CN112838604B - 一种储能电站群参与电力系统agc的优化方法及系统 - Google Patents
一种储能电站群参与电力系统agc的优化方法及系统 Download PDFInfo
- Publication number
- CN112838604B CN112838604B CN202011642423.5A CN202011642423A CN112838604B CN 112838604 B CN112838604 B CN 112838604B CN 202011642423 A CN202011642423 A CN 202011642423A CN 112838604 B CN112838604 B CN 112838604B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power station
- storage power
- station group
- output
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 296
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003828 downregulation Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003827 upregulation 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02J3/38—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种储能电站群参与电力系统AGC的优化方法及系统,所述方法包括:接收调度中心的AGC指令,获得储能电站群出力,为各储能电站分配输出功率参考值;以输出功率偏移量以及荷电状态偏移量为惩罚成本,建立目标函数为储能电站群成本最小的储能电站群实时调频能力评估模型;优化各储能电站的输出功率偏移权重系数、荷电状态偏移权重系数;优化求解储能电站群成本最小目标函数;对储能电站群参与二次调频进行优化控制。本发明使得整个电站群满足电网二次调频需求基础上,成本函数较低的储能子站被优先调用,实现了储能电站群中各储能电站的合理、精确调度,并实现了各储能电站群的均衡优化。
Description
技术领域
本发明属于电力系统自动发电控制技术领域,涉及一种储能电站群参与电力系统AGC的优化方法及系统。
背景技术
随着特高压交直流混联电网逐渐成形以及新能源渗透率大幅提升,电力系统稳定性面临严峻挑战。一方面,高比例特高压区外来电的接入挤占了本地受端电网部分机组的发电份额,使得调频备用容量不足,另一方面,本地电网新能源装机比例的提高,新能源机组出力的不确定性,使得系统的功率-频率动态不平衡加剧。电力系统频率安全稳定形势愈发严峻。仅依靠常规机组参与自动发电控制(Automatic Generation Control,AGC),为电网提供调频辅助服务,已经无法满足系统的频率控制要求。
在受端电网中建设规模化电化学储能电站群,成为参与电网AGC的重要手段。电化学储能电站建设灵活方面,跟踪负荷变化能力强、响应速度快、出力控制精确,具有双向调节能力,使其在AGC中潜力巨大,与电网中的常规机组配合,能有效增强电网频率调节能力,提高系统的安全稳定性。
发明内容
为解决现有技术中的不足,本申请提供一种储能电站群参与电力系统AGC的优化方法及系统,将储能二次调频实时调频能力评估模型与基于专家经验非准确建模参数整定算法的权重系数优化控制相结合,既有效满足储能电站响应电网二次调频的需要,又实现规模化储能电站群参与AGC的精确,合理调度,实现各电站的均衡控制,提高电站群的整体利用效率。
为了实现上述目标,本发明采用如下技术方案:
一种储能电站群参与电力系统AGC的优化方法,所述方法包括以下步骤:
步骤1,分布式储能电站群主控制器接收调度中心的AGC指令,获得储能电站群出力PE(t),为各储能电站ESSi分配输出功率参考值Pi,ref(t);
其中,以M表示分布式储能电站群中包括的储能电站数量,以ESSi表示储能电站群中第i个储能电站,i=1,2,…,M;以t表示电力系统中的采样时刻,t+1表示t时刻的下一时刻,t-1表示t时刻的上一时刻,Δt表示相邻采样时刻之间的时间差;以SOCi(t)(State ofCharge,荷电状态)表示储能电站ESSi在t时刻的荷电状态;
步骤2,以储能电站ESSi的输出功率实际值Pi,act和荷电状态SOCi为控制量,输出功率实际值与输出功率参考值偏移量以及荷电状态偏移量为惩罚成本,建立目标函数为储能电站群成本最小的储能电站群实时调频能力评估模型;
步骤3,采用专家经验非准确建模参数整定算法优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi;
步骤4,对储能电站群成本最小目标函数进行优化求解,使得储能电站群主控制器在所划分的AGC调频周期起始时刻对未来一个周期的各储能电站控制出力作出最优决策;
步骤5,对储能电站群参与二次调频进行优化控制,实现整个储能电站群对AGC指令的最优响应与各储能电站出力协调。
本发明进一步包括以下优选方案:
优选地,步骤1所述为各储能电站ESSi分配输出功率参考值Pi,ref(t),具体包括:
步骤1.1,分布式储能电站群主控制器接收AGC指令,获取储能电站群出力PE(t),获取各储能电站ESSi的SOCi(t)。
步骤1.2,以如下公式计算获得各储能电站ESSi输出功率参考值Pi,ref(t),
式中:
ai表示各储能电站ESSi的工作状态,SOCimin≤SOCi(t)≤SOCimax时,ai=1;否则ai=0;
ai=1表示t时刻ESSi将参与AGC,ai=0表示t时刻ESSi不参与AGC;
SOCimin、SOCimax分别表示ESSi的最小、最大荷电状态,n表示处于放电状态或充电电状态的储能电站数量。
步骤1.3,根据各储能电站ESSi输出功率参考值Pi,ref(t),进行初始化分配,从而确定储能电站出力优化范围。
优选地,步骤2中,建立如下储能电站群成本最小目标函数OF:
式中:
A表示二次项,
B表示一次项,
C表示常数项,
m表示可参与调频储能单元总个数,m≤M;
以如下公式表示二次项A、一次项B和二次项C,
优选地,目标函数的约束条件为:
式中:
Pmax表示各储能电站ESSi所能输出最大功率,
SOCmin表示各储能电站ESSi的荷电状状态下限,
SOCmax表示各储能电站ESSi的荷电状状态上限;
P(t)表示输出功率实际值。
优选地,步骤3具体包括:
步骤3.1,设置第一专家经验非准确建模参数整定控制器和第二专家经验非准确建模参数整定控制器,分别优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi;
即求得储能电站群中各储能电站的输出功率偏移权重系数与荷电状态偏移权重系数。
优选地,步骤3.1所述第一专家经验非准确建模参数整定控制器以区域误差控制|ACE|和储能电站出力与参考值的偏差|ΔP|为输入变量,基本论域分别为[0,300]与[0,50],非准确参数子集为[PS(正小),PM(正中),PB(正大)],以权重系数τi为输出变量,其基本论域为[0,1],输入输出隶属度函数均采用梯形隶属度函数,专家经验非准确建模参数整定控制权重系数τi规则如下:
优选地,步骤3.1所述第二专家经验非准确建模参数整定控制器以区域误差控制|ACE|和储能电站SOC与参考值的偏差|ΔP|为输入变量,基本论域分别为[0,300]与[0,100],非准确参数子集为[PS(正小),PM(正中),PB(正大)],以权重系数ωi为输出变量,其基本论域为[0,1],专家经验非准确建模参数整定控制权重系数ωi规则如下:
优选地,步骤4具体包括:
步骤4.1,初始化种群,随机生成m个初始个体作为目标函数的可行解;
步骤4.2,进行编码,将实际问题中的存在可行解转变为遗传算法中的染色体;
步骤4.3,根据预定的目标函数作为适应度函数,进行评价,得到个体的舒适度评价,通过一系列选择、交叉、变异操作,直到迭代次数结束或满足舒适度要求,得到最优个体;
步骤4.4,解码,将可行解输出,即为t-1至t时刻储能电站群各储能电站分配参考功率,下发至各储能电站,进行充放电控制。
优选地,步骤4.3还包括:采用模拟退火算法对适应度函数进行修正,其修正适应度函数如下所示:
式中:
F(x)表示修正适应度函数,
T0表示退火算法初始温度,
k表示常数,其值为0.99,
q表示遗传算法设置的进化代数。
本发明还公开了一种储能电站群参与电力系统AGC的优化系统,所述系统包括:
输出功率参考值分配模块,分布式储能电站群主控制器接收调度中心的AGC指令,获得储能电站群出力PE(t),为各储能电站ESSi分配输出功率参考值Pi,ref(t);
其中,以M表示分布式储能电站群中包括的储能电站数量,以ESSi表示储能电站群中第i个储能电站,i=1,2,…,M;以t表示电力系统中的采样时刻,t+1表示t时刻的下一时刻,t-1表示t时刻的上一时刻,Δt表示相邻采样时刻之间的时间差;以SOCi(t)表示储能电站ESSi在t时刻的荷电状态;
模块构建模块,用于以储能电站ESSi的输出功率实际值Pi,act和荷电状态SOCi为控制量,输出功率实际值与输出功率参考值偏移量以及荷电状态偏移量为惩罚成本,建立目标函数为储能电站群成本最小的储能电站群实时调频能力评估模型;
权重系数优化模块,用于采用专家经验非准确建模参数整定算法优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi;
目标函数求解模块,用于对储能电站群成本最小目标函数进行优化求解,使得储能电站群主控制器在所划分的AGC调频周期起始时刻对未来一个周期的各储能电站控制出力作出最优决策;
二次调频优化控制模块,用于对储能电站群参与二次调频进行优化控制,实现整个储能电站群对AGC指令的最优响应与各储能电站出力协调。
本发明的有益效果在于,与现有技术相比,本发明使得整个电站群满足电网二次调频需求基础上,成本函数较低的储能子站被优先调用,实现了储能电站群中各储能电站的合理、精确调度,并实现了各储能电站群的均衡优化。对权重系数进行自适应调节,提高模型评估的准确性。将储能二次调频实时调频能力评估模型与基于专家经验非准确建模参数整定算法的权重系数优化控制相结合,既有效满足了储能电站响应电网二次调频的需要,又实现规模化储能电站群参与AGC控制的精确,合理调度,实现各电站的均衡控制,提高了电站群的整体利用效率。
附图说明
图1为储能电站群参与AGC控制框图;
图2为遗传算法基本求解流程;
图3为专家经验非准确建模参数整定优化算法中输入量|ACE|隶属度函数;
图4为专家经验非准确建模参数整定优化算法中输入量SOC隶属度函数;
图5为专家经验非准确建模参数整定优化算法中输出量τi隶属度函数;
图6为专家经验非准确建模参数整定优化算法中输出量ωi隶属度函数;
图7为本发明一种储能电站群参与电力系统AGC的优化方法流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1和7所示,本发明的一种储能电站群参与电力系统AGC的优化方法,包括以下步骤:
步骤1,分布式储能电站群主控制器接收调度中心的AGC指令,获得储能电站群出力PE(t),为各储能电站ESSi分配输出功率参考值Pi,ref(t);
其中,以M表示分布式储能电站群中包括的储能电站数量,以ESSi表示储能电站群中第i个储能电站,i=1,2,…,M;以t表示电力系统中的采样时刻,t+1表示t时刻的下一时刻,t-1表示t时刻的上一时刻,Δt表示相邻采样时刻之间的时间差;以SOCi(t)(State ofCharge,荷电状态)表示储能电站ESSi在t时刻的荷电状态;
在包含储能资源参与的AGC控制中,若调度中心与储能电站群所有的储能电站建立通信、分配通道,会给调度中心的计算、通信带来巨大的压力,因此,在本发明中,为了减少调度的计算、通信压力,采用双层控制结构。
在调度中心层面,调度计算机将AGC指令分配给火电机组主控制器和储能电站群主控制器,调度中心在储能调频资源与火电机组之间进行功率解耦,由储能电站群承担二次调频中快速功率响应需求,火电机组承担慢速调频响应需求。当储能电站群从调度中心接收ARR(Area Regulation Requirement,区域调节需求)指令与火电机组出力PG后,以如下公式计算获得储能电站群出力PE,
PE(t)=ARR(t)-PG(t), (1)
式中:
PE(t)表示储能电站群出力,
ARR(t)表示区域调节需求,
PG(t)表示火电机组出力。
在储能电站群层面,储能电站群主控制器根据AGC指令与各储能电站出力,共同完成AGC控制需求。更具体地,储能电站群主控制器对储能电站群出力PE(t)进行分解,下发给各储能电站ESSi进行控制,储能电站群中的至少一部分储能电站ESSi之间协作完成储能电站群的充放电要求。
步骤1所述为各储能电站ESSi分配输出功率参考值Pi,ref(t),具体包括:
步骤1.1,分布式储能电站群主控制器接收AGC指令,获取储能电站群出力PE(t),获取各储能电站ESSi的SOCi(t)。
步骤1.2,以如下公式计算获得各储能电站ESSi输出功率参考值Pi,ref(t),
式中:
ai表示各储能电站ESSi的工作状态,SOCimin≤SOCi(t)≤SOCimax时,ai=1;否则ai=0;
ai=1表示t时刻ESSi将参与AGC,ai=0表示t时刻ESSi不参与AGC;
SOCimin、SOCimax分别表示ESSi的最小、最大荷电状态,n表示公式(2)中处于放电状态或充电电状态的储能电站数量。
步骤1.3,根据各储能电站ESSi输出功率参考值Pi,ref(t),进行初始化分配,从而确定储能电站出力优化范围,即确定各个储能电站的功率输出范围,在输出功率参考值Piref基础上确定最佳的功率输出范围。
步骤2,在步骤1获得各储能电站ESSi输出功率参考值Pi,ref(t)的基础上,本发明提供了基于成本评估模型的储能电站输出功率优化分配方式,通过建立各储能电站ESSi的调频能力评估函数Ci(t),进而以储能电站ESSi的输出功率实际值Pi,act和荷电状态SOCi为控制量,输出功率实际值与输出功率参考值偏移量以及荷电状态偏移量为惩罚成本,建立目标函数为储能电站群成本最小的储能电站群实时调频能力评估模型,实时评估各储能电站ESSi的调频能力,用于储能电站群主控制器合理分配AGC指令,调频服务供应商做出最优决策,并使得各储能电站荷电状态趋于一致。
具体的:
以如下公式表示各储能电站ESSi的调频能力评估函数Ci(t),
式中:
f1()表示与储能电站功率输出能力评估函数,用于评估储能电站功率输出偏移,
f2()表示储能电站在该时段出力的荷电状态偏移函数,该式用于评估储能电站参与调频所带来的电量变化,以调节储能电站SOC水平来满足长时间调频服务需要,
τi表示储能电站ESSi输出功率偏移的权重系数,
ωi表示荷电状态偏移的权重系数,
Pi,act(t)表示储能电站ESSi在t时刻至t+1时刻输出功率实际值。
当输出功率实际值接近输出功率参考值,荷电状态偏移最小,储能电站成本最小。
为了简明说明本发明的优选技术方案,储能电站群中使用的各储能电站ESSi的容量相同,即功率初始配置一致,即储能电站出厂配置的额定功率一致,因此相同额定功率的储能电站刚开始的权重一样。可认为各储能电站的成本权重系数也为一致,即储能电站ESSi输出功率偏移的权重系数τi是一致的,τ=τ1=τ2=…=τi=…=τM,储能电站ESSi荷电状态偏移的权重系数ωi是一致的,ω=ω1=ω2=…=ωi=…=ωM。以SOCref表示储能电站荷电状态期望维持水平,为了具有较高的上调与下调能力,优选地但不限于,SOCref=50%。
由于相同额定功率的储能电站刚开始的权重一样,本发明中为了改善固定权重带来的优化误差较大问题,在步骤3中采用专家经验非准确建模参数整定算法进行动态修正,将固定的权重系数变为可优化的动态系数。
值得注意的是,本发明的技术方案可以以储能电站群中使用不同容量的各储能电站ESSi的形式来实施,仅需要将不同的权重系数τi和荷电状态偏移的权重系数ωi代入即可,使用相同容量的各储能电站ESSi仅是非限制性地用于简明表述技术方案,并不意味着必须使用相同容量的各储能电站ESSi实施本发明。
建立以储能电站ESSi的输出功率实际值Pi,act和荷电状态SOCi为控制量的调频能力评估模型,在储能电站群主控制器调度层面进行分配优化,能够有效对各储能电站的功率承担责任划分进行精细化管理,并使得各储能电站荷电状态逐渐趋于均衡。
建立该模型的目的是为了在储能单元实际运行过程中协调频率控制质量与SOC状态之间的平衡,在尽量不降低频率控制质量的前提下最大化储能单元的运行裕量,通过优化算法寻求各储能电站的功率输出最优控制量。
以如下公式表示各储能电站ESSi在t时刻的荷电状态SOCi(t)与容量、实际输出功率之间的关系,
将SOCi(t)的表达公式代入储能电站在该时段出力的荷电状态偏移函数f2(),以如下公式表示荷电状态偏移与实际输出功率的关系,
由此荷电状态偏移函数f2()变换为以各储能电站ESSi实际输出功率Pi,act为变量的函数,调频能力评估函数Ci(t)由以SOCi和Pi,act为变量的二元二次形式变换为以Pi,act为变量的一元二次函数,以便优化求解。
如下公式表示储能电站群成本最小目标函数OF:
式中:
A表示二次项,
B表示一次项,
C表示常数项,
m表示可参与调频储能单元总个数,m≤M;
以如下公式表示二次项A、一次项B和二次项C,
目标函数由二次项、一次项以及常数项构成,具有非线性规划形式。以参考功率为范围,进行各储能电站ESSi的实际输出功率Pi,act(t)优化,以储能电站群成本最小化为目标,优先调用荷电状态充足的储能电站,实现储能电站的高效利用,并使得各储能电站ESSi的荷电状态SOCi逐渐趋于一致。
各储能电站ESSi实际输出功率Pi,act之和应为储能电站群出力,以此构建等式约束条件,各储能电站ESSi的输出功率受到设备参数的限制,以此构建不等式约束条件,以如下公式表示目标函数的约束条件,
式中:
Pmax表示各储能电站ESSi所能输出最大功率,
SOCmin表示各储能电站ESSi的荷电状状态下限,
SOCmax表示各储能电站ESSi的荷电状状态上限;
P(t)表示输出功率实际值。
即需要满足功率守恒等式约束、功率输出上下限以及荷电状态上下限约束。
步骤3,考虑系统运行中响应精度偏差与电量损耗偏差对储能影响程度变化,采用专家经验非准确建模参数整定算法优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi,对权重系数进行自适应调节,提高目标函数的准确性。
规模化储能电站群调频能力实时评估模型,其目的为实现储能电站在AGC参考指令输出响应与SOC保持之间协调,在模型中,通过权重系数表征输出响应偏移与SOC变化(电量损耗)对储能电池的影响,通过优化算法,在储能电站群主控层面对各储能电站子站形成最优决策,实现各子站单元功率输出组合的最优分配。
储能电站电池的SOC是动态变化的,若采用固定的权重系数τi与ωi,无法有效地反映AGC指令偏移与SOC偏移对各储能子站的影响,例如当储能荷电状态SOC处于80%与30%时,其功率输出导致的荷电状态变化,若依据采用统一权重系数表示,则既不符合储能电站实际运行工况,也对模型的精确性造成了严重的影响。
对于权重系数τi与ωi的优化,本发明中采用专家经验非准确建模参数整定算法,对依靠专家经验非准确建模参数整定控制中的专家思维对权重系数进行优化,更好的反映储能电站在不同运行状态下,响应偏差与荷电状态偏移对储能电站决策过程中的影响作用,使得评估优化模型作出更为合理、客观、准确的决策。
对于权重系数的优化,本发明采用专家经验非准确建模参数整定算法进行在线调整,通过制定非准确模糊规则,用计算机模拟人对事物的模糊思维,对系数进行优化调整。
因为权重系数有两个,因此本文设置两个专家经验非准确建模参数整定控制器。
如图2-6所示,步骤3具体包括:
步骤3.1,设置第一专家经验非准确建模参数整定控制器和第二专家经验非准确建模参数整定控制器,分别优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi;
第一专家经验非准确建模参数整定控制器以区域误差控制|ACE|和储能电站出力与参考值的偏差|ΔP|为输入变量,基本论域分别为[0,300]与[0,50],非准确参数子集为[PS(正小),PM(正中),PB(正大)],以权重系数τi为输出变量,其基本论域为[0,1],输入输出隶属度函数均采用梯形隶属度函数。
编制非准确参数规则表1如下
表1非准确参数控制权重系数τi规则表
第二专家经验非准确建模参数整定控制器以区域误差控制|ACE|和储能电站SOC与参考值的偏差|ΔP|为输入变量,基本论域分别为[0,300]与[0,100],非准确参数子集为[PS(正小),PM(正中),PB(正大)],以权重系数ωi为输出变量,其基本论域为[0,1]。
编制非准确参数规则表2如下
表2非准确参数控制权重系数ωi规则表
即求得储能电站群中各储能电站的输出功率偏移权重系数与荷电状态偏移权重系数。
步骤4,对储能电站群成本最小目标函数进行优化求解,使得储能电站群主控制器在所划分的AGC调频周期起始时刻对未来一个周期的各储能电站控制出力作出最优决策;
遗传算法借鉴了达尔文进化论和孟德尔遗传学说,是一种模拟自然进化的高效全局搜索方法,多个可能的问题解表示成“染色体”,从而得到一个由染色体组成的“群体”,这个群体被限制在问题特定的环境里,根据预定的目标函数对每个个体进行评价,得到个体适应度值。对生存环境适应度更高的个体往往具有较高的生存概率。开始时总是随机的产生一些个体,即候选解,利用遗传算法对这些个体按“适者生存”的原则进行交叉组合产生后代,后代由于继承了父代的一些优良形状,因而明显优于上一代,这样“染色体”的群体将逐步朝着更优解的方向进化。再结合物种进化过程中的基因突变等遗传操作,就可能产生更适应环境的后代。适合求解该类型的规划优化问题。
步骤4具体包括:
步骤4.1,初始化种群,随机生成m个初始个体作为目标函数的可行解;
步骤4.2,进行编码,将实际问题中的存在可行解转变为遗传算法中的染色体;
步骤4.3,根据预定的目标函数作为适应度函数,进行评价,得到个体的舒适度评价,通过一系列选择、交叉、变异操作,直到迭代次数结束或满足舒适度要求,得到最优个体;
同时,为了增加算法求解的收敛性,提高计算速度,采用模拟退火算法对适应度函数进行修正,其修正适应度函数如下所示:
式中:
F(x)表示修正适应度函数,
T0表示退火算法初始温度,
k表示常数,其值为0.99,
q表示遗传算法设置的进化代数。
步骤4.4,解码,将可行解输出,即为t-1至t时刻储能电站群各储能电站分配参考功率,下发至各储能电站,进行充放电控制。
步骤5,对储能电站群参与二次调频进行优化控制,实现整个储能电站群对AGC指令的最优响应与各储能电站出力协调。
本发明的一种储能电站群参与电力系统AGC的优化系统,所述系统包括:
输出功率参考值分配模块,分布式储能电站群主控制器接收调度中心的AGC指令,获得储能电站群出力PE(t),为各储能电站ESSi分配输出功率参考值Pi,ref(t);
其中,以M表示分布式储能电站群中包括的储能电站数量,以ESSi表示储能电站群中第i个储能电站,i=1,2,…,M;以t表示电力系统中的采样时刻,t+1表示t时刻的下一时刻,t-1表示t时刻的上一时刻,Δt表示相邻采样时刻之间的时间差;以SOCi(t)表示储能电站ESSi在t时刻的荷电状态;
模块构建模块,用于以储能电站ESSi的输出功率实际值Pi,act和荷电状态SOCi为控制量,输出功率实际值与输出功率参考值偏移量以及荷电状态偏移量为惩罚成本,建立目标函数为储能电站群成本最小的储能电站群实时调频能力评估模型;
权重系数优化模块,用于采用专家经验非准确建模参数整定算法优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi;
目标函数求解模块,用于对储能电站群成本最小目标函数进行优化求解,使得储能电站群主控制器在所划分的AGC调频周期起始时刻对未来一个周期的各储能电站控制出力作出最优决策;
二次调频优化控制模块,用于对储能电站群参与二次调频进行优化控制,实现整个储能电站群对AGC指令的最优响应与各储能电站出力协调。
本发明使得整个电站群满足电网二次调频需求基础上,成本函数较低的储能子站被优先调用,实现了储能电站群中各储能电站的合理、精确调度,并实现了各储能电站群的均衡优化。对权重系数进行自适应调节,提高模型评估的准确性。将储能二次调频实时调频能力评估模型与基于专家经验非准确建模参数整定算法的权重系数优化控制相结合,既有效满足了储能电站响应电网二次调频的需要,又实现规模化储能电站群参与AGC控制的精确,合理调度,实现各电站的均衡控制,提高了电站群的整体利用效率。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种储能电站群参与电力系统AGC的优化方法,其特征在于:
所述方法包括以下步骤:
步骤1,分布式储能电站群主控制器接收调度中心的AGC指令,获得储能电站群出力PE(t),为各储能电站ESSi分配输出功率参考值Pi,ref(t);
其中,以M表示分布式储能电站群中包括的储能电站数量,以ESSi表示储能电站群中第i个储能电站,i=1,2,…,M;以t表示电力系统中的采样时刻,t+1表示t时刻的下一时刻,t-1表示t时刻的上一时刻,Δt表示相邻采样时刻之间的时间差;以SOCi(t)表示储能电站ESSi在t时刻的荷电状态;
步骤2,以储能电站ESSi的输出功率实际值Pi,act和荷电状态SOCi为控制量,输出功率实际值与输出功率参考值偏移量以及荷电状态偏移量为惩罚成本,建立目标函数为储能电站群成本最小的储能电站群实时调频能力评估模型;
步骤3,采用专家经验非准确建模参数整定算法优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi;
步骤4,对储能电站群成本最小目标函数进行优化求解,使得储能电站群主控制器在所划分的AGC调频周期起始时刻对未来一个周期的各储能电站控制出力作出最优决策;
步骤5,对储能电站群参与二次调频进行优化控制,实现整个储能电站群对AGC指令的最优响应与各储能电站出力协调。
2.根据权利要求1所述的一种储能电站群参与电力系统AGC的优化方法,其特征在于:
步骤1所述为各储能电站ESSi分配输出功率参考值Pi,ref(t),具体包括:
步骤1.1,分布式储能电站群主控制器接收AGC指令,获取储能电站群出力PE(t),获取各储能电站ESSi的SOCi(t);
步骤1.2,以如下公式计算获得各储能电站ESSi输出功率参考值Pi,ref(t),
式中:
ai表示各储能电站ESSi的工作状态,SOCimin≤SOCi(t)≤SOCimax时,ai=1;否则ai=0;
ai=1表示t时刻ESSi将参与AGC,ai=0表示t时刻ESSi不参与AGC;
SOCimin、SOCimax分别表示ESSi的最小、最大荷电状态,n表示处于放电状态或充电电状态的储能电站数量;
步骤1.3,根据各储能电站ESSi输出功率参考值Pi,ref(t),进行初始化分配,从而确定储能电站出力优化范围。
3.根据权利要求1所述的一种储能电站群参与电力系统AGC的优化方法,其特征在于:
步骤2中,建立如下储能电站群成本最小目标函数OF:
式中:
A表示二次项,
B表示一次项,
C表示常数项,
m表示可参与调频储能单元总个数,m≤M;
f1()表示与储能电站功率输出能力评估函数,用于评估储能电站功率输出偏移,
f2()表示储能电站的出力的荷电状态偏移函数,该式用于评估储能电站参与调频所带来的电量变化,以调节储能电站SOC水平来满足长时间调频服务需要,
荷电状态偏移函数f2()变换为以各储能电站ESSi实际输出功率Pi,act为变量的函数;
以如下公式表示二次项A、一次项B和二次项C,
8.根据权利要求5所述的一种储能电站群参与电力系统AGC的优化方法,其特征在于:
步骤4具体包括:
步骤4.1,初始化种群,随机生成m个初始个体作为目标函数的可行解;
步骤4.2,进行编码,将实际问题中的存在可行解转变为遗传算法中的染色体;
步骤4.3,根据预定的目标函数作为适应度函数,进行评价,得到个体的舒适度评价,通过一系列选择、交叉、变异操作,直到迭代次数结束或满足舒适度要求,得到最优个体;
步骤4.4,解码,将可行解输出,即为t-1至t时刻储能电站群各储能电站分配参考功率,下发至各储能电站,进行充放电控制。
10.根据权利要求1-9任一项所述的一种储能电站群参与电力系统AGC的优化方法的储能电站群参与电力系统AGC的优化系统,其特征在于:
所述系统包括:
输出功率参考值分配模块,分布式储能电站群主控制器接收调度中心的AGC指令,获得储能电站群出力PE(t),为各储能电站ESSi分配输出功率参考值Pi,ref(t);
其中,以M表示分布式储能电站群中包括的储能电站数量,以ESSi表示储能电站群中第i个储能电站,i=1,2,…,M;以t表示电力系统中的采样时刻,t+1表示t时刻的下一时刻,t-1表示t时刻的上一时刻,Δt表示相邻采样时刻之间的时间差;以SOCi(t)表示储能电站ESSi在t时刻的荷电状态;
模块构建模块,用于以储能电站ESSi的输出功率实际值Pi,act和荷电状态SOCi为控制量,输出功率实际值与输出功率参考值偏移量以及荷电状态偏移量为惩罚成本,建立目标函数为储能电站群成本最小的储能电站群实时调频能力评估模型;
权重系数优化模块,用于采用专家经验非准确建模参数整定算法优化各储能电站的输出功率偏移权重系数τi、荷电状态偏移权重系数ωi;
目标函数求解模块,用于对储能电站群成本最小目标函数进行优化求解,使得储能电站群主控制器在所划分的AGC调频周期起始时刻对未来一个周期的各储能电站控制出力作出最优决策;
二次调频优化控制模块,用于对储能电站群参与二次调频进行优化控制,实现整个储能电站群对AGC指令的最优响应与各储能电站出力协调。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011133509 | 2020-10-21 | ||
CN2020111335095 | 2020-10-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112838604A CN112838604A (zh) | 2021-05-25 |
CN112838604B true CN112838604B (zh) | 2022-03-25 |
Family
ID=75927122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011642423.5A Active CN112838604B (zh) | 2020-10-21 | 2020-12-31 | 一种储能电站群参与电力系统agc的优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112838604B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113410853B (zh) * | 2021-06-07 | 2022-11-01 | 国网湖南省电力有限公司 | 一种电网agc多时间尺度协调优化控制方法及系统 |
CN113452053B (zh) * | 2021-07-02 | 2023-03-21 | 国网吉林省电力有限公司吉林供电公司 | 一种分布式储能集群划分方法 |
CN114285086B (zh) * | 2021-11-25 | 2023-08-01 | 国网河南省电力公司电力科学研究院 | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 |
CN114765373B (zh) * | 2022-01-21 | 2024-03-22 | 太原理工大学 | 一种二次调频需求在调频资源间的多层分配方法 |
CN115276068B (zh) * | 2022-09-29 | 2022-12-23 | 湖南华大电工高科技有限公司 | 考虑经济性与安全性的大规模储能电站功率协同控制方法 |
CN116345495B (zh) * | 2023-04-03 | 2023-10-10 | 华能山东发电有限公司烟台发电厂 | 基于数据分析和建模的电厂机组调频优化方法 |
CN117713174A (zh) * | 2023-12-15 | 2024-03-15 | 国网青海省电力公司清洁能源发展研究院 | 一种储能系统功率调节方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875055A (zh) * | 2017-02-16 | 2017-06-20 | 西南交通大学 | 基于ahp和ga的储能装置参与电网调频的参数优化方法 |
CN107069789A (zh) * | 2017-05-13 | 2017-08-18 | 东北电力大学 | 一种面向电网agc调频的储能系统控制策略 |
CN110518643A (zh) * | 2019-07-18 | 2019-11-29 | 中国电力科学研究院有限公司 | 一种储能联合火电机组参与agc调频的控制方法及装置 |
CN111555371A (zh) * | 2020-04-13 | 2020-08-18 | 清华大学 | 一种控制火电-储能联合系统参与电网频率调节的方法 |
CN111697597A (zh) * | 2020-07-27 | 2020-09-22 | 国网江苏省电力有限公司 | 一种基于粒子群算法的火储联合agc调频控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9000721B2 (en) * | 2011-06-29 | 2015-04-07 | General Electric Company | Systems and methods for charging |
-
2020
- 2020-12-31 CN CN202011642423.5A patent/CN112838604B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875055A (zh) * | 2017-02-16 | 2017-06-20 | 西南交通大学 | 基于ahp和ga的储能装置参与电网调频的参数优化方法 |
CN107069789A (zh) * | 2017-05-13 | 2017-08-18 | 东北电力大学 | 一种面向电网agc调频的储能系统控制策略 |
CN110518643A (zh) * | 2019-07-18 | 2019-11-29 | 中国电力科学研究院有限公司 | 一种储能联合火电机组参与agc调频的控制方法及装置 |
CN111555371A (zh) * | 2020-04-13 | 2020-08-18 | 清华大学 | 一种控制火电-储能联合系统参与电网频率调节的方法 |
CN111697597A (zh) * | 2020-07-27 | 2020-09-22 | 国网江苏省电力有限公司 | 一种基于粒子群算法的火储联合agc调频控制方法 |
Non-Patent Citations (2)
Title |
---|
Research on Verification Method of Electromechanical Transient Simulation Model of Battery Energy Storage System;Tao Shi et al.;《2020 Asia Energy and Electrical Engineering Symposium》;20200619;第767-770页 * |
大规模电池储能调频应用运行效益评估;饶宇飞 等;《储能科学与技术》;20201130;第9卷(第6期);第1828-1836页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112838604A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112838604B (zh) | 一种储能电站群参与电力系统agc的优化方法及系统 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN106953316B (zh) | 微电网变时间尺度优化调度方法 | |
Gandhi et al. | Review of optimization of power dispatch in renewable energy system | |
CN112186811B (zh) | 一种基于深度强化学习的agc机组动态优化方法 | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN110956324B (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
CN117057491B (zh) | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
CN112508325B (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN112001752A (zh) | 基于有限理性的多虚拟电厂动态博弈交易行为分析方法 | |
Li et al. | Two-stage community energy trading under end-edge-cloud orchestration | |
CN115147245B (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
CN113972645A (zh) | 基于多智能体深度确定策略梯度算法的配电网优化方法 | |
CN116191575B (zh) | 光储系统参与电网调压辅助服务的运行控制方法和系统 | |
CN116645089A (zh) | 一种考虑退役电池容量退化的储能系统双层优化配置方法 | |
CN111342456A (zh) | 一种台区能源系统建模方法及系统 | |
CN116937601A (zh) | 一种基于在线安全分析的多元可控负荷协同调度策略校核方法 | |
CN115860180A (zh) | 基于一致性强化学习算法的电网多时间尺度经济调度方法 | |
CN115760178A (zh) | 一种含有功实时平衡约束的多区域动态经济调度方法 | |
CN115021327A (zh) | 基于虚拟储能的互联微电网系统的协同日前优化调度方法 | |
CN114914942A (zh) | 一种基于一致性算法的多形态分布式储能一次调频控制方法 | |
Ma et al. | Control and Communication for Demand Response with Thermostatically Controlled Loads | |
CN115293803A (zh) | 电力现货市场下基于电价预测的独立储能运营系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |