CN112448411B - 多风电场接入系统的汇集站选址和外送容量规划方法 - Google Patents
多风电场接入系统的汇集站选址和外送容量规划方法 Download PDFInfo
- Publication number
- CN112448411B CN112448411B CN201910820090.1A CN201910820090A CN112448411B CN 112448411 B CN112448411 B CN 112448411B CN 201910820090 A CN201910820090 A CN 201910820090A CN 112448411 B CN112448411 B CN 112448411B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- wind
- planning
- capacity
- 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
Images
Classifications
-
- 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
- Wind Motors (AREA)
Abstract
本发明公开了一种多风电场接入系统的汇集站选址和外送容量规划方法,该方法包括以下步骤:获得待接入风电场的参数和风电场可接入节点的位置;用DBSCAN聚类算法对风电场中的风机按照位置进行划分,获得可能的风电场群和直接接入的风电场;以总成本与总收益之差最低为规划模型的目标函数,并构建模型的约束条件;采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,获得最优的汇集站选址和外送容量结果。本发明采用两步式算法,减少了随机划分可能产生的较差方案,简化了规划模型并加快了优化进程;规划模型协调了汇集站选址和外送容量与建设成本之间的关系,从整体上实现经济最优,为多风电场接入系统的宏观布局和容量规划提供了依据。
Description
技术领域
本发明涉及风电场接入系统规划领域,特别是一种多风电场接入系统的汇集站选址和外送容量规划方法。
背景技术
风电装机容量的迅速提高造成了高比例弃风、风电难以消纳等问题,对风电场接入系统的容量进行规划是实现风电有效利用的关键步骤。目前,大部分风电场接入系统规划方面的工作都将风电场装机容量作为规划接入容量,没有考虑风电场出力的随机波动性以及风电可利用小时数低的问题。同时,风电场送出线路若按照装机容量规划建设,线路将长期处于轻载状态,使设备的利用率下降。大型风电场一般远离负荷中心较远,距离较近的风电场通常经过汇集变电站集群后接入电网。对于风电场接入系统的方式,目前的研究较少。
一些学者对风电场接入系统的宏观布局进行了研究,文献《汇集站和集群中心站分级协调的风场群接入系统优化规划》将风电场接入系统的规划问题划分为并网点选择,线路容量规划以及升压站选址三个子问题,设计双层规划模型,并通过遗传算法求解,求解过程中随机生成分组方案,产生了许多无效方案,使算法求解低效。文献《风电集群接入系统规划的混合整数线性模型》采用混合整数线性模型求解规划问题,在汇集站数量不确定时,汇集站选址过程将变得复杂,且计算量较大。
发明内容
本发明的目的在于提供一种简化且高效的多风电场接入系统的汇集站选址和外送容量规划方法,引入DBSCAN算法首先对风电场进行划分,再对不同的分组情况进行寻优,简化了规划模型,同时提高了计算效率。
实现本发明目的的技术解决方案为:一种多风电场接入系统的汇集站选址和外送容量规划方法,包括以下步骤:
步骤1,获得待接入风电场的参数和风电场可接入节点的位置;
步骤2,用DBSCAN聚类算法对风电场中的风机按照位置进行划分,获得可能的风电场群和直接接入的风电场;
步骤3,以总成本与总收益之差最低为规划模型的目标函数,并构建模型的约束条件;
步骤4,采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,获得最优的汇集站选址和外送容量结果。
进一步地,步骤1所述待接入风电场的参数包括待接入风电场的个数、各风电场中风机的位置坐标、各风电场装机容量和年出力数据,风电场可接入节点的位置为风电场并网区域待选节点的位置坐标。
进一步地,步骤2所述用DBSCAN聚类算法对风电场进行划分,获得可能的风电场群和直接接入的风电场,具体为:在DBSCAN聚类算法中输入所有风机的位置,计算所有风机之间的距离,设置DBSCAN算法中的距离阈值∈,邻域样本数阈值MinPts,由DBSCAN算法得出风机聚类的结果。
进一步地,步骤3所述规划模型的目标函数,具体为:min f=C-B;
其中,总成本C为:C=CT+CL
总收益B为:B=(Bs-Bq)[(1+r)T-1]/[r(1+r)T]
CT=CWT+CHT,CL=CWL+CHL,Bs=psWs,Bq=pqWq
式中:CT、CL分别为变电站和输电线路总建设成本;CWT、CHT、CWL、CHL分别为风电场变电站、风电场汇集变电站、风电场送出线路、汇集变电站送出线路建设成本;Bs、Bq分别为送出电量产生的收益和弃风电量造成的损失;r为基准折现率,T为运行年限;ps、pq分别为送出风电售价和弃风补偿电价,Ws、Wq分别为总送出电量和总弃风电量。
各部分建设成本分别为:
式中:w、j分别为风电场和汇集站的索引;Nw、Nj分别为风电场个数和汇集站个数;FWT(·)、FHT(·)、FWL(·)、FHL(·)分别为风电场变电站、汇集变电站、风电场送出线路、汇集变电站送出线路的单位容量建设成本函数;SWTw、SWLw、Lw分别为风电场w的变电站建设容量、送出线路输电容量和送出线路长度;SHTj、SHLj、Lj分别为汇集变电站j的建设容量、送出线路输电容量和送出线路长度;
总送出电量Ws和总弃风电量Wq为:
式中:Wsw、Wqw分别为风电场w的送出电量和弃风电量,Pw(t)为风电场w的年持续出力曲线,Pwmax为风电场w的最大出力,PwLine为风电场w的外送规划容量,twLine为风电场w出力不小于PwLine的累积持续时间。
模型的约束条件为:
SWLw≤SWTw
SHLj≤SHTj
(xj,yj)∈∪
进一步地,步骤4所述采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,具体为:
(1)根据步骤2得到的风电场不同划分结果,分别进行步骤(2)-(4);
(2)初始化粒子群算法参数;设置粒子初始位置和初始速度,粒子长度为n=3×Nj+Nw,粒子的前半段长度表示Nj个汇集变电站建设位置的横纵坐标与建设与否的决策变量,后半段长度表示Nw个风电场的外送容量;
(3)若满足约束条件,计算各粒子的目标函数,记录当前粒子个体最优值和粒子群的全局最优值;
(4)更新各粒子的速度和位置,若未达到最大迭代次数,执行步骤(3),否则输出最优解;
(5)比较不同划分结果下的最优方案,将目标函数最小的结果作为最优规划方案,输出最优的汇集站选址和外送容量结果。
本发明与现有技术相比,其显著优点为:(1)本发明引入DBSCAN聚类算法,有效减少了风电场随机划分时产生的较差分组方案,避免了后续对较差分组结果进行的无效寻优;(2)本发明采用两步式算法求解,首先由DBSCAN算法获得风电场的不同划分结果,再通过分段粒子群算法对不同的划分结果进行寻优,降低了风电场划分以及汇集站选址规划的复杂度,简化了规划模型并加快了优化进程。
附图说明
图1是本发明多风电场接入系统的汇集站选址和外送容量规划方法流程图。
图2是本发明实施例中风电场与风机布局图。
图3是本发明实施例中风电场年持续出力曲线示意图。
图4是本发明实施例中风电场的两种划分结果示意图。
图5是本发明实施例中风电场接入系统规划方案接线图。
具体实施方式
结合图1,本发明一种多风电场接入系统的汇集站选址和外送容量规划方法,具体包括以下步骤:
步骤1,获得待接入风电场的参数和风电场可接入节点的位置;
步骤2,用DBSCAN聚类算法对风电场中的风机按照位置进行划分,获得可能的风电场群和直接接入的风电场;
步骤3,以总成本与总收益之差最低为规划模型的目标函数,并构建模型的约束条件;
步骤4,采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,获得最优的汇集站选址和外送容量结果。
进一步地,步骤1所述待接入风电场的参数包括待接入风电场的个数、各风电场中风机的位置坐标、各风电场装机容量和年出力数据,风电场可接入节点的位置为风电场并网区域待选节点的位置坐标。
进一步地,步骤2所述用DBSCAN聚类算法对风电场进行划分,获得可能的风电场群和直接接入的风电场,具体为:在DBSCAN聚类算法中输入所有风机的位置,计算所有风机之间的距离,设置DBSCAN算法中的距离阈值∈,邻域样本数阈值MinPts,由DBSCAN算法得出风机聚类的结果。
进一步地,步骤3所述规划模型的目标函数,具体为:min f=C-B;
其中,总成本C为:C=CT+CL
总收益B为:B=(Bs-Bq)[(1+r)T-1]/[r(1+r)T]
CT=CWT+CHT,CL=CWL+CHL,Bs=psWs,Bq=pqWq
式中:CT、CL分别为变电站和输电线路总建设成本;CWT、CHT、CWL、CHL分别为风电场变电站、风电场汇集变电站、风电场送出线路、汇集变电站送出线路建设成本;Bs、Bq分别为送出电量产生的收益和弃风电量造成的损失;r为基准折现率,T为运行年限;ps、pq分别为送出风电售价和弃风补偿电价,Ws、Wq分别为总送出电量和总弃风电量。
各部分建设成本分别为:
式中:w、j分别为风电场和汇集站的索引;Nw、Nj分别为风电场个数和汇集站个数;FWT(·)、FHT(·)、FWL(·)、FHL(·)分别为风电场变电站、汇集变电站、风电场送出线路、汇集变电站送出线路的单位建设成本函数;SWTw、SWLw、Lw分别为风电场w的变电站建设容量、送出线路输电容量和送出线路长度;SHTj、SHLj、Lj分别为汇集变电站j的建设容量、送出线路输电容量和送出线路长度。
总送出电量Ws和总弃风电量Wq为:
式中:Wsw、Wqw分别为风电场w的送出电量和弃风电量,Pw(t)为风电场w的年持续出力曲线,Pwmax为风电场w的最大出力,PwLine为风电场w的外送规划容量,twLine为风电场w出力不小于PwLine的累积持续时间。
模型的约束条件为:
SWLw≤SWTw
SHLj≤SHTj
(xj,yj)∈∪
进一步地,步骤4所述采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,具体为:
(1)根据步骤2得到的风电场不同划分结果,分别进行步骤(2)-(4);
(2)初始化粒子群算法参数;设置粒子初始位置和初始速度,粒子长度为n=3×Nj+Nw,粒子的前半段3×Nj长度表示Nj个汇集变电站建设位置的横纵坐标与建设与否的决策变量,后半段Nw长度表示Nw个风电场的外送容量;
(3)若满足约束条件,计算各粒子的目标函数,记录当前粒子个体最优值和粒子群的全局最优值;
(4)更新各粒子的速度和位置,若未达到最大迭代次数,执行步骤(3),否则输出最优解;
(5)比较不同划分结果下的最优方案,将目标函数最小的结果作为最优规划方案,输出最优的汇集站选址和外送容量结果。
下面结合附图和具体实施例对本发明做进一步详细说明。
实施例
图1是本发明一种多风电场接入系统的汇集站选址和外送容量规划方法的流程图。
首先获得待接入风电场的参数和可接入节点位置,本实施例中共有10个风电场,各风电场参数如表1所示。风电场中风机布局如图2所示,由风电场的年出力数据得到风电场的年持续出力曲线示意图如图3所示。风电场并网区域待选节点的位置坐标分别为(130.6,155.7)和(147.4,92.9)。
表1各风电场参数
用DBSCAN聚类算法对风电场中的风机按照位置进行划分,获得可能的风电场群和直接接入的风电场,首先将图2中的位置坐标数据输入DBSCAN算法中,计算风机之间的距离,设置MinPts=10,分别设置∈=6.2-9.7和∈=9.8-20得到风电场的两种划分结果如图4所示。每个圆中的风电场为一组,数量大于1时,可通过汇集变电站接入系统,也可以直接接入系统,取决于汇集站建设与否的决策变量;数量为1时,单个风电场为一组,则风电场选择合适的节点直接接入系统。
以总成本与总收益之差最低为规划模型的目标函数,并构建模型的约束条件。采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,得到的最优规划方案接线图如图5所示。风电场4、5、6、8、9通过汇集变电站接入系统节点bus1,汇集变电站选址为:(47.1,109.4),风电场1、2、3、7、10直接接入系统节点bus2。各风电场外送规划容量分别为83、110、75、67、76、167、49、85、110、84。本发明求解方法与现有方法的求解结果基本一致,在满足一定求解精度的同时大大减少了求解时间。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种多风电场接入系统的汇集站选址和外送容量规划方法,其特征在于,包括以下步骤:
步骤1,获得待接入风电场的参数和风电场可接入节点的位置;
步骤2,用DBSCAN聚类算法对风电场中的风机按照位置进行划分,获得可能的风电场群和直接接入的风电场;
步骤3,以总成本与总收益之差最低为规划模型的目标函数,并构建模型的约束条件;
步骤4,采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,获得最优的汇集站选址和外送容量结果。
2.根据权利要求1所述的多风电场接入系统的汇集站选址和外送容量规划方法,其特征在于,步骤1所述待接入风电场的参数包括待接入风电场的个数、各风电场中风机的位置坐标、各风电场装机容量和年出力数据,风电场可接入节点的位置为风电场并网区域待选节点的位置坐标。
3.根据权利要求1所述的多风电场接入系统的汇集站选址和外送容量规划方法,其特征在于,步骤2所述用DBSCAN聚类算法对风电场进行划分,获得可能的风电场群和直接接入的风电场,具体为:在DBSCAN聚类算法中输入所有风机的位置,计算所有风机之间的距离,设置DBSCAN算法中的距离阈值∈、邻域样本数阈值MinPts,由DBSCAN算法得出风机聚类的结果。
4.根据权利要求1所述的多风电场接入系统的汇集站选址和外送容量规划方法,其特征在于,步骤3所述以总成本与总收益之差最低为规划模型的目标函数,具体为:min f=C-B;
其中,总成本C为:C=CT+CL
总收益B为:B=(Bs-Bq)[(1+r)T-1]/[r(1+r)T]
CT=CWT+CHT,CL=CWL+CHL,Bs=psWs,Bq=pqWq
式中:CT、CL分别为变电站和输电线路总建设成本;CWT、CHT、CWL、CHL分别为风电场变电站、风电场汇集变电站、风电场送出线路、汇集变电站送出线路建设成本;Bs、Bq分别为送出电量产生的收益和弃风电量造成的损失;r为基准折现率,T为运行年限;ps、pq分别为送出风电售价和弃风补偿电价,Ws、Wq分别为总送出电量和总弃风电量。
5.根据权利要求4所述的多风电场接入系统的汇集站选址和外送容量规划方法,其特征在于,各部分建设成本分别为:
式中:w、j分别为风电场和汇集站的索引;Nw、Nj分别为风电场个数和汇集站个数;FWT(·)、FHT(·)、FWL(·)、FHL(·)分别为风电场变电站、汇集变电站、风电场送出线路、汇集变电站送出线路的单位容量建设成本函数;SWTw、SWLw、Lw分别为风电场w的变电站建设容量、送出线路输电容量和送出线路长度;SHTj、SHLj、Lj分别为汇集变电站j的建设容量、送出线路输电容量和送出线路长度;
总送出电量Ws和总弃风电量Wq为:
式中:Wsw、Wqw分别为风电场w的送出电量和弃风电量,Pw(t)为风电场w的年持续出力曲线,Pwmax为风电场w的最大出力,PwLine为风电场w的外送规划容量,twLine为风电场w出力不小于PwLine的累积持续时间。
7.根据权利要求1所述的多风电场接入系统的汇集站选址和外送容量规划方法,其特征在于,步骤4所述采用分段粒子群算法对不同划分方式下风电场接入方案进行优化,获得最优的汇集站选址和外送容量结果,具体为:
(1)根据步骤2得到的风电场不同划分结果,分别进行步骤(2)-(4);
(2)初始化粒子群算法参数;设置粒子初始位置和初始速度,粒子长度为n=3×Nj+Nw;
(3)若满足约束条件,计算各粒子的目标函数,记录当前粒子个体最优值和粒子群的全局最优值;
(4)更新各粒子的速度和位置,若未达到最大迭代次数,执行步骤(3),否则输出最优解;
(5)比较不同划分结果下的最优方案,将目标函数最小的结果作为最优规划方案,输出最优的汇集站选址和外送容量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820090.1A CN112448411B (zh) | 2019-08-31 | 2019-08-31 | 多风电场接入系统的汇集站选址和外送容量规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910820090.1A CN112448411B (zh) | 2019-08-31 | 2019-08-31 | 多风电场接入系统的汇集站选址和外送容量规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112448411A CN112448411A (zh) | 2021-03-05 |
CN112448411B true CN112448411B (zh) | 2022-09-16 |
Family
ID=74735361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910820090.1A Active CN112448411B (zh) | 2019-08-31 | 2019-08-31 | 多风电场接入系统的汇集站选址和外送容量规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112448411B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976153B (zh) * | 2023-09-25 | 2024-03-22 | 电子科技大学中山学院 | 一种基于一体化模型的海上风电场升压站选址方法 |
CN116993026B (zh) * | 2023-09-26 | 2023-12-19 | 无锡九方科技有限公司 | 一种大规模风电场机组运行参数优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682282A (zh) * | 2016-12-08 | 2017-05-17 | 浙江大学 | 一种基于遗传算法嵌套粒子群算法的风电场多型号风力发电机排布优化方法 |
CN109449967A (zh) * | 2018-09-20 | 2019-03-08 | 国网福建省电力有限公司 | 考虑负荷随机性的风电场群外送选址定容联合优化方法 |
-
2019
- 2019-08-31 CN CN201910820090.1A patent/CN112448411B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682282A (zh) * | 2016-12-08 | 2017-05-17 | 浙江大学 | 一种基于遗传算法嵌套粒子群算法的风电场多型号风力发电机排布优化方法 |
CN109449967A (zh) * | 2018-09-20 | 2019-03-08 | 国网福建省电力有限公司 | 考虑负荷随机性的风电场群外送选址定容联合优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112448411A (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
CN109978404A (zh) | 计及不确定性因素与场景削减的输电通道扩展规划方法 | |
CN112448411B (zh) | 多风电场接入系统的汇集站选址和外送容量规划方法 | |
CN111082466B (zh) | 考虑风电不确定性的新能源接入与网架扩建优化方法 | |
CN106159944B (zh) | 低碳环境下基于二层规划模型的多阶段输电网规划方法 | |
CN105552896B (zh) | 一种基于分布式光伏发电的配电网高峰负荷控制方法 | |
CN108155649A (zh) | 一种考虑dg不确定性的配电网网架模糊规划方法 | |
CN111541279B (zh) | 考虑机组出力状态的风电场功率自动控制系统及方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN113452033A (zh) | 分区自治的含高比例光伏配电网电压控制方法及存储介质 | |
CN115439000A (zh) | 考虑风光荷功率不确定性和相关性的配电网区块划分方法 | |
CN110909994A (zh) | 基于大数据驱动的小水电群发电量预测方法 | |
CN110380407B (zh) | 一种考虑农业电排灌负荷的配电网运行优化方法 | |
CN115642655B (zh) | 一种水电厂多机组负荷分配优化方法及系统 | |
CN111697607B (zh) | 一种多端柔性直流输电受端电网接入方法及系统 | |
CN109635999A (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
CN116865270A (zh) | 一种含嵌入式直流的柔性互联配电网优化调度方法及系统 | |
CN116073448A (zh) | 一种基于低碳效益的配电系统源网荷储协同调峰方法 | |
CN114530848B (zh) | 一种光储虚拟电厂多时间尺度动态划分方法 | |
CN110932334B (zh) | 一种带约束多目标优化风电场功率控制方法 | |
CN114240203A (zh) | 一种包含热泵的配电网与分布式风电协同规划方法和装置 | |
CN111835005B (zh) | 确定新能源基地电网输送能力的方法、装置及相关设备 | |
CN114825347A (zh) | 考虑时空相关性的海上风电集群分布鲁棒优化调度方法 | |
CN113783213B (zh) | 一种集中式储能电站选址定容两阶段优化方法 | |
Yuan et al. | Optimal energy supply control operation strategy for agricultural carbon neutral park based on orderly charge and discharge |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Jiang Haifeng Inventor after: Wang Bingbing Inventor after: Zhang Man Inventor after: Wang Baohua Inventor before: Wang Bingbing Inventor before: Zhang Man Inventor before: Jiang Haifeng Inventor before: Wang Baohua |
|
GR01 | Patent grant | ||
GR01 | Patent grant |