1. 网站地图
  2. 设为首页
  3. 关于我们


基于改进多智能体Q学习的多源联合调频控制策 略及储能容量配置研究

发布时间:2022-11-21 11:43
目录
摘 要 I
Abstract II
第 1 章 绪 论 1
1.1课题背景及研究意义 1
1.2电力系统一次调频研究现状 2
1.2.1风电参与系统调频 2
1.2.2光伏参与系统调频 3
1.2.3储能参与系统调频 4
1.2.4多源联合系统调频 5
1.3本文的主要研究内容 6
第 2 章 风、光、储参与电力系统一次调频研究 8
2.1风电机组 8
2.1.1基本原理 8
2.1.2数学模型 8
2.1.3控制策略 11
2.2光伏阵列 13
2.2.1基本原理 13
2.2.2数学模型 13
2.2.3控制策略 15
2.3储能系统 17
2.3.1基本原理 17
2.3.2数学模型 17
2.3.3控制策略 18
2.4本章小结 21
第 3 章 多源最优联合调频研究 22
3.1算法原理 22
3.1.1单智能体 Q 学习算法 22
3.1.2多智能体 Q 学习算法 23
3.2算法设计 24
321状态集S和动作集A 24
322奖励函数R 24
3.2.3Q 值表 24
3.2.4搜索策略 25
3.2.5算法流程 25
IV
3.3多源联合调频系统的控制策略 26
3.4算例分析 27
341 PSCAD-MATLAB 的联合调用 27
3.4.2仿真参数设置 27
3.4.3预学习研究 28
3.4.4在线学习研究 29
3.5本章小结 33
第4章 多源联合系统的储能容量配置 34
4.1储能容量优化模型 34
4.2多目标粒子群算法 36
4.2.1算法简介 36
4.2.2算法步骤 36
4.2.3算法流程 37
4.3算例分析 38
4.3.1仿真参数设置 38
4.3.2储能容量优化结果 38
4.3.3储能容量配置分析 39
4.4本章小结 41
结 论 42
参考文献 43
攻读硕士学位期间发表的论文及其他成果 48
东北电力大学学位论文原创性声明和使用权限 49
《中国优秀博硕士学位论文全文数据库》和《中国学位论文全文数据库》投稿声明. . . . . . . 50 致 谢 51
第 1 章 绪 论
1.1课题背景及研究意义
几十年来,随着社会的高速发展和人民生活质量的显著提升,随之产生化石能源的过 度消耗和环境不断恶化等问题[1]。基于当前形势,我国为了推动能源转型提出了“碳达峰、 碳中和”的战略计划,由此以风电、光伏为代表的可再生能源因其清洁、高效、资源丰富 等诸多优势受到了社会各界的高度关注且在很多领域得到了广泛应用[2]。
如图 1-1所示为我国在近 5年风电和光伏的新增装机容量变化趋势。
 
