李 娜，白 愷，柳 玉，王開讓，鞏 宇，董建明

?

用于提升風電場短期功率預測準確率的儲能系統(tǒng)出力控制策略

李 娜1,2，白 愷1,2，柳 玉1,2，王開讓1,2，鞏 宇1,2，董建明1,2

（1國家電網(wǎng)公司風光儲聯(lián)合發(fā)電運行技術(shù)實驗室，北京 100045；2國網(wǎng)冀北電力有限公司電力科學研究院，北京 10045）

目前對于儲能系統(tǒng)應用于平抑新能源發(fā)電的波動性、移峰填谷等場景的控制策略已有文獻研究，但對于風功率預測準確率影響風電場效益的機制下儲能系統(tǒng)應用的可行性尚未見研究。本文提出了一種以減小風電場短期功率預測偏差為目標的儲能系統(tǒng)出力控制策略，控制策略以風電場實時出力數(shù)據(jù)（秒級）為數(shù)據(jù)源，采用線性外推加以移動平均優(yōu)化的方法預測下一時刻風電場出力，通過比較風電場短期功率預測值與實時預測值，計算儲能系統(tǒng)期望出力，并根據(jù)儲能系統(tǒng)不同SOC區(qū)間內(nèi)的出力能力進行約束，輸出儲能系統(tǒng)出力指令，最后進行了仿真驗證。結(jié)果表明，本文提出的儲能系統(tǒng)出力控制策略，能夠使風電場通過配置儲能系統(tǒng)，減少短期功率預測準確度考核，對風電場的精益化運行具有指導意義。

儲能系統(tǒng); 風電場短期功率預測; 準確率; 荷電狀態(tài)（SOC）

在全球風光發(fā)電高速發(fā)展的大背景下，受限于儲能投資巨大，國內(nèi)外大容量儲能應用主要停留在示范階段，儲能系統(tǒng)的應用場景也在探索中[1-2]。目前已有的儲能應用分為儲能單獨使用和與其它發(fā)電單元相配合使用兩種[3]，作為獨立單元應用時，可用于平抑負荷峰值、削峰填谷等，參與頻率調(diào)節(jié)，提供黑啟動功能，也可用于用戶的能量需求峰值時段轉(zhuǎn)移，從而利用電力市場的差額電價減少用戶支出；可提高電能質(zhì)量、增強供電可靠性等。儲能與其它發(fā)電單元相配合使用時，一是針對風、光等可再生能源發(fā)電的間歇性和不可預測性，平滑可再生能源發(fā)電單元的功率輸出曲線；二是可緩解風、光發(fā)電的預測偏差所帶來的影響，根據(jù)預測情況儲能配合輔助輸出，可提高單元輸出的可靠度。

國內(nèi)外對儲能系統(tǒng)在不同應用場景下的控制策略已有研究，文獻[4]從風電波動率限制條件出發(fā)，將儲能系統(tǒng)的荷電狀態(tài)（SOC）和風電功率波動率作為約束條件，采用移動平均算法實現(xiàn)風電功率的平滑控制，通過調(diào)節(jié)移動平均控制器的平滑循環(huán)次數(shù)與權(quán)值達到風電功率平滑的目的。文獻[5]提出了一種以平滑風電出力為目標的儲能系統(tǒng)出力控制策略，儲能系統(tǒng)SOC值作為一階卡爾曼濾波算法的反饋，使儲能系統(tǒng)出力能夠滿足SOC約束和風電波動率出力要求。文獻[6]研究了微網(wǎng)系統(tǒng)中的儲能變流器控制策略，使得儲能系統(tǒng)出力、響應時間等方面滿足平抑風電波動的要求。文獻[7]建立了電池儲能系統(tǒng)和風力發(fā)電系統(tǒng)的整體動態(tài)數(shù)學模型，采用風電場低壓側(cè)母線有功功率和電壓作為控制信號，仿真結(jié)果表明：電池儲能系統(tǒng)可以很好地改善風電場的電能質(zhì)量和穩(wěn)定性。文獻[8]提出了基于低通濾波原理的風電功率波動平抑控制策略，利用儲能系統(tǒng)補償風電功率中的高頻分量，構(gòu)建了評價風電功率波動平抑效能的指標，但未考慮電池荷電狀態(tài)[9-11]?；诖髿夥€(wěn)定性這一屬性，使用風電出力和數(shù)值天氣預報歷史數(shù)據(jù)作為輸入，應用各種數(shù)學算法，推算下一時刻（小時級）風電出力。

