CN113095602A - 一种以出力平稳为目标的流域风电场群规划方法 - Google Patents

Abstract

本发明公开了一种以出力平稳为目标的流域风电场群规划方法，包括如下步骤，选定待规划流域，明确待规划流域的边界，确定待规划流域内需要规划的风电场数量；根据待规划流域的边界，基于WRF模式构建能够覆盖待规划流域的中尺度数值天气模式；利用获取的目标年期间的全球fn l数据驱动中尺度数值天气模式，获取待规划流域在目标年期间的精细化网格风场数据；在精细化网格风场数据中，以出力平稳为目标，借助PSO寻优算法，确定最佳的风电场布局。优点是：利用优化方法，借助精细化的数值模拟技术，以流域为单位，在流域内规划最优化的风电场群配置，使流域中的这些风电场同时发电时，保持相对的平稳，降低风电大范围上网或者风电与水电打捆输出的难度。

Description

一种以出力平稳为目标的流域风电场群规划方法

技术领域

本发明涉及新能源技术领域，尤其涉及一种以出力平稳为目标的流域风电场群规划方法。

背景技术

目前，世界能源格局发生了重大变化，以水电、风电、光伏为代表的新能源得到了快速的发展。控碳、减碳是人类社会的共识，在今后相当长的一段时间内，新能源占比会不断提高。其中，风电具有取之不尽用之不竭的优点，但风电也具有稳定性差，难以存储的缺点，导致风电在某些地区上网困难。为了解决风电上网困难的问题，水风电打捆输出被提了出来，并成为当前研究的前沿和重点。因此，以流域为单位的风电场规划及建设就显得异常重要，但目前的风电场规划因技术、数据等方面的原因，多以单个风电场的资源最大化为目标，并不考虑风电场群中各风电场出力间的协调，由此建设的流域风电场群，无法从区域资源特性角度保证风电场出力的平稳性，只能完全依靠水电的频繁调节或者大范围弃风保证电力系统的稳定，难以从资源特性上达到风电场群整体平稳输出的效果。

发明内容

本发明的目的在于提供一种以出力平稳为目标的流域风电场群规划方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种以出力平稳为目标的流域风电场群规划方法，包括如下步骤，

S1、选定待规划流域，明确待规划流域的边界，确定待规划流域内需要规划的风电场数量；

S2、根据待规划流域的边界，基于WRF模式构建能够覆盖待规划流域的中尺度数值天气模式；

S3、获取目标年期间的全球fnl数据，利用目标年期间的全球fnl数据驱动构建好的中尺度数值天气模式，获取待规划流域在目标年期间的精细化网格风场数据；

S4、在精细化网格风场数据中，以出力平稳为目标，借助PS0寻优算法，确定最佳的风电场布局。

优选的，步骤S4具体包括如下内容，

S41、设定风电场要求的最低年平均风速Vmin，并将其作为寻优的限制性指标：

S42、设定最大寻优次数；

S43、选定变异系数CV为评价风功率时间序列稳定性的指标，设定最小化变异系数CV为寻优目标；则变异系数的计算公式为，

CV＝(SD/Mean)×100％

其中，SD为标准偏差；Mean为平均值；x_i为待计算变异系数的风功率时间序列中的第i时刻的数值；

为待计算变异系数的风功率时间序列所有时刻数值的算数平均值；n为待计算变异系数的风功率时间序列的时刻总数；

S44、设定目标变异系数CV_obj，设置最小变异系数CV_min的初始值为一个极大值，初始化与其对应的风电场群的位置Po，

其中，Po＝{Po₁(lat₁，lon₁)，Po₂(lat₂，lon₂)，...，Po_N(lat_N，lon_N)}；

S45、在选定的待规划流域的边界内，根据需要规划的风电场数量N，初始化相应数量N个粒子位置P，

P＝{P₁(lat₁，lon₁)，P₂(lat₂，lon₂)，...，P_i(lat_i，lon_i)，...，P_N(lat_N，lon_N)}

其中，P_i(lat_i，lon_i)位于待规划流域的边界内，且(lat_i，lon_i)位于中尺度数值天气模式的网格中；i表示第i个粒子，即第i个风电场。

S46、获取N个粒子所在的中尺度数值天气模式对应的目标年期间逐小时平均风速Pv，

Pv＝{Pv₁，Pv₂，...，Pv_i，...，Pv_N}

其中，Pv_i＝{v₁，v₂，v₃，...，v_K}，K为目标年期间的小时个数；

S47、根据风功率公式计算每个粒子t时刻的风功率数值，得到每个粒子各个时刻的风功率数值W_i，

风功率公式为，

其中，ρ为空气密度；v_t为t时刻的风速；

S48、将每个风电场对应时刻的风功率数值求和，获取风电场群各时刻的风功率值W，

W＝{W¹，W²，W³，....，W^K}

S49、计算N个粒子的年平均风速VP，

VP＝{VP₁，VP₂，...，VP_i，...，VP_N}

其中，v_i为第i个粒子的风速；

S410、判断N个粒子的年平均风速VP中是否存在小于最低年平均风速V_min的元素，即VP_i＜V_min，若是，则进入步骤S413；否则进入步骤S411；

S411、根据风电场群各时刻的风功率值W，计算本次N个粒子代表的风电场群的出力变异系数X；

S412、判断出力变异系数X是否小于最小变异系数CV_min，若是，则设置X＝CV_min且Po＝P，之后进入步骤S413；否则，直接进入步骤S413；

S413、判断当前迭代次数是否超过最大寻优次数，若是，则停止寻优，输出结果；若否，则进入步骤S414；

S414、判断最小变异系数CV_min是否小于等于目标变异系数CV_obj，若是，则停止寻优，输出结果，否则进入步骤S415；

S415、根据PSO算法规定的方法，调整每个粒子的位置，得到更新的N个粒子位置P′，并返回步骤S46；

P′＝{P′₁(lat′₁，lon′₁)，P′₂(lat′₂，lon′₂)，...，P′_i(lat′_i，lon′_i)，...，P′_N(lat′_N，lon′_N)}

其中，P′_i(lat′_i，lon′_i)位于待规划流域的边界内，且(lat′_i，lon′_i)位于中尺度数值天气模式的网格中。

本发明的有益效果是：1、利用优化方法，借助精细化的数值模拟技术，以流域为单位，在流域内规划最优化的风电场群配置，使流域中的这些风电场同时发电时，保持相对的平稳，降低风电大范围上网或者风电与水电打捆输出的难度。2、能够在简单设置相应初始条件和边界的情况下，完全自动的开展风电场群的选址规划，选址过程不需要人的参与，更加高效、客观。3、最终得到的风电场群选址方案，其风功率出力，从自然地理特性上具有更加稳定的效果，更有利于风电上网或者水风电打捆上网。

附图说明

图1是本发明实施例中规划方法的原理流程图；

图2是本发明实施例中雅砻江流域边界及地形图；

图3是本发明实施例中风场数据列表示意图；

图4是本发明实施例中风场数据文件内部格式示意图；

图5是本发明实施例中雅砻江流域风电场规划结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，本实施例中，提供了一种以出力平稳为目标的流域风电场群规划方法，为了使规划设计出来的风电场群，在未来运行的时候在资源特性上保持比其他布局更加平稳的出力效果，需要生成待规划流域精细化网格风场数据，制定出力平稳度评价指标体系，然后根据需要规划的风电场的数量，在精细化网格风场数据中，以出力平稳为目标，借助PSO寻优算法，找到最佳的风电场布局。具体的，该方法包括如下步骤，

S1、选定待规划流域，明确待规划流域的边界，确定待规划流域内需要规划的风电场数量；

S2、根据待规划流域的边界，基于WRF模式构建能够覆盖待规划流域的中尺度数值天气模式；该中尺度数值天气模式的分辨率和时间分辨率可以根据实际情况进行设置，以便更好的满足实际需求，模式网格为M，

M＝{M₁(lat₁，lon₁)，M₂(lat₂，lon₂)，...，M_j(lat_j，lon_j)，...，M_m(lat_m，lon_m)}

其中，j为第j个网格，m为网格总数量，(lat_j，lon_j)为第j个网格的位置；

S3、获取目标年期间的全球fnl数据，利用目标年期间的全球fnl数据驱动构建好的中尺度数值天气模式，获取待规划流域在目标年期间的精细化网格风场数据；

S4、在精细化网格风场数据中，以出力平稳为目标，借助PSO寻优算法，确定最佳的风电场布局。

本实施例中，步骤S4具体包括如下内容，

S41、设定风电场要求的最低年平均风速Vmin，并将其作为寻优的限制性指标；

S42、设定最大寻优次数；

S43、选定变异系数CV为评价风功率时间序列稳定性的指标，设定最小化变异系数CV为寻优目标；则变异系数的计算公式为，

CV＝(SD/Mean)×100％

其中，SD为标准偏差；Mean为平均值；x_i为待计算变异系数的风功率时间序列中的第i时刻的数值；

为待计算变异系数的风功率时间序列所有时刻数值的算数平均值；n为待计算变异系数的风功率时间序列的时刻总数；

S44、设定目标变异系数CV_obj，设置最小变异系数CV_min的初始值为一个极大值，初始化与其对应的风电场群的位置Po，

其中，Po＝{Po₁(lat₁，lon₁)，Po₂(lat₂，lon₂)，...，Po_N(lat_N，lon_N)}；

S45、在选定的待规划流域的边界内，根据需要规划的风电场数量N，初始化相应数量N个粒子位置P，

P＝{P₁(lat₁，lon₁)，P₂(lat₂，lon₂)，...，P_i(lat_i，lon_i)，...，P_N(lat_N，lon_N)}

其中，P_i(lat_i，lon_i)位于待规划流域的边界内，且(lat_i，lon_i)位于中尺度数值天气模式的网格中；i表示第i个粒子，即第i个风电场。

S46、获取N个粒子所在的中尺度数值天气模式对应的目标年期间逐小时平均风速Pv，

Pv＝{Pv₁，Pv₂，...，Pv_i，...，Pv_N}

其中，Pv_i＝{v₁，v₂，v₃，...，v_K}，K为目标年期间的小时个数；

S47、根据风功率公式计算每个粒子t时刻的风功率数值，得到每个粒子各个时刻的风功率数值W_i，

W_i＝{W_i ¹，W_i ²，W_i ³，....，W_i ^K}

风功率公式为，

其中，p为空气密度；v_t为t时刻的风速；

S48、将每个风电场对应时刻的风功率数值求和，获取风电场群各时刻的风功率值W，

W＝{W¹，W²，W³，....，W^K}

S49、计算N个粒子的年平均风速VP，

VP＝{VP₁，VP₂，...，VP_i，...，VP_N}

其中，v_i为第i个粒子的风速；

S410、判断N个粒子的年平均风速VP中是否存在小于最低年平均风速V_min的元素，即VP_i＜V_min，若是，则进入步骤S413；否则进入步骤S411；

S411、根据风电场群各时刻的风功率值W，计算本次N个粒子代表的风电场群的出力变异系数X；

S412、判断出力变异系数X是否小于最小变异系数CV_min，若是，则设置X＝CV_min且Po＝P，之后进入步骤S413；否则，直接进入步骤S413；

S413、判断当前迭代次数是否超过最大寻优次数，若是，则停止寻优，输出结果；若否，则进入步骤S414；

S414、判断最小变异系数CV_min是否小于等于目标变异系数CV_obj，若是，则停止寻优，输出结果，否则进入步骤S415；

S415、根据PS0算法规定的方法，调整每个粒子的位置，得到更新的N个粒子位置P′，并返回步骤S46；

P′＝{P′₁(lat′₁，lon′₁)，P′₂(lat′₂，lon′₂)，...，P′_i(lat′_i，lon′_i)，...，P′_N(lat′_N，lon′_N)}

其中，P′_i(lat′_i，lon′_i)位于待规划流域的边界内，且(lat′_i，lon′_i)位于中尺度数值天气模式的网格中。

经过上述步骤，最终满足各项判别条件后输出的Po即为风电场群的规划结果。

实施例二

本实施例中，以雅砻江流域为例，详细说明本发明提供的规划方法的具体规划过程，雅砻江流域边界及地形如图2所示，雅砻江流域的风电场群规划过程为：

一、选定待规划的流域为雅砻江流域，明确流域边界如图2所示，并确定需要规划的风电场的数量N为10。

二、根据流域边界，基于WRF模式，构建能够覆盖待规划流域的中尺度数值天气模式，该中尺度数值天气模式的分辨率为3km，时间分辨率为1小时，模式网格为M，

M＝{M₁(lat₁，lon₁)，M₂(lat₂，lon₂)，...，M_j(lat_j，lon_j)，...，M_m(lat_m，lon_m)}。

三、获取待规划流域2000年至2020年(目标年期间)的全球fnl数据，并利用目标年期间的全球fnl数据驱动构建好的区域中尺度数值天气模式，获取待规划区域2000年至2020年精细化的网格风场数据，如图3所示。每个风场文件代表一个小时流域各网格的平均风速情况，文件格式如图4所示。

四、在精细化网格风场数据中，以出力平稳为目标，借助PS0寻优算法，确定最佳的风电场布局；具体步骤为：

1、设定风电场要求的最低年平均风速Vmin＝5，并将其作为寻优的限制性指标；

2、设定最大寻优次数，num＝10000；

3、选定变异系数CV为评价风功率时间序列稳定性的指标，设定最小化变异系数CV为寻优目标；则变异系数的计算公式为，

CV＝(SD/Mean)×100％

其中，SD为标准偏差；Mean为平均值；x_i为待计算变异系数的风功率时间序列中的第i时刻的数值；

为待计算变异系数的风功率时间序列所有时刻数值的算数平均值；n为待计算变异系数的风功率时间序列的时刻总数；

4、设定目标变异系数CV_obj＝0.1，设置最小变异系数CV_min的初始值为一个极大值999999，初始化与其对应的风电场群的位置Po，

其中，Po＝{Po₁(lat₁，lon₁)，Po₂(lat₂，lon₂)，...，Po₁₀(lat₁₀，lon₁₀)}；

5、在选定的待规划流域的边界内，根据需要规划的风电场数量N，初始化相应数量N个粒子位置P，

P＝{P₁(lat₁，lon₁)，P₂(lat₂，lon₂)，...，P_i(lat_i，lon_i)，...，P₁₀(lat₁₀，lon₁₀)}

其中，P_i(lat_i，lon_i)位于待规划流域的边界内，且(lat_i，lon_i)位于中尺度数值天气模式的网格中；i表示第i个粒子，即第i个风电场。

6、获取10个粒子所在的中尺度数值天气模式对应的2000年至2020年(目标年期间)逐小时平均风速Pv，

Pv＝{Pv₁，Pv₂，...，Pv_i，...，Pv₁₀}

其中，Pv_i＝{v₁，v₂，v₃，...，v₁₈₄₁₀₄}，184104为2000年至2020年的小时个数；

7、根据风功率公式计算每个粒子t时刻的风功率数值，得到每个粒子各个时刻的风功率数值W_i，

W_i＝{W_i ¹，W_i ²，W_i ³，....，W_i ¹⁸⁴¹⁰⁴}

风功率公式为，

其中，ρ为空气密度；v_t为t时刻的风速；

8、将每个风电场对应时刻的风功率数值求和，获取风电场群各时刻的风功率值W，

W＝{W¹，W²，W³，....，W¹⁸⁴¹⁰⁴}

9、计算N个粒子的年平均风速VP，

VP＝{VP₁，VP₂，...，VP_i，...，VP₁₀}

其中，v_i为第i个粒子的风速；

10、判断N个粒子的年平均风速VP中是否存在小于最低年平均风速V_min的元素，即VP_i＜V_min，若是，则进入步骤13；否则进入步骤11；

11、根据风电场群各时刻的风功率值W，计算本次10个粒子(即10个风电场)代表的风电场群的出力变异系数X；

12、判断出力变异系数X是否小于最小变异系数CV_min，若是，则设置X＝CV_min且Po＝P，之后进入步骤13；否则，直接进入步骤13；

13、判断当前迭代次数是否超过最大寻优次数num(num＝10000)，若是，则停止寻优，输出结果；若否，则进入步骤14；

14、判断最小变异系数CV_min是否小于等于目标变异系数CV_obj，若是，则停止寻优，输出结果，否则进入步骤15；

15、根据PS0算法规定的方法，调整每个粒子的位置，得到更新的N个粒子位置P′，并返回步骤6；

P′＝{P′₁(lat′₁，lon′₁)，P′₂(lat′₂，lon′₂)，...，P′_i(lat′_i，lon′_i)，...，P′₁₀(lat′₁₀，lon′₁₀)}

其中，P′_i(lat′_i，lon′_i)位于待规划流域的边界内，且(lat′_i，lon′_i)位于中尺度数值天气模式的网格中。

经过上述步骤，寻优停止的原因是超过了10000次的寻优次数，停止时变异系数为0.0989，最终满足各项判别条件后输出的Po即为风电场群的规划结果，最终得到的风电场群的规划位置，如图5所示，图中显示的灰色圆圈即为风电场群。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明提供了一种以出力平稳为目标的流域风电场群规划方法，该规划方法利用优化方法，借助精细化的数值模拟技术，以流域为单位，在流域内规划最优化的风电场群配置，使流域中的这些风电场同时发电时，保持相对的平稳，降低风电大范围上网或者风电与水电打捆输出的难度。能够在简单设置相应初始条件和边界的情况下，完全自动的开展风电场群的选址规划，选址过程不需要人的参与，更加高效、客观。最终得到的风电场群选址方案，其风功率出力，从自然地理特性上具有更加稳定的效果，更有利于风电上网或者水风电打捆上网。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (2)

1.一种以出力平稳为目标的流域风电场群规划方法，其特征在于：包括如下步骤，

S1、选定待规划流域，明确待规划流域的边界，确定待规划流域内需要规划的风电场数量；

S2、根据待规划流域的边界，基于WRF模式构建能够覆盖待规划流域的中尺度数值天气模式；

S3、获取目标年期间的全球fnl数据，利用目标年期间的全球fnl数据驱动构建好的中尺度数值天气模式，获取待规划流域在目标年期间的精细化网格风场数据；

S4、在精细化网格风场数据中，以出力平稳为目标，借助PSO寻优算法，确定最佳的风电场布局。

2.根据权利要求1所述的以出力平稳为目标的流域风电场群规划方法，其特征在于：步骤S4具体包括如下内容，

S41、设定风电场要求的最低年平均风速V_min，并将其作为寻优的限制性指标；

S42、设定最大寻优次数；

S43、选定变异系数CV为评价风功率时间序列稳定性的指标，设定最小化变异系数CV为寻优目标；则变异系数的计算公式为，

CV＝(SD/Mean)×100％

其中，SD为标准偏差；Mean为平均值；x_i为待计算变异系数的风功率时间序列中的第i时刻的数值；

为待计算变异系数的风功率时间序列所有时刻数值的算数平均值；n为待计算变异系数的风功率时间序列的时刻总数；

S44、设定目标变异系数CV_obj，设置最小变异系数CV_min的初始值为一个极大值，初始化与其对应的风电场群的位置Po，

其中，Po＝{Po₁(lat₁,lon₁),Po₂(lat₂,lon₂),…,Po_N(lat_N,lon_N)}；

S45、在选定的待规划流域的边界内，根据需要规划的风电场数量N，初始化相应数量N个粒子位置P，

P＝{P₁(lat₁,lon₁),P₂(lat₂,lon₂),…,P_i(lat_i,lon_i),…,P_N(lat_N,lon_N)}

其中，P_i(lat_i,lon_i)位于待规划流域的边界内，且(lat_i,lon_i)位于中尺度数值天气模式的网格中；i表示第i个粒子，即第i个风电场。

S46、获取N个粒子所在的中尺度数值天气模式对应的目标年期间逐小时平均风速Pv，

Pv＝{Pv₁,Pv₂,…,Pv_i,…,Pv_N}

其中，Pv_i＝{v₁,v₂,v₃,…,v_K}，K为目标年期间的小时个数；

S47、根据风功率公式计算每个粒子t时刻的风功率数值，得到每个粒子各个时刻的风功率数值W_i，

风功率公式为，

其中，ρ为空气密度；v_t为t时刻的风速；

S48、将每个风电场对应时刻的风功率数值求和，获取风电场群各时刻的风功率值W，

W＝{W¹,W²,W³,....,W^K}

S49、计算N个粒子的年平均风速VP，

VP＝{VP₁,VP₂,…,VP_i,…,VP_N}

其中，v_i为第i个粒子的风速；

S410、判断N个粒子的年平均风速VP中是否存在小于最低年平均风速V_min的元素，即VP_i<V_min,若是，则进入步骤S413；否则进入步骤S411；

S411、根据风电场群各时刻的风功率值W，计算本次N个粒子代表的风电场群的出力变异系数X；

S412、判断出力变异系数X是否小于最小变异系数CV_min，若是，则设置X＝CV_min且Po＝P，之后进入步骤S413；否则，直接进入步骤S413；

S413、判断当前迭代次数是否超过最大寻优次数，若是，则停止寻优，输出结果；若否，则进入步骤S414；

S414、判断最小变异系数CV_min是否小于等于目标变异系数CV_obj，若是，则停止寻优，输出结果，否则进入步骤S415；

S415、根据PSO算法规定的方法，调整每个粒子的位置，得到更新的N个粒子位置P′，并返回步骤S46；

P′＝{P′₁(lat′₁,lon′₁),P′₂(lat′₂,lon′₂),…,P′_i(lat′_i,lon′_i),…,P′_N(lat′_N,lon′_N)}

其中，P′_i(lat′_i,lon′_i)位于待规划流域的边界内，且(lat′_i,lon′_i)位于中尺度数值天气模式的网格中。

Images