一种考虑风电预测和液态空气储能的风储系统多目标优化运行方法

：
1.本发明涉及一种风电储能系统，尤其是涉及一种风电抑波的液态空气储能系统优化运行方法。


背景技术：

2.由于当今环境日益得到政府和机构的重视，可再生能源的开发利用成为专家和学者的关注热点，发展可再生能源甚至已经成为世界各国的战略性选择。风能作为具有代表性的可再生能源之一，风能由于分布范围广、无污染、能量大而具有非常大的发展前景，但是由于风电具有间歇性等特性，会对电网造成电压波动和谐波污染等负面影响，储能是解决大规模风电并网问题的重要方式。随着装机容量不断增加，大规模储能技术对于电能质量的改善以及系统稳定性的提高具有强大的功效和无法忽视的作用。目前可行的大规模储能技术包括抽水蓄能、蓄电池以及压缩空气储能等，储能技术经过多年发展，已经实现了商业化。
3.液态空气储能技术是一种新型大规模储能技术，系统流程较为简单，系统所需的设备可以直接采用现有技术成熟的设备，以随处可见并且容易获取的空气为储能介质，经过压缩、冷却并且液化后的空气能量密度高，与此同时，液态空气储能系统中储能过程与释能过程相对独立，可以根据需求进行灵活调整，并且该系统具有维护简单、储能效率高、存储容量大、对地理条件要求不苛刻和运行寿命长等特点，因此液态空气储能系统在具有间歇性的可再生能源和分布式能源等相关领域拥有的应用前景值得期待，可以为风能高效安全利用提供新的解决方案。
4.目前针对风储系统的优化运行策略，虽然可以有效缓解风电波动剧烈的问题，但是储能系统可能有储能状态过高或者过低从而出现死区现象的问题，会严重影响储能系统平抑风电波动的性能，本发明提供了一种根据液态空气储能系统的储能状态调整约束条件的方法，可以有效防止储能系统的过充过放。


技术实现要素：

5.本发明为了解决上述问题而提出了一种通过对液态空气储能系统的出力进行功率规划的控制策略来平抑风电功率波动，根据液态空气储能系统的储能状态，通过模糊控制器对液态空气储能系统的充放电功率进行调整，使并网功率波动达到风电并网规范要求。
6.本发明可通过下述技术方案实现：
7.一种考虑储能状态分布的风电
‑
液态空气储能联合系统优化运行方法，包括以下步骤：
8.s1、利用风电预测系统对未来风电进行预测
9.s2、确定包含液态空气储能系统、风机以及能量管理系统的风储联合系统模型。
10.所述模型中，风储系统通过联络线和电网相连，并且以此传递能量。读取当前风电功率p
w
(t)、当前储能系统的储能状态soc(t)、上一周期的并网功率p
g
(t
‑
1)以及下一周期的风电预测值p
w
(t+1)
11.本周期并网功率p
g
(t)可以通过本周期风电功率p
w
(t)和本周期液态空气储能系统充放电功率 p
laes
(t)计算得出，即：
12.p
g
(t)＝p
w
(t)
‑
p
laes
(t)
13.液态空气储能系统储能(充电)过程主要通过风机和压缩机进行，风机将风能转化为电能，风机产生的电能带动压缩机运行，压缩机将空气压缩进入液态空气储能系统，压缩机的功率可以记作p
c
；
14.液态空气储能系统的释能(放电)过程主要通过透平机进行，储液罐释放经过压缩液化后的液态空气，液态空气受热膨胀做功，从而带动透平完成释能的过程，透平机的功率可以记作：p
t
。
15.当液态空气储能系统处于储能状态时，p
laes
(t)>0，此时，p
c
＝p
laes
(t)
16.当液态空气储能系统处于释能状态时，p
laes
(t)<0，此时，p
t
＝
‑
p
laes
(t)
17.储能过程中，压缩机功率、透平机的功率均与空气质量流率相关，即：可以通过根据储能、释能需求来调整液态空气储能系统的空气质量流率。
18.风储系统完成本周期储能或者释能动作后，储能系统储能状态soc(t+1)根据液态空气储能系统储液罐中液态空气的质量变化进行计算，而储液罐中的液态空气质量变化量可以根据上述公式计算得出：
19.soc(t+1)＝soc(t)+δsoc(t)
20.其中
[0021][0022]
其中，δm为液态空气储能系统储液罐中液态空气质量的变化量，m(max)为液态空气储能系统储液罐最大容量。
[0023]
s3、基于s1的预测结果和s2的系统模型确定平抑风电波动性的优化模型
[0024]
所述优化模型利用并网功率波动、液态空气储能系统的储能状态、液态空气储能系统出力以及未来液态空气储能系统的预测储能状态进行评估，引入风电波动、预期风电波动、液态空气储能系统的出力和未来风电出力影响作为优化目标并且引入约束条件,设优化变量为：
[0025]
u＝p
laes
(t)
[0026]
优化目标考虑并网功率波动、预期风电波动、液态空气储能系统的出力以及储能状态soc，可以具体表示为：
[0027]
j＝a1·
j1+a2·
j2+a3·
j3+a4·
j4[0028]
其中，j1表示并网功率波动，j2表示预期风电波动，j3表示储能状态soc，j4表示液态空气储能系统出力，具体表达式如下所示：
[0029][0030]
约束条件包括液态空气储能系统储能、释能功率约束以及液态空气储能系统储能状态约束，如下所示：
[0031][0032]
其中p
c,max
、p
t,max
分别为液态空气储能系统中压缩机和透平的最大功率，k1和k2根据soc进行调整，k1＝1和k2＝1时，储能系统处于最佳状态，此时充放电能力最强，当k1和k2降低时，储能系统充放电能力下降，以此来防止储能系统过充过放，可以减小储能系统的运行损耗。
[0033]
s4、根据目标函数和约束条件对风储抑波系统优化模型进行求解，输出控制策略。
[0034]
本发明采用神经网络技术进行风电预测，并且建立了以并网功率波动和液态空气储能系统的储能状态为目标函数的优化模型，并且约束条件充分考虑了液态空气储能系统的充放电功率约束和储能状态限制，制定液态空气储能系统的控制策略。该发明可以有效增强风电并网稳定性可可控性，从而可以进一步解决风电并网的一系列问题。
附图说明：
[0035]
为了更清楚地说明本发明实施例或现有技术，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据附图获得其他的附图。
[0036]
图1是本发明实施例提供的一种考虑风电预测和液态空气储能的风储系统多目标优化运行方法流程示意图；
[0037]
图2是本发明实施例提供的一种含液态空气储能的风储系统中能源转换关系示意图；
[0038]
图3是本发明实施例提供的一种含液态空气储能的风储系统原理示意图；
[0039]
图4是本发明实施例提供的一种含液态空气储能的风储系统示意图；
[0040]
图5是本发明实施例提供的一种含液态空气储能的风储系统信息流示意图。
具体实施方式：
[0041]
以下结合说明书附图对本发明做出进一步详细解释说明，需要指出的是，以下仅仅是以较佳实施例对本发明进行了详细说明，本领域技术人员的任何对本发明的技术方案的修改以及等同替换，均包含在本技术的技术方案所要求保护的范围之内。
[0042]
为了削弱风电功率的波动，本发明将液态空气储能系统接入风电场，构成风储联合系统。为了保证风储联合系统发电功率波动平滑的性能，本发明提出了一种考虑液态空气储能系统储能状态的风储联合系统发电功率波动平抑策略。
[0043]
接下来详细描述本发明的实施例，实施例的示意图将在附图中展现，其中从头到尾相同或者相似的符号以及标识符均表示相同或者相似的元件或者拥有相同或者相似功能的元件。通过参考附图描述的实施是示例性的，目的在于解释本发明，而不能理解为对本发明的限制。
[0044]
s1、利用风电预测系统对未来风电进行预测
[0045]
其中：
[0046]
s11：选取风电场实际历史数据为样本集d，待预测时区的风电为预测集t，构建训练和预测样本；
[0047]
s12：确定神经网络结构，初始化bp神经网络权值阈值长度；
[0048]
s13：编码：对初始值编码；
[0049]
s14：选择：通过轮盘赌法，从种群中挑选适应度较好的个体，再构成新的种群；
[0050]
s15：交叉：按照一定概率将种群中挑选出来的两个个体进行交叉得到新个体；
[0051]
s16：变异：按照一定概率将种群中随机挑选出来的个体进行变异操作，得到新的个体；
[0052]
s17：计算适应度：根据个体得到bp神经网络的初始权值和阈值，利用风电场历史数据制作的训练集训练bp神经网络后，对未来风电进行预测，把预测值和实际值进行对比，将两者绝对误差作个体适应度f (计算适应度)
[0053]
s2、确定包含液态空气储能系统、风机以及能量管理系统的风储联合系统模型。
[0054]
如图1所示，风电场和液态空气储能系统耦合的风储联合系统接入电网的结构图，整体系统主要由风电场、液态空气储能系统和能量管理中心构成。能量管理中心收集风电预测信息、历史并网功率信息以及储能系统储能状态信息，再依据收集到的新型进行储能系统能量管理。图中，上一周期的并网功率为 p
g
(t
‑
1)，当前并网功率p
w
(t)，充放电功率p
laes
(t)，历史风电数据和储能状态soc(t)。
[0055]
其中并网功率由风电功率和液态空气储能系统功率组成，储能系统充电时为正值，放电时为负值，具体关系如下所示：
[0056]
p
g
(t)＝p
w
(t)
‑
p
laes
(t)
[0057]
液态空气储能系统协调风电场出力，能量管理中心通过收集各项数据来对储能系统的参考输出功率进行实时调整。
[0058]
液态空气储能系统储能(充电)过程主要通过风机和压缩机进行，风机将风能转化为电能，风机产生的电能带动压缩机运行，压缩机将空气压缩进入液态空气储能系统，压缩机的功率可以记作p
c
；
[0059]
液态空气储能系统的释能(放电)过程主要通过透平机进行，储液罐释放经过压缩液化后的液态空气，液态空气受热膨胀做功，从而带动透平完成释能的过程，透平机的功率可以记作：p
t
。
[0060]
a)当plaes>0时，液态空气储能系统进行储能(充电)过程，主要通过风机和压缩机进行，风机将风能转化为电能，风机产生的电能带动压缩机运行，压缩机将空气压缩进入液态空气储能系统，压缩机的功率可表示为：
[0061]
[0062]
b)当plaes<0时，液态空气储能系统处于释能(放电)过程，主要通过透平机进行，储液罐释放经过压缩液化后的液态空气，液态空气受热膨胀做功，从而带动透平完成释能的过程，透平机的功率可以表示为：
[0063][0064]
式中，代表进入液态空气储能系统的空气质量流率，r
m
表示干燥空气比常数，η
c
是压缩机等熵效率，β
c
是压力比，η
t
是透平等熵效率，β
t
是膨胀比，k是比热比，p
c
是压缩机功率，p
t
是透平输出功率。
[0065]
当液态空气储能系统处于储能状态时，p
laes
(t)>0，此时，p
c
＝p
laes
(t)
[0066][0067][0068]
式中y表示液态空气储能系统的空气液化率，也可以理解为液态空气产率，为进入空气储能系统储液罐的液态空气质量流率。
[0069]
当液态空气储能系统处于释能状态时，p
laes
(t)<0，此时p
t
＝
‑
p
laes
(t)
[0070][0071][0072]
风储系统完成本周期动作后，储能系统储能状态soc(t+1)根据液态空气储能系统储液罐中液态空气的质量变化进行计算，而储液罐中的液态空气质量变化量可以根据上述公式计算得出：
[0073]
soc(t+1)＝soc(t)+δsoc(t)
[0074]
其中储能状态soc可用液态空气储能系统储液罐中的液态空气质量来表示，即：
[0075][0076][0077]
其中，δm为液态空气储能系统储液罐中液态空气质量的变化量，m(max)为液态空气储能系统储液罐最大容量。
[0078]
s3、基于s1的预测结果和s2的系统模型确定平抑风电波动性的优化模型
[0079]
所述优化模型利用并网功率波动、液态空气储能系统的储能状态、液态空气储能系统出力以及未来液态空气储能系统的预测储能状态进行评估，引入风电波动、预期风电波动、液态空气储能系统的出力和未来风电出力影响作为优化目标并且引入约束条件,设优化变量为：
[0080]
u＝p
laes
(t)
[0081]
引入风电波动、预期风电波动、液态空气储能系统的出力和未来风电出力影响作为优化目标并且设置约束条件。
[0082]
优化目标可以具体表示为：
[0083]
j＝a1·
j1+a2·
j2+a3·
j3+a4·
j4[0084]
其中，j1表示风电波动，j2表示预期风电波动量，该值越大，那么未来对储能的需求越强，成本会因此而增加，j3表示储能状态soc，该j4表示液态空气储能系统出力，该值越大，经过储能系统损耗的能量越高，系统成本越高，具体表达式如下所示：
[0085][0086]
其中，n为平滑窗口的区间长度。
[0087]
基于压缩机和透平机的功率限制，液态空气储能系统的储能/释能约束如下：
[0088][0089]
该步骤中k1和k2为储能系统充放电功率调整系数，通过判断soc的值来对储能系统充放电功率进行调整。
[0090]
s4、根据目标函数和约束条件对风储抑波系统优化模型进行求解，输出控制策略。
[0091]
本发明采用神经网络技术进行风电预测，并且建立了以并网功率波动和液态空气储能系统的储能状态为目标函数的优化模型，并且约束条件充分考虑了液态空气储能系统的充放电功率约束和储能状态限制，制定液态空气储能系统的控制策略。该发明可以有效增强风电并网稳定性可可控性，从而可以进一步解决风电并网的一系列问题。
[0092]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。