风光储联合发电系统储能控制策略

发布时间：2022-01-12 05:21

　　为提高风光储系统的可调度性,建立了风光储发电系统储能电站控制模型。结合风/光电站的运行实际,将风力、光伏发电的功率预测结果表示为模糊变量,给定实际功率数据曲线,以其短期预测曲线作为计划出力曲线,以实际出力曲线和计划出力曲线的均方根误差最小、预测合格率最大、充放电功率平缓及储能电量维持合理范围为目标,以风/光电站及储能电站发电限值为约束条件,通过相关机会目标规划方法对多目标任务进行追踪,利用模糊模拟及动态粒子群算法进行求解,依据超短期预测曲线进行滚动计算,得出控制时段内实际出力曲线。算例仿真结果表明,该储能控制策略符合风光储电站的运行实际,可使风光储发电系统很好地跟踪计划出力曲线。 

【文章来源】：热力发电. 2020,49(08)北大核心

【文章页数】：6 页

【部分图文】：

风光储联合发电系统储能电站控制模型Fig.1Thecontrolmodelofenergystoragepowerstationinwind/PV/energystoragepowersystem

154热力发电2020年http://www.rlfd.com.cn备的储能电站的最大充/放电功率为20MW，储能装置最大电量为30MW·h，最小电量为3MW·h。在仿真阶段，其初始电量为18MW·h，充放电效率均为0.87，放电率ρ为0.01。该算例以风电和光伏电站实际功率曲线为起始数据，如图2所示。功率预测的误差的分布参数由历史统计数据得到[16]，为验证出力计划跟踪性能，本文超短期功率预测参数σ取2.0，正、负误差的统计平均值E+和E–分别取为10和–10；短期功率预测参数σ取2.3，正负误差的统计平均值E+和E–分别取为30和–30。该仿真设定的储能控制周期为1日，参考新能源功率预测系统考核要求，1日选定96个点，每点间隔15min；超短期预测数据为16个点，每点间隔15min。图2风力/光伏发电实际功率曲线Fig.2Theactualpowercurvesofwind/PVpowergeneration由图2可知，没有储能装置参与的风、光出力曲线变化剧烈，这也符合自然情况。计划出力曲线根据风光实际出力曲线预测数据进行反推，使用最小二乘法进行曲线拟合，计划出力曲线应尽可能平缓。通过对每个功率点使用超短期预测数据进行滚动计算，得出全天的实际出力曲线。储能控制不仅要保证出力曲线匹配出力计划，而且要保证储能电站不过早进入满充和无电状态。利用动态粒子群算法求解，风光储系统计划出力与实际出力结果如图3所示，储能电站的剩余电量如图4所示，储能电站的充放电功率如图5所示。由图3可知，风光储联合发电系统的实际出力曲线相对平滑，且与计划出力曲线的变化趋势保持一致，能够较好地跟踪计划?

风光储系统计划出力与实际出力Fig.3Theplannedoutputcurveandactualoutputcurveofthewind/PV/energystoragehybridsystem

【参考文献】：
期刊论文
[1]基于相关机会目标规划的风光储联合发电系统储能调度策略[J]. 赵书强,刘大正,谢宇琪,刘晋,胡永强.  电力系统自动化. 2015(14)
[2]含储能资源参与的自动发电控制策略研究[J]. 胡泽春,谢旭,张放,张晶,宋永华.  中国电机工程学报. 2014(29)
[3]风光储联合系统输出功率滚动优化与实时控制[J]. 戚永志,刘玉田.  电工技术学报. 2014(08)
[4]平滑新能源输出波动的储能优化配置方法[J]. 桑丙玉,王德顺,杨波,叶季蕾,陶以彬.  中国电机工程学报. 2014(22)
[5]风光储联合发电系统有功控制策略研究及工程应用[J]. 任洛卿,白泽洋,于昌海,王银明,郑立,任巍曦.  电力系统自动化. 2014(07)
[6]国家风光储输示范工程介绍及其典型运行模式分析[J]. 高明杰,惠东,高宗和,雷为民,李建林,王银明.  电力系统自动化. 2013(01)
[7]风光蓄互补发电系统容量的改进优化配置方法[J]. 徐林,阮新波,张步涵,毛承雄.  中国电机工程学报. 2012(25)
[8]含风电场电力系统机组组合的模糊机会约束决策模型[J]. 艾欣,刘晓,孙翠英.  电网技术. 2011(12)
[9]基于大规模储能系统的智能电网兼容性研究[J]. 廖怀庆,刘东,黄玉辉,陈羽,柳劲松.  电力系统自动化. 2010(02)
[10]电池储能系统在改善并网风电场电能质量和稳定性中的应用[J]. 张步涵,曾杰,毛承雄,金玉洁,王云玲.  电网技术. 2006(15)



本文编号：3584179