基于预测的风电功率平抑控制方法

基于预测的风电功率平抑控制方法

阎睿,李凯

(西安科技大学 电气与控制工程学院，陕西 西安 710054)

摘要：受风速随机变化的影响，风电输出功率具有波动性。为了平抑风电输出功率的波动，在配置电池储能系统的基础上，文中基于风电短期平均功率预测技术，以风电时间周期T的平均功率为对象，采用时间序列法进行预测，实时滚动预测未来每个时间周期T的平均功率，结合平抑度要求和电池荷电状态限制条件，控制并网功率在每个时间周期T都保持在平均功率附近的可接受范围内，分段平抑功率波动。其中，根据电网对风电功率波动的可接受程度，设置平抑度，为防止电池过充放电，对电池SOC进行限制。最后以某风电场的实际历史数据为例，在Matlab中进行了仿真分析，验证了所述方法的有效性。

关键词：风电；功率波动；短期平均功率预测；电池储能系统；分段平抑

DOI:10.13800/j.cnki.xakjdxxb.2015.0221

文章编号：1672-9315(2015)02-0259-05

收稿日期：*2014-11-25责任编辑：高佳

通讯作者：阎睿(1991-)，女，陕西西安人，硕士研究生，E-mail:790144926@qq.com

中图分类号：TM 74文献标志码： A

A leveling control method for wind power based on forecasting

YAN Rui,LI Kai

(CollegeofElectricalandControlEngineering,Xi’anUniversityofScienceandTechnology,Xi’an710054,China)

Abstract:Influenced by the random variations of wind speed，the output power of wind power has fluctuations.In order to stabilize the output power fluctuation of wind power with the condition that battery energy storage system(BESS)has been installed，this paper uses average power in time period T as the object to establish the ARMA model based on short-term average power prediction，then the future average power in each time period T can be acquired by real-time rolling forecast，combining with the requirement of smoothness and the limiting condition of state of charge(SOC)for battery，power fluctuations is leveled segmentedly.Among them，according to the power grid for wind power fluctuation degree of acceptance，set to stabilize the degree，in order to prevent the battery charge and discharge，restrictions on the SOC of the battery，Furthermore，the actual wind power history data is simulated and analyzed in Matlab and the effectiveness of the method is verified.

Keywords：windpower；powerfluctuation；short-termaveragepowerprediction；energystoragesystem；segmentedleveling

0引言

风力发电在世界范围内得到了快速发展和广泛应用，而风电输出功率的间歇性和随机性会给电力系统运行带来不利影响。因此，风电并网时需要采取有效措施降低输出功率的波动，配置储能系统是平抑风电输出功率波动的有效手段[1]。应用于风电并网的主要是电池储能系统(batteryenergystoragesystem，BESS)，例如铅酸电池、锂电池、液流电池和钠硫电池等。目前电池储能系统成本还较高，平抑波动的同时应尽量减少对电池储能系统的要求[2]。

目前，通过配置BESS平抑功率波动已经有了较多研究和应用，采用的控制方法主要有2类，一类是基于低通滤波原理，如文献[3-4]采用低通滤波原理滤除风电功率中的高频分量，有效平抑了功率波动。另一类是基于功率预测，文中基于该类提出平抑控制方法。文献[5]提出基于风电功率预测的定功率控制方法，控制每小时的输出功率为预测功率的平均值，以定功率输出没有考虑到电网对功率波动有一定的可接受程度，增大了电池负担。文献[6]提出采用风电功率预测的方法控制电池参与削峰填谷，但所采用的预测方法较为粗糙，仅以某段时间的起始值作为该段时间平均功率。文献[7]基于风电功率短期预测技术，以预测获得的0～24h风电功率取其平均值为参考基准值，结合可接受范围进行功率平抑，但预测尺度较长且平均功率(即参考基准值)是通过取预测功率平均值获得，造成平均功率精度不高和电池容量较大。

文中将全天(24h)时间分成若干个等时间段，一个时间段为一个时间周期T，以风电时间周期T的平均功率为对象建立ARMA模型，实时滚动预测未来每个时间周期T的平均功率。结合平抑度要求和电池SOC限制条件，控制并网功率在每个时间周期T都保持在平均功率附近的可接受范围内，分段平抑功率波动。其中，根据电网对风电功率波动的可接受程度，设置平抑度，为防止电池过充放电，对电池SOC进行限制。通过利用某风电场的实际历史数据在Matlab中的仿真分析，验证了所述方法的有效性。

1风电场配置电池储能系统结构

通常将电池储能系统集中配置在风电场出口，如图1所示，储能系统独立，便于维护和管理。风电场配置BESS后，风电场总输出功率(即并网功率)是风机总输出功率和电池输出功率之和。BESS根据所设置的控制方法快速充放电，平抑输出功率波动，提高并网性能[8-9]。

图1　风电场配置BESS结构 Fig.1　Structure of wind farm installed ESS

2风电短期平均功率预测

目前，风电功率预测方法主要有时间序列法、卡尔曼滤波法、BP神经网络法、小波分析法等[10-12]。其中时间序列法在风电功率预测中有较多研究和应用，很适合实时一步预测。

时间序列法预测的基本原理是，通过大量历史数据推导出一个描述所研究时间序列的数学模型，利用所建立的数学模型就可以用过去及现在的数据推测出未来数据，即达到预测的目的[13-14]。应用最广泛的时间序列模型是自回归滑动平均模型(autoregressivemovingaverage，ARMA)。

文中直接以平均功率为研究对象，利用历史平均功率数据建立ARMA模型预测未来平均功率。以时间周期T为1h为例，即以风电每小时的平均功率为对象建立ARMA模型，预测未来每小时的平均功率。图2所示为某风电场某一天(24h)每小时预测平均功率与实际平均功率曲线。

图2　风电场每小时预测平均功率 与实际平均功率曲线 Fig.2　Curves of predicted and actual hourly average output of wind power

可见，运用时间序列法对平均功率进行一步预测有较高的预测精度。

3分段平抑控制方法

若全天(24h)的风电并网功率采用恒功率作为输出目标，则对电池要求较高，所需储能容量很大，不利于电网经济运行。并且，全天不同时段的并网功率根据调度要求可以不同。通过分段预测平均功率，不仅可以作为参考值对功率波动进行分段平抑而且可以实时传送给调度机构作为调度决策参考，提高风电的并网性能和可调度性[13]。

以风电时间周期T的平均功率为对象建立ARMA模型，预测出未来每个时间周期T的平均功率Ptave.以Ptave为未来每个时间周期T的风电输出功率参考基准值，同时考虑到电网对风电功率波动的可接受程度，设置平抑度α，得到各时间周期功率波动上下限值，控制并网功率Poutput在以Ptave为基准的可接受波动范围内，如图3所示。

定义平抑度α

(1)

其中Ptave为一个预测周期的风电输出功率参考基准值；Ptmax和Ptmin分别为该周期内的最大功率值和最小功率值。

设定Ptave=0.5(Ptmax-Ptmin)，则

(2)

即控制并网功率Poutput满足式(3)要求

(3)

其中Poutput为风电平抑后输出功率，即风电并网功率；Pwind为风电平抑前输出功率，即风电原始功率。

图3　平抑控制示意图 Fig.3　Sketch of leveling control

为防止电池过充放电，需要对电池的SOC进行限制，控制SOC在一个合理范围，即要求SOCmin≤SOC≤SOCmax.

综上，平抑控制方法为

1)当Ptmin≤Pwind≤Ptmax时，电池退出运行，此时风电并网功率Poutput跟随风电原始功率Pwind，即Poutput=Pwind.

2)当Pwind

3)当Pwind>Ptmax时，电池充电，充电功率大小为Pwind-Ptmax，风电并网功率Poutput=Ptmax.同时检测电池的SOC值，当SOC增大到SOCmax时，停止充电。

显然，当电池SOC达到边界停止放电或充电时，平抑度可能未达设定要求，可通过扩充电池容量直至平抑度满足要求或允许功率短暂超出平抑度范围。风电功率的波动程度通常使用波动率γ来反应，波动率γ的值为相邻时刻功率差绝对值|ΔP|比装机容量PN，即γ=|ΔP|/PN，平抑波动即降低波动率γ的数值，最终平抑效果由波动率γ反应。

4仿真分析

文中以某风电场的历史数据为例，在Matlab仿真平台验证该平抑控制方法。风电场装机容量为80MW，采样周期为15min，风电场8d(192h)的实测输出功率曲线、每小时平均功率曲线如图4，图5所示，第9天(24h)每小时预测平均功率与实际平均功率曲线如前述图1所示。现在对第9天的功率进行平抑，设置平抑度α为10%.

时间周期T为1h的平抑效果如图6所示，可见每小时的功率波动都限制在设定的波动范围，全天功率波动得到了有效平抑。增加时间周期T为2h，平抑效果如图7所示，每2小时的功率波动都限制在设定的波动范围，全天功率波动也得到了有效平抑。

图4　风电场实测输出功率曲线 Fig.4　Curves of actual output of wind power

图5　风电场每小时平均功率曲线 Fig.5　Curves of hourly average output of wind power

图6　T=1 h的平抑效果 Fig.6　Leveling effect when T=1 h

图7　T=2 h的平抑效果 Fig.7　Leveling effect when T=2 h

为了进一步分析，统计出了不同情况下的波动率概率分布，如图8，图9和图10所示。波动率概率为统计时间内出现该波动率的概率。

图8　平抑前波动率概率分布 Fig.8　Fluctuation probability distribution histogram of wind power before Leveling

图9　T=1 h平抑后波动率概率分布 Fig.9　Fluctuation probability distribution histogram of wind power after Leveling when T=1 h

图10　T=2 h平抑后波动率概率分布 Fig.10　Fluctuation probability distribution histogram of wind power after Leveling when T=2 h

图8所示为平抑前波动率概率分布，可见平抑前波动率有大于50%的概率。图9，图10所示为平抑后波动率概率分布，可见平抑后波动率大于50%的概率降为0，且波动率不超过40%，表明功率被平抑。并且图10中高波动率的概率比图9更低，表明时间周期T越大，平抑作用更强。经统计，图6中所需要的最大电池功率和最小电池容量为32.508 5MW和33.865 6MWh，图7中为40.772 8MW和55.815 2MWh，表明时间周期T越大，对电池要求更高。当时间周期T增大到24h时，即全天不分段，此时目标输出值限制以恒功率为基准的小幅范围，对电池要求很高，且不利于电网实时调度和经济运行。当时间周期T减小到采样周期15min时，则平均功率等于时刻功率，平抑作用很弱，对电池要求不高。因此，应根据工程实际情况对全天24h合理分段，合理选择时间周期T，运用于小时调度时即选为1h.

5结论

应用电池储能系统可以平抑风电输出功率波动，结合风电短期平均功率预测，将分段预测出的平均功率作为各时间段的并网参考值，设置平抑度要求和电池荷电状态限制条件，对全天功率进行分段平抑。仿真结果表明，基于平均功率预测的分段平抑方法可以有效平抑风电输出功率的波动，时间周期T应根据工程实际情况合理选择，过大将对电池要求太高，过小平抑作用将减弱。最后需指出的是，平抑效果还与平均功率的预测精度有关，提高预测精度将提高参考值精度。

参考文献References

[1]张步涵,曾杰.电池储能系统在改善并网风电场电能质量和稳定性中的应用[J].电网技术,2006(15):6-8.

ZHANGBu-han，ZENGJie.Improvementofpowerqualityandstabilityofwindfarmsconnectedtopowergridbybatteryenergystoragesystem[J].PowerSystemTechnology，2006(15):6-8.

[2]毕大强，葛宝明，王文亮，等.基于钒电池储能系统的风电场并网功率控制[J].电力系统自动化，2010(13)：72-78.

BIDa-qiang,GEBao-ming，WANGWen-liang，etal.VRBenergystoragesystembasedonpowercontrolofgrid-connectedwindfarm[J].AutomationofElectricPowerSystem,2010(13)：72-78.

[3]靳文涛，马会萌，谢志佳.电池储能系统平滑风电功率控制策略[J].电力建设，2012，33(7)：7-11.

JINWen-tao，MAHui-meng，XIEZhi-jia.Windpowersmoothingcontrolstrategyofbatteryenergystoragesystem[J].ElectricPowerConstructionElectric,2012，33(7)：7-11.

[4]谢俊文，陆继明，毛承雄，等.基于变平滑时间常数的电池储能系统优化控制方法[J].电力系统自动化，2013，37(1)：96-102.

XIEJun-wen，LUJi-ming，MAOCheng-xiong，etal.Optimalcontrolofbatteryenergystoragesystembasedonvariablesmoothingtimeconstant[J].AutomationofElectricPowerSystems，2013,37(1)：96-102.

[5]张野，郭力，贾宏杰，等.基于电池荷电状态和可变滤波时间常数的储能控制方法[J].电力系统自动化，2012，36(6)：34-38.

ZHANGYe，GUOLi，JIAHong-jie，etal.Anenergystoragecontrolmethodbasedonstateofchargeandvariablefiltertimeconstant[J].AutomationofElectricPowerSystem,2012,36(6)：34-38.

[6]TelekeS，BaranME，HuangAQ，etal．Controlstrategiesforbatteryenergystorageforwindfarmdispatching[J]．IEEETransonEnergyConversion，2009(10)：40-44．

[7]郭园园，潘文霞，冯博.结合风功率预测的电池参与调峰控制策略[J].电力系统及其自动化学报，2013，25(5)：50-53.

GUOYuan-yuan，PANWen-xia，FENGBo.Thecombinationofwindpowerforecastingbatterytakepartinpeakloadcontrolstrategy[J].ProceedingsoftheEPSA，2013，25(5)：50-53.

[8]李蓓，郭剑波.平抑风电功率的电池储能系统控制策略[J].电网技术，2012，36(8)：38-43.

LIBei，GUOJian-bo.AControlstrategyforbatteryenergystoragesystemtolevelwindpoweroutput[J].PowerSystemTechnology,2012，36(8)：38-43.

[9]娄素华,吴耀武.电池储能平抑短期风电功率波动运行策略[J].电力系统自动化，2014，25(2)：33-36.

LOUSu-hua,WUYao-wu.Operationstrategyofbatteryenergystoragesystemforsmoothingshort-termwindpowerfluctuation[J].AutomationofElectricPowerSystems，2014，25(2)：33-36.

[10]吴桂联.短期风电功率预测技术研究[D].天津：天津大学，2012.

WUGui-lian.Studyofshort-termwindpowerforecastingmethod[D].Tianjin：TianjinUniversitySchoolofElectricalEngineeringandAutomation,2012.

[11]肖锋.基于BP神经网络的数字图像边缘检测算法的研究[D].西安:西安科技大学,2005.

XIAOFeng.EdgedetectionalgorithmbasedonBPneuralnetworksindigitalimage[D].Xi’an：Xi’anUniversityofScienceandTechnology，2005.

[12]王生全.遗传算法的BP网络模型进行瓦斯涌出量预测[D].西安:西安科技大学,2012.

WANGSheng-quan.PredictionofgasemissionquantityofminingfacesbasedongeneticBPneutralnetworkoptimalmodel[D].Xi’an:Xi’anUniversityofScienceandTechnology，2012.

[13]丁明.基于时间序列分析的风电场风速预测模型[J].电力自动化设备，2005,25(8)：25-27.

DINGMing.Windspeedforecastmodelforwindfarmsbasedontimeseriesanalysis[J].ElectricPowerAutomationEquipment,2005，25(8)：25-27.

[14]王利，张双成,李亚红.动态灰色预测模型在大坝变形监测及预报中的应用研究[D].西安:西安科技大学，2005.

WANGLi,ZHANGShuang-cheng,LIYa-hong.Applicationofdynamicgrayforecastmodelindamdeformationmonitoringandforecast[D].Xi’an：Xi’anUniversityofScienceandTechnology,2005.