林 莉 林雨露 譚惠丹 賈源琦,2 孔憲宇 曹雅裴

計及SOC自恢復(fù)的混合儲能平抑風(fēng)電功率波動控制

林 莉1林雨露1譚惠丹1賈源琦1,2孔憲宇1曹雅裴1

（1. 重慶大學(xué)雪峰山能源裝備安全國家野外科學(xué)觀測研究站 重慶 400044 2. 國網(wǎng)重慶市電力公司市南供電分公司 重慶 400060）

混合儲能系統(tǒng)能夠較好地應(yīng)對復(fù)雜的風(fēng)電波動，有效地提高電網(wǎng)的穩(wěn)定性和安全性。在混合儲能平抑風(fēng)電功率波動的典型應(yīng)用場景下，該文首先提出一種計及荷電狀態(tài)（SOC）自恢復(fù)的混合儲能平抑風(fēng)電功率波動控制方法，在滿足風(fēng)電平抑需求的情況下，通過模型預(yù)測控制快速調(diào)節(jié)儲能在平抑功率過程中的荷電狀態(tài)，提高儲能持續(xù)穩(wěn)定運行能力；然后，為提高混合儲能系統(tǒng)協(xié)調(diào)運行能力，設(shè)計了加權(quán)滑動平均（WMA）-模糊控制策略對超級電容和蓄電池功率進行動態(tài)分配；最后，結(jié)合實際風(fēng)電功率數(shù)據(jù)，通過仿真驗證了所提策略能有效平衡儲能壽命和平抑風(fēng)電波動的矛盾，能充分考慮兩種儲能設(shè)備的特性差異并提高功率分配的合理性。

風(fēng)電功率波動 混合儲能 模型預(yù)測控制 加權(quán)滑動平均 模糊控制

0 引言

在“雙碳”目標(biāo)下，風(fēng)力發(fā)電因技術(shù)較為成熟，成為最具開發(fā)規(guī)模和商業(yè)發(fā)展前景的新能源發(fā)電方式[1-2]。但由于風(fēng)本身具有間歇性、波動性和隨機性等特征，隨著其并網(wǎng)滲透水平的提升將會對電力系統(tǒng)的安全穩(wěn)定運行造成嚴(yán)重影響[3-4]。儲能系統(tǒng)由于響應(yīng)迅速、操作靈活，通過控制能較好地吸收和釋放電能，在應(yīng)對復(fù)雜風(fēng)電波動時可極大地提高風(fēng)電并網(wǎng)功率的平穩(wěn)度，從而降低風(fēng)電直接并網(wǎng)對電網(wǎng)帶來的不利影響[5]。

儲能設(shè)備根據(jù)其介質(zhì)的不同分為以蓄電池為代表的能量型儲能和以超級電容器、飛輪儲能和超導(dǎo)儲能為代表的功率型儲能[6]。在風(fēng)電波動較為復(fù)雜的場景中，越是大容量、高功率密度、響應(yīng)速度快的儲能設(shè)備平抑風(fēng)電波動的效果越好，單一配置某一種儲能設(shè)備無論是從經(jīng)濟還是技術(shù)上都無法同時滿足要求。因此，許多專家學(xué)者提出利用能量型與功率型相結(jié)合的混合儲能系統(tǒng)來平抑風(fēng)電輸出功率，如蓄電池-超級電容[7-8]、全釩液流電池-壓縮空氣儲能[9]、飛輪-蓄電池[10]等混合儲能系統(tǒng)。

為保證電網(wǎng)的穩(wěn)定運行，促進新能源的消納，越來越多的預(yù)測方法被用于風(fēng)電系統(tǒng)平抑目標(biāo)功率預(yù)測中[11]，文獻[12]利用隨機森林預(yù)測法預(yù)測后續(xù)風(fēng)功率，以此對儲能進行充放電控制。文獻[13]采用卷積神經(jīng)網(wǎng)絡(luò)方法結(jié)合所提風(fēng)速矩陣時空關(guān)聯(lián)分解重構(gòu)策略提高風(fēng)電預(yù)測精度。一些學(xué)者將模型預(yù)測控制（Model Predictive Control, MPC）引入多變量且高維復(fù)雜的風(fēng)電系統(tǒng)控制中。文獻[14]將風(fēng)電輸電斷面的容量狀態(tài)劃分為安全、預(yù)警及警戒區(qū)，以此劃分?jǐn)嗝婀β实牟煌▌忧闆r，根據(jù)當(dāng)前實際風(fēng)電集群有功輸出功率與劃分區(qū)域的關(guān)系決定未來風(fēng)電集群功率是否需要增減，最后通過模型預(yù)測控制進行功率調(diào)節(jié)。文獻[15]提出一種基于風(fēng)電預(yù)測的儲能模型預(yù)測控制策略，設(shè)計了隨風(fēng)速變化而自動調(diào)整動態(tài)荷電狀態(tài)（State of Charge, SOC）初始值的優(yōu)化函數(shù)，有效改善了風(fēng)速隨機性和預(yù)測誤差對風(fēng)電調(diào)頻能力的影響。為實現(xiàn)對儲能功率的控制，文獻[16]提出一種雙層模型預(yù)測方法，外層確定下一時刻的預(yù)期目標(biāo)功率，內(nèi)層通過充放電約束關(guān)系使實際輸出功率跟隨目標(biāo)功率，通過反饋實時修正儲能功率。

