基于蓄电池-超级电容混合储能的风电功率平滑控制*

针对风电出力的随机性、波动性对电力系统的安全稳定运行产生了极大影响,提出了基于自适应滑动平均算法与集合经验模态分解相结合的混合储能系统平滑风电出力波动方法。首先利用自适应滑动平均算法将风电输出功率分解,得到满足并网条件的并网功率和混合储能功率;其次将混合储能功率进行集合经验模态分解,得到一系列频率由高到低依次排列的本征模态分量;然后根据蓄电池与超级电容的介质频率特性,将混合储能功率分配给蓄电池与超级电容;最后针对储能元件易出现过充过放的弊端,对储能元件的荷电状态进行实时监测,利用模糊优化控制对蓄电池与超级电容的功率指令进行实时修正。仿真结果表明,所提策略不仅能自适应地实现风电功率的分解,使得并网功率满足风电输出功率最大波动值的限值要求,还可确保储能元件的荷电状态工作在正常范围内,避免过充过放的发生。     

基于集合经验模态分解的风电混合储能系统能量管理协调控制策略

采用蓄电池-超级电容混合储能系统来平抑风电功率波动,实现风电平滑并网。首先,针对风功率非线性、不稳定的波动特性,结合1min/10min两个时间尺度的风电场输出功率变化最大限值,采用基于集合经验模态分解(EEMD)方法,实现风功率的自适应分解,得到风电并网功率和混合储能系统充、放电功率指令;其次,根据蓄电池和超级电容的出力需求,结合储能设备荷电状态(SOC)等约束条件,提出混合储能系统能量管理协调控制算法,实现储能系统内部功率相互流动;最后,基于风电历史数据,验证所提方法的有效性和合理性。     

基于EEMD与模糊控制的混合储能控制策略

为实现风电平滑并网，采用蓄电池和超级电容组成的混合储能系统平抑风电出力波动。本文提出了基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）与模糊控制的混合储能控制策略。首先，利用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）对风电输出功率信号进行分解。根据低、高频固有模态函数（IMF）能量的明显差异确定EEMD滤波阶次。其次，按照风电并网波动率的限制要求，对滤波阶次进行调整，将符合波动率要求的低频分量并网，高频分量分配给混合储能系统。然后，对蓄电池和超级电容的实时荷电状态（State of Charge，SOC）进行判断，利用模糊控制对超级电容的功率指令进行优化，防止超级电容过充和过放。仿真实例表明，所提策略既能实现风电输出功率的合理分配，有效的抑制风电波动，又能使混合储能系统的SOC稳定在合理区间，提高储能系统的使用寿命。     

考虑风电输出功率波动性的混合储能容量多级优化配置

针对风力发电输出功率的强波动性以及微电网混合储能系统容量优化,提出了一种混合储能容量多级优化配置方法。该方法采用抗脉冲平均滤波法平滑风电原始输出功率,并结合经验模态分解与离散傅里叶分解的优势,分阶段分解混合储能功率,同时根据分解结果对混合储能容量进行配置。分解第一阶段采用经验模态分解,观察分解结果,确定分界点临近分量与高低频分量;分解第二阶段将临近分量重构采用离散傅里叶变换分解,根据年运行经济成本,确定最优频率分界点,进而得出次高频与次低频分量;最后根据2个阶段的分配结果得出混合储能元件的容量大小。仿真结果表明:该方法可以有效避免经验模态分解中模态混叠对容量配置的影响,提高分解精度,降低经济成本。     

风电机组与储能装置的协调平滑控制策略

储能和机组的联合运行可以降低风电出力的波动,然而所需的储能容量太大。为了降低储能装置的容量,提出了一种风电机组与储能装置的协调平滑控制策略。在机组的功率控制中引入了一个低于机组固有频率的低通附加控制环节,利用机组的惯性平抑风电功率的高频分量,而风电功率的中频分量采用储能装置进行补偿控制。机组与储能装置的协调控制能够实现对风电功率的较大范围频率分量的平滑,同时可有效降低储能装置的容量。采用2MW风电系统及0.3MW/0.2MWh ESD模型对控制方法进行了仿真对比研究。仿真结果表明,所提出的控制策略对机组输出的有功功率有较好的平滑效果。     

基于VMD-APSO的风电场混合储能系统容量优化配置北大核心CSCD

针对风电波动性、间歇性和难预测等严重冲击电网安全运行问题,提出一种利用变分模态分解(VMD)和自适应权重粒子群算法(APSO)获得风电场混合储能系统容量优化配置方法。首先,基于典型日风电输出功率,利用低通滤波法得到满足标准的目标并网功率并获得储能系统参考功率。然后,将其通过VMD分解为高、低频功率,由超级电容器和蓄电池承担。最后,考虑储能充放电功率与荷电状态(SOC)等约束,建立以系统年综合成本最小为目标的容量优化配置模型,采用APSO算法求解并分析最优分界点和对应的储能配置方案。算例结果表明所提方法可有效平抑风电波动,降低储能容量,提高系统供电可靠性与经济性。     

采用自适应EEMD的风电混合储能系统能量管理控制策略

风电功率的随机波动会对电网的正常运行产生很大的影响,储能系统的接入能有效抑制风电功率波动。针对上述问题,提出一种应用自适应的集合经验模态分解(ensemble empirical mode decomposition,EEMD)进行频率分配并运用能量管理控制策略进行储能系统功率优化的混合储能系统平滑控制策略。该控制策略能实现风电功率的自适应分解,得到风电并网功率和混合储能系统内部功率的初级分配。同时运用能量管理控制策略,实现储能系统内部功率优化。算例结果表明,所提算法能自适应地实现风电功率的最优分解,所提控制策略能完成储能系统内部功率的合理优化并有效地平滑风电出力波动。     

基于EEMD和BP神经网络的短期光伏功率预测模型

为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解(EEMD)与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 k W的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于双层功率分解的混合储能系统容量配置

为风电场配置合适的储能系统可以平抑风电有功功率波动、提高系统电能质量。基于风电出力历史数据,提出了双层功率分解方法。第1层采用滑动平均法,在满足国家规定的风电并网要求下,分解出并网功率和混合储能系统的参考功率。第2层采用频谱分析方法,基于混合储能系统参考功率,利用傅里叶变换将其分解为低频分量和高频分量,分别分配给蓄电池和超级电容器吸收。考虑储能设备的荷电状态和蓄电池的循环使用寿命,建立混合储能系统容量配置模型,模型以其年综合成本最小为优化目标。仿真结果验证了双层功率分解方法的可行性,证明了混合储能系统较单类型储能系统在性能上和经济上的优越性。     

基于模糊经验模态分解的电池储能系统平滑风电出力控制策略

为减少风电波动率,提高并网可靠性,提出一种基于模糊经验模态分解(empirical mode decomposition,EMD)的储能系统平滑风电功率波动的控制策略。采用经验模态分解对风电功率进行滤波,低频分量并网,高频分量并入电池储能系统(battery energy storage system,BESS)。使用平滑后风电波动率和储能电池荷电状态(state of charge,SOC)作为约束条件,利用模糊控制算法,自适应在线调整EMD滤波阶数,通过模糊自适应控制器,能够更好地平滑风电波动。对比其他平抑风电功率储能控制策略,仿真实例表明,该方法可以有效地平抑风电功率波动,避免储能电池过充过放,稳定储能荷电状态。     

基于EMD分解的孤岛型综合能源系统混合储能规划

孤岛型综合能源系统作为依靠内部能源满足用户需求的系统,可以通过储能技术保障其连续运行。提出了一种基于经验模态分解（EMD）的超级电容器-蓄电池-压缩空气储能的混合储能系统配置方法,采用EMD对通过主动储能策略得到的混合储能系统功率进行处理,并重构经EMD分解得到的模态分量,确定储能功率分配并完成功率、容量规划,以混合储能全寿命周期成本为优化目标,确定混合储能系统的最佳优化方案。最后,通过具体算例验证了该规划方法的有效性与经济性。研究结果可为孤岛型综合能源系统规划运行提供一定技术参考。     

基于极点对称模态分解的混合储能系统容量配置

为给微电网配置合适的储能容量以平抑网内有功功率波动,提出了一种基于极点对称模态分解(extreme-point symmetric mode decomposition,ESM D)的混合储能系统容量配置模型。基于微电网净负荷功率,利用ESM D方法分解为自适应全局均线作为微电网与电网的交换功率,以及低频和高频分量作为蓄电池和超级电容器的平抑目标;为使分解后的各个分量最优,分析了剩余极点个数对全局均线的影响,研究了临界模态的选择原则以得到合适的低频和高频分量;在此基础上,考虑储能设备的运行寿命,建立了包含年投资成本和年运行维护成本的微电网混合储能系统成本模型。仿真实例验证了所述模型的可行性和经济性。     

基于EMD的复合储能不同控制策略对比分析

风电的规模化发展对电力系统造成了很大影响,因此利用复合储能系统进行并网风电的波动平抑具有重要意义。首先,利用经验模态分解(empirical mode decomposition,EMD)将风电分解为不同的固有模态函数(intrinsic mode function,IM F)分量,通过不同的策略对比,挖掘风电并网的选取原则,在兼顾储能经济性的条件下使其得到有效平滑。然后,以储能爬坡功率为约束,对比选取不同的控制策略,实现蓄电池和超级电容器之间的功率分配。最后,通过算例分析验证了控制策略的有效性,为风电功率波动的平抑提供参考。     

基于变分模态分解和Hilbert变换的平滑风电出力混合储能容量优化配置

由于风力发电系统在并网过程中容易受到风速随机性、间歇性的影响。因此,在风电机组并网处安装储能装置不仅可以平滑功率波动,还可以获得良好经济效益。提出了变分模态分解-希尔伯特变换(VMD-Hilbert transform,VHT)的时频分析储能系统容量配置方法。首先通过滑动平均滤波获得的储能系统参考功率,采用变分模态分解(Variational Mode Decomposition,VMD)将储能系统参考功率,即非平稳信号分解为数个单分量信号——固有模态函数分量(IMFs),通过Hilbert变换得到时频谱,对时间积分计算获得各模态函数分量的边际谱,与传统HHT(Hilbert-Huang transform,HHT)相比,能够有效避免频谱混叠;最后根据边际谱选择分频点,分别将高频信号和低频信号分配给超级电容器和蓄电池。目标函数考虑了经济周期成本,仿真实验结果验证了所提方法的有效性和经济优势,因此,在新能源发电中为储能系统配置提供了新的方法。     

基于经验模式分解的风电场多时间尺度复合储能控制策略

储能装置在平滑风电功率波动、提升电能质量等方面具有重要的作用。目前常见的蓄电池、超级电容复合储能系统受制于成本因素而普遍容量较小,难以破解风电并网瓶颈。为此提出了一种由压缩空气、蓄电池与超级电容组成的多元复合储能系统,利用压缩空气储能容量大、成本低的优势,对风电功率"削峰填谷",有效提高电网消纳风电的能力。针对多元复合储能系统中多种储能装置的协调控制这一难题,在分析风能波动幅频特性基础上,提出了一种基于经验模式分解原理的多时间尺度复合储能功率协调控制策略,将风电场输出功率分解为多个不同波动时间尺度的子分量,根据各储能装置响应特性和储能成本重构子分量,生成对应目标功率,实现能量在不同储能装置间的优化分配。仿真算例验证了所提复合储能结构和控制策略的有效性。     

面向配电网优化运行的混合储能容量配置EI北大核心CSCD

为提高配电网对分布式光伏的消纳能力,实现主动配电网优化运行,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)的混合储能(hybrid energy storage system,HESS)容量优化配置方法。该方法首先获得光储系统参与配电网运行的最优出力与光伏实际出力之间的不平衡功率,将其作为混合储能的参考功率,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将不平衡功率分解为一系列固有模态函数(intrinsic mode functions,IMF),通过递归希尔伯特变换得到各IMF的瞬时频率-时间曲线,可有效避免传统HHT存在的模态混叠效应,提高瞬时频率的准确性。根据功率型和能量型储能的特性,以瞬时频率-时间曲线混叠最少为原则确定分频频率,采用功率型储能和能量型储能分别对不平衡功率的高频分量和低频分量进行平抑。最后,考虑充放电效率、荷电状态和全寿命周期成本,提出经济最优配置方案。     

面向配电网优化运行的混合储能容量配置

为提高配电网对分布式光伏的消纳能力,实现主动配电网优化运行,提出一种基于改进希尔伯特-黄变换(Hilbert-Huang transform,HHT)的混合储能(hybrid energy storage system,HESS)容量优化配置方法。该方法首先获得光储系统参与配电网运行的最优出力与光伏实际出力之间的不平衡功率,将其作为混合储能的参考功率,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将不平衡功率分解为一系列固有模态函数(intrinsic mode functions,IMF),通过递归希尔伯特变换得到各IMF的瞬时频率-时间曲线,可有效避免传统HHT存在的模态混叠效应,提高瞬时频率的准确性。根据功率型和能量型储能的特性,以瞬时频率-时间曲线混叠最少为原则确定分频频率,采用功率型储能和能量型储能分别对不平衡功率的高频分量和低频分量进行平抑。最后,考虑充放电效率、荷电状态和全寿命周期成本,提出经济最优配置方案。     

基于经验模态分解和神经网络的微网混合储能容量优化配置

提出一种针对独立微网的超级电容/蓄电池混合储能系统(HESS)的容量优化方法。运用经验模态分解技术,将一段记录完全的非平稳风功率分解成为若干固有模态函数(IMF)。在各固有模态函数的瞬时频率—时间曲线的基础上,通过"分频频率"将原始风功率分解成高频与低频2部分,并分别采用HESS中的超级电容和蓄电池来平抑风功率的高频、低频波动分量。平抑后输入负荷侧的功率平滑度可通过平滑度指标量化。采用神经网络模型优化HESS的容量,通过成本和平滑度指标之间的折中实现HESS的容量优化配置。基于某风电场实测数据的仿真实验验证了所提方法的有效性。     

基于MPGA的混合储能系统容量配置

风电功率的间歇与波动易引起局部电网的电压不稳、频率波动,影响了系统的电能质量及稳定性。针对此现象,将超级电容器与蓄电池组成快速储能装置,用于风电的功率波动平抑。首先,以风电并网要求为依据,对风电输出功率进行分解,得到满足要求的风电并网功率和需要混合储能功率平抑的功率;接着,根据储能介质的工作特性,制定超级电容优先充放电,蓄电池再进行充放电的协调控制策略,实现混合储能系统实时平抑风电功率的波动,同时发挥各储能介质的优势;针对传统遗传算法容易陷入局部收敛的缺陷,采用多种群遗传算法对混合储能容量进行优化配置。最后,通过仿真算例,验证混合储能控制策略和容量配置的有效性。     

基于经验模态分解与小波分析相结合的风电功率平滑控制

为了缓解风电功率输出的波动性对系统的影响,常用储能装置平滑风电的输出。合理配置储能装置容量的关键是确定风电场注入电网有功功率的参考值。当前计算风电场并网功率的参考值的主要方法,如低通滤波器平滑方法和频谱补偿法等,都存在着一定的缺陷。提出了一种采用经验模态分解与小波分析相结合的方法,能较好地分析原功率的特征,能更好地还原原有功率值,从而获得更为准确的风电并网功率的参考值。并在综合考虑电池储能的荷电状态、效率等情况下,采用仿真法得出储能装置容量的最低配置值。算例分析中,通过与传统的低通滤波平滑下的容量配置进行对比,验证了所提出方法的有效性和优越性。