互补优化（精选6篇）
互补优化 篇1
1 引言
目前, 我国还有8亿多人口居住在农村, 偏远山区大约有2000万人还未接通电力, 偏远山区距离中心城镇较远且分散, 不集中, 电网架设费用高、利用率低, 制约了当地居民生产、生活用电。同时, 偏远山区风能、太阳能储量丰富, 利用风光互补发电系统将丰富的风能、太阳能转化为电能, 可解决偏远山区居民生产、生活用电, 并为冬季取暖提供电能, 减少煤炭、木材燃烧、污染物排放, 为解决雾霾提供一种可借鉴的发电方式, 促进偏远山区经济发展[1~4]。
2 山区风光互补发电系统组成及工作原理
山区风光互补发电系统主要包括将风能转换为电能的风力发电机、太阳能转为电能的光伏电池板、整流桥、单双向DC/DC变换器、控制器、蓄电系统、逆变器、负载、卸荷系统等。该系统利用自然风作为动力, 风力发电机的风轮吸收风能, 带动发电机旋转, 将风能转变为电能, 光伏电池板利用光伏效应将太阳能直接转化为直流电。风能发电经整流桥、DC/DC变换, 太阳能发电经单向DC/DC转化成直流电, 并分别直接向直流负载或者通过逆变器逆变向交流负载供电;多余电能经双向DC/DC变换器, 然后储存到蓄电系统。由于某个时段风能、太阳能特别丰富, 发电超出了负载和蓄电系统需要, 提前检测, 并通过无极逐渐卸荷方式将多余电能释放掉;由于某个时段阴天、下雨造成风能、太阳能较弱时, 发电不能满足负载需要, 蓄电系统可通过双向DC/DC变换器向系统供电, 使供电系统可以连续、稳定工作。蓄电系统、卸荷系统共同作用起到电能调节和负载平衡的作用, 提高电能利用率。
3 山区风光互补发电系统优化
偏远山区生产、生活用电主要集中于照明、电视、冰箱、洗衣机、电脑及其附件、电风扇、电暖等, 日耗电量约为6kW·h, 偏远山区居民各月耗电量、总发电量及盈亏量变化曲线分别如图1、2、3所示。
由图1、2、3可知:8月份系统发电低于耗电量, 可采用减少用电设备的方法避免。同时, 依据偏远山区风能、太阳能资源调查数据, 综合考虑风力发电机、太阳能电池板效率, 选用2kW的风力发电机和4块150 W的光伏电池板组成风光互补发电系统。考虑到8月份亏损量, 在实际应用中, 采用2kW的风力发电机和6块150 W的光伏电池板组成风光互补发电系统, 多余电量通过并网供其它附近居民使用, 有效地提高了电能利用率, 避免了卸荷造成浪费, 同时也为安装用户带来了额外的经济效益, 其它少量居民使用多数安装用户的多余电能也可满足用电需求, 节约了投资。
4 结语
依据偏远山区风能、太阳能资源调查数据, 采用风光互补发电系统满足偏远山区居民用电, 优化了系统配置, 提高了利用率。实际应用表明系统供电及并网运行平稳, 满足山区居民用电量需求。
参考文献
[1]谢明月.小型风光互补控制策略研究[J].通信电源技术, 2014, 31 (6) :24~25.
[2]巴丽合亚, 陈华.风光互补发电技术在新疆的应用及展望[J].化工自动化及仪表, 2015, 42 (1) :1~2.
[3]李习武.风光互补发电系统设计方法研究[J].科技与创新, 2014 (20) :2~3.
[4]沈从举, 贾首星, 汤智辉, 等.风光互补发电系统在农村的推广应用[J].机械研究与应用, 2013, 26 (2) :86~87.
互补优化 篇2
太阳能与风能在时间和地域上天然具有很强的互补性,风光互补混合供电系统是可再生能源独立供电系统的一种重要形式。与独立风力发电或光伏发电相比,风光互补混合供电系统能使电力输出更可靠、平稳,同时还降低了对蓄电池储能的要求,因此被证明是一种比单一光伏或风力发电更经济、可靠的选择[1,2,3,4,5]。
目前,部分学者对风光互补混合供电系统的容量优化配置问题进行了研究,提出了一些很有价值的建议,然而在其研究中还存在模型不精确或未能考虑光伏电池倾角等问题。部分文献采用了传统的优化方法,但其计算效率低下。文献[6,7]采用遗传算法及粒子群算法等新型智能优化算法,在一定程度上提高了问题寻优的速度,但依然未能保证解的全局收敛性。另外,一些文献将负载假定为恒定不变,这都造成了所推导公式的适用范围非常有限。
本文提出一种利用改进微分进化算法进行风光互补混合供电系统优化设计的方法。该方法采用了更精确的表征组件特性的数学模型,在满足独立供电系统基本性能指标的前提下,构造出以系统投资成本、运行成本、维持系统供电可靠性等综合成本最小为目标的目标函数。其寻优机理综合了遗传算法和粒子群算法的优点,能够根据种群中个体的分布情况,利用控制参数自适应调整策略,获得更高的全局收敛能力和更快的搜索效率。
1 混合供电系统描述
如图1所示,该混合供电系统由不同型号的风力发电机(WG)组、光伏电池(PV)板和蓄电池(SB)组成。这些电源具有各自不同的成本,对用户供电的可靠性不同,其对环境的适应性也不同,因此集中在一起相互补偿,在满足系统性能指标的条件下,可获得最经济的发电方案。
1)WG[8,9]
通过大量实验表明,WG的发电功率与风速间的关系如下:
式中:v为风力机轮毂高度处的风速;vei为切入风速;ve0为切出风速;vr为额定风速;pr为额定输出功率。
2)PV
计算PV的输出能量时,需要考虑辐射和温度对能量输出的影响,其输出功率的计算见文献[10]。
PV的倾斜角是影响PV发电量的重要因素之一。从太阳能电池应用以来,相关学者已提出了一些选择最佳倾角的观点和方法,但是这些方法大多仅适用于独立光伏发电系统[11]。
PV发电量Ps(t)与倾斜角β最终可以建立如下函数关系(具体推导见附录A):
3)SB
混合系统中SB的能量是不断变化的。t时刻SB的状态与前一时刻SB的状态和t-1时刻到t时刻电量的供求状况有关。当PV和WG的总输出电量大于负载用电量时,SB处于充电状态,否则,SB处于放电状态。t时刻SB的荷电量可表示为:
式中:ηinv和ηb分别为逆变器的效率和SB的充电效率;Pd(t)为t时刻所需的负荷;Pb,soc(t)为SB在t时刻的储能量,Pb,soc(t)-Pb,min(t)为SB在t时刻可提供的能量,Pb,min为SB规定的最小储能量;Pt(t)为风光混合系统在t时刻的供电量,
该计算忽略SB每小时自放电率。
2 优化问题描述
2.1 目标函数
优化设计目标是在满足系统性能指标的前提下,使系统投资、运行、可靠性等综合成本最小,其目标函数如下:
式中:Ctotal为系统总成本;Cw,Cs,Cb,Cr分别为WG总成本、PV总成本、SB总成本以及计及供电可靠性的系统电量损失总成本,
Cr=kcoePEENS (9)
式中:W,S,B分别为WG,PV,SB的数量;ei,fj,lk分别为第i,j,k个WG,PV,SB的单位造价;Pi,Pj,Pk分别为第i,j,k个WG,PV,SB的容量;u(Pi),u(Pj),u(Pk)为对应的年维护和运行费用;m为设备折旧年限;r0为贴现率;kcoe为赔偿系数;PEENS为系统电量不足期望值,在计算时采用时间序列和蒙特卡罗方法,即将时间序列分为许多相等的时间段,认为在时间段内,风速、光强、载荷等都不变,然后运用蒙特卡罗方法对随机选取的采样值进行可靠性计算。
运行时间T内系统电量不足期望值计算公式如下(当t时刻供电量大于或等于负荷需求时其值为0):
在系统可靠性未满足时,计算系统电量损失总成本比较困难,目前国内停电损失的评估方法主要有平均电价折算倍数法、产电比法和总拥有费用法。为了尽量减小对停电损失的估算误差,本文采用前2种方法的加权平均:
式中:R为产电比;α1和α2分别为电价折算倍数法和产电比法的加权系数;b为单位停电电价与平均电价的比值,一般取25;e为平均电价。
2.2 约束条件
1)SB电量变化约束条件
式中:Pb为每小时内SB电量的变化量;Pb,cap,max为SB每小时内所规定的电量最大变化量;Pb,min为SB最小所需的电量;Pb,max为SB最大的电量。
2)WG数量、PV数量、SB数量约束条件
式中:Nw,max,Ns,max,Nb,max分别为由WG,PV,SB满足用户负荷需求所需要的个数。
3)光伏太阳板倾角约束条件
通过观察发现,上述约束条件均满足如下形式:
因此,在微分进化(DE)算法运算过程中,当生成的粒子不满足约束条件时可利用下式进行处理:
3 DE算法的改进
DE算法[12]中,个体竞争较强,很容易收敛到局部最小而导致早熟问题。传统的解决方法是利用大规模的初始群并利用一些数学方法使其能均匀分布,然而这样必然会影响计算的时间效率。这里采用解群转换方法解决早熟问题。
对解群Xi的第j维分量按下式进行解群转换操作重新生成:
式中:xk+1i,j为第k+1代解群中适应度最好的个体的第j维分量;p1和p2为[0,1]内均匀分布的随机数。
这里采用下式衡量解群的分散度:
式中:
u为种群多样性的程度因数;N为种群数量;n为个体维数;ε1∈[0,1]和ε2∈[0,1]分别为设定的种群理想差异系数和相对于最优个体的理想差异系数;ηi,j为个体差异指数,当ηi,j=0时表示第i代个体的第j维分量接近于最佳个体的第j维分量。
当u<ε1时,将进行变异操作产生新的个体来摆脱局部最小而导致的早熟问题,即当超过给定的限制值时,进行解的转移以脱离局部最优点,否则继续保持原有的搜索路径寻找最优解。
4 风光互补混合供电系统容量优化配置
通过上述描述可以将优化问题用以下数学表达式表示:
基于改进DE算法求解的具体步骤为:
1)算法参数初始设置。设置种群数N、终止迭代次数C、变异因子上下限Fmax和Fmin,杂交因子上下限CRmax和CRmin,解群转换操作系数ε1和ε2。
2)种群初始化。在决策变量的变化范围内随机生成N个解。
3)计算父代种群的适应度方差,计算F和CR的当前值。
4)分别进行变异和交叉操作,生成子代种群。
5)将子代种群代入约束条件式(12)～式(14)进行检查,不满足条件的按式(16)进行处理。
6)计算出父代种群和子代种群的适应值,然后采用贪婪策略进行选择操作,并记录当前最佳个体和对应的适应值。
7)按式(18)和式(19)判断当前种群的分散度,对某些即将重叠的个体,利用式(17)进行解群转换操作。
8)重复步骤3～步骤7至达到终止迭代次数。
5 算例分析
以某地区(北纬32°46′)为例进行计算,该地区日照数据、风速数据、系统用户所需负荷数据见附录B图B1和图B2;风光混合系统中采用的WG,PV,SB具体参数见附录B表B1。采用MATLAB语言对改进DE算法编程,同时与基本DE算法计算结果进行比较。算法参数见附录B。
基本DE和改进DE算法的进化迭代过程和种群适应方差动态演化曲线见附录B图B3和图B4。可以看出,基本DE算法的种群适应方差曲线由大变小,最后变成0,说明种群收敛到了个体,而改进DE算法的种群适应方差曲线在20代后不断波动,表明改进算法有利于维持种群多样性,有效避免了收敛到局部最优。
风光互补混合供电系统中的4个变量——光伏太阳板倾角、WG个数、PV个数、SB个数在改进DE算法中的寻优过程如图2所示。
从图2可以看出,改进DE算法搜索到的最优结果与DE算法相比,其性能更加稳定(改进DE算法的100次搜索成功率为86%,而DE算法的100次搜索成功率为69%)。
通过寻优得到风光互补混合供电系统全年WG发电量、PV发电量、SB的电量变化情况如附录B表B2所示。
通过最优配置方案,负载用电的基本要求由WG就能满足(占整个电量的69%),然而由于实际风能分布和负载用电变化情况的不匹配,WG发电量很不稳定,由单纯风力发电来保障负载用电,其可靠性较低。通过对WG和PV方阵进行合理组合,风能和太阳能在时间分布上的互补性就能被充分利用。从附录B表B2所示WG发电量、PV发电量和SB充放电情况与负荷的变化情况来看:1年内WG与PV的发电高峰出现于不同时期;风光有效互补可防止SB频繁充放电,提高SB的寿命。
同时,由于2种自然资源分布与全年负载用电分布的不匹配,混合系统会发出不被负载利用的多余电量,此时可以考虑在保证供电可靠性的同时,分别停运一些WG,对其进行检修和维护。
利用改进DE算法对2种配置方案(方案1:PV,WG,SB;方案2:WG,SB)分别进行优化求解,将所得结果进行经济特性对比分析,如表1所示。
图3为以上2种配置方案全年的缺电容量与时间的关系。
一般供电系统的可靠性用功率供给亏欠率和缺电率来表示,其计算见文献[13,14]。按照上述2种方案配置设计独立供电系统,可得到风光混合系统的全年停电时间为292.5 h,全年缺电率为0.031 4,全年功率供给亏欠率为0.028 8;单一的风力发电系统全年停电时间为798.7 h,全年缺电率为0.091 4,全年功率供给亏欠率为0.060 2。
可知配置方案1中,风能和太阳能在时间分布上的互补性可以被充分利用,因此系统供电不足时间大幅减小,系统全年缺电率和全年功率供给亏欠率较小,所以缺电惩罚成本较低。同时,由于风能和太阳能在时间上的互补性大幅减少了系统定期维修的时间,有效减少了SB的频繁充放电,延长了使用寿命,因而风光混合系统的运行维护成本较低。
经过寻优可得到光伏太阳板倾角与年系统总成本的关系如图4所示。
现有很多风光互补供电系统设计方案中,大多将PV倾角设计为当地纬度值。在混合系统中,对于固定式光伏方阵,倾角选择不仅与日照有关,还与风速、负荷和选定组件的容量等都密切相关。光伏太阳板最佳倾角的不同选取直接影响到PV发电量的变化,同时为了保证电力供应的可靠性,必须增加SB数量,这些变化都会导致独立系统的总成本增加。因此,本文将光伏太阳板倾角作为一个决策变量代入运算,通过运算结果发现,图4所示关系曲线为一条抛物线,年系统总成本最小值对应的角度约为23°,所求得的最佳倾角与当地纬度存在一定差异。
5 结语
本文对风光互补混合供电系统容量配置进行了研究,考虑了地理位置、每小时风速、日照、负荷变化,以及风速模型特别是光伏太阳板倾角等因素。而现有很多风光互补供电系统设计方案中,都将光伏太阳板倾角设计为当地纬度值,其实对于风光互补供电系统,倾角选择还与风速、负荷有关,倾角的设计应该使风能和太阳能具有良好的互补性。因此,本文将倾角作为一个决策变量代入运算,通过运算结果发现,倾角与当地纬度差异较大。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
互补优化 篇3
与水电、火电等常规电源相比,风能、太阳能等新能源发电最根本的不同点在于其有功出力的随机性、间歇性、波动性[1]。对于某些以新能源发电装置作为主供电源的微电网系统而言,这会极大地影响电能质量甚至造成系统供电不足。另一方面,不同的新能源系统混合供电可获得相对平稳的输出性能,最典型的是风光互补供电系统[2,3,4]。在规划设计时,对多种能源之间的最优配置问题进行定量研究具有理论与实际应用价值,但目前针对该问题系统的优化配置方法研究并不多见。大多数研究都是在不同的电源容量和接入方式下,对节点电压等系统参数进行仿真比较[5,6],这种基于枚举的确定性方法不仅工作量大,而且无法反映系统的全面情况和变量的内在规律。随机潮流(PLF)算法是解决上述问题的有效方法。经典的PLF算法运用概率统计方法处理系统中的随机变化因素,其主要过程如下:通过连续分布的特征函数,求取随机变量的半不变量,将非线性潮流方程在基准运行点线性化,以便采用卷积或Gram-Charlier级数展开等方法获得系统状态变量的分布情况[2,7,8,9],从而深刻地揭示系统运行状况,为规划决策提供更完整的信息。
实际系统中的很多随机因素具有离散特征,无法通过连续的分布函数描述[2],而计算机难以求解连续与离散分布的联合分布问题,因此,经典PLF算法在考虑离散随机因素时面临一定困难。文献[8]采用PLF算法处理连续正态分布变量,用Von Mises方法处理离散分布变量,运算精度较高,但实现过程繁琐。本文通过采样和卷积运算,建立离散概率分布来表示系统中的随机变化因素,包括风、光、负荷、补偿装置功率的随机分布和系统元件的随机故障。相应的,对基于连续分布和特征函数的经典PLF算法进行改进,使离散概率运算更加快捷。在改进PLF算法的基础上,本文进一步提出风光互补供电系统多目标配置模型及其优化算法。
1 风光互补供电系统多目标优化模型
对风光互补供电的微电网系统进行综合优化配置,目的是在满足相关约束条件下,达到投资成本、供电能力、供电质量之间的平衡。从多目标优化的角度,可设定如下3个优化目标:(1)供电系统经济性;(2)负荷节点电压质量;(3)系统电能充裕度。相应的,建立如下3个目标函数:
式中:Ni和pi分别为第i种发电装置(风力、光伏等)或无功补偿装置的数目及容量;系数k1i和k2i分别为第i种发电装置或无功补偿装置的固定和可变成本系数;Vi为节点i电压,和分别为节点i电压允许上下限;Φ为所考察的负荷节点集合;Xi为第i种发电装置的输出有功功率;Y为负荷有功功率。
式(1)为投资成本,衡量了系统的经济性;式(2)从电压角度衡量微电网波动性,表示负荷侧有节点发生电压越限的概率;式(3)衡量了微电网自给电能的充裕程度,对于孤立系统而言即为停电概率,对于并网系统而言则表示需由主网供电的概率。优化的方向是式(1)—式(3)尽可能同时达到最小。
无功补偿设备的规划决策是风光互补供电系统优化配置的重要内容之一。为提升风光互补系统的电压质量,常需配置无功补偿设备。有无无功补偿设备,对风光电源配置量和配置成本均有较大影响。因此,本优化问题的决策变量为:第i种新能源发电装置或无功补偿设备的配置数目Ni以及单台容量pi。
本文通过离散概率分布来表示系统中的随机变化因素,并且通过改进的离散随机潮流算法快速计算概率目标函数(式(2)、式(3)),在此基础上,通过带有精英策略的非支配排序遗传算法(NSGA-Ⅱ)求取最优的Ni及pi组合。
2 注入功率的离散概率分布
2.1 风电场出力的概率特性
威布尔函数常被用于描述风速v的概率密度特性:
式中:π为形状参数;c为尺度参数。
风电场的输出功率是一个由风速和风机参数共同决定的随机变量,记为x1。多数研究采用分段曲线表示风机输出特性[10,11]。若风电场具有N1台参数完全相同的风机,且忽略不同风机的风速差异,则风电场输出功率也可采用如下的分段曲线描述:
式中:x1(v)表示风速为v时对应的风电场输出功率;e为单机额定功率;vc为切入风速;vR为额定风速;vF为切出风速。
对风电场功率曲线离散化,得到n个分离的可能输出功率值[12],离散策略如图1所示。图中,a为切入与额定风速之间的均分步长,即a=(vR-vc)/(n-1)。
风电场输出功率x1的离散分布函数Pr{x1(i)}表示为:
风机的停运会造成风电场的出力跳变。为简化分析过程,设各机组的停运率均为λ。定义风电机群的可用率随机变量s1为:
式中:Pw(i)表示当前风速下,有i台风机正常工作时的出力;Pw表示当前风速下,风机全部正常工作时的出力。
显然s1满足二项式分布,即
式中:i∈[1,N1]。
假设风速的大小与风机故障相互独立,实际风电场出力的概率分布可由这2个随机变量概率分布的卷积得到。风电场实际输出功率X1的分布函数为:
式中:k=j(i-1);i∈[1,n];j∈[0,N1]。
2.2 光伏系统出力的概率特性
记光伏系统输出功率随机变量为x2。由于光伏系统输出功率与光强成正比,因此,可通过常用于描述光强分布的贝塔函数表示x2的概率密度特性[12]:
式中:Pm为最大输出功率;ξ和为分布参数。
若每个阵列的面积和光电转换效率都相同,分别记为b和η,N2表示阵列数目,Rm为最大辐射功率,则光伏系统最大输出功率为[2]:
将[0,Pm]区间均匀离散为n个分离的功率值,离散间隔C=Pm/n,可得x2的离散概率分布函数为:
式中:i∈[1,n]。
同样的,记单个阵列的停运率为ρ,则光伏系统可用率s2的分布为:
式中:i∈[1,N2]。
将x2与s2的分布卷积运算得到光伏系统实际输出功率X2的概率分布:
式中:k=ij;i∈[1,n];j∈[0,N2]。
2.3 自动投切无功补偿装置概率特性
本文采用在机端母线并联电容器组的无功补偿方式,投切策略如下:根据发电装置的有功功率自动投切,尽量保证送出的无功与有功功率相匹配[13,14]。该策略可通过下式表示:
式中:PN为风电或光伏输出有功功率;QM为补偿装置的注入无功;为人工设定的参数,控制发电侧送出的功率因数。
由于电容器不能无级调节,故实际值是变化的,且PN具有随机特性,因此QM也是随机变量。以风机为例,设风机群有功功率满足如下分布序列:
若风机群的补偿装置由N个电容并联而成,每个电容的容量为S。将X1(n)等分为N个间隔,间隔长度为X1(n)/N。则补偿电容组送出的容性无功功率z的分布函数为:
式中:k∈[1,N];;i∈[1,n]。
考虑硬件老化或单位时间投切次数达到极限等因素的影响,设定电容等效故障率ξ。通过卷积运算可得到补偿装置实际注入无功功率Z的概率分布。
2.4 负荷的随机特性
规划参考的负荷是通过预测得到的值,实际负荷是一个随机变量,记为y。本文认为负荷具有正态概率密度特性,将正态曲线离散化可得到负荷的离散概率分布函数Pr{y=yi}=pi,过程详见附录A。
3 算法分析
3.1 改进的PLF算法
改进PLF算法的核心是将随机变量的期望值和增量分开研究,通过矩计算和转化增量的各阶半不变量,高效地进行离散概率运算。记同一随机变量的v阶原点矩、中心矩、半不变量分别为αv,βv,γv,则原点矩与中心矩之间的递归关系为[9]:
原点矩与半不变量之间的递归关系为:
改进最优潮流(OPF)计算节点电压越限概率的流程如下。
步骤1:将风、光功率曲线离散化,得到离散概率分布序列,并与表示随机故障的二项式分布卷积得到实际输出功率的离散分布序列。同样的,得到负荷和补偿装置功率的离散分布,具体过程见第2节。
步骤2:计算风、光、负荷、补偿装置功率的期望值和功率增量的离散分布函数。具体的,若功率X的离散分布函数为Pr{X=Xi}=pi,则功率期望值m=E(X)=∑piXi。相应功率增量ΔX的离散分布函数为:Pr{ΔX=Xi-m}=Pr{X=Xi}=pi。
步骤3:计算功率增量ΔX的各阶原点矩α,进而根据式(18)计算ΔX的各阶半不变量。其中ΔX的v阶原点矩计算方法为:
步骤4:取风、光、负荷、补偿装置功率为步骤2计算所得的期望值E(X)。进行潮流计算,得到节点电压期望值以及最后一次潮流迭代的灵敏度矩阵S。
步骤5:半不变量性质。若随机变量x可由随机变量y1~yn线性表示,即x=λ1y1+λ2y2+…+λnyn,则x的v阶半不变量可由y1~yn的v阶半不变量表示如下[8,9]:
(x)v=λv1(y1)v+λv2(y2)v+…+λvn(yn)v(20)
节点注入功率增量ΔP和ΔQ是风、光、负荷、补偿装置功率增量ΔX的线性变换,则根据ΔX的各阶半不变量和式(20)计算出节点j注入功率增量的v阶半不变量ΔP(v)j和ΔQ(v)j。
步骤6:步骤4最后一次潮流迭代的修正方程为
电压增量ΔV是ΔP和ΔQ的线性组合。根据式(20),ΔVi的v阶半不变量可由下式计算:
式中:JVP,i,j和JVQ,i,j为灵敏度矩阵S中的相应元素;为步骤4得到的节点电压期望值。
步骤7:由式(17)和式(18),将ΔV(v)i转化为ΔVi的各阶中心距βv。根据Gram-Charlier级数理论,ΔVi的归一化随机变量w的累积分布函数可由如下级数逼近[7,8]:
式中:Θ为标准正态分布的累积分布函数;Θi为Θ的i阶导数;w=(ΔVi-μ)/σ,μ为ΔVi的期望值,σ为ΔVi的标准差,根据半不变量定义有ΔV(1)i=μ,ΔV(2)i=σ2;系数ci是βv的多项式,本文取前9项,具体计算公式见文献[9]。
步骤8:节点i电压越限概率等于相应电压增量的越限概率,即
式中:ΔVi-=Vi--珟Vi;ΔV-i=V-i-珟Vi。
步骤7已求出ΔVi的归一化分布函数F1(ω),则
类似的,停电概率可通过以下步骤计算。
步骤1:功率裕量δ是风、光、负荷有功功率的线性变换,即
步骤2:由Xi和Y的半不变量求得δ的半不变量,进而求得δ的归一化分布函数F2(ω),则
3.2 NSGA-Ⅱ的并行改造
NSGA-Ⅱ详细流程参见文献[15-16],本文不再赘述。卷积、潮流迭代、高阶矩、高阶导数的计算,是优化过程最耗时的部分。如图2所示,本文对NSGA-Ⅱ进行主从并行改造后得到PNSGA-Ⅱ,从而有效缩短计算时间[17]。
4 算例分析
4.1 参数设置
选择浙江省某岛屿新能源示范工程作为算例。如图3所示,系统可简化为一个7节点网络。
风机的切入、额定、切出风速分别为4 m/s,13m/s,23 m/s,固定成本10万元/台,可变成本0.3万元/kW。光伏阵列光电转换效率22.9%,固定成本5万元/台,可变成本0.2万元/m2。补偿电容固定成本6万元/台,可变成本0.5万元/kvar。负荷1:μ1=2.6 MW,σ1=0.5 MW;负荷2:μ2=2.3 MW,σ2=0.4 MW。负荷作为PQ节点,功率因数0.8。节点电压上限1.3(标幺值),下限0.7(标幺值)。决策变量取值范围见表1。
由于缺乏实际运行数据,本文光伏系统和风机的可靠性数据参考国外文献[18-19],风机和光伏系统稳态模型参见文献[20-21]。
4.2 Pareto最优解集
设定PNSGA-Ⅱ种群规模为50,进化50代,交叉率为0.9,变异率为0.1。附录A图A1给出了初始种群和优化后种群在解空间的分布。可以看出,PNSGA-Ⅱ能有效地使种群朝Pareto最优方向进化。优化后种群发生较为明显的集聚,形成2支非支配前沿。随着进化代数的增加,非劣的Pareto解在种群中所占的比重逐渐增大,当进化到50代时,劣解已全部淘汰。随着投资成本的增加,停电概率和节点电压越限概率逐渐下降。由于3个目标函数之间相互矛盾,使3个优化目标都同时满足最优的全局最优解必然不存在。但决策者可根据实际要求从Pareto解集中选择所需要的方案。
表2给出了其中一组Pareto解集。若要求供电系统总投资成本不超过1 000万元,则解集中第2组解满足此要求。若要求停电概率和电压越限概率均低于20%,且成本越小越好,则第1组解满足此要求。这种方法能避免传统的加权求解的盲目性,提供给决策者较大的选择弹性,且当约束条件和需求变化时只需重新从解集中选择,而不必重复进行寻优计算。
4.3 本文PLF算法性能分析
经典PLF算法采用连续分布函数描述功率的变化情况,文献[2]给出了满足贝塔分布的光伏输出功率的k阶矩的计算公式:
不考虑阵列故障,采用式(28)和本文离散方法分别计算算例光伏系统输出有功功率的k阶矩,进而计算有功功率的k阶半不变量,定义误差Δ(i,j):
式中:R(i,j)和r(j)分别表示本文方法离散i点和式(28)计算的有功功率j阶半不变量。
不同采样点数下本文方法误差曲线如图4所示。可见,离散方法计算半不变量时不可避免地存在误差,结果可能偏大,也可能偏小。并且误差随着半不变量阶数提高而增大,随着采样点数增加而减小。将功率曲线离散200点时,第5阶半不变量的误差已控制在0.5%以内。
在算例的第1组最优解条件下,分别采用本文的PLF算法以及Monte Carlo方法计算节点1的电压累积分布函数,结果如图5所示。可见,离散点数为200时,本文PLF算法所得的累积概率分布与Monte Carlo方法已十分接近。Monte Carlo方法抽样的点数越多,所得结果精确度越高,本文将Monte Carlo(5 000)所得结果作为电压变量的基准分布。
定义均方根(ARMS)误差[7]:
式中:fPLFi和fMCi分别表示用本文PLF算法和Monte Carlo方法求得的i点的累计概率值,统计点在0.5~1.8范围内均匀选取,总点数N取130。
本文算法在智能优化过程中用于求解个体的目标函数值,进而比较个体的优劣,指引种群的进化方向。为保证NSGA-Ⅱ优化的实用性,对目标函数算法的运算速度和精度都提出了很高的要求。由表3可见,随着离散点数增大,PLF算法的精度显著提升,运算时间也有较大增加,当离散200点时,本文PLF算法的误差表现与文献[6]提出的Von Mises算法已较为接近,而运算时间相对于Monte Carlo(5 000)和Von Mises算法有明显优势。显然,本文的PLF算法用于NSGA-Ⅱ优化过程非常合适。
5 结语
本文提出了一种基于概率模型的风光互补供电系统多目标定量优化配置方法。该模型和算法的前提是系统内所有随机变化因素相互独立,但对于实际系统而言,有时过于理想化。今后,将对考虑随机因素相关性的规划方法进行研究。
本文并行计算的平台为配置酷睿E72002.53GHz CPU和2G DDR2内存的PC,并行环境为MATLAB r2009a。种群规模为50,进化50代的PNSGA-Ⅱ在8进程并行计算时加速比[17]达到5.823。为进一步提升优化速度,下一步研究中拟采用计算机集群来代替目前采用的单机多核处理器模式。
附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。
互补优化 篇4
关键词：多能互补,冷热联供,优化,评估模型,公共机构
1 引言
公共机构是能源消费的重要领域。我国公共机构能源消耗指标高、总量大, 节约潜力大, 是节能工作的一个重要领域。同时, 公共机构是社会行为和公共道德的示范和标杆, 公共机构对自身节能的重视程度影响着社会公众的能源消费观念。因此, 加强公共机构节能工作, 不仅是构建和谐社会, 缓解资源压力, 实现国民经济可持续发展的必然选择, 也是落实科学发展观, 引导和推进全社会节约能源, 建设节约型社会的有效途径。
2 公共机构能耗特点
我国公共机构分布广, 气候差异大, 且公共机构建筑类型多样化、能源种类各有不同。大型公共建筑的用能设备包括空调、供热、照明、办公设备、电梯等多个系统。其中, 采暖、制冷、照明及生活热水能耗占了很重要的一部分, 在公共建筑的全年能耗中, 大约50%~60%消耗于空调制冷与采暖系统, 20%~30%用于照明[1]。尤其是我国北方地区, 采暖为主要能耗。除采暖外, 所消耗的能源种类根据建筑物内用能系统的不同而有所差别, 一般以电为主, 辅以天然气、煤、蒸汽等。
3 多能互补冷热联供系统应用分析
冷热联供系统 (Combined Heating and Cooling Sys-tem) 能根据用户需求生产热水 (或低压蒸汽) 和冷水, 并通过网管系统将它们分配到用户端, 实现供暖及制冷[2]。多能互补冷热联供系统是按照不同资源条件和用能对象, 采取多种能源互相补充, 同时提供冷源及热源以合理保护自然资源, 促进生态环境良性循环的系统。充分利用可再生能源、余热能源, 积极促进多能互补的冷热联供系统在公共机构的开发和利用, 可以降低公共机构制冷和采暖系统的能源消耗, 对于推动公共机构节能有重要意义。
多能源互补是当今世界分布式能源系统发展的趋势, 包括可再生能源间的集成互补 (如太阳能与浅层地热能, 太阳能与风能等) 、可再生能源与化石能源的互补 (如太阳能与燃气三联供、生物质能与热电联产等) 、化石能源之间的互补等。公共机构建筑多能源互补系统需要遵循能源综合梯级利用、与环境能源互补, 与用能负荷、资源、气候等特点良好结合, 系统全工况设计等集成原则。同时需要综合考虑系统热力学及综合能效、经济性指标、环保性能、可靠性等多种目标, 此外也需要根据负荷需求, 灵活组合发电、制冷、余热利用以及蓄能等技术。
围绕公共机构能源种类及用能特点, 研究建立系统集成优化模型, 将不同的能源利用情况、用能规律与设备特性相结合, 形成最优化的能源供应系统。通过充分集成利用一切可以利用的资源, 建立能源优化利用模型。根据公共机构所处地域、气候、建筑结构、能源分布情况的不同, 建立通用的和单独适用的最优化模型, 并通过中央能源供应系统的集成优化实现能源的梯级利用和综合利用。
4 冷热联供系统优化模型构建
公共建筑所在地域不同的气象条件、不同的资源, 必然会决定某地区适合的可再生能源的条件及其相互配合。例如在华南地区, 气候炎热, 地源热泵冬季运行时间短, 夏季运行温度高, 必然带来较低的系统效率和经济价值。而在东北地区, 地下温度较低, 从而冬季运行地源热泵的效率较低, 同时由于夏季冷负荷小, 冬夏之间存在着较大的取热排热不平衡现象, 从而加剧了冬季的运行困难, 此时考虑太阳能与地源热泵互补, 夏季和过渡季向地下排热就存在着必要性。同时, 建筑物使用功能也对其能源供给形式存在着较大的影响, 例如商场、医院、学校等公共建筑, 使用功能性质不同, 冷热负荷使用时段都不同, 必然对系统的经济性造成影响。
在多能源互补系统中, 首先要分析每一种能源的特性, 有针对性地选取与之匹配的能源及控制策略;其次应基于系统综合能效较高、品位对口的原则;第三尽可能减小化石能源的消耗量, 减少污染物的排放;第四要使系统简化、投资降低, 安全可靠[3]。
系统优化模型的设计将考虑气候特点、建筑特点、经济性等基本影响因素, 同时根据不同类型能源单独应用及组合应用的情形, 以系统优化运行为导向, 兼顾安全可靠、经济可行、节能效果、环境影响等方面, 构建一个多目标、多参数的系统优化综合模型。
模型旨在针对公共机构能耗占比较高的采暖、制冷以及生活热水部分能耗, 设计多能互补冷热联供系统, 暂不考虑电的联供问题。模型总体设计架构如图1。
模型主体内容由一系列模块组成, 主要包括公共模块和冷热源系统计算模块。
公共模块包括输入部分:基本气象参数, 建筑基本参数、基本经济参数;输出部分:项目技术经济指标。
冷热源系统计算模块包括基准模块、冷热源系统模块 (多能互补类型模块、单一能源类型模块) 、以及生活热水的能源使用模块。 (1) 基准模块。考虑采用目前公共机构建筑比较常用的供能系统为基准模块, 作为对比其他各类能源系统优化集成效果的基准供能模式。其中, 冷热源系统可以“燃气锅炉+水冷冷水机组”为比较基准, 生活热水系统可以燃气锅炉作为比较基准。 (2) 多能互补类型模块。可考虑以下组合形式:土壤源+太阳能、空气源+太阳能、地表水+土壤源热泵、污水源热泵+燃气锅炉、太阳能直接供热+燃气锅炉、太阳能季节蓄热+燃气锅炉等。 (3) 单一能源类型模块。可考虑以下单一能源:土壤源热泵、空气源热泵、地表水源热泵、污水源热泵。 (4) 生活热水模块。可考虑以下形式:太阳能热水系统 (电加热辅助) 、空气源热泵、太阳能+空气源热泵等。
建筑多能源互补系统在集成过程中将多个能量利用过程整合在一起, 既可提高系统的整体性, 又能优化系统单独构件的性能。在建筑领域, 多能源互补系统将与资源综合利用系统耦合, 使得建筑能源系统融入建筑生态系统。从长远的发展来看, 降低可再生能源的开发成本, 实现多种可再生能源的间的集成互补将越来越重要[3]。
5 冷热联供系统优化评估指标选择
在保证系统安全可靠、稳定运行的前提下, 多能互补冷热联供系统优化效果评估指标应关注3个方面:经济指标、节能指标和减排指标 (图2) 。
5.1 经济指标
经济指标系列可包括总投资、单位平米投资、年采暖运行费、年制冷运行费、年总运行费、寿命期内总能源费现值、项目寿命期总现值、对基准项目的静态投资回收期、对基准项目的动态投资回收期、对基准项目的净现值 (NPV) 、对基准项目的内部收益率 (IRR) 等。其中, 生活热水系统的经济指标可包括总投资、每吨热水投资、每吨运行费用、年总运行费、寿命期内总能源费现值、项目寿命期总现值、对基准项目的静态投资回收期、对基准项目的动态投资回收期、对基准项目的净现值 (NPV) 、对基准项目的内部收益率 (IRR) 。以下给出几个主要指标的计算方法。
(1) 寿命期内总能源费现值:
CPV=PI×C+A。
式中, CPV为系统寿命期内总能源费现值;PI为折现系数;C为系统每年的总能源费用;A为系统初投资。
式中:
其中, d为市场折现率;e为年燃料价格上涨率;n为从系统开始运行算起, 系统寿命或计算期。
(2) 静态投资回收期。静态投资回收期不考虑折现率, 能源上涨率, 可快速了解系统增加投资的大概回收期。计算过程如下:
式中, Y为多能互补系统对基准系统的静态投资回收期;I为多能互补系统的初投资;Ib为基准系统的初投资;Cb为基准系统的能源运行费用;C为多能互补系统的能源运行费用。
(3) 动态投资回收期。动态投资回收期是当多能互补系统运行N年后, 其节省的运行费用刚好能够抵消增加的初投资。计算过程如下:
式中, N为多能互补系统对基准系统的动态投资回收期;Y为多能互补系统对基准系统的静态投资回收期
(4) 对基准项目的净现值NPV。寿命期内基准系统的总能源费现值与多能互补系统的总能源费现值之差理解为净现值NPV。计算过程为:
NPV=CPVb-CPV
式中, CPVb为基准项目的总能源费现值, 此外, 内部收益率定义为15年内当折现率上升到IRR时, 对基准项目的净现值为零。
5.2 节能指标
节能指标系列可包括供暖系统总能耗、每平米能耗、制冷系统总能耗, 每平米能耗、年建筑物冷热源系统总能耗、年每平米能耗、对基准项目的年节能量。上述指标计算中, 电的折标系数都采用近年来全国电网平均供电煤耗 (即电当量折标系数, 而非等价折标系数) ;生活热水系统主要考察每吨热水能耗、项目对基准项目的年节能量。
对基准项目的年总节能量, 以下给出一个基本算法:每年内基准项目的总能耗与多能互补系统总能耗之差, 即:
式中, ΔE为年总节能量;ebi为基准系统消耗的第i种能源的实物消耗量;pi为基准系统消耗的第i种能源的折标系数;ei为多能互补系统消耗的第i种能源的实物消耗量。
5.3 环境指标
环境指标系列包括供暖系统总排放、每平米排放、制冷系统总排放、每平米排放、年建筑物冷热源系统总排放、每平米排放、对基准项目的年减排量。上述指标计算中电的排放因子采用本地区电网公布的近年排放因子, 其它能源如燃气的排放因此参考燃料供应公司发布的数据 (或采用国家标准) ;热水项目主要考察每吨热水碳排放、项目对基准项目的年减排量。
对基准项目的年总减排量, 以下给出一个基本算法:
每年内基准项目的总排放量与多能互补系统总排放量之差, 即:
式中, ΔT为年总减排量;ebi为基准系统消耗的第i种能源的实物消耗量;EFi为基准系统消耗的第i种能源的碳排放因子;ei为多能互补系统消耗的第i种能源的实物消耗量。
年减排量只考虑因使用能源导致的碳排放, 未考虑物质消耗碳排放和建设材料生产过程的碳排放。
针对上述3个系列的指标的选择偏好, 不同项目会有所取舍, 例如公共建筑项目可能更关注节能和减排量、同时也关注项目建成后的年运行费用, 而对初投资可以适当增加, 需要针对用户的偏好进行不同的指标组合, 来评价一个项目的不同方面, 引导用户作出恰当的选择。
根据目前中国国内的发展现状, 冷热源系统通常可选择燃气锅炉+冷水机组作为基准线, 待评估项目通过与基准项目的比较得出是否能够接受该项目的结论, 如果认为本地区有其它基准线, 例如燃煤锅炉+空气源冷水机组, 也可以自行设计基准线及其主要指标数据, 然后得到比较结果。
6 结语
本文围绕公共机构能耗特点, 分析了公共机构节能潜力, 设计构建了基于多能互补的冷热联供系统集成优化模型框架, 将不同能源组合用于冷热源供应系统, 并考虑气候特点、建筑特点、经济性等基本影响因素, 以系统优化运行为导向, 兼顾安全可靠、经济可行、节能效果、环境影响等方面, 构建了一个多目标、多参数的系统优化综合模型, 并提出了系统优化评估指标。用于不同能源单独及组合用于冷热联供系统时, 集成优化效果的评估, 用户可以根据评估结果及自身需求, 选择应用相应的系统形式。研究结果能够为公共机构建筑冷热联供系统优化集成与评估提供思路和参考。
参考文献
[1]王江江.楼宇级冷热电联供系统优化及多属性综合评价方法研究[D].北京:华北电力大学, 2010.
[2]基于多能源互补的分布式冷热联供系统的数学建模及优化运行研究[D].广州:华南理工大学, 2014.
水光互补系统互补特性分析与评价 篇5
光伏发电属于能量密度低、稳定性差,调节能力弱的能源,具有间隙性、波动性和随机性等缺点,给电网稳定运行造成隐患,电力系统需要有足够备用容量和调节手段来削弱这种冲击。随着光伏在电网中所占比例的不断增大,光伏电力大幅、频繁的随机波动对电力系统有功平衡造成了冲击,进而影响到系统的一次、二次调频以及有功经济调度等运行特性,频率越限风险加大,电力系统稳定问题日益突出[1,2,3]。因此,必须寻求有效手段减小光伏发电功率的波动对电网运行的影响。目前对光伏并网进行研究以达到平滑并网功率的研究主要有: 文献[4]利用电池储能系统对光伏发电电能进行存储和释放,改善光伏发电并网输出功率波动的问题,并分析电池储能系统的功率和容量需求; 文献[5]采用超级电容器与锂电池组成混合储能系统,进行光伏电源有功出力优化; 文献[6]提出基于改进微分进化算法的风光互补混合供电系统容量优化配置模型,其与风电或光伏独立供电系统相比更为经济、可靠,能很好地适应环境的变化。
本文提出了利用水电机组优越的调节性能对光伏发电功率调节,改善光伏发电并网输出功率波动的水光互补运行方式。水光互补运行是指光伏电站与水电站分时段、分情况运行,形成互补,利用水电机组启动迅速、调节灵活、负荷响应快等特点,对大容量光伏电站出力进行快速补偿调节,以降低光伏发电出力的波动性和间歇性,满足电网对光伏电站上网功率和频率的要求。
1 水光互补运行特性分析
1. 1 光伏电站运行特性
龙羊峡水光互补光伏电站工程位于青海省海南州共和县,光伏电站以一回330 k V线路送入龙羊峡水电站330 k V母线,将光伏出力和龙羊峡机组出力汇集,利用龙羊峡水电站已建的5 回送出线路接入系统。
光伏电站发电出力受太阳能昼夜变化、季节变化、云层厚度、温度等多种因素的影响,具有明显的间歇性、波动性、随机性、不可改变和不可储存等特点,光伏出力会呈现不规则的波动。光伏电站投运以来在雨天,晴天,多云天气的典型出力波动曲线如图1、图2 和图3 所示。
由图可知,晴天天气日照均匀充足,受干扰因素较小,光伏出力波动较小; 多云天气由于云层运动遮挡太阳光线,对光照强度影响较大,进而影响光伏出力,光伏波形呈现不规则锯齿状,阴雨天气云层、雨量、气温对光伏出力影响较大,阴雨天气光伏出力波动幅度大,波动频繁。
本文统计了光伏电站投运以来每分钟的出力变化范围和概率如表1 所示。
(单位:MW/min)
1. 2 龙羊峡水电厂运行特性
光伏电站东边紧邻龙羊峡水电站,龙羊峡水电站是黄河梯级水电站中的“龙头”电站。龙羊峡水电站总库容247 亿立方米,调节库容194 亿立方米,是一座具有多年调节性能的大型综合水利枢纽工程。水电站调节能力强,补偿能力强,具有为光伏电站进行水光互补调节的优越条件。龙羊峡水电站装机容量为4 台300MW混流式水轮机组,机组调节性能,调速器参数如表2 所示。
基于表2 的参数,进行水轮机组在不同负荷区间内的变负荷试验,试验结果如表3 所示。
由表3 的结果数据对比表1 光伏出力变化数据可知龙羊峡水电机组在额定功率内负荷变动时间基本可以控制在1 分钟内,基本可以满足光伏互补的要求。
1. 3 水光互补运行特性分析
水电站对光伏电站的补偿调节主要是以日内补偿为主,尽量不改变龙羊峡水电站的日出库总水量,不改变龙羊峡水电站年、月的出库水量,不影响龙羊峡水库与刘家峡水库两库的联合补偿运行调度原则。水光互补后水电站流量的波动可由下游水电站反调节,对龙羊峡水电站及下游梯级电站的运行影响较小。龙羊峡水光互补运行后对其承担系统调峰能力有一定影响,但相对青海黄河梯级水电站的调峰能力来说,影响较小[7,8]。
水光互补典型曲线如图4 所示,由图4 可以看出,进行水光互补后,龙羊峡水电站机组出力与光伏电站发电功率呈现互补反调节特性。在早上7: 00 至晚上19: 00 白天有太阳光的时间段,龙羊峡机组实时跟踪光伏机组出力互补运行,其余时段根据黄河上游梯级水电站调度水量电量要求进行灵活调整,保证龙羊峡水电站全天水量电量计划值不变。
2 水光互补补偿度
为了科学地评价水电机组补偿光伏变化的能力,准确地衡量水电机组在光伏随机波动和突变时的跟随互补性能,本文提出用于水光互补性能评价和考核的补偿度概念。
补偿度表示在评价考核周期内水光互补运行的水电机组出力变化量减去由于频率波动导致机组一次调频动作引起的水电机组出力变化量的偏差与光伏的变化量的比值。补偿度的公式如下所示:
补偿度:
式中 ΔPi光伏为光伏波动偏差; Δfi为频率波动偏差; Δt为采样计算周期,单位1 分钟; ΔPi机组AGC变化为进行光伏互补的水电机组在AGC调节下出力变化量; N为考核周期; ΔHz为采样周期前后频率变化范围; K为机组调差系数。
由式( 1) 、式( 2) 可知补偿度将频率变化引起的机组一次调频变化量减去,使衡量标准更加合理,并且将光伏变化量和水电机组变化量的求和后取绝对值,这样可将光伏变化量的正偏量和负偏量一并累计,避免正负抵消。
同时式( 2) 将互补变化量之和与光伏变化量之和作比表明互补后的光伏变化量占总的光伏变化量的组分比例。如果补偿效果好,该比值应较小并接近于零,最后用1 减去该比值是为了符合正常理解逻辑的表征补偿度这一概念。
基于补偿度的概念,本文在晴天、多云、阴雨天气分别进行水光互补的AGC试验,不同天气情况下水光互补后光伏变化量与水电调整变化如图5、图6、图7 所示,不同天气情况下的补偿度结果如表4 所示。
由图5、图6、图7 可以直观的看出在不同天气情况下水光互补的此消彼长的互补趋势,通过水电机组快速调节性能,将光伏发电锯齿形出力曲线调整为平滑稳定曲线,为电网提供优质电能。
由表4 数据可知,在不同的天气情况下,互补度都在90% 以上,互补度评价指标与互补曲线一致,水光互补系统在不同的天气状况下有较好的互补特性。
3 结束语
龙羊峡水光互补系统在考虑龙羊峡水电站水量平衡的基础上,结合龙羊峡水库调节能力,通过水电机组快速调节性能,将光伏电站锯齿形出力曲线调整为平滑稳定曲线,为电网提供优质电能,提高电网运行稳定性,同时也提高水电站对电网的调节能力和送出线路的利用率,龙羊峡水光互补系统优化了光伏发电电能质量,解决了光伏电量消纳瓶颈问题,为我国清洁能源利用提供了新型发展模式。
摘要：利用水电机组快速调节性能平滑并网光伏电站出力波动的水光互补系统目前尚无运行特性分析及评价考核方法和标准,以龙羊峡水光互补系统为例,详细介绍了水光互补运行特性,并提出了应用于水光互补系统评价考核的补偿度的方法,通过对该方法的科学性和合理性的理论论证以及在不同天气情况下进行补偿度的试验验证,表明该方法可以科学准确的表征水光互补性能优劣,通过补偿度的评价表明龙羊峡水光互补系统能平滑光伏波动对系统的影响,切实能提高系统稳定水平。
关键词：水光互补系统,补偿度,龙羊峡水电厂,光伏电站,光伏波动
参考文献
[1]丁明,王伟胜.大规模光伏发电对电力系统影响综述[J].中国电机工程学报,2014,34(1):1-14.
[2]张伯泉,杨宜民.风力及太阳能光伏发电现状及发展趋势[J].中国电力,2006,51(6):65-69.
[3]TANG YEHUA,XIE JIAN.Status and expectation of photovoltaic technology[J].Renewable Energy,2005,(3):68-69.
[4]靳文涛,马会萌.电池储能系统平抑光伏功率波动控制方法研究[J].现代电力,2013,30(6):21-26.
[5]邱培春,葛宝明,毕大强.基于蓄电池储能的光伏并网发电功率平抑控制研究[J].电力系统保护与控制,2011,39(3):29-33.
[6]杨琦,张建华,刘自发,等.风光互补混合供电系统多目标优化设计[J].电力系统自动化,2009,33(17):86-90.
[7]廖春梅,郑永恒,张云辉.综合利用要求下的黄河上游梯级水电站日运行方式的探讨[J].电网与水力发电进展,2007,20(4):72-74.
互补优化 篇6
1 模型基本设定及假设
假定企业1是一家高技术企业,企业2则是一家传统企业,并且根据柯布———道格拉斯生产函数,企业的产出可以表示为:
其中,(K)和(L)分别表示资本和劳动,α和β为常数,A表示企业生产技术或生产率的变化。技术创新活动能够提高生产效率,增加企业的产出,从而提高企业的利润。但是,技术创新有着高风险和高失败率的特点,此处可以用风险型决策法来计算企业技术创新获得的收益。把技术创新的成功率记为θ(0<θ<1),θ值的大小取决于企业自身的技术创新能力、企业所处行业的性质、科技环境、企业自身的实力、科研人员的素质等因素,根据风险型决策模型可知,企业最终产出的数学期望服从(0-1)分布。同时假定如果企业的技术创新获得成功,则企业的产出加倍,如果失败,产出保持不变,而无论企业的技术创新是否成功,都会消耗研发资金。
2 企业的技术创新行为选择分析
结合以上假设和条件,可以计算企业产出的数学期望如下:
根据公式(1)和(2),在选择技术创新后,企业1和企业2的产出的数学期望为:
仅从数学期望上来看,与没有进行技术创新时相比,企业1和企业2在创新后各自的利润增加值分别为:
根据公式(4)可知,只有当Δπ1>0、Δπ2>0时,企业的技术创新才会得到正的利润,并且随着技术创新成功率的不断降低和研发投入的不断增加,成本逐渐上升,利润会不断减小,如果企业能够寻找可靠的合作伙伴来与自己共同承担风险,并且共享创新收益,企业的技术创新过程也将更加顺利,这也是越来越多的高技术企业选择企业联盟、产学研合作等方式进行协同创新的重要原因。对于传统企业来讲,这些企业经过多年的经营发展,积累了丰富的资源和生产经验,但是传统企业面临升级转型的巨大压力,如果能够与高技术企业进行合作,吸收高技术企业的创新活力和管理经验。双方在协同技术创新过程中各取所需,相互弥补,在相关知识、技术上实现互补,对于高技术企业和传统企业的发展都是有利的。
2.1 企业合资研发的情况分析
假定企业1和企业2达成共识,开展了协同技术创新活动,并且约定双方共同分摊研发成本,共享技术专利、创新收益等创新成果。此时,每一个企业的研发投入变成原来的一半。由于创新的成果一般都是一种新的技术,而新技术对于企业生产效率的提升作用是很显著的,所以在技术创新成功之后,两个企业的生产效率都会提高。假定单位产品的价格为p,则在通过协同技术创新后,两个企业各自的利润期望值可以表示为:
与两个企业单独进行技术创新时相比,两个企业的利润增加值为:
根据公式(6)可知,与单独创新相比,在合资研发时,高技术企业和传统企业都能够降低各自的研发成本,从而获得更大的收益。卢少华和陶志祥(2004)认为协同创新可以极大地降低交易成本,更为有效的利用稀缺资源[3]。如今全国各地政府制定了许多鼓励企业技术创新的优惠政策,用以扶持、鼓励当地高技术企业的发展,这些政策也为高技术企业与传统企业之间的协同进步提供了有利的条件。
2.2 技术互补、资源互补时的情况分析
企业选择协同技术创新行为在很大程度上是为了获取互补性的资源或者技术,Beers等(2004)指出为了防止市场冲突,企业更倾向于选择高校、科研机构或者其他行业的企业作为自己的合作伙伴[4]。这里用ξ(ξ>0)来表示企业之间的技术协同效应,ξ的值越大,说明两个企业技术互补的效果越好,Tesoriere(2008)认为互补效应取决于企业之间的知识异质性、技术不对称性等因素[5]。在此条件下,假定企业1和企业2原来的技术能力各自为A1、A2,则在协同创新之后,两个企业的技术均变为ξ(A1+A2),并且两个企业的技术研发投入和要素投入保持不变,则在协同技术创新后,两个企业产出的期望值分别为:
与企业单独技术创新相比,两个企业利润的增加值分别为:
由于高技术企业和传统企业在生产工艺、技术等方面存在差异性,使得两类企业的技术互补性强于同行业的企业,要想使两个企业在协同技术创新中都能够获得更大的收益,则需要使Δπ1>0且Δπ2>0,根据公式(9)和公式(10),ξ的值需要满足以下条件:
在现实中,由于高技术企业与传统企业的技术创新能力存在差异,A1和A2的差距可能较大。为了使公式(11)成立,需要使ξ的值尽可能的增大,而由于协同创新本身能够使整体的效用大于部分效用的总和,即:
结合公式(12),有:
由公式(13)可以推导出公式(11)能够成立,即企业通过协同创新能够实现“1+1>2”的效应,提高了企业的技术创新能力。为了验证上述推论,现利用实证方法对此问题进行分析和验证,同时做出研究假设:
假设H1:在协同技术创新过程中,高技术企业与传统企业的技术互补有助于提高高技术企业的技术创新能力。
假设H2:在协同技术创新过程中,高技术企业与传统企业的技术互补有助于提高传统企业的技术创新能力。
假设H3:在协同技术创新过程中,高技术企业与传统企业的资源互补有助于提高高技术企业的技术创新能力。
假设H4:在协同技术创新过程中,高技术企业与传统企业的资源互补有助于提高传统企业的技术创新能力。
3 研究设计
3.1 调查对象选择及数据收集
本文需要测量的变量共计有3个,企业之间的技术互补、资源互补为自变量,每个变量设计两个问题来测量,技术互补根据双方在具体技术领域的互补性和基础知识的关联度进行测量,资源互补根据企业对该资源的需求及重要性进行衡量,参照了徐二明和徐凯(2012)的研究量表[6]。技术创新能力根据企业的专利数量、对新技术的掌握程度、学习新技术的能力及推出的新工艺流程的数量来衡量,设计4个问题进行衡量,每个指标用Likert 5级量表来衡量受访者对该问题的认同度,具体指标及内容描述见表1。利用SPSS软件计算得到技术互补、资源互补和技术创新能力这3个变量的Cronbach'sα系数分别为0.767、0.732和0.830,由于量表中各个变量的Cronbach'sα系数均大于0.7,可以认为量表的信度较高。在研究方法上,本文主要利用回归方程对各个变量之间的因果关系进行验证,同时利用相关性分析法探讨变量之间的相关性。在调查方法上,以问卷的形式进行调查,调查对象主要选取北京、成都等地区的高技术企业和传统企业的工作人员。本次问卷调查主要通过实地发放、邮寄、网络发放等形式发放问卷,一共发放了415份问卷,收回385份问卷,去除了空白、漏填的70份无效问卷后,得到有效问卷315份(N=315),有效问卷比例为81.8%。其中,以高技术企业为对象的有144份,主要涉及电子信息技术、高端装备制造、生物医药、新能源新材料等高技术企业,以传统企业为对象的有171份,主要涉及建筑、化工、传统制造业等传统行业。
3.2 相关性分析及回归分析
利用SPSS软件对本文中的各个变量进行相关性分析,结果见表2。根据表2的结果可知,技术互补、资源互补与技术创新能力这3个变量之间存在着显著的相关关系。
注:**表示在0.01水平(双侧)上显著相关。
此处分别以技术互补和资源互补为自变量,以技术创新能力为因变量,同时将样本分为高技术企业和传统企业两组,利用SPSS软件做回归分析,结果见表3。由回归分析结果可知,技术互补、资源互补对高技术企业技术创新能力的回归系数为0.359和0.338,且Sig值均小于0.05,达到了显著性水平,说明高技术企业与传统企业的技术互补和资源互补有助于提高高技术企业的技术创新能力,故假设H1和假设H3通过检验。同理,技术互补和资源互补这两个变量对传统企业的技术创新能力的回归系数为0.382和0.298,也达到了显著性水平,说明技术互补和资源互补有助于提高传统企业的技术创新能力,即假设H2、H4通过检验。根据实证分析结果可知,技术互补、资源互补对企业的技术创新能力有着正向的积极影响。因此,在高技术企业与传统企业协同技术创新过程中,企业应该积极利用合作方的资源、技术,同时做出自己的贡献,以提高合作伙伴的创新积极性,保证合作的顺利进行。
4 结论及讨论
通过以上的分析可知,通过提高企业的技术创新能力能够增加企业的产出效率,从而提高企业的利润。在面临技术创新风险的情况下,企业通过协同技术创新可以分摊成本,并且通过增强协同效应来提高产出,以达到单独创新难以实现的效果。在实践中,由于高技术企业和传统企业在具体的技术领域和技术资源上存在一些差异,使企业在协同技术创新中获得的收益有所不同。对单个企业来讲,为了尽可能的利用互补性的技术和资源,企业需要寻求更广阔范围内的合作伙伴,并且打破行业领域和地域的限制,同更多的优秀企业一起合作,取长补短,共同发展。虽然在协同技术创新过程中,两个企业之间产品的性能、品质的相似性会逐渐提高,从而影响各自的市场销售情况,但是通过双方互补产生的协同效应能够尽可能的抵消这种负面影响。同时,凭借高技术企业和传统企业各自的管理经验及市场营销渠道,能够有力的降低产品的市场冲突,提高双方的市场竞争力。
摘要：本文基于柯布——道格拉斯生产函数,结合微观经济学的相关理论,分析了协同技术创新对高技术企业与传统企业生产过程的提升作用。同时,通过实证研究和回归分析,结果表明,高技术企业和传统企业之间的技术互补和资源互补对高技术企业和传统企业的技术创新能力都有着积极显著的影响。
关键词：协同技术创新,技术互补,资源互补,技术创新能力
参考文献
[1]解学梅,左蕾蕾,刘丝雨.中小企业协同创新模式对协同创新效应的影响——协同机制和协同环境的双调节效应模型[J].科学学与科学技术管理,2014,(5):72~81
[2]朱雪春,陈万明,殷红幸.企业协同创新伙伴选择研究[J].中国科技论坛,2014,(11):91~102
[3]卢少华,陶志祥.动态联盟企业的利益分配博弈[J].管理工程学报,2004,18(3):65~68
[4]Beers C.V.,Berghallb E,Pootc T.R&D Internationalization,R&D Collaboration and Public Knowledge Institutions in Small Economies:Evidence from Finland and the Netherlands[J].Research Policy,2008,37(2):294~308
[5]Tesoriere A.Endogenous R&D Symmetry in Linear Duopoly with One-way Spillovers[J].Journal of Economic Behavior&Organization,2008,66(2):213~225