本技术涉及电力数据优化处理，具体涉及新能源并网场景下的电力优化调度方法、装置及设备。
背景技术：
1、风能发电是常见的新能源发电技术，风能发电的发电量大，能源清洁，是一种优秀的能源发电方式。但是由于风能波动较大，风能发电的波动同样较大，当电网中的风能发电占比较多时，风电的高波动性会导致电网波动较大，导致供电不稳定。
2、在风力发电并网过程中，为确保电网供电稳定，需通过风力发电功率预测获取风力发电的波动特征，并进行电力调度优化。目前，风力发电功率预测主要依赖于神经网络技术。然而，现有预测方法未能充分考虑同一风场内不同风力发电机组之间功率输出差异带来的风场特征信息，导致发电功率预测精度下降，从而影响电力设备调度的准确性。
技术实现思路
1、为了解决上述技术问题，本技术的目的在于提供新能源并网场景下的电力优化调度方法、装置及设备，所采用的技术方案具体如下：
2、第一方面，本技术实施例提供了新能源并网场景下的电力优化调度方法，该方法包括以下步骤：
3、s1，采集风电阵列中各风电机组的电功率向量；
4、s2，根据各风电机组的电功率向量在频域中所有频率与其对应的能量幅值的数值分布和同步变化情况，得到各风电机组的功率影响强度；
5、s3，根据各风电机组与其他各风电机组的电功率向量组合前后的功率影响强度对比情况，得到各风电机组相对于其他各风电机组的波动显著程度；根据各风电机组与其他所有风电机组的波动显著程度，得到各风电机组的波动显著权重；根据所有风电机组的波动显著权重和功率影响强度，得到阵列电能波动度；
6、s4，获取各时刻下风电阵列的输出功率；根据各时刻及其一段时间之前的时刻的风电阵列的输出功率和阵列电能波动度训练神经网络，得到神经预测模型，使用神经预测模型对当前时刻一段时间段之后的时刻的输出功率进行预测，得到输出功率预测值；根据输出功率预测值与预设标定功率的对比结果调度电力设备。
7、进一步，所述各风电机组的功率影响强度的获取方法，包括：
8、对各风电机组的电功率向量进行频域分析，得到各风电机组的电功率频谱；其中，电功率频谱中的各元素为电功率向量在各频率处的能量幅值；
9、将所述电功率频谱中除首位元素之外的各元素与首位元素的比值，记为各元素对应频率处的能量占比；计算各风电机组的电功率向量中所有元素的均值，记为各风电机组的功率均值；
10、计算各元素对应的频率与其对应频率处的能量占比的乘积；获取所有元素所述乘积的和值；将所述和值与各风电机组的功率均值的乘积，作为各风电机组的功率影响强度。
11、进一步，所述根据各风电机组与其他各风电机组的电功率向量组合前后的功率影响强度对比情况，得到各风电机组相对于其他各风电机组的波动显著程度，包括：
12、计算各风电机组与其他各风电机组的电功率向量的和向量，记为各风电机组与其他各风电机组的功率和向量；
13、对各风电机组与其他各风电机组的功率和向量，按照各风电机组的功率影响强度的计算方法，得到各风电机组与其他各风电机组的组合影响强度；
14、根据各风电机组与其他各风电机组的电功率向量的功率影响强度之和与所述组合影响强度的对比结果，得到各风电机组相对于其他各风电机组的波动显著程度。
15、进一步，所述根据各风电机组与其他各风电机组的电功率向量的功率影响强度之和与所述组合影响强度的对比结果，得到各风电机组相对于其他各风电机组的波动显著程度，包括：将第n个风电机组相对于第h个风电机组的波动显著程度记为，；其中，为第n个风电机组的功率影响强度；为第h个风电机组的功率影响强度；为第n个和第h个风电机组的组合影响强度。
16、进一步，所述根据各风电机组与其他所有风电机组的波动显著程度，得到各风电机组的波动显著权重，包括：
17、计算各风电机组与其他所有风电机组的波动显著程度之和，记为各风电机组的波动显著特征；将各风电机组的波动显著特征的归一化值，作为各风电机组的波动显著权重。
18、进一步，所述根据所有风电机组的波动显著权重和功率影响强度，得到阵列电能波动度，包括：
19、以各风电机组的波动显著权重为权值，计算所有风电机组的功率影响强度的加权平均值，得到阵列电能波动度。
20、进一步，所述根据各时刻及其一段时间之前的时刻的风电阵列的输出功率和阵列电能波动度训练神经网络，得到神经预测模型，使用神经预测模型对当前时刻一段时间段之后的时刻的输出功率进行预测，得到输出功率预测值，包括：
21、将当前时刻之前预设数量个时刻记为训练时刻，将所有训练时刻的风电阵列的输出功率按照时间顺序排列，得到功率标签向量；
22、使用所有训练时刻预设时间段之前的时刻的风电阵列的输出功率、阵列电能波动度和功率标签向量训练神经网络，得到训练完成的神经预测模型；
23、对当前时刻下风电阵列的输出功率、阵列电能波动度采用神经预测模型进行预测，得到预设时间段之后的时刻的输出功率预测值。
24、进一步，所述根据输出功率预测值与预设标定功率的对比结果调度电力设备，包括：当输出功率预测值低于预设数值时，启动火力发电机组。
25、第二方面，本技术实施例提供了新能源并网场景下的电力优化调度设备，所述电力优化调度设备包括：
26、电力数据采集模块，用于采集风电阵列中各风电机组的电功率向量；
27、电力数据处理模块，用于根据各风电机组的电功率向量在频域中所有频率与其对应的能量幅值的数值分布和同步变化情况，得到各风电机组的功率影响强度；根据各风电机组与其他各风电机组的电功率向量组合前后的功率影响强度对比情况，得到各风电机组相对于其他各风电机组的波动显著程度；根据各风电机组与其他所有风电机组的波动显著程度，得到各风电机组的波动显著权重；根据所有风电机组的波动显著权重和功率影响强度，得到阵列电能波动度；
28、电力设备调度模块，用于获取各时刻下风电阵列的输出功率；根据当前时刻的阵列电能波动度和输出功率对当前时刻预设时间段之后的时刻的输出功率进行预测，得到输出功率预测值；根据输出功率预测值调度电力设备。
29、第三方面，本技术实施例还提供了新能源并网场景下的电力优化调度装置，所述装置包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
30、由以上实施例可见，本技术实施例提供的新能源并网场景下的电力优化调度方法、装置及设备，至少具有如下有益效果：
31、本技术针对风力发电功率预测不准确导致电力设备调度失误的问题，分析了发电功率数据的稳定性和频域特征对发电功率预测结果的准确性的影响，首先获得风电阵列中各风电机组的电功率向量，并获得电功率向量的频谱图，并用非直流分量比上直流分量的能量幅值，表征单个风电机组的输出功率波动特征；进一步通过功率波动序列在不同频率上的分布，同时集合单个风电机组的输出功率大小，计算功率影响强度，表征单个风电机组对整个风电阵列输出功率的影响；进一步，通过不同风电机组的功率影响强度，构建波动显著程度，表征任意两个风电机组的输出功率特性的互补程度，将输出特性与其它风电机组输出特性互补程度低的风电机组作为更能表征风场风力变化特征的风电机组，最后结合功率影响强度，得到阵列电能波动度，表征当前时刻风电阵列的电能波动情况；本实施例通过对风电阵列的风电机组电功率数据进行特征提取，获取了风电阵列输出功率波动的特征，并用以此预测风电阵列电功率，可以得到更准确的风电功率预测结果，根据预测结果对电力设备优化调度，提高了电力设备的调度精度。
1.新能源并网场景下的电力优化调度方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的新能源并网场景下的电力优化调度方法，其特征在于，所述各风电机组的功率影响强度的获取方法，包括：
3.如权利要求2所述的新能源并网场景下的电力优化调度方法，其特征在于，所述根据各风电机组与其他各风电机组的电功率向量组合前后的功率影响强度对比情况，得到各风电机组相对于其他各风电机组的波动显著程度，包括：
4.如权利要求3所述的新能源并网场景下的电力优化调度方法，其特征在于，所述根据各风电机组与其他各风电机组的电功率向量的功率影响强度之和与所述组合影响强度的对比结果，得到各风电机组相对于其他各风电机组的波动显著程度，包括：将第n个风电机组相对于第h个风电机组的波动显著程度记为，；其中，为第n个风电机组的功率影响强度；为第h个风电机组的功率影响强度；为第n个和第h个风电机组的组合影响强度。
5.如权利要求1所述的新能源并网场景下的电力优化调度方法，其特征在于，所述根据各风电机组与其他所有风电机组的波动显著程度，得到各风电机组的波动显著权重，包括：
6.如权利要求1所述的新能源并网场景下的电力优化调度方法，其特征在于，所述根据所有风电机组的波动显著权重和功率影响强度，得到阵列电能波动度，包括：
7.新能源并网场景下的电力优化调度设备，实现如权利要求1-6任意一项所述的新能源并网场景下的电力优化调度方法的步骤，其特征在于，所述电力优化调度设备包括：
8.新能源并网场景下的电力优化调度装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述新能源并网场景下的电力优化调度方法的步骤。
