CN103956758B - 一种风储系统中储能soc优化控制方法 - Google Patents
一种风储系统中储能soc优化控制方法 Download PDFInfo
- Publication number
- CN103956758B CN103956758B CN201410212082.6A CN201410212082A CN103956758B CN 103956758 B CN103956758 B CN 103956758B CN 201410212082 A CN201410212082 A CN 201410212082A CN 103956758 B CN103956758 B CN 103956758B
- Authority
- CN
- China
- Prior art keywords
- soc
- energy
- storage system
- max
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Abstract
本发明公开了一种风储系统中储能SOC优化控制方法,根据未来一段时间风电场的预测功率,采用粒子群算法对SOC优化模型进行求解得到储能系统的最优SOC范围在风储系统的运行过程中,根据实时的荷电状态,得到其相对于最优SOC范围的荷电状态偏移比例,将荷电状态偏移比例和储能系统当前时刻的设定功率作为输入,滤波时间常数作为输出,采用模糊控制策略实时调节滤波时间常数,通过对风电场的实时功率进行低通滤波来平抑并网功率。本发明根据风电场的预测功率来提前调整储能系统的SOC,避免出现过充过放,从而长期平滑风电场的输出功率。
Description
技术领域
本发明属于风电场功率波动平抑技术领域,更为具体地讲,涉及一种风储系统中储能SOC优化控制方法。
背景技术
近年来,风力发电凭借其绿色环保、资源丰富等优势,得到了世界各国的重视,成为非化石燃料发电的重要来源。但风能具有随机性和间歇性的特点,独立的风力发电系统难以提供稳定、连续的功率输出,波动性较大,直接并入电网必然会影响电力系统的安全稳定运行。因此,从电网安全角度考虑,为风电场引入储能装置来平抑其功率波动,建立风储联合发电系统是未来风力发电的必然趋势。
风储系统是通过储能快速地吸收剩余能量或补充功率缺额来平抑风电场的功率波动的,所以在利用储能系统平抑风电场的功率波动的时候,无法保证对其进行有规律的充放电,容易出现过充过放,这不仅会影响其使用寿命,增加投入成本,而且在功率波动剧烈时可能会使其充放电能力不足,影响风电并网运行的安全。如果在制定储能系统充放电策略时,加入对其SOC(State of Charge,荷电状态)的额外控制,就可以在平抑风电场功率波动的同时,避免储能系统的过充过放,使其能够长期平滑风电场的输出功率,因此,研究风储系统中储能SOC的控制方法是十分重要的。
在国内外对储能系统平抑功率波动的研究中,对储能SOC的控制,通常是根据SOC的实时信息,采用一定的控制策略来调整储能系统的设定功率,使其SOC不断靠近适中的位置,进而避免过充过放。但是由于风电场输出功率的波动是毫无规律的,在未来一段时间储能系统可能放电多也可能充电多,SOC适中的位置对储能系统来说并不总是最优的,因此也无法完全避免过充过放,进而影响功率波动平抑效果。
发明内容
本发明的目的在于克服现有技术的不足,提供一种风储系统中储能SOC优化控制方法,根据风电场的预测功率来提前调整储能系统的SOC,避免出现过充过放,从而长期平滑风电场的输出功率。
为实现上述发明目的,本发明风储系统中储能SOC优化控制方法,包括以下步骤:
S1:求解最优SOC范围,具体步骤为:
周期性地对风电场在未来一段时间内的发电功率进行功率预测,Pw_pre(ti)为风电系统在ti时刻的预测功率,ti=i×Δt,i=1,2,…,N,N表示预测时间预定的时间步长个数,Δt表示时间步长;
最优SOC范围优化模型的目标函数为:
约束条件为:
其中,SOCopt_min表示储能系统最优工作范围的下限,SOCopt_max表示储能系统最优工作范围的上限,SOCmin表示储能系统正常工作范围的下限,SOCmax表示储能系统正常工作范围的上限,λ1、λ2、λ3、λ4分别为相应的权重系数,均为正数且权重系数和为1,SOC(ti)和SOC(ti-1)分别为ti时刻和ti-1时刻的储能系统荷电状态,PB_ref(ti)为储能系统在ti时刻的设定功率,Ecap为储能系统的容量,Pout(ti)为风电场经过储能系统平抑后的并网功率,uoptSOCmin(ti)表示初始时刻荷电状态SOC(t0)为SOCopt_min时,ti时刻储能系统是否出现过充过放;uoptSOCmax(ti)表示初始时刻荷电状态SOC(t0)为SOCopt_max时,ti时刻储能系统是否出现过充过放;Pch_max为储能系统所允许的最大充电功率,Pdisch_max为储能系统所允许的最大放电功率;Nk表示第k个波动控制时间范围内时间步长Δt的个数,K表示波动控制时间范围的数量,γk表示第k个波动控制时间范围内允许的功率最大变化量;
设定粒子的属性为SOCopt_min、SOCopt_max和PB_ref(ti),采用粒子群算法对最优SOC范围优化模型求解即可得到最优的SOCopt_min、SOCopt_max;
S2:风储系统在运行过程中,根据实时的荷电状态偏移比例和储能系统的设定功率,周期性地调节滤波时间常数,每次调节的具体方法为:
S2.1:偏移比例计算:
根据得到的最优SOC范围(SOCopt_min,SOCopt_max)和储能系统的实时SOC计算荷电状态偏移比例proΔSOC,计算公式为:
S2.2:将荷电状态偏移比例proΔSOC和储能系统当前时刻的设定功率PB_ref作为输入,滤波时间常数T作为输出,根据预设的模糊控制规则,采用模糊控制策略得到滤波时间常数T;
S2.3:本次调节周期内,根据步骤S2.2得到的滤波时间常数T对风电场的实际输出功率Pw进行低通滤波,平抑后的期望并网功率记为Pout_exp,计算得到储能系统的目标设定功率并根据以下公式对目标设定功率进行限值处理,得到最终的设定功率PB_ref,限制处理公式为:
其中,SOCprotect表示设定的荷电状态保护,Δk表示滤波时间常数调节的控制周期。
本发明风储系统中储能SOC优化控制方法,根据未来一段时间风电场的预测功率,采用粒子群算法对SOC优化模型进行求解得到储能系统的最优SOC范围。在风储系统的运行过程中,根据实时的荷电状态,得到其相对于最优SOC范围的荷电状态偏移比例,将荷电状态偏移比例和储能系统当前时刻的设定功率作为输入,滤波时间常数作为输出,采用模糊控制策略实时调节滤波时间常数,通过对风电场的实时功率进行低通滤波来得到储能系统的平抑目标,进而得到储能设定功率,然后通过控制储能系统的充放电来实现对风电场功率波动的平抑。
本发明考虑了风电场的功率预测信息,计算储能系统的最优SOC范围,再来调节滤波时间常数,这样就能在未来一段时间放电较多的时候,提前将其SOC调整到一个较高的水平,而在未来一段时间充电较多的时候,提前将SOC调整到一个较低的水平,这样就可以在功率波动较剧烈的情况来临之前提前做好准备,为储能系统预留足够的充放电空间来应对功率的突然波动,从而更好地避免储能系统的过充过放,使其能够长期平滑风电场的输出功率。
附图说明
图1是本发明风储系统中储能SOC优化控制方法的控制结构图;
图2是图1中基于模糊控制的滤波时间常数调节器的结构示意图;
图3是输入量proΔSOC的隶属度函数示意图;
图4是输入量PB_ref的隶属度函数示意图;
图5是输出量T的隶属度函数示意图;
图6是风电场功率波动平缓时本发明与对比算法的平抑效果对比图;
图7是风电场功率波动平缓时本发明与对比算法中储能系统的SOC变化曲线对比图;
图8是风电场功率波动较大时本发明与对比算法的平抑效果对比图;
图9是在风电场功率波动较大时本发明与对比算法中储能系统的SOC变化曲线对比图;
图10是风电场功率波动剧烈时本发明与对比算法的平抑效果对比图;
图11是在风电场功率波动剧烈时本发明与对比算法中储能系统的SOC变化曲线对比图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明风储系统中储能SOC优化控制方法的控制结构图。如图1所示,本发明风储系统中储能SOC优化控制方法主要包括两个部分,第一部分是最优SOC范围计算模块,根据风电场的预测功率及储能系统的额定功率、额定容量及储能SOC正常工作范围等信息,通过基于粒子群算法的储能SOC优化模型来计算储能系统在未来一段时间的最优初始SOC范围,并作为SOC实时控制模块的控制目标。SOC实时控制模块通过基于滤波时间常数模糊自调整的储能SOC实时控制策略,为储能系统制定合理的充放电策略,使其在平抑风电场功率波动的同时,将SOC控制到最优SOC范围之内。
下面分别对两个模块的具体实施步骤进行详细描述。
(一)最优SOC范围计算模块
周期性地对风电场在未来一段时间内,即优化时间窗口的发电功率进行功率预测,Pw_pre(ti)为风电系统在ti时刻的预测功率,ti=i×Δt,i=1,2,…,N,N表示优化时间窗口预定的时间步长个数,Δt表示时间步长。可见优化时间窗口的大小为N×Δt。在实际应用中,风电场的功率预测是一个单独模块,因此可以直接从功率预测模块中获得预测功率。如果功率预测的时间步长大于最优SOC范围计算的时间步长Δt,那么还需要根据预测功率进行插值处理得到需要的预测功率。例如在本实施例的仿真验证中,功率预测的时间步长为30s,最优SOC范围计算的时间步长为1s。
本发明中,最优SOC范围是采用储能SOC优化模型得到的,下面对该优化模型的建模过程进行说明。
求解最优SOC范围的第一个目标是最小化储能系统过充过放时间,目标函数如下所示:
u(ti)表示ti时刻储能系统是否出现过充过放,u(ti)=1表示储能系统出现过充或过放,u(ti)=0表示储能系统没有过充或过放。u(ti)的计算公式如下所示:
其中,SOCmin表示储能系统正常工作范围的下限,SOCmax表示储能系统正常工作范围的上限。
相邻两个时刻SOC值的递推关系式为:
其中,PB_ref(ti)为储能系统在ti时刻的设定功率,Ecap为储能系统的容量。初始时刻的荷电状态SOC(t0)的取值范围就是所求的最优SOC范围。如果当荷电状态的初值SOC(t0)=SOCopt_min时和SOC(t0)=SOCopt_max都能保证储能系统不出现过充过放,则当SOCopt_min<SOC(t0)<SOCopt_max时储能系统也不会出现过充过放。所以,本发明分别针对最优SOC范围的上限SOCopt_max和下限SOCopt_min给出了目标函数,如下所示:
其中,uoptSOCmin(ti)表示初始时刻荷电状态SOC(t0)为SOCopt_min时,ti时刻储能系统是否出现过充过放;uoptSOCmax(ti)表示初始时刻荷电状态SOC(t0)为SOCopt_max时,ti时刻储能系统是否出现过充过放。
为了提高SOC实时控制对最优SOC范围的可达性,应尽量增大最优SOC的范围,即尽量使其上限靠近正常工作范围的上限,使其下限靠近正常工作范围的下限。因此,本发明分别针对最优SOC范围的上下限给出了第二个目标:最小化最优SOC范围下限SOCopt_min与储能系统正常工作范围下限SOCmin间的距离,最小化最优SOC范围上限SOCopt_max与储能系统正常工作范围上限SOCmax间的距离,此时最优SOC范围最大,其可达性最高。目标函数下所示:
minf3=|SOCopt_min-SOCmin| (6)
minf4=|SOCopt_max-SOCmax| (7)
此外,风电场并网运行时,还需要使功率最大变化量在安全范围以内,以减小对电网的影响。本发明对储能系统最优SOC范围的计算,也考虑功率的波动情况。约束条件为:
其中,Nk表示第k个波动控制时间范围内时间步长Δt的个数,K表示波动控制时间范围的数量,γk表示第k个波动控制时间范围内允许的功率最大变化量。
例如,国家电网颁布的《风电场接入电力系统技术规定》明确规定了风电场并网运行时功率在1min和10min的最大变化量。表1是风电场最大功率变化率推荐值。
表1
可见,该规定中规定了两个波动控制时间范围,即1min和10min。以风储系统的风电场装机容量在30~150MW为例,1min内最大功率与最小功率之差小于等于额定功率的1/10,10min内最大功率与最小功率之差小于等于额定功率的1/3。此时功率波动的约束条件为:
N1表示1min内时间步长Δt的个数,N10表示10min内时间步长Δt的个数,Prated为风电场的额定功率,Pout(ti)为风电场经过储能系统平抑后的并网功率,计算公式为:
Pout(ti)=Pw_pre(ti)+PB_ref(ti) (11)
储能系统初始时刻的SOC的取值必须约束在其正常工作范围之内,约束条件如下所示:
SOCmin≤SOCopt_min≤SOCmax (12)
SOCmin≤SOCopt_max≤SOCmax (13)
储能系统的输出功率PB_ref(ti)不能超过储能系统本身所允许的最大充放电功率,约束条件如下所示:
-Pch_max≤PB_ref(ti)≤Pdisch_max (13)
其中,Pch_max为储能系统所允许的最大充电功率,Pdisch_max为储能系统所允许的最大放电功率。
本发明采用线性权函数法来解决此多目标优化问题,将各个目标函数分别乘以相应的权重系数,相加得到整体的评价函数,如下所示:
minF=λ1f1+λ2f2+λ3f3+λ4f4 (14)
λ1、λ2、λ3、λ4分别为相应的权重系数,满足和λi≥0条件。权重系数的取值决定了相应目标函数的重要性,具体取值需根据实际的效果来调整。
综上所述,可以得到求解储能系统最优SOC范围的多目标优化模型的目标函数如下式所示:
约束条件为:
设定粒子的属性为SOCopt_min、SOCopt_max和PB_ref(ti),采用粒子群算法对最优SOC范围优化模型求解即可得到最优的SOCopt_min、SOCopt_max。本实施例中,在设定粒子速度时,SOCopt_min和SOCopt_max的速度取值范围为0.2*(-0.5(SOCmax-SOCmin),0.5(SOCmax-SOCmin)),设定功率PB_ref(ti)的速度取值范围为0.2*(-0.5(Pdisch_max+Pch_max),0.5(Pdisch_max+Pch_max))。
粒子群算法是目前常用的一种进化算法,其求解流程在此不再赘述。
(二)SOC实时控制模块
如图1所示,本发明的SOC实时控制模块采用基于低通滤波原理的功率平抑方法,根据储能系统SOC的实时反馈信息来动态调整低通滤波器的滤波时间常数,进而调整储能系统的设定功率,最终达到控制其SOC的目的。SOC实时控制,即滤波时间常数T的调节控制也是周期性的,其周期不一定和风电场功率预测周期以及最优SOC范围计算周期相同。例如在本实施例的仿真验证中,滤波时间常数T的控制周期为10min。
当储能系统的SOC相对于最优SOC范围偏高时,若储能系统处在充电状态,则减小滤波时间常数T,使风储系统的期望并网功率Pout跟踪风电场输出功率Pw的速度变快,从而减小储能系统的充电功率,以减缓其SOC增加的速度;若储能系统处在放电状态,则增大滤波时间常数T,使期望并网功率Pout跟踪风电场输出功率Pw的速度变慢,从而增加储能系统的放电功率,以加速其SOC的降低。反之亦然,当储能系统的SOC相对于最优SOC范围偏低时,若处在充电状态,则增大滤波时间常数T,使期望并网功率Pout跟踪风电场输出功率Pw的速度变慢,即Pout变得更加平缓,从而增加储能系统的充电功率,以加速其SOC回升;若储能系统处在放电状态,则减小滤波时间常数T,使期望并网功率Pout跟踪风电场输出功率Pw的速度变快,即Pout的波动变大,从而减小储能系统的放电功率,以减缓其SOC降低的速度。
图2是图1中基于模糊控制的滤波时间常数调节器的结构示意图。如图2所示,滤波时间常数调节的具体步骤包括:
S2.1:根据得到最优SOC范围(SOCopt_min,SOCopt_max)和储能系统的实时SOC计算荷电状态偏移比例proΔSOC,计算公式为:
S2.2:将荷电状态偏移比例proΔSOC和储能系统当前时刻的设定功率PB_ref作为模糊控制器的输入,滤波时间常数T作为模糊控制器的输出,根据预设的模糊控制规则,采用模糊控制策略得到滤波时间常数T,根据预设的模糊控制规则,采用模糊控制策略得到滤波时间常数T。
具体的模糊控制策略,例如输入输出的模糊化设置、隶属度函数的选择以及去模糊化的方法都可以根据实际需要来选择。本实施例中,采用模糊控制策略得到滤波时间常数T的具体方法为:
S2.2.1:模糊化:
输入1:荷电状态偏移比例proΔSOC,取其语言变量为E1,其论域为连续论域[-50%,50%],对应的模糊子集为{NB,NM,NS,ZO,PS,PM,PB},分别表示当前储能系统的SOC值相对于最优SOC范围为{极低,很低,偏低,适中,偏高,很高,极高}。
输入2:设定功率PB_ref,取其语言变量为E2,当PB_ref<0时,储能系统处于充电状态,用N表示,当PB_ref>0时储能系统处于放电状态,用P表示。
输出:滤波时间常数T,取其语言变量为U,其论域为离散论域{0s,500s,1000s,1500s,2000s,2500s,3000s},对应的模糊子集为{ES,VS,SM,M,BM,VB,EB},分别表示滤波时间常数取值为{极小,很小,偏小,中,偏大,很大,极大}。
本实施例中,输入量proΔSOC的隶属度函数采用灵敏度较强的高斯隶属函数,如下所示:
其中,ap、bp为预设参数,p的取值范围为p=1,2,…,7
图3是输入量proΔSOC的隶属度函数示意图。
输入量PB_ref的隶属度函数为:
μ22(PB_ref)=1-μ21(PB_ref)
图4是输入量PB_ref的隶属度函数示意图。
输出量T的隶属度函数为:
其中,g的取值范围为g=1,2,…,7。
图5是输出量T的隶属度函数示意图。
S2.2.2:设置模糊控制规则表。表2是本发明采用的模糊控制规则表。
表2
S2.2.3:模糊推理:
根据输入量proΔSOC和PB_ref在模糊控制表中相对应的输出量。
S2.2.4:去模糊化:
为了得到模糊控制器的精确输出变量,即滤波时间常数T,本发明根据各输入量的隶属度值,采用加权平均法得到滤波时间常数T。计算公式为:
其中,μ1p(proΔSOC)表示根据预设隶属度函数求得的输入量proΔSOC对应的第p个隶属度函数值,p的取值范围为p=1,2,…,7,μ2q(PB_ref)表示根据预设隶属度函数求得的输入量PB_ref对应的第q个隶属度函数值,p的取值范围为q=1,2,Upq表示与输入量proΔSOC的第p个模糊量和PB_ref的第q个模糊量相对应的模糊输出量。
根据步骤S2.2得到了滤波时间常数T后,即可采用该滤波时间常数T对风电场的实际输出功率进行处理,即:
S2.3:本次调节周期内,根据步骤S2.2得到的滤波时间常数T采用低通滤波器对风电场的实际输出功率Pw进行低通滤波,平抑后的期望并网功率记为Pout_exp,计算得到储能系统的目标设定功率并采用限值控制器对得到的设定功率进行限值处理。
限值控制器的作用是根据储能系统的当前运行状态,考虑其SOC和功率的约束,制定储能系统的最大最小功率,对其设定功率进行限值处理,避免超过储能系统的能力范围。当储能系统的SOC过小时,不但会影响储能系统的寿命,而且此时储能系统的端电压很不稳定,会对风储系统造成不利的影响,所以,本发明为储能系统设置了一个荷电状态保护值SOCprotect,即所允许的最小SOC,当SOC<SOCprotect时,只允许对储能系统充电,不允许储能系统放电。限值处理公式为:
其中,SOCprotect表示设定的荷电状态保护,Δk表示滤波时间常数调节的控制周期。即当设定功率在式(24)和(25)的范围之内时,最终的设定功率即等于目标设定功率,当超出式(24)和(25)的范围,即根据式(24)和(25)的端值对目标设定功率进行限值,限值后的设定功率才是储能系统的最终设定功率PB_ref。
为了说明本发明的有益效果,对本发明和对比算法进行了仿真验证。仿真采用的风储系统配置如下:风电场包含20台1.5MW的风电机组,总装机容量为30MW;储能系统由35台额定功率为420kW、容量为70kW·h的VRB组成,整个储能系统的额定功率为14.7MW,总容量为2.45MW·h,储能系统的SOC正常工作范围为0.2~0.8,荷电状态保护值SOCprotect为0.02。
为了验证最优SOC范围对功率波动平抑中储能SOC控制的作用,设置了两个对比实验:一个采用本发明的储能SOC优化控制方法,将最优SOC计算模块得到的最优SOC范围作为储能SOC实时控制的控制目标;另一个作为对比算法,不使用最优SOC范围,而是直接把储能系统的正常工作范围0.2~0.8作为SOC实时控制模块的控制目标。
图6是风电场功率波动平缓时本发明与对比算法的平抑效果对比图。如图6所示,在风电场功率波动平缓时,本发明与对比算法的并网功率基本重合,仅在1200s到2400s之间有细微的差别。表3是风电场功率波动平缓时进行并网1min和10min内的最大功率变化量。
控制方法 | 对比算法 | 本发明 | 电网要求 |
1min最大功率变化量(MW) | 0.4002 | 0.5499 | 3 |
10min最大功率变化量(MW) | 1.5712 | 1.4921 | 10 |
表3
如表3所示,本发明与对比算法的最大功率变化量也相差不多,且均满足电网要求。
图7是风电场功率波动平缓时本发明与对比算法中储能系统的SOC变化曲线对比图。如图7所示,本发明与对比算法的储能系统的SOC变化情况相关不大,均在正常工作范围和最优SOC范围之内。
图8是风电场功率波动较大时本发明与对比算法的平抑效果对比图。如图8所示,在风电场功率波动较大时,本发明和对比算法在在400s之前两种控制方法的并网功率基本重合,而在400s之后有了一定的差距,但变化趋势基本一致。表4是风电场功率波动较大时进行并网1min和10min内的最大功率变化量。
控制方法 | 对比算法 | 本发明 | 电网要求 |
1min最大功率变化量(MW) | 2.2847 | 1.8354 | 3 |
10min最大功率变化量(MW) | 8.4417 | 7.0726 | 10 |
表4
如表4所示,本发明的最大功率变化量略低于对比算法,但是二者均满足电网的要求。
图9是在风电场功率波动较大时本发明与对比算法中储能系统的SOC变化曲线对比图。如图9所示,对比算法中SOC在1800s附近低于0.2,储能系统处于过度放电状态,而本发明的算法中SOC基本维持在了最优SOC范围之内,储能系统未出现过充过放。
图10是风电场功率波动剧烈时本发明与对比算法的平抑效果对比图。如图10所示,在风电场功率波动剧烈时,在2400s到2800s这段时间,对比算法的并网功率出现了剧烈的功率波动,而本发明的并网功率却一直保持平滑的状态。
表5是风电场功率波动剧烈时进行并网1min和10min内的最大功率变化量。
控制方法 | 对比算法 | 本发明 | 电网要求 |
1min最大功率变化量(MW) | 5.4690 | 1.6425 | 3 |
10min最大功率变化量(MW) | 14.6973 | 9.1524 | 10 |
表5
如表5所示,对比算法的最大功率变化量超过了电网要求的最大值,而本发明仍然满足电网要求。
图11是在风电场功率波动剧烈时本发明与对比算法中储能系统的SOC变化曲线对比图。如图11所示,在对比算法中,SOC在1200s附近大于了0.8,储能系统出现了过度充电;在1900s到3500s这段时间,其SOC小于0.2,储能系统处于过度放电状态。由于在2500s到2800s这段时间,对比算法的SOC下降到了0.02,由于其放电能力不足,导致其无法补充风电场的功率缺额,所以其并网功率出现了剧烈的波动。而在本发明中,储能系统的SOC在1200s到2400s这段时间一直下降,在2400s时,未能将SOC控制到最优范围之内,但SOC始终维持在正常工作范围之内,储能系统未出现过充过放,因此并网功率始终保持了平滑状态。
从仿真结果可以看出:在风电场功率波动平缓时,本发明的控制效果与对比算法基本相同;在风电场功率波动较大时,对比算法中储能系统出现了过度放电,而本发明中储能系统未出现过充过放,二者对风电场功率波动的平抑效果基本相同;在风电场功率波动剧烈时,对比算法中储能系统不但出现了过充过放,而且由于其过度放电太严重,致使其充放电能力不足,无法继续平抑功率波动,而在本发明中,储能系统未出现过充过放,可以长期平滑风电场输出功率。
由此可见,本发明根据未来一段时间的风电场预测功率来计算储能系统的最优SOC范围,并作为对SOC实时控制的控制目标,以此来提前调整储能系统的SOC,可以有效地避免储能系统的过充过放,在功率波动剧烈时也能使其长期平滑风电场的输出功率。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种风储系统中储能SOC优化控制方法,其特征在于,包括以下步骤:
S1:求解最优SOC范围,具体步骤为:
周期性地对风电场在SOC优化时间窗口的发电功率进行功率预测,Pw_pre(ti)为风电系统在ti时刻的预测功率,ti=i×Δt,i=1,2,…,N;
最优SOC范围优化模型的目标函数为:
约束条件为:
其中,SOCopt_min表示储能系统最优工作范围的下限,SOCopt_max表示储能系统最优工作范围的上限,SOCmin表示储能系统正常工作范围的下限,SOCmax表示储能系统正常工作范围的上限,λ1、λ2、λ3、λ4分别为相应的权重系数,均为正数且权重系数和为1,SOC(ti)和SOC(ti-1)分别为ti时刻和ti-1时刻的储能系统荷电状态,PB_ref(ti)为储能系统在ti时刻的设定功率,Ecap为储能系统的容量,Pout(ti)为风电场经过储能系统平抑后的并网功率,u(ti)表示ti时刻储能系统是否出现过充过放,uoptSOCmin(ti)表示初始时刻荷电状态SOC(t0)为SOCopt_min时,ti时刻储能系统是否出现过充过放;uoptSOCmax(ti)表示初始时刻荷电状态SOC(t0)为SOCopt_max时,ti时刻储能系统是否出现过充过放;Pch_max为储能系统所允许的最大充电功率,Pdisch_max为储能系统所允许的最大放电功率;Nk表示第k个波动控制时间范围内时间步长Δt的个数,K表示波动控制时间范围的数量,γk表示第k个波动控制时间范围内允许的功率最大变化量;
设定粒子的属性为SOCopt_min、SOCopt_max和PB_ref(ti),采用粒子群算法对最优SOC范围优化模型求解即可得到最优的SOCopt_min、SOCopt_max;
S2:风储系统在运行过程中,根据实时的荷电状态偏移比例和储能系统的设定功率,周期性地调节滤波时间常数,每次调节的具体方法为:
S2.1:偏移比例计算:
根据得到的最优SOC范围(SOCopt_min,SOCopt_max)和储能系统的实时SOC计算荷电状态偏移比例proΔSOC,计算公式为:
S2.2:将荷电状态偏移比例proΔSOC和储能系统当前时刻的设定功率PB_ref作为输入,滤波时间常数T作为输出,根据预设的模糊控制规则,采用模糊控制策略得到滤波时间常数T;
S2.3:本次调节周期内,根据步骤S2.2得到的滤波时间常数T对风电场的实际输出功率Pw进行低通滤波,平抑后的期望并网功率记为Pout_exp,计算得到储能系统的目标设定功率并根据以下公式对目标设定功率进行限值处理,得到最终的设定功率PB_ref,限制处理公式为:
其中,SOCprotect表示设定的荷电状态保护,Δk表示滤波时间常数调节的控制周期。
2.根据权利要求1所述的储能SOC优化控制方法,其特征在于,所述步骤S2中,采用模糊控制策略得到滤波时间常数的T的具体方法为:
输入1:荷电状态偏移比例proΔSOC,取其语言变量为E1,其论域为连续论域[-50%,50%],对应的模糊子集为{NB,NM,NS,ZO,PS,PM,PB},分别表示当前储能系统的SOC值相对于最优SOC范围为{极低,很低,偏低,适中,偏高,很高,极高};
输入2:设定功率PB_ref,取其语言变量为E2,对应的模糊子集为{N,P},当PB_ref<0时,储能系统处于充电状态,用N表示,当PB_ref>0时储能系统处于放电状态,用P表示;
输出:滤波时间常数T,取其语言变量为U,其论域为离散论域{0s,500s,1000s,1500s,2000s,2500s,3000s},对应的模糊子集为{ES,VS,SM,M,BM,VB,EB},分别表示滤波时间常数取值为{极小,很小,偏小,中,偏大,很大,极大};
模糊控制规则表为:
滤波时间常数T采用加权平均法得到:
其中,μ1p(proΔSOC)表示根据预设隶属度函数求得的输入量proΔSOC对应的第p个隶属度函数值,p的取值范围为p=1,2,…,7,μ2q(PB_ref)表示根据预设隶属度函数求得的输入量PB_ref对应的第q个隶属度函数值,q的取值范围为q=1,2,Upq表示与输入量proΔSOC的第p个模糊量和PB_ref的第q个模糊量相对应的模糊输出量。
3.根据权利要求2所述的储能SOC优化控制方法,其特征在于,所述荷电状态偏移比例proΔSOC的隶属度函数为高斯隶属函数,即:
其中,ap、bp为预设参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410212082.6A CN103956758B (zh) | 2014-05-20 | 2014-05-20 | 一种风储系统中储能soc优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410212082.6A CN103956758B (zh) | 2014-05-20 | 2014-05-20 | 一种风储系统中储能soc优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103956758A CN103956758A (zh) | 2014-07-30 |
CN103956758B true CN103956758B (zh) | 2015-10-21 |
Family
ID=51334005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410212082.6A Expired - Fee Related CN103956758B (zh) | 2014-05-20 | 2014-05-20 | 一种风储系统中储能soc优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103956758B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104158202B (zh) * | 2014-08-08 | 2016-08-31 | 东南大学 | 一种混合储能平抑风电功率波动系统及其协调控制方法 |
CN104319793B (zh) * | 2014-09-29 | 2016-09-28 | 上海交通大学 | 一种平抑长短期风电功率波动的风储协调控制方法 |
CN104578121B (zh) * | 2014-12-22 | 2017-07-14 | 国家电网公司 | 一种混合储能系统功率分配的方法及系统 |
CN104485682A (zh) * | 2015-01-05 | 2015-04-01 | 成都鼎智汇科技有限公司 | 一种风电场储能系统的监控装置 |
CN104505850A (zh) * | 2015-01-05 | 2015-04-08 | 成都鼎智汇科技有限公司 | 一种风电场储能系统 |
CN105262126A (zh) * | 2015-09-02 | 2016-01-20 | 国网上海市电力公司 | 一种用于风储系统的协调控制策略方法 |
CN105846461B (zh) * | 2016-04-28 | 2022-01-28 | 中国电力科学研究院 | 一种大规模储能电站自适应动态规划的控制方法和系统 |
CN106099964B (zh) * | 2016-06-16 | 2018-09-11 | 南京工程学院 | 一种储能系统参与主动配电网运行调节计算方法 |
CN107230998A (zh) * | 2017-06-09 | 2017-10-03 | 东华大学 | 降低功率波动频率及区间最大变化率风电场功率平滑方法 |
CN109873431A (zh) * | 2017-12-01 | 2019-06-11 | 中国电力科学研究院有限公司 | 一种家庭电动汽车调度方法及装置 |
CN109733443B (zh) * | 2019-01-11 | 2022-06-07 | 中车唐山机车车辆有限公司 | 一种混合动力有轨电车制动优化方法及系统 |
CN110299714A (zh) * | 2019-06-24 | 2019-10-01 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种风电储能系统能量管理控制方法及控制系统 |
CN110556868B (zh) * | 2019-09-25 | 2021-06-22 | 国网福建省电力有限公司 | 一种考虑电压稳定性的风电接入系统储能充放电控制方法 |
CN111525596B (zh) * | 2020-05-07 | 2022-06-21 | 南京工程学院 | 一种风储联合系统中双电池波动越限优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201224485A (en) * | 2010-12-02 | 2012-06-16 | Ind Tech Res Inst | State-of-charge estimation method and battery control unit |
JP5638436B2 (ja) * | 2011-03-28 | 2014-12-10 | 三菱重工業株式会社 | 電力貯蔵システム |
CN102664422B (zh) * | 2012-05-24 | 2014-03-26 | 电子科技大学 | 一种利用储能系统平滑风电场输出功率的方法 |
CN103337001B (zh) * | 2013-07-18 | 2016-10-05 | 山东大学 | 考虑最佳期望输出与荷电状态的风电场储能容量优化方法 |
-
2014
- 2014-05-20 CN CN201410212082.6A patent/CN103956758B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103956758A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103956758B (zh) | 一种风储系统中储能soc优化控制方法 | |
CN103986190B (zh) | 基于发电功率曲线的风光储联合发电系统平滑控制方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN103490410B (zh) | 一种基于多目标优化的微电网规划和容量配置方法 | |
CN104410094B (zh) | 一种电池储能电站的有功功率分配方法 | |
CN105406518A (zh) | 储能参与电网二次调频的agc控制方法及控制系统 | |
CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
CN106340892B (zh) | 用于平抑风电输出功率的储能系统的控制设备 | |
CN104065093B (zh) | 一种基于低通滤波的风储协调预测控制方法 | |
Wang et al. | Energy storage control for the Photovoltaic generation system in a micro-grid | |
CN103560546A (zh) | 一种计及储能荷电状态的改进下垂控制方法 | |
CN108767872B (zh) | 一种应用于风光混合储能微网系统的模糊控制方法 | |
CN103633657A (zh) | 一种风储电站电网负荷调峰及风电波动抑制的方法及装置 | |
CN111900745A (zh) | 一种用于平抑风电功率波动的混合储能分频协调控制系统 | |
CN106505604A (zh) | 接入区域配电网的光伏储能联合运行单元优化配置方法 | |
CN103904644A (zh) | 一种基于分布式电源接入的智能变电站负荷自动分配方法 | |
CN108711859A (zh) | 一种基于自适应鲁棒控制的多源微电网频率协调方法 | |
CN104795830A (zh) | 一种利用多类型储能系统跟踪发电计划出力的控制方法 | |
CN105896575A (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN110350538B (zh) | 一种基于主动需求侧响应的微电网协调控制方法 | |
CN115714435A (zh) | 基于虚拟同步发电机的光伏混合储能系统功率分配及虚拟惯性控制方法 | |
Han et al. | Research on frequency modulation capacity configuration and control strategy of multiple energy storage auxiliary thermal power unit | |
CN105515031A (zh) | 一种基于预测数据修正的微网储能实时控制方法 | |
Li et al. | Research on the control strategy of energy storage participation in power system frequency regulation | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151021 Termination date: 20190520 |
|
CF01 | Termination of patent right due to non-payment of annual fee |