【技術實現步驟摘要】
本專利技術涉及一種考慮新能源出力不確定性的電力系統智能調度方法。
技術介紹
1、在全球能源轉型的背景下，新能源(如風能、太陽能)的大規模接入使得電力系統運行模式發生了深刻變化。新能源具有清潔性和可再生性，但其隨機性、間歇性和波動性顯著增加了電網運行的復雜性，對傳統的調度策略提出了更高要求。
2、近年來，電網規模擴大和電力市場體系完善，調度對象和用戶數量呈現爆炸式增長，智能調度技術得到廣泛研究。但現有研究和技術方法，主要存在適用性差、對新能源處理的不確定性應對能力有限、計算復雜等缺點。
技術實現思路
1、本專利技術的目的是提供一種預測精度高、適應性強的考慮新能源出力不確定性的電力系統智能調度方法。
2、本專利技術采用如下技術方案：
3、一種考慮新能源出力不確定性的電力系統智能調度方法，其包括如下步驟：
4、(1)數據采集與處理；
5、(2)利用復合預測模型預測新能源出力；
6、(3)利用多目標優化模型并結合約束條件計算目標函數值；
7、(4)生成調度策略。
8、進一步的，步驟(1)中所述的數據包括：出力歷史數據、氣象數據、負荷需求數據以及系統運行參數。
9、進一步的，步驟(1)中，出力歷史數據包括：每小時風電的實際發電功率、每小時光伏的實際發電功率、每小時火電的實際發電功率、每小時儲能設備的實際充放電功率。
10、進一步的，氣象數據包括：溫度、氣壓、濕度、風速、風向
11、進一步的，系統運行參數包括：風電最大出力、光伏最大出力、火電最小出力與最大出力、儲能電池最小出力與最大出力、火力啟停費用、火電發電成本、棄風棄光懲罰。
12、進一步的，步驟(1)中，通過對每個小時的風電、光電氣象數據的進行平滑平均，去除高頻噪聲；運用xgboost對數據進行降維，提取出時間特征和氣象特征。
13、進一步的，步驟(2)中，復合預測模型如下式所示：
14、y′＝parima·yarima+pmlp·ymlp
15、其中，y′表示復合預測結果；parima表示選擇arima模型進行預測的概率；yarima表示arima模型預測周期t的新能源出力值；pmlp表示選擇mlp模型進行預測的概率；ymlp表示mlp預測模型預測周期t的新能源出力值。
16、進一步的，所述選擇arima模型或mlp模型進行預測的概率通過下式計算：
17、
18、其中，pi表示選擇arima模型或者mlp模型進行預測的概率，rmse表示均方根誤差。
19、進一步的，所述均方根誤差rmse通過下式計算：
20、
21、其中，yi為預測的出力值，yi為實際出力值，n為樣本總數。
22、進一步的，步驟(3)中，多目標優化模型的目標函數為：
23、
24、其中，t為一個調度周期；su,pu,分別表示機組啟/停狀態、機組出力和棄風棄光量；wt(·)、ct(·)、θ分別表示t時段的機組啟/停費用、機組出力成本和棄風棄光量懲罰因子。
25、進一步的，步驟(3)中，約束條件為：
26、
27、其中，t為索引時段；ptfire為火電機組ifire的出力；ptwind為風電機組iwind的出力；ptsolar為光電機組isolar的出力；ptdis為電池機組idis的出力；dt、分別為負荷的用電需求與電池機組idis的儲電需求。
28、進一步的，通過改進的粒子群算法計算多目標優化模型的目標函數值。
29、本專利技術的有益效果在于：
30、(1)提升新能源消納能力和預測精度。本專利技術通過復合預測模型(arima預測模型與mlp預測模型的結合)，有效應對新能源出力的隨機性和間歇性，實現了高精度的新能源出力預測。精準預測的結果使得電網調度能夠更高效地利用新能源發電資源，減少棄風、棄光等現象，提高新能源的消納率。
31、(2)優化電力系統運行成本和環境效益。
32、本專利技術的多目標優化模型，綜合考慮經濟性(運行成本最小化)、環保性(碳排放最小化)和系統安全性(負荷平衡)。優化后的調度方案在確保系統穩定運行的同時，顯著降低了系統運行成本，并在滿足碳減排目標方面表現優異。
33、(3)增強系統的實時性與魯棒性。
34、改進的粒子群算法通過動態參數調整和混合優化策略，提高了算法的全局搜索能力和收斂速度，使得調度方案能夠快速響應負荷需求變化和新能源波動，確保系統的實時性。即使在極端波動場景下，調度系統依然具備高魯棒性。
35、(4)提升系統適應性與多場景適配能力。
36、本專利技術提出的調度方法不僅適用于單一電力系統，還可以擴展至風-光-火-儲系統、微電網等多種場景，具有較強的適應性和通用性。其模塊化設計也便于在不同電網架構中實現部署。
37、(5)高效計算與部署便捷性。
38、本專利技術優化了算法的計算復雜度，減少了大規模調度問題的求解時間。結合實時仿真模塊和分布式計算框架，確保調度策略能夠在實際電網中快速部署和應用，提升了整體調度系統的效率和可靠性。
本文檔來自技高網...【技術保護點】
1.一種考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，其包括如下步驟：
2.根據權利要求1所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(1)中所述的數據包括：出力歷史數據、氣象數據、負荷需求數據以及系統運行參數。
3.根據權利要求2所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(1)中，出力歷史數據包括：每小時風電的實際發電功率、每小時光伏的實際發電功率、每小時火電的實際發電功率、每小時儲能設備的實際充放電功率；
4.根據權利要求3所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(1)中，通過對每個小時的風電、光電氣象數據的進行平滑平均，去除高頻噪聲；運用XGBoost對數據進行降維，提取出時間特征和氣象特征。
5.根據權利要求4所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(2)中，復合預測模型如下式所示：
6.根據權利要求5所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，所述選擇ARIMA模型或MLP模
7.根據權利要求6所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，所述均方根誤差RMSE通過下式計算：
8.根據權利要求7所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(3)中，多目標優化模型的目標函數為：
9.根據權利要求8所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(3)中，約束條件為：
10.根據權利要求9所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，通過改進的粒子群算法計算多目標優化模型的目標函數值。
...【技術特征摘要】
1.一種考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，其包括如下步驟：
2.根據權利要求1所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(1)中所述的數據包括：出力歷史數據、氣象數據、負荷需求數據以及系統運行參數。
3.根據權利要求2所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(1)中，出力歷史數據包括：每小時風電的實際發電功率、每小時光伏的實際發電功率、每小時火電的實際發電功率、每小時儲能設備的實際充放電功率；
4.根據權利要求3所述的考慮新能源出力不確定性的電力系統智能調度方法，其特征在于，步驟(1)中，通過對每個小時的風電、光電氣象數據的進行平滑平均，去除高頻噪聲；運用xgboost對數據進行降維，提取出時間特征和氣象特征。
5.根據權利要求4所述的考慮新能源出力...
【專利技術屬性】
技術研發人員：王雙，王滿帥，常曉慧，王利東，宋薇婷，米春泉，王川，趙澤淵，王立國，王坤，李梁，曹坤，賈仕涵，徐建航，謝博，鐘碩，金言，劉曉晨，張蕾，王陽，程曉悅，王瑩琨，陳澤，張新宇，袁子賀，卜澤偉，王梓，付啟，張寶英，李云，王繼飛，楊躍強，孟兵，張沛，任思遠，孟慶臣，邸恩然，張韜，董玉琳，王博，張家瑋，楊晟，劉景財，孟慶偉，李文峰，
申請(專利權)人：國網冀北電力有限公司張家口供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。