一種新能源接納空間離散概率序列計算方法與流程
2023-04-24 16:59:22 1
本發明涉及一種新能源併網仿真領域的離散概率序列計算方法，具體涉及一種新能源接納空間離散概率序列計算方法。
背景技術：
近年來，新能源在世界範圍內迅猛發展，一些國家已將新能源的開發利用作為改善能源結構、推動環境保護、保持經濟和社會可持續發展的重大舉措，積極推動新能源的高效利用。目前我國的新能源利用主要是風電和光伏發電。
作為可再生能源中的重要一員，風能已成為發展最快、最具開發潛力的綠色能源。由於風電具有隨機性、間歇性等特點，其大規模併網後對電網的穩定性、電能質量和調度機制等方面都帶來巨大挑戰，使得電網在接納風電同時必須付出相應的代價。
光伏發電併網在一定程度上緩解了能源危機和環境壓力，同時也給電力系統安全運行帶來了新的挑戰。與火電、水電等常規發電方式不同，由於太陽輻射的波動性和間歇性，光伏電站的出力具有隨機性，這使得光伏電站難以調度和控制。除此之外，光伏發電具有天然的晝夜交替特性，夜間光伏電站出力為零，這與風電等其他可再生能源又具有明顯的區別。
為保證能源的清潔高效利用，需要對新能源進行優先消納。然而，新能源在多個時間尺度上具有與生俱來的波動性和隨機性，電網消納新能源的難度隨之加大，部分地區已無法全額消納新能源，必須研究新能源的接納空間，以實現對新能源消納電量和限電電量的定量計算。
新能源的接納空間是系統最多可接納的新能源電力，為保證儘可能多的接納新能源，實現新能源的優先消納，應在保證負荷需求和系統正備用的前提下儘可能少開火電機組，且儘量使火電機組以最小技術出力運行，則新能源的接納空間就是負荷超出火電機組最小出力的部分。因為負荷和火電機組最小出力是隨時間變化的，因此，新能源的接納空間也是時變的。
技術實現要素：
為解決上述現有技術中的不足，本發明的目的是提供一種新能源接納空間離散概率序列計算方法。
本發明的目的是採用下述技術方案實現的：
本發明提供一種新能源接納空間離散概率序列計算方法，其改進之處在於，所述方法基於聯合概率分布，包括下述步驟：
步驟1：計算新能源出力參與火電開機的可替代容量；
步驟2：制定火電機組每日開機方式，確定每日火電最小技術出力Pmin；
步驟3：確定每日最大負荷loadmax與每日火電最小技術出力Pmin的聯合概率分布；
步驟4：確定每日最大負荷loadmax與負荷load的聯合概率分布；
步驟5：用卷差確定新能源接納空間概率序列。
進一步地，所述步驟1包括下述步驟：
步驟1.1：獲取並整理數據：獲取一定時間周期的負荷、新能源(風電和光伏發電)出力和裝機時序數據，數據總量都是T，研究周期的總天數為D，設負荷、新能源出力和裝機每天的數據量為N，則T＝N·D；若負荷等時序數據的採樣間隔為1h，則N＝24；若採樣間隔為15min，則N＝96；
步驟1.2：求解新能源參與火電開機的可替代容量：新能源的預測誤差為20％，將新能源預測值減去其裝機的20％參與火電開機；若新能源出力預測值大於其裝機容量的20％，則超出部分納入火電開機電力平衡，減少火電開機容量；否則，新能源不參與火電機組開機，則研究周期T內新能源參與火電開機的可替代容量；Crenewableenergy(t)滿足下式：
Crenewableenergy(t)＝max(Prenewableenergy(t)-Capacityrenewableenergy(t)×20％,0)
Prenewableenergy(t)＝Pwind(t)+PPV(t)
Capacityrenewableenergy(t)＝Capacitywind(t)+CapacityPV(t)
其中，t表示研究周期內的第t個時段，0≤t≤T，Prenewableenergy(t)是t時段的新能源出力預測值，Capacityrenewableenergy(t)是t時段的新能源裝機容量，Pwind(t)是t時段的風力發電預測值，Capacitywind(t)是t時段的風電裝機容量，PPV(t)是t時段的光伏發電預測值，CapacityPV(t)是t時段的光伏裝機容量。
