CN115459340A - 一种风光储混合系统的有功控制方法、系统及电子设备 - Google Patents

一种风光储混合系统的有功控制方法、系统及电子设备 Download PDF

Info

Publication number
CN115459340A
CN115459340A CN202211124113.3A CN202211124113A CN115459340A CN 115459340 A CN115459340 A CN 115459340A CN 202211124113 A CN202211124113 A CN 202211124113A CN 115459340 A CN115459340 A CN 115459340A
Authority
CN
China
Prior art keywords
subsystem
control
wind
control strategy
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.)
Granted
Application number
CN202211124113.3A
Other languages
English (en)
Other versions
CN115459340B (zh
Inventor
林忠伟
张子涵
刘念
赵泽
周家伟
邹祖冰
张小龙
武文
李乐颖
谷昱君
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.)
North China Electric Power University
China Three Gorges Corp
Original Assignee
North China Electric Power University
China Three Gorges Corp
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 North China Electric Power University, China Three Gorges Corp filed Critical North China Electric Power University
Priority to CN202211124113.3A priority Critical patent/CN115459340B/zh
Publication of CN115459340A publication Critical patent/CN115459340A/zh
Application granted granted Critical
Publication of CN115459340B publication Critical patent/CN115459340B/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
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种风光储混合系统的有功控制方法、系统、电子设备及存储介质，所述方法包括：构建风光储混合系统中每个子系统的预测模型；分别将控制策略中每个子系统的控制参数对应的输入每个子系统的预测模型，并基于每个子系统的预测模型输出的预测结果，计算目标函数的值；优化控制策略，重复该控制策略下的目标函数的值的计算过程，直到满足迭代结束条件；基于最优控制策略对风光储混合系统进行控制。本发明基于模型预测控制方法，首先基于预测模型进行控制时域中每个时刻在一定控制策略下的输出，然后基于目标函数的优化方法，在控制时域内的每个时刻进行控制策略的实时优化，提高了混合能源系统的控制过程中目标跟踪的准确性和快速性。

Description

一种风光储混合系统的有功控制方法、系统及电子设备
技术领域
本发明涉及风光储混合系统技术领域，特别是涉及一种风光储混合系统的有功控制方法、系统及电子设备。
背景技术
当今世界正在经历显著的发展，减少化石能源的使用，并正在走向新能源技术。当前对煤炭、天然气和原油等常规能源的利用，增加了电能对环境的污染物的影响，还增加了电能的发电成本。而新能源技术的广泛利用可以减少气候条件的变化和空气污染。其中，新能源中的风能和太阳能是清洁无污染的健康能源，大规模开发不会引起生态环境变化，不会造成环境污染。并且考虑到全球油气供应不确定，全球可再生能源市场的发展具有重要意义。
由于风电、太阳能可再生能源具有随机性、间歇性和波动性等特点，接入电网后会给电力系统运行带来一定影响。并且风电还具有反调峰的特点，从而导致弃风、弃光现象严重。随着储能技术的发展，通过利用储能技术，可以平衡电网的能量波动，降低电网联络线功率的峰谷差，缓解可再生能源波动性和间歇性，从而减小其对电网的影响。因此，构建含有储能电站的混合能源系统对实现可再生能源的高效利用具有重要的现实意义。然而对于混合能源系统的控制，传统的控制策略通常只在指令下发瞬间，根据下发的指令直接给风场、光伏电站和储能电站分配一个固定的指令，在该指令的下发指令周期内(即下一个指令下发前)不变，该方法存在目标跟踪偏差大及跟踪时间长的缺陷。
发明内容
有鉴于此，本发明提供了一种风光储混合系统的有功控制方法、系统及电子设备，以提高混合能源系统的控制过程中目标跟踪的准确性和快速性。
为实现上述目的，本发明提供了如下方案：
一种风光储混合系统的有功控制方法，所述方法包括如下步骤：
构建风光储混合系统中每个子系统的预测模型；所述子系统包括风场、光伏电站和储能电站；
分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；所述控制参数包括在控制时域内每个时刻的有功功率命令值，所述预测结果包括在预测时域内每个时刻的有功功率预测值；
优化所述控制策略，返回步骤“分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值”，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略；
基于所述最优控制策略对所述风光储混合系统进行控制。
可选的，所述基于所述最优控制策略对所述风光储混合系统进行控制，之后还包括：
采集所述风光储混合系统的每个子系统在所述最优控制策略控制下的实际输出；
基于的每个子系统在所述最优控制策略控制下的实际输出分别对每个所述子系统的预测模型进行优化。
可选的，构建风光储混合系统中每个子系统的预测模型，具体包括：
利用系统辨识的方法，构建每个所述子系统的一阶传递函数；
通过零阶保持器分别对每个所述子系统的一阶传递函数进行离散化，获得每个所述子系统的离散化传递函数；
基于每个所述子系统的离散化传递函数，构建每个所述子系统的差分方程，作为每个所述子系统的预测模型。
可选的，所述差分方程为：
y(k+i|k)＝-a·y(k+i-1|k)+b·x(k+i-1)，i＝1，2，…，P；
其中，y(k+i|k)和y(k+i-1|k)为预测模型输出的k+i时刻和k+i-1时刻的预测结果，x(k+i-1)为k+i-1时刻的控制参数，k为当前时刻，即控制参数的施加时刻，P为预测时域。
可选的，所述目标函数为：
Figure BDA0003847625630000031
其中，J为目标函数，J1为第一子目标函数，J2m为第二子目标函数中的第m项，J3n为第三子目标函数中的第n项，Q为第一子目标函数的权重，Rm为第二子目标函数中的第m项的权重，Wn为第三个子目标函数中的第n项的权重；
Figure BDA0003847625630000032
Figure BDA0003847625630000033
为风光储混合系统的总有功功率命令值，
Figure BDA0003847625630000034
Figure BDA0003847625630000035
为为分别为风场、光伏电站和储能电站在k时刻预测的k+i时刻的有功功率预测值；
Figure BDA0003847625630000036
Figure BDA0003847625630000037
Figure BDA0003847625630000038
Figure BDA0003847625630000039
和
Figure BDA00038476256300000310
分别为风场在k+j时刻和k+j+1时刻的有功功率命令值，
Figure BDA00038476256300000311
和
Figure BDA00038476256300000312
分别为光伏电站在k+j时刻和k+j+1时刻的有功功率命令值，
Figure BDA00038476256300000313
和
Figure BDA00038476256300000314
分别为储能电站在k+j时刻和k+j+1时刻的有功功率命令值，M为控制时域；
Figure BDA00038476256300000315
Figure BDA00038476256300000316
Figure BDA00038476256300000317
和
Figure BDA00038476256300000318
分别是风场和光伏电站当前最大可发有功值。
可选的，优化所述控制策略，具体包括：
更新控制策略中每个所述子系统的控制参数；
判断更新后的所述控制参数是否满足约束条件，获得判断结果；
若所述判断结果表示否，则返回步骤“更新控制策略中每个所述子系统的控制参数”；
若所述判断结果表示是，则输出更新后的所述控制参数，组成优化后的控制策略。
可选的，所述约束条件包括有功功率约束、储能SOC限制约束和一次调频预留容量约束。
一种风光储混合系统的有功控制系统，所述系统应用于上述的方法，所述系统包括：
预测模型构建模块，用于构建风光储混合系统中每个子系统的预测模型；所述子系统包括风场、光伏电站和储能电站；
预测模块，用于分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；所述控制参数包括在控制时域内每个时刻的有功功率命令值，所述预测结果包括在预测时域内每个时刻的有功功率预测值；
最优控制策略获取模块，用于优化所述控制策略，返回步骤“分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值”，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略；
控制模块，用于基于所述最优控制策略对所述风光储混合系统进行控制。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现上述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种风光储混合系统的有功控制方法、系统、电子设备及存储介质，所述方法包括如下步骤：构建风光储混合系统中每个子系统的预测模型；分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；优化所述控制策略，重复该控制策略下的目标函数的值的计算过程，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略；基于所述最优控制策略对所述风光储混合系统进行控制。本发明基于模型预测控制(Model Predictive Control，MPC)方法，首先基于预测模型进行控制时域中每个时刻在一定控制策略下的输出，然后基于目标函数的优化方法，在控制时域内的每个时刻进行控制策略的实时优化，提高了混合能源系统的控制过程中目标跟踪的准确性和快速性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的风光储混合系统的有功控制方法的原理图；
图2为本发明实施例提供的测试工况一的实验效果图；
图3为本发明实施例提供的测试工况二的实验效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种风光储混合系统的有功控制方法、系统及电子设备，以提高混合能源系统的控制过程中目标跟踪的准确性和快速性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本发明实施例1提供一种风光储混合系统的有功控制方法，该方法为基于模型预测控制(Model Predictive Control，MPC)的有功控制策略，可用于风光储混合系统的有功功率控制。该方法同时实现了最低弃风弃光率、跟踪的快速性和准确性等多目标优化问题。为实现该方法能够应用在风光储混合系统现场的实时控制中，并且实现求解器所占用的计算资源可自行控制，专门开发了相应的优化求解器和控制体系结构，其平均求解速度可在50ms以内。该方法的硬件在环实验(Hardware-In-the-Loop，HIL)在实时数字处理器(RealTime Digital Simulation，RTDS)上进行，控制策略在可编程逻辑控制器(Programmablelogic Controller，PLC)中。在不同的工况下，HIL-RTDS测试结果表明，与传统的控制策略相比，本方法显著提高了跟踪速度和精度。此外，该方法可以应对传统策略无法应对的故障工况。
为实现该方法能够应用在风光储混合系统现场的实时控制中，并且实现求解器所占用的计算资源可自行控制，开发了求解二次规划问题的求解器，其平均求解速度可在50ms以内。
如图1所示，所述方法包括如下步骤：
一种风光储混合系统的有功控制方法，所述方法包括如下步骤：
S1，构建风光储混合系统中每个子系统的预测模型；所述子系统包括风场、光伏电站和储能电站。每个所述子系统的预测模型分别与预测每个所述子系统的未来状态。
预测模型是模型预测控制的基础。预测输出的起点是当前时刻k的风光储混合系统的测量值(即实际输出)，再加上未来的控制参数，预测到风光储混合系统的未来输出。预测模型没有确定的形式要求，需要根据被控对象和需要预测的状态选择合适的预测模型。
预测模型通常为状态空间方程，神经网络模型等，如果使用状态空间模型，针对风场、光伏电站和储能电站的话，有一些状态变量没有明确的物理意义，工程技术人员无法实际测量相关状态变量。除此之外，这种预测模型无法避免矩阵的复杂运算，耗时长的问题。为此设计的状态观测器会增大计算复杂度，不适合当前的复杂工业现场应用。
本发明实施例聚焦于工业上的实时控制和在线运算，预测模型使用线性离散时间系统输入输出差分方程模型。具体来说，在获取到现场的运行数据之后，通过系统辨识方法可以建立各个子系统的传递函数，之后经过离散化等操作，得到离散时间系统差分方程。这种方法在后期验证时，可以达到90％以上的拟合度，并且有足够的理论和实践经验支持。运用此方法可以有效提高计算效率，降低计算内存，容易在工业装置中实现MPC的快速算法。
步骤1.1：利用系统辨识方法，得到每个子系统的一阶传递函数：
Figure BDA0003847625630000071
其中，G(s)为经过拉普拉斯变换后的频域中的传递函数，T为时间常数，s为频域中的基本单元，对应时域中的t。
步骤1.2：通过零阶保持器，得到如下的离散传递函数。
Figure BDA0003847625630000072
Figure BDA0003847625630000073
Figure BDA0003847625630000074
其中，To是特定的采样周期，G(z)为离散传递函数，Z(·)为Z变换函数，z为离散传递函数G(z)中的基本单元，对应G(s)中的s。
子系统的差分方程可以表示为以下等式：
y(k+i|k)＝-a·y(k+i-1|k)+b·x(k+i-1)，i＝1，2，…，P
其中，y(k+i|k)是在第k时刻预测的k+1时刻的值，a和b均为系数。
S2，分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；所述控制参数包括在控制时域内每个时刻的有功功率命令值，所述预测结果包括在预测时域内每个时刻的有功功率预测值。
示例性，分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，获得每个所述子系统的预测模型输出的预测结果，具体包括：
将每个子系统的当前时刻k的有功功率命令值及每个子系统的有功功率测量值分别输入每个子系统的预测模型，获得每个子系统的k+1时刻的有功功率预测值，然后再将每个子系统的k+1时刻的有功功率预测值和k+1时刻的有功功率命令值分别输入每个子系统的预测模型，以此类推，直到获得预测时域内每个时刻的有功功率命令值对应的预测功率。
结合风光储混合系统的控制方法和多优化目标，本文建立了总目标函数，其中包含3个优化目标，共计6个优化函数，通过对子目标函数的加权平方和定义目标函数。
Figure BDA0003847625630000081
其中，J是目标函数，J1是第一个优化目标函数，J2m为第二子目标函数中的第m项，当m分别取1、2、3时得到J21、J22和J23，J21、J22和J23分别代表第二个子目标函数中的风电场、光伏电站和储能电站的对应项，J3n为第三子目标函数中的第n项，当n分别取1和2时，得到J31和J32，J31和J32是第三个子目标函数中风电场和光伏电站的的对应项，Q、Ri和Wj是六个优化函数的权重系数。
步骤2.1：在对风光储混合系统做整体有功调度时，跟踪准确性为第一要素。当收到预测序列后，通过控制风场、光伏电站和储能电站每时刻的预测值之和与风光储混合系统总参考指令的偏差最小，从而实现实现场站的跟踪准确性。目标函数中的J1为：
Figure BDA0003847625630000082
其中，
Figure BDA0003847625630000091
为风光储混合系统的总有功功率命令值，
Figure BDA0003847625630000092
Figure BDA0003847625630000093
为分别为风场、光伏电站和储能电站在k时刻预测的k+i时刻的有功功率预测值，P是预测时域。
步骤2.2：为保证风光储混合系统安全稳定的运行，我们需要限定各子系统的输入变化率。虽然可以通过增大指令的变化幅度换取输出快速跟踪参考值的效果，但控制输入的剧烈变化，会降低系统稳定性。目标函数中的J21、J22和J23见下式：
Figure BDA0003847625630000094
Figure BDA0003847625630000095
Figure BDA0003847625630000096
其中，
Figure BDA0003847625630000097
和
Figure BDA0003847625630000098
分别为风场在k+j时刻和k+j+1时刻的有功功率命令值，
Figure BDA0003847625630000099
和
Figure BDA00038476256300000910
分别为光伏电站在k+j时刻和k+j+1时刻的有功功率命令值，
Figure BDA00038476256300000911
和
Figure BDA00038476256300000912
分别为储能电站在k+j时刻和k+j+1时刻的有功功率命令值，M为控制时域。
步骤2.3：目标函数中的J31和J32见下式。
Figure BDA00038476256300000913
Figure BDA00038476256300000914
其中，
Figure BDA00038476256300000915
和
Figure BDA00038476256300000916
分别是风场和光伏电站当前最大可发有功值。
S3，优化所述控制策略，返回步骤“分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值”，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略；该迭代结束条件为，目标函数的值小于第一预设阈值，或者迭代次数大于第二预设阈值。
考虑风光储混合系统多重优化目标，构建了风光储混合系统的滚动优化模型。该模型主要包括两部分：目标函数和约束条件。在每一个控制时域内，结合预测模型将求解的有功功率参考值下放至风光储混合系统。
在MPC控制策略中，约束分为软约束和硬约束。硬约束通常是指物理约束，如果在优化过程中不满足这些约束的话，那么系统将强制执行，所以我们通常将硬约束放在约束函数中。相较之下，软约束是指某些约束可以通过提升其他更为重要性能来换取对该约束的放松，或者是一些有时无法实现的约束。软约束会以子目标函数的方式存在，进行变相约束。第二个优化目标属于软约束。
每一个子目标函数对应一个权重系数，本发明不仅可以通过调节三个优化目标之间的权重系数以达到不同的优化效果(比如Q和R1)，还可以调节某个优化目标中每个目标函数的权重系数(比如R1、R2和R3)，以实现风场、光伏电站和储能电站之间不同的优化效果。在本发明实施例中，R的值要小于Q的值，意味着本发明实施例选择牺牲掉大幅度控制输入来换取跟踪的准确性。但此处的牺牲大幅度控制输入并不意味着彻底丧失控制快速性，是在保证快速性好于常规策略且不会破坏控制系统稳定性的前提下，避免控制输入剧烈变化。在权重系数W1和W2中，如果W1大于W2的话，则当前策略为光伏优先调节的有功控制策略。具体的光伏优先调节的有功控制策略是在升功率工况中，电源调节顺序是光伏先于风场先于储能；在降功率工况中，电源的调节顺序是储能先于光伏先于风场。换句话来说，光伏优先调节的有功控制策略的控制原则是优先保证弃风率最低。
步骤3.1：该方法的滚动优化模块的约束条件主要是风场、光伏电站和储能电站在运行中的不等式约束。
步骤3.1.1：约束条件主要包括风场和光伏电站在运行中的最大和最小可发有功约束，储能电站的最大可充有功功率和最大可放有功功率。不等式约束公式请见下式。
Figure BDA0003847625630000111
Figure BDA0003847625630000112
Figure BDA0003847625630000113
步骤3.1.2：除了功率限制之外，MPC控制策略还考虑了储能SOC限制和一次调频预留容量等约束。这些约束是通过改变当前风场、光伏电站和储能电站的最大最小可发值来实现的。
考虑到本发明实施例有求解器优异的性能支撑，尽管每次求解出控制序列，也仅将控制序列中的首项作用于被控对象，下一采样时刻又重新求取最优控制序列，从而实现了反复在线运行的有功控制策略。每一采样时刻，优化性能指标只涉及从该时刻起到未来有限的时间，而到下一个采样时刻，这一优化时段会同时向前推移。通过滚动优化策略，始终在实际的基础上建立新的优化目标，兼顾了对未来有限时域内的理想优化和实际不确定性的影响。这要比建立在理想条件下的传统最优控制更加实际和有效。
步骤3.2：本发明实施例基于MPC原理，利用二次规划问题求解器求解每个采样周期内有限时间域的最优问题，得到各子系统的最优有功功率命令值。
步骤3.2.1：需要确定一些变量，包括目标函数、约束、约束和决策变量的数量、求解精度等。该算法计算目标函数的最小值，而不是最大值。如果在实际问题中计算最大值，需要转化为求最小值的形式。约束条件的形式是保证约束函数大于零，实际约束中的函数关系也需要转换为标准模板。
步骤3.2.2：创建验证函数f1(1)。验证函数f1(1)的主要目标是验证当前所得的决策变量集合(即控制策略)是否满足约束条件。
验证函数f1(1)返回值的决定因素是当前所得的决策变量对应的约束函数和目标函数值。如果不满足任一约束，将否定当前所得的决策变量；如果满足当前的约束条件，决策变量对应的目标函数值起决定性作用。
步骤3.2.3：创建迭代函数f2(1)。迭代函数f2(1)的任务是经过多次迭代后获得最优解。
求解器考虑到所有的约束条件得到可行域，然后在可行域中寻找初始解。f1(1)用于确定当前方向是否是正确的搜索方向。当判断方向错误时，及时反转搜索方向，重复上述过程，直到满足解的精度，终止迭代。在迭代过程中需要注意的是，优化采用的是可变步长而不是固定步长。这样，优化的优点不仅是加快求解速度，而且考虑到在逼近最优解时，只能用超小的步长找到满足给定精度的最优值。此外，还可以设定此优化函数的迭代次数，以避免出现意外情况。
S4，基于所述最优控制策略对所述风光储混合系统进行控制。
S4所述基于所述最优控制策略对所述风光储混合系统进行控制，之后还包括：采集所述风光储混合系统的每个子系统在所述最优控制策略控制下的实际输出；基于的每个子系统在所述最优控制策略控制下的实际输出分别对每个所述子系统的预测模型进行优化。
风光储混合系统中，由于模型预测控制的预测值与实测值(实际输出)存在一定偏差，在滚动优化过程中，需要将风光储混合系统当前实测的风电场和光伏电站输出功率作为下一轮滚动优化的初始条件，使系统的调控策略符合风光储混合系统的多运行目标。风光储混合系统运行在基于模型预测控制的协调优化策略时，每一个控制时域内都会根据实际值的反馈，对预测模型进行滚动优化，不会造成功率预测误差的叠加，有效降低了功率预测误差对于风光储混合系统的不利影响，使风光储混合系统在预测不确定性环境下具有较强的鲁棒性。通过此环节，可以有效解决由于预测模型不准或者实际风光储混合系统跟踪误差导致的意外状况。
实施例2
为了验证本发明实施例1提供的方法的有效性，本发明实施例2采用了如下方法进行了验证：
选取两台可编程逻辑控制器(PLC)和实时数字仿真系统(Real Time DigitalSystem，RTDS)组成闭环系统进行实时硬件在环仿真(hardware-in-loop，HIL)实验。HIL-RTDS测试工况主要包括常规测试工况和故障工况。将基于MPC的有功控制策略与传统控制策略在同一场景下运行，并对仿真结果进行了对比分析。
RTDS中的风光储混合系统模型为：风场装机容量425MW；光伏电站装机容量75MW，储能电站的发电能力为140MW/280MWH。
仿真过程中，预测时域为5，控制时域为5，采样时间为1s。
传统控制策略通常在指令下发瞬间会直接给风场、光伏电站和储能电站一个固定的指令。但是，在本发明实施例中，MPC控制策略会每秒计算出一个新指令下发至风场、光伏电站和储能电站，以实现跟踪的快速性和准确性。正常情况下的工作为测试工况一，图2为测试工况一的实验效果图，图2中，Command为有功功率的命令(指下发的命令)，MPC-controller为MPC控制策略，其指向的曲线为MPC控制策略下的全站跟踪情况，Conventional strategy为传统控制策略，其指向的曲线为传统控制策略下的全站跟踪情况，Output power为输出功率，其中图2中的(a)是相同指令下MPC控制策略和传统控制策略的全站跟踪对比曲线、图2中的(b)是MPC控制策略下的风场跟踪曲线、图2中的(c)是MPC控制策略下的光伏电站跟踪曲线、图2中的(d)是MPC控制策略下的储能电站跟踪曲线，当负荷指令从150MW阶跃到200MW时，为追求系统的跟踪快速性，除向风场发送允许范围内的功率上升指令外，储能电站还将参与调节。在B点和C点，储能电站首先增加功率以保证系统的跟踪速度，然后逐渐降低到-140MW的输出功率。这样既保证了跟踪速度，又保证了最低的弃风弃光率。与MPC控制策略不同的是，传统控制策略下储能电站的指令始终为-140MW，所以他的跟踪速度会比MPC控制策略慢，本发明实施例将该测试工作作为测试工况一。
表1是测试工况一的数据统计表。根据表1可以看出，MPC控制策略在很大程度上改进了跟踪的准确性和快速性。
表1测试工况一的数据统计表
Figure BDA0003847625630000131
故障工况包括由于通信单元异常导致子系统未接收到命令和子系统接收到命令但没有动作等状况。本发明实施例的故障工况模拟光伏场站通信单元异常的场景，该故障工况作为测试工况二。图3为测试工况二的实验效果图，图3中，command为有功功率的命令(指下发的命令)，Mpc-controller为MPC控制策略，其指向的曲线为MPC控制策略生成的命令，Conventional strategy为传统控制策略，其指向的曲线为传统控制策略生成的命令，Outputpower为输出功率，其中图3中的(a)是相同指令下MPC控制策略和传统控制策略的全站跟踪对比曲线、图3中的(b)是MPC控制策略下的风场跟踪曲线、图3中的(c)是MPC控制策略下的光伏电站跟踪曲线，图3中的(d)是MPC控制策略下的储能电站跟踪曲线。如图3所示，在仿真过程中，下发至光伏场站的指令为28.43MW，但光伏场站没有按照命令执行，出现了约5MW的偏差。传统控制策略无法应对此类故障工作场景，光伏场站的偏差反映在整个系统的跟踪偏差上。从A点的局部放大图可以看出，MPC控制策略可以智能处理这种异常情况。经过预测模型、滚动优化和反馈校正，可以修正功率偏差。
表2是测试工况2的数据统计表。根据表2可以看出，MPC控制策略可以处理此类故障工况，保证了跟踪的准确性和快速性。
表2测试工况二的数据统计表
Figure BDA0003847625630000141
实施例3
本发明实施例3提供一种风光储混合系统的有功控制系统，所述系统应用于实施例1的方法，所述系统包括：
预测模型构建模块，用于构建风光储混合系统中每个子系统的预测模型；所述子系统包括风场、光伏电站和储能电站。
预测模块，用于分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；所述控制参数包括在控制时域内每个时刻的有功功率命令值，所述预测结果包括在预测时域内每个时刻的有功功率预测值。
最优控制策略获取模块，用于优化所述控制策略，返回步骤“分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值”，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略。
控制模块，用于基于所述最优控制策略对所述风光储混合系统进行控制。
实施例4
本发明实施例4提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1中的方法。
实施例5
本发明实施例5提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现实施例1中的方法。
本发明实施例提供一种风光储混合系统的有功控制方法、系统、电子设备及存储介质，所述方法包括如下步骤：构建风光储混合系统中每个子系统的预测模型；分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；优化所述控制策略，重复该控制策略下的目标函数的值的计算过程，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略；基于所述最优控制策略对所述风光储混合系统进行控制。本发明基于模型预测控制(Model Predictive Control，MPC)方法，首先基于预测模型进行控制时域中每个时刻在一定控制策略下的输出，然后基于目标函数的优化方法，在控制时域内的每个时刻进行控制策略的实时优化，提高了混合能源系统的控制过程中目标跟踪的准确性和快速性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种风光储混合系统的有功控制方法，其特征在于，所述方法包括如下步骤：
构建风光储混合系统中每个子系统的预测模型；所述子系统包括风场、光伏电站和储能电站；
分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；所述控制参数包括在控制时域内每个时刻的有功功率命令值，所述预测结果包括在预测时域内每个时刻的有功功率预测值；
优化所述控制策略，返回步骤“分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值”，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略；
基于所述最优控制策略对所述风光储混合系统进行控制。
2.根据权利要求1所述的风光储混合系统的有功控制方法，其特征在于，所述基于所述最优控制策略对所述风光储混合系统进行控制，之后还包括：
采集所述风光储混合系统的每个子系统在所述最优控制策略控制下的实际输出；
基于的每个子系统在所述最优控制策略控制下的实际输出分别对每个所述子系统的预测模型进行优化。
3.根据权利要求1所述的风光储混合系统的有功控制方法，其特征在于，构建风光储混合系统中每个子系统的预测模型，具体包括：
利用系统辨识的方法，构建每个所述子系统的一阶传递函数；
通过零阶保持器分别对每个所述子系统的一阶传递函数进行离散化，获得每个所述子系统的离散化传递函数；
基于每个所述子系统的离散化传递函数，构建每个所述子系统的差分方程，作为每个所述子系统的预测模型。
4.根据权利要求3所述的风光储混合系统的有功控制方法，其特征在于，所述差分方程为：
y(k+i|k)＝-a·y(k+i-1|k)+b·x(k+i-1)，i＝1，2，…，P；；
其中，y(k+i|k)和y(k+i-1|k)为预测模型输出的k+i时刻和k+i-1时刻的预测结果，x(k+i-1)为k+i-1时刻的控制参数，k为当前时刻，即控制参数的施加时刻，P为预测时域。
5.根据权利要求1所述的风光储混合系统的有功控制方法，其特征在于，所述目标函数为：
Figure FDA0003847625620000021
其中，J为目标函数，J1为第一子目标函数，J2m为第二子目标函数中的第m项，J3n为第三子目标函数中的第n项，Q为第一子目标函数的权重，Rm为第二子目标函数中的第m项的权重，Wn为第三个子目标函数中的第n项的权重；
Figure FDA0003847625620000022
Figure FDA0003847625620000023
为风光储混合系统的总有功功率命令值，
Figure FDA0003847625620000024
Figure FDA0003847625620000025
为分别为风场、光伏电站和储能电站在k时刻预测的k+i时刻的有功功率预测值，P为预测时域；
Figure FDA0003847625620000026
Figure FDA0003847625620000027
Figure FDA0003847625620000028
Figure FDA0003847625620000029
和
Figure FDA00038476256200000210
分别为风场在k+j时刻和k+j+1时刻的有功功率命令值，
Figure FDA00038476256200000211
和
Figure FDA00038476256200000212
分别为光伏电站在k+j时刻和k+j+1时刻的有功功率命令值，
Figure FDA00038476256200000213
和
Figure FDA00038476256200000214
分别为储能电站在k+j时刻和k+j+1时刻的有功功率命令值，M为控制时域；
Figure FDA0003847625620000031
Figure FDA0003847625620000032
Figure FDA0003847625620000033
和
Figure FDA0003847625620000034
分别是风场和光伏电站当前最大可发有功值。
6.根据权利要求1所述的风光储混合系统的有功控制方法，其特征在于，优化所述控制策略，具体包括：
更新控制策略中每个所述子系统的控制参数；
判断更新后的所述控制参数是否满足约束条件，获得判断结果；
若所述判断结果表示否，则返回步骤“更新控制策略中每个所述子系统的控制参数”；
若所述判断结果表示是，则输出更新后的所述控制参数，组成优化后的控制策略。
7.根据权利要求6所述的风光储混合系统的有功控制方法，其特征在于，所述约束条件包括有功功率约束、储能SOC限制约束和一次调频预留容量约束。
8.一种风光储混合系统的有功控制系统，其特征在于，所述系统应用于权利要求1-7任一项所述的方法，所述系统包括：
预测模型构建模块，用于构建风光储混合系统中每个子系统的预测模型；所述子系统包括风场、光伏电站和储能电站；
预测模块，用于分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值；所述控制参数包括在控制时域内每个时刻的有功功率命令值，所述预测结果包括在预测时域内每个时刻的有功功率预测值；
最优控制策略获取模块，用于优化所述控制策略，返回步骤“分别将控制策略中每个所述子系统的控制参数对应的输入每个所述子系统的预测模型，并基于每个所述子系统的预测模型输出的预测结果，计算目标函数的值”，直到满足迭代结束条件，获得最优的目标函数的值对应的控制策略，作为最优控制策略；
控制模块，用于基于所述最优控制策略对所述风光储混合系统进行控制。
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至7中任一项所述的方法。
CN202211124113.3A 2022-09-15 2022-09-15 一种风光储混合系统的有功控制方法、系统及电子设备 Active CN115459340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211124113.3A CN115459340B (zh) 2022-09-15 2022-09-15 一种风光储混合系统的有功控制方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211124113.3A CN115459340B (zh) 2022-09-15 2022-09-15 一种风光储混合系统的有功控制方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN115459340A true CN115459340A (zh) 2022-12-09
CN115459340B CN115459340B (zh) 2023-11-24

Family

ID=84304132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211124113.3A Active CN115459340B (zh) 2022-09-15 2022-09-15 一种风光储混合系统的有功控制方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN115459340B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133373A (zh) * 2014-07-09 2014-11-05 河海大学常州校区 基于改进型递推最小二乘的室温被控对象在线辨识算法
CN110994683A (zh) * 2019-12-21 2020-04-10 东北电力大学 一种风光储发电系统黑启动过程中的能量协调方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104133373A (zh) * 2014-07-09 2014-11-05 河海大学常州校区 基于改进型递推最小二乘的室温被控对象在线辨识算法
CN110994683A (zh) * 2019-12-21 2020-04-10 东北电力大学 一种风光储发电系统黑启动过程中的能量协调方法

Also Published As

Publication number Publication date
CN115459340B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN110298138B (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
Caramanis et al. The introduction of nondiispatchable technologies a decision variables in long-term generation expansion models
Yi et al. Deep reinforcement learning based optimization for a tightly coupled nuclear renewable integrated energy system
Duan et al. A deep reinforcement learning based approach for optimal active power dispatch
CN112467807A (zh) 一种多能源电力系统日前优化调度方法及系统
CN108155674B (zh) 考虑不确定分布特性的水火电联合调度方法及系统
Cominesi et al. Two-layer predictive control of a micro-grid including stochastic energy sources
CN114429248A (zh) 一种变压器视在功率预测方法
Araghi et al. Enhancing the net energy of wind turbine using wind prediction and economic NMPC with high-accuracy nonlinear WT models
CN115425668A (zh) 一种基于电力系统时序生产模拟的储能容量优化配置方法
Flórez et al. Decentralized-coordinated model predictive control for a hydro-power valley
Sunil et al. A robust heat recovery steam generator drum level control for wide range operation flexibility considering renewable energy integration
Pereira et al. Economic model predictive control of a smartgrid with hydrogen storage and PEM fuel cell
Li et al. Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities
Poland et al. Stochastic optimal planning of solar thermal power
Liu et al. Real-time scheduling of renewable power systems through planning-based reinforcement learning
Standardi et al. Computational efficiency of economic MPC for power systems operation
Turai et al. Short-term electrical load demand forecasting using artificial neural networks for off-grid distributed generation applications
Feng et al. Nonlinear model predictive control for pumped storage plants based on online sequential extreme learning machine with forgetting factor
CN115459340A (zh) 一种风光储混合系统的有功控制方法、系统及电子设备
Zhang et al. Optimal Scheduling Strategy for Power Systems Containing Offshore Wind Farms Considering Wind Power Uncertainty
Bouzem et al. Probabilistic and Reliability Analysis of an Intelligent Power Control for a Doubly Fed Induction Generator-Based Wind Turbine System
CN104037781B (zh) 电网无功协调控制方法及装置
Lu et al. Advances in Model Predictive Control for Large-Scale Wind Power Integration in Power Systems: A Comprehensive Review
Hayes et al. Viable computation of the largest Lyapunov characteristic exponent for power systems

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