基于电池储能状态的机组负荷超前控制方法与流程

本发明属于火电储能自动化控制，具体涉及一种基于电池储能状态的机组负荷超前控制方法。

背景技术：

1、随着风电和光伏并网规模的扩大，火电机组在电网中的作用逐渐转变为提供更加灵活和高效的辅助服务。然而，火电机组在参与电网调频时，可能会因为设备特性而遭受严重磨损，导致短时功率吞吐能力下降，影响负荷调节潜力，进而延长系统响应时间，并降低调频能力，难以实现预期的调频目标。电池储能技术的发展为新能源电力系统提供了重要的技术支撑，其快速响应特性能够有效减轻常规火电机组的调频负担，并提升调频服务的质量。

2、目前，已配置电池储能的机组在接收电网自动发电控制(agc)指令时，通常按照固定比例系数将调频任务分配给储能系统和常规火电机组。然而，这种方法存在一些局限性：对于火电机组而言，它无法根据机组的实际运行状况灵活判断其出力是否能够满足负荷分配指令，也未能充分利用机组的蓄热能力，从而未能充分发挥其调频潜力。对于电池储能系统而言，当储能系统出现过充或过放的情况时，其响应能力会受到限制，无法有效执行分配的指令。此外，储能系统的充放电次数会随着调频信号的波动而变化，这可能会对储能系统的使用寿命产生不利影响。

技术实现思路

1、本发明的目的是提供一种基于电池储能状态的机组负荷超前控制方法，解决了现有技术中按照固定比例系数将调频任务分配给储能系统和常规火电机组导致机组负荷过高的问题。

2、本发明所采用的技术方案是，基于电池储能状态的机组负荷超前控制方法，具体按照以下步骤实施：

3、步骤1，根据agc指令与机组当前负荷判断机组状态；

4、步骤2，判断储能出力是否满足agc指令；

5、步骤3，建立机组蓄热系数和预测机组蓄热数据集；

6、步骤4，构建机组蓄热系数预测模型并基于步骤3的预测机组蓄热数据集对机组蓄热系数预测模型进行训练；

7、步骤5，将机组运行时的数据输入步骤4完成训练的机组蓄热系数预测模型，生成蓄热系数，构建蓄热系数与负荷指令超前量的对应关系，基于生成的蓄热系数生成负荷指令并由机组进行执行。

8、本发明的特征还在于，

9、步骤1中机组状态包括升负荷、降负荷、稳定状态，所述升负荷为agc指令大于机组当前负荷，所述降负荷为agc指令小于机组当前负荷，所述稳定状态为agc指令等于机组当前负荷。

10、步骤2中判断储能出力是否满足agc指令具体为，所述储能系统的调节范围为0.2～0.9，当储能系统的储能荷电状态不在调节范围内时，则储能能力无法满足agc指令。

11、步骤3中机组蓄热系数为存储在水冷壁、汽包和过热器中蒸汽流量的变化量和汽包压力变化速率的比值，比值c如式(1)所示：

12、

13、式中，c为机组蓄热系数；m表示主蒸汽流量；p为汽包压力；t为时间。

14、步骤3中预测机组蓄热数据集包括输入集{xi}和输出集{yi}，所述输入集{xi}为时刻t0前的300秒的机组参数以及时刻t1时机组的汽包压力和主汽流量，所述机组参数包括负荷、主汽流量、给水流量、主汽压力设定值、主汽压力实际值、总风量、燃料量、主汽温度、炉膛负压、综合阀位、负荷变化率、汽包压力；根据不同时刻构建i个输入样本形成输入集{xi}；

15、所述输出集{yi}为时刻t0时的机组蓄热系数，根据不同时刻构建i个输出样本形成输出集{yi}。

16、机组蓄热系数预测模型包括输入层、卷积神经网络层、双向门控循环单元层和多头自注意力机制层和输出层

17、所述卷积神经网络层包括两个卷积层和一个池化层；所述双向门控循环单元层包括两个gru网络；所述多头自注意力机制层和输出层通过全连接层进行连接。

18、步骤4中基于步骤3的预测机组蓄热数据集对机组蓄热系数预测模型进行训练，具体按照以下步骤实施：

19、步骤4.1，将输入集{xi}输入输入层，输入特征的向量为13×16；

20、步骤4.2，通过卷积层对数据集的特征向量进行提取，提取后的特征向量通过池化层降为一维数据；

21、步骤4.3，双向门控循环单元层对步骤4.2输出的数据进行双向训练，学习机组运行数据与蓄热系数之间更深层次的时序特征，然后将其所有的输出数据作为多头自注意力机制层的输入数据；

22、步骤4.4，多头自注意力机制层对双向门控循环单元层输出的隐藏状态ht赋予不同权重值；

23、步骤4.5，输出层对步骤4.4处理后的数据采用tanh作为激活函数，通过激活函数将输出映射到(-1,1)区间内，得到预测的机组蓄热系数；

24、步骤4.6，将预测的机组蓄热系数与输出集{yi}进行比对，重复步骤4.1～步骤4.5，进行多次迭代训练，直至模型收敛。

25、步骤4.4中为隐藏状态ht赋予不同权重值，具体如公式(2)和公式(3)所示：

26、at＝f(q,ht)                      (2)；

27、

28、式中，f为gru网络，q为gru网络的预测向量，ht为时间步t的gru隐藏状态，αt为时间步t的权重；

29、所述步骤4.5具体如公式(4)所示：

30、

31、式中，x是输入值，e是自然对数底数。

32、蓄热系数与负荷指令超前量的对应关系为：当蓄热系数为-1时，负荷指令超前量为-10；当蓄热系数为-0.6时，负荷指令超前量为-5；当蓄热系数为-0.4时，负荷指令超前量为-2；当蓄热系数为-0.1时，负荷指令超前量为-0；当蓄热系数为0时，负荷指令超前量为0；当蓄热系数为0.1时，负荷指令超前量为0；当蓄热系数为0.4时，负荷指令超前量为2；当蓄热系数为0.6时，负荷指令超前量为5；当蓄热系数为1时，负荷指令超前量为10。

