一種虛擬電廠的需求側響應用電負荷調控方法及系統與流程

      文檔序號:19676441發布日期:2020-01-10 23:24
      一種虛擬電廠的需求側響應用電負荷調控方法及系統與流程

      本發明涉及電力負荷調控技術領域,尤其涉及一種虛擬電廠的需求側響應用電負荷調控方法及系統。



      背景技術:

      在電力市場改革的大背景下,電力將逐漸回歸商品屬性,電價也將實時波動,即電價的波動會影響負荷的大小,而負荷的波動也會影響電價的大小,兩者在相互影響的過程中達到平衡。電力系統的負荷預測是電力系統進行調度運行和生産計劃的基礎工作,負荷預測關系到電力系統的安全和穩定運行,對于實際生産生活有著不可估量的作用。

      虛擬電廠在不改變電網現有拓撲結構的前提下,控制協調中心基于發電預測、負荷預測,通過先進的協調控制技術、智能計量技術和信息通信技術聚合分布式電源、儲能系統、可入網電動汽車等不同類型的電源,通過上層的軟件算法實現多分布式能源的協調優化運行,從而促進資源合理優化配置及利用。虛擬電廠可參與的電力市場包括日前市場、實時市場、雙邊合同市場和輔助服務市場等,參與平衡市場能幫助虛擬電廠平抑可再生能源的波動,降低可再生能源出力預測不准確的風險,並獲得更大經濟效益。

      需求響應可以使需求側資源成爲一種虛擬資源參與電網負荷調度,用戶需求響應包括基于價格的需求響應和基于激勵的需求響應。結合考慮負荷側資源和電源側資源,使負荷側和電源側調度相協調,是解決不可控新能源電力消納問題的有效途徑。

      申請專利號爲“201811043955.x”,名稱爲“電網負荷預測方法、裝置、計算機設備和存儲介質”的發明專利申請,提出了根據曆史相似日的曆史數據建立預測模型;根據所述預測模型對待預測日的電網負荷進行預測。

      已有電力負荷預測研究發現,用戶會隨著時間或天氣等特征因素用電習慣會改變,單一固定的訓練出的電力負荷預測模型會隨著時間或天氣等特征因素預測出的電力負荷會逐漸變得不准確。



      技術實現要素:

      本發明所要解決的技術問題在于,提供一種虛擬電廠的需求側響應用電負荷調控方法和系統,以解決現有技術中在對負荷進行預測沒有考慮氣象因素的影響的缺陷。

      爲了解決上述技術問題,本發明提供一種虛擬電廠的需求側響應用電負荷調控方法,該方法包括如下步驟:

      實時獲取可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息;

      獲取待預測日的時間數據和對應的氣象數據;

      根據所述時間數據和對應的氣象數據預測電力負荷數據、可再生能源發電出力功率;

      根據可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息、電力負荷數據、可再生能源發電出力功率調控可再生能源的功率出力。

      其中,所述根據所述時間數據和對應的氣象數據預測電力負荷數據、可再生能源發電出力功率具體包括:

      將所述待預測日的時間數據和對應的氣象數據代入構建的電力負荷預測模型中,獲得電力負荷的預測值;

      將所述待預測日的時間數據和對應的氣象數據代入構建的風力發電出力功率預測模型中獲得所述風力發電出力功率預測值;

      將所述待預測日的時間數據和對應的氣象數據代入構建的光伏發電出力功率預測模型中獲得所述光伏發電出力功率預測值。

      其中,構建電力負荷預測模型具體包括:

      獲取用戶端的曆史電力負荷數據以及曆史電力負荷數據對應的時間數據和曆史氣象數據;

      對所述時間數據和曆史氣象數據進行處理,獲得處理後的曆史時間數據和曆史氣象數據;

      利用所述處理後的曆史時間數據和曆史氣象數據以及所述曆史時間數據對應的曆史電力負荷數據訓練電力負荷預測,從而獲得電力負荷預測模型。

      其中,所述電力負荷預測模型采用徑向基函數神經網絡和極限學習機方法結合預測。

      其中,所述構建風力發電出力功率預測模型具體包括:

      獲取風力發電出力功率的曆史數據、風力發電出力功率的曆史時間數據和曆史氣象數據;

      對所述風力發電出力功率的曆史時間數據和曆史氣象數據進行處理,獲得處理後的風力發電出力功率數據以及對應的曆史時間數據和曆史氣象數據;

      利用處理後的風力發電出力功率數據和曆史氣象數據訓練風力發電預測模型獲得所述風力發電出力功率預測模型。

      其中,所述風力發電出力功率預測模型和所述光伏發電出力功率預測模型采用arima(p,q)模型。

      本發明還提供一種虛擬電廠的需求側響應用電負荷調控系統,包括:

      價格獲取模塊,用于實時獲取可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息;

      待測日信息獲取模塊,用于獲取待預測日的時間數據和對應的氣象數據;

      預測模塊,用于根據所述時間數據和對應的氣象數據預測電力負荷數據、可再生能源發電出力功率;

