《发电厂外文翻译.doc》由会员分享，可在线阅读，更多相关《发电厂外文翻译.doc（15页珍藏版）》请在三一办公上搜索。
1、国际电气工程教育46/4 虚拟发电厂 英国曼彻斯特大学电气与电子工程学院：盖.纽曼和马泰尔.约瑟夫电子邮件：g.newman-3 student.manchester.ac.uk摘要：依靠各种新能源和可再生技术的小型发电机正在得到越来越普遍的应用，这是由于这种发电机能够减少温室气体的排放量，而这些温室气体正是导致气候变化的首要原因。 随着分布式要素的增加， 中央式结构逐渐被取代，也就需要我们越来越多的了解分布式发电设备的复合运行方式，这种设备也被称为虚拟电厂。本文介绍了一种在数学建模基础上进行虚拟电厂开发的一种用户友好型工具，它可以用来作为一个电力系统工程教具，来辅助演示虚拟电厂的特点。关键词
2、:分布式发电；微型热电联产；太阳能；虚拟电厂；风力发电社会环保意识的增强促使电力行业需要去发展新的业务，以减少二氧化碳的排放，而二氧化碳的释放正是气候变化的首要因素。这就导致需要通过新的途径来发电，其中一些方法就是确立现有的绿色技术并且推广它们，例如新型海上风力场，还有一些方法就需要更新的技术，例如燃料电池。这种转变由一系列因素引起，从由于化石燃料发电所引起的气候变化而增强的环保意识，到对长期石油供应安全的担忧。 当然，小规模的传统化石燃料发电，也可以安装备份。如光伏、风能和微热电联产这样的环保的绿色科技，就正在像高标准看齐，它们减少了来自电网的压力，这样就减少了传统发电导致的二氧化碳的释放。
3、如果设备量够大，那么通过这些技术，年度生产的电能就可以达到甚至超过每年建设所用的电量。如果一项建筑安装了足够数量的分布式发电厂，又能够长期的运用这些技术，那么这一地区的电网就可以被完全移除而自给自足。但是，光伏阵列在晚上处于休眠状态，而风涡轮机的运行性能取决于风速，微热电联产受现场供暖的要求的局限。要真正成为离网时需安装的储能设备，费用是昂贵的，所以很多地方只有在产大于出的时候才将能量馈入电网，当入不敷出时就只能从电网中取电。因此，依靠化石燃料燃烧发电还将持续一段时间。用这种分布式发电厂建模电网就假设了这些分布式发电厂可以作为负载的抵消，这种假设可以成为一个接受点，然而，如果小规模的发电不敷负
4、载，或者减少了网路的可控性，这种假设就不能成立。在这一点上，通过电网的分配，电流就发生明显的改变，电网内母线的电压也受到影响。最重要的是，安装的网络物理硬件能够在一定的条件范围内控制功率，但是这些条件通常都是单向的，也就是从偏远的电站输送到消费者。那么电流的逆转就超出了这些硬件的控制，所以必须改变或者修饰这些硬件，产生双向的电流。在一个较小的范围，功率的逆转调整了低压网下的功率流，从配电网到低压网的功率零传输不能保证低压网就不承载功率，虚拟电厂是置放于系统运营商和电气设备用户之间的人工操作层，它由各个电气设备单元构成，并统筹为一体单元来进行操作，而不是让每个单元独立操作。在这种方式下，它成为了
5、一个调节者。随着网络运营商可以指示虚拟电厂的操作来控制工厂的输出，就或多或少的需要功率的输出。它也可以通过设备发生器合并功率的输出。对于间歇性分布式发电厂主来说，这是有益的，因为分布式发电厂的合并行为减少了输出功率的复杂性，这也意味着在本质上是可以随机预测的。 预测输出的虚拟电厂所面临的挑战，从光伏、风能和微热电联产预测功率的输出的首要问题就是，这些设备是由不可预知源驱动。准确的预知风速、太阳辐射和温度是一种高级主题的气象研究，但是它们都是复杂的问题。另外，精准的预测还存在一些问题，就是一些局部的差异已经超出的预测的范围。总体而言，这个问题的难度还是很大的。在这项工作中，我们关注了三种分布式发
6、电，分别称为光伏发电、风能和微热电联产，为了获得这些技术中的一个虚拟电厂的形式模型，首要任务就是要了解每个技术的特征。风力发电的基础如上所述，地面水平风速在一定程度上的大规模预测具有不确定性，并且由于局部动荡也会导致预测不准确。接下来的工作是在假定没有预测误差的情况下进行的，尽管实际情况并非如此，这种假设是为了简化计算。测量风速中，其余的不确定性就是由局部差异引起的，而这可以进行模拟。在参考文献2中，平均风速为一个给定的海拔高度作为式1，由于地形带来的标准偏差由式2所决定，从广义上讲，测量点越高，风速将会越大约平滑，方程1和2分别提供了平均风速，和风速的标准偏差。在短期测量时间内，分配功能不能
7、精确的呈现，由于假定分配没有差异，有了这些数据，标准的分配就被选出。有了统一分配，标准偏差和平均风速，就可以估计风俗的可能性分布。为了产生有用的输出，这种分布必须同涡轮机动力曲线联系起来。fIG1展示了理想的动力曲线。用统计学理论，就有可能将两种曲线联系起来从而产生一种可能性功率输出。尽管这可能作为独立的单元，但以这种方式处理发电机输出是不切实际的，因为它们必须合并成单一的虚拟电厂输出。虽然使用连续型数据时可能的，但是在过程中使用离散型数据是更方便的。因此，风力涡轮机的输出以离散形式的几率更大。太阳能发电基础知识地面的太阳能辐射也具有一定程度的不确定性，对于福照度，尽管可能涉及一些结构性阴影取
8、决于光伏阵列的安置，但最大的不确定性还是来自于云变的性质，虽然较大的云层可以从太空中看见也能被预测。但一些较小的云层则不容易被注意到，并且在预测辐照度上引入到一个误区。参考文献3给出了卫星8在1平方公里在15分钟内的气象分辨率，与r.m.s.在1分钟内存在20%的误差。虽然在他们的工作中并没有提到特别拟合的概率分布，但他们使用均匀分布同风模型保持一致。均与分布的选择呈现出了这些误差。有了这个信息，光伏阵列的输出功率就可以由研究中使用的模型确定。另外，这种输出在本质上是离散的，易于操作和组合。微型热电联产的基础 微型热电联产更难预测，因为它需要更普遍的数据，以便产生输出。微型热电联产是以锅炉装置
9、为单元，通过它们加热，把废热转换成一些电能效率。这些设置然后就一直加热直到温控器超过上限阀值，就关闭锅炉加热用途。一旦设置失去足够的能量而降到下面较低的阀值时，温控器的锅炉就再次打开。鉴于预测数据包含周围环境温度，就有可能决定提供锅炉可能的占空比，也可预测设备的热工参数。例如从内部到外观的的整体热阻和热容量。通过对设备的热容量和热电阻选择适当的值，并且知道其它如热额定功率和转换效率的锅炉参数，就可能确定出锅炉的占空比，从而确定微热电联产的瞬时输出功率。瞬时功率和平均功率 如上面所述，确定瞬时功率是非常重要的，但也不能忽略另一个重要的数据也就是平均功率的消耗。在预测的时间范围内，瞬时功率描述了在
10、任何一点时的虚拟电厂发电，这在整个预测的时间范围内是不同于平均功率的，平均功率是长期时间的功率。虽然瞬时功率是用于在一定时间范围内确立网络流量的，而静态的平均功率则对长期时间内可用功率更为有益，并且会显示出整体预测流量。风力发电机组长期的功率输出可以用一种简单的途径被聚集起来。虽然这是一种简化的途径，但在确定这种方法的准确度时，时间长短的选择还是起着关键的作用。通过选择下降到10到60分之间的长度，就可以得出风速方差的最小化。虽然这并没有保证速度会完全的适合分布，但是它已经最大限度的提高了它所能提高的机遇。光伏的平均输出功率也可以用一个简单的函数算出，因为云的形成，造成了初始误差。虽然构成基准
11、预测辐射度的较大的云层比较容易预测，但是那些规模较小的浮云会引起误差也可以被平均掉。由于其规模和速度，它们产生的波动类似占空比。虽然这在瞬时功率是会产生误差，但这种行为较为平滑，因此在较长时间内能够得到一个相对准确的平均结果。微型热电联产更加难以描述，由于发电机偏振和关闭行为，输出就作为一个脉冲周期出现。由此获得的输出功率完全依赖于锅炉循环频率和观察期。虽然方程冗长派生，但并不复杂，可以分为四种不同情况分析。结合总设备如上所述，随机输出功率图的组合形成了一个整体的功率输出图，大大加快利用离散数据的机会。要添加两个分布式发电厂单元的功率输出就要使用一系列连续的数据，包括使用大量的集成，而这一过程
12、中也要使用离散型数据，因为这些离散型数据能能够为每个据点解决简单的乘除。这样做是为了每个数据点的输出数据，知道每个分布式发电厂单元都包含两种功率即输出功率和平均功率。考虑到随机过程，在哪里要求分布式发电厂被认为是不重要的。虚拟电厂的实施为了生成具有自动计算和组合的能力的程序，就需要精心的组织程序结构，还要知道怎样交互程序以及同用户的的数据交流。该程序的用户终端是分布式发电厂的管理者，他们应该能够尽可能的聚集输出功率，这也是最频繁重复的工作。此外，管理者应该能够毫不费力的从系统中添加或移走发电机。并且，管理者应该能够一次处理多种情况，无论是手动的重复聚集工作，还是一起进行的装载预测程序列表的任务
13、。从系统运营商进来定的数据分为两个阶段：分布式发电机的单位参数输入，和预测参数项的输入。在使用预测参数前需要给定单位参数，预测参数需要执行程序模式。然而，无论程序模式运行到何时都需要进行第二次输入， 除非虚拟电场的配置被修改，否则只是在虚拟电厂设置期间才需要输入单位数据。这一代的单位安装是费时的，并且需要由系统内部的发电机支配。因此，虚拟电厂发电机安装应该能够被保存和加载，以确保能够迅速的转换到程序的主要部分。程序的输出数据以数据集的形式来针对输出功率。每个预测数据集会产生两套数据，瞬时输出功率和长期的平均输出功率。这是程序内信息流动的终端，而不是也不尝试成为一个图形显示屏或电子表格类型的应用
14、程序。在创造这些程序方面，另外一些人已经做得很好了，所以数据应该以这样一种方式传达给用户，即它可以很容易的从程序转移成图形显示包。图形用户界面根据程序用户流量保持到最低限度的规定，最基本的界面要建立整合上述的特定的因素。产生和预测的输入数据，都能够由端口完成，同时上述的下载及虚拟电厂设备的保存也可以完成。此外，它还可以使用窗口上最左面的两个大框编辑和加载发电机参数，最左面的框能够选择虚拟电厂的发电机，而右面的这个可以显示出所选发电机的参数。通过简单的编辑相关值就可以改变任何发生器的参数，当然，这些新值不会自动保存到文件内，但是对于虚拟电厂来说，这些参数可以或大或小的修改，而不必移除发电机来重新
15、输入不同的参数。除了上述的框，程序内的流动是从左到右。最左边的六个按钮允许投入新的发电机，移除发电机，并且保存和下载发电机配置。中间的四个按钮允许输入预测数据来完成方案的主要目的。它们被分成两组然后再分成两组。首先，他们根据用户是需要运行单一预测还是需要运行一系列预测将用户分成两组。这种分组是垂直的，最左边的按钮只处理单一的预测。第二次分组是根据用户希望运行优化版本还是非优化版本，这可以作为一个有用的示范工具，来显示运行优化过程节省了时间。两种输出是明显不同的，这种分组是横向的，非优化处理时使用最顶端的按钮。稍后在讨论优化本身。窗口的最后部分是输出文本框，完成主程序后，下一个文本框就填充数据集
16、，使用标签划界，从而能够直接的复制粘贴到电子表格应用程序。就其本身而言，它不能编辑，它没有用户输入只有输出，一旦用户选择将数据输入添加到虚拟电厂的发电机，它们将以非常易于弹出的的方式呈现。这就提出了一系列能够改变的发电机参数。此外，为了通过多次投入一致的发电机组来提高效率，用户可以选择投入任何用给定参数的发电机。一旦用户对参数满意，通过点击“完成”按钮可以投入发电机。 按下“关闭”按钮，退出的窗口弹出窗口也没有作用。如果用户决定处理一个单一预测数据，他们就面临着另一个弹出式窗口。使用显示的参数，他们可以输入预测数据。当用户对输入数据满意时，按下“生成”按钮，通过聚合过程中的进展程序，将结果显示
17、给用户。如果用户选择运行一系列预测，他们都将带有弹出窗口。图4中同样的建立参数也可编辑，用户可以添加或移除表中的行。应该将数据存储到一个文本文件列表，用户可以选择将数据加载或存储到文件。一旦用户对数据列表满意，按“生成”按钮，在每一个预测系列中读取来自表和流程的数据。最终的结果表将显示给用户。如果用户选择运行一系列预测，那么他们会提供一种表对话窗口。 后端虽然前端是非常简单直接的，但它和它的进程完全建立在后端正确的架构上。包括图形用户界面接口、后端是一个单层。图5 可以看出后端的布局，该功能可以分为两大类，即数据管理和数据处理。虽然数据处理涉及动态的数据管理，但还是有必要区分两者，这样才可以实
18、现代码重用。虽然数据处理比较复杂，但它是建立在正确的数据管理上。数据管理功能作为后端部分运行的第一个例程，在这里数据结构需要初始化。管理者也需要处理发电机的添加、移除、选择以及虚拟电厂配置的下载和保存。对于预测数据，数据管理职能包括读取这些数据序列表，而这些序列表本身就包括读取和存储预测数据。最后一点，数据管理功能能将输出的数据呈现在屏幕上。但是，管理职能除了组织数据不做其他任何事。管理和处理之间的衔接数据处理功能的切入点，通过数据收集处理功能收集输出数据。数据处理功能处理入口处给它的数据，但是这个数据是没有形式的，处理功能旁边是一个收集处理器，能够进行数据管理。每一个发电机型号都有一级，一旦
19、初始化，这一级能够掌握有关发电机的参数。此外，每一级都可以建立自己的输出功率图，即瞬时功率和平均功率。更复杂的是建立这些图的数学方面，也就是这些图是由位于他们旁边的一类所完成，这一类可以提供要求一点的累积分布的输出。由于这些有用的类，用于进行数据处理的最简单的路线就是让每个发生器构建其输出功率图，然后再结合发电机图，使它们成为两个完整的输出图。虽然这是最简单的路线，但是很显然，处理数据所需时间的长度与发电机数量密切相关，事实上也就只是二次方程。由于发电机的数量可能会很大，优化有利于减少所需时间。这个过程可以有效降低系统中发电机的数量，许多发电机共享同一参数，而正可以减少此类发电机的数量。可以减
20、少发电机所运用的理论就是：聚集的顺序并不重要，除非每个发电机汇集成总，而这在工作中并不常见。以这一基准进行工作，相同的发电机就能产生相同的输出图形。因此，通过结合两个发电机，再结合输出本身，只要四台发电机所提供的是相同的，它们就可以有效地聚合。持续这一趋势，发电机的二进制数字序列就可以取得相对较少的计算。要 找出所有相同的发电机并统计它们的数量，优化就能实现这一功能。作为计算机中的存储号码，自然以二进制格式储存，所以在数据的输出过程中，确定它们中每一位将在倍增过程中同哪一位组合是必不可少的检查。只选择所需的位，就能用尽量少的计算建立输出。模型输出模型和程序有更易于观察的特点，它们中的一些比其它
21、的更直观。然而，一般情况下，可以说， 虚拟电厂单位数量增加有利于相对的减少平均功率的变化。因为它提高了电源的可靠性，这对于系统运营商来说是有益的。每种技术也有相关的输出模式。例如，光伏组件只在白天进行预期输出，而CHP对光伏发电显示相反的操作，仅在较凉爽的时候进行操作。这些技术的预期性发电具有季节性，光伏发电在夏天较有优势，CHP则在冬季的几个月内优势更明显。风力涡轮机根据前一天的研究可以预测显示整天的输出。但是，程序使用的模型有其局限性。这种模型假设预测数据是完全正确的，该方法只有在预测时间内推出了自己的问题，并没有完全准确的预测数据。由于模型没有考虑到这种不确定性，所以系统操作对未来的预测
22、不能获得有益的启示。该模型仍然会为预测产生一个近似的数据，但是由于不确定性就不能提供变化度。案例研究 案例研究给出了三台发电机设置，机风电、光伏和热电联产。额定功率为1.5千瓦的风力发电机组在10米的高度，切入速度为4MS-1，额定转速为12MS-1，切除速度为25MS-1，站点粗糙度为0.7；最大额定管道储运为1.5千瓦的光伏阵列，表面方位角为180，温度系数为0.005，倾斜角为10。微热电联产，锅炉热电力转化率为0.3，额定功率为10千瓦，恒热点为19-20，安装在建筑物的热容量为800JK-1，热阻为0.005千瓦-1.首先,机组孤立。瞬时风力，光伏发电和热电联产对天气预报测试，风速为
23、15ms-1，辐照为800wm-2,太阳方位角为160，太阳高度角为60，温度为8，经过900s的时间。蒙特卡罗模拟，使用相同发电机参数和气象参数，测试同时进行以验证其有效性。使用一百万的随机样本，风，光伏和热电的误差分别为0.010%,0.008%,0.002%，然后在上述相同条件下经营发电机组，蒙特卡洛模拟运行，对一万个随机点进行比较预测，对组合模型给出的平均误差是0.005%。这似乎比起上面说的有轻微的下降，然而，热电联产机组比光伏和风作为单独数据点的数量多两倍，平均错误也最低。 结论本文概述了虚拟电厂模型，展示了这样一种视角，即如何应用这个模型使用用户友好型工具。在概率模型建设中，有三
24、大技术已经取了进展性的讨论：风能，太阳能，微热电联产，还有伴随这些模型所开发的工具，并把重点放在模型快速、易于掌握和易于使用上。而当前模型的局限处就是无法结合不准确性来预测数据。今后的工作主题将包括整合未来1个小时内不精准预测，和对复合虚拟电厂输出的不精确预测的影响。International Journal of Electrical Engineering Education 46/4Characterising virtual power plantsGuy Newman and Joseph MutaleSchool of Electrical and Electronic Engin
25、eering, University of Manchester, Manchester, UKE-mail: g.newman-3student.manchester.ac.ukAbstract The use of small-scale generation based on disparate new and renewable technologies isbecoming more prevalent due to the imperative to reduce greenhouse gas emissions that are thoughtto be the chief ca
26、use of climate change. As penetration of these distributed elements increases,displacing central generation, there is a growing need to understand the composite behaviour ofgroups of Distributed Generation (DG) devices, also known as Virtual Power Plants (VPPs). This paperpresents an overview of the
27、 mathematical modelling of the VPP leading to the development of auser-friendly tool that can be used as a power system engineering teaching aid to demonstrate thecharacteristics of VPPs.Keywords distributed generation; micro CHP; solar PV; virtual power plant; wind generationThe growth of environme
28、ntal awareness in society is putting pressure on the electricpower generation business to reduce CO2 emissions, thought to be the chief causeof climate change. This is leading to new methods to generate power. Some of thesemethods build upon existing green technologies and expand their size, such as
29、 newlarge-scale offshore wind farms, while other methods employ newer technologies such as fuel cells. The shift is driven by a combination of factors ranging fromincreased awareness of climate change due to power generation from fossil fuelsthrough to concerns about long-term security of oil suppli
30、es. Aside from energytrading companies, small-scale Distributed Generation (DG) technologies are availablefor commercial and residential buildings, which can offer similar green credentialsfor a smaller scale of power generation. Of course, small-scale conventionalfossil fuel based generation can al
31、so be installed for back-up purposes.Environmentally, the installation of green technologies such as photovoltaic (PV),wind and micro combined heat and power (CHP, or microCHP) is benefi cial inthat it reduces the electric power drawn from the grid, thus reducing the carbondioxide released from conv
32、entional electricity generation. If installed in large enoughquantities, the annual electrical power produced by these technologies can equal orbecome greater than the annual power usage of the building, or site. For a buildingwith this quantity of DG installed it would be logical to suggest that th
33、e site couldbe removed from the grid entirely and become self-sustaining, if it were not for theintermittency of the technologies involved. PV arrays are dormant at night, windturbines are a slave to the wind speed, and microCHP is a slave to the site heatingrequirements. To become truly off-grid re
34、quires the installation of energy storagedevices, which is costly, so many sites simply feed power back into the grid whenthey produce more than they consume, and take power out of the grid when theyconsume more than they produce. The reliance on fossil fuels (for conventionalgeneration) is, therefo
35、re, maintained.The approach to modelling power networks with DG has been to assume the DGas a load offset.1 This assumption is acceptable to a point; however, the assumptionfails if the small-scale generation outstrips the load, and leads to a reduction ofcontrollability of the network. At this poin
36、t the fl ow of power through the distributionnetwork can alter signifi cantly, affecting bus voltages within the power network.Most importantly, the physical hardware of the network is installed to control powerfl ow for a range of conditions, but these conditions are usually entirely unidirectional
37、,from the remote power station to the consumer. The reversal of power fl owis beyond the scope of the hardware to control, so the hardware must be changed ormodifi ed to enable bidirectional power fl ow. On a smaller scale, the fl ow of powerwithin the low voltage (LV) network is adjusted by the rev
38、ersal of power, affectingthe line voltage profi le. Zero transfer of power from the distribution network to theLV network does not guarantee that the LV lines are not carrying power,anymore.The virtual power plant (VPP) is an artifi cial layer placed between the systemoperator and the DG user. It is
39、 formed out of individual DG units, and co-ordinatesthe actions of the units as a whole (where this is technologically possible), ratherthan leaving units to govern themselves individually. In this way it acts as a facilitator,as the network operator can instruct the VPP operator to control the outp
40、ut ofthe plant, requiring more or less power output. It also acts to amalgamate the poweroutput from the component generators. This is useful for owners of intermittent DG,as the amalgamation of devices acts to reduce the complexity of their output power,which is stochastic in nature to predict.Chal
41、lenge of predicting the output of a VPPThe primary problem with predicting the output power from microCHP, solar PVand wind is that these devices are driven by unpredictable sources. Accurate predictionschemes for wind speed, solar irradiance and temperature are all advanced topicsin meteorological
42、studies, but they are complex problems. In addition to the problemsof accurate forecasting, there are local variations which are beneath the scaleof the forecast. Overall, the problem is of sizeable magnitude. In this work we focuson three DG technologies, namely wind, microCHP and solar power. In o
43、rder toderive aggregate models for these technologies in the form of a VPP, it is fi rst necessaryto understand the characteristics of each technology.Wind power basicsThe wind speed at ground level is, as mentioned above, characterised by a degreeof uncertainty in the large-scale forecasting and al
44、so by localised turbulence belowthe scale of the forecasted data. It is assumed in the following work that there is noforecasting error, although this is not the case. This assumption is made to simplifythe computations. The remaining uncertainty in the wind speed is dependent onlocalised variations
45、, and this can be modelled. In Ref. 2, the average wind speed fora given altitude in given as eqn (1). The standard deviation due to the geometry ofthe landscape is determined from eqn (2), also from Ref. 2. Broadly speaking, thehigher the measurement point, the greater and smoother the wind speed w
46、ill be.Equations 1 and 2 provide the mean speed, and the standard deviation of the windspeed, respectively. where z is the height of interest, z0 is the roughness length, h is the measurementheight, and U is the wind speed. where is the standard deviation.No distribution function is noted for accura
47、tely representing small time periodmeasurements, so the uniform distribution was chosen for use with the data, as thisassumes no bias of distribution. With the uniform distribution, the mean wind speedand the standard deviation, the wind speed probability distribution can be evaluated.This distribut
48、ion must be combined with the turbine power curve in order to producea useful output. An ideal power curve is shown in Fig. 1. Using statistical theory, itis possible to combine the two curves to produce a single probabilistic power output.Although this can be done for a single unit, it is impractic
49、al to manage the generatoroutputs this way, as they must be combined into a single output for the VPP. Usingcontinuous data is possible, but it is more convenient for the process to use discretedata. Therefore the probabilistic output is stored in a discrete form for the wind turbines,PV arrays, CHP gene
