實現風電場自律的調控與配置策略研究.pdf

1、風能在世界范圍內被認為是最具開發(fā)價值的清潔新能源，為實現風電的長足發(fā)展，一方面要制定合理的發(fā)電計劃以應對風電出力的不確定性，通過優(yōu)化調度方案提升電網的風電接納能力。另一方面要探索行之有效的風電場調度控制策略來增強風電場的自律性，通過配置儲能等途徑使其具備自我調節(jié)有功出力的能力，并在減輕電網負擔的同時保證風電場的運營收益。本文以對風電不確定性的分析為基礎，將強化學習理論引入到含儲能風電場的調度控制中，建立了可實現風電自律的風電-儲能系統調

2、控模型，給出了一種通過儲能運行狀態(tài)曲線實現對儲能配置適宜度進行在線評估的方法。本文的主要研究內容如下:
　　利用非參數估計建立風電功率預測誤差概率分布模型，從系統備用的角度就風電不確定性對電網的影響展開研究。給出了以可靠性水平為標準的風電備用容量確定方法，含儲能風電場采用不同調度控制策略時風電備用容量的變化反映出風電場的自律程度和控制策略對系統的影響。提出了一種以風電場長期運營收益最大為目標，以儲能動作閾值和風電計劃出力調節(jié)值為控

3、制量的含儲能風電場控制構架，并通過算例對控制量選擇的合理性和必要性加以分析。
　　從時間序列的角度對風電功率預測誤差進行分析，結果表明預測誤差序列的非平穩(wěn)性會導致風電場對儲能容量需求的激增，有必要對風電-儲能系統進行實時控制。強化學習理論中的Q學習算法可通過控制器與實際運行環(huán)境的相互作用來獲得決策能力，無需具備先驗知識。因此，可將風電-儲能系統的調控過程看作多階段決策問題，利用Q學習算法建立調度控制模型，同時給出一種兼顧決策最優(yōu)性

4、與探索充分性的動作選擇策略。經算例驗證，基于Q學習的風電-儲能調控模型能夠在實現風電場自律的同時確保儲能充放電的合理性，提高風電場運行收入。
　　針對儲能參與電力系統調度的特殊性，定義了一種能夠反映儲能容量利用充分程度的指標“儲能容量利用系數”。儲能容量壓縮后，通過改變充放電順序可使儲能的外特性得以保持，說明優(yōu)化儲能控制策略有助于提高儲能利用效率，降低儲能容量需求。在對比風電備用容量與備用價格互補程度差異的基礎上，分析了儲能容量約