一种时序生产模拟新能源电力系统消纳方法与流程

1.本发明涉及属于电力系统技术领域，尤其涉及一种时序生产模拟新能源电力系统消纳方法。


背景技术：

2.2021年3月1日，国家电网公司发布《国家电网公司“碳达峰、碳中和”行动方案》，旨在构建现代电力系统体系，持续推进碳减排工作。由于风、光等自然资源本身具有强烈的波动性、随机性和间歇性，这导致风电、光伏高渗透率下的新能源电力系统更难实现发电功率和负荷的实时完全平衡，其功率分配、调度存在极大困难，给安全生产带来诸多问题。为实现新能源的消纳，风光发电预测方法得到大量研究，诸如多元线性回归算法，神经网络算法，支持向量机等，大多基于统计学分析方法，预测精度主要依赖大量历史发电和气象数据。而针对新能源电力系统的多源特征，应用多能互补，在降低单一场站出力波动的同时，规划调度各种能源之间的联合出力、场站的时序关系，有利于克服发电资源富集时段造成的弃风、弃光、弃水。
3.在这种背景下，提出了一种时序生产模拟新能源电力系统消纳方法，首先，利用袋装回归树对风光发电功率时间序列进行预测，并基于时序负荷曲线，着重考虑清洁能源出力的时序特点，以机组强迫停运率作为参与机制，重构常规机组出力过程，建立了计及联络线输送约束的风、光、抽蓄和常规火电，水电机组联合运行发电的清洁能源消纳时序生产模型，对系统进行生产时序生产模拟，为风、光和常规发电机组联合运行，实现清洁能源消纳提供一定的技术支撑。


技术实现要素：

4.本发明的目的在于针对上述现有技术的不足，提供了一种时序生产模拟新能源电力系统消纳方法，利用袋装算法将样本集划分，并行训练回归树，得到风光出力预测的回归树模型。
5.为实现上述目的，本发明采用了如下技术方案：
6.本发明提供了一种时序生产模拟新能源电力系统消纳方法，包括以下步骤：
7.s1、t＝1时刻开始模拟，所述t时刻的负荷、风速、温度、辐照度耦合参数，训练袋装回归树模型，得到所述t时刻的风电、光伏出力，并计算得到净负荷lt；
8.s2、以当前时刻的风电、光伏的可用容量，卷积等效为可用容量为 gn,t的多状态机组，并优先并网发电；
9.s3、根据火电机组和常规水电机组的强迫停运率，分别从小到大制定发电次序，其中，所述火电机组处于备用状态，先投运；后加载所述水电机组；
10.s4、加载matlab平台求解的当前时刻机组预出力情况，并投运相关机组；计算当前时刻投运常规机组；计算当前时刻投运常规机组的可用容量gt分布；若gt《lt，进行s5，否则进行s6；
11.s5、当前运行机组发电量不满足净负荷需求，投运机组爬坡，若直至满发仍不满足当前系统的净负荷需求，则继续加载未投运机组；
12.s6、当前运行机组发电量满足负荷需求且富有余量，减小投运机组出力，且火电机组优先；若仍有剩余发电功率，关闭机组或转为备用，直到所有所述火电机组转为备用或关机；
13.s7、所述s6后仍有剩余发电功率，则抽水储能机组蓄能，并联合联诺线外送功率；
14.s8、所述s7后仍有剩余发电功率，计算弃电量；令t＝t 1，转所述s2；
15.s9、所述s5后仍存在净负荷需求，则加载抽水储能机组参与发电，必要时联合联诺线，吸收区外电网功率；若存在功率缺额，则记录失负荷量，令t＝t 1，转所述s2；
16.s10、共t时段的生产模拟结束，记录所述模拟运行时段的机组时序出力情况，风电、光伏的总消纳功率。
17.进一步，所述s1的具体过程为：
18.针对影响风光出力的自然因素，利用pearson线性线性相关算法和spearman非线性相关算法计算相关系数，提取相关性强的耦合参数，得到训练模型的样本集；
19.其中，pearson线性相关计算公式如下：
[0020][0021]
式中，yi为影响出力的某一影响因素值；bi为相对应的风光出力实际值；为对应的均值；n为样本量；若|r
p
|越接近1，则表明耦合参数的线性相关性越高；
[0022]
spearman非线性相关系数计算公式如下：
[0023][0024]
根据式(1)、式(2)，引入权重系数p和q，计算出总关联系数r
ab
，其中，p q＝1；公式如下：
[0025]rab
＝p|rs| q|r
p
|(4)
[0026]
所述袋装回归树模型构建，将样本集划分成n组子样本集，并行训练回归树，得到与子样本集相对应的回归树模型，为了防止原始回归树容易出现过拟合现象，利用k折交叉验证法，将n个子样本集随机划分为k组，其中，k-1组作为训练集，一组作为验证集，测试回归树的分支规则是否再现；若没有，则对将该分支进行修剪；最后将各个样本回归树模型集成，得到最终的袋状回归树耦合关系模型，对风光出力进行时序预测。
[0027]
进一步，所述s4的具体过程为：
[0028]
构建以最大消纳新能源为目标的含风、光、水的电力系统时序消纳模型，目标函数如下：
[0029][0030]
其中，划分时序生产模拟共t个时段；pw(t)为风电在t时段的出力；ps(t)为太阳能在t时段的出力；ph(t)为水电机组在t时段的出力；ns、nw分别为光伏电站和为风电场的数量；δt为时段时长；nh为水电机组数量；kw，ks和kh分别是风电、光伏以及水电的消纳权重因子。
[0031]
进一步，当电力平衡约束：
[0032]
pf(t) ph(t) ps(t) pw(t) p
ph
(t)＝p
l
(t) p
line
(t) e
ph
(t)(5)
[0033]
其中，pf(t)为火电在t时段的出力；pline(t)为传输线路的输电功率；p
ph
(t)为抽水蓄能机组t时段的出力值和蓄能值；p
l
(t)为电力系统在t时段的负荷水平；
[0034]
当常规火电机组约束
[0035]
xf(t)p
f,min
≤pf(t)≤xf(t)p
f,max
[0036][0037]
其中，p
f,min
和p
f,max
为火电机组最小和最大技术出力；xf(t)表示火电机组的运行状态；
[0038]
由于风光发电的随机性，若某一时段出力具有较大的波动，由所述火电机组在内的机组参与平滑系统的出力，所述火电机组主要受爬坡率的约束，如式(7)和式(8)所示：
[0039]
pf(t 1)-pf(t)≤δp
f,up
δt(7)
[0040]
pf(t)-pf(t 1)≤δp
f,down
δt(8)
[0041]
式中：δp
f,up
，δp
f,down
分别为火电机组的向上爬坡率，向下爬坡率；该约束反应了火电机组快速跟踪风光出力变化的能力；
[0042]
水电机组约束
[0043]
p
h,min
(t)≤ph(t)≤p
h,max
(t)
[0044][0045]
其中，p
h,min
，p
h,max
(t)分别为水电机组技术出力最小，最大值；e
h,tmin
，e
h,tmax
分别为水电机组t时段内的最小和最大电量；
[0046]
抽水蓄能机组约束
[0047]eph,min
≤e
ph
(t-1)-p
ph
(t)δt≤e
ph,max
(5)
[0048]
其中，eph,min和eph,max分别为抽水蓄能电站的最小和最大蓄能值；
[0049]
络线外送功率约束
[0050]
当本地区新能源消纳受限，仍有富余电量，可将富余电力通过跨区联络线，实现功
率外送消纳，联络线外送输电线路的功率约束如式(11)所示：
[0051]
p
line
(t)≤|p
line,max
|(6)
[0052]
其中，pline,max为线路允许输送功率最大值；功率流入该区域为正方向，流出该区域为负方向；
[0053]
基于matlab仿真平台，通过yalmip-gurobi求解器求解上述混合整数模型，得到各机组的时序出力情况。
[0054]
本发明的有益效果为：解决高渗透率的新能源单地区消纳率低的问题，通过对影响风光出力耦合参数分析，建立袋装回归树预测模型，对风电、光伏出力预测；综合考虑水电，火电，抽蓄的特性、网架约束和跨区联络线电力交换等因素，以机组强迫停运率作为参与机制，建立用于研究新能源电力系统时序消纳调度的混合整数模型，通过yalmip-gurobi求解器进行求解；充分挖掘影响风光出力的耦合参数，能基于较为准确的风光出力预测情况，为实现最大化清洁能源消纳提供机组调度出力的有效决策方法。
附图说明
[0055]
图1为袋装回归树模型结构图；
[0056]
图2为hrp-38测试系统拓扑结构图；
[0057]
图3为时序生产模拟流程图；
[0058]
图4为d2时序风光出力预测以及负荷曲线图；
[0059]
图5为无联络线时风光时序消纳图。
具体实施方式
[0060]
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0061]
一种时序生产模拟新能源电力系统消纳方法，包括以下步骤：
[0062]
s1、t＝1时刻开始模拟，所述t时刻的负荷、风速、温度、辐照度耦合参数，训练袋装回归树模型，得到所述t时刻的风电、光伏出力，并计算得到净负荷lt；
[0063]
s2、以当前时刻的风电、光伏的可用容量，卷积等效为可用容量为gn,t的多状态机组，并优先并网发电；