以平抑風(fēng)電功率波動為主要目標(biāo)，如何有效地發(fā)揮功率型和能量型儲能設(shè)備各自的優(yōu)點，合理分配平抑目標(biāo)功率，關(guān)系著儲能控制的高效與經(jīng)濟。其中，最為常用的目標(biāo)功率分配方法是濾波類方法。文獻[17]采用一階低通濾波算法實現(xiàn)了儲能電池和超級電容器之間的功率分配。文獻[18]提出一種具有可變?yōu)V波器時間常數(shù)的兩階段低通濾波器控制策略，優(yōu)化混合儲能的功率分配。文獻[19]針對混合儲能不同工作模式提出不同最大輸出功率及等效SOC的評估方法，基于離散一致性算法設(shè)計儲能功率分配分層控制策略。文獻[20]提出基于自適應(yīng)權(quán)重和模擬退火策略的鯨魚優(yōu)化算法功率分配策略，有效降低了儲能電池單元的運行成本和折損率。此外，經(jīng)驗?zāi)B(tài)分解與加權(quán)滑動平均法等也被應(yīng)用在儲能功率分配控制中，利用并網(wǎng)功率波動要求對分解方法進行自適應(yīng)改進，結(jié)合儲能能量狀態(tài)約束其功率指令，將儲能荷電狀態(tài)維持在合理范圍內(nèi)[21]。文獻[22]利用滑動平均濾波法確定平抑目標(biāo)，再結(jié)合模態(tài)分解與模糊控制規(guī)則修正儲能設(shè)備的充放電功率，提高了平抑水平和儲能系統(tǒng)經(jīng)濟性。

綜上所述，對風(fēng)電平抑目標(biāo)功率的預(yù)測結(jié)果將直接影響混合儲能系統(tǒng)對風(fēng)電波動的平抑效果，同時，平抑目標(biāo)功率的分配將直接影響各儲能設(shè)備的放電深度及充放電次數(shù)，進而對其壽命產(chǎn)生影響。因此，合理地確定混合儲能系統(tǒng)的平抑目標(biāo)功率，以及平抑目標(biāo)功率在不同儲能設(shè)備之間的協(xié)調(diào)分配至關(guān)重要。為在平抑風(fēng)功率波動的同時兼顧儲能系統(tǒng)的壽命，本文首先在考慮儲能系統(tǒng)荷電狀態(tài)基礎(chǔ)上建立了系統(tǒng)MPC模型，通過引入充放能力飽和函數(shù)提出考慮SOC自恢復(fù)的儲能系統(tǒng)MPC優(yōu)化控制目標(biāo)，利用滾動優(yōu)化的方法確定了風(fēng)電平抑目標(biāo)功率；然后提出基于加權(quán)滑動平均（Weighted Moving Average, WMA）-模糊控制的混合儲能功率分配策略，將過去已知的儲能系統(tǒng)實際功率與MPC預(yù)測的未來平抑目標(biāo)功率進行計算，動態(tài)調(diào)整混合儲能系統(tǒng)的功率分配，從而實現(xiàn)在滿足平抑功率需求的同時充分發(fā)揮儲能元件各自的性能優(yōu)勢這一控制目標(biāo)；最后，根據(jù)實際風(fēng)電數(shù)據(jù)，從并網(wǎng)波動、儲能充放電裕度以及累計充放電量等多指標(biāo)評價體系，驗證本文所提方法在平抑風(fēng)電并網(wǎng)功率波動和改善全局儲能出力水平的有效性。

1 考慮SOC自恢復(fù)的混合儲能MPC預(yù)測模型及目標(biāo)功率求解

風(fēng)儲聯(lián)合控制系統(tǒng)具有非線性、多變量耦合、多約束、不確定性等特點，傳統(tǒng)控制方法難以精確描述其數(shù)理模型，控制效果有限。MPC為一種實時控制手段，通過預(yù)測系統(tǒng)未來的動態(tài)信息對一定預(yù)測時域的控制目標(biāo)進行優(yōu)化，具有良好的快速性和魯棒性。本節(jié)工作是在平抑風(fēng)電功率波動的同時兼顧儲能系統(tǒng)的壽命，建立了考慮混合儲能系統(tǒng)SOC自恢復(fù)的MPC預(yù)測模型和優(yōu)化目標(biāo)，通過滾動優(yōu)化算法最終確定了混合儲能系統(tǒng)平抑的目標(biāo)功率。

1.1 考慮混合儲能系統(tǒng)SOC的MPC預(yù)測模型

圖1 風(fēng)儲聯(lián)合系統(tǒng)結(jié)構(gòu)

以圖1給定的功率方向為參考，可得

式中，、1、2為系數(shù)矩陣。

在不考慮蓄電池和超級電容器充放電效率以及換流器等損耗情況下，對式（1）進行離散化處理可得

由式（3）可知，風(fēng)電并網(wǎng)功率、蓄電池平抑功率、超級電容平抑功率相互關(guān)聯(lián)，而儲能系統(tǒng)出力受荷電運行狀態(tài)影響，離散后的蓄電池和超級電容的荷電運行狀態(tài)分別為

