[发明专利]一种含光伏发电系统的优化调度方法

权利要求书

1.一种含光伏发电系统的优化调度方法，其特征在于，所述优化调度方法具体包括如下步骤：

步骤(1)、调取电网的历史负荷数据，根据历史负荷数据变化情况及变化时刻的外部影响情况，确定电网电力负荷的关键影响因素；

步骤(2)、对电网的用电负荷进行短期预测；

步骤(3)、研究光伏电站的出力特性，确定对光伏电站功率产生影响的关键因素；

步骤(4)、对光伏电站的短期输出功率进行预测；

步骤(5)、构建含光伏发电系统的优化调度模型；

步骤(6)、对优化调度模型进行求解，获取最优出力机组组合；

所述步骤(2)中的对电网的用电负荷进行短期预测的具体步骤如下：

步骤(21)、基于最小二乘支持向量机回归模型和径向基核函数，构建短期电力负荷预测模型：

y＝(q,φ(X))+b，目标函数为

其中q为要寻求的最优权值，b为线性函数阈值，X＝[x₁,x₂,…,x₈]为一个8维向量，表示输入量；y为输出数据，单位为MW；e_i为允许误差，F为惩罚因子；x₁为预测时刻的预测气温；x₂为预测时刻的预测湿度；x₃为预测当天的天气类型，分别用数字量0-5表示晴天、多云、阴天、雨天、雪天、台风；x₄为预测时刻的季节，分别用数字量0-3表示春天、夏天、秋天、冬天；x₅为预测当天的日期信息，表示当天是否为周末或节假日，分别用数字量0、1表示工作日、休息日；x₆为预测当天的政策信息，表示当天是否有重大事件，分别用数字量0、1表示没有重大事件和有重大事件；x₇为预测时刻上一时刻的负荷值；x₈为预测前一天同一时刻的负荷值；

步骤(22)、从电网的历史电力负荷数据库中选取训练数据；

步骤(23)、对选取的负荷序列进行初步数据清洗，包括序列噪声抑制、缺失数据修补以及异常数据修正：

序列噪声抑制采用模态分解方式，最先分解得到的模态具有最小的时间尺度，由于电力负荷序列呈现随机分布特性，将第一模态认定为噪声将其去除；

缺失数据修补从相似日方面和时间序列方面两个方面进行修补，对于相似日预测，将连续一段时间的数据按一天进行划分，则负荷序列从一个行向量转变为矩阵形式：

每一列表示相似日序列；假设和分别表示缺失数据x_t在垂直和水平两个方向的修正结果，则最终修正结果为对于非连续缺失数据的修补，仅从相似日方面进行修补；

异常数据修正具体包括明显异常数据剔除和缺失数据修补，对于明显异常的数据将其剔除出序列，并采用缺失数据修补的方式重新给出新的数据来代替异常数据；

步骤(24)、对数据进行约束化处理，其约束条件为|＜q,x_i＞+b-y_i|≤ε,i＝1,…,l及其中，ε为精度；对电力负荷预测模型的参数进行设置，根据训练数据对模型进行训练；

步骤(25)、根据模型训练后得到的负荷预测方程，对电网的电力负荷进行短期预测；

所述步骤(4)中同样采用最小二乘支持向量机模型对光伏电站的并网功率进行短期预测，具体包括：

获取光伏并网功率历史数据，并对数据进行预处理，对缺测数据进行填补，对不合理数据进行修正；

对数据集进行天气类型的划分，寻找近期日类型相同的数据，将相同类型相同时刻的历史输出功率值、以及温度湿度气象信息，形成训练样本，作为输入数据；

对数据进行归一化处理；

选择径向基核函数，采用参数搜索和交叉验证，选择最佳的惩罚系数和核函数参数；

用得到的最佳的惩罚系数和核函数参数进行训练，得到最小二乘支持向量机短期功率预测模型；

选择晴天、多云、雨天和雾霾天四种类型的天气，分别对每个光伏电站各整点的输出功率进行短期预测；

将每个光伏电站的短期功率预测数据进行叠加，得到总的光伏电站短期预测功率；

所述步骤(5)中的含光伏发电系统的优化调度模型具体为：

目标函数：目标函数分别表示火力发电成本最低，以及弃光量最小化以保证最大限度的接纳光电；

约束条件：

其中，T为日调度总时段数，取24；M为光伏电站数量，N为火力发电机组数量；F_i为第i台火力发电机组的煤耗成本，P_it为第i台火力发电机组在t时刻的发电功率，a_i、b_i、c_i为第i台火力发电机组的煤耗参数；为第j个光伏电站在t时刻的输出功率，P_t^PV*为光伏电站在t时刻的预测功率；P_t^D为t时刻的负荷预测值；P_min为火力发电机组的最小输出功率，P_max为火力发电机组的最大输出功率。