基于火电的多能互补能源基地能源配置规划方法技术

本发明专利技术涉及一种基于火电的多能互补能源基地能源配置规划方法，包括：构建基于日出力情景的风电出力模型；构建基于日出力情景的光伏出力模型；构建火电机组出力模型；构建原有火电线路的历史负荷模型；搭建基于时序生产模拟法的消纳模型；根据基于时序生产模拟法的消纳模型，得到多能互补能源基地电源组合方案。本发明专利技术从发电企业角度出发，充分利用自身已拥有的火电输出线路优势，结合自身的火电灵活调峰的基础，形成了主动有前瞻性的能源发展结构规划。规划。规划。

【技术实现步骤摘要】
基于火电的多能互补能源基地能源配置规划方法


[0001]本专利技术涉及电力
，尤其涉及一种基于火电的多能互补能源基地能源配置规划方法。

技术介绍

[0002]增加以新能源为主体的非化石能源开发消纳，是提升非化石能源占比的决定性力量。通过优先利用清洁能源资源、充分发挥水电和煤电调节性能、适度配置储能设施、调动需求侧灵活响应积极性，有利于发挥新能源资源富集地区优势，实现清洁电力大规模消纳，优化能源结构，破解资源环境约束，促进能源领域与生态环境协调可持续发展，推进生态文明建设。中国富煤贫油少气的能源格局，围绕已有火电机组配备新能源(光伏，风电)，储能，借用原有输电线路进行送出，形成多能互补的能源基地，是未来火电的发展方向。
[0003]通过“风光水火储一体化”实现多种能源互补、储存、转换，可以减少因风光资源间歇性和不稳定性带来的问题，获得较稳定的多种能源综合出力曲线，提高电力系统的稳定性和可靠性。通过新能源就地开发消纳，能尽量少的占用甚至不占用电网的灵活性调节资源，减少弃风弃光现象，极大程度上减少对电网的依赖。同时也能显著降低了储能装置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于火电的多能互补能源基地能源配置规划方法，其特征在于，包括如下步骤：步骤1，构建基于日出力情景的风电出力模型，包括：步骤1.1，建立电力平衡场景和调峰平衡场景；所述电力平衡场景建立步骤如下：1)对各季节风力日发电曲线按晚高峰时段最小出力P
EPmin
排序以晚高峰时段最小出力P
EPmin
作为电力平衡场景主要特征指标，将各季节风力日发电曲线按P
EPmin
从小到大排序，构成次序统计量；2)给定P
EPmin
的置信水平α，确定风力日发电曲线集合P
WΩ1
给定P
EPmin
的置信水平α，筛选出风力日发电曲线P
W
(d)，其晚高峰时段最小出力为P
EPmin
(d)，使以超过α的概率确信该季节风力日发电曲线晚高峰时段最小出力不小于P
EPmin
(d)，记满足条件的风力日发电曲线集合为P
WΩ1
：记P
WΩ1
中日电量保证率最大的发电曲线为P
μ1
；3)在P
WΩ1
中，选取日电量保证率较高或日平均出力较小的风力日发电曲线作为电力平衡场景，其中，方式一：按日电量保证率选取：以给定的日电量保证率β，在集合P
WΩ1
中筛选出风力日发电曲线P
W
(d)，使P
W
(d)的日电量保证率λ
E
(d)不低于β，记满足条件的风力日发电曲线集合为P'
WΩ1
：记P'
WΩ1
中晚高峰时段最小出力P
EPmin
最小发电曲线为P
ν1
；方式二：按日平均出力选取：给定日平均出力的置信水平β，在集合P
WΩ1
中筛选出风力日发电曲线P
W
(d)，以超过β的概率确信该季节风力日发电曲线的平均出力不低P
Dave
，记满足条件的风力日发电曲线集合为P'
WΩ1
：记P'
WΩ1
中日平均出力P
Dave
最大的发电曲线为P
ν1
；4)选定各季节风电出力电力平衡场景P
W1
若按3)中方式一确定P'
WΩ1
，在满足P
EPmin
的置信水平α及电量保证率β要求上，选取P
EPmin
最小的发电曲线为电力平衡场景，以反映风电对系统电力平衡最极端的影响；在不能满足电量保证率β要求时，则取电量保证率最大的发电曲线为电力平衡场景；若按3)中方式二确定P'
WΩ1
，在满足P
EPmin
的置信水平α及P
Dave
置信水平β要求上，选取最接近日平均出力置信水平β的发电曲线为边界电力平衡场景；在不能满足置信水平β要求时，则取日平均出力最小的发电曲线为电力平衡场景；5)确定电力平衡场景的确切概率：
式中，N
r
为该季度出力曲线的总数；所述调峰平衡场景建立步骤如下：1)对各季节风力日发电曲线按ΔP
PDmax
排序以日最大调峰需求ΔP
PDmax
作为调峰平衡场景的主要特征指标，将各季节风力日发电曲线按ΔP
PDmax
从大到小排序，构成次序统计量；2)给定ΔP
PDmax
的置信水平γ，确定风力日发电曲线集合P
WΩ2
给定ΔP
PDmax
的置信水平γ，筛选出风力日发电曲线P
W
(d)，日最大调峰需求为ΔP
PDmax
(d)，使以超过的概率确信该季节ΔP
PDmax
不大于ΔP
PDmax
(d)，记满足条件的风力日发电曲线集合为P
WΩ2
：记集合中日最小调峰需求ΔP
PDmin
最大的发电曲线为P
μ2
；3)在P
WΩ2
中，以ΔP
PDmin
≥0为约束，确定风力日发电曲线集合P'
WΩ2
，以ΔP
PDmin
≥0为约束条件从P
WΩ2
筛选出风力日发电曲线P
W
(d)，记满足条件的风力日发电曲线集合为P'
WΩ2
，用公式表述如下：P'
wΩ2
＝{P
w
(d)|ΔP
PDmin
(d)≥0,P
w
(d)∈P
wΩ2
}记P'
WΩ2
中日最大调峰需求ΔP
PDmax
最大的发电曲线为P
ν2
；4)选定各季节风电出力调峰平衡场景P
W2
若P
'WΩ2
不为空集，即存在满足ΔP
PDmax
置信水平γ和ΔP
PDmin
≥0约束的风力日发电曲线，则在其中选取ΔP
PDmax
最大的发电曲线为调峰平衡场景，以反映风电对系统调峰平衡最极端的影响；若P'
WΩ2
为空集，即P
WΩ2
中所有风力日发电曲线均不能满足ΔP
PDmin
≥0约束，则取ΔP
PDmin
最大的风力日发电曲线为调峰平衡场景，最大限度的接近反调峰；5)确定调峰平衡场景的确切概率；式中，N
r
为该季度出力曲线的总数；步骤1.2，建立风电日出力聚类场景，包括：(1)基于加权欧式距离的K
‑
means聚类方法，对大量风电出力场景的有效聚类和筛选，具体步骤如下：1)从N条风电出力曲线P
m
(m＝1,2,3,
…
,N)中选取k条作为初始聚类中心M
i
(i＝1,2,3,
…
,k)；2)根据实际应用的需求，确定负荷早高峰时段、晚高峰时段、低谷时段和腰荷时段的风电出力在聚类过程中所占的权重系数ω
t
(t＝1,2,3,
…
,S)；
3)依次计算每条风电出力曲线P
m
与各个聚类中心M
i
的距离l
mi
，将风电出力曲线分配到距离聚类中心最近的类别中；式中，P
mt
和M
it
分别是风电出力曲线P
m
和聚类中心M
i
t时刻的出力值；4)计算每个类别中新的聚类中心并重新聚类，以此循环迭代计算，直至聚类的准则函数不在发生变化为止，准则函数如下：其中式中，e
mi
为状态变量；R
i
为第i个风电出力场景中所有风电出力曲线的集合；记第i类风电出力场景的确切概率为p
i
，(2)确定各类场景的典型风力日发电曲线，具体步骤如下：1)计算风力日发电曲线d和类中其它发电曲线q关于ΔP
PDmax
、ΔP
PDmin
的平均加权欧拉距离S
i
(d)；式中，k
α
为指标ΔP
PDmax
...

【专利技术属性】
技术研发人员：李军录，王占强，张新江，周华鑫，张彦军，王增强，乔福喜，任志刚，李雪峰，
申请(专利权)人：中国大唐集团科学技术研究院有限公司火力发电技术研究院天津大唐国际盘山发电有限责任公司，
类型：发明
国别省市：