CN112217232A - 一种光伏与光热耦合的发电系统及发电控制方法 - Google Patents

一种光伏与光热耦合的发电系统及发电控制方法 Download PDF

Info

Publication number
CN112217232A
CN112217232A CN202011054537.8A CN202011054537A CN112217232A CN 112217232 A CN112217232 A CN 112217232A CN 202011054537 A CN202011054537 A CN 202011054537A CN 112217232 A CN112217232 A CN 112217232A
Authority
CN
China
Prior art keywords
power generation
power
generation system
molten salt
photo
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.)
Granted
Application number
CN202011054537.8A
Other languages
English (en)
Other versions
CN112217232B (zh
Inventor
纪培栋
李心
宋二乔
王聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Zhongguang New Energy Technology Co ltd
Original Assignee
Zhejiang Zhongguang New Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Zhongguang New Energy Technology Co ltd filed Critical Zhejiang Zhongguang New Energy Technology Co ltd
Priority to CN202011054537.8A priority Critical patent/CN112217232B/zh
Publication of CN112217232A publication Critical patent/CN112217232A/zh
Application granted granted Critical
Publication of CN112217232B publication Critical patent/CN112217232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种光伏与光热耦合的发电系统及发电控制方法；所述系统包括光伏发电系统、带熔盐储能的光热发电系统、熔盐电加热系统和全厂控制系统。所述全厂控制系统分散控制系统、自动发电控制系统和人工智能深度学习模型系统；在电网负荷需求大于光伏发电功率时，通过全厂控制系统控制光伏发电全部上网、光热发电补充不足的功率；在电网负荷需求小于光伏发电功率时，光伏发电一部分电力上网，多余的电力通过电加热将熔盐加热进行储能。本发明的储能成本低，而且通过全厂控制系统控制功率输出满足电网符合需求，保证了电网的稳定性。且本发明能够不断更新优化深度学习模型，提升全厂的即时控制能力，保证全厂安全稳定运行。

Description

一种光伏与光热耦合的发电系统及发电控制方法
技术领域
本发明涉及太阳能发电技术领域，具体涉及一种光伏与光热耦合的发电系统及发电控制方法。
背景技术
随着社会经济的快速发展，能源需求与日俱增。传统能源在利用过程中产生大量污染，太阳能发电技术作为清洁高效的能源供应方式得到了快速发展。
太阳能光伏发电具有光电转换效率高、成本低的优点。但由于太阳光照强弱变化不定，造成光伏发电系统功率波动较大，并且存在昼发夜停现象，导致光伏电站很难提供持续且稳定的电力供应，而且，目前光伏储能普遍采用锂电池、铅酸电池等储能，储能成本高。带储热的太阳能光热电站可克服太阳光照变化以及天气变化情况，提供稳定的电力供应，而且具有良好的快速调负荷能力。
针对光伏、光热组成的混合发电系统，根据电网负荷如何调控光伏、光热发电的负荷成为目前亟待解决的问题。
发明内容
为了克服现有技术的缺陷，本发明提供了一种光伏与光热耦合的发电系统及发电控制方法，本发明利用太阳能光热发电系统内的熔盐储能系统为光伏发电提供储能，解决了光伏电站储能成本高的问题，同时，本发明提供的发电控制方法，可根据电网功率需求准确调控光伏、光热发电系统功率，保证电网稳定性。本发明的技术方案如下：
一种光伏与光热耦合的发电系统，包括光伏发电系统、光热发电系统、熔盐电加热系统和全厂控制系统，其中：
所述光伏发电系统，用于进行光伏发电，并通过所述全厂控制系统向电网和熔盐电加热系统提供电力；
所述光热发电系统，用于进行光热发电，并通过所述全厂控制系统向电网提供电力；
所述熔盐电加热系统，用于将所述光伏发电系统多余的电力提供给所述光热发电系统；所述光伏发电系统多余的电力，是指光伏发电系统的发电功率对应的电力减去其提供给电网的电力；
所述全厂控制系统，用于根据电网负荷需求，控制光伏发电系统、光热发电系统、熔盐电加热系统的运行；
所述全厂控制系统包括分散控制系统、自动发电控制系统和人工智能深度学习模型系统；其中：
所述分散控制系统用于对光伏发电系统、光热发电系统和熔盐电加热系统的各个设备进行集中监视、操作、管理和分散控制；
所述自动发电控制系统用于控制光伏发电系统和光热发电系统的发电功率来满足电网负荷需求；
所述人工智能深度学习模型系统采用卷积神经网络建立深度学习模型，所述深度学习模型包括：数据输入层、卷积计算层、激活函数层、池化层、全连接层；
所述数据输入层的输入数据包括分散控制系统存储的历史数据和监控采集的实时数据；所述历史数据和实时数据包括但不限于电网负荷数据、发电功率数据、光资源数据和气象数据；
通过数据输入层的输入数据的不断更新，深度学习模型可不断训练优化；运用深度学习模型对分散控制系统和自动发电控制系统的控制指令作即时更新；
所述熔盐电加热系统设置于所述光热发电系统内部，并通过所述全厂控制系统与所述光伏发电系统连接；
所述光伏发电系统、光热发电系统通过全厂控制系统向电网供电；光伏发电系统通过全厂控制系统、熔盐电加热系统将多余的电力存储在光热发电系统里。
可选地，所述熔盐电加热系统的设计功率为：光伏发电系统装机容量*效率因子，所述效率因子为0.8-0.9。
可选地，所述光热发电系统包括熔盐储能系统和汽轮发电机组，所述熔盐储能系统的储热量设计值为：储能时长*汽轮发电机组额定功率/汽轮发电机组热效率+光伏发电系统年发电量/365；所述储能时长为2-18小时。
可选地，所述光热发电系统包括吸热系统，所述吸热系统热功率的设计值为：(1+储能时长/汽轮发电机组日工作平均小时数)*(汽轮发电机组额定功率/汽轮发电机组热效率)。所述汽轮发电机组日工作平均小时数为6-9小时。
可选地，所述熔盐电加热系统的电力来源为光伏发电系统。
可选地，所述熔盐储能系统包括低温熔盐储罐、高温熔盐储罐；
所述熔盐电加热系统为置于低温熔盐储罐和高温熔盐储罐以外的熔盐电热炉。
可选地，所述熔盐储能系统包括低温熔盐储罐、高温熔盐储罐；
所述熔盐电加热系统为置于低温熔盐储罐或高温熔盐储罐以内的电加热装置。
可选地，所述光热发电系统的吸热系统入口的低温熔盐温度为260℃-320℃，出口的高温熔盐温度为400-600℃。
可选地，所述光热发电系统包括熔盐蒸汽发生系统，所述熔盐蒸汽发生系统包括预热器、蒸发器、汽包、过热器；给水在预热器内被高温熔盐初步加热，继而进入蒸发器内被高温熔盐加热变为汽水混合物，汽水混合物进入汽包进行气液分离，分离后的水蒸气进入过热器被加热为过热蒸汽。
所述预热器、蒸发器、汽包、过热器为串联流程，水或者蒸汽依次流过预热器、蒸发器、汽包、过热器，高温熔盐依次流过过热器、汽包、蒸发器、预热器。
所述“人工智能深度学习模型系统采用卷积神经网络建立深度学习模型”包括以下步骤：
SS1：获取分散控制系统存储的历史数据和监控采集的实时数据作为数据输入层的输入数据，并将输入数据划分为训练集数据和测试集数据；
历史数据和实时数据包括但不限于电网负荷数据、发电功率数据、光资源数据和气象数据；其中电网负荷数据是通过自动发电控制系统跟踪电力调度交易机构下发的指令获取的；
其中发电功率数据包括光热发电系统功率和光伏发电系统功率；光资源数据包括太阳总辐照度、散射辐照度和法向直接辐照度；其中气象数据包括露点、温度、气压、风速和风向；
SS2：确定卷积神经网络算法的卷积核大小，卷积计算层和池化层的个数；
SS3：分别利用训练集数据和测试集数据对深度学习模型进行训练和测试，直到模型参数满足预设精度要求则停止训练，得到训练完成的深度学习模型；
SS4：运用深度学习模型对分散控制系统和自动发电控制系统的控制指令作即时更新优化，实时满足电网负荷需求；
SS5：分散控制系统监控采集的实时数据传输到数据输入层，更新输入层的输入数据，执行SS2-SS5，更新优化深度学习模型，不断提高其对分散控制系统和自动发电控制系统所作控制指令的及时性和精准性；
其中，自动发电控制系统的控制指令包括但不限于分配光伏发电系统和光热发电系统的发电功率。其中，分散控制系统的控制指令包括但不限于对光伏发电系统、光热发电系统和熔盐电加热系统的各个设备的操作控制。
一种光伏与光热耦合的发电控制方法，在保证所述光热发电系统最低运行负荷的基础上，优先将所述光伏发电系统的电力送入电网，包括以下步骤：
S1：建立一种如前所述的发电系统；
S2：判断电网功率需求P是否大于光热发电系统最低运行负荷M0，若是，则执行步骤S21，若否，则执行步骤S22；
其中，步骤S21包括：判断“电网功率需求P-光伏发电系统的发电功率N1”是否大于光热发电系统最低运行负荷M0，若是，则执行步骤S211，若否则执行S212；
步骤S211，所述全厂控制系统控制光伏发电系统上网功率N1、光热上网功率P-N1，此时光伏、光热发电功率满足电网功率需求P；进入步骤S3；
步骤S212，所述全厂控制系统控制光伏发电系统上网功率P-M0、光热上网功率M0，此时光伏、光热发电功率满足电网功率需求P，同时全厂控制系统启动熔盐电加热系统，加热功率为N1-(P-M0)；进入步骤S3；
其中，步骤S22包括：判断电网功率需求P是否大于光伏发电系统的发电功率N1，若是，则执行步骤S221，若否则执行S222；
步骤S221，所述全厂控制系统控制光热发电系统停机，光伏发电系统上网功率N1，并上报电网调度中心无法满足负荷需求；进入步骤S3；
步骤S222，所述全厂控制系统控制光热发电系统停机，控制光伏发电系统上网功率P，同时全厂控制系统启动熔盐电加热系统，加热功率为N1-P；
S3：供电工作完成。
与现有技术相比，本发明实现的优点为：
(1)本发明将光伏发电系统多余的电力功率通过光热系统的熔盐储能系统系统进行储存，储能形式简单，储能成本低。
(2)本发明能够快速的根据电网功率需求调控光伏、光热发电系统出力，响应速度快，保证电网的稳定性。
(3)本发明能够不断更新优化深度学习模型，提升全厂的即时控制能力，保证全厂安全稳定运行。
附图说明
图1为本发明具体实施例一种光伏与光热耦合的发电系统的结构示意图；
图2为本发明具体实施例一种光伏与光热耦合的发电控制方法的逻辑图；
图3为本发明具体实施例一种全网控制系统的框架示意图；
图4为本发明具体实施例一种人工智能深度学习模型的原理示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1，本实施例公开了一种光伏与光热耦合的发电系统，包括光伏发电系统1、光热发电系统2、熔盐电加热系统3和全厂控制系统4。其中：
所述光伏发电系统1，用于进行光伏发电，并通过所述全厂控制系统4向电网5和熔盐电加热系统3提供电力；
所述光热发电系统2，具备熔盐储能的功能，用于进行光热发电，并通过所述全厂控制系统4向电网提供电力；
所述熔盐电加热系统3，用于将所述光伏发电系统多余的电力提供给所述光热发电系统2(用多余的电力去加热光热发电系统中的熔盐)；所述光伏发电系统多余的电力，是指光伏发电系统的发电功率对应的电力减去其提供给电网的电力；
所述全厂控制系统4，用于根据电网负荷需求，控制光伏发电系统1、光热发电系统2、熔盐电加热系统3的运行；
所述熔盐电加热系统3设置于所述光热发电系统2内部，并通过所述全厂控制系统4与所述光伏发电系统1连接；
光伏发电系统1、光热发电系统2通过全厂控制系统4向电网5供电；光伏发电系统1通过全厂控制系统4、熔盐电加热系统3将多余的电力存储在光热发电系统1里。
光伏发电系统1通过若干光伏电池组件将太阳能转换为电力，通过全厂控制系统4，可实现输出电力向电网5、熔盐电加热系统3的自动切换。
光热发电系统2，包括：吸热系统21、熔盐储能系统22、蒸汽发生系统23、汽轮机发电机组24。
光热发电系统2通过吸热系统21(太阳能聚光集热系统)将太阳光照聚集起来(通过定日镜和集热塔的配合)，熔盐在其内部吸收热量被加热为400-650℃的高温熔盐，继而进入熔盐储能系统22的高温熔盐储罐221，高温熔盐自高温熔盐储罐221流出，进入蒸汽发生系统23，高温熔盐与水工质在蒸汽发生系统23内发生热量交换，放热后的高温熔盐变为200-350℃的低温熔盐返回储热系统内的低温熔盐储罐222。在蒸汽发生系统内吸收热量后的水工质变为高温高压的水蒸气，进入汽轮机发电机组24产生电力。
所述光热发电系统2的熔盐储能系统22的储热量设计值为：储能时长*汽轮发电机组额定功率/汽轮发电机组热效率+光伏发电系统年发电量/365。所述储能时长为2-18小时。
所述光热发电系统2的吸热系统21的热功率的设计值为：(1+储能时长/汽轮发电机组日工作平均小时数)*(汽轮发电机组额定功率/汽轮发电机组热效率)。所述汽轮发电机组日工作平均小时数为6-9小时。所述光热发电系统的吸热系统入口的低温熔盐温度为260℃-320℃，出口的高温熔盐温度为400-600℃。
所述蒸汽发生系统包括预热器、蒸发器、汽包、过热器；给水在预热器内被高温熔盐初步加热，继而进入蒸发器内被高温熔盐加热变为汽水混合物，汽水混合物进入汽包进行气液分离，分离后的水蒸气进入过热器被加热为过热蒸汽。所述预热器、蒸发器、汽包、过热器为串联流程，水或者蒸汽依次流过预热器、蒸发器、汽包、过热器，高温熔盐依次流过过热器、汽包、蒸发器、预热器。
所述熔盐电加热系统与所述熔盐储能系统连接。本实施例中，熔盐电加热系统3为置于低温熔盐储罐222和高温熔盐储罐221以外并与低温熔盐储罐222连接的熔盐电热炉，低温熔盐从低温熔盐储罐222出来后，进入熔盐电热炉(由光伏发电系统提供电力)进行加热后，进入吸热系统1。吸热系统1仅需要提供较少的热量，即可达到熔盐的目标温度。故熔盐电加热系统3的使用，即节省了能源，又为光伏发电系统进行了储能。
具体实施时，所述熔盐电加热系统3可以为置于低温熔盐储罐和高温熔盐储罐以外的熔盐电热炉，也可以为置于低温熔盐储罐或高温熔盐储罐以内的电加热装置。本实施例仅为举例，不对熔盐电加热系统3的具体位置做出限定。
所述熔盐电加热系统3的设计功率为：光伏发电系统装机容量*效率因子，所述效率因子为0.8-0.9。所述熔盐电加热系统的电力来源为光伏发电系统。
全厂控制系统4可根据电网负荷需求，控制光伏发电系统1、光热发电系统2、熔盐电加热系统3的运行。
如图3所示，全厂控制系统包括分散控制系统(DCS系统)41、自动发电控制系统(AGC系统)42和人工智能深度学习模型系统(CNNS系统)43。
DCS是Distributed Control System的英文缩写，在国内自控行业又称之为集散控制系统。是相对于集中式控制系统而言的一种新型计算机控制系统，它是在集中式控制系统的基础上发展、演变而来的。
AGC是Automatic Generation Control的英文缩写，是能量管理系统EMS中的一项重要功能，它控制着调频机组的出力，以满足不断变化的用户电力需求，并使系统处于经济的运行状态。在联合电力系统中，AGC是以区域系统为单位，各自对本区内的发电机的出力进行控制。
CNNS系统是Convolutional Neural Networks System的英文缩写，其是采用了一种卷积神经网络算法(Convolutional Neural Networks，CNN)的人工智能系统。
DCS系统41可以对光伏发电系统1、光热发电系统2和熔盐电加热系统3的各个设备进行集中监视、操作、管理和分散控制。AGC系统42控制光伏发电系统1和光热发电系统2的发电功率来满足电网负荷需求5。
CNNS系统43采用卷积神经网络建立深度学习模型，深度学习模型包括：数据输入层、卷积计算层、激活函数层、池化层、全连接层。数据输入层的输入数据包括DCS系统41存储的历史数据和监控采集的实时数据。历史数据和实时数据包括但不限于电网负荷数据、发电功率数据、光资源数据和气象数据。
通过数据输入层的输入数据的不断更新，深度学习模型可不断训练优化。运用深度学习模型对DCS系统41和AGC系统42的控制指令作即时更新。
如图4所示，所述“人工智能深度学习模型系统采用卷积神经网络建立深度学习模型”包括以下步骤：
SS1：获取DCS系统存储的历史数据和监控采集的实时数据作为数据输入层的输入数据，并将输入数据划分为训练集数据和测试集数据；
历史数据和实时数据包括但不限于电网负荷数据、发电功率数据、光资源数据和气象数据。其中电网负荷数据是通过AGC系统跟踪电力调度交易机构下发的指令获取的。其中发电功率数据包括光热发电系统功率和光伏发电系统功率。其中光资源数据包括太阳总辐照度(GHI)、散射辐照度(DIF)和法向直接辐照度(DNI)。其中气象数据包括露点、温度、气压、风速和风向。
SS2：确定卷积核大小，卷积计算层和池化层的个数。其中，卷积核是卷积神经网络算法里的卷积滤波器，对数据进行特征提取，可以随机给定，也可以人为给定例如3*3、5*5。
SS3：分别利用训练集数据和测试集数据对深度学习模型进行训练和测试，直到模型参数满足预设精度要求则停止训练，得到训练完成的卷积神经网络模型。
SS4：运用深度学习模型对分散控制系统和自动发电控制系统的控制指令作即时更新优化，实时满足电网负荷需求；
SS5：分散控制系统监控采集的实时数据传输到数据输入层，更新输入层的输入数据，执行SS2-SS5，更新优化深度学习模型，不断提高其对分散控制系统和自动发电控制系统所作控制指令的及时性和精准性；
其中AGC系统的控制指令包括但不限于分配光伏发电系统和光热发电系统的发电功率。其中DCS系统的控制指令包括但不限于对光伏发电系统、光热发电系统和熔盐电加热系统的各个设备的操作控制。
本实施例同时公开了一种光伏与光热耦合的发电控制方法，该方法的逻辑图如图2所示，该方法在保证所述光热发电系统最低运行负荷的基础上，优先将所述光伏发电系统的电力送入电网，包括以下步骤：
S1：建立一种如前所述的发电系统；
S2：判断电网功率需求P是否大于光热发电系统最低运行负荷M0，若是，则执行步骤S21，若否，则执行步骤S22；
其中，步骤S21包括：判断“电网功率需求P-光伏发电系统的发电功率N1”是否大于光热发电系统最低运行负荷M0，若是，则执行步骤S11，若否则执行S12；
步骤S211，所述全厂控制系统控制光伏发电系统上网功率N1、光热上网功率P-N1，此时光伏、光热发电功率满足电网功率需求P；进入步骤S3；
步骤S212，所述全厂控制系统控制光伏发电系统上网功率P-M0、光热上网功率M0，此时光伏、光热发电功率满足电网功率需求P，同时全厂控制系统启动熔盐电加热系统，加热功率为N1-(P-M0)。进入步骤S3；
其中，步骤S22包括：判断电网功率需求P是否大于光伏发电系统的发电功率N1，若是，则执行步骤S21，若否则执行S22；
步骤S221，所述全厂控制系统控制光热发电系统停机，光伏发电系统上网功率N1，并上报电网调度中心无法满足负荷需求；进入步骤S3；
步骤S222，所述全厂控制系统控制光热发电系统停机，控制光伏发电系统上网功率P，同时全厂控制系统启动熔盐电加热系统，加热功率为N1-P。
S3：供电工作完成。
上述步骤中，“光热”代表“光热发电系统”；“光伏”代表“光伏发电系统”；“光伏上网”是指将光伏发出的电能送入电网。“光热上网”是指将光热发出的电能送入电网。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (12)

1.一种光伏与光热耦合的发电系统，其特征在于，包括光伏发电系统、光热发电系统、熔盐电加热系统和全厂控制系统，其中：
所述光伏发电系统，用于进行光伏发电，并通过所述全厂控制系统向电网和熔盐电加热系统提供电力；
所述光热发电系统，用于进行光热发电，并通过所述全厂控制系统向电网提供电力；
所述熔盐电加热系统，用于将所述光伏发电系统多余的电力提供给所述光热发电系统；所述光伏发电系统多余的电力，是指光伏发电系统的发电功率对应的电力减去其提供给电网的电力；
所述全厂控制系统，用于根据电网负荷需求，控制光伏发电系统、光热发电系统、熔盐电加热系统的运行；
所述全厂控制系统包括分散控制系统、自动发电控制系统和人工智能深度学习模型系统；其中：
所述分散控制系统用于对光伏发电系统、光热发电系统和熔盐电加热系统的各个设备进行集中监视、操作、管理和分散控制；
所述自动发电控制系统用于控制光伏发电系统和光热发电系统的发电功率来满足电网负荷需求；
所述人工智能深度学习模型系统采用卷积神经网络建立深度学习模型，所述深度学习模型包括：数据输入层、卷积计算层、激活函数层、池化层、全连接层；
所述数据输入层的输入数据包括分散控制系统存储的历史数据和监控采集的实时数据；所述历史数据和实时数据包括但不限于电网负荷数据、发电功率数据、光资源数据和气象数据；
通过数据输入层的输入数据的不断更新，深度学习模型可不断训练优化；运用深度学习模型对分散控制系统和自动发电控制系统的控制指令作即时更新；
所述熔盐电加热系统设置于所述光热发电系统内部，并通过所述全厂控制系统与所述光伏发电系统连接；
所述光伏发电系统、光热发电系统通过全厂控制系统向电网供电；光伏发电系统通过全厂控制系统、熔盐电加热系统将多余的电力存储在光热发电系统里。
2.如权利要求1所述的发电系统，其特征在于，所述熔盐电加热系统的设计功率为：光伏发电系统装机容量*效率因子，所述效率因子为0.8-0.9。
3.如权利要求1所述的发电系统，其特征在于，所述光热发电系统包括熔盐储能系统和汽轮发电机组，所述熔盐储能系统的储热量设计值为：储能时长*汽轮发电机组额定功率/汽轮发电机组热效率+光伏发电系统年发电量/365；所述储能时长为2-18小时。
4.如权利要求3所述的发电系统，其特征在于，所述光热发电系统包括吸热系统，所述吸热系统热功率的设计值为：(1+储能时长/汽轮发电机组日工作平均小时数)*(汽轮发电机组额定功率/汽轮发电机组热效率)，所述汽轮发电机组日工作平均小时数为6-9小时。
5.如权利要求1所述的发电系统，其特征在于，所述熔盐电加热系统的电力来源为光伏发电系统。
6.如权利要求3所述的发电系统，其特征在于，所述熔盐储能系统包括低温熔盐储罐、高温熔盐储罐；
所述熔盐电加热系统为置于低温熔盐储罐和高温熔盐储罐以外的熔盐电热炉。
7.如权利要求3所述的发电系统，其特征在于，所述熔盐储能系统包括低温熔盐储罐、高温熔盐储罐；
所述熔盐电加热系统为置于低温熔盐储罐或高温熔盐储罐以内的电加热装置。
8.如权利要求4所述的发电系统，其特征在于，所述光热发电系统的吸热系统入口的低温熔盐温度为260℃-320℃，出口的高温熔盐温度为400-600℃。
9.如权利要求1所述的发电系统，其特征在于，所述光热发电系统包括熔盐蒸汽发生系统，所述熔盐蒸汽发生系统包括预热器、蒸发器、汽包、过热器；给水在预热器内被高温熔盐初步加热，继而进入蒸发器内被高温熔盐加热变为汽水混合物，汽水混合物进入汽包进行气液分离，分离后的水蒸气进入过热器被加热为过热蒸汽。
10.如权利要求9所述的熔盐蒸汽发生系统，其特征在于，所述预热器、蒸发器、汽包、过热器为串联流程，水或者蒸汽依次流过预热器、蒸发器、汽包、过热器，高温熔盐依次流过过热器、蒸发器、预热器。
11.如权利要求1所述的发电系统，其特征在于，所述“人工智能深度学习模型系统采用卷积神经网络建立深度学习模型”包括以下步骤：
SS1：获取分散控制系统存储的历史数据和监控采集的实时数据作为数据输入层的输入数据，并将输入数据划分为训练集数据和测试集数据；
历史数据和实时数据包括但不限于电网负荷数据、发电功率数据、光资源数据和气象数据；其中电网负荷数据是通过自动发电控制系统跟踪电力调度交易机构下发的指令获取的；
其中发电功率数据包括光热发电系统功率和光伏发电系统功率；光资源数据包括太阳总辐照度、散射辐照度和法向直接辐照度；其中气象数据包括露点、温度、气压、风速和风向；
SS2：确定卷积神经网络算法的卷积核大小，卷积计算层和池化层的个数；
SS3：分别利用训练集数据和测试集数据对深度学习模型进行训练和测试，直到模型参数满足预设精度要求则停止训练，得到训练完成的深度学习模型；
SS4：运用深度学习模型对分散控制系统和自动发电控制系统的控制指令作即时更新优化，实时满足电网负荷需求；
SS5：分散控制系统监控采集的实时数据传输到数据输入层，更新输入层的输入数据，执行SS2-SS5，更新优化深度学习模型；
其中，自动发电控制系统的控制指令包括但不限于分配光伏发电系统和光热发电系统的发电功率。其中，分散控制系统的控制指令包括但不限于对光伏发电系统、光热发电系统和熔盐电加热系统的各个设备的操作控制。
12.一种光伏与光热耦合的发电控制方法，其特征在于，在保证所述光热发电系统最低运行负荷的基础上，优先将所述光伏发电系统的电力送入电网，包括以下步骤：
S1：建立一种如权利要求1至11任意一项所述的发电系统；
S2：判断电网功率需求P是否大于光热发电系统最低运行负荷M0，若是，则执行步骤S21，若否，则执行步骤S22；
其中，步骤S21包括：判断“电网功率需求P-光伏发电系统的发电功率N1”是否大于光热发电系统最低运行负荷M0，若是，则执行步骤S211，若否则执行S212；
步骤S211，所述全厂控制系统控制光伏发电系统上网功率N1、光热上网功率P-N1，此时光伏、光热发电功率满足电网功率需求P；进入步骤S3；
步骤S212，所述全厂控制系统控制光伏发电系统上网功率P-M0、光热上网功率M0，此时光伏、光热发电功率满足电网功率需求P，同时全厂控制系统启动熔盐电加热系统，加热功率为N1-(P-M0)；进入步骤S3；
其中，步骤S22包括：判断电网功率需求P是否大于光伏发电系统的发电功率N1，若是，则执行步骤S221，若否则执行S222；
步骤S221，所述全厂控制系统控制光热发电系统停机，光伏发电系统上网功率N1，并上报电网调度中心无法满足负荷需求；进入步骤S3；
步骤S222，所述全厂控制系统控制光热发电系统停机，控制光伏发电系统上网功率P，同时全厂控制系统启动熔盐电加热系统，加热功率为N1-P；
S3：供申工作完成。
CN202011054537.8A 2020-09-29 2020-09-29 一种光伏与光热耦合的发电系统及发电控制方法 Active CN112217232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011054537.8A CN112217232B (zh) 2020-09-29 2020-09-29 一种光伏与光热耦合的发电系统及发电控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011054537.8A CN112217232B (zh) 2020-09-29 2020-09-29 一种光伏与光热耦合的发电系统及发电控制方法

Publications (2)

Publication Number Publication Date
CN112217232A true CN112217232A (zh) 2021-01-12
CN112217232B CN112217232B (zh) 2022-07-15

Family

ID=74052476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011054537.8A Active CN112217232B (zh) 2020-09-29 2020-09-29 一种光伏与光热耦合的发电系统及发电控制方法

Country Status (1)

Country Link
CN (1) CN112217232B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115173491A (zh) * 2022-06-28 2022-10-11 国网江苏省电力有限公司电力科学研究院 一种含光热发电的配电网分布式功率协调控制方法及装置
CN115693728A (zh) * 2023-01-03 2023-02-03 兰州大成科技股份有限公司 一种光伏直流电加热熔盐储热系统及其储热方法
CN116683492A (zh) * 2023-06-08 2023-09-01 中广核新能源(阿里)有限公司 一种离网型源网荷储电站控制系统
CN117674216A (zh) * 2023-12-21 2024-03-08 北京希克斯智慧新能源科技有限公司 一种基于模仿学习机制的蒸汽储能设群体调控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150167647A1 (en) * 2013-12-18 2015-06-18 Bechtel Power Corporation Concentrating solar power plant with hybrid collector field
CN105470982A (zh) * 2015-12-25 2016-04-06 北京四方继保自动化股份有限公司 一种含介质储能的智能微电网发电功率控制系统及控制方法
CN205823548U (zh) * 2016-07-22 2016-12-21 华北电力科学研究院(西安)有限公司 一种风光互补发电系统
CN108390416A (zh) * 2018-02-24 2018-08-10 内蒙古电力勘测设计院有限责任公司 一种风光热储与电网负荷耦合方法及装置
CN109755949A (zh) * 2019-01-07 2019-05-14 中国电力科学研究院有限公司 一种热电联合储能电站功率的优化分配方法及装置
CN209558703U (zh) * 2019-01-07 2019-10-29 浙江中光电力工程有限公司 一种光伏光热混合发电系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150167647A1 (en) * 2013-12-18 2015-06-18 Bechtel Power Corporation Concentrating solar power plant with hybrid collector field
CN105470982A (zh) * 2015-12-25 2016-04-06 北京四方继保自动化股份有限公司 一种含介质储能的智能微电网发电功率控制系统及控制方法
CN205823548U (zh) * 2016-07-22 2016-12-21 华北电力科学研究院(西安)有限公司 一种风光互补发电系统
CN108390416A (zh) * 2018-02-24 2018-08-10 内蒙古电力勘测设计院有限责任公司 一种风光热储与电网负荷耦合方法及装置
CN109755949A (zh) * 2019-01-07 2019-05-14 中国电力科学研究院有限公司 一种热电联合储能电站功率的优化分配方法及装置
CN209558703U (zh) * 2019-01-07 2019-10-29 浙江中光电力工程有限公司 一种光伏光热混合发电系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋汶秦等: "光热-风电联合运行的电力系统经济调度策略研究", 《电力系统保护与控制》 *
肖白等: "太阳能光伏-光热联合发电的优化运行模型", 《现代电力》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115173491A (zh) * 2022-06-28 2022-10-11 国网江苏省电力有限公司电力科学研究院 一种含光热发电的配电网分布式功率协调控制方法及装置
CN115693728A (zh) * 2023-01-03 2023-02-03 兰州大成科技股份有限公司 一种光伏直流电加热熔盐储热系统及其储热方法
CN116683492A (zh) * 2023-06-08 2023-09-01 中广核新能源(阿里)有限公司 一种离网型源网荷储电站控制系统
CN116683492B (zh) * 2023-06-08 2024-03-12 中广核新能源(阿里)有限公司 一种离网型源网荷储电站控制系统
CN117674216A (zh) * 2023-12-21 2024-03-08 北京希克斯智慧新能源科技有限公司 一种基于模仿学习机制的蒸汽储能设群体调控方法

Also Published As

Publication number Publication date
CN112217232B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN112217232B (zh) 一种光伏与光热耦合的发电系统及发电控制方法
CN105470982B (zh) 一种含介质储能的智能微电网发电功率控制系统及控制方法
RU2543361C2 (ru) Способ производства электроэнергии из солнечной энергии и система, использующая котел на биотопливе в качестве дополнительного источника теплоты
US11817228B2 (en) Wind-solar reactor system and working method thereof
CN102400872B (zh) 太阳能和风能互补储能热发电装置
Gorjian et al. Solar thermal power plants: progress and prospects in Iran
CN111677640A (zh) 解耦集热储热与放热发电的槽式光热发电系统及运行方法
CN109184916A (zh) 综合能源路由器设备及能源转换的方法
CN101852193A (zh) 聚光太阳能发电系统
CN105569938A (zh) 一种风光气热互补清洁再生能源智能控制装置和机构
CN107702194B (zh) 一种光伏光热发电供热系统及控制方法
CN110198052B (zh) 一种光热-风电联合并网发电协调控制方法
CN108397365A (zh) 一种基于光热发电热电联产系统及方法
CN103390903B (zh) 新型风光储智能联合发电系统及其控制方法
CN105257488A (zh) 太阳能风能发电装置
CN110994698B (zh) 一种太阳能光伏-光热联合发电系统优化运行方法
CN201661433U (zh) 聚光太阳能发电系统
CN204244139U (zh) 一种风光互补发电系统
CN205330896U (zh) 一种风光气热互补清洁再生能源智能控制装置
WO2021164496A1 (zh) 一种光煤互补系统变工况的光电转换效率寻优控制方法
CN111854185B (zh) 一种基于神经网络控制的太阳能智能储热系统及控制方法
CN202300882U (zh) 太阳能和风能互补储能热发电装置
CN107561994A (zh) 一种结合云层预测的槽式光热电站监控系统
CN204458231U (zh) 一种塔式太阳能光热发电系统
CN216922387U (zh) 一种利用模块化集成技术的大型塔式光热发电系统

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