技术领域
[0001] 本发明涉及电力电网控制技术领域，尤其涉及一种电网风电消纳能力的评估方法。
相关背景技术
[0002] 近年来，新能源技术不断发展，伴随着各大风力发电场地纷纷建立，风力发电技术作为其中重要组成部分已日趋成熟。风力发电机组的出力明显异于常规的水力发电或火力发电机组，原因在于风力发电场通常是由多个小额风机组成，整个风力发电场的出力受到风速、风向、尾流效应等多方面因素的影响，即整个风力发电场的出力不能简单地按照多个小额风机组出力的累加处理，除此之外，风电出力还具有很大的波动性。鉴于上述原因，研究一种电网风电消纳能力评估方法，即评估电网接纳风力发电场装机容量，对地区电网乃至整个电网的规划发展具有很大意义。
[0003] 现有技术一般通过建立风电消纳能力评估模型，配合相关求解方法实现对电网风电消纳能力的评估：首先，在历史风电和负荷数据的基础上，挖掘风电和负荷的随机统计规律，建立风电消纳能力评估模型；再结合实际情况使用相关求解方法，获取电网风电消纳能力值。
[0004] 上述风电消纳能力评估方法并没有充分考虑在极端天气条件下风电场的可靠性和稳定性的问题。
具体实施方式
[0037] 为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
[0038] 在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
[0039] 应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
[0040] 在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
[0041] 为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
[0042] 参见图1，一种电网风电消纳能力的评估方法，所述方法包括以下步骤：
[0043] 步骤S1：获取气象数据、电力系统运行数据和风电场运行数据；
[0044] 步骤S2：利用气象数据、电力系统运行数据和风电场运行数据作为输入，结合卷积神经网络和长短期记忆网络，建立极端天气与风电消纳能力之间的映射关系模型；
[0045] 步骤S3：根据步骤S2中建立的极端天气与风电消纳能力的映射关系模型，计算风电消纳率、风电弃风率、电网频率偏差；
[0046] 步骤S4：根据步骤S3计算所得到的风电消纳率、风电弃风率和电网频率偏差按照贡献率计算得出最终的评估值。
[0047] 示例性的，本发明提供的一种电网风电消纳能力的评估方法，该方法通过建立神经网络模型，结合多种数据源的输入，对电网风电消纳能力进行评估。它能够综合考虑气象条件、电力系统运行状况和风电场运行数据，通过极端天气和风电消纳能力的关系模型，计算出具体的消纳率、弃风率和频率偏差的评估指标，通过贡献率的方式得到最终的评估值，该方法可以提供对风电消纳能力的全面评估，帮助电力系统运营者做出合理的决策和优化风电资源的利用。
[0048] 具体的，所述步骤S1中的所述气象数据包括风速、风向、温度、湿度；所述电力系统运行数据包括电网负荷情况、输电线路负载情况；所述风电场运行数据包括风电机组的额定容量、装机容量。
[0049] 优选的，所述步骤S2的具体包括通过结合卷积神经网络和长短期记忆网络来学习和捕捉极端天气对风电消纳能力的影响：
[0050] 步骤S21，对采集到的数据进行预处理，包括数据清洗、缺失值填充、异常值处理，确保数据的完整性和准确性；
[0051] 步骤S22，将不同源的数据进行整合和转换，构建输入特征，对不同源的数据进行时间对齐，以确保其在相同时间点上对应，再通过特征提取，提取有意义的特征；
[0052] 步骤S23，将气象数据作为输入，使用卷积神经网络模块来捕捉不同极端天气对风电消纳能力的影响；
[0053] 步骤S24，将电力系统运行数据和风电场运行数据作为输入，使用长短期记忆网络模块来捕捉时间序列之间的依赖关系；
[0054] 步骤S25，将经过卷积神经网络模块和长短期记忆网络模块处理的特征进行融合，再通过连接层将两个模块的输出连接在一起，通过输出层输出极端天气与风电消纳能力之间的映射关系。
[0055] 示例性的，卷积神经网络可以处理气象数据的空间相关性，而长短期记忆网络可以处理电力系统运行数据和风电场运行数据的时间相关性。通过多源数据的融合和特征提取，该模型能够学习和捕捉极端天气对风电消纳能力的影响，进而进行评估和预测。
[0056] 优选的，所述步骤S23具体包括，通过卷积层对输入的气象数据进行多通道的卷积操作，以提取局部特征；再通过池化层对每个卷积通道的特征进行降维，以保留关键信息。
[0057] 优选的，所述步骤S24中的长短期记忆网络模块包含记忆单元和门控机制，将电力系统运行和风电场运行的数据序列输入长短期记忆网络网络中，逐步更新记忆状态和门控状态，以提取数据序列的有用特征。
[0058] 具体的，所述步骤S3中根据建立的极端天气与风电消纳能力的映射关系模型，计算风电消纳率、风电弃风率、电网频率偏差的具体过程如下：
[0059] 计算风电消纳率：
[0060] CR＝Cac/Cav
[0061] 其中，CR为风电消纳率，Cac为在极端天气下实际消纳的风电容量，Cav为风电场可利用容量；
[0062] 计算风电弃风率：
[0063] FR＝Cd/Cav
[0064] 其中，FR为风电弃风率，Cd为在极端天气下无法消纳的风电容量，Cav为风电场可利用容量；
[0065] 计算电网频率偏差：
[0066] ΔF＝Fa‑Fs
[0067] 其中，ΔF为电网频率偏差值，Fa为在极端天气下电网运行时的实际频率，Fs为标准电网频率，一般为50Hz或60Hz。
[0068] 示例性的，假设有以下示例数据：
[0069] 在极端天气下实际消纳的风电容量：100MW
[0070] 风电场可利用容量：120MW
[0071] 在极端天气下无法消纳的风电容量：20MW
[0072] 极端天气下电网运行时的实际频率：44Hz，其中标准电网频率为50Hz；
[0073] 根据这些数据，可以计算评估指标：
[0074] 风电消纳率：
[0075] CR＝Cac/Cav
[0076] ＝100MW/120MW
[0077] ＝0.83(即83％)
[0078] 风电弃风率：
[0079] FR＝Cd/Cav
[0080] ＝20MW/120MW
[0081] ＝0.17(即17％)
[0082] 电网频率偏差：
[0083] ΔF＝Fa‑Fs
[0084] ＝49.7Hz‑50Hz
[0085] ＝‑0.3Hz(即电网频率下降了0.3Hz)
[0086] 通过上述计算可以得出结论，该地区电网在极端天气下的风电消纳率为83％，即能够消纳风电场可利用容量的83％。风电弃风率为17％，即有17％的风电容量无法被电网消纳。同时，电网频率下降了0.3Hz，表示电网输出的有功功率也下降了，这些指标可以帮助决策者了解电网在极端天气下的风电消纳能力，进而制定相应的调度策略和优化方案。
[0087] 具体的，所述步骤S4具体包括：
[0088] C＝ω1*CR+ω2*FR+ω3*|ΔF|
[0089] 其中，C为最终的评估值，ω1为风电消纳率的贡献值，ω1＝0.4，ω2为风电弃风率的贡献值，ω2＝0.3，ω3为电网频率偏差的贡献值，ω3＝0.3。
[0090] 示例性的，C＝ω1*CR+ω2*FR+ω3*|ΔF|
[0091] ＝0.4*0.83+0.3*0.17+0.3*|‑0.3|
[0092] ＝0.473
[0093] 最终评估值的数值表示了风电消纳能力和电网稳定性的综合评估结果。C∈[0，1]；数值越高，表示风电消纳能力越强、风电弃风率越低、电网稳定性越好；数值越低，则表示风电消纳能力较弱、风电弃风率较高、电网稳定性较差。
[0094] 示例中，最终评估值C为0.473，表示再极端天气情况下的风电消纳能力较弱。
[0095] 对极端天气下地区电网的风电消纳能力进行定量评估。评估结果可为电力系统规划和风电场运维提供科学依据，以优化电网运行和风电调度策略，以确保电力系统的可靠性和稳定性。
[0096] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
