CN112103980B - 一种联合火电机组agc调频的混合储能系统能量管理方法 - Google Patents

Abstract

本发明涉及一种联合火电机组进行AGC调频的混合储能系统能量管理方法，针对火电机组响应AGC指令能力弱且随机性强等缺点，以飞轮及锂电池构建混合储能系统，提出一种基于马尔科夫链的随机模型预测控制方法来进行混合储能系统能量管理，包括如下步骤：1)根据火电机组响应AGC指令的历史数据，采用马尔科夫链来对混合储能系统未来的功率需求进行建模。2)通过生成场景树来选择混合储能系统未来功率需求。3)采用随机模型预测控制来得到飞轮及锂电池各自的补偿功率。该方法基于火电机组的历史机组功率响应特性数据，能够提高火电机组性能指标(“两个细则”中的K_P值)，同时可以合理控制飞轮及锂离子电池各自的输出功率，减小飞轮及锂电池的荷电状态SOC波动以及功率波动，延长储能寿命。

Description

一种联合火电机组AGC调频的混合储能系统能量管理方法

技术领域

本发明涉及一种联合火电机组AGC调频的混合储能系统能量管理方法，具体为飞轮储能和锂离子电池储能构建混合储能系统联合火电机组进行AGC调频，属于火电AGC调频技术领域。

背景技术

当今，可再生能源的渗透率逐步增大加剧了系统频率的波动，自动发电控制指令调节更加快速、剧烈。传统调频火电机组调频能力有限，且频繁变功率运行加剧了机组的磨损，影响设备寿命。“火储”联合调频是提高火电机组调频性能的有效方式。混合储能系统功率响应速度快、精确，且不同类型储能介质具有互补性，能够有效减少能量型储能频繁且不规则的充/放电，提高AGC调频性能与经济性。能量管理系统对混合储能系统的调频性能以及储能寿命有直接影响。合理的能量管理策略不仅能够提高调频性能，同时能够延长储能使用寿命，提高储能系统的经济性。

文献“Xie X,Guo Y,Wang B,et al.Improving AGC performance of coal-fueled thermal generators using multi-MW scale BESS:a practical application[J].IEEE Transactions on Smart Grid,2016,9(3):1769-1777.”提出一种电池储能系统联合火电机组AGC调频的方法，从基本原理、控制策略、技术性能和经济效益等方面研究，并进行现场试验验证。其主要是可行性验证，储能的能量管理策略未进行深入探讨。

国内专利201911083033.6公布了一种飞轮储能联合锂电储能进行火电调频的系统，其包括储能系统以及储能控制策略。该专利对储能系统功率输出时未考虑荷电状态SOC的剩余容量。

总之，上述现有技术采用储能系统对火电机组进行功率补偿时，未考虑储能的剩余电量以及未来的功率需求，造成储能系统频繁的充放电，对储能的寿命影响大，而且电量容易越限，造成储能的利用率降低。从而使得调频性能受到影响。

发明内容

本发明技术解决问题：鉴于储能系统联合火电机组进行AGC调频时，储能系统的输出功率对调频性能以及储能的荷电状态SOC，储能寿命等方面有重要的影响，以飞轮及锂电池构建混合储能系统，克服现有技术的不足，提出一种基于马尔科夫链的随机模型预测控制的方法进行混合储能系统能量管理。该方法在提高火电机组性能指标((即《并网发电厂辅助服务管理实施细则》和《发电厂并网运行管理实施细则》)中的K_P值)的同时，能够合理控制混合储能系统的输出功率，减小锂电池储能系统的荷电状态SOC波动以及功率波动，从而延长锂电池的寿命。

为达到上述目的，所述方法具体包括以下步骤：

S1、根据某火电机组响应AGC指令的历史数据，采用马尔科夫链来对混合储能系统未来的功率需求进行建模。

S2、采用基于场景树的算法来描述混合储能系统的功率需求在未来有限时域内可能的取值，在每个控制周期采集系统更新的状态，利用更新的状态和功率需求在未来有限时域内可能的取值生成场景树，场景树中每个节点代表预测模型中可能的功率需求值，将应用于步骤S3中的优化问题。

S3、对混合储能系统协调火电机组AGC调频进行系统建模，并提出基于场景树的随机模型预测控制目标，对控制目标进行求解，将求得控制目标解的控制量的输入用作混合储能系统的给定功率输出向区域电网输送功率，从而完成了对火电机组的功率补偿工作。整个方法的流程图如附图1。

进一步，步骤S1中，所述采用马尔科夫链来对混合储能系统未来的功率需求进行建模包括：根据某火电机组响应AGC指令的历史数据，将混合储能系统的功率需求离散化

R为实数集，s为离散化数量，为了表述方便，规定储能输出功率为正。离散状态集P_d是模型复杂度和状态转移规律的折中，可按照实际功率需求大小来确定。假设k时刻的功率需求为Pd(k)，将k+1时刻的功率需求P_d(k+1)∈P_d作为随机过程建立预测模型，马尔科夫状态转移概率矩阵T的任一元素[T]_ij表示为：：

其中，i,j分别为矩阵T的任一行和列。[T]_ij表示在k时刻功率需求为

的条件下，在k+1时刻功率需求为

的转移概率值，转移概率值可通过历史先验信息由极大似然估计法来确定，如式(2)所示：

式中，m_ij表示历史数据中状态量由

转移到

的次数；m_i表示状态量由

转移的次数之和，s为离散化数量。

公式(2)即为建模公式。由于AGC指令增大和减小时的混合储能系统功率需求变化趋势不同，可分别建立AGC指令增大和减小的马尔科夫状态转移概率矩阵T。

进一步，步骤S2中，所述采用基于场景树的算法来描述混合储能系统的功率需求在未来有限时域内可能的取值是指：场景的数量及树的结构不仅关系到决策问题的复杂度，而且直接影响着最终决策的优劣，设计的场景树结构如图2。设计的场景树结构是，场景树一共分为5步，每生成子节点为一步，根节点生成两个子节点，生成的两个子节点分别生成各自的两个子节点，然后生成的子节点再分别生成各自的两个子节点，接着生成的子节点再分别生成各自的两个子节点，最后，生成的子节点再分别生成各自的一个子节点,每生成一步子节点作为一步。

场景树的生成过程如下：

(1)根据步骤S1建立的马尔科夫状态转移概率矩阵，设置阈值来跳过一些低概率场景，由于各步预测的概率分布差异较大，且预测时域越长概率分布越分散，因此分别设置第n步预测的转移概率阈值β_n。

(2)当前时刻的混合储能系统的功率需求作为场景树中的节点0，设置ii＝0。

(3)从根节点开始第ii个节点选择子节点，该子节点为第n步预测，根据阈值β_n和当前时刻的混合储能系统的功率需求值得到集合Z，使得Z中的每个元素Z_x的概率p(Z_x)满足：

p(Z_x)≥β_n (3)

(4)对于集合Z中的每个元素的概率重新计算权重：

其中Z_x为Z中的任一元素，并计算累加权重：

P_Z(x)为元素Z_x的累加权重，m为从1开始的整数；

(5)利用随机函数r＝rand(0,1)选择元素Z_w：

w为选择的子节点Z_w的下标，r为随机函数生成的0到1之间的随机数，子节点Z_w的节点概率ζ_Zw为：

ζ_Zw＝ζ_i·p(Z_w) (7)

其中，ζ_i为当前节点的节点概率。

(6)将已经选择的节点Z_w从Z中去掉，重复步骤(4)～(5)直到选择完该节点的所有子节点；

(7)更新ii的值，使得ii的值增加1；如果ii<31，重复步骤(3)～(5)直到对场景树中的所有节点选择功率需求及相应的节点概率。场景树中的每个节点代表代表未来可能的功率需求值，将在步骤S3中用于目标函数的优化。

进一步，步骤S3中，所述对混合储能系统联合火电机组AGC系统建模包括：混合储能系统主要补偿AGC指令和火电机组之间的差值，假设k时刻混合储能系统的功率需求为P_d(k)，则：

P_d(k)＝P_b(k)+P_fl(k)+P_dif(k) (8)

其中，P_b(k)、P_fl(k)分别为k时刻锂电池和飞轮的功率值，P_dif(k)为混合储能系统补偿后的功率差值。k+1时刻锂电池和飞轮的荷电状态SOC可由下式确定：

SOC_b、SOC_fl分别为锂电池和飞轮的荷电状态；Δt为系统的采样时间间隔。E_b、P_b、E_fl、P_fl分别为锂电池和飞轮的容量、功率。

根据式(8)、(9)选取混合储能系统的荷电状态SOC作为状态量及输出量x(k)＝[SOC_b(k)SOC_fl(k)]^T，y(k)＝[SOC_b(k) SOC_fl(k)]^T，锂电池功率及混合储能系统功率需求的差值作为控制变量u(k)＝[P_b(k) P_dif(k)]^T，功率需求为扰动量w(k)＝P_d(k)，建立系统的状态空间模型如下：

其中：

x(k+1)为下一个采样时刻的状态量。

进一步，步骤S3中基于场景树的随机模型预测控制目标，对控制目标进行求解，将求得控制目标解的控制量的输入用作混合储能系统的给定功率输出包括：

(1)将步骤S2中生成的场景树的节点用于随机模型预测最优控制，如下：

[y_ref(k)]₁＝SOC_b(k)，[y_ref(k)]₂＝SOC_fl(k)。

其中，H为树节点的集合，S为树叶节点集合，ζ_i为树的各个节点的从根节点开始的节点概率，N_i为任一树节点，N₀为树节点的根节点，y_i为系统模型中树节点的输出量，y_ref(k)为当前k时刻的参考输出量，u_i为非叶树节点的控制量，J为目标函数。Q，R为目标函数的权重系数矩阵，

为大于零的权重参数。

越大则锂电池的荷电状态SOC变化率越小，从而可以尽量少使用锂电池，延长电池寿命；同理

影响飞轮的荷电状态SOC变化率；权重系数

越大，锂电池的充放电功率波动越小；同理

越大使得混合储能系统总的出力尽可能等于功率需求P_d。在实际控制中，4个参数是矛盾的，应根据控制效果合理的调整4个权重系数。SOC_b(k)为k时刻锂电池的荷电状态SOC，SOC_fl(k)为k时刻飞轮的荷电状态SOC。

为了实现混合储能系统联合火电机组AGC的模型预测控制策略，混合储能系统必须满足一定的荷电状态SOC、功率、系统的约束。

1)荷电状态SOC的约束。树节点y_i必须满足混合储能系统的荷电状态SOC约束。

分别为锂电池和飞轮的最小、最大荷电状态SOC；

2)功率的约束。树节点必须满足混合储能系统的功率约束。

分别为锂电池和飞轮的最小、最大功率；

3)为了避免混合储能系统内部的功率环流以减少不必要的充放电，P_b、P_fl、P_dif需为同号，但是由于当功率需求P_d接近0时，需求功率预测值可能为正或负，约束如下：

ε<0，根据实际控制效果调节ε的大小；

(2)将式(11)所提的最优控制问题包括式(12)(13)(14)采用二次规划方法求解来得到控制量u_i，将与根节点N₀相关的决策量u₀用作混合储能系统的功率输出对火电机组进行功率补偿。

本发明与现有技术相比的优点：本发明方法能够提高火电机组调频性能指标(“两个细则”中的K_P值)。相比于只采用电池储能系统来联合火电机组提高调频性能，本方法采用飞轮储能替代部分电池储能，飞轮储能属于功率型储能，能够分担部分电池储能功率，从而减少电池储能的充放电，延长电池储能的寿命。相比于本文提到的采用混合储能系统联合火电机组提高调频性能的方法，本发明方法采用随机模型预测控制策略进行混合储能系统能量管理，控制策略能够预测混合储能系统未来一段时间内可能的功率需求，并根据当前混合储能系统的剩余电量，以减小锂电池的充放电功率波动，减小锂电池的荷电状态SOC波动，减小补偿功率差值作为控制目标，优化混合储能系统的输出功率。由于控制策略考虑了混合储能系统的未来功率需求以及当前荷电状态SOC，因此能够更合理的利用混合储能系统的电量，补偿结果K_P值更高，而且该方法能够减小电池储能系统的荷电状态SOC波动，充放电功率波动，从而更合理使用电池储能系统，延长电池寿命。

附图说明

图1为混合储能系统联合火电机组进行AGC调频的能量管理策略流程图；

图2为5步预测的场景树的结构设计图；

图3为需求功率历史数据统计分析图；

图4为建立的预测模型图；(a)为AGC增大时的马尔科夫矩阵图，(b)为AGC减小时的马尔科夫矩阵图；

图5为本发明的混合储能系统联合火电机组进行AGC调频的补偿结果图；

图6为采用本发明的电池的充放电功率和采用4MW电池进行补偿的充放电功率对比图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明联合火电机组AGC调频的混合储能系统能量管理方法包括如下步骤：

S1、根据某火电机组响应AGC指令的历史数据，采用马尔科夫链来对混合储能系统未来的功率需求进行建模。

根据某火电机组响应AGC指令的历史数据，将混合储能系统的功率需求离散化

R为实数集，s为离散化数量，为了表述方便，本发明规定储能输出功率为正。设k时刻的功率需求为Pd(k)，将k+1时刻的功率需求P_d(k+1)∈P_d作为随机过程建立预测模型，马尔科夫状态转移概率矩阵T的任一元素[T]_ij表示为：

其中，i,j分别为矩阵T的任一行和列。[T]_ij表示在k时刻功率需求为

的条件下，在k+1时刻功率需求为

的转移概率值，转移概率值通过历史先验信息由极大似然估计法来确定，如式(2)所示：

式中，m_ij表示历史数据中状态量由

转移到

的次数；m_i表示状态量由

转移的次数之和；

公式(2)即为建模公式。由于AGC指令增大和减小时的混合储能系统功率需求变化趋势不同，分别建立AGC指令增大和减小的马尔科夫状态转移概率矩阵T。

S2、采用基于场景树的算法来描述混合储能系统的功率需求在未来有限时域内可能的取值，在每个控制周期采集系统更新的状态，利用更新的状态和功率需求在未来有限时域内可能的取值生成场景树，场景树中每个节点代表预测模型中可能的功率需求值，将应用于步骤S3中的优化问题。

场景的数量及树的结构不仅关系到决策问题的复杂度，而且直接影响着最终决策的优劣，设计的场景树结构如图2。

场景树的生成过程如下：

(1)根据步骤S1建立的马尔科夫状态转移概率矩阵，设置阈值跳过低概率场景，分别设置第n步预测的转移概率阈值β_n；

(2)当前时刻的混合储能系统的功率需求作为场景树中的节点0，设置ii＝0；ii表示节点数；

(3)从根节点开始第ii个节点选择子节点，该子节点为第n步预测，根据阈值β_n和当前时刻的混合储能系统的功率需求值得到集合Z，使得Z中的每个元素Z_x的概率p(Z_x)满足：

p(Z_x)≥β_n (3)

(4)对于集合Z中的每个元素的概率重新计算权重：

其中Z_x为Z中的任一元素，并计算累加权重：

P_Z(x)为元素Z_x的累加权重，m为从1开始的整数；

(5)利用随机函数r＝rand(0,1)选择元素Z_w：

w为选择的子节点Z_w的下标，r为随机函数生成的0到1之间的随机数，子节点Z_w的节点概率ζ_Zw为：

ζ_Zw＝ζ_i·p(Z_w) (7)

其中，ζ_i为当前节点的节点概率。

(6)将已经选择的节点Z_w从Z中去掉，重复步骤(4)～(5)直到选择完该节点的所有子节点；

(7)更新ii的值，使得ii的值增加1；如果ii<31，重复步骤(3)～(5)直到对场景树中的所有节点选择功率需求及相应的节点概率。场景树中的每个节点代表代表未来可能的功率需求值，将在步骤S3中用于目标函数的优化。

