CN104779630A - 一种平抑风电输出功率波动的混合储能***容量配置方法 - Google Patents

Abstract

本发明公开了一种平抑风电输出功率波动的混合储能***容量配置方法，结合国家风电并网标准采用改进的滑动平均法提取风电功率波动分量，计及储能设备的荷电状态采用可变滤波时间常数的高通滤波法分配波动功率，可避免储能设备的过充过放，最后以储能设备全生命周期经济性最优为目标函数建立容量配置模型，相比于传统的仅考虑一次性初始投资的方法，更符合储能***长期运行的实际情况，对实际工程建设具有指导意义。

Description

一种平抑风电输出功率波动的混合储能***容量配置方法

技术领域

本发明属于微电网储能技术领域，涉及一种混合储能***容量配置方法，具体涉及一种平抑风电输出功率波动的混合储能***容量优化配置方法。

背景技术

具有绿色、清洁、可再生等特点的风力发电技术在全世界范围内得到广泛的应用和发展，装机容量逐年增大，是解决当今世界能源危机和环境污染问题的有效途径。然而风力发电***的输出功率受到自然条件等外在因素的影响，具有间歇性和随机性，大规模风电并网将对大电网的稳定可靠运行和电能质量造成不利的影响，因此需要配置一定容量的储能***用以平抑风电输出功率波动。

传统的以蓄电池为代表的能量型储能***具有较高的比容量，适合较长时间尺度的充放电，一般用来满足负荷供电需求。风电输出功率波动除了长时间尺度的波动分量以外，还存在大量的短时、高峰值的波动分量，需要具备快速响应性能并且充放电功率较大的储能***来进行平抑，显然传统的蓄电池储能***已经无法满足要求，需要以超级电容器为代表的功率型储能***配合，共同构成混合储能***来进行可再生能源输出功率波动的平抑。

配置混合储能***容量的三个技术难点在于：(1)风电输出功率波动分量的提取；(2)风电输出功率波动分量在不同类型储能设备之间的分配；(3)建立科学合理的容量配置模型。

针对技术难点(1)，传统方法多以低通滤波方法为主，容易造成平抑分量过大从而使得储能***容量配置过大，经济性较差且不能有效结合国家相关风电并网标准；

针对技术难点(2)，传统方法不能计及储能设备的荷电状态，在分配过程中可能造成储能设备的过充过放；

针对技术难点(3)，传统方法在优化目标的建立和约束条件的确定时存在一定的不足。

发明内容

为了解决上述的技术问题，本发明提出了一种平抑风电输出功率波动的混合储能***容量优化配置方法。

本发明所采用的技术方案是：一种平抑风电输出功率波动的混合储能***容量配置方法，其特征在于，包括以下步骤：

步骤1：对风电场有功功率输出的实际数据进行处理，运用改进的滑动平均法并结合国家风电并网标准，提取风电输出功率中需要储能***进行平抑的波动分量；

步骤2：计及各储能设备的荷电状态，运用可变滤波时间常数的高通滤波法在不同类型储能设备之间进行波动分量的分配；

步骤3：建立以混合储能***全生命周期经济性最优为目的的混合储能选题容量优化配置模型，运用改进的粒子群算法，以储能设备的技术特性和风电并网要求为约束条件，进行混合储能***容量优化配置。

作为优选，步骤1中所述的改进的滑动平均法并结合国家风电并网标准，提取风电输出功率中需要储能***进行平抑的波动分量，其具体实现过程包括以下子步骤：

步骤1.1：运用改进的滑动平均法计算平滑的并网分量和需要储能***进行功率吞吐的波动分量；

假设滑动窗口数值为N min，并假设N为偶数以方便进行描述，由此得到t时刻风电的并网分量和min级波动量，如式(1.1)、(1.2)、(1.3)所示：

P_ft＝(P_t-(N/2-1)+P_t-(N/2-2)+...+P_t+...+P_t+N/2)/N   (1.1)；

P_mt＝P_t-P_ft   (1.2)；

t＝N/2,N/2+1,...,M-N/2   (1.3)；

式中：P_t是第t分钟实测的风电功率；P_ft是并网分量；P_mt是min级波动分量；M为测量点总数；

步骤2：结合国家风电并网功率波动要求，在滑动平均法的基础上加以改进，对于不满足波动变化率的部分进行调整，最终得到混合储能***的补偿功率P_HESS；

P_HESS＝P_mt+△P   (1.4)；

式中：ΔP是根据风电最大功率波动变化率要求而进行调整的功率。

作为优选，N＝15min。

作为优选，所述的国家风电并网标准请见表1；

表1 国家风电并网标准

作为优选，步骤2中所述的运用可变滤波时间常数的高通滤波法在不同类型储能设备之间进行波动分量的分配，其具体实现过程包括以下子步骤：

步骤2.1：运用高频率滤波器分解混合储能***的补偿功率P_HESS如式(2.1)所示：

$\left\{\begin{array}{c}{P}_{\mathrm{UC}}=P_{\mathrm{HESS}}*\frac{T_{\mathrm{UC}}s}{T_{\mathrm{UC}}s+1}\\ P_{\mathrm{BESS}}=P_{\mathrm{HESS}}-P_{\mathrm{UC}}\end{array}\right.---\left(2.1\right)$

