CN106816886B - 一种大规模风电并网系统调峰需求确定方法 - Google Patents
一种大规模风电并网系统调峰需求确定方法 Download PDFInfo
- Publication number
- CN106816886B CN106816886B CN201510873900.1A CN201510873900A CN106816886B CN 106816886 B CN106816886 B CN 106816886B CN 201510873900 A CN201510873900 A CN 201510873900A CN 106816886 B CN106816886 B CN 106816886B
- Authority
- CN
- China
- Prior art keywords
- generating set
- load
- state
- outage
- generator
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000010354 integration Effects 0.000 title claims abstract description 46
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 33
- 238000010248 power generation Methods 0.000 claims abstract description 25
- 206010027476 Metastases Diseases 0.000 claims abstract description 16
- 230000009401 metastasis Effects 0.000 claims abstract description 16
- 238000012546 transfer Methods 0.000 claims abstract description 16
- 230000008439 repair process Effects 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 230000007812 deficiency Effects 0.000 claims description 16
- 230000006735 deficit Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000010438 heat treatment Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 101100128621 Caenorhabditis elegans bus-18 gene Proteins 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H02J3/386—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Abstract
本发明提供一种大规模风电并网系统调峰需求确定方法,生成全年风电出力时间序列;生成全年负荷时间序列;建立计及发电机计划停运的常规发电机组状态转移序列,确定大规模风电并网系统调峰需求并绘制调峰需求曲线及统计调峰需求指标。本发明提出的方法简单、实用且可操作性强;避免了传统的仅考虑发电机强迫停运的状态转移抽样方法中还需要进行机组组合的问题;能够为解决大规模风电并网系统调峰能力不足问题提供准确且有效的分析方法和评估指标;能够直观的反应风电并网系统的调峰需求;保证了大规模风电并网系统的运行稳定性与可靠性。
Description
技术领域
本发明涉及电力系统规划领域,具体涉及一种大规模风电并网系统调峰需求确定方法。
背景技术
风电出力具有波动性和不确定性,往往与负荷曲线不一致,在夜间低谷负荷时段系统接纳风电的能力受到常规发电机组最低技术出力的限制。当风电并网规模较大时,就会因系统低谷负荷时段调峰能力不足而导致大量弃风。尤其在燃煤火电和供热机组装机比例较高的地区,调峰不足成为制约风电消纳能力的主要因素。由于风电出力的随机性,很难准确描述风电并网会引起多大程度的调峰需求的增加。在规划阶段,往往会考虑最严重的情况,也就是认为负荷高峰时段风电出力为零,负荷低谷时段风电出力最大,风电带来的调峰需求的增加就等于风电的接入容量。这种做法实际上是严重放大了风电带来的负面影响,不利于风电的发展。因此在评估风电并网系统调峰需求时应考虑风电、负荷以及发电机组的随机性。
目前,序贯蒙特卡罗模拟技术能够有效考虑与时序相关的因素,可以用来对大规模风电并网系统的调峰问题进行仿真。通常序贯蒙特卡洛模拟中都是采用两状态模型来表示常规的发电机组,仅考虑发电机的运行和强迫停运状态,而未考虑发电机的计划停运状态。因此在每次抽样得到发电机组的状态后,还需要进行复杂的机组组合计算,不具有实际的可操作性。
发明内容
有鉴于此,本发明提供的一种大规模风电并网系统调峰需求确定方法,该方法简单、实用且可操作性强;避免了传统的仅考虑发电机强迫停运的状态转移抽样方法中还需要进行机组组合的问题;能够为解决大规模风电并网系统调峰能力不足问题提供准确且有效的分析方法和评估指标;能够直观的反应风电并网系统的调峰需求;保证了大规模风电并网系统的运行稳定性与可靠性。