進一步地，所述步驟2中包括以下步驟，
步驟2.1：求等效負荷eqload和日最大等效負荷eqloadmax：Crenewableenergy(t)參與火電機組 開機電力平衡後的等效負荷滿足下式：
eqload(t)＝load(t)-Crenewableenergy(t)
其中eqload(t)是t時段的等效負荷，load(t)是t時段的負荷，Crenewableenergy(t)是t時段的新能源可替代容量；
eqload的數據總量也為T，每天的數據量為N，求出eqload每天的最大值，即為日最大等效負荷eqloadmax，eqloadmax的數據總量是D；
步驟2.2：制定火電機組每日開機方式，求出每日火電最小技術出力：
根據每日最大等效負荷和系統正備用，結合系統中的火電機組參數，可依次求出每天的開機方式，包括：
將電力系統中的必開火電機組開機，供熱期為保證供熱，有必開機組，非供熱期無必開機組；
若等效負荷的當日最大值加上電力系統正備用大於必開機組的最大出力，則增開其餘機組；為使新能源接納電量儘可能大，在最大出力相同的情況下，最小出力小的機組優先開機，直至電力系統中火電機組的最大出力滿足日最大等效負荷和系統正備用，停止增開；
所述火電機組每日開機方式用混合整數規劃模型表示的目標函數為：
min Pmin(d)
其中，Pmin(d)表示火電機組第d天的最小出力功率；
火電機組開機方式混合整數規劃模型的約束條件為：
(1)火電機組第d天的最小出力等於第d天開啟的所有火電機組最小出力之和；
其中，Xj(d)示第j臺機組第d天的運行狀態，為二進位變量，0表示機組停機，1則表示機組正在運行；TPj,min(d)是第j臺火電機組第d天的最小出力功率；
(2)火電機組每日開機的最大出力必須保證當日的負荷需求和系統備用，即：
其中，TPj,max(d)是第j臺火電機組第d天的最大出力功率，eqloadmax(d)是第d天的日最大等效負荷，Pre是系統的正備用；
(3)每種火電機組每天的的啟機臺數在其最大臺數和最小臺數之間，即：
Sj,min(d)≤Sj(d)≤Sj,max(d)
其中，Sj(d)是第d天的第j臺火電機組的啟機臺數，Sj,min(d)是第d天第j臺火電機組的最小啟機臺數，Sj,max(d)是第d天第j臺火電機組的最大啟機臺數；
根據所述模型依次求出火電機組每日開機方式，進而求出研究周期的火電機組日最小技術出力Pmin，Pmin的數據總量為D。
進一步地，所述步驟3包括下述步驟：
步驟3.1：將每日最大負荷loadmax與每日火電最小技術出力Pmin分別在其變化範圍內分區：loadmax和Pmin的數據總量都為D；選取每日最大負荷loadmax的離散化區間長度為C1，每日火電最小技術出力Pmin的離散化區間長度為C2，loadmax和Pmin的區間個數分別為L1和L2；
步驟3.2：設置循環初值：d＝1，nik＝0，其中，d表示第d天，0≤d≤D，nik為loadmax(d)歸入其第i個離散化區間，且Pmin(d)歸入其第k個離散化區間的概數，i＝1,2,...,L1，k＝1,2,...,L2；
步驟3.3：讀入第d天的每日最大負荷loadmax(d)和每日火電最小技術出力Pmin(d)，並歸入各自對應的離散化區間；
步驟3.4：d＝d+1，nik＝nik+1；
步驟3.5：若d≤D，則轉至步驟3.3，否則，轉至步驟3.6；
步驟3.6：確定每日最大負荷loadmax每個離散化區間內所有數據的平均值averageloadmax(i)，i＝1,2...L1；確定每日火電最小技術出力Pmin每個區間內所有數據的平均值averagePmin(k)，k＝1,2...L2；
步驟3.7：確定loadmax歸入其第i個離散化區間，且Pmin歸入其第k個離散化區間的概率Pik，loadmax和Pmin歸入的離散化區間組合共有L1·L2個，依 次求出每種離散化區間組合的概率，進而得到日最大負荷與日火電最小出力的聯合概率分布。
進一步地，所述步驟4包括：
步驟4.1：將每日最大負荷loadmax與負荷load分別在其變化範圍內分區：loadmax的數據總量為D，load的數據總量為T，選取loadmax的離散化區間長度為C1，選取負荷load的離散化區間長度為C3，loadmax和load區間個數分別為L1和L3；
步驟4.2：設置循環初值，d＝1，nis＝0，其中，d表示第d天，nis為loadmax(d)歸入其第i個離散化區間，且t時段的負荷load(t)歸入其第s個離散化區間的概數，i＝1,2,...,L1，s＝1,2,...,L3；
步驟4.3：讀入第d天的每日最大負荷loadmax(d)，歸入其所對應的區間；
步驟4.4：設置初值，t＝(d-1)·N+1，此時，t表示第d天的第1個時段。
步驟4.5：讀入t時段的負荷load(t)，並歸入其對應的離散化區間；
步驟4.6：t＝t+1，nis＝nis+1；
步驟4.7：若t≤d·N，則轉至步驟4.5，否則，轉至步驟4.8；
步驟4.8：d＝d+1；
步驟4.9：若d≤D，則轉至步驟4.3，否則，轉至步驟4.10；
步驟4.10：確定每日最大負荷loadmax每個離散化區間內所有數據的平均值averageloadmax(i)，i＝1,2...L1；確定負荷load每個區間內所有數據的平均值averageload(s)，s＝1,2...L3；
步驟4.11：確定每日最大負荷loadmax歸入其第i個離散化區間，且每日火電最小技術出力Pmin歸入其第s個離散化區間的概率Pis，loadmax和load歸入的離散化區間組合共有L1·L3個，依次求出每種區間組合的概率，進而得到日最大負荷與負荷的聯合概率分布。
進一步地，所述步驟5包括：日最大負荷loadmax每個離散化區間內所有數據的平均值 averageloadmax(i)均對應每日火電最小技術出力的離散概率序列gPmini，gPmini的第一行是離散功率值，第二行是對應的概率，即：
gPmini(1,k)＝averagePmin(k)
其中，是loadmax歸入離散值averageloadmax(i)的概率；k表示Pmin的第k個離散化區間；
每日最大負荷loadmax每個離散化區間內所有數據的平均值averageloadmax(i)對應的負荷離散概率序列gloadi滿足下式：
gloadi(1,s)＝averageload(s)
對gPmini和gloadi，每日火電機組最小技術出力離散功率值與負荷離散功率值所有的組合數為L2·L3，若某一種組合中，負荷離散功率值是gloadi(1,s)，每日火電機組最小技術出力離散功率值是gPmini(1,k)，則此組合的新能源接納空間功率gACCOMi(1,j)滿足下式：
gACCOMi(1,j)＝gloadi(1,s)-gPmini(1,k)
此組合的概率為：
gACCOMi(2,j)＝gloadi(2,s)·gPmini(2,k)
確定所有組合的新能源接納空間功率值及其概率，得到averageloadmax(i)對應的新能源接納空間離散概率序列gACCOMi；
上述為將gloadi與gPmini做卷差運算，表示為，
由於gACCOMi是averageloadmax(i)對應的接納空間概率序列，在整個概率空間中，當 loadmax歸入離散值averageloadmax(i)時的接納空間離散概率序列gACCOM'i滿足下式，
gACCOM'i(1,j)＝gACCOMi(1,j)
依次確定gACCOM'1,gACCOM'2,...,合併排序後即得到新能源接納空間概率序列gACCOM。
本發明提供的技術方案具有的優異效果是：
(1)將新能源出力納入火電機組開機電力平衡，可減少火電機組開機容量，能更好地消納新能源。
(2)與採用負荷預測時序數據和對應的火電最小出力時序數據直接相減的方法求解接納空間的方法不同，採用概率序列運算的方法求解接納空間，減小了負荷和新能源時序預測數據的偶然性對接納空間計算結果的影響，能更好地反映接納空間的規律性。
(3)充分考慮日最大負荷與火電機組最小技術出力的相關性，日最大負荷與負荷的相關性，將相同日最大負荷離散值對應的負荷概率序列與火電最小出力概率序列卷差，求得日最大負荷離散值對應的接納空間序列。避免了使用負荷和火電最小出力時序數據轉換的離散概率序列直接卷差造成的誤差。
附圖說明
圖1是本發明提供的新能源接納空間離散概率序列計算方法的流程圖。
具體實施方式
下面結合附圖對本發明的具體實施方式作進一步的詳細說明。
以下描述和附圖充分地示出本發明的具體實施方案，以使本領域的技術人員能夠實踐它們。其他實施方案可以包括結構的、邏輯的、電氣的、過程的以及其他的改變。實施例僅代表可能的變化。除非明確要求，否則單獨的組件和功能是可選的，並且操作的順序可以變化。一些實施方案的部分和特徵可以被包括在或替換其他實施方案的部分和特徵。本發明的實施方案的範圍包括權利要求書的整個範圍，以及權利要求書的所有可獲得的等同物。在本文中，本發明的這些實施方案可以被單獨地或總地用術語「發明」來表示，這僅僅是為了方便，並 且如果事實上公開了超過一個的發明，不是要自動地限制該應用的範圍為任何單個發明或發明構思。
本發明提供了一種基於聯合概率分布的新能源接納空間離散概率序列求解方法，由5個步驟組成，其流程圖如圖1所示：
步驟1：求解新能源出力參與火電開機的可替代容量。
步驟1.1：整理並獲取數據：獲取一定時間周期(一般為一年或幾個月)的負荷、新能源(風電和光伏發電)出力和裝機時序數據，數據總量都是T，研究周期的總天數為D，設負荷、新能源出力和裝機每天的數據量為N，T＝N·D。若負荷等時序數據的採樣間隔為1h，則N＝24；若採樣間隔為15min，則N＝96。
步驟1.2：求解新能源參與火電開機的可替代容量：為了儘量多接納新能源，將各時段新能源發電出力納入火電機組開機容量計算範疇，可替代一部分火電，減小火電開機容量。目前，新能源的預測誤差約為20％，因此，將新能源預測值減去其裝機的20％參與火電開機。若新能源出力預測值大於其裝機容量的20％，則超出部分納入火電開機電力平衡，減少火電開機容量；否則，新能源不參與火電機組開機。則研究周期T內新能源參與火電開機的可替代容量Crenewableenergy(t)滿足下式：
Crenewableenergy(t)＝max(Prenewableenergy(t)-Capacityrenewableenergy(t)×20％,0)
Prenewableenergy(t)＝Pwind(t)+PPV(t)
Capacityrenewableenergy(t)＝Capacitywind(t)+CapacityPV(t)
其中，t表示研究周期內的第t個時段，0≤t≤T，Prenewableenergy(t)是t時段的新能源出力預測值，Capacityrenewableenergy(t)是t時段的新能源裝機容量，Pwind(t)是t時段的風力發電預測值，Capacitywind(t)是t時段的風電裝機容量，PPV(t)是t時段的光伏發電預測值，CapacityPV(t)是t時段的光伏裝機容量。
步驟2：制定火電機組每日開機方式，確定每日火電最小技術出力Pmin。
步驟2.1：求等效負荷eqload和日最大等效負荷eqloadmax：Crenewableenergy(t)參與火電機組開機電力平衡後的等效負荷滿足下式：
eqload(t)＝load(t)-Crenewableenergy(t)
其中eqload(t)是t時段的等效負荷，load(t)是t時段的負荷，Crenewableenergy(t)是由步驟1求出的t時段的新能源可替代容量。
eqload的數據總量也是T，每天的數據量也是N，求出eqload每天的最大值，就是日最大等效負荷eqloadmax，eqloadmax的數據總量是D。
步驟2.2：制定火電機組每日開機方式，求出每日火電最小技術出力。
根據每日最大等效負荷和系統正備用，結合系統中的火電機組參數，可依次求出每天的開機方式。具體方法是：
將電力系統中的必開火電機組開機，供熱期為保證供熱，有必開機組，非供熱期無必開機組；
若等效負荷的當日最大值加上電力系統正備用大於必開機組的最大出力，則增開其餘機組；為使新能源接納電量儘可能大，在最大出力相同的情況下，最小出力小的機組優先開機，直至電力系統中火電機組的最大出力滿足日最大等效負荷和系統正備用，停止增開。
上述的日開機方式用混合整數規劃模型表示的目標函數為：
min Pmin(d)
其中，Pmin(d)表示火電機組第d天的最小出力功率。上式表示在制定每日的火電機組開機計劃時，應使每日開啟的火電機組最小出力儘可能小。
火電機組開機方式混合整數規劃模型的約束條件為：
(1)火電機組第d天的最小出力等於第d天開啟的所有火電機組最小出力之和。
其中，Xj(d)示第j臺機組第d天的運行狀態，為二進位變量，0表示機組停機，1則表示機組正在運行。TPj,min(d)是第j臺火電機組第d天的最小出力功率。
(3)火電機組每日開機的最大出力必須保證當日的負荷需求和系統備用，
其中，TPj,max(d)是第j臺火電機組第d天的最大出力功率，eqloadmax(d)是第d天的日最大等效負荷，Pre是系統的正備用。
(4)每種火電機組每天的的啟機臺數應在其最大臺數和最小臺數之間，即
Sj,min(d)≤Sj(d)≤Sj,max(d)
其中，Sj(d)是第d天的第j臺火電機組的啟機臺數，Sj,min(d)是第d天第j臺火電機組的最小啟機臺數，Sj,max(d)是第d天第j臺火電機組的最大啟機臺數。
根據步驟2所述方法，依次求出每天的開機方式，就可求出研究周期的火電機組日最小技術出力Pmin，Pmin的數據總量為D。
步驟3：求每日最大負荷loadmax與Pmin的聯合概率分布。
由於火電最小技術出力Pmin由每日最大等效負荷與系統正備用之和決定，而系統的正備用一般是定值，每日最大等效負荷又與每日最大負荷存在較強的相關性，因此，需通過聯合概率分布的方法求取每日最大負荷loadmax與Pmin的聯合概率分布。
步驟3.1：將每日最大負荷loadmax與每日火電最小技術出力Pmin分別在其變化範圍內分區：loadmax和Pmin的數據總量都為D。選取每日最大負荷loadmax的離散化區間長度為C1，每日火電最小技術出力Pmin的離散化區間長度為C2，loadmax和Pmin的區間個數分別為L1、L2；
步驟3.2：設置循環初值：d＝1，nik＝0，其中，d表示第d天，0≤d≤D，nik為loadmax(d)歸入其第i個離散化區間，且Pmin(d)歸入其第k個離散化區間的概數，i＝1,2,...,L1，k＝1,2,...,L2；
步驟3.3：讀入第d天的每日最大負荷loadmax(d)和每日火電最小技術出力Pmin(d)，並歸入各自對應的離散化區間；
步驟3.4：d＝d+1，nik＝nik+1；
步驟3.5：若d≤D，則轉至步驟3.3，否則，轉至步驟3.6；
步驟3.6：確定每日最大負荷loadmax每個離散化區間內所有數據的平均值averageloadmax(i)，i＝1,2...L1；確定每日火電最小技術出力Pmin每個區間內所有數據的平均值averagePmin(k)，k＝1,2...L2；
步驟3.7：確定loadmax歸入其第i個離散化區間，且Pmin歸入其第k個離散化區間的概率 Pik，loadmax和Pmin歸入的離散化區間組合共有L1·L2個，依次求出每種區間組合的概率，就得到了日最大負荷與日火電最小出力的聯合概率分布。
求得的loadmax與Pmin的聯合概率分布a2×1如表1所示。
表1 loadmax與Pmin的聯合概率分布表
步驟4：求loadmax與負荷load的聯合概率分布：
loadmax與load也存在較強相關性，也需通過聯合概率分布的方法求取每日最大負荷loadmax與load的聯合概率分布。
步驟4.1：將每日最大負荷loadmax與負荷load分別在其變化範圍內分區：loadmax的數據總量為D，load的數據總量為T，每日最大負荷loadmax與步驟3.1中的分區方法相同，選取loadmax的離散化區間長度為C1，選取負荷load的離散化區間長度為C3，loadmax和load區間個數分別為L1和L3；
步驟4.2：設置循環初值，d＝1，nis＝0，其中，d表示第d天，nis為loadmax(d)歸入其第i個離散化區間，且t時段的負荷load(t)歸入其第s個離散化區間的概數，i＝1,2,...,L1，s＝1,2,...,L3；
步驟4.3：讀入第d天的每日最大負荷loadmax(d)，歸入其所對應的區間；
步驟4.4：設置初值，t＝(d-1)·N+1，此時，t表示第d天的第1個時段。
步驟4.5：讀入t時段的負荷load(t)，並歸入其對應的離散化區間；
步驟4.6：t＝t+1，nis＝nis+1；
步驟4.7：若t≤d·N，則轉至步驟4.5，否則，轉至步驟4.8；
步驟4.8：d＝d+1；
步驟4.9：若d≤D，則轉至步驟4.3，否則，轉至步驟4.10；
步驟4.10：確定每日最大負荷loadmax每個離散化區間內所有數據的平均值averageloadmax(i)，i＝1,2...L1；確定負荷load每個區間內所有數據的平均值averageload(s)，s＝1,2...L3；
步驟4.11：確定每日最大負荷loadmax歸入其第i個離散化區間，且每日火電最小技術出力Pmin歸入其第s個離散化區間的概率Pis，loadmax和load歸入的離散化區間組合共有L1·L3個，依次求出每種區間組合的概率，進而得到日最大負荷與負荷的聯合概率分布。求出loadmax與load的聯合概率分布，如表2所示。
表2 loadmax與load的聯合概率分布表
步驟5：卷差求接納空間概率序列。
由表2可知，每個averageloadmax(i)都對應一個火電機組日最小出力的離散概率序列gPmini，gPmini的第一行是離散功率值，第二行是對應的概率，即，
gPmini(1,k)＝averagePmin(k)
其中，是loadmax歸入離散值averageloadmax(i)的概率；k表示Pmin的第k個離散化區間；
同理，每個averageloadmax(i)對應的負荷離散概率序列gloadi滿足下式，
gloadi(1,s)＝averageload(s)
對gPmini和gloadi，火電機組日最小技術出力離散功率值與負荷離散功率值所有可能的組合數為L2·L3，若某一種組合中，負荷離散功率值是gloadi(1,s)，火電日最小出力離散功率值是gPmini(1,k)，則此組合的新能源接納空間功率gACCOMi(1,j)滿足下式：
gACCOMi(1,j)＝gloadi(1,s)-gPmini(1,k)
此組合的概率為：
gACCOMi(2,j)＝gloadi(2,s)·gPmini(2,k)
求出所有組合的新能源接納空間功率值及其概率，就可得到averageloadmax(i)對應的新能源接納空間離散概率序列gACCOMi。
以上其實是將gloadi與gPmini做卷差運算，可表示為，
又由於gACCOMi是averageloadmax(i)對應的接納空間概率序列，所以在整個概率空間中，當loadmax歸入離散值averageloadmax(i)時的接納空間離散概率序列gACCOM'i滿足下式，
gACCOM'i(1,j)＝gACCOMi(1,j)
依次求出gACCOM'1,gACCOM'2,...,合併排序後即可得到新能源接納空間概率序列gACCOM。
以上實施例僅用以說明本發明的技術方案而非對其限制，儘管參照上述實施例對本發明進行了詳細的說明，所屬領域的普通技術人員依然可以對本發明的具體實施方式進行修改或者等同替換，這些未脫離本發明精神和範圍的任何修改或者等同替換，均在申請待批的本發明的權利要求保護範圍之內。