消纳弃风的风电混合储能供热系统容量配置优化
摘要：为解决“三北”地区冬季建筑能耗较高且弃风严重的问题，设计了由锂电池、固体蓄热装置和热泵设备组成的风电混合储能供热系统。首先基于BP神经网络预测了风电机组输出功率，采用k-means聚类分析得到了供热典型日负荷曲线；然后提出了一种基于粒子群优化算法的风电混合储能供热系统容量配置优化方法，以系统总成本最小和弃风量最低为约束条件构建了目标函数；最后比较了考虑和不考虑弃风条件下，风电混合储能供热系统的容量配置优化结果。研究表明，所提出的优化方法不但可以有效降低弃风率，场景适用性强，还能够满足严寒地区冬季清洁供热需求，为可再生能源高效利用提供参考。
关键词：风电混合储能供热系统弃风容量配置优化粒子群优化算法聚类分析
尊敬的用户，本篇文章需要2元，点击支付交费后阅读
限时优惠福利：领取VIP会员
全年期刊、VIP视频免费!
全年期刊、VIP视频免费!
参考文献[1] 习近平在第七十五届联合国大会一般性辩论上发表重要讲话[EB/OL].[2022-01-08].http://www.gov.cn/xinwen/2020-09/22/content_5546168.htm.
[2] 张紫菁，张芳，姚文鹏.基于风电出力概率预测模型的源荷储日前概率优化调度[J].电力自动化设备，2022,42(7):190- 197.
[3] 国家能源局.国家能源局2020年四季度网上新闻发布会文字实录[EB/OL].[2022-10-30].http://www.nea.gov.cn/2020-10/30/c_139478872.htm.
[4] 清华大学建筑节能研究中心.中国建筑节能年度发展研究报告2022(公用建筑专题)[M].北京：中国建筑工业出版社，2022:1- 3.
[5] 清华大学建筑节能研究中心.中国建筑节能年度发展研究报告2016[M].北京：中国建筑工业出版社，2016:1- 4.
[6] 李军徽，岳鹏程，李翠萍，等.提高风能利用水平的风电场群储能系统控制策略[J].电力自动化设备，2021,41(10):162- 169.
[7] 王丹阳，胡三高，何海婷，等.混合储能辅助风电场平滑出力的功率配比方法研究[J].节能，2022,41(1):4- 9.
[8] 马玲，魏成伟，谢丽蓉，等.基于退役动力电池的风储有功功率协调控制策略[J].太阳能学报，2021,42(10):437- 443.
[9] 赵冬梅，徐辰宇，陶然，等.多元分布式储能在新型电力系统配电侧的灵活调控研究综述[J].中国电机工程学报，2023,43(5):1776- 1799.
[10] 吕泉，李玲，朱全胜，等.三种弃风消纳方案的节煤效果与国民经济性比较[J].电力系统自动化，2015,39(7):75- 83.
[11] 梁亮，李建林，惠东.大型风电场用储能装置容量的优化配置[J].高电压技术，2011,37(4):930- 936.
[12] 李军徽，付英男，李翠萍，等.提升风电消纳的储热电混合储能系统经济优化配置[J].电网技术，2020,44(12):4547- 4557.
[13] 杨国华，朱向芬，马玉娟，等.基于改进粒子群算法的混合储能系统容量优化[J].电测与仪表，2015,52(23):1- 5,10.
[14] 燕妮，郭颂，施静容，等.平抑风电波动的混合储能优化配置及控制策略[J].电工技术，2022(18):44- 50,53.
[15] 刘吉成，郭启蒙，孙嘉康.区块链下虚拟电厂混合储能容量优化配置及收益分配[J].现代电力，2023,40(6):957- 966.
[16] 朱炳铨，钱韦廷，张俊，等.考虑风电消纳的电热混合储能系统优化定容方法[J].电力建设，2020,41(12):14- 22.
[17] 李晗，邹建华，张远航，等.计及日特性和季特性的风矢量仿真模型及应用[J].三峡大学学报(自然科学版),2021,43(4):85- 92.
[18] 黄慧，贾嵘，董开松.基于时空相关性的NAR动态神经网络风功率超短期组合预测[J].太阳能学报，2020,41(10):311- 316.
[19] 刘倩颖，阮应君，时翔，等.基于k-means聚类与BP神经网络算法的办公建筑逐时电负荷预测[J].热能动力工程，2018,33(3):138- 144.
[20] 杨恒岳，刘青荣，阮应君.基于k-means聚类算法的分布式能源系统典型日冷热负荷选取[J].热力发电，2021,50(3):84- 90.
[21] LI C,LI G J,WANG K Y,et al.A multi-energy load forecasting method based on parallel architecture CNN-GRU and transfer learning for data deficient integrated energy systems[J].Energy,2022,259:145- 155.
[22] 王培慧，汝黎明，谢虎.基于数据相关性和灰色关联的相位识别对比研究[J].自动化仪表，2020,41(4):56- 61,67.
[23] 李星.多元化成必然趋势，5至10年内锂电池仍是主导[N].每日经济新闻，2021-09-30(012).
[2] 张紫菁，张芳，姚文鹏.基于风电出力概率预测模型的源荷储日前概率优化调度[J].电力自动化设备，2022,42(7):190- 197.
[3] 国家能源局.国家能源局2020年四季度网上新闻发布会文字实录[EB/OL].[2022-10-30].http://www.nea.gov.cn/2020-10/30/c_139478872.htm.
[4] 清华大学建筑节能研究中心.中国建筑节能年度发展研究报告2022(公用建筑专题)[M].北京：中国建筑工业出版社，2022:1- 3.
[5] 清华大学建筑节能研究中心.中国建筑节能年度发展研究报告2016[M].北京：中国建筑工业出版社，2016:1- 4.
[6] 李军徽，岳鹏程，李翠萍，等.提高风能利用水平的风电场群储能系统控制策略[J].电力自动化设备，2021,41(10):162- 169.
[7] 王丹阳，胡三高，何海婷，等.混合储能辅助风电场平滑出力的功率配比方法研究[J].节能，2022,41(1):4- 9.
[8] 马玲，魏成伟，谢丽蓉，等.基于退役动力电池的风储有功功率协调控制策略[J].太阳能学报，2021,42(10):437- 443.
[9] 赵冬梅，徐辰宇，陶然，等.多元分布式储能在新型电力系统配电侧的灵活调控研究综述[J].中国电机工程学报，2023,43(5):1776- 1799.
[10] 吕泉，李玲，朱全胜，等.三种弃风消纳方案的节煤效果与国民经济性比较[J].电力系统自动化，2015,39(7):75- 83.
[11] 梁亮，李建林，惠东.大型风电场用储能装置容量的优化配置[J].高电压技术，2011,37(4):930- 936.
[12] 李军徽，付英男，李翠萍，等.提升风电消纳的储热电混合储能系统经济优化配置[J].电网技术，2020,44(12):4547- 4557.
[13] 杨国华，朱向芬，马玉娟，等.基于改进粒子群算法的混合储能系统容量优化[J].电测与仪表，2015,52(23):1- 5,10.
[14] 燕妮，郭颂，施静容，等.平抑风电波动的混合储能优化配置及控制策略[J].电工技术，2022(18):44- 50,53.
[15] 刘吉成，郭启蒙，孙嘉康.区块链下虚拟电厂混合储能容量优化配置及收益分配[J].现代电力，2023,40(6):957- 966.
[16] 朱炳铨，钱韦廷，张俊，等.考虑风电消纳的电热混合储能系统优化定容方法[J].电力建设，2020,41(12):14- 22.
[17] 李晗，邹建华，张远航，等.计及日特性和季特性的风矢量仿真模型及应用[J].三峡大学学报(自然科学版),2021,43(4):85- 92.
[18] 黄慧，贾嵘，董开松.基于时空相关性的NAR动态神经网络风功率超短期组合预测[J].太阳能学报，2020,41(10):311- 316.
[19] 刘倩颖，阮应君，时翔，等.基于k-means聚类与BP神经网络算法的办公建筑逐时电负荷预测[J].热能动力工程，2018,33(3):138- 144.
[20] 杨恒岳，刘青荣，阮应君.基于k-means聚类算法的分布式能源系统典型日冷热负荷选取[J].热力发电，2021,50(3):84- 90.
[21] LI C,LI G J,WANG K Y,et al.A multi-energy load forecasting method based on parallel architecture CNN-GRU and transfer learning for data deficient integrated energy systems[J].Energy,2022,259:145- 155.
[22] 王培慧，汝黎明，谢虎.基于数据相关性和灰色关联的相位识别对比研究[J].自动化仪表，2020,41(4):56- 61,67.
[23] 李星.多元化成必然趋势，5至10年内锂电池仍是主导[N].每日经济新闻，2021-09-30(012).
Capacity allocation optimization of wind power hybrid energy storage and heating system to absorb abandoned wind
Abstract: In order to solve the problem of high energy consumption of buildings and serious wind abandonment in the “three northern” area in winter, a wind power hybrid energy storage and heating system composed of lithium battery storage units, solid heat storage devices and heat pump equipment is designed. Firstly, the output power of wind turbine is predicted based on the BP neural network, and the typical daily load curve of heating is obtained by the k-means cluster analysis. Then, a capacity allocation optimization method of the wind power hybrid energy storage and heating system based on the particle swarm optimization algorithm is proposed, which takes the least total cost of the system and the lowest wind abandonment as the constraints to construct the objective function. Finally, the capacity allocation optimization results of the wind power hybrid energy storage and heating system with and without considering wind abandonment are compared. The research shows that the proposed optimization method can not only effectively reduce the wind abandonment rate with strong scenario applicability, but also meet the demand for clean heating in severe cold zone in winter, which provides a reference for the efficient utilization of renewable energy.
Keywords: wind power hybrid energy storage and heating system; wind abandonment; capacity allocation optimization; particle swarm optimization algorithm; cluster analysis;
97
0
0