本發(fā)明涉及電力系統(tǒng)的優(yōu)化配置與運(yùn)行管理，具體涉及一種資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法及系統(tǒng)。

背景技術(shù)：

1、風(fēng)光等可再生資源具有顯著的隨機(jī)性、波動(dòng)性特征，風(fēng)光等電源配儲(chǔ)運(yùn)行的多能互補(bǔ)系統(tǒng)已經(jīng)成為促進(jìn)可再生能源消納，保障高滲透率下電網(wǎng)運(yùn)行安全的重要手段之一；在風(fēng)光儲(chǔ)多能互補(bǔ)系統(tǒng)裝機(jī)規(guī)劃方面，目標(biāo)技術(shù)多基于歷史實(shí)測(cè)風(fēng)光資料和負(fù)荷數(shù)據(jù)確定裝機(jī)容量，對(duì)風(fēng)光資源的不確定性考慮不足，無法全面考慮新能源的隨機(jī)性場(chǎng)景，在長期運(yùn)行中難以實(shí)現(xiàn)預(yù)期效果。

2、然而，現(xiàn)有的風(fēng)光儲(chǔ)多能互補(bǔ)系統(tǒng)裝機(jī)配置方法存在一定的局限性；首先，傳統(tǒng)方法在處理氣象數(shù)據(jù)和用電負(fù)荷歷史序列時(shí)，往往忽略了數(shù)據(jù)的季節(jié)性特征，導(dǎo)致模擬的場(chǎng)景與實(shí)際情況存在偏差；其次，現(xiàn)有的場(chǎng)景模擬技術(shù)未能有效考慮資源的不確定性，使得生成的場(chǎng)景集合無法準(zhǔn)確反映實(shí)際運(yùn)行中的多種可能性；此外，現(xiàn)有技術(shù)在確定最優(yōu)裝機(jī)配置方案時(shí)，缺乏對(duì)儲(chǔ)能系統(tǒng)的優(yōu)化配置，導(dǎo)致系統(tǒng)在實(shí)際運(yùn)行中可能無法達(dá)到預(yù)期的消納比例和經(jīng)濟(jì)效益。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，本發(fā)明提供了一種資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中模擬的場(chǎng)景與實(shí)際情況存在偏差、場(chǎng)景集合無法準(zhǔn)確反映實(shí)際運(yùn)行中的多種可能性和無法達(dá)到預(yù)期的消納比例和經(jīng)濟(jì)效益的問題。

2、為解決上述技術(shù)問題，提出了一種資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法，包括，

3、收集規(guī)劃區(qū)內(nèi)的氣象數(shù)據(jù)和用電負(fù)荷歷史序列，并根據(jù)歷史數(shù)據(jù)特征，確定模擬的時(shí)間周期與步長，構(gòu)建歷史數(shù)據(jù)集；對(duì)光照和風(fēng)速進(jìn)行季節(jié)性高斯混合分布模擬，生成周期風(fēng)速模擬場(chǎng)景，通過回代消除法進(jìn)行場(chǎng)景縮減，獲得場(chǎng)景集合；構(gòu)建風(fēng)光組合場(chǎng)景，確定風(fēng)、光裝機(jī)備選方案，計(jì)算風(fēng)光出力，并通過場(chǎng)景仿真確定最優(yōu)的風(fēng)、光儲(chǔ)能裝機(jī)配置方案。

4、作為本發(fā)明所述的資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法的一種優(yōu)選方案，其中：所述氣象數(shù)據(jù)包括，收集規(guī)劃區(qū)內(nèi)的風(fēng)速數(shù)據(jù)、光照數(shù)據(jù)和氣溫?cái)?shù)據(jù)。

5、所述用電負(fù)荷歷史序列包括收集規(guī)劃區(qū)內(nèi)的負(fù)荷數(shù)據(jù)、負(fù)荷特性和負(fù)荷變化趨勢(shì)；所述負(fù)荷特性包括負(fù)荷的最大值、最小值、平均值和負(fù)荷峰值出現(xiàn)的時(shí)間；所述負(fù)荷變化趨勢(shì)包括日負(fù)荷曲線、周負(fù)荷曲線和季節(jié)性變化曲線。

6、作為本發(fā)明所述的資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法的一種優(yōu)選方案，其中：所述構(gòu)建歷史數(shù)據(jù)集包括，根據(jù)歷史數(shù)據(jù)特征，確定隨機(jī)模擬的時(shí)間周期與步長，并將風(fēng)速和光照歷史數(shù)據(jù)，根據(jù)序列長度構(gòu)建數(shù)據(jù)集。

7、作為本發(fā)明所述的資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法的一種優(yōu)選方案，其中：所述季節(jié)性高斯混合分布模擬包括，對(duì)光照和風(fēng)速進(jìn)行季節(jié)性高斯混合分布模擬，分別生成隨機(jī)模擬的情景集合。

8、所述生成隨機(jī)模擬的情景集合包括確定自相關(guān)階數(shù)d，構(gòu)建季節(jié)性高斯混合模擬的數(shù)據(jù)集，對(duì)每個(gè)周期內(nèi)的第j個(gè)子集，構(gòu)建高斯混合聯(lián)合分布與條件分布模型，并利用k-means聚類方法確定高斯混合模型的參數(shù)，初始化并生成風(fēng)速情景，重復(fù)風(fēng)速賦值過程，直到周期數(shù)達(dá)到需要的周期個(gè)數(shù)為止。

9、所述構(gòu)建高斯混合聯(lián)合分布與條件分布模型公式表示為：

10、

11、其中，為聯(lián)合分布函數(shù)，x(1)為即當(dāng)前時(shí)刻j前面d個(gè)時(shí)刻的風(fēng)速構(gòu)成的列向量，x(2)為vi,j即第i個(gè)時(shí)間序列在第j個(gè)時(shí)刻的風(fēng)速觀測(cè)值，為條件分布函數(shù)，p(x(1),x(2))為條件概率密度函數(shù)，p(x(2)∣x(1))為高斯混合模型的聯(lián)合概率密度函數(shù)，k為混合高斯模型的超參數(shù)，πk為第k個(gè)高斯成分的回歸系數(shù)，和為第k個(gè)高斯模型的均值，和為第k個(gè)高斯模型的均方差，k為變量索引。

12、所述k-means聚類方法包括確定超參數(shù)k，將數(shù)據(jù)集分成k個(gè)簇，將每個(gè)簇的中心作為高斯混合模型中每個(gè)成分的初始均值，計(jì)算每個(gè)簇中數(shù)據(jù)點(diǎn)與簇中心的差異，即計(jì)算協(xié)方差矩，計(jì)算每個(gè)簇的樣本數(shù)占總樣本數(shù)的比例，即權(quán)重，調(diào)整k值達(dá)到最好的模擬效果。

13、創(chuàng)建風(fēng)速模擬場(chǎng)景包括利用周期的平均風(fēng)速值初始化第一周期的前d個(gè)時(shí)刻的風(fēng)速，并從第一個(gè)周期的第一個(gè)時(shí)刻開始，隨機(jī)生成每個(gè)時(shí)刻的風(fēng)速，在生成的過程中，當(dāng)前時(shí)刻小于d，采用多周期平均風(fēng)速作為初始值；當(dāng)前時(shí)刻等于或大于d，利用前一時(shí)刻的風(fēng)速值；并隨機(jī)生成一個(gè)均勻分布的隨機(jī)數(shù)輸入條件高斯混合分布模型中，確定每個(gè)時(shí)刻的風(fēng)速，并持續(xù)進(jìn)行隨機(jī)生成過程，直至第一周期的n個(gè)時(shí)段的風(fēng)速都被生成，將周期計(jì)數(shù)器加1，并重復(fù)風(fēng)速賦值和生成步驟，直至模擬出全部數(shù)量的周期。

14、作為本發(fā)明所述的資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法的一種優(yōu)選方案，其中：所述獲得場(chǎng)景集合包括，對(duì)光照和風(fēng)速進(jìn)行季節(jié)性高斯混合分布模擬，生成周期風(fēng)速模擬場(chǎng)景，通過回代消除法進(jìn)行場(chǎng)景縮減，獲得場(chǎng)景集合。

15、所述回代消除法包括確定典型場(chǎng)景個(gè)數(shù)，對(duì)場(chǎng)景集中的所有場(chǎng)景進(jìn)行兩兩比較，并計(jì)算歐式概率距離，找出距離最小的兩個(gè)場(chǎng)景，并刪除一個(gè)場(chǎng)景，將被刪除場(chǎng)景的概率加到保留的場(chǎng)景上，并更新場(chǎng)景集，直至場(chǎng)景集合中剩余的場(chǎng)景數(shù)量達(dá)到典型場(chǎng)景個(gè)數(shù)為止。

16、所述計(jì)算歐式概率距離公式為：

17、

18、其中，di,j為場(chǎng)景集中第i和第j個(gè)場(chǎng)景的歐式距離，i、j和k為變量索引，和為第i和第j個(gè)場(chǎng)景，pi和pj為第i和第j個(gè)場(chǎng)景的發(fā)生概率，n為每個(gè)場(chǎng)景的序列長度。

19、作為本發(fā)明所述的資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法的一種優(yōu)選方案，其中：所述計(jì)算風(fēng)光出力包括，通過歷史數(shù)據(jù)建立氣溫對(duì)風(fēng)速和光照的回歸預(yù)測(cè)模型，構(gòu)建風(fēng)光組合場(chǎng)景，確定風(fēng)、光裝機(jī)備選方案，計(jì)算風(fēng)光出力。

20、所述回歸預(yù)測(cè)模型公式表示為：

21、

22、其中，ft為回歸預(yù)測(cè)模型，為t時(shí)刻的氣溫，rt為t時(shí)刻的光照強(qiáng)度，vt為t時(shí)刻的風(fēng)速。

23、所述計(jì)算風(fēng)光出力公式為：

24、

25、其中，為t時(shí)刻的風(fēng)電出力，為t時(shí)刻的光伏出力，為風(fēng)能裝機(jī)容量，為光伏裝機(jī)容量，νt為t時(shí)段風(fēng)輪機(jī)處風(fēng)速，νin為風(fēng)輪機(jī)切入風(fēng)速，νout為風(fēng)輪機(jī)切出風(fēng)速，νrated為風(fēng)輪機(jī)額定風(fēng)速，rstc為標(biāo)準(zhǔn)測(cè)試條件下太陽輻射強(qiáng)度，rt為t時(shí)段的太陽輻射強(qiáng)度，tstc為標(biāo)準(zhǔn)測(cè)試條件下的溫度，αp為溫度-功率轉(zhuǎn)換系數(shù)，tt為太陽能電池板溫度，tnoc為光伏電池額定工作溫度，為t時(shí)刻的氣溫；所述標(biāo)準(zhǔn)測(cè)試條件為光照強(qiáng)度為1000瓦特每平方米，氣溫為25攝氏度，大氣壓為一個(gè)標(biāo)準(zhǔn)大氣壓。

26、作為本發(fā)明所述的資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置方法的一種優(yōu)選方案，其中：所述確定最優(yōu)的風(fēng)、光儲(chǔ)能裝機(jī)配置方案包括，設(shè)置儲(chǔ)能配置備選方案，通過場(chǎng)景仿真的期望消納比例確定最優(yōu)的風(fēng)、光儲(chǔ)能裝機(jī)配置方案。

27、所述設(shè)置儲(chǔ)能配置備選方案包括取風(fēng)光總裝機(jī)的10％作為儲(chǔ)能功率配置的中等方案，分別向上下浮動(dòng)25％和50％作為中高、高、中低和低配置方案，配置容量為2小時(shí)額定功率的電量。

28、確定最優(yōu)儲(chǔ)能裝機(jī)配置方案包括分別對(duì)不同儲(chǔ)能和風(fēng)光裝機(jī)的組合方案進(jìn)行典型組合場(chǎng)景的消納比仿真分析測(cè)算，并根據(jù)組合場(chǎng)景下仿真消納比及組合場(chǎng)景概率計(jì)算不同裝機(jī)配比下的消納比例期望，以最高消納比例期望確定裝機(jī)方案。

