CN105356491B - 一种基于储能和虚拟储能最优控制的功率波动平抑方法 - Google Patents

Abstract

本发明公开了一种基于储能和虚拟储能最优控制的功率波动平抑方法，所述方法包括以下步骤：通过新能源发电、不可控负荷和可控设备在不控情况下消耗的功率预测值，获取当日联络线功率的调度参考值；获得当日t时刻新能源发电的功率，来计算该时刻储能电池和电热泵需要平抑的总功率；根据最优控制模型中的状态方程，在最优控制模型中的储能电池、电热泵的约束条件以及目标函数下对总功率进行优化分配，得到电热泵群和储能电池的目标功率和；计算电热泵和储能电池的实际响应功率。本发明对城市园区微网中存在的大量电热泵设备进行集群需求响应控制，调节负荷曲线形成“虚拟储能”效应，与储能电池协调控制，来平抑微网联络线功率波动。

Description

一种基于储能和虚拟储能最优控制的功率波动平抑方法

技术领域

本发明涉及智能电网、用户侧需求响应和混合储能领域，尤其涉及一种基于储能和虚拟储能最优控制的功率波动平抑方法。

背景技术

随着能源和环境问题日渐突出，新能源的使用受到人们的广泛重视，风电等新能源发电系统装机容量在不断增加，其在电网所占的比例也在不断增加。但是由于新能源发电具有高度随机性和波动性，使得新能源接入电网会对电力供需平衡、电力系统的安全带来挑战。使用储能设备是目前解决上述问题的一个有效的办法，目前的储能技术主要分为物理储能、电磁储能、电化学储能和相变储能等四种。但是由于储能设备的容量小和成本高等问题，制约了其大规模的应用。

需求响应(Demand Response，DR)技术的发展提供了一种解决上述问题的新思路。需求响应是对用户用电模式进行调整，或是对用户用电负荷进行管理的一种智能用电调控技术。通过一定价格信号或激励信息，引导用户主动改变自身消费行为，优化用电方式，减少或者推移某时段的用电负荷，能够促进供需两侧优化平衡。美国、欧洲、日本等国家都已经开展了微电网中负荷控制技术的研究，例如：英国UMIST实验室、美国CERTS微网示范平台和日本Architect微网等，将负荷控制技术视为一种重要控制手段和资源形式，期望将居民用电设备作为一种良好的能源资源融入到微电网系统优化运行中。负荷需求响应可以视为一种虚拟储能，协调优化控制负荷需求响应和传统储能设备降低微网中储能电池的使用数量，提高微网运行的经济性。

需求响应技术一般用于居民或小型的工商业用户负荷，比较典型的为具有热能存储能力的温控设备，例如：电热泵、电热水器等。近年来需求响应算法得到了很好地发展，已经提出了状态队列(state queueing，SQ)控制算法、基于Fokker-Planck方程的辨识控制算法、考虑用户舒适度约束的控制算法等。在平抑可再生能源发电方面，已经提出了在风场中利用储能电池来平抑风力发电的最优控制的方法、采用居民温控负荷控制的微网联络线功率波动平滑方法等。

发明人在实现本发明的过程中，发现现有技术中至少存在以下缺点和不足：

现有的平率微网联络线功率波动的算法以滤波算法为主，通过滤波器将联络线波动信号分解为高频信号和低频信号，高频信号由温控负荷平抑，低频信号由储能电池平抑。滤波算法的结果受滤波器时间常数的影响，而滤波时间常数是人为设定，受经验值影响；滤波算法主要用来平抑联络线功率波动，使其平滑化，而不能在一定范围内使联络线功率达到期望调度值。

