计及相关性的风电场和光伏电站时序出力模型研究

在大规模风光并网时,采用具有相关性的风光时序数据进行系统可靠性评估能够更好模拟系统的运行状态,有利于提高可靠性评估的准确性和实用性。基于混合Copula函数和马尔科夫过程相关理论,建立了一种用于可靠性评估的计及相关性的风光时序出力模型。首先,通过区分光伏出力序列中的规律性与随机性特征,提取出光伏出力的随机分量;然后将风光时序相关性模型分解为风电出力时序模型、光伏出力时序模型以及风光出力的时序相依模型3部分。最后,通过比利时瓦垄地区的实测数据对上述模型进行了验证。

计及光照波动性及元件故障的光伏出力概率模型

光伏发电正向规模化、集成化方向发展,大规模接入将给电网安全、稳定运行带来极大的挑战,建立准确、可信的光伏出力模型显得尤为重要。而已有的光伏出力模型往往只考虑自然天气、地理位置等因素而忽略光伏元件故障对光伏出力的影响。鉴于此,本文建立了计及光照波动性及元件故障的光伏出力概率模型。首先,建立光照强度遵循Beta分布的光伏出力概率模型;其次,建立光伏元件故障功率水平;最后,运用联合概率分布建立考虑光照波动性及元件故障的光伏出力概率模型。然后,通过算例验证了所建模型的准确性。

基于阈值筛选器的风机出力结构模型研究

针对风电机组出力情况难以精细量化分析问题,文章提出了基于阈值筛选器方法的出力结构模型。根据阈值筛选器对机组多种运行状态进行识别,构建出机组出力结构模型,然后利用该模型对风机出力进行分析。实验结果表明,该模型能够有效分析机组出力情况,有助于实现机组的精维护。

基于GCN-LSTM的分布式光伏超短期出力预测方法研究

气象数据是光伏出力预测的重要依据,气象数据的质量对预测的准确性至关重要。但对于分布式光伏系统,往往缺乏气象监测装置,难以对每个站点分别提供准确的气象数据。针对这一问题,提出一种分布式光伏超短期出力组合预测方法,将图卷积神经网络(Graph Convolutional Network,GCN)与长短期记忆神经网络(Long Short-Term Memory,LSTM)耦合构建预测网络。在数据预处理方面,采用趋势项分解方法,将历史出力数据分解为趋势项和剩余项,利用剩余项训练预测网络。利用图卷积网络提取历史数据的数值和结构信息,并使各站点共享信息,然后输入LSTM网络实现预测,再将趋势项加回网络的输出作为最终预测值。最后,利用某光伏发电装置采集的真实数据进行仿真验证,得出结论为:GCN-LSTM模型的预测精确度对比传统LSTM模型有显著提高,而趋势项分解法对GCN-LSTM和LSTM模型都有助于提高预测精确度。

大规模新能源发电基地出力特性研究

基于规模化新能源出力带来的各种问题，建立风光三大评价指标，并采用多时空场景划分的方式进行基地出力特性分析；建立新能源基地三维出力模型，并应用于规模化新能源出力预测领域。研究发现，基地能源中，风电-光伏存在明显的互补性。在现有外送能力有限的情况下，大幅提高光伏基地上网比例，可从电源侧缓解“弃风弃光”问题。基于大量数据分析得到的新能源基地三维出力模型与气象数据结合，可对基地出力进行一段时间的预测，为区域电网新能源调度提供可靠参考。

远期大规模的电动汽车与分布式光伏接入配电网的负荷预测模型

文章提出了大规模的电动汽车和分布式光伏并网预测模型。该模型以千人汽车保有量法预测远期电动汽车数量,结合不同种类的汽车充电行为,建立不同车型的负荷模型。以可安装分布式光伏的屋顶面积确立装机容量,并考虑了四季和晴、雨天等因素聚合下对光伏的日出力模型的影响。用该模型对某市远期的日充电负荷和分布式光伏的日出力做出了预测,并对其接入城市配电网后的负荷影响做出了分析。

考虑时空特性的分布式光伏出力预测研究

光伏发电具有很强的不确定性,本文建立了基于Copula理论的多点光伏联合出力预测模型。首先,基于地表太阳辐照度、温度、云层厚度等影响因素,本文建立了输入选择策略和基于神经网络的基本预测模型。考虑到天气因素的随机性,本文应用Copula理论建立单点光伏出力的条件概率分布,在预测可能出现的出力值的同时给出相应概率。最后对多个光伏电站进行聚类分析,将强相关性电站聚为一类,再依据Pair-copula理论构建联合出力的条件概率分布,建立多点光伏出力的概率预测模型。本文将所建立的模型应用于2014年全球能源预测竞赛和北美53座光伏电站的出力预测,验证了本文所提出的单点及多点概率预测模型有效性,能够为含有光伏电站的电力系统运行规划提供参考依据。

基于SVR-LSTM-BP的分布式光伏短期出力预测方法研究

提出一种分布式光伏短期出力组合预测方法,以BP神经网络耦合支持向量回归(Support Vector Regression,SVR)和长短期记忆(Long Short-Term Memory,LSTM)神经网络实现组合预测。首先分别构建两个单一模型:以高斯径向基函数为核函数的支持向量回归模型和三层长短期记忆神经网络,并分别预测,再通过三层BP神经网络将前两个单一模型的预测结果耦合并输出,以提高预测的准确度。利用江苏某光伏发电装置采集的真实数据进行仿真验证,得出结论:SVR-LSTM-BP模型的准确度与SVR模型相比有显著提高,而与LSTM模型接近,稳定性则比LSTM模型有一定提高。

新能源在新型电力系统中运用分析

在“双碳”背景下,构建以新能源为主体的新型电力系统,对提高我国电力发展水平有积极意义。本文以某电力企业为例,将新能源应用到构建新型电力系统中,风电与光伏发电将迎来新的机遇。新能源发展迅猛,对电力系统优化与升级将产生重要影响。从构建新型电力系统的意义出发,探究新能源出力模型,指出构建新型电力系统所面临的挑战,据此提出相关措施,旨在为相关人员提供参考。

基于物质-能量流解析的海上微综合能源系统风险评估

海上微综合能源系统是海洋油气工程的基础。为合理评估其运行风险,保证海洋资源安全开发,提出基于物质-能量流解析的海上微综合能源系统风险评估方案。通过对关键设备采用包含多因素的两状态马尔可夫模型,描述其运行-停运状态,同时引入风险影响因子,构建风险出力模型,解析出力设备在风险下的物质-能量转换关系;并提出基于广义能量-物质流模型的风险传递模型,从物质-能量流动的角度刻画风险在系统中的动态行为。此外,针对系统结构及运行特点,设计了相应的风险指标及评估流程。以渤海某海上油气平台为实例进行仿真实验,验证了所提模型及方法的有效性和合理性。

计及潮流约束的水火电力系统机组组合问题的分解–协调算法

针对传统机组组合研究中因模型不够完善、约束过于简化而引起的计算准确度低和系统安全性差的缺陷,建立了考虑潮流方程和水电精确出力的水火机组组合(hydrothermal unit commitment,HTUC)模型。围绕该模型,文中首先采用广义Benders分解算法将其划分为一个混合整数线性规划主问题和一个非线性规划子问题;然后将该子问题按时段进一步分解为T个规模较小的子问题,T为调度周期。其中,主问题对应于传统的水火联合调度(hydrothermal scheduling,HTS),子问题则是包含电压、无功等变量的约束潮流(constrained power flow,CPF)。主子问题之间通过可行割进行协调,并以交替迭代的方式获得原问题的解。最后对含有46台火电机组、8个梯级水电厂的IEEE 118节点系统进行计算,测试结果表明所提算法能在较少的时间内获得高质量的解,从而为大规模机组组合问题的求解提供参考。

基于新能源需求响应的RIES多能源云储能规划

本文研究利用基于新能源需求响应的可再生能源集成系统(Renewable Integrated Energy System,RISE)多能源云储能规划,以提高能源系统的效能。构建了多能源云储能模式的基本架构,包括在云储能模式中2个主体交互模型和考虑多能源云储能的能源集线器结构。在此基础上,设计用户侧充放能优化决策模型并提出相应的求解算法,以优化用户侧充放能。研究发现,在实际应用中,采用这种基于新能源需求响应的多能源云储能规划能够减少能源浪费,提高能源利用率,同时满足用户需求。该研究对推动清洁能源的可持续发展、提高能源系统的智能化水平具有重要意义。

基于风电机故障的电力系统运营风险评估及保险转移的研究

风电机故障导致的系统电力缺额会给系统运营带来经济损失,目前由系统运营部门承担。为实现风险转移,建立了风电场风电机故障概率出力模型,并考虑了风电场风电机故障下电力系统运营的风险,通过对风电机故障条件下电力系统的蒙特卡罗抽样仿真,计算了不同负荷条件下电力系统运营调度的经济风险,并制定相应的保险转移机制。为全面评估风电的经济价值和风电场的规划设计提供了参考,并为风电场风电机故障风险转移提供了一种可供选择的方法。

光伏发电及其所处电力系统可靠性评估研究进展

对光伏发电可靠性建模中辐照度模型、环境温度模型、光伏元件的随机停运模型等内容进行综述;对现有光伏发电及其所处电力系统可靠性评估方法及可靠性指标进行总结;综述了光伏发电对配电网及发电系统的影响,指出增加储能装置、风光互补发电、风光储组合运行是提高光伏发电及其所处电力系统可靠性的3种方法;最后对光伏发电及其所处电力系统可靠性评估的未来研究趋势做出展望.

基于小生境和模糊理想决策的冷热电联供系统光伏容量配置

冷热电联供系统具有以冷定电、以热定电和以电定热等多种运行模式,但为满足冷/热/电的单一供应需求而常导致一次能源消耗量过高。为此,本文提出了一种冷热电联供系统的光伏容量优化配置方法。首先,分别建立了光伏出力模型和冷热电联供系统模型;其次,构造了以光伏改造经济收益最大和用户满意度最高为目标的多目标优化模型;再次,针对常规粒子群算法无法有效解决多目标函数的问题,引入小生境机制,提出了改进的小生境粒子群算法。基于专家模糊理想权重,利用模糊理想决策方法对所得到的非劣解集进行决策。最后,实际算例表明,所提的光伏容量优化配置方具有良好的可行性,有良好的经济收益的同时可以提高用户满意度。

基于机会约束规划的多类型分布式电源容量与布点优化方法

在分析三种不同类型分布式电源并网模型的基础上,建立了配电网分布式电源容量和布点多目标优化的机会随机约束模型;综合考虑了分布式电源以PQ、PI和PV等不同接口模型并网时的出力特性,弥补了以往研究中将分布式电源统一处理为分布式电源PQ模型的缺陷;在包含不同接入类型的分布式电源的配电网规划中,由于考虑光伏发电系统输出功率Beta概率分布的影响与考虑风电机组欠额定输出、额定输出和无输出的概率模型的影响,对潮流、电源出力、节点电压等制约关系构建了机会约束条件函数,同时将分布式电源运行成本纳入多目标函数,采用改进的模拟退火粒子群算法对所建优化问题进行求解。计算结果验证了模型的合理性和算法的有效性。

风机爬坡功率的有限度控制策略

大规模、高集中度风电接入系统,增大了风电爬坡风险。文中分析了风电爬坡特性,以及风机本身的功率控制对爬坡特性的影响。在现有风机平滑控制的基础上,提出一种风机爬坡功率的有限度控制策略。该策略引入预测控制理论,通过预测、在线优化、反馈控制3个模块的配合,优化风机参考功率,使风机有效跟踪参考功率。预测模块采用动态神经网络超短期预测模型得到风功率预测曲线,在线优化模块根据建立的爬坡率和弃风量最小优化模型,通过二次规划算法快速获得优化出力曲线,反馈控制模块产生变速变桨距协调控制规律。仿真结果表明,该控制策略实现了平滑风机出力、增大风机发电量及改善转速特性的目标。

Microstructure evolution in cooling process of Al-Zn-Mg-Cu alloy and kinetics description

The microstructure evolution of Al-Zn-Mg-Cu alloy was studied by differential scanning calorimetry （DSC） and transmission electron microscopy （TEM） during different rate cooling processes. Based on the DSC results, the kinetics analysis was carried out. The results indicate that the precipitation of η phase is the predominant transformation for the alloy during the cooling process after the solution treatment. And the η phase nucleates on dispersoids and at grain boundaries. The amount of η phase decreases with increasing cooling rate, and reduces by 75% as the cooling rate increases from 5 to 50 ℃/min. The kinetics of the precipitation of η phase can be described by the Kamamoto transformation model when the cooling rate is a constant.

含电池储能风电场的电力系统风险评估

考虑风电机组的时变故障率和降额率以及风电场复杂尾流效应的影响,建立了风电场的出力模型;考虑电池储能的充放电约束和容量约束以及其故障率的影响,建立了电池储能系统的出力模型。综合上述2个出力模型,考虑不同风能调度策略得到了含电池储能风电场的出力模型。基于该模型给出了含电池储能和风电场的电力系统风险评估的具体流程和方法。改进IEEE-RTS 79算例仿真和分析,验证了上述模型和方法的正确性和有效性。

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.