一种风光装机容量配置方法、装置和电子设备

1.本发明涉及电力系统技术领域，具体涉及一种风光装机容量配置方法、装置和电子设备。


背景技术：

2.在低碳目标下，电力系统将逐渐转变为以新能源为主体的新型电力系统，风能和太阳能将成为主力电源。然而，风能和太阳能自身所具有的随机波动性使其对电力系统的安全经济运行带来极大挑战。为降低风光并网所带来的不利影响，需充分挖掘风光发电出力的时空互补作用，在规划阶段对风光装机容量进行合理优化配置。
3.当前针对风光装机容量优化配置的研究主要关注风光自身的互补特性，通常基于风光发电出力间的相关性或风光发电总出力的波动性进行研究：认为当风光发电出力间的相关系数最大或风光发电总出力的波动最小时，风光装机容量达到最优配置。现有研究大多忽略了风光发电与负荷之间的协调匹配性。因此，如何基于风光发电与负荷之间关系对风光装机容量进行优化配置是亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明实施方式提供了一种风光装机容量配置方法、装置和电子设备，从而基于风光发电与负荷之间关系实现了对风光装机容量的优化配置。
5.根据第一方面，本发明实施例提供了一种风光装机容量配置方法，所述方法包括：获取风资源数据和光资源数据，并在当前风光装机总容量条件下预设若干组风光装机比例；基于所述风资源数据、光资源数据和各组风光装机比例分别计算出各组风光装机比例对应的风电出力数据和光伏出力数据；计算各组风电出力数据和光伏出力数据相对于负荷数据的差额数据，并确定各组所述差额数据在预设时间段内的波动数据；拟合各组所述波动数据的概率分布，以通过所述概率分布计算各组风光装机容量对应的源荷匹配度指标；根据各个所述源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定最佳风光装机比例。
6.可选地，所述拟合各组所述波动数据的概率分布，以通过所述概率分布计算各组风光装机容量对应的源荷匹配度指标，包括：基于核密度估计方法利用当前组波动数据构建当前组风光装机比例的概率密度函数；对所述概率密度函数进行积分得到当前组风光装机比例的累积概率分布函数；根据所述累积概率分布函数计算当前组风光装机比例在预设置信水平下的源荷匹配度指标。
7.可选地，所述核密度估计方法中的窗宽参数通过如下方式确定：通过构建的所述概率密度函数与所述波动数据真实频率分布的平均积分平方误差，求解最佳窗宽参数。
8.可选地，根据各个所述源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定最佳风光装机比例，包括：将最小源荷匹配度指标对应的风光装机比例作为所述最佳风光装机比例。
9.可选地，根据各个所述源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定最佳风光装机比例，包括：提取最小源荷匹配度指标，并提取与所述最小源荷匹配度指标偏差率小于预设阈值的其他源荷匹配度指标；将提取的源荷匹配度指标所对应的风光装机比例作为候选风光装机比例；根据各组候选风光装机比例对应的风电出力数据和光伏出力数据计算各组候选风光装机比例对应的风光发电渗透率；将最大风光发电渗透率对应的候选风光装机比例作为所述最佳风光装机比例。
10.可选地，所述方法还包括：改变所述当前风光装机总容量，并返回所述在当前风光装机总容量条件下预设若干组风光装机比例的步骤。
11.可选地，所述核密度估计方法中的核函数采用高斯核函数。
12.根据第二方面，本发明实施例提供了一种风光装机容量配置装置，所述装置包括：数据初始化模块，用于获取风资源数据和光资源数据，并在当前风光装机总容量条件下预设若干组风光装机比例；风光出力计算模块，用于基于所述风资源数据、光资源数据和各组风光装机比例分别计算出各组风光装机比例对应的风电出力数据和光伏出力数据；负荷差额波动模块，用于计算各组风电出力数据和光伏出力数据相对于负荷数据的差额数据，并确定各组所述差额数据在预设时间段内的波动数据；源荷匹配度指标模块，用于拟合各组所述波动数据的概率分布，以通过所述概率分布计算各组风光装机容量对应的源荷匹配度指标；装机配比确定模块，用于根据各个所述源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定最佳风光装机比例。
13.根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
14.根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
15.本技术提供的技术方案，具有如下优点：
16.本技术提供的技术方案，在当前风光装机总容量条件下预设若干组风光装机比例，并分别基于风资源数据和光资源数据计算每一组装机比例对应的风电出力数据和光伏出力数据。然后按照各组风电出力数据和光伏出力数据相对于负荷数据的差额数据确定差额波动数据；之后拟合各组波动数据的概率分布，以通过概率分布计算各组风光装机容量对应的源荷匹配度指标，以通过源荷匹配度指标衡量当前风光装机比例的出力和负荷之间的匹配程度。最后根据各个源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定与负荷匹配程度最高的最佳风光装机比例，从而基于风光发电与负荷之间关系实现了对风光装机容量的优化配置。
