一种考虑源荷时空相关特性的备用需求量化及优化调度方法与系统与流程

本发明属于电力系统优化调度领域，具体地涉及一种考虑源荷时空相关特性的备用需求量化及优化调度方法与系统。

背景技术：

1、现有风电、光伏等新能源装机规模持续高速增长，已逐步从补充能源向主体能源转型，高比例新能源并网成为新型电力系统的典型特征。大规模波动性、间歇性新能源接入使得电网有功功率波动幅度与频次显著提升，系统净负荷爬坡需求激增、调节压力持续加大，对灵活爬坡备用的精准量化、优化配置与可靠调用提出了更高要求。

2、当前传统电力系统优化调度模型存在三大核心缺陷：

3、其一，源荷不确定性建模精度不足。未充分融合风-光-负荷的时序相关性与多源同期静态耦合特性，对源荷预测误差的联合概率分布刻画不精准，难以生成贴合实际运行规律的出力场景，直接导致系统爬坡需求量化结果与实际工况存在较大偏差。

4、其二，爬坡备用建模存在物理适配性缺陷。现有模型多采用静态瞬时功率预留思路，仅约束单时刻备用容量，未考虑火电机组不同启停状态下的爬坡速率差异、储能荷电状态（soc）对持续调节能力的能量约束。同时，未针对爬坡备用的多时段持续调用特性构建全周期物理约束，易出现“备用容量充足但实际不可用”的问题，调度方案与机组、储能的实际物理运行特性脱节，无法保障系统安全稳定运行。

5、其三，缺乏对电网潮流输送能力的跨时段安全校验。传统调度往往默认预留备用可无损全额输送至负荷侧，忽略了长时序备用调用过程中潮流大范围转移带来的输电断面动态拥塞问题，极易产生机组物理具备爬坡容量、但受限于网络拓扑无法送出的无效伪备用现象。

6、因此，如何精准刻画源荷时空相关的不确定性特征、科学量化多时间尺度爬坡需求，并构建适配调节资源物理特性的灵活爬坡优化调度模型，成为电力系统安全经济调度亟待解决的关键技术问题。

技术实现思路

1、针对传统调度模型未兼顾源荷时空关联、极端爬坡长尾样本稀疏以及忽视备用持续调用与网络潮流送出受限的问题，本发明提供了一种考虑源荷时空相关特性的备用需求量化及优化调度方法与系统。本发明首先构建融合时序与同期静态相关性的高维不确定性分析框架，通过马尔可夫链、预测功率空间自适应划分与d-vine copula联合建模，经抽样生成出力场景集；其次，基于场景集量化多时间间隔净负荷爬坡需求，并引入尾部样本充裕度检测与高风险区间反向定向扩充闭环机制；最后，构建计及机组与储能物理约束以及跨时段断面潮流传输极限安全约束的调度模型，通过生成时序多面体备用可输送安全域包络，建立主能量与爬坡备用联合优化模型。本发明实现了备用需求的精准量化与全周期物理可送出保障，有效提升了高比例新能源电网运行的安全性与经济性。

2、本发明采用如下的技术方案。

3、第一方面，本发明提供了一种考虑源荷时空相关特性的备用需求量化及优化调度方法，包括：

4、获取风光荷历史实际出力数据、历史预测出力数据和计划日预测数据；根据风光出力物理特性确定物理突变临界功率集合，并基于所述物理突变临界功率集合生成物理突变权重；结合所述风光荷历史实际出力数据和所述历史预测出力数据，对连续的预测功率空间进行自适应划分，并利用所述物理突变权重修正预测功率空间自适应划分过程，以构建融合所述计划日预测数据的条件概率密度模型，并基于所述风光荷历史实际出力数据建立联合概率分布模型，将所述条件概率密度模型与所述联合概率分布模型相结合，生成多时段联合出力场景集；

5、基于所述多时段联合出力场景集计算不同时间尺度下的净负荷爬坡分布，并执行尾部样本充裕度检测；若单侧极端爬坡区间内的样本量低于预设的充裕度阈值，则将引发极端爬坡的场景反向映射为高风险净出力功率区间，并将所述高风险净出力功率区间反馈至所述预测功率空间自适应划分过程进行定向扩充，直至满足样本充裕度要求，输出上下爬坡备用需求；

