CN103916071A - 一种风光互补发电的均衡出力智能控制系统和方法 - Google Patents

一种风光互补发电的均衡出力智能控制系统和方法 Download PDF

Info

Publication number
CN103916071A
CN103916071A CN201410153375.1A CN201410153375A CN103916071A CN 103916071 A CN103916071 A CN 103916071A CN 201410153375 A CN201410153375 A CN 201410153375A CN 103916071 A CN103916071 A CN 103916071A
Authority
CN
China
Prior art keywords
wind
power generation
output
power output
solar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410153375.1A
Other languages
English (en)
Other versions
CN103916071B (zh
Inventor
邵乃华
王震宇
夏晓燕
丁峰
邹海东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DONGTAI POWER SUPPLY Co OF JIANGSU ELECTRIC POWER Co
JIANGSU MAOYUAN ELECTRIC Co Ltd
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
DONGTAI POWER SUPPLY Co OF JIANGSU ELECTRIC POWER Co
JIANGSU MAOYUAN ELECTRIC Co Ltd
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by DONGTAI POWER SUPPLY Co OF JIANGSU ELECTRIC POWER Co, JIANGSU MAOYUAN ELECTRIC Co Ltd, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd filed Critical DONGTAI POWER SUPPLY Co OF JIANGSU ELECTRIC POWER Co
Priority to CN201410153375.1A priority Critical patent/CN103916071B/zh
Publication of CN103916071A publication Critical patent/CN103916071A/zh
Application granted granted Critical
Publication of CN103916071B publication Critical patent/CN103916071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种风光互补发电的均衡出力智能控制系统和方法。本发明建立了自适应性的风能发电输出功率计算模型和太阳能发电输出功率计算模型，基于历史同期的基础性数据和联网获得的短预测数据的加权平均值，整合以上模型的计算结果而产生预测的功率输出指标，并根据预测决定未来一定时间内的风光发电配比和规模，实现均衡、稳定和符合要求的风光发电出力。

