[发明专利]一种数据驱动的电网灵活性裕度量化方法及系统

权利要求书

1.一种数据驱动的电网灵活性裕度量化方法，其特征在于，方法包括：

获取历史风力发电数据集和历史光伏发电数据集；

基于Copula理论，根据所述历史风力发电数据集和所述历史光伏发电数据集构建风光出力时空相关集；

利用基于概率距离的场景削减法，对所述风光出力时空相关集进行削减，以得到净负荷典型场景；

基于所述净负荷典型场景，建立电网灵活性需求模型；

建立电网的电源侧灵活性供给模型和电网的需求侧灵活性供给模型；

基于所述电网灵活性需求模型、所述电源侧灵活性供给模型和所述需求侧灵活性供给模型，计算电网灵活性缺额；所述电网灵活性缺额表征灵活性供需平衡约束；

基于所述灵活性供需平衡约束，以电网的电源侧消耗成本、电网的需求侧放电损耗补偿成本和所述电网灵活性缺额对应的惩罚成本之和最小为目标，建立数据驱动优化调度模型；

对所述数据驱动优化调度模型进行求解，以得到电网对于电源侧和需求侧的最优调度结果；

根据所述最优调度结果计算电网的灵活性裕度。

2.根据权利要求1所述的数据驱动的电网灵活性裕度量化方法，其特征在于，基于Copula理论，根据所述历史风力发电数据集和所述历史光伏发电数据集构建风光出力时空相关集，具体包括：

基于核密度估计法，根据所述历史风力发电数据集计算各时段内风电出力概率密度，根据所述历史光伏发电数据集计算各时段内光伏出力概率密度；

对于任意时段，根据所述风电出力概率密度确定风电分布函数，根据所述光伏出力概率密度确定光伏分布函数；

基于Frank-Copula函数，根据所述风电分布函数和所述光伏分布函数构建风光联合概率分布函数；

利用所述风光联合概率分布函数生成一个风光变量边缘分布函数随机数值组；

对所述风光变量边缘分布函数随机数值组，利用反函数求逆，以得到风光出力时空相关集。

3.根据权利要求1所述的数据驱动的电网灵活性裕度量化方法，其特征在于，所述风光出力时空相关集中包括多个场景，每个场景均包括风电出力数据和光伏出力数据；

所述利用基于概率距离的场景削减法，对所述风光出力时空相关集进行削减，以得到净负荷典型场景，具体包括：

计算所述风光出力时空相关集中任意两个场景之间的欧式距离；

针对每个场景，基于所述场景的出现概率以及所述场景与所述风光出力时空相关集中其他任一场景之间的欧式距离，确定所述场景对应的概率距离；

根据所述场景对应的多个概率距离，计算所述场景对应的概率距离和；

从多个所述场景中筛选出概率距离和最小的场景并剔除；

改变标记场景的出现概率；所述标记场景为与被剔除的场景对应的概率距离最小的场景；

判断剔除概率距离和最小的场景之后的场景数目是否满足预设数值要求；

若未满足预设数值要求，则返回计算所述风光出力时空相关集中任意两个场景之间的欧式距离的步骤；

若满足预设数值要求，则将剔除概率距离和最小的场景之后的所有场景确定为净负荷典型场景。

4.根据权利要求1所述的数据驱动的电网灵活性裕度量化方法，其特征在于，所述电网灵活性需求模型为：

其中，和分别表示第k个净负荷典型场景下在t时刻净负荷产生的向上灵活性需求和向下灵活性需求；和分别表示第k个净负荷典型场景下在t时刻负荷产生的向上灵活性需求和向下灵活性需求；和分别表示第k个净负荷典型场景下在t时刻光伏出力产生的向上灵活性需求和向下灵活性需求；和分别表示第k个净负荷典型场景下在t时刻风电出力产生的向上灵活性需求和向下灵活性需求；

和的计算公式如下：

其中，表示第k个净负荷典型场景下在t时刻处负荷的预测值；和分别表示第k个净负荷典型场景下在t时刻处波动的上限和波动的下限；ε_L为负荷的最大预测误差系数。