1.一种风电、光伏联合发电系统经济调度方法,其特征在于,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。
2.根据权利要求1所述的一种风电、光伏联合发电系统经济调度方法,其特征在于,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。
3.根据权利要求1所述的一种风电、光伏联合发电系统经济调度方法,其特征在于,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:
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
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。
4.根据权利要求3所述的一种风电、光伏联合发电系统经济调度方法,其特征在于,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。
5.根据权利要求1所述的一种风电、光伏联合发电系统经济调度方法,其特征在于,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:
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;cwind、cpv分别为风电、光伏电站的上网电价;
6.根据权利要求1所述的一种风电、光伏联合发电系统经济调度方法,其特征在于,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。