CN110518634A - 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 - Google Patents
基于改进指数平滑法的蓄电池储能系接入风电场控制方法 Download PDFInfo
- Publication number
- CN110518634A CN110518634A CN201910762469.1A CN201910762469A CN110518634A CN 110518634 A CN110518634 A CN 110518634A CN 201910762469 A CN201910762469 A CN 201910762469A CN 110518634 A CN110518634 A CN 110518634A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- energy
- electricity generation
- powered electricity
- 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
- 238000009499 grossing Methods 0.000 title claims abstract description 67
- 230000005611 electricity Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004146 energy storage Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 230000010349 pulsation Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 28
- 230000035772 mutation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008649 adaptation response Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 14
- 238000011217 control strategy Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000010354 integration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000087 stabilizing effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005404 monopole Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/10—Flexible AC transmission systems [FACTS]
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于改进指数平滑法的蓄电池储能系接入风电场控制方法,包括以下步骤:S1、获取风电历史数据,采用改进指数平滑法预测下一时段输出功率;S2、计算风电输出波动率是否符合行业标准,如果不符合,转入步骤S3;如果符合,结束;S3、考虑蓄电池荷电状态及波动率标准值为约束条件,控制蓄电池储能***进行充放电。本发明在指数平滑风电功率波动的过程中引入自适应粒子群算法,实现了平滑系数的自适应选取,改善了传统二次指数平滑的效果。仿真结果表明,在确定的储能容量风电场中,本发明的控制策略的平抑效果更好。
Description
技术领域
本发明涉及风电场控制技术领域,尤其是一种基于改进指数平滑法的蓄电 池储能系接入风电场控制方法。
背景技术
风电是我国能源战略的重要构成部分,目前已得到快速发展,为社会发展 提供了大量的清洁能源。由于风电易受气候和环境等因素的影响,其出力具有 较大的随机性、波动性,且目前风电预测存在一定的误差,并网型风力发电在 为电网输送大量清洁能源的同时也对电力***的供电质量和安全运行造成了 较大影响,严重制约了风力发电的大规模应用。如何对风电场输出功率进行有 效的平抑具有重要意义。在风电场中配备储能单元,可有效的降低风电场输出 功率的波动,在一定程度上将风电转化为可调度的电源,有助于减少风力发电 对电力***的冲击。蓄电池具有维护简单、使用寿命长、质量稳定、可靠性高的特点。伴随着电池技术和电力电子技术的发展,蓄电池储能***在平抑风电 波动中得到了广泛的应用。
其中指数平滑方法是时间序列分析的重要方法,在经济预测、电力计量设 备需求预测、能源节约等方面有着广泛的应用。平滑系数是指数平滑算法中的 重要参数之一,它的选择决定预测的准确性。传统方法中平滑系数是由人工指 定,其缺点表现在依赖人工经验、不具有动态性。常用的平滑系数自动优化算 法有:黄金分割法、Fibonacci法、切线法、二分法等。这些自动优化算法可以 在短时间内求出平滑系数的较优值,但仅限于平滑系数取值为单极值的情况, 当平滑系数取值为多极值时,这些算法不能保证求出的值收敛于最优平滑系 数。
发明内容
本发明的目的是提供基于改进指数平滑法的蓄电池储能系接入风电场控 制方法,构建风电-蓄电池储能***(BESS)联合运行***,针对蓄电池储能 ***接入风电场控制策略,采用指数平滑法对储能***进行控制,平滑系数的 求解过程过程引入粒子群优化算法,以预测误差平方和(SSE)最小为约束条件 实现平滑系数的合理选取,以蓄电池的荷电状态风电场并网波动率国家标准为 约束,实现风电的合理接入。
为实现上述目的,本发明采用下述技术方案:
基于改进指数平滑法的蓄电池储能系接入风电场控制方法,包括以下步 骤:
S1、获取风电历史数据,采用改进指数平滑法预测下一时段输出功率;
S2、计算风电输出波动率是否符合行业标准,如果不符合,转入步骤S3; 如果符合,结束;
S3、考虑蓄电池荷电状态及波动率标准值为约束条件,控制蓄电池储能系 统进行充放电。
进一步地,所述获取风电历史数据,采用改进指数平滑法预测下一时段输 出功率,具体包括:
获取风电全部历史数据,通过加权平均方法得到一次平滑预测结果;
通过采用最小预测误差平方和为评价指标,以自适应粒子群算法实现二次 平滑模型的平滑系数求解,完成下一时段输出功率序列预测。
进一步地,所述以自适应粒子群算法实现二次平滑模型的平滑系数求解, 完成下一时段输出功率序列预测,具体包括:
输入风电场原始采样数据,初始化粒子群;
计算评价每个粒子的适应值,求解群体最优解pzy和粒子当前的位置的最 优解pdq;
根据速度、位置和权重因子公式更新粒子信息;
依据自适应度方差计算结果完成变异概率的计算;
迭代次数判断,完成迭代输出群体最优解pzy;否则继续迭代。
进一步地,所述计算风电输出波动率是否符合行业标准,具体包括:
计算风电场配备的蓄电池储能***容量、并网风电的1min功率波动限值、 并网风电的10min功率波动限值是否满足如下表格:
。
进一步地,所述考虑蓄电池荷电状态及波动率标准值为约束条件,控制蓄 电池储能***进行充放电,具体包括:
控制***判断并网风电的1min或10min功率波动超过规定值,则蓄电池 储能***进行充放电以平抑目标和实际风电输出功率的差值,蓄电池储能*** 需要吸收或释放的功率及***的目标输出功率可分别记为:
当Pout_W,k>Pout_S,k时,蓄电池储能***吸收功率;当Pout_W,k<Pout_S,k,时,蓄电 池储能***释放功率,其值大小均为平抑输出与风电功率的差值。
进一步地,蓄电池储能***需要吸收或释放的功率及***的目标输出功率 计算,具体包括:
输入风电场某一时段的功率数据,计算功率波动率和为平抑波动需要蓄电 池储能***的输出或吸收功率值;
考虑蓄电池储能***的输出功率后的风电场输出功率波动,并判断此时的 波动率是否满足行业标准表格的要求,若不满足,调整蓄电池储能***的充放 电功率,若满足,计算此时蓄电池的荷电状态;
判断蓄电池荷电状态是否满足要求,若不满足,直接结束;若满足,进行 下一步迭代,直到满足结束条件,迭代结束后输出风电场的输出功率及对应蓄 电池储能***需要充电或放电的容量。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效 果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明在指数平滑风电功率波动的过程中引入自适应粒子群算法,针对控 制策略中针对传统粒子群算法在求解过程中“粒子”有可能在全局最优解附近 “震荡”的问题,采用自适应的方式对惯性权重进行调整,提高算法的收敛性。 实现了平滑系数的自适应选取,改善了传统二次指数平滑的效果。仿真结果表 明,在确定的储能容量风电场中,本发明的控制策略的平抑效果更好。
附图说明
图1是本发明实施例方法流程图;
图2是本发明基于蓄电池储能***的风电场运行***原理图;
图3是本发明蓄电池储能***控制策略示意图;
图4是本发明风电功率波动控制流图;
图5是风电场原始功率波动曲线图;
图6是传统二次平滑法平抑效果图;
图7是基于自适应粒子群算法的改进二次平滑法的平抑效果图;
图8是基本二次平滑法1min波动率曲线图;
图9是改进二次平滑法1min波动率曲线图;
图10是传统二次平滑法10min波动率曲线图;
图11是改进二次平滑法10min波动率曲线图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图, 对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现 本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置 进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重 复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间 的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了 对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,基于改进指数平滑法的蓄电池储能系接入风电场控制方法, 包括以下步骤:
S1、获取风电历史数据,采用改进指数平滑法预测下一时段输出功率;
S2、计算风电输出波动率是否符合行业标准,如果不符合,转入步骤S3; 如果符合,结束;
S3、考虑蓄电池荷电状态及波动率标准值为约束条件,控制蓄电池储能系 统进行充放电。
如图2所示,在风电场中合理的配置储能电池,通过制定控制策略,使其 与风电场协调出力,共同构成风电-蓄电池储能***联合运行***,Pout_B为蓄 电池储能***的充放电功率,Pout_W为风电场输出功率,Pout_S为风电-蓄电池储 能***联合运行***联合输出功率。由能量守恒定律有:
Pout_T=Pout_W+Pout_B (1)
蓄电池储能***可根据需要进行充放电,本发明规定Pout_B>0表示蓄电池 储能***放电,若Pout_B<0则表示蓄电池储能***充电,在某一时段中,蓄电 池储能***的充放电功率输出的限制与SOC的计算关系为:
式中:△t为采样时间间隔,本发明取值为10min、1min;Pcmaxb_B,Pdmaxb_B和Pclim_B(n),Pdlim_B(n)分别表示储能***的充放电功率极值和某一时段内充放 电功率的限值;Pn_B(n)和En_B分别为***功率和容量的额定值;Smax_B和Smin_B为***SOC的上下限值;SB(n-1)和SB(n)为当前和上一时间状态的SOC 值;σB为自放电功率;ηc_B和ηd_B分别为储能***充放电过程的效率。
通过在风电场中配置蓄电池储能***,并制定协调控制策略,将整个*** 的输出功率Pout_T的功率波动限定在合理的范围之内,满足风电场的并网要 求,为风电场的大规模并网创造条件。
步骤S1中,获取风电历史数据,采用改进指数平滑法预测下一时段输出 功率,具体包括:
获取风电全部历史数据,通过加权平均方法得到一次平滑预测结果;
通过采用最小预测误差平方和为评价指标,以自适应粒子群算法实现二次 平滑模型的平滑系数求解,完成下一时段输出功率序列预测。
指数平法以预测对象的全部历史数据为基础,通过加权平均的方式得到预 测结果,其递推公式为:
式中:α为平滑系数,n为平滑指数,xt+1为预测值,xt,xt-1…xt-n为观测值。
由上式:在预测值的求解过程中,α的大小可决定预测过程中各个观测数 据所占比例,即平滑系数会对平滑结果造成较大的影响。本实施例在一次平滑 的基础上,通过预测值的调整,实现二次指数平滑预测。二次指数平滑的模型 如下:
基本公式
预测公式
其中预测参数
由上式可知通过平滑输出xt (1)和xt (2)可完成相关参数的计算,式中表 示对第t+T个值进行预测。由二次平滑模型,影响预测值的因素有:
①平滑系数α,其值大小,直接反映了不同时间段数据的变化趋势。
②初值x0,工程实践表明,观测值时间序列较多,可忽略初值对预测 结果的影响,本发明符合这一特点,即忽略初始值x0对后预测结果的影响。
本发明以上述预测模型为基础,通过采用最小预测误差平方和(SSE)作为 评价指标,以自适应粒子群算法实现平滑系数的求解,完成整个事件序列的二 次平滑。
粒子群算法(partical swarm optimization,PSO)是在对鸟类捕食研究的基础上发展而来的随机演化计算方法。该算法具有易于实现,收敛速度快,精度高 的特点,已经在工程实践中得到了广泛的应用。
在每次迭代过程中,各粒子均要完成位置和速度的更新,其更新规律为:
式中:pdq k为当前粒子的最优位置;pzy k为粒子群的历史最优位置;c1和 c2为学习因子;ω为惯性权重;r1和r2为介于0到1之间的随机数。
在计算过程中,惯性权重ω起到是粒子保持运动的作用,保证其扩展搜索 空间趋势。在应用过程中,粒子有可能在全局最优解附近“震荡”为了解决此问 题,提高算法的收敛性,本发明采用自适应的方式对惯性权重进行调整,使其 在算法迭代过程中线性地减少,即:
ω=ωmax-nc(ωmax-ωmin)/ncmax (9)
式中:ωmin、ωmax分别惯性权重ω的极值;nc和ncmax分别当前迭代次数和最 大迭代次数。
粒子群算法在迭代计算过程中容易陷入局部最优解,本发明在算法的进行 过程中以群体适应度方差和当前最优解大小实现当前最优粒子的变异概率。通 过此操作,算法可实现陷入局部最优解后的跳出,避免早熟问题的出现。
在算法的进行过程中,对群体中所有粒子的适应度值的变化趋势进行计算 可实现对各粒子的聚集程度进行定量的分析,群体适应度方差为:
式中:n为总粒子数;fi为第i个粒子的自适应度;fa为目前粒子群适应 度的平均值;σ2为群体适应度方差;f是用于限制σ2大小的标定因子,其计算 公式为:
由上式:σ2直接反映了整个粒子群的“收敛”程度;其值越小,粒子群趋于收 敛;反之,整个粒子群处于随机收敛的阶段。
为了避免整个粒子群出现搜索停滞,本发明运用群体适应度方差的大小确 定粒子群向新方向的“变异”变异概率Pk的计算公式[13]如下所示:
式中:Pk为第k次迭代过程使得全局最优的变异概率;σk为第k次迭代 中,群体的自适应度方差;Pmax和Pmin分别为变异概率的极值。
本发明在对pk zy的变异操作过程中引入随机扰动,其计算公式为:
式中:η为随机变量,其符合Guass(0,1)分布。
以自适应粒子群算法为基础,对平滑系数的求解过程为:
1)初始化,输入观测数据,初始化算法初始条件,确定粒子群的整体规模Q,迭代次数最大值N、惯性权重ω及学习因子c1、c2。
2)产生可行域的随机粒子,完成各个粒子的初始位置xi,初始速度vi的 设定,并将各个初始粒子个体最优解和全局最优解设定为足够大的值。
3)对2)产生的粒子,计算各个粒子的适应值,将其中最小的值确定为群 体最优解pzy,同时设定pdq为粒子当前的位置的最优解。
4)计数器更新,依据式(9)计算惯性权重,依据式(8)完成粒子位置xi和速 度vi的计算;计算过程中可依据边界变异策略对越界的粒子进行处理,即若vi> vmax则vi=vmax,若vi<-vmax,则vi=-vmax。
5)粒子适应值的重新评估,将当前个体的最优解pdq和各粒子的适应值fs (xi)进行比较,若fs(xi)<pdq,则pdq=fs(xi),xpi=xi;若fsmin<pzy,即本 代群体最优解小于上代群体最优解,则pzy=fsmin。
6)粒子群变异操作。依据自适应度方差的计算结果,依据式(12)完成变异 概率的计算,并产生随机数r∈[0,1],如果r<Pk,则依据式(13)完成变异操作, 否则转到步骤6)。
7)迭代次数判断,若是完成迭代则转到步骤8),否则转到步骤4)。
8)完成最优解pzy的输出。
风力发电具有间歇性和波动性,其并网会对电网运行的稳定性造成影响。 为了降低风电并网造成的影响,必须对其功率波动进行平抑,依据风电场接入 电力***的规定,其最大功率波动如下表所示:
表1风电场并网功率波动限制国家标准
Tab.1 The national standard of active power in wind farm
步骤S2中,计算风电输出波动率是否符合行业标准,具体包括:计算风 电场配备的蓄电池储能***容量、并网风电的1min功率波动限值、并网风电 的10min功率波动限值是否满足表1.
如图3所示,在风电场中配备蓄电池储能***,需要对蓄电池储能***进 行控制,Pout_W为风电场t时刻输出功率;Pout_S为经平滑计算的功率输出值; Pout_c为整个***的输出功率和风电输出功率的差值;Pout_T为整个***的输出 功率;δ为风电功率波动率。
当控制***监测到并网风电的1min或10min功率波动超过规定值,则蓄 电池储能***进行充放电以平抑目标和实际风电输出功率的差值,从而实现风 电场输出功率波动抑制的目的,蓄电池储能***需要吸收或释放的功率及*** 的目标输出功率可分别记为:
当Pout_W,k>Pout_S,k时,蓄电池储能***吸收功率,Pout_W,k<Pout_S,k,时, 蓄电池储能***释放功率,其值大小均为平抑输出与风电功率的差值。
依据风电场并网最大功率波动和***平滑要求,其控制流程如图4所示: 图4中:N为最大迭代次数,δTE是TE的功率波动,δup TE是TE时间内功 率波动的最大值。图4的输入为风电场某一时段的功率数据,计算这些功率的 波动率,同时计算为平抑这些波动需要蓄电池储能***的输出或吸收功率值, 下一步考虑蓄电池储能***的输出功率后的风电场输出功率波动,并判断此时 的波动率是否满足表1的要求,若不满足,调整蓄电池储能***的充放电功率, 若满足计算此时蓄电池的荷电状态(SOC),并执行下一步,进行蓄电池荷电 状态的判断,不满足要求,直接结束,若满足要求,进行下一步迭代,直到满 足结束条件。迭代结束后可得到风电场的输出功率及与之对应的蓄电池储能系 统需要充电或放电的容量。
以下以具体算例进行说明。
通过国外某大型风电场实测数据进行数据仿真分析,其额定并网功率35 MW,配备蓄电池储能***容量为10MW,***的采样周期为1min,蓄 电池储能***的SOC取值范围为[0.3,1]。初始功率波动曲线如图5所示:
本算例以国家风电并网标准为基础,分别以两种方式对风电场的原始并网 功率进行平抑,平抑结果如图6、7所示。
为更好的得到平抑效果的比较,计算得到平滑后的1min及10min波动 率,分别如图8与图9所示。
表2平滑效果比较
表2给出了基本二次平滑法和本发明提出的改进二次平滑法的平抑效果对 比,有表2及图6至图11可以观测到,在配备一定储能容量的风电场中通过 二次平滑可降低风电场并网功率波动,1min及10min功率波动均可满足风电 并网国家标准。且本发明提出的基于自适应粒子群算法的二次平滑法的效果相 较于传统二次平滑法更理想,这就证明了本发明提出的控制策略的正确性和有 效性。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明 保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上, 本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发 明的保护范围以内。
Claims (6)
1.基于改进指数平滑法的蓄电池储能系接入风电场控制方法,其特征是,包括以下步骤:
S1、获取风电历史数据,采用改进指数平滑法预测下一时段输出功率;
S2、计算风电输出波动率是否符合行业标准,如果不符合,转入步骤S3;如果符合,结束;
S3、考虑蓄电池荷电状态及波动率标准值为约束条件,控制蓄电池储能***进行充放电。
2.如权利要求1所述的基于改进指数平滑法的蓄电池储能系接入风电场控制方法,其特征是,所述获取风电历史数据,采用改进指数平滑法预测下一时段输出功率,具体包括:
获取风电全部历史数据,通过加权平均方法得到一次平滑预测结果;
通过采用最小预测误差平方和为评价指标,以自适应粒子群算法实现二次平滑模型的平滑系数求解,完成下一时段输出功率序列预测。
3.如权利要求2所述的基于改进指数平滑法的蓄电池储能系接入风电场控制方法,其特征是,所述以自适应粒子群算法实现二次平滑模型的平滑系数求解,完成下一时段输出功率序列预测,具体包括:
输入风电场原始采样数据,初始化粒子群;
计算评价每个粒子的适应值,求解群体最优解pzy和粒子当前的位置的最优解pdq;
根据速度、位置和权重因子公式更新粒子信息;
依据自适应度方差计算结果完成变异概率的计算;
迭代次数判断,完成迭代输出群体最优解pzy;否则继续迭代。
4.如权利要求1所述的基于改进指数平滑法的蓄电池储能系接入风电场控制方法,其特征是,所述计算风电输出波动率是否符合行业标准,具体包括:
计算风电场配备的蓄电池储能***容量、并网风电的1min功率波动限值、并网风电的10min功率波动限值是否满足如下表格:
。
5.如权利要求4所述的基于改进指数平滑法的蓄电池储能系接入风电场控制方法,其特征是,所述考虑蓄电池荷电状态及波动率标准值为约束条件,控制蓄电池储能***进行充放电,具体包括:
控制***判断并网风电的1min或10min功率波动超过规定值,则蓄电池储能***进行充放电以平抑目标和实际风电输出功率的差值,蓄电池储能***需要吸收或释放的功率及***的目标输出功率可分别记为:
当Pout_W,k>Pout_S,k时,蓄电池储能***吸收功率;当Pout_W,k<Pout_S,k,时,蓄电池储能***释放功率,其值大小均为平抑输出与风电功率的差值。
6.如权利要求5所述的基于改进指数平滑法的蓄电池储能系接入风电场控制方法,其特征是,蓄电池储能***需要吸收或释放的功率及***的目标输出功率计算,具体包括:
输入风电场某一时段的功率数据,计算功率波动率和为平抑波动需要蓄电池储能***的输出或吸收功率值;
考虑蓄电池储能***的输出功率后的风电场输出功率波动,并判断此时的波动率是否满足行业标准表格的要求,若不满足,调整蓄电池储能***的充放电功率,若满足,计算此时蓄电池的荷电状态;
判断蓄电池荷电状态是否满足要求,若不满足,直接结束;若满足,进行下一步迭代,直到满足结束条件,迭代结束后输出风电场的输出功率及对应蓄电池储能***需要充电或放电的容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762469.1A CN110518634A (zh) | 2019-08-19 | 2019-08-19 | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762469.1A CN110518634A (zh) | 2019-08-19 | 2019-08-19 | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110518634A true CN110518634A (zh) | 2019-11-29 |
Family
ID=68626422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910762469.1A Pending CN110518634A (zh) | 2019-08-19 | 2019-08-19 | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110518634A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111030140A (zh) * | 2019-12-26 | 2020-04-17 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种基于大数据的电池储能电网频率稳定性控制方法 |
CN111162551A (zh) * | 2020-01-15 | 2020-05-15 | 国网内蒙古东部电力有限公司 | 一种基于风电功率超短期预测的蓄电池充放电控制方法 |
CN111242378A (zh) * | 2020-01-15 | 2020-06-05 | 湖南日升工程咨询有限公司 | 一种基于bim技术的工程过程动态成本管控方法 |
CN117148171A (zh) * | 2023-10-31 | 2023-12-01 | 新风光电子科技股份有限公司 | 一种储能电池数据处理方法及*** |
CN118074196A (zh) * | 2024-04-17 | 2024-05-24 | 张家港格居信息科技有限公司 | 一种不稳定电源能量智能分配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103580051A (zh) * | 2013-11-19 | 2014-02-12 | 国家电网公司 | 考虑负荷特性的风储***电池荷电状态优化控制*** |
CN103928938A (zh) * | 2014-02-24 | 2014-07-16 | 国家电网公司 | 考虑功率预测的储能电站优化控制方法 |
-
2019
- 2019-08-19 CN CN201910762469.1A patent/CN110518634A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103580051A (zh) * | 2013-11-19 | 2014-02-12 | 国家电网公司 | 考虑负荷特性的风储***电池荷电状态优化控制*** |
CN103928938A (zh) * | 2014-02-24 | 2014-07-16 | 国家电网公司 | 考虑功率预测的储能电站优化控制方法 |
Non-Patent Citations (3)
Title |
---|
JIANZHOU WANG等: ""Combined modeling for electric load forecasting with adaptive particle swarm optimization"", 《ENERGY》 * |
王耀雷 等: ""基于自适应粒子群算法的直流微网能量优化管理"", 《现代电力》 * |
谢桦 等: ""基于指数平滑法的平抑风电功率波动储能控制策略"", 《北京交通大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111030140A (zh) * | 2019-12-26 | 2020-04-17 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种基于大数据的电池储能电网频率稳定性控制方法 |
CN111162551A (zh) * | 2020-01-15 | 2020-05-15 | 国网内蒙古东部电力有限公司 | 一种基于风电功率超短期预测的蓄电池充放电控制方法 |
CN111242378A (zh) * | 2020-01-15 | 2020-06-05 | 湖南日升工程咨询有限公司 | 一种基于bim技术的工程过程动态成本管控方法 |
CN111242378B (zh) * | 2020-01-15 | 2023-09-15 | 正茂日升工程咨询有限公司 | 一种基于bim技术的工程过程动态成本管控方法 |
CN117148171A (zh) * | 2023-10-31 | 2023-12-01 | 新风光电子科技股份有限公司 | 一种储能电池数据处理方法及*** |
CN117148171B (zh) * | 2023-10-31 | 2024-01-26 | 新风光电子科技股份有限公司 | 一种储能电池数据处理方法及*** |
CN118074196A (zh) * | 2024-04-17 | 2024-05-24 | 张家港格居信息科技有限公司 | 一种不稳定电源能量智能分配方法 |
CN118074196B (zh) * | 2024-04-17 | 2024-07-09 | 张家港格居信息科技有限公司 | 一种不稳定电源能量智能分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110518634A (zh) | 基于改进指数平滑法的蓄电池储能系接入风电场控制方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
CN109361237A (zh) | 基于改进混合粒子群算法的微电网容量优化配置方法 | |
CN110247438B (zh) | 基于天牛须算法的主动配电网资源优化配置 | |
CN107994595A (zh) | 一种削峰填谷控制方法和***以及应用该控制方法的*** | |
CN105576699B (zh) | 一种独立微电网储能裕度检测方法 | |
CN110336298A (zh) | 一种基于混合智能算法的含分布式电源配网无功规划方法 | |
CN110112789B (zh) | 基于自适应快速粒子群的孤岛型微网多目标优化配置算法 | |
CN106712075A (zh) | 一种考虑风电并网***安全约束的调峰策略优化方法 | |
CN115130785A (zh) | 一种可再生能源制氢***容量优化配置方法 | |
CN109510234A (zh) | 一种微电网储能电站的混合储能容量优化配置方法及装置 | |
CN107732945A (zh) | 一种基于模拟退火粒子群算法的储能单元优化方法 | |
CN115986845A (zh) | 一种基于深度强化学习的配电网双层优化调度方法 | |
CN115377985A (zh) | 一种电网发电机组调度优化方法 | |
CN105515031A (zh) | 一种基于预测数据修正的微网储能实时控制方法 | |
CN107492903A (zh) | 一种基于统计学模型的混合储能***容量优化配置方法 | |
CN112968515B (zh) | 一种燃料电池应急电源能量管理策略及*** | |
CN117559526A (zh) | 一种基于光储充一体化充电站的拟路由器能量调控方法 | |
CN111311032B (zh) | 一种基于扇形雷达图模型的微网***容量优化配置方法 | |
CN105119285A (zh) | 基于动态赋权的风储协调多目标优化控制方法 | |
CN109004642B (zh) | 用于平抑分布式电源功率波动的配网分布式储能评价方法 | |
CN113627807B (zh) | 一种网源荷互动风险控制方法 | |
CN103679292A (zh) | 一种智能微电网双电池电能协同优化方法 | |
CN116885795A (zh) | 微电网源网荷储协同调度方法、装置、设备以及存储介质 | |
CN116488206A (zh) | 基于多目标粒子群算法的含源配电网储能优化配置方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
RJ01 | Rejection of invention patent application after publication |