CN105896578B - 一种用于风光储联合发电系统的随机生产模拟方法 - Google Patents

Abstract

本发明公开了一种用于风光储联合发电系统的随机生产模拟方法，是按如下步骤进行：1采用K‑Means算法进行气象模式划分；2风光储概率性建模；3风力发电模块、光伏发电模块、储能装置及负荷的序列化；4基于序列运算理论的随机生产模拟。本发明能更好地描述风光互补特性，并进行风光储联合发电系统的随机生产模拟，从而能为风光储联合发电系统的运行与调度提供参考。

Description

一种用于风光储联合发电系统的随机生产模拟方法

技术领域

本发明涉及风光储联合发电系统的运行与规划领域，具体涉及应用随机生产模拟算法进行风光储联合发电系统发电量与可靠性计算。

背景技术

随机生产模拟是传统电力系统生产成本计算和可靠性评价的重要方法。随机生产模拟考虑了有关不确定性因素，如未来电力负荷的随机波动、发电机组在运行中的随机停运等情况，深刻地描述了电力系统的生产过程，给出了发电系统运行的生产成本及可靠性指标。国内外从20世纪70年代就开始随机生产模拟的研究，发展了标准卷积法、傅里叶级数法、半不变量法、等效电量函数法和基于序列运算理论的随机生产模拟计算方法。其中，序列运算理论是在解决电力系统不确定性问题的过程中所提炼出的数学理论，它以概率性序列为基础，定义序列的相关性质以及序列的卷和、卷差等序列运算。基于序列运算理论的随机生产模拟过程就是将发电机与负荷分别转化为序列，通过序列间的交积、卷差、卷和等运算，实现发电机组满足负荷需求的动态过程。

对于风光储联合发电系统，储能元件用于平抑风光功率波动，风光资源具有互补特性，这两者均对提高系统稳定性与可靠性有显著影响。如果应用传统的随机生产模拟算法来评估风光储联合发电系统的经济型与可靠性，显然无法考虑到储能装置的运行特性和风光互补作用对系统所带来的影响，这会影响到随机生产模拟结果的准确度。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提供一种用于风光储联合发电系统的随机生产模拟方法，以期能更好地描述风光互补特性和储能特性，并进行风光储联合发电系统的随机生产模拟，从而能为风光储联合发电系统的运行与调度提供参考。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种用于风光储联合发电系统的随机生产模拟方法，所述风光储联合发电系统包括：风力发电模块、光伏发电模块、储能装置；其特点在于：所述随机生产模拟方法是按如下步骤进行：

步骤一、采用K-means算法进行气象模式划分：

步骤1.1、按照昼夜将原始风光数据分作若干个时间段，定义每一时间段为一个样本；其中，每一个样本包括任意一天白天的气象数据或任意一天夜晚的气象数据；对于任意一天白天的气象数据求其风速均值、风速方差及辐照度均值三个特征量；对于任意一天夜晚的气象数据求其风速均值、风速方差两个特征量；

步骤1.2、设定类别个数为N，并随机选择初始聚类中心，采用K-means聚类算法对各个样本进行聚类；将各个特征量相似的样本划作一类并进行合并，从而形成N类气象模式；

步骤二、风光储概率性建模：

步骤2.1、应用威布尔分布函数建立如式(1)所示的第i类气象模式的风速概率分布模型f(v_i)：

式(1)中，k_i和c_i分别为第i类气象模式的形状参数和尺度参数，v_i为第i类气象模式的风速；1≤i≤N；

步骤2.2、利用式(2)获得第i类气象模式下风力发电模块中风电机组在风速为v_i时的输出有功功率P_w(v_i)：

式(2)中，v_ci为所述风电机组的切入风速，v_co为所述风电机组的切出风速，v_r为所述风电机组的额定风速，P_r为所述风电机组的额定输出功率；

由所述第i类气象模式的风速概率分布模型f(v_i)和第i类气象模式下风力发电模块中风电机组在风速为v_i时的输出有功功率P_w(v_i)构成第i类气象模式下所述风电机组的出力概率分布函数；

