CN107016494A - 一种虚拟电厂基于用电端负荷的智能调配方法 - Google Patents

Abstract

本发明公开了一种虚拟电厂基于用电端负荷的智能调配方法，包括系统获取太阳能发电功率，根据经验公式构建太阳能发电功率与时间函数，获取潮汐发电功率，根据经验公式构建潮汐发电功率与时间函数，获取风力发电功率；系统调取存储信息获得历年用电的电量、历年环境数据，预测目标日日用电电量，并根据太阳能、潮汐和风力发电功率得出目标日日用发电量，将日用电电量和日用发电量相比较，合理分配电能。虚拟电厂基于用电端负荷的智能调配方法能够根据用电端负荷合理调配太阳能发电、风力发电、潮汐发电和储能系统的发电功率，满足了实际的使用需求。

Description

一种虚拟电厂基于用电端负荷的智能调配方法

技术领域

本发明涉及虚拟电厂技术领域，尤其是指一种虚拟电厂基于用电端负荷的智能调配方法。

背景技术

随着化石能源的日渐枯竭以及环境污染、气候变化问题的日益明显，大力开发新能源、实现各种能源的低碳利用已成为当今能源革命的主题。风电、太阳能发电等大规模新能源电力在电力系统中的比重不断增加，使传统电力系统的结构、形态与运行控制方式随之产生根本性变革，包括发电厂、电网及用户在内的整个电力系统都需要与之相适应。

近年来，在智能电网技术快速发展的背景下，虚拟电厂(virtual power plant，VPP)的概念逐渐受到国内外学术界和工业界的关注。不论是一些欧美国家中越来越多的小型分布式能源的接入，还是我国面临的大规模新能源电力的接入，都给电网带来具有间歇性和随机波动性的冲击，对电网的结构及运行调度方式提出新的要求。为充分利用新能源电力并使之与传统能源实现较好的互补与配合，需要构建保证电网安全稳定运行、兼顾经济和社会效益的区域性多能源集成模式。与此同时，智能电网技术的发展使得电网调度机构甚至普通用电者都能采用先进的网络通信、实时检测与计量等技术手段对电网运行状况进行监控与分析。在上述背景下产生的虚拟发电厂概念，打破了传统电力系统中物理概念上的发电厂之间、以及发电侧和用电侧之间的界限，充分利用网络通信、智能量测、数据处理、智能决策等先进技术手段，有望成为包含新能源接入的智能电网技术的支撑框架。

现有的虚拟电厂，在对各个发电方式进行调配时，调配的手段较为单一，往往需要人工干预，导致效率较低，没有发挥出虚拟电厂的潜力。

发明内容

本发明的目的是克服现有技术中虚拟电厂在对各个发电方式进行调配时，调配的手段较为单一，往往需要人工干预，导致效率较低的缺陷，提供一种虚拟电厂基于用电端负荷的智能调配方法。

本发明的目的是通过下述技术方案予以实现：

一种虚拟电厂基于用电端负荷的智能调配方法，包括以下步骤：

步骤1，系统获取太阳能发电功率，根据经验公式构建太阳能发电功率与时间函数，获取潮汐发电功率，根据经验公式构建潮汐发电功率与时间函数，获取风力发电功率；

步骤2，系统调取存储信息获得历年用电的电量、历年环境数据，预测目标日日用电电量，并根据步骤1的太阳能、潮汐和风力发电功率得出目标日日用发电量，将日用电电量和日用发电量相比较，若日用电量大于日用发电电量，则跳转至步骤3，若日用电量小于或等于日用发电量，则跳转至步骤4，

步骤3，系统监控实时用电功率，若实时用电功率小于或等于正常发电功率，则继续保持监控，若实时用电功率大于正常发电功率，则系统控制备用发电系统进行发电，直到实时用电功率下降到小于或等于正常发电功率为止；

步骤4，若太阳能发电功率与潮汐发电功率大于或等于实时用电功率，则风能向储能系统储存电能，若太阳能发电功率与潮汐发电功率之和小于实时用电功率，则系统配置太阳能发电、潮汐发电和风力发电的权重系数，并按照权重系数配置各发电种类的发电功率；若太阳能发电功率、潮汐发电功率与风力发电功率之和小于实时用电功率，则储能系统开始输送电能。

作为一种优选方案，步骤1中，

太阳能发电功率与时间的函数为

其中，y₁表示太阳能发电功率，t表示当前的时间，单位为小时，k为太阳能发电最大功率，p为周期常数，使sin3p的值为1，sin6p的值为0；

潮汐发电功率与时间的函数为

其中，y₂表示潮汐发电功率，S为潮汐发电最大功率，n为比例常数，m为修正数，其值的大小根据当前时间的日期变化而变化，周期为30天；

风力发电功率由风叶转速决定，当风叶转速超过设定的阈值时，风力发电功率即为额定发电功率，当风叶转速未超过设定的阈值时，风力发电功率为0。

作为一种优选方案，备用发电系统包括水力发电、火力发电和/或储能系统。

作为一种优选方案，步骤4中，所述的太阳能发电、潮汐发电和风力发电的权重系数分别为α，β和γ，α的取值范围是0.4至0.5，β的取值范围是0.4至0.5，伽马的取值范围是0至0.2，α+β+γ＝1，太阳能发电、潮汐发电和风力发电的功率总和设为P_总，当前所需功率设为P_实，则太阳能发电、潮汐发电和风力发电实际的输出功率分别为和

作为一种优选方案，系统根据目标日以及目标日的环境数据选择出历年数据内中相似日，并对相似日用电电量进行整合计算获得预测用电量数据；所述相似日选取的方法包括以下步骤：

相似日选取步骤一：根据目标日是否属于节假日进行选择，若目标日为节假日则只在历年的相同节假日中选取相似日，若目标日为工作日则在历年的工作日中选取相似日；

相似日选取步骤二：根据目标日的公历日期，选择符合步骤一要求的历年相同公历日期前三天和公历日期后三天作为候选日期；根据目标日的农历日期，选择符合步骤一要求的历年相同的农历日期前三天和农历日期后三天作为候选日期；

相似日选取步骤三：调出所有候选日期的环境数据与目标日的环境数据进行对比，所述环境数据包括温度、日照、风力和潮汐数据，

若候选日期中的任一日期的环境数据与目标日的环境数据差异大于设定的阈值则在候选日期中删除此日期，剩余的候选日期即为相似日期。

作为一种优选方案，对相似日用电电量进行整合计算包括以下步骤：

整合计算步骤一：获取虚拟电厂所供电的当地GDP历年数据以及当地GDP目标数据；

整合计算步骤二：计算电力系统用电弹性系数：

Ect＝{(ct+1-ct)/ct}/{(gt+1-gt)/gt}；

Ect为第t年时电力系统用电弹性系数，ct为当地第t年的用电量，gt为当地第t年的GDP数据；当年的GDP数据采用最新的当地GDP目标数据；

整合计算步骤三：将每一个相似日期的用电量通过电力系统用电弹性系数公式；

Ect＝{(ct+1-ct)/ct}/{(gt+1-gt)/gt}；

调整为目标日的预测用电量计算值；

整合计算步骤四：计算所有预测用电量计算值的均值，获得的均值即为预测目标日用电电量。

本发明的有益效果是，虚拟电厂基于用电端负荷的智能调配方法能够根据用电端负荷合理调配太阳能发电、风力发电、潮汐发电和储能系统的发电功率，满足了实际的使用需求。且本发明易于实现、实用性较强。

具体实施方式

下面结合实施例对本发明进一步描述。

一种虚拟电厂基于用电端负荷的智能调配方法，包括以下步骤：

步骤1，系统获取太阳能发电功率，根据经验公式构建太阳能发电功率与时间函数，获取潮汐发电功率，根据经验公式构建潮汐发电功率与时间函数，获取风力发电功率；

步骤2，系统调取存储信息获得历年用电的电量、历年环境数据，预测目标日日用电电量，并根据步骤1的太阳能、潮汐和风力发电功率得出目标日日用发电量，将日用电电量和日用发电量相比较，若日用电量大于日用发电电量，则跳转至步骤3，若日用电量小于或等于日用发电量，则跳转至步骤4，

步骤3，系统监控实时用电功率，若实时用电功率小于或等于正常发电功率，则继续保持监控，若实时用电功率大于正常发电功率，则系统控制备用发电系统进行发电，直到实时用电功率下降到小于或等于正常发电功率为止；

步骤4，若太阳能发电功率与潮汐发电功率大于或等于实时用电功率，则风能向储能系统储存电能，若太阳能发电功率与潮汐发电功率之和小于实时用电功率，则系统配置太阳能发电、潮汐发电和风力发电的权重系数，并按照权重系数配置各发电种类的发电功率；若太阳能发电功率、潮汐发电功率与风力发电功率之和小于实时用电功率，则储能系统开始输送电能。

作为一种优选方案，步骤1中，

太阳能发电功率与时间的函数为

其中，y₁表示太阳能发电功率，t表示当前的时间，单位为小时，k为太阳能发电最大功率，p为周期常数，使sin3p的值为1，sin6p的值为0；

潮汐发电功率与时间的函数为

其中，y₂表示潮汐发电功率，S为潮汐发电最大功率，n为比例常数，m为修正数，其值的大小根据当前时间的日期变化而变化，周期为30天；

风力发电功率由风叶转速决定，当风叶转速超过设定的阈值时，风力发电功率即为额定发电功率，当风叶转速未超过设定的阈值时，风力发电功率为0。

备用发电系统包括水力发电、火力发电和/或储能系统。

步骤4中，所述的太阳能发电、潮汐发电和风力发电的权重系数分别为α，β和γ，α的取值范围是0.4至0.5，β的取值范围是0.4至0.5，伽马的取值范围是0至0.2，α+β+γ＝1，太阳能发电、潮汐发电和风力发电的功率总和设为P_总，当前所需功率设为P_实，则太阳能发电、潮汐发电和风力发电实际的输出功率分别为和

系统根据目标日以及目标日的环境数据选择出历年数据内中相似日，并对相似日用电电量进行整合计算获得预测用电量数据；所述相似日选取的方法包括以下步骤：

相似日选取步骤一：根据目标日是否属于节假日进行选择，若目标日为节假日则只在历年的相同节假日中选取相似日，若目标日为工作日则在历年的工作日中选取相似日；

相似日选取步骤二：根据目标日的公历日期，选择符合步骤一要求的历年相同公历日期前三天和公历日期后三天作为候选日期；根据目标日的农历日期，选择符合步骤一要求的历年相同的农历日期前三天和农历日期后三天作为候选日期；

相似日选取步骤三：调出所有候选日期的环境数据与目标日的环境数据进行对比，所述环境数据包括温度、日照、风力和潮汐数据，

若候选日期中的任一日期的环境数据与目标日的环境数据差异大于设定的阈值则在候选日期中删除此日期，剩余的候选日期即为相似日期。

对相似日用电电量进行整合计算包括以下步骤：

整合计算步骤一：获取虚拟电厂所供电的当地GDP历年数据以及当地GDP目标数据；

整合计算步骤二：计算电力系统用电弹性系数：

Ect＝{(ct+1-ct)/ct}/{(gt+1-gt)/gt}；

Ect为第t年时电力系统用电弹性系数，ct为当地第t年的用电量，gt为当地第t年的GDP数据；当年的GDP数据采用最新的当地GDP目标数据；

整合计算步骤三：将每一个相似日期的用电量通过电力系统用电弹性系数公式；

Ect＝{(ct+1-ct)/ct}/{(gt+1-gt)/gt}；

调整为目标日的预测用电量计算值；

整合计算步骤四：计算所有预测用电量计算值的均值，获得的均值即为预测目标日用电电量。

Claims (6)

1.一种虚拟电厂基于用电端负荷的智能调配方法，其特征是，包括以下步骤：

步骤1，系统获取太阳能发电功率，根据经验公式构建太阳能发电功率与时间函数，获取潮汐发电功率，根据经验公式构建潮汐发电功率与时间函数，获取风力发电功率；

步骤2，系统调取存储信息获得历年用电的电量、历年环境数据，预测目标日日用电电量，并根据步骤1的太阳能、潮汐和风力发电功率得出目标日日用发电量，将日用电电量和日用发电量相比较，若日用电量大于日用发电电量，则跳转至步骤3，若日用电量小于或等于日用发电量，则跳转至步骤4，

步骤3，系统监控实时用电功率，若实时用电功率小于或等于正常发电功率，则继续保持监控，若实时用电功率大于正常发电功率，则系统控制备用发电系统进行发电，直到实时用电功率下降到小于或等于正常发电功率为止；

步骤4，若太阳能发电功率与潮汐发电功率大于或等于实时用电功率，则风能向储能系统储存电能，若太阳能发电功率与潮汐发电功率之和小于实时用电功率，则系统配置太阳能发电、潮汐发电和风力发电的权重系数，并按照权重系数配置各发电种类的发电功率；若太阳能发电功率、潮汐发电功率与风力发电功率之和小于实时用电功率，则储能系统开始输送电能。

2.根据权利要求1所述的一种虚拟电厂基于用电端负荷的智能调配方法，其特征是，所述的步骤1中，太阳能发电功率与时间的函数为

其中，y₁表示太阳能发电功率，t表示当前的时间，单位为小时，k为太阳能发电最大功率，p为周期常数，使sin3p的值为1，sin6p的值为0；

潮汐发电功率与时间的函数为

其中，y₂表示潮汐发电功率，S为潮汐发电最大功率，n为比例常数，m为修正数，其值的大小根据当前时间的日期变化而变化，周期为30天；

风力发电功率由风叶转速决定，当风叶转速超过设定的阈值时，风力发电功率即为额定发电功率，当风叶转速未超过设定的阈值时，风力发电功率为0。

3.根据权利要求1或2所述的一种虚拟电厂基于用电端负荷的智能调配方法，其特征是，所述的备用发电系统包括水力发电、火力发电和/或储能系统。

4.根据权利要求1所述的一种虚拟电厂基于用电端负荷的智能调配方法，其特征是，步骤4中，所述的太阳能发电、潮汐发电和风力发电的权重系数分别为α，β和γ，α的取值范围是0.4至0.5，β的取值范围是0.4至0.5，伽马的取值范围是0至0.2，α+β+γ＝1，太阳能发电、潮汐发电和风力发电的功率总和设为P_总，当前所需功率设为P_实，则太阳能发电、潮汐发电和风力发电实际的输出功率分别为和

5.根据权利要求1所述的一种虚拟电厂基于用电端负荷的智能调配方法，其特征是，系统根据目标日以及目标日的环境数据选择出历年数据内中相似日，并对相似日用电电量进行整合计算获得预测用电量数据；所述相似日选取的方法包括以下步骤：

相似日选取步骤一：根据目标日是否属于节假日进行选择，若目标日为节假日则只在历年的相同节假日中选取相似日，若目标日为工作日则在历年的工作日中选取相似日；

相似日选取步骤二：根据目标日的公历日期，选择符合步骤一要求的历年相同公历日期前三天和公历日期后三天作为候选日期；根据目标日的农历日期，选择符合步骤一要求的历年相同的农历日期前三天和农历日期后三天作为候选日期；

相似日选取步骤三：调出所有候选日期的环境数据与目标日的环境数据进行对比，所述环境数据包括温度、日照、风力和潮汐数据，

若候选日期中的任一日期的环境数据与目标日的环境数据差异大于设定的阈值则在候选日期中删除此日期，剩余的候选日期即为相似日期。

6.根据权利要求5所述的一种虚拟电厂基于用电端负荷的智能调配方法，其特征是，对相似日用电电量进行整合计算包括以下步骤：整合计算步骤一：获取虚拟电厂所供电的当地GDP历年数据以及当地GDP目标数据；

整合计算步骤二：计算电力系统用电弹性系数：

Ect＝{(ct+1-ct)/ct}/{(gt+1-gt)/gt}；

Ect为第t年时电力系统用电弹性系数，ct为当地第t年的用电量，gt为当地第t年的GDP数据；当年的GDP数据采用最新的当地GDP目标数据；

整合计算步骤三：将每一个相似日期的用电量通过电力系统用电弹性系数公式；

Ect＝{(ct+1-ct)/ct}/{(gt+1-gt)/gt}；

调整为目标日的预测用电量计算值；

整合计算步骤四：计算所有预测用电量计算值的均值，获得的均值即为预测目标日用电电量。