控制风力发电厂的方法与流程

1.本发明涉及用于控制包括能量存储装置的风力发电厂的方法和控制系统，并且特别地本发明涉及对能量存储装置的充电状态的控制。


背景技术：

2.风力发电厂包括一组风力涡轮发电机，所述风力涡轮发电机将包含在风中的能量转换为电力，所述电力通常被输送到电网。风力发电厂的场址风力条件的差异可能导致每个发电机的功率输出不同。此外，风随时间可变的特质导致发电机中的每一个的对应随机功率输出。
3.同时，电网上可能会发生改变从风力发电厂需求的电力的一系列事件，所述事件包括：连接到电网的负载的电力消耗的变化；电网的计划变化(诸如添加新负载)；实时电价波动；以及关键电网事件(包括诸如电网上的电压或频率的突然变化的故障)。
4.风力发电厂输送到电网的信号的特性(特别是该信号的频率和相位角)必须与瞬时电网要求相一致。风力发电厂还必须以电网需求的水平输送有功和无功功率。在电网事件期间，这些要求可能会突然变化，在这种情况下，风力发电厂可能不得不通过修改其输出来做出反应。
5.因此，必须仔细管理风力发电厂的每个风力涡轮发电机的输出被整理和输送到电网的方式。因此，风力发电厂必须结合用于以动态方式控制其输出的手段，以响应变化的电网需求，同时还补偿变化的风力条件。
6.一种这样的手段是在风力发电厂内包括一个或多个能量存储装置。实际上，如果电网需要将风力发电厂作为虚拟同步机(vsm)进行控制，以提供不受生成电力的波动或“虚拟惯性”影响的期望输出，那么以某种形式包括能量存储器可能是必不可少的。这种能量存储装置通常可根据指令充电和放电，并且能够存储大量电荷，使得它们能够在短暂但持续的时间段内放大风力涡轮发电机提供的功率。因此，这些能量存储装置不同于通常包括在风力发电厂的功率转换器和滤波器中的相对较小的平滑电容器和电感器。
7.实际上，可以将相应的能量存储装置集成到每个风力涡轮发电机中，以单独地为发电机提供惯性。例如，可以将能量存储装置耦合到风力涡轮发电机的功率转换器的dc链路。在这种情况下，可以对能量存储装置进行充电或放电，以缓解对风力涡轮发电机的需求。例如，在大风情况下，能量存储装置可以被放电以允许发电机降低其功率输出以实施阻尼，用于降低结构负载。然而，能量存储装置以这种方式运行的能力因需要保留在关键电网事件期间可能需要的电荷而受到限制。
8.替代地或附加地，能量存储装置可以附接到公共耦合点(pcc)，以为整个发电厂提供虚拟惯性，在这种情况下应用类似的操作约束。
9.在任一种情况下，鉴于服务中出现的相互冲突的需求，对能量存储装置进行控制以优化操作都是一项挑战。例如，确保有足够的容量来吸收功率生产中的尖峰的需求必须与保留足够的电荷来补偿功率生产的瞬时下降或应对诸如低压穿越等故障情况的约束进
行平衡。另一个要考虑的因素是，当电价低时，可能期望提高能量存储装置的充电状态，以期在价格上涨时通过售电来增加收入。相反，当电价高时，可能会预期较低的充电状态。
10.正是在这种背景下设计了本发明。


技术实现要素：

11.本发明的一个方面提供了一种控制风力发电厂的方法。所述风力发电厂连接到电网，并且包括能量存储装置和一个或多个风力涡轮发电机，所述风力涡轮发电机生产电力以输送到所述电网。所述方法包括：处理与电网相关的电网数据以确定所述电网的未来状态的概率预测；以及根据所述概率预测控制能量存储装置的充电和放电。
12.与寻求以离散或确定性方式预测风力发电厂的未来输入的已知方法相比，本发明的方法将对风力发电厂的能量存储装置的控制基于对电厂的输入——具体而言是电网状态——的概率预测，该概率预测以概率的方式代表潜在的未来电网事件。换言之，电网状态的概率预测提供了在特定时间窗口内发生的一系列事件或状态变化的相对概率的指示。这种方法比离散预测更不容易受到不准确性的影响，因此使得能够增强对能量存储装置的操作的优化(这通常需要找到装置的最佳充电状态)。
13.该方法可以包括确定与风力发电厂的操作相关的一组机会约束(chance-constraint)，为该组的每个机会约束确定相应的限制，以及基于每个机会约束限制和所述概率预测确定与能量存储装置的充电和/或放电相关的一组装置约束。然后控制能量存储装置的充电和放电以避免违反装置约束，应注意，该装置约束根据所述概率预测确定。因此，这样的方法使得能够实现对能量存储装置的优化使用，同时控制违反装置和/或风力发电厂的操作约束的风险，从而相对于常规方法增强了控制灵活性。
14.这样的方法还可以包括解决用于控制能量存储装置的充电和放电的优化问题，该优化问题包括装置约束，在这种情况下，基于优化问题的控制输出来控制能量存储装置的充电和放电。
15.可以使用预测算法来解决优化问题。例如，该方法可以包括使用预测算法模拟风力发电厂的操作。在这样的实施例中，该预测算法可以基于机会约束模型预测控制策略。换言之，在这样的实施例中，可以使用机会约束模型预测控制来优化能量存储装置的充电状态。
16.每个限制可以限定可以违反相应机会约束的风力发电厂的操作时间比例。
