CN104242339B - 基于模型预测控制理论的风电场电压自动控制方法 - Google Patents

基于模型预测控制理论的风电场电压自动控制方法 Download PDF

Info

Publication number
CN104242339B
CN104242339B CN201410437727.6A CN201410437727A CN104242339B CN 104242339 B CN104242339 B CN 104242339B CN 201410437727 A CN201410437727 A CN 201410437727A CN 104242339 B CN104242339 B CN 104242339B
Authority
CN
China
Prior art keywords
formula
svg
idle
voltage
blower fan
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
Application number
CN201410437727.6A
Other languages
English (en)
Other versions
CN104242339A (zh
Inventor
郭庆来
孙宏斌
王彬
张伯明
吴文传
徐峰达
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201410437727.6A priority Critical patent/CN104242339B/zh
Publication of CN104242339A publication Critical patent/CN104242339A/zh
Priority to US14/839,949 priority patent/US9886417B2/en
Application granted granted Critical
Publication of CN104242339B publication Critical patent/CN104242339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03DWIND MOTORS
    • F03D7/00Controlling wind motors 
    • F03D7/02Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/028Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03DWIND MOTORS
    • F03D7/00Controlling wind motors 
    • F03D7/02Controlling wind motors  the wind motors having rotation axis substantially parallel to the air flow entering the rotor
    • F03D7/04Automatic control; Regulation
    • F03D7/042Automatic control; Regulation by means of an electrical or electronic controller
    • F03D7/043Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
    • F03D7/045Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with model-based controls
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/048Adaptive 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
    • FMECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05BINDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00Control
    • F05B2270/40Type of control system
    • F05B2270/404Type of control system active, predictive, or anticipative
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00Energy generation through renewable energy sources
    • Y02E10/70Wind energy
    • Y02E10/72Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Eletrric Generators (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于模型预测控制理论的风电场电压控制方法,属于电力***风电场电压自动控制技术领域。该方法包括采集***当前各类电量实测值作为各类电量的预测值的初始值,根据所述预测值建立由优化目标函数和约束条件组成的优化控制模型;对优化控制模型进行简化,利用优化工具求解优化控制简化模型,获得风机无功设定值和SVG电压设定值在MPC时间窗内的解序列;将解序列中首个值作为控制目标分别下发给风机和SVG,以实现风电场电压的自动控制。本方法可集成在风电场现场运行的自动电压控制***中,使该***能够实时根据风电场的功率变化,实施最适宜的控制策略。

