一种计及源荷匹配特性的新能源可信容量评估方法及系统与流程

1.本发明涉及新能源可信容量评估技术领域，特别是涉及一种计及源荷匹配 特性的新能源可信容量评估方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在 先技术。
3.新能源出力的波动性和间歇性特点导致其对电力系统的容量贡献量难以评 估；且同一地区新能源场站在相似的地理环境和气候条件下的出力与负荷的匹 配特性对容量贡献程度的影响也难以忽略。因此，为准确评估新能源发电对电 力系统的容量贡献效益，须对大规模新能源并网的电力系统进行可信容量研究。
4.目前，在新能源可信容量评估过程中，对于新能源互补性分析主要基于概 率建模描述其出力间的相关性实现，此类方法采用参数或非参数估计得到新能 源出力概率模型，继而基于copula函数描述多新能源电场出力相关性，构建多 新能源电场出力的联合概率分布模型。此外，对于可信容量研究，主要针对单 个新能源场站可信容量评估，而缺少对同一地区多新能源场站之间互补性以及 与负荷的匹配特性问题的研究。
5.以上研究基于新能源出力的平稳性，将新能源出力互补特性理解为其负相 关性，但是未充分计及源荷匹配关系，可信容量评估结果偏于保守，限制新能 源有序规划和消纳。


技术实现要素：

6.为了解决上述问题，本发明提出了一种计及源荷匹配特性的新能源可信容 量评估方法及系统，根据新能源出力数据和负荷数据分别建立源荷概率分布模 型，对源荷双侧进行联合概率特性建模，以生成源荷相关性出力场景，充分考 虑源荷之间的匹配特性，从而基于等可靠性指标和可信容量表征指标进行更为 精确的可信容量评估。
7.为了实现上述目的，本发明采用如下技术方案：
8.第一方面，本发明提供一种计及源荷匹配特性的新能源可信容量评估方法， 包括：
9.根据获取的新能源出力数据和负荷数据构建源荷联合概率分布模型，根据 源荷联合概率分布模型进行考虑源荷相关性的蒙特卡洛抽样和源荷出力的波动 性修正，得到源荷相关性出力场景；
10.基于源荷相关性出力场景，获取新能源机组装机后的可靠性指标，调整装 机容量，直至新能源机组装机后的可靠性指标满足误差阈值，得到新能源机组 装机后所置换出的新能源可信容量。
11.作为可选择的实施方式，构建源荷联合概率分布模型的过程包括：根据新 能源出力数据和负荷数据分别构建新能源概率分布模型和负荷概率分布模型， 根据新能源概率
分布模型构建新能源总出力概率分布模型，根据新能源总出力 概率分布模型和负荷概率分布模型，采用copula函数构建源荷联合概率分布模 型。
12.作为可选择的实施方式，对新能源出力数据采用非参数法，基于核密度估 计进行概率分布模型的建模，得到新能源概率分布模型；基于负荷数据采用极 大似然估计法得到负荷概率分布模型。
13.作为可选择的实施方式，根据新能源概率分布模型采用copula函数构建新 能源总出力概率分布模型，新能源概率分布包括风电出力概率分布和光伏出力 概率分布，基于核密度估计得到新能源出力概率分布函数，通过最优copula函 数构建风电出力概率分布和光伏出力概率分布的联合概率密度函数；根据联合 概率密度函数、风电装机容量和光伏装机容量得到新能源总出力概率分布函数。
14.作为可选择的实施方式，获取新能源出力数据和负荷数据后，定义源荷匹 配特性，基于一致性指标和spearman秩相关性系数对源荷匹配特性进行分析。
15.作为可选择的实施方式，基于新能源出力数据和负荷数据得到初始新能源 波动概率分布，通过蒙特卡洛抽样得到满足初始新能源波动概率分布的源荷波 动值，根据源荷波动值并对源荷序列进行波动性修正，得到源荷相关性出力场 景。
16.作为可选择的实施方式，根据新能源出力数据和负荷数据得到初始可靠性 指标，基于源荷相关性出力场景得到新能源机组装机后的可靠性指标，基于二 分法迭代计算，将新能源机组装机前后的可靠性指标满足误差阈值，得到新能 源机组装机后所置换出的新能源可信容量。
17.第二方面，本发明提供一种计及源荷匹配特性的新能源可信容量评估系统， 包括：
18.出力场景建模模块，被配置为根据获取的新能源出力数据和负荷数据构建 源荷联合概率分布模型，根据源荷联合概率分布模型进行考虑源荷相关性的蒙 特卡洛抽样和源荷出力的波动性修正，得到源荷相关性出力场景；
19.可信容量评估模块，被配置为基于源荷相关性出力场景，获取新能源机组 装机后的可靠性指标，调整装机容量，直至新能源机组装机后的可靠性指标满 足误差阈值，得到新能源机组装机后所置换出的新能源可信容量。
20.第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存 储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完 成第一方面所述的方法。
21.第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令， 所述计算机指令被处理器执行时，完成第一方面所述的方法。
22.与现有技术相比，本发明的有益效果为：
23.本发明提出一种计及源荷匹配特性的新能源可信容量评估方法及系统，基 于拓展一致性指标进行源荷匹配特性分析，根据新能源出力数据和负荷数据分 别建立源荷概率分布模型，基于copula函数建立新能源总出力的联合概率分布 模型，继而对源荷双侧进行联合概率特性建模，以生成源荷相关性出力场景， 从而基于等可靠性指标和可信容量表征指标进行更为精确的可信容量评估。
24.本发明提出一种计及源荷匹配特性的新能源可信容量评估方法及系统，从 源荷
匹配角度考虑新能源出力之间互补特性，即认为新能源总出力具有波动性， 互补特性体现为新能源出力和负荷需求的正相关性，继而得出更为准确的新能 源可信容量，可信容量评估准确性高，弥补目前可信容量评估方法过于保守的 不足，为电力系统规划、新能源有序开发以及新能源消纳提供更为有效精确的 基础数据。
25.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述 中变得明显，或通过本发明的实践了解到。
附图说明
26.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
27.图1为本发明实施例1提供的计及源荷匹配特性的新能源可信容量评估方 法示意图；
28.图2(a)-2(d)为本发明实施例1提供的四季源荷匹配特性图；
29.图3为本发明实施例1提供的二分法计算原理图。
具体实施方式
30.下面结合附图与实施例对本发明做进一步说明。
31.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的 普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括
”ꢀ
和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系 列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步 骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备 固有的其它步骤或单元。
33.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
34.实施例1
35.如图1所示，本实施例提供一种计及源荷匹配特性的新能源可信容量评估 方法，包括：
36.s1：根据获取的新能源出力数据和负荷数据构建源荷联合概率分布模型， 根据源荷联合概率分布模型进行考虑源荷相关性的蒙特卡洛抽样和源荷出力的 波动性修正，得到源荷相关性出力场景；
37.s2：基于源荷相关性出力场景，获取新能源机组装机后的可靠性指标，调 整装机容量，直至新能源机组装机后的可靠性指标满足误差阈值，得到新能源 机组装机后所置换出的新能源可信容量。
38.在本实施例中，获取新能源出力数据和负荷数据后，对其进行源荷匹配特 性的分析，源荷匹配特性为同一地区内，新能源出力数据和负荷需求数据存在 一定正相关性；而若忽略源荷匹配特性，将影响新能源可信容量的准确评估， 继而将难以预测新能源接入电
力系统所带来的影响，限制新能源消纳，因此有 必要衡量新能源出力与负荷的匹配特性。
39.本实施例基于一致性指标和spearman秩相关性系数对源荷匹配特性进行分 析；其中一致性指标定义如下：
[0040][0041][0042][0043]
式中，和分别为新能源出力和负荷的变化率；为t时刻新能源出 力和负荷变化量变化的一致性，越接近于0，两者一致性越好，当时， 表示新能源出力和负荷的变化率方向相同、大小相等，具有完全一致性；z
res
(t+t) 和z
res
(t)分别为t+t时刻和t时刻的新能源出力；z
load
(t+t)和z
load
(t)分别为t+t时 刻和t时刻的负荷。
[0044]
t时段内的平均一致性指标为：
[0045][0046]
式中，n为样本容量；a
ξ
越接近于0，表明源荷一致性越好，即匹配特性越 好。
[0047]
基于源荷匹配特性指标对某地区进行源荷匹配特性分析，如图2(a)-2(d) 为某地区四季典型日的新能源出力和负荷需求小时级散点图；可以看出，该地 区源荷匹配特性具有明显的季节差异，因此本实施例分场景对一致性指标进行 拓展，如下式：
[0048][0049]
式中，ni为第i个场景的样本容量，θi为第i个场景样本数占总 样本数的比重，即权重系数。
[0050]
那么，基于新能源出力数据和负荷数据，利用一致性指标以及spearman相 关性指标，分季节场景进行源荷特性分析，计算结果如表1所示；
[0051]
表1源荷场景特性分析
[0052][0053][0054]
由表1可知，春、冬季新能源出力与负荷匹配特性较差，而夏、秋季呈现 较好的匹配特性，不同季节新能源出力与负荷的匹配程度存在一定差异，新能 源出力对系统的贡献度在不同季节也一定差异。因此，本实施例所提出的计及 源荷匹配特性的可信容量评估方法具有一定的实际应用价值。
[0055]
在本实施例中，所述步骤s1中，根据新能源出力数据和负荷数据分别构建 新能源概率分布模型和负荷概率分布模型，采用copula函数构建新能源总出力 的联合概率分布模型，根据新能源总出力的联合概率分布模型与负荷概率分布 模型，采用copula函数建立源荷联合概率分布模型，并以此生成源荷相关性场 景；具体步骤包括：
[0056]
s1-1：新能源概率分布模型的构建过程为：
[0057]
新能源端概率分布包括风电出力概率分布和光伏出力概率分布。目前，常 采用参数法计算风速和光照幅度的概率分布模型，继而分别通过风速-风功率和 光幅-光功率转换模型求解风电出力概率分布模型、光伏出力概率分布模型。然 而，新能源功率不仅受风速和光照辐度等自然因素的影响，还受风机和光伏板 自身物理因素的影响，因此基于参数法求解的模型误差较大。
[0058]
本实施例采用非参数法，利用新能源出力的历史实测数据，基于核密度估 计进行概率分布模型的建模；
[0059][0060]
式中：h为平滑系数且h》0；k(
·
)为核函数；xi为随机变量x的样本；对f(x) 积分可得其累积分布函数。
[0061]
s1-2：负荷概率分布模型的构建过程为：
[0062]
负荷需求与生产生活具有强相关性，负荷的概率特性近似服从正态分布：
[0063][0064]
式中，x
l
是负荷需求；σ
l
和μ
l
分别为均值和标准差；
[0065]
所以，本实施例基于负荷需求历史数据，采用极大似然估计法得到负荷概 率分布模型。
[0066]
s1-3：copula函数参数估计及优选
[0067]
copula函数是一类可以将多元随机变量的联合分布与每个随机变量的边缘 分布连接起来的函数，通过copula函数，可以建立多变量之间的联合概率模型， 分析多变量之间的相关性；
[0068]
h(x1,x2,l,xn)＝c(h1(x1),h2(x2),l,hn(xn)；θ)
ꢀꢀ
(8)
[0069]
式中，h()为多变量联合分布函数；h1(x1),h2(x2),
…
,hn(xn)为随机变量的边缘 分布函数；c()为选取的copula函数；θ为所选copula函数参数；对式(8)的 两侧进行微分可得其概率密度函数。
[0070]
在本实施例中，基于copula函数建立源荷联合概率分布模型；具体地：
[0071]
s1-3-1：基于风电、光伏出力和负荷需求的边缘分布，采用极大似然估计法 求取copula函数参数；
[0072]
s1-3-2：采用平方欧氏距离作为最优copula函数的校验指标，选定最优的 copula联合分布函数。
[0073]
在本实施例中，步骤s1-3-2包括：设(xi,yi)(i＝1,2,
…
,n)为取自二维总体(x,y) 的样本，记x，y的经验分布函数分别为fn(x)和gn(y)，则经验copula函数的 定义如下：
[0074][0075]
式中：u,v∈[0,1]，i[
·
]为示性函数；当fn(xi)≤u时，
[0076]
设c(ui,vi)为copula联合分布函数，copula联合分布函数与经验copula函数 的平方欧氏距离为：
[0077][0078]
将待选copula联合分布函数分别与经验copula函数依照公式(10)求取欧 氏距离，欧式距离越小，则拟合效果越好，以此选定最优的copula联合分布函 数。
[0079]
本实施例采用kendall系数和spearman秩相关性系数作为相关性评价指标， 分别计算copula函数抽样生成的模拟数据和原始数据的kendall系数和 spearman秩相关性系数，两者相关性系数越接近，则copula函数的拟合效果越 好。
[0080]
kendall相关性系数定义为：
[0081]
ρ
τ
＝p[(v
1-v2)(u
1-u2)》0]-p[(v
1-v2)(u
1-u2)《0]
ꢀꢀ
(11)
[0082]
spearman秩相关性系数定义为：
[0083]
ρs＝3{p[(v
1-v2)(u
1-u3)》0-(v
1-v2)(u
1-u3)《0]}
ꢀꢀ
(12)
[0084]
式中，(v1,v2)和(u1,u2)为相互独立且服从相同分布的随机向量；p(
·
)为其概 率密度函数。
[0085]
s1-4：源荷相关性出力场景构成过程包括：
[0086]
s1-4-1：新能源总出力场景的生成；
[0087]
求取新能源总出力概率分布可以基于copula理论转化为求取风光出力的联 合概率分布，继而求得新能源总出力所服从的概率分布。
[0088]
假设随机向量zw和z
p
分别为风电、光伏出力归一化样本空间，新能源总出力 概率分布计算步骤如下：
[0089]
1)基于核密度估计，求出zw和z
p
的概率密度函数值f(zw)和f(z
p
)，继而积 分可求得概率分布函数值f(zw)和f(z
p
)，作为copula函数的边缘分布函数值；
[0090]
2)求取最优copula函数参数，构建zw和z
p
的联合概率密度函数：
[0091]
h(zw,z
p
)＝c(f(zw),f(z
p
))
·
f(zw),f(z
p
) (13)
[0092]
3)令z
res
＝zw+z
p
，基于上述联合概率密度函数，假设风电装机容量为m，光 伏装机容量为n，可推导得出z
res
的概率分布函数：
[0093][0094]
式中，z
res
为新能源总出力；f(z
res
)为新能源总出力概率分布。
[0095]
s1-4-2：源荷相关性出力场景的生成；
[0096]
基于新能源总出力和负荷的概率分布，利用copula函数描述源荷相关性； 基于copula函数优选得到最优copula函数，通过蒙特卡洛抽样可得到考虑源荷 相关性的出力场景：
[0097][0098]
式中，z
res,t
为新能源在第t时刻的总出力；z
load,t
为负荷在第t时刻的总需求。
[0099]
上述出力场景虽考虑了源荷相关性，但并未考虑源荷出力的波动特性，因 此需要对生成的序列进行波动特性修正。
[0100]
研究表明，t-location分布和正态分布分别能够较好拟合新能源出力波动性 和负荷波动特性；其中，t-location分布概率密度函数为：
[0101][0102]
基于历史数据求取初始新能源波动概率分布，通过蒙特卡洛抽样得到满足 初始概率分布的源荷波动值δz
res,t
和
△zload,t
，将式(16)中的源荷序列进行波 动性修正：
[0103]zres,t+1
＝z
res,t
+
△zres,t
ꢀꢀꢀ
(17)
[0104]zload,t+1
＝z
load,t
+
△zload,t
ꢀꢀꢀ
(18)
[0105]
基于以上过程，遍历所有场景即可生成全年源荷相关性出力场景。
[0106]
由于新能源出力与负荷在不同季节下具有不同的匹配特性，本实施例将分 季节进行源荷场景生成并合成新能源总出力曲线。以该地区夏季源荷场景生成 为例，原始数据中源荷kendall相关性系数和spearman相关性系数分别为0.4855 和0.6557，具有一定的相关性。基于风光出力历史数据构建的新能源总出力概 率分布函数，比较常用的5种copula函数的相关参数及欧氏距离，结果表2所 示，clayton copula函数平方欧式距离最小，拟合效果最好。基于该最优copula 函数进行蒙特卡洛抽样生成源荷场景，生成序列kendall相关性系数和spearman 相关性系数分别为0.5121和0.6722，与原始序列接近，拟合效果较好。
[0107]
表2 copula函数参数及欧氏距离指标
[0108][0109]
在本实施例中，所述步骤s2中，基于源荷相关性出力场景，采用二分法进 行可信容量评估。
[0110]
本实施例采用基于等效电量函数法的随机生产模拟进行可靠性指标的计算。 其中，可靠性指标采用电量不足期望值eens和电力不足概率值lolp；进一步， 基于可靠性指标，选用等效常规机组容量作为可信容量评估指标；
[0111]
r0(c
gen1
)＝r1(c
res
,c
gen2
)
ꢀꢀ
(19)
[0112]wres
＝c
gen1-c
gen2
(20)
[0113][0114]
式中，r0()为新能源机组加入前系统可靠性指标；r1()为新能源机组加入后 系统可靠性指标；c
res
为新能源装机容量；c
gen1
为新能源机组加入前的常规机组 容量；c
gen2
为新能源机组加入后的常规机组容量；w
res
为可信容量指标；η为新能 源机组容量可信度。
[0115]
目前，可信容量的计算方法主要有二分法与弦截法。本实施例采用二分法 作为可信容量的搜索方法，以计算eens为例，如图3所示，在初始系统中加 入一定容量的新能源机组，当容量为wr的常规机组被置换出系统时，此时的发 电系统可靠性指标与常规电源系统的相同，则认为新能源的可信容量是wr；曲 线上的r点可通过二分法迭代算出，图中a点和b点为初始点，分别位于r的 两侧；在给定a、b的横坐标后，利用随机生产模拟方法计算a、b的纵坐标， 即电量不足期望eens。
[0116]
根据负荷及机组数据计算初始系统中可靠性指标eens及lolp，以及基于 源荷相关性出力场景，获取新能源机组装机后的可靠性指标，基于二分法迭代 计算，将新能源加入前后系统可靠性指标误差a限制在一定范围内，求得一定 新能源装机情况下所置换出的可信容量：
[0117]
r0(c
gen1
)-r1(c
res
,c
gen2
)≤a
ꢀꢀ
(22)
[0118]
未加入新能源机组时，原始系统可靠性指标eens及lolp分别为 42.1693mwh、0.00001065，根据本实施例所提新能源可信容量评估方法，加入 新能源机组后，以实际历史数据作为参考值，分别计算不考虑源荷匹配特性及 考虑源荷匹配特性时的可信容量，结算结果表3所示；
[0119]
表3系统可靠性指标及可信容量对比
[0120][0121]
由于考虑源荷匹配特性时负荷的波动性由新能源出力承担一部分，所以其 可信容量较不考虑源荷匹配特性时增加了81mw，计算结果较实际情况更为接 近。可以看出，不考虑源荷匹配特性时可信容量评估结果偏于保守，而本实施 例所提方法可以在一定程度上解决这一问题，即源荷匹配特性可以促进新能源 消纳，提高新能源可信容量。
[0122]
基于本实施例所提方法，对不同季节场景下的可信容量进行评估，计算结 果如表4所示；
[0123]
表4不同季节场景可信容量
[0124][0125]
可以看出，源荷匹配特性对新能源可信容量评估具有明显的影响，匹配特 性较弱的春、冬两季可信容量较匹配特性强的夏、秋两季可信容量低。因此， 本实施例提出的可信容量评估方法有利于准确评估不同季节场景下的可信容量， 促进新能源消纳。
[0126]
实施例2
[0127]
本实施例提供一种计及源荷匹配特性的新能源可信容量评估系统，包括：
[0128]
出力场景建模模块，被配置为根据获取的新能源出力数据和负荷数据构建 源荷联合概率分布模型，根据源荷联合概率分布模型进行考虑源荷相关性的蒙 特卡洛抽样和源荷出力的波动性修正，得到源荷相关性出力场景；
[0129]
可信容量评估模块，被配置为基于源荷相关性出力场景，获取新能源机组 装机后的可靠性指标，调整装机容量，直至新能源机组装机后的可靠性指标满 足误差阈值，得到新能源机组装机后所置换出的新能源可信容量。
[0130]
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与 对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内 容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行 指令的计算机系统中执行。
[0131]
在更多实施例中，还提供：
[0132]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运 行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方 法。为了简洁，在此不再赘述。
[0133]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是 其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵 列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组 件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0134]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数 据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存 储设备类型的信息。
[0135]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理 器执行时，完成实施例1中所述的方法。
[0136]
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中 的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读 存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟 的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其 硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0137]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算 法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能 究竟以硬件还是
软件方式来执行，取决于技术方案的特定应用和设计约束条件。 专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但 是这种实现不应认为超出本技术的范围。
[0138]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明 保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上， 本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明 的保护范围以内。