CN110556868A - 一种考虑电压稳定性的风电接入系统储能充放电控制方法 - Google Patents

Abstract

本发明涉及一种考虑电压稳定性的风电接入系统储能充放电控制方法，根据系统实时网络信息和预测风电场出力情况，以提高风电接入系统整体电压稳定性为目标，确定储能装置的工作状态，进而制定储能装置充/放电方案，包括如下步骤：步骤S1：利用风电预测值确定典型风电出力场景；步骤S2：以风电接入系统整体电压稳定指标最小为目标函数，并确定约束条件，以此建立储能充放电控制模型；步骤S3：利用量子粒子群求解储能充放电控制模型，从而获得各个时间段储能装置充放电方案。本发明既简单快速，又可充分发挥储能装置作用，改善系统电压稳定性。

Description

一种考虑电压稳定性的风电接入系统储能充放电控制方法

技术领域

本发明涉及电力系统技术领域，特别是一种考虑电压稳定性的风电接入系统储能充放电控制方法。

背景技术

随着风电发展，当前电力系统中风电在发电结构中所占的比例不断提高，电力系统的结构及运行方式也变得愈加复杂，使得系统的电压稳定性问题受到了更强力的挑战。储能装置主要用以补充系统中的供需平衡关系，将间歇性能源的电量在供过于求时进行储能，在供不应求时发出，然而储能设备除了能提供出力以外，仍可兼顾例如抑制风电反调峰和出力波动、改善系统稳定等功能。因此，需要设计一种考虑电压稳定性的风电接入系统储能充放电控制方法，来提高电力系统储能设备的综合利用，对间歇性能源渗透率不断提高的电力系统具有重要意义。

本发明利用根据系统广域测量网络信息和预测风电场出力情况，以提高系统整体电压稳定性为目标，确定储能装置的工作状态，进而制定储能装置充/放电方案。

发明内容

有鉴于此，本发明的目的是提供一种考虑电压稳定性的风电接入系统储能充放电控制方法，能够既简单快速，又可充分发挥储能装置作用，改善系统电压稳定性。

本发明采用以下方案实现：一种考虑电压稳定性的风电接入系统储能充放电控制方法，包括以下步骤：

步骤S1：利用获取的风电预测值确定典型风电出力场景；

步骤S2：以风电接入系统整体电压稳定指标最小为目标函数，并确定约束条件，以此建立储能充放电控制模型；

步骤S3：利用量子粒子群求解储能充放电控制模型，从而获得各个时间段储能装置充放电方案。

进一步地，步骤S1中所述利用获取的风电预测值确定典型风电出力场景的具体内容为：令μ为某一时间断面上的风速超短期预测出力值，利用风速超短期预测出力值μ确定风电场等效出力，确定风电系统内所有风电场出力情况后将其视为典型风电出力场景，风电场出力P_w具体如下：

式中：N为被风力发电机台数；μ为风速超短期预测出力值；PC为风力发电机的功率曲线函数。

进一步地，步骤S2中所述风电接入系统整体电压稳定指标具体为，以L指标为衡量电压稳定性的静态指标：

式中：N_D表示所有负荷节点集；表示节点i和节点j之间的互阻抗的共轭；S_i表示节点i的注入功率；V_i、V_j分别表示节点i和节点j的节点电压；

计算各个风电典型场景中各个负荷节点的L指标，并利用能够衡量一段时间范围内电压稳定性的总体指标L_TD来表示节点在某时段内的电压稳定程度，表达如下：

式中：L_t为时间断面t的L指标；T为时段内的时间断面集合。

进一步地，步骤S2中所述以风电接入系统整体的电压稳定指标最小建立目标函数：

式中：P_k为场景k的发生概率；为场景k下的L_TD；N为总代表性场景数。

进一步地，步骤S2中所述确定约束条件具体包括以下步骤：

步骤SA：功率平衡约束:风电接入系统总有功、无功功率需保持平衡，即

式中：P_i、Q_i为节点i注入的有功功率、无功功率；G_ij、B_ij及θ_ij分别为节点i、j间的电导、电纳和电压相角差；

步骤SB：电压约束：各节点电压需保持在限定范围内，即

V_i.min≤V_i≤V_i.max

式中：V_i.max为节点i的电压上限；V_i.min为节点i的电压下限；

步骤SC：储能充/放电功率约束：充/放电过程对于储能最大出力的限制分别为：

式中：P_s(t)为t时刻的储能充/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；

步骤SD：储能剩余电量约束：储能剩余电量需保持在以下范围内：

E_min≤E(t)≤E_max

式中：E_min为储能系统最小电量限制；E_max为储能系统最大电量限制；E(t)代表t时刻结束时的剩余电量，如下式所示：

充电过程：E(t)＝(1-σ_sdr)E(t-1)-P_s(t)Δtη_c

放电过程：E(t)＝(1-σ_sdr)E(t-1)-P_s(t)Δt/η_d

式中：σ_sdr为储能系统的自放电率；η_c、η_d为储能系统的充电、放电效率；Δt为计算窗口时长；

步骤SE：储能始末状态一致约束：为确保储能系统工作的可持续性，需保证控制周期的初末状态一致，即：

E(t_b)＝E(t_e)

式中：t_b为储能系统控制周期初时刻；t_e为储能系统控制周期末时刻；

其中各个时间断面的负荷信息由预测负荷曲线提供，以此进行各个时间断面L指标的计算。

进一步地，所述步骤S3具体包括以下步骤：

步骤S31：获取电网结构、风电超短期预测值、除风电场外其他常规发电厂的发电方案和负荷超短期预测数据。

步骤S32：初始化粒子群，定义迭代次数n以及收敛精度m；

步骤S33：进行潮流计算，计算场景k下的L_TD；

步骤S34：通过量子粒子群算法寻找最优发电计划，得到L_TD最小时的粒子最优位置及群体全局最优位置；

步骤S35：判断是否达到粒子群迭代次数上限n或者是否满足精度m要求，若是则执行步骤S36；否则进行粒子更新，并返回步骤S33；

步骤S36：判断是否完成所有时间断面典型场景中发电计划的优化，若是则执行步骤S37；否则返回步骤S33对剩余场景继续重复寻优；

步骤S37：输入提供的所有风电典型动态场景的充/放电计划；

步骤S38：初始化粒子群，定义迭代次数p以及收敛精度q，以及L指标范围L_min、L_max；

步骤S39：进行潮流计算，根据以下公式计算适应度；

步骤S310：通过量子粒子群算法寻优，得到粒子最优位置及群体全局最优位置；

步骤S311：判断是否达到迭代次数上限p或者是否满足收敛精度q要求，若是则执行步骤S312；否则进行充/放电量粒子更新，并返回步骤S39；

步骤S312：得到最终储能控制计划：通过储能系统倾向于在L指标小于L_min时即电压稳定性较好时进行充电，而在L指标大于L_max时即电压稳定性较差时进行放电。

与现有技术相比，本发明具有以下有益效果：

本发明仅需要获知局部电网信息、风电场及负荷预测情况，便可计算出改善系统电压稳定性的储能充放电控制方法。相比于现有方法，既简单快速，又可充分发挥储能装置作用，改善系统电压稳定性。

附图说明

图1为本发明实施例的计算示例IEEE14节点图。

图2为本发明实施例的节点9、14风电预测出力与实际出力图。

图3为本发明实施例的储能系统充/放电功率图。

图4为本发明实施例的储能系统参与前后L指标图。

图5为本发明实施例的储能控制模型求解流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本实施例还提供一种考虑电压稳定性的风电接入系统储能充放电控制方法，包括以下步骤：

步骤S1：利用获取的风电预测值确定典型风电出力场景；

步骤S2：以风电接入系统整体电压稳定指标最小为目标函数，并确定约束条件，以此建立储能充放电控制模型；

步骤S3：利用量子粒子群求解储能充放电控制模型，从而获得各个时间段储能装置充放电方案。

在本实施例中，步骤S1中所述利用获取的风电预测值确定典型风电出力场景的具体内容为：令μ为某一时间断面上的风速超短期预测出力值，利用风速超短期预测出力值μ确定风电场等效出力，确定风电系统内所有风电场出力情况后将其视为典型风电出力场景，风电场出力P_w具体如下：

式中：N为被风力发电机台数；μ为风速超短期预测出力值；PC为风力发电机的功率曲线函数。

在本实施例中，步骤S2中所述风电接入系统整体电压稳定指标具体为，以L指标为衡量电压稳定性的静态指标：

式中：N_D表示所有负荷节点集；表示节点i和节点j之间的互阻抗的共轭；S_i表示节点i的注入功率；V_i、V_j分别表示节点i和节点j的节点电压；

计算各个风电典型动态场景中各个负荷节点的L指标，并利用能够衡量一段时间范围内电压稳定性的总体指标L_TD来表示节点在某时段内的电压稳定程度，表达如下：

式中：L_t为时间断面t的L指标；T为时段内的时间断面集合。

在本实施例中，步骤S2中所述以风电接入系统整体的电压稳定指标最小建立目标函数：

式中：P_k为场景k的发生概率；为场景k下的L_TD；N为总代表性场景数。

在本实施例中，步骤S2中所述确定约束条件具体包括以下步骤：

步骤SA：功率平衡约束:风电接入系统总有功、无功功率需保持平衡，即

式中：P_i、Q_i为节点i注入的有功功率、无功功率；G_ij、B_ij及θ_ij分别为节点i、j间的电导、电纳和电压相角差；

步骤SB：电压约束：各节点电压需保持在限定范围内，即

V_i.min≤V_i≤V_i.max

式中：V_i.max为节点i的电压上限；V_i.min为节点i的电压下限；

步骤SC：储能充/放电功率约束：充/放电过程对于储能最大出力的限制分别为：

式中：P_s(t)为t时刻的储能充/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；

步骤SD：储能剩余电量约束：储能剩余电量需保持在以下范围内：

E_min≤E(t)≤E_max

式中：E_min为储能系统最小电量限制；E_max为储能系统最大电量限制；E(t)代表t时刻结束时的剩余电量，如下式所示：

充电过程：E(t)＝(1-σ_sdr)E(t-1)-P_s(t)Δtη_c

放电过程：E(t)＝(1-σ_sdr)E(t-1)-P_s(t)Δt/η_d

式中：σ_sdr为储能系统的自放电率；η_c、η_d为储能系统的充电、放电效率；Δt为计算窗口时长；

步骤SE：储能始末状态一致约束：为确保储能系统工作的可持续性，需保证控制周期的初末状态一致，即：

E(t_b)＝E(t_e)

式中：t_b为储能系统控制周期初时刻；t_e为储能系统控制周期末时刻；

其中各个时间断面的负荷信息由预测负荷曲线提供，以此进行各个时间断面L指标的计算。

如图5所示，在本实施例中，所述步骤S3具体包括以下步骤：

步骤S31：获取电网结构、风电超短期预测值、除风电场外其他常规发电厂的发电方案和负荷超短期预测数据。

步骤S32：初始化粒子群，定义迭代次数n以及收敛精度m；

步骤S33：进行潮流计算，计算场景k下的L_TD；

步骤S34：通过量子粒子群算法寻找最优发电计划，得到L_TD最小时的粒子最优位置及群体全局最优位置；

步骤S35：判断是否达到粒子群迭代次数上限n或者是否满足精度m要求，若是则执行步骤S36；否则进行粒子更新，并返回步骤S33；

步骤S36：判断是否完成所有时间断面典型场景中发电计划的优化，若是则执行步骤S37；否则返回步骤S33对剩余场景继续重复寻优；

步骤S37：输入提供的所有风电典型动态场景的充/放电计划；

步骤S38：初始化粒子群，定义迭代次数p以及收敛精度q，以及L指标范围L_min、L_max；

步骤S39：进行潮流计算，根据以下公式计算适应度；

步骤S310：通过量子粒子群算法寻优，得到粒子最优位置及群体全局最优位置；

步骤S311：判断是否达到迭代次数上限p或者是否满足收敛精度q要求，若是则执行步骤S312；否则进行充/放电量粒子更新，并返回步骤S39；

步骤S312：得到最终储能控制计划：通过储能系统倾向于在L指标小于L_min时即电压稳定性较好时进行充电，而在L指标大于L_max时即电压稳定性较差时进行放电。

较佳的，本实施例的具体示例如下：

计算实例选择IEEE14节点系统，如图1所示。风电并网节点为9和14，计算系统的L指标，可知节点14的电压稳定性最差。改善节点14静态电压稳定性即可提高系统整体的电压稳定性。因此，本实施例将20MWh储能系统设置于负荷节点14储能系统参数如表1。

表1储能系统参数

基于未来4小时的风电预测出力如图2所示，利用风电预测计算各个时间断面上潮流情况。利用量子粒子群算法求解上述中的模型，设置从而获得各个时间段储能装置充/放电方案如图3所示，量子粒子群各过程中迭代次数设置为200、收敛精度设置为0.1％，设定L指标范围最大值0.3、最小值0.25.为了对比实施充/放电方案后对系统电压稳定性的提升，将实施充/放电方案的系统的L指标与无充放电的L指标进行对比结果如图4所示。

通过储能系统倾向于在L指标较小时(即电压稳定性较好时)进行充电，而在L指标较大时(即电压稳定性较差时)进行放电。储能参与后，L_TD由原先的0.316降低0.290，下降8.2％。因此，该充放电计划提高了一段时间范围内电压稳定性，降低了电压失稳的风险。以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种考虑电压稳定性的风电接入系统储能充放电控制方法，其特征在于：包括以下步骤：

步骤S1：利用获取的风电预测值确定典型风电出力场景；

步骤S2：以风电接入系统整体电压稳定指标最小为目标函数，并确定约束条件，以此建立储能充放电控制模型；

步骤S3：利用量子粒子群求解储能充放电控制模型，从而获得各个时间段储能装置充放电方案。

2.根据权利要求1所述的一种考虑电压稳定性的风电接入系统储能充放电控制方法，其特征在于：步骤S1中所述利用获取的风电预测值确定典型风电出力场景的具体内容为：令μ为某一时间断面上的风速超短期预测出力值，利用风速超短期预测出力值μ确定风电场等效出力，确定风电系统内所有风电场出力情况后将其视为典型风电出力场景，风电场出力P_w具体如下：

式中：N为被风力发电机台数；μ为风速超短期预测出力值；PC为风力发电机的功率曲线函数。

3.根据权利要求1所述的一种考虑电压稳定性的风电接入系统储能充放电控制方法，其特征在于：步骤S2中所述风电接入系统整体电压稳定指标具体为，以L指标为衡量电压稳定性的静态指标：

式中：N_D表示所有负荷节点集；表示节点i和节点j之间的互阻抗的共轭；S_i表示节点i的注入功率；V_i、V_j分别表示节点i和节点j的节点电压；

计算各个风电典型场景中各个负荷节点的L指标，并利用能够衡量一段时间范围内电压稳定性的总体指标L_TD来表示节点在某时段内的电压稳定程度，表达如下：

式中：L_t为时间断面t的L指标；T为时段内的时间断面集合。

4.根据权利要求1所述的一种考虑电压稳定性的风电接入系统储能充放电控制方法，其特征在于：步骤S2中所述以风电接入系统整体的电压稳定指标最小建立目标函数：

式中：P_k为场景k的发生概率；为场景k下的L_TD；N为总代表性场景数。

5.根据权利要求1所述的一种考虑电压稳定性的风电接入系统储能充放电控制方法，其特征在于：步骤S2中所述确定约束条件具体包括以下步骤：

步骤SA：功率平衡约束:风电接入系统总有功、无功功率需保持平衡，即

式中：P_i、Q_i为节点i注入的有功功率、无功功率；G_ij、B_ij及θ_ij分别为节点i、j间的电导、电纳和电压相角差；

步骤SB：电压约束：各节点电压需保持在限定范围内，即

V_i.min≤V_i≤V_i.max

式中：V_i.max为节点i的电压上限；V_i.min为节点i的电压下限；

步骤SC：储能充/放电功率约束：充/放电过程对于储能最大出力的限制分别为：

式中：P_s(t)为t时刻的储能充/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；

步骤SD：储能剩余电量约束：储能剩余电量需保持在以下范围内：

E_min≤E(t)≤E_max

式中：E_min为储能系统最小电量限制；E_max为储能系统最大电量限制；E(t)代表t时刻结束时的剩余电量，如下式所示：

充电过程：E(t)＝(1-σ_sdr)E(t-1)-P_s(t)Δtη_c

放电过程：E(t)＝(1-σ_sdr)E(t-1)-P_s(t)Δt/η_d

式中：σ_sdr为储能系统的自放电率；η_c、η_d为储能系统的充电、放电效率；Δt为计算窗口时长；

步骤SE：储能始末状态一致约束：为确保储能系统工作的可持续性，需保证控制周期的初末状态一致，即：

E(t_b)＝E(t_e)

式中：t_b为储能系统控制周期初时刻；t_e为储能系统控制周期末时刻；

其中各个时间断面的负荷信息由预测负荷曲线提供，以此进行各个时间断面L指标的计算。

6.根据权利要求1所述的一种考虑电压稳定性的风电接入系统储能充放电控制方法，其特征在于：所述步骤S3具体包括以下步骤：

步骤S31：获取电网结构、风电超短期预测值、除风电场外其他常规发电厂的发电方案和负荷超短期预测数据；

步骤S32：初始化粒子群，定义迭代次数n以及收敛精度m；

步骤S33：进行潮流计算，计算场景k下的L_TD；

步骤S34：通过量子粒子群算法寻找最优发电计划，得到L_TD最小时的粒子最优位置及群体全局最优位置；

步骤S35：判断是否达到粒子群迭代次数上限n或者是否满足精度m要求，若是则执行步骤S36；否则进行粒子更新，并返回步骤S33；

步骤S36：判断是否完成所有时间断面典型场景中发电计划的优化，若是则执行步骤S37；否则返回步骤S33对剩余场景继续重复寻优；

步骤S37：输入提供的所有风电典型动态场景的充/放电计划；

步骤S38：初始化粒子群，定义迭代次数p以及收敛精度q，以及L指标范围L_min、L_max；

步骤S39：进行潮流计算，根据以下公式计算适应度；

步骤S310：通过量子粒子群算法寻优，得到粒子最优位置及群体全局最优位置；

步骤S311：判断是否达到迭代次数上限p或者是否满足收敛精度q要求，若是则执行步骤S312；否则进行充/放电量粒子更新，并返回步骤S39；

步骤S312：得到最终储能控制计划：通过储能系统倾向于在L指标小于L_min时即电压稳定性较好时进行充电，而在L指标大于L_max时即电压稳定性较差时进行放电。