CN114336673B - 一种基于模型预测控制的风储联合电站一次调频控制策略 - Google Patents

一种基于模型预测控制的风储联合电站一次调频控制策略 Download PDF

Info

Publication number
CN114336673B
CN114336673B CN202111403367.4A CN202111403367A CN114336673B CN 114336673 B CN114336673 B CN 114336673B CN 202111403367 A CN202111403367 A CN 202111403367A CN 114336673 B CN114336673 B CN 114336673B
Authority
CN
China
Prior art keywords
wind power
unit
power
frequency modulation
wind
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
Application number
CN202111403367.4A
Other languages
English (en)
Other versions
CN114336673A (zh
Inventor
李国庆
孟鹏飞
刘吉辰
张小贝
杨政厚
杜洋
刘美岑
段选锋
梁思超
王雪璐
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.)
Huaneng Renewables Corp Ltd
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Huaneng Renewables Corp Ltd
Beijing Huaneng Xinrui Control Technology 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 Huaneng Renewables Corp Ltd, Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Huaneng Renewables Corp Ltd
Priority to CN202111403367.4A priority Critical patent/CN114336673B/zh
Publication of CN114336673A publication Critical patent/CN114336673A/zh
Application granted granted Critical
Publication of CN114336673B publication Critical patent/CN114336673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明针对风电渗透率不断提高容易导致电力系统频率质量下降等问题，根据风电场出力的随机性、强耦合、难调控等特点，提出一种基于模型预测控制的风储联合电站一次调频控制策略，通过模型预测、滚动优化、反馈校正的方式控制风电场机组和储能装置的联合出力参与电力系统的一次调频，旨在通过滚动优化、反馈校正等方法实现风储联合系统更稳定、快速的调频效果，在满足风电机组和储能装置自身约束条件下，实现电力系统频率的稳定，协调风电场内多个风电机组及储能装置统一参与电力系统的一次调频，保障风电机组和电力系统的频率稳定。

Description

一种基于模型预测控制的风储联合电站一次调频控制策略
技术领域
本发明涉及一种风储联合电站一次调频控制策略，特别是涉及一种基于模型预测控制的风储联合电站一次调频控制策略。
背景技术
风电渗透率的不断提高对电力系统的频率调节造成了严重影响，采取合理的控制方法控制风电机组的输出功率参与电力系统调频至关重要。目前风电场机组参与调频多采用比较简单的PI控制器，但是风电场是一个非线性，多变量耦合的系统，因此简单的PI控制器不能满足系统的频率稳定性要求。目前，一些学者通过基于模型预测控制的方法控制风储联合系统参与调频取得了不错的效果，但是这些基于MPC的研究方法未将风储同时考虑在内且未考虑时间成本。
发明内容
本发明针对风电渗透率不断提高容易导致电力系统频率质量下降等问题，根据风电场出力的随机性、强耦合、难调控等特点，提出基于模型预测控制的风储联合电站一次调频控制策略，旨在通过基于模型预测控制的风储联合电站一次调频控制策略，协调风电场内多个风电机组及储能装置统一参与电力系统的一次调频，保障风电机组和电力系统的频率稳定。
本发明的技术方案是：
一种基于模型预测控制的风储联合电站一次调频控制策略，针对风储联合电站所在区域的储能装置、风电场各机组，执行以下步骤，协调控制风电场各机组和储能装置联合出力参与风储联合电站的一次调频：
步骤S1：基于风电场各机组在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率，建立功率预测模型，预测风电场各机组在当前时刻向未来时间方向的预设时长段内分别对应的功率；
步骤S2：基于预测当前时刻向未来时间方向的预设时长段内各时刻的连续性，针对功率预测模型预测风电场各机组在该预测时刻分别对应的功率，迭代实时进行滚动优化，进而确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略；
步骤S3：基于确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略后，针对风电场各机组在该预测时刻下分别对应的预测功率、以及风电场各机组在该预测时刻下分别对应的真实功率，进行反馈校正，得到风电场各机组在该预测时刻的下一时刻分别对应的修正预测值，修正预测值代替对应时刻的初始预测值，执行步骤S2；
步骤S4，针对各预测时刻，基于功率预测模型，结合各滚动优化和反馈校正，进而协调控制风电场各机组和储能装置联合出力参与风储联合电站的一次调频。
作为本发明的一种优选技术方案，所述步骤1中，建立的功率预测模型为：
其中，为风电场/组机组在(t+1)时刻的功率预测序列，t为当前时刻，m表示选取历史每个时间步的数据，n表示未来每个时间步的数据，f(·)表示长短期记忆神经网络模型，f指代预测数据，h指代历史数据，/>表示在第(t-m+1)时刻的历史风电功率数据，G为预测功率信息所需要的环境数据。
作为本发明的一种优选技术方案，所述步骤1中，选用长短期记忆网络，基于风电场在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率进行训练，建立功率预测模型。
作为本发明的一种优选技术方案，所述步骤S2中，以风储联合电站所在区域内频率偏差尽快趋于0为优化目标，保证风电场机组和储能装置尽快完成一次调频分配的出力指令以及各机组出力的稳定性为约束条件，进行滚动优化。
作为本发明的一种优选技术方案，所述滚动优化的优化目标为：
其中，J表示优化目标函数，min J表示优化目标函数的最小值，T表示总调度周期，t为当前时刻，I表示风电场机组的总数量，i表示第i个风电场电机组，Δf表示频率偏差，resk表示总调度周期内第k个周期的响应时间，j1和j2为两个权重参数，ΔPg为火电机组一次调频有功出力变化量，表示第i个风电场机组的预测功率，ΔPb表示储能装置一次调频的有功出力控制指令，ΔPl为负载功率变化量，/>为第i个风电场机组参加一次调频分配的有功出力控制指令，/>为t时刻第i个风电场机组的实际输出功率，储能装置响应时间忽略不计，/>表示t时刻风电机组i的爬坡速率，β为电力系统刚性系数。
作为本发明的一种优选技术方案，为了保证风电场机组和储能装置尽快完成一次调频分配的出力指令，并且保证各机组出力的稳定性，所述约束条件如下：
(1)风电场有功输出约束：
其中，P w，i表示第i个风电场机组的有功出力下限，表示第i个风电场机组的有功出力下限，/>为t时刻第i个风电场机组的实际输出功率，/>为第i个风电场机组在t时刻的功率预测值，即为有功出力动态上限值，ui(t)∈[0，1]为状态变量，其取值为1时表示第i个风电场机组可以参与调频，为0则表示第i个风电场机组不能参与调频；
(2)风电机组爬坡速率约束：
其中，表示在t时刻风电机组i的爬坡速率，ΔP w，i表示第i个风电场机组的爬坡速率允许下限，/>表示第i个风电场机组的爬坡速率允许上限；
(3)储能装置充放电功率上下限约束：
-Pr≤Pb(t)≤Pr
Pb(t)＝Pb(t-1)+ΔPb(t)
其中，Pr为储能装置的额定功率，Pb(t)储能装置t时刻的充放电功率，ΔPb(t)为储能装置t时刻的功率调节量；
(4)储能装置的荷电状态约束：
Sb(t)＝Sb(t-1)-Pb(t)λt
其中，Sb(t)为储能装置在t时刻的荷电状态，λt为储能进行充放电的时长，Sb 为储能装置的最小值，为储能装置的最大值；
(5)响应时间约束：
0＜resk≤Tk
Ik表示总调度周期内第k个调度周期的时间。
作为本发明的一种优选技术方案，所述步骤S3，所述反馈校正针执行以下步骤：
步骤S3.1：基于确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略后，针对风电场各机组在该预测时刻下分别对应的预测功率与风电场各机组在该预测时刻下分别对应的真实功率之间的误差，对功率预测模型进行误差分析与反馈校正；
误差分析为：
步骤S3.2：基于err(t+1)对(t+2)时刻的预测值进行校正，校正过程为：
其中，为修正后的预测值代替初始预测值用于后续的滚动优化过程，h为反馈系数。
一种基于模型预测控制的风储联合电站一次调频控制策略的系统，包括功率预测模型模块、滚动优化模块、反馈校正模块：
功率预测模型模块，用于通过风电场各机组在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率，预测风电场各机组在当前时刻向未来时间方向的预设时长段内分别对应的功率；
滚动优化模块，基于功率预测模型预测风电场各机组在预测时刻分别对应的功率，针对目标优化函数，以各风电场机组、储能装置的各预设约束条件为约束，进而确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略；
反馈校正模块，在该预测时刻滚动优化后，对功率预测模型进行误差分析与反馈校正。
一种电子设备，包括存储装置、一个或多个处理器，存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的一种基于模型预测控制的风储联合电站一次调频控制策略。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于模型预测控制的风储联合电站一次调频控制策略。
本发明的有益效果是：本发明针对风电渗透率不断提高容易导致电力系统频率质量下降等问题，根据风电场出力的随机性、强耦合、难调控等特点，提出基于模型预测控制的风储联合电站一次调频控制策略。同时将风储、以及时间成本考虑在内，通过模型预测、滚动优化、反馈校正的方式控制风电场机组和储能装置的联合出力参与电力系统的一次调频，旨在通过滚动优化、反馈校正等方法实现风储联合系统更稳定、快速的调频效果，协调风电场内多个风电机组及储能装置统一参与电力系统的一次调频，保障风电机组和电力系统的频率稳定，在满足风电机组和储能装置自身约束条件下，实现电力系统频率的稳定。
附图说明
图1为本控制策略流程框图
具体实施方式
下面结合附图对本发明进行进一步说明。
基于模型预测控制的风储联合电站一次调频控制策略通过模型预测、滚动优化、反馈校正的方式控制风电场机组和储能装置的联合出力参与电力系统的一次调频，旨在通过滚动优化、反馈校正等方法实现风储联合系统更稳定、快速的调频效果，在满足风电机组和储能装置自身约束条件下，实现电力系统频率的稳定。因此，基于模型预测控制的风储联合电站一次调频控制问题可转化为如下优化问题：
一种基于模型预测控制的风储联合电站一次调频控制策略，针对风储联合电站所在区域的储能装置、风电场各机组，执行以下步骤，如图1所示，协调控制风电场各机组和储能装置联合出力参与风储联合电站的一次调频：
步骤S1：基于风电场各机组在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率，建立功率预测模型，预测风电场各机组在当前时刻向未来时间方向的预设时长段内分别对应的功率；
选用长短期记忆网络，基于风电场在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率进行训练，建立功率预测模型。选用长短期记忆网络作为预测模型用于输出风电功率预测序列。
建立的功率预测模型为：
其中，为风电场/组机组在(t+1)时刻的功率预测序列，t为当前时刻，m表示选取历史每个时间步的数据，n表示未来每个时间步的数据，f(·)表示长短期记忆神经网络模型，f指代预测数据，h指代历史数据，/>表示在第(t-m+1)时刻的历史风电功率数据，G为预测功率信息所需要的环境数据，G表示温度、风速等数据。
步骤S2：基于预测当前时刻向未来时间方向的预设时长段内各时刻的连续性，针对功率预测模型预测风电场各机组在该预测时刻分别对应的功率，迭代实时进行滚动优化，进而确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略；
所述步骤S2中，以风储联合电站所在区域内频率偏差尽快趋于0为优化目标，保证风电场机组和储能装置尽快完成一次调频分配的出力指令以及各机组出力的稳定性为约束条件，进行滚动优化。所述滚动优化的目的是寻找一个局部最优，指的是从当前时刻到未来一定时间内的一个局部最优解。
风储联合电站控制目标为保证风储联合电站所在区域内频率偏差尽快趋于0，滚动优化的优化目标为：
其中，J表示优化目标函数，min J表示优化目标函数的最小值，T表示总调度周期，t为当前时刻，I表示风电场机组的总数量，i表示第i个风电场电机组，Δf表示频率偏差，resk表示总调度周期内第k个周期的响应时间，j1和j2为两个权重参数，通过专家打分法确定，ΔPg为火电机组一次调频有功出力变化量，表示第i个风电场机组的预测功率，ΔPb表示储能装置一次调频的有功出力控制指令，ΔPl为负载功率变化量，/>为第i个风电场机组参加一次调频分配的有功出力控制指令，/>为t时刻第i个风电场机组的实际输出功率，储能装置响应时间忽略不计，/>表示t时刻风电机组i的爬坡速率，β为电力系统刚性系数。
为了保证风电场机组和储能装置尽快完成一次调频分配的出力指令，并且保证各机组出力的稳定性，约束条件如下：
(1)风电场有功输出约束：
其中，Pw，i表示第i个风电场机组的有功出力下限，表示第i个风电场机组的有功出力下限，/>为t时刻第i个风电场机组的实际输出功率，/>为第i个风电场机组在t时刻的功率预测值，即为有功出力动态上限值，ui(t)∈[0，1]为状态变量，其取值为1时表示第i个风电场机组可以参与调频，为0则表示第i个风电场机组不能参与调频；
(2)风电机组爬坡速率约束：
其中，表示在t时刻风电机组i的爬坡速率，ΔP w，i表示第i个风电场机组的爬坡速率允许下限，/>表示第i个风电场机组的爬坡速率允许上限；
(3)储能装置充放电功率上下限约束：
-Pr≤Pb(t)≤Pr
Pb(t)＝Pb(t-1)+ΔPb(t)
其中，Pr为储能装置的额定功率，Pb(t)储能装置t时刻的充放电功率，ΔPb(t)为储能装置t时刻的功率调节量；
(4)储能装置的荷电状态约束：
Sb(t)＝Sb(t-1)-Pb(t)λt
其中，Sb(t)为储能装置在t时刻的荷电状态，λt为储能进行充放电的时长，Sb 为储能装置的最小值，为储能装置的最大值；
(5)响应时间约束：
0＜resk≤Tk
Tk表示总调度周期内第k个调度周期的时间。
步骤S3：基于确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略后，针对风电场各机组在该预测时刻下分别对应的预测功率、以及风电场各机组在该预测时刻下分别对应的真实功率，进行反馈校正，得到风电场各机组在该预测时刻的下一时刻分别对应的修正预测值，修正预测值代替对应时刻的初始预测值，执行步骤S2：
所述反馈校正针执行以下步骤：
步骤S3.1：基于确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略后，针对风电场各机组在该预测时刻下分别对应的预测功率与风电场各机组在该预测时刻下分别对应的真实功率之间的误差，对功率预测模型进行误差分析与反馈校正；
预测模型的输出值存在误差，因此需要利用t+1时刻的预测值和t+1的输出值的误差进行误差校正，误差分析为：
步骤S3.2：基于err(t+1)对(t+2)时刻的预测值进行校正，校正过程为：
其中，为修正后的预测值代替初始预测值用于后续的滚动优化过程，h为反馈系数，可通过经验法确定。。
步骤S4，针对各预测时刻，基于功率预测模型，结合各滚动优化和反馈校正，进而协调控制风电场各机组和储能装置联合出力参与风储联合电站的一次调频。
一种基于模型预测控制的风储联合电站一次调频控制策略的系统，包括功率预测模型模块、滚动优化模块、反馈校正模块：
功率预测模型模块，用于通过风电场各机组在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率，预测风电场各机组在当前时刻向未来时间方向的预设时长段内分别对应的功率；
滚动优化模块，基于功率预测模型预测风电场各机组在预测时刻分别对应的功率，针对目标优化函数，以各风电场机组、储能装置的各预设约束条件为约束，进而确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略；
反馈校正模块，在该预测时刻滚动优化后，对功率预测模型进行误差分析与反馈校正。
一种电子设备，包括存储装置、一个或多个处理器，存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现一种基于模型预测控制的风储联合电站一次调频控制策略。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于模型预测控制的风储联合电站一次调频控制策略。
上述技术方案所设计一种基于模型预测控制的风储联合电站一次调频控制策略，本发明针对风电渗透率不断提高容易导致电力系统频率质量下降等问题，根据风电场出力的随机性、强耦合、难调控等特点，提出基于模型预测控制的风储联合电站一次调频控制策略。同时将风储、以及时间成本考虑在内，通过模型预测、滚动优化、反馈校正的方式控制风电场机组和储能装置的联合出力参与电力系统的一次调频，旨在通过滚动优化、反馈校正等方法实现风储联合系统更稳定、快速的调频效果，协调风电场内多个风电机组及储能装置统一参与电力系统的一次调频，保障风电机组和电力系统的频率稳定，在满足风电机组和储能装置自身约束条件下，实现电力系统频率的稳定。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于模型预测控制的风储联合电站一次调频控制策略，其特征在于：针对风储联合电站所在区域的储能装置、风电场各机组，执行以下步骤，协调控制风电场各机组和储能装置联合出力参与风储联合电站的一次调频：
步骤S1：基于风电场各机组在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率，建立功率预测模型，预测风电场各机组在当前时刻向未来时间方向的预设时长段内分别对应的功率；
步骤S2：基于预测当前时刻向未来时间方向的预设时长段内各时刻的连续性，针对功率预测模型预测风电场各机组在预测时刻分别对应的功率，迭代实时进行滚动优化，进而确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略；
步骤S3：基于确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略后，针对风电场各机组在该预测时刻下分别对应的预测功率、以及风电场各机组在该预测时刻下分别对应的真实功率，进行反馈校正，得到风电场各机组在该预测时刻的下一时刻分别对应的修正预测值，修正预测值代替对应时刻的初始预测值，执行步骤S2；
步骤S4，针对各预测时刻，基于功率预测模型，结合各滚动优化和反馈校正，进而协调控制风电场各机组和储能装置联合出力参与风储联合电站的一次调频；
所述步骤S2中，以风储联合电站所在区域内频率偏差尽快趋于0为优化目标，保证风电场机组和储能装置尽快完成一次调频分配的出力指令以及各机组出力的稳定性为约束条件，进行滚动优化；
所述滚动优化的优化目标为：
其中，J表示优化目标函数，min J表示优化目标函数的最小值，T表示总调度周期，t为当前时刻，I表示风电场机组的总数量，i表示第i个风电场电机组，Δf表示频率偏差，resk表示总调度周期内第k个周期的响应时间，j1和j2为两个权重参数，ΔPg为火电机组一次调频有功出力变化量，表示第i个风电场机组的预测功率，ΔPb表示储能装置一次调频的有功出力控制指令，ΔPl为负载功率变化量，/>为第i个风电场机组参加一次调频分配的有功出力控制指令，/>为t时刻第i个风电场机组的实际输出功率，储能装置响应时间忽略不计，/>表示t时刻风电机组i的爬坡速率，β为电力系统刚性系数。
2.根据权利要求1所述的一种基于模型预测控制的风储联合电站一次调频控制策略，其特征在于：所述步骤S1中，建立的功率预测模型为：
其中，为风电场I组机组在(t+1)时刻的功率预测序列，t为当前时刻，m表示选取历史每个时间步的数据，n表示未来每个时间步的数据，f(·)表示长短期记忆神经网络模型，f指代预测数据，h指代历史数据，/>表示在第(t-m+1)时刻的历史风电功率数据，G为预测功率信息所需要的环境数据。
3.根据权利要求1所述的一种基于模型预测控制的风储联合电站一次调频控制策略，其特征在于：所述步骤S1中，选用长短期记忆网络，基于风电场在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率进行训练，建立功率预测模型。
4.根据权利要求1所述的一种基于模型预测控制的风储联合电站一次调频控制策略，其特征在于：为了保证风电场机组和储能装置尽快完成一次调频分配的出力指令，并且保证各机组出力的稳定性，所述约束条件如下：
(1)风电场有功输出约束：
其中，P w,i表示第i个风电场机组的有功出力下限，表示第i个风电场机组的有功出力下限，/>为t时刻第i个风电场机组的实际输出功率，/>为第i个风电场机组在t时刻的功率预测值，即为有功出力动态上限值，ui(t)∈[0,1]为状态变量，其取值为1时表示第i个风电场机组可以参与调频，为0则表示第i个风电场机组不能参与调频；
(2)风电机组爬坡速率约束:
其中，表示在t时刻风电机组i的爬坡速率，ΔP w,i表示第i个风电场机组的爬坡速率允许下限，/>表示第i个风电场机组的爬坡速率允许上限；
(3)储能装置充放电功率上下限约束：
-Pr≤Pb(t)≤Pr
Pb(t)＝Pb(t-1)+ΔPb(t)
其中，Pr为储能装置的额定功率，Pb(t)储能装置t时刻的充放电功率，ΔPb(t)为储能装置t时刻的功率调节量；
(4)储能装置的荷电状态约束：
Sb(t)＝Sb(t-1)-Pb(t)λt
其中，Sb(t)为储能装置在t时刻的荷电状态，λt为储能进行充放电的时长，Sb 为储能装置的最小值，为储能装置的最大值；
(5)响应时间约束：
0<resk≤Tk
Tk表示总调度周期内第k个调度周期的时间。
5.根据权利要求1所述的一种基于模型预测控制的风储联合电站一次调频控制策略，其特征在于：所述步骤S3，所述反馈校正针执行以下步骤：
步骤S3.1：基于确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略后，针对风电场各机组在该预测时刻下分别对应的预测功率与风电场各机组在该预测时刻下分别对应的真实功率之间的误差，对功率预测模型进行误差分析与反馈校正；
误差分析为：
步骤S3.2：基于err(t+1)对(t+2)时刻的预测值进行校正，校正过程为：
其中，为修正后的预测值代替初始预测值用于后续的滚动优化过程，h为反馈系数。
6.一种基于模型预测控制的风储联合电站一次调频控制策略的系统，其特征在于：包括功率预测模型模块、滚动优化模块、反馈校正模块：
功率预测模型模块，用于通过风电场各机组在当前时刻向历史时间方向的预设时长段内各时刻分别对应的功率，预测风电场各机组在当前时刻向未来时间方向的预设时长段内分别对应的功率；
滚动优化模块，基于功率预测模型预测风电场各机组在预测时刻分别对应的功率，针对目标优化函数，以各风电场机组、储能装置的各预设约束条件为约束，进而确定该预测时刻下风电场各机组和储能装置联合出力参与风储联合电站的一次调频的控制策略；
反馈校正模块，在该预测时刻滚动优化后，对功率预测模型进行误差分析与反馈校正；
所述滚动优化模块，具体还用于：以风储联合电站所在区域内频率偏差尽快趋于0为优化目标，保证风电场机组和储能装置尽快完成一次调频分配的出力指令以及各机组出力的稳定性为约束条件，进行滚动优化；
所述滚动优化的优化目标为：
其中，J表示优化目标函数，min J表示优化目标函数的最小值，T表示总调度周期，t为当前时刻，I表示风电场机组的总数量，i表示第i个风电场电机组，Δf表示频率偏差，resk表示总调度周期内第k个周期的响应时间，j1和j2为两个权重参数，ΔPg为火电机组一次调频有功出力变化量，表示第i个风电场机组的预测功率，ΔPb表示储能装置一次调频的有功出力控制指令，ΔPl为负载功率变化量，/>为第i个风电场机组参加一次调频分配的有功出力控制指令，/>为t时刻第i个风电场机组的实际输出功率，储能装置响应时间忽略不计，/>表示t时刻风电机组i的爬坡速率，β为电力系统刚性系数。
7.一种电子设备，其特征在于：包括存储装置、一个或多个处理器，存储装置用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的一种基于模型预测控制的风储联合电站一次调频控制策略。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于模型预测控制的风储联合电站一次调频控制策略。
CN202111403367.4A 2021-11-24 2021-11-24 一种基于模型预测控制的风储联合电站一次调频控制策略 Active CN114336673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111403367.4A CN114336673B (zh) 2021-11-24 2021-11-24 一种基于模型预测控制的风储联合电站一次调频控制策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111403367.4A CN114336673B (zh) 2021-11-24 2021-11-24 一种基于模型预测控制的风储联合电站一次调频控制策略

Publications (2)

Publication Number Publication Date
CN114336673A CN114336673A (zh) 2022-04-12
CN114336673B true CN114336673B (zh) 2024-02-09

Family

ID=81046996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111403367.4A Active CN114336673B (zh) 2021-11-24 2021-11-24 一种基于模型预测控制的风储联合电站一次调频控制策略

Country Status (1)

Country Link
CN (1) CN114336673B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115833102B (zh) * 2022-12-08 2023-08-25 南方电网数字电网研究院有限公司 基于模型预测控制的风电场频率快速响应控制方法
CN115882480B (zh) * 2023-03-09 2023-06-16 国网江西省电力有限公司电力科学研究院 计及电网频率和电压支撑的储能系统优化控制方法及系统
CN116316915B (zh) * 2023-05-12 2023-08-08 武汉中元华电科技股份有限公司 计及功率预测误差的风电场有功出力优化控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167372A (zh) * 2018-08-14 2019-01-08 中国电力科学研究院有限公司 基于分层分布式模型预测控制的风电集群综合频率控制方法及系统
CN110165707A (zh) * 2019-02-26 2019-08-23 国网吉林省电力有限公司 基于卡尔曼滤波和模型预测控制的光储系统优化控制方法
CN113098029A (zh) * 2021-04-08 2021-07-09 湖南大学 一种基于风电短期预测的风储联合调频控制方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167372A (zh) * 2018-08-14 2019-01-08 中国电力科学研究院有限公司 基于分层分布式模型预测控制的风电集群综合频率控制方法及系统
CN110165707A (zh) * 2019-02-26 2019-08-23 国网吉林省电力有限公司 基于卡尔曼滤波和模型预测控制的光储系统优化控制方法
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
CN113098029A (zh) * 2021-04-08 2021-07-09 湖南大学 一种基于风电短期预测的风储联合调频控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
储能参与风电一次调频的容量优化;苗福丰;唐西胜;齐智平;;电工电能新技术(第04期);全文 *
风电功率预测系统评价方法研究;吴阳阳;黄礼波;林建平;李阳春;;应用能源技术(第12期);全文 *

Also Published As

Publication number Publication date
CN114336673A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN114336673B (zh) 一种基于模型预测控制的风储联合电站一次调频控制策略
WO2017186178A1 (zh) 储能电站自适应动态规划的控制方法、系统和存储介质
CN112186811B (zh) 一种基于深度强化学习的agc机组动态优化方法
CN112398115B (zh) 一种基于改进模型预测控制的多时间尺度火电-光伏-抽水蓄能联合优化调度方案
CN113098029B (zh) 一种基于风电短期预测的风储联合调频控制方法
CN108599194B (zh) 一种计及储能浅充浅放需求的调频控制方法
CN111697578A (zh) 多目标含储能区域电网运行控制方法
CN110048438A (zh) 一种基于模型预测控制的配电网馈线级负荷功率控制方法
CN115102239A (zh) 一种考虑soc均衡的储能电站一次调频控制方法及系统
CN111654054A (zh) 一种储能基于自适应神经网络(ann)平抑短期风电波动的控制方法
CN114336592B (zh) 一种基于模型预测控制的风电场agc控制方法
CN115986720A (zh) 自适应氢负荷波动的新能源制氢系统协调控制方法、装置、电子设备和存储介质
CN114938005A (zh) 一种风储电站参与电网一次调频的双层控制方法和装置
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
CN111049195B (zh) 一种agc参数优化方法及装置
CN108631368B (zh) 计及储能运行损耗下风储系统联合调度的储能配置方法
CN113690950B (zh) 一种基于稳定经济模型预测控制的电动汽车辅助传统机组联合调频控制方法
CN116316553A (zh) 一种氢电耦合系统多时间尺度分层运行控制方法
CN115271194A (zh) 基于多变量预测控制的综合能源系统双层优化运行方法
CN105207220A (zh) 一种基于渐进学习的分级电压调控方法
CN111749847B (zh) 一种风力发电机桨距在线控制方法、系统和设备
CN111563699B (zh) 考虑灵活性需求的电力系统分布鲁棒实时调度方法及系统
CN116073403B (zh) 一种模糊逻辑控制驱动下的风电功率波动平抑方法
CN110233486A (zh) 基于主动预测soc的储能辅助模糊pid控制方法
CN114884057B (zh) 一种自适应步长双闭环mpc优化调度方法

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