《Processes》:Coordinated Control of Thermal Power Unit–Hybrid Energy Storage System for AGC Based on Improved Markov Power Prediction
编辑推荐:
高比例可再生能源并网对现代电力系统频率稳定性构成严峻挑战,而常规火电机组(TPU)因动态响应较慢,难以满足高精度频率调节需求。由飞轮与电池构成的混合储能系统(HESS)通过优势互补,已成为TPU-HESS协同调节的主流方案。然而,现有策略普遍采用刚性荷电状态(
高比例可再生能源并网对现代电力系统频率稳定性构成严峻挑战,而常规火电机组(TPU)因动态响应较慢,难以满足高精度频率调节需求。由飞轮与电池构成的混合储能系统(HESS)通过优势互补,已成为TPU-HESS协同调节的主流方案。然而,现有策略普遍采用刚性荷电状态(SOC)约束,缺乏电池寿命优化,且功率预测模型不完整、与实时控制的融合较弱。为填补上述空白,研究人员提出一种预测辅助的协同控制框架:建立经K-means时序形态聚类校正的三矩阵自适应Markov预测模型,并结合加权随机采样场景树方法;进而设计预测驱动的动态SOC区间前馈-反馈控制策略,用于HESS功率调度与SOC管理。仿真验证表明,聚类校正使预测均方根误差(RMSE)降低22.25%;所提策略使电池最优SOC运行比例提高34.25%,等效循环次数(equivalent cycles)降低19.80%,综合自动发电控制(AGC)性能指标提高160.93%。该研究为高效、耐久的TPU-HESS频率调节系统提供技术支撑。
高比例可再生能源并网使电力系统频率稳定问题突出。常规火电机组(TPU,thermal power unit)受热惯性大、机械响应延迟和调节精度有限制约,难以独立满足高频率、随机、变幅值的调节需求;单一电池储能系统(BESS,battery energy storage system)或飞轮储能系统(FESS,flywheel energy storage system)分别存在投资成本、频繁充放电寿命衰减和持续损耗等瓶颈。飞轮与电池构成的混合储能系统(HESS,hybrid energy storage system)可实现优势互补,但现有协调策略多采用刚性荷电状态(SOC,state of charge)约束,缺乏电池寿命优化,未充分考虑HESS未来功率需求;Markov预测模型存在转移矩阵不完整、未覆盖稳态工况、多场景优化缺失、与实时闭环控制结合不足等问题;传统K-means还存在初始质心不稳定和幅值偏置误聚类问题。针对上述不足,研究人员提出预测辅助的协调控制框架,将K-means校正的三矩阵自适应Markov功率预测、加权随机采样场景树和预测驱动动态SOC区间前馈-反馈控制相结合,以提高预测精度、延长电池寿命并提升自动发电控制(AGC,automatic generation control)综合性能。该研究为高效、耐久TPU-HESS调频系统提供技术支撑。
关键技术方法方面,数据来源于山东某330 MW参与AGC调节的火电机组,采样间隔1 s,4个典型夏季日共345,600个样本,按70%、15%、15%划分训练、验证和测试集,且不打乱以避免信息泄漏。方法主要包括:构建上升、稳态、下降三矩阵自适应Markov链并以指数修正因子在线更新;采用变预测时域、概率阈值剪枝和加权随机采样生成场景树;利用K-means时序形态聚类、滑动窗口三段均值特征匹配构建历史校正库;设计HESS功率分配、飞轮/电池自恢复及动态SOC区间前馈-反馈控制;以均方根误差(RMSE,root mean square error)、平均绝对误差(MAE,mean absolute error)、跟踪误差(TE,tracking error)、AGC性能指标和雨流计数法(rainflow counting)等效循环进行评估。
研究结果如下。3.1 三矩阵模型的有效性:通过转移概率矩阵热图分析发现,状态转移概率主要集中于对角线,上升矩阵右侧概率较高、下降矩阵左侧较高;五步预测随预测步数增加精度下降,但预测序列总体可跟踪实际HESS需求功率;比较不同自适应时间表明,最优在线自适应更新间隔为2 h,较无在线自适应更新RMSE改善2.46%;变时域加权随机采样场景树较固定拓扑场景树RMSE降低4.45%,较最大似然估计方法降低3.87%。K-means时序形态聚类校正策略性能验证:通过轮廓系数和RMSE比较,K=2轮廓系数最大,但综合考虑上升、下降、峰型、谷型四类工况,工程采用K=4,聚类校正使RMSE降低22.25%。3.2 动态区间SOC控制策略验证:通过SOC轨迹比较,传统硬限幅策略使电池SOC处于最优运行范围的时间比例为43.97%,所提动态区间前馈策略提高至59.03%,相对提高34.25%;雨流计数结果显示,同等参数独立电池日等效循环为7.0128次,传统控制降至4.6374次,所提策略进一步降至3.7190次,电池循环寿命延长19.80%。3.3 火电机组综合AGC频率调节性能验证:通过阶跃升、降指令和连续AGC指令跟踪比较,所提策略响应更快、跟踪偏差更小,连续运行中未发生SOC硬截止;调节速率、调节精度和响应时间分别提高98.64%、25.80%和2.43%,综合AGC性能指标提高160.93%。3.4 性能验证与敏感性分析:3.4.1 功率预测模型比较中,与LSTM(long short-term memory)、GRU(gated recurrent unit)、RandomMPC和ARIMA(autoregressive integrated moving average)相比,所提模型RMSE为0.6059、MAE为0.2517,分别较最佳基线低约13.1%和10.6%;ARIMA的TE略低(0.3381对0.3500),但RMSE和MAE明显更大。3.4.2 控制策略比较中,与RULE、MPC(model predictive control)、传统硬限幅和单电池方案相比,所提策略综合性能指标为2.638,较传统、MPC、RULE分别高160.9%、84.5%、17.6%,较单电池高242.6%;日等效循环3.7190次,较传统、MPC、RULE分别低19.8%、23.2%、35.2%,较单电池低47.0%;调节速率0.821约为传统策略两倍。3.4.3 参数敏感性分析采用单因素逐一分析(OFAT,one-factor-at-a-time),扰动BESS自恢复指数、飞轮自恢复系数、电池自恢复系数、预测置信水平和SOC预警阈值;最优SOC比例保持在56.16%–61.25%,等效循环保持在3.67–3.78次,表明策略具有稳健性;飞轮自恢复系数影响小于1%,BESS自恢复指数和SOC预警阈值最敏感,预警阈值增至0.07时综合指标降至2.413,预测置信水平0.6和1.0分别使综合指标为2.491和2.681,但后者使循环强度升至3.6744次。
讨论与局限方面,原文指出该研究仅使用单一火电厂数据,HESS内部状态主要基于仿真验证,固定超参数和事后退化评估不构成完全自适应的寿命感知优化框架;未来将采用多电厂、多季节AGC数据集验证,引入在线不确定性量化和退化成本估计,并为预测辅助控制器建立形式化闭环稳定性保证。研究结论翻译如下:其一,构建了经K-means聚类校正的自适应在线更新三矩阵Markov链预测框架及HESS协同AGC控制策略,高精度功率预测模块为闭环优化控制提供可靠输入序列;其二,以RMSE为定量标准,三矩阵Markov链较传统双矩阵模型提高预测精度4.56%,较单矩阵模型提高10.35%,本案例最优自适应更新间隔为2 h,在线自适应更新较固定参数Markov模型提高2.36%,可适应AGC调节指令的周期性波动;其三,加权随机采样场景树生成方法在预测精度上较最大似然估计方法高3.87%、较固定拓扑场景树高4.45%,并有效降低计算复杂度;其四,提出历史相似波形匹配校正方法,通过K-means建立典型功率曲线簇和历史校正库,采用实时形态相似匹配自适应修正预测值,使RMSE进一步降低22.25%;其五,在上述预测模块支持下实现HESS主动预调节,动态区间SOC前馈-反馈控制使电池SOC处于最优范围的运行比例提高34.25%,锂离子电池循环寿命延长19.80%,综合频率调节性能指标提高160.93%。