【技术实现步骤摘要】
本专利技术涉及一种新能源中长期置信容量预测的方法及装置，具体地说是一种基于气象特征向量和k-means聚类的新能源中长期置信容量预测的方法及装置，属于新能源电力系统规划。
技术介绍
1、在电力系统规划中，需要判断未来电源的发电能力能否满足年度最大负荷场景或其它场景如夏季晚间最大负荷场景的需求。风光新能源的出力具有强不确定性、强随机性、强波动性的特征，一般采用置信容量衡量其在未来研究场景下的最低保证出力水平。
2、置信容量是指在某个保证概率(通常为95％或98％)下，新能源的最低保证出力。目前常见的做法是，把基于历史数据计算得到的置信容量，直接作为未来某个规划水平年的置信容量，实质上假设了未来的新能源机组出力特性与历史情况完全一致，这在新能源装机快速增长、新增场站气象条件发生显著变化的情况下，将带来较大的误差。
3、因此，本专利技术提出了一种基于气象特征向量和k-means聚类的新能源中长期置信容量预测的方法。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种新能源中长期置信容量预测的方法及装置，能够提高新能源置信容量预测的准确度，为电力供需平衡分析提供更加科学、准确的边界。
2、本专利技术为解决其技术问题所采取的技术方案是：
3、第一方面，本专利技术实施例提供的一种新能源中长期置信容量预测的方法，包括如下步骤：
4、以时间为耦合因素确定负荷-气象-新能源时序耦合特性，所述负荷-气象-新能源时序耦合特性为电网负荷、新
5、确定新能源中长期置信容量预测的样本日和样本时刻；
6、开展聚类前的数据准备，计算得出新能源场站的气象特征向量；
7、基于气象特征向量和k-means算法进行风光气象特征聚类；
8、基于负荷-气象-新能源时序耦合特性，计算已投产高数据质量场站的置信容量；基于风光气象特征聚类的分析结果，估算未投产或虽已投产但数据质量低的新能源场站置信容量。
9、作为本实施例一种可能的实现方式，所述以时间为耦合因素确定负荷-气象-新能源时序耦合特性，包括：
10、获取新能源场站历史负荷时序数据；
11、基于对历史负荷时序数据的分析，得到能代表未来负荷高峰的时间范围；
12、将所述时间范围作为后续研究新能源气象特征以及新能源出力特性的数据采样范围，进行负荷-气象-新能源的耦合分析。
13、作为本实施例一种可能的实现方式，所述得到能代表未来负荷高峰的时间范围，包括：
14、将未来负荷高峰划分为夏季午峰、夏季晚峰、冬季午峰、冬季晚峰四个研究场景，分别用c1、c2、c3和c4表示，研究场景的集合用c表示，即：
15、c＝{c1,c2,c3,c4}
16、定义一个映射desc：
17、desc:c→中文描述
18、于是有：
19、desc:c1→“夏季午峰”
20、desc:c2→“夏季晚峰”
21、desc:c3→“冬季午峰”
22、desc:c4→“冬季晚峰”
23、使用有序对来初步量化场景描述的时间范围，令
24、
25、其中，表示场景ci包含的日期范围，表示场景ci包含的时刻范围，有：
26、
27、
28、
29、
30、作为本实施例一种可能的实现方式，所述确定新能源中长期置信容量预测的样本日和样本时刻，包括：
31、(1)将日最大负荷达到或超过研究场景定义时间范围内最大负荷某个比率的日期，作为样本日；
32、历史负荷序列中的某一年用字母y表示、某一天用字母d表示，第y年d日的最大负荷用变量lmax,y,d表示，第y年在场景ci定义的时间范围内的最大负荷用变量表示，如果第y年d日最大负荷lmax,y,d满足以下条件：
33、
34、那么将该y年d日(y,d)记为该场景ci的一个样本日，其中，α是预定的比率阈值，由专家经验产生，典型值是0.95；
35、重复对每个历史年份作如上筛选，得到场景ci对应的所有历史年份样本日的集合
36、(2)样本日在精细化之后的样本时刻范围内的负荷水平，均大于或等于样本日在精细化之前的时刻范围内最大负荷的某个比率；
37、在场景ci对应的日期范围和时刻范围内，第y年d日的历史负荷序列的最大值用变量表示，场景ci时间范围内任意时刻t的负荷用变量lt,y,d表示，若时刻t满足：
38、
39、则将所有时刻t的集合作为第y年d日的样本时刻，其中，β是预定的比率阈值，由专家经验产生，典型值是0.9；
40、重复对每个样本日作上述分析，将每个样本日样本时刻集合的并集作为场景ci精细化后的样本时刻，记为
41、(3)计算可用于气象特征分析和置信容量计算的采样时间
42、
43、作为本实施例一种可能的实现方式，所述开展聚类前的数据准备，计算得出新能源场站的气象特征向量；包括：
44、准备原始的气象数据：风电场wm的历史风速时序数据和平均空气密度分别用和表示，光伏电站sn的历史光照强度时序数据和气温时序数据分别用和表示；
45、对原始气象数据进行采样：对于研究场景ci，根据样本日和样本时刻集合对风光场站的原始气象数据进行采样，所述风光场站包括风电场和光伏电站：
46、
47、
48、
49、其中，分别表示根据场景ci采样后的风速时序数据、光照强度时序数据和温度时序数据；
50、将提取的风速数据转化为风能量密度数据：
51、
52、风机的工作风速典型值为：切入风速vin＝3m/s，额定风速vrated＝15m/s，切出风速vout＝25m/s，据此修正风能量密度数据：
53、
54、光能量密度数据为：
55、
56、其中，γ是光伏发电短路电流温度系数，典型值为-0.4％/℃，θstd是标准温度，典型值是25℃；
57、对修正后的风能量密度数据和光能量密度数据作概率描述：
58、所有风电场修正后的风功率密度数据序列的最大值用emax,w表示，将区间[0,emax,w]等分为g个子区间；
59、研究场景ci下，风电场wm修正后的风功率密度数据序列在子区间g上的分布概率采用下式计算：
60、
61、用各个子区间概率形成风电场wm的气象特征向量：
62、
63、类似地，得到光伏电站sn的气象特征向量：
64、
65、作为本实施例一种可能的实现方式，所述基于气象特征向量和k-means算法进行风光气象本文档来自技高网...
【技术保护点】
1.一种新能源中长期置信容量预测的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的新能源中长期置信容量预测的方法，其特征在于，所述以时间为耦合因素确定负荷-气象-新能源时序耦合特性，包括：
3.根据权利要求2所述的新能源中长期置信容量预测的方法，其特征在于，所述得到能代表未来负荷高峰的时间范围，包括：
4.根据权利要求3所述的新能源中长期置信容量预测的方法，其特征在于，所述确定新能源中长期置信容量预测的样本日和样本时刻，包括：
5.根据权利要求4所述的新能源中长期置信容量预测的方法，其特征在于，所述开展聚类前的数据准备，计算得出新能源场站的气象特征向量；包括：
6.根据权利要求5所述的新能源中长期置信容量预测的方法，其特征在于，所述基于气象特征向量和K-means算法进行风光气象特征聚类；包括：
7.根据权利要求6所述的新能源中长期置信容量预测的方法，其特征在于，所述基于负荷-气象-新能源时序耦合特性，计算已投产高数据质量场站的置信容量；基于风光气象特征聚类的分析结果，估算未投产或虽已投产但数据质量
8.根据权利要求7所述的新能源中长期置信容量预测的方法，其特征在于，所述根据历史出力数据确定第一类新能源场站的置信容量，根据气象聚类确定第二类和第三类新能源场站的置信容量，考虑其它因素计算未来某规划年的置信容量，包括：
9.一种新能源中长期置信容量预测的装置，其特征在于，包括：
10.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当所述计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以实现权利要求1-8中任一所述的新能源中长期置信容量预测的方法。
...【技术特征摘要】
1.一种新能源中长期置信容量预测的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的新能源中长期置信容量预测的方法，其特征在于，所述以时间为耦合因素确定负荷-气象-新能源时序耦合特性，包括：
3.根据权利要求2所述的新能源中长期置信容量预测的方法，其特征在于，所述得到能代表未来负荷高峰的时间范围，包括：
4.根据权利要求3所述的新能源中长期置信容量预测的方法，其特征在于，所述确定新能源中长期置信容量预测的样本日和样本时刻，包括：
5.根据权利要求4所述的新能源中长期置信容量预测的方法，其特征在于，所述开展聚类前的数据准备，计算得出新能源场站的气象特征向量；包括：
6.根据权利要求5所述的新能源中长期置信容量预测的方法，其特征在于，所述基于气象特征向量和k-means算法进行风光气象特征聚类；包括：
7.根据权利要求6...
【专利技术属性】
技术研发人员：张栋梁，薛万磊，牟颖，王鹏，赵昕，李校莹，管大顺，李晨辉，史英，牛华忠，刘知凡，李秋爽，厉艳，白颖，
申请(专利权)人：国网山东省电力公司经济技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。