CN107846045B - 一种电池储能系统跟踪风光计划出力的控制方法 - Google Patents

Abstract

本发明对风电场、光伏电站所具有的随机性和间歇性的特点，电场实际发电功率不能跟踪计划发电功率，从而导致对电网安全性、稳定性以及电能质量等造成巨大的冲击和影响，以及出现弃风弃光现象的问题。发明提出了一种基于模型预测控制的电池储能系统跟踪风光计划出力的控制方法，提高风光储联合发电系统中储能系统跟踪计划出力能力，平滑风光联合发电输出、削峰填谷，提高风光发电利用率。该方法根据采集风电场、光伏电站日前功率计划出力数据、建立储能系统功率出力模型，制定出参考模型轨迹，建立储能系统出力闭环预测模型以及控制算法的滚动优化，求出满足跟踪期望轨迹优化目标函数最小的控制量，实现对储能系统跟踪风光计划出力精确的控制。

Description

一种电池储能系统跟踪风光计划出力的控制方法

技术领域

本发明属于新能源发电控制技术领域，涉及一种基于模型预测控制的电池储能系统跟踪风光计划出力的控制方法。

背景技术

近年来，由于在风光储联合发电中应用储能系统跟踪计划出力以提高风光发电效率的应用价值极高，不但可以平滑风光联合发电输出、削峰填谷，而且可以减少弃风弃光的现象，提高风光发电利用率，因此风光储联合发电中应用储能系统跟踪计划出力以提高风光发电效率的控制问题近几年来成为一个热点问题。

目前，国内外均已有了多项关于风光储联合应用的示范项目工程，但对储能系统的控制与分析更多的是关于平滑风电输出、削峰填谷以及系统调频几方面，基于风光储联合应用以提高跟踪风光发电计划出力能力的研究成果还相对较少。由于蓄电池储能系统有着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；同时又由于风光发电日前预测误差经常会出现在一个时间段内，出现持续不满足预测误差要求的情况，对储能系统在某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。

发明内容

针对风电场、光伏电站所具有的随机性和间歇性的特点，电场实际发电功率不能跟踪计划发电功率，从而导致对电网安全性、稳定性以及电能质量等造成巨大的冲击和影响，以及出现弃风弃光现象的问题。为实现对储能系统出力精确的控制，提出了一种基于模型预测控制的电池储能系统跟踪风光计划出力的控制方法，进而提高风光储联合发电系统中储能系统跟踪计划出力能力，平滑风光联合发电输出、削峰填谷，也提高了风光发电利用率。该方法根据采集风电场、光伏电站日前功率计划出力数据、建立储能系统功率出力模型，制定出参考模型轨迹，通过建立储能系统出力闭环预测模型以及控制算法的滚动优化，求出满足跟踪期望轨迹优化目标函数最小的控制量，从而实现对储能系统跟踪风光计划出力精确的控制。

具体步骤为：

步骤一，采集风电场、光伏电站的功率计划出力数据；

步骤二，基于第一步采集风电场、光伏电站的功率计划出力数据，建立电池储能系统的功率出力模型；

步骤三，基于第二步建立电池储能系统的功率出力模型，建立参考轨迹模型；

步骤四，基于第三步建立参考轨迹模型，建立闭环预测模型；

步骤五，基于第四步建立闭环预测模型，根据模型预测控制算法计算得出最优控制量。

进一步的，步骤一中采集数据，求出系统设定值

y_s(k)＝y_f(k)-y_w(k) (3)

式中，y_f(k)为k时刻系统风电场、光伏电站的计划功率出力值；y_w(k)为k时刻系统风电场、光伏电站的实际功率出力值；y_s(k)为系统k时刻系统的设定值，它是由电池系统的计划功率出力值与实际功率出力值做差所得。

进一步的，步骤二中电池储能系统的功率出力模型采用对电池储能系统的电量进行逐时刻积累的方式，进而来表示电池储能系统的充、放电的过程，用电池储能系统的充、放电过程中的效率近似的等效充、放电过程中的电能损耗；电池储能系统不断变化的剩余电量与任意时刻的充放电功率、充放电效率和自放电率相关，剩余电量递推关系如下：

充电过程

E(k)＝(1-σ_sdr)E(k-1)-y(k)Δtη_C (4)

放电过程

E(k)＝(1-σ_sdr)E(k-1)-y(k)Δt/η_D (5)

