CN115473241A - 光伏混合储能***运行稳定性策略优化控制方法 - Google Patents
光伏混合储能***运行稳定性策略优化控制方法 Download PDFInfo
- Publication number
- CN115473241A CN115473241A CN202211127214.6A CN202211127214A CN115473241A CN 115473241 A CN115473241 A CN 115473241A CN 202211127214 A CN202211127214 A CN 202211127214A CN 115473241 A CN115473241 A CN 115473241A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- battery
- control
- soc
- 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
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
-
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开光伏混合储能***运行稳定性策略优化控制方法,涉及变电站技术领域,包括以下步骤:采用波动平抑策略对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;在一阶滤波算法的基础上采用超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;采用度电成本的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配。本发明在并网波动率要求下,利用模型预测控制算法能够实现微网功率的有效平滑,优先使用功率型储能补偿频率变化较快的功率,减小了频繁充放对能量型储能使用寿命的影响,总体运行成本最低,经济性最优。
Description
技术领域
本发明涉及光充储用技术领域,具体涉及光伏混合储能***运行稳定性策略优化控制方法。
背景技术
我国幅员辽阔,清洁能源资源丰富,但存在显著的地域性差异。西部地区太阳能、风能资源丰富,而电力负荷中心却主要集中在东部地区,西部地区大规模的清洁能源需要通过长距离超特高压电网输送到负荷中心。受制于大电网运行的安全稳定约束,清洁能源存在严重的“弃光”、“弃风”问题,未能得到最大化利用。传统的能源规划在电力/燃气/热力各类能源***规划之间分别考虑需求,造成负荷高估和重复,出现供给被扩大的现象,导致产能过剩。综合能源规划需以工业、建筑、交通等能源消费领域,剖析能源未来消费方式,构建高比例可再生能源渗透率的综合能源***,利用能源多元化的供应方式,保障能源安全可靠供应同时,实现由高碳低效向低碳高效的结构转变。
从电网经济安全运行角度,然而,高渗透率分布式光伏并网易引起配网电压越限等问题,对电网的供电可靠性、***网损和电压潮流分布、电网电能质量以及***原有继电保护装置都是新的冲击,威胁电网的安全经济可靠运行。这些问题也会制约清洁能源的进一步发展。
由于光伏等可再生能源发电的随机性和间歇性,以及负荷波动的不规律性,使得微网的非计划功率变化较大,这给***的可靠运行带来了很大挑战。而应用储能***进行微网功率波动的平抑,提高***运行的安全性和稳定性,从而提高电网对可再生能源的消纳。微网中微源和负荷的波动往往具有多个不同的时间尺度,长时间尺度的波动可以持续数小时或数天,而短时间尺度的波动只有几分钟,甚至几秒钟。因此,单一的储能技术难以同时满足容量和响应速度的要求。
发明内容
为了解决上述现有技术存在的不足,本发明提供光伏混合储能***运行稳定性策略优化控制方法。降低储能成本,延长储能使用寿命,采用多种性能互补的复合储能平抑微网功率波动,以实现其高效运行。
本发明提出的技术方案为:
光伏混合储能***运行稳定性策略优化控制方法,包括以下步骤:
采用波动平抑策略对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;
在一阶滤波算法的基础上采用超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;
采用度电成本的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配。
作为本发明的进一步技术方案为,所述采用波动平抑策略对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;具体包括:
采用滚动时域优化策略获取未来时刻的控制指令序列;
建立状态空间模型并通过滚动时域中控制变量的增量控制进行模型预测;
根据状态空间模型建立储能平抑微网功率波动模型获取微网并网功率和储能总载荷曲线。
进一步地,所述采用滚动时域优化策略获取未来时刻的控制指令序列;具体包括:
(1)在当前时刻k和当前状态x(k),考虑当前和未来的约束条件,通过优化求解,得到未来k+1,k+2,…k+M时刻的控制指令序列;
(2)将控制指令序列的第一个值带入应用;
(3)在k+1时刻,更新状态为x(k+1),重复上述步骤。
进一步地,所述建立状态空间模型并通过滚动时域中控制变量的增量控制进行模型预测;具体包括:
根据状态空间理论,假设当前时刻状态量为x(k),控制输入量为u(k),干扰输入量为r(k),输出量为y(k),则建立如下状态空间方程:
x(k+1)=Ax(k)+B1u(k)+B2r(k); (1)
y(k)=Cx(k)+D1u(k)+D2r(k); (2)
将公式(164)代入公式(165)得
y(k+1)=C(Ax(k)+B1u(k)+B2r(k))+D1u(k+1)+D2r(k+1); (3)
在公式(3)的基础上进行迭代,预测未来k+M时刻的控制指令,具体方程如下:
在建立的状态空间模型上,通过滚动时域中控制变量的增量控制,即实现模型预测控制算法;在任意k时刻,已知输出变量的初始预测值y0(k+i|k),根据未来的控制变量增量Δu由预测模型计算出未来的输出yM(k+i|k),即:
其中i=1,…,N;
假设***在未来k+j时刻的期望输出为R(k+j|k),则控制目标为未来输出与期望输出之间的误差最小,即:
模型预测控制算法由于采用了状态空间模型,实现了在当前时刻考虑未来约束,通过实时调整控制增量的变化使得未来输出趋近于期望值。
另外,需要指出:由于每次执行滚动优化时模型预测控制算法均采样实时***状态,并更新超短期预测值,因此这里相当于起到了一定的反馈校正作用,可确保滚动时域优化策略具有更好的稳定性和鲁棒性。
进一步地,所述根据状态空间模型建立储能平抑微网功率波动模型获取微网并网功率和储能总载荷曲线,具体包括:
根据状态空间模型,并结合实际需求,建立基于模型预测控制算法的储能平抑微网功率波动模型;假设k时刻,微网原始功率为PMG(k),储能功率为PES(k),则微网的并网功率PG(k)与原始功率、储能功率三者之间存在如下的关系:
PG(k+1)=PES(k)+PMG(k); (7)
假设储能装置控制周期为Tc,储能装置总容量为CES;储能的荷电状态SOCES按以下公式计算:
SOCES(k+1)=SOCES(k)-Tc·PES(k)/CES; (8)
鉴于公式(165)和公式(3),将微网的并网功率PG和储能荷电状态SOCES作为状态变量x1,x2;储能功率PES作为控制变量u;微网的原始功率PMG作为扰动输入量r;PG和SOCES作为输出变量y1,y2;结合公式(6)和公式(7),得到如下的状态空间表达式:
对公式(9)进行迭代计算,得到类似于公式(4)的矩阵方程,然后利用 MATLAB二次规划方法在每一个控制时域内进行优化,得到相应的控制指令:
u(k),u(k+1),u(k+2),…,u(k+M);
为实现模型预测控制,对优化模型进行标准化,控制变量输出遵从如下格式:
UOPT=[uOPT(k),uOPT(k+1),L,uOPT(k+M)]T; (10)
控制变量通过数值计算获得,即转化为下述静态优化问题:
UOPT=argminUTWU+2UTV; (11)
其中,W为二次项U2的系数矩阵,V是一次项U的系数矩阵;
在实际控制中,目标函数遵从每个优化周期内储能使用量最小原则,即:
相应的约束条件:
0≤PES(i)≤PES_max; (13)
0≤SOCES(i)≤1; (14)
其中,式(13)为储能功率约束,式(14)为储能荷电状态约束,式(15) 为微网并网功率波动率限制,Prated为微网的额定装机容量。
作为本发明的进一步技术方案为,所述在一阶滤波算法的基础上采用超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;具体包括:
一阶低通滤波器的截至频率和滤波时间常数有关,当时间常数变化时,滤波的平滑效果也随之变化;通过调节时间常数调整载荷在蓄电池和超级电容器之间的分配;具体为:通过一阶滤波算法求取超级电容器某时刻的充/放电功率,然后根据当前的荷电状态,判断是否需要调整时间常数;如需调整,则重新求取超级电容器的充/放电功率;
当SOCSC(t)=100%时:
PSC(t)<0,则PSC(t)=0;
PSC(t)>0,则Te(t)=Te(t)+ΔT;
当100%>SOCSC(t)≥SOCSC,ul时:
PSC(t)<0,则Te(t)=Te(t)-ΔT;
PSC(t)>0,则Te(t)=Te(t)+ΔT;
当SOCSC,ul>SOCSC(t)>SOCSC,ll时:
Te(t)不变;
当SOCSC,ll≥SOCSC(t)>0时:
PSC(t)<0,则Te(t)=Te(t)+ΔT;
PSC(t)>0,则Te(t)=Te(t)-ΔT;
当SOCSC(t)=0时:
PSC(t)<0,则Te(t)=Te(t)+ΔT;
PSC(t)>0,则PSC(t)=0;
其中SOCSC(t)为t时刻超级电容器的荷电状态;SOCSC,ul和SOCSC,ll和分别为超级电容器时间常数调整的SOC上下限设置;PSC(t)为超级电容器充放电功率,为负时充电,为正时放电;Te(t)为t时刻的时间常数;ΔT为调整的时间常数,且ΔT>0。
作为本发明的进一步技术方案为,所述采用度电成本的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配;具体包括:
对储能电池的度电成本进行定义;
建立能量型储能电池的经济运行函数;
通过约束条件进行优化求解,实现能量型储能的内部分配。
进一步地,所述对储能电池的度电成本进行定义;具体为:
储能电池度电成本为
式中,C为电池的度电成本,IC为初始投资成本,n为循环寿命,DOD为电池充放电深度,OMC为运行维护成本。
进一步地,所述建立能量型储能电池的经济运行函数;具体包括:
在一个控制周期内,以储能电池总的度电成本最低为目标函数。由于电池的充放电功率有正有负,所以将储能功率的平方作为电池使用幅度的指标。目标函数如下:
式中N为电池的种类,本项目主要采用液流电池(VRB)和锂电池(Li)两类。C为电池的度电成本,P(t)为电池充放电功率,t0、tc为储能作用时的初始时间和结束时间。
进一步地,所述通过约束条件进行优化求解,实现能量型储能的内部分配;具体包括:
约束条件为所有储能电池的总出力限制、不同储能电池的充放电限制和荷电状态限制;具体表达式为:
式中,Pi为某种电池的功率,PBES为能量型储能电池的总功率,Pi,max为某种电池的功率上限值,Pi,max为功率下限值;SOCi为某种电池的荷电状态, SOCi,max为荷电状态上限值,SOCi,min为荷电状态下限值。
本发明的有益效果为:
本发明采用多类型储能实现其PCC的功率平抑和多类型储能的多级控制策略;在并网波动率要求下,利用模型预测控制算法能够实现微网功率的有效平滑,从而满足实际的并网需求;鉴于超级电容器的循环寿命较长,采用考虑超级电容器荷电状态和一阶滤波算法相结合的方式实现总储能在能量型储能和功率型储能之间的载荷分配,优先使用功率型储能补偿频率变化较快的功率,减小了频繁充放对能量型储能使用寿命的影响;对于多种能量型储能的载荷分配,以储能电池的度电成本为依据,优先采用度电成本较低的电池承担储能载荷,使能量型储能***的总体运行成本最低,经济性最优。
附图说明
图1为本发明提出的光伏混合储能***运行稳定性策略优化控制方法流程图;
图2为本发明提出的多类型储能协调控制原理图;
图3为本发明提出的滚动时域优化原理图;
图4为本发明提出的储能载荷的确定算法结构图;
图5为本发明提出的能量型和功率型储能的载荷分配控制图;
图6为本发明提出的多种能量型储能的载荷分配控制图;
图7为本发明提出的多级控制策略流程图;
图8为本发明提出的平抑前后微网功率时域图;
图9为本发明提出的平抑前后1分钟波动率图;
图10本发明提出的平抑前后30分钟波动率图;
图11本发明提出的综合储能、能量型储能和功率型储能功率分配曲线图;
图12本发明提出的能量型储能电池的载荷经济分配曲线图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
如图1~12所示,其示出了本发明的具体实施方式,
参见图1,本发明提供的光伏混合储能***运行稳定性策略优化控制方法,包括以下步骤:
步骤101,采用波动平抑策略对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;
步骤102,在一阶滤波算法的基础上采用超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;
步骤103,采用度电成本的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配。
本发明采用及时预测、提前控制的思路,做到在当前时刻考虑未来几步的约束条件,做到提前优化控制,实时性较强。
参见图2,为本发明提出的多类型储能的多级分配策略图。首先,应用波动平抑策略(即模型预测控制算法)对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;然后,在一阶滤波算法的基础上提出基于超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;再者,提出基于度电成本[22]的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配。图中,PMG为微网的原始功率,PG为微网的并网功率,PES为总储能功率;PSC为功率型超级电容器储能功率,PBES为能量型电池储能功率;PVRB为液流电池储能功率,PLi为锂电池储能功率。
在步骤101中,所述采用波动平抑策略对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;具体包括:
步骤111,采用滚动时域优化策略获取未来时刻的控制指令序列;
步骤112,建立状态空间模型并通过滚动时域中控制变量的增量控制进行模型预测;
步骤113,根据状态空间模型建立储能平抑微网功率波动模型获取微网并网功率和储能总载荷曲线。
参见图3,采用滚动时域优化策略获取未来时刻的控制指令序列;具体包括:
(1)在当前时刻k和当前状态x(k),考虑当前和未来的约束条件,通过优化求解,得到未来k+1,k+2,…k+M时刻的控制指令序列;
(2)将控制指令序列的第一个值带入应用;
(3)在k+1时刻,更新状态为x(k+1),重复上述步骤。
其中,建立状态空间模型并通过滚动时域中控制变量的增量控制进行模型预测;具体包括:
根据状态空间理论,假设当前时刻状态量为x(k),控制输入量为u(k),干扰输入量为r(k),输出量为y(k),则建立如下状态空间方程:
x(k+1)=Ax(k)+B1u(k)+B2r(k); (1)
y(k)=Cx(k)+D1u(k)+D2r(k); (2)
将公式(164)代入公式(165)得:
y(k+1)=C(Ax(k)+B1u(k)+B2r(k))+D1u(k+1)+D2r(k+1); (3)
在公式(3)的基础上进行迭代,预测未来k+M时刻的控制指令,具体方程如下:
在建立的状态空间模型上,通过滚动时域中控制变量的增量控制,即实现模型预测控制算法;在任意k时刻,已知输出变量的初始预测值y0(k+i|k),根据未来的控制变量增量Δu由预测模型计算出未来的输出yM(k+i|k),即:
其中i=1,…,N;
假设***在未来k+j时刻的期望输出为R(k+j|k),则控制目标为未来输出与期望输出之间的误差最小,即:
模型预测控制算法由于采用了状态空间模型,实现了在当前时刻考虑未来约束,通过实时调整控制增量的变化使得未来输出趋近于期望值。
由于每次执行滚动优化时模型预测控制算法均采样实时***状态,并更新超短期预测值,因此这里相当于起到了一定的反馈校正作用,可确保滚动时域优化策略具有更好的稳定性和鲁棒性。
参见图4,本发明实施例中,根据状态空间模型建立储能平抑微网功率波动模型获取微网并网功率和储能总载荷曲线,具体包括:
根据状态空间模型,并结合实际需求,建立基于模型预测控制算法的储能平抑微网功率波动模型;假设k时刻,微网原始功率为PMG(k),储能功率为PES(k),则微网的并网功率PG(k)与原始功率、储能功率三者之间存在如下的关系:
PG(k+1)=PES(k)+PMG(k); (7)
假设储能装置控制周期为Tc,储能装置总容量为CES;储能的荷电状态SOCES按以下公式计算:
SOCES(k+1)=SOCES(k)-Tc·PES(k)/CES; (8)
鉴于公式(165)和公式(3),将微网的并网功率PG和储能荷电状态SOCES作为状态变量x1,x2;储能功率PES作为控制变量u;微网的原始功率PMG作为扰动输入量r;PG和SOCES作为输出变量y1,y2;结合公式(6)和公式(7),得到如下的状态空间表达式:
对公式(9)进行迭代计算,得到类似于公式(4)的矩阵方程,然后利用 MATLAB二次规划方法在每一个控制时域内进行优化,得到相应的控制指令:
u(k),u(k+1),u(k+2),…,u(k+M);
为实现模型预测控制,对优化模型进行标准化,控制变量输出遵从如下格式:
UOPT=[uOPT(k),uOPT(k+1),L,uOPT(k+M)]T; (10)
控制变量通过数值计算获得,即转化为下述静态优化问题:
UOPT=argminUTWU+2UTV; (11)
其中,W为二次项U2的系数矩阵,V是一次项U的系数矩阵;
在实际控制中,目标函数遵从每个优化周期内储能使用量最小原则,即:
相应的约束条件:
0≤PES(i)≤PES_max; (13)
0≤SOCES(i)≤1; (14)
其中,式(13)为储能功率约束,式(14)为储能荷电状态约束,式(15) 为微网并网功率波动率限制,Prated为微网的额定装机容量。
在步骤102中,所述在一阶滤波算法的基础上采用超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;具体包括:
一阶低通滤波器的截至频率和滤波时间常数有关,当时间常数变化时,滤波的平滑效果也随之变化;通过调节时间常数调整载荷在蓄电池和超级电容器之间的分配;具体为:通过一阶滤波算法求取超级电容器某时刻的充/放电功率,然后根据当前的荷电状态,判断是否需要调整时间常数;如需调整,则重新求取超级电容器的充/放电功率;参见图5;
当SOCSC(t)=100%时:
PSC(t)<0,则PSC(t)=0;
PSC(t)>0,则Te(t)=Te(t)+ΔT;
当100%>SOCSC(t)≥SOCSC,ul时:
PSC(t)<0,则Te(t)=Te(t)-ΔT;
PSC(t)>0,则Te(t)=Te(t)+ΔT;
当SOCSC,ul>SOCSC(t)>SOCSC,ll时:
Te(t)不变;
当SOCSC,ll≥SOCSC(t)>0时:
PSC(t)<0,则Te(t)=Te(t)+ΔT;
PSC(t)>0,则Te(t)=Te(t)-ΔT;
当SOCSC(t)=0时:
PSC(t)<0,则Te(t)=Te(t)+ΔT;
PSC(t)>0,则PSC(t)=0;
其中SOCSC(t)为t时刻超级电容器的荷电状态;SOCSC,ul和SOCSC,ll和分别为超级电容器时间常数调整的SOC上下限设置;PSC(t)为超级电容器充放电功率,为负时充电,为正时放电;Te(t)为t时刻的时间常数;ΔT为调整的时间常数,且ΔT>0。
在步骤103中,所述采用度电成本的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配;具体包括:
对储能电池的度电成本进行定义;
建立能量型储能电池的经济运行函数;
通过约束条件进行优化求解,实现能量型储能的内部分配。
本发明实施例中,所述对储能电池的度电成本进行定义;具体为:
储能电池度电成本为:
式中,C为电池的度电成本,IC为初始投资成本,n为循环寿命,DOD为电池充放电深度,OMC为运行维护成本。
本发明实施例中,所述建立能量型储能电池的经济运行函数;具体包括:
在一个控制周期内,以储能电池总的度电成本最低为目标函数。由于电池的充放电功率有正有负,所以将储能功率的平方作为电池使用幅度的指标。目标函数如下:
式中N为电池的种类,本项目主要采用液流电池(VRB)和锂电池(Li)两类。C为电池的度电成本,P(t)为电池充放电功率,t0、tc为储能作用时的初始时间和结束时间。
本发明实施例中,所述通过约束条件进行优化求解,实现能量型储能的内部分配;具体包括:
约束条件为所有储能电池的总出力限制、不同储能电池的充放电限制和荷电状态限制;具体表达式为:
式中,Pi为某种电池的功率,PBES为能量型储能电池的总功率,Pi,max为某种电池的功率上限值,Pi,max为功率下限值;SOCi为某种电池的荷电状态,SOCi,max为荷电状态上限值,SOCi,min为荷电状态下限值,参见图6。
参见图7,为本发明提出的多级控制策略流程图;具体包括以下步骤:
1)输入实测微网功率数据;
2)根据并网波动率要求,利用模型预测控制算法求取储能总载荷和并网功率;
3)根据功率型储能的荷电状态和充放电功率限制,利用超级电容器优先充放电的控制策略求取能量型储能和功率型储能的载荷;
4)利用度电成本经济运行函数,将能量型储能进行分配,优先使用度电成本较低的储能设备,以达到总体运行成本最低。
本发明实施例中,微网功率平抑中能量型储能和功率型储能的分配选取某微网公共连接点PCC一天的输出功率数据作为分析对象,微网总装机容量为 100kW,采样间隔为10s。利用锂电池、液流电池和超级电容器多类型储能平抑微网PCC点的功率波动,从而实现多类型储能的协调控制,以提高多类型储能的技术经济性。
本项目采用的波动率(FR)限制条件为1分钟不超过2%和30分钟不超过 7%。在该并网波动率限制下,应用模型预测控制算法对微网功率数据进行仿真分析,如图8所示。对比分析平抑前后的微网功率可以发现,平抑后的微网功率波动较小,平滑效果相对显著。
图9和图10分别为平抑前后风电1分钟和30分钟的波动率对比,可以看出:平抑后的微网功率波动率得到了有效改善,其1分钟的波动率小于2%,30 分钟的波动率小于7%,满足并网波动率要求。
将模型预测控制算法求得的储能总载荷曲线(ES)利用基于超级电容器荷电状态的储能充放电分配策略进行处理。当超级电容器荷电状态较高时,提高放电减少充电;当其荷电状态较低时,提高充电减少放电。通过滤波常数的调整,优先获取超级电容器功率型储能载荷曲线(SC),继而获取能量型储能载荷曲线(BES),如图11所示。由此,变化较慢的功率由能量型储能吸收,变化较快的功率由功率型储能吸收,使多类型储能的高能量密度和高功率密度特性得到有效发挥。再者,仿真计算中所需配置的能量型储能容量为5.97kWh,最大充放电功率为3.64kW;功率型储能容量为1.66kWh,最大充放电功率为8kW;两者的SOC限制范围均为20%~80%。
经过控制策略处理后得到能量型储能的载荷曲线,该载荷由能量型储能电池共同承担。本项目使用的能量型储能主要包括液流电池和锂电池。根据设定的参数求取储能电池的度电成本,每种电池的度电成本和功率数值等参数如表1 所示。
表1
基于度电成本函数对能量型储能电池进行分配,并使用Optimization Toolbox对两种储能电池功率分配情况进行优化计算,得到各种电池功率的优化曲线如图12所示。
根据表1中两种电池的度电成本特性可以看出,两种电池成本由低到高的排序为:液流电池<锂电池。从图11的储能电池载荷经济分配曲线可以看出,能量型储能的载荷首先由度电成本较低的液流电池承担,其承担了较大部分的功率输出,当其自身不能满足储能功率要求时,超出的功率部分按照度电成本从低到高的顺序由锂电池承担,从而使得能量型储能的总体经济成本最低。
本发明实施例中基于某微网的功率数据,根据1分钟波动率不超过2%和30 分钟波动率不超过7%的并网波动率限制,对含超级电容器、锂电池和液流电池的多类型储能***进行了动态分配,验证了本发明的策略的有效性。
对微网公共连接点PCC功率波动的平抑是提高其并网接纳能力的重要途径,由于微网功率具有多时间尺度的波动特性,本发明采用多类型储能实现其 PCC的功率平抑和多类型储能的多级控制策略,具有以下优点:
1)在并网波动率要求下,利用模型预测控制算法能够实现微网功率的有效平滑,从而满足实际的并网需求。
2)鉴于超级电容器的循环寿命较长,采用考虑超级电容器荷电状态和一阶滤波算法相结合的方式实现总储能在能量型储能和功率型储能之间的载荷分配,优先使用功率型储能补偿频率变化较快的功率,减小了频繁充放对能量型储能使用寿命的影响。
3)对于多种能量型储能的载荷分配,以储能电池的度电成本为依据,优先采用度电成本较低的电池承担储能载荷,使能量型储能***的总体运行成本最低,经济性最优。
以上对本发明进行了详细介绍,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (10)
1.光伏混合储能***运行稳定性策略优化控制方法,其特征在于,包括以下步骤:
采用波动平抑策略对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;
在一阶滤波算法的基础上采用超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;
采用度电成本的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配。
2.根据权利要求1所述的光伏混合储能***运行稳定性策略优化控制方法,其特征在于,所述采用波动平抑策略对微网原始功率进行平滑,获取微网并网功率和储能总载荷曲线;具体包括:
采用滚动时域优化策略获取未来时刻的控制指令序列;
建立状态空间模型并通过滚动时域中控制变量的增量控制进行模型预测;
根据状态空间模型建立储能平抑微网功率波动模型获取微网并网功率和储能总载荷曲线。
3.根据权利要求2所述的光伏混合储能***运行稳定性策略优化控制方法,其特征在于,所述采用滚动时域优化策略获取未来时刻的控制指令序列;具体包括:
(1)在当前时刻k和当前状态x(k),考虑当前和未来的约束条件,通过优化求解,得到未来k+1,k+2,…k+M时刻的控制指令序列;
(2)将控制指令序列的第一个值带入应用;
(3)在k+1时刻,更新状态为x(k+1),重复上述步骤。
4.根据权利要求2所述的光伏混合储能***运行稳定性策略优化控制方法,其特征在于,所述建立状态空间模型并通过滚动时域中控制变量的增量控制进行模型预测;具体包括:
根据状态空间理论,假设当前时刻状态量为x(k),控制输入量为u(k),干扰输入量为r(k),输出量为y(k),建立如下状态空间方程:
x(k+1)=Ax(k)+B1u(k)+B2r(k); (1)
y(k)=Cx(k)+D1u(k)+D2r(k); (2)
将公式(164)代入公式(165)得
y(k+1)=C(Ax(k)+B1u(k)+B2r(k))+D1u(k+1)+D2r(k+1); (3)
在公式(3)的基础上进行迭代,预测未来k+M时刻的控制指令,具体方程如下:
在建立的状态空间模型上,通过滚动时域中控制变量的增量控制,即实现模型预测控制算法;在任意k时刻,已知输出变量的初始预测值y0(k+i|k),根据未来的控制变量增量Δu由预测模型计算出未来的输出yM(k+i|k),即:
其中i=1,…,N;
假设***在未来k+j时刻的期望输出为R(k+j|k),则控制目标为未来输出与期望输出之间的误差最小,即:
模型预测控制算法由于采用了状态空间模型,实现了在当前时刻考虑未来约束,通过实时调整控制增量的变化使得未来输出趋近于期望值。
5.根据权利要求2所述的光伏混合储能***运行稳定性策略优化控制方法,其特征在于,所述根据状态空间模型建立储能平抑微网功率波动模型获取微网并网功率和储能总载荷曲线,具体包括:
根据状态空间模型,并结合实际需求,建立基于模型预测控制算法的储能平抑微网功率波动模型;假设k时刻,微网原始功率为PMG(k),储能功率为PES(k),则微网的并网功率PG(k)与原始功率、储能功率三者之间存在如下的关系:
PG(k+1)=PES(k)+PMG(k) ; (7)
假设储能装置控制周期为Tc,储能装置总容量为CES;储能的荷电状态SOCES按以下公式计算:
SOCES(k+1)=SOCES(k)-Tc·PES(k)/CES; (8)
鉴于公式(165)和公式(3),将微网的并网功率PG和储能荷电状态SOCES作为状态变量x1,x2;储能功率PES作为控制变量u;微网的原始功率PMG作为扰动输入量r;PG和SOCES作为输出变量y1,y2;结合公式(6)和公式(7),得到如下的状态空间表达式:
对公式(9)进行迭代计算,得到类似于公式(4)的矩阵方程,然后利用MATLAB二次规划方法在每一个控制时域内进行优化,得到相应的控制指令u(k),u(k+1),u(k+2),…,u(k+M);
为实现模型预测控制,对优化模型进行标准化,控制变量输出遵从如下格式:
UOPT=[uOPT(k),uOPT(k+1),L,uOPT(k+M)]T; (10)
控制变量通过数值计算获得,即转化为下述静态优化问题:
UOPT=argminUTWU+2UTV; (11)
其中,W为二次项U2的系数矩阵,V是一次项U的系数矩阵;
在实际控制中,目标函数遵从每个优化周期内储能使用量最小原则,即:
相应的约束条件:
0≤PES(i)≤PES_max; (13)
0≤SOCES(i)≤1; (14)
其中,式(13)为储能功率约束,式(14)为储能荷电状态约束,式(15)为微网并网功率波动率限制,Prated为微网的额定装机容量。
6.根据权利要求1所述的光伏混合储能***运行稳定性策略优化控制方法,其特征在于,所述在一阶滤波算法的基础上采用超级电容器荷电状态的储能充放电分配策略,实现能量型电池储能和功率型超级电容器储能之间的功率分配;具体包括:
一阶低通滤波器的截至频率和滤波时间常数有关,当时间常数变化时,滤波的平滑效果也随之变化;通过调节时间常数调整载荷在蓄电池和超级电容器之间的分配;具体为:通过一阶滤波算法求取超级电容器某时刻的充/放电功率,然后根据当前的荷电状态,判断是否需要调整时间常数;如需调整,则重新求取超级电容器的充/放电功率;
当SOCSC(t)=100%时:
PSC(t)<0,则PSC(t)=0;
PSC(t)>0,则Te(t)=Te(t)+ΔT;
当100%>SOCSC(t)≥SOCSC,ul时:
PSC(t)<0,则Te(t)=Te(t)-ΔT;
PSC(t)>0,则Te(t)=Te(t)+ΔT;
当SOCSC,ul>SOCSC(t)>SOCSC,ll时:
Te(t)不变;
当SOCSC,ll≥SOCSC(t)>0时:
PSC(t)<0,则Te(t)=Te(t)+ΔT;
PSC(t)>0,则Te(t)=Te(t)-ΔT;
当SOCSC(t)=0时:
PSC(t)<0,则Te(t)=Te(t)+ΔT;
PSC(t)>0,则PSC(t)=0;
其中SOCSC(t)为t时刻超级电容器的荷电状态;SOCSC,ul和SOCSC,ll和分别为超级电容器时间常数调整的SOC上下限设置;PSC(t)为超级电容器充放电功率,为负时充电,为正时放电;Te(t)为t时刻的时间常数;ΔT为调整的时间常数,且ΔT>0。
7.根据权利要求1所述的光伏混合储能***运行稳定性策略优化控制方法,其特征在于,所述采用度电成本的经济运行策略实现能量型储能电池内部的分配,即锂电池和液流电池的功率分配;具体包括:
对储能电池的度电成本进行定义;
建立能量型储能电池的经济运行函数;
通过约束条件进行优化求解,实现能量型储能的内部分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211127214.6A CN115473241A (zh) | 2022-09-16 | 2022-09-16 | 光伏混合储能***运行稳定性策略优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211127214.6A CN115473241A (zh) | 2022-09-16 | 2022-09-16 | 光伏混合储能***运行稳定性策略优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115473241A true CN115473241A (zh) | 2022-12-13 |
Family
ID=84371296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211127214.6A Pending CN115473241A (zh) | 2022-09-16 | 2022-09-16 | 光伏混合储能***运行稳定性策略优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115473241A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937623A (zh) * | 2023-09-14 | 2023-10-24 | 北京盛藏技术有限公司 | 一种利用新能源预测的混合储能辅调频控制方法及*** |
-
2022
- 2022-09-16 CN CN202211127214.6A patent/CN115473241A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937623A (zh) * | 2023-09-14 | 2023-10-24 | 北京盛藏技术有限公司 | 一种利用新能源预测的混合储能辅调频控制方法及*** |
CN116937623B (zh) * | 2023-09-14 | 2023-12-12 | 北京盛藏技术有限公司 | 一种利用新能源预测的混合储能辅调频控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106972516B (zh) | 一种适用于微网的多类型储能多级控制方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
CN106099965B (zh) | 交流微电网并网状态下复杂混合储能***的协调控制方法 | |
CN102664401B (zh) | 一种基于电池寿命模型的微电网控制方法 | |
Pan et al. | An improved multi-timescale coordinated control strategy for an integrated energy system with a hybrid energy storage system | |
CN103311942A (zh) | 一种用于配电网削峰填谷的电池储能***的控制方法 | |
CN105337301A (zh) | 微电网并网点的选择方法和装置 | |
CN106385044B (zh) | 用于风电场发电计划跟踪的复合储能控制***及其控制方法 | |
CN108808744A (zh) | 有储能参与的新能源发电***的有功协调控制方法及*** | |
CN114243795A (zh) | 一种典型充电站综合能源协同交互优化配置方法及*** | |
CN112886624B (zh) | 一种三站合一变电站储能装置规划设计***及方法 | |
WO2022156014A1 (zh) | 混联风光微电网快速频率响应分布式协调控制方法及*** | |
Wang et al. | Energy management strategy for microgrid including hybrid energy storage | |
CN105574620A (zh) | 一种结合双主控协作与mpso算法的微电网动态优化调度方法 | |
CN115473241A (zh) | 光伏混合储能***运行稳定性策略优化控制方法 | |
Li et al. | Micro-grid resource allocation based on multi-objective optimization in cloud platform | |
Han et al. | Energy storage frequency response control considering battery aging of electric vehicle | |
Liqun et al. | Capacity optimization of hybrid energy storage in wind/PV complementary power generation system based on improved particle swarm optimization | |
Jia et al. | Smart control for battery energy storage system in a community grid | |
CN115663791A (zh) | 基于运行环境时变性的智能配电网多目标自适应调度方法 | |
Rajamand | Feedback-based control structure for frequency/voltage regulation using the state of electrical vehicle charge station and point estimation method | |
CN111626591B (zh) | 一种柔性台区的风险评估方法 | |
CN114336703A (zh) | 一种大规模风光储电站自动协同控制方法 | |
Cuiqing et al. | A hybrid ac/dc microgrid energy management strategy based on neural network | |
CN113258589A (zh) | 基于生产运行的储能与电解铝负荷聚合调频方法及装置 |
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 |