CN116307285A - 新能源发展预测装置及方法 - Google Patents
新能源发展预测装置及方法 Download PDFInfo
- Publication number
- CN116307285A CN116307285A CN202310565275.9A CN202310565275A CN116307285A CN 116307285 A CN116307285 A CN 116307285A CN 202310565275 A CN202310565275 A CN 202310565275A CN 116307285 A CN116307285 A CN 116307285A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- wind power
- power generation
- power
- development
- 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
Links
- 238000011161 development Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010248 power generation Methods 0.000 claims abstract description 191
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims description 39
- 230000001186 cumulative effect Effects 0.000 claims description 34
- 238000009434 installation Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 8
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 238000010206 sensitivity analysis Methods 0.000 claims description 7
- 238000013213 extrapolation Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06315—Needs-based resource requirements planning or 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本说明书实施例提供了一种新能源发展预测装置及方法,其中,装置包括:参数预测模块,用于对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块;电力系统生产模拟模块,用于根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率函数和光伏发电利用率函数;系统动力学模块,包括风电发展推演系统和光伏发电发展推演系统,其中,风电发展推演系统用于根据关键特征参数的预测结果,基于风电利用率函数进行风电发展推演;光伏发电发展推演系统,用于根据关键特征参数的预测结果,基于光伏发电利用率函数进行光伏发电推演。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种新能源发展预测装置及方法。
背景技术
新能源发展是一个以时间为主要变量的模型问题,由于影响未来新能源发展的因素众多,传统电源规划模型侧重技术经济分析,无法充分考虑政策、市场、技术等多因素的综合影响,利用系统动力学方法对未来新能源发展趋势预测,可以分析各因素之间的相互影响,比较准确地反映出未来的发展趋势。但是,在目前研究中,系统动力学模型无法细化电网对新能源的消纳能力等电力系统特性。
发明内容
本发明的目的在于提供一种新能源发展预测装置及方法,旨在解决现有技术中的上述问题。
本发明提供一种新能源发展预测装置,包括:
参数预测模块,用于对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块;
电力系统生产模拟模块,用于根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数,并生成光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即光伏发电利用率函数;
系统动力学模块,与所述参数预测模块和所述电力系统生产模拟模块连接,包括风电发展推演系统和光伏发电发展推演系统,其中,风电发展推演系统用于根据所述关键特征参数的预测结果,基于所述风电利用率函数进行风电发展推演;光伏发电发展推演系统,用于根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电推演。
本发明提供一种新能源发展预测方法,用于上述新能源发展预测装置,该方法具体包括:
通过参数预测模块对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块;
通过电力系统生产模拟模块根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数,并生成光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即光伏发电利用率函数;
通过系统动力学模块的风电发展推演系统根据所述关键特征参数的预测结果,基于所述风电利用率函数进行风电发展推演;通过系统动力学模块的光伏发电发展推演系统根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电推演。