29、本發(fā)明的另外一個(gè)目的是提供了一種資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置系統(tǒng)，本發(fā)明提升了多能互補(bǔ)系統(tǒng)對(duì)風(fēng)光資源不確定性的承載能力，為含風(fēng)光等高隨機(jī)性資源的能源規(guī)劃決策提供強(qiáng)力支撐；本發(fā)明系統(tǒng)通過季節(jié)性高斯混合模型對(duì)風(fēng)光資源的不確定性進(jìn)行隨機(jī)模擬，全面考慮不同裝機(jī)方案下的風(fēng)光資源組合場(chǎng)景，通過多場(chǎng)景仿真確定最優(yōu)裝機(jī)方案，克服了當(dāng)前風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)規(guī)劃方法在長期多場(chǎng)景運(yùn)行下預(yù)期收益難以實(shí)現(xiàn)的問題。

30、作為本發(fā)明所述的一種資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置系統(tǒng)的一種優(yōu)選方案，其特征在于，包括數(shù)據(jù)收集與處理模塊、季節(jié)性高斯混合分布模擬模塊、場(chǎng)景縮減與集合構(gòu)建模塊、風(fēng)光出力計(jì)算模塊以及最優(yōu)裝機(jī)配置確定模塊。

31、所述數(shù)據(jù)收集與處理模塊，用于收集規(guī)劃區(qū)內(nèi)的氣象數(shù)據(jù)和用電負(fù)荷歷史序列，并根據(jù)數(shù)據(jù)特征，確定模擬的時(shí)間周期與步長，構(gòu)建歷史數(shù)據(jù)集。

32、所述季節(jié)性高斯混合分布模擬模塊，用于對(duì)光照和風(fēng)速進(jìn)行季節(jié)性高斯混合分布模擬，生成周期風(fēng)速模擬場(chǎng)景，并通過確定自相關(guān)階數(shù)、構(gòu)建高斯混合分布與條件分布模型，并利用k-means聚類方法確定模型參數(shù)，初始化并生成風(fēng)速情景。

33、所述場(chǎng)景縮減與集合構(gòu)建模塊，用于通過回代消除法對(duì)生成的模擬場(chǎng)景進(jìn)行縮減，計(jì)算歐式概率距離，找出并刪除相似場(chǎng)景，更新場(chǎng)景集，直至達(dá)到典型場(chǎng)景個(gè)數(shù)，獲得場(chǎng)景集合。

34、所述風(fēng)光出力計(jì)算模塊，用于通過建立氣溫對(duì)風(fēng)速和光照的回歸預(yù)測(cè)模型，構(gòu)建風(fēng)光組合場(chǎng)景，確定風(fēng)、光裝機(jī)備選方案，并計(jì)算風(fēng)光出力。

35、所述最優(yōu)裝機(jī)配置確定模塊，用于設(shè)置儲(chǔ)能配置備選方案，通過場(chǎng)景仿真的期望消納比例確定最優(yōu)的風(fēng)、光儲(chǔ)能裝機(jī)配置方案。

36、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)一種資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置所述的方法的步驟。

37、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)一種資源不確定性風(fēng)光儲(chǔ)多能互補(bǔ)裝機(jī)配置所述的方法的步驟。

38、本發(fā)明的有益效果：本發(fā)明基于隨機(jī)模擬技術(shù)構(gòu)建風(fēng)、光資源的季節(jié)性高斯混合分布模型，基于歷史風(fēng)光特征生成海量隨機(jī)場(chǎng)景，能夠充分考慮風(fēng)、光資源的波動(dòng)性；再通過場(chǎng)景縮減和組合構(gòu)成風(fēng)、光、氣溫的典型組合場(chǎng)景，通過對(duì)典型場(chǎng)景的仿真分析，獲取對(duì)不同裝機(jī)配比下多能互補(bǔ)系統(tǒng)的新能源消納期望；相對(duì)于現(xiàn)有技術(shù)，本方法對(duì)風(fēng)光的不確定性考慮更為充分，在多能互補(bǔ)系統(tǒng)的長期運(yùn)行過程中更容易達(dá)到預(yù)期消納效果。