大用户直购电对系统风电消纳的影响
发布时间：2019-11-27 14:21
【摘要】：大用户直购电政策的推行,会进一步压缩电力系统的调度空间,而当系统中接入大规模不可调控的风电机组时,系统的优化调度将面临更加严峻的挑战。为了分析大用户直购电对系统风电消纳能力的影响,建立了含大用户直购电的电力系统风电消纳模型。该模型在传统机组组合模型的基础上,引入了风电出力约束和可削减的直购电电量合同约束,并对目标函数进行了相应的调整。使用ARIMA模型对风速时间序列进行建模和预测,为机组组合模型提供原始数据。将10机系统扩展为40机系统,并引入1 600 MW的风电机组,分析了不同直购电电价、直购机组以及直购电规模下直购电合同对系统消纳风电能力的影响。
【图文】：
152电工技术学报2017年12月1）大用户直购电合同约束。z()DZjjjjJptZjJ∈∑=∈（8）2）风电出力约束。pww0≤p(t)≤p(t)（9）式中，z()jpt为机组j在t时段的直购功率；jZ为机组j当日的直购电量；DZj为机组j当日的直购削减电量。3程序流程分析前两节通过对风电功率预测模型和含大用户直购电的电力系统风电消纳模型的建模，将含有风电场和直购电交易的机组组合问题转换为混合整数线性规划问题，进而使用CPLEX软件求解。问题求解和计算流程如图1所示。图1程序求解与计算流程Fig.1Calculationandalgorithmflowchart4算例分析4.1风电功率时间序列的生成以某风电场一年中各小时的风速数据为基础，取序列的前720h的数据进行平稳性分析。风速原始时间序列的自相关函数如图2所示。图2风速时间序列自相关函数Fig.2Autocorrelationfunctionofthewindspeedseries不难发现，该时间序列的自相关函数不能迅速衰减到零。对原始风速时间序列进行差分运算，得到新的时间序列，其自相关函数如图3所示。图3一阶差分序列自相关函数Fig.3Autocorrelationfunctionofthefirstorderdifferenceseries一次差分后，新时间序列已具备平稳性。分别取p=1,…,8，q=1,…,8，建立多个ARMA模型，根据SBC准则，最终确定阶数：p=3，q=1。使用ARIMA（3,1,1）模型预测未来96h的风速数据，预测结果如图4所示。预测的绝对平均误差为18.73%。图4风速预测结果Fig.4Resultsofwindspeedforecasting
152电工技术学报2017年12月1）大用户直购电合同约束。z()DZjjjjJptZjJ∈∑=∈（8）2）风电出力约束。pww0≤p(t)≤p(t)（9）式中，z()jpt为机组j在t时段的直购功率；jZ为机组j当日的直购电量；DZj为机组j当日的直购削减电量。3程序流程分析前两节通过对风电功率预测模型和含大用户直购电的电力系统风电消纳模型的建模，将含有风电场和直购电交易的机组组合问题转换为混合整数线性规划问题，进而使用CPLEX软件求解。问题求解和计算流程如图1所示。图1程序求解与计算流程Fig.1Calculationandalgorithmflowchart4算例分析4.1风电功率时间序列的生成以某风电场一年中各小时的风速数据为基础，取序列的前720h的数据进行平稳性分析。风速原始时间序列的自相关函数如图2所示。图2风速时间序列自相关函数Fig.2Autocorrelationfunctionofthewindspeedseries不难发现，该时间序列的自相关函数不能迅速衰减到零。对原始风速时间序列进行差分运算，得到新的时间序列，其自相关函数如图3所示。图3一阶差分序列自相关函数Fig.3Autocorrelationfunctionofthefirstorderdifferenceseries一次差分后，新时间序列已具备平稳性。分别取p=1,…,8，q=1,…,8，，建立多个ARMA模型，根据SBC准则，最终确定阶数：p=3，q=1。使用ARIMA（3,1,1）模型预测未来96h的风速数据，预测结果如图4所示。预测的绝对平均误差为18.73%。图4风速预测结果Fig.4Resultsofwindspeedforecasting
本文编号：2566640
【图文】：
152电工技术学报2017年12月1）大用户直购电合同约束。z()DZjjjjJptZjJ∈∑=∈（8）2）风电出力约束。pww0≤p(t)≤p(t)（9）式中，z()jpt为机组j在t时段的直购功率；jZ为机组j当日的直购电量；DZj为机组j当日的直购削减电量。3程序流程分析前两节通过对风电功率预测模型和含大用户直购电的电力系统风电消纳模型的建模，将含有风电场和直购电交易的机组组合问题转换为混合整数线性规划问题，进而使用CPLEX软件求解。问题求解和计算流程如图1所示。图1程序求解与计算流程Fig.1Calculationandalgorithmflowchart4算例分析4.1风电功率时间序列的生成以某风电场一年中各小时的风速数据为基础，取序列的前720h的数据进行平稳性分析。风速原始时间序列的自相关函数如图2所示。图2风速时间序列自相关函数Fig.2Autocorrelationfunctionofthewindspeedseries不难发现，该时间序列的自相关函数不能迅速衰减到零。对原始风速时间序列进行差分运算，得到新的时间序列，其自相关函数如图3所示。图3一阶差分序列自相关函数Fig.3Autocorrelationfunctionofthefirstorderdifferenceseries一次差分后，新时间序列已具备平稳性。分别取p=1,…,8，q=1,…,8，建立多个ARMA模型，根据SBC准则，最终确定阶数：p=3，q=1。使用ARIMA（3,1,1）模型预测未来96h的风速数据，预测结果如图4所示。预测的绝对平均误差为18.73%。图4风速预测结果Fig.4Resultsofwindspeedforecasting
152电工技术学报2017年12月1）大用户直购电合同约束。z()DZjjjjJptZjJ∈∑=∈（8）2）风电出力约束。pww0≤p(t)≤p(t)（9）式中，z()jpt为机组j在t时段的直购功率；jZ为机组j当日的直购电量；DZj为机组j当日的直购削减电量。3程序流程分析前两节通过对风电功率预测模型和含大用户直购电的电力系统风电消纳模型的建模，将含有风电场和直购电交易的机组组合问题转换为混合整数线性规划问题，进而使用CPLEX软件求解。问题求解和计算流程如图1所示。图1程序求解与计算流程Fig.1Calculationandalgorithmflowchart4算例分析4.1风电功率时间序列的生成以某风电场一年中各小时的风速数据为基础，取序列的前720h的数据进行平稳性分析。风速原始时间序列的自相关函数如图2所示。图2风速时间序列自相关函数Fig.2Autocorrelationfunctionofthewindspeedseries不难发现，该时间序列的自相关函数不能迅速衰减到零。对原始风速时间序列进行差分运算，得到新的时间序列，其自相关函数如图3所示。图3一阶差分序列自相关函数Fig.3Autocorrelationfunctionofthefirstorderdifferenceseries一次差分后，新时间序列已具备平稳性。分别取p=1,…,8，q=1,…,8，，建立多个ARMA模型，根据SBC准则，最终确定阶数：p=3，q=1。使用ARIMA（3,1,1）模型预测未来96h的风速数据，预测结果如图4所示。预测的绝对平均误差为18.73%。图4风速预测结果Fig.4Resultsofwindspeedforecasting
本文编号：2566640
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2566640.html