采用本发明实施例,充分考虑政策、市场、技术等多因素的综合影响,利用系统动力学方法对未来新能源发展趋势进行预测,可以分析各因素之间的相互影响,准确地反映出未来的发展趋势,能够细化电网对新能源的消纳能力等电力系统特性。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的新能源发展预测装置的示意图;
图2是本发明实施例的模型整体框架示意图;
图3是本发明实施例的电力系统生产模拟模块分析的流程图;
图4是本发明实施例的电力需求预测子系统的流图;
图5是本发明实施例的风电经济性子系统的流图;
图6是本发明实施例的风电政策子系统的流图;
图7是本发明实施例的风电发展子系统的流图;
图8是本发明实施例的光伏发电经济性子系统的示意图;
图9是本发明实施例的政策子系统的流图;
图10是本发明实施例的集中式光伏发展子系统的流图;
图11是本发明实施例的风电累积装机容量及增速的示意图;
图12是本发明实施例的风电政策强度的示意图;
图13是本发明实施例的集中式光伏累积装机容量的示意图;
图14是本发明实施例的集中式光伏累积装机容量增长率与政策强度的关系的示意图;
图15是本发明实施例的集中式光伏累积装机容量增长率与投资意愿的关系的示意图;
图16是本发明实施例的不同政策情景下集中式光伏累积装机容量的示意图;
图17是本发明实施例的不同电价情景下集中式光伏累积装机容量的示意图;
图18是本发明实施例的新能源发展预测方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
装置实施例
根据本发明实施例,提供了一种新能源发展预测装置,图1是本发明实施例的新能源发展预测装置的示意图,如图1所示,根据本发明实施例的新能源发展预测装置具体包括:
参数预测模块10,用于对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块;所述参数预测模块10具体用于:
采用回归分析法和趋势外推法对新能源发展的关键特征参数进行预测。
电力系统生产模拟模块12,用于根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数,并生成光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即光伏发电利用率函数;所述电力系统生产模拟模块12具体用于:
收集区域电源规划基础边界;
基于所述区域电源规划基础边界,考虑区域在运电源和已明确投运的电源,计算未来水平年电源保障方案以及风电和光伏发电装机容量;
确定生产模拟校验电源保障方案的合理性,若生产模拟校验电源保障方案未通过校核,则调整电源装机方案,直到校核通过为止;
进行不同风电和光伏发电装机容量下的敏感性分析,形成多个对比方案,输出不同方案下关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果;
根据关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果,基于公式1和公式2,通过多元线性回归得到风电利用率函数、光伏发电利用率函数:
风电利用率=a1×集中式光伏累积装机容量+b1×风电累积装机容量+c1
公式1;
其中,a1、b1、c1为拟合得到的系数;
光伏发电利用率=a2×集中式光伏累积装机容量+b2×风电累积装机容量+c2公式2;
其中,a2、b2、c2为拟合得到的系数。
系统动力学模块14,与所述参数预测模块和所述电力系统生产模拟模块连接,包括风电发展推演系统和光伏发电发展推演系统,其中,风电发展推演系统用于根据所述关键特征参数的预测结果,基于所述风电利用率函数进行风电发展推演;光伏发电发展推演系统,用于根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电推演。
其中,风电发展推演系统具体包括:
电力需求预测子系统,用于基于经济增长、人口数量以及各产业用电强度对电力需求的影响,按照本地全社会用电量和跨区输送电量对电力需求进行预测,将电力需求的预测结果作为风电政策子系统的输入,其中,本地全社会用电量具体包括:电制氢耗电量、生活所需电量和生产所需电量;
风电经济性子系统,用于将风电投资成本分为风机原材料成本、建安工程成本和土地征用及其他费用,根据风机制造水平计算技术进步对风电机组投资成本的影响,根据土地征用及其他费用计算土地资源对风电发展的影响,通过计算风电收益率获得风电投资意愿;
风电政策子系统,用于根据电力需求的预测结果,采用风电发电量占比目标计算风电发展目标差距,从而根据风电发展目标差距计算风电政策强度,根据电价政策计算风电上网电价;
风电发展子系统,用于推演在政策强度和投资意愿的影响下,未来风电装机规模。
光伏发电发展推演系统具体包括:
光伏发电经济性子系统,用于根据所述关键特征参数的预测结果,进行光伏发电经济性指标的计算,其中,所述光伏发电经济性指标具体包括:光伏企业绿证持有量、光伏企业绿证售出量、光伏绿证收入、集中式光伏售电收入、集中式光伏总收入、集中式光伏总成本、集中式光伏投资成本、集中式光伏净利润、集中式光伏收益率以及集中式光伏投资意愿;
光伏发电政策子系统,用于根据所述关键特征参数的预测结果,进行光伏发电政策性指标的计算;其中,所述光伏发电政策性指标具体包括:集中式光伏发展目标差距、集中式政策强度以及集中式光伏上网电价;
光伏发电发展子系统,用于根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电发展性指标的计算,其中,所述光伏发电发展性指标具体包括:集中式光伏资本存量、集中式光伏累积装机容量、集中式光伏新增投资、集中式光伏新增装机、集中式光伏上网电量、集中式光伏发电量、集中式光伏增量机组退役以及光伏发电利用率。
以下结合附图对本发明实施例的上述技术方案进行详细说明。
本发明实施例提出了系统动力学模型和电力系统生产模拟的耦合方法,构建了如图2所示的装置,解决了现有研究中的缺点。
根据本发明实施例的新能源发展预测装置主要包括参数预测模块、电力系统生产模拟模块和系统动力学模块。
(1)参数预测模块:对关键特征参数进行预测,为系统动力学模块提供输入参数。
(2)电力系统生产模拟模块:
首先,详细刻画各类发输用电技术经济特性,输入数据包括风电、光伏发电、负荷特性、发电机组和输电线路等参数,输出结果包括风电利用率、光伏发电利用率等。
然后,根据关键水平年生产模拟结果,通过多元线性回归得到风电利用率随风电和光伏发电累积装机容量的函数关系,以及光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数和光伏发电利用率函数。
(3)系统动力学模块:
系统动力学模块主要包括风电发展推演系统和光伏发电推演系统。风电发展推演系统细分为电力需求预测子系统、风电经济性子系统、风电政策子系统和风电发展子系统;光伏发电推演系统细分为电力需求预测子系统、光伏发电经济性子系统、光伏发电政策子系统和光伏发电发展子系统。
以下对上述各个模块进行详细说明。
参数预测模块:参数预测模块主要采用回归分析法和趋势外推法对以下输入参数进行预测。
(1)风电发展推演系统。
电力需求预测子系统主要输入参数包括:出生率、死亡率、人均用电量、人均收入、电量收入弹性系数、GDP增长率、第一产业比重、第二产业比重、第三产业比重、第一产业产值、第二产业产值、第三产业产值、第一产业技术水平、第二产业技术水平、第三产业技术水平、第一产业用电强度、第二产业用电强度、第三产业用电强度、外送通道容量、外送通道利用小时数、氢能消费量以及电制氢占比。
风电经济性子系统主要输入参数包括:风电原材料成本、土地征用及其他费用、建安工程成本、风电可变运维成本、风电固定运维成本、单个绿证对应电量、风电绿证出售比例、风电绿证价格、风电上网电价以及风机制造水平。
风电政策子系统主要输入参数包括:风电发电量占比目标以及电价政策。
风电发展子系统主要输入参数包括:风电年利用小时数。
(2)光伏发电发展推演系统。
电力需求预测子系统主要输入参数同风电发展推演系统。
光伏发电经济性子系统主要输入参数包括:光伏绿证售出比例、光伏绿证价格、集中式光伏可变运维成本、集中式光伏固定运维成本、集中式光伏土地成本、集中式光伏其他费用、集中式光伏原材料成本以及集中式光伏制造水平。
光伏发电政策子系统主要输入参数包括:集中式光伏发展目标以及集中式光伏电价政策。
光伏发电发展子系统主要输入参数包括:光伏年利用小时数。
电力系统生产模拟模块:如图3所示,利用电力系统生产模拟分析区域风电和光伏发电消纳情况,拟合得到风电利用率函数和光伏发电利用率函数的具体流程是:
(1)收集区域电源规划基础边界,包括电源数据、负荷数据、输电通道数据等;
(2)考虑区域在运电源、已明确投运的电源,提出未来水平年电源保障方案以及风电、光伏发电装机容量。
(3)通过生产模拟校验电源保障方案合理性,确保各电源利用小时数满足要求、风电和光伏发电利用率满足要求等。
(4)若方案未通过校核,则调整电源装机方案,直到校核通过为止。
(5)开展不同风电和光伏发电装机容量下的敏感性分析,形成大量对比方案。
(6)输出不同方案下关键水平年风电装机容量、光伏发电装机容量、风电利用率、光伏发电利用率等结果。
(7)根据关键水平年风电装机容量、光伏发电装机容量、风电利用率、光伏发电利用率等结果,通过多元线性回归得到风电利用率函数、光伏发电利用率函数,表示为:
风电利用率=a1×集中式光伏累积装机容量+b1×风电累积装机容量+c1
公式1;
其中,a1、b1、c1为拟合得到的系数;
光伏发电利用率=a2×集中式光伏累积装机容量+b2×风电累积装机容量+c2公式2;
其中,a2、b2、c2为拟合得到的系数。
系统动力学模块
1 风电发展推演系统
1.1 电力需求预测子系统
电力需求预测子系统主要考虑了经济增长、人口数量以及各产业用电强度对电力需求的影响。在该子系统中,电力需求按照本地全社会用电量和跨区输送电量进行预测。其中,本地全社会用电量又分为电制氢耗电量、生活所需电量和生产所需电量。该子系统的输出为电力需求,作为政策子系统和风电发展子系统的输入。电力需求预测子系统的流图见图4,其中,<Time>表示时间。
所构建的电力需求预测子系统流图主要涉及2个状态变量,3个速率变量,31个辅助变量,各变量的具体选取如表1所示。
表 1 电力需求预测子系统变量汇总
以下列出的是电力需求预测子系统的主要方程:
1.2 风电经济性子系统
风电企业获得利润是驱动风电规模化发展的主要因素,售电收入和绿色证书收入为风电企业收入来源。在风电经济性子系统中,衡量风电企业经济效益的指标主要为风电收益率。将风电投资成本分为风机原材料成本、建安工程成本和土地征用及其他费用。通过风机制造水平反映技术进步对风电机组投资成本的影响,通过土地征用及其他费用反映土地资源对风电发展的影响。风电经济性子系统流图如图5所示。
所构建的风电经济性子系统流图主要涉及1个状态变量,2个速率变量,17个辅助变量,各变量的具体选取如表2所示。
表 2 经济性子系统变量汇总
以下列出的是经济性子系统的主要方程:
式中,INTEG为积分函数。
风电绿证获得量=风电上网电量/单个绿证对应电量(26)
风电收益率=风电企业净利润/(风电机组投资成本×风电累积装机容量)(33)
式中,IF THEN ELSE为选择函数。
1.3 风电政策子系统
风电政策子系统主要考虑风电上网电价和政策强度的影响。政策强度是影响风电发展的外部因素,根据风电发展目标差距,不断调整相关政策和配套措施,调整发展节奏的政策因素推动风电建设,采用风电发电量占比目标衡量风电发展目标差距。
如图6所示,所构建的风电政策子系统流图主要涉及5个辅助变量,各变量的具体选取如表3所示。
表 3 政策子系统变量汇总
以下列出的是政策子系统的主要方程:
风电发展目标差距=风电发电量占比目标-风电上网电量/电力需求(35)
1.4 风电发展子系统
如图7所示,所构建的风电发展子系统流图主要涉及2个状态变量,4个速率变量,5个辅助变量,各变量的具体选取如表4所示。
表 4 风电发展子系统变量汇总
以下列出的是风电发展子系统的主要方程:
风电新增装机=风电新增投资/风电机组投资成本(39)
2 光伏发电发展推演系统
2.1 光伏发电经济性子系统
如图8所示,所构建的光伏发电经济性子系统主要涉及1个状态变量,2个速率变量,16个辅助变量,各变量的具体选取如表5所示。
表 5 集中式光伏经济性子系统变量汇总
以下列出的是光伏发电经济性子系统的主要方程:
集中式光伏投资成本=(集中式光伏其他费用+集中式光伏原材料成本/集中式光伏制造水平+集中式光伏土地成本)(51)
集中式光伏收益率=集中式光伏净利润/(集中式光伏投资成本×集中式光伏累积装机容量)(53)
2.2 光伏发电政策子系统
如图9所示,所构建的政策子系统流图主要涉及5个辅助变量,各变量的具体选取如表6所示。
表 6 政策子系统变量汇总
以下列出的是政策子系统的主要方程:
集中式光伏发展目标差距=(集中式光伏累积装机容量-集中式光伏发展目标)/集中式光伏发展目标(55)
2.3 光伏发电发展子系统
如图10所示,所构建的集中式光伏发展子系统主要涉及2个状态变量,4个速率变量,4个辅助变量,各变量的具体选取如表7所示。
表7 集中式光伏发展子系统变量汇总
以下列出的是集中式光伏发展子系统的主要方程:
集中式光伏新增装机=集中式光伏新增投资/集中式光伏投资成本(61)
式中,DELAY FIXED表示对输入量做延迟处理。
下面以某地区新能源发展预测案例对上述技术方案进行举例说明。
1 模型检验
利用Vensim PLE软件对建立的模型进行仿真,以某地区为例进行分析。选取模型的两个核心指标:风电累积装机容量、集中式光伏累积装机容量为检验变量,如表8所示,以2015-2020年为模型运行时间区间,选择2015年数据作为初始值对检验变量进行赋值,并将模型的预测值与实际数据进行对比。可知模型预测值与实际数据的误差绝对值基本上都在7%以内,说明模型与现实系统拟合度较好,能够较为真实地反映该地区新能源发展情况。
表 8 模型历史检验结果
2 情景设计
政策、市场、技术等因素是影响新能源发展的关键因素,不同的政策强度能够直接影响新能源行业的投资意愿,技术和市场发展的快慢也会影响新能源的发展,因此,本发明专利设置基准情景如下:政策强度方面,保持现有的风电和光伏发电政策激励程度不变;技术进步方面,风电、光伏发电、储能、电网技术领域保持现有技术发展程度;市场因素方面,电力需求稳步增长,市场建设稳步推进。
在基准情景下,对该地区2021年至2060年风电和光伏发展进行预测。在对2021年到2060年的预测中,将选择2021年的数据为初始数据。
3 风电发展推演分析。
基准情景下,风电累积装机容量和政策强度分别如图11和图12所示,可以看出:
(1)在2045年之前,风电累积装机容量呈现出逐年增长的基本趋势,2030年,风电累积装机容量将达到2250万千瓦。在2045年后,由于机组退役的影响,风电累积装机容量出现波动性,2060年增长到4500万千瓦。
下面对比了风电机组投资成本、风电利用率、风电政策强度、风电上网电价和风电绿证价格等关键影响因素对风电新增装机容量的影响,如表9所示。
可以看出:
(1)当风电机组投资成本降低20%时,2021-2030年风电新增装机容量增加4.9%,2031-2060年增加23.6%。当风电利用率、风电政策强度、风电上网电价和风电绿证价格分别提高20%时,2021-2030年风电新增装机容量分别增加1.6%、5.6%、5.3%、0.2%,2031-2060年分别增加24.2%、24.5%、21.6%和5.9%。
(2)风电发展对政策强度更为敏感,直接政策对投资风电的需求会产生直接冲击,而间接政策(如投资成本变化、风电利用率、上网电价等)只能通过影响投资意愿间接影响风电的发展。
表 9 风电新增装机容量对参数变化敏感性分析
4 光伏发电发展推演分析
基准情景下,集中式光伏累积装机容量如图13所示,2025、2030年,集中式光伏累积装机容量将分别达到4570万、6240万千瓦。在2047年后,随着集中式光伏退役容量增加,累积装机容量有所下降,到2060年,集中式光伏累积装机容量达9770万千瓦。
集中式光伏累积装机容量与政策强度和投资意愿的变化关系分别如图14和图15所示,可以看出:
(1)在发展初期,政策强度对集中式光伏累积装机容量影响较大。2030年以后,政策强度逐渐趋于平稳。
(2)在发展后期,随着光伏技术经济性提升,企业投资意愿不断提升,带动集中式光伏累积装机容量继续增长。
下面分析了集中式光伏新增装机容量对参数变化的敏感性,如表10所示。可以看出:
(1)降低集中式光伏投资成本,提高光伏发电利用率、集中式政策强度、集中式光伏上网电价和光伏绿证价格可以刺激装机容量,反之亦然。
(2)2021-2030年,当集中式光伏投资成本降低10%时,集中式光伏新增装机容量增加8.4%,当光伏发电利用率、集中式政策强度、集中式光伏上网电价和光伏绿证价格分别提高10%时,集中式光伏新增装机容量分别增加8.9%、9.8%、8.9%、0.2%。这一时期,通过直接政策对投资光伏影响最大。
(3)2031-2060年,当集中式光伏投资成本、光伏发电利用率、集中式光伏上网电价分别提高10%时,集中式光伏新增装机容量分别增加29.8%、31.0%、30.9%,相比政策强度来说,集中式光伏投资成本、光伏发电利用率、集中式光伏上网电价对集中式光伏累积装机容量的影响略高。
表 10 集中式光伏新增装机容量对参数变化敏感性分析
图16给出不同政策强度下集中式光伏累积装机容量的变化,其中,政策情景-1表示2031-2060年政策强度相比基准情景下降5%,政策情景-2表示2031-2060年政策强度相比基准情景下降30%。可以看出,政策情景-1和政策情景-2集中式光伏累积装机容量都比基准情景降低,根据集中式光伏发展目标,可以确定降低政策强度的最佳时间。
图17为不同集中式光伏上网电价下降幅度下累积装机容量的变化,其中,电价情景-1表示2031-2060年集中式光伏上网电价相比基准情景下降5%,电价情景-2表示2031-2060年集中式光伏上网电价相比基准情景下降80%。图中,电价情景-2集中式光伏累积装机容量呈现下降趋势,说明在2030年之后电价下降幅度过快不利用集中式光伏发展。
方法实施例
根据本发明实施例,提供了一种新能源发展预测方法,用于上述新能源发展预测装置,图18是本发明实施例的新能源发展预测方法的流程图,如图18所示,根据本发明实施例的新能源发展预测方法具体包括:
步骤1801,通过参数预测模块对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块;具体包括:
通过参数预测模块采用回归分析法和趋势外推法对新能源发展的关键特征参数进行预测。
步骤1802,通过电力系统生产模拟模块根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数,并生成光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即光伏发电利用率函数;具体包括:
收集区域电源规划基础边界;
基于所述区域电源规划基础边界,考虑区域在运电源和已明确投运的电源,计算未来水平年电源保障方案以及风电和光伏发电装机容量;
确定生产模拟校验电源保障方案的合理性,若生产模拟校验电源保障方案未通过校核,则调整电源装机方案,直到校核通过为止;
进行不同风电和光伏发电装机容量下的敏感性分析,形成多个对比方案,输出不同方案下关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果;
根据关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果,基于公式1和公式2,通过多元线性回归得到风电利用率函数、光伏发电利用率函数:
风电利用率=a1×集中式光伏累积装机容量+b1×风电累积装机容量+c1
公式1;
其中,a1、b1、c1为拟合得到的系数;
光伏发电利用率=a2×集中式光伏累积装机容量+b2×风电累积装机容量+c2公式2;
其中,a2、b2、c2为拟合得到的系数。
步骤1803,通过系统动力学模块的风电发展推演系统根据所述关键特征参数的预测结果,基于所述风电利用率函数进行风电发展推演;通过系统动力学模块的光伏发电发展推演系统根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电推演。具体包括:
通过电力需求预测子系统基于经济增长、人口数量以及各产业用电强度对电力需求的影响,按照本地全社会用电量和跨区输送电量对电力需求进行预测,将电力需求的预测结果作为风电政策子系统的输入,其中,本地全社会用电量具体包括:电制氢耗电量、生活所需电量和生产所需电量;
通过风电经济性子系统将风电投资成本分为风机原材料成本、建安工程成本和土地征用及其他费用,根据风机制造水平计算技术进步对风电机组投资成本的影响,根据土地征用及其他费用计算土地资源对风电发展的影响,通过计算风电收益率获得风电投资意愿;
风电政策子系统,用于根据电力需求的预测结果,采用风电发电量占比目标计算风电发展目标差距,从而根据风电发展目标差距计算风电政策强度,根据电价政策计算风电上网电价;
通过风电发展子系统推演在政策强度和投资意愿的影响下,未来风电装机规模。
通过光伏发电经济性子系统根据所述关键特征参数的预测结果,进行光伏发电经济性指标的计算,其中,所述光伏发电经济性指标具体包括:光伏企业绿证持有量、光伏企业绿证售出量、光伏绿证收入、集中式光伏售电收入、集中式光伏总收入、集中式光伏总成本、集中式光伏投资成本、集中式光伏净利润、集中式光伏收益率以及集中式光伏投资意愿;
通过光伏发电政策子系统根据所述关键特征参数的预测结果,进行光伏发电政策性指标的计算;其中,所述光伏发电政策性指标具体包括:集中式光伏发展目标差距、集中式政策强度以及集中式光伏上网电价;
通过光伏发电发展子系统根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电发展性指标的计算,其中,所述光伏发电发展性指标具体包括:集中式光伏资本存量、集中式光伏累积装机容量、集中式光伏新增投资、集中式光伏新增装机、集中式光伏上网电量、集中式光伏发电量、集中式光伏增量机组退役以及光伏发电利用率。
本发明实施例是与上述装置实施例对应的方法实施例,各个步骤的具体操作可以参照装置实施例的描述进行理解,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种新能源发展预测装置,其特征在于,包括:
参数预测模块,用于对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块;
电力系统生产模拟模块,用于根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数,并生成光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即光伏发电利用率函数;
所述系统动力学模块,与所述参数预测模块和所述电力系统生产模拟模块连接,利用Vensim PLE软件进行仿真,包括风电发展推演系统和光伏发电发展推演系统,其中,风电发展推演系统用于根据所述关键特征参数的预测结果,基于所述风电利用率函数进行风电发展推演;光伏发电发展推演系统,用于根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电推演。