Description

一种风光互补发电的均衡出力智能控制系统和方法
技术领域
本申请涉及电力技术，更具体地，涉及一种风光互补发电的均衡出力智能控制系统和方法。
背景技术
风能和太阳能是重要的自然能源，总储量非常可观，而且属于清洁能源，对环境基本没有负面影响，能够有力弥补煤炭、石油等化学能源的缺陷。发电是目前利用风力和太阳能的主要手段，也是相关技术研发的重点领域。我国特别是中西部地区疆域广阔，自然条件优越，开展风能和太阳能发电的研究和推广，对促进环境保护和节能减排事业的发展具有重要意义。
风能和太阳能二者具有互补性，在光照不足的夜间、冬季以及阴天风能会相对较为充足，反之亦然。基于这一规律，建立集成了风力发电机和太阳能发电矩阵的风光互补发电站，能够增加发电站的有效工作时间，获得相对稳定的电力输出，提高能源的利用效率，避免单一的风能发电或者太阳能发电波动性较大的缺点。
但是，由于风能和太阳能整体上的间隙性、随机性仍然比较大，对于较大规模的风光互补发电站来说，如何保证发电站整体出力稳定并达到预定输出功率要求仍然是现有技术中存在的一个难题，特别是如何通过动态调节风光发电配比来达到满足预定要求的均衡出力，在实际运行中非常不易于实现；这一点导致的问题除了发电站对外输出功率波动以外，还包括因风光发电配比不合适而影响风光互补性的最优化，以及由于启动的风能和太阳能发电机组过多导致运行不充分，降低了风光互补发电系统的整体效率。
发明内容
针对现有技术的上述状况及缺陷，本发明提供了一种风光互补发电的均衡出力智能控制系统和方法。本发明建立了自适应性的风能发电输出功率计算模型和太阳能发电输出功率计算模型，整合以上模型的计算结果而产生预测的功率输出指标，并根据预测决定未来一定时间内的风光发电配比和规模，实现均衡、稳定和符合要求的风光发电出力。
本发明所述的风光互补发电的均衡出力智能控制系统，包括：风机控制设备、太阳能发电阵列控制设备、风光互补发电设备现场的传感器以及网络接口，其特征在于，进一步包括：
基础数据库模块，用于存储并提供风光互补发电相关的长期基础数据；
短期预测数据接口模块，用于通过网络从服务器接收风光互补发电相关的短期预测数据；
实时数据采集模块，用于从风光互补发电设备现场的传感器接收感测的风光互补发电相关的实时数据；
风能发电输出功率计算模块，接收所述长期基础数据和短期预测数据，采用预定义的风能发电输出功率计算模型，在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得风能发电输出功率的预测值；
太阳能发电输出功率计算模块，接收所述长期基础数据和短期预测数据，采用预定义的太阳能发电输出功率计算模型，在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得太阳能发电输出功率的预测值；
实时输出功率测算模块，接收所述实时数据以及风光互补发电设备的实际输出功率，采用预定义的实时修正模型在所述实时数据和实际输出功率的基础上修正所述风能发电输出功率和太阳能发电输出功率的预测值，生成修正预测值；
均衡出力控制模块，基于所述修正预测值，动态控制风光互补发电设备以产生均衡的整机输出功率。
优选的是，所述风能发电输出功率计算模块从所述短期预测数据中提取或计算未来预定时段内的平均风向风速数组值，并且从所述长期基础数据中提取风向风速参考数组值，对所述平均风向风速数组值和风向风速参考数组值进行加权平均计算，并将所述加权平均的风向风速数组值输入风能发电输出功率计算模型以便获得风能发电输出功率的预测值；并且，所述风能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的风向风速数组值为参数计算风能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于风场环境、风机分布、风机转换效率构建。
优选的是，所述太阳能发电输出功率计算模块从所述短期预测数据中提取或计算未来预定时段内的平均光照强度时长数组值，并且从所述长期基础数据提取光照强度时长参考数组值，对所述平均光照强度时长数组值和光照强度时长参考数组值进行加权平均计算，并将所述加权平均的光照强度时长数组值输入太阳能发电输出功率计算模型以便获得太阳能发电输出功率的预测值，并且，所述太阳能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的光照强度时长数组值为参数计算太阳能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于太阳能电池朝向参数及光电转换效率构建。
优选的是，所述实时输出功率测算模块累积最近时段内的实时数据及实际输出功率，计算所述实时数据及实际输出功率在所述最近时段内的平均值和变化率，并且根据所述平均值和变化率计算修正参数，基于所述修正参数修正所述风能发电输出功率和太阳能发电输出功率的预测值。
优选的是，所述均衡出力控制模块基于所述修正预测值动态调整风光互补发电设备的开机配比。
进一步地，本发明提供了一种风光互补发电的均衡出力的智能控制方法，包括从风光互补发电设备现场的传感器接收感测的风光互补发电相关的实时数据的步骤，其特征在于，进一步包括以下步骤：
从基础数据库模块获取风光互补发电相关的长期基础数据；
通过网络从服务器接收风光互补发电相关的短期预测数据；
接收所述长期基础数据和短期预测数据，采用预定义的风能发电输出功率计算模型在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得风能发电输出功率的预测值；
接收所述长期基础数据和短期预测数据，采用预定义的太阳能发电输出功率计算模型在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得太阳能发电输出功率的预测值；
接收所述实时数据以及风光互补发电设备的实际输出功率，采用预定义的实时修正模型在所述实时数据和实际输出功率的基础上修正所述风能发电输出功率和太阳能发电输出功率的预测值，生成修正预测值；
基于所述修正预测值，动态控制风光互补发电设备以产生均衡的整机输出功率。
优选的是，获得风能发电输出功率的预测值的步骤具体包括：从所述短期预测数据中提取或计算未来预定时段内的平均风向风速数组值，并且从所述长期基础数据提取风向风速参考数组值，对所述平均风向风速数组值和风向风速参考数组值进行加权平均计算，并将所述加权平均的风向风速数组值输入风能发电输出功率计算模型以便获得风能发电输出功率的预测值，并且，所述风能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的风向风速数组值为参数计算风能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于风场环境、风机分布、风机转换效率构建。
优选的是，获得太阳能发电输出功率的预测值的步骤具体包括：从所述短期预测数据中提取或计算未来预定时段内的平均光照强度时长数组值，并且从所述长期基础数据提取光照强度时长参考数组值，对所述平均光照强度时长数组值和光照强度时长参考数组值进行加权平均计算，并将所述加权平均的光照强度时长数组值输入太阳能发电输出功率计算模型以便获得太阳能发电输出功率的预测值，并且，所述太阳能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的光照强度时长数组值为参数计算太阳能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于太阳能电池朝向参数及光电转换效率构建。