本发明的目的是通过以下技术方案实现的:
一种大规模风电并网系统调峰需求确定方法,所述大规模风电并网系统中设有发电机组;所述方法包括如下步骤:
步骤1.生成全年风电出力时间序列;
步骤2.生成全年负荷时间序列;
步骤3.建立计及发电机计划停运的常规发电机组状态转移序列,确定大规模风电并网系统调峰需求;
步骤4.绘制调峰需求曲线;
步骤5.统计调峰需求指标。
优选的,所述步骤1包括:
1-1.采用自回归滑动平均模型生成所述大规模风电并网系统的风速时间序列;
1-2.根据所述风速时间序列得到系统风电出力时间序列Pwind(t)。
优选的,所述步骤2包括:
以某地区某一历史年度全年负荷时间序列为基准,用目标年的负荷增长率n对历史负荷曲线进行修正,并利用标准正态分布来描述负荷的随机波动性,得到全年负荷时间序列Pload(t):
式(1)中:表示均值为0、方差为的正态分布。
优选的,所述步骤3包括:
3-1.建立计及发电机计划停运的常规发电机组状态转移序列Sg,i(t),i=1,2,…N;其中,Sg,i(t)为一个表示t时刻第i台发电机是否处于运行状态的二元变量序列;N为发电机的台数;Sg,i(t)为“0”表示发电机处于停运状态;Sg,i(t)为“1”表示发电机处于运行状态;
3-2.输入第i台发电机组的强迫停运频率、计划停运频率、强迫故障平均修复时间以及计划停运平均修复时间;计算强迫停运修复率和计划停运修复率;
3-3.根据马尔可夫过程原理,计算发电机组处于不同状态的概率;
3-4.确定发电机组的初始状态;
3-5.确定发电机组的状态转移时间序列。
优选的,所述3-2包括:
输入第i台发电机组的强迫停运频率fi、计划停运频率fp,i、强迫故障平均修复时间MTTRi以及计划停运平均修复时间MTTRp,i;以一年为统计周期,计算强迫停运修复率μi和计划停运修复率μp,i为:
优选的,所述3-3包括:
根据马尔可夫过程原理,计算发电机组的强迫停运故障率λi和计划停运故障率λp,i:
进而求得发电机组处于运行、强迫停运和计划停运状态的概率:
式(4)中:Pup,i、Pfo,i和Ppo,i分别为发电机组处于运行、强迫停运和计划停运状态的概率。
优选的,所述3-4包括:
a.生成(0,1)之间均匀分布的随机数α;
若α<Ppo,i,则判断所述发电机组处于计划停运状态,判断结束;
若α≥Ppo,i,则判断所述发电机组处于非计划停运状态,进入步骤b。
b.再次生成(0,1)之间均匀分布的随机数β;
若β<Pfo,i,则判断发电机组处于强迫停运状态;
若β≥Pfo,i,则判断发电机组处于运行状态。
优选的,所述3-5包括:
c.若所述发电机组处于计划停运状态,则计算所述发电机组处于计划停运状态的时间为:
式(5)中,γ1为在(0,1)之间按均匀分布抽取的随机数;所述发电机组的状态转移为运行状态。
d.若所述发电机组处于强迫停运状态,计算所述发电机的强迫故障修复时间为:
其中γ2为在(0,1)之间按均匀分布抽取的随机数;且所述发电机组的状态转移为运行状态;
e.若所述发电机组处于运行状态,则分别计算计划停运前持续运行时间和强迫停运前持续运行时间为:
式(7)中,γ3和γ4为在(0,1)之间按均匀分布抽取的随机数;
若则所述发电机组处于运行状态的时间为且下一时刻所述发电机组转移至计划停运状态,并返回步骤c,直到完成一年8760小时的模拟;
若则所述发电机组处于运行状态的时间为且下一时刻所述发电机组转移至强迫停运状态,并返回步骤d,直到完成一年8760小时的模拟;
f.经过若干年模拟,统计模拟得到的各年度发电机处于运行状态的概率Pup,i*,直到满足如下收敛条件:
式(8)中,X为发电机处于运行状态的概率Pup,i*,M为模拟年数,E(X)为X的均值,σ(X)为X的标准差;
g.得到所述发电机组状态转移序列Sg,i(t)。
优选的,所述步骤4包括:
4-1.根据各类所述发电机组在不同时期的出力上下限,计算得到所述大规模风电并网系统各个时刻的发电最小出力为:
式(9)中,Ps,min(t)为t时刻系统发电最小出力,Pi,min(t)为第i台发电机在t时刻的最小技术出力;N为发电机的总数;
4-2.计算所述大规模风电并网系统的等效负荷PLoadDE(t):
PLoadDE(t)=Pload(t)-Pwind(t) (10)
4-3.计算所述大规模风电并网系统的调峰功率需求PPS(t):
PPS(t)=Ps,min(t)-PLoadDE(t) (11)
4-4.绘制系统调峰需求曲线。
优选的,所述步骤5包括:
5-1.统计一年中PPS>0的次数即为年调峰不足次数NPSCI;
5-2.统计全年的调峰不足电量为
5-3.将每一次调峰不足的最大功率确定为调峰不足功率PPSCI,j;
5-4.将各次调峰不足功率PPSCI,j和调峰不足容量WPSCI,j按照由小到大的顺序进行排序,得到满足概率水平要求的系统调峰需求。
