计及新能源消纳的风力发电机械储能装置控制

孟子涵，胡 静，黄碧斌，冯凯辉

（国网能源研究院有限公司，北京 102209）

现阶段，全球能源需求迅速增长，对于环境污染、能源供求以及能源结构问题的讨论热度越来越高，大力开发绿色环保能源已成为社会共识，我国已将能源发展重点逐渐转移到以环保为核心的清洁能源上。风能作为新能源的一种，凭借其绿色环保、分布广泛、蕴量巨大等优势，受到各国的广泛关注。我国非常重视风能的开发，对于风电装机需求十分大。然而，在对风电进行大力开发的同时，风能的反调峰性、间歇性、随机性等问题对于电网的不利影响越来越突出，对电网的稳定运行与调度造成了严重干扰，成为了制约风电产业发展的问题。风力发电储能装置的价格比较昂贵，容量受限，大范围推广比较困难，需要尽量延长其使用寿命。在储能装置的运行中，需要严格控制储能装置的荷电状态，使其保持在安全范围内，因此需要制定风力发电储能装置的控制策略。对于风力发电储能装置控制问题的研究，已经吸引了众多学者，文献[1]设计了一种基于虚拟同步发电机的协调控制方法，文献[2]提出了基于超级电容器储能与转子动能的协调频率控制方法。但是以上方法在应用中存在储能越限问题，不能让储能装置荷电状态保持在安全范围内，本文提出了一种新型风力发电储能装置控制方法，实现储能装置的优化功率控制。

1 储能装置控制

1.1 储能装置2 阶RC 模型的参数改进

设计风力发电储能装置的改进2 阶RC 模型，在改进2 阶RC 模型中，通过控制电压源与固定电容的串联，保证风力发电储能装置的稳定性[3]。

改进的2 阶RC 模型由3 个支路构成，第一个支路是自放电电路，该电路的电阻为Rc。具体计算公式如下：

式中：E1表示储能装置额定电压；Iα表示漏电流[4]。

第二个支路是电压自调整支路，该电路主要包含电阻Ra和电容D1，能够对电压状态进行调整[5]。

电阻Ra的计算公式具体如下：

式中：χ1表示时间常数。

电容D1的计算公式如下：

式中：D2表示第三个支路的固定电容；D（s）表示储能装置端电压函数。

第三个支路是瞬时支路，该电路主要包含了电压源U1（f）、固定电容D2、等效内阻Rb，主要用于对充放电时风力发电储能装置的外部特性进行描述[6]。

电压源U1（f）主要考虑了储能装置端电压对于电容值的影响，其表达式如下：

式中：Ua表示U1（f）与D2的串联电压；s 表示储能装置端电压[7]。

当恒流充电时，固定电容D2满足以下公式：

式中：T 表示固定电容D2的带电量；Uc表示固定电容D2的电压；I1表示固定电容D2的电流[8]。

等效内阻Rb的计算公式具体如下：

式中：ΔG 表示充电瞬时电压突变 值；Iβ表示充电电流[9]。

就此完成风力发电储能装置充放电模型的构建，并根据构建模型实施风电功率超短期预测。

1.2 风电功率超短期预测

基于IGA-ANFIS 算法设计风电功率超短期预测模型，得到风电功率超短期预测结果，具体实现步骤如下：

（1）通过主成分分析对发电机数据进行降维处理，降低数据冗余度，提升模型计算速度，并避免发生过拟合情况；

（2）通过集合经验模态分解方法对降维后数据实施频域分解，降低数据的非平稳性，具体步骤如下：

步骤1：叠加白噪声序列（服从正态分布）与初始风电信号，构建一个新序列，用X（f）表示；

步骤2：求取X（f）的所有极值点，利用Spline插值方式获取X（f）的上曲线与下曲线，结果分别用K1（f）与K2（f）表示；

步骤3：令下式成立：

式中：g1（f）表示多个尺度本征模态函数分量[10]。当g1（f）不满足上式，重新执行上一个步骤，直到上式成立。

通过满足条件的g1（f）计算剩余分量，具体如下式：

步骤4：重复上述步骤对信号m1（f）进行分解处理，直至信号不能够进一步被分解，获取分解后的信号，具体如下式：

式中：gj（f）表示经过j 次分解后所得到的信号；δ 表示分级总次数；mj（f）表示经过j 次重构后的信号[11]。

重复执行以上步骤，以此获取IMF 分量，并计算其均值，将其作为初始风电信号对应的IMF 分量[12]。

（3）通过IGA-ANFIS 算法搭建构成风电功率超短期预测模型，该算法结合了改进遗传算法（IGA）和模糊推理系统（ANFIS），使预测模型能够更好地实现样本特征适应，预测模型具体如下式：

式中：Qq，j（v）表示v 时刻第j 个预测结果[13]。

1.3 储能装置控制

分析功率变化对风力发电储能装置充放电功率的影响，根据超短期预测结果和实际2 阶RC 模型荷电状态计算功率。结合功率计算结果调整SOC合理区域、预过充区域、预过放区域、过充区域以及过放区域[14]的充放电功率，实现风力发电储能装置控制。功率计算公式如下：

