CN105680474B - 一种储能抑制光伏电站快速功率变化的控制方法 - Google Patents

Abstract

本发明提供一种储能抑制光伏电站快速功率变化的控制方法，所述方法包括如下步骤：(1)接收电网的有功功率、光伏电站出力的调度数据、预测模型的预测数据和储能系统的约束数据；(2)建立光伏预测模型，并对光伏出力进行预测；(3)使用机会约束的方法求解目标函数，得出储能系统的出力值；(4)控制储能系统的输出功率，抑制光伏阵列产生的波动。本发明实现了良好的抑制光伏电站功率波动效果，降低系统成本，提高光伏电站接入电网的稳定性。

Description

一种储能抑制光伏电站快速功率变化的控制方法

技术领域

本发明涉及一种控制光伏电站功率变化的控制方法，具体涉及一种储能抑制光伏电站快速功率变化的控制方法。

背景技术

随着光伏发电技术的迅速发展和各项国家政策的出台，我国光伏发电装机容量不断增加，国家能源局公布2014年光伏发电累计装机容量2805万千瓦，其中光伏电站2338万千瓦，分布式光伏467万千瓦。这些光伏电站大多位于光资源丰富西北和西藏地区，而光伏发电受天气条件的影响具有极大的不确定性，其间歇性和波动性微电网的调度运行带来了新的挑战。储能系统为解决光伏发电波动性问题提供了新的思路，通过在光伏电站配置相应容量的储能系统，可以显著改善光伏电站的有功输出特性，进而提高电网运行的安全性和稳定性。

对于大型光伏电站而言，多使用集中式储能配置方式，即光伏阵列和储能系统分别通过逆变器接入交流母线，再通过变压器接入电网，储能系统接入交流母线，直接对整个光伏电站进行削峰填谷、平抑波动。现有储能系统控制策略只对光伏电站的功率输出曲线进行简单补偿，不具备准确的光伏发电出力预测模型，采用离线方法对光伏电站和储能进行控制将产生较大偏差，配置的储能系统容量也未得到优化，同时也使得储能深度充放电影响其使用寿命。

发明内容

为了克服上述现有技术的不足，本发明提供一种储能抑制光伏电站快速功率变化的控制方法，本发明实现了良好的抑制光伏电站功率波动效果，降低系统成本，提高光伏电站接入电网的稳定性。

为了实现上述发明目的，本发明采取如下技术方案：

一种储能抑制光伏电站快速功率变化的控制方法，所述方法包括如下步骤：

(1)接收电网的有功功率、光伏电站出力的调度数据、预测模型的预测数据和储能系统的约束数据；

(2)建立光伏预测模型，并对光伏出力进行预测；

(3)使用机会约束的方法求解目标函数，得出储能系统的出力值；

(4)控制储能系统的输出功率，抑制光伏阵列产生的波动。

优选的，所述步骤(1)中，所述光伏电站出力的调度数据包括预测前一日的光伏出力、环境温度、光板温度和相对湿度，所述预测数据包括预测日的环境温度、光电板温度和相对湿度。

优选的，所述步骤(1)中，所述电网的有功功率为光伏阵列和储能系统的输出功率之和，公式如下：

P_G(k+1)＝P_B(k)+P_P(k) (1)

式中，P_G(k+1)为k+1时刻的光储联合输出功率，P_B(k)为k时刻的储能输出功率，P_P(k)为k时刻的原始光伏电站输出功率；

所述储能系统SOC的计算公式如下：

E_B(k+1)＝E_B(k)-ηΔT_BP_B(k) (2)

式中，E_B(k+1)为k+1时刻的储能系统荷电状态，E_B(k)为k时刻的储能系统荷电状态，η为储能充放电效率系数，ΔT_B为采样时间常数，其值为采样时间/60min。

优选的，所述步骤(1)中，所述约束数据包括：储能系统的荷电状态和充放电功率的约束条件；

储能系统的荷电状态限制：

SOC_min≤E_B(k+h|k)≤SOC_max，h＝1,2,…,H (3)

储能系统的充放电功率限制：

-P_B,max≤P_B(k+h|k)≤P_B,max，h＝1,2,…,H (4)

SOC_min和SOC_max分别为储能系统的荷电状态的下限和上限，-P_B,max和P_B,max分别为储能系统的充放电功率的下限和上限，(k+h|k)代表采样时间k时刻对k+h时刻的预测值，H为预测时长。

优选的，所述步骤(2)中，根据BP神经网络方法建立所述光伏预测模型，公式如下：

x＝f(w₁u+b₁) (5)

y＝f(w₂x+b₂) (6)

式中u、x、y分别表示r维输入层节点向量、n维隐含层节点向量和m维输出节点向量，w₁和w₂分别表示输入层到隐含层和隐含层到输出层的连接权值，b₁和b₂分别表示隐含层和输出层的阈值，f()为层与层之间的传递函数，选用S型函数

优选的，所述步骤(3)中，所述目标函数为光储联合输出功率的波动值的平方和、光储联合输出功率与调度要求之差的平方和、储能充放电量的平方各自乘以权重系数后的和，即：

式中，J为目标函数，(k+h|k)代表采样时间k时刻对k+h时刻的预测值，H为预测时长，α、β为权重值，P_D()是电网对光伏电站的要求功率，即调度数据。

优选的，所述步骤(3)中，基于所述储能系统的约束数据使用所述机会约束的方法，引入新的变量P₁(k+h|k)、P₂(k+h|k)，从而引入新的机会约束Pr[|P_G(k+h|k)-P_G(k+h-1|k)|≤P₁(k+h|k)]≥γ，Pr[|P_G(k+h|k)-P_D(k+h|k)|≤P₂(k+h|k)]≥η，γ,η∈(0,1)，代表概率，Pr[X]表示事件X发生的可能性，进而求解目标函数的最小值。

与现有技术相比，本发明的有益效果在于：

本发明基于模型预测控制方法，设计储能抑制光伏电站快速功率变化控制策略，可以实现良好的抑制光伏电站功率波动效果，降低系统成本，提高光伏电站接入电网的稳定性。

附图说明

图1是本发明提供的光伏电站和储能联合系统示意图

图2是本发明提供的一种储能抑制光伏电站快速功率变化的控制方法的流程图

图3是本发明提供的BP神经网络预测模型示意图

图4是本发明提供的预测模型预测控制结构图

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，本发明中光伏电站和储能联合系统的拓扑结构为：包含光伏阵列、储能系统、两个变流器、一台变压器和一个MPC(模型预测控制)控制器，光伏阵列和储能系统分别通过变流器接入交流母线，再通过变压器接入电网。输入电网的有功功率为光伏阵列和储能系统的输出功率之和。MPC控制器接收电网对光伏电站出力的调度数据、预测模型的预测数据和储能电池的约束数据，并将这些数据带入优化模型，使用机会约束的方法求解目标函数，得出储能系统的出力值，进而控制储能系统的输出功率，抑制光伏阵列产生的波动，跟踪调度指令的要求。

如图2所示，为本发明提供的一种储能抑制光伏电站快速功率变化的控制方法，包括如下步骤：

步骤1、接收电网的有功功率、光伏电站出力的调度数据、预测模型的预测数据和储能系统的约束数据；

所述光伏电站出力的调度数据包括预测前一日的光伏出力、环境温度、光板温度和相对湿度，所述预测数据包括预测日的环境温度、光电板温度和相对湿度。

所述电网的有功功率为光伏阵列和储能系统的输出功率之和，公式如下：

P_G(k+1)＝P_B(k)+P_P(k) (1)

式中，P_G(k+1)为k+1时刻的光储联合输出功率，P_B(k)为k时刻的储能输出功率，P_P(k)为k时刻的原始光伏电站输出功率；

所述储能系统SOC的计算公式如下：

E_B(k+1)＝E_B(k)-ηΔT_BP_B(k) (2)

式中，E_B(k+1)为k+1时刻的储能系统荷电状态，E_B(k)为k时刻的储能系统荷电状态，η为储能充放电效率系数，ΔT_B为采样时间常数，其值为采样时间/60min。

所述约束数据包括：储能系统的荷电状态和充放电功率的约束条件；

储能系统的荷电状态限制：

SOC_min≤E_B(k+h|k)≤SOC_max，h＝1,2,…,H (3)

储能系统的充放电功率限制：

-P_B,max≤P_B(k+h|k)≤P_B,max，h＝1,2,…,H (4)

SOC_min和SOC_max分别为储能系统的荷电状态的下限和上限，-P_B,max和P_B,max分别为储能系统的充放电功率的下限和上限，(k+h|k)代表采样时间k时刻对k+h时刻的预测值，H为预测时长。

步骤2、建立光伏预测模型，并对光伏出力进行预测；

预测模型在某一个采样时刻，对之后H个时刻的光伏出力进行预测，在此基础上，MPC控制器计算出储能系统需要充电或放电的功率，该功率用于补偿调度要求与光伏阵列实际出力的差值，同时，将储能系统的功率和荷电状态的限制考虑在内。在下一时刻，重复这个过程。这样就可以得到符合调度要求的输出功率，即以滚动优化的策略对每一时刻的优化性能指标进行优化，求解该时刻起有限时段内的最优控制策略。

如图3所示，为BP神经网络方法预测模型示意图，BP神经网络方法具有很强的泛化能力和强大的非线性映射能力，这些特性适用于受外界环境影响大，且随机性大的光伏发电系统的功率预测，因而采用此方法建立光伏预测模型。

x＝f(w₁u+b₁) (5)

y＝f(w₂x+b₂) (6)

其中u、x、y分别表示r维输入层节点向量、n维隐含层节点向量和m维输出节点向量。w₁和w₂分别表示输入层到隐含层和隐含层到输出层的连接权值。b₁和b₂分别表示隐含层和输出层的阈值。f(x)为层与层之间的传递函数，选用S型函数

在每一个采样时刻k，光伏预测模型对之后H个时刻的光伏出力进行预测，P_P(k+1)，P_P(k+2)，…，P_P(k+H-1)，根据概率预测计算出储能系统的输出功率P_B(k)，该功率补偿电网对光伏电站的出力要求P_D(k+1)(即调度数据)和光伏电站输出P_P(k+1)之差，抑制光伏的功率波动，在下一采样时刻k+1,重复此过程。

步骤3、使用机会约束的方法求解目标函数，得出储能系统的出力值；

如图4所示，为预测模型预测控制结构图，在MPC中，为抑制光伏电站快速波动、符合调度要求、延长储能系统使用寿命，以光储联合输出功率的波动值的平方和、光储联合输出功率与调度所需功率差值的平方和储能充放电量的平方之和为目标函数，储能荷电状态限制和充放电功率限制为约束条件，最后使用机会约束的方法求目标函数的最小值。

设定目标函数为光储联合输出功率的波动值得平方和、光储联合输出功率与调度要求之差的平方和储能充放电量的平方各自乘以权重系数后的和，即：

其中，(k+h|k)代表采样时间k时刻对k+h时刻的预测值，α、β为权重值。

使用机会约束的方法，引入新的辅助变量P₁(k+h|k)、P₂(k+h|k)，从而引入新的机会约束Pr[|P_G(k+h|k)-P_G(k+h-1|k)|≤P₁(k+h|k)]≥γ，Pr[|P_G(k+h|k)-P_D(k+h|k)|≤P₂(k+h|k)]≥μ，γ,μ∈(0,1)(Pr[X]表示事件X发生的可能性，γ,μ代表概率)，使公式(5)得到简化，进而求解目标函数的最小值。

步骤4、控制储能系统的输出功率，抑制光伏阵列产生的波动。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种储能抑制光伏电站快速功率变化的控制方法，其特征在于，所述方法包括如下步骤：

(1)接收电网的有功功率、光伏电站出力的调度数据、预测模型的预测数据和储能系统的约束数据；

(2)建立光伏预测模型，并对光伏出力进行预测；

(3)使用机会约束的方法求解目标函数，得出储能系统的出力值；

(4)控制储能系统的输出功率，抑制光伏阵列产生的波动；

所述步骤(1)中，所述光伏电站出力的调度数据包括预测前一日的光伏出力、环境温度、光板温度和相对湿度，所述预测数据包括预测日的环境温度、光电板温度和相对湿度；

所述步骤(1)中，所述电网的有功功率为光伏阵列和储能系统的输出功率之和，公式如下：

P_G(k+1)＝P_B(k)+P_P(k) (1)

式中，P_G(k+1)为k+1时刻的光储联合输出功率，P_B(k)为k时刻的储能输出功率，P_P(k)为k时刻的原始光伏电站输出功率；

所述储能系统SOC的计算公式如下：

E_B(k+1)＝E_B(k)-ηΔT_BP_B(k) (2)

式中，E_B(k+1)为k+1时刻的储能系统荷电状态，E_B(k)为k时刻的储能系统荷电状态，η为储能充放电效率系数，ΔT_B为采样时间常数，其值为采样时间/60min；

所述步骤(3)中，所述目标函数为光储联合输出功率的波动值的平方和、光储联合输出功率与调度要求之差的平方和、储能充放电量的平方各自乘以权重系数后的和，即：

式中，J为目标函数，(k+h|k)代表采样时间k时刻对k+h时刻的预测值，H为预测时长，α、β为权重值，P_D()是电网对光伏电站的要求功率，即调度数据。

2.根据权利要求1所述控制方法，其特征在于，所述步骤(1)中，所述约束数据包括：储能系统的荷电状态和充放电功率的约束条件；

储能系统的荷电状态限制：

SOC_min≤E_B(k+h|k)≤SOC_max，h＝1,2,…,H (3)

储能系统的充放电功率限制：

-P_B,max≤P_B(k+h|k)≤P_B,max，h＝1,2,…,H (4)

SOC_min和SOC_max分别为储能系统的荷电状态的下限和上限，-P_B,max和P_B,max分别为储能系统的充放电功率的下限和上限，(k+h|k)代表采样时间k时刻对k+h时刻的预测值，H为预测时长。

3.根据权利要求1所述控制方法，其特征在于，所述步骤(2)中，根据BP神经网络方法建立所述光伏预测模型，公式如下：

x＝f(w₁u+b₁) (5)

y＝f(w₂x+b₂) (6)

式中u、x、y分别表示r维输入层节点向量、n维隐含层节点向量和m维输出节点向量，w₁和w₂分别表示输入层到隐含层和隐含层到输出层的连接权值，b₁和b₂分别表示隐含层和输出层的阈值，f()为层与层之间的传递函数，选用S型函数

4.根据权利要求1所述控制方法，其特征在于，所述步骤(3)中，基于所述储能系统的约束数据使用所述机会约束的方法，引入新的变量P₁(k+h|k)、P₂(k+h|k)，从而引入新的机会约束Pr[|P_G(k+h|k)-P_G(k+h-1|k)|≤P₁(k+h|k)]≥γ，Pr[|P_G(k+h|k)-P_D(k+h|k)|≤P₂(k+h|k)]≥η，γ,η∈(0,1)，代表概率，Pr[X]表示事件X发生的可能性，进而求解目标函数的最小值。

Images