发明内容

本发明提供了一种基于储能和虚拟储能最优控制的功率波动平抑方法，本方法不仅提高了电能质量，降低了电网控制成本，对储能系统的维护也起到了很大的作用，详见下文描述：

一种基于储能和虚拟储能最优控制的功率波动平抑方法，所述方法包括以下步骤：

通过新能源发电、不可控负荷和可控设备在不控情况下消耗的功率预测值，获取当日联络线功率的调度参考值；

获得当日t时刻新能源发电的功率，来计算该时刻储能电池和电热泵需要平抑的总功率；

根据最优控制模型中的状态方程，在储能电池、电热泵的约束条件以及目标函数下对总功率进行优化分配，得到电热泵群和储能电池的目标功率和；

计算电热泵和储能电池的实际响应功率。

所述最优控制模型中的储能电池的约束条件为：

SOC_min≤SOC≤SOC_max，-I_c,max≤I_BT≤I_d,max

其中，SOC_min为最小荷电状态；SOC_max为最大荷电状态；I_d,max为储能电池最大的放电电流；I_c,max为最大的充电电流。

所述最优控制模型中的电热泵的约束条件为：

其中，VSOC_min为最小荷电状态；VSOC_max为最大荷电状态；为电热泵消耗功率的变化率；P_up、P_down分别为电热泵群消耗功率变化率的上下约束。

所述最优控制模型中的目标函数为：

J＝min∫(y_ref-y)²dt

式中：y_ref为储能电池和电热泵总功率的参考值；为当日联络线功率的调度参考值；P_RE为可再生能源实际的功率；P_NL为不可控电热泵消耗的实际功率；y为输出变量。

所述最优控制模型中的状态方程为：

y＝[0 1]x+[-N_sV_rated 0]u

其中，为状态变量的变化率，为状态变量的变化率的矩阵；x为状态变量，x为状态变量的矩阵；u为控制变量，u为控制变量的矩阵；y为输出变量，y为输出变量的矩阵；V_rated为储能电池的额定电压；为储能电池荷电量的变化率；为电热泵群消耗功率的变化率；为储能电池荷电的变化率；为电热泵群消耗功率的变化率；x₁、x₂为状态变量，分别表示为储能电池荷电量q和电热泵群消耗的功率P_HP；u₁、u₂为控制变量，分别表示储能电池电流I_BT和电热泵群消耗功率变化率

本发明提供的技术方案的有益效果是：本发明在以往研究的基础上，将负荷需求响应视为一种虚拟储能，通过建立储能电池和该虚拟储能的最优控制模型，本发明对城市园区微网中存在的大量电热泵设备进行集群需求响应控制，调节负荷曲线形成“虚拟储能”效应，与储能电池协调控制，来平抑微网联络线功率波动。电热泵“虚拟储能”和储能电池的协调配合控制采用最优控制(Optimal Control)模型加以实现，考虑“虚拟储能”和储能电池的相关操作约束，使控制后微网联络线功率接近于设定的目标参考值。“虚拟储能”的使用，有效减少了储能电池的数量和使用成本，提高微网运行的经济性。

附图说明

图1为本发明提供的单个电热泵热力学动态过程的示意图；

图2为温度优先队列模型的示意图；

图3为最优控制算法的流程图；

图4为联络线功率目标值和实际值的示意图；

图5为电热泵功率目标值和实际值的示意图；

图6为储能电池功率的目标值和实际值的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

实施例1

一种基于虚拟储能最优控制微网联络线功率波动平抑方法，参见图1、图2和图4，该方法包括以下步骤：

101：通过新能源发电、不可控负荷和可控设备在不控情况下消耗的功率预测值，获取当日联络线功率的调度参考值

首先在日前得到新能源发电、不可控负荷和可控设备在不控情况下消耗的功率预测值，由此得到当日联络线功率的调度参考值

102：获得当日t时刻(由t＝1时刻开始)新能源发电的功率，来计算该时刻储能电池和电热泵需要平抑的总功率y_ref,t；

103：根据最优控制模型中的状态方程，在储能电池、电热泵的约束条件以及目标函数下对总功率y_ref进行优化分配，得到电热泵群和储能电池的目标功率和

104：计算电热泵和储能电池的实际响应功率；

105：返回步骤102，对t+1时刻进行最优控制，直至当日结束。

综上所述，本发明实施例通过上述步骤101-步骤105实现了对储能电池和负荷需求响应的最优控制，降低了电网控制成本，对储能系统的维护也起到了很大的作用。

实施例2

下面结合具体的计算公式、例子对实施例1中的步骤103中的方案进行性详细的描述，详见下文：

201：采用KiBaM(Kinetic Battery Model)储能电池模型描述储能电池运行情况；

其中，用表示储能电池的目标功率，则该时刻所需放电电流I_d为：V_rated表示储能电池的额定电压，N_s表示串联的储能电池个数。

假设在每次步末q₁＝0，储能电池最大的放电电流I_d,max为：

其中，q₁为自由负荷；k为常数比值；q_1,0为储能电池在初始时刻的自由电荷；c为自由负荷与总负荷的比值；q₀为储能电池在初始时刻的总电量；Δt为仿真步长。

则储能电池放电电流为：

充电时类似，需要的充电电流为：

假设q₁＝cq_max，则最大的充电电流为：

其中，q_max为储能电池的最大总负荷。

从而储能电池充电电流为：

储能电池所能提供功率为：P_BT＝(q^t-Δt-q^t)N_sV_rated/Δt。

其中，t为时间代表仿真时刻；q为储能电池荷电量。

202：采用一阶简化响应模型描述单个电热泵的热力学动态行为，对电热泵施加温度优先队列(TPL)的控制算法，通过温度的变化间接实现对电负荷的调节，同时兼顾用户对舒适度的要求，并以温度为基础提出基于热泵群的虚拟电池荷电状态(Virtual State ofCharge,VSOC)；

参见图1，横坐标代表时间，纵坐标代表室内温度。当电热泵工作时n＝1，当电热泵关闭n＝0。工作原理为：

其中：T_min＝T_set-δ，T_max＝T_set+δ。式中，n_k表示k时刻电热泵的状态；n_k+1表示k+1时刻电热泵的状态；T_room表示电热泵所处室内温度；T_set表示电热泵的温度设定值；δ表示电热泵的温度死区；T_max，T_min分别表示温度的上下边界。

电热泵处于关断状态时：电热泵处于开启状态时：

其中，T_out代表室外温度(℃)；C、R、Q分别代表电热泵的等值热电容(J/℃)、等值热电阻(R/℃)和等值热比率(W)；为t+Δt时刻热泵所处的室内温度；为t+Δt时刻的室外温度；为t时刻热泵所处的室内温度。Δt代表仿真步长，本发明实施例中取Δt＝1min。

首先根据电热泵的状态进行分群，假设某一社区有m个参与需求响应的电热泵，在某一时刻将电热泵分为开启群A(包含a个设备)和关闭群B(包含b个设备)，其中a+b＝m。开启群n＝1，关闭群n＝0。A＝[A₁,A₂,...,A_a]，B＝[B₁,B₂,...,B_b]。

根据当前每个电热泵所处室内温度值，对A群的设备根据室内温度从低到高排序，对B群的设备根据室内温度从高到低排序。参见图2可知A群设备的室内温度的关系则当需要关闭设备时，设备操作的优先级为A₁＜A₂＜...＜A_a。关闭群设备对应的温度关系为则当需要开启设备时，设备操作的优先级为B_b＜B_b-1＜...＜B₁。

假设每一个电热泵的额定功率为P_rated，电热泵群消耗功率的目标值为在不控制情况下电热泵群消耗的功率为P_HP，若则应按照上述优先顺序关闭一些电热泵，数目为：

上式中，[·]为取整运算，即对进行取整。同理，若则应按照上述优先顺序开启一些电热泵，数目为：

当电热泵开启数目增加时，相当于“虚拟储能”设备在充电，当电热泵关闭数目增加时，相当于“虚拟储能”设备在放电。

为了评估“虚拟储能”设备的“充放电”能力，以温度为基础提出了基于电热泵群的虚拟SOC(VSOC)，本方法采用如下以功率为基础的VSOC：式中：N₁表示开启的电热泵数目，N_hp表示电热泵总数目。电热泵的VSOC体现了电热泵群充放电能力，0和1分别代表电热泵工作的两种极端状态。考虑用户舒适度要求，VSOC应在一定范围内波动，若VSOC波动过大，则会影响用户舒适度。

203：将储能电池和虚拟储能之间的响应目标功率分配考虑为一个最优控制问题，在对目标求解时，考虑储能电池和虚拟储能各自的约束条件。

(1)首先预测得到联络线平抑功率目标值，暂不考虑储能电池和虚拟储能影响。假设在微网中，为可控负荷不参与控制时的预测值，为不可控电热泵的预测值，为风机功率的预测值，为联络线功率预测值，则有：由上式得到联络线中功率的预测值将其每60分钟取平均值可以得到联络线功率的参考值

假设当日的联络线功率参考值是在此条件下进行优化控制，此时有：其中：P_RE代表可再生能源实际的功率；代表储能电池的目标功率信号；代表可控电热泵组的目标功率信号；P_NL代表不可控电热泵消耗的实际功率，本发明实施例中假设不可控负荷的预测值等于实际值，即

(2)列写最优控制模型中的状态方程：首先确定状态变量和控制变量，定义储能电池荷电量q和电热泵群消耗的功率P_HP分别为状态变量x₁和x₂；储能电池的放电电流I_BT和电热泵群消耗功率的变化率为系统的控制变量u₁和u₂；最优控制对储能电池分配的目标功率和对电热泵群分配的目标功率构成输出变量y，其计算公式为：

本发明实施例定义电热泵群消耗功率的变化率为：

其中，为电热泵群消耗功率的变化率；P_HP(t)为t时刻电热泵消耗的功率；P_HP(t-Δt)为t-Δt时刻电热泵消耗的功率；x₂(t)为t时刻电热泵群消耗的功率；x₂(t-Δt)为t-Δt时刻电热泵群消耗的功率；u₂为电热泵群消耗功率的变化率。

用最优控制模型(储能电池及虚拟储能最优协调控制模型)中的变量表示为其中，为电热泵群消耗功率的变化率。

采用矩阵形式，系统的状态空间方程可改写为：y＝[01]x+[-N_sV_rated 0]u。

式中，

其中，为状态变量的变化率，为状态变量的变化率的矩阵；x为状态变量，x为状态变量的矩阵；u为控制变量，u为控制变量的矩阵；y为输出变量，y为输出变量的矩阵；V_rated为储能电池的额定电压；为储能电池荷电量的变化率；为电热泵群消耗功率的变化率；为储能电池荷电的变化率；为电热泵群消耗功率的变化率；x₁、x₂为状态变量，分别表示为储能电池荷电量q和电热泵群消耗的功率P_HP；u₁、u₂为控制变量，分别表示储能电池电流I_BT和电热泵群消耗功率变化率

(3)列写目标函数：进行优化控制的目标是使微网联络线上的功率尽量的接近于根据预测得到的微网联络线功率的参考值。

本发明实施例的目标函数如下：J＝min∫(y_ref-y)²dt。式中：它是电热泵和储能电池总的功率参考值。

其中，y_ref为储能电池和电热泵总功率的参考值；为当日联络线功率的调度参考值；P_RE为可再生能源实际的功率；P_NL为不可控电热泵消耗的实际功率。

(4)约束条件：对于任何时刻，都应满足以下约束条件。

1)储能电池约束

本发明实施例中对储能电池的约束表现在储能电池的荷电状态(SOC)和储能电池的电流上：SOC_min≤SOC≤SOC_max，-I_c,max≤I_BT≤I_d,max。该约束用最优控制模型中的变量可表示为：SOC_minN_sq_max≤x₁≤SOC_maxN_sq_max，-I_c,max≤u₁≤I_d,max。

其中，SOC_min为最小荷电状态；SOC_max为最大荷电状态。

2)电热泵约束

本发明实施例对电热泵的约束表现在电热泵群的虚拟荷电状态SOC(VSOC)及消耗功率的变化率上：VSOC_min≤VSOC≤VSOC_max，

式中，VSOC_min为最小荷电状态；VSOC_max为最大荷电状态；为电热泵消耗功率的变化率；P_up、P_down分别为电热泵群消耗功率变化率的上下约束。

该约束用最优控制模型的变量可表示为：VSOC_minN_hpP_rated≤x₂≤VSOC_maxN_hpP_rated，P_down≤u₂≤P_up。

综上所述，本发明实施例通过上述步骤201-步骤203实现了对储能电池和负荷需求响应的最优控制，降低了电网控制成本，对储能系统的维护也起到了很大的作用。

实施例3

下面以具体的实验来验证本发明提供的一种基于虚拟储能最优控制微网联络线功率波动平抑方法的可行性，详见下文描述：

为了验证该方法的效果时，建立了1000个电热泵模型，单个电热泵响应特性曲线如图1所示，每个电热泵的温度设定点均为21℃，死区范围为4℃，其热力学动态参数C，R，Q分别设置为3599.3J/℃，0.1208℃/W，400W。室外日平均温度为5℃。建立了100个储能电池机组，每个机组串联储能电池数目为80，其额定电压V_rated，最大容量q_max，KBM模型的容量比c，KBM模型的比例常数k以及时间步长Δt分别设置为6V，97.41Ah，0.35，0.53hrs^-1以及1/60hrs。以1分钟作为采样间隔，一天之内的仿真效果如图4，图5所示。

参见图5，图6，横坐标代表时间，纵坐标代表功率，可以看出，联络线中功率误差主要来源于电热泵的目标值和实际值之间的差值。电热泵的响应误差是由于电热泵每个时刻所处室内外温度不同，响应目标功率的能力也不同。尤其在200-600分钟之间，室外温度较高，电热泵消耗的功率少，可调范围低，因此在该时间段电热泵不能很好地跟踪其目标值，造成了较大的误差，如图5所示。由图6可知储能电池功率的目标值和实际值的差值很小。

综上所述，本发明实施例对城市园区微网中存在的大量电热泵设备进行集群需求响应控制，调节负荷曲线形成“虚拟储能”效应，与储能电池协调控制，来平抑微网联络线功率波动。电热泵“虚拟储能”和储能电池的协调配合控制采用最优控制(Optimal Control)模型加以实现，考虑“虚拟储能”和储能电池的相关操作约束，使控制后微网联络线功率接近于设定的目标参考值。“虚拟储能”的使用，有效减少储能电池的数量和使用成本，提高微网运行的经济性。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于储能和虚拟储能最优控制的功率波动平抑方法，其特征在于，所述方法包括以下步骤：

(1)通过新能源发电、不可控负荷和可控设备在不控情况下消耗的功率预测值，获取当日联络线功率的调度参考值；

(2)获得当日t时刻新能源发电的功率，来计算该时刻储能电池和电热泵需要平抑的总功率；

(3)根据最优控制模型中的状态方程，在最优控制模型中的储能电池、电热泵的约束条件以及目标函数下对总功率进行优化分配，得到电热泵群和储能电池的目标功率和；

(4)计算电热泵和储能电池的实际响应功率。

2.根据权利要求1所述的一种基于储能和虚拟储能最优控制的功率波动平抑方法，其特征在于，所述最优控制模型中的储能电池的约束条件为：

SOC_min≤SOC≤SOC_max，-I_c,max≤I_BT≤I_d,max

其中，SOC_min为最小荷电状态；SOC_max为最大荷电状态；I_d,max为储能电池最大的放电电流；I_c,max为最大的充电电流。

3.根据权利要求1所述的一种基于储能和虚拟储能最优控制的功率波动平抑方法，其特征在于，所述最优控制模型中的电热泵的约束条件为：

${\mathrm{VSOC}}_{min}\≤VSOC\≤{\mathrm{VSOC}}_{max},P_{down}\≤{\stackrel{\·}{P}}_{BT}\≤P_{up}$

其中，VSOC_min为最小荷电状态；VSOC_max为最大荷电状态；为电热泵消耗功率的变化率；P_up、P_down分别为电热泵群消耗功率变化率的上下约束。

4.根据权利要求1所述的一种基于储能和虚拟储能最优控制的功率波动平抑方法，其特征在于，所述最优控制模型中的目标函数为：

$J=min{\∫}_0^T{(y_{ref}-y)}^{2}dt$

式中：y_ref为储能电池和电热泵总功率的参考值；为当日联络线功率的调度参考值；P_RE为可再生能源实际的功率；P_NL为不可控电热泵消耗的实际功率；y为输出变量；T为积分上限，表示最优控制算法的控制周期。

5.根据权利要求1所述的一种基于储能和虚拟储能最优控制的功率波动平抑方法，其特征在于，所述最优控制模型中的状态方程为：

${\stackrel{\·}{x}}^{*}=\left[\begin{array}{cc}0& 0\\ 0& 0\end{array}\right]x^{*}+\left[\begin{array}{cc}-1& 0\\ 0& 1\end{array}\right]u^{*},y^{*}=\left[\begin{array}{cc}0& 1\end{array}\right]x^{*}+\left[\begin{array}{cc}-N_s{V}_{rated}& 0\end{array}\right]u^{*}$

$\left\{\begin{array}{c}{\stackrel{\·}{x}}^{*}={\left[\begin{array}{cc}{\stackrel{\·}{x}}_1& {\stackrel{\·}{x}}_2\end{array}\right]}^T={\left[\begin{array}{cc}\stackrel{\·}{q}& {\stackrel{\·}{P}}_{HP}\end{array}\right]}^T\\ x^{*}={\left[\begin{array}{cc}{x}_1& x_2\end{array}\right]}^T={\left[\begin{array}{cc}q& P_{HP}\end{array}\right]}^T\\ u^{*}={\left[\begin{array}{cc}{u}_1& u_2\end{array}\right]}^T={\left[\begin{array}{cc}{I}_{BT}& P_{HP}\end{array}\right]}^T\\ y^{*}=y\end{array}\right.$

其中，为状态变量的变化率，为状态变量的变化率的矩阵；x为状态变量，x^*为状态变量的矩阵；u为控制变量，u^*为控制变量的矩阵；y为输出变量，y^*为输出变量的矩阵；V_rated为储能电池的额定电压；为储能电池荷电量的变化率；为电热泵群消耗功率的变化率；为储能电池荷电的变化率；为电热泵群消耗功率的变化率；x₁、x₂为状态变量，分别表示为储能电池荷电量q和电热泵群消耗的功率P_HP；u₁、u₂为控制变量，分别表示储能电池电流I_BT和电热泵群消耗功率变化率