33、步骤5中基于生成的蓄热系数生成负荷指令具体为，当机组处于升负荷状态且储能荷电状态小于最低出力限制时，生成的负荷指令中增加蓄热系数对应的负荷指令超前量；当机组处于降负荷状态且储能荷电状态大于储能充电限制时，生成的负荷指令中减少蓄热系数对应的负荷指令超前量。

34、本发明的有益效果是，

35、本发明基于电池储能状态的机组负荷超前控制方法，通过实时读取储能电池和机组相关参数，根据机组agc指令判断机组升负荷、降负荷、稳态；根据储能电池的储能荷电状态(soc)和出力参数，判断其是否能够满足机组负荷变负荷要求。储能电池无法满足时，结合机组实时工况预测机组蓄热系数，自动调整机组负荷设定超前控制量。能够充分利用机组蓄热的同时避免储能系统出现过充或过放的情况，即延长了储能系统的使用寿命又综合考虑储能状态和机组情况，分工况利用机组蓄热，提升机组负荷调节性能指标。

技术特征：

1.基于电池储能状态的机组负荷超前控制方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述步骤1中机组状态包括升负荷、降负荷、稳定状态，所述升负荷为agc指令大于机组当前负荷，所述降负荷为agc指令小于机组当前负荷，所述稳定状态为agc指令等于机组当前负荷。

3.根据权利要求1所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述步骤2中判断储能出力是否满足agc指令具体为，所述储能系统的调节范围为0.2～0.9，当储能系统的储能荷电状态不在调节范围内时，则储能能力无法满足agc指令。

4.根据权利要求1所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述步骤3中机组蓄热系数为存储在水冷壁、汽包和过热器中蒸汽流量的变化量和汽包压力变化速率的比值，比值c如式(1)所示：

5.根据权利要求1所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述步骤3中预测机组蓄热数据集包括输入集{xi}和输出集{yi}，所述输入集{xi}为时刻t0前的300秒的机组参数以及时刻t1时机组的汽包压力和主汽流量，所述机组参数包括负荷、主汽流量、给水流量、主汽压力设定值、主汽压力实际值、总风量、燃料量、主汽温度、炉膛负压、综合阀位、负荷变化率、汽包压力；根据不同时刻构建i个输入样本形成输入集{xi}；

6.根据权利要求5所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述机组蓄热系数预测模型包括输入层、卷积神经网络层、双向门控循环单元层和多头自注意力机制层和输出层

7.根据权利要求6所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述步骤4中基于步骤3的预测机组蓄热数据集对机组蓄热系数预测模型进行训练，具体按照以下步骤实施：

8.根据权利要求7所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述步骤4.4中为隐藏状态ht赋予不同权重值，具体如公式(2)和公式(3)所示：

9.根据权利要求1所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述蓄热系数与负荷指令超前量的对应关系为：当蓄热系数为-1时，负荷指令超前量为-10；当蓄热系数为-0.6时，负荷指令超前量为-5；当蓄热系数为-0.4时，负荷指令超前量为-2；当蓄热系数为-0.1时，负荷指令超前量为-0；当蓄热系数为0时，负荷指令超前量为0；当蓄热系数为0.1时，负荷指令超前量为0；当蓄热系数为0.4时，负荷指令超前量为2；当蓄热系数为0.6时，负荷指令超前量为5；当蓄热系数为1时，负荷指令超前量为10。

10.根据权利要求1所述的基于电池储能状态的机组负荷超前控制方法，其特征在于，所述步骤5中基于生成的蓄热系数生成负荷指令具体为，当机组处于升负荷状态且储能荷电状态小于最低出力限制时，生成的负荷指令中增加蓄热系数对应的负荷指令超前量；当机组处于降负荷状态且储能荷电状态大于储能充电限制时，生成的负荷指令中减少蓄热系数对应的负荷指令超前量。

技术总结本发明公开的基于电池储能状态的机组负荷超前控制方法，具体按照以下步骤实施：步骤1，根据AGC指令与机组当前负荷判断机组状态；步骤2，判断储能出力是否满足AGC指令；步骤3，建立机组蓄热系数和预测机组蓄热数据集；步骤4，构建机组蓄热系数预测模型并基于步骤3的预测机组蓄热数据集对机组蓄热系数预测模型进行训练；步骤5，将机组运行时的数据输入步骤4完成训练的机组蓄热系数预测模型，生成蓄热系数，构建蓄热系数与负荷指令超前量的对应关系，基于生成的蓄热系数生成负荷指令并由机组进行执行。本发明解决了现有技术中按照固定比例系数将调频任务分配给储能系统和常规火电机组导致机组负荷过高的问题。技术研发人员：杜胜东,邹包产,赵宇,郭楚珊,武志强受保护的技术使用者：中国大唐集团科学技术研究总院有限公司西北电力试验研究院技术研发日：技术公布日：2024/11/18