风-储场站日前-日内两阶段功率上报的优化方法技术

本发明专利技术公开了一种风

【技术实现步骤摘要】
风
‑
储场站日前
‑
日内两阶段功率上报的优化方法


[0001]本专利技术属于风
‑
储场站功率上报策略优化的
，具体涉及一种风
‑
储场站日前
‑
日内两阶段功率上报的优化方法。

技术介绍

[0002]在“碳达峰、碳中和”目标与构建以新能源为主体的新型电力系统方针的驱动下，我国风电装机容量与发电量持续增长。2021年，我国风电装机达3.28亿千瓦，风力发电量达6526亿千瓦时，较上年同比增长17％与40.5％。大规模风电的间歇性、波动性特征使得电网需要安排更多的灵活调节资源以实现风电的安全消纳，导致电网的运维费用的提升。自2020年以来，各地能源监管局相继签署印发新的《发电厂并网运行管理实施细则》与《并网发电厂辅助服务管理实施细则》(两个细则)，以电量考核的形式对风电场上报功率预测不准的部分进行惩罚，从而将预测偏差引起的运维费用分摊给风电场。因此，合理优化风电场的上报功率有助于提升风电场并网调节的整体运行效益。
[0003]现有风/风
‑
储场站功率上报策略优化上报的时间尺度较为单一，缺乏对两个细则考核机制的针对性。一方面，绝大多数功率上报策略仅局限于日前尺度。然而，现行的两个细则在日前与日内尺度下均对上报功率提出考核要求。另一方面，现有功率上报模型主要以市场化电价、辅助服务补偿与售电收益作为优化目标，与两个细则中的电量考核形式相差甚远。因此，急需开发一种新的风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，以解决现有技术存在的问题。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足之处，提供一种风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，该方法能够在考虑风功率不确定性的同时将不同时间尺度的优化实现深度融合，从而有效提升风
‑
储场站功率上报的准确率，降低考核电量。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：
[0006]一种风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，包括如下步骤：
[0007]步骤1，基于气象数据与预测时间步的差异性分别对日前、日内预测误差进行分箱处理，并根据分箱后的预测误差样本集构建日前、日内风功率场景集；
[0008]步骤2，根据步骤1得到的日前、日内风功率场景集，以期望考核电量最小为优化目标，构建日前风功率优化上报模型以及考虑储能调节的日内风
‑
储功率优化上报模型；
[0009]步骤3，考虑到日前、日内上报优化问题的多重非线性特征，采用优化算法对日前风功率优化上报模型和日内风
‑
储功率优化上报模型进行求解，得到优化后的上报策略。
[0010]进一步地，步骤1具体包括：
[0011]步骤1.1、根据风电场历史的实际功率与预测功率计算日前、日内阶段的预测误差；
[0012]步骤1.2、将日前阶段的预测误差按照气象模式进行分箱；将日内阶段的预测误差
按照预测时间步进行分箱；
[0013]步骤1.3、分别对步骤1.2中日前阶段、日内阶段的各预测误差箱中样本进行取样并计算得到相应的日前、日内预测误差场景，再利用Cholesky分解法分别对日前、日内预测误差场景中各行元素位置计及时间相关性进行重排序，得到满足时间相关性的日前、日内预测误差场景集；
[0014]步骤1.4、将步骤1.3获得的日前、日内预测误差场景集中的每个预测误差场景与对应的预测值叠加，从而得到相应的风功率场景集。
[0015]进一步地，步骤1.2中采用改进Kmeans算法对日前阶段的预测误差进行分箱。
[0016]进一步地，采用改进Kmeans算法对日内阶段的预测误差进行分箱处理的具体步骤为：
[0017]步骤1.2.1：基于相同采样时刻的历史气象数据集和历史风功率预测误差数据集，利用肘部法确定聚类数目W；
[0018]步骤1.2.2：初始化迭代次数z＝1，计算各气象数据样本的数据密度，选取初始聚类中心候选集W
O
，并从中随机选取Z
max
个点作为第一个初始聚类中心的候选集W
O,1
；
[0019]步骤1.2.3：取W
O,1
中第z个点作为第一个初始聚类中心，计算W
O
中其余各点与其距离，取最远的点作为第二个初始聚类中心，再计算W
O
中其余样本与二者最近距离，取最远的点作为第三个初始聚类中心，以此类推，直至求出K个初始聚类中心；
[0020]步骤1.2.4：基于确定的初始聚类中心，对历史气象数据集进行经典K
‑
means聚类计算，得到相应聚类结果；
[0021]步骤1.2.5：基于聚类结果对历史风功率预测误差数据集进行分箱处理，并利用核密度估计法求取不同分箱下的风功率预测误差概率密度曲线；
[0022]步骤1.2.6：计算聚类结果对应的聚类目标累积均方根误差SRMSE，比较相邻两次聚类的SRMSE大小，保存大者对应的聚类结果；
[0023]步骤1.2.7：重复上述步骤1.2.3到步骤1.2.6，直到SRMSE大于设定的阈值λ，或达到最大迭代次数Z
max
；
[0024]步骤1.2.8：基于步骤1.2.7中最后所得气象数据聚类结果，将相应的历史风功率预测误差数据集划分到不同气象模式下，实现基于气象模式的预测误差分箱处理。
[0025]进一步地，步骤2具体包括：
[0026]利用步骤1得到的日前风功率场景集，通过最小化各场景下的期望考核电量，构建日前风功率优化上报模型的目标函数如下式所示：
[0027][0028]式中：x
DA
为日前上报待优化变量集；为t时刻风电场日前上报功率；T为总调度时段数，P
DA,all
为日前总的期望考核电量；I为总场景数；为日前第i个场景的考核电量；
