CN110994606B - 一种基于复杂适应系统理论的多能源电源容量配置方法 - Google Patents

Abstract

一种基于复杂适应系统理论的多能源电源容量配置方法，涉及电力系统技术领域，针对多能源电源容量配置问题，提出一类基于复杂适应系统理论(CAS)的多能源电力系统规划模型。该模型计及风力和光伏发电的时序性和随机性，以各类型电源为适应性主体，选取电源容量为决策量，以经济性收益最大为目标函数，通过主体与主体间，主体与环境间的适应作用，依靠不断变换主体的行为规则对多能源电源容量进行合理配置。选取我国某省实际电力系统作为算例进行仿真，并与Pareto解集进行对比，基于复杂适应系统理论的电源结构优化配置可显著提高新能源消纳，且更符合实际电力系统的运行模式。

Description

一种基于复杂适应系统理论的多能源电源容量配置方法

技术领域

本发明涉及电力系统的技术领域，特别是涉及一种基于复杂适应系统理论的多能源电源容量配置方法。

背景技术

电力行业的清洁化、低碳化是实现社会经济可持续发展的必然要求。当前，光伏电站、风电场等低碳排放的电源在电力系统中日益增多。与传统电源不同，光伏、风电碳排放低，但均具有间歇性、波动性、反调峰、可控性差等特点。随着并网容量的增大，光伏电站、风电场对系统的影响越来越明显，也给传统的电源规划带来了深刻的影响。我国煤炭在储量上与其他能源相比有一定优势，这也形成了以火电为主，水电、风电等其他电源形式的电源结构辅以。但化石燃料的大量消耗给环境带来了相当大的污染。改善以火电为主的电源结构不仅有利于缓解化石燃料面临枯竭的危机，而且有利于环境可持续发展。对电源结构进行优化也是目前促进清洁能源并网的重要举措，科学、合理地配置多能源电力系统中风力发电、光伏发电等清洁能源容量，不仅是发挥多能源电力系统综合效益，实现安全、可靠、经济和环保性能的重要前提，更是现阶段推进新能源开发建设必不可少的环节。

针对新能源大规模规划问题，已有研究进行了初步探索。齐晓光；王颖；邵华,等人提出了多目标新能源规划方法(专利号CN201910276179.6)，根据所述出力数据和所述多目标优化模型确定新能源接网位置和装机容量,够有效提高区域内新能源厂站发电利用效率,减少弃风弃光风险。方仍存；汪颖翔；范征等人提出了一种新能源电量消纳能力分析规划方法(专利号CN201810933592.0)，该法先建立电力系统生产模拟数学模型,随后对电力系统生产模拟过程进行仿真,接着通过分析系统负荷时间序列得到负荷分类曲线,再结合新能源出力时间序列、在整个时间区间内对系统新能源消纳容量进行积分,即得到系统可消纳新能源电量，该设计简明且利于工程应用。

然而在上述研究中还存在模型不精确或对电源类型考虑不全等问题，部分研究采用了传统的优化方法，但其计算效率低下。虽然采用新型智能优化算法，在一定程度上提高了问题寻优的速度，但依然未能保证解的全局收敛性以及合理性。

发明内容

针对以上问题，本文在已有研究的基础上，综合考虑由风电、光伏、水电、火电、光热以及储能组成的多能源电力系统的经济技术特性，基于复杂适应系统理论，视各种电源为独立的行为主体，构建电源容量规划模型并求解，以期为电源规划的理论研究和实际建设工作提供参考。

本发明提供一种基于复杂适应系统理论的多能源电源容量配置方法。模型构建方面，以各类型电源为适应性决策主体，电源容量为决策量，选取多能源系统中的运行特性及自然资源分布特性为主体的环境参数。通过主体与主体间，主体与环境间的相互适应作用，依靠不断变换主体的行为规则对多能源电源容量进行合理配置，以期为电力系统规划的理论研究和实际建设工作提供参考。