式中，E(k)为k时刻末该电池储能系统的剩余电池容量，MW·min；y(k)为k时刻电池储能系统的充、放电功率值；σ_sdr为电池储能系统的自放电率，min；η_C为该电池储能系统的充电效率；η_D为该电池储能系统的放电效率；Δt为计算窗口时长，min；

在电池储能系统充、放电过程中，其允许的最大充电功率和最大放电功率以及剩余容量的边界分别如下：

充电过程、放电过程对于电池储能系统最大出力的限制分别为：

电池储能系统剩余容量的限制为：

E_min≤E(k)≤E_max (8)

电池储能系统k时刻充放电功率限制由该时刻电池储能系统的剩余电量和电池储能系统自身特性共同决定，具体表达式如下：

电池储能系统k时刻，充电过程对于充电功率限制值为：

电池储能系统k时刻，放电过程对于放电功率限制值为：

式中，

为电池储能系统最大允许充电功率值(MW)，由电池储能系统自身特性决定；/>

为电池储能系统最大允许放电功率值(MW)，由电池储能系统自身特性决定；y_min为电池储能系统最小容量限制(MW·h)；y_max为电池储能最大；容量限制(MW·h)；y_limit(k)为电池储能介质充、放电功率限制值。

进一步的，步骤三中在线校正建立电池储能系统的闭环预测模型方法为：

将第k步的实际对象的输出测量值与预测模型输出之间的误差附加到模型的预测输出y_m(k+i)上，得到闭环预测模型，用y_p(k+1)表示，即:

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (11)

式中：

y_p(k+1)＝[y_p(k+1),y_p(k+2),…,y_p(k+P)]^T,h₀＝[1,1,…,1]^T (12)

如果以i时刻为预测模型的起点，可以列出其闭环预测模型为：

已知脉冲响应和阶跃响应系数之间有如下关系：

展开式稍加整理，然后将后两式代入，可以得到闭环预测模型为：

y_p(k+1)＝h₀y(k)+p+AΔu(k+1) (16)

式中，y_s为采集到的风电场、光伏电站出力计划值作为系统的设定值；P为预测步长；y_m(k)为电池储能系统的预测模型输出；

p＝[P₁,P₂,…,P_P]^T；

h₀＝[1,1,…,1]^T；

y_p(k+1)＝[y_p(k+1),y_p(k+2),…,y_p(k+P)]^T；

Δu(k+1)＝[Δu(k),Δu(k+1),…,Δu(k+P-1)]^T；

进一步的，步骤四中参考轨迹模型预测控制的目标是使电池储能系统的输出y(t)沿着一条预先规定的轨迹逐渐达到设定值y_sp；这条预先规定的轨迹称为参考轨迹y_r；参考轨迹采用从现在时刻实际值出发的一阶指数形式；它在未来P个时刻的值为：

式中，y_r(k+i)为参考模型轨迹函数；T为采用周期；α为柔化系数，且0＜α＝exp(-T/τ)＜1；τ为参考轨迹的时间常数。

进一步的，步骤五中滚动优化步骤为：

首先，假设被控对象实际脉冲相应及其预测模型的脉冲响应分别为：

h＝[h₁,h₂,…,h_N]^T (18)

可以得到闭环预测模型为：

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (20)

可以得到闭环预测控制模型的单步控制输出为：

已知电池储能系统的预测模型和闭环校正预测模型分别为：

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (23)

并且已知电池储能系统输出的参考轨迹为y_r(k+1)，设系统误差方程为：

e(k+1)＝y_r(k+1)-y_p(k+1) (24)

优化性能函数为：

式中，Q₁为非负定加权对称矩阵；Q₂为正定控制加权对称矩阵；

由

使得上式优化性能目标函数最小，可以求得最优控制量Δu₂为：

式中，e'为参考轨迹与零输入响应下闭环预测输入之差，即为：

本发明的优点在于，采用模型预测控制的电池储能系统跟踪风光计划出力的控制方法时，提高风光储联合发电系统中储能系统跟踪计划出力能力，并且平滑风光联合发电输出、削峰填谷，提高了风光发电利用率，安全性、稳定性和电能质量等都很大的得到了提高；同时该方法还具有相应速度快、风光联合发电的预测性高，出力偏差小的优点。

附图说明

图1预测控制原理示意图

图2预测控制算法原理图

图3预测控制系统结构框图

图4滚动优化原理图

图5在线误差校正原理图

图6电池储能系统模型预测控制设计框图

图7基于模型预测控制的电池储能系统跟踪风光计划出力的流程图

具体实施方式

1.理论基础

预测控制原理示意图如图1所示。

如图1中y_sp为设定值，即系统要弥补的差值；y(t)为控制对象的输出值；0时刻代表当前的时刻，0时刻左右两边的曲线分别代表过去、将来的输出与控制；预测控制的算法就是要根据预测输出y_p(k)与期望输出y_r(k)的差值e(k)，计算出当前和将来L时刻使得e(k)最小的最优控制量u(k)。

预测控制是是通过达到某一性能指标最优来确定未来的控制作用。传统意义的最优控制一般是指全局最优，而预测控制中的优化是一种有限时间段的滚动优化。即是说，在预测控制中，优化不是一次离线进行，而是不同时间段内反复在线进行的。

预测控制算法原理图如图2所示。

如图2中，u(k)为对被控对象的控制作用；y(k+1)为被控对象k+1时刻的输出值；y(k)为被控对象k时刻的输出值；y_m(k+1)为被控对象预测模型k+1时刻的预测输出值；y_m(k)为被控对象预测模型k时刻的预测输出值。根据算法实现的具体形式，可以得到不同的预测控制衍生算法。

预测控制系统结构框图如图3所示。

如图3中，预测控制系统由：参考轨迹，预测模型，滚动优化，在线校正等四个部分组成，如图3所示。预测控制是以不同的预测模型为基础，采用在线滚动优化指标和反馈自校正策略，克服被控对象的不确定性、不稳定性等因素的影响，达到预期的控制目标——参考轨迹输入，使系统具有很好的鲁棒性和稳定性。

(1)参考轨迹

在预测控制过程中，考虑到过程的动态特性，为了避免控制过程出现输入和输出的剧烈变化，一般情况下会要求控制过程的轨迹由当前时刻输出值y(k)沿着一条期望的平缓曲线达到设定值，这条由设定值经过在线柔化的曲线被称为参考轨迹，一般表示为y_r(k)，最广泛采用的参考轨迹为一阶指数变化形式：

y_r(k+i)＝αⁱy(k)+(1-αⁱ)y_r (1)

其中

式中，T_s为采用周期；T为参考轨迹的时间常数；下标r指示参考值(ReferenceValue)；y_r为设定值。显然T越小，α越小，参考轨迹也就能够很快地达到设定值y_r。

(2)预测模型

预测模型的作用即是根据被控对象的历史信息和未来的输入，预测被控对象未来的输出，具有展示系统未来动态行为的能力。从方法的角度讲，只要是具有预测功能的信息集合，均可作为预测模型。

(3)滚动优化

滚动优化原理图如图4所示。

如图4所示，1—为参考轨迹；2—为最优预测输出；3—为最优控制作用。

在预测控制中的在线优化方法是通过某一性能指标的最优来确定未来的控制作用，性能指标中涉及系统未来的行为，是根据预测模型由未来的控制动作决定的，在MPC中的优化不是采用一个不变的全局优化指标，而是采用滚动式的、通常是有限时域的优化策略。如图4所示，在每一采样时刻，优化性能指标通常只涉及未来的有限时间，而到下一采样时刻，这一优化时域向前推移。因此MPC在每一时刻有一个相对于该时刻的优化性能指标。不同的时刻优化性能指标的相对形式是相同的，但其绝对形式则是不同的。通常优化不是一次离线进行、而是反复在线运行，这就是滚动优化的含义所在。

(4)在线校正

在线误差校正原理图如图5所示。

如图5中，u_k-1为k-1时刻的控制作用；u_k为k时刻的控制作用；

为k时刻模型预测的k+1时刻的输出；/>

为k+1时刻的实际输出；y₁为k时刻模型预测的输出；y₂为k+1时刻模型预测的输出。在线校正的形式是多种多样的，可以在保持模型不变的基础上，对未来的误差做出预测并加以补偿，也可以采用在线辨识的方法直接修改预测模型。