上述文獻中儲能系統(tǒng)的控制目標均為平滑風電的出力波動或提高新能源發(fā)電的電能質(zhì)量，基于日前風功率預測定價的電力市場機制下儲能應用的可行性尚未見研究。在我國，為了提高風電消納水平，電力調(diào)度部門通常對風電場短期功率預測準確率進行考核，在上述背景下，本文以某風電場全年短期功率預測數(shù)據(jù)和實際出力數(shù)據(jù)為基礎(chǔ)，研究通過控制儲能系統(tǒng)功率減少風電場短期預測偏差的可行性。提出基于線性外推法和移動平均法的儲能系統(tǒng)出力期望值預測方法，通過風電場實時出力修正控制指令，通過計算下發(fā)儲能系統(tǒng)出力功率指令。最后通過仿真驗證了控制策略能夠提高風電場短期功率的預測準確率。

1 控制策略設計方案

目前風電場短期功率預測準確率的影響因素主要是數(shù)值天氣預報的準確性及預測算法的精度，本文假設該算法能夠達到的預測準確率為固定參數(shù)，在此基礎(chǔ)上，通過加配儲能裝置進一步提高預測準確率。其中風電場短期功率預測準確率的計算方法參考國家電網(wǎng)企業(yè)標準《風電場功率預測預報管理暫行辦法》，其中對風電場輸出功率預測的考核指標為日風電功率預測準確率，計算方法見式(1)

儲能系統(tǒng)控制策略的總體思路如圖1所示，控制目標是提高風電場短期功率預測準確率，輸入為風電場實際出力和風電場短期功率預測曲線，計算方法為線性外推法和移動平均法，計算過程為預測下一時刻（秒級）風電出力功率，與短期功率預測值做差值，得出儲能系統(tǒng)出力期望值，約束條件為儲能系統(tǒng)剩余容量、能量和SOC運行區(qū)間的限制，最終輸出儲能系統(tǒng)出力指令。

圖1 儲能單元出力控制策略

在總體思路中，關(guān)鍵的步驟一是準確計算儲能系統(tǒng)期望出力，二是根據(jù)儲能系統(tǒng)當前狀態(tài)對期望出力進行邊界條件約束。

2 控制策略計算方法

2.1 儲能系統(tǒng)出力期望值計算

儲能系統(tǒng)出力期望值計算的第一步是依據(jù)風電場實時出力歷史值預測下一時刻風電出力。本文利用線性外推法預測，并使用移動平滑法進行優(yōu)化。

移動平均窗口長度的選擇過長或者過短均會影響計算的準確度，本文在移動平均窗口長度選擇研究上，采用統(tǒng)計的方法，如表1所示，選擇不同長度的移動平均窗口長度，計算多天的預測數(shù)據(jù)。結(jié)果證明當滑動窗口長度=3時，預測精度均高于其它取值時的預測精度，因此選擇=3作為移動平均窗口。

表1 移動平均窗口長度對準確率的影響

圖2 儲能系統(tǒng)期望值輸出模塊流程圖

2.2 儲能系統(tǒng)出力指令修正

在考慮儲能系統(tǒng)出力約束時，參考目前國內(nèi)某在運營儲能電站運行參數(shù)的設定方法，將SOC區(qū)間分為最大功率出力區(qū)間、額定功率出力區(qū)間及不安全出力區(qū)間。在各個區(qū)間中考慮儲能系統(tǒng)額定功率、額定容量及SOC運行范圍。

圖3 儲能系統(tǒng)出力功率限制曲線

設計儲能系統(tǒng)出力能力反饋模塊流程圖如圖4所示，依據(jù)儲能系統(tǒng)當前SOC狀態(tài)，判斷儲能系統(tǒng)是否在SOC安全運行區(qū)間10%～90%，若運行在安全區(qū)域則再次判斷是否在允許1.5倍額定功率出力的運行區(qū)間，然后根據(jù)所在區(qū)間，判斷剩余容量是否滿足儲能期望出力值，如滿足則按期望值出力，如不滿足則按照剩余容量出力。如果超出安全工作范圍，則儲能出力為0，等待下一充放電轉(zhuǎn)換時刻再次進行判斷。在SOC邊界區(qū)域，可能出現(xiàn)剩余容量不能夠維持下一秒以額定功率出力，需計算剩余容量能否滿足儲能系統(tǒng)以期望值持續(xù)出力，如果可以按照計算值進行指令下發(fā)，如果不可以，按照可用容量值進行指令下發(fā)。

圖4 k時刻儲能系統(tǒng)輸出功率計算流程圖

3 算例分析

為了驗證課題研究的儲能系統(tǒng)出力控制策略，選擇冀北地區(qū)A風電場作為分析對象，容量為100 MW。參考已有風儲電站配比，配置鋰電池儲能系統(tǒng)14 MW/63 MW·h，儲能系統(tǒng)SOC初始狀態(tài)設置為50%。在A風電場全年風功率預測數(shù)據(jù)及實際出力數(shù)據(jù)中，選擇短期功率預測準確率覆蓋70%、80%、90%左右3種情況，相應出力曲線采用2016年1月2日、7月9日、9月10日的實測功率和預測功率數(shù)據(jù)。

（1）數(shù)據(jù)樣本1（2016年1月2日）

圖5為A風電場1月2日風電機組實時出力曲線和日前發(fā)電計劃曲線，風功率準確率81.33%，合格率86.94%，以此數(shù)據(jù)為樣本，應用課題研究的儲能單元控制策略。

首先驗證使用線性外推法與移動平滑法預測風電場出力的預測精度。圖6是以當天實測曲線歷史值作為輸入，預測的下一時刻的風電出力?？梢?，線性外推法與移動平滑法綜合應用的預測曲線接近風電場實測功率曲線，預測誤差最大不超過8%，預測精度滿足使用要求。

圖5 2016年1月2日實測功率曲線和預測功率曲線

圖6 2016年1月2日實測曲線與算法輸出曲線對比

圖7為配置儲能后對預測功率曲線的跟蹤效果，可以看出控制儲能系統(tǒng)跟蹤風電預測曲線后，風儲聯(lián)合出力相比風電實際出力更加靠近短期功率預測曲線。而在儲能系統(tǒng)出力受限時，風儲聯(lián)合出力曲線與風電實際出力曲線重合。

圖7 2016年1月2日儲能系統(tǒng)控制策略跟蹤效果圖

此時儲能系統(tǒng)出力期望值與實際出力曲線如圖8所示，儲能系統(tǒng)SOC變化曲線如圖9所示。

圖8 2016年1月2日儲能系統(tǒng)實際出力曲線與期望曲線

圖9 2016年1月2日儲能系統(tǒng)SOC變化曲線

表2分別是未使用儲能進行跟蹤計劃發(fā)電及采用儲能系統(tǒng)控制策略得到的風電場輸出功率的準確率和合格率。

表2 數(shù)據(jù)樣本1計算結(jié)果

（2）數(shù)據(jù)樣本2（2016年7月9日）

圖10為7月9日風電場日前預測曲線和實測曲線，風功率預測準確率為71.11%，合格率為63.82%。采用本文研究的儲能系統(tǒng)控制策略進行預測跟蹤，效果見圖11、圖12和表3。

圖10 2016年7月9日風電場日前預測曲線和實測曲線

由圖1和圖12可以看出儲能系統(tǒng)在短期功率預測與實際出力相差較大時，出現(xiàn)了長時間出力受限，容量大面積缺額。

圖11 2016年7月9日儲能系統(tǒng)控制策略跟蹤效果圖

圖12 2016年7月9日儲能系統(tǒng)實際出力曲線與期望曲線

表3 數(shù)據(jù)樣本2計算結(jié)果

由表3可知，使用儲能系統(tǒng)的控制策略后，將日前短期功率準確率由71.11%，提高至74.74%。

如果在當天預測水平的基礎(chǔ)上希望進一步提高風電場短期功率預測準確率，則需要增配儲能，本文計算了將每一點預測準確率均提高至85%時的出力情況，如圖13所示，至少需要60 MW的儲能系統(tǒng)。

（3）數(shù)據(jù)樣本3（2016年9月10日）

圖14為9月10日風電場日前預測曲線、實測曲線和風儲聯(lián)合出力曲線，未使用儲能前，準確率為95.36%，使用儲能控制策略后，準確率為99.64%。

圖13 增配儲能后的出力效果

圖14 2016年9月10日儲能系統(tǒng)控制策略跟蹤效果圖

在短期功率預測準確率較高的時候，對儲能系統(tǒng)出力要求低，圖15為儲能系統(tǒng)期望值與實際出力曲線，幾乎重合，儲能系統(tǒng)SOC也一直工作在較窄的范圍內(nèi)，如圖16和表4所示。

圖15 2016年9月10日儲能系統(tǒng)實際出力與期望出力

圖16 2016年9月10日儲能系統(tǒng)SOC變化曲線

表4 數(shù)據(jù)樣本3計算結(jié)果

統(tǒng)計該風電場全年風功率短期準確度數(shù)據(jù)，并應用上述方法增配儲能系統(tǒng)，可見從全年統(tǒng)計情況來看，按照100∶14的儲能配比，提高風功率預測準確率4.49%。如果調(diào)度管理機構(gòu)將風功率預測準確度的考核閾值劃定為80%，則在當前樣本數(shù)據(jù)下，100 MW風電場配置14 MW/63 MW·h儲能系統(tǒng)可以滿足風電場減少風功率預測準確度考核處罰的目標要求，見表5。

表5 全年風電場風功率預測準確度統(tǒng)計

4 結(jié) 論

本文以提高風電場短期功率預測準確率和合格率為目標，通過給風電場配置一定容量儲能系統(tǒng)，研究儲能系統(tǒng)出力控制策略。綜合應用線性外推法和移動平滑法快速預測風電場實時出力，同時考慮儲能系統(tǒng)安全工作范圍和不同SOC區(qū)間內(nèi)的出力能力，控制儲能系統(tǒng)出力。選取較為典型的算例驗證了本文提出的儲能系統(tǒng)控制策略，可以提高風電場短期功率預測準確率，減少風電場考核損失，結(jié)論如下：

（1）基于線性外推和移動平均法的風電場實時出力預測方法，實測值和預測值最大偏差小于8%，滿足儲能系統(tǒng)能量管理控制的精度要求。

（2）選取多個較為典型的算例驗證了本文提出的儲能系統(tǒng)控制策略，可以提高風電場短期功率預測準確率，減少風電場短期功率預測準確率考核，同時能夠保證儲能系統(tǒng)始終工作在安全工作區(qū)域。

（3）風電場可以根據(jù)自身短期風功率預測水平，通過配置儲能系統(tǒng)，達到減少短期功率預測準確度考核的目的。

[1] 劉冰, 張靜, 李岱昕, 等. 儲能在發(fā)電側(cè)調(diào)峰調(diào)頻服務中的應用現(xiàn)狀和前景分析[J]. 儲能科學與技術(shù), 2016, 5(6): 909-914.

LIU Bing, ZHANG Jing, LI Daixian, et al. Energy storage for peak shaving and frequency regulation in the front of meter: Progress and prospect[J]. Energy Storage Science and Technology, 2016, 5(6): 909-914.

[2] 張靜. 2015年儲能市場盤點—一個蓄勢待發(fā)的產(chǎn)業(yè)[J]. 儲能科學與技術(shù), 2016, 5(1): 58-64.

ZHANG Jing. Summary of 2015 energy storage market—A poised industry[J]. Energy Storage Science and Technology, 2016, 5(1): 58-64.

[3] 李瓊慧, 王彩霞, 張靜, 等. 適用于電網(wǎng)的先進大容量儲能技術(shù)發(fā)展路線圖[J]. 儲能科學與技術(shù), 2017, 6(1): 141-146.

LI Qionghui, WANG Caixia, ZHANG Jing, et al. A roadmap for large scale energy storage for grid-level applications[J]. Energy Storage Science and Technology, 2017, 6(1): 141-146.

[4] 陳躍燕, 李相俊, 韓曉娟, 等. 基于移動平均法和風電波動率約束的電池儲能系統(tǒng)平滑風電出力控制策略[J]. 電力建設, 2013, 34(7): 1-5.

CHEN Yueyan, LI Xiangjun, HAN Xiaojuan, et al. Control strategy of smoothing wind power output using battery energy storage based on moving average method and wind power volatility rate costrain[J]. Electric Power Construction, 2013, 34(7): 1-5.

[5] 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.

[6] 彭思敏. 電池儲能系統(tǒng)及其在風-儲孤網(wǎng)中的運行與控制[D]. 上海: 上海交通大學, 2013.

PENG Simin. Battery energy storage system and its operation and control in the isolated grid based on wind-battery[D]. Shanghai: Shang hai Jiao Tong University, 2013.

[7] 姚勇, 朱桂萍, 劉秀成. 電池儲能系統(tǒng)在改善微電網(wǎng)電能質(zhì)量中的應用[J]. 電工技術(shù)學報, 2012, 27(1): 85-89.

YAO Yong, ZHU Guiping, LIU Xiucheng. Improvement of power quality of micro-grids by battery energy storage system[J]. Transactions of China Electrotechnical Society, 2012, 27(1): 85-89.

[8] 張野, 郭力, 賈宏杰, 等. 基于電池荷電狀態(tài)和可變?yōu)V波時間常數(shù)的儲能控制方法[J]. 電力系統(tǒng)自動化, 2012, 36(6): 34-38.

ZHANG Ye, GUO Li JIA Hongjie, et al. An energy storage control method based on state of charge and variable filter time constant[J]. Automation of Electric Power Systems, 2012, 36(6): 34-38.

[9] FARA L, BARTOK B, MORARU A G, et al. New results in forecasting of photovoltaic systems output based on solar radiation forecasting[J]. Journal of Renewable and Sustainable Energy, 2013, 5(4): 284-296

[10] CHEN K, SONG M X, ZHANG X. A statistical method to merge wind cases for wind power assessment of wind farm[J]. Journal of Wind Engineering & Industrial Aerodynamics, 2013, 119(119): 69-77.

[11] SHARMA A, TYAGI V V, CHEN C R, et al. Review on thermal energy storage with phase change materials and applications[J]. Renewable & Sustainable Energy Reviews, 2009, 13(2): 318-345.

[12] ZHANG Q, LAI K K, NIU D, et al. A fuzzy group forecasting model based on least squares support vector machine (LS-SVM) for short-term wind power[J]. Energies, 2012, 5(9):3329-3346.

[13] 嚴干貴, 馮凱翔, 劉嘉, 等. 基于風電功率預測誤差區(qū)間的儲能系統(tǒng)控制策略[J]. 儲能科學與技術(shù), 2015, 4(4): 388-393.

YAN Gangui, FENG Kaixiang, LIU Jia, et al. A control strategy for energy storage system based on wind power prediction error interval[J]. Energy Storage Science and Technology, 2015, 4(4): 388-393.

The energy storage system output control strategy to improve the short term wind power forecasting accuracy rate

LI Na1,2,BAI Kai1,2,LIU Yu1,2,WANG Kairang1,2,GONG Yu1,2,DONG Jianming1,2

(1Wind-Solar-Energy Storage Hybrid Power Generation Technology Laboratory, Beijing 100045, China;2North China Electric Power Research Institution, State Grid Corporation of China, Beijing 100045, China)

At present, literature research on the energy storage system which is applied to control the fluctuation of new energy power generation and the control strategy of peak load shifting and valley filling has been done. Nevertheless, the feasibility of the application of the energy storage system under the mechanism of wind power prediction accuracy and the impact of wind farm benefits has not been studied. This paper proposes a control strategy of the system output to reduce wind farm short-term power prediction error for the target storage, which treats the real-time output data of wind farm (second level) as the data source and adopts the linear extrapolation method to predict the output of the wind farm at the next moment by moving average optimization. By comparing the short-term power forecast value and the real-time forecast value of wind farm and calculating the expected output of the energy storage system, simulation verification is carried out eventually after the output capacity of the energy storage system is restrained according to the output capacity of the SOC interval in the different energy storage system. The results show that the proposed control strategy of energy storage power system, can help the wind farm to meet the requirement of the short-trem power prediction accuracy assessment through the allocation of energy storage system, and has the guiding significance of lean-oriented operation and management of wind farm.

energy storage system; short term wind power forecasting; accuracy rate; state of charge(SOC)

TM 72

A

2095-4239（2018）01-100-08

10.12028/j.issn.2095-4239.2017.0130

2017-07-27；

2017-08-25。

國家電網(wǎng)公司科技項目（52018K16005V）。

李娜（1986—），女，碩士，高級工程師，大容量儲能系統(tǒng)運行技術(shù)，E-mail：qiboer@163.com。