一种极端天气下风-储系统的预测平抑控制方法

1.本发明属于风-储协调控制领域，具体涉及一种极端天气下风-储系统的预测平抑控制方法。


背景技术：

2.在双碳背景下，为保证电网的安全稳定运行和高质量发展，以及新型电力系统的发展要求，新能源有效消纳并对主网运行不构成威胁隐患已成为了迫在眉睫的问题，而储能单元的合理搭配将是消除该波动的有效手段。
3.可再生能源的利用已被纳入许多国家的发展战略中，各国相继制定了超前的可再生能源发展目标，大规模的可再生能源系统被并入传统电网中。风电被视为最为成熟的可再生能源技术，在当今的电力系统中占有较大比重。由于驱动风机转动的风速具有随机性、间歇性等特点，风电机组的运行控制方式与传统的同步发电机明显不同。在风电大规模接入的背景下，极端天气事件导致停电的频率和严重程度都有所增加，给人民和经济造成了巨大的损失。为了推动电网发展从被动抗灾到主动防灾，有必要针对区域电力系统内可能的特殊多发气候灾害，提出极端天气导致的风电功率陡降事件预防方案。


技术实现要素：

4.本发明的目的是针对现有技术存在的上述问题，提供一种通过储能系统的最优充、放电管理有效平抑风电场功率输出的风-储系统的预测平抑控制方法。
5.为实现以上目的，本发明的技术方案如下：
6.一种极端天气下风-储系统的预测平抑控制方法，依次包括以下步骤：
7.步骤a、将采集的目标风电场nwp数据和风电机组信息作为训练样本输入os-elm网络模型中训练，并预测得到预测时域范围内的风电功率；
8.步骤b、基于预测时域范围内的风电功率构建mpc优化模型，其中，所述mpc优化模型以预测时域范围内风-储系统的输出与其给定值之间的跟随误差最小为优化目标；
9.步骤c、求解mpc优化模型，得到预测时域范围内各预测控制周期的储能系统最优充、放电策略，并采用第一个预测控制周期的最优策略指导储能系统进行充、放电。
10.步骤b中，所述mpc优化模型的目标函数为：
[0011][0012]
上式中，分别为第t个预测控制周期储能系统的充、放电功率，分别为第t个预测控制周期储能系统的充、放电功率，分别为表征第t个预测控制周期储能充、放电状态的0-1变量，w为预测时域范围内的预测控制周期数量，为第t个预测控制周期的风电功率预测值，为第t个预测控制周期风-储系统的聚合功率输出给定值。
[0013]
所述mpc优化模型的约束条件包括：
[0014][0015][0016][0017][0018][0019]
上式中，为储能的额定功率，e
b，t
为储能系统能量，α为储能的自放电系数，ηc、ηd分别为充、放电效率，δt为预测控制周期的时长，为储能的额定能量。
[0020]
所述步骤a依次包括以下步骤：
[0021]
步骤a1、将采集的目标风电场nwp数据和风电机组信息作为初始训练样本输入os-elm网络模型，求得隐含层初始输出矩阵h0和输出层初始权值矩阵β0；
[0022]
步骤a2、根据最近批次的样本数据序贯更新隐含层输出矩阵h和输出层权值矩阵β；
[0023]
步骤a3、基于更新后的h和β预测得到预测时域范围内的风电功率。
[0024]
步骤a1中，所述h0、β0根据以下公式计算得到：
[0025]
h0β0＝t0[0026][0027][0028][0029][0030]
上式中，t0为输出层初始输出矩阵，a1为第1个隐藏层神经元与输入层之间的权值，为隐含层神经元数量，b1为第1个隐藏层神经元的阈值，x1为第1个输入样本向量，n为输入样本数量，g(x)为激活函数，为第1个隐藏层神经元与输出层之间的权值向量的转置，为第1个输出向量的转置，m为1个输出向量中的元素数量，k0为初值增益矩阵；
[0031]
所述步骤a2基于下列公式序贯更新隐含层输出矩阵h和输出层权值矩阵β：
[0032][0033][0034]
上式中，β
k+1
为k+1次更新的输出层权值矩阵，h
k+1
为k+1次更新的隐含层输出矩阵，
t
k+1
为k+1次更新的输出层输出矩阵，为k次更新的增益矩阵并求逆，i为单位矩阵。
[0035]
所述训练样本还包括风速指示变量其采用以下公式计算得到：
[0036][0037]
上式中，vw为风速，为截至风速。所述目标风电场nwp数据包括气压、温度、风速、风向。
[0038]
所述方法还包括：
[0039]
步骤d、采集新的目标风电场nwp数据和风电机组信息后返回步骤a2，以进行下一个预测控制周期的储能系统充、放电优化，如此反复。
[0040]
与现有技术相比，本发明的有益效果为：
[0041]
本发明一种极端天气下风-储系统的预测平抑控制方法先将采集的目标风电场nwp数据和风电机组信息作为训练样本输入os-elm网络模型中训练，并得到预测时域范围内的风电功率预测值，再基于预测时域范围内的风电功率预测值构建mpc优化模型，最后求解mpc优化模型，得到预测时域范围内储能系统的最优充、放电策略，该方法融合了机器学习算法与模型预测控制方法(mpc)，由基于在线序贯极限学习机(os-elm)的预测模型提供预测时域范围的风电功率预测值，储能的充放电功率指令通过mpc进行优化，实现储能系统的快速充、放电管理，使得风-储联合系统注入电网的功率更接近给定值，从而有效平抑极端天气下风电场功率波动，同时，mpc中嵌入os-elm模型能够显著提高mpc的储能控制效果。因此，本发明不仅实现了极端天气下风电场功率波动的有效平抑，而且提高了mpc的储能控制效果。
附图说明
[0042]
图1为实施例1中8100-8200小时间的风电场功率和风速图。
[0043]
图2为实施例1中os-elm网络的深度学习框架。
[0044]
图3为实施例1中os-elm网络模型预测得到的8100-8200小时间风电功率与实测值的对比图。
[0045]
图4为实施例1得到的最优充、放电策略下风-储系统的聚合功率输出、储能系统的功率与能量图。
[0046]
图5为持续模型预测方法预测得到的风电功率与实测值的对比图。
[0047]
图6为mpc利用持续模型预测风电功率的风-储联合平抑效果图。
具体实施方式
[0048]
下面结合说明书附图和具体实施方式对本发明作进一步详细的说明。
[0049]
一种极端天气下风-储系统的预测平抑控制方法，依次包括以下步骤：
[0050]
步骤a、将采集的目标风电场nwp数据和风电机组信息作为训练样本输入0s-elm网络模型中训练，并预测得到预测时域范围内的风电功率；
[0051]
步骤b、基于预测时域范围内的风电功率构建mpc优化模型，其中，所述mpc优化模型以预测时域范围内风-储系统的输出与其给定值之间的跟随误差最小为优化目标；
[0052]
步骤c、求解mpc优化模型，得到预测时域范围内各预测控制周期的储能系统最优充、放电策略，并采用第一个预测控制周期的最优策略指导储能系统进行充、放电。
[0053]
步骤b中，所述mpc优化模型的目标函数为：
[0054][0055]
上式中，分别为第t个预测控制周期储能系统的充、放电功率，分别为第t个预测控制周期储能系统的充、放电功率，分别为表征第t个预测控制周期储能充、放电状态的0-1变量，w为预测时域范围内的预测控制周期数量，为第t个预测控制周期的风电功率预测值，为第t个预测控制周期风-储系统的聚合功率输出给定值。
[0056]
所述mpc优化模型的约束条件包括：
[0057][0058][0059][0060][0061][0062]
上式中，为储能的额定功率，e
b，t
为储能系统能量，α为储能的自放电系数，ηc、ηd分别为充、放电效率，δt为预测控制周期的时长，为储能的额定能量。
[0063]
所述步骤a依次包括以下步骤：
[0064]
步骤a1、将采集的目标风电场nwp数据和风电机组信息作为初始训练样本输入os-elm网络模型，求得隐含层初始输出矩阵h0和输出层初始权值矩阵β0；
[0065]
步骤a2、根据最近批次的样本数据序贯更新隐含层输出矩阵h和输出层权值矩阵β；
[0066]
步骤a3、基于更新后的h和β预测得到预测时域范围内的风电功率。
[0067]
步骤a1中，所述h0、β0根据以下公式计算得到：
[0068]
h0β0＝t0[0069][0070]
[0071][0072][0073]
上式中，t0为输出层初始输出矩阵，a1为第1个隐藏层神经元与输入层之间的权值，为隐含层神经元数量，b1为第1个隐藏层神经元的阈值，x1为第1个输入样本向量，n为输入样本数量，g(x)为激活函数，为第1个隐藏层神经元与输出层之间的权值向量的转置，为第1个输出向量的转置，m为1个输出向量中的元素数量，k0为初值增益矩阵；
[0074]
所述步骤a2基于下列公式序贯更新隐含层输出矩阵h和输出层权值矩阵β：
[0075][0076][0077]
上式中，β
k+1
为k+1次更新的输出层权值矩阵，h
k+1
为k+1次更新的隐含层输出矩阵，t
k+1
为k+1次更新的输出层输出矩阵，为k次更新的增益矩阵并求逆，i为单位矩阵。
[0078]
所述训练样本还包括风速指示变量其采用以下公式计算得到：
[0079][0080]
上式中，vw为风速，为截至风速。
[0081]
所述方法还包括：
[0082]
步骤d、采集新的目标风电场nwp数据和风电机组信息后返回步骤a2，以进行下一个预测控制周期的储能系统充、放电优化，如此反复。
[0083]
本发明的原理说明如下：
[0084]
本发明提出了一种极端天气下风-储系统的预测平抑控制方法，通过储能系统的最优充、放电管理，有效平抑风电场功率输出，同时保证储能系统的安全运行。该控制方法基于模型预测控制(model predictive control，mpc)策略，通过构建优化问题模型计算未来一段时间范围内储能系统的最优出力，使风-储系统功率输出最大限度地跟随给定值，且mpc框架内融合了基于在线序贯极限学习机(online-sequential extreme learning machine，os-elm)的机器学习算法实现极端天气情况下风电场输出功率的预测，该机器学习算法的训练与预测速度快，适用于风-储系统的实时优化运行，且新获得的历史数据可用于在线调整预测模型权重，无需重新训练，极大的节省了训练时间。同时，该算法具有较高的风电爬坡事件预测能力，风电场功率波动平抑效果明显。
[0085]
风速指示变量：本发明通过构建nwp风速的指示函数，并作为os-elm模型的特征输入，使得该模型能更好的捕捉因高风速(如风暴天气)引起的风电场功率陡降，同时结合mpc实现储能的充放电管理，在长时间尺度上能够预先对储能进行充电，保证极端天气下风-储系统的输出仍靠近给定值。
[0086]
实施例1：
[0087]
一种极端天气下风-储系统的预测平抑控制方法，依次按照以下步骤进行：
[0088]
1、采集目标风电场nwp数据、风电机组信息以及风速指示变量数据，其中，所述目标风电场nwp数据包括气压、温度、风速、风向，所述风速指示变量采用以下公式计算得到：
[0089][0090]
上式中，vw为风速，为截至风速；
[0091]
本实施例中风电场nwp数据从美国德州东南部的海上风电场搜集，风电场包含32个相同的ge 1.5mw风机，该风机的转子直径82.5m，塔架高度80m，截至风速为20m/s；
[0092]
由目标风电场的nwp数据和功率运行曲线，仿真得到一年内风电场功率变化，在8100-8200小时间出现了2次极端天气情况，风电场遭受风暴袭击，风机叶片处风速超过截至风速，风电场被迫停止运行，数小时内出力接近于0，这将对电力系统的功率平衡造成较大影响，该时段内的风电场功率和风速如图1所示；
[0093]
2、构建基于0s-elm网络的深度学习框架，如图2所示，该深度学习框架由一个输入层、一个隐含层和一个输出层组成，隐含层神经元个数为40，选择sigmod函数作为激活函数，输入层权重和隐含层阈值随机选取，输出层权值则通过最小二乘法直接计算；
[0094]
3、选择8000条数据作为初始训练样本输入0s-elm网络模型中训练，elm模型为：
[0095]
hβ＝t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0096][0097][0098][0099]
上式中，t为输出层输出矩阵，a1为第1个隐藏层神经元与输入层之间的权值，为隐含层神经元数量，b1为第1个隐藏层神经元的阈值，x1为第1个输入样本向量，n为输入样本数量，g(x)为激活函数，为第1个隐藏层神经元与输出层之间的权值向量的转置，为第1个输出向量的转置，m为1个输出向量中的元素数量，a和b在训练过程前随机选择，在训练过程中保持不变；
[0100]
β通过以下方程的最小二乘解获得：
[0101]
[0102]
解为：
[0103][0104]
其中为h的moore-penrose广义逆矩阵，适用于任何矩阵，并且唯一，当h矩阵为满秩时，其中为h的常规逆矩阵，即β可由隐藏层输出矩阵h的moore-penrose广义逆矩阵得到；
[0105]
之后将传统elm算法扩展为序贯学习算法，使其具有在线学习能力，适用于在线预测的应用场景；
[0106]
广义逆具有如下求解形式
[0107][0108]
且
[0109][0110]
式(8)为问题(5)的最小二乘解；
[0111]
假设初始的训练集n0为初始批次数据的个数，则elm的输出权重为：
[0112][0113]
式中k0为初值增益矩阵，
[0114]
当算法获得新的训练数据n1为该批次数据的个数，elm的训练需实现下式最小化：
[0115][0116]
其中h1、t1参照式4、5由数据集得到；
[0117]
考虑由组成的数据集，elm的输出权重计算为：
[0118][0119]
其中
[0120][0121]
对于序贯学习方法，需建立β1与β0的关系，省略中间推导过程，得
[0122][0123][0124]
根据上述推导过程，可得第k+1步的权值为：
[0125][0126][0127]
同理，h
k+1
、t
k+1
可由第k+1批数据获得，根据式15、16中可由下式计算：
[0128][0129][0130]
4、基于更新后的h和β预测得到预测时域范围内的风电功率，结果参见图3，该时段范围内其预测的平均相对误差在3mw内，表现出较好的预测效果；
[0131]
5、基于预测时域范围内的风电功率构建mpc优化模型，其中，所述mpc优化模型为：
[0132][0133][0134][0135][0136][0137][0138]
上式中，分别为第t个预测控制周期储能系统的充、放电功率，分别为第t个预测控制周期储能系统的充、放电功率，分别为表征第t个预测控制周期储能充、放电状态的0-1变量，w为预测时域范围内的预测控制周期数量，为第t个预测控制周期的风电功率预测值，为第t个预测控制周期风-储系统的聚合功率输出给定值，为储能的额定功率，e
b，t
为储能系统能量，初始时刻的储能容量由实际系统反馈得到，α为储能的自放电系数，ηc、ηd分别为充、放电效率，δt为预测控制周期的时长，为储能的额定能量；
[0139]
6、风-储联合系统的功率给定值为关注时段内风电场功率的平均值，储能系统的额定功率为40mw，额定能量为450mwh，充、放电效率均为85％，自放电系数为0.01％，采用yalmip求解mpc优化模型，得到预测时域范围24小时内储能系统的最优充、放电策略，基于该最优充、放电策略的风-储系统的聚合功率输出、储能系统的功率与能量如图4所示。
[0140]
为考察本发明方法的优势，将实施例1采集的数据运用基于持续模型(persistent model)的常规风电预测方法进行预测时域范围内的风电功率的预测(该模型采用当前时刻测量到的风电场功率作为优化时域范围内的风电预测值)，结果参见图5，通过将图5与图3进行对比可以看出，在出现的2次极端天气情况下，本发明所采用的os-elm网络模型能够准备捕捉风电场功率骤降，为储能系统的运行调度提供依据，而持续模型预测方法则表现出了明显的预测延时效果。
[0141]
另外，将本发明实施例1绘制的风-储系统的聚合功率输出、储能系统的功率与能量结果与mpc利用持续模型预测风电功率进行风-储联合平抑控制的结果(参见图6)进行对比，可以看出，本发明方法对风电功率波动的平抑效果明显，在2次极端天气情况下，储能系统能够快速放电(功率为正表示放电)，实现风-储联合系统的功率平衡控制，使得系统整体的功率输出更接近给定值，且在储能出力过程中，其功率与能量均运行于理想范围内；而持续模型预测方法的优化结果则难以达到理想的平抑效果。因此，本发明能有效提高mpc的储能控制效果。

技术特征：
1.一种极端天气下风-储系统的预测平抑控制方法，其特征在于：所述方法依次包括以下步骤：步骤a、将采集的目标风电场nwp数据和风电机组信息作为训练样本输入os-elm网络模型中训练，并预测得到预测时域范围内的风电功率；步骤b、基于预测时域范围内的风电功率构建mpc优化模型，其中，所述mpc优化模型以预测时域范围内风-储系统的输出与其给定值之间的跟随误差最小为优化目标；步骤c、求解mpc优化模型，得到预测时域范围内各预测控制周期的储能系统最优充、放电策略，并采用第一个预测控制周期的最优策略指导储能系统进行充、放电。2.根据权利要求1所述的一种极端天气下风-储系统的预测平抑控制方法，其特征在于：步骤b中，所述mpc优化模型的目标函数为：上式中，分别为第t个预测控制周期储能系统的充、放电功率，分别为第t个预测控制周期储能系统的充、放电功率，分别为表征第t个预测控制周期储能充、放电状态的0-1变量，w为预测时域范围内的预测控制周期数量，为第t个预测控制周期的风电功率预测值，为第t个预测控制周期风-储系统的聚合功率输出给定值。3.根据权利要求2所述的一种极端天气下风-储系统的预测平抑控制方法，其特征在于：所述mpc优化模型的约束条件包括：所述mpc优化模型的约束条件包括：所述mpc优化模型的约束条件包括：所述mpc优化模型的约束条件包括：所述mpc优化模型的约束条件包括：上式中，为储能的额定功率，e
b，t
为储能系统能量，α为储能的自放电系数，η
c
、η
d
分别为充、放电效率，δt为预测控制周期的时长，为储能的额定能量。4.根据权利要求1-3中任一项所述的一种极端天气下风-储系统的预测平抑控制方法，其特征在于：所述步骤a依次包括以下步骤：步骤a1、将采集的目标风电场nwp数据和风电机组信息作为初始训练样本输入os-elm
网络模型，求得隐含层初始输出矩阵h0和输出层初始权值矩阵β0；步骤a2、根据最近批次的样本数据序贯更新隐含层输出矩阵h和输出层权值矩阵β；步骤a3、基于更新后的h和β预测得到预测时域范围内的风电功率。5.根据权利要求4所述的一种极端天气下风-储系统的预测平抑控制方法，其特征在于：步骤a1中，所述h0、β0根据以下公式计算得到：h0β0＝t
0000
上式中，t0为输出层初始输出矩阵，a1为第1个隐藏层神经元与输入层之间的权值，为隐含层神经元数量，b1为第1个隐藏层神经元的阈值，x1为第1个输入样本向量，n为输入样本数量，g(x)为激活函数，为第1个隐藏层神经元与输出层之间的权值向量的转置，为第1个输出向量的转置，m为1个输出向量中的元素数量，k0为初值增益矩阵；所述步骤a2基于下列公式序贯更新隐含层输出矩阵h和输出层权值矩阵β：所述步骤a2基于下列公式序贯更新隐含层输出矩阵h和输出层权值矩阵β：上式中，β
k+1
为k+1次更新的输出层权值矩阵，h
k+1
为k+1次更新的隐含层输出矩阵，t
k+1
为k+1次更新的输出层输出矩阵，为k次更新的增益矩阵并求逆，i为单位矩阵。6.根据权利要求1-3中任一项所述的一种极端天气下风-储系统的预测平抑控制方法，其特征在于：所述训练样本还包括风速指示变量其采用以下公式计算得到：上式中，v
w
为风速，为截至风速。
7.根据权利要求1-3中任一项所述的一种极端天气下风-储系统的预测平抑控制方法，其特征在于：所述目标风电场nwp数据包括气压、温度、风速、风向。8.根据权利要求4所述的一种极端天气下风-储系统的预测平抑控制方法，其特征在于：所述方法还包括：步骤d、采集新的目标风电场nwp数据和风电机组信息后返回步骤a2，以进行下一个预测控制周期的储能系统充、放电优化，如此反复。

技术总结
一种极端天气下风-储系统的预测平抑控制方法，该方法先将采集的目标风电场NWP数据和风电机组信息作为训练样本输入OS-ELM网络模型中训练，并预测得到预测时域范围内的风电功率，再基于预测时域范围内的风电功率构建MPC优化模型，最后求解MPC优化模型，得到预测时域范围内储能系统的最优充、放电策略，并采用第一个预测控制周期的最优策略指导储能系统进行充、放电。本设计不仅实现了极端天气下风电场功率波动的有效平抑，而且提高了MPC的储能控制效果。控制效果。控制效果。


技术研发人员：任羽纶 严道波 杨东俊 赵红生 王博 刘巨 王枭 盘一霖 熊志 余轶
受保护的技术使用者：武汉大学
技术研发日：2021.12.13
技术公布日：2022/3/8