CN115102228A - 一种含飞轮储能的风电场多目标协调频率优化方法和装置 - Google Patents

一种含飞轮储能的风电场多目标协调频率优化方法和装置 Download PDF

Info

Publication number
CN115102228A
CN115102228A CN202210893920.5A CN202210893920A CN115102228A CN 115102228 A CN115102228 A CN 115102228A CN 202210893920 A CN202210893920 A CN 202210893920A CN 115102228 A CN115102228 A CN 115102228A
Authority
CN
China
Prior art keywords
wind
frequency
flywheel
storage
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.)
Pending
Application number
CN202210893920.5A
Other languages
English (en)
Inventor
李相俊
姜倩
贾学翠
马会萌
董立志
刘辉
王开让
刘迪
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
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jibei 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, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210893920.5A priority Critical patent/CN115102228A/zh
Publication of CN115102228A publication Critical patent/CN115102228A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • H02J3/241—The oscillation concerning frequency
    • 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
    • H02J3/30—Arrangements for balancing of the load in a network by storage of energy using dynamo-electric machines coupled to flywheels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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

Abstract

一种含飞轮储能的风电场多目标协调频率优化方法和装置，该方法包括：根据电力系统频率特性要求，获取风储调频功率；以风储调频功率误差最小与风储失稳风险最小为目标函数，将风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为约束条件，建立多目标优化模型；获得风储状态因子与频率状态因子，并经模糊算法获取自适应权重系数，将目标函数标幺化处理，进而将多目标优化模型转换为单目标优化模型；求解单目标优化模型，获取风电机组与飞轮储能的最优调频功率；该装置包括数据采集单元、多目标优化模型建立单元、单目标优化模型转换单元和求解单元。本发明能够提升风储参与系统频率响应时的运行稳定性。

