本发明涉及新能源电力系统技术领域，尤其涉及一种新能源接入电力系统的负荷特性评估方法。
背景技术：
近年来，由于新能源电力的高渗透率、电力负荷的随机性和波动性，源网荷协调调度和运行控制的研究成为热门课题，电力系统的运行特点也由传统的电源调度计划发电曲线跟随电力用户负荷变化曲线、或电力用户负荷曲线经削峰填谷后跟随发电设备期望曲线的实时平衡运行，转变为源网荷统一协调、源荷电力曲线互相协调的调整运行，从而最大可能地减少弃风弃光，实现经济、环保、节能等优化目标。但是，目前针对具有高渗透率新能源的电力系统，对电力功率曲线特征的刻画仍是采用的是针对单一负荷曲线的传统负荷特性指标，如负荷率、峰谷差、最大负荷利用小时等。
电力功率曲线大多是按照时间顺序排列的功率值，其属于数据流中的时间序列，传统电力系统中，电源出力曲线与负荷曲线因发电、用电必须实时功率平衡，在实际运行时两曲线则完全相同，因此二者是采用同一套特性指标，统称为负荷特性指标。随着新能源的大量并入，系统进行源荷协调运行，上述基于单一负荷曲线的传统负荷特性指标，已无法准确刻画系统的负荷状况，从而不能满足当前新能源消纳、售电市场开放、综合能源利用、高效互联信息等对电力曲线特征的描述和评价的需求。因此亟需提供一种针对新能源接入电力系统的负荷特性评估方法，以同时考虑负荷需求和新能源发电状况，实现新能源接入电力系统负荷特性的准确评估。
技术实现要素：
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、能够准确评估新能源高渗透率电力系统的负荷特性，且评估性能好、应用灵活的新能源接入电力系统的负荷特性评估方法。
为解决上述技术问题，本发明提出的技术方案为：
一种新能源接入电力系统的负荷特性评估方法，步骤包括：
s1.分别获取目标电力系统的新能源出力曲线、用电负荷曲线；
s2.计算获取的所述新能源出力曲线、所述用电负荷曲线之间的曲线相似性值；
s3.将计算得到的所述曲线相似性值作为评估指标评估目标电力系统的负荷特性。
作为本发明的进一步改进：所述步骤s2中具体分别根据所述新能源发电曲线得到对应的时间序列pw＝{pw(1),pw(2),pw(n)}，以及根据所述用电负荷曲线得到对应的时间序列pd＝{pd(1),pd(2),pd(n)}，计算所述时间序列pw与时间序列pd之间的数据分布差异值，以表征曲线之间数据分布特性差异，得到所述曲线相似性值。
作为本发明的进一步改进：所述数据分布差异值具体使用欧式距离值，即按下式计算所述时间序列pw与时间序列pd之间的欧式距离值，得到所述曲线相似性值；
其中，pw(i)与pd(i)分别为所述时间序列pw与时间序列pd的第i维，n为两序列的维数。
作为本发明的进一步改进：所述步骤s2中计算所述数据分布差异值后，还包括计算所述时间序列pw与时间序列pd之间的形态波动特征差异值，以表征曲线之间形态波动特征差异，综合所述数据分布差异值、形态波动特征差异值得到最终的所述曲线相似性值。
作为本发明的进一步改进，所述形态波动特征差异值的具体计算步骤为：
s21.分别计算所述时间序列pw与所述时间序列pd中相邻时间点之间的形态波动特征值，以使用所述形态特征值表征相邻时间点为上升、下降或平稳的形态特性，得到对应的形态波动序列p′w＝(p′w(1),p′w(2),p′w(n))和形态波动序列p′d＝(p′d(1),p′d(2),p′d(n))；
s22.计算所述形态波动序列p′w与所述形态波动序列p′d之间的相似度值，得到所述形态波动特征差异值。
作为本发明的进一步改进，所述步骤s21中形态特征值具体为相邻时间点之间的直线斜率值，具体计算公式为：
其中，x′i为第i个时间点计算得到的所述形态特征值，xi、xi+1分别为时间序列中第i、i+1个时间点的值，△t为第i、i+1个时间点之间的时间差。
作为本发明的进一步改进：所述步骤s22中具体使用dtw算法计算所述形态波动序列p′w与所述形态波动序列p′d之间dtw距离，得到所述形态波动特征差异值。
作为本发明的进一步改进，所述计算所述形态序列p′w与所述形态序列p′d之间dtw距离时，具体在寻找dtw弯曲路径p时，分别设置边界性、连续性和单调性约束条件，同时设置对连续弯曲数r的约束条件，得到累积代价矩阵l为：
其中，rx和ry分别为水平方向与垂直方向的连续弯曲数，rmax为所允许的最大连续弯曲数；
得到所述dtw距离为：dtw′(x,y)＝l′(n,m)。
作为本发明的进一步改进：所述步骤s2具体按照下式综合所述数据分布差异值、形态波动特征差异值得到最终的所述曲线相似性值；
其中，
作为本发明的进一步改进：所述步骤s3后还包括根据负荷特性评估结果调整目标电力系统的用电负荷，以使得所述新能源出力曲线、所述用电负荷曲线之间的所述曲线相似性值最大。
与现有技术相比，本发明的优点在于：
1)本发明针对接入有新能源的电力系统，同时考虑负荷需求和新能源发电状况，通过计算新能源出力曲线、用电负荷曲线之间的曲线相似性值，可以量化负荷曲线与新能源出力曲线之间的相似程度，同时由曲线之间的曲线相似性值作为评估指标，能够将新能源出力和用电负荷曲线的负荷特性指标拓展为可表达两者相互关系的源荷特性指标，相比于基于单一负荷曲线的传统负荷特性指标，基于两类曲线的相似性值能够准确的评估新能源高渗透率电力系统的负荷特性，从而提高评估的性能及有效性。
2)本发明通过将负荷曲线与新能源出力曲线表示为一个时间序列，再基于序列之间数据分布的差异度量负荷曲线与新能源出力曲线的相似程度；进一步通过欧式距离可以有效表征负荷曲线与新能源出力曲线在功率数值上的差异，可以反映时间序列之间具体数值的差异和全局波动信息，能够有效评估新能源接入电力系统的负荷特性。
3)本发明基于新能源高渗透率电力系统的特性，在使用时间序列对不同电力曲线进行相似性度量时，在考虑新能源出力曲线与负荷曲线之间的数据分布特性的基础上，同时考虑两曲线之间的形态波动特征，以兼顾序列的统计特性与形态特性，基于形态特征使得可以刻画电力负荷变化的趋势，能够更为精确地表征负荷曲线与新能源出力曲线之间的相似程度，从而能够实现新能源电力系统更为精确的负荷特性评估。
4)本发明在使用新能源出力曲线、用电负荷曲线之间的曲线相似性值作为系统负荷特性评估指标的基础上，通过提高用户负荷曲线与新能源出力曲线的相似程度，可减少传统机组调频、减少弃风弃光，从而可方便、有效的实现系统源网荷协调调度和运行控制。
附图说明
图1是本实施例新能源接入电力系统的负荷特性评估方法的实现流程示意图。
图2是本发明具体实施例中计算得到的负荷曲线与新能源发电曲线之间欧式距离的结果示意图。
图3是dtw算法实现动态事件弯曲路径的原理示意图。
图4是本发明具体实施例中得到的两形态波动序列的结果示意图。
图5是本发明具体实施例中电力系统的负荷曲线示意图。
图6是本发明具体实施例中电力系统的风电功率预测曲线示意图。
图7是本发明具体实施例中两种系统运行状态的仿真结果示意图。
图8是本发明具体实施例中使用峰谷差率优化后的系统运行状态结果示意图。
图9是本发明具体实施例中使用标准差优化后的系统运行状态结果示意图。
图10是本发明具体实施例中使用源荷相似性距离优化后的系统运行状态结果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例新能源接入电力系统的负荷特性评估方法，步骤包括：
s1.分别获取目标电力系统的新能源出力曲线、用电负荷曲线；
s2.计算获取的新能源出力曲线、用电负荷曲线之间的曲线相似性值；
s3.将计算得到的曲线相似性值作为评估指标评估目标电力系统的负荷特性。
本实施例针对接入有新能源的电力系统，同时考虑负荷需求和新能源发电状况，通过计算新能源出力曲线、用电负荷曲线之间的曲线相似性值，可以量化负荷曲线与新能源出力曲线之间的相似程度，同时由曲线之间的曲线相似性值作为评估指标，能够将新能源出力和用电负荷曲线的负荷特性指标拓展为可表达两者相互关系的源荷特性指标，相比于基于单一负荷曲线的传统负荷特性指标，基于两类曲线的相似性值能够准确的评估新能源高渗透率电力系统的负荷特性，从而提高评估的性能及有效性。
本实施例中，步骤s2中首先基于曲线的离散化，分别根据新能源发电曲线得到对应的时间序列pw＝{pw(1),pw(2),pw(n)}，以及根据用电负荷曲线得到对应的时间序列pd＝{pd(1),pd(2),pd(n)}，计算时间序列pw与时间序列pd之间的数据分布差异值，以表征曲线之间数据分布特性差异，得到曲线相似性值。即将每条曲线离散化表示为一个时间序列得到时间序列pw与时间序列pd，再基于序列之间数据分布的差异计算时间序列pw与时间序列pd之间的相似度值，从而基于时间序列相似性度量能够实现负荷曲线与新能源出力曲线的相似程度的度量。
任意两条时间序列可通过距离来衡量其相互关系，距离越小，两条序列就越相似；反之则越不相似。给定两条时间序列x＝(x1,x2,xn)和y＝(y1,y2,yn)，若用minkowski距离来度量，则有
式(1)可以被看成是一系列距离度量方法的通用形式，根据p的取值不同，它可以表示不同的距离度量方式，其中当p＝1时，为曼哈顿距离；当p＝∞，为l∞范数且
本实施例中，数据分布差异值具体使用欧式距离值，即按下式计算时间序列pw与时间序列pd之间的欧式距离值，得到曲线相似性值；
其中，pw(i)与pd(i)分别为时间序列pw与时间序列pd的第i维，n为两序列的维数。
在具体应用实施例中，计算得到的序列pw与序列pd之间的欧式距离如图2所示，通过欧式距离可以有效表征负荷曲线与新能源出力曲线在功率数值上的差异，从而基于欧式距离确定的曲线相似性值，可以反映时间序列之间具体数值的差异和全局波动信息，能够有效评估新能源接入电力系统的负荷特性。
本实施例中，步骤s2中计算数据分布差异值后，还包括计算时间序列pw与时间序列pd之间的形态波动特征差异值，形态波动特征差异值即为表征曲线在各个时间段为上升、下降或平稳等的形态变化状态的值，以表征曲线之间形态波动特征差异，综合数据分布差异值、形态波动特征差异值得到最终的曲线相似性值。
时间序列的相似性包括数值与形态上的相似性这两部分，上述基于序列之间数据分布差异值计算相似性值，仅是针对序列之间的统计特性，不能兼顾时间序列的形态特征，而传统的时间序列多变量综合的方式并不适用于新能源电力系统中源荷相似性的刻画。在新能源高渗透率下，系统进行源荷协调运行，使得常规发电机计划出力曲线、负荷曲线、新能源发电曲线这三者共同协调、相互跟随调整，进而实现发电曲线与用电曲线相互跟随，本实施例基于新能源高渗透率电力系统的上述特性，在使用时间序列对不同电力曲线进行相似性度量时，考虑新能源出力曲线与负荷曲线之间的数据分布特性的基础上，同时考虑两曲线之间的形态波动特征，以兼顾序列的统计特性与形态特性，基于形态特征使得可以刻画电力负荷变化的趋势，能够更为精确地表征负荷曲线与新能源出力曲线之间的相似程度，从而能够实现新能源电力系统更为精确的负荷特性评估。
本实施例中，形态波动特征差异值的具体计算步骤为：
s21.分别计算时间序列pw与时间序列pd中相邻时间点之间的形态波动特征值，以使用形态特征值表征相邻时间点为上升、下降或平稳的形态特性，得到对应的形态波动序列p′w＝(p′w(1),p′w(2),p′w(n))和形态波动序列p′d＝(p′d(1),p′d(2),p′d(n))；
s22.计算形态波动序列p′w与形态波动序列p′d之间的相似度值，得到形态波动特征差异值。
为了简单而准确的刻画曲线在各个时间段的上升、下降或平稳等形态特征，本实施例步骤s21中形态特征值具体为相邻时间点之间的直线斜率值，具体计算公式为：
其中，x′i为第i个时间点计算得到的形态特征值，xi、xi+1分别为时间序列中第i、i+1个时间点的值，△t为第i、i+1个时间点之间的时间差。
对于长度为n的时间序列x＝(x1,x2,xn)被转化成一组长度为n-1的形态序列x′＝(x′1,x′2,x′n-1)，x′i为x′形态序列中的元素值，时间序列pw与时间序列pd通过上述式(3)的转换后，转换得到对应的形态波动序列p′w＝(p′w(1),p′w(2),p′w(n))和形态波动序列p′d＝(p′d(1),p′d(2),p′d(n))，可以充分反映各时间段的形态变化趋势，从而反映电力负荷变化趋势信息，再由形态波动序列p′w与形态波动序列p′d之间的相似度值确定两序列之间的相似性值。
本实施例中，步骤s22中具体使用dtw(dynamictimewarping,动态时间弯曲)算法计算形态波动序列p′w与形态波动序列p′d之间dtw距离，得到形态波动特征差异值。动态时间弯曲运用动态规划思想调整时间序列不同时间点对应元素之间的关系来获取一条最优弯曲路径，使沿该路径时间序列间的距离最小，其能很好地度量时间序列之间的关系，且dtw可以弯曲时间轴来匹配点与点，本实施例考虑dtw的上述特性，利用dtw来度量形态序列，能够根据形态来精确地度量时间序列，从而准确的刻画态波动序列p′w与形态波动序列p′d之间的相似度。
如图3所示，给定两条时间序列x＝(x1,x2,xn)和y＝(y1,y2,ym)，构建n×m的距离矩阵dn×m，其中：
式(4)表示两个时间序列点xi和yj时间的欧式距离。在矩阵d中，把每一组相邻元素组成的集合称为弯曲路径，且需满足边界性、连续性和单调性的约束，记为p＝{p1,p2,ps,pk}，其中k表示路径中元素(如图3中填充方块所示)的总个数，元素ps是路径上第s个点的坐标，即ps＝(i,j)。
上述的路径p有多条，使用dtw即是找到一条最优弯曲路径，使得序列x和y的弯曲总代价最小，即：
为了求解上式，通过动态规划方法来构造一个累积代价矩阵l，即：
式中，i＝1,2,,n，j＝1,2,,m，l(0,0)＝0；
l(i,0)＝l(0,j)＝+∞。
由上述时间序列x和y的动态时间弯曲距离为dtw(x,y)＝l(n,m)。
即如上述传统的dtw算法的度量效果还依赖于距离函数的选择。
在寻找dtw弯曲路径p时，将弯曲方向为垂直方向或水平方向即为连续弯曲，如图1中，s1区域的连续弯曲数r＝2，s2区域的连续弯曲数r＝3，当连续弯曲积累到一定次数便会造成过度弯曲，为了避免时间弯曲路径出现过度弯曲的现象，本实施例在传统的边界性、连续性和单调性这三个约束的基础上，增加如式(7)所示对连续弯曲数r的约束：
rx≤rmax,ry≤rmax(7)
式中，rx和ry分别为水平方向与垂直方向的连续弯曲数，rmax为所允许的最大连续弯曲数。
本实施例通过上述改进dtw的约束调节，得到累积代价矩阵l为：
则使用上述dtw方法度量两形态序列间的距离为：
dtw′(x,y)＝l′(n,m)(9)
通过上述式(9)的dtw方法计算两形态序列之间的距离，能够避免在寻找dtw弯曲路径时时间弯曲路径出现过度弯曲，提高dtw计算性能，可以进一步提高序列之间相似度计算精度。
在具体应用实施例中，使用上述dtw方法计算两形态序列之间的dtw距离如图4所示，其中dtw距离表示如图中虚线所示。
本实施例中，步骤s2具体按照下式综合数据分布差异值、形态波动特征差异值得到最终的曲线相似性值；
其中，α为对应欧式距离的权重值，为对应dtw距离的权重值。
本实施例具体定义上式(10)得到的dw(pw,pd)为源荷相似性距离，通过源荷相似性距离综合考虑两曲线的功率数值与功率变化趋势两个因素，在将序列pw与序列pd按照上述式(10)计算得到源荷相似性距离值后，作为源荷特性指标之一，由该源荷特性指标评估电力系统的负荷特性。
本实施例上述通过将欧式距离与改进后的dtw距离相结合，计算得到新能源出力曲线与电力负荷曲线之间的曲线相似性值，既能够对新能源出力曲线与电力负荷曲线的数值进行比较，又能够体现两曲线之间的形态特征差异，从而综合数据分布特性(即功率值分布特性)与形态波动特性(即功率变化趋势特性)来确定两曲线之间的相似程度，能够尽可能充分的表征两曲线之间的相互关系，从而有效评估电力系统的负荷特性。
本实施例中，步骤s3后还包括根据负荷特性评估结果调整目标电力系统的用电负荷，以使得新能源出力曲线、用电负荷曲线之间的曲线相似性值最大。本实施例在使用新能源出力曲线、用电负荷曲线之间的曲线相似性值作为系统负荷特性评估指标的基础上，通过提高新能源与用户负荷曲线的相似程度，可减少传统机组调频、减少弃风弃光，从而基于上述评估方法可方便的实现系统源网荷协调调度和运行控制。
为了验证本实施例上述评估方法的有效性，本发明具体对某地区典型接入电网母线端负荷情况进行试验，其日负荷曲线如图5所示，风电功率预测曲线如图6所示，分别采用常规使用的新能源发电利用率、常规机组出力波动率、新能源发电的调峰特性指标对负荷特性进行评估，以及使用本实施例上述方法对负荷特性进行评估。各评估指标具体为：
(1)新能源发电利用率
新能源发电利用率为一个调度周期内新能源发电上网电量与新能源理论发电量的比值，即：
式中，fw(t)为t时段新能源发电实际上网电量，w(t)为t时段新能源发电的预测电量，即新能源理论发电量。
(2)常规机组出力波动率
负荷波动率为常规机组出力波动率，即机组出力功率的标准差与机组出力功率的几何均值之比，以此反映出机组出力波动程度的相对大小，即：
式中，xi表示机组出力序列的第i维，μ表示机组出力序列的算术平均值，n为机组出力序列的维数。
(3)新能源发电的调峰特性指标
新能源发电的调峰特性指标为新能源接入前后系统峰谷差的变化值，即：
式中，pmax和pmin分别为系统原始负荷的峰谷值，p′max和p′min分别为系统净负荷的峰谷值，△pm为新能源接入前后系统峰谷差的变化值。
为比较以各指标最优为目标对电力系统运行优化的效果，确定相同日负荷曲线及响应范围，响应的出力限制如表1所示，α和λ分别取为0.3与0.7。
表1响应出力限制。
首先对传统运行状态与源荷协调运行状态进行仿真分析：
在传统运行状态与源荷协调运行状态下，分别使用传统的负荷特性指标(标准差、峰谷差率、负荷率)，以及本发明上述源荷相似性距离值评估系统负荷特性，由于传统的负荷特性指标均追求的是负荷曲线的波动程度尽量小，具体表现形式如图7(a)所示，源荷协调运行状态如图7(b)所示，由图7对比可知，在传统仅针对用户总负荷曲线的负荷特性指标的描述下，图(a)中的用户总负荷曲线1明显优于图(b)中用户总负荷曲线2，再进一步通过评估指标评估系统负荷状况。
进行评估对比分析：
①负荷特性评估对比分析
标准差、峰谷差率、负荷率等负荷特性指标，在以往没有新能源接入的情况下，由于用户总负荷曲线和发电机所带负荷的曲线是完全一样的，即统一为负荷特性指标，而对于大量接入有新能源的电力系统，用户总负荷曲线、风电机组出力曲线、常规发电机组出力即所带负荷曲线—均是负荷曲线，因此应用负荷特性指标对这三种负荷曲线分别进行刻画，如表2所示。
表2：两种运行状态下各电力曲线特性指标。
由对表2可得，传统运行状态下的用户总负荷曲线1的标准差、峰谷差率、负荷率指标明显优于源荷协调运行状态下的负荷曲线2，但其常规机组出力曲线的标准差、峰谷差率、负荷率指标，机组出力波动率反而均劣于源荷协调运行状态下的相应指标。同时，在传统运行状态与源荷协调运行状态的风电出力曲线标准差、峰谷差率、负荷率指标相同的情况下，前者的新能源发电调峰特性指标劣于后者，即传统的负荷特性指标已不能适用于新能源接入系统负荷状况的刻画，而源荷协调运行状态下的总用户负荷曲线与风电出力曲线的相似性距离指标优于传统运行状态，可见在新能源接入的情况下，常规机组出力的稳定与用户总负荷曲线的稳定无关，而与源荷相似性距离的大小有关，因此本发明上述源荷相似性距离能够对新能源高渗透率电力系统的负荷状况进行有效刻画。
②指标优化效果对比
分别以典型指标(峰谷差率、标准差)以及本发明上述源荷相似性距离为目标函数，以响应出力为上下限，对初始系统运行状态a进行优化，优化后的系统运行状态分别记为状态b、状态c、状态d，结果如图8、9、10所示，由图中可知，峰谷差率指标与标准差指标在降低总负荷曲线整体的波动性方面有很好的优化效果，但负荷变动没有跟随新能源出力波动，导致机组出力波动大，新能源利用率低，而本发明使用源荷相似性距离指标进行优化后的负荷曲线虽然波动性加大，但负荷的波动较好地跟随新能源出力波动，从而机组出力波动较小，新能源利用率高，即在本发明评估方法的基础上，通过提高新能源与用户负荷曲线的相似程度后，可减少传统机组调频、减少风电弃风。
③负荷曲线特性指标对比分析
分别比较不同系统运行状态下电力曲线的峰谷差率、标准差、源荷相似性距离、新能源发电利用率、常规机组出力波动率及新能源发电的调峰特性指标，如表3所示：
表3负荷曲线各指标对比
通过对表3分析，峰谷差率优化后的曲线，峰谷差变小，其他特性指标较差；标准差指标优化后曲线的标准差最小，同时其他特性指标同样不佳；源荷相似性距离优化后的曲线虽然峰谷差与标准差最大，但源荷相似性距离最小，其他特性指标在同类指标中最优。
由于峰谷差率考虑的是最大负荷与最小负荷的差值，标准差考虑的是各时段的负荷值偏离其均值的距离大小，这两者追求的都是负荷曲线整体波动程度尽量小，但随着新能源的加入，系统的不确定性加大，一味地追求负荷曲线的波动程度小已不能满足当前电力系统负荷特性描述的要求，本发明通过考虑时间序列的相似性定义源荷相似性距离，能够兼顾负荷曲线与新能源出力曲线的数值特征和形态特征，将传统负荷特性指标拓展为可表达新能源出力和用电负荷曲线相互关系的源荷特性指标，因而能够对新能源高渗透率电力系统负荷特性进行更为合理有效的评估。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。