一种能源微网负荷频率控制方法、系统及相关产品
技术领域
本发明涉及能源微网的负荷频率控制技术领域,具体针对含液氢超导储能的能源微网的负荷频率控制问题。
背景技术
可再生能源(Renewable Energy Sources,RES)和分布式电源(DistributedGeneration,DG)渗透率的增加容易引起功率的波动,发电量与负荷需求难以满足实时平衡,这对电力系统的稳定性和可靠性提出了严峻挑战。再考虑到常规能量成本,温室气体排放,传统电力系统的安全等问题,能量互联网的概念应运而生。能源互联网由许多能源微网构成,并支持多种可再生能源的灵活接入。能源微网的概念与未来电力系统的概念一致,代表微网的进一步发展。智能负载(Smart Load,SL)将会变得可控,而储能系统以及基于V2G(Vehicle-to-grid)技术的电动汽车(Electric Vehicle,EV)的使用有助于可控负载的主动响应,可再生能源也将越来越多地用于家庭,楼宇和工厂。对于抑制能源互联网中的功率波动,以及通过将发电侧与需求侧解耦来实现可再生能源的有效利用,储能技术可以起到关键作用。
超导储能(Superconducting Magnetic Energy Storage,SMES)具有对功率波动的快速响应和提供瞬时大功率的优势,但有限的存储容量限制了超导储能的长期工作能力;液氢(Liquid Hydrogen,LH2)存储单元具有存储容量大和经济性好的特点,可以弥补超导储能的缺点,但是它们的响应速度十分缓慢,不适合单独用作存储单元应用于含可再生能源的能源互联网中。液氢超导磁储能装置(Liquid Hydrogen with SMES,LIQHYSMES)可以利用SMES和液氢储能部分协同作用,以共同平抑功率的波动,并且有助于扩大储能单元的存储容量。另一方面,将液氢用作SMES的冷却介质,二者可以共用制冷设备以提高制冷效率并降低投资成本,如文献沈郁,姚伟,方家琨,文劲宇等人于2016年1月在电网技术期刊上提出的《液氢超导磁储能及其在能源互联网中的应用》。
另外,《电能质量电力系统频率允许偏差》(GB/T 15945-1995)中规定:“电力系统频率偏差允许值为0.2Hz,当系统容量较大时,偏差值可放宽到+0.5Hz~-0.5Hz。”对于能源微网,其系统频率波动较大一方面将影响系统的频率质量,另一方面可能造成频率崩溃影响其安全运行,在并网运行时更有可能会造成整个能源互联网系统崩溃,因此,在电力系统运行的过程中,有效地控制系统负荷频率至关重要。
负荷频率控制(Load Frequency Control,LFC)已被广泛应用于传统电力系统中,微网可以通过最优控制、比例积分(Proportional Integral,PI)控制等方法维持频率的稳定性。但是在包含大量分布式可再生能源的能源微网中,由于可再生能源的波动与负荷频率变化叠加产生综合扰动,十分需要能够协调能源微网各单元的强鲁棒性控制器,以及能充分发挥液氢超导储能平抑波动优势的负荷频率控制方法。
发明内容
为了解决上述技术问题,本发明所采用的技术方案是提供了一种能源微网负荷频率控制方法,包括以下步骤:
建立能源微网各组件的负荷频率响应模型;基于广义预测控制算法设计的负荷频率控制器;对SMES系统的超导线圈参数进行优化,实现优化调整能源微网的频率偏差;
能源微网各组件包括LIQHYSMES装置、微型燃气轮机、电动汽车充电站、智能负荷和分布式发电装置。
在上述方法中,所述各组件的输出功率计算如下:
1)SMES系统
超导线圈电压波动如下:
超导线圈电流波动如下:
SMES系统输出功率如下:
ΔPSMES=ΔEd·(ISC0+ΔId) (3)
式中,ΔEd、ΔId和ΔPSMES分别为超导线圈电压波动、电流波动和输出的功率波动,ΔuSMES为超导储能单元的负荷频率控制信号,KSMES为控制信号的比例放大系数,TDC为超导储能单元中换流器的时间常数,ISC0为初始电流,LSC为线圈电感;