17.此外，计算出各组装机比例对应的源荷匹配度指标之后，找到最小源荷匹配度指标，并提取与最小源荷匹配度指标偏差率小于预设阈值的其他源荷匹配度指标；将提取的源荷匹配度指标所对应的风光装机比例作为候选风光装机比例；然后，根据各组候选风光装机比例对应的风电出力数据和光伏出力数据计算各组候选风光装机比例对应的风光发电渗透率；最后将最大风光发电渗透率对应的候选风光装机比例作为最佳风光装机比例。
从而提高优化风光装机容量配置的准确率。
附图说明
18.通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
19.图1示出了本发明一个实施方式中一种风光装机容量配置方法的步骤示意图；
20.图2示出了本发明一个实施方式中2000mw风光总装机容量在不同风光装机比例下的源荷匹配度指标曲线图；
21.图3示出了本发明一个实施方式中一种风光装机容量配置装置的结构示意图；
22.图4示出了本发明一个实施方式中一种电子设备的结构示意图。
具体实施方式
23.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
24.请参阅图1，在一个实施方式中，一种风光装机容量配置方法，具体包括以下步骤：
25.步骤s101：获取风资源数据和光资源数据，并在当前风光装机总容量条件下预设若干组风光装机比例。
26.步骤s102：基于风资源数据、光资源数据和各组风光装机比例分别计算出各组风光装机比例对应的风电出力数据和光伏出力数据；
27.步骤s103：计算各组风电出力数据和光伏出力数据相对于负荷数据的差额数据，并确定各组差额数据在预设时间段内的波动数据；
28.步骤s104：拟合各组波动数据的概率分布，以通过概率分布计算各组风光装机容量对应的源荷匹配度指标；
29.步骤s105：根据各个源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定最佳风光装机比例。
30.具体地，获取风资源数据和光资源数据，包括但不限于获取目标区域内风速、辐照度与温度的时序数据，并对上述数据进行清洗与预处理。在本实施例中，数据预处理包括检验筛选、错误数据剔除及合理的插补与修正。然后，设定风光总装机容量、若干组风电装机比例与光伏装机比例。例如风光总装机容量为cap
wt,st
，设定一组风电装机占比为α，光伏装机占比为1-α。之后，基于已获取的风资源数据和光资源数据，按照各组风光装机比例，计算各组比例条件下的风电出力数据和光伏出力数据。具体计算公式如下：
31.计算t时刻风电出力数据pw的计算公式为：
[0032][0033]
式中，capw为单台风电机组装机容量，单位mw；nw为风电机组总装机数量，计算方法为c
p
为风能利用系数；ρ为空气密度，单位kg/m3；aw为风轮扫掠面积，单位m2；v(t)为t时刻风速，单位m/s； vi、vo和vr分别是风速阈值。
[0034]
计算t时刻光伏出力数据ps的计算公式为：
[0035]
ps(t)＝ns×
η
×as
×
r(t)
×
τ
×
[1-0.0045
×
(t(t)-25)]
×
10-6
[0036]
式中，caps为单个光伏组件装机容量；ns为光伏组件总装机数量，计算方法为η为光电转换效率；as为光伏电池组件的表面面积；r(t)为t时刻太阳总辐射量；τ为光伏电池组件的透光率； t(t)为t时刻光伏电池组件的运行温度，可用环境温度代替。
[0037]
之后，获取负荷数据，并对负荷数据同样进行预处理，然后基于负荷数据计算出数据获取时间段内各个时刻的负荷功率。然后通过上述步骤计算出的风电出力数据和光伏出力数据相对于负荷数据在各个时刻的差额数据，来表征当前风光总出力高于或低于实际需求负荷的差额部分，具体计算公式为:
[0038]
pd(t)＝p
l
(t)-pw(t)-ps(t)
[0039]
式中，p
l
(t)为t时刻的负荷,pd(t)是风光出力高于或低于负荷的差额数据。
[0040]
然后，本实施例通过计算风光荷差额数据的实时波动量来表征风光装机容量和负荷之间的关系。例如：针对某一组风光装机比例，在t时刻差额数据的波动数据δpd(t)的计算方法为：
[0041]
δpd(t)＝pd(t)-pd(t-1)
[0042]
然后，拟合各组波动数据的概率分布，以通过概率分布计算各组风光装机容量对应的源荷匹配度指标。从而根据各个源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定最佳风光装机比例。例如本实施例可以通过最小源荷匹配度指标确定最佳风光装机比例，从而结合当前风光装机总容量计算出最佳风光装机比例对应的最佳风电装机容量和最佳光伏装机容量，基于风光发电与负荷之间的关系，实现了对风光装机容量的优化配置。
[0043]
具体地，在一实施例中，上述步骤s104，具体包括如下步骤：
[0044]
步骤一：基于核密度估计方法利用当前组波动数据构建当前组风光装机比例的概率密度函数。
[0045]
步骤二：对概率密度函数进行积分得到当前组风光装机比例的累积概率分布函数。
[0046]
步骤三：根据累积概率分布函数计算当前组风光装机比例在预设置信水平下的源荷匹配度指标。
[0047]
具体地，在本实施例中，采用核密度估计方法拟合出风光荷差额数据实时波动量的概率分布函数，进而计算表征风光出力与负荷匹配程度的源荷匹配度指标。基于核密度估计方法构建风光荷差额数据的波动量数据的δpd的概率密度函数如下式所示：
[0048][0049]
式中，n为样本总数，h为窗宽参数，δp
d,i
为样本数据，k()为核函数。
[0050]
考虑到核密度估计中的窗宽参数h的取值会直接影响的光滑程度，选择合适的窗宽至关重要。因此在本实施例中，通过构建的概率密度函数与波动数据真实频率分布的平均积分平方误差，求解最佳窗宽参数，求解过程如下式：
[0051][0052]
式中，f(δpd)为总体的真实频率分布，平均积分平方误差mise为关于窗宽h的函数，其最小值点即为最佳窗宽的估计值。
[0053]
此外，为了进一步提高波动数据概率密度函数的准确度，核密度估计采用的核函数为高斯核
[0054]
在得到概率密度函数之后，对概率密度函数进行积分即可计算出当前组风光装机比例的累积概率分布函数，具体计算公式如下：
[0055][0056]
最后，根据上述累积概率分布函数计算出当前组风光装机比例在预设置信水平下的源荷匹配度指标mvosl，计算过程如下：
[0057][0058]
本实施例中，预设置信水平为1-β，式中，f-1
()为δpd累积概率分布函数的反函数，为上分位数，为下分位数，r为实数空间。
[0059]
具体地，在一实施例中，上述步骤s105，具体包括如下步骤：
[0060]
步骤四：将最小源荷匹配度指标对应的风光装机比例作为最佳风光装机比例。
[0061]
具体地，在计算出各组风光装机比例对应的源荷匹配度指标之后，以其中最小的源荷匹配度指标表征对应风光装机比例输出的风光出力功率与负荷功率匹配度最高，从而将最小源荷匹配度指标对应的风光装机比例作为最佳比例，实现了对风光装机容量的优化。
[0062]
具体地，在一实施例中，上述步骤s105，具体包括如下步骤：
[0063]
步骤五：提取最小源荷匹配度指标，并提取与最小源荷匹配度指标偏差率小于预设阈值的其他源荷匹配度指标。
[0064]
步骤六：将提取的源荷匹配度指标所对应的风光装机比例作为候选风光装机比例。
[0065]
步骤七：根据各组候选风光装机比例对应的风电出力数据和光伏出力数据计算各组候选风光装机比例对应的风光发电渗透率。
[0066]
步骤八：将最大风光发电渗透率对应的候选风光装机比例作为最佳风光装机比例。
[0067]
具体地，为了进一步优化风光装机容量，还引入了风光发电渗透率指标进行优化。计算同一置信水平，不同风电、光伏装机比例下的源荷匹配度指标，得到集合如下在找到最小值之后，按照下式寻找与偏差率不超过预设阈值λ的所有源荷匹配度指标作为候选源荷匹配度指标。
[0068][0069]
之后存储相对应的风电、光伏装机比例集合，相对应的风电装机比例集合为光伏装机比例集合为最后分别计算上述风电、光伏装机比例下的风电处理数据和光伏处理数据，继而计算各个风光装机比例下的风光发电渗透率(即风光发电量占用电量的百分比，且假设无弃风弃光因素)，计算公式如下：
[0070][0071]
式中，n为时刻数量。风电、光伏装机容量的最优配比即为风光发电渗透率r
α
最大时所对应的风电装机比例和光伏装机比例。从而进一步提高优化风光装机容量配置的准确率。
[0072]
具体地，在一实施例中，本发明实施例提供的风光装机容量配置方法，还包括如下步骤：
[0073]
步骤九：改变当前风光装机总容量，并返回在当前风光装机总容量条件下预设若干组风光装机比例的步骤。
[0074]
具体地，通过改变风光总装机容量，重复上述步骤s101至步骤s105，得到不同风光发电渗透率下风光装机容量的最优配比，进一步提高风光总装机容量配置的准确率。
[0075]
下面以一个实际场景实施例为例进行解释：
[0076]
设定风光总装机容量为2000mw，风光装机比例分别从0等间距变化至1，设定capw＝2.5mw，c
p
＝0.40，ρ＝1.225kg/m3，aw＝13471m2，vi＝3m/s， vr＝9.1m/s，vo＝22m/s，caps＝300wp，η＝0.17，as＝1.93m2，τ＝0.92，置信水平为95％，上分位数为2.5％，下分位数为97.5％，通过上述步骤s101 至步骤八，计算同一置信水平(95％)，不同风电、光伏装机比例下的源荷匹配度指标，得到集合如下{602.35mw，564.01mw，...，780.44mw}，源荷匹配度指标在不同装机比例下的变化趋势如图2所示。集合中源荷匹配度指标的最小值为431.23mw，寻找与最小源荷匹配度指标偏差率不超过0.5％的所有源荷匹配度指标，存储相对应的风电、光伏装机比例集合，风电装机比例集合为{0.35,0.4}，光伏装机比例集合为{0.65,0.6}。最后，通过最大风光发电渗透率确定风光总装机容量为2000mw时，风光装机容量的最优配比为0.4:0.6。
[0077]
通过上述步骤，本发明实施例提供的方案，考虑了风光发电出力与负荷间的细节匹配特征，可准确反映不同风光装机配置下源荷的匹配度差异，有利于降低电力系统旋转备用成本。所提风光装机容量优化配置方法可在保证源荷匹配度的前提下，提高风光发电的渗透率，助力低碳目标的实现。并且该方法可直接应用于电力系统规划中，对于任意时间尺度和空间尺度具有更强的适用性。
[0078]
如图3所示，本实施例还提供了一种风光装机容量配置装置，该装置包括：
[0079]
数据初始化模块101，用于获取风资源数据和光资源数据，并在当前风光装机总容量条件下预设若干组风光装机比例。详细内容参见上述方法实施例中步骤s101的相关描述，在此不再进行赘述。
[0080]
风光出力计算模块102，用于基于风资源数据、光资源数据和各组风光装机比例分别计算出各组风光装机比例对应的风电出力数据和光伏出力数据。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
[0081]
负荷差额波动模块103，用于计算各组风电出力数据和光伏出力数据相对于负荷数据的差额数据，并确定各组差额数据在预设时间段内的波动数据。详细内容参见上述方法实施例中步骤s103的相关描述，在此不再进行赘述。
[0082]
源荷匹配度指标模块104，用于拟合各组波动数据的概率分布，以通过概率分布计算各组风光装机容量对应的源荷匹配度指标。详细内容参见上述方法实施例中步骤s104的相关描述，在此不再进行赘述。
[0083]
装机配比确定模块105，用于根据各个源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定最佳风光装机比例。详细内容参见上述方法实施例中步骤s105的相关描述，在此不再进行赘述。
[0084]
本发明实施例提供的风光装机容量配置装置，用于执行上述实施例提供的风光装机容量配置方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
[0085]
通过上述各个组成部分的协同合作，本技术提供的技术方案，在当前风光装机总容量条件下预设若干组风光装机比例，并分别基于风资源数据和光资源数据计算每一组装
机比例对应的风电出力数据和光伏出力数据。然后按照各组风电出力数据和光伏出力数据相对于负荷数据的差额数据确定差额波动数据；之后拟合各组波动数据的概率分布，以通过概率分布计算各组风光装机容量对应的源荷匹配度指标，以通过源荷匹配度指标衡量当前风光装机比例的出力和负荷之间的匹配程度。最后根据各个源荷匹配度指标之间的关系从预设的若干组风光装机比例中确定与负荷匹配程度最高的最佳风光装机比例，从而基于风光发电与负荷之间关系实现了对风光装机容量的优化配置。
[0086]
此外，计算出各组装机比例对应的源荷匹配度指标之后，找到最小源荷匹配度指标，并提取与最小源荷匹配度指标偏差率小于预设阈值的其他源荷匹配度指标；将提取的源荷匹配度指标所对应的风光装机比例作为候选风光装机比例；然后，根据各组候选风光装机比例对应的风电出力数据和光伏出力数据计算各组候选风光装机比例对应的风光发电渗透率；最后将最大风光发电渗透率对应的候选风光装机比例作为最佳风光装机比例。从而进一步提高风光装机与负荷的匹配程度，提高优化风光装机容量配置的准确率。
[0087]
图4示出了本发明实施例的一种电子设备，该设备包括处理器901和存储器902，可以通过总线或者其他方式连接，图4中以通过总线连接为例。
[0088]
处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signal processor， dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0089]
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
[0090]
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器 901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0091]
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
[0092]
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
[0093]
本领域技术人员可以理解，实现上述实施例方法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，实现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，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0094]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。