集Cw；Step7.首先利用t-SNE降维方法将C中k维高维数据降到2维，之后采用k-means聚类算法对降维后的2维数据聚类，最终实现场景集缩减，并获得风电典型场景和相应的概率；光伏同理。进一步，优选的是，水量平衡约束为：Vn,t+1＝Vn,t+3600(Qn,t-qn,本文档来自技高网...

【技术保护点】
1.考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，包括如下步骤：/n步骤(1)，初始计算条件，包括水电站运行条件和约束、电力和水力调度需求条件、新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；/n水电站运行条件包括：调度日区间流量、调度日始末控制水位、耗水率、梯级电站之间的水流滞时数据；/n水电站运行约束包括：水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束；/n电力调度需求条件包括：电力系统负荷数据、水电站出力上下限；/n水力调度需求条件包括：梯级电站上下游水力联系；/n所述的新能源包括：风电、光伏；/n步骤(2)，假设步骤(1)得到的某种新能源历史实际出力数据有n天，每天出力数据采集次数为k，则得n×k组样本，每组样本记为

【技术特征摘要】
1.考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，包括如下步骤：
步骤(1)，初始计算条件，包括水电站运行条件和约束、电力和水力调度需求条件、新能源历史实际出力数据及对应的历史预测数据、调度日新能源出力预测数据；
水电站运行条件包括：调度日区间流量、调度日始末控制水位、耗水率、梯级电站之间的水流滞时数据；
水电站运行约束包括：水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束；
电力调度需求条件包括：电力系统负荷数据、水电站出力上下限；
水力调度需求条件包括：梯级电站上下游水力联系；
所述的新能源包括：风电、光伏；
步骤(2)，假设步骤(1)得到的某种新能源历史实际出力数据有n天，每天出力数据采集次数为k，则得n×k组样本，每组样本记为其中，d为天数，i为次数，d＝1,2,…,n；i＝1,2,…,k，分别为历史第d天第i个观测点的预测出力和实际出力；则调度日单一确定性预测出力序列为
之后，将调度日单一确定性新能源预测出力过程转换为多种组合出力场景和相应的实现概率。
步骤(3)，已知风电、光伏调度日单一确定性预测数据，根据步骤(2)获得的风电实际典型出力场景集光伏实际典型出力场景集根据笛卡尔乘积思想将风电、光伏实际典型出力场景集组合获得典型组合出力场景集



式中：wm为风电典型出力场景集中场景个数，wm个场景序列分别为各个场景对应的概率为pw,1,pw,2,…,pw,wm，且sm为光伏典型出力场景集中场景个数，sm个场景序列分别为各个场景对应的概率为ps,1,ps,2,…,ps,sm，且

和笛卡尔乘积组合方法如下：取集合中的第一个元素与集合中所有的元素进行组合，得到sm个组合场景，然后再取集合中的第二个元素与集合中所有的元素进行组合，如此循环wm次，最终可以获得wm×sm个组合场景，每个组合场景的概率为被组合场景概率的乘积；得到组合场景为：



步骤(4)，基于步骤(3)得到的典型组合出力场景集建立多场景水风光联合调度的随机期望值调峰模型，用余留负荷方差的期望值最小作为目标函数，并基于水量平衡约束、库水位约束、末水位约束、发电流量约束、出库流量约束、水电站出力约束、水电站出力爬坡约束，求解模型，得到各个电站的库水位序列、发电流量序列和出力序列，之后按照得到的结果进行调度；
其中，目标函数如下






式中：S为风电、光伏组合出力场景集集中场景的总数，S＝wm×sm；s为场景序号，s＝1,2,…,S；和分别为组合场景集中第s个组合场景t时段风电和光伏出力，MW；Ps为组合场景集中第s个组合场景的概率；T为调度时段数目；t为时段序号，t＝1,2,…,T；N为电站数目；n为电站编号，n＝1,2,…,N；Pd,t为t时段的系统负荷值，MW；Ph,n,t为n水电站，t时段水电出力，MW；为组合场景s中t时段系统剩余负荷，MW。


2.根据权利要求1所述的考虑新能源出力不确定性的水风光短期联合优化调度方法，其特征在于，步骤(2)的转换方法以风电为例，具体如下：
Step1.已有n×k组风电样本其中，d为天数，k为每日出力采集次数，分别为历史第d天第i个观测点的预测出力和实际出力；基于样本构建基于分位点回归的非参数概率预测模型：和为分位点回归模型拟合参数，实现输入任意预测值即可获得一组实际出力值分布的分位点
Step2.利用Step1的分位点预测模型，将所有风电历史实际出力通过线性插值计算为转换为
转换步骤为：首先，将对应的预测出力输入到分位点预测模型可得到一组分位点利用集...

【专利技术属性】
技术研发人员：李秀峰，剡文林，蒋燕，赵珍玉，张俊涛，周彬彬，陈凯，王有香，吴洋，周涵，段睿钦，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：云南;53