其中，P_UC和P_BESS分别是超级电容器和蓄电池的平抑功率，T_UC是高通滤波器的滤波时间常数。

步骤2.2：调整滤波时间常数，采用模糊控制理论进行修正；所述的模糊控制理论的核心内容包括：

模糊化：将论域范围内的输入变量进行模糊化处理，得到模糊子集和隶属函数；

制定模糊规则：将人主观的控制决策表达为模糊控制语句，通过多条模糊控制语句形成不同条件下的控制集，此为模糊控制的核心；

模糊推理：根据模糊出力模糊量；

去模糊化；将模糊量转化成论域内的精确控制量；

步骤2.3：基于上述模糊控制理论，在进行混合储能平抑功率波动时，考虑各储能设备的荷电状态，当荷电状态逼近上下限时，及时调整滤波时间常数，修正储能设备的充放电功率指令，从而保证储能设备的荷电状态始终处于合理范围之内。

作为优选，步骤2中所述的模糊控制的实现过程是，当储能设备荷电状态接近上限时，若得到充电功率指令，则调节滤波时间常数适当减小充电功率，避免过充；当储能设备荷电状态接近下限时，若得到放电功率指令，则调节滤波时间常数减小放电功率，避免过放。

作为优选，步骤2中所述的模糊控制的实现过程是，以蓄电池荷电状态SoC_BESS和超级电容器荷电状态SoC_UC作为输入，以滤波时间常数的修正系数k为输出；

首先对SoC_BESS和SoC_UC进行归一化处理，得到其隶属度为：

${\mathrm{\ξ}}_{\mathrm{bat}}=\frac{{\mathrm{SoC}}_{\mathrm{BESS}}-{\mathrm{SoC}}_{\mathrm{mid}}}{{\mathrm{SoC}}_{\mathrm{mid}}}---\left(2.2\right);$

${\mathrm{\ξ}}_{\mathrm{uc}}=\frac{{\mathrm{SoC}}_{\mathrm{UC}}-{\mathrm{SoC}}_{\mathrm{mid}}}{{\mathrm{SoC}}_{\mathrm{mid}}}---\left(2.3\right);$

式中SoC_mid为储能设备荷电状态的中间值；

由SoC_min≤SoC≤SoC_max可知ξ_bat和ξ_uc的连续论域分别为[-a,a]和[-b,b]，a和b的具体大小跟储能设备技术特性有关，由于超级电容器的放电深度大于蓄电池，故b>a且0<b<1；当储能设备隶属度为a或b时，表示容量饱和，已完全充满电；当储能设备隶属度为-a或-b时，表示容量枯竭，已完全放电；ξ_bat和ξ_uc的模糊集为{NB(负大)，ZO(零)，PB(正大)}；模糊控制的输出变量是滤波时间常数的修正系数k，其离散论域是[-1，-0.5，0，0.5，1]，模糊集是{NB，NS(负小)，ZO，PS(正小)，PB}；

在确立了输入量和输出量的模糊集及隶属度函数后，现制定模糊规则：

当P_HESS>0，即混合储能***得到放电的指令时，模糊规则主要依据以下经验制定：

(1)若蓄电池和超级电容器的荷电状态均为中间值，则滤波时间常数保持不变；

(2)若蓄电池的荷电状态偏小而超级电容器荷电状态偏大时，适当调大滤波时间常数T_UC，增大超级电容器的放电功率，减小蓄电池的放电功率；

(3)若蓄电池的荷电状态偏大而超级电容器荷电状态偏小时，适当调小滤波时间常数T_UC，减小超级电容器的放电功率，增大蓄电池的放电功率；

当P_HESS<0，即混合储能***得到充电的指令时，模糊规则主要依据以下经验制定：

(1)若蓄电池和超级电容器的荷电状态均为中间值，则滤波时间常数保持不变；

(2)若蓄电池的荷电状态偏小而超级电容器荷电状态偏大时，适当调小滤波时间常数T_UC，减小超级电容器的充电功率，增大蓄电池的充电功率；

(3)若蓄电池的荷电状态偏大而超级电容器荷电状态偏小时，适当调大滤波时间常数T_UC，增大超级电容器的充电功率，减小蓄电池的充电功率；

在对蓄电池和超级电容器进行荷电状态判断之前，要对两种储能设备的荷电状态进行分级，共分为S_max、S_high、S_mid、S_low和S_min五类；当荷电状态处于中间状态时，不需要改变滤波时间常数；当荷电状态偏低时，限制放电，增大充电功率；当荷电状态偏高时，限制充电，增大放电功率；

由于蓄电池和超级电容器的技术特性不同，二者的五类荷电状态也有所差异，具体分类为下表2；

表2：蓄电池和超级电容器的五类荷电状态

为得到输出量滤波时间常数修正系数k(-1≤k≤1)，需要去模糊化得到精确的输出，采用加权平均法进行去模糊化处理如式(2.4)所示；

$k=\frac{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{f}_{1i}\left({\mathrm{SoC}}_{\mathrm{BESS}}\right)f_{2j}\left({\mathrm{SoC}}_{\mathrm{UC}}\right)k_{\mathrm{ij}}}{\mathrm{\&Sigma;\&Sigma;}{f}_{1i}\left({\mathrm{SoC}}_{\mathrm{BESS}}\right)f_{2j}\left({\mathrm{SoC}}_{\mathrm{UC}}\right)}---\left(2.4\right)$

式中：

f_1i(SoC_BESS)是输入量SoC_BESS的第i个隶属度值；f_2j(SoC_UC)是输入量SoC_UC的第j个隶属度值；

得到修正后的滤波时间常数为：

T_UC ^*＝(1+k)T_UC   (2.5)。

作为优选，步骤3中所述的混合储能选题容量优化配置模型，其目标函数和约束条件具体为：

所述的目标函数如式(3.1)所示：

$\left\{\begin{array}{c}\min C=\frac{C_{\mathrm{iv}}+C_{\mathrm{om}}+C_{\mathrm{dc}}}{Y}\\ C_{\mathrm{iv}}=m*O_{\mathrm{bat}}+n*O_{\mathrm{uc}}\\ C_{\mathrm{om}}=Y(m*k_{\mathrm{bat}}+n*k_{\mathrm{uc}})\\ C_{\mathrm{dc}}=p_{\mathrm{bat}}(m*O_{\mathrm{bat}})+p_{\mathrm{uc}}(n*O_{\mathrm{uc}})\end{array}\right.---\left(3.1\right);$

式中：C是混合储能***年均费用；Y是储能***运行时间；C_iv是储能设备的购置成本(investment cost)；m和n分别是蓄电池和超级电容的设备个数；O_bat和O_uc分别是蓄电池和超级电容的单价；C_dc指储能设备的的处置更换成本(disposal cost)，p_bat和p_uc分别是蓄电池和超级电容的更换批次；C_om指储能设备的运行维护成本(operation&maintenance cost)，k_bat和k_uc分别是蓄电池和超级电容的维护单价；

所述的约束条件，包括充放电过程中的荷电状态和充放功率约束，如式(3.2)所示：

$\left\{\begin{array}{c}{\mathrm{SoC}}_{\min }\&le;\mathrm{SoC}\&le;{\mathrm{SoC}}_{\max }\\ 0\&le;P_C\&le;P_{C.\max }\\ 0\&le;P_D\&le;P_{D.\max }\end{array}\right.---\left(3.2\right);$

式中:SoC(state of charge)是储能设备的荷电状态，其中蓄电池和超级电容的荷电状态变化范围分别为[0.2，1]和[0.1，1]；P_C和P_D分别是储能设备的充电和放电功率。

作为优选，步骤3中所述的改进粒子群算法，其具体实现包括以下子步骤：

步骤3.1：初始化整个粒子种群，设定迭代次数、计算步长、计算精度、目标函数；

步骤3.2：在迭代过程中计算每个粒子的适应度，得到每个粒子的个体极值和全局极值；

步骤3.3：由个体极值和全局极值更新每个粒子的飞行速度和所处位置；

其中将惯性权重引入速度更新公式：

$v_{\mathrm{id}}^{k+1}={\mathrm{wv}}_{\mathrm{id}}^k+c_1{r}_1(p_{\mathrm{id}}-z_{\mathrm{id}}^k)+c_2{r}_2(p_{\mathrm{gd}}-z_{\mathrm{id}}^k)---\left(3.1\right);$

式中，是粒子i在d维空间中经过k+1次迭代之后的飞行速度；ω是惯性权重；c₁和c₂均为学习因子；r₁和r₂是取值范围(0，1)的随机数；p_id是粒子的个体最优值；p_gd是粒子的群体最优值；是经过k次迭代之后的粒子适应度值；

在确定惯性权重取值时，先采用自适应权重法给惯性权重系数赋值，其具体实现公式为；

$\mathrm{\&omega;}=\left\{\begin{array}{cc}{\mathrm{\&omega;}}_{\min }+\frac{({\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\min })*(f-f_{\min })}{f_{\mathrm{avg}}-f_{\min }},& f\&le;f_{\mathrm{avg}}\\ {\mathrm{\&mu;}}_{\max },& f>f_{\mathrm{avg}}\end{array}\right.---\left(3.2\right);$

式中：ω_max是惯性权重的最大取值；ω_min是惯性权重的最小取值；f是待解决问题的目标函数，f_avg是群体中所有粒子适应值的平均目标值；f_min是群体中所有粒子适应值的最小目标值，μ_max是是惯性权重的极大值；

步骤3.4：在达到迭代次数或满足迭代终止条件时，结束迭代过程并输出最优解。

本发明结合国家风电并网标准采用改进的滑动平均法低通风电功率波动分量，计及储能设备的荷电状态采用可变滤波时间常数法分配波动功率，可避免储能设备的过充过放，最后以储能设备全生命周期经济性最优为目标函数建立容量配置模型，相比于传统的仅考虑一次性初始投资的方法，更符合储能***长期运行的实际情况，对实际工程建设具有指导意义。

附图说明

图1：是本发明实施例的混合储能拓扑结构图；

图2：是本实施例的流程图；

图3：是本发明实施例的风电实际输出功率：

图4：是本发明的改进滑动平均法提取风电并网分量和波动分量的处理流程图；

图5：是本发明实施例的风电实际输出功率与处理后得到的并网分量和波动分量，

其中(a)为风电功率实际测量值与分离出的持续并网分量，(b)为分离出的混合储能分量；

图6：是本发明的模糊控制流程图；

图7：是本发明实施例的混合储能***中蓄电池和超级电容的波动功率分配情况；图8：是本发明实施例的运用可变滤波时间常数法后不同类型储能设备的荷电状态情况；

图9：是本发明实施例的粒子群算法流程图；

图10：是本发明实施例的混合储能***平抑风电输出功率波动效果图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，是本实施例的混合储能拓扑结构图，混合储能***经功率变换器PCS接在风电场的出口处低压侧，为典型的集中式结构。

请见图2，本实施例基于电力验证***电路，提出了一种平抑风电输出功率波动的混合储能***容量配置方法，包括以下步骤：

步骤1：对风电场有功功率输出的实际数据进行处理，运用改进的滑动平均法并结合国家风电并网标准，提取风电输出功率中需要储能***进行平抑的波动分量；

本实施例选取的风电场装机容量为20M，实际输出功率数据如图3所示；图3所示为某装机容量为20MW的风电场2014年实测的有功功率输出值(标幺值)。

请见图4，其中改进滑动平均法的具体内容为：

选择一定数值的窗口值，然后将滑动窗口内的所有数值进行算术平均计算，并将平均值作为滑动窗口中点的数值，最后不断移动窗口重复以上过程，直至最终对数据完成处理得到结果。运用滑动平均法对风电输出功率数据进行处理，可将风电功率进行分离，得到平滑的并网分量和需要储能***进行功率吞吐的波动分量。在运用滑动平均法时，假设滑动窗口数值为N min，并假设N为偶数以方便进行描述，由此得到t时刻风电的并网分量和min级波动量，如式(1.1)、(1.2)、(1.3)所示：

P_ft＝(P_t-(N/2-1)+P_t-(N/2-2)+...+P_t+...+P_t+N/2)/N   (1.1)；

P_mt＝P_t-P_ft   (1.2)；

t＝N/2,N/2+1,...,M-N/2   (1.3)；

式中：P_t是第t分钟实测的风电功率；P_ft是并网分量；P_mt是min级波动分量；M为测量点总数。

滑动平均时段N是一个重要的参数，但N的选择具有一定的随机性。N数值太小，则风电功率的波动分量过多叠加在并网分量上，导致功率波动变大；N数值太大，则风电功率的并网分量过于平滑，波动分量增多，导致所需储能容量大大增加。研究表明，滑动窗口取值15min时适用于具备一般特性的普通负荷；另外，对于具有较大冲击特性的负荷，则选择较长的时间长度(30min)。根据实际算例的负荷情况，选取N＝15min。

选择固定的滑动平均时段长度有利于快速计算得到并网分量和波动分量，但是对于风电输出功率中少数波动幅度很大的点，有可能得到的并网分量仍然不满足要求，因此结合国家风电并网功率波动要求，在滑动平均法的基础上加以改进，对于不满足波动变化率的部分进行调整，最终得到混合储能***的补偿功率P_HESS。

P_HESS＝P_mt+△P   (1.4)；

式中：ΔP是根据风电最大功率波动变化率要求而进行调整的功率。

其中国家对于不同规模风电场的风电并网标准为：

运用改进的滑动平均法并结合国家风电并网标准，提取风电输出功率中需要储能***进行平抑的波动分量，最终处理后得到的并网分量和波动分量如图5所示。由图5可以看出，分离出的持续并网分量具有较好的平滑性，而波动分量即混合储能分量则表现出较大的波动性。

步骤2：计及各储能设备的荷电状态，运用可变滤波时间常数的高通滤波法在不同类型储能设备之间进行波动分量的分配；

可变滤波时间常数法的具体内容为：

根据超级电容器和蓄电池平抑功率的频率高低不同，一种思路是运用高频率滤波器分解混合储能***的补偿功率P_HESS如式(1.5)所示：

$\left\{\begin{array}{c}{P}_{\mathrm{UC}}=P_{\mathrm{HESS}}*\frac{T_{\mathrm{UC}}s}{T_{\mathrm{UC}}s+1}\\ P_{\mathrm{BESS}}=P_{\mathrm{HESS}}-P_{\mathrm{UC}}\end{array}\right.---\left(1.5\right)$

其中，P_UC和P_BESS分别是超级电容器和蓄电池的平抑功率，T_UC是高通滤波器的滤波时间常数；

在调整滤波时间常数时，采用模糊控制理论进行修正。模糊控制可将人主观的控制策略转化为计算机语言，其基本流程是将输入信号模糊化之后处理成模糊量，通过模糊推理***得到量化的输出，从而进行控制，其中制定模糊规则是模糊控制的核心。模糊控制与传统控制相比较，通过规则库来模拟人类的决策，便于理解和实施。

请见图6，模糊控制的核心内容包括：

(1)模糊化：将论域范围内的输入变量进行模糊化处理，得到模糊子集和隶属函数；

(2)制定模糊规则：将人主观的控制决策表达为模糊控制语句，通过多条模糊控制语句形成不同条件下的控制集，此为模糊控制的核心；

(3)模糊推理：根据模糊出力模糊量；

(4)去模糊化；将模糊量转化成论域内的精确控制量。

基于上述模糊控制原理，在进行混合储能平抑功率波动时，考虑各储能设备的荷电状态，当荷电状态逼近上下限时，及时调整滤波时间常数，修正储能设备的充放电功率指令，从而保证储能设备的荷电状态始终处于合理范围之内。模糊控制的目标是：当储能设备荷电状态接近上限时，若得到充电功率指令，则调节滤波时间常数适当减小充电功率，避免过充；当储能设备荷电状态接近下限时，若得到放电功率指令，则调节滤波时间常数减小放电功率，避免过放。通过模糊控制改善储能设备充放电状态，达到延长使用寿命的目的。本文以蓄电池荷电状态SoC_BESS和超级电容器荷电状态SoC_UC作为输入，以滤波时间常数的修正系数k为输出。

首先对SoC_BESS和SoC_UC进行归一化处理，得到其隶属度为：

${\mathrm{\&xi;}}_{\mathrm{bat}}=\frac{{\mathrm{SoC}}_{\mathrm{BESS}}-{\mathrm{SoC}}_{\mathrm{mid}}}{{\mathrm{SoC}}_{\mathrm{mid}}}---\left(1.6\right);$

${\mathrm{\&xi;}}_{\mathrm{uc}}=\frac{{\mathrm{SoC}}_{\mathrm{UC}}-{\mathrm{SoC}}_{\mathrm{mid}}}{{\mathrm{SoC}}_{\mathrm{mid}}}---\left(1.7\right);$