17.所述一组机会约束中的每个机会约束可选地包括提供以下任一项的要求：虚拟惯性；电网频率控制；输送到电网的功率的有限升降速率；限定的电压穿越事件期间的功率输出曲线；电力线闪变(flicker)的减少；无功功率注入；电网振荡阻尼；侧向扭矩阻尼；传动系统扭矩阻尼；向上偏航控制；以及低于阈值水平的噪声。
18.在一些实施例中，该方法包括确定能量存储装置的充电状态设定点，以及根据该充电状态设定点控制能量存储装置的充电和放电。
19.所述概率预测可选地包括以下任一项：累积分布函数；以及概率密度函数。
20.该方法可以包括处理指示风力条件的数据以确定风力条件的概率预测，以及根据风力条件的概率预测控制能量存储装置的充电和放电。因此，本发明的实施例允许基于风力发电厂的多个输入(即电网状态和风力条件)的变化可能性来控制能量存储装置。还可以
为其他输入导出概率预测，所述其他输入包括风力发电厂的辅助系统(诸如防冻系统)的状态，在这种情况下，这些也可以在能量存储装置的控制中被考虑在内。
21.可以根据违反一项或多项电网要求的规定概率控制能量存储装置的充电和放电。
22.电网数据可以包括以下任一项：指示电网状态的数据；关于输送到电网的功率的升降速率限制；从电网接收的请求；电网设计数据；历史电网数据；从电厂级和/或涡轮机级分析获得的指示弱电网的数据；电价数据；以及用户输入的指示电网的计划变化的预测。
23.该方法可以包括根据所述概率预测或每个概率预测改变风力发电厂的一个或多个风力涡轮发电机的操作，以及根据改变的所述一个风力涡轮发电机或每个风力涡轮发电机的操作和所述概率预测或每个概率预测来控制能量存储装置的充电和放电。
24.能量存储装置可以电耦合到风力发电厂连接到电网的公共耦合点。替代地，能量存储装置可以集成到风力发电厂的风力涡轮发电机中。还可以是风力发电厂包括多个能量存储装置，例如集成到该风力涡轮发电机或每个风力涡轮发电机中的存储装置，以及耦合到公共耦合点的其他的能量存储装置。
25.本发明的另一方面提供了一种用于风力发电厂的控制系统。风力发电厂连接到电网，并且包括能量存储装置和一个或多个风力涡轮发电机，所述一个或多个风力涡轮发电机生产电力以输送到电网。该控制系统包括：输入端，其被配置为接收与电网相关的电网数据；处理模块，其被配置为处理电网数据以确定电网的未来状态的概率预测，并根据所述概率预测生成控制信号，所述控制信号被安排为控制能量存储装置的充电和放电；以及输出端，其被配置为输出控制信号。
26.该控制系统可以被配置为执行上述方面的方法。
27.本发明还扩展到包括上述方面的控制系统的风力发电厂。
28.应当理解，本发明的每个方面的优选和/或可选特征也可以单独或以适当的组合并入本发明的其他方面。
附图说明
29.为了可以被更充分地理解，现在将仅通过示例的方式参考以下附图描述本发明，其中：
30.图1是适用于本发明的实施例的风力涡轮发电机的示意图；
31.图2是包括多个诸如图1所示的风力涡轮发电机的风力发电厂的示意图；
32.图3是适用于本发明的实施例的基于全尺寸转换器的风力发电厂的架构的示意图；
33.图4是示出控制输入和发电厂输出的时间曲线图的图表；以及
34.图5是示出用于控制图3的风力发电厂的过程的流程图。
具体实施方式
35.大体而言，本发明的实施例提供了用于通过对风力发电厂的输入进行概率建模，并基于输入中的各种可能变化的相应可能性确定对该装置或每个装置进行充电和放电的最佳策略，来优化结合到风力发电厂中的一个或多个能量存储装置的操作的方法和控制系统。
36.例如，可选地可以使用预测算法针对未来的风力条件和/或电网事件导出统计特性或概率预测(诸如概率密度函数)。然后可以根据这些概率变量确定能量存储装置的充电状态设定点。这导致设定点不太容易受到预测不准确性的影响，从而考虑了风力发电厂的这些输入的随机特质。
37.具体地，在下面描述的实施例中，预测算法形成机会约束模型预测控制方法的一部分，在机会约束模型预测控制方法中，为与风力发电厂的操作相关的机会约束设置限制，然后可以使用针对每个输入导出的概率密度函数将所述限制转换为风力发电厂的一个或多个能量存储装置的操作的硬约束。这些硬约束然后馈送到模型预测控制算法中，该模型预测控制算法解决优化问题以找到该能量存储装置或每个能量存储装置的最佳充电状态和/或充电/放电策略。
38.在这种情况下，相关的机会约束与发电厂的输入的变化(特别是风力条件和电网事件的变化)相关，这些变化直接或间接地反映了可能需要对能量存储装置进行充电或放电的情况，并且这种特定形式的模型预测控制考虑了在确定对能量存储装置进行充电和放电的策略时出现那些情况中的每一种的机会。
39.与每个机会约束相关的相互冲突的要求可以在操作中那些机会约束中的每一个被违反或必须被满足的相应概率的背景下相互权衡，从而使得能够找到能量存储装置的优化充电状态。
40.在一个简单的示例中，一对相互冲突的约束可以是在风能瞬间达到峰值的情况下对能量存储装置提供虚拟惯性以吸收过剩电力的要求，和在低压穿越事件期间对能量存储装置释放能量的单独要求。可以基于未来风力条件和电网事件的概率建模来确定这些场景中的每一种出现的概率，并且可以将优化的充电状态朝向更有可能的场景进行加权，从而长期而言使违反任一约束的总体概率最小化，并确保对机会约束的违反被保持在规定的限度内。在实践中，将有更多的变量和可能的结果需要考虑，从而导致需要解决复杂的优化问题。
41.由于电价在短时间内可能变化很大，因此存在通过根据预期的价格变化修改能量存储装置的充电/放电策略，同时在此期间满足最低电网要求，来进行能量存储装置的成本优化操作以增加收入的潜力。
42.下面更详细地描述了可以考虑在内的特定约束的其他示例，但在此阶段应注意，对各种可能的场景进行概率建模会使设定点或其他充电/放电策略比在仅处理瞬时条件的现有技术方法中可能达到的程度大得多的程度上得到优化。即使是试图以确定性方式预测未来输入的方法也容易受到它们的预测不准确性的影响，尤其是对于像风力条件或电网事件这样易变的输入而言。与这些方法相比，本发明的实施例不是将控制基于预测结果，而是将控制基于一系列结果的相应机会。
43.由于任何形式的预测都涉及不确定性，因此先前的方法为能量存储装置的充电状态设定了硬性限制或极限(margin)，这些限制为次优化操作提供了缓冲。然而，实施这样的极限会妨碍对装置的容量的充分利用。在这种情况下，本发明的实施例提供的优点是能量存储装置的优化充电状态设定点将风力发电厂的输入的不确定性考虑在内，并因此避免了对装置的充电状态应用极限的需要，从而提高了对装置的容量的利用率。
44.下面参考图1至图3概述了这种方法的具体实施方式，其展示了如何将本发明的概
念结合到现有的风力发电厂控制架构中。应当理解，该实施方式仅作为示例进行描述，并且本发明的实施例将在所有风力发电厂架构中找到应用。
45.因此，为了提供本发明的上下文，图1示出了可以根据本发明的实施例进行控制的种类的单个风力涡轮发电机1。应当理解，图1的风力涡轮发电机1在此仅作为示例被提及，并且可以将本发明的实施例实施到许多不同类型的风力涡轮机系统中。
46.所示的风力涡轮发电机1是三叶片逆风水平轴风力涡轮机(hawt)，这是使用中最常见类型的涡轮机。
47.风力涡轮发电机1包括具有三个叶片3的涡轮转子2，转子2以通常方式支撑在机舱4的前部。应当注意，尽管三个叶片是常见的，但是在替代实施方式中可以使用不同数量的叶片。机舱4又安装在支撑塔架5的顶部，支撑塔架5固定到嵌入地面的基部(未示出)。
48.机舱4包含由转子2驱动以生产电能的发电机(图1中未示出)。因此，风力涡轮发电机1能够从穿过转子2的扫掠区域使叶片3旋转的风流生成电力。
49.图2示出了在具有多个单独的风力涡轮发电机1的风力发电厂6的背景下的风力涡轮发电机1；具体地，在图2所示的风力发电厂6中存在三个风力涡轮发电机1。每个风力涡轮发电机1具有连接到传输线7b的输出线7a，该传输线7b将风力发电厂6内生成的电力传送到电网。
50.风力发电厂6的每个风力涡轮发电机1连接到控制风力发电厂6的操作的发电厂控制器(ppc)8。在该实施例中，ppc 8负责监测操作条件并负责基于有功功率需求向每个风力涡轮发电机1发出无功功率参考。因此，ppc 8代表用于控制风力发电厂6的操作的控制系统的一部分。
51.为此，ppc 8包括输入端9，在该输入端9处接收来自每个风力涡轮发电机1的操作数据。输入端9还接收指示电网状态的数据和指示风力条件的数据。ppc 8还包括处理器10，除其他的以外，处理器10使用在输入端9接收的数据来确定风力涡轮发电机1的有功和无功功率参考。
52.现在参考图3，示出了可以应用根据本发明的实施例的方法的风力发电厂12的示例。图3所示的示例基于全尺寸转换器架构，尽管如上所述本发明的实施例可以与其他类型的转换器一起使用并且一般而言本发明适用于所有拓扑结构。图3所示的风力发电厂12可以与图2所示的风力发电厂6以相同的方式被配置。
53.图3的风力发电厂12的组件是常规的并且对于本领域的读者来说是熟悉的，因此将仅进行概略性的描述。
54.图3所示的风力发电厂12包括单个风力涡轮发电机1(诸如图1所示的风力涡轮机)，但实际上其可以包括其他风力涡轮发电机(如图2所示)。
55.如已经指出的那样，风力涡轮发电机1包括由转子2驱动以生产电力的发电机20。发电机20包括由转子2驱动以在定子23内旋转的中央电枢21。定子23包含一组或多组三相绕组(未示出)，其中，在涡轮机控制器27的控制下，响应于由电枢21的旋转产生的磁通量变化而感应出电流。
56.风力发电厂12还包括由终止于耦合变压器18的一束低压线16限定的低压链路14，该耦合变压器18充当将风力涡轮发电机1连接到电网传输线的终端，该电网传输线又连接到电网19。由风力涡轮发电机1产生的电力通过耦合变压器18输送到电网19，输送到电网19
的电力在图3中表示为p
ppc
。
57.全尺寸架构的发电机20通常生产多相电力。在该实施例中，发电机20中生产的电力是三相ac，但不是处于适合输送到电网19的形式，特别是因为它通常不处于正确的频率或相位角。因此，风力涡轮发电机1包括布置在发电机20和耦合变压器18之间的功率转换器22和滤波器24，以将发电机输出处理成具有与电网19相同的频率和适当的相位角的合适波形。
58.功率转换器22通过将电流馈送通过ac-dc转换器或“机器侧转换器”26，随后是串联的dc-ac转换器或“线路侧转换器”28，来提供ac到ac转换。机器侧转换器26通过常规dc链路30连接到线路侧转换器28，该dc链路30包括：开关电阻器32，其充当倾卸负载以使过剩能量得以释放；以及平滑电容器34，其提供对dc输出的平滑。
59.可以使用任何合适的功率转换器22。在该实施例中，功率转换器22的ac-dc和dc-ac部分由开关装置(未示出)的相应桥接限定(例如在常规的两级背靠背转换器的配置中)。用于此目的的合适开关装置包括集成栅极双极晶体管(igbt)或金属氧化物半导体场效应晶体管(mosfet)。开关装置通常使用脉宽调制驱动信号进行操作。
60.机器侧转换器26的平滑dc输出作为dc输入被线路侧转换器28接收，线路侧转换器28产生三相ac输出以输送到耦合变压器18。
61.功率转换器22的ac输出由共同限定低压链路14的三条电力线16承载，每条线16承载相应的相。低压链路14包括滤波器24，在该实施例中，滤波器24包括用于三条电力线16中的每一条的具有相应分流滤波电容器40的相应电感器38，以提供用于从ac波形中去除开关谐波的低通滤波。
62.如上所述，低压链路14终止于耦合变压器18，耦合变压器18提供所需的电压爬升。来自耦合变压器18的高压输出限定了风力涡轮发电机终端42，风力涡轮发电机终端42充当风力发电厂12的公共耦合点。
63.如上所述，在全尺寸架构中，线路侧转换器28被配置为提供对所生产的ac电力的特征的一定水平的控制，例如根据电网需求增加相对无功功率。注意到输出的幅度、角度和频率由电网要求决定，并且电压根据低压链路14的规格设定在恒定水平，实际上仅控制ac输出的电流，并且为此目的提供了转换器控制器36。转换器控制器36和涡轮机控制器27又作用于从ppc 8接收的命令。在这方面，图3中的虚线表示ppc 8、涡轮机控制器27和转换器控制器36之间的通信线路。
64.转换器控制器36、涡轮机控制器27和ppc 8一起形成控制风力发电厂12的操作的整体控制系统的一部分。
65.如上所述，本发明的实施例涉及对结合到风力发电厂中的能量存储装置的控制。在这方面，图3中示出了两个这样的装置：第一能量存储装置44，其电耦合到功率转换器22的dc链路30并且由转换器控制器36操作；和第二能量存储装置46，其电耦合到功率转换器22的电网侧的风力涡轮发电机终端42并且由ppc 8控制。
66.如上所述，尽管图3中仅示出了一个风力涡轮发电机1，但在实践中风力发电厂通常包括一组这样的风力涡轮发电机，并且在这样的布置中，每个风力涡轮发电机可以包括相应的能量存储装置。
67.具有第一能量存储装置44和第二能量存储装置46两者使风力发电厂12响应不同
操作场景的灵活性最大化。然而，在实践中，仅在这些位置中的一个提供能量存储装置可能就足够了，即要么将其集成到该风力涡轮发电机1或每个风力涡轮发电机1中，要么将其耦合到公共耦合点(即该示例中的风力涡轮发电机终端42)。
68.各种其他能量存储器拓扑结构也是可能的。例如，风力发电厂的风力涡轮发电机可以被分配到两个或更多个子组，每个子组具有相应的能量存储装置。
69.原则上，各种能量存储技术都可以用于第一能量存储装置44或第二能量存储装置46。在实践中，电池和大电容器是可能的选项。
70.第一能量存储装置44具有充电状态(soc)44a，其如图3中的虚线所示。在此之上，另一条虚线表示soc 44a的上限(upper margin)44b，其被实施以确保如果需要的话装置44始终具有吸收电力的储备容量。相应地，第一能量存储装置44还具有soc 44a的下限44c，其确保了装置44始终保留一些电荷(例如用于电网事件)。例如，下限44c可以表示5％充电，上限44b可以对应于95％充电。
71.类似地，第二能量存储装置46在图3中被示出为具有表示soc 46a、soc 46a的上限46b和soc 46a的下限46c的虚线。
72.如上所述，通过对输入不确定性进行概率建模，本发明的实施例有利地允许将上限和下限44、46b、44c、46c分别设置为100％和0％(如果期望的话)。
73.第一能量存储装置44和第二能量存储装置46各自可操作以分别在转换器控制器36和ppc 8的控制下选择性地充电和放电。在该实施例中，转换器控制器36基于从ppc 8接收的命令控制第一能量存储装置44。为每个能量存储装置44、46采用的充电/放电策略由ppc 8使用机会约束模型预测控制来确定，以时刻优化每个装置44、46的充电状态，这将在下面更详细地解释。
74.在该实施例中，第一和第二能量存储装置44、46中的每一个是dc装置。第一能量存储装置44连接到功率转换器22的dc链路，因此可以简单地直接连接。然而，第二能量存储装置46必须与承载三相ac电力的低压链路14交换电力。因此，ac/dc转换器48被提供为充当低压链路14和第二能量存储装置46之间的接口。
75.第一能量存储装置44和第二能量存储装置46各自具有相对于功率转换器22的平滑电容器34或滤波电容器40大大增加的存储容量。这与选择性充电和放电的能力相结合，显著地扩展和改进了风力发电厂12使其输出与电网要求相匹配的能力。换言之，第一和第二能量存储装置44、46增强了风力发电厂12的虚拟惯性。
76.第一能量存储装置44在功率转换器22内的位置对于增强风力涡轮发电机1的操作(例如在高负载条件期间允许在风力涡轮发电机1内消耗电力以降低结构负载)也是理想的。如果第一能量存储装置44保持足够的电荷，则其提供可以容易地访问以在必要时补充发电机20的输出的电力源，特别是在发电机的输出被故意降低以实施高负载下的侧向扭矩阻尼和/或传动系统扭矩阻尼的情况下。
77.相应地，第二能量存储装置46暴露于风力发电厂12的所有风力涡轮发电机1的组合输出，因此被理想地放置以平滑和调整该输出来匹配电网要求。
78.因此，在该实施例中，第一能量存储装置44主要用于辅助其所在的风力涡轮发电机1的操作，特别是用于降低风力涡轮发电机1中产生的结构负载，而第二能量存储装置46主要聚焦于使风力发电厂12的输出与电网要求相一致。然而，每个能量存储装置44、46都可
以起到满足任一角色的作用。
79.由上可知，第一能量存储装置44在处于充电模式时从dc链路30汲取电力，而在处于放电模式时将电力输出到dc链路30。相应地，第二能量存储装置46在处于充电模式时从低压链路14汲取电力，并且在处于放电模式时将电力分配到低压链路14。
80.图3将从发电机20到机器侧转换器26的功率输入表示为p
ref
，而将来自线路侧转换器28的功率输出表示为p
gref
。在机器侧转换器26和线路侧转换器28之间存在第一能量存储装置44产生p
ref
和p
gref
不同的潜力。因此，第一能量存储装置44的充电/放电策略可以用p
ref
和p
gref
的目标值来表达。
81.相应地，对第二能量存储装置46进行充电或放电影响p
gref
和p
ppc
之间的关系，因此这些参考可用于限定第二能量存储装置46的充电/放电策略。
82.以它们各自的充电模式操作第一和第二能量存储装置44、46中的任一个通常需要利用由发电机20生产的电力并因此减少到达风力涡轮发电机终端42的电力。在这种场景下p
ref
超过p
gref
，和/或p
gref
超过p
ppc
。
83.然而，第一和第二能量存储装置44、46中的每一个也能够从电网19汲取电力，从而有利地使风力发电厂12能够充当负载。这在各种情况下可能很有用，所述各种情况包括：当由于生产过剩而出现负电价时恢复电力；为装置充电以确保执行辅助功能或补偿由于风力事件导致的电荷耗尽的能力；以及允许频率下调。在该场景下，p
gref
可能会超过p
ref
，并且p
ppc
可能会超过p
gref
。
84.利用所描述的物理硬件，现在将更详细地考虑上面介绍的控制能量存储装置44、46的控制策略。
85.如已经指出的那样，本发明的实施例试图通过将风力发电厂12的输入中的不确定性考虑在内来优化能量存储装置44、46中的每一个的soc 44a、46a。这些不确定性通过对它们进行概率建模来结合，以例如生产表示输入的概率预测的概率密度函数。同时，对与风力发电厂12的操作相关的机会约束应用限制。这些限制与每个输入的概率密度函数结合使用，以生成用于第一和第二能量存储装置44、46的操作的硬约束或“装置约束”，该约束馈送到根据模型预测控制的原理配置的风力发电厂12的模型中。在这方面，虽然已知出于其他目的在操作风力发电厂的背景下使用模型预测控制，但引入机会约束允许进行进一步优化，这对于能量存储装置的控制尤其有用。
86.具有显著不确定性的最相关输入是风力条件——或取决于风力条件的功率生产——和电网19的状态。在该实施例中，第一能量存储装置44的控制优先考虑与风力条件相关联的不确定性，因为风力变化的负载效应对于第一能量存储装置44是局部的。相应地，第二能量存储装置46的控制优先考虑与电网19的状态相关联的不确定性。在其他实施例中，情况可能相反，并且通常每个装置44、46被控制为至少在一定程度上将可用数据的所有不确定性考虑在内。
87.进行优化的主要目标是限定使风力发电厂12能够符合电网要求的p
ref
和p
gref
值，最大化生产的电力p
ppc
以及最小化该风力涡轮发电机1或每个风力涡轮发电机1上的结构负载。其他目标可以包括减少每个能量存储装置44、46的充电/放电循环的频率以最小化磨损，以及避免因未能满足电网要求而受到处罚。
88.满足这些目标相当于为第一和第二能量存储装置44、46中的每一个限定合适的充
电/放电策略，因此在最基本的级别上需要在任何给定的时间为每个装置44、46找到最佳soc 44a、46a。
89.在实践中，优化过程的输出可以是用于引起第一和第二能量存储装置44、46的充电或放电的控制信号，该控制信号可以表达为充电/放电命令和/或p
ref
、p
gref
和p
ppc
的目标值。还可以生成用于调整影响能量存储装置44、46的操作的风力涡轮发电机1的操作方面的控制信号。例如，ppc 8可以生成设定点命令以使风力涡轮发电机1降额或超额提升，从而以与该能量存储装置或每个能量存储装置44、46的充电/放电策略互补的方式影响功率生产。
90.正如熟练的读者将理解的那样，从广义上讲，标准优化问题可以表达为：
91.最小f(x,ξ)
92.受限于g(x,ξ)＝0
93.h(x,ξ)≥0
94.其中ξ是不确定性向量。在机会约束方法下，不等式约束表述为：
95.p(h(x,ξ))≥0)≥p
96.其中p∈[0,1]是满足约束h(x,ξ))≥0的概率密度函数。因此，为了最小化f(x,ξ)，该方法在机会约束可以在预定时间段或“窗口”内被违反的程度上设定限制，这在这种情况下需要为第一和第二能量存储装置44、46中的每一个找到最佳soc 44a、46a。
[0097]
每个约束的相关窗口可以是不同的，并且可以预先固定，例如如果电网19明确地或隐含地指示该窗口作为约束的一部分的话。替代地，该窗口可以作为控制方法的一部分进行调整。对于具有有限尾(finite tail)的约束(例如具有严重性上限的约束)，可以以违反约束的零机会进行操作，这样，窗口实际上是无限的。具有有限尾的约束的一个示例是功率生产，它受到每个风力涡轮发电机1的电气特征的限制。虽然风力涡轮发电机1的功率生产取决于风力条件并且因此是不确定的，但它不能超过风力发电机1的物理限制。
[0098]
尽管以下描述反映了机会约束模型预测控制方法可以如何用于解决上述风力发电厂12的背景下的优化问题，但应注意，优化问题是针对每个能量存储装置44、46解决的，并且如果在风力发电厂12中仅存在一个这样的装置，该优化问题也可以解决。然而，在存在多个能量存储装置的情况下，可以在分析中集体考虑它们。例如，可以将问题表述为在所有能量存储装置中找到最佳的集体充电状态，从而将分布式能量存储装置视为统一的能量源。然而，这将在某种程度上取决于能量存储装置44、46在风力发电厂12内的位置。例如，虽然将线路侧的装置视为统一的装置可能相对简单，但集成到功率转换器中的存储装置可能需要对它们相应的风力涡轮发电机的单独需求做出响应。
[0099]
在该实施例中，ppc 8为每个能量存储装置44、46解决优化问题，以确定每个装置44、46的充电/放电策略。然后，为第一能量存储装置44生成的充电/放电策略被传输到转换器控制器36来实施。第二能量存储装置46的充电/放电策略由ppc 8直接实施。在其他实施例中，转换器控制器36可以实施其自身的优化，以独立地确定第一能量存储装置44的充电/放电策略。
[0100]
如前所述，ppc 8可以访问指示风力条件的数据以及指示电网19的状态的数据。
[0101]
指示风力条件的数据可以包括瞬时参数的测量值，所述瞬时参数诸如是风速和风向、湍流强度和切变。ppc 8还可以访问增强其评估风力条件在预定义窗口内可能如何变化的能力的数据。例如，ppc 8可以接收或保存场址地图数据、气象数据和来自激光雷达传感
器的数据。还应注意，风力发电厂12中一个位置处的当前条件可能指示发电厂12中另一点处的未来条件，因此也可以将其考虑在内。
[0102]
通过分析这样的数据，ppc 8可以导出概率预测，该概率预测诸如是指示在定义的窗口内风力条件的一系列变化发生的相对概率的概率密度函数。可以进行概率表征的变化可以包括湍流强度的变化和平均风速的低频变化(以及诸如阵风的更极端的风力条件的出现)、风向变化和极端正切变或负切变的出现。例如，由ppc 8计算的概率密度函数可以在两分钟的窗口内指定不同速度、方向和/或持续时间的阵风的概率。
[0103]
对于电网19，需要预测以优化第一和第二能量存储装置44、46的操作的关键不确定性是关键事件的发生。这种事件可以包括各种故障，诸如出现的弱电网场景，或电网电压在其频率、相位或幅度方面表现出的突然变化(包括低压和欠压情况)。其他电网事件可以包括：连接到电网的负载的功耗变化；电网的计划变化(诸如添加新负载)；实时电价波动；以及出现的辅助服务需求(诸如惯性仿真、初级/次级频率控制和快速升降)。
[0104]
另一种不确定性以区域间/区域内振荡的形式出现，这与共振的发生相关——继而与振荡功率和电压有关——共振是激发固有频率或本征模式的结果(当不同风力涡轮发电机的信号组合在一起时)。在这方面，来自每个发电机或传输线的信号具有反映发电机和/或传输线的单独惯性、时间常数、延迟和电容的特征。例如，发电厂内的一对独立的风力涡轮发电机可能会生产略微异相的输出。
[0105]
为了评估在预定义时间窗口内发生这种事件的概率，ppc 8可以处理各种类型的数据以及电网19的当前状态和/或从电网19接收的需求的指示(诸如电网的设计19)，所述指示包括已知漏洞和指示电网行为的历史数据。此外，用于检测弱电网的电厂级和涡轮机级技术是已知的，这些技术可以馈送到ppc 8执行的分析。电网运营商基于电网19的计划变化输入的预测也可以被考虑在内。
[0106]
与分析的其他输入类似，该分析阶段的输出是概率密度函数，该概率密度函数指示在预定义窗口内发生电网事件的可能性。
[0107]
可以考虑在内的另一种形式的不确定性是需要为辅助服务(诸如防冻系统)供电。这种系统可能会在内部消耗大量电力，因此如果不考虑在内，可能会对功率输出造成干扰。
[0108]
在优化每个能量存储装置44、46的soc 44a、46a的背景下以概率方式对风力发电厂12的上述输入进行建模使得产生一组机会约束，这些机会约束可以针对每个应用进行定制。对这些机会约束应用限制，每个限制限定长期而言可能违反相应机会约束的时间比例。
[0109]
然后使用输入的概率密度函数将机会约束限制转换为用于能量存储装置44、46的操作的硬装置约束。这些装置约束然后馈送到机会约束模型预测控制分析，以确定每个能量存储装置44、46的soc 44a、46a的最佳值。
[0110]
下面阐述了可以用作机会约束模型预测控制分析的前体(precursor)的机会约束的一些示例。
[0111]
第一机会约束可以是第一和/或第二能量存储装置44、46具有提供虚拟惯性的能力，并且该约束的典型限制可以是它必须在超过99％的时间得到满足。这需要装置44、46具有处于上限和下限44b、46b、44c、46c之间的水平的soc 44a、46a，从而使得装置44、46能够根据提供惯性的需要进行充电和/或放电(例如当风力发电厂12的风力涡轮发电机1的功率生产存在波动时)。
[0112]
类似的机会约束限制可以是确保第一和/或第二能量存储装置44、46在超过99％的时间具有电网频率控制的能力，尤其是在风力发电厂12有助于使电网19能够快速响应需求和/或生产变化的初级储备的情况下。因此，该机会约束响应电网频率偏离标称水平的电网事件。
[0113]
与电网事件相关的其他机会约束限制是确保第一和/或第二能量存储装置44、46在超过95％的时间具有无功功率注入的能力，和/或在需要时供应有功功率以及无功功率的能力。在这方面，包括第一和/或第二能量存储装置44、46预计对于减轻这些约束中的后者特别有用。
[0114]
与电网事件相关的其他机会约束包括确保在超过99％的时间进行电网振荡阻尼的能力，在低压穿越/欠压穿越事件期间在超过99％的时间维持遵循指定功率输出曲线的能力，或在超过99％的时间限制到电网19的输出p
ppc
的升降速率的规定。
[0115]
与降低风力涡轮发电机1上的结构负载相关的一些机会约束包括确保第一和/或第二能量存储装置44、46在超过98％的时间具有提供侧向扭矩阻尼和/或传动系统扭矩阻尼的能力。与结构负载相关的另一个机会约束是确保在超过90％的时间，能量存储装置44、46在临界风速的背景下发生电网误差的情况下具有向上偏航控制/液压压力至少5分钟的能力。这些机会约束主要与第一能量存储装置44相关，如上所述，第一能量存储装置44可以聚焦于增强其所在的风力涡轮发电机1的操作以降低结构负载(特别是响应于电网事件)。然而，第二能量存储装置46也可以用于该目的，因此也可以针对这些机会约束进行控制。
[0116]
其他相关的机会约束是确保第一和/或第二能量存储装置44、46在超过99％的时间具有将功率谱上某些频率处的功率变化或“电力线闪变”维持在监管限制以下的能力。
[0117]
可以考虑在内的机会约束的最后一个示例是要求在至少95％的时间将噪声限制在规定的阈值，这通常需要控制叶片桨距和/或转子速度以限制某些风力条件下或特定时间的噪声。
[0118]
以上示例展示了在优化风力发电厂12内的能量存储装置44、46的soc44a、46的背景下出现的典型机会约束，以及除此之外如何通过调整未能满足它们中的每一个的相应风险来对这些机会约束进行优先级排序。因此，要求在超过99％的情况下满足的机会约束(例如与辅助电网恢复相关的那些)比仅必须在95％的时间满足的机会约束(诸如限制噪声)具有更高的优先级。可以针对每个应用调整该优先级，并且通常该优先级将反映违反每个约束的后果。
[0119]
未能满足每个机会约束的风险与每个能量存储装置的存储约束有关，在某种程度上，未能满足机会约束通常意味着已达到装置的存储限制。例如，如果装置44、46已经完全放电，则可能不会满足要求能量存储装置44、46进行放电的机会约束。相反，充满电的装置不能消耗电力来满足机会约束。
[0120]
从上面可以看出，为每个机会约束分配相应的限制可以被认为是有效地规定满足电网要求的可能性。因此，这种可能性可以在优化问题中明确规定，并且因此可以用作设计参数，该设计参数可以根据电网对风力发电厂和/或风力涡轮发电机施加的要求针对每个应用进行调整。这继而在如何操作风力发电厂12方面提供了更大的灵活性，从而允许在各个方面增强优化。特别地，该方法能够使风力发电厂12的功率输出最大化，同时控制违反与电网要求有关的约束的程度。
[0121]
图4以图形方式示出了上面阐述的优化过程在实践中如何提高风力发电厂12的性能。图4示出了两个时间曲线图：下曲线图50，其代表发电厂12的控制输入；以及上曲线图52，其代表风力发电厂12的功率生产p
ppc
。图4中的上下水平虚线表示必须将功率生产保持在其内以满足电网要求的极限。
[0122]
上曲线图52包括由阴影区域包围的实线。实线代表来自风力发电厂12的确定性等效输出，即在没有不确定性的情况下将实现的输出。阴影区域代表实际输出可能因概率为99％的不确定性而在其内偏离的区域。换句话说，阴影区域代表了在99％的情况中机会约束的潜在影响。因此，为了在99％的时间满足电网要求，该阴影区域必须保持在上限和下限内。
[0123]
在该示例中，阴影区域已通过对系统的一系列模拟的结果应用蒙特卡罗分析(monte carlo analysis)来计算，在该系统中随机实现了不同不确定性。
[0124]
图5是概括用于控制风力发电厂12的过程60的流程图，在该示例中该过程60由ppc 8执行。
[0125]
过程60开始于ppc 8在步骤62处理与风力发电厂12的一个输入或多个输入相关的数据，以概率地对输入不确定性建模来获得发电厂12的每个输入的概率预测。例如，概率预测可以是概率密度函数的形式。与风力发电厂12的输入相关的数据可以包括指示电网19的状态的数据和/或指示风力条件的数据，该数据在ppc 8的输入端9处接收。在一个实施例中，可以仅将电网19的状态考虑在内，特别是如果风力发电厂12中仅存在第二能量存储装置46的话。
[0126]
过程60继续，其中ppc 8在步骤64确定管控风力发电厂12的操作的相关机会约束的限制。机会约束与满足操作要求相关，并且每个机会约束的限制是满足约束的可能性，通常以长期而言不会违反约束的操作时间百分比进行表示。例如，在需要时将有功功率成功输送到电网19的限制可以设置为99％的时间，这意味着长期而言允许风力发电厂12在至多1％的时间不能输送电网所需要的有功功率。
[0127]
每个限制根据操作目标和电网要求确定，因此对于每个应用都不同。确定机会约束限制可能需要从内存获取它，从诸如电网19的外部源接收限制，或者用户经由ppc 8的接口限定约束限制。
[0128]
ppc 8然后使用为风力发电厂12的输入生成的概率密度函数在步骤66将在前一步骤识别的机会约束限制转换为每个能量存储装置44、46的soc44a、46a的硬装置约束。例如，这些装置约束可以包括每个装置的soc 44a、46a的上阈值和下阈值，以及最大充电或放电速率。
[0129]
装置约束被配置为使得如果它们被遵守并且能量存储装置44、46在它们内操作，则每个机会约束将不会超出其相应的限制被违反。因此，再次参考以上示例，满足每个能量存储装置44、46的装置约束将确保长期而言风力发电厂12在至少99％的时间在需要时将有功功率输送到电网19。
[0130]
过程60的下一步骤是在步骤68基于为每个能量存储装置44、46的soc 44a、46a导出的装置约束来确定每个能量存储装置44、46的充电/放电策略。例如，充电/放电策略可以采取每个能量存储装置44、46的相应设定点的形式。替代地，充电/放电策略可以包括每个装置44、46的充电或放电速率。
[0131]
充电/放电策略通过使用模型预测控制算法在定义的窗口上解决后退水平优化问题来确定，以找到每个能量存储装置44、46的最佳soc 44a、46a。
[0132]
优化问题将系统的初始条件、一组等式约束、一组不等式约束和成本函数考虑在内。初始条件包括例如当前风力条件、电网状态和每个存储装置44、46的soc 44a、46a。等式约束限定代表系统动态的系统模型。不等式约束包括在步骤66导出的装置约束和其他操作约束(包括每个存储装置44、46的存储容量)。成本函数指示优化问题所需的解的形式，并且可以以各种方式配置。例如，成本函数可以被安排为考虑功率生产和相对于风力发电厂12的输入和需求的功率输出之间的差异，以及每个存储装置44、46的soc 44a、46a与期望值的偏差。成本函数可以替代地被配置为确保风力发电厂12以最成本有效的方式操作，例如通过最大化功率生产，同时最小化风力涡轮发电机1上的结构负载和能量存储装置44、46的充电周期。
[0133]
解决优化问题生成与能量存储装置44、46的充电/放电策略相关的控制动作，如上所述，其可以是每个装置44、46的soc 44a、46a的相应设定点的形式。
[0134]
最后，ppc 8实施在前一步骤确定的充电/放电策略，并在步骤70根据优化问题的输出(例如每个能量存储装置44、46的设定点soc)控制能量存储装置44、46的充电和放电。因此，在广义上，能量存储装置44、46根据每个输入(诸如电网状态)的概率预测被控制。
[0135]
应注意，第一能量存储装置44的控制通常需要ppc 8向转换器控制器36发出控制命令。在该实施例中，第二能量存储装置46直接由ppc 8控制。
[0136]
然后过程60不断重复，其中ppc 8首先更新输入不确定性的概率模型，然后相应地更新机会约束和装置约束。每个能量存储装置44、46的充电/放电策略(例如相应的充电设定点状态)因此被动态更新以反映输入数据、装置44、46的充电状态和/或约束的任何变化。
[0137]
本领域技术人员将理解，可以在不偏离权利要求所限定的发明构思的情况下对上述特定实施例进行修改。