2017 年,我国新增的风电装机容量为 1996 万千瓦,新增的光伏发电容量为 1900 万千 瓦,到 2021 年年底,我国新增的风电并网装机容量达到 4757 万千瓦,新增的光伏发电容 量达到 5488 万千瓦。从上述数据中足以说明在我国近几年的新能源发展呈快速递增趋势。 然而随着清洁能源的大规模投入为环境、资源和经济带来效益的背后,同时也向整个电力 系统注入了大量随机波动的功率和高次谐波[3]。由于风、光受风速、地域、光照、温度等 外界因素的影响导致其并网功率具有一定的随机性、不确定性和波动性[4],对电力网络的 稳定运行和电能质量均造成了巨大影响,尤其给系统的调频工作提出了更高的挑战[5]。
新能源渗透率的不断增加将造成原电力网络的结构以及潮流分布发生变化,大量随机 波动的功率输入不但使电网为了维持有功功率平衡而需要更多的功率做储备,还会对电网 频率响应能力和一次调频难度提出更高的要求。想要提高含高渗透率新能源的电力系统频 率稳定性,就需要使新能源机组主动参与一次调频。通过控制风电、光伏预留一定的备用 功率来实现在系统频率发生波动时调节有功功率输出,为整个电力网络提供调频服务。风、 光参与调频,不仅可以为大电网提供一定的有功支撑,而且二者在调频速度上也明显优于 常规机组,在很大程度上对于减缓频率波动以及避免频率的进一步恶化等多个方面都起到 积极的作用[6]。
除了新能源机组可以参与电力系统调频外,随着储能技术的突飞猛进也逐渐走进了调 频市场[7]。由于自然条件对风电和光伏的影响较大,而储能系统刚好可以规避这些问题, 充分发挥自身的优势,一方面可以快速地充电、放电,实现能量的双向转换,对系统频率 波动起到很好的抑制作用;另一方面可以对变化的系统频率进行快速响应,速度可以达到 毫秒级,因而可以有效的进行辅助调频。但目前储能技术还有很多亟待解决的问题,如标 准体系不完善、成本居高不下,受其容量、寿命、充放电次数、充放电深度等因素的影响, 使调频能力也受到很大限制。
综上所述,风电、光伏和储能都可以应用于电力系统调频市场中,辅助传统机组进行 调频,从而减缓电网频率波动。风电、光伏、储能和火电机组的调频特性、调频能力不同, 各有优劣,因此本文将风电、光伏、储能和火电机组各自的调频优势相结合,采用风、光、 储、火的多源联合系统协同配合来快速响应电网的频率变化,控制调节有功功率输出,可 以有效减缓频率波动、缩短调频时间,对新能源并网的发展起到极大地促进作用。同时储 能容量的大小直接关系到整个系统的调频效果和经济性,因此对其开展深入研究也具有十 分重要的意义。
1.2电力系统一次调频研究现状
目前,能够改善系统频率稳定问题的研究主要有四个方面:改进传统机组调频的调频 策略,提高传统机组的调频性能;采用新能源辅助传统机组调频方式;采用储能系统辅助 传统机组调频方式;采用联合调频方式。对于传统火电机组来说,需要采用优越的控制策 略来改善其调频性能。从已有的研究中发现,对比火电机组的各类调速系统的优劣,提出 由协调控制系统(Coordinated Control System, CCS)和数字式电液控制系统(Digital Electro-Hydraulic, DEH)共同作用的系统一次调频效果最佳[8-9]。
1.2.1风电参与系统调频
目前,国内外众多学者经大量研究证实了风电机组需要具备辅助传统火电机组参与一 次调频的能力。风电机组主要分为变速和恒速两种,现阶段主流的机组类型为变速风机中 的双馈异步风力发电机(Doubly Fed Induction Generator, DFIG)。风电机组参与电网一次 调频的控制方式主要有转子动能控制、功率备用控制以及二者结合,其中功率备用控制包 括超速减载控制和变桨控制,转子动能控制包括虚拟惯性控制和下垂控制。
功率备用控制是通过减载运行的方式实现,即通过使风机运行在超速状态或通过调节 桨距角大小来调整风机的实际机械功率来实现减载运行。文献[10]中考虑了不同的风速范 围,超速与桨距角控制二者相结合得出在不同的风速范围内风电机组都能预留部分备用有 功的结论,通过仿真验证所提控制策略能够适应多种风速变化范围,该方法提高了系统的
2
一次调频能力,但这个系统在任何情况下都要留有一定的备用功率导致不能做到充分利用 风资源。文献[11]提出了用超速-变桨的方法来响应频率变化,但该方法不能像惯性响应一 样提供快速的功率支撑,因此在调频时间上还有待进一步改进。文献[12]是将变桨控制应 用到全风速中,风机并网后随机一个时刻对应的风速都能通过改变桨距角度数来调整捕获 的风功率进而改变机械功率,虽然此方法对有功的调节范围很广,但桨距角的调整时间很 长致使风机的响应速度变慢,此外频繁调整桨距角的大小也会加快风机内部的磨损,严重 影响机组的使用寿命,也增加了一定的运行维护成本投入。因此,通常情况下变桨距法只 适用于高风速的情况。
转子动能控制是通过附加一个频率响应单元,在系统频率变化的情况下,利用惯性控 制调整机组转速,释放“隐藏”在转子中的动能并转换为电磁功率来为电网提供动态的频 率支持。文献[13]通过采用次优功率曲线机制来提高惯性响应的性能,实现转子的动能控 制,在整个惯性响应过程中风电机组捕获的功率近似为最大功率跟踪模式(Maximum Power Point Tracking,MPPT)下的功率,但是在发生风速变化或转子转速变化时,该方法的精 度会受到很大影响。文献[14]采用自适应模糊控制来实现惯性控制进而完成一次调频过程, 通过将背靠背式换流器之间的电容和双馈感应电机的旋转质量块作为虚拟惯性源,虽然达 到了预期的调频效果但是该方法采用超级电容增大了系统整体的投资成本。文献[15]采用 时变的下垂控制方法,该方法在频率偏移量较大的情况下调频效果会更明显,既能平稳的 恢复转子动能,又能改善系统最大频差,但此方法在调频时依靠系统的转子动能,备用容 量很小,导致其只能提供暂态支撑。文献[16]通过利用粒子群算法对虚拟惯性系数和下垂 控制系数进行优化,在三种场景下进行风速的适应性分析,证明了此方法可以显著减小暂 态频率和稳态频率,但该方法并没有明显的缩短调频时间。文献[17-18]将虚拟惯性控制和 下垂控制二者结合起来作为附加的有功控制部分,使风电机组不仅能快速减小频率变化, 还能够延长参与一次调频的时间,提高了系统整体的频率稳定性。
综上所述,通过国内外众多专家学者对风电机组一次调频控制策略的研究可以发现, 将虚拟惯性控制、下垂控制二者结合可以将风电机组参与电力系统一次调频的优越性充分 体现出来。
1.2.2光伏参与系统调频
目前,国内外的光伏发电系统大多采用最大功率追踪模式,而在这种模式下,光伏系 统一直处于输出最大功率的状态,无法继续增加有功输出来响应系统频率的变化[19],因此 为了使光伏系统能参与向上、下调频就需要保留一定的备用功率。现有两种备用功率的方 法:(1)能量存储,例如采用电池或超级电容器[20]进行存储能量;(2)减载控制,控制光 伏发电系统偏离最大功率点运行[21]。
在光伏发电系统中安装储能不但会产生额外的投资成本,而且储能的寿命比光伏寿命
短,将进一步增加系统的复杂性和经济性。而根据现有的研究成果发现,采用功率备用的
方法来调节频率优于能量存储,而且更能改善频率的响应能力[22]。文献[23]证实了不使用
3
储能单独依靠光伏系统调频的可能性。文献[24]为了让光伏发电系统在参与一次调频的同 时具有良好的经济性,建立了光伏的单二极管模型,通过离线拟合、在线功率追踪的变减 载率控制方法使光伏具有一次调频能力。在光伏渗透率不断增加的同时,电力系统的惯量 和调频能力也在逐渐呈现下降趋势,因此,亟需光伏能主动参与系统的频率调节。文献[25] 设计了虚拟惯量和下垂控制的策略方法,并研究了惯性常数和阻尼增益对稳态频差、频率 最低点等一些评价频率质量指标的影响,最后在系统有一定功率储备的情况下实现了频率 的最优控制。文献[26]通过虚拟惯性控制,建立不平衡功率激励与相位响应之间的关系来 达到调频的目的,但采用虚拟惯性控制将造成光伏发电系统在时间维度上与同步发电机产 生耦合关系而改变系统整体的机电振荡特性。文献[27]通过将场站级自动发电控制系统与 带死区延时的有功-频率下垂控制系统结合组成一个协调控制环节,进而实现光伏参与电网 的一次调频,但此方法在调频结束后不能快速地退出一次调频控制模式而进入自动发电运 行模式。文献[28]提出了一种包含频率调节层和功率储备控制层的光伏系统控制策略,在 功率储备控制系统中,采用一种减小功率电流曲线的有功功率跟踪控制方法,使减载率可 以在任何情况下都能被自动跟踪,在调频系统中,采用下垂控制和惯性控制方法来调节减 载率,有效的提高了频率响应能力。文献[29]中对于光伏系统而言增大减载率就相当于提 高了调频能力,但同时会使发电系统的运行经济性降低,所以为了解决二者之间的问题, 在系统实时运行状态下提出了一种减载率动态最优的计算方法,利用广域测量系统实现对 每个运行状态的实时监测,通过计算得到在功率备用容量可以满足系统调频需求的同时, 也兼顾了光伏发电系统的经济损失最小的问题,最后利用实验验证了此方法的有效性。
通过众多学者的研究发现,预留一定的有功备用可以让光伏发电系统具有参与频率控 制调节的能力。然而目前还存在一定问题,如何设置光伏的频率控制参数与有功备用功率 达到最佳的动态匹配效果,进一步改善光伏系统的频率控制、调节能力依然需要深入研究。
1.2.3储能参与系统调频
近年来,储能单元主动参与调频问题已成为各国专家学者关注的热点之一,并且已建 成了很多兆瓦级的示范工程[30]。在技术方面,一些学者通过将储能与传统机组参与调频时 的调频效果进行对比验证了储能在调频上的可行性[31]。在控制策略方面,储能单元参与电 网调频的主要控制策略有惯性控制和下垂控制[32],惯性控制可以有效减小最大频率偏差变 化率,减小频率下降的速度;下垂控制则主要能有效缩小稳态频差。文献[33]在交直流混 合微网中应用储能电池,采用虚拟下垂控制策略提高交流侧频率稳定性及直流侧电压稳定 性,说明储能的下垂控制策略能很好的解决频率稳定问题。文献[34]在系统中采用了综合 惯性控制方法并对其控制参数进行了优化,但是此方法在出现调频资源不足的情况下,如 果增加虚拟惯性控制环节反而会增加系统频率二次跌落发生的概率。文献[35]采用集中式 储能的一次调频控制系统,分析其系统架构和控制策略来解决分散式储能装置在一次调频 控制中产生的功率环流问题。文献[36]在荷电状态平衡的情况下,面对系统频率偏差的大 小以及变化率的大小,提出一种可以自动调节比例系数和微分系数的方法。文献[37]将虚 4
拟惯性控制和下垂控制相结合,提出储能电池参与调频的综合控制方法,此方法的优势在 于可以实现不同的频率区间可以选择不同的控制方法,做到精确控制的同时印证了储能在 调频领域的优势。当前储能技术仍处于研究阶段,投入容量过大将造成较高的经济成本, 进而打消投资者使用储能调频的积极性。所以,在辅助调频时也要考虑其能量管理,减小 经济损失。文献[38]将超级电容器和电池储能系统结合并采用非线性动态下垂控制的分散 控制方法,此方法提高了电网故障后的系统暂态稳定性,同时增强了系统的初级频率响应, 但该方法在经济性上还有待进一步提高。所以对于经济性而言,文献[39]首先在研究储能 参与一次调频的策略后又设计了其功率和容量,然后结合仿真模型计算储能在调频过程中 的成本和效益,最后利用净现值法搭建了储能参与一次调频的经济模型,通过实验对比分 析了在三种情况下即频率处于最稳定时、系统经济性处于最好时以及综合考虑频率稳定性 和经济性两种因素时储能的容量配置方案。文献[40]建立了储能容量配置成本和调频效益 的优化模型,利用粒子群算法得到最佳的储能容量配置方案。
综合上述国内外对储能系统的研究可以发现,目前储能的一次调频问题主要集中在对 可行性、经济性和控制策略三个方面的研究上。在可行性和经济性方面,已经得到充分证 实储能装置的调频优势和调频能力并建成了很多示范工程;在控制策略方面目前主要采用 惯性控制和下垂控制两种方式。由于储能容量、充放电等因素的限制,导致目前关于储能 单独参与电力系统调频的研究还比较少,尽管在调频方面有诸多优势但为了能达到更好的 调频效果还需要与火电机组、风电机组、光伏发电系统等其他类型能源进行配合。
1.2.4多源联合系统调频
面对当前低碳、高效的新型电力系统,传统火电机组的爬坡速率低、调节惯性大等很 多劣势使其无法再满足快速多变的电力系统对维持频率稳定的需求;而风电、光伏、储能 虽然响应速度快、调频时间短,但因自然环境、调频容量等因素的限制也无法单独作为调 频源使用。对于大规模风电、光伏并网使电网的频率稳定遭受很大冲击的新形势,采用单 一的调频单元具有很大局限性,而利用多种类型能源联合调频能够做到各单元优势互补, 是应对新型电力系统稳定运行的重要措施。
从已有的国内外研究成果可以看出,新能源参与电网频率调节的研究主要集中于单机 调频、基于虚拟同步发电机调频以及参与微电网孤岛调频等领域[41-42]。文献[43]通过分析 风电与常规机组的调频特性发现,火电机组可以较好的持续调频,风电机组的响应能力较 好,所以将二者的优势进行结合采用火电机组为主调频、风电机组做辅助调频的风-火联合 系统一次调频策略,发挥了风机快速增发有功的优势,实现了两个机组之间既可靠又经济 的联合,极大改善了系统整体的频率波动。文献[44]采用风机的转子动能与超级电容器协 调的频率控制策略,将其类比于同步发电机的惯性和下垂特性,保证在系统频率波动时双 馈风机能够提供快速且持续的有功支撑。利用超级电容器是为了避免系统发生频率的二次 跌落现象,利用转子动能则可以最大限度地降低有功功率的变化量。文献[45]提出一种虚 拟同步发电机(virtual synchronous generator, VSG)参与的含光、柴、储的微电网调频控 5
制方法。在光伏发电系统中配置储能单元组成光-储系统,用VSG控制逆变器将其看作一 个同步发电机,将光伏阵列的瞬态功率和储能装置的荷电状态反馈给VSG完成实时调节 光-储系统的有功输出和频率调整。再把对等控制方式应用到含有光-储系统和柴油发电机 的微电网一次调频过程中,以此支撑整个微电网有功功率的动态平衡。文献[46]提出了一 种基于离散共识的三级协调频率控制方法,将控制分为组级、风电场级和协调水平三个层 次,通过三级控制可以在不受平滑风电场规模限制的情况下,使风机和压缩空气储能之间 合理、快速地分配调频功率,实现二者的协调,有效改善了在频率下降时的频率最低点。
文献[47]主要针对风、光的差异性,采用分段的方式与常规机组分别在时域和频域中相互 配合、接力动作,此方法只是简单的完成了各类型机组调频的协同配合的目的,未能使一 次调频的效果达到最佳。文献[48]提出利用低通滤波器的方法将系统的频率偏差按照频率 波动速度分为快速波动和缓慢波动两部分,相应地将快速波动的部分分给储能、将缓慢波 动的部分分给火电机组,充分发挥了储能的调频优势,但该方法只考虑了频率的波动速度, 未考虑调频时间等其他因素。文献[49]通过对比分析常规机组、风机和储能在调频容量、 调频速度上的不同特性,提出一种基于分频调节原理的风-储-火联合调频方法,在一次调 频过程中,根据分频系统自动地得出风、储、火的有功功率输出,提高了联合系统的调频 速度和调频能力,但此方法并没有考虑各机组内部的配合方式。
所以,目前关于风、光等可再生能源和储能单元参与一次调频的大量研究主要还是关 注对其控制策略的设计上,对于各个调频资源之间的内部协同配合以及充分发挥各个机组 的优势以此达到最优的一次调频效果的相关研究还比较少,因此有必要开展对各个调频资 源之间最优协同调频方法的探索和研究。正是基于上述思想,本文提出了风、光、储、火 联合调频策略,在统筹各类型电源快速调频能力的同时,达到了一次调频效果最佳的目的。
1.3本文的主要研究内容 针对当前新能源并网装机容量的快速增加,只依靠常规机组无法满足新型电力系统的 调频需求,本文将研究多种类型能源的联合调频及储能的容量配置问题,主要分为以下几 个方面的内容:
(1)首先分析了风电、光伏、储能需要配合常规机组参与电力系统一次调频的原因、 背景以及研究意义,又针对目前风电、光伏、储能以及多源联合系统在一次调频领域的国 内外研究现状,提出了一种基于改进的多智能体 Q 学习的多源系统联合调频方法并在此基 础上对储能的容量进行合理配置。
(2)根据风电、光伏、储能的基本结构和发电机理,分别建立了其数学模型,并通 过详细的探究风电、光伏、储能在电网一次调频中的特性,设计风电机组运用虚拟惯性、 下垂控制策略,光伏采用减载运行策略,储能采用下垂控制方式,使各个调频单元都能具 有参与电力系统一次调频的能力,为第三章和第四章的仿真实验提供了一定的理论依据。
(3)对于当前复杂多变的电力系统,解决多能源内部协同调频的问题极具挑战性,
6 针对这一问题,本文首先将多智能体 Q 学习算法进行改进,选取预学习结果作为算法的初 始矩阵并在贪婪策略基础上引入了搜索因子,极大地提高了算法的优化效果、缩短了算法 运行时间,然后利用其算法的动态决策能力与含有新能源的三机九节点系统进行联合仿真, 最后在两种负荷扰动条件下验证所提方法的有效性和优越性。
(4)针对多源联合调频系统而言,若储能容量配置太小会导致系统的调频效果不佳, 若配置过大又会增加整个系统的投资成本,所以为了解决这一问题,本文利用多目标粒子 群算法进行求解在联合系统下建立的储能容量优化数学模型,最后在两种实验条件下进行 对比分析,经验证该储能的结果在满足调频需求的同时还兼顾了系统整体的经济性。
 
 
第2 章 风、光、储参与电力系统一次调频研究
由于新能源机组的接入为现有电力系统的频率稳定性带来了巨大的挑战,常规机组无 法满足当前的调频需求,因此新能源必须具备配合传统机组调频的能力,模拟传统机组的 转速调节来响应频率变化就需要采用相应的控制策略来调节自身的有功出力实现一次调 频。本章主要研究风电、光伏、储能的基本原理、数学模型以及一次调频控制策略。
2.1风电机组
2.1.1基本原理
DFIG 因变流器容量小、成本低,而且在我国的占比较大等显著优势成为了当今世界 的研究热点之一[50],其基本结构如下图 2-1 所示,主要由风力机、齿轮箱、双馈异步风力 发电机、变流器、变压器以及控制电路和保护装置等部分构成。其中,背靠背式变流器包 括机侧变流器(Rotor-Side Converter, RSC)和网侧变流器(Grid-Side Converter, 两部分,以及起连接作用的电容器Co
2.1.2数学模型
同步发电机的惯性方程可用式( 2-1)表示:
'deg
< J~dT 二 Png(^g)—Peg (2-1)
、J = 2 H
式中,J表示转动惯量;mg表示转子转速;Pmg表示机械功率;Peg表示电磁功率;H表示 惯性常数。
机组转速的变化由系统频率的变化而导致,根据转子转速的转动快慢原动机的调速系 统会快速反应调整自身的机械功率大小,进一步来改变电磁功率输出,达到一次调频的目 的。双馈异步风机同样满足上述关系式,因为与频率解耦的关系,所以DFIG通过对换流 器的配置进行独立的控制,从而使其输出的电磁功率发生变化,当变流器的功率指令恒定 
时,DFIG的电磁功率也不发生变化,风机系统将退出调频。
(1)双馈风机的 MPPT 运行 为了能最大限度的利用风资源,减少弃风现象的发生,目前 DFIG 常采用最大功率追 踪模式。根据空气动力学原理, DFIG 将风能转化为机械功率 Pm 可以用式(2-2)表达: 化=2 QA/Cpa 0)
C - C5
Cpd0 = C1(亍・0C3-C4)e 入 + C.九
1 _ 1 _ 0.035
<才 _2 + 0.080_03 +1 (2-2)
兄二 ©N^aseR
V
© _
"base
base Gp
A=”R2
式中,A表示叶片扫风面积;久表示叶尖速比;0表示桨距角;v表示风速;〃表示空气密度; Cp表示风能利用系数;C1~C6表示风力机的特性常量;右、^base均表示中间变量;表示 风轮转动的额定角速度; G 表示齿轮箱变比; p 表示极对数; R 表示叶轮半径。
上述参数中,Cp是表征风机工作效率的唯一可控变量。如图2-2所示为风机风能利用 系数的变化曲线图。
0.5
0.4
从图2-2中可以发现,在横坐标的叶尖速比恒定时,Cp值将随着桨距角度数的减小而
变大,若要让 Cp 取到最大值,就要使桨距角最小。当0取为 0°时,风速不同时双馈风机
输出的机械功率和转子转速的变化关系如图 2-3 所示,只有当尖速比为最佳叶尖速比时,
Cp 才能取得最大值,此时风力机输出最大机械功率。把不同风速对应不同的最大 Cp 值连 接起来即可得到 DFIG 的最大功率追踪曲线。
 
 
图 2-3 DFIG 在不同风速下的输出机械功率与转子转速关系
在当前风速处于V2时,采用MPPT运行的风电机组控制风轮以ma的转速转动,使DFIG 在a点处保持稳定运行,此时对应最大的风机机械功率为Pa,电磁功率和机械功率存在平 衡关系所以也为最大值。若风速突然由叱变到V1,则风机捕获风能将变大,机械功率将增 加到b点对应的Pb,由于发电机的电磁功率无法突变,仍然保持为Pa,此时机械功率和电 磁功率的平衡关系会被打破,风机的转子转速开始增大。风机的电磁功率将沿着MPPT曲 线上升到图中的c点,与机械功率重新维持平衡,实现风速为n时的MPPT运行模式。
(2)双馈风机数学模型
DFIG 通过矢量控制环节来控制励磁电压的 d、q 轴分量实现输出有功和无功的单独控 制,所以本文采用下图2-4所示的坐标进行建模和分析。
 
DIFG 的电压方程用式(2-3)表示为:
细=~~dt^ + - Rsisd
Usq = + 0他 _ RsZsq
V
Urd = 严 + ①卯® _ RrZ'rd
—叽丄 口 •
Urq = _~乔 + _ RrZrq
式中,Usd、Usq、Urd、Urq和isd、isq、ird、irq分别表示d、q轴上疋、转子的电压电流分量; 屮sd、Qsq、屮rd、屮rq分别表示d、q轴上定、转子磁链分量;劲表示同步角速度;S表示转 差角速度。
磁链方程用式(2-4)表示为:
屮sd _ Ls isd _ Lm ird
< 0sq _ Ls'sq _ LmZrq (24)
0rd _ _Lm isd + Lr Zrd
、0rq _ _Lmisq + LrZrq
式中,Lm表示定、转子绕组间的等效互感系数;厶、厶表示定、转子绕组间的自感系数, 与定、转子绕组间的漏感Los、LOr之间存在厶=Lm+L°s、Lr=Lm+LOr的关系。
由式(2-3)和(2-4)可得在同步旋转坐标系下双馈风机的 T 型等值电路结构如图 2-5 所示。
 
根据风机的T型等值电路图,可以将d轴固定在定子磁链矢量0方向上并忽略定子电 阻大小,同时假定定子磁链大小恒定,可得到定子侧电磁功率并用式(2-5)表示为:
'3 . 3
P _ 2(Usdisd + Usqisq) _ _ 2 ^1Zsq
{ 2 2 (2-5)
3 3
Q _ 2 (Usq Zsd _ Usd Zsq) __ 勺 UZsd
定、转子电流间的关系用式(2-6)表示为:
Ls Z
Zrd _ 厂 Zsd _ 厂
mm
V •— Ls . Zrq _ Zsq
l 厶m
因此,分别控制 d、 q 轴上的转子励磁电流分量 Zrd、 Zrq 就能完成对 DFIG 的有功和无功 功率的独立调整。
2.1.3控制策略
由 2.1.2 节可知,风机大多运行于最大功率追踪模式,但在此种模式下风力发电系统 输出的有功功率最大,但在频率变化时需要向上调节就会受限。若风机能调频,其变流器 的功率指令应主动响应频率变化,风机电磁功率用式(2-7)表示为:
11
 
Pw = Pwref 丄 ^Wdnd (f) ( 2-7)
式中,Pwref表示风机输出的稳态电磁功率;APwind表示风机主动调频时电磁功率的变化量。
由此看来,前述分析应在模型中增设一个电磁功率指令控制环节使机械功率调整量满 足电磁功率需求量,从式(2-1)中可知,当机械功率的调整量无法与电磁功率的需求量匹 配时,风机将利用转速大小的调整来改变转子动能进而支撑系统的电磁功率。如果转子动 能的变化较大,即转子转速变化较大时将会出现严重的不良后果,一方面可能会触发系统 的保护装置启动顺势造成风机离网;另一方面当风机一直处于超速状态时,其输出的电磁 功率不会增加反而会减小,上述两种因素都将加大系统频率的进一步跌落。
因此,为了保证风机可靠调频,间接调整电磁功率指令值改变机械功率输出。虚拟惯 量控制和下垂控制是调整电磁功率的常用方法,在生成附加功率指令值和响应频率变化上 都具有较好效果。
如图2-6 所示为虚拟惯性控制原理图,由惯性响应基本原理衍生出来设计的控制方式, 有功功率变化量APeg是由系统频率偏差的变化率计算所得,用式(2-8)表示为:
企=_K 凹2 (2-8)
dt
式中,Kj表示虚拟惯性系数;Af表示风电机组承担的频率偏差量。
 
图 2-6 虚拟惯性控制
下垂控制是模拟常规机组的功-频下垂特性的一种控制方式,其原理如图2-7所示。有 功功率变化量APex是由系统频率偏差值的大小计算所得,用式(2-9)表示为:
皿=K 韓 (2-9)
式中,Kd表示下垂系数。
 
图 2-7 虚拟下垂控制
在电力系统频率波动时,通过虚拟惯性控制和下垂控制构成一个附加频率响应单元, 调整其输出的有功功率即可调节整个电力系统的频率。
12
 
2.2光伏阵列
2.2.1基本原理
光伏发电是根据半导体器件的光生伏打效应将太阳能转化成电能的一种发电形式。若 要提高光伏系统的输出功率,需要将无数个基本发电单元经过一系列的串、并联形式组合 成相应的模块和阵列,再配合功率控制器、变流器等装置组成。光伏阵列产生的电压、电 流经过最大功率追踪模式获得直流电后,再经过 DC/AC 逆变电路实现直流电与交流电的 转换过程,再经滤波环节滤波最后与电网相连。图 2-8 所示为光伏阵列的基本结构。
 
光伏并网逆变结构依据功率变换级数可分为单级式和两级式。因单级式投资成本低、 结构简单、效率高等优势,故本文采用单级式结构。
2.2.2数学模型
因光伏电池板受光照强度、温度等外界因素的影响比较明显,使其电能输出波动性大、 稳定性差,而电池板受系统电压、频率的影响较小,因此光伏阵列等效为一个电流源、非 线性阻抗和负荷电阻的形式,如图 2-9 所示为光伏阵列等效电路图。
 
 
 
图 2-9 光伏阵列等效电路
根据图中所规定的电压电流正方向,可用式(2-10)表示光伏阵列的电流关系:
Ipv =Iph _ Id _ Ish (2-10)
式中,Ipv表示光伏的输出电流;Iph表示光生电流;Id表示通过等效二极管中的电流;Ish表 示通过并联电阻 Rsh 的电流,即漏电流。
S
亍[Iref + Ki(T _ T;f)]
Sref
Id _ I°[exp(;_ 1)] _ I°{exp[qU 企)]_ 1}
VT kAT
式中,S表示光照强度;Sref表示标准实验条件下的光照强度;Iref表示标准实验条件下的光
生短路电流;K表示光生电流随温度变化系数;T表示光伏电池的工作温度;Tref表示标准
实 验 条 件 下 的 环境温 度 即 298K;A 表 示 PN 结的 理想因子 ;k 表 示 玻尔兹曼系 数
13
 
1.3806e-23J/K)。
Ish 7 (2-13)
10 = I or( T-)3exp[£kEG( - *] (2-14)
式中,Io表示等效二极管的P-N结反向饱和电流;Ior表示标准实验条件下饱和漏电流;q 表示电子电荷(1.6e-19C); U表示光伏的端口电压;Rsh、Rs分别表示光伏串、并联电阻; Eg表示晶体硅的能带带宽。
将式(2-11)〜(2-13)代入(2-10)得到光伏等效模型的电压与电流之间的关系:
I pv = I Ph _ I o{exp[十]_ 1} _ 丫
在光照强度较大时,上式可简化为:
 
 
 
由式(2-16)可得:
kAT I _ I
U = kAT ln( -ph - +1)
q I 0
外电路在短路实验条件下,Iph表示输出电流,与短路电流Isc相等。而在开路实验中, 光伏两端电压为开路电压Uoc。
由式(2-16)可计算出光伏阵列两端的开路电压为:
kAT kAT
Uoc = + 1)〜
qq
由式(2-18)可知,光照强度和温度对光伏的输出特性都产生一定影响,如图2-10和
 
 
 
图2-11 S=1000W/m2、温度不同时光伏输出特性曲线
由图 2-10 和图 2-11 可知,在恒温条件时,光照强度增加,阵列的开路电压变动较小, 而输出功率变化量较大。不同温度和光照时光伏具有不同的最大功率点,因此可以根据光 伏阵列的功率输出特性原理调整电压、电流、阻抗等参数值的大小,从而使光伏输出最大 功率。
2.2.3控制策略
由 2.2.2 节可知,通过控制光伏阵列的参数可以使其运行于 MPPT 模式,常见的 MPPT 控制方法包括差分法、电导增量法、扰动观察法、神经网络控制等[51-52],对典型方法的基 本原理和优、缺点进行如下分析。
(1)电导增量法 电导增量法是一种将光伏的瞬时电导变化率与零进行比较并不断逼近最大功率追踪 运行的方法。此方法较稳定,不易出现振荡,输出功率稳定但对传感器的精度要求高,运 行成本高、容易受到其他信号的干扰出现误动作。如图 2-12 为电导增量法原理图。
 
 
根据光伏的输出特性并对电压求偏导得到式(2-19):
dP = I + U~d- (2-19)
dU dU
经化简得到式(2-20):
15
I + U——=0,B点,电压不变
dU
< I + U竺〉0,A点区域,增加电压 (2-20)
dU
I + U竺<0,C点区域,减小电压
〔dU
( 2)扰动观察法
扰动观察法又称爬山法,利用输出功率的变化趋势不断扰动电压或电流的方向,使其 运行在最大功率点(Maximum Power Point,MPP)。此方法的优点为操作简单方便,易实 现,但常常会出现输出电压波动而造成光伏输出功率损失,在外部环境变化剧烈的情况下 可能造成扰动方向判断失败,但在光照强度和温度都不变的情况下,此方法的效果较好。 如下图 2-13 所示为特定环境下的扰动观察法原理图。
 
若起始位置在A点,输出的功率为Pa,B点输出的功率为Pb。当B处功率大于A处, 将施加一个正向扰动,使工作点右移;若起始位置在C点,输出的功率为Pc, D点输出的 功率为Pd。此时C点的功率大于D点,则施加一个反向扰动,使工作点左移。
本文采用扰动观察法,在此方法下光伏输出的有功功率最大,但在频率变化时向上调 节受到限制[53]。若使光伏能参与一次调频,就需要控制光伏的实际运行电压稍高于最大功 率点处电压即运行在图 2-13 中 E 点,预留出一定备用,光伏减载运行原理如图 2-14 所示。
 
图 2-14 光伏减载控制运行原理
 
图中,Kp表示光伏的单位调节功率;APsun表示光伏一次调频量;Pj表示光伏减载运行输出
16
 
的有功功率;Ps表示光伏经一次调频后的有功输出;稣表示光伏承担的调整量。
其中光伏阵列的减载水平O%定义为式(2-21)所示:
S
1000
2.3储能系统
2.3.1基本原理
按照储能类型划分可以将储能分为机械储能、电化学储能和电磁储能;按照功能的不
同可以分为能量型和功率型两种。其中,能量型是指其输入功率或输出功率都较大的蓄电 池,通常容量大,可用于削峰填谷、调整负荷需求等;功率型储能是指有较高输入输出功 率的超级电容器,对系统的调控指令能敏捷反映并进行多次充、放电。本文主要研究储能
电池的特性,如图2-15为电池储能系统(Battery Energy Storage System,BESS)的结构,
 
储能单元是 BESS 的核心,由多个电池单体组成,具有能量的储存和释放功能; PCS 由全控型电力电子器件组成,即 DC/DC 双向变换器、 DC/AC 逆变器及其控制系统所构成。
通过 PCS 环节,电网中的电能可经整流后流向 BESS, BESS 中的电能由 PCS 进行逆变可 反向流向电网,因此实现了能量在 BESS 与电网间的双向流动。
2.3.2数学模型
为了分析 BESS 的稳定性问题以及为控制策略的研究提供有力支撑,需要对储能系统 建立动态数学模型。通用模型指的是通过模拟常规机组的功-频下垂特性并利用一阶惯性环 节来表示储能的模型,再进行分析储能对一次调频的影响,模型结构如下图 2-16 所示:
£ 纠)ess .
4S + 1
图 2-16 储能的一阶惯性环节模型
图中,Tb表示惯性时间常数;Kb表示增益;APbess表示储能一次调频控制增量;A/4表示储 能承担的调整量。
储能参与电力系统一次调频的特性原理如图 2-17 所示。若负荷突增,负荷曲线 L1 将 移动到 L2, BESS 将迅速反应增加出力来抑制频率的降低。系统频率则由 a 点移动到 b 点, 此时系统的频偏为稣,储能处于线性出力阶段,通过设置单位调节功率Kb使电池输出额 外的功率APbess,将频率保持在c点。当频率超过调频死区的上限或下限时,储能电池处于
17
 
 
充电或放电状态。
 
其中,fu表示调频死区上限;fd表示调频死区下限;Pbess表示电池参与调频出力的上限值; -Pbess电池参与调频出力的下限值。
2.3.3控制策略
(1)DC/DC 变换器
DC/DC变换器用于能量传递,是储能装置中实现电能双向流动的关键组成部分。按照 拓扑结构可以分为半桥型和全桥型两种,考虑对BESS体积及成本的限制等因素,本文采 用半桥型结构。为了实现能量的双向传递,当器件工作时,双向DC/DC变换器的输入输 出电压极性保持不变,通过改变输入输出电流的方向,来达到储能系统的充、放电的目的。 其基本的工作原理如下图2-18所示,通过对S1和S2全控型电力电子器件的控制,完成Buck
 
(a)充电模式 (b)放电模式
图 2-18 双向 DC/DC 变换器
如图2-18中(a)为工作在充电状态的原理图,在该状态下与Buck降压电路的工作原 理相似,控制系统将向S1发送PWM控制信号,S2则始终处于关断状态。当S1处于导通 状态时,电流将按图中实线箭头所示方向流动;若S1处关断状态,装置内电流的流动将如 图中虚线箭头所示。可以看出,储能单元在该工作状态下从直流母线吸收电能。如图 2-18 中(b)为工作在放电状态的原理图,此时与Boost降压电路的工作原理相似,控制系统将 向S2发送PWM控制信号,而S1始终关断。当S2在导通状态时,装置内电流如图中虚线
18
 
 
图 2-19 基于下垂控制的 DC/AC 逆变器控制框图
网侧经LC滤波电路与交流母线相连。在d-q坐标系下,网侧滤波电路的数学模型可 用式(2-22)、(2-23)表示为:
 
式中,Uod、Uoq分别表示经滤波器输出三相电压的d轴、q轴分量;i0d、i0q分别表示经滤 波器输出三相电流的d轴、q轴分量;Vd、Vq分别表示经逆变器输出三相电压的d轴、q 轴分量;id、iq分别表示经逆变器输出三相电流的d轴、q轴分量;血表示实际角频率;rf 表示滤波电阻;Cf表示滤波电容;Lf表示滤波电感。
逆变器的瞬时有功、无功功率输出可表示为式(2-24)所示:
 
3
P = 2(U 0dZ0d + U 0qi0q)
< 2 ( 2-24 )
~ 3 .
Q = 2(U 0qZ0d + U 0di0q)
经一阶低通滤波器后可将瞬时功率转换为平均功率,用式(2-25)表示为:
P = -^ p
S + ®c
逆变器在下垂控制模式下输出电压频率和幅值的下垂特性用式(2-26)表示为:
0 = 00 — mp( p - Pf
E = E0 — nq(Q — Qref)
式中,Eo、盹分别表示逆变器输出的额定角电压、角频率;mp、nq分别表示逆变器有功、 无功下垂系数;Pref、Qref分别表示逆变器的有功、无功功率参考值。
经坐标变换后再由电压外环和电流内环控制完成对相关参数的控制,其控制策略如图
 
逆变器的控制策略用式(2-27)~( 2-34)表示:
dx6
dt V0*d —U0d (2-27)
dx7
dt V0*q —U0q (2-28)
id* = —0CfU0q k dx
+ (kp6 + —) 6 + Z0d
S dt =—0CfU0q+kp6(V0*d—U0d)+ki6x6+i0d (2-29)
iq* = 0CfU0d k dx
+ (kp7 +T 7 + i0q
S dt =0CfU0d+kp7(V0*q—U0q)+ki7x7+i0q (2-30)
dx
8
dt = id — id (2-31)
20
 
Vd = _aLfZq(kp8 +¥)今=~aLfZq + kp8(Zd _Zd) + ki8X8 + U0
Vq = aLf Zd (kp9 + 牛)今=①Lf Zd + kp9(iq _ Zq) + ki9X9 + U0q
式中,X6~X9均表示中间参数;kp6、kp8表示PI控制器d轴比例系数;kp7、kp9表示PI控制 器的q轴比例系数;ki6、ki8表示PI控制器d轴积分系数;ki7、ki9表示PI控制器q轴积分 系数;Zd*、Zq*分别表示外环控制中输出电流的d、q轴参考值;V0d*、V0q*分别表示逆变器 输出电压的 d、 q 轴参考值。
2.4本章小结
本章从风电机组、光伏阵列、储能装置的发电基本原理出发,分别建立了数学模型。 为了使风电、光伏和储能都可以响应系统频率变化,并且具备配合传统火电机组参与一次 调频的能力,依据传统机组的一次调频机理,设计了风电的虚拟惯性、下垂控制策略,光 伏的减载运行策略和储能的下垂控制策略,最终达到了各单元能参与一次调频的目的,为 后续的仿真实验提供了有力的理论支撑。
21
第 3 章 多源最优联合调频研究
对于当前具有复杂多变、时变、非线性等特点的电力系统而言,关于多类型机组内部 协同完成最优联合调频的研究较少,而这一问题,实质上是求解多智能体动态决策问题。 传统的智能算法大多基于生物的种群行为,没有记忆功能,极易陷入局部最优。而 Q 学习 作为一种常用的强化学习算法,其搜索能力强、有学习记忆功能,对于解决非线性复杂的 决策问题具有广泛的应用前景。因此,本章将多智能体理论应用到多源联合调频系统中。
3.1算法原理
3.1.1单智能体 Q 学习算法
1989年,由Watkins提出Q学习(Q-Learning)算法,是一种与环境模型无关、离散 时间马尔可夫决策过程(Discrete Time Markov Decision Process,DTMDP)中一种基于值 函数迭代的在线学习与动态最优技术[54],算法的本质是学会自动决策,使决策符合预期并 向着更好的方向发展。Q学习算法与强化学习中的SARSA、DQN、深度Q学习(Deep Q-Learning)等算法相比,具有参数少、结构简便、预学习过程简单等突出优势。Q学习 算法的基本模型如图 3-1 所示:
 
图 3-1 Q 学习算法的基本模型
从本质上来说, Q 学习过程是一种“试错”的过程,它提供了一种通过奖励或惩罚进 行智能体(Agent)编程的方法。在每一次与环境进行交互时,智能体都会接受到一个输入 信号,而这个信号表征着环境当下所处的状态,智能体会根据输入信号选取一个动作,于 是,环境的状态将发生变化,同时,智能体会从周围的环境中获取反馈信息。而这个反馈 就是一种评估,即奖励值 R, R 值关系到智能体采取动作的好坏程度,不会像监督学习一 样告诉智能体如何选择最优的行为,而是激励它不断的进行改进,向更好的发展方向靠近。
Q学习算法通过优化一个迭代计算的状态一动作对值函数Q (s,q)获取最优策略, 使得期望折扣回报总和最大。 Q 值的迭代公式用式(3-1)表示为:
Qk+1(Sk, ak) = Qk ⑻,ak) + a[ R( Sk, Sk+1, ak) + Zm ax Qk ⑶皿 a) _ Q* ⑻,ak)] (3-1)
a eA
式中,Qk(Sk,ak)表示在Sk状态下执行动作ak的Q值;R(Sk,Sk+1,ak)表示环境由状态 Sk经过动作ak转移到状态Sk+1的立即奖励值;a'表示动作空间A内的任意一个动作;
22 a表示学习因子,0<a<1 ; y表示折扣因子,0<Y<1。
3.1.2多智能体Q学习算法
多智能体系统(Multi-Agent System, MAS)是由数个单智能体构成的。多智能体算法 的基本思想是将若干个独立智能体联合起来,实现多智能体的协同来解决复杂的问题[55], 从而简化了问题的复杂性,增强了系统的鲁棒性、可靠性和灵活性。
MAS 具有以下优势:
(1 )自主性强
在多智能体系统中,每一个智能体都有决策任务的能力。
(2)容错性强
在 MAS 完成各自的任务或者共同完成任务时,如果中途某个智能体发生了问题,其 余的智能体依然能够在新的系统中继续完成任务,不会造成整个系统崩溃。
(3)灵活性和扩展性强
主要采用分布式设计的方法,此方法可以使整个MAS具有一定的可扩展能力和较强 的灵活性。
(4)协作能力强
在 MAS 中,每个单智能体之间可以相互协调配合来完成任务。 基于上述算法的优点,并针对多类型调频电源内部配合实现频率偏差的分配问题,本
章采用多智能体Q学习算法来解决,其算法的基本原理如图3-2所示。
 
图 3-2 多智能体 Q 学习算法
 
23
 
由图3-2可知,智能体i、j、m、n均由单智能体构成,且与火电机组、风电机组、光 伏阵列、储能装置一一对应。起初,每个智能体随机选取一个动作与环境进行交互,环境 接收该动作后状态会发生改变,同时产生一个反馈信息R,并将R传递给智能体,智能体 根据当前环境所处状态和奖励值的信息并根据搜索策略进行动作的选择,循环上述过程, 每个智能体之间协同配合直至Q矩阵不再改变。
3.2算法设计
3.2.1状态集S和动作集A
对于频率动态分配过程,其频率响应总偏差主要由总频率调节指令的大小来决定。因 此,以总频率调节指令作为环境状态,将其大小根据区间范围划分为{A/i, f ……,幼} 七个状态,即{(-8, -0.2), [-0.2, -0.15), [-0.15, -0.01), [-0.01, 0.01), [0.01, 0.15), [0.15, 0.2), [0.2, +8)},每个区间对应的状态集S为{S1, S2,……,S7}。其中,S1、S7分别表 示在某种扰动类型下系统总频率调节指令的最小值和最大值对应的状态。
在多智能体系统中,每个智能体之间需要进行交互分享信息来更新动作策略,随着智 能体数量的增加,信息存储空间也会以指数级增长。为了解决“联合维数灾”问题,本章 采用一种独立的 Q 学习方法,每一个智能体仅利用其自身的信息进行策略更新,从而大大 减少了Q值的存储空间。则每个调频源包括向上、向下和不调节三个动作,动作集设置为 Ap=[Up1, Up2,……,Upp, Dp1, Dp2,……,Dpp, N],每相邻两个动作的差值设置为0.0036Hz。
3.2.2奖励函数 R
智能体所选择的动作策略的价值通过奖励函数来体现,因此学习策略的好坏将会受到
奖励函数设计优劣的影响。针对本文的联合调频问题,执行算法所选择的动作后,将产生 两种结果:一是当前频率偏差未在规定范围内,此时立即奖励值为负,即惩罚;二是当前 频率偏差在规定范围内,此时立即奖励值为零。则立即奖励值的定义用式(3-2)表示为:
「0,|爼| < 0.2
-八 M > 0.2
式中,r'表示一个常数。
动作«的全局奖励值R由参与调频的单元的立即奖励值累加得到,即:
N
R(s,a)=工 r
i=1
3.2.3Q 值表
在智能体的学习过程中,Q值不断更新直至收敛到最大值Qk (s, a)。经典Q学习算 法选取一个新矩阵作为初值矩阵,而本文在预学习阶段将每次得到的环境状态Q值保存下 来并形成一个数据集,当系统产生小扰动后,算法会根据当前的环境状态,从这个数据集 中选择最合适的Q阵作为初始矩阵,这样不仅可以减少算法的迭代次数,而且还能大大缩 24
 
短算法运行时间。
3.2.4搜索策略
在经典的 Q 学习算法中,搜索策略主要有随机搜索策略和贪婪搜索策略两种。一般选 择用贪婪策略进行最优动作的选取,以概率P=e (血€[0, 1])随机选取一个动作at,否则 选取最大 Q 值对应的动作。而在贪婪策略选择动作时可能出现最优动作对应的不是最大 Q 值、概率最大值选择的不是最优动作,从而导致学习结果不准确,收敛过程变慢。为了解 决这一问题,对经典的Q学习算法进行了改进,在贪婪策略的基础上引入搜索因子丁。
当搜索因子t大于随机生成的概率时,执行随机动作,其概率用式(3-4)表示为:
 
式中, H 表示一个常数。
当搜索因子t小于随机生成的概率时,执行贪婪动作,其表达式用(3-5)表示为:
at = arg max Q k(s,a) (3-5)
aeA
3.2.5算法流程
基于改进多智能体 Q 学习算法的多源频率动态分配流程如图 3-3 所示。
 
 
3.3多源联合调频系统的控制策略
根据第二章不同类型能源的一次调频原理及控制方法,在 PSCAD/EMTDC 的三机九 节点系统中搭建了如图 3-4 所示的多源联合调频系统的控制策略。
 
图 3-4 多源联合调频的控制策略
图中,A/t表示系统的实时频率偏差;幼、4/2、4/3、A/4分别表示火电、风电、光伏、储能 承担的调频量;Pt、Pw、Ps、Pb分别表示经一次调频后火电、风电、光伏、储能输出的有 功功率;APwind表示风电一次调频控制增量;Pwref表示风电稳态运行的有功输出;Pw表示 风电经一次调频后的有功输出;Pbref表示储能稳态运行的有功输出;Pb表示储能经一次调 频后的有功输出。
在本章搭建的多源最优联合调频控制模型中,其优化目标是站在电网侧角度,主要追 求整个系统内部机组的动态频率调节、决策能力,减缓频率波动并使频差降到最小。为了 实现这一目标,本文将其转化为机组的调节频率指令值和频率响应值的偏差绝对值之和最 小。因此,用式(3-6)的数学模型来描述:
N
min / =工 | 或1 (3-6)
i=1
式中,f表示目标函数;A/t表示实时频率调节指令值;A/^表示调频源频率响应值之和;N 表示参与调频的电源数量, N€[1, 4]。
除了考虑机组的动态响应过程外,还需要考虑各机组的调节能力、调节速率、容量约 束等,具体的约束条件如式(3-7)所示:
26
 
I
M x 濮 > 0
IIMH 勰 II< 0.2 迟 m;n < 迟rate < 北 max 比min <北 < 北max
N
濮=乞Mi
i=1
比=ki Mi
i = 1,2,3,4, N=1,2,3,4
式中,APi表示调频源i的输出功率调整量;A/;表示调频源i承担的频率调整量;APimax表 示调频源i的调节容量上限;APimin表示调频源i的调节容量下限;△(庇表示调频源i的 调节速率;理max表示调频源i的上升调节速率限制;Ap:n表示调频源i的下降调节速率 限制。其中,第一个约束条件是为了限制调频源超调;第二个约束条件是为了避免频率反 向调节,减少不必要的频繁动作。
3.4算例分析
3.4.1PSCAD-MATLAB 的联合调用
PSCAD/EMTDC 是现阶段应用最广泛的电磁暂态仿真软件,有精确、完整的电力系统 元件库和强大的电力系统分析功能。MATLAB被应用在数值计算、数据分析中,凭借强大 的数据处理能力和突出的可拓展性,已经深入到学术研究、工程设计等各个领域。因此本 章结合了二者各自在仿真分析和计算能力方面的优势,采用了 PSCAD与MATLAB联合调 用的仿真方法[56]。
首先,编辑M文件,通过PSCAD中的DSDYN文件调用Fortran子程序,而这个Fortran 子程序可以启动MATLAB数据引擎并使M文件在MATLAB里运行,运行结果将通过该 数据引擎返回给Fortran子程序,从而实现PSCAD与MATLAB之间数据的传递与信息的
 
3.4.2仿真参数设置
本章在经典的三机九节点系统基础上将原系统中的火电机组用含有风电、光伏、储能 的G3代替并与母线B3相连,在PSCAD/EMTDC中搭建如下图3-6所示的基本结构框图。
27
 
 
L广负荷;B广母线;T广变压器
图 3-6 三机九节点系统结构
根据图 3-6 搭建的三机九节点系统结构,表 3-1 给出了各调频电源的部分仿真参数, 其余参数参考文献[57]进行设置。火电机组 G1 的装机容量为 200MW, G2 为 100MW, G3 分别含有风电机组30MW、光伏阵列20MW、储能装置5MW,负荷Li=100MW, L2=50MW, L3=40MW,L4=20MW,仿真系统的初始频率设置为/0=50Hz。在此系统中火电机组Gi主 要负责维持电能的供需平衡, G2 参与系统一次调频,同时暂不考虑风速、光照强度等外界 因素对系统一次调频的影响。
表 3-1 各调频电源的仿真参数
参数 取值/单位
火电调频系数 0.05p.u.
火电惯性常数 6.0/s
火电机组死区 ±0.033/Hz
风机惯性系数 0.1p.u.
风机下垂系数 0.05p.u.
风电机组死区 ±0.03/Hz
光伏阵列减载水平 20%
光伏阵列死区 ±0.02/Hz
BESS下垂系数 0.04p.u.
BESS死区 ±0.015/Hz
 
3.4.3预学习研究
由于在预学习阶段,多智能体 Q 学习算法与环境进行交互的过程实质上是一个不断学 习与试错的过程,若将算法直接应用到仿真系统中,不但会造成系统的不稳定[58],而且还 会延长系统的响应时间,使算法在时间维度上无法满足实际运行的要求。所以,为了解决 上述问题,将改进多智能体 Q 学习算法在投入实际运行之前进行离线的预学习实验[59],建 立多智能体对环境的认知和决策能力进而获得最优的 Q 矩阵。因此,在搭建的模型中分别 对多个负荷发生阶跃、连续变化进行预学习实验。在算法完成了足够次数的预学习后,则
28
 
可将其投入到在线仿真中。
在完成3000次预学习实验后,在系统中随机选取A点设置阶跃负荷扰动、B点设置 随机方波负荷扰动,扰动的变化情况如图 3-7 所示。
30
阶跃负荷扰动
随机方波扰动■
 
图 3-7 预学习负荷扰动曲线
图3-8所示为系统的目标函数随算法学习次数变化的实验结果。
 
图 3-8 目标函数随学习次数变化实验结果
从图 3-8 中可知:
(1)在学习次数较少时,系统的频率调节指令值和频率响应值之差较大,随着学习 次数的增加,二者的差值逐渐减小;
(2)在阶跃负荷扰动情况下算法经 1500 次左右学习后 Q 值达到最大,而在随机方波 扰动情况下需要约 1600 次,说明系统的负荷波动情况越复杂,算法需要学习的次数越多;
(3)在完成大量学习后两种情况的目标函数均能达到最小值,表明此算法具有较强 的稳定性。图(a)的目标函数值约为0.1Hz,图(b)的目标函数值小于0.1Hz,说明系统 的负荷波动越大产生的频差越大,经一次调整后的频差也越大。
3.4.4在线学习研究
为了测试此算法的在线优化决策能力,在仿真模型中分别选取C点设置阶跃负荷扰动、
29
 
D 点设置随机方波负荷扰动,扰动变化情况如图 3-9 所示。当系统发生负荷波动时,将采
集的实时A/t作为算法的输入,利用其渐进寻优特性进行快速的频率动态分配从而得出调频
机组承担的调整量,再将其结果反馈回仿真模型中,各机组通过一次调频控制策略做出相
应的调整,循环上述过程,直至完成系统的一次调频。同时本文还引入粒子群算法(Particle
Swarm Optimization, PSO) [60]、遗传算法(Genetic Algorithm,GA)⑹]进行对比。
30
阶跃负荷扰动 随机方波扰动
 
 
 
 
 
5
0 1 1 1 1 1
0 20 40 60 80 100 120
t/s
图 3-9 在线仿真负荷扰动曲线 因随机方波扰动为多个阶跃负荷扰动形式的累加,所以以阶跃负荷扰动为例来验证算 法的优化决策能力。
如图 3-10 所示为系统在 t=1s 时切除 20MW 负荷不同算法的目标函数随迭代次数变化 的实验结果。
 
从图3-10可以看出:PSO算法需要的迭代次数最多,改进Q学习算法需要的迭代次 数最少;对于目标函数最优解, PSO 算法最大,改进 Q 学习算法最小。从整体上而言, GA 算法的优化效果优于 PSO 算法,改进 Q 学习算法优于经典 Q 学习算法,而 PSO 和 GA
30
算法在迭代过程中容易出现局部最优的情况, Q 学习算法则不会出现局部最优。 由于频率的动态决策过程属于超短期调度,因此对优化算法的时间要求比较高。在图
3-9的(d)中,算法需1610次迭代便可收敛,所需1.08s即可完成频率分配过程。
表3-2给出不同算法下迭代次数、目标函数值的结果对比。
表 3-2 不同算法的结果对比
算法类型 迭代次数 目标函数/Hz
PSO 算法 4500 0.153
GA 算法 3980 0.146
经典 Q 学习 2000 0.112
改进Q学习 1610 0.103
从图 3-10 和表 3-2 可以看出:本文的算法相比于经典 Q 学习算法体现了诸多优势,优 化决策能力更强、迭代次数更少、收敛速度更快,收敛时间更短;而GA和PSO算法因其 易出现局部最优导致迭代次数增加、优化结果变差、收敛速度变慢甚至无法收敛。
为了验证本文采用多源联合调频方法的优越性,同时引用风-储-火[44]和传统机组单独 调频两种方式进行对比。
(1)阶跃负荷扰动
在本章的三机九节点系统中设置图3-8 所示的阶跃负荷扰动,下图3-11为三种调频方 式下系统的频率变化曲线。
 
图 3-11 系统频率的变化情况
由图3-11可知,在0〜1s时,系统频率为额定频率,当t=1s时,切除20MW负荷,此 时系统频率迅速上升,各调频机组快速响应频率变化经一次调整后,频率逐渐恢复到允许 范围内。通过对比三种调频方法可知,对于频率变化瞬间,采用多源联合调频方式能最快 响应频率变化,风-火-储次之,而单独依靠火电机组响应最慢;对于频率上升到最大值时, 采用多源联合调频方式的最大频差最小,风-火-储次之,传统火电机组的频差最大;对于 稳态频差,采用多源联合调频的频差最小,火电机组的最大;对于调频响应时间,采用多 源联合调频所需时间最短,而火电机组用时最长。
经实验得出频率动态分配过程时间加上各调频机组快速响应并控制调节有功输出的
31
时间共需要3.22s,满足一次调频过程在15s内的时间要求。
表 3-3 给出系统发生阶跃负荷扰动时不同调频方法的结果对比。
表 3-3 不同调频方法结果对比
调频方法 最大频差/Hz 稳态频差/Hz 一次调频时间/s
多源联合 0.3541 0.1032 3.22
风-储-火 0.3812 0.1633 4.57
传统火电 0.4367 0.1895 7.43
从表 3-3 可以发现,通过对比风-储-火、传统火电机组两种调频方式可知,采用多源 最优联合调频的方法可以明显减小系统的最大频差、稳态频差,缩短一次调频所需时间, 有效的减缓了系统的频率波动,提高了系统的稳定性,体现出此方法的有效性、快速性, 为接下来系统的二次调频提供了有利条件。
(2)随机方波扰动
在本章的三机九节点系统中设置图 3-8 所示的随机方波扰动,下图 3-12 为三种调频方 式下系统的频率变化曲线。
 
图 3-12 系统频率的变化情况
由图 3-12 可知,在 0~20s 时,系统频率为额定频率,当 t=20s 时,设置随机方波扰动, 在扰动发生瞬间频率迅速变化,各调频机组快速响应频率变化完成一次调整任务。对于调 频响应速度、最大频差、稳态频差、一次调频时间这几个方面采用多源联合调频的调频效 果均最佳,风-储-火较差,单独依靠火电机组的效果最差。
综合考虑图 3-11 和图 3-12 可得:
(1)系统发生阶跃、连续负荷扰动经一次调整后系统频差都能快速降到最小;
(2)在经过大量的预学习训练后,基于改进多智能体 Q 学习的多源联合调频可以对 系统的频差进行正确的最优决策和调控;
(3)无论系统的频率增大或减小,通过本文的方法都能采取相应的措施响应频率的 变化,从而保证了系统运行的稳定性;
(4)在两种负荷扰动下,采用多源联合调频效果最佳,充分证明此方法能较好的统 筹各类型机组的调频响应能力,体现了此方法的优越性。
32
3.5本章小结
本章针对多类型能源通过内部协同配合来参与电力系统一次调频问题提出了采用改 进的多智能体Q学习算法,选取预学习结果作为算法的初始矩阵并在贪婪策略基础上引入 搜索因子,极大提高了算法的优化效果、缩短了运行时间。在经典的三机九节点系统基础 上搭建含有风、光、储的仿真模型,通过设置阶跃负荷扰动和随机方波扰动验证了此方法 能较好的统筹各类型电源的快速调频能力,实现多源协同配合,有效减缓了系统的频率波 动,提高了系统的频率稳定性。
33
 
第4 章 多源联合系统的储能容量配置
针对多源联合系统而言,储能单元能够有效提高电力网络的频率稳定性,其效果会随 着储能容量的增加得到明显改善。但当储能容量越大成本也会随之升高,而高昂的成本会 削弱投资者应用储能进行调频的积极性。因此,储能容量的大小不仅影响着系统整体的调 频能力,而且还关乎整体的经济性和实用性。所以本章将在第三章的基础上对多源联合系 统的储能容量进行合理配置,兼顾频率稳定性的同时尽可能提高系统整体的经济性。
4.1储能容量优化模型
目前,为了使储能容量配置得最经济,通常目标函数都设定为储能的初始投资成本最 低、储能使用寿命成本最低、系统在一年内的运行、维护成本最小等[62-63]。针对本文所提 含风、光、储、火的联合调频系统而言,当火电机组、风电机组和光伏发电系统的额定容 量已确定的前提下,整个系统的调频收益以及新能源机组因为要满足调频需求而带来的弃 光成本等因素都对储能容量配置的经济性产生着巨大影响。基于上述分析,本文所提出的 联合调频系统的储能容量配置结果必须在满足整个系统频率稳定性最好的前提下,追求储 能容量最小、储能利用率最高。由此可见,实质上该问题是一个既要考虑储能单元减缓频 率波动的效果,又要考虑整个系统经济性的多目标优化问题( Multi Objective Optimization Problem, MOP) [64]。
在多源联合系统中,储能单元参与调频的基本原理为:在当前的系统频率等于额定频 率S=50Hz)时,储能单元不与系统之间存在有功功率交换关系;当前频率出现一些波动 而偏离额定值时,储能会迅速利用自身的充、放电功率与系统之间进行功率交换来减缓系 统的频率波动。因此,在电力系统发生小扰动时,利用联合调频系统时的频率偏差值4/lh 与利用传统火电机组调频时的系统频率偏差值Mt数值之间的比较,可以用来准确评价联 合系统对于调频效果的好坏。而评价联合调频系统的调频效果用式(4-1)表示为:
也 £| j tlfjct - f I
式中,A/jih表示米用联合调频系统的第j个实际米样频率值fjih与额定频率f间的差值;A/jct 表示采用传统机组的第j个实际采样频率值fjct与额定频率f0间的差值;“表示采样点数; f1表示采用联合调频系统的调频效果,fk[0, 1],当f1=0表示联合调频系统的有功功率平 衡,频率没有发生波动,储能容量大小能满足系统的调频需求;当 f1=1 表示储能容量不能 满足调频需求,因此说明f1的取值越小对应的储能容量改善系统频率的效果越好。
在满足了调频效果最优的基础上,还需要考虑系统整体的经济性,即追求整个系统的
34
年净收益最大。在本文的多源联合系统的成本计算中,除了需要计算储能的初始投资成本 以外,还要考虑到储能电池因老化而导致的运行成本、光伏发电系统减载运行时的弃光成 本以及联合系统调频带来的收益,因此,综合考虑上述两种因素建立目标函数。
储能的初始投资成本Cbess可用式(4-2)表示为:
Gess = Cb Ebess (4_2)
式中,Cb表示配置单位容量储能的成本费用;Ebess表示配置储能的容量。
储能因为经常需要进行充电或放电,势必会影响装置的寿命而加快老化的速度,用下 式(4-3)来表示储能产生的运行成本 Cyx:
Cyx = cy Ebt = Cy(化 + (4-3)
式中,Cy表示储能装置老化折旧的运行成本;Eb,t表示在t这一时间段内储能装置参与系统 调频的电量;E]t表示在t这一时间段内储能装置参与系统调频输出的电量;Eb,t表示在t 这一时间段内储能装置参与系统调频吸收的电量。
光伏发电系统按照 20%的减载率运行来及时响应系统频率变化,必将使光伏的经济效 益降低,所以光伏的弃光成本用式(4-4)表示为:
Csun = cs(20%fpPT,t * t) (4-4)
式中,Csun表示光伏场向电网售电的价格;PMPPT,t表示在t这一时间段内光伏按最大功率追 踪模式运行输出的最大功率平均值。
除此之外,电力系统运营商还会因为风、光、储共同参与调频服务而支付辅助调频服 务费用Ef,用式(4-5)表示为:
Ef = cf 冬=Cf(Ewt + Es,t + Eb,t) (4-5 )
式中,Cf表示风、光、储参与一次调频服务的调频电价;Ee表示总调频容量;Ewt表示风机 在t时间段内提供的调频电量;Es,t表示光伏在t时间段内提供的调频电量;Eb,t表示储能在 t时间段内提供的调频电量。
综上所述,联合系统的年净现值 NPV 可用式(4-6)表示为:
f = NPV =彳65 V (E — C — C )—山(1+ h 丫 c
/2 = = d V ’ E Cyx Csun) (1 + h -1 Cbe
式中,t1~tn表示n个数据采样时间段;D表示采样时间;Y表示储能的使用寿命;h表示储 能的折旧率;翌+仟表示储能的回收系数。
(1 + h)Y — 1
在满足多源联合调频系统的频率稳定性最好的基础上,实现储能配置的容量最小、储 能的利用率最高这一目标,建立多源联合系统提高系统频率稳定性和年净收益的目标函数 为式( 4-7)所示:
.mm f\
max /2
该模型的等式约束条件用式(4-8)表示为:
Edw,t = EG,t + EW,t +Es,t +Eb,t
式中,Eg,表示在t时间段内火电机组参与调频的电量;Edw,t表示在t时间段内系统调频需 求电量,即整个网络需要的电量应由风、光、储、火共同来提供。
对于式(4-7)的目标函数而言,不等式约束条件仍应满足式(3-7)的公式。而当储 能电池参与调频时,为了防止过充过放现象的发生,设置SOCmin=20%、SOCmax=80%,即 用式(4-9)表示为:
SOCmin < SOC < SOCmax
4.2多目标粒子群算法
4.2.1算法简介
1995 年,粒子群算法(Particle Swarm Optimization, PSO)是 Kennedy 和 Ebrhart 在一 次国际会议上共同提出的一种进化计算方法[65],该算法受到鸟类种群搜索食物的捕食行为 启发,一只鸟儿想要获取食物但不知道食物的具体位置,同时也不知晓自己距离食物的距 离,它便在自己搜索的同时跟随鸟群一起飞行搜索,在能找到食物的鸟儿周围绕圈搜索是 能找到食物的最有效办法。因此,此算法的基本思想是通过群体自身的经验和社会经验共 同对演化方向和速度进行调整,以求出最优解。在初始阶段,该算法选取一组随机值,不 断迭代多次搜寻最优解[66],相比于其他传统优化算法具有如下优势:
(1)没有复杂的交叉变异操作,计算速度快,可以通过调整算法参数的大小来防止 算法陷入局部最优的问题;
(2)算法对种群容量的要求较低,即便种群较庞大,算法的计算速度也会很迅速;
(3)算法的参数少,目前参数的选取已有很多成熟理论作支撑;
(4)算法的适用性强,对非线性复杂问题也能很好的求解。
4.2.2算法步骤
(1)选取一个求解区域,设置种群的初始化。 规定种群规模为20,最大迭代次数为120,目标个数为2; 粒子i的位置:Xi= (Xii, Xi2,……,X,d);
粒子 i 速度:Vi= (Vi1, Vi2, , ViD);
(2)以给定的多目标问题作为一个评估准则,依据粒子的位置来确定适合度。
将X代入环境筛选函数F (X,) = (f (X;), f (X;),……,fM (Xi))求适应度值;
(3)根据步骤(2)筛选得出近似非劣解个体,并将其加入外部卓越集。
具体的筛选过程:把X;和X,计算出来的多个目标进行对比。如果按照环境适值函数 Xi计算的所有适值都小于X 那么X,就会被Xi支配,X,进入外部卓越集中,X,将被淘汰。 否则互不支配,同时筛选进入非劣解中,然后等待下一次的迭代比较。
(4)寻找个体搜索过程中的最佳方位:将每个粒子当前环境的评价适值与其历史最 佳适值比较,如果当前值高,则变更为当前的方位坐标。
36
粒子i个体所经历的最佳方位为:pbest= (pii,pi2, ,Pzd);
(5)粒子方位变动的公式如(4-10)~(4-11)所示: vd+1 = w * vd+C b* r1*(pdestd—对)+C z* r2*(pdest d—xid) (4-10)
xikd+1 = xikd +Vidk (4-11)
式中,Cb表示个体倾向本身历史最好方位的比重;Cz表示个体倾向整体历史最好方位的比 重;门、r2表示两个随机数;w表示惯性权重,增大w会使搜索空间范围变广。
(6)判断条件:在不满足结束条件的情况下,返回到步骤(2),通常设置迭代次数 来判断是否满足条件,进而决定是否终止算法的运行。
4.2.3算法流程
本章采用 MOPSO 算法求解多源联合系统的储能容量优化配置问题,基本流程如下图
4-1 所示。
 
图 4-1 MOPSO 算法流程
首先,将多源联合系统的频率改善效果和整体的经济性作为算法优化的两个目标,并 把每种储能容量优化方案和与之对应的频率偏差量作为种群中的粒子。然后进行初始化处 理,为每个粒子被赋予随机的初始位置和速度,然后计算出适应度,将当前位置的粒子适 应值与历史、全局最佳位置的适应度进行比较后更新粒子的最佳位置,再按照式(4-10) 和(4-11)更新粒子的位置和速度,判断此时的迭代次数是否满足最大迭代次数,若尚未 满足,重新进行寻优,若满足,则输出最终结果,结束算法的运行。
37
 
4.3算例分析
4.3.1仿真参数设置
经查阅相关数据并参考文献[48]得到储能装置的容量优化仿真参数,如表 4-1所示。
表 4-1 BESS 容量优化的仿真参数
参数 取值 单位
储能容量成本Cb 2000 万元/ (MW・h)
储能运行成本Cyx 0.302 万元/ (MW・h)
光伏并网价格Csun 0.041 万元/ (MW・h)
联合调频收益 0.232 万元/ (MW・h)
采样数据个数〃 1750
采样间隔(t) 1 s
采样天数刀 30/1440
储能使用寿命N 20
储能折旧率力 5 %
储能额定功率A 5 MW
4.3.2 储能容量优化结果
 
 
经过多次运行算法后得到解空间的大致分布情况,如图4-2所示横坐标f1表示系统频 率的改善效果,纵坐标f2表示系统的年净收益。
 
为了便于观察和分析,在图 4-2 中选取十个具有代表性的解并用蓝色圈标注,具体数 值如表4-2所示。
38
表 4-2 最优解参数值
序号 f1 f2
1 0.231 0.094
2 0.269 1.191
3 0.298 1.272
4 0.332 1.374
5 0.374 1.435
6 0.425 1.486
7 0.472 1.520
8 0.556 1.551
9 0.714 1.587
10 0.821 1.608
从图4-2和表4-2中可以看出,编号为10的点对应的优化方案可以使目标函数/达到 最大,此时的调频效果最差,为0.821,但是系统的净收益可以达到最大值,为1.608 X 103 万元,此时对应的优化方案是配置大小为 2.37MW 的储能容量。随着配置储能的容量逐渐 增大,系统的净收益会逐渐变小,系统的调频效果会得到明显改善,即系统的稳态频率偏 差会变小。也就是说,编号为 6~10 的这段区间内,在储能容量逐渐增大的情况下,目标 函数/1的变化量明显大于/2的变化量,即系统调频效果的提升速度明显大于净收益减小的 速度。当储能容量继续增大时,编号为1的点对应的优化方案可以使目标函数/1达到最小, 此时系统的调频效果可以达到最好,为0.231,但是系统的净收益最小,为 0.094X 103万 元 此时对应的优化方案是配置大小为4.89MW的储能容量。也就是说,编号为1~5的这 段区间内,在储能容量逐渐增大的情况下,目标函数/1的变化量明显小于/2的变化量,即 系统调频效果的提升速度明显小于净收益减小的速度。所以,对于本文的联合系统,其净 收益和系统的频率偏差无法满足同时最优的条件。因此,为了使此系统在调频效果和经济 性都能满足最理想的状态下,通过比较选取的十个有代表性的点的斜率,选取编号为6的 点对应的储能容量为优化结果的最佳方案,此时对应的优化方案是配置大小为3.62MW的 储能容量,系统的调频效果可以达到 0.425,系统的净收益为 1.486X 103万元。
4.3.3储能容量配置分析
为了验证4.4.2节中多目标粒子群算法通过计算所得到的最佳储能容量配置结果的正 确性和优越性,本节将3.4.2节中联合系统的储能容量设置为3.62MW并与3.4.2节储能容 量设置为5MW的系统进行对比。
( 1 )阶跃负荷扰动
在多源联合系统中同样设置图 3-8 中的阶跃负荷扰动,下图 4-3 为四种实验条件下系 统的频率变化曲线。其中红色虚线表示储能为3.62MW的联合系统随负荷波动的频率变化
39
 
曲线,紫色实线表示储能为5MW的联合系统随负荷波动的频率变化曲线。
 
图 4-3 四种实验条件下的系统频率变化曲线
表 4-3 给出在系统发生阶跃负荷扰动时不同调频方法的结果对比。
表 4-3 不同调频方法结果对比
 
 
调频方法 最大频差/Hz 稳态频差/Hz 一次调频时间/s
风-储-火 0.3812 0.1633 4.57
传统火电 0.4367 0.1895 7.43
联合 5MW 0.3541 0.1032 3.22
联 3.62MW 0.3662 0.1146 3.73
从图4-3和表4-3中可以看出,当储能设置为3.62MW时,系统整体的调频效果明显 优于传统机组和风-储-火系统,与储能为 5MW 时的系统调频效果相比其最大频差、稳态 频偏分别增大0.0121Hz、0.0114Hz, —次调频时间增加0.51s,但整体趋势与设置5MW储 能时的差别不大。而储能容量的增大伴随着投资成本的增加,使系统的净收益会大大减少。 因此,综合考虑调频效果和系统净收益双重因素,将多源联合系统的储能容量配置为 3.62MW,既能有效改善系统频率波动,又能得到较好的收益回报。
(2)随机方波扰动
同样设置图 3-8中的随机方波扰动,下图 4-4为四种实验条件下系统的频率变化曲线。
 
40
由图 4-4可以得出与图 4-3 相同的结论,此处不再赘述。
因此,综合分析上述两种负荷波动情况,可以得出储能容量配置为3.62MW时既能提 高系统频率稳定性又能提升系统经济性,同时也充分证明了多目标粒子群算法优化所得结 果的正确性和优越性。
4.4本章小结
本章主要针对多源联合系统的储能容量配置问题开展研究,在满足系统整体调频需求 的情况下尽可能追求系统整体的净收益最大。所以,本章建立了多源联合系统的储能容量 优化目标,通过粒子群算法进行求取并分析得到合理的储能容量。最后在两种扰动条件下 进行实验,并与传统火电、风-储-火系统、5MW储能容量的联合系统分别进行对比,经分 析四种情景的频率变化情况验证了设置3.62MW的储能不但能提高系统的频率稳定性,还 能提高整个系统的经济性。
41
结论
随着新能源渗透率的不断提高,对于系统保持安全、稳定运行也提出了更高的要求。 针对当前新型电力系统的复杂多变,只依靠传统机组无法满足高质量的调频需求,由此本 文提出了基于风、光、储、火的多源联合系统调频控制策略与储能容量优化配置方法。首 先在 PSCAD/EMTDC 软件中搭建含风、光、储的三机九节点系统仿真模型并分别设计了 风电、光伏、储能的一次调控制策略,其次通过改进多智能Q学习算法进行频率偏差的动 态最优分配,然后将算法与模型进行联合仿真,最后对储能的容量进行合理的配置。
通过对本文方法的实验分析,可以得到如下几点结论:
(1)本文针对风、光、储的基本发电原理、调频特性采用了不同的一次调频控制策 略,使整个系统在面对频率向上或者向下波动时,系统都能进行响应并调节,证明了本文 方法的调频范围更广、适用性更强。
(2) 针对多类型机组内部协同配合完成一次调频问题,本文采用Q学习算法进行解 决,并在经典Q学习算法基础上进行改进,避免了学习结果不准确、收敛速度慢、运行时 间长等诸多问题,为强化学习应用在电力系统调频问题上提供了新的思路。
(3) 在设置阶跃负荷和随机方波两种负荷扰动时,本文的多源最优联合调频系统可 以对频率偏差进行正确的决策和调整控制,不仅体现了本文方法可以较好地减缓系统频率 波动,缩短调频所需时间,为一次调频提供了有利条件也对新能源并网的发展起到了极大 的促进作用。
(4) 对于多源联合调频系统的储能容量配置问题,本文提出用频率偏差量作为衡量 系统调频效果的指标并结合反应系统整体经济性的净收益函数建立了储能容量的优化模 型,应用粒子群算法进行求解,最终经分析得出合理的储能容量优化方案,对于整个系统 来说不但达到了良好的调频效果还追求了整体的经济性。
42
参考文献
[1]杨蕾,李胜男,黄伟,等.考虑风光新能源参与二次调频的多源最优协同控制J].电 力系统保护与控制, 2020, 48(19):43-49.
[2]吴启帆,宋新立,张静冉,等.电池储能参与电网一次调频的自适应综合控制策略研 究[J].电网技术,2020, 44(10): 3829-3836.
[3]X. Liang, C. Andalib-Bin-Karim. Harmonics and Mitigation Techniques Through Advanced Control in Grid-Connected Renewable Energy Sources: A Review[J]. IEEE Transactions on Industry Applications , 2018, 54(4): 3100-3111.
[4]Yan Li , Hongzhi Liu , Xiaojie Fan, et al. Engineering Practices for the Integration of Large-scale Renewable Energy VSC-HVDC Systems[J]. Global Energy Interconnection , 2020, 3(2): 149-157.
[5]G. Rashid , M. Ali. Nonlinear Control-Based Modified BFCL for LVRT Capacity Enhancement of DFIG-Based Wind Farm[J] . IEEE Transactions on Energy Conversion , 2017, 32(1): 284-295.
[6]张健,李文锋,王晖,等.多电源梯级调频方案及风电场级调频时序优化策略J].电 力系统自动化, 2019, 43(15): 93-100.
[7]赵伟,李雄,乔仁飞,等.基于混合储能的孤岛微网VSG控制策略J].电力系统保护 与控制, 2021, 49(12): 33-40.
[8]王蕊.火电机组一次调频特性的分析及仿真研究[D].北京交通大学,2009.
[9]丁宁,廖金龙,陈波,等.大功率火电机组一次调频能力仿真与试验J].热力发电, 2018, 47(6): 85-90.
[10]P. Li, W. Hu, R. Hu. The Integrated Control Strategy for Primary Frequency Control of DFIGs Based on Virtual Inetia and Pitch Control[C]//Innovative Smart Grid Technologies-Asia(ISGT-Asia). IEEE, 2016: 430-435.
[11]范冠男,刘吉臻,孟洪民,等.电网限负荷条件下风电场一次调频策略J].电网技术, 2016, 40(7): 2030-2037.
[12]S.Soued,M. A. Ebrahim,H.S. Ramadan, et al. Optimal Blade Pitch Control for Enhancing the Dynamic Performance of Wind Power Plants Via Metaheuristic Optimisers[J] . IET Electric Power Applications, 2017, 11(8): 1432-1440.
[13]马少康,耿华,杨耕,等.基于功率跟踪曲线切换的变速风电机组虚拟惯量控制[J].电 力系统自动化, 2018, 42(17): 42-48.
[14]周天沛,孙伟.高渗透率下变速风力机组虚拟惯性控制的研究[J].中国电机工程学报, 2017, 37(02): 486-496.
43
[15]M. Garmroodi, G. Verbic, D. J. Hill. Frequency Support From Wind Turbine Generators with a Time-Variable Droop Characteristic[J].IEEE Transactions on Sustainable Energy, 2018, 9(2):676-684.
[16]游广增,杭志,陈凯,等.基于改进粒子群算法的风机频率控制研究[J].电力工程技 术, 2020, 39(03):43-50.
[17]李世春,黄悦华,王凌云,等.基于转速控制的双馈风电机组一次调频辅助控制系统 建模[J].中国电机工程学报,2017, 37(24): 7077-7086+7422.
[18]张冠锋,杨俊友,孙峰,等.基于虚拟惯量和频率下垂控制的双馈风电机组一次调频 策略[J].电工技术学报,2017, 32(22): 225-232.
[19]朱梓嘉,肖辉,赵帅旗,等.基于并行组合进化算法的光伏阵列最大功率点追踪[J].电 力系统保护与控制, 2020, 48(04): 1-10.
[20]Gurumurthy S,Agarwal V, SharmaA. High-Efficiency Bidirectional Converter for Flywheel Energy Storage Application[J]. IEEE Transactions on Industrial Electronics, 2016, 63(9): 5477-5487.
[21]A. Chandra, A. K. Pradhan. An Adaptive Under Frequency Load Shedding Scheme in the Presence of SolarPhotovoltaic Plants[J]. IEEE Systems Journal, 2020, 15(1): 1235-1244.
[22]Calero, C. A. Canizares?K. Bhattacharya. Compressed Air Energy Storage System Modeling for Power System Studies[J]. IEEE Transactions on Power Systems, 2019, 34(5): 3359-3371.
[23]BatzelisE, Kampitsis G, Papathanassiou S. Power Reserves Control forPV Systems with Real-Time MPP Estimation Via Curve Fitting[J]. IEEE Transactions on Sustainable Energy, 2017, 8(3): 1269-1280.
[24]钟诚,周顺康,严干贵.基于变减载率的光伏发电参与电网调频控制策略[J].电工技 术学报, 2019, 34(05): 127-138.
[25]Peng Q, Yang Y, Liu T, et al. Coordination of Virtual Inertia Control and Frequency Damping in PV Systems for Optimal Frequency Support[J] . CPSS Transactions on Power Electronics and Applications, 2020, 5(4): 305-306.
[26]贾祺,严干贵,张善峰,等.多光伏发电参与电网频率调节的动态协调机理[J].电力 系统自动化, 2019, 43(24): 59-66.
[27]陆剑峰,邹鑫,牟晓春.基于光伏电站的一次调频控制系统设计[J].电力电子技术, 2021, 55(09): 90-92+102.
[28]C. Zhong, Y. ZhouandG. Yan. ANovel Frequency Regulation Strategy for a PV System Based on the Curtailment Power-Current Curve Tracking Algorithm[J] . IEEE Access, 2020, 8: 77701-77715.
[29]Liao S, Xu J, SunY, etal. Wide-Area Measurement System-based Online Calculation Method of PV Systems De-Loaded Margin for Frequency Regulation in Isolated Power
44
Systems[J]. IET Renewable Power Generation, 2018, 12(3): 335-341.
[30]孙冰莹,杨水丽,刘宗歧,等.国内外兆瓦级储能调频示范应用现状分析与启示J].电 力系统自动化, 2017, 41(11): 8-16+38.
[31]刘畅,徐玉杰,张静,等.储能经济性研究进展[J].储能科学与技术,2017, 6(05): 1084-1093.
[32]李欣然,崔曦文,黄际元,等.电池储能电源参与电网一次调频的自适应控制策略[J].电 工技术学报, 2019, 34(18): 3897-3908.
[33]LIY, HE L, LIU F, et al. Flexible Voltage Control Strategy Considering Distributed Energy Storages for DC Distribution Network[J]. IEEE Transactions on Smart Grid, 2019, 10(1): 163-172.
[34]SUNM, MINY, CHEN L, et al. Optimal Auxiliary Frequency Control of Wind Turbine Generator and Coordination with Synchronous Generator[J]. CSEE Journal of Power and Energy Systems, 2021, 7(1): 78-85.
[35]丁勇,华新强,蒋顺平,等.大容量电池储能系统一次调频控制策略J].电力电子技 术, 2020, 54(11): 38-41, 46.
[36]颜湘武,崔森,常文斐.考虑储能自适应调节的双馈感应发电机一次调频控制策略[J].电 工技术学报, 2021, 36(5): 1027-1039.
[37]邓霞,孙威,肖海伟.储能电池参与一次调频的综合控制方法[J].高电压技术,2018, 44(4): 1157-1165.
[3 8 ] Li Jianwei , Xiong Rui , Yang Qingqing , etal. Design/Test of A Hybrid Energy Storage System for Primary Frequency Control Using A Dynamic Droop Method in An Isolated Microgrid Power System[J]. Applied Energy, 2017, 201(1): 257-269.
[39]黄际元,李欣然,常敏,等.考虑储能电池参与一次调频技术经济模型的容量配置方 法[J].电工技术学报,2017, 32(21): 112-121.
[40]牛阳,张峰,张辉,等.提升火电机组AGC性能的混合储能优化控制与容量规划[J].电 力系统自动化, 2016, 40(10): 38-45+83.
[41]宋鹏,崔阳,葛俊,等.风电虚拟同步发电机主动调频性能实测验证与优化J].太阳 能学报, 2021, 42(01): 264-271.
[42]文凌锋,党广宇,田伟,等•基于多时间尺度风储协同的微电网能量管理策略研究[J].电 力工程技术, 2018, 37(03): 123-128.
[43]刘吉臻,姚琪,柳玉,等.风火联合调度的风电场一次调频控制策略研究[J].中国电 机工程学报, 2017, 37(12): 3462-3469+3674.
[44]颜湘武,孙雪薇,崔森,等.基于转子动能与超级电容器储能的双馈风电机组惯量和 一次调频改进控制策略[J].电工技术学报,2021, 36(1): 179-190.
[45]林岩,张建成.含虚拟同步发电机的光/柴/储独立微网控制策略[J].电网技术,2017,
45
41(04): 1277-1284.
[46]Ji Han, Shihong Miao, Zhe Chen, etal. Multi-View Clustering and Discrete Consensus Based Tri-Level Coordinated Control of Wind Farm and Adiabatic Compressed Air Energy Storage for Providing Frequency Regulation Service[J]. Applied Energy, 2021, 304(15).
[47]孙骁强,刘鑫,程林,等.基于多调频资源协调控制的西北送端大电网新能源快速频 率响应参数设置方案[J].电网技术,2019, 43(05): 1760-1765.
[48]T. Hiranaka, H. Shim, T. Namerikawa. SoC Regulator and DOB-Based Load Frequency Control of a Microgrid by Coordination of Diesel Generator and Battery Storage[C]//IEEE Conference on Control Application(CCA). Buenos Aires, 2016: 64-69.
[49]曲彤.基于风储火联合调频的控制策略与储能容量优化[D].山西大学,2019.
[50]张雪娟,束洪春,孙士云,等.双馈风机参与系统调频对系统暂态功角稳定性的影响 分析[J].电力系统保护与控制,2021, 49(02): 18-29.
[51]郭航辰.基于电导增量法的光伏MPPT控制策略研究[D].西安科技大学,2020.
[52]沈琦.光伏发电系统控制策略及并网的研究[D].内蒙古科技学,2021.
[53]朱梓嘉,肖辉,赵帅旗,等.基于并行组合进化算法的光伏阵列最大功率点追踪[J].电 力系统保护与控制, 2020, 48(04): 1-10.
[54]WatkinsJCH, DayanP. Q-Learning[J]. Machine Leaning, 1992, 8(3-4): 279-292.
[55]KarS, Moura J M F, PoorHV. QD-Learning: a collaborative distributed strategy for Multi-Agent Reinforcement Learning Through Consensus Innovations[J] . IEEE Transactions on Signal Processing, 2013, 61(7): 1848-1862.
[56]卫志农,缪新民,王华伟,等.基于 PSCAD-MATLAB 联合调用的高压直流控制系统 参数优化[J].高电压技术,2014, 40(08): 2449-2455.
[57]刘洋,邵广惠,张弘鹏,等.新能源参与系统一次调频分析及参数设置[J].电网技术, 2020, 44(02): 683-689.
[58]余涛,王宇名,刘前进.互联电网CPS调节指令动态最优分配Q-学习算法[J].中国电 机工程学报, 2010, 30(07): 62-69.
[59]张孝顺,李清,余涛,等.基于协同一致性迁移Q学习算法的虚拟发电部落AGC功 率动态分配[J].中国电机工程学报,2017, 37(05): 1455-1467.
[60]宋兴荣,吴晋波,杨志学,等.基于多目标粒子群算法的风光水火多源AGC协调优化 方法[J/OL].重庆大学学报:1-13.
[61]史峰,王辉,郁磊,等. MATLAB智能算法30个案例分析[M].北京:北京航空航天 大学出版社, 2011: 1-4.
[62]沃克.风一储调频系统的控制与容量配置策略研究[D].山东大学,2020.
[63]W. Deshun, Z. Yumeng, T. Qiong, etal. Research on Planning and Configuration of Multi-Objective Energy Storage System Solved by Improved Ant Colony
46
Algorithm[C]//2018 China International Conference on Electricity Distribution(CICED). China, 2018: 2279-2283.
[64]苏小林,谭逸雪,阎晓霞,等.提高风电并网系统低电压穿越能力 SMES-FCL 容量优 化[J].南方电网技术,2018, 12(08): 30-36.
[65]A. w, Ibrahim . PV Maximum Power-Point Tracking Using Modified Particle Swarm Optimization Under Partial Shading Conditions[J] . Chinese Journal of Electrical Engineering, 2020, 6(4): 106-121 .
[66]J. H. Lee, J. Kim, J. Song, etal.Distance-Based Intelligent Particle Swarm Optimization for Optimal Design of Permanent Magnet Synchronous Machine[J]. IEEE Transactions on Magnetics, 2017, 53(6)1-4.
【本文地址:https://www.xueshulunwenwang.com//shuoshilunwenzhuanti/dianlixitongjiqizidonghua/5266.html

上一篇:计及源-荷不确定性和需求响应的用户侧综合 能源系统区间规划研究

下一篇:没有了

相关标签: