一种基于自适应滤波的全生命周期混合储能容量配置方法

1.本发明涉及新能源发电技术领域，尤其涉及一种基于自适应滤波的全生命周期混合储能容量配置方法。


背景技术：

2.风力发电、光伏发电以及负荷需求的不确定性对微电网的稳定运行产生了很大的影响。风光互补发电系统可以在考虑风力发电、光伏发电的特点上降低输出功率波动性给负荷带来的影响；然而，风能、太阳能与生俱来的不确定性以及间歇性的特点限制了风光互补发电系统的推广和利用。风光互补发电系统与储能系统相结合可以有效缓解风力发电、光伏发电所带来的影响，提高系统运行的可靠性，改善系统的经济收益。然而，电池的寿命的限制仍然是限制微电网推广普及的重要因素。为改善储能系统对经济收益所带来的影响，逐渐出现了由超级电容和蓄电池组成的混合储能系统。其中，功率不平衡所引起的中低频偏差部分由蓄电池补偿，高频部分由超级电容补偿。这种储能结构可以有效减少蓄电池充放电的次数，提高系统的经济收益。
3.在混合储能结构中，不同的滤波技术的使用得到的滤波效果也不一样，滑动平均滤波利用滤波窗口采用加权平均的方式可以实时地对功率偏差进行修正。然而，固定频段的滤波技术会使得混合储能功率分配的过程中缺少一定的灵活性。当采用固定频段技术以及容量累积偏差绝对值持续走高的情况下，会使得储能系统的容量配置成本提升，间接带动诸如维护成本、处置成本的提升。超级电容因其超高的充放电次数、频率响应速度而可以实现与蓄电池混合使用。采用自适应滤波技术可以在电池累积偏差绝对值持续走高的情况下，将部分的中高频能量由超级电容承担，利用超级电容充放电次数多，响应速度快的特点，可以降低蓄电池的配置成本，间接带动微电网中混合储能系统配置成本的降低。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于自适应滤波的全生命周期混合储能容量配置方法，能够确保负荷稳定运行，提升新能源利用率以及经济收益。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种基于自适应滤波的全生命周期混合储能容量配置方法，包括如下步骤：
7.步骤1：统计风力发电、光伏发电历史数据和负荷需求历史数据，根据可再生能源以及负荷变化的特性对风速模型采用双参数韦布尔分布概率密度函数进行曲线拟合，对光伏发电模型采用beta分布的概率密度函数进行曲线拟合，对负荷模型采用正态分布概率密度函数进行拟合，得到全生命周期内微电网系统的各种运行场景；
8.步骤2：基于风力发电、光伏发电以及负荷需求历史数据构造净负荷历史数据，利用傅里叶变换对净负荷历史数据进行频谱分析，考虑蓄电池的响应速度，确定滑动平均滤波的窗口上下限；
9.步骤3：基于风力发电、光伏发电以及负荷需求概率密度函数拟合得出的全生命周期内的运行场景数据，对该部分数据进行自适应滤波，得到蓄电池和超级电容的能量吞吐参考功率曲线；
10.步骤4：确定微电网内分布式发电单元的能量调度策略，具体运行策略如下：
11.4.1：当微电网内风力发电、光伏发电盈余时，优先至混合储能系统存储，当混合储能系统无法全部吸收时，将该部分能量传输至电网，考虑电网供需波动性因素，当电网无法吸收剩余产能时，采取弃风与弃光的操作；
12.4.2：当微电网内风力发电、光伏发电不足时，优先由混合储能系统弥补缺失能量，当混合储能系统无法全部补足能量时，由电网补偿剩余缺失能量；
13.步骤5：以微电网运行经济性、可靠性及新能源利用率多指标为目标，考虑交换功率约束、混合储能荷电状态约束、并网功率波动率约束，构建混合储能容量配置的多目标优化模型，并采用改进的非支配排序遗传算法(nsga-ii)求解模型。
14.优选地，在步骤3中，具体包括如下步骤：
15.步骤3.1：基于净负荷历史数据分析，考虑蓄电池的响应速度，确定滑动平均滤波窗口算法中滤波窗口的上限以及下限值，以滤波窗口的上限以及下限之和的平均值作为自适应滤波的初始滤波窗口；构建滤波窗口上限值、下限值及自适应值各自对应的蓄电池交换功率序列以及蓄电池容量变化序列；
16.步骤3.2：基于净负荷历史数据，采用穷举法，对不同窗口调节步长下的混合储能功率分解情况进行分析，选取蓄电池容量变化范围最小对应的窗口调节步长，滤波窗口调节的具体方式为：
17.首先比较滤波窗口上限及下限值对应的容量累积绝对值，同时确定滤波窗口变化的方向；
18.当自适应滤波窗口容量累积值大于上限或下限滤波窗口容量累积值时，对自适应滤波窗口进行调整；
19.此时若来源于自适应滤波容量累积偏差值大于0且呈现上升趋势时或自适应滤波容量累积偏差值小于0且呈现下降趋势时，对滤波窗口进行修正操作；
20.步骤3.3：基于概率密度函数生成的全生命周期内的场景数据，对净负荷数据进行自适应滤波，分解得到蓄电池和超级电容的交换功率曲线。
21.通过采用上述技术方案：本发明根据净负荷历史数据确定滤波窗口调节的最佳步长，然后基于场景生成的数据对其净负荷数据进行自适应滤波分解，充分考虑蓄电池的响应速度因素，发挥超级电容响应速度快、维护成本低的特点，在保证系统可靠性和新能源利用率的同时，提高系统的经济效益，降低系统的配置及管理成本。
22.与现有技术相比，本发明具有以下有益效果：
23.1、本发明采用自适应滤波技术，在考虑蓄电池和超级电容响应速度的基础上，适时的将部分中高频能量由超级电容进行补偿，缓解蓄电池容量问题引起的微电网装机容量、运行维护以及替换成本上升。
24.2、本发明在微电网中考虑公用电网的影响，提高了分布式发电单元运行调度的灵活性，在提高系统经济收益的同时兼顾了系统的可靠性。此外，考虑到公用电网的稳定运行，在微电网并入电网的过程中加入自平滑率指标，缓解并网联络线输出功率上的波动。
附图说明
25.图1为本发明的整体流程图；
26.图2为本发明中自适应滤波主程序的流程图；
27.图3为本发明中滤波程序的流程图；
28.图4为本发明中滤波窗口调节程序的流程图；
29.图5为本发明中曲线拟合部分结果图；
30.图6为本发明中关于负荷缺电率-成本改进前后结果图；
31.图7为本发明中关于新能源利用率-成本改进前后结果图。
具体实施方式
32.下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述，以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.参照图1-7，一种基于自适应滤波的全生命周期混合储能容量配置方法，包括如下步骤：
34.步骤1：统计风力发电、光伏发电历史数据和负荷需求历史数据，根据可再生能源以及负荷变化的特性对风速模型采用双参数韦布尔分布概率密度函数进行曲线拟合，对光伏发电模型采用beta分布的概率密度函数进行曲线拟合，对负荷模型采用正态分布概率密度函数进行拟合，部分拟合结果如图5所示，得到全生命周期内微电网系统的各种运行场景。
35.具体公式如(1)-(3)所示：
[0036][0037]
σ——风速标准差；
[0038]
μ——平均风速；
[0039]
г——伽玛函数；
[0040][0041]
α，β——beta分布的形状参数；
[0042]
μ，σ——光伏发电的平均值以及标准差；
[0043]
г——伽玛函数；
[0044][0045]
η
l
——负荷波动期望；
[0046]
σ
l
——负荷波动标准差；
[0047]
风机模型以及储能模型分别如式(4)和(5)所示：
[0048][0049]vci
、vr、v
co
——风机切入风速、风机额定风速、风机切出风速；
[0050]
pr——风机额定功率；
[0051][0052]eb,m
(t+δt)、e
sc,m
(t+δt)——锂电池、超级电容在第m年t+δt的累积容量；
[0053]eb,m
(t)、e
sc,m
(t)——锂电池、超级电容在第m年t时刻的累积容量；
[0054]
capb、cap
sc
——锂电池、超级电容额定容量。
[0055]
步骤2：基于风力发电、光伏发电以及负荷需求历史数据构造净负荷历史数据，利用傅里叶变换对净负荷历史数据进行频谱分析，考虑蓄电池的响应速度，确定滑动平均滤波的窗口上下限。
[0056]
步骤3：基于风力发电、光伏发电以及负荷需求概率密度函数拟合得出的全生命周期内的运行场景数据，对该部分数据进行自适应滤波，得到蓄电池和超级电容的能量吞吐参考功率曲线。
[0057]
步骤3.1：基于净负荷历史数据分析，考虑蓄电池的响应速度，确定滑动平均滤波窗口算法中滤波窗口的上限以及下限值，以滤波窗口的上限以及下限之和的平均值作为自适应滤波的初始滤波窗口；构建滤波窗口上限值、下限值及自适应值各自对应的蓄电池交换功率序列以及蓄电池容量变化序列；
[0058]
步骤3.2：基于净负荷历史数据，采用穷举法，对不同窗口调节步长下的混合储能功率分解情况进行分析，选取蓄电池容量变化范围最小对应的窗口调节步长，滤波窗口调节的具体方式为：
[0059]
首先比较滤波窗口上限及下限值对应的容量累积绝对值，同时确定滤波窗口变化的方向；
[0060]
当自适应滤波窗口容量累积值大于上限或下限滤波窗口容量累积值时，对自适应滤波窗口进行调整；
[0061]
此时若来源于自适应滤波容量累积偏差值大于0且呈现上升趋势时或自适应滤波
容量累积偏差值小于0且呈现下降趋势时，对滤波窗口进行修正操作；
[0062]
窗口变化方向以及滤波窗口调节公式如(8)-(9)所示：
[0063][0064]
win＝win+sig*step
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0065]
edown(t),eup(t)——滤波窗口上限值、下限值在t时刻对应容量偏差值；
[0066]
win——自适应滤波窗口值。
[0067]
步骤3.3：基于概率密度函数生成的全生命周期内的场景数据，对净负荷数据进行自适应滤波，分解得到蓄电池和超级电容的交换功率曲线。
[0068]
步骤4：确定微电网内分布式发电单元的能量调度策略，具体运行策略如下：
[0069]
4.1：当微电网内风力发电、光伏发电盈余时，优先至混合储能系统存储，当混合储能系统无法全部吸收时，将该部分能量传输至电网，考虑电网供需波动性因素，当电网无法吸收剩余产能时，采取弃风与弃光的操作；
[0070]
4.2：当微电网内风力发电、光伏发电不足时，优先由混合储能系统弥补缺失能量，当混合储能系统无法全部补足能量时，由电网补偿剩余缺失能量。
[0071]
步骤5：以微电网运行经济性、可靠性及新能源利用率多指标为目标，考虑交换功率约束、混合储能荷电状态约束、并网功率波动率约束，构建混合储能容量配置的多目标优化模型，并采用改进的非支配排序遗传算法(nsga-ii)求解模型。
[0072]
模型及其约束条件如(6)(7)所示，其中微电网运行的全生命周期一般为20年。
[0073][0074]ctotal
——系统总投资成本；
[0075]cm
——第m年系统总投资成本；
[0076]bm
——第m年系统收入收益；
[0077]
r——贴现率；
[0078]cini,n
——第n种分布式电源单位安装容量初始投资成本；
[0079]cope,n
——第n种分布式电源单位安装容量年运行维护成本；c
rep,n
——第n种分布式电源单位安装容量替换成本；
[0080]cgrid_pur
——电网购电成本；
[0081]bm
——电网售电成本；
[0082]
p
pv,m
(t),p
w,m
(t)——第m年第t时段光伏、风机输出功率；
[0083]
p
h,m
(t),p
g,m
(t)——第m年第t时段混合储能、电网交换功率；p
l,m
(t)——第m年第t时段负荷需求；
[0084]
rcu——新能源利用率；
[0085]
lpsp——负荷缺电率；
[0086][0087]
δ
line
，δ
line,set
——并网自平滑率，自平滑率期望值；
[0088]
p
line,i
——第i时刻的并网联络线功率；
[0089]
p
line,ave
——评估周期内并网联络线平均输送功率；
[0090]
p
loss,m
(t)——第m年第t时段缺失功率。
[0091]
模型的参数如表1所示，其中系统的直流母线电压为700v。采取固定窗口滤波以及自自适应窗口滤波结果如图6和7所示。可以发现随着负荷缺电率的降低，系统的运行成本急剧增加，但同比负荷缺电率的情况下，采用自适应滤波技术后，系统配置成本较固定窗口滤波有一定的下降。随着新能源利用率的升高，系统运行成本增加，但同比新能源利用率的情况下，采用自适应滤波技术后，系统配置成本较固定窗口滤波有一定的下降。
[0092]
表1系统参数
[0093][0094]
综上所述，本发明根据净负荷历史数据确定滤波窗口调节的最佳步长，然后基于场景生成的数据对其净负荷数据进行自适应滤波分解，充分考虑蓄电池的响应速度因素，发挥超级电容响应速度快、维护成本低的特点，在保证系统可靠性和新能源利用率的同时，提高系统的经济效益，降低系统的配置及管理成本。
[0095]
本发明中披露的说明和实践，对于本技术领域的普通技术人员来说，都是易于思
考和理解的，且在不脱离本发明原理的前提下，还可以做出若干改进和润饰。因此，在不偏离本发明精神的基础上所做的修改或改进，也应视为本发明的保护范围。