混合儲能系統(tǒng)以大容量的蓄電池為主體，因此混合儲能系統(tǒng)的SOC基本由蓄電池SOC決定，故對蓄電池SOC進行調(diào)節(jié)可視為對混合儲能系統(tǒng)SOC的調(diào)節(jié)。由此可將式（4）統(tǒng)一寫為

對比式（2）和式（7），可得式（2）中各系數(shù)矩陣為

1.2 考慮充放電飽和能力函數(shù)的混合儲能系統(tǒng)MPC優(yōu)化目標(biāo)

1.2.1 考慮SOC的充放電飽和能力函數(shù)

圖2 蓄電池SOC區(qū)域劃分

由式（9）可知，當(dāng)SOC介于[,]之間時，函數(shù)值大于或等于，此時充放電飽和度較高，屬于良好的充放電SOC范圍，并且對函數(shù)求導(dǎo)可得SOC在0.5附近的斜率變化較小，即SOC輕微變化對飽和度影響不大。當(dāng)SOC小于或大于時，函數(shù)值小于且快速變化至趨近于0，表明飽和度過低，不利于電池的運行，需進行SOC調(diào)節(jié)。

1.2.2 混合儲能系統(tǒng)MPC優(yōu)化目標(biāo)

風(fēng)儲聯(lián)合系統(tǒng)除滿足MPC優(yōu)化目標(biāo)函數(shù)外，還需滿足混合儲能SOC約束、充放電功率約束以及并網(wǎng)功率約束，即

1.3 基于MPC滾動優(yōu)化方法的儲能目標(biāo)功率求解

根據(jù)MPC原理，結(jié)合混合儲能預(yù)測模型式（2）、優(yōu)化目標(biāo)式（10）及系統(tǒng)約束式（11），可將其轉(zhuǎn)換為二次規(guī)劃形式進行求解，得到現(xiàn)在及未來一段時間的控制變量序列，即混合儲能系統(tǒng)平抑的目標(biāo)功率。

其中，各系數(shù)矩陣分別為

通過矩陣運算，優(yōu)化目標(biāo)中所有狀態(tài)變量可由控制變量表示，由于常數(shù)項不參與優(yōu)化故可省略，因此，可將目標(biāo)函數(shù)轉(zhuǎn)換為標(biāo)準(zhǔn)的二次規(guī)劃形式，有

式中，為待求控制變量的二次項參數(shù)矩陣；為待求控制變量的一次項參數(shù)矩陣。

2 改進WMA-模糊控制的混合儲能功率分配策略

通過模型預(yù)測控制求解得到的混合儲能系統(tǒng)平抑的目標(biāo)功率，初步滿足了風(fēng)電功率波動及動態(tài)恢復(fù)儲能SOC的需求，但為了充分發(fā)揮混合儲能系統(tǒng)中鋰電池和超級電容器各自的性能優(yōu)勢，需要對混合儲能目標(biāo)功率進行協(xié)調(diào)分配。在這個過程中，需考慮利用蓄電池的大容量特性對大幅度的功率進行平抑，同時，充分利用超級電容器快速響應(yīng)能力和頻繁轉(zhuǎn)換充放電能力，讓其承擔(dān)高頻變化的功率，從而適當(dāng)降低蓄電池充放電的轉(zhuǎn)換次數(shù)，提高蓄電池的使用壽命。因此，本節(jié)首先改進加權(quán)滑動平均法對平抑的目標(biāo)功率進行分配，然后利用模糊控制對相關(guān)參數(shù)進行調(diào)整，以提高該方法的自適應(yīng)性。

2.1 基于改進WMA法的混合儲能平抑功率分配

圖3 改進WMA法時間軸的劃分

首先計算過去和未來各部分單獨的參考值。

則蓄電池和超級電容的參考功率分別為

2.2 基于未來荷電狀態(tài)變化的WMA參數(shù)模糊控制調(diào)整

圖4 模糊控制輸入/輸出隸屬函數(shù)

Tab.1 Fuzzy control rule of

表2模糊控制規(guī)則

Tab.2 Fuzzy control rule of d

由此得到本文所提混合儲能平抑風(fēng)電功率波動控制流程如圖5所示。

圖5 混合儲能平抑風(fēng)電功率波動控制流程

3 仿真分析

采用平均充放電裕度等指標(biāo)評價儲能系統(tǒng)的運行情況及風(fēng)電平抑效果。

1）平均充放電裕度

利用一段時間內(nèi)儲能充放電飽和能力平均值來表征一段時間以內(nèi)的儲能平均充放電裕度，即

2）累積充放電量

定義累積充放電量b為

b用于表示儲能系統(tǒng)能量交換的總量，該值越大表征儲能的壽命損耗越多。

3）并網(wǎng)平均波動率

并網(wǎng)功率在研究周期內(nèi)的平均波動率可表示為

3.1 考慮SOC自恢復(fù)的MPC控制仿真

3.1.1 風(fēng)功率平抑效果與儲能SOC調(diào)節(jié)仿真

基于上述參數(shù)和相關(guān)指標(biāo)，采用三種MPC方法對混合儲能系統(tǒng)的平抑功率及風(fēng)電并網(wǎng)功率進行控制，分別為：①MPC方法1，以混合儲能實時的SOC狀態(tài)接近0.5為優(yōu)化目標(biāo)；②MPC方法2，以并網(wǎng)風(fēng)電功率波動率最小為優(yōu)化目標(biāo)；③MPC方法3，即本文優(yōu)化方法，實時考慮風(fēng)電平抑效果和儲能SOC狀態(tài)進行動態(tài)優(yōu)化。MPC方法3控制過程中，設(shè)定=0.3，=0.7，=30，=0.5，蓄電池和超級電容的SOC初始值均為0.5，SOC上、下限分別為0.9和0.1。

1）并網(wǎng)功率及其波動頻率對比

圖6和圖7分別為三種控制方法下的并網(wǎng)功率及并網(wǎng)功率波動頻率分布。

圖6 并網(wǎng)功率對比

圖7 并網(wǎng)功率波動率分布對比

圖6中，對比原始風(fēng)電功率W可以看出，三種方法都有效地實現(xiàn)了對風(fēng)電并網(wǎng)功率波動的平抑。相比于風(fēng)電直接并網(wǎng)，對比圖7a與圖7b可知，原始風(fēng)電并網(wǎng)波動率大于2%的時間約占24.2%，平抑后的風(fēng)電并網(wǎng)功率波動率都被限制在2%以內(nèi)，滿足并網(wǎng)要求。就平抑效果而言，以并網(wǎng)功率波動率最小為控制目標(biāo)的MPC方法2的效果最好，68.2%的波動率分布在0.2%以下；其次是本文方法，43.4%的波動率分布在0.2%以下；平抑效果最差的是方法1，僅有15.7%的波動率分布在0.2%以下，多數(shù)波動率分布在0.2%～2%范圍內(nèi)。

2）混合儲能SOC調(diào)節(jié)對比

在控制儲能系統(tǒng)平抑風(fēng)電功率過程中，風(fēng)電并網(wǎng)功率波動率不能作為衡量控制策略優(yōu)劣的單一標(biāo)準(zhǔn)，儲能系統(tǒng)的運行狀態(tài)影響著儲能元件的使用壽命、系統(tǒng)整體經(jīng)濟性及長期的風(fēng)電平抑效果。圖8為三種控制策略下混合儲能SOC變化情況對比，圖9為對應(yīng)圖8中混合儲能SOC的分布對比。

圖8 混合儲能SOC變化對比

圖9 混合儲能SOC分布對比

由圖8和圖9可以看出，三種控制方法下的混合儲能SOC隨時間的變化情況存在較大差異。MPC方法1控制下的儲能SOC超過90%的時間維持在[0.4,0.6]的高充放電裕度區(qū)域，僅在風(fēng)電功率波動較大的時間段有所動作，符合MPC方法1的優(yōu)化目標(biāo)策略。對應(yīng)MPC方法2，雖然能夠?qū)δ躍OC限制在允許的運行區(qū)間[0.1,0.9]之內(nèi)，但SOC的變化幅度較大且接近30%的時間處于充放電裕度較低的區(qū)域，存在風(fēng)電功率波動無法平抑以及由此帶來的加速儲能壽命消耗的風(fēng)險。采用本文控制策略MPC方法3時，儲能SOC的工作區(qū)間得到很大改善，約90%的時間SOC保持在[0.3,0.7]之間。如圖8在480～720 min和1 200～1 440 min等時間段，相較于MPC方法2，儲能SOC的運行范圍更加良好。而相較于MPC方法1，如在0～240 min和1 200～1 440 min等時間段，本文方法控制下的儲能可以提供更多的充放電功率來對風(fēng)電功率進行平抑，改善平抑效果。

本文所提MPC方法3對SOC的動態(tài)調(diào)整過程如圖10所示。

圖10 不同初始荷電狀態(tài)下混合儲能SOC調(diào)節(jié)過程

由圖10可見，對于不同的混合儲能初始SOC值，在本文所提MPC方法3控制調(diào)節(jié)下，儲能的SOC能夠隨著時間逐漸恢復(fù)到0.5附近，并最終跟隨初始SOC=0.5對照組的SOC變化。初始SOC越偏離0.5其恢復(fù)到0.5附近的速度越快，說明本文控制策略能夠根據(jù)儲能SOC所處區(qū)間動態(tài)調(diào)整SOC的恢復(fù)速度，從而保證儲能運行在良好的荷電運行區(qū)間。

3）評價指標(biāo)對比

表3 控制方法結(jié)果評價指標(biāo)對比

Tab.3 Comparison of indicators for evaluating the results of control methods

3.1.2 充放電飽和能力函數(shù)對混合儲能MPC調(diào)節(jié)的影響

本文所提考慮混合儲能SOC自恢復(fù)的MPC方法中，儲能系統(tǒng)充放電飽和能力函數(shù)作為調(diào)節(jié)儲能SOC及風(fēng)電并網(wǎng)波動的權(quán)重系數(shù)引入優(yōu)化目標(biāo)，其參數(shù)、、、的選取將影響儲能SOC和并網(wǎng)功率增量二者的控制比重。本節(jié)仿真時，分別取值20、30、40，分別取值0.3、0.5、0.7，對比不同[,]取值范圍下的評價指標(biāo)分別列于表4～表6。

表4=20時參數(shù)調(diào)節(jié)對比

Tab.4 Comparison of different parameters for I=20

表5=30時參數(shù)調(diào)節(jié)對比

Tab.5 Comparison of different parameters for I=30

表6=40時參數(shù)調(diào)節(jié)對比

Tab.6 Comparison of different parameters for I=40

3.2 改進WMA-模糊控制對混合儲能功率分配的仿真

采用本文所提的改進WMA-模糊控制功率分配策略對MPC滾動優(yōu)化得到的混合儲能目標(biāo)功率進行分配，蓄電池和超級電容功率調(diào)節(jié)過程如圖11所示。蓄電池的功率變化相較于超級電容較為平緩，僅在240～480 min和720～960 min目標(biāo)功率需求較大的時間段內(nèi)功率變化較大?？梢娫谡麄€風(fēng)電平抑過程中，蓄電池分配了大幅度的波動功率，而超級電容分配了較為頻繁的小幅度波動功率，發(fā)揮了鋰電池和超級電容器各自的性能優(yōu)勢。

圖11 各儲能元件功率分配情況

圖12為在分配目標(biāo)功率時各儲能元件SOC的變化情況，可以看出蓄電池和超級電容都在規(guī)定的SOC運行區(qū)間內(nèi)工作，超級電容SOC變化頻率和幅度相對于蓄電池更高，符合兩種儲能元件的特點。

圖12 各儲能元件SOC變化情況

為進一步提高儲能對未來功率變化的適應(yīng)性，采用模糊控制對WMA參數(shù)進行調(diào)節(jié)。圖13展示了在有/無模糊控制調(diào)節(jié)WMA參數(shù)下截取的第200～600 min的混合儲能功率和蓄電池功率。

圖13 200～600 min有/無模糊控制的蓄電池功率

由圖13可知，由于無模糊控制時WMA參數(shù)沒有變化，因此在各個時段的蓄電池功率都相對平穩(wěn)，但在混合儲能目標(biāo)功率較大時，如250～300 min，由于WMA參數(shù)不可調(diào)導(dǎo)致蓄電池不能快速地跟隨目標(biāo)功率進行調(diào)整，不能按需提供充足的功率，剩余功率只能由超級電容承擔(dān)，不利于風(fēng)電功率的平抑。而引入模糊控制后，在混合儲能功率較小時，如圖中200～230 min及440～470 min等時段，蓄電池的功率變化不大，基本和無模糊控制時一致，減小了蓄電池在低出力水平下的放電深度及充放電次數(shù)。而當(dāng)儲能功率需求較大時，如圖13中250～300 min及370～420 min等時段，通過參數(shù)調(diào)節(jié)蓄電池能夠快速跟蹤大幅度功率變動，提供更多的功率以減小超級電容的功率負(fù)擔(dān)。綜上所述，本文的功率分配方法能夠在一定程度上根據(jù)未來不同功率波動需求調(diào)整儲能的功率分配，從而更加有效地對風(fēng)電波動進行平抑。

4 結(jié)論

為實現(xiàn)風(fēng)儲聯(lián)合系統(tǒng)中風(fēng)電并網(wǎng)功率波動的平抑，同時提升儲能系統(tǒng)的長期穩(wěn)定運行能力，本文應(yīng)用磷酸鐵鋰電池和超級電容混合儲能系統(tǒng)，結(jié)合MPC理論與WMA-模糊控制完成了混合儲能目標(biāo)功率預(yù)測和動態(tài)分配，通過理論分析與仿真驗證得出以下主要結(jié)論：

1）提出了混合儲能充放電飽和能力函數(shù)，并將其作為控制權(quán)重設(shè)計了兼顧儲能系統(tǒng)SOC恢復(fù)和并網(wǎng)功率波動平抑能力的MPC策略。仿真結(jié)果表明，在平抑風(fēng)電波動過程中，所提控制方法不僅能有效平抑風(fēng)電功率波動，同時也能有效優(yōu)化儲能SOC運行區(qū)間，降低儲能的壽命損耗。

2）基于MPC預(yù)測的儲能目標(biāo)功率，本文利用改進加權(quán)滑動平均法對蓄電池及超級電容的功率進行動態(tài)分配，并且設(shè)計了基于SOC反饋的模糊控制器動態(tài)調(diào)節(jié)MPC中的多目標(biāo)優(yōu)化比例。仿真結(jié)果表明，本文方法能根據(jù)功率需求自適應(yīng)調(diào)整儲能功率的分配，在低水平出力下降低蓄電池的放電深度與頻繁轉(zhuǎn)換充放電狀態(tài)，降低對壽命的損耗，而在平抑功率需求較大時提高蓄電池出力，減小超級電容的輸出壓力，提高功率分配的合理性。

本文圍繞風(fēng)儲聯(lián)合系統(tǒng)風(fēng)功率波動平抑及混合儲能系統(tǒng)的協(xié)調(diào)配合與穩(wěn)定運行展開了研究，但仍存在一些未涉及或仍待后續(xù)研究解決的問題，如優(yōu)化混合儲能的容量配置進一步發(fā)揮超級電容的性能優(yōu)勢；若有條件增加實驗驗證等。

[1] 李軍徽, 侯濤, 穆鋼, 等. 電力市場環(huán)境下考慮風(fēng)電調(diào)度和調(diào)頻極限的儲能優(yōu)化控制[J]. 電工技術(shù)學(xué)報, 2021, 36(9): 1791-1804.

Li Junhui, Hou Tao, Mu Gang, et al. Optimal control strategy for energy storage considering wind farm scheduling plan and modulation frequency limitation under electricity market environment[J]. Transactions of China Electrotechnical Society, 2021, 36(9): 1791-1804.

[2] 卓振宇, 張寧, 謝小榮, 等. 高比例可再生能源電力系統(tǒng)關(guān)鍵技術(shù)及發(fā)展挑戰(zhàn)[J]. 電力系統(tǒng)自動化, 2021, 45(9): 171-191.

Zhuo Zhenyu, Zhang Ning, Xie Xiaorong, et al. Key technologies and developing challenges of power system with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2021, 45(9): 171-191.

[3] 周博, 艾小猛, 方家琨, 等. 計及超分辨率風(fēng)電出力不確定性的連續(xù)時間魯棒機組組合[J]. 電工技術(shù)學(xué)報, 2021, 36(7): 1456-1467.

Zhou Bo, Ai Xiaomeng, Fang Jiakun, et al. Continuous-time modeling based robust unit commitment considering beyond-the-resolution wind power uncertainty[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1456-1467.

[4] 楊立濱, 曹陽, 魏韡, 等. 計及風(fēng)電不確定性和棄風(fēng)率約束的風(fēng)電場儲能容量配置方法[J]. 電力系統(tǒng)自動化, 2020, 44(16): 45-52.

Yang Libin, Cao Yang, Wei Wei, et al. Configuration method of energy storage for wind farms considering wind power uncertainty and wind curtailment constraint[J]. Automation of Electric Power Systems, 2020, 44(16): 45-52.

[5] Lin Li, Jia Yuanqi, Ma Minghui, et al. Long-term stable operation control method of dual-battery energy storage system for smoothing wind power fluctuations[J]. International Journal of Electrical Power & Energy Systems, 2021, 129: 106878.

[6] 謝小榮, 馬寧嘉, 劉威, 等. 新型電力系統(tǒng)中儲能應(yīng)用功能的綜述與展望[J]. 中國電機工程學(xué)報, 2023, 43(1): 158-169.

Xie Xiaorong, Ma Ningjia, Liu Wei, et al. Functions of energy storage in renewable energy dominated power systems: review and prospect[J]. Proceedings of the CSEE, 2023, 43(1): 158-169.

[7] Wan Can, Qian Weiting, Zhao Changfei, et al. Probabilistic forecasting based sizing and control of hybrid energy storage for wind power smoothing[J]. IEEE Transactions on Sustainable Energy, 2021, 12(4): 1841-1852.

[8] Elmorshedy M F, Elkadeem M R, Kotb K M, et al. Optimal design and energy management of an isolated fully renewable energy system integrating batteries and supercapacitors[J]. Energy Conversion and Management, 2021, 245: 114584.

[9] 齊曉光, 姚福星, 朱天曈, 等. 考慮大規(guī)模風(fēng)電接入的電力系統(tǒng)混合儲能容量優(yōu)化配置[J]. 電力自動化設(shè)備, 2021, 41(10): 11-19.

Qi Xiaoguang, Yao Fuxing, Zhu Tiantong, et al. Capacity optimization configuration of hybrid energy storage in power system considering large-scale wind power integration[J]. Electric Power Automation Equipment, 2021, 41(10): 11-19.

[10] Guo Tingting, Liu Youbo, Zhao Junbo, et al. A dynamic wavelet-based robust wind power smoothing approach using hybrid energy storage system[J]. International Journal of Electrical Power & Energy Systems, 2020, 116: 105579.

[11] 萬燦, 崔文康, 宋永華. 新能源電力系統(tǒng)概率預(yù)測:基本概念與數(shù)學(xué)原理[J]. 中國電機工程學(xué)報, 2021, 41(19): 6493-6509.

Wan Can, Cui Wenkang, Song Yonghua. Probabilistic forecasting for power systems with renewable energy sources: basic concepts and mathematical principles[J]. Proceedings of the CSEE, 2021, 41(19): 6493-6509.

[12] 劉穎明, 王維, 王曉東, 等. 結(jié)合風(fēng)功率預(yù)測及儲能能量狀態(tài)的模糊控制策略平滑風(fēng)電出力[J]. 電網(wǎng)技術(shù), 2019, 43(7): 2535-2543.

Liu Yingming, Wang Wei, Wang Xiaodong, et al. A fuzzy control strategy combined with wind power prediction and energy storage SOE for smoothing wind power output[J]. Power System Technology, 2019, 43(7): 2535-2543.

