CN116073403A - 一种模糊逻辑控制驱动下的风电功率波动平抑方法 - Google Patents
一种模糊逻辑控制驱动下的风电功率波动平抑方法 Download PDFInfo
- Publication number
- CN116073403A CN116073403A CN202310287392.3A CN202310287392A CN116073403A CN 116073403 A CN116073403 A CN 116073403A CN 202310287392 A CN202310287392 A CN 202310287392A CN 116073403 A CN116073403 A CN 116073403A
- Authority
- CN
- China
- Prior art keywords
- power
- energy storage
- wind power
- wind
- transition probability
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000087 stabilizing effect Effects 0.000 title claims abstract description 15
- 238000004146 energy storage Methods 0.000 claims abstract description 108
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000013486 operation strategy Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000002699 waste material Substances 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005309 stochastic process Methods 0.000 claims 1
- 239000003990 capacitor Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种模糊逻辑控制驱动下的风电功率波动平抑方法,包括如下步骤:步骤1,基于自适应马尔可夫链的储能需求不确定性建模,完成对储能需求不确定性的描述;步骤2,利用储能辅助支撑的风电功率优化控制技术,优化计算得到以经济性最优为目标的风电功率与储能充放电功率的运行策略;步骤3,对风电功率与储能充放电功率的运行策略进行改进,引入基于模糊逻辑控制获得的模糊逻辑控制因子,加速风储功率优化决策的获取。通过本发明的方法能够实现高效经济的风储功率优化决策,减少风电功率的波动。
Description
技术领域
本发明涉及风力发电技术领域,具体是一种模糊逻辑控制驱动下的风电功率波动平抑方法 。
背景技术
风电的随机性和波动性增加了电网的消纳难度与风险。风电的波动分为长时间季节性的大周期波动和短时间时刻变化型的小波动。长时间季节性的波动容易导致大量弃风,造成资源浪费。短时间时刻变换的小波动,将造成电网的电压、频率波动,不利于电网的安全稳定运行。储能资源可以利用其蓄电和快速充放电的能力,辅助风电功率平抑其功率波动。而现有的风储系统功率波动平抑技术,多注重单时刻的功率信号追踪,通过设置控制器实现反馈信息好追踪达到功率平移的效果。而忽略了用于平抑功率波动的储能,大多能量存储能力有限,需要兼顾多个时刻的运行状态。但是,兼顾多个时刻的运行状态将导致模型求解的速度减慢,不利于功率波动平抑的即时性与快速性。
发明内容
为了解决上述问题,本发明提供了一种能兼顾多时刻调节需求和快速求解的风电系统功率波动平抑方法。
为了达到上述目的,本发明是通过以下技术方案来实现的:
本发明是一种模糊逻辑控制驱动下的风电功率波动平抑方法 ,包括如下步骤:
步骤1,基于自适应马尔可夫链的储能需求不确定性建模,完成对储能需求不确定性的描述;
步骤2,利用储能辅助支撑的风电功率优化控制方案,优化计算得到以经济性最优为目标的风电功率与储能充放电功率的运行策略;
步骤3,将基于模糊逻辑控制获得的模糊逻辑控制因子带入风电功率与储能充放电功率的运行策略中进行计算,获得风储功率优化决策。
本发明的进一步改进在于:所述步骤1具体操作步骤为:
步骤1.1,通过马尔可夫链技术对时序随机的储能需求进行建模,获得马尔可夫转移概率矩阵,根据历史功率需求数据,通过最大似然估计方法确定转移概率的值;
步骤1.2,选用最新获得的实时数据对马尔可夫转移概率矩阵进行更新,形成增强马尔可夫模型的自适应能力;
步骤1.3,生成风电功率场景,在保留储能的功率预测的关键特征的前提下,采用k-means聚类算法,对预测的风电功率需求数据进行削减,减少功率场景个数,从而提高问题的求解能力。
本发明的进一步改进在于:所述步骤1.1中假设在时刻t的系统对储能的功率需求为,将t+1时刻的功率需求作为一个随机过程建立预测模型,得到马尔可夫状态转移概率矩阵为确定转移概率的值的表达式为:
其中,s为所有的状态数,为功率状态i到功率状态 的转移次数,为历史功率需求数据中从功率状态 到所有状态的转移次数之和,、 为储能功率需求。
本发明的进一步改进在于:所述步骤1.2的具体步骤为:
步骤1.21,首先根据历史数据,获得最初始的马尔可夫转移概率矩阵;
步骤1.22,获得最新时长的实时数据,对马尔可夫转移概率进行更新,假设当前时刻t的储能功率需求为,则更新后的转移概率计算为:
其中,是从功率状态到功率状态的迁移次数,是前时长中从功率状态开始到结束的迁移次数的总和;
步骤1.23,基于获得的新的概率,对马尔可夫转移概率进行更新,得到新的转移概率,用下式调整转移概率矩阵的第 行,其中,马尔可夫转移概率为:
其中为中第行在前一时刻的转移概率,为自适应调整系数,决定了当前的数据更新的权重,的值根据预测结果进行调整;
转移概率矩阵的第行中每个元素被调整为:
;
步骤1.24,基于步骤1.22 和1.23,对马尔可夫转移转移概率矩阵的任意一行进行更新,且保证任何一行都应该满足,,马尔可夫转移概率矩阵的更新表达为:。
本发明的进一步改进在于:所述步骤2的具体操作步骤为:
步骤2.1,以风储联合系统储能的运行成本最小化和风电的功率波动代价最小化为目标建立目标函数,目标函数的表达式为:其中,和分别为储能系统充放电的价格和单位风电波动的代价,和分别为储能的充放电功率和风电的削减功率,表示单位步长时间,T 表示总时间;
步骤2.2,确定目标函数的约束条件,其中,约束条件如下:
a、功率平衡;针对有储能辅助支撑的风电系统,其对外输出的功率为:
其中,为t 时刻的风力发电输出,表示储能的充放电功率,当功率为负时,表示储能的充电功率;当功率为正时,表示储能提供放电功率;
b、风电弃风约束;
当系统处于恶劣运行条件下,需要通过风电弃风为系统提供有力的控制效果,弃风控制功率指令需要满足以下条件:当时,表示风电系统不弃风;当时,表示风电系统完全弃风;
c、储能的功率和容量约束;
储能系统下一时刻的能量状态根据当前时刻的能量状态和功率指令计算获得,表达式为:其中, 是储能系统在t 时刻的能量状态,是储能系统的充放电系数;
储能系统的交换功率受到额定功率和能量状态的双重约束,以避免对储能系统造成过充或过放,约束条件为:其中, k 为储能功率的模糊逻辑控制因子,是储能系统放电功率上限,为正值; 是储能系统充电功率上限,为负值; 和为储能系统能量状态的上下限;
d、储能与弃风优先级约束;
在风电发电过程中,储能的优先级高于弃风控制的优先级,即只有当储能系统放电时,不允许风电系统弃风,其数学表达式为:。
本发明的进一步改进在于:步骤3中,根据风电功率的实时变化采用模糊控制系统来对模糊控制因子k进行调整,具体步骤为:
步骤3.1,模糊化:将储能系统的能量状态和储能系统功率需求作为模糊控制器的输入,将模糊逻辑控制因子k作为模糊控制器的输出,定义和的模糊变量缩写为NB、NM、Z、PM、PB,定义的模糊变量缩写为VS、S、M、L、VL,其中,NB表示较大的负数,取值范围为[-1p.u. ,-0.6 p.u.],表征储能需要的放电功率较大;NM表示大小适中的负数,取值范围为[-0.6 p.u. , -0.2 p.u.],表征储能需要的放电功率;Z表示其取值范围在0附近,[-2 p.u. , 0.2 p.u.],PM表示大小适中的正数,取值范围为[0.2p.u. , 0.6p.u.],表征储能需要的充电功率适中;PB表示较大的正数,取值范围为[0.6 p.u. , 1p.u.],表征储能需要的充电功率较大,而VS、S、M、L、VL均表示储能的容量,分别为很小[0p.u.,0.2p.u.],较小[0.2p.u., 0.4p.u.],适中[0.4p.u., 0.6p.u.],较大[0.6p.u.,0.8p.u.],很大[0.8p.u., 1p.u.];p.u.为 per unit 的简称,为标幺值;
步骤3.2,模糊推理:基于模糊逻辑系统的模糊逻辑规则获得的模糊控制因子k的值;
步骤3.3,去模糊化:利用中心法求解得到具体的模糊控制因子 k 的值。
本发明的有益效果是:1、本发明提出采用自适应马尔可夫链实现对储能需求不确定的建模与描述,更为精准的捕捉到了风电系统对储能需求波动的变化。
2、本发明避开了传统控制器的设计,引入了一种基于启发式的控制系统——模糊逻辑控制系统,实现了储能辅助下的风电高效经济功率平衡控制。
附图说明
图1是本发明方法的流程图;
图2是本发明实施例中采用不同模型的风电出力预测结果;
图3是本发明实施例中100MW的风电机组在得到超级电容的辅助支撑下运行一段时间的风储协同风电功率变化图;
图4是本发明实施例中100MW的风电机组在得到超级电容的辅助支撑下运行一段时间的风储协同储能功率变化图;
图5是本发明实施例中100MW的风电机组在得到超级电容的辅助支撑下运行一段时间的风储协同储能容量变化图;
图6是本发明实施例中模糊逻辑控制的k值变化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明是一种模糊逻辑控制驱动下的风电功率波动平抑方法 ,包括如下步骤:
步骤1,基于自适应马尔可夫链的储能需求不确定性建模,完成对储能需求不确定性的描述;
通过马尔可夫链技术可以实现对时序随机的储能需求进行建模,获得马尔可夫转移概率矩阵,然后通过最大似然估计方法确定转移概率的值,然而由于储能需求的不确定性是由于风电的不确定性引起的,而风电不确定性仅依靠固定的历史数据无法捕捉其历史规律。因此,选用最新获得的实时数据对马尔可夫转移概率矩阵进行更新,形成增强马尔可夫模型的自适应能力,从而提高储能需求预测的准确性;
步骤2,利用储能辅助支撑的风电功率优化控制技术,优化计算得到以经济性最优为目标的风电功率与储能充放电功率的运行策略;
含储能的风电波动优化控制模型以最小化储能运行成本和风电的弃风损失为目标,综合考虑功率平衡约束,风电弃风约束,储能的功率和容量约束以及储能和风电弃风优先级约束,通过优化计算获得风电弃风量和储能的充放电调度结果;
步骤3,对步骤2的风电功率与储能充放电功率的运行策略进行改进,引入基于模糊逻辑控制获得的模糊逻辑控制因子,加速风储功率优化决策的获取;模糊逻辑控制技术包含模糊化、模糊推理和去模糊化三个部分。将系统的能量状态、不确定功率需求等作为输入,通过设计的模糊控制器,快速获取储能的功率调节方案,从而实现高效经济的风储功率优化决策,减少风电功率的波动。
步骤1的具体操作步骤为:
马尔可夫模型
将风电功率状态划分为多个离散状态,,其中s为状态数(假设储能的放电为正,充电为负)。状态数s的取值是由需求功率的范围和历史数据的数量决定的。历史数据和状态数量越多,预测的精度越高,转移概率矩阵越复杂。如果状态数量过大,则每个样本点会减少,可能会导致预测结果不准确。所以,离散状态集P是模型复杂性与捕获状态转移规律能力之间的权衡,需要在实际操作中确定。假设在时刻t的系统对储能的功率需求为,将t+1时刻的功率需求作为一个随机过程建立预测模型,得到马尔可夫状态转移概率矩阵为:
;
根据历史功率需求(即预测误差)数据,通过最大似然估计方法确定转移概率的值,表达式为:(1)
其中,其中,s 为所有的状态数,为功率状态到功率状态 的转移次数,为历史功率需求数据中从功率状态到所有状态的转移次数之和, 、为储能功率需求。
1.2, 自适应马尔可夫模型
AGC命令的调整主要是由风电波动引起的。为了更准确的预测功率需求,可以利用后验信息实时调整过渡矩阵,可以提高马尔可夫模型的概率准确度。对自适应的马尔可夫转移概率矩阵进行如下调整:
由于风电的不确定性波动,引起了预测误差。然而预测误差的波动特征也会随着时间而不断发生改变。因此,仅依靠历史数据获得的马尔可夫转移概率矩阵可能会随着时间推移而不再适用。基于此,本发明考虑利用基于最新获得的实时数据对马尔可夫转移概率矩阵进行更新,增强马尔可夫模型的自适应能力,提供预测的准确度。基于最新获得的实时数据,对马尔可夫模型进行的自适应改进如下:
步骤1:首先根据历史数据,通过式(1)获得最初始的马尔可夫转移概率矩阵,然后重复步骤(2)-(4);
步骤2:获得最新的实时数据,对马尔可夫转移概率进行更新;假设当前时刻的储能功率需求为,则更新后的转移概率计算为:
(2)
其中 ,是从功率状态到功率状态的迁移次数,是前时长中从功率状态开始到结束的迁移次数的总和;
步骤3:基于获得的新的概率,对马尔可夫转移概率进行更新,得到新的转移概率,并调整马尔可夫转移概率矩阵的第行,得到为:
(3)
式中为为马尔可夫转移概率矩阵中第行在前一时刻的转移概率,为自适应调整系数,决定了当前的数据更新的权重。由于指数函数的曲线是非线性的,在上式中,使用指数函数来调整马尔可夫转移概率。的差值越大,马尔可夫转移概率的变化越大。的值可以根据预测结果进行调整。
马尔可夫转移概率矩阵的第行中每个元素被马尔可夫转移概率调整为:
(4)
步骤(4):基于步骤(2)和(3),对马尔可夫转移概率矩阵的任意一行进行更新,且保证任何一行马尔可夫转移概率矩阵都应该满足,。综上,马尔可夫状态转移概率矩阵的更新可以写作:
(5)
1.3,风电功率场景生成
时序风电功率是可以通过预测其概率分布,可以生成相应的场景。生成场景使得原问题中的不确定场景问题转变为确定性场景的求解问题,但当场景集规模过大时,会极大增加问题的求解难度。因此,需要在保留储能的功率预测的关键特征的前提下,采用k-means聚类算法,对预测的风电功率需求数据进行削减,减少功率场景个数,从而提高问题的求解能力。聚类后的各场景发生概率不同,所有场景概率总和为1。
步骤2的具体操作为:
2.1 目标函数
对于有储能辅助支撑的风电系统而言,整个系统的优化控制目标应是风储联合系统运行成本最小化,具体包含两方面:1)储能的运行成本;2)风电的功率波动代价。具体数学模型如下:其中,和分别为储能系统充放电的价格和单位风电波动的代价,和分别为储能的充放电功率和风电的削减功率,表示单位步长时间,T 表示总时间;
2.2 约束条件
1)功率平衡
针对有储能辅助支撑的风电系统,其对外输出的功率为 (6)
其中,为t时刻的风力发电输出,表示储能的充放电功率,当功率为负时,表示储能的充电功率;当功率为正时,表示储能提供放电功率。
2)风电弃风约束
当系统处于恶劣运行条件下,可能需要通过风电弃风为系统提供有力的控制效果。弃风控制功率指令需要满足以下条件: (7)
当时,表示风电系统不弃风;当时,表示风电系统完全弃风;
3)储能的功率和容量约束
储能系统下一时刻的能量状态可以根据当前时刻的能量状态和功率指令计算获得。
(8)
其中,是储能系统在时刻的能量状态,是储能系统的充放电系数。
储能系统的交换功率受到额定功率和能量状态的双重约束,以避免对储能系统造成过充或过放,其中约束条件为:
(9)
其中, k 为储能功率的模糊逻辑控制因子,是储能系统放电功率上限,为正值; 是储能系统充电功率上限,为负值; 和为储能系统能量状态的上下限;
4)储能与弃风优先级约束
在风电发电过程中,储能的优先级高于弃风控制的优先级,即只有当储能系统放电时,不允许风电系统弃风。其数学表达式为: (10).
步骤3的具体操作为:
本文中需要对参数k进行调整,参数k不仅会影响组合输出功率的变化,也会对储能系统的功率指令和能量状态有较大的影响。所以,参数k需要根据风电功率的实时变化进行调整。
模糊逻辑系统是一种基于启发性的知识及语言决策规则设计的控制系统,它提供了一种量化语言信息和在模糊逻辑规则下利用这类语言信息的一般化模式,能够增强控制系统的适应能力。基于控制法则描述变量之间的关系,使得系统设计大大简化。因此,本文采用模糊控制系统来实现对参数的调整。模糊控制系统主要有三个部分组成,分别为:模糊化、模糊推理和去模糊化。
(1)模糊化。
模糊化的过程是将精确的数字量映射到模糊变量。在该过程中,需要定义一个隶属度函数,用于实现数字量到语言变量的转换。本文中,将储能系统的能量状态和储能系统功率需求作为模糊控制器的输入,将模糊逻辑控制因子k作为模糊控制器的输出。相应的模糊集和隶属度函数由变量的特点来确定。定义k和的模糊变量缩写为NB、NM、Z、PM、PB,定义的模糊变量缩写为VS、S、M、L、VL。
(2)模糊推理。
模糊逻辑系统的模糊推理引擎中有一个模糊规则库,该规则库中包含所有可能的输入输出组合,实现从输入到输出的转换,具体的模糊规则如表1所示。其中,NB表示较大的负数,取值范围为[-1p.u. ,-0.6 p.u.],表征储能需要的放电功率较大;
NM表示大小适中的负数,取值范围为[-0.6 p.u. , -0.2 p.u.],表征储能需要的放电功率;Z表示其取值范围在0附近,[-2 p.u. , 0.2 p.u.]。PM表示大小适中的正数,取值范围为[0.2p.u. , 0.6p.u.],表征储能需要的充电功率适中;PB表示较大的正数,取值范围为[0.6 p.u. , 1p.u.],表征储能需要的充电功率较大。而VS、S、M、L、VL均表示储能的容量,分别为很小[0p.u., 0.2p.u.],较小[0.2p.u., 0.4p.u.],适中[0.4p.u.,0.6p.u.],较大[0.6p.u., 0.8p.u.],很大[0.8p.u., 1p.u.];p.u.为“per unit”的简称,为标幺值。
表1基于模糊逻辑规则获得的模糊控制系数k的值
(3)去模糊化。
去模糊化为了得到具体的数值化输出,进而通过该输出值调节储能系统的功率输出。最常用的去模糊化方法是中心法,利用该方法可以求解得到k的值。
结合实例进行分析如下:
基于我国张北风光储示范工程的风力发电数据展开分析,基于MATLAB平台展开仿真,以额定容量为100MW的风电机组为例进行。采用CPLEX求解器进行求解。由于本文所提的方法的平均计算时间为0.03s,因此可以用于实时运行控制。
如图2所示,对比所提出的采用传统的马尔可夫链获得的预测出力结果,采用具有自适应系数修正的马尔可夫链模型的更接近实际出力。从图中数据可知,基于传统预测方法获得的预测数据较实际值的偏差更大,部分甚至高达13.33%。而采用所提的马尔可夫链方法,获得的风电出力预测数据将波动误差缩小至5.66%。采用更精准的预测数据是更好的展开实时风储协同控制的前提。
经过仿真分析,100MW的风电机组,在得到超级电容(功率为10MW,能量为0.33MWh)的辅助支撑下,其运行一段时间的风储协同功率变化如图3、图4、图5所示,与此相对应的模糊逻辑控制的k值如图6所示。从图中可以看出,风电的实际功率和期望功率存在加大的偏差,这样的偏差不利于风电功率并网运行。在本文所提出的算法下,风储协同的功率输出逼近期望风电功率,误差小于1%,显著减小了风电功率波动。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种模糊逻辑控制驱动下的风电功率波动平抑方法 ,其特征在于:所述方法包括如下步骤:
步骤1,基于自适应马尔可夫链的储能需求不确定性建模,完成对储能需求不确定性的描述;
步骤2,利用储能辅助支撑的风电功率优化控制方案,优化计算得到以经济性最优为目标的风电功率与储能充放电功率的运行策略;
步骤3,将基于模糊逻辑控制获得的模糊逻辑控制因子带入风电功率与储能充放电功率的运行策略中进行计算,获得风储功率优化决策。
2.根据权利要求1所述的一种模糊逻辑控制驱动下的风电功率波动平抑方法 ,其特征在于:所述步骤1具体操作步骤为:
步骤1.1,通过马尔可夫链技术对时序随机的储能需求进行建模,获得马尔可夫转移概率矩阵,根据历史功率需求数据,通过最大似然估计方法确定转移概率的值;
步骤1.2,选用最新获得的实时数据对马尔可夫转移概率矩阵进行更新,形成增强马尔可夫模型的自适应能力;
步骤1.3,生成风电功率场景,在保留储能的功率预测的关键特征的前提下,采用k-means聚类算法,对预测的风电功率需求数据进行削减,减少功率场景个数。
3.根据权利要求2所述的一种模糊逻辑控制驱动下的风电功率波动平抑方法 ,其特征在于:所述步骤1.1中,假设在时刻t的系统对储能的功率需求为,将t+1时刻的功率需求作为一个随机过程建立预测模型,得到马尔可夫转移概率矩阵为:确定转移概率的值的表达式为:其中,s 为所有的状态数,为功率状态到功率状态 的转移次数,为历史功率需求数据中从功率状态到所有状态的转移次数之和, 、为储能功率需求。
4.根据权利要求3 所述的一种模糊逻辑控制驱动下的风电功率波动平抑方法,其特征在于:所述步骤1.2 的具体步骤为:
步骤1.21,根据历史功率需求数据,获得最初始的马尔可夫转移概率矩阵;
步骤1.22,获得最新时长的实时数据,对马尔可夫转移概率进行更新,假设当前时刻的储能功率需求为,则更新后的马尔可夫转移概率计算为:
其中,是从功率状态到功率状态的迁移次数,是前时长中从功率状态开始到结束的迁移次数的总和;
步骤1.23,基于获得的新的马尔可夫转移概率,对马尔可夫转移概率进行更新,得到新的马尔可夫转移概率,用新的马尔可夫转移概率调整马尔可夫转移概率矩阵的第行,其中,马尔可夫转移概率为:其中,为中第行在前一时刻的转移概率,为自适应调整系数,决定了当前的数据更新的权重,的值根据预测结果进行调整;
马尔可夫转移概率矩阵的第行中每个元素被新的马尔可夫转移概率调整为:;
步骤1.24,基于步骤1.22 和1.23,对马尔可夫转移概率矩阵的任意一行进行更新,且保证任何一行都应该满足,马尔可夫转移概率矩阵的更新表达为:。
5.根据权利要求1 所述的一种模糊逻辑控制驱动下的风电功率波动平抑方法,其特征在于:所述步骤2 的具体操作步骤为:
步骤2.1,以风储联合系统储能的运行成本最小化和风电的功率波动代价最小化为目标建立目标函数,目标函数的表达式为:其中,和分别为储能系统充放电的价格和单位风电波动的代价, 和分别为储能的充放电功率和风电的削减功率,表示单位步长时间,T表示总时间;
步骤2.2,确定目标函数的约束条件,其中,约束条件如下:
a、功率平衡;
有储能辅助支撑的风电系统的对外输出的功率为:其中,为t 时刻的风力发电输出,表示储能的充放电功率,当功率为负时,表示储能的充电功率;当功率为正时,表示储能的放电功率;
b、风电弃风约束;
当系统处于恶劣运行条件下,需要通过风电弃风为系统提供有力的控制效果,弃风控制功率指令需要满足以下条件:当时,表示风电系统不弃风;当时,表示风电系统完全弃风;
c、储能的功率和容量约束;
储能系统下一时刻的能量状态根据当前时刻t的能量状态和功率指令计算获得,表达式为:其中,是储能系统在t时刻的能量状态,是储能系统的充放电系数;
储能系统的交换功率受到额定功率和能量状态的双重约束,以避免对储能系统造成过充或过放,约束条件为:其中,k 为储能功率的模糊逻辑控制因子,是储能系统放电功率上限,为正值;是储能系统充电功率上限,为负值;和分别为储能系统能量状态的上限和下限;
d、储能与弃风优先级约束;
在风电发电过程中,储能的优先级高于弃风控制的优先级,即只有当储能系统放电时,不允许风电系统弃风,数学表达式为:。
6.根据权利要求1所述的一种模糊逻辑控制驱动下的风电功率波动平抑方法 ,其特征在于:步骤3中,根据风电功率的实时变化采用模糊控制系统来对模糊逻辑控制因子k进行调整,具体步骤为:
步骤3.1,模糊化:将储能系统的能量状态和储能系统功率需求作为模糊控制器的输入,将模糊逻辑控制因子k作为模糊控制器的输出,定义 k 和的模糊变量缩写为NB、NM、Z、PM、PB,定义的模糊变量缩写为VS、S、M、L、VL,其中,NB取值范围为[-1p.u. ,-0.6 p.u.];NM取值范围为[-0.6 p.u. , -0.2 p.u.]; Z取值范围为 [-2 p.u. , 0.2p.u.];PM取值范围为[0.2p.u. , 0.6p.u.];PB取值范围为[0.6 p.u. , 1p.u.];而VS、S、M、L、VL均表示储能的容量,取值分别为[0p.u., 0.2p.u.], [0.2p.u., 0.4p.u.],[0.4p.u., 0.6p.u.],[0.6p.u., 0.8p.u.],[0.8p.u., 1p.u.];p.u.为 per unit 的简称,为标幺值;
步骤3.2,模糊推理:基于模糊逻辑系统的模糊逻辑规则获得模糊逻辑控制因子k的值;
步骤3.3,去模糊化:利用中心法求解得到具体的模糊逻辑控制因子k的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287392.3A CN116073403B (zh) | 2023-03-23 | 2023-03-23 | 一种模糊逻辑控制驱动下的风电功率波动平抑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287392.3A CN116073403B (zh) | 2023-03-23 | 2023-03-23 | 一种模糊逻辑控制驱动下的风电功率波动平抑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116073403A true CN116073403A (zh) | 2023-05-05 |
CN116073403B CN116073403B (zh) | 2023-06-16 |
Family
ID=86178830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310287392.3A Active CN116073403B (zh) | 2023-03-23 | 2023-03-23 | 一种模糊逻辑控制驱动下的风电功率波动平抑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116073403B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104184168A (zh) * | 2014-09-09 | 2014-12-03 | 重庆大学 | 一种基于模糊控制的永磁直驱风力发电系统参与电网频率调节方法 |
CN114629139A (zh) * | 2022-04-20 | 2022-06-14 | 武汉大学 | 一种考虑储能容量优化的风-储联合系统调频控制方法 |
CN115021285A (zh) * | 2022-07-21 | 2022-09-06 | 国网福建省电力有限公司电力科学研究院 | 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 |
-
2023
- 2023-03-23 CN CN202310287392.3A patent/CN116073403B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104184168A (zh) * | 2014-09-09 | 2014-12-03 | 重庆大学 | 一种基于模糊控制的永磁直驱风力发电系统参与电网频率调节方法 |
CN114629139A (zh) * | 2022-04-20 | 2022-06-14 | 武汉大学 | 一种考虑储能容量优化的风-储联合系统调频控制方法 |
CN115021285A (zh) * | 2022-07-21 | 2022-09-06 | 国网福建省电力有限公司电力科学研究院 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN116073403B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112713618B (zh) | 基于多场景技术的主动配电网源网荷储协同优化运行方法 | |
CN112103980B (zh) | 一种联合火电机组agc调频的混合储能系统能量管理方法 | |
CN110070292B (zh) | 基于交叉变异鲸鱼优化算法的微网经济调度方法 | |
CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
CN110854932A (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
CN110401209B (zh) | 基于多随机复合优化灰狼算法的削峰填谷的能量管理方法 | |
CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN114204547B (zh) | 考虑源网荷储协同优化的配电网多措施组合降损优化方法 | |
CN114336673B (zh) | 一种基于模型预测控制的风储联合电站一次调频控制策略 | |
CN115345380A (zh) | 一种基于人工智能的新能源消纳电力调度方法 | |
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 | |
CN116341241A (zh) | 电力市场调度需求下混合储能多时间尺度优化调度策略 | |
Rodriguez et al. | Energy management system for an isolated microgrid based on Fuzzy logic control and meta-heuristic algorithms | |
CN113972645A (zh) | 基于多智能体深度确定策略梯度算法的配电网优化方法 | |
CN116073403B (zh) | 一种模糊逻辑控制驱动下的风电功率波动平抑方法 | |
CN111162551B (zh) | 一种基于风电功率超短期预测的蓄电池充放电控制方法 | |
Sabahi et al. | Deep Deterministic Policy Gradient Reinforcement Learning Based Adaptive PID Load Frequency Control of an AC Micro-Grid Apprentissage par renforcement du gradient de la politique déterministe profonde basé sur le contrôle adaptatif de la fréquence de charge PID d’un micro-réseau de courant alternatif | |
CN107919683A (zh) | 一种储能减少风电场弃风电量的优化决策方法 | |
CN115511386B (zh) | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 | |
CN116995645A (zh) | 基于保护机制强化学习的电力系统安全约束经济调度方法 | |
CN111749847B (zh) | 一种风力发电机桨距在线控制方法、系统和设备 | |
CN108631368A (zh) | 计及储能运行损耗下风储系统联合调度的储能配置方法 | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
CN111859780A (zh) | 一种微电网运行优化方法和系统 |
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 |