Description

一种含飞轮储能的风电场多目标协调频率优化方法和装置
技术领域
本发明属于风力发电技术领域，具体涉及一种含飞轮储能的风电场多目标协调频率优化方法和装置。
背景技术
风力发电清洁低碳并且技术较为成熟，其并网容量逐年攀升。然而，目前主流的风电机组转子转速与系统频率解耦，因此不具备频率响应能力，给系统频率运行带来极大挑战。因此，考虑改进转子侧控制策略，引入附加调频功率使其参与调频，由于稳态时转子转速与风速相关，而风速又具有波动性与不确定性，因此利用该方法参与系统频率响应可靠性较差，并且，风电机组退出调频时，转速恢复过程易导致频率二次波动。在此基础上，考虑在风电场出口处增设飞轮储能装置，并将风力发电与储能视作整体，极大提升风储运行灵活性与调频的可靠性。
通过控制风电机组转子动能调整风电机组输出有功功率从而响应系统频率变化，位于风电场出口侧的飞轮储能通过调节自身充放电参与系统频率响应。将风储视作整体，使其具备与同规模常规电源相同的频率响应能力，即根据风储并网点频率特性经过综合惯量环节得到风储调频功率，其中的综合惯量环节模拟常规电源的频率响应特性。风力发电利用转子动能参与频率响应，风电机组对其转子转速运行存在限定范围，同时转速过大或过小不利于后续转速恢复过程，影响风电机组运行稳定性，同理，飞轮储能也存在运行限值。风储参与系统频率响应时需协调分配风力发电调频功率与储能调频功率，目前协调控制策略主要实现思路为优先利用转子动能，储能作为补充：基于风力发电当前转子转速获取风力发电调频功率，当风力发电无法满足频率响应要求时储能动作。上述技术方案多将风电场视作一台风电机组，然而风电场内部风电机组存在转速差异，因此无法准确评估风电场调频能力，并且多未考虑协调控制各机组之间调频功率，导致各风电机组无法充分发挥各自特性获取各自最优调频功率；除此之外，上述技术方案多未考虑风储失稳风险，因此风储参与调频过程中与退出调频后风储运行稳定性较差。
发明内容
本发明的目的是为了提升风储参与系统频率响应时的运行稳定性，计及风储失稳风险，提供了一种含飞轮储能的风电场多目标协调频率优化方法和装置。
本发明采用如下技术方案来实现的：
一种含飞轮储能的风电场多目标协调频率优化方法，包括：
根据电力系统频率特性要求，获取风储调频功率；
以风储调频功率误差最小与风储失稳风险最小为目标函数，将风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为约束条件，建立多目标优化模型；
结合风储运行状态与电力系统频率特性得到风储状态因子与频率状态因子，并经模糊算法获取自适应权重系数，在获取目标函数取值范围的基础上将目标函数标幺化处理，进而将多目标优化模型转换为单目标优化模型；
利用粒子群算法求解单目标优化模型，获取风电机组与飞轮储能的最优调频功率。
本发明进一步的改进在于，所述风储调频功率是风储并网点频率经死区环节后通过综合惯量环节得到，综合惯量环节包含下垂环节系数和虚拟惯量环节系数。
本发明进一步的改进在于，风储调频功率的表达式如下：
Figure BDA0003768642260000021
其中，p表示风储调频功率，K1表示下垂环节系数，K2表示虚拟惯量环节系数，fn表示额定频率，f表示当前时刻频率值。
本发明进一步的改进在于，风储调频功率误差的目标函数如下：
Figure BDA0003768642260000031
式中：p1，p2，…，pn为风电场内n台风电机组各自的调频功率，pn+1为飞轮储能调频功率，p为风储调频功率。
本发明进一步的改进在于，风储失稳风险的目标函数如下：
Figure BDA0003768642260000032
式中：nmax/min为风电机组转子转速上下限值，SOCmax/min为飞轮储能荷电状态上下限值，ni为风电机组当前转速，J为转子转动惯量，Δt为单位时间长度，SOCn+1为飞轮储能当前荷电状态，SOC(n+1)t为飞轮储能单位时间内参与调频后的荷电状态，En+1为飞轮储能额定容量。
本发明进一步的改进在于，风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为的约束条件如下：
0≤pi+pMPPTi≤pNi (6)
-pNn+1≤pn+1≤pNn+1 (7)
Figure BDA0003768642260000033
SOCmin≤SOCn+1≤SOCmax (9)
nmin≤ni≤nmax (10)
式中：pMPPTi为第i台风电机组不参与调频时的有功功率，i＝1,2,…,n；pNi为风电机组额定有功功率，pNn+1为飞轮储能额定有功功率。
本发明进一步的改进在于，风储状态因子的表达式如下：
Figure BDA0003768642260000041
本发明进一步的改进在于，频率状态因子的表达式如下：
Figure BDA0003768642260000042
式中：f为当前时刻频率值，f'为当前频率变化速率，fn为额定频率，Δfmax为最大频差，f'max为最大频率变化速率。
本发明进一步的改进在于，单目标优化模型的表达式如下：
Figure BDA0003768642260000043
式中：ω为权重系数，取值范围为0-1，y1为风储调频功率误差的目标函数，y2为风储失稳风险的目标函数。
一种含飞轮储能的风电场多目标协调频率优化装置，包括：
数据采集单元，根据电力系统频率特性要求，获取风储调频功率；
多目标优化模型建立单元，以风储调频功率误差最小与风储失稳风险最小为目标函数，将风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为约束条件，建立多目标优化模型；
单目标优化模型转换单元，结合风储运行状态与电力系统频率特性得到风储状态因子与频率状态因子，并经模糊算法获取自适应权重系数，在获取目标函数取值范围的基础上将目标函数标幺化处理，进而将多目标优化模型转换为单目标优化模型；
求解单元，利用粒子群算法求解单目标优化模型，获取风电机组与飞轮储能的最优调频功率。
本发明进一步的改进在于，所述数据采集单元获取的风储调频功率是风储并网点频率经死区环节后通过综合惯量环节得到，综合惯量环节包含下垂环节系数和虚拟惯量环节系数。
本发明进一步的改进在于，所述数据采集单元获取的风储调频功率的表达式如下：
Figure BDA0003768642260000051
其中，p表示风储调频功率，K1表示下垂环节系数，K2表示虚拟惯量环节系数，fn表示额定频率，f表示当前时刻频率值。
本发明进一步的改进在于，所述多目标优化模型建立单元中，风储调频功率误差的目标函数表达式如下：
Figure BDA0003768642260000052
式中：p1，p2，…，pn为风电场内n台风电机组各自的调频功率，pn+1为飞轮储能调频功率，p为风储调频功率。
本发明进一步的改进在于，所述多目标优化模型建立单元中，风储失稳风险的目标函数表达式如下：
Figure BDA0003768642260000053
式中：nmax/min为风电机组转子转速上下限值，SOCmax/min为飞轮储能荷电状态上下限值，ni为风电机组当前转速，J为转子转动惯量，Δt为单位时间长度，SOCn+1为飞轮储能当前荷电状态，SOC(n+1)t为飞轮储能单位时间内参与调频后的荷电状态，En+1为飞轮储能额定容量。
本发明进一步的改进在于，所述多目标优化模型建立单元中，风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为的约束条件表达式如下：
0≤pi+pMPPTi≤pNi (6)
-pNn+1≤pn+1≤pNn+1 (7)
Figure BDA0003768642260000061
SOCmin≤SOCn+1≤SOCmax (9)
nmin≤ni≤nmax (10)
式中：pMPPTi为第i台风电机组不参与调频时的有功功率，i＝1,2,…,n；pNi为风电机组额定有功功率，pNn+1为飞轮储能额定有功功率。
本发明进一步的改进在于，所述单目标优化模型转换单元中，风储状态因子的表达式如下：
Figure BDA0003768642260000062
本发明进一步的改进在于，所述单目标优化模型转换单元中，频率状态因子的表达式如下：
Figure BDA0003768642260000063
式中：f为当前时刻频率值，f'为当前频率变化速率，fn为额定频率，Δfmax为最大频差，f'max为最大频率变化速率。
本发明进一步的改进在于，所述单目标优化模型转换单元中，单目标优化模型的表达式如下：
Figure BDA0003768642260000064
式中：ω为权重系数，取值范围为0-1，y1为风储调频功率误差的目标函数，y2为风储失稳风险的目标函数。
本发明至少具有如下有益的技术效果：
本发明提供的一种含飞轮储能的风电场多目标协调频率优化方法和装置，当风储参与频率响应时，考虑风电场内部风电机组转速差异，并将飞轮储能视作一台特殊的风电机组协调分配风储调频功率；风电机组与飞轮储能的最优调频功率应满足准确响应系统频率变化并且风储稳定运行，因此建立多目标优化模型；为便于求解，将多目标优化模型转化为单目标优化模型，权重系数越大此时越注重调频功率准确度，权重系数越小越注重风储失稳风险，因此基于风储状态因子与频率状态因子经模糊算法得自适应权重系数；利用粒子群算法求解上述模型获取风电机组及飞轮储能最优调频功率；本发明考虑风电场内各机组差异，合理利用调频资源，改善系统频率特性，保证风储安稳运行。
附图说明
图1为一种含飞轮储能的风电场多目标协调频率优化方法的流程图。
图2为一种含飞轮储能的风电场多目标协调频率优化方法的框图。
图3为一种基于模糊算法的风储状态因子、频率状态因子与权重系数的隶属度函数示意图。
图4为一种基于模糊算法的控制规则示意图。
图5为一种含飞轮储能的风电场多目标协调频率优化装置的结构框图。
图中fs为风储并网点频率值，fn为额定频率值，K1与K2分别为综合惯量环节下垂系数与虚拟惯量系数，p为风储调频功率，ni为风电场内第i台风电机组的转子转速，SOCn+1为飞轮储能荷电状态，pi为风电场内第i台风电机组的调频功率，pn+1为飞轮储能调频功率，w为权重系数。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明提供的一种含飞轮储能的风电场多目标协调频率优化方法，包括以下步骤：