从上述的技术方案可以看出,本发明提供了一种大规模风电并网系统调峰需求确定方法,生成全年风电出力时间序列;生成全年负荷时间序列;建立计及发电机计划停运的常规发电机组状态转移序列,确定大规模风电并网系统调峰需求并绘制调峰需求曲线及统计调峰需求指标。本发明提出的方法简单、实用且可操作性强;避免了传统的仅考虑发电机强迫停运的状态转移抽样方法中还需要进行机组组合的问题;能够为解决大规模风电并网系统调峰能力不足问题提供准确且有效的分析方法和评估指标;能够直观的反应风电并网系统的调峰需求;保证了大规模风电并网系统的运行稳定性与可靠性。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、本发明所提供的技术方案简单、实用且可操作性强;考虑了风力发电、负荷以及发电机组的随机性,避免了传统的仅考虑发电机强迫停运的状态转移抽样方法中还需要进行机组组合的问题,为解决大规模风电并网系统调峰能力不足问题提供了评估指标和分析方法。
2、本发明所提供的技术方案,生成全年风电出力时间序列;生成全年负荷时间序列;建立计及发电机计划停运的常规发电机组状态转移序列,确定大规模风电并网系统调峰需求并绘制调峰需求曲线及统计调峰需求指标的技术手段;能够直观的反应风电并网系统的调峰需求;保证了大规模风电并网系统的运行稳定性与可靠性。
3、本发明提供的技术方案,应用广泛,具有显著的社会效益和经济效益。
附图说明
图1是本发明的一种大规模风电并网系统调峰需求确定方法的流程图;
图2是本发明的方法中步骤1的流程示意图;
图3是本发明的方法中步骤3的流程示意图;
图4是本发明的方法中步骤4的流程示意图;
图5是本发明的方法中步骤5的流程示意图;
图6是本发明的一种大规模风电并网系统调峰需求确定方法的实施例中的强迫和计划停运状态空间图;
图7是本发明实施例中的发电机1的状态转移过程中示意图;
图8是本发明实施例中的发电机i的状态转移过程中示意图;
图9是本发明实施例中的发电机N的状态转移过程中示意图;
图10是本发明实施例中的发电机状态转移序列抽样方法流程图;
图11是本发明实施例中的系统调峰不足曲线示意图;
图12是本发明实施例中的调峰电量需求累计概率曲线图;
图13是本发明实施例中的系统容量需求曲线图;
图14是本发明具体应用例中的IEEE-RTS79系统结构图;
图15是本发明具体应用例中的负荷及风电出力曲线图;
图16是本发明具体应用例中的IEEE-RTS79系统调峰功率曲线图;
图17是本发明具体应用例中的IEEE-RTS79系统容量需求曲线图。
具体实施方式
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。
如图1所示,本发明提供一种大规模风电并网系统调峰需求确定方法,大规模风电并网系统中设有发电机组;包括如下步骤:
步骤1.生成全年风电出力时间序列;
步骤2.生成全年负荷时间序列;
步骤3.建立计及发电机计划停运的常规发电机组状态转移序列,确定大规模风电并网系统调峰需求;
步骤4.绘制调峰需求曲线;
步骤5.统计调峰需求指标。
如图2所示,步骤1包括:
1-1.采用自回归滑动平均模型生成大规模风电并网系统的风速时间序列;
1-2.根据风速时间序列得到系统风电出力时间序列Pwind(t)。
其中,步骤2包括:
以某地区某一历史年度全年负荷时间序列为基准,用目标年的负荷增长率n对历史负荷曲线进行修正,并利用标准正态分布来描述负荷的随机波动性,得到全年负荷时间序列Pload(t):
式(1)中:表示均值为0、方差为的正态分布。
如图3所示,步骤3包括:
3-1.建立计及发电机计划停运的常规发电机组状态转移序列Sg,i(t),i=1,2,…N;其中,Sg,i(t)为一个表示t时刻第i台发电机是否处于运行状态的二元变量序列;N为发电机的台数;Sg,i(t)为“0”表示发电机处于停运状态;Sg,i(t)为“1”表示发电机处于运行状态;
3-2.输入第i台发电机组的强迫停运频率、计划停运频率、强迫故障平均修复时间以及计划停运平均修复时间;计算强迫停运修复率和计划停运修复率;
3-3.根据马尔可夫过程原理,计算发电机组处于不同状态的概率;
3-4.确定发电机组的初始状态;
3-5.确定发电机组的状态转移时间序列。
其中,3-2包括:
输入第i台发电机组的强迫停运频率fi、计划停运频率fp,i、强迫故障平均修复时间MTTRi以及计划停运平均修复时间MTTRp,i;以一年为统计周期,计算强迫停运修复率μi和计划停运修复率μp,i为:
其中,3-3包括:
根据马尔可夫过程原理,计算发电机组的强迫停运故障率λi和计划停运故障率λp,i:
进而求得发电机组处于运行、强迫停运和计划停运状态的概率:
式(4)中:Pup,i、Pfo,i和Ppo,i分别为发电机组处于运行、强迫停运和计划停运状态的概率。
其中,3-4包括:
a.生成(0,1)之间均匀分布的随机数α;
若α<Ppo,i,则判断发电机组处于计划停运状态,判断结束;
若α≥Ppo,i,则判断发电机组处于非计划停运状态,进入步骤b。
b.再次生成(0,1)之间均匀分布的随机数β;
若β<Pfo,i,则判断发电机组处于强迫停运状态;
若β≥Pfo,i,则判断发电机组处于运行状态。
其中,3-5包括:
c.若发电机组处于计划停运状态,则计算发电机组处于计划停运状态的时间为:
式(5)中,γ1为在(0,1)之间按均匀分布抽取的随机数;发电机组的状态转移为运行状态。
d.若发电机组处于强迫停运状态,计算发电机的强迫故障修复时间为:
其中γ2为在(0,1)之间按均匀分布抽取的随机数;且发电机组的状态转移为运行状态;
e.若发电机组处于运行状态,则分别计算计划停运前持续运行时间和强迫停运前持续运行时间为:
式(7)中,γ3和γ4为在(0,1)之间按均匀分布抽取的随机数;
若则发电机组处于运行状态的时间为且下一时刻发电机组转移至计划停运状态,并返回步骤c,直到完成一年8760小时的模拟;
若则发电机组处于运行状态的时间为且下一时刻发电机组转移至强迫停运状态,并返回步骤d,直到完成一年8760小时的模拟;
f.经过若干年模拟,统计模拟得到的各年度发电机处于运行状态的概率Pup,i*,直到满足如下收敛条件:
式(8)中,X为发电机处于运行状态的概率Pup,i*,M为模拟年数,E(X)为X的均值,σ(X)为X的标准差;
g.得到发电机组状态转移序列Sg,i(t)。
如图4所示,步骤4包括:
4-1.根据各类发电机组在不同时期的出力上下限,计算得到大规模风电并网系统各个时刻的发电最小出力为:
式(9)中,Ps,min(t)为t时刻系统发电最小出力,Pi,min(t)为第i台发电机在t时刻的最小技术出力;N为发电机的总数;
4-2.计算大规模风电并网系统的等效负荷PLoadDE(t):
PLoadDE(t)=Pload(t)-Pwind(t) (10)
4-3.计算大规模风电并网系统的调峰功率需求PPS(t):
PPS(t)=Ps,min(t)-PLoadDE(t) (11)
4-4.绘制系统调峰需求曲线。
如图5所示,步骤5包括:
5-1.统计一年中PPS>0的次数即为年调峰不足次数NPSCI;
5-2.统计全年的调峰不足电量为
5-3.将每一次调峰不足的最大功率确定为调峰不足功率PPSCI,j;
5-4.将各次调峰不足功率PPSCI,j和调峰不足容量WPSCI,j按照由小到大的顺序进行排序,得到满足概率水平要求的系统调峰需求。
本发明提供一种大规模风电并网系统调峰需求确定方法的实施例;如下:
步骤1:采用自回归滑动平均(ARMA)模型(参见文献[1])生成风速时间序列,进而得到系统风电出力时间序列Pwind(t);
步骤2:生成全年负荷时间序列Pload(t);
由于一个地区负荷特性的规律性较强,因此以该地区某一历史年度全年负荷时间序列为基准,用目标年的负荷增长率n对历史负荷曲线进行修正,并利用标准正态分布来描述负荷的随机波动性,得到目标年负荷时间序列Pload(t):
式中:表示均值为0、方差为的正态分布。
步骤3:建立考虑计划停运的常规发电机组状态转移序列Sg,i(t),i=1,2,…N;
Sg,i(t)为一个表示t时刻第i台发电机是否处于运行状态的二元变量序列,N为发电机的台数。Sg,i(t)为“0”表示发电机处于停运状态,Sg,i(t)为“1”表示发电机处于运行状态。
本实施例建立了发电机组的3状态转移模型,并将常规发电机组的强迫停运和计划停运均看作一种偶然事件,同时假设发电机组强迫停运前运行时间和修复时间以及计划停运前运行时间和恢复时间都服从指数分布,建立考虑计划停运的常规发电机组状态转移过程。发电机组状态空间图如图6所示。
步骤3-1:输入第i台发电机组的强迫停运频率fi(次/年)、计划停运频率fp,i(次/年)、强迫故障平均修复时间MTTRi(小时)以及计划停运平均修复时间MTTRp,i(小时)。以一年为统计周期,计算强迫停运修复率μi和计划停运修复率μp,i为:
步骤3-2:根据马尔可夫过程原理,计算发电机组处于不同状态的概率。
首先计算发电机组的强迫停运故障率λi和计划停运故障率λp,i:
进而可以求得发电机组处于运行、强迫停运和计划停运状态的概率:
式中:Pup,i、Pfo,i和Ppo,i分别为发电机组处于运行、强迫停运和计划停运状态的概率。
步骤3-3:确定发电机组的初始状态。
按照检修优先的原则,首先判断发电机组是否为计划停运状态,然后再判断其是否为强迫停运状态。
步骤3-3-1:生成(0,1)之间均匀分布的随机数α。若α<Ppo,i,则判断发电机组处于计划停运状态;反之,若α≥Ppo,i,则判断发电机组处于非计划停运状态。
步骤3-3-2:若发电机组处于非计划停运状态,再次生成(0,1)之间均匀分布的随机数β。若β<Pfo,i,则判断发电机组处于强迫停运状态。反之,若β≥Pfo,i,则判断发电机组处于运行状态。
步骤3-4:确定发电机组的状态转移时间序列。步骤如下:
步骤3-4-1:若机组处于计划停运状态,计算机组处于计划停运状态的时间为:
其中γ1为在(0,1)之间按均匀分布抽取的随机数。机组的状态转移为运行状态。
步骤3-4-2:若机组处于强迫停运状态,计算机组的强迫故障修复时间为:
其中γ2为在(0,1)之间按均匀分布抽取的随机数。机组的状态转移为运行状态。
步骤3-4-3:若机组处于运行状态,分别计算计划停运前持续运行时间和强迫停运前持续运行时间为:
其中γ3和γ4为在(0,1)之间按均匀分布抽取的随机数。
若则机组处于运行状态的时间为且下一时刻机组转移至计划停运状态,并返回步骤3-4-1,直到完成一年8760小时的模拟。
反之,若则机组处于运行状态的时间为且下一时刻机组转移至强迫停运状态,并返回步骤3-4-2,直到完成一年8760小时的模拟。
步骤3-4:经过若干年模拟,统计模拟得到的各年度发电机处于运行状态的概率Pup,i *,直到满足如下收敛条件:
式中X为发电机处于运行状态的概率Pup,i *,M为模拟年数,E(X)为X的均值,σ(X)为X的标准差。
通过上述方法可以得到发电机组状态转移序列Sg,i(t),如图7至9所示。
考虑计划停运的发电机状态转移序列抽样方法的流程如图10所示。
步骤4:绘制调峰需求曲线。
步骤4-1:根据各类发电机组在不同时期(如供热期、丰水期、枯水期等)的出力上下限,计算得到系统各个时刻的发电最小出力为:
式中,Ps,min(t)为t时刻系统发电最小出力,Pi,min(t)为第i台发电机在t时刻的最小技术出力。
步骤4-2:计算系统的等效负荷PLoadDE(t):
PLoadDE(t)=Pload(t)-Pwind(t) (9)
步骤4-3:计算系统的调峰功率需求PPS(t),并绘制系统调峰需求曲线:
PPS(t)=Ps,min(t)-PLoadDE(t) (10)
图9为截取某一时段的系统调峰需求曲线。如图11所示,横坐标为时间,纵坐标为系统调峰功率需求。其中,PPS>0则表示系统调峰能力不足。
步骤5计算调峰需求指标:
定义如下指标:
(1)年调峰不足次数NPSCI
统计一年中PPS>0的次数即为年调峰不足次数NPSCI。
(2)调峰不足电量WPSCI,j
如图4所示,阴影部分的面积即为每次调峰不足电量WPSCI,j,全年的调峰不足电量
为
(3)调峰不足功率PPSCI,j
如图11所示,每一次调峰不足的最大功率即为调峰不足功率PPSCI,j。
如果风电接入前系统不存在调峰不足问题,则WPSCI,j即为由于调峰能力不足而引起的弃风电量,PPSCI,j为最大弃风功率。将各次调峰不足功率PPSCI,j和调峰不足容量WPSCI,j按照由小到大的顺序进行排序,即可确定满足某一概率水平的系统调峰需求,示意图如图12及图13所示。
本发明提供一种大规模风电并网系统调峰需求确定方法的具体应用例;如下:
在IEEE-RTS79系统中应用本发明所提方法,验证所提方法的有效性。IEEE-RTS79系统共有32台机组,总装机容量为3405MW,最大机组为400MW,最小机组为12MW,年最大负荷为2850MW。为了使算例系统更符合研究场景,将其中一台400MW常规发电机组(接入BUS18)替换为相应容量的风电场,如图14所示。
表1给出了算例系统中的各发电机组参数。本算例中各发电机组的计划停运频率和计划停运时间按照每台机组每年检修1次,容量为100MW及以上的机组每次计划检修时间为3周,100MW以下机组计划检修时间为两周计算。
由于供热机组和水电机组的调峰能力受季节因素影响较大,为使算例更符合实际运行条件,假设其中一台燃煤机组为供热机组,并认为水电机组仅具有日调节能力。供热机组在供暖季的最大和最小出力受到热负荷的限制,假设供热机组在供暖期的最大出力为95%,最低出力为75%,在非供热期视为常规煤电机组。在丰水期,水电机组的最大出力即为额定出力,仅具有日调节能力的水电站失去调峰能力。在枯水季,水电机组的调峰能力较强,在负荷低谷时刻机组均可降低至零出力。而在负荷高峰时刻,受来水情况制约,具有日调节能力的水电站的最大出力按额定出力的70%计算。
表1发电机组参数
首先获取负荷及风电出力时序曲线。风电出力曲线以我国甘肃某风电场2013年实际测风数据为样本,采用AMAR算法预测全年风速,并根据风电机组输出功率特性计算出风电出力时间序列(风电机组的切入风速3m/s,切出风速25m/s,额定风速14m/s)。以我国甘肃酒泉地区2013年度负荷曲线为基准,计算得到算例系统全年8760小时的负荷数据。图15给出了冬季(1月)某一周的负荷和风电出力曲线。
然后对发电机组状态进行抽样。通过对算例系统进行模拟100年后发电机组的运行概率基本可以满足收敛判据。表2和表3分别给出了发电机运行概率的收敛情况,以及模拟100年后的发电机的模拟运行概率与实际运行概率的对比情况。由计算结果可以,发电机运行概率指标收敛后,模拟值与实际值的偏差很小,最大偏差为0.86%,最小偏差为0.01%,计算结果验证了所提发电机模拟方法的有效性。
表2发电机运行概率收敛指标
模拟年数 | 发电机运行概率收敛指标 |
10 | 0.0477 |
50 | 0.0154 |
80 | 0.0126 |
100 | 0.0092 |
表3发电机运行概率指标对比
序号 | 实际值P<sub>up</sub> | 模拟值P<sub>up</sub><sup>*</sup> | 偏差 | 序号 | 实际值P<sub>up</sub> | 模拟值P<sub>up</sub><sup>*</sup> | 偏差 |
1 | 0.829 | 0.833 | 0.38% | 17 | 0.952 | 0.958 | 0.67% |
2 | 0.867 | 0.870 | 0.34% | 18 | 0.952 | 0.960 | 0.86% |
3 | 0.905 | 0.905 | 0.01% | 19 | 0.952 | 0.951 | -0.12% |
4 | 0.905 | 0.903 | -0.19% | 20 | 0.942 | 0.943 | 0.04% |
5 | 0.905 | 0.909 | 0.45% | 21 | 0.942 | 0.944 | 0.19% |
6 | 0.905 | 0.906 | 0.12% | 22 | 0.942 | 0.940 | -0.21% |
7 | 0.895 | 0.892 | -0.41% | 23 | 0.942 | 0.939 | -0.36% |
8 | 0.895 | 0.901 | 0.60% | 24 | 0.942 | 0.943 | 0.08% |
9 | 0.895 | 0.892 | -0.40% | 25 | 0.865 | 0.868 | 0.24% |
10 | 0.942 | 0.935 | -0.74% | 26 | 0.865 | 0.869 | 0.42% |
11 | 0.942 | 0.938 | -0.50% | 27 | 0.865 | 0.862 | -0.46% |
12 | 0.942 | 0.945 | 0.29% | 28 | 0.865 | 0.862 | -0.39% |
13 | 0.942 | 0.946 | 0.35% | 29 | 0.905 | 0.900 | -0.53% |
14 | 0.952 | 0.951 | -0.11% | 30 | 0.905 | 0.902 | -0.35% |
15 | 0.952 | 0.954 | 0.19% | 31 | 0.905 | 0.906 | 0.16% |
16 | 0.952 | 0.957 | 0.53% |
计算得到年调峰不足次数NPSCI=60次,最大调峰不足功率PPSCI=271MW,每次最大调峰不足电量WPSCI=1406MWh。系统的调峰功率和容量需求曲线如图16和17所示。示例给出了利用本发明所提方法和指标分析大规模风电并网系统的调峰需求的过程。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,而这些未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (8)
1.一种大规模风电并网系统调峰需求确定方法,所述大规模风电并网系统中设有发电机组;其特征在于,所述方法包括如下步骤:
步骤1.生成全年风电出力时间序列;
步骤2.生成全年负荷时间序列;
步骤3.建立计及发电机计划停运的常规发电机组状态转移序列,确定大规模风电并网系统调峰需求;
步骤4.绘制调峰需求曲线;
步骤5.统计调峰需求指标;
所述步骤2包括:
以某地区某一历史年度全年负荷时间序列为基准,用目标年的负荷增长率n对历史负荷曲线进行修正,并利用标准正态分布来描述负荷的随机波动性,得到全年负荷时间序列Pload(t):
式(1)中:表示均值为0、方差为的正态分布;
所述步骤3包括:
3-1.建立计及发电机计划停运的常规发电机组状态转移序列Sg,i(t),i=1,2,…N;其中,Sg,i(t)为一个表示t时刻第i台发电机是否处于运行状态的二元变量序列;N为发电机的台数;Sg,i(t)为“0”表示发电机处于停运状态;Sg,i(t)为“1”表示发电机处于运行状态;
3-2.输入第i台发电机组的强迫停运频率、计划停运频率、强迫故障平均修复时间以及计划停运平均修复时间;计算强迫停运修复率和计划停运修复率;
3-3.根据马尔可夫过程原理,计算发电机组处于不同状态的概率;
3-4.确定发电机组的初始状态;
3-5.确定发电机组的状态转移时间序列。
2.如权利要求1所述的方法,其特征在于,所述步骤1包括:
1-1.采用自回归滑动平均模型生成所述大规模风电并网系统的风速时间序列;
1-2.根据所述风速时间序列得到系统风电出力时间序列Pwind(t)。
3.如权利要求1所述的方法,其特征在于,所述3-2包括:
输入第i台发电机组的强迫停运频率fi、计划停运频率fp,i、强迫故障平均修复时间MTTRi以及计划停运平均修复时间MTTRp,i;以一年为统计周期,计算强迫停运修复率μi和计划停运修复率μp,i为:
4.如权利要求3所述的方法,其特征在于,所述3-3包括:
根据马尔可夫过程原理,计算发电机组的强迫停运故障率λi和计划停运故障率λp,i:
进而求得发电机组处于运行、强迫停运和计划停运状态的概率:
式(4)中:Pup,i、Pfo,i和Ppo,i分别为发电机组处于运行、强迫停运和计划停运状态的概率。
5.如权利要求4所述的方法,其特征在于,所述3-4包括:
a.生成(0,1)之间均匀分布的随机数α;
若α<Ppo,i,则判断所述发电机组处于计划停运状态,判断结束;
若α≥Ppo,i,则判断所述发电机组处于非计划停运状态,进入步骤b;
b.再次生成(0,1)之间均匀分布的随机数β;
若β<Pfo,i,则判断发电机组处于强迫停运状态;
若β≥Pfo,i,则判断发电机组处于运行状态。
6.如权利要求5所述的方法,其特征在于,所述3-5包括:
c.若所述发电机组处于计划停运状态,则计算所述发电机组处于计划停运状态的时间为:
式(5)中,γ1为在(0,1)之间按均匀分布抽取的随机数;所述发电机组的状态转移为运行状态;
d.若所述发电机组处于强迫停运状态,计算所述发电机的强迫故障修复时间为:
其中γ2为在(0,1)之间按均匀分布抽取的随机数;且所述发电机组的状态转移为运行状态;
e.若所述发电机组处于运行状态,则分别计算计划停运前持续运行时间和强迫停运前持续运行时间为:
式(7)中,γ3和γ4为在(0,1)之间按均匀分布抽取的随机数;
若则所述发电机组处于运行状态的时间为且下一时刻所述发电机组转移至计划停运状态,并返回步骤c,直到完成一年8760小时的模拟;
若则所述发电机组处于运行状态的时间为且下一时刻所述发电机组转移至强迫停运状态,并返回步骤d,直到完成一年8760小时的模拟;
f.经过若干年模拟,统计模拟得到的各年度发电机处于运行状态的概率Pup,i*,直到满足如下收敛条件:
式(8)中,X为发电机处于运行状态的概率Pup,i*,M为模拟年数,E(X)为X的均值,σ(X)为X的标准差;
g.得到所述发电机组状态转移序列Sg,i(t)。
7.如权利要求6所述的方法,其特征在于,所述步骤4包括:
4-1.根据各类所述发电机组在不同时期的出力上下限,计算得到所述大规模风电并网系统各个时刻的发电最小出力为:
式(9)中,Ps,min(t)为t时刻系统发电最小出力,Pi,min(t)为第i台发电机在t时刻的最小技术出力;N为发电机的总数;
4-2.计算所述大规模风电并网系统的等效负荷PLoadDE(t):
PLoadDE(t)=Pload(t)-Pwind(t) (10)
4-3.计算所述大规模风电并网系统的调峰功率需求PPS(t):
PPS(t)=Ps,min(t)-PLoadDE(t) (11)
4-4.绘制系统调峰需求曲线。
8.如权利要求7所述的方法,其特征在于,所述步骤5包括:
5-1.统计一年中PPS(t)>0的次数即为年调峰不足次数NPSCI;
5-2.统计全年的调峰不足电量为
5-3.将每一次调峰不足的最大功率确定为调峰不足功率PPSCI,j;
5-4.将各次调峰不足功率PPSCI,j和调峰不足容量WPSCI,j按照由小到大的顺序进行排序,得到满足概率水平要求的系统调峰需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510873900.1A CN106816886B (zh) | 2015-12-02 | 2015-12-02 | 一种大规模风电并网系统调峰需求确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510873900.1A CN106816886B (zh) | 2015-12-02 | 2015-12-02 | 一种大规模风电并网系统调峰需求确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106816886A CN106816886A (zh) | 2017-06-09 |
CN106816886B true CN106816886B (zh) | 2019-09-27 |
Family
ID=59105835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510873900.1A Active CN106816886B (zh) | 2015-12-02 | 2015-12-02 | 一种大规模风电并网系统调峰需求确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106816886B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480833B (zh) * | 2017-09-05 | 2018-11-09 | 清华大学 | 一种风电发电系统调峰能力评估方法 |
CN108090663B (zh) * | 2017-12-11 | 2020-06-26 | 囯网河北省电力有限公司电力科学研究院 | 供热机组深度调峰最低出力的评估方法及系统 |
CN108933454B (zh) * | 2018-06-29 | 2021-07-06 | 东南大学 | 含风电并网电力系统的调峰机组出力下限系数优化方法 |
CN109103912B (zh) * | 2018-07-18 | 2021-09-21 | 合肥工业大学 | 考虑电网调峰需求的工业园区主动配电系统调度优化方法 |
CN109271372A (zh) * | 2018-09-12 | 2019-01-25 | 杭州沃趣科技股份有限公司 | 一种基于时间段内状态和性能变化的数据库自动管理方法 |
CN109658006B (zh) * | 2018-12-30 | 2022-02-15 | 广东电网有限责任公司 | 一种大规模风电场群辅助调度方法及装置 |
CN110739726B (zh) * | 2019-10-29 | 2021-03-30 | 国网福建省电力有限公司 | 一种考虑海上风电接入的多类型电源容量长期规划方法 |
CN113852072B (zh) * | 2021-09-28 | 2023-07-11 | 南方电网科学研究院有限责任公司 | 电力系统的新增发电容量预测方法、装置 |
CN113962598B (zh) * | 2021-11-11 | 2024-05-07 | 国网天津市电力公司 | 新能源日运行调峰需求测算方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364286A (zh) * | 2008-09-11 | 2009-02-11 | 上海发电设备成套设计研究院 | 一种火力发电机组等效强迫停运率的预测方法及系统 |
CN103078353A (zh) * | 2013-01-25 | 2013-05-01 | 黑龙江省电力有限公司 | 一种计及风电波动性的电源配置方法 |
CN103560530A (zh) * | 2013-11-05 | 2014-02-05 | 国家电网公司 | 一种大规模风电与高载能负荷协调控制方法 |
CN104377726A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 一种大规模新能源并网发电的调峰方法 |
-
2015
- 2015-12-02 CN CN201510873900.1A patent/CN106816886B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364286A (zh) * | 2008-09-11 | 2009-02-11 | 上海发电设备成套设计研究院 | 一种火力发电机组等效强迫停运率的预测方法及系统 |
CN103078353A (zh) * | 2013-01-25 | 2013-05-01 | 黑龙江省电力有限公司 | 一种计及风电波动性的电源配置方法 |
CN103560530A (zh) * | 2013-11-05 | 2014-02-05 | 国家电网公司 | 一种大规模风电与高载能负荷协调控制方法 |
CN104377726A (zh) * | 2014-11-11 | 2015-02-25 | 国家电网公司 | 一种大规模新能源并网发电的调峰方法 |
Non-Patent Citations (1)
Title |
---|
考虑调峰因素的风电规划研究;张宏宇;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20140215;第27-30、35-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106816886A (zh) | 2017-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106816886B (zh) | 一种大规模风电并网系统调峰需求确定方法 | |
CN103683326B (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
Lopes et al. | Impact of the combined integration of wind generation and small hydropower plants on the system reliability | |
CN103138256B (zh) | 一种新能源电力消纳全景分析系统及方法 | |
CN103475021B (zh) | 一种基于统计模型的风电场弃风电量确定方法 | |
CN107944757A (zh) | 电力互联系统可再生能源消纳能力评估分析方法 | |
CN103219750B (zh) | 一种控制风电机组限功率运行的方法及系统 | |
CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
CN103762589A (zh) | 一种电网中新能源容量配比分层优化方法 | |
CN104331572A (zh) | 考虑风速和风电机组故障相关性的风电场可靠性建模方法 | |
CN105322566A (zh) | 考虑预测误差时序分布的含风电机组组合模型建立方法 | |
CN104993523A (zh) | 使含风电电网系统优化运行的抽水蓄能电站特性精确模拟方法 | |
CN104124685A (zh) | 基于样板风机法的风电场理论功率计算方法 | |
Zhang et al. | Mid-long term optimal dispatching method of power system with large-scale wind-photovoltaic-hydro power generation | |
CN106447218A (zh) | 基于多风电场的抽水蓄能系统的可靠性评估方法 | |
CN105243600A (zh) | 一种电网发电调节方法 | |
CN104143839A (zh) | 基于功率预测的风电场集群限出力有功功率分配方法 | |
CN105305488A (zh) | 一种考虑新能源并网对输电网利用率影响的评价方法 | |
CN104935017A (zh) | 基于改进轻鲁棒优化模型的风电与火电机组组合方法 | |
CN106886953B (zh) | 考虑多重不确定性的需求响应对含风电系统风险分析方法 | |
CN110112779B (zh) | 基于多状态概率分布的电采暖消纳风电测算模型 | |
CN103366225B (zh) | 风功率预测误差识别方法 | |
CN105956713A (zh) | 一种新能源年/月电量计划制定方法 | |
CN104182808A (zh) | 一种基于等比例限电的新能源场站发电计划制定方法 | |
CN105262088A (zh) | 考虑大规模特高压电源调节能力的机组检修计划优化系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |