CN113507134A - 一种规划目标年新能源电源装机容量的优化规划方法 - Google Patents

Abstract

本发明是一种规划目标年新能源电源装机容量的优化规划方法，其特点是，建立以穿透功率极限最大为目标函数，考虑规划目标年省内电力电量平衡约束、调峰能力约束和装机容量约束约束条件的规划目标年新能源电源容量优化模型，利用自适应混合粒子群算法进行优化求解，得到合理的目标年某地区新能源电源规划装机容量。该方法考虑了目标年新能源电源各种可能规划装机容量下的输出功率长期波动特性，在满足各类约束条件下，得到了最大新能源电源穿透功率时的风光电源规划装机容量，具有方法科学合理，适用性强，效果佳等优点。

Description

一种规划目标年新能源电源装机容量的优化规划方法

技术领域

本发明涉及电力系统中的优化规划领域，是一种规划目标年新能源电源装机容量的优化规划方法。

背景技术

现有技术在进行目标年电源规划时，对于目标年规划装机容量下的新能源电源发电功率长期波动特性考虑不足，对于新能源电源输出功率波动特性受到装机容量的影响考虑不充分，导致难以得到最终合理的容量规划方案。如何协调好大规模新能源电源并网后，系统源、网、荷之间资源的调配，在保证系统充足的调峰裕度，减小系统弃风弃光电量的前提下，科学合理地确定系统的新能源电源容量优化规划方案是本领域技术人员亟待解决的难题。迄今未见有关与本发明规划目标年新能源电源装机容量的优化规划方法的文献报道和实际应用。

发明内容

本发明的目的是，克服现有技术的不足，建立一种科学合理，适用性强，效果佳，能够计及目标年新能源电源各种可能规划装机容量下的输出功率长期波动特性的规划目标年新能源电源装机容量的优化规划方法。

实现本发明的目的采用的技术方案是，一种规划目标年新能源电源装机容量的优化规划方法，其特征是，它包括的内容有：

1)建立规划的优化目标函数

以新能源电源穿透功率极限最大为目标对电源规划容量进行优化的函数见公式(1)，

式中，maxF表示新能源电源穿透功率极限最大，P_W、P_PV、P_TH、P_TD分别为目标年风、光、水、火电源的规划装机容量；

2)建立规划的约束条件

①电力约束：

规划目标年风、光、水、火电源的有效利用功率满足最大负荷及系统备用需求，见公式(2)，

α_WP_W+α_PVP_PV+α_THP_TH+α_TDP_TD≥(1+η)P_L (2)

式中，P_L为规划目标年最大负荷，单位为MW；η为备用系数，α_W、α_PV、α_TH、α_TD为规划目标年风、光、水、火电源参与电力平衡的可利用容量系数；

②电量约束：

规划目标年风、光、水、火电源电源的可发电量满足全省的电力需求，见公式(3)，

P_WH_W+P_PVH_PV+P_THH_TH+P_TDH_TD≥E_L (3)

式中，H_W、H_PV、H_TH、H_TD为规划目标年风、光、水、火各类电源的发电利用小时数，h；E_L为规划目标年电力需求，单位为MW·h；

③考虑调峰能力的新能源最大接纳能力约束：

规划目标年新能源电源容量规划问题需要结合当年调峰能力考虑其新能源接纳能力，新能源电源的发电容量受到其规划装机容量与容量系数的影响，

ΔP_L＝P_L.max-P_L.min (4)

P_p＝k_pP_L (5)

P_TH.max＝α_THP_TH (6)

P_TD.max＝α_TDP_TD (7)

P_裕度＝P_TH.max+P_TD.max-P_TH.min-P_TD.min-ΔP_L-P_p-(1-α_W)P_W (8)

P_裕度＝P_TH.max+P_TD.max-P_TH.min-P_TD.min-ΔP_L-P_p (9)

c_WP_W+c_PVP_PV≤P_裕度 (10)

式中，P_L.max为规划目标年最大发电负荷，P_L.min为规划目标年最小发电负荷；ΔP_L为规划目标年负荷峰谷差；P_p为旋转备用容量，k_p为旋转备用容量系数，通常取最大发电负荷的2％～5％；P_TH.max为火电电源可发最大出力，P_TD.max为水电电源可发最大出力；P_TH.min为火电电源最小技术出力，P_TD.min为水电电源最小技术出力；c_W、c_PV分别为风电和光伏容量系数；

④目标年新能源电源装机容量约束：

规划目标年新能源电源装机容量与当前年新能源电源的新增装机容量均按照只增不减的方式处理，见公式(11)-(13)，

P_W≥P_W.now (11)

P_PV≥P_PV.now (12)

P_W+P_PV≥P_W.now+P_PV.now (13)

式中，P_W.now、P_PV.now为当前年风、光电源装机容量，即规划目标年的新能源电源装机容量大于等于当前年新能源电源装机容量；

3)选用求解方法

采用自适应混合粒子群算法(Adaptive Hybrid Particle Swarm Optimization，AHPSO)进行目标函数的求解，

①利用自适应混合粒子群寻找到几组满足约束的初始解，并将其作为初始粒子群；

②引入自适应线性惯性权重来平衡粒子群优化过程中的全局搜索能力和局部搜索能力，在迭代后期加快算法的寻优速度，更新自适应线性惯性权重的计算见公式(14)；

ω(g)＝ω_max-(ω_max-ω_min)g/g_max (14)

式中，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；g为当前迭代数，g_max为最大迭代次数。

本发明一种规划目标年新能源电源装机容量的优化规划方法，将规划目标年新能源风、光电源的装机容量分别作为自适应混合粒子群算法中粒子的一维，将目标函数即规划目标年新能源电源穿透功率极限最大作为适应度函数，通过迭代寻优过程，最终得到满足各类约束的目标年新能源风、光电源的规划装机容量。具有科学合理，适用性强，效果佳等优点。

附图说明

图1为粒子群算法执行步骤图；

图2为自适应混合粒子群寻优曲线图；

图3为规划目标年某地区电源规划装机容量及占比图；

图4为水电参与调峰水平对容量优化结果的影响图。

具体实施方式

下面利用附图和实施例对本发明进行进一步说明。

参照图1-图4，本发明的一种规划目标年新能源电源装机容量的优化规划方法，包括：对已知规划容量下的规划目标年新能源电源持续功率曲线进行预测，从而根据预测得到的新能源电源在规划目标年的相关发电指标，指导新能源电源的规划容量建设方案，具体内容为：1)建立规划的优化目标函数

考虑到新能源电源的清洁性和可再生性，在制定规划目标年的新能源电源装机计划时，如何根据各类能源资源条件，在相应新能源发展政策的情况下，确定出合理的新能源电源容量规划方案，以新能源电源穿透功率极限最大为目标函数，对某地区的电源容量规划方案进行优化求取，以新能源电源穿透功率极限最大为目标对电源规划容量进行优化的函数见公式(1)，

式中，PW、PPV、PTH、PTD分别为目标年风、光、水、火电源的规划装机容量。

2)建立规划的约束条件

①电力约束：

规划目标年风、光、水、火电源的有效利用功率满足最大负荷及系统备用需求，见公式(2)，

α_WP_W+α_PVP_PV+α_THP_TH+α_TDP_TD≥(1+η)P_L (2)

式中，P_L为规划目标年最大负荷，单位为MW；η为备用系数，通常为最大负荷的15％～20％；α_W、α_PV、α_TH、α_TD为规划目标年风、光、水、火各类电源参与电力平衡的可利用容量系数。

②电量约束：

规划目标年风、光、水、火电源的可发电量满足电力需求，见公式(3)，

P_WH_W+P_PVH_PV+P_THH_TH+P_TDH_TD≥E_L (3)

式中，H_W、H_PV、H_TH、H_TD为规划目标年风、光、水、火各类电源的发电利用小时数，h；E_L为规划目标年电力需求，单位为MW·h。

③考虑调峰能力的新能源最大接纳能力约束：

规划目标年新能源电源容量规划问题需要结合当年调峰能力考虑其新能源接纳能力，新能源电源的发电容量受到其规划装机容量与容量系数的影响，

ΔP_L＝P_L.max-P_L.min (4)

P_p＝k_pP_L (5)

P_TH.max＝α_THP_TH (6)

P_TD.max＝α_TDP_TD (7)

P_裕度＝P_TH.max+P_TD.max-P_TH.min-P_TD.min-ΔP_L-P_p-(1-α_W)P_W (8)

P_裕度＝P_TH.max+P_TD.max-P_TH.min-P_TD.min-ΔP_L-P_p (9)

c_WP_W+c_PVP_PV≤P_裕度 (10)

式中，P_L.max为规划目标年最大发电负荷，P_L.min为规划目标年最小发电负荷；ΔP_L为规划目标年负荷峰谷差；P_p为旋转备用容量，k_p为旋转备用容量系数，通常取最大发电负荷的2％～5％；P_TH.max为火电电源可发最大出力，P_TD.max为水电电源可发最大出力；P_TH.min为火电电源最小技术出力，P_TD.min为水电电源最小技术出力；c_W、c_PV分别为风电和光伏容量系数。

④目标年新能源电源装机容量约束：

规划目标年新能源电源装机容量与当前年新能源电源的新增装机容量均按照只增不减的方式处理，见公式(11)-(13)，

P_W≥P_W.now (11)

P_PV≥P_PV.now (12)

P_W+P_PV≥P_W.now+P_PV.now (13)

式中，P_W.now、P_PV.now为当前年风、光电源装机容量，即规划目标年的新能源电源装机容量大于等于当前年新能源电源装机容量。

3)选用求解方法

寻优原理图所建电力系统电源规划问题涉及到目标函数、约束条件和多个变量之间的非线性优化问题，目的是在满足各类等式不等式约束下，得到新能源风、光电源的优化配置方案，需要采用智能优化算法来求解得到该问题的最优解。本文采用自适应混合粒子群算法(Adaptive HybridParticle SwarmOptimization，AHPSO)进行目标函数的求解。粒子群算法是在解决非线性寻优问题中一种效果非常好的智能优化算法，其具有搜索速度快，参数设置少和形式简单等特点，且具有更强的全局收敛能力和鲁棒性。在日益成熟的粒子群算法的基础上，自适应混合粒子群算法从两方面进行改进：一方面，为提高粒子群算法的收敛速度，引入遗传算法中的变异思想，在粒子位置更新后使其能以一定概率跳出当前粒子群位置，从而防止粒子陷入局部最优，拓宽了粒子的寻优空间；为提高粒子群算法的收敛能力，利用自适应混合粒子群寻找到几组满足约束的初始解，作为初始粒子群，这样大大减小了收敛次数。另一方面，为平衡粒子群优化过程中的全局搜索能力和局部搜索能力，引入自适应线性惯性权重，在初始时采用较大的惯性权重以获得更强大的全局搜索能力，能快速找到合适的粒子；在迭代后期采用较小的惯性权重以获得更细致的局部搜索能力，能加快算法的寻优速度。随着次数的不断增加，惯性权重呈现减小的趋势，更新自适应线性惯性权重的计算见公式(13)：

ω(g)＝ω_max-(ω_max-ω_min)g/g_max (13)

式中，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；g为当前迭代数，g_max为最大迭代次数。

本发明将规划目标年新能源风、光电源的装机容量分别作为自适应混合粒子群算法中粒子的一维，将目标函数即规划目标年新能源电源穿透功率极限最大作为适应度函数，通过迭代寻优过程，最终得到满足各类约束的目标年新能源风、光电源的规划装机容量。图1给出了粒子群算法的求解流程图。

具体实例：利用本发明的一种规划目标年新能源电源装机容量的优化规划方法，对太阳能光伏-光热联合发电进行优化运行：

以某地区电网为例，验证本节所提新能源容量优化模型的有效性和可行性。以2019年为当前年，2021年为规划目标年，根据所建目标函数和约束条件对2021年某地区新能源电源装机容量进行优化规划。根据某地区三年期间负荷情况计算最大负荷年平均增长率，确定2019年至2021年间最大负荷年增长率为10.5％；根据某地区五年期间用电量情况确定发电量的平均增长率，线性外推预测2021年需电量为758亿千瓦时；目标年峰谷差率按2019年平均峰谷差率定为12％；系统备用容量系数定为20％，其中旋转备用容量系数设定为5％；电力平衡选择某地区负荷最大的秋季，火电、水电电源可利用容量系数ɑTH、ɑTD为1。设定火电、水电电源最小技术出力P_TH.min、P_TD.min分别为各自装机容量的40％和10％。由于受煤电停、缓建政策和地区资源影响，火电装机增速受到明显遏制，亦为消纳不断增长的新能源资源，故令火电、水电电源容量年增速设定为5％，不作为优化变量。火电、水电有效发电利用小时数按最近三年平均发电利用小时数分别定为3396h和3574h。新能源电源等效发电利用小时数和容量系数根据目标年规划容量不同，可由现新能源装机容量，按新能源发电长期波动特性预测方法建立预测模型，预测得到规划目标年新能源电源持续功率曲线推知。从发电侧出发，研究新能源发电功率的置信容量，参与电力平衡的新能源发电功率值取一定置信度下的保证出力，亦可由新能源发电长期波动特性预测曲线得到，本节取置信度90％时的风光保证发电功率。P_W.now、P_PV.now为2019年风、光电源装机容量，分别为1903MW和8918MW。不考虑联络线功率和网损等因素。

自适应混合粒子群算法参数：学习因子c1，c2均为2，种群规模20个，迭代次数200次，多次试验确定粒子的运动速度为[-20,20]，惯性权重选择线性权重，最大值设置为0.9，最小值设置为0.4。

由图2可知，利用自适应混合粒子群算法求解本节规划目标年新能源电源容量优化模型，在进化次数为70代左右就已经收敛到最大值为0.4842，即规划目标年新能源风光电源在总电源装机容量的占比可达到48.31％，此时得到优化后的新能源风电电源规划装机容量为3678MW，相较19年增加93％；新能源光伏电源规划装机容量为11942MW，相较19年增加34％；风光电源的配比达到1：3.25，系统总电源规划装机容量为32260MW。

2021年某地区各类电源规划装机规模及占比如图2所示。表1则给出了目标年各类电源发电利用小时数和预计发电量。

表1规划目标年各类电源装机及发电小时数

由图3和表1能够看出，采用本发明方法所得规划目标年某地区新能源电源容量优化方案，能够兼顾目标年的新能源电源穿透功率最大和调峰能力要求，新能源装机与发电利用小时数较当前年均有提升。而当采用当前年新能源发电时序曲线标幺值乘规划容量作为目标年新能源发电长期波动曲线作为对比场景时，得到的目标年新能源容量优化方案如下：目标年新能源穿透功率极限为0.4741，风光规划装机容量分别为3310MW和11691MW。通过对比分析可知，对比场景未考虑新能源发电功率随装机容量增大而变化的非线性规律，本发明方法可以更细致的反映目标年新能源发电的电力和电量变化，得到的容量规划方案更加合理，具有一定的指导性。

优化模型中可变因素有系统的综合调峰能力和新能源电源参与电力平衡的容量。新能源电源参与电力平衡的容量主要影响电力平衡约束，在本发明场景下对最终新能源电源的容量影响甚微。若考虑水电或火电调峰容量的波动变化，分析其对规划目标年新能源电源容量优化结果的影响，以水电为例，如图4所示。

从图4看出，规划目标年某地区新能源电源穿透功率水平和新能源电源装机容量受水电调峰量影响很大，调峰容量不足则系统接纳新能源电源容量小。随着目标年水电调峰容量的线性增加，新能源电源的穿透功率水平呈线性增大趋势，新能源风光电源的容量亦逐渐增加，优化后的风光配比则与其发电特性有关，并不固定。

如配套建立一定容量的抽水蓄能电站，增大系统的调峰能力，探究系统新能源电源建设容量是否可以进一步提高。表2给出了考虑新建抽蓄的规划目标年的新能源电源容量优化结果。其中该结果仅考虑抽蓄电站提供调峰效益，未计及其电量效益。

表2抽蓄规划容量对容量优化结果的影响

由图4和表2可知，增加系统的调峰能力有利于某地区新能源电源穿透功率水平的提高。若未来想要消纳更多的新能源所发电能，则需要优化配置全网能源资源，进行跨地区电力电量交换，调用全网灵活性资源等有效措施来有效保障新能源电源的尽限利用。

本发明中所用的特定实施例已对本发明的内容做出了详尽的说明，但不局限于本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (1)

1.一种规划目标年新能源电源装机容量的优化规划方法，其特征是，它包括的内容有：

1)建立规划的优化目标函数

以新能源电源穿透功率极限最大为目标对电源规划容量进行优化的函数见公式(1)，

式中，maxF表示新能源电源穿透功率极限最大，P_W、P_PV、P_TH、P_TD分别为目标年风、光、水、火电源的规划装机容量；

2)建立规划的约束条件

①电力约束：

规划目标年风、光、水、火电源的有效利用功率满足最大负荷及系统备用需求，见公式(2)，

α_WP_W+α_PVP_PV+α_THP_TH+α_TDP_TD≥(1+η)P_L (2)

式中，P_L为规划目标年最大负荷，单位为MW；η为备用系数，α_W、α_PV、α_TH、α_TD为规划目标年风、光、水、火电源参与电力平衡的可利用容量系数；

②电量约束：

规划目标年风、光、水、火电源的可发电量满足电力需求，见公式(3)，

P_WH_W+P_PVH_PV+P_THH_TH+P_TDH_TD≥E_L (3)

式中，H_W、H_PV、H_TH、H_TD为规划目标年风、光、水、火电源的发电利用小时数，h；E_L为规划目标年电力需求，单位为MW·h；

③考虑调峰能力的新能源最大接纳能力约束：

规划目标年新能源电源容量规划问题需要结合当年调峰能力考虑其新能源接纳能力，新能源电源的发电容量受到其规划装机容量与容量系数的影响，

ΔP_L＝P_L.max-P_L.min (4)

P_p＝k_pP_L (5)

P_TH.max＝α_THP_TH (6)

P_TD.max＝α_TDP_TD (7)

P_裕度＝P_TH.max+P_TD.max-P_TH.min-P_TD.min-ΔP_L-P_p-(1-α_W)P_W (8)

P_裕度＝P_TH.max+P_TD.max-P_TH.min-P_TD.min-ΔP_L-P_p (9)

c_WP_W+c_PVP_PV≤P_裕度 (10)

式中，P_L.max为规划目标年最大发电负荷，P_L.min为规划目标年最小发电负荷；ΔP_L为规划目标年负荷峰谷差；P_p为旋转备用容量，k_p为旋转备用容量系数，通常取最大发电负荷的2％～5％；P_TH.max为火电电源可发最大出力，P_TD.max为水电电源可发最大出力；P_TH.min为火电电源最小技术出力，P_TD.min为水电电源最小技术出力；c_W、c_PV分别为风电和光伏容量系数；

④目标年新能源电源装机容量约束：

规划目标年新能源电源装机容量与当前年新能源电源的新增装机容量均按照只增不减的方式处理，见公式(11)-(13)，

P_W≥P_W.now (11)

P_PV≥P_PV.now (12)

P_W+P_PV≥P_W.now+P_PV.now (13)

式中，P_W.now、P_PV.now为当前年风、光电源装机容量，即规划目标年的新能源电源装机容量大于等于当前年新能源电源装机容量；

3)选用求解方法

采用自适应混合粒子群算法(Adaptive Hybrid Particle Swarm Optimization，AHPSO)进行目标函数的求解，

①利用自适应混合粒子群寻找到几组满足约束的初始解，并将其作为初始粒子群；

②引入自适应线性惯性权重来平衡粒子群优化过程中的全局搜索能力和局部搜索能力，在迭代后期加快算法的寻优速度，更新自适应线性惯性权重的计算见公式(14)；

ω(g)＝ω_max-(ω_max-ω_min)g/g_max (14)

式中，ω_max为惯性权重的最大值，ω_min为惯性权重的最小值；g为当前迭代数，g_max为最大迭代次数。

Images