新能源消纳能力计算与调控系统的设计

来源:用户上传      作者:

　　摘   要：随着社会的发展、工业水平的不断提高，能源问题不断凸显，新能源技术的发展无疑是解决该问题的最好途径，但是随着新能源装机容量的不断增加，新能源弃电问题日益严重。为了改善这一问题、降低弃电率，文章设计了一种新能源消纳能力计算与调控系统。基于各个电厂建立5G区域网，并在各个机组上设置数据采集器，通过区域网网络传输到大数据中心，在大数据中心采用随机森林算法以及机组组合规划设计机组调控方案，传达到调度中心，再由调度中心对各个电厂下达指令。整个过程通过数据预测以及机组实时调控增加新能源消纳，减少火电机组运行。
　　关键词：新能源消纳;数据预测;实时调控;随机森林算法;5G;机组组合
　　伴随着社会的发展、工业现代化的不断建设，能源需求不断增长，能源问题逐渐显露，工业发展的同时带来了严重的环境污染，而新能源的发现与新能源技术的发展无疑带来了曙光。清洁能源的使用不仅能减少煤炭等资源的利用，还能大大减少对环境的污染，但是如何更好地进行新能源消纳问题逐渐显露出来。为了解决这一问题，大量学者进行了探究，其中，董存等[1]结合电网生产运行实际情况，对多区域间特高压直流外送功率协调优化促进新能源消纳开展研究，建立了考虑跨区直流功率优化的新能源消纳能力计算分析模型，针对多地区测算了跨区特高压直流互补促进新能源消纳的效果。董超等[2]深度挖掘火电机组深度调峰能力，分析其运行特性，在常规优化模型的基础上引入深度调峰出力平稳段运行时间、最小深度调峰时间等约束，并对机组最大最小出力、爬坡等常规约束进行改进，建立考虑火电机组深度调峰的实时发电计划优化模型以此来增加新能源消纳。金东等[3]依据电网极限约束条件下新能源消纳裕度计算评估方法，对各地通道数据进行实时计算，最终将各地新能源受阻情况、电网可调整空间量化展示，给新能源消纳工作提供参考依据。基于上述学者的研究，本文设计了新能源消纳能力计算的系统，以期来增加新能源消纳，减少火电机组的运行。
　　1    新能源消纳能力计算与调控系统构建思想
　　新能源消纳能力计算与调控系统主要包括数据采集、数据分析、实时调控方案、调度中心4个模块。其中，数据采集是在各个发电厂以及配电厂进行，数据分析和实时调控方案在数据中心进行，最后由调度中心实施具體操作。首先，数据采集是指从区域内发电厂中采集信息，包括风电实时出力信息、发电厂机组发电数据，用电负荷数据以及联络线外送电力数据的采集，并且通过5G区域网传输到数据中心进行下一步处理。其次，下一步在数据中心进行，根据收集数据进行分类、存储、备份，然后进行数据预测，根据过去2 h的负荷数据以及新能源发电数据预测未来1 h的负荷数据以及新能源发电数据，然后根据新能源消纳计算公式计算火电机组预测出力数据。最后，数据中心通过火电机组预测出力数据以减少燃料成本和启停费用设计实时火电机组调控方案;调控中心根据实时调控方案对各个发电厂下达指令，各个发电厂根据指令调控运行火电机组。整个系统通过实时预测数据，与实时调控方案设计减少机组的运行，增加新能源的消纳。
　　2    系统结构
　　本文所设计的系统结构如图1所示，以便更加直观地解释整个系统的构成以及整个流程。各种发电厂采集数据，通过5G局域网传输到大数据中心，然后在大数据中心进行相关数据处理，并设计实时调控方案反馈信息到调度中心，调度中心再对各个电厂下达指令，各个电厂执行指令完成整个流程。
　　3    模块分析
　　3.1  数据采集模块
　　数据采集模块分为数据监控模块和数据采集模块，在发电厂机组上安装数据采集器，采集机组处理信息，两个模块都将信息通过5G区域网网络传输通道实时传送到大数据中心，大数据中心对数据进行分类、存储和备份以及之后的数据处理
　　3.2  数据分析
　　（1）数据预测。随机森林是指利用多个决策树对样本进行训练并预测的一种分类器，其结果由多个决策树的分类结果决定。因此，本文将采用随机森林算法来进行负荷数据预测以及新能源出力数据预测，以过去2 h的负荷数据以及新能源出力数据作为样本，并建立决策树预测未来1 h的负荷数据以及新能源出力数据，具体方法如下：
　　首先，取过去2 h内每秒的电力负荷数据构成负荷训练样本集D，并对其通过Bagging方法进行有回放过程的均匀抽样随机生成若干个新的负荷训练样本集D（i），样本集与随机森林中设定的决策树数量相同，均为M。
　　其次，根据上述每一个负荷训练样本集D（i），可以独立构建一个完全分裂的决策树，将所有不同的决策树放在一起构成了随机森林模型。采用C4.5决策树算法来产生决策树，其中信息增益率GainRate（D，R）是用信息增益Gain（D，R）和分裂信息量SplitInfo（D，R）共同定义的，如式（1—4）：
　　式中，Entropy（D）表示集合D的熵，V（R）是属性R的值域，Dv是集合D中的属性D上值等于V的子集，n表示集合D中的状态个数，pi为子集合中第i个属性值样本数所占的比例。
　　最后，将各个样本经过决策树后的分类结果进行统计，并且通过投票表决方式将投票数最多的一类作为负荷数据的预测类别。
　　通过上述方法以过去2 h内的新能源出力数据作为样本，还可以得到未来1 h内新能源的出力预测数据。
　　（2）新能源消纳能力计算。新能源消纳同一时刻能力计算符合以下关系：全网负荷功率=所有火电机组出力+联络线通道接入功率+新能源消纳功率。
　　（3）机组预计总出力分析。通过以上分析可以得到未来1 h内的负荷预测数据以及新能源出力数据，以新能源消纳能力计算公式为计算模型，以增加最大新能源消纳为目的，设定一个稳定的联络线接入功率情况下，可以得到未来1 h内机组预计总出力数据。 　　3.3  实时调控方案
