本发明属于电力系统自动发电控制领域,具体涉及一种基于条件概率的调频容量分时段优化方法。
背景技术:
自动发电控制(agc)对于平衡电力系统的有功偏差和维持系统频率稳定具有重要意义。agc系统的正常运行需要充足的调频备用作为支撑,但过多的调频备用会造成电网运行成本过高。因此,准确计算电力系统调频容量需求对于维持电网频率稳定,降低电网运行成本具有重要意义。
近年来可再生能源快速增长,其出力的不确定性和波动性增加了电力系统有功平衡的难度,也使得调频容量需求的计算变得更为复杂。
目前实际电力系统中,调频容量需求多根据经验在各个时段分别取固定值,然而这种方法在可再生能源快速增长的条件下适用性逐渐降低。而根据系统有功波动的分布计算系统调频容量需求的方法,没有使用调频得分作为反馈对计算结果进行修正,造成计算结果不能真实反映电力系统的调频容量需求。
技术实现要素:
本发明的目的是为克服已有技术的不足之处,提出一种基于条件概率的调频容量分时段优化方法。本发明可根据调频得分对调频容量需求计算结果进行修正,得到的结果可真实反映电力系统的调频容量需求。
本发明提出一种基于条件概率的调频容量分时段优化方法,其特征在于,包括以下步骤:
1)历史数据收集、处理及筛选阶段;具体步骤如下:
1-1)收集自动发电控制agc控制区内过去n年的历史数据,所述历史数据包括:每分钟的总负荷功率l、每分钟的可再生能源发电功率gr、每个agc考核时段的a2指标、每个agc考核时段平均上调容量rup和每个agc考核时段平均下调容量rdn;
1-2)根据步骤1-1)收集的历史数据中每分钟的总负荷功率l和可再生能源发电功率gr计算每分钟的净负荷功率nl,表达式如下:
nl=l-gr
根据每分钟的净负荷功率计算每个agc考核时段内的净负荷标准差δnl:
其中,nlτ表示agc考核时段内第τ分钟的净负荷功率,γ为agc考核时段的时长,
1-3)将每个agc考核时段的a2,rup,rdn和δnl组成一个该时段对应的样本,根据每个样本中a2的正负号,将所有样本划分为a2≥0和a2<0两个数据集;
对a2≥0数据集中的所有样本根据下式进行筛选:
具体实施方法为:对a2≥0数据集中的每个样本i,将该数据集中净负荷标准差属于样本i的标准差
对a2<0数据集中的所有样本根据下式进行筛选:
具体实施方法为:对a2<0数据集中的每个样本i,将该数据集中净负荷标准差属于样本i的标准差
2)训练阶段;具体步骤如下:
2-1)构建净负荷标准差区间预测的极限学习机模型;
模型的输入xi为预测时段i之前m日中与i相同的时段及前后各2个相邻的agc考核时段的净负荷标准差,输入层至隐藏层的权重矩阵k和偏置向量b为随机生成的取值在0~1之间的数,隐藏层中每个单元均含有一个激活函数σ,隐藏层至输出层的权重ωα经过优化生成,模型的输出是给定上下分位
其中,
p(δi≤δi)=α
极限学习机模型输入至输出所对应的映射g(xi,ωα)为:
其中,kj为权重矩阵k中的第j列,bj为偏置向量b中的第j个元素,j=1…j,j表示极限学习机隐藏层的单元总数目;
2-2)按时间先后顺序依次选取步骤1-2)计算得到的每个agc考核时段内的净负荷标准差δnl中前85%的数据构成训练集,建立如下式所示的极限学习机隐藏层权重优化模型:
其中,α代表分位数,i表示训练集中包含的净负荷标准差的数量,δi为第i个agc考核时段内的内净负荷标准差,
2-3)对步骤2-2)建立的优化模型进行求解,得到极限学习机隐藏层的最优参数
3)应用阶段;具体步骤如下:
3-1)选取未来某一日,以每15分钟为一个时段将全天分为96个agc考核时段,h=1…96;
3-2)对每一个时段h,将该日之前m日与h相同的agc考核时段及前后各2个agc考核时段的净负荷标准差输入经过步骤2)训练完毕的极限学习机模型,得到时段h净负荷标准差的区间的预测值
3-3)计算时段h的上调备用容量优化结果,具体步骤如下:
3-3-1)设定时段h的上调容量
3-3-2)根据下式计算在
上式采用统计方法进行:统计经过步骤1-3)筛选后的样本中,净负荷标准差属于区间
3-3-3)判定
如果上述两个判定条件中至少有一个满足,则取
3-4)计算时段h的下调备用容量优化结果,具体步骤如下:
3-4-1)设定时段h下调容量
3-4-2)根据下式计算在
上式采用统计的方法进行:统计经过步骤1-3)筛选后的样本中,净负荷标准差属于区间
3-4-3)判定
如果上述两个条件中至少有一个满足,则取
3-5)步骤3-3)得到的预测时段上调备用容量优化结果和步骤3-4)得到的预测时段下调备用容量优化结果即为预测时段的调频容量优化结果。
本发明的特点及有益效果在于:
本发明使用大数据和人工智能的方法计算调频容量,计算结果能够真实反映实际agc系统在一定有功波动下的调频容量需求,从而提升电力系统自动发电控制的调节效果,有利于维持电网频率稳定并避免调频机组预留备用过多导致的运行成本增加。
具体实施方式
本发明提出一种基于条件概率的调频容量分时段优化方法,下面结合具体实施例进一步详细说明如下。
本发明提出一种基于条件概率的调频容量分时段优化方法,包括以下步骤:
1)历史数据收集、处理及筛选阶段;具体步骤如下:
1-1)收集自动发电控制(agc)控制区内过去n年(n≥1;本实施例为3年)的历史数据,所述历史数据包括:每分钟的总负荷功率l、每分钟的可再生能源发电功率gr、每个agc考核时段(15min为一个时段)的a2指标、每个agc考核时段平均上调容量rup和平均下调容量rdn。
其中a2由区域控制偏差(ace)计算,ace的定义为:
ace=δptie+b·δf
其中,δptie表示联络线功率偏差,δf表示频率偏差,b表示该控制区的频率偏差系数。a2是自动发电控制(agc)考核时间段(15min为一个时段)内ace的均值,计算方法为:
其中,aceτ表示考核时间段内第τ分钟的ace,γ为agc考核时间段的长度(单位为分钟)。
1-2)根据步骤1-1)收集的历史数据中每分钟的总负荷功率(记为l)和可再生能源发电功率(记为gr)计算每分钟的净负荷功率nl,表达式如下:
nl=l-gr
根据每分钟的净负荷功率计算每个agc考核时段内的净负荷标准差δnl,表达式如下:
其中,nlτ表示agc考核时段内第τ分钟的净负荷功率,γ为agc考核时段的时长(单位为分钟),
1-3)将每个agc考核时段的a2,rup,rdn和δnl组成一个该时段对应的样本,根据每个样本中a2的正负号,将所有样本划分为a2≥0和a2<0两个数据集。
对a2≥0数据集中的所有样本根据下式进行筛选:
具体实施方法为:对a2≥0数据集中的每个样本i,将该数据集中净负荷标准差属于样本i的标准差
对a2<0数据集中的所有样本根据下式进行筛选:
具体实施方法为:对a2<0数据集中的每个样本i,将该数据集中净负荷标准差属于样本i的标准差
2)训练阶段;具体步骤如下:
2-1)构建净负荷标准差区间预测的极限学习机模型;
区间预测采用了一种基于极限学习机(elm)的模型。模型的输入xi取为预测时段i之前m日(m≥7,本例中取为7)相同时段及前后各2个agc考核时段的净负荷标准差。输入层至隐藏层的权重矩阵k和偏置向量b为随机生成的取值在0~1之间的数,隐藏层中每个单元均含有一个激活函数σ(本例中采用sigmoid函数),隐藏层至输出层的权重ωα经过优化生成,模型的输出是给定上下分位
elm输入至输出所对应的映射g(xi,ωα)为:
其中,kj为权重矩阵k中的第j列,bj为偏置向量b中的第j个元素,j=1…j,其中j表示极限学习机隐藏层的单元总数目。
2-2)按时间先后顺序依次选取步骤1-2)计算得到的每个agc考核时段内的净负荷标准差δnl中前85%的数据构成训练集,建立如下式所示的极限学习机隐藏层权重优化模型:
其中,α代表分位数,i表示训练集中包含的净负荷标准差的数量,δi为第i个agc考核时段内的内净负荷标准差,
2-3)在matlab中使用yalmip工具箱调用cplex对步骤2-2)建立的优化模型进行求解;求得极限学习机隐藏层的最优参数
3)应用阶段;具体步骤如下:
3-1)选取未来某一日,以每15分钟为一个时段将全天分为96个agc考核时段,h=1…96;
3-2)对每一个时段h,将该日之前m日与h相同的agc考核时段及前后各2个agc考核时段的净负荷标准差输入经过步骤2)训练完毕的极限学习机模型,得到时段h净负荷标准差的区间的预测值
3-3)计算时段h的上调备用容量优化结果,具体步骤如下:
3-3-1)设定时段h上调容量
3-3-2)根据下式计算在
上式的具体计算是采用统计的方法进行:统计经过步骤1-3)筛选后的样本中,净负荷标准差属于区间
3-3-3)判定
如果上述两个判定条件中至少有一个满足,则取
3-4)计算时段h的下调备用容量优化结果,具体步骤如下:
3-4-1)设定时段h下调容量
3-4-2)根据下式计算在
上式的具体计算是采用统计的方法进行:统计经过步骤1-3)筛选后的样本中,净负荷标准差属于区间
3-4-3)判定
3-5)步骤3-3)得到的预测时段上调备用容量优化结果和步骤3-4)得到的预测时段下调备用容量优化结果即为预测时段的调频容量优化结果。