一种对新型电力系统灵活性需求量化计算的方法及系统技术方案

本发明专利技术公开了一种对新型电力系统灵活性需求量化计算的方法及系统，基于历史实际数据和预测数据，分别确定历史实际数据与所述预测数据的各随机源对应的主成分；基于每个主成分的预测误差序列，确定各随机源对应的主成分在预设置信度下的不确定性区间；基于每个主成分的波动功率序列，确定各随机源对应的主成分在预设置信度下的波动区间；基于所述不确定性区间和所述波动区间，确定各随机源对应的主成分的综合波动区间；基于各随机源对应的主成分的综合波动区间，还原各随机源的相关性和数据量级，构建各随机源包含柔性中心和柔性偏差的柔性参数模型；对所述柔性参数模型进行柔性计算，确定新型电力系统的整体灵活性需求。确定新型电力系统的整体灵活性需求。确定新型电力系统的整体灵活性需求。

【技术实现步骤摘要】
一种对新型电力系统灵活性需求量化计算的方法及系统


[0001]本专利技术涉及智能电网的规划设计
，更具体地，涉及一种对新型电力系统灵活性需求进行量化计算的方法及系统。

技术介绍

[0002]目前以新能源为主体的新型电力系统中新能源发电占比逐步提升，用电需求持续增长，新能源发电与负荷的波动性双重叠加，对电力系统的安全稳定运行提出了更高的要求，需要系统具备更高的快速调节能力，即电力系统的灵活性。
[0003]现有技术对新能源或负荷的不确定性和波动的研究较多，但综合考量不确定性、波动性及相关性的研究较少，现有技术难以实现对系统灵活性需求的量化分析。业界又提出基于多胞体的方法构建多随机源的联合波动域，但对于多胞体的降维投影方法描述不清晰，不能精准描述各随机源叠加后的新型电力系统整体灵活性需求，难以对后续新型电力系统的规划和调度进行指导。
[0004]因此，需要一种技术，以实现对新型电力系统灵活性需求进行量化计算。

技术实现思路

[0005]本专利技术技术方案提供一种对新型电力系统灵活性需求量化计算的方法及系统，以解决如何对新型电力系统灵活性需求量化进行计算的问题。
[0006]为了解决上述问题，本专利技术提供了一种对新型电力系统灵活性需求量化计算的方法，所述方法包括：
[0007]基于历史实际数据和预测数据，分别确定历史实际数据与所述预测数据的各随机源对应的主成分；
[0008]基于每个主成分的预测误差序列，确定各随机源对应的主成分在预设置信度下的不确定性区间；<br/>[0009]基于每个主成分的波动功率序列，确定各随机源对应的主成分在预设置信度下的波动区间；
[0010]基于所述不确定性区间和所述波动区间，确定各随机源对应的主成分的综合波动区间；
[0011]基于各随机源对应的主成分的综合波动区间，还原各随机源的相关性和数据量级，构建各随机源包含柔性中心和柔性偏差的柔性参数模型；
[0012]对所述柔性参数模型进行柔性计算，确定新型电力系统的整体灵活性需求。
[0013]优选地，所述基于各随机源的综合波动区间，还原各随机源的相关性和数据量级，还包括：
[0014]对所述综合波动区间进行插值，建立综合波动区间插值矩阵；建立各随机源的综合波动反变换矩阵，基于所述综合波动反变换矩阵，还原各随机源的相关性；
[0015]建立各随机源反标准化计算矩阵，基于所述反标准化计算矩阵，还原各随机源的
数据量级。
[0016]优选地，所述基于历史实际数据和预测数据，分别确定历史实际数据与所述预测数据的各随机源对应的主成分，还包括：
[0017]获取各随机源的历史实际数据和预测数据，基于各随机源的类型对所述历史实际数据和所述预测数据进行标准化，获取各随机源的标准历史实际数据和标准预测数据；
[0018]基于各随机源的标准历史实际数据和标准预测数据建立各随机源的历史实际数据矩阵和预测数据矩阵，对所述历史实际数据矩阵和所述预测数据矩阵进行主成分分析，分别确定历史实际数据的主成分和预测数据的主成分。
[0019]优选地，所述各随机源的类型包括：负荷、风电场和光伏。
[0020]优选地，所述获取各随机源的历史实际数据和预测数据，基于各随机源的类型对所述历史实际数据和所述预测数据进行标准化，获取各随机源的标准历史实际数据和标准预测数据，包括：
[0021]将风电场或负荷长度为T
S
的历史实际数据ω
n
(t)(t＝t0‑
T
S
+1,...,t0‑
1,t0)和长度为T
H
的预测数据ω
n,pre
(t)(t＝t0‑
T
S
+1,...,t0‑
1,t0,...,t0+T
H
)进行标准化：
[0022][0023][0024]其中，μ
n
和σ
n
分别为历史实际数据和预测数据的均值和标准差，ω'
n
(t)和ω'
n,pre
(t)分别为历史实际数据和预测数据进行标准化后的序列，t为时间变量， t0为当前时刻，T
S
为历史时间长度，T
H
为预测时间长度；
[0025]将光伏的长度为T
S
历史实际数据和长度为T
S
+T
H
的预测数据进行标准化：
[0026][0027][0028]其中，为节点n处光伏电站在t时刻晴空条件下的理论最大出力，将其作为基准值，将序列作为标准历史实际数据，将序列作为标准预测数据。
[0029]优选地，所述基于各随机源的标准历史实际数据和标准预测数据建立各随机源的历史实际数据矩阵和预测数据矩阵，对所述历史实际数据矩阵和所述预测数据矩阵进行主成分分析，分别确定所述历史实际数据矩阵的历史实际数据的主成分和所述预测数据矩阵的预测数据的主成分，包括：
[0030]对历史实际数据矩阵D和预测数据矩阵D
pre
进行主成分分析，分将历史实际数据矩阵D和预测数据矩阵D
pre
变换为相互独立的序列矩阵Z和Z
pre
，Z 和Z
pre
即为历史实际数据矩阵D和预测数据矩阵D
pre
主成分，其中：
[0031][0032][0033][0034][0035]其中，为D的协方差矩阵的特征向量所组成的矩阵， Z1(t0‑
T
S
+1)、Z
j
(t0‑
T
S
+1)、Z
J
(t0‑
T
s
+1)为t0‑
T
S
+1时刻第1、j、J个主成分历史数据提取相关性后的数据序列，Z1(t0)、Z
j
(t0)、Z
J
(t0)为t0时刻第1、j、J 个主成分历史数据提取相关性后的数据序列；Z
1，pre
(t0‑
T
s
+1)、 Z
j，pre
(t0‑
T
s
+1)、Z
J，pre
(t0‑
T
s
+1)为t0‑
T
S
+1时刻第1、j、J个主成分预测数据提取相关性后的数据序列，Z
1,pre
(t0)、Z
j,pre
(t0)、Z
J,pre
(t0)为t0时刻第1、j、J个主成分历史数据提取相关性后的数据序列；J为随机源的数量。
[0036]优选地，所述基于每个主成分的预测误差序列，确定各随机源对应的主成分在预设置信度下的不确定性区间，包括：
[0037]计算每个主成分的预测误差序列
[0038][0039]对进行统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对新型电力系统灵活性需求量化计算的方法，所述方法包括：基于历史实际数据和预测数据，分别确定历史实际数据与所述预测数据的各随机源对应的主成分；基于每个主成分的预测误差序列，确定各随机源对应的主成分在预设置信度下的不确定性区间；基于每个主成分的波动功率序列，确定各随机源对应的主成分在预设置信度下的波动区间；基于所述不确定性区间和所述波动区间，确定各随机源对应的主成分的综合波动区间；基于各随机源对应的主成分的综合波动区间，还原各随机源的相关性和数据量级，构建各随机源包含柔性中心和柔性偏差的柔性参数模型；对所述柔性参数模型进行柔性计算，确定新型电力系统的整体灵活性需求。2.根据权利要求1所述的方法，所述基于各随机源对应的主成分的综合波动区间，还原各随机源的相关性和数据量级，包括：对所述综合波动区间进行插值，建立综合波动区间插值矩阵；建立各随机源的综合波动反变换矩阵，基于所述综合波动反变换矩阵，还原各随机源的相关性；建立各随机源反标准化计算矩阵，基于所述反标准化计算矩阵，还原各随机源的数据量级。3.根据权利要求2所述的方法，所述基于历史实际数据和预测数据，分别确定历史实际数据与所述预测数据的各随机源对应的主成分，包括：获取各随机源的历史实际数据和预测数据，基于各随机源的类型对所述历史实际数据和所述预测数据进行标准化，获取各随机源的标准历史实际数据和标准预测数据；基于各随机源的标准历史实际数据和标准预测数据建立各随机源的历史实际数据矩阵和预测数据矩阵，对所述历史实际数据矩阵和所述预测数据矩阵进行主成分分析，分别确定历史实际数据的主成分和预测数据的主成分。4.根据权利要求3所述的方法，所述随机源的类型包括：负荷、风电场和光伏。5.根据权利要求4所述的方法，所述获取各随机源的历史实际数据和预测数据，基于各随机源的类型对所述历史实际数据和所述预测数据进行标准化，获取各随机源的标准历史实际数据和标准预测数据，包括：将风电场或负荷长度为T
S
的历史实际数据ω
n
(t)(t＝t0‑
T
S
+1,...,t0‑
1,t0)和长度为T
H
的预测数据ω
n,pre
(t)(t＝t0‑
T
S
+1,...,t0‑
1,t0,...,t0+T
H
)进行标准化：)进行标准化：其中，μ
n
和σ
n
分别为历史实际数据和预测数据的均值和标准差，ω'
n
(t)和ω'
n,pre
(t)分别为历史实际数据和预测数据进行标准化后的序列，t为时间变量，t0为当前时刻，T
S
为历史时间长度，T
H
为预测时间长度；
将光伏的长度为T
S
历史实际数据和长度为T
S
+T
H
的预测数据进行标准化：进行标准化：其中，为节点n处光伏电站在t时刻晴空条件下的理论最大出力，将其作为基准值；将序列作为标准历史实际数据，将序列作为标准预测数据。6.根据权利要求5所述的方法，所述基于各随机源的标准历史实际数据和标准预测数据建立各随机源的历史实际数据矩阵和预测数据矩阵，对所述历史实际数据矩阵和所述预测数据矩阵进行主成分分析，分别确定所述历史实际数据矩阵的历史实际数据的主成分和所述预测数据矩阵的预测数据的主成分，包括：对历史实际数据矩阵D和预测数据矩阵D
pre
进行主成分分析，分将历史实际数据矩阵D和预测数据矩阵D
pre
变换为相互独立的序列矩阵Z和Z
pre
，Z和Z
pre
即为历史实际数据矩阵D和预测数据矩阵D
pre
主成分，其中：其中：其中：其中：其中，为D的协方差矩阵的特征向量所组成的矩阵，Z1(t0‑
T
S
+1)、Z
j
(t0‑
T
S
+1)、Z
J
(t0‑
T
S
+1)为t0‑
T
S
+1时刻第1、j、J个主成分历史数据提取相关性后的数据序列，Z1(t0)、Z
j
(t0)、Z
J
(t0)为t0时刻第1、j、J个主成分历史数据提取相关性后的数据序列；Z
1，pre
(t0‑
T
S
+1)、Z
j，pre
(t0‑
T
S
+1)、Z
J，pre
(t0‑
T
S
+1)为t0‑
T
S
+1时刻第1、j、J个主成分预测数据提取相关性后的数据序列，Z
1,pre
(t0)、Z
j,pre
(t0)、Z
J,pre
(t0)为t0时刻第1、j、J个主成分历史数据提取相关性后的数据序列；J为随机源...

【专利技术属性】
技术研发人员：丁保迪，秦晓辉，施浩波，张彦涛，赵明欣，许彦平，白婕，
申请(专利权)人：国家电网有限公司国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：