买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供了一种基于模型预测控制和深度学习的风储联合调频控制方法，包括：构建适用于风储联合调频应用场景的储能等效模型；构建风储联合系统参与调频的离散系统预测模型，预测第k+1到k+Np步内的系统状态，设置相应约束条件、目标函数，离线遍历不同系统负荷波动、系统频率偏差、储能系统SOC的工况，分别求得最优有效不等式约束集，并根据满足的不等式约束的不同对系统工作模式进行编号；以系统负荷波动、系统频率偏差、储能系统SOC作为输入，以系统工作模式编号作为输出，对DNN进行训练，使其能够根据系统当前系统负荷波动、系统频率偏差、储能系统SOC状态及预测出的预测时域内的系统负荷波动、系统频率偏差、储能系统SOC状态，得到当前最优有效不等式约束集，映射出最优功率指令序列；选取最优功率指令序列中的第一个作为风储系统功率指令下达至风储系统。本发明能够在优化调频性能与系统频率稳定性的同时，实现最小的系统调频成本，提高风储系统运行经济性。

主权项：1.一种基于模型预测控制和深度学习的风储联合调频控制方法，其特征在于，包括：构建适用于风储联合调频应用场景的储能等效模型，具体为：Pbattery＝ulbilb式中，Pbattery为储能输出功率，ulb＝Elb-Rin_lb·ilb， 式中，Elb表示空载电压；E0_lb表示恒定电压；K表示极化电压；Qlb表示容量；ilb表示电流；A表示指数区域幅值；B表示恒流放电中指数区域时间常数的倒数；Rin_lb＝R1-lb·Ns_lbNp_lb式中，Ns_lb为储能串联数，Np_lb为储能并联数，R1-lb为单体阻值；构建风储联合系统参与调频的离散系统预测模型，预测第k+1到k+Np步内的系统状态，设置相应约束条件、目标函数，离线遍历不同系统负荷波动、系统频率偏差、储能系统SOC的工况，分别求得最优有效不等式约束集，并根据满足的不等式约束的不同对系统工作模式进行编号；具体过程为：构建风储联合系统一次调频过程中的系统状态方程组： 式中，Ggovs为调速器传递函数，Ggens＝Ggen1sGgen2s为涡轮机传递函数，Ggen1s为非再热式汽轮机传递函数，Ggen2s为再热式汽轮机主进汽室传递函数Gscs为超级电容传递函数，Gbatterys为锂电池传递函数，Gwinds为风机变桨控制传递函数，Pv为调速器输出功率，Pm为涡轮机输出功率，ΔPg为同步机输出功率增量，ΔPsc为超级电容输出功率增量，ΔPscref为超级电容输出功率增量指令值，ΔSsc为超级电容SOC变化量，T为控制周期，Esc为超级电容容量，ΔPbattery为锂电池输出功率增量，ΔPbatteryref为锂电池输出功率增量指令值，ΔSbattery为锂电池SOC变化量，Ebattery为锂电池容量，ΔPwind为风电机组输出功率增量，ΔPwindref为风电机组输出功率增量指令值，Δf为系统频率偏差，H为系统惯性时间常数，D为负荷调节系数，Pload为系统负荷波动，1R为下垂系数；Pload为负荷波动；对系统状态方程组进行离散化，得到的离散系统预测模型为： 其中，变量后括号内的k或k+1表示对应步的变量值，括号内为k的表示第k步的预测值或实际值，括号内为k+1的表示第k+1步的预测值，Pv为调速器输出功率，Pm为涡轮机输出功率，ΔPg为同步机输出功率增量，ΔPsc为超级电容输出功率增量，ΔPscref为超级电容输出功率增量指令值，Ssc为超级电容SOC，T为控制周期，Esc为超级电容容量，ΔPbattery为锂电池输出功率增量，ΔPbatteryref为锂电池输出功率增量指令值，Sbattery为锂电池SOC，Ebattery为锂电池容量，ΔPwind为风电机组输出功率增量，ΔPwindref为风电机组输出功率增量指令值，Δf为系统频率偏差，TG为调速器时间常数，1R为下垂系数，TCH为主进汽室时间常数，TRH为再热器时间常数，TSC、TB、TWIND分别为超级电容、锂电池、风电机组的时间常数，H为系统惯性时间常数，D为负荷调节系数，Pload为系统负荷波；设置的目标函数为： 式中，Np为预测时域步长，Cwindk+i∣k为第k步预测的第k+i步的风机调频成本；Cbatteryk+i∣k为第k步预测的第k+i步锂电池调频成本；Csck+i∣k为第k步预测的第k+i步超级电容调频成本；第k步预测的第k+i步的风机调频成本具体为：Cwindk+i∣k＝kwind·ΔPwindk+i∣k2其中，kwind为风电调频成本系数，ΔPwindk+i∣k为第k步预测的第k+i步风机调频功率；第k步预测的第k+i步锂电池调频成本具体为：Cbatteryk+i∣k＝kbattery·ΔPbatteryk+i∣k2其中，kbattery为锂电池调频成本系数，ΔPbatteryk+i∣k为第k步预测的第k+i步锂电池调频功率；第k步预测的第k+i步超级电容调频成本具体为：Csck+i∣k＝ksc·ΔPsck+i∣k2其中，ksc为超级电容调频成本系数，ΔPsck+i∣k为第k步预测的第k+i步超级电容调频功率；设置的约束条件包括：-PW≤ΔPwindk+i∣k≤PW-PB≤ΔPbatteryk+i∣k≤PBSbatterymin≤Sbatteryk+i∣k≤Sbatterymax-PS≤ΔPsck+i∣k≤PSSscmin≤Ssck+i∣k≤SscmaxPk+i∣k＝K·Δfk+i∣k其中，PW为风电出力上限，-PW为风电出力下限，ΔPwindk+i∣k为第k步对k+i步风电调频出力的预测值，PB为锂电池出力上限，-PB为锂电池出力下限，ΔPbatteryk+i∣k为第k步对k+i步锂电池调频出力的预测值，PS为超级电容出力上限，-Ps为超级电容出力下限，ΔPsck+i∣k为第k步对k+i步超级电容调频出力的预测值，Sbatterymin为锂电池SOC下限，Sbatterymax为锂电池SOC上限，Sbatteryk+i∣k为第k步对k+i步锂电池SOC的预测值，Sscmin为超级电容SOC下限，Sscmax为超级电容SOC上限，Ssck+i∣k为第k步对k+i步超级电容SOC的预测值，Pk+i∣k为第k步对k+i步风储系统调频出力需求的预测值，K为系数，Δfk+i∣k为第k步对k+i步系统频率偏差的预测值；以系统负荷波动、系统频率偏差、储能系统SOC作为输入，以系统工作模式编号作为输出，对DNN进行训练，使其能够根据系统当前系统负荷波动、系统频率偏差、储能系统SOC状态及预测出的预测时域内的系统负荷波动、系统频率偏差、储能系统SOC状态，得到当前最优有效不等式约束集，映射出最优功率指令序列；选取最优功率指令序列中的第一个作为风储系统功率指令下达至风储系统。

全文数据：

权利要求：

百度查询： 南京安能益新能源科技有限公司 基于模型预测控制和深度学习的风储联合调频控制方法