CN115912399A - 一种涉及多储能单元的风功率波动平抑控制方法和系统 - Google Patents
一种涉及多储能单元的风功率波动平抑控制方法和系统 Download PDFInfo
- Publication number
- CN115912399A CN115912399A CN202211484404.3A CN202211484404A CN115912399A CN 115912399 A CN115912399 A CN 115912399A CN 202211484404 A CN202211484404 A CN 202211484404A CN 115912399 A CN115912399 A CN 115912399A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- soc
- wind power
- power
- 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.)
- Pending
Links
Images
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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种涉及多储能单元的风功率波动平抑控制方法和系统,根据超短期风功率预测与预测误差分布建立滤波时间常数优化模型,得到滤波时间常数最优解以及最小储能功率指令;采用分层复合式分配方法对储能单元进行功率分配,确保了各储能单元荷电状态均衡并减少了充放电切换次数与荷电状态波动区间,从而在兼顾功率平抑目标的同时延长了储能的使用寿命;本发明也适用于其他类型新能源并网中采用储能平抑其功率波动问题。
Description
技术领域
本发明实施例涉及风储联合系统接入电网技术领域,尤其涉及一种涉及多储能单元的风功率波动平抑控制方法和系统。
背景技术
可再生能源的开发与利用对解决能源危机与环境问题有着非常关键的作用。鉴于风能具有的易获取、巨量以及无害等明显优势,风力发电成为了可再生能源利用的主要途径之一。
由于季节与气候因素,风力发电具有明显的波动性与不确定性,随着规模的扩大,并入电网后对电网会造成冲击,从而影响电网的安全稳定运行。储能具有储能或释放一定量电能的功能,能够在发电高峰而用电处于低谷时期储存部分电能,并在发电低谷及用电高峰时段进行释放,从而达到削峰填谷的目的。
构建以新能源为主体的电力系统是实现“双碳”目标的重要途径。近年来,以风电为代表的新能源发电迅猛发展,根据国家能源局发布的数据显示,截至2021年11月,我国风电并网装机容量超3亿千瓦,占全国电源总装机比例约13%。然而风电功率的随机性与间歇性强,并网后增加了电力系统的不确定性因素,极大的影响的电网安全稳定运行。
发明内容
本发明实施例提供一种涉及多储能单元的风功率波动平抑控制方法和系统,以并网功率波动率为约束获取BESS功率指令最小值,减少BESS被调用的能量;采用分层复合式功率分配方法避免各储能单元过充过放与频繁充放电,并实现SOC快速均衡,进而延长了储能的使用寿命。
第一方面,本发明实施例提供一种涉及多储能单元的风功率波动平抑控制方法,包括:
步骤S1、确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
步骤S2、以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令;
步骤S3、确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
作为优选的,所述步骤S1中,所述风电场历史数据包括风电场历史风速数据、风向数据、风功率数据;
所述步骤S1具体包括:
基于风电场历史风速数据、风向数据、风功率数据和未来天气信息建立风功率超短期预测模型;
基于风功率预测误差分布确定未来第一设定时间内的预测误差为:
上式中,E(j,n)为风功率预测误差分布按照正态分布生成的随机数矩阵,j为生成次数;PW,f(t+iΔt)(i=1,2,3…T/Δt)为未来(t,t+T)时间内风功率预测数据,其中Δt为采样步长,T为超短期预测周期,n=T/Δt为离散化的取样数;
基于所述风功率超短期预测模型和预测误差获取预测未来第一设定时间内的风功率预测数据:
作为优选的,所述步骤S2具体包括:
步骤S21、确定未来第一设定时间内的风功率预测波动率:
上式中,PW,rate为风电场额定功率;若判断所述风功率预测波动率大于风电并网标准功率波动率限值,则判断需要调用储能单元;
步骤S22、确定一阶低通滤波器的离散化形式:
Ptag(t)=xPtag(t-Δt)+(1-x)PW(t)
上式中,式中x=Tf/Tf+Δt,取值范围为[0,1);Tf为滤波时间常数;PW(t)为t时刻的风功率;Ptag(t)为t时刻的并网目标功率;
确定未来第一设定时间内的目标功率预测值:
上式中,Ptag,F(t+Δt)为较t下一时刻的并网目标功率预测值;PW,F(t)为t时刻风功率预测值;
令初始时刻的Ptag(t)=PW,F(t),确定第一设定时间内储能的功率指令预测参考值为:
式中,PBref,F(t+Δt)为较t下一时刻的电池储能系统BESS功率指令预测值;
步骤S23、确定目标函数为:J=minx;
对应约束条件为:
0≤|PBref,F(t+iΔt)|≤PB,rate
上式中,PB,rate为储能的额定功率;
求解得到xmin,以确定滤波时间常数:
确定第一设定时间内储能的储能的功率指令参考值为:
作为优选的,所述步骤S3具体包括:
步骤S31、获取风储联合并网系统中各储能单元的荷电状态,将各储能单元的荷电状态由低到高一次选取分级线为:0、SOCmin、SOClow、SOCave、SOChigh、SOCmax、1;其中,SOCmin、SOClow、SOChigh、SOCmax均为预设经验阈值;SOCave为理想化均值;
基于所述分级线划定分级区:(0,SOCmin)、(SOCmin,SOClow)、(SOClow,SOChigh)、(SOChigh,SOCmax)、(SOCmax,1);对应分级区内的储能单元的个数分别为a、b、c、d、e;
其中,(0,SOCmin)为禁止放电区;(SOCmax,1)为禁止充电区;(SOCmin,SOClow)为多充少放区,分级区内储能单元充电优先级高于放电优先级;(SOChigh,SOCmax)为多放少充区,分级区内的储能单元放电优先级高于充电优先级;(SOClow,SOChigh)为正常充放区,分级区内的储能单元的放电优先级、充电优先级相同;
步骤S32、获取功率指令参考值PB,ref,若判断PB,ref>0,则表示储能进入放电模式,对步骤S31中各分级区的中的储能单元分配放电指令;若判断PB,ref<0,则进入储能充电模式,对步骤S31中各分级区的中的储能单元分配充电指令。
作为优选的,所述步骤S32中,若判断PB,ref>0,且PB,ref≤(a+b)Pi,rate,其中,Pi,rate为第i台储能单元的额定功率;则表示荷电状态SOC处于(SOChigh,1)的储能单元可以完成此放电指令,按照SOC的大小降序排列,(SOChigh,1)分级区内储能单元按照额定功率依次分配放电指令,其余储能单元不需被调用;
上式中,SOCi为第i台储能单元的荷电状态;DODi为第i台储能单元的放电深度;Erate_i为第i台储能单元的额定容量;
若判断PB,ref>0,且(a+b)Pi,rate<PB,ref≤(a+b+c)Pi,rate,则表示需调用SOC处于分级区(SOClow,1)内储能单元可完成放电指令;对应储能单元的功率指令为:
若判断PB,ref>0,且(a+b+c)Pi,rate<PB,ref≤(a+b+c+d)Pi,rate,则表示需要调用SOC处于(SOCmin,SOClow)分级区的储能单元,对应储能单元按照下式放电:
若判断PB,ref>0,且(a+b+c+d)Pi,rate<PB,ref,则表示需要调用处于(SOCmin,1)区间的储能单元全部按照额定功率放电。
作为优选的,所述步骤S32中,若判断PB,ref<0,且PB,ref>-(d+e)Pi,rate,则表示SOC处于(0,SOClow)的储能单元需要完成充电指令,按照SOC的大小升序排列,选取储能单元按照额定功率依次以额定功率充电;
若判断PB,ref<0,且-(d+e)Pi,rate≥PB,ref>-(c+d+e)Pi,rate,则调用SOC处于(0,SOChigh)分级区的储能单元可完成充电指令;对应储能单元的功率指令为:
若判断PB,ref<0,且-(c+d+e)Pi,rate≥PB,ref>-(b+c+d+e)Pi,rate,则调用SOC处于(SOChigh,SOCmax)分级区的储能单元,对应储能单元按照下式充电:
若判断PB,ref<0,且-(b+c+d+e)Pi,rate≥PB,ref,则选择处于(0,SOCmax)区间的储能单元全部按照额定功率充电。
第二方面,本发明实施例提供一种涉及多储能单元的风功率波动平抑控制系统,包括:
风功率预测模块,确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
滤波时间常数自适应调节模块,以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令;
功率指令分配模块,确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面实施例所述涉及多储能单元的风功率波动平抑控制方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述涉及多储能单元的风功率波动平抑控制方法的步骤。
本发明实施例提供的一种涉及多储能单元的风功率波动平抑控制方法和系统,根据超短期风功率预测与预测误差分布建立滤波时间常数优化模型,得到滤波时间常数最优解以及最小储能功率指令;采用分层复合式分配方法对储能单元进行功率分配,确保了各储能单元荷电状态均衡并减少了充放电切换次数与荷电状态波动区间,从而在兼顾功率平抑目标的同时延长了储能的使用寿命;本发明也适用于其他类型新能源并网中采用储能平抑其功率波动问题。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的涉及多储能单元的风功率波动平抑控制方法流程框图;
图2为根据本发明实施例的涉及多储能单元的风功率波动平抑控制方法流程图;
图3为本发明实施例的储能荷电状态分级示意图;
图4为本发明实施例中实际风储并网系统拓扑结构图;
图5为本发明实施例中风功率平抑效果图;
图6为本发明实施例中风功率平抑前后波动率对比图;
图7为本发明实施例中储能单元有功出力曲线图;
图8为本发明实施例中各储能单元SOC波动曲线图;
图9为根据本发明实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
本申请实施例中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元,而是可选地还包括没有列出的部件或单元,或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
构建以新能源为主体的电力系统是实现“双碳”目标的重要途径。近年来,以风电为代表的新能源发电迅猛发展,根据国家能源局发布的数据显示,截至2021年11月,我国风电并网装机容量超3亿千瓦,占全国电源总装机比例约13%。然而风电功率的随机性与间歇性强,并网后增加了电力系统的不确定性因素,极大的影响的电网安全稳定运行。
因此,本发明实施例提供一种涉及多储能单元的风功率波动平抑控制方法和系统,以并网功率波动率为约束获取BESS功率指令最小值,减少BESS被调用的能量;采用分层复合式功率分配方法避免各储能单元过充过放与频繁充放电,并实现SOC快速均衡,进而延长了储能的使用寿命。以下将通过多个实施例进行展开说明和介绍。
图1和图2为本发明实施例提供的一种涉及多储能单元的风功率波动平抑控制方法,包括:
步骤S1、确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
本步骤中,所述风电场历史数据包括风电场历史风速数据、风向数据、风功率数据;
基于风电场历史风速数据、风向数据、风功率数据和未来天气信息建立风功率超短期预测模型;即采用神经网络预测算法与风功率预测误差分布获取未来第一设定时间内的风功率预测数据,本实施例中,以获取未来15min内的风功率预测数据为目标。以并网功率波动率为约束获取BESS(Battery energy storage system,蓄电池储能系统)功率指令最小值,减少BESS被调用的能量。
风功率预测误差分布按照正态分布N(0,σ)生成随机数矩阵E(j,n),基于风功率预测误差分布确定未来第一设定时间内的预测误差为:
上式中,E(j,n)为风功率预测误差分布按照正态分布生成的随机数矩阵,j为生成次数;PW,f(t+iΔt)(i=1,2,3…T/Δt)为未来(t,t+T)时间内风功率预测数据,其中Δt为采样步长,T为超短期预测周期,n=T/Δt为离散化的取样数;
基于所述风功率超短期预测模型和预测误差获取预测未来第一设定时间内的风功率预测数据:
步骤S2、以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令。
本步骤中,未来第一设定时间内的风功率预测波动率可计算为:
上式中,PW,rate为风电场额定功率;若判断所述风功率预测波动率大于风电并网标准功率波动率限值,则判断需要调用储能单元;即当γF%≤γ%时,γ%为规定的风电并网标准功率波动率限值,此时代表未来15min内风功率波动较低,不需要储能进行平抑。相反的,当γF%>γ%时,代表风功率波动较大,需要调用储能。
步骤S22、一阶低通滤波器的离散化形式可获得为:
Ptag(t)=xPtag(t-Δt)+(1-x)PW(t)
上式中,式中x=Tf/Tf+Δt,取值范围为[0,1);Tf为滤波时间常数;PW(t)为t时刻的风功率;Ptag(t)为t时刻的并网目标功率;
确定未来第一设定时间内的目标功率预测值:
上式中,Ptag,F(t+Δt)为较t下一时刻的并网目标功率预测值;PW,F(t)为t时刻风功率预测值;
令初始时刻的Ptag(t)=PW,F(t),确定第一设定时间内储能的功率指令预测参考值为:
式中,PBref,F(t+Δt)为较t下一时刻的BESS功率指令预测值;
步骤S23、确定目标函数为:J=minx;
对应约束条件为:
0≤|PBref,F(t+iΔt)|≤PB,rate
上式中,PB,rate为储能的额定功率;求解得到xmin,以确定滤波时间常数:
确定第一设定时间内储能的储能的功率指令参考值为:
步骤S3、确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
步骤S31、获取风储联合并网系统中各储能单元的荷电状态,将各储能单元的荷电状态由低到高一次选取分级线为:0、SOCmin、SOClow、SOCave、SOChigh、SOCmax、1;其中,SOCmin、SOClow、SOChigh、SOCmax均为预设经验阈值;SOCave为理想化均值;
基于所述分级线划定分级区:(0,SOCmin)、(SOCmin,SOClow)、(SOClow,SOChigh)、(SOChigh,SOCmax)、(SOCmax,1);对应分级区内的储能单元的个数分别为a、b、c、d、e;
其中,(0,SOCmin)为禁止放电区;(SOCmax,1)为禁止充电区;(SOCmin,SOClow)为多充少放区,分级区内储能单元充电优先级高于放电优先级;(SOChigh,SOCmax)为多放少充区,分级区内的储能单元放电优先级高于充电优先级;(SOClow,SOChigh)为正常充放区,分级区内的储能单元的放电优先级、充电优先级相同;
步骤S32、获取功率指令参考值PB,ref,若判断PB,ref>0,则表示储能进入放电模式,对步骤S31中各分级区的中的储能单元分配放电指令;若判断PB,ref<0,则进入储能充电模式,对步骤S31中各分级区的中的储能单元分配充电指令。
所述步骤S32中,当PB,ref>0时,表示此刻储能进入放电模式,如图3中所示,可分为以下4种状态:
状态1:若判断PB,ref>0,且PB,ref≤(a+b)Pi,rate,其中,Pi,rate为第i台储能单元的额定功率;则表示荷电状态SOC处于(SOChigh,1)的储能单元可以完成此放电指令,按照SOC的大小降序排列,(SOChigh,1)分级区内储能单元按照额定功率依次分配放电指令,其余储能单元不需被调用;
上式中,SOCi为第i台储能单元的荷电状态;DODi为第i台储能单元的放电深度;Erate_i为第i台储能单元的额定容量;
状态2:若判断PB,ref>0,且(a+b)Pi,rate<PB,ref≤(a+b+c)Pi,rate,则表示需调用SOC处于分级区(SOClow,1)内储能单元可完成放电指令;对应储能单元的功率指令为:
状态3:若判断PB,ref>0,且(a+b+c)Pi,rate<PB,ref≤(a+b+c+d)Pi,rate,则表示需要调用SOC处于(SOCmin,SOClow)分级区的储能单元,对应储能单元按照下式放电:
状态4:若判断PB,ref>0,且(a+b+c+d)Pi,rate<PB,ref,则代表此时平抑风功率波动所需的储能功率十分大,需要调用大部分储能单元,但为了避免处于(0,SOCmin)的储能单元SOC继续跌落,仅调用处于(SOCmin,1)区间的储能单元全部按照额定功率放电。
所述步骤S32中,当PB,ref<0时,表示此刻储能进入充电模式,如图3中所示,同理可分为以下4种情况:
状态5:若判断PB,ref<0,且PB,ref>-(d+e)Pi,rate,则表示SOC处于(0,SOClow)的储能单元需要完成充电指令,按照SOC的大小升序排列,选取储能单元按照额定功率依次以额定功率充电;
状态6:若判断PB,ref<0,且-(d+e)Pi,rate≥PB,ref>-(c+d+e)Pi,rate,则调用SOC处于(0,SOChigh)分级区的储能单元可完成充电指令;对应储能单元的功率指令为:
状态7:若判断PB,ref<0,且-(c+d+e)Pi,rate≥PB,ref>-(b+c+d+e)Pi,rate,则需要紧急调用SOC处于(SOChigh,SOCmax)分级区的储能单元,对应储能单元按照下式充电:
状态8:若判断PB,ref<0,且-(b+c+d+e)Pi,rate≥PB,ref,,为了避免处于(SOCmax,1)的储能单元SOC继续升高,仅选择处于(0,SOCmax)区间的储能单元全部按照额定功率充电。
步骤S33、在完成功率分配任务后,各储能单元按照实际功率指令进行充放电,完成对风功率的平抑。储能总功率计算如下:
选取如图4所示的典型风电储能联合并网系统,验证了本发明实施例提供的计及计及多储能单元出力水平的风功率波动平抑控制方法的有效性。其中,该风电场由23台单机容量/额定电压为2.2MW/0.69kV的双馈感应风力发电机构成,共有两条集电线路,分别包含11、12台机组,总装机容量为50.6MW。储能由8台单机容量为0.625MW/1.25MWh的储能单元组成。每4台储能单元为一组,总规模为5MW/10MWh。风速采样和储能功率指令计算步长为3min,平滑控制目标为将15min内风功率的波动率限制在7%以下,风功率预测误差分布的方差σ设置为0.5。储能荷电状态分级中的SOCmin、SOClow、SOCave、SOChigh、SOCmax依次设置为0.1,0.3,0.5,0.7,0.9。本仿真实验将1号~8号储能单元的SOC依次设置为0.95、0.9、0.6、0.55、0.5、0.4、0.1、0.05。
由图6可知,经过储能装置对风电功率的平抑后,并网功率的波动率与粗糙度大大降低,且各储能单元按照储能装置的功率大小有序分配功率指令,图7为本发明实施例中储能装置有功出力曲线图;由图8可知,在9h以后各储能单元的SOC趋于一致,实现了SOC的均衡。
由图5、6可知,绝大部分平抑后的15min内并网功率波动率已降至7%以下,平抑前风功率波动最大值高达9.82MW,波动率高达19.41%,经过BESS平抑后,并网功率波动最大值降至5.84MW,波动率降至11.54%,平抑效果良好,极大提高了风电场的并网稳定性。
图7、8为本发明实施例下1号、8号储能单元的功率与各储能单元SOC的波动曲线。由图7、8可知,在本实施例的方法下将实时根据各储能单元SOC所在区间与储能功率指令选取合适的储能单元分配功率。当1号储能单元SOC位于禁止充电区时,只放电不充电,同理,8号储能单元的SOC在上升至0.1之前只充电不放电,以确保各储能单元的SOC迅速恢复至正常充放区。且如图8所示,在30min~60min时间内,所需的放电功率指令不高,仅调用1号与2号储能单元进行放电,确保其SOC迅速从禁止充电区降低,其余储能单元不工作,也避免了7号与8号储能单元的SOC继续跌落。在60min~75min内,仅选取3号~8号储能单元完成充电指令,且SOC处于禁止放电区的7号与8号储能单元按照额定功率充电,SOC快速上升以减小SOC波动区间并加快均衡速度。
本发明实施例还提供一种涉及多储能单元的风功率波动平抑控制系统,基于上述各实施例中的涉及多储能单元的风功率波动平抑控制方法,包括:
风功率预测模块,确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
滤波时间常数自适应调节模块,以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令;
功率指令分配模块,确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
基于相同的构思,本发明实施例还提供了一种实体结构示意图,如图9所示,该服务器可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如上述各实施例所述涉及多储能单元的风功率波动平抑控制方法的步骤。例如包括:
步骤S1、确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
步骤S2、以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令;
步骤S3、确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现如上述各实施例所述涉及多储能单元的风功率波动平抑控制方法的步骤。例如包括:
步骤S1、确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
步骤S2、以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令;
步骤S3、确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被主控设备执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述,本发明实施例提供的一种涉及多储能单元的风功率波动平抑控制方法和系统,充分考虑多储能单元实时出力能力,在兼顾功率平抑目标的同时实现减小储能电池能量调用、各储能单元充放电切换次数、荷电状态波动区间与差异程度。引入超短期风功率预测,根据预测数据建立滤波时间常数优化模型,得到滤波时间常数最优解以及最小储能功率指令;提出了一种分层复合式储能单元功率分配方法,实现了多储能单元的功率指令分配,确保了储能单元荷电状态均衡、避免了过充过放与频繁充放电的现象,延长了储能的使用寿命;本发明实施例的方案也适用于其他新能源储能联合系统并网中的功率波动问题。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种涉及多储能单元的风功率波动平抑控制方法,其特征在于,包括:
步骤S1、确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
步骤S2、以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令;
步骤S3、确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
2.根据权利要求1所述的涉及多储能单元的风功率波动平抑控制方法,其特征在于,所述步骤S1中,所述风电场历史数据包括风电场历史风速数据、风向数据、风功率数据;
所述步骤S1具体包括:
基于风电场历史风速数据、风向数据、风功率数据和未来天气信息建立风功率超短期预测模型;
基于风功率预测误差分布确定未来第一设定时间内的预测误差为:
上式中,E(j,n)为风功率预测误差分布按照正态分布生成的随机数矩阵,j为生成次数;PW,f(t+iΔt)(i=1,2,3…T/Δt)为未来(t,t+T)时间内风功率预测数据,其中Δt为采样步长,T为超短期预测周期,n=T/Δt为离散化的取样数;
基于所述风功率超短期预测模型和预测误差获取预测未来第一设定时间内的风功率预测数据:
3.根据权利要求2所述的涉及多储能单元的风功率波动平抑控制方法,其特征在于,所述步骤S2具体包括:
步骤S21、确定未来第一设定时间内的风功率预测波动率:
上式中,PW,rate为风电场额定功率;若判断所述风功率预测波动率大于风电并网标准功率波动率限值,则判断需要调用储能单元;
步骤S22、确定一阶低通滤波器的离散化形式:
Ptag(t)=xPtag(t-Δt)+(1-x)PW(t)
上式中,式中x=Tf/Tf+Δt,取值范围为[0,1);Tf为滤波时间常数;PW(t)为t时刻的风功率;Ptag(t)为t时刻的并网目标功率;
确定未来第一设定时间内的目标功率预测值:
上式中,Ptag,F(t+Δt)为较t下一时刻的并网目标功率预测值;PW,F(t)为t时刻风功率预测值;
令初始时刻的Ptag(t)=PW,F(t),确定第一设定时间内储能的功率指令预测参考值为:
式中,PBref,F(t+Δt)为较t下一时刻的电池储能系统BESS功率指令预测值;
步骤S23、确定目标函数为:J=minx;
对应约束条件为:
0≤|PBref,F(t+iΔt)|≤PB,rate
上式中,PB,rate为储能的额定功率;
求解得到xmin,以确定滤波时间常数:
确定第一设定时间内储能的储能的功率指令参考值为:
4.根据权利要求3所述的涉及多储能单元的风功率波动平抑控制方法,其特征在于,所述步骤S3具体包括:
步骤S31、获取风储联合并网系统中各储能单元的荷电状态,将各储能单元的荷电状态由低到高一次选取分级线为:0、SOCmin、SOClow、SOCave、SOChigh、SOCmax、1;其中,SOCmin、SOClow、SOChigh、SOCmax均为预设经验阈值;SOCave为理想化均值;
基于所述分级线划定分级区:(0,SOCmin)、(SOCmin,SOClow)、(SOClow,SOChigh)、(SOChigh,SOCmax)、(SOCmax,1);对应分级区内的储能单元的个数分别为a、b、c、d、e;
其中,(0,SOCmin)为禁止放电区;(SOCmax,1)为禁止充电区;(SOCmin,SOClow)为多充少放区,分级区内储能单元充电优先级高于放电优先级;(SOChigh,SOCmax)为多放少充区,分级区内的储能单元放电优先级高于充电优先级;(SOClow,SOChigh)为正常充放区,分级区内的储能单元的放电优先级、充电优先级相同;
步骤S32、获取功率指令参考值PB,ref,若判断PB,ref>0,则表示储能进入放电模式,对步骤S31中各分级区的中的储能单元分配放电指令;若判断PB,ref<0,则进入储能充电模式,对步骤S31中各分级区的中的储能单元分配充电指令。
