混合储能平抑风电波动的功率分配策略

混合储能平抑风电波动的功率分配策略

刘玉虎

身份证号：130534198812131011

摘要：为有效解决风电功率波动的问题，提出了一种基于自适应滑动平均算法与遗传算法－变分模态分解（GA-VMD）的混合储能系统风电并网控制策略。首先，根据风电并网波动标准采用自适应滑动平均算法得到混合储能功率。其次，运用遗传算法，以VMD模态分量的样本熵值为适应度函数，确定模态个数及惩罚因子的最优组合。最后，根据希尔伯特边际谱确定分界频率，低频功率与高频功率分别交由锂电池与超级电容进行平抑。算例分析表明，所提方法不仅能够合理对风电功率进行分解，而且能够实现混合储能功率最优分配，具有自适应性。

关键词：平抑风电功率；滑动平均算法

引言

当今社会，以风力发电为代表的新能源发电技术满足社会低碳环保的需求，由于国家政策的扶持，并网风电份额在电力市场中的占比逐年提升，风力发电功率固有随机波动的特性，大规模的风电并网会导致电网输送的电能质量降低。因此，在风力发电的应用中研究平抑风电功率波动技术具有非常重要的作用。氢能作为能量存储介质，具有高能量密度的特性。以电解槽、储氢罐和燃料电池为组合的储能系统可弱化风功率波动，多出的氢气可作为额外的创收用途。储能技术的飞速发展，很大程度上解决了电网功率的随机波动，在用于平抑风电功率波动的混合储能控制策略方面，国内外研究颇多。对混合储能系统采用8种运行模式，提出的控制策略考虑了电解槽与燃料电池出力特性，实现了上网功率的平滑，确保储能系统各单元安全可靠运行。建立了风-氢超级电容混合储能模型，解决了电解槽与燃料电池动态响应延迟的问题，其控制策略实现了混合储能系统出力可控。在控制算法方面，采用滑动滤波算法，根据储能器件的剩余荷电量实时调整权重系数和滤波带宽来达到平抑风电功率波动的效果。研究了模糊控制在混合储能输入功率分配上的应用，但其设置较多依赖于专家数据库。采用滑模控制策略对蓄电池和超级电容之间进行功率分配，但未解决低通滤波器相位延迟的问题。采用模糊自适应卡尔曼滤波控制策略，解决了相位延迟问题，抑制了蓄电池的过充过放，但限制了平抑风电功率波动的能力。采用基于卡尔曼滤波器的PID控制算法，对工业生产过程中产生的噪声信号进行平抑，验证了卡尔曼滤波器在平抑噪声信号方面的能力。对于平抑风电有功出力中的随机波动，卡尔曼滤波算法等自适应滤波算法具有明显优势。基于复杂逻辑的能量状态反馈控制系统，采用卡尔曼滤波算法对风电功率波动进行平抑。

1混合储能系统结构模型

建立含超级电容器和蓄电池的HESS，以风电实际出力与期望目标功率的偏差值为平抑对象，超级电容器承担高频波动量，蓄电池承担低频变化量，连接至风电场输出总线的公共连接点。HESS与风电场联合运行系统结构示意图如图１所示。储能系统控制器通过监测风电实时功率和混合储能系统荷电状态制定储能输出功率目标，风电场实际输出功率经HESS平抑波动后以合成功率并入电网，有效平滑风电场的输出功率。

图１混合储能与风电场联合运行系统结构示意图

2混合储能平抑风电波动的功率分配策略

2.1风电并网标准

风力发电具有波动性，以年的时间尺度观察每一天的平均风电输出功率，其最大和最小功率输出相差几十倍，以天为时间尺度24小时内的风电输出功率也仍处于不稳定状态，这对于电力系统电压稳定、频率控制、电能质量和电力设备的安全运行十分不利。各国依据本国地理位置、能源配置比例等因素，制定了符合当地实际情况不同标准的风电接入电力系统相关准则，对风电并网功率波动提出了明确要求。风电并网波动幅值被定义为单位时间尺度内功率最大值与最小值之差，并网功率波动率被定义为并网功率波动幅值与风电场装机容量之比。我国现行的风电场接入电力系统技术规定对风电场有功功率要求主要包括：风电场应具备有功功率控制能力、风电场最大功率变化率和电网紧急状态下风电场有功功率控制能力。该技术规定明确指出风电场在正常运行时1min内和10min内下的有功功率最大幅值变化。

2.2混合储能功率的获取策略

风力发电原始功率由两部分组成，第一部分是符合风电并网标准的接入电力系统的并网功率输出，另一部分是用于平抑风电并网波动功率的HESS目标功率，HESS目标功率由已测得的风力发电原始功率与符合并网标准的并网功率作差即可得到，而并网功率与HESS目标功率交叉耦合，所以HESS总功率的获取需要对风电原始功率进行平抑，进而得到符合并网标准的并网功率，再与风电原始功率进行作差即能获取HESS目标功率。滤波算法是目前平抑风电功率波动应用最多的方法，常用的滤波算法包括一阶低通滤波、卡尔曼滤波以及平均滤波算法等。一阶低通滤波目前在风电功率平抑中应用十分广泛，其原理是对风电原始功率进行平抑后得到符合并网标准的可接入电力系统的并网功率，将风电原始功率与并网功率的差值作为HESS需平抑的目标功率。一阶低通滤波方法原理简单，易于实现，主要通过调节滤波时间常数确定截止频率，进而控制滤波效果。但固定的滤波时间常数难以满足风电功率强间歇性、强波动性的信号特征，所以对滤波时间常数的改进需要重点研究。针对大容量HESS的多储能介质功率分配、协调配合等问题提出了一种逐级优化的双层能量管理策略，采用自适应的低通滤波算法，得到各储能介质的功率指令。提出一种基于模糊控制的HESS可变滤波常数算法来获取各储能介质功率指令，充分发挥了锂离子电池和超级电容器两种储能介质的经济技术特性。但低通滤波算法的相位时延迟问题对风电功率滤波效果存在一定影响。

2.3燃料电池电解槽系统控制模块

图2为燃料电池电解槽系统控制模块，它用来判断双堆超级电容组的充电堆与放电堆超级电容单体数量配比是否均衡。图5中以10块超级电容单体的为例，将5块充电堆超级电容单体的初始SOC定为0.2，另外5块放电堆超级电容单体的初始SOC为0.8。充电堆超级电容的数量达到2时，电解槽开始充电；放电堆超级电容单体的数量达到2时，燃料电池开始放电；当充电堆超级电容的数量与放电堆相等时，停止电解槽或燃料电池的充电或放电。

图2燃料电池电解槽系统控制模块

考虑功率的快速变化可大大降低燃料电池电解槽的使用寿命，故需使燃料电池及电解槽的充放电端口的输入输出功率保持在可接受的范围内变化，因此施加下述控制：

式中，n——满足燃料电池系统恒定功率充放电时长所占用离散数据信号的数量，将k-1时刻内输送给燃料电池系统的功率进行平均后，作为燃料电池系统第k时刻的输入信号输出。

2.4基于自适应变分模态分解的混合储能功率分配策略

HESS由两种或两种以上具有匹配特性的不同结构的储能技术组成，将不同储能技术的功率输出进行组合，能够实现不同储能技术的优势互补，有效增加了单一储能技术所提供的优势范围，同时增强了储能系统的工作性能，减少了针对存储机制进行基础开发的研究成本。本文第二章采用指数平滑法有效平抑了风电功率波动，并获取了HESS目标功率。本章主要研究HESS目标功率的分配策略，首先介绍了变分模态分解的基本原理，并针对其参数设定的主观性进行改进，综合考虑三个功率分解评价指标，提出一种麻雀搜索算法(SparrowSearchAlgorithm,SSA)优化参数的自适应VMD。然后经对HESS目标功率的自适应分解，并对分解后各模态分量进行希尔伯特变换，完成HESS目标功率初级分配。其次考虑到锂离子电池和超级电容器的荷电状态，采用模糊控制对HESS目标功率进行了二次分配。最终通过MATLAB仿真实验验证了所提功率分配策略能够有效缓解混合储能功率分配过程中的模态混叠现象，合理分配功率，同时能够避免两种储能介质的过充和过放，保证了HESS的长期安全稳定运行。

2.5基于遗传算法的VMD参数优化

运用变分模态分解信号时需要预先设定模态分量的个数Ｋ以及惩罚因子a。k过小会造成信号欠分解，导致模态混叠；k过大又会造成信号过分解，产生虚假分量。a决定分量的带宽，a越小，各个分量带宽越大，过大的带宽会使得分量之间重叠；a越大，各个分量带宽越小，过小的带宽又会使得某些信号丢失，并且k与a也会相互影响，分别求得的最优k与a组合起来并不一定可以获得最佳的分解效果。因此本文采用遗传算法（geneticalgorithm，GA）作为寻优算法求解最佳参数组合［K，a］。

图3　VMD算法流程

作为一种模拟生物自然选择和基因进化的优化算法，遗传算法具有较快的全局搜索能力和广泛的适用性。将数据经过选择、交叉与变异3个阶段，逐次迭代搜寻达到优化参数的目的。在利用遗传算法求解最优输入参数时需要定义一个适应度函数。样本熵（sampEn）通过度量信号中产生新模式的概率来衡量时间序列的复杂性，熵值越小，序列的自我相似性就越高，复杂度越低。当VMD在复杂信号中分解出有效信号时，分量对应的样本熵值较小，并且不同分量的样本熵值差异显著。因此将VMD算法分解得到的各分量ｕｋ的样本熵作为遗传算法参数优化时染色体的适应度函数，遗传算法的优化目标函数为

结语

为有效平抑风电原始功率及合理分配混合储能内部功率，本文首先提出了自适应滑动平均与GA-VMD相结合控制策略，滑动平均算法根据风电功率并网标准，自适应选择最优窗口长度将风电原始功率进行平滑处理。其次，考虑到模态个数与惩罚因子之间相互影响并且对于VMD算法求解起到重要作用，采用遗传算法作为寻优算法求解最佳的参数组合。最后根据Hilbert边际谱确定分界频率，分配混合储能内部功率。通过算例分析，自适应滑动平均平滑了风电原始功率曲线，GA-VMD算法合理地分解了混合储能充放电功率曲线，Hilbert边际谱恰当地选择了分界频率，优于小波包分解算法，在具有一定自适应性的基础上延长了混合储能系统的使用寿命。

参考文献

［1］付菊霞，陈　洁，邓　浩，等．平抑风电波动的混合储能系统控制策略［Ｊ］．电测与仪表，2020，57（5）：94-100．

［2］谢石骁，杨莉，李丽娜．基于机会约束规划的混合储能优化配置方法［Ｊ］．电网技术，2012，36（5）：79-84．

［3］李亚楠，王　倩，宋文峰，等．混合储能系统平滑风电出力的变分模态分解－模糊控制策略［Ｊ］．电力系统保护与控制，2019，47（7）：58-65．

［4］王桂松，肖碧涛，赖晓路，等．计及风功率波动和电池荷电状态的储能系统平滑控制策略［Ｊ］．太阳能学报，2021，42（11）：280-286．