CN117117991A - 基于碳捕集和储能的高比例风电并网方法及装置 - Google Patents
基于碳捕集和储能的高比例风电并网方法及装置 Download PDFInfo
- Publication number
- CN117117991A CN117117991A CN202311386822.3A CN202311386822A CN117117991A CN 117117991 A CN117117991 A CN 117117991A CN 202311386822 A CN202311386822 A CN 202311386822A CN 117117991 A CN117117991 A CN 117117991A
- Authority
- CN
- China
- Prior art keywords
- power
- fan
- wind
- unit
- grid
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 160
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 155
- 238000004146 energy storage Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 239000006185 dispersion Substances 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 85
- 230000002354 daily effect Effects 0.000 claims description 73
- 239000003245 coal Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 41
- 238000007599 discharging Methods 0.000 claims description 32
- 230000035772 mutation Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 15
- 230000003203 everyday effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009194 climbing Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000012804 iterative process Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 7
- 238000004134 energy conservation Methods 0.000 abstract description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- 238000006467 substitution reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005261 decarburization Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- H02J3/46—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- H02J3/40—Synchronising a generator for connection to a network or to another generator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明公开了一种基于碳捕集和储能的高比例风电并网方法及装置。以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。能够降低包括高比例风电和碳捕设备的系统的供电成本,减少弃风情况,保障系统功率的平衡与稳定,促进节能减排,采用改进后的遗传算法,能够更快找到最优调度数据。
Description
技术领域
本发明涉及碳减排技术领域,特别涉及一种基于碳捕集和储能的高比例风电并网方法及装置。
背景技术
风力发电技术对实现能源供给侧低碳化转型和构建绿色低碳社会具有重要的应用价值,但是风电出力的随机性和波动性以及电力系统本身输送能力的限制会对电力系统的安全稳定运行产生不利影响。在目前的技术中,大多数只考虑到系统的经济性和稳定性,而没有考虑到碳捕集设备和储能系统协同运行时电力系统的经济性和低碳性。
发明内容
为了解决上述问题,发明人做出本发明,通过具体实施方式,提供一种基于碳捕集和储能的高比例风电并网方法及装置。
第一方面,本发明实施例提供一种基于碳捕集和储能的高比例风电并网方法,包括以下步骤:
以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;所述电力系统单位供电成本包括碳捕集和储能成本;
采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整;
其中,确定并网风机总出力预测值,包括以下步骤:
根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;
根据全部并网风机日出力预测值,确定并网风机日总出力预测值;
根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
第二方面,本发明实施例提供一种基于碳捕集和储能的高比例风电并网装置,包括:
并网风机总出力预测模块,用于确定并网风机总出力预测值,包括:风力类型确定单元,用于根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;风力时区确定单元,用于根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;风机总出力预测单元,用于以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;根据全部并网风机日出力预测值,确定并网风机日总出力预测值;根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值;
调度模型构建模块,用于以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;所述电力系统单位供电成本包括碳捕集和储能成本;
调度数据确定模块,用于通过改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
第三方面,本发明实施例提供一种并网风机总出力预测方法,包括以下步骤:
根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;
根据全部并网风机日出力预测值,确定并网风机日总出力预测值;
根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
第四方面,本发明实施例提供一种并网风机总出力预测装置,包括:
风力类型确定模块,用于根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
风力时区确定模块,用于根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
出力预测模块,用于以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;根据全部并网风机日出力预测值,确定并网风机日总出力预测值;根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
基于同一发明构思,本发明实施例提供一种基于碳捕集和储能的高比例风电并网设备,包括:存储器、处理器及存储于存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述的基于碳捕集和储能的高比例风电并网方法。
基于同一发明构思,本发明实施例提供一种并网风机总出力预测设备,包括:存储器、处理器及存储于存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述的并网风机总出力预测方法。
基于同一发明构思,本发明实施例提供一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令执行时实现前述的基于碳捕集和储能的高比例风电并网方法,或实现前述的并网风机总出力预测方法。
本发明实施例提供的上述技术方案的有益效果至少包括:
能够降低包括高比例风电和碳捕设备的系统的供电成本,减少弃风情况,保障系统功率的平衡与稳定,促进节能减排,采用改进后的遗传算法,能够更快找到最优调度数据。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中含碳捕集设备的电力系统模型图;
图2为本发明实施例中碳捕集过程图;
图3为本发明实施例中改进GA算法流程图;
图4为本发明实施例中风电功率曲线图;
图5为本发明实施例中负荷功率曲线图;
图6为本发明实施例中300MW风机替代机组3后系统功率平衡变化曲线图;
图7为本发明实施例中600MW风机替代机组2后系统功率平衡变化曲线图;
图8为本发明实施例中风电装机容量1200MW替代机组2,3后系统功率平衡变化曲线图;
图9为本发明实施例中求解迭代曲线图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题,本发明实施例提供一种基于碳捕集和储能的高比例风电并网方法及装置。
本发明实施例提供一种基于碳捕集和储能的高比例风电并网方法,包括如下步骤:
步骤S1:以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型。所述电力系统单位供电成本包括碳捕集和储能成本。含碳捕集设备的电力系统模型结构如图1所示,由火电机组、风电机组、储能装置、碳捕集设备及其逆变器和控制器等组成,其中,火电机组、风电机组、碳捕集设备及其储能装置采用先进的电力电子装置作为接口接入电力系统,能够快速跟踪负荷、风能出力等的变化,实现“即插即用”,同时电力系统有能力根据电源的出力及时调整负荷的大小,在减少二氧化碳的同时可平稳保持电力系统的运行。
在一些具体的实施例中,确定并网风机总出力预测值,包括以下步骤:
根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;
根据全部并网风机日出力预测值,确定并网风机日总出力预测值;
根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
在一些具体的实施例中,根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型,包括以下步骤:
根据并网风机间距平均值,确定聚类半径;
将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;
根据间距缩小的风机间距平均值,更新聚类半径;
将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;
以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
在一些具体的实施例中,根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区,包括以下步骤:
收集每个风力类型风机至少一年的日出力历史数据;
将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
在一些具体的实施例中,以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型,包括以下步骤:
建立碳捕捉设备功率模型;采用燃烧后脱碳技术,对系统中火电机组的二氧化碳的处理,其碳捕集的过程如图2所示,燃烧后脱碳技术由于捕捉效率高,成本相对较低,经济性较好。所述碳捕捉设备功率模型为:
P为碳捕集设备的输入功率;为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
建立风电机组功率模型:
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率;
建立火电机组功率模型;火电机组功率模型为:
为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
建立蓄电池功率模型;采用蓄电池作为储能元件,储能控制器可以快速控制储能装置充放电来跟踪负荷的变化。蓄电池功率模型为:
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
设置以最小化电力系统单位供电成本为目标函数。目标函数为:
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,/>为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;/>为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
步骤S2:采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
遗传算法在求解后期易陷入局部最优、收敛变慢等问题,可以通过引入自适应调整函数,使交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。当群体有陷入局部最优解的趋势时,就相应的提高交叉概率和变异概率,当群体在解空间发散时就相应地降交叉概率和变异概率。当个体的适应度接近当代种群中的最大适应度时,认为该个体性能较好,则对其采用较低的交叉概率和变异概率,以尽可能保留其优良模式。当个体的适应度低于当代种群中的平均适应度时,认为该个体性能不佳,则对其采用较大的交叉概率和变异概率,以加快个体的更新速度。
采用改进的遗传算法进行求解该模型的流程图如图3所示,GEN表示迭代次数,GENmax表示最大迭代次数,在一些具体的实施例中,采用改进的遗传算法对所述调度模型求解,得到调度数据,包括以下步骤:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本较低的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>,当个体适应度与当代种群中最大适应度差值小于预设值时,采用较低的/>和/>,当个体适应度低于当代种群中平均适应度时,采用较大的/>和/>。
在一些具体的实施例中,系统中有3台火电机组,一台风电机组,以及一台碳捕集装置。电煤价格为700元/t,风电单位电量运维成本0.045元/kWh,单位弃风损失为0.3元/kWh,单位弃负荷损失为8元/kWh。火电机组相关参数如表1所示,储能基本参数如表2所示。选择某典型日系统的风电功率如图4所示,某典型日系统的负荷功率如图5所示。
为分析不同碳捕集价格、风电装机容量的增加、以及储能是否接入对电力系统运行的影响,设定7种不同方案进行比较。
方案1:火电机组全部参与系统运行,无风电及储能接入,碳捕集价格60元/t。
方案2:火电机组全部参与系统运行,无风电及储能接入,碳捕集价格80元/t。
方案3:火电机组全部参与系统运行,无风电及储能接入,碳捕集价格100元/t。
方案4:一台300MW的风电机组替代方案1中的3号火电机组,其余与方案1保持一致。
方案5:一台600MW的风电机组替代方案1中的2号火电机组,其余与方案1保持一致。
方案6:一台1200MW的风电机组替代方案1中的2号和3号火电机组,碳捕集价格分别取0、60、80、100元/t,其余与方案1保持一致。
方案7:一台1200MW的风电机组替代方案1中的2号和3号火电机组,且有储能接入,碳捕集价格分别取0、60、80、100元/t,其余与方案1保持一致。
通过方案1、2、3三种方案的对比,可以得到不同碳捕集价格的优化运行结果如表3所示。从表3可以看出,随着碳捕集价格的增加,方案2、3的单位供电成本相较于方案1分别增加了0.014元/kWh、0.029元/kWh,方案2、3的碳捕集成本相较于方案1分别增加了22.762万元、45.525万元,方案2、3的总发电成本相较于方案1分别增加了23万元、45.525万元,方案2、3的二氧化碳排放量相较于方案1分别减少了0.0833t、0.1333t。同时,火电运行成本并不随着碳捕集价格的增加而变化,为244.537万元。因此,随着碳捕集价格的增加,总发电成本虽然有所增加,但是在二氧化碳排放量上会有所减少,这对节能减排有积极的价值。
通过方案1、4、5的三种方案的对比,得到的不同风电机组装机容量的增加对电力系统优化运行结果如表4所示。从表4可以看出,方案4、5相较于方案1而言,在相同碳捕集价格下,随着风电机组装机容量的增加,火电运行成本分别减少了42.645万元、77.175万元,碳捕集成本分别减少了9.349万元、17.382万元,单位供电成本分别减少了0.028元/kWh、0.038元/kWh。具体分析可知,风能属于绿色可再生能源,在成本上相较于火电机组不需要承担额外的碳捕集成本、碳排放成本等费用,因此随着风电机组装机容量在电力系统中的占比增加时,系统的碳捕集成本及单位供电成本均有所下降。
由于高比例风电输出功率强随机波动性会对电力系统的稳定运行产生影响,本文将通过弃风损失以及失负荷损失来衡量系统的不稳定因素。方案4中300MW风电机组替代方案1中3号火电机组后的系统功率平衡变化曲线如图6所示。从图6可以看到,300MW的风电机组替代方案1中的3号火电机组后,功率平衡存在系统总功率负荷所需功率的情况,因此会导致出现弃风现象。此外,系统功率在2时到4时期间以及6时左右经历了两次陡增,破坏了原有的功率平衡,风功率过剩,面临保消纳的问题,对系统可靠供电造成挑战。方案5在方案4的基础上将风电机组的装机容量扩大一倍,那么600MW风电机组替代方案1中2号火电机组后的系统功率平衡变化曲线如图7所示。从图7中可以看到,功率平衡存在系统总功率/>负荷所需功率 的情况,因此会导致出现弃风现象。同时也存在系统总功率/>负荷所需功率的情况,此时会导致出现失负荷现象。另外,系统功率在2时到4时期间、6时到8时期间、系统功率陡增,风功率过剩,面临保消纳的问题。17时左右系统功率骤降,供应不足,系统面临着保供应的问题。二者都对系统可靠用电造成挑战。
综上分析可得:在碳捕集价格相同时,风电替代容量的递增会破坏系统的功率平衡,对系统的供电能力带来了不稳定性与波动性。但同时为保障可靠供电,系统单位供电成本会随着风电替代容量的递增而减少。
为分析储能对电力系统运行产生的影响,本文通过方案6与方案7的对比分析来比较。在方案6中,通过1200MW的风电机组替代方案1中的2号和3号火电机组后,系统的功率平衡曲线如图8所示。从图8可以看出,风电装机容量1200MW替代方案1中2号、3号火电机组时,系统功率在0到9时、22到24时期间出现功率陡增现象,而系统功率在11时到14时、15时到22时左右出现功率骤降现象,这些挑战对系统的供电可靠性产生不利影响。方案7在方案6的基础上,通过接入储能来平衡系统的功率波动,当碳捕集成本取0时,交叉概率取0.5,变异概率取0.05,最大迭代次数取5000时优化求解迭代过程如图9所示。由图9可知,碳捕集成本为0元/t时,储能容量和储能功率的最优解分别是57.389MWh、44.720MW,此时系统供电成本最优解为0.12295元/kWh。那么,该两种方案下系统的优化运行结果如表5所示。从表5中可以看出,不同单位碳捕集成本下,在储能最优解时,系统供电成本与同情况下储能未接入时系统供电成本所差无几。在经济性上,本方案具有一定的可行性。同时由于储能元件的自身的特性,本方案也具有显著的有效性。
本发明在实现供给侧能源低碳转型和构建绿色低碳社会的背景下,提出了高比例风电接入下的电力系统低碳优化调度模型,随着风电替代容量的递增,单位碳捕集成本相同时,单位供电成本均得到一定程度的下降。风电替代容量的递增会破坏系统的功率平衡,对系统的供电能力带来了不稳定性与波动性,为保障可靠供电,系统单位供电成本会随着风电替代容量的递增而减少。而通过配置储能装置,不仅可以解决弃风弃光问题,还可以保障系统功率的平衡与稳定。随着碳捕集价格的增加,系统的总发电成本会有所上升,但是二氧化碳的碳排放量均有所降低,因此,通过设置合理的碳捕集价格限制火电机组发电量的同时适当提高可再生能源发电比例,有利于实现节能减排以及绿色发展。
本实施例的上述方法中,能够降低包括高比例风电和碳捕设备的系统的供电成本,减少弃风情况,保障系统功率的平衡与稳定,促进节能减排,采用改进后的遗传算法,能够更快找到最优调度数据。
本领域技术人员能够对上述顺序进行变换而并不离开本公开的保护范围。
本发明另一实施例提供一种基于碳捕集和储能的高比例风电并网装置,包括:
并网风机总出力预测模块,用于确定并网风机总出力预测值;
调度模型构建模块,用于以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;
调度数据确定模块,用于通过改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
在一些具体的实施例中,所述并网风机总出力预测模块,包括:
风力类型确定单元,用于根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
风力时区确定单元,用于根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
风机总出力预测单元,用于以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;根据全部并网风机日出力预测值,确定并网风机日总出力预测值;根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
在一些具体的实施例中,所述风力类型确定单元,具体用于:根据并网风机间距平均值,确定聚类半径;将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;根据间距缩小的风机间距平均值,更新聚类半径;将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
在一些具体的实施例中,所述风力时区确定单元,具体用于:收集每个风力类型风机至少一年的日出力历史数据;将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
在一些具体的实施例中,所述调度模型构建模块,包括:碳捕捉设备功率模型构建单元、风电机组功率模型构建单元、火电机组功率模型构建单元、蓄电池功率模型构建单元、目标函数设置单元。
碳捕捉设备功率模型构建单元,用于:
构建如下碳捕捉设备功率模型:
P为碳捕集设备的输入功率;为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
风电机组功率模型构建单元,用于:
建立风电机组功率模型:
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率。
火电机组功率模型构建单元,用于:
建立火电机组功率模型:
为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
蓄电池功率模型构建单元,用于:
建立蓄电池功率模型:
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
目标函数设置单元,用于:
设置目标函数:
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,/>为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;/>为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
调度数据确定模块,具体用于:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本较低的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>,当个体适应度与当代种群中最大适应度差值小于预设值时,采用较低的/>和/>,当个体适应度低于当代种群中平均适应度时,采用较大的/>和/>。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本实施例中,能够降低包括高比例风电和碳捕设备的系统的供电成本,减少弃风情况,保障系统功率的平衡与稳定,促进节能减排,采用改进后的遗传算法,能够更快找到最优调度数据。
本发明另一实施例提供一种并网风机总出力预测方法,包括以下步骤:
根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型。本次聚类将同一地区的风机和其他地区的风机区别开,因为同一地区的风力情况基本相同,所以同一地区的风力可以归为一类,不同风力类型,代表了不同区域的风力情况。
根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区。同种风力情况下,不同风机的出力可能不同,由于风力随季节变化,所以按年为周期,对每日出力数据统计,可以找到每年中同一日的风机出力集中分布的数值区间,将每一日风机出力分布的数据求平均值,得到一年中该日风机出力的典型值,根据一年中每日风机出力典型值的分布,将一年中的自然日划分为不同的集合,每个集合对应一个风力时区。在同一风力时区的风机,具备基本相同的风机日出力规律。
以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;
根据全部并网风机日出力预测值,确定并网风机日总出力预测值;
根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
具体的,根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型,包括以下步骤:
根据并网风机间距平均值,确定聚类半径;
将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;
根据间距缩小的风机间距平均值,更新聚类半径;
将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;
以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
具体的,根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区,包括以下步骤:
收集每个风力类型风机至少一年的日出力历史数据;
将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
具体的,所述并网风机总出力预测方法,还包括以下步骤:
以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;
采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
具体的,以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型,包括以下步骤:
建立碳捕捉设备功率模型;
建立风电机组功率模型:
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率;
建立火电机组功率模型;
建立蓄电池功率模型;
设置以最小化电力系统单位供电成本为目标函数。
具体的,所述碳捕捉设备功率模型为:
P为碳捕集设备的输入功率;为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
具体的,所述火电机组功率模型为:
为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
具体的,所述蓄电池功率模型为:
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
具体的,所述目标函数为:
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,/>为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;/>为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
具体的,采用改进的遗传算法对所述调度模型求解,得到调度数据,包括以下步骤:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本较低的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>,当个体适应度与当代种群中最大适应度差值小于预设值时,采用较低的/>和/>,当个体适应度低于当代种群中平均适应度时,采用较大的/>和/>。
本实施例中,上述方法能够优化风机出力预测值,提高预测准确率,适用于各种地区的风机出力预测。
本发明另一实施例提供一种并网风机总出力预测装置,包括:
风力类型确定模块,用于根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
风力时区确定模块,用于根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
出力预测模块,用于以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;根据全部并网风机日出力预测值,确定并网风机日总出力预测值;根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
风力类型确定模块,具体用于:根据并网风机间距平均值,确定聚类半径;将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;根据间距缩小的风机间距平均值,更新聚类半径;将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
风力时区确定模块,具体用于:收集每个风力类型风机至少一年的日出力历史数据;将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
并网风机总出力预测装置,还包括:
电力系统优化调度模块,用于以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;
优化调度模型求解模块,用于采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
电力系统优化调度模块,具体用于:
建立碳捕捉设备功率模型;
建立风电机组功率模型:
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率;
建立火电机组功率模型;
建立蓄电池功率模型;
设置以最小化电力系统单位供电成本为目标函数。
碳捕捉设备功率模型为:
P为碳捕集设备的输入功率;为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
火电机组功率模型为:
为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
蓄电池功率模型为:
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
目标函数为:
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,/>为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;/>为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
优化调度模型求解模块,具体用于:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本较低的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>,当个体适应度与当代种群中最大适应度差值小于预设值时,采用较低的/>和/>,当个体适应度低于当代种群中平均适应度时,采用较大的/>和/>。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本实施例中,上述装置能够优化风机出力预测值,提高预测准确率,适用于各种地区的风机出力预测。
基于同一发明构思,本发明实施例提供一种基于碳捕集和储能的高比例风电并网设备,包括:存储器、处理器及存储于存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述的基于碳捕集和储能的高比例风电并网方法。
基于同一发明构思,本发明实施例提供一种并网风机总出力预测设备,包括:存储器、处理器及存储于存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述的并网风机总出力预测方法。
基于同一发明构思,本发明实施例提供一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令执行时实现前述的基于碳捕集和储能的高比例风电并网方法,或实现前述的并网风机总出力预测方法。
凡在本发明的原则范围内做的任何修改、补充和等同替换等,均应仍归属于本发明的专利涵盖范围内。
Claims (42)
1.一种基于碳捕集和储能的高比例风电并网方法,其特征在于,包括以下步骤:
以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;所述电力系统单位供电成本包括碳捕集和储能成本;
采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整;
其中,确定并网风机总出力预测值,包括以下步骤:
根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;
根据全部并网风机日出力预测值,确定并网风机日总出力预测值;
根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
2.如权利要求1所述的方法,其特征在于,根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型,包括以下步骤:
根据并网风机间距平均值,确定聚类半径;
将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;
根据间距缩小的风机间距平均值,更新聚类半径;
将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;
以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
3.如权利要求1所述的方法,其特征在于,根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区,包括以下步骤:
收集每个风力类型风机至少一年的日出力历史数据;
将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
4.如权利要求1所述的方法,其特征在于,以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型,包括以下步骤:
建立碳捕捉设备功率模型;
建立风电机组功率模型:
;
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率;
建立火电机组功率模型;
建立蓄电池功率模型;
设置以最小化电力系统单位供电成本为目标函数。
5.如权利要求4所述的方法,其特征在于,所述碳捕捉设备功率模型为:
;
P为碳捕集设备的输入功率;为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
6.如权利要求4所述的方法,其特征在于,所述火电机组功率模型为:
;
为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
7.如权利要求4所述的方法,其特征在于,所述蓄电池功率模型为:
;
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、/>分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
8.如权利要求1所述的方法,其特征在于,所述目标函数为:
;
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;/>为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;/>为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
9.如权利要求1所述的方法,其特征在于,采用改进的遗传算法对所述调度模型求解,得到调度数据,包括以下步骤:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本低于第一预设值的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>。
10.一种基于碳捕集和储能的高比例风电并网装置,其特征在于,包括:
并网风机总出力预测模块,用于确定并网风机总出力预测值,包括:风力类型确定单元,用于根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;风力时区确定单元,用于根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;风机总出力预测单元,用于以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;根据全部并网风机日出力预测值,确定并网风机日总出力预测值;根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值;
调度模型构建模块,用于以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;所述电力系统单位供电成本包括碳捕集和储能成本;
调度数据确定模块,用于通过改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
11.如权利要求10所述的装置,其特征在于,所述风力类型确定单元,具体用于:
根据并网风机间距平均值,确定聚类半径;将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;根据间距缩小的风机间距平均值,更新聚类半径;将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
12.如权利要求10所述的装置,其特征在于,所述风力时区确定单元,具体用于:
收集每个风力类型风机至少一年的日出力历史数据;将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
13.如权利要求10所述的装置,其特征在于,所述调度模型构建模块,包括:
碳捕捉设备功率模型构建单元、风电机组功率模型构建单元、火电机组功率模型构建单元、蓄电池功率模型构建单元、目标函数设置单元。
14.如权利要求13所述的装置,其特征在于,所述碳捕捉设备功率模型构建单元,用于:
构建如下碳捕捉设备功率模型:
;
P为碳捕集设备的输入功率;为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
15.如权利要求13所述的装置,其特征在于,所述风电机组功率模型构建单元,用于:
建立风电机组功率模型:
;
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率。
16.如权利要求13所述的装置,其特征在于,所述火电机组功率模型构建单元,用于:
建立火电机组功率模型:
;/>为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
17.如权利要求13所述的装置,其特征在于,所述蓄电池功率模型构建单元,用于:
建立蓄电池功率模型:
;
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、/>分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
18.如权利要求13所述的装置,其特征在于,所述目标函数设置单元,用于:
设置目标函数:
;
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;/>为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;/>为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
19.如权利要求10所述的装置,其特征在于,所述调度数据确定模块,具体用于:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本低于第一预设值的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>。
20.一种并网风机总出力预测方法,其特征在于,包括以下步骤:
根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;
根据全部并网风机日出力预测值,确定并网风机日总出力预测值;
根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
21.如权利要求20所述的方法,其特征在于,根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型,包括以下步骤:
根据并网风机间距平均值,确定聚类半径;
将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;
根据间距缩小的风机间距平均值,更新聚类半径;
将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;
以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
22.如权利要求20所述的方法,其特征在于,根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区,包括以下步骤:
收集每个风力类型风机至少一年的日出力历史数据;
将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
23.如权利要求20所述的方法,其特征在于,所述并网风机总出力预测方法,还包括以下步骤:
以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;
采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
24.如权利要求23所述的方法,其特征在于,以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型,包括以下步骤:
建立碳捕捉设备功率模型;
建立风电机组功率模型:
;
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率;
建立火电机组功率模型;
建立蓄电池功率模型;
设置以最小化电力系统单位供电成本为目标函数。
25.如权利要求24所述的方法,其特征在于,所述碳捕捉设备功率模型为:
;P为碳捕集设备的输入功率;/>为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
26.如权利要求24所述的方法,其特征在于,所述火电机组功率模型为:
;
为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
27.如权利要求24所述的方法,其特征在于,所述蓄电池功率模型为:
;
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、/>分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
28.如权利要求24所述的方法,其特征在于,所述目标函数为:
;
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;/>为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;/>为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
29.如权利要求23所述的方法,其特征在于,采用改进的遗传算法对所述调度模型求解,得到调度数据,包括以下步骤:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本低于第一预设值的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>。
30.一种并网风机总出力预测装置,其特征在于,包括:
风力类型确定模块,用于根据并网的每个风机和其他并网风机的距离,进行聚类,得到每个风机的风力类型;
风力时区确定模块,用于根据相同风力类型风机至少一年的日出力历史数据,将一年中的自然日分类,得到多个风力时区;
出力预测模块,用于以相同风力类型和风力时区风机的日出力预测值平均值,更新对应风机日出力预测值;根据全部并网风机日出力预测值,确定并网风机日总出力预测值;根据并网风机日总出力预测值和风机总出力每日时段分布,确定每日任意时段的并网风机总出力预测值。
31.如权利要求30所述的装置,其特征在于,风力类型确定模块,具体用于:
根据并网风机间距平均值,确定聚类半径;将间距不超过聚类半径的风机的间距缩小,将间距超过聚类半径的风机的间距增大;根据间距缩小的风机间距平均值,更新聚类半径;将间距不超过新聚类半径的风机的间距缩小,将间距超过新聚类半径的风机的间距增大;以此迭代,当更新后聚类半径和上次聚类半径的差值小于预设阈值时,将间距不超过此时聚类半径的风机聚为一类,得到每个风机的风力类型。
32.如权利要求30所述的装置,其特征在于,风力时区确定模块,具体用于:
收集每个风力类型风机至少一年的日出力历史数据;将相同风力类型的每日出力数据进行聚类,根据聚类边界将出力对应的一年中的自然日分类,得到多个风力时区。
33.如权利要求30所述的装置,其特征在于,并网风机总出力预测装置,还包括:
电力系统优化调度模块,用于以最小化电力系统单位供电成本为目标函数,建立受并网风机总出力预测值约束的电力系统优化调度模型;
优化调度模型求解模块,用于采用改进的遗传算法对所述调度模型求解,得到调度数据,所述遗传算法中交叉概率和变异概率随个体适应度大小和群体的分散程度自动调整。
34.如权利要求33所述的装置,其特征在于,电力系统优化调度模块,具体用于:
建立碳捕捉设备功率模型;
建立风电机组功率模型:
;
其中,表示为风机的输出功率;v表示风机的实际风速;/>表示风机的切入风速;/>为风机的额定功率;/>表示风机的额定风速;/>表示风机的切出风速;r为风机的半径;/>为空气密度;/>为风机的风能利用系数,/>为时段t内风电实际输出的功率;/>为时段t内并网风机总出力预测值;/>为时段t内的弃风功率;/>为时段t内火电机组i的输出功率,N为火电机组数量,/>、/>分别为蓄电池的充、放电功率,/>为时段t内系统负荷的功率;
建立火电机组功率模型;
建立蓄电池功率模型;
设置以最小化电力系统单位供电成本为目标函数。
35.如权利要求34所述的装置,其特征在于,碳捕捉设备功率模型为:
;P为碳捕集设备的输入功率;/>为碳捕集设备消耗的碳捕集能量;/>为碳捕集设备的发电功率;/>为维持碳捕集设备消耗的功率;/>为运行碳捕集设备消耗的功率。
36.如权利要求34所述的装置,其特征在于,火电机组功率模型为:
;
为时段t内火电机组i的煤耗量;/>是火电机组i的煤耗量的二次项系数;/>为时段t内火电机组i的输出功率;/>是火电机组i的煤耗量的一次项系数;/>是火电机组i的煤耗量的常数项系数,/>、/>分别为火电机组i的爬坡率上/下限;/>、/>分别为火电机组i的最小/大输出功率;/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行。
37.如权利要求34所述的装置,其特征在于,蓄电池功率模型为:
;
为蓄电池的荷电状态;/>、/>分别为蓄电池的充、放电功率;/>、/>分别为蓄电池的充、放电效率;/>、/>为蓄电池的充放电状态标记位,0时为停运,1为运行;/>、/>分别为蓄电池充电状态下的最小、最大充电功率,/>、/>分别为蓄电池放电状态下的最小、最大放电功率;/>为相邻时段时间差,/>、/>分别为蓄电池的最小、最大荷电状态,/>、/>分别为蓄电池日内第i小时充、放电状态标记位,0时为停运,1为运行;T为每日最大充放电频率,/>为时段t内蓄电池的容量;/>、/>分别为蓄电池的最小、最大容量。
38.如权利要求33所述的装置,其特征在于,目标函数为:
;
C为系统单位供电成本,为系统总供电成本;/>为系统总负荷量;/>为火电成本;/>为碳捕集成本;/>为风电成本;/>为储能成本;/>为弃风损失;/>为失负荷损失,N为火电机组数量;/>为电煤价格,/>为时段t内火电机组i的状态标记位,0时为停运,1时为运行,为时段t内火电机组i的煤耗量,d为碳捕集单位成本;/>为火电机组i的碳排量系数,/>为风电单位电量运维成本,/>为时段t内风电实际输出的功率,/>为储能的单位功率成本;/>为时段t内储能的功率;/>为蓄电池单位容量成本,/>为时段t内蓄电池的容量;为单位弃风损失,/>为时段t内并网风机总出力预测值,/>为单位失负荷损失;/>为时段t内火电机组i的输出功率,/>为时段t内的负荷功率。
39.如权利要求33所述的装置,其特征在于,优化调度模型求解模块,具体用于:
根据受并网风机总出力预测值约束的电力系统优化调度模型的输入参数,形成多个初始种群,并设定种群规模、最大迭代次数、交叉概率、变异概率;
根据,确定交叉概率;
根据,确定变异概率;
其中,为交叉概率;/>为变异概率;/>为随机取的固定常数值;/>是群体中的最大适应度值;/>是待交叉的两个个体中最大适应度值;/>群体中平均适应度值;k 1、k 2、k 3、k 4均为随机取的固定常数值;
根据目标函数,计算每个种群的系统单位供电成本及个体适应度;
选择系统单位供电成本低于第一预设值的多个种群进行复制、交叉、变异,得到下一代种群;
计算下一代每个种群的系统单位供电成本及个体适应度;
当达到最大迭代次数,输出系统单位供电成本最低的种群对应的调度数据,
其中,在迭代过程中,当种群有陷入局部最优解的趋势时,提高和/>,当种群在解空间发散时,降低/>和/>。
40.一种基于碳捕集和储能的高比例风电并网设备,其特征在于,包括:存储器、处理器及存储于存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至9任一所述的基于碳捕集和储能的高比例风电并网方法。
41.一种并网风机总出力预测设备,其特征在于,包括:存储器、处理器及存储于存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求20至29任一所述的并网风机总出力预测方法。
42.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令执行时实现权利要求1至9任一所述的基于碳捕集和储能的高比例风电并网方法,或实现权利要求20至29任一所述的并网风机总出力预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311386822.3A CN117117991B (zh) | 2023-10-25 | 2023-10-25 | 基于碳捕集和储能的高比例风电并网方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311386822.3A CN117117991B (zh) | 2023-10-25 | 2023-10-25 | 基于碳捕集和储能的高比例风电并网方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117117991A true CN117117991A (zh) | 2023-11-24 |
CN117117991B CN117117991B (zh) | 2024-02-13 |
Family
ID=88795243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311386822.3A Active CN117117991B (zh) | 2023-10-25 | 2023-10-25 | 基于碳捕集和储能的高比例风电并网方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117117991B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945509A (zh) * | 2012-10-18 | 2013-02-27 | 中能电力科技开发有限公司 | 风电场功率预测方法 |
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN114692521A (zh) * | 2022-03-10 | 2022-07-01 | 国网浙江省电力有限公司绍兴供电公司 | 一种风电场测风塔的优化布局方法 |
CN115940292A (zh) * | 2023-01-10 | 2023-04-07 | 湖北工业大学 | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 |
-
2023
- 2023-10-25 CN CN202311386822.3A patent/CN117117991B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945509A (zh) * | 2012-10-18 | 2013-02-27 | 中能电力科技开发有限公司 | 风电场功率预测方法 |
CN104299044A (zh) * | 2014-07-01 | 2015-01-21 | 沈阳工程学院 | 基于聚类分析的风功率短期预测系统及预测方法 |
CN114692521A (zh) * | 2022-03-10 | 2022-07-01 | 国网浙江省电力有限公司绍兴供电公司 | 一种风电场测风塔的优化布局方法 |
CN115940292A (zh) * | 2023-01-10 | 2023-04-07 | 湖北工业大学 | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 |
Non-Patent Citations (6)
Title |
---|
M. XU, J. WANG, J. ZHANG, J. WANG, H. LIU AND G. WANG: "Wind Farm Multi-Machine Aggregation Equivalent Method based on Probability Clustering", 2022 IEEE INTERNATIONAL CONFERENCE ON ADVANCES IN ELECTRICAL ENGINEERING AND COMPUTER APPLICATIONS (AEECA) * |
张世翔;邵慧壮;: "含风电的电力系统低碳经济调度", 工业安全与环保, no. 05 * |
张志一等: "考虑电-热等效虚拟储能的综合能源系统低碳经济调度", 电力建设 * |
张星: "基于风电机组输出时间序列数据分群的风电场动态等值", 电 网 技 术 * |
潘超等: "基于聚类机群关联拓扑的时空图记忆风速超短期预测", 电 网 技 术 * |
阎洁;刘永前;韩爽;王一妹;张晋华;朱戎;: "考虑流动相关性的风电场机组分组功率预测方法", 现代电力, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN117117991B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325608B (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 | |
CN109412158B (zh) | 一种考虑弃能成本约束的送端电网机组组合运行控制方法 | |
CN112270433B (zh) | 考虑可再生能源不确定性和用户满意度的微电网优化方法 | |
CN111737884B (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN112103941B (zh) | 考虑电网灵活性的储能配置双层优化方法 | |
CN110994606A (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
CN110889581A (zh) | 一种电动汽车参与的台区优化调度方法和系统 | |
CN111245024A (zh) | 基于模型预测控制的综合能源系统鲁棒优化运行方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN116436088A (zh) | 一种风光电-火电-储能-电解铜一体化系统多目标优化调度方法 | |
CN116505579A (zh) | 一种故障状态下微电网孤岛划分及主动支撑配电网供电恢复的方法 | |
CN115577929A (zh) | 基于多场景分析的乡村综合能源系统随机优化调度方法 | |
CN115081700A (zh) | 基于综合储能技术的数据中心多能协同优化方法及系统 | |
CN113078684B (zh) | 一种基于双层优化的区域能源社区规划方法 | |
CN112564160B (zh) | 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质 | |
CN112541612B (zh) | 一种基于多网耦合的虚拟电厂经济优化调度方法 | |
CN117117991B (zh) | 基于碳捕集和储能的高比例风电并网方法及装置 | |
CN112952915B (zh) | 一种综合能源系统中平抑电网峰谷的优化调度方法 | |
CN108022055A (zh) | 一种基于粒子群模型的微电网经济调度方法 | |
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 | |
Liu et al. | Capacity optimization of energy storage based on intelligent optimization algorithm and photovoltaic power prediction error data | |
Chen | Optimize configuration of multi-energy storage system in a standalone microgrid | |
Ji et al. | Scheduling strategy of regional integrated energy system based on improved sparrow search algorithm | |
Zhang et al. | Mutli-objective optimized operation of integrated energy system with solar and wind renewables | |
Ma et al. | Coordinated Generation and Transmission Expansion Planning with High Proportion of Renewable Energy |
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 |