多时空尺度风电消纳体系初探

近年来中国风电产业迅速发展,但由于风电所具有的不确定性、随机性与波动性,其并网消纳问题成为了制约风电可持续发展的瓶颈。以国家即将出台的可再生能源配额制政策为指导,提出了一套多时空尺度风电消纳体系,在空间层面考虑了省级、区域级、国家级等不同等级的电网消纳主体,在时间层面考虑了中长期、短期、实时等不同尺度的消纳需求。该体系整合了各层面风电消纳技术、评估评价方法、市场机制与配套政策,使针对风电消纳所研发的技术与政策能够发挥出最佳效用,实现风电消纳过程的良性运作,最终实现风能资源的高效利用。     

电力系统碳排放流分析理论初探

采用低碳电力技术是电力行业实现可持续发展的重要举措。现有研究中,碳排放的统计量通常以宏观数据统计为主,按照一次能源消耗量转换得到。此类方法无法揭示电力系统碳排放的特点,在应用中存在着诸多局限性。文中探讨了将碳排放分析与电力系统潮流计算相结合的新思路,提出了电力系统碳排放流的概念。结合网络分析技术,提出并建立了电力系统碳排放流分析的几个基本概念与指标,初步形成电力系统碳排放流分析的理论架构。给出了一个示例系统的计算结果和直观展示,并结合电力系统潮流分析的基本原理,剖析了电力系统碳排放流分析理论的作用和意义。最后对电力系统碳排放流分析理论的应用领域和研究方向进行了展望。     

电力系统碳排放流的计算方法初探

电力系统碳排放流分析的理念为低碳电力带来了新的研究方向。根据潮流计算的结果准确而系统地求解电力系统中碳排放流的分布成为亟待解决的问题。在电力系统碳排放流分析理论的基础上,进一步分析了碳排放流和电力系统潮流计算之间的异同,以及电力系统碳排放流的影响因素、计算体系和计算思路;根据碳排放流求解的需要,定义了一些关键矩阵和向量;结合电力系统潮流计算方法与高等电力网络分析方法,在忽略网损的情况下,建立了电力系统碳排放流的基本计算方法,并通过算例系统验证了该方法的正确性。     

广东电网风电出力特性分析及其经济性评价

风电出力特性的研究对于低碳经济发展大背景下含规模风电接入的电力系统规划运行至关重要。基于风电场群的分区分片划分和多风电场运行模拟技术,定量分析了广东规模风电的出力特性和容量效益。研究表明,规模风电接入将增大系统调峰需求,需要在电网规划建设和风电配套政策制订方面引起足够重视。从系统运行成本、煤耗、污染物排放等多个角度进行的经济性评价显示,尽管规模风电接入对常规机组替代作用相对有限,但对于广东节能减排与低碳发展具有重要意义。     

基于改进萤火虫算法的电力市场多因素博弈均衡研究

针对电力市场均衡与动态发展问题,本文首先建立了能够直接反映市场均衡的利益与报价行为变化的非合作博弈双层模型。然后,采用改进的萤火虫算法求解该模型,并与经典萤火虫算法进行对比验证其先进性。最后,综合考虑负荷变化、竞价策略调整、差价合同及合作行为等多种影响因素,通过对建立的双层均衡模型进行仿真对比分析,得出不同因素与市场均衡动态发展的内在联系,进而为引导市场均衡提供理论参考依据。     

海上风电出力特性及其消纳问题探讨

中国海上风电将迎来快速发展,研究其出力特性对海上风电消纳具有重要意义。文中利用实际数据分析与运行模拟相结合的方式,将海上风电的出力特性与陆上风电进行了对比研究。为了对比风电场出力的分布特性,提出了风电场出力分布特征指数的新指标。根据历史出力分析了近岸风电场的随机特性与波动特性;结合测风数据与中长期规划,利用风电场运行模...     

碳排放流在电力网络中分布的特性与机理分析

碳排放流的分析与计算是基于电力网络拓扑结构而实现的。在此基础上,可以研究碳排放流在电力网络中的分布特性与机理,揭示和辨识电力系统中的高碳要素,以便进一步实现相应的优化决策。为此,文中定义了电力系统碳排放流的2种分布因子,可以清晰地表征碳排放流的分布特性。提出了3种关联矩阵的概念和定义,结合电力网络分析手段,分析了电力系统中发电机组的碳排放与流过支路、节点以及与电力负荷相对应的碳排放流的等量关联关系,揭示了碳排放流在电力系统中的产生、传输和消费的机理。提出了碳排放流关联矩阵的计算方法,用IEEE 14节点系统验证了该方法的正确性。     

多风电场功率时间序列的时空相关性统计建模和运行模拟方法

在风电场时间序列统计建模中需要同时计及多风电场功率的空间相关性和功率时间序列在不同时间尺度的相关性。提出了一套层次化的多风电场时间序列数据挖掘与统计建模方法。首先将日功率曲线聚类为不同的模式类,并统计多风电场模式的联合分布,识别强相关风电场群。然后建立单变量马尔科夫链模型描述功率曲线模式的日间转移。最后按联合模式划分子样本集,分别建立多变量马尔科夫链模型描述日内相邻时段功率的随机变化。通过某省多风电场实际录波数据的统计建模和功率序列模拟,并与2种典型建模方法进行对比,表明了所提模型生成的时间序列能更准确的模拟实际样本的时间和空间相关性。