一种风火打捆电力输送调度方法和装置

1.本发明涉及电力系统运行与控制技术领域，尤其涉及一种风火打捆电力输送调度方法和装置。


背景技术：

2.近年来，随着巨型风电基地的不断规划建设，越来越多大规模风电站并入电网。由于风资源所在地理位置的限制，主要采用“风火打捆”的形式将风电送出消纳，即：将风电火电通过交直流混联的方式外送到用电紧缺的地区。由于风电具有间歇性与波动性的特点，风电与火电两者间的交互作用以及“风火打捆”联合外送系统对电网的影响十分复杂，将对电力系统的电压稳定、频率稳定、系统惯量等造成不利影响。
3.为了有效缓解“风火打捆”联合外送系统给电力系统带来的不利影响，也为最大程度的消纳风电。相关技术中，主要通过自动发电控制和非agc机组安全约束、电压偏差约束、频率偏差约束、调峰容量约束等风火打捆联合优化调度模型以及各种优化求解算法的机组组合来提高经济效益，增加了风电消纳规模。但相关技术中的优化方式中对于风电功率预测存在误差，电力输送效率较低，无法满足电力系统各指标要求，电力系统稳定性较差。


技术实现要素：

4.本发明的一个目的在于提供一种风火打捆电力输送调度方法，将火电厂系统信息和风电场系统信息应用于风电功率预测过程中，充分考虑风电功率预测的不确定性，能够生成可靠的风火打捆联合外送策略，降低风电功率预测误差，提高电力输送效率，确保满足电力系统各指标的要求，提升电力系统的稳定性。本发明的另一个目的在于提供一种风火打捆电力输送调度装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。
5.为了达到以上目的，本发明一方面公开了一种风火打捆电力输送调度方法，包括：
6.获取火电厂系统信息和风电场系统信息；
7.根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；
8.通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；
9.按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送。
10.优选的，根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值，包括：
11.根据风电场系统信息，构建风电场特征向量矩阵；
12.通过人工神经网络，根据风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息；
13.根据预测功率信息，得到各风电场的风电功率波动峰值。
14.优选的，风电场系统信息包括各风电场的历史出力数据和历史气象数据；
15.根据风电场系统信息，构建风电场特征向量矩阵，包括：
16.对各风电场的历史出力数据进行相关性计算，构建时空相关特征矩阵，时空相关特征矩阵包括相关性系数；
17.根据时空相关特征矩阵，选取出指定相关性排序的多个相关性系数；
18.将选取出的相关性系数对应的风电场的历史出力数据确定为初始特征向量；
19.根据历史气象数据和初始特征向量，生成风电场特征向量矩阵。
20.优选的，在通过人工神经网络，根据风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息之前，还包括：
21.对风电场特征向量矩阵中的数据进行数据清洗和归一化预处理，得到预处理后的风电场特征向量矩阵。
22.优选的，预测功率信息包括风电功率预测值和风电功率预测误差；
23.根据预测功率信息，得到各风电场的风电功率波动峰值，包括：
24.通过向前差分和向后差分原理，对风电功率预测值进行识别，得到各风电场在预测时间段内的功率序列极值；
25.根据功率序列极值，得到各风电场的初始波动峰值；
26.根据风电功率预测误差，对初始波动峰值进行调整，得到各风电场的风电功率波动峰值。
27.优选的，火电厂系统信息包括火电厂数量、火电厂地理位置信息和各火电厂可调节容量；
28.通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂，包括：
29.若各火电厂可调节容量之和大于或等于各风电场的风电功率波动峰值之和，根据各火电厂可调节容量之和与各风电场的风电功率波动峰值之和，生成波动商值；
30.若波动商值大于预设的商值阈值，根据预先生成的风火电厂间距、各火电厂可调节容量和各风电场的风电功率波动峰值，确定出对应的目标火电厂；
31.若波动商值小于或等于预设的商值阈值，通过预设的最优匹配原则，根据各火电厂可调节容量与各风电场的风电功率波动峰值，确定出对应的目标火电厂。
32.优选的，风电场的运行信息包括风电机组运行状态和风电机组总数，火电厂的运行信息包括火电机组运行状态和火电机组总数，风火开机配比包括火电机组开机配比和风电机组开机配比；
33.按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送，包括：
34.按照时间间隔，根据风电机组总数、风电机组运行状态、火电机组运行状态和火电机组总数，生成火电机组开机配比；
35.按照时间间隔，根据火电机组总数、火电机组运行状态、风电机组运行状态和风电机组总数，生成风电机组开机配比；
36.按照火电机组开机配比和风电机组开机配比进行风火打捆电力输送。
37.本发明还公开了一种风火打捆电力输送调度装置，包括：
38.获取单元，用于获取火电厂系统信息和风电场系统信息；
39.预测单元，用于根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；
40.匹配单元，用于通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；
41.电力输送单元，用于按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送。
