CN113991754A - 一种风电场的控制方法、系统及计算设备 - Google Patents

一种风电场的控制方法、系统及计算设备 Download PDF

Info

Publication number
CN113991754A
CN113991754A CN202111592839.5A CN202111592839A CN113991754A CN 113991754 A CN113991754 A CN 113991754A CN 202111592839 A CN202111592839 A CN 202111592839A CN 113991754 A CN113991754 A CN 113991754A
Authority
CN
China
Prior art keywords
wind
storage
storage combined
control
wind power
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
CN202111592839.5A
Other languages
English (en)
Other versions
CN113991754B (zh
Inventor
齐琛
辛保安
秦世耀
王伟胜
代林旺
刘劲松
王瑞明
孙勇
陈晨
龚利策
王勃
毕然
徐婷
王文卓
谢健
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
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
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, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN202111592839.5A priority Critical patent/CN113991754B/zh
Publication of CN113991754A publication Critical patent/CN113991754A/zh
Application granted granted Critical
Publication of CN113991754B publication Critical patent/CN113991754B/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
    • H02J3/46—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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • 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
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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)
  • Wind Motors (AREA)

Abstract

一种风电场的控制方法、系统及计算设备，包括：获取预测控制时域内风‑储联合机组构成的风电场运行参数；基于风电场运行参数在预测控制时域内对预先构建的风‑储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风‑储联合机组的控制变量；基于每组风‑储联合机组的控制变量控制对应的风‑储联合机组的风电机组和储能装置；其中，风‑储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。本发明以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风‑储联合机组的控制变量，实现在平滑风电出力的同时提升风电机组的暂/稳态可控裕度和运行性能，充分发挥了风电机组和储能的协同运行的优势。

Description

一种风电场的控制方法、系统及计算设备
技术领域
本发明涉及风电场技术领域，具体涉及一种风电场的控制方法、系统及计算设备。
背景技术
为了“碳达峰、碳中和”目标的顺利达成，提出建设以新能源为主体的新型电力系统，可以预计，未来风力发电的装机容量将持续增加。在装机容量提升的同时，也要求风电机组逐渐承担起主力电源的责任，具备支撑系统的能力。通过在风电场中配置储能，可以平衡风电出力、提供频率/电压响应能力，是当前风力发电系统建设和改造的重要路径之一。
针对风电机组和储能的协同运行，现有技术多在风电场内采用集中式储能电站，不能在平滑风电出力的同时提升风电机组的暂/稳态可控裕度和运行性能，不能充分发挥风电机组和储能的协同运行的优势。
发明内容
为了解决现有技术不能在平滑风电出力的同时提升风电机组的暂/稳态可控裕度和运行性能，不能充分发挥风电机组和储能的协同运行的优势的问题，本发明提出了一种风电场的控制方法，包括：
获取预测控制时域内风-储联合机组构成的风电场运行参数；
基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量；
基于所述每组风-储联合机组的控制变量控制对应的风-储联合机组的风电机组和储能装置；
其中，所述风-储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。
优选的，所述基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型进行优化求解得到每组风-储联合机组的控制变量，包括：
基于所述风电场运行参数计算所述风-储联合机组模型中的状态变量和控制变量的系数；
基于所述风电场运行参数，以及所述状态变量和所述控制变量的系数，以降低风电出力波动和载荷疲劳为目标，在满足风电场输出功率约束、风-储联合机组输出功率约束、风电机组输出功率约束、储能运行约束、风电机组载荷约束，风-储联合机组运行约束下求解所述风-储联合机组模型，得到风-储联合系统的控制变量。
优选的，所述以降低风电出力波动和载荷疲劳为目标如下式所示：
Figure 985315DEST_PATH_IMAGE001
式中，
Figure 998533DEST_PATH_IMAGE002
、
Figure 40438DEST_PATH_IMAGE003
、
Figure 665455DEST_PATH_IMAGE004
为采用线性化模型的第i台风-储联合机组在第K次迭代 中的输出功率、塔根弯矩和主轴转矩，
Figure 180619DEST_PATH_IMAGE005
是为保证一致性约束的罚函数，K为采用分布式优 化迭代计算时的迭代次数,T为预测控制时域,t为时刻，k为当前时刻。
优选的，所述线性化模型如下式所示：
Figure 258296DEST_PATH_IMAGE006
Figure 900630DEST_PATH_IMAGE007
式中，A和C为风-储联合机组的状态变量的系数矩阵，所述B和D为风-储联合机组 的控制变量的系数矩阵，E和W为风-储联合机组受到的扰动时的系数矩阵，
Figure 334148DEST_PATH_IMAGE008
为风-储联合机组的状态变量，
Figure 100002_DEST_PATH_IMAGE009
为转子转速，
Figure 239787DEST_PATH_IMAGE010
为桨距角，
Figure 70340DEST_PATH_IMAGE011
为发电机电磁转矩，
Figure 500053DEST_PATH_IMAGE012
为储能的输出功率，
Figure 834082DEST_PATH_IMAGE013
为风-储联合机组的输出变 量，
Figure 441781DEST_PATH_IMAGE014
为风-储联合系统的输出功率，
Figure 707765DEST_PATH_IMAGE015
为风电机组承受的塔根弯矩，
Figure 100002_DEST_PATH_IMAGE016
为主轴转矩，
Figure 98426DEST_PATH_IMAGE017
为风-储联合系统的控制变量，
Figure 67388DEST_PATH_IMAGE018
为风电机组电磁转矩控制 参考值，
Figure 49251DEST_PATH_IMAGE019
为桨距角控制参考值，
Figure 588816DEST_PATH_IMAGE020
为储能输出功率的控制参考值，
Figure 861797DEST_PATH_IMAGE021
为风-储 联合机组受到的扰动，前缀
Figure 435998DEST_PATH_IMAGE022
表示线性化模型对应的变量形式，v为风速。
优选的，所述风-储联合机组的状态变量的系数矩阵A按下式计算：
Figure 385499DEST_PATH_IMAGE023
式中，
Figure 146782DEST_PATH_IMAGE024
为传动系统等效的转动惯量，
Figure 925251DEST_PATH_IMAGE025
为风电机组捕获的机械功率，
Figure 88379DEST_PATH_IMAGE026
为齿 轮箱的变速比，
Figure 208782DEST_PATH_IMAGE027
为桨距角伺服系统响应的等效时间常数，
Figure 100002_DEST_PATH_IMAGE028
为电磁转矩响应的等效时间 常数，
Figure 208093DEST_PATH_IMAGE029
为储能响应的等效时间常数。
优选的，所述风-储联合机组的状态变量的系数矩阵C按下式计算：
Figure 100002_DEST_PATH_IMAGE030
式中，
Figure 540985DEST_PATH_IMAGE031
为风电机组输出功率，
Figure 807887DEST_PATH_IMAGE011
为发电机电磁转矩，
Figure 364771DEST_PATH_IMAGE032
为风轮转子的转动惯 量，
Figure 303908DEST_PATH_IMAGE026
为齿轮箱的变速比，
Figure 722382DEST_PATH_IMAGE033
为发电机转子的转动惯量。
优选的，所述风-储联合机组的控制变量的系数矩阵B按下式计算：
Figure 594523DEST_PATH_IMAGE034
式中，
Figure 322308DEST_PATH_IMAGE029
为储能响应的等效时间常数，
Figure 811058DEST_PATH_IMAGE035
为桨距角伺服系统响应的等效时间常 数，
Figure 469441DEST_PATH_IMAGE036
为电磁转矩响应的等效时间常数。
优选的，所述风-储联合机组受到的扰动时的系数矩阵E按下式计算：
Figure 461668DEST_PATH_IMAGE037
式中，
Figure 625933DEST_PATH_IMAGE025
为风电机组捕获的机械功率，
Figure 815694DEST_PATH_IMAGE024
为传动系统等效的转动惯量。
优选的，所述风-储联合机组受到的扰动时的系数矩阵W按下式计算：
Figure 825238DEST_PATH_IMAGE038
式中，
Figure 140813DEST_PATH_IMAGE039
为齿轮箱的变速比，
Figure 194089DEST_PATH_IMAGE033
为发电机转子的转动惯量，
Figure 391852DEST_PATH_IMAGE025
为风电机组捕获 的机械功率，
Figure 939508DEST_PATH_IMAGE024
为传动系统等效的转动惯量。
优选的，所述为保证一致性约束的罚函数
Figure 100002_DEST_PATH_IMAGE040
按下式计算：
Figure 391480DEST_PATH_IMAGE041
式中，
Figure 366389DEST_PATH_IMAGE042
和
Figure 51448DEST_PATH_IMAGE043
为罚函数的系数和乘子，
Figure 100002_DEST_PATH_IMAGE044
为风电场输出功率的电网调度指 令，
Figure 324167DEST_PATH_IMAGE045
第j台风-储联合机组在第K-1次迭代中的输出功率，
Figure 145492DEST_PATH_IMAGE046
为第i台风-储联合 机组在第K次迭代中的输出功率，k+t为预测控制时域内的相应时刻，k为当前时刻。
优选的，所述罚函数的系数
Figure 556882DEST_PATH_IMAGE047
按下式计算：
Figure 479970DEST_PATH_IMAGE048
所述罚函数的乘子
Figure 100002_DEST_PATH_IMAGE049
按下式计算：
Figure 41532DEST_PATH_IMAGE050
式中，
Figure 497790DEST_PATH_IMAGE051
和
Figure 814502DEST_PATH_IMAGE052
为第K轮和第K+1轮迭代中的罚函数系数，
Figure 411837DEST_PATH_IMAGE053
和
Figure 121298DEST_PATH_IMAGE054
为第K轮 和第K+1轮迭代中的罚函数乘子，
Figure 917216DEST_PATH_IMAGE055
为大于1的常系数。
再一方面，本申请还提供了一种风电场的控制系统，包括：
参数获取模块，用于获取预测控制时域内风-储联合机组构成的风电场运行参数；
计算模块，用于基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量；
控制模块，用于基于得到的每组风-储联合机组的控制变量控制对应的风-储联合机组的风电机组和储能装置；
其中，所述风-储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。
优选的，所述计算模块包括：参数计算单元和控制变量计算单元；
所述参数计算单元，用于基于所述风电场运行参数计算所述风-储联合机组模型中的状态变量和控制变量的系数；
所述控制变量计算单元，用于基于所述风电场运行参数，以及所述状态变量和所述控制变量的系数，以降低风电出力波动和载荷疲劳为目标，在满足风电场输出功率约束、风-储联合机组输出功率约束、风电机组输出功率约束、储能运行约束、风电机组载荷约束，风-储联合机组运行约束下求解所述风-储联合机组模型，得到风-储联合系统的控制变量。
再一方面，本申请还提供了一种计算设备，包括：一个或多个处理器；
处理器，用于执行一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如上述所述的一种风电场的控制方法。
再一方面，本申请还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现上述所述的一种风电场的控制方法。
与现有技术相比，本发明的有益效果为：
本发明提供了一种风电场的控制方法，包括：获取预测控制时域内风-储联合机组构成的风电场运行参数；基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量；基于得到的每组风-储联合机组的控制变量控制对应的风-储联合机组的储能装置；其中，所述风-储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。本发明以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量，对每组风-储联合机组进行控制，实现在平滑风电出力的同时提升风电机组的暂/稳态可控裕度和运行性能，充分发挥了风电机组和储能的协同运行的优势。
附图说明
图1为本发明的一种风电场的控制方法流程图；
图2为本发明的风-储联合机组结构示意图；
图3为本发明的直流侧配置储能的风-储联合机组结构示意图。
具体实施方式
本发明提出一种风电场的控制方法、系统及计算设备，其中风-储联合机组指在风电机组中配置分散式储能，可实现风电机组和储能的整合和协同运行。所提出的风电场运行控制方法基于模型预测控制，首先建立风-储联合机组的模型，并对其进行线性化和离散化处理，进而结合风功率预测以及风电场和风-储联合机组运行要求，建立模型预测优化控制问题，最后通过对上述优化问题求解，获得含风-储联合机组的风电场运行控制参考。本发明可充分利用风电机组及其配置储能的灵活调节能力，在平滑风电出力的同时减小风电机组在运行过程中的疲劳载荷损耗，延长风电机组的使用寿命。
实施例1：
一种风电场的控制方法，如图1所示：
S1：获取预测控制时域内风-储联合机组构成的风电场运行参数；
S2：基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量；
S3：基于得到的每组风-储联合机组的控制变量控制对应的风-储联合机组的风电机组和储能装置；
其中，所述风-储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。
通过在风电机组的单机控制器侧（风能变流器直流侧）配置储能变流器和储能系统，构成风-储联合机组，如图2和图3所示，可以在平滑风电机组出力的同时显著提升机组的暂/稳态可控裕度和运行性能，是风电机组未来发展的重要形态之一，目前已经受到业界的广泛关注和应用。本发明提出的含风-储联合机组的风电场运行控制方法，借助风功率预测，通过对风电机组及其配置储能的灵活调节，可在平滑风电出力波动的同时，减小风电机组在运行过程中的疲劳载荷损耗，延长其使用寿命，也可以在充分利用储能充放电调节的同时，保证其运行在合理范围内，避免发生过充或过放，延长储能寿命。整体上，本法明可以充分发挥风-储联合机组的运行特性和优势，为风-储联合机组应用后风电场的运行方式提供有效路径，具有广泛的应用前景。
S1中的获取预测控制时域内风-储联合机组构成的风电场运行参数，具体包括：
获取预测控制时域内风-储联合机组的风电机组捕获的机械功率、风电机组承受的推力、风电机组承受的塔根弯矩、桨距角、转子转速、传动系统等效的转动惯量、风轮转子的转动惯量、发电机转子的转动惯量、为齿轮箱的变速比、主轴转矩、发电机电磁转矩、储能响应的等效时间常数、风电机组电磁转矩控制参考值、电磁转矩响应的等效时间常数、风电机组输出的电磁功率和电气系统效率。
S2中的基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量，具体如下：
步骤1：针对风-储联合机组进行建模，包括：风电机组气动系统、风电机组传动系统、风电机组电气系统、桨距伺服系统和储能系统。各个子系统的模型分别介绍如下。
1、风电机组气动系统：
Figure 139249DEST_PATH_IMAGE056
Figure 269885DEST_PATH_IMAGE057
Figure 501147DEST_PATH_IMAGE058
其中，
Figure 151571DEST_PATH_IMAGE059
为风电机组捕获的机械功率，
Figure 312817DEST_PATH_IMAGE060
为风电机组承受的推力，
Figure 681481DEST_PATH_IMAGE061
为风电机 组承受的塔根弯矩。在等式右侧，
Figure 716433DEST_PATH_IMAGE062
为转子转速，
Figure 221364DEST_PATH_IMAGE063
为空气密度，
Figure 565626DEST_PATH_IMAGE064
为风电机组的风轮半 径，
Figure 624849DEST_PATH_IMAGE065
为风速，
Figure 197913DEST_PATH_IMAGE066
为风能捕获系数，
Figure DEST_PATH_IMAGE067
为推力系数，
Figure 308083DEST_PATH_IMAGE068
为叶尖速 比，
Figure 573979DEST_PATH_IMAGE069
为桨距角，
Figure 651656DEST_PATH_IMAGE070
为风电机组的塔架高度。其中
Figure 746520DEST_PATH_IMAGE066
和
Figure 226043DEST_PATH_IMAGE067
所述的函数关系可 查表获得。
2、风电机组传动系统
Figure 662840DEST_PATH_IMAGE071
Figure 244126DEST_PATH_IMAGE072
Figure 158992DEST_PATH_IMAGE073
其中，
Figure 758601DEST_PATH_IMAGE074
为传动系统等效的转动惯量，
Figure 366300DEST_PATH_IMAGE075
为风轮转子的转动惯量，
Figure 667837DEST_PATH_IMAGE076
为发电机转子 的转动惯量，
Figure 589656DEST_PATH_IMAGE077
为齿轮箱的变速比，
Figure 43771DEST_PATH_IMAGE016
为主轴转矩，
Figure 573104DEST_PATH_IMAGE078
为发电机电磁转矩。
3、风电机组电气系统
Figure 378249DEST_PATH_IMAGE079
Figure 900497DEST_PATH_IMAGE080
其中，
Figure 209119DEST_PATH_IMAGE018
为风电机组电磁转矩控制参考值，
Figure 407888DEST_PATH_IMAGE028
为电磁转矩响应的等效时间常数，
Figure 372433DEST_PATH_IMAGE081
为风电机组输出的电磁功率，
Figure 963951DEST_PATH_IMAGE082
为电气系统效率。
4、桨距伺服系统
Figure 871952DEST_PATH_IMAGE083
其中，
Figure 195617DEST_PATH_IMAGE084
为桨距角对于时间的导数，
Figure 709775DEST_PATH_IMAGE019
为桨距角控制参考值，
Figure 88673DEST_PATH_IMAGE085
为桨距角，
Figure 106307DEST_PATH_IMAGE086
为桨 距角伺服系统响应的等效时间常数。
5、储能系统
Figure 866453DEST_PATH_IMAGE087
Figure 353060DEST_PATH_IMAGE088
其中，
Figure 20802DEST_PATH_IMAGE089
为储能单元输出功率对于时间的导数，
Figure 361785DEST_PATH_IMAGE012
为储能的输出功率，以放电为正 方向，
Figure 604416DEST_PATH_IMAGE020
为储能输出功率的控制参考值，
Figure 562008DEST_PATH_IMAGE090
为储能响应的等效时间常数，
Figure 236703DEST_PATH_IMAGE091
和
Figure 245241DEST_PATH_IMAGE092
分别为
Figure 81610DEST_PATH_IMAGE093
时刻和
Figure 57656DEST_PATH_IMAGE094
时刻储能的荷电状态。
此外，风-储联合系统的输出功率
Figure 519731DEST_PATH_IMAGE014
为风电机组输出功率和储能功率的总和。
Figure 632043DEST_PATH_IMAGE095
式中，
Figure 701630DEST_PATH_IMAGE081
为风电机组输出的电磁功率，
Figure 712443DEST_PATH_IMAGE012
为储能的输出功率。
步骤2针对上述风-储联合机组模型，在运行点处进行线性化，得到系统的线性化模型，如下所示。
Figure 791257DEST_PATH_IMAGE096
Figure 706212DEST_PATH_IMAGE097
在获得线性化模型时，根据控制时刻的测量值确定具体的运行点。其中，A和C为 风-储联合机组的状态变量的系数矩阵，所述B和D为风-储联合机组的控制变量的系数矩 阵，E和W为风-储联合机组受到的扰动时的系数矩阵，
Figure 149962DEST_PATH_IMAGE098
为风-储联 合机组的状态变量，
Figure 100601DEST_PATH_IMAGE099
为转子转速，
Figure 701215DEST_PATH_IMAGE010
为桨距角，
Figure 725803DEST_PATH_IMAGE011
为发电机电磁转矩，
Figure 137193DEST_PATH_IMAGE012
为储能的输出 功率，
Figure 997964DEST_PATH_IMAGE100
为风-储联合机组的输出变量，
Figure 153002DEST_PATH_IMAGE014
为风-储联合系统的输出功率，
Figure 828834DEST_PATH_IMAGE015
为风电机组承受的塔根弯矩，
Figure 925971DEST_PATH_IMAGE016
为主轴转矩，
Figure 320044DEST_PATH_IMAGE101
为风-储联合系 统的控制变量，
Figure 216455DEST_PATH_IMAGE018
为风电机组电磁转矩控制参考值，
Figure 28685DEST_PATH_IMAGE019
为桨距角控制参考值，
Figure 781877DEST_PATH_IMAGE020
为储 能输出功率的控制参考值，
Figure 397666DEST_PATH_IMAGE021
为风-储联合机组受到的扰动，前缀
Figure 347037DEST_PATH_IMAGE022
表示线性化模 型对应的变量形式，v为风速。其中，各系数矩阵如下。
Figure 997461DEST_PATH_IMAGE102
，
Figure 187134DEST_PATH_IMAGE103
，
Figure 555798DEST_PATH_IMAGE037
，
Figure 279166DEST_PATH_IMAGE030
，
D=0，
Figure 280968DEST_PATH_IMAGE038
其中，各偏微分项具体表达均可以根据步骤1模型获得，其求取过程不再赘述。
步骤3：针对步骤1中所述的线性化模型，以时间间隔
Figure 890810DEST_PATH_IMAGE104
为步长进行离散化，得到离 散化的风-储联合机组线性化模型如下。上述离散时间间隔根据风电场控制间隔确定，具体 离散方法可采用通用的欧拉法、零阶保持法等，在本发明中不做赘述。
Figure 684454DEST_PATH_IMAGE105
Figure 742671DEST_PATH_IMAGE106
其中，k表示时间离散化后对应的时段，
Figure DEST_PATH_IMAGE107
和
Figure 102108DEST_PATH_IMAGE108
为风-储联合机组离散化后的状态 变量的系数矩阵，
Figure 820534DEST_PATH_IMAGE109
和
Figure 163791DEST_PATH_IMAGE110
为风-储联合机组离散化后的控制变量的系数矩阵，
Figure 743808DEST_PATH_IMAGE111
和
Figure 239642DEST_PATH_IMAGE112
为 风-储联合机组离散化后的受到扰动时的系数矩阵。
步骤4：针对由风-储联合机组构成的风电场，建立以下模型预测优化控制策略。
Figure 676440DEST_PATH_IMAGE113
Figure 241413DEST_PATH_IMAGE114
Figure 874389DEST_PATH_IMAGE115
Figure 473998DEST_PATH_IMAGE116
Figure 347276DEST_PATH_IMAGE117
Figure 133966DEST_PATH_IMAGE118
Figure 72097DEST_PATH_IMAGE119
Figure 526212DEST_PATH_IMAGE120
Figure 570392DEST_PATH_IMAGE121
Figure 93646DEST_PATH_IMAGE122
Figure 819156DEST_PATH_IMAGE123
Figure 127778DEST_PATH_IMAGE124
Figure 87732DEST_PATH_IMAGE125
其中，下标i为风电场内风-储联合机组序号，k为当前时刻，k+t为预测控制时域内的相应时刻，T为预测控制时域，N为风电场内风-储联合机组的数量。上述控制策略以降低风电出力波动和载荷疲劳（包括塔根弯矩和主轴转矩）为目标，从而达到延长风-储联合机组使用寿命的目的。
在控制策略中，将公式从上到下依次用约束条件1至约束条件10进行编号，下面对 各公式进行介绍：约束条件1保证风电场输出功率满足电网调度指令
Figure 317856DEST_PATH_IMAGE126
要求；约束条件2 为风-储联合机组输出功率特性；约束条件3保证风电机组输出功率满足风功率预测最小、 最大值
Figure 378216DEST_PATH_IMAGE127
和
Figure 321770DEST_PATH_IMAGE128
要求；约束条件4-6为储能运行要求，其中约束条件4为储能输出功 率满足其最小、最大允许值
Figure 645435DEST_PATH_IMAGE129
和
Figure 894014DEST_PATH_IMAGE130
要求，约束条件6为储能荷电状态满足其最小、 最大值
Figure 774376DEST_PATH_IMAGE131
和
Figure 57590DEST_PATH_IMAGE132
要求；约束条件7和8为风电机组载荷要求，塔根弯矩和主轴转矩 分别小于其允许的最大值
Figure 348894DEST_PATH_IMAGE133
和
Figure 84769DEST_PATH_IMAGE134
；约束条件9和10利用步骤1-2中所建立的模型保 证风-储联合机组动态满足其运行特性。
步骤5：基于步骤4中所得到的模型预测控制问题，在预测控制时域内进行优化求 解，所得到结果
Figure 205040DEST_PATH_IMAGE135
，作为下一时刻风电场第i台风-储联合机组的控制参考值，即可 实现本发明所述的含风-储联合机组的风电场运行控制。考虑到步骤4中的预测控制优化问 题需要风电场内每台风-储联合机组的运行状态作为输入，因此其优化求解宜采用分布式 优化算法，由每台风-储协同机组对自身进行模型预测控制，风电场控制器负责协调每台 风-储联合机组的控制结果并传输所需的数据，采用迭代求解的方式实现整个风电场的运 行和控制。其中，每台风-储联合机组在第K次迭代中，自身需要求解的模型预测控制问题如 下所示。
Figure 342761DEST_PATH_IMAGE136
Figure 804966DEST_PATH_IMAGE114
Figure 778869DEST_PATH_IMAGE137
Figure 515881DEST_PATH_IMAGE138
Figure 508108DEST_PATH_IMAGE139
Figure 593745DEST_PATH_IMAGE140
Figure 569791DEST_PATH_IMAGE141
Figure 782598DEST_PATH_IMAGE142
Figure 380063DEST_PATH_IMAGE143
Figure 449650DEST_PATH_IMAGE144
Figure 647414DEST_PATH_IMAGE145
Figure 460649DEST_PATH_IMAGE146
其中，目标函数中的
Figure 411156DEST_PATH_IMAGE147
为保证一致性约束的罚函数，如下所示：
Figure 651645DEST_PATH_IMAGE148
其中，
Figure 274387DEST_PATH_IMAGE047
和
Figure 370607DEST_PATH_IMAGE049
为罚函数的系数和乘子。在每台风-储联合机组均完成自身第K次 优化计算后，风电场控制系统根据如下方式更新一致性约束罚函数的系数和乘子。
Figure 191932DEST_PATH_IMAGE048
Figure 868901DEST_PATH_IMAGE050
其中，
Figure 228207DEST_PATH_IMAGE149
为大于1的常系数。采用上述分布式优化的方法，可以对步骤3所提出的含 风-储联合机组的风电场模型预测控制方法进行求解。此外，当迭代次数K大于设定好的某 一阈值
Figure 852087DEST_PATH_IMAGE150
时，应停止迭代，由风电场自行根据提前制定的规则，下发每台风-储联合机 组的控制指令。
本发明通过建立风-储联合机组模型，充分考虑了风电机组和所配置储能的特性，通过动态建模，可以保证运行控制的精确性和有效性。对于风电机组，本发明在利用储能平滑其出力波动的同时，可减小其在运行过程中的疲劳载荷损耗，延长其使用寿命；对于所配备的储能，本发明亦可保证其运行在合理区间内，避免发生过充或过放，保障其使用寿命。整体上，本发明充分发挥了风-储联合机组的运行优势，以多时段模型预测控制的方法，为含风-储联合机组的风电场运行控制提供了一条有效且优化的路径。
实施例2
基于同一发明构思的本发明还提供了一种风电场的控制系统，包括：
参数获取模块，用于获取预测控制时域内风-储联合机组构成的风电场运行参数；
计算模块，用于基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量；
控制模块，用于基于得到的每组风-储联合机组的控制变量控制对应的风-储联合机组的风电机组和储能装置；
其中，所述风-储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。
所述计算模块包括：参数计算单元和控制变量计算单元；
所述参数计算单元，用于基于所述风电场运行参数计算所述风-储联合机组模型中的状态变量和控制变量的系数；
所述控制变量计算单元，用于基于所述风电场运行参数，以及所述状态变量和所述控制变量的系数，以降低风电出力波动和载荷疲劳为目标，在满足风电场输出功率约束、风-储联合机组输出功率约束、风电机组输出功率约束、储能运行约束、风电机组载荷约束，风-储联合机组运行约束下求解所述风-储联合机组模型，得到风-储联合系统的控制变量。
为了描述方便，以上装置的各部分以功能分为各模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
基于同一发明构思，本发明再一个实施例中，提供了一种计算设备，该计算设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于执行一种风电场的控制方法的步骤。
基于同一发明构思，本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质（Memory），所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序（包括程序代码）。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种风电场的控制方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在发明待批的本发明的权利要求范围之内。

Claims (15)

1.一种风电场的控制方法，其特征在于，包括：
获取预测控制时域内风-储联合机组构成的风电场运行参数；
基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量；
基于所述每组风-储联合机组的控制变量控制对应的风-储联合机组的风电机组和储能装置；
其中，所述风-储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。
2.如权利要求1所述的方法，其特征在于，所述基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型进行优化求解得到每组风-储联合机组的控制变量，包括：
基于所述风电场运行参数计算所述风-储联合机组模型中的状态变量和控制变量的系数；
基于所述风电场运行参数，以及所述状态变量和所述控制变量的系数，以降低风电出力波动和载荷疲劳为目标，在满足风电场输出功率约束、风-储联合机组输出功率约束、风电机组输出功率约束、储能运行约束、风电机组载荷约束，风-储联合机组运行约束下求解所述风-储联合机组模型，得到风-储联合系统的控制变量。
3.如权利要求2所述的方法，其特征在于，所述以降低风电出力波动和载荷疲劳为目标如下式所示：
Figure DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
、
Figure DEST_PATH_IMAGE004
为采用线性化模型的第i台风-储联合机组在第K次迭代中的 输出功率、塔根弯矩和主轴转矩，
Figure DEST_PATH_IMAGE005
是为保证一致性约束的罚函数，K为采用分布式优化迭 代计算时的迭代次数,T为预测控制时域,t为时刻，k为当前时刻。
4.如权利要求3所述的方法，其特征在于，所述线性化模型如下式所示：
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
式中，A和C为风-储联合机组的状态变量的系数矩阵，所述B和D为风-储联合机组的控 制变量的系数矩阵，E和W为风-储联合机组受到的扰动时的系数矩阵，
Figure DEST_PATH_IMAGE008
为风-储联合机组的状态变量，
Figure DEST_PATH_IMAGE009
为转子转速，
Figure DEST_PATH_IMAGE010
为桨距角，
Figure DEST_PATH_IMAGE011
为发电机电磁转矩，
Figure DEST_PATH_IMAGE012
为储能的输出功率，
Figure DEST_PATH_IMAGE013
为风-储联合机组的输出变 量，
Figure DEST_PATH_IMAGE014
为风-储联合系统的输出功率，
Figure DEST_PATH_IMAGE015
为风电机组承受的塔根弯矩，
Figure DEST_PATH_IMAGE016
为主轴转矩，
Figure DEST_PATH_IMAGE017
为风-储联合系统的控制变量，
Figure DEST_PATH_IMAGE018
为风电机组电磁转矩控制 参考值，
Figure DEST_PATH_IMAGE019
为桨距角控制参考值，
Figure DEST_PATH_IMAGE020
为储能输出功率的控制参考值，
Figure DEST_PATH_IMAGE021
为风-储 联合机组受到的扰动，前缀
Figure DEST_PATH_IMAGE022
表示线性化模型对应的变量形式，v为风速。
5.如权利要求4所述的方法，其特征在于，所述风-储联合机组的状态变量的系数矩阵A按下式计算：
Figure DEST_PATH_IMAGE023
式中，
Figure DEST_PATH_IMAGE024
为传动系统等效的转动惯量，
Figure DEST_PATH_IMAGE025
为风电机组捕获的机械功率，
Figure DEST_PATH_IMAGE026
为齿轮箱 的变速比，
Figure DEST_PATH_IMAGE027
为桨距角伺服系统响应的等效时间常数，
Figure DEST_PATH_IMAGE028
为电磁转矩响应的等效时间常 数，
Figure DEST_PATH_IMAGE029
为储能响应的等效时间常数。
6.如权利要求4所述的方法，其特征在于，所述风-储联合机组的状态变量的系数矩阵C按下式计算：
Figure DEST_PATH_IMAGE030
式中，
Figure DEST_PATH_IMAGE031
为风电机组输出功率，
Figure 853129DEST_PATH_IMAGE011
为发电机电磁转矩，
Figure DEST_PATH_IMAGE032
为风轮转子的转动惯量，
Figure 852397DEST_PATH_IMAGE026
为齿轮箱的变速比，
Figure DEST_PATH_IMAGE033
为发电机转子的转动惯量。
7.如权利要求4所述的方法，其特征在于，所述风-储联合机组的控制变量的系数矩阵B按下式计算：
Figure DEST_PATH_IMAGE034
式中，
Figure 449732DEST_PATH_IMAGE029
为储能响应的等效时间常数，
Figure 595411DEST_PATH_IMAGE027
为桨距角伺服系统响应的等效时间常数，
Figure DEST_PATH_IMAGE035
为电磁转矩响应的等效时间常数。
8.如权利要求4所述的方法，其特征在于，所述风-储联合机组受到的扰动时的系数矩阵E按下式计算：
Figure DEST_PATH_IMAGE036
式中，
Figure 345324DEST_PATH_IMAGE025
为风电机组捕获的机械功率，
Figure 832937DEST_PATH_IMAGE024
为传动系统等效的转动惯量。
9.如权利要求4所述的方法，其特征在于，所述风-储联合机组受到的扰动时的系数矩阵W按下式计算：
Figure DEST_PATH_IMAGE037
式中，
Figure DEST_PATH_IMAGE038
为齿轮箱的变速比，
Figure 838939DEST_PATH_IMAGE033
为发电机转子的转动惯量，
Figure 335779DEST_PATH_IMAGE025
为风电机组捕获的机 械功率，
Figure 940198DEST_PATH_IMAGE024
为传动系统等效的转动惯量。
10.如权利要求3所述的方法，其特征在于，所述为保证一致性约束的罚函数
Figure DEST_PATH_IMAGE039
按下 式计算：
Figure DEST_PATH_IMAGE040
式中，
Figure DEST_PATH_IMAGE041
和
Figure DEST_PATH_IMAGE042
为罚函数的系数和乘子，
Figure DEST_PATH_IMAGE043
为风电场输出功率的电网调度指令，
Figure DEST_PATH_IMAGE044
第j台风-储联合机组在第K-1次迭代中的输出功率，
Figure DEST_PATH_IMAGE045
为第i台风-储联合机组 在第K次迭代中的输出功率，k+t为预测控制时域内的相应时刻，k为当前时刻。
11.如权利要求10所述的方法，其特征在于，所述罚函数的系数
Figure DEST_PATH_IMAGE046
按下式计算：
Figure DEST_PATH_IMAGE047
所述罚函数的乘子
Figure DEST_PATH_IMAGE048
按下式计算：
Figure DEST_PATH_IMAGE049
式中，
Figure DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
为第K轮和第K+1轮迭代中的罚函数系数，
Figure DEST_PATH_IMAGE052
和
Figure DEST_PATH_IMAGE053
为第K轮和第K +1轮迭代中的罚函数乘子，
Figure DEST_PATH_IMAGE054
为大于1的常系数。
12.一种风电场的控制系统，其特征在于，包括：
参数获取模块，用于获取预测控制时域内风-储联合机组构成的风电场运行参数；
计算模块，用于基于所述风电场运行参数在预测控制时域内对预先构建的风-储联合机组模型以降低风电出力波动和载荷疲劳为目标进行优化求解得到每组风-储联合机组的控制变量；
控制模块，用于基于得到的每组风-储联合机组的控制变量控制对应的风-储联合机组的风电机组和储能装置；
其中，所述风-储联合机组模型以设定时间间隔为步长对线性化模型进行离散化得到的。
13.如权利要求12所述的系统，其特征在于，所述计算模块包括：参数计算单元和控制变量计算单元；
所述参数计算单元，用于基于所述风电场运行参数计算所述风-储联合机组模型中的状态变量和控制变量的系数；
所述控制变量计算单元，用于基于所述风电场运行参数，以及所述状态变量和所述控制变量的系数，以降低风电出力波动和载荷疲劳为目标，在满足风电场输出功率约束、风-储联合机组输出功率约束、风电机组输出功率约束、储能运行约束、风电机组载荷约束，风-储联合机组运行约束下求解所述风-储联合机组模型，得到风-储联合系统的控制变量。
14.一种计算设备，其特征在于，包括：一个或多个处理器；
处理器，用于执行一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1-11中任一所述的一种风电场的控制方法。
15.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至11中任一所述的一种风电场的控制方法。
CN202111592839.5A 2021-12-24 2021-12-24 一种风电场的控制方法、系统及计算设备 Active CN113991754B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111592839.5A CN113991754B (zh) 2021-12-24 2021-12-24 一种风电场的控制方法、系统及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111592839.5A CN113991754B (zh) 2021-12-24 2021-12-24 一种风电场的控制方法、系统及计算设备

Publications (2)

Publication Number Publication Date
CN113991754A true CN113991754A (zh) 2022-01-28
CN113991754B CN113991754B (zh) 2022-03-18

Family

ID=79734202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111592839.5A Active CN113991754B (zh) 2021-12-24 2021-12-24 一种风电场的控制方法、系统及计算设备

Country Status (1)

Country Link
CN (1) CN113991754B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115750204A (zh) * 2022-11-15 2023-03-07 中国华能集团清洁能源技术研究院有限公司 一种风电机组发电机转速调节方法及系统
CN115833117A (zh) * 2023-02-13 2023-03-21 广东电网有限责任公司中山供电局 一种分布式机组功率控制方法、装置、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070035135A1 (en) * 2004-05-07 2007-02-15 Mitsubishi Denki Kabushiki Kaisha Wind power generation evaluation system and predictive control service system for use with wind power generator
CN106026197A (zh) * 2016-05-23 2016-10-12 华北电力大学 风电与火电耦合外送优化控制方法
CN106774276A (zh) * 2017-01-18 2017-05-31 河海大学 风电场自动发电控制系统测试平台
CN109149638A (zh) * 2018-09-17 2019-01-04 山东大学 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统
CN111287911A (zh) * 2019-11-29 2020-06-16 中国电力科学研究院有限公司 一种风电机组疲劳载荷的预警方法和系统
CN111541279A (zh) * 2020-04-26 2020-08-14 上海明华电力科技有限公司 考虑机组出力状态的风电场功率自动控制系统及方法
CN112054553A (zh) * 2020-08-18 2020-12-08 国网山东省电力公司潍坊供电公司 电热气互联系统协调优化运行方法、系统、介质及设备
WO2021164112A1 (zh) * 2020-02-18 2021-08-26 山东大学 风电场优化配置储能作为黑启动电源的频率控制方法及系统
CN113708406A (zh) * 2021-08-23 2021-11-26 国网湖南省电力有限公司 用于分布式储能型风电场的惯性控制方法及处理器

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070035135A1 (en) * 2004-05-07 2007-02-15 Mitsubishi Denki Kabushiki Kaisha Wind power generation evaluation system and predictive control service system for use with wind power generator
CN106026197A (zh) * 2016-05-23 2016-10-12 华北电力大学 风电与火电耦合外送优化控制方法
CN106774276A (zh) * 2017-01-18 2017-05-31 河海大学 风电场自动发电控制系统测试平台
CN109149638A (zh) * 2018-09-17 2019-01-04 山东大学 基于mpc和admm算法的vsc-hvdc并网风电场分布式协调电压控制方法及系统
CN111287911A (zh) * 2019-11-29 2020-06-16 中国电力科学研究院有限公司 一种风电机组疲劳载荷的预警方法和系统
WO2021164112A1 (zh) * 2020-02-18 2021-08-26 山东大学 风电场优化配置储能作为黑启动电源的频率控制方法及系统
CN111541279A (zh) * 2020-04-26 2020-08-14 上海明华电力科技有限公司 考虑机组出力状态的风电场功率自动控制系统及方法
CN112054553A (zh) * 2020-08-18 2020-12-08 国网山东省电力公司潍坊供电公司 电热气互联系统协调优化运行方法、系统、介质及设备
CN113708406A (zh) * 2021-08-23 2021-11-26 国网湖南省电力有限公司 用于分布式储能型风电场的惯性控制方法及处理器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
伍俊等: "考虑储能动态充放电效率特性的风储电站运行优化", 《电力系统自动化》 *
门艳等: "风力发电并风电能调度稳定性优化仿真", 《计算机仿真》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115750204A (zh) * 2022-11-15 2023-03-07 中国华能集团清洁能源技术研究院有限公司 一种风电机组发电机转速调节方法及系统
CN115833117A (zh) * 2023-02-13 2023-03-21 广东电网有限责任公司中山供电局 一种分布式机组功率控制方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113991754B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
Colombo et al. Pitch angle control of a wind turbine operating above the rated wind speed: A sliding mode control approach
Asgharnia et al. Performance and robustness of optimal fractional fuzzy PID controllers for pitch control of a wind turbine using chaotic optimization algorithms
CN113991754B (zh) 一种风电场的控制方法、系统及计算设备
Song et al. Model predictive control with finite control set for variable-speed wind turbines
Madjidian et al. A distributed power coordination scheme for fatigue load reduction in wind farms
CN110098622A (zh) 风电机组的一次调频方法和设备
CN108512258B (zh) 一种基于改进多智能体一致性算法的风电场有功调度方法
Burkart et al. Nonlinear control of wind turbines: An approach based on switched linear systems and feedback linearization
CN110552850B (zh) 一种基于风速提前测量的风电机组有功调节方法及装置
Tian et al. Active power dispatch method for a wind farm central controller considering wake effect
Shaltout et al. An adaptive economic model predictive control approach for wind turbines
Roy et al. Harris hawks optimization algorithm for model order reduction of interconnected wind turbines
CN115333168A (zh) 一种基于分布式滚动优化的海上风电场场级控制策略
Adegas et al. Structured control of LPV systems with application to wind turbines
CN114465287A (zh) 一种风电场快速有功功率优化方法及系统
CN114069726A (zh) 考虑经济性与安全性的风电场功率协调控制方法和系统
CN107979112B (zh) 一种风机控制方法、系统、终端及可读存储介质
Eskandari et al. Optimization of wind energy extraction for variable speed wind turbines using fuzzy backstepping sliding mode control based on multi objective PSO
CN113361083A (zh) 一种风电多目标最优响应控制方法及装置
CN110350554B (zh) 基于混联结构的风储系统辅助电网一次调频控制方法
Zhao et al. Active power control strategy of wind farm considering fatigue load of wind turbines
CN116581780A (zh) 一种风储联合系统一次调频特性建模与控制方法
CN115167140A (zh) 风力发电机组多目标随机模型预测控制策略方法及系统
CN115663849A (zh) 一种水电厂与工业温控负荷协同快速调控的方法及控制器
CN115182844A (zh) 一种变速风力发电机组有界ude转矩控制方法

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