[13] 潘超, 李潤宇, 蔡國偉, 等. 基于時空關(guān)聯(lián)分解重構(gòu)的風(fēng)速超短期預(yù)測[J]. 電工技術(shù)學(xué)報, 2021, 36(22): 4739-4748.

Pan Chao, Li Runyu, Cai Guowei, et al. Multi-step ultra-short-term wind speed prediction based on decomposition and reconstruction of time-spatial correlation[J]. Transactions of China Electrotechnical Society, 2021, 36(22): 4739-4748.

[14] 路朋, 葉林, 裴銘, 等. 風(fēng)電集群有功功率模型預(yù)測協(xié)調(diào)控制策略[J]. 中國電機工程學(xué)報, 2021, 41(17): 5887-5900.

Lu Peng, Ye Lin, Pei Ming, et al. Coordinated control strategy for active power of wind power cluster based on model predictive control[J]. Proceedings of the CSEE, 2021, 41(17): 5887-5900.

[15] 陳長青, 李欣然, 譚莊熙. 考慮風(fēng)電不確定性的風(fēng)儲調(diào)頻能力[J]. 高電壓技術(shù), 2022, 48(6): 2128-2139.

Chen Changqing, Li Xinran, Tan Zhuangxi. Frequency modulation capability of wind storage considering wind power uncertainty[J]. High Voltage Engineering, 2022, 48(6): 2128-2139.

[16] Cao Minjian, Xu Qingshan, Qin Xiaoyang, et al. Battery energy storage sizing based on a model predictive control strategy with operational constraints to smooth the wind power[J]. International Journal of Electrical Power & Energy Systems, 2020, 115: 105471.

[17] 孫玉樹, 唐西勝, 孫曉哲, 等. 基于MPC-HHT的多類型儲能協(xié)調(diào)控制策略研究[J]. 中國電機工程學(xué)報, 2018, 38(9): 2580-2588, 2826.

Sun Yushu, Tang Xisheng, Sun Xiaozhe, et al. Research on multi-type energy storage coordination control strategy based on MPC-HHT[J]. Proceedings of the CSEE, 2018, 38(9): 2580-2588, 2826.

[18] Wu Tiezhou, Yu Wenshan, Guo Linxin. A study on use of hybrid energy storage system along with variable filter time constant to smooth DC power fluctuation in microgrid[J]. IEEE Access, 2019, 7: 175377-175385.

[19] 劉忠, 楊陳, 蔣瑋, 等. 基于一致性算法的直流微電網(wǎng)儲能系統(tǒng)功率分配技術(shù)[J]. 電力系統(tǒng)自動化, 2020, 44(7): 61-69.

Liu Zhong, Yang Chen, Jiang Wei, et al. Consensus algorithm based power distribution technology for energy storage system in DC microgrid[J]. Automation of Electric Power Systems, 2020, 44(7): 61-69.

[20] 付華, 陸鵬, 張俊男. 基于A-SA-WOA算法的直流微電網(wǎng)全釩液流電池儲能系統(tǒng)功率分配策略[J]. 電工技術(shù)學(xué)報, 2023, 38(7): 1826-1837.

Fu Hua, Lu Peng, Zhang Junnan. Power allocation strategy of DC microgrid all vanadium redox flow battery energy storage system based on A-SA-WOA algorithm[J]. Transactions of China Electrotechnical Society, 2023, 38(7): 1826-1837.

[21] 付菊霞, 陳潔, 滕揚新, 等. 基于集合經(jīng)驗?zāi)B(tài)分解的風(fēng)電混合儲能系統(tǒng)能量管理協(xié)調(diào)控制策略[J]. 電工技術(shù)學(xué)報, 2019, 34(10): 2038-2046.

Fu Juxia, Chen Jie, Teng Yangxin, et al. Energy management coordination control strategy for wind power hybrid energy storage system based on EEMD[J]. Transactions of China Electrotechnical Society, 2019, 34(10): 2038-2046.

[22] 李亞楠, 王倩, 宋文峰, 等. 混合儲能系統(tǒng)平滑風(fēng)電出力的變分模態(tài)分解-模糊控制策略[J]. 電力系統(tǒng)保護與控制, 2019, 47(7): 58-65.

Li Yanan, Wang Qian, Song Wenfeng, et al. Variational mode decomposition and fuzzy control strategy of hybrid energy storage for smoothing wind power outputs[J]. Power System Protection and Control, 2019, 47(7): 58-65.

[23] 王宇. 超級電容與蓄電池混合儲能系統(tǒng)的能量管理與控制研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2016.

Wang Yu. Study on energy management and control of a supercapacitor and battery hybrid energy storage system[D]. Harbin: Harbin Institute of Technology, 2016.

[24] 孫玉樹, 張國偉, 唐西勝, 等. 風(fēng)電功率波動平抑下的MPC雙儲能控制策略研究[J]. 電工技術(shù)學(xué)報, 2019, 34(3): 571-578.

Sun Yushu, Zhang Guowei, Tang Xisheng, et al. Research on MPC and daul energy storage control strategies with wind power fluctuation mitigation[J]. Transactions of China Electrotechnical Society, 2019, 34(3): 571-578.

[25] 國家質(zhì)量監(jiān)督檢驗檢疫總局, 中國國家標(biāo)準(zhǔn)化管理委員會. 風(fēng)電場接入電力系統(tǒng)技術(shù)規(guī)定: GB/T 19963—2011[S]. 北京: 中國標(biāo)準(zhǔn)出版社, 2012.

[26] 朱麗云. 考慮充放電能量不均衡的雙電池系統(tǒng)容量配置與控制策略研究[D]. 重慶: 重慶大學(xué), 2018.

Zhu Liyun. Study on the capacity configuration and control strategy of dual battery system considering charging and discharging unbalanced energy[D]. Chongqing: Chongqing University, 2018.

[27] 李學(xué)斌, 劉建偉. 采用二階濾波的混合儲能系統(tǒng)實時功率分配方法[J]. 電網(wǎng)技術(shù), 2019, 43(5): 1650-1657.

Li Xuebin, Liu Jianwei. Real-time power distribution method adopting second-order filtering for hybrid energy storage system[J]. Power System Technology, 2019, 43(5): 1650-1657.

Hybrid Energy Storage Control with SOC Self-Recovery to Smooth Out Wind Power Fluctuations

Lin Li1Lin Yulu1Tan Huidan1Jia Yuanqi1,2Kong Xianyu1Cao Yapei1

（1. Xuefeng Mountain Energy Equipment Safety National Observation and Research Station Chongqing University Chongqing 400044 China 2. State Grid Chongqing Electric Power Company Shinan Power Supply Branch Chongqing 400060 China）

The increase in penetration of new energy sources such as wind power poses a huge threat to the security and stability of the power grid operation. This paper used a hybrid energy storage system with a battery and supercapacitor to cope with the complex fluctuations of wind power. To achieve the smoothing of grid-connected power fluctuations while reducing the lifetime losses of the storage system, this paper proposed a hybrid energy storage control method taking into account the state of charge (SOC) self-recovery to smooth out wind power fluctuations, including model predictive control (MPC) to predict the target power of hybrid storages and weighted moving average (WMA) method with fuzzy control to allocate target power.

This paper first established the MPC optimization target function combining SOC recovery for energy storage systems and grid-connected power fluctuation smoothing capability. To characterize the relationship between the SOC and the charge and discharge margin of the energy storage system, a charge and discharge saturation capacity function was proposed. This function was also introduced as a weighting factor into the MPC optimization target function, achieving rapid adjustment of the SOC during power smoothing and improving the long-term stable operation capability of energy storage. An improved WMA method was then proposed to distribute the MPC-predicted target power between supercapacitor and battery power. Considering the small capacity of supercapacitor which is easy to overcharge and over-discharge, the SOC of the supercapacitor at the previous moment and the change of SOC of future hybrid energy storage were taken as fuzzy control inputs. According to the different operating conditions, the fuzzy control rules were designed to dynamically adjust the WMA sliding window length d and the α weighted of past and future reference values, thus improving the adaptability of the battery and supercapacitor to different target power and different SOC.

A wind-storage joint model was developed in Matlab, and the simulation compared the control effects of three methods of optimization targets. Method 1 is SOC closed to 0.5 at real-time. Method 2 is minimizing the fluctuation rates of grid-connected power. Method 3 is the optimization method for this paper. The simulation results show that the fluctuation rates of grid-connected power are less than 2% by method 3, in which 43.4% of the fluctuation rates are below 0.2%, and the average fluctuation rate is 0.61%, which is between the other two methods. The total charge and discharge energy of the hybrid energy storage is 28.93, which is much lower than the 47.67 of method 2. The average charge and discharge margin of 0.948 6 is close to 0.978 7 for method 1, but much higher than 0.591 4 for method 2. For different initial SOC, the SOC can gradually recover to around 0.5 and eventually follow the change of the control group with the initial value of SOC=0.5. Simulations were then carried out to verify the power allocation strategy with improved WMA-fuzzy control. The results show that the power variation of the battery is relatively gentle compared to that of the supercapacitor, and only varies greatly in the time of 240 min to 480 min and 720 min to 960 min when the power demand is high.

The simulation analysis leads to the following conclusions. Firstly, the proposed model predictive control for the target power of hybrid energy storage can effectively smooth out wind power fluctuations, and also effectively optimize the operation interval of SOC and reduce the lifetime loss of energy storage. Secondly, the designed allocation strategy adaptively adjusts the distribution of energy storage power according to the power demand. This strategy reduces the depth of discharge and the charge-to-discharge transition state of the battery at low levels of power output, thus reducing the loss of life. In contrast, increasing the battery output when the power demand is high. It reduces the pressure on the supercapacitor and improves the rationality of the power distribution.

Wind power fluctuations, hybrid energy storage, model predictive control, weighted moving average, fuzzy control

TM614

10.19595/j.cnki.1000-6753.tces.221976

2022-10-18

2022-12-05

林 莉 女，1974年生，副教授，碩士生導(dǎo)師，研究方向為電力系統(tǒng)運行與控制。E-mail：linli@cqu.edu.cn（通信作者）

林雨露 女，1999年生，碩士研究生，研究方向為微電網(wǎng)與儲能協(xié)調(diào)運行與控制。E-mail：yulu_lyl@163.com

（編輯 赫 蕾）