【技术实现步骤摘要】
本专利技术涉及电网调控，特别涉及一种基于风电功率预测模型动态选择的电网优化调度方法及装置。
技术介绍
1、针对含风电资源的电力系统，传统的优化调度模型通常在多种风电功率预测模型中选择误差最小的一种预测模型，并将该预测模型长期用于随机优化调度模型中，导致调度侧只能“被动”接收到一种预测结果(预测值与预测误差概率分布)，需要注意的是，没有任何一种预测模型可以在所有的情况下都能得到较好的预测结果，且该模式忽略了其它的预测结果，导致调度侧损失了可能潜在的、更加适应于实际情况的决策结果。
技术实现思路
1、本专利技术实施例的目的是提供一种基于风电功率预测模型动态选择的电网优化调度方法及装置，通过充分考虑风电功率预测模型的误差特性以及风电功率受气象等因素影响的不确定性，生成多种风电功率实时预测场景集，并借助随机机组组合模型制定多个实时控制策略，最终选取风电弃风和失负荷之和最低的策略作为优化后的控制策略，有效提高了风电资源的利用效率，增强了电网应对风电功率波动的能力，优化了电网调度，有助于实现电力系统安全、稳定且高效地运行。
2、为解决上述技术问题，本专利技术实施例的第一方面提供了一种基于风电功率预测模型动态选择的电网优化调度方法，包括如下步骤：
3、基于多个风电功率功率预测模型，获取每一所述风电功率功率预测模型的预测误差概率密度函数，得到若干个风功率预测误差场景集；
4、获取风电机组的实时气象数据，基于所述多个风电功率功率预测模型分别进行功率预测，得到若干个
5、基于所述若干个风电功率实时预测场景集，通过随机机组组合模型生成与风电功率实时预测场景集一一对应的若干个实时控制策略，选取所述若干个实时控制策略中风电弃风与失负荷之和的值最低的实时控制策略作为风电机组优化后的控制策略。
6、进一步地，所述风电机组的实时气象数据的类型包括：风速、风向、气温和/或气压。
7、进一步地，所述基于多个风电功率功率预测模型，获取每一所述风电功率功率预测模型的预测误差概率密度函数，包括：
8、获取风电机组的历史预测数据和历史实际数据；
9、基于所述历史预测数据，分别建立气象数据与多个风电功率功率预测模型的非线性映射关系；
10、基于所述历史实际数据，计算每一所述风电功率功率预测模型的预测误差；
11、基于所述预测误差，通过核密度估计方式分别获取每一所述风电功率功率预测模型的预测误差概率密度函数。
12、进一步地，所述风电功率功率预测模型包括：神经网络模型、支持向量机模型和随机森林模型；
13、所述神经网络模型相应的非线性映射关系为：
14、
15、所述支持向量机模型相应的非线性映射关系为：
16、
17、所述随机森林模型相应的非线性映射关系为：
18、
19、其中，fnn(·)、fsvm(·)和frf(·)分别为基于神经网络模型、支持向量机模型和随机森林模型的风电功率预测值与气象数据x之间的映射关系，gl、wl和分别为神经网络第l层的激活函数、权重向量和偏置向量，且l＝1,2,3,...,l，l为神经网络的层数，w和bnn分别为神经网络的权重矩阵和偏置矩阵，nsvm为支持向量机模型支持向量的数量，αi为支持向量机模型第i个支持向量的拉格朗日乘子，yi是支持向量机模型第i个支持向量的真实标签，ksvm(xi,x)是支持向量机模型的核函数，γ是一个正的参数，xi为第i个样本点对应的x，bsvm是支持向量机模型的偏置项，nrf为随机森林模型决策树的数量，为第i个决策树对输入x的预测值，pwind,nn、pwind,svm和pwind,rf分别为基于神经网络模型、支持向量机模型和随机森林模型得到的风电功率预测值。
20、进一步地，所述神经网络模型相应的预测误差概率密度函数为：
21、
22、δpiwind,nn＝piwind,0-fnn(xi)；
23、所述支持向量机模型相应的预测误差概率密度函数为：
24、
25、δpiwind,svm＝piwind,0-fsvm(xi)；
26、所述随机森林模型相应的预测误差概率密度函数为：
27、
28、δpiwind,rf＝piwind,0-frf(xi)；
29、其中，k(·)为核密度估计函数，h为带宽，ns为样本个数，δpwind为风电功率预测误差随机变量，xi和piwind,0分别为第i个历史数据样本点的气象因素输入向量和历史实际风电功率，δpiwind,nn、δpiwind,svm和δpiwind,rf分别为神经网络模型、支持向量机模型和随机森林模型的第i个历史数据样本点风电功率预测误差，和分别为神经网络模型、支持向量机模型和随机森林模型的预测误差概率密度函数。
30、进一步地，所述结合相应所述预测误差概率密度函数分别生成风电功率实时预测场景集，包括：
31、基于所述预测误差概率密度函数，通过拉丁超立方抽样和cholesky分解来生成相应的风电功率预测误差场景集为：
32、
33、其中，ωnn,err、ωsvm,err和ωrf,err分别为神经网络模型、支持向量机模型和随机森林模型的风电功率预测误差场景集，(δpwind,nn)i、(δpwind,svm)i和(δpwind,rf)i分别为神经网络模型、支持向量机模型和随机森林模型生成的第i个风电功率预测误差场景，i＝1,2,3,...,nsg，nsg为场景个数。
34、基于所述风电功率实时预测值和风电功率预测误差场景集，获得风电功率实时预测场景集：
35、
36、其中，ωnn、ωsvm和ωrf分别为神经网络模型、支持向量机模型和随机森林模型的风电功率实时预测场景集，pwind,nn,pre、和pwind,rf,pre分别为神经网络模型、支持向量机模型和随机森林模型的风电功率实时预测值，(pwind,nn)i、(pwind,svm)i和(pwind,rf)i分别为神经网络模型、支持向量机模型和随机森林模型的生成的第i个风电功率预测场景，i＝1,2,3,...,nsg，nsg为场景个数。
37、进一步地，所述风电功率功率预测模型包括：神经网络模型、支持向量机模型和随机森林模型；
38、所述随机机组组合模型为：
39、
40、其中，f(pwind,output,x)为随机机组组合模型的目标函数，z(pwind,output,x)为目标函数值，g(pwind,output,x)≤0为随机机组模型的约束条件，包含有风电出力场景约束、功率平衡约束和潮流约束，代表神经网络模型、支持向量机模型和随机森林模型的预测场景集，pw本文档来自技高网...
【技术保护点】
1.一种基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，
3.根据权利要求1所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，所述基于多个风电功率功率预测模型，获取每一所述风电功率功率预测模型的预测误差概率密度函数，包括：
4.根据权利要求3所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，所述风电功率功率预测模型包括：神经网络模型、支持向量机模型和随机森林模型；
5.根据权利要求4所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，
6.根据权利要求1-5任一所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，所述结合相应所述若干个风电功率预测误差场景集分别生成风电功率实时预测场景集，包括：
7.根据权利要求1-5任一所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，所述风电功率功率预测模型包括：神经网络模型、支持向量机模
8.根据权利要求7所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，
9.一种基于风电功率预测模型动态选择的电网优化调度系统，其特征在于，包括：
10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8任一所述的基于风电功率预测模型动态选择的电网优化调度方法。
...【技术特征摘要】
1.一种基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，
3.根据权利要求1所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，所述基于多个风电功率功率预测模型，获取每一所述风电功率功率预测模型的预测误差概率密度函数，包括：
4.根据权利要求3所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，所述风电功率功率预测模型包括：神经网络模型、支持向量机模型和随机森林模型；
5.根据权利要求4所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于，
6.根据权利要求1-5任一所述的基于风电功率预测模型动态选择的电网优化调度方法，其特征在于...
【专利技术属性】
技术研发人员：刘淑军，王博，杨振峰，姜添元，庄炜焕，章超，王世静，古含，赵伟然，卜晓坤，王存，
申请(专利权)人：中国三峡新能源集团股份有限公司，
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。