一种耦合系统的态势预测方法及系统与流程

1.本发明涉及电力系统领域的运行规划领域，具体涉及一种耦合系统的态势预测方法及系统。


背景技术：

2.随着可再生能源发电技术的发展，以风电、光伏为代表的可再生能源电源已成为除火电外的第二大电源，如何促进规模化可再生能源与常规电源协调发展是电网现在及未来将长期面临的难题。而耦合系统是解决这一难题的新途径：耦合系统是指将地理位置相近的可再生能源与火电在同一并网点耦合集成为一个电源，通过耦合系统内部火电与可再生能源的协同控制，使用火电的灵活性平抑可再生能源的波动从而实现可再生能源的出力最大化，同时使得对外出力特性更为平稳、可控。而由于可再生能源出力固有的随机性和波动性，使耦合系统内部实现火电机组的精准出力控制成为难题，为了实现耦合系统的协同调控、保障耦合系统的安全运行，必须结合可再生能源的超短期功率预测数据、对耦合系统的运行态势进行准确预测，从而给调度系统提供决策支撑。
3.针对电力系统的态势感知技术，现有研究中采用最小二乘法进行多项式函数拟合从而判定系统的运行趋势。这种方法属于数据挖掘类方法，不能充分考虑可再生能源的波动性，因而不适用于耦合系统的态势预测，因此有关耦合系统态势预测技术的研究亟需开展。


技术实现要素：

4.针对现有技术的不足，本发明提供一种耦合系统的态势预测方法，包括：
5.获取耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据；
6.将获取的耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据代入预先建立的耦合系统态势预测模型中，对耦合系统态势预测模型进行分层求解，得到预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率；
7.将得到的预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率作为耦合系统的态势预测值；
8.所述耦合系统态势预测模型是基于耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据，以最小化综合成本为目标和以最小化可再生能源机组与火电机组集成耦合系统网损为目标确定预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率。
9.优选的，所述耦合系统当前时刻的运行数据，包括：
10.耦合系统的拓扑及线路参数、耦合系统内火电机组与可再生能源机组的当前时刻出力、火电机组与可再生能源机组的运行参数、电网调度下达给耦合系统的当前时刻有功
功率目标值、耦合系统内负荷的预测数据和耦合系统态势预测的时间间隔。
11.进一步的，所述耦合系统内火电机组当前时刻出力，包括：火电机组的当前时刻有功/无功功率；
12.所述耦合系统内可再生能源机组的当前时刻出力包括可再生能源机组的当前时刻有功/无功功率；
13.所述火电机组的运行参数，包括：火电机组的允许最大有功/无功功率、最小有功/无功功率和火电机组向上向下爬坡率；
14.所述可再生能源机组的运行参数，包括：可再生能源机组的额定装机容量、可再生能源机组允许的最小功率因数、可再生能源机组的有功功率变化限值。
15.进一步的，所述可再生能源机组，包括：风电场和光伏电站。
16.进一步的，所述耦合系统态势预测模型的建立，包括：
17.基于耦合系统当前时刻的运行数据和可再生能源预测时段的超短期功率数据，构建多目标函数；其中所述多目标函数包括：以最小化综合成本为目标建立最小化综合成本目标函数；以最小化可再生能源机组与火电机组集成耦合系统网损为目标建立最小化可再生能源与火电集成耦合系统网损目标函数；
18.为所述多目标函数构建约束条件；其中所述约束条件包括：节点功率平衡约束、节点电压上下限约束、耦合系统有功调控约束、火电机组功率约束、风电场功率约束和光伏电站功率约束。
19.进一步的，所述最小化综合成本目标函数的计算式如下所示：
[0020][0021]
式中，f
1，t1
为预测时段t1综合成本的最小值，a
1n
为火电机组n的耗量特性曲线的第一参数，a
2n
为火电机组n的耗量特性曲线的第二参数，a
0n
为火电机组n的耗量特性曲线的优选参数，p
gn,t1
为火电机组预测时段t1的有功功率，φ
windm,t1
为风电场m预测时段t1的弃风惩罚函数，φ
pvk,t1
为光伏电站k预测时段t1的弃光惩罚函数，n∈n
g
，n
g
为耦合系统内火电机组数量，m∈n
wind
，n
wind
为耦合系统内风电场数量，k∈n
pv
，n
pv
为耦合系统内光伏电站数量，y
t1
为预测时段t1的弃风与弃光风险指标；
[0022]
所述最小化可再生能源与火电集成耦合系统网损目标函数的计算式如下所示：
[0023][0024]
式中，p
loss,t1
为预测时段可再生能源与火电集成耦合系统网损的最小值，l∈n
l
，n
l
为耦合系统支路数量，g
ij
为支路ij的电导，u
i,t1
为节点i在预测时段t1时的电压，u
j,t1
为节点j在预测时段t1时的电压，θ
ij,t1
为在预测时段t1时节点i、j之间的电压相角差。
[0025]
进一步的，所述风电场m在预测时段t1时的弃风惩罚函数φ
windm,t1
的计算式如下所示：
[0026][0027]
式中，x
windm
为风电场m的弃风惩罚函数系数，p
windm,t1
为风电场m在预测时段t1时的有功功率，为风电场m在预测时段t1时的超短期预测功率最大值；
[0028]
所述光伏电站k在预测时段t1时的弃光惩罚函数φ
pvk,t1
的计算式如下所示：
[0029][0030]
式中，x
pvk
为光伏电站k的弃光惩罚函数系数，为光伏电站k在预测时段t1时的超短期功率最大值，p
pvk,t1
为光伏电站k在预测时段t1时的有功功率。
[0031]
进一步的，所述对耦合系统态势预测模型进行分层求解，得到预测时段耦合系统中火电机组的有功/无功功率和可再生能源的有功/无功功率，包括：
[0032]
判断耦合系统中火电机组的可调节裕度是否满足调节可再生能源出力波动所需的裕度；
[0033]
若耦合系统中火电机组的可调节裕度满足调节可再生能源出力波动所需的裕度，则根据风电场预测时段的超短期预测功率的最大/最小值调节风电场预测时段的有功功率，光伏电站预测时段的超短期预测功率的最大/最小值调节光伏电站预测时段的有功功率，然后基于耦合系统有功调控约束、火电机组功率约束、风电场功率约束和光伏电站功率约束，对耦合系统态势预测模型的最小化综合成本的目标函数进行求解，得到预测时段耦合系统中火电机组的有功功率、风电场的有功功率和光伏电站的有功功率；
[0034]
否则，在节点电压上下限约束、火电机组功率约束、风电场功率约束和光伏电站功率约束下，对耦合系统态势预测模型的最小化综合成本的目标函数进行求解，得到预测时段耦合系统中火电机组的有功功率、风电场的有功功率和光伏电站的有功功率；
[0035]
基于节点功率平衡约束、节点电压上下限约束、火电机组功率约束、风电场功率约束和光伏电站功率约束，对耦合系统态势预测模型的最小化可再生能源与火电集成耦合系统网损的目标函数进行求解，得到预测时段耦合系统中火电机组的无功功率、风电场的无功功率和光伏电站的无功功率。
[0036]
进一步的，所述根据风电场预测时段的超短期预测功率的最大/最小值调节风电场预测时段的有功功率，光伏电站预测时段的超短期预测功率的最大/最小值调节光伏电站预测时段的有功功率，包括：
[0037]
分别将风电场预测时段的有功功率调整为风电场超短期预测功率最大值与最小值区间的中位数，光伏电站预测时段的有功功率调整为光伏电站超短期预测功率最大值与最小值区间的中位数。
[0038]
基于同一发明构思本发明提供一种耦合系统的态势预测系统，包括：
[0039]
获取模块，用于获取耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据；
[0040]
求解模块，用于将获取的耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据代入预先建立的耦合系统态势预测模型中，对耦合系统态势预测模型进行分层求解，得到预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率；
[0041]
预测模块，用于将得到的预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率作为耦合系统的态势预测值；
[0042]
所述耦合系统态势预测模型是基于耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据，以最小化综合成本为目标和以最小化可再生能源机组与
火电机组集成耦合系统网损为目标确定预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率。
[0043]
与最接近的现有技术相比，本发明具有的有益效果：
[0044]
本发明提供一种耦合系统的态势预测方法及系统，包括：获取耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据；将获取的耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据代入预先建立的耦合系统态势预测模型中，对耦合系统态势预测模型进行分层求解，得到预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率；将得到的预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率作为耦合系统的态势预测值；所述耦合系统态势预测模型是基于耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据，以最小化综合成本为目标和以最小化可再生能源机组与火电机组集成耦合系统网损为目标确定预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率。本发明提供的技术方案，基于可再生能源机组预测时段的超短期功率数据对耦合系统的态势进行预测，充分考虑可再生能源出力波动性问题，提高了耦合系统态势预测的准确性。
附图说明
[0045]
图1是本发明提供的一种耦合系统的态势预测方法的流程图；
[0046]
图2是本发明实施例提供的耦合系统拓扑；
[0047]
图3是本发明提供的耦合系统态势预测方法实现的流程图；
[0048]
图4是本发明提供的一种耦合系统的态势预测系统的结构图。
具体实施方式
[0049]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0050]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0051]
实施例1
[0052]
本发明提供了一种耦合系统的态势预测方法，目的是基于可再生能源机组预测时段的超短期功率数据对耦合系统的态势进行预测，充分考虑可再生能源出力波动性问题，提高了耦合系统态势预测的准确性。
[0053]
本发明在预测耦合系统的态势前先建立耦合系统态势预测模型，然后基于建立的耦合系统态势预测模型确定耦合系统的态势预测值，如图1所示，包括：
[0054]
步骤1：获取耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据；
[0055]
步骤2：将获取的耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据代入预先建立的耦合系统态势预测模型中，对耦合系统态势预测模型进行分层求解，得到预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无
功功率；
[0056]
步骤3：将得到的预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率作为耦合系统的态势预测值；
[0057]
所述耦合系统态势预测模型是基于耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据，以最小化综合成本为目标和以最小化可再生能源机组与火电机组集成耦合系统网损为目标确定预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率。
[0058]
其中，耦合系统态势预测模型的建立包括：
[0059]
(1)定义弃风与弃光风险指标y
t1
：
[0060][0061]
式(1)中，y
t1
为预测时段t1的弃风与弃光风险指标，为根据可再生能源机组预测时段t1的超短期功率数据得到的预测时段t1所需火电机组的最小出力值，为根据可再生能源机组预测时段t1的超短期功率数据得到的预测时段t1所需火电机组的最大出力值，为根据火电机组运行约束求解的预测时段火电机组的最小可行运行功率，为根据火电机组运行约束求解的预测时段火电机组的最大可行运行功率；
[0062]
其中，具体计算方式如下：
[0063][0064][0065]
式中，p
ord,t1
为电网调度下达给耦合系统的预测时段t1的有功功率目标值，为风电场m在预测时段t1时的超短期预测功率最大值，为风电场m在预测时段t1时的超短期预测功率最小值，为光伏电站k在预测时段t1时的超短期功率最大值，为光伏电站k在预测时段t1时的超短期功率最小值，p
