一种风电参与实时控制方法 |
|||||||
| 申请号 | CN201710793021.7 | 申请日 | 2017-09-05 | 公开(公告)号 | CN107528343A | 公开(公告)日 | 2017-12-29 |
| 申请人 | 清华大学; 国家电网公司; 国网冀北电力有限公司; 北京清软创新科技股份有限公司; | 发明人 | 孙荣富; 王东升; 施贵荣; 宁文元; 梁吉; 王靖然; 王若阳; 丁然; 徐海翔; 范高锋; 梁志峰; 丁华杰; 王冠楠; 徐忱; 鲁宗相; 乔颖; 刘梅; 罗欣; 廖晔; | ||||
| 摘要 | 本 发明 公开了一种 风 电参与实时控制方法，首先获取净负荷增量预测值和控制单元的目标函数值；计算控制单元的边际成本目标值；然后 修改 系统功率缺额和运行基点；修正AGC机组和风 电场 的运行基点和系统功率缺额；最后判断系统功率缺额是否为零且各本地控制单元目标函数值是否不再变化；如果否，则返回步骤S1进行下一次 迭代 ，如果是，则根据最终结果修正风电场和AGC机组运行基点。本发明提供的方法通过风电场与AGC机组分布式协同实时控 制模 型，在大规模风电并网下实时控制，将净负荷增量的预测值在常规AGC机组与风电场之间通过等边际成本法则进行分配，以降低系统运行成本和提高系统风电消纳能 力 。 | ||||||
| 权利要求 | 1.一种风电参与实时控制方法，其特征在于：包括以下步骤： |
||||||
| 说明书全文 | 一种风电参与实时控制方法技术领域背景技术[0002] 当前风电场出力1小时前预测的误差可达10％-15％，风电的随机性和不确定性增大了系统净负荷波动幅值和速率，对电力系统实时调度和自动发电控制提出了新的要求。随着风电容量在系统中所占比重的增加，风力发电对电力系统的影响也越加明显，大风速的扰动会使系统的电压和频率产生很大变化，严重时可能威胁系统的稳定运行。因此，如何尽可能多地利用风电，并保障电网安全稳定运行，是人们不得不面对的问题。 [0003] 在实时调度时间尺度上主要由AGC机组承担调节任务。目前，电网中AGC机组出力基准点由调度中心在调度计划制定过程中通过超短期负荷及风电预测信息确定，各机组基点及参与因子为计划总出力优化分配的结果，每15分钟做一次滚动优化，在该时间段内保持不变。若风功率在15分钟内出力偏离预期较大，且单向持续爬坡，AGC机组计划总出力与净负荷将产生较大偏差，而原计划定值若不及时做出相应调整，将增加AGC机组的快速调节压力及运行成本。 [0004] 在风电渗透率较低时，风电场大多运行在最大功率跟踪状态，随着风电渗透率的增加，受风电预测相对负荷预测水平较低的影响，常规AGC机组计划出力与实际最佳出力有较大的偏差。为降低风电功率陋机波动对系统的影响，目前风电场多运行在计划出力模式或等比例减载控制模式，因此，需要一种风电参与实时控制方法。 发明内容[0005] 本发明的目的是提出一种风电参与实时控制方法。 [0006] 本发明的目的是通过以下技术方案来实现的： [0007] 本发明提供的风电参与实时控制方法，包括以下步骤： [0008] S1：从调度中心分别获取AGC机组的净负荷增量预测值； [0009] S2：求取风电场和AGC机组控制单元的目标函数值； [0010] S3：计算控制单元的边际成本目标值； [0012] S5：根据系统功率缺额获取AGC机组和风电场的出力调整量与运行基点； [0013] S6：修正AGC机组和风电场的运行基点和系统功率缺额； [0014] S7：判断系统功率缺额是否为零且各本地控制单元目标函数值是否不再变化；如果否，则返回步骤S1进行下一次迭代，如果是，则根据最终结果修正风电场和AGC机组运行基点。 [0015] 进一步，所述控制单元边际成本目标值是通过以下方式获取的： [0016] [0017] [0018] [0019] 式中：t0为迭代优化过程中的某一时刻，Mi(t0+Δt)为t0+Δt时刻本地控制单元i的边际成本目标值， 为t0时刻系统功率缺额，λ为增益系数；aij为本地控制单元i和j间的拓扑关系，连通为1，不连通为0；dij代表了各信息的权重系数， 用是将系统功率缺额引入迭代过程；当 为零时系统出力目标值与负荷功率相等。 [0020] 进一步，所述AGC机组运行基点的修正按照以下方式进行： [0021] 若Mi(t)在PG，i，ref(t)单调，根据Mi(t0+Δt)在PG，i，ref(t)附近查找对应的基点值； [0022] 否则，通过M1(t0+Δt)及迭代初始值M1，0确定出力调整方向； [0023] 若Mi(t0+Δt)＞M1，0且M1(t)在PG，i，ref(t)单调增加，则在大于PG，i，ref(t)侧查找与Mi(t0+Δt)对应的基点值； [0024] 若与Mi(t0+Δt)对应的出力不满足上爬坡或出力上限约束时，则根据以下公式对边际成本目标值进行调整： [0025] Mi(t0+Δt)＝(Kf+Ke)(2ai(PG，i(t-1)+R′i，s)+bi) [0026] Mi(t0+Δt)＝(Kf+Ke)(2aiPG，i，max+bi) [0027] 然后通过调整后的Mi(t0+Δt)得出迭代对应的机组i运行基点调整量ΔPG，i。 [0028] 进一步，所述风电场运行基点的修正按照以下方式进行： [0029] ΔPW＝(MW(t0+Δt)-MW(t0))/aW [0030] 式中：ΔPW,adj为本次迭代得出的ΔPW,adj变化量，MW(t0+Δt)为风电场边际成本目标值，用来调整风电场出力目标值；KW为风电场发送至控制单元的边际成本信号；aW表示风电场设置虚拟功率调节因子；ΔPW为本次迭代对应的风电场运行基点调整量； [0031] 所述ΔPW求取按照以下公式进行： [0032] [0033] 式中：PW,ref(t0)为当前控制时段对应的风电场有功出力计划值，在迭代过程中取值保持不变。 [0034] 进一步，所述系统功率缺额的修正按照以下方式进行： [0035] [0036] 其中，ΔPG,i表示机组i运行基点调整量。 [0037] 由于采用了上述技术方案，本发明具有如下的优点： [0038] 本发明提供的风电参与实时控制方法，建立了风电场与AGC机组分布式协同实时控制模型，并提出了适用于大规模风电并网下实时控制过程的分布式增量一致算法，将净负荷增量的预测值在常规AGC机组与风电场之间通过等边际成本法则进行分配，以降低系统运行成本和提高系统风电消纳能力。 [0039] 本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。附图说明 [0040] 本发明的附图说明如下。 [0041] 图1为风电场与AGC机组协同实时控制原理图。 [0042] 图2为分布式增量一致算法原理图。 [0043] 图3为风电场与AGC机组分布式协同实时控制流程。 [0044] 图4为含风电场的测试系统。 [0045] 图5为负荷功率和风电场输出功率曲线。 [0046] 图6为不同控制模式下AGC机组调节裕度对比图。 [0047] 图7为不同控制模式下风电场出力对比图。 [0048] 图8为不同控制模式下各AGC机组边际成本对比图。 [0049] 图9为负荷功率和风电场输出功率曲线。 [0050] 图10为两种控制模式下风电场出力对比图。 [0051] 图11为两种控制模式下AGC机组调节裕度对比图。 [0052] 图12为两种控制模式下各AGC机组边际成本对比图。 具体实施方式[0053] 下面结合附图和实施例对本发明作进一步说明。 [0054] 实施例1 [0055] 本实施例提供的风电参与实时控制方法，包括以下步骤： [0056] S1：从调度中心分别获取AGC机组的净负荷增量预测值； [0057] S2：求取风电场和AGC机组控制单元的目标函数值； [0058] S3：计算控制单元的边际成本目标值； [0059] S4：根据边际成本目标值修改系统功率缺额； [0060] S5：根据系统功率缺额获取AGC机组和风电场的出力调整量与运行基点； [0061] S6：修正AGC机组和风电场的运行基点和系统功率缺额； [0062] S7：判断系统功率缺额是否为零且各本地控制单元目标函数值是否不再变化；如果否，则返回步骤S1进行下一次迭代，如果是，则根据最终结果修正风电场和AGC机组运行基点。 [0063] 所述控制单元边际成本目标值是通过以下方式获取的： [0064] [0065] [0066] [0067] 式中：t0为迭代优化过程中的某一时刻，Mi(t0+Δt)为t0+Δt时刻本地控制单元i的边际成本目标值， 为t0时刻系统功率缺额，λ为增益系数；aij为本地控制单元i和j间的拓扑关系，连通为1，不连通为0；dij代表了各信息的权重系数， 用是将系统功率缺额引入迭代过程；当 为零时系统出力目标值与负荷功率相等。 [0068] 所述AGC机组运行基点的修正按照以下方式进行： [0069] 若Mi(t)在PG，i，ref(t)单调，根据Mi(t0+Δt)在PG，i，ref(t)附近查找对应的基点值； [0070] 否则，通过M1(t0+Δt)及迭代初始值M1，0确定出力调整方向； [0071] 若Mi(t0+Δt)＞M1，0且M1(t)在PG，i，ref(t)单调增加，则在大于PG，i，ref(t)侧查找与Mi(t0+Δt)对应的基点值； [0072] 若与Mi(t0+Δt)对应的出力不满足上爬坡或出力上限约束时，则根据以下公式对边际成本目标值进行调整： [0073] Mi(t0+Δt)＝(Kf+Ke)(2ai(PG，i(t-1)+R′i，s)+bi) [0074] Mi(t0+Δt)＝(Kf+Ke)(2aiPG，i，max+bi) [0075] 然后通过调整后的Mi(t0+Δt)得出迭代对应的机组i运行基点调整量ΔPG，i。 [0076] 所述风电场运行基点的修正按照以下方式进行： [0077] ΔPW＝(MW(t0+Δt)-MW(t0))/aW [0078] 式中：ΔPW，adj为本次迭代得出的ΔPW，adj变化量，MW(t0+Δt)为风电场边际成本目标值，用来调整风电场出力目标值；KW为风电场发送至控制单元的边际成本信号；aW表示风电场设置虚拟功率调节因子；ΔPW为本次迭代对应的风电场运行基点调整量； [0079] 所述ΔPW求取按照以下公式进行： [0080] [0081] 式中：PW，ref(t0)为当前控制时段对应的风电场有功出力计划值，在迭代过程中取值保持不变。 [0082] 所述系统功率缺额的修正按照以下方式进行： [0083] [0084] 其中，ΔPG，i表示机组i运行基点调整量。 [0085] 实施例2 [0086] 本实施例提供的风电参与实时控制方法，是通过对风电场有功控制模型进行分析，并对系统AGC机组调节成本及调节裕度的影响因素的分析得到的一种实时控制方法，首先定义了四种控制模式：1)风电场按调度计划值设定运行基点，以限出力方式减小出力波动；各AGC机组以固定参与因子跟踪负荷；2)风火打捆输出控制模式，即部分AGC机组与风电场配对调节以提高风电消纳量；其余AGC机组跟踪负荷变化；3)部分AGC机组与风电场配对调节以调高风电消纳量的同时考虑负荷变化，其余AGC机组跟踪负荷波动；4)风电场运行在最大功率跟踪状态，常规AGC跟踪负荷变化。为在最大化消纳风电的同时减少风电波动对AGC调节裕度的影响，通过构建分钟级时间尺度下的风电场与AGC机组分布式协同实时控制模型，并提出了适用于大规模风电并网下实时控制过程的分布式增量一致算法，将净负荷增量的预测值在常规AGC机组与风电场之间通过等边际成本法则进行分配，以降低系统运行成本和提高系统风电消纳能力。 [0087] 风电波动性对AGC的影响机理分析，具体如下： [0088] 大规模风电并网对系统AGC的影响主要体现在实时控制成本的增加和降低AGC机组调节能力，风电并网情况下系统实时控制成本如式(7-1)所示、为准确反映风电对系统中AGC机组性能的影响，其中，AGC调节裕度指标Pr(t)如式(7-3)所示。 [0089] [0090] 其中： [0091] [0092] [0093] 式中：Ri,s为机组i爬坡速率，单位为MW/min，Ti为单个控制时段的时间长度，取1min。T为总时段，设15分钟；N为AGC机组数；Ci(t)和CW(t)分别为时段t机组i和风电场的运行成本；Ci,T,0为制定调度计划时得出的AGC机组T时间内的运行成本。PG,j(t)和PW(t)分别为时段t机组i和风电场的有功出力，S(PG,j(t))为t时段机组i的耗量特性，由煤耗在线监测系统拟合得出，ai,bi和ci为常系数，Kf和Ke分别为燃料价格和co2价格，Kr,j为机组i的出力单位调节成本，KW为风电场参与实时控制过程的单位调节成本。PW,adj(t)为风电场参与协同控制过程中的有功调整量，表示协同控制过程中风电场的参与程度。 [0094] 当前并网风电场运行控制模式包含最大功率跟踪控制模式、风火打捆外送模式(输出总功率恒定)和按计划出力控制模式，为对比不同控制模式下风电并网对系统AGC调节成本及调节能力的影响，本课题对比了四种风电场实时控制模式，如表7-1所示。其中模式l为传统的完全执行调度计划的控制模式；模式2为以最大化消纳风电为目的的控制模式，该模式作用下部分AGC机组与风电场配对调节以提高风电消纳量，且总出力保持不变，不响应负荷变化；模式3为本课题所提控制模式。 [0095] 表1风电场与AGC机组协调控制模式 [0096] [0097] 风电场参与AGC控制原理：风电场与AGC机组分布式协同实时控制，需要在保证AGC机组一定调节备用裕度的前提下提高系统整体运行经济性。在风电出力大幅度偏离预期时，系统运行成本增量主要来自于AGC机组成本净增量与风电调节成本，风电参与协同控制过程相当于提供一部分备用容量，风电场调节成本是风电场参与协同控制过程的备用成本。 [0098] 式(7-1)无法直接作为分布式控制中各控制单元的目标函数。AGC机组控制指令为离散的，每次的控制指令都能实现负荷增量最优分配时，成本最小。若忽略实时控制引起的网络损耗变化，运用求条件极值的拉格朗日乘数法，则可得当备时段风电场与AGC机组调节边际成本相等时，两者总运行成本最低，可用下式来表示。 [0099] [0100] [0101] 式中：t和t-I分别代表第t和第t-I个控制时段，R′i,s为考虑电网瞬时备用裕度的机组i爬坡速率限值，Pr,min为最小瞬时备用，等于负荷波动备用和事故备用之和平均分配至每一分钟的量。 [0102] 综合上述分析，构造了风电场与AGC机组分布式协同实时控制成本模型，其中式(7-6)为目标函数，式(7-7)为约束条件。 [0103] Mi(t)＝Mj(t)＝MW(t)(i，j∈1…N) (7-6) [0104] s.t. [0105] [0106] [0107] ΔP′n-l(t)＝(P′load(t)-P′W，max(t))-(Pload(t)-PW，ref(t)) (7-9)[0108] 式中：Mi(t)为实时控制过程中时段t机组i调节边际成本，PG,j,min和PG,jmax为机组i的出力上下限，P′load(t)、P′W,max(t)和DP′n,t(t)分别为在t-I时段预测t时段系统负荷量和风电场最大可捕获风功率和净负荷增量，PG,j,ref(t)和PW,ref(t)分别为时段t机组i和风电场的计划出力，Pload(t)为制定风电场和AGC机组计划出力时所参照的t时段系统负荷量，负荷预测精度较高，可认为Pload(t)＝P′load(t)。 [0109] 风电参与实时控制过程结构设计：AGC机组出力受组合指令信号控制，一个是秒级剧新的区域功率偏差信号ΔPACE，另一个是每15分钟更新一次的基准运行点信号。尽管当前调度中心已经可以做到实时更新AGC机组的基准运行点，但是控制算法所依赖的负荷预测信息为15分钟间隔的点，每15分钟内的负荷值由插值算法得到。由于负荷变动的规律性，负荷预测的水平已经相当高，该方式在常规发电机组为主、风电接入比例较小时比较适用。随着风电接入比例的增大，仍将风电当成负的负荷，则系统净负荷较大的预测误差将造成AGC机组的实际出力偏离经济运行点，增加系统运行成本；同时，净负荷大幅波动会消耗大量备用，降低AGC机组的调节裕量。为了协调风电机组与AGC机组的运行经济性与调节作用，本课题在调度中心保持现有集中式指令模式基础上，AGC机组和风电机组的控制单元中增加一分钟级的控制信号，在可参与调节的AGC机组和风电机组之间构造起一个分钟级的分布式协同控制体系，如图1所示，并通过分布式算法和信息交互技术，实现AGC机组和风电机组的实时协同控制。 [0110] 在图1中，超短期分钟级的风电预测信息下发给AGC机组的本地控制单元。机组Gl的本地控制单元为分布协同控制的主控制单元，负责将系统初始功率缺额，即下一时段系统净负荷增量预测值引入到实时控制环节中，并根据与其他AGC机组和风电场的交互信息对其进行迭代修正。AGC机组实际接收到的发电指令为运行基点与ΔPACE之和，受爬坡能力限制，单位时间内可调容量有限。AGC机组除按照计划调整运行基点外，还需留出一定瞬时备用以应对可能发生的发电机故障停运、负荷突变等功率扰动。图1为风电场与AGC机组协同实时控制原理图；图1中，ΔPACE,1为机组Gl响应区域控制偏差的有功调整量，PG,1和PW分别为Gl和风电场有功出力，限速和限幅环节作用分别是限制AGC机组有功调整速率和出力上下限。 [0111] 分布式实时控制包含两组环节：1)信息交互环节，负责各本地控制单元间的信息交互，交互内容为各本地控制单元目标函数值，其他控制单元发送至主控制单元的信息还包括自身运行基点调整量；2)目标函数迭代修正环节，负责根据接收到的其他控制单元信息对自身目标函数值进行迭代修订。上述两环节交替进行，实现系统净负荷增量在风电场和AGC间的优化分配。 [0112] 与集中式控制不同，分布式控制对参与控制过程的本地控制单元模型无要求，适应性强，各本地控制单元只需具有统一的控制目标即可，可适用于多种新能源并网的实时控制过程。 [0113] 7.3风电参与实时控制过程 [0114] 分布式实时控制过程是系统净负荷增量在风电场和AGC机组间的再分配过程。系统净负荷增量有限，因此，实时控制过程属于对风电场和AGC机组基点计划值的微调。 [0115] 本课题提出了含风电场的分布式增量一致算法，该方法对本地控制单元模型无具体要求。其原理是参与优化过程的各本地控制单元按照统一的规则，以目标函数相等为目标进行迭代优化。其在电网实时控制过程中应用原理如图2所示，图中Gl、G2和G3为AGC机组，G4为风电场。 [0116] 图2为分布式增量一致算法原理图 [0117] 分布式控制的主控制单元选择上应满足对应机组边际成本在运行基点计划值附近单调，以正确引导其他本地控制单元对应机组的基点修正过程。假设Gl为主控制单元，两次迭代的时间间隔为Δt，信息传输延迟为τ，分布式实时控制单次的迭代过程如下： [0118] 1)求取各本地控制单元目标函数值 [0119] 单次迭代中主控制单元和其他本地控制单元目标函数迭代过程如式(7-10)和(7-11)所示。迭代的依据为自身上一次迭代结果以及接收到其他控制单元信息(其他控制单元上一次迭代的结果)，式(7-10)和(7-11)分别是各主控制单元和本地控制单元i对自身上一次迭代结果与接收到的信息如权平均的过程，dij代表了各信息的权重系数，式(7-10)中的用是将系统功率缺额引入迭代过程。当 为零时系统出力目标值与负荷功率相 等。 [0120] [0121] [0122] [0123] 式中：t0为迭代优化过程中的某一时刻，Mi(t0+Δt)为t0+Δt时刻本地控制单元i的边际成本目标值， 为t0时刻系统功率缺额，λ为增益系数。aij为本地控制单元i和j间的拓扑关系，连通为1，不连通为0，其取值在每次迭代中自动更新，判断依据为两本地控制单元间是否有信息交互。若某机组因通信中断或故障退出运行，其他机组仍按上述规则参与实时控制过程。 [0124] 2)修正常规AGC机组运行基点及目标函数值 [0125] 若Mi(t)在PG,i,ref(t)附近单调，可直接根据Mi(t0+Δt)在PG,i,ref(t)附近查找对应的基点值。否则，可能存在多个功率值与Mi(t0+Δt)对应，此时应首先通过M1(t0+Δt)及其迭代初始值M1,0确定出力调整方向，若Mi(t0+Δt)＞M1,0且M1(t)在PG,i,ref(t)附近单调增加，则说明此时系统功率缺额为正，需在大于PG,i,ref(t)侧查找与Mi(t0+Δt)对应的基点值；其他情况的处理方式类似。 [0126] 若得出的与Mi(t0+Δt)对应的出力不满足上爬坡或出力上限约束时需根据式(7-13)和(7-14)对边际成本目标值进行调整，下爬坡和出力下限约束不满足时的处理方式类似。然后通过调整后的Mi(t0+Δt)得出此处迭代对应的机组i运行基点调整量ΔPG,i。 [0127] Mi(t0+ΔU＝(Kf+Ke)(2ai(PG，i(t-1)+R′i，s)+bi) (7-13) [0128] Mi(t0+Δt)＝(Kf+Ke)(2aiPG，i，max+bi) (7-14) [0129] 3)修正风电场运行基点 [0130] 与常规AGC机组不同，风电场边际成本与有功出力无对应关系，无法像常规AGC机组一样根据边际成本计算出力调整量。本课题为风电场设置虚拟功率调节因子aW，调整原理如式(7-15)所示。 [0131] ΔPW＝(MW(t0+Δt)-MW(t0))/aW (7-15) [0132] 式中：ΔPW，adj为本次迭代得出的ΔPW，adj变化量，MW(t0+Δt)为风电场边际成本目标值，该值只用来调整风电场出力目标值，风电场发送至其他控制单元的边际成本信号为KW。 [0133] 假设ΔPW为本次迭代对应的风电场运行基点调整量，由于PW，adj非单调，可能会存在多个ΔPW与ΔPW，adj相对应，ΔPW求取原理如式(7-16)所示。 [0134] [0135] 式中：PW，ref(t0)为当前控制时段对应的风电场有功出力计划值，在迭代过程中取值保持不变。 [0136] 4)修正系统功率缺额 [0137] 主控制单元根据步骤2)和3)得出的ΔPG，i和ΔPW修正系统功率缺额，修正过程如式(7-17)所示。 [0138] 4)修正系统功率缺额 [0139] 主控制单元根据步骤2)和3)得出的ΔPG，i和ΔPW修正系统功率缺额，作正过程如式(7-17)所示。 [0140] [0141] 5)判断是否收敛，迭代收敛的标志为系统功率缺额为零且各本地控制单元目标函数值不再变化。如果没收敛返回步骤1)进行下一次迭代，如果收敛则根据最终结果按照图7-1修正风电场和AGC机组运行基点计划值。 [0142] 上述过程的实施流程如图3所示，其中ε为阂值。图中虚线框内部分由调度中心完成，其余过程均由风电场和AGC机组的本地控制器完成。图3为风电场与AGC机组分布式协同实时控制流程；本实施例的系统采用New-England 39节点测试系统，通过New-England 39节点系统进行仿真验证，算例结构如图4所示，节点39处为风电场，由200台1.5MW双馈变速风电机组组成，总容量为300MW，常规机组总容量为2600MW。节点30、31、32、33、34、35处发电机为AGC机组，各机组特性系数如表2所示；燃料价格为62.47$/t，CO2价格为30$/t；风电场KW为80$/(MW.h)，仿真中负荷数据来源于实际电网，系统中最大负荷约为1600MW，Pr，min取14MW，风电场数据来源于冀北风电基地某风电场数据。图4为含风电场的测试系统。 [0143] 表2为AGC机组发电特性系数 [0144] [0145] 各AGC机组初始出力分别为{124.16，186.32，132.69，113.58，213.84，223.05}，风电场初始出力为200MW。首先以一个优化时段为例对课题中所提策略进行验证，若通讯延迟取0.1s，分布式控制迭代时间间隔取0.2s，分布式协同控制收敛时间为1.8s，满足在线应用要求。下面以60min风电和负荷数据对土述3种控制模式效果进行对比分析，负荷数据为1min-个点，风电功率数据为15s-个点，仿真中负荷曲线和风电场最大可捕获风功率曲线如图5所示。图5为负荷功率和风电场输出功率曲线；图6为分别采用四种控制模式时系统中AGC机组调节裕度变化曲线。图6不同控制模式下AGC机组调节裕度对比图。 [0146] 从图6可以看出，与模式1相比，模式2作用下AGC机组调节裕度明显降低，原因是该模式作用下，部分AGC机组与风电场配对调节以增大风电消纳量，占用了大量AGC调节能力，此时负荷波动完全由剩余AGC平抑，整体上调用的备用资源大于模式1。与模式1相比，模式3作用下，AGC机组调节裕度在10～30min有明显提高，原因是该时段内风电功率受限部分可平抑掉负荷波动，在降低风电受限量的同时提高了AGC调节裕度，其余时刻两者相差不大。模式4作用下AGC调节裕度与模式2相差不大，但明显小于模式1，原因是风电场运行在最大功率跟踪状态增大了系统净负荷波动幅值和速率。 [0147] 为进一步分析文中所提控制策略对AGC机组控制性能的影响，本课题基于NERC的CPS1和CPS2指标，CPS1是一种统计区域电网频率控制效果的量洌标准，其最小承诺值为100，大于100表示在满足本区域电网调频需求的基础上可为整个互联电网提供调频服务，当小于100时表示需要互联电网帮助本区域电网调频，不利于整个电网频率稳定；CPS2反映区域电网ACE控制目标满意度，最大值为100。以冀北风电基地某风电场和实际电网一天的数据为例进行了仿真分析，CPS指标计算结果如表3所示。 [0148] 表3为不同控制对系统频率控制指标的影响 [0149]系统频率指标 模式1 模式2 模式3 模式4 CPS1％ 106 81 107 79 CPS2％ 86 73 95 74 [0150] 从表3中可以看出，与模式1相比，模式2作用下系统频率控制指标下降明显，原因是该模式作用下，部分AGC机组与风电场配对调节，降低了系统中AGC机组调频能力。与模式2相比，模式3在实时控制中引入了1分钟级风电预测信息，并对风电场和AGC运行基点进行修正，减小了系统总出力与负荷的偏差以及负荷变化过程中系统频率偏差，系统频率控制指标明显提升；同时，风电参与实时控制过程平抑掉了部分负荷波动，在一定程度上增强了系统调频能力。模式4频率控制指标较低的原因是增大了净负荷波动幅值和速率，相应的增大了负荷变化过程中系统的频率偏差。图7为不同控制模式下风电场出力对比图；图7和图8为分别采用四种控制模式时风电场输出功率曲线以及各AGC机组边际成本对比图，图8为不同控制模式下各AGC机组边际成本对比图；图中Gl、G2、G3、G4、G5和G6分别代表机组30、31、 32、33、34和35。表4为分别采用四种控制模式时对应的风电场总出力以及实际运行申风电场与AGC机组总运行成本增量。 [0151] 表4不同模式作用下风电场总出力与对应的风电场与AGC机组总运行成本 [0152] [0153] 图7和表4中可以看出，与模式1相比，控制模式2作用下风电消纳量虽明显提高，但同时也增加了系统运行成本。原因在于模式2作用下，风电场有功出力增加过程中30、31和32号AGC机组与风电场总出力保持不变，此3台AGC机组偏离了经济运行点，与风电场的运行总成本有所增加。系统负荷变化完全由33、34和35号AGC机组承担，与模式1作用下相比，在负荷增加的过程中，此3台AGC机组出力调整量大幅增加，相应的边际成本大幅增大，增加了系统运行成本。 [0154] 与模式2相比，模式3作用下，风电场在增加有功出力过程中与30、31和32号AGC机组共同参与实时控制过程，并朝最优的方向即边际成本相等的方向调整有功出力，提高了系统运行经济性。同时，风电功率增量抵消掉了部分负荷增量，减小了系统中净负荷增量及AGC机组有功调节量，进一步降低系统运行成本。与模式3相比，模式4作用下，风电场出力虽有所增加，但系统运行成本也随之增加。主要原因是在第10～30min，与模式3相比，风电场增发的功率所增加的运行成本大于常规AGC机组降出力所减小的运行成本。 [0155] 从图8可以看出，模式2作用下，33、34和35号AGC机组边际成本除在第40min和51min附近有所变化外，其他时刻基本保持不变。原因是两个时刻附近30、31和32号AGC机组爬坡达到限值R′is，该问题在图6中有所体现：两个时刻附近AGC机组调节裕度明显低于其他时刻；在其他时刻，风电场及与之配对调节的3台AGC机组便可实现平抑负荷波动。 [0156] 本实施例采用实际电网测试系统；为进一步验证本章所提模型方法在实际电网中的有效性，下面以某区域电网为例进行仿真验证。其中图9是风电和负荷曲线，图10是分别采用传统模式和本课题所提控制模式时风电场出力变化曲线，图11是两种模式作用下常规AGC机组调节裕度对比图，图12是两种模式作用下常规AGC机组边际成本变化曲线。表5分别采用两种控制模式时对应的风电场总出力以及实际运行中风电场与AGC机组总运行成本增量。 [0157] 表5两种模式作用下风电场总出力与对应的风电场与AGC机组总运行成本 [0158]模式 1 3 风电场总出力(MW·h) 190.91 192.86 风电场与AGC机组总运行成本增量$ 127 83 [0159] 图9为负荷功率和风电场输出功率曲线；图10为两种控制模式下风电场出力对比图；图11为两种控制模式下AGC机组调节裕度对比图；图12为两种控制模式下各AGC机组边际成本对比图；与上节New-England 39节点算例不同，本算例负荷在仿真过程中为不断下降的。从图9和表5可以看出，本章所提模型方法在实际电网中也能较好的反映风电并网对电网AGC的影响。 [0160] 针对大规模风电并网功率波动会增大AGC机组调节压力及运行成本的问题，对风电场在不同控制模式下对系统AGC机组调节成本及调节裕度的影响进行了分析，并构建了风电场与AGC机组分布式协同实时控制模型及策略。该策略将风电场有功控制纳入到AGC环节中，在可参与调节的AGC机组和风电机组之间构造起一个分钟级的分布式协同控制体系，实现风电场与常规AGC机组共同平抑系统净负荷波动，并提出了风电场与AGC机组分布式协同实时控制算法。 [0161] 算例仿真结果表明：1)风电场与AGC机组协调实时控制可在保证AGC机组调节能力的同时提高风电消纳量；2)实时控制过程中净负荷增量在风电场和各AGC间的优化分配可有效降低系统运行成本。 [0162] 最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。 |
||||||
QQ群二维码
意见反馈
意见反馈