考虑平抑未来时刻风电波动的混合储能系统超前模糊控制策略

doi:10.12096/j.2096-4528.pgt.23153

考虑平抑未来时刻风电波动的混合储能系统超前模糊控制策略

周丹¹, 袁至¹, 李骥², 范玮³

1.可再生能源发电与并网控制教育部工程研究中心(新疆大学)，新疆维吾尔自治区乌鲁木齐市 830017

2.国网新疆电力有限公司电力科学研究院，新疆维吾尔自治区乌鲁木齐市 830011

3.中国石油天然气股份有限公司塔里木油田分公司，新疆维吾尔;自治区库尔勒市 841000

An Advanced Fuzzy Control Strategy for Hybrid Energy Storage Systems Considering Smoothing of Wind Power Fluctuations at Future Moments

ZHOU Dan¹, YUAN Zhi¹, LI Ji², FAN Wei³

1.Renewable Energy Power Generation and Grid-connected Control Engineering Research Center of the Ministry of Education (Xinjiang University), Urumqi 830017, Xinjiang Uygur Autonomous Region, China

2.Electric Power Research Institute of State Grid Xinjiang Electric Power Co. , Ltd. , Urumqi 830011, Xinjiang Uygur Autonomous Region, China

3.Tarim Oilfield Company of Petro China, Korla 841000, Xinjiang Uygur Autonomous Region, China

收稿日期: 2023-11-19 修回日期: 2024-01-19

基金资助:

国家自然科学基金项目. 52067020
新疆维吾尔自治区重大科技专项项目. 2022A01004-1

Received: 2023-11-19 Revised: 2024-01-19

作者简介 About authors

周丹(1995)，女，硕士研究生，研究方向为可再生能源发电与并网控制，107552104116@stu.xju.edu.cn；

袁至(1984)，男，博士，副教授，研究方向为可再生能源发电与并网控制，本文通信作者，yzisthecure@163.com。

摘要

目的现有的混合储能系统控制策略难以在保持荷电状态(state of charge，SOC)处于合理范围的同时，满足未来时刻风电波动造成的混合储能系统超前充放电需求，因此提出一种考虑平抑未来时刻风电功率波动的混合储能系统超前模糊控制策略。方法首先，通过采用集合经验模态分解(ensemble empirical mode decomposition，EEMD)方法分解得到不同类型储能设备需要平抑的风电功率；其次，根据混合储能系统SOC和功率饱和程度整定功率修正参数，对混合储能系统输出功率进行修正；再次，由风电预测算法得到前瞻周期内风电功率预测值，根据前瞻周期内风电功率波动情况和超前控制理论整定提前充放电参数，校正储能系统输出功率；最后，以某风电场的实际数据为例，通过仿真验证了所提超前模糊控制策略的有效性。结果提出的控制策略不仅能够降低风电并网波动越限概率，显著减少总输出功率与目标功率偏差值，而且能够使混合储能系统的SOC控制在合理范围内。结论该策略可以为平抑风电波动的相关研究提供有益参考。

关键词： 风力发电 ; 混合储能系统 ; 模糊控制 ; 超前控制

Abstract

Objectives The existing hybrid energy storage system control strategy finds it difficult to maintain the state of charge (SOC) within a reasonable range while also meeting the advanced charging and discharging needs due to future wind power fluctuations. Therefore, a new advanced fuzzy control strategy for hybrid energy storage systems was proposed, which takes into account the smoothing of future wind power fluctuations. Methods Firstly, the wind power needing to be smoothed by different types of energy storage devices was decomposed using the ensemble empirical mode decomposition (EEMD) method. Secondly, the power correction parameter was adjusted according to the SOC and power saturation level of the hybrid energy storage system to correct its output power. Thirdly, the wind power prediction algorithm was used to obtain the predicted value of wind power in the forward-looking cycle. The advance charging and discharging parameters were adjusted to correct the output power of the energy storage system based on the wind power fluctuations in the forward-looking cycle and the over-advance control theory. Finally, taking the actual data of a wind farm as an example, the validity of the proposed forward-looking fuzzy control strategy was validated through simulation. Results The proposed control strategy can not only reduce the over-limit probability of wind power grid-connected fluctuation, significantly reduce the deviation between the total output power and the target power, but also maintain the SOC of the hybrid energy storage system within a reasonable range. Conclusions This strategy can provide a useful reference for research related to smoothing wind power fluctuations.

Keywords： wind power ; hybrid energy storage system ; fuzzy control ; advanced control

PDF (4098KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

周丹, 袁至, 李骥, 范玮. 考虑平抑未来时刻风电波动的混合储能系统超前模糊控制策略. 发电技术[J], 2024, 45(3): 412-422 DOI:10.12096/j.2096-4528.pgt.23153

ZHOU Dan, YUAN Zhi, LI Ji, FAN Wei. An Advanced Fuzzy Control Strategy for Hybrid Energy Storage Systems Considering Smoothing of Wind Power Fluctuations at Future Moments. Power Generation Technology[J], 2024, 45(3): 412-422 DOI:10.12096/j.2096-4528.pgt.23153

0 引言

在当今电力系统中，大力发展风电是实现能源可持续发展和“双碳”目标的有效途径^[1-3]。然而，由于风力发电受天气因素制约，具有间歇性、随机性和不确定性点，对电力系统的安全稳定运行会造成不良影响^[4-8]。因此，平抑风电功率波动以减少对电网的冲击具有重要意义。

混合储能系统能够充分发挥不同类型储能的性能，使波动平抑策略效果更好，但最终的平抑效果受混合储能系统容量、使用寿命和控制策略的限制^[9-12]。文献[13]利用欧式距离法与指数滑动平均法实现对混合储能系统功率实时分配，平抑长、短2个时间尺度的风电功率波动。文献[14]结合一阶滤波和希尔伯特黄变换实现风电波动平抑，根据混合储能系统荷电状态(state of charge，SOC)反馈调整混合储能系统输出功率。文献[15]将系统年综合成本最小作为目标函数，运用集合经验模态分解(ensemble empirical mode decomposition，EEMD)技术求解混合储能系统功率分配的滤波阶数。文献[16]应用小波包分解确定混合储能系统初始充放电指令，其后制定双层模糊控制规则，对混合储能系统输出功率进行修正。

上述控制策略仅根据当前系统信息进行控制，并未考虑未来时刻风电波动情况对储能系统平抑波动能力的影响^[17]。如果某一时刻风电波动过限需要平抑，而混合储能系统SOC已到达限值，此时由于运行约束混合储能系统不能继续充放电，将导致风电波动得不到平抑。文献[18]根据相空间重构-随机森林风功率预测模型预判电池状态，并调整储能系统出力，有效减少了电池死区时间。文献[19]利用模型预测控制方法平衡电池输出与出力能力，降低了储能电池初始容量投入成本。

然而，上述策略未能综合考虑未来时刻风电出力波动和混合储能SOC对控制策略平抑效果的影响，如何兼顾保持混合储能系统SOC处于合理范围和满足平抑未来时刻风电波动造成的混合储能系统超前充放电需求仍需进一步研究。

因此，本文提出基于混合储能系统的超前模糊控制策略。通过集合经验模态分解方法分解得到不同类型储能设备初始功率指令后，根据混合储能系统当前荷电状态调整功率修正参数以修正混合储能系统输出功率。经风电预测算法得到前瞻周期内风电功率预测值，根据未来时刻风电功率波动情况合理确定混合储能系统提前充放电参数，并给出提前充放电公式以再次修正混合储能系统功率，令混合储能系统提前充或放一部分电量，提高混合储能系统未来时刻的功率波动平抑能力。仿真结果表明，本文提出的控制策略不仅能够降低风电并网波动越限概率，显著减少总输出功率与目标功率偏差值，而且能够使混合储能系统的SOC控制在合理范围内。

1 风储联合系统

风电-混合储能联合系统结构如图1所示，图中： $P_{W}$ 为风电厂输出功率； $P_{S C}$ 为超级电容输出功率； $P_{l b}$ 为电池输出功率； $P_{G}$ 为风储联合系统出力。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 风储联合系统原理图

Fig. 1 Schematic diagram of wind power and hybrid energy storage system

当系统中损耗忽略不计时，存在如下数量关系：

P_{G} (t) = P_{W} (t) + P_{s c} (t) + P_{l b} (t)

(1)

风电功率平抑目标 $P_{Z}$ 由滑动平均滤波法计算得出^[20]。滑动平均滤波法是一种经典的数据平滑处理方法，操作简单，计算量较小，能够快速处理实时数据。其计算公式为

P_{Z} = \frac{P_{W . t} + P_{W . t - 1} + \cdot \cdot \cdot + P_{W . t - L + 1}}{L}

(2)

式中L为滑动窗口宽度。

$P_{Z}$ 和 $P_{W}$ 数量关系为

P_{W} (t) = P_{Z} (t) + P_{e} (t)

(3)

式中 $P_{e} (t)$ 为需要混合储能系统平抑的波动功率。

2 基于EEMD的平抑功率分配

经验模态分解(empirical mode decomposition，EMD)技术在实际应用于时间尺度跳跃性变化的信号时，可能会出现模态混叠问题，使得一些被分解出的特征模态函数(intrinsic mode function，IMF)失去其物理意义，从而导致EMD性能严重下降。EEMD是针对EMD不足而提出的一种改进方法，在待分解信号中加入均匀高斯白噪声再滤除，信号将映射到合适的时间尺度，这种方法能得到更为准确的IMF分量。

使用EEMD对需要混合储能系统平抑的信号 $P_{e} (t)$ 进行分解，使其在超级电容和电池之间有效分配，最终分解结果为

P_{e} (t) = \sum_{j = 1}^{n} c_{j} (t) + r (t)

(4)

式中： $c_{j} (t)$ 为IMF分量； $r (t)$ 为分解余量。

选取合适的滤波阶数d，利用IMF分量构造一种能将原信号分为2部分的时空滤波器，高频部分 $P_{h} (t)$ 由阶数小于等于d的IMF分量组成，分配给超级电容。低频部分 $P_{l} (t)$ 由阶数大于d的IMF分量及余量组成，分配给电池。数学表达式如下：

P_{h} (t) = \sum_{j = 1}^{d} c_{j} (t)

(5)

P_{l} (t) = \sum_{j = d + 1}^{n} c_{j} (t) + r (t)

(6)

式中滤波阶数d的取值范围为[0, n]，d值越小，分配给超级电容平抑的高频分量就越少，分配给电池平抑的低频分量就越多。

基于EEMD算法的平抑功率分配步骤图如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 基于EEMD算法的计算步骤图

Fig. 2 Calculation step diagram based on EEMD algorithm

3 混合储能系统模型及相关指标

3.1 混合储能系统模型

超级电容是一种功率型储能设备，通过其双电层结构实现其储能功能，在充放电过程中不会发生化学反应，因此不会像电池一样受到充放电次数的限制。超级电容的等效电路模型如图3所示。其中，U_C为超级电容端电压；I_C为流过超级电容的电流；R_ES为串联等效电阻；C为超级电容器电容。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 超级电容等效电路模型

Fig. 3 Equivalent circuit model of supercapacitor

电池是一种能量型储能设备，通过其内部的化学反应实现能量转换，具有大容量、高能量密度的优点。电池的等效电路模型如图4所示。其中： $U_{l b}$ 和 $I_{l b}$ 分别为电池输出电压和电流； $E_{l b}$ 为开路电压； $R_{l b}$ 为电池内阻。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 电池等效电路模型

Fig. 4 Equivalent circuit model of the battery

充电时，储能设备剩余电量可表示为

E_{x} (t) = E_{x} (t - 1) + P_{x} (t) Δ t η_{x c}

(7)

放电时，储能设备剩余电量可表示为

E_{x} (t) = E_{x} (t - 1) - \frac{P_{x} (t) Δ t}{η_{x d}}

(8)

式中： $E_{x} (t)$ 为t时刻储能设备的电量； $P_{x} (t)$ 为t时刻储能设备的输出功率； $Δ t$ 为间隔时间； $η_{x c}$ 和 $η_{x d}$ 分别为储能设备充电效率和放电效率；下标x为sc时表示超级电容，x为lb时表示电池。

在平抑风电波动过程中，混合储能系统的荷电状态随充放电不停变化，可以用如下公式表示：

S_{x} (t) = \frac{E_{x}^{0} - \int_{0}^{t} [η_{x c} P_{x c} (t) + \frac{P_{x d} (t)}{η_{x d}}] d t}{E_{N}}

(9)

运行约束为

S_{x m i n} \leq S_{x} (t) \leq S_{x m a x}

(10)

- P_{x N} \leq P_{x} (t) \leq P_{x N}

(11)

式中： $S_{x} (t)$ 为储能设备SOC值； $E_{x}^{0}$ 为储能设备初始容量； $P_{x c} (t)$ 和 $P_{x d} (t)$ 分别为储能设备充电功率和放电功率； $E_{N}$ 为储能设备额定容量； $S_{x m i n}$ 和 $S_{x m a x}$ 分别为储能设备荷电状态下限和上限； $P_{x N}$ 为储能设备额定功率。

3.2 混合储能系统状态指标

本文主要采用以下2个混合储能系统状态指标^[16]。

归一化的混合储能系统SOC平衡指标：

ε_{x} = \frac{2 [S_{x} (t) - S_{x r e f}]}{S_{x m a x} - S_{x m i n}}

(12)

式中 $S_{x r e f}$ 为储能设备最佳荷电状态值。

归一化的混合储能系统SOC平衡指标表示当前储能设备所具备的平滑风电波动的能力，也即当前储能设备SOC偏离最佳SOC的程度。平衡指标绝对值越小，代表储能设备平抑下一时刻风电功率波动的能力越好；平衡指标绝对值越大，代表储能设备平抑下一时刻风电功率波动的能力越差。

归一化的混合储能系统功率饱和指标：

η_{x} = \{\begin{array}{l} \frac{1}{P_{x}^{+}} m i n {P_{x} (t), P_{x}^{+}}, {P_{x}}^{t} \geq 0 \\ - \frac{1}{P_{x}^{-}} m i n {| P_{x} (t) |, {P_{x}}^{-}}, {P_{x}}^{t} < 0 \end{array}

(13)

式中： $P_{x}^{+}$ 为储能设备功率上限； $P_{x}^{-}$ 为储能设备功率下限。

归一化的混合储能系统功率饱和指标表示储能设备当前所处的工作状态，反映了储能设备功率调整余量。储能系统的实时功率调节考虑了储能设备当前受到最大功率限制状态，有效避免了储能设备发生功率畸变和进而造成的储能使用寿命减少。

3.3 风电功率波动平抑相关指标

本文采用的风电功率波动平抑指标包括以下3种^[21]。

风电功率允许波动：

- D_{e t} \leq Δ P_{G} (t) \leq D_{e t}

(14)

式中 $D_{e t}$ 为功率波动上限。

风电功率越限概率及次数：

C_{o u t} = \sum_{t = 1}^{N - 1} S (| Δ P_{G} (t) | - D_{e t})

(15)

p_{o u t} = \frac{C_{o u t}}{N - 1}

(16)

S (a) = \{\begin{array}{l} 1, a > 0 \\ 0, a \leq 0 \end{array}

(17)

式中： $C_{o u t}$ 为风电功率越限次数； $p_{o u t}$ 为风电功率越限概率；N为风电功率采样点数。

最终输出功率值偏离目标功率值总和：

\sum Δ P (t) = \sum |P_{t o t a l} (t) - D (t)|

(18)

式中： $P_{t o t a l} (t)$ 为风储系统t时刻输出功率； $D (t)$ 为目标功率值。

4 混合储能系统的超前模糊控制策略

仅根据EEMD分解得到的初始平抑功率指令未能考虑到混合储能系统的运行状态，以此进行功率波动控制可能导致混合储能系统SOC越限，从而使混合储能系统寿命大大缩减，影响最终的功率平抑效果。同时，由于未来的风电功率波动对当前混合储能系统的充放电行为会造成影响，而且很可能影响混合储能系统未来时刻的波动平抑能力，因此需要根据混合储能系统SOC即时状态和未来时刻充放电需求来调整混合储能系统出力。

本文通过超前模糊控制自适应调整使混合储能系统SOC处于安全动作区间的功率修正参数 $α_{x}$ 和提高混合储能系统未来时刻的波动平抑能力的提前充放电参数 $β$ ，以此来校正混合储能系统充放电功率。

经超前模糊控制策略校正后混合储能系统充放电功率修正为

P_{B} (t) = P_{h} (t) + P_{l} (t) + P_{α_{x}} (t) + P_{β} (t)

(19)

式中： $P_{B} (t)$ 为混合储能系统校正后输出功率； $P_{α_{x}} (t)$ 为由 $α_{x}$ 确定的功率修正值； $P_{β} (t)$ 为由 $β$ 确定的功率修正值。

4.1 功率修正参数整定

混合储能系统的充放电功率和SOC安全动作区间需要一定的范围限制，超出限制范围不仅会使混合储能系统输出功率发生畸变，而且将严重影响到混合储能系统使用寿命。其控制原理为：当混合储能系统的SOC处于较大数值且其功率指令为充电时，为避免SOC越上限，应减少其充电功率，若功率指令为放电，则维持原指令不变；当混合储能系统的SOC处于较小数值且其功率指令为放电时，为避免SOC越下限，应减少其放电功率，若功率指令为充电，则维持原指令不变；当混合储能系统的SOC处于参考值附近时，维持原功率指令不变。

功率修正参数整定模糊控制器设置为双输入单输出，输入为t时刻归一化后的混合储能系统SOC平衡指标 $ε_{x} (t)$ 和混合储能系统功率饱和指标 $η_{x} (t)$ 。储能SOC在允许范围内连续波动，而最佳荷电状态本文设置为0.5，处于允许范围的中间，根据式(12)，归一化的混合储能系统SOC平衡指标的取值范围为[-1, 1]；储能设备充电时，其功率在[0, $P_{x}^{+}$ ]范围内连续波动，储能设备放电时，其功率在[ $- P_{x}^{-}$ ，0)范围内连续波动。根据式(13)，归一化的混合储能系统功率饱和指标的取值范围为[-1, 1]。因此输入量的论域均为[-1, 1]的连续论域，其模糊集均为{NB(负大), NS(负小), ZO(零),PS(正小), PB(正大)}。其整定α_x 的输入量隶属度函数如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 整定α_x 的输入量隶属度函数

Fig. 5 Membership function of input for the adjustment of α_x

整定 $α_{x}$ 的模糊逻辑规则如表1所示。输出为混合储能系统功率修正参数 $Δ α_{x}$ ，其论域为[-1, 1]的离散论域，模糊集为{NB(负大), NM(负中), NS(负小), ZE(零), PS(正小), PM(正中), PB(正大)}，其隶属度函数如图6所示。

表1 整定α_x 的模糊逻辑规则

Tab. 1 Fuzzy logic rules for the adjustment of α_x

$ε_{x} (t)$	$η_{x} (t)$
$ε_{x} (t)$	NB	NS	ZO	PS	PB
NB	ZE	ZE	ZE	NM	NB
NS	ZE	ZE	ZE	NS	NM
ZO	ZE	ZE	ZE	ZE	ZE
PS	PM	PS	ZE	ZE	ZE
PB	PB	PM	ZE	ZE	ZE

新窗口打开| 下载CSV

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 整定α_x 的输出量隶属度函数

Fig. 6 Membership function of output for the adjustment of α_x

采用加权平均法对输出的模糊量反模糊化，得到功率修正参数 $α_{x}$ ：

α_{x} = \frac{\sum_{i} \sum_{j} A_{ε_{x}, i} A_{η_{x}, j} Δ α_{x}}{\sum_{i} \sum_{j} A_{ε_{x}, i} A_{η_{x}, j}}

(20)

式中： $A_{ε_{x}, i}$ 和 $A_{η_{x}, j}$ 分别为模糊控制器输入 $ε_{x} (t)$ 和 $η_{x} (t)$ 对应的隶属度函数；i和j分别为 $ε_{x} (t)$ 和 $η_{x} (t)$ 对应的模糊论域区间。

根据混合储能系统SOC即时状态调整后，混合储能系统功率修正如下：

P_{s c 1} (t) = P_{h} (t) + α_{x} P_{s c}^{r a t e d}

(21)

P_{l b 1} (t) = P_{l} (t) + α_{x} P_{l b}^{r a t e d}

(22)

式中 $P_{s c}^{r a t e d}$ 和 $P_{l b}^{r a t e d}$ 分别为超级电容和电池的额定功率。

4.2 提前充放电参数整定

在即时控制策略中，混合储能系统的出力不仅受到当前风电波动和混合储能系统状态的限制，而且受到过往累积SOC的影响。如果某一时刻风电波动过限需要平抑，而混合储能系统SOC已到达限值，此时由于运行约束，混合储能系统不能继续充放电，将导致风电波动得不到平抑。

由式(1)可得并网功率波动表示为

\begin{array}{l} Δ P_{G} (t) = P_{G} (t) - P_{G} (t - Δ t) = \\ P_{W} (t) + P_{B} (t) - P_{G} (t - Δ t) = \\ P_{W} (t) - P_{G} (t - Δ t) + P_{B} (t) \end{array}

(23)

风电功率相对于上一时刻并网功率的差值 $Δ P_{Z} (t)$ 表示为

Δ P_{Z} (t) = P_{W} (t) - P_{G} (t - Δ t)

(24)

由式(23)可以看出，并网功率波动 $Δ P_{G} (t)$ 是否越限与 $Δ P_{Z} (t)$ 及储能系统出力 $P_{B} (t)$ 有关。如果前瞻周期内各个时刻 $Δ P_{Z} (t + k_{1} Δ t)$ 均处于[- $D_{e t}$ ， $D_{e t}$ ]范围内，则混合储能系统出力为0，并网功率波动仍在允许范围内。如果前瞻周期内某一时刻 $Δ P_{Z} (t + k_{1} Δ t)$ 越限，且该时刻混合储能系统荷电状态不足以平抑波动，那么即使当前时刻 $Δ P_{Z} (t)$ 没有越限，混合储能系统仍需要充放一部分电量，为前瞻周期平抑波动做准备。其控制原理为：根据前瞻周期内,预测的风电爬坡率和并网功率波动情况来调整提前充放电参数 $β$ ，从而调整混合储能系统SOC状态，为未来时刻充放电需要留出余量。基于上述原因，提前充放电参数的调整考虑到未来时刻充放电需要，是一种超前控制策略，令

Δ P_{1} = \frac{Δ P_{W} (t + k_{1} Δ t)}{Δ t \cdot P_{M}}

(25)

Δ P_{2} = \frac{Δ P_{Z} (t + k_{1} Δ t)}{P_{N}}

(26)

式中： $P_{M}$ 为各个前瞻周期风电爬坡斜率最大绝对值； $P_{N}$ 为各个前瞻周期 $Δ P_{Z} (t)$ 最大绝对值； $t + k_{1} Δ t$ 为当前前瞻周期内 $Δ P_{Z} (t)$ 最大绝对值的时刻。

由于上述对前瞻周期内风电功率预测值的需要，调整 $β$ 的模糊控制输入量，基于风电功率预测值计算得出，风电预测算法更新数据时间尺度需小于前瞻周期，本文选取的前瞻周期为1 h。常用的风电预测算法有极端梯度提升回归树算法^[22]、长短期记忆(long short-term memory，LSTM)网络算法^[23]、人工神经网络^[24]等。LSTM算法是一种常用的基于循环神经网络(recurrent neural networks，RNN)的风电预测方法，能够解决循环神经网络中梯度消失和爆炸的问题，并且保留循环神经网络的优点。同时，相对于其他预测算法，LSTM不仅能够符合中国国家电网公司最新颁布的风电场接入电力系统技术(GB/T 19963.1—2021)精度要求，很好地拟合风电输入数据和输出功率数据间的非线性关系，而且在满足前瞻周期内风电功率预测精度的同时，计算的数据量适量不冗余，减少了运行处理时间，提高了计算、存储和处理效率，具有很高的实用价值。本文采用风电预测算法中较为常见的LSTM算法进行预测，每15 min更新一次数据，预测算法仅用于获取前瞻周期内风电波动数据。本文采用内蒙古某风电场一年的实时风力发电数据作为训练集，利用LSTM算法训练并优化模型。将待预测时刻的风电实时数据输入训练好的模型，即可获得未来时刻风电预测数据。

模糊控制的输入为 $Δ P_{1}$ 和 $Δ P_{2}$ ，模糊控制器输入 $Δ P_{2}$ 表示当前前瞻周期内，风电功率相对于上一时刻并网功率的最大波动值，根据式(26)，分子 $Δ P_{Z}$ 有正负之分，分母为所有前瞻周期的 $Δ P_{Z}$ 最大绝对值，因此 $Δ P_{2}$ 的取值范围为[-1, 1]。模糊控制器输入 $Δ P_{1}$ 表示同时刻风电功率爬坡状态，根据式(25)，分子 $Δ P_{W}$ 有正负之分， $P_{M}$ 为所有前瞻周期的风电功率斜率最大绝对值，因此 $Δ P_{2}$ 的取值范围为[-1, 1]。所以输入量论域均为[-1, 1]的连续论域，其模糊集均为{NB(负大), NS(负小), ZO(零), PS(正小), PB(正大)}，其隶属度函数如图7所示。输出为提前充放电参数 $Δ β$ ，论域为[0, 0.5]的离散论域，模糊集为{VS(小), S(较小), M(中), B(较大), VB(大)}，其隶属度函数如图8所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 整定β的输入量隶属度函数

Fig. 7 Membership function of input for the adjustment of β

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 整定β的输出量隶属度函数

Fig. 8 Membership function of output for the adjustment of β

其模糊控制规则如表2所示。采用加权平均法对输出的模糊量反模糊化，得到提前充放电参数 $β$ ，经过超前控制后,混合储能系统功率调整如下：

表2 整定β的模糊逻辑规则

Tab. 2 Fuzzy logic rules for the adjustment of β

$Δ P_{2}$	$Δ P_{1}$
$Δ P_{2}$	NB	NS	ZO	PS	PB
NB	VB	VB	B	B	B
NS	B	B	M	M	S
ZO	S	VS	VS	VS	S
PS	S	M	M	B	B
PB	B	B	B	VB	VB

新窗口打开| 下载CSV

P_{B 2} (t) = \{\begin{matrix} P_{B 1} (t) - β | Δ P_{Z} (t + k_{1} Δ t) - D_{e t} |, Δ P_{2} > 0 \\ P_{B 1} (t) + β | Δ P_{Z} (t + k_{1} Δ t) + D_{e t} |, Δ P_{2} < 0 \\ P_{B 1} (t), Δ P_{2} = 0 \end{matrix}

（27）

式中 $P_{B 1} (t)$ 为根据功率修正参数 $α_{x}$ 修正后混合储能系统合成功率指令。

为延长电池寿命，同时利用超级电容可以频繁充放电和响应速度快的特点，优先对超级电容进行充放电。

超前模糊控制的流程框图如图9所示，采用灵活且适应环境的滚动优化法令控制策略滚动执行，且滚动期等于风电功率采样周期，T为总运行时间。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 超前模糊控制流程图

Fig. 9 Flow chart of fuzzy control and look-ahead control strategy

5 算例分析

本文在Matlab/Simulink中搭建模型并进行仿真分析，选取内蒙古某风电场2020年一年的风力发电数据，风电场装机容量为70 MW，前瞻周期设为1 h。混合储能系统的充放电深度为10%~90%，初始荷电状态和最佳荷电状态均为50%，充放电效率为95%，超级电容和电池的最大功率分别为8 MW和4 MW。根据中国最新国家标准《风电场接入电力系统技术》，选取风电场装机容量的10%作为式(14)中风电功率波动上限。

对仅经过EEMD控制^[15]、仅考虑混合储能系统实时SOC的单层模糊控制^[16]、仅考虑混合储能系统实时SOC的双层模糊控制^[16]和本文提出的超前模糊控制4种方法进行对比分析，风电与混合储能系统合成输出功率及并网功率波动情况分别如图10、11所示。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 风电与混合储能系统合成输出功率对比

Fig. 10 Comparison of the synthetic output power of wind power and energy storage

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 并网功率波动对比

Fig. 11 Comparison of grid-connected power fluctuations

对比图10、11可以看出，超前模糊控制策略的并网波动几乎全部处于目标波动上下限范围内，其越限幅值也远小于其他3种控制策略。表3为波动越限统计，可见EEMD控制越限概率最大，为16.23%，与EEMD控制策略对比，单层、双层、超前模糊控制越限概率分别降低了12.36%、13.53%、14.16%。

表3 波动越限统计

Tab. 3 Statistics on fluctuation value overruns

控制策略	越限次数	越限概率/%
EEMD控制	487	16.23
单层模糊控制	116	3.87
双层模糊控制	81	2.70
超前模糊控制	62	2.07

新窗口打开| 下载CSV

4种控制策略最终输出功率偏离理想目标功率值总和如图12所示，其中超前模糊控制最终输出功率偏离理想目标功率值总和为1 535.54 MW，较双层模糊控制偏离理想目标功率值总和降低了43.98%，较单层模糊控制偏离理想目标功率值总和降低了65.87%，较EEMD控制偏离理想目标功率值总和降低了82.21%。可以看出，超前模糊控制的平抑波动效果最好，双层模糊控制效果次之，EEMD控制效果最差。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 最终输出功率偏离理想目标功率值总和

Fig. 12 Total deviation of the final output power from the desired target power value

图13、14分别为4种控制策略混合储能系统的超级电容荷电状态和电池荷电状态对比，可知，经过调整，超前模糊混合储能系统的SOC始终处于安全动作区间内。对比其他3种控制策略，超前模糊控制的电池SOC在初始阶段呈增长趋势，这是由于考虑到前瞻周期的放电需求，混合储能系统提前吸收了一部分风电功率，以满足未来时刻的充放电需要。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 超级电容荷电状态对比

Fig. 13 SOC comparison of super capacitor

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 电池荷电状态对比

Fig. 14 SOC comparison of four methods of battery

同时，超前模糊控制策略的混合储能系统的SOC于最佳荷电状态0.5上下波动，表明该策略充分利用了混合储能系统，在有效抑制风电功率波动的前提下，能合理调节混合储能系统SOC，使其不越限。

6 结论

1）通过滑动平均滤波法得到平抑目标，用EEMD方法分解能够合理实现平抑风电波动的不同混合储能系统的初始功率分配。

2）所提出的超前模糊控制方法综合考虑了不同类型储能当前SOC，实现储能设备始终处于安全动作区间的同时，使储能设备SOC在最佳荷电状态0.5附近波动，大大增强了混合储能系统未来时刻的功率波动平抑能力，避免了混合储能系统因过充过放而缩短使用寿命。

3）所提出的超前模糊控制方法合理确定混合储能系统提前充放电参数，降低了风储系统并网波动越限概率，相对于对比策略，最多降低了14.16%；大幅提高了混合储能系统对偏差的跟踪能力，减少了偏离理想目标功率值总和，相对于对比策略最多减少了82.21%。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

康佳乐，余浩，段瑶，等．

风电场次同步振荡等值建模方法研究

[J]．发电技术，2022，43(6)：880-891． doi:10.12096/j.2096-4528.pgt.21121