式中：Pi表示全网负荷功率；Pj表示风力发电机2 阶RC 出力；Pk表示预测接入功率。

基于功率情况，对SOC 合理区域内的新能源进行充分消纳，对其按照实际功率实施充放电，进行调整，其功率情况具体如下式：

式中：Na（z）表示调整后储能装置的功率；NA（z）表示储能装置原始功率；NAmin表示储能装置的最小功率；NAmax表示储能装置的最大功率[15]。

对于预过充区域，为使新能源能够被充分消纳，以实际荷电状态和功率计算结果为依据，不调整其放电功率，但需要限制其充电功率。选用功率限制函数对充电功率进行降低。调整后其功率情况具体如下式：

式中：ζ（NA（z））表示Na（z）的功率限制函数。

对于预过放区域，由于该区域的SOC 水平较低，为使新能源能够被充分消纳，以实际荷电状态和功率计算结果为基础设置放电功率调整策略。调整后其功率情况具体如下式：

对于过充区域，为使新能源能够被充分消纳，结合新能源功率对于该区域功率变化进行调整，这一过程中功率情况具体如下式：

对于过放区域，为使新能源能够被充分消纳，以实际荷电状态和新能源功率计算结果为依据对正常功率实施充电，而不进行放电。调整后其功率情况具体如下式：

通过以上控制策略实现风力发电储能装置各区域的控制。

2 算例分析

2.1 实验方法设计

选取某风电场某日的600 个样本点，对设计的计及新能源消纳的风力发电储能装置控制方法的应用效果进行分析。根据样本点数据构建该日储能装置充放电模型，通过设计的预测模型实施该风力发电功率超短期预测。实验所用风力发电储能装置如图1 所示。

图1 实验所用风力发电储能装置Fig.1 Wind power energy storage device used in the experiment

首先实施数据降维处理，此时风电数据的贡献率与特征值具体如下：

（1）风速：贡献率：39.52；特征值：2.5866；

（2）温度：贡献率：25.47；特征值：1.5247；

（3）风向：贡献率：19.52；特征值：0.9451；

（4）湿度：贡献率：15.47；特征值：0.8695；

（5）气压：贡献率：3.62；特征值：0.3587。

由于湿度、风向、温度、风速的贡献率都大于10%，选取这4 个变量当做后续预测模型的输入。

通过EEMD 对降维处理后的数据实施频域分解，其中风速的分解情况如图2 所示。

图2 EEMD 风速分解结果Fig.2 EEMD wind speed decomposition results

其中图2（a）是原始风速信号，图2（b）、图2（c）、图2（d）表示3 个IMF 信号，图2（e）是剩余分量。说明利用本文方法能够将信号分解为多个不同的分量，分解效果好。

根据湿度、风向、温度、风速的EEMD 分解结果，通过IGA-ANFIS 算法对风电功率进行预测，预测结果如图3 所示，预测周期为24 h。

图3 预测结果Fig.3 Prediction results

最后利用设计的储能装置控制策略调整其5个区域的充放电功率，实现风力发电储能装置控制。

2.2 测试结果分析

测试指标为实际并网功率的MAE、RMSE 降低情况以及储能装置的越限时间。

2.2.1 实际并网功率指标的MAE、RMSE 降低情况

首先测试3 种方法相较于不进行控制也就是普通运行情况的并网功率指标的MAE、RMSE 降低情况。具体测试情况如图4 所示。

图4 实际并网功率指标测试结果Fig.4 Test results of actual grid connected power indicators

根据上图的测试结果可知，相较于普通运行情况，所提方法并网功率指标的MAE、RMSE 降幅最大，降幅值均在0.1 kW 上下浮动。而文献[1]方法、文献[2]方法相较于普通运行情况，并网功率指标MAE、RMSE 也有一定程度的降低，但降幅值均低于所提方法。说明该方法能够进一步实现计划功率偏差的降低，能够令风力发电储能装置保持较好的荷电状态。

2.2.2 越限时间测试情况

测试3 种方法的在24 h 内的越限时间，测试结果如表1 所示。

表1 越限时间测试结果Tab.1 Results of time out of limit test

测试结果表明，所提方法能够有效避免风力发电储能装置的储能越限，在采样点数量不断增长的情况下，其越限时间一直为0，而文献[1]方法、文献[2]方法均存在越限情况，并且越限时间比较长，说明所提方法有利于提升风力发电储能装置的工作年限，实际应用效果好。

3 结语

风力发电储能装置为风电并网质量的提高提供了一个契机，控制风力发电储能装置对于储能装置利用效率的提升有重大意义，因此设计了一种计及新能源消纳的风力发电储能装置控制方法，实现了储能装置不越限自动化控制的同时，降低了并网功率指标，有效解决了当前方法存在的并网功率指标的MAE、RMSE 降幅小，且储能越限问题严重的问题。但是在实验中并未对该方法的风力发电储能装置控制效率进行验证，所以实验设计还存在一定的缺陷，因此下一步需要对该方法的风力发电储能装置控制效率进行检验，以此改善该方法存在的不足之处，最大程度提升风力发电储能装置控制效果。