优选的是，修正所述风能发电输出功率和太阳能发电输出功率的预测值的步骤具体包括：累积最近时段内的实时数据及实际输出功率，计算所述实时数据及实际输出功率在所述最近时段内的平均值和变化率，并且根据所述平均值和变化率计算修正参数，基于所述修正参数修正所述风能发电输出功率和太阳能发电输出功率的预测值。
优选的是，基于所述修正预测值动态调整风光互补发电设备的开机配比。
本发明基于风能和太阳能短期分布的随机性、可预测性以及长期分布的稳定性、规律性，基于历史同期的基础性数据和联网获得的短预测数据，按照参考模型产生预测的功率输出指标，并根据实际运行中的实时数据进行调整修正，从而在科学预测的前提下智能控制未来一定时间内的风光发电配比和规模，达到均衡、稳定和符合要求的风光发电出力。
附图说明
图1是本发明实施例的系统结构示意图；
图2是本发明实施例的方法流程示意图；
图3是风能发电输出功率计算模块的具体结构示意图；
图4是太阳能发电输出功率计算模块的具体结构示意图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述。需要指出，对优选实施例阐述的目的是为了更加充分地展示本发明的各方面的特点和有益效果。因此，优选实施例是作为示例性的，不应理解为是对本发明保护范围的限制。本发明的保护范围应当以权利要求书所请求的内容为准。
图1是本发明实施例所述的风光互补发电的均衡出力智能控制系统的结构框图。如图1所示，本系统包括：基础数据库模块101、短期预测数据接口模块102、实时数据采集模块103、风能发电输出功率计算模块104、太阳能发电输出功率计算模块105、实时输出功率测算模块106及均衡出力控制模块107。
其中，基础数据库模块101用于存储并提供风光互补发电相关的长期基础数据。基础数据库模块101中的长期基础数据指的是风光互补发电设备现场本地多年以来的相关环境数据，包括本地的平均风向、风力、阴睛概率、日照强度、日照时长等历史数据。初始的长期基础数据一般是根据当地的长期气象记录数据录入数据库的，而本系统运行后逐日累积的数据也会经过整合、平均之后录入到基础数据库模块。在时长尺度上，长期基础数据可以用一周或者若干个自然日为一个单位时段，因此，本发明在当前时间点针对未来某个单位时段进行预测时，通过调用长期基础数据，可获得本单位时段上对应的历史数据。
短期预测数据接口模块102用于通过网络从气象预报服务器接收风光互补发电相关的短期预测数据。目前，气象预报系统一般都可以以小时为单位提供某一地域范围内7*24小时的气象预报，包括风向、风力、阴睛概率、日照强度、日照时长等短期预测数据。因此，当本发明的系统在当前时间点进行针对未来某个单位时段的预测时，可以联网到气象预报系统的服务器获得该单位时段上的短期预测数据。
实时数据采集模块103基于ZigBee自组织网络协议等无线通信手段，与布设在风光互补发电设备现场的风速传感器、照度传感器等前端传感器装置建立连接，并且从风光互补发电设备现场的传感器接收感测的风光互补发电相关的实时数据，如风速值、照度值等。
风能发电输出功率计算模块104用于计算在未来某个单位时段内风能发电输出功率的预测值，基于该预测值以及对整个风光互补发电系统的输出功率要求指标，可以预先调配该未来单位时段内风机的开机容量。该模块更具体的结构参见图3，包括风向风速加权平均子模块104A和风能发电输出功率预测子模块104B。
所述风能发电输出功率计算模块104可以从基础数据库模块101接收本单位时段上对应的历史数据，例如，为了计算某月第一周风能发电输出功率的预测值，可以向基础数据库模块101调取气象历史记录数据中该月第一周的平均风向风速数据，在数据结构上，该平均风向和风力数据以一个风向风速参考数组值(WDR,WSR)来表征，其中WDR用于表示该单位时段各个风向上的发生概率，WSR用于表示该单位时段各个风向上的平均风速值，例如：
( WD R , WS R ) = 60 % 5.5 m / s 10 % 0.3 m / s 20 % 0.3 m / s 10 % 0.3 m / s