　　以上述对未来1 h内的机组预计出力数据为基础设计机组运行的实时调控方案。以下计算将以燃料成本与机组启停费用建立目标函数，进行求解机组启停与出力计划，具体方法如下。
　　式中，PD，t为时间段t内的负荷需求;PR，t为时间段t内的系统选备用需求;Pi，min，Pi，max分别为机组i的最小出力与最大出力;Si，on，Ti，on分别为机组i的连续开机时间和最小开机时间;Yu，i，t，Yh，i，t分别为机组i在时间段t内最大爬坡速率和最大滑坡速率。
　　将机组相关参数以及负荷预测数据通过以上数学模型进行求解得到最佳的机组运行计划，即实时调控方案。
　　3.4  调度中心
　　调度中心接收大数据中心反馈的实时调控方案，并根据实时调控方案准确、快速地向该区域各个电厂下达指令，电厂根据指令调控各个机组的运行。
　　4    系统要求
　　（1）数据采集和传输。数据的采集主要通过在机组装置上安装的采集器，为了信息的正确性，采集器性能必须强悍、高效，为了方便传输和减少线路，采集器可以添加无线模块，因此需要建立区域网络，并且保证区域网络信号良好;除此之外传输通道必须加密，保证传输的安全性。
　　（2）系统拓展性。随着时代的进步，系统也应该随着时代进步不断进行更新，可以增加新的功能，以期望实现更多的作用。
　　（3）数据存储与备份。对于数据存储，必须要分门别类，可以上传到云数据中心，但是一定要备份数据，防止系统崩坏或者病毒入侵造成数据的损坏和丢失，对之后系统的运行形成阻碍，为了防止外部因素给系统造成的危害，建立防火墙是必须的。
　　5    结语
　　本文设计的新能源消纳能力计算系统，运用了最新的5G网络技术、大数据处理技术，对数据传输和数据处理提出了较高要求，运用了随机森林算法进行数据预测，得到了负荷预测数据以及新能源出力预测数据。根据新能源消纳公式，考虑最大消纳新能源，联络线接入功率设定的情况下，得到火电机组预计出力数据，通过火电机组预计出力预测數据考虑机组燃料成本以及启停费用，进行设计机组实时调控方案，再通过调控中心对各个电厂机组下达指令，各个电厂再进行实时调控，达到促进新能源消纳的目的。本文提出的计算预测数据以及机组组合方法还可以继续改进，从更多的方面考虑问题，更加符合实际情况，提高数据的精确性，将是以后继续研究的方向。
　　[参考文献]
　　[1]董存，梁志峰，礼晓飞，等.跨区特高压直流外送优化提升新能源消纳能力研究[J].中国电力，2019（4）：4-6.
　　[2]董超，张彦涛，刘嘉宁，等.考虑火电机组深度调峰的实时发电计划模型及应用[J].电力自动化设备，2019（3）：114-119.
　　[3]金东，徐建忠，杨宏.电网动态极限约束条件下的新能源实时消纳裕度计算评估方法[J].宁夏电力，2018（6）：16-20.
　　Abstract：With the development of the society and the continuous improvement of the industrial level， the energy problem has become increasingly prominent. The development of new energy technology is undoubtedly the best way to solve this problem. Therefore， in order to improve this problem and reduce the power abandoning rate， this paper proposes the design of a new energy consumption capacity calculation and control system. Set 5G area network which is based on the power plant， and set the data collector on each unit， through transmission to the big data center area network， in the center of the large data by random forest algorithm and combined control scheme of planning and design of the convey to the dispatch center， by dispatching center to each power plant an order again. The whole process increases the consumption of new energy and reduces the operation of thermal power units through data prediction and real-time control of units.
　　Key words：new energy consumption; data forecasting; real-time control; random forest algorithm; 5G; unit combination
转载注明来源:https://www.xzbu.com/8/view-15133841.htm