System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风电光伏电储能,具体为一种分解平抑风电功率波动混合储能系统控制方法及系统。
技术介绍
1、储能系统平抑风光发电出力波动是指原来波动性较大的风电场和光伏电站总功率加上储能系统的功率输出(储能系统的功率输出包括电能的释放和吸收,释放时其功率为正,吸收时其功率为负)后总的联合功率曲线变得平滑。此时注入到大电网的功率是风电场所有风机或光伏电站所有光伏电池出力与储能系统出力之和。储能系统可以通过实时的调整跟踪风电场、光伏电站的总出力,储能系统输出功率在风电场、光伏电站出力曲线尖峰时吸收功率,在其出力曲线低谷时输出功率。
2、单纯进行功率波动平抑时,最为常见的是滤波器法,而采用低通滤波器进行风光波动平抑则更为普遍。低通滤波控制策略一般通过调整滤波时间常数将功率波动分为高频、低频分量,然后在蓄电池和超级电容之间进行功率分配[1]。低通滤波控制没有复杂的控制原理,控制结构简单且响应速度较快,因而是使用较为广泛的策略之一。现有文献提出了基于有功功率和无功功率控制的低通滤波控制策略,缓解低通滤波的相位延迟问题,有效地平抑光伏、风电输出功率波动。
3、在风电平抑控制领域,以低通滤波、傅里叶变换和小波分析为代表的传统滤波方法在风电功率实时分解方面均存在一定的时延问题,在滤波结果上存在一定的相移,无法实时高效的分解风电输出功率。同时,现有功率分配方法无法考虑不同类型储能特性,无法发挥混合储能全部调节能力,同时混合储能协调控制截止频率的选取方法往往需要对未知信号进行预处理与预分析,需要人为设置分解基函数。
/>技术实现思路
1、鉴于上述存在的问题,提出了本专利技术。
2、因此,本专利技术解决的技术问题是:首先,基于卡尔曼滤波分解风电输出功率,卡尔曼滤波的核心优势在于能够根据最新得到的观测数据修正上一时刻的估计值实现动态反馈修正,具有较快的动态响应能力和收敛速度,实时性较强。其次,将通过卡尔曼滤波获得储能系统的总载荷曲线,利用一阶低通滤波算法进行能量型蓄电池储能和功率型超级电容储能之间的功率二次分配。其中,低通滤波器的截止频率采用经验模态分解获得。经验模态分解最显著的特点,就是其克服了基函数无自适应性的问题,其依据数据自身的时间尺度特征来进行信号分解,无需预先设定任何基函数,是一种时频域信号处理方式。经验模态分解在处理非平稳及非线性数据上具有明显的优势,适合分析非线性非平稳的信号序列,具有较高的信噪比。
3、为解决上述技术问题,本专利技术提供如下技术方案:一种分解平抑风电功率波动混合储能系统控制方法,包括:在波动率的约束下利用卡尔曼滤波实现风电功率波动平抑,获取总储能平抑功率信号。
4、采用经验模态分解获取各个固有模态分量并利用hilbert变换求取储能功率信号主频率,确定滤波时间常数。
5、根据所述总储能平抑功率信号和所述滤波时间常数,利用低通滤波器实现储能功率信号的二次分配。
6、作为本专利技术所述的分解平抑风电功率波动混合储能系统控制方法的一种优选方案,其中:所述卡尔曼滤波包括,引入离散控制过程的状态空间模型表示为:
7、x(k)=ax(k-1)+bu(k-1)+w(k-1)
8、y(k)=cx(k)+v(k)
9、其中,x(k)表示k时刻的过程状态变量,u(k-1)表示k-1时刻的输入变量,x(k-1)表示k-1时刻的状态变量,a表示系统参数矩阵,b表示系统参数矩阵,y(k)表示观测变量,w(k-1)表示过程噪声,c表示测量系统参数矩阵,v(k)表示观测噪声。
10、过程噪声和观测噪声相互独立,均为高斯白噪声,服从如下正态分布:
11、p(w)~n(0,q)
12、p(v)~n(0,r)
13、其中,q表示过程噪声的协方差矩阵,r表示观测噪声协方差矩阵。
14、作为本专利技术所述的分解平抑风电功率波动混合储能系统控制方法的一种优选方案,其中:所述卡尔曼滤波器还包括时间更新方程和测量更新方程。
15、在k-1时刻,所述时间更新方程为:
16、
17、p(k∣k-1)=ap(k-1∣k-1)at+q
18、其中,表示k-1时刻对于k时刻的状态先验估计,p(k|k-1)表示k-1时刻对于k时刻估计状态的先验协方差,t表示时间。
19、所述测量更新方程为:
20、g(k)=p(k∣k-1)at(ap(k∣k-1)at+r)-1
21、
22、p(k)=(1-g(k)a)p(k∣k-1)
23、其中,g(k)表示卡尔曼增益,y(k)表示测量输出,表示状态后验估计,p(k)表示估计状态的后验协方差。
24、求解所述时间更新方程、所述测量更新方程,得到后验估计作为k时刻的先验估计滚动求解所述时间更新方程和所述测量更新方程,获得k时刻的滤波结果。
25、作为本专利技术所述的分解平抑风电功率波动混合储能系统控制方法的一种优选方案,其中:所述实现风电功率波动平抑包括,建立符合风电波动平抑特点的时间更新方程和状态更新方程,具体如下:
26、所述时间更新方程表示为:
27、pw(t|t-1)=p0(t-1|t-1)
28、p(t|t-1)=p(t-1|t-1)+q
29、所述状态更新方程表示为:
30、p0(t|t)=pw(t|t-1)+g(t)(pw(t)-pw(t|t-1))
31、p(t|t)=(1-g(t))p(t|t-1)
32、g(t)=p(t|t-1)/(p(t|t-1)+r)
33、其中,pw(t|t-1)表示t-1时刻得出的t时刻的先验估计,p0(t-1|t-1)表示t-1时刻风电场加入储能系统后的并网功率,p(t|t-1)表示先验估计的协方差,p(t-1|t-1)表示t-1时刻状态估计的协方差,p0(t|t)表示t时刻风电功率并网值,pw(t)表示t时刻风电场输出功率值,g(t)表示卡尔曼滤波器增益,q和r分别表示过程噪声和量测噪声的协方差。
34、作为本专利技术所述的分解平抑风电功率波动混合储能系统控制方法的一种优选方案,其中:所述经验模态分解包括,经验模态分解获取混合储能协调控制的截止频率,确定滤波时间常数。
35、作为本专利技术所述的分解平抑风电功率波动混合储能系统控制方法的一种优选方案,其中:所述确定滤波时间常数包括,信号x(t)经经验模态分解后表示为:
36、
37、其中,ci(t)表示关于时间轴对称的固有模态函数,rn表示残余分量,t表示时间,n表示信号总数。
38、所述利用hilbert变换表示为:
39、
40、信号瞬时幅值ai(t)表示为:
41、
42、信号瞬时相位表示为:
43、
44、将固有模态函数分量xi本文档来自技高网...
【技术保护点】
1.一种分解平抑风电功率波动混合储能系统控制方法,其特征在于,包括:
2.如权利要求1所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述卡尔曼滤波包括,
3.如权利要求2所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述卡尔曼滤波器还包括时间更新方程和测量更新方程;
4.如权利要求3所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述实现风电功率波动平抑包括,
5.如权利要求4所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述经验模态分解包括,经验模态分解获取混合储能协调控制的截止频率,确定滤波时间常数。
6.如权利要求5所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述确定滤波时间常数包括,
7.如权利要求6所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述低通滤波器包括,
8.一种采用如权利要求1-7任一所述方法的一种分解平抑风电功率波动混合储能系统控制系统,其特征在于:
9.一种计算机设备,包括存储
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种分解平抑风电功率波动混合储能系统控制方法,其特征在于,包括:
2.如权利要求1所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述卡尔曼滤波包括,
3.如权利要求2所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述卡尔曼滤波器还包括时间更新方程和测量更新方程;
4.如权利要求3所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述实现风电功率波动平抑包括,
5.如权利要求4所述的分解平抑风电功率波动混合储能系统控制方法,其特征在于:所述经验模态分解包括,经验模态分解获取混合储能协调控制的截止频率,确定滤波时间常数。
6.如权利...
【专利技术属性】
技术研发人员:吕清泉,张嘉林,张珍珍,高鹏飞,李津,
申请(专利权)人:国网甘肃省电力公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。