为实现上述目的，本发明提供的技术方案如下：

1.风机、光伏、光热与风速、光照强度的关系及储能电池与供求的关系；

风机的输出功率与风速有密切的关系，风速一般遵循Weibull分布，其概率密度函数f(v)表示为：

式中：v为实时风速；k、c分别为形状参数和尺度参数。

风机的输出功率P_win,t与风速v的关系如下：

式中：P_win,N为风机的额定功率；v_ci、v_co、v_N分别为风机的切入风速、切出风速和额定风速。

光照强度γ在一定时间段内服从Beta分布，其概率密度函数f(γ)为：

式中α、β为形状参数，Γ()为Gamma函数。

光伏的输出功率P_pho,t与光照强度γ的关系如下：

式中：P_pho,N、γ_N分别为光伏额定功率和额定光照强度。

光热的输出功率P_hea,t与光照强度γ的关系如下：

式中：P_hea,N、γ_N分别为光伏额定功率和额定光照强度，η_p,h、η_h,e分别为光热、热电转化效率。

储能电池在t时刻的功率P_sto,t既与t时刻的供求关系相关，也与其在上一时刻的能量状况相关，当系统功率充足时(Δ(t)≥0)，储能电池以效率η_sto充电；当系统功率不足时(Δ(t)≤0)，则会放电。于是可得储能电池在t时刻的功率为：

2.按照季节和时间段选取典型场景；

计及时序特性和季节性差异，选取一年中多个典型日，每个典型日分为24个时段，建立节点主体出力时序性多场景模型。主体的等效日输出电量为：

式中：n为典型场景总个数；t为出力时间；η_i为第i个典型日的概率，P_i为第i个典型日的出力且P_i＝P_win,i+P_pho,i+P_hyd,i+P_the,i+P_hea,i+P_sto,i，其中P_win,i、P_pho,i、P_hyd,i、P_the,i、P_hea,i、P_sto,i分别为第i个典型日的风电、光伏、水电、火电、光热及储能出力。

3.构建基于复杂适应系统理论的多能源电源规划模型；

以每个发电主体的综合收益C最大为目标函数，包括售电收入C_S、设备回收收入C_D、投资费用C_V、运维费用C_M、电量不足损失费用C_P，如下所示：

(1)售电收入C_S

C_S＝(1+α-β)*R*P_sel (9)

式中：R为电价；P_sel为售电量；α为政策补贴系数；β为环境污染系数。

(2)设备回收收入C_D

P_re为机组回收容量；D为单位机组容量回收收入；L为机组使用寿命年限；r为贴现率。

(3)投资费用C_V

P为机组装机容量；V为机组单位容量投资费用。

(4)运维费用C_M

C_M＝P*M (12)

其中M为机组的单位容量运维费用。

(5)电量不足损失费用C_P

设定功率约束为柔性约束，多能源系统总出力具有一定的不确定性，不能保证时刻均能满足负荷需求，若总出力大于负荷，将会导致弃风弃光现象的发生；若系统供电不足，则需向大电网购电，购电带来的总费用C_P视为购电量的P_g(t)的函数，即

C_P＝f(P_g(t)) (13)

此处，C_P按照容量比例分摊到各电源上，以风电的购电费用为例：

约束条件如下：

(1)爬坡约束

式中：ΔP^t _up为t时刻的爬坡功率；P^t _the,maxup、P^t _hyd,maxup分别为t时刻的火电、水电最大爬坡功率；P^t _sto,maxout为储能在t时刻的最大输出功率。ΔP^t+1 _up为t+1时刻系统总爬坡功率需求，P^t+1 _the,maxup、P^t+1 _hyd,maxup分别为t+1时刻系统中火电及水电的最大爬坡功率。若不满足，则应在t时刻提前弃风、弃光。

(2)下坡约束

式中：ΔP^t _down为在t时刻的下坡功率；P^t _the,maxdown、P^t _hyd,maxdown分别为t时刻的火电、水电最大下坡功率；P^t _sto,maxin为储能在t时刻的最大充电功率。ΔP^t+1 _down为t+1时刻系统总下坡功率需求，P^t+1 _the,maxdown、P^t+1 _hyd,maxdown分别为t+1时刻系统中火电及水电的最大下坡功率。若不满足，则应在t时刻提前增加火电及水电出力。

(3)装机容量约束

式中：P_win、P_pho、P_hyd、P_the、P_hea、P_sto分别为风电、光伏、水电及火电的装机容量；P_win,max、P_pho,max、P_hyd,max、P_the,max、P_hea,max、P_sto,max分别风电、光伏、水电及火电的最大装机容量。

(4)断面约束

式中：P_l为断面中l线路传输功率；P_section,max为系统联络线最大传输功率。

(5)储能电池出力约束

一般的储能电池的功率不能低于保证其正常工作的最低功率，及其t时刻的功率应满足

P_sto,min≤P_sto(t)≤P_sto (19)

(6)光热出力约束

光热电站通过汽轮机组发电，因此也具备与常规汽轮机组类似的运行约束，除此之外，光热电站储能罐的充/放热功率在限制范围内连续可调，但充/放热不能同时进行，相关约束为：

式中P^max _hea,sto,in和P^max _hea,sto,out分别为最大充放热功率。

4.根据复杂适应系统理论对模型进行求解。

采用以下步骤对该模型进行求解

步骤(1)：对环境影响因素E进行编码。

步骤(2)：对可控因素S进行编码。

步骤(3)：构建行为规则集R

步骤(4)：修改行为规则

步骤(5)：若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果；反之返回第(3)步继续迭代计算。

本发明所述步骤(3)中,形如E＝[e₁,e₂,…e_i…]的列向量，维数为环境影响因素的数量和。e_i为第i个环境影响因素的整数编码。

本发明所述步骤(3)中,形如S＝[s₁,s₂,…s_i…]的列向量，维数为可控因素的数量和。s_i为第i个可控因素的整数编码。

本发明所述步骤(3)中，构建行为规则集R:

式中：E_k为第k条规则R_k从外界获取的环境信息；S_jk表示以概率δ_jk采取的行为措施，即对可控因素进行适应性调整。其中δ_jk满足

本发明所述步骤(4)中，若主体从外界环境获取的信息为E_k，以概率δ_jk选取S_jk为所对应的行为措施。如果主体的目标效益函数值增加，则提高δ_jk数值，反之则降低δ_jk数值，用以表示主体的经验积累以及适应性提高的过程。

本发明所述步骤(5)中，若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果；反之返回第(3)步继续迭代计算。

本发明的有益效果在于：本发明设计的基于复杂适应系统理论的多能源电源容量配置方法，以各类型电源为适应性主体，选取电源容量为决策量，以经济性收益最大为目标函数，通过主体与主体间，主体与环境间的适应作用，依靠不断变换主体的行为规则对多能源电源容量进行合理配置。选取我国某省实际电力系统作为算例进行仿真，并与Pareto解集进行对比，结果表明，基于复杂适应系统理论的电源结构优化配置可显著提高新能源消纳，且更符合实际电力系统的运行模式。

附图说明

图1为本发明实施例提供的一种基于复杂适应系统理论的电源主体行为机理示意图；

图2为本发明实施例提供的一种基于复杂适应系统理论的电源容量配置方法流程图；

图3为本发明实施例提供的CAS方案的冬季典型场景出力曲线图；

图4为本发明实施例提供的CAS方案的夏季典型场景出力曲线图；

图5为本发明实施例提供的各方案主体收益对比图；

图6为本发明实施例提供的各方案新能源消纳情况对比图。

具体实施方式

实施例1，如图1-图5所示，本发明提供一种基于复杂适应系统理论的多能源电源容量配置方法，为了更好的理解本发明，现结合附图及实施例进一步阐述本发明的内容，但本发明的实施方式不限于此。

本发明设计的一种基于复杂适应系统理论的多能源电源容量配置方法，算法整体流程如图1所示，包括如下步骤：

步骤(1)：对环境影响因素E进行编码。

步骤(2)：对可控因素S进行编码。

步骤(3)：构建行为规则集R

步骤(4)：修改行为规则

步骤(5)：若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果；反之返回第(3)步继续迭代计算。

下面对该应用方法进行详细的说明。

对环境影响因素E进行编码：形如E＝[e₁,e₂,…e_i…]的列向量，维数为环境影响因素的数量和。e_i为第i个环境影响因素的整数编码。

对可控因素S进行编码：形如S＝[s₁,s₂,…s_i…]的列向量，维数为可控因素的数量和。s_i为第i个可控因素的整数编码。

构建行为规则集R：

式中：E_k为第k条规则R_k从外界获取的环境信息；S_jk表示以概率δ_jk采取的行为措施，即对可控因素进行适应性调整。其中δ_jk满足

修改行为规则：若主体从外界环境获取的信息为E_k，以概率δ_jk选取S_jk为所对应的行为措施。如果主体的目标效益函数值增加，则提高δ_jk数值，反之则降低δ_jk数值，用以表示主体的经验积累以及适应性提高的过程。

若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果；反之返回第(3)步继续迭代计算。流程图如图2所示。

算例展示

为了便于本领域技术人员的理解与实施，下面通过仿真实例对本发明所设计的基于复杂适应系统理论的多能源电源容量配置方法进行验证。

以某地区2018年实际电力系统为例，并选取了两个典型日进行分析，进行电源结构优化仿真。系统的基准电压为330kV，基准功率为100MVA，单位电价为0.078万元/MW，贴现率为0.12，其他经济技术参数如表1所示^[4]。

表1 经济技术参数

依据复杂适应系统理论，选取各发电电源为研究主体，各电源容量为可控因素，将风速、光照强度、爬坡、降坡等因素设置为各主体的环境变量。各电源主体，依据输入各自的环境变量值以及改变容量后所获得效益值，生成并改变自身行为规则，使各电源主体的目标效益函数最大化，并且装机容量值实现收敛。

引入遗传算法对上述多目标规划问题求其Pareto解集，并与复杂适应系统理论所得结果进行对比。在遗传算法中选取容量变化幅度为5，交叉率为0.7，变异率为0.3，使得各个电源主体的受益同时最大化。通过筛选，得到了五个不同的可行方案，如表2所示，每种方案的建设成本如表3所示。

表2电源容量配置方案

表3各方案建设成本

对以上七种电源结构配置方案进行100次时序性多场景出力模拟，新能源消纳的情况如表4所示，CAS方案的典型场景出力曲线如图3和图4所示。

表4新能源消纳情况

将六种方案中，各电源主体的受益以及新能源消纳情况进行归一化处理并进行对比，如图5和图6所示。

从以上结果可以看出，各个方案对新能源的消纳都有显著的提升，其中方案四主要是通过风电以及光伏两者间进行互补作用实现新能源的消纳，而且对新能源消纳的提升量最大，但是建设成本也相对较高；CAS方案更符合该地区实际情况：该地区负荷呈现出午高夜低的特性，这与光伏发电的时序特性相吻合，并且该地区水电、光伏资源丰富，通过光伏、风电以及水电间的良好互补，提升对新能源的消纳。因此基于复杂适应系统理论对电源结构的优化配置有较好的实用性

以上所述，仅为本发明的具体实施例而已，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于复杂适应系统理论的多能源电源容量配置方法，其特征在于：所述方法包括如下步骤：

步骤一：分析风机、光伏、光热与风速、光照强度的关系及储能电池与供求的关系；

步骤二：按照季节和时间段选取典型场景；

步骤三：构建基于复杂适应系统理论的多能源电源规划模型；

所述步骤三中：

以每个发电主体的综合收益C最大为目标函数，包括售电收入C_S、设备回收收入C_D、投资费用C_V、运维费用C_M、电量不足损失费用C_P，如下所示：

(1)售电收入C_S

C_S＝(1+α-β)*R*P_sel (9)

式中：R为电价；P_sel为售电量；α为政策补贴系数；β为环境污染系数；

(2)设备回收收入C_D

P_re为机组回收容量；D为单位机组容量回收收入；L为机组使用寿命年限；r为贴现率；

(3)投资费用C_V

P为机组装机容量；V为机组单位容量投资费用；

(4)运维费用C_M

C_M＝P*M (12)

其中M为机组的单位容量运维费用；

(5)电量不足损失费用C_P

设定功率约束为柔性约束，多能源系统总出力具有一定的不确定性，不能保证时刻均能满足负荷需求，若总出力大于负荷，将会导致弃风弃光现象的发生；若系统供电不足，则需向大电网购电，购电带来的总费用C_P视为购电量P_g(t)的函数，即

C_P＝f(P_g(t)) (13)

此处，C_P按照容量比例分摊到各电源上，以风电的购电费用为例：

约束条件如下：

(1)爬坡约束

式中：ΔP^t _up为t时刻的爬坡功率；P^t _the,maxup、P^t _hyd,maxup分别为t时刻的火电、水电最大爬坡功率；P^t _sto,maxout为储能在t时刻的最大输出功率；ΔP^t+1 _up为t+1时刻系统总爬坡功率需求，P^t+1 _the,maxup、P^t+1 _hyd,maxup分别为t+1时刻系统中火电及水电的最大爬坡功率，若不满足，则应在t时刻提前弃风、弃光；

(2)下坡约束

式中：ΔP^t _down为在t时刻的下坡功率；P^t _the,maxdown、P^t _hyd,maxdown分别为t时刻的火电、水电最大下坡功率；P^t _sto,maxin为储能在t时刻的最大充电功率，ΔP^t+1 _down为t+1时刻系统总下坡功率需求，P^t+1 _the,maxdown、P^t+1 _hyd,maxdown分别为t+1时刻系统中火电及水电的最大下坡功率，若不满足，则应在t时刻提前增加火电及水电出力；

