CN111224425A - 基于分层预测控制的风储系统黑启动频率控制方法及系统 - Google Patents

基于分层预测控制的风储系统黑启动频率控制方法及系统 Download PDF

Info

Publication number
CN111224425A
CN111224425A CN202010099092.9A CN202010099092A CN111224425A CN 111224425 A CN111224425 A CN 111224425A CN 202010099092 A CN202010099092 A CN 202010099092A CN 111224425 A CN111224425 A CN 111224425A
Authority
CN
China
Prior art keywords
control
fan
wind
frequency
energy storage
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.)
Pending
Application number
CN202010099092.9A
Other languages
English (en)
Inventor
刘玉田
刘威鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN202010099092.9A priority Critical patent/CN111224425A/zh
Priority to PCT/CN2020/084027 priority patent/WO2021164112A1/zh
Publication of CN111224425A publication Critical patent/CN111224425A/zh
Pending legal-status Critical Current

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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提供了一种基于分层预测控制的风储系统黑启动频率控制方法及系统，采用虚拟惯量控制使风储系统表现类似同步发电机的惯性特征；通过预测模型得到系统频率偏差预测值；通过误差系数矩阵反馈校正系统频率偏差预测值；根据系统频率偏差校正值选择频率控制模式或备用恢复模式；依次计算不同控制模式的风场层优化和风机层优化；将最优控制序列应用于风电场、风机和储能控制系统。利用所提储能配置和频率控制方法能够以较低的储能配置成本，使风电场具备作为黑启动电源的能力。

Description

基于分层预测控制的风储系统黑启动频率控制方法及系统
技术领域
本公开属于风储系统黑启动频率控制技术领域，涉及一种基于分层预测控制的风储系统黑启动频率控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着新能源渗透率的不断提高、电力系统的网架结构和动态行为日益复杂，由于故障导致区域电网停电的风险不断增加。例如2003年北美大停电、2011年印度大停电，都造成了巨大的经济损失。因此为减少经济损失，必须缩短停电的时间，在停电区域快速恢复供电。在新能源发电占比较高的局域电网中，尤其当以风电为代表的新能源发电占主导时，仅依靠水电机组等传统黑启动电源难以满足快速恢复供电的需求；而且风电场作为主导电源应承担更多责任，更加积极主动地为系统提供辅助服务。因此采用风电场作为黑启动电源将成为必然选择。
在黑启动过程中，黑启动电源应能够提供稳定的功率，并且保持系统频率和电压的稳定。现在风电场中风机一般为双馈感应电机和全功率换流器的永磁同步电机，具有一定的有功和无功功率调节能力。目前关于风电参与系统频率调节的研究大多针对惯量响应和一次调频响应。由于风速的不确定性的影响，关于风电参与系统二次调频控制的研究较少。据发明人了解，目前的控制方法无法实现风电场作为黑启动电源时系统频率的快速无差调节。
发明内容
本公开为了解决上述问题，提出了一种基于分层预测控制的风储系统黑启动频率控制方法及系统，本公开基于分层预测控制使风电场-储能系统实现系统频率快速无差调节。在风机和储能之间合理分配参考功率，尽可能挖掘风电场的控制潜力以适应不同的风况，同时保证风机的安全稳定运行。
根据一些实施例，本公开采用如下技术方案：
一种基于分层预测控制(Hierarchical Model Predictive Control,HMPC)的风储系统黑启动频率控制方法，包括以下步骤：
步骤1：实时测量系统频率变化率(Rate of Change of Frequency,ROCOF)，采用虚拟惯量控制使风储系统表现类似同步发电机的惯性特征；
步骤2：在当前采样时刻，根据测量的系统频率、风机有功出力、储能有功出力和电量状态(state of charge,SOC)，通过预测模型得到系统频率偏差预测值；
步骤3：根据频率偏差预测历史误差，通过误差系数矩阵反馈校正系统频率偏差预测值；
步骤4：根据步骤3得到的系统频率偏差校正值选择频率控制模式或备用恢复模式，如果频率控制模式则转到步骤5，否则转到步骤6；
步骤5：计算频率控制模式风场层优化，得到各台风机和储能的参考功率控制序列；
步骤6：计算备用恢复模式风场层优化，得到各台风机和储能的参考功率控制序列；
步骤7：计算风机层优化，以风机叶片承受的机械载荷最小为目标，得到各台风机的转速和桨距角控制序列，并应用所述控制序列。
作为可选择的实施方式，上述步骤循环执行，在下一采样时刻，返回步骤2继续进行下一采样时刻的控制。
作为可选择的实施方式，在所述步骤1中，虚拟惯量控制包括低通滤波器、死区、和比例增益环节。
作为可选择的实施方式，在所述步骤2中，预测模型为包括系统频率动态模型和储能模型的离散状态空间。
作为可选择的实施方式，在所述步骤3中，历史频率偏差预测误差由频率偏差预测值与频率偏差实际测量值比较得到。
作为可选择的实施方式，在所述步骤4中，定义频率偏差死区环节，当系统频率偏差超过死区时为频率控制模式；当系统频率偏差未超过死区时为备用恢复模式。
作为可选择的实施方式，在所述步骤5中，优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，通过权重系数考虑不同优化目标之间的偏好；约束条件包括风机有功功率约束、风机之间功率分配约束、储能有功功率约束和储能电量约束。
作为可选择的实施方式，在所述步骤6中，优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，并通过权重系数考虑不同优化目标之间的偏好；约束条件包括风机有功功率约束、风机备用量约束、风电场备用量约束、储能有功功率约束和储能电量约束。
作为可选择的实施方式，在所述步骤7中，优化目标为风机叶片受到的机械载荷最小；
根据叶素-动量理论计算叶片机械载荷；
约束条件包括转速上下限和转速变化率约束、桨距角上下限和桨距角变化率约束，以及风机参考功率跟踪约束。
一种基于分层预测控制的风储系统黑启动频率控制系统，包括：
特征表示模块，被配置为实时测量系统频率变化率，采用虚拟惯量控制使风储系统表现类似同步发电机的惯性特征；
偏差预测模块，被配置为在当前采样时刻，根据测量的系统频率，风机有功出力、储能有功出力和电量状态，通过预测模型得到系统频率偏差预测值，根据频率偏差预测历史误差，通过误差系数矩阵反馈校正系统频率偏差预测值；
控制模式选择模块，被配置为依据得到的系统频率偏差校正值选择频率控制模式或备用恢复模式；
频率控制模式控制模块，被配置为计算频率控制模式风场层优化，得到各台风机和储能的参考功率控制序列；
备用恢复模式控制模块，被配置为计算备用恢复模式风场层优化，得到各台风机和储能的参考功率控制序列；
控制输出模块，被配置为计算风机层优化，以风机叶片承受的机械载荷最小为目标，得到各台风机的转速和桨距角控制序列，并应用所述控制序列。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于分层预测控制的风储系统黑启动频率控制。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于分层预测控制的风储系统黑启动频率控制。
与现有技术相比，本公开的有益效果为：
针对黑启动过程中启动发电厂辅机或本地负荷引起的系统频率稳定问题，本公开引入预测控制理论，应对风电场参与系统调频能力的不确定性和负荷侧扰动的不确定性，改善风储系统的频率响应特性。
本公开所提频率控制包括两种控制模式，频率控制模式实现风储系统快速响应系统频率扰动和频率无差调节；备用恢复模式保证风电场留有一定的备用量的同时避免频率二次跌落，应对潜在的频率扰动风险。
本公开所提分层预测控制将在线优化分为风场层和风机层，能够有效减小计算复杂度。风场层通过按风机之间备用量的比例分配参考功率减小参考功率跟踪误差，风机层在跟踪参考功率的同时考虑各台风机的安全运行约束。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是风电场-储能系统作为黑启动电源系统结构图；
图2是风电场出力和目标出力图；
图3是样本数据分布图(a)散点图，(b)统计分布直方图；
图4是非对称copula函数图(a)概率密度函数图，(b)等高线图；
图5是系统频率图；
图6是虚拟惯量控制图；
图7是预测控制结构框图；
图8是分层预测控制参考功率图；
图9是分层预测控制优化框图；
图10是辅机功率和电动机转速图；
图11是本实施例的整体流程图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
本实施例公开了一种基于分层预测控制(Hierarchical Model PredictiveControl,HMPC)的风储系统黑启动频率控制方法，包括以下步骤：
步骤1：实时测量系统频率变化率(Rate of Change of Frequency,ROCOF)，采用虚拟惯量控制使风储系统表现类似同步发电机的惯性特征。
步骤2：在采样时刻k，测量系统频率，测量风机有功出力，测量储能有功出力和电量状态(state of charge,SOC)，通过预测模型得到系统频率偏差预测值。
步骤3：根据频率偏差预测历史误差，通过误差系数矩阵反馈校正系统频率偏差预测值。
步骤4：根据步骤3得到的系统频率偏差校正值选择频率控制模式或备用恢复模式。频率控制模式通过一个PI控制器获得风储系统参考功率，转到步骤5；备用恢复模式由调度人员给出风储系统参考功率，转到步骤6。
步骤5：计算频率控制模式风场层优化，得到各台风机和储能的参考功率控制序列。风机优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，约束条件包括风机的有功功率约束、风机之间的功率分配约束、储能的有功功率和电量状态约束。
步骤6：计算备用恢复模式风场层优化，得到各台风机和储能的参考功率控制序列。优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，约束条件包括风机的有功功率约束、风机和风电场备用功率约束、储能的有功功率和电量状态约束。
步骤7：计算风机层优化，得到各台风机的转速和桨距角控制序列。优化目标为风机叶片承受的机械载荷最小，约束条件包括风机跟踪参考功率指令约束、风机运行的转速和桨距角约束。
步骤8：将控制序列中的当前控制应用于风电场、风机和储能控制系统，采样时刻k＝k+1，返回步骤2继续进行下一采样时刻的控制。
进一步地，在所述步骤1中，虚拟惯量控制包括低通滤波器、死区、和比例增益环节。
进一步地，在所述步骤2中，预测模型为包括系统频率动态模型和储能模型的离散状态空间。
进一步地，在所述步骤3中，历史频率偏差预测误差由频率偏差预测值与频率偏差实际测量值比较得到。
进一步地，在所述步骤4中，定义频率偏差死区环节，当系统频率偏差超过死区时为频率控制模式；当系统频率偏差未超过死区时为备用恢复模式。
进一步地，在所述步骤5中，优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，通过权重系数考虑不同优化目标之间的偏好。
进一步地，在所述步骤5中，约束条件包括风机有功功率约束、风机之间功率分配约束、储能有功功率约束和储能电量约束。
进一步地，在所述步骤6中，优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，并通过权重系数考虑不同优化目标之间的偏好。
进一步地，在所述步骤6中，约束条件包括风机有功功率约束、风机备用量约束、风电场备用量约束、储能有功功率约束和储能电量约束。
进一步地，在所述步骤7中，优化目标为风机叶片受到的机械载荷最小。
进一步地，在所述步骤7中，根据叶素-动量理论计算叶片机械载荷。
进一步地，在所述步骤7中，约束条件包括转速上下限和转速变化率约束、桨距角上下限和桨距角变化率约束，以及风机参考功率跟踪约束。
在所述步骤8中，当前控制为控制序列中前nc个控制信号，nc为HMPC的控制时域，nc≤np。
还提供一种基于分层预测控制的风储系统黑启动频率控制系统，包括：
用于实现虚拟惯量响应的控制器；
用于实现分层预测控制的控制器，包括：
用于实现预测模型和反馈校正的装置、用于生成风储系统参考功率的PI控制器、用于计算在线优化的存储器和处理器，所述存储器和处理器被配置在风电场场站端和风机端，所述处理器分别被配置为计算风场侧和和风机侧预测控制的在线优化。
用于调度人员、风电场、风机和储能之间传递信息和控制信号的通信装置；
用于测量系统频率、风机有功功率、转速和桨距角、储能有功功率和电量状态等的测量装置。
上述控制方法可以在以下储能配置下进行。
具体的风电场黑启动储能优化配置方法，包括：
步骤a：确定作为黑启动电源的风电场的目标出力PL，根据风电场出力场景，分别采集储能功率和容量配置样本，作出样本数据的散点图和统计分布直方图；
步骤b：确定候选非对称copula函数，利用极大似然估计法依次对候选非对称copula函数进行参数估计；
步骤c：以经验copula函数作为参考，通过拟合度(goodness of fit,GOF)测试选定最合适的非对称copula函数作为储能功率和容量配置的联合概率分布函数；
步骤d：利用核密度估计(kernel density estimation,KDE)分别拟合储能功率和容量的边缘概率分布；
步骤e：给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置。
整体流程图如图11所示。
当然，在其它实施例中，储能的配置方法可以采用其他配置方式。
进一步地，在所述步骤a中，PL选为被启动机组的辅机正常运行所需功率之和。对任意一个风电场出力场景，储能输出功率为：
Pb(t)＝PWF-PL (1)
PWF是风电场出力，PL是目标出力，即辅机正常运行需要的总功率。Pb(t)>0说明储能在充电状态，Pb(t)<0说明储能在放电状态。类似地，储能的输出能量为：
Figure BDA0002386245350000111
Eb(t)>0时表示储能的净充电能量，Eb(t)<0时表示储能的净放电能量。
进一步地，在所述步骤a中，设风电场出力场景样本的容量为n，对于每一个场景都可以得到一对储能的功率和能量配置
Figure BDA0002386245350000112
对于n维场景集合就可以得到储能功率配置和容量配置的样本数据。为方便分析相关性，将这两者看作随机变量，分别用
Figure BDA0002386245350000121
表示功率配置，用
Figure BDA0002386245350000122
表示容量配置。
进一步地，在所述步骤a中，对样本数据做归一化秩(Normalized Ranks)变换，并根据变换后的样本数据作出散点图和统计分布直方图。
进一步地，在所述步骤b中，非对称copula函数形式如(3)所示：
Figure BDA0002386245350000123
其中α,β∈(0,1)，α≠0.5,β≠0.5,
Figure BDA0002386245350000124
C1和C2都是对称copula函数。φ在这里代表参数集合，包括α，β和C1，C2中的相关性控制参数θ。
进一步地，在所述步骤b中，根据样本在步骤a得到的散点图和统计分布直方图中的尾部相关性特点，划定候选对称copula函数C1和C2的范围。
进一步地，在所述步骤b中，利用极大似然估计法进行参数估计实际上是一个带约束的非线性优化问题，优化目标为似然函数最大，约束条件包括α,β和θ的取值范围约束。极大似然估计值
Figure BDA0002386245350000125
为：
Figure BDA0002386245350000126
其中arg表示目标函数l(φ)取最大时控制变量的取值。
进一步地，在所述步骤c中，拟合度测试中以经验copula函数作为参考，以欧几里得距离作为衡量拟合度的指标，选择和经验copula函数欧氏距离最小的copula函数为储能功率和容量配置的联合概率分布函数，记作Copt。
进一步地，在所述步骤d中，根据步骤a得到的p和e的原始样本，利用核密度估计法分别得到随机变量p和e的概率密度函数Fp(PESS)和Ge(EESS)。
进一步地，在所述步骤e中，给定储能配置的置信水平α，储能配置的机会约束规划模型为：
Figure BDA0002386245350000131
其中Cp和Ce分别为储能设备的单位功率和单位容量成本。
还提供一种基于非对称copula函数的风电场黑启动储能优化配置系统，包括存储器和处理器，所述处理器被配置为执行以下步骤：
确定作为黑启动电源的风电场的目标出力，根据风电场出力场景，分别采集储能功率和容量配置样本，作出样本数据的散点图和统计分布直方图；
确定候选非对称copula函数，利用极大似然估计法依次对候选非对称copula函数进行参数估计；
以经验copula函数作为参考，通过拟合度测试选定最合适的非对称copula函数作为储能功率和容量配置的联合概率分布函数；
利用核密度估计分别拟合储能功率和容量的边缘概率分布；
给定储能配置置信水平，建立机会约束规划模型，求解储能功率和容量的最优配置。
下面以国网冀北公司的桃山湖风电场的一个样本为例说明本实施例的具体实施方式。风电场作为黑启动电源的系统结构图如图1所示。风电场容量33×1.5MW，风电场景样本容量2310。每个风电场出力场景有60个数据点，每个数据点之间的时间间隔为1分钟。被启动机组为一台300MW的燃煤机组，热启动时间设为60分钟。在这段时间内，风储系统需要为所有的辅机提供稳定的功率输出。这实际上是一个关于风电出平滑的储能配置问题。图2给出了一个典型的风电场景，其中PWF是风电场出力，PL＝0.15是目标出力，即所有辅机正常运行需要的总功率。
假设共有n个风电出力场景，第i个场景的储能功率配置为该场景中最大放电功率；相应地，容量配置为该场景中最大净放电能量。每一个场景都可以得到一对储能的功率和能量配置
Figure BDA0002386245350000141
对n维场景集合就可以得到两随机变量p和e的统计数据：
Figure BDA0002386245350000142
Figure BDA0002386245350000143
令Si表示pi在p1,…,pn中的秩，令Ri表示ei在e1,…,en中的秩，则样本数据的归一化秩表示为：
Figure BDA0002386245350000144
变换后样本数据剔除了原始样本数据量纲的影响，根据u和v做出的散点图和统计分布直方图如图3所示。从图3中可以看出，样本点分布具有以下特征：
1、样本数据的分布具有不对称性，散点图中红色对角线的上方明显存在一条包络线。
2、样本数据的尾部相关性不对称。尾部相关性指当一个随机变量取较大(或较小)的值时，另一个变量的取值是否受其影响。统计分布直方图中，样本数据在坐标(0,0)附近和(1,1)附近概率密度较大，分别对应下尾部相关性和上尾部相关性。明显下尾部的概率密度稍大于上尾部，即下尾部相关性更强。
选定7个对称阿基米德copula函数作为C1和C2的候选，表达式和参数θ取值范围如表1所示。考虑C1和C2不同的情况，对这7个copula进行排列组合共有
Figure BDA0002386245350000151
种组合。再加上考虑C1和C2选择相同的阿基米德copula的情况7种，共有28种组合。
表1对称阿基米德copula函数表
Figure BDA0002386245350000152
其中A＝1+(θ-1)(u+v)，S＝u+v-1-θ(1/u+1/v-1)。
通过极大似然估计依次确定28种非对称copula函数的参数，参数估计优化模型为：
Figure BDA0002386245350000161
28种候选非对称copula函数的参数估计和拟合度测试结果如表2示，最终选定的不对称copula函数用粗体标出。
表2非对称copula函数的参数估计和拟合度测试
Figure BDA0002386245350000162
Figure BDA0002386245350000171
Figure BDA0002386245350000181
Figure BDA0002386245350000191
非对称copula函数(3,3)的概率密度函数图和等高线图如图4所示。容易看出考虑非对称性的相关结构可以更准确地拟合联合概率分布函数，表2中的拟合度测试也表明了这一点。
设置信区间α＝0.9，储能设备为锂离子电池，单位成本为Cp＝8400￥/kW和Ce＝5600￥/kWh。根据p和e的原始样本数据，利用核密度估计法求变量边缘概率分布Fp(PESS)和Ge(EESS)，代入机会约束规划模型(5)并求解，储能配置结果如表3所示。陆上风电场成本在4000￥/kW以上，所提储能配置方法的成本约占风电场投资成本的9.6％。
表3储能配置结果
Figure BDA0002386245350000192
在上述300MW燃煤电厂中，最大辅机是一台6.6MW鼠笼感应电机，以此作为被启动辅机说明本实施例所提频率控制方法的控制效果。系统额定频率50Hz，系统中已经恢复的负荷功率为6MW。风电场容量33×1.5MW，根据以上储能配置结果，储能的功率和容量为15MW×1h。其余控制参数如表4所示。
表4频率控制参数
Figure BDA0002386245350000201
系统频率如图5所示，在5s时启动辅机，系统频率受到扰动，虚拟惯量控制立刻释放储存在风机风轮中的旋转动能提供快速频率响应。本实施例提出的虚拟惯量控制包括低通滤波、死区和比例增益环节，如图6所示。为使风机具有和同步机相似的惯性特征，根据转子运动方程选择比例增益为Kinertia＝2H。
本实施例所提预测控制框图如图7所示。预测模型如式所示：
xk+1＝Axk+Buk+dzk (8)
其中状态向量xk＝[Δf(k) CESS(k)]T包括系统频率偏差和储能电量状态，控制向量uk＝[PWT1(k),PWT2(k),…,PWTN(k),PESS(k)]T包括每台风机的有功功率和储能的有功功率，扰动向量zk＝ΔPL(k)为负荷侧所需功率增量。根据风电场和储能的有功功率，通过预测模型可以得到系统频率偏差的预测值。
由于模型失配等原因，预测总是存在误差，根据历史误差进行反馈校正来提高预测值的准确性。反馈校正表达式如式所示：
ycor(k)＝ypre(k)+h·e(k-1) (9)
其中ycor(k)是k时刻校正值，ypre(k)是k时刻预测值，h是误差系数矩阵，e(k-1)是误差向量。
启动辅机时频率偏差较大，选择频率控制模式，通过PI控制器生成风储系统的参考功率。根据预测模型式(8)得到Δf(k+1|k)，输入PI控制器得到Pref(k+1|k)。考虑到Pref(k)＝ΣPWTi(k)+PESS(k)，将Pref(k+1|k)代入(8)可得到Δf(k+2|k)。通过这样的迭代过程来获得参考功率的预测值序列Pref(k+1|k),Pref(k+2|k),…,Pref(k+np|k)，其中np是预测时域。分层预测控制参考功率如图8所示。只要风储系统准确地跟踪参考功率，就能够实现系统频率的快速无差调节。
本实施例所提分层预测控制优化框图如图9所示。频率控制模式风场层优化是多目标优化，优化目标包括风储系统参考功率跟踪误差最小，各台风机和储能有功功率变化量最小。风储系统参考功率是根据步骤4中PI控制器得到的k时刻参考功率序列，风机和储能参考功率是控制变量。将多个优化目标通过权重系数W1、W2和W3整合成一个目标，并且根据不同优化目标之间的偏好，有W1＞＞W3＞＞W2。
约束条件包括风机有功功率约束、风机之间功率分配约束、储能有功功率约束和储能电量约束。风机有功功率约束使各台风机有功功率不超过风机最大功率上限。风机之间功率分配约束作用是使备用功率多的风机提供更多的调频功率，有利于风机的安全稳定运行，也有利于减小参考功率跟踪误差。储能有功功率约束作用是限制储能有功功率，只有当风电场的备用功率不足时才使用储能功率作为补充。通常储能电量状态应在20％～80％之间，考虑储能电量状态约束有利于避免损害储能设备的使用寿命。
在风场侧优化下发各风机参考功率后，风机侧优化在风机端以并行计算的方式进行。风机层优化目标是风机叶片受到的机械载荷最小。
根据叶素-动量理论计算叶片机械载荷Mx，主要方法是将叶片沿半径方向分为许多小段，每一段就是一片叶素。对每一片叶素都用动量定理计算所受力矩，再对整个叶片积分得到整个叶片所受到的机械载荷。具体步骤包括：
①设轴向诱导因子初值a0＝0.2，切向诱导因子b0＝0.3，迭代次数i＝0；
②计算风速和叶素之间的入流角；
③i＝i+1，根据动量理论计算ai和bi；
④计算两次迭代之间结果的误差，若终止条件成立则结束迭代，否则返回②继续迭代。
⑤计算相对入流风速；
⑥计算所有叶素载荷，求和得到整个叶片机械载荷Mx。
风机层优化约束条件包括转速上下限和转速变化率约束，桨距角上下限和桨距角变化率约束，以及风机参考功率跟踪约束。风机转速变化范围一般为0.7～1.2p.u.，考虑到风轮的惯性和转速保护，应对转速变化率加以约束。风机正常运行时桨距角一般在0～30°之间，桨距角的调节速度较慢，但现在也能够达到5～6°每秒。
定义风电场有功功率控制误差百分比为：
Figure BDA0002386245350000231
不同风速条件下所提分层预测控制的平均控制误差如表5所示。
表5不同风速条件下分层预测控制的平均控制误差(％)
Figure BDA0002386245350000232
如图8所示，频率控制模式控制风储系统快速增加出力提供频率响应，图5中系统频率最低点约为49.7Hz。通常认为黑启动过程中频率不得低于49.5Hz，本实施例所提频率控制方法能够保证黑启动过程中系统的频率稳定。辅机功率和电动机转速如图10所示，辅机大约于15.5s启动成功，转速达到0.993p.u.。
本实施例所提预测控制于18s切换至备用恢复模式，参考功率是由调度员给定的常数，即为系统中已经启动负荷所需总功率。备用恢复模式优化目标与频率控制模式相似，包括参考功率跟踪误差最小，各台风机和储能有功功率变化量最小。并且也将将多个优化目标通过权重系数W1、W2和W3整合成一个目标，有W1＞＞W3＞＞W2。不同之处是风储系统参考功率Pref来自调度员，为一常数。
约束条件包括风机有功功率约束、储能有功功率约束、储能电量约束和风机备用量约束、风电场备用量约束。风电场和风机备用约束使风电场和各台风机都至少保证占最大出力一定比例的备用，以应对系统中潜在的频率扰动风险。该比例用备用系数M表示。
备用恢复模式风机层优化与频率控制模式相同。
图5为系统频率显示风电场和储能经过协调控制避免了系统频率二次跌落。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于分层预测控制的风储系统黑启动频率控制方法，其特征是：包括以下步骤：
步骤1：实时测量系统频率变化率，采用虚拟惯量控制使风储系统表现类似同步发电机的惯性特征；
步骤2：在当前采样时刻，根据测量的系统频率、风机有功出力、储能有功出力和电量状态，通过预测模型得到系统频率偏差预测值；
步骤3：根据频率偏差预测历史误差，通过误差系数矩阵反馈校正系统频率偏差预测值；
步骤4：根据步骤3得到的系统频率偏差校正值选择频率控制模式或备用恢复模式，如果频率控制模式则转到步骤5，否则转到步骤6；
步骤5：计算频率控制模式风场层优化，得到各台风机和储能的参考功率控制序列；
步骤6：计算备用恢复模式风场层优化，得到各台风机和储能的参考功率控制序列；
步骤7：计算风机层优化，以风机叶片承受的机械载荷最小为目标，得到各台风机的转速和桨距角控制序列，并应用所述控制序列。
2.如权利要求1所述的一种基于分层预测控制的风储系统黑启动频率控制方法，其特征是：在所述步骤1中，虚拟惯量控制包括低通滤波器、死区、和比例增益环节。
3.如权利要求1所述的一种基于分层预测控制的风储系统黑启动频率控制方法，其特征是：在所述步骤2中，预测模型为包括系统频率动态模型和储能模型的离散状态空间；
或，在所述步骤3中，历史频率偏差预测误差由频率偏差预测值与频率偏差实际测量值比较得到。
4.如权利要求1所述的一种基于分层预测控制的风储系统黑启动频率控制方法，其特征是：在所述步骤4中，定义频率偏差死区环节，当系统频率偏差超过死区时为频率控制模式；当系统频率偏差未超过死区时为备用恢复模式。
5.如权利要求1所述的一种基于分层预测控制的风储系统黑启动频率控制方法，其特征是：在所述步骤5中，优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，通过权重系数考虑不同优化目标之间的偏好；约束条件包括风机有功功率约束、风机之间功率分配约束、储能有功功率约束和储能电量约束。
6.如权利要求1所述的一种基于分层预测控制的风储系统黑启动频率控制方法，其特征是：在所述步骤6中，优化目标包括参考功率跟踪误差最小、各台风机和储能有功功率变化量最小，并通过权重系数考虑不同优化目标之间的偏好；约束条件包括风机有功功率约束、风机备用量约束、风电场备用量约束、储能有功功率约束和储能电量约束。
7.如权利要求1所述的一种基于分层预测控制的风储系统黑启动频率控制方法，其特征是：在所述步骤7中，优化目标为风机叶片受到的机械载荷最小；
根据叶素-动量理论计算叶片机械载荷；
约束条件包括转速上下限和转速变化率约束、桨距角上下限和桨距角变化率约束，以及风机参考功率跟踪约束。
8.一种基于分层预测控制的风储系统黑启动频率控制系统，其特征是：包括：
特征表示模块，被配置为实时测量系统频率变化率，采用虚拟惯量控制使风储系统表现类似同步发电机的惯性特征；
偏差预测模块，被配置为在当前采样时刻，根据测量的系统频率，风机有功出力、储能有功出力和电量状态，通过预测模型得到系统频率偏差预测值，根据频率偏差预测历史误差，通过误差系数矩阵反馈校正系统频率偏差预测值；
控制模式选择模块，被配置为依据得到的系统频率偏差校正值选择频率控制模式或备用恢复模式；
频率控制模式控制模块，被配置为计算频率控制模式风场层优化，得到各台风机和储能的参考功率控制序列；
备用恢复模式控制模块，被配置为计算备用恢复模式风场层优化，得到各台风机和储能的参考功率控制序列；
控制输出模块，被配置为计算风机层优化，以风机叶片承受的机械载荷最小为目标，得到各台风机的转速和桨距角控制序列，并应用所述控制序列。
9.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于分层预测控制的风储系统黑启动频率控制。
10.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于分层预测控制的风储系统黑启动频率控制。
CN202010099092.9A 2020-02-18 2020-02-18 基于分层预测控制的风储系统黑启动频率控制方法及系统 Pending CN111224425A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010099092.9A CN111224425A (zh) 2020-02-18 2020-02-18 基于分层预测控制的风储系统黑启动频率控制方法及系统
PCT/CN2020/084027 WO2021164112A1 (zh) 2020-02-18 2020-04-09 风电场优化配置储能作为黑启动电源的频率控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099092.9A CN111224425A (zh) 2020-02-18 2020-02-18 基于分层预测控制的风储系统黑启动频率控制方法及系统

Publications (1)

Publication Number Publication Date
CN111224425A true CN111224425A (zh) 2020-06-02

Family

ID=70828345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099092.9A Pending CN111224425A (zh) 2020-02-18 2020-02-18 基于分层预测控制的风储系统黑启动频率控制方法及系统

Country Status (1)

Country Link
CN (1) CN111224425A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111628528A (zh) * 2020-06-22 2020-09-04 华北电力大学（保定） 风电参与系统恢复的潮流越限消除方法及装置
CN113131532A (zh) * 2021-04-16 2021-07-16 南京邮电大学 一种新能源电站一次调频网络化控制方法
CN113587142A (zh) * 2021-06-30 2021-11-02 华能国际电力股份有限公司上海石洞口第一电厂 一种等离子微油复合点火系统及其分层预测控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105811439A (zh) * 2016-05-25 2016-07-27 东南大学 一种基于虚拟惯量的风电场黑启动频率控制方法
CN106684926A (zh) * 2017-03-10 2017-05-17 山东大学 混合微电网黑启动过程的dc/ac逆变器的预同步控制方法
CN109390977A (zh) * 2018-10-08 2019-02-26 内蒙古电力(集团)有限责任公司 一种支撑风电场黑启动的风速特征分析方法
EP3471231A1 (en) * 2017-10-13 2019-04-17 Ørsted Wind Power A/S A method for black-starting an electrical grid

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105811439A (zh) * 2016-05-25 2016-07-27 东南大学 一种基于虚拟惯量的风电场黑启动频率控制方法
CN106684926A (zh) * 2017-03-10 2017-05-17 山东大学 混合微电网黑启动过程的dc/ac逆变器的预同步控制方法
EP3471231A1 (en) * 2017-10-13 2019-04-17 Ørsted Wind Power A/S A method for black-starting an electrical grid
CN109390977A (zh) * 2018-10-08 2019-02-26 内蒙古电力(集团)有限责任公司 一种支撑风电场黑启动的风速特征分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEIPENG LIU等: "Hierarchical model predictive control of wind farm with energy storage", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111628528A (zh) * 2020-06-22 2020-09-04 华北电力大学（保定） 风电参与系统恢复的潮流越限消除方法及装置
CN113131532A (zh) * 2021-04-16 2021-07-16 南京邮电大学 一种新能源电站一次调频网络化控制方法
CN113131532B (zh) * 2021-04-16 2021-10-08 南京邮电大学 一种新能源电站一次调频网络化控制方法
CN113587142A (zh) * 2021-06-30 2021-11-02 华能国际电力股份有限公司上海石洞口第一电厂 一种等离子微油复合点火系统及其分层预测控制方法

Similar Documents

Publication Publication Date Title
WO2021164112A1 (zh) 风电场优化配置储能作为黑启动电源的频率控制方法及系统
CN111224425A (zh) 基于分层预测控制的风储系统黑启动频率控制方法及系统
US20120049516A1 (en) Method, system, and computer program product to optimize power plant output and operation
CN107689638B (zh) 一种基于相轨迹分析的含风电电力系统暂态协调控制方法
CN112459965A (zh) 考虑风电场尾流的偏航优化控制方法、装置、设备及介质
US10097009B2 (en) Method and systems for managing power systems
CN116667389B (zh) 一种新型电力系统惯量提升的风储联合预测校正控制方法
CN113659620A (zh) 基于动态频率约束的水风互补发电系统日前调度方法
CN110752598B (zh) 多点分布式储能系统灵活性评价方法和装置
CN115764931A (zh) 一种电力系统自动发电控制方法、系统、设备和介质
CN109236589B (zh) 一种用于评估风机叶片除冰投资方案的方法及装置
CN105720596B (zh) 电力储能系统的调频方法和装置
CN110994639B (zh) 一种电厂储能辅助调频的仿真定容方法、装置及设备
CN117251995A (zh) 基于可变遗忘因子最小二乘法的双馈风机惯量评估方法
CN106684930B (zh) 一种考虑功率预测置信区间的风电有功功率控制方法
CN115940148A (zh) 最小惯量需求评估方法、装置、电子设备及存储介质
CN113471972B (zh) 一种用于电力系统的监测惯量的方法和系统
CN115102228A (zh) 一种含飞轮储能的风电场多目标协调频率优化方法和装置
CN115187018A (zh) 一种园区综合能源系统双层优化调度方法及装置
CN111325393B (zh) 风电场作为黑启动电源的储能配置方法及系统
CN116599163B (zh) 基于调频控制的高可靠性风电场功率控制系统
CN112600259B (zh) 频率下扰工况下风电场可增发功率的在线计算方法及装置
CN117060430A (zh) 一种基于改进lstm网络的构网型风电调频预测方法
Attya et al. BESS techno-economic challenges to support wind energy: mind mapping and correlation matrix
Hackl et al. Non-ideal torque control of wind turbine systems: Impacts on annual energy production

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602