曹 超，馬玉鑫，常 悅，關(guān)瑞豐

(上海電氣集團中央研究院，上海 靜安 200070)

基于經(jīng)驗?zāi)B(tài)分解和模糊機會約束的混合儲能容量配置方法

曹 超，馬玉鑫，常 悅，關(guān)瑞豐

(上海電氣集團中央研究院，上海 靜安 200070)

為了進行儲能容量配置，采用經(jīng)驗?zāi)B(tài)分解方法，從頻域上對儲能功率進行劃分，并分配給能量型電池和功率型電池，以儲能成本最小為約束，以修正系數(shù)作為模糊變量，建立模糊機會約束模型，并用于模糊模擬的遺傳算法求解。通過仿真算例得出儲能電池和超級電容器系統(tǒng)的容量和功率，達到了儲能容量配置的要求，采用混合儲能系統(tǒng)可以滿足平滑風(fēng)電功率波動的要求，同時充分發(fā)揮儲能電池和超級電容器的特性，將儲能電池和超級電容器的荷電狀態(tài)控制在合理范圍內(nèi)，保證了儲能系統(tǒng)能夠穩(wěn)定運行。

新能源；風(fēng)力發(fā)電；混合儲能平滑；容量配置；遺傳算法

0 引言

風(fēng)力發(fā)電具有隨機性、間歇性、不可控性，會出現(xiàn)發(fā)電功率不穩(wěn)定，其規(guī)?；⒕W(wǎng)將給電網(wǎng)的安全穩(wěn)定經(jīng)濟運行以及電網(wǎng)的電能質(zhì)量造成不利的影響[1-3]。

近年來，混合儲能系統(tǒng)控制策略和容量配置引起了人們的關(guān)注?；旌蟽δ芟到y(tǒng)包括能量型儲能電池和功率型儲能電池，通過功率型電池容量小、壽命長、功率密度高等特點輔助大容量、相對循環(huán)次數(shù)受限、能量密度高、功率密度低的能量型儲能電池，根據(jù)頻率特性利用儲能電池進行分類補償，相比單類型儲能電池而言更加具有系統(tǒng)性能和經(jīng)濟性[4-5]。

目前，混合儲能系統(tǒng)的研究主要集中在控制策略上或者容量配置的研究中，綜合考慮控制策略和容量配置的相關(guān)研究較少。文獻[6]利用飽和控制理論對維持系統(tǒng)穩(wěn)定的最小儲能容量進行計算。文獻[7]中的方法考慮了混合儲能裝置的功率出力和荷電狀態(tài)約束。文獻[8]中的方法利用雨流計數(shù)法和等效循環(huán)壽命理論，充分考慮了系統(tǒng)在整個運行生命周期內(nèi)的各項成本，并通過此模型得到成本最小時混合儲能系統(tǒng)的額定功率和額定容量。

本文采用經(jīng)驗?zāi)B(tài)分解方法，將儲能功率從頻域上進行劃分并分配給能量型電池和功率型電池，以儲能功率修正系數(shù)作為模糊變量，儲能系統(tǒng)成本最小為目標(biāo)，建立模糊機會約束模型，并采用模糊模擬的遺傳算法求解。滿足風(fēng)電并網(wǎng)功率波動的要求，同時充分發(fā)揮儲能電池和超級電容器的特性，將儲能系統(tǒng)荷電狀態(tài)(state of charge, SOC)控制在合理范圍內(nèi)，保證了儲能系統(tǒng)能夠穩(wěn)定運行，提高了儲能電池的使用壽命。

1 混合儲能系統(tǒng)模型及控制策略

1.1 混合儲能結(jié)構(gòu)