(3)装机容量约束

式中：P_win、P_pho、P_hyd、P_the、P_hea、P_sto分别为风电、光伏、水电、火电、光热和储能的装机容量；P_win,max、P_pho,max、P_hyd,max、P_the,max、P_hea,max、P_sto,max分别风电、光伏、水电、火电、光热和储能的最大装机容量；

(4)断面约束

式中：P_l为断面中l线路传输功率；P_section,max为系统联络线最大传输功率；

(5)储能电池出力约束

一般的储能电池的功率不能低于保证其正常工作的最低功率，即其t时刻的功率应满足

P_sto,min≤P_sto(t)≤P_sto (19)

(6)光热出力约束

光热电站通过汽轮机组发电，因此也具备与常规汽轮机组类似的运行约束，除此之外，光热电站储能罐的充/放热功率在限制范围内连续可调，但充/放热不能同时进行，相关约束为：

式中P^max _hea,sto,in和P^max _hea,sto,out分别为最大充/放热功率；

步骤四：根据复杂适应系统理论对模型进行求解。

2.根据权利要求1所述的一种基于复杂适应系统理论的多能源电源容量配置方法，其特征在于：所述步骤一中：

风机的输出功率与风速有密切的关系，风速一般遵循Weibull分布，其概率密度函数f(v)表示为：

式中：v为实时风速；k、c分别为形状参数和尺度参数；

风机的输出功率P_win,t与风速v的关系如下：

式中：P_win,N为风机的额定功率；v_ci、v_co、v_N分别为风机的切入风速、切出风速和额定风速；

光照强度γ在一定时间段内服从Beta分布，其概率密度函数f(γ)为：

式中α、β为形状参数，Γ()为Gamma函数；

光伏的输出功率P_pho,t与光照强度γ的关系如下：

式中：P_pho,N、γ_N分别为光伏额定功率和额定光照强度；

光热的输出功率P_hea,t与光照强度γ的关系如下：

式中：P_hea,N、γ_N分别为光热额定功率和额定光照强度，η_p,h、η_h,e分别为光热、热电转化效率；

储能电池在t时刻的功率P_sto,t既与t时刻的供求关系相关，也与其在上一时刻的能量状况相关，当系统功率充足时，即Δ(t)≥0，储能电池以效率η_sto充电；当系统功率不足时，即Δ(t)≤0，则会放电；于是可得储能电池在t时刻的功率为：

3.根据权利要求1所述的一种基于复杂适应系统理论的多能源电源容量配置方法，其特征在于：所述步骤二中：

计及时序特性和季节性差异，选取一年中多个典型日，每个典型日分为24个时段，建立节点主体出力时序性多场景模型；主体的等效日输出电量为：

式中：n为典型场景总个数；t为出力时间；η_i为第i个典型日的概率，P_i为第i个典型日的出力且P_i＝P_win,i+P_pho,i+P_hyd,i+P_the,i+P_hea,i+P_sto,i，其中P_win,i、P_pho,i、P_hyd,i、P_the,i、P_hea,i、P_sto,i分别为第i个典型日的风电、光伏、水电、火电、光热及储能出力。

4.根据权利要求1所述的一种基于复杂适应系统理论的多能源电源容量配置方法，其特征在于；所述步骤四中，采用以下步骤对模型进行求解：

(1)对环境影响因素E进行编码：形如E＝[e₁,e₂,…e_i…]的列向量，维数为环境影响因素的数量和，e_i为第i个环境影响因素的整数编码；

(2)对可控因素S进行编码：形如s＝[s₁,s₂,…s_i…]的列向量，维数为可控因素的数量和，s_i为第i个可控因素的整数编码；

(3)构建行为规则集R：

式中：E_k为第k条规则R_k从外界获取的环境信息，S_jk表示以概率δ_jk采取的行为措施，即对可控因素进行适应性调整，其中δ_jk满足

(4)修改行为规则：若主体从外界环境获取的信息为E_k，以概率δ_jk选取S_jk为所对应的行为措施，如果主体的目标效益函数值增加，则提高δ_jk数值，反之则降低δ_jk数值，用以表示主体的经验积累以及适应性提高的过程；

(5)若所有主体的目标效益函数值收敛，则得到问题的最终解决方案，输出结果，反之返回第(3)步继续迭代计算。