可以表示该单位时段的历史记录数据中，在设备现场偏东向风的发生概率为60%，平均风速为5.5m/s，而偏南、偏西、偏北向风的发生概率分别为10%，20%和10%，平均风速为0.3m/s。
所述风能发电输出功率计算模块104通过短期预测数据接口模块102接收该单位时段（即某月第一周）对应的以天或小时为单位产生的预测数据，并且基于这些预测数据进行统计和平均，从而计算所述单位时段的短期预测数据的平均值，在数据结构上该平均值表现为平均风速风向数组值(WDA,WSA)，其中WDA用于表示该单位时段预测各个风向上的发生概率，WSA用于表示该单位时段预测各个风向上的平均风速值，例如：
( WD A , WS A ) = 45 % 4.5 m / s 10 % 0.2 m / s 25 % 1.5 m / s 20 % 0.2 m / s
表示该单位时段的短期预测数据中，在设备现场偏东、偏南、偏西、偏北各向风的预测发生概率及预测平均风速值。
基于所述长期基础数据和短期预测数据，风能发电输出功率计算模块104采用预定义的风能发电输出功率计算模型在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得风能发电输出功率的预测值。具体来说，所述风向风速加权平均子模块104A对所述平均风向风速数组值(WDA,WSA)和风向风速参考数组值(WDR,WSR)进行加权平均计算，取得所述加权平均的风向风速数组值(WDW,WSW)，即
(WDW,WSW)＝α*(WDA,WSA)+β*(WDR,WSR)
可以根据实际情况确定权重比例的大小，例如可以通过加大权重值β而将短期预测数据作为其主要的依据因素。
然后，可将加权平均的风向风速数组值(WDW,WSW)输入风能发电输出功率预测子模块104B，该子模块调用风能发电输出功率计算模型，计算获得风能发电输出功率的预测值。所述风能发电输出功率计算模型根据风光互补发电设备的物理函数，以所述加权平均的风向风速数组值(WDW,WSW)为参数计算风能发电输出功率的预测值，其中所述风光互补发电设备物理函数是基于风场环境、风机分布、风机转换效率所构建的，风场环境考虑风场周边的障碍物分布、地表植被覆盖率等因素对风速的影响，风机分布考虑风机的朝向、密度、层级等因素，在相同的风速风向条件下，不同的风机分布会改变风能发电输出功率大小；风机转换效率基于风机自身运行效率，在相同的风速风向条件下，不同的风机转换效率也会改变风能发电输出功率大小。针对风光互补发电设备在上述风场环境、风机分布和风机转换效率等因素的具体情况，预定义了所述风光互补发电设备物理函数WP＝φ(WDW,WSW)，其中WP为风能发电输出功率的预测值，物理函数φ即基于上述风场环境、风机分布和风机转换效率等因素所构建，通过对该函数代入之前步骤中生成的加权平均的风向风速数组值(WDW,WSW)，即计算获得风能发电输出功率的预测值。
相类似地，太阳能发电输出功率计算模块105具体包括光照时长强度加权平均子模块105A和太阳能发电输出功率预测子模块105B，如图4所示。
太阳能发电输出功率计算模块105从基础数据库模块101接收所述单位时段（即某月第一周）对应的历史平均光照强度和时长作为长期基础数据，具体到数据结构方面，太阳能发电输出功率计算模块105接收光照强度时长参考数组值(ITR,IDR)，其中ITR用于表示该单位时段历史记录数据中平均的光照时长，IDR用于表示该单位时段历史记录数据中平均的光照强度，例如：
(ITR,IDR)=(70h1.5kW/m2)
所述太阳能发电输出功率计算模块105进而通过短期预测数据接口模块102接收该单位时段（即某月第一周）对应的以天或小时为单位产生的预测数据，并且基于这些预测数据进行统计和平均，从而计算所述单位时段的短期预测数据的平均值，即平均光照强度时长数组值(ITA,IDA)，其中ITA用于表示该单位时段预测的光照时长，IDA用于表示该单位时段预测的平均光照强度，例如：
(ITA,IDA)=(60h1.3kW/m2)
所述光照时长强度加权平均子模块105A对所述平均光照强度时长数组值和光照强度时长参考数组值进行加权平均计算，获得加权平均的光照强度时长数组值(ITW,IDW)
(ITW,IDW)＝α*(ITA,IDA)+β*(ITR,IDR)
并将所述加权平均的光照强度时长数组值(ITW,IDW)输入太阳能发电输出功率预测子模块105B，该子模块调用太阳能发电输出功率计算模型以便获得太阳能发电输出功率的预测值。所述太阳能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的光照强度时长数组值为参数计算太阳能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于太阳能电池朝向参数及光电转换效率构建，太阳能电池朝向参数决定了在一定光照时长条件下太阳能发电的有效工作时间，光电转换效率决定了本系统的太阳能到电能的转换效率。根据系统实际情况，预定义了所述风光互补发电设备物理函数其中IP为太阳能发电输出功率的预测值，物理函数即基于上述太阳能电池朝向参数及光电转换效率等因素所构建，通过对该函数代入之前步骤中生成的加权平均的(ITW,IDW)，即计算获得太阳能发电输出功率的预测值。
实时输出功率测算模块106从实时数据采集模块103接收当前时间点之前一定时间段内累积的风向、风速、光照强度、光照时长等实时数据以及风光互补发电设备在当前时间点之前一定时间段内的实际输出功率以及变化率，采用预定义的实时修正模型，在所述实时数据和实际输出功率及其变化率的基础上修正所述风能发电输出功率和太阳能发电输出功率的预测值WP和IP，生成修正预测值WPC和IPc。例如，通过平均当前时间点之前一周所累积的风向和风速及风能发电产生的实际输出功率，发现比当前时间点之前一周的预测值高了20%，则将该20%作为修正参数代入实时修正模型，对当前时间点之后的单位时段内的预测值WP进行修正。
均衡出力控制模块107，基于所述修正预测值WPC和IPc，动态控制风光互补发电设备，以产生均衡的整机输出功率。具体而言，该模块可以基于所述修正预测值，动态调整风光互补发电设备的开机容量和配比，达到在未来的单位时段内产生均衡并符合要求的输出功率的目的。
通过上述系统,本发明提供了一种风光互补发电的均衡出力的智能控制方法。图2示出了该方法的流程示意图，具体包括如下步骤：步骤201，从基础数据库模块获取风光互补发电相关的长期基础数据；步骤202，通过网络从服务器接收风光互补发电相关的短期预测数据；步骤203，从风光互补发电设备现场的传感器接收感测的风光互补发电相关的实时数据；步骤204，接收所述长期基础数据和短期预测数据，采用预定义的风能发电输出功率计算模型在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得风能发电输出功率的预测值；步骤205，接收所述长期基础数据和短期预测数据，采用预定义的太阳能发电输出功率计算模型在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得太阳能发电输出功率的预测值；步骤206，接收所述实时数据以及风光互补发电设备的实际输出功率，采用预定义的实时修正模型在所述实时数据和实际输出功率的基础上修正所述风能发电输出功率和太阳能发电输出功率的预测值，生成修正预测值；步骤207，基于所述修正预测值，动态控制风光互补发电设备以产生均衡的整机输出功率。
可见，本发明基于风能和太阳能短期分布的随机性、可预测性以及长期分布的稳定性、规律性，基于历史同期的基础性数据和联网获得的短预测数据，按照参考模型产生预测的功率输出指标，并根据实际运行中的实时数据进行调整修正，从而在科学预测的前提下智能控制未来一定时间内的风光发电配比和规模，达到均衡、稳定和符合要求的风光发电出力。

Claims (10)

1.一种风光互补发电的均衡出力智能控制系统，包括：
基础数据库模块，用于存储并提供风光互补发电相关的长期基础数据；
短期预测数据接口模块，用于通过网络从服务器接收风光互补发电相关的短期预测数据；
实时数据采集模块，用于从风光互补发电设备现场的传感器接收感测的风光互补发电相关的实时数据；
风能发电输出功率计算模块，接收所述长期基础数据和短期预测数据，采用预定义的风能发电输出功率计算模型,在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得风能发电输出功率的预测值；
太阳能发电输出功率计算模块，接收所述长期基础数据和短期预测数据，采用预定义的太阳能发电输出功率计算模型,在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得太阳能发电输出功率的预测值；
实时输出功率测算模块，接收所述实时数据以及风光互补发电设备的实际输出功率，采用预定义的实时修正模型在所述实时数据和实际输出功率的基础上修正所述风能发电输出功率和太阳能发电输出功率的预测值，生成修正预测值；
均衡出力控制模块，基于所述修正预测值，动态控制风光互补发电设备以产生均衡的整机输出功率。
2.根据权利要求1所述的风光互补发电的均衡出力智能控制系统，其特征在于，所述风能发电输出功率计算模块从所述短期预测数据中提取或计算未来预定时段内的平均风向风速数组值，并且从所述长期基础数据提取风向风速参考数组值，对所述平均风向风速数组值和风向风速参考数组值进行加权平均计算，并将所述加权平均的风向风速数组值输入风能发电输出功率计算模型以便获得风能发电输出功率的预测值；
并且，所述风能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的风向风速数组值为参数计算风能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于风场环境、风机分布、风机转换效率构建。
3.根据权利要求1所述的风光互补发电的均衡出力智能控制系统，其特征在于，所述太阳能发电输出功率计算模块从所述短期预测数据中提取或计算未来预定时段内的平均光照强度时长数组值，并且从所述长期基础数据中提取光照强度时长参考数组值，对所述平均光照强度时长数组值和光照强度时长参考数组值进行加权平均计算，并将所述加权平均的光照强度时长数组值输入太阳能发电输出功率计算模型以便获得太阳能发电输出功率的预测值；
并且，所述太阳能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的光照强度时长数组值为参数计算太阳能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于太阳能电池朝向参数及光电转换效率构建。
4.根据权利要求1所述的风光互补发电的均衡出力智能控制系统，其特征在于，所述实时输出功率测算模块累积最近时段内的实时数据及实际输出功率，计算所述实时数据及实际输出功率在所述最近时段内的平均值和变化率，并且根据所述平均值和变化率计算修正参数，基于所述修正参数修正所述风能发电输出功率和太阳能发电输出功率的预测值。
5.根据权利要求1所述的风光互补发电的均衡出力智能控制系统，其特征在于，所述均衡出力控制模块基于所述修正预测值动态调整风光互补发电设备的开机配比。
6.一种风光互补发电的均衡出力的智能控制方法，包括：
从基础数据库模块获取风光互补发电相关的长期基础数据；
通过网络从服务器接收风光互补发电相关的短期预测数据；
从风光互补发电设备现场的传感器接收感测的风光互补发电相关的实时数据；
接收所述长期基础数据和短期预测数据，采用预定义的风能发电输出功率计算模型，在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得风能发电输出功率的预测值；
接收所述长期基础数据和短期预测数据，采用预定义的太阳能发电输出功率计算模型，在所述短期预测数据的基础上基于所述长期基础数据进行预测计算，获得太阳能发电输出功率的预测值；
接收所述实时数据以及风光互补发电设备的实际输出功率，采用预定义的实时修正模型在所述实时数据和实际输出功率的基础上修正所述风能发电输出功率和太阳能发电输出功率的预测值，生成修正预测值；
基于所述修正预测值，动态控制风光互补发电设备以产生均衡的整机输出功率。
7.根据权利要求6所述的风光互补发电的均衡出力的智能控制方法，其特征在于，获得风能发电输出功率的预测值的步骤具体包括：从所述短期预测数据中提取或计算未来预定时段内的平均风向风速数组值，并且从所述长期基础数据提取风向风速参考数组值，对所述平均风向风速数组值和风向风速参考数组值进行加权平均计算，并将所述加权平均的风向风速数组值输入风能发电输出功率计算模型以便获得风能发电输出功率的预测值；
并且，所述风能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的风向风速数组值为参数计算风能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于风场环境、风机分布、风机转换效率构建。
8.根据权利要求6所述的风光互补发电的均衡出力的智能控制方法，其特征在于，获得太阳能发电输出功率的预测值的步骤具体包括：从所述短期预测数据中提取或计算未来预定时段内的平均光照强度时长数组值，并且从所述长期基础数据提取光照强度时长参考数组值，对所述平均光照强度时长数组值和光照强度时长参考数组值进行加权平均计算，并将所述加权平均的光照强度时长数组值输入太阳能发电输出功率计算模型以便获得太阳能发电输出功率的预测值；
并且，所述太阳能发电输出功率计算模型根据风光互补发电设备物理函数，以所述加权平均的光照强度时长数组值为参数计算太阳能发电输出功率的预测值，其中所述风光互补发电设备物理函数基于太阳能电池朝向参数及光电转换效率构建。
9.根据权利要求6所述的风光互补发电的均衡出力的智能控制方法，其特征在于，修正所述风能发电输出功率和太阳能发电输出功率的预测值的步骤具体包括：累积最近时段内的实时数据及实际输出功率，计算所述实时数据及实际输出功率在所述最近时段内的平均值和变化率，并且根据所述平均值和变化率计算修正参数，基于所述修正参数修正所述风能发电输出功率和太阳能发电输出功率的预测值。
10.根据权利要求6所述的风光互补发电的均衡出力的智能控制方法，其特征在于，基于所述修正预测值动态调整风光互补发电设备的开机配比。
CN201410153375.1A 2014-04-16 2014-04-16 一种风光互补发电的均衡出力智能控制系统和方法 Active CN103916071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410153375.1A CN103916071B (zh) 2014-04-16 2014-04-16 一种风光互补发电的均衡出力智能控制系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410153375.1A CN103916071B (zh) 2014-04-16 2014-04-16 一种风光互补发电的均衡出力智能控制系统和方法

Publications (2)

Publication Number Publication Date
CN103916071A true CN103916071A (zh) 2014-07-09
CN103916071B CN103916071B (zh) 2016-03-02

Family

ID=51041521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410153375.1A Active CN103916071B (zh) 2014-04-16 2014-04-16 一种风光互补发电的均衡出力智能控制系统和方法

Country Status (1)

Country Link
CN (1) CN103916071B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106385220A (zh) * 2016-10-17 2017-02-08 常州元乾智能科技有限公司 光伏电站多功能智能管理方法及系统
CN107749148A (zh) * 2017-11-29 2018-03-02 安徽大学 一种粉尘智能预警装置
CN111365218A (zh) * 2020-03-13 2020-07-03 宁夏大学 一种太阳能风能无蓄电提水控制器
US10819116B2 (en) * 2017-02-28 2020-10-27 International Business Machines Corporation Forecasting solar power generation using real-time power data

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111781978A (zh) * 2020-07-22 2020-10-16 中国人民解放军32181部队 一种基于风光互补发电的军械仓库智能控温控湿系统及其容量计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009252940A (ja) * 2008-04-04 2009-10-29 Mitsubishi Electric Corp 太陽光発電システムの出力予測装置およびそれを用いた需給制御システム
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
US20120137684A1 (en) * 2010-12-02 2012-06-07 Or Yogev Solar augmented wind turbine for stable & dispatchable utility scale power generation
CN103390903A (zh) * 2013-06-29 2013-11-13 内蒙古电力勘测设计院 新型风光储智能联合发电系统及其控制方法
CN103499957A (zh) * 2013-09-26 2014-01-08 国家电网公司 一种基于多代理的风光互补发电系统的管理控制系统
CN103577893A (zh) * 2013-11-05 2014-02-12 国家电网公司 一种新能源与火电双向为高载能负荷供电的节能优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009252940A (ja) * 2008-04-04 2009-10-29 Mitsubishi Electric Corp 太陽光発電システムの出力予測装置およびそれを用いた需給制御システム
US20120137684A1 (en) * 2010-12-02 2012-06-07 Or Yogev Solar augmented wind turbine for stable & dispatchable utility scale power generation
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
CN103390903A (zh) * 2013-06-29 2013-11-13 内蒙古电力勘测设计院 新型风光储智能联合发电系统及其控制方法
CN103499957A (zh) * 2013-09-26 2014-01-08 国家电网公司 一种基于多代理的风光互补发电系统的管理控制系统
CN103577893A (zh) * 2013-11-05 2014-02-12 国家电网公司 一种新能源与火电双向为高载能负荷供电的节能优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段彬: "风光互补发电控制系统中的短期功率预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 12, 15 December 2011 (2011-12-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106385220A (zh) * 2016-10-17 2017-02-08 常州元乾智能科技有限公司 光伏电站多功能智能管理方法及系统
US10819116B2 (en) * 2017-02-28 2020-10-27 International Business Machines Corporation Forecasting solar power generation using real-time power data
CN107749148A (zh) * 2017-11-29 2018-03-02 安徽大学 一种粉尘智能预警装置
CN111365218A (zh) * 2020-03-13 2020-07-03 宁夏大学 一种太阳能风能无蓄电提水控制器

Also Published As

Publication number Publication date
CN103916071B (zh) 2016-03-02

Similar Documents

Publication Publication Date Title
CN102694391B (zh) 风光储联合发电系统日前优化调度方法
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
Kudo et al. Forecasting electric power generation in a photovoltaic power system for an energy network
CN103916071B (zh) 一种风光互补发电的均衡出力智能控制系统和方法
CN113708365B (zh) 一种基于端边云架构的虚拟电厂能源管控优化方法及系统
CN105811407B (zh) 一种基于分布式牛顿法的微电网一次调频控制方法
CN102545707B (zh) 以发电单元为基本预测单元的发电功率预测方法及系统
CN103218673A (zh) 基于bp神经网络的光伏发电短期出力预测方法
CN102419394B (zh) 一种预测分辨率可变的风光功率预测方法
CN106681206B (zh) 一种面向WSNs的环境自适应的能量感知方法
CN104362681B (zh) 一种考虑随机性的孤岛微电网容量优化配置方法
CN102005760A (zh) 一种通用风电功率短期预报方法
CN103955763A (zh) 一种风光互补电站容量配比的计算方法
KR101635450B1 (ko) 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템
CN107204615A (zh) 一种实现功率预测的方法及系统
CN104268659A (zh) 一种光伏电站发电功率超短期预测方法
CN112882403A (zh) 一种基于物联网的综合智慧能源管控系统
CN101908177A (zh) 一种利用智能电网调控用户碳排放量的方法
CN107894707B (zh) 一种互联网智能花墙阳光模拟控制方法及其系统
CN109978277A (zh) 光伏发电中区域上网负荷预测方法及装置
CN105205564A (zh) 基于测风塔神经网络的风电场弃风电量统计系统及方法
CN105610199A (zh) 考虑网架约束的风光配比确定方法及其装置
Zamanidou et al. Day‐ahead scheduling of a hybrid renewable energy system based on generation forecasting using a deep‐learning approach
Sahoo et al. Energy forecasting for grid connected MW range solar PV system
Jeong et al. Predicting the long-term behavior of a micro-solar power system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant