一种平抑风电波动的混合储能容量优化配置方法

本发明涉及一种储能系统的容量配置方法，尤其涉及一种平抑风电波动的混合储能容量优化配置方法。

背景技术：

近年来，为了转变以化石能源为主的能源格局，一场以推动可再生能源和新能源发展为核心的新能源革命已风起云涌。但是，风电的波动和间歇行为都具有强烈的不确定性，其对微电网的电力可靠性、电能质量、经济性的影响随着渗透率的增加而越发突出。采用储能技术能够提高风储联合发电系统的电能质量，降低风力发电并网功率的波动，提高系统运行的稳定性。随着储能技术的发展，目前广泛采用混合储能系统(hybridenergystoragesystem，hess)来平抑风电功率波动，可分为能量型储能和功率型储能。

然而，在混合储能系统容量配置时，储能系统容量配置过大会增加微电网的投资成本，容量配置过小则会导致储能系统频繁切换工作状态，缩短电池的使用寿命。因此，如何合理配置hess的容量，在满足系统平抑风功率波动要求的同时，降低建设成本成为hess应用于风储联合发电系统的研究热点之一。

技术实现要素：

发明目的：针对以上问题，本发明提出一种平抑风电波动的混合储能容量优化配置方法，能够提高风储联合发电系统的电能质量，降低风力发电并网功率的波动，提高系统运行的稳定性和经济性。

技术方案：本发明所采用的技术方案是一种平抑风电波动的混合储能容量优化配置方法，包括以下步骤：

(1)通过滑动平均滤波获得混合储能系统的参考功率，采用camd分解法将所述参考功率分解为多个imfs分量，重复上述步骤若干次，将每次得到的imf做合成平均处理后作为最终结果递归tf变换的输入。

其中，所述的通过滑动平均滤波获得混合储能系统的参考功率，是将风电输出功率与系统并网参考功率做差，得到所述参考功率，所述系统并网参考功率是风电输出功率经过滑动平均滤波处理后所得。

所述的camd分解法是将正态分布的白噪声信号叠加给所述参考功率，随后再进行经验模态分解，得到各imf分量。

(2)通过递归tf变换得到各imf分量的瞬时频率-时间曲线，在分界点临近分量处，以全寿命周期年化成本为目标函数，以最小容量、最小功率为约束条件，构建混合储能系统年均总成本优化模型，并结合智能ipq算法求解最优频率分界点。

其中所述的递归tf变换，递归公式为：

式中，ci(t)表示步骤(1)结束时所得的imf分量中第i个模态分量，ci+1(t)为下一个第i+1个模态分量，t[ci(t)]为模态分量ci(t)的tf变换；

每经过一次递归计算相应的幅值函数ai(t)和相位函数φi(t)为：

经所述递归tf变换后，瞬时频率-时间关系表示为：

式中，φm(t)为递归tf变换计算到幅值函数趋于1时对应的相位函数。

步骤(2)中所述的混合储能系统年均总成本优化模型，目标函数为：

csum＝(1+q1)αpbpb+[(1+q1)βeb+n′k1]eb+(1+q2)αpcpc+[(1+q2)βec+n′k2]ec

式中csum表示全寿命周期的年化成本，pb、pc分别为蓄电池、超级电容器的额定功率；αpb、βeb分别代表了蓄电池的功率成本系数、容量成本系数；αpc、βec分别代表了超级电容器的功率成本系数、容量成本系数；q1、q2分别代表了蓄电池、超级电容器的更换次数；k1、k2分别为蓄电池、超级电容器的维护单价；n’为设备使用期数；eb为蓄电池的额定容量，ec为超级电容器的额定容量；

所述目标函数的约束条件为：

eb≥pbδt

ec≥pcδt

式中为需要平抑的最大功率，为需要平抑的风电功率容量最大值，δt为采样时段。

采用智能ipq算法求解所述的混合储能系统年均总成本优化模型。所述智能ipq算法是将i算法所产生的解作为q算法的初始点进行求解，其中i算法指的是以分界点临近分量作为变量的路径优化算法，q算法指的是通过二次规划算法。

(3)根据最优频率分界点将高、低频信号重构，然后根据混合储能系统充放电效率、换流器的能量转换效率及荷电状态来确定蓄电池和超级电容器的额定功率和容量，采用功率型储能和能量型储能分别对风电机组的输出功率进行平抑。

其中所述的根据最优频率分界点将高、低频信号重构，是指将低于最优频率分界点的各个imf重构，分配给蓄电池，高于最优频率分界点的各个imf重构，分配给超级电容器。

所述重构的计算公式为：

式中，pb(t)、pc(t)分别为蓄电池、超级电容器的额定功率，ci(t)表示步骤(1)结束时所得的imf分量中第i个模态分量，rn(t)为分解筛除n个imf分量后的信号残余分量，n为所有的imf分量的个数，k为分配给超级电容器的imf分量的个数。

确定蓄电池和超级电容器的额定功率和容量，包括以下步骤：

(31)确定超级电容器的实际补偿功率，计算式为：

式中，ηdc-dc为换流器的能量转换效率，ηc，out为超级电容器的放电效率，pc(t)为超级电容器的功率，ηc，in为超级电容器的充电效率；

(32)确定蓄电池的充放电功率pess(t)，计算式如下：

式中，pb(t)为蓄电池的功率，ηdc-dc为换流器的能量转换效率，ηb，in和ηb，out为蓄电池的充放电效率；

(33)蓄电池的额定功率为：

式中pb(t)为蓄电池的功率，ηdc-dc为换流器的能量转换效率，ηb，in和ηb，out为蓄电池的充放电效率；t0为起始时间，t为不平衡功率时间周期；

蓄电池的额定容量为：

式中，soc0为混合储能系统荷电状态的初始值；socup、soclow分别为荷电状态的上、下限；δt为蓄电池功率指令间隔，i′为δt的个数。

超级电容器的额定功率大小为实际补偿功率绝对值的最大值；

超级电容器的额定容量为：

式中，其中t为不平衡功率时间周期；socup、soclow分别为荷电状态的上、下限。

有益效果：相比于现有技术，本发明具有以下优点：(1)蓄电池作为能量型储能，主要特征为能量密度大，功率密度小，可用来平抑低频部分；而超级电容器作为功率型储能元件能量密度较小，功率密度大，可进行高倍率充放电，负责平抑高频部分。混合储能系统充分利用蓄电池与超级电容器优势互补的特性，可增加储能系统的运行寿命，提高储能系统的整体性能。(2)本发明所述的camd分解法将白噪声扰动加入待分解的原始信号中，白噪声的频谱均匀分布，使得信号会自动分布到合适的参考尺度上。再对添加了白噪声的原始信号进行多次emd分解，噪声经过多次的平均计算后会相互抵消，将多次分解所得到的imf做合成平均处理后直接视作最终的imf。再将合成平均处理后的各imf经过递归tf变换，得到对应的各个imf分量的瞬时频率-时间曲线，由于零均值噪声的特性，合成均值的计算结果与原始信号的差值随着集成平均的次数增加而减少，有效避免了emd模态混叠的现象，提高hess的经济性。经过递归tf变换计算得到的各个imf分量的瞬时频率-时间曲线还可以观察到瞬时幅值、频率，并构建hess年均总成本优化模型，结合智能ipq算法求解最优频率分界点。

附图说明

图1是风储联合发电系统结构图；

图2是本发明所述平抑风电波动的混合储能容量优化配置方法的流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

在风电机组并网处安装储能装置不仅可以平滑功率波动，还可以获得良好的经济效益。为取得更好的平滑功率波动效果，降低储能系统投入成本，本专利提出了合成平均经验模态分解-递归tf变换的时频分析来优化配置储能系统的容量。本发明所述的平抑风电波动的混合储能容量优化配置方法具体步骤为：首先，通过滑动平均滤波获得hess参考功率phess，采用camd(compoundaveragemodedecomposition，camd)分解法将参考功率phess分解为多个imfs分量；随后，通过递归tf变换得到各imf(intrinsicmodefunction，imf)分量的瞬时频率-时间曲线，在分界点临近分量处，以全寿命周期年化成本为目标函数，以最小容量、最小功率为约束条件，构建hess年均总成本优化模型，并结合智能ipq算法求解最优频率分界点；最后，将高、低频信号重构后，采用功率型储能和能量型储能分别对其进行平抑，考虑hess充放电效率、换流器的能量转换效率及荷电状态soc(stateofcharge，soc)来确定蓄电池和超级电容器的额定功率和容量。本发明所述平抑风电波动的混合储能容量优化配置方法的流程图如图2所示，具体技术方案如下：

(1)通过滑动平均滤波获得hess参考功率phess，采用camd分解法将phess分解为多个imfs分量。

图1为风储联合发电系统结构图，主要由风电机组、逆变器、混合储能系统(超级电容器和蓄电池)、直流母线组成。图中：pwg(t)为风力发电机组t时刻的输出功率，phess(t)为混合储能系统t时刻的输出功率，pg(t)为系统并网参考功率，pb(t)和pc(t)分别为蓄电池和超级电容器t时刻的充放电功率，放电时为正，充电时为负。为简化计算，本文暂不考虑负载对输出功率的影响。

将风力发电机组的输出功率通过为保证风电并网后电力系统的安全稳定运行、提升并网功率的电能质量，须对风电输出功率进行平滑处理后才能并入电网。本专利选择滑动平均法分解风电输出功率，以满足并网要求。我国2012年在《风电场接入电力系统技术规定》中划分了1min与10min两个时间尺度风电并网标准，如表1所示。将风电输出功率分为n个采样点，对非平稳的风电输出功率pwg(t)在适当的小区间上视为接近平稳的。将n个采样数据分别以窗口大小为s的最小区间内进行局部滑动平均滤波，得到较平滑的t时刻系统并网参考功率pg(t)。

表1我国风电并网标准

将获得的系统并网参考功率pg(t)与风电输出功率pwg(t)做差后得到hess参考功率：

pg(t)＝pwg(t)-phess(t)(1)

phess(t)＝pb(t)+pc(t)(2)

当风电输出功率大于由滑动平均滤波得到的系统并网参考功率时，hess充电；当风电输出功率小于由滑动平均滤波得到的系统并网参考功率时，hess放电。

对hess参考功率phess进行camd分解步骤如下：

(11)对hess参考功率phess(t)叠加一组白噪声信号w(t)得到一个总体信号p(t)：

p(t)＝phess(t)+w(t)(3)

(12)对p(t)进行emd分解，得到各imf分量：

式中，ci(t)为emd分解得到的第i个imf分量；rn(t)为分解筛除n个imf分量后的信号残余分量，常常代表信号的直流分量或信号的趋势。

(13)将第j(j＝2，3，...，n)组白噪声信号叠加给hess参考功率phess(t)，重复步骤(11)和(12)：

式中，wj(t)为第j组相互独立的白噪声信号；pj(t)为第j次加入白噪声信号后的不平衡功率信号；cji(t)为第j次emd分解后得到的第i个imf分量；rjn(t)为第j次分解得到的剩余部分。

(14)经过n次emd分解，得到n组分解结果：

(15)由于零均值噪声的特性，将多次叠加的白噪声信号对imf分量的影响相互抵消，hess参考功率phess(t)对应的imf分量ci(t)及剩余分量rn(t)可表示为：

(16)经过camd分解后重构的phess(t)可表示为：

(2)通过递归tf变换得到各imf分量的瞬时频率-时间曲线，在分界点临近分量处，以全寿命周期年化成本为目标函数，以最小容量、最小功率为约束条件，构建hess年均总成本优化模型，并结合智能ipq算法求解最优频率分界点。该步骤包括以下内容：

(21)hess参考功率信号如式(8)所示，对每个模态分量ci(t)进行递归tf变换后为t[ci(t)]，则：

构造各模态分量的解析信号zi(t)，即：

zi(t)＝ci(t)+jt[ci(t)]＝ai(t)exp[jφi(t)](10)

式中，ai(t)为ci(t)的瞬间幅值；φi(t)为ci(t)的瞬时相位。

将c0(t)表示为瞬时幅a0(t)和纯调频信号cosφ0(t)的乘积。

c0(t)＝a0(t)cosφ0(t)(13)

以纯调频函数c1(t)＝cosφ0(t)作为新的信号，并对其进行tf变换，得到新的瞬时幅值和纯调频信号。不断进行递归计算，其递归公式为

每经过一次递归计算便可得到相应的幅值函数和相位函数。

不断进行递归计算直到幅值函数ai(t)趋向于1，则cm+1(t)＝cosφm(t)，综合上述递归计算步骤，信号ci(t)可表示为

瞬时频率可表示为

(22)在分界点临近分量的区间内，以全寿命周期年化成本为目标函数，以最小容量、最小功率为约束条件，构建hess年均总成本优化模型：

在充分考虑hess整个建设及运行过程中的经济效应，本专利以全寿命周期的年化成本csum最小，即hess的安装设备成本cinvest、设备寿命终止产生的更换成本cchange、运行维护成本cmaintain之和最小为目标函数，计算公式如下：

csum＝cinvest+cchange+cmaintain(18)

cinvest＝αpbpb+βebeb+αpcpc+βecec(19)

cchange＝q1(αpbpb+βebeb)+q2(αpcpc+βecec)(20)

cmaintain＝n′(k1eb+k2ec)(21)

式中，cinvest、cchange、cmaintain分别为hess的安装设备成本、设备寿命终止产生的更换成本、运行维护成本；pb、pc分别为蓄电池、超级电容器的额定功率；αpb、βeb分别代表了蓄电池的功率成本系数、容量成本系数；αpc、βec分别代表了超级电容器的功率成本系数、容量成本系数；q1、q2分别代表了蓄电池、超级电容器的更换次数；k1、k2为蓄电池、超级电容器的维护单价；n’为设备使用期数。

将式(19)～式(21)代入式(18)中可得：

csum＝(1+q1)αpbpb+[(1+q1)βeb+n′k1]eb+(1+q2)αpcpc+[(1+q2)βec+n′k2]ec(22)

对于目标函数，最小功率约束为：在任一时段t内，应满足pb+pc≥phess(t)，即要求蓄电池和超级电容器的配置功率之和不小于需要平抑的最大功率

同时，上述目标函数的最小容量约束为：对phess(t)按时段积分可得到需要平抑的风电功率容量，将该容量的最大值设为则hess的最小容量至少要不低于考虑为了最大限制地平抑功率波动，hess的初始soc设定为0.5，即有：

在采样时段δt内，蓄电池和超级电容器的容量至少满足该时段内的充放电容量，即：

eb≥pbδt(25)

ec≥pcδt(26)

(23)采用智能ipq算法求解最优分频频率，其主要原理是将i算法所产生的解作为q算法的初始点进行求解，q算法对i算法所产生的所有解进行微调，最终得到较好的解。其中i算法指的是变量(即分界点临近分量)根据环境以及自身属性选择一条较优的路径的优化算法。q算法指的是通过二次规划来求解非线性问题。其算法步骤为：

(231)确定i数目ni，每条路径上的初始面积量、最大迭代次数、速度更新参数av、bv和cv，面积量更新参数as、bs和cs，根据分界点临近分量的区间内设置参数的范围。

(232)设置i的初始速度以及携带的初始面积量，i访问过的节点集。对每个i的初始位置进行随机初始化。

(233)i根据路径中的面积量大小，按照式(27)概率大小选择下一个节点。i根据被选择的节点更新局部信息，按式(28)～(31)局部更新i的信息。

式中：f(s)为面积量的函数，ji(i)为i在区域i可访问区域集合；s(i，j)表示在区域i时选择j作为下一个节点的面积量，表示在区域i选择j作为下一个节点的概率。

s(i)＝s(i)+δs(i，j)(28)

s(i，j)＝(1-ρn)·s(i，j)-ρn·δs(i，j)(30)

式中：time(i，j)为时间函数，与i速度成反比，s(i，j)。

(234)重复步骤(233)，直到所有的i都完成移动，即所有的i都有一条路径形成完整的解。

(235)根据每个i所形成的移动路径，将其分别按式(32)、(33)计算出各个参数的值，得到本次迭代i的解。

pi＝pi，min+(pi，max-pi，min)·xi/xi，max(33)

式中：pi为参数xi的有效位数，pi，min为有效位数的最小值，pi，max为有效位数的最大值，mi为第i个参数的整数位个数，yj为第j个有效位的取值。

(236)将步骤(235)中本次迭代i所产生的解作为q的初始点进行计算，得到本次迭代的解与目标值。

(237)确定本次迭代最优解并根据本次迭代最优解更新全局最优解，同时根据式(34)更新全局面积量。

式中：n为参数有效位个数，为构造最优路径i携带的面积量，tib指的是本次迭代的较优路径。

(238)当所有的i都收敛到同一路径上或者算法达到设定的最大迭代次数时转到步骤(239)，否则转到步骤(232)。

(239)将最优解与目标值保存，算法结束。

(3)将高、低频信号重构后，采用功率型储能和能量型储能分别对风机组的输出功率进行平抑，考虑hess充放电效率、换流器的能量转换效率及soc来确定蓄电池和超级电容器的额定功率和容量。该步骤包括以下内容：

经过步骤(2)的递归tf变化得到各imf分量的瞬时频率-时间曲线，并在分界点临近分量区间内构建hess年均总成本优化模型，结合智能ipq算法求解出最优频率分界点ωk。将低于ωk的各个imf分量重构，分配给蓄电池，高于ωk的各个imf分量重构，分配给超级电容器，即：

蓄电池的额定容量为eb，设混合储能系统荷电状态的初始值为soc0，在ti时刻的荷电状态为：

式中，δt为蓄电池功率指令间隔；socup、soclow为荷电状态的上、下限；pess(t)为计及换流器能量转换效率和充放电效率后蓄电池的充放电功率，其公式如下：

式中，ηdc-dc为换流器的能量转换效率；ηb，in和ηb，out为蓄电池的充放电效率。

当研究时长为tiδt时，根据式(36)可得蓄电池额定容量eb的计算公式为：

其中δt为蓄电池功率指令间隔，ti为δt的个数。

在满足式(38)的前提下，还要满足下式(39)对soc0的要求，蓄电池额定容量eb才能最小。

蓄电池额定功率为pb，考虑变流器效率和蓄电池充放电效率：

在考虑超级电容器的充电效率ηc，in和放电效率ηc，out的情况下，超级电容器的实际补偿功率式为：

式中，pc(t)＞0为超级电容放电状态，pc(t)＜0为超级电容充电状态。

超级电容器的额定功率大小pc为实际补偿功率绝对值的最大值：

由此，超级电容器的额定容量即可通过下面两个步骤求得：

①首先通过实际补偿功率求出超级电容器在t时段累积的能量ec(t)：

式中，t为不平衡功率时间周期。

②获得累积能量后，额定容量可以通过下式确定：

。