6、结合所述上下爬坡备用需求，构建计及机组与储能物理约束以及跨时段断面潮流传输极限安全约束的灵活爬坡优化调度模型，求解所述灵活爬坡优化调度模型获得最终调度方案。

7、优选的，构建融合所述计划日预测数据的条件概率密度模型，并基于所述风光荷历史实际出力数据建立联合概率分布模型，将所述条件概率密度模型与联合概率分布模型相结合，生成多时段联合出力场景集，具体包括：

8、引入马尔可夫链假设，通过提取所述风光荷历史实际出力数据中相邻时刻出力的时序关联关系，将多时段出力的时序联合分布建模降维为相邻时刻的二维依赖关系；

9、将所述计划日预测数据作为先验条件，结合所述二维依赖关系，基于经过所述物理突变权重修正的预测功率空间自适应划分过程进行核密度估计，得到当前时刻出力的条件概率密度，构成所述条件概率密度模型；

10、采用d-vine copula结构构建风光荷多源同期静态相关性模型，在计算过程中，将所述风光荷历史实际出力数据中的各源荷实际出力通过拟合得到的各自边缘累积分布函数转换得到均匀分布变量，将所述均匀分布变量经t分布逆累积分布函数进行映射转换，并将映射结果代入所述d-vine copula结构对应的t-copula密度函数中联合计算，获得所述联合概率分布模型；

11、综合所述条件概率密度模型与所述联合概率分布模型生成所述多时段联合出力场景集。

12、优选的，根据风光出力物理特性确定物理突变临界功率集合，并基于所述物理突变临界功率集合生成物理突变权重，以及利用所述物理突变权重修正预测功率空间自适应划分过程，具体包括：

13、确定风机切入发电功率、风机额定满发功率、风机切出停机功率以及光伏额定输出功率，构成所述物理突变临界功率集合；

14、设定匹配容差阈值，在对连续的预测功率空间进行递归划分时，若候选分割点与所述物理突变临界功率集合中任一元素的差值绝对值小于或等于所述匹配容差阈值，则所述物理突变权重取预设的放大系数，否则所述物理突变权重取值为1；所述放大系数大于1；

15、计算预测功率空间划分前后的积分均方误差下降量，将所述积分均方误差下降量乘以所述物理突变权重，得到加权误差下降量；

16、选取使所述加权误差下降量最大的候选分割点作为最优分割点，并根据所述最优分割点将所述连续的预测功率空间切分为两个子区间。

17、优选的，执行尾部样本充裕度检测，具体包括：

18、计算所述多时段联合出力场景集在多个时间间隔下的净负荷爬坡，并统计预设置信度下的上爬坡分位点和下爬坡分位点；

19、根据所述预设置信度和所述多时段联合出力场景集的场景总数确定理论单侧尾部样本期望数量，并将所述理论单侧尾部样本期望数量乘以预设的充裕度校验系数，得到所述充裕度阈值；

20、分别统计大于或等于所述上爬坡分位点的极端上爬坡样本数量，以及小于或等于所述下爬坡分位点的极端下爬坡样本数量。

21、优选的，若单侧极端爬坡区间内的样本量低于预设的充裕度阈值，则将引发极端爬坡的场景反向映射为高风险净出力功率区间，并将所述高风险净出力功率区间反馈至所述预测功率空间自适应划分过程进行定向扩充，具体包括：

22、若所述极端上爬坡样本数量小于所述充裕度阈值，则将已生成场景中引发极端上爬坡现象的对应时刻净负荷最小值，与当前时刻净负荷历史极大值构成上爬坡高风险净出力功率区间；

23、若所述极端下爬坡样本数量小于所述充裕度阈值，则将已生成场景中引发极端下爬坡现象的对应时刻净负荷最大值，与当前时刻净负荷历史极小值构成下爬坡高风险净出力功率区间；

24、计算所述充裕度阈值与实际极端爬坡样本数量的比值作为局部过采样系数，并将对应的高风险净出力功率区间反馈至所述预测功率空间自适应划分过程，利用所述局部过采样系数提高区间内的抽样权重。

25、优选的，构建计及机组与储能物理约束以及跨时段断面潮流传输极限安全约束的灵活爬坡优化调度模型，具体包括：

26、以火电机组的空载成本、启动成本、停机成本、运行燃料成本，以及火电机组与储能模块提供灵活爬坡备用的备用成本之和最小为目标函数；

27、所述机组与储能物理约束包括：火电机组出力及爬坡约束、储能充放电功率约束、储能荷电状态约束、储能电量平衡约束以及由荷电状态决定的储能爬坡约束；在约束全系统灵活爬坡备用需求平衡时，计及火电机组预留的爬坡备用容量与所述储能模块提供的爬坡备用容量；

28、建立机组基础发电出力、储能充放电功率以及源荷节点与输电断面潮流的静态拓扑映射关系，计算得到基准潮流；

29、所述跨时段断面潮流传输极限安全约束包括：约束所述基准潮流叠加所述火电机组与所述储能模块全额启用所述爬坡备用容量后映射至输电断面的潮流增减量，在任意备用持续调用时长内均不突破所述输电断面的正向传输极限和反向传输极限，以生成时序多面体备用可输送安全域包络。

30、优选的，所述火电机组出力及爬坡约束，具体包括跨时段出力边界约束和计及启停状态差异的持续爬坡速率约束；

31、所述跨时段出力边界约束用于：同步校验火电机组在当前时刻与备用调用结束时刻的出力上下限，约束所述火电机组在所述当前时刻与所述备用调用结束时刻的基础发电出力，在叠加预留的向上爬坡备用容量或扣减预留的向下爬坡备用容量后，均不越过所述火电机组的最大出力和最小出力界限；

32、所述计及启停状态差异的持续爬坡速率约束用于：结合所述火电机组在运行状态、启动状态和停机状态下的单位时间爬坡能力，分别计算在备用持续调用时长内的向上最大爬坡允许量和向下最大爬坡允许量，以限制所述向上爬坡备用容量和所述向下爬坡备用容量。

33、第二方面，本发明提供了一种考虑源荷时空相关特性的备用需求量化及优化调度系统，包括：

34、概率场景生成模块，用于获取风光荷历史实际出力数据、历史预测出力数据和计划日预测数据；根据风光出力物理特性确定物理突变临界功率集合，并基于所述物理突变临界功率集合生成物理突变权重；结合所述风光荷历史实际出力数据和所述历史预测出力数据，对连续的预测功率空间进行自适应划分，并利用所述物理突变权重修正预测功率空间自适应划分过程，以构建融合所述计划日预测数据的条件概率密度模型，并基于所述风光荷历史实际出力数据建立联合概率分布模型，将所述条件概率密度模型与所述联合概率分布模型相结合，生成多时段联合出力场景集；

35、备用需求量化模块，用于基于所述多时段联合出力场景集计算不同时间尺度下的净负荷爬坡分布，并执行尾部样本充裕度检测；若单侧极端爬坡区间内的样本量低于预设的充裕度阈值，则将引发极端爬坡的场景反向映射为高风险净出力功率区间，并将所述高风险净出力功率区间反馈至所述预测功率空间自适应划分过程进行定向扩充，直至满足样本充裕度要求，输出上下爬坡备用需求；

36、优化调度求解模块，用于结合所述上下爬坡备用需求，构建计及机组与储能物理约束以及跨时段断面潮流传输极限安全约束的灵活爬坡优化调度模型，求解所述灵活爬坡优化调度模型获得最终调度方案。

37、优选的，概率场景生成模块，具体用于构建融合所述计划日预测数据的条件概率密度模型，并基于所述风光荷历史实际出力数据建立联合概率分布模型，将所述条件概率密度模型与联合概率分布模型相结合，生成多时段联合出力场景集，具体包括：

38、引入马尔可夫链假设，通过提取所述风光荷历史实际出力数据中相邻时刻出力的时序关联关系，将多时段出力的时序联合分布建模降维为相邻时刻的二维依赖关系；

39、将所述计划日预测数据作为先验条件，结合所述二维依赖关系，基于经过所述物理突变权重修正的预测功率空间自适应划分过程进行核密度估计，得到当前时刻出力的条件概率密度，构成所述条件概率密度模型；

40、采用d-vine copula结构构建风光荷多源同期静态相关性模型，在计算过程中，将所述风光荷历史实际出力数据中的各源荷实际出力通过拟合得到的各自边缘累积分布函数转换得到均匀分布变量，将所述均匀分布变量经t分布逆累积分布函数进行映射转换，并将映射结果代入所述d-vine copula结构对应的t-copula密度函数中联合计算，获得所述联合概率分布模型；

41、综合所述条件概率密度模型与所述联合概率分布模型生成所述多时段联合出力场景集。

42、优选的，概率场景生成模块，具体用于根据风光出力物理特性确定物理突变临界功率集合，并基于所述物理突变临界功率集合生成物理突变权重，以及利用所述物理突变权重修正预测功率空间自适应划分过程，具体包括：

43、确定风机切入发电功率、风机额定满发功率、风机切出停机功率以及光伏额定输出功率，构成所述物理突变临界功率集合；

44、设定匹配容差阈值，在对连续的预测功率空间进行递归划分时，若候选分割点与所述物理突变临界功率集合中任一元素的差值绝对值小于或等于所述匹配容差阈值，则所述物理突变权重取预设的放大系数，否则所述物理突变权重取值为1；所述放大系数大于1；

45、计算预测功率空间划分前后的积分均方误差下降量，将所述积分均方误差下降量乘以所述物理突变权重，得到加权误差下降量；

46、选取使所述加权误差下降量最大的候选分割点作为最优分割点，并根据所述最优分割点将所述连续的预测功率空间切分为两个子区间。

47、优选的，备用需求量化模块，具体用于执行尾部样本充裕度检测，具体包括：

48、计算所述多时段联合出力场景集在多个时间间隔下的净负荷爬坡，并统计预设置信度下的上爬坡分位点和下爬坡分位点；

49、根据所述预设置信度和所述多时段联合出力场景集的场景总数确定理论单侧尾部样本期望数量，并将所述理论单侧尾部样本期望数量乘以预设的充裕度校验系数，得到所述充裕度阈值；

50、分别统计大于或等于所述上爬坡分位点的极端上爬坡样本数量，以及小于或等于所述下爬坡分位点的极端下爬坡样本数量。

51、优选的，备用需求量化模块，具体用于若单侧极端爬坡区间内的样本量低于预设的充裕度阈值，则将引发极端爬坡的场景反向映射为高风险净出力功率区间，并将所述高风险净出力功率区间反馈至所述预测功率空间自适应划分过程进行定向扩充，具体包括：

52、若所述极端上爬坡样本数量小于所述充裕度阈值，则将已生成场景中引发极端上爬坡现象的对应时刻净负荷最小值，与当前时刻净负荷历史极大值构成上爬坡高风险净出力功率区间；

53、若所述极端下爬坡样本数量小于所述充裕度阈值，则将已生成场景中引发极端下爬坡现象的对应时刻净负荷最大值，与当前时刻净负荷历史极小值构成下爬坡高风险净出力功率区间；

54、计算所述充裕度阈值与实际极端爬坡样本数量的比值作为局部过采样系数，并将对应的高风险净出力功率区间反馈至所述预测功率空间自适应划分过程，利用所述局部过采样系数提高区间内的抽样权重。

55、优选的，优化调度求解模块，具体用于构建计及机组与储能物理约束以及跨时段断面潮流传输极限安全约束的灵活爬坡优化调度模型，具体包括：

56、以火电机组的空载成本、启动成本、停机成本、运行燃料成本，以及火电机组与储能模块提供灵活爬坡备用的备用成本之和最小为目标函数；

57、所述机组与储能物理约束包括：火电机组出力及爬坡约束、储能充放电功率约束、储能荷电状态约束、储能电量平衡约束以及由荷电状态决定的储能爬坡约束；在约束全系统灵活爬坡备用需求平衡时，计及火电机组预留的爬坡备用容量与所述储能模块提供的爬坡备用容量；

58、建立机组基础发电出力、储能充放电功率以及源荷节点与输电断面潮流的静态拓扑映射关系，计算得到基准潮流；

59、所述跨时段断面潮流传输极限安全约束包括：约束所述基准潮流叠加所述火电机组与所述储能模块全额启用所述爬坡备用容量后映射至输电断面的潮流增减量，在任意备用持续调用时长内均不突破所述输电断面的正向传输极限和反向传输极限，以生成时序多面体备用可输送安全域包络。

60、优选的，所述火电机组出力及爬坡约束，具体包括跨时段出力边界约束和计及启停状态差异的持续爬坡速率约束；

61、所述跨时段出力边界约束用于：同步校验火电机组在当前时刻与备用调用结束时刻的出力上下限，约束所述火电机组在所述当前时刻与所述备用调用结束时刻的基础发电出力，在叠加预留的向上爬坡备用容量或扣减预留的向下爬坡备用容量后，均不越过所述火电机组的最大出力和最小出力界限；

62、所述计及启停状态差异的持续爬坡速率约束用于：结合所述火电机组在运行状态、启动状态和停机状态下的单位时间爬坡能力，分别计算在备用持续调用时长内的向上最大爬坡允许量和向下最大爬坡允许量，以限制所述向上爬坡备用容量和所述向下爬坡备用容量。

63、第三方面，本发明提供了一种终端，包括处理器及存储介质；

64、所述存储介质用于存储指令；

65、所述处理器用于根据所述指令进行操作以执行所述方法的步骤。

66、第四方面，本发明提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述方法的步骤。

67、本发明的有益效果在于，与现有技术相比：

68、（1）本发明提出物理突变权重修正预测功率空间自适应划分方法，在基于积分均方误差（imse）最优准则的递归二分分割目标函数中引入物理突变加权系数，将风机切入功率、额定满发功率、切出停机功率及光伏逆变器饱和功率等物理机理突变分割点赋予大于1的权重，以放大误差降幅，形成统计误差与发电物理机理双驱动的自适应分箱机制；实现了样本密集区自动细化、样本稀疏区自动粗化、物理突变区自适应加密的差异化预测功率空间划分，克服了传统纯数据驱动分箱忽略发电机理、突变区间概率密度拟合精度不足的缺陷，为预测信息条件下概率密度的精准建模及后续场景生成质量提供了基础保障。

69、（2）本发明构建尾部样本充裕度校验与反向重抽样闭环机制，依据目标置信度设定单侧尾部样本充裕度阈值，对极端爬坡区间内样本数量进行定量判定，当样本不足时，将诱发极端爬坡的高风险净出力功率区间反向映射并回传至预测功率空间自适应划分模块，按局部过采样系数定向扩充极端场景、迭代增广场景集直至校验通过；该闭环机制弥补传统抽样尾部样本缺失缺陷，保证高新能源电网极端爬坡场景下备用容量量化的物理可信性，避免备用不足给调度运行带来的风险。

70、（3）本发明建立计及储能与跨时段断面潮流安全域的主能量与灵活爬坡备用联合优化调度模型，构建跨时段出力边界约束、计及启停状态差异的持续爬坡速率约束与面向持续调用时长的储能能量容量校核约束，并基于直流潮流节点功率转移因子矩阵，增设将机组全时段爬坡出力增量与各输电断面传输极限跨时段动态绑定的备用可输送性耦合约束，形成随备用持续时长动态扩张的时序多面体安全域包络；实现了从“机组功率—持续时长—储能能量—电网潮流”四维全链条的爬坡备用可行性校验，剔除了“机组物理具备爬坡容量、但网络无法送出”的伪备用，解决了传统单时刻校核无法覆盖备用持续调用全过程，以及备用调用过程中潮流大范围转移带来的输电断面动态拥塞问题，实现了多时间尺度爬坡备用的精准量化与全周期、全维度安全优化配置。

71、（4）本发明提出融合马尔可夫链降维、预测信息条件概率建模与d-vine copula的风-光-负荷高维不确定性联合建模方法，将多时段出力的时序联合分布降维为相邻时刻的二维依赖关系，并将当前时刻预测出力作为条件融入场景抽样，同时刻画源荷时序相关性与风、光、负荷多源同期静态相关性；解决了传统马尔可夫链场景生成未利用预测先验、场景准确性不足以及高维时序联合分布建模复杂度过高的问题，所生成场景兼具时序平滑特性与多源耦合特性，为爬坡需求评估提供了高质量场景输入。

72、（5）本发明基于所生成的多场景净负荷曲线，按15min、60min、120min等多个时间间隔统计各时刻净负荷爬坡分布在设定置信度下的上、下分位点；实现了不同时刻、多时间尺度上、下爬坡需求的概率化量化，改变了传统确定性爬坡需求估计无法反映不确定性水平的不足，为不同置信水平下爬坡备用容量的差异化、精细化配置提供了直接量化依据。