基于概率统计理论的新能源消纳能力非时序量化评估方法与流程

本发明属于电力电网控制领域，特别涉及一种基于概率统计理论的新能源消纳能力非时序量化评估方法。

背景技术：

目前，国内外学者已经针对新能源消纳能力展开了一系列研究，然而现有研究成果难以为实际电网调控运行工作提供参考，其原因主要有以下两方面：

第一，现有研究多着眼于新能源装机建设规划及其与常规机组的最优发电计划，对实际运行中常规机组调峰率、自备电厂比例及直流外送计划等因素如何量化影响新能源消纳能力方面的研究则较少，对电力调度实际应用无法提出指导性建议；

第二，目前大多数研究提出的算法均以基于蒙特卡洛模拟的时序仿真法作为基础，在实际计算中，反复的抽样和时序仿真较为费时，效率较低。

技术实现要素：

本发明的目的在于提供一种基于概率统计理论的新能源消纳能力非时序量化评估方法，以解决上述存在的技术问题。本发明的量化评估方法可为调度运行实际工作提供指导；利用卷积计算替代传统的时序仿真过程，可在不影响精度的情况下，提高运算效率。

为达到上述目的，本发明采用以下技术方案：

一种基于概率统计理论的新能源消纳能力非时序量化评估方法，包括以下步骤：

步骤1，基于待评估系统建立新能源消纳能力的时序计算模型；

新能源消纳能力pn(t)的计算公式为：

pn(t)＝pl,max(t)-pg,min(t)

式中，pl,max(t)表示t时刻系统负荷，pg,min(t)表示t时刻常规机组最小技术出力；

新能源弃电力pn,ab(t)的计算公式为：

式中，pn,max(t)表示t时刻新能源最大理论出力，pn(t)为系统t时刻的新能源消纳能力；

步骤2，计算新能源弃电电力的概率分布；

新能源弃电电力pn,ab(t)概率分布函数fz(z)由pn,max(t)与pn(t)的概率密度函数做卷积获得，表达式为：

其中fx(x)表示pn,max(t)的概率密度函数，fy(y)表示pn(t)的概率密度函数；

步骤3，计算新能源弃电率λ，通过新能源弃电率λ完成新能源消纳能力的量化评估；新能源弃电率λ计算公式为：

式中，和分别表示pn,ab(t)和pn,max(t)的均值，二者分别通过其概率密度函数求得，计算公式为：

式中fx(x)表示pn,max(t)的概率密度函数，fy(y)表示pn(t)的概率密度函数。

进一步的，考虑常规机组调峰率β时，常规机组的最小技术出力的计算公式为：

pg,min(t)＝pg,max(t)×(1-β)

其中，pg,min(t)表示t时刻常规机组最小技术出力，pg,max(t)表示t时刻常规机组最大技术出力，β为常规机组调峰率。

进一步的，考虑常规机组调峰率β和自备电厂比例ω时，常规机组的最小技术出力的计算公式为：

pg,min(t)＝pg,max(t)×(1-β)×(1-ω)+pg,max(t)×ω

其中，pg,min(t)表示t时刻常规机组最小技术出力，pg,max(t)表示t时刻常规机组最大技术出力，β为常规机组调峰率，ω为自备电厂比例。

进一步的，考虑常规机组调峰率β、自备电厂比例ω和直流中长期外送时，常规机组的最小技术出力的计算公式为：

pg,min(t)＝(pl,max(t)+pw)×(1+α)×(1-β)×(1-ω)+(pl,max(t)+pw)×(1+α)×ω

其中，pg,min(t)表示t时刻常规机组最小技术出力，pw为外送电力，pl,max(t)表示t时刻系统负荷，α为系统的常规机组备用率，β为常规机组调峰率，ω为自备电厂比例。

进一步的，考虑短期现货交易时，对火电最小技术出力没有影响。

进一步的，还包括步骤4；

步骤4，通过新能源消纳能力的量化评估及给定的目标参数，测算系统能接纳的新能源装机或系统需要的外送规模和调峰率。

与现有技术相比，本发明具有以下有益效果：

本发明综合考虑了实际运行中常规机组调节特性及新能源装机占比等因素，在不影响计算精度的前提下，将新能源消纳能力评估简化为一个非时序计算问题，并建立了非时序计算模型；基于新能源理论出力及系统消纳空间的概率分布模型，利用卷积直接计算得到新能源消纳能力的概率分布模型。本发明的量化评估方法一方面避免了传统蒙特卡洛模拟方法中反复的抽样、计算的过程，另一方面利用卷积计算代替了传统的时域仿真过程，在不影响精度的前提下，大幅度提高计算效率。

进一步的，通过本发明的方法，可建立基于调峰能力的无网络约束系统新能源消纳理论模型，和考虑自备电厂、直流外送的新能源消纳模型，通过对新能源出力特性的分析研究，可分析新能源装机、负荷、常规机组调峰率、自备电厂比例以及直流外送与新能源弃电率之间的关系，可以对实际电网调度计划工作中的运行参数进行统筹优化，得到有利于新能源消纳的电网运行方式。

附图说明

图1是本发明的量化评估方法中的新能源消纳理论示意框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

请参阅图1，本发明的一种基于概率统计理论的新能源消纳能力非时序量化评估方法，包括以下步骤：

步骤1，基于待评估系统建立新能源消纳能力的时序计算模型；

新能源消纳能力pn(t)的计算公式为：

pn(t)＝pl,max(t)-pg,min(t)

式中，pl,max(t)表示t时刻系统负荷，pg,min(t)表示t时刻常规机组最小技术出力；

新能源弃电力pn,ab(t)的计算公式为：

式中，pn,max(t)表示t时刻新能源最大理论出力，pn(t)为系统t时刻的新能源消纳能力；

步骤2，计算新能源弃电电力的概率分布；

pn,max(t)仅与资源有关、pn(t)仅与系统的负荷和开机方式有关，他们是相互独立的随机变量，根据概率理论，新能源弃电电力pn,ab(t)概率分布函数fz(z)由pn,max(t)与pn(t)的概率密度函数做卷积获得，表达式为：

其中fx(x)表示pn,max(t)的概率密度函数，fy(y)表示pn(t)的概率密度函数。

步骤3，计算新能源弃电率λ，通过新能源弃电率λ完成新能源消纳能力的量化评估；新能源弃电率λ计算公式为：

式中，和分别表示pn,ab(t)和pn,max(t)的均值，二者分别通过其概率密度函数求得，计算公式为：

式中fx(x)表示pn,max(t)的概率密度函数，fy(y)表示pn(t)的概率密度函数。

步骤4，通过新能源消纳能力的量化评估及给定的目标参数，测算系统能接纳的新能源装机或系统需要的外送规模和调峰率。

其中，考虑常规机组调峰率β时，常规机组的最小技术出力的计算公式为：

pg,min(t)＝pg,max(t)×(1-β)

其中，pg,min(t)表示t时刻常规机组最小技术出力，pg,max(t)表示t时刻常规机组最大技术出力，β为常规机组调峰率。

考虑常规机组调峰率β和自备电厂比例ω时，常规机组的最小技术出力的计算公式为：

pg,min(t)＝pg,max(t)×(1-β)×(1-ω)+pg,max(t)×ω

其中，pg,min(t)表示t时刻常规机组最小技术出力，pg,max(t)表示t时刻常规机组最大技术出力，β为常规机组调峰率，ω为自备电厂比例。

考虑常规机组调峰率β、自备电厂比例ω和直流中长期外送时，常规机组的最小技术出力的计算公式为：

pg,min(t)＝(pl,max(t)+pw)×(1+α)×(1-β)×(1-ω)+(pl,max(t)+pw)×(1+α)×ω

其中，pg,min(t)表示t时刻常规机组最小技术出力，pw为外送电力，pl,max(t)表示t时刻系统负荷，α为系统的常规机组备用率，β为常规机组调峰率，ω为自备电厂比例。

而当考虑短期现货交易时，不需要增加火电开机来保证外送电力，即对火电最小技术出力没有影响。

实施例1

请参考图1，本发明的一种基于概率统计理论的新能源消纳能力的量化评估方法，其计算快速，可以对实际电网调度计划工作中的运行参数进行指导，具体包括以下步骤：

步骤1，基于区域电网新能源特性的优化评估模型。

首先，定义新能源出力的波动特性γ如式(1)所示：

γ＝|pt-pt-δt|/s(1)

式(1)中，pt-pt-δt为相邻两个采样点新能源出力的差值，s为新能源装机容量；波动特性γ参数反映了新能源在短时间内的变化速率。

通过对区域电网(以西北电网为例)新能源在不同时段的波动特性进行统计分析发现：对于西北电网而言，当δt＝15分钟时，波动特性γ取值在绝大多数情况(99.5％)下小于5％；也就是说，可以认为每15分钟新能源出力的变化速率不会大于其装机容量的5％。目前，国家电网的发电机并网管理规定一般要求常规机组调节速率大于等于2％额定出力/分钟，即其15分钟调节能力应大于30％额定出力；西北电网内还有1000万千瓦以上具有快速响应能力的水电机组，其15分钟内可在0-100％之间快速调节，因此西北电网内常规机组的调节能力能够满足新能源出力变化，也就是说，在对西北电网新能源消纳能力量化评估计算中，可以忽略常规机组爬坡约束。

通过上述分析可知，新能源消纳能力量化评估模型在t时刻的状态就与上一时刻t-1无关，即可将其简化为一个非时序计算模型，此时，系统新能源出力仅由新能源理论功率和消纳空间决定，如式(2)所示：

其中，pl,max(t)表示t时刻系统负荷，pg,min(t)表示t时刻常规机组最小技术出力，pn,max(t)表示t时刻新能源最大理论出力。新能源发电为风电或光伏发电。式(2)中，当新能源理论出力小于或等于系统新能源消纳能力时，t时段的新能源最大出力等于新能源理论出力；当新能源理论出力大于系统新能源消纳能力时，t时段的新能源最大出力等于系统新能源消纳能力。

也可通过弃电电力表述，系统新能源弃电电力pn,ab(t)的计算公式为：

上式中，pn(t)为t时刻系统新能源消纳空间，pn,max(t)为t时刻新能源最大理论出力。

步骤2，新能源消纳能力概率分布模型的建立与计算。

根据式(2)中给出的新能源快速量化评估模型，可以看出新能源消纳能力主要取决于新能源理论出力及系统消纳空间，且通过式(2)可以看出新能源消纳能力可以写为其理论出力与系统消纳空间的线性表达，而新能源理论出力及系统消纳空间均为满足一定概率分布且相互独立的随机变量，那么可以基于这二者的概率分布函数，利用卷积建立新能源消纳能力的概率分布模型，将其作为量化评估新能源消纳能力的有效工具。

新能源理论出力的概率分布模型可以基于新能源统计学规律及风、光装机情况得到。对于系统消纳空间的概率分布模型，可以通过以下方法求得。

从式(2)可以看出，实际电网运行中，新能源消纳空间主要由常规机组的最小技术出力及系统负荷决定。而对于常规机组的最小技术出力而言，其主要与常规机组调峰率、自备电厂比例、直流中长期及现货外送相关。

建立常规机组调峰率β、自备电厂比例ω、直流中长期及现货外送与新能源消纳空间之间的量化关系模型。

常规机组调峰率β与常规机组的最小技术出力的关系为：

pg,min＝pg,max×(1-β)(4)

其中，pg,min为t时刻常规机组的最小技术出力，pg,max为火电最大技术出力，β为常规机组调峰率。

就目前电网运行情况来看，接入系统的自备电厂一般不参加系统调峰，则式(4)变为

pg,min＝pg,max×(1-β)×(1-ω)+pg,max×ω(5)

其中，pg,min为t时刻常规机组的最小技术出力，pg,max为火电最大技术出力，β为常规机组调峰率，ω为自备电厂比例。

直流中长期外送需要增加火电开机以保证外送电力，即其相当于同时增加了系统负荷及火电开机方式，那么考虑直流中长期外送后系统发用电平衡约束变为

pn(t)＝pl,max(t)+pw-pg,min(t)(6)

其中，pn(t)为系统t时刻新能源实际出力值，pl,max(t)表示t时刻系统负荷，pg,min(t)表示t时刻常规机组最小技术出力，pw为外送电力。

对于直流现货外送，其主要目的是当系统出现弃风弃光现象时，增加直流外送功率以保证新能源消纳；故而不需要增加火电开机，即对系统最小技术出力没有影响。

根据图1给出的新能源消纳能力量化评估示意图，在确定系统常规机组调峰率、自备电厂比例及直流运行方式安排后，结合系统负荷率、上备用系数及负荷预测结果，就可以得到反映系统消纳空间的时序曲线，继而得到其概率分布函数。

至此，可得新能源消纳空间及新能源理论出力的概率分布函数。由于实际运行中，新能源理论出力及系统消纳空间均为满足一定概率分布且相互独立的随机变量，则根据新能源消纳机理，可得式(7)成立：

其中fx(x)表示pn,max(t)的概率密度函数，fy(y)表示pn(t)的概率密度函数；

新能源弃电率λ计算公式为：

式中，和分别表示pn,ab(t)和pn,max(t)的均值，二者分别通过其概率密度函数求得：

从式(8)可以看出，在求得新能源弃电电力的概率分布函数fz(z)和新能源理论出力的概率分布函数fy(y)后，即可进一步得到新能源平均弃电功率及新能源平均理论出力，继而直接算出新能源弃电率λ。

从上述求解过程可以看出，基于概率统计的新能源消纳能力量化评估模型求解方法可以避免传统蒙特卡洛模拟方法中反复的抽样、计算的过程，在不影响精度的前提下，大幅度提高计算效率，为快速评估系统新能源消纳能力提供了有效途径。

本发明根据实际运行中新能源出力统计数据，结合目前常规机组调节性能情况，提出了新能源消纳能力非时序计算模型；根据新能源理论出力型及系统新能源消纳空间的概率分布函数，结合卷积理论建立系统新能源弃电电力的概率分布函数，继而得到系统弃电率，为快速评估系统新能源消纳能力提供了有效途径。通过项目关键技术的研究，建立基于调峰能力的无网络约束系统新能源消纳理论模型，和考虑自备电厂、直流外送的新能源消纳模型，并通过对新能源出力特性的分析研究，提出该模型的优化求解算法。在此基础上，分析新能源装机、负荷、常规机组调峰率、自备电厂比例以及直流外送与新能源弃电率之间的关系。在此基础上，对于给定的目标参数，测算系统能接纳的新能源装机或系统需要的外送规模、调峰率等，对于系统规划也有积极的指导意义。本发明的量化评估方法以新能源统计学规律及电网消纳空间为基础，根据概率统计理论，快速对电网新能源消纳能力进行量化计算。因此，本次研究主要解决领域在于电网调度运行工作中，以短期、超短期调度计划提升新能源消纳能力为目标，除去长期规划和常规机组发电计划的主要因素，基于调峰能力的分析，主要考虑自备电厂、直流外送新能源消纳量化模型，研究常规机组调峰律、自备电厂比例、跨区直流外送、上备用系数等对新能源弃电率的影响，为调度运行实际工作提供指导；同时，利用卷积计算替代传统的时序仿真过程，在不影响精度的情况下，大大提高了运算效率。