CN115081693A - 一种能源不确定性的水风光互补系统两阶段容量配置方法 - Google Patents

一种能源不确定性的水风光互补系统两阶段容量配置方法 Download PDF

Info

Publication number
CN115081693A
CN115081693A CN202210639578.6A CN202210639578A CN115081693A CN 115081693 A CN115081693 A CN 115081693A CN 202210639578 A CN202210639578 A CN 202210639578A CN 115081693 A CN115081693 A CN 115081693A
Authority
CN
China
Prior art keywords
wind
water
output
light
hydropower station
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.)
Pending
Application number
CN202210639578.6A
Other languages
English (en)
Inventor
马超
刘璐
颜东谊
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202210639578.6A priority Critical patent/CN115081693A/zh
Publication of CN115081693A publication Critical patent/CN115081693A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/38—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
    • 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
    • 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
    • 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
    • H02J2300/28—The renewable source being wind 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种能源不确定性的水风光互补系统两阶段容量配置方法，包括以下步骤：步骤(1)，建立典型风电与光伏出力场景模型并计算出力过程；步骤(2)，设置径流场景并计算相应的入库径流值；步骤(3)，根据大规模水风光互补系统特高压输电线路跨网送电的特性和水电站调节能力，采用时间参数和特征参数描述特高压输电需求下的水风光互补系统总出力过程，并设置水、风、光协同运行的两阶段互补策略；步骤(4)，构建水风光互补系统容量配置的多目标优化模型；步骤(5)，采用多目标优化算法求解；步骤(6)，确定水风光系统最优容量配置方案，本发明能够实现水电自适应互补风、光出力，并有效提升水电出力过程的稳定性。

Description

一种能源不确定性的水风光互补系统两阶段容量配置方法
技术领域：
本发明涉及新能源发电系统风电与光伏容量配置领域，特别涉及一种考虑能源不确定性的水风光互补系统两阶段容量配置方法。
背景技术：
随着我国能源结构深化调整以及“双碳”目标的不断驱动，以水电、风电、光电等为代表的清洁低碳能源在能源供给中发挥日趋重要且不可替代的作用。由于风电、光伏发电具有随机性、波动性、间歇性等特点，导致光伏发电很难被电网接纳。为了提高风电、光伏能源的发电稳定性，提出了水、风、光能源互补开发。我国“三北”及西南地区风光资源分布密集，且有较好的水电开发基础，是水风光多能互补系统大规模并网基地的主要建设地点，通过远距离特高压输电线路将电能跨网输送至我国东部地区，在提高风电、光伏出力稳定性的同时提高了输电线路的利用率，经济效益显著。基于水、风、光资源的随机性和间歇性以及在时空上的互补特性，从规划层面合理配置各电源的容量，可以有效提升互补系统的经济性和协同运行的可靠性。因此，针对水风光互补系统开展容量优化研究是提升系统互补性能的重要部分。
风、光能源的随机性、波动性等不确定性主要体现为系统输出功率的波动频率与幅度，一旦风电、光伏的波动频率或波动幅度过大而系统中水电的调峰运行能力又不足，就会产生弃风、弃光，甚至会影响到其他电源的供电可靠性。因此，针对风电和光伏出力的不确定性需要深入研究。目前的容量配置研究大部分聚焦在系统的经济效益及成本，忽略了风电和光伏能源出力不确定性、特高压输电要求、水电站的入流特性以及水库的调节特性等因素；此外，现有研究涉及的互补策略或方法鲜有考虑互补后水电出力的稳定性，降低了研究结果的可行性。为了明确能源出力不确定性对系统的影响以及优化系统出力的稳定性，有必要提出一种考虑能源不确定性的水风光互补系统两阶段容量配置方法。
发明内容：
本发明的目的在于克服现有技术的不足，提出一种能源不确定性的水风光互补系统两阶段容量配置方法。本发明方法可实现在水电装机容量、水库调节特性以及风光发电场景确定的条件下，考虑大规模水风光多能互补系统中风电和光伏能源不确定性以及特高压跨网送电的特性，利用所提出的水风光互补系统两阶段互补策略制定水风光多能互补系统的最佳容量配置方案及其对应的系统运行模式，在所述模式下能够实现水电自适应互补风、光出力，并有效提升水电出力过程的稳定性。本发明可以为水风光互补系统的规划建设提供技术支持，适用于在大规模水风光互补系统风电、光伏容量配置中推广应用。
本发明解决其现实问题是采取以下技术方案实现的：
一种能源不确定性的水风光互补系统两阶段容量配置方法，包括以下步骤：
步骤(1)，将研究区域内已建风电场、光伏电站的历史实测日出力过程按季节分为四类，分别生成典型风电与光伏出力场景模型；根据风电-光伏联合出力特性及电力送出通道利用率，选取合理风电、光伏容量配比进行典型风电与光伏出力场景模型组合，采取倍比法得到不同规划风、光容量下的各季节典型风电-光伏联合场景模型日出力过程；
步骤(2)，将水电站上游水文站的历史日均径流数据按季节分为四类，分别统计历史日均径流的频率，根据径流频率分布特征选取典型频率对应的径流生成各季节的径流场景模型；
步骤(3)，根据大规模水风光互补系统特高压输电线路跨网送电的特性和水电站调节能力，采用时间参数和特征参数描述特高压输电需求下的水风光互补系统总出力过程，并设置水、风、光协同运行的两阶段互补策略；
步骤(4)，基于步骤(3)的互补策略构建水风光互补系统容量配置的多目标优化模型；
步骤(5)，将由步骤(1)所得的典型风电-光伏联合场景模型日出力过程、步骤(2)所得的不同保证率下的径流场景模型作为步骤(4)所建立的多目标优化模型的输入变量，采用多目标优化算法求解模型获得不同规划装机容量条件下的最优协同运行模式，并计算水电站出力过程和库水位变化过程；
步骤(6)，选取可靠性指标对不同规划装机容量条件下的水风光系统协同运行模式的可靠性进行评估，根据管理者和决策者的目标导向确定水风光系统最优容量配置方案。
进一步的，步骤(1)中，春季为3月、4月、5月，夏季为6月、7月、8月，秋季为9月、10月、11月，冬季为12月、1月、2月；所述的场景生成步骤具体包括：利用Copula函数构建各季节逐时段的风电-光伏出力联合概率分布模型；采用拉丁超立方体抽样方法分别对各季节逐时段出力数据进行抽样，得到了各季节的风光联合出力数据集合；根据抽出的能够代表不确定性的随机特征的样本，生成大量的满足风电、光伏出力波动特性的风-光联合出力初始场景集合；采用特征值降维的聚类方法对初始场景集合进行缩减，得到具有典型性的风-光联合出力场景。
进一步的，步骤(3)具体包括：根据特高压输电特性，采用时间参数将水风光互补系统总出力过程划分为I个阶段，每个阶段依据决策时间步长细分为若干个时段，每个阶段内所有时段的水光互补系统出力为恒定值，采取特征参数表征不同阶段的出力特征；所述的两阶段互补策略具体包括：在第一互补阶段，水电将风光出力曲线补偿为一条多段线(段数为I)，并确定互补系统出力过程分段节点的时间参数；在第二互补阶段，水电利用当日剩余水量增大多段线各段的总出力，最终确定水风光互补系统总出力过程。
进一步的，步骤(4)中，所述水风光互补系统容量配置数学模型为嵌套协同运行优化模型的多目标嵌套优化模型，由目标函数、决策变量和约束条件构成：
a.目标函数：
f1第一互补阶段水电总出力最小：
Figure BDA0003683269870000031
Figure BDA0003683269870000032
f2水电在两个互补阶段中的总出力变异系数最小：
Figure BDA0003683269870000033
Figure BDA0003683269870000034
式中：
Figure BDA0003683269870000035
代表第一互补阶段水-风-光多能互补系统第j个时段水电出力，(MW)；
Figure BDA0003683269870000036
代表水-风-光多能互补系统中第一互补阶段系统出力多段线第u段的出力值，(MW)；
Figure BDA0003683269870000037
代表水-风-光多能互补系统中第j个时段风电-光伏联合出力，(MW)；
Cwp代表规划水-风-光多能互补系统风光总容量，(MW)；
γ代表水-风-光多能互补系统中光伏占风光总容量的比例；
Figure BDA0003683269870000038
代表单位兆瓦装机风电第j个时段的出力，(MW)；
Figure BDA0003683269870000039
代表单位兆瓦装机光伏第j个时段的出力，(MW)；
Figure BDA00036832698700000310
代表水-风-光多能互补系统水电日内第j个时段的实际出力，(MW)；
Figure BDA00036832698700000311
代表水-风-光多能互补系统水电日内实际出力的平均值，(MW)；
Figure BDA00036832698700000312
代表水-风-光多能互补系统中第二互补阶段第j个时段系统总出力，(MW)；
tu代表多段线的时间参数；
U代表多段线的时间参数的个数；
J代表总时段数，其中J＝24×60/Δt；
Δt代表决策时间步长，(10min)；
b.决策变量
选取水-风-光多能互补系统的总出力
Figure BDA00036832698700000313
调度周期内的出力多段线划分节点时间参数(t1,t2,…,tU)和水-风-光多能互补系统风光总容量(Cwp)作为决策变量；
c.约束条件，具体如下：
①水电站能量平衡约束：
Figure BDA0003683269870000041
②系统电力平衡约束:
Figure BDA0003683269870000042
③水库水量平衡约束:
Figure BDA0003683269870000043
④水电站出力约束:
Figure BDA0003683269870000044
⑤水电站机组运行区约束:
Figure BDA0003683269870000045
⑥水电机组爬坡率约束:
Figure BDA0003683269870000046
⑦水电站允许下泄流量约束:
Figure BDA0003683269870000047
⑧水电站发电水头约束:
Figure BDA0003683269870000048
⑨水库库水位约束:
Figure BDA0003683269870000049
⑩水库调度期初、期末库水位约束:
Z1＝Zstart，ZJ＝Zend
Figure BDA00036832698700000410
风光总容量约束:
Figure BDA00036832698700000411
式中：
Figure BDA00036832698700000412
代表水电站日内第j个时段的综合出力系数，与机组出力和发电水头相关；
Figure BDA00036832698700000413
代表水电站日内第j个时段的平均发电流量，(m3/s)；
Figure BDA00036832698700000414
代表水电站日内第j个时段的平均发电水头，(m)；
J代表总时段数，其中J＝24×60/Δt；
Vj代表水库日内第j个时段初的库容，(m3)；
Figure BDA0003683269870000051
代表水电站日内第j时段的平均入库流量，(m3/s)；
Figure BDA0003683269870000052
代表水电站日内第j时段的平均弃水流量(等于0，即无弃水)，(m3/s)；
Figure BDA0003683269870000053
代表水电站日内第j时段的最小出力，(MW)；
Figure BDA0003683269870000054
代表水电站日内第j时段的最大出力，(MW)；
Figure BDA0003683269870000055
代表水电站第k台机组日内第j个时段的平均出力，(MW)；
Figure BDA0003683269870000056
代表水电站第k台机组日内第j个时段的最小出力，(MW)；
Figure BDA0003683269870000057
代表水电站第k台机组日内第j个时段的最大出力，(MW)；
Figure BDA0003683269870000058
代表水电站第k台机组第m个振动区的下限值，(MW)；
Figure BDA0003683269870000059
代表水电站第k台机组第m个振动区的上限值，(MW)；
Mk代表水电站第k台机组振动区的个数；
Figure BDA00036832698700000510
代表水电站第k台机组的爬坡率(增负荷)，(MW)；
Figure BDA00036832698700000511
代表水电站第k台机组的爬坡率(减负荷)，(MW)；
Figure BDA00036832698700000512
代表水电站日内第j时段允许的最小下泄流量，(m3/s)；
Figure BDA00036832698700000513
代表水电站日内第j时段允许的最大下泄流量，(m3/s)；
Figure BDA00036832698700000514
代表水电站日内第j时段的最小发电水头，(m)；
Figure BDA00036832698700000515
代表水电站日内第j时段的最大发电水头，(m)；
Zj代表水库日内第j个时段的平均库水位，(m)；
Figure BDA00036832698700000516
代表水库的下限水位，(m)；
Figure BDA00036832698700000517
代表水库的下限水位，(m)；
Zstart代表水库调度期初始库水位，(m)；
Zend代表水库调度期末库水位，(m)；
Figure BDA00036832698700000518
代表规划水-风-光多能互补系统风光总容量最大值，(MW)。
进一步的，步骤(5)中，所述的作为输入变量的风光总容量值为水电站能互补风光容量的最大值至最小值中的任意值，先由允许的最小风光容量开始，采取等值递增方式直至计算得到同时满足两个目标的风光容量上限值。
进一步的，步骤(5)中，所述的优化算法采用动态规划及其改进算法或启发式算法的其中一种。
其中，所述的动态规划及其改进算法包括离散微分动态规划、逐次渐进动态规划和逐次优化方法。
其中，所述的启发式算法包括遗传算法、人工神经网络算法、微粒群算法和蚁群算法。
有益效果：
与现有技术相比，本发明的技术方案所带来的有益效果是：本发明提出了一种考虑能源不确定性的水风光互补系统两阶段容量配置方法。根据研究区域内已建风电场、光伏电站的历史实测日出力过程生成典型联合风电-光伏出力场景日出力过程，根据历史日均径流数据生成径流场景。根据大规模水风光互补系统特高压输电线路跨网送电的特性和水电站调节能力，设置水电站协同风光能源协同运行的两阶段互补策略。建立水风光互补系统容量配置数学模型，并采用优化算法求解，得出风电场和光伏电站在不同规划装机容量条件下的最优协同运行模式。选取可靠性指标对不同规划装机容量条件下的水风光系统协同运行模式的可靠性进行评估，根据管理者和决策者的目标导向确定水风光系统最优容量配置方案。
本发明提出的容量配置方法考虑了能源出力不确定性，并且在保证水电出力稳定性的前提下优化了水风光互补系统的容量配置方案，可以为水风光互补系统的规划建设提供技术支持，适用于在大规模水风光互补系统风电、光伏容量配置中推广应用。
附图说明：
图1为本发明的技术方案执行流程图；
图2a、图2b、图2c和图2d分别为本发明方法步骤(1)中春季、夏季、秋季和冬季的典型联合风-光出力场景日出力过程(单位兆瓦)。
图3为水-风-光多能互补系统两阶段互补策略示意图；
图4为不同季节的入库径流经验频率曲线；
图5a、图5b、图5c和图5d分别为春季、夏季、秋季和冬季水风光互补系统各能源出力过程和库容变化过程；
图6a、图6b、图6c和图6d分别为春季、夏季、秋季和冬季水风光互补系统在不同容量配置方案下的各可靠性指标变化过程；
具体实施方式
本发明中提出了一种基于配电网安全域的分布式电源可信容量评估方法，以下结合图1对本发明专利的实施过程做进一步详细说明。
为进一步阐述本发明的技术方案与特征，下面结合附图与具体实施例对本发明作详细说明，但本发明内容不限于具体实施例所述内容。
本实例以某日调节水电站(调节库容1.5亿m3，水电装机4200MW)为例，如图1所示，一种考虑能源不确定性的水风光互补系统两阶段容量配置方法，具体实施步骤如下：
(1)将研究区域内已建风电场、光伏电站的历史实测日出力过程(时间步长为10min)按季节(春季为3月、4月、5月，夏季为6月、7月、8月，秋季为9月、10月、11月，冬季为12月、1月、2月)划分，利用Copula函数构建各季节逐时段的风电-光伏出力联合概率分布模型；采用拉丁超立方体抽样方法分别对各季节逐时段出力数据进行抽样，得到了各季节的风光联合出力数据集合；根据抽出的能够代表不确定性的随机特征的样本，生成大量的满足风电、光伏出力波动特性的风-光联合出力初始场景集合；最后，采用特征值降维的聚类方法对初始场景集合进行缩减，得到具有典型性的各季节风-光联合出力场景(见图2a、图2b、图2c、图2d)。采取倍比法得到风电场、光伏电站不同规划装机容量条件下的各季节典型联合风电-光伏出力场景日出力过程。
(2)将水电站上游水文站的历史日均径流数据按季节分为四类，分别统计历史日均径流的频率(见图3)，选取典型频率下(90％、50％、10％)的径流生成各季节的径流场景分别记为Runoff-1、Runoff-2、Runoff-3(见表1)。
表1不同季节的径流场景
Figure BDA0003683269870000071
(3)计算三种不同风电、光伏容量比(1:2、1:1、2:1)下送出通道的利用效率分别为27％、53％、72％，选取风电、光伏容量配比为2：1。
(4)根据特高压输电特性，采用时间参数将水风光互补系统总出力过程划分为I个阶段，每个阶段依据决策时间步长细分为若干个时段，每个阶段内所有时段的水光互补系统出力为恒定值；采用两阶段互补策略具体如下：在第一互补阶段，水电将风光出力曲线补偿为一条多段线(段数为U+1)，并确定互补系统出力过程分段节点的U个时间参数；在第二互补阶段，水电利用当日剩余水量增大多段线各段的总出力，最终确定水风光互补系统总出力过程(见图4)。
(5)构建水风光互补系统容量配置数学模型。
所述的多目标优化模型由目标函数、决策变量和约束条件构成：
a.目标函数：
f1第一互补阶段水电总出力最小：
Figure BDA0003683269870000081
Figure BDA0003683269870000082
f2水电在两个互补阶段中的总出力变异系数最小：
Figure BDA0003683269870000083
Figure BDA0003683269870000084
式中：
Figure BDA0003683269870000085
代表第一互补阶段水-风-光多能互补系统第j个时段水电出力，(MW)；
Figure BDA0003683269870000086
代表水-风-光多能互补系统中第一互补阶段系统出力多段线第u段的出力值，(MW)；
Figure BDA0003683269870000087
代表水-风-光多能互补系统中第j个时段风电-光伏联合出力，(MW)；
Cwp代表规划水-风-光多能互补系统风光总容量，(MW)；
γ代表水-风-光多能互补系统中光伏占风光总容量的比例；
Figure BDA0003683269870000088
代表单位兆瓦装机风电第j个时段的出力，(MW)；
Figure BDA0003683269870000089
代表单位兆瓦装机光伏第j个时段的出力，(MW)；
Figure BDA00036832698700000810
代表水-风-光多能互补系统水电日内第j个时段的实际出力，(MW)；
Figure BDA00036832698700000811
代表水-风-光多能互补系统水电日内实际出力的平均值，(MW)；
Figure BDA00036832698700000812
代表水-风-光多能互补系统中第二互补阶段第j个时段系统总出力，(MW)；
tu代表多段线的时间参数；
U代表多段线的时间参数的个数；
J代表总时段数，其中J＝24×60/Δt；
Δt代表决策时间步长，(10min)；
b.决策变量
选取水-风-光多能互补系统的总出力
Figure BDA0003683269870000091
调度周期内的出力多段线划分节点时间参数(t1,t2,…,tU)和水-风-光多能互补系统风光总容量(Cwp)作为决策变量；
c.约束条件，具体如下：
①水电站能量平衡约束：
Figure BDA0003683269870000092
②系统电力平衡约束:
Figure BDA0003683269870000093
③水库水量平衡约束:
Figure BDA0003683269870000094
④水电站出力约束:
Figure BDA0003683269870000095
⑤水电机组爬坡率约束:
Figure BDA0003683269870000096
⑥水电站允许下泄流量约束:
Figure BDA0003683269870000097
⑦水电站发电水头约束:
Figure BDA0003683269870000098
⑧水库库水位约束:
Figure BDA0003683269870000099
⑨水库调度期初、期末库水位约束:
Z1＝2446m，ZJ＝2446m
⑩风光总容量约束:
Figure BDA0003683269870000101
式中：
Figure BDA0003683269870000102
代表水电站日内第j个时段的综合出力系数，与机组出力和发电水头相关；
Figure BDA0003683269870000103
代表水电站日内第j个时段的平均发电流量，(m3/s)；
Figure BDA0003683269870000104
代表水电站日内第j个时段的平均发电水头，(m)；
J代表总时段数，其中J＝24×60/Δt；
Vj代表水库日内第j个时段初的库容，(m3)；
Figure BDA0003683269870000105
代表水电站日内第j时段的平均入库流量，(m3/s)；
Figure BDA0003683269870000106
代表水电站日内第j时段的平均弃水流量(等于0，即无弃水)，(m3/s)；
Figure BDA0003683269870000107
代表水电站日内第j时段的最小出力，(MW)；
Figure BDA0003683269870000108
代表水电站日内第j时段的最大出力，(MW)；
Figure BDA0003683269870000109
代表水电站第k台机组日内第j个时段的平均出力，(MW)；
Figure BDA00036832698700001010
代表水电站第k台机组的爬坡率(增负荷)，(MW)；
Figure BDA00036832698700001011
代表水电站第k台机组的爬坡率(减负荷)，(MW)；
Zj代表水库日内第j个时段的平均库水位，(m)；
Figure BDA00036832698700001012
代表规划水-风-光多能互补系统风光总容量最大值，(MW)。
(6)将由步骤(1)所得的典型联合风电-光伏出力场景日出力过程、步骤(2)所得的不同保证率下的径流场景、步骤(3)所得的风电与光伏容量配比作为步骤(6)所建立的多目标优化模型的输入变量，采用优化算法求解，得出水风光互补系统在不同场景组合下的最优协同运行模式，并计算水电站出力过程和库水位变化过程(见图5a、图5b、图5c、图5d)。
(7)计算并统计不同季节的风光和径流组合情景下水风光混合系统的出力可靠性评价指标(α第一互补阶段水电出力变异系数、δ第二互补阶段水电出力变异系数、λ总出力峰谷差率)，由于相同季节中的不同场景的变化趋势相似，每个季节选取一种场景为例(见图6a、图6b、图6c、图6d)。根据管理者和决策者的目标导向确定水风光系统最优容量配置方案。比如：若管理者和决策者的目标导向为系统出力最稳定，则可得到水风光互补系统的最优风光容量占比为0.32，相应的系统容量配置方案为：水电4200MW、风电1318MW、光伏659MW。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (6)

1.一种能源不确定性的水风光互补系统两阶段容量配置方法，其特征在于，包括以下步骤：
步骤(1)，将研究区域内已建风电场、光伏电站的历史实测日出力过程按季节分为四类，分别生成典型风电与光伏出力场景模型；根据风电-光伏联合出力特性及电力送出通道利用率，选取合理风电、光伏容量配比进行典型风电与光伏出力场景模型组合，采取倍比法得到不同规划风、光容量下的各季节典型风电-光伏联合场景模型日出力过程；
步骤(2)，将水电站上游水文站的历史日均径流数据按季节分为四类，分别统计历史日均径流的频率，根据径流频率分布特征选取典型频率对应的径流生成各季节的径流场景模型；
步骤(3)，根据大规模水风光互补系统特高压输电线路跨网送电的特性和水电站调节能力，采用时间参数和特征参数描述特高压输电需求下的水风光互补系统总出力过程，并设置水、风、光协同运行的两阶段互补策略；
步骤(4)，基于步骤(3)的互补策略构建水风光互补系统容量配置的多目标优化模型；
步骤(5)，将由步骤(1)所得的典型风电-光伏联合场景模型日出力过程、步骤(2)所得的不同保证率下的径流场景模型作为步骤(4)所建立的多目标优化模型的输入变量，采用多目标优化算法求解模型获得不同规划装机容量条件下的最优协同运行模式，并计算水电站出力过程和库水位变化过程；
步骤(6)，选取可靠性指标对不同规划装机容量条件下的水风光系统协同运行模式的可靠性进行评估，根据管理者和决策者的目标导向确定水风光系统最优容量配置方案。
2.根据权利要求1所述的一种能源不确定性的水风光互补系统两阶段容量配置方法，其特征在于，步骤(1)中，春季为3月、4月、5月，夏季为6月、7月、8月，秋季为9月、10月、11月，冬季为12月、1月、2月；所述的场景生成步骤具体包括：
利用Copula函数构建各季节逐时段的风电-光伏出力联合概率分布模型；
采用拉丁超立方体抽样方法分别对各季节逐时段出力数据进行抽样获得各季节的风光联合出力数据集合；
根据抽出的能够代表不确定性的随机特征的样本，生成大量的满足风电、光伏出力波动特性的风-光联合出力初始场景集合；
采用特征值降维的聚类方法对初始场景集合进行缩减，得到具有典型性的风-光联合出力场景模型。
3.根据权利要求1所述的一种能源不确定性的水风光互补系统两阶段容量配置方法，其特征在于，所述步骤(3)具体包括：
根据特高压输电特性，采用时间参数将水风光互补系统总出力过程划分为I个阶段，每个阶段依据决策时间步长细分为若干个时段，每个阶段内所有时段的水光互补系统出力为恒定值，采取特征参数表征不同阶段的出力特征；
所述的两阶段互补策略具体包括：在第一互补阶段，水电将风光出力曲线补偿为一条多段线，并确定互补系统出力过程分段节点的时间参数；在第二互补阶段，水电利用当日剩余水量增大多段线各段的总出力，最终确定水风光互补系统总出力过程。
4.根据权利要求1所述的一种能源不确定性的水风光互补系统两阶段容量配置方法，其特征在于，步骤(5)中，所述水风光互补系统的多目标优化模型为嵌套协同运行优化模型的多目标嵌套优化模型，由目标函数、决策变量和约束条件构成：
a.目标函数：
f1第一互补阶段水电总出力最小：
Figure FDA0003683269860000021
Figure FDA0003683269860000022
f2水电在两个互补阶段中的总出力变异系数最小：
Figure FDA0003683269860000023
Figure FDA0003683269860000024
式中：
Figure FDA0003683269860000025
代表第一互补阶段水-风-光多能互补系统第j个时段水电出力，(MW)；
Figure FDA0003683269860000026
代表水-风-光多能互补系统中第一互补阶段系统出力多段线第u段的出力值，(MW)；
Figure FDA0003683269860000027
代表水-风-光多能互补系统中第j个时段风电-光伏联合出力，(MW)；
Cwp代表规划水-风-光多能互补系统风光总容量，(MW)；
γ代表水-风-光多能互补系统中光伏占风光总容量的比例；
Figure FDA0003683269860000028
代表单位兆瓦装机风电第j个时段的出力，(MW)；
Figure FDA0003683269860000029
代表单位兆瓦装机光伏第j个时段的出力，(MW)；
Figure FDA0003683269860000031
代表水-风-光多能互补系统水电日内第j个时段的实际出力，(MW)；
Figure FDA00036832698600000310
代表水-风-光多能互补系统水电日内实际出力的平均值，(MW)；
Figure FDA0003683269860000032
代表水-风-光多能互补系统中第二互补阶段第j个时段系统总出力，(MW)；
tu代表多段线的时间参数；
U代表多段线的时间参数的个数；
J代表总时段数，其中J＝24×60/Δt；
Δt代表决策时间步长，(10min)；
b.决策变量
选取水-风-光多能互补系统的总出力
Figure FDA0003683269860000033
调度周期内的出力多段线划分节点时间参数(t1,t2,…,tU)和水-风-光多能互补系统风光总容量(Cwp)作为决策变量；
c.约束条件，具体如下：
①水电站能量平衡约束：
Figure FDA0003683269860000034
②系统电力平衡约束:
Figure FDA0003683269860000035
③水库水量平衡约束:
Figure FDA0003683269860000036
④水电站出力约束:
Figure FDA0003683269860000037
⑤水电站机组运行区约束:
Figure FDA0003683269860000038
⑥水电机组爬坡率约束:
Figure FDA0003683269860000039
⑦水电站允许下泄流量约束:
Figure FDA0003683269860000041
⑧水电站发电水头约束:
Figure FDA0003683269860000042
⑨水库库水位约束:
Figure FDA0003683269860000043
⑩水库调度期初、期末库水位约束:
Z1＝Zstart，ZJ＝Zend
Figure FDA00036832698600000418
风光总容量约束:
Figure FDA0003683269860000044
式中：
Figure FDA0003683269860000045
代表水电站日内第j个时段的综合出力系数，与机组出力和发电水头相关；
Figure FDA0003683269860000046
代表水电站日内第j个时段的平均发电流量，(m3/s)；
Figure FDA0003683269860000047
代表水电站日内第j个时段的平均发电水头，(m)；
J代表总时段数，其中J＝24×60/Δt；
Vj代表水库日内第j个时段初的库容，(m3)；
Figure FDA0003683269860000048
代表水电站日内第j时段的平均入库流量，(m3/s)；
Figure FDA0003683269860000049
代表水电站日内第j时段的平均弃水流量(等于0，即无弃水)，(m3/s)；
Figure FDA00036832698600000410
代表水电站日内第j时段的最小出力，(MW)；
Figure FDA00036832698600000411
代表水电站日内第j时段的最大出力，(MW)；
Figure FDA00036832698600000412
代表水电站第k台机组日内第j个时段的平均出力，(MW)；
Figure FDA00036832698600000413
代表水电站第k台机组日内第j个时段的最小出力，(MW)；
Figure FDA00036832698600000414
代表水电站第k台机组日内第j个时段的最大出力，(MW)；
Figure FDA00036832698600000415
代表水电站第k台机组第m个振动区的下限值，(MW)；
Figure FDA00036832698600000416
代表水电站第k台机组第m个振动区的上限值，(MW)；
Mk代表水电站第k台机组振动区的个数；
Figure FDA00036832698600000417
代表水电站第k台机组的爬坡率(增负荷)，(MW)；
Figure FDA0003683269860000051
代表水电站第k台机组的爬坡率(减负荷)，(MW)；
Figure FDA0003683269860000052
代表水电站日内第j时段允许的最小下泄流量，(m3/s)；
Figure FDA0003683269860000053
代表水电站日内第j时段允许的最大下泄流量，(m3/s)；
Figure FDA0003683269860000054
代表水电站日内第j时段的最小发电水头，(m)；
Figure FDA0003683269860000055
代表水电站日内第j时段的最大发电水头，(m)；
Zj代表水库日内第j个时段的平均库水位，(m)；
Figure FDA0003683269860000056
代表水库的下限水位，(m)；
Figure FDA0003683269860000057
代表水库的下限水位，(m)；
Zstart代表水库调度期初始库水位，(m)；
Zend代表水库调度期末库水位，(m)；
Figure FDA0003683269860000058
代表规划水-风-光多能互补系统风光总容量最大值，(MW)。
5.根据权利要求1所述的一种考虑能源不确定性的水风光互补系统两阶段容量配置方法，其特征在于，
步骤(5)中，所述的作为输入变量的风光总容量值为水电站能互补风光容量的最大值至最小值中的任意值，先由允许的最小风光容量开始，采取等值递增方式直至计算得到同时满足两个目标的风光容量上限值。
6.根据权利要求1所述的一种能源不确定性的水风光互补系统两阶段容量配置方法，其特征在于，
步骤(6)中，所述的优化算法采用动态规划及其改进算法或启发式算法的其中一种：
其中，所述的动态规划及其改进算法包括离散微分动态规划、逐次渐进动态规划和逐次优化方法。
其中，所述的启发式算法包括遗传算法、人工神经网络算法、微粒群算法和蚁群算法。
CN202210639578.6A 2022-06-08 2022-06-08 一种能源不确定性的水风光互补系统两阶段容量配置方法 Pending CN115081693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210639578.6A CN115081693A (zh) 2022-06-08 2022-06-08 一种能源不确定性的水风光互补系统两阶段容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210639578.6A CN115081693A (zh) 2022-06-08 2022-06-08 一种能源不确定性的水风光互补系统两阶段容量配置方法

Publications (1)

Publication Number Publication Date
CN115081693A true CN115081693A (zh) 2022-09-20

Family

ID=83251368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210639578.6A Pending CN115081693A (zh) 2022-06-08 2022-06-08 一种能源不确定性的水风光互补系统两阶段容量配置方法

Country Status (1)

Country Link
CN (1) CN115081693A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659672A (zh) * 2022-11-02 2023-01-31 中国长江三峡集团有限公司 一种流域水风光资源联合随机模拟方法、装置及电子设备
CN117013535A (zh) * 2023-09-28 2023-11-07 长江勘测规划设计研究有限责任公司 一种兼顾生态调度需求的水风光火互补容量配置方法
CN117154725A (zh) * 2023-10-31 2023-12-01 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质
CN117477638A (zh) * 2023-10-27 2024-01-30 兰州大学 一种流域尺度、气候尺度的未来水光风多能互补扩容模型
CN117522012A (zh) * 2023-11-02 2024-02-06 长江水利委员会水文局 一种基于季节周期特性的径流场景生成方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659672A (zh) * 2022-11-02 2023-01-31 中国长江三峡集团有限公司 一种流域水风光资源联合随机模拟方法、装置及电子设备
CN117013535A (zh) * 2023-09-28 2023-11-07 长江勘测规划设计研究有限责任公司 一种兼顾生态调度需求的水风光火互补容量配置方法
CN117013535B (zh) * 2023-09-28 2023-12-26 长江勘测规划设计研究有限责任公司 一种兼顾生态调度需求的水风光火互补容量配置方法
CN117477638A (zh) * 2023-10-27 2024-01-30 兰州大学 一种流域尺度、气候尺度的未来水光风多能互补扩容模型
CN117477638B (zh) * 2023-10-27 2024-03-19 兰州大学 一种流域尺度、气候尺度的未来水光风多能互补扩容模型
CN117154725A (zh) * 2023-10-31 2023-12-01 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质
CN117154725B (zh) * 2023-10-31 2024-01-26 长江三峡集团实业发展(北京)有限公司 水风光多能互补的调度方法、装置、计算机设备及介质
CN117522012A (zh) * 2023-11-02 2024-02-06 长江水利委员会水文局 一种基于季节周期特性的径流场景生成方法

Similar Documents

Publication Publication Date Title
CN115081693A (zh) 一种能源不确定性的水风光互补系统两阶段容量配置方法
CN109599861B (zh) 考虑本地负荷调峰能力的送端电网电源结构规划方法
Mena et al. The impact of concentrated solar power in electric power systems: A Chilean case study
CN109347151B (zh) 一种新能源参与调峰的送端电网电源结构优化方法
CN107634518B (zh) 一种“源-网-荷”相协调的主动配电网经济调度方法
CN109325608A (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN108092324B (zh) 一种风电参与调峰调频的agc控制系统和控制方法
CN104239967A (zh) 一种含风电场的电力系统多目标经济调度方法
CN111181198A (zh) 一种基于网源互馈的异质能源互补发电调度方法
CN113937825A (zh) 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法
CN111864811B (zh) 一种考虑电网送出需求的水光互补系统光伏容量配置方法
CN117175543A (zh) 一种可调节负荷的配电网规划策略优化方法及系统
Longo et al. Simulation and optimisation study of the integration of distributed generation and electric vehicles in smart residential district
CN109038654B (zh) 一种考虑分布式风电高渗透并网的配电系统优化运行方法
CN114884134A (zh) 基于区间优化的火电机组灵活性调节调度方法
CN106712060A (zh) 一种基于多代理的百兆瓦级电池储能系统控制方法及系统
Yao et al. Optimal day‐ahead coordination on wind‐pumped‐hydro system by using multiobjective multistage model
CN117526446A (zh) 梯级水风光多能互补发电系统风光容量双层优化配置方法
CN107453366B (zh) 计及风电决策风险的含upfc多目标最优潮流计算方法
Ding et al. Long-term operation rules of a hydro–wind–photovoltaic hybrid system considering forecast information
CN114398777A (zh) 一种基于巴什博弈理论的电力系统灵活性资源配置方法
Reyes–Ascanio et al. Application of microgrids to improve resilience with a focus on healthcare
Turk et al. Stochastic model predictive control for integrated energy system to manage real-time power imbalances: case of Denmark
CN113783213B (zh) 一种集中式储能电站选址定容两阶段优化方法
Perez Sanchez Optimization of generation capacity for a 100 per cent renewable power system in Barbados

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