基于FCM小波算法风电混合储能系统的优化配置

刘伟， 王佳琪, 梁新兰， 姚国斌

(1.东北石油大学 电气信息工程学院，黑龙江 大庆　163318； 2．中国石油天然气管道局 天津设计院，天津　300457)



基于FCM小波算法风电混合储能系统的优化配置

刘伟1， 王佳琪1, 梁新兰2， 姚国斌1

(1.东北石油大学 电气信息工程学院，黑龙江 大庆163318； 2．中国石油天然气管道局 天津设计院，天津300457)

风电作为新型能源近年来应用越来越广泛，但是其输出功率波动性与随机性会给电网中注入冲击，影响其应用。通过增加储能系统对风电输出功率波动进行平抑是近年来常用的方式。在常用的蓄电池和超级电容构成的混合储能系统的基础上对其进行储能功率的配置优化，以全周期寿命经济效益作为优化目标，通过模糊聚类小波算法对其进行优化，以减少冲击电容的开关次数增加蓄电池的利用效率。最后，通过MATLAB仿真比较验证所提出的配置优化效果具有一定优势。

混合储能；全寿命周期；模糊聚类小波算法；配置优化；MATLAB

0　引　言

风电场在供电过程中，由于受到天气和地理条件的影响，其输出功率具有明显的波动性和随机性。并网运行时，风电输出功率会给电网电能质量带来干扰，随着我国风电并网的规模的逐年增加，风电容量不断扩大，其输出功率的抑制需求日益明显[1]。

平抑风电功率输出波动的方式通常采用在入网处增加储能系统，储能系统能够快速吸收和释放能量。储能系统平抑原理是：当风电场输出功率超过电网平稳运行功率值时，储能系统工作在充电状态，将多余的电能进行存储，降低风电输出功率；当风电场输出功率小于运行功率值时，储能系统工作在放电状态，补偿功率差额。

储能系统有多种构成形式，由于单一储能系统的平抑效果与经济性较混合系统由明显的劣势，故实际中常采用混合储能系统[2]。如果混合储能系统在工作中容量配置不合理，会大大降低系统的经济性，缩短储能元件的使用寿命，降低系统的稳定性，所以合理的配置储能容量是储能系统发挥作用的首要条件。本文在蓄电池-超级电容组成的混合储能系统中针对超级电容的荷电状态进行分类研究，结合利用模糊聚类小波算法对混合储能系统进行优化配置，使得超级电容的开关次数减少，增加储能系统的应用效率，优化风电运行的经济性能。

1　混合储能系统

1.1混合储能系统结构及工作原理

本文针对研究的混合储能系统如图1所示，混合储能系统由储能蓄电池及超级电容组成，两组储能机构采用并联连接形式[3]。通过电路变换实现对储能系统充放电工作状态的控制，从而实现对风电输出功率的平抑。其中电池储能系统通过逆变器直接接入电网母线，超级电容储能系统通过DC/DC控制器控制充放电，再经逆变器接入母线。通过检测电池的荷电状态以及两组储能机构的功率值，通过模糊聚类小波算法对数据进行分解分析，确定配置功率与容量，实时控制DC/DC和DC/AC变换器的控制开关，通过优化储能配置可以降低超级电容的充放电次数，提高电池的利用率[4]。

图1　风电混合储能系统结构图

1.2混合储能系统配置策略

本文选用的是蓄电池与超级电容构成的混合储能系统，蓄电池与超级电容的模型表达式如式(1)所示。

(1)

式中m，n分别为电池组数目与电容器组数目；Cb，Ub，Cc，Uc分别为单组电池的额定电压、额定容量与单个电容器的端电压、电容值。

为考虑蓄电池的使用寿命，本文引入能量缺失率Llpsp(lose of power supply probability)，即能量缺失总量Elps与电网需求总量Egrid的比值，作为表征系统能量是否缺额，系统所处配置区间的标志[5]。

(2)

式中T为采样周期；t为单次采样时间。由风电输出功率的不确定性不连续性的特点，提出储能系统的配置优化策略：

(1) 当电网实际功率与风电场输出功率的差值Plack小于储能系统额定输出功率Phessm，且电池储能释放能量Ebs小于电池储能能量的最小值Ebsmin时，说明储能系统可以补充功率缺损，且没有能量损失，此时储能系统的功率配置应为：Phess=Plack/ηe。其中ηe为储能系统充电效率；

(2) 当电网实际功率与风电场输出功率的差值Plack小于储能系统额定输出功率Phessm，且电池储能释放能量Ebs大于电池储能能量的最小值Ebsmin时，说明储能系统放电至最小容量时停止，且有能量缺失，此时储能系统的功率配置应为：Phess=Plack/ηe，能量缺失总量为：Elps=Plack(t-t0)。其中t0=(Ebs-Ebsmin)ηd/Phessm；

(3) 当电网实际功率与风电场输出功率的差值PPlack大于储能系统额定输出功率Phessm，且电池储能释放能量Ebs小于电池储能能量的最小值Ebsmin时，说明储能系统放电至最小容量，储能系统的功率配置应为：Phess=Phessm。其中ηe为储能系统充电效率，能量缺失总量为：Elps=(Plack-Phessmηe)·t；

(4) 当电网实际功率与风电场输出功率的差值Plack大于储能系统额定输出功率Phessm，且电池储能释放能量Ebs大于电池储能能量的最小值Ebsmin时，说明储能系统放电至最小容量时停止，此时功率缺损仍存在，且有能量缺失，此时储能系统的功率配置应为：Phess=Phessm，能量缺失总量为：Elps=(Plack-Phessmηe)·t0+Plack(t-t0)。其中t0=(Ebs-Ebsmin)ηd/Phessm。

1.3混合储能系统配置目标

由于风电储能系统的应用特性，选用全寿命周期成本作为配置优化目标。IEC60300-3-3规定设备的全寿命周期内费用包括从规划、设计、制造、安装、使用、维修和废弃的整个生产的费用。主要分为购买费用、使用费用和处理费用。随着使用时间的增长，购买费用所占权重有所下降，使用费用权重增加[6]。为了增加经济性，对于使用寿命的较长的储能系统初始购买价格可不再考虑范围内。因此储能系统配置优化的目标函数为:

minC=Coc+Cmc+Cdc

(3)

式中Coc为运行费用；Cmc为维护费用；Cdc为处理费用。

综合考虑本文所述系统的运行要求与储能系统运行要求，得到优化配置的约束条件为:

(4)

1.4基于模糊聚类小波算法的优化配置

FCM(Fuzzy means clustering)算法是Ruspini在Zadeh模糊数学理论的基础上引入聚类分析得到优化智能算法，其采用自动对样本进行分类，通过最小化目标函数进而确定每个样本对类中心隶属度，进而确定所属类别[7]。FCM的目标函数的一般形式为:

(5)

由拉格朗日乘法可知，上式分别对未知量求偏导并令偏导数为0，则得到满足上式最小值的必要条件是：

(6)

由上述可知，FCM算法的核心在于对聚类中心矩阵ci和模糊隶属度矩阵uij的估计，且参数之间存在耦合关系，故采用AO迭代交替算法对其进行求解[8]。但由于FCM的参数初始值确定具有不确定性，会导致最终迭代计算的局部最优和非均衡现象的缺点，再次本文将具有良好局部化和度分辨率从特性的小波变换引入FCM算法中。对于给定的风电功率信号Pw，以尺度函数为低通滤波器，小波函数为高通滤波器，通过离散小波变换将原始信号分为低频与高频信号，即Pw=LESS+Hcap。将分解的信号分别通过迭代的FCM算法进行隶属度分类，通过对几组风电输出功率信号进行采集和模糊聚类计算，其中高频部分采用响应速度快寿命长但处置总能量较小的超级电容进行平缓；低频部分采用大容量的蓄电池进行抑制波动。最终确定电容器与电池的配置功率，再根据配置策略确定配置容量。本文提出的基于模糊聚类小波算法优化配置的流程图如图2所示。

图2　基于模糊聚类小波算法优化配置的流程图

本文在结构简单复杂度低的FCM算法初值选取中引入小波变换，依据储能系统的特点分配迭代计算的配置初值，减少了算法的运行时间，依据配置策略对模糊隶属度函数进行分段处理，通过利用模糊聚类迭代计算，减少与类中心矩阵的距离，使得目标函数的取值最小化，满足功率的合理分配，得出最后配置容量，达到储能系统的配置优化要求。

2　仿真验证

为验证本文所提出的配置优化的效果，在MATLAB R2010b的环境中对本文所述的混合储能系统的容量优化方法进行编程，最后通过算例系统进行验证。其中，设定风电发电场总装机容量为9 MW，电网额定调度功率为6 MW，逆变器效率为0.95，发电系统能量缺损率最大值LLSPmax为0.06[9]。为所述的发电厂系统进行容量配置，使得总费用目标函数值最小。其中电池系统与超级电容系统的详细参数如表1所示。

表1　电池系统与超级电容系统的详细参数

图3　三条典型风场功率图

图4　Case1下小波分解的超级电容与电池的分量图

从某风电场历史运营数据中，抽取3条具有季节代表性的功率波形进行分析，如图3(a)所示，通过MATLAB小波变换工具对其进行信号分解，由波形所在频率区间界定1.0×10-3Hz。其中以第一算例为例，图4给出小波分解的电池与超级电容的分量图。

根据上文所述的计算过程，经过编写的算法程序计算，得到不同算例下的配置结果如表2所示。三个算例对应的迭代曲线如图5所示。

图5　不同算例对应的迭代曲线图

算例ES功率/MWES配置容量/kW·hUC功率/MWUC配置容量/kW·hCase11.922955.10.78127.5Case22.462968.20.85120.1Case32.354145.21.21122.6

通过上述的仿真结果比较可得，随着风电场的不同变化，配置参数会发生相应的调节，当风场数值变化幅度较小时，储能系统给配置的容量较小；当风场数值幅度变化较大，配置容量相应增加。小波算法很好地将不同储能机构所需的功率信号进行分解，大大缩短了模糊聚类控制的计算时间。将本文所采用的配置方式与传统方式在相同的储能系统上进行比较，以case1风电信号为例，得到最终的配置参数如表3所示。

上述表格更为直观的从目标函数的最终取值得出本文所采用的基于模糊聚类小波算法的配置优化算法具有更优的配置优化结果。满足了系统的经济效益，混合了不同储能机构的优点，比单独储能系统更加具有应用价值[10]。结合了两种智能算法的优点，保障准确性的同时，缩短了计算时间。

表3　不同配置方式的比较

3　结束语

风电作为新型能源近年来应用越来越广泛，但是其输出功率波动性与随机性影响其应用。本文在常用的蓄电池和超级电容构成的混合储能系统的基础上对其进行储能功率的配置优化，通过对储能系统荷电状态的分析得出配置策略，进一步再以全周期寿命经济效益作为优化目标函数，储能系统的容量功率范围作为约束条件，通过模糊聚类小波算法对其进行优化计算，利用小波变换实现对电池与超级电容器不同机构的配置信号提取，采用模糊聚类迭代算法对其进行功率容量配置计算。通过MATLAB仿真比较三种典型风电场算例下配置计算结果，并与传统配置方法进行经济性比较，验证所提出的配置优化效果具有一定优势。

[1] 江润洲，邱晓燕，陈光堂. 风电场混合储能系统优化配置方法[J]. 电力系统及其自动化学报, 2015，27(1)：37-48.

[2] JIA HONGXIN,FU YANG,ZHANG YU,et al. Design of hybrid energy storage control system for wind farms based on flow battery and electric double-layer capacitor[C]//Asi-a-Pacific Power and Energy Engineering Conference.Chengdu，China：2010.

[3] 马速良，蒋小平，马会萌，等. 平抑风电波动的混合储能系统的容量配置[J]. 电力系统保护与控制, 2014，42(8)：108-114.

[4] HENSON W. Optimal battery/ultracapacitor storage combination [J]. Journal of Power Sources,2008，179(1)：417-423.

[5] 朱向芬. 基于粒子群算法的混合储能系统容量优化配置[D]. 银川：宁夏大学，2014.

[6] 向育鹏，卫志农，孙国强，等. 基于全寿命周期成本的配电网蓄电池储能系统的优化配置[J]. 电网技术,2015，39(1)：264-270.

[7] 张坤，吴建东，毛承雄，等. 基于模糊算法的风电储能系统的优化控制[J]. 电工技术学报,2012，27(10)：235-241.

[8] 程世军. 风电场储能系统的优化配置及运行研究[D]. 北京：华北电力大学，2014.

[9] 洪海生. 应用于平抑风电功率波动的多类型储能系统容量配置与协调控制研究[D]. 杭州：浙江大学，2013.

[10] WEI LI,GEZA JOOS. Comparison of energy storage system technologies and configurations in a wind farm[C]// Power Electronics Specialists Conference,Orlando，FL，2007:1280-1285.

Configuration Optimization of Wind-power Hybrid Energy Storage System Based on Fussy Clustering Wavelet Algorithm

LIU Wei1，WANG Jia-qi1, LIANG Xin-lan2, YAO Guo-bin1

(1.College of Electrics and Information Engineering, Northeast Petroleum University, Daqing, Heilongjiang 163318, China；2. Tianjin Design Institute, China Petroleum Pipeline Bureau, Tianjin 300457, China)

As a new type of energy, wind power finds more and more application in recent years, but its output power fluctuation and randomness may inject impact into the power grid, thus affecting its application. It is a common practice in recent years to strengthen stabilization of output power fluctuation through the energy storage system. In this paper, based on the ordinary mixed storage system consisting of the battery and super-capacitor, configuration of energy storage power is optimized through the fussy clustering wavelet algorithm, aiming at higher economic benefit of the whole life cycle, so as to reduce the number of on-off times of the impact capacitor and to increases the battery utilization efficiency. Finally, MATLAB simulation and comparison verify that the proposed configuration optimization has certain advantages.

hybrid energy storage;whole life cycle;fussy clustering wavelet algorithm; configuration optimization;MATLAB

10.3969/j.issn.1000-3886.2016.02.010

TM763

A

1000-3886(2016)02-0025-03

刘伟(1971-)，男，黑龙江宾县人，东北石油大学电气信息工程学院教授，博士，主要从事电机控制技术研究等；

王佳琪(1989-)，女，吉林人，硕士生;主要研究电力系统的优化与配置。

定稿日期: 2015-09-14