CN109428344B - 含风电场的多电源投资规划方法和装置 - Google Patents
含风电场的多电源投资规划方法和装置 Download PDFInfo
- Publication number
- CN109428344B CN109428344B CN201710779430.1A CN201710779430A CN109428344B CN 109428344 B CN109428344 B CN 109428344B CN 201710779430 A CN201710779430 A CN 201710779430A CN 109428344 B CN109428344 B CN 109428344B
- Authority
- CN
- China
- Prior art keywords
- power
- unit
- power generation
- time period
- preset time
- 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 68
- 238000010248 power generation Methods 0.000 claims abstract description 250
- 238000004364 calculation method Methods 0.000 claims abstract description 55
- 238000005516 engineering process Methods 0.000 claims description 67
- 230000005611 electricity Effects 0.000 claims description 57
- 238000010276 construction Methods 0.000 claims description 36
- 239000000446 fuel Substances 0.000 claims description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 claims description 5
- 230000007774 longterm Effects 0.000 description 18
- 238000004088 simulation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000009434 installation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 6
- 230000001364 causal effect Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010206 sensitivity analysis Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008846 dynamic interplay Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- H02J3/386—
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种含风电场的多电源投资规划方法和装置。其中,该方法包括:基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组;基于预设发电量计算模型,估算电力系统在预设时间段内的发电量;根据电力系统在预设时间段内的用电量和发电量,确定在预设时间段内投资第一机组和/或第二机组的装机容量。本发明解决了现有技术采用在规划时间内以一定的供电可靠性和机组投运时间为约束,建立最小化成本模型来对电源投资进行集中规划的方案无法应对电力市场化改革的新形势的技术问题。
Description
技术领域
本发明涉及电力系统领域,具体而言,涉及一种含风电场的多电源投资规划方法和装置。
背景技术
为了减少温室气体排放,防止全球变暖,风力发电是一种重要的低碳电源,但是风能具有间歇性、波动性、反调峰等特性,大规模风电并网后会对电力系统产生很大影响。因而,准确评估风力发电的效益,统筹考虑风电与其他传统发电的合理配置,加强风电电源与电网的统一规划,对于整个电力系统的发展十分重要。
目前,对于含风电场的电源规划主要有如下几种:①考虑风电相关性的源网协调规划,该规划通过模糊C均值聚类法考虑风电不确定性,建立了概率风电功率模型。继而,提出考虑风电相关性的经济源网协调规划模型,并采用遗传算法求解;②含风电场的成本最小化电源规划模型,该模型考虑了系统的调峰能力约束、调频能力约束以及污染物排放量约束,在此基础上,计及上网电价差异对电源规划的影响,按照分解协调的思想建立了净收益最大化双层电源规划模型,并提出了模拟植物生长算法、最小累积风险度法、等效电量频率法相结合的求解方法;③利用虚拟机组进行源网协调规划,针对风电大规模接入后的电网规划,在规划电网的同时对电源规划方案进行反馈及微调,以经济性最优为目标,均衡优化源、网可靠性,确定电源及电网的可靠性优化值,从而得到与电源协调优化的电网规划方案。
由上可以看出,现有的含风电场的电源投资规划方法中,大都是在规划时间内以一定的供电可靠性和机组投运时间为约束,建立最小化成本模型进行集中规划。然而,随着新电改的推进,在开放的电力市场中,发电投资是市场参与者根据电价进行分散决策的结果,传统的电源投资规划已经不能很好地适应电力市场化改革的新形式。此外,风电的接入也对传统的电源规划造成了一定的冲击,在竞争性电力市场中,风电的随机波动性导致风电项目的盈利能力产生了不确定性。
针对上述现有技术采用在规划时间内以一定的供电可靠性和机组投运时间为约束,建立最小化成本模型来对电源投资进行集中规划的方案无法应对电力市场化改革的新形势的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种含风电场的多电源投资规划方法和装置,以至少解决现有技术采用在规划时间内以一定的供电可靠性和机组投运时间为约束,建立最小化成本模型来对电源投资进行集中规划的方案无法应对电力市场化改革的新形势的技术问题。
根据本发明实施例的一个方面,提供了一种含风电场的多电源投资规划方法,包括:基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组;基于预设发电量计算模型,估算电力系统在预设时间段内的发电量,其中,发电量包括:第一机组在预设时间段内的第一发电量和/或第二机组在预设时间段内的第二发电量;根据电力系统在预设时间段内的用电量和发电量,确定在预设时间段内投资第一机组和/或第二机组的装机容量。
根据本发明实施例的另一方面,还提供了一种含风电场的多电源投资规划装置,包括:计算模块,用于基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组;估算模块,用于基于预设发电量计算模型,估算电力系统在预设时间段内的发电量,其中,发电量包括:第一机组在预设时间段内的第一发电量和/或第二机组在预设时间段内的第二发电量;第一确定模块,用于根据电力系统在预设时间段内的用电量和发电量,确定在预设时间段内投资第一机组和/或第二机组的装机容量。
在本发明实施例中,通过基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组;基于预设发电量计算模型,估算电力系统在预设时间段内的发电量,其中,发电量包括:第一机组在预设时间段内的第一发电量和/ 或第二机组在预设时间段内的第二发电量;根据电力系统在预设时间段内的用电量和发电量,确定在预设时间段内投资第一机组和/或第二机组的装机容量,达到了综合考虑电力系统的发电量和用电量来对电力系统的装机容量进行规划的目的,从而实现了提高含风电场的多电源投资规划准确性的技术效果,进而解决了现有技术采用在规划时间内以一定的供电可靠性和机组投运时间为约束,建立最小化成本模型来对电源投资进行集中规划的方案无法应对电力市场化改革的新形势的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种含风电场的多电源投资规划方法流程图;
图2是根据本发明实施例的一种可选的电力市场的发电计划和容量投资的因果回路示意图;
图3是根据本发明实施例的一种可选的含风电场的多电源投资规划方法流程图;
图4是根据本发明实施例的一种可选的含风电场的多电源投资规划方法流程图;
图5是根据本发明实施例的一种可选的负荷曲线与等效负荷曲线的示意图;
图6是根据本发明实施例的一种可选的含风电场的多电源投资规划方法流程图;
图7是根据本发明实施例的一种可选的折现率对风电场装机容量的影响示意图;
图8是根据本发明实施例的一种可选的不同摊销年限对风电场投资的影响示意图;
图9是根据本发明实施例的一种可选的风电机组价格对风电场装机容量的影响示意图;以及
图10是根据本发明实施例的一种含风电场的多电源投资规划装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种含风电场的多电源投资规划方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种含风电场的多电源投资规划方法流程图,如图1所示,该方法包括如下步骤:
步骤S102,基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组。
作为一种可选的实施例,上述预设时间段可以是未来的某一时间段,例如,一年,半年,一个月等,上述发电量不可控制的第一机组可以是指采用一些自然界的可再生能源(例如,风能、太阳能等)发电的发电设备,由于这些能源具有随机性和不确定性,使得采用这些能源发电的发电设备的发电量受天气、季节等影响较大;上述发电量可控制的第二机组可以是指采用传统燃料(例如,煤等)发电的发电设备,由于采用传统燃料发电的电量与燃料正相关,因而,只要燃料的量确定,则其发电量也是确定的。
需要说明的是,在电力系统的实际运行中,整个系统处于动态变化之中,系统运行的最优轨迹也处于动态变化之中。因此,需要对电力市场运行和系统规划进行长期的评估,分析在动态的、不同情形下的市场容量需求与过剩情况。常规的电力系统分析的发电设备建模会主要会涉及到三种不同的发电技术,分别为:燃煤火电、燃气蒸汽联合循环、燃气轮机发电。本申请各个实施例将这三种发电技术引入到发电设备建模中,同时考虑风电,风电为优先上网。
此外,还需要说明的是,为了研究不同的政策和投资者的行为在不同的发电技术情况下的影响,应用系统动力学方法可以很好地分析电力市场的组成部分之间的动态的相互作用。在系统动力学分析中,所有的动态经济系统从正负两种反馈回路中产生,正回路可以加强系统中任意部分的回路,负回路可以抑制系统中的变化的平衡回路。因果回路图是一个合适的工具用来表示系统的反馈结构,该图由变量和箭头组成,箭头表示变量的因果关系。
作为一种可选的实施例,图2是根据本发明实施例的一种可选的电力市场的发电计划(短期)和容量投资(长期)的因果回路示意图,如图2所示,该图显示了电力市场的动态变化和长期动态评估能力投资之间的动态关系。其中,正(负)符号表明,如果自变量增加(减少),则因变量会增加(减少)。在系统动力学分析中设置有四个负反馈回路(第一回路CT1、第二回路CT2、第三回路CT3和第四回路CT4)。
其中,第一个回路定义了常规技术的价格弹性。此定义是基于电力招标竞价规则,最后成交的单位的出价决定了此时的电价。随后,这个含有单位边际成本的价格是下一次市场运行(指定为招标策略)时发电机组量化其利用率或容量系数的标准。由于风电投资不符合电力招标竞价规则,因此没有包含在此平衡回路中。
第二个负回路表示的是电力需求的价格弹性的特性。首先假设在电价上涨后的时间点上,电价的反应是温和的,不发生突变,模型中只考虑了电力消费中的长期电价弹性。第三个和第四个负反馈回路,分别限制了常规风力发电机组中的容量投资。其表示,当发电量增加,能够调度的电量增加,最终的市场价格很可能会在短期内下跌。然后,预期未来价格下降,这反过来又降低了投资者预期的项目盈利能力。因此,施工速度会降低,时间跨度将影响投资者获得施工许可证。这样投资决策(或建设决定) 将受到限制,导致在之后的一段时间内的安装容量要低得多。如果投资者认为投资是不能达到经济回报的,他们有可能推迟或取消该项目。在这个模型中主要时间延迟为获得施工许可证的时间段和常规风力发电施工时间。
容易注意的是,由于风力发电的间歇性和波动性的特点,在每个时间段内的区域内的风电可用容量和其风功率预测误差均为随机变量。因此本发明定义了关于需求和风功率预测的等效负荷。其他电力市场的辅助服务(例如,常规备用或应急备用)和常规的电力系统备用容量机制不包括在模型设置的考虑之中。在模型中忽略了传输网络的影响,市场视为完全竞争市场。
虽然在动态建模中因果回路图能够很好地分析不同主体之间的相互影响,然而它无法指定系统中的存量和流量结构,这是动态系统理论的重要概念。存量流量图可以更好的用来描述系统动力学(为了简单起见这里不再叙述)。存量展现了系统中状态变量的特征,并通过积累流入和流出过程的差异创造延迟,数学公式如下:
其中Exist(t)表示存量,In(t)表示正流量,Out(t)表示负流量。在复杂的电力市场模型中,有一些存量和流量方程由反馈和延迟相连接。因此,用一组非线性微分方程描述动态电力市场,用欧拉算法来求解。
为了准确地进行含风电场的多电源投资规划,需要了解电力时长的用电情况,即电力系统的电力负荷。因而,在确定含风电场的多电源投资规划前,本申请实施例首先提出了一种计算电力系统的电力负荷的数学模型。在一般的电力市场制度下,电力市场的出清一般是按小时进行的,但本申请构建的模型的时间分辨率是一个星期,这样市场每星期对发电量与用电量进行清零。因此,一些电力需求的变化,如季节性和天气变化所造成影响被考虑在模型中。本申请实施例提出的电力负荷模型,每周的负载波动轨迹为一个特定的模式,将周负荷曲线按照升序排列,进而可以得到年持续负荷曲线,该曲线以图形方式显示过去一年中负载经历的变化。由于工业和人口增长,未来的发展中电力需求增长率作为一个外生的变量,其年增长率是不确定的。考虑到需求增长率r为随机变量,这里引入高斯分布函数描述其波动的随机行为和在每一个时间点的电力需求,即r(t)N(μ,σ):
其中,△t为时间步长,L(t+△t)为下一时间节点的负荷曲线。
为了方便后续研究,在年负荷曲线中所负荷水平均为相同的增长率。假设用电需求不变的情况下,持续时间的用电量(单位为MW·h)为用电需求(单位为MW) 与年度基础的持续时间(单位为h)的乘积。每个星期的平均电力需求代表每一个时间步长的电能消耗的计算量。
为了考虑电力消费的经济属性,假定消费者能够根据价格反馈调整他们的用电情况。长期价格弹性表示通过长期的投资(例如,节能和负载管理程序)或改变用电习惯进而减少能源消耗(需求和使用时间)的意愿。下面的方程描述了以年度为基础的用电量对长期价格变化的响应:
其中,Wpredict为上一时间段的电力需求预测值,W(t;△t)为消费者因电力市场价格因素调整电力消费行为后电力消费量,Pave为近年平均电价,Prefer为国家推行的标杆电价,ε为电力消费弹性。由于输电和配电成本不考虑在内,消费者支付的价格假设等于发电价格,忽略短期价格需求弹性。
容易注意的是,电力系统的电力负荷,受电价影响较大,而电价又与电力系统的发电量与用电量有关。基于上述电力负荷模型,根据电力系统当前时间段的用电需求,可以较准确地估算电力系统在下一时间段的用电求(即电力负荷)。
步骤S104,基于预设发电量计算模型,估算电力系统在预设时间段内的发电量,其中,发电量包括:第一机组在预设时间段内的第一发电量和/或第二机组在预设时间段内的第二发电量。
作为一种可选的实施例,上述电力系统可以采用第一机组和/或第二机组发电,因而,根据预设发电量计算模型估算出的电力系统在预设时间段内的发电量可以包括第一机组在预设时间段内的第一发电量和/或第二机组在预设时间段内的第二发电量。
步骤S106,根据电力系统在预设时间段内的用电量和发电量,确定在预设时间段内投资第一机组和/或第二机组的装机容量。
具体地,在上述步骤中,由于电力系统中用电量和发电量的不同会影响电价的变化,本发明根据预设电力负荷计算模型估算出电力系统中用户的用电量,以及通过预设发电量计算模型计算出电力系统中第一机组和第二机组的发电量,进而根据估算出的电力系统的用电量和发电量确定电力系统的装机容量,可以包括第一机组的装机容量以及第二机组的装机容量。
由上可知,在本申请上述实施例中,通过预设电力负荷计算模型估算出电力系统在未来任一时间段内(即上述预设时间段)电力用户的用电需求(即电力系统的电力负荷),并通过预设发电量计算模型电力系统的发电量,最后根据电力系统在该预设时间段内的电力负荷以及发电量,确定该预设时间段内电力系统的装机容量,容易注意的是,在电力系统采用发电量可控制的第一机组和发电量不可控制的第二机组进行发电的情况下,可以分别计算第一机组和第二机组在该预设时间段内的发电量,并根据第一机组和第二机组的发电量,确定电力系统中第一机组和第二机组的装机容量,达到了综合考虑电力系统的发电量和用电量来对电力系统的装机容量进行规划的目的,从而实现了提高含风电场的多电源投资规划准确性的技术效果,进而解决了现有技术采用在规划时间内以一定的供电可靠性和机组投运时间为约束,建立最小化成本模型来对电源投资进行集中规划的方案无法应对电力市场化改革的新形势的技术问题。
需要说明的是,在电力系统采用发电量可控制的第一机组和发电量不可控制的第二机组进行发电的情况下,由于第一机组和第二机组的发电情况不同,因而,一种可选的实施例中,如图3所示,基于预设发电量计算模型,估算电力系统在预设时间段内的发电量,可以包括如下步骤:
步骤S302,基于第一预设发电量计算模型,估算第一机组在预设时间段内的第一发电量;
步骤S304,基于第二预设发电量计算模型,估算第二机组在预设时间段内的第二发电量。
需要说明的是,作为一种可选的实施例,上述第一机组可以是风电机组,上述第二机组可以包括采用如下至少一种发电技术发电的发电设备:燃煤火电、燃气蒸汽联合循环、燃气轮机发电,即第二机组是指采用传统发电方式(也称常规发电方式)发电设备,包括至少一种发电技术的发电设备。
可选地,基于上述实施例,作为一种可选的实施方式,上述第一预设发电量计算模型可以为:
其中,V1为切入风速,V2为切出风速,Vr为额定风速,其中,A,B,C为风电机组的特性参数,sv(t)为模拟风速。
可选地,基于上述实施例,作为一种可选的实施方式,上述用于估算第二机组的第二预设发电量计算模型可以为:
Pi fuel为第i种发电技术的燃料价格,单位为元/MJ,Pemission为污染物排放价格,单位为元/百万吨;ηi,j为第i种发电技术第j个机组的发电效率;ri,j为发电排污系数,单位为百万吨/(MW·h)。
需要说明的是,在第一机组为风电机组的情况下,一种可选的实施方式中,基于第一预设发电量计算模型,估算第一机组在预设时间段内的第一发电量,可以包括如下步骤:
步骤S3021,模拟风电机组采用的风能在预设时间段的风速;
步骤S3023,根据风能在预设时间段的风速确定第一机组的可用装机容量;
步骤S3025,基于预设发电量计算模型,根据风电机组的可用装机容量确定估算第一机组在预设时间段内的第一发电量。
容易注意的是,由于电力市场的不确定性,发电企业必须处理他们可能会面对的一些技术和金融风险。市场价格是各发电厂商在风险环境中进行竞争而形成的结果,而在这样一个框架内,所有的市场信息都体现在市场价格上,价格信号和对价格准确的预测有着非常重要的意义。常规发电技术根据价格信号以及发电的边际成本进行竞价。
在一个完全竞争电力市场中,发电企业不能战略性地影响市场价格。这是由于发电企业是价格接受者,并且报出价为边际成本。事实证明,市场上当不同的发电技术获得确定数额的资金可以支付其相应的固定和运营成本时,发电市场效率最高。
市场价格等于最贵的发电运行技术的边际成本,因此在本发明中,所有发电技术相同的发电机组聚合到一起代表一个独立的企业,以反映几个技术之间的竞争。对于每一种技术来说,运营成本是成本的一部分区别于在一个给定的时间里用此技术进行能量传输的成本。这些成本被假定为燃料成本和气体排放成本的总和。利用这些概念,每种发电技术的边际发电成本可以通过如下公式计算得出:
其中,Ci,j(t)为第i种发电技术第j个机组的发电边际成本,单位为元/(MW·h);Pi fuel为第i种发电技术的燃料价格,单位为元/MJ,Pemission为污染物排放价格,单位为元/百万吨;ηi,j为第i种发电技术第j个机组的发电效率;ri,j为发电排污系数,单位为百万吨/(MW·h)。
发电机组的容量系数是一段时间内产生的实际能量与报告时期可能产生的最大能量的比值,即在额定功率下满时运行。容量系数通常是经过一段长时间内测量的,例如一年。与此相反,如果时间周期足够短,容量被假定为保持固定不变,我们可以定义时间点的容量系数,为方便后续研究,本发明中提到容量系数均为某时间点的容量系数。每种发电技术的供应曲线表明,容量系数和市场价格与该技术的边际成本的比值有着正相关关系。当价格上涨或边际成本降低时,企业将被激励增大容量提升发电能力。因此,每个时间点t的市场价格Prealtime,技术的容量系数i,年份j,时间段[t-△t,t] 将由在时间[t-△t]内使用价值定义,每种发电技术的典型的供给曲线如下:
发电公司通过价格信号反馈进行下一次售电价格调整。通过叠加所有传统发电技术的供应曲线,可以得到一条由根据对应的发电边际成本排序绘制机组总和累积容量形成的聚合供应曲线。这条曲线说明,对于每一负荷水平对应的边际成本将是多少。通过确定每种技术及相应的时间段[t-△t,t]内所产生的发电量,在这个时间步长内常规机组总发电量可以定义如下:
其中,Gs(t;△t)为[t-△t,t]时间内总发电量。
此外,还需要说明的是,在第一机组为风电机组的情况下,由于风力发电容量的评估是从测风数据统计而来的。风况受地区和当地情况的影响,取决于季节性和短期变化。为了统计性的描述风速,本申请实施例定义了其分布函数。在大多数地区的风速发生频率通常拟合于威布尔分布函数。威布尔分布函数和累积概率函数的表达式分别为:
其中,v为实测风速,λ,k为威布尔分布参数,均为大于0的常数。
由于不同风力发电建模受到时间尺度影响特别大,因此应针对研究问题的时间尺度特点采用适当的预测方法和可用的数据。利用蒙特卡罗随机模拟技术可以实现一周内的风速模拟,风速随机样本可以使用威布尔概率分布函数获得。此种方法的最大问题是在连的时间段没有考虑观测的风速与时间的关联关系。因此,这里引入基于自回归滑动平均(ARMA)模型风速时间序列的仿真技术模拟每周的风速,这样就考虑到了风速随时间的分布特性。该方法是基于每周随机模拟利用可获得的时间序列风速分布,用以预测未来的风速及在一些特定的位置由于气候波动和季节性的影响产生的变化。利用实测数据可以建立风电场初始时间序列。风速时间序列可以利用每个星期观测到的数据进行计算,具体计算公式为:
然后,运用ARMA模型。在本发明的研究中,ARMA模型由两部分组成,一个自回归部分和一个移动平均部分,通常被称为ARMA(m,n)模型,其中m是自回归部分的顺序和n是移动平均线的顺序,定义如下:
其中,正常白噪声过程δ(t)可以采用随机抽样方法生产,计算过程中的系数使用FF-标准计算。在这里,采用最小二乘法(LSE)。选用不同的m和n代入上述标准,试验以及误差验证,可以找到最佳估计值φ(m)和θ(n)。求得系数后,未来一段时间内的v(t)可以确定,然后使用下述方程模拟风速:
由于风速测量装置的高度和风电机组的轮毂高度往往不一致,模拟的风速还不能直接用于计算风功率,需要使用风切变指数模型将其调整为风电机组轮毂高度风速:
其中,h为风电机组轮毂高度,b为风电机组基础高度,h0为区域地形特征参数。
在完成风速模拟后,可以利用典型风电机组功率输出曲线计算风力发电机在任何时间的可用输出功率。这条曲线表示风速和输出功率之间的非线性关系,如式(13) 所示:
其中,V1为切入风速,V2为切出风速,Vr为额定风速,其中,A,B,C为风电机组的特性参数,sv(t)为模拟风速。
为方便进行研究,假定所有风机发电输出总和集中接入电力系统到一个点上。在这种情况下,假定所有的风容量都集中在一个风电场的同一位置,依靠风电机轮毂处的风速联系在一起。这相当于是假设模型忽略了风电输送损耗的影响。此外,如果一个地区的风电渗透率增加,风力发电的间歇性和频率会变高,风电预测难度将会提升。
公式(13)中的系数代表风电场的利用率,其中风波动通常范围在0.22和0.43 之间,通常与风资源状况有关,由风电场场址气候与地形等因素决定。由于一个风力发电场可能有数百个风电机组且风电机组排布间距很大,当个别风电机组发生故障时,风电场整体是也趋于稳定的。在时间段[t-△t,t]的风力发电情况表示如下:
其中,Twind为风电机组的装机总量。
通过上述实施例,通过建立包含风电的电力市场的长期系统动力学模型,模型中应用了蒙特卡洛方法模拟电力需求的不确定性和风电出力的不确定性,进行不同情形下多电源协调规划研究,以解决在电力市场环境下的风电场投资规划优化问题。
在计算出电力系统在预设时间段的用电量(即电力系统的电力负荷),以及电力系统的发电量(包括第一机组的发电量和第二机组的发电量)后,需要根据电力系统在预设时间段的用电量和发电量,确电力系统中第一机组和第二机组的装机容量。作为一种可选的实施例,如图4所示,根据用电量和发电量,确定在预设时间段内投资第一机组和第二机组的装机容量,可以包括如下步骤:
步骤S402,基于用电量和发电量,获取电力系统的电价;
步骤S404,根据电价,计算第一机组在预设时间段内的第一利润值,以及第二机组在预设时间段内的第二利润值;
步骤S406,根据第一利润值确定第一机组的第一装机容量,并根据第二利润值确定第二机组的第二装机容量。
可选地,在基于用电量和发电量,获取电力系统的电价时,可以通过如下的电价计算模型,根据当前时间段的电价确定电力系统在下一时间段的电价:
其中,Qr为用电量减去第一发电量的电力消耗量,其中,
Qr(t;△t)=Q(t;△t)-Gwind(t;△t)。
需要说明的是,由于风电是可再生绿色电力,优先上网,因此,风电输出的期望值视为系统的基本出力,扣除风电的等效负荷值为该期间段平均需求减去可用风电输出功率。在这种情况下,常规机组的预期输出功率应该能够满足这方面的需求。为了评估扣除风电出力的电力需求,用等效负荷曲线LE(t)来替代传统电源规划中的负荷曲线,其计算公式为:
LE(t)=L(t)-Gwind(t) (15)
前面的讨论表明,无论是用电需求还是风力发电的输出都是随机变量,可能表现出一定的相关性。所以在任何时候的剩余需求都将是随机变量,并且其概率分布函数应从每年的全局规划的负荷曲线中估算进而构造等效负荷曲线。在同一坐标轴的典型负荷曲线和等效负荷曲线如图5所示,图5是根据本发明实施例的一种可选的负荷曲线与等效负荷曲线的示意图,横轴为时间序列,纵轴为负荷。
电力需求建模定义了表示每周的需求变化的确定部分,而不确定部分加入了年度需求增长率。结合风速时间序列仿真负载模型框架可得出需求波动和风电输出之间的关系。本申请实施例所描述的模拟技术是用来量化与剩余需求相关的能量消耗。在每一次运行随机模拟的过程中,每个时间段[t-△t,t]风电输出功率的情形由时间序列表示。因此,由常规发电机组承担的剩余需求的电力消耗量Qr可以表示为:
Qr(t;△t)=Q(t;△t)-Gwind(t;△t) (16)
不同类型的发电企业进入电力市场,当企业个体的经济利润为零,而所有企业的平均成本最小时,电力市场达到长期均衡状态。虽然大多数的经济基础和理论是基于长期市场均衡条件,然而正如之前提到的,所建模型并不能充分反映电力市场长期的特点。企业在此种情况下正常经营的可能性很小,市场经常偏离长期均衡状态。在均衡状态下,发电量和用电量是平衡的,每个时间点的电价等于最昂贵的发电技术下的边际成本。
如上所述,发电和用电价格弹性需要价格的反馈。只要实时的市场清零,市场参与者会极力预测未来市场运行时的供求情况以获得预期价格。因此,一些时间延迟本质上是在市场准入前的供求定义。此外,市场参与者的动态行为、发电技术和经济环境方面的不确定性造成了发电和用电之间的不平衡。在市场评估的动态方面,要求模型中用适当的表达来反应这种差异。为此,应当表示出超额需求部分电价按比例进行调整的一个平衡反馈过程。下面这个在经济文献中通常称为超额需求函数的方程解释这种现象:
现货市场价格的变化是由于发电量和用电量之间的差异造成的,时间步长代表市场连续实施之间价值调整的时间跨度。上述方程的解释是,价格波动方向应该跟从市场失衡的方向,即如果用电量超过发电量,价格将增长,反之亦然。利用过程中的储存和流入结构,下一个时间段的电价被定义如下:
需要说明的是,为增大投资效益,发电公司应对最近的市场价格做出尽可能精准的预测,时间范围超出长期市场时必须考虑投资项目具备极好的经济投资回收期。为提升投资者抵御金融风险的能力,需要对价格和其他经济信号(例如,利率和通货膨胀率)进行合适的预测。由于此部分有关投资者的盈利评估非常重要,目前已经提出了多种对市场上变量的预期进行建模的方法。本申请实施例提出的系统动力学模型是基于对市场参与者的有限理性假设,模型参数选用统计方法,而不是因缺乏对市场因素的分析而选用优化组合的方法。本申请实施例的统计方法同时应用了变量的趋势外推以及指数平滑技术。
为了评估项目的经济性,项目不同年份的现金流被视为普遍参考时间节点,通常被称为决策时间。净现值(NPV)方法计算了项目总收益与总成本在其生命周期内的差额,应用净现值法对不同发电技术新投资项目进行评估,可以估算出每个技术在时间t内总经济利润的现值,计算公式如下:
其中为计划时间内的利润总和,为第i种发电技术在运行期第k年的期望收益,为第i种发电技术在运行期第k年的平均运行维护费用。每年修理和维护费用独立于生产能力利用系数。等式中调整后的折现率由折旧率和通货膨胀率决定。
由于存在不确定因素(气候、利率等)影响,投资者在决策时期不可能知道准确的年度预期价格和主要利润。通常来说,维修成本也可能因技术和设备年限差异而有所不同,生命周期中单位产能可以假定是一个平均价值。预期的经营利润取决于容量利用率,即在一年的某时间内如果预期的价格超过了预期的边际成本,该企业在这些时间段内将获得利益,并加大发电力度。因此,可以得出:
这是在理解时间通常是一年(风力发电技术的边际成本假定为零)时的预期经济利润。结合式(19)和(20),投资者可检查其投资的盈利能力。另一方面,求解方程 Ei(t)=0的值为内部收益率(IRR)。此参数可用于定义无量纲的盈利指数I:
在长期均衡的电力市场中,每种发电技术的盈利能力指数都将会达到平衡状态。在这种情况下,每种技术的运营利润将完全覆盖所摊销的固定成本(包括投资和固定的维修费用),然后就失去了投资的新引力,达到长期均衡状态。但投资者的行为并不一定属于这种状态。投资者会在利润相当可观时继续投资,当利润为负值时停止投资。越大的盈利能力指数越让投资者有动力。此外,随着新企业的进入和老旧机组淘汰,发电市场的投资将会恢复增长。这些因素将盈利能力标准转换为投资水平。因此,本发明引入S形函数fs来描述每种技术的综合容量投资:
其中,fi max为第i种发电技术的装机总量,单位为MW,β,γ为常数,可以通过满足条件fi(1)=1计算。最后用上述模型中函数、淘汰容量率、相关附件条件求得最大投资速率。
在一种可选的实施例中,如图6所示,在根据电力系统在预设时间段内的用电量和发电量,确定在预设时间段内投资第一机组和/或第二机组的装机容量之后,上述方法还可以包括如下步骤:
步骤S602,获取第一机组或第二机组的投资速率和建设完成率;
步骤S604,根据投资速率和建设完成率,确定第一机组或第二机组在预设时间段内的建设容量。
具体地,在上述实施例中,投资速率是指投资建设第一机组和/或第二机组的速率,建设完成率是指建设第一机组和/或第二机组的完成率。由运营商对其进行评估给予许可的容量,即批准的容量是系统中的存量。审批过程导致的时间延迟和许可证过期时间是模型的重要参数,从式子(11)可以看出,在一般情形中此种因素对开发容量影响不大,因此将其忽略。
需要说明的是,每种发电技术的建设容量,其中包括常规风力发电容量建设,是一个取决于投资速率和建设完成率的累积量,可选地,根据投资速率和建设完成率,确定第一机组或第二机组在预设时间段内的建设容量,包括:通过如下的计算公式计算第一机组或第二机组在预设时间段内的建设容量:
其中,Ti c为建设期年数。
对于任何发电技术而言,施工时间可能会由于项目规模,位置和设施能力而有所不同。因此,假设的施工时间为一平均值。经典建模是为传统容量和风电容量设计的。每种技术的装机容量可以通过一个累积变量来描述:
在本发明的算例中,三个年份都假设为常规风力发电技术。折旧时间通过将技术寿命的年份数计算是相同的。利用设备装机年份和老化年份定义了机组淘汰率:
在此方程中,风力发电装机容量被分开考虑。而且,风电输出功率可获得部分全部被利用。因此,备用容量不存在于装机容量中。系统的备用容量Rm可以利用常规装机容量和剩余电力需求来计算,计算公式如下:
需要说明的是,在本申请上述实施例中,通过构建含风电场的电力市场环境下的投资规划系统动力学模型,在系统动力学分析中设置有四个负反馈回路,其中,第一个回路定义了常规技术的价格弹性。此定义是基于电力招标竞价规则,最后成交的单位的出价决定了此时的电价。随后,这个含有单位边际成本的价格是下一次市场运行 (指定为招标策略)时发电机组量化其利用率或容量系数的标准。第二个负回路表示的是电力需求的价格弹性的特性。首先假设在电价上涨后的时间点上,电价的反应是温和的,不发生突变,模型中只考虑了电力消费中的长期电价弹性。第三个和第四个负反馈回路,分别限制了常规风力发电机组中的容量投资。其表示,当发电量增加,能够调度的电量增加,最终的市场价格很可能会在短期内下跌。然后,预期未来价格下降,这反过来又降低了投资者预期的项目盈利能力。因此,施工速度会降低,时间跨度将影响投资者获得施工许可证。这样投资决策(或建设决定)将受到限制,导致在之后的一段时间内的安装容量要低得多。如果投资者认为投资是不能达到经济回报的,他们有可能推迟或取消该项目。
通过本申请上述实施例公开的方案,与传统的电源规划投资方法不同,本申请基于新电改下的电力市场环境,研究了不同的政策和投资者的行为在不同的发电技术情况下的影响,通过计算分析电价、备用容量、可信度等因素对风电场投资规划的影响,优化风电场的投资规划。采用系统动力学的方法分析电力市场的组成部分之间的动态的相互作用,构建了包含价格需求弹性的四个平衡回路模型、常规发电技术和风力发电技术的短期和长期投资系统动力学模型,并且模拟了基于利润最大化的不同的技术在放松管制框架下的投资决策,有助于促进风电投资规划与其他电源的协调发展。
基于上述任意一个可选的或优选的实施例,选取一个仿真的电力系统以探讨所提出的模型对风力发电投资规划的影响,用Vensim实现仿真。模型的时间分辨率设置为一个星期,本项研究的时间范围是30年。调整后的年折现率约为12%。电力价格上限设定为失负荷电价(VOLL)假定为120000元/MW·h。
仿真研究包括三部分:首先是模拟不同的情景下,描述电力市场中产生的情况,包括系统无风电机组接入的情形、有少量风电机组接入的情形和由大量风电机组接入的情形;二是基于不确定性考虑所进行的随机模拟,对电价不确定性和风速不确定性分别进行分析;第三部分将会模拟风电投资对某些外部参数的敏感性,分析影响风电投资规模的因素。
通过进行敏感性分析以看出一些参数对风电投资的影响。这些参数为折现率,摊销周期,投资成本,燃料价格。表1中给出了敏感性分析的参数选择值。
表1风电投资中重要外生参数的敏感性分析表
第一个敏感性分析是折现率变化对风电装机容量的影响。图7是根据本发明实施例的一种可选的折现率对风电场装机容量的影响示意图,如图7所示,该参数的五个不同取值对其影响是明显的。较低的折现率表明投资者可能遭受在投资回收期内,更低的长期边际成本。换言之,投资者在同一时间内偿还更少的债务,其投资速率会增加。如果折现率低于9%,风电装机容量可能在第二投资高峰期中大幅增加至12000 MW。这一结果说明二者相关性很高,因为风电场开发是一个资金密集型项目,债务占总投资额的比例很高。在一个确定的投资回收期内,较低的折现率意味着较高的回报率及未来的高投资额度。
第二个分析是风电发展中投资摊销年限的影响。图8是根据本发明实施例的一种可选的不同摊销年限对风电场投资的影响示意图,如图8所示,投资回收期越长,收益率、投资比例、容量安装也就越高。第一次投资浪潮中,摊销年限从10年变到20 年装机容量增加约1000MW。风电装机最大增长量5000MW发生在第二次投资浪潮时期(2033年发生)。因此,摊销年限延长对投资发展的影响相比于折现率降低对投资发展的影响更小一些。
不同资本成本情况对风电装机容量也进行了敏感性分析。图9是根据本发明实施例的一种可选的风电机组价格对风电场装机容量的影响示意图,如图9所示,固定成本的增加限制了风力发电技术的投资特别是当风电投资成本超过1500美元/千瓦。对于这些情况下,风力发电的投资比例是低于其在大多数的时间的淘汰率,因此,在模拟期间的后期,装机容量保持约1000MW,而其投资成本在12000元/kW以上。
实施例2
根据本发明实施例,还提供了一种用于实现上述含风电场的多电源投资规划方法的装置实施例,图10是根据本发明实施例的一种含风电场的多电源投资规划装置示意图,如图10所示,该装置包括:计算模块101、估算模块103和第一确定模块105。
其中,计算模块101,用于基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组;
估算模块103,用于基于预设发电量计算模型,估算电力系统在预设时间段内的发电量,其中,发电量包括:第一机组在预设时间段内的第一发电量和/或第二机组在预设时间段内的第二发电量;
第一确定模块105,用于根据电力系统在预设时间段内的用电量和发电量,确定在预设时间段内投资第一机组和/或第二机组的装机容量。
此处需要说明的是,上述计算模块101、估算模块103和第一确定模块105对应于实施例1中的步骤S102至S106,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知,在本申请上述实施例中,通过计算模块101基于预设电力负荷计算模型估算出电力系统在未来任一时间段内(即上述预设时间段)电力用户的用电需求(即电力系统的电力负荷),并通过估算模块103基于预设发电量计算模型电力系统的发电量,最后通过第一确定模块105根据电力系统在该预设时间段内的电力负荷以及发电量,确定该预设时间段内电力系统的装机容量,容易注意的是,在电力系统采用发电量可控制的第一机组和发电量不可控制的第二机组进行发电的情况下,可以分别计算第一机组和第二机组在该预设时间段内的发电量,并根据第一机组和第二机组的发电量,确定电力系统中第一机组和第二机组的装机容量,达到了综合考虑电力系统的发电量和用电量来对电力系统的装机容量进行规划的目的,从而实现了提高含风电场的多电源投资规划准确性的技术效果,进而解决了现有技术采用在规划时间内以一定的供电可靠性和机组投运时间为约束,建立最小化成本模型来对电源投资进行集中规划的方案无法应对电力市场化改革的新形势的技术问题。
在一种可选的实施例中,上述估算模块103包括:第一估算单元,用于基于第一预设发电量计算模型,估算第一机组在预设时间段内的第一发电量;第二估算单元,用于基于第二预设发电量计算模型,估算第二机组在预设时间段内的第二发电量。
在一种可选的实施例中,上述第一机组为风电机组,其中,第一估算单元包括:模拟单元,用于模拟风电机组采用的风能在预设时间段的风速;第一确定单元,用于根据风能在预设时间段的风速确定第一机组的可用装机容量;第二确定单元,用于基于预设发电量计算模型,根据风电机组的可用装机容量确定估算第一机组在预设时间段内的第一发电量。
其中,V1为切入风速,V2为切出风速,Vr为额定风速,其中,A,B,C为风电机组的特性参数,sv(t)为模拟风速。
在一种可选的实施例中,上述第二预设发电量计算模型为:
其中,Pi fuel为第i种发电技术的燃料价格,单位为元/MJ,Pemission为污染物排放价格,单位为元/百万吨;ηi,j为第i种发电技术第j个机组的发电效率;ri,j为发电排污系数,单位为百万吨/(MW·h)。
在一种可选的实施例中,上述第一确定模块105包括:获取单元,用于基于用电量和发电量,获取电力系统的电价;计算单元,用于根据电价,计算第一机组在预设时间段内的第一利润值,以及第二机组在预设时间段内的第二利润值;第三确定单元,用于根据第一利润值确定第一机组的第一装机容量,并根据第二利润值确定第二机组的第二装机容量。
在一种可选的实施例中,上述获取单元还用于通过如下的电价计算模型,根据当前时间段的电价确定电力系统在下一时间段的电价:
其中,Qr为用电量减去第一发电量的电力消耗量,其中,
Qr(t;△t)=Q(t;△t)-Gwind(t;△t)。
在一种可选的实施例中,上述装置还包括:获取模块,用于获取第一机组或第二机组的投资速率和建设完成率;第二确定模块,用于根据投资速率和建设完成率,确定第一机组或第二机组在预设时间段内的建设容量。
在一种可选的实施例中,上述第二确定模块还用于通过如下的计算公式计算第一机组或第二机组在预设时间段内的建设容量:
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种含风电场的多电源投资规划方法,其特征在于,包括:
基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,所述电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组;
基于预设发电量计算模型,估算所述电力系统在所述预设时间段内的发电量,其中,所述发电量包括:所述第一机组在所述预设时间段内的第一发电量和/或所述第二机组在所述预设时间段内的第二发电量;
根据所述电力系统在所述预设时间段内的用电量和发电量,确定在所述预设时间段内投资所述第一机组和/或所述第二机组的装机容量;
其中,基于预设发电量计算模型,估算所述电力系统在所述预设时间段内的发电量,包括:
基于第一预设发电量计算模型,估算所述第一机组在所述预设时间段内的第一发电量;
基于第二预设发电量计算模型,估算所述第二机组在所述预设时间段内的第二发电量;
其中,所述第二预设发电量计算模型为:
其中,Pi fuel为第i种发电技术的燃料价格,单位为元/MJ,Pemission为污染物排放价格,单位为元/百万吨;ηi,j为第i种发电技术第j个机组的发电效率;ri,j为发电排污系数,单位为百万吨/(MW·h)。
2.根据权利要求1所述的方法,其特征在于,所述第一机组为风电机组,其中,基于第一预设发电量计算模型,估算所述第一机组在所述预设时间段内的第一发电量,包括:
模拟所述风电机组采用的风能在所述预设时间段的风速;
根据所述风能在所述预设时间段的风速确定所述第一机组的可用装机容量;
基于所述预设发电量计算模型,根据所述风电机组的可用装机容量确定估算所述第一机组在所述预设时间段内的第一发电量。
3.根据权利要求1所述的方法,其特征在于,根据所述用电量和所述发电量,确定在所述预设时间段内投资所述第一机组和所述第二机组的装机容量,包括:
基于所述用电量和所述发电量,获取所述电力系统的电价;
根据所述电价,计算所述第一机组在所述预设时间段内的第一利润值,以及所述第二机组在所述预设时间段内的第二利润值;
根据所述第一利润值确定所述第一机组的第一装机容量,并根据所述第二利润值确定所述第二机组的第二装机容量。
4.根据权利要求1所述的方法,其特征在于,在根据所述电力系统在所述预设时间段内的用电量和发电量,确定在所述预设时间段内投资所述第一机组和/或所述第二机组的装机容量之后,所述方法还包括:
获取所述第一机组或所述第二机组的投资速率和建设完成率;
根据所述投资速率和所述建设完成率,确定所述第一机组或所述第二机组在所述预设时间段内的建设容量。
5.一种含风电场的多电源投资规划装置,其特征在于,包括:
计算模块,用于基于预设电力负荷计算模型,计算电力系统在预设时间段内的用电量,其中,所述电力系统采用如下至少一种发电设备发电:发电量不可控制的第一机组、发电量可控制的第二机组;
估算模块,用于基于预设发电量计算模型,估算所述电力系统在所述预设时间段内的发电量,其中,所述发电量包括:所述第一机组在所述预设时间段内的第一发电量和/或所述第二机组在所述预设时间段内的第二发电量;
第一确定模块,用于根据所述电力系统在所述预设时间段内的用电量和发电量,确定在所述预设时间段内投资所述第一机组和/或所述第二机组的装机容量;
其中,所述估算模块包括第一估算单元和第二估算单元,
所述第一估算单元,用于基于第一预设发电量计算模型,估算所述第一机组在所述预设时间段内的第一发电量,所述第二估算单元,用于基于第二预设发电量计算模型,估算所述第二机组在所述预设时间段内的第二发电量,其中,所述第二预设发电量计算模型为:
其中,Pi fuel为第i种发电技术的燃料价格,单位为元/MJ,Pemission为污染物排放价格,单位为元/百万吨;ηi,j为第i种发电技术第j个机组的发电效率;ri,j为发电排污系数,单位为百万吨/(MW·h)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779430.1A CN109428344B (zh) | 2017-09-01 | 2017-09-01 | 含风电场的多电源投资规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779430.1A CN109428344B (zh) | 2017-09-01 | 2017-09-01 | 含风电场的多电源投资规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109428344A CN109428344A (zh) | 2019-03-05 |
CN109428344B true CN109428344B (zh) | 2022-03-25 |
Family
ID=65512766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710779430.1A Active CN109428344B (zh) | 2017-09-01 | 2017-09-01 | 含风电场的多电源投资规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109428344B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298493B (zh) * | 2019-06-10 | 2022-10-25 | 华北电力大学 | 一种基于博弈和市场动态自适应调节机制的电源规划方法 |
CN110245904B (zh) * | 2019-06-25 | 2022-02-15 | 南方电网科学研究院有限责任公司 | 一种综合能源市场的物资处理方法及相关装置 |
CN111369076B (zh) * | 2020-04-10 | 2022-03-29 | 广东电网有限责任公司电力调度控制中心 | 一种优化的输电权分配方法及装置 |
CN111563623B (zh) * | 2020-04-30 | 2022-05-10 | 国网山东省电力公司威海供电公司 | 一种风电系统规划的典型场景提取方法及系统 |
CN112001581A (zh) * | 2020-07-07 | 2020-11-27 | 国网重庆市电力公司 | 一种电网电力电量平衡方法 |
CN112464454B (zh) * | 2020-11-19 | 2024-04-05 | 广东电网有限责任公司电力调度控制中心 | 一种基于预计算优化的分布式执行优化方法及系统 |
CN112418700B (zh) * | 2020-11-30 | 2023-10-03 | 广东电力交易中心有限责任公司 | 一种电力容量市场需求曲线设计方法、装置及设备 |
CN112952918B (zh) * | 2021-03-23 | 2023-04-14 | 国网山西省电力公司 | 基于边际效益的电力调峰与调频联合出清方法 |
CN113379305A (zh) * | 2021-06-30 | 2021-09-10 | 国家电网有限公司客户服务中心 | 一种基于电力系统微场景的智能信息交互方法和系统 |
CN113689068B (zh) * | 2021-07-09 | 2024-04-30 | 国网河北省电力有限公司经济技术研究院 | 一种电力电量平衡规划方法、装置及终端设备 |
CN116127758A (zh) * | 2023-01-31 | 2023-05-16 | 国家电网有限公司华东分部 | 区域电能量市场交易组织方法、装置及设备 |
CN115979351B (zh) * | 2023-03-22 | 2023-06-13 | 青岛市人防建筑设计研究院有限公司 | 一种基于数据分析的无人值守人防预警系统 |
CN116307285B (zh) * | 2023-05-19 | 2023-08-08 | 国网能源研究院有限公司 | 新能源发展预测装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904696A (zh) * | 2014-03-08 | 2014-07-02 | 哈尔滨工程大学 | 一种针对海岛/海上平台独立新能源微电网的容量配置优化方法 |
CN104092231A (zh) * | 2014-06-27 | 2014-10-08 | 上海电力学院 | 一种独立微网混和储能容量优化配置方法 |
CN105528466A (zh) * | 2014-09-28 | 2016-04-27 | 国家电网公司 | 考虑电力系统适应性和经济性的风电优化规划建模方法 |
CN106327006A (zh) * | 2016-08-09 | 2017-01-11 | 国网四川省电力公司经济技术研究院 | 一种基于综合效益分析的微电网优化配置方法 |
-
2017
- 2017-09-01 CN CN201710779430.1A patent/CN109428344B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904696A (zh) * | 2014-03-08 | 2014-07-02 | 哈尔滨工程大学 | 一种针对海岛/海上平台独立新能源微电网的容量配置优化方法 |
CN104092231A (zh) * | 2014-06-27 | 2014-10-08 | 上海电力学院 | 一种独立微网混和储能容量优化配置方法 |
CN105528466A (zh) * | 2014-09-28 | 2016-04-27 | 国家电网公司 | 考虑电力系统适应性和经济性的风电优化规划建模方法 |
CN106327006A (zh) * | 2016-08-09 | 2017-01-11 | 国网四川省电力公司经济技术研究院 | 一种基于综合效益分析的微电网优化配置方法 |
Non-Patent Citations (1)
Title |
---|
风电场投资规划及运行优化模型研究;阿斯卡尔;《中国博士学位论文全文数据库 经济与管理科学辑》;20190315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109428344A (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109428344B (zh) | 含风电场的多电源投资规划方法和装置 | |
Elgamal et al. | Optimization of a multiple-scale renewable energy-based virtual power plant in the UK | |
Das et al. | Day-ahead optimal bidding strategy of microgrid with demand response program considering uncertainties and outages of renewable energy resources | |
CN109272405B (zh) | 碳资产交易方法及系统 | |
Jenkins et al. | Improved regulatory approaches for the remuneration of electricity distribution utilities with high penetrations of distributed energy resources | |
Pereira et al. | A long term generation expansion planning model using system dynamics–Case study using data from the Portuguese/Spanish generation system | |
Pereira et al. | Generation expansion planning (GEP)–A long-term approach using system dynamics and genetic algorithms (GAs) | |
Assili et al. | An improved mechanism for capacity payment based on system dynamics modeling for investment planning in competitive electricity environment | |
Hasani-Marzooni et al. | Dynamic model for market-based capacity investment decision considering stochastic characteristic of wind power | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Girard et al. | Assessment of wind power predictability as a decision factor in the investment phase of wind farms | |
Valinejad et al. | Generation expansion planning in electricity markets: A novel framework based on dynamic stochastic MPEC | |
Yi et al. | Impact of the uncertainty of distributed renewable generation on deregulated electricity supply chain | |
Salehpour et al. | The effect of price responsive loads uncertainty on the risk-constrained optimal operation of a smart micro-grid | |
Barati et al. | Private investor-based distributed generation expansion planning considering uncertainties of renewable generations | |
US20110178833A1 (en) | Developing an optimal long term electricity generation capacity resource plan under a carbon dioxide regulatory regime | |
Samal et al. | Cost savings and emission reduction capability of wind-integrated power systems | |
Blickwedel et al. | Future economic perspective and potential revenue of non-subsidized wind turbines in Germany | |
Božič et al. | Assessment of investment efficiency in a power system under performance-based regulation | |
Jenkins et al. | The remuneration challenge: new solutions for the regulation of electricity distribution utilities under high penetrations of distributed energy resources and smart grid technologies | |
Zouros et al. | Decision support tool to evaluate alternative policies regulating wind integration into autonomous energy systems | |
Liu | Electricity capacity investments and cost recovery with renewables | |
Esmaeili et al. | The effect of ratio-based incentive on wind capacity development and investment risk of wind units: A system dynamics approach | |
Dakir et al. | On the number of representative days for sizing microgrids with an industrial load profile | |
Bahmanzadeh et al. | Reserve market scheduling considering both capacity and energy bids of reserve |
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 |