本申请属于区域能源规划技术领域,具体涉及一种区域新能源容量优化配置方法及系统。
背景技术:
区域能源规划指的是结合规划区域的实际情况,合理布局,以可持续发展、对环境友好、能源使用效率高、节约能源使用等为原则对区域内的各种能源(主要为电、冷、热)供应进行科学规划的过程。我国是个能源消耗大国,在工业化和城市化飞速发展的进程中,能源问题愈来愈成为制约我国经济发展和社会进步的“瓶颈”。能源短缺,环境恶化是日趋严重的全球性问题。区域综合能源系统可增加可再生能源、低品位能源的利用,提高能源的利用效率,改善能源消费结构,是未来能源生产、输送、消费的主要形式,然而,由于规划的未来的新能源配置,缺少未来新能源的出力数据,使得区域能源规划缺乏详细的基础数据和理论研究,造成研究场景简单、适用场景少、传统经验与区域新能源容量配置割裂,区域新能源容量配置不够完善的问题。
技术实现要素:
为至少在一定程度上克服在新能源配置时缺少未来新能源的出力数据,使得区域能源规划缺乏详细的基础数据和理论研究,造成研究场景简单、适用场景少、传统经验与区域新能源容量配置割裂,区域新能源容量配置不够完善的问题,本申请提供一种区域新能源容量优化配置方法及系统。
第一方面,本申请提供一种区域新能源容量优化配置方法,包括:
获取风光荷历史数据;
根据所述风光荷历史数据建立多时间尺度的风光荷聚类模型;
根据所述多时间尺度的风光荷聚类模型提取风光典型波动场景;
根据所述风光典型波动场景建立多层规划模型;
通过所述多层规划模型输出当前新能源规划容量值。
进一步的,在获取风光荷历史数据后,还包括:
利用插值比对法对缺失数据进行补齐;
利用基于滤波修正方法对失真数据进行修正。
进一步的,所述建立多时间尺度的风光荷聚类模型,包括:
利用随时间方向传播算法进行lstm自编码机神经网络的训练;
采用nadam优化器调参,通过训练好的lstm自编码机对风光荷历史数据进行降低数据维度处理;
对降维度的数据进行fcm聚类,得到低维空间的多时间尺度的风光荷聚类模型。
进一步的,所述根据所述多时间尺度的风光荷聚类模型提取风光典型波动场景,包括:
将风光荷历史数据归类为多时间尺度的历史数据;
根据每个时间尺度构建聚类样本;
根据聚类样本生成每个类的场景集;
根据场景波动性在每一类场景集中搜索波动性最大的场景作为该类的典型场景,得到每个场景的概率;
根据所述每个场景的概率输出风光典型波动场景。
进一步的,所述聚类样本,包括:
中长期风光荷聚类中心、短期小时级风光荷聚类中心和短期分钟级风光荷聚类中心。
进一步的,所述根据所述风光典型波动场景建立多层规划模型,包括:
根据所述风光典型波动场景分别建立上层投资规划模型和下层运行优化模型。
进一步的,通过所述多层规划模型输出当前新能源规划容量值,包括:
根据所述上层投资规划模型计算当前新能源容量下的缺电期望指标;
将所述缺电期望指标代入下层运行优化模型,输出当前新能源规划容量值。
进一步的,还包括:
输出当前新能源规划等效容量值,具体包括:
计算在光伏电站电源接入时系统的第一缺电期望指标;
计算去除光伏电站电源,引入等效传统机组时的系统的第二缺电期望指标;
调整传统机组的容量,使得所述第二缺电期望指标与所述第一缺电期望指标相同,记录当前传统机组的容量为当前新能源规划等效容量值。
进一步的,所述建立上层投资规划模型和下层运行优化模型包括:
所述上层投资规划模型以投资费用最小为目标函数,包括下层运行优化模型返回运行成本目标,以风电场与分布式光伏的容量作为优化变量;
所述下层运行优化模型以系统波动性最小为目标函数,以水火电站的各时段充放电功率作为优化变量。
第二方面,本申请提供一种区域新能源容量优化配置系统,包括:
获取模块,用于获取风光荷历史数据;
第一建立模块,用于根据所述风光荷历史数据建立多时间尺度的风光荷聚类模型;
提取模块,用于根据所述多时间尺度的风光荷聚类模型提取风光典型波动场景;
第二建立模块,用于根据所述风光典型波动场景建立多层规划模型;
输出模块,用于通过所述多层规划模型输出当前新能源规划容量值。
本申请的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的区域新能源容量优化配置方法及系统,通过获取风光荷历史数据,根据风光荷历史数据建立多时间尺度的风光荷聚类模型,根据多时间尺度的风光荷聚类模型提取风光典型波动场景,根据风光典型波动场景建立多层规划模型,通过多层规划模型输出当前新能源规划容量值,解决了新能源出力场景简单、适用场景少、传统经验与区域新能源容量配置割裂,区域新能源容量配置不够完善的问题,通过构建多时间尺度的风光荷聚类模型提升多时间尺度下风光荷互补发电系统的可调度能力。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的一种区域新能源容量优化配置方法的流程图。
图2为本申请另一个实施例提供的一种区域新能源容量优化配置方法的流程图。
图3为本申请另一个实施例提供的一种区域新能源容量优化配置方法的流程图。
图4为本申请另一个实施例提供的一种区域新能源容量优化配置方法的流程图。
图5为本申请另一个实施例提供的一种区域新能源容量优化配置方法的流程图。
图6为本申请另一个实施例提供的一种区域新能源容量优化配置方法的流程图。
图7为本申请另一个实施例提供的一种区域新能源容量优化配置方法的流程图。
图8为本申请一个实施例提供的一种区域新能源容量优化配置系统的功能结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
图1为本申请一个实施例提供的区域新能源容量优化配置方法的流程图,如图1所示,该区域新能源容量优化配置方法,包括:
s11:获取风光荷历史数据;
s12:根据风光荷历史数据建立多时间尺度的风光荷聚类模型;
s13:根据多时间尺度的风光荷聚类模型提取风光典型波动场景;
s14:根据风光典型波动场景建立多层规划模型;
s15:通过多层规划模型输出当前新能源规划容量值。
区域新能源容量规划配置中,由于规划的未来的新能源配置,缺少未来新能源的出力数据,使得区域能源规划缺乏详细的基础数据和理论研究,造成研究场景简单、适用场景少、传统经验与区域新能源容量配置割裂,区域新能源容量配置不够完善的问题。
本实施例中,通过获取风光荷历史数据,根据风光荷历史数据建立多时间尺度的风光荷聚类模型,根据多时间尺度的风光荷聚类模型提取风光典型波动场景,根据风光典型波动场景建立多层规划模型,通过多层规划模型输出当前新能源规划容量值,解决了新能源出力场景简单、适用场景少、传统经验与区域新能源容量配置割裂,区域新能源容量配置不够完善的问题,通过构建多时间尺度的风光荷聚类模型提升多时间尺度下风光荷互补发电系统的可调度能力。
图2为本申请另一个实施例提供的区域新能源容量优化配置方法的流程图,如图2所示,该区域新能源容量优化配置方法,包括:
s21:获取风光荷历史数据及水火电基础数据;
s22:利用插值比对法对缺失数据进行补齐;
插值比对法例如选取三次样条插值发,具体包括:
假设有n+1个数据节点(x0,y0),(x1,y1),…,(xn,yn)。
第一步:计算步长hi=xi+1-xi;
第二步:将数据节点和指定首位端点条件带入矩阵方程;
第三步:解矩阵方程,求得二次微分值mi。
第四步:计算样条曲线的系数如下式所示。
s23:利用基于滤波修正方法对失真数据进行修正。
基于滤波的数据修正具体方法包括:
第一步:对风光多时间尺度出力曲线进行降噪处理,达到滤除噪音的目的。以高斯核函数曲线形状选择权值对曲线进行滤波,可以达到去除服从正态分布的噪声颇具效果。设原始数据d=[d1,d2,…,di,…,dn]t∈rn×m为n×m个数据点组成的矩阵,di=[di1,di2,…,dij,…,dim]t∈rn×m,平滑处理后dsmooth=[d”1,d”2,…,d”i,…,d”n]t∈rn×m,其中,方差σ与窗宽w为可调参数。
高斯核函数表达式为
方差σ决定函数曲线的扁平程度。σ越小,曲线越陡峭;σ越大,曲线越扁平。窗宽w决定参与平滑处理的原始数据个数。一些实施例中,σ取值小于1;w取单数,小于等于5。
以下为高斯平滑的过程:
定义窗宽w∈z,则
x=[x1…xw]1×w(3)
式中,
求取系数矩阵k,其表达式为
k=[k1…kw]1×w(4)
式中,
对d进行补位操作组成新的数据矩阵d',即将d的1至
di,j=w'i,j+w-1(7)
其中,
第二步:得到平滑的水光荷多时间尺度曲线之后,设置可信度阈值λ,检查异常数据并作出修正,修正方式如下所示。
修正后数据为
本实施例中,对采集到原始数据进行预处理工作,获取一年内的水光荷多时间尺度数据,利用插值比对方法对缺失数据进行补齐,然后利用基于滤波得修正放对失真数据进行修正处理,为后续聚类算法提供可靠数据,提升后续聚类算法的有效性和稳定性。
图3为本申请另一个实施例提供的区域新能源容量优化配置方法的流程图,如图3所示,该区域新能源容量优化配置方法,包括:
s31:利用随时间方向传播算法进行lstm自编码机神经网络的训练;
s32:采用nadam优化器调参,通过训练好的lstm自编码机对风光荷历史数据进行降低数据维度处理;
s33:对降维度的数据进行fcm聚类,得到低维空间的多时间尺度的风光荷聚类模型。
fcm聚类(即模糊c均值聚类)具体步骤为:
第一步:对各个参数进行初始化,设置聚类中心个数(2≤c≤n)、停止阈值ε、模糊权重指数m,选取初始聚类中心v(b)={v1,v2,…,vc},迭代计数器b记作b=0;
其中,待分类的数据集xj(j=1,2,…,n),对应的目标函数及约束条件如公式(9)与(10)所示。
目标函数:
约束条件:
其中,c表示聚类中心数目,μij表示第j个数据属于第i个聚类中心的程度,即隶属度;m∈(1,∞)为模糊指数,m越大,分类的模糊程度越高,通常取值为2,dij表示第j个数据与第i个聚类中心的距离,常采用的距离度量为欧式距离dij=||xj-ωi||2。
第二步:利用隶属度更新公式(11)计算并更新隶属度矩阵u;
隶属度更新公式:
第三步:利用聚类中心的更新公式(12)更新聚类中心v(b+1);
聚类中心的更新公式:
第四步:如果||v(b)-v(b+1)||<ε,则聚类停止,输出u和v,否则转向算法第二步继续迭代。
当相邻两次迭代所得的聚类中心变化小于设定值,或相邻两次迭代后的目标函数值小于设定值时,则认为算法已收敛,得到低维空间的多时间尺度的风光荷聚类模型。
一些实施例中,如图4所示,根据多时间尺度的风光荷聚类模型提取风光典型波动场景,包括:
s41:将风光荷历史数据归类为多时间尺度的历史数据;
s42:根据每个时间尺度构建聚类样本;
聚类样本,包括但不限于:
中长期风光荷聚类中心、短期小时级风光荷聚类中心和短期分钟级风光荷聚类中心。
中长期风光荷聚类中心构建过程包括:
对于中长期电量数据,第j个数据样本可表示为
式中,
因此,中长期风场景聚类中心的更新公式为
短期小时级风光荷聚类中心构建过程包括:
对于短期小时级数据,第j个数据样本可表示为
式中,
因此,短期小时级场景聚类中心的更新公式为
短期分钟级风光荷聚类中心构建过程包括:
对于短期分钟级数据,第j个数据样本可表示为
式中,
因此,短期分钟级荷场景聚类中心的更新公式为
s43:根据聚类样本生成每个类的场景集;
s44:根据场景波动性在每一类场景集中搜索波动性最大的场景作为该类的典型场景,得到每个场景的概率;
s45:根据每个场景的概率输出风光典型波动场景。
本实施例中,将梯水、光伏、负荷联合时序场景集聚类为有限个典型场景。得到具体的电量级、小时级、分钟级的典型场景,通过输出风光典型波动场景作为未来规划中新能源的典型波动场景,克服缺少未来新能源的出力数据问题。
图5为本申请另一个实施例提供的区域新能源容量优化配置方法的流程图,如图5所示,该区域新能源容量优化配置方法,包括:
s51:根据所风光典型波动场景分别建立上层投资规划模型和下层运行优化模型;
s52:根据上层投资规划模型计算当前新能源容量下的缺电期望指标;
s53:将缺电期望指标代入下层运行优化模型,输出当前新能源规划容量值。
一些实施例中,建立上层投资规划模型和下层运行优化模型包括:
上层投资规划模型以投资费用最小为目标函数,包括下层运行优化模型返回运行成本目标,以风电场与分布式光伏的容量作为优化变量;
下层运行优化模型以系统波动性最小为目标函数,以水火电站的各时段充放电功率作为优化变量。
上下两层有各自的目标函数与约束条件,同时两层间相互依赖,通过中间变量及相互间的反馈作用建立联系。由于风电场和分布式光伏的长期规划和短期运行方案相互影响,形成互有联系的投资层与运行层,多层优化模型为双层优化模型,具体如下:
式中,c(·)和c(·)分别为上下层目标函数;w为下层最优值,r(·)和h(·)分别为上层等式、不等式约束;r(·)和h(·)分别为下层等式、不等式约束;xinv和xope分别为上层和下层决策变量。
双层规划模型中,进行多时间尺度的规划,分为电量级、小时级和分钟级。在电量级、小时级和分钟级下,上层的目标函数和约束条件一致。而因为需要考水火电机组的响应速度、状态切换、爬坡率等约束,下层的运行层的目标函数一致,但约束条件将有所不同。
上层投资规划模型目标函数,包括:
全寿命周期净现值代表风光水火互补发电系统在整个寿命周期内的净费用,其值的大小可以体现系统的经济性,可以用系统整个寿命周期内所产生的成本和收入的差值表示。其中,系统成本包含初始化投资、运行维护、设备的更新费用;系统收入即为设备残余价值。其表达式如下:
式中,k表示系统工程寿命,y(年),r表示贴现率。c(k)表示第k年系统成本,¥/y:b(k)表示第k年剩余价值,¥/y。c(k)可用如下公式求得:
c(k)=ct(k)+cr(k)+cm(k)(21)
其中,ct(k)表示第k年系统初始化成本,cr(k)表示第k年设备更新费用,cm(k)表示第k年的设备维护费用。各变量的具体计算如下式:
ct(k)=ciw(k)+cipv(k)(22)
式中,ciw表示风电场的投资成本,cipv表示分布式光伏的投资费用。
cr(k)=crw(k)+crpv(k)(23)
式中,crw(k)和crpv(k)分别表示风电场和分布式光伏的更新费用。
cm(k)=cmw(k)+cmpv(k)(24)
式中,cmw(k)和cmpv(k)分别表示风电场和分布式光伏的运行维护费用。
bsalvage=bw(k)+bpv(k)(25)
式中,bw(k)和bpv(k)分别表风电场和分布式光伏在项目生命周期末的残余价值;残余价值代表系统寿命结束时设备的折旧价值。
上层投资规划模型约束条件,包括:
由于地理环境等条件约束,需要对水光蓄系统中各主体的容量进行约束。
0≤pw,t≤pw,max(26)
上式中,pw,t表示风电场的等效容量,pw,max表示风电场的最大装机容量。
0≤ppv,r≤ppv,max(27)
上式中,ppv表示分布式光伏的等效容量,ppv,max表示分布式光伏的最大装机容量。
下层运行优化模型包括电量级模型、小时级模型和分钟级模型。
电量级模型通过水光互补系统调节,采用电量级控制模型,使得天与天之间的电量波动最小,较为平稳,其目标函数为:
minf=min{kw}(28)
式中,kwb表示区域外来输送电量波动。
对于中长期电量互补指标:风光水火互补发电系统,充分利用了电源之间的互补特性,在一定程度上有利于发电系统出力的平稳输出。针对电量级时间尺度,构建了互补指标。分析梯水容量配置情况。对水电站、风光的发电量和负荷侧的用电量进行采样,其电量的变化率可表示为:
式中,
根据上述模型可以求得区域外来输送电量的波动量:
式中,βj表示区域外来输送电量在第j个采样点的电量的变化量,kw表示电量波动约束,其值越小,则主网交换电量值越稳定,水光的互补效果越好。
小时级模型中,利用水火电的灵活调度,采用小时级控制模型实现对波动性的调控,优化周期t为24时段。提高系统出力的互补指标,减小系统出力的波动性,波动性缓解的目标函数为:
minf=minkch(32)
式中,kch为区域外来输送电线路上的最大功率波动点。
充分利用各个电源出力特性,增强电源端的互补特性,其总出力为:
式中,nhyd、nthe、nw和npv分别为水电站、水电站、风电场以及分布式光伏的个数。
1)负荷跟踪系数:
风光水火互补发电系统利用电源之间的互补特性,使得各个电源出力进行叠加之后,进一步提高对负荷的跟踪特性。
电源端出力变化率归一化处理,得到其标幺值为:
式中,αl,t为电源出力变化率的标幺值,
负荷侧的电能消耗变化率归一化处理,得到其标幺值为:
式中,βv,t为t时段负荷变化率的标幺值,pv,t、pv,t+1分别为t时段和t+1时段的负荷值。
负荷追踪系数it表示为:
it越接近于0,说明多种能源互补发电功率与负荷功率在考虑时间尺度内的变化特性越一致,电源侧对负荷侧的跟踪效果越好。
2)可调度指标:
区域内,本地负荷优先被互补发电系统的出力供给,剩余电力缺额有区域外来输送电供应,则区域外来输送电的计算如式4-19所示。
pch,t=max{0,pv,t-pl,t}(37)
式中,pch,t表示t时段区域外来输送电的功率,pl,t表示t时段负荷的功率。
基于上述,可以求得区域外来输送电线路上的最大功率变化率的标幺值:
式中,kch表示接入点的最大功率变化率的标幺值,
风光水火互补发电系统分钟级电力表达模型,需要在小时级的互补模型上加以调整。由于分钟级的时间颗粒度更小,需要在更小的时间尺度下进行优化调度,风电以及光伏出力预测的不确定则加大了对提升互补指标的难度。采用分钟级控制模型实现对波动性的调控,优化周期t为96时段,通过水光蓄互补系统调节,使得总出力曲线在分钟级时间尺度的波动性更小,其目标函数为:
式中,δpmax为两点间最大功率波动,paverage互补发电系统出力的平均值。
1)系统互补指标:
充分利用各个电源出力特性,增强电源端的互补特性,其源端总出力为:
式中,nhyd、nthe、nw和npv分别为水电站、水电站、风电场以及分布式光伏的个数。
区域内,本地负荷优先被互补发电系统的出力供给,剩余电力缺额有区域外来输送电供应,则区域外来输送电的计算如式4-19所示。
pch,t=max{0,pv,t-ps,t}(41)
式中,pch,t表示t时段区域外来输送电的功率,,pl,t表示t时段负荷的功率。
δpt=|pch,t-pch,t-1|(42)
式中,δpt为两点间功率波动值。
2)负荷跟踪系数:
互补发电系统利用电源之间的互补特性,使得各个电源出力进行叠加之后,进一步提高对负荷的跟踪特性。
电源端出力变化率归一化处理,得到其标幺值为:
式中,αl,t为电源出力变化率的标幺值,
负荷侧的电能消耗变化率归一化处理,得到其标幺值为:
式中,βv,t为t时段负荷变化率的标幺值,pv,t、pv,t+1分别为t时段和t+1时段的负荷值。
负荷追踪系数it表示为:
it越接近于0,说明多种能源互补发电功率与负荷功率在考虑时间尺度内的变化特性越一致,电源侧对负荷侧的跟踪效果越好。
电量级模型约束条件为
式中,whyd,i,d、ηi、hi,d、
式中,ww,i,d、
小时级模型约束条件为
式中,
式中,vi,t为第i个水库在t时刻的水库蓄水量,
式中,
水电站的水头损失
式中,
vi,min≤vi,t≤vi,max(57)
qi,min≤qi,t≤qi,max(58)
式中,
分钟级模型的约束条件除了包括小时级所有约束条件外,还需要考虑火电机组的最小开停机时间约束以及开停机次数限制。
本实施例中,通过构建适应不同新能源组合的风光水火互补系统多时间尺度容量规划模型,满足中长期电量平衡、短期电力平衡、实时快速功率控制等多时间尺度要求,解决新能源容量在不同组合下的调度与控制模型;满足系统风光消纳能力、电网支撑能力、运行经济性等多目标要求,实现新能源容量优化配置。
图6为本申请另一个实施例提供的区域新能源容量优化配置方法的流程图,如图6所示,该区域新能源容量优化配置方法还包括:输出当前新能源规划等效容量值,具体包括:
s61:计算在光伏电站电源接入时系统的第一缺电期望指标;
s62:计算去除光伏电站电源,引入等效传统机组时的系统的第二缺电期望指标;
s63:调整传统机组的容量,使得所述第二缺电期望指标与所述第一缺电期望指标相同,记录当前传统机组的容量为当前新能源规划等效容量值。
衡量一个电源对系统可靠性的影响程度的系统可靠性指标包括缺电概率指标(lolp),缺电期望指标(lole);lolp定义为因发电机或传输线故障引起的系统发电容量不足以供应负荷需求的概率,而lole则定义为在一段指定时间内的缺电时间总和,考虑到在最小时间尺度(步长)内,系统的可靠性状态通常认为不变,lole即等于规划周期内lolp值之和。因此,采用lole作为计算新能源等效容量的可靠性指标度量衡。
从发电侧的角度出发,针对新能源对系统可靠性的贡献进行衡量。将新能源机组等效为具有一定强迫停运率的传统机组/基准机组,计算其能够代替传统机组的容量,即等效传统机组容量指标(equivalentconventionalpower,ecp),在采用新能源或是等效传统机组的情况下,,等效传统机组的容量便为ecp指标的值。采用ecp作为等效容量指标可以利用传统机组的一些特性,实现利用传统经验驱动容量优化。
以光伏为例,用公式描述等效传统机组容量指标ecp。以lole作为要计算一个pv电站的ecp,首先需要计算在pv接入时系统的lole:
其中,gt为系统在t时段可提供的发电容量,pvt为t时段的出力,lt为t时段的负荷值。
然后计算去除pv电源,并引入等效传统机组时的系统lole:
其中,bt为等效传统机组在t时段可提供的发电容量。
不断调整传统机组的容量bt,使得传统机组替代pv存在的情况下,系统的lole与pv单独存在时相同,即:
lolepv=loleb(67)
则可得到pv的ecp为bt,通过下式可得到pv的等效容量比值kpv。
其中,ppv为光伏的额定容量值。
新能源等效容量约束包括:
在下层运行优化模型中的三个时间尺度的约束条件中,还需要增加新能源等效容量约束:
lolepv&wind≤lolemax
其中,lolemax为缺电期望指标上限,εs为场景s的概率值。
通过对上层投资规划模型输出结果中的新能源容量的等效传统机组容量进行计算,得到当前新能源容量下的lole以及等效容量,对其效容量比值进行约束。
具体的新能源等效容量在新能源容量规划中的应用机理步骤如图7所示,具体包括如下:
s71:获取风光历史数据;
s72:对风光历史数据进行补齐与修正;
s73:多时间尺度的风光聚类与负荷模型的生成;
s74:提取风光典型波动场景并计算每个典型波动场景的概率;
s75:求解上层投资规划模型;
s76:根据上层投资规划模型输出结果的新能源容量值,计算当前新能源容量下的lole;
s77:将该lole代入下层运行优化模型进行求解;若有解,则输出当前新能源规划容量值以及等效容量值;若无解,则返回步骤s75,重新迭代求解上层投资规划模型。
本实施例中,通过有效的容量配置提升地区电网清洁能源消纳与互补系统稳定运行水平,尤其是电力市场环境下,能够有效利用区域内风光水火互补发电系统运行实现地区电网安全稳定供电,为风光水火互补发电系统的应用和推广提供理论基础。
本发明实施例提供一种区域新能源容量优化配置系统,如图8所示的功能结构图,该区域新能源容量优化配置系统包括:
获取模块81,用于获取风光荷历史数据;
第一建立模块82,用于根据风光荷历史数据建立多时间尺度的风光荷聚类模型;
提取模块83,用于根据多时间尺度的风光荷聚类模型提取风光典型波动场景;
第二建立模块84,用于根据风光典型波动场景建立多层规划模型;
输出模块85,用于通过多层规划模型输出当前新能源规划容量值。
本实施例中,获取模块获取风光荷历史数据,第一建立模块根据风光荷历史数据建立多时间尺度的风光荷聚类模型,提取模块根据多时间尺度的风光荷聚类模型提取风光典型波动场景,第二建立模块根据风光典型波动场景建立多层规划模型,输出模块通过多层规划模型输出当前新能源规划容量值,解决了新能源出力场景简单、适用场景少、传统经验与区域新能源容量配置割裂,区域新能源容量配置不够完善的问题,通过构建多时间尺度的风光荷聚类模型提升多时间尺度下风光荷互补发电系统的可调度能力。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(pga),现场可编程门阵列(fpga)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能组件的形式实现。所述集成的模块如果以软件功能组件的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是,本发明不局限于上述最佳实施方式,本领域技术人员在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。