混合儲能系統(tǒng)結(jié)構(gòu)如圖1所示，主要由風(fēng)電機組、逆變器、儲能電池、超級電容器、交流母線組成，能量型電池和超級電容器與逆變器相連，逆變器與交流母線相連接，風(fēng)電場通過風(fēng)電逆變器與交流母線相連。圖中：PWG表示風(fēng)力發(fā)電系統(tǒng)輸出功率；Pout表示風(fēng)儲聯(lián)合發(fā)電系統(tǒng)輸出到電網(wǎng)的功率；混合儲能系統(tǒng)輸出或吸收的功率為PHESS=PWG-Pout；混合儲能電池輸出功率等于儲能電池和超級電容器功率之和，公式為PHESS=Pbat+Pcap，Pbat為能量型電池輸出功率，Pcap為功率型電池輸出功率。如果PHESS>0，儲能電池處于充電狀態(tài)，如果PHESS<0，儲能電池處于放電狀態(tài)。

本文采用儲能電池和超級電容器進行混合儲能的容量配置，其價格性能參數(shù)如表1所示，儲能電池具有能量密度大、價格便宜的優(yōu)點，但同時又存在電池容量有限，循環(huán)使用壽命短、充放電效率低、響應(yīng)速度慢的缺點，而超級電容器具有充電時間短、貯存壽命長、功率密度高、循環(huán)使用次數(shù)多、傳輸效率高的特點，但是存在價格昂貴、容量密度大的缺點。將2類電池結(jié)合起來進行混合儲能容量配置，充分發(fā)揮儲能電池和超級電容器的特性進行協(xié)調(diào)控制，可以彌補單一類型存在的缺點。

表1 混合儲能裝置參數(shù)Table 1 Parameters of hybrid energy storage system

1.2 混合儲能控制策略

本節(jié)采取斜率限制的方法對風(fēng)電功率進行平滑控制[9-10]，可以滿足波動率的控制要求，t時刻的功率變化值公式為

(1)

目標(biāo)功率值是根據(jù)以下的規(guī)則實現(xiàn)：

(2)

式中：

(3)

(4)

并網(wǎng)風(fēng)電功率：

(5)

(6)

(7)

對得出的儲能系統(tǒng)總功率信號PHESS做經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition, EMD)，分成若干個固有模態(tài)函數(shù)，將k階之后的所有本征模態(tài)函數(shù)(intrinsic mode function, IMF)之和的低頻部由儲能電池吸收，從第1階到第k階的IMF之和為高頻部分分量，由超級電容器進行吸收，充分發(fā)揮超級電容器動態(tài)響應(yīng)快的特性。k為對儲能系統(tǒng)總功率信號進行EMD分解并計算其標(biāo)準(zhǔn)化模量累積均值得出的濾波階數(shù)基準(zhǔn)值[11-13]。

(8)

(9)

采用斜率控制和經(jīng)驗?zāi)B(tài)分解相結(jié)合的儲能平滑控制，能夠在一定程度上降低并網(wǎng)波動率，結(jié)合風(fēng)電波動率的情況，理論上如果配置足夠大的儲能容量，滿足約束條件，這樣一定能滿足控制要求，但因為儲能成本比較昂貴，這樣會極大地增加成本。可以在部分情況下不滿足約束條件，也就是使約束條件滿足的概率不小于某一置信水平，這樣考慮更加具有實際意義和工程價值，本文選取基于模糊機會約束規(guī)劃的方法進行優(yōu)化儲能容量配置。

2 混合儲能裝置優(yōu)化配置模型

2.1 模糊機會約束規(guī)劃理論

機會約束規(guī)劃是隨機規(guī)劃的3個分支之一，1959年查納斯(A.Charnes)和庫伯(W.W.Cooper)提出機會約束規(guī)劃理論，一般的機會約束規(guī)劃的問題可以轉(zhuǎn)化為確定性模型和機會約束模型，但對于較復(fù)雜的機會約束規(guī)劃問題，給出的解在實際過程中無法實現(xiàn)。采用模糊機會約束雖然給出的也是一個確定性的解，但只要求這個解在實際問題中盡可能地執(zhí)行。

文獻[14]針對微網(wǎng)系統(tǒng)中利用儲能系統(tǒng)處理電能質(zhì)量問題，這里采用機會約束的方法進行混合儲能容量配置，以儲能成本最小為目標(biāo)，使用遺傳算法進行求解不確定模型，得到混合儲能的功率和容量的配置結(jié)果。將機會約束規(guī)劃的方法應(yīng)用在儲能容量配置的問題上，更具實際意義。

文獻[15-16]運用機會約束解決了配電網(wǎng)中的不確定因素，為配電網(wǎng)規(guī)劃設(shè)計人員提供了一種選擇的方法。

文獻[17]將模糊機會約束規(guī)劃運用在含風(fēng)電場的電力系統(tǒng)優(yōu)化調(diào)度問題上，以風(fēng)電場有功出力預(yù)測值與實際發(fā)電功率之間存在的誤差作為模糊數(shù)，采用模糊遺傳算法進行求解，仿真實例證明了該策略的有效性和靈活性。

帶有模糊參數(shù)的數(shù)學(xué)規(guī)劃可以寫成如下形式：

(10)

式中：x為決策變量，ξ為模糊參數(shù)變量，f(x,ξ)為目標(biāo)函數(shù)，gj(x,ξ)≤0為約束函數(shù)。這個模糊規(guī)劃的數(shù)學(xué)意義并不明確，這是因為ξ為模糊向量而導(dǎo)致符號min以及約束沒有定義。

模糊參數(shù)機會約束規(guī)劃的理論框架形式如下：

(11)

式中b為實現(xiàn)給定的約束目標(biāo)的置信水平；Cr表示{.}中事件的可能性。加入模糊數(shù)，可以使算法更加具有靈活性[18]。

2.2 儲能優(yōu)化控制的數(shù)學(xué)模型

在本文風(fēng)電場和混合儲能組成聯(lián)合發(fā)電系統(tǒng)中，混合儲能系統(tǒng)的目的是將風(fēng)電平滑率限制在一定區(qū)間范圍內(nèi)，同時滿足儲能SOC和功率限值約束，采用模糊機會約束規(guī)劃的目的是由于儲能裝置成本的問題，如果要求100%滿足約束條件，就會造成高額的儲能成本代價，可以使約束條件滿足的概率在某一置信水平下，使得在儲能成本最小和約束條件中找到折中的結(jié)果。

2.2.1 功率修正系數(shù)作為模糊數(shù)

(12)

(13)

(14)

2.2.2 模糊機會約束數(shù)學(xué)模型

本文考慮儲能成本作為目標(biāo)函數(shù)，為了簡化計算，忽略了儲能電池的生產(chǎn)成本、維護成本，考慮其容量和功率成本。

(15)

式中：Eb和Eu分別為儲能電池和超級電容器的容量；WSOCbmin、WSOCbmax分別為儲能電池儲能裝置荷電狀態(tài)上下限；WSOCumin、WSOCumax分別為超級電容器荷電狀態(tài)上下限；C為混合儲能裝置總成本費用；a為風(fēng)電平滑率區(qū)間范圍；Cpb、Cpu分別為儲能電池和超級電容器的額定功率單價；Ceb、Ceu分別為儲能電池和超級電容器額定容量單價。

2.3 基于模糊模擬的遺傳算法求解

根據(jù)數(shù)學(xué)模型，采用基于模糊模擬的遺傳算法流程如下所述(見圖2)。

步驟(1)：讀入相關(guān)數(shù)據(jù)，首先是風(fēng)電出力數(shù)據(jù)和風(fēng)電平滑功率數(shù)據(jù)，其次是儲能的特性，包括儲能電池最大充放電功率值、混合儲能荷電狀態(tài)的最大值和最小值，再次是遺傳算法的一些參數(shù)，包括種群大小、迭代次數(shù)、交叉和變異率等。

步驟(2)：初始化種群，產(chǎn)生初始群體包括群體的編碼方式和群體的產(chǎn)生方式2個方面，采用模糊模擬的方法進行儲能功率和容量的初始化。

步驟(3)：對每條染色體進行仿真。

步驟(4)：檢驗每個染色體是否滿足機會約束條件，如滿足，則進入步驟(5)，如都不滿足則進行變異運算形成新一代染色體種群，執(zhí)行步驟(3)。

步驟(5)：選取滿足機會約束條件的染色體，計算其對應(yīng)的目標(biāo)函數(shù)值，即混合儲能配置成本。

步驟(6)：對種群中的染色體進行變異和交叉操作；使用模糊模擬檢驗后代的可行性，得到新一代染色體。

步驟(7)：判斷是否達到最大迭代次數(shù)，達到則停止計算，否則重復(fù)步驟(3)—(6)。

步驟(8)：將最好的染色體作為混合儲能最優(yōu)配置方案。

3 仿真分析

本文采用Matlab進行仿真分析，選取某50 MW風(fēng)電場2011年某天實際運行功率數(shù)據(jù)為例，儲能電池和超級電容器的初始WSOC設(shè)置為0.5，儲能電池荷電狀態(tài)WSOC最大值為0.8，最小值為0.2，超級電容器的荷電狀態(tài)WSOC最大值為0.95，最小值為0.05。

仿真過程采用選取置信水平a=90%進行分析，得到的混合儲能優(yōu)化配置方案如下，其中儲能電池功率為3.8 MW，儲能電池容量為19.25 MW·h，超級電容的功率為2.9 MW，超級電容的容量為1.1 MW·h。利用混合儲能進行平滑，從圖3可以發(fā)現(xiàn)，采用混合儲能進行平滑控制后，可以將波動率控制在要求范圍內(nèi)，提高了電能質(zhì)量。圖4為平滑波動率曲線，可以發(fā)現(xiàn)采用混合儲能平滑可以將波動率控制在10%以下。

圖5為儲能電池和超級電容器功率曲線圖。由圖5可知，超級電容器波動性比較大，補償了混合儲能系統(tǒng)中高頻部分，而儲能電池系統(tǒng)比較平緩地補償?shù)皖l部分。由圖5可以發(fā)現(xiàn)在超級電容器配合下，儲能電池充放電周期大，說明儲能電池的充放電次數(shù)減少，可以提高儲能電池的壽命，穩(wěn)定了儲能電池SOC。

圖6為儲能電池和超級電容的SOC狀態(tài)曲線，由圖6可以看出，儲能電池和超級電容的SOC都能控制在要求內(nèi)，這樣可以避免儲能電池過度充電和過度放電對儲能設(shè)備的影響，穩(wěn)定了儲能電池SOC，提高了整個系統(tǒng)的穩(wěn)定性。

4 結(jié)論

本文提出了一種平抑光伏功率波動的方法，基于模糊聚類模態(tài)經(jīng)驗分解，將光伏功率信號分解成低頻、高頻信號。將低頻分量作為光伏并網(wǎng)功率，高頻分量由儲能電池吸收，以平抑光伏功率波動。為較好地平滑光伏波動率并且穩(wěn)定儲能荷電狀態(tài)，將平滑后波動率和儲能電池荷電狀態(tài)作為約束條件，采用模糊自適應(yīng)控制的方法，調(diào)節(jié)EMD濾波階數(shù)以平滑光伏輸出。仿真分析證明了本文所提控制策略的有效性。與采用定階EMD平滑進行比較，平滑波動效果更好，儲能荷電狀態(tài)SOC更加穩(wěn)定，可以將波動率控制在5%以內(nèi)，減小了光伏波動給電網(wǎng)帶來的影響，同時可以穩(wěn)定儲能電池SOC，實現(xiàn)儲能系統(tǒng)性能指標(biāo)和波動率指標(biāo)的協(xié)調(diào)優(yōu)化。

[1] 周孝信， 魯宗相， 劉應(yīng)梅， 等． 中國未來電網(wǎng)的發(fā)展模式和關(guān)鍵技術(shù)[J]． 中國電機工程學(xué)報， 2014， 34(29)： 4999-5008． ZHOU Xiaoxin， LU Zongxiang， LIU Yingmei， et al． Development models and key technologies of future grid in China[J]． Proceedings of the CSEE， 2014， 34(29)： 4999-5008．

[2] 李建林， 田立亭， 來小康． 能源互聯(lián)網(wǎng)背景下的電力儲能技術(shù)展望[J]． 電力系統(tǒng)自動化， 2015， 39(23)： 15-22． ． LI Jianlin， TIAN Liting， LAI Xiaokang， et al． Outlook of electrical energy storage technologies under energy internet background [J]． Automation of Electric Power Systems， 2015， 39(23)： 15-22．

[3] 胡娟， 楊水麗， 侯朝勇， 等． 規(guī)?；瘍δ芗夹g(shù)典型示范應(yīng)用的現(xiàn)狀分析與啟示[J]． 電網(wǎng)技術(shù)， 2015， 39(4)： 879-885． HU Juan， YANG Shuili， HOU Chaoyong， et al． Present condition analysis on typical demonstration application of large-scale energy storage technology and its enlightenment[J]． Power System Technology， 2015． 39(4)： 879-885．

[4] LI X． Fuzzy adaptive Kalman filter for wind power output smoothing with battery energy storage system[J]． IET Renewable Power Generation， 2012， 6(5)： 340-347．

[5] LI X， LI J， XU L， et al． Online management of lithium-ion battery based on time-triggered controller area network for fuel-cell hybrid vehicle applications[J]． Journal of Power Sources， 2010， 195(10)： 3338-3343．

[6] 韓濤， 盧繼平， 喬梁， 等． 大型并網(wǎng)風(fēng)電場儲能容量優(yōu)化方案[J]． 電網(wǎng)技術(shù)， 2010， 34(1)： 169-173． HAN Tao， LU Jiping， QIAO Liang， et al． Optimized scheme of energy-storage capacity for grid-connected large-scale wind farm[J]． Power System Technology， 2010， 34(1)： 169-173．

[7] 吳云亮， 孫元章， 徐箭， 等． 基于飽和控制理論的儲能裝置容量配置方法[J]． 中國電機工程學(xué)報， 2011， 31(22)： 32-39． WU Yunyao， SUN Yuanzhang， XU Jian， et al． Determination methodology for energy storage capacity based on saturation control theory[J]． Proceedings of the CSEE， 2011， 31(22)： 32-39．

[8] 韓曉娟， 程成， 籍天明， 等． 計及電池使用壽命的混合儲能系統(tǒng)容量優(yōu)化模型[J]． 中國電機工程學(xué)報， 2013， 33(34)： 91-97． HAN Xiaojuan， CHENG Cheng， JI Tianming， et al． Capacity optimal modeling of hybrid energy storage systems considering battery life[J]． Proceedings of the CSEE， 2013， 33(34)： 91-97．

[9] YOSHIMOTO K， NANAHARA T， KOSHIMIZU G． New control method for regulating state-of-charge of a battery in hybrid wind power/battery energy storage system[C]//Power Systems Conference and Exposition， Atlanta， 2006： 1244-1251．

[10] 孟順， 謝樺， 基于經(jīng)驗?zāi)B(tài)分解的平滑可再生能源功率波動的儲能容量優(yōu)化[J]． 電源學(xué)報， 2014， 5(5)： 7-11． MENG Shun， XIE Hua． Energy storage capacity optimization in smoothing renewable energy power fluctuation based on empirical mode decomposition[J]． Journal of Power Supply， 2014， 5(5)： 7-11．

[11] 韓曉娟， 陳躍燕， 張浩， 等． 基于小波包分解的混合儲能技術(shù)在平抑風(fēng)電場功率波動中的應(yīng)用[J]． 中國電機工程學(xué)報， 2013， 33(19)： 8-13． HAN Xiaojuan， CHEN Yueyan， ZHANG Hao， et al． Application of hybrid energy stor age technology based on wavelet packet decomposition in smoothing the fluctuations of wind power [J]． Proceedings of the CSEE， 2013， 33(19)： 8-13．

[12] PATRICH F， GABRIEL B， PAULO G． Empirical mode decomposition as a filter bank[J]． IEEE Transactions on Signal Processing Letters， 2004， 11(2)： 112-114．

[13] LI X， HUI D， LAI X． Battery energy storage station (bess)-based smoothing control of photovoltaic (PV) and wind power generation fluctuations[J]． IEEE Transactions on Sustainable Energy， 2013， 4(2)： 464-473．

[14] 謝石驍， 楊莉， 李麗娜． 基于機會約束規(guī)劃的混合儲能優(yōu)化配置方法[J]． 電網(wǎng)技術(shù)， 2012， 36(5)： 79-84． XIE Shixiao， YANG Li， LI Lina， et al． A chance constrained programming based optimal configuration method of hybrid energy storage system[J]． 2012， 36(5)： 79-84．

[15] 雷亞洲， 王偉勝， 印永華， 等． 基于機會約束規(guī)劃的風(fēng)電穿透功率極限計算[J]． 中國電機工程學(xué)報． 2002． 22(5)： 32-35． LEI Yazhou， WANG Weisheng， YIN Yonghua， et al． Wind power penetration limit calculation based on chance contrained programming[J]． Proceedings of the CSEE， 2002． 22(5)： 32-35．

[16] 趙國波， 劉天琪， 李興源， 等． 基于灰色機會約束規(guī)劃的輸電系統(tǒng)規(guī)劃[J]． 電網(wǎng)技術(shù)， 2009， 33(1)： 22-25． ZHAO Guobo， LIU Tianqi， LI Xingyuan， et al． Power transmission system planning based on grey chance constrained programming[J]． Power System Technology， 2009， 33(1)： 22-25.

[17] 楊寧， 文福栓． 基于機會約束規(guī)劃的輸電系統(tǒng)的規(guī)劃方案[J]． 電力系統(tǒng)自動化， 2004， 28(14)： 23-27．

YANG Ning， WEN Fushuan． Transmission system expansion planning based on chance constrained programming[J]． Automation of Electric Power Systems， 2004， 28(14)： 23-27．

[18] YUE Xiaofeng， SHAO Haihe． Fault diagnosis of rolling element bearing based on improved ensemble empirical mode decomposition[C]//Proceedings of International Conference on Intelligent Human-Machine Systems and Cybernetics． Hangzhou： IEEE， 2015： 52-55．

馬玉鑫(1988—)),男，博士，研究方向為分布式能源大數(shù)據(jù)和儲能技術(shù)；

常 悅(1990—)，女，碩士，研究方向為分布式能源大數(shù)據(jù)和儲能技術(shù)；

關(guān)瑞豐(1990—)，男，碩士，新能源發(fā)電技術(shù)和通信技術(shù)。

(編輯 蔣毅恒)

Capacity Allocation Method of Hybrid Energy Storage System Based on Empirical Mode Decomposition and Fuzzy Chance Constrained Programming

CAO Chao， MA Yuxin， CHANG Yue， GUAN Ruifeng

(Central Research Academy of Shanghai Electric Group, Jingan District, Shanghai 200070, China)

Empirical mode decomposition (EMD) method was introduced to make capacity configuration for the hybrid energy storage system (HESS), dividing the energy storage power in frequency domain and assigning to energy density and power density batteries. Capacity allocation model, based on fuzzy chance constrained programming, was built with the minimum annual cost and state of charge(SOC) confidence level as constraints. The fuzzy simulation-based genetic algorithm was used to solve the fuzzy model. The capacity and power of storage battery and super capacitor were obtained by simulation calculation. The hybrid energy storage system can be introduced to smooth the fluctuations of wind power-output and control the load of storage battery and super capacitor, so as to guarantee the stable operation of storage system.

new energy; wind power; hybrid energy storage system(HESS) smoothing; capacity allocation; genetic algorithm

TK81;TM911

： A

： 2096-2185(2016)03-0043-06

2016-08-16

曹 超(1990—)，男，碩士，研究方向為新能源發(fā)電控制技術(shù)和儲能技術(shù),caochao8010@163.com；