一种考虑风光预测误差的场景生成方法

技术领域

本发明涉及场景生成方法技术领域，具体涉及一种考虑风光预测误差的场景生成方法。

背景技术

随着可再生能源发电设备制造工艺的不断革新以及可再生能源并网技术的持续快速发展。风力发电、光伏发电已经成为当前可再生能源利用的两种主要形式。然而，由于风速、光照强度等自然因素同有的随机性和波动性，风电场、光伏电站的出力呈现较强的间歇性和不可控性。随着间歇性电源穿透功率的增加，可再生能源并网给电力系统带来的影响日益突出，严重影响电力系统的安全、稳定、可靠运行。因此，对可再生能源的随机性进行准确的描述十分必要。在风速、光照强度等自然因素波动情况下，需要对波动误差模型进行探究。

发明内容

本发明的目的是为了克服现有技术存在的由于的风速、光照强度等自然因素波动影响电力系统的问题，提供一种考虑风光预测误差的场景生成方法，该考虑风光预测误差的场景生成方法具有针对风速、光照强度等自然因素波动误差进行场景生成的效果。

为实现上述目的，本发明提供如下技术方案：一种考虑风光预测误差的场景生成方法，包括以下步骤：

步骤一：对风电、光伏能源的历史数据进行核密度估计拟合，获得风电、光伏能源各自的概率密度函数；

步骤二：针对综合能源系统风光出力及冷热电负荷需求的不确定性，采用多场景法的处理手段分析，并采用概率距离的快速前代方法进行场景消减；

步骤三：采用遗传算法对由目标函数和约束条件构成的模型进行求解分析，对系统场景之间所调整的运行成本以及LNG冷能发电对综合能源系统运行成本的影响进行对比，提出不同电价场景下的综合能源系统优化运行策略；

步骤四：将配电网的负荷预测信息和步骤3获得的经典风光联合出力场景输入到所述混合能源系统的多目标优化调度模型中，利用改进的粒子群算法求解多目标优化调度模型，由此获得最优调度方案即日前机组组合出力曲线。

优选的，所述步骤一中，风电场t时刻风速预测误差为et，将t时刻的风速预测误差视为一个服从正态分布的随机变量Xt，24个时刻的预测误差构成24维随机向量X＝[X1,X2,...X24]，选取Pearson相关系数作为预测误差时序相关性的测度。

优选的，所述步骤二中，采用常规含风电-光热电力系统机组组合模型，该模型以系统燃料成本、弃风光惩罚成本、切负荷惩罚成本构成的系统综合运行成本最小为目标。

优选的，所述步骤三中，通过调节可控设备出力，保持光伏、风机的最大功率运行，降低其整体运行成本；在日前规划的基础上运行，实时校正阶段加入监管成本，不再考虑储能老化成本，并更新实时运行约束条件,对可控设备出力进行调节，消除预测误差造成的波动性。

优选的，所述步骤四中，统功率平衡约束，系统旋转备用约束，机组爬坡约束，机组最小开停机时间约束，光热电站静态能流约束，网络潮流约束。

与现有技术相比，本发明提供了一种考虑风光预测误差的场景生成方法，具备以下有益效果：

本发明针对风光出力和负荷预测误差的不确定性，运用蒙特卡洛抽样方法生成多个场景，每一种场景对应一种综合能源系统风光出力和负荷的可行方案，通过综合能源系统运行成本的优化调度，系统得到多种运行方式。在单一场景下，综合能源系统以LNG购买成本、购电成本和碳排放成本之和所得运行成本最小为目标，以燃气轮机的发电功率、从大电网购买的电功率和回馈给大电网的电功率为决策变量，考虑了电功率平衡约束、冷热电能供需平衡约束、储能装置存储约束和系统机组运行约束等约束条件。当综合能源系统从多个不同场景之间进行转换时，运行方式做出相应调整，此时以系统多个场景之间所调整的运行成本最小为目标，提出风光与负荷多场景下综合能源系统的柔性优化调度模型，在多场景情况下，釆用遗传算法对模型进行求解。最后对系统多个场景之间所调整的运行成本以及LNG冷能发电对系统运行成本的影响进行了对比分析，提出不同电价场景下的综合能源系统优化运行策略。

具体实施方式

以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明提供一种考虑风光预测误差的场景生成方法技术方案：一种考虑风光预测误差的场景生成方法，包括以下步骤：

步骤一：对风电、光伏能源的历史数据进行核密度估计拟合，获得风电、光伏能源各自的概率密度函数；

步骤二：针对综合能源系统风光出力及冷热电负荷需求的不确定性，采用多场景法的处理手段分析，并采用概率距离的快速前代方法进行场景消减；

步骤三：采用遗传算法对由目标函数和约束条件构成的模型进行求解分析，对系统场景之间所调整的运行成本以及LNG冷能发电对综合能源系统运行成本的影响进行对比，提出不同电价场景下的综合能源系统优化运行策略；

步骤四：将配电网的负荷预测信息和步骤3获得的经典风光联合出力场景输入到混合能源系统的多目标优化调度模型中，利用改进的粒子群算法求解多目标优化调度模型，由此获得最优调度方案即日前机组组合出力曲线。

本发明中，优选的，步骤一中，风电场t时刻风速预测误差为et，将t时刻的风速预测误差视为一个服从正态分布的随机变量Xt，24个时刻的预测误差构成24维随机向量X＝[X1,X2,...X24]，选取Pearson相关系数作为预测误差时序相关性的测度。

本发明中，优选的，步骤二中，采用常规含风电-光热电力系统机组组合模型，该模型以系统燃料成本、弃风光惩罚成本、切负荷惩罚成本构成的系统综合运行成本最小为目标。

本发明中，优选的，步骤三中，通过调节可控设备出力，保持光伏、风机的最大功率运行，降低其整体运行成本；在日前规划的基础上运行，实时校正阶段加入监管成本，不再考虑储能老化成本，并更新实时运行约束条件,对可控设备出力进行调节，消除预测误差造成的波动性。

本发明中，优选的，步骤四中，统功率平衡约束，系统旋转备用约束，机组爬坡约束，机组最小开停机时间约束，光热电站静态能流约束，网络潮流约束。

本发明的工作原理及使用流程：使用时，输入风电、光伏能源的历史数据，并利用核密度估计法获得风电、光伏能源各自的概率密度函数，其中核密度估计的参数，根据风电、光伏能源各自的概率密度函数，获取最优风光联合密度分布函数，由最优的风光联合密度分布函数随机生成一万个风光联合出力场景，虑频率安全约束和弃风弃光惩罚，建立混合能源系统的多目标优化调度模型，将配电网的负荷预测信息和经典风光联合出力场景输入到所述混合能源系统的多目标优化调度模型中，用改进的粒子群算法对模型进行求解，其中粒子群算法的参数最终获得的最优调度方案即日前机组组合出力曲线，建立虚拟电厂运行模型，对光伏、风机日出力以及电热冷负荷进行日前预测，得到日出力预测值；再根据历史数据对虚拟电厂中风、光出力及电、热、冷负荷的不确定性进行分析，通过拉丁超立方抽样生成连续时间场景，模拟风、光出力及多能负荷随时间的波动情况；采用同步回代消除法对所生成的场景进行削减，得到消减后的光伏出力、风机出力以及电热冷负荷的场景，并得到不同场景对应的概率；最后将削减后的光伏出力、风机出力以及电热冷负荷进行组合场景。