[发明专利]一种风电爬坡优化控制方法

摘要

本发明公开了一种风电爬坡优化控制方法，包括以下步骤：一、采用滑动平均滤波方法得到风电功率平抑目标；二、使用奇异值分解理论对波动功率e(t)进行分解，使波动功率在电池和超级电容器之间有效分配；三、根据历史风电数据，确定风电爬坡储能设备最佳荷电状态；四、利用风电功率预测值，得到不同储能设备的平抑功率，对储能设备的剩余电量进行预计算，进而对储能设备的荷电状态进行预判；五、根据预判的荷电状态是否超出运行约束条件，决定对储能设备当前充放电功率是否进行修正。本发明采用超前优化控制方法对混合储能设备的出力进行控制，从而有效抑制风电爬坡事件对电网的冲击，能够充分地提高混合储能设备的利用效率。

主权项

一种风电爬坡优化控制方法，其特征在于，包括以下步骤：S1：采用滑动平均滤波方法得到风电功率平抑目标；风电功率出力数据P_W(t)由风电功率平抑目标P_Z(t)和风电随机的波动功率e(t)组成，即P_W(t)＝P_Z(t)+e(t),t＝1,2,...,N，假定每q个相邻数据的小区间内的风电功率是平稳的，取q个相邻数据的平均值作为平滑后的风电功率，即$P_Z\left(t\right)=\frac{1}{q}\underset{k=1}{\overset{q}{\&Sigma;}}{P}_W(t-q+k),t=q,q+1,...,N;$S2：使用奇异值分解理论对波动功率e(t)进行分解，使波动功率在电池和超级电容器之间有效分配；假定需要进行分解的波动功率E＝[e(1),e(2),…,e(N)]，构造Hankel矩阵：在Hankel矩阵中，n为嵌入维数，1<n<N；令m＝N‑n+1，H∈R^m×n，那么，存在正交矩阵U∈R^m×m和V∈R^n×n，使得H分解为$H=U\left[\begin{array}{cc}\mathrm{\&Sigma;}& 0\\ 0& 0\end{array}\right]V^T,$式中，Σ＝diag(σ₁,σ₂,…,σ_r)为H的奇异值，r为H的秩，且σ₁≥σ₂≥…≥σ_r≥0；将$H=U\left[\begin{array}{cc}\mathrm{\&Sigma;}& 0\\ 0& 0\end{array}\right]V^T$写成向量形式，即这样，波动功率e(t)被分解为一系列功率分量的线性叠加，在电池与超级电容之间进行分配，选择奇异值较大的功率分量分配给电池，剩余的分配给超级电容；S3：根据历史风电数据，确定风电爬坡储能设备最佳荷电状态；不同储能设备在不同风电出力状态下的动态最佳荷电状态为$SOC\left(best\right)=\left\{\begin{array}{cc}{\mathrm{SOC}}_1& 0\&le;P_W\&le;k_{1}p.u.\\ {\mathrm{SOC}}_i& k_{i-1}p.u\&lt;P_W\&le;k_{i}p.u.\\ {\mathrm{SOC}}_n& k_{n-1}p.u\&lt;P_W\&le;1p.u\end{array}\right.,$其中，i＝2,3,…,n‑1，SOC₁<SOC₂<…<SOC_i<…<SOC_n，0<k₁<k₂<…<k_n‑1<1；S4：利用风电功率预测值，得到不同储能设备的平抑功率，对储能设备的剩余电量进行预计算，进而对储能设备的荷电状态进行预判；使用的储能设备剩余电量E(t)递推关系为：充电时，E(t)＝(1‑δ_sdr)E(t‑1)+P_ESS(t)Δtη_C，放电时荷电状态SOC(t)＝E(t)/E_N，运行约束条件：‑P_m≤P_ESS(t)≤P_m、SOC_min≤SOC(t)≤SOC_max；其中，P_EES(t)为储能设备t时段内的充放电功率，δ_sdr为储能设备的自放电率，Δt为每次充放电的时间，η_C和η_D分别为储能设备的充电效率和放电效率，E_N为储能设备的额定容量，P_m为储能设备的本身功率特性所决定的最大充放电功率，SOC_min和SOC_max分别为荷电状态的下限和上限；S5：根据预判的荷电状态是否超出运行约束条件，决定对储能设备当前充放电功率是否进行修正；具体为：1)、预测周期T内储能设备荷电状态没有越限，储能设备按照预先分配的平抑功率进行平抑；2)、预测周期T内储能设备荷电状态越上限，引入多步充放电因子α，0<α<1，当前充放电功率修正功率为式中，P′_ESS(t)为修正后储能设备当前平抑功率，E_e代表预测周期T内储能设备超过荷电状态上限的总电量；3)、预测周期T内储能设备荷电状态越下限，当前充放电功率修正功率为式中，E_s代表预测周期T内储能设备超过荷电状态下限的总电量。