一种风光水关联耦合特性优化系统及方法

技术领域

本发明涉及分布式电源技术领域，具体而言，涉及一种风光水关联耦合特性优化系统及方法。

背景技术

目前，应用最广的分布式电源主要包括：风电、光电和水电。其中，光伏发电和风力发电是目前世界上最具发展潜力的两种新型发电技术，风力发电投资成本低且现已大规模投入使用；太阳能分布广泛且储量大，利用光伏发电不仅不用考虑资源供应问题，而且在能量转换过程中不会对环境造成污染；水能作为我国开发利用最早的清洁能源，具有发电成本低、装机容量充沛以及启停迅速等优点。

但是，风电、光电和水电优化配置问题是一个多目标、多约束、具有强非线性的复杂优化问题，目前并不能较好的根据风电、光电和水电的特性将其电源良好的耦合到主电网中。

发明内容

本发明解决的问题是：如何将风电电源、光电电源和水电电源良好地耦合到主电网中。

为解决上述问题，本发明提供一种风光水关联耦合特性优化系统，包括电连接至主电网的风力电源、光伏电源和水力电源以及通讯连接至所述主电网的微网优化控制中心，所述风力电源、所述光伏电源、所述水力电源均与所述微网优化控制中心通讯连接。

可选地，所述水力电源包括储能调节系统，所述储能调节系统包括上水库、河流、下水库、管道、水泵和水力发电机构，所述河流和所述管道均用于连通所述上水库与所述下水库，所述水力发电机构设置在所述上水库、所述河流或所述下水库处，所述水泵设置在所述管道处。

为解决上述问题，本发明还提供一种风光水关联耦合特性优化方法，采用上述所述的风光水关联耦合特性优化系统，包括：

构建耦合特性优化模型；

根据所述耦合特性优化模型，通过所述风光水关联耦合特性优化系统的微网优化控制中心对所述风光水关联耦合特性优化系统的风力电源、光伏电源和水力电源输入主电网的电能进行优化。

可选地，所述耦合特性优化模型包括最大总发电量模型，所述最大总发电量模型为：

其中，E(N)是总发电量；T和Δt分别为调度期总时段数和单个时段内的时数；N

可选地，所述耦合特性优化模型还包括最平稳总出力模型，所述最平稳总出力模型为：

其中，CV(N)和std(N)分别是总出力过程变异系数和标准差，

可选地，所述耦合特性优化模型还包括最接近负荷出力模型，所述最接近负荷出力模型包括：

其中，RMS(N,P)是总出力过程与负荷过程的均方根误差，P是负荷过程，P

可选地，所述耦合特性优化模型的约束条件包括切入切出风速约束条件，所述切入切出风速约束条件为：

其中，v

可选地，所述耦合特性优化模型的约束条件还包括光伏发电板容量约束条件，所述光伏发电板容量约束条件为：

其中，N

可选地，所述耦合特性优化模型的约束条件还包括水库水位约束条件、水库下泄流量约束条件、日水位变幅约束条件、水库出力约束条件和水量平衡约束条件；所述水库水位约束条件为：

其中，Z

所述水库下泄流量约束条件为：

其中，Q

所述日水位变幅约束条件为：

ΔZ≤ΔZ

其中，ΔZ为一日水位变幅，ΔZ

所述水库出力约束条件为：

其中，N

所述水量平衡约束条件为：

V

其中，V

可选地，所述构建耦合特性优化模型之前，所述风光水关联耦合特性优化方法还包括：

获取所述风力电源、所述光伏电源和所述水力电源的相关数据；

所述根据所述耦合特性优化模型，通过所述风光水关联耦合特性优化系统的微网优化控制中心对所述风光水关联耦合特性优化系统的风力电源、光伏电源和水力电源输入主电网的电能进行优化包括：

根据所述相关数据和所述耦合特性优化模型，通过所述微网优化控制中心采用场景聚类方法，对所述风力电源、所述光伏电源和所述水力电源输入所述主电网的电能进行优化。

本发明与现有技术相比，具有以下有益效果：通过设置微网优化控制中心，以对风力电源、光伏电源、水力电源输入主电网的电能进行优化，以良好平抑高比例风力电源和光伏电源接入对于主电网的安全稳定运行的冲击，提高主电网对风力电源、光伏电源的消纳能力，以及利用水力电源的启停灵活性以及短期调节性，实现调峰填谷，以进一步提高电力输出的平稳性和可靠性，实现较好地根据风电、光电和水电的特性(如风光水具有的季节互补特性)将相应电源良好的耦合到主电网中。

附图说明

图1为本发明实施例中风光水关联耦合特性优化系统与主电网连接的结构示意图；

图2是本发明实施例中风光水关联耦合特性优化方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

结合图1所示，本发明实施例提供一种风光水关联耦合特性优化系统，包括电连接至主电网的风力电源、光伏电源和水力电源以及通讯连接至主电网的微网优化控制中心，风力电源、光伏电源、水力电源均与微网优化控制中心通讯连接。

本实施例中，风光水关联耦合特性优化系统的风力电源、光伏电源和水力电源分别通过相应的电力电子接口与主电网建立电路以进行电连接，且风力电源、光伏电源和水力电源还分别通过相应电力电子接口与微网优化控制中心建立通讯线路以进行通讯连接，电路和通讯线路连接至公共耦合点并经公共耦合点连接至主电网。微网优化控制中心用于根据相应的优化模型(耦合特性优化模型)，优化风力电源、光伏电源、水力电源输入(或输出至)主电网的电能。

这样，通过设置微网优化控制中心，以对风力电源、光伏电源、水力电源输入主电网的电能进行优化，以良好平抑高比例风力电源和光伏电源接入对于主电网的安全稳定运行的冲击，提高主电网对风力电源、光伏电源的消纳能力，以及利用水力电源的启停灵活性以及短期调节性，实现调峰填谷，以进一步提高电力输出的平稳性和可靠性，实现较好地根据风电、光电和水电的特性(如风光水具有的季节互补特性)将相应电源良好的耦合到主电网中。

可选地，水力电源包括储能调节系统，储能调节系统包括上水库、河流、下水库、管道、水泵和水力发电机构，河流和管道均用于连通上水库与下水库，水力发电机构设置在上水库、河流或下水库处，水泵设置在管道处。

本实施例中，基于风光两种电源受天气的影响极大，间歇性和波动性显著，且不能对电能直接进行储存，这不仅严重影响了电力系统的安全与稳定，而且会增大能源输送成本，限制风电、光电的投资规模；同时，利用水电站在丰水期承担基荷以及在枯水期进行调峰时，也会造成水电机组在丰水期和枯水期的调峰容量和调峰电量不足的现象，这些都会限制新能源发电装置合理规划与投入。对此，由于风光水具有一定的季节互补特性，当水电处于枯水期时，风光两种资源较充沛，此时可以借助水电装置能够迅速启停的特点，保证风光资源优先供电；当水电处于丰水期时，风光两种资源较匮乏，此时可将水电作为主要供电装置以弥补由于风光出力小而造成的供电缺失现象。

具体地，水力电源可利用天然的河流和水库建成储能调节系统。储能调节系统包括上水库、河流、下水库、管道、水泵和水力发电机构(如水力发电机等)，水力发电机构在上水库内的水通过河流流至下水库时进行水力发电，水泵则用于将下水库的水通过管道输入(输送)到上水库实现水力储能。当风力电源和光伏电源充足时，风力电源和/或光伏电源给储能调节系统的水泵供电，水泵将下水库的水通过管道输入到上水库，实现水力储能；当风力电源和光伏电源不足时，上水库放水至下水库实现水力发电。如此，储能调节系统具有运行效率高、存储容量大、储能周期长等优点，其与加装蓄电池设备相比具有明显的经济优势，同时减少了烟尘、二氧化碳、一氧化碳、氯化氮及大量废弃物对环境的污染和破坏；且利用水力电源的启停灵活性以及短期调节性，实现调峰填谷，能够进一步提高电力输出的平稳性和可靠性，实现较好地根据风电、光电和水电的特性将相应电源良好的耦合到主电网中。

结合图1、图2所示，本发明另一实施例提供一种风光水关联耦合特性优化方法，采用上述的风光水关联耦合特性优化系统，包括以下步骤：

步骤S1、构建耦合特性优化模型；

步骤S2、根据耦合特性优化模型，通过风光水关联耦合特性优化系统的微网优化控制中心对风光水关联耦合特性优化系统的风力电源、光伏电源和水力电源输入主电网的电能进行优化。

