一种深度学习下混合储能系统参与一次调频的控制方法与流程

本发明涉及储能系统控制，尤其涉及一种深度学习下混合储能系统参与一次调频的控制方法。

背景技术：

1、随着新能源的迅速发展和电力系统规模的不断扩大，电力系统的稳定性和可靠性面临着越来越多的挑战。在电力系统中，一次调频是指通过调整发电设备的输出功率来快速响应频率偏差，以维持电网频率稳定的重要手段。然而，传统的火电和水电调频资源在响应速度和调节能力方面存在一定的局限性，难以满足现代电力系统对频率调节的高要求。

2、近年来，储能技术的发展为电力系统的频率调节提供了一种新的解决方案。储能系统具有响应速度快、调节精度高和灵活性强的特点，能够有效弥补传统调频资源的不足。储能参与电网一次调频的控制方式主要可以分为虚拟下垂出力和虚拟惯性出力，虚拟下垂出力能有效控制频率偏差，虚拟惯性出力能有效控制频率偏差变化率，因此在储能参与一次调频过程中，采用虚拟下垂出力和虚拟惯性出力相结合的控制策略，来保证储能在调频任意时刻的出力均由虚拟下垂和虚拟惯性共同构成。在目前的研究中有的采用构建的函数分配虚拟下垂和虚拟惯性的占比，有的采用模糊控制理论计算后分配虚拟下垂和虚拟惯性的占比，但前者函数构建的可靠性不高，后者依赖专家制定的模糊控制规则表。此外，在目前的研究中，储能参与电网一次调频多采用单一类型的电池储能系统，但电池储能系统循环次数较少，参与一次调频时频繁充放电会减少电池的使用寿命。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种深度学习下混合储能系统参与一次调频的控制方法，以解决目前虚拟下垂出力和虚拟惯性出力相结合的控制策略存在可靠性不高和依赖专家制定的模糊控制规则表的问题。

2、基于上述目的，本发明提供了一种深度学习下混合储能系统参与一次调频的控制方法，包括：

3、建立混合储能系统，所述混合储能系统包括电池储能系统和超级电容器储能系统；

4、获取混合储能系统的动作策略，通过下述模型控制电池储能系统和超级电容器储能系统的调频出力：

5、

6、式中：δpb(s)为电池储能系统或超级电容器储能系统的调频出力，δpb1(s)为虚拟惯性出力；δpb2(s)为虚拟下垂出力；me为虚拟惯性调频系数；ke为虚拟下垂调频系数；为电网的频率偏差变化率；δf(s)为电网的频率偏差；μ1和μ2分别为虚拟惯性出力和虚拟下垂出力的自适应因子；α1和α2分别为虚拟惯性出力和虚拟下垂出力的权重系数，且有α1+α2＝1，其中α1和α2基于深度学习算法获得；β1和β2为混合储能系统恢复时虚拟惯性出力和虚拟下垂出力的反馈系数。

7、可选的，所述混合储能系统的动作策略包括：

8、在socc≥socclow时，此时仅超级电容器储能系统动作；在soccmin≤socc＜socclow时且socb≥socbmin时，此时超级电容器储能系统和电池储能系统都动作；在soccmin≤socc＜socclow时且socb＜socbmin时，此时仅超级电容器储能系统动作；在socc＜soccmin且socb≥socbmin时，此时仅电池储能系统动作；在socc＜soccmin且socb＜socbmin时，此时超级电容器储能系统和电池储能系统都不动作；

9、其中socb和socc分别为电池储能系统和超级电容器储能系统的荷电状态；socbmin为电池储能系统的荷电状态的最小值；soccmin和socclow分别为超级电容器储能系统的荷电状态的最小值和较小值。

10、可选的，所述me＝ke，所述ke包括充电虚拟下垂调频系数kc1和放电虚拟下垂调频系数kd1，所述kc1和kd1通过下述的一次函数构建的线性约束关系获得：

11、

12、其中，smin，slow，shigh，smax分别为混合储能系统的soc的最小值0.1，较小值0.45，较大值0.55和最大值0.9，ke,max的取值为20。

13、可选的，所述一次函数构建的线性约束关系通过回归函数进行替换，替换后的kc1和kd1分别用kc2和kd2表示，替换后的计算公式如下：

14、

15、可选的，所述β1和β2通过如下算式计算获得：

16、

17、本方法在控制虚拟惯性出力和虚拟下垂出力的占比时，通过虚拟惯性出力与虚拟下垂出力的自适应因子、虚拟惯性调频系数与虚拟下垂调频系数共同决定，其中自适应因子中的权重系数通过深度学习算法获得，适用于非线性时变系统，可靠性高，不依赖专家制定的模糊控制规则表，从而整体上解决了目前虚拟下垂出力和虚拟惯性出力相结合的控制策略存在可靠性不高和依赖专家制定的模糊控制规则表的问题。

技术特征：

1.一种深度学习下混合储能系统参与一次调频的控制方法，其特征在于，包括：

2.根据权利要求1所述的一种深度学习下混合储能系统参与一次调频的控制方法，其特征在于，所述混合储能系统的动作策略包括：

3.根据权利要求1所述的一种深度学习下混合储能系统参与一次调频的控制方法，其特征在于，所述me＝ke，所述ke包括充电虚拟下垂调频系数kc1和放电虚拟下垂调频系数kd1，所述kc1和kd1通过下述的一次函数构建的线性约束关系获得：

4.根据权利要求3所述的一种深度学习下混合储能系统参与一次调频的控制方法，其特征在于，所述一次函数构建的线性约束关系通过回归函数进行替换，替换后的kc1和kd1分别用kc2和kd2表示，替换后的计算公式如下：

5.根据权利要求4所述的一种深度学习下混合储能系统参与一次调频的控制方法，其特征在于，所述β1和β2通过如下算式计算获得：

技术总结
本发明涉及储能系统控制技术领域，具体涉及一种深度学习下混合储能系统参与一次调频的控制方法，包括建立混合储能系统，所述混合储能系统包括电池储能系统和超级电容器储能系统；获取混合储能系统的动作策略，通过模型控制电池储能系统和超级电容器储能系统的调频出力。本发明通过虚拟惯性出力与虚拟下垂出力的自适应因子、虚拟惯性调频系数与虚拟下垂调频系数共同决定，其中自适应因子中的权重系数通过深度学习算法获得，适用于非线性时变系统，可靠性高。

技术研发人员：朱广帅,徐通,葛愿,仇前生,吴新龙,彭鹏,承楠,刘舜,白永超,刘翔
受保护的技术使用者：国网安徽省电力有限公司芜湖市繁昌区供电公司
技术研发日：
技术公布日：2025/3/18