中国三北地区风—光互补发电系统空间优化研究

王子琳1,2,3,鲁玺1,2,3*,庄明浩1,2,3,4,张憧宇1,2,3,陈诗1,2,3  

(1.清华大学环境学院,北京市 海淀区 100084;2.环境模拟与污染控制国家重点联合实验室,北京市 海淀区 100084; 3.国家环境保护大气复合污染来源与控制重点实验室,北京市 海淀区 100084; 4.中国农业大学资源与环境学院/教育部植物—土壤相互作用重点实验室,北京市 海淀区 100193)

摘要

筛选适宜建设风-光互补系统的地区,探究这些地区互补系统最优配比,有助于提高风、光资源的利用率、实现能源结构的绿色低碳转型。为了识别三北地区风、光资源的分布情况及其互补性,首先利用基于四维同化数据的可再生能源评估模型,定量估算三北地区风、光发电年平均容量因子值空间分布情况。研究发现风、光资源发电潜力均较大的地区集中在河北北部和内蒙古,并得到三北地区风、光发电最优比例及相应的互补发电出力平稳性水平;从中筛选出风、光发电潜力大,发电平稳性较高的3个点位作为潜在的风-光互补基地,结合京津唐用电数据,得出三地风-光互补系统净负荷波动最小时的风、光配比。

关键词 : 三北地区;风能;太阳能;风-光互补发电系统

基金项目:国家重点研发计划项目(2016YFC0208901);国家自然科学基金(71722003,71974108,71690244)。


0 引言

为实现中国2030年左右CO2排放总量达峰[1],发展可再生能源是关键。“十三五”规划提出,到2020年中国可再生能源发电量应占总发电量的27%。近年来,风、光发电装机容量快速增长[2],在可再生能源发电中占据着极其重要的地位。目前,中国大规模风、光发电基地多分布于西北、华北和东北,即“三北”地区[3-4]。然而,由于风、光资源波动性强、电网输送能力不足以及稳定性等问题,三北地区弃风、弃光现象缓解困难。2017年,甘肃省的弃风、弃光率仍分别为33%和20%;新疆维吾尔自治区为29%和22%[5-6]。 合三北地区的资源波动情况,评估各地风、光互补性,探究风、光发电比例对系统出力平稳性的影响;③选取资源丰富、互补性强的3个潜在的风-光互补基地,结合输电受端用电数据进行风、光发电的配比寻优,并分析不同点位互补系统的差异及影响因素。研究结果可为三北地区风-光互补发电系统的选址和系统配比估算提供理论依据与政策建议,也为大空间尺度的风-光互补性分析提供新的思路。

1 数据与研究方法

1.1 三北地区风、光资源发电潜力

风-光互补发电系统应选址于风、光发电资源潜力均较高的地区。研究基于Lu等人[20]提出的四维同化数据的可再生能源评估模型,识别三北地区风、光发电潜力。模型使用的2016年气象场数据源于美国宇航局(National Aeronautics and Space Administration,NASA)Goddard地球观测系统第5版(GEOS-5)的数据同化系统(data assimilation system,DAS)[21],其空间分辨率为经度0.3125°、纬度0.25°,在中纬度地区大致相当于31.25 km×25 km。模型技术路线如图1所示。

图1 风、光资源发电潜力评估技术路线
Fig.1 Method to evaluate the potential of wind and solar energy

风能资源识别过程采用幂律风速廓线估算风电机组轮毂处的风速。假设风电场均铺设金风GW 121-2.5 如何提高风、光资源利用率,推动中国风、光发电可持续健康发展,成为多方关注的焦点。

风、光资源在时间上可能的互补性为其利用带来了新思路。在中国三北地区,太阳能一般在夏季达到峰值,而风能峰值出现在冬季;太阳能仅在白天出力,而高风速在夜间出现概率较大。采用风-光互补发电系统,可降低其整体发电的波动性,具有可靠性高、储能需求较低、发电效率高、生命周期成本低的优点[7-8]。深入研究风、光发电的波动特性与风-光互补优化配比策略是满足三北地区未来清洁电力更大规模开发、继续提高中国清洁电力占比的重要思路之一,也是低碳能源研究领域的国际前沿课题。

在部署风-光互补发电基地前,需识别风、光资源的分布情况并评估其互补性。目前已有部分研究对风、光在时间和空间上的互补性进行了探索。Monforti等[9]利用蒙特卡洛模型探究意大利100多个地点的局部风-光资源互补情况;Fifatin等[10]基于MERRA-2再分析数据集评估了中国风、光资源的互补性,认为通过整合不同地区风、光资源,可以促进其有效利用;刘怡等[11]则分析了不同时间尺度下中国广域范围风、光互补性的差异。

风-光发电系统的选址和设计还应考虑用电系统时间特征。众多学者针对风-光互补系统的设计与负荷的容量配比优化进行了大量研究[12-14]。研究主要采用迭代法[15]、 图形观察法[16]、随机法和计算机优化分析[17]等方法,目标是实现系统的经济性与稳定性。随着约束和目标数量的增加,基于计算机的仿真优化方法受到越来越多的关注,成为风-光互补发电系统研究的重要工具。例如,李平[18]结合经济与技术层面,采用德尔菲法(Delphi method)和粒子群算法对电源运行模型进行优化,得到了多能互补分布式电源的选址与定容方案;Ma等[19]基于遗传算法的理念,提出了一种多目标优化算法来解决混合动力系统的最优配置问题,实现了并网混合动力系统的高效性和经济性。

现有风-光互补发电研究主要存在两方面不足:①鲜有研究对中国三北地区风、光资源互补性的空间差异和风、光发电比例的差异进行讨论;②研究多集中于对小范围内新能源场站级风、光发电装机容量的优化计算,未考虑区域的选择与区域间的互联。为此,本研究针对以下3个方面开展研究:①利用四维同化数据的可再生能源评估模型,识别三北地区风、光资源丰富、适宜发展风-光互补发电的地区;②结MW风电机组,将风资源数据与风电机组的技术参数结合[22],可得全年逐小时风能容量因子的格点数据,即单位土地面积上风电机组每小时发电量与其满载发电量之比。取可铺设风电机组格点2016年平均容量因子(capacity factor,CF)作为风能发电潜力指标。

同时,利用MODIS卫星资料获取全球土地利用类型数据和SRTM30高程数据,使用ArcGIS的空间分析工具去除了坡度过大的地区以及森林、水域等无法建设风电机组的地区。将资源数据与筛选出的区域结合,得到2016年三北地区风能发电年平均容量因子的分布情况,如图2 (a) 所示。

太阳能资源识别的技术路线与风能相似,计算过程中假设铺设功率为265 W的多晶硅光伏电池板,其光电转化效率取16.2%[23]。土地筛选上,去除了坡度大于5°的地区,对土地覆盖类型重新分类并赋以不同的太阳能辐射可利用率,将其与太阳能辐射数据相乘,得到可铺设地区年平均容量因子,如图2 (b) 所示。

1.2 三北地区风、光资源的互补性

对于大规模风-光能源基地远距离输送,特别是特高压直流或交流通道规划,通过合理配置风、光发电比,使风-光互补发电系统的出力波动尽量最小,能够提高远距离输电系统风-光输电量占比,提高通道效率,降低输电成本。将系统出力平稳性作为衡量各点位风、光资源互补性的指标。首先去除了不可建设风、光发电基地的点位及风能或太阳能年平均容量因子小于0.2的点位。对于余下的数据点位,采用单目标优化法确定风、光最佳发电量配比和最高出力平稳性水平。以衡量系统发电波动性的指标λ表征系统出力平稳性[24],如式(1)所示。

式中:ti是运行时刻;μ是全年逐小时发电功率的均值;PW(ti)为ti时刻风电总功率;PS(ti)为ti时刻光伏发电总功率;N为系统运行小时数。

PW(ti)、PS(ti)由风、光发电容量因子时序数据乘以额定发电功率而得。

式中:CFW(ti)为ti时刻风电机组所在地的风能容量因子;CWind为风电装机容量;CFS(ti)为ti时刻光伏发电系统所在地的太阳能容量因子;CSolar为光伏装机容量。

模型以光伏发电量占互补系统总发电量的比例,即光伏发电量占比x为决策变量,假定风-光互补系统全年发电量φ为1 GWh,这一变量满足式(4)。

计算可得各点位风-光互补系统出力平稳水平及其对应的光伏发电量占比。研究将比较和分析不同地区风、光互补性和光伏最优发电量占比的差异。

1.3 风-光互补系统的模拟和配比优化

对于以就地或近距离消纳为主的风-光发电基地,风-光互补系统的发电曲线应尽量与用电曲线相匹配。在任意时刻,发电系统功率应满足式(5)。

式中:PL(ti)为用电负荷;δ为线损率,这一值取决于所选地区的地理位置与输电系统的构成;PE(ti)为互补系统外其他电源的功率。假设互补系统不存在弃风、弃光,即当互补系统总输出功率大于PL(ti)时,PE(ti)可取负值。

本文根据2018年京津唐地区总用电量,对2009年逐小时用电数据进行线性外推,得到2018年用电小时级数据如式(6)所示[25]

式中:N取8760;为2018年第ti小时总用电功率;为2009年第ti小时总用电功率。

将系统净负荷,即互补系统外其他电源的功率波动性最小作为优化目标,指标λ*计算如式(7) [24]

式中:ω为系统全年小时净负荷的均值。λ*越小,电网负荷的波动程度越低,互补系统出力与负荷的匹配度越高。

模型决策变量为光伏发电量占系统总发电量的比例x,见式(8)。

式中:θ为风-光互补系统总发电量占受电地区总用电量的比例。中国2017年风、光发电量占总发电量的比例为7.6%,在当前政策情景下,预计到2035年这一比例将增加至43%[26]。故第2章算例中,结合中国风、光发电发展前景,取θ为10%进行模拟计算。

2 研究结果

2.1 风、光资源发电潜力识别

发电潜力主要取决于各地风、光资源量与其地形、地貌适用性。基于可再生能源评估模型,研究得出2016年三北地区风、光发电年平均容量因子分布(如图2所示)。

图2 2016年三北地区风、光发电年平均容量因子分布与所选互补发电基地分布
Fig.2 Distribution of annual average capacity factors of wind and solar power generation in the Three Norths in 2016 and the selected locations for wind-PV hybrid power system construction

根据识别结果,中国三北地区风能资源发电潜力大的区域主要集中在内蒙古、黑龙江和吉林的部分地区。太阳能发电潜力大的点位主要集中在内蒙古、甘肃、西藏,这些区域光照强度高且地形适宜、人口密度较低,可铺设面积大[27]。这一结果与采用十年数据的风、光资源评估研究[28-33]结果一致。综合风、光资源分布情况,研究发现内蒙古部分地区风、光年平均容量因子水平居全国前列,适宜建设大型风-光互补系统。河北北部部分点位发电潜力大,且与北京、天津等用电负荷中心距离近,互补发电前景较好。此外,山西北部和新疆东北部零星分布有风、光发电潜力均较大的区域,这些区域也有良好的互补发电前景。东北三省西部与山东沿海地区太阳能资源水平稍低,但风能容量因子高;且这些地区的人口较内蒙古更稠密,电力消耗量大,宜建设风电基地。青海与西藏太阳能发电潜力普遍较大,光伏发电前景较好。内蒙古西部一些点位的风能资源居于全国中游水平,可建设以太阳能为主的风-光互补系统。

2.2 三北地区风-光互补性

除去三北地区内不适于建设风、光发电基地的点位后,计算得到余下5400个点位光伏发电占系统总发电量的最优比例如图3所示。

图3 三北地区光伏发电量占风-光互补系统总发电量的最优比例分布
Fig.3 Distribution of optimal ratios of PV outputs to total wind-PV power generation in the Three-North region

各点位风-光互补出力平稳性随光伏发电量占比的上升先提高后下降,不同地区最优占比呈现较大差异。在内蒙古北部偏东和新疆北部,最优光伏发电量占比较高,超过了70%;青海、甘肃南部与新疆南部地区的比例较低。本研究对各地光伏发电量占比分别为0%、100%与最佳占比时,目标函数λ的分布情况进行了计算(如图4所示)。函数值小的地区系统发电波动性较低,风-光互补性较好。

图4 光伏发电量占风—光互补系统总发电量之比为1、0和最优值时目标函数值的分布
Fig.4 The distribution of λ for x=0/1/ optimal solution

对比单独采用风能发电(x=0)和单独采用光伏发电(x=1)的情景,在以最优比例配置风、光发电时,各点位平均目标函数值分别下降了50%和24%,系统出力平稳性显著上升。这表明通过风-光互补优化可以降低风、光发电的波动性。在各地风、光发电处于最优比例时,三北地区北部和偏东西北部系统全年发电平滑性最好,风-光互补性最佳。

2.3 结合用电数据的互补系统模拟优化结果

为使互补发电系统匹配用电需求,筛选出3个区域,结合用电数据进行风-光互补系统优化分析。

根据三北地区风、光发电潜力识别结果,内蒙古西部、内蒙古北部偏东与河北部分地区风、光资源年平均容量因子均处于较高水平,且风、光互补性较强。将点位A、B、C(见图2)作为建设风-光互补发电基地向京津唐电网供电的模拟区域。点位A、B分别位于巴彦淖尔和锡林郭勒盟,其所在地区已于2019年启动风电大基地项目[34]。点位C位于国家可再生能源示范区(河北省张家口市),据规划,其2030年风电装机将达20 GW[35]。设计点位A—京津唐、点位B—京津唐、点位C—京津唐3种输电情景进行风-光互补系统优化设计。

将所选点位区域资源数据与用电数据代入优化模型,得到3种情景下目标函数λ*x的变化,即系统全年净负荷的标准差随光伏发电量占比的变化趋势(如图5所示)。目标函数值越低,系统净负荷稳定性越高。求优结果汇总如表1所示。

可见,λ*随着x增大先降低后升高,最小值分别为2.40、2.14和2.54。其中,点位C—京津唐情景下λ*整体高于其余两情景(如图5所示),表明点位C风、光资源互补后与京津唐用电负荷的匹配程度低。点位B—京津唐情景的λ*最小,即净负荷波动最小,在稳定性上占据优势。

表1 求优结果汇总
Table 1 Summary of optimization results

图5 3种情景下光伏发电量占风—光互补系统总发电量之比与目标函数值的关系
Fig.5 The relationship between and λ* for the three scenarios

最优光伏发电量占比的差异源于各地区风、光资源量的相对大小及其波动特征。在点位B建设互补系统时,最优光伏发电量占比最低。这一地区光资源水平与其他点位差别较小,但风能年平均容量因子分别较点位A和点位C高出15%和29%。在此情景下,风能波动与京津唐地区的用电波动匹配度较高,采用高比例的风能发电有利于系统平稳运行。河北点位C的风能波动性最大,最优光伏发电量占比最高。这一地区光资源全年波动的幅度较小,使用较高比例的太阳能有助于提高系统的平稳性。

年净负荷曲线将系统全年8760 h的净负荷由高到低排列,是评估可再生能源发电系统可靠性的有效工具[36]。分别模拟3个情景下光伏发电量占风-光互补系统总发电量比例为0、1和最优占比时系统全年运行情况,得到互补系统的年净负荷曲线如图6所示。

结果显示,相比单独采用风能或光伏发电,通过风-光互补使得系统净负荷逐小时曲线更平缓,且互补系统发电量为0的小时数大幅减少。在最优的风、光资源配比下,系统净负荷的平稳性明显提高。

图6 3种情景中不同光伏发电量占系统总发电量之比下风—光互补系统年净负荷曲线
Fig.6 Net load duration curves of wind-PV hybrid power systems with different ratios of PV outputs to total power generation for the three scenarios

从季节性变动看,春秋两季风、光资源量处于全年中等水平,点位B—京津唐情景的小时级净负荷变动幅度低于其余两情景。夏季太阳能辐射处于较高水平,点位C—京津唐情景的系统发电功率更稳定,点位B次之。冬季点位A、B的变动幅度相似,均明显优于点位C。

从输电通道可行性看,蒙西地区已建成外送京津唐地区的特高压输电线路,规划远期输电能力为 5 GW[37],有较好的区域间输电基础。点位B所在的锡林格勒盟目前主要有向山东、江苏的输电通道[38]。点位C所在地正在规划特高压输电项目,加快外送通道的建设[39]

3 结论与展望

风-光互补发电有利于解决风、光资源随机性大、输电通道利用效率低等问题,有助于提高地区可再生能源利用率。本研究在识别中国三北地区风、光资源发电潜力分布的基础上,得到风-光互补系统出力平稳性水平较高的区域分布及其对应的最优风、光发电量比例;进一步筛选了位于蒙西、蒙东、河北的3个点位,以向京津唐地区输电为情景,计算并分析了其风-光互补发电最优比例。得到如下结论。

1)风力发电资源主要分布在三北地区的中东部,太阳能资源主要分布在中西部。内蒙古中部、河北北部和山西、新疆北部部分地区同时具有较高的风能与太阳能发电潜力,适宜建设大规模风-光互补发电系统。

2)风-光互补系统出力平稳性随光伏发电量占总发电量比例的变化而变化。通过合理配比风、光发电量,可以发挥二者的时间互补特性,降低系统出力的波动性。各地最优光伏发电量占比和系统出力平稳水平差异显著。内蒙古和新疆北部最优光伏发电量占比较高;出力平稳性较高、风-光互补性较强的地区则分布于新疆北部、内蒙古东部等地。

3)研究得到了向京津唐地区输电的情景下,互补系统的净负荷波动性最低的3个点位及其配比。不同点位发电系统最优配比下光伏发电量占风-光互补系统总发电量的比例呈现较大差异。其中点位B的互补系统光伏发电量占比最低,且出力平稳性最高、总装机容量最小,是三者中建设互补发电基地的最优选择。风-光互补系统选址时,在关注资源丰富度的同时,也应考虑风、光资源变化是否与用电负荷的变动相匹配,并在此基础上适当调整风、光发电比例。

本研究仅使用1年的资源和用电数据进行资源识别与优化计算。在未来研究中,需结合10年至20年的气象资料进行宏观和微观选址,提高结果的可靠性。同时,研究采用的优化模型未考虑系统效率、电网运行能力等因素带来的影响。未来可以加入储能设备,提高模型复杂度,并选取更多的点位,比较多个风-光互补发电情景下系统光伏发电量占比与系统净负荷波动性的变动规律,为风-光互补的大规模利用提供参考。在进行优化分析时,还可加入经济性的指标,从成本和收益角度比较在不同地区建设互补发电系统的优缺点。

参考文献

[1] 李欢.官方解读中国2030年左右碳排放达峰值:目标科学客观[EB/OL].中国新闻网,(2014) [2019-10-22].http://www.chinanews.com/gn/2014/11-25/6812167.shtml.

LI Huan.Official interpretation of China’s peak carbon emissions around 2030: Target scientific and objective [EB/OL].China News Network, (2014) [2019-10-22].http://www.chinanews.com/gn/2014/11-25/6812167.shtml(in Chinese).

[2] 《中国电力年鉴》编辑委员会.中国电力年鉴[M].北京:中国电力出版社,2017:793-859.

[3] 徐元金.我国风电行业弃风原因及对策分析[J].能源与环境,2018(5):57-62.

XU Yuanjin.Analysis of the causes and countermeasures of wind abandonment in China’s wind power industry[J].Energy and Environment, 2018 (5): 57-62 (in Chinese).

[4] 王运.新能源发电优先调度评价技术的研究与应用[D].北京:华北电力大学(北京),2016.

[5] 国家能源局.2017年风电并网运行情况[E B/O L].(2018) [2018-02-01].http://www.nea.gov.cn/2018-02/01/c_136942234.htm.

National Energy Administration.Wind power grid operation in 2017[EB/OL].(2018) [2018-02-01].http://www.nea.gov.cn/2018-02/01/c_136942234.htm(in Chinese).

[6] 姚金楠.国家能源局:2017年弃光率6%,同比下降4.3个百分点;弃风电量和弃风率实现“双降”[EB/OL].中国能源报,(2018) [2019-12-18].https://mp.weixin.qq.com/s/Qf56J4ulyYWWdGFOgHp4_A.

[7] 滕云,张铁岩,陈哲.多能源互联系统优化运行与控制技术研究现状与前景展望[J].可再生能源,2018,36(3):467-474.

TENG Yun, ZHANG Tieyan, CHEN Zhe.Review of operation optimization and control of multi-energy interconnection system based on micro-grid[J].Renewable Energy Resources, 2018, 36(3): 467-474(in Chinese).

[8] SINHA S, CHANDEL S S.Review of software tools for hybrid renewable energy systems[J].Renewable & Sustainable Energy Reviews, 2014, 32: 192-205.

[9] MONFORTI F, HULD T, Bódis K, et al.Assessing complementarity of wind and solar resources for energy production in Italy.A Monte Carlo approach[J].Renewable Energy, 2014, 63: 576-586.

[10] AZA-GNANDJI M, FIFATIN F X, HOUNNOU A H J, et al.Complementarity between solar and wind energy potentials in Benin republic[J].Advanced Engineering Forum, 2018, 28: 128-138.

[11] LIU Y, XIAO L Y, WANG H F, et al.Analysis on the hourly spatiotemporal complementarities between China’s solar and wind energy resources spreading in a wide area[J].Science China Technological Sciences, 2013, 56(3): 683-692.

[12] HUBER M, WEISSBART C.On the optimal mix of wind and solar generation in the future Chinese power system[J].Energy, 2015, 90: 235-243.

[13] MA T, YANG H X, LU L, et al.Optimal design of an autonomous solar–wind-pumped storage power supply system[J].Applied Energy, 2015, 160: 728-736.

[14] ZHOU S, WANG Y, ZHOU Y Y, et al.Roles of wind and solar energy in China’s power sector: Implications of intermittency constraints[J].Applied Energy, 2018, 213: 22-30.

[15] MAHESH A, SANDHU K S.Hybrid wind/photovoltaic energy system developments: Critical review and findings[J].Renewable and Sustainable Energy Reviews, 2015, 52: 1135-1147.

[16] BOROWY B S, SALAMEH Z M.Methodology for optimally sizing the combination of a battery bank and PV array in a wind/PV hybrid system[J].IEEE Transactions on Energy Conversion, 1996, 11(2): 367-375.

[17] 张峻岭,殷建英,王文军.鄂尔多斯新能源产业示范区的风光互补最优容量匹配[J].电力与能源,2011,32(3):224-227.

ZHANG Junling, YIN Jianying, WANG Wenjun.Wind and solar complementary optimal capacity matching in the new energy industry demonstration zone in Erdos[J].Electric Power & Energy, 2011, 32(3): 224-227(in Chinese).

[18] 李平.多能互补分布式电源并网方案优化设计及评估研究[D].北京:华北电力大学(北京), 2017.

[19] MA G, XU G C, JU R, et al.Study on optimal configuration of the grid-connected wind–solar–battery hybrid power system[J].International Journal of Sustainable Energy, 2017, 36(7): 668-681.

[20] LU X, MCELROY M B, KIVILUOMA J.Global potential for wind-generated electricity[J].Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(27): 10933-10938.

[21] RIENECKER M M, SUAREZ M J, TODLING R, et al.The GEOS-5 data assimilation system - documentation of versions 5.0.1, 5.1.0, and 5.2.0[R].Technical Report Series on Global Modeling and Data Assimilation, NASA, 2008.https://core.ac.uk/reader/10569188.

[22] LU X, MCELROY M B, PENG W, et al.Challenges faced by China compared with the US in developing wind power[J].Nature Energy, 2016, 1(6): 16061.

[23] CHEN S, LU X, MIAO Y F, et al.The potential of photovoltaics to power the Belt and Road initiative [J].Joule, 2019, 3(8): 1-18.

[24] XU L, RUAN X, MAO C, et al.An improved optimal sizing method for wind-solar-battery hybrid power system[J].IEEE Transactions on Sustainable Energy, 2013, 4(3): 774-785.

[25] CHEN X Y, LU X, McElroy M B, et al.Synergies of wind power and electrified space heating: case study for Beijing[J].Environmental Science & Technology, 2014, 48(3): 2016-2024.

[26] Energy Research Institute of Academy of Macroeconomic Research.China renewable energy outlook 2018[EB/OL].(2018) [2019-11-22].http://boostre.cnrec.org.cn/wp-content/uploads/2018/11/CREO2018-EN-final-1.pdf.

[27] 中华人民共和国国家统计局.中国统计年鉴[M].北京:中国统计出版社,2018:3-34.

[28] 朱瑞兆,薛桁.中国风能区划[J].太阳能学报,1983(2):123-132.

ZHU Ruizhao, XUE Heng.Regional distribution of wind energy[J].Acta Energiae Solaris Sinica, 1983(2):123-132 (in Chinese).

[29] 申宽育.中国的风能资源与风力发电[J].西北水电,2010(1):76-81.

SHEN Kuanyu.Wind energy resources and wind power generation in China[J].Northwest Hydropower, 2010(1): 76-81(in Chinese).

[30] 李柯,何凡能.中国陆地太阳能资源开发潜力区域分析[J].地理科学进展,2010,29(9):1049-1054.

LI Ke, HE Fanneng.Analysis on mainland China’s solar energy distribution and potential to utilize solar energy as an alternative energy source[J].Progress in Geography, 2010, 29(9): 1049-1054(in Chinese).

[31] 沈义.我国太阳能的空间分布及地区开发利用综合潜力评价[D].兰州:兰州大学,2014.

[32] HE G, KAMMEN D M.Where, when and how much wind is available? A provincial-scale wind resource assessment for China[J].Energy Policy, 2014, 74: 116-122.

[33] HE G, KAMMEN D M.Where, when and how much solar is available? A provincial-scale solar resource assessment for China[J].Renewable Energy, 2016,85: 74-82.

[34] 内蒙古自治区发展和改革委员会.关于印发2019-2021年自治区级重大项目滚动实施计划的通知[EB/OL].内蒙古自治区人民政府.(2018) [2019-11-24].http://www.nmg.gov.cn/art/2019/5/21/art_1570_264715.html?from=groupmessage.

[35] 国家发展与改革委员会.关于印发《河北省张家口市可再生能源示范区发展规划》的通知[EB/OL].(2015) [2019-11-24].http://news.bjx.com.cn/html/20150729/647349.shtml.

[36] MASTERS G M.Renewable and efficient electric power systems[M].Hoboken, NJ, USA: John Wiley & Sons, Inc., 2004.DOI:10.1002/0471668826.

[37] 张雪冬,刘泽.蒙西—天津南1000千伏特高压交流输变电工程正式投入运行[EB/OL].人民网.(2016) [2019-11-24].http://nm.people.com.cn/n2/2016/1229/c196667-29530383.html.

[38] 中国产业信息网.2018年中国电力设备行业发展回顾及2019年市场发展前景分析[EB/OL].(2019) [2019-11-24].http://www.chyxx.com/industry/201903/723201.html.

[39] 国家发展与改革委员会.河北省人民政府关于印发《张家口首都水源涵养功能区和生态环境支撑区建设规划(2019-2035年)》的通知[EB/OL].(2019) [2019-11-27].http://zfxxgk.ndrc.gov.cn/web/iteminfo.jsp?id=16251.

收稿日期:2019-10-15;

修回日期:2019-12-03。

Spatial Optimization of Wind-PV Hybrid Energy Systems for the Three-North Region in China

WANG Zilin1,2,3, LU Xi 1,2,3*, ZHUANG Minghao1,2,3,4, ZHANG Chongyu1,2,3, CHEN Shi1,2,3
(1.School of Environment, Tsinghua University, Haidian District, Beijing 100084, China; 2.State Key Joint Laboratory of Environmental Simulation and Pollution Control, Haidian District, Beijing 100084, China; 3.State Environmental Protection Key Laboratory of Sources and Control of Air Pollution Complex, Haidian District, Beijing 100084, China; 4.College of Resources and Environmental Sciences/Key Laboratory of Plant-Soil Interactions of MOE, China Agricultural University, Haidian District, Beijing 100193, China)

Abstract: The optimal combination of wind and solar PV systems to constitute wind-PV hybrid power systems can provide more stable power outputs than the individual component systems, facilitating the integration of variable renewable sources into the regional power system.In this study, the Three-North region was selected as the targeted area, and the renewable energy assessment model based on four-dimensional assimilation data was adopted to evaluate the spatial distribution of annual average capacity factor values of wind and solar power generation.The results indicated that provinces including Inner Mongolia and Hebei are endowed with a high potential for both wind and solar power generation.The optimal ratio of wind-PV power generation in this region was further quantified for the lowest overall variation.Based on these results, three potential sites with both abundant wind and solar power, and high stability (according to their optimal wind-PV ratios) were selected as potential renewable electricity sources for the Jing-Jin-Tang power grid.The optimization analysis of the wind-PV hybrid energy system in each site was further carried out with additional consideration on hourly supply and demand balances.

Keywords: Three-North region; wind energy; solar energy; wind-PV hybrid power system

National Key Research and Development Program of China (2016YFC0208901); National Natural Science Foundation of China (71722003, 71974108, 71690244).

作者简介

王子琳

王子琳(1997),女,硕士研究生,研究方向为能源与环境,E-mail: wang-zl19@mails.tsinghua.edu.cn。

鲁玺(1979),男,长聘副教授,博士生导师,研究方向为能源与环境。通信作者,E-mail: xilu@tsinghua.edu.cn。

庄明浩(1985),男,副教授,研究方向为自然资源管理,E-mail: zhuangminghao3@163.com。

(责任编辑 张宇)


  • 目录

    图1