本方法通过步骤S1-S2，构建耦合特性优化模型，以通过微网优化控制中心(采用耦合特性优化模型)优化风力电源和光伏电源和水力电源(经相应的公共耦合点)输出至主电网的电能，从而良好平抑高比例风力电源和光伏电源接入对于主电网的安全稳定运行的冲击，提高主电网对风力电源、光伏电源的消纳能力，并利用水力电源的启停灵活性以及短期调节性，能够调峰填谷，提高电力输出的平稳性和可靠性，实现了较好地根据风电、光电和水电的特性将相应电源良好的耦合到主电网中。

可选地，对于风力电源、光伏电源和水力电源。具体地，对于风力电源，风力电源是将风能转化为电能获得的电源；风力电源(或风电出力)主要受风速影响，其计算公式为：

其中，N

对于光伏电源，光伏电源是将太阳能转化为电能获得的电源。光伏电源主要受太阳辐射强度影响，其计算公式为：

N

其中，N

对于水力电源，水力电源是将水的动能转化为电能获得的电源。水力电源主要受入库径流影响，其计算公式为：

N

其中，N

可选地，风力电源、光伏电源和水力电源的配置需要考虑发电效益、总出力平稳性和电力负荷需求等多方面因素。

可选地，耦合特性优化模型包括最大总发电量模型，最大总发电量模型为：

其中，E(N)是总发电量；T和Δt分别为调度期总时段数和单个时段内的时数；N

具体地，风力电源、光伏电源和水力电源的配置需要考虑到最大发电效益(如最大总发电量等)，因此，耦合特性优化模型包括最大总发电量模型。通过设置最大总发电量模型f

可选地，耦合特性优化模型还包括最平稳总出力模型，最平稳总出力模型为：

其中，CV(N)和std(N)分别是总出力过程变异系数和标准差，

具体地，风力电源、光伏电源和水力电源的配置需要考虑到总出力平稳性，风力电源、光伏电源和水力电源的总出力越平稳，对主电网供电越稳定。因此，耦合特性优化模型包括最平稳总出力模型。通过设置最平稳总出力模型f

可选地，耦合特性优化模型还包括最接近负荷出力模型，最接近负荷出力模型包括：

其中，RMS(N,P)是总出力过程与负荷过程的均方根误差，P是负荷过程，P

具体地，风力电源、光伏电源和水力电源的配置需要考虑到电力负荷需求，风力电源、光伏电源和水力电源的总出力过程越接近(主电网)负荷过程，供电越满足主电网需求。因此，耦合特性优化模型包括最接近负荷出力模型。通过设置最接近负荷出力模型f

可选地，本方法的步骤S1中的构建耦合特性优化模型即为：在如上述的以最大总发电量、最平稳总出力和最接近负荷出力为目标确定相应模型后，分别设定风力电源、光伏电源和水力电源的约束条件，从而完成耦合特性优化模型的构建。

可选地，耦合特性优化模型的约束条件包括切入切出风速约束条件，切入切出风速约束条件为：

其中，v

具体地，切入切出风速约束条件表示第i个风力电源在第t个时段的风速不小于对应风力电源(第i个风力电源)在对应时段(第t个时段)的切入风速，且不大于对应风力电源在对应时段的切出风速。如此，以滤除相应时段的不满足切入切出风速约束条件的停机(或未发电)的风力电源(风力发电机)，仅对正常发电(满足切入切出风速约束条件)的风力发电机进行计算，以降低运算量，提升运算速率。

可选地，耦合特性优化模型的约束条件还包括光伏发电板容量约束条件，光伏发电板容量约束条件为：

其中，N

具体地，光伏发电板容量约束条件表示第j个光伏电源在第t个时段的出力不小于对应光伏电源在对应时段的光伏发电板容量的下限，且不大于对应光伏电源在对应时段的光伏发电板容量的上限。如此，以对满足光伏发电板容量约束条件的光伏电源进行计算，保证计算结果的准确性。

可选地，耦合特性优化模型的约束条件还包括水库水位约束条件、水库下泄流量约束条件、日水位变幅约束条件、水库出力约束条件和水量平衡约束条件；水库水位约束条件为：

其中，Z

水库下泄流量约束条件为：

其中，Q

日水位变幅约束条件为：

ΔZ≤ΔZ

其中，ΔZ为一日水位变幅，ΔZ

水库出力约束条件为：

其中，N

水量平衡约束条件为：

V

其中，V

具体地，上游水位作为耦合特性优化模型的决策变量，通过设置水库水位约束条件，以对耦合特性优化模型进行水库水位约束；通过设置水库下泄流量约束条件，以对耦合特性优化模型进行水库下泄流量约束；通过设置日水位变幅约束条件，以对耦合特性优化模型进行日水位变幅约束；通过设置水库出力约束条件，以对耦合特性优化模型进行水库出力约束；通过设置水量平衡约束条件，以对耦合特性优化模型进行水量平衡约束。如此，以降低耦合特性优化模型求解的难度与计算耗时。

可选地，步骤S1之前，风光水关联耦合特性优化方法还包括：

获取风力电源、光伏电源和水力电源的相关数据。

具体的，本方法通过获取风力电源、光伏电源和水力电源的相关数据，以便于后续构建耦合特性优化模型以及求解耦合特性优化模型。其中，风力电源的相关数据包括风力发电机的参数数据(如叶片扫掠面积、风能利用系数等)及风力发电机所在处的环境数据(如不同时段的空气密度、风速等)；光伏电源的相关数据包括光伏组件的参数数据(如光伏组件的转换效率、温度系数、发电板面积等)及光伏组件所在处的环境数据(如不同时段的太阳辐射强度等)；水力电源的相关数据包括水电站的参数数据(如综合出力系数等)及水电站件所在处的环境数据(如发电流量、水头、水库上下游水位等)。

步骤S2包括：

根据相关数据和耦合特性优化模型，通过微网优化控制中心采用场景聚类方法，对风力电源、光伏电源和水力电源输入主电网的电能进行优化。

具体地，耦合特性优化模型以最大总发电量、最平稳总出力和最接近负荷出力作为目标，并设定上述的约束条件时，在对耦合特性优化模型求解时，风力电源、光伏电源和水力电源的不确定性加大了其求解的难度，即在对考虑概率分布进行状态抽样时，往往会生成大量的出力场景。为避免遍历全部出力场景导致带来巨大的计算量，优选地，利用场景聚类的方法将相似出力场景加以聚类削减，实现耦合特性优化模型的加速求解。

示例性地，将最大总发电量、最平稳总出力和最接近负荷出力作为目标，预设聚类总数目，在输入样本(如风力电源、光伏电源和水力电源的相关数据)中随机选择一个样本的点作为初始预设聚类中心点，由输入样本与初始预设聚类中心点的距离计算下一预设聚类中心点的概率，将距离下一预设聚类中心点概率最大的点作为第二预设聚类中心点，计算输入样本与第一和第二预设聚类中心点的距离，获得第三预设聚类中心点，直到获得的预设聚类中心点达到预设聚类总数目。然后将输入样本分配到与预设聚类中心点欧式距离最近的点，根据每一聚类输入样本的平均值更新聚类中心点，不断迭代，直到达到迭代次数或聚类中心变化范围在一定阈值内，获得聚类中心点处的最优值。具体算法如下，场景聚类目标函数为：

其中，M为聚类总数目；R为典型聚类数目，d(c

为保证每个聚类能且只能被划分到某一类中，u

为保证R类典型聚类均不为空集，还需满足：

首先，选取R个聚类作为R类典型聚类的初始聚类中心。

然后，将各聚类划分到离其距离最近的典型聚类中心处，聚类中心相同的聚类即为一类：

其中，Cluster·m表示第m类典型聚类，m＝1，2，…，R。

最后，根据前一步的划分结果，更新各类典型聚类的聚类中心C

聚类结束后，令典型聚类概率为该类中所有聚类概率之和，并去除低概率聚类，从而形成有限数量的具有较大概率值的典型聚类集合。上述聚类过程可以显著减少场景的数量，降低优化模型的计算规模，进而有效地减少计算时间。

虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。