步骤2.3、采用式(3)模拟第i类气象模式下太阳辐照度的概率密度函数

式(3)中，α_i、β_i为第i类气象模式下Beta分布的形状系数，Γ为gamma函数，r_i为第i类气象模式下太阳辐照度，为第i类气象模式下最大太阳辐照度；

步骤2.4、采用式(4)获得第i类气象模式下所述光伏发电模块中光伏机组的有功出力

式(4)中，S_CA为所述光伏机组的面积，I_i为第i类气象模式下的太阳辐照度，η_pv为所述光伏机组的能量转换效率，并有：

式(5)中，η_c为标准测试条件下的电池能量转换效率，I_k为入射光太阳辐照度临界值；

由所述第i类气象模式下太阳辐照度的概率密度函数和第i类气象模式下所述光伏发电模块中光伏机组的有功出力构成第i类气象模式下光伏机组的出力概率分布函数；

步骤2.5、采用式(6)获得第i类气象模式下t时刻的风光储联合参考出力

式(6)中，为第i类气象模式下t时刻的风光联合出力，T_i为第i类气象模式下的计算周期，T为滤波时间常数，初始时刻下与相等；

步骤2.6、采用式(7)获得第i类气象模式下t时刻所述储能装置的出力

步骤2.7、根据所述第i类气象模式下t时刻的风光储联合参考出力和储能装置的出力通过蒙特卡洛抽样方法模拟所述储能装置的功率变化情况，并对所述储能装置的功率变化情况进行概率统计，得到第i类气象模式下所述储能装置的功率近似概率分布，记为X表示储能装置的输出功率；

步骤2.8、采用式(8)获得第i类气象模式下所述储能装置的储能等效发电机组的出力概率分布

式(8)中，所述储能装置的输出功率X大于零和小于零分别代表所述储能装置的放电状态与充电状态；

采用式(9)定义第i类气象模式下所述储能装置的储能等效负荷的出力概率分布

步骤三、风力发电模块、光伏发电模块、储能装置及负荷的序列化：

步骤3.1、将所述风力发电模块中风电机组、光伏发电模块中光伏机组、储能装置的储能等效发电机组分别定义为第1资源、第2资源和第3资源；

设所述风光储联合发电系统的实际负荷为第1需求，所述储能装置的储能等效负荷为第2需求；

步骤3.2、定义离散化步长ΔC，且ΔC为所述储能装置的出力与风光储联合发电系统的实际负荷的最大公约数；

步骤3.3、根据步长ΔC利用式(10)对第j个资源或需求进行离散化，获得序列中第m个元素S_j(m)：

式(10)中，F_j(X)为第j个资源或需求的出力概率分布，j∈{1,2,3}；

步骤四、基于序列运算理论的随机生产模拟：

步骤4.1、采用式(11)对第l次供需平衡过程中所定义的长度分别为N_a、N_b的序列a_l(m)和b_l(m)进行交积运算，获得第l次供需平衡过程中的消耗裕度的概率分u_l(m)：

式(11)中，a_l(m_a)和b_l(m_b)分别表示第l次供需平衡过程中序列a_l(m)和b_l(m)的第m_a个数与第m_b个数；

步骤4.2、采用式(12)对第l次供需平衡过程中序列a_l(m)和b_l(m)进行卷差运算，获得第l次供需平衡过程中所述风光储联合发电系统实际负荷的剩余可用裕度y_l(m)或第l次供需平衡过程中资源剩余可用裕度y_l(m)：

式(12)中，若a_l(m)代表资源，b_l(m)代表需求，则表示获得第l次供需平衡过程中资源剩余可用裕度；反之，表示获得所述风光储联合发电系统实际负荷的剩余可用裕度；

步骤4.3、将l+1赋值给l，并返回步骤4.1执行，直到所有风力发电模块中风电机组、光伏发电模块中光伏机组、储能装置的储能等效发电机组都投入运行或所述风光储联合发电系统实际负荷的剩余可用裕度中第一个元素为“1”为止；

步骤4.4、采用式(14)获得所述风光储联合发电系统的第1需求累计的消耗裕度的概率分布PR₁：

式(14)中，为第i类气象模式下第1需求的消耗裕度；P_i为第i类气象模式在N类气象模式中所占的比例；且

步骤4.5、对各资源的消耗裕度的期望值与发电时间进行乘积运算，获得各资源的发电量；

对第1需求的可用裕度的期望值与发电时间进行乘积运算，获得所述风光储联合发电系统的电量不足的期望值；

取出第1需求的可用裕度中功率为0时所对应的元素作为所述风光储联合发电系统的电量不足概率；

以所述各资源的发电量、所述风光储联合发电系统的电量不足的期望值和电量不足概率作为随机生产模拟结果。

与已有技术相比，本发明的有益效果体现在：

1、本发明能够建立风光储联合系统中包括储能元件在内的各单元的概率模型，并考虑联合系统中风光互补特性，有助于更准确地刻画电力系统生产过程。

2、本发明基于K-means聚类算法进行气象模式划分，考虑了各种可能存在的风、光气象条件组合以及昼夜情况，体现风光联合发电系统中的风光互补特性。

3、本发明针对风光储联合发电系统中的储能元件，根据储能充放电策略控制储能装置的输出功率，通过蒙特卡洛抽样得出储能装置功率的离散概率分布，进而将其等效为发电机组与负荷的组合。该方法使得储能装置得以参与到随机生产模拟过程中去，使得随机生产模拟的结果，尤其是可靠性指标更加准确。

附图说明

图1为本发明中涉及的为风光储联合发电系统的结构示意图；

图2为本发明中涉及的风光储系统的随机生产模拟算法流程图。

具体实施方式

本实施例中，如图1所示，风光储联合发电系统包括：风力发电模块、光伏发电模块、储能装置；如图2所示，一种用于风光储联合发电系统的随机生产模拟方法是按如下步骤进行：

步骤一、采用K-means算法进行气象模式划分：

在不限制新能源出力的情况下，风光储联合发电系统的出力情况与气象环境有关。如果孤立地考虑风速与太阳辐照度因素显然无法全面地描述风光互补特性。为此，将原始风速与太阳辐照度数据进行分析处理；

步骤1.1、按照昼夜将原始风光数据分作若干个时间段，定义每一时间段为一个样本；其中，每一个样本包括任意一天白天的气象数据或任意一天夜晚的气象数据；对于任意一天白天的气象数据求其风速均值、风速方差及辐照度均值三个特征量；对于任意一天夜晚的气象数据求其风速均值、风速方差两个特征量；

步骤1.2、设定类别个数为N，并随机选择初始聚类中心，采用K-means聚类算法对各个样本进行聚类；将各个特征量相似的样本划作一类并进行合并，从而形成N类气象模式；则同一气象模式下的气象数据都具有相似性，如大风风力密集且辐照度度低，或微风且辐照度高等气象模式。这一方法的中心思想尽可能全面地描述所有可能出现的风光气象组合，使得互补特性得以体现，划分越详细，对于结果的描述越精确。

步骤二、风光储概率性建模：

步骤2.1、应用威布尔分布函数建立如式(1)所示的第i类气象模式的风速概率分布模型f(v_i)：

式(1)中，k_i和c_i分别为第i类气象模式的形状参数和尺度参数，v_i为第i类气象模式的风速；1≤i≤N；

步骤2.2、利用式(2)获得第i类气象模式下风力发电模块中风电机组在风速为v_i时的输出有功功率P_w(v_i)：

式(2)中，v_ci为风电机组的切入风速，v_co为风电机组的切出风速，v_r为风电机组的额定风速，P_r为风电机组的额定输出功率；

由第i类气象模式的风速概率分布模型f(v_i)和第i类气象模式下风力发电模块中风电机组在风速为v_i时的输出有功功率P_w(v_i)构成第i类气象模式下风电机组的出力概率分布函数；

