CN111162551A - 一种基于风电功率超短期预测的蓄电池充放电控制方法 - Google Patents
一种基于风电功率超短期预测的蓄电池充放电控制方法 Download PDFInfo
- Publication number
- CN111162551A CN111162551A CN202010041111.2A CN202010041111A CN111162551A CN 111162551 A CN111162551 A CN 111162551A CN 202010041111 A CN202010041111 A CN 202010041111A CN 111162551 A CN111162551 A CN 111162551A
- Authority
- CN
- China
- Prior art keywords
- soc
- storage battery
- power
- battery
- charging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Abstract
本发明涉及电网技术领域,提供一种基于风电功率超短期预测的蓄电池充放电控制方法。首先采集数据;然后引入蓄电池SOC值区间的控制系数,考虑风电功率短期预测误差对蓄电池充放电功率进行修正,引入蓄电池充放电功率的控制系数,考虑蓄电池实时SOC值对蓄电池充放电功率进行进一步修正,引入充放电功率优化系数再进一步修正蓄电池的充放电功率,得到蓄电池充放电控制策略;最后,构建蓄电池充放电控制模型,基于粒子群优化算法求解最优控制系数对蓄电池进行充放电控制。本发明对蓄电池充放电功率的控制能够实时适应风电短期预测误差及储能系统荷电状态的变化,降低蓄电池的荷电状态约束对其充放电行为的影响,有效提高蓄电池的利用效率。
Description
技术领域
本发明涉及电网技术领域,特别是涉及一种基于风电功率超短期预测的蓄电池充放电控制方法。
背景技术
我国已有越来越多的大型风电场相继并网运行。与常规电源相比,风能是一种随机性、间歇性能源,而且目前风电出力预测精度不高,这些特点导致风电场不能提供持续稳定的可控功率,发电可调度性差,大规模的风电并网将对系统的调峰调频、安全稳定、电能质量等产生重大影响。
目前,蓄电池与风电场配合运行已成为平滑风电场出力功率波动的重要途径之一。由于蓄电池存在充放电功率及容量的约束条件,特别是在蓄电池运行过程中,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的剩余可用容量,降低蓄电池的充放电功率最大允许值,从而降低蓄电池的控制效果;同时又由于风电短期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,对蓄电池在一个时段的持续出力有了更严格的要求。
因此控制电池储能系统的荷电状态,实时优化控制电池储能系统对于平抑风电短时波动具有重要的意义。而现有的蓄电池充放电控制方法在平抑风电出力短期波动的应用中,缺乏全局性考虑,且建立的蓄电池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短期预测误差值以及储能系统荷电状态的变化状况。
发明内容
针对现有技术存在的问题,本发明提供一种基于风电功率超短期预测的蓄电池充放电控制方法,对蓄电池充放电功率的控制能够实时适应风电短期预测误差及储能系统荷电状态的变化,降低蓄电池的荷电状态约束对其充放电行为的影响,有效提高蓄电池的利用效率。
本发明的技术方案为:
一种基于风电功率超短期预测的蓄电池充放电控制方法,其特征在于,包括下述步骤:
步骤1:采集数据:采集电网在第t时刻的风电实际功率Pw(t)、风电短期预测功率Pr(t)、风电短期预测功率的下限值Pr-min(t)、风电短期预测功率的上限值Pr-max(t)、允许的风电功率波动上限值Det、风电超短期预测功率Puf(t),及蓄电池的剩余容量E(t)、自放电率δsdr、充电效率ηc、放电效率ηd、额定容量EN;
步骤2:构建蓄电池充放电控制策略:
步骤2.1:引入蓄电池SOC值区间的控制系数a、b,根据蓄电池上一时刻SOC值确定控制系数a、b的取值范围:
当蓄电池充电时,第t时刻蓄电池的剩余容量为
E(t)=(1-δsdr)E(t-1)+Pc(t)Δtηc (1)
当蓄电池放电时,第t时刻蓄电池的剩余容量为
其中,Δt为每次充放电的时间,Pc(t)为第t时刻蓄电池的初始充放电功率,
Pc(t)=Pr,min(t)+[Pr,max(t)-Pr,min(t)] (3)
计算第t时刻蓄电池的SOC值为
SSOC(t)=E(t)/EN (4)
根据蓄电池上一时刻SOC值确定控制系数a、b的取值范围:
若SSOC(t-1)∈[0,0.5),则a,b∈(0.5,0.9];
若SSOC(t-1)∈[0.5,1],则a,b∈[0.2,0.5];
步骤2.2:考虑风电功率短期预测误差对蓄电池充放电功率进行修正:
将风电功率分割为n个区间,计算第i个区间的风电实际功率的分布函数为
其中,i=1,2,...,n;p为风电实际功率的标幺值,α、β均为分布参数,α、β与区间上风电功率的方差σ2、均值μ有关;
计算第i个区间的风电功率短期预测误差的分布函数为:
记第t时刻风电实际功率Pw(t)所处的区间为m,引入系数ct为
ct=fm(εt) (7)
其中,εt为第t时刻风电功率短期预测误差;
考虑风电功率短期预测误差修正第t时刻蓄电池的充放电功率为
Pb'(t)=Pr,min(t)+ct[Pr,max(t)-Pr,min(t)] (8)
步骤2.3:引入蓄电池充放电功率的控制系数d、e,考虑蓄电池实时SOC值对蓄电池充放电功率进行进一步修正:
根据蓄电池实时SOC值确定控制系数d、e的取值范围:
当Pw(t)<Pr-min(t)时:
若SSOC(t)∈[0,0.5),则d∈[0,0.5);
若SSOC(t)∈[0.5,1],则d∈[0.5,1];
当Pw(t)>Pr-max(t)时:
若SSOC(t)∈[0,0.5),则e∈[0.5,1];
若SSOC(t)∈[0.5,1],则e∈[0,0.5);
考虑蓄电池实时SOC值进一步修正第t时刻蓄电池的充放电功率为
Pb″(t)=d·Pb′(t)+e·Pb′(t) (9)
其中,当d=0时e≠0,当e=0时d≠0;
步骤2.4:引入充放电功率优化系数h进一步修正蓄电池的充放电功率:
当预测周期T内蓄电池的SOC值越上限时,进一步修正蓄电池的充放电功率为
当预测周期T内蓄电池的SOC值越下限时,进一步修正蓄电池的充放电功率为
其中,ΔPn(t)是时间间隔为Δt的两时刻的风电短期预测功率之差,即ΔPn(t)=|Pr(t)-Pr(t+Δt)|;Ec、Es分别为预测周期T内蓄电池超过SOC值上限SSOC-high的总容量、超过SOC值下限SSOC-low的总容量;h∈[0,1];
记第t时刻蓄电池的充放电功率为Pb(t),充电时Pb(t)为负值、放电时Pb(t)为正值,得到蓄电池充放电控制策略为
当Pw(t)<Pr-min(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池既不充电也不放电,Pb(t)=0;
若SSOC-low≤SSOC(t)<a,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t);
若a≤SSOC(t)<b,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t);
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t)+d(Pr-max(t)-Pr-min(t));
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pr-min(t)≤Pw(t)<Pc(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若a≤SSOC(t)<b,则蓄电池既不充电也不放电,Pb(t)=0;
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pc(t)-Pw(t);
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pc(t)≤Pw(t)≤Pr-max(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pc(t));
若a≤SSOC(t)<b,则蓄电池既不充电也不放电,Pb(t)=0;
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pw(t)>Pr-max(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pc(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t)+e(Pr-max(t)));
若a≤SSOC(t)<b,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t));
若b≤SSOC(t)≤SSOC-high,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t));
若SSOC-high<SSOC(t)≤1,则蓄电池既不充电也不放电,Pb(t)=0;
步骤3:基于粒子群优化算法求解最优控制系数,利用最优控制系数对蓄电池进行充放电控制:
步骤3.1:构建蓄电池充放电控制模型:
步骤3.1.1:基于风电超短期预测功率、风电功率短期预测误差以及蓄电池SOC值构建目标函数为
minJ=χF1+δF2 (12)
其中,F1、F2分别为蓄电池平抑风电波动出力的函数、蓄电池SOC值的函数,χ、δ分别为F1、F2的权重系数;M为数据点数,Cap为风电场的装机容量;
步骤3.1.2:构建充电过程中蓄电池充放电功率的约束为
构建放电过程中蓄电池充放电功率的约束为
构建蓄电池剩余容量的约束为Emin≤E(t)≤Emax (18)
步骤3.2:将{a,b,d,e,h}中的每个参数作为一个粒子,基于粒子群优化算法求解所述蓄电池充放电控制模型,利用得到的{a,b,d,e,h}的最优值对蓄电池进行充放电控制。
进一步地,所述步骤3.2包括下述步骤:
步骤3.2.1:设定粒子群优化算法的控制参数中最大迭代次数为N、惯性常数为ω、学习因子为c1和c2;
步骤3.2.2:初始化粒子群的位置和速度:将{a,b,d,e,h}中的每个参数作为一个粒子,初始化迭代次数k=0,初始化第j个粒子的位置为随机初始化第j个粒子的速度其中,j=1,2,...,l,l=5,第1、2、...、l个粒子分别为参数a、b、d、e、h,
步骤3.2.4:令k=k+1,更新粒子的速度和位置分别为
步骤3.2.6:若整体极值连续100次无变化或k≥N,则迭代停止,输出第k次迭代中各粒子的个体极值为{a,b,d,e,h}的最优值,利用{a,b,d,e,h}的最优值对蓄电池进行充放电控制;若整体极值未连续100次无变化且k<N,则转至步骤3.2.4。
本发明的有益效果为:
本发明引入了蓄电池SOC值区间的控制系数a、b,能够更好地适应储能系统的荷电状态变化;考虑风电功率短期预测误差对蓄电池充放电功率进行初步修正,能够更加具体地反映出风电短期预测误差的状况;引入蓄电池充放电功率的控制系数d、e,能够对蓄电池充放电功率进行实时修正;引入充放电功率优化系数h进一步修正蓄电池的充放电功率,能够通过当前SOC状态及之后某一时刻的充放电行为,为后续时刻提供一定的放电电量或留出一定的充电空间,从而减小受SOC限制的几率;全面考虑五个控制系数构建了蓄电池充放电控制策略,并基于风电超短期预测功率、风电功率短期预测误差以及蓄电池SOC值构建了蓄电池充放电控制模型,利用粒子群优化算法求解最优控制系数对蓄电池进行充放电控制,能够更好地平抑风电短期波动,减少日前短期风电预测误差,提高风电出力质量,同时能够降低蓄电池的荷电状态约束对其充放电行为的影响,可有效提高蓄电池的利用效率,对蓄电池充放电功率的控制能够实时适应风电短期预测误差及储能系统荷电状态的变化。
附图说明
图1为本发明的基于风电功率超短期预测的蓄电池充放电控制方法的原理图。
图2为本发明的基于风电功率超短期预测的蓄电池充放电控制方法的应用流程图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步描述。
如图1所示,本发明的基于风电功率超短期预测的蓄电池充放电控制方法,包括下述步骤:
步骤1:采集数据:采集电网在第t时刻的风电实际功率Pw(t)、风电短期预测功率Pr(t)、风电短期预测功率的下限值Pr-min(t)、风电短期预测功率的上限值Pr-max(t)、允许的风电功率波动上限值Det、风电超短期预测功率Puf(t),及蓄电池的剩余容量E(t)、自放电率δsdr、充电效率ηc、放电效率ηd、额定容量EN。
蓄电池充放电功率控制策略以日前风电功率短期预测及超短期功率预测技术为理论基础。短期风电功率预测技术的预测时间尺度为0~24h,预测时间分辨率为15min,本实施例中风电短期预测功率的预测时间尺度为24h。超短期风电功率预测时间尺度为4h,预测时间分辨率为15min,本实施例中风电超短期预测功率为每15min滚动更新的4h数据。
本实施例中,Det=0.24,δsdr=0,ηc=0.9,ηd=0.9,EN=36MW·h。
步骤2:构建蓄电池充放电控制策略:
步骤2.1:引入蓄电池SOC值区间的控制系数a、b,根据蓄电池上一时刻SOC值确定控制系数a、b的取值范围:
当蓄电池充电时,第t时刻蓄电池的剩余容量为
E(t)=(1-δsdr)E(t-1)+Pc(t)Δtηc (1)
当蓄电池放电时,第t时刻蓄电池的剩余容量为
其中,Δt为每次充放电的时间,Pc(t)为第t时刻蓄电池的初始充放电功率,
Pc(t)=Pr,min(t)+[Pr,max(t)-Pr,min(t)] (3)
计算第t时刻蓄电池的SOC值为
SSOC(t)=E(t)/EN (4)
根据蓄电池上一时刻SOC值确定控制系数a、b的取值范围:
若SSOC(t-1)∈[0,0.5),则a,b∈(0.5,0.9];
若SSOC(t-1)∈[0.5,1],则a,b∈[0.2,0.5]。
其中,控制系数a、b通过蓄电池荷电状态SOC的区间确定,能够更好地适应蓄电池的荷电状态变化。a、b选取较大的值会提高蓄电池充电能力,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。
步骤2.2:考虑风电功率短期预测误差对蓄电池充放电功率进行修正:
将风电功率分割为n个区间,计算第i个区间的风电实际功率的分布函数为
其中,i=1,2,...,n;p为风电实际功率的标幺值,α、β均为分布参数,α、β与区间上风电功率的方差σ2、均值μ有关;
计算第i个区间的风电功率短期预测误差的分布函数为:
记第t时刻风电实际功率Pw(t)所处的区间为m,为了将风电功率短期预测误差考虑进蓄电池控制策略中,引入系数ct来反映预测误差的状况,即
ct=fm(εt) (7)
其中,εt为第t时刻风电功率短期预测误差;
考虑风电功率短期预测误差修正第t时刻蓄电池的充放电功率为
Pb'(t)=Pr,min(t)+ct[Pr,max(t)-Pr,min(t)] (8)
步骤2.3:引入蓄电池充放电功率的控制系数d、e,考虑蓄电池实时SOC值对蓄电池充放电功率进行进一步修正:
根据蓄电池实时SOC值确定控制系数d、e的取值范围:
当Pw(t)<Pr-min(t)时:
若SSOC(t)∈[0,0.5),则d∈[0,0.5);
若SSOC(t)∈[0.5,1],则d∈[0.5,1];
当Pw(t)>Pr-max(t)时:
若SSOC(t)∈[0,0.5),则e∈[0.5,1];
若SSOC(t)∈[0.5,1],则e∈[0,0.5);
考虑蓄电池实时SOC值进一步修正第t时刻蓄电池的充放电功率为
Pb″(t)=d·Pb′(t)+e·Pb′(t) (9)
其中,当d=0时e≠0,当e=0时d≠0。
步骤2.4:引入充放电功率优化系数h进一步修正蓄电池的充放电功率:
在未来某个时刻,储能设备将因为达到荷电状态上限而不能再对风电功率进行平抑。于是就需要储能设备在当前风储联合系统出力波动不越限的情况下,适当的放电或者少充一些电,以保证未来的平抑能力,因此引入充放电因数h修正充放电功率。
当预测周期T内蓄电池的SOC值越上限时,进一步修正蓄电池的充放电功率为
当预测周期T内蓄电池的SOC值越下限时,进一步修正蓄电池的充放电功率为
其中,ΔPn(t)是时间间隔为Δt的两时刻的风电短期预测功率之差,即ΔPn(t)=|Pr(t)-Pr(t+Δt)|;Ec、Es分别为预测周期T内蓄电池超过SOC值上限SSOC-high的总容量、超过SOC值下限SSOC-low的总容量;h∈[0,1]。本实施例中,Δt=15min,SSOC-low=0.2,SSOC-high=0.9。
记第t时刻蓄电池的充放电功率为Pb(t),充电时Pb(t)为负值、放电时Pb(t)为正值,得到蓄电池充放电控制策略为
当Pw(t)<Pr-min(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池既不充电也不放电,Pb(t)=0;
若SSOC-low≤SSOC(t)<a,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t);
若a≤SSOC(t)<b,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t);
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t)+d(Pr-max(t)-Pr-min(t));
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pr-min(t)≤Pw(t)<Pc(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若a≤SSOC(t)<b,则蓄电池既不充电也不放电,Pb(t)=0;
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pc(t)-Pw(t);
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pc(t)≤Pw(t)≤Pr-max(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pc(t));
若a≤SSOC(t)<b,则蓄电池既不充电也不放电,Pb(t)=0;
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pw(t)>Pr-max(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pc(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t)+e(Pr-max(t)));
若a≤SSOC(t)<b,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t));
若b≤SSOC(t)≤SSOC-high,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t));
若SSOC-high<SSOC(t)≤1,则蓄电池既不充电也不放电,Pb(t)=0。
步骤3:基于粒子群优化(particle swarmoptimization,PSO)算法求解最优控制系数,利用最优控制系数对蓄电池进行充放电控制:
步骤3.1:构建蓄电池充放电控制模型:
步骤3.1.1:基于风电超短期预测功率、风电功率短期预测误差以及蓄电池SOC值构建目标函数为
minJ=χF1+δF2 (12)
其中,F1、F2分别为蓄电池平抑风电波动出力的函数、蓄电池SOC值的函数,χ、δ分别为F1、F2的权重系数;M为数据点数,Cap为风电场的装机容量;本实施例中,Cap=90MW,χ=0.5,δ=0.5;
步骤3.1.2:构建充电过程中蓄电池充放电功率的约束为
构建放电过程中蓄电池充放电功率的约束为
构建蓄电池剩余容量的约束为Emin≤E(t)≤Emax (18)
步骤3.2:将{a,b,d,e,h}中的每个参数作为一个粒子,基于粒子群优化算法求解所述蓄电池充放电控制模型,利用得到的{a,b,d,e,h}的最优值对蓄电池进行充放电控制,具体包括下述步骤:
步骤3.2.1:设定粒子群优化算法的控制参数中最大迭代次数为N=200、惯性常数为ω=0.4、学习因子为c1=c2=2;
步骤3.2.2:初始化粒子群的位置和速度:将{a,b,d,e,h}中的每个参数作为一个粒子,初始化迭代次数k=0,初始化第j个粒子的位置为随机初始化第j个粒子的速度其中,j=1,2,...,l,l=5,第1、2、...、l个粒子分别为参数a、b、d、e、h,
步骤3.2.4:令k=k+1,更新粒子的速度和位置分别为
步骤3.2.6:若整体极值连续100次无变化或k≥N,则迭代停止,输出第k次迭代中各粒子的个体极值为{a,b,d,e,h}的最优值,利用{a,b,d,e,h}的最优值对蓄电池进行充放电控制;若整体极值未连续100次无变化且k<N,则转至步骤3.2.4。
如图2所示,为本发明的应用流程图。本实施例中,其中,在某一时刻,E(t-1)=20MW·h,Pw(t)=81MW,Pr-min(t)=71MW,Pr-max(t)=78MW,Pr(t)=75MW,Puf(t)=79MW,利用公式(5)-(7)求得该时刻的系数ct=0.2,通过粒子群优化算法求得最优的控制系数为{a=0.6,b=0.8,d=0,e=0.6,h=0.3},利用最优的控制系数对蓄电池进行充放电控制。由公式(8)、(9)、(10)可以得到,在该时刻控制蓄电池充电,充电功率为7.5MW。
显然,上述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。上述实施例仅用于解释本发明,并不构成对本发明保护范围的限定。基于上述实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等,均落在本发明要求的保护范围内。
Claims (2)
1.一种基于风电功率超短期预测的蓄电池充放电控制方法,其特征在于,包括下述步骤:
步骤1:采集数据:采集电网在第t时刻的风电实际功率Pw(t)、风电短期预测功率Pr(t)、风电短期预测功率的下限值Pr-min(t)、风电短期预测功率的上限值Pr-max(t)、允许的风电功率波动上限值Det、风电超短期预测功率Puf(t),及蓄电池的剩余容量E(t)、自放电率δsdr、充电效率ηc、放电效率ηd、额定容量EN;
步骤2:构建蓄电池充放电控制策略:
步骤2.1:引入蓄电池SOC值区间的控制系数a、b,根据蓄电池上一时刻SOC值确定控制系数a、b的取值范围:
当蓄电池充电时,第t时刻蓄电池的剩余容量为
E(t)=(1-δsdr)E(t-1)+Pc(t)Δtηc (1)
当蓄电池放电时,第t时刻蓄电池的剩余容量为
其中,Δt为每次充放电的时间,Pc(t)为第t时刻蓄电池的初始充放电功率,
Pc(t)=Pr,min(t)+[Pr,max(t)-Pr,min(t)] (3)
计算第t时刻蓄电池的SOC值为
SSOC(t)=E(t)/EN (4)
根据蓄电池上一时刻SOC值确定控制系数a、b的取值范围:
若SSOC(t-1)∈[0,0.5),则a,b∈(0.5,0.9];
若SSOC(t-1)∈[0.5,1],则a,b∈[0.2,0.5];
步骤2.2:考虑风电功率短期预测误差对蓄电池充放电功率进行修正:
将风电功率分割为n个区间,计算第i个区间的风电实际功率的分布函数为
其中,i=1,2,...,n;p为风电实际功率的标幺值,α、β均为分布参数,α、β与区间上风电功率的方差σ2、均值μ有关;
计算第i个区间的风电功率短期预测误差的分布函数为:
记第t时刻风电实际功率Pw(t)所处的区间为m,引入系数ct为
ct=fm(εt) (7)
其中,εt为第t时刻风电功率短期预测误差;
考虑风电功率短期预测误差修正第t时刻蓄电池的充放电功率为
Pb'(t)=Pr,min(t)+ct[Pr,max(t)-Pr,min(t)] (8)
步骤2.3:引入蓄电池充放电功率的控制系数d、e,考虑蓄电池实时SOC值对蓄电池充放电功率进行进一步修正:
根据蓄电池实时SOC值确定控制系数d、e的取值范围:
当Pw(t)<Pr-min(t)时:
若SSOC(t)∈[0,0.5),则d∈[0,0.5);
若SSOC(t)∈[0.5,1],则d∈[0.5,1];
当Pw(t)>Pr-max(t)时:
若SSOC(t)∈[0,0.5),则e∈[0.5,1];
若SSOC(t)∈[0.5,1],则e∈[0,0.5);
考虑蓄电池实时SOC值进一步修正第t时刻蓄电池的充放电功率为
P″b(t)=d·Pb′(t)+e·Pb′(t) (9)
其中,当d=0时e≠0,当e=0时d≠0;
步骤2.4:引入充放电功率优化系数h进一步修正蓄电池的充放电功率:
当预测周期T内蓄电池的SOC值越上限时,进一步修正蓄电池的充放电功率为
当预测周期T内蓄电池的SOC值越下限时,进一步修正蓄电池的充放电功率为
其中,ΔPn(t)是时间间隔为Δt的两时刻的风电短期预测功率之差,即ΔPn(t)=|Pr(t)-Pr(t+Δt)|;Ec、Es分别为预测周期T内蓄电池超过SOC值上限SSOC-high的总容量、超过SOC值下限SSOC-low的总容量;h∈[0,1];
记第t时刻蓄电池的充放电功率为Pb(t),充电时Pb(t)为负值、放电时Pb(t)为正值,得到蓄电池充放电控制策略为
当Pw(t)<Pr-min(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池既不充电也不放电,Pb(t)=0;
若SSOC-low≤SSOC(t)<a,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t);
若a≤SSOC(t)<b,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t);
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pr-min(t)-Pw(t)+d(Pr-max(t)-Pr-min(t));
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pr-min(t)≤Pw(t)<Pc(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若a≤SSOC(t)<b,则蓄电池既不充电也不放电,Pb(t)=0;
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pc(t)-Pw(t);
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pc(t)≤Pw(t)≤Pr-max(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-min(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pc(t));
若a≤SSOC(t)<b,则蓄电池既不充电也不放电,Pb(t)=0;
若b≤SSOC(t)≤SSOC-high,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
若SSOC-high<SSOC(t)≤1,则蓄电池放电,Pb(t)=Pr-max(t)-Pw(t);
当Pw(t)>Pr-max(t)时:
若0≤SSOC(t)<SSOC-low,则蓄电池充电,Pb(t)=-(Pw(t)-Pc(t));
若SSOC-low≤SSOC(t)<a,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t)+e(Pr-max(t)));
若a≤SSOC(t)<b,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t));
若b≤SSOC(t)≤SSOC-high,则蓄电池充电,Pb(t)=-(Pw(t)-Pr-max(t));
若SSOC-high<SSOC(t)≤1,则蓄电池既不充电也不放电,Pb(t)=0;
步骤3:基于粒子群优化算法求解最优控制系数,利用最优控制系数对蓄电池进行充放电控制:
步骤3.1:构建蓄电池充放电控制模型:
步骤3.1.1:基于风电超短期预测功率、风电功率短期预测误差以及蓄电池SOC值构建目标函数为
minJ=χF1+δF2 (12)
其中,F1、F2分别为蓄电池平抑风电波动出力的函数、蓄电池SOC值的函数,χ、δ分别为F1、F2的权重系数;M为数据点数,Cap为风电场的装机容量;
步骤3.1.2:构建充电过程中蓄电池充放电功率的约束为
构建放电过程中蓄电池充放电功率的约束为
构建蓄电池剩余容量的约束为
Emin≤E(t)≤Emax (18)
步骤3.2:将{a,b,d,e,h}中的每个参数作为一个粒子,基于粒子群优化算法求解所述蓄电池充放电控制模型,利用得到的{a,b,d,e,h}的最优值对蓄电池进行充放电控制。
2.根据权利要求1所述的基于风电功率超短期预测的蓄电池充放电控制方法,其特征在于,所述步骤3.2包括下述步骤:
步骤3.2.1:设定粒子群优化算法的控制参数中最大迭代次数为N、惯性常数为ω、学习因子为c1和c2;
步骤3.2.2:初始化粒子群的位置和速度:将{a,b,d,e,h}中的每个参数作为一个粒子,初始化迭代次数k=0,初始化第j个粒子的位置为随机初始化第j个粒子的速度其中,j=1,2,...,l,l=5,第1、2、...、l个粒子分别为参数a、b、d、e、h,
步骤3.2.4:令k=k+1,更新粒子的速度和位置分别为
步骤3.2.6:若整体极值连续100次无变化或k≥N,则迭代停止,输出第k次迭代中各粒子的个体极值为{a,b,d,e,h}的最优值,利用{a,b,d,e,h}的最优值对蓄电池进行充放电控制;若整体极值未连续100次无变化且k<N,则转至步骤3.2.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041111.2A CN111162551B (zh) | 2020-01-15 | 2020-01-15 | 一种基于风电功率超短期预测的蓄电池充放电控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010041111.2A CN111162551B (zh) | 2020-01-15 | 2020-01-15 | 一种基于风电功率超短期预测的蓄电池充放电控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111162551A true CN111162551A (zh) | 2020-05-15 |
CN111162551B CN111162551B (zh) | 2023-03-21 |
Family
ID=70563046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010041111.2A Active CN111162551B (zh) | 2020-01-15 | 2020-01-15 | 一种基于风电功率超短期预测的蓄电池充放电控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111162551B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111697621A (zh) * | 2020-06-23 | 2020-09-22 | 石家庄铁道大学 | 基于ewt-pdbn组合的短期风电功率预测方法 |
CN115207950A (zh) * | 2022-07-27 | 2022-10-18 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于随机扰动的储能系统控制方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012171147A1 (zh) * | 2011-06-17 | 2012-12-20 | 辽宁省电力有限公司 | 结合风力发电的纯电动汽车有序充放电协调控制系统 |
EP2386754A4 (en) * | 2009-01-07 | 2014-02-26 | Shin Kobe Electric Machinery | WIND POWER GENERATION ACCUMULATOR CONTROL SYSTEM AND CORRESPONDING CONTROL METHOD |
CN103928938A (zh) * | 2014-02-24 | 2014-07-16 | 国家电网公司 | 考虑功率预测的储能电站优化控制方法 |
CN104065093A (zh) * | 2014-07-03 | 2014-09-24 | 东华大学 | 一种基于低通滤波的风储协调预测控制方法 |
CN104779631A (zh) * | 2014-12-31 | 2015-07-15 | 国家电网公司 | 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 |
CN105262117A (zh) * | 2015-11-12 | 2016-01-20 | 四川大学 | 一种风电爬坡优化控制方法 |
CN105680478A (zh) * | 2016-03-14 | 2016-06-15 | 中国电力科学研究院 | 基于超短期预测的储能系统平滑新能源发电控制方法 |
US20160181811A1 (en) * | 2014-06-27 | 2016-06-23 | Abb Technology Ltd. | Method and device of determining a reference output power for an energy storage system in a wind power generation system |
JP2016201965A (ja) * | 2015-04-14 | 2016-12-01 | 古河電気工業株式会社 | 蓄電システム及びその制御方法 |
CN106300400A (zh) * | 2015-06-03 | 2017-01-04 | 国网河北省电力公司保定供电分公司 | 一种用于追踪风功率预测的蓄电池容量配置系统 |
WO2017161787A1 (zh) * | 2016-03-23 | 2017-09-28 | 严利容 | 基于未来信息的光伏功率波动的动态平抑方法 |
WO2017186178A1 (zh) * | 2016-04-28 | 2017-11-02 | 中国电力科学研究院 | 储能电站自适应动态规划的控制方法、系统和存储介质 |
JP6417063B1 (ja) * | 2018-03-13 | 2018-10-31 | 株式会社日立パワーソリューションズ | 発電システム、制御装置および制御方法 |
US20180366951A1 (en) * | 2015-07-08 | 2018-12-20 | Nec Corporation | Renewable power system and sizing method for controllable plant associated with renewable power system |
CN110299714A (zh) * | 2019-06-24 | 2019-10-01 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种风电储能系统能量管理控制方法及控制系统 |
CN110518634A (zh) * | 2019-08-19 | 2019-11-29 | 国网山东省电力公司经济技术研究院 | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 |
-
2020
- 2020-01-15 CN CN202010041111.2A patent/CN111162551B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2386754A4 (en) * | 2009-01-07 | 2014-02-26 | Shin Kobe Electric Machinery | WIND POWER GENERATION ACCUMULATOR CONTROL SYSTEM AND CORRESPONDING CONTROL METHOD |
WO2012171147A1 (zh) * | 2011-06-17 | 2012-12-20 | 辽宁省电力有限公司 | 结合风力发电的纯电动汽车有序充放电协调控制系统 |
CN103928938A (zh) * | 2014-02-24 | 2014-07-16 | 国家电网公司 | 考虑功率预测的储能电站优化控制方法 |
US20160181811A1 (en) * | 2014-06-27 | 2016-06-23 | Abb Technology Ltd. | Method and device of determining a reference output power for an energy storage system in a wind power generation system |
CN104065093A (zh) * | 2014-07-03 | 2014-09-24 | 东华大学 | 一种基于低通滤波的风储协调预测控制方法 |
CN104779631A (zh) * | 2014-12-31 | 2015-07-15 | 国家电网公司 | 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 |
JP2016201965A (ja) * | 2015-04-14 | 2016-12-01 | 古河電気工業株式会社 | 蓄電システム及びその制御方法 |
CN106300400A (zh) * | 2015-06-03 | 2017-01-04 | 国网河北省电力公司保定供电分公司 | 一种用于追踪风功率预测的蓄电池容量配置系统 |
US20180366951A1 (en) * | 2015-07-08 | 2018-12-20 | Nec Corporation | Renewable power system and sizing method for controllable plant associated with renewable power system |
CN105262117A (zh) * | 2015-11-12 | 2016-01-20 | 四川大学 | 一种风电爬坡优化控制方法 |
CN105680478A (zh) * | 2016-03-14 | 2016-06-15 | 中国电力科学研究院 | 基于超短期预测的储能系统平滑新能源发电控制方法 |
WO2017161787A1 (zh) * | 2016-03-23 | 2017-09-28 | 严利容 | 基于未来信息的光伏功率波动的动态平抑方法 |
WO2017186178A1 (zh) * | 2016-04-28 | 2017-11-02 | 中国电力科学研究院 | 储能电站自适应动态规划的控制方法、系统和存储介质 |
JP6417063B1 (ja) * | 2018-03-13 | 2018-10-31 | 株式会社日立パワーソリューションズ | 発電システム、制御装置および制御方法 |
CN110299714A (zh) * | 2019-06-24 | 2019-10-01 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种风电储能系统能量管理控制方法及控制系统 |
CN110518634A (zh) * | 2019-08-19 | 2019-11-29 | 国网山东省电力公司经济技术研究院 | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 |
Non-Patent Citations (4)
Title |
---|
何川;刘天琪;胡晓通;李茜;李兴源;: "基于超短期风电预测和混合储能的风电爬坡优化控制" * |
杨锡运等: "储能系统平滑光伏电站功率波动的变参数斜率控制方法", 《电力系统自动化》 * |
闫鹤鸣等: "基于超短期风电预测功率的储能系统跟踪风电计划出力控制方法", 《电网技术》 * |
陈科彬;邱晓燕;赵劲帅;: "基于双蓄电池组的微电网两阶段调度优化模型及控制策略" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111697621A (zh) * | 2020-06-23 | 2020-09-22 | 石家庄铁道大学 | 基于ewt-pdbn组合的短期风电功率预测方法 |
CN111697621B (zh) * | 2020-06-23 | 2021-08-24 | 石家庄铁道大学 | 基于ewt-pdbn组合的短期风电功率预测方法 |
CN115207950A (zh) * | 2022-07-27 | 2022-10-18 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于随机扰动的储能系统控制方法及装置 |
CN115207950B (zh) * | 2022-07-27 | 2024-02-06 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于随机扰动的储能系统控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111162551B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108306331B (zh) | 一种风光储混合系统的优化调度方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN109345019B (zh) | 一种基于改进粒子群算法的微电网经济调度优化策略 | |
CN104779631B (zh) | 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 | |
WO2017000853A1 (zh) | 主动配电网多时间尺度协调优化调度方法和存储介质 | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN105205549B (zh) | 一种基于机会约束规划的光储系统跟踪日前计划调度方法 | |
CN113098029B (zh) | 一种基于风电短期预测的风储联合调频控制方法 | |
CN105680478B (zh) | 基于超短期预测的储能系统平滑新能源发电控制方法 | |
CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN106887858B (zh) | 一种接入新能源发电的储能系统跟踪计划出力方法及装置 | |
CN104156789B (zh) | 计及储能寿命损耗的孤立微电网最优经济运行方法 | |
CN104795830B (zh) | 一种利用多类型储能系统跟踪发电计划出力的控制方法 | |
CN111162551B (zh) | 一种基于风电功率超短期预测的蓄电池充放电控制方法 | |
CN103904686A (zh) | 一种考虑电力系统协同能力的经济调度方法 | |
CN112583017A (zh) | 考虑储能运行约束的混合微电网能量分配方法及系统 | |
CN111934360A (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN113315168A (zh) | 基于序贯蒙特卡洛模拟的风-储混合电站运行模拟方法 | |
CN115102239A (zh) | 一种考虑soc均衡的储能电站一次调频控制方法及系统 | |
Lin et al. | Optimal control of battery energy storage system integrated in PV station considering peak shaving | |
CN113113916B (zh) | 一种舰船综合电力系统中多目标能量调控方法 | |
CN114336592A (zh) | 一种基于模型预测控制的风电场agc控制方法 | |
CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
CN116780587A (zh) | 一种混合储能辅助机组调频容量优化方法及系统 | |
CN111523947A (zh) | 一种虚拟电厂发电成本生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |