CN116914861B - 基于模型预测控制的风储电站经济优化调度方法及系统 - Google Patents
基于模型预测控制的风储电站经济优化调度方法及系统 Download PDFInfo
- Publication number
- CN116914861B CN116914861B CN202311169375.6A CN202311169375A CN116914861B CN 116914861 B CN116914861 B CN 116914861B CN 202311169375 A CN202311169375 A CN 202311169375A CN 116914861 B CN116914861 B CN 116914861B
- Authority
- CN
- China
- Prior art keywords
- power
- scheduling
- wind power
- signal
- electric energy
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004146 energy storage Methods 0.000 claims description 132
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 16
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000002253 acid Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于模型预测控制的风储电站经济优化调度方法及系统。该方法通过获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能,并将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令,再将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。上述方法结合了预测市场价格、风电出力情况以及发电设备的运行寿命参数等信息,能够降低发电成本,提高经济效益。另外,通过预测模型进行电能的调度优化,可以保证设备稳定运行,增强电力系统的可靠性,降低系统运行风险。
Description
技术领域
本申请涉及电力系统优化技术领域,特别是涉及一种基于模型预测控制的风储电站经济优化调度方法及系统。
背景技术
随着风电等间歇式新能源的迅速发展,新能源的波动性带来的系统频率调节压力也更加严峻。风电站配置储能备用作为风电站维持系统频率稳定的主要技术手段。由于风电站内的机组提供储能备用服务是需要成本的,所以将风电站中储能备用的资源进行合理的优化调度分配是一项非常重要的工作,对于电网的安全稳定运行有着重要的意义。
目前,风电站主要以风机出力最大为目标,风电站通过自动发电控制(AutomaticGeneration Control,简称AGC)下发功率指令时,调度员将网内机组按照调节精度、响应速度、调节容量等性能指标由高到低排序,按照优先次序确定电能,以及该电能需要调度的机组及其容量。
但是,上述调度方法存在调度成本高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低调度成本的基于模型预测控制的风储电站经济优化调度方法及系统。
第一方面,本申请提供了一种基于模型预测控制的风储电站经济优化调度方法,该方法包括:
获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能;
将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令;
将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
在其中一个实施例中,控制指令包括多个控制信号,该方法还包括:
根据预设条件对多个控制信号进行筛选,得到目标控制信号;
根据目标控制信号生成最优控制指令;
将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能,包括:
将最优控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
在其中一个实施例中,根据预设条件对多个控制信号进行筛选,得到目标控制信号,包括:
根据预设条件确定多个控制信号中第一信号;
将第一信号输入至预测模型中进行计算,得到电力混合系统的第一利润值;
将排在第一信号之后的第二信号输入至预测模型中进行计算,得到电力混合系统的第二利润值;
根据第一利润值和第二利润值的差值,确定目标控制信号。
在其中一个实施例中,根据第一利润值和第二利润值的差值,确定目标控制信号,包括:
若差值为负值,则将第一信号确定为目标控制信号;
若差值为正值 ,则将第二信号作为新的第一信号,以及将排在第二信号之后的第三信号作为新的第二信号,返回执行将第一信号输入至预测模型中进行计算的步骤。
在其中一个实施例中,将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能,包括:
将控制指令发送到电力混合系统中进行电能调度,得到中间调度电能;
确定中间调度电能是否满足预期调度要求,若满足,则将中间调度电能确定为目标调度电能;若不满足,则将中间调度电能作为新的初始调度电能,并返回执行将市场价格预期信息、风电出力预期信息和初始调度电能输入至预测模型中进行指令优化的步骤。
在其中一个实施例中,将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令,包括:
根据风电出力预期信息和初始调度电能,计算得到储能参数;
以收益最大化为目标,将市场价格预期信息、储能参数和设备成本参数输入到预测模型中进行求解,得到控制指令。
在其中一个实施例中,设备成本参数包括电力混合系统的储能成本参数和电力混合系统中的电池储能系统的使用寿命参数。
在其中一个实施例中,获取储能成本参数的方法,包括:
获取电力混合系统的运行成本参数和年放电能量参数;运行成本参数包括电力混合系统中风电转换系统的成本参数、更新设备成本参数、维护设备成本参数;
将运行成本参数和年放电能量参数进行比值运算,得到储能成本参数。
在其中一个实施例中,获取使用寿命参数的方法,包括:
获取电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数;
根据电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数,计算得到使用寿命参数。
第二方面,本申请还提供了一种基于模型预测控制的风储电站经济优化调度系统,该系统包括:电力混合系统和控制设备,电力混合系统包括风电转换系统和电池储能系统;控制设备与电力混合系统连接;控制设备用于执行上述第一方面中任一实施例所述的基于模型预测控制的风储电站经济优化调度方法。
第三方面,本申请还提供了一种基于模型预测控制的风储电站经济优化调度装置。该装置包括:
第一获取模块,用于获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能;
优化模块,用于将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令;
调度模块,用于将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
第四方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能;
将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令;
将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
第五方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能;
将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令;
将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
第六方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能;
将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令;
将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
上述基于模型预测控制的风储电站经济优化调度方法及系统,该方法通过获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能,并将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令,再将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。上述方法结合了预测市场价格、风电出力情况以及发电设备的运行寿命参数等信息,能够降低发电成本,提高经济效益。另外,通过预测模型进行电能的调度优化,可以保证设备稳定运行,增强电力系统的可靠性,降低系统运行风险。
附图说明
图1为一个实施例中基于模型预测控制的风储电站经济优化调度方法的应用环境图;
图2为一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图3为另一个实施例中电力混合系统结构示意图;
图4为另一个实施例中电力混合系统模型示意图;
图5为另一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图6为一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图7为另一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图8为另一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图9为一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图10为另一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图11为另一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图12为另一个实施例中基于模型预测控制的风储电站经济优化调度方法的流程示意图;
图13为一个实施例中基于模型预测控制的风储电站经济优化调度系统的结构框图;
图14为一个实施例中基于模型预测控制的风储电站经济优化调度装置的结构框图;
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
随着风电等间歇式新能源的迅速发展,新能源的波动性带来的系统频率调节压力也更加严峻。风电站配置储能备用作为风电站维持系统频率稳定的主要技术手段。由于风电站内的机组提供储能备用服务是需要成本的,所以将风电站中储能备用的资源进行合理的优化调度分配是一项非常重要的工作,对于电网的安全稳定运行有着重要的意义。
目前,风电站主要以风机出力最大为目标,风电站通过自动发电控制(AutomaticGeneration Control,简称AGC)下发功率指令时,调度员将网内机组按照调节精度、响应速度、调节容量等性能指标由高到低排序,按照优先次序确定电能,以及该电能需要调度的机组及其容量。但是,上述调度方法存在调度成本高的问题。本申请提供了一种基于模型预测控制的风储电站经济优化调度方法,旨在解决上述技术问题,下面实施例将具体说明本申请所述的基于模型预测控制的风储电站经济优化调度方法。
本申请实施例提供的基于模型预测控制的风储电站经济优化调度方法,可以应用于如图1所示的应用环境中。其中,控制器01用于根据预设条件对待调度电能进行市场预测分析,进而实现电能的经济调度,控制器01通过网络与风储电站中的电力混合系统02进行通信,控制器01可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。控制器为自动发电(AGC)控制器,可以被设计为模型预测( Model Predictive Control ,简称MPC)控制器。风储电站中的电力混合系统02包括风电转换系统( Wind Energy ConversionSystem,简称WECS)和电池储能系统(Battery Energy Storage System,简称BESS)。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的应用环境的限定,具体的应用环境可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,如图2所示,提供了一种基于模型预测控制的风储电站经济优化调度方法,以该方法应用于图1中的控制器为例进行说明,包括以下步骤:
S201,获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能。
其中,市场价格预期信息表示市场中电能的预测价格。风电出力预期信息表示风力发电设备的预期出力情况,通常基于天气预测、历史风速数据和设备运行状况等因素进行预测。设备成本参数表示风力发电设备的成本,设备成本参数包括电力混合系统的储能成本参数和电力混合系统中的电池储能系统的使用寿命参数。调度电能表示能够进行调度分配的电能。
本申请实施例中,控制器可以从政府或公共电力机构发布的需求预测报告和市场报告中获取未来一定时间段内各个电力市场中的市场价格预期信息。可以通过天气预测、历史气象数据和设备的运行状况等数据源来预测风电出力预期信息。可以从设备制造厂商或相关机构的报告中获取关于电力设备的各种运营成本参数数据,例如,风力发电设备的机组容量、装机容量、平均年发电量、安装成本、运维成本等,进而获取设备成本参数。在可以结合市场价格预期信息、风电出力预期信息和设备成本参数,综合考虑市场经济最大化的需求和成本的因素,设置出初始的电能调度方案。
S202,将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令。
其中,预测模型用于对电能进行调度预测,可以采用MPC模型、机器学习模型、神经网络模型等。控制指令用于控制电能的调度操作,控制指令包括发电设备运行状态、负荷控制、电网频率和电压控制等方面的指令。
本申请实施例中,控制器可以预先构建预测模型,在基于上述步骤获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能之后,可以对上述参数进行预处理,然后将预处理后的参数输入至预先构建的预测模型中进行预测,预测模型通过预测风电出力情况和市场价格走势,得到控制指令。
S203,将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
其中,电力混合系统包括风电转换系统(WECS)和电池储能系统(BESS)。
本申请实施例中,控制器基于上述步骤得到控制指令后,即可将控制指令发送给电力混合系统,电力混合系统接收到控制指令后,电力混合系统可以相应地调度各个设备的运行状态,例如,当电力混合系统需要增大电力供应时,电力混合系统会调度风力发电机等发电设备增加发电量以满足市场需求。电力混合系统还可以控制负荷的消耗量,以及控制电网的频率和电压,以满足电力混合系统在成本最低的情况下获得最大利润的需求。
例如,如图3所示的电力混合系统结构示意图,其中,风电转换系统是将风能转化为电能的系统,风电转换系统经过AC/DC将交流电转换为直流电,再经过电压源换流器(Voltage Source Converte,简称VSC)将直流电转化为交流电。电池储能系统是将电能进行存储的系统,电池储能系统由多个电池组成,这些电池可以是锂离子电池、镍氢电池、铅酸蓄电池等等,电池储能系统先经过DC/DC转换,再经过VSC转化得到交流电电。最终,风电转换系统和电池储能系统将转化的交流电通过相应的断路器CB在公共耦合点PCC处连接在一起,最终输入至电网(Stiff grid)中。其中,控制器得到的控制指令,不仅仅适用于图3所示的电力混合系统,还可以使用于任何与其他类型电池连接的可再生能源系统组成的混合系统。
再例如,风电转换系统可以被建模为可以从风速中预测出的外部输入。风电转换系统的功率被计算为一个一阶滤波器,忽略发电机的电器暂态,并假设理想的最大功率点跟踪,风电转换系统模型可以通过关系式(1)和(2)表示:
其中,分别表示为风能转换系统的电力功率、/>为风电转换系统的机械动力功率、/>为拉普拉斯变换算子、/>为风电转换系统的效率(包括轴和齿轮效率、发电机效率、功率转换器效率和电缆效率)、/>为传动系统的时间常数(例如轴的惯性和摩擦之间的比率)、/>为空气密度、/>为功率系数、/>为桨叶尖速比、/>为转子盘面积、/>为通过转子盘面的有效风速。
再例如,电池储能系统模型可以被建模为是一个三阶线性化模型,与非线性电池模型相比,电池电荷状态误差低于5%,电压误差在5%至-9%之间,因此,此电池储能系统模型能够准确地表示实际的电池储能系统动态特性。电池储能系统模型的状态方程可以通过关系式(3)表示:
其中,X表示系统的状态向量,U表示系统的输入向量,Y表示系统的输出向量,A,B和C表示系数矩阵,其具体大小可以根据实际需求设定。
具体的,电池储能系统模型可以通过关系式(4)~(8)表示:
其中,为电容电流、/>为电池电流、/>为电池储能系统功率、/>为电池电荷状态(State Of Charge ,SOC = 1 - DOD)、/>为电池额定电荷、/>为工作点电流、为开路电压,/>表示基于铅酸电池等效电气模型推导出的电池参数。
如图4所示,电力混合系统模型由风电转换系统模型和电池储能系统模型构成,电力混合系统模型可以被建模为一个四阶状态空间线性模型,可以通过关系式(9)~(13)表示:
其中,表示电力混合系统模型的状态向量、/>表示电力混合系统模型的输出、/>表示电力混合系统模型的受控输入,具体为控制器提供的电池充电电流率、/>表示外部输入的风电转换系统的机械动力功率、DOD(Depth Of Discharge,简称DOD)表示电池储能系统的电池放电深度、/>表示电池储能系统功率、/>表示电网总功率、/>表示系数矩阵,其具体大小可以根据实际需求设定。其中,向电网注入的总功率/>为风能转换系统的电力功率/>和电池储能系统功率/>之和(在放电时为负),可表示为:。
那么,控制器可以通过以下方式构建MPC预测模型:
构建MPC预测模型时,需要满足以下要求:
首先,控制器的主要目标是通过在自由市场上利用可用的市场价格预期信息和风电出力预期信息来最大化混合系统的利润。其中,预测时间段为未来 24 小时的每小时预测,根据具体数据的可用性和市场运营,可以采用不同的时间框架和采样间隔。
其次,控制器必须在可接受的安全功率和能量约束内调度电池储能系统。
第三,控制器必须通过采用最小的放电深度DOD和日循环次数DNC来最大化电池储能系统的寿命,其中放电深度和日循环次数为电池储能系统的系统参数。
最后,控制器只有在潜在利润高于电池储能系统的使用寿命成本ELC的情况下才允许增加放电深度DOD和日循环次数DNC。
构建MPC预测模型的具体过程为:
第一步,构建MPC预测模型,MPC预测模型由计算预测和外部预测组成,计算预测通过状态方程(关系式(9)~(13))迭代求解得到。外部预测包括市场价格预期信息和风电出力预期信息,且市场价格预期信息和风电出力预期信息在预测时间窗口内是可估计的。
计算预测可以通过关系式(14)表示:
其中,为预测时间窗口。
市场价格预期信息c(k)和风电出力预期信息可以通过关系式(15)和(16)表示:
第二步,构建预测模型的目标函数,控制器的目标是最大化毛利润,最大化毛利润等于在即将到来的预测时间窗口内从电网购买(或卖出)的能量净额,减去这个时间窗口内的储能成本,毛利润值可以通过关系式(17)表示:
净利润可以通过关系式(18)表示:
其中,为预测时间窗口内的总毛利润、/>为净利润、/>为电池储能系统的放电功率、/>为初始时间,/>为采样时间、SC为电池储能系统的储能成本、ELC为电池储能系统的使用寿命成本。
其中,可以通过关系式(19)表示:
净利润包括两部分:第一部分为毛利润,毛利润包括所有收入减去固定成本,是一个随着电池储能系统的电池放电深度DOD和日循环次数DNC的增加而增加的线性函数,因为电池放电深度DOD和日循环次数DNC会增加风场输出的功率。相反,第二部分为电池储能系统的使用寿命成本ELC的消耗,它以最小的电池放电深度DOD和日循环次数DNC为目标,电池储能系统的使用寿命成本ELC是非凸函数,需要将非凸问题转化为凸问题求解。
电池储能系统的使用寿命成本ELC是电池放电深度DOD和日循环次数DNC的函数,因此,对电池放电深度DOD和日循环次数DNC设置上限,也就设置了电池储能系统的使用寿命成本ELC的上限。如果可以找到导致最差使用寿命成本ELC,即的最优约束/>,并且始终保证最大净利润,那么就可以优化总毛利润(Pro)而不是净利润(NET.Pro),从而使非凸问题转化为凸问题求解。因此,MPC约束优化器是一种寻找最优约束/>的搜索算法。这个过程是离线进行的(根据日前预测),当检测到最优约束时,实时MPC使用最优参数来优化毛利润,同时保证考虑了最差情况的使用寿命成本ELC。
最优使用寿命成本ELC发生在最小的电池放电深度DOD和日循环次数DNC时,为了实现这一目标,必须尽可能地缩紧电池放电深度DOD和日循环次数DNC的上限。通过缩紧约束,不仅会使毛利润更小,而且可行解集也会变窄,全局最优利润可能被分配在这个集合之外。因此构建MPC预测模型时,同时针对/>进行约束缩紧,只要毛利润降低小于支出使用寿命成本ELC就继续缩紧约束。换句话说,MPC预测模型是一个以利润为导向的约束训练器,旨在检测最大化净利润的约束条件;这些约束条件将用于实时预测,在每次迭代中,MPC预测模型固定DNC和DOD约束,并计算净利润。而且,MPC预测模型改变其中一个约束并计算新的净利润,净利润曲面的梯度指导优化器沿着可允许的约束平面朝着最优约束的方向前进。假设最优约束集合/>属于由2个集合组成的二维平面(N,DOD),则可以通过关系式(20)~(22)表示:
其中,为最优电池放电深度、/>为电池放电深度的最小值、/>为电池放电深度的最大值、/>为最优日循环次数、/>为日循环次数的最小值、/>为日循环次数的最大值。
第三步,构建预测模型的约束条件,约束条件表示电池储能系统的电池功率、电池放电深度DOD和日循环次数DNC的约束。电池储能系统功率/>必须在充电或放电过程中保持在允许范围内,电池储能系统功率的约束可以通过关系式(23)表示:
电池放电深度DOD的约束可以通过关系式(10)表示:
日循环次数DNC(简称N(斜体),与下文N(非斜体)代表的含义不同)的约束可以通过关系式(25)表示:
MPC在当前时刻基于关系式(9)~(13)的状态方程迭代地预测出系统在该时间窗口内的输出序列y(y包括DOD、电网总功率和电池储能系统的电池功率/>),得到输出序列y,输出序列y可以通过关系式(26)表示:
其中,为预测时间窗口。
MPC 生成下一时刻的控制动作序列u,控制动作序列u可以通过关系式(27)表示:
其中,为控制时间窗口,控制输入/>为/>。
MPC结合预测模型、目标函数和约束条件进行最优化求解,得到当前时刻的最优控制序列u(t) 输入到电力混合系统,电力混合系统按照当前的控制量进行控制,然后将当前的状态量x(t)观测值输入给MPC,再次进行最优化求解,以得到未来一段时间的控制序列,如此循环,就构成了完整的模型预测控制过程。
上述基于模型预测控制的风储电站经济优化调度方法通过获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能,并将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令,再将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。上述方法考虑了预测市场价格、风电出力情况以及发电设备的运行寿命参数等多维度的信息进行指令优化预测,能够降低发电成本,提高经济效益。另外,通过预测模型进行电能的调度优化,可以保证设备稳定运行,增强电力系统的可靠性,降低系统运行风险。
在一个实施例中,还提供了一种风储电站的经济调度优化的方法,上述控制指令包括多个控制信号,如图5所示,该方法还包括:
S301,根据预设条件对多个控制信号进行筛选,得到目标控制信号。
本申请实施例中,控制器基于上述步骤得到控制指令后,可以根据预设条件对控制指令中的多个控制信号进行筛选,得到目标控制信号。例如,可以将多个控制信号构成的序列中的第一个控制信号作为目标控制信号。也可以将能够使电力混合系统获取最大利润的控制信号作为目标控制信号。
S302,根据目标控制信号生成最优控制指令。
本申请实施例中,控制器基于上述步骤得到目标控制信号后,可以将目标控制信号生成控制指令,并将该控制指令作为最优控制指令。
对应的,在执行上述步骤S203时,具体执行步骤S303,将最优控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
本申请实施例中,控制器基于上述步骤得到最优控制指令后,即可将最优控制指令发送给电力混合系统,电力混合系统接收到最优控制指令后,电力混合系统可以相应地调度各个设备的运行状态,例如,当电力混合系统需要增大电力供应时,电力混合系统会调度风力发电机等发电设备增加发电量以满足市场需求。电力混合系统还可以控制负荷的消耗量,以及控制电网的频率和电压,以满足电力混合系统在成本最低的情况下获得最大利润的需求。
上述实施例中,通过筛选目标控制信号、生成最优控制指令并进行电力调度,可以提高电力系统的效率和稳定性,并降低系统的电能浪费。
在一个实施例中,还提供了一种获取目标控制信号的方法,如图6所示,上述步骤S301中的 “根据预设条件对多个控制信号进行筛选,得到目标控制信号”,包括:
S401,根据预设条件确定多个控制信号中第一信号。
本申请实施例中,控制器基于上述步骤得到控制指令后,可以多个控制信号中排在第一位的控制信号作为第一信号,也可以将多个控制信号的上限控制信号作为第一信号。
S402,将第一信号输入至预测模型中进行计算,得到电力混合系统的第一利润值。
其中,第一利润值表示电力混合系统获得的收益。
本申请实施例中,控制器基于上述步骤得到第一信号后,可以将第一信号输入至预测模型中进行计算,得到电力混合系统的第一利润值。
S403,将排在第一信号之后的第二信号输入至预测模型中进行计算,得到电力混合系统的第二利润值。
其中,第二利润值表示电力混合系统获得的收益。
本申请实施例中,控制器基于上述步骤得到控制指令后,若第一控制信号为排在第一位的控制信号,则可以将排在第二位的控制信号作为第二信号,若第一控制信号为多个控制信号的上限控制信号,则可以将次上限的控制信号作为第二信号。并将该第二信号输入至预测模型中进行计算,得到电力混合系统的第二利润值。
S404,根据第一利润值和第二利润值的差值,确定目标控制信号。
本申请实施例中,控制器基于上述步骤得到第一利润值和第二利润值后,可以将第二利润值减去第一利润值,得到第一利润值和第二利润值的差值。若差值为正,则表示利用第二信号进行控制时,能够获取的利润更大,即可将第二信号作为目标控制信号。若差值为负,则表示利用第一信号进行控制时,能够获取的利润更大,即可将第一信号作为目标控制信号。当控制信号大于两个时,利用上述方法进行迭代,将所有控制信号输入至预测模型中进行计算,直到得到利润最大时随影的控制信号,并将该控制信号作为目标控制信号。
上述实施例中,通过利益最大化原则,从多个控制信号中筛选出利润最大时对应的目标控制信号,提高了经济效益。
在一个实施例中,还提供了一种获取目标控制信号的步骤,如图7所示,上述步骤S404中的 “根据第一利润值和第二利润值的差值,确定目标控制信号”,包括:
S501,若差值为负值,则将第一信号确定为目标控制信号。
本申请实施例中,控制器基于上述步骤得到第一利润值和第二利润值的差值,既可判断该差值为正数还是为负数,若差值为负,则表示利用第一信号进行控制时,能够获取的利润更大,即可将第一信号作为目标控制信号。
S502,若差值为正值 ,则将第二信号作为新的第一信号,以及将排在第二信号之后的第三信号作为新的第二信号,返回执行将第一信号输入至预测模型中进行计算的步骤。
本申请实施例中,控制器基于上述步骤得到第一利润值和第二利润值的差值,既可判断该差值为正数还是为负数,若差值结果为正,则将第二信号作为新的第一信号,以及将排在第二信号之后的第三信号作为新的第二信号作为新的第二信号返回执行步骤S401至步骤S404,即将第一信号输入至预测模型中进行计算的步骤。可选的,可以将仅次于次上限的控制信号作为新的第二信号。上述实施例中,将控制指令中的所有控制信号进行迭代计算,得到利润最大时对应的目标控制信号,提高了经济效益。
在一个实施例中,还提供了一种获取目标调度电能的步骤,如图8所示,上述步骤S203中的 “将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能”,包括:
S601,将控制指令发送到电力混合系统中进行电能调度,得到中间调度电能。
本申请实施例中,控制器基于上述步骤得到控制指令后,即可将控制指令发送到电力混合系统中进行电能调度,电力混合系统收到控制指令后,控制并调整电池储能系统的输出,进而得到中间调度电能。
S602,确定中间调度电能是否满足预期调度要求,若满足,则将中间调度电能确定为目标调度电能;若不满足,则将中间调度电能作为新的初始调度电能,并返回执行将市场价格预期信息、风电出力预期信息和初始调度电能输入至预测模型中进行指令优化的步骤。
本申请实施例中,控制器基于上述步骤得到中间调度电能后,可以判断中间调度电能是否满足预期调度要求,若满足,则将中间调度电能确定为目标调度电能;若不满足,则将中间调度电能作为新的初始调度电能,并返回执行步骤S202,即将市场价格预期信息、风电出力预期信息和初始调度电能输入至预测模型中进行指令优化的步骤。上述实施例中,通过预测模型动态地调整电能调度的控制指令,可以在保证实时负荷需求满足的前提下可以减少电力混合系统的总体能耗和成本。
在一个实施例中,还提供了一种获取控制指令的方法,如图9所示,上述步骤S202中的 “将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令”,包括:
S701,根据风电出力预期信息和初始调度电能,计算得到储能参数。
其中,储能参数包括电池储能系统的放电功率、电池储能系统功率。
本申请实施例中,控制器基于上述步骤得到风电出力预期信息和初始调度电能后,可以将风电出力预期信息和初始调度电能输入至相关计算公式中,计算得到储能参数。
S702,以收益最大化为目标,将市场价格预期信息、储能参数和设备成本参数输入到预测模型中进行求解,得到控制指令。
其中,设备成本参数包括电力混合系统的储能成本参数和电力混合系统中的电池储能系统的使用寿命参数。
本申请实施例中,控制器可以预先获取设备成本参数,在基于上述步骤得到储能参数、市场价格预期信息后,以收益最大化为目标,将市场价格预期信息、储能参数和设备成本参数输入到预测模型中进行求解,得到控制指令。
上述实施例中,控制器考虑了市场价格预期信息、储能参数和设备成本参数多种参数,求解的控制指令,提高了系统的能源利用效率和调度效率,同时使电力混合系统的成本降低,提高经济效益。
在一个实例中,还提供了一种获取储能成本参数的步骤,如图10所示,该方法包括:
S801,获取电力混合系统的运行成本参数和年放电能量参数。
其中,运行成本参数包括电力混合系统中风电转换系统的成本参数、更新设备成本参数、维护设备成本参数。
风电转换系统的成本参数ACC可以通过关系式(28)表示:
CRF可以通过关系式(29)表示:
其中,PCS表示电源逆变器费用,BOP表示配套设备费用,CRF表示资本回收率,ir表示利率,y表示电力混合系统的项目使用寿命年数。
年放电能量参数ADE可以通过关系式(30)表示:
其中,Q表示电池储能系统的总容量、表示每年的平均循环次数、D表示一年的工作日数量。
更新设备成本参数ARC可以通过关系式(31)表示:
其中,FBC表示未来的电池储能系统的更换成本、RT表示更换次数、WP表示电池储能系统的磨损周期。
电池储能系统的磨损周期WP可以通过关系式(32)和(33)表示:
其中,BRT表示电池更换次数,YEL表示年度的铅酸电池的使用寿命耗费,y(years)表示电力混合系统的项目使用寿命年数。
年度的铅酸电池的使用寿命耗费YEL可以通过关系式(34)表示:
/>
其中,为平均深度放电的循环总数函数,PU为perunit标幺值,表示每年占总循环次数的比例。
年度的铅酸电池的使用寿命EL可以通过关系式(35)和(36)表示:
其中,是关于深度放电的循环总数函数,N电力混合系统中电池储能系统的运行周期,a 和 b 表示与电池类型和特性以及DOD下的总循环数有关的常数。对于其他类型的电池(如锂离子电池或镍氢电池),/>有不同的形式。
本申请实施例中,控制器可以从电力混合系统中获取电力混合系统的运行成本参数和年放电能量参数。
S802,将运行成本参数和年放电能量参数进行比值运算,得到储能成本参数。
本申请实施例中,控制器基于上述步骤得到运行成本参数和年放电能量参数后,可以将运行成本参数和年放电能量参数进行比值运算,得到储能成本参数。例如,储能成本参数SC可以通过关系式(37)表示:
其中,ACC表示风电转换系统的成本参数,OMC表示维护设备成本参数, ARC表示更新设备成本参数,ADE表示年放电能量参数。
在一个实例中,还提供了一种获取使用寿命参数的步骤,如图11所示,该方法包括:
S901,获取电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数。
本申请实施例中,控制器可以从电力混合系统中获取电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数。
S902,根据电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数,计算得到使用寿命参数。
本申请实施例中,控制器基于上述步骤得到电池储能系统的运行周期、电池储能系统的深度放电循环总数DOD、以及电池储能系统的成本参数SUC后,可以将电力混合系统中电池储能系统的运行周期和电池储能系统的深度放电循环总数进行比值计算,得到单次循环放电时间,然后再将单次循环放电时间/>和电池储能系统的成本参数SUC带入至相应的计算公式中,计算得到使用寿命参数。
使用寿命参数可以通过关系式(38)表示:
其中,表示单次循环放电时间,SUC表示电池储能系统的成本参数,需要注意的是,ELC是按日计算的,并取决于实际达到的电池放电深度DOD和日循环次数DNC,年度的铅酸电池的使用寿命耗费 YEL则是通过假设一年有D个工作日来估算。
综合上述所有实施例,还提供了一种基于模型预测控制的风储电站经济优化调度方法,如图12所示,该方法包括:
S1001,获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能。
S1002,根据风电出力预期信息和初始调度电能,计算得到储能参数。
S1003,获取电力混合系统的运行成本参数和年放电能量参数;运行成本参数包括电力混合系统中风电转换系统的成本参数、更新设备成本参数、维护设备成本参数。
S1004,将运行成本参数和年放电能量参数进行比值运算,得到储能成本参数。
S1005,获取电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数。
S1006,根据电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数,计算得到使用寿命参数。
S1007,以收益最大化为目标,将市场价格预期信息、储能参数和设备成本参数输入到预测模型中进行求解,得到控制指令;设备成本参数包括电力混合系统的储能成本参数和电力混合系统中的电池储能系统的使用寿命参数;控制指令包括多个控制信号。
S1008,根据预设条件确定多个控制信号中第一信号。
S1009,将第一信号输入至预测模型中进行计算,得到电力混合系统的第一利润值。
S1010,将排在第一信号之后的第二信号输入至预测模型中进行计算,得到电力混合系统的第二利润值。
S1011,根据第一利润值和第二利润值的差值,确定目标控制信号。若差值为负值,则执行步骤S1012,若差值为正值 ,则执行步骤S1013。
S1012,将第一信号确定为目标控制信号;步骤十二,根据目标控制信号生成最优控制指令。
S1013,将第二信号作为新的第一信号,以及将排在第二信号之后的第三信号作为新的第二信号,返回执行S1009的步骤。
S1014,根据目标控制信号生成最优控制指令。
S1015,将控制指令发送到电力混合系统中进行电能调度,得到中间调度电能。
S1016,确定中间调度电能是否满足预期调度要求,若满足,则执行步骤S1017,若不满足,则执行步骤S1018。
S1017,将中间调度电能确定为目标调度电能。
S1018,将中间调度电能作为新的初始调度电能,并返回执行步骤S1007。
上述实施例可以利用未来的信息轨迹来优化短期控制决策,利用MPC预测模型可以在未来时间窗口内最小化成本函数,MPC预测模型利用约束条件进行设计,确保了在允许操作余量和有界输入输出稳定性下的安全运行。上述实施例优化的目标是通过调度电池储能系统来最大化每日利润,实时优化过程依赖于每个新样本中收到的市场价格和风电预测,约束优化器通过缩紧电池放电深度和日循环次数的约束以实现最小支出寿命成本的最大利润,能够充分发挥风储电站机组及电池储能系统的备用容量,并通过量化分析实现风储电站整体以最高利润运行。
上述各步骤所述的方法在前述实施例中均有说明,详细内容请参见前述说明,此处不赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种基于模型预测控制的风储电站经济优化调度系统,如图13所示,该系统包括:电力混合系统和控制设备,电力混合系统包括风电转换系统和电池储能系统;控制设备与电力混合系统连接;控制设备用于执行上述任一实施例所述的基于模型预测控制的风储电站经济优化调度方法。
上述实施例的基于模型预测控制的风储电站经济优化调度系统包括电力混合系统和控制设备,电力混合系统包括风电转换系统和电池储能系统,控制设备与电力混合系统连接;控制设备用于执行上述任一实施例所述的基于模型预测控制的风储电站经济优化调度方法。上述系统考虑了预测市场价格、风电出力情况以及发电设备的运行寿命参数等多维度的信息进行指令优化预测,能够降低发电成本,提高经济效益。另外,通过预测模型进行电能的调度优化,可以保证设备稳定运行,增强电力系统的可靠性,降低系统运行风险。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于模型预测控制的风储电站经济优化调度方法的基于模型预测控制的风储电站经济优化调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于模型预测控制的风储电站经济优化调度装置实施例中的具体限定可以参见上文中对于基于模型预测控制的风储电站经济优化调度方法的限定,在此不再赘述。
在一个实施例中,如图14所示,提供了一种基于模型预测控制的风储电站经济优化调度装置,包括:
第一获取模块10,用于获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能,设备成本参数包括电力混合系统的储能成本参数和电力混合系统中的电池储能系统的使用寿命参数。
优化模块11,用于将市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令。
调度模块12,用于将控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
在一个实施例中,上述基于模型预测控制的风储电站经济优化调度装置,还包括:
筛选模块,用于根据预设条件对多个控制信号进行筛选,得到目标控制信号。
生成模块,用于根据目标控制信号生成最优控制指令。
相应的,上述调度模块12,用于将最优控制指令发送到电力混合系统中进行电能调度,得到目标调度电能。
在一个实施例中,上述筛选模块,包括:
第一确定单元,用于根据预设条件确定多个控制信号中第一信号。
第一计算单元,用于将第一信号输入至预测模型中进行计算,得到电力混合系统的第一利润值。
第二计算单元,用于将排在第一信号之后的第二信号输入至预测模型中进行计算,得到电力混合系统的第二利润值。
第二确定单元,用于根据第一利润值和第二利润值的差值,确定目标控制信号。
在一个实施例中,上述第二确定单元,包括:
第一确定子单元,用于若差值为负值,则将第一信号确定为目标控制信号。
第二循坏子单元,用于若差值为正值 ,则将第二信号作为新的第一信号,以及将排在第二信号之后的第三信号作为新的第二信号,返回执行将第一信号输入至预测模型中进行计算的步骤。
在一个实施例中,上述调度模块12,包括:
调度单元,用于将控制指令发送到电力混合系统中进行电能调度,得到中间调度电能。
第三确定单元,用于确定中间调度电能是否满足预期调度要求,若满足,则将中间调度电能确定为目标调度电能;若不满足,则将中间调度电能作为新的初始调度电能,并返回执行将市场价格预期信息、风电出力预期信息和初始调度电能输入至预测模型中进行指令优化的步骤。
在一个实施例中,上述优化模块11,包括:
第三计算单元,用于根据风电出力预期信息和初始调度电能,计算得到储能参数。
第四计算单元,用于以收益最大化为目标,将市场价格预期信息、储能参数和设备成本参数输入到预测模型中进行求解,得到控制指令。
在一个实施例中,上述基于模型预测控制的风储电站经济优化调度装置,还包括:
第二获取模块,用于获取电力混合系统的运行成本参数和年放电能量参数;运行成本参数包括电力混合系统中风电转换系统的成本参数、更新设备成本参数、维护设备成本参数。
第一计算模块,用于将运行成本参数和年放电能量参数进行比值运算,得到储能成本参数。
在一个实施例中,上述基于模型预测控制的风储电站经济优化调度装置,还包括:
第二获取模块,用于获取电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数。
第二计算模块,用于根据电力混合系统中电池储能系统的运行周期、电池储能系统的深度放电循环总数、以及电池储能系统的成本参数,计算得到使用寿命参数。
上述基于模型预测控制的风储电站经济优化调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图15所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于模型预测控制的风储电站经济优化调度方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种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上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(DynamicRandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于模型预测控制的风储电站经济优化调度方法,其特征在于,所述方法包括:
获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能;
将所述市场价格预期信息、风电出力预期信息、所述设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令;
将所述控制指令发送到电力混合系统中进行电能调度,得到目标调度电能;
所述将所述市场价格预期信息、风电出力预期信息、所述设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令,包括:
根据所述风电出力预期信息和所述初始调度电能,计算得到储能参数;
以收益最大化为目标,将所述市场价格预期信息、所述储能参数和所述设备成本参数输入到所述预测模型中进行求解,得到所述控制指令;所述预测模型包括计算预测和外部预测,所述计算预测用于计算所述电力混合系统的电能,所述外部预测由获取所述市场价格预期信息和获取所述风电出力预期信息的关系式确定;
所述控制指令包括多个控制信号,所述方法还包括:
根据预设条件对所述多个控制信号进行筛选,得到目标控制信号;
根据所述目标控制信号生成最优控制指令;
所述将所述控制指令发送到电力混合系统中进行电能调度,得到目标调度电能,包括:
将所述最优控制指令发送到电力混合系统中进行电能调度,得到目标调度电能;
所述根据预设条件对所述多个控制信号进行筛选,得到目标控制信号,包括:
根据预设条件确定所述多个控制信号中第一信号;
将所述第一信号输入至所述预测模型中进行计算,得到所述电力混合系统的第一利润值;
将排在所述第一信号之后的第二信号输入至所述预测模型中进行计算,得到所述电力混合系统的第二利润值;
根据所述第一利润值和所述第二利润值的差值,确定所述目标控制信号;
所述根据所述第一利润值和所述第二利润值的差值,确定所述目标控制信号,包括:
若所述差值为负值,则将所述第一信号确定为所述目标控制信号;
若所述差值为正值 ,则将所述第二信号作为新的第一信号,以及将排在所述第二信号之后的第三信号作为新的第二信号,返回执行所述将所述第一信号输入至所述预测模型中进行计算的步骤。
2.根据权利要求1所述的基于模型预测控制的风储电站经济优化调度方法,其特征在于,所述将所述控制指令发送到电力混合系统中进行电能调度,得到目标调度电能,包括:
将所述控制指令发送到电力混合系统中进行电能调度,得到中间调度电能;
确定所述中间调度电能是否满足预期调度要求,若满足,则将所述中间调度电能确定为所述目标调度电能;若不满足,则将所述中间调度电能作为新的初始调度电能,并返回执行所述将所述市场价格预期信息、风电出力预期信息和初始调度电能输入至预测模型中进行指令优化的步骤。
3.根据权利要求1所述的基于模型预测控制的风储电站经济优化调度方法,其特征在于,所述设备成本参数包括所述电力混合系统的储能成本参数和所述电力混合系统中的电池储能系统的使用寿命参数。
4.根据权利要求3所述的基于模型预测控制的风储电站经济优化调度方法,其特征在于,获取所述储能成本参数的方法,包括:
获取所述电力混合系统的运行成本参数和年放电能量参数;所述运行成本参数包括所述电力混合系统中风电转换系统的成本参数、更新设备成本参数、维护设备成本参数;
将所述运行成本参数和年放电能量参数进行比值运算,得到所述储能成本参数。
5.根据权利要求3所述的基于模型预测控制的风储电站经济优化调度方法,其特征在于,获取所述使用寿命参数的方法,包括:
获取所述电力混合系统中电池储能系统的运行周期、所述电池储能系统的深度放电循环总数、以及所述电池储能系统的成本参数;
根据所述电力混合系统中电池储能系统的运行周期、所述电池储能系统的深度放电循环总数、以及所述电池储能系统的成本参数,计算得到所述使用寿命参数。
6.一种基于模型预测控制的风储电站经济优化调度系统,其特征在于,所述系统包括:电力混合系统和控制设备,所述电力混合系统包括风电转换系统和电池储能系统;所述控制设备与所述电力混合系统连接;所述控制设备用于执行如权利要求1-5任一项所述的基于模型预测控制的风储电站经济优化调度方法。
7.一种基于模型预测控制的风储电站经济优化调度装置,其特征在于,所述装置包括:
第一获取模块,用于获取待调度电能的市场价格预期信息、风电出力预期信息、设备成本参数和初始调度电能;
优化模块,用于将所述市场价格预期信息、风电出力预期信息、所述设备成本参数和初始调度电能输入至预测模型中进行指令优化,得到控制指令;
调度模块,用于将所述控制指令发送到电力混合系统中进行电能调度,得到目标调度电能;
所述优化模块包括:
第三计算单元,用于根据所述风电出力预期信息和所述初始调度电能,计算得到储能参数;
第四计算单元,用于以收益最大化为目标,将所述市场价格预期信息、所述储能参数和所述设备成本参数输入到所述预测模型中进行求解,得到所述控制指令;所述预测模型包括计算预测和外部预测,所述计算预测用于计算所述电力混合系统的电能,所述外部预测由获取所述市场价格预期信息和获取所述风电出力预期信息的关系式确定;
所述控制指令包括多个控制信号,所述装置,还包括:
筛选模块,用于根据预设条件对多个控制信号进行筛选,得到目标控制信号;
生成模块,用于根据目标控制信号生成最优控制指令;
相应的,上述调度模块,用于将最优控制指令发送到电力混合系统中进行电能调度,得到目标调度电能;
所述筛选模块包括:
第一确定单元,用于根据预设条件确定多个控制信号中第一信号;
第一计算单元,用于将第一信号输入至预测模型中进行计算,得到电力混合系统的第一利润值;
第二计算单元,用于将排在第一信号之后的第二信号输入至预测模型中进行计算,得到电力混合系统的第二利润值;
第二确定单元,用于根据第一利润值和第二利润值的差值,确定目标控制信号;
所述第二确定单元,包括:
第一确定子单元,用于若差值为负值,则将第一信号确定为目标控制信号;
第二循坏子单元,用于若差值为正值 ,则将第二信号作为新的第一信号,以及将排在第二信号之后的第三信号作为新的第二信号,返回执行将第一信号输入至预测模型中进行计算的步骤。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169375.6A CN116914861B (zh) | 2023-09-12 | 2023-09-12 | 基于模型预测控制的风储电站经济优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311169375.6A CN116914861B (zh) | 2023-09-12 | 2023-09-12 | 基于模型预测控制的风储电站经济优化调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116914861A CN116914861A (zh) | 2023-10-20 |
CN116914861B true CN116914861B (zh) | 2024-01-23 |
Family
ID=88367173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311169375.6A Active CN116914861B (zh) | 2023-09-12 | 2023-09-12 | 基于模型预测控制的风储电站经济优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116914861B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003094414A2 (en) * | 2002-05-03 | 2003-11-13 | Caminus Corporation | Valuing and optimizing scheduling of generation assets |
CN111126709A (zh) * | 2019-12-27 | 2020-05-08 | 中国南方电网有限责任公司 | 调度出力的确定方法、装置、计算机设备和存储介质 |
CN114493222A (zh) * | 2022-01-18 | 2022-05-13 | 中广核风电有限公司 | 考虑出力预测与价格的风电场储能电站多市场参与策略 |
CN115528749A (zh) * | 2022-10-26 | 2022-12-27 | 中国电力科学研究院有限公司 | 实时市场与电网调度联合推演方法、系统、设备及介质 |
-
2023
- 2023-09-12 CN CN202311169375.6A patent/CN116914861B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003094414A2 (en) * | 2002-05-03 | 2003-11-13 | Caminus Corporation | Valuing and optimizing scheduling of generation assets |
CN111126709A (zh) * | 2019-12-27 | 2020-05-08 | 中国南方电网有限责任公司 | 调度出力的确定方法、装置、计算机设备和存储介质 |
CN114493222A (zh) * | 2022-01-18 | 2022-05-13 | 中广核风电有限公司 | 考虑出力预测与价格的风电场储能电站多市场参与策略 |
CN115528749A (zh) * | 2022-10-26 | 2022-12-27 | 中国电力科学研究院有限公司 | 实时市场与电网调度联合推演方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116914861A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11314304B2 (en) | Datacenter power management using variable power sources | |
Li et al. | Optimal scheduling of an isolated microgrid with battery storage considering load and renewable generation uncertainties | |
Wang et al. | Stochastic coordinated operation of wind and battery energy storage system considering battery degradation | |
Xie et al. | Fast MPC-based coordination of wind power and battery energy storage systems | |
Scioletti et al. | Optimal design and dispatch of a system of diesel generators, photovoltaics and batteries for remote locations | |
Soroush et al. | Process systems opportunities in power generation, storage and distribution | |
Hooshmand et al. | Experimental demonstration of a tiered power management system for economic operation of grid-tied microgrids | |
CN105684257A (zh) | 用于控制微电网的操作的微电网能量管理系统和方法 | |
Gbadega et al. | Impact of incorporating disturbance prediction on the performance of energy management systems in micro-grid | |
CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
He et al. | Minimizing the operation cost of distributed green data centers with energy storage under carbon capping | |
Michael et al. | Economic scheduling of virtual power plant in day-ahead and real-time markets considering uncertainties in electrical parameters | |
JP2013198192A (ja) | 蓄電池の運用方針決定方法および運用方針決定システム | |
Fan et al. | Rule-based health-aware power sharing for a multi-unit battery energy storage system | |
CN116914861B (zh) | 基于模型预测控制的风储电站经济优化调度方法及系统 | |
Zhou et al. | An integrated two-level distributed dispatch for interconnected microgrids considering unit commitment and transmission loss | |
JP2024006418A (ja) | 情報処理装置、情報処理方法、コンピュータプログラム及び情報処理システム | |
CN108683211A (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
CN117060491B (zh) | 风光混合储能系统的运行优化方法、系统、介质及设备 | |
CN117893360B (zh) | 一种智慧能源控制方法及系统 | |
Zheng et al. | Optimized dispatch of energy storage systems based on improved battery model | |
Lukianenko et al. | Development and Utilization of a Quasi-dynamic Model for Power System Analysis | |
Khalid et al. | Maximizing the income for wind power plant integrated with a battery energy storage system using dynamic programming | |
CN116611669B (zh) | 一种需求侧资源可行域聚合方法、系统及电子设备 | |
US20240127370A1 (en) | Energy dispatch optimization using a fleet of distributed energy resources |
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 |