2)液氢储能系统
液氢储能系统的输出功率如下:
式中,ΔPLH2、ΔuLH2分别为液氢储能单元输出功率的变化和控制信号,TEEC为电解槽的时间常数,Tc为液化器的时间常数,TFC为燃料电池的时间常数;
3)微型燃气轮机
微型燃气轮机的输出功率可表示为:
式中,ΔPLH2、ΔuMT为微型燃气轮机的输出功率变化和控制信号,Tf、Tt分别表示燃料系统和涡轮的时间常数,R为调速器的调速系数;±δMT为微型燃气轮机输出功率的爬坡约束,±μMT为输出功率的上下限约束,ΔXMT为中间状态变量;
4)电动汽车
电动汽车的输出功率可表示为:
式中,ΔPE、ΔuE为电动汽车的输出功率变化和控制信号,Te是电动汽车的时间常数;
频率偏差可以表示为:
式中,Δf为能源微网的频率偏差响应,综合扰动ΔD=ΔPW—ΔPL,ΔPW为风力发电机输出功率的波动,ΔPL为负荷扰动,Ht为能源微网的惯性常数;
6)分布式发电装置
由于对其输出功率不进行控制,其负荷频率控制等效为扰动源。
在上述方法中,所述基于广义预测控制算法设计的负荷频率控制器包括以下步骤:
S21、建立负荷频率控制器的预测模型,采用受控自回归积分滑动平均模型作为预测模型;
S22、确定计算控制向量的目标函数,滚动优化求解最优控制序列;
S23、采用递归最小二乘法进行预测模型的参数辨识,实现步骤S21中的预测模型的反馈校正。
在上述方法中,所述预测模型采用受控自回归积分滑动平均模型,具体如下:
式中,t是采样控制的离散时间点,Δf(t)是t时刻的频率波动,Δui(t-1)是t-1时刻第i个组件的负荷频率控制信号,w(t-1)是t-1时刻的扰动信号;z-1是后移算子,Δ=1-z-1是差分算子,它代表随机噪声的影响;ξ(t)是n维零均值白噪声序列。A(z-1),Bi(z-1),D(z-1)是关于z-1的多项式矩阵,分别表示为:
式中,
和
为多项式矩阵系数,n
a,n
b,n
d分别为多项式矩阵的阶数;n
a为预测时域长度,n
b为控制时域长度,n
d为扰动时域长度,
分别表示多项式矩阵A(z
-1),B
i(z
-1),D(z
-1)中第(n
a+1)项、第(n
b+1)项、第(n
d+1)项系数;其中B
i(z
-1)开头的若干项系数可以是0,表示对象相应的时滞数。
在上述方法中,所述计算控制向量的目标函数如下:
式中,Q和R为正定权重矩阵,
为在采样时刻t对t+j时刻的频率偏差预测值;频率偏差的参考值r(t+j)设置为常数0;Δu
i(t+j-1)是在(t+j-1)时刻第i个组件的负荷频率控制信号。
在上述方法中,所述所述对SMES系统的超导线圈参数进行优化,实现优化调整能源微网的频率偏差具体包括以下步骤:
S31、将频率偏差和SMES系统初始存储容量作为优化目标;
S32、采用PSO法对优化问题进行求解,确定最优的初始电流、初始存储容量和线圈电感的值,确定优化的频率偏差,实现负荷频率控制效果的优化与调整。
在上述方法中,所述步骤S31包括:
抑制频率偏差变化的目标函数如下:
式中,tsim为仿真时长,J1为负荷频率稳定目标值;
超导储能的初始存储能量表达式为:
优化问题的目标函数可以表示为:
Min J=W1J1+W2ESC0 (13)
式中,W1、W2分别为线性加权的权重系数,J为综合目标值;同时考虑电感约束和初始电流约束,构成含约束的优化问题,则
约束条件为:
0.001≤LSC≤10H (14)
1.5≤ISC0≤4kA
式中,加权因子设置为W1=1、W2=0.01。
在上述方法中,所述步骤S32中采用PSO法对优化问题进行求解具体包括以下步骤:
S321、对粒子群进行初始化。包括初始化粒子数N、最大迭代次数G,每个粒子初始适应值;
将初始的适应值作为当前每个粒子的局部最优值,并且将各个适应值所对应的位置作为每个粒子的局部最优值所在的位置;
S322、更新每个粒子的搜寻参数,更新过程可以下列方程表示:
式中,所述搜寻参数为速度和所在位置,
为粒子i在G次迭代中的速度,
为粒子i在G次迭代中的位置。w为惯性权重,c
1、c
2为学习因子,r
1、r
2为[0,1]区间内均匀分布的伪随机数,
为粒子i在G次迭代中经历过的历史最好点,
为粒子群在G次迭代中所有粒子所经过的最好的点;
S323、判断搜寻参数中的粒子位置其是否满足约束条件,即粒子位置是否满足线圈电感约束和初始电流约束,若满足,则转步骤S324,若不满足则对粒子的搜寻参数进行修正,再判断其是否满足约束条件,若满足,则转步骤S324,若仍然不满足则用前一次的迭代值代替该粒子,在更新中重新生成新的粒子,转步骤S324;
S324、计算各粒子的适应值,即超导线圈的初始存储能量,从粒子群中选出全局最优值Jbest,并与前一次迭代产生的全局最优值Jold比较;如果Jold>Jbest,则使用搜寻参数中的粒子位置更新粒子所在位置,转步骤S325;如果Jold<Jbest,则仍然使用前一次迭代值,在更新中重新生成新粒子,并转步骤S325;
S325、迭代次数G=G+1,并判断是否达到最大迭代次数,如果小于最大迭代次数,则转到S322,进行下一次迭代;如果等于最大迭代次数,则输出最优的初始电流、线圈电感和初始存储容量的值。
本发明还提供了一种能源微网负荷频率控制系统,包括由微型微型燃气轮机、电动汽车充电站、智能负荷和分布式发电系统构建的能源微网,还包括LIQHYSMES装置及DMS系统;所述微型燃气轮机、电动汽车充电站、智能负荷、分布式发电系统和LIQHYSMES装置与区域能源互联网连接;
所述区域能源互联网经输出变压器分别接第一支路、第二支路与第三支路;
所述第一支路接AC/DC变压器、DC/AC逆变器与微型燃气轮机;
所述第二支路分别经分支路接风电系统与液氢超导储能装置;
所述第三支路分别经分支路接电动汽车充电站与光伏系统;
所述第一支路、第二支路与第三支路分别经分支路连接负荷;
所述第一支路、第二支路、第三支路及分支路分别设置与DMS系统通信连接的PMU;
DMS系统中设计基于广义预测控制算法的负荷频率控制器;DMS系统接收各PMU发送到实时信息,优化超导线圈参数,计算微型燃气轮机、电动汽车充电站、智能负荷、SMES系统、液氢储能系统、各负荷和风力发电机的输出功率,根据各输出功率计算频率偏差,DMS系统根据计算的频率偏差与设计的负荷频率控制器计算微型燃气轮机、电动汽车充电站、智能负荷、SMES系统、液氢储能系统负荷频率控制向量值,调整控制微型燃气轮机、电动汽车充电站、智能负荷、SMES系统、液氢储能系统的输出功率。
本发明还提供了一种计算机设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种具体实施方式所述的含液氢超导磁储能的能源微网负荷频率控制器设计方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的能源微网负荷频率控制方法的步骤。
本发明提出了一种鲁棒性更强的基于广义预测算法的协调负荷频率控制器,应用在含有液氢超导储能装置的能源微网负荷频率控制中,能够有效维持能源微网的频率稳定,提高能源微网的频率质量并提高其稳定运行能力;另外,本发明提出了超导线圈参数的优化设计,包括对初始电流,电感和初始存储能量的优化,相比较仅采用传统的负荷频率控制器进行负荷频率控制的方法,以获得更优的频率控制效果。
附图说明
图1为本发明中提供的流程图;
图2为本发明中提供的包含LIQHYSMES单元的能源微网负荷频率控制响应模型图;
图3为本发明中提供的SMES系统的负荷频率控制响应模型图;
图4为本发明中提供的液氢储能系统的负荷频率控制响应模型图;
图5为本发明中提供的微型燃气轮机的负荷频率控制响应模型图;
图6为本发明中提供的电动汽车的负荷频率控制响应模型图;
图7为本发明中提供的智能负荷的负荷频率控制响应模型图;
图8为本发明中提供的采用PSO算法求解超导线圈优化问题的流程图;
图9为本发明中提供的含LIQHYSMES装置的能源微网示意图;
图10为本发明中提供的计算机设备的结构示意图。
具体实施方式
本发明提出了一种鲁棒性更强的基于广义预测算法(Generalized PredictiveControl,GPC)的协调负荷频率控制器,应用在含有液氢超导储能单元的能源微网负荷频率控制中,能够有效维持能源微网的频率稳定。同时,本发明提出了超导线圈参数的优化设计,包括对初始电流,电感和初始存储能量的优化,相比较仅采用传统的负荷频率控制器进行负荷频率控制的方法,以获得更优的频率控制效果,下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1所示,本发明提供了一种能源微网负荷频率控制方法,包括以下步骤:
S1、建立能源微网各组件的负荷频率响应模型,包括分别建立LIQHYSMES装置、微型燃气轮机、电动汽车充电站、智能负荷和分布式发电装置的负荷频率响应模型;具体包括:
另外,如图2所示,风电系统作为扰动源参与负荷频率控制,根据各组件的模型搭建整体负荷频率控制响应模型,图中ΔuMT、ΔuE、ΔuSL、ΔuSMES、ΔuLH2分别为负荷频率控制器对微型微型燃气轮机、电动汽车、智能负荷、LIQHYSMES装置的控制向量,各组件的模型及输出功率计算具体如图3-7所示,具体如下:
1)SMES系统负荷频率控制模型
在负荷频率控制的过程中,SMES系统的超导线圈的电压和电流根据频率的变化而变化,以提供不同的功率来对系统的稳定性进行调节。当一次扰动结束后,超导线圈的电流应迅速恢复到初始值为下次扰动做准备。
如图3所示,图中Kid为超导线圈电流ΔId的反馈比例系数,±δSMES为超导储能系统输出功率爬坡约束。在本实施例中,采用GPC控制策略需要基于递推最小二乘法对系统的模型进行在线辨识,其使用的受控自回归积分滑动平均模型为线性模型,由于超导储能系统的负荷频率控制模型是非线性的,因此这里引入超导线圈电流的反馈,一方面可以在一定程度上消除线性化造成的误差,另一方面可以实现超导电流的迅速恢复。
超导线圈电压波动如下:
超导线圈电流波动如下:
SMES系统输出功率如下:
ΔPSMES=ΔEd·(ISC0+ΔId) (3)
式中,ΔEd、ΔId和ΔPSMES分别为超导线圈电压波动、电流波动和输出的功率波动,ΔuSMES为超导储能单元的负荷频率控制信号,KSMES为控制信号的比例放大系数,TDC为超导储能单元中换流器的时间常数,ISC0为初始电流,LSC为线圈电感。
2)液氢储能系统负荷频率控制模型
液氢储能系统与SMES系统在功率的调节上是相互独立的,意味着两者对能源微网提供的功率只受到LIQHYSMES装置中功率转换与控制单元(Power Conversion&Control,PCC)的控制,因此可以看成是并联系统共同进行负荷频率控制。
如图4所示,该模型包括受控制信号ΔuMT控制的比较控制器,分别于比较控制器触点端连接的电解槽、液化器和液化器、燃料电池;图中±δLH2为液氢储能系统输出功率爬坡约束,当频率偏差为负时,PCC控制燃料电池、微型燃气轮机、热电联产装置等消耗液氢储能系统中的氢气产生电能来弥补功率缺额,当频率偏差为正时,液氢储能系统利用电解槽来消耗多余的功率。本实施例中,以燃料电池作为液氢储能系统的放电装置,燃料电池的时间常数与电解槽时间常数设置相同,以简化所使用的模型,液氢储能系统的输出功率如下:
式中,ΔPLH2、ΔuLH2分别为液氢储能单元输出功率的变化和控制信号,TEEC为电解槽的时间常数,Tc为液化器的时间常数,TFC为燃料电池的时间常数。
3)微型燃气轮机负荷频率控制模型
图5为微型燃气轮机的负荷频率控制响应模型,该模型模拟了微型燃气轮机输出功率跟随负荷频率控制信号变化的动态过程。该模型包括微型燃气轮机的调速器、燃料系统以及燃气涡轮,其中,燃料系统和燃气涡轮的等值模型分别用一阶惯性环节表示。微型燃气轮机的输出功率可表示为:
式中,ΔPLH2、ΔuMT为微型燃气轮机的输出功率变化和控制信号,Tf、Tt分别表示燃料系统和涡轮的时间常数,R为调速器的调速系数;±δMT为微型燃气轮机输出功率的爬坡约束,±μMT为输出功率的上下限约束,ΔXMT为中间状态变量。
4)电动汽车负荷频率控制模型
由于在每个电动汽车充电站中存在不同数量的电动汽车,因此可以用逆变器容量不同的电动汽车模型来等效电动汽车负荷频率控制模型;如图6所示,该模型包括串联的第一开关选择器与第二开关选择器,与第二开关选择器连接的容量计算模块;比较端分别连接容量计算模块输出端的第一信号比较器与第二信号比较器,第一信号比较器与第二信号比较器的输出端分别接第一开关选择器与第二开关选择器的信号输入端,第一信号比较器与第二信号比较器分别于最大容量值和最小容量值比较。
通过容量计算模块实时更新电动汽车容量,当电动汽车容量未达到上、下限时,第一开关选择器和第二开关选择器连接2、3接口,电动汽车只能在(—μe~μe)的功率范围内进行充放电。当第一信号比较器比较到电动汽车的容量超过上限(即Emax)时,第一开关选择器从接口2跳到接口1,第二开关选择器不动作,电动汽车只能在(0~μe)的功率范围内进行放电。如果第二信号比较器比较到电动汽车的容量小于下限(即Emin)时,第二开关选择器从接口3跳到接口4,第一开关选择器不动作,电动汽车只能在(—μe~0)的功率范围内进行充电;±δe为电动汽车输出功率的爬坡约束。
电动汽车的输出功率可表示为:
式中,ΔPE、ΔuE为电动汽车的输出功率变化和控制信号,Te是电动汽车的时间常数。
5)智能负荷的负荷频率控制模型
在能源微网中,可控负荷数据计算中心可以根据频率偏差来计算所需智能负荷的供电功率。随后,可控负荷数据计算中心可以相应地调整需要打开或关闭的智能负荷的数量,但是每个智能负荷的输出功率是不可控的。智能负荷具有快速响应负荷频率控制的优点,其负荷频率控制响应模型如图7所示,图中ΔPSL、ΔuSL为智能负荷的输出功率和控制信号,±δSL为智能负荷功率变化速率约束。
5)分布式发电装置
由于对其输出功率不进行控制,其负荷频率控制模型等效为扰动源。
本实施例中,由于风电和光伏(PV)输出功率的波动相对较大,它们可以等效为负荷频率控制模型中的扰动源。由于风电和光伏发电的功率扰动在负荷频率控制中具有相似的响应,因此本具体实施例中仅考虑风电作为扰动源的情况。
基于上述各组件的负荷频率响应控制模型,如图2所示,频率偏差可以表示为:
式中,Δf为能源微网的频率偏差响应,综合扰动ΔD=ΔPW—ΔPL,ΔPW为风力发电机输出功率的波动,ΔPL为负荷扰动,Ht为能源微网的惯性常数。
S2、基于广义预测控制算法设计的负荷频率控制器。
基于上述各组件的负荷频率响应控制模型,设计的负荷频率控制器包括以下步骤:
S21、建立负荷频率控制器的预测模型,采用受控自回归积分滑动平均模型作为预测模型,如下:
式中,t是采样控制的离散时间点,Δf(t)是t时刻的频率波动,Δui(t-1)是t-1时刻第i个组件(包括SMES系统、液氢储能系统、微型燃气轮机、电动汽车充电站和智能负荷)的负荷频率控制信号,w(t-1)是t-1时刻的扰动信号;z-1是后移算子,Δ=1-z-1是差分算子,它代表随机噪声的影响;ξ(t)是n维零均值白噪声序列。A(z-1),Bi(z-1),D(z-1)是关于z-1的多项式矩阵,分别表示为:
式中,
和
为多项式矩阵系数,n
a,n
b,n
d分别为多项式矩阵的阶数;n
a为预测时域长度,n
b为控制时域长度,n
d为扰动时域长度,
分别表示多项式矩阵A(z
-1),B
i(z
-1),D(z
-1)中第(n
a+1)项、第(n
b+1)项、第(n
d+1)项系数;其中B
i(z
-1)开头的若干项系数可以是0,表示对象相应的时滞数。
S22、确定计算控制向量的目标函数;滚动优化求解最优控制序列;
为了跟踪预测输出设置的频率偏差参考值,并抑制控制向量的剧烈变化以提高系统鲁棒性,使用基于以下目标函数的优化方法来计算控制向量:
式中,Q和R为正定权重矩阵,
为在采样时刻t对t+j时刻的频率偏差预测值。频率偏差的参考值r(t+j)设置为常数0。Δu
i(t+j-1)是在(t+j-1)时刻第i个组件的负荷频率控制信号。
S23、采用递归最小二乘法进行预测模型的参数辨识,实现步骤S21中的预测模型的反馈校正。
本实施例,将公式(7)求得的实际频率偏差Δf带入到步骤S23中,作为反馈值进行预测模型的参数辨识,从而对负荷频率控制器预测模型,即公式(8),其中的参数进行实时调整。再通过更新后的公式(8)求解得到预测的未来时刻频率偏差,然后代入到公式(10)中求解一组新的最优控制向量Δu(即ΔuMT、ΔuE、ΔuSL、ΔuSMES、ΔuLH2)。
S3、对SMES系统的超导线圈参数进行优化,实现优化调整能源微网的频率偏差。具体包括以下步骤:
S31、首先将频率偏差和SMES系统初始存储容量作为优化目标,进行综合优化。
本实施例,超导线圈参数包括初始电流ISC0、线圈电感LSC和初始存储容量ESC0;为了提高负荷频率稳定性,抑制频率偏差变化的目标函数如下:
式中,tsim为仿真时长,J1为负荷频率稳定目标值。
超导储能的初始存储能量表达式为:
通过优化超导线圈电感LSC和线圈初始电流ISC0的值来优化初始存储容量ESC0,上述两部分进行线性加权后,则优化问题的目标函数可以表示为:
MinJ=W1J1+W2ESC0 (13)
式中,W1、W2分别为线性加权的权重系数,J为综合目标值。同时考虑电感约束和初始电流约束,构成含约束的优化问题。
约束条件为:
0.001≤LSC≤10H (14)
1.5≤ISC0≤4kA
式中,加权因子设置为W1=1、W2=0.01。
本实施例中,结合公式(1)-(3)可以得到SMES系统输出功率为:
再结合公式(4)-(6)其它组件的功率变化响应,以及公式(7)中的频率偏差响应表达式,可以获得用控制信号表达的频率偏差响应,通过采用数值拉普拉斯变换获得频率偏差的时域响应,即可得到式(13)的具体表达式。
本实施例中,采用GPC算法的原理可以归纳为三个部分:预测模型,滚动优化和反馈校正。在GPC算法中,负荷频率控制器预测模型为CARIMA模型,适合应用于不稳定系统并且易于进行模型参数的在线识别。图2所示的负荷频率控制信号是预测模型的多个输入,而频率偏差是预测模型的单个输出。此外,在该模型中考虑了由负载或风力发电引起的波动和可测量噪声的扰动。预测模型采用式(8)表示;
为了跟踪预测输出设置的参考值,采用式(10)作为优化的目标函数来计算控制向量。
最优控制向量可以通过求解二次规划问题的算法求得,如序列最小优化算法(Sequential Minimal Optimization,SMO),本实施案例采用Matlab提供的函数quadprog进行最优控制向量的求解,Δu(t|t)为在采样时刻t得到的最优控制向量的第一个元素,将其作为负荷频率控制信号施加于能源微网中。
在基于GPC算法的负荷频率控制器中,采用递归最小二乘法进行预测模型的参数辨识,这意味着预测模型中的多项式矩阵随采样时间而变化。然后再基于新的多项式矩阵计算最优控制序列,这种在线识别和控制序列校正的方法构成了GPC算法的反馈校正机制。
S32、采用粒子群算法(Particle Swarm Optimization,PSO)对上述优化问题进行求解,确定最优的初始电流、初始存储容量和线圈电感的值,确定优化的频率偏差,实现负荷频率控制效果的优化与调整。采用PSO法对优化问题进行求解具体包括以下步骤:
S321、对粒子群进行初始化。包括初始化粒子数N、最大迭代次数G,每个粒子初始适应值(粒子的适应值代表优化的目标函数,即公式(13));
将初始的适应值作为当前每个粒子的局部最优值,并且将各个适应值所对应的位置(即LSC和ISC0的初始值)作为每个粒子的局部最优值所在的位置。
S322、更新每个粒子的搜寻参数(速度和所在位置),粒子速度是粒子群算法中进行粒子位置更新的重要参数,代表每次迭代过程中粒子位置的更新变化趋势,通过公式(16)计算得到,并通过公式(17)进行粒子位置更新。
更新过程可以下列方程表示:
式中,
为粒子i在G次迭代中的速度,
为粒子i在G次迭代中的位置。w为惯性权重,c
1、c
2为学习因子,r
1、r
2为[0,1]区间内均匀分布的伪随机数,
为粒子i在G次迭代中经历过的历史最好点,
为粒子群在G次迭代中所有粒子所经过的最好的点。
S323、判断粒子搜寻参数中的粒子位置其是否满足约束条件,即粒子位置是否满足线圈电感约束和初始电流约束,若满足,则转步骤S324,若不满足则对粒子的搜寻参数进行修正,再判断其是否满足约束条件,若满足,则转步骤S324,若仍然不满足则用前一次的迭代值代替该粒子,在更新中重新生成新的粒子,转步骤S324。
S324、计算各粒子的适应值,即超导线圈的初始存储能量,从粒子群中选出全局最优值Jbest,并与前一次迭代产生的全局最优值Jold比较;
如果Jold>Jbest,则使用搜寻参数中的粒子位置更新粒子所在位置,转步骤S325;如果Jold<Jbest,则仍然使用前一次迭代值,在更新中重新生成新粒子,并转步骤S325。
S325、迭代次数G=G+1,并判断是否达到最大迭代次数,如果小于最大迭代次数,则转到S322,进行下一次迭代;如果等于最大迭代次数,则输出最优的初始电流、线圈电感的值,并根据公式(12)计算得到初始存储容量的值。
本实施例要达到的“更优的控制效果”包含两点:
(1)针对系统可能出现的综合扰动,能够使频率的波动在允许值+0.2Hz~-0.2Hz以内,保证能源微网稳定运行。
(2)在系统发生相同的综合扰动情况下,相比较仅采用传统负荷频率控制器(如PI控制器)进行负荷频率控制的方法,本方案所设计的负荷频率控制方法能够减少频率的波动幅值并提高频率剧烈波动的衰减速度,从而提高频率质量及能源微网的稳定性。
如图9所示,本发明还提供了一种能源微网负荷频率控制系统,包括由微型微型燃气轮机、电动汽车充电站、智能负荷和分布式发电装置构建的能源微网,还包括LIQHYSMES装置及调度管理系统(Dispatching Management System,DMS)。微型燃气轮机、电动汽车充电站、智能负荷和LIQHYSMES装置与区域能源互联网连接;
区域能源互联网经输出变压器分别接第一支路、第二支路与第三支路;
第一支路接AC/DC变压器、DC/AC逆变器与微型燃气轮机;
第二支路分别经分支路接风电系统与液氢超导储能装置;
第三支路分别经分支路接电动汽车充电站与光伏系统;
第一支路、第二支路与第三支路分别经分支路连接负荷。
第一支路、第二支路、第三支路及分支路分别设置与DMS系统通信连接的PMU(Phasor Measurement Unit,同步相量测量装置),具体可为无线连接或其他现有技术;
第一支路、第二支路、第三支路分别还设置控制电路开关的断路器;
在电力系统中,由于风电和光伏输出功率的波动相对较大,它们可以等效为负荷频率控制模型中的扰动源,且风电和光伏发电的功率扰动在负荷频率控制中具有相似的响应,因此本实施例中仅考虑风电作为扰动源的情况。
在DMS系统中设计基于广义预测控制算法的负荷频率控制器;DMS系统接收各PMU发送到实时信息,优化超导线圈参数,计算微型燃气轮机、电动汽车充电站、智能负荷、SMES系统、液氢储能系统、各负荷和风力发电机的输出功率,根据各输出功率计算频率偏差,DMS系统根据计算的频率偏差与设计的负荷频率控制器计算微型燃气轮机、电动汽车充电站、智能负荷、SMES系统、液氢储能系统负荷频率控制向量值,调整控制微型燃气轮机、电动汽车充电站、智能负荷、SMES系统、液氢储能系统的输出功率。
在DMS系统对电力系统负荷频率控制的过程中,SMES系统的超导线圈的电压和电流根据频率的变化而变化,以提供不同的功率来对系统的稳定性进行调节;本实施例为了获得更优的频率控制效果,DMS系统对SMES系统的超导线圈参数进行优化,超导线圈参数包括对初始电流,电感和初始存储能量。
本实施例DMS系统进行实时管理,同步相量测量装置(Phasor Measurement Unit,PMU)安装在其中以测量各节点的实时信息。来自PMU的大量数据可以通过DMS系统中的云计算中心来进行处理。DMS系统进行的计算及对SMES系统的超导线圈参数进行优化,具体运算及果实呈如上述方法中的具体步骤,在此不再赘述。
本发明实施例还提供了一种计算机设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种具体实施方式所述的能源微网负荷频率控制方法的步骤。
具体如图10所示,为用来实现本实施例的计算机设备的结构示意图。图10示出的计算机设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。如图10所示,计算机系统包括处理器(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。具体包括:建立能源微网各组件的负荷频率响应模型,包括分别建立LIQHYSMES装置、微型燃气轮机、电动汽车充电站、智能负荷和分布式发电装置的负荷频率响应模型;采用受控自回归积分滑动平均模型建立负荷频率控制器的预测模型,确定各组件初始控制信号与频率偏差;系统运行时对SMES系统的超导线圈参数进行优化步骤及计算,LIQHYSMES装置、微型燃气轮机、电动汽车充电站和智能负荷输出功率的实时计算,频率偏差与各组件控制信号实时计算,以及对各组件负荷频率控制。
在RAM中,还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
根据实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被处理器(CPU)执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质可以是,但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。
在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机。
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一具体实施方式中的能源微网负荷频率控制方法的步骤。
该计算机可读介质可以是上述实施例中描述的计算机或终端设备中所包含的;也可以是单独存在,而未装配入该计算机设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该计算机设备执行时,使得该计算机设备:建立能源微网各组件的负荷频率响应模型,包括分别建立LIQHYSMES装置、微型燃气轮机、电动汽车充电站、智能负荷和分布式发电装置的负荷频率响应模型;采用受控自回归积分滑动平均模型建立负荷频率控制器的预测模型,确定各组件初始控制信号与频率偏差;系统运行时对SMES系统的超导线圈参数及频率偏差进行优化步骤及计算,LIQHYSMES装置、微型燃气轮机、电动汽车充电站、智能负荷和分布式发电装置输出功率的实时计算,频率偏差与各组件控制信号实时计算,以及对各组件负荷频率控制。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明不局限于上述最佳实施方式,任何人应该得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。