CN116316694A - 基于两阶段鲁棒优化的储能电站调频的最优参数选取方法 - Google Patents

Abstract

本发明公开一种基于两阶段鲁棒优化的储能电站调频的最优参数选取方法，首先，采集储能电站的风光负荷参数，以及实时的电网频率偏差；其次，构建包括风、光、负荷在内的不确定因素的不确定性集合；接着，根据下垂响应控制策略构建储能电站参与一次调频时的功率与频率的动态变化模型；然后，构建基于两阶段鲁棒优化的储能电站参与一次调频的控制参数选取优化模型；最后，在MATLAB仿真平台中进行模型搭建并采用商业求解器Gurobi求解器进行求解，最终得到优化的调频控制参数以实现储能调频能力以及经济性的提升。此种方法能够提高储能电站参与一次调频时的调频能力。

Description

基于两阶段鲁棒优化的储能电站调频的最优参数选取方法

技术领域

本发明属于电网系统频率控制领域，涉及一种储能电站参与一次调频重要控制参数选取优化方法，具体是一种基于两阶段鲁棒优化的储能电站调频的最优参数选取方法。

背景技术

在双碳目标背景下，中国提出了以新能源为主体的新型电力系统，而可再生能源渗透率的不断增加使得电力系统稳定运行带来新的挑战。一方面，可再生能源出力本身具有的间歇性、波动性等强不确定性特点，将会导致电力系统供需平衡的不稳定运行，另一方面，与传统发电机组相比，可再生能源发电不具有维持电力系统电压和频率稳定的能力，将会导致电力系统的电能质量问题进一步加剧。储能电站作为协调新型电力系统稳定运行与控制的重要环节，在保障电力系统的经济调度与可靠运行中起到了重要作用。

随着可再生能源发电规模化接入电力系统，电力系统的可再生能源渗透率不断增大，将导致电力系统的等效惯性被显著削弱，进而造成功率波动变化会引起更为严重的频率偏差问题，使得整体电力系统的调频任务加剧。在我国大多数电力系统的调频任务主要是分配给大型的火电与水电机组进行调频工作，能够通过调整机组输出功率以稳定解决电力系统频率偏差问题。然而这类常规机组调频存在一定的调频缺陷，其大功率输出设计使得其系统响应时间长、爬坡速率低、调节能力有限，无法满足较短控制周期中负荷波动导致的调频需求及精度要求，同时由于机械元件磨损、燃料费用、排污费用等经济性影响使其具有较低的经济意义。随着储能技术的飞速发展，储能规模也在不断扩张，储能电站作为重要调频资源，具有更精准的跟踪性能、更短的响应时间、更高的控制精度。储能电站参与电力系统的一次调频能够有效提高电力系统频率调节的控制能力。而实现储能电站参与电力系统一次调频需要对调频死区、调差系数等重要参数进行优化选取，以满足系统对频率控制的有效性和稳定性。若调频死区设置过大或者调差系数设计过小，电力系统的频率调节能力将无法保障其有效性，若调频死区设置过小或者调差系数设计过大，将会使得储能电站进行频繁的充放状态变化，影响储能电站的运行寿命进而降低整体系统的经济性。因此，提出一种基于两阶段鲁棒优化的储能电站一次调频的最优控制参数选取策略，能够使得储能电站参与电力系统一次调频时的调频能力以及经济性提高。

发明内容

本发明的目的，在于提供一种基于两阶段鲁棒优化的储能电站调频的最优参数选取方法，能够提高新型电力系统的调频能力，提高储能参与电力系统一次调频的控制效果及经济性能。

为了达成上述目的，本发明的解决方案是：

一种基于两阶段鲁棒优化的储能电站调频的最优参数选取方法，包括如下步骤：

步骤1，采集储能电站的风光负荷参数，以及实时的电网频率偏差；

步骤2，构建包括风、光、负荷在内的不确定因素的不确定性集合；

步骤3，根据下垂响应控制策略构建储能电站参与一次调频时的功率与频率的动态变化模型；

步骤4，构建储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型；

步骤5，在MATLAB仿真平台中进行模型搭建并采用Gurobi求解器进行求解。

上述步骤2中，构建的不确定性集合表示为：

其中，U表示不确定量集合；

分别表示风电出力或者光伏电站出力在时段t的负荷的实际值与预测值；σ_t表示误差最大波动范围幅值；Δx为不确定量预算值。

上述步骤3中，动态变化模型的表达式是：

其中，ΔP_BES,t表示t时段储能电站参与一次调频时储能的充放电功率，σ、Δf_s分别表示储能电站参与调频时的调差系数和调频死区，Δf_t表示实时的电网频率偏差；

并满足如下约束条件：

-ΔP_BES,max≤ΔP_BES,t≤ΔP_BES,max

其中，ΔP_BES,max表示储能参与一次调频时最大出力的限制约束。

上述步骤4中，构建储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型，表示为：

其中，F₁表示的目标函数包括频率偏差波动以及储能输出功率波动之和；F₂表示弃光成本、弃风成本、切负荷成本之和；C₁、C₂分别表示第一、二阶段的约束；Δf_t表示在时段t系统的频率偏差；ΔP_BES,t表示在时段t储能参与调频的输出功率；

ΔD_t分别表示在时段t风机的弃风量、光伏电站的弃光量、切负荷的量；/>

分别表示时段t风电机组预测出力和光伏电站预测出力；U₁、U₂分别表示风电机组出力不确定性集合和光伏出力不确定性集合；F₁表示第一阶段目标函数，其决策变量包含调频死区、调差系数、功率变化值、频率调节值；/>

表示第二阶段目标函数，决策变量包含弃风量、弃光量、、切负荷量。

上述储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型，其主模型的目标函数为：

其中，λ_f、μ_P分别表示为频率转换系数、储能功率转换系数；

所述主模型的约束条件包含调频死区上下限约束、调差系数上下限约束、储能电站荷电状态约束、储能调频约束和储能输出功率约束。

上述主模型的约束条件还包括极端场景约束：

其中，

分别表示极端场景k下风机时段t的最大出力、极端场景k下光伏电站时段t的最大出力、极端场景k下负荷的最大需求情况；K表示子模型产生的最坏场景集合。

上述储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型，其子模型的目标函数为：

其中，δ_w、δ_v分别表示单位弃风、弃光惩罚系数；δ_d表示单位切负荷成本系数；

所述子模型的约束条件包括功率平衡约束、弃风量和弃光量约束及切负荷量约束。

采用上述方案后，本发明基于MATLAB仿真平台进行储能参与一次调频的控制参数优化选取的两阶段鲁棒优化模型搭建，并进一步利用商业求解器Gurobi求解器进行求解，最终得到优化的调频参数将其返回至储能电站中，以提升储能参与一次调频时的调频能力与经济性。

附图说明

图1是本发明的储能电站参与一次调频的最优控制参数选取策略的设计流程图；

图2是本发明的储能电站参与一次调频的最优控制参数选取策略的网络架构图。

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的一部分实施例，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的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。

本发明提供一种基于两阶段鲁棒优化的储能电站调频的最优参数选取系统，包括由下而上依次设置的状态监控层、数据传输层、控制决策层三层架构，如图2所示，其中，状态监控层是包含风光负荷等具有不确定性特征的指标数据采集装置，能够实现对含储能的电力系统的源荷侧数据监控及采集；数据传输层能够实现特征状态数据的处理以及数据集合的存储；控制决策层是对储能电站的调频死区和重要参数进行优化选取，通过数据传输层获取数据来源，并通过内置的参数优化模块实现参数选取，并将其返回储能电站实现储能的调频参数控制。

图1所示是本发明实现调频参数寻优的设计思路图，包括如下流程：

S01：基于储能参与调频场景设计储能参与一次调频的参数寻优的平台级架构；

S02：在数据传输层，构建风、光、荷等不确定因素的不确定性集合；

S03：根据下垂响应控制策略构建储能电站参与一次调频时的功率与频率的动态变化模型；

S04：构建储能电站调频的最优参数选取的两阶段鲁棒优化模型；

S05：在MATLAB仿真平台中进行模型搭建并采用商业求解器Gurobi求解器进行求解。

基于以上流程，本发明实施例还提供一种基于两阶段鲁棒优化的储能电站调频的最优参数选取方法，步骤如下：

步骤1，采集储能电站的各类参数，包括风电出力和光伏电站出力等风光负荷参数，以及实时的电网频率偏差；

步骤2，构建包括风、光、负荷在内的不确定因素的不确定性集合；

电力系统中风光荷具有的不确定性对系统优化模型的精确性、求解效率等方面会产生较大的影响，因此需要通过构建不确定性集合来准确描述，同时克服传统优化模型中求解保守的问题，不确定性集合可表示为：

式中：U表示不确定量集合；

分别表示时段t的负荷(风电出力或者光伏电站出力)的实际值与预测值；σ_t表示误差最大波动范围幅值；Δx为不确定量预算值。

步骤3，根据下垂响应控制策略构建储能电站参与一次调频时的功率与频率的动态变化模型；

当频率偏差Δf_t在调频死区范围内时，储能电站暂时保持稳定状态不参与电力系统的一次调频中；当频率偏差Δf_t大于正频率死区时，储能电站将通过充电吸收系统中多余的电功率以平衡频率的变化；当频率偏差Δf_t小于负频率死区时，储能电站将通过放电释放电功率以平衡系统由于负荷变大导致的频率变化。储能电站的一次调频动态变化模型如下所示：

式中，ΔP_BES,t表示t时段储能电站参与一次调频时储能的充放电功率，σ、Δf_s分别表示储能电站参与调频时的调差系数和调频死区。

火电机组等常规机组具有较大的功率容量以及相应的调频能力，而储能电站的容量限制以及调频能力有限，因此储能电站参与一次调频时其输出功率需要满足储能的最大出力的限制约束，如下所示：

-ΔP_BES,max≤ΔP_BES,t≤ΔP_BES,max

式中，ΔP_BES,max表示储能参与一次调频时最大出力的限制约束。

步骤4，构建储能参与一次调频的控制参数优化选取的两阶段鲁棒优化模型；

主模型中主要是基于频率波动和储能功率变化最小化为目标函数进行调频参数的优化，而子问题主要是基于给定得到满足功率平衡的经济最优的目标函数的功率分配计划。基于此思路，建立适用于储能调频参数优化选取的两阶段鲁棒优化模型，即：

式中，F₁表示第一阶段目标函数，其表示的目标函数包括频率偏差波动以及储能输出功率波动之和；F₂表示弃光成本、弃风成本、切负荷成本之和；C₁、C₂分别表示第一、二阶段的约束；Δf_t表示在时段t系统的频率偏差；ΔP_BES,t表示在时段t储能参与调频的输出功率；

ΔD_t分别表示在时段t风机的弃风量、光伏电站的弃光量、切负荷的量；/>

分别表示时段t风电机组预测出力和光伏电站预测出力；U₁、U₂分别表示风电机组出力不确定性集合和光伏出力不确定性集合。第一阶段目标函数F₁的决策变量包含调频死区、调差系数、功率变化值、频率调节值；/>

表示第二阶段目标函数，决策变量包含弃风量、弃光量、切负荷量。

第一阶段(主模型)：以频率偏差波动以及储能输出功率波动之和建立目标函数，确定调频死区参数、调差系数参数、功率控制策略、频率控制策略，约束条件包含调频死区上下限约束、调差系数上下限约束、储能电站荷电状态约束、储能调频约束、储能输出功率约束。

主模型的目标函数为：

式中，λ_f、μ_P分别表示为频率转换系数、储能功率转换系数。

主模型的约束条件为：

1)调频死区上下限约束：

Δf_s,min≤Δf_s≤Δf_s,max

式中：Δf_s,max、Δf_s,min分别表示调频死区参数的上下限。

2)调差系数上下限约束：

σ_min≤σ≤σ_max

式中：σ_max、σ_min分别表示调差系数参数的上下限。

3)储能电站荷电状态约束：

式中：SOC_max、SOC_min分别表示储能电站荷电量的上、下限值；SOC_t表示时段t储能电站的荷电量；η_c、η_d分别表示储能电站充放电系数；Q表示储能电站的额定容量。

4)储能调频约束：

式中：ΔP_BES,t表示t时段储能电站参与一次调频时储能的充放电功率，σ、Δf_s分别表示储能电站参与调频时的调差系数和调频死区。

5)储能输出功率约束：

-ΔP_BES,max≤ΔP_BES,t≤ΔP_BES,max

式中：ΔP_BES,max表示储能参与一次调频时最大出力的限制约束。

6)极端场景约束：

式中：

分别表示极端场景k下风机时段t的最大出力、极端场景k下光伏电站时段t的最大出力、极端场景k下负荷的最大需求情况；K表示子问题产生的最坏场景集合。

第二阶段(子模型)：两阶段鲁棒优化模型的子问题旨在求取预测场景中含储能的电力系统的运行成本最优，决策变量为弃风量、弃光量、切负荷量。

子模型的目标函数为：

式中：δ_w、δ_v分别表示单位弃风、弃光惩罚系数；δ_d表示单位切负荷成本系数。

子模型的约束条件为：

1)功率平衡约束：

P_t ^g+ΔP_BES,t+P_t ^W-ΔP_t ^W+P_t ^PV-ΔP_t ^PV＝D_t-ΔD_t

式中：D_t表示第n个节点在时段t的负荷；

分别表示预测场景下风电机组出力和光伏电站出力的最大值。

2)弃风量、弃光量约束：

0≤ΔP_t ^W≤P_t ^W

0≤ΔP_t ^PV≤P_t ^PV

式中：P_t ^W、P_t ^PV分别表示风机在时段t的实际出力、光伏电站在时段t的实际出力。

3)切负荷量约束：

0≤ΔD_t≤D_t ^max

式中：D_t ^max表示在时段t的切负荷最大调整量。

步骤5，在MATLAB仿真平台中进行模型搭建并采用商业求解器Gurobi求解器进行求解。

步骤5中，根据前述模型构建基于MATLAB仿真平台进行储能参与一次调频的控制参数优化选取的两阶段鲁棒优化模型搭建，并进一步利用商业求解器Gurobi求解器进行求解，最终得到优化的调频参数将其返回至储能电站中，以提升储能参与一次调频时的调频能力与经济性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于两阶段鲁棒优化的储能电站调频的最优参数选取方法，其特征在于包括如下步骤：

步骤1，采集储能电站的风光负荷参数，以及实时的电网频率偏差；

步骤2，构建包括风、光、负荷在内的不确定因素的不确定性集合；

步骤3，根据下垂响应控制策略构建储能电站参与一次调频时的功率与频率的动态变化模型；

步骤4，构建储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型；

步骤5，在MATLAB仿真平台中进行模型搭建并采用Gurobi求解器进行求解。

2.如权利要求1所述的方法，其特征在于：所述步骤2中，构建的不确定性集合表示为：

其中，U表示不确定量集合；

分别表示风电出力或者光伏电站出力在时段t的负荷的实际值与预测值；σ_t表示误差最大波动范围幅值；Δx为不确定量预算值。

3.如权利要求1所述的方法，其特征在于：所述步骤3中，动态变化模型的表达式是：

其中，ΔP_BES,t表示t时段储能电站参与一次调频时储能的充放电功率，σ、Δf_s分别表示储能电站参与调频时的调差系数和调频死区，Δf_t表示实时的电网频率偏差；

并满足如下约束条件：

-ΔP_BES,max≤ΔP_BES,t≤ΔP_BES,max

其中，ΔP_BES,max表示储能参与一次调频时最大出力的限制约束。

4.如权利要求1所述的方法，其特征在于：所述步骤4中，构建储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型，表示为：

其中，F₁表示第一阶段目标函数，包括频率偏差波动以及储能输出功率波动之和；F₂表示弃光成本、弃风成本、切负荷成本之和；C₁、C₂分别表示第一、二阶段的约束；Δf_t表示在时段t系统的频率偏差；ΔP_BES,t表示在时段t储能参与调频的输出功率；

ΔD_t分别表示在时段t风机的弃风量、光伏电站的弃光量、切负荷的量；/>

分别表示时段t风电机组预测出力和光伏电站预测出力；U₁、U₂分别表示风电机组出力不确定性集合和光伏出力不确定性集合；第一阶段目标函数F₁的决策变量包含调频死区、调差系数、功率变化值、频率调节值；/>

表示第二阶段目标函数，决策变量包含弃风量、弃光量、切负荷量。

5.如权利要求4所述的方法，其特征在于：所述储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型，其主模型的目标函数为：

其中，λ_f、μ_P分别表示为频率转换系数、储能功率转换系数；

所述主模型的约束条件包含调频死区上下限约束、调差系数上下限约束、储能电站荷电状态约束、储能调频约束和储能输出功率约束。

6.如权利要求5所述的方法，其特征在于：所述主模型的约束条件还包括极端场景约束：

其中，

分别表示极端场景k下风机时段t的最大出力、极端场景k下光伏电站时段t的最大出力、极端场景k下负荷的最大需求情况；K表示子模型产生的最坏场景集合。

7.如权利要求4所述的方法，其特征在于：所述储能电站参与一次调频的控制参数优化选取的两阶段鲁棒优化模型，其子模型的目标函数为：

其中，δ_w、δ_v分别表示单位弃风、弃光惩罚系数；δ_d表示单位切负荷成本系数；

所述子模型的约束条件包括功率平衡约束、弃风量和弃光量约束及切负荷量约束。

Images