CN115021285A - 基于鲁棒模型预测控制的电池储能参与风电波动平抑方法 - Google Patents
基于鲁棒模型预测控制的电池储能参与风电波动平抑方法 Download PDFInfo
- Publication number
- CN115021285A CN115021285A CN202210873872.3A CN202210873872A CN115021285A CN 115021285 A CN115021285 A CN 115021285A CN 202210873872 A CN202210873872 A CN 202210873872A CN 115021285 A CN115021285 A CN 115021285A
- Authority
- CN
- China
- Prior art keywords
- wind power
- energy storage
- battery energy
- storage system
- prediction
- 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.)
- Pending
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- 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
- H02J3/381—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
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于鲁棒模型预测控制的电池储能参与风电波动平抑方法,首先,针对风电预测出力可能存在的最大误差,构建风电不确定性集,以更全面地考虑风电出力的不确定性为目标,基于鲁棒优化原理建立含风电不确定性集的风电波动平抑模型,根据对偶理论将建立的min‑max双层优化问题转化为单层确定性优化问题。其次,针对BESS参与平抑风电波动可能出现充放电裕度不足的问题,对储能电池荷电状态的优化,确保BESS具有足够的裕度平抑风电波动。最后,为了应对风电预测数据准确度随预测时域增大而降低的问题,基于模型预测控制原理,根据风电场滚动上报未来4h的超短期预测数据进行滚动优化控制BESS,提出基于鲁棒模型预测控制的风电波动平抑策略。
Description
技术领域
本发明涉及电池储能参与风电波动平抑技术领域,尤其涉及一种基于鲁棒模型预测控制的电池储能参与风电波动平抑方法。
背景技术
高比例风电并网功率波动易造成电力系统有功功率不平衡,破坏系统频率稳定性,甚至引起大规模切负荷,严重威胁着电力系统的安全经济运行。近几年,采用充/放电灵活的电池储能系统(Battery Energy Storage System,BESS)平抑风电出力波动的技术引起了广泛关注。然而,风电出力的不确定性及其预测误差将会影响BESS平抑风电出力波动的效果。因此,在制定BESS平抑风电出力波动的控制策略时,需要考虑风电出力可能存在的预测误差,从而提高BESS平抑风电出力波动的效果。此外,BESS需要时刻保持较强的充放电能力,以便能够应对和平抑未来风电出力的波动。
目前,针对电池储能系统参与平抑风电波动的优化控制方法,主要有基于小波包分解、经验模态分解等时频分析的控制方法和基于模型预测控制(Model PredictiveControl,MPC)的控制方法。
基于时频分析的控制方法主要针对风电的历史出力曲线展开研究,缺少对风电场未来预测信息的有效利用,其储能系统的控制指令仅根据当前时刻风电出力信息计算得到,在实际工程中存在一定程度的时间滞后性。
MPC作为一种综合考虑系统动态性能、控制目标及约束条件的滚动优化控制算法,可以根据未来一段时间的风电预测功率决策当前时刻的储能控制策略。传统MPC采用滚动时域的优化方式,使其具有一定的鲁棒性,但传统MPC并非为应对系统不确定性而设计。若风电预测功率与实际出力存在较大误差时,仅依靠传统MPC的控制方法不足以应对风电出力的强不确定性。
针对考虑预测误差的风电波动平抑问题,上述两种优化控制方法均存在不同方面的弊端,这将导致传统的风电波动平抑技术无法实现预期效果。
发明内容
本发明针对现有技术存在的缺陷和不足,本发明提出一种基于鲁棒模型预测控制的电池储能参与风电波动平抑方法。
其设计要点包括:
(1)针对风电预测出力可能存在的最大误差,构建风电不确定性集。以更全面地考虑风电出力的不确定性为目标,基于鲁棒优化原理建立含风电不确定性集的风电波动平抑模型,根据对偶理论将建立的min-max双层优化问题转化为单层确定性优化问题,使模型易于求解。
(2)针对BESS参与平抑风电波动可能出现充放电裕度不足的问题,本方法所建模型包含对储能电池荷电状态的优化,确保BESS具有足够的裕度平抑风电波动。为了应对风电预测数据准确度随预测时域增大而降低的问题,基于模型预测控制原理,根据风电场滚动上报未来4h的超短期预测数据进行滚动优化控制BESS,提出基于鲁棒模型预测控制的风电波动平抑策略。
本发明具体采用以下技术方案:
一种基于鲁棒模型预测控制的电池储能参与风电波动平抑方法,其特征在于,包括以下步骤:
步骤S1:在优化开始时,基于风电场滚动上报的风电预测数据,构建风电不确定性集Uk+N-1|k;
步骤S2:构建基于鲁棒模型预测控制的风电波动平抑模型,根据对偶转换将模型的min-max双层优化问题转化为单层确定性优化问题;
步骤S3:在k时刻优化计算得到未来预测时域N内的最优控制序列Zk={Pb(k+1),…,Pb(k+i),…Pb(k+N-1)};
步骤S4:将最优控制序列Zk的第一个值Pb(k+1)作用于风储系统,计算更新状态变量SOC(k+1)、Pg(k+1)并反馈至系统用于构建下一个时刻的风电波动平抑模型;
步骤S5:若优化时刻已经超过控制时长,则结束优化,否则时间滚动至下一时刻,并返回步骤S1。
进一步地,所述基于鲁棒模型预测控制的风电波动平抑模型包括:
风电不确定性集Uk+N-1|k表示为:
式中:Pw(k)表示k时刻风电场的实际输出功率,表示k时刻风电功率的预测值,表示k时刻风电功率预测的允许最大误差值,Г为预测时域内的波动时段数,在[0,N]范围内取整数值,其大小影响着控制策略的鲁棒性,N表示预测时域长度,β(k)为预测误差系数,取值为{0,1};
在每个滚动优化时段,目标函数为:
式中:k表示滚动的起始时刻,k=[1,2,…M],M为总时长;Pg(k+i)表示k+i时刻风储联合发电系统并网功率,Pb(k+i)表示k+i时刻BESS输出功率,SOC(k+i)表示k+i时刻储能电池荷电状态,SOCb为储能电池的最佳荷电状态,N为预测时域长度,a和b为权重系数;
约束条件包括:
风储联合发电系统并网功率约束:
Pg(k+1)=Pb(k)+Pw(k) (3)
|Pg(k+i+1)-Pg(k+i)|≤δ,i=0,1,...,N-1 (4)
式中:δ表示风储系统并网功率波动限值;
电池储能系统运行约束:
电池储能系统在第k个时刻的SOC与该时段的充/放电功率和前一时段的荷电状态有关:
电池储能系统运行受电池荷电状态和最大充放电功率约束;由于同一时刻电池储能系统只能进行充电或放电,因此,引入0/1变量用于表示电池储能系统充放电状态:
进一步地,所述基于鲁棒模型预测控制的风电波动平抑模型的求解包括以下过程:
将基于鲁棒模型预测控制的风电波动平抑模型描述如下:
式中:Xk+N-1|k表示在k时刻求得未来k+N-1个控制时段的决策变量;Uk+N-1|k表示在k时刻构建未来k+N-1个控制时段的风电不确定性集;C表示正定矩阵,A、B、I是常量系数矩阵;约束式AXk+N-1|k≤d表示确定性变量的不等式约束;约束式BXk+N-1|k=e表示确定性变量的等式约束;约束式IXk+N-1|k=Uk+N-1|k表示含不确定性变量的等式约束;
上述模型为含不确定性变量的min-max优化模型,导致该优化问题难以借助求解器求解;为了求解该模型,根据强对偶理论将原min-max优化问题转化为确定性优化问题,原问题的对偶问题表示如下:
式中:λ1、λ2和λ3分别为对应约束的对偶变量;
将风电不确定性集Uk+N-1|k代入式(8),并采用Big-M法(处理状态变量与连续变量相乘的双线性项,获得:
此时,仅取最优控制序列的第一个分量Pb(k+1)发送至电池储能系统,随着时间向前推移,预测时域也向前滚动,基于更新的系统信息与预测数据,重复上述过程以实现滚动鲁棒优化。
本发明及其优选方案增强了风储并网系统应对风电出力不确定性的能力,在风电预测误差范围下可以有效地实现BESS对风电波动的平抑。基于风储系统并网功率波动限制和BESS实际运行约束,在平抑风电功率波动的同时,从保护储能电池的角度,降低BESS充放电总能量,兼顾各个时刻BESS出力能力,使得BESS具有较强应对未来风电出力不确定性的能力。基于风电场滚动上报的未来4h超短期预测数据,考虑风电场可能存在的最大预测误差,构建风电不确定性集。相较于传统不考虑风电预测误差的确定性平抑方法,本方法的风电波动平抑效果将随着风电预测误差的增大而愈加显著,提高了风储并网系统适应不确定性环境的能力。此外,风电预测数据准确度随着预测时域的缩短而提高,本方法根据风电场上报的超短期预测数据进行滚动优化,因而能够提高风电平抑策略的有效性。最后,本方法所提鲁棒模型预测控制策略能够使得风储系统在其最恶劣条件下仍能实现平抑效果,因而电力调度部门可根据不同预测误差水平的要求,为风电场灵活配置合适容量的BESS并对其进行合理的控制和调度。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例基于鲁棒模型预测控制的风电波动平抑策略图。
图2为本发明实施例控制流程示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
为让本专利的特征和优点能更明显易懂,下文特举实施例,并配合附图,作详细说明如下:
本实施例提出的基于鲁棒模型预测控制的电池储能参与风电波动平抑方法。首先,针对风电预测出力可能存在的最大误差,构建风电不确定性集,以更全面地考虑风电出力的不确定性为目标,基于鲁棒优化原理建立含风电不确定性集的风电波动平抑模型,根据对偶理论将建立的min-max双层优化问题转化为单层确定性优化问题,使模型易于求解。其次,针对BESS参与平抑风电波动可能出现充放电裕度不足的问题,对储能电池荷电状态的优化,确保BESS具有足够的裕度平抑风电波动。最后,为了应对风电预测数据准确度随预测时域增大而降低的问题,基于模型预测控制原理,根据风电场滚动上报未来4h的超短期预测数据进行滚动优化控制BESS,提出基于鲁棒模型预测控制的风电波动平抑策略。
其具体包括以下设计:
1、基于鲁棒模型预测控制的风电波动平抑模型
(1)风电不确定性集
传统的风电出力波动平抑策略仅依靠风电的点预测数据做出储能系统的优化控制,而本实施例方案所提策略考虑了风电出力的不确定性,根据风电功率预测值可能的误差范围,将风电出力以不确定性集Uk+N-1|k表示:
式中:Pw(k)表示k时刻风电场的实际输出功率,表示k时刻风电功率的预测值,表示k时刻风电功率预测的允许最大误差值,Г为预测时域内的波动时段数,在[0,N]范围内取整数值,其大小影响着控制策略的鲁棒性,N表示预测时域长度,β(k)为预测误差系数,取值为{0,1}。
(2)目标函数
鲁棒优化在不确定性参数处于最恶劣情况下最小化目标函数。因此,本实施例方案在风储联合发电系统处于其最恶劣运行场景下仍能实现对风电波动平抑,则其余运行场景下也可满足电网对风电并网功率的要求。
本实施例在平抑风电功率波动满足并网要求的前提下,从保护储能电池的角度,降低储能输出总能量,同时兼顾各储能平抑风电的出力能力。在每个滚动优化时段,基于鲁棒MPC的风电波动平抑模型目标函数为:
式中:k表示滚动的起始时刻,k=[1,2,…M],M为仿真总时长。Pg(k+i)表示k+i时刻风储联合发电系统并网功率,Pb(k+i)表示k+i时刻BESS输出功率,SOC(k+i)表示k+i时刻储能电池荷电状态,SOCb为储能电池的最佳荷电状态,本实施例取0.5,N为预测时域长度,a和b为权重系数。
(3)约束条件
①风储联合发电系统并网功率约束:
Pg(k+1)=Pb(k)+Pw(k) (3)
|Pg(k+i+1)-Pg(k+i)|≤δ,i=0,1,...,N-1 (4)
式中:δ表示风储系统并网功率波动限值。
②电池储能系统运行约束:
电池储能系统在第k个时刻的SOC与该时段的充/放电功率和前一时段的荷电状态有关。
电池储能系统运行受电池荷电状态和最大充放电功率约束。由于同一时刻电池储能系统只能进行充电或放电,因此,引入0/1变量用于表示电池储能系统充放电状态。
2、模型求解
基于鲁棒模型预测控制的风储发电系统功率波动平抑模型描述如下:
式中:Xk+N-1|k表示在k时刻求得未来k+N-1个控制时段的决策变量;Uk+N-1|k表示在k时刻构建未来k+N-1个控制时段的风电不确定性集;C表示正定矩阵,A、B、I是常量系数矩阵。约束式AXk+N-1|k≤d表示确定性变量的不等式约束;约束式BXk+N-1|k=e表示确定性变量的等式约束;约束式IXk+N-1|k=Uk+N-1|k表示含不确定性变量的等式约束。
上述模型为含不确定性变量的min-max优化模型,导致该优化问题难以借助求解器求解。为了求解该模型,本实施例根据强对偶理论将原min-max优化问题转化为确定性优化问题,原问题的对偶问题可表示如下:
式中:λ1、λ2和λ3分别为对应约束的对偶变量。
进一步地,将风电不确定性集Uk+N-1|k代入式(8),并采用Big-M法(即大M法(big Mmethod)是线性规划问题的约束条件(=)等式或(≥)大于型时,使用人工变量法后,寻找其初始基可行解的一种方法)处理状态变量与连续变量相乘的双线性项,可得:
此时,仅取最优控制序列的第一个分量Pb(k+1)发送至电池储能系统,随着时间向前推移,预测时域也向前滚动,基于更新的系统信息与预测数据,重复上述过程以实现滚动鲁棒优化。
3、方法流程
如图1、图2所示,基于以上设计,本实施例提出的基于鲁棒模型预测控制的电池储能平抑风电波动方法具体步骤如下:
步骤S1:在优化开始时,基于风电场滚动上报的风电预测数据,构建风电不确定性集Uk+N-1|k;
步骤S2:构建基于鲁棒模型预测控制的风电波动平抑模型,根据对偶转换将模型的min-max双层优化问题转化为单层确定性优化问题;
步骤S3:在k时刻优化计算得到未来预测时域N内的最优控制序列Zk={Pb(k+1),…,Pb(k+i),…Pb(k+N-1)};
步骤S4:将最优控制序列Zk的第一个值Pb(k+1)作用于风储系统,计算更新状态变量SOC(k+1)、Pg(k+1)并反馈至系统用于构建下一个时刻的风电波动平抑模型;
步骤S5:若优化时刻已经超过控制时长,则结束优化,否则时间滚动至下一时刻,并返回步骤S1。
以上所述是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进接润饰,这些改进和润饰也视为本发明的保护范围。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于鲁棒模型预测控制的电池储能参与风电波动平抑方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (3)
1.一种基于鲁棒模型预测控制的电池储能参与风电波动平抑方法,其特征在于,包括以下步骤:
步骤S1:在优化开始时,基于风电场滚动上报的风电预测数据,构建风电不确定性集Uk+N-1|k;
步骤S2:构建基于鲁棒模型预测控制的风电波动平抑模型,根据对偶转换将模型的min-max双层优化问题转化为单层确定性优化问题;
步骤S3:在k时刻优化计算得到未来预测时域N内的最优控制序列Zk={Pb(k+1),…,Pb(k+i),…Pb(k+N-1)};
步骤S4:将最优控制序列Zk的第一个值Pb(k+1)作用于风储系统,计算更新状态变量SOC(k+1)、Pg(k+1)并反馈至系统用于构建下一个时刻的风电波动平抑模型;
步骤S5:若优化时刻已经超过控制时长,则结束优化,否则时间滚动至下一时刻,并返回步骤S1。
2.根据权利要求1所述的基于鲁棒模型预测控制的电池储能参与风电波动平抑方法,其特征在于:所述基于鲁棒模型预测控制的风电波动平抑模型包括:
风电不确定性集Uk+N-1|k表示为:
式中:Pw(k)表示k时刻风电场的实际输出功率,表示k时刻风电功率的预测值,表示k时刻风电功率预测的允许最大误差值,Г为预测时域内的波动时段数,在[0,N]范围内取整数值,其大小影响着控制策略的鲁棒性,N表示预测时域长度,β(k)为预测误差系数,取值为{0,1};
在每个滚动优化时段,目标函数为:
式中:k表示滚动的起始时刻,k=[1,2,…M],M为总时长;Pg(k+i)表示k+i时刻风储联合发电系统并网功率,Pb(k+i)表示k+i时刻BESS输出功率,SOC(k+i)表示k+i时刻储能电池荷电状态,SOCb为储能电池的最佳荷电状态,N为预测时域长度,a和b为权重系数;
约束条件包括:
风储联合发电系统并网功率约束:
Pg(k+1)=Pb(k)+Pw(k) (3)
|Pg(k+i+1)-Pg(k+i)|≤δ,i=0,1,...,N-1 (4)
式中:δ表示风储系统并网功率波动限值;
电池储能系统运行约束:
电池储能系统在第k个时刻的SOC与该时段的充/放电功率和前一时段的荷电状态有关:
电池储能系统运行受电池荷电状态和最大充放电功率约束;由于同一时刻电池储能系统只能进行充电或放电,因此,引入0/1变量用于表示电池储能系统充放电状态:
3.根据权利要求2所述的基于鲁棒模型预测控制的电池储能参与风电波动平抑方法,其特征在于:所述基于鲁棒模型预测控制的风电波动平抑模型的求解包括以下过程:
将基于鲁棒模型预测控制的风电波动平抑模型描述如下:
式中:Xk+N-1|k表示在k时刻求得未来k+N-1个控制时段的决策变量;Uk+N-1|k表示在k时刻构建未来k+N-1个控制时段的风电不确定性集;C表示正定矩阵,A、B、I是常量系数矩阵;约束式AXk+N-1|k≤d表示确定性变量的不等式约束;约束式BXk+N-1|k=e表示确定性变量的等式约束;约束式IXk+N-1|k=Uk+N-1|k表示含不确定性变量的等式约束;
上述模型为含不确定性变量的min-max优化模型,导致该优化问题难以借助求解器求解;为了求解该模型,根据强对偶理论将原min-max优化问题转化为确定性优化问题,原问题的对偶问题表示如下:
式中:λ1、λ2和λ3分别为对应约束的对偶变量;
将风电不确定性集Uk+N-1|k代入式(8),并采用Big-M法(处理状态变量与连续变量相乘的双线性项,获得:
此时,仅取最优控制序列的第一个分量Pb(k+1)发送至电池储能系统,随着时间向前推移,预测时域也向前滚动,基于更新的系统信息与预测数据,重复上述过程以实现滚动鲁棒优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873872.3A CN115021285A (zh) | 2022-07-21 | 2022-07-21 | 基于鲁棒模型预测控制的电池储能参与风电波动平抑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210873872.3A CN115021285A (zh) | 2022-07-21 | 2022-07-21 | 基于鲁棒模型预测控制的电池储能参与风电波动平抑方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115021285A true CN115021285A (zh) | 2022-09-06 |
Family
ID=83080647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210873872.3A Pending CN115021285A (zh) | 2022-07-21 | 2022-07-21 | 基于鲁棒模型预测控制的电池储能参与风电波动平抑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115021285A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688394A (zh) * | 2022-10-18 | 2023-02-03 | 上海科技大学 | 考虑电网多重不确定性的v2g分布鲁棒优化方法 |
CN116073403A (zh) * | 2023-03-23 | 2023-05-05 | 东南大学溧阳研究院 | 一种模糊逻辑控制驱动下的风电功率波动平抑方法 |
CN116316915A (zh) * | 2023-05-12 | 2023-06-23 | 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 |
-
2022
- 2022-07-21 CN CN202210873872.3A patent/CN115021285A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688394A (zh) * | 2022-10-18 | 2023-02-03 | 上海科技大学 | 考虑电网多重不确定性的v2g分布鲁棒优化方法 |
CN115688394B (zh) * | 2022-10-18 | 2023-12-26 | 上海科技大学 | 考虑电网多重不确定性的v2g分布鲁棒优化方法 |
CN116073403A (zh) * | 2023-03-23 | 2023-05-05 | 东南大学溧阳研究院 | 一种模糊逻辑控制驱动下的风电功率波动平抑方法 |
CN116316915A (zh) * | 2023-05-12 | 2023-06-23 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115021285A (zh) | 基于鲁棒模型预测控制的电池储能参与风电波动平抑方法 | |
CN105262117B (zh) | 一种风电爬坡优化控制方法 | |
CN107609693A (zh) | 基于Pareto档案粒子群算法的微电网多目标优化方法 | |
CN113393054A (zh) | 一种风储联合系统的优化调度方法及优化调度系统 | |
CN113241803B (zh) | 一种基于新能源消纳的储能调度方法及计算机介质 | |
CN112053035B (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN110929964A (zh) | 一种基于近似动态规划算法的含储能配电网优化调度方法 | |
CN111786417A (zh) | 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法 | |
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 | |
CN114928110A (zh) | 基于n-k故障的规划调度协同优化的三层鲁棒优化方法 | |
CN112636372A (zh) | 计及风电波动性和反调峰特性的储能协调控制方法和系统 | |
CN115733180A (zh) | 基于自适应模态数vmd算法的混合储能系统调频控制方法及系统 | |
CN115423207A (zh) | 风储虚拟电厂在线调度方法和装置 | |
CN115021295A (zh) | 针对一次调频的风电场混合储能容量优化配置方法及系统 | |
CN116805803A (zh) | 基于自适应mpc的风光储离网制氢系统能量调度方法 | |
CN107482657A (zh) | 风电爬坡率实时平抑方法和系统 | |
CN113141017B (zh) | 基于ddpg算法和soc恢复的储能系统参与电网一次调频的控制方法 | |
CN105470947B (zh) | 一种基于量子行为粒子群算法的微电网调度方法 | |
CN117638939A (zh) | 一种基于Adam算法考虑的水光互补优化调度方法 | |
CN116780587A (zh) | 一种混合储能辅助机组调频容量优化方法及系统 | |
CN114094609B (zh) | 电网储能系统的优化配置方法 | |
CN116345502A (zh) | 混合储能双层模型容量优化配置方法、系统、设备及介质 | |
CN114759616A (zh) | 一种考虑电力电子器件特性的微电网鲁棒优化调度方法 | |
Jusoh et al. | Control strategy of a grid-connected photovoltaic with battery energy storage system for hourly power dispatch | |
CN110661252B (zh) | 一种考虑风光储提供柔性爬坡容量的实时经济调度方法 |
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 |