[0064]
s3、根据火电机组和常规水电机组的强迫停运率，分别从小到大制定发电次序，其中，所述火电机组处于备用状态，先投运；后加载所述水电机组；
[0065]
s4、加载matlab平台求解的当前时刻机组预出力情况，并投运相关机组；计算当前时刻投运常规机组；计算当前时刻投运常规机组的可用容量gt分布；若gt《lt，进行s5，否则进行s6；
[0066]
s5、当前运行机组发电量不满足净负荷需求，投运机组爬坡，若直至满发仍不满足当前系统的净负荷需求，则继续加载未投运机组；
[0067]
s6、当前运行机组发电量满足负荷需求且富有余量，减小投运机组出力，且火电机组优先；若仍有剩余发电功率，关闭机组或转为备用，直到所有所述火电机组转为备用或关机；
[0068]
s7、所述s6后仍有剩余发电功率，则抽水储能机组蓄能，并联合联诺线外送功率；
[0069]
s8、所述s7后仍有剩余发电功率，计算弃电量；令t＝t 1，转所述s2；
[0070]
s9、所述s5后仍存在净负荷需求，则加载抽水储能机组参与发电，必要时联合联诺线，吸收区外电网功率；若存在功率缺额，则记录失负荷量，令t＝t 1，转所述s2；
[0071]
s10、共t时段的生产模拟结束，记录所述模拟运行时段的机组时序出力情况，风电、光伏的总消纳功率。
[0072]
所述s1的具体过程为：
[0073]
针对影响风光出力的自然因素，利用pearson线性线性相关算法和spearman非线性相关算法计算相关系数，提取相关性强的耦合参数，得到训练模型的样本集；
[0074]
其中，pearson线性相关计算公式如下：
[0075][0076]
式中，yi为影响出力的某一影响因素值；bi为相对应的风光出力实际值；为对应的均值；n为样本量；若|r
p
|越接近1，则表明耦合参数的线性相关性越高；
[0077]
spearman非线性相关系数计算公式如下：
[0078][0079]
根据式(1)、式(2)，引入权重系数p和q，计算出总关联系数r
ab
，其中，p q＝1；公式如下：
[0080]rab
＝p|rs| q|r
p
|(7)
[0081]
如图1所示，模型耦合参数的筛选是通过给定总相关系数的阈值ξ实现的；
[0082]
所述袋装回归树模型构建，将样本集划分成n组子样本集，并行训练回归树，得到与子样本集相对应的回归树模型，为了防止原始回归树容易出现过拟合现象，利用k折交叉验证法，将n个子样本集随机划分为k组，其中，k-1组作为训练集，一组作为验证集，测试回归树的分支规则是否再现；若没有，则对将该分支进行修剪；最后将各个样本回归树模型集成，得到最终的袋状回归树耦合关系模型，对风光出力进行时序预测。
[0083]
所述s4的具体过程为：
[0084]
构建以最大消纳新能源为目标的含风、光、水的电力系统时序消纳模型，目标函数如下：
[0085][0086]
其中，划分时序生产模拟共t个时段；pw(t)为风电在t时段的出力；ps(t)为太阳能在t时段的出力；ph(t)为水电机组在t时段的出力；ns、nw分别为光伏电站和为风电场的数量；δt为时段时长；nh为水电机组数量；kw，ks和kh分别是风电、光伏以及水电的消纳权重因子。
[0087]
当电力平衡约束：
[0088]
pf(t) ph(t) ps(t) pw(t) p
ph
(t)＝p
l
(t) p
line
(t) e
ph
(t)(5)
[0089]
其中，pf(t)为火电在t时段的出力；pline(t)为传输线路的输电功率；p
ph
(t)为抽水蓄能机组t时段的出力值和蓄能值；p
l
(t)为电力系统在t时段的负荷水平；
[0090]
当常规火电机组约束
[0091]
xf(t)p
f,min
≤pf(t)≤xf(t)p
f,max
[0092][0093]
其中，p
f,min
和p
f,max
为火电机组最小和最大技术出力；xf(t)表示火电机组的运行状态；
[0094]
由于风光发电的随机性，若某一时段出力具有较大的波动，由所述火电机组在内的机组参与平滑系统的出力，所述火电机组主要受爬坡率的约束，如式(7)和式(8)所示：
[0095]
pf(t 1)-pf(t)≤δp
f,up
δt(7)
[0096]
pf(t)-pf(t 1)≤δp
f,down
δt(8)
[0097]
式中：δp
f,up
，δp
f,down
分别为火电机组的向上爬坡率，向下爬坡率；该约束反应了火电机组快速跟踪风光出力变化的能力；
[0098]
水电机组约束
[0099]
p
h,min
(t)≤ph(t)≤p
h,max
(t)
[0100][0101]
其中，p
h,min
，p
h,max
(t)分别为水电机组技术出力最小，最大值；e
h,tmin
，e
h,tmax
分别为水电机组t时段内的最小和最大电量；
[0102]
抽水蓄能机组约束
[0103]eph,min
≤e
ph
(t-1)-p
ph
(t)δt≤e
ph,max
(8)
[0104]
其中，eph,min和eph,max分别为抽水蓄能电站的最小和最大蓄能值；
[0105]
络线外送功率约束
[0106]
当本地区新能源消纳受限，仍有富余电量，可将富余电力通过跨区联络线，实现功率外送消纳，联络线外送输电线路的功率约束如式(11)所示：
[0107]
p
line
(t)≤|p
line,max
|(9)
[0108]
其中，pline,max为线路允许输送功率最大值；功率流入该区域为正方向，流出该区域为负方向；
[0109]
基于matlab仿真平台，通过yalmip-gurobi求解器求解上述混合整数模型，得到各机组的时序出力情况。
[0110]
下面采用hrp-38测试系统实例对上述方法进行仿真验证，hrp-38测试系统的拓扑结构如图2所示，其拓扑结构是从中国五个省级电网的实际传输系统中提取的，同时保留了具有高可再生能源渗透的电力系统的基本特征，整个网络由五个区域d1～d5组成，d2为系统枢纽，其他四个区域仅通过d2相互连接。整个系统中共有143台发电机组，包括水电、火电、风力和光伏发电机组。其中，水电机组划分为抽水蓄能以及常规水电机组。
[0111]
d2作为整个系统的连接中枢，与其余四大区域通过联络线进行功率输送，选取d2区域进行时序生产模拟仿真验证，如图3所示。设置hrp-38系统的工作电压为750千伏，基准容量为100mva，d2区域机组情况如表1所示，联络线输送功率容量如表2所示，d2与区外电网输送限额为1650mw。
[0112]
表1hrp-38测试系统d2区域机组参数
[0113]
机组类型台数/台总装机容量/mw强迫停运率/％火电机组522500.66常规水电机组212000.93抽水蓄能机组16001光伏发电机组1032101风力发电机组1236600.66
[0114]
表2d2区域互联联络线参数
[0115]
联络线d1-d2d3-d2d4-d2d5-d2数量4882容量(mw)200500750200
[0116]
通过matlab软件平台，根据d2区域的历史相关耦合参数，训练基于袋装回归树的出力预测模型，考虑日前机组调度规划，设置时序模拟的总时长为一天，时间间隔为1h，共24个时段，并按表1所示的机组强迫停运率由小到大设定机组的加载顺序，得到d2区域电力系统的风光出力预测以及模拟采用的时序负荷曲线如图4所示。
[0117]
根据图4所示，d2区域在第7～11，12～14，16～18小时段，处于高比例弃风弃光阶段，而第1～8，18～23时段为电力负荷的峰谷区间，应配合抽水蓄能机组，合理规划出力，进行削峰填谷。为尽最大可能的提高风光的消纳水平，且保证尽量不弃水的情况下，设置常规水电机组均保持开机状态，以d2区域的年丰，枯水期平均值400mw出力。
[0118]
采取所提的时序生产模拟方法，对该时序生产模拟模型中所涉及的优化问题采用yalmip-gurobi商业求解器进行求解。图5给出了d2区域电网在不考虑联络线外送功率下，新能源就地消纳结果，弃风弃光率为16.8％。
[0119]
根据所提方法，在考虑联络线外送功率后，d2区域的时序生产模拟结果，无弃风弃光现象。从时序生产模拟结果看出，火电机组出力占比低，且抽水蓄能机组在负荷低谷期蓄能，在负荷高峰时段出力，进行削峰填谷；火电机组在风光出力极值阶段基本处于热备用状
态，火电成本减少，具有较强的经济性及环境友好型，增大清洁能源的消纳；对于所验证的高渗透率下的区域电网而言，仅就地实现新能源消纳，其消纳能力有限，在考虑联络线通道，基于时序生产模拟下的新能源跨区消纳时，较传统就地消纳具有较大的改善，以进一步提高新能源能力。
[0120]
仿真结果表明，本发明提出的基于袋装回归树预测的时序生产模拟新能源电力系统消纳方法，在实现高比例新能源消纳的情况下，给出对新能源电力系统机组出力的合理调度情况，有效提高节能减排。
[0121]
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。