      調控模塊,用于根據可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息、電力負荷數據、可再生能源發電出力功率調控用戶端的電力負荷。

      其中,所述預測模塊包括:

      電力負荷預測模塊,用于將所述待預測日的時間數據和對應的氣象數據代入構建的電力負荷預測模型中,獲得電力負荷的預測值;

      風力發電出力功率預測模塊,用于將所述待預測日的時間數據和對應的氣象數據代入構建的風力發電出力功率預測模型中獲得所述風力發電出力功率預測值;

      光伏發電出力功率預測模塊,用于將所述待預測日的時間數據和對應的氣象數據代入構建的光伏發電出力功率預測模型中獲得所述光伏發電出力功率預測值。

      其中,所述電力負荷預測模型采用徑向基函數神經網絡和極限學習機方法結合預測。

      其中,所述風力發電出力功率預測模型和所述光伏發電出力功率預測模型采用arima(p,q)模型。

      本發明實施例的有益效果在于:在預測用戶的電力負荷和可再生能源的功率出力預測的過程中考慮了氣象因素,提高了預測的准確性,此外,用戶響應電價策略後,在某些高價時刻允許中斷或減少用電量,改善了系統總體功率平衡;且在某些低價階段增大了用電量需求,可以改善配電系統資源分布,防止棄風和棄電的現象。如若調整價格激勵策略,需求響應分布曲線將隨著策略而改變,可實現了主動配電網中部分負荷的合理控制。

      附圖說明

      爲了更清楚地說明本發明實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發明的一些實施例,對于本領域普通技術人員來講,在不付出創造性勞動的前提下,還可以根據這些附圖獲得其他的附圖。

      圖1是本發明實施例的一種虛擬電廠的需求側響應用電負荷調控方法的流程示意圖。

      具體實施方式

      以下各實施例的說明是參考附圖,用以示例本發明可以用以實施的特定實施例。

      以下參照圖1進行說明,本發明實施例一提供一種虛擬電廠的需求側響應用電負荷調控方法,該方法包括如下步驟:

      s1、實時獲取可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息。

      具體地,實時獲取風力發電上網價格、光伏發電上網價格、風力發電政府補貼價格、光伏發電政府補貼價格、用戶側的實時電價。

      s2、獲取待預測日的時間數據和對應的氣象數據。

      s3、根據所述時間數據和對應的氣象數據預測電力負荷數據、可再生能源發電出力功率。

      在一具體實施方式中,所述根據所述時間數據和對應的氣象數據預測電力負荷數據、可再生能源發電出力功率具體包括:

      將所述待預測日的時間數據和對應的氣象數據代入構建的電力負荷預測模型中,獲得電力負荷的預測值;將所述待預測日的時間數據和對應的氣象數據代入構建的風力發電出力功率預測模型中獲得所述風力發電出力功率預測值;將所述待預測日的時間數據和對應的氣象數據代入構建的光伏發電出力功率預測模型中獲得所述光伏發電出力功率預測值。

      在一具體實施方式中,構建電力負荷預測模型具體包括:獲取用戶端的曆史電力負荷數據以及曆史電力負荷數據對應的時間數據和曆史氣象數據;對所述時間數據和曆史氣象數據進行處理,例如,在獲得了曆史電力負荷數據後,對曆史電力負荷數據的時間和相對應的曆史氣象數據中的異常值進行處理,包括對存在異常值的曆史時間數據和相對應的曆史氣象數據進行刪除,從而獲得處理後的曆史時間數據和曆史氣象數據;利用所述處理後的曆史時間數據和曆史氣象數據以及所述曆史時間數據對應的曆史電力負荷數據訓練電力負荷預測,從而獲得電力負荷預測模型。

      爲了提升電力負荷預測模型預測的准確率,電力負荷預測模型采用空間負荷預測法、電力彈性系數法、人均用電量法、産值用電單耗法、負荷密度法、單耗法、趨勢外推法、時間序列法、回歸分析法、自回歸滑動平均法、神經網絡法、支持向量機、模糊集理論、混沌理論、小波分析、灰色系統理論、機器學習、遺傳算法或者專家系統方法中的一種,或者采用上述方法中的兩種或者兩種以上的方法分別進行預測,然後對預測結果進行加權平均。

      以徑向基函數神經網絡和極限學習機方法結合預測爲例:首先利用數據采集模塊采集的海量電力負荷曆史數據訓練模型網絡,其次將負荷影響因素影響權重特征值輸入訓練好的模型,然後根據此模型對未來的電力負荷進行預測。在實際工作計算上周同星期曆史負荷、日平均氣溫、日溫度差、節假日類型、月份數和天數等特征因子。

      所提出的方法的訓練網絡模型表示爲:

      式中,αi=[αi1,αi2,...,αin]爲連接內核函數與輸出層之間的連接權值,n表示連接權值的個數;爲第i個核函數的輸出,n是指內核函數的個數,fn(x)是指訓練模型網絡的輸出。

      預測模型爲

      式中,y爲預測值,h爲隱含層矩陣,ht爲h矩陣的轉置,λ爲比例因子,t爲時間變量,n爲內核函數的個數。

      預測性能參數即預測結果誤差err爲:

      式中,yi爲第i天電力負荷預測值,通過第i天的預測模型得到;ti爲yi對應的電力負荷實際值,k爲預測天數。

      預測步驟爲:

      步驟1:給定輸入n個訓練集,徑向基函數神經網絡m個神經元;

      步驟2:設定核函數中心、中心影響寬度;

      步驟3:計算隱含層矩陣h和矩陣h廣義的逆矩陣h+

      步驟4:計算輸出層權值;

      步驟5:輸入測試集,得到預測結果,並計算訓練集的誤差;

      步驟6:得到最優預測結果。

      在一具體實施方式中,所述構建風力發電出力功率預測模型具體包括:獲取風力發電出力功率的曆史數據、風力發電出力功率的曆史時間數據和曆史氣象數據;對所述風力發電出力功率的曆史時間數據和曆史氣象數據進行處理,獲得處理後的風力發電出力功率數據以及對應的曆史時間數據和曆史氣象數據;利用處理後的風力發電出力功率數據和曆史氣象數據訓練風力發電預測模型獲得所述風力發電出力功率預測模型。

      可以采用arima模型、神經網絡、支持向量機、多元線性回歸等算法對風力發電和光伏發電等分布式可再生能源的出力功率進行預測。

      其中,arima(p,q)模型爲

      式中,xt爲出力功率樣本值,ut爲零均值白噪聲序列,p爲自回歸階數,q爲移動平均階數,爲自回歸(ar)系數,θi爲滑動平均(ma)系數。

      預測方法:

      步驟1:對原始數據進行平穩性檢驗;

      步驟2:確定相應arima模型的階數(p,q)的值和差分次數d.

      步驟3:采用最小二乘法對arima模型參數進行估計。在arima中,記

      則殘差項爲

      δxt=xt-fi(x,a)

      當δxt的平方和最小時,a爲最小二乘參數估計值。

      步驟4:通過作殘差序列自相關函數和偏相關函數,檢驗該模型是否合理。

      步驟5:通過對模型類型識別、定階、參數估算和檢驗等,確定模型並對電出風力發電和光伏發電等分布式可再生能源的出力功率預測。

      s4、根據可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息、電力負荷數據、可再生能源發電出力功率調控可再生能源的出力功率。

      具體地,根據國家政策宏觀調控用電價格,采用分時電價,在高價時刻允許中斷或減少用電量,在低價時刻增大用電需求,結合對電力負荷數據預測數據,調控風力發電和光伏發電等分布式可再生能源的出力功率。

      本發明實施例的虛擬電廠的需求側響應用電負荷調控方法,在預測用戶的電力負荷和可再生能源的功率出力的過程中考慮了氣象因素,提高了預測的准確性,此外,用戶響應電價策略後,在某些高價時刻允許中斷或減少用電量,改善了系統總體功率平衡;且在某些低價階段增大了用電量需求,可以改善配電系統資源分布,防止棄風和棄電的現象。如若調整價格激勵策略,需求響應分布曲線將隨著策略而改變,可實現了主動配電網中部分負荷的合理控制。

      基于本發明實施例一,本發明實施例二提供了一種虛擬電廠的需求側響應用電負荷調控系統,具體包括:

      價格獲取模塊,用于實時獲取可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息;

      待測日信息獲取模塊,用于獲取待預測日的時間數據和對應的氣象數據;

      預測模塊,用于根據所述時間數據和對應的氣象數據預測電力負荷數據、可再生能源發電出力功率;

      調控模塊,用于根據可再生能源的發電上網價格、可再生能源的發電政府補貼價格、用戶側電價信息、電力負荷數據、可再生能源發電出力功率調控用戶端的電力負荷。

      其中,所述預測模塊包括:

      電力負荷預測模塊,用于將所述待預測日的時間數據和對應的氣象數據代入構建的電力負荷預測模型中,獲得電力負荷的預測值;

      風力發電出力功率預測模塊,用于將所述待預測日的時間數據和對應的氣象數據代入構建的風力發電出力功率預測模型中獲得所述風力發電出力功率預測值;

      光伏發電出力功率預測模塊,用于將所述待預測日的時間數據和對應的氣象數據代入構建的光伏發電出力功率預測模型中獲得所述光伏發電出力功率預測值。

      其中,所述電力負荷預測模型采用徑向基函數神經網絡和極限學習機方法結合預測。

      其中,所述風力發電出力功率預測模型和所述光伏發電出力功率預測模型采用arima(p,q)模型。

      以上所揭露的僅爲本發明較佳實施例而已,當然不能以此來限定本發明之權利範圍,因此依本發明權利要求所作的等同變化,仍屬本發明所涵蓋的範圍。

      再多了解一些
      當前第1頁1 2 3 
      網友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1
      X-POWER-BY FNC Vbeta FROM ZZtest