gn,t0
为火电机组当前时段t0的有功功率，p
gnmax
为火电机组的允许最大有功功率，p
gnmin
为火电机组的允许最小有功功率，为火电机组的向上爬坡率，为火电机组的向下爬坡率，δt为时间间隔。
[0066]
(2)y
t1
＝0时，代表耦合系统中火电具有足够的有功调节裕度，可有效调节可再生能源出力的波动以满足耦合系统出力目标值；y
t1
＝1时，则代表火电有功调节裕度不足，耦合系统存在弃风与弃光风险。模型的决策值为t1时刻耦合系统内各电源的功率值，即(p
gn,t1
,q
gn,t1
,p
windm,t1
,q
windm,t1
,p
pvk,t1
,q
pvk,t1
，其中p
gn,t1
为火电机组预测时段t1的有功功率，q
gn,t1
为火电机组预测时段t1的有功功率，p
windm,t1
为风电场m在预测时段t1时的有功功
率，q
windm,t1
为风电场m在预测时段t1时的无功功率，p
pvk,t1
为光伏电站k在预测时段t1时的有功功率，q
pvk,t1
为光伏电站k在预测时段t1时的无功功率)。模型目标函数第一层为最小化综合成本，第二层为最小化系统网损即进行耦合系统无功优化：
[0067][0068]
式中：a
1n
为火电机组n的耗量特性曲线的第一参数，a
2n
为火电机组n的耗量特性曲线的第二参数，a
0n
为火电机组n的耗量特性曲线的优选参数，p
gn,t1
为火电机组预测时段t1的有功功率，φ
windm,t1
为风电场m预测时段t1的弃风惩罚函数，φ
pvk,t1
为光伏电站k预测时段t1的弃光惩罚函数，n∈n
g
，n
g
为耦合系统内火电机组数量，m∈n
wind
，n
wind
为耦合系统内风电场数量，k∈n
pv
，n
pv
为耦合系统内光伏电站数量，y
t1
为预测时段t1的弃风与弃光风险指标，当耦合系统中火电具有足够的有功调节裕度时弃风与弃光风险指标的值等于0，当耦合系统中火电的有功调节裕度不足时弃风与弃光风险指标的值等于1，l∈n
l
，n
l
为耦合系统支路数量，g
ij
为支路ij的电导，u
i,t1
为节点i在预测时段t1时的电压，u
j,t1
为节点j在预测时段t1时的电压，θ
ij,t1
为在预测时段t1时节点i、j之间的电压相角差。
[0069]
模型约束包括：
[0070]
(1)节点功率平衡约束：
[0071][0072]
式中：p
i,t1
为t1时刻节点i的注入有功功率，q
i,t1
为t1时刻节点i的注入无功功率，由耦合系统各电源出力及负荷预测数据计算；g
ij
为支路ij的电导，b
ij
为支路ij的电纳，由耦合系统线路参数得到，θ
ij,t1
为t1时刻节点i、j之间的电压相角差，n为耦合系统节点数，由耦合系统拓扑得到。
[0073]
(2)节点电压上下限约束：
[0074]
u
imin
≤u
i,t1
≤u
imax
,i＝1，...，n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0075]
式中，u
i,t1
为t1时刻节点i的电压，u
imax
为节点i的电压上限，u
imin
为节点i的电压下限。
[0076]
(3)耦合系统有功调控约束：
[0077][0078]
式中，p
gn,t1
为火电机组预测时段t1的有功功率，po
rd,t1
为电网调度下达给耦合系统的预测时段t1的有功功率目标值，p
windm,t1
为风电场m在预测时段t1时的有功功率，p
pvk,t1
为光伏电站k在预测时段t1时的有功功率，n∈n
g
，n
g
为耦合系统内火电机组数量，m∈n
wind
，n
wind
为耦合系统内风电场数量，k∈n
pv
，n
pv
为耦合系统内光伏电站数量。
[0079]
(4)火电机组功率约束：
[0080][0081]
式中，p
gnmin
为火电机组的允许最小有功功率，p
gn,t0
为火电机组当前时段t0的有功功率，为火电机组的向下爬坡率，δt为时间间隔，为火电机组的向上爬坡率，p
gnmax
为火电机组的允许最大有功功率，q
gnmin
为火电机组的允许最小无功功率，q
gn,t1
为火电机组预测时段t1的有功功率，q
gnmax
为火电机组的允许最大无功功率。
[0082]
(5)风电场功率约束：
[0083][0084]
式中，为风电场m在预测时段t1时的超短期预测功率最小值，p
windm,t1
为风电场m在预测时段t1时的有功功率，为风电场m在预测时段t1时的超短期预测功率最大值，p
windm,t0
为当前时刻t0风电场m的有功功率，为风电场m的有功功率变化限值，s
windm
为风电场m的额定装机容量，为风电场m在当前时刻t0允许的最小功率因数，q
windm,t1
风电场m在预测时段t1时的无功功率。
[0085]
(6)光伏电站功率约束：
[0086][0087]
式中，为光伏电站k在预测时段t1时的超短期功率最大值，为光伏电站k在预测时段t1时的超短期功率最小值，p
pvk,t1
为光伏电站k在预测时段t1时的有功功率，s
pvk
为光伏电站的额定装机容量，为当前时刻光伏电站允许的最小功率因数。
[0088]
步骤1中获取耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据具体包括：
[0089]
(1)耦合系统的拓扑以及线路参数。
[0090]
(2)耦合系统内各电源的当前时刻(即t0时刻)出力。火电机组的当前时刻有功功率、无功功率记为(p
gn,t0
,q
gn,t0
)，下标n∈n
g
，n
g
为耦合系统内火电机组数量；风电场的当前时刻有功功率、无功功率记为(p
windm,t0
,q
windm,t0
)，下标m∈n
wind
，n
wind
为耦合系统内风电场数量；光伏电站的当前时刻有功功率、无功功率记为(p
pvk,t0
,q
pvk,t0
)，下标k∈n
pv
，n
pv
为耦合系统内光伏电站数量。
[0091]
(3)耦合系统内各电源的运行参数。火电机组的允许最大有功功率p
gnmax
、最小有功功率p
gnmin
，最大无功功率q
gnmax
、最小无功功率q
gnmin
，火电机组的向上爬坡率向下爬坡率风电场的额定装机容量s
windm
，允许的最小功率因数有功功率变化限值光伏电站的额定装机容量s
pvk
，允许的最小功率因数有功功率变化限值
[0092]
(4)电网调度下达给耦合系统的下一时段(即t1时刻)有功功率目标值p
ord,t1
。
[0093]
(5)耦合系统内负荷的预测数据。
[0094]
(6)耦合系统内风电场、光伏电站下一时段的超短期功率预测数据。风电场的超短期功率预测数据为：光伏电站的超短期功率预测数据为：
[0095]
(7)耦合系统态势预测的时间间隔δt(t1＝t0+δt)。
[0096]
步骤2具体包括：
[0097]
将获取的耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据代入预先建立的耦合系统态势预测模型中，对模型进行分层求解，获得耦合系统下一时段运行态势。
[0098]
其中，对模型进行分层求解，具体步骤如下：
[0099]
(1)首先求解y
t1
，并根据y
t1
的值求解耦合系统各电源的有功功率。y
t1
＝0时，将可再生能源有功运行基点设为预测区间中位数，即再生能源有功运行基点设为预测区间中位数，即由式(4)、式(7)、以及式(8)至(10)中的有功功率约束部分求解p
gn,t1
；y
t1
＝1时，由式(4)至(6)、以及式(8)至(10)中的有功功率约束部分求解p
gn,t1
、p
windm,t1
、p
pvk,t1
。
[0100]
(2)然后求解耦合系统各电源的无功功率。由式(4)至式(6)以及(8)至(10)中的无功功率约束部分求解q
gn,t1
、q
windm,t1
、q
pvk,t1
。
[0101]
(3)得到耦合系统t1时刻的运行态势(p
gn,t1
,q
gn,t1
,p
windm,t1
,q
windm,t1
,p
pvk,t1
,q
pvk,t1
)。
[0102]
为了验证本发明提供的耦合系统的态势预测方法的准确性，以图2所示的耦合系统对本发明的方法进行验证；
[0103]
所述耦合系统电源包含：2台600mw火电机组，1个300mw风电场，2个光伏电站(分别为300mw和100mw)。即：n
g
＝2，n
wind
＝1，n
pv
＝2。
[0104]
首先获取耦合系统运行数据及可再生能源超短期功率预测数据。耦合系统各电源当前时刻出力为：(p
g1,t0
,q
g1,t0
,p
g2,t0
,q
g2,t0
)＝(400mw,80mvar,450mw,30mvar)，(p
wind1,t0
,q
wind1,t0
)＝(186mw,20mvar)，(p
pv1,t0
,q
pv1,t0
,p
pv2,t0
,q
pv2,t0
)＝(205mw,0mvar,81mw,10mvar)。可再生能源超短期功率预测数据为：风电场光伏电站光伏电站δt＝15min。
[0105]
然后根据式(1)至式(10)建立耦合系统态势预测模型。
[0106]
最后分层求解耦合系统态势预测模型。由式(1)至(3)计算得y
t1
＝0，p
wind1,t1
＝128mw，(p
pv1,t1
,p
pv2,t1
)＝(250mw,89.5mw)，由式(4)、式(7)、以及式(8)至(10)中的有功功率约束部分求解得到火电机组的有功功率为：(p
g1,t1
,p
g2,t1
)＝(325.8mw,386.7mw)。由式(4)至式(6)以及(8)至(10)中的无功功率约束部分求解得到耦合系统电源的无功功率为：(q
g1,t1
,q
g2,t1
,q
wind1,t1
,q
pv1,t1
,q
pv2,t1
)＝(
‑
91.38mvar,
‑
82.44mvar,22.31mvar,54.55mvar,30.99mvar)。
[0107]
对上述计算结果进行分析可知本发明提供的耦合系统的态势预测方法的准确性较高。
[0108]
在本发明实施例中所述耦合系统的态势预测方法的应用，如图3所示，包括：
[0109]
i.获取耦合系统运行数据及可再生能源超短期功率预测数据；
[0110]
ii.建立耦合系统态势预测模型；
[0111]
iii.对模型进行分层求解，获得耦合系统下一时段运行态势。
[0112]
在步骤iii完成之后开始返回步骤i进入下一个计算周期。
[0113]
本发明能够实现耦合系统的未来态势预测，结合可再生能源的超短期功率预测数据建立耦合系统预测模型，充分考虑了可再生能源的随机性与波动性，使得模型预测结果更为准确；同时考虑系统网损最小进行无功功率优化，使得耦合系统电压分布更为合理。
[0114]
实施例2
[0115]
基于同一发明构思本发明提供一种耦合系统的态势预测系统，如图4所示，所述系统包括：
[0116]
获取模块，用于获取耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据；
[0117]
求解模块，用于将获取的耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据代入预先建立的耦合系统态势预测模型中，对耦合系统态势预测模型进行分层求解，得到预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率；
[0118]
预测模块，用于将得到的预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率作为耦合系统的态势预测值；
[0119]
其中，所述耦合系统态势预测模型是基于耦合系统当前时刻的运行数据和可再生能源机组预测时段的超短期功率数据，以最小化综合成本为目标和以最小化可再生能源机组与火电机组集成耦合系统网损为目标确定预测时段耦合系统中火电机组的有功/无功功率和可再生能源机组的有功/无功功率。
[0120]
具体的，所述耦合系统当前时刻的运行数据，包括：
[0121]
耦合系统的拓扑及线路参数、耦合系统内火电机组与可再生能源机组的当前时刻出力、火电机组与可再生能源机组的运行参数、电网调度下达给耦合系统的当前时刻有功功率目标值、耦合系统内负荷的预测数据和耦合系统态势预测的时间间隔。
[0122]
其中，所述耦合系统内火电机组当前时刻出力，包括：火电机组的当前时刻有功/无功功率；
[0123]
所述耦合系统内可再生能源机组的当前时刻出力包括可再生能源机组的当前时刻有功/无功功率；
[0124]
所述火电机组的运行参数，包括：火电机组的允许最大有功/无功功率、最小有功/无功功率和火电机组向上向下爬坡率；
[0125]
所述可再生能源机组的运行参数，包括：可再生能源机组的额定装机容量、可再生能源机组允许的最小功率因数、可再生能源机组的有功功率变化限值。
[0126]
所述可再生能源机组，包括：风电场和光伏电站。
[0127]
进一步的，所述耦合系统态势预测模型的建立，包括：
[0128]
基于耦合系统当前时刻的运行数据和可再生能源预测时段的超短期功率数据，构建多目标函数；其中所述多目标函数包括：以最小化综合成本为目标建立最小化综合成本
目标函数；以最小化可再生能源机组与火电机组集成耦合系统网损为目标建立最小化可再生能源与火电集成耦合系统网损目标函数；
[0129]
为所述多目标函数构建约束条件；其中所述约束条件包括：节点功率平衡约束、节点电压上下限约束、耦合系统有功调控约束、火电机组功率约束、风电场功率约束和光伏电站功率约束。
[0130]
其中，所述最小化综合成本目标函数的计算式如下所示：
[0131][0132]
式中，f
1，t1
为预测时段t1综合成本的最小值，a
1n
为火电机组n的耗量特性曲线的第一参数，a
2n
为火电机组n的耗量特性曲线的第二参数，a
0n
为火电机组n的耗量特性曲线的优选参数，p
gn,t1
为火电机组预测时段t1的有功功率，φ
windm,t1
为风电场m预测时段t1的弃风惩罚函数，φ
pvk,t1
为光伏电站k预测时段t1的弃光惩罚函数，n∈n
g
，n
g
为耦合系统内火电机组数量，m∈n
wind
，n
wind
为耦合系统内风电场数量，k∈n
pv
，n
pv
为耦合系统内光伏电站数量，y
t1
为预测时段t1的弃风与弃光风险指标，当耦合系统中火电具有足够的有功调节裕度时弃风与弃光风险指标的值等于0，当耦合系统中火电的有功调节裕度不足时弃风与弃光风险指标的值等于1；
[0133]
所述最小化可再生能源与火电集成耦合系统网损目标函数的计算式如下所示：
[0134][0135]
式中，p
loss,t1
为预测时段可再生能源与火电集成耦合系统网损的最小值，l∈n
l
，n
l
为耦合系统支路数量，g
ij
为支路ij的电导，u
i,t1
为节点i在预测时段t1时的电压，u
j,t1
为节点j在预测时段t1时的电压，θ
ij,t1
为在预测时段t1时节点i、j之间的电压相角差。
[0136]
所述风电场m在预测时段t1时的弃风惩罚函数φ
windm,t1
的计算式如下所示：
[0137][0138]
式中，x
windm
为风电场m的弃风惩罚函数系数，p
windm,t1
为风电场m在预测时段t1时的有功功率，为风电场m在预测时段t1时的超短期预测功率最大值；
[0139]
所述光伏电站k在预测时段t1时的弃光惩罚函数φ
pvk,t1
的计算式如下所示：
[0140][0141]
式中，x
pvk
为光伏电站k的弃光惩罚函数系数，为光伏电站k在预测时段t1时的超短期功率最大值，p
pvk,t1
为光伏电站k在预测时段t1时的有功功率。
[0142]
进一步的，所述对耦合系统态势预测模型进行分层求解，得到预测时段耦合系统中火电机组的有功/无功功率和可再生能源的有功/无功功率，包括：
[0143]
判断耦合系统中火电机组的可调节裕度是否满足调节可再生能源出力波动所需的裕度；
[0144]
若耦合系统中火电机组的可调节裕度满足调节可再生能源出力波动所需的裕度，则根据风电场预测时段的超短期预测功率的最大/最小值调节风电场预测时段的有功功率，光伏电站预测时段的超短期预测功率的最大/最小值调节光伏电站预测时段的有功功
率，然后基于耦合系统有功调控约束、火电机组功率约束、风电场功率约束和光伏电站功率约束，对耦合系统态势预测模型的最小化综合成本的目标函数进行求解，得到预测时段耦合系统中火电机组的有功功率、风电场的有功功率和光伏电站的有功功率；
[0145]
否则，在节点电压上下限约束、火电机组功率约束、风电场功率约束和光伏电站功率约束下，对耦合系统态势预测模型的最小化综合成本的目标函数进行求解，得到预测时段耦合系统中火电机组的有功功率、风电场的有功功率和光伏电站的有功功率；
[0146]
基于节点功率平衡约束、节点电压上下限约束、火电机组功率约束、风电场功率约束和光伏电站功率约束，对耦合系统态势预测模型的最小化可再生能源与火电集成耦合系统网损的目标函数进行求解，得到预测时段耦合系统中火电机组的无功功率、风电场的无功功率和光伏电站的无功功率。
[0147]
其中，所述根据风电场预测时段的超短期预测功率的最大/最小值调节风电场预测时段的有功功率，光伏电站预测时段的超短期预测功率的最大/最小值调节光伏电站预测时段的有功功率，包括：
[0148]
分别将风电场预测时段的有功功率调整为风电场超短期预测功率最大值与最小值区间的中位数，光伏电站预测时段的有功功率调整为光伏电站超短期预测功率最大值与最小值区间的中位数。
[0149]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0150]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0152]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0153]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。