CN115001037B - 一种多目标多时间尺度协同的储能系统调度运行方法 - Google Patents

Abstract

本发明公开了一种多目标多时间尺度协同的储能系统调度运行方法，针对储能装置应用场景单一、利用效率低等难题，在日前调度阶段，优化储能系统出力使系统的运行成本最低；在日内调度阶段，针对新能源出力和负荷预测偏差，进行多目标二次规划，使用模型预测控制对优化变量(如储能充放电功率、燃煤机组出力、联络线功率等)进行滚动修正；二次优化模型中通过合理设置两个权重系数矩阵Q和R，可以针对减少联络线功率、燃煤机组出力、储能出力、储能SoC状态的波动多个目标协同优化待优化变量。本发明可在保证系统经济性的前提下对储能运行进行多目标优化，提升储能系统的利用效率。

Description

一种多目标多时间尺度协同的储能系统调度运行方法

技术领域

本发明涉及新能源场站储能优化运行领域，具体地，涉及一种多目标多时间尺度协同的储能系统调度运行方法。

背景技术

近年来，随着能源危机和环境问题的日益突出，风能、光伏等分布式能源在世界范围内迅速发展。但由于分布式可再生能源发电的间歇性和波动性，其融入主电网将产生一定的冲击影响，一方面会影响电能质量，如电压、频率不稳定，另一方面也会降低系统的惯性，导致系统的调频能力下降。此外，新能源出力普遍还具有反调峰特性，非高负荷期间的过量新能源发电量很难被及时地消耗，从而降低了新能源的消纳率。区域电网作为一个拥有高效能源管理系统(EMS)和协调控制技术的电力市场实体，不仅可以有效缓解分布式能源接入对电网的影响，还可以为用户带来附加效益。

针对于上述问题，目前的解决方案有多种，如风机的虚拟惯量控制、需求侧响应等，但最有潜力的是在新能源场站添加储能装置。储能装置具有四象限调节能力和能量时移特性，足够大的容量能很好地改善新能源出力反调峰特性的问题，此外储能装置一般以锂电池等作为基础的储能单元，其功率大、响应快，因此能对新能源出力的波动起到很好的平滑作用。但目前储能系统的控制方案一般是平滑新能源出力波动、调峰调频等，较少关注送出通道的波动问题，且很少有针对储能的多目标控制策略，储能装置的利用率普遍不高。

因此，对于新能源出力波动对电网有害，储能系统功能单一、效率低下等问题，本发明提出一种多目标多时间尺度协同的储能系统调度运行方法，以减小新能源出力波动对电网的影响，提高储能的利用效率。

发明内容

针对上述问题，本发明的目的在于提出一种多目标多时间尺度协同的储能系统调度运行方法，在提升新能源出力预测精度的同时，对储能系统的运行进行多时间尺度滚动的多目标优化，以减小新能源出力波动对电网的影响，提升储能的利用效率。

为实现上述目的，本发明采用的技术方案是：

一种多目标多时间尺度协同的储能系统调度运行方法，基于多时间尺度滚动优化框架，通过对系统状态变量跟踪日前计划值的误差的权重系数矩阵Q和输入控制量的权重系数矩阵R的设置，达成多目标优化的效果，包括以下步骤：

步骤1：日前优化调度模型的构建；省级区域电网利用阶梯电价和储能时移能量的特性，通过在高电价期间向电网售电获取一定的收益，日前优化调度模型以最小化综合成本为目标，主要包括系统运行成本和售电收益，其数学表达式如下所示：

其中，C_da为日前优化调度综合成本；为燃煤机组成本函数，其综合考虑了燃煤机组的燃料费用、运行维护成本以及环境惩罚成本，/>为燃煤机组的实时输出功率；/>和分别为储能电池的运行维护成本和出力，/>表示储能系统放电，反之则是充电；为区域电网通过联络线向大电网售电或者购电的实时收益或成本，/>和/>为向电网购电或者售电的实时电价，/>为区域电网与大电网的交互功率，当/>时区域电网向大电网购电，当/>时区域电网向大电网出售电；/>分别为风电、光伏的运行维护及发电成本，/>分别为风电、光伏的发电功率；a_g,b_g,c_g分别为燃煤机组运行成本的二次项、一次项、常数项系数，a_e,b_e分别为储能装置运行维护成本的一次项、常数项系数，a_w,b_w为风机运行成本的一次项、常数项系数，a_v,b_v分别为光伏运行成本的一次项、常数项系数；

储能系统约束：

其中，和/>分别为储能出力的上下限；与此同时，储能出力也影响储能荷电状态SoC的更新，具体如下：

soc^min≤soc^t≤soc^max (9)

式中，soc^t表示SoC的实时状态，soc^min,soc^max分别为储能充放电深度区间的上下限；σ为储能的自放电系数；E_rated为储能系统的额定容量；η_c,η_d分别为储能的充电和放电效率系数；

同时，日前调度也需要满足如下的约束条件：电网功率平衡约束；燃煤机组出力上下限约束、爬坡约束；联络线功率上下限约束；

构建的日前优化调度模型即式(1)～式(9)使用改进的遗传算法进行求解；

步骤2：日内滚动多目标优化模型的构建；模型预测控制MPC是一种基于多变量控制策略，其核心在于滚动优化策略及根据当前状态和控制量的历史状态，不断迭代得到预测区间(k+Δt)～(k+N_p×Δt)上每一时刻的状态，以最优值方程为目标，结合二次规划，得到每一步的最优控制量；选取燃煤机组的出力、储能充放电功率、储能状态、以及联络线的交换功率为状态变量x(k)；分别以燃煤机组、储能电池以及联络线交换功率的增量为控制变量u(k)，得到区域电网的多输入多输出的状态空间模型，x(k+Δt)＝Ax(k)+Βu(k)，具体如下式所示：

其中，P_g(k)、P_e(k)、soc(k)、P_grid(k)分别为k时段内燃煤机组出力、储能出力、储能荷电状态、联络线功率；预测区间长度为N_p，基于控制变量的迭代，向前预测N_p步，经过推导得到区域电网系统在预测时长Ν_p×Δt内的状态向量序列X(k,N_p)＝A′x(k)+B′U，如下所示：

其中，x(k)、u(k)分别为系统在k时段的状态量和控制变量，X(k,N_p)为系统在Ν_p×Δt时段内的状态向量序列；

针对日前预测的新能源出力和负荷都与实际值存在较大偏差，如果不加以修正调整，可能会造成储能装置提前达到充放电边界无法继续提供能量支撑，联络线功率剧烈波动对主网造成冲击，燃煤机组受限于爬坡功率无法及时响应功率缺额的问题，通过联立模型预测控制模型即式(10)和式(11)与二次规划模型即式(12)形成了日内滚动多目标优化模型，设置对应于系统状态变量的权重系数矩阵Q和控制变量的权重系数矩阵R，对系统可能出现的剧烈偏差情况进行预测和及时修正，二次规划模型与权重修正过程如下式所示；

Q＝diag[q(k+1) q(k+2) … q(k+N_p)] (13)

R＝diag[r(k+1) r(k+2) … r(k+N_p)] (14)

q(k+1)＝q(k+2)＝…＝q(k+N_p)＝diag[q_g,q_e,q_soc,q_grid] (15)

r(k+1)＝r(k+2)＝…＝r(k+N_p)＝diag[r_g,r_e,r_grid] (16)

其中，Q为系统状态变量跟踪日前计划值的误差的权重系数矩阵，R为输入控制量的权重系数矩阵；联立式(10)，Q和R矩阵的构建如式(13)-(16)所示，取各步长的子系数矩阵均相同；区域电网的燃煤机组装机为P_G，联络线最大传输功率为P_line，则系数取值为考虑到优化目标为减小跟踪各状态变量误差，设置输入控制变量子矩阵各系数较小值，即r_g＝r_e＝r_grid＝10^-4；

权重系数子矩阵q和r的系数对应系统的控制变量和状态变量的偏移程度，对应的系数越大，其目标期望误差越小；通过更改权重系数子矩阵q和r来实现对控制变量和状态变量的优化控制，能够对减少联络线功率波动、燃煤机组出力波动、储能出力波动、储能SoC状态波动多个目标进行优化；

至此，式(10)～(16)为本步骤构建的日内滚动多目标优化模型；

步骤3：形成多目标多时间尺度协同的储能系统调度运行方法；区域电网主要包括了分布式光伏、风机，燃煤机组，以及包含储能电池的能量管理系统；在日前阶段，基于新能源出力和负荷的预测数据，以经济最优为目标，利用改进的遗传算法求解日前优化调度模型，制定开机计划；在日内阶段，结合最新的预测数据，利用建立的模型预测控制模型即式(10)和式(11)修正区域电网系统的状态变量，再结合多目标权重系数矩阵Q、R，将日内滚动优化调度转变为一个二次规划问题，求解二次规划模型即式(12)得到下一时间段的出力组合，形成了多目标多时间尺度协同的储能系统调度运行方法。

和现有方法相比较，本发明具备如下优点：

形成了多目标多时间尺度协同的储能系统调度运行方法，在日前阶段对第二天的机组开机进行优化，可以有效降低区域电网的运行成本；在日内阶段，可以根据系统状态的偏移程度选取对应的权重系数矩阵，通过协调灵活性资源的出力，可以对减少联络线功率、燃煤机组出力、储能出力、储能SoC状态的波动多个目标进行优化，可以在减少新能源出力波动对电网影响的同时，提高储能的利用效率，得到最优的出力组合。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例所述一种多目标多时间尺度协同的储能系统调度运行方法流程图；

图2为本发明实施例所述算例优化后的燃煤机组和储能的出力曲线。

图3为本发明实施例所述算例优化后与计划的联络线功率曲线。

图4为本发明实施例所述算例中不同权重系数下储能SoC的变化曲线。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，本发明实施例的一种多目标多时间尺度协同的储能系统调度运行方法，主要包括：输入区域电网相关参数，形成日前优化调度模型和日内滚动多目标优化模型；利用深度学习网络预测日前新能源场站的出力，并基于预测数据求解日前优化调度模型；在日内阶段，基于最新的新能源预测数据，联立MPC滚动预测模型，求解日内滚动多目标优化模型，更新下一时间的出力组合。

本实施例一种多目标多时间尺度协同的储能系统调度运行方法，包括以下步骤：

步骤一：输入区域电网参数。

区域电网联络线的最大上下行功率为80kW，爬坡率可忽略不计，其他分布式电源参数如下表所示。

表1区域电网分布式电源参数

步骤二：实时修正新能源预测偏差，求解日内滚动多目标优化模型。

在此阶段，预测区间时长为2h，每隔15min进行一次滚动优化调度，并得出下一个调度周期的最优控制量，一天内总共滚动优化96次。

优化后的燃煤机组和储能的出力如图2所示，为了保证联络线功率和SOC跟踪日前计划值，会根据新能源出力的实时预测数据提前修正燃煤机组出力。但在某些情况下，如15:00～18:00，燃煤机组爬升功率不足，储能系统会临时放电，以满足功率平衡的需求。

优化后的联络线功率如图3所示。与未优化的结果相比，优化后联络线功率能更好地跟踪日前计划值。且因日前预测误差而频繁波动，减少了分布式可再生能源发电波动对大电网的影响。

不同权重系数下优化后的储能SoC值如图4所示。可以看出，储能的SoC权重系数越大，SoC对日前值的跟踪越好，电池也就会留有一定的余量来应对区域电网的负荷突增或发电机停运等突发情况。但是SoC的权系数越大，联络线功率的控制就越困难，所以合适的权系数取决于具体情况。

最后应说明的是：以上所述仅为本发明的一个实施例，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种多目标多时间尺度协同的储能系统调度运行方法，其特征在于：基于多时间尺度滚动优化框架，通过对系统状态变量跟踪日前计划值的误差的权重系数矩阵Q和输入控制量的权重系数矩阵R的设置，达成多目标优化的效果，包括以下步骤：

步骤1：日前优化调度模型的构建；省级区域电网利用阶梯电价和储能时移能量的特性，通过在高电价期间向电网售电获取一定的收益，日前优化调度模型以最小化综合成本为目标，主要包括系统运行成本和售电收益，其数学表达式如下所示：

其中，C_da为日前优化调度综合成本；为燃煤机组成本函数，其综合考虑了燃煤机组的燃料费用、运行维护成本以及环境惩罚成本，/>为燃煤机组的实时输出功率；/>和/>分别为储能电池的运行维护成本和出力，/>表示储能系统放电，反之则是充电；/>为区域电网通过联络线向大电网售电或者购电的实时收益或成本，/>和/>为向电网购电或者售电的实时电价，/>为区域电网与大电网的交互功率，当/>时区域电网向大电网购电，当/>时区域电网向大电网出售电；/>分别为风电、光伏的运行维护及发电成本，/>分别为风电、光伏的发电功率；a_g,b_g,c_g分别为燃煤机组运行成本的二次项、一次项、常数项系数，a_e,b_e分别为储能装置运行维护成本的一次项、常数项系数，a_w,b_w为风机运行成本的一次项、常数项系数，a_v,b_v分别为光伏运行成本的一次项、常数项系数；

储能系统约束：

其中，和/>分别为储能出力的上下限；与此同时，储能出力也影响储能荷电状态SoC的更新，具体如下：

soc^min≤soc^t≤soc^max (9)

式中，soc^t表示SoC的实时状态，soc^min,soc^max分别为储能充放电深度区间的上下限；σ为储能的自放电系数；E_rated为储能系统的额定容量；η_c,η_d分别为储能的充电和放电效率系数；

同时，日前调度也需要满足如下的约束条件：电网功率平衡约束；燃煤机组出力上下限约束、爬坡约束；联络线功率上下限约束；

构建的日前优化调度模型即式(1)～式(9)使用改进的遗传算法进行求解；

步骤2：日内滚动多目标优化模型的构建；模型预测控制MPC是一种基于多变量控制策略，其核心在于滚动优化策略及根据当前状态和控制量的历史状态，不断迭代得到预测区间(k+Δt)～(k+N_p×Δt)上每一时刻的状态，以最优值方程为目标，结合二次规划，得到每一步的最优控制量；选取燃煤机组的出力、储能充放电功率、储能状态、以及联络线的交换功率为状态变量x(k)；分别以燃煤机组、储能电池以及联络线交换功率的增量为控制变量u(k)，得到区域电网的多输入多输出的状态空间模型，x(k+Δt)＝Ax(k)+Βu(k)，具体如下式所示：

其中，P_g(k)、P_e(k)、soc(k)、P_grid(k)分别为k时段内燃煤机组出力、储能出力、储能荷电状态、联络线功率；预测区间长度为N_p，基于控制变量的迭代，向前预测N_p步，经过推导得到区域电网系统在预测时长Ν_p×Δt内的状态向量序列X(k,N_p)＝A′x(k)+B′U，如下所示：

其中，x(k)、u(k)分别为系统在k时段的状态量和控制变量，X(k,N_p)为系统在Ν_p×Δt时段内的状态向量序列；

针对日前预测的新能源出力和负荷都与实际值存在较大偏差，如果不加以修正调整，可能会造成储能装置提前达到充放电边界无法继续提供能量支撑，联络线功率剧烈波动对主网造成冲击，燃煤机组受限于爬坡功率无法及时响应功率缺额的问题，通过联立模型预测控制模型即式(10)和式(11)与二次规划模型即式(12)形成了日内滚动多目标优化模型，设置对应于系统状态变量的权重系数矩阵Q和控制变量的权重系数矩阵R，对系统可能出现的剧烈偏差情况进行预测和及时修正，二次规划模型与权重修正过程如下式所示；

Q＝diag[q(k+1) q(k+2) … q(k+N_p)] (13)

R＝diag[r(k+1) r(k+2) … r(k+N_p)] (14)

q(k+1)＝q(k+2)＝…＝q(k+N_p)＝diag[q_g,q_e,q_soc,q_grid] (15)

r(k+1)＝r(k+2)＝…＝r(k+N_p)＝diag[r_g,r_e,r_grid] (16)

其中，Q为系统状态变量跟踪日前计划值的误差的权重系数矩阵，R为输入控制量的权重系数矩阵；联立式(10)，Q和R矩阵的构建如式(13)-(16)所示，取各步长的子系数矩阵均相同；区域电网的燃煤机组装机为P_G，联络线最大传输功率为P_line，则系数取值为q_soc＝P_G,q_grid＝P_line/P_G，考虑到优化目标为减小跟踪各状态变量误差，设置输入控制变量子矩阵各系数较小值，即r_g＝r_e＝r_grid＝10^-4；

权重系数子矩阵q和r的系数对应系统的控制变量和状态变量的偏移程度，对应的系数越大，其目标期望误差越小；通过更改权重系数子矩阵q和r来实现对控制变量和状态变量的优化控制，能够对减少联络线功率波动、燃煤机组出力波动、储能出力波动、储能SoC状态波动多个目标进行优化；

至此，式(10)～(16)为本步骤构建的日内滚动多目标优化模型；

步骤3：形成多目标多时间尺度协同的储能系统调度运行方法；区域电网主要包括了分布式光伏、风机，燃煤机组，以及包含储能电池的能量管理系统；在日前阶段，基于新能源出力和负荷的预测数据，以经济最优为目标，利用改进的遗传算法求解日前优化调度模型，制定开机计划；在日内阶段，结合最新的预测数据，利用建立的模型预测控制模型即式(10)和式(11)修正区域电网系统的状态变量，再结合多目标权重系数矩阵Q、R，将日内滚动优化调度转变为一个二次规划问题，求解二次规划模型即式(12)得到下一时间段的出力组合，形成了多目标多时间尺度协同的储能系统调度运行方法。