【技術實現步驟摘要】
本專利技術涉及電力系統調度，具體為考慮風電場出力不確定性風險的電力系統調度方法及系統。
技術介紹
1、隨著全球能源需求的增長和環境保護意識的增強，風力發電作為一種重要的可再生能源，受到廣泛關注。然而，風電場出力的隨機性和不確定性是電力系統面臨的重大挑戰之一。風力發電高度依賴于氣象條件，尤其是風速的變化，使得風電場的輸出功率具有較強的波動性和不可預測性。這種波動性不僅增加了電力系統調度的復雜性，還可能對電網的安全穩定運行構成威脅。傳統的電力系統調度方法通常依靠確定性的負荷預測和常規發電機組的運行特性來制定調度策略，但這些方法在面對風電場出力的不確定性時表現出明顯的不足，難以適應風電占比日益提高的現代電網。
2、現有技術中，許多風電出力預測方法已經被提出，包括基于統計分析的方法和人工智能算法。然而，統計分析方法通常需要大量的歷史數據支撐，并且對非線性和復雜的氣象變化響應能力較弱，而人工智能算法，如神經網絡，盡管在處理復雜非線性問題上具有一定優勢，但往往依賴于大量高質量的數據進行訓練。數據精度不足以及模型泛化能力有限，使得這些預測模型在實際應用中往往面臨準確度不足、適應性不強的問題。此外，現有方法大多忽略了對實時氣象條件的高精度模擬和分析，缺乏對局部氣象變化的快速響應能力，這進一步限制了風電出力預測的準確性和電力系統的調度效率。因此，提升風電場出力預測的準確性，深入分析氣象變化對風電場出力的影響，成為亟待解決的關鍵技術問題。
3、在所述
技術介紹
部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構
技術實現思路
1、本專利技術的目的在于提供考慮風電場出力不確定性風險的電力系統調度方法及系統，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、考慮風電場出力不確定性風險的電力系統調度方法及系統，具體步驟包括：
4、步驟1：在風電場內部的每個風力發電機組的位置設置氣象傳感器，實時采集氣象傳感數據，包括風速、溫度和氣壓；實時采集風電場區域的高分辨率衛星數據，包括風速、溫度和氣壓；
5、步驟2：使用數值天氣預報模型進行局部模擬，將氣象傳感器數據和高分辨率衛星數據輸入到數值天氣預報模型中，輸出風電場內各風力發電機組位置處的高精度氣象數據，高精度氣象數據包括局部溫度、局部風速和局部氣壓；
6、步驟3：調取各風力發電機組處的歷史時序高精度氣象數據和風力發電機組出力數據，對數據進行預處理，并基于長短時記憶網絡算法，構建風電場出力預測模型，將歷史時序高精度氣象數據作為訓練集，將風力發電機組出力數據為標簽，對模型進行訓練，得到訓練好的風電場出力預測模型；
7、步驟4：將當前的高精度氣象數據輸入至風電場出力預測模型，生成風電場未來下一時刻的局部預測出力，通過加和計算得到該風電場的總預測出力，并根據該風電場的總預測出力，動態調整電網的負荷分配和備用容量，并根據實際情況不斷優化出力預測模型和調度策略。
8、進一步地，所述在風電場內部的每個風力發電機組的位置設置氣象傳感器，并按照順序依次編號為1,2,3，…,m，即用編號代表風電場中的各個風力發電機組位置，且m表示該風電場中風力發電機組的數量。
9、進一步地，所述使用數值天氣預報模型進行局部模擬的過程，具體包括：
10、a.數據準備
11、初始條件：從gfs模型獲取區域氣象數據，包括風速、溫度和氣壓；
12、邊界條件：從衛星數據獲取高分辨率的風速、溫度和氣壓數據，從地面觀測站獲取風速、溫度和氣壓數據；
13、地形數據：從dem數據獲取風電場及其周邊區域的高分辨率地形數據；
14、b.模型設置
15、網格劃分：設置水平網格分辨率為2公里，垂直網格分辨率為100米；
16、物理參數化方案：選擇云微物理過程為wsm6方案，輻射傳輸為rrtmg方案，邊界層過程為ysu方案；
17、時間步長：設置時間步長為10秒；
18、c.模型運行
19、初始化：將初始條件和邊界條件輸入wrf模型，進行初始化；
20、模擬運行：啟動wrf模型進行模擬運行，計算風電場及其周邊區域的氣象場；
21、輸出結果：每小時輸出一次模擬結果，包括風速、溫度和氣壓；
22、d.結果分析
23、數據處理：對模擬結果進行插值和平滑處理，得到風電場內各點的高精度氣象數據，包括：風電場內位置j在時間t的局部溫度tlocal(j，t)；風電場內位置j在時間t的局部氣壓plocal(j，t)，其中，t表示時間變量。
24、進一步地，生成所述局部風速所依據的公式如下：
25、vlocal(j，t)＝α*vglobal(t)+β*tlocal(j，t)+γ*plocal(j，t)+c1
26、其中，vlocai(j，t)是風電場內位置j在t時刻的局部風速，vglobal是在t時刻的區域風速，區域風速為高分辨率衛星數據中的風速數據，α是其預設的比例系數，tlocal(j，t)是風電場內位置j在t時刻的局部溫度，β是其預設的比例系數，plocal(j,t)是風電場內位置j在t時刻的局部氣壓，γ是其預設的比例系數，且α>β>γ>0，其中，t表示時間變量，c1是常數修正指數。
27、進一步地，所述對采集到的數據進行預處理的過程，具體包括：
28、去除數據異常值：計算數據的標準差，并設定3倍標準差作為閾值，超出這個范圍的數據點被視為異常值；
29、計算數據的標準差所依據的公式為：
30、
31、其中，σ是標準差，n是數據點的總數，xi是第i個數據點，μ是數據的平均值；
32、計算數據的平均值所依據的公式為：
33、
34、其中，μ是數據的平均值，n是數據點的總數，xi是第i個數據點；
35、數據插值：對于時間序列氣象數據，使用線性插值來填補缺失值：假設數據在兩個已知點之間是線性變化的，通過計算這兩個點之間的線性關系來估計缺失值。
36、進一步地，所述構建風電場出力預測模型的過程，具體包括：
37、基于長短時記憶網絡算法，構建風電場出力預測模型，將調取的歷史時序高精度氣象數據作為訓練集，將對應的下一時刻的風力發電機組出力數據作為標簽，對模型進行訓練，得到訓練好的風電場出力預測模型；
38、所述生成風電場未來下一時刻的預測出力的過程，具體包括：
39、將風電場內j位置處實時采集的t0時刻的高精度氣象數據輸入風電場出力預測模型，輸出得到t0+1時刻的風電場內j位置的預測出力wj(t0+1)，即：
40、wj(t0+1)＝lstm(vlocal(j，t0)tlocal(j，t0)，pl本文檔來自技高網...
【技術保護點】
1.考慮風電場出力不確定性風險的電力系統調度方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所述在風電場內部的每個風力發電機組的位置設置氣象傳感器，并按照順序依次編號為1,2,3，…,M，即用編號代表風電場中的各個風力發電機組位置，且M表示該風電場中風力發電機組的數量。
3.根據權利要求1所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所述使用數值天氣預報模型進行局部模擬的過程，具體包括：
4.根據權利要求3所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：生成所述局部風速所依據的公式如下：
5.根據權利要求1所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所述對采集到的數據進行預處理的過程，具體包括：
6.根據權利要求5所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所述構建風電場出力預測模型的過程，具體包括：
7.根據權利要求6所述的考慮風電場出力不確定性風險的電力系統調度方法
8.根據權利要求1所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所述根據實際情況不斷優化預測模型和調度策略的過程，具體包括：
9.考慮風電場出力不確定性風險的電力系統調度系統，其特征在于：所述考慮風電場出力不確定性風險的電力調度系統用于執行權利要求1-8任一項所述的一種考慮風電場出力不確定性風險的電力系統調度方法，包括：
...【技術特征摘要】
1.考慮風電場出力不確定性風險的電力系統調度方法，其特征在于，具體步驟包括：
2.根據權利要求1所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所述在風電場內部的每個風力發電機組的位置設置氣象傳感器，并按照順序依次編號為1,2,3，…,m，即用編號代表風電場中的各個風力發電機組位置，且m表示該風電場中風力發電機組的數量。
3.根據權利要求1所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所述使用數值天氣預報模型進行局部模擬的過程，具體包括：
4.根據權利要求3所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：生成所述局部風速所依據的公式如下：
5.根據權利要求1所述的考慮風電場出力不確定性風險的電力系統調度方法，其特征在于：所...
【專利技術屬性】
技術研發人員：張勝杰，李明奎，黃欣，賀文滸，康晨光，田山偉，
申請(專利權)人：中廣核南召縣新能源有限公司鄧州分公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。