李燕青，袁燕舞，郭通，王子睿，仝年，史依茗

（華北電力大學(xué) 河北省輸變電設(shè)備安全防御重點(diǎn)實(shí)驗(yàn)室，河北 保定 071003）

0 引 言

經(jīng)濟(jì)社會(huì)的快速發(fā)展和能源需求與日俱增使風(fēng)能成為能源結(jié)構(gòu)中必不可少的一部分。隨著風(fēng)電滲透率的不斷增大，風(fēng)電的波動(dòng)性、隨機(jī)性和不確定性等問(wèn)題成為風(fēng)能迅速發(fā)展的瓶頸。儲(chǔ)能系統(tǒng)使風(fēng)電大規(guī)模并網(wǎng)成為可能，而由于受到儲(chǔ)能機(jī)理的限制，尚未出現(xiàn)特性突出、綜合能力顯著的儲(chǔ)能介質(zhì)，優(yōu)勢(shì)結(jié)合、缺陷互補(bǔ)的混合儲(chǔ)能系統(tǒng)（hybrid energy stor-age system，HESS）將會(huì)成為未來(lái)儲(chǔ)能技術(shù)發(fā)展的重要方向。

文獻(xiàn)［1］提出了基于小波包分解的混合儲(chǔ)能控制策略，通過(guò)對(duì)風(fēng)機(jī)輸出功率進(jìn)行多尺度分解，根據(jù)不同儲(chǔ)能類型特性分別選擇適當(dāng)?shù)念l率范圍進(jìn)行平抑波動(dòng)，可以在一定程度上優(yōu)化電池的運(yùn)行。文獻(xiàn)［2］采用小波包分解方法對(duì)光伏曲線進(jìn)行分析，并運(yùn)用模糊控制對(duì)功率型儲(chǔ)能的荷電狀態(tài)進(jìn)行自適應(yīng)控制，延長(zhǎng)了能量型儲(chǔ)能裝置壽命。文獻(xiàn)［3］提出了一種基于小波變換和雙層模糊控制的混合儲(chǔ)能控制策略，實(shí)現(xiàn)系統(tǒng)功率的修正，自動(dòng)調(diào)整儲(chǔ)能設(shè)備荷電狀態(tài)，較好平抑風(fēng)電功率波動(dòng)。文獻(xiàn)［4］提出了一種基于電池荷電狀態(tài)分級(jí)優(yōu)化的混合儲(chǔ)能控制策略，優(yōu)化儲(chǔ)能裝置的荷電狀態(tài)，有效的避免儲(chǔ)能設(shè)備的過(guò)沖過(guò)放。

但是這些控制方法不能夠?qū)ξ磥?lái)功率變化進(jìn)行預(yù)判，在功率連續(xù)變化時(shí)容易導(dǎo)致能量型儲(chǔ)能裝置過(guò)充過(guò)放，循環(huán)次數(shù)增加，壽命減少。風(fēng)電功率準(zhǔn)確預(yù)測(cè)將會(huì)對(duì)風(fēng)能的利用有著重要意義。

支持向量機(jī)學(xué)習(xí)方法在解決小樣本、非線性和高維數(shù)等問(wèn)題上得到了廣泛的應(yīng)用，廣泛應(yīng)用在風(fēng)電預(yù)測(cè)中［5-7］。而核函數(shù)參數(shù)和懲罰系數(shù)的確定將對(duì)支持向量機(jī)預(yù)測(cè)模型的優(yōu)劣產(chǎn)生直接影響。布谷鳥算法是一種新的元啟發(fā)式算法，可以不用將所有參數(shù)尋歷一遍就可以找到參數(shù)最優(yōu)解，從而提高了支持向量機(jī)的學(xué)習(xí)能力［8-9］。

在混合儲(chǔ)能和風(fēng)電預(yù)測(cè)中都會(huì)涉及到信號(hào)的分解，當(dāng)前信號(hào)分解方法主要有一階低通濾波、小波分解、經(jīng)驗(yàn)?zāi)B(tài)分解等。文獻(xiàn)［10］采用了一階低通濾波原理的風(fēng)儲(chǔ)協(xié)調(diào)控制策略，但在平抑長(zhǎng)期波動(dòng)時(shí)會(huì)增大濾波時(shí)間常數(shù)，增加儲(chǔ)能設(shè)備負(fù)擔(dān)，經(jīng)濟(jì)性較差。文獻(xiàn)［1-3，11］提出了采用小波和小波包分解的信號(hào)提取方法，但是小波和小波包分解需要事先確定小波基和分解層數(shù)，且分解缺乏自適應(yīng)性。文獻(xiàn)［12-14］采用了經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）及其改進(jìn)的方法對(duì)風(fēng)電信號(hào)進(jìn)行分解和重構(gòu)，用于風(fēng)電功率預(yù)測(cè)，但是該方法的可分辨頻率范圍有限，特別是對(duì)于包含密集模態(tài)的多分量信號(hào)，EMD會(huì)出現(xiàn)模態(tài)混疊現(xiàn)象。解析模態(tài)分解是Genda Chen等［15-16］提出的一種新的信號(hào)分解方法，該方法可以方便的從信號(hào)中分離出各個(gè)頻率成分的信號(hào)，但前提是需要確定信號(hào)里的各個(gè)頻率成分，從而確定截止頻率值進(jìn)行AMD分解。AMD目前應(yīng)用在機(jī)械故障診斷［17］、橋梁動(dòng)態(tài)響應(yīng)［18］等領(lǐng)域，目前尚未應(yīng)用于電力領(lǐng)域。

本文提出了一種基于超短期風(fēng)電功率預(yù)測(cè)的混合儲(chǔ)能控制策略，采用AMD分解方法從經(jīng)過(guò)FFT頻譜分析的原始信號(hào)中提取低頻信號(hào)，采用改進(jìn)布谷鳥優(yōu)化支持向量機(jī)懲罰因子參數(shù)和核函數(shù)參數(shù)，進(jìn)行超短期功率預(yù)測(cè)，對(duì)低頻預(yù)測(cè)信號(hào)建立1 min和30 min時(shí)間尺度的功率波動(dòng)分析，判斷是否觸發(fā)蓄電池動(dòng)作，若動(dòng)作，首先自適應(yīng)調(diào)整低頻預(yù)測(cè)信號(hào)截止頻率，然后根據(jù)蓄電池荷電狀態(tài)自適應(yīng)調(diào)整原始風(fēng)電信號(hào)截止頻率，有效平滑功率波動(dòng)，同時(shí)減少蓄電池的循環(huán)次數(shù)，通過(guò)模糊控制確定超級(jí)電容器補(bǔ)償?shù)母哳l信號(hào)分量。最后通過(guò)MATLAB/Simulink仿真，驗(yàn)證了本文所提方法的有效性。

1 解析模態(tài)分解

解析模態(tài)分解是一種新的信號(hào)分解方法，能夠較好的處理信號(hào)出現(xiàn)頻率混疊、窄帶信號(hào)以及信號(hào)間歇性波動(dòng)等問(wèn)題，實(shí)現(xiàn)對(duì)具有緊密間隔頻率分量的信號(hào)進(jìn)行分解，但前提是知道原始信號(hào)的頻率成分。

若一原始信號(hào)y（t）由n個(gè)信號(hào)分量yj（t）（j=1，2，…，n）組成，如式（1）所示。

式中yj（t）對(duì)應(yīng)的時(shí)變頻率為ωj（t），則有二分頻率ωbj∈（ωj，ωj+1）（j=1，2，…，n-1），可以將原始信號(hào)分為兩個(gè)不同頻率信號(hào)和，如式（2）所示。

對(duì)式（2）進(jìn)行傅里葉變換，得到如式（3）：

式中sj（t）對(duì)應(yīng)的傅里葉變換分別為，且頻率范圍分別為｜ω｜＜ωbj和｜ω｜＞ωbj。sj（t）的表達(dá)式如式（4）所示。

式中H［］為 Hilbert變換；sj（t）是頻率小于ωbj的信號(hào)是頻率大于ωbj的信號(hào)。

由式（2）得：

由此便得到了信號(hào)y（t）經(jīng)AMD分解后的兩個(gè)信號(hào)sj（t）和

Feldman［16］進(jìn)一步對(duì)該方法做出新的解釋，它可以作為低通濾波器使用。由式（1）可知，如果要提取頻率成分為ω（t）＜ω1（t）的信號(hào)，只需令截止頻率ωb=ω1（t）即可，同理若要提取頻率成分為ωj-1（t）＜ω（t）＜ωj（t）的信號(hào)，只需分別令截止頻率ωb=ωj（t）和ωb=ωj-1（t），將提取的信號(hào)相減即可。提取信號(hào)原理如圖1所示。

圖1 AMD提取信號(hào)原理圖Fig.1 Schematic diagram of signal extraction using AMD method

根據(jù)上述AMD分解原理，設(shè)計(jì)如圖2所示的自適應(yīng)低通濾波器，從而可以分離出頻率低于截止頻率的低頻信號(hào)和高于截止頻率的高頻信號(hào)。

圖2 基于AMD分解的時(shí)頻低通濾波器框圖Fig.2 Block diagram of a time-frequency low pass filter with AMD method

2 基于改進(jìn)CS優(yōu)化SVM的超短期風(fēng)電功率預(yù)測(cè)

由于篇幅限制，本文不過(guò)多介紹支持向量機(jī)理論，由文獻(xiàn)［13］可知，在使用SVM進(jìn)行風(fēng)電功率預(yù)測(cè)中，懲罰因子參數(shù)C和核函數(shù)參數(shù)σ2的確定尤為重要，CS算法是一種采用飛行的搜索方式，既可以加快局部搜索效率，又可以確保系統(tǒng)不會(huì)陷入局部最優(yōu)解，是一種有效的尋優(yōu)方法。標(biāo)準(zhǔn)CS算法需做如下假設(shè)：（1）每只布谷鳥每次只產(chǎn)一個(gè)蛋，隨機(jī)放入某個(gè)鳥窩；（2）存有布谷鳥蛋最好的鳥巢將會(huì)保留到下一代；（3）鳥巢數(shù)量為確定值n，且布谷鳥蛋被發(fā)現(xiàn)的概率為固定值Pa。詳細(xì)介紹見文獻(xiàn)［8］。

為了進(jìn)一步提高CS算法的尋優(yōu)效率和尋優(yōu)精度，本文從以下兩個(gè)方面進(jìn)行改善：

（1）自適應(yīng)動(dòng)態(tài)調(diào)整控制策略

由于CS算法尋優(yōu)路徑采取隨機(jī)游走策略，步長(zhǎng)大小不定，步長(zhǎng)較大時(shí)，可以保證搜出全局最優(yōu)解，但其搜索精度會(huì)降低；步長(zhǎng)較小時(shí)，搜索精度提高，但會(huì)降低全局最優(yōu)搜索能力。為此，我們可以根據(jù)適應(yīng)值f的不同，自適應(yīng)動(dòng)態(tài)采用不同的控制策略，使搜索速度和搜索精度同時(shí)提高。具體策略如下：

1）設(shè)某一代中，規(guī)模為n的群體的平均適應(yīng)值為fa=（f1+f2+… +fn）/n，最差個(gè)體的適應(yīng)值是fworst。然后將優(yōu)于fa的鳥巢的適應(yīng)值求平均得到f′a。將種群分為fi＜f′a、f′a＜fi＜fa、fa＜fi三組，分別對(duì)每組采用不同的控制策略進(jìn)行更新；

2）將適應(yīng)值fa＜fi的鳥巢歸為第一組，其所對(duì)應(yīng)的步長(zhǎng)控制向量分量更新如式（6）所示；

3）將適應(yīng)值f′a＜fi＜fa的鳥巢歸為第二組，其所對(duì)應(yīng)的步長(zhǎng)控制向量分量保持不變；

4）將適應(yīng)值fi＜f′a的鳥巢歸為第三組，其鳥巢的個(gè)數(shù)為N1，其對(duì)應(yīng)編號(hào)記作k=1，2，…，N1，由于該組鳥巢較為接近最優(yōu)解，本文對(duì)該組鳥巢引入混沌擾動(dòng)算子，以提高算法的搜索精度。其計(jì)算方式如式（7）。

式中Nestk，d為當(dāng)前第三組鳥巢位置的第d維向量值；Rd為當(dāng)前鳥巢位置的第d維位置混沌擾動(dòng)搜索區(qū)域半徑；xd（t）為當(dāng)前代產(chǎn)生的混沌序列，見式（8）。

混沌序列產(chǎn)生方式如下：

（a）隨機(jī)產(chǎn)生D維向量xi=（xi，1，xi，2，…，xi，D），其中每個(gè)分量的值為（0，1）之間的隨機(jī)數(shù)；

（b）為了產(chǎn)生具有較高隨機(jī)性和遍歷性的混沌序列，本文采取kent混沌映射系統(tǒng)，如式（8）。

式中a=0.4。通過(guò)式（8）進(jìn)行T次迭代，產(chǎn)生混沌序列，計(jì)第j次序列為x（j）=（x1（j），x2（j），…，xD（j））。

（c）由于在多維函數(shù)的尋優(yōu)過(guò)程中，各維數(shù)值各不相同，本文采用逐維變化混沌擾動(dòng)的方式確定其混沌擾動(dòng)的半徑，如式（9）。

式中β為比例系數(shù)為當(dāng)前代第一組鳥巢位置的第d維變量的平均值；Nestbest，d為當(dāng)前代鳥巢位置的第d維變量的最優(yōu)值。

（2）引入動(dòng)態(tài)發(fā)現(xiàn)概率

引入布谷蛋動(dòng)態(tài)發(fā)現(xiàn)概率代替固定發(fā)現(xiàn)概率，使得算法在搜索后期更多的產(chǎn)生新個(gè)體，有效避免產(chǎn)生局部最優(yōu)解。隨著尋優(yōu)質(zhì)量的逐步提高，適當(dāng)增加發(fā)現(xiàn)概率Pa，使得在進(jìn)化后期越容易產(chǎn)生新的個(gè)體，避免算法陷入局部最優(yōu)解。本文采用正弦遞增策略實(shí)現(xiàn)Pa的動(dòng)態(tài)變化，如式（10）所示。

式中K為算法的最大進(jìn)化代數(shù)；k為當(dāng)前進(jìn)化代數(shù)；Pa，max和Pa，min為Pa的控制參數(shù)。

3 蓄電池動(dòng)作判斷標(biāo)準(zhǔn)

由于蓄電池價(jià)格昂貴，循環(huán)壽命有限，為了減少蓄電池循環(huán)次數(shù)，本文設(shè)定蓄電池動(dòng)作標(biāo)準(zhǔn)如下：

首先，按的Δt=1 s時(shí)間間隔對(duì)低頻預(yù)測(cè)功率數(shù)據(jù)進(jìn)行劃分。設(shè)風(fēng)電額定功率為Prate，從第i秒開始，確定（i-59）秒～i秒時(shí)間段內(nèi)風(fēng)電功率的最大值Pi，max和最小值Pi，min以及第i秒風(fēng)電功率Pi。

本文定義第i秒風(fēng)電功率1min時(shí)間尺度功率波動(dòng)率數(shù)學(xué)表達(dá)式如下：

式中ΔPi，max+=Pi-Pi，min；ΔPi，max-=Pi-Pi，max。同理可以定義風(fēng)電功率30 min時(shí)間尺度功率波動(dòng)率λ30min。

λ值越小，則說(shuō)明并網(wǎng)功率平滑度越好；λ值越大，則并網(wǎng)功率波動(dòng)越大。儲(chǔ)能系統(tǒng)容量配置不同時(shí)，能夠補(bǔ)償?shù)娘L(fēng)電功率波動(dòng)也不同，故λ1min和λ30min的取值需根據(jù)實(shí)際系統(tǒng)進(jìn)行調(diào)整。

設(shè)1 min和30 min尺度功率波動(dòng)要求分別低于γ1和γ2，若1 min和30 min尺度功率波動(dòng)滿足要求，則蓄電池不動(dòng)作；若未能滿足功率波動(dòng)要求，則需觸發(fā)蓄電池動(dòng)作，此時(shí)自適應(yīng)調(diào)整低頻預(yù)測(cè)分量AMD分解截止頻率ωb2，判斷是否滿足1 min和30 min尺度功率波動(dòng)要求，若不滿足，則繼續(xù)減小截止頻率直到滿足為止；若滿足，則確定最終低頻預(yù)測(cè)分量AMD分解截止頻率ωb2，從低頻預(yù)測(cè)分量中分別提取出較低頻分量和較高頻分量，較低頻分量直接并網(wǎng)，較高頻分量作為蓄電池的初步補(bǔ)償功率指令Pb。

4 蓄電池荷電狀態(tài)自適應(yīng)調(diào)整AMD截止頻率

蓄電池運(yùn)行時(shí)間較長(zhǎng)時(shí)，其容量較容易達(dá)到上下限，將會(huì)直接影響下一刻風(fēng)電輸出功率的平抑效果。故本文根據(jù)蓄電池荷電狀態(tài)SOCb和充放電功率指令，自適應(yīng)調(diào)整原始風(fēng)機(jī)出力AMD分解的截止頻率ωb1，間接使蓄電池SOCb維持在合理范圍內(nèi)，設(shè)Pb＞0時(shí)為充電狀態(tài)，Pb＜0時(shí)為放電狀態(tài)，蓄電池正常工作的荷電狀態(tài)上下限為，極限條件的荷電狀態(tài)上下限為

具體控制策略如下：

自適應(yīng)調(diào)整原始風(fēng)機(jī)出力AMD分解截止頻率ωb1的流程圖如圖3所示。

超級(jí)電容器初步補(bǔ)償功率指令為風(fēng)機(jī)實(shí)際出力減去低頻預(yù)測(cè)出力，由模糊控制進(jìn)行調(diào)節(jié)，具體介紹見文獻(xiàn)［2］。

5 混合儲(chǔ)能充放電總體策略

圖3 自適應(yīng)調(diào)整截止頻率流程圖Fig.3 Flow chart of self-adaptive adjustment of the cut-off frequency

本文首先使用FFT對(duì)原始信號(hào)進(jìn)行頻譜分析，對(duì)原始風(fēng)機(jī)出力信號(hào)進(jìn)行AMD分解，根據(jù)需求得到低頻分量；其次對(duì)低頻分量采用改進(jìn)布谷鳥優(yōu)化SVM的懲罰因子參數(shù)和核函數(shù)參數(shù)，進(jìn)行超短期功率預(yù)測(cè)；再次定義了蓄電池動(dòng)作判定標(biāo)準(zhǔn)，判斷蓄電池是否動(dòng)作，若動(dòng)作，調(diào)節(jié)低頻預(yù)測(cè)信號(hào)的截止頻率，直到滿足并網(wǎng)要求，從而確定蓄電池補(bǔ)償功率指令；最后根據(jù)蓄電池荷電狀態(tài)和補(bǔ)償功率指令自適應(yīng)調(diào)節(jié)原始風(fēng)機(jī)出力截止頻率，從而有效保護(hù)蓄電池，延長(zhǎng)蓄電池使用壽命，對(duì)超級(jí)電容器補(bǔ)償功率指令采用模糊控制進(jìn)行調(diào)節(jié)。

總體控制流程圖如圖4所示。

6 仿真算例

以內(nèi)蒙古某99 MW風(fēng)電場(chǎng)為例，本文采集了該風(fēng)電場(chǎng)2014年全年實(shí)際輸出功率數(shù)據(jù)，采樣時(shí)間間隔為1 s，設(shè)定γ1為0.02，γ2為0.1，蓄電池容量配置為10 MWh，超級(jí)電容器容量配置為2.5 MWh，蓄電池初始荷電狀態(tài)為0.5，超級(jí)電容器初始荷電狀態(tài)為0.5，為 0.8為 0.2，為0.9，為0.1。

對(duì)采樣數(shù)據(jù)進(jìn)行快速傅里葉變換，得到如圖5所示的幅頻特性曲線。

由圖5可知，風(fēng)電功率能量主要集中在低頻部分（0 Hz～10-3Hz），高頻部分能量較低，由超級(jí)電容器補(bǔ)償。故ωb1和ωb2初始值為10-3Hz。從全年數(shù)據(jù)中提取7 200個(gè)采樣點(diǎn)，采樣時(shí)間為2 h，通過(guò)AMD分解，可得如圖6所示的各分量處理情況。

圖4 混合儲(chǔ)能總體控制流程圖Fig.4 Overall control flow chart of hybrid energy storage

圖5 某99MW風(fēng)電場(chǎng)全年風(fēng)機(jī)出力幅頻特性曲線Fig.5 Curve of amplitude frequency characteristics of wind power in the whole year at a 99 MW wind farm

圖6 基于AMD分解的風(fēng)機(jī)出力各分量出力圖Fig.6 Output diagram of wind turbine output based on AMD decomposition

6.1 超短期風(fēng)電功率預(yù)測(cè)

從以上低頻功率信號(hào)中采樣300組數(shù)據(jù)，采樣間隔為24 s，選取前275組數(shù)據(jù)，其中前250組數(shù)據(jù)為訓(xùn)練樣本，后25組數(shù)據(jù)為測(cè)試樣本，構(gòu)造SVM預(yù)測(cè)模型，對(duì)低頻分量進(jìn)行建?；貧w和預(yù)測(cè)。設(shè)鳥巢數(shù)為30，最大迭代次數(shù)為40，最大發(fā)現(xiàn)概率0.65，最小發(fā)現(xiàn)概率0.20，SVM核函數(shù)選擇為高斯徑向基函數(shù)，其參數(shù)σ2搜索范圍為10-5～105，懲罰因子參數(shù)C搜索范圍為10-5～105。對(duì)數(shù)據(jù)歸一化處理后，分別對(duì)采用布谷鳥算法優(yōu)化SVM參數(shù)（CSA-SVM）和ICSA-SVM通過(guò)MATLAB平臺(tái)仿真進(jìn)行對(duì)比分析，并采用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）對(duì)兩種分析方法進(jìn)行評(píng)價(jià)，其對(duì)應(yīng)公式如式（12）、式（13）所示。

式中xi為功率實(shí)際值；為功率預(yù)測(cè)值；N為樣本數(shù)。

通過(guò)仿真，得到分別采用兩種不同方法尋優(yōu)參數(shù)時(shí)的風(fēng)電功率低頻分量預(yù)測(cè)對(duì)比如圖7所示。

兩種預(yù)測(cè)模型預(yù)測(cè)評(píng)價(jià)指標(biāo)和收斂時(shí)間對(duì)比如表1所示。

圖7 采用兩種方法尋優(yōu)時(shí)風(fēng)電功率低頻分量預(yù)測(cè)對(duì)比圖Fig.7 Comparison chart of using two kinds of optimization methods for low frequency of wind power prediction

表1 采用兩種方法風(fēng)電功率預(yù)測(cè)指標(biāo)對(duì)比Tab.1 Comparison of wind power prediction indexes using two methods

由圖7和表1可知，采用ICSA-SVM方法的風(fēng)功率預(yù)測(cè)模型能夠得到較好的預(yù)測(cè)效果，收斂時(shí)間大大減小，故本文采用ICSA-SVM進(jìn)行超短期風(fēng)電功率預(yù)測(cè)和混合儲(chǔ)能控制。

6.2 混合儲(chǔ)能平抑并網(wǎng)功率波動(dòng)

對(duì)低頻分量進(jìn)行超短期風(fēng)電功率預(yù)測(cè)以后，分別對(duì)預(yù)測(cè)分量未來(lái)2 h時(shí)段的1 min和30 min功率波動(dòng)情況進(jìn)行分析和控制。圖8和圖9分別為未來(lái)2 h時(shí)段內(nèi)采用本文控制策略前后的1 min和30 min功率波動(dòng)對(duì)比圖，由圖可知，改善前有一部分功率波動(dòng)超出了蓄電池動(dòng)作標(biāo)準(zhǔn)，根據(jù)流程圖調(diào)整，功率波動(dòng)率都可以滿足并網(wǎng)需求。

圖8 1 min功率波動(dòng)改善前后對(duì)比圖Fig.8 Contrast diagram of power fluctuation of 1 min before and after improvement

圖9 30 min功率波動(dòng)改善前后對(duì)比圖Fig.9 Contrast diagram of power fluctuation of 30 min before and after improvement

已知，即可確定蓄電池初步補(bǔ)償功率，根據(jù)蓄電池荷電狀態(tài)自適應(yīng)調(diào)整，可得蓄電池最終補(bǔ)償功率。圖10為采用蓄電池荷電狀態(tài)自適應(yīng)調(diào)整前后的蓄電池補(bǔ)償功率和荷電狀態(tài)對(duì)比圖，由圖8、圖9和圖10可知，根據(jù)低頻分量功率波動(dòng)判斷是否觸發(fā)蓄電池動(dòng)作，可以大大減少蓄電池的循環(huán)次數(shù)。由圖10可知采用蓄電池荷電狀態(tài)自適應(yīng)調(diào)整截止頻率可以有效的防止蓄電池過(guò)充過(guò)放，保護(hù)蓄電池，延長(zhǎng)蓄電池壽命。

圖10 蓄電池補(bǔ)償功率和荷電狀態(tài)改善前后對(duì)比圖Fig.10 Contrast diagram of compensation power and SOC of battery before and after improvement

圖11為超級(jí)電容器采用模糊控制前后的SOC對(duì)比圖，由圖11可知，通過(guò)模糊控制，可以有效防止超級(jí)電容器過(guò)充過(guò)放，使超級(jí)電容器在正常狀態(tài)運(yùn)行。

7 結(jié)束語(yǔ)

（1）通過(guò)引入解析模態(tài)分解，可以有效地解決小波分解需要事先確定小波基和分解層數(shù)、經(jīng)驗(yàn)?zāi)B(tài)分解出現(xiàn)模態(tài)混疊以及一階低通濾波增大濾波時(shí)間常數(shù)，增加儲(chǔ)能設(shè)備負(fù)擔(dān)的問(wèn)題；

（2）提出了一種改進(jìn)布谷鳥算法，通過(guò)引入自適應(yīng)動(dòng)態(tài)調(diào)整控制策略和動(dòng)態(tài)發(fā)現(xiàn)概率，提高算法的尋優(yōu)速度和尋優(yōu)精度，仿真結(jié)果表明ICSA-SVM比CSA-SVM收斂速度大大提高，且能得到很好的預(yù)測(cè)效果；

（3）對(duì)低頻預(yù)測(cè)功率根據(jù)1 min和30 min時(shí)間尺度功率波動(dòng)來(lái)判斷是否觸發(fā)蓄電池動(dòng)作的控制策略，可以有效的減少蓄電池循環(huán)次數(shù)，延長(zhǎng)蓄電池壽命；

（4）根據(jù)蓄電池荷電狀態(tài)自適應(yīng)調(diào)整原始風(fēng)機(jī)出力AMD截止頻率，可以有效的防止蓄電池過(guò)充過(guò)放，延長(zhǎng)蓄電池壽命；對(duì)超級(jí)電容器采用模糊控制可以有效的使超級(jí)電容器在正常狀態(tài)運(yùn)行。