步骤1，根据电力系统频率特性要求经综合惯量环节获取风储调频功率；风储并网点频率经死区环节后通过综合惯量环节得到风储调频功率，其中综合惯量环节包含系数为K1的下垂环节系数与系数为K2的虚拟惯量环节系数，如图2所示，风储调频功率如式(1)所示。根据含风储系统频率响应要求、风储并网位置及风储渗透率等因素可得上述控制系数K1与 K2，此处不再赘述。
Figure BDA0003768642260000081
其中fn表示额定频率，f表示当前时刻频率值。
步骤2，以风电场内各风电机组、飞轮储能调频功率之和与频率响应环节参考功率之和的误差平方值作为目标函数一，目标函数值越小，风储越准确响应系统频率变化，风储调频功率误差的目标函数如下：
Figure BDA0003768642260000082
式中：p1，p2，…，pn为风电场内n台风电机组各自的调频功率，pn+1为飞轮储能调频功率，p为风储调频功率。
风电机组单位时间内调频功率与其转速的关系如式(3)所示，调频功率为正时输出功率增大，转速下降，调频功率为负时转速增大；
Figure BDA0003768642260000091
式中：ni为风电机组转速，n(i)t为风电机组单位时间内参与调频后的转速，J为转子转动惯量，Δt为单位时间长度。
飞轮储能单位时间内调频功率与其SOC的关系如式(4)所示，飞轮储能放电时荷电状态值减小，充电时增大；
Figure BDA0003768642260000092
式中：SOCn+1为飞轮储能当前荷电状态，SOC(n+1)t为飞轮储能单位时间内参与调频后的荷电状态，En+1为飞轮储能额定容量。
结合式(3)与式(4)建立风储调频功率与风储状态的关系，利用式(5)衡量风储失稳风险，分别取风储调频后状态与其上限、下限差值的平方；当调频后风储状态离限值近时，风储失稳风险大，式(5)数值大，反之则失稳风险小，式(5)数值小；
Figure BDA0003768642260000093
式中：nmax/min为风电机组转子转速上下限值，SOCmax/min为飞轮储能荷电状态上下限值。
式(2)与式(5)分别为多目标优化模型的两个目标函数。
考虑风储各自输出有功功率限值并将其作为优化模型的约束条件，响应频率变化的风电机组输出有功功率由调频功率与当前风速对应的有功功率决定；若风电机组当前转速、飞轮储能荷电状态均在限值内，限值由风电机组与飞轮储能额定有功功率决定，得到约束条件如式(6)所示，同理得到飞轮储能调频功率满足式(7)；
0≤pi+pMPPTi≤pNi(i＝1,2,...n) (6)
-pNn+1≤pn+1≤pNn+1 (7)
式中：pMPPTi为第i台风电机组不参与调频时的有功功率，pNi为风电机组额定有功功率， pNn+1为飞轮储能额定有功功率。
若风电机组当前转速或飞轮储能荷电状态为上限，则此时风储仅可放电，下限时仅可充电；
限定风电机组及电池储能调频功率之和与风储调频功率差值不大于20％，如式(8)所示；
Figure BDA0003768642260000101
SOCmin≤SOCn+1≤SOCmax (9)
nmin≤ni≤nmax (10)
式(6)-式(10)分别为多目标优化模型的约束条件。
步骤3，根据式(2)中的目标函数一及式(8)的约束条件得到目标函数一的最小值为0，最大值为0.04p2；式(5)中的目标函数二最小值为0，认为在当前控制策略下，风储转速不会出现越限情形，故最大值为：
Figure BDA0003768642260000102
在获取目标函数取值范围的基础上将其标幺化处理，将多目标优化问题转化为式(12) 所示的单目标优化问题；式(12)中权重系数越大，与失稳风险相比更关注调频功率误差，反之则更关注失稳风险；式(12)最小值对应此时风储兼顾准确性与安稳性；
Figure BDA0003768642260000103
式中：ω为权重系数，取值范围为0-1，y1为风储调频功率误差的目标函数，y2为风储失稳风险的目标函数。通过公式(12)得到最优的目标函数值，即得到了y1与y2，风电功率和飞轮功率是y2和y2中的变量，即对应着最优的风储功率。
步骤3，式(12)中权重系数极大影响优化模型的最终结果，因此提出风储状态因子与频率状态因子的概念，并结合模糊算法实时获取自适应权重系数。
根据风电机组当前转速、飞轮储能当前荷电状态及各自的上下限值获取根据式(5)获取风储状态因子如式(13)所示，风储状态因子表征当前时刻风储失稳风险，数值越大失稳风险越大则风储状态越差，式(13)取值范围为0-1。
Figure BDA0003768642260000111
根据风储并网点当前频率状态结合最大频差与最大频率变化速率得到频率状态因子，如式(14)所示，式(14)值越大，当前频率特性越差。
Figure BDA0003768642260000112
式中：f为当前时刻频率值，f'为当前频率变化速率，fn为额定频率，Δfmax为最大频差，f'max为最大频率变化速率。
结合指令范围得到模糊算法输入变量风储状态因子与频率状态因子的隶属度函数，得到输出变量权重系数的隶属度函数，如图3所示。
表1为模糊逻辑推理规则表：风储状态因子越大，失稳风险越大，此时应减小对风储调频功率准确的关注，即适当减小权重系数，反之应增大权重系数；频率状态因子越大，频率状态越差，此时应增大对风储调频功率准确度的关系，即适当增大权重系数，反之应减小权重系数；当风储状态因子与频率状态因子对权重系数具有反向要求时，比较两者获取权重系数；模糊逻辑推理结果图如图4所示，结合风储状态因子与频率状态因子在线实时获取自适应权重系数。
表1模糊逻辑推理规则表
Figure BDA0003768642260000113
Figure BDA0003768642260000121
步骤4，结合自适应权重因子利用粒子群算法求解式(12)优化模型，将式(12)作为适应度函数。首先：设定种群大小为N，N值根据n值进行调整，在约束条件下初始化位置与速度得式(15)；接着，计算y值，获取历史各个体最优位置XBESTg,i与全局最优位置XBESTg，下标中g表示代数；然后，判断是否满足退出条件，设定相邻两代适应度函数变化量小于误差值与迭代至最大迭代次数为退出运行条件，若满足则退出运行，当代决策变量为风电机组与储能最优调频功率；反之，根据式(16)更新速度与位置，并修正越界位置；最后，再次计算适应度，重复以上步骤，直至满足退出运行条件；
Figure BDA0003768642260000122
式中：X1(D,NP)中1表示第一代种群，V(m)i,j表示第i代种群中第j个个体第m个元素的速度，X(m)i,j表示第i代种群中第j个个体第m个元素的位置。
Figure BDA0003768642260000123
式中：c1，c2为学习因子，一般均取2，k为惯性因子，一般取0.5。
如图5所示，本发明提供的一种含飞轮储能的风电场多目标协调频率优化装置，包括：数据采集单元，根据电力系统频率特性要求，获取风储调频功率；多目标优化模型建立单元，以风储调频功率误差最小与风储失稳风险最小为目标函数，将风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为约束条件，建立多目标优化模型；单目标优化模型转换单元，结合风储运行状态与电力系统频率特性得到风储状态因子与频率状态因子，并经模糊算法获取自适应权重系数，在获取目标函数取值范围的基础上将目标函数标幺化处理，进而将多目标优化模型转换为单目标优化模型；求解单元，利用粒子群算法求解单目标优化模型，获取风电机组与飞轮储能的最优调频功率。该装置考虑风电场内各机组差异，合理利用调频资源，改善系统频率特性，保证风储安稳运行。
所述数据采集单元获取的风储调频功率是风储并网点频率经死区环节后通过综合惯量环节得到，综合惯量环节包含下垂环节系数和虚拟惯量环节系数。
所述数据采集单元获取的风储调频功率的表达式如下：
Figure BDA0003768642260000131
其中，p表示风储调频功率，K1表示下垂环节系数，K2表示虚拟惯量环节系数，fn表示额定频率，f表示当前时刻频率值。
所述多目标优化模型建立单元中，风储调频功率误差的目标函数表达式如下：
Figure BDA0003768642260000132
式中：p1，p2，…，pn为风电场内n台风电机组各自的调频功率，pn+1为飞轮储能调频功率，p为风储调频功率。
所述多目标优化模型建立单元中，风储失稳风险的目标函数表达式如下：
Figure BDA0003768642260000133
式中：nmax/min为风电机组转子转速上下限值，SOCmax/min为飞轮储能荷电状态上下限值，ni为风电机组当前转速，J为转子转动惯量，Δt为单位时间长度，SOCn+1为飞轮储能当前荷电状态，SOC(n+1)t为飞轮储能单位时间内参与调频后的荷电状态，En+1为飞轮储能额定容量。
所述多目标优化模型建立单元中，风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为的约束条件表达式如下：
0≤pi+pMPPTi≤pNi (6)
-pNn+1≤pn+1≤pNn+1 (7)
Figure BDA0003768642260000141
SOCmin≤SOCn+1≤SOCmax (9)
nmin≤ni≤nmax (10)
式中：pMPPTi为第i台风电机组不参与调频时的有功功率，i＝1,2,…,n；pNi为风电机组额定有功功率，pNn+1为飞轮储能额定有功功率。
所述单目标优化模型转换单元中，风储状态因子的表达式如下：
Figure BDA0003768642260000142
所述单目标优化模型转换单元中，频率状态因子的表达式如下：
Figure BDA0003768642260000143
式中：f为当前时刻频率值，f'为当前频率变化速率，fn为额定频率，Δfmax为最大频差，f'max为最大频率变化速率。
所述单目标优化模型转换单元中，单目标优化模型的表达式如下：
Figure BDA0003768642260000151
式中：ω为权重系数，取值范围为0-1，y1为风储调频功率误差的目标函数，y2为风储失稳风险的目标函数。
本发明还提供了一种含飞轮储能的风电场多目标协调频率优化系统，包括：处理器以及与所述处理器耦合的存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现所述的含飞轮储能的风电场多目标协调频率优化方法的步骤。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，包括：
根据电力系统频率特性要求，获取风储调频功率；
以风储调频功率误差最小与风储失稳风险最小为目标函数，将风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为约束条件，建立多目标优化模型；
结合风储运行状态与电力系统频率特性得到风储状态因子与频率状态因子，并经模糊算法获取自适应权重系数，在获取目标函数取值范围的基础上将目标函数标幺化处理，进而将多目标优化模型转换为单目标优化模型；
利用粒子群算法求解单目标优化模型，获取风电机组与飞轮储能的最优调频功率。
2.根据权利要求1所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，所述风储调频功率是风储并网点频率经死区环节后通过综合惯量环节得到，综合惯量环节包含下垂环节系数和虚拟惯量环节系数。
3.根据权利要求2所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，风储调频功率的表达式如下：
Figure FDA0003768642250000011
其中，p表示风储调频功率，K1表示下垂环节系数，K2表示虚拟惯量环节系数，fn表示额定频率，f表示当前时刻频率值。
4.根据权利要求1所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，风储调频功率误差的目标函数如下：
Figure FDA0003768642250000012
式中：p1，p2，…，pn为风电场内n台风电机组各自的调频功率，pn+1为飞轮储能调频功率，p为风储调频功率。
5.根据权利要求4所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，风储失稳风险的目标函数如下：
Figure FDA0003768642250000021
式中：nmax/min为风电机组转子转速上下限值，SOCmax/min为飞轮储能荷电状态上下限值，ni为风电机组当前转速，J为转子转动惯量，Δt为单位时间长度，SOCn+1为飞轮储能当前荷电状态，SOC(n+1)t为飞轮储能单位时间内参与调频后的荷电状态，En+1为飞轮储能额定容量。
6.根据权利要求5所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为的约束条件如下：
0≤pi+pMPPTi≤pNi (6)
-pNn+1≤pn+1≤pNn+1 (7)
Figure FDA0003768642250000022
SOCmin≤SOCn+1≤SOCmax (9)
nmin≤ni≤nmax (10)
式中：pMPPTi为第i台风电机组不参与调频时的有功功率，i＝1,2,…,n；pNi为风电机组额定有功功率，pNn+1为飞轮储能额定有功功率。
7.根据权利要求6所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，风储状态因子的表达式如下：
Figure FDA0003768642250000023
8.根据权利要求7所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，频率状态因子的表达式如下：
Figure FDA0003768642250000031
式中：f为当前时刻频率值，f'为当前频率变化速率，fn为额定频率，Δfmax为最大频差，f'max为最大频率变化速率。
9.根据权利要求8所述的一种含飞轮储能的风电场多目标协调频率优化方法，其特征在于，单目标优化模型的表达式如下：
Figure FDA0003768642250000032
式中：ω为权重系数，取值范围为0-1，y1为风储调频功率误差的目标函数，y2为风储失稳风险的目标函数。
10.一种含飞轮储能的风电场多目标协调频率优化装置，其特征在于，包括：
数据采集单元，根据电力系统频率特性要求，获取风储调频功率；
多目标优化模型建立单元，以风储调频功率误差最小与风储失稳风险最小为目标函数，将风电机组转速、飞轮储能荷电状态以及风电机组、飞轮储能各自的额定有功功率作为约束条件，建立多目标优化模型；
单目标优化模型转换单元，结合风储运行状态与电力系统频率特性得到风储状态因子与频率状态因子，并经模糊算法获取自适应权重系数，在获取目标函数取值范围的基础上将目标函数标幺化处理，进而将多目标优化模型转换为单目标优化模型；
求解单元，利用粒子群算法求解单目标优化模型，获取风电机组与飞轮储能的最优调频功率。
CN202210893920.5A 2022-07-27 2022-07-27 一种含飞轮储能的风电场多目标协调频率优化方法和装置 Pending CN115102228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210893920.5A CN115102228A (zh) 2022-07-27 2022-07-27 一种含飞轮储能的风电场多目标协调频率优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210893920.5A CN115102228A (zh) 2022-07-27 2022-07-27 一种含飞轮储能的风电场多目标协调频率优化方法和装置

Publications (1)

Publication Number Publication Date
CN115102228A true CN115102228A (zh) 2022-09-23

Family

ID=83300648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210893920.5A Pending CN115102228A (zh) 2022-07-27 2022-07-27 一种含飞轮储能的风电场多目标协调频率优化方法和装置

Country Status (1)

Country Link
CN (1) CN115102228A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116581787A (zh) * 2023-07-14 2023-08-11 国网山东省电力公司莱芜供电公司 一种用于机组储能调频的监测评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116581787A (zh) * 2023-07-14 2023-08-11 国网山东省电力公司莱芜供电公司 一种用于机组储能调频的监测评估方法及系统
CN116581787B (zh) * 2023-07-14 2023-09-22 国网山东省电力公司莱芜供电公司 一种用于机组储能调频的监测评估方法及系统

Similar Documents

Publication Publication Date Title
WO2021164112A1 (zh) 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
CN108960510B (zh) 一种基于两阶段随机规划的虚拟电厂优化交易策略装置
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
CN104993522B (zh) 一种基于mpc的主动配电网多时间尺度协调优化调度方法
CN115241885B (zh) 电网实时调度优化方法、系统、计算机设备及存储介质
Wang et al. Electric vehicle fleet integration in a virtual power plant with large-scale wind power
CN111697578B (zh) 多目标含储能区域电网运行控制方法
CN114865701A (zh) 基于自适应模型预测控制的风储联合调频方法
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
CN114784854A (zh) 风储联合电站参与调频优化控制方法、系统、设备及介质
CN116667389B (zh) 一种新型电力系统惯量提升的风储联合预测校正控制方法
CN113098029A (zh) 一种基于风电短期预测的风储联合调频控制方法
CN115864429A (zh) 双碳目标下风储火协同的多目标优化agc方法
CN115102228A (zh) 一种含飞轮储能的风电场多目标协调频率优化方法和装置
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
Mahrouch et al. Primary frequency regulation based on deloaded control, ANN, and 3D-fuzzy logic controller for hybrid autonomous microgrid
CN117154788A (zh) 一种用于充电站参与电网调频的虚拟同步控制方法、设备及介质
CN116581780A (zh) 一种风储联合系统一次调频特性建模与控制方法
CN115021336A (zh) 一种面向高比例新能源电力系统惯量不足场景的优化方法
Venkatesh et al. Frequency excursion mitigation in a multi-source islanded energy system using meta-heuristic optimization strategies
CN107919683A (zh) 一种储能减少风电场弃风电量的优化决策方法
CN115114854A (zh) 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统
CN115241922A (zh) 风电场参与电网频率支撑的机组组合确定方法与系统
Zadeh et al. Frequency control of low inertia microgids in presence of wind and solar units using fuzzy-neural controllers
Skiparev et al. Reinforcement learning based MIMO controller for virtual inertia control in isolated microgrids

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