CN117526446A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117526446A CN117526446A CN202311482446.8A CN202311482446A CN117526446A CN 117526446 A CN117526446 A CN 117526446A CN 202311482446 A CN202311482446 A CN 202311482446A CN 117526446 A CN117526446 A CN 117526446A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- water
- power generation
- cascade
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 97
- 230000000295 complement effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 138
- 230000006870 function Effects 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims description 35
- 230000005611 electricity Effects 0.000 claims description 32
- 238000011160 research Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000005477 standard model Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 40
- 238000011161 development Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了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,属于新能源发电技术领域。本发明解决了目前风光电站容量的配置存在不合理的问题,构建多能互补发电系统,建立多能互补发电系统出力模型;获取多能互补发电系统的约束条件;建立双层优化模型,以多能互补发电系统中风光容量规模最大和水风光总出力最大为目标函数,建立外层的容量优化配置模型;以多能互补发电系统在日内联合发电过程中出力与电网负荷追踪程度最高和经济性为目标函数,建立内层的运行优化配置模型;本发明的多能互补系统包含了水电、风电、光伏三种能源形式,充分考虑风光资源的天然互补特性和水电的调峰能力,实现风光新能源电站最佳容量的选取。
Description
技术领域
本发明属于新能源发电技术领域,具体涉及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。
背景技术
水、风、光等可再生能源的大规模开发利用是实现我国能源战略转型的重大举措。我国当前推行的节能减排能源发展战略指出,亟需继续大规模开发可再生能源,以达到2020年非化石能源占一次能源消费总量15%的既定目标。但是风、光可再生能源具有随机性、波动性等固有特性,随着接入规模的逐渐扩大,消纳不充分的问题也愈发显著。2016年我国弃风、弃光电量分别高达497、69亿千瓦时,部分省市的弃风、弃光率甚至超过30%。因此,国家对于新能源的消纳问题予以高度关注,鼓励多能互补集成优化工程,以多能互补为基础,实现多能源协同供应,提高可再生能源的消纳能力。此外,《关于开展全国主要流域可再生能源一体化规划研究工作有关事项的通知》进一步明确了流域水风光一体化系统开发建设的发展方向,按照资源禀赋优化水力富集型流域能源结构,建设风电、光伏、水电和抽蓄多类型电源,对原有水电进行扩机改容,并配套对应的网架设施,对梯级水电进行合理优化调度,亦能发挥出如抽蓄般储能作用,以此在源侧形成多能互济、打捆送出的天然优势,此为我国实施新型电力系统的重要手段之一。综上,在国家发展需求的驱动下,研究梯级水风光多能互补优化规划基础理论和关键技术,构建地区多能系统,以实现水、风、光等能源的充分消纳,对我国能源转型及促进能源结构调整具有重大战略意义。
目前,对多能互补发电系统容量优化配置的研究主要存在以下不足:(1)大多数水风光多能互补系统只研究了单一水电站配套风光电站的容量配置,对流域性梯级水电站配套风光电站这类系统缺乏深入研究,不能选取最优的风光容量;(2)对目标函数的设置,绝大多数研究对水风光多能互补发电系统规划都以弃风弃光最小为目标,对以大型清洁能源中心为依托的多能互补系统考虑到受端电网的负荷需求,其目标函数的选取还有待研究;(3)对风光容量的配置通常只考虑单一模型进行优化求解,影响多能互补系统优化结果的准确性,而对考虑容量配置和系统运行的双层规划模型的研究还不够深入。
发明内容
针对现有技术中目前梯级水风光多能互补发电系统的清洁能源消纳问题,即大型清洁系统与受端电网负荷匹配还缺少相应的技术,导致目前风光电站容量的配置存在不合理的技术问题,本发明提供了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。
本发明采用的技术方案如下:
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,包括以下步骤:
步骤A:分析确立梯级水风光多能互补发电系统的整体结构和功率平衡的工作模式,建立梯级水风光多能互补发电系统的出力模型;所述系统出力模型包括:风电出力模型、光伏出力模型和梯级水电出力模型;
步骤B:以梯级水风光多能互补发电系统中风光容量规模最大和水风光总出力最大为目标函数,以各电站的装机容量约束,建立外层的容量优化配置模型;
步骤C:以梯级水风光多能互补发电系统在日内联合发电过程中出力与电网负荷追踪程度最高和经济性为目标函数,以梯级水电站的运行为约束,建立内层的系统运行优化模型;
步骤D:基于步骤B建立的外层的容量优化配置模型和步骤C建立的内层的系统运行优化模型,将外层的容量优化配置模型通过粒子群算法进行迭代,内层的系统运行优化模型通过混合整数线性规划(mixed integer linear programming,MILP)求解,内外层联合对梯级水风光多能互补发电系统中风光电站的容量进行配置,实现风光新能源电站最佳容量的选取。
采用该技术方案后,本发明的多能互补系统包含了水电、风电、光伏三种能源形式,充分考虑风光资源的天然互补特性和水电的调峰能力,通过构建双层优化模型,对多能互补发电系统中风光电站的容量进行配置,实现风光新能源电站最佳容量的选取。
作为优选,所述梯级水电出力模型为:
式中:E为调度期内梯级水电站总发电量,单位为亿kWh;M为研究区域内梯级水电站的数量;T为调度周期内的总时段数;第m个梯级水电站在t时段的出力,单位为万kW;Δt为时段步长;km第m个梯级水电站的出力系数;/>第m个梯级水电站在t时段的发电引用流量,单位为m3/s;/>为第m个梯级水电站在t时段的发电水头,单位为m;
所述风电出力模型为:
式中:v(t)表示t时刻风机轮毂的风速;vwind(t)表示t时刻测风点的风速;h表示轮毂高度;hw表示测风点高度;Pwind(t)表示t时刻风电机组输出功率;Pwn表示风电机组额度功率;Vin表示切入风速;Vr表示额定风速;Vout表示切出风速;
所述光伏出力模型为:
式中:Ppv(t)为t时刻光伏电池组的出力功率;Lsolar(t)为t时刻光伏电池所处区域的太阳辐射强度,单位为kW/m2;m为光伏电池的降容系数;Ppvn为光伏电池处于标准测试条件下的标称功率;α为功率温度系数;TC(t)为t时刻光伏电池组工作的实际温度;Tstc为光伏电池组工作标准温度;Ttemp(t)为t时刻光伏电池所处环境温度;Noct为光伏电池组标称温度。
作为优选,步骤A中所述整体结构为:梯级水风光多能互补发电系统的可再生能源水电、风电和光伏分别根据自然条件发电,通过梯级水电站群灵活调节出力来平抑风光发电的随机性,系统总出力需满足本地负荷以及受端电网的部分负荷需求;所述功率平衡的工作模式为:在枯水期时,在满足本地负荷的情况下,按受端电网所需外送出功率,若不能满足则从市场中购电供给;在丰水期时,在满足本地负荷后按直流外送通道的最大容量送出功率给受端电网。
作为优选,步骤B中目标函数风光总规模最大表示为:
maxf1=Ppv+Pw
(6);
式中,f1为系统可接入的风电光伏的总规模;Ppv为系统接入光伏规模;Pw为系统接入风电规模;
目标函数水风光总出力最大表示为:
式中,f2为计算周期内累计的弃风光功率;T为调度周期;M为研究区域内梯级水电站的数量;为第t时段第m个梯级水电站的出力;/>为t时段风电总出力;/>为t时段光伏总出力;
风光电站的装机容量限制约束表示为:
式中,Pwmax、Ppvmax分别为该地区风电、光伏电站装机容量的上限。
作为优选,步骤C中目标函数系统出力与电网负荷追踪程度最高,即剩余负荷均方差最小,表示为:
式中,CG,t为t时刻对应的系统的剩余负荷;为第t时段电网负荷;Nt为t时刻对应的外送通道容量;Ntmax为t时刻对应的外送通道的最大容量;
目标函数系统售电收益最大表示为:
式中,W为系统的售电收益,单位为千元;T为调度期;为当地新建风电、光伏项目上网电价;/>为当地日调节水电站标杆上网电价,各电价均执行峰平谷分时电价;
梯级水电站的调峰运行工况约束表示为:
上下游水库水力约束:
Im,t=Qm-1,t-τ+Rm,t (13);
水量平衡约束:
Vm,t=Vm,t-1+3600(Im,t-Qm,t)Δt
(14);
水位约束:
初末水位约束:
水库出库流量约束:
机组发电水头约束:
Hm,t=(Zm,t-1+Zm,t)/2-Zdm,t (18);
水位—库容约束:
Vm,t=fm,zν(Zm,t) (19);
尾水位—泄量约束:
Zdm,t=fm,zu(Qm,t) (20);
机组动力特性约束:
Pm,t=fm,pqh(Qm,t,Hm,t) (21);
式中:Im,t为梯级水电站m在t时段的入库流量,单位为m3/s;τ为梯级水电站m-1和梯级水电站m之间的水流滞时间,单位为h;Qm-1,t-τ为梯级水电站m-1在(t-τ)时段的发电流量,单位为m3/s;Rm,t为梯级水电站m-1和梯级水电站m之间的区间流量,单位为m3/s;Vm,t为梯级水电站m所在的水库在t时刻末的库容,单位为m3;Δt为时段步长,单位为h;Z m、Zm,t、分别为梯级水电站m所在的水库在t时刻末的坝前水位及其上下限,单位为m;Zm,begin、Zm,end分别为梯级水电站m在调度期初的水位和调度期末的目标控制水位,单位为m;Q m、/>分别为梯级水电站m发电流量的上、下限;Hm,t为梯级水电站m的机组在t时段的发电水头,单位为m;Zdm,t为梯级水电站m在t时段的尾水位,单位为m;fm,zν(·)为梯级水电站m所在的水库的水位-库容关系函数;fm,zu(·)为梯级水电站m所在的水库的尾水位泄量关系函数;fm,pqh(·)为梯级水电站m的出力与发电流量、发电水头之间的二元关系函数。
作为优选,步骤D中外层的容量优化配置模型为多目标问题,且不同目标函数之间存在冲突,先通过惩罚函数将多目标函数转化为单目标函数:
max f=α1f1+α2f2 (22);
式中,α1、α2分别为风光容量和水风光总出力的惩罚因子,且α1>0,α2>0,应通过权衡各目标函数优先级和量级后设置合理的惩罚因子;
粒子群算法的基本流程为:
第一步,设置参数:种群个数N,可行解维数d,最大迭代次数iter,设置位置参数限制xlimit,设置速度限制vlimit,惯性权重w,学习因子c1、c2,初始化粒子的位置和速度;
第二步,计算适应度,对比得到粒子的初始最佳位置和最佳适应度;
第三步,根据式(23)、(24)更新粒子的速度和位置,若在迭代过程中粒子的位置和速度超出了限制范围,则把超出的位置和速度拉回边界值;
式中,是粒子i在第k次迭代中第d维的速度;w是惯性权重;c1、c2是学习因子,用于调整粒子飞行步长;/>是粒子i在第d维的个体极值点的位置;/>是整个群在第d维的全局极值点的位置;
第四步,用新的粒子计算适应度,更新粒子的最佳位置和最佳适应度;
第五步,判断是否达到迭代终止条件,未达到则重复第三步直到达到终止条件。
作为优选,步骤D中内层通过混合整数线性规划求解,优化目标为系统剩余负荷均方差最小和售电收益最高,优化变量为梯级水电站的运行参数以及梯级水电站、风光电站的出力,由于内层函数涉及多目标优化问题,故通过将目标函数F转化为约束条件的办法,对模型进行求解,将目标函数剩余负荷均方差转化为:
式中,CG,t为t时刻对应的系统的剩余负荷;ε为模型循环迭代求解时所设置的精度;
混合整数线性规划模型的构建及求解流程为:
库容是坝前水位的非线性函数,尾水位和出库流量之间的关系也是非线性的,调度周期为1天时,对于日调节以上的水库,其坝前水位和库容在1天内的波动很小,因此,对于这些水库,在水库初始水位附近的区间内进行线性逼近来表示:
Vm,t=fm,zν(Zm,t) (26);
而对于机组动力特性:
Pm,t=fm,pqh(Qm,t,Hm,t) (21)
公式(21)为梯级水电站m的出力与发电流量Q、发电水头H变量之间的二元关系函数,由于参与电网调峰的梯级水电站和机组,其调度期内水头变化较大,无法忽略水头变化的影响,则机组动力特性曲线线性化的详细过程如下:
(1)机组发电水头离散
以区间为基础,将其分割成3个的连续水头子区间,分别为/> 和/>其中/> 和/>分别对应着较低水头和较高水头,那么对于梯级水电站m的机组在任意时刻的发电水头必然满足以下约束:
式中:为水头离散区间指示变量,/>表示机组发电水头处于第k个水头子区间内;
(2)水头关联机组动力特性曲线
水头区间离散后,需要在每个水头区间内,选定一条机组动力特性曲线作为代表,此过程称之为水头关联机组动力特性曲线,当时,选定平均水头下的机组动力特性曲线为代表,并对该条曲线线性化,构建机组动力特性曲线和水头关联的数学表达如下:
式中:为第k个水头子区间内出力与发电流量的函数关系;
根据约束式(28)、(29)可知,有且只有一个假设/>此时同时约束式(30)和式(32)被松弛掉,只有约束式(32)为有效约束,使得可见,通过约束式(27)—(32)可有效实现机组动力特性的简化;
(3)求解流程
步骤1:设置计算条件,包括各水库初始水位和控制末水位、各水库区间流量、机组出力限制;
步骤2:对水电机组的机组动力特性曲线进行线性化;
步骤3:将线性化后的目标函数和风光出力约束、电量平衡约束、梯级水电运行约束进行整合,得到构建完成了标准的混合整数线性规划模型,然后进行求解,输出各时段水库水位、出库流量、梯级水电站机组出力、风光电站出力。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明的多能互补系统包含了水电、风电、光伏三种能源形式,充分考虑风光资源的天然互补特性和梯级水电的调峰能力,通过构建双层优化模型,对多能互补发电系统中风光电站的容量进行配置,实现风光新能源电站最佳容量的选取。
2.本发明以大型清洁能源中心为依托,构建梯级水电风光多能互补发电系统,汛期总功率往往需外送,考虑到受端电网的负荷需求,目标函数应选取剩余负荷均方差最小,尽可能让梯级电站的短期运行方案使得剩余负荷过程的峰值达到最小,尽量减少受端电网余留负荷峰谷差,并尽可能地使余留负荷过程均匀平坦,缓解电网系统调峰压力。
3.对风光容量的配置建立了内外双层模型求解,外层考虑容量配置,通过粒子群算法进行求解;内层考虑系统运行和经济性,构建梯级水电站群协同风光电站的运行出力模型,将外层初始的容量配置粒子输入内层通过混合整数线性规划求解,又返回到外层进行迭代,最终得到最优的风光容量配置。
附图说明
图1为本发明的流程示意图。
图2为本发明的发电系统、本地负荷、电网之间的关系图。
图3为本发明的梯级水电站群的运行模型图。
图4为本发明的多能互补发电系统双层优化模型图。
图5为本发明的双层优化模型求解流程图。
图6为本发明的七座流域性梯级水电站的纵剖面图。
图7为本发明的水风光出力曲线图。
图8为本发明的系统水风光总出力曲线和受端负荷需求曲线图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。
如图1所示,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,包括以下步骤:
步骤A:分析确立梯级水风光多能互补发电系统的整体结构和功率平衡的工作模式,建立梯级水风光多能互补发电系统的出力模型;所述系统出力模型包括:风电出力模型、光伏出力模型和梯级水电出力模型;
所述梯级水电出力模型为:
式中:E为调度期内梯级水电站总发电量,单位为亿kWh;M为研究区域内梯级水电站的数量;T为调度周期内的总时段数,这里取24h;第m个梯级水电站在t时段的出力,单位为万kW;Δt为时段步长,这里的时段取为月;km第m个梯级水电站的出力系数;/>第m个梯级水电站在t时段的发电引用流量,单位为m3/s;/>为第m个梯级水电站在t时段的发电水头,单位为m;
所述风电出力模型为:
式中:v(t)表示t时刻风机轮毂的风速;vwind(t)表示t时刻测风点的风速;h表示轮毂高度;hw表示测风点高度;Pwind(t)表示t时刻风电机组输出功率;Pwn表示风电机组额度功率;Vin表示切入风速;Vr表示额定风速;Vout表示切出风速;
所述光伏出力模型为:
式中:Ppv(t)为t时刻光伏电池组的出力功率;Lsolar(t)为t时刻光伏电池所处区域的太阳辐射强度,单位为kW/m2;m为光伏电池的降容系数;Ppvn为光伏电池处于标准测试条件下的标称功率;α为功率温度系数,取值-0.0045/℃;TC(t)为t时刻光伏电池组工作的实际温度;Tstc为光伏电池组工作标准温度,25℃;Ttemp(t)为t时刻光伏电池所处环境温度;Noct为光伏电池组标称温度:46.5℃;
发电系统、本地负荷以及外部电网三者之间的关系如图2所示,枯水期,在满足本地负荷用电需求的前提下,按受端电网的负荷需求通过直流外送通道供电;若系统发电量不能满足本地负荷用电需求,由发电系统从日前现货市场中购电供给。丰水期,发电系统往往能满足本地负荷用电需求,以直流外送通道的最大限度外送功率给受端电网。
步骤B:以梯级水风光多能互补发电系统中风光容量规模最大和水风光总出力最大为目标函数,以各电站的装机容量约束,建立外层的容量优化配置模型;
步骤B中目标函数风光总规模最大表示为:
maxf1=Ppv+Pw
(6);
式中,f1为系统可接入的风电光伏的总规模;Ppv为系统接入光伏规模;Pw为系统接入风电规模;
目标函数水风光总出力最大表示为:
式中,f2为计算周期内累计的弃风光功率;T为调度周期;M为研究区域内梯级水电站的数量;为第t时段第m个梯级水电站的出力;/>为t时段风电总出力;/>为t时段光伏总出力;
风光电站的装机容量限制约束表示为:
式中,Pwmax、Ppvmax分别为该地区风电、光伏电站装机容量的上限;
步骤C:以梯级水风光多能互补发电系统在日内联合发电过程中出力与电网负荷追踪程度最高和经济性为目标函数,以梯级水电站的运行为约束,建立内层的系统运行优化模型;
步骤C中目标函数系统出力与电网负荷追踪程度最高,即剩余负荷均方差最小,表示为:
式中,CG,t为t时刻对应的系统的剩余负荷;为第t时段电网负荷;Nt为t时刻对应的外送通道容量;Ntmax为t时刻对应的外送通道的最大容量;
目标函数系统售电收益最大表示为:
式中,W为系统的售电收益,单位为千元;T为调度期,本实施例取24h;为四川省新建风电、光伏项目上网电价,按燃煤发电基准价执行;/>为四川省日调节水电站标杆上网电价,各电价均执行峰平谷分时电价;
参见图3,梯级水电站的调峰运行工况约束表示为:
上下游水库水力约束:
Im,t=Qm-1,t-τ+Rm,t (13);
水量平衡约束:
Vm,t=Vm,t-1+3600(Im,t-Qm,t)Δt
(14);
水位约束:
初末水位约束:
水库出库流量约束:
机组发电水头约束:
Hm,t=(Zm,t-1+Zm,t)/2-Zdm,t (18);
水位—库容约束:
Vm,t=fm,zν(Zm,t) (19);
尾水位—泄量约束:
Zdm,t=fm,zu(Qm,t) (20);
机组动力特性约束:
Pm,t=fm,pqh(Qm,t,Hm,t) (21);
式中:Im,t为梯级水电站m在t时段的入库流量,单位为m3/s;τ为梯级水电站m-1和梯级水电站m之间的水流滞时间,单位为h;Qm-1,t-τ为梯级水电站m-1在(t-τ)时段的发电流量,单位为m3/s;Rm,t为梯级水电站m-1和梯级水电站m之间的区间流量,单位为m3/s;Vm,t为梯级水电站m所在的水库在t时刻末的库容,单位为m3;Δt为时段步长,单位为h;Z m、Zm,t、分别为梯级水电站m所在的水库在t时刻末的坝前水位及其上下限,单位为m;Zm,begin、Zm,end分别为梯级水电站m在调度期初的水位和调度期末的目标控制水位,单位为m;Q m、/>分别为梯级水电站m发电流量的上、下限;Hm,t为梯级水电站m的机组在t时段的发电水头,单位为m;Zdm,t为梯级水电站m在t时段的尾水位,单位为m;fm,zν(·)为梯级水电站m所在的水库的水位-库容关系函数;fm,zu(·)为梯级水电站m所在的水库的尾水位泄量关系函数;fm,pqh(·)为梯级水电站m的出力与发电流量、发电水头之间的二元关系函数;
步骤D:参见图4所示,建立双层优化模型,外层是所述的梯级水风光多能互补发电系统的容量优化配置模型。以系统中风光容量最大和水风光总出力最大为目标函数,以风光电站的装机容量限制为约束条件。通过引入惩罚因子令f=α1f1+α2f2,将多目标转换成单目标,进行粒子群单目标优化,优化变量为风电系统装机容量、光伏系统装机容量。内层是所述的系统运行优化模型,以系统剩余负荷均方差最小和售电收益最高为目标,以梯级水电站的调峰运行工况为约束。将剩余负荷均方差最小转换成约束后通过混合整数线性规划求解,优化变量为梯级水电站的运行参数以及梯级水电站、风光电站的出力。外层优化模型生成初始的风光容量配置方案输入给内层模型,内层模型通过混合整数线性规划进行求解,得到各电站最优的出力情况,并将其返回给外层,计算外层适应度值,迭代最终得到多能互补发电系统中风光容量的最优配置方案,求解流程如图5所示。
步骤D中外层的容量优化配置模型为多目标问题,且不同目标函数之间存在冲突,先通过惩罚函数将多目标函数转化为单目标函数:
max f=α1f1+α2f2 (22);
式中,α1、α2分别为风光容量和水风光总出力的惩罚因子,且α1>0,α2>0,应通过权衡各目标函数优先级和量级后设置合理的惩罚因子;
粒子群算法的基本流程为:
第一步,设置参数:种群个数N,可行解维数d,最大迭代次数iter,设置位置参数限制xlimit,设置速度限制vlimit,惯性权重w,学习因子c1、c2,初始化粒子的位置和速度;
第二步,计算适应度,对比得到粒子的初始最佳位置和最佳适应度;
第三步,根据式(23)、(24)更新粒子的速度和位置,若在迭代过程中粒子的位置和速度超出了限制范围,则把超出的位置和速度拉回边界值;
式中,是粒子i在第k次迭代中第d维的速度;w是惯性权重;c1、c2是学习因子,用于调整粒子飞行步长;/>是粒子i在第d维的个体极值点的位置;/>是整个群在第d维的全局极值点的位置;
第四步,用新的粒子计算适应度,更新粒子的最佳位置和最佳适应度;
第五步,判断是否达到迭代终止条件,未达到则重复第三步直到达到终止条件步骤。
步骤D中内层通过混合整数线性规划求解,优化目标为系统剩余负荷均方差最小和售电收益最高,优化变量为梯级水电站的运行参数以及梯级水电站、风光电站的出力,由于内层函数涉及多目标优化问题,故通过将目标函数F转化为约束条件的办法,对模型进行求解,将目标函数剩余负荷均方差转化为:
式中,CG,t为t时刻对应的系统的剩余负荷;ε为模型循环迭代求解时所设置的精度;
混合整数线性规划模型(MILP模型)的构建及求解流程为:
此处主要对水电站出力的非线性关系进行说明处理。通常来讲,库容是坝前水位的非线性函数,尾水位和出库流量之间的关系也是非线性的,调度周期为1天时,对于日调节以上的水库,其坝前水位和库容在1天内的波动很小,因此,对于这些水库,在水库初始水位附近的区间内进行线性逼近来表示:
Vm,t=fm,zν(Zm,t)
(26);
而对于机组动力特性:
Pm,t=fm,pqh(Qm,t,Hm,t)
(21)
公式(21)为梯级水电站m的出力与发电流量Q、发电水头H变量之间的二元关系函数,由于参与电网调峰的梯级水电站和机组,其调度期内水头变化较大,无法忽略水头变化的影响,则机组动力特性曲线线性化的详细过程如下:
(1)机组发电水头离散
以区间为基础,将其分割成3个的连续水头子区间,分别为/> 和/>其中/> 和/>分别对应着较低水头和较高水头,那么对于梯级水电站m的机组在任意时刻的发电水头必然满足以下约束:/>
式中:为水头离散区间指示变量,/>表示机组发电水头处于第k个水头子区间内;
(2)水头关联机组动力特性曲线
水头区间离散后,需要在每个水头区间内,选定一条机组动力特性曲线作为代表,此过程称之为水头关联机组动力特性曲线,在本实施例中,当时,选定平均水头下的机组动力特性曲线为代表,并对该条曲线线性化,构建机组动力特性曲线和水头关联的数学表达如下:
式中:为第k个水头子区间内出力与发电流量的函数关系;
根据约束式(28)、(29)可知,有且只有一个假设/>此时同时约束式(30)和式(32)被松弛掉,只有约束式(32)为有效约束,使得可见,通过约束式(27)—(32)可有效实现机组动力特性的简化;
(3)求解流程
步骤1:设置计算条件,包括各水库初始水位和控制末水位、各水库区间流量、机组出力限制;
步骤2:对水电机组的机组动力特性曲线进行线性化;
步骤3:将上述线性化后的目标函数和风光出力约束、电量平衡约束、梯级水电运行约束等进行整合,就构建完成了标准的MILP模型,然后使用商业优化软件包CPLEX进行求解,输出各时段水库水位、出库流量、梯级水电站机组出力、风光电站出力等。
基于上述考虑梯级水风光多能互补发电系统中风光容量配置双层模型优化方法,以雅砻江流域中下游七个流域性梯级水电站做一个配套风光电站规模的规划方案,并以攀枝花枯水、丰水期两个典型场景的自然条件数据为例,做详细说明。以下实例仅用于更加清楚地说明本发明的技术方案,而非限制本发明的范围。
由于实际地理环境及自然条件约束、政策法律限制,多能互补发电系统不可能接入至配电网任意位置,本次实例仿真考虑以两河口—杨房沟—锦西—锦东—官地—二滩—桐子林七个流域性梯级水电站为例,其纵剖面图如图6所示。
按照上述介绍的双层优化模型对梯级水风光多能互补发电系统的风光容量进行优化配置,得到最优规划结果及各项目标值如表1和表2所示。
表1风光最优装机容量
类型 | 装机容量 |
风电 | 6014(MW) |
光伏 | 5675(MW) |
表2各项目标值
目标 | 数值(单位) |
风光总规模 | 11689(MW) |
水风光总出力 | 20170(MW) |
剩余负荷均方差 | 0.0007 |
售电收益 | 69711(元) |
基于此规划方案,得到枯水、丰水期两个典型场景下多能互补发电系统可再生能源出力情况如图7所示,可知,光伏系统由于受光照强度的影响,只在每日的白天时间段才有出力,在夜晚的输出功率为0;风电在一天内都具有一定的出力;水电输出功率的峰值段在风电出力曲线的谷值段。由此可知,风光水三种可再生能源在时间上具有天然的互补特性。
得到系统总出力与成都负荷功率曲线如图8所示,可知,在典型场景下,系统总的功率曲线与负荷功率曲线具有较好的一致性,能较好的追踪受端电网的负荷变化,在且由表2可知,剩余负荷均方差仅有0.07%,即在该容量配置方案,梯级水风光多能互补发电系统能尽量减少受端电网余留负荷峰谷差,并尽可能地使余留负荷过程均匀平坦,缓解电网系统调峰压力。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (7)
1.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,其特征在于:包括以下步骤:
步骤A:分析确立梯级水风光多能互补发电系统的整体结构和功率平衡的工作模式,建立梯级水风光多能互补发电系统的出力模型;所述系统出力模型包括:风电出力模型、光伏出力模型和梯级水电出力模型;
步骤B:以梯级水风光多能互补发电系统中风光容量规模最大和水风光总出力最大为目标函数,以各电站的装机容量约束,建立外层的容量优化配置模型;
步骤C:以梯级水风光多能互补发电系统在日内联合发电过程中出力与电网负荷追踪程度最高和经济性为目标函数,以梯级水电站的运行为约束,建立内层的系统运行优化模型;
步骤D:基于步骤B建立的外层的容量优化配置模型和步骤C建立的内层的系统运行优化模型,将外层的容量优化配置模型通过粒子群算法进行迭代,内层的系统运行优化模型通过混合整数线性规划求解,内外层联合对梯级水风光多能互补发电系统中风光电站的容量进行配置,实现风光新能源电站最佳容量的选取。
2.根据权利要求1所述的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,其特征在于:步骤A中所述梯级水电出力模型为:
式中:E为调度期内梯级水电站总发电量,单位为亿kWh;M为研究区域内梯级水电站的数量;T为调度周期内的总时段数;第m个梯级水电站在t时段的出力,单位为万kW;Δt为时段步长;km第m个梯级水电站的出力系数;/>第m个梯级水电站在t时段的发电引用流量,单位为m3/s;/>为第m个梯级水电站在t时段的发电水头,单位为m;
所述风电出力模型为:
式中:v(t)表示t时刻风机轮毂的风速;vwind(t)表示t时刻测风点的风速;h表示轮毂高度;hw表示测风点高度;Pwind(t)表示t时刻风电机组输出功率;Pwn表示风电机组额度功率;Vin表示切入风速;Vr表示额定风速;Vout表示切出风速;
所述光伏出力模型为:
式中:Ppv(t)为t时刻光伏电池组的出力功率;Lsolar(t)为t时刻光伏电池所处区域的太阳辐射强度,单位为kW/m2;m为光伏电池的降容系数;Ppvn为光伏电池处于标准测试条件下的标称功率;α为功率温度系数;TC(t)为t时刻光伏电池组工作的实际温度;Tstc为光伏电池组工作标准温度;Ttemp(t)为t时刻光伏电池所处环境温度;Noct为光伏电池组标称温度。
3.根据权利要求1所述的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,其特征在于:步骤A中所述整体结构为:梯级水风光多能互补发电系统的可再生能源水电、风电和光伏分别根据自然条件发电,通过梯级水电站群灵活调节出力来平抑风光发电的随机性,系统总出力需满足本地负荷以及受端电网的部分负荷需求;所述功率平衡的工作模式为:在枯水期时,在满足本地负荷的情况下,按受端电网所需外送出功率,若不能满足则从市场中购电供给;在丰水期时,在满足本地负荷后按直流外送通道的最大容量送出功率给受端电网。
4.根据权利要求1所述的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,其特征在于:步骤B中目标函数风光总规模最大表示为:
max f1=Ppv+Pw (6);
式中,f1为系统可接入的风电光伏的总规模;Ppv为系统接入光伏规模;Pw为系统接入风电规模;
目标函数水风光总出力最大表示为:
式中,f2为计算周期内累计的弃风光功率;T为调度周期;M为研究区域内梯级水电站的数量;为第t时段第m个梯级水电站的出力;Nt W为t时段风电总出力;/>为t时段光伏总出力;
风光电站的装机容量限制约束表示为:
式中,Pwmax、Ppvmax分别为该地区风电、光伏电站装机容量的上限。
5.根据权利要求1所述的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,其特征在于:步骤C中目标函数系统出力与电网负荷追踪程度最高,即剩余负荷均方差最小,表示为:
CG,t=Nt G-Nt (10);
式中,CG,t为t时刻对应的系统的剩余负荷;为第t时段电网负荷;Nt为t时刻对应的外送通道容量;Ntmax为t时刻对应的外送通道的最大容量;
目标函数系统售电收益最大表示为:
式中,W为系统的售电收益,单位为千元;T为调度期;为当地新建风电、光伏项目上网电价;/>为当地日调节水电站标杆上网电价,各电价均执行峰平谷分时电价;
梯级水电站的调峰运行工况约束表示为:
上下游水库水力约束:
Im,t=Qm-1,t-τ+Rm,t (13);
水量平衡约束:
Vm,t=Vm,t-1+3600(Im,t-Qm,t)Δt (14);
水位约束:
初末水位约束:
水库出库流量约束:
机组发电水头约束:
Hm,t=(Zm,t-1+Zm,t)/2-Zdm,t (18);
水位—库容约束:
Vm,t=fm,zν(Zm,t) (19);
尾水位—泄量约束:
Zdm,t=fm,zu(Qm,t) (20);
机组动力特性约束:
Pm,t=fm,pqh(Qm,t,Hm,t) (21);
式中:Im,t为梯级水电站m在t时段的入库流量,单位为m3/s;τ为梯级水电站m-1和梯级水电站m之间的水流滞时间,单位为h;Qm-1,t-τ为梯级水电站m-1在(t-τ)时段的发电流量,单位为m3/s;Rm,t为梯级水电站m-1和梯级水电站m之间的区间流量,单位为m3/s;Vm,t为梯级水电站m所在的水库在t时刻末的库容,单位为m3;Δt为时段步长,单位为h;Z m、Zm,t、分别为梯级水电站m所在的水库在t时刻末的坝前水位及其上下限,单位为m;Zm,begin、Zm,end分别为梯级水电站m在调度期初的水位和调度期末的目标控制水位,单位为m;Q m、/>分别为梯级水电站m发电流量的上、下限;Hm,t为梯级水电站m的机组在t时段的发电水头,单位为m;Zdm,t为梯级水电站m在t时段的尾水位,单位为m;fm,zν(·)为梯级水电站m所在的水库的水位-库容关系函数;fm,zu(·)为梯级水电站m所在的水库的尾水位泄量关系函数;fm,pqh(·)为梯级水电站m的出力与发电流量、发电水头之间的二元关系函数。
6.根据权利要求1所述的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,其特征在于:步骤D中外层的容量优化配置模型为多目标问题,且不同目标函数之间存在冲突,先通过惩罚函数将多目标函数转化为单目标函数:
max f=α1f1+α2f2 (22);
式中,α1、α2分别为风光容量和水风光总出力的惩罚因子,且α1>0,α2>0,应通过权衡各目标函数优先级和量级后设置合理的惩罚因子;
粒子群算法的基本流程为:
第一步,设置参数:种群个数N,可行解维数d,最大迭代次数iter,设置位置参数限制xlimit,设置速度限制vlimit,惯性权重w,学习因子c1、c2,初始化粒子的位置和速度;
第二步,计算适应度,对比得到粒子的初始最佳位置和最佳适应度;
第三步,根据式(23)、(24)更新粒子的速度和位置,若在迭代过程中粒子的位置和速度超出了限制范围,则把超出的位置和速度拉回边界值;
式中,是粒子i在第k次迭代中第d维的速度;w是惯性权重;c1、c2是学习因子,用于调整粒子飞行步长;/>是粒子i在第d维的个体极值点的位置;/>是整个群在第d维的全局极值点的位置;
第四步,用新的粒子计算适应度,更新粒子的最佳位置和最佳适应度;
第五步,判断是否达到迭代终止条件,未达到则重复第三步直到达到终止条件。
7.根据权利要求1所述的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,其特征在于:步骤D中内层通过混合整数线性规划求解,优化目标为系统剩余负荷均方差最小和售电收益最高,优化变量为梯级水电站的运行参数以及梯级水电站、风光电站的出力,由于内层函数涉及多目标优化问题,故通过将目标函数F转化为约束条件的办法,对模型进行求解,将目标函数剩余负荷均方差转化为:
式中,CG,t为t时刻对应的系统的剩余负荷;ε为模型循环迭代求解时所设置的精度;
混合整数线性规划模型的构建及求解流程为:
库容是坝前水位的非线性函数,尾水位和出库流量之间的关系也是非线性的,调度周期为1天时,对于日调节以上的水库,其坝前水位和库容在1天内的波动很小,因此,对于这些水库,在水库初始水位附近的区间内进行线性逼近来表示:
Vm,t=fm,zν(Zm,t) (26);
而对于机组动力特性:
Pm,t=fm,pqh(Qm,t,Hm,t)
(21)公式(21)为梯级水电站m的出力与发电流量Q、发电水头H变量之间的二元关系函数,由于参与电网调峰的梯级水电站和机组,其调度期内水头变化较大,无法忽略水头变化的影响,则机组动力特性曲线线性化的详细过程如下:
(1)机组发电水头离散
以区间为基础,将其分割成3个的连续水头子区间,分别为/> 和/>其中/>和/>分别对应着较低水头和较高水头,那么对于梯级水电站m的机组在任意时刻的发电水头必然满足以下约束:
式中:为水头离散区间指示变量,/>表示机组发电水头处于第k个水头子区间内;
(2)水头关联机组动力特性曲线
水头区间离散后,需要在每个水头区间内,选定一条机组动力特性曲线作为代表,此过程称之为水头关联机组动力特性曲线,当时,选定平均水头下的机组动力特性曲线为代表,并对该条曲线线性化,构建机组动力特性曲线和水头关联的数学表达如下:
式中:为第k个水头子区间内出力与发电流量的函数关系;
根据约束式(28)、(29)可知,有且只有一个假设/>此时/>同时约束式(30)和式(32)被松弛掉,只有约束式(32)为有效约束,使得/>可见,通过约束式(27)—(32)可有效实现机组动力特性的简化;
(3)求解流程
步骤1:设置计算条件,包括各水库初始水位和控制末水位、各水库区间流量、机组出力限制;
步骤2:对水电机组的机组动力特性曲线进行线性化;
步骤3:将线性化后的目标函数和风光出力约束、电量平衡约束、梯级水电运行约束进行整合,得到构建完成了标准的混合整数线性规划模型,然后进行求解,输出各时段水库水位、出库流量、梯级水电站机组出力、风光电站出力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482446.8A CN117526446A (zh) | 2023-11-07 | 2023-11-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482446.8A CN117526446A (zh) | 2023-11-07 | 2023-11-07 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117526446A true CN117526446A (zh) | 2024-02-06 |
Family
ID=89741199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482446.8A Pending CN117526446A (zh) | 2023-11-07 | 2023-11-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117526446A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117791744A (zh) * | 2024-02-28 | 2024-03-29 | 中国电建集团西北勘测设计研究院有限公司 | 基于水电储能工厂的多能互补发电系统电源容量配置方法 |
-
2023
- 2023-11-07 CN CN202311482446.8A patent/CN117526446A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117791744A (zh) * | 2024-02-28 | 2024-03-29 | 中国电建集团西北勘测设计研究院有限公司 | 基于水电储能工厂的多能互补发电系统电源容量配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109347151B (zh) | 一种新能源参与调峰的送端电网电源结构优化方法 | |
CN106981888B (zh) | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 | |
CN110365013B (zh) | 一种光热-光伏-风电联合发电系统的容量优化方法 | |
CN108599206B (zh) | 高比例不确定电源场景下的配电网混合储能配置方法 | |
CN112039056A (zh) | 一种新能源两阶段优化调度方法 | |
CN109390973B (zh) | 一种考虑通道约束的送端电网电源结构优化方法 | |
CN107732949B (zh) | 一种综合风电全年多季节特性的储能布点定容方法 | |
CN106655280A (zh) | 一种基于电量控制的梯级水电短期调峰模型及求解方法 | |
CN110994606B (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 | |
An et al. | Coordinative optimization of hydro-photovoltaic-wind-battery complementary power stations | |
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 | |
Gholami et al. | Optimum storage sizing in a hybrid wind-battery energy system considering power fluctuation characteristics | |
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 | |
Fang et al. | Risk-constrained optimal scheduling with combining heat and power for concentrating solar power plants | |
CN115841396A (zh) | 一种流域梯级水风光互补容量配载优化及经济性评估方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
CN109978331B (zh) | 一种高比例水电现货市场下日电量分解方法 | |
CN114977299A (zh) | 一种风光水火储多能互补发电系统选址定容的优化方法 | |
CN114707403A (zh) | 基于抽水蓄能调节的地区配电网多能源协调优化调度方法 | |
CN114139953A (zh) | 一种混合式抽水蓄能电站的库容分配方法及系统 | |
CN110119850B (zh) | 基于光热发电调节的储热量双阶段优化调度方法 | |
CN109873419B (zh) | 一种考虑相似度和经济收益的水光蓄系统运行优化方法 | |
CN117081144A (zh) | 一种梯级水电对新能源连续多日极端波动的补偿调节方法 |
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 |