2.电池储能系统跟踪风光计划出力的预测控制

电池储能系统模型预测控制设计框图如图6所示。

如图6中，y_sp为系统设定值，即系统要弥补的差值，y(k)为电池储能系统的功率出力，y_r(k+1)为对象输出的参考轨迹，e(k+1)为系统的误差，y_m(k)为电池储能系统k时刻的预测模型输出，y_m(k+1)为电池储能系统k+1时刻的预测模型输出，y_p(k+1)为电池储能系统k+1时刻在线校正的预测模型输出，Δu(k)为系统计算得出的最优控制量。

模型预测控制的电池储能系统跟踪风光计划出力的流程图如图7所示。

如图7所示，第一步采集风电场、光伏电站的功率计划出力数据；第二步基于第一步采集风电场、光伏电站的功率计划出力数据，建立电池储能系统的功率出力模型；第三步基于第二步建立电池储能系统的功率出力模型，建立参考轨迹模型；第四步基于第三步建立参考轨迹模型，建立闭环预测模型；第五步基于第四步建立闭环预测模型，根据模型预测控制算法计算得出最优控制量。

2.1采集数据，求出系统设定值

y_s(k)＝y_f(k)-y_w(k) (3)

式中，y_f(k)为k时刻系统风电场、光伏电站的计划功率出力值；y_w(k)为k时刻系统风电场、光伏电站的实际功率出力值；y_s(k)为系统k时刻系统的设定值，它是由电池系统的计划功率出力值与实际功率出力值做差所得。

2.2、电池储能系统的功率出力模型

本办法采用对电池储能系统的电量进行逐时刻积累的方式，进而来表示电池储能系统的充、放电的过程，用电池储能系统的充、放电过程中的效率近似的等效充、放电过程中的电能损耗。电池储能系统不断变化的剩余电量与任意时刻的充放电功率、充放电效率和自放电率相关，剩余电量递推关系如下：

充电过程

E(k)＝(1-σ_sdr)E(k-1)-y(k)Δtη_C (4)

放电过程

E(k)＝(1-σ_sdr)E(k-1)-y(k)Δt/η_D (5)

式中，E(k)为k时刻末该电池储能系统的剩余电池容量，MW·min；y(k)为k时刻电池储能系统的充、放电功率值；σ_sdr为电池储能系统的自放电率，min；η_C为该电池储能系统的充电效率；η_D为该电池储能系统的放电效率；Δt为计算窗口时长，min。

在电池储能系统充、放电过程中，其允许的最大充电功率和最大放电功率以及剩余容量的边界分别如下：

充电过程、放电过程对于电池储能系统最大出力的限制分别为：

电池储能系统剩余容量的限制为：

E_min≤E(k)≤E_max (8)

电池储能系统k时刻充放电功率限制由该时刻电池储能系统的剩余电量和电池储能系统自身特性共同决定，具体表达式如下：

电池储能系统k时刻，充电过程对于充电功率限制值为：

电池储能系统k时刻，放电过程对于放电功率限制值为：

式中，

为电池储能系统最大允许充电功率值(MW)，由电池储能系统自身特性决定；/>

为电池储能系统最大允许放电功率值(MW)，由电池储能系统自身特性决定；y_min为电池储能系统最小容量限制(MW·h)；y_max为电池储能最大；容量限制(MW·h)；y_limit(k)为电池储能介质充、放电功率限制值。

在电池储能系统的实际运行过程中，为了使得电池储能系统具有比较强的充电能力和放电能力，剩余电量最佳的状态是保持在额定容量的60％左右，剩余电量过高和过低都会降低储能系统允许的最大充、放电功率值，从而降低了电池储能系统对风电功率的控制效果。

2.3、在线校正建立电池储能系统的闭环预测模型

本预测控制中的优化不仅是基于模型，而且利用了反馈信息构成了闭环优化。通过优化方法确定了一系列未来的控制作用后，为防止模型误差或环境干扰引起控制效果偏离理想输出，并不是把所有控制作用逐一全部施加，是将下一时刻的控制作用，要通过此时刻的实际输出与模型预测输出之间的偏差对预测模型进行修正后，再通过新的优化产生新的控制作用，作用到电池储能系统上去。即第k步的实际对象的输出测量值与预测模型输出之间的误差附加到模型的预测输出y_m(k+i)上，得到闭环预测模型，用y_p(k+1)表示，即:

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (11)

式中：

y_p(k+1)＝[y_p(k+1),y_p(k+2),…,y_p(k+P)]^T,h₀＝[1,1,…,1]^T (12)

