CN103336998A - 一种风电场功率波动平抑目标值的优化计算方法 - Google Patents

Abstract

本发明公开了一种风电场功率波动平抑目标值的优化计算方法，包括以下步骤：1）选定时间截面T内的风电场输出功率PT(t)；2）将风电场输出功率PT(t)；分为k段，其中第i段的功率偏移量通过以下公式得到：

P_G.i为第i区间段的目标功率值；t_i-1，t_i分别为第i段区间时间的起始和终止时刻，t₀为选定断面风电场输出功率P_T(t)的起始时刻，在选定时间截面[t₀，t_k]内，满足t₀<t₁<…t_k-1<t_k；3）以功率偏移量P_Δ.k.i的总方差最小为目标，通过目标函数公式优化各分端对应的起始时刻t_i-1及各段的目标功率值P_G.i。本发明能够实现相关评价指标的大幅优化，在求解算法上提升了局部搜索能力，保证数据计算的有效和准确，满足调度决策需求。

Description

一种风电场功率波动平抑目标值的优化计算方法

技术领域

本发明涉及风电控制技术领域，尤其涉及一种考虑储能容量规划的风电场功率波动平抑目标值的优化计算方法。

背景技术

随着以风电、光伏为代表的可再生能源渗透率的提升，其间歇性和不确定性给电网的安全可靠运行带来了持续的挑战。储能因其对能量的充放特性，使其成为平滑可再生能源功率，克服其波动性的重要方式。风电场配置储能的关键问题之一在于，面对平滑效果与投入成本间的制约关系，如何协调确定储能容量，使有限容量同时满足储能系统运行的有效性和经济性。可见，容量优化是风电场储能配置规划的重要内容。

现有技术中有的是基于风电功率的分布规律，以风场平均功率水平作为期望输出，考虑持续输出小时数的影响确定储能容量；有的分析了风电场日出力曲线与储能容量关系，但其并未对两者关系的规律性做进一步量化探讨；有的改进了SOC反馈控制方法，并引入充放电功率及寿命约束等，可配合实现风电场的小时级发电调度；有的以提高风电场出力预报精度为补偿目标，利用统计法进行估算储能容量；有的考虑了蓄电池的能量关系，并以跟踪小时级电网调度出力为目标提出了储能系统的控制方法；有的兼顾调度决策适应性和风电场运行经济性，以储能投资及风场运行成本最低为目标函数建立了储能容量优化模型；有的以补偿预测功率与实际出力的差值为目标，对风电场的储能容量进行了计算分析。

以上现有技术在储能容量优化过程中均一定程度考虑了调度决策需求，并在设定情境下获取了相应的优化容量，但在容量优化过程中的功率波动平抑目标值选定问题上，仍存在以下缺陷：具体表现为目标功率值或者在较长时间窗口内风功率为定值，或者被分成固定时间窗口。而长时间的稳定输出对于储能容量提出了较高的要求，同时高风电功率时的利用效率也会降低；而主观的固定窗口划分和目标值确定无法实现功率波动平抑目标值与原始风功率输出间的最优匹配，且风功率利用率也非最高。因此，目标功率值选定不合理性和主观性将可能大幅提高储能容量，并极易降低风电场功率的利用效率，目标功率值优化是保障储能容量最优的重要前提和步骤。

发明内容

本发明为了解决现有技术存在的上述不足，提供了一种风电场功率波动平抑目标值的优化计算方法；本发明能够实现相关评价指标的大幅优化，同时在求解算法上提升了局部搜索能力，保证数据计算的有效和准确，满足调度决策需求。

本发明的目的是采用下述技术方案实现的：

一种风电场功率波动平抑目标值的优化计算方法，包括以下步骤：

1）选定时间截面T内的风电场输出功率P_T(t)；

2）将风电场输出功率PT(t)；分为k段，其中第i段的功率偏移量通过以下公式得到：

$P_{\mathrm{\&Delta;}\&CenterDot;k\&CenterDot;i}=\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}|P_T\left(t\right)-P_{G.i}|(i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;k)---\left(1\right)$

式中，P_Δ.k.i为第i区间段的功率偏移量；P_G.i为第i区间段的目标功率值；t_i-1，t_i分别为第i段区间时间的起始和终止时刻，t₀为选定断面风电场输出功率P_T(t)的起始时刻，在选定时间截面[t₀，t_k]内，满足t₀<t₁<…t_k-1<t_k；

3）以功率偏移量P_Δ.k.i的总方差最小为目标，通过以下的目标函数公式，依此优化各分端对应的起始时刻t_i-1以及各段的目标功率值P_G.i，

$\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\{\frac{1}{t_i-t_{i-1}{t}_{i-1}}\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}\&lsqb;P_T\left(t\right)-P_{G.i}{\&rsqb;}^2\}---\left(2\right)$

所述步骤2）通过以下公式对充放电功率约束，以避免储能与风电场间能量传递过程中，因充放电功率而造成能量的损失或填补不足，

-P_discha≤P_T(t)-P_G.i≤P_cha    （3）

式中，P_cha、P_discha分别为储能系统的充电功率、放电功率，为表述统一，将放电看作为负充电过程，其大小以其绝对值为准；P_T(t)-P_G.i为第i个时间区间[t_i-1，t_i]的功率偏移量，（i=1，2…k）；

（2）所述步骤2）、步骤3）通过以下公式对分段区间时间约束，以减少区间长度对调度需求的影响：

Δt_min≤t_i-t_i-1≤Δt_max    （4）

式中Δt_min、Δt_max分别为最小、最大允许分段时间，考虑调度需求主要考虑Δt_min，而Δt_max与风功率波形有关、其数值可相对较大。

所述步骤2）的k值通过以下公式得到，

其中k∈[1,k_max]，k_max为最大分段数，

P_Δ.k为总体功率偏移量，即当选定时间界面被分为k段时，总体功率偏移量为

$P_{\mathrm{\&Delta;}.k}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{P}_{\mathrm{\&Delta;}.k.i},---\left(6\right)$

影响k值的原因在于分段数k的增加与总体偏移量减小速率相互制衡，即随着k值的增加，总体功率偏移量必然减小，但其相对k-1时减小幅度的大小则影响了k的最优取值。因此，根据k值的影响因素，引入分段系数C,定义如式（6）。分段系数Ck的意义在于平衡k值增加与总体功率偏移量增量的矛盾，一方面可限制k值得无限增加，另一方面可确定最优分段数，当分段系数Ck最小时对应的k值即为最优分段数。

通过有功功率偏差率

评价风电场功率波动平抑目标值优化的可信性，有功功率偏差率

通过以下公式得到， $\&PartialD;=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}\frac{\&lsqb;P_T\left(t\right)-P_{G.i}{\&rsqb;}^2}{{P_{G.i}}^2}---\left(7\right)$

越大，风电场总输出功率相对P_G.i（i=1，2，…k)偏离越大，说明输出功率相对目标功率值得波动越大，此时所需储能容量越大。

本发明的工作原理：

目标功率偏移量为风电场实际输出与期望输出目标间的偏差表征，其方差代表了实际输出与目标值间的偏离程度]，显然目标功率偏移量方差越大，代表所设定的期望输出值与实际输出越大，此时所需储能容量必然增大；反之，则储能容量减小，并可到达其最优值。本文目标值优化的思想在于，为保障风功率利用最大化和储能容量的最优化提供理论支持，建立消除主观设定的优化数学模型，以目标功率偏移量最小为目标，确定优化的功率波动平抑期望目标值。具体思路为：对选定时间截面的风电功率，将其分为任意k（k为正整数）段区间，各区间功率目标值为P_G.i（i=1，2…k），各区间时间范围分别为[t_i-1，t_i]（i=1，2…k）。若k取值变化，则相应的P_G.i、[t_i-1，t_i]均跟随变化。本文优化目的在于，在目标功率偏移量方差衡量下，依据其最小方差选择最优的k值，并优化k段区间对应的P_G.i、[t_i-1，t_i]（i=1，2…k）数值，形成最优的目标功率输出曲线。

本发明的风电场功率波动平抑目标值优化问题包含动态边界条件且含有多个随机变量的随机优化问题，常规意义的的智能算法有可能因边界条件的动态变化使得计算速度和收敛效果难以达到理想效果。PSO算法已被广泛应用于求解各类数值优化问题，但在求解部分复杂优化问题时依然存在搜索精度不高和易陷入局部最优解的缺陷。

本发明采用融合SFLA思想的PSO算法，既继承了传统PSO计算鲁棒性强、效率高的优点，也有效避免粒子群算法易收敛至局部最优解的可能，同时参考EA思路提出了加快收敛速度的改进方法。

本发明求解算法思想为：1）采用SFLA族群形式，将PSO群体中粒子按规律分类，以族群为单位迭代更新，增强算法的局部寻优能力，而且可以避免种群粒子向全局极值处聚集，提高种群多样性；2）族群寻优结束后，重新释放粒子再次组建新的族群，进行下一轮族群粒子的更新，该策略一方面利用局部最优信息，另一方面粒子的重新组合可增强全局粒子间的合作与竞争，摆脱局部最优陷阱；3）本文依据群体适应度方差设定族群迭代和全局族群重建次数的收敛标准，消除了迭代设置的主观性。

本发明融合数学模型：对于解空间为D维的最小化优化问题，设定种群规模N，其中第i个粒子的速度向量表示为V_i=(V_i1,V_i2,…,V_iD)，i=1,2,…,N；位置向量表示为X_i=(X_i1,X_i2,…,X_iD)。计算每个青蛙的适应值f(X_i)，根据适应值将其按递减顺序排序。然后将整个群体划分为m个子族群，每个子族群中有n个青蛙，既有F=m×n。族群划分公式如(8)式。

M_j={X_j+m(h-1)∈Q|1≤h≤n}    (8)

式中M_j为第j个子族群。第i个粒子迄今为止搜索到的最优位置记为p_i=(p_i1,p_i2,...,p_iD)，各族群粒子迄今为止搜索到的最优位置记为p_g=(p_g1,p_g2,...,p_gm)。粒子速度和位置更新公式如下：

V_id(t＋1)=ωV_id(t)＋c1×γ1(p_id－X_id(t))＋c2×γ2(p_gd－X_id(t))    (9)

X_id(t＋1)=X_id(t)＋V_id(t＋1)    (10)

当V_id≥V_max时，V_id=V_max    (11)

当V_id≤V_min时，V_id=V_min    (12)

式中，i=1,2,…,N；d=1,2,…,D；c1和c2为非负的加速常数；γ1和γ2为服从[0，1]上的两个相互独立的随机数；ω为惯性权重，取一般在0.1到0.9之间；V_min和V_max为速度范围上下限；进化代数t取决于族群迭代收敛条件。

在子族群内重复以上操作，直到达到预先设定的子族群迭代收敛标准。当所有子族群局部搜索完成后，将所有子族群的粒子重新混合并排序，重新划分子族群，然后再进行局部搜索，如此循环直到满足全局收敛条件为止。

收敛速度改进：本对算法族群局部搜索和族群重建的全局收敛条件进行标定，设族群粒子群的粒子数目为n,f_i为第i个粒子的适应度,f_avg为粒子群目前的平均适应度,σ²为粒子群的群体适应度方差,则σ²可以定义为:

${\mathrm{\&sigma;}}^2=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\&lsqb;\frac{f_i-f_{\mathrm{avg}}}{f}{\&rsqb;}^2---\left(13\right)$

其中f是归一化定标因子，其作用是限制σ²的大小，本文选取f为：

max{|fi-favg|}（i=1，2，…n）    （14）

群体适应度方差σ²反映的是粒子群中所有粒子的“收敛”程度.σ²越小,则粒子群趋于收敛;反之,粒子群则处于随机搜索阶段。为此，族群局部搜索收敛条件为：

$\underset{t\&RightArrow;\&infin;}{\lim }\mathrm{\&Delta;}{\mathrm{\&sigma;}}^2=C_{\mathrm{\&sigma;}}---\left(15\right)$

式中Δσ²为方差的变化量，C_σ为接近于零的定常数。

由此，可依照族群收敛标准，设定全局族群重建收敛条件：计算各族群粒子适应度均值的方差，则该方差的变量话趋近于某一接近于零的定常数时，认定符合收敛条件。

同时，本发明为加快收敛速度，对算法作如下改进：1）族群例子更新算法采用常规PSO方式，即式（9）、（10），相对于SFLA仅对最差例子更新方式，可加快向局部最优趋近的进程；2）参考EA思想，族群重新组建时，按粒子适应度排序，对新组建族群中的后10%粒子替换为前10%粒子，保证进化过程中父代优点的传承，同时保持粒子的多样性，加快收敛速度。

本发明的有益效果：

1.本发明能够实现相关评价指标的大幅优化，同时在求解算法上提升了局部搜索能力，保证数据计算的有效和准确。

2.本发明能够客观有效的确定风电场的功率波动平抑最优值，同时所提出的求解算法能够针对模型计算特点实现高效求解搜索，并计算准确。

3.本发明能够实现风电场配置储能系统的容量最优化，满足调度决策需求。

4.本发明求解搜索能力强，收敛特性好，计算能力较强。

5.现场风电场运行数据表明，本发明的功率波动平抑目标值能够有效优化功率偏移量总方差和有功功率偏差率的评价指标，为储能容量的最优化提供了理论前提。

附图说明

图1为本发明的k与C关系曲线图；

图2本发明最优目标功率值示意图；

图3为本发明归一化的评价指标参数示意图；

图4本发明最优目标功率值示意图；

图5本发明归一化的评价指标参数示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

一种风电场功率波动平抑目标值的优化计算方法，包括以下步骤：

1）选定时间截面T内的风电场输出功率PT(t)；；

2）将风电场输出功率PT(t)；分为k段，其中第i段的功率偏移量通过以下公式得到：

$P_{\mathrm{\&Delta;}\&CenterDot;k\&CenterDot;i}=\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}|P_T\left(t\right)-P_{G.i}|(i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;k)---\left(1\right)$

式中，P_Δ.k.i为第i区间段的功率偏移量；P_G.i为第i区间段的目标功率值；t_i-1，t_i分别为第i段区间时间的起始和终止时刻，t₀为选定断面风电场输出功率P_T(t)的起始时刻，在选定时间截面[t₀，t_k]内，满足t₀<t₁<…t_k-1<t_k；

3）以功率偏移量P_Δ.k.i的总方差最小为目标，通过以下的目标函数公式，依此优化各分端对应的起始时刻t_i-1以及各段的目标功率值P_G.i，

$\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\{\frac{1}{t_i-t_{i-1}{t}_{i-1}}\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}\&lsqb;P_T\left(t\right)-P_{G.i}{\&rsqb;}^2\}---\left(2\right)$

由上述表达式可以看出，该功率波动平抑目标值的求取问题为包含多个随机参数的多变量非线性优化规划问题。

约束条件：目标函数构建最目标是为了满足调度需求和储能容量优化，因此其约束条件应综合考虑上述因数。其中

1.充放电功率约束：所述步骤2）通过以下公式充放电功率约束，来避免储能与风电场间能量传递过程中，因充放电功率而造成能量的损失或填补不足，

-P_discha≤P_T(t)-P_G.i≤P_cha    （3）

式中，P_cha、P_discha分别为储能系统的充放电功率，为表述统一，将放电看作为负充电过程，其大小以其绝对值为准；P_T(t)-P_G.i为第i个时间区间[t_i-1，t_i]（i=1，2…k）的功率偏移量。

2.所述步骤2）、步骤3）通过以下公式对分段区间时间约束，以减少区间长度对调度需求的影响：

Δt_min≤t_i-t_i-1≤Δt_max    （4）

式中Δt_min、Δt_max分别为最小、最大允许分段时间，考虑调度需求主要考虑Δt_min，而Δt_max与风功率波形有关、其数值可相对较大。

3.最佳k值求取

所述步骤2）的k值通过以下公式得到，

其中k∈[1,k_max]，k_max为最大分段数，

P_Δ.k为总体功率偏移量，即当选定时间界面被分为k段时，总体功率偏移量为

$P_{\mathrm{\&Delta;}.k}=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{P}_{\mathrm{\&Delta;}.k.i},---\left(6\right)$

影响k值的原因在于分段数k的增加与总体偏移量减小速率相互制衡，即随着k值的增加，总体功率偏移量必然减小，但其相对k-1时减小幅度的大小则影响了k的最优取值。因此，根据k值的影响因素，引入分段系数C,定义如式（6）。分段系数Ck的意义在于平衡k值增加与总体功率偏移量增量的矛盾，一方面可限制k值得无限增加，另一方面可确定最优分段数，当分段系数Ck最小时对应的k值即为最优分段数。

4附加评价指标

通过有功功率偏差率评价风电场功率波动平抑目标值优化的可信性，有功功率偏差率通过以下公式得到， $\&PartialD;=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}\frac{\&lsqb;P_T\left(t\right)-P_{G.i}{\&rsqb;}^2}{{P_{G.i}}^2}---\left(7\right)$

越大，风电场总输出功率相对P_G.i（i=1，2，…k）偏离越大，说明输出功率相对目标功率值得波动越大，此时所需储能容量越大。

算例分析

以某风电场实际运行数据为例进行计算分析，该风电场由67台单机容量为1.5MW的双馈感应风力发电机构成，并网联络线功率采样时间为5min。表格1、2所示分别为算例中所设定的优化模型参数和求解算法参数。

表1优化模型参数（MW、min）

（1）算例1：依据优化模型，利用求解算法计算分段结果如表3所示。

表3分段计算结果

由表3中数据表明，随着分段数量的增加，目标功率偏移量不断减少，但分段系数却并非如此，分段系数与分段数关系曲线如图1所示。可以看出，分段系数并非单调增或减，而是呈现波动状态，这是分段数增加与目标功率偏移量增量相互制衡的结果，本算例中最优分段数为k=21。利用本文所提求解算法获取并网目标功率值如图2所示。

为清晰表达本文方法对于目标功率值的优化幅度，依照本文设定的指标P_Δ.k.i总方差和附加指标

与文献[8]常规方法进行对比，本文采用标幺值对比方式，以常规方法所获取的评价指标数值为基准值，计算本文方法相关指标的标幺值，如图3所示。可得，本文方法在相关指标上均实现了大幅优化，最终结果对比如表格4所示。表4计算结果对比

上述分析表明，本文方法与常规文献方法可实现相关评价指标的大幅优化，同时在求解算法上提升了局部搜索能力，保证数据计算的有效和准确。

（2）算例2：为进一步验证本文方法，提取有效数据样本，计算分析结果如图4，相关评价指标归一化如图5所示，最优计算结果如表5所示，可进一步验证本文方法的有效性和可靠性。本例中本文求解算法与常规PSO求解最优k值相同，但其分段区间起止时间不同，说明求解计算过程中，常规PSO算法并未搜索到全局最优点，同时相应的评价指标也相异。

表5计算结果对比

上述虽然结合附图对发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (5)

1.一种风电场功率波动平抑目标值的优化计算方法，其特征是，包括以下步骤：

1）选定时间截面T内的风电场输出功率P_T(t)；

2）将风电场输出功率PT(t)；分为k段，其中第i段的功率偏移量通过以下公式得到：

$P_{\mathrm{\&Delta;}\&CenterDot;k\&CenterDot;i}=\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}|P_T\left(t\right)-P_{G.i}|(i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;k),$

式中，P_Δ.k.i为第i区间段的功率偏移量；P_G.i为第i区间段的目标功率值；t_i-1，t_i分别为第i段区间时间的起始和终止时刻，t₀为选定断面风电场输出功率P_T(t)的起始时刻，在选定时间截面[t₀，t_k]内，满足t₀<t₁<…t_k-1<t_k；

3）以功率偏移量P_Δ.k.i的总方差最小为目标，通过以下的目标函数公式，优化各分端对应的起始时刻t_i-1以及各段的目标功率值P_G.i：

$\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\{\frac{1}{t_i-t_{i-1}{t}_{i-1}}\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}\&lsqb;P_T\left(t\right)-P_{G.i}{\&rsqb;}^2\}.$

2.如权利要求1所述的风电场功率波动平抑目标值的优化计算方法，其特征是，所述步骤2）通过以下公式对充放电功率约束，以避免储能与风电场间能量传递过程中、因充放电功率而造成能量的损失或填补不足：

-P_discha≤P_T(t)-P_G.i≤P_cha，

式中，P_cha、P_discha分别为储能系统的充电功率、放电功率，为表述统一、将放电看作为负充电过程，其大小以其绝对值为准；P_T(t)-P_G.i为第i个时间区间[t_i-1，t_i]的功率偏移量，（i=1，2…k）。

3.如权利要求1所述的风电场功率波动平抑目标值的优化计算方法，其特征是，所述步骤2）、步骤3）通过以下公式对分段区间时间约束，以减少区间长度对调度需求的影响：

Δt_min≤t_i-t_i-1≤Δt_max，

式中Δt_min、Δt_max分别为最小、最大允许分段时间。

4.如权利要求1所述的风电场功率波动平抑目标值的优化计算方法，其特征是，所述步骤2）的k值通过以下公式得到，

其中k∈[1,k_max]，k_max为最大分段数，

P_Δ.k为总体功率偏移量，

5.如权利要求1所述的风电场功率波动平抑目标值的优化计算方法，其特征是，通过有功功率偏差率评价风电场功率波动平抑目标值优化的可信性，有功功率偏差率

通过以下公式得到， $\&PartialD;=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\underset{t_{i-1}}{\overset{t_i}{\mathrm{\&Sigma;}}}\frac{\&lsqb;P_T\left(t\right)-P_{G.i}{\&rsqb;}^2}{{P_{G.i}}^2}.$

Images