CN113555899A - 一种风光储发电系统协调控制方法 - Google Patents

Abstract

本发明公开了一种计及负荷、风光波动性的风光储发电系统协调控制方法，包括以下步骤：利用多维密集网络算法对负荷进行预测，得出预测负荷曲线；建立风光储发电系统的预测模型，考虑风电、光伏发电系统的波动性和储能的荷电状态，构建风光储发电系统的协调优化模型，求得每一时刻最优的光伏单元和风机的数量组合，使风光储发电系统能够有效地跟踪预测负荷曲线。本发明的协调控制方法能降低储能充放电深度，防止储能过充过放，同时减小风电和光伏输出功率的波动性，提高联合发电系统负荷跟踪能力，具有切实可行的实用价值和广泛的应用前景。

Description

一种风光储发电系统协调控制方法

技术领域

本发明属于电力储能领域，具体涉及一种计及负荷、风光波动性的风光储发电系统协调控制方法。

背景技术

近年来，以风能、太阳能为代表的可再生清洁能源发电技术在全球范围内快速发展。由于风能和光能的间歇性、随机性及波动性，风、光独立运行系统很难提供连续稳定的能量输出，如果在风、光的基础上加入储能装置组成风光储联合发电系统，就可以充分利用风能和光能在时间及地域上的天然互补性，同时配合储能系统对电能的存储和释放，改善整个风光发电系统的功率输出特性，缓解风、光等可再生能源的间歇性和波动性与电力系统实时平衡之间的矛盾，降低其对电网的不利影响。

然而，目前国内外在储能系统与风电等可再生能源的协调控制方法研究主要集中在控制储能的充、放电过程以平滑风、光输出功率，一般不考虑对风电或光伏发电的调整。目前尚没有有效的风、光、储多源协调控制方法，控制风光储联合发电系统的输出功率跟踪负荷曲线。因此，在计及风光波动性的基础上，研究如何协调控制风电、光伏发电系统与储能系统以提高联合发电系统负荷跟踪能力具有重要意义。

发明内容

发明目的：本发明的目是提供一种计及负荷、风光波动性的风光储发电系统协调控制方法，充分发挥风能、光能、储能资源的优势互补，有效利用储能系统对电能存储和释放，合理调整风、光等可再生能源，提高联合发电系统负荷跟踪能力，同时还能够降低储能充放电深度，防止储能过充过放。

技术方案：一种计及负荷、风光波动性的风光储发电系统协调控制方法，包括以下步骤：

步骤1：利用多维密集网络算法对负荷进行预测，得出预测负荷曲线；

步骤2：构建风光储发电系统的协调优化模型，求得每一时刻最优的光伏单元和风机的数量组合，使风光储发电系统能够有效地跟踪预测负荷曲线。

进一步地，在步骤1中，优选采用多维密集网络算法对负荷进行预测，具体内容为：

步骤1.1：针对电力负荷有功功率P及其影响因素ξ₁，ξ₂，…，ξ_n进行等间隔采样，n∈[1，1000]，采样间隔为τ，τ∈[0.1，100]分钟，采样时刻为t，t-τ，t-2×τ，…，t-(m-1)×τ，m∈[100，100000]，得到(n+1)×m个采样值：ξ₁(t-M×τ)，ξ₂(t-M×τ)，…，ξ_n(t-M×τ)，P(t-M×τ)，其中，M＝0,1,2,...,m-1；

步骤1.2：针对m个电力负荷有功功率采样P(t-M×τ)，估计负荷系统的闵可夫斯基维数d，确定分形维数D，D∈[2d,10d]且D是整数；

步骤1.3：确定随机分形数量为r′，r′∈[1,100000]，从步骤1.1中的(n+1)×m个采样值中随机选取D个采样值，选取r′次，得到r′组滞后变量组合，与电力负荷有功功率P(t_d)相对应的第i个滞后变量组合定义为

其中：i＝1,2,…,r′，t_d＝t-(m-1)×τ,t-(m-2)×τ,…,t，滞后步长τ₁∈[τ,(m-1)×τ]、τ₂∈[τ,(m-1)×τ]、τ_D∈[τ,(m-1)×τ]；

步骤1.4：拟合每一个滞后变量组合

到相应电力负荷有功功率P(t_d)的r'个对比变量ψ_i，其中，i＝1,2,…,r'；

步骤1.5：测试r′个对比变量ψ_i的训练结果，得到r′个训练结果误差δ_i，由小到大排序，其中，i＝1,2,…,r′，从中选取训练结果误差小于阈值δ_c1，δ_c1∈[0.0001,0.1]，且与δ_i相对应的对比变量ψ′_i′，其中，i′＝1,2,…,r，r∈[1,100000]；

步骤1.6：基于r个对比变量ψ′_i′按公式(1)进行1步预测，得到r个t^*时刻电力负荷有功功率预测值

及其预测误差δ_i′，由小到大排序，形成集合

其中，i′＝1,2,…,r；

步骤1.7：基于式(2)、式(3)，得到t^*时刻电力负荷有功功率的最终预测值

式(2)和式(3)中：ω_i′为与误差δ_i′相对应的权重；j为中间变量；“exp”为以自然常数e为底的指数函数；“∑”为求和符号。

进一步地，在步骤2中，构建风光储发电系统的协调优化模型，具体内容为：

在控制时域内，各时刻光伏电站和风电场的出力占比分别为λ和μ，λ和μ的表达式如下：

式中：P_PVN和P_WN为由超短期功率预测得出的光伏单元输出功率和风机输出功率；N_PV和N_W分别为光伏单元和风机的数量；(k)为k时刻的相应值。

以λ和μ作为输入，利用径向基函数(RBF)插值法求得光伏单元和风机的功率变化适应系数θ、γ。

通过控制光伏单元和风机数量的方式缩小源荷之间的差值，优化控制目标为控制时域内，各时刻光伏电站和风电场的联合输出功率和负荷预测功率的方差和最小，目标函数J₁为：

式中：I为控制时域中的时间间隔数；P_PV为光伏电站的实测输出功率；P_W为风电场的实测输出功率；P_PVN和P_WN为由超短期功率预测得出的光伏单元输出功率和风机输出功率；ΔN_PV和ΔN_W为光伏单元和风机的数量变化值；

为电力负荷有功功率的预测值；θ、γ分别为光伏单元和风机数量的功率变化适应系数；(k)为k时刻的相应值。

储能作为辅助电源，避免过充过放、将储能电量控制在理想值附近，有利于延长储能系统的运行寿命。因此，优化控制目标为控制时域内各时刻储能系统SOC与理想值SOC_L的方差和最小，目标函数J₂为：

式中：SOC(k)为k时刻储能系统的荷电状态；SOC_L为储能系统荷电状态的理想值。

由于风电和光伏输出功率的波动性，在每一时刻都存在一种最优的光伏单元和风机的数量组合，但是，按照每一时刻的最优组合投切光伏单元和风机会使得光伏单元和风机频繁启停，为防止光伏单元和风机频繁启停，设计了在控制时域内光伏单元数量变化值ΔN_PV和风机数量变化值ΔN_W最小为优化目标，目标函数J₃为：

考虑光伏单元和风机的启停时间，为防止光伏单元和风机频繁启停，引入了光伏单元和风机的个数变化限制β，即在控制时域内光伏单元和风机的数量变化值应该大于等于β，当变化值小于β时，光伏单元和风机的数量不变化，如式(13)(14)所示。

风光储发电系统优化模型的约束条件如下：

-P_BN≤P_B(k)≤P_BN (10)

SOC_min≤SOC(k)≤SOC_max (11)

0≤N_PV≤N_PVT,0≤N_W≤N_WT (12)

β≤ΔN_PV(k)≤N_PVT (13)

β≤ΔN_W(k)≤N_WT (14)式中：P_B为储能系统的输出功率，(k)为k时刻的相应值；P_BN为储能系统的额定功率；SOC_max和SOC_min分别为储能系统荷电状态的上、下限；N_PVT为光伏电站中光伏单元的总数量；N_WT为风电场中风机的总数量；β为光伏单元和风机的数量变化限制。

通过对优化目标进行求解，得出k+1时刻最优的光伏单元和风机数量，根据最优解对风光储发电系统进行控制。

进一步地，在风光储发电系统中，由于风电、光伏输出功率预测值与实测值存在一定偏差，在协调优化过程中，需要将系统当前实测的风电场和光伏电站输出功率作为下一轮优化的初始条件，使系统的调控策略符合运行要求。因此，在每一个控制时域内都会根据实测值的反馈，对系统进行校正，不会造成功率预测误差的叠加，有效降低了功率预测误差对于系统的不利影响。

进一步地，对储能系统的控制分为两种控制模式：正常运行模式和短时过载模式。正常运行模式主要应对风电和光伏出力变化相对平稳，未出现大幅跌落的情形；短时过载模式主要应对风电和光伏总出力出现快速向下爬坡，利用协调优化模型无法得出光伏单元和风机最优组合的情形。

