[發明專利]一種基于風電功率超短期預測的蓄電池充放電控制方法

有效

• 申請號: 202010041111.2
• 申請日: 2020-01-15
• 公開（公告）號: CN111162551B
• 公開（公告）日: 2023-03-21
• 發明（設計）人: 吳曉丹;萬玉良;陳璐
• 申請（專利權）人: 國網內蒙古東部電力有限公司;國家電網有限公司;東北電力大學
• 主分類號: H02J3/32
• 分類號: H02J3/32;H02J3/38;H02J7/00
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種基于風電功率超短期預測的蓄電池充放電控制方法，其特征在于，包括下述步驟：

步驟1：采集數據：采集電網在第t時刻的風電實際功率P_w(t)、風電短期預測功率P_r(t)、風電短期預測功率的下限值P_r-min(t)、風電短期預測功率的上限值P_r-max(t)、允許的風電功率波動上限值D_et、風電超短期預測功率P_uf(t)，及蓄電池的剩余容量E(t)、自放電率δ_sdr、充電效率η_c、放電效率η_d、額定容量E_N；

步驟2：構建蓄電池充放電控制策略：

步驟2.1：引入蓄電池SOC值區間的控制系數a、b，SOC為StateOfCharge的縮寫，蓄電池SOC指蓄電池的荷電狀態，根據蓄電池上一時刻SOC值確定控制系數a、b的取值范圍：

當蓄電池充電時，第t時刻蓄電池的剩余容量為

E(t)＝(1-δ_sdr)E(t-1)+P_c(t)Δtη_c (1)

當蓄電池放電時，第t時刻蓄電池的剩余容量為

其中，Δt為每次充放電的時間，P_c(t)為第t時刻蓄電池的初始充放電功率，

P_c(t)＝P_r-min(t)+[P_r-max(t)-P_r-min(t)] (3)

計算第t時刻蓄電池的SOC值為

S_SOC(t)＝E(t)/E_N (4)

根據蓄電池上一時刻SOC值確定控制系數a、b的取值范圍：

若S_SOC(t-1)∈[0,0.5)，則a,b∈(0.5,0.9]；

若S_SOC(t-1)∈[0.5,1]，則a,b∈[0.2,0.5]；

步驟2.2：考慮風電功率短期預測誤差對蓄電池充放電功率進行修正：

將風電功率分割為n個區間，計算第i個區間的風電實際功率的分布函數為

其中，i＝1,2,...,n；p為風電實際功率的標幺值，α、β均為分布參數，α、β與區間上風電功率的方差σ²、均值μ有關；

計算第i個區間的風電功率短期預測誤差的分布函數為：

其中，ε為風電功率短期預測誤差；為第i個區間的風電短期預測功率的平均值；

記第t時刻風電實際功率P_w(t)所處的區間為m，引入系數c_t為

c_t＝f_m(ε_t) (7)

其中，ε_t為第t時刻風電功率短期預測誤差；

考慮風電功率短期預測誤差修正第t時刻蓄電池的充放電功率為

P_b'(t)＝P_r-min(t)+c_t[P_r-max(t)-P_r-min(t)] (8)

步驟2.3：引入蓄電池充放電功率的控制系數d、e，考慮蓄電池實時SOC值對蓄電池充放電功率進行進一步修正：

根據蓄電池實時SOC值確定控制系數d、e的取值范圍：

當P_w(t)＜P_r-min(t)時：

若S_SOC(t)∈[0,0.5)，則d∈[0,0.5)；

若S_SOC(t)∈[0.5,1]，則d∈[0.5,1]；

當P_w(t)＞P_r-max(t)時：

若S_SOC(t)∈[0,0.5)，則e∈[0.5,1]；

若S_SOC(t)∈[0.5,1]，則e∈[0,0.5)；

考慮蓄電池實時SOC值進一步修正第t時刻蓄電池的充放電功率為

P″_b(t)＝d·P_b′(t)+e·P_b′(t) (9)

其中，當d＝0時e≠0，當e＝0時d≠0；

步驟2.4：引入充放電功率優化系數h進一步修正蓄電池的充放電功率：

當預測周期T內蓄電池的SOC值越上限時，進一步修正蓄電池的充放電功率為

當預測周期T內蓄電池的SOC值越下限時，進一步修正蓄電池的充放電功率為

其中，ΔP_n(t)是時間間隔為Δt的兩時刻的風電短期預測功率之差，即ΔP_n(t)＝|P_r(t)-P_r(t+Δt)|；E_c、E_s分別為預測周期T內蓄電池超過SOC值上限S_SOC-high的總容量、超過SOC值下限S_SOC-low的總容量；h∈[0,1]；

記第t時刻蓄電池的充放電功率為P_b(t)，充電時P_b(t)為負值、放電時P_b(t)為正值，得到蓄電池充放電控制策略為

當P_w(t)＜P_r-min(t)時：

若0≤S_SOC(t)＜S_SOC-low，則蓄電池既不充電也不放電，P_b(t)＝0；

若S_SOC-low≤S_SOC(t)＜a，則蓄電池放電，P_b(t)＝P_r-min(t)-P_w(t)；

若a≤S_SOC(t)＜b，則蓄電池放電，P_b(t)＝P_r-min(t)-P_w(t)；

若b≤S_SOC(t)≤S_SOC-high，則蓄電池放電，P_b(t)＝P_r-min(t)-P_w(t)+d(P_r-max(t)-P_r-min(t))；

若S_SOC-high＜S_SOC(t)≤1，則蓄電池放電，P_b(t)＝P_r-max(t)-P_w(t)；

當P_r-min(t)≤P_w(t)＜P_c(t)時：

若0≤S_SOC(t)＜S_SOC-low，則蓄電池充電，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，則蓄電池充電，P_b(t)＝-(P_w(t)-P_r-min(t))；

若a≤S_SOC(t)＜b，則蓄電池既不充電也不放電，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，則蓄電池放電，P_b(t)＝P_c(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，則蓄電池放電，P_b(t)＝P_r-max(t)-P_w(t)；

當P_c(t)≤P_w(t)≤P_r-max(t)時：

若0≤S_SOC(t)＜S_SOC-low，則蓄電池充電，P_b(t)＝-(P_w(t)-P_r-min(t))；

若S_SOC-low≤S_SOC(t)＜a，則蓄電池充電，P_b(t)＝-(P_w(t)-P_c(t))；

若a≤S_SOC(t)＜b，則蓄電池既不充電也不放電，P_b(t)＝0；

若b≤S_SOC(t)≤S_SOC-high，則蓄電池放電，P_b(t)＝P_r-max(t)-P_w(t)；

若S_SOC-high＜S_SOC(t)≤1，則蓄電池放電，P_b(t)＝P_r-max(t)-P_w(t)；

當P_w(t)＞P_r-max(t)時：

若0≤S_SOC(t)＜S_SOC-low，則蓄電池充電，P_b(t)＝-(P_w(t)-P_c(t))；

若S_SOC-low≤S_SOC(t)＜a，則蓄電池充電，P_b(t)＝-(P_w(t)-P_r-max(t)+e(P_r-max(t)))；

若a≤S_SOC(t)＜b，則蓄電池充電，P_b(t)＝-(P_w(t)-P_r-max(t))；

若b≤S_SOC(t)≤S_SOC-high，則蓄電池充電，P_b(t)＝-(P_w(t)-P_r-max(t))；

若S_SOC-high＜S_SOC(t)≤1，則蓄電池既不充電也不放電，P_b(t)＝0；

步驟3：基于粒子群優化算法求解最優控制系數，利用最優控制系數對蓄電池進行充放電控制：

步驟3.1：構建蓄電池充放電控制模型：

步驟3.1.1：基于風電超短期預測功率、風電功率短期預測誤差以及蓄電池SOC值構建目標函數為

min J＝χF₁+δF₂ (12)

其中，F₁、F₂分別為蓄電池平抑風電波動出力的函數、蓄電池SOC值的函數，χ、δ分別為F₁、F₂的權重系數；M為數據點數，C_ap為風電場的裝機容量；

步驟3.1.2：構建充電過程中蓄電池充放電功率的約束為

構建放電過程中蓄電池充放電功率的約束為

構建蓄電池剩余容量的約束為

其中，分別為蓄電池的最大允許充電功率、最大允許放電功率，E_max、E_min分別為蓄電池的最大容量限值、最小容量限值；

步驟3.2：將{a,b,d,e,h}中的每個參數作為一個粒子，基于粒子群優化算法求解所述蓄電池充放電控制模型，利用得到的{a,b,d,e,h}的最優值對蓄電池進行充放電控制。

2.根據權利要求1所述的基于風電功率超短期預測的蓄電池充放電控制方法，其特征在于，所述步驟3.2包括下述步驟：

步驟3.2.1：設定粒子群優化算法的控制參數中最大迭代次數為N、慣性常數為ω、學習因子為c₁和c₂；

步驟3.2.2：初始化粒子群的位置和速度：將{a,b,d,e,h}中的每個參數作為一個粒子，初始化迭代次數k＝0，初始化第j個粒子的位置為隨機初始化第j個粒子的速度其中，j＝1,2,...,l，l＝5，第1、2、...、l個粒子分別為參數a、b、d、e、h，

步驟3.2.3：計算第j個粒子的適應度為初始化第j個粒子的個體極值根據l個粒子的個體極值確定整體極值

步驟3.2.4：令k＝k+1，更新粒子的速度和位置分別為

步驟3.2.5：計算第k次迭代中第j個粒子的適應度為若則更新第j個粒子的個體極值若則不更新第j個粒子的個體極值；確定第k次迭代中的整體極值

步驟3.2.6：若整體極值連續100次無變化或k≥N，則迭代停止，輸出第k次迭代中各粒子的個體極值為{a,b,d,e,h}的最優值，利用{a,b,d,e,h}的最優值對蓄電池進行充放電控制；若整體極值未連續100次無變化且k＜N，則轉至步驟3.2.4。