CN103580051A - 考虑负荷特性的风储系统电池荷电状态优化控制系统 - Google Patents

Abstract

本发明涉及一种考虑负荷特性的风储系统电池荷电状态优化控制系统，属于风、储系统储能设备控制领域。其中，数据采集器一端口连接到BESS优化调节控制器，把采集并处理的电网负荷特性及风电场特性传输给BESS优化调节控制器，BESS优化调节控制器与BESS投切执行器相连，用于根据BESS优化调节控制器的结果来优化BESS的运行。本发明目的是减弱风电场出力特性与负荷波动特性的不一致性对电网的影响，减小电力系统运行过程中的弃风量和电力不足量，为电网提供更加经济、可靠的控制。

Description

考虑负荷特性的风储系统电池荷电状态优化控制系统

技术领域

本发明涉及风储系统储能设备控制领域，特别设计电池做为储能设备（BESS）其荷电状态优化控制系统。

背景技术

随着大型风电场的发展，风电在电网中的比重越来越高。我国的装机容量越来越大，但一般情况下，风电场出力特性与负荷波动特性存在明显不一致性，风电场在凌晨2时至早上8时输出功率大，其他时间出力较小，尤其是在晚上18时至24时，出力最小。相反，从电力负荷需求角度，凌晨的负荷需求最小，而晚上18时到21时，是负荷高峰时间段。因此，在风电装机容量较大的系统，存在较大弃风量和电力不足量，不仅浪费了清洁能源和投资，也給系统稳定性带来威胁。由于电力系统要实现供电与用电电量的实时平衡，而风力所发电力又无法储存，因而风电在调峰能力上表现较差，需要其它电源提供备用和调峰服务。

风储系统的本质是通过为风力发电系统配置储能系统来平滑风电功率波动，使风电功率灵活可控。如果储能系统容量较大，并且有意识地调节其控制策略，储能系统还能在一定程度上平衡负荷、参与调峰。电池储能系统响应速度快，能够在极短时间内实现充放电，对平滑风电功率波动有明显的效果。同时，有意识的对电池荷电状态进行优化，能在一定程度上平衡负荷，参与调峰，对改善风电并网问题具有重要意义。故本发明的储能设备采用电池储能系统。

发明内容

本发明提供考虑负荷特性的风储系统电池荷电状态优化控制系统，以解决风电场出力特性与负荷波动特性的不一致性对电网影响的问题。

本发明采用的技术方案是，包括：用于采集电网负荷特性数据及风电场出力特性数据的数据采集器，对数据进行分析处理并产生控制BESS优化运行指令的BESS优化调节控制器，根据BESS优化调节控制器输出的指令来优化BESS运行的BESS投切执行器；其中，数据采集器一端口连接到BESS优化调节控制器，把采集并处理的电网负荷特性及风电场特性传输给BESS优化调节控制器；BESS优化调节控制器与BESS投切执行器相连，用于根据BESS优化调节控制器的结果来优化BESS的运行。

本发明目的是减弱风电场出力特性与负荷波动特性的不一致性对电网的影响，减小电力系统运行过程中的的弃风量和电力不足量，为电网提供更加经济、可靠的控制。

附图说明

图1是本发明中日前风功率预测和日前负荷预测及其对应的实际曲线图；

图2是本发明中基于粒子群算法的目标函数优化求解流程图；

图3是本发明中电池SOC及电网调节容量优化结果图；

图4是本发明中0点～2点时刻电池SOC控制目标示意图；

图5是本发明中基于预测功率修正的电池SOC控制流程图；

图6是本发明中电池SOC优化前后运行曲线图。

图7是本发明结构示意图。

具体实施方式

包括：用于采集电网负荷特性数据及风电场出力特性数据的数据采集器；对数据进行分析处理并产生控制BESS优化运行指令的BESS优化调节控制器；根据BESS优化调节控制器输出的指令来优化BESS运行的BESS投切执行器；其中，数据采集器一端口连接到BESS优化调节控制器，把采集并处理的电网负荷特性及风电场特性传输给BESS优化调节控制器；BESS优化调节控制器与BESS投切执行器相连，用于根据BESS优化调节控制器的结果来优化BESS的运行，如图7所示。

以2MW风力发电机为研究对象，设风场的装机容量为10MW，在此基础上对风电场输出功率和区域负荷的特性进行研究。图1为日前风功率预测和负荷预测及其对应的实际值。

考虑负荷特性的风、储系统电池荷电状态优化控制方法，包括如下步骤：

步骤1：数据采集器从电网调度部门及风电场读取日负荷预测与日风功率出力数据，本步骤的具体解释如下：

图1中可以看出，风电场在凌晨2时至早上8时这段时间输出功率大，而在其他时间出力较小，尤其是在晚上18时至24时，出力最小。相反，从日前负荷预测可以看出，凌晨的负荷需求最小，而晚上18时到21时，是负荷高峰时间段。也就是说风电场出力特性和负荷的波动特性完全不一致。而通过电池储能系统在负荷低谷期吸收多余电能，在负荷高峰期支撑电网调峰，能够使得电网接纳风电能力增强，在一定程度上平衡负荷，参与调峰，并且让风电场得到更好的经济效益。

步骤2：BESS优化调节控制器对数据采集器送来的数据进行分析计算，最终得出优化BESS运行的指令。本步骤的具体解释如下：

以一天的弃风量和电力不足量之和最小为目标，建立目标函数，同时考虑到系统具有一定的调节容量，对电池储能系统的优化前后结果进行比较分析。

P_Wi——第i个周期的日前风功率预测值。

P_Li——第i个周期的日前负荷预测值。

P_Bi——第i个周期的电池充放电功率，充电为正，放电为负。

P_Ri——第i个周期的调节容量，吸收功率时为正，发出功率时为负。一般规定，调节容量为最大负荷的2%～5%。本文设定调节容量为0.6MW。

建立函数y_i，用来表示第i个周期的弃风量或者电力不足量。

$y_i=|P_{\mathrm{Wi}}-P_{\mathrm{Li}}-P_{\mathrm{Bi}}-P_{\mathrm{Ri}}|---\left(1\right)$

设目标函数为F，则

$F=\min \underset{i=1}{\overset{23}{\mathrm{\Σ}}}y\×T---\left(2\right)$

其中T表示预测周期，T=1h。

$F=\min \underset{i=1}{\overset{23}{\mathrm{\Σ}}}|(P_{\mathrm{Wi}}-P_{\mathrm{Li}}-P_{\mathrm{Ri}})\×T-{\∫}_0^T{P}_{\mathrm{Bi}}\mathrm{dt}|---\left(3\right)$

实际上，

表示的是电池在一个单位周期内充放电的容量。由电池容量的计算方法可以推导出：

${\∫}_0^T{P}_{\mathrm{Bi}}\mathrm{dt}={Q^{\′}}_b\×(\mathrm{SO}{C}_{i+1}-{\mathrm{SOC}}_i)\×V---\left(4\right)$

其中Q'_b为电池额定容量。SOC_i为第i个周期起始时刻电池的荷电状态。

$F=\min \underset{i=1}{\overset{23}{\mathrm{\Σ}}}|(P_{\mathrm{Wi}}-P_{\mathrm{Li}}-P_{\mathrm{Ri}})\×T-{Q^{\′}}_b\×(\mathrm{SO}{C}_{i+1}-{\mathrm{SOC}}_i)\×V|---\left(5\right)$

综合电池储能系统的循环使用、寿命问题和系统调节容量的限制，电池充放电运行时，必须满足以下约束条件：

$\left\{\begin{array}{c}{\mathrm{SOC}}_0={\mathrm{SOC}}_{24}\\ 0.3\≤{\mathrm{SOC}}_i\≤0.9\\ \left|P_{\mathrm{Ri}}\right|\≤0.6\mathrm{MW}\end{array}\right.---\left(6\right)$

即当日的零点和次日的零点，电池荷电状态应该一致，这样做的目的是使电池能够循环使用。电池在运行过程中，荷电状态不能超过上下限，因为过充和过放都会影响电池的使用寿命。同时，系统的调节容量也有一定的限制。

采用粒子群优化算法(Particle Swarm Optimization,PSO)，假设一个粒子群由M个粒子组成，其搜索空间为D维。粒子i在t时刻的状态属性如下：

位置：x^t _i=(x^t _i1,x^t _i2......,x^t _id)^T

x^t _id∈[X_min,X_max]，X_min，X_max分别为搜索空间的上下限；

速度：v^t _i=(v^t _i1,v^t _i2......,v^t _id)^T

v^t _id∈[V_min,V_max]，V_min，V_max分别为最大最小速度；

个体最优位置：p^t _i=(p^t _i1,p^t _i2......,p^t _id)^T；

全局最优位置：p^t _g=(p^t _g1,p^t _g2......,p^t _gd)^T；

其中1≤i≤M，1≤d≤D。则在t+1时刻，粒子的位置通过下式更新：

v^t+1 _id=ωv^t _id+c₁r₁(p^t _id-x^t _id)+c₂r₂(p^t _gd-x^t _id)  (7)

x^t+1 _id=x^t _id+v^t+1 _id  (8)

式中，ω称为权重系数，其大小决定了粒子对当前速度继承的多少，本文取1。r₁、r₂为随机数，其均匀分布在(0,1)区间。c₁、c₂称为学习因子，通常取c₁=c₂=2。基于粒子群算法对优化函数进行求解的步骤如图2所示。该步骤可得出BESS优化运行的荷电状态值，如图3所示。

步骤3：BESS投切执行器根据BESS优化调节控制器送来的优化指令，采用一定的控制策略来实现BESS的优化运行。本步骤的具体解释如下：

上述电池SOC的优化结果是每个预测周期起始时刻的SOC值。其中并为考虑平抑风电功率波动的问题。但是，不管每个小时内的SOC如何波动，只要电池实际运行时的荷电状态SOC在0点、1点……24点时刻的值和粒子群算法得到的优化结果相同，就不影响最终的优化效果。

以0点到2点时段的电池充放电控制来说明基于预测功率修正的电池储能系统控制策略。图4表示0点～2点时段的SOC。其中SOC₀、SOC₁和SOC₂分别表示0点、1点和2点时刻的SOC初始优化值，步骤2用粒子群算法求解得到的值。将0点～1点时刻平均分为4个时间段，假设每个预测周期内，电池的SOC按线性变化，设定3个参考点，如图4中的中的SOC_0,1、SOC_0,2、SOC_0,3。在风/储系统实际运行时，每隔15分钟记录一次SOC值。根据式7和式8可知，不管一个预测周期内的SOC如何变动，只要该周期的起始时刻和下一个周期的起始时刻SOC值和对应的SOC优化值相等，其优化效果和表1所描述的一样。

电池0点开始运行，00:15记录到第一个SOC值，设为SOC'_0，1。由3.3节可知，电池在实际运行中，其充放电过程受预测功率值的影响。在没有达到电池充放电限制条件的情况下，当实际功率高于预测功率时，电池充电；若实际功率低于预测功率，电池放电。当SOC'_0，1>SOC_0，1时，说明电池在00:00～00:15这段时间内，充电容量高于预期目标；当SOC'_0，1<SOC_0，1时，说明电池在00:00～00:15这段时间内，充电容量小于预期目标。则在后一个时段，即在00:15～00:30这段时间内通过修正预测功率值，补偿前一个时段的SOC。同样的，在00:30～00:45这段时间内补偿00:15～00:30的SOC；00:45～01:00时间段内补偿00:30～00:45的SOC。其中预测功率按式(9)、(10)和(11)进行修正。

△p_n,i=(SOC'_n-1,i-SOC_n-1,i)×Q'_b×V/t  (9)

t=T/(m+1)  (10)

p'_n,i=P_n+△p_n,i  (11)

式中，△p_n,i为第n个预测周期的第i个设定点的预测功率修正量。p'_n,i为该点修正后的预测功率值。SOC_n-1,i、SOC'_n-1,i分别为该点的SOC参考值和实际值。P_n为利用指数平滑法预测得到的第n个周期风功率预测值。Q'_b为电池额定容量，V为电池电压。T为预测周期，m为每个预测周期内设定的参考点数。m越大，控制效果越好。

由于控制的目标是使得相邻两个时刻的SOC差值和对应的优化结果一致，所以当整点时刻记录到的SOC值和优化值不相等时，该点的下一个整点时刻对应的目标优化值也发生改变。如图4所示，在1点时刻记录的SOC值设为SOC'₁，比初始优化值SOC₁偏差了△SOC₁，即

SOC'₁=SOC₁+△SOC₁  (12)

修正2点的SOC优化目标值，从原先的SOC₂变为SOC''₂，计算公式如(13)。

SOC''₂=SOC₂+△SOC₁  (13)

同理，记录2点时刻的SOC实际值为SOC'₂，修正3点的SOC优化目标值。

SOC''₃=SOC₃+△SOC₂=SOC₃+SOC'₂-SOC''₂  (14)

以此类推，即

SOC''_n=SOC_n+△SOC_n-1=SOC_n+SOC'_n-1-SOC''_n-1  (15)

单个预测周期的功率修正流程如图5所示。当m=3时，电池SOC优化前后的曲线如图6所示。

按照该控制系统，该区域电网优化前后系统电力不足量和弃风量对比如表1所示；优化前后电池SOC运行曲线对比图如图6所示。

表1优化前后系统电力不足量和弃风量的比较

Claims (2)

1.一种考虑负荷特性的风储系统电池荷电状态优化控制系统，其特征在于包括：用于采集电网负荷特性数据及风电场出力特性数据的数据采集器，对数据进行分析处理并产生控制BESS优化运行指令的BESS优化调节控制器，根据BESS优化调节控制器输出的指令来优化BESS运行的BESS投切执行器；其中，数据采集器一端口连接到BESS优化调节控制器，把采集并处理的电网负荷特性及风电场特性传输给BESS优化调节控制器，BESS优化调节控制器与BESS投切执行器相连，用于根据BESS优化调节控制器的结果来优化BESS的运行。

2.根据权利要求1所述的考虑负荷特性的风储系统电池荷电状态优化控制系统，其特征在于：BESS优化调节控制器对数据采集器送来的数据进行分析计算，最终得出优化BESS运行的指令，具体步骤如下：

以一天的弃风量和电力不足量之和最小为目标，建立目标函数，同时考虑到系统具有一定的调节容量，对电池储能系统的优化前后结果进行比较分析。

P_Wi——第i个周期的日前风功率预测值。

P_Li——第i个周期的日前负荷预测值。

P_Bi——第i个周期的电池充放电功率，充电为正，放电为负。

P_Ri——第i个周期的调节容量，吸收功率时为正，发出功率时为负。一般规定，调节容量为最大负荷的2%～5%。本文设定调节容量为0.6MW。

建立函数y_i，用来表示第i个周期的弃风量或者电力不足量。

$y_i=|P_{\mathrm{Wi}}-P_{\mathrm{Li}}-P_{\mathrm{Bi}}-P_{\mathrm{Ri}}|---\left(1\right)$

设目标函数为F，则

$F=\min \underset{i=1}{\overset{23}{\mathrm{\&Sigma;}}}y\&times;T---\left(2\right)$

其中T表示预测周期，T=1h。

$F=\min \underset{i=1}{\overset{23}{\mathrm{\&Sigma;}}}|(P_{\mathrm{Wi}}-P_{\mathrm{Li}}-P_{\mathrm{Ri}})\&times;T-{\&Integral;}_0^T{P}_{\mathrm{Bi}}\mathrm{dt}|---\left(3\right)$

实际上，

表示的是电池在一个单位周期内充放电的容量。由电池容量的计算方法可以推导出：

${\&Integral;}_0^T{P}_{\mathrm{Bi}}\mathrm{dt}={Q^{\&prime;}}_b\&times;(\mathrm{SO}{C}_{i+1}-{\mathrm{SOC}}_i)\&times;V---\left(4\right)$

其中Q'_b为电池额定容量。SOC_i为第i个周期起始时刻电池的荷电状态。

$F=\min \underset{i=1}{\overset{23}{\mathrm{\&Sigma;}}}|(P_{\mathrm{Wi}}-P_{\mathrm{Li}}-P_{\mathrm{Ri}})\&times;T-{Q^{\&prime;}}_b\&times;(\mathrm{SO}{C}_{i+1}-{\mathrm{SOC}}_i)\&times;V|---\left(5\right)$

综合电池储能系统的循环使用、寿命问题和系统调节容量的限制，电池充放电运行时，必须满足以下约束条件：

$\left\{\begin{array}{c}{\mathrm{SOC}}_0={\mathrm{SOC}}_{24}\\ 0.3\&le;{\mathrm{SOC}}_i\&le;0.9\\ \left|P_{\mathrm{Ri}}\right|\&le;0.6\mathrm{MW}\end{array}\right.---\left(6\right)$

即当日的零点和次日的零点，电池荷电状态应该一致，这样做的目的是使电池能够循环使用。电池在运行过程中，荷电状态不能超过上下限，因为过充和过放都会影响电池的使用寿命。同时，系统的调节容量也有一定的限制。

采用粒子群优化算法(Particle Swarm Optimization,PSO)，假设一个粒子群由M个粒子组成，其搜索空间为D维。粒子i在t时刻的状态属性如下：

位置：x^t _i=(x^t _i1,x^t _i2......,x^t _id)^T

x^t _id∈[X_min,X_max]，X_min，X_max分别为搜索空间的上下限；

速度：v^t _i=(v^t _i1,v^t _i2......,v^t _id)^T

v^t _id∈[V_min,V_max]，V_min，V_max分别为最大最小速度；

个体最优位置：p^t _i=(p^t _i1,p^t _i2......,p^t _id)^T；

全局最优位置：p^t _g=(p^t _g1,p^t _g2......,p^t _gd)^T；

其中1≤i≤M，1≤d≤D。则在t+1时刻，粒子的位置通过下式更新：

v^t+1 _id=ωv^t _id+c₁r₁(p^t _id-x^t _id)+c₂r₂(p^t _gd-x^t _id)  (7)

x^t+1 _id=x^t _id+v^t+1 _id  (8)

式中，ω称为权重系数，其大小决定了粒子对当前速度继承的多少，本文取1。r₁、r₂为随机数，其均匀分布在(0,1)区间。c₁、c₂称为学习因子，通常取c₁=c₂=2。

Images