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
一种用于风光储联合发电系统的随机生产模拟方法 Download PDFInfo
- Publication number
- CN105896578B CN105896578B CN201610230146.4A CN201610230146A CN105896578B CN 105896578 B CN105896578 B CN 105896578B CN 201610230146 A CN201610230146 A CN 201610230146A CN 105896578 B CN105896578 B CN 105896578B
- Authority
- CN
- China
- Prior art keywords
- wind
- formula
- solar
- energy storage
- class
- 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.)
- Expired - Fee Related
Links
- 238000003860 storage Methods 0.000 title claims abstract description 66
- 230000005611 electricity Effects 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004146 energy storage Methods 0.000 claims abstract description 74
- 238000010248 power generation Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 abstract 1
- 230000000295 complement effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000002773 nucleotide Substances 0.000 description 2
- 125000003729 nucleotide group Chemical group 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
- H02S10/10—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power including a supplementary source of electric power, e.g. hybrid diesel-PV energy systems
- H02S10/12—Hybrid wind-PV energy systems
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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(vi):
式(1)中,ki和ci分别为第i类气象模式的形状参数和尺度参数,vi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vi时的输出有功功率Pw(vi):
式(2)中,vci为所述风电机组的切入风速,vco为所述风电机组的切出风速,vr为所述风电机组的额定风速,Pr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(vi)和第i类气象模式下风力发电模块中风电机组在风速为vi时的输出有功功率Pw(vi)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,αi、βi为第i类气象模式下Beta分布的形状系数,Γ为gamma函数,ri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,SCA为所述光伏机组的面积,Ii为第i类气象模式下的太阳辐照度,ηpv为所述光伏机组的能量转换效率,并有:
式(5)中,ηc为标准测试条件下的电池能量转换效率,Ik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,Ti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Sj(m):
式(10)中,Fj(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Na、Nb的序列al(m)和bl(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ul(m):
式(11)中,al(ma)和bl(mb)分别表示第l次供需平衡过程中序列al(m)和bl(m)的第ma个数与第mb个数;
步骤4.2、采用式(12)对第l次供需平衡过程中序列al(m)和bl(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yl(m)或第l次供需平衡过程中资源剩余可用裕度yl(m):
式(12)中,若al(m)代表资源,bl(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;Pi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(vi):
式(1)中,ki和ci分别为第i类气象模式的形状参数和尺度参数,vi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vi时的输出有功功率Pw(vi):
式(2)中,vci为风电机组的切入风速,vco为风电机组的切出风速,vr为风电机组的额定风速,Pr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(vi)和第i类气象模式下风力发电模块中风电机组在风速为vi时的输出有功功率Pw(vi)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,αi、βi为第i类气象模式下Beta分布的形状系数,Γ为gamma函数,ri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,SCA为光伏机组的面积,Ii为第i类气象模式下的太阳辐照度,ηpv为光伏机组的能量转换效率,并有:
式(5)中,ηc为标准测试条件下的电池能量转换效率,Ik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,Ti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Sj(m):
式(10)中,Fj(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Na、Nb的序列al(m)和bl(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ul(m):
式(11)中,al(ma)和bl(mb)分别表示第l次供需平衡过程中序列al(m)和bl(m)的第ma个数与第mb个数;
步骤4.2、采用式(12)对第l次供需平衡过程中序列al(m)和bl(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yl(m)或第l次供需平衡过程中资源剩余可用裕度yl(m):
式(12)中,若al(m)代表资源,bl(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;Pi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(vi):
式(1)中,ki和ci分别为第i类气象模式的形状参数和尺度参数,vi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vi时的输出有功功率Pw(vi):
式(2)中,vci为所述风电机组的切入风速,vco为所述风电机组的切出风速,vr为所述风电机组的额定风速,Pr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(vi)和第i类气象模式下风力发电模块中风电机组在风速为vi时的输出有功功率Pw(vi)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,αi、βi为第i类气象模式下Beta分布的形状系数,Γ为gamma函数,ri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,SCA为所述光伏机组的面积,Ii为第i类气象模式下的太阳辐照度,ηpv为所述光伏机组的能量转换效率,并有:
式(5)中,ηc为标准测试条件下的电池能量转换效率,Ik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,Ti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Sj(m):
式(10)中,Fj(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Na、Nb的序列al(m)和bl(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ul(m):
式(11)中,al(ma)和bl(mb)分别表示第l次供需平衡过程中序列al(m)和bl(m)的第ma个数与第mb个数;
步骤4.2、采用式(12)对第l次供需平衡过程中序列al(m)和bl(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yl(m)或第l次供需平衡过程中资源剩余可用裕度yl(m):
式(12)中,若al(m)代表资源,bl(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;Pi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610230146.4A CN105896578B (zh) | 2016-04-13 | 2016-04-13 | 一种用于风光储联合发电系统的随机生产模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610230146.4A CN105896578B (zh) | 2016-04-13 | 2016-04-13 | 一种用于风光储联合发电系统的随机生产模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105896578A CN105896578A (zh) | 2016-08-24 |
CN105896578B true CN105896578B (zh) | 2018-12-11 |
Family
ID=56703674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610230146.4A Expired - Fee Related CN105896578B (zh) | 2016-04-13 | 2016-04-13 | 一种用于风光储联合发电系统的随机生产模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105896578B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106451418B (zh) * | 2016-09-13 | 2019-02-05 | 清华大学 | 光伏电站的在线分群等值建模方法 |
CN107359611B (zh) * | 2017-08-07 | 2020-09-11 | 中国南方电网有限责任公司电网技术研究中心 | 考虑多种随机因素的配电网等值方法 |
CN108199365B (zh) * | 2017-12-01 | 2021-05-07 | 国网北京市电力公司 | 分布式能源的出力预测方法和装置 |
CN109272258B (zh) * | 2018-11-08 | 2020-09-04 | 国网山东省电力公司电力科学研究院 | 基于K-means聚类的区域风光发电资源评估方法 |
CN110008491A (zh) * | 2018-11-27 | 2019-07-12 | 国网山东省电力公司电力科学研究院 | 一种基于改进概率模型的风光互补发电出力数据模拟方法 |
CN115481791A (zh) * | 2022-09-05 | 2022-12-16 | 中国长江三峡集团有限公司 | 一种水风光发电功率联合预测方法、装置和设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436222A (zh) * | 2008-12-09 | 2009-05-20 | 西安交通大学 | 一种基于等效电量函数法的随机生产模拟方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009065778A (ja) * | 2007-09-06 | 2009-03-26 | Tokyo Electric Power Co Inc:The | 電力系統監視制御システム |
-
2016
- 2016-04-13 CN CN201610230146.4A patent/CN105896578B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436222A (zh) * | 2008-12-09 | 2009-05-20 | 西安交通大学 | 一种基于等效电量函数法的随机生产模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105896578A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105896578B (zh) | 一种用于风光储联合发电系统的随机生产模拟方法 | |
CN106972481B (zh) | 规模化充电设施接入有源配电网的安全性量化评估方法 | |
CN106169108B (zh) | 含电池储能系统的主动配电网短期有功优化方法 | |
CN109888806B (zh) | 一种含电动汽车的微电网储能优化配置方法 | |
CN107092985A (zh) | 一种面向电动汽车群柔性充放电响应的主动配电网阻塞调度方法 | |
CN106849190A (zh) | 一种基于Rollout算法的多能互补微网实时调度方法 | |
CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
CN107317361B (zh) | 一种考虑区域自治能力的主动配电网全局优化调度方法 | |
CN110061524B (zh) | 一种基于深度神经网络的分布式电源虚拟电厂有功调度等值聚合方法及系统 | |
CN105005872A (zh) | 一种移峰填谷的储能系统的容量配置方法 | |
CN105337315A (zh) | 一种风光蓄互补独立微电网高维多目标优化配置方法 | |
CN104392394B (zh) | 一种微电网储能裕度的检测方法 | |
CN115693757A (zh) | 一种基于数字孪生技术的光伏能源优化调控方法 | |
CN105868499B (zh) | 一种含风光储的电动汽车充电站容量配比方法 | |
Chen et al. | A battery management strategy in microgrid for personalized customer requirements | |
CN110350518B (zh) | 一种用于调峰的电网储能容量需求评估方法及系统 | |
CN103530473A (zh) | 一种含大规模光伏电站的电力系统随机生产模拟方法 | |
CN115173453A (zh) | 一种储能辅助电网调峰的优化配置方法 | |
CN107273968A (zh) | 一种基于动态模糊混沌粒子群的多目标调度方法及装置 | |
CN104037755A (zh) | 一种求解风蓄火联合运行系统多时段Pareto解集的优化方法 | |
CN109886472A (zh) | 一种分布式光伏和电动汽车接入不确定性的配电台区容量方法 | |
Lazar et al. | Energy management for an islanded microgrid based on harmony search algorithm | |
CN106096807A (zh) | 一种考虑小水电的互补微网经济运行评价方法 | |
CN109285039A (zh) | 一种计及风光不确定性的电动汽车充电站电价制定方法 | |
CN109038655B (zh) | 限电要求下大型光伏电站的配套储能容量计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181211 Termination date: 20210413 |
|
CF01 | Termination of patent right due to non-payment of annual fee |