2.根据权利要求1所述的装置,其特征在于,所述参数预测模块具体用于:
采用回归分析法和趋势外推法对新能源发展的关键特征参数进行预测。
3.根据权利要求1所述的装置,其特征在于,所述电力系统生产模拟模块具体用于:
收集区域电源规划基础边界;
基于所述区域电源规划基础边界,考虑区域在运电源和已明确投运的电源,计算未来水平年电源保障方案以及风电和光伏发电装机容量;
确定生产模拟校验电源保障方案的合理性,若生产模拟校验电源保障方案未通过校核,则调整电源装机方案,直到校核通过为止;
进行不同风电和光伏发电装机容量下的敏感性分析,形成多个对比方案,输出不同方案下关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果;
根据关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果,基于公式1和公式2,通过多元线性回归得到风电利用率函数、光伏发电利用率函数:
风电利用率=a1×集中式光伏累积装机容量+b1×风电累积装机容量+c1
公式1;
其中,a1、b1、c1为拟合得到的系数;
光伏发电利用率=a2×集中式光伏累积装机容量+b2×风电累积装机容量+c2公式2;
其中,a2、b2、c2为拟合得到的系数。
4.根据权利要求1所述的装置,其特征在于,所述风电发展推演系统具体包括:
电力需求预测子系统,用于基于经济增长、人口数量以及各产业用电强度对电力需求的影响,按照本地全社会用电量和跨区输送电量对电力需求进行预测,将电力需求的预测结果作为风电政策子系统的输入,其中,本地全社会用电量具体包括:电制氢耗电量、生活所需电量和生产所需电量;
风电经济性子系统,用于将风电投资成本分为风机原材料成本、建安工程成本和土地征用及其他费用,根据风机制造水平计算技术进步对风电机组投资成本的影响,根据土地征用及其他费用计算土地资源对风电发展的影响,通过计算风电收益率获得风电投资意愿;
风电政策子系统,用于根据电力需求的预测结果,采用风电发电量占比目标计算风电发展目标差距,从而根据风电发展目标差距计算风电政策强度,根据电价政策计算风电上网电价;
风电发展子系统,用于推演在政策强度和投资意愿的影响下,未来风电装机规模。
5.根据权利要求1所述的装置,其特征在于,所述光伏发电发展推演系统具体包括:
光伏发电经济性子系统,用于根据所述关键特征参数的预测结果,进行光伏发电经济性指标的计算,其中,所述光伏发电经济性指标具体包括:光伏企业绿证持有量、光伏企业绿证售出量、光伏绿证收入、集中式光伏售电收入、集中式光伏总收入、集中式光伏总成本、集中式光伏投资成本、集中式光伏净利润、集中式光伏收益率以及集中式光伏投资意愿;
光伏发电政策子系统,用于根据所述关键特征参数的预测结果,进行光伏发电政策性指标的计算;其中,所述光伏发电政策性指标具体包括:集中式光伏发展目标差距、集中式政策强度以及集中式光伏上网电价;
光伏发电发展子系统,用于根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电发展性指标的计算,其中,所述光伏发电发展性指标具体包括:集中式光伏资本存量、集中式光伏累积装机容量、集中式光伏新增投资、集中式光伏新增装机、集中式光伏上网电量、集中式光伏发电量、集中式光伏增量机组退役以及光伏发电利用率。
6.一种新能源发展预测方法,其特征在于,用于上述权利要求1至5中任一项所述的新能源发展预测装置,所述方法具体包括:
通过参数预测模块对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块;
通过电力系统生产模拟模块根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数,并生成光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即光伏发电利用率函数;
通过所述系统动力学模块的风电发展推演系统根据所述关键特征参数的预测结果,基于所述风电利用率函数进行风电发展推演;通过系统动力学模块的光伏发电发展推演系统根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电推演。
7.根据权利要求6所述的方法,其特征在于,通过参数预测模块对新能源发展的关键特征参数进行预测,并将关键特征参数的预测结果作为参数输入到系统动力学模块具体包括:
通过参数预测模块采用回归分析法和趋势外推法对新能源发展的关键特征参数进行预测。
8.根据权利要求6所述的方法,其特征在于,通过电力系统生产模拟模块根据各类发输用电技术经济特性参数,基于关键水平年生产模拟结果,通过多元线性回归生成风电利用率随风电和光伏发电累积装机容量的函数关系,即风电利用率函数,并生成光伏发电利用率随风电和光伏发电累积装机容量的函数关系,即光伏发电利用率函数,具体包括:
收集区域电源规划基础边界;
基于所述区域电源规划基础边界,考虑区域在运电源和已明确投运的电源,计算未来水平年电源保障方案以及风电和光伏发电装机容量;
确定生产模拟校验电源保障方案的合理性,若生产模拟校验电源保障方案未通过校核,则调整电源装机方案,直到校核通过为止;
进行不同风电和光伏发电装机容量下的敏感性分析,形成多个对比方案,输出不同方案下关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果;
根据关键水平年风电装机容量、光伏发电装机容量、风电利用率以及光伏发电利用率的结果,基于公式1和公式2,通过多元线性回归得到风电利用率函数、光伏发电利用率函数:
风电利用率=a1×集中式光伏累积装机容量+b1×风电累积装机容量+c1
公式1;
其中,a1、b1、c1为拟合得到的系数;
光伏发电利用率=a2×集中式光伏累积装机容量+b2×风电累积装机容量+c2公式2;
其中,a2、b2、c2为拟合得到的系数。
9.根据权利要求6所述的方法,其特征在于,通过系统动力学模块的风电发展推演系统根据所述关键特征参数的预测结果,基于所述风电利用率函数进行风电发展推演具体包括:
通过电力需求预测子系统基于经济增长、人口数量以及各产业用电强度对电力需求的影响,按照本地全社会用电量和跨区输送电量对电力需求进行预测,将电力需求的预测结果作为风电政策子系统的输入,其中,本地全社会用电量具体包括:电制氢耗电量、生活所需电量和生产所需电量;
通过风电经济性子系统将风电投资成本分为风机原材料成本、建安工程成本和土地征用及其他费用,根据风机制造水平计算技术进步对风电机组投资成本的影响,根据土地征用及其他费用计算土地资源对风电发展的影响,通过计算风电收益率获得风电投资意愿;
通过风电政策子系统根据电力需求的预测结果,采用风电发电量占比目标计算风电发展目标差距,从而根据风电发展目标差距计算风电政策强度,根据电价政策计算风电上网电价;
通过风电发展子系统推演在政策强度和投资意愿的影响下,未来风电装机规模。
10.根据权利要求6所述的方法,其特征在于,通过系统动力学模块的光伏发电发展推演系统根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电推演具体包括:
通过光伏发电经济性子系统根据所述关键特征参数的预测结果,进行光伏发电经济性指标的计算,其中,所述光伏发电经济性指标具体包括:光伏企业绿证持有量、光伏企业绿证售出量、光伏绿证收入、集中式光伏售电收入、集中式光伏总收入、集中式光伏总成本、集中式光伏投资成本、集中式光伏净利润、集中式光伏收益率以及集中式光伏投资意愿;
通过光伏发电政策子系统根据所述关键特征参数的预测结果,进行光伏发电政策性指标的计算;其中,所述光伏发电政策性指标具体包括:集中式光伏发展目标差距、集中式政策强度以及集中式光伏上网电价;
通过光伏发电发展子系统根据所述关键特征参数的预测结果,基于所述光伏发电利用率函数进行光伏发电发展性指标的计算,其中,所述光伏发电发展性指标具体包括:集中式光伏资本存量、集中式光伏累积装机容量、集中式光伏新增投资、集中式光伏新增装机、集中式光伏上网电量、集中式光伏发电量、集中式光伏增量机组退役以及光伏发电利用率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565275.9A CN116307285B (zh) | 2023-05-19 | 2023-05-19 | 新能源发展预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565275.9A CN116307285B (zh) | 2023-05-19 | 2023-05-19 | 新能源发展预测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307285A true CN116307285A (zh) | 2023-06-23 |
CN116307285B CN116307285B (zh) | 2023-08-08 |
Family
ID=86798197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310565275.9A Active CN116307285B (zh) | 2023-05-19 | 2023-05-19 | 新能源发展预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307285B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109428344A (zh) * | 2017-09-01 | 2019-03-05 | 国家电网公司 | 含风电场的多电源投资规划方法和装置 |
CN112583003A (zh) * | 2019-09-29 | 2021-03-30 | 华北电力大学(保定) | 一种基于演化博弈理论的多能源电力系统电源规划方法 |
US20220149784A1 (en) * | 2019-02-15 | 2022-05-12 | Daeeun Co. Ltd. | Apparatus for diagnosing photovoltaic power generation through analysis of power generation trend |
US20230072708A1 (en) * | 2021-09-08 | 2023-03-09 | Central South University | Asymmetric Laplace-based wind power forecasting method and system |
CN115936178A (zh) * | 2022-10-31 | 2023-04-07 | 国网上海市电力公司 | 基于时序加权的地区分布式光伏装机容量预测方法和系统 |
-
2023
- 2023-05-19 CN CN202310565275.9A patent/CN116307285B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109428344A (zh) * | 2017-09-01 | 2019-03-05 | 国家电网公司 | 含风电场的多电源投资规划方法和装置 |
US20220149784A1 (en) * | 2019-02-15 | 2022-05-12 | Daeeun Co. Ltd. | Apparatus for diagnosing photovoltaic power generation through analysis of power generation trend |
CN112583003A (zh) * | 2019-09-29 | 2021-03-30 | 华北电力大学(保定) | 一种基于演化博弈理论的多能源电力系统电源规划方法 |
US20230072708A1 (en) * | 2021-09-08 | 2023-03-09 | Central South University | Asymmetric Laplace-based wind power forecasting method and system |
CN115936178A (zh) * | 2022-10-31 | 2023-04-07 | 国网上海市电力公司 | 基于时序加权的地区分布式光伏装机容量预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
BINGCHUN LIU等: "Forecasting of China’s solar PV industry installed capacity and analyzing of employment effect: based on GRA-BiLSTM model", 《ENVIRONMENTAL SCIENCE AND POLLUTION RESEARCH》, pages 4557 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307285B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4086835A1 (en) | Dynamic non-linear optimization of a battery energy storage system | |
CN112085156B (zh) | 一种分压线损率预测及降损潜力评估方法及系统 | |
CN103699947A (zh) | 一种基于元学习的电力系统时变非线性负荷组合预测方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
Zhu et al. | Multi-objective sizing optimization method of microgrid considering cost and carbon emissions | |
Cao et al. | Data Center sustainability: Revisits and outlooks | |
CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
WO2024082836A1 (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
CN116307285B (zh) | 新能源发展预测装置及方法 | |
CN112308411A (zh) | 基于动态碳交易模型的综合能源站随机规划方法及系统 | |
Eltohamy et al. | Technical investigation for power system flexibility | |
CN116385053A (zh) | 一种电力现货市场日前价格的预测方法、系统及介质 | |
Tena-García et al. | Implementing data reduction strategies for the optimal design of renewable energy systems | |
CN115630858A (zh) | 虚拟电厂调峰性能评价方法及装置、存储介质、电网设备 | |
KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
Amini et al. | Predictive energy management strategy for battery energy storage considering battery degradation cost | |
Islam et al. | A Model to Estimate the Lifetime of BESS for the Prosumer Community of Manufacturers with OGS | |
CN112785166A (zh) | 基于区块链的配电网分布式发电单元出力评价方法及装置 | |
Shiyun et al. | Data analysis and cloud computing of power grid infrastructure projects under the background of informatization | |
CN112668751A (zh) | 一种机组优化调度模型的建立方法及装置 | |
CN111369083A (zh) | 一种面向电网项目投资效益的评价方法与系统 | |
CN118115045A (zh) | 一种新能源项目后评价方法、系统、设备和可读存储介质 | |
Zhang et al. | Situation awareness and sensitivity analysis for absorption of grid-connected renewable energy power generation integrating robust optimization and radial basis function neural network |
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 |