S3、对混合储能系统联合火电机组AGC建模，并提出随机模型预测控制目标。将求得控制目标的解的一部分用作混合储能系统的功率输出对火电机组进行功率补偿。

混合储能系统主要补偿AGC指令和火电机组之间的差值，假设k时刻混合储能系统的功率需求为P_d(k)，则：

P_d(k)＝P_b(k)+P_fl(k)+P_dif(k) (8)

其中，P_b(k)、P_fl(k)分别为k时刻锂电池和飞轮的功率值，P_dif(k)为混合储能系统补偿后的功率差值。k+1时刻锂电池和飞轮的荷电状态SOC可由下式确定：

SOC_b、SOC_fl分别为锂电池和飞轮的荷电状态；Δt为系统的采样时间间隔。E_b、P_b、E_fl、P_fl分别为锂电池和飞轮的容量、功率。

根据式(8)、(9)选取混合储能系统的荷电状态SOC作为状态量及输出量x(k)＝[SOC_b(k)SOC_fl(k)]^T，

y(k)＝[SOC_b(k) SOC_fl(k)]^T，锂电池功率及混合储能系统功率需求的差值作为控制变量u(k)＝[P_b(k) P_dif(k)]^T，功率需求为扰动量w(k)＝P_d(k)，建立混合储能系统的状态空间模型如下：

其中：

x(k+1)为下一个采样时刻的状态量。

采用基于场景树的随机模型预测控制方法，在每个控制周期采集系统更新的状态和马尔科夫转移概率矩阵T生成场景树，树的每个节点代表可能的功率需求参与随机模型预测优化控制。步骤如下：

(1)将步骤S2中生成的场景树的节点用于随机模型预测最优控制，如下：

其中，H为树节点的集合，S为树叶节点集合，ζ_i为树的各个节点的从根节点开始的节点概率，N_i为任一树节点，N₀为树节点的根节点，y_i为系统模型中树节点的输出量，y_ref(k)为当前k时刻的参考输出量，Q，R为目标函数的权重系数矩阵，u_i为非叶树节点的控制量，J为目标函数。

[y_ref(k)]₁＝SOC_b(k)，[y_ref(k)]₂＝SOC_fl(k)。

其中，

为大于零的权重参数。SOC_b(k)为k时刻锂电池的荷电状态SOC，SOC_fl(k)为k时刻飞轮的荷电状态SOC。

混合储能系统须满足的约束如下：

1)荷电状态SOC的约束。

分别为锂电池和飞轮的最小、最大荷电状态SOC；

2)功率的约束。

分别为锂电池和飞轮的最小、最大功率；

3)P_b、P_fl、P_dif需满足如下约束：

ε<0，根据实际控制效果调节ε的大小；

(2)将式(11)所提的最优控制问题包括式(12)(13)(14)采用二次规划方法求解来得到控制量u_i，将与根节点N₀相关的决策量u₀用作混合储能系统的功率输出对火电机组进行功率补偿。

实施例1：

本仿真算例以某调频电厂调频性能较差的火电机组实际运行数据进行分析验证。该机组装机容量为330MW，数据采样时间为1s，控制周期为3s，全天全时段参与AGC调频。混合储能系统的功率需求特性统计如图3所示。从图3可以看出，混合储能系统的功率需求范围有近80％落在了-8-8MW，并且需求功率大于4MW占据较大比例。按照工程经验，一般储能系统的功率配置为满足80％的功率需求。混合储能系统的配置如下：锂电池：4MW/2MWh；飞轮：4MW/33kWh。

首先，基于步骤S1中所述方法对混合储能系统的需求功率建模，所建预测模型如图4，由图4可以看出，以AGC增大为例，如图4中的(a)所示，下一时刻的功率需求分布几乎落在了对角线位置附近，说明采用马尔科夫预测能够较好的对下一时刻的混合储能系统的功率需求进行较为准确的预测，为后面的优化提供可靠的功率需求信息。

同理，图4(b)为AGC减小时的功率需求预测，由图可以看出，下一时刻的功率需求分布几乎落在了对角线位置附近，说明当AGC减小时，采用马尔科夫预测同样能够较好的对下一时刻的混合储能系统的功率需求进行较为准确的预测。

然后，在每个控制周期采集系统更新的状态和马尔科夫转移概率矩阵T生成场景树。

最后，建立步骤S3所述的模型预测控制策略，在每个控制周期，采用二次规划对最优化问题进行求解得到控制输入量，并将与根节点N₀相关的决策量u₀作为混合储能系统的功率输出对火电机组进行功率补偿。补偿的结果如图5所示。由图5可以看出，经混合储能系统补偿后，混合储能系统的功率输出明显接近AGC指令，其K_P值(“两个细则”关于调频性能的评价指标)由原先的2.45达到5.28，增长了115％，调频性能有明显的改善。而单独采用4MW的电池进行补偿，其K_P值为4.72。图6为采用混合储能系统进行补偿和单独用电池进行补偿时的电池的功率对比，可以看出采用本发明方法对电池的依赖更低，能够有效减小电池储能系统的荷电状态SOC波动，因此可以延长电池的使用寿命。

Claims (5)

1.一种联合火电机组AGC调频的混合储能系统能量管理方法，其特征在于：所采用的混合储能系统由锂离子电池、飞轮储能以及相应的能量转换电路构成，所述方法具体包括以下步骤：

S1、根据某火电机组响应AGC指令的历史数据，采用马尔科夫链对混合储能系统未来的功率需求进行建模；

S2、采用基于场景树的算法来描述混合储能系统的功率需求在未来有限时域内可能的取值，在每个控制周期采集混合储能系统更新的状态，利用更新的状态和功率需求在未来有限时域内可能的取值生成场景树，场景树中每个节点代表预测模型中可能的功率需求值，将应用于步骤S3中的优化问题；

S3、对混合储能系统协调火电机组AGC调频进行系统建模，并建立基于场景树的随机模型预测控制目标函数，采用二次规划方法对目标函数进行求解，将求得控制目标解的场景树的根节点的控制量的输入用作混合储能系统的给定功率输出向区域电网输送功率，从而完成对火电机组的功率补偿工作。

2.根据权利要求1所述的一种联合火电机组AGC调频的混合储能系统能量管理方法，其特征在于：步骤S1中，采用马尔科夫链对混合储能系统未来的功率需求进行建模包括：

根据某火电机组响应AGC指令的历史数据，将混合储能系统的功率需求离散化

R为实数集，s为离散化数量；设定储能输出功率为正，k时刻的功率需求为Pd(k)，将k+1时刻的功率需求P_d(k+1)∈P_d作为随机过程建立预测模型，马尔科夫状态转移概率矩阵T的任一元素[T]_ij为：

其中，i,j分别为矩阵T的任一行和列，[T]_ij表示在k时刻功率需求为

的条件下，在k+1时刻功率需求为

的转移概率值，转移概率值通过历史先验信息由极大似然估计法确定，建模公式(2)所示：

式中，m_ij表示历史数据中状态量由

转移到

的次数；m_i表示状态量由

转移的次数之和；

依据AGC指令增大和减小时的混合储能系统功率需求变化趋势不同，分别建立AGC指令增大和减小的马尔科夫状态转移概率矩阵T。

3.根据权利要求1所述的一种联合火电机组AGC调频的混合储能系统能量管理方法，其特征在于，步骤S2中，采用基于场景树的算法的具体实现过程如下：

上述每个节点的取值的生成的步骤为：根据当前时刻的混合储能系统的功率需求以及每个控制周期采集系统更新的状态，依据步骤S1建立的马尔科夫状态转移概率矩阵生成场景树，场景树的生成过程如下：

(1)根据步骤S1建立的马尔科夫状态转移概率矩阵，设置阈值跳过低概率场景，分别设置第n步预测的转移概率阈值β_n；

(2)当前时刻的混合储能系统的功率需求作为场景树中的节点0，设置ii＝0；ii表示节点数；

(3)从根节点开始第ii个节点选择子节点，该子节点为第n步预测，根据阈值β_n和当前时刻的混合储能系统的功率需求值得到集合Z，使得Z中的每个元素Z_x的概率p(Z_x)满足：

p(Z_x)≥β_n (3)

(4)对于集合Z中的每个元素的概率重新计算权重：

其中Z_x为Z中的任一元素，并计算累加权重：

P_Z(x)为元素Z_x的累加权重，m为从1开始的整数；

(5)利用随机函数r＝rand(0,1)选择元素Z_w：

w为选择的子节点Z_w的下标，r为随机函数生成的0到1之间的随机数，子节点Z_w的节点概率ζ_Zw为：

ζ_Zw＝ζ_i·p(Z_w) (7)

其中，ζ_i为当前节点的节点概率；

(6)将已经选择的节点Z_w从Z中去掉，重复步骤(4)～(5)直到选择完该节点的所有子节点；

(7)更新ii的值，使得ii的值增加1；如果ii<31，重复步骤(3)-(5)直到对场景树中的所有节点选择功率需求值及相应的节点概率。

4.根据权利要求1所述的一种联合火电机组AGC调频的混合储能系统能量管理方法，其特征在于：步骤S3中所述对混合储能系统联合火电机组AGC调频建模过程如下：

混合储能系统补偿AGC指令和火电机组之间的差值，假设k时刻混合储能系统的功率需求为P_d(k)，则：

P_d(k)＝P_b(k)+P_fl(k)+P_dif(k) (8)

其中，P_b(k)、P_fl(k)分别为k时刻锂电池和飞轮的功率值，P_dif(k)为混合储能系统补偿后的功率差值，k+1时刻锂电池和飞轮的荷电状态SOC由下式确定：

SOC_b(k+1)、SOC_fl(k+1)分别为锂电池和飞轮的荷电状态；Δt为混合储能系统的采样时间间隔，E_b、P_b、E_fl、P_fl分别为锂电池和飞轮的容量、功率；

根据式(8)、(9)选取混合储能系统的荷电状态SOC作为状态量及输出量x(k)＝[SOC_b(k)SOC_fl(k)]^T，y(k)＝[SOC_b(k) SOC_fl(k)]^T，锂电池功率及混合储能系统功率需求的差值作为控制变量u(k)＝[P_b(k) P_dif(k)]^T，功率需求为扰动量w(k)＝P_d(k)，建立混合储能系统的状态空间模型如下：

其中：

x(k+1)为下一个采样时刻的状态量。

5.根据权利要求1所述的一种联合火电机组AGC调频的混合储能系统能量管理方法，其特征在于，步骤S3中基于场景树的随机模型预测控制目标，对控制目标进行求解，将求得控制目标解的控制量的输入用作混合储能系统的给定功率输出包括：

(1)将步骤S2中生成的场景树的节点用于随机模型预测最优控制，如下：

其中，H为树节点的集合，S为树的叶节点集合，ζ_i为树的各个节点从根节点开始的节点概率，N_i为任一树节点，N₀为树节点的根节点，y_i为系统模型中树节点的输出量，y_ref(k)为当前k时刻的参考输出量，Q，R为目标函数的权重系数矩阵，u_i为非叶树节点的控制量，J为目标函数；

[y_ref(k)]₁＝SOC_b(k)，[y_ref(k)]₂＝SOC_fl(k)

其中，

为大于零的权重参数；SOC_b(k)为k时刻锂电池的荷电状态SOC，SOC_fl(k)为k时刻飞轮的荷电状态SOC；

上述式(11)的最优控制问题中混合储能系统满足的约束如下：

1)荷电状态SOC的约束

分别为锂电池和飞轮的最小、最大荷电状态SOC；

2)功率的约束

分别为锂电池和飞轮的最小、最大功率；

3)P_b、P_fl、P_dif需满足如下约束：

ε为小于0的负数；

(2)将式(11)所提的最优控制问题，包括式(12)(13)(14)采用二次规划方法求解得到控制量u_i，将与根节点N₀相关的决策量u₀用作混合储能系统的功率输出对火电机组进行功率补偿。

Images