CN112787334A - 一种电池储能电站无功功率快速控制方法及系统 - Google Patents
一种电池储能电站无功功率快速控制方法及系统 Download PDFInfo
- Publication number
- CN112787334A CN112787334A CN201911084826.XA CN201911084826A CN112787334A CN 112787334 A CN112787334 A CN 112787334A CN 201911084826 A CN201911084826 A CN 201911084826A CN 112787334 A CN112787334 A CN 112787334A
- Authority
- CN
- China
- Prior art keywords
- reactive power
- inverter
- neural network
- energy storage
- battery energy
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种电池储能电站无功功率快速控制方法及系统，方法包括如下步骤：步骤1，建立神经元网络，其输入为系统电压采样值、系统电压控制目标值、运行逆变器数量、逆变器当前功率值、逆变器额定功率值，神经元网络的输出为逆变器无功功率指令值；先使用训练样本对神经元网络进行训练，再将训练完成的神经元网络实际运用于电池储能电站中，并在运行过程中持续进行训练改进；步骤2，神经元网络根据输入值计算并输出逆变器无功功率指令，将该指令传送至逆变器，逆变器根据该指令发出指定的无功功率。此种技术方案通过对电池储能电站无功功率的快速控制，来减少系统电压的波动范围，提升电网的电压稳定性及供电可靠性。
Description
技术领域
本发明属于智能电网以及能量存储与转换技术领域，特别涉及一种电池储能电站无功功率控制方法及系统，适用于电池储能电站。
背景技术
电网自动电压控制系统的控制周期比较长，一般在几十秒到几分钟之间，若期间电网受到较大的扰动，比如系统发生接地故障、甩大负荷等，则将导致系统电压出现较大波动，影响供电质量。电池储能电站若按照电网自动电压控制系统的指令进行定无功功率控制则无法在系统扰动期间为系统提供电压支撑。若电池储能电站采用就地控制，并按定电压控制模式进行控制，则由于逆变器到并网点之间的阻抗存在差异，容易导致逆变器无功出力不均，在电池储能电站内部形成无功环流，影响逆变器控制的稳定性，同时导致损耗增加。
发明内容
本发明的目的，在于提供一种电池储能电站无功功率快速控制方法及系统，其可提升电网的稳定性及供电可靠性。
为了达成上述目的，本发明的解决方案是：
一种电池储能电站无功功率快速控制方法，包括如下步骤：
步骤1，事先建立神经元网络，以供电池储能电站功率控制过程中使用，该神经元网络的输入为系统电压采样值、系统电压控制目标值、运行逆变器数量、逆变器当前功率值、逆变器额定功率值，神经元网络的输出为逆变器无功功率指令值；使用训练样本对神经元网络进行训练；
步骤2，在具体进行电池储能电站功率控制时，将相应数值输入步骤1建立的神经元网络，神经元网络根据输入值计算并输出逆变器无功功率指令，将该指令传送至逆变器，逆变器根据该指令发出指定的无功功率。
上述步骤1中，训练样本采用本电站的仿真数据，或者相似电池储能电站的无功出力与电压变化的历史数据。
上述步骤1中，在运行过程中持续对神经元网络进行训练改进的具体内容是：利用实际的系统电压采样值、系统电压控制目标值、逆变器无功功率指令值持续进行训练，并将系统电压采样值延时T后输入神经元网络，作为控制效果反馈量，由神经元网络计算控制偏差量，并对神经元网络进行训练，直到控制偏差小于允许的偏差值为止。
上述步骤2中，神经元网络输出的逆变器无功功率指令经快速通讯网络传送至逆变器。
上述步骤2中，逆变器采用定功率控制模式，根据神经元网络输出的逆变器无功功率指令发出指定的无功功率，采用定功率控制模式可避免出现环流。
一种电池储能电站无功功率快速控制系统，包括：
神经元网络，其输入为系统电压采样值、系统电压控制目标值、运行逆变器数量、逆变器当前功率值、逆变器额定功率值；其输出为逆变器无功功率指令；所述神经元网络采用训练样本进行训练，并在训练完成后实际运用于电池储能电站中，并在运行过程中持续进行训练改进；以及，
逆变器，其根据神经元网络输出的逆变器无功功率指令发出指定的无功功率。
上述神经元网络的训练样本采用本电站的仿真数据，或者相似电池储能电站的无功出力与电压变化的历史数据。
上述神经元网络在运行过程中持续进行训练改进的具体内容是：利用实际的系统电压采样值、系统电压控制目标值、逆变器无功功率指令值持续进行训练，并将系统电压采样值延时T后输入神经元网络，作为控制效果反馈量，由神经元网络计算控制偏差量，并对神经元网络进行训练，直到控制偏差小于允许的偏差值为止。
上述神经元网络与逆变器之间通过快速通讯网络进行通讯连接，传输逆变器无功功率指令。
上述逆变器采用定功率控制模式，根据神经元网络输出的逆变器无功功率指令发出指定的无功功率。
采用上述方案后，本发明基于神经元网络技术，神经元网络已经广泛应用非线性多输入多输出系统的拟合之中，并证明了其良好的性能。利用神经元网络来计算逆变器的无功功率控制指令，可以避免复杂的电力系统建模及求解过程。经过良好训练的神经元网络可以快速准确地计算得到电池储能电站逆变器的无功功率控制指令，并且在电池储能电站的运行过程中，可以持续不断地进行训练，不断提高计算的准确度。电池储能逆变器本身可以快速响应跟踪控制指令，其完全响应控制指令的周期在几十毫秒之间。因此利用神经元网络及快速通讯系统，电池储能电站可以成为电力系统很好的无功功率和电压控制手段，提升电网的电压稳定性及供电可靠性。本发明通过对电池储能电站无功功率的快速控制，来减少系统电压的波动范围，提升电网的电压稳定性及供电可靠性。
附图说明
图1是本发明的控制方案简图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
本发明提供一种电池储能电站无功功率快速控制系统，包括：
神经元网络，其输入为系统电压采样值、系统电压控制目标值、运行逆变器数量、逆变器当前功率值、逆变器额定功率值；其输出为逆变器无功功率指令；所述神经元网络采用训练样本进行训练，并在训练完成后实际运用于电池储能电站中，并在运行过程中持续进行训练改进；以及，
逆变器，其根据神经元网络输出的逆变器无功功率指令发出指定的无功功率。
如图1所示，本发明提供一种电池储能电站无功功率快速控制方法，包括如下步骤：
(1)建立神经元网络，其输入为系统电压采样值、系统电压控制目标值、系统电压反馈值、运行逆变器数量、逆变器当前功率值、逆变器额定功率值，其中，将系统电压采样值延时T后作为系统电压反馈值；神经元网络的输出为逆变器无功功率指令值；
先使用训练样本对神经元网络进行训练，其中，训练样本可以采用本电站的仿真数据，或者相似电池储能电站的无功出力与电压变化的历史数据；再将训练完成的神经元网络实际运用于电池储能电站中，并在运行过程中持续进行训练改进；具体是利用实际的电压采样值、电压控制指令值、无功控制指令等持续进行训练，利用系统电压反馈值输入神经元网络，作为控制效果反馈量，由神经元网络计算控制偏差量，并对神经元网络进行训练，直到控制偏差小于允许的偏差值为止。此处通过结合实际的采样值持续对神经元网络进行训练，能够提高神经元网络的自适应能力。
(2)神经元网络根据输入值计算并输出逆变器无功功率指令，将该指令经快速通讯网络传送至逆变器，逆变器采用定功率控制模式，而非采用定电压控制模式和定功率因数控制模式，根据该指令发出指定的无功功率。
作为本发明的一个具体实施例，假设电池储能电站A，按照图1的方案，采集A站接入点母线电压、接收上级调度发来的接入点母线电压控制目标值、获取逆变器运行数量，采集逆变器实际输出功率、设置逆变器额定功率，上述内容作为神经元网络的输入，接入点母线电压经延时T后输入神经元网络，作为电池储能电站控制效果的反馈量，由神经元网络计算控制偏差，并对自身进行再训练，直到控制偏差小于允许的偏差值为止。神经元网络输出的逆变器无功功率控制指令通过快速通讯网络下发至电池储能电站A各个逆变器，各逆变器均执行定功率控制策略并根据接收到的无功功率控制指令发出相应的无功功率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (10)
1.一种电池储能电站无功功率快速控制方法，其特征在于包括如下步骤：
步骤1，事先建立神经元网络，以供电池储能电站功率控制过程中使用，该神经元网络的输入为系统电压采样值、系统电压控制目标值、运行逆变器数量、逆变器当前功率值、逆变器额定功率值，神经元网络的输出为逆变器无功功率指令值；使用训练样本对神经元网络进行训练；
步骤2，在具体进行电池储能电站功率控制时，将相应数值输入步骤1建立的神经元网络，神经元网络根据输入值计算并输出逆变器无功功率指令，将该指令传送至逆变器，逆变器根据该指令发出指定的无功功率。
2.如权利要求1所述的一种电池储能电站无功功率快速控制方法，其特征在于：所述步骤1中，训练样本采用本电站的仿真数据，或者相似电池储能电站的无功出力与电压变化的历史数据。
3.如权利要求1所述的一种电池储能电站无功功率快速控制方法，其特征在于：所述步骤1中，在使用训练样本对神经元网络进行训练后，还将训练完成的神经元网络实际运用于电池储能电站中，并在运行过程中持续对神经元网络进行训练改进，具体内容是：利用实际的系统电压采样值、系统电压控制目标值、逆变器无功功率指令值持续进行训练，并将系统电压采样值延时T后输入神经元网络，作为控制效果反馈量，由神经元网络计算控制偏差量，并对神经元网络进行训练，直到控制偏差小于允许的偏差值为止。
4.如权利要求1所述的一种电池储能电站无功功率快速控制方法，其特征在于：所述步骤2中，神经元网络输出的逆变器无功功率指令经快速通讯网络传送至逆变器。
5.如权利要求1所述的一种电池储能电站无功功率快速控制方法，其特征在于：所述步骤2中，逆变器采用定功率控制模式，根据神经元网络输出的逆变器无功功率指令发出指定的无功功率。
6.一种电池储能电站无功功率快速控制系统，其特征在于包括：
神经元网络，其输入为系统电压采样值、系统电压控制目标值、运行逆变器数量、逆变器当前功率值、逆变器额定功率值；其输出为逆变器无功功率指令；所述神经元网络采用训练样本进行训练，并在训练完成后实际运用于电池储能电站中，并在运行过程中持续进行训练改进；以及，
逆变器，其根据神经元网络输出的逆变器无功功率指令发出指定的无功功率。
7.如权利要求6所述的一种电池储能电站无功功率快速控制系统，其特征在于：所述神经元网络的训练样本采用本电站的仿真数据，或者相似电池储能电站的无功出力与电压变化的历史数据。
8.如权利要求6所述的一种电池储能电站无功功率快速控制系统，其特征在于：所述神经元网络在运行过程中持续进行训练改进的具体内容是：利用实际的系统电压采样值、系统电压控制目标值、逆变器无功功率指令值持续进行训练，并将系统电压采样值延时T后输入神经元网络，作为控制效果反馈量，由神经元网络计算控制偏差量，并对神经元网络进行训练，直到控制偏差小于允许的偏差值为止。
9.如权利要求6所述的一种电池储能电站无功功率快速控制系统，其特征在于：所述神经元网络与逆变器之间通过快速通讯网络进行通讯连接，传输逆变器无功功率指令。
10.如权利要求6所述的一种电池储能电站无功功率快速控制系统，其特征在于：所述逆变器采用定功率控制模式，根据神经元网络输出的逆变器无功功率指令发出指定的无功功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911084826.XA CN112787334A (zh) | 2019-11-08 | 2019-11-08 | 一种电池储能电站无功功率快速控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911084826.XA CN112787334A (zh) | 2019-11-08 | 2019-11-08 | 一种电池储能电站无功功率快速控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112787334A true CN112787334A (zh) | 2021-05-11 |
Family
ID=75748128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911084826.XA Pending CN112787334A (zh) | 2019-11-08 | 2019-11-08 | 一种电池储能电站无功功率快速控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112787334A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104362648A (zh) * | 2014-11-05 | 2015-02-18 | 许继电气股份有限公司 | 一种光伏电站无功调相方法 |
| CN104518520A (zh) * | 2013-09-30 | 2015-04-15 | 西门子公司 | 可再生能源驱动的发电单元的控制方法及装置 |
| CN109193649A (zh) * | 2018-10-23 | 2019-01-11 | 东南大学 | 基于深度信念网络的分布式光伏集群动态等值建模方法 |
| CN110212551A (zh) * | 2019-06-27 | 2019-09-06 | 国网内蒙古东部电力有限公司通辽供电公司 | 基于卷积神经网络的微网无功自动控制方法 |
-
2019
- 2019-11-08 CN CN201911084826.XA patent/CN112787334A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104518520A (zh) * | 2013-09-30 | 2015-04-15 | 西门子公司 | 可再生能源驱动的发电单元的控制方法及装置 |
| CN104362648A (zh) * | 2014-11-05 | 2015-02-18 | 许继电气股份有限公司 | 一种光伏电站无功调相方法 |
| CN109193649A (zh) * | 2018-10-23 | 2019-01-11 | 东南大学 | 基于深度信念网络的分布式光伏集群动态等值建模方法 |
| CN110212551A (zh) * | 2019-06-27 | 2019-09-06 | 国网内蒙古东部电力有限公司通辽供电公司 | 基于卷积神经网络的微网无功自动控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陆畅 等: "基于模糊神经网络的光伏发电系统功率控制方法", 《电测与仪表》, vol. 54, no. 2, pages 46 - 51 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104638643B (zh) | 一种对电力系统微电网的全分布式二次调频方法 | |
| CN104794541B (zh) | 一种基于模拟退火和锥优化的配电网运行优化方法 | |
| 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 | |
| CN112311009B (zh) | 一种融合电站及多站融合参与电网协调控制方法、系统 | |
| CN105896575A (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 | |
| CN103378784B (zh) | 一种负荷指令动态补偿方法及系统 | |
| CN114094592A (zh) | 电网紧急切负荷控制方法、系统、设备及存储介质 | |
| CN116070741A (zh) | 一种基于深度强化学习的调度优化决策系统及其存储介质 | |
| CN114844118A (zh) | 一种适用于微电网的多类型设备功率协调控制方法及系统 | |
| CN110994613B (zh) | 一种电厂负荷调度系统及其调度方法 | |
| CN104466979B (zh) | 一种输电网无功优化调控系统及方法 | |
| CN112787334A (zh) | 一种电池储能电站无功功率快速控制方法及系统 | |
| Diehl et al. | Nonlinear model predictive control | |
| CN112886598B (zh) | 线路潮流结果的计算方法、装置、设备及可读存储介质 | |
| CN112821439B (zh) | 一种柔性直流换流器的前馈控制方法及装置 | |
| CN103758583A (zh) | 基于deh的汽轮机的调门配汽曲线转换装置 | |
| CN114167724A (zh) | 一种基于黑箱模型的双控制器分权控制方法 | |
| CN105242543A (zh) | 一种随动系统的继电自整定方法 | |
| CN109710020B (zh) | 一种新能源电站主动逼近式功率控制方法及系统 | |
| CN113725863A (zh) | 基于人工智能的电网自主控制与决策方法及系统 | |
| Li et al. | A parallel intelligent control system and its industrial application | |
| CN111478336B (zh) | 基于新能源预测的容抗器动作计划优化方法、装置及系统 | |
| CN109816247B (zh) | 关联改造措施与线路重载的电网投资决策建模方法及装置 | |
| CN107656436A (zh) | 一种虚拟电厂的模拟惯量协调控制方法和装置 | |
| CN110768268B (zh) | 一种考虑upfc投运的hvdc功率控制策略调整方法和系统 |
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 |