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

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

一种基于风电功率超短期预测的蓄电池充放电控制方法

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P_w(t)、风电短期预测功率P_r(t)、风电短期预测功率的下限值P_r-min(t)、风电短期预测功率的上限值P_r-max(t)、允许的风电功率波动上限值D_et、风电超短期预测功率P_uf(t)，及蓄电池的剩余容量E(t)、自放电率δ_sdr、充电效率η_c、放电效率η_d、额定容量E_N；

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-δ_sdr)E(t-1)+P_c(t)Δtη_c (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，P_c(t)为第t时刻蓄电池的初始充放电功率，

P_c(t)＝P_r,min(t)+[P_r,max(t)-P_r,min(t)] (3)

计算第t时刻蓄电池的SOC值为

S_SOC(t)＝E(t)/E_N (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S_SOC(t-1)∈[0,0.5)，则a,b∈(0.5,0.9]；

若S_SOC(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：

其中，ε为风电功率短期预测误差；

为第i个区间的风电短期预测功率的平均值；

记第t时刻风电实际功率P_w(t)所处的区间为m，引入系数c_t为

c_t＝f_m(ε_t) (7)

其中，ε_t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

P_b'(t)＝P_r,min(t)+c_t[P_r,max(t)-P_r,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P_w(t)＜P_r-min(t)时：

若S_SOC(t)∈[0,0.5)，则d∈[0,0.5)；

若S_SOC(t)∈[0.5,1]，则d∈[0.5,1]；

当P_w(t)＞P_r-max(t)时：

若S_SOC(t)∈[0,0.5)，则e∈[0.5,1]；

若S_SOC(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·P_b′(t)+e·P_b′(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，ΔP_n(t)是时间间隔为Δt的两时刻的风电短期预测功率之差，即ΔP_n(t)＝|P_r(t)-P_r(t+Δt)|；E_c、E_s分别为预测周期T内蓄电池超过SOC值上限S_SOC-high的总容量、超过SOC值下限S_SOC-low的总容量；h∈[0,1]；

记第t时刻蓄电池的充放电功率为P_b(t)，充电时P_b(t)为负值、放电时P_b(t)为正值，得到蓄电池充放电控制策略为

当P_w(t)＜P_r-min(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池既不充电也不放电，P_b(t)＝0；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)；

若a≤S_SOC(t)＜b，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)+d(P_r-max(t)-P_r-min(t))；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_r-min(t)≤P_w(t)＜P_c(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若a≤S_SOC(t)＜b，则蓄电池既不充电也不放电，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_c(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_c(t)≤P_w(t)≤P_r-max(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_c(t))；

若a≤S_SOC(t)＜b，则蓄电池既不充电也不放电，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_w(t)＞P_r-max(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_c(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t)+e(P_r-max(t)))；

若a≤S_SOC(t)＜b，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t))；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t))；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池既不充电也不放电，P_b(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，C_ap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E_min≤E(t)≤E_max (18)

其中，

分别为蓄电池的最大允许充电功率、最大允许放电功率，E_max、E_min分别为蓄电池的最大容量限值、最小容量限值；

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3.2.3：计算第j个粒子的适应度为

初始化第j个粒子的个体极值

根据l个粒子的个体极值确定整体极值

步骤3.2.4：令k＝k+1，更新粒子的速度和位置分别为

步骤3.2.5：计算第k次迭代中第j个粒子的适应度为

若

则更新第j个粒子的个体极值

若

则不更新第j个粒子的个体极值；确定第k次迭代中的整体极值

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P_w(t)、风电短期预测功率P_r(t)、风电短期预测功率的下限值P_r-min(t)、风电短期预测功率的上限值P_r-max(t)、允许的风电功率波动上限值D_et、风电超短期预测功率P_uf(t)，及蓄电池的剩余容量E(t)、自放电率δ_sdr、充电效率η_c、放电效率η_d、额定容量E_N。

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，D_et＝0.24，δ_sdr＝0，η_c＝0.9，η_d＝0.9，E_N＝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-δ_sdr)E(t-1)+P_c(t)Δtη_c (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，P_c(t)为第t时刻蓄电池的初始充放电功率，

P_c(t)＝P_r,min(t)+[P_r,max(t)-P_r,min(t)] (3)

计算第t时刻蓄电池的SOC值为

S_SOC(t)＝E(t)/E_N (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S_SOC(t-1)∈[0,0.5)，则a,b∈(0.5,0.9]；

若S_SOC(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：

其中，ε为风电功率短期预测误差；

为第i个区间的风电短期预测功率的平均值；

记第t时刻风电实际功率P_w(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c_t来反映预测误差的状况，即

c_t＝f_m(ε_t) (7)

其中，ε_t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

P_b'(t)＝P_r,min(t)+c_t[P_r,max(t)-P_r,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P_w(t)＜P_r-min(t)时：

若S_SOC(t)∈[0,0.5)，则d∈[0,0.5)；

若S_SOC(t)∈[0.5,1]，则d∈[0.5,1]；

当P_w(t)＞P_r-max(t)时：

若S_SOC(t)∈[0,0.5)，则e∈[0.5,1]；

若S_SOC(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·P_b′(t)+e·P_b′(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，ΔP_n(t)是时间间隔为Δt的两时刻的风电短期预测功率之差，即ΔP_n(t)＝|P_r(t)-P_r(t+Δt)|；E_c、E_s分别为预测周期T内蓄电池超过SOC值上限S_SOC-high的总容量、超过SOC值下限S_SOC-low的总容量；h∈[0,1]。本实施例中，Δt＝15min，S_SOC-low＝0.2，S_SOC-high＝0.9。

记第t时刻蓄电池的充放电功率为P_b(t)，充电时P_b(t)为负值、放电时P_b(t)为正值，得到蓄电池充放电控制策略为

当P_w(t)＜P_r-min(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池既不充电也不放电，P_b(t)＝0；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)；

若a≤S_SOC(t)＜b，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)+d(P_r-max(t)-P_r-min(t))；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_r-min(t)≤P_w(t)＜P_c(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若a≤S_SOC(t)＜b，则蓄电池既不充电也不放电，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_c(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_c(t)≤P_w(t)≤P_r-max(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_c(t))；

若a≤S_SOC(t)＜b，则蓄电池既不充电也不放电，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_w(t)＞P_r-max(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_c(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t)+e(P_r-max(t)))；

若a≤S_SOC(t)＜b，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t))；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t))；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池既不充电也不放电，P_b(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，C_ap为风电场的装机容量；本实施例中，C_ap＝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E_min≤E(t)≤E_max (18)

其中，

分别为蓄电池的最大允许充电功率、最大允许放电功率，E_max、E_min分别为蓄电池的最大容量限值、最小容量限值。本实施例中，E_min＝7.2MW·h，E_max＝32.4MW·h。

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3.2.3：计算第j个粒子的适应度为

初始化第j个粒子的个体极值

根据l个粒子的个体极值确定整体极值

其中，

为将第j个粒子的当前位置

和其他粒子的初始位置带入目标函数；

步骤3.2.4：令k＝k+1，更新粒子的速度和位置分别为

步骤3.2.5：计算第k次迭代中第j个粒子的适应度为

若

则更新第j个粒子的个体极值

若

则不更新第j个粒子的个体极值；确定第k次迭代中的整体极值

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，P_w(t)＝81MW，P_r-min(t)＝71MW，P_r-max(t)＝78MW，P_r(t)＝75MW，P_uf(t)＝79MW，利用公式(5)-(7)求得该时刻的系数c_t＝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P_w(t)、风电短期预测功率P_r(t)、风电短期预测功率的下限值P_r-min(t)、风电短期预测功率的上限值P_r-max(t)、允许的风电功率波动上限值D_et、风电超短期预测功率P_uf(t)，及蓄电池的剩余容量E(t)、自放电率δ_sdr、充电效率η_c、放电效率η_d、额定容量E_N；

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-δ_sdr)E(t-1)+P_c(t)Δtη_c (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，P_c(t)为第t时刻蓄电池的初始充放电功率，

P_c(t)＝P_r,min(t)+[P_r,max(t)-P_r,min(t)] (3)

计算第t时刻蓄电池的SOC值为

S_SOC(t)＝E(t)/E_N (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S_SOC(t-1)∈[0,0.5)，则a,b∈(0.5,0.9]；

若S_SOC(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：

其中，ε为风电功率短期预测误差；

为第i个区间的风电短期预测功率的平均值；

记第t时刻风电实际功率P_w(t)所处的区间为m，引入系数c_t为

c_t＝f_m(ε_t) (7)

其中，ε_t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

P_b'(t)＝P_r,min(t)+c_t[P_r,max(t)-P_r,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P_w(t)＜P_r-min(t)时：

若S_SOC(t)∈[0,0.5)，则d∈[0,0.5)；

若S_SOC(t)∈[0.5,1]，则d∈[0.5,1]；

当P_w(t)＞P_r-max(t)时：

若S_SOC(t)∈[0,0.5)，则e∈[0.5,1]；

若S_SOC(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·P_b′(t)+e·P_b′(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，ΔP_n(t)是时间间隔为Δt的两时刻的风电短期预测功率之差，即ΔP_n(t)＝|P_r(t)-P_r(t+Δt)|；E_c、E_s分别为预测周期T内蓄电池超过SOC值上限S_SOC-high的总容量、超过SOC值下限S_SOC-low的总容量；h∈[0,1]；

记第t时刻蓄电池的充放电功率为P_b(t)，充电时P_b(t)为负值、放电时P_b(t)为正值，得到蓄电池充放电控制策略为

当P_w(t)＜P_r-min(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池既不充电也不放电，P_b(t)＝0；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)；

若a≤S_SOC(t)＜b，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_r-min(t)-P_w(t)+d(P_r-max(t)-P_r-min(t))；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_r-min(t)≤P_w(t)＜P_c(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若a≤S_SOC(t)＜b，则蓄电池既不充电也不放电，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_c(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_c(t)≤P_w(t)≤P_r-max(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_c(t))；

若a≤S_SOC(t)＜b，则蓄电池既不充电也不放电，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池放电，P_b(t)＝P_r-max(t)-P_w(t)；

当P_w(t)＞P_r-max(t)时：

若0≤S_SOC(t)＜S_SOC-low，则蓄电池充电，P_b(t)＝-(P_w(t)-P_c(t))；

若S_SOC-low≤S_SOC(t)＜a，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t)+e(P_r-max(t)))；

若a≤S_SOC(t)＜b，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t))；

若b≤S_SOC(t)≤S_SOC-high，则蓄电池充电，P_b(t)＝-(P_w(t)-P_r-max(t))；

若S_SOC-high＜S_SOC(t)≤1，则蓄电池既不充电也不放电，P_b(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，C_ap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

E_min≤E(t)≤E_max (18)

其中，

分别为蓄电池的最大允许充电功率、最大允许放电功率，E_max、E_min分别为蓄电池的最大容量限值、最小容量限值；

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3.2.3：计算第j个粒子的适应度为

初始化第j个粒子的个体极值

根据l个粒子的个体极值确定整体极值

步骤3.2.4：令k＝k+1，更新粒子的速度和位置分别为

步骤3.2.5：计算第k次迭代中第j个粒子的适应度为

若

则更新第j个粒子的个体极值

若

则不更新第j个粒子的个体极值；确定第k次迭代中的整体极值

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。

Images