Description

基于模型预测控制理论的风电场电压自动控制方法
技术领域
本发明属于电力***的风电场电压自动控制技术领域。
背景技术
近年来风电并网容量持续快速增长,大规模风电汇集并网区域的电压问题相伴而生。我国风能资源分布远离负荷中心,风电多集中接入缺少常规水火电厂支撑的薄弱电网,区域电压极易受风场有功、无功影响。阵风经过时,风功率可能在分钟内出现大幅涨落,进而引起风场并网点(PCC,Point of Common Coupling)电压剧烈波动。
目前现场投运的风场中,大部分参照传统火电厂设计电压控制器,将风机和SVC/SVG(静止无功补偿器/静止无功发生器)简单等同为不同无功源,较少考虑其间响应特性的差异。传统控制方法以当前状态优化为主,忽视SVC/SVG和风机无功调节过程对***未来状态的影响。为了防止无功调整量与调节完成时***状态不匹配造成电压振荡,控制时常设定较小的无功调节步长,利用多步逼近方式控制电压。风力快速波动时,在风机无功调节量被限制的情况下,SVC/SVG追踪电压目标,容易首先耗尽自身动态无功储备,导致未来发生紧急情况或电压剧烈波动时无法提供支撑。
模型预测控制(MPC,Model Predictive Control)是过程控制理论中一种重要方法,广泛应用于石油、化工、冶金、机械等多个行业。在电力***中主要应用于电网电压控制、电压稳定、有功调度、储能管理等领域,具有控制效果良好、鲁棒性强的优点。模型预测控制的当前控制动作是在每一个采样瞬间通过求解一个有限时域开环最优控制问题而获得。过程的当前状态作为最优控制问题的初始状态,解得的最优控制序列只实施第一个控制作用。这是它与那些使用预先计算控制律的算法的最大不同。
发明内容
本发明的目的是克服现有技术的不足之处,提出一种基于模型预测控制理论的风电场电压控制方法,本发明方法,可集成在风电场现场运行的自动电压控制***中,使该***能够实时根据风电场的功率变化,实施最适宜的控制策略。以适应目前风电场快慢无功设备的协调。
本发明提出一种基于模型预测控制理论的风电场电压控制方法,用于风电场AVC***控制中,其特征在于,当一个控制周期开始时进行以下步骤:
1)采集***当前各类电量实测值作为各类电量的预测值的初始值,预测值包括:风机有功预测值风机无功预测值风机机端电压预测值SVG无功预测值SVG机端电压预测值风电场并网点(PCC)母线电压预测值
2)根据所述预测值建立由优化目标函数和约束条件组成的MPC优化控制模型:
2.1)MPC优化控制模型的目标函数如式(1)所示:
式(1)中为优化变量,含义分别为风机无功设定值和SVG电压设定值;N为时间窗覆盖控制周期的个数;M为单个控制周期下含预测点的个数;ρ为衰减系数,取值ρ<1;时间变量ti,j=(Mi+j)Δt意义为当前时刻起第i个控制周期内的第j个预测点,Δt为预测点间隔,Δt由风电场功率预测时间间隔决定;
F1为风电场并网点母线电压与设定值的偏差水平,F1具体表达式如式(2):
式(2)中表示PCC电压的参考值,从主站控制指令中提取后设定;
F2为SVG无功储备水平,F2具体表达式如式(3):
式(3)中为SVG无功最佳运行点;
2.2)MPC优化控制模型的约束条件,具体包括:
2.2.1)风机有功预测约束条件:
式(4)中为风机有功预测误差;Na和Nm分别为AR和MA模型的阶数,φk和θk为相关权重,阶数与权重均根据风机有功历史值确定;ti,j-k为预测中参与计算数据(包括)对应时刻,下标k表征预测时刻前推kΔt时间,当ti,j-k≤0时,有功预测值应取对应时刻历史值;
2.2.2)风机无功预测约束条件:
风机无功在下次控制前达到设定值:
第i个控制周期内的各预测点,风机无功功率的变化过程以指数函数拟合:
式(6)中Ts为风机无功调节时间常数,可以根据风机无功调节测试试验获取;
2.2.3)SVG无功预测约束条件:
SVG无功参考值如式(7)所示:
式(7)中KI和KP分别为比例环节和积分环节的系数;
SVG无功预测值如式(8)所示:
式(8)中时间常数Td为SVG电力电子装置动作延时;
2.2.4)电压预测约束条件:
式(9)中Vpre为风机机端、SVG机端、和PCC母线电压预测值构成的向量,S为灵敏度矩阵;
2.2.5)***电压、发电机运行和SVG运行的约束条件:
式(10)中Vmax和Vmin分别为由PCC、风机和SVG电压预测值构成***电压向量的上限和下限,其中PCC电压限值由区域电网控制中心给出,而风机和SVG电压限值根据设备生产厂商给出的正常工作范围确定;分别为风机无功运行上下限,别为SVG无功运行上下限,皆根据设备生产厂商给出的正常工作范围确定;分别为风机无功爬坡上下限,分别为SVG无功爬坡上下限,皆需经过无功调速实验测试结果确定;
2.3)式(1)优化目标函数与式(2-10)约束条件构成MPC优化控制模型;
3)对MPC优化控制模型进行简化:
删去式(7-8)中SVG无功预测约束条件,在原优化目标函数式(1)中增加式(11):
式(11)中F3含义为SVG无功预测值与设定值偏差:
简化后的MPC优化控制模型的目标函数如式(13)所示:
式(13)中α和β为F2和F3的权重,权重值分别取PCC电压对SVG无功和端电压灵敏度的平方;
由式(13)优化目标函数与式(2-6)、(9-10)、(12)约束条件构成MPC优化控制简化模型;
4)利用优化工具求解MPC优化控制简化模型,获得风机无功设定值和SVG电压设定值在MPC时间窗内的解序列
5)将解序列中首个值作为控制目标分别下发给风机和SVG,以实现风电场电压的自动控制。
本发明特点和效果:
本发明依据风电场无功设备运行的实时及历史数据,设计了风机有功、无功和SVG无功预测模型,可以预估风电场一段时间内电压状态变化。相比于传统的仅以当前状态作为控制判据的控制方法,能够在过程中实现快慢无功设备协调。本发明方法,可集成在风电场现场运行的自动电压控制***中,使该***能够实时根据风电场的功率变化,同时保证风场内电压安全,并完成调度中心下发的风电场并网点电压控制目标,以实施最适宜的控制策略。
具体实施方式
本发明提出的基于模型预测控制理论的风电场电压控制方法结合实施例详细说明如下:
本发明提出的基于模型预测控制理论的风电场电压控制方法,用于风电场AVC***控制中,其特征在于,当一个控制周期(根据场内通信条件确定,实施例中设为2s)开始时进行以下步骤:
1)采集***当前各类电量实测值作为各类电量的预测值的初始值,预测值包括:风机有功预测值风机无功预测值风机机端电压预测值SVG无功预测值SVG机端电压预测值风电场并网点(PCC)母线电压预测值
2)根据所述预测值建立由优化目标函数和约束条件组成的MPC优化控制模型:
2.1)MPC优化控制模型的目标函数如式(1)所示:
式(1)中为优化变量,含义分别为风机无功设定值和SVG电压设定值;N为时间窗覆盖控制周期的个数(风电场中存在数十秒内风况发生剧烈波动的情况,MPC优化的时间窗长度为十至数十秒,实施例中取值为20s,风电场子站AVC***典型控制周期为2s,实施例中N取值为10);M为单个控制周期下含预测点的个数(用以在时间尺度精细化***状态变化过程,实施例中M的取值为4);ρ为衰减系数,取值ρ<1;时间变量ti,j=(Mi+j)Δt意义为当前时刻起第i个控制周期内的第j个预测点,Δt为预测点间隔,Δt由风电场功率预测时间间隔决定(实施例中设为0.5s);
F1为风电场并网点母线电压与设定值的偏差水平,F1具体表达式如式(2):
式(2)中表示PCC电压的参考值,从主站控制指令中提取后设定;
F2为SVG无功储备水平,F2具体表达式如式(3):
式(3)中为SVG无功最佳运行点,取值因风场特点而异(实施例中取为SVG无功出力中点);
2.2)MPC优化控制模型的约束条件,具体包括:
2.2.1)风机有功预测约束条件:
式(4)中为风机有功预测误差;Na和Nm分别为AR和MA模型(自回归和滑动平均模型,是研究时间序列的重要方法)的阶数,φk和θk为相关权重,阶数与权重均根据风机有功历史值确定;ti,j-k为预测中参与计算数据(包括)对应时刻,下标k表征预测时刻前推kΔt时间,当ti,j-k≤0时,有功预测值应取对应时刻历史值;
2.2.2)风机无功预测约束条件:
风机无功在下次控制前达到设定值:
第i个控制周期内的各预测点,风机无功功率的变化过程以指数函数拟合:
式(6)中Ts为风机无功调节时间常数,可以根据风机无功调节测试试验获取;
2.2.3)SVG无功预测约束条件:
SVG无功参考值如式(7)所示:
式(7)中KI和KP分别为比例环节和积分环节的系数(由SVG无功控制器参数确定;当无功参考值超出SVG无功上下限范围时,取贴近的上限或下限值);
SVG无功预测值如式(8)所示:
式(8)中时间常数Td为SVG电力电子装置动作延时;
2.2.4)电压预测约束条件:
式(9)中Vpre为风机机端、SVG机端、和PCC母线电压预测值构成的向量,S为灵敏度矩阵(潮流方程线性化后得到);
2.2.5)***电压、发电机运行和SVG运行的约束条件:
式(10)中Vmax和Vmin分别为由PCC、风机和SVG电压预测值构成***电压向量的上限和下限,其中PCC电压限值由区域电网控制中心给出,而风机和SVG电压限值根据设备生产厂商给出的正常工作范围确定;分别为风机无功运行上下限,分别为SVG无功运行上下限,皆根据设备生产厂商给出的正常工作范围确定;分别为风机无功爬坡上下限,分别为SVG无功爬坡上下限,皆需经过无功调速实验测试结果确定;
2.3)式(1)优化目标函数与式(2-10)约束条件构成MPC优化控制模型;
3)对MPC优化控制模型进行简化:
(由于应用时在MPC模型的预测点间隔Δt内,SVG通常已进入稳态,SVG已无功调节到位使端电压达到设定值,或SVG无功达到限值;)
删去式(7-8)中SVG无功预测约束条件,在原优化目标函数式(1)中增加式(11):
式(11)中F3含义为SVG无功预测值与设定值偏差:
简化后的MPC优化控制模型的目标函数如式(13)所示:
式(13)中α和β为F2和F3的权重,权重值分别取PCC电压对SVG无功和端电压灵敏度的平方;
由式(13)优化目标函数与式(2-6)、(9-10)、(12)约束条件构成MPC优化控制简化模型;
4)利用优化工具(如Cplex、Mosek等)求解MPC优化控制简化模型,获得风机无功设定值和SVG电压设定值在MPC时间窗内的解序列(该模型为混合整数二次规划问题,可以快速求解)
5)将解序列中首个值作为控制目标分别下发给风机和SVG,以实现风电场电压的自动控制。

Claims (1)

1.一种基于模型预测控制理论的风电场电压控制方法,用于风电场AVC***控制中,其特征在于,当一个控制周期开始时进行以下步骤:
1)采集***当前各类电量实测值作为各类电量的预测值的初始值,预测值包括:风机有功预测值风机无功预测值风机机端电压预测值SVG无功预测值SVG机端电压预测值风电场并网点(PCC)母线电压预测值
2)根据所述预测值建立由优化目标函数和约束条件组成的MPC优化控制模型:
2.1)MPC优化控制模型的目标函数如式(1)所示:
m i n Q W T G s e t , V S V G s e t ( Σ i = 0 N - 1 Σ j = 0 M - 1 ρ t i , j F 1 , Σ i = 0 N - 1 Σ j = 0 M - 1 ρ t i , j F 2 ) - - - ( 1 )
式(1)中为优化变量,含义分别为风机无功设定值和SVG电压设定值;N为时间窗覆盖控制周期的个数;M为单个控制周期下含预测点的个数;ρ为衰减系数,取值ρ<1;时间变量ti,j=(Mi+j)Δt意义为当前时刻起第i个控制周期内的第j个预测点,Δt为预测点间隔,Δt由风电场功率预测时间间隔决定;
F1为风电场并网点母线电压与设定值的偏差水平,F1具体表达式如式(2):
F 1 ( t i , j ) = [ V P C C p r e ( t i , j ) - V P C C r e f ] 2 - - - ( 2 )
式(2)中表示PCC电压的参考值,从主站控制指令中提取后设定;
F2为SVG无功储备水平,F2具体表达式如式(3):
F 2 ( t i , j ) = [ Q S V G p r e ( t i , j ) - Q S V G o p r ] 2 - - - ( 3 )
式(3)中为SVG无功最佳运行点;
2.2)MPC优化控制模型的约束条件,具体包括:
2.2.1)风机有功预测约束条件:
P W T G p r e ( t i , j ) = Σ k = 1 N a φ k P W T G p r e ( t i , j - k ) + ϵ W T G p r e ( t i , j ) - Σ k = 1 N m θ k ϵ W T G p r e ( t i , j - k ) - - - ( 4 )
式(4)中为风机有功预测误差;Na和Nm分别为AR和MA模型的阶数,φk和θk为相关权重,阶数与权重均根据风机有功历史值确定;ti,j-k为预测中参与计算数据,包括对应时刻,下标k表征预测时刻前推kΔt时间,当ti,j-k≤0时,有功预测值应取对应时刻历史值;
2.2.2)风机无功预测约束条件:
风机无功在下次控制前达到设定值:
Q W T G p r e ( t i , 0 ) = Q W T G s e t ( t i - 1 , 0 ) - - - ( 5 )
第i个控制周期内的各预测点,风机无功功率的变化过程以指数函数拟合:
Q W T G p r e ( t i , j ) = 1 - e - ( t i , j - t i , 0 ) / T s 1 - e - M Δ t / T s Q W T G s e t ( t i , 0 ) + e - ( t i , j - t i , 0 ) / T s - e - M Δ t / T s 1 - e - M Δ t / T s Q W T G p r e ( t i , 0 ) - - - ( 6 )
式(6)中Ts为风机无功调节时间常数,根据风机无功调节测试试验获取;
2.2.3)SVG无功预测约束条件:
SVG无功参考值如式(7)所示:
Q S V G r e f ( t i , j ) = K P [ V S V G p r e ( t i , j ) - V S V G s e t ( t i , 0 ) ] + K I Δ t Σ k = 0 i × M + j [ V S V G p r e ( t i , j - k ) - V S V G s e t ( t i , - k ) ] + Q S V G p r e ( t 0 , 0 ) - K P [ V S V G p r e ( t 0 , 0 ) - V S V G s e t ( t 0 , 0 ) ] - - - ( 7 )
式(7)中KI和KP分别为比例环节和积分环节的系数;
SVG无功预测值如式(8)所示:
Q S V G p r e ( t i , j ) = Q S V G r e f ( t i , j - 1 ) + [ Q S V G p r e ( t i , j - 1 ) - Q S V G r e f ( t i , j - 1 ) ] e - ( t i , j - t i , j - 1 ) / T d - - - ( 8 )
式(8)中时间常数Td为SVG电力电子装置动作延时;
2.2.4)电压预测约束条件:
V p r e ( t i , j ) - V p r e ( t 0 , 0 ) = S P W T G p r e ( t i , j ) - P W T G p r e ( t 0 , 0 ) Q W T G p r e ( t i , j ) - Q W T G p r e ( t 0 , 0 ) Q S V G p r e ( t i , j ) - Q S V G p r e ( t 0 , 0 ) - - - ( 9 )
式(9)中vpre(ti,j)和vpre(t0,0)分别为ti,j和t0,0时刻风机机端、SVG机端和PCC母线电压预测值构成的向量,S为灵敏度矩阵;
2.2.5)***电压、发电机运行和SVG运行的约束条件:
V m i n ≤ V p r e ( t i , j ) ≤ V m a x Q W T G min ≤ Q W T G p r e ( t i , j ) ≤ Q W T G max Q S V G min ≤ Q S V G p r e ( t i , j ) ≤ Q S V G max ΔQ W T G min ≤ Q W T G p r e ( t i , 0 ) - Q W T G p r e ( t i - 1 , 0 ) ≤ ΔQ W T G max ΔQ S V G min ≤ Q S V G p r e ( t i , 0 ) - Q S V G p r e ( t i - 1 , 0 ) ≤ ΔQ S V G max - - - ( 10 )
式(10)中Vmax和Vmin分别为由风机机端、SVG机端和PCC母线构成***电压向量的上限和下限,其中PCC电压限值由区域电网控制中心给出,而风机和SVG电压限值根据设备生产厂商给出的正常工作范围确定;分别为风机无功运行上下限,分别为SVG无功运行上下限,皆根据设备生产厂商给出的正常工作范围确定;分别为风机无功爬坡上下限,分别为SVG无功爬坡上下限,皆需经过无功调速实验测试结果确定;
2.3)式(1)优化目标函数与式(2)-(10)约束条件构成MPC优化控制模型;
3)对MPC优化控制模型进行简化:
删去式(7)-(8)中SVG无功预测约束条件,在原优化目标函数式(1)中增加式(11):
min Σ i = 0 N - 1 Σ j = 0 M - 1 ρ t i , j F 3 - - - ( 11 )
式(11)中F3含义为SVG无功预测值与设定值偏差:
F 3 = [ V S V G p r e ( t i , j ) - V S V G s e t ( t i , 0 ) ] 2 - - - ( 12 )
简化后的MPC优化控制模型的目标函数如式(13)所示:
min Σ i = 0 N - 1 Σ j = 0 M - 1 ρ t i , j ( F 1 + αF 2 + βF 3 ) - - - ( 13 )
式(13)中α和β为F2和F3的权重,权重值分别取PCC电压对SVG无功和端电压灵敏度的平方;
由式(13)优化目标函数与式(2)-(6)、(9)-(10)、(12)约束条件构成MPC优化控制简化模型;
4)利用优化工具求解MPC优化控制简化模型,获得风机无功设定值和SVG电压设定值在MPC时间窗内的解序列
5)将解序列中首个值作为控制目标分别下发给风机和SVG,以实现风电场电压的自动控制。
CN201410437727.6A 2014-08-29 2014-08-29 基于模型预测控制理论的风电场电压自动控制方法 Active CN104242339B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201410437727.6A CN104242339B (zh) 2014-08-29 2014-08-29 基于模型预测控制理论的风电场电压自动控制方法
US14/839,949 US9886417B2 (en) 2014-08-29 2015-08-29 Method and apparatus for controlling voltage in wind farm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410437727.6A CN104242339B (zh) 2014-08-29 2014-08-29 基于模型预测控制理论的风电场电压自动控制方法

Publications (2)

Publication Number Publication Date
CN104242339A CN104242339A (zh) 2014-12-24
CN104242339B true CN104242339B (zh) 2017-02-15

Family

ID=52229926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410437727.6A Active CN104242339B (zh) 2014-08-29 2014-08-29 基于模型预测控制理论的风电场电压自动控制方法

Country Status (2)

Country Link
US (1) US9886417B2 (zh)
CN (1) CN104242339B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104485682A (zh) * 2015-01-05 2015-04-01 成都鼎智汇科技有限公司 一种风电场储能***的监控装置
CN104505850A (zh) * 2015-01-05 2015-04-08 成都鼎智汇科技有限公司 一种风电场储能***
CN104538981B (zh) * 2015-01-09 2016-08-24 国网山东省电力公司烟台供电公司 一种具有无功调节功能的电池储能***的监控方法
CN104505907B (zh) * 2015-01-09 2016-08-31 南京中欧威能新能源动力***有限公司 一种具有无功调节功能的电池储能***的监控装置
CN105262100B (zh) * 2015-11-13 2017-07-21 华北电力科学研究院有限责任公司 风电汇集地区动态无功控制交互影响的分析方法
WO2017190744A1 (en) * 2016-05-03 2017-11-09 Vestas Wind Systems A/S Controlling a wind turbine during a low voltage grid event using mpc
CN106300417A (zh) * 2016-08-29 2017-01-04 上海交通大学 基于模型预测控制的风电场群无功电压优化控制方法
EP3721301A1 (en) * 2017-12-06 2020-10-14 Vestas Wind Systems A/S Model predictive control in local systems
CN108958216B (zh) * 2018-06-06 2020-04-17 南京国电南自电网自动化有限公司 新能源agc或avc控制***的自动检测***及方法
CN110601251B (zh) * 2018-06-13 2021-06-08 新疆金风科技股份有限公司 风电场中的电压预测方法和设备
CN108869175B (zh) * 2018-06-15 2019-07-09 中南大学 一种基于多步预测的模型预测控制mpc的偏航控制方法
CN108964023B (zh) * 2018-06-29 2022-07-29 国网上海市电力公司 一种用于电网的母线电压态势短期预测方法及***
CN110011363B (zh) * 2018-09-05 2023-05-02 沈阳工业大学 一种风电集群参与电力***调频的有功功率分配方法
CN110970915B (zh) * 2018-09-28 2022-07-08 北京金风科创风电设备有限公司 风力发电机组的并网电压的控制方法和设备
CN109687445B (zh) * 2018-12-29 2021-07-09 国网河北省电力有限公司经济技术研究院 配电网对异步风机接纳能力的评估方法、***及终端设备
CN110932336B (zh) * 2019-11-25 2020-11-13 云南电网有限责任公司临沧供电局 一种基于模型预测控制的低压配电台区电压控制方法及***
CN111244968B (zh) * 2020-02-05 2021-09-10 山东大学 计及电网电压支撑能力影响的风电场电压控制方法及***
CN112560222A (zh) * 2020-11-16 2021-03-26 国网辽宁省电力有限公司电力科学研究院 一种改善电网动态稳定性的无功优化配置方法
CN112583040B (zh) * 2020-12-21 2022-09-13 中国科学院电工研究所 含分布式能源和用户交直流配用电***的主动管控方法
CN113970886B (zh) * 2021-10-09 2023-05-23 南京理工大学 基于优化准确性的风电试验台控制周期选取方法及***
CN114280939B (zh) * 2021-12-27 2023-12-22 中国联合网络通信集团有限公司 一种模型预测控制方法、装置、设备及存储介质
CN116245033B (zh) * 2023-05-12 2023-09-15 南方电网数字电网研究院有限公司 人工智能驱动的电力***分析方法及智能软件平台

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070055392A1 (en) * 2005-09-06 2007-03-08 D Amato Fernando J Method and system for model predictive control of a power plant
KR101132107B1 (ko) * 2010-09-29 2012-04-05 한국전력공사 분산전원이 연계된 전력계통의 전압/무효전력 제어 시스템 및 이를 위한 방법
CN102386623A (zh) * 2011-07-07 2012-03-21 浙江运达风电股份有限公司 一种减小风电场网损的方法
WO2013082698A1 (en) * 2011-12-05 2013-06-13 Hatch Ltd. System, method and controller for managing and controlling a micro-grid
US9046077B2 (en) * 2011-12-28 2015-06-02 General Electric Company Reactive power controller for controlling reactive power in a wind farm
CN102588211B (zh) * 2012-02-29 2013-08-14 沈阳华人风电科技有限公司 一种风力发电机组全工况模型预测控制方法及***
CN102611118B (zh) * 2012-03-14 2014-04-16 清华大学 一种引入预测信息的风电场综合无功电压控制方法
WO2014026689A1 (en) * 2012-08-15 2014-02-20 Vestas Wind Systems A/S Wind power plant control system, wind power plant including wind power plant control system and method of controlling wind power plant
EP2711543B1 (en) * 2012-09-21 2016-08-17 Siemens Aktiengesellschaft Operating a wind turbine and a wind farm in different grid strength
US9014945B2 (en) * 2013-03-08 2015-04-21 General Electric Company Online enhancement for improved gas turbine performance

Also Published As

Publication number Publication date
US20160084225A1 (en) 2016-03-24
US9886417B2 (en) 2018-02-06
CN104242339A (zh) 2014-12-24

Similar Documents

Publication Publication Date Title
CN104242339B (zh) 基于模型预测控制理论的风电场电压自动控制方法
CN108336761B (zh) 风电场的功率控制方法、装置、***和计算机设备
CN102299527B (zh) 一种风电场无功功率控制方法和***
CN104882905B (zh) 一种考虑暂态安全约束的新能源接纳能力评估方法
CN101931241B (zh) 风电场并网协调控制方法
WO2021088442A1 (zh) 协调控制风电场无功电压的方法和***
CN110581571A (zh) 一种主动配电网动态优化调度方法
CN109217374B (zh) 一种风电电力***无功电压事前多时间尺度优化控制方法
CN103715700A (zh) 适用于风电场并网点电压控制的无功控制***及控制方法
CN104037805B (zh) 一种计及电网安全约束的光伏电站可发电裕度分配方法
CN105140936A (zh) 一种发电成本最低的微电网调频控制方法
Abdelrazek et al. A weather-based optimal storage management algorithm for PV capacity firming
CN103346577A (zh) 降低风电场功率损耗的风电场avc无功控制***及方法
CN103259267A (zh) 一种用于风电场集群的分模式电压控制方法
CN109873447A (zh) 一种多源协同主动配电网多时间级有功-无功调控方法
CN106026113A (zh) 一种具有无功自动补偿的微电网***的监控方法
CN111555366B (zh) 一种基于多时间尺度的微网三层能量优化管理方法
CN104242318A (zh) 基于模型预测控制理论的直流近区电压自动控制方法
CN112526262B (zh) 高比例新能源接入的直流送端电网稳定性判断方法
CN104505907B (zh) 一种具有无功调节功能的电池储能***的监控装置
CN101917002B (zh) 基于特高压电网联络线运行状态的电压控制方法
CN110159484A (zh) 基于风电场场级能量控制的风电机群启停机控制方法
CN105262098A (zh) 基于风电场发电功率波动评估的敏捷自动电压控制方法
CN105977988A (zh) 提高新能源汇集区域电压安全性的有功无功协调控制方法
CN202178583U (zh) 一种风电场无功功率控制***

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant