：目前，行业内缺乏对于光伏电站多类型组件容量配置的研究，一些人认为光伏发电稳定性较差，缺乏出力互补的可能。然而，通过黄河上游共和光伏基地的数据分析，不同类型配比下光伏组件在各典型天气日内出力过程存在差别，光伏电站多类型组件有着出力互补特性。同时，不同类型光伏组件的单位规模建设成本和维护成本。因此，光伏发电的出力特性研究十分有必要，其将为大规模可再生能源基地规划中合理配置各类可再生能源电源点的容量及其它相关参数提供参考。技术实现要素：本发明的目的是克服现有技术中的不足，提供一种规划装机容量下的光伏电站多类型组件组合的最佳容量配比决策模型，制定光伏基地的最佳容量配比方案，可以实现光伏电站出力波动最小和设计使用年限内净现值最大的目标，适于在我国大规模光伏电站规划建设中推广。本发明所采用的技术方案是：一种考虑出力特性的光伏电站多类型组件容量配置方法，包括以下步骤：步骤(1)，对光伏基地的现场条件进行分析，根据光伏基地的地理位置、地形条件、天气特点、经济情况选取能应用于基地的光伏组件，得到各类光伏组件单位容量的建设成本与维护成本；步骤(2)，综合考虑光伏电站的占地情况、可能和电网可接纳容量，确定光伏电站总装机容量；步骤(3)，根据光伏基地历史天气资料，统计各历史年份每个月份晴、多云、雨、沙尘、雪5种典型天气日的时间占比，计算各季度典型天气日的时间占比，把每个季度多年平均的5种典型天气日时间占比作为光伏基地规划年各季度典型天气日的时间占比；步骤(4)，将各类光伏组件的出力过程按步骤(3)所得的光伏基地规划年各季度典型天气日的时间占比进行逐时段记录，计算得到各月份各典型天气日内单位容量的各类光伏组件逐时段出力过程；步骤(5)，综合考虑出力稳定性、建设成本和发电收益因素，建立光伏电站多类型组件容量配比的多目标优化模型；步骤(6)，将由步骤(1)所得的各类光伏组件单位容量的建设成本与维护成本、步骤(2)所得的光伏电站总装机容量、步骤(3)所得的光伏基地规划年各季度典型天气日的时间占比、步骤(4)所得的各月份各典型天气日内单位容量的各类光伏组件逐时段出力过程、互补水电站实时允许出力波动作为步骤(5)所建立的多目标优化模型的输入变量，采用多目标优化算法求解多目标优化模型，从而得到最优的光伏组件容量配比。进一步的，步骤(3)中，计算各季度典型天气日的时间占比的过程中，视同一季度内的三个月的时间占比相同。进一步的，步骤(4)和步骤(6)中，所述的逐时段为以5min为一时段逐步累加。进一步的，步骤(5)中，所述的多目标优化模型由目标函数、决策变量和约束条件构成：a.目标函数：配比组合后的光伏电站出力波动最小+设计使用年限内对应的净现值最大；以四个季度的5种典型天气日的时间占比为权重wk,k1,k＝1,2,3,4,5,k1＝1,2,3,4；b.决策变量：设定类型的光伏组件的容量配比，rjj＝1,2,…,j；c.约束条件：容量平衡、非负约束；所述的多目标优化模型如下所示：f＝{f1(r),f2(r)}r＝{r1,r2,…,rj}rj≥0j＝1,2,…,j式中：f1(r)为组合光伏组件的出力波动最小目标；f2(r)为使用年限内的净现值最大目标；rj为第j种选择的光伏组件的容量比例，j＝1,2,…,j；j为选择的光伏组件种类数目；nt为光伏电站总装机容量，单位为mwp；dt,k,i,j为第t个月份的第k种典型天气日内单位容量的第j种光伏组件的第i时段的出力波动，单位为mwp；ot,k,i,j为第t个月份的第k种典型天气日内单位容量的第j种光伏组件的第i时段的出力，单位为mwp；wk,(t-1)3为第t个月份的第k种典型天气日的时间占比，视同一季度内的三个月的时间占比相同；na为互补水电站的实时允许出力波动，单位为mw；by为使用年限的第y年的发电收益，单位为元；py为使用年限的第y年的上网电价，单位为元/kwh；cj为第j种光伏组件的单位容量建设成本，单位为元/mwp，mj,y为使用年限的第y年的第j种光伏组件的单位容量维护成本，单位为元/mwp；i为利率。进一步的，步骤(6)中，所述的多目标优化算法采用动态规划及动态规划改进算法或启发式算法的其中一种。其中，所述的动态规划及动态规划改进算法包括离散微分动态规划、逐次渐进动态规划和逐次优化方法。其中，所述的启发式算法包括遗传算法、人工神经网络算法、微粒群算法和蚁群算法及蚁群算法改进算法。本发明的有益效果是：本发明提出了一种规划装机容量下的光伏电站多类型组件组合的最佳容量配比决策方法，通过各类光伏组件典型天气下的逐时段统计，得到单位容量不同光伏组件在各典型天气日内逐时段的出力过程，并采用多目标优化算法求解模型，从而得到最优的光伏组件容量配比。与现有技术相比，本发明的优点为：1、根据光伏基地历史天气资料，统计每个月份5种典型天气日的时间占比(视季度内的三个月相同)，考虑了日际日内天气变化的相关性和不确定性，提供一种只需已知不同类型光伏组件在典型天气日的出力过程曲线和不同类型光伏组件的单位规模成本的光伏电站多类型组件容量配置方法；可用于任何具有长期历史数据的光伏电站，具有良好的移植性。2、本方法所得出的光伏组件容量配比，有利于减小组件出力波动，增大净现值，提高光伏电站效益，具有良好的应用性。3、本方法考虑了互补水电站的实时互补性能，具有良好的适用性。4、本方法使用了采用多目标优化算法，提高了模型计算效率。5、本方法可编译为计算机语言嵌入到光伏电站优化软件中实现，计算结果可在电脑屏幕显示，也可输出为文本表格。附图说明图1：本发明考虑出力特性的光伏电站多类型组件容量配置方法流程图；图2：本发明实施例一中9种光伏组件在1月份晴天典型天气日的5min级出力过程；图3：本发明实施例一中最优配比组合下9种光伏组件在1月份晴天典型天气日的5min级出力过程。具体实施方式为能进一步了解本发明的

　　、特点及功效，兹例举以下实施例，并配合附图详细说明如下：如附图1所示，一种考虑出力特性的光伏电站多类型组件容量配置方法，包括以下步骤：步骤(1)，对光伏基地的现场条件进行分析，根据光伏基地的地理位置、地形条件、天气特点、亚美体育 亚美官网经济情况等因素初步选取能应用于基地的光伏组件，得到各类光伏组件单位容量的建设成本与维护成本；步骤(2)，综合考虑光伏电站的占地情况、可能和电网可接纳容量等因素初步，确定光伏电站总装机容量；步骤(3)，根据光伏基地历史天气资料，统计各历史年份每个月份5种典型天气日(晴、多云、雨、沙尘、雪)的时间占比，计算各季度典型天气日的时间占比(视同一季度内的三个月的时间占比相同)，把每个季度多年平均的5种典型天气日时间占比作为光伏基地规划年各季度典型天气日的时间占比；步骤(4)，将各类光伏组件的出力过程按步骤(3)所得的光伏基地规划年各季度典型天气日的时间占比进行逐时段(5min/时段)记录，计算得到各月份各典型天气日内单位容量的各类光伏组件逐时段(5min/时段)出力过程；步骤(5)，综合考虑出力稳定性、建设成本和发电收益因素，建立光伏电站多类型组件容量配比的多目标优化模型；步骤(6)，将由步骤(1)所得的各类光伏组件单位容量的建设成本与维护成本、步骤(2)所得的光伏电站总装机容量、步骤(3)所得的光伏基地规划年各季度典型天气日的时间占比、步骤(4)所得的各月份各典型天气日内单位容量的各类光伏组件逐时段(5min/时段)出力过程、互补水电站实时允许出力波动等基本资料作为步骤(5)所建立的多目标优化模型的输入变量，采用多目标优化算法求解多目标优化模型，从而得到最优的光伏组件容量配比。步骤(5)中，所建立的多目标优化模型由目标亚美体育 亚美平台函数、决策变量和约束条件构成，具体如下所示：a.目标函数：配比组合后的光伏电站出力波动最小+设计使用年限内对应的净现值最大(考虑建设成本、年运行维护成本、年发电收益)。以四个季度的5种典型天气日的时间占比为权重wk,k1,k＝1,2,3,4,5,k1＝1,2,3,4。b.决策变量：设定类型的光伏组件容量配比(％)，rjj＝1,2,…,j。。c.约束条件：容量平衡、非负约束。所述的多目标优化模型如下所示：f＝{f1(r),f2(r)}r＝{r1,r2,…,rj}rj≥0j＝1,2,…,j式中：f1(r)为组合光伏组件的出力波动最小目标；f2(r)为使用年限内的净现值最大目标；rj为第j种选择的光伏组件的容量比例，j＝1,2,…,j；j为选择的光伏组件种类数目；nt为光伏电站总装机容量，单位为mwp；dt,k,i,j为第t个月份的第k种典型天气日(晴、多云、雨、沙尘、雪)内单位容量的第j种光伏组件的第i时段(5min/时段)的出力波动，单位为mwp；ot,k,i,j为第t个月份的第k种典型天气日(晴、多云、雨、沙尘、雪)内单位容量的第j种光伏组件的第i时段(5min/时段)的出力，单位为mwp；wk,(t-1)3为第t个月份的第k种典型天气日(晴、多云、雨、沙尘、雪)的时间占比，视同一季度内的三个月的时间占比相同；na为互补水电站的实时允许出力波动(5min/时段)，单位为mw；可随时互补应对在此出力范围内的光伏电站出力波动；by为使用年限的第y年的发电收益，单位为元；py为使用年限的第y年的上网电价，单位为元/kwh；cj为第j种光伏组件的单位容量建设成本，单位为元/mwp，mj,y为使用年限的第y年的第j种光伏组件的单位容量维护成本，单位为元/mwp；i为利率。步骤(3)中采取的不同季度内典型天气的时间占比统计数据(即，把每个季度多年平均的5种典型天气日时间占比作为光伏基地规划年各季度典型天气日的时间占比)，考虑了日际日内天气变化的相关性和不确定性。步骤(4)中采取的实测数据得到12个月内5种天气的典型单位千瓦出力线(即，各月份各典型天气日内单位容量的各光伏组件逐时段(5min/时段)出力过程)，具有实时性和准确性的优点。步骤(5)提出了考虑光伏电站全寿命周期的发电收益、建设运行成本和出力波动程度的配置模型(即，多目标优化模型)，考虑了互补水电站的实时互补性能，具有良好的适用性。步骤(6)采用了求解多目标优化模型的多目标优化算法，提高了模型计算效率。所述的多目标优化算法采用动态规划及动态规划改进算法或启发式算法的其中一种。所述的动态规划及动态规划改进算法包括离散微分动态规划、逐次渐进动态规划和逐次优化方法。所述的启发式算法包括遗传算法、人工神经网络算法、微粒群算法和蚁群算法及蚁群算法改进算法。实施例一下面将结合附图与黄河上游共和基地实例对本发明做进一步论述：考虑出力特性的光伏电站多类型组件容量配置方法，包括以下步骤：(1)对光伏基地的现场条件进行分析，根据光亚美体育 亚美平台伏基地的地理位置、地形条件、天气特点、经济情况等因素初步选取可应用于基地的光伏组件，得到各类光伏组件单位容量的建设成本(包括组件、逆变器、储能电池等在内的综合建设成本)与维护成本。表1黄河上游共和实证基地组件类型及单位容量建设成本组件类型单位kw建设成本(元)垂直双轴5691.09垂直单轴30°5391.09垂直单轴33°5391.09平单轴5190.85斜单轴5348.55鳞片式双轴6616.03平单+双面5490.85固定支架+单面5091.09固定支架+双面5391.09表2黄河上游共和实证基地组件类型及单位容量维护成本组件类型单位kw维护成本(元)垂直双轴200垂直单轴30°200垂直单轴33°200平单轴200斜单轴200鳞片式双轴200平单+双面200固定支架+单面200固定支架+双面200(2)综合考虑光伏电站的占地情况、可能和电网可接纳容量等多方面因素，确定光伏电站总装机容量为50mwp。(3)根据光伏基地历史天气资料，统计各历史年份每个月份5种典型天气日(晴、多云、雨、沙尘、雪)的时间占比，计算各季度典型天气日的时间占比(视同一季度内的三个月的时间占比相同)，把每个季度多年平均的5种典型天气日时间占比作为光伏基地规划年各季度典型天气日的时间占比。表3光伏基地第一季度各月5种典型天气日时间占比晴多云雨沙尘雪68％15％10％5％2％(4)将各类光伏组件的出力过程按步骤(3)所得的光伏基地规划年各季度典型天气日的时间占比进行逐时段(5min/时段)记录，计算得到各月份各典型天气日内单位容量的各光伏组件逐时段(5min/时段)出力过程。附图2为9种光伏组件在1月份晴天典型天气日的5min级出力过程。(5)综合考虑出力稳定性、建设成本和发电效益等因素，建立光伏电站多类型组件的多目标优化模型。所建立的优化调度模型由目标函数、决策变量和约束条件构成，具体如下所示：a.目标函数：配比组合后的光伏电站出力波动最小+设计使用年限内对应的净现值最大(考虑建设成本、年运行维护成本、年发电收益)。以四个季度的5种典型天气日的时间占比为权重wk,k1,k＝1,2,3,4,5,k1＝1,2,3,4。b.决策变量：设定类型光伏组件的容量配比(％)，rjj＝1,2,…,j。c.约束条件：容量平衡、非负约束。f＝{f1(r),f2(r)}r＝{r1,r2,…,rj}rj≥0j＝1,2,…,j式中：f1(r)为组合光伏组件的出力波动最小目标；f2(r)为使用年限内的净现值最大目标；rj为第j种选择的光伏组件的容量比例，j＝1,2,…,j；j为选择的光伏组件种类，本例中为9；nt为光伏电站总装机容量，本例中为50mwp；dt,k,i,j为第t个月份的第k种典型天气日(晴、多云、雨、沙尘、雪)内单位容量的第j种光伏组件的第i时段(5min/时段)的出力波动，mwp；ot,k,i,j为第t个月份的第k种典型天气日(晴、多云、雨、沙尘、雪)内单位容量的第j种光伏组件的第i时段(5min/时段)的出力，mwp；wk,(t-1)3为第t个月份的第k种典型天气日(晴、多云、雨、沙尘、雪)的时间占比，视季度内的三个月的时间占比相同；na为互补水电站的实时允许出力波动(5min/时段)，本例中为10mw；by为使用年限的第y年的发电收益，元，本例中使用年限为25年；py为使用年限的第y年的上网电价，本例中为1元/kwh；cj为第j种光伏组件的单位容量建设成本，元/mwp，mj,y为使用年限的第y年的第j种光伏组件的单位容量维护成本，元/mwp；i为利率，本例中为8％(6)将由步骤(1)所得的各类光伏组件单位容量建设成本与维护成本、步骤(2)所得的光伏电站总装机容量、步骤(3)所得的光伏基地典型天气日时间占比、步骤(4)所得的各月份各典型天气日内单位容量的各类光伏组件逐时段(5min/时段)对应出力过程、互补水电站实时允许出力波动等基本资料作为步骤(5)所建立模型的输入变量，采用多目标优化算法求解模型，从而得到最优的光伏组件容量配比(表4)。表4黄河上游共和实证基地组件类型某月最优配比组件类型比例(％)垂直双轴(#1)13.1垂直单轴30°(#2)2.6垂直单轴33°(#3)6平单轴(#4)19.2斜单轴(#5)9.8鳞片式双轴(#6)4.2平单+双面(#7)10.1固定支架+单面(#8)6.9固定支架+双面(#9)27.7附图3为最优配比组合(表4)下9种光伏组件在1月份晴天典型天气日的5min级出力过程，说明了互补以后日出力过程在考虑各组件特性后波动性更小，出力特性更优。尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护范围之内。当前第1页12

　　如您需求助技术专家，请点此查看客服电线.聚合物绝缘材料老化 2.电力系统可靠性分析