CN119448444A 考虑源荷相关性的电网备用容量调整方法及系统 （国网上海市电力公司）

号考虑源荷相关性的电网备用容量调整方法考虑源荷相关性的电网备用容量调整方法净负荷预测值的差值与各典型场景的概率的加网备用容量中的大值作为各时段的电网备用容与系统负荷的概率分布而导致电力系统备用容2获取每个时段下的新能源发电功率和电网负荷，并确定各时段下对每个时段下新能源发电功率的概率分布函数和电网负荷的概率分布函数进行联合基于每个时段下的源荷联合概率分布函数，生成多个抽样场景；对获取各时段下的新能源发电功率预测值和电网负荷预测值，采用高斯核密度估计法，根据新能源发电功率的历史数据进行概率密采用高斯核密度估计法，根据电网负荷的历史数据进行概率密度采用高斯核密度估计法时，以各时段内新能源发电的调频里程与电网,对24个小时的新能源发电功率的概率密度函数进行积功率的概率分布函数r,k)；3,t的电网负荷历史数据中的第i个样本，h为高斯核函数的最优带宽，K(-)为高斯核函数，对24个小时的电网负荷的概率密度函数进行积分，得到每个小时的电网采用蒙特卡洛方法，基于每个时段下的源荷联合概率分布函数，通,t对各抽样场景内的源荷联合数据，按时段分别进行归一化处理，归一,对全部的源荷联合数据归一值进行聚类，得到时段t下的第k类场景簇；第k类场景簇中，当全部抽样场景内全部时段的源荷数据与第类场景簇的聚类中心的欧式距离之和达到最小时，以时段t下第k类场景簇的新能源发电功率中心值,r和时段t下第k类场景簇的电网负荷中心值作为时段t下第k个典型场景的源荷联合数据；并且以时段t下第k类场景簇中抽样场景的数量与抽样场景总数之间的比值作为时段下第个典型场景的概其中，聚类得到的任一类场景簇包含多个抽样场景，各,4k类场景簇中第s个抽样场景内时段的电网负荷归一值，为时段t下k=1,2,…,K，K为场景簇的总数。获取各时段下的新能源发电功率预测值和电网负荷预测值，,根据各时段下各典型场景内的新能源发电功率和电网负荷，,式中，sr,为目标时段t下第k个典型场景的电网负荷，RG.,为目标时段t下第k个典,数据分布处理模块，用于获取每个时段下的新能源发电功率和典型场景生成模块，用于基于每个时段下的源荷联合概率分布中抽样场景的数量与抽样场景总数之间的比值作为各时段下典56对每个时段下新能源发电功率的概率分布函数和电网负荷的概率分布函数进行7负荷的概率密度函数；对电网负荷的概率密度函数进行积分得到电网负荷的概率分布函,式中，x为时段t的新能源发电功率，jk)为时段t的新能源发电功率的概率密度,ib')为时段t的电网负荷的概率密度函数，i为时段t的电网负荷历史数据中的第i个样本，h为高斯核函数的最优带宽，K(-)为高斯核函,8,类场景簇中，当全部抽样场景内全部时段的源荷数据与第类场景簇的聚类中心的欧式距离之和达到最小时，以时段t下第k类场景簇的新能源发电功率中心值,r和时段t下第k下第k类场景簇中抽样场景的数量与抽样场景总数之间的比值作为时段t下第k个典型场,,为第k类场景簇中第s个抽样场景内时段t的新能源发电功率k类场景簇中第s个抽样场景内时段t的电网负荷归一值，为时段t下,,式中，S,为目标时段t下第k个典型场景的电网负荷，RG,为目标时段t下第k9,式中，RE,为目标时段t下调整前的电网备场景簇中，全部抽样场景内的源荷数据与场景簇的聚类中心的欧式距离之和达到最小时，景簇中抽样场景的数量与抽样场景总数之间的比值作为各时段下典型择不同的方法对风电与光伏的发电功率数据按照小时分别进行概,,x为时段i的新能源发电功率，为时段i的新能源发电功率的概率密度,时段i的电网负荷历史数据中的第i个样本，h为高斯核函数的最优带宽，K(-)为高斯核[0024]步骤2，对每个时段下新能源发电功率的概率分布函数和电网负荷的概率分布函电网负荷的概率分布函数进行联合分布拟合，得到每个时段下的源荷联合概率分布函数，,率的概率分布函数，为时段的电网负荷的概率分布函数，c()为Copula函数，。[0026]采用FrankCopula函数，提取时段的新能源发电功率的概率分布函数与电网负数量与抽样场景总数之间的比值作为各时段,,s个抽样场景内时段t源荷联合数据中的最小第类场景簇中，当全部抽样场景内全部时段的源荷数据与第类场景簇的聚类中心的欧式距离之和达到最小时，以时段t下第k类场景簇的新能源发电功率中心值和时段t下段t下第k类场景簇中抽样场景的数量与抽样场景总数之间的比值作为时段t下第k个典型,,,t下第k个典型场景的电网负荷，RG,为目标时段t下第k个典型场景的新能源发电功率，M,为目标时段t下第k个典型场景的净负荷；[0036]步骤4.3，当各时段下各典型步骤4.4，以各时段下调整前和调整后的电网备用容量中的大值作为各时段的电具体地，不同时段下各典型场景的净负荷与净负荷预测值的差值可能大于0也可,场景簇中，全部抽样场景内的源荷数据与场景簇的聚类中心的欧式距离之和达到最小时，景簇中抽样场景的数量与抽样场景总数之间的比值作为各时段下典型[0041]计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形[0042]这里所描