[0029]上述模型相应的上报功率上下限的约束条件为：
[0030][0031]上述模型相应的考核电量计算的约束条件为：
[0032][0033][0034]式中：P
cap
为风电场装机容量；为第i个场景的日前功率上报准确率；为日前预测t时刻第i个场景的风功率。
[0035]进一步地，步骤2在构建计及储能调节的日内风
‑
储功率优化上报模型时，需要计及既定的日前上报曲线，通过储能的功率修正改变实际的并网功率，即当日内处在t时刻对未来n小时共4n步的风功率进行预测优化上报时，上报第t+4n时刻的风功率，而储能修正的则是第t+1时刻的实际并网功率，二者存在时间差，故日内风
‑
储功率优化上报模型根据所在时段进行划分为：t+4n≥1&本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，其特征在于，包括如下步骤：步骤1，基于气象数据与预测时间步的差异性分别对日前、日内预测误差进行分箱处理，并根据分箱后的预测误差样本集构建日前、日内风功率场景集；步骤2，根据步骤1得到的日前、日内风功率场景集，以期望考核电量最小为优化目标，构建日前风功率优化上报模型以及考虑储能调节的日内风
‑
储功率优化上报模型；步骤3，考虑到日前、日内上报优化问题的多重非线性特征，采用优化算法对日前风功率优化上报模型和日内风
‑
储功率优化上报模型进行求解，得到优化后的上报策略。2.根据权利要求1所述的风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，其特征在于，步骤1具体包括：步骤1.1、根据风电场历史的实际功率与预测功率计算日前、日内阶段的预测误差；步骤1.2、将日前阶段的预测误差按照气象模式进行分箱；将日内阶段的预测误差按照预测时间步进行分箱；步骤1.3、分别对步骤1.2中日前阶段、日内阶段的各预测误差箱中样本进行取样并计算得到相应的日前、日内预测误差场景，再利用Cholesky分解法分别对日前、日内预测误差场景中各行元素位置计及时间相关性进行重排序，得到满足时间相关性的日前、日内预测误差场景集；步骤1.4、将步骤1.3获得的日前、日内预测误差场景集中的每个预测误差场景与对应的预测值叠加，从而得到相应的风功率场景集。3.根据权利要求2所述的风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，其特征在于，步骤1.2中采用改进Kmeans算法对日前阶段的预测误差进行分箱。4.根据权利要求3所述的风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，其特征在于，采用改进Kmeans算法对日内阶段的预测误差进行分箱处理的具体步骤为：步骤1.2.1：基于相同采样时刻的历史气象数据集和历史风功率预测误差数据集，利用肘部法确定聚类数目W；步骤1.2.2：初始化迭代次数z＝1，计算各气象数据样本的数据密度，选取初始聚类中心候选集W
O
，并从中随机选取Z
max
个点作为第一个初始聚类中心的候选集W
O,1
；步骤1.2.3：取W
O,1
中第z个点作为第一个初始聚类中心，计算W
O
中其余各点与其距离，取最远的点作为第二个初始聚类中心，再计算W
O
中其余样本与二者最近距离，取最远的点作为第三个初始聚类中心，以此类推，直至求出K个初始聚类中心；步骤1.2.4：基于确定的初始聚类中心，对历史气象数据集进行经典K
‑
means聚类计算，得到相应聚类结果；步骤1.2.5：基于聚类结果对历史风功率预测误差数据集进行分箱处理，并利用核密度估计法求取不同分箱下的风功率预测误差概率密度曲线；步骤1.2.6：计算聚类结果对应的聚类目标累积均方根误差SRMSE，比较相邻两次聚类的SRMSE大小，保存大者对应的聚类结果；步骤1.2.7：重复上述步骤1.2.3到步骤1.2.6，直到SRMSE大于设定的阈值λ，或达到最大迭代次数Z
max
；步骤1.2.8：基于步骤1.2.7中最后所得气象数据聚类结果，将相应的历史风功率预测误差数据集划分到不同气象模式下，实现基于气象模式的预测误差分箱处理。
5.根据权利要求1所述的风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，其特征在于，步骤2具体包括：利用步骤1得到的日前风功率场景集，通过最小化各场景下的期望考核电量，构建日前风功率优化上报模型的目标函数如下式所示：式中：x
DA
为日前上报待优化变量集；为t时刻风电场日前上报功率；T为总调度时段数，P
DA,all
为日前总的期望考核电量；I为总场景数；为日前第i个场景的考核电量；上述模型相应的上报功率上下限的约束条件为：0≤P
tDA,rep
≤P
cap
；上述模型相应的考核电量计算的约束条件为：上述模型相应的考核电量计算的约束条件为：式中：P
cap
为风电场装机容量；A
iDA
为第i个场景的日前功率上报准确率；为日前预测t时刻第i个场景的风功率。6.根据权利要求1所述的风
‑
储场站日前
‑
日内两阶段功率上报的优化方法，其特征在于，步骤2在构建计及储能调节的日内风
‑
储功率优化上报模型时，需要计及既定的日前上报曲线，通过储能的功率修正改变实际的并网功率，即当日内处在t时刻对未来n小时共4n步的风功率进行预测优化上报时，上报第t+4n时刻的风功率，而储能修正的则是第t+1时刻的实际并网功率，二者存在时间差，故日内风
‑
储功率优化上报模型根据所在时段进行划分为：t+4n≥1&t+1<1时段下上报模型、t+1≥1&t+4n≤T时段下上报模型以及t+4n>T&t+1≤T时段下上报模型，T为总调度时...

【专利技术属性】
技术研发人员：柯德平，吴浩天，刘念璋，方珂，徐箭，廖思阳，孙元章，
申请(专利权)人：武汉大学，
类型：发明
国别省市：