CN104505850A - 一种风电场储能系统 - Google Patents

Abstract

本发明提供一种风电场储能系统，该系统可以预测风电场的发电功率，预测负载的变化情况，实时检测的蓄电池模块电池容量和实时获取的配电网的运行情况，制定和实施最适宜的控制策略，保障风电场平稳输出功率，具有很高的安全性和较长使用寿命。

Description

一种风电场储能系统

所属技术领域

本发明涉一种风电场储能系统。

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。

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 ofCharge，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。

发明内容

本发明提供一种风电场储能系统，该系统可以预测风电场的发电功率，预测负载的变化情况，实时检测的蓄电池模块电池容量和实时获取的配电网的运行情况，制定和实施最适宜的控制策略，保障风电场平稳输出功率，具有很高的安全性和较长使用寿命。

为了实现上述目的，本发明提供一种风电场储能系统，该系统包括监控装置、风电模块、蓄电池模块、负载、直流母线、多个AC/DC和DC/AC模块，

该监控装置包括：

风电监控模块，用于实时监控风电模块，并对风电模块的发电功率进行预测；

蓄电池监控模块，用于实时监控蓄电池模块；

负载监控模块，用于实时监控风电场储能系统中的负载，并对负载的功率变化情况进行预测；

配电网联络模块，用于实时从配电网调控中心获知配电网的运行情况以及相关调度信息；

并网运行监控模块，用于控制风电场储能系统连接或隔离配电网；

中控模块，用于确定风电场储能系统的运行策略，并向上述监控装置中的各模块发出指令，以执行该运行策略；

总线模块，用于该监控装置的各个模块的通信联络。

优选的，所述总线通信模块通过冗余双CAN总线与其他模块相连。

优选的，风电模块包括多个风力发电机和SVG设备。

优选的，风电监控模块至少包括风力发电机定压、电流、频率检测设备、风速检测设备，以及SVG电压和电流检测设备。

优选的，蓄电池监控模块至少包括蓄电池端电压、电流、SOC检测设备以及温度检测设备。

优选的，中控模块117至少包括CPU单元、数据存储单元和显示单元。

优选的，并网监控模块至少包括用于检测配电网和风电场储能系统电压、电流和频率的检测设备、数据采集单元和数据处理单元。

优选的，数据采集单元包含采集预处理和A/D转换模块，采集八路遥测信号量，包含电网侧A相电压、电流，风电场储能系统侧的三相电压、电流。

优选的，遥测量可通过终端内的高精度电流和电压互感器将强交流电信号(5A/110V)不失真地转变为内部弱电信号，经滤波处理后进入A/D芯片进行模数转换，经转换后的数字信号经数据处理单元计算，获得风电场储能系统侧的三相电压电流值和配电网侧相电压电流值。

本发明的风电场储能系统，具有如下优点：(1)准确预测风电场的功率变化情况；(2)控制策略兼顾配电网调度要求、储能系统运行情况和负载的负荷需求，满足用户同时，兼顾了供电可靠性，保障储能系统的安全性，延长了系统储能系统的使用寿命。

附图说明

图1示出了本发明方法所使用的一种风电场储能系统及其监控装置的框图；

图2示出了本发明方法的流程图。

具体实施方式

图1是示出了本发明的一种风电场储能系统，该系统包括监控装置11、风电模块12、蓄电池模块13、负载17、直流母线、多个AC/DC和DC/AC模块14-16。

该监控装置11包括：风电监控模块114，用于实时监控风电场储能系统10中的风电模块12，并对风电模块12的发电功率进行预测；蓄电池监控模块115，用于实时监控风电场储能系统10中的蓄电池模块13；负载监控模块116，用于实时监控风电场储能系统10中的负载17，并对负载17的功率变化情况进行预测；配电网联络模块112，用于实时从配电网20调控中心获知配电网20的运行情况以及相关调度信息；并网监控模块113，用于风电场储能系统10连接或隔离配电网20；中控模块117，用于确定风电场储能系统10的运行策略，并向上述各模块发出指令，以执行该供电策略；总线模块111，用于该监控装置11的各个模块的通信联络。

通信模块111，用于上述各个模块之间的通信，所述总线通信模块111通过冗余双CAN总线与其他模块相连。

风电模块包括多个风力发电机和SVG设备。风电监控模块114至少包括风力发电机定压、电流、频率检测设备、风速检测设备，以及SVG电压和电流检测设备。风力发电机的输出功率由风力发电机所在地点的风速、风向和自身特征所决定。

蓄电池监控模块116至少包括蓄电池端电压、电流、SOC检测设备以及温度检测设备。用于实时监控蓄电池模块的SOC。

中控模块117至少包括CPU单元、数据存储单元和显示单元。

配电网联络模块112至少包括无线通信设备。该无线通信设备可以为有线设备或无线设备。

并网监控模块113至少包括用于检测配电网和风电场储能系统电压、电流和频率的检测设备、数据采集单元和数据处理单元。数据采集单元包含采集预处理和A/D转换模块，采集八路遥测信号量，包含电网侧A相电压、电流，风电场储能系统侧的三相电压、电流。遥测量可通过终端内的高精度电流和电压互感器将强交流电信号(5A/110V)不失真地转变为内部弱电信号，经滤波处理后进入A/D芯片进行模数转换，经转换后的数字信号经数据处理单元计算，获得风电场储能系统10侧的三相电压电流值和配电网20侧相电压电流值。本遥测信号量处理采用了高速高密度同步采样、频率自动跟踪技术还有改进的FFT算法，所以精度得到充分保证，能够完成风电场储能系统10侧有功、无功和电能从基波到高次谐波分量的测量和处理。

参见附图2，本发明的方法包括如下步骤：

S1.风电监控模块实时获取风电模块的运行数据，并存储数据，负载监控模块实时获取负载的负荷变化情况；

S2.根据风电模块的运行数据，对未来预定时刻内的风电模块的输出功率进行预测，根据风电场负载的负荷变化情况，对负载的负荷需求进行预测；

S3.实时检测获取蓄电池模块的SOC，实时获取配电网的参数和调度信息；

S4.以配电网的调度信息、当前蓄电池储能的SOC、未来风电模块输出功率、以及对未来负荷需求的变化作为约束条件，实现蓄电池模块SOC的优化控制。

优选的，在步骤S2.采用如下方式预测风电模块的输出功率，所述风电模块包括风力发电机和SVG：

S201.采集风电模块中当前各类电量实测值作为各类电量的预测值的初始值，预测值包括：风机有功预测值风机无功预测值风机机端电压预测值SVG无功预测值SVG机端电压预测值风电模块并网点(PCC)母线电压预测值

S202.根据所述预测值建立由优化目标函数和约束条件组成的MPC优化控制模型，并求解风电模块的有功和无功输出的预测值：

MPC优化控制模型的目标函数如式(1)所示：

$\underset{Q_{\mathrm{WTG}}^{\mathrm{set}},V_{\mathrm{SVG}}^{\mathrm{set}}}{\min }(\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_1,\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_2)---\left(1\right)$

式(1)中和为优化变量，和含义分别为风机无功设定值和SVG电压设定值；N为时间窗覆盖控制周期的个数；M为单个控制周期下含预测点的个数；ρ为衰减系数，取值ρ＜1；时间变量ti,j＝(Mi+j)Δt意义为当前时刻起第i个控制周期内的第j个预测点，Δt为预测点间隔，Δt由风电模块功率预测时间间隔决定；

F1为风电模块并网点母线电压与设定值的偏差水平，F1具体表达式如式(2)：

$F_1\left(t_{i,j}\right)={[V_{\mathrm{PCC}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{PCC}}^{\mathrm{ref}}]}^2---\left(2\right)$

式(2)中表示PCC电压的参考值，从主站控制指令中提取后设定；

F2为SVG无功储备水平，F2具体表达式如式(3)：

$F_2\left(t_{i,j}\right)={[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{ope}}]}^2---\left(3\right)$

式(3)中为SVG无功最佳运行点；

MPC优化控制模型的约束条件，具体包括：

风机有功预测约束条件：

$P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\underset{k=1}{\overset{N_a}{\mathrm{\Σ}}}{\mathrm{\φ}}_k{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)+{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-\underset{k=1}{\overset{N_m}{\mathrm{\Σ}}}{\mathrm{\θ}}_k{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)---\left(4\right)$

式(4)中为风机有功预测误差；Na和Nm分别为AR和MA模型的阶数，φk和θk为相关权重，阶数与权重均根据风机有功历史值确定；ti,j-k为预测中参与计算数据(包括)对应时刻，下标k表征预测时刻前推kΔt时间，当ti,j-k≤0时，有功预测值应取对应时刻历史值；

风机无功预测约束条件：

风机无功在下次控制前达到设定值：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)=Q_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i-\mathrm{1,0}}\right)---\left(5\right)$

第i个控制周期内的各预测点，风机无功功率的变化过程以指数函数拟合：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\frac{1-e^{-(t_{i,j}-t_{i,0})/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i,0}\right)+\frac{e^{-(t_{i,j}-t_{i,0})/T_s}-e^{-\mathrm{M\Δt}/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)---\left(6\right)$

式(6)中Ts为风机无功调节时间常数，可以根据风机无功调节测试试验获取。

SVG无功预测约束条件：

SVG无功参考值如式(7)所示：

$\begin{array}{c}{Q}_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j}\right)=k_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,0}\right)+K_I\mathrm{\Δt}\underset{k=0}{\overset{i\×M+j}{\mathrm{\Σ}}}[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,-k}\right)]\\ +Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)-K_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{\mathrm{0,0}}\right)]\end{array}---\left(7\right)$

式(7)中KI和KP分别为比例环节和积分环节的系数；

SVG无功预测值如式(8)所示：

$Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)=Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)+[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-1}\right)-Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)]e^{-(t_{i,j}-t_{i,j-1})/T_d}---\left(8\right)$

式(8)中时间常数Td为SVG电力电子装置动作延时；

电压预测约束条件：

$V^{\mathrm{pre}}\left(t_{i,j}\right)-V^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)=S\left[\begin{array}{c}{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\end{array}\right]---\left(9\right)$

式(9)中V^pre为风机机端、SVG机端、和PCC母线电压预测值构成的向量，S为灵敏度矩阵；

系统电压、发电机运行和SVG运行的约束条件：

$\left\{\begin{array}{c}{V}^{\min }\≤V^{\mathrm{pre}}\left(t_{i,j}\right)\≤V^{\max }\\ Q_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{WTG}}^{\max }\\ Q_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{SVG}}^{\max }\\ {\mathrm{\ΔQ}}_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤{\mathrm{\ΔQ}}_{\mathrm{WTG}}^{\max }\\ {\mathrm{\ΔQ}}_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤{\mathrm{\ΔQ}}_{\mathrm{SVG}}^{\max }\end{array}\right.---\left(10\right)$

式(11)中V^max和V^min分别为由PCC、风机和SVG电压预测值构成系统电压向量的上限和下限，其中PCC电压限值由配电网调度中心给出，而风机和SVG电压限值根据设备生产厂商给出的正常工作范围确定；和分别为风机无功运行上下限，和别为SVG无功运行上下限，皆根据设备生产厂商给出的正常工作范围确定；和分别为风机无功爬坡上下限，和别为SVG无功爬坡上下限，皆需经过无功调速实验测试结果确定。

优选的，步骤S4中，上述蓄电池模块SOC的优化控制包括以下步骤：

S41.求解最优SOC范围，具体步骤为：

最优SOC范围优化模型的目标函数为：

$\begin{array}{c}\min F={\mathrm{\λ}}_1\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{optSOC}\min }\left(t_i\right)\mathrm{\Δt}+{\mathrm{\λ}}_2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{optSOC}\max }\left(t_i\right)\mathrm{\Δt}\\ +{\mathrm{\λ}}_3|{\mathrm{SOC}}_{\mathrm{opt}\_\min }-{\mathrm{SOC}}_{\min }|+{\mathrm{\λ}}_4|{\mathrm{SOC}}_{\mathrm{opt}\_\max }-{\mathrm{SOC}}_{\max }|\end{array}$

约束条件为：

$\left\{\begin{array}{c}\underset{j=\mathrm{1,2},..,N_k}{\max }{P}_{\mathrm{out}}\left(t_{i,j}\right)-\underset{j=\mathrm{1,2},....,N_k}{\min }{P}_{\mathrm{out}}\left(t_{i-j}\right)\≤{\mathrm{\γ}}_k,k=\mathrm{1,2},...,K\\ -P_{\mathrm{ch}\_\max }\≤P_{B\_\mathrm{ref}}\left(t_i\right)\≤P_{\mathrm{disch}\_\max }\\ {\mathrm{SOC}}_{\min }\≤{\mathrm{SOC}}_{\mathrm{opt}\_\min }\≤{\mathrm{SOC}}_{\max }\\ {\mathrm{SOC}}_{\min }\≤{\mathrm{SOC}}_{\mathrm{opt}\_\max }\≤{\mathrm{SOC}}_{\max }\\ \mathrm{SOC}\left(t_i\right)=\mathrm{SOC}\left(t_{i-1}\right)-\frac{P_{B\_\mathrm{ref}}\left(t_i\right)\mathrm{\Δt}}{E_{\mathrm{cap}}}\\ P_{\mathrm{out}}\left(t_i\right)=P_{B\_\mathrm{ref}}\left(t_i\right)+P_{w\_\mathrm{pre}}\left(t_i\right)\end{array}\right.---\left(12\right)$

其中，SOC_{opt_min}表示储能系统最优工作范围的下限，SOC_{opt_max}表示储能系统最优工作范围的上限，SOC_min表示储能系统正常工作范围的下限，SOC_max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(t_i)和SOC(t_i-1)分别为t_i时刻和t_i-1时刻的储能系统荷电状态，P_{B_ref}(t_i)为储能系统在t_i时刻的设定功率，E_cap为储能系统的容量，P_out(t_i)为风电场经过储能系统平抑后的并网功率，u_optSOCmin(t_i)表示初始时刻荷电状态SOC(t₀)为SOC_{opt_min}时，t_i时刻储能系统是否出现过充过放；u_optSOCmax(t_i)表示初始时刻荷电状态SOC(t₀)为SOC_{opt_max}时，t_i时刻储能系统是否出现过充过放；P_{ch_max}为储能系统所允许的最大充电功率，P_{disch_max}为储能系统所允许的最大放电功率；N_k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，γ_k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SOC_{opt_min}、SOC_{opt_max}和P_{B_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；

S42.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：

S421.偏移比例计算：

根据得到的最优SOC范围(SOC_{opt_min},SOC_{opt_max})和储能系统的实时SOC计算荷电状态偏移比例pro_ΔSOC，计算公式为：

${\mathrm{pro}}_{\mathrm{\ΔSOC}}=\frac{\mathrm{SOC}-\frac{1}{2}({\mathrm{SOC}}_{\mathrm{opt}\_\min }+{\mathrm{SOC}}_{\mathrm{opt}\_\max })}{{\mathrm{SOC}}_{\mathrm{opt}\_\max }-{\mathrm{SOC}}_{\mathrm{opt}\_\min }}---\left(13\right)$

S422.将荷电状态偏移比例proΔSOC和储能系统当前时刻的设定功率P_{B_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；

S423.本次调节周期内，根据步骤(422)得到的滤波时间常数T对风电场的实际输出功率P_w进行低通滤波，平抑后的期望并网功率记为P_{out_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P_{B_ref}，限制处理公式为：

$\begin{array}{c}{\tilde{P}}_{B\_\mathrm{ref}}\≤\frac{(\mathrm{SOC}-{\mathrm{SOC}}_{\mathrm{protect}})*E_{\mathrm{cap}}}{\mathrm{\Δk}}\\ -P_{\mathrm{ch}\_\max }\≤{\tilde{P}}_{B\_\mathrm{ref}}\≤P_{\mathrm{disch}\_\max }\end{array}---\left(14\right)$

其中，SOC_protect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。

在S2中，采用神经网络模型预测负荷需求，具体步骤如下：

S211.每一天采集12组有功功率和无功功率，共连续采集8天，这样共有96组数据P(k)和Q(k)，k＝1,2,…,96。

S212.将96组数据P(k)和Q(k)进行归一化处理，使得 首先将每一天的12个有功功率P(k)作为一组输入矢量R(m)，12个无功功率Q(k)作为一组输入矢量S(m)，m＝1,2,…,8，m表示神经网络的训练次数；同时预先假设第9天的12个有功功率P′(k)作为预测功率的输出矢量R′，第9天的12个无功功率Q′(k)作为预测功率的输出矢量S′；这样前8天的有功功率输入矢量就为R(1),R(2),R(3),R(4),R(5),R(6),R(7),R(8)，第9天预测有功功率的输出矢量为R′；前8天的无功功率输入矢量就为S(1),S(2),S(3),S(4),S(5),S(6),S(7),S(8)，第9天预测有功功率的输出矢量为S′。

S213.将8组输入矢量R(m)和S(m)作为神经网络的输入层，隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元的传递函数采用S型对数函数logsig，如图2所示，这样经过8次神经网络训练后，就确定了神经网络中各连接权的权值。

S214.对于8个有功功率输入矢量R(m)，在隐含层神经元有a¹＝tansig(IW¹R+b¹)，其中a¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹为隐含层神经元的阈值；在输出层神经元有a²＝log sig(LW²a¹+b²)，其中a²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值。

S215.对于8个有功功率输入矢量S(m)，在隐含层神经元有c¹＝tansig(IW¹S+b¹)，其中c¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹为隐含层神经元的阈值；在输出层神经元有c²＝log sig(LW²c1+b²)，其中c²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值。

S216.将第8天的输入矢量R(8)和S(8)再次作为神经网络的输入层，此时神经网络中输出的预测功率的输出矢量R′和S′即为第九天的功率预测归一化值，再用反归一化算法，即输出的矢量值R(9)和S(9)就是第九天预测功率的12个有功功率P′(k)和12个无功功率Q′(k)。这样以此类推，可以重复上面的步骤利用第二天到第九天的数据预测到第十天的功率，这样后面每一天的功率都可以被预测出来。

在步骤S4中，风电场储能系统总功率Pg的约束为：

在非响应调度时段1下，P_g,min≤P_g(l)≤P_g,max，P_g,min为风电场储能系统10能够从配电网20吸收的最大功率，P_g,max为风电场储能系统10能够向配电网20输送功率的最大功率；

在响应调度时段2下，P_g(2)＝P_set，P_set为响应调度时段2下要求的联络线功率。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (9)

1.一种风电场储能系统，该系统包括监控装置、风电模块、蓄电池模块、负载、直流母线、多个AC/DC和DC/AC模块，

该监控装置包括：

风电监控模块，用于实时监控风电模块，并对风电模块的发电功率进行预测；

蓄电池监控模块，用于实时监控蓄电池模块；

负载监控模块，用于实时监控风电场储能系统中的负载，并对负载的功率变化情况进行预测；

配电网联络模块，用于实时从配电网调控中心获知配电网的运行情况以及相关调度信息；

并网运行监控模块，用于控制风电场储能系统连接或隔离配电网；

中控模块，用于确定风电场储能系统的运行策略，并向上述监控装置中的各模块发出指令，以执行该运行策略；

总线模块，用于该监控装置的各个模块的通信联络。

2.如权利要求1所述的系统，其特征在于，所述总线通信模块通过冗余双CAN总线与其他模块相连。

3.如权利要求1或2所述的系统，其特征在于，风电模块包括多个风力发电机和SVG设备。

4.如权利要求3所述的系统，其特征在于，风电监控模块至少包括风力发电机定压、电流、频率检测设备、风速检测设备，以及SVG电压和电流检测设备。

5.如权利要求4所述的系统，其特征在于，蓄电池监控模块至少包括蓄电池端电压、电流、SOC检测设备以及温度检测设备。

6.如权利要求5所述的系统，其特征在于，中控模块117至少包括CPU单元、数据存储单元和显示单元。

7.如权利要求6所述的系统，其特征在于，并网监控模块至少包括用于检测配电网和风电场储能系统电压、电流和频率的检测设备、数据采集单元和数据处理单元。

8.如权利要求7所述的系统，其特征在于，数据采集单元包含采集预处理和A/D转换模块，采集八路遥测信号量，包含电网侧A相电压、电流，风电场储能系统侧的三相电压、电流。

9.如权利要求8所述的系统，其特征在于，遥测量可通过终端内的高精度电流和电压互感器将强交流电信号(5A/110V)不失真地转变为内部弱电信号，经滤波处理后进入A/D芯片进行模数转换，经转换后的数字信号经数据处理单元计算，获得风电场储能系统侧的三相电压电流值和配电网侧相电压电流值。