步骤2.3、采用式(3)模拟第i类气象模式下太阳辐照度的概率密度函数

式(3)中，α_i、β_i为第i类气象模式下Beta分布的形状系数，Γ为gamma函数，r_i为第i类气象模式下太阳辐照度，为第i类气象模式下最大太阳辐照度；

步骤2.4、采用式(4)获得第i类气象模式下光伏发电模块中光伏机组的有功出力

式(4)中，S_CA为光伏机组的面积，I_i为第i类气象模式下的太阳辐照度，η_pv为光伏机组的能量转换效率，并有：

式(5)中，η_c为标准测试条件下的电池能量转换效率，I_k为入射光太阳辐照度临界值；

由第i类气象模式下太阳辐照度的概率密度函数和第i类气象模式下光伏发电模块中光伏机组的有功出力构成第i类气象模式下光伏机组的出力概率分布函数；

步骤2.5、储能系统可以在能量过剩时存储能量，并在能量不足时释放能量，其将为提高风光储联合发电系统系统可靠性发挥显著作用。本发明中，储能装置主要用于平抑风光出力波动，其任务是使风光输出功率保持平稳，提高电能质量，降低对电网的冲击。采用式(6)获得第i类气象模式下t时刻的风光储联合参考出力

式(6)中，为第i类气象模式下t时刻的风光联合出力，T_i为第i类气象模式下的计算周期，T为滤波时间常数，初始时刻下与相等；

步骤2.6、采用式(7)获得第i类气象模式下t时刻储能装置的出力

步骤2.7、根据第i类气象模式下t时刻的风光储联合参考出力和储能装置的出力通过蒙特卡洛抽样方法模拟储能装置的功率变化情况，并对储能装置的功率变化情况进行概率统计，得到第i类气象模式下储能装置的功率近似概率分布，记为X表示储能装置的输出功率；

步骤2.8、采用式(8)获得第i类气象模式下储能装置的储能等效发电机组的出力概率分布

式(8)中，储能装置的输出功率X大于零和小于零分别代表储能装置的放电状态与充电状态；

采用式(9)定义第i类气象模式下储能装置的储能等效负荷的出力概率分布

在等效过程中，等效发电机出力为0的状态包含储能装置不工作与储能装置充电两种情况，对于储能等效负荷也是如此。

步骤三、风力发电模块、光伏发电模块、储能装置及负荷的序列化：

步骤3.1、将风力发电模块中风电机组、光伏发电模块中光伏机组、储能装置的储能等效发电机组分别定义为第1资源、第2资源和第3资源；

设风光储联合发电系统的实际负荷为第1需求，储能装置的储能等效负荷为第2需求；

步骤3.2、定义离散化步长ΔC，且ΔC为储能装置的出力与风光储联合发电系统的实际负荷的最大公约数；

步骤3.3、根据步长ΔC利用式(10)对第j个资源或需求进行离散化，获得序列中第m个元素S_j(m)：

式(10)中，F_j(X)为第j个资源或需求的出力概率分布，j∈{1,2,3}；对于获得的资源与需求的各个序列，其中的各个元素相加之和为1且序列中个元素的顺序是固定的，不能随意更换。

步骤四、基于序列运算理论的随机生产模拟：

序列运算理论是在解决电力系统不确定性问题的过程中所提炼出的数学理论，它以概率性序列为基础，定义序列的相关性质以及序列的卷和、卷差等序列运算。基于序列运算理论的随机生产模拟过程就是将发电机与负荷分别转化为序列，通过序列间的交积、卷差、卷和等运算，实现发电机组满足负荷需求的动态过程。

步骤4.1、采用式(11)对第l次供需平衡过程中所定义的长度分别为N_a、N_b的序列a_l(m)和b_l(m)进行交积运算，获得第l次供需平衡过程中的消耗裕度的概率分u_l(m)：

式(11)中，a_l(m_a)和b_l(m_b)分别表示第l次供需平衡过程中序列a_l(m)和b_l(m)的第m_a个数与第m_b个数；

步骤4.2、采用式(12)对第l次供需平衡过程中序列a_l(m)和b_l(m)进行卷差运算，获得第l次供需平衡过程中风光储联合发电系统实际负荷的剩余可用裕度y_l(m)或第l次供需平衡过程中资源剩余可用裕度y_l(m)：

式(12)中，若a_l(m)代表资源，b_l(m)代表需求，则表示获得第l次供需平衡过程中资源剩余可用裕度；反之，表示获得风光储联合发电系统实际负荷的剩余可用裕度；

步骤4.3、将l+1赋值给l，并返回步骤4.1执行，直到所有风力发电模块中风电机组、光伏发电模块中光伏机组、储能装置的储能等效发电机组都投入运行或风光储联合发电系统实际负荷的剩余可用裕度中第一个元素为“1”为止；循环的先后顺序即为机组的投入顺序，若在此过程中加入常规机组，只需考虑常规机组的停运概率将其序列化即可。如对于停运概率为0.1的火电机组，其序列的第一个元素为0.9，最后一个元素为0.1，其余元素均为0。

步骤4.4、采用式(14)获得风光储联合发电系统的第1需求累计的消耗裕度的概率分布PR₁：

式(14)中，为第i类气象模式下第1需求的消耗裕度；P_i为第i类气象模式在N类气象模式中所占的比例；且机组和负荷的剩余可用裕度求法与式(14)相同。

步骤4.5、对各资源的消耗裕度的期望值与发电时间进行乘积运算，获得各资源的发电量；

对第1需求的可用裕度的期望值与发电时间进行乘积运算，获得风光储联合发电系统的电量不足的期望值；

取出第1需求的可用裕度中功率为0时所对应的元素作为风光储联合发电系统的电量不足概率；

以各资源的发电量、风光储联合发电系统的电量不足的期望值和电量不足概率作为随机生产模拟结果。对于得到的随机生产模拟结果，可作为电力系统机组运行与规划的参考依据。

Claims (1)

1.一种用于风光储联合发电系统的随机生产模拟方法，所述风光储联合发电系统包括：风力发电模块、光伏发电模块、储能装置；其特征在于：所述随机生产模拟方法是按如下步骤进行：

步骤一、采用K-means算法进行气象模式划分：

步骤1.1、按照昼夜将原始风光数据分作若干个时间段，定义每一时间段为一个样本；其中，每一个样本包括任意一天白天的气象数据或任意一天夜晚的气象数据；对于任意一天白天的气象数据求其风速均值、风速方差及辐照度均值三个特征量；对于任意一天夜晚的气象数据求其风速均值、风速方差两个特征量；

步骤1.2、设定类别个数为N，并随机选择初始聚类中心，采用K-means聚类算法对各个样本进行聚类；将各个特征量相似的样本划作一类并进行合并，从而形成N类气象模式；

步骤二、风光储概率性建模：

步骤2.1、应用威布尔分布函数建立如式(1)所示的第i类气象模式的风速概率分布模型f(v_i)：

式(1)中，k_i和c_i分别为第i类气象模式的形状参数和尺度参数，v_i为第i类气象模式的风速；1≤i≤N；

步骤2.2、利用式(2)获得第i类气象模式下风力发电模块中风电机组在风速为v_i时的输出有功功率P_w(v_i)：

式(2)中，v_ci为所述风电机组的切入风速，v_co为所述风电机组的切出风速，v_r为所述风电机组的额定风速，P_r为所述风电机组的额定输出功率；

由所述第i类气象模式的风速概率分布模型f(v_i)和第i类气象模式下风力发电模块中风电机组在风速为v_i时的输出有功功率P_w(v_i)构成第i类气象模式下所述风电机组的出力概率分布函数；

步骤2.3、采用式(3)模拟第i类气象模式下太阳辐照度的概率密度函数

式(3)中，α_i、β_i为第i类气象模式下Beta分布的形状系数，Γ为gamma函数，r_i为第i类气象模式下太阳辐照度，为第i类气象模式下最大太阳辐照度；

步骤2.4、采用式(4)获得第i类气象模式下所述光伏发电模块中光伏机组的有功出力

式(4)中，S_CA为所述光伏机组的面积，I_i为第i类气象模式下的太阳辐照度，η_pv为所述光伏机组的能量转换效率，并有：

式(5)中，η_c为标准测试条件下的电池能量转换效率，I_k为入射光太阳辐照度临界值；

由所述第i类气象模式下太阳辐照度的概率密度函数和第i类气象模式下所述光伏发电模块中光伏机组的有功出力构成第i类气象模式下光伏机组的出力概率分布函数；

步骤2.5、采用式(6)获得第i类气象模式下t时刻的风光储联合参考出力

式(6)中，为第i类气象模式下t时刻的风光联合出力，T_i为第i类气象模式下的计算周期，T为滤波时间常数，初始时刻下与相等；

步骤2.6、采用式(7)获得第i类气象模式下t时刻所述储能装置的出力

步骤2.7、根据所述第i类气象模式下t时刻的风光储联合参考出力和储能装置的出力通过蒙特卡洛抽样方法模拟所述储能装置的功率变化情况，并对所述储能装置的功率变化情况进行概率统计，得到第i类气象模式下所述储能装置的功率近似概率分布，记为X表示储能装置的输出功率；

步骤2.8、采用式(8)获得第i类气象模式下所述储能装置的储能等效发电机组的出力概率分布

式(8)中，所述储能装置的输出功率X大于零和小于零分别代表所述储能装置的放电状态与充电状态；

采用式(9)定义第i类气象模式下所述储能装置的储能等效负荷的出力概率分布

步骤三、风力发电模块、光伏发电模块、储能装置及负荷的序列化：

步骤3.1、将所述风力发电模块中风电机组、光伏发电模块中光伏机组、储能装置的储能等效发电机组分别定义为第1资源、第2资源和第3资源；

设所述风光储联合发电系统的实际负荷为第1需求，所述储能装置的储能等效负荷为第2需求；

步骤3.2、定义离散化步长ΔC，且ΔC为所述储能装置的出力与风光储联合发电系统的实际负荷的最大公约数；

步骤3.3、根据步长ΔC利用式(10)对第j个资源或需求进行离散化，获得序列中第m个元素S_j(m)：

式(10)中，F_j(X)为第j个资源或需求的出力概率分布，j∈{1,2,3}；

步骤四、基于序列运算理论的随机生产模拟：

步骤4.1、采用式(11)对第l次供需平衡过程中所定义的长度分别为N_a、N_b的序列a_l(m)和b_l(m)进行交积运算，获得第l次供需平衡过程中的消耗裕度的概率分u_l(m)：

式(11)中，a_l(m_a)和b_l(m_b)分别表示第l次供需平衡过程中序列a_l(m)和b_l(m)的第m_a个数与第m_b个数；

步骤4.2、采用式(12)对第l次供需平衡过程中序列a_l(m)和b_l(m)进行卷差运算，获得第l次供需平衡过程中所述风光储联合发电系统实际负荷的剩余可用裕度y_l(m)或第l次供需平衡过程中资源剩余可用裕度y_l(m)：

式(12)中，若a_l(m)代表资源，b_l(m)代表需求，则表示获得第l次供需平衡过程中资源剩余可用裕度；反之，表示获得所述风光储联合发电系统实际负荷的剩余可用裕度；

步骤4.3、将l+1赋值给l，并返回步骤4.1执行，直到所有风力发电模块中风电机组、光伏发电模块中光伏机组、储能装置的储能等效发电机组都投入运行或所述风光储联合发电系统实际负荷的剩余可用裕度中第一个元素为“1”为止；

步骤4.4、采用式(14)获得所述风光储联合发电系统的第1需求累计的消耗裕度的概率分布PR₁：

式(14)中，为第i类气象模式下第1需求的消耗裕度；P_i为第i类气象模式在N类气象模式中所占的比例；且

步骤4.5、对各资源的消耗裕度的期望值与发电时间进行乘积运算，获得各资源的发电量；

对第1需求的可用裕度的期望值与发电时间进行乘积运算，获得所述风光储联合发电系统的电量不足的期望值；

取出第1需求的可用裕度中功率为0时所对应的元素作为所述风光储联合发电系统的电量不足概率；

以所述各资源的发电量、所述风光储联合发电系统的电量不足的期望值和电量不足概率作为随机生产模拟结果。