一种数据驱动的电网灵活性裕度量化方法及系统技术方案

本发明专利技术公开一种数据驱动的电网灵活性裕度量化方法及系统，涉及电网运行灵活性技术领域，方法包括：基于Copula理论根据历史风力发电数据集和历史光伏发电数据集构建风光出力时空相关集；利用基于概率距离的场景削减法对风光出力时空相关集进行削减以得到净负荷典型场景，进而建立电网灵活性需求模型、电源侧灵活性供给模型和需求侧灵活性供给模型；基于灵活性供需平衡约束，以电网的电源侧消耗成本、电网的需求侧放电损耗补偿成本和电网灵活性缺额对应的惩罚成本之和最小为目标，建立数据驱动优化调度模型，求解以得到电网对于电源侧和需求侧的最优调度结果，进而计算电网的灵活性裕度。本发明专利技术解决了电网灵活性平衡的不确定性问题。定性问题。定性问题。

【技术实现步骤摘要】
一种数据驱动的电网灵活性裕度量化方法及系统


[0001]本专利技术涉及电网运行灵活性
，特别是涉及一种数据驱动的电网灵活性裕度量化方法及系统。

技术介绍

[0002]可再生能源发电设备和并网技术快速发展，以新能源为主导的新型电网逐步形成。高比例新能源的随机波动性导致电网运行调度的难度显著增加，传统灵活性资源如常规机组的灵活性供给能力已难以有效满足系统剧增的灵活性需求。电网在局部时段的灵活性严重不足，需求侧灵活性(demand
‑
side flexibility)逐渐成为电网调度运行的研究核心，对灵活性资源需求的量化成为研究的关键问题。国际能源署(International Energy Agency，IEA)和北美电力可靠性协会将灵活性定义为：在一定时间尺度下，电网中灵活性资源满足灵活性需求的能力。灵活性需求与供给的量化是进行电网灵活性裕度分析的关键。在对电网灵活性裕度量化
，通常考虑负荷与新能源的抵消与叠加效应，由净负荷的一阶差分表示系统的灵活性需求。风光负荷具有不确定性，现有技术采用联合概率分布函数描述净负荷的随机性，这一类基于概率的技术无法准确给出电网各时段的灵活性需求与调节能力，且受限于不确定量的概率分布情况。除此之外，现有灵活性需求量化技术鲜有考虑风光出力的时空相关性，存在出力集合描述不准确的问题。

技术实现思路

[0003]本专利技术的目的是提供一种数据驱动的电网灵活性裕度量化方法及系统，对电网灵活性裕度进行优化调度和量化，解决电网灵活性平衡的不确定性问题。<br/>[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种数据驱动的电网灵活性裕度量化方法，包括：
[0006]获取历史风力发电数据集和历史光伏发电数据集；
[0007]基于Copula理论，根据所述历史风力发电数据集和所述历史光伏发电数据集构建风光出力时空相关集；
[0008]利用基于概率距离的场景削减法，对所述风光出力时空相关集进行削减，以得到净负荷典型场景；
[0009]基于所述净负荷典型场景，建立电网灵活性需求模型；
[0010]建立电网的电源侧灵活性供给模型和电网的需求侧灵活性供给模型；
[0011]基于所述电网灵活性需求模型、所述电源侧灵活性供给模型和所述需求侧灵活性供给模型，计算电网灵活性缺额；所述电网灵活性缺额表征灵活性供需平衡约束；
[0012]基于所述灵活性供需平衡约束，以电网的电源侧消耗成本、电网的需求侧放电损耗补偿成本和所述电网灵活性缺额对应的惩罚成本之和最小为目标，建立数据驱动优化调度模型；
[0013]对所述数据驱动优化调度模型进行求解，以得到电网对于电源侧和需求侧的最优
调度结果；
[0014]根据所述最优调度结果计算电网的灵活性裕度。
[0015]可选地，基于Copula理论，根据所述历史风力发电数据集和所述历史光伏发电数据集构建风光出力时空相关集，具体包括：
[0016]基于核密度估计法，根据所述历史风力发电数据集计算各时段内风电出力概率密度，根据所述历史光伏发电数据集计算各时段内光伏出力概率密度；
[0017]对于任意时段，根据所述风电出力概率密度确定风电分布函数，根据所述光伏出力概率密度确定光伏分布函数；
[0018]基于Frank
‑
Copula函数，根据所述风电分布函数和所述光伏分布函数构建风光联合概率分布函数；
[0019]利用所述风光联合概率分布函数生成一个风光变量边缘分布函数随机数值组；
[0020]对所述风光变量边缘分布函数随机数值组，利用反函数求逆，以得到风光出力时空相关集。
[0021]为达上述目的，本专利技术还提供了如下技术方案：
[0022]一种数据驱动的电网灵活性裕度量化系统，包括：
[0023]数据集获取模块，用于获取历史风力发电数据集和历史光伏发电数据集；
[0024]风光出力时空相关集构建模块，用于基于Copula理论，根据所述历史风力发电数据集和所述历史光伏发电数据集构建风光出力时空相关集；
[0025]净负荷典型场景构建模块，用于利用基于概率距离的场景削减法，对所述风光出力时空相关集进行削减，以得到净负荷典型场景；
[0026]电网需求模型构建模块，用于基于所述净负荷典型场景，建立电网灵活性需求模型；
[0027]供给模型构建模块，用于建立电网的电源侧灵活性供给模型和电网的需求侧灵活性供给模型；
[0028]电网灵活性缺额计算模块，用于基于所述电网灵活性需求模型、所述电源侧灵活性供给模型和所述需求侧灵活性供给模型，计算电网灵活性缺额；所述电网灵活性缺额表征灵活性供需平衡约束；
[0029]数据驱动优化调度模型构建模块，用于基于所述灵活性供需平衡约束，以电网的电源侧消耗成本、电网的需求侧放电损耗补偿成本和所述电网灵活性缺额对应的惩罚成本之和最小为目标，建立数据驱动优化调度模型；
[0030]最优调度确定模块，用于对所述数据驱动优化调度模型进行求解，以得到电网对于电源侧和需求侧的最优调度结果；
[0031]电网灵活性裕度计算模块，用于根据所述最优调度结果计算电网的灵活性裕度。
[0032]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0033]本专利技术公开一种数据驱动的电网灵活性裕度量化方法及系统，基于历史风力发电数据集和历史光伏发电数据集，构建风光出力时空相关集，充分考虑了风光负荷波动的不确定性与相关性，相比于现有灵活性裕度量化技术，对于日前调度阶段电网灵活性裕度量化的鲁棒性取到了折中。考虑风光出力的时空相关性，基于概率距离的场景削减法对风光出力时空相关集进行削减得到净负荷典型场景，从而量化了灵活性需求，还充分考虑了各
场景下的净负荷波动。由典型场景量化电网灵活性需求，建立电源侧与需求侧灵活调节特性模型，量化了各资源灵活性供给能力；基于灵活性供需平衡约束，以电网的电源侧消耗成本、电网的需求侧放电损耗补偿成本和所述电网灵活性缺额对应的惩罚成本之和最小为目标，建立数据驱动优化调度模型，求解以得到电网对于电源侧和需求侧的最优调度结果，最后可根据最优调度结果计算电网的灵活性裕度。基于本专利技术调度人员可以根据各时段灵活性裕度投切与调整灵活性资源，更加灵活的应对日前日内出现的功率波动，对科研机构和电网调度机构处理电网灵活性供需平衡问题有重要的应用与参考价值。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术数据驱动的电网灵活性裕度量化方法的流程示意图；
[0036]图2为本专利技术的灵活性需求量化示意图；
[0037]图3为本专利技术数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的电网灵活性裕度量化方法，其特征在于，方法包括：获取历史风力发电数据集和历史光伏发电数据集；基于Copula理论，根据所述历史风力发电数据集和所述历史光伏发电数据集构建风光出力时空相关集；利用基于概率距离的场景削减法，对所述风光出力时空相关集进行削减，以得到净负荷典型场景；基于所述净负荷典型场景，建立电网灵活性需求模型；建立电网的电源侧灵活性供给模型和电网的需求侧灵活性供给模型；基于所述电网灵活性需求模型、所述电源侧灵活性供给模型和所述需求侧灵活性供给模型，计算电网灵活性缺额；所述电网灵活性缺额表征灵活性供需平衡约束；基于所述灵活性供需平衡约束，以电网的电源侧消耗成本、电网的需求侧放电损耗补偿成本和所述电网灵活性缺额对应的惩罚成本之和最小为目标，建立数据驱动优化调度模型；对所述数据驱动优化调度模型进行求解，以得到电网对于电源侧和需求侧的最优调度结果；根据所述最优调度结果计算电网的灵活性裕度。2.根据权利要求1所述的数据驱动的电网灵活性裕度量化方法，其特征在于，基于Copula理论，根据所述历史风力发电数据集和所述历史光伏发电数据集构建风光出力时空相关集，具体包括：基于核密度估计法，根据所述历史风力发电数据集计算各时段内风电出力概率密度，根据所述历史光伏发电数据集计算各时段内光伏出力概率密度；对于任意时段，根据所述风电出力概率密度确定风电分布函数，根据所述光伏出力概率密度确定光伏分布函数；基于Frank
‑
Copula函数，根据所述风电分布函数和所述光伏分布函数构建风光联合概率分布函数；利用所述风光联合概率分布函数生成一个风光变量边缘分布函数随机数值组；对所述风光变量边缘分布函数随机数值组，利用反函数求逆，以得到风光出力时空相关集。3.根据权利要求1所述的数据驱动的电网灵活性裕度量化方法，其特征在于，所述风光出力时空相关集中包括多个场景，每个场景均包括风电出力数据和光伏出力数据；所述利用基于概率距离的场景削减法，对所述风光出力时空相关集进行削减，以得到净负荷典型场景，具体包括：计算所述风光出力时空相关集中任意两个场景之间的欧式距离；针对每个场景，基于所述场景的出现概率以及所述场景与所述风光出力时空相关集中其他任一场景之间的欧式距离，确定所述场景对应的概率距离；根据所述场景对应的多个概率距离，计算所述场景对应的概率距离和；从多个所述场景中筛选出概率距离和最小的场景并剔除；改变标记场景的出现概率；所述标记场景为与被剔除的场景对应的概率距离最小的场景；
判断剔除概率距离和最小的场景之后的场景数目是否满足预设数值要求；若未满足预设数值要求，则返回计算所述风光出力时空相关集中任意两个场景之间的欧式距离的步骤；若满足预设数值要求，则将剔除概率距离和最小的场景之后的所有场景确定为净负荷典型场景。4.根据权利要求1所述的数据驱动的电网灵活性裕度量化方法，其特征在于，所述电网灵活性需求模型为：其中，和分别表示第k个净负荷典型场景下在t时刻净负荷产生的向上灵活性需求和向下灵活性需求；和分别表示第k个净负荷典型场景下在t时刻负荷产生的向上灵活性需求和向下灵活性需求；和分别表示第k个净负荷典型场景下在t时刻光伏出力产生的向上灵活性需求和向下灵活性需求；和分别表示第k个净负荷典型场景下在t时刻风电出力产生的向上灵活性需求和向下灵活性需求；和的计算公式如下：的计算公式如下：其中，表示第k个净负荷典型场景下在t时刻处负荷的预测值；和分别表示第k个净负荷典型场景下在t时刻处波动的上限和波动的下限；ε
L
为负荷的最大预测误差系数。5.根据权利要求1所述的数据驱动的电网灵活性裕度量化方法，其特征在于，将火电机组作为电网的电源侧灵活性供给，将电动汽车作为电网的需求侧灵活性供给；所述电源侧灵活性供给模型为：所述电源侧灵活性供给模型为：其中，和分别表示火电机组在时刻的向上灵活性供给和向下灵活性供给；和分别表示火电机组的向上爬坡速率和向下爬坡速率；和分别表示火电机组最大技术出力和最小技术出力，P
G,t
表示火电机组在时刻的技术出力；τ为时间尺度；所述需求侧灵活性供给模型为：
其中，和分别表示集群电动汽车在t时刻的向上灵活性供给和向下灵活性供给；P
EV,t
表示集群电动汽车在t时刻的充放电功率，E
EV,t
表示集群电动汽车在t时刻的电量；和分别表示集群电动汽车在t时刻的最大充放电功率和最小充放电功率；和分别表示集群电动汽车在t时刻的最大电量和最小电量。6.根据权利要求5所述的数据驱动的电网灵活性裕度量化方法，其...

【专利技术属性】
技术研发人员：陈璨，吴林林，马原，邵尹池，王枭枭，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：