一种风电、光伏联合发电系统经济调度方法与流程

本发明属于电力调度技术领域，特别涉及一种风电、光伏联合发电系统经济调度方法。

背景技术：

随着风电和光伏发电技术的快速发展，大规模风电和光伏发电并网运行必然成为发展趋势，此时风电和光伏发电出力的不确定性问题会显现出来，对电网的安全可靠运行会有一定的影响。传统的电力系统动态经济调度自身是一个多变量、多约束的非线性优化问题，风电和光伏发电并网后会使得电力系统更加复杂、不可控因素变多，因此我们需要对含有风、光电站的电力系统动态经济调度方法进行研究。

国家对新能源越来越重视，电力系统中利用率低、排污严重的火电机组需要停用，此时，含有风电场和光伏电站的电力系统动态经济调度方法可以解决新能源并网为电力系统带来的不便，最大程度地接纳风电和光伏发电，确定机组出力情况以此减弱风电和光伏并网对系统稳定运行的影响。因此研究含风、光电站的电力系统动态经济调度方法问题对缓解能源枯竭和环境污染问题起到重要作用。

技术实现要素：

本发明提供一种风电、光伏联合发电系统经济调度方法，对电网电力负荷和风电场功率分别进行短期预测，并根据预测结果构建风电、光伏联合发电的经济调度模型，获取最优出力机组组合。

本发明具体为一种风电、光伏联合发电系统经济调度方法，所述调度方法具体包括如下步骤：

步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；

步骤(2)、对电网的用电负荷进行短期预测；

步骤(3)、研究光伏电站和风电场的出力特性，确定对光伏电站和风电场功率产生影响的关键因素；

步骤(4)、对风电场的短期输出功率进行预测；

步骤(5)、构建风电、光伏联合发电的经济调度模型；

步骤(6)、对经济调度模型进行求解，获取最优出力机组组合。

所述步骤(1)中的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。

所述步骤(2)中的对电网的用电负荷进行短期预测的具体步骤如下：

步骤(21)、基于最小二乘支持向量机回归模型和径向基核函数，构建短期电力负荷预测模型：

y＝(q,φ(x))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，x＝[x1,x2,…,x8]为一个8维向量，表示输入量；y为输出数据，单位为mw；ei为允许误差，f为惩罚因子；x1为预测时刻的预测气温；x2为预测时刻的预测湿度；x3为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x4为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x5为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x6为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x7为预测时刻上一时刻的负荷值；x8为预测前一天同一时刻的负荷值；

步骤(22)、从电网的历史电力负荷数据库中选取训练数据；

步骤(23)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正：

序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除；

缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设和分别表示缺失数据xt在垂直和水平两个方向的修正结果，则最终修正结果为对于非连续缺失数据的修补，仅从相似日方面进行修补；

异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据；

步骤(24)、对数据进行约束化处理，其约束条件为|＜q,xi＞+b-yi|≤ε,i＝1,…,l及i＝1,…,l，其中，ε为精度；对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；

步骤(25)、根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测。

所述步骤(4)中同样采用最小二乘支持向量机模型对风电场的短期输出功率进行预测：

步骤(41)、获取风电场历史功率数据，选取训练样本；

步骤(42)、对样本数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；

步骤(43)、对预处理之后的数据进行归一化处理；

步骤(44)、根据输入变量之间的相关性选择输入变量的维数；

步骤(45)、样本训练，对支持向量机的参数进行优化；

步骤(46)、利用优化后的支持向量机模型，分别对每组风机进行短期功率预测；

步骤(47)、将每组风机的短期功率预测数据进行叠加，得到总的风电场短期预测功率。

所述步骤(5)中的风电、光伏联合发电的经济调度模型具体为：

目标函数：目标函数分别表示不计投资维护成本时联合发电系统效益最大化，以及弃风量最小化以保证最大限度的接纳风电；

约束条件：

其中，t为日调度总时段数，取24；m为风电场机组数量，n为光伏电站数量；c^wind、c^pv分别为风电、光伏电站的上网电价；为第i个风电机组在t时刻的输出功率，为第j个光伏电站在t时刻的输出功率；为风电场在t时刻的预测功率；为t时刻的负荷预测值；为光伏电站的最大输出功率。

所述步骤(6)中采用粒子群算法对经济调度模型进行求解，具体步骤包括：

步骤(61)、对机组排序，系统初始化，k＝1；

步骤(62)、对粒子速度、位置、机组持续运行时间进行更新；

步骤(63)、判断粒子是否满足约束，若是，进入步骤(64)；若否，对粒子进行修正，并重新判断粒子是否满足约束，若是，进入步骤(64)，若否，重新生成粒子；

步骤(64)、计算粒子在当前状态的最优机组出力；

步骤(65)、计算粒子适应值，更新粒子个体和全局最优值；

步骤(66)、k＝k+1，更新惯性权重和学习因子；

步骤(67)、判断是否达到最大迭代次数，若否，返回步骤(62)；若是，输出最优机组组合、对应的机组出力以及相应的适应值。

附图说明

图1为本发明一种风电、光伏联合发电系统经济调度方法的流程图。

具体实施方式

下面结合附图对本发明一种风电、光伏联合发电系统经济调度方法的具体实施方式做详细阐述。

如图1所示，本发明的预测方法包括以下步骤：步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；步骤(2)、对电网的用电负荷进行短期预测；步骤(3)、研究光伏电站和风电场的出力特性，确定对光伏电站和风电场功率产生影响的关键因素；步骤(4)、对风电场的短期输出功率进行预测；步骤(5)、构建风电、光伏联合发电的经济调度模型；步骤(6)、对经济调度模型进行求解，获取最优出力机组组合。

电网电力负荷的关键影响因素包括气温、湿度、天气类型、季节类型、日期信息、政策信息、上一时刻的负荷值、前一天同一时刻的负荷值。用一个8维向量x＝[x1,x2,…,x8]来表示输入量，x1为预测时刻的预测气温；x2为预测时刻的预测湿度；x3为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x4为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x5为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x6为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x7为预测时刻上一时刻的负荷值；x8为预测前一天同一时刻的负荷值。

支持向量回归理论中，假设xi∈rⁿ为输入，yi∈r为相应的输出，回归问题就是寻找从输入到输出的映射f:rⁿ→r，使得f(x)＝y。简单的线性回归问题为y＝f(x)＝q·x+b，其目的就是寻找最优的权值q，使得拟合曲线尽可能反应数据集的变化规律，对于优化问题，就是以精度ε可拟合所有训练样本。回归问题转化为优化问题为：约束条件为|＜q,xi＞+b-yi|≤ε,i＝1,…,l。

本发明中的短期电力负荷预测模型基于最小二乘支持向量机回归模型和径向基核函数确定：y＝(q,φ(x))+b，目标函数为其中q为要寻求的最优权值，b为线性函数阈值，x＝[x1,x2,…,x8]为一个8维向量，表示输入量；y为输出数据，单位为mw；ei为允许误差，f为惩罚因子。约束条件为|＜q,xi＞+b-yi|≤ε,i＝1,…,l及i＝1,…,l，其中，ε为精度。

序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除。缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：每一列表示相似日序列；假设和分别表示缺失数据xt在垂直和水平两个方向的修正结果，则最终修正结果为对于非连续缺失数据的修补，仅从相似日方面进行修补。异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据。

本发明同样采用上述最小二乘支持向量机模型对风电场的功率进行短期预测，具体包括：获取风电场历史功率数据，选取训练样本；对样本数据进行预处理，对缺测数据进行填补，对不合理数据进行修正，数据预处理的具体方法借鉴上述的缺失数据修补与异常数据修正方法；对预处理之后的数据进行归一化处理；根据输入变量之间的相关性选择输入变量的维数；样本训练，对支持向量机的参数进行优化；利用优化后的支持向量机模型，分别对每组风机进行短期功率预测；将每组风机的短期功率预测数据进行叠加，得到总的风电场短期预测功率。风电机组的输出功率与历史功率、风速、空气密度有关，而空气密度又与温度、湿度和压强有关。所以，风电功率预测模型输入的变量应该考虑影响风电功率若干因素。但从风场的实际运行数据来看，空气密度等因素对输出功率的影响不明显；风向数据的测量存在较大的影响因素(风向标的灵敏度、机舱自身的偏航系统)，而且与实发功率不能时时对应，因此本发明采用较为关键的风速数据对功率进行预测。

风电、光伏联合发电的经济调度模型具体为：

目标函数：目标函数分别表示不计投资维护成本时联合发电系统效益最大化，以及弃风量最小化以保证最大限度的接纳风电；

约束条件：

其中，t为日调度总时段数，取24；m为风电场机组数量，n为光伏电站数量；c^wind、c^pv分别为风电、光伏电站的上网电价；为第i个风电机组在t时刻的输出功率，为第j个光伏电站在t时刻的输出功率；为风电场在t时刻的预测功率；为t时刻的负荷预测值；为光伏电站的最大输出功率。

采用粒子群算法对经济调度模型进行求解，具体步骤包括：步骤(61)、对机组排序，系统初始化，k＝1；步骤(62)、对粒子速度、位置、机组持续运行时间进行更新；步骤(63)、判断粒子是否满足约束，若是，进入步骤(64)；若否，对粒子进行修正，并重新判断粒子是否满足约束，若是，进入步骤(64)，若否，重新生成粒子；步骤(64)、计算粒子在当前状态的最优机组出力；步骤(65)、计算粒子适应值，更新粒子个体和全局最优值；步骤(66)、k＝k+1，更新惯性权重和学习因子；步骤(67)、判断是否达到最大迭代次数，若否，返回步骤(62)；若是，输出最优机组组合、对应的机组出力以及相应的适应值。

最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。