基于风功率预测区间的机组组合方法、系统、介质及设备技术方案

本公开提供了一种基于风功率预测区间的机组组合方法、系统、介质及设备，属于风力发电技术领域，包括以下步骤：获取风电场内各个风电机组的运行状态数据；根据风电功率区间预测结果得到风电机组的运行场景，根据获取的运行状态数据，采用拉格朗日松弛算法求解基于运行场景构建的目标函数模型，得到优化后的风电机组组合策略；本公开在风电功率区间预测的基础上，通过场景生成和改进的快速向后缩减技术，建立了基于场景法的含风电场随机机组组合模型，并采用拉格朗日松弛算法进行优化调度；模型的可靠性高且求解快速，得到的机组组合方式鲁棒性和经济性更高。

【技术实现步骤摘要】
基于风功率预测区间的机组组合方法、系统、介质及设备
本公开涉及风力发电
，特别涉及一种基于风功率预测区间的机组组合方法、系统、介质及设备。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。近年来，随着全球能源结构变革的持续推进与新能源技术的不断发展，技术成熟度较高的风力发电已经成为实现能源清洁替代的重要举措之一。然而，由于风能自身的不确定性，其不断增加的风电并网容量使传统的电力系统安全经济运行面临巨大的难题。风电机组普及率的大幅度增加，电力系统中风电机组并网难的现象逐渐显现，弃风比例逐年升高，给如何最大限度的消纳风电带来严峻挑战。电力系统的优化调度可以将总运营成本降至最低，在最大限度发挥风能经济效益的同时，确保风电并网后电力系统的可靠性。因此，研究风电随机性的机组组合模型，对电力系统的可靠性和经济运行水平的提高发挥着至关重要的作用。对于有效应对风电随机性，在含风电的机组组合研究方面，传统的确定型优化模型已不能适应实际生产的需要，因此寻求准确高效的不确定性优化模型成为国内外学者关注的焦点。从算法角度来说，最优投入的求解方法分启发式算法、数学优化类算法和智能算法三大类；从建模角度来说，目前研究提出的不确定性模型通常可以分为随机规划、模糊分析、鲁棒优化、区间优化等几大类等。随机规划法主要利用风电出力预测信息中的概率密度函数或是累计分布函数等对不确定量进行刻画，广义上包括场景法和机会约束法。其中，场景法是一种最常用的描述不确定变量的方法，它将不确定变量用多场景来模拟，可有效处理实际生产中的随机现象。以风电出力为例，一个场景代表一个风电出力序列，场景法就是尽可能的通过生成大量的场景来代表所有可能的风电出力，在进一步计算期望值来进行决策。有研究人员假设风电功率服从正态分布，采用蒙特卡洛模拟生成场景。有研究人员采用拉丁超立方抽样方法生成场景，相对传统的蒙特卡洛抽样，有效的降低了达到规定精度所需的采样规模，提高了采样效率。但是模拟生成的场景几乎不可能包含所有场景，且大量场景的计算成本较高。为此，许多研究提出了场景缩减的方法，生成原场景集的一个近似场景集，目前常用的场景削减方法主要用快速向前选择法和同步回代缩减法。机会约束法利用概率形式约束处理约束条件中含的随机变量。在处理随机变量时，允许所做决策在一定程度上不满足约束，但必须保证满足约束的概率大于某一置信水平，可应用于在观测到随机变量的实现之前做出决策的情况。且其置信水平可根据决策者的实际经验或风险偏好设定，常被应用于可靠性领域及风险管理。模糊规划基于模糊集和隶属度函数来描述不确定变量，目前常用的模型主要有模糊期望值模型、模糊机会约束规划、模糊相关机会约束。有研究人员在目标函数中考虑旋转备用成本期望以及条件风险价值，建立模糊风险决策的多目标优化模型，采用模糊决策理论确定最优的旋转备用计划。鲁棒优化要求决策者根据每一种决策方案的最坏实现情况优化选择最优的决策方案，使得到的结果能够适应于所有的场景，但最坏的场景很少发生，即实现不确定参数最劣情况下的最优决策，这就导致通常情况下得出的解比较保守。目前在改善鲁棒优化的保守性方面已经有了很多研究，如分布式鲁棒优化模型以及多区间不确定及等，均通过增加不确定量特征的描述改变不确定集。有研究人利用Kullback-Leibler散度构建不确定集，建立分布鲁棒优化模型，采用Benders分解法求解机组组合。以上这些措施都有效降低了鲁棒优化的保守程度，然而其保守程度依然难以衡量。区间优化用区间表示不确定变量的变动范围，即只需要不确定量的上下界信息，而不需要确定其精确的模糊隶属度函数或概率分布。区间优化对样本的依赖性小，相比于随即规划不需要对不确定量进行抽样或模拟，计算量大幅缩减。近年来，区间优化收到越来越多的关注，并被拓展应用到许多领域中去解决含有不确定参数的优化决策。有研究人以区间量描述含风电的经济调度模型中的不确定量，得到经济调度的解的区间形式。本公开专利技术人发现，尽管上述的优化算法和优化模型各有特点，但它们都存在着一些不足之处，如动态规划算法存在维数灾问题，模拟退火算法参数选择麻烦，机会约束规划求解困难以及鲁棒优化结果较保守等。
技术实现思路
为了解决现有技术的不足，本公开提供了一种基于风功率预测区间的机组组合方法、系统、介质及设备，在风电功率区间预测的基础上，通过场景生成和改进的快速向后缩减技术，建立了基于场景法的含风电场随机机组组合模型，并采用拉格朗日松弛算法进行优化调度，模型的可靠性高且求解快速，得到的优化后的机组组合方式鲁棒性和经济性更高。为了实现上述目的，本公开采用如下技术方案：本公开第一方面提供了一种基于风功率预测区间的机组组合方法。一种基于风功率预测区间的机组组合方法，包括以下步骤：获取风电场内各个风电机组的运行状态数据；根据风电功率区间预测结果得到风电机组的运行场景；根据获取的运行状态数据，采用拉格朗日松弛算法求解基于运行场景构建的目标函数模型，得到优化后的风电机组组合策略。本公开第二方面提供了一种基于风功率预测区间的机组组合系统。一种基于风功率预测区间的机组组合系统，包括：数据获取模块，被配置为：获取风电场内各个风电机组的运行状态数据；场景获取模块，被配置为：根据风电功率区间预测结果得到风电机组的运行场景；机组组合模块，被配置为：根据获取的运行状态数据，采用拉格朗日松弛算法求解基于运行场景构建的目标函数模型，得到优化后的风电机组组合策略。本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于风功率预测区间的机组组合方法中的步骤。本公开第四方面提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于风功率预测区间的机组组合方法中的步骤。与现有技术相比，本公开的有益效果是：1、本公开提供的方法、系统、介质或设备，在风电功率区间预测的基础上，通过场景生成和改进的快速向后缩减技术，建立了基于场景法的含风电场随机机组组合模型，并采用拉格朗日松弛算法进行优化调度，模型的可靠性高且求解快速，得到的优化后的机组组合方式鲁棒性和经济性更高。2、本公开提供的方法、系统、介质或设备，采用拉格朗日松弛算法求解机组组合问题，根据启发式排序法和等耗量微增率原则进行乘子初始化，对解耦后的单机子问题通过动态规划法进行求解，利用次梯度法对拉格朗日乘子修正，求解得到的组合结果的成本低且稳定性高。3、本公开提供的方法、系统、介质或设备，对于风电的随机波动性采用场景法处理，建立了含风电场电力系统随机机组组合模型，利用场景生成和改进的快速向后缩减技术得到具有代表性的场景，对风电的随机波动性进行了更准确的表达，提高了组合模型的稳定性。4、本公开提供的方法、系统、介质或设备，采用了Kantorovich矩阵进行场景缩减，使得缩本文档来自技高网...

【技术保护点】
1.一种基于风功率预测区间的机组组合方法，其特征在于，包括以下步骤：/n获取风电场内各个风电机组的运行状态数据；/n根据风电功率区间预测结果得到风电机组的运行场景；/n根据获取的运行状态数据，采用拉格朗日松弛算法求解基于运行场景构建的目标函数模型，得到优化后的风电机组组合策略。/n

【技术特征摘要】
1.一种基于风功率预测区间的机组组合方法，其特征在于，包括以下步骤：
获取风电场内各个风电机组的运行状态数据；
根据风电功率区间预测结果得到风电机组的运行场景；
根据获取的运行状态数据，采用拉格朗日松弛算法求解基于运行场景构建的目标函数模型，得到优化后的风电机组组合策略。


2.如权利要求1所述的基于风功率预测区间的机组组合方法，其特征在于，根据风电功率区间预测结果，得到满足预设置信概率的风电功率置信区间的上下包络，通过均匀分布函数生成由上下两个包络形成的置信区间上一定数量的随机数，得到风电机组的初步运行场景。


3.如权利要求2所述的基于风功率预测区间的机组组合方法，其特征在于，对得到的初步运行场景进行缩减，具体为：
计算不同场景之间的Kantorovich距离，生成Kantorovich正对称距离矩阵；
根据Kantorovich正对称距离矩阵，找出每个场景中距离其最近的场景；
对于场景集中的每一对场景，计算每个场景中距离其最近的场景与原场景的概率的乘积，找出最小值后删除该行所对应的场景，并将删除场景的概率值累加到距离其最近的场景上；
减少场景后重新构建Kantorovich正对称距离矩阵；
重复上述步骤，直到剩余场景的数目符合预设目标。


4.如权利要求3所述的基于风功率预测区间的机组组合方法，其特征在于，所述Kantorovich距离具体为：两个场景在任意时刻的风电功率差值的平方在总时段数下的加权和的开方。


5.如权利要求1所述的基于风功率预测区间...

【专利技术属性】
技术研发人员：亓富军，吴晓宾，王军，冯德品，赵中华，陈筱陆，路长禄，姬帅，耿家健，马健，邢文涛，张兴堂，
申请(专利权)人：国网山东省电力公司临沂供电公司，国家电网有限公司，
类型：发明
国别省市：山东;37