CN113708406A - 用于分布式储能型风电场的惯性控制方法及处理器 - Google Patents

用于分布式储能型风电场的惯性控制方法及处理器 Download PDF

Info

Publication number
CN113708406A
CN113708406A CN202110984792.0A CN202110984792A CN113708406A CN 113708406 A CN113708406 A CN 113708406A CN 202110984792 A CN202110984792 A CN 202110984792A CN 113708406 A CN113708406 A CN 113708406A
Authority
CN
China
Prior art keywords
energy storage
wind
state space
model
space model
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.)
Granted
Application number
CN202110984792.0A
Other languages
English (en)
Other versions
CN113708406B (zh
Inventor
沈阳武
宋兴荣
沈非凡
黄晟
左剑
郝露茜
王玎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd, State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110984792.0A priority Critical patent/CN113708406B/zh
Publication of CN113708406A publication Critical patent/CN113708406A/zh
Application granted granted Critical
Publication of CN113708406B publication Critical patent/CN113708406B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Eletrric Generators (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请实施例提供一种用于分布式储能型风电场的惯性控制方法、处理器及存储介质。风电场由分布式储能型风电机组构成，风电机组包括永磁直驱风电机组和分布式储能单元，储能单元通过DC/DC变换器并联在风电机组直流电容两端，方法包括：根据风电机组的动态参数确定风电机组状态空间预测模型；通过状态函数确定储能单元状态空间预测模型；根据储能单元和风电机组的结构确定分布式储能型风电机组状态空间预测模型；对分布式储能型风电机组状态空间预测模型进行离散化处理，确定分布式储能型风电场的离散化预测模型；确定离散化预测模型的权重系数；根据风电机组和储能单元的工作参数确定风电机组与储能系统的约束条件；根据权重系数、目标函数和约束条件确定惯性控制模型，通过惯性控制模型对风电场进行惯性控制。解决了分布式储能型风电场参与系统一次调频困难的问题。

Description

用于分布式储能型风电场的惯性控制方法及处理器
技术领域
本申请涉及风电场的频率控制技术领域，具体地涉及一种用于分布式储能型风电场的惯性控制方法、处理器及存储介质。
背景技术
近年来，随着风力发电渗透率越来越高，电力系统的惯性正逐步减少。这会显著降低系统频率稳定性，引发低频率减载等更高风险事故，甚至可能导致级联断电。“风电+储能”分布式配置模式(储能单元接入风电机组直流侧)以其灵活的功率调节能力成为了解决以上问题的重要手段。目前的研究主要侧重于配置有集中式储能的风电场惯性控制研究，缺乏针对分布式储能型风电场惯性控制方法。
发明内容
本申请实施例的目的是提供一种用于分布式储能型风电场的惯性控制方法、处理器及存储介质。
为了实现上述目的，本申请第一方面提供一种用于分布式储能型风电场的惯性控制方法，风电场由分布式储能型风电机组构成，风电机组包括永磁直驱风电机组和分布式储能单元，储能单元通过DC/DC变换器并联在风电机组直流电容两端，方法包括：
根据风电机组的动态参数确定风电机组状态空间预测模型；
通过状态函数确定储能单元状态空间预测模型；
根据储能单元和风电机组的结构确定分布式储能型风电机组状态空间预测模型；
对分布式储能型风电机组状态空间预测模型进行离散化处理，确定分布式储能型风电场的离散化预测模型；
确定离散化预测模型的权重系数；
根据风电机组和储能单元的工作参数确定风电机组储能系统的约束条件；
根据权重系数、目标函数和约束条件确定惯性控制模型，通过惯性控制模型对风电场进行惯性控制。
在本申请实施例中，风电机组状态空间预测模型包括公式(1)和公式(2)：
Figure BDA0003225701070000024
Δyi＝CiΔxi (2)
其中，
Figure BDA0003225701070000021
Δui＝[ΔPref，i]，Δyi＝[Δωr，i ΔPrme，i]T，
Figure BDA0003225701070000022
Ci＝[1 1]，
Figure BDA0003225701070000023
风电场连续状态空间模型的状态变量增量的一阶导数，Δui：风电场连续状态空间模型的控制变量增量，Δyi：风电场连续状态空间模型的变量增量，Ai：风电场连续状态空间模型的系数矩阵，Bi：风电场连续状态空间模型的控制矩阵，Ei：风电场连续状态空间模型的初始测量矩阵，Ci：风电场连续状态空间模型的输出状态系数矩阵，Δωr，i：第i个风机的转子转速增量，ΔPe，i：第i个风机的有功功率增量，ΔPref，i：第i个风机的功率增量，ΔPrme，i：第i个风机的有功功率增量，Pe0，i：第i个风机初始的有功功率，Pm0，i：第i个风机初始的机械能，Ht：风机的惯性常数，Tc：控制阶段。
在本申请实施例中，通过状态函数确定储能单元状态空间预测模型包括公式(3)和公式(4)：
Figure BDA0003225701070000031
Figure BDA0003225701070000032
其中，
Figure BDA0003225701070000033
Figure BDA0003225701070000034
Figure BDA0003225701070000035
SOC是电池的直流电流积分，
Figure BDA0003225701070000036
储能单元连续状态空间模型的状态变量增量的一阶导数，ΔuE：储能单元连续状态空间模型的控制变量增量，ΔyE：储能单元连续状态空间模型的变量增量，AE：储能单元连续状态空间模型的系数矩阵，BE：储能单元连续状态空间模型的控制矩阵，EE：储能单元连续状态空间模型的初始测量矩阵，CE：储能单元连续状态空间模型的输出状态系数矩阵，
Figure BDA0003225701070000037
第i个储能的功率增量，ΔPint：
Figure BDA0003225701070000038
和
Figure BDA0003225701070000039
之间的误差积分，ΔiD：储能直流电流增量，Qc：储能容量，UD：储能直流电压，Tfd：储能控制回路的时间常数，Tid：有功功率控制回路的时间常数，kpd：储能直流电流控制回路PI控制器的比例增益，kid：储能直流电流控制回路PI控制器的积分增益。
在本申请实施例中，分布式储能型风电机组状态空间预测模型包括公式(5)和公式(6)：
Figure BDA00032257010700000310
Δy＝CΔx (6)
其中：
Figure BDA00032257010700000311
Figure BDA00032257010700000312
Figure BDA00032257010700000313
Figure BDA0003225701070000041
Figure BDA0003225701070000042
Figure BDA0003225701070000043
Figure BDA0003225701070000044
Figure BDA0003225701070000049
风储系统连续状态空间模型的状态变量增量的一阶导数，Δu：风储系统连续状态空间模型的控制变量增量，Δy：风储系统连续状态空间模型的变量增量，A：风储系统连续状态空间模型的系数矩阵，B：风储系统连续状态空间模型的控制矩阵，E：风储系统连续状态空间模型的初始测量矩阵，C：风储系统连续状态空间模型的输出状态系数矩阵。
在本申请实施例中，离散化预测模型包括公式(7)和公式(8)：
Δx(k+1)＝GΔx(k)+Hu(k)+E (7)
Δy(k+1)＝CΔx(k+1) (8)
其中，
Figure BDA0003225701070000045
ΔTP为采样时间，Δx(k)：离散状态空间模型k时刻状态变量增量，u(k)：风电场离散状态空间模型中的控制变量，Δy(k)：以u为控制变量的风电场的离散状态空间模型的k时刻输出变量增量，G：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵，H：以u为控制变量的风电场的离散状态空间模型的控制矩阵，E：以u为控制变量的风电场的离散状态空间模型的初始测量矩阵，C：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵。
在本申请实施例中，权重系数包括λω，λE和λB，分别对应目标函数Obj1，0bj2和Obj3，目标函数包括公式(9)、(10)和(11)：
Figure BDA0003225701070000046
Figure BDA0003225701070000047
Figure BDA0003225701070000048
权重系数通过灵敏度分析确定，且权重系数满足以下不等式(12)：
Figure BDA0003225701070000051
其中，Δωr，ave(k)为风机的平均转子转速增量，Eloss，i(k)为第i个风机风能损耗，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Nw为风电场中风机数量，
Figure BDA0003225701070000052
为第i个风机的储能的有功输出。
在本申请实施例中，约束条件包括：
分布式储能型风电机组有功功率输出受机组容量及储能有功功率约束，且满足以下不等式(13)：
Figure BDA0003225701070000053
储能可在充放电模式下运行，其输出功率需要处于充放电功率范围内，且满足以下不等式(14)：
Figure BDA0003225701070000054
其中，Pmax，i是风力发电机容量，
Figure BDA0003225701070000055
和
Figure BDA0003225701070000056
分别是储能的充放电功率上限和下限，
Figure BDA0003225701070000057
为第i个储能的功率增量，
Figure BDA0003225701070000058
为储能单元连续状态空间模型的控制变量增量。
在本申请实施例中，惯性控制模型包括基于模型预测控制的分布式储能型风电场综合惯性控制二次规划QP优化模型，优化模型包括公式(15)：
Figure BDA0003225701070000059
Figure BDA0003225701070000061
其中，s.t.代表约束条件，Pmax，i是风力发电机容量，
Figure BDA0003225701070000062
和
Figure BDA0003225701070000063
分别是储能的充放电功率上限和下限，Δωr，i为第i个风机的转子转速增量，ΔPe，i为第i个风机的有功功率增量，ΔPref，i为第i个风机的功率增量，ΔPrme，i为第i个风机的有功功率增量，Pe0，i为第i个风机初始的有功功率，Pm0，i为第i个风机初始的机械能，λω、λE和λB均为权重系数，Δωr，ave(k)为风机的平均转子转速增量，Eloss，i(k)为第i个风机风能损耗，Nw为风电场中风机数量，
Figure BDA0003225701070000064
为第i个风机的储能的有功输出，Pmax，i是风力发电机容量，
Figure BDA0003225701070000065
和
Figure BDA0003225701070000066
分别是储能的充放电功率上限和下限，
Figure BDA0003225701070000067
为第i个储能的功率增量，
Figure BDA0003225701070000068
为储能单元连续状态空间模型的控制变量增量。Pmax，i是风力发电机容量，
Figure BDA0003225701070000069
和
Figure BDA00032257010700000610
分别是储能的充放电功率上限和下限，
Figure BDA00032257010700000611
为第i个储能的功率增量，
Figure BDA00032257010700000612
为储能单元连续状态空间模型的控制变量增量，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Kp为综合惯性控制方法的控制参数，Δf为频率偏差，Kd为综合惯性控制方法的控制参数。
本申请第二方面提供一种处理器，被配置成执行上述的用于分布式储能型风电场的惯性控制方法。
本申请第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于分布式储能型风电场的惯性控制方法。
上述技术方案，通过结合风电机组状态空间预测模型和储能单元状态空间预测模型，确定了分布式储能型风电机组状态预测模型。能够准确结合风电机组和储能单元动态运行状态预测，最优协调风电机组和储能单元的有功功率输出，通过对风电场进行惯性控制使得风电场内的各个风机的转子转速变化差异最小，避免风机转速过度下降，并且降低风电机组储能系统的二次频率跌落和风电场运行成本。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1A示意性示出了根据本申请实施例的用于分布式储能型风电场的惯性控制方法的流程示意图；
图1B示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制框图；
图2示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制配置方案图；
图3示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的风机最小转子转速及其对照方案图；
图4示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的全风场调频功率及其对照方案图；
图5示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的系统频率响应及其对照方案图；
图6示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1A示意性示出了根据本申请实施例的用于风电场的惯性控制方法的流程示意图。图1A为一个实施例中文件更新方法的流程示意图。应该理解的是，虽然图1A的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1A中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图1A所示，在本申请一实施例中，提供了一种用于风电场的惯性控制方法，风电场由分布式储能型风电机组构成，风电机组包括永磁直驱风电机组和分布式储能单元，储能单元通过DC/DC变换器并联在风电机组直流电容两端，方法包括以下步骤：
步骤101，根据风电机组的动态参数确定风电机组状态空间预测模型。
步骤102，通过状态函数确定储能单元状态空间预测模型。
步骤103，根据储能单元和风电机组的结构确定分布式储能型风电机组状态空间预测模型。
步骤104，对分布式储能型风电机组状态空间预测模型进行离散化处理，确定分布式储能型风电场的离散化预测模型。
步骤105，确定离散化预测模型的权重系数。
步骤106，根据风电机组和储能单元的工作参数确定风电机组储能系统的约束条件。
步骤107，根据权重系数、目标函数与约束条件确定惯性控制模型，通过惯性控制模型对风电场进行惯性控制。
在一个实施例中，如图1B所示，图1B示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制框图，根据风储联合单元的状态空间模型，得到风电场连续状态空间模型。风电场的公共耦合点计算出频率偏差Δf，同时由综合惯性控制器得到风电场的总功率增量ΔPref。根据风机的转子转速ωr，i，有功功率Pe，i和风速vw，i可以预测到下一阶段的风电场的风能损耗和风机的转子转速偏差。同时，根据储能的荷电状态SOC，有功功率
Figure BDA0003225701070000091
和直流电流iD可以预测到下一阶段的储能的退化成本。随后，基于模型预测控制(Model predictive control，MPC)控制器将计算风机的功率增量ΔPref，i和储能的功率增量
Figure BDA0003225701070000092
并将数据传送至风机和储能。若达到一次调频目标，则结束该进程。本实施例的技术方案为对风机进行一次调频，最大程度的减少转子转速的差异，确保风电场内各机组的转子转速稳定，减少风机转子转速下降所造成的风能损失和为了减小转子转速的变化，抑制转速振荡。本发明的调控手段可以缓解调控负担，改善电网接纳风电能力。
在一个实施例中，风电机组状态空间预测模型包括公式(1)和公式(2)：
Figure BDA0003225701070000105
Δyi＝CiΔxi (2)
其中，
Figure BDA0003225701070000106
Δui＝[ΔPref，i]，Δyi＝[Δωr，iΔPrme，i]T，
Figure BDA0003225701070000101
风电场连续状态空间模型的状态变量增量的一阶导数，Δui：风电场连续状态空间模型的控制变量增量，Δyi：风电场连续状态空间模型的变量增量，Ai：风电场连续状态空间模型的系数矩阵，Bi：风电场连续状态空间模型的控制矩阵，Ei：风电场连续状态空间模型的初始测量矩阵，Ci：风电场连续状态空间模型的输出状态系数矩阵，Δωr，i：第i个风机的转子转速增量，ΔPe，i：第i个风机的有功功率增量，ΔPref，i：第i个风机的功率增量，ΔPrme，i：第i个风机的有功功率增量，Pe0，i：第i个风机初始的有功功率，Pm0，i：第i个风机初始的机械能，Ht：风机的惯性常数，Tc：控制阶段。
在一个实施例中，通过状态函数确定储能单元状态空间预测模型包括公式(3)和公式(4)：
Figure BDA0003225701070000102
Figure BDA0003225701070000103
其中，
Figure BDA0003225701070000104
Figure BDA0003225701070000111
Figure BDA0003225701070000112
SOC是电池的直流电流积分，
Figure BDA0003225701070000113
储能单元连续状态空间模型的状态变量增量的一阶导数，ΔuE：储能单元连续状态空间模型的控制变量增量，ΔyE：储能单元连续状态空间模型的变量增量，AE：储能单元连续状态空间模型的系数矩阵，BE：储能单元连续状态空间模型的控制矩阵，EE：储能单元连续状态空间模型的初始测量矩阵，CE：储能单元连续状态空间模型的输出状态系数矩阵，
Figure BDA0003225701070000114
第i个储能的功率增量，ΔPint：
Figure BDA0003225701070000115
和
Figure BDA0003225701070000116
之间的误差积分，ΔiD：储能直流电流增量，Qc：储能容量，UD：储能直流电压，Tfd：储能控制回路的时间常数，Tid：有功功率控制回路的时间常数，kpd：储能直流电流控制回路PI控制器的比例增益，kid：储能直流电流控制回路PI控制器的积分增益。且电池的
Figure BDA0003225701070000117
Figure BDA0003225701070000118
为构建BESS的状态空间模型，引入状态函数Pint，作为
Figure BDA0003225701070000119
和
Figure BDA00032257010700001110
之间的误差积分，其中
Figure BDA00032257010700001111
在一个实施例中，分布式储能型风电机组状态空间预测模型包括公式(5)和公式(6)：
Figure BDA00032257010700001112
Δy＝CΔx (6)
其中：
Figure BDA00032257010700001113
Figure BDA00032257010700001114
Figure BDA00032257010700001115
Figure BDA0003225701070000121
Figure BDA0003225701070000122
Figure BDA0003225701070000123
Figure BDA0003225701070000124
Figure BDA0003225701070000125
风储系统连续状态空间模型的状态变量增量的一阶导数，Δu：风储系统连续状态空间模型的控制变量增量，Δy：风储系统连续状态空间模型的变量增量，A：风储系统连续状态空间模型的系数矩阵，B：风储系统连续状态空间模型的控制矩阵，E：风储系统连续状态空间模型的初始测量矩阵，C：风储系统连续状态空间模型的输出状态系数矩阵。
在一个实施例中，将分布式储能型风电机组状态空间预测模型离散化，形成分布式储能型风电场离散化预测模型；
优选地，将分布式储能型风电机组状态空间预测模型离散化，基于连续模型，其带采样时间(ΔTP)的离散状态空间模型ΔTP可表示为公式(7)和公式(8)：
Δx(k+1)＝GΔx(k)+Hu(k)+E (7)
Δy(k+1)＝CΔx(k+1) (8)
其中，
Figure BDA0003225701070000126
ΔTP为采样时间，Δx(k)：离散状态空间模型k时刻状态变量增量，u(k)：风电场离散状态空间模型中的控制变量，Δy(k)：以u为控制变量的风电场的离散状态空间模型的k时刻输出变量增量，G：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵，H：以u为控制变量的风电场的离散状态空间模型的控制矩阵，E：以u为控制变量的风电场的离散状态空间模型的初始测量矩阵，C：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵。
在一个实施例中，权重系数包括λω，λE和λB，分别对应目标函数Obj1，Obj2和Obj3，所述目标函数包括公式(9)、(10)和(11)：
Figure BDA0003225701070000131
Figure BDA0003225701070000132
Figure BDA0003225701070000133
权重系数通过灵敏度分析确定，目标项优先级排序为Obj1＞Obj2＞Obj3，且权重系数满足以下不等式(12)：
Figure BDA0003225701070000134
其中，Δωr，ave(k)为风机的平均转子转速增量，Eloss，i(k)为第i个风机风能损耗，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Nw为风电场中风机数量，
Figure BDA0003225701070000135
为第i个风机的储能的有功输出。
具体地，确定三个目标的权重系数λω，λE和λB。第一个目标是为了减少转子转速的差异确保风电场内各机组的转子转速稳定。第二个目标是为了减少风机转子转速下降所造成的风能损失。第三个目标是为了减小转子转速的变化，以抑制转速振荡。Eloss，i可以近似表示为：
Figure BDA0003225701070000136
可以推导出，
Figure BDA0003225701070000137
Figure BDA0003225701070000138
其中，
Figure BDA0003225701070000139
ESS退化代价模型可表示为：
Figure BDA0003225701070000141
在一个实施例中，约束条件包括：
分布式储能型风电机组有功功率输出受机组容量及储能有功功率约束，且满足以下不等式(13)：
Figure BDA0003225701070000142
储能可在充放电模式下运行，其输出功率需要处于充放电功率范围内，且满足以下不等式(14)：
Figure BDA0003225701070000143
其中，Pmax，i是风力发电机容量，
Figure BDA0003225701070000144
和
Figure BDA0003225701070000145
分别是储能的充放电功率上限和下限，
Figure BDA0003225701070000146
为第i个储能的功率增量，
Figure BDA0003225701070000147
为储能单元连续状态空间模型的控制变量增量。
在惯量响应的模型预测控制下，风电场的总增量有功功率参考需要跟踪惯性控制器指令，因此有如下等式关系：
Figure BDA0003225701070000148
在一个实施例中，惯性控制模型包括基于模型预测控制的分布式储能型风电场综合惯性控制二次规划QP优化模型，优化模型包括公式(15)：
Figure BDA0003225701070000149
Figure BDA0003225701070000151
其中，s.t.代表约束条件，Pmax，i是风力发电机容量，
Figure BDA0003225701070000152
和
Figure BDA0003225701070000153
分别是储能的充放电功率上限和下限，Δωr，i为第i个风机的转子转速增量，ΔPe，i为第i个风机的有功功率增量，ΔPref，i为第i个风机的功率增量，ΔPrme，i为第i个风机的有功功率增量，Pe0，i为第i个风机初始的有功功率，Pm0，i为第i个风机初始的机械能，λω、λE和λB均为权重系数，Δωr，ave(k)为风机的平均转子转速增量，Eloss，i(k)为第i个风机风能损耗，Nw为风电场中风机数量，
Figure BDA0003225701070000154
为第i个风机的储能的有功输出，Pmax，i是风力发电机容量，
Figure BDA0003225701070000155
和
Figure BDA0003225701070000156
分别是储能的充放电功率上限和下限，
Figure BDA0003225701070000157
为第i个储能的功率增量，
Figure BDA0003225701070000158
为储能单元连续状态空间模型的控制变量增量。Pmax，i是风力发电机容量，
Figure BDA0003225701070000159
和
Figure BDA00032257010700001510
分别是储能的充放电功率上限和下限，
Figure BDA00032257010700001511
为第i个储能的功率增量，
Figure BDA00032257010700001512
为储能单元连续状态空间模型的控制变量增量，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Kp为综合惯性控制方法的控制参数，Δf为频率偏差，Kd为综合惯性控制方法的控制参数。
如图2所示，图2示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制配置方案图。考虑风电场配置储能的情况，对储能单元建立了预测模型，将储能单元安装在风机的直流母线侧，形成分布式储能型风电机组单元。假设储能系统集中式接入风电场，因此风电场预测模型中仅含有一个储能模型；储能分布式接入风电场的情况下，风电场的预测模型中可包含多个储能模型，并实现多台风机和多个储能系统之间的协同。本申请实施例采用分布式接入风电场的方法，通过分布式储能系统来进行分散调节风电功率与调度安排。
如图3所示，图3示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的风机最小转子转速及其对照方案图，处理器对各个风机的最小转子转速进行了比较，同样是比较传统的惯量响应和加了分布式储能后基于模型预测控制的改进惯量响应方法。从图3可以看出，出现扰动之后，在控制过程中，加了模型预测控制的分布式储能型风电场惯量响应控制的风机最小转子转速与传统方法相比有了显著改进。由此可见，模型预测控制方法可以提高风机最低转速。
如图4所示，图4示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的全风场调频功率及其对照方案图，可以很明显的看到，与传统控制相比，在本申请实施例的技术方案中增加了分布式储能的基础上，风电场调频能力得到显著上升。
如图5所示，图5示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的系统频率响应及其对照方案图，在控制过程中，传统惯量响应方法中，系统频率最低点是59.72Hz，改进方法的最低点是59.75Hz，二者仅相差0.03Hz。之所以造成两种方法的系统频率响应的不同，是因为风电场的有功功率增量的不一样，传统惯量响应调频方法和改进方法的有功功率增量略有差别。
如图6所示，图6示意性示出了根据本申请实施例的基于模型预测控制的分布式储能型风电场综合惯性控制方法的流程示意图。在一个具体的实施例中，基于模型预测控制(Model predictive control，MPC)的分布式储能型风电场综合惯性控制方法，其具体包括如下步骤：首先处理器根据PMSG的增量状态空间模型得到风电机组状态空间预测模型；引入状态函数，处理地得到储能单元状态空间预测模型；处理器根据储能型风电机组结构，得到分布式储能型风电机组状态空间预测模型；处理器将分布式储能型风电机组状态空间预测模型离散化，进而得到分布式储能型风电场离散化预测模型；处理器确定三个目标的权重系数λω，λE和λB(三个目标的优先级排序是Obj1＞Obj2＞Obj3)；进而确定风电机组、储能单元及风电场运行约束条件；基于目标函数以及约束条件，结合分布式储能型风电场离散化预测模型，形成基于模型预测控制的分布式储能型风电场综合惯性控制优化模型，实现一次调频目标。
上述技术方案，通过结合风电机组状态空间预测模型和储能单元状态空间预测模型，确定了分布式储能型风电机组状态预测模型。能够准确结合风电机组和储能单元动态运行状态预测，最优协调风电机组和储能单元的有功功率输出，通过对风电场进行惯性控制使得风电场内的各个风机的转子转速变化差异最小，避免风机转速过度下降，并且降低风电机组储能系统的二次频率跌落和风电场运行成本。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现用于风电场的惯性控制方法。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于分布式储能型风电场的惯性控制方法。
本申请实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述用于分布式储能型风电场的惯性控制方法。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：风电场由分布式储能型风电机组构成，风电机组包括永磁直驱风电机组和分布式储能单元，储能单元通过DC/DC变换器并联在风电机组直流电容两端，方法包括：根据风电机组的动态参数确定风电机组状态空间预测模型；通过状态函数确定储能单元状态空间预测模型；根据储能单元和风电机组的结构确定分布式储能型风电机组状态空间预测模型；对分布式储能型风电机组状态空间预测模型进行离散化处理，确定分布式储能型风电场的离散化预测模型；确定离散化预测模型的权重系数；根据风电机组和储能单元的工作参数确定风电机组储能系统的约束条件；根据权重系数、目标函数和约束条件确定惯性控制模型，通过惯性控制模型对风电场进行惯性控制。
在本申请实施例中，风电机组状态空间预测模型包括公式(1)和公式(2)：
Figure BDA0003225701070000181
Δyi＝CiΔxi (2)
其中，
Figure BDA0003225701070000182
Figure BDA0003225701070000183
风电场连续状态空间模型的状态变量增量的一阶导数，Δui：风电场连续状态空间模型的控制变量增量，Δyi：风电场连续状态空间模型的变量增量，Ai：风电场连续状态空间模型的系数矩阵，Bi：风电场连续状态空间模型的控制矩阵，Ei：风电场连续状态空间模型的初始测量矩阵，Ci：风电场连续状态空间模型的输出状态系数矩阵，Δωr，i：第i个风机的转子转速增量，ΔPe，i：第i个风机的有功功率增量，ΔPref，i：第i个风机的功率增量，ΔPrme，i：第i个风机的有功功率增量，Pe0，i：第i个风机初始的有功功率，Pm0，i：第i个风机初始的机械能，Ht：风机的惯性常数，Tc：控制阶段。
在本申请实施例中，通过状态函数确定储能单元状态空间预测模型包括公式(3)和公式(4)：
Figure BDA0003225701070000191
Figure BDA0003225701070000192
其中，
Figure BDA0003225701070000193
Figure BDA0003225701070000194
Figure BDA0003225701070000195
SOC是电池的直流电流积分，
Figure BDA0003225701070000196
储能单元连续状态空间模型的状态变量增量的一阶导数，ΔuE：储能单元连续状态空间模型的控制变量增量，ΔyE：储能单元连续状态空间模型的变量增量，AE：储能单元连续状态空间模型的系数矩阵，BE：储能单元连续状态空间模型的控制矩阵，EE：储能单元连续状态空间模型的初始测量矩阵，CE：储能单元连续状态空间模型的输出状态系数矩阵，
Figure BDA0003225701070000197
第i个储能的功率增量，ΔPint：
Figure BDA0003225701070000198
和
Figure BDA0003225701070000199
之间的误差积分，ΔiD：储能直流电流增量，Qc：储能容量，UD：储能直流电压，Tfd：储能控制回路的时间常数，Tid：有功功率控制回路的时间常数，kpd：储能直流电流控制回路PI控制器的比例增益，kid：储能直流电流控制回路PI控制器的积分增益。
在本申请实施例中，分布式储能型风电机组状态空间预测模型包括公式(5)和公式(6)：
Figure BDA00032257010700001910
Δy＝CΔx (6)
其中：
Figure BDA0003225701070000201
Figure BDA0003225701070000202
Figure BDA0003225701070000203
Figure BDA0003225701070000204
Figure BDA0003225701070000205
Figure BDA0003225701070000206
Figure BDA0003225701070000207
Figure BDA0003225701070000208
风储系统连续状态空间模型的状态变量增量的一阶导数，Δu：风储系统连续状态空间模型的控制变量增量，Δy：风储系统连续状态空间模型的变量增量，A：风储系统连续状态空间模型的系数矩阵，B：风储系统连续状态空间模型的控制矩阵，E：风储系统连续状态空间模型的初始测量矩阵，C：风储系统连续状态空间模型的输出状态系数矩阵。
在本申请实施例中，离散化预测模型包括公式(7)和公式(8)：
Δx(k+1)＝GΔx(k)+Hu(k)+E (7)
Figure BDA0003225701070000209
其中，
Figure BDA00032257010700002010
ΔTP为采样时间，Δx(k)：离散状态空间模型k时刻状态变量增量，u(k)：风电场离散状态空间模型中的控制变量，Δy(k)：以u为控制变量的风电场的离散状态空间模型的k时刻输出变量增量，G：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵，H：以u为控制变量的风电场的离散状态空间模型的控制矩阵，E：以u为控制变量的风电场的离散状态空间模型的初始测量矩阵，C：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵。
在本申请实施例中，权重系数包括λω，λE和λB，分别对应目标函数Obj1，Obj2和Obj3，目标函数包括公式(9)、(10)和(11)：
Figure BDA0003225701070000211
Figure BDA0003225701070000212
Figure BDA0003225701070000213
权重系数通过灵敏度分析确定，且权重系数满足以下不等式(12)：
Figure BDA0003225701070000214
其中，Δωr，ave(k)为风机的平均转子转速增量，Eloss，i(k)为第i个风机风能损耗，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Nw为风电场中风机数量，
Figure BDA0003225701070000215
为第i个风机的储能的有功输出。
在本申请实施例中，约束条件包括：
分布式储能型风电机组有功功率输出受机组容量及储能有功功率约束，且满足以下不等式(13)：
Figure BDA0003225701070000216
储能可在充放电模式下运行，其输出功率需要处于充放电功率范围内，且满足以下不等式(14)：
Figure BDA0003225701070000217
其中，Pmax，i是风力发电机容量，
Figure BDA0003225701070000218
和
Figure BDA0003225701070000219
分别是储能的充放电功率上限和下限，
Figure BDA00032257010700002110
为第i个储能的功率增量，
Figure BDA00032257010700002111
为储能单元连续状态空间模型的控制变量增量。
在本申请实施例中，惯性控制模型包括基于模型预测控制的分布式储能型风电场综合惯性控制二次规划QP优化模型，优化模型包括公式(15)：
Figure BDA0003225701070000221
Figure BDA0003225701070000222
其中，s.t.代表约束条件，Pmax，i是风力发电机容量，
Figure BDA0003225701070000223
和
Figure BDA0003225701070000224
分别是储能的充放电功率上限和下限，Δωr，i为第i个风机的转子转速增量，ΔPe，i为第i个风机的有功功率增量，ΔPref，i为第i个风机的功率增量，ΔPrme，i为第i个风机的有功功率增量，Pe0，i为第i个风机初始的有功功率，Pm0，i为第i个风机初始的机械能，λω、λE和λB均为权重系数，
Δωr，ave(k)为风机的平均转子转速增量，Eloss，i(k)为第i个风机风能损耗，Nw为风电场中风机数量，
Figure BDA0003225701070000225
为第i个风机的储能的有功输出，Pmax，i是风力发电机容量，
Figure BDA0003225701070000226
和
Figure BDA0003225701070000227
分别是储能的充放电功率上限和下限，
Figure BDA0003225701070000228
为第i个储能的功率增量，
Figure BDA0003225701070000229
为储能单元连续状态空间模型的控制变量增量。Pmax，i是风力发电机容量，
Figure BDA00032257010700002210
和
Figure BDA00032257010700002211
分别是储能的充放电功率上限和下限，
Figure BDA00032257010700002212
为第i个储能的功率增量，
Figure BDA00032257010700002213
为储能单元连续状态空间模型的控制变量增量，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Kp为综合惯性控制方法的控制参数，Δf为频率偏差，Kd为综合惯性控制方法的控制参数。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有用于风电场的惯性控制方法步骤的程序。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种用于分布式储能型风电场的惯性控制方法，其特征在于，所述风电场由分布式储能型风电机组构成，风电机组包括永磁直驱风电机组和分布式储能单元，储能单元通过DC/DC变换器并联在风电机组直流电容两端，所述方法包括：
根据所述风电机组的动态参数确定风电机组状态空间预测模型；
通过状态函数确定储能单元状态空间预测模型；
根据所述储能单元和所述风电机组的结构确定分布式储能型风电机组状态空间预测模型；
对所述分布式储能型风电机组状态空间预测模型进行离散化处理，确定分布式储能型风电场的离散化预测模型；
确定所述离散化预测模型的权重系数；
根据所述风电机组和所述储能单元的工作参数确定风电机组与储能系统的约束条件；
根据所述权重系数、所述目标函数与所述约束条件确定惯性控制模型，通过所述惯性控制模型对风电场进行惯性控制。
2.根据权利要求1所述的方法，其特征在于，所述风电机组状态空间预测模型包括公式(1)和公式(2)：
Figure FDA0003225701060000011
Δyi＝CiΔxi (2)
其中，
Figure FDA0003225701060000012
Δui＝[ΔPref,i]，Δyi＝[Δωr,i ΔPrme,i]T，
Figure FDA0003225701060000013
Ci＝[1 1]，
Figure FDA0003225701060000014
风电场连续状态空间模型的状态变量增量的一阶导数，Δui：风电场连续状态空间模型的控制变量增量，Δyi：风电场连续状态空间模型的变量增量，Ai：风电场连续状态空间模型的系数矩阵，Bi：风电场连续状态空间模型的控制矩阵，Ei：风电场连续状态空间模型的初始测量矩阵，Ci：风电场连续状态空间模型的输出状态系数矩阵，Δωr,i：第i个风机的转子转速增量，ΔPe,i：第i个风机的有功功率增量，ΔPref,i：第i个风机的功率增量，ΔPrme,i：第i个风机的有功功率增量，Pe0,i：第i个风机初始的有功功率，Pm0,i：第i个风机初始的机械能，Ht：风机的惯性常数，Tc：控制阶段。
3.根据权利要求1所述的方法，其特征在于，通过状态函数确定储能单元状态空间预测模型包括公式(3)和公式(4)：
Figure FDA0003225701060000021
Figure FDA0003225701060000022
其中，
Figure FDA0003225701060000023
Figure FDA0003225701060000024
Figure FDA0003225701060000025
SOC是电池的直流电流积分，
Figure FDA0003225701060000026
储能单元连续状态空间模型的状态变量增量的一阶导数，ΔuE：储能单元连续状态空间模型的控制变量增量，ΔyE：储能单元连续状态空间模型的变量增量，AE：储能单元连续状态空间模型的系数矩阵，BE：储能单元连续状态空间模型的控制矩阵，EE：储能单元连续状态空间模型的初始测量矩阵，CE：储能单元连续状态空间模型的输出状态系数矩阵，
Figure FDA0003225701060000027
第i个储能的功率增量，ΔPint：
Figure FDA0003225701060000028
和
Figure FDA0003225701060000029
之间的误差积分，ΔiD：储能直流电流增量，Qc：储能容量，UD：储能直流电压，Tfd：储能控制回路的时间常数，Tid：有功功率控制回路的时间常数，kpd：储能直流电流控制回路PI控制器的比例增益，kid：储能直流电流控制回路PI控制器的积分增益。
4.根据权利要求1所述的方法，其特征在于，所述分布式储能型风电机组状态空间预测模型包括公式(5)和公式(6)：
Figure FDA0003225701060000031
Δy＝CΔx (6)
其中：
Figure FDA0003225701060000032
Figure FDA0003225701060000033
Figure FDA0003225701060000034
Figure FDA0003225701060000035
Figure FDA0003225701060000036
Figure FDA0003225701060000037
Figure FDA0003225701060000038
Figure FDA0003225701060000039
风储系统连续状态空间模型的状态变量增量的一阶导数，Δu：风储系统连续状态空间模型的控制变量增量，Δy：风储系统连续状态空间模型的变量增量，A：风储系统连续状态空间模型的系数矩阵，B：风储系统连续状态空间模型的控制矩阵，E：风储系统连续状态空间模型的初始测量矩阵，C：风储系统连续状态空间模型的输出状态系数矩阵。
5.根据权利要求1所述的方法，其特征在于，所述离散化预测模型包括公式(7)和公式(8)：
Δx(k+1)＝GΔx(k)+Hu(k)+E (7)
Δy(k+1)＝CΔx(k+1) (8)
其中，
Figure FDA00032257010600000310
ΔTP为采样时间，Δx(k)：离散状态空间模型k时刻状态变量增量，u(k)：风电场离散状态空间模型中的控制变量，Δy(k)：以u为控制变量的风电场的离散状态空间模型的k时刻输出变量增量，G：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵，H：以u为控制变量的风电场的离散状态空间模型的控制矩阵，E：以u为控制变量的风电场的离散状态空间模型的初始测量矩阵，C：以u为控制变量的风电场的离散状态空间模型的输出状态系数矩阵。
6.根据权利要求1所述的方法，其特征在于，所述权重系数包括λω，λE和λB，分别对应目标函数Obj1，Obj2和Obj3，所述目标函数包括公式(9)、(10)和(11)：
Figure FDA0003225701060000041
Figure FDA0003225701060000042
Figure FDA0003225701060000043
所述权重系数通过灵敏度分析确定，且所述权重系数满足以下不等式(12)：
Figure FDA0003225701060000044
其中，Δωr,ave(k)为风机的平均转子转速增量，Eloss,i(k)为第i个风机风能损耗，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Nw为风电场中风机数量，
Figure FDA0003225701060000045
为第i个风机的储能的有功输出。
7.根据权利要求1所述的方法，其特征在于，所述约束条件包括：
分布式储能型风电机组有功功率输出受机组容量及储能有功功率约束，且满足以下不等式(13)：
Figure FDA0003225701060000051
储能可在充放电模式下运行，其输出功率需要处于充放电功率范围内，且满足以下不等式(14)：
Figure FDA0003225701060000052
其中，Pmax,i是风力发电机容量，
Figure FDA0003225701060000053
和
Figure FDA0003225701060000054
分别是储能的充放电功率上限和下限，
Figure FDA0003225701060000055
为第i个储能的功率增量，
Figure FDA0003225701060000056
为储能单元连续状态空间模型的控制变量增量。
8.根据权利要求1所述的方法，其特征在于，所述惯性控制模型包括基于模型预测控制的分布式储能型风电场综合惯性控制二次规划QP优化模型，所述优化模型包括公式(15)：
Figure FDA0003225701060000057
Figure FDA0003225701060000058
其中，s.t.代表约束条件，Pmax,i是风力发电机容量，
Figure FDA0003225701060000059
和
Figure FDA00032257010600000510
分别是储能的充放电功率上限和下限，Δωr,i为第i个风机的转子转速增量，ΔPe,i为第i个风机的有功功率增量，ΔPref,i为第i个风机的功率增量，ΔPrme,i为第i个风机的有功功率增量，Pe0,i为第i个风机初始的有功功率，Pm0,i为第i个风机初始的机械能，λω、λE和λB均为权重系数，Δωr,ave(k)为风机的平均转子转速增量，Eloss,i(k)为第i个风机风能损耗，Nw为风电场中风机数量，
Figure FDA0003225701060000061
为第i个风机的储能的有功输出，Pmax,i是风力发电机容量，
Figure FDA0003225701060000062
和
Figure FDA0003225701060000063
分别是储能的充放电功率上限和下限，
Figure FDA0003225701060000064
为第i个储能的功率增量，
Figure FDA0003225701060000065
为储能单元连续状态空间模型的控制变量增量。Pmax,i是风力发电机容量，
Figure FDA0003225701060000066
和
Figure FDA0003225701060000067
分别是储能的充放电功率上限和下限，
Figure FDA0003225701060000068
为第i个储能的功率增量，
Figure FDA0003225701060000069
为储能单元连续状态空间模型的控制变量增量，B为风储系统连续状态空间模型的控制矩阵，C为风储系统连续状态空间模型的输出状态系数矩阵，Kp为综合惯性控制方法的控制参数，Δf为频率偏差，Kd为综合惯性控制方法的控制参数。
9.一种处理器，其特征在于，被配置成执行根据权利要求1至8中任意一项所述的用于分布式储能型风电场的惯性控制方法。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至8中任一项所述的用于分布式储能型风电场的惯性控制方法。
CN202110984792.0A 2021-08-23 2021-08-23 用于分布式储能型风电场的惯性控制方法及处理器 Active CN113708406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110984792.0A CN113708406B (zh) 2021-08-23 2021-08-23 用于分布式储能型风电场的惯性控制方法及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110984792.0A CN113708406B (zh) 2021-08-23 2021-08-23 用于分布式储能型风电场的惯性控制方法及处理器

Publications (2)

Publication Number Publication Date
CN113708406A true CN113708406A (zh) 2021-11-26
CN113708406B CN113708406B (zh) 2022-09-02

Family

ID=78654859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110984792.0A Active CN113708406B (zh) 2021-08-23 2021-08-23 用于分布式储能型风电场的惯性控制方法及处理器

Country Status (1)

Country Link
CN (1) CN113708406B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113991754A (zh) * 2021-12-24 2022-01-28 中国电力科学研究院有限公司 一种风电场的控制方法、系统及计算设备
CN114123343A (zh) * 2021-12-06 2022-03-01 国网湖南省电力有限公司 一种储能型风电机组实时优化调度方法及电力系统
CN116260161A (zh) * 2023-05-16 2023-06-13 南方电网数字电网研究院有限公司 一种考虑风速时空差异的风电场一次调频及惯性控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537435A (zh) * 2014-12-18 2015-04-22 国家电网公司 基于用户侧经济性指标的分布式电源优化配置方法
CN106481507A (zh) * 2016-10-28 2017-03-08 华北电力大学 考虑风湍流的风电机组模型预测控制器与控制方法
US20180073486A1 (en) * 2015-05-18 2018-03-15 Abb Schweiz Ag Wind farm inertial response
CN112531792A (zh) * 2020-12-03 2021-03-19 江苏方天电力技术有限公司 一种包含储能资源互联电力系统频率控制方法和系统
CN112600225A (zh) * 2020-12-14 2021-04-02 华中科技大学 一种用于风储系统一次调频的控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537435A (zh) * 2014-12-18 2015-04-22 国家电网公司 基于用户侧经济性指标的分布式电源优化配置方法
US20180073486A1 (en) * 2015-05-18 2018-03-15 Abb Schweiz Ag Wind farm inertial response
CN106481507A (zh) * 2016-10-28 2017-03-08 华北电力大学 考虑风湍流的风电机组模型预测控制器与控制方法
CN112531792A (zh) * 2020-12-03 2021-03-19 江苏方天电力技术有限公司 一种包含储能资源互联电力系统频率控制方法和系统
CN112600225A (zh) * 2020-12-14 2021-04-02 华中科技大学 一种用于风储系统一次调频的控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫涛等: "基于储能多状态模型的含微网配电系统可靠性评估", 《电网技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114123343A (zh) * 2021-12-06 2022-03-01 国网湖南省电力有限公司 一种储能型风电机组实时优化调度方法及电力系统
CN113991754A (zh) * 2021-12-24 2022-01-28 中国电力科学研究院有限公司 一种风电场的控制方法、系统及计算设备
CN113991754B (zh) * 2021-12-24 2022-03-18 中国电力科学研究院有限公司 一种风电场的控制方法、系统及计算设备
CN116260161A (zh) * 2023-05-16 2023-06-13 南方电网数字电网研究院有限公司 一种考虑风速时空差异的风电场一次调频及惯性控制方法
CN116260161B (zh) * 2023-05-16 2023-08-04 南方电网数字电网研究院有限公司 一种考虑风速时空差异的风电场一次调频及惯性控制方法

Also Published As

Publication number Publication date
CN113708406B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN113708406B (zh) 用于分布式储能型风电场的惯性控制方法及处理器
Abdeltawab et al. Robust energy management of a hybrid wind and flywheel energy storage system considering flywheel power losses minimization and grid-code constraints
Rafiee et al. Robust load-frequency control in islanded microgrids: Virtual synchronous generator concept and quantitative feedback theory
CN104485681A (zh) 一种风电场储能系统的监控方法
Guo et al. Incorporating approximate dynamic programming-based parameter tuning into PD-type virtual inertia control of DFIGs
CN113904386A (zh) 一种考虑等效惯量和阻尼需求的光伏调频控制参数优化方法
Toulabi et al. Optimal supplementary frequency controller design using the wind farm frequency model and controller parameters stability region
CN116316679A (zh) 一种考虑频率分布特性的虚拟惯量配置方法及相关装置
Hu et al. An active primary frequency regulation strategy for grid integrated wind farms based on model predictive control
CN114123246A (zh) 基于轨迹灵敏度的多光伏电站调频参数自适应更新方法
Kord et al. Active hybrid energy storage management in a wind-dominated standalone system with robust fractional-order controller optimized by Gases Brownian Motion Optimization Algorithm
Saiteja et al. Load frequency control of two-area smart grid
CN107846034A (zh) 一种平抑风电场爬坡率的储能出力控制方法
CN116845886A (zh) 一种基于模型预测的多端口自主光伏系统构网型控制方法
Peng et al. Coordinated AGC control strategy for an interconnected multi-source power system based on distributed model predictive control algorithm
CN115149548A (zh) 基于频率安全升降时间的储能虚拟惯量计算方法与终端
CN115207941A (zh) 一种电力系统惯量水平评估方法
CN104505850A (zh) 一种风电场储能系统
CN104485682A (zh) 一种风电场储能系统的监控装置
CN114336663A (zh) 一种新型电力系统源网协同规划方法及装置
Shaltout et al. An economic model predictive control approach for wind power smoothing and tower load mitigation
CN113839416A (zh) 基于频率响应模型的风电最大接入比例确定方法及装置
Ganjefar et al. A new method for maximum power extraction using a singular perturbation theory for a PMSG‐based wind turbine
Hosseini et al. Coordinating Demand Response and Wind Turbine Controls for Alleviating the First and Second Frequency Dips in Wind-Integrated Power Grids
Jin et al. DMPC-based AGC of an Interconnected Multi-Area Power System with CWES System Integration

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