一种含新能源电力系统调峰需求的评估方法
【技术领域】
[0001] 本发明属于含有风电、光伏发电等新能源电力系统运行技术领域，更具体地，设及 一种考虑新能源随机特性的电力系统调峰需求的评估方法。
【背景技术】
[0002] 风电出力、光伏发电出力随机性强，预测精度低，运行方式复杂多变，其大规模并 网后，将使电力系统调度运行面临巨大压力。调峰压力是大规模风电、光伏发电接入后电力 系统调度运行面临的主要压力之一。准确地计算、确定含大规模新能源电力系统的调峰需 求，是缓解电力系统调峰压力的有效手段之一。
[0003] 当前，电力系统的调峰需求的确定主要有2种方法。第一种方法，从多年的电力系 统监测到的负荷曲线中，选出系统运行的最小负荷率和日最大负荷，然后采用（日最大负 荷）X(1-最小负荷率）的方法计算系统的调峰需求。第二种方法，将电力系统过去一年或 多年的每个时刻的调峰需求从大到小进行排序，形成调峰需求持续曲线。然后，将调峰需求 持续曲线进行分级，得到一个离散的调峰需求概率分布。最后，通过调峰需求的概率分布， 可W得到不同置信度水平下，系统的调峰需求。第一种方法简单直接，但是由于没有考虑负 荷和新能源电力的随机特性，难W适用于含大规模新能源的电力系统，且直接选取最小负 荷率和日最大负荷的方法，往往使得所确定的电力系统调峰需求过于保守，降低电力系统 运行的经济性。第二种方法在一定程度上可W考虑负荷和新能源的随机特性，但凭借经验 划分调峰需求水平所得到概率分布，误差较大。此外，其在计算过程中，仅考虑过去的历史 数据，没有利用或借助于最新的负荷和新能源电力的预测信息等，一定程度上也降低了所 确定调峰需求的准确性。
[0004] 综上，上述两种传统的调峰需求的确定方法，其评估的结果往往过于保守，不够准 确，可用于在电力系统规划和设计阶段大致评估系统所需要的调峰容量。但是，并不适用 于准确评估电力系统运行时的调峰需求，特别是难W适用于含有大规模新能源的电力系统 中。
【发明内容】
[0005] 针对现有技术的缺陷，本发明的目的在于提供一种含新能源电力系统调峰需求的 评估方法，旨在解决现有技术难W跟踪新能源出力的随机变化且制定的调峰需求过于保 守，导致电力系统运行不经济的问题。
[0006] 为实现上述目的，本发明提供了一种含新能源电力系统调峰需求的评估方法，包 括下述步骤：
[0007] Sl:获取样本数据；
[0008] 所述样本数据包括日负荷测量曲线、日风力发电测量曲线、日光伏发电测量曲线 和日负荷预测曲线、日风力发电预测曲线、日光伏发电预测曲线；
[0009] S2:对所述样本数据进行处理，获得由负荷曲线、风电出力曲线、光伏发电出力曲 线构成的净负荷曲线次日可能发生的预测净负荷曲线场景；
[0010] S3 :根据所述预测净负荷曲线场景获得次日调峰需求评估值 F"二max{max(7)/,)-min(P; )* /二-.L-.'.打K仁-Iv.'..濟白J'' '/:=1-..:..,96.j、 O
[0011] 更进一步地，步骤SI中，所述样本数据中的曲线是指由每天间隔15min共96个时 段的数据点组成的日曲线。
[0012] 更进一步地，步骤S2具体为：
[001引SSl:根据公式货=巧'A-巧:-'A-巧A和巧二兮J'F-巧'F-巧F分别将所述样 本数据转换为实际净负荷样本和预测净负荷样本；
[0014] S22 :根据所述实际净负荷样本和预测净负荷样本获得净负荷的预测误差样本；
[0015] S23:对净负荷预测误差样本的每个时刻的净负荷预测误差进行统计，获得发生概 率大于0. 95的正净负荷预测误差边界值和负净负荷预测误差边界值；
[0016] S24:根据所述正净负荷预测误差边界值和负净负荷预测误差边界值获得位于正 净负荷预测误差边界与负净负荷预测误差边界之间的净负荷预测误差代表场景；
[0017] S25 :根据n。个所述净负荷预测误差代表场景获得次日可能发生的预测净负荷曲 线场景；
[001引其中，t为时段的序号，t= 1，2,…，96 ;i为样本的序号，i= 1，2,…，N，N为样本 总数，N= 180~1825天；琼为第i个样本的第t个时段的实际的净负荷，磅为第i个样 本的第t个时段的预测的净负荷；巧为第i个样本的第t个时段的实际的负荷，巧为第 i个样本的第t个时段的预测的负荷；if'A为第i个样本的第t个时段的实际的风电出力， 巧'f为第i个样本的第t个时段的预测的风电出力；巧A为第i个样本的第t个时段的实际 的光伏发电出力，巧'为第i个样本的第t个时段的预测的光伏发电出力；
[0019] 所述净负荷的预测误差样本包括N个净负荷预测误差％ =巧?-埼)/雖，，Riit为第 i个净负荷预测误差样本的第t个时段的净负荷预测误差。
[0020] 更进一步地，步骤S23具体为：
[0021] (1)将N个净负荷预测误差样本中每个时刻的净负荷预测误差分为大于0的正净 负荷预测误差组和小于0的负净负荷预测误差组；
[0022] (2)将所述正净负荷预测误差组按照从小到大的顺序进行排序，并将负净负荷预 测误差组中的数据按照从大到小的顺序进行排序；
[0023] (3)将排序之后的正净负荷预测误差组中的位于第阶95雌]个数据作为第t个时 段的正净负荷预测误差的边界值，将排序之后的负净负荷预测误差组中的位于第I个数据作为第t个时段的负净负荷预测误差的边界值。
[0024] 其中，和Mr分别表示第t个时段的正和负净负荷预测误差组中所包含的数据 的个数；[0J織利和町縣M^]表示取化躲泌；和0.驳Jic的整数。
[00巧]更进一步地，步骤S24具体为：
[0026] (I)采用k均值聚类的方法将N个净负荷预测误差样本聚成n。类，获得n。个净负 荷预测误差的代表场景；
[0027] 其中，每类的概率等于该类所包含的样本数目除WN，聚类的中屯、作为该类的代表 场景，n。为给定聚类数目，Kn〇<N;
[0028] (2)将所述净负荷预测误差代表场景的每个时段的值分别与对应时刻的正净负荷 预测误差边界值巧和负净负荷预测误差边界值餐进行大小比较，将第t时段中所有大于/? 的值置为巧'，所有小于餐的值置为尽；
[0029] (3)分别计算N个净负荷预测误差样本和n。个净负荷预测误差代表场景的每个时 刻的均值和标准差；
[0030] (4)获得净负荷预测误差样本与净负荷预测误差代表场景之间的偏差 e=,思覺徊ax"巧'W-碎"。I./巧w，|去f'w-《巧|7巧Wj}.;
[00引]妨判断e《心若是，则所生成的n。条净负荷预测误差曲线即为所求；若否，则 转入步骤（1)中重新进行聚类；
[00础其中，主为最大偏差的阔值，0《主《1，e为偏差；巧V、驾'~分别为N个净负 荷预测误差样本和n。个净负荷预测误差代表场景中第t时段的均值；磅"V、孩，"。分别为N个 净负荷预测误差样本和n。个净负荷预测误差代表场景中第t时段的标准差。
[0033] 更进一步地，步骤S25具体为：
[0034] (1)获得次日的负荷预测曲线、风电出力预测曲线、光伏发电出力预测曲线，并根 据公式另巧，F计算次日预测净负荷曲线.
[0035] 似根据所得的次日预测净负荷曲线和净负荷预测误差代表场景，利用公式 巧：=巧/(1 -气,)，/ = 1，2,…,7。计算得到次日可能发生的预测净负荷曲线场景；
[0036] 其中，野为次日预测净负荷曲线的第t个时段的预测净负荷；ip为次日负荷预 测曲线中第t个时段的负荷；Jff为次日风电出力预测曲线中第t个时段的风电出力；iff 为次日光伏发电出力预测曲线中第t个时段的光伏发电出力；巧为次日可能发生的第j个 预测净负荷曲线场景的第t个时段的实际净负荷；焉,为第j个净负荷预测误差代表场景的 第t个时段的净负荷预测误差，n。为预测净负荷曲线场景和预测净负荷预测误差代表场景 的数目。
[0037] 魏一步地，步骤。中，臟次曰调峰需求评估值严=巧.号片';')-,叩皆巧 其中，t为时段的序号，t= 1，2'''L，96 ;j为净负荷预测误差代表场景的序号，1《j《n。，n。为预 测净负荷曲线代表场景数目，Kn/N，N为样本总数，N= 180~1825天；写:：为次日可能发 生的第j个预测净负荷曲线场景的第t个时段的实际净负荷；F为所求的次日调峰需求评 估值。
[0038] 本发明在制定调峰需求的过程中考虑了风电出力、光伏发电出力的随机性，考虑 了负荷预测误差、风电出力预测误差W及光伏发电出力预测误差的随机性，且该调峰需求 的确定基于日前预测的负荷曲线、风电出