5.根据权利要求4所述的涉及多储能单元的风功率波动平抑控制方法,其特征在于,所述步骤S32中,若判断PB,ref>0,且PB,ref≤(a+b)Pi,rate,其中,Pi,rate为第i台储能单元的额定功率;则表示荷电状态SOC处于(SOChigh,1)的储能单元可以完成此放电指令,按照SOC的大小降序排列,(SOChigh,1)分级区内储能单元按照额定功率依次分配放电指令;
上式中,SOCi为第i台储能单元的荷电状态;DODi为第i台储能单元的放电深度;Erate_i为第i台储能单元的额定容量;
若判断PB,ref>0,且(a+b)Pi,rate<PB,ref≤(a+b+c)Pi,rate,则表示需调用SOC处于分级区(SOClow,1)内储能单元可完成放电指令;对应储能单元的功率指令为:
若判断PB,ref>0,且(a+b+c)Pi,rate<PB,ref≤(a+b+c+d)Pi,rate,则表示需要调用SOC处于(SOCmin,SOClow)分级区的储能单元,对应储能单元按照下式放电:
若判断PB,ref>0,且(a+b+c+d)Pi,rate<PB,ref,则表示需要调用处于(SOCmin,1)区间的储能单元全部按照额定功率放电。
6.根据权利要求4所述的涉及多储能单元的风功率波动平抑控制方法,其特征在于,所述步骤S32中,若判断PB,ref<0,且PB,ref>-(d+e)Pi,rate,则表示SOC处于(0,SOClow)的储能单元需要完成充电指令,按照SOC的大小升序排列,选取储能单元按照额定功率依次以额定功率充电;
若判断PB,ref<0,且-(d+e)Pi,rate≥PB,ref>-(c+d+e)Pi,rate,则调用SOC处于(0,SOChigh)分级区的储能单元可完成充电指令;对应储能单元的功率指令为:
若判断PB,ref<0,且-(c+d+e)Pi,rate≥PB,ref>-(b+c+d+e)Pi,rate,则调用SOC处于(SOChigh,SOCmax)分级区的储能单元,对应储能单元按照下式充电:
若判断PB,ref<0,且-(b+c+d+e)Pi,rate≥PB,ref,则选择处于(0,SOCmax)区间的储能单元全部按照额定功率充电。
7.一种涉及多储能单元的风功率波动平抑控制系统,其特征在于,包括:
风功率预测模块,确定风储联合并网系统中的风电场历史数据,基于所述风电场历史数据和预先建立的风功率超短期预测模型预测未来第一设定时间内的风功率预测数据;
滤波时间常数自适应调节模块,以滤波时间常数最小为优化目标,平抑后风功率波动率低于预设波动率、储能功率低于额定功率为约束条件,将一阶低通滤波器离散化后,基于所述风功率预测数据和所述一阶低通滤波器构建滤波时间常数优化模型,以确定第一设定时间内的最小滤波时间常数和储能功率指令;
功率指令分配模块,确定风储联合并网系统中各储能单元的储能荷电状态,基于所述储能功率指令对各储能单元的储能荷电状态进行分级判定,并基于分层复合式分配方法确定各储能单元的功率指令。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述涉及多储能单元的风功率波动平抑控制方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述涉及多储能单元的风功率波动平抑控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484404.3A CN115912399A (zh) | 2022-11-24 | 2022-11-24 | 一种涉及多储能单元的风功率波动平抑控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484404.3A CN115912399A (zh) | 2022-11-24 | 2022-11-24 | 一种涉及多储能单元的风功率波动平抑控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115912399A true CN115912399A (zh) | 2023-04-04 |
Family
ID=86495113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211484404.3A Pending CN115912399A (zh) | 2022-11-24 | 2022-11-24 | 一种涉及多储能单元的风功率波动平抑控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115912399A (zh) |
-
2022
- 2022-11-24 CN CN202211484404.3A patent/CN115912399A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farzin et al. | Stochastic energy management of microgrids during unscheduled islanding period | |
CN107994595B (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
Meng et al. | Dynamic frequency response from electric vehicles considering travelling behavior in the Great Britain power system | |
CA3082974A1 (en) | Energy management system, power demand plan optimization method, and power demand plan optimization program | |
US20140012426A1 (en) | Power leveling controller, power leveling storage battery, and method | |
CN112398151B (zh) | 海上风电储能配置方法、装置、电子设备及存储介质 | |
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 | |
CN102769155A (zh) | 一种面向有源智能配电网的电动汽车有序充电方法 | |
CN113285490A (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
Zhang et al. | Sequence control strategy for hybrid energy storage system for wind smoothing | |
Zhou et al. | Interval optimization combined with point estimate method for stochastic security-constrained unit commitment | |
Naidji et al. | Efficient allocation strategy of energy storage systems in power grids considering contingencies | |
CN105162173A (zh) | 一种接入风力发电的电力系统备用容量确定方法 | |
US20230148201A1 (en) | Method and system for supplying power to device, and related device | |
Liu et al. | Control strategy of BESS for smoothing fluctuation of photovoltaic power based on fuzzy control theory | |
CN115912399A (zh) | 一种涉及多储能单元的风功率波动平抑控制方法和系统 | |
CN116565874A (zh) | 一种考虑光储用户并网的配电网多时间尺度优化调度方法 | |
CN110336308A (zh) | 一种基于机会约束的主动配电网经济调度方法 | |
CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
CN116154777A (zh) | 电动汽车充电的调度控制方法、装置、计算机设备 | |
CN110518612B (zh) | 一种配电网储能系统配置参数的确定方法及装置 | |
CN113650515A (zh) | 电动汽车充电控制方法、装置、终端设备及存储介质 | |
CN115189345A (zh) | 一种多储能单元soc均衡的风功率波动平抑方法和系统 | |
CN113516306B (zh) | 飞轮储能系统的功率配置方法、装置、介质和电子设备 | |
CN117350580A (zh) | 一种支撑电网运行的多点分布式储能选址定容决策计算方法、装置及存储介质 |
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 |