光伏单元和风机的可调度数量函数为：

式中：ΔN_{PV_KDD}为光伏单元可调度数量；ΔN_{W_KDD}为风机可调度数量；N_PVT为光伏电站中光伏单元的总数量；N_WT为风电场中风机的总数量；N_PV为光伏单元的数量；N_W为风机的数量；(k)为k时刻的相应值。

根据每一时刻光伏单元和风机的可调度数量，自适应地对储能系统的控制模式进行切换，公式表达如下：

式中：Mode为储能系统的控制模式，1代表正常运行模式，0代表短时过载模式；(k)为k时刻的相应值。

进一步地，正常运行模式具体如下：

风电、光伏系统出力偏差ΔP表达式如下：

式中：P_PV为光伏电站的实测输出功率；P_W为风电场的实测输出功率；

为电力负荷有功功率的预测值，

当SOC_min<SOC<SOC_low，即低电量区间：

限制储能系统的放电功率，不限制充电功率，此时储能系统的功率约束为：

式中：P_{B_dis_max}为储能系统放电功率上限；P_BN为储能系统的额定功率；SOC_low为储能系统荷电状态正常电量区的下限，

ΔP为正时，储能系统充电，若|ΔP|<P_thr，储能系统的输出功率P_B为零，以避免小电流充放电，提高储能系统运行寿命；否则，储能系统出力在补偿ΔP的基础上，额外增加P_thr，以加快储能系统电量恢复到正常电量区[SOC_low，SOC_high]，SOC_high为储能系统荷电状态正常电量区的上限，

P_B＝min{ΔP+P_thr,P_{B_ch_max}} (19)

式中：P_{B_ch_max}储能系统充电功率上限；P_thr为储能系统最小出力限值；

ΔP为负时，储能系统放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝max{ΔP,-P_{B_dis_max}} (20)

当SOC_low<SOC<SOC_high，即正常电量区间：

ΔP为正时，储能系统充电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝min{ΔP,P_{B_ch_max}} (21)

ΔP为负时，储能系统放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝max{ΔP,-P_{B_dis_max}} (22)

当SOC_high<SOC<SOC_max，即高电量区间：

储能系统处于高电量状态，限制储能系统的充电功率，不限制放电功率，此时储能系统的功率约束为：

ΔP为正时，储能系统充电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝min{ΔP,P_{B_ch_max}} (24)

ΔP为负时，储能系统放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则，储能系统出力在补偿ΔP的基础上，额外增加P_thr，以加快储能系统电量恢复到正常电量区[SOC_low，SOC_high]，

P_B＝max{ΔP-P_thr,-P_{B_dis_max}} (25)。

进一步地，短时过载模式具体如下：

风电场和光伏电站总出力向下爬坡幅度超过某一阈值时，触发储能系统短时过载模式，触发条件如式(28)所示，排除风光为跟踪预测负荷导致出力变化大于阈值的情形：

P_PV+W(k-1)-P_PV+W(k)-[P_PVN(k-1)ΔN_PV(k-1)+P_WN(k-1)ΔN_W(k-1)]＞ε (26)

式中：P_PV+W(k-1)和P_PV+W(k)分别为风电场与光伏电站上一时刻和当前时刻总的实时出力；ε为启动阈值，

短时过载模式触发后，储能系统放电时功率限制调整为：

P_{B_dis_max}＝(1+αe^-t/T)P_BN (27)

式中：α为过载系数，由储能系统的过载能力决定；T为过载时间系数。

有益效果：与现有技术相比，本发明具有如下显著的优点：利用多维密集网络算法对负荷进行预测，得出预测负荷曲线；建立风光储发电系统的预测模型，考虑风电、光伏发电系统的波动性和储能的荷电状态，构建风光储发电系统的协调优化模型，求得每一时刻最优的光伏单元和风机的数量组合。考虑风电和光伏出力的弱功率支撑性，对储能系统的控制分为正常运行模式和短时过载模式，引入光伏单元和风机的可调度数量函数，根据每一时刻光伏单元和风机的可调度数量，对储能系统的控制模式进行切换。本协调控制方法能降低储能充放电深度，防止储能过充过放，同时减小风电和光伏输出功率的波动性，提高联合发电系统负荷跟踪能力。

附图说明

图1为本发明的方法流程图；

图2为本发明的多维密集网络算法流程图；

图3为本发明的储能系统工作区间示意图；

图4为本发明的风光储协调控制原理图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1所示，本发明所采用的技术方案是一种计及负荷、风光波动性的风光储发电系统协调控制方法，包括以下步骤：

步骤1：电力负荷预测方法有很多，包括负荷密度法、指数平滑法、趋势分析法、灰色模拟法等，本发明优选采用如图2所示的多维密集网络算法对短期负荷进行预测，具体内容为：

(1)针对电力负荷有功功率P及其影响因素ξ₁，ξ₂，…，ξ_n进行等间隔采样，n∈[1，1000]，采样间隔为τ，τ∈[0.1，100]分钟，采样时刻为t，t-τ，t-2×τ，…，t-(m-1)×τ，m∈[100，100000]，得到(n+1)×m个采样值：ξ₁(t-M×τ)，ξ₂(t-M×τ)，…，ξ_n(t-M×τ)，P(t-M×τ)，其中，M＝0,1,2,...,m-1；

(2)针对m个电力负荷有功功率采样P(t-M×τ)，估计负荷系统的闵可夫斯基维数d，确定分形维数D，D∈[2d,10d]且D是整数；

(3)确定随机分形数量为r'，r'∈[1,100000]，从步骤(1)所述的(n+1)×m个采样值中随机选取D个采样值，选取r'次，得到r'组滞后变量组合，与电力负荷有功功率P(t_d)相对应的第i个滞后变量组合定义为

其中：i＝1,2,…,r'，t_d＝t-(m-1)×τ,t-(m-2)×τ,…,t，滞后步长τ₁∈[τ,(m-1)×τ]、τ₂∈[τ,(m-1)×τ]、τ_D∈[τ,(m-1)×τ]；

(4)拟合每一个滞后变量组合

到相应电力负荷有功功率P(t_d)的r'个对比变量ψ_i，其中，i＝1,2,…,r'；

(5)测试r'个对比变量ψ_i的训练结果，得到r'个训练结果误差δ_i，由小到大排序，其中，i＝1,2,…,r'，从中选取训练结果误差小于阈值δ_c1，δ_c1∈[0.0001,0.1]，且与δ_i相对应的对比变量ψ′_i′，其中，i'＝1,2,…,r，r∈[1,100000]；

(6)基于r个对比变量ψ′_i′按公式(1)进行1步预测，得到r个t^*时刻电力负荷有功功率预测值

及其预测误差δ_i′，由小到大排序，形成集合

其中，i'＝1,2,…,r；

(7)基于式(2)、式(3)，得到t^*时刻电力负荷有功功率的最终预测值

式(2)和式(3)中：ω_i′为与误差δ_i′相对应的权重；j为中间变量；“exp”为以自然常数e为底的指数函数；“∑”为求和符号。

步骤2：光伏电站和风电场的控制过程可以表示为：

式中：N_PV和N_W分别为光伏单元和风机的数量；ΔN_PV和ΔN_W分别为光伏单元和风机的数量变化值；(k)为k时刻的相应值；(k+1)为k+1时刻的相应值。

光伏电站和风电场输出功率的变化过程为：

式中：P_PV为光伏电站的实测输出功率；P_W为风电场的实测输出功率；P_PVN和P_WN分别为由超短期功率预测得出的光伏单元输出功率和风机输出功率；(k)为k时刻的相应值；(k+1)为k+1时刻的相应值。

储能系统的荷电状态为储能系统当前电量和额定容量的比值，储能电量的变化过程可以表示为：

E_B(k+1)＝E_B(k)-ηΔT_BP_B(k) (6)

式中：E_B为储能电量；η为储能的转换效率；ΔT_B为MW到MW·h的转换系数；P_B为储能系统的输出功率；(k)为k时刻的相应值；(k+1)为k+1时刻的相应值。

基于风光储发电系统的功率平衡方程、储能荷电状态的变化过程和风电场、光伏电站的控制过程，建立了风光储发电系统的预测模型。风光储发电系统的状态空间模型为：

式中状态方程矩阵为：

式中：x(k)是系统的状态变量，即储能的充放电功率P_B、光伏电站的输出功率P_PV和风电场的输出功率P_W；u(k)是系统的控制变量，即光伏单元和风机的数量变化值ΔN_PV和ΔN_W；r(k)表示系统的扰动量，即负荷预测功率

y(k)表示系统的输出量，即储能的充放电功率P_B。

矩阵A、B₁、B₂、C如下所示：

将参数矩阵代入状态方程，可得到风光储运行的预测模型。

预测时域包含p个时间间隔，控制时域包含I个时间间隔，且p≥I。在k时刻，通过预测模型得到预测时域内的预测序列x(k+1)、x(k+2)…x(k+p)。

在控制时域内，各时刻光伏电站和风电场的出力占比分别为λ和μ，λ和μ的表达式如下：

式中：P_PVN和P_WN为由超短期功率预测得出的光伏单元输出功率和风机输出功率；N_PV和N_W分别为光伏单元和风机的数量；(k)为k时刻的相应值。

径向基函数(RBF)插值法公式如下：

式中：X是输入；a是径向基函数的数量，a为正整数；ρ_a为第a个权值向量；

为第a个径向基函数；X^a是第a次输入；||X-X^a||表示差向量的模。

以λ和μ作为输入，利用径向基函数(RBF)插值法求得光伏单元和风机的功率变化适应系数θ、γ。

通过控制光伏单元和风机数量的方式缩小源荷之间的差值，优化控制目标为控制时域内，各时刻光伏电站和风电场的联合输出功率和负荷预测功率的方差和最小，目标函数J₁为：

式中：I为控制时域中的时间间隔数；P_PV为光伏电站的实测输出功率；P_W为风电场的实测输出功率；P_PVN和P_WN为由超短期功率预测得出的光伏单元输出功率和风机输出功率；ΔN_PV和ΔN_W为光伏单元和风机的数量变化值；

为电力负荷有功功率的预测值；θ、γ分别为光伏单元和风机数量的功率变化适应系数；(k)为k时刻的相应值。

如图3所示，储能作为辅助电源，避免过充过放、将储能电量控制在理想值附近，有利于延长储能系统的运行寿命。因此，优化控制目标为控制时域内各时刻储能系统SOC与理想值SOC_L的方差和最小，目标函数J₂为：

式中：SOC(k)为k时刻储能系统的荷电状态；SOC_L为储能系统荷电状态的理想值。

由于风电和光伏输出功率的波动性，在每一时刻都存在一种最优的光伏单元和风机的数量组合，但是，按照每一时刻的最优组合投切光伏单元和风机会使得光伏单元和风机频繁启停，为防止光伏单元和风机频繁启停，设计了在控制时域内光伏单元数量变化值ΔN_PV和风机数量变化值ΔN_W最小为优化目标，目标函数J₃为：

考虑光伏单元和风机的启停时间，为防止光伏单元和风机频繁启停，引入了光伏单元和风机的个数变化限制β，即在控制时域内光伏单元和风机的数量变化值应该大于等于β，当变化值小于β时，光伏单元和风机的数量不变化，如式(20)(21)所示。

风光储发电系统优化模型的约束条件如下：

-P_BN≤P_B(k)≤P_BN (17)

SOC_min≤SOC(k)≤SOC_max (18)

0≤N_PV≤N_PVT,0≤N_W≤N_WT (19)

β≤ΔN_PV(k)≤N_PVT (20)

β≤ΔN_W(k)≤N_WT (21)

式中：P_B为储能系统的输出功率，(k)为k时刻的相应值；P_BN为储能系统的额定功率；SOC_max和SOC_min分别为储能系统荷电状态的上、下限；N_PVT为光伏电站中光伏单元的总数量；N_WT为风电场中风机的总数量；β为光伏单元和风机的数量变化限制。

根据预测序列x(k+1)、x(k+2)…x(k+p)，对优化目标进行求解，求得每一时刻最优的光伏单元和风机数量，得出控制时域内的最优控制序列，并只执行控制时域内第1个时间间隔的最优控制命令，最后，将实测值作为反馈，更新系统的状态变量并重复上述过程。具体控制原理如附图4所示。

在风光储发电系统中，由于风电、光伏输出功率预测值与实测值存在一定偏差，在优化过程中，需要将系统当前实测的风电场和光伏电站输出功率作为下一轮优化的初始条件，使系统的调控策略符合运行要求。因此，在每一个控制时域内都会根据实测值的反馈，对系统进行校正，不会造成功率预测误差的叠加，有效降低了功率预测误差对于系统的不利影响。

对储能系统的控制分为两种控制模式：正常运行模式和短时过载模式。正常运行模式主要应对风电和光伏出力变化相对平稳，未出现大幅跌落的情形；短时过载模式主要应对风电和光伏总出力出现快速向下爬坡，利用协调优化模型无法得出光伏单元和风机最优组合的情形。

光伏单元和风机的可调度数量函数为：

式中：ΔN_{PV_KDD}为光伏单元可调度数量；ΔN_{W_KDD}为风机可调度数量；N_PVT为光伏电站中光伏单元的总数量；N_WT为风电场中风机的总数量；N_PV为光伏单元的数量；N_W为风机的数量；(k)为k时刻的相应值。

根据每一时刻光伏单元和风机的可调度数量，自适应地对储能系统的控制模式进行切换，公式表达如下：

式中：Mode为储能系统的控制模式，1代表正常运行模式，0代表短时过载模式；(k)为k时刻的相应值。

(1)正常运行模式

风电、光伏系统出力偏差ΔP

式中：P_PV为光伏电站的实测输出功率；P_W为风电场的实测输出功率；

为电力负荷有功功率的预测值。

①SOC_min<SOC<SOC_low，即低电量区间

储能系统处于低电量状态，应限制储能系统的放电功率，避免储能系统的过放电，而不限制充电功率。此时储能系统的功率约束为：

式中：P_{B_dis_max}为储能系统放电功率上限；P_BN为储能系统的额定功率；SOC_low为储能系统荷电状态正常电量区的下限。

ΔP为正时，储能系统需要充电，若|ΔP|<P_thr，储能系统的输出功率P_B为零，以避免小电流充放电，提高储能系统运行寿命；否则，储能系统出力在补偿ΔP的基础上，额外增加P_thr，以加快储能系统电量恢复到正常电量区[SOC_low，SOC_high]，SOC_high为储能系统荷电状态正常电量区的上限。

P_B＝min{ΔP+P_thr,P_{B_ch_max}} (26)

式中：P_{B_ch_max}储能系统充电功率上限；P_thr为储能系统最小出力限值。

ΔP为负时，储能系统需要放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝max{ΔP,-P_{B_dis_max}} (27)

②SOC_low<SOC<SOC_high，即正常电量区间

ΔP为正时，储能系统需要充电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝min{ΔP,P_{B_ch_max}} (28)

ΔP为负时，储能系统需要放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝max{ΔP,-P_{B_dis_max}} (29)

③SOC_high<SOC<SOC_max，即高电量区间

储能系统处于高电量状态，应限制储能系统的充电功率，避免储能系统的过充电，而不限制放电功率。此时储能系统的功率约束为：

ΔP为正时，储能系统需要充电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝min{ΔP,P_{B_ch_max}} (31)

ΔP为负时，储能系统需要放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则，储能系统出力在补偿ΔP的基础上，额外增加P_thr，以加快储能系统电量恢复到正常电量区[SOC_low，SOC_high]。

P_B＝max{ΔP-P_thr,-P_{B_dis_max}} (32)

(2)短时过载模式

考虑风电和光伏出力的波动性，其出力可能会出现快速向下爬坡，使得风电、光伏系统系统出力大幅偏离预测负荷曲线，即使投入所有风机和光伏单元也无法满足负荷需求，此时大量的功率缺额将超过储能系统正常补偿能力。但考虑储能系统具有一定的短时过载能力，可通过其短时过载，快速增大其功率输出，以限制风电和光伏出力的跌落幅度，保证联合系统出力能够变化平稳。

风电场和光伏电站总出力向下爬坡幅度超过某一阈值时，触发储能系统短时过载模式。触发条件如式(28)所示，剔除风光为跟踪预测负荷导致出力变化大于阈值的情形。

P_PV+W(k-1)-P_PV+W(k)-[P_PVN(k-1)ΔN_PV(k-1)+P_WN(k-1)ΔN_W(k-1)]＞ε (33)

式中：P_PV+W(k-1)和P_PV+W(k)分别为风电场与光伏电站上一时刻和当前时刻总的实时出力；ε为启动阈值。

短时过载模式触发后，储能系统放电时功率限制调整为：

P_{B_dis_max}＝(1+αe^-t/T)P_BN (34)

式中：α为过载系数，由储能系统的过载能力决定；T为过载时间系数。

Claims (7)

1.一种风光储发电系统协调控制方法，其特征在于，包括以下步骤：

步骤1：利用多维密集网络算法对负荷进行预测，得出预测负荷曲线；

步骤2：构建风光储发电系统的协调优化模型，求得每一时刻最优的光伏单元和风机的数量组合，使风光储发电系统能够有效地跟踪预测负荷曲线。

2.根据权利要求1所述的风光储发电系统协调控制方法，其特征在于，所述步骤1具体包括：

步骤1.1：针对电力负荷有功功率P及其影响因素ξ₁，ξ₂，…，ξ_n进行等间隔采样，n∈[1，1000]，采样间隔为τ，τ∈[0.1，100]分钟，采样时刻为t，t-τ，t-2×τ，…，t-(m-1)×τ，m∈[100，100000]，得到(n+1)×m个采样值：ξ₁(t-M×τ)，ξ₂(t-M×τ)，…，ξ_n(t-M×τ)，P(t-M×τ)，其中，M＝0,1,2,...,m-1；

步骤1.2：针对m个电力负荷有功功率采样P(t-M×τ)，估计负荷系统的闵可夫斯基维数d，确定分形维数D，D∈[2d,10d]且D是整数；

步骤1.3：确定随机分形数量为r'，r'∈[1,100000]，从所述步骤1.1中的(n+1)×m个采样值中随机选取D个采样值，选取r'次，得到r'组滞后变量组合，与电力负荷有功功率P(t_d)相对应的第i个滞后变量组合定义为

其中，i＝1,2,…,r'，t_d＝t-(m-1)×τ,t-(m-2)×τ,…,t，滞后步长τ₁∈[τ,(m-1)×τ]、τ₂∈[τ,(m-1)×τ]、τ_D∈[τ,(m-1)×τ]；

步骤1.4：拟合每一个滞后变量组合

到相应电力负荷有功功率P(t_d)的r'个对比变量ψ_i，其中，i＝1,2,…,r'；

步骤1.5：测试r'个对比变量ψ_i的训练结果，得到r'个训练结果误差δ_i，由小到大排序，其中，i＝1,2,…,r'，从中选取训练结果误差小于阈值δ_c1，δ_c1∈[0.0001,0.1]，且与δ_i相对应的对比变量ψ′_i′，其中，i'＝1,2,…,r，r∈[1,100000]；

步骤1.6：基于r个对比变量ψ′_i′按公式(1)进行1步预测，得到r个t^*时刻电力负荷有功功率预测值

及其预测误差δ_i′，由小到大排序，形成集合

其中，i'＝1,2,…,r；

步骤1.7：基于式(2)、式(3)，得到t^*时刻电力负荷有功功率的最终预测值

式中，ω_i′为与误差δ_i′相对应的权重；j为中间变量；“exp”为以自然常数e为底的指数函数；“∑”为求和符号。

3.根据权利要求1所述的风光储发电系统协调控制方法，其特征在于，所述步骤2中构建风光储发电系统的协调优化模型具体包括：

在控制时域内，各时刻光伏电站和风电场的出力占比分别为λ和μ，表达式如下：

式中：P_PVN和P_WN为分别由超短期功率预测得出的光伏单元输出功率和风机输出功率；N_PV和N_W分别为光伏单元和风机的数量；(k)为k时刻的相应值，

以λ和μ作为输入，利用径向基函数插值法求得光伏单元和风机的功率变化适应系数θ、γ，

通过控制光伏单元和风机数量的方式缩小源荷之间的差值，优化控制目标为控制时域内，各时刻光伏电站和风电场的联合输出功率和负荷预测功率的方差和最小，目标函数J₁为：

式中：I为控制时域中的时间间隔数；P_PV为光伏电站的实测输出功率；P_W为风电场的实测输出功率；P_PVN和P_WN为由超短期功率预测得出的光伏单元输出功率和风机输出功率；ΔN_PV和ΔN_W为光伏单元和风机的数量变化值；

为电力负荷有功功率的预测值；θ、γ分别为光伏单元和风机数量的功率变化适应系数；(k)为k时刻的相应值，

优化控制目标为控制时域内各时刻储能系统SOC与理想值SOC_L的方差和最小，目标函数J₂为：

式中：SOC(k)为k时刻储能系统的荷电状态；SOC_L为储能系统荷电状态的理想值，

在控制时域内光伏单元数量变化值ΔN_PV和风机数量变化值ΔN_W最小为优化目标，目标函数J₃为：

引入光伏单元和风机的个数变化限制β，即在控制时域内光伏单元和风机的数量变化值大于等于β，当变化值小于β时，光伏单元和风机的数量不变化，如式(13)(14)所示，

风光储发电系统优化模型的约束条件如下：

-P_BN≤P_B(k)≤P_BN (10)

SOC_min≤SOC(k)≤SOC_max (11)

0≤N_PV≤N_PVT,0≤N_W≤N_WT (12)

β≤ΔN_PV(k)≤N_PVT (13)

β≤ΔN_W(k)≤N_WT (14)

式中：P_B为储能系统的输出功率，(k)为k时刻的相应值；P_BN为储能系统的额定功率；SOC_max和SOC_min分别为储能系统荷电状态的上、下限；N_PVT为光伏电站中光伏单元的总数量；N_WT为风电场中风机的总数量；β为光伏单元和风机的数量变化限制，

通过对优化目标进行求解，得出k+1时刻最优的光伏单元和风机数量，根据最优解对风光储发电系统进行控制。

4.根据权利要求3所述的风光储发电系统的协调优化模型，其特征在于，所述风光储发电系统在协调优化过程中，将系统当前实测的风电场和光伏电站输出功率作为下一轮优化的初始条件，使系统的调控策略符合运行要求，即，在每一个控制时域内根据实测值的反馈，对系统进行校正，避免功率预测误差的叠加。

5.根据权利要求1所述的风光储发电系统协调控制方法，其特征在于，对储能系统的控制分为两种控制模式：正常运行模式和短时过载模式；所述正常运行模式用于应对风电和光伏出力变化相对平稳，未出现大幅跌落的情形；所述短时过载模式用于应对风电和光伏总出力出现快速向下爬坡，利用协调优化模型无法得出光伏单元和风机最优组合的情形，

光伏单元和风机的可调度数量函数为：

式中：ΔN_{PV_KDD}为光伏单元可调度数量；ΔN_{W_KDD}为风机可调度数量；N_PVT为光伏电站中光伏单元的总数量；N_WT为风电场中风机的总数量；N_PV为光伏单元的数量；N_W为风机的数量；(k)为k时刻的相应值，

根据每一时刻光伏单元和风机的可调度数量，自适应地对储能系统的控制模式进行切换，公式表达如下：

式中：Mode为储能系统的控制模式，1代表正常运行模式，0代表短时过载模式；(k)为k时刻的相应值。

6.根据权利要求5所述的风光储发电系统协调控制方法，其特征在于，所述正常运行模式具体如下：

风电、光伏系统出力偏差ΔP表达式如下：

式中：P_PV为光伏电站的实测输出功率；P_W为风电场的实测输出功率；

为电力负荷有功功率的预测值，

当SOC_min<SOC<SOC_low，即低电量区间：

限制储能系统的放电功率，不限制充电功率，此时储能系统的功率约束为：

式中：P_{B_dis_max}为储能系统放电功率上限；P_BN为储能系统的额定功率；SOC_low为储能系统荷电状态正常电量区的下限，

ΔP为正时，储能系统充电，若|ΔP|<P_thr，储能系统的输出功率P_B为零，以避免小电流充放电，提高储能系统运行寿命；否则，储能系统出力在补偿ΔP的基础上，额外增加P_thr，以加快储能系统电量恢复到正常电量区[SOC_low，SOC_high]，SOC_high为储能系统荷电状态正常电量区的上限，

P_B＝min{ΔP+P_thr,P_{B_ch_max}} (19)

式中：P_{B_ch_max}储能系统充电功率上限；P_thr为储能系统最小出力限值；

ΔP为负时，储能系统放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝max{ΔP,-P_{B_dis_max}} (20)

当SOC_low<SOC<SOC_high，即正常电量区间：

ΔP为正时，储能系统充电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝min{ΔP,P_{B_ch_max}} (21)

ΔP为负时，储能系统放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝max{ΔP,-P_{B_dis_max}} (22)

当SOC_high<SOC<SOC_max，即高电量区间：

储能系统处于高电量状态，限制储能系统的充电功率，不限制放电功率，此时储能系统的功率约束为：

ΔP为正时，储能系统充电，若|ΔP|<P_thr，储能系统功率P_B为零；否则

P_B＝min{ΔP,P_{B_ch_max}} (24)

ΔP为负时，储能系统放电，若|ΔP|<P_thr，储能系统功率P_B为零；否则，储能系统出力在补偿ΔP的基础上，额外增加P_thr，以加快储能系统电量恢复到正常电量区[SOC_low，SOC_high]，

P_B＝max{ΔP-P_thr,-P_{B_dis_max}} (25)。

7.根据权利要求5所述的风光储发电系统协调控制方法，其特征在于，所述短时过载模式具体如下：

风电场和光伏电站总出力向下爬坡幅度超过某一阈值时，触发储能系统短时过载模式，触发条件如式(28)所示，排除风光为跟踪预测负荷导致出力变化大于阈值的情形：

P_PV+W(k-1)-P_PV+W(k)-[P_PVN(k-1)ΔN_PV(k-1)+P_WN(k-1)ΔN_W(k-1)]＞ε (26)

式中：P_PV+W(k-1)和P_PV+W(k)分别为风电场与光伏电站上一时刻和当前时刻总的实时出力；ε为启动阈值，

短时过载模式触发后，储能系统放电时功率限制调整为：

P_{B_dis_max}＝(1+αe^-t/T)P_BN (27)

式中：α为过载系数，由储能系统的过载能力决定；T为过载时间系数。

Images