42.优选的，预测单元，具体用于根据风电场系统信息，构建风电场特征向量矩阵；通过人工神经网络，根据风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息；根据预测功率信息，得到各风电场的风电功率波动峰值。
43.优选的，风电场系统信息包括各风电场的历史出力数据和历史气象数据；
44.预测单元，具体用于对各风电场的历史出力数据进行相关性计算，构建时空相关特征矩阵，时空相关特征矩阵包括相关性系数；根据时空相关特征矩阵，选取出指定相关性排序的多个相关性系数；将选取出的相关性系数对应的风电场的历史出力数据确定为初始特征向量；根据历史气象数据和初始特征向量，生成风电场特征向量矩阵。
45.优选的，装置还包括：
46.预处理单元，用于对风电场特征向量矩阵中的数据进行数据清洗和归一化预处理，得到预处理后的风电场特征向量矩阵。
47.优选的，预测功率信息包括风电功率预测值和风电功率预测误差；
48.预测单元，具体用于通过向前差分和向后差分原理，对风电功率预测值进行识别，得到各风电场在预测时间段内的功率序列极值；根据功率序列极值，得到各风电场的初始波动峰值；根据风电功率预测误差，对初始波动峰值进行调整，得到各风电场的风电功率波动峰值。
49.优选的，火电厂系统信息包括火电厂数量、火电厂地理位置信息和各火电厂可调节容量；
50.匹配单元，具体用于若各火电厂可调节容量之和大于或等于各风电场的风电功率波动峰值之和，根据各火电厂可调节容量之和与各风电场的风电功率波动峰值之和，生成波动商值；若波动商值大于预设的商值阈值，根据预先生成的风火电厂间距、各火电厂可调节容量和各风电场的风电功率波动峰值，确定出对应的目标火电厂；若波动商值小于或等于预设的商值阈值，通过预设的最优匹配原则，根据各火电厂可调节容量与各风电场的风电功率波动峰值，确定出对应的目标火电厂。
51.优选的，风电场的运行信息包括风电机组运行状态和风电机组总数，火电厂的运行信息包括火电机组运行状态和火电机组总数，风火开机配比包括火电机组开机配比和风电机组开机配比；
52.电力输送单元，具体用于按照时间间隔，根据风电机组总数、风电机组运行状态、火电机组运行状态和火电机组总数，生成火电机组开机配比；按照时间间隔，根据火电机组总数、火电机组运行状态、风电机组运行状态和风电机组总数，生成风电机组开机配比；按照火电机组开机配比和风电机组开机配比进行风火打捆电力输送。
53.本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。
54.本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述处理器执行所述程序时实现如上所述方法。
55.本发明还公开了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现如上所述方法。
56.本发明获取火电厂系统信息和风电场系统信息；根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送，将火电厂系统信息和风电场系统信息应用于风电功率预测过程中，充分考虑风电功率预测的不确定性，能够生成可靠的风火打捆联合外送策略，降低风电功率预测误差，提高电力输送效率，确保满足电力系统各指标的要求，提升电力系统的稳定性。
附图说明
57.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
58.图1为本发明实施例提供的一种风火打捆电力输送调度方法的流程图；
59.图2为本发明实施例提供的又一种风火打捆电力输送调度方法的流程图；
60.图3为本发明实施例提供的一种风火打捆电力输送调度装置的结构示意图；
61.图4为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
62.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
63.需要说明的是，本技术公开的一种风火打捆电力输送调度方法和装置可用于人工智能技术领域，也可用于除人工智能技术领域之外的任意领域，本技术公开的一种风火打捆电力输送调度方法和装置的应用领域不做限定。
64.为了便于理解本技术提供的技术方案，下面先对本技术技术方案的相关内容进行说明。“风火打捆”是指将风电火电通过交直流混联的方式外送到用电紧缺的地区。目前，“风火打捆”联合外送系统极大的增加了风电消纳规模，提高了“风火打捆”联合外送的经济效益，确保了电力系统的安全稳定运行。风力发电具有较强的时空相关特性，充分考虑风力发电时空相关特性可以有效减小风电间歇性和波动性对电力系统的不利影响。本发明提供
了一种风火打捆电力输送调度方法，在制定风火打捆联合外送策略时，一方面充分考虑了当前风电场出力的时间相关性、相邻风电场出力的空间相关性以及各风电场所在区域风速、风向、温度、湿度等历史气象数据(nwp)，并将其应用到风电功率预测过程中；另一方面充分考虑了风电功率预测的不确定性，即：风电功率预测误差，以期得到更为可靠的风火打捆联合外送策略，确保满足电力系统对于电能电压偏差、频率偏差、调峰容量等指标的要求。
65.下面以风火打捆电力输送调度装置作为执行主体为例，说明本发明实施例提供的风火打捆电力输送调度方法的实现过程。可理解的是，本发明实施例提供的风火打捆电力输送调度方法的执行主体包括但不限于风火打捆电力输送调度装置。
66.图1为本发明实施例提供的一种风火打捆电力输送调度方法的流程图，如图1所示，该方法包括：
67.步骤101、获取火电厂系统信息和风电场系统信息。
68.步骤102、根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值。
69.步骤103、通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂。
70.步骤104、按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送。
71.值得说明的是，本技术中技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。本技术实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。
72.本发明实施例提供的技术方案中，获取火电厂系统信息和风电场系统信息；根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送，将火电厂系统信息和风电场系统信息应用于风电功率预测过程中，充分考虑风电功率预测的不确定性，能够生成可靠的风火打捆联合外送策略，降低风电功率预测误差，提高电力输送效率，确保满足电力系统各指标的要求，提升电力系统的稳定性。
73.图2为本发明实施例提供的又一种风火打捆电力输送调度方法的流程图，如图2所示，该方法包括：
74.步骤201、获取火电厂系统信息和风电场系统信息。
75.本发明实施例中，各步骤由风火打捆电力输送调度装置执行。
76.本发明实施例中，火电厂系统信息包括但不限于火电厂数量、火电厂地理位置信息、各火电厂的历史处理数据、火电机组装机容量和各火电厂可调节容量；风电场系统信息包括但不限于风电场数量、风电场地理位置信息、各风电场的历史出力数据和历史气象数据(nwp)。其中，火电机组装机容量包括各火电厂的装机容量，各火电厂可调节容量可以根据自身的装机容量与自身的当前发电容量计算得到。具体地，火电厂可调节容量为该火电厂装机容量与当前发电容量之间的差值。
77.值得说明的是，由于各火电厂当前发电容量是实时变化的，各火电厂装机容量是固定不变的，则各火电厂的可调节容量是实时变化的。
78.具体地，按照预设时间间隔获取火电厂系统信息和风电场系统信息，其中，预设时间间隔可以根据实际需求进行设置，以实时获取火电厂系统信息和风电场系统信息。
79.步骤202、根据风电场系统信息，构建风电场特征向量矩阵。
80.本发明实施例中，考虑风电出力的时空相关性，对风电集群中任意两个不同风电场的历史出力数据进行相关性分析，构建时空相关特征矩阵，对于各个风电场，选择与自身相关性最高的k个风电场历史出力数据，以作为后续人工神经网络的输入特征向量。
81.本发明实施例中，步骤202具体包括：
82.步骤2021、对各风电场的历史出力数据进行相关性计算，构建时空相关特征矩阵，时空相关特征矩阵包括相关性系数。
83.本发明实施例中，设定各风电场随机编号为{w1,w2,w3,
…
,wn}，对任意两个风电场的历史出力数据进行两两相关性分析，构建各风电场的时空相关特征矩阵。
84.具体地，通过对风电场wi和风电场wj的历史出力数据进行计算，得到风电场wi和风电场wj之间的相关性系数。其中，r
ij
为相关性系数，n为风电场数量，x
ik
为风电场wi的历史出力数据xi的第k个值，为风电场wi的历史出力数据xi的平均值，x
jk
为风电场wj的历史出力数据xj的第k个值，为风电场wj的历史出力数据xj的平均值。
85.根据相关性系数r
ij
，构建各风电场的时空相关特征矩阵，时空相关特征矩阵如下所示：
[0086][0087]
其中，rn×n为时空相关特征矩阵，r
ij
为风电场wi和风电场wj之间相关性系数。
[0088]
步骤2022、根据时空相关特征矩阵，选取出指定相关性排序的多个相关性系数。
[0089]
本发明实施例中，时空相关特征矩阵为对称矩阵，根据时空相关特征矩阵，对相关性系数进行排序，选取出指定相关性排序的多个相关性系数。作为一种可选方案，若相关性系数为降序排序，则选取前k个相关性系数；若相关性系数为升序排序，则选择后k个相关性系数。
[0090]
步骤2023、将选取出的相关性系数对应的风电场的历史出力数据确定为初始特征向量。
[0091]
本发明实施例中，查询选取出的相关性系数对应的风电场，获取查询出的风电场的历史出力数据，构建初始特征向量。初始特征向量如下所示：
[0092][0093]
其中，p
p
×k为初始特征向量，p为查询出的风电场的历史出力数据的长度，pk(ti)表示第k个风电场在ti时刻的历史出力数据。
[0094]
步骤2024、根据历史气象数据和初始特征向量，生成风电场特征向量矩阵。
[0095]
本发明实施例中，历史气象数据(nwp)包括但不限于风电场所在区域的风速数据ws＝[ws(t0) ws(t1)
ꢀ…ꢀ…ꢀws
(t
p
)]
′
、风电场所在区域的风向数据wd＝[wd(t0) wd(t1)
ꢀ…ꢀ…ꢀ
wd(t
p
)]
′
、风电场所在区域的温度数据t＝[t(t0) t(t1)
ꢀ…ꢀ…ꢀ
t(t
p
)]
′
和风电场所在区域的空气湿度数据rh＝[rh(t0) rh(t1)
ꢀ…ꢀ…ꢀ
rh(t
p
)]
′
。
[0096]
具体地，根据历史气象数据(nwp)和初始特征向量p
p
×k，构建风电场特征向量矩阵a
p
×q＝[p
p
×
k w
s w
d t rh]。其中，p
p
×k为初始特征向量，ws为风电场所在区域的风速数据，wd为风电场所在区域的风向数据，t为风电场所在区域的温度数据，rh为风电场所在区域的空气湿度数据，a
p
×q为风电场特征向量矩阵。
[0097]
步骤203、对风电场特征向量矩阵中的数据进行数据清洗和归一化预处理，得到预处理后的风电场特征向量矩阵。
[0098]
本发明实施例中，风电场特征向量矩阵包括初始特征向量、风电场所在区域的风速数据、风电场所在区域的风向数据、风电场所在区域的温度数据和风电场所在区域的空气湿度数据。其中，初始特征向量包括多个风电场的历史出力数据。
[0099]
本发明实施例中，对初始特征向量、风电场所在区域的风速数据、风电场所在区域的风向数据、风电场所在区域的温度数据和风电场所在区域的空气湿度数据进行数据清洗具体为：滤除风电场特征向量矩阵中的异常数据。值得说明的是，数据清洗的方式可以根据实际需求进行选取，本发明实施例对此不作限定。
[0100]
本发明实施例中，对初始特征向量、风电场所在区域的风速数据、风电场所在区域的风向数据、风电场所在区域的温度数据和风电场所在区域的空气湿度数据进行归一化处理具体包括：
[0101]
从初始特征向量中筛选出最大历史出力数据和最小历史出力数据；从风电场所在区域的风速数据中筛选出最大风速数据和最小风速数据；从风电场所在区域的风向数据中筛选出最大风向数据和最小风向数据；从风电场所在区域的温度数据中筛选出最大温度数据和最小温度数据；从风电场所在区域的空气湿度数据中筛选出最大空气湿度数据和最小空气湿度数据。
[0102]
通过对风电场特征向量矩阵中的每个数据类型对应的历史数据和每个数据类型对应的最大历史数据和最小历史数据进行计算，得到该数据类型对应的归一化后的历史数据。其中，x
′
为该数据类型对应的归一化后的历史数据，x为该数据类型对应的归一化前的历史数据，min(x)为该数据类型对应的最小历史数据，max(x)为该数据类型对应的最大历史数据。其中，数据类型包括初始特征向量中的历史出力数据、风电场所在
区域的风速数据、风电场所在区域的风向数据、风电场所在区域的温度数据和风电场所在区域的空气湿度数据；最小历史数据包括最小历史出力数据、最小风速数据、最小风向数据、最小温度数据和最小空气湿度数据；最大历史数据包括最大历史出力数据、最大风速数据、最大风向数据、最大温度数据和最大空气湿度数据。
[0103]
根据多个数据类型对应的归一化后的历史数据，构建预处理后的风电场特征向量矩阵。预处理后的风电场特征向量矩阵中的数据是经过清洗和归一化处理的数据。
[0104]
本发明实施例中，对风电场特征向量矩阵中的数据进行数据清洗和归一化预处理，能够加快后续预测过程的预测速度，提高预测精度，从而提升预测效率。
[0105]
步骤204、通过人工神经网络，根据风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息。
[0106]
本发明实施例中，人工神经网络是预先训练好的预测模型。值得说明的是，对于人工神经网络的训练过程是现有的成熟技术，在此不再赘述。
[0107]
具体地，将风电场特征向量矩阵输入预训练的人工神经网络进行风电功率预测，输出各风电场在预测时间段内的预测功率信息，预测功率信息包括风电功率预测值和风电功率预测误差。风电功率预测过程如下所示：
[0108]
p
j,pre
(t
n+1
)＝model{pj(t
n-3
),
…
pj(tn),w
s1
(t
n+1
),w
d1
(t
n+1
),t(t
n+1
)}
[0109][0110]
其中，p
j,pre
(t
n+1
)为t
n+1
时刻风电功率预测值，pj(ti)为ti时刻风电功率实际值，p
j,pre
(ti)为ti时刻风电功率预测值，e为风电功率预测误差，w
s1
(t
n+1
)为t
n+1
时刻当前风电场所在区域风速数据，w
d1
(t
n+1
)为t
n+1
时刻当前风电场所在区域风向数据，t(t
n+1
)为t
n+1
时刻当前风电场所在区域温度数据。
[0111]
值得说明的是，预测时间段可以根据实际需求进行设置，本发明实施例对此不做限定。作为一种可选方案，预测时间段为1小时。
[0112]
步骤205、根据预测功率信息，得到各风电场的风电功率波动峰值。
[0113]
本发明实施例中，预测功率信息包括风电功率预测值和风电功率预测误差。采用向前差分与向后差分原理识别出预测时间段的风电场功率序列极值，由风电场功率序列极值计算得到风电场功率波动峰值与波动频率，结合各风电场的风电功率预测误差对风电功率波动峰值进行调整。
[0114]
本发明实施例中，步骤205具体包括：
[0115]
步骤2051、通过向前差分和向后差分原理，对风电功率预测值进行识别，得到各风电场在预测时间段内的功率序列极值。
[0116]
具体地，对各风电场在t时刻的风电功率预测值进行差分计算，得到各风电场在预测时间段内的功率序列极值pr。差分计算过程如下所示：
[0117][0118][0119]
极大值判别公式为：
[0120][0121]
极小值判别公式为：
[0122][0123]
其中，p
pre,t
为风电场在t时刻的风电功率预测值，k为风电场功率序列中功率点的数量，[
·
]为差分计算。
[0124]
进一步地，对各风电场在预测时间段内的功率序列极值pr进行归一化处理，得到归一化后的极值pr′
。多个风电场的归一化后的极值构成功率极值点序列。
[0125]
步骤2052、根据功率序列极值，得到各风电场的初始波动峰值。
[0126]
具体地，通过rm＝max(|p
′
r+1-pr′
|)r＝1,2,
…
m，对功率序列极值进行计算，得到初始波动峰值。其中，rm为初始波动峰值，pr′
为归一化之后功率极值点序列中第r个极值，p
′
r+1
为归一化之后功率极值点序列中第r+1个极值。
[0127]
步骤2053、根据风电功率预测误差，对初始波动峰值进行调整，得到各风电场的风电功率波动峰值。
[0128]
具体地，通过r'm＝rm(1+2e)，对风电功率预测误差和初始波动峰值进行计算，得到风电功率波动峰值。其中，e为风电功率预测误差，r'm为风电功率波动峰值，rm为初始波动峰值。
[0129]
本发明实施例中，通过风电功率预测误差动态调整各风电场的功率波动峰值，能够提高各风电场的功率波动峰值的准确性，为后续风火打捆外送策略的选取奠定可靠基础。
[0130]
步骤206、通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂。
[0131]
本发明实施例中，风火打捆外送策略可以根据实际需求进行设置。
[0132]
步骤206具体包括：
[0133]
步骤2061、判断各火电厂可调节容量之和是否大于或等于各风电场的风电功率波动峰值之和，若是，执行步骤2062；若否，流程结束。
[0134]
本发明实施例中，火电厂可调节容量为该火电厂装机容量与当前发电容量之间的差值。具体地，若各火电厂可调节容量之和大于或等于各风电场的风电功率波动峰值之和表明风电波动功率能够被火电厂补偿；继续执行步骤2062；若各火电厂可调节容量之和小于各风电场的风电功率波动峰值之和表明风电波动功率不能够被火电厂补偿，即：存在剩余风电场而不存在可对其形成功率支援的火电厂，则选择弃风或者风电应发尽发，产生的不利影响由受端电网承担，流程结束。
[0135]
步骤2062、根据各火电厂可调节容量之和与各风电场的风电功率波动峰值之和，生成波动商值。
[0136]
具体地，将各火电厂可调节容量之和除以各风电场的风电功率波动峰值之和得到波动商值。
[0137]
步骤2063、判断波动商值是否大于预设的商值阈值，若是，执行步骤2064；若否，执行步骤2065。
[0138]
本发明实施例中，若波动商值大于商值阈值，表明各火电厂可调节容量之和远大于各风电场功率波动峰值之和理想情况下，风电波动功率被完全补偿，风火打捆并网将不会给电力系统带来任何不利影响，继续执行步骤2064；若波动商值小于商值阈值，表明各火电厂可调节容量之和不是远大于各风电场功率波动峰值之和，最后剩余风电场而不存在可对其形成功率支援的火电厂，继续执行步骤2065。
[0139]
值得说明的是，商值阈值可以根据实际情况进行设置，本发明实施例对此不作限定。作为一种可选方案，商值阈值为2或3。
[0140]
步骤2064、根据预先生成的风火电厂间距、各火电厂可调节容量和各风电场的风电功率波动峰值，确定出对应的目标火电厂，本步骤结束。
[0141]
本发明实施例中，以各风电场为中心，根据各风电场地理位置信息和各火电厂地理位置信息，生成每个风电场与各火电厂之间的风火电厂间距。具体地，通过对风电场地理位置信息和火电厂地理位置信息进行距离计算，得到风火电厂间距。其中，d
ij
为风火电厂间距，(xi，yi)为风电场i地理位置信息，(xj，yj)为火电厂j地理位置信息。
[0142]
进一步地，将风火电厂间距进行升序排序，以供后续按照风火电厂间距选取目标火电厂。
[0143]
判断是否存在至少一个风电场的功率波动峰值大于任意一个火电场可调节容量，若存在，采取多火电厂联合支援同一风电场的支援策略，此种情况下仍采用距离优先原则，按照排序后的风火电厂间距，选取前k个火电厂作为目标火电厂，与风电打捆进行电力外送，并通过r
m,i
≤s
r,j
，对当前的风电场和目标火电厂进行计算，得到经火电补偿后风火打捆外送系统功率波动，其中，δs为经火电补偿后风火打捆外送系统功率波动，r
m,i
为风电场i在预测时间段内的风电功率波动峰值，s
r,j
为补偿风电场i的目标火电厂j的可调节容量，k为支援同一风电场的目标火电厂个数；若不存在，选取可调节容量大于风电场功率波动峰值且与风电厂距离最近的火电厂作为目标火电厂，与风电打捆进行电力外送，并通过δs＝r
m,i-s
r,j
，r
m,i
≤s
r,j
，对当前的风电场和目标火电厂进行计算，得到经火电补偿后风火打捆外送系统功率波动，其中，δs为经火电补偿后风火打捆外送系统功率波动，r
m,i
为风电场i在预测时间段内的风电功率波动峰值，s
r,j
为补偿风电场i的目标火电厂j的可调节容量。
[0144]
本发明实施例中，在不考虑火电厂爬坡约束的情况下，经火电补偿后风火打捆外送系统功率波动δs＝0，即：风电的波动功率被完全补偿，风火打捆并网将不会给电力系统带来任何不利影响。
[0145]
步骤2065、通过预设的最优匹配原则，根据各火电厂可调节容量与各风电场的风电功率波动峰值，确定出对应的目标火电厂，本步骤结束。
[0146]
本发明实施例中，最优匹配原则包括选取可调节容量大于风电场功率波动峰值中的最小值对应的火电厂作为目标火电厂。
[0147]
具体地，根据各火电厂可调节容量与各风电场的风电功率波动峰值，筛选出所有可调节容量大于风电场功率波动峰值的候选火电厂；按照候选火电厂的可调节容量，对候选火电厂进行排序，选取可调节容量最小的候选火电厂作为目标火电厂，与风电打捆进行电力外送，此时风电波动功率仍被完全补偿。
[0148]
步骤207、按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送。
[0149]
本发明实施例中，根据各风电场和每个风电场对应的目标火电厂，确定风电机组和火电机组运行状态，计算得到下一时刻最优风火开机配比，并根据最新的风电场功率波动峰值以及火电可调节容量，对风火开机配比进行滚动优化。
[0150]
本发明实施例中，风电场的运行信息包括风电机组运行状态和风电机组总数，火电厂的运行信息包括火电机组运行状态和火电机组总数，风火开机配比包括火电机组开机配比和风电机组开机配比。其中，风电机组的运行状态和火电机组运行状态均为布尔型变量。
[0151]
本发明实施例中，步骤207具体包括：
[0152]
步骤2071、按照时间间隔，根据风电机组总数、风电机组运行状态、火电机组运行状态和火电机组总数，生成火电机组开机配比。
[0153]
本发明实施例中，时间间隔可以根据实际需求进行设置，以实现实时动态优化火电机组开机配比。
[0154]
具体地，通过对风电机组总数、风电机组运行状态、火电机组运行状态和火电机组总数进行计算，得到火电机组开机配比。其中，gw为风电机组总数，gt为火电机组总数，为火电机组运行状态，为风电机组运行状态，η1为火电机组开机配比。
[0155]
步骤2072、按照时间间隔，根据火电机组总数、火电机组运行状态、风电机组运行状态和风电机组总数，生成风电机组开机配比。
[0156]
本发明实施例中，时间间隔可以根据实际需求进行设置，以实现实时动态优化风电机组开机配比。
[0157]
具体地，通过对火电机组总数、火电机组运行状态、风电机组运行状态和风电机组总数进行计算，得到风电机组开机配比。其中，gw为风电机组总数，gt为火电机组总数，为火电机组运行状态，为风电机组运行状态，η2为风电机组开机配比。
[0158]
步骤2073、按照火电机组开机配比和风电机组开机配比进行风火打捆电力输送。
[0159]
本发明实施例中，按照火电机组开机配比和风电机组开机配比，开启预先选取的目标火电厂和各风电场，使得目标火电厂能够补偿各风电场，进行风火打捆电力输送。
[0160]
值得说明的是，若在各火电厂可调节容量之和大于或等于各风电场的风电功率波动峰值之和的情况下，风电机组全部开机(η2＝100％)，火电机组仍剩余可调节容量，能够较好补偿风电机组；若各火电厂可调节容量之和小于各风电场的风电功率波动峰值之和由于火电厂可调节容量不足，即使火电机组全部开机(η1＝100％)，风电场仍存在弃风现象。
[0161]
值得说明的是，本技术中技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。本技术实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。
[0162]
本发明实施例提供的风火打捆电力输送调度方法的技术方案中，获取火电厂系统信息和风电场系统信息；根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送，将火电厂系统信息和风电场系统信息应用于风电功率预测过程中，充分考虑风电功率预测的不确定性，能够生成可靠的风火打捆联合外送策略，降低风电功率预测误差，提高电力输送效率，确保满足电力系统各指标的要求，提升电力系统的稳定性。
[0163]
图3为本发明实施例提供的一种风火打捆电力输送调度装置的结构示意图，该装置用于执行上述风火打捆电力输送调度方法，如图3所示，该装置包括：获取单元11、预测单元12、匹配单元13和电力输送单元14。
[0164]
获取单元11用于获取火电厂系统信息和风电场系统信息。
[0165]
预测单元12用于根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值。
[0166]
匹配单元13用于通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂。
[0167]
电力输送单元14用于按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送。
[0168]
本发明实施例中，预测单元12具体用于根据风电场系统信息，构建风电场特征向量矩阵；通过人工神经网络，根据风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息；根据预测功率信息，得到各风电场的风电功率波动峰值。
[0169]
本发明实施例中，风电场系统信息包括各风电场的历史出力数据和历史气象数据；预测单元12具体用于对各风电场的历史出力数据进行相关性计算，构建时空相关特征矩阵，时空相关特征矩阵包括相关性系数；根据时空相关特征矩阵，选取出指定相关性排序的多个相关性系数；将选取出的相关性系数对应的风电场的历史出力数据确定为初始特征向量；根据历史气象数据和初始特征向量，生成风电场特征向量矩阵。
[0170]
本发明实施例中，装置还包括：预处理单元15。
[0171]
预处理单元15用于对风电场特征向量矩阵中的数据进行数据清洗和归一化预处理，得到预处理后的风电场特征向量矩阵。
[0172]
本发明实施例中，预测功率信息包括风电功率预测值和风电功率预测误差；预测单元12具体用于通过向前差分和向后差分原理，对风电功率预测值进行识别，得到各风电场在预测时间段内的功率序列极值；根据功率序列极值，得到各风电场的初始波动峰值；根据风电功率预测误差，对初始波动峰值进行调整，得到各风电场的风电功率波动峰值。
[0173]
本发明实施例中，火电厂系统信息包括火电厂数量、火电厂地理位置信息和各火电厂可调节容量；匹配单元13具体用于若各火电厂可调节容量之和大于或等于各风电场的风电功率波动峰值之和，根据各火电厂可调节容量之和与各风电场的风电功率波动峰值之和，生成波动商值；若波动商值大于预设的商值阈值，根据预先生成的风火电厂间距、各火电厂可调节容量和各风电场的风电功率波动峰值，确定出对应的目标火电厂；若波动商值小于或等于预设的商值阈值，通过预设的最优匹配原则，根据各火电厂可调节容量与各风电场的风电功率波动峰值，确定出对应的目标火电厂。
[0174]
本发明实施例中，风电场的运行信息包括风电机组运行状态和风电机组总数，火电厂的运行信息包括火电机组运行状态和火电机组总数，风火开机配比包括火电机组开机配比和风电机组开机配比；电力输送单元14具体用于按照时间间隔，根据风电机组总数、风电机组运行状态、火电机组运行状态和火电机组总数，生成火电机组开机配比；按照时间间隔，根据火电机组总数、火电机组运行状态、风电机组运行状态和风电机组总数，生成风电机组开机配比；按照火电机组开机配比和风电机组开机配比进行风火打捆电力输送。
[0175]
本发明实施例的方案中，获取火电厂系统信息和风电场系统信息；根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送，将火电厂系统信息和风电场系统信息应用于风电功率预测过程中，充分考虑风电功率预测的不确定性，能够生成可靠的风火打捆联合外送策略，降低风电功率预测误差，提高电力输送效率，确保满足电力系统各指标的要求，提升电力系统的稳定性。
[0176]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0177]
本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述风火打捆电力输送调度方法的实施例的各步骤，具体描述可参见上述风火打捆电力输送调度方法的实施例。
[0178]
下面参考图4，其示出了适于用来实现本技术实施例的计算机设备600的结构示意图。
[0179]
如图4所示，计算机设备600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的工作和处理。在ram603中，还存储有计算机设备600操作所需的各种程序和数据。cpu601、rom602、以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0180]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶反馈器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
[0181]
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
[0182]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0183]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0184]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0185]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0186]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0187]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0188]
本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
[0189]
本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0190]
本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0191]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0192]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种风火打捆电力输送调度方法，其特征在于，所述方法包括：获取火电厂系统信息和风电场系统信息；根据所述风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；通过设置的风火打捆外送策略，根据所述风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照所述风火开机配比进行风火打捆电力输送。2.根据权利要求1所述的风火打捆电力输送调度方法，其特征在于，所述根据所述风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值，包括：根据所述风电场系统信息，构建风电场特征向量矩阵；通过人工神经网络，根据所述风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息；根据所述预测功率信息，得到各风电场的风电功率波动峰值。3.根据权利要求2所述的风火打捆电力输送调度方法，其特征在于，所述风电场系统信息包括各风电场的历史出力数据和历史气象数据；所述根据所述风电场系统信息，构建风电场特征向量矩阵，包括：对所述各风电场的历史出力数据进行相关性计算，构建时空相关特征矩阵，所述时空相关特征矩阵包括相关性系数；根据所述时空相关特征矩阵，选取出指定相关性排序的多个相关性系数；将选取出的相关性系数对应的风电场的历史出力数据确定为初始特征向量；根据所述历史气象数据和所述初始特征向量，生成风电场特征向量矩阵。4.根据权利要求2所述的风火打捆电力输送调度方法，其特征在于，在所述通过人工神经网络，根据所述风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息之前，还包括：对所述风电场特征向量矩阵中的数据进行数据清洗和归一化预处理，得到预处理后的风电场特征向量矩阵。5.根据权利要求2所述的风火打捆电力输送调度方法，其特征在于，所述预测功率信息包括风电功率预测值和风电功率预测误差；所述根据所述预测功率信息，得到各风电场的风电功率波动峰值，包括：通过向前差分和向后差分原理，对所述风电功率预测值进行识别，得到各风电场在预测时间段内的功率序列极值；根据所述功率序列极值，得到各风电场的初始波动峰值；根据所述风电功率预测误差，对所述初始波动峰值进行调整，得到各风电场的风电功率波动峰值。6.根据权利要求1所述的风火打捆电力输送调度方法，其特征在于，所述火电厂系统信息包括火电厂数量、火电厂地理位置信息和各火电厂可调节容量；所述通过设置的风火打捆外送策略，根据所述风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂，包括：
若各火电厂可调节容量之和大于或等于各风电场的风电功率波动峰值之和，根据各火电厂可调节容量之和与各风电场的风电功率波动峰值之和，生成波动商值；若所述波动商值大于预设的商值阈值，根据预先生成的风火电厂间距、各火电厂可调节容量和各风电场的风电功率波动峰值，确定出对应的目标火电厂；若所述波动商值小于或等于预设的商值阈值，通过预设的最优匹配原则，根据所述各火电厂可调节容量与各风电场的风电功率波动峰值，确定出对应的目标火电厂。7.根据权利要求1所述的风火打捆电力输送调度方法，其特征在于，所述风电场的运行信息包括风电机组运行状态和风电机组总数，所述火电厂的运行信息包括火电机组运行状态和火电机组总数，所述风火开机配比包括火电机组开机配比和风电机组开机配比；所述按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照所述风火开机配比进行风火打捆电力输送，包括：按照所述时间间隔，根据所述风电机组总数、风电机组运行状态、火电机组运行状态和火电机组总数，生成火电机组开机配比；按照所述时间间隔，根据所述火电机组总数、火电机组运行状态、风电机组运行状态和风电机组总数，生成风电机组开机配比；按照所述火电机组开机配比和风电机组开机配比进行风火打捆电力输送。8.一种风火打捆电力输送调度装置，其特征在于，所述装置包括：获取单元，用于获取火电厂系统信息和风电场系统信息；预测单元，用于根据所述风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；匹配单元，用于通过设置的风火打捆外送策略，根据所述风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；电力输送单元，用于按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照所述风火开机配比进行风火打捆电力输送。9.根据权利要求8所述的风火打捆电力输送调度装置，其特征在于，所述预测单元，具体用于根据所述风电场系统信息，构建风电场特征向量矩阵；通过人工神经网络，根据所述风电场特征向量矩阵进行风电功率预测，得到各风电场在预测时间段内的预测功率信息；根据所述预测功率信息，得到各风电场的风电功率波动峰值。10.根据权利要求9所述的风火打捆电力输送调度装置，其特征在于，所述风电场系统信息包括各风电场的历史出力数据和历史气象数据；所述预测单元，具体用于对所述各风电场的历史出力数据进行相关性计算，构建时空相关特征矩阵，所述时空相关特征矩阵包括相关性系数；根据所述时空相关特征矩阵，选取出指定相关性排序的多个相关性系数；将选取出的相关性系数对应的风电场的历史出力数据确定为初始特征向量；根据所述历史气象数据和所述初始特征向量，生成风电场特征向量矩阵。11.根据权利要求9所述的风火打捆电力输送调度装置，其特征在于，所述装置还包括：预处理单元，用于对所述风电场特征向量矩阵中的数据进行数据清洗和归一化预处理，得到预处理后的风电场特征向量矩阵。12.根据权利要求9所述的风火打捆电力输送调度装置，其特征在于，所述预测功率信
息包括风电功率预测值和风电功率预测误差；所述预测单元，具体用于通过向前差分和向后差分原理，对所述风电功率预测值进行识别，得到各风电场在预测时间段内的功率序列极值；根据所述功率序列极值，得到各风电场的初始波动峰值；根据所述风电功率预测误差，对所述初始波动峰值进行调整，得到各风电场的风电功率波动峰值。13.根据权利要求8所述的风火打捆电力输送调度装置，其特征在于，所述火电厂系统信息包括火电厂数量、火电厂地理位置信息和各火电厂可调节容量；所述匹配单元，具体用于若各火电厂可调节容量之和大于或等于各风电场的风电功率波动峰值之和，根据各火电厂可调节容量之和与各风电场的风电功率波动峰值之和，生成波动商值；若所述波动商值大于预设的商值阈值，根据预先生成的风火电厂间距、各火电厂可调节容量和各风电场的风电功率波动峰值，确定出对应的目标火电厂；若所述波动商值小于或等于预设的商值阈值，通过预设的最优匹配原则，根据所述各火电厂可调节容量与各风电场的风电功率波动峰值，确定出对应的目标火电厂。14.根据权利要求8所述的风火打捆电力输送调度装置，其特征在于，所述风电场的运行信息包括风电机组运行状态和风电机组总数，所述火电厂的运行信息包括火电机组运行状态和火电机组总数，所述风火开机配比包括火电机组开机配比和风电机组开机配比；所述电力输送单元，具体用于按照所述时间间隔，根据所述风电机组总数、风电机组运行状态、火电机组运行状态和火电机组总数，生成火电机组开机配比；按照所述时间间隔，根据所述火电机组总数、火电机组运行状态、风电机组运行状态和风电机组总数，生成风电机组开机配比；按照所述火电机组开机配比和风电机组开机配比进行风火打捆电力输送。15.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一项所述的风火打捆电力输送调度方法。16.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至7任一项所述的风火打捆电力输送调度方法。17.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至7任一项所述的风火打捆电力输送调度方法。

技术总结
本发明实施例提供了一种风火打捆电力输送调度方法和装置，所述方法包括：根据风电场系统信息进行风电功率预测处理，得到各风电场的风电功率波动峰值；通过设置的风火打捆外送策略，根据风电功率波动峰值和火电厂系统信息，匹配出各风电场对应的目标火电厂；按照预设的时间间隔，根据各风电场和每个风电场对应的目标火电厂的运行信息，生成风火开机配比，并按照风火开机配比进行风火打捆电力输送，将火电厂系统信息和风电场系统信息应用于风电功率预测过程中，充分考虑风电功率预测的不确定性，能够生成可靠的风火打捆联合外送策略，降低风电功率预测误差，提高电力输送效率，确保满足电力系统各指标的要求，提升电力系统的稳定性。稳定性。稳定性。


技术研发人员：夏雪 谢欢 卜海棠 贾丽华 叶林 苗信辉 郝烈 王泽森 罗婧 裴铭 曹天植 李奕霖
受保护的技术使用者：华北电力科学研究院有限责任公司 中国农业大学
技术研发日：2023.04.14
技术公布日：2023/7/7