CN104779631B - 基于风电预测功率的储能跟踪风电出力计划方法及其系统 - Google Patents

Abstract

本发明提出一种基于风电预测功率的储能跟踪风电出力计划方法及其系统，该方法包括：读取风电场和储能系统的相关数据；建立储能系统充放电控制策略；确定目标函数；通过粒子群优化算法确定充放电控制系数；根据充放电控制系数确定储能系统充放电功率。该系统包括数据获取单元、控制单元、计算模块、优化单元和结果输出单元。该方法及系统通过每个预报点轮询一次，并通过粒子群优化算法以达到实时优化储能电站充放电控制系数的目的，从而能够充分利用储能系统有限的容量；此外，通过对目标函数的设定，使得储能系统的荷电状态尽可能的保持在适宜的范围从而提高其充电、放电的能力，最终达到提高风储联合系统跟踪计划出力的能力。

Description

基于风电预测功率的储能跟踪风电出力计划方法及其系统

技术领域

本发明属于智能电网中能量存储与转换技术领域，具体涉及一种应用储能电站考虑短期风电功率预测、超短期风电功率预测以提高风电跟踪计划出力能力的控制方法。

背景技术

近年来，随着风电场规模的不断扩大，其本身所具有的随机性和间歇性对电网的安全性、稳定性和电能质量等都造成了巨大的冲击和影响，其中风电功率预测是保证电网安全、提高风电效益的重要工具，风功率预测误差的大小影响系统所需的上调/下调备用容量，对电网运行的安全性和经济性有着重要的意义，建立严格的间歇式电源并网标准具有重要意义。我国在2011年制定了《风电场功率预测预报管理暂行办法》(简称《办法》)，《办法》规定风电场功率预测系统提供的日预测曲线最大误差不超过25％，实时预测误差不超过15％。具有风电功率预测系统的风电场需向电网调度部门提供发电功率预报信息，并用于电力系统实时调度^[5]，提高风力发电上网小时数额。由于风电功率预测主要依赖数值天气预报，受其影响，目前风电功率预测技术特别是日前预测仍存在预测误差较大的问题，单纯通过风电场的自我调节大大降低了风电场有功功率的利用率。如今风储联合应用是当前研究的热点，将储能系统与风电电源相结合，能够提高风储联合出力的跟踪计划出力能力，降低对电网的冲击，提高风电功率的利用率，提升电网对风电功率的接纳能力。

目前，国内外均已有了多项关于风光储联合应用的示范工程，但对储能系统的控制与分析更多的是关于平滑风电输出以及削峰填谷两方面，基于风储联合应用以提高风电跟踪计划出力能力的研究成果还较少。由于电池储能系统存在充放电功率及储能容量的约束条件，并且过大的充、放电深度均会对储能电池的寿命造成影响，特别是在储能系统运行过程中，需要控制其荷电状态(state of charge，SOC)保持在适宜的范围内，荷电状态过高或者过低都会减少储能系统的剩余可用容量，降低储能系统的充放电功率最大允许值，从而降低储能系统的控制效果；同时又由于风电日前预测误差经常会出现在一个时间段内持续不满足预测误差要求的情况，对储能系统在一时段的持续出力有了更严格的要求，故控制好电池储能系统的荷电状态，实时优化控制储能系统的出力对于改善风电跟踪计划出力具有重要的意义。现有技术中有提出应用于风电场中跟踪短期计划出力问题中的储能系统运行策略，但均是仅考虑当前时刻的出力控制，并不能保证此时刻之后的储能系统可以满足出力要求，对储能系统的充放电缺乏全局考虑。因此，迫切地需要开发出一种能够提高风储联合系统的跟踪计划出力能力及储能系统控制能力的充放电控制方法。

发明内容

针对现有技术的上述缺陷，本发明的目的之一在于提出一种基于风电预测功率的储能跟踪风电出力计划方法，该方法利用超短期及短期风电功率预测能够实时优化并修正各时刻储能电站的充放电控制系数，以提高储能系统的容量利用率同时确保电池储能的荷电状态处于适宜的范围，防止过充和过放的发生从而对储能系统的寿命和性能造成不利的影响。

为了实现上述发明目的，本发明是通过如下技术方案实现的：

一种基于风电预测功率的储能跟踪风电出力计划方法，包括以下步骤：

读取风电场和储能系统的相关数据，包括：风电场的风电功率实际值、短期风电功率预测值、超短期风电功率预测值以及储能系统的荷电状态值；

建立包含充放电控制系数的储能系统充放电控制策略；

基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数；

通过粒子群优化算法确定充放电控制系数；

根据充放电控制系数确定储能系统充放电功率。

本发明的另一目的在于提出一种基于风电预测功率的储能跟踪风电出力计划系统，包括：

数据获取单元，用于读取风电场和储能系统的相关数据；

控制单元，用于建立包含充放电控制系数的储能系统充放电控制策略，所述充放电控制系数包括：荷电状态控制系数a、b，风电状态控制系数c以及充放电功率调整系数d、e；；

计算模块，用于基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数；

优化单元，用于通过粒子群优化算法确定充放电控制系数；

结果输出单元，用于根据充放电控制系数确定储能系统充放电功率。

与现有技术相比，本发明达到的有益效果是：

本发明提供了一种基于风电预测功率的储能跟踪风电出力计划方法及其系统，该方法及系统通过每个预报点轮询一次，并通过粒子群优化算法以达到实时优化储能电站充放电控制系数的目的，从而能够充分利用储能系统有限的容量；此外，通过对目标函数的设定，使得储能系统的荷电状态尽可能的保持在适宜的范围从而提高其充电、放电的能力，最终达到提高风储联合系统跟踪计划出力的能力。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中基于风电预测功率的储能跟踪风电出力计划方法流程图；

图2为本发明实施例中风电实际功率以及日前短期预测功率曲线图；

图3为本发明实施例中风电场实际功率日预测误差概率分布直方图；

图4为本发明实施例中三种情境(即情境1、情境2和情境3)下SOC状态对比曲线图；

图5为本发明实施例中情境3下充放电控制系数a和b在一天内的变化曲线图；

图6为本发明实施例中情境3下充放电控制系数c在一天内的变化曲线图；

图7为本发明实施例中情境3下充放电控制系数d在一天内的变化曲线图；

图8为本发明实施例中情境3下充放电控制系数e在一天内的变化曲线图；

图9为本发明实施例中三种情境下风储联合功率日预测误差概率分布直方对比图；

图10为本发明实施例中预测精度较低和较高时超短期预测功率与实际功率对比图；

图11为本发明实施例中预测精度较低和较高时SOC状态对比曲线图；

图12为本发明实施例中预测精度较低时充放电控制系数a和b在一天内的变化曲线图；

图13为本发明实施例中预测精度较低时充放电控制系数c在一天内的变化曲线图；

图14为本发明实施例中预测精度较低时充放电控制系数d在一天内的变化曲线图；

图15为本发明实施例中预测精度较低时充放电控制系数e在一天内的变化曲线图；

图16为本发明实施例中预测精度较低和较高时累计误差概率对比图；

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

为了解决现有技术中对储能系统的充放电缺乏全局性考虑的问题，本发明实施例提出了一种基于风电预测功率的储能跟踪风电出力计划方法，该方法通过先建立5个充放电控制系数，再基于粒子群优化算法利用超短期风电预测功率实时优化并修正各时刻储能系统的充放电控制系数的改进，进而提高风储联合系统的跟踪计划出力能力及储能系统控制能力。该方法所提及的储能系统可以是电磁储能、机械储能或电化学储能，本实施例中以电池储能系统为例进行说明，该方法的流程如图1所示，包括如下步骤：

步骤1、读取风电场和储能系统的相关数据，包括：风电场的风电功率实际值、短期风电功率预测值、超短期风电功率预测值以及储能系统的荷电状态值；

短期风电功率预测值的预测时间尺度为24h，预测时间分辨率为15min，即：是对未来24小时的风电场并网功率预测值，每15分钟一个预报点，每天滚动预报一次；

超短期风电功率预测值的预测时间尺度为4h，预测时间分辨率为15min，即：是从预报时刻至未来4小时风电场并网功率预测值，每15分钟一个预报点，每15分钟滚动预报一次。

步骤2、建立包含充放电控制系数的储能系统充放电控制策略；

现有技术中建立的储能系统充放电控制策略普遍比较简单，对储能系统充放电功率的控制不能做到实时适应风电日前预测误差值以及储能系统荷电状态的变化。为此，本实施例中通过将荷电状态值划分为表示各种荷电状态的区间、将风电功率实际值划分为各种风电状态以及确定储能系统充放电功率，以此建立了包含5个充放电控制系数的储能系统充放电控制策略，5个充放电控制系数分别为：荷电状态控制系数a、b，风电状态控制系数c以及充放电功率调整系数d、e。该控制策略通过如下步骤建立：

步骤21、将荷电状态值划分为表示各种荷电状态的区间。

在0至1之间共建立4个节点，包括荷电状态控制系数a、b，储能系统正常运行时荷电状态下限值S_SOC-low和上限值S_SOC-high，且满足0≤S_SOC-low≤a≤b≤S_SOC-high≤1，所述荷电状态下限值S_SOC-low和上限值S_SOC-high由储能系统本身性能所确定；根据所述4个节点在0至1之间将荷电状态值划分为5个区间：

SOC过小区间：0≤S_SOC(t)＜S_SOC-low；

SOC较小区间：S_SOC-low≤S_SOC(t)＜a；

SOC适宜区间：a≤S_SOC(t)＜b

SOC较大区间：b≤S_SOC(t)≤S_SOC-high；和

SOC过大区间：S_SOC-high＜S_SOC(t)≤1；

若a＝S_SOC-low或b＝S_SOC-high，则将荷电状态值划分为4个区间，包括：SOC过小区间、SOC适宜区间和SOC过大区间，以及SOC较小区间或SOC较大区间；若a＝S_SOC-low且b＝S_SOC-high，则将荷电状态值划分为3个区间，包括：SOC过小区间、SOC适宜区间和SOC过大区间；；而如果a、b与S_SOC-low、S_SOC-high各不相同，且随着a、b值的变化，等同于荷电状态值被分为更多的区间。

步骤22、将风电功率实际值划分为各种风电预测状态。

本实施例中，将短期风电功率预测值(即风电日前预测功率)作为风电出力计划值，风电功率实际值共分为以下四种状态：

“风电状态A”：风电功率实际值低于短期风电功率预测下限值的状态，即P_w(t)＜P_{f_min}(t)；

“风电状态B”：风电功率实际值介于短期风电功率预测上限值与控制功率值之间的状态，即P_{f_min}(t)≤P_w(t)＜P_{f_adj}(t)；

“风电状态C”：风电功率实际值介于控制功率值与短期风电功率预测上限值之间的状态，即P_{f_adj}(t)≤P_w(t)≤P_{f_max}(t)；

“风电状态D”：风电功率实际值高于短期风电功率预测上限值的状态，即P_w(t)＞P_{f_max}(t)；

其中，短期风电功率预测上限值、短期风电功率预测上限值和控制功率值通过下式(1)-(4)求得：

P_limit＝ε_允许C_ap (1)

P_{f_max}(t)＝P_f(t)+P_limit (2)

P_{f_min}(t)＝P_t(t)-P_limit (3)

P_{f_adj}(t)＝P_{f_min}(t)+c[P_{f_max}(t)-P_{f_min}(t)] (4)

式(1)-(4)中，P_limit为由ε_允许决定的风电功率波动限值；C_ap为风电场的装机容量；ε_允许为日预测误差允许的百分值，按照《方法》的规定，ε_允许可以确定为0.25或者较之更小的数；P_{f_max}(t)为t时刻短期风电功率预测上限值；P_{f_min}(f)为t时刻短期风电功率预测下限值；P_{f_adj}(t)为t时刻介于P_{f_min}(t)、P_{f_max}(t)之间的控制功率值；P_f(t)为t时刻短期风电功率预测值；c为介于0至1之间的风电状态控制系数。

步骤23、确定储能系统充放电功率。

分别确定在步骤22所划分的四种风电状态下，各荷电状态区间所对应的储能系统充放电功率，如表1所示：

表1 储能系统充放电控制策略

表1中，S_SOC(t)为t时刻储能的荷电状态，单位为％；P_w(t)为t时刻风电的实际功率，单位为MW；控制系数a、b通过储能系统荷电状态SOC的区间确定，能够更好地适应储能系统的荷电状态变化；控制系数c通过风电预测状态确定，能够更加具体地反映出短期风电预测误差的状况；控制系数d、e通过充放电功率确定，能够对储能系统充放电功率值做出实时修正。在步骤23中，当储能系统充放电功率为负值时、表示储能系统处于充电状态，当储能系统充放电功率为正值时、表示储能系统处于放电状态。

步骤24、根据储能系统最大充放电功率限制和剩余电量(即剩余容量)对充放电功率的限制，对所述储能系统充放电功率进行实时调整。

储能系统最大充放电功率限制条件为：

充电过程中，

放电过程中，

储能系统剩余电量(即剩余容量)的限制条件为：

E_min≤E(t)≤E_max

剩余容量对充放电功率的限制条件为：

充电过程，E(t)＝(1-σ_sdr)E(t-1)-P_bess(t)Δtη_C

放电过程，E(t)＝(1-σ_sdr)E(t-1)-P_bess(t)Δt/η_D

所述E(t)除了应满足剩余电量(即剩余容量)限制条件外，还需在充放电过程中满足：

当储能系统处于充电状态时，E(t)＝(1-σ_sdr)E(t-1)-P_bess(t)Δtη_C，且P_bess(t)满足如下约束条件：

当储能系统处于放电状态时，E(t)＝(1-σ_sdr)E(t-1)-P_bess(t)Δt/η_D，且P_bess(t)满足如下约束条件：

式中，E(t)、E(t-1)分别为储能系统t、t-1时刻结束时的剩余电量，单位为MW·h；σ_sdr为储能系统的自放电率，单位为％/min；Δt为计算窗口时长，单位为min；η_C、η_D分别为储能系统的充、放电效率；P_bess(t)为t时刻的储能系统充放电功率，单位为MW；为储能系统最大允许充电功率，单位为MW；为储能系统最大允许放电功率，单位为MW；，E_min为储能系统最小容量限制，单位为MW·h；E_max为储能系统最大容量限制，单位为MW·h。

步骤3、基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数。该目标函数J的表达式如下式(5)：

min J＝αF₁+βF₂ (5)

式(5)-(8)中，F₁、F₂分别为风储联合发电跟踪计划出力的函数和储能系统荷电状态的函数；α、β分别为上述F₁、F₂的权重系数；M为数据点数；P_bess(t)为t时刻的储能系统充放电功率【单位：MW，充电状态时为负值，放电状态时为正值】；P_uf(t)为t时刻的超短期风电功率预测值【单位：MW】；S_SOC-high、S_SOC-low分别为荷电状态上、下限值；S_SOC(t)为t时刻储能系统的荷电状态值【单位：％】；P_f(t)为t时刻短期风电功率预测值。

步骤4、通过粒子群优化算法确定充放电控制系数；

本文采用粒子群优化(particle swarm optimization，

PSO)算法^[19]求解该模型，PSO算法的计算流程如下：

步骤41、设定PSO控制参数值，粒子群总数为N，迭代次数k，惯性常数为ω，学习因子为c₁和c₂。

步骤42、初始化粒子群的位置和速度。迭代次数k＝0；粒子(粒子包括a、b、c、d、e)位置为x_t；a、c、d、e的初始位置设为0.5，b的初始位置设为0.6；粒子速度为v_i，5个系数的初始速度均为随机选取。

步骤43、通过式(5)的目标函数J确定各粒子的适应度。

步骤44、记录极值。记录粒子当前的个体极值P_besti及对应的目标函数值J(P_besti)，从P_besti中确定整体极值G_best，并记录G_best对应的目标函数J(G_best)。

找出第i个粒子迭代到第k代时，前k代中最大的适应度作为该粒子的个体极值其所对应的目标函数值

找出迭代到第k代时，前k代中最大的适应度作为粒子群的全局极值其所对应的目标函数值

如果成立，则否则则成立，和分别为迭代次数为k时的粒子位置和个体极值。

步骤45、迭代次数k＝k+1。更新飞行速度和粒子在解空间的位置。

式(9)中，分别为迭代至第k代第i个粒子的速度和位置；分别为迭代至第k+1代第i个粒子的速度和位置；为迭代至第k代第i个粒子的个体极值；为前k代中粒子群的全局极值。

步骤46、重新计算每个粒子此时的适应函数值判断是否更新P_besti和G_best。

步骤47、判断是否收敛。当满足全局最好位置连续100次无变化或达到预先规定的最大迭代次数，迭代停止跳转至步骤48；否则，跳转至步骤45。

步骤48、输出优化后的充放电控制系数a、b、c、d、e。

步骤5、根据充放电控制系数确定储能系统充放电功率。

将通过粒子群优化算法确定的充放电控制系数代入充放电控制策略中，根据短期风电功率预测值和每个预报点读入的风电功率实际值确定两个预报点之间时间段的储能系统充放电功率；继续进行下一预报点的轮询操作，直至达到短期功率预测最大时刻值为止。

本发明实施例还提出一种基于风电预测功率的储能跟踪风电出力计划系统，包括：

数据获取单元，用于读取风电场和储能系统的相关数据；

控制单元，用于建立包含充放电控制系数的储能系统充放电控制策略，所述充放电控制系数包括：荷电状态控制系数a、b，风电状态控制系数c以及充放电功率调整系数d、e；；

计算模块，用于基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数；

优化单元，用于通过粒子群优化算法确定充放电控制系数；

结果输出单元，用于根据充放电控制系数确定储能系统充放电功率。

所述控制单元进一步包括：

第一设置模块，用于根据荷电状态控制系数a、b，储能系统正常运行时荷电状态下限值S_SOC-low和上限值S_SOC-high将荷电状态值S_SOC(t)在0至1之间划分为代表各种荷电状态的区间；

第一设置模块，用于将风电功率实际值划分为四种风电状态，包括：风电功率实际值低于短期风电功率预测下限值的状态；介于短期风电功率预测上限值与控制功率值之间的状态；介于控制功率值与短期风电功率预测上限值之间的状态；和高于短期风电功率预测上限值的状态；

计算模块，用于基于当前风电场所对应的风电状态和当前储能系统荷电状态SOC所处的区间，计算储能系统充放电功率；

修正模块，用于根据最大充放电功率以及剩余容量允许的充放电功率对所述储能系统充放电功率进行实时调整。

所述优化单元进一步包括：

设置模块，用于设定粒子群优化算法的参数，包括：粒子群总数N、迭代次数k、惯性常数ω以及学习因子c₁和c₂；

初始化模块，用于初始化粒子群的位置和速度；

适应度计算模块，用于确定粒子群中各粒子的适应度；

极值计算模块，用于比较各粒子的适应度，确定各粒子的个体极值P_besti及其对应的目标函数值J(P_besti)；从全部个体极值P_besti中确定全局极值G_best及其对应的目标函数J(G_best)；

更新模块，用于根据个体极值和全局极值更新各粒子的速度和位置，并重新计算各粒子此时的适应度，判断是否更新个体极值P_besti和全局极值G_best；

执行输出模块，当满足全局极值的位置连续100次无变化或达到迭代次数要求时，则停止迭代输出优化后的充放电控制系数；否则，根据个体极值和全局极值重新更新各粒子的速度和位置。

算例分析

本实施例的方法和系统根据某风电场6月份某日历史运行中的实际功率数据、目前短期预测数据以及超短期预测数据，基于Matlab进行仿真以验证提高跟踪计划出力能力的控制方法。该风电场装机容量C_ap＝90MW，ε_允许＝0.24、σ_sdr＝0、η_C＝0.9、η_D＝0.9。为了简化，折中选取目标函数中的权重系数：α＝0.5、β＝0.5。按照功率配比5∶1设置储能系统容量为36MW·h，其中储能系统最大出力P_max＝18MW，设定S_SOC-low＝0.2、S_SOC-high＝0.9，则E_min＝0.2×36＝7.2MW·h，E_max＝0.9×36＝28.8MW·h。PSO中参数设置：ω＝0.4、c₁＝2、c₂＝2；PSO最大迭代次数设定为200。

图2为风电实际功率以及日前短期预测功率曲线。由图2可知，该风电实际功率预测误差大的时刻主要分布在晚上2022h，是需要储能系统重点工作的时段，之后的分析也主要针对该时段进行。

图3为一天内实际风电功率的预测误差分布直方图。由图3可知，该风电场6月份某天内0 24h预测误差明显存在一部分不满足要求的时刻点，可见风电输出功率的预测误差偏大可能对系统的调节能力带来较大压力，极端情况下容易导致弃风，急需借助储能系统将其预测误差限制在给定范围，提高风电跟踪计划出力的能力。

1)验证基于超短期风电功率预测值进行控制系数滚动优化的有效性：

为说明本发明实施例中充放电控制方法的有效性，将本实施例中的方法作为情境3，设置两种方法作为对比例——情境1和请将2。

情境1：在储能系统荷电状态满足介于S_SOC-low及S_SOC-high之间的前提下，该情景当风电实际功率大于风电日前预测功率上限值时储能系统进行充电；当风电实际功率小于风电日前预测功率下限值时储能系统进行放电；储能系统荷电状态低于S_SOC-low或者高于S_SOC-high时不动作。

情境2：本情境下的储能系统充放电控制系数取固定值，即先设置充放电控制系数后再计算充放电功率。a、b属于储能系统荷电状态区间的控制系数，满足0.2＜a＜b＜0.9，a、b选取较大的值会提高储能系统充电能力，相应地降低放电能力；a、b选取较小的值会提高储能系统放电能力，相应地降低充电能力。为此，折中选取a＝0.5；b＝0.6；c属于风电预测状态的控制系数，介于0到1之间。在风电日预测误差满足要求的情况下，c选取较大的值会提高储能放电量，但在荷电状态值较低时降低储能充电量；c选取较小的值会在荷电状态值较低时提高储能充电量，但在荷电状态值较高时降低储能系统放电量。为此，折中选取c＝0.5。d、e属于储能系统充放电功率的控制系数，均介于0到1之间。当P_w(t)＜P_{f_min}(t)且荷电状态值较高的情况下，d选取较大的值会提高储能系统的放电功率，d选取较小的值会降低储能系统的放电功率。当P_w(t)＞P_{f_max}(t)且荷电状态值较低的情况下，e选取较大的值会提高储能系统的充电功率，e选取较小的值会降低储能系统的放电功率。为了保持储能系统的剩余充电能力和放电能力，折中选取d＝0.5，e＝0.5。

情境3：应用本文所提出的储能系统充放电控制系数，并基于超短期预测数据轮询滚动优化更新储能充放电控制中的系数。为了与情景2作对比，系数的初始值选取情景2中的固定系数，即a＝0.5，b＝0.6，c＝0.5，d＝0.5，e＝0.5。

图4为3种情境下S_OC数值曲线。可以看出，情景2、3明显比情景1具有对SOC更好的调节作用。对于情景3，考虑到20-22h实际功率大于预测上限功率，在17-18h时储能系统在满足预测误差允许范围内进行了一定量的放电，从而提高储能系统的充放能力。而情景2由于对未来风电功率没有反馈情况，在20h前并没有提高储能系统充电能力的相关准备。图5-8分别为情景2下储能系统充放电控制系数a、b、c、d、e的值。由图5可知：在17 18h时a、b系数大幅度下降，虽然此时风电功率预测误差在允许范围内，但由于预测到未来4h实际功率远高于预测上限功率，所以降低a、b值以提高储能系统处于放电状态时的S_OC区间范围b≤S_SOC(t)≤S_SOC-high。图6中数值c作用于风电功率预测误差满足允许误差时的储能充放电控制。由图6可知，16-20h时c值绝大部分位于低于0.5的数值，这样就使得风电状态更利于处于P_{f_adj}(t)≤P_w(t)≤P_{f_max}(t)区间而提高放电功率。在20-22h时a、b系数大幅度上升，使得此时储能系统更利于处于大幅度充电的SOC区间S_SOC-low≤S_SOC(t)＜a，有利于风电功率预测误差的降低。图8中数值e的作用表现在实际功率大于预测上限功率的情况。可以明显看出，在20-22h时e处于低值，储能系统荷电状态处于S_SOC-low≤S_SOC(t)＜a时，储能系统的充电量处于仅满足误差上限即可的数值，减小了储能系统的充电量，有利于减少剩余电量对储能放电能力的限制。图7中数值d的作用表现在风电实际功率小于预测下限功率的情况。由于本文算例不涉及此种情形，故d的值在特定时刻没有明显的趋势，当涉及此种状态时，相关分析可以类比数值e。

3种情境下风储联合功率日预测误差概率分布直方对比图见图9。由图9可以看出，情景2下相较情景1风储联合误差有了一定的改善，这说明了本文所提储能系统充放电控制策略的有效性；但情景2下储能出力不能对之后的时刻有一定的反馈作用，因而缺乏全局性。而情景3下，由于充放电控制中的系数可以由每15min轮询的超短期预测数据滚动更新，更能适应所应用的场景，改善了风电跟踪计划出力能力。

为了对上述情景做进一步的量化分析，本实施例将不加储能的原始风电功率记为情景0，并对情景0、1、2、3下的弃风量进行计算。

对于情景0，当风电功率的日前预测误差不能满足小于25％的要求时，设定此情况下风电实际功率不能被电力系统所接受：1)当该时刻风电实际功率大于日前预测功率上限值时，按照预测功率上限值来发电，多余的功率作为弃风；2)当该时刻风电实际功率小于日前预测功率下限值时，该时刻不发电，实际功率全部作为弃风。

情景1、2、3的弃风量计算方法是将上述情景0弃风量计算方法中的风电实际功率用风储联合功率代替。

情景0、1、2、3下的弃风量统计结果分别为17.995、5.529、5.029、0MW·h。由此可知：情景1的弃风量较大说明运用储能系统对原始风电功率进行有效控制是必要的。情景2相较情景1弃风量有所减少，进一步验证本文所提的储能系统充放电控制策略的有效性；情景3不存在弃风，这说明基于超短期风电预测功率进行控制系数的滚动优化是具有意义的。

2)预测精度影响因素分析

上述分析中是针对预测精度较高的场景，实际情况中也会遇到超短期预测数据精度较低的情形。为了针对相同的风电数据进行结果的对比并对其影响进行分析，对预测精度较高的数据人为添加一些扰动，使其精度相应的降低。

图10为精度较高及精度较低2种情形下18：45时刻对未来4h超短期预测数据和实际功率值的对未来4h实际风电功率及变化趋势；而预测精度较低时具有较大的偏差。

图11为超短期预测数据精度低和精度高两种情境下SOC数值曲线。可以看出，预测精度低的情况下，没有准确预测到20-22h实际功率大幅度大于预测上限功率，未能提前进行一定量的放电，而只在接近20h时有小幅度的放电，程度略低，不能保证未来几小时的充电能力需求。图12-15分别为超短期预测数据精度较低时相对应滚动优化系数情境下储能系统充放电控制系数a、b、c、d、e的值。相比较于预测精度高的情况，图12中的a、b值并没有如图5在17-18h时a、b系数明显的大幅度下降；图13中的c也没有如图6中16-20h时绝大部分低于0.5，只是在1820h时表现出一些时刻值小于0.5；这表明预测精度低时并没有很好地预测未来4h预测误差情况。图12可以看出，在20-22h时a、b系数与图5中的a、b系数具有相同的趋势，表明在预测误差不满足要求的情况下，滚动优化系数的方法仍能够及时优化SOC区间控制系数，使得此时储能系统处于更有利的S_OC区间，有利于风电功率预测误差的降低。图14可以看出，与图7类似，由于风电功率并没有出现小于预测下限值的时刻，d值并没有出现优化过程。图15可以看出，在20-22h时e与图8中的e值具有相同趋势，同样处于低值，这表明在预测误差不满足要求的情况下，滚动优化系数的方法还是能够及时优化充放电功率值控制系数，使得此时储能系统具有更大的充放电功率，有利于风电功率预测误差的降低。

预测精度较低和较高时累计误差概率对比见图16。将固定系数、预测精度较低和预测精度较高三种情形下的风电误差满足要求的具体概率数值与初始风电功率相应数值对比结果见表2：

表2 四种情形下风电误差满足要求的概率对比

由图16及表2可知，与固定系数情况相比，预测精度较低时，其风储联合误差满足要求的概率略有提高，但幅度不大；一方面说明本文所提出的滚动优化控制系数的方法是有效的，另一方面由于预测精度较低，对未来储能需求的反馈不准确，造成整个方法的效果不能很好地体现。预测精度较高时，由于每15min都能对未来4h的能量状况有很好的预知，能够适时调整充放电控制系数，充分利用储能系统的功率及容量实现更好的储能系统控制效果，从而更能有效的提高风电跟踪计划出力能力。

本发明提出的基于短期、超短期风电预测功率的储能系统充放电控制方法在风储联合控制中，建立了提高风储联合跟踪风电计划出力能力的目标函数，有效地利用超短期预测数据精度高于日前预测数据精度的特点，利用风电功率超短期预测数据对储能系统充放电控制系数进行滚动优化控制。该方法相对于固定系数的控制方法，具有更强的灵活性，实现了更好的控制效果；此外，该方法还可以根据风电预测精度的要求，利用储能装置提高满足跟踪计划出力要求的概率，减少弃风，提高风电利用率。

Claims (15)

1.一种基于风电预测功率的储能跟踪风电出力计划方法，其特征在于，包括以下步骤：

读取风电场和储能系统的相关数据，包括：风电场的风电功率实际值、短期风电功率预测值、超短期风电功率预测值以及储能系统的荷电状态值；

建立包含充放电控制系数的储能系统充放电控制策略；所述充放电控制系数包括：荷电状态控制系数a、b，风电状态控制系数c以及充放电功率调整系数d、e；所述储能系统的充放电控制策略包括：

将荷电状态值划分为表示各种荷电状态的区间；

将风电功率实际值划分为各种风电状态；

确定储能系统充放电功率；和

根据储能系统最大充放电功率以及剩余容量允许的充放电功率，对所述储能系统充放电功率进行实时调整；

基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数；

通过粒子群优化算法确定充放电控制系数；

根据充放电控制系数确定储能系统充放电功率。

2.如权利要求1所述的方法，其特征在于，将所述荷电状态值划分为表示各种荷电状态的区间包括：

在0至1之间共建立4个节点，包括荷电状态控制系数a、b，储能系统正常运行时荷电状态下限值S_SOC-low和上限值S_SOC-high，且满足0≤S_SOC-low≤a≤b≤S_SOC-high≤1，所述荷电状态下限值S_SOC-low和上限值S_SOC-high由储能系统本身性能所确定；

根据所述4个节点在0至1之间将荷电状态值划分为5个区间：

SOC过小区间：0≤S_SOC(t)<S_SOC-low；

SOC较小区间：S_SOC-low≤S_SOC(t)<a；

SOC适宜区间：a≤S_SOC(t)<b

SOC较大区间：b≤S_SOC(t)≤S_SOC-high；和

SOC过大区间：S_SOC-high<S_SOC(t)≤1；

若a＝S_SOC-low或b＝S_SOC-high，则将荷电状态值划分为4个区间，包括：SOC过小区间、SOC适宜区间和SOC过大区间，以及SOC较小区间或SOC较大区间；若a＝S_SOC-low且b＝S_SOC-high，则将荷电状态值划分为3个区间，包括：SOC过小区间、SOC适宜区间和SOC过大区间。

3.如权利要求2所述的方法，其特征在于，将所述风电功率实际值划分为各种风电状态包括：

“风电状态A”：风电功率实际值低于短期风电功率预测下限值的状态；

“风电状态B”：风电功率实际值介于短期风电功率预测上限值与控制功率值之间的状态；

“风电状态C”：风电功率实际值介于控制功率值与短期风电功率预测上限值之间的状态；

“风电状态D”：风电功率实际值高于短期风电功率预测上限值的状态；

所述短期风电功率预测上限值、短期风电功率预测上限值和控制功率值通过下式求得：

P_{f_max}(t)＝P_f(t)+P_limit

P_{f_min}(t)＝P_f(t)-P_limit

P_{f_adj}(t)＝P_{f_min}(t)+c[P_{f_max}(t)-P_{f_min}(t)]

式中，P_{f_max}(t)为t时刻短期风电功率预测上限值，P_{f_min}(t)为t时刻短期风电功率预测下限值，P_{f_adj}(t)为t时刻介于P_{f_min}(t)、P_{f_max}(t)之间的控制功率值，P_f(t)为t时刻短期风电功率预测值，P_limit为风电功率波动限值，P_limit＝ε_允许C_ap，ε_允许为日预测误差允许的百分值，C_ap为风电场的装机容量，c为0至1之间的风电状态控制系数。

4.如权利要求3所述的方法，其特征在于，确定所述储能系统充放电功率包括：

当风电功率实际值处于“风电状态A”时的储能系统充放电功率为：

A1)若当前储能系统的荷电状态值处于SOC过小区间，储能系统不工作，则储能系统充放电功率为0；

A2)若当前储能系统的荷电状态值处于SOC较小区间或SOC适宜区间，则储能系统充放电功率为P_{f_min}(t)-P_w(t)；

A3)若当前储能系统的荷电状态值处于SOC较大区间，则储能系统充放电功率为P_{f_min}(t)-P_w(t)+d(P_{f_max}(t)-P_{f_min}(t))，d为0至1之间的充放电功率调整系数；

A4)若当前储能系统的荷电状态值处于SOC过大区间，则储能系统充放电功率为P_{f_max}(t)-P_w(t)；

当风电功率实际值处于“风电状态B”时的储能系统充放电功率为：

B1)若当前储能系统的荷电状态值处于SOC过小区间或SOC较小区间，则储能系统充放电功率为-(P_w(t)-P_{f_min}(t))；

B2)若当前储能系统的荷电状态值处于SOC适宜区间，储能系统不工作，则储能系统充放电功率为0；

B3)若当前储能系统的荷电状态值处于SOC较大区间，则储能系统充放电功率为P_{f_adj}(t)-P_w(t)；

B4)若当前储能系统的荷电状态值处于SOC过大区间，则储能系统充放电功率为P_{f_max}(t)-P_w(t)；

当风电功率实际值处于“风电状态C”时的储能系统充放电功率为：

C1)若当前储能系统的荷电状态值处于SOC过小区间，则储能系统充放电功率为-(P_w(t)-P_{f_min}(t))；

C2)若当前储能系统的荷电状态值处于SOC较小区间，则储能系统充放电功率为-(P_w(t)-P_{f_adj}(t))；

C3)若当前储能系统的荷电状态值处于SOC适宜区间，储能系统不工作，则储能系统充放电功率为0；

C4)若当前储能系统的荷电状态值处于SOC较大区间或SOC过大区间，则储能系统充放电功率为P_{f_max}(t)-P_w(t)；

当风电功率实际值处于“风电状态D”时的储能系统充放电功率为：

D1)若当前储能系统的荷电状态值处于SOC过小区间，则储能系统充放电功率为-(P_w(t)-P_{f_min}(t))；

D2)若当前储能系统的荷电状态值处于SOC较小区间，则储能系统充放电功率为-P_w(t)+P_{f_max}(t)-e(P_{f_max}(t)-P_{f_min}(t))，e为0至1之间的充放电功率调整系数；

D3)若当前储能系统的荷电状态值处于SOC适宜区间或SOC较大区间，则储能系统充放电功率为-(P_w(t)-P_{f_max}(t))；

D4)若当前储能系统的荷电状态值处于SOC过大区间，储能系统不工作，则储能系统充放电功率为0；

上述步骤中，Pw(t)为风电功率实际值；当所述储能系统充放电功率为负值时，表示储能系统处于充电状态；当所述储能系统充放电功率为正值时，表示储能系统处于放电状态。

5.如权利要求1所述的方法，其特征在于，最大充放电功率以及剩余电量允许的充放电功率对所述储能系统充放电功率进行实时调整包括：

剩余电量E(t)需满足剩余电量上下限约束，即E_min≤E(t)≤E_max：

当储能系统处于充电状态时，E(t)＝(1-σ_sdr)E(t-1)-P_bess(t)Δtη_C，且P_bess(t)满足如下约束条件：

当储能系统处于放电状态时，E(t)＝(1-σ_sdr)E(t-1)-P_bess(t)Δt/η_D，且P_bess(t)满足如下约束条件：

式中，E(t)、E(t-1)分别为储能系统t、t-1时刻结束时的剩余电量；σ_sdr为储能系统的自放电率；Δt为计算窗口时长；η_C、η_D分别为储能系统的充、放电效率；P_bess(t)为t时刻的储能系统充放电功率；为储能系统最大允许充电功率；为储能系统最大允许放电功率；E_min为储能系统最小容量；E_max为储能系统最大容量。

6.如权利要求1、3或5所述的方法，其特征在于，所述基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数J的表达式如下：

min J＝αF₁+βF₂

$\begin{array}{c}{F}_2=\underset{t=1}{\overset{M}{\&Sigma;}}\{\&lsqb;1+sign(S_{SOC-\mathrm{lo}w}-S_{SOC}(t\left)\right)\&rsqb;+\\ \&lsqb;1+sign\left(S_{SOC}\right(t)-S_{SOC-high})\&rsqb;\&CenterDot;S_{SOC}\left(t\right)\end{array}$

$sign\left(x\right)=\left\{\begin{array}{cc}1,& x\&GreaterEqual;0\\ -1,& x<0\end{array}\right.$

式中，F₁、F₂分别为风储联合发电跟踪计划出力的函数和储能系统荷电状态的函数；α、β分别为上述F₁、F₂的权重系数；M为数据点数；P_bess(t)为t时刻的储能系统充放电功率；P_uf(t)为t时刻的超短期风电功率预测值；S_SOC-high、S_SOC-low分别为荷电状态上、下限值；S_SOC(t)为t时刻储能系统的荷电状态值；P_f(t)为t时刻短期风电功率预测值；ε_允许为日预测误差允许的百分值，C_ap为风电场的装机容量。

7.如权利要求6所述的方法，其特征在于，通过粒子群优化算法确定充放电控制系数包括：

设定粒子群优化算法的参数，包括：粒子群总数N、迭代次数k、惯性常数ω以及学习因子c₁和c₂；

初始化粒子群的位置和速度；

根据目标函数J确定粒子群中各粒子的适应度；

比较各粒子的适应度，确定各粒子的个体极值P_besti及其对应的目标函数值J(P_besti)；从全部个体极值P_besti中确定全局极值G_best及其对应的目标函数值J(G_best)；

根据个体极值和全局极值更新各粒子的速度和位置；

重新根据目标函数J计算各粒子此时的适应度，判断是否更新个体极值P_besti和全局极值G_best；

当满足全局极值的位置连续100次无变化或达到迭代次数要求时，则停止迭代输出优化后的充放电控制系数；否则，根据个体极值和全局极值重新更新各粒子的速度和位置。

8.如权利要求7所述的方法，其特征在于，所述初始化粒子群的位置和速度包括：

初始化迭代次数；

将充放电控制系数作为粒子群中的粒子，分别设置各粒子的初始位置和速度。

9.如权利要求7所述的方法，其特征在于，

找出第i个粒子迭代到第k代时，前k代中最大的适应度作为该粒子的个体极值其所对应的目标函数值通过目标函数J求得；

找出迭代到第k代时，前k代中最大的适应度作为粒子群的全局极值其所对应的目标函数值通过目标函数J求得。

10.如权利要求7所述的方法，其特征在于，通过下式更新各粒子的速度和位置：

$\left\{\begin{array}{c}{v}_i^{k+1}={\mathrm{\&omega;v}}_i^k+c_1(P_{besti}^k-x_i^k)+c_2(G_{best}^k-x_i^k)\\ x_i^{k+1}=x_i^k+v_i^{k+1}\end{array}\right.$

式中，分别为迭代至第k代第i个粒子的速度和位置；分别为迭代至第k+1代第i个粒子的速度和位置；为迭代至第k代第i个粒子的个体极值；为前k代中粒子群的全局极值。

11.如权利要求7所述的方法，其特征在于，判断是否更新个体极值P_besti和全局极值G_best包括：

若成立，则

否则，则成立，

式中，和分别为迭代次数为k时的粒子位置和个体极值。

12.如权利要求1所述的方法，其特征在于，

将通过粒子群优化算法确定的充放电控制系数代入充放电控制策略中，根据短期风电功率预测值和每个预报点读入的风电功率实际值确定两个预报点之间时间段的储能系统充放电功率；继续进行下一预报点的轮询操作，直至达到短期预测的最大时刻值为止。

13.一种基于风电预测功率的储能跟踪风电出力计划系统，其特征在于，该系统包括：

数据获取单元，用于读取风电场和储能系统的相关数据；

控制单元，用于建立包含充放电控制系数的储能系统充放电控制策略，所述充放电控制系数包括：荷电状态控制系数a、b，风电状态控制系数c以及充放电功率调整系数d、e；；所述储能系统的充放电控制策略包括：

将荷电状态值划分为表示各种荷电状态的区间；

将风电功率实际值划分为各种风电状态；

确定储能系统充放电功率；和

根据储能系统最大充放电功率以及剩余容量允许的充放电功率，对所述储能系统充放电功率进行实时调整；

计算模块，用于基于短期风电功率预测值、超短期风电功率预测值和荷电状态值确定目标函数；

优化单元，用于通过粒子群优化算法确定充放电控制系数；

结果输出单元，用于根据充放电控制系数确定储能系统充放电功率。

14.如权利要求13所述的系统，其特征在于，所述控制单元包括：

第一设置模块，用于根据荷电状态控制系数a、b，储能系统正常运行时荷电状态下限值S_SOC-low和上限值S_SOC-high将荷电状态值S_SOC(t)在0至1之间划分为代表各种荷电状态的区间；

第一设置模块，用于将风电功率实际值划分为四种风电状态，包括：风电功率实际值低于短期风电功率预测下限值的状态；介于短期风电功率预测上限值与控制功率值之间的状态；介于控制功率值与短期风电功率预测上限值之间的状态；和高于短期风电功率预测上限值的状态；

计算模块，用于基于当前风电场所对应的风电状态和当前储能系统荷电状态SOC所处的区间，计算储能系统充放电功率；

修正模块，用于根据最大充放电功率以及剩余容量允许的充放电功率对所述储能系统充放电功率进行实时调整。

15.如权利要求13所述的系统，其特征在于，所述优化单元包括：

设置模块，用于设定粒子群优化算法的参数，包括：粒子群总数N、迭代次数k、惯性常数ω以及学习因子c₁和c₂；

初始化模块，用于初始化粒子群的位置和速度；

适应度计算模块，用于确定粒子群中各粒子的适应度；

极值计算模块，用于比较各粒子的适应度，确定各粒子的个体极值P_besti及其对应的目标函数值J(P_besti)；从全部个体极值P_besti中确定全局极值G_best及其对应的目标函数J(G_best)；

更新模块，用于根据个体极值和全局极值更新各粒子的速度和位置，并重新计算各粒子此时的适应度，判断是否更新个体极值P_besti和全局极值G_best；

执行输出模块，当满足全局极值的位置连续100次无变化或达到迭代次数要求时，则停止迭代输出优化后的充放电控制系数；否则，根据个体极值和全局极值重新更新各粒子的速度和位置。