CN113300388A - 一种基于改进旋转门算法的风电功率波动平抑方法 - Google Patents

Abstract

本发明公开了一种基于改进旋转门算法的风电功率波动平抑方法。它包括以下步骤：利用自适应天牛须算法寻找旋转门算法的全局最优压缩偏移量；利用改进旋转门算法和线性插值方法获取风电功率初步特征趋势；在特征时刻及实际风电功率突变时刻对初步特征趋势进行实时修正；将储能系统分为电池组1和电池组2，电池组1平抑修正后特征趋势与实际风电功率之间的偏差，电池组2平抑修正后特征趋势与风电并网功率指令之间的偏差。本发明完成了风电特征趋势的初步提取及实时修正，并对储能系统进行分组，在有效平抑风电波动的同时降低了电池储能的寿命损耗，提高了储能系统运行的经济性。

Description

一种基于改进旋转门算法的风电功率波动平抑方法

技术领域

本发明涉及电力系统领域，具体涉及一种风电功率波动平抑方法。

技术背景

风能作为一种清洁的可再生能源，在我国已经得到了高速的重视。随着我国“30·60”碳达峰碳中和目标的提出，风电势必会以更大的规模接入电网。然而，风能自身具有强波动性和不可控性，因此风电场的输出功率可能在短时间间隔内发生剧烈的波动，此现象称之为风电功率爬坡事件。风电功率的突然增加或减少，将会导致电网频率波动，严重影响了电力系统运行的稳定性和安全性，在极端条件下甚至会导致电力系统崩溃，造成大面积停电。因此如何有效地平抑风电的输出功率从而减小其波动对电力系统产生的影响是亟待解决的问题。

为平抑具有波动性和间歇性的风力发电功率，我国很多风电场引入了电池储能系统(battery energy storage system，BESS)辅助风电并网运行。但电池储能系统如果不采用合理的控制策略，会导致电池单元无规则动作，不仅不会起到平抑效果，反而会加剧并网功率的波动，导致系统的运行性能变差。因此，需要设计合理的储能平抑风电波动的控制策略，降低风电并网功率的波动性，提高风电并网的平稳性和安全性。

发明内容

本发明目的在于设计合理的风电功率波动平抑方法，从而降低风电并网功率的波动性，使得风电能够尽量平稳的并网运行。本发明提供了一种基于改进旋转门(swing doortrending，SDT)算法的风电功率波动平抑方法，不仅提取出了风电功率的特征趋势，还以此为基础，设计了电池储能系统平抑风电波动的控制策略，最后通过仿真验证了该策略的有效性。

本发明采用技术方案：一种基于改进旋转门算法的风电功率波动平抑方法，其包括步骤：

(1)基于历史风电功率，利用自适应天牛须算法寻找旋转门算法的全局最优压缩偏移量E；

(2)找到最优压缩偏移量E后，利用改进旋转门算法提取出风电功率的特征时刻和对应的功率数据点，并对特征数据点进行线性插值处理，得到风电功率的初步特征趋势；

(3)结合实际风电功率，在风电功率特征时刻及实际风电功率突变时刻对风电特征趋势进行实时修正；

(4)将储能系统分为电池组1和电池组2；

(5)结合修正后的特征趋势、实际风电功率确定储能电池组1的平抑功率指令并让电池组1进行响应；结合修正后的特征趋势、风电并网功率指令确定储能电池组2的平抑功率指令并让电池组2进行响应。

所述步骤(1)中，自适应天牛须寻找旋转门算法的全局最优压缩偏移量E的过程如下：

1)天牛须算法参数初始化

设置初始步长(最大步长)、最大迭代次数、步长参数a和b；

2)确定天牛须朝向并归一化处理

式中：rands为随机函数，k为空间维度；

3)步长因子计算

式中：μ_n为第n次迭代的步长，a和b分别为步长参数，其值分别为1.9和0.25；

4)确定适应度函数，如下式所示：

其中，f₁和f₂分别表示特征趋势的标准差和压缩比，N₁为总的样本个数，s_i为样本数据值，y_i为对特征数据点进行线性插值处理后的特征趋势值，N₂为提取出的特征数据点个数，α₁和α₂为权重，其值分别为0.68和5；

5)天牛位置初始化，选取[-1，1]之间的随机数作为天牛算法的初始解集，及天牛初始位置，并将其保存在X_best中；

6)根据式(3)计算天牛初始位置的适应度函数值，并保存在Y_best中；

7)根据下式(4)对天牛须左右位置更新：

式中：x_ln和x_rn分别表示天牛左须和天牛右须在第n次迭代时的位置坐标，x_n为天牛在第n次迭代时的质心坐标，dis为两须之间的距离；

8)天牛须算法解集更新：

根据天牛左右须位置，利用式(3)分别求取左右须的适应度函数值f(x_ln)和f(x_rn)，比较其强度并根据下式(5)更新天牛位置，即调整SDT算法的压缩偏移量E，并计算当前位置下的适应度函数值，若此时适应度函数值优于Y_best，则更新X_best、Y_best；

式中：sign为符号函数；

9)判断是否满足迭代终止条件，若满足，输出当前E值为SDT算法的全局最优压缩偏移量，若不满足，返回步骤7)。

所述步骤(2)中，基于自适应天牛须寻找到的最优压缩偏移量E，利用SDT提取风电功率特征时刻及对应的特征数据点，并对其进行线性插值处理，得到风电功率的初步特征趋势：

SDT算法计算步骤：

1)初始化

式中，t₀和x₀分别为初始时刻及对应的数据值；t₁和x₁分别为第1个时刻及对应的数据值；k_1d和k_2d分别为上、下支点门斜率的初始值；E为压缩偏移量；

2)计算斜率

式中：t_j和x_j分别为第j个时刻及对应的数据值；t_k和x_k分别为第k个时刻及对应的数据值；

3)斜率更新

4)数据提取

k_1d≥k_2d (9)

若满足式(9)，则将前一时刻t_j-1的数据值x_j-1作为特征数据进行记录，并返回步骤2)，否则返回步骤3)；

线性插值处理：使用SDT算法提取出风电功率的特征时刻及对应的功率数据点后，对功率数据点进行线性插值处理，即为风电功率的初步特征趋势。

所述步骤(3)中，结合实际风电功率，对风电特征趋势进行实时修正，修正时刻的选取以及修正原则如下：

修正时刻的选取：在风电功率特征时刻以及实际风电发生爬坡时对初步特征趋势进行修正，其中，当相邻两个风电数据点的差值超过风电场额定功率的2％时认为发生了爬坡；

修正原则：基于天牛须寻找到的最优压缩偏移量确定修正原则，如下式所示：

其中，P_f，t为经过改进SDT及线性插值提取出的t时刻风电功率的特征功率值，P_s，t为t时刻的实际风电功率，E为自适应天牛须寻找到的SDT全局最优压缩偏移量，其大小为1.7935；

在非修正时刻时，特征趋势值取上一时刻的特征数据值。

计算风电实际功率均值与的修正后特征趋势均值之间的偏差ΔP，对特征趋势进行二次修正，如下式所示：

P_f，t＝P_f，t+ΔP (11)

所述步骤(4)中，根据风电实际功率与修正后的风电特征趋势之间的偏差将电池储能系统分为两组，分别为电池组1和电池组2，以能够弥补95％以上的功率波动为标准确定电池组1的容量，其余的电池单元均作为电池组2。

所述步骤(5)中，电池储能系统平抑风电功率波动，电池组1用以弥补实际风电功率与修正后的特征趋势之间的波动偏差，电池组2用以弥补修正后特征趋势与并网功率指令之间的偏差；电池组1和电池组2在响应各自的平抑指令时，应满足以下条件：

采用安时积分法对电池组SOC进行估计：

其中：SOC_n，t为t时刻电池组n的荷电状态；P_bn，t为t时刻电池组n的充放电功率，充电时取正值，放电时取负值；C_n为电池组n的最大储能容量；

电池组在平抑风电波动时，一般不采用高倍率的充放电方式，故电池组n在t时刻的出力可表示为：

式中：P_n，t为t时刻电池组n的平抑功率指令；P_{b max n}和P_{b min n}分别为电池组n的最大充电功率和最大放电功率；

电池组运行中还应尽量避免过充、过放导致电池寿命受损，以SOC表征储能系统运行的容量限制，相应约束条件为：

其中：SOC_{max n}和SOC_{min n}分别表示电池组n荷电状态的上限和下限。

本发明提供的技术方案具有的有益效果：

通过使用改进SDT算法和线性插值方法对风电数据进行处理，可以得到风电功率的特征趋势，在此基础上，将电池储能系统分为电池组1和电池组2，电池组1用以弥补实际风电功率与修正后的特征趋势之间的波动偏差，电池组2用以弥补修正后特征趋势与并网功率指令之间的偏差。对于风电场而言，在有效平抑风电波动的同时，减小了并网指令与特征趋势之间的偏差，保证了风电能够安全平稳并网；对于储能系统而言，既避免了储能系统电池单元过充、过放，又减少储能系统电池单元总的动作次数，从而减少了电池的寿命损耗，提高了储能系统平抑风电功率波动的经济性。

附图说明

下面结合附图对本发明作进一步说明：

图1为本发明的流程图；

图2为自适应天牛须寻优过程；

图3为改进SDT提取出的风电功率特征时刻及对应的特征数据点；

图4为实时修正后的风电特征趋势与实际风电功率对比结果；

图5为储能电池组1和电池组2平抑功率指令；

图6为储能电池组1和电池组2响应结果；

图7为储能电池组1和电池组2的SOC变化；

图8为风储系统实际出力与并网功率指令对比结果；

具体实施方案

为了更好地理解本发明的目的、技术方案及技术效果，以下结合附图对本发明进行进一步的讲解说明。

本发明提出了一种基于改进旋转门算法的风电功率波动平抑方法，附图1为本发明的流程图，其实施流程包括如下详细步骤。

步骤1基于历史风电功率，利用自适应天牛须算法寻找旋转门算法的全局最优压缩偏移量E：

1)天牛须算法参数初始化

设置初始步长(最大步长)、最大迭代次数、步长参数a和b；

2)确定天牛须朝向并归一化处理

式中：rands为随机函数，k为空间维度；

3)步长因子计算

式中：μ_n为第n次迭代的步长，a和b分别为步长参数，其值分别为1.9和0.25；

4)确定适应度函数，如下式所示：

其中，f₁和f₂分别表示特征趋势的标准差和压缩比，N₁为总的样本个数，s_i为样本数据值，y_i为对特征数据点进行线性插值处理后的特征趋势值，N₂为提取出的特征数据点个数，α₁和α₂为权重，其值分别为0.68和5；

5)天牛位置初始化，选取[-1，1]之间的随机数作为天牛算法的初始解集，及天牛初始位置，并将其保存在X_best中；

6)根据式(17)计算天牛初始位置的适应度函数值，并保存在Y_best中；

7)根据下式(18)对天牛须左右位置更新：

式中：x_ln和x_rn分别表示天牛左须和天牛右须在第n次迭代时的位置坐标，x_n为天牛在第n次迭代时的质心坐标，dis为两须之间的距离；

8)天牛须算法解集更新：

根据天牛左右须位置，利用式(17)分别求取左右须的适应度函数值f(x_ln)和f(x_rn)，比较其强度并根据下式(19)更新天牛位置，即调整SDT算法的压缩偏移量E，并计算当前位置下的适应度函数值，若此时适应度函数值优于Y_best，则更新X_best、Y_best；

式中：sign为符号函数；

9)判断是否满足迭代终止条件，若满足，输出当前E值为SDT算法的全局最优压缩偏移量，若不满足，返回步骤7)。

以某风电场一年中典型的5天功率数据为研究对象，风电的采样率为5s，装机容量为100MW，采用自适应天牛须搜寻改进SDT的最优压缩偏移量，搜索过程如附图2所示。

步骤2基于自适应天牛须寻找到的最优压缩偏移量E，利用SDT提取风电功率特征时刻及对应的特征数据点，并对其进行线性插值处理，得到风电功率的初步特征趋势：

SDT算法计算步骤：

1)初始化

式中，t₀和x₀分别为初始时刻及对应的数据值；t₁和x₁分别为第1个时刻及对应的数据值；k_1d和k_2d分别为上、下支点门斜率的初始值；E为压缩偏移量；

2)计算斜率

式中：t_j和x_j分别为第j个时刻及对应的数据值；t_k和x_k分别为第k个时刻及对应的数据值；

3)斜率更新

4)数据提取

k_1d≥k_2d (23)

若满足式(23)，则将前一时刻t_j-1的数据值x_j-1作为特征数据进行记录，并返回步骤2)，否则返回步骤3)；

利用改进SDT提取出的风电功率特征时刻及特征数据点如附图3所示。

线性插值处理：使用SDT算法提取出风电功率的特征时刻及对应的功率数据点后，对功率数据点进行线性插值处理，即为风电功率的初步特征趋势。

步骤3结合实际风电功率，对风电特征趋势进行实时修正，修正时刻的选取以及修正原则如下：

修正时刻的选取：在风电功率特征时刻以及实际风电发生爬坡时对初步特征趋势进行修正，其中，当相邻两个风电数据点的差值超过风电场额定功率的2％时认为发生了爬坡；

修正原则：基于天牛须寻找到的最优压缩偏移量确定修正原则，如下式所示：

其中，P_f，t为经过改进SDT及线性插值提取出的t时刻风电功率的特征功率值，P_s，t为t时刻的实际风电功率，E为自适应天牛须寻找到的SDT全局最优压缩偏移量，其大小为1.7935；

在非修正时刻时，特征趋势值取上一时刻的特征数据值。

计算风电实际功率均值与的修正后特征趋势均值之间的偏差ΔP，对特征趋势进行二次修正，如下式所示：

P_f，t＝P_f，t+ΔP (25)

二次修正后的风电功率特征趋势与实际风电功率对比结果如附图4所示。

步骤4将储能系统分为电池组1和电池组2：

根据风电实际功率与修正后的风电特征趋势之间的偏差将电池储能系统分为两组，分别为电池组1和电池组2，以能够弥补95％以上的功率波动为标准确定电池组1的容量，其余的电池单元均作为电池组2。

步骤5电池储能系统平抑风电功率波动：

电池组1用以弥补实际风电功率与修正后的特征趋势之间的波动偏差，电池组2用以弥补修正后特征趋势与并网功率指令之间的偏差；电池组1和电池组2在响应各自的平抑指令时，应满足以下条件：

采用安时积分法对电池组SOC进行估计：

其中：SOC_n，t为t时刻电池组n的荷电状态；P_bn，t为t时刻电池组n的充放电功率，充电时取正值，放电时取负值；C_n为电池组n的最大储能容量；

电池组在平抑风电波动时，一般不采用高倍率的充放电方式，故电池组n在t时刻的出力可表示为：

式中：P_n，t为t时刻电池n组的平抑功率指令；P_{b max n}和P_{b min n}分别为电池组n的最大充电功率和最大放电功率；

电池组运行中还应尽量避免过充、过放导致电池寿命受损，以SOC表征储能系统运行的容量限制，相应约束条件为：

其中：SOC_{max n}和SOC_{min n}分别表示电池组n荷电状态的上限和下限。

为了进一步理解本发明，并验证储能平抑风电策略的有效性，利用某风电场的实际风电功率以及并网功率指令对平抑波动策略进行仿真。该风电场配备锂离子电池储能系统，其规模为10MW/10MWh，由10个1MW/1MWh的电池单元组成。选用该电池储能系统结合风电特征趋势、实际风电功率、风电并网功率指令平抑实际风电波动。

根据修正后风电特征趋势及实际风电功率确定储能电池组1的平抑功率指令如附图5(a)所示。

由附图5可知，为弥补95％以上的功率波动，储能电池组1需配置的规模为2MW/2MWh，进而电池组2的规模为8MW/8MWh。结合修正后特征趋势与风电并网功率指令确定电池组2的平抑功率指令。储能电池组1和电池组2的平抑功率指令如附图5(b)所示。

储能电池组1和电池组2的初始荷电状态分别为0.8、0.5，根据步骤5对平抑功率指令进行响应，结果如附图6所示，两个电池组的SOC变化如附图7所示。通过附图6和附图7可知，储能电池组在运行时，均未发生过充、过放。

风电实际功率、风储系统实际出力与并网功率指令的对比如附图8所示，由附图8可知，风电功率的波动明显降低，而且与风电并网功率的偏差也明显减小。

将本研究基于改进SDT的风电功率波动平抑方法与传统风电功率波动平抑方法中储能系统电池单元的动作次数进行对比，结果如表1所示。由于传统平抑未考虑储能系统分组，故储能电池单元的动作次数高达864000次。而本研究方案下储能电池单元的动作次数仅为796374次，可见本文策略有效地减少了电池单元的动作次数，减缓了储能资源的寿命损失。

表1两种方法下储能电池单元动作次数

Claims (7)

1.一种基于改进旋转门算法的风电功率波动平抑方法，其特征在于，包括以下步骤：

(1)基于历史风电功率，利用自适应天牛须算法寻找旋转门算法的全局最优压缩偏移量E；

(2)找到最优压缩偏移量E后，利用改进旋转门算法提取出风电功率的特征时刻和对应的功率数据点，并对特征数据点进行线性插值处理，得到风电功率的初步特征趋势；

(3)结合实际风电功率，在风电功率特征时刻及实际风电功率突变时刻对风电特征趋势进行实时修正；

(4)将储能系统分为电池组1和电池组2；

(5)结合修正后的特征趋势、实际风电功率确定储能电池组1的平抑功率指令并让电池组1进行响应；

(6)结合修正后的特征趋势、风电并网功率指令确定储能电池组2的平抑功率指令并让电池组2进行响应。

2.根据权利要求1所述的一种基于改进旋转门算法的风电功率波动平抑方法，其特征在于，所述步骤(1)中自适应天牛须算法的自适应步长通过以下公式获取：

其中，n为迭代次数，步长参数a和b分别为1.9和0.25。

3.根据权利要求1所述的一种基于改进旋转门算法的风电功率波动平抑方法，其特征在于，所述步骤(1)中自适应天牛须算法的适应度函数为：

其中，f₁和f₂分别表示特征趋势的标准差和压缩比，N₁为总的样本个数，s_i为样本数据值，y_i为对特征数据点进行线性插值处理后的特征趋势值，N₂为提取出的特征数据点个数，α₁和α₂为权重，其值分别为0.68和5。

4.根据权利要求1所述的一种基于改进旋转门算法的风电功率波动平抑方法，其特征在于，所述步骤(2)中基于自适应天牛须算法搜寻到的最优压缩偏移量E提取出风电功率的特征时刻及对应的特征功率值，并采用线性插值方法对提取出的特征功率值进行线性插值处理，得到风电功率的初步特征趋势。

5.根据权利要求1所述的一种基于改进旋转门算法的风电功率波动平抑方法，其特征在于，所述步骤(3)中修正时刻以及修正原则的确定：

修正时刻：在风电功率特征时刻以及实际风电发生爬坡时对初步特征趋势进行修正，其中，当相邻两个风电数据点的差值超过风电场额定功率的2％时认为发生了爬坡；

修正原则：基于天牛须寻优结果确定修正原则，如下式所示：

其中，P_f，t为经过改进SDT及线性插值提取出的t时刻风电功率的特征功率值，P_s，t为t时刻的实际风电功率，E为自适应天牛须寻找到的SDT全局最优压缩偏移量，其大小为1.7935；

在非修正时刻时，特征趋势值取上一时刻的特征数据值；

计算风电实际功率均值与的修正后特征趋势均值之间的偏差ΔP，对特征趋势进行二次修正，如下式所示：

P_f，t＝P_f，t+ΔP (4) 。

6.根据权利要求1所述的一种基于改进旋转门算法的风电功率波动平抑方法，其特征在于，所述步骤(5)中采用电池组1弥补修正后风电特征趋势与实际风电功率的小范围波动。

7.根据权利要求1所述的一种基于改进旋转门算法的风电功率波动平抑方法，其特征在于，所述步骤(6)中采用电池组2弥补风电并网指令与修正后特征趋势之间的偏差。

Images