CN117691631A - 一种基于混合储能装置的电力调频方法和*** - Google Patents

一种基于混合储能装置的电力调频方法和*** Download PDF

Info

Publication number
CN117691631A
CN117691631A CN202410156499.9A CN202410156499A CN117691631A CN 117691631 A CN117691631 A CN 117691631A CN 202410156499 A CN202410156499 A CN 202410156499A CN 117691631 A CN117691631 A CN 117691631A
Authority
CN
China
Prior art keywords
comprehensive evaluation
evaluation index
decomposition
energy storage
punishment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410156499.9A
Other languages
English (en)
Other versions
CN117691631B (zh
Inventor
李志鹏
寇水潮
李菁华
康祯
郭昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202410156499.9A priority Critical patent/CN117691631B/zh
Publication of CN117691631A publication Critical patent/CN117691631A/zh
Application granted granted Critical
Publication of CN117691631B publication Critical patent/CN117691631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2207/00—Indexing scheme relating to details of circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J2207/50—Charging of capacitors, supercapacitors, ultra-capacitors or double layer capacitors
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及电网调频技术领域，尤其提出一种基于混合储能装置的电力调频方法和***，其中，方法包括基于接收的调频指令确定混合储能响应需求；通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，多个综合评价指标包括第一综合评价指标和第二综合评价指标，第一综合评价指标基于包络熵和样本熵得到；第二综合评价指标基于包络熵、样本熵和余弦相似度得到；基于目标数量的模态分量划分得到高频分量和低频分量；控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。利用本申请的发明能够优化混合储能装置的功率分配的结果。

Description

一种基于混合储能装置的电力调频方法和***
技术领域
本申请涉及电网调频技术领域，尤其涉及一种基于混合储能装置的电力调频方法和***。
背景技术
对火电机组而言，长期调频会导致机组煤耗增加、可靠性降低、运行寿命减少。另一方面，优质高效调频电源稀缺，目前仍以燃煤火电机组为主要调频电源，加之大规模新能源并网需求，环保压力制约机组调节能力，供热机组“以热定电”等问题，使电力调频需求进一步增长。但是，目前火电厂配套辅助调频储能装备的性能无法满足机组本身的效率及可靠性要求且混合储能装置的功率分配不太理想，影响电网补贴收益的获得，使得经济效益较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于混合储能装置的电力调频方法，以优化混合储能装置的功率分配的结果。
本申请的第二个目的在于提出一种基于混合储能装置的电力调频***。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种基于混合储能装置的电力调频方法，火电厂配置的混合储能装置包括锂电池和超级电容器，调频方法包括以下步骤：
基于接收的调频指令确定混合储能响应需求；
通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，所述多个综合评价指标包括第一综合评价指标和第二综合评价指标，所述第一综合评价指标基于包络熵和样本熵得到；所述第二综合评价指标基于包络熵、样本熵和余弦相似度得到；
基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应。
在本申请的第一方面的方法中，所述第一综合评价指标满足：，其中Z1为第一综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，K为模态分量的数量。
在本申请的第一方面的方法中，所述第二综合评价指标满足：，其中Z2为第二综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，为余弦相似度，K为模态分量的数量，t为当前循环次数，Tmax为最大循环次数。
在本申请的第一方面的方法中，传统VMD算法的参数包括惩罚因子和分解层数，所述利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，包括：设置分解层数的第一范围、惩罚因子的第二范围；确定循环次数初始值，并基于所述第一范围和第二范围分别确认分解层数初始值、第一惩罚因子初始值和第二惩罚因子初始值；令循环次数为循环次数初始值、惩罚因子为第一惩罚因子初始值、分解层数为分解层数初始值以获得对应分解层数的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以重新获得对应分解层数的第一综合评价指标直至重新获得的对应分解层数的第一综合评价指标饱和或直至分解层数达到分解层数上限；若分解层数达到分解层数上限，此时从不同分解层数对应的所有第一综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值；若对应分解层数的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以获得第二综合评价指标直至分解层数达到分解层数上限，此时从不同分解层数对应的所有第二综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值。
在本申请的第一方面的方法中，所述利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，还包括：令循环次数为循环次数初始值、分解层数为分解层数最优值、惩罚因子为第二惩罚因子初始值以获得对应惩罚因子的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以重新获得对应惩罚因子的第一综合评价指标直至重新获得的对应惩罚因子的第一综合评价指标饱和或直至惩罚因子达到惩罚因子上限；若惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第一综合评价指标中选出最大值对应的惩罚因子，该惩罚因子为惩罚因子最优值；若对应惩罚因子的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以获得第二综合评价指标直至惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第二综合评价指标中选出最大值对应的第一惩罚因子，计算第一综合评价指标饱和时的第一残余分量值和第一惩罚因子下的第二残余分量值，选择第一残余分量值和第二残余分量值中最小值对应的惩罚因子作为惩罚因子数最优值。
在本申请的第一方面的方法中，所述目标数量为所述分解层数最优值， 所述基于所述目标数量的模态分量划分得到高频分量和低频分量，包括：将所述目标数量的一半进行取整得到滤波阶数；基于所述滤波阶数对所述目标数量的模态分量进行高低频重构，其中小于等于所述滤波阶数的模态分量之和为高频分量，大于所述滤波阶数的模态分量之和为低频分量。
为达上述目的，本申请第二方面实施例提出了一种基于混合储能装置的电力调频***，火电厂配置的混合储能装置包括锂电池和超级电容器，调频***包括：
确定模块，用于基于接收的调频指令确定混合储能响应需求；
分解模块，用于通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，所述多个综合评价指标包括第一综合评价指标和第二综合评价指标，所述第一综合评价指标基于包络熵和样本熵得到；所述第二综合评价指标基于包络熵、样本熵和余弦相似度得到；
划分模块，用于基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制模块，用于控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应。
在本申请的第二方面的***中，所述划分模块，具体用于：将所述目标数量的一半进行取整得到滤波阶数；基于所述滤波阶数对所述目标数量的模态分量进行高低频重构，其中小于等于所述滤波阶数的模态分量之和为高频分量，大于所述滤波阶数的模态分量之和为低频分量。
为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现本申请第一方面提出的方法。
为达上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请第一方面提出的方法。
本申请提供的基于混合储能装置的电力调频方法、***、电子设备及存储介质，通过基于接收的调频指令确定混合储能响应需求；通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，多个综合评价指标包括第一综合评价指标和第二综合评价指标，第一综合评价指标基于包络熵和样本熵得到；第二综合评价指标基于包络熵、样本熵和余弦相似度得到；基于目标数量的模态分量划分得到高频分量和低频分量；控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。在这种情况下，利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，再利用改进的VMD算法将混合储能响应需求进行分解进行得到高频分量和低频分量，避免了像现有的VMD算法那样依据经验给定参数，从而能够更加准确地得到模态分量的数量，进而更好地划分高频分量和低频分量，实现了对混合储能装置的功率分配的结果的优化。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例所提供的火电厂与电网连接示意图；
图2为本申请实施例所提供的一种基于混合储能装置的电力调频方法的流程示意图；
图3为本申请实施例所提供的VMD算法的参数改进过程中分解层数优化部分的具体流程示意图；
图4为本申请实施例所提供的VMD算法的参数改进过程中惩罚因子优化部分的具体流程示意图；
图5为本申请实施例所提供的调频指令的曲线图；
图6为本申请实施例所提供的一种基于混合储能装置的电力调频***的框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于混合储能装置的电力调频方法和***。
目前对火电机组而言，长期调频会导致机组煤耗增加、可靠性降低、运行寿命减少。另一方面，优质高效调频电源稀缺，目前仍以燃煤火电机组为主要调频电源，加之大规模新能源并网需求，环保压力制约机组调节能力，供热机组“以热定电”等问题，使电力调频需求进一步增长。但是，目前火电厂配套辅助调频储能装备的性能无法满足机组本身的效率及可靠性要求且混合储能装置的功率分配不太理想，影响电网补贴收益的获得，使得经济效益较低。基于此，本申请实施例提供了基于混合储能装置的电力调频方法、***、电子设备及存储介质，以优化混合储能装置的功率分配的结果。
在本申请中，火电厂配置的混合储能装置包括锂电池和超级电容器。混合储能装置协助火电机组参与调频。
图1为本申请实施例所提供的火电厂与电网连接示意图。如图1所示，火电机组G经母线与电网连接，锂电池和超级电容器分别经第一变流器、第二变流器与母线连接后连接至电网。在电网下发调频指令时，调频指令携带有负荷响应需求PT，火电厂在接收到调频指令后，火电机组G以火电机组负荷PG进行响应，剩余的由混合储能装置响应，即混合储能装置以PJ(PT-PG= PJ)的储能出力进行响应，其中锂电池以电池功率PL进行响应，超级电容器以超容功率PC进行响应。利用本申请的新型电力***调频方法能够更加准确地确定混合储能装置中电池功率PL和超容功率PC的值。
图2为本申请实施例所提供的一种基于混合储能装置的电力调频方法的流程示意图。
如图2所示，该基于混合储能装置的电力调频方法包括以下步骤：
步骤S101，基于接收的调频指令确定混合储能响应需求。
具体地，在步骤S101中，由于调频指令携带有负荷响应需求PT，故基于接收的调频指令可以获得负荷响应需求PT，获取火电厂在接收到调频指令后的火电机组负荷PG，计算负荷响应需求PT与火电机组负荷PG的差值得到混合储能响应需求PJ（也称储能出力），即PT-PG=PJ。
步骤S102，通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法。
在步骤S102中，易于理解地，传统的变分模态分解(variational modedecomposition，VMD)算法是一种完全非递归的模态变分方法，利用传统的VMD算法可以对原始信号f(t)分解得到具有一定稀疏性质的多个模态分量。
传统VMD算法的参数包括惩罚因子和分解层数等多种参数，其中对于传统的VMD算法而言，分解层数K和惩罚因子α对分解结果的影响最大，故在步骤S102中，利用多个综合评价指标优化传统VMD算法的参数即分解层数K和惩罚因子α得到改进的VMD算法，以便后续利用改进的VMD算法对混合储能响应需求进行分解时得到更加准确的分解结果。
在步骤S102中，多个综合评价指标包括第一综合评价指标和第二综合评价指标，各综合评价指标分别基于多种指标得到。具体地，第一综合评价指标基于包络熵和样本熵得到；第二综合评价指标基于包络熵、样本熵和余弦相似度得到。
包络熵满足：，式中，Ep为各IMF（模态分量）的包络熵；N表示序列长度（即信号长度）；a(j)为本征模态分量解调后的包络信号；p(j)为a(j)的归一化形式。包络熵可反映信号的稀疏性，若信号稀疏性很弱，则包络熵值很大；反之包络熵值就很小。
样本熵满足：，式中，sampEn（·）为各模态分量的样本熵；data为任一模态分量；q表示嵌入维度；r0表示相似性容限；B表示两个向量在相似容限r0下匹配q或q+1个实数的概率。样本熵是对数据是否有规律而进行量化描述的度量参数，能很好地反映各模态分量(Intrinsic Mode Function,IMF)的频率特征，熵值越小，IMF频率特征越明显，模态混叠现象越减弱。
余弦相似度满足：，式中，/>表示第i个模态分量的余弦相似度，N表示信号长度，Xn表示第i个子序列（即第i个模态分量）中第n个值，Yn表示原始序列（即原始信号）中对应的第n个值。余弦相似度可表征各分量和原始信号的相似程度，余弦相似度值越接近 1，则分量越接近原始信号。
在步骤S102中，第一综合评价指标满足：，其中Z1为第一综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，K为模态分量的数量（即分解层数）。在第一综合评价指标中，/>和/>分别取0.55和0.45。第一综合评价指标结合了包络熵和样本熵各自优点。
考虑到在利用第一综合评价指标参与后续VMD算法的参数优化时，当循环迭代到一定次数的时候，随着循环次数的增加，第一综合评价指标Z1的变化可能微乎其微（可以视为饱和），此时还用第一综合评价指标Z1作为评价指标没有意义了。因此，当第一综合评价指标Z1出现饱和的状态时，采用新的评价指标（即第二综合评价指标）代替。
在步骤S102中，第二综合评价指标满足：，其中Z2为第二综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，/>为余弦相似度，K为模态分量的数量，t为当前循环次数，Tmax为最大循环次数。
在步骤S102中，传统VMD算法的参数包括惩罚因子和分解层数，利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，包括：设置分解层数的第一范围、惩罚因子的第二范围；确定循环次数初始值，并基于第一范围和第二范围分别确认分解层数初始值、第一惩罚因子初始值和第二惩罚因子初始值；令循环次数为循环次数初始值、惩罚因子为第一惩罚因子初始值、分解层数为分解层数初始值以获得对应分解层数的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以重新获得对应分解层数的第一综合评价指标直至重新获得的对应分解层数的第一综合评价指标饱和或直至分解层数达到分解层数上限；若分解层数达到分解层数上限，此时从不同分解层数对应的所有第一综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值；若对应分解层数的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以获得第二综合评价指标直至分解层数达到分解层数上限，此时从不同分解层数对应的所有第二综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值。
在步骤S102中，利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，还包括：令循环次数为循环次数初始值、分解层数为分解层数最优值、惩罚因子为第二惩罚因子初始值以获得对应惩罚因子的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以重新获得对应惩罚因子的第一综合评价指标直至重新获得的对应惩罚因子的第一综合评价指标饱和或直至惩罚因子达到惩罚因子上限；若惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第一综合评价指标中选出最大值对应的惩罚因子，该惩罚因子为惩罚因子最优值；若对应惩罚因子的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以获得第二综合评价指标直至惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第二综合评价指标中选出最大值对应的第一惩罚因子，计算第一综合评价指标饱和时的第一残余分量值和第一惩罚因子下的第二残余分量值，选择第一残余分量值和第二残余分量值中最小值对应的惩罚因子作为惩罚因子数最优值。
以分解层数K的第一范围为[2，30]，第一步长为1，惩罚因子α的第二范围为[50,3000]和第二步长为50，最大循环次数Tmax至少大于等于3000为例，图3为本申请实施例所提供的VMD算法的参数改进过程中分解层数优化部分的具体流程示意图。图4为本申请实施例所提供的VMD算法的参数改进过程中惩罚因子优化部分的具体流程示意图。
如图3所示，VMD算法的参数改进过程中分解层数优化部分的步骤包括：
输入原始信号（即输入混合储能响应需求），基于第二范围设置惩罚因子α的初始值（即第一惩罚因子初始值）为500，从而确定了首次优化时的惩罚因子α，设置分解层数K的范围为[2，30]、步长为1，基于第一范围的下限设置分解层数K的初始值为2，循环次数初始值为0，对原始信号进行变分模态分解，计算当前循环次数下对应K值下的第一综合评价指标Z1，判断第一综合评价指标Z1是否饱和，若不饱和则判断分解层数是否达到分解层数上限30，若未达到，则更新当前循环次数（t=t+1），并按第一步长更新分解层数（即K=K+1），返回重新对原始信号利用更新后的分解层数进行变分模态分解，计算更新后的当前循环次数下对应K值下的第一综合评价指标Z1，继续判断第一综合评价指标Z1是否饱和；
若第一综合评价指标Z1始终不饱和则当分解层数达到分解层数上限30时退出循环，输出对应综合评价指标最大时的K值（即此时从不同分解层数对应的所有第一综合评价指标中选出最大值对应的分解层数），该最大时的K值即为分解层数最优值；
若第一综合评价指标Z1出现饱和的状态，则用第二综合评价指标Z2替换第一综合评价指标Z1，判断当前循环次数下的分解层数K是否达到分解层数上限30，若未达到则更新当前循环次数（t=t+1），并按第一步长更新分解层数（即K=K+1），对原始信号利用更新后的分解层数进行变分模态分解，计算更新后的当前循环次数下对应K值下的第二综合评价指标Z2，直至分解层数达到分解层数上限30，然后输出对应综合评价指标最大时的K值（此时从不同分解层数对应的所有第二综合评价指标中选出最大值对应的分解层数），该最大时的K值即为分解层数最优值（即最佳K值）。
如图4所示，VMD算法的参数改进过程中惩罚因子优化部分的步骤包括：
得到最佳K值后，令分解层数为最佳K值，设定惩罚因子α搜索的范围为[50,3000]和步长为50，基于惩罚因子α搜索的范围的下限确定惩罚因子α的初始值（即第二惩罚因子初始值）为50，令当前循环次数为循环次数初始值（即t=0）对原始信号进行变分模态分解，计算当前循环次数下对应α值下的第一综合评价指标Z1，判断第一综合评价指标Z1是否饱和，若不饱和则判断惩罚因子是否达到惩罚因子上限3000，若未达到，则更新当前循环次数（t=t+1），并按第二步长更新惩罚因子（即α=α+50），返回重新对原始信号利用更新后的惩罚因子进行变分模态分解，计算更新后的当前循环次数下对应惩罚因子下的第一综合评价指标Z1，继续判断第一综合评价指标Z1是否饱和；
若第一综合评价指标Z1始终不饱和则当惩罚因子达到惩罚因子上限3000时退出循环，此时从不同惩罚因子对应的所有第一综合评价指标中选出最大值对应的惩罚因子，该最大值对应的惩罚因子即为惩罚因子最优值；
若第一综合评价指标Z1出现饱和的状态，则用第二综合评价指标Z2替换第一综合评价指标Z1，判断当前循环次数下的惩罚因子是否达到惩罚因子上限3000，若未达到则更新当前循环次数（t=t+1），并按第二步长更新惩罚因子（即α=α+50），对原始信号利用更新后的惩罚因子进行变分模态分解，计算更新后的当前循环次数下对应惩罚因子下的第二综合评价指标Z2，直至惩罚因子达到惩罚因子上限3000，然后从不同惩罚因子对应的所有第二综合评价指标中选出最大值对应的惩罚因子（即第一惩罚因子），计算最大值对应的惩罚因子下得到的残余分量值（即第二残余分量值r2），计算第一综合评价指标饱和时的惩罚因子下的残余分量值（即第一残余分量值r1），比较第一残余分量值r1和第二残余分量值r2，选择残余分量值最小值对应的惩罚因子作为惩罚因子数最优值（即最佳α值），由此获得最佳K值和最佳α值。
其中第一综合评价指标是否饱和的判定方式为：
设当前循环次数为t，在第t-3次、t-2次、t-1次、t次的第一综合评价指标Z1对应的值分别为Z1,t-3、Z1,t-2、Z1,t-1、Z1,t，若、/>、/>均满足，连续三次第一综合评价指标Z1的变化量小于2%，此时可以判断第一综合评价指标Z1已经“饱和”了。
其中，残余分量值r满足：，其中利用VMD算法分解原始信号（即混合储能响应需求）后对所有的IMF求和，原始信号与该求和结果的差值为/>。N表示序列长度（即信号长度）。
在步骤S102中，将分解层数最优值和惩罚因子最优值作为传统VMD算法中分解层数和惩罚因子的值，从而得到了改进的VMD算法，然后通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量(Intrinsic Mode Function,IMF)。其中目标数量即为分解层数最优值。
步骤S103，基于目标数量的模态分量划分得到高频分量和低频分量。
根据锂电池与超级电容平抑功率波动特点，在步骤S103中，目标数量为分解层数最优值， 基于目标数量的模态分量划分得到高频分量和低频分量，包括：将目标数量的一半进行取整得到滤波阶数；基于滤波阶数对目标数量的模态分量进行高低频重构，其中小于等于滤波阶数的模态分量之和为高频分量，大于滤波阶数的模态分量之和为低频分量。
步骤S104，控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。
考虑到在混合储能***中，超级电容属于功率型储能装置，能量密度低但功率密度大，且循环次数多，适合补偿电网调度功率与机组功率之间的差值高频波动分量；而电池属于能量型储能装置，功率密度低但能量密度大，适合补偿电网调度功率与机组功率之间的差值的低频分量。因此在步骤S104中，高频分量由超级电容器平抑，即超容功率PC等于高频分量，低频分量由锂电池平抑，即电池功率PL等于低频分量，进而控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应，然后结合火电机组负荷PG即可实现对调频指令的准确响应。
为了验证本申请的方法的效果，进行试验验证。
图5为本申请实施例所提供的调频指令的曲线图。验证时采用如图5所示某地区电网调频指令信号进行仿真分析，其中如图5所示该信号（即调频指令）的时长为80min。令采样间隔为1min。调频指令对应的负荷响应需求PT在±0.4标幺（P.u.）左右。
为了进一步验证本申请所提参数优化VMD 算法的优势，本发明分别采用本发明的算法（迭代计算可得到最优参数组合[K，α]=[9,1326]）和依据经验参数选择（即经验给定）的VMD（[K，α]=[6,2500]）以及采用智能算法优化K和α值的WOA（whale optimizationalgorithm，鲸鱼优化算法）-VMD（[K，α]=[7,2200]对调频指令进行分解，相邻模态的混叠程度如下表1所示。
表1分解结果表
从表1中可看出，本发明提出的算法不同IMF的频率区分特征最明显，因此本申请的参数优化的VMD相对于现有其他的VMD而言，能更好地通过区分高低频分量的方式完成功率的合理分配。
为了实现上述实施例，本申请还提出一种基于混合储能装置的电力调频***，火电厂配置的混合储能装置包括锂电池和超级电容器。
图6为本申请实施例所提供的一种基于混合储能装置的电力调频***的框图。
如图6所示，该基于混合储能装置的电力调频***包括确定模块11、分解模块12、划分模块13和控制模块14，其中：
确定模块11，用于基于接收的调频指令确定混合储能响应需求；
分解模块12，用于通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，多个综合评价指标包括第一综合评价指标和第二综合评价指标，第一综合评价指标基于包络熵和样本熵得到；第二综合评价指标基于包络熵、样本熵和余弦相似度得到；
划分模块13，用于基于目标数量的模态分量划分得到高频分量和低频分量；
控制模块14，用于控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。
进一步地，在本申请实施例的一种可能的实现方式中，分解模块12中，第一综合评价指标满足：，其中Z1为第一综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，K为模态分量的数量。
进一步地，在本申请实施例的一种可能的实现方式中，分解模块12中，第二综合评价指标满足：，其中Z2为第二综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，/>为余弦相似度，K为模态分量的数量，t为当前循环次数，Tmax为最大循环次数。
进一步地，在本申请实施例的一种可能的实现方式中，传统VMD算法的参数包括惩罚因子和分解层数，分解模块12，在用于利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法时，具体用于：设置分解层数的第一范围、惩罚因子的第二范围；确定循环次数初始值，并基于第一范围和第二范围分别确认分解层数初始值和惩罚因子初始值；令循环次数为循环次数初始值、惩罚因子为惩罚因子初始值、分解层数为分解层数初始值以获得对应分解层数的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以重新获得对应分解层数的第一综合评价指标直至重新获得的对应分解层数的第一综合评价指标饱和或直至分解层数达到分解层数上限；若分解层数达到分解层数上限，此时从不同分解层数对应的所有第一综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值；若对应分解层数的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以获得第二综合评价指标直至分解层数达到分解层数上限，此时从不同分解层数对应的所有第二综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值。
进一步地，在本申请实施例的一种可能的实现方式中，分解模块12，在用于利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法时，还用于：令循环次数为循环次数初始值、分解层数为分解层数最优值、惩罚因子为惩罚因子初始值以获得对应惩罚因子的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以重新获得对应惩罚因子的第一综合评价指标直至重新获得的对应惩罚因子的第一综合评价指标饱和或直至惩罚因子达到惩罚因子上限；若惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第一综合评价指标中选出最大值对应的惩罚因子，该惩罚因子为惩罚因子最优值；若对应惩罚因子的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以获得第二综合评价指标直至惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第二综合评价指标中选出最大值对应的第一惩罚因子，计算第一综合评价指标饱和时的第一残余分量值和第一惩罚因子下的第二残余分量值，选择第一残余分量值和第二残余分量值中最小值对应的惩罚因子作为惩罚因子数最优值。
进一步地，在本申请实施例的一种可能的实现方式中，目标数量为分解层数最优值，划分模块13，具体用于：将目标数量的一半进行取整得到滤波阶数；基于滤波阶数对目标数量的模态分量进行高低频重构，其中小于等于滤波阶数的模态分量之和为高频分量，大于滤波阶数的模态分量之和为低频分量。
需要说明的是，前述对基于混合储能装置的电力调频方法实施例的解释说明也适用于该实施例的基于混合储能装置的电力调频***，此处不再赘述。
本申请实施例中，本申请提供的基于混合储能装置的电力调频方法、***、电子设备及存储介质，通过基于接收的调频指令确定混合储能响应需求；通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，多个综合评价指标包括第一综合评价指标和第二综合评价指标，第一综合评价指标基于包络熵和样本熵得到；第二综合评价指标基于包络熵、样本熵和余弦相似度得到；基于目标数量的模态分量划分得到高频分量和低频分量；控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。在这种情况下，利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，再利用改进的VMD算法将混合储能响应需求进行分解进行得到高频分量和低频分量，避免了像现有的VMD算法那样依据经验给定参数，从而能够更加准确地得到模态分量的数量，进而更好地划分高频分量和低频分量，实现了对混合储能装置的功率分配的结果的优化。本申请的方法中VMD算法的参数有理论依据，降低了分解结果模态混叠的可能性，从而降低了对功率的分配结果的影响、经济成本小、运行时间短、具有良好的经济性。
为了实现上述实施例，本申请还提出一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现执行前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述实施例所提供的方法。
本申请中所涉及的信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
需要说明的是，信息应当被收集用于合法且合理的用途，并且不在这些合法使用之外共享或出售。此外，应在收到用户知情同意后进行此类采集/共享，包括但不限于在用户使用该功能前，通知用户阅读用户协议/用户通知，并签署包括授权相关用户信息的协议/授权。此外，还需采取任何必要步骤，保卫和保障对此类信息数据的访问，并确保有权访问信息数据的其他人遵守其隐私政策和流程。
在前述各实施例描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备（如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***）使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于混合储能装置的电力调频方法，其特征在于，火电厂配置的混合储能装置包括锂电池和超级电容器，调频方法包括以下步骤：
基于接收的调频指令确定混合储能响应需求；
通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，所述多个综合评价指标包括第一综合评价指标和第二综合评价指标，所述第一综合评价指标基于包络熵和样本熵得到；所述第二综合评价指标基于包络熵、样本熵和余弦相似度得到；
基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应。
2.根据权利要求1所述的基于混合储能装置的电力调频方法，其特征在于，所述第一综合评价指标满足：，其中Z1为第一综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，K为模态分量的数量。
3.根据权利要求1所述的基于混合储能装置的电力调频方法，其特征在于，所述第二综合评价指标满足：，其中Z2为第二综合评价指标，/>和/>分别表示包络熵和样本熵的权重，Ep为各模态分量的包络熵，sampEn为各模态分量的样本熵，/>为余弦相似度，K为模态分量的数量，t为当前循环次数，Tmax为最大循环次数。
4.根据权利要求1所述的基于混合储能装置的电力调频方法，其特征在于，传统VMD算法的参数包括惩罚因子和分解层数，所述利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，包括：
设置分解层数的第一范围、惩罚因子的第二范围；确定循环次数初始值，并基于所述第一范围和第二范围分别确认分解层数初始值、第一惩罚因子初始值和第二惩罚因子初始值；
令循环次数为循环次数初始值、惩罚因子为第一惩罚因子初始值、分解层数为分解层数初始值以获得对应分解层数的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以重新获得对应分解层数的第一综合评价指标直至重新获得的对应分解层数的第一综合评价指标饱和或直至分解层数达到分解层数上限；
若分解层数达到分解层数上限，此时从不同分解层数对应的所有第一综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值；
若对应分解层数的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断分解层数是否达到分解层数上限，若未达到则更新分解层数和循环次数以获得第二综合评价指标直至分解层数达到分解层数上限，此时从不同分解层数对应的所有第二综合评价指标中选出最大值对应的分解层数，该分解层数为分解层数最优值。
5.根据权利要求4所述的基于混合储能装置的电力调频方法，其特征在于，所述利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，还包括：
令循环次数为循环次数初始值、分解层数为分解层数最优值、惩罚因子为第二惩罚因子初始值以获得对应惩罚因子的第一综合评价指标并判断第一综合评价指标是否饱和，若不饱和则判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以重新获得对应惩罚因子的第一综合评价指标直至重新获得的对应惩罚因子的第一综合评价指标饱和或直至惩罚因子达到惩罚因子上限；
若惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第一综合评价指标中选出最大值对应的惩罚因子，该惩罚因子为惩罚因子最优值；
若对应惩罚因子的第一综合评价指标饱和，则将第一综合评价指标替换为第二综合评价指标，判断惩罚因子是否达到惩罚因子上限，若未达到则更新惩罚因子和循环次数以获得第二综合评价指标直至惩罚因子达到惩罚因子上限，此时从不同惩罚因子对应的所有第二综合评价指标中选出最大值对应的第一惩罚因子，计算第一综合评价指标饱和时的第一残余分量值和第一惩罚因子下的第二残余分量值，选择第一残余分量值和第二残余分量值中最小值对应的惩罚因子作为惩罚因子数最优值。
6.根据权利要求4所述的基于混合储能装置的电力调频方法，其特征在于，所述目标数量为所述分解层数最优值， 所述基于所述目标数量的模态分量划分得到高频分量和低频分量，包括：
将所述目标数量的一半进行取整得到滤波阶数；
基于所述滤波阶数对所述目标数量的模态分量进行高低频重构，其中小于等于所述滤波阶数的模态分量之和为高频分量，大于所述滤波阶数的模态分量之和为低频分量。
7.一种基于混合储能装置的电力调频***，其特征在于，火电厂配置的混合储能装置包括锂电池和超级电容器，调频***包括：
确定模块，用于基于接收的调频指令确定混合储能响应需求；
分解模块，用于通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用多个综合评价指标优化传统VMD算法的参数得到改进的VMD算法，所述多个综合评价指标包括第一综合评价指标和第二综合评价指标，所述第一综合评价指标基于包络熵和样本熵得到；所述第二综合评价指标基于包络熵、样本熵和余弦相似度得到；
划分模块，用于基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制模块，用于控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应。
8.根据权利要求7所述的基于混合储能装置的电力调频***，其特征在于，所述划分模块，具体用于：将所述目标数量的一半进行取整得到滤波阶数；基于所述滤波阶数对所述目标数量的模态分量进行高低频重构，其中小于等于所述滤波阶数的模态分量之和为高频分量，大于所述滤波阶数的模态分量之和为低频分量。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
CN202410156499.9A 2024-02-04 2024-02-04 一种基于混合储能装置的电力调频方法和*** Active CN117691631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410156499.9A CN117691631B (zh) 2024-02-04 2024-02-04 一种基于混合储能装置的电力调频方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410156499.9A CN117691631B (zh) 2024-02-04 2024-02-04 一种基于混合储能装置的电力调频方法和***

Publications (2)

Publication Number Publication Date
CN117691631A true CN117691631A (zh) 2024-03-12
CN117691631B CN117691631B (zh) 2024-04-30

Family

ID=90139495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410156499.9A Active CN117691631B (zh) 2024-02-04 2024-02-04 一种基于混合储能装置的电力调频方法和***

Country Status (1)

Country Link
CN (1) CN117691631B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117878973A (zh) * 2024-03-13 2024-04-12 西安热工研究院有限公司 一种熔盐耦合火电机组的调频方法和***
CN117878974A (zh) * 2024-03-13 2024-04-12 西安热工研究院有限公司 基于误差反馈的熔盐储能耦合火电机组的调频方法及***
CN117878975A (zh) * 2024-03-13 2024-04-12 西安热工研究院有限公司 基于预测聚类的熔盐储能耦合火电机组的调频方法和***
CN117977636A (zh) * 2024-03-28 2024-05-03 西安热工研究院有限公司 一种基于样本熵的熔盐耦合火电机组的调频方法和***
CN117977637A (zh) * 2024-03-28 2024-05-03 西安热工研究院有限公司 一种新型熔盐耦合火电机组的调频方法和***
CN117996789A (zh) * 2024-04-07 2024-05-07 西安热工研究院有限公司 基于双向预测反馈调节的熔盐耦合火电机组的调频方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609671A (zh) * 2017-08-10 2018-01-19 燕山大学 一种基于综合因素评价模型的短期电力负荷预测方法
CN111238808A (zh) * 2020-02-04 2020-06-05 沈阳理工大学 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法
WO2021056727A1 (zh) * 2019-09-27 2021-04-01 山东科技大学 一种基于变分模态分解和排列熵的联合降噪方法
WO2021139331A1 (zh) * 2020-01-08 2021-07-15 重庆交通大学 一种基于瞬时频率优化vmd的轴承故障诊断方法
CN113591652A (zh) * 2021-07-22 2021-11-02 中南大学 一种基于优化变分模态分解的电磁信号处理方法和装置
CN114626193A (zh) * 2021-12-30 2022-06-14 南昌大学 一种基于改进变分模态分解的泄流结构振动信号降噪方法
CN115693734A (zh) * 2022-09-14 2023-02-03 国网河北省电力有限公司电力科学研究院 混合储能功率分配方法、装置、设备及存储介质
CN117288468A (zh) * 2023-08-14 2023-12-26 温州大学 一种基于erk的优化vmd的滚动轴承故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609671A (zh) * 2017-08-10 2018-01-19 燕山大学 一种基于综合因素评价模型的短期电力负荷预测方法
WO2021056727A1 (zh) * 2019-09-27 2021-04-01 山东科技大学 一种基于变分模态分解和排列熵的联合降噪方法
WO2021139331A1 (zh) * 2020-01-08 2021-07-15 重庆交通大学 一种基于瞬时频率优化vmd的轴承故障诊断方法
CN111238808A (zh) * 2020-02-04 2020-06-05 沈阳理工大学 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法
CN113591652A (zh) * 2021-07-22 2021-11-02 中南大学 一种基于优化变分模态分解的电磁信号处理方法和装置
CN114626193A (zh) * 2021-12-30 2022-06-14 南昌大学 一种基于改进变分模态分解的泄流结构振动信号降噪方法
CN115693734A (zh) * 2022-09-14 2023-02-03 国网河北省电力有限公司电力科学研究院 混合储能功率分配方法、装置、设备及存储介质
CN117288468A (zh) * 2023-08-14 2023-12-26 温州大学 一种基于erk的优化vmd的滚动轴承故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SMITH K. KHARE ET AL.: "Entropy-Based Drowsiness Detection Using Adaptive Variational Mode Decomposition", 《IEEE SENSORS JOURNAL》, vol. 21, no. 5, 1 March 2021 (2021-03-01), pages 6421 - 6428, XP011836177, DOI: 10.1109/JSEN.2020.3038440 *
唐雨晨 等: "基于变分模态分解的高比例新能源电网调频储能需求计算方法", 《南方电网技术》, vol. 17, no. 3, 31 March 2023 (2023-03-31), pages 146 - 155 *
李志鹏 等: "基于变分模态分解和改进鲸鱼算法优化的 模糊神经网络风速预测模型", 《电力与能源》, vol. 40, no. 3, 30 June 2019 (2019-06-30), pages 275 - 279 *
魏臻 等: "基于VMD-DE的混沌网络流量组合预测研究", 《合肥工业大学学报(自然科学版)》, vol. 42, no. 12, 31 December 2019 (2019-12-31), pages 1625 - 1629 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117878973A (zh) * 2024-03-13 2024-04-12 西安热工研究院有限公司 一种熔盐耦合火电机组的调频方法和***
CN117878974A (zh) * 2024-03-13 2024-04-12 西安热工研究院有限公司 基于误差反馈的熔盐储能耦合火电机组的调频方法及***
CN117878975A (zh) * 2024-03-13 2024-04-12 西安热工研究院有限公司 基于预测聚类的熔盐储能耦合火电机组的调频方法和***
CN117878975B (zh) * 2024-03-13 2024-05-14 西安热工研究院有限公司 基于预测聚类的熔盐储能耦合火电机组的调频方法和***
CN117878974B (zh) * 2024-03-13 2024-06-11 西安热工研究院有限公司 基于误差反馈的熔盐储能耦合火电机组的调频方法及***
CN117878973B (zh) * 2024-03-13 2024-06-11 西安热工研究院有限公司 一种熔盐耦合火电机组的调频方法和***
CN117977636A (zh) * 2024-03-28 2024-05-03 西安热工研究院有限公司 一种基于样本熵的熔盐耦合火电机组的调频方法和***
CN117977637A (zh) * 2024-03-28 2024-05-03 西安热工研究院有限公司 一种新型熔盐耦合火电机组的调频方法和***
CN117977636B (zh) * 2024-03-28 2024-06-11 西安热工研究院有限公司 一种基于样本熵的熔盐耦合火电机组的调频方法和***
CN117977637B (zh) * 2024-03-28 2024-06-11 西安热工研究院有限公司 一种熔盐耦合火电机组的调频方法和***
CN117996789A (zh) * 2024-04-07 2024-05-07 西安热工研究院有限公司 基于双向预测反馈调节的熔盐耦合火电机组的调频方法
CN117996789B (zh) * 2024-04-07 2024-06-11 西安热工研究院有限公司 基于双向预测反馈调节的熔盐耦合火电机组的调频方法

Also Published As

Publication number Publication date
CN117691631B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN117691631A (zh) 一种基于混合储能装置的电力调频方法和***
CN117674198B (zh) 一种超级电容耦合锂电池的调频方法和***
CN117691630B (zh) 一种基于vmd-ceemd的电力***调频方法和***
CN117674199B (zh) 一种超级电容耦合锂电池的电力***调频方法和***
CN117691629B (zh) 一种熔盐耦合火电机组的调频方法和***
CN117713144B (zh) 一种基于熔盐储能的火电机组的调频方法和***
CN117277357B (zh) 采用液流电池的新型火电储能调频方法、***及电子设备
CN117811023B (zh) 一种熔盐储能耦合火电机组的调频方法和***
CN117872182A (zh) 电池的最大膨胀力预测方法、装置、电子设备及存储介质
CN117394436A (zh) 基于随机场景分析的光伏承载能力评估方法及***
CN116540099A (zh) 锂离子动力电池的使用寿命预测方法、装置、设备及介质
CN117977636B (zh) 一种基于样本熵的熔盐耦合火电机组的调频方法和***
CN117878975B (zh) 基于预测聚类的熔盐储能耦合火电机组的调频方法和***
CN117996787B (zh) 一种基于双向预测的熔盐耦合火电机组的调频方法
CN117996788B (zh) 一种基于双维预测反馈的熔盐耦合火电机组的调频方法
CN114330461A (zh) 用于非侵入负荷识别的v-i轨迹生成方法、装置及神经网络
CN117878971B (zh) 一种熔盐储能耦合火电机组的调频方法和***
CN109871881B (zh) 一种基于凝聚分层聚类算法的电池工况分析方法
CN117996789B (zh) 基于双向预测反馈调节的熔盐耦合火电机组的调频方法
CN117878973B (zh) 一种熔盐耦合火电机组的调频方法和***
CN117878974B (zh) 基于误差反馈的熔盐储能耦合火电机组的调频方法及***
CN117977634B (zh) 一种基于双分解的熔盐耦合火电机组的调频方法和***
CN117996786B (zh) 一种基于二次修正的熔盐耦合火电机组的调频方法
CN117972363B (zh) 一种基于平稳度的储能辅助黑启动的风速预测方法和***
CN117977637B (zh) 一种熔盐耦合火电机组的调频方法和***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant