风储联合调频中的MPC技术应用与实践

1. 风储联合调频的挑战与MPC方案概述

风电大规模并网带来的系统惯量降低问题，已经成为现代电力系统运行中的重大挑战。传统同步机组在频率波动时能够依靠旋转质量自然释放动能，而风电机组通过变流器并网后，这种天然的惯量响应能力基本丧失。去年参与某省级电网调频项目时，我们实测发现当风电渗透率达到35%时，系统频率在负荷突增时的最低点比纯同步机组系统低了0.4Hz。

目前常见的风电场调频方案主要分为三类：

• 惯性响应控制：模拟同步机惯性特性，但持续时间短（通常<10s）
• 下垂控制：按频率偏差比例调整出力，存在响应延迟
• 联合储能调频：通过储能快速补偿功率缺额

但这些方法都存在"事后响应"的固有缺陷。去年冬季的一次调频事故让我印象深刻：某风电场在风速骤降时，虽然储能系统在2秒内就满功率输出，但频率仍然跌破了49Hz的安全阈值。这次经历促使我们开始探索模型预测控制（MPC）在风储调频中的应用。

MPC的核心优势在于其"预见性"。通过构建系统频率的动态预测模型，MPC能够在实际频率偏差发生前就预判趋势，提前协调风电和储能的出力计划。这就像下棋时能够预判对手未来几步的走法，而不是被动应对当前的棋局。

2. MPC预测模型构建与验证

2.1 系统频率动态特性分析

电力系统频率动态可以用摇摆方程描述：
$$
M\frac{d\Delta f}{dt} = \Delta P_m - \Delta P_e - D\Delta f
$$
其中M为系统惯量，D为阻尼系数。风电接入会显著降低M值，这也是调频困难的根源。

在实际工程中，我们发现系统频率变化呈现明显的自相关特性。对某区域电网连续30天的频率数据分析显示，当前时刻频率与之前3-5个采样点的频率存在强相关性（Pearson系数>0.85）。这为采用时间序列建模提供了依据。

2.2 ARIMA预测模型实现

我们选择ARIMA(3,1,0)模型进行频率预测，具体实现如下：

python复制from statsmodels.tsa.arima.model import ARIMA
import numpy as np

class FrequencyPredictor:
    def __init__(self, window_size=60, pred_horizon=10):
        self.window_size = window_size  # 60个历史采样点（5分钟数据）
        self.pred_horizon = pred_horizon  # 预测未来10个点（50秒）
        self.history = []
        
    def update_and_predict(self, new_freq):
        self.history.append(new_freq)
        if len(self.history) > self.window_size:
            self.history.pop(0)
            
        model = ARIMA(self.history, order=(3,1,0))  # 三阶差分自回归
        model_fit = model.fit()
        return model_fit.forecast(steps=self.pred_horizon)

实际部署时需要注意几个关键点：

1. 数据预处理：必须进行异常值剔除和标准化处理
2. 模型重训练：每6小时重新训练一次模型参数
3. 预测补偿：加入当前功率缺额的修正项

2.3 预测精度验证

我们在不同风电渗透率下测试了预测误差：

当误差超过0.1Hz时，系统会自动切换至传统下垂控制模式，确保可靠性。实际运行中这种切换平均每月发生1-2次，主要出现在极端天气导致的风速剧烈波动期间。

3. MPC控制器设计与优化

3.1 目标函数构建

MPC的核心是求解如下优化问题：
$$
\min_{\Delta P} \sum_{k=1}^{N_p} [\alpha(f_{pred,k}-f_{ref})^2 + \beta\Delta P_w^2 + \gamma\Delta P_b^2]
$$
其中：

• $N_p$为预测时域（通常取10-15）
• $\Delta P_w$为风电出力调整量
• $\Delta P_b$为储能出力变化量

权重系数设置经验：

• 频率跟踪权重α：取0.7-1.0
• 风电调整权重β：取0.3-0.5（避免频繁变桨）
• 储能权重γ：取0.4-0.6（平衡SOC）

3.2 约束条件处理

主要考虑三类约束：

1. 风电调节能力约束：
   $$
   |\Delta P_w| \leq min(0.2P_{rated}, \frac{P_{cur}-P_{min}}{\Delta t})
   $$

2. 储能运行约束：
   $$
   \begin{cases}
   P_{b,min} \leq P_b \leq P_{b,max} \
   SOC_{min} \leq SOC \leq SOC_{max}
   \end{cases}
   $$

3. 系统调节需求约束：
   $$
   \Delta P_w + \Delta P_b \geq K\Delta f
   $$

3.3 实时优化实现

采用CVXPY进行凸优化求解：

python复制import cvxpy as cp

def mpc_optimize(pred_freq, wind_avail, ess_soc):
    # 决策变量
    delta_p = cp.Variable(2)  # [wind_delta, ess_power]
    
    # 权重矩阵
    Q = np.diag([0.4, 0.5])  # 控制动作权重
    R = 0.8  # 频率跟踪权重
    
    # 约束条件
    constraints = [
        delta_p[0] <= min(0.2*wind_capacity, wind_avail),
        delta_p[0] >= -0.2*wind_capacity,
        delta_p[1] <= ess_max_power,
        delta_p[1] >= ess_min_power,
        delta_p[0] + delta_p[1] >= 0.8*(50 - pred_freq[0])*sys_gain
    ]
    
    # SOC补偿项
    if ess_soc > 0.85:
        Q[1,1] = 0.7  # 高SOC时限制放电
    elif ess_soc < 0.15:
        Q[1,1] = 0.7  # 低SOC时限制充电
        
    # 求解
    cost = cp.quad_form(delta_p, Q) + R*(H@delta_p - pred_freq[0])**2
    prob = cp.Problem(cp.Minimize(cost), constraints)
    prob.solve(solver=cp.ECOS)
    
    return delta_p.value

实际工程中发现，当使用ECOS求解器时，平均计算时间可以控制在80ms以内，满足1秒周期的实时控制需求。

4. 系统实现与现场调试经验

4.1 硬件部署架构

我们采用的实施方案包含三个层级：

1. 采集层：PMU装置（采样率50Hz）
2. 控制层：工业工控机（i7-1185G7, 32GB RAM）
3. 执行层：风电变流器+储能PCS

关键通信参数：

• 采集层到控制层：GOOSE协议，延迟<20ms
• 控制层到执行层：Modbus TCP，延迟<50ms

4.2 参数整定经验

经过多个项目的积累，总结出以下参数设置原则：

1. 预测时域：

   • 晴天：10-12步（风速稳定）
   • 多云天气：8-10步（考虑云层移动）
   • 台风天：5-6步（强湍流）

2. 控制时域：

   • 通常取预测时域的60%
   • 需考虑储能响应速度（锂电通常取3-5步）

3. 权重调整：

   • 早晚负荷高峰：增大频率权重（α+0.1）
   • 风电大发时段：增大储能权重（γ+0.15）

4.3 典型问题排查

问题1：预测模型失准

• 现象：连续3个周期预测误差>0.1Hz
• 处理步骤：
  1. 检查PMU数据质量
  2. 触发模型在线重训练
  3. 如仍不改善，切换至备用模型

问题2：优化无解

• 现象：QP求解器返回infeasible
• 常见原因：
  • 约束条件冲突（如SOC已达限值）
  • 预测频率超出合理范围
• 解决方案：
  1. 放宽储能功率约束（±5%）
  2. 采用可行解优化模式

问题3：控制振荡

• 现象：风电出力频繁小幅调整
• 处理方法：
  1. 增加风电调整代价权重（β+0.2）
  2. 加入输出滤波（时间常数2-3s）

5. 实测效果对比分析

5.1 阶跃扰动测试

在200MW风电场进行的10%负荷突增测试结果：

5.2 连续波动测试

模拟实际运行中的风速波动场景（3小时测试）：

关键发现：

1. MPC方案使频率标准差降低42%
2. 储能SOC始终维持在30-70%的健康区间
3. 风电变桨机构动作次数减少35%

5.3 经济性分析

以100MW/50MWh储能系统为例：

实际项目中，MPC增加的硬件成本（高性能工控机）约￥20万元，软件开发投入约￥80万元，通常可在2-3年内收回投资。

6. 进阶优化方向

在现有方案基础上，我们正在测试几个改进方向：

1. 多时间尺度预测：

   • 超短期（5-10s）：ARIMA模型
   • 短期（1-5min）：LSTM网络
   • 中长期（5-30min）：物理模型

2. 分布式MPC架构：

   • 风电场级MPC（时间分辨率1s）
   • 储能电站级MPC（时间分辨率0.1s）
   • 通过ADMM算法协调

3. 考虑市场因素的优化：

   • 引入调频服务报价
   • 储能充放电的电价差套利
   • 兼顾技术和经济性的多目标优化

最近在一个50MW光伏+储能项目中的测试表明，结合电价信号的MPC方案可以使调频收益提升15-20%，同时仍能满足技术要求。