式中SoC_mid为储能设备荷电状态的中间值。

由SoC_min≤SoC≤SoC_max可知ξ_bat和ξ_uc的连续论域分别为[-a,a]和[-b,b]，a和b的具体大小跟储能设备技术特性有关，由于超级电容器的放电深度大于蓄电池，故b>a且0<b<1。当储能设备隶属度为a或b时，表示容量饱和，已完全充满电；当储能设备隶属度为-a或-b时，表示容量枯竭，已完全放电。ξ_bat和ξ_uc的模糊集为{NB(负大)，ZO(零)，PB(正大)}。模糊控制的输出变量是滤波时间常数的修正系数k，其离散论域是[-1，-0.5，0，0.5，1]，模糊集是{NB，NS(负小)，ZO，PS(正小)，PB}。

在确立了输入量和输出量的模糊集及隶属度函数后，现制定模糊规则：

当P_HESS>0，即混合储能***得到放电的指令时，模糊规则主要依据以下经验制定：

(1)若蓄电池和超级电容器的荷电状态均为中间值，则滤波时间常数保持不变；

(2)若蓄电池的荷电状态偏小而超级电容器荷电状态偏大时，适当调大滤波时间常数T_UC，增大超级电容器的放电功率，减小蓄电池的放电功率；

(3)若蓄电池的荷电状态偏大而超级电容器荷电状态偏小时，适当调小滤波时间常数T_UC，减小超级电容器的放电功率，增大蓄电池的放电功率；

当P_HESS<0，即混合储能***得到充电的指令时，模糊规则主要依据以下经验制定：

(1)若蓄电池和超级电容器的荷电状态均为中间值，则滤波时间常数保持不变；

(2)若蓄电池的荷电状态偏小而超级电容器荷电状态偏大时，适当调小滤波时间常数T_UC，减小超级电容器的充电功率，增大蓄电池的充电功率；

(3)若蓄电池的荷电状态偏大而超级电容器荷电状态偏小时，适当调大滤波时间常数T_UC，增大超级电容器的充电功率，减小蓄电池的充电功率；

在对蓄电池和超级电容器进行荷电状态判断之前，要对两种储能设备的荷电状态进行分级，共分为S_max、S_high、S_mid、S_low和S_min五类。当荷电状态处于中间状态时，不需要改变滤波时间常数；当荷电状态偏低时，限制放电，增大充电功率；当荷电状态偏高时，限制充电，增大放电功率。由于蓄电池和超级电容器的技术特性不同，二者的五类荷电状态也有所差异，具体分类为：

为得到输出量滤波时间常数修正系数k(-1≤k≤1)，需要去模糊化得到精确的输出，本文采用加权平均法进行去模糊化处理如式(1.8)所示。

$k=\frac{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{f}_{1i}\left({\mathrm{SoC}}_{\mathrm{BESS}}\right)f_{2j}\left({\mathrm{SoC}}_{\mathrm{UC}}\right)k_{\mathrm{ij}}}{\mathrm{\&Sigma;\&Sigma;}{f}_{1i}\left({\mathrm{SoC}}_{\mathrm{BESS}}\right)f_{2j}\left({\mathrm{SoC}}_{\mathrm{UC}}\right)}---\left(1.8\right);$

式中：

f_1i(SoC_BESS)是输入量SoC_BESS的第i个隶属度值；

f_2j(SoC_UC)是输入量SoC_UC的第j个隶属度值。

得到修正后的滤波时间常数为：

T_UC ^*＝(1+k)T_UC   (1.9)；

经功率分配之后混合储能***中蓄电池和超级电容的平抑功率和荷电状态如图7、8所示。如图7所示，经过功率分配之后，在混合储能***的工作过程中，超级电容器通过较为频繁的充放电平抑了高频分量的波动功率，蓄电池则平抑较低频的波动功率分量，避免了频繁的充放电。如图8所示，基于模糊控制的可变滤波时间常数的高通滤波法，避免了储能设备的过充过放，使得其荷电状态始终保持在一个比较合理的数值，有利于下一时刻对波动功率进行平抑。

步骤3：建立以混合储能***全生命周期经济性最优为目的的混合储能选题容量优化配置模型，运用改进的粒子群算法，以储能设备的技术特性和风电并网要求为约束条件，进行混合储能***容量优化配置。

其中容量优化配置模型的目标函数和约束条件具体为：

以混合储能***年均费用最小作为优化目标。考虑到微电网***的长期运行且储能***需要进行必要的维护和更换，得到目标函数如式(1.10)所示：

$\left\{\begin{array}{c}\min C=\frac{C_{\mathrm{iv}}+C_{\mathrm{om}}+C_{\mathrm{dc}}}{Y}\\ C_{\mathrm{iv}}=m*O_{\mathrm{bat}}+n*O_{\mathrm{uc}}\\ C_{\mathrm{om}}=Y(m*k_{\mathrm{bat}}+n*k_{\mathrm{uc}})\\ C_{\mathrm{dc}}=p_{\mathrm{bat}}(m*O_{\mathrm{bat}})+p_{\mathrm{uc}}(n*O_{\mathrm{uc}})\end{array}\right.---\left(1.10\right);$

式中：C是混合储能***年均费用；Y是储能***运行时间；C_iv是储能设备的购置成本(investment cost)；m和n分别是蓄电池和超级电容的设备个数；O_bat和O_uc分别是蓄电池和超级电容的单价；C_dc指储能设备的的处置更换成本(disposal cost)，p_bat和p_uc分别是蓄电池和超级电容的更换批次；C_om指储能设备的运行维护成本(operation&maintenance cost)，k_bat和k_uc分别是蓄电池和超级电容的维护单价。

储能设备的技术特性约束，包括充放电过程中的荷电状态和充放功率约束，如式(1.11)所示：

$\left\{\begin{array}{c}{\mathrm{SoC}}_{\min }\&le;\mathrm{SoC}\&le;{\mathrm{SoC}}_{\max }\\ 0\&le;P_C\&le;P_{C.\max }\\ 0\&le;P_D\&le;P_{D.\max }\end{array}\right.---\left(1.11\right);$

式中:SoC(state of charge)是储能设备的荷电状态，其中蓄电池和超级电容的荷电状态变化范围分别为[0.2，1]和[0.1，1]；P_C和P_D分别是储能设备的充电和放电功率。

针对已建立的混合储能***全生命周期经济性最优的容量配置模型，以蓄电池单体个数m和超级电容单体个数n作为寻优求解量，计及风电并网标准和储能设备技术特性约束，采用粒子群算法进行求解，处理流程图如图9所示，其具体包括以下步骤：

步骤3.1：初始化整个粒子种群，设定迭代次数、计算步长、计算精度、目标函数；

步骤3.2：在迭代过程中计算每个粒子的适应度，得到每个粒子的个体极值和全局极值；

步骤3.3：由个体极值和全局极值更新每个粒子的飞行速度和所处位置；

其中将惯性权重引入速度更新公式：

$v_{\mathrm{id}}^{k+1}={\mathrm{wv}}_{\mathrm{id}}^k+c_1{r}_1(p_{\mathrm{id}}-z_{\mathrm{id}}^k)+c_2{r}_2(p_{\mathrm{gd}}-z_{\mathrm{id}}^k)---\left(1.12\right);$

式中，是粒子i在d维空间中经过k+1次迭代之后的飞行速度；ω是惯性权重；c₁和c₂均为学习因子；r₁和r₂是取值范围(0，1)的随机数；p_id是粒子的个体最优值；p_gd是粒子的群体最优值；是经过k次迭代之后的粒子适应度值；

在确定惯性权重取值时，先采用自适应权重法给惯性权重系数赋值，其具体实现公式为；

$\mathrm{\&omega;}=\left\{\begin{array}{cc}{\mathrm{\&omega;}}_{\min }+\frac{({\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\min })*(f-f_{\min })}{f_{\mathrm{avg}}-f_{\min }},& f\&le;f_{\mathrm{avg}}\\ {\mathrm{\&mu;}}_{\max },& f>f_{\mathrm{avg}}\end{array}\right.---\left(1.13\right);$

式中：ω_max是惯性权重的最大取值；ω_m ⁱ _n是惯性权重的最小取值；f是待解决问题的目标函数，f_avg是群体中所有粒子适应值的平均目标值；f_min是群体中所有粒子适应值的最小目标值，μ_max是是惯性权重的极大值；

步骤3.4：在达到迭代次数或满足迭代终止条件时，结束迭代过程并输出最优解。

计算过程中所需的蓄电池和超级电容参数为：

其中，对于额定容量为C_bat(Ah)的蓄电池，当端口电压为U_bat，电流为I_bat时，蓄电池储能***的能量和功率如式(1.12)所示：

$\left\{\begin{array}{c}{E}_{\mathrm{bat}}=m{C}_{\mathrm{bat}}{U}_{\mathrm{bat}}\\ P_{\mathrm{bat}}={\mathrm{mU}}_{\mathrm{bat}}{I}_{\mathrm{bat}}\end{array}\right.---\left(1.14\right);$

对于电容值为C_uc的超级电容，当端电压为U_uc，电流为I_uc时，超级电容储能***的能量和功率如式(1.13)所示：

$\left\{\begin{array}{c}{E}_{\mathrm{uc}}=\frac{1}{2}n{C}_{\mathrm{uc}}{U_{\mathrm{uc}}}^2\\ P_{\mathrm{uc}}=n{U}_{\mathrm{uc}}{I}_{\mathrm{uc}}\end{array}\right.---\left(1.15\right);$

在计算过程中，能量的统一单位为MWh，功率的统一单位为MW。

配置结果为：

混合储能***平抑风电输出功率波动的效果如图10所示。由图10可以看出，配置混合储能***之后，风电场的输出功率波动得到很好的平抑，并网功率比较平滑且满足并网标准。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (9)

1.一种平抑风电输出功率波动的混合储能***容量配置方法，其特征在于，包括以下步骤：

步骤1：对风电场有功功率输出的实际数据进行处理，运用改进的滑动平均法并结合国家风电并网标准，提取风电输出功率中需要储能***进行平抑的波动分量；

步骤2：计及各储能设备的荷电状态，运用可变滤波时间常数的高通滤波法在不同类型储能设备之间进行波动分量的分配；

步骤3：建立以混合储能***全生命周期经济性最优为目的的混合储能选题容量优化配置模型，运用改进的粒子群算法，以储能设备的技术特性和风电并网要求为约束条件，进行混合储能***容量优化配置。

2.根据权利要求1所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：步骤1中所述的改进的滑动平均法并结合国家风电并网标准，提取风电输出功率中需要储能***进行平抑的波动分量，其具体实现过程包括以下子步骤：

步骤1.1：运用改进的滑动平均法计算平滑的并网分量和需要储能***进行功率吞吐的波动分量；

假设滑动窗口数值为N min，并假设N为偶数以方便进行描述，由此得到t时刻风电的并网分量和min级波动量，如式(1.1)、(1.2)、(1.3)所示：

P_ft＝(P_t-(N/2-1)+P_t-(N/2-2)+...+P_t+...+P_t+N/2)/N   (1.1)；

P_mt＝P_t-P_ft             (1.2)；

t＝N/2,N/2+1,...,M-N/2         (1.3)；

式中：P_t是第t分钟实测的风电功率；P_ft是并网分量；P_mt是min级波动分量；M为测量点总数；

步骤2：结合国家风电并网功率波动要求，在滑动平均法的基础上加以改进，对于不满足波动变化率的部分进行调整，最终得到混合储能***的补偿功率P_HESS；

P_HESS＝P_mt+△P        (1.4)；

式中：ΔP是根据风电最大功率波动变化率要求而进行调整的功率。

3.根据权利要求2所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：N＝15min。

4.根据权利要求2所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：所述的国家风电并网标准请见表1；

表1 国家风电并网标准

5.根据权利要求1所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：步骤2中所述的运用可变滤波时间常数的高通滤波法在不同类型储能设备之间进行波动分量的分配，其具体实现过程包括以下子步骤：

步骤2.1：运用高频率滤波器分解混合储能***的补偿功率P_HESS如式(2.1)所示：

$\left\{\begin{array}{c}{P}_{\mathrm{UC}}=P_{\mathrm{HESS}}*\frac{T_{\mathrm{UC}}s}{T_{\mathrm{UC}}s+1}\\ P_{\mathrm{BESS}}=P_{\mathrm{HESS}}-P_{\mathrm{UC}}\end{array}\right.---\left(2.1\right)$

其中，P_UC和P_BESS分别是超级电容器和蓄电池的平抑功率，T_UC是高通滤波器的滤波时间常数；

步骤2.2：调整滤波时间常数，采用模糊控制理论进行修正；所述的模糊控制理论的核心内容包括：

模糊化：将论域范围内的输入变量进行模糊化处理，得到模糊子集和隶属函数；

制定模糊规则：将人主观的控制决策表达为模糊控制语句，通过多条模糊控制语句形成不同条件下的控制集，此为模糊控制的核心；

模糊推理：根据模糊出力模糊量；

去模糊化；将模糊量转化成论域内的精确控制量；

步骤2.3：基于上述模糊控制理论，在进行混合储能平抑功率波动时，考虑各储能设备的荷电状态，当荷电状态逼近上下限时，及时调整滤波时间常数，修正储能设备的充放电功率指令，从而保证储能设备的荷电状态始终处于合理范围之内。

6.根据权利要求5所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：步骤2中所述的模糊控制的实现过程是，当储能设备荷电状态接近上限时，若得到充电功率指令，则调节滤波时间常数适当减小充电功率，避免过充；当储能设备荷电状态接近下限时，若得到放电功率指令，则调节滤波时间常数减小放电功率，避免过放。

7.根据权利要求5所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：步骤2中所述的模糊控制的实现过程是，以蓄电池荷电状态SoC_BESS和超级电容器荷电状态SoC_UC作为输入，以滤波时间常数的修正系数k为输出；

首先对SoC_BESS和SoC_UC进行归一化处理，得到其隶属度为：

${\mathrm{\&xi;}}_{\mathrm{bat}}=\frac{{\mathrm{SoC}}_{\mathrm{BESS}}-{\mathrm{SoC}}_{\mathrm{mid}}}{{\mathrm{SoC}}_{\mathrm{mid}}}---\left(2.2\right);$

${\mathrm{\&xi;}}_{\mathrm{uc}}=\frac{{\mathrm{SoC}}_{\mathrm{UC}}-{\mathrm{SoC}}_{\mathrm{mid}}}{{\mathrm{SoC}}_{\mathrm{mid}}}---\left(2.3\right);$

式中SoC_mid为储能设备荷电状态的中间值；

由SoC_min≤SoC≤SoC_max可知ξ_bat和ξ_uc的连续论域分别为[-a,a]和[-b,b]，a和b的具体大小跟储能设备技术特性有关，由于超级电容器的放电深度大于蓄电池，故b>a且0<b<1；当储能设备隶属度为a或b时，表示容量饱和，已完全充满电；当储能设备隶属度为-a或-b时，表示容量枯竭，已完全放电；ξ_bat和ξ_uc的模糊集为{NB(负大)，ZO(零)，PB(正大)}；模糊控制的输出变量是滤波时间常数的修正系数k，其离散论域是[-1，-0.5，0，0.5，1]，模糊集是{NB，NS(负小)，ZO，PS(正小)，PB}；

在确立了输入量和输出量的模糊集及隶属度函数后，现制定模糊规则：

当P_HESS>0，即混合储能***得到放电的指令时，模糊规则主要依据以下经验制定：

(1)若蓄电池和超级电容器的荷电状态均为中间值，则滤波时间常数保持不变；

(2)若蓄电池的荷电状态偏小而超级电容器荷电状态偏大时，适当调大滤波时间常数T_UC，增大超级电容器的放电功率，减小蓄电池的放电功率；

(3)若蓄电池的荷电状态偏大而超级电容器荷电状态偏小时，适当调小滤波时间常数T_UC，减小超级电容器的放电功率，增大蓄电池的放电功率；

当P_HESS<0，即混合储能***得到充电的指令时，模糊规则主要依据以下经验制定：

(1)若蓄电池和超级电容器的荷电状态均为中间值，则滤波时间常数保持不变；

(2)若蓄电池的荷电状态偏小而超级电容器荷电状态偏大时，适当调小滤波时间常数T_UC，减小超级电容器的充电功率，增大蓄电池的充电功率；

(3)若蓄电池的荷电状态偏大而超级电容器荷电状态偏小时，适当调大滤波时间常数T_UC，增大超级电容器的充电功率，减小蓄电池的充电功率；

在对蓄电池和超级电容器进行荷电状态判断之前，要对两种储能设备的荷电状态进行分级，共分为S_max、S_high、S_mid、S_low和S_min五类；当荷电状态处于中间状态时，不需要改变滤波时间常数；当荷电状态偏低时，限制放电，增大充电功率；当荷电状态偏高时，限制充电，增大放电功率；

由于蓄电池和超级电容器的技术特性不同，二者的五类荷电状态也有所差异，具体分类为下表2；

表2：蓄电池和超级电容器的五类荷电状态

为得到输出量滤波时间常数修正系数k(-1≤k≤1)，需要去模糊化得到精确的输出，采用加权平均法进行去模糊化处理如式(2.4)所示；

$k=\frac{\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{f}_{1i}\left({\mathrm{SoC}}_{\mathrm{BESS}}\right)f_{2j}\left({\mathrm{SoC}}_{\mathrm{UC}}\right)k_{\mathrm{ij}}}{\mathrm{\&Sigma;\&Sigma;}{f}_{1i}\left({\mathrm{SoC}}_{\mathrm{BESS}}\right)f_{2j}\left({\mathrm{SoC}}_{\mathrm{UC}}\right)}---\left(2.4\right)$

式中：

f_1i(SoC_BESS)是输入量SoC_BESS的第i个隶属度值；f_2j(SoC_UC)是输入量SoC_UC的第j个隶属度值；

得到修正后的滤波时间常数为：

T_UC ^*＝(1+k)T_UC            (2.5)。

8.根据权利要求1所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：步骤3中所述的混合储能选题容量优化配置模型，其目标函数和约束条件具体为：

所述的目标函数如式(3.1)所示：

$\left\{\begin{array}{c}\min C=\frac{C_{\mathrm{iv}}+C_{\mathrm{om}}+C_{\mathrm{dc}}}{Y}\\ C_{\mathrm{iv}}=m*O_{\mathrm{bat}}+n*O_{\mathrm{uc}}\\ C_{\mathrm{om}}=Y(m*k_{\mathrm{bat}}+n*k_{\mathrm{uc}})\\ C_{\mathrm{dc}}=p_{\mathrm{bat}}(m*O_{\mathrm{bat}})+p_{\mathrm{uc}}(n*O_{\mathrm{uc}})\end{array}\right.---\left(3.1\right);$

式中：C是混合储能***年均费用；Y是储能***运行时间；C_iv是储能设备的购置成本(investment cost)；m和n分别是蓄电池和超级电容的设备个数；O_bat和O_uc分别是蓄电池和超级电容的单价；C_dc指储能设备的的处置更换成本(disposal cost)，p_bat和p_uc分别是蓄电池和超级电容的更换批次；C_om指储能设备的运行维护成本(operation&maintenance cost)，k_bat和k_uc分别是蓄电池和超级电容的维护单价；

所述的约束条件，包括充放电过程中的荷电状态和充放功率约束，如式(3.2)所示：

$\left\{\begin{array}{c}{\mathrm{SoC}}_{\min }\&le;\mathrm{SoC}\&le;{\mathrm{SoC}}_{\max }\\ 0\&le;P_C\&le;P_{C.\max }\\ 0\&le;P_D\&le;P_{D.\max }\end{array}\right.---\left(3.2\right);$

式中:SoC(state of charge)是储能设备的荷电状态，其中蓄电池和超级电容的荷电状态变化范围分别为[0.2，1]和[0.1，1]；P_C和P_D分别是储能设备的充电和放电功率。

9.根据权利要求8所述的平抑风电输出功率波动的混合储能***容量配置方法，其特征在于：步骤3中所述的改进的粒子群算法，其具体实现包括以下子步骤：

步骤3.1：初始化整个粒子种群，设定迭代次数、计算步长、计算精度、目标函数；

步骤3.2：在迭代过程中计算每个粒子的适应度，得到每个粒子的个体极值和全局极值；

步骤3.3：由个体极值和全局极值更新每个粒子的飞行速度和所处位置；

其中将惯性权重引入速度更新公式：

$v_{\mathrm{id}}^{k+1}={\mathrm{wv}}_{\mathrm{id}}^k+c_1{r}_1(p_{\mathrm{id}}-z_{\mathrm{id}}^k)+c_2{r}_2(p_{\mathrm{gd}}-z_{\mathrm{id}}^k)---\left(3.1\right);$

式中，是粒子i在d维空间中经过k+1次迭代之后的飞行速度；ω是惯性权重；c₁和c₂均为学习因子；r₁和r₂是取值范围(0，1)的随机数；p_id是粒子的个体最优值；p_gd是粒子的群体最优值；是经过k次迭代之后的粒子适应度值；

在确定惯性权重取值时，先采用自适应权重法给惯性权重系数赋值，其具体实现公式为；

$\mathrm{\&omega;}=\left\{\begin{array}{cc}{\mathrm{\&omega;}}_{\min }+\frac{({\mathrm{\&omega;}}_{\max }-{\mathrm{\&omega;}}_{\min })*(f-f_{\min })}{f_{\mathrm{avg}}-f_{\min }},& f\&le;f_{\mathrm{avg}}\\ {\mathrm{\&mu;}}_{\max },& f>f_{\mathrm{avg}}\end{array}\right.---\left(3.2\right);$

式中：ω_max是惯性权重的最大取值；ω_min是惯性权重的最小取值；f是待解决问题的目标函数，f_avg是群体中所有粒子适应值的平均目标值；f_min是群体中所有粒子适应值的最小目标值，μ_max是是惯性权重的极大值；

步骤3.4：在达到迭代次数或满足迭代终止条件时，结束迭代过程并输出最优解。