如果以i时刻为预测模型的起点，可以列出其闭环预测模型为：

已知脉冲响应和阶跃响应系数之间有如下关系。

展开式稍加整理，然后将后两式代入，可以得到闭环预测模型为：

y_p(k+1)＝h₀y(k)+p+AΔu(k+1) (16)

式中，y_s为采集到的风电场、光伏电站出力计划值作为系统的设定值；P为预测步长；y_m(k)为电池储能系统的预测模型输出；

p＝[P₁,P₂,…,P_P]^T；

h₀＝[1,1,…,1]^T；

y_p(k+1)＝[y_p(k+1),y_p(k+2),…,y_p(k+P)]^T；

Δu(k+1)＝[Δu(k),Δu(k+1),…,Δu(k+P-1)]^T；

从上式可以看出，由于每个预测时刻都引入了当时实际对象输出和模型输出的偏差，使闭环预测模型不断得到修正，显然这种方法可以有效地克服模型的不精确性和系统中存在的不确定性。因此，反馈修正是预测控制的特点之一。

2.4、参考轨迹模型

预测控制的目标是使电池储能系统的输出y(t)沿着一条预先规定的轨迹逐渐达到设定值y_sp。这条预先规定的轨迹称为参考轨迹y_r。通常参考轨迹采用从现在时刻实际值出发的一阶指数形式。它在未来P个时刻的值为：

式中，y_r(k+i)为参考模型轨迹函数；T为采用周期；α为柔化系数，且0＜α＝exp(-T/τ)＜1；τ为参考轨迹的时间常数。

从式子中可以看到，采用这种形式的参考轨迹，将减小过量的控制作用，使系统的输出能平滑地达到设定值。并且，柔化系数α改变设定值参考轨迹的形状，在其他参数已经确定不变的情况下，增加α会使参考轨迹曲线变化更平缓，从而减小控制量，使被控过程更加平稳，系统的稳定性和鲁棒性也得以提高。相反，减小α则会改善系统的动态响应，但稳定性和鲁棒性将变差。因此，应在两者兼顾的原则下预先设计和在线调整α值。

2.5、滚动优化

首先，假设被控对象实际脉冲相应及其预测模型的脉冲响应分别为：

h＝[h₁,h₂,…,h_N]^T (18)

可以得到闭环预测模型为：

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (20)

可以得到闭环预测控制模型的单步控制输出为：

已知电池储能系统的预测模型和闭环校正预测模型分别为：

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (23)

并且已知电池储能系统输出的参考轨迹为y_r(k+1)，设系统误差方程为：

e(k+1)＝y_r(k+1)-y_p(k+1) (24)

优化性能函数为：

式中，Q₁为非负定加权对称矩阵；Q₂为正定控制加权对称矩阵。

由

使得上式优化性能目标函数最小，可以求得最优控制量Δu₂为：

式中，e'为参考轨迹与零输入响应下闭环预测输入之差，即为：

以上所述仅为本发明的较佳实例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (4)

1.一种电池储能系统跟踪风光计划出力的控制方法，其特征在于，步骤为：

步骤一，采集风电场、光伏电站的功率计划出力数据；

步骤二，基于第一步采集风电场、光伏电站的功率计划出力数据，建立电池储能系统的功率出力模型；

步骤三，基于第二步建立电池储能系统的功率出力模型，建立参考轨迹模型；

步骤四，基于第三步建立参考轨迹模型，建立闭环预测模型；

步骤五，基于第四步建立闭环预测模型，根据模型预测控制算法计算得出最优控制量；

步骤三中参考轨迹模型建立方法为：

参考轨迹模型预测控制的目标是使电池储能系统的输出y(t)沿着一条预先规定的轨迹逐渐达到设定值y_sp；这条预先规定的轨迹称为参考轨迹y_r；参考轨迹采用从现在时刻实际值出发的一阶指数形式；它在未来P个时刻的值为：

式中，y_r(k+i)为参考模型轨迹函数；α为柔化系数，且0＜α＝exp(-T/τ)＜1；τ为参考轨迹的时间常数；

步骤四建立中闭环预测模型方法为：

将第k时刻的实际对象的输出测量值与预测模型输出之间的误差附加到模型的预测输出y_m(k+1)上，得到闭环预测模型，用y_p(k+1)表示，即:

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (11)

式中：

y_p(k+1)＝[y_p(k+1),y_p(k+2),···,y_p(k+P)]^T,h₀＝[1,1,…,1]^T (12)

如果以i时刻为预测模型的起点，可以列出其闭环预测模型为：

已知脉冲响应和阶跃响应系数之间有如下关系：

/>

展开式稍加整理，然后将

p＝[P₁,P₂,···,P_P]^T；

h₀＝[1,1,···,1]^T；

y_p(k+1)＝[y_p(k+1),y_p(k+2),···,y_p(k+P)]^T；

Δu(k+1)＝[Δu(k),Δu(k+1),···,Δu(k+P-1)]^T；

代入，可以得到闭环预测模型为：

y_p(k+1)＝h₀y(k)+p+AΔu(k+1) (16)

式中，光伏电站出力计划值作为系统的设定值；p为预测步长；Δu为控制变量序列增量。

2.根据权利要求1所述的一种电池储能系统跟踪风光计划出力的控制方法，其特征在于，步骤一中采集数据，求出系统设定值

y_s(k)＝y_f(k)-y_w(k) (3)

式中，y_f(k)为k时刻系统风电场、光伏电站的计划功率出力值；y_w(k)为k时刻系统风电场、光伏电站的实际功率出力值；y_s(k)为系统k时刻系统的设定值，它是由电池系统的计划功率出力值与实际功率出力值做差所得。

3.根据权利要求1所述的一种电池储能系统跟踪风光计划出力的控制方法，其特征在于，步骤二中电池储能系统的功率出力模型采用对电池储能系统的电量进行逐时刻积累的方式，进而来表示电池储能系统的充、放电的过程，用电池储能系统的充、放电过程中的效率近似的等效充、放电过程中的电能损耗；电池储能系统不断变化的剩余电量与任意时刻的充放电功率、充放电效率和自放电率相关，剩余电量递推关系如下：

充电过程

E(k)＝(1-σ_sdr)E(k-1)-y(k)Δtη_C (4)

放电过程

E(k)＝(1-σ_sdr)E(k-1)-y(k)Δt/η_D (5)

式中，E(k)为k时刻末该电池储能系统的剩余电池容量，MW·min；y(k)为k时刻电池储能系统的充、放电功率值；σ_sdr为电池储能系统自放电率；η_C为该电池储能系统的充电效率；η_D为该电池储能系统的放电效率；Δt为计算窗口时长，min；

在电池储能系统充、放电过程中，其允许的最大充电功率和最大放电功率以及剩余容量的边界分别如下：

充电过程、放电过程对于电池储能系统最大出力的限制分别为：

电池储能系统剩余容量的限制为：

E_min≤E(k)≤E_max (8)

电池储能系统k时刻充放电功率限制由该时刻电池储能系统的剩余电量和电池储能系统自身特性共同决定，具体表达式如下：

电池储能系统k时刻，充电过程对于充电功率限制值为：

电池储能系统k时刻，放电过程对于放电功率限制值为：

式中，

为电池储能系统最大允许充电功率值(MW)，由电池储能系统自身特性决定；/>

为电池储能系统最大允许放电功率值(MW)，由电池储能系统自身特性决定；E_min电池储能系统最小电池储能系统剩余容量限制(MW·h)、E_max电池储能系统最大电池储能系统剩余容量限制(MW·h)；y_limit(k)为电池储能介质充、放电功率限制值。

4.根据权利要求1所述的一种电池储能系统跟踪风光计划出力的控制方法，其特征在于，步骤五中滚动优化步骤为：

首先，假设被控对象实际脉冲响应及其预测模型的脉冲响应分别为：

h＝[h₁,h₂,···,h_N]^T (18)

可以得到闭环预测模型为：

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (20)

可以得到闭环预测控制模型的单步控制输出为：

已知电池储能系统的预测模型和闭环校正预测模型分别为：

y_p(k+1)＝y_m(k+1)+h₀[y(k)-y_m(k)] (23)

并且已知电池储能系统输出的参考轨迹为y_r(k+1)，设系统误差方程为：

e(k+1)＝y_r(k+1)-y_p(k+1) (24)

优化性能函数为：

式中，Q₁为非负定加权对称矩阵；Q₂为正定控制加权对称矩阵；

由

使得上式优化性能目标函数最小，可以求得最优控制量Δu₂为：

式中，e'为参考轨迹与零输入响应下闭环预测输入之差，即为：

/>

Images