田博文 张志禹 杨梦飞
基于多次滑动均值滤波的混合储能功率分配与定容研究
田博文 张志禹 杨梦飞
(西安理工大学电气工程学院 西安 710048)
为了解决混合储能系统功率分配时因模态混叠导致功率分配不精确、储能系统成本过高的问题,提出一种多次滑动均值滤波(MMAF)的功率分配方法用于削弱模态混叠现象,降低混合储能成本。首先,获取满足平抑要求的混合储能最小总功率指令,采用MMAF算法对其进行滤波,获得蓄电池与超级电容各自的功率指令,引入Pearson相关系数量化模态混叠现象,作为判断滤波次数和每次滤波滑窗大小的指标,将蓄电池和超级电容各自的功率指令作为储能定容的可行域,考虑电池荷电状态约束求取储能适配的最小额定功率和额定容量;然后,基于等效运行时间建立蓄电池全寿命周期量化模型,为经济性分析提供依据;最后,以改进的混合储能全寿命周期成本模型验证了该文方法可以有效地限制模态混叠,降低混合储能系统成本。
混合储能 功率分配 模态混叠 多次滑动均值滤波(MMAF)算法 蓄电池全寿命周期量化模型
高比例风电接入电网,由于其自身的波动性和随机性会对电力系统造成冲击[1]。储能设备对电能具有时空转移和灵活调度的能力,在风电场侧配置储能设备是解决风电波动的一个可行方案[2-3]。蓄电池作为能量型储能的代表具有储能能量密度大、存储能力强等特性,但由于其存在功率密度小、使用寿命短等缺陷,不宜高频率地切换充放电状态[4-5]。超级电容作为功率型储能,具有功率密度大、响应时间短、使用寿命长等优点[6-7]。将二者结合组成的混合储能系统可以形成优势互补[8-9],克服单一储能的劣势,提高风电平抑效率[10]。但是如何将混合储能总功率精确地分配给蓄电池和超级电容却是一个亟须解决的问题。混合储能总功率分配不准确引起混合储能系统定容不合理从而导致混合储能系统成本高的问题成为阻碍储能行业发展的重要因素[11-13]。如何通过精准分配混合储能总功率来合理定容以实现经济效益最大化已成为近年来众多学者研究的重大课题[14-16]。
国内外研究人员针对上述问题开展了许多研究,得到了一些结论。文献[17]采用经验模态分解(Empirical Mode Decomposition, EMD)对混合储能总功率进行分析,按照不同的截止频率将总功率分配给蓄电池和超级电容。但EMD分解后各模态易发生混叠且分解过程中易存在噪声,这对后续混合储能的经济性分析十分不利。为了限制模态混叠,文献[18-19]提出了基于变分模态分解(Variational Modal Decomposition, VMD)的频域分析方法用于对混合储能总功率进行分解。虽然VMD在一定程度上限制了模态混叠,但其并不能在所有非平稳信号上直接使用,且分解层数的选择有较大的主观性,因此文献[20]提出了一种采用智能算法对VMD参数寻优的混合储能功率分配策略。这种方法在一定程度上克服了VMD参数选取的人为性,但寻优算法无法保证优化所得的参数是全局最优解,进而也无法判断是否最大化地避免了模态混叠。文献[21-23]则直接从储能定容入手,建立风光储系统,以经济成本为目标探究了不同场景下混合储能定容配置问题。文献[24]基于合作博弈建立了共享储能的运行机制,分析了不同合作模式下的收益,以此规划储能的容量配置。文献[25]通过模型预测控制(Model Predictive Control, MPC)建立了混合储能动态功率分配策略并获得了较好的功率分配效果。文献[26]利用动态小波对混合储能系统功率进行分配,克服了传统小波不能根据时序自适应地调整小波参数的局限性,但并没有对动态小波分解后各模态是否发生混叠做进一步分析。文献[27]改进了一阶低通滤波器,在功率分配之前加入判断指令以减少因模态混叠使混合储能功率误分配的情况。
尽管已经有众多研究人员针对此类问题进行探究,但现阶段仍存在如下问题:①在对混合储能总功率分配时缺少可以量化模态混叠的指标;②由于风电出力的不确定性,现有功率分配方法并不能对所有非平稳信号都有较好的分解效果。
滑动均值滤波(Moving Average Filtering, MAF)因其原理简单、适用性强的优势近年来被广泛应用于平滑风功率波动中[28]。本文提出一种基于多次滑动均值滤波(Multiple Moving Average Filtering, MMAF)的混合储能系统功率分配方法及定容策略。首先,获取混合储能总功率指令,通过MMAF对混合储能总功率进行分解,同时引入Pearson相关系数判断滤波次数与滑窗大小,根据功率分配结果对混合储能系统进行定容;然后,基于等效运行时间建立了蓄电池全寿命周期量化模型,为混合储能经济性分析提供理论依据;最后,通过改进的混合储能全寿命周期成本(Life Cycle Cost, LCC)模型验证了本文方法能够更好地量化并限制模态混叠,降低混合储能系统的综合成本。本文的整体框架如图1所示。
用于平滑风功率波动的混合储能系统结构拓扑如图2所示,其功率流关系为
式中,Bat为蓄电池的有功出力;Cap为超级电容的有功出力;H为混合储能的有功出力;W为风电原始功率;G为风电并网功率。
图2 平滑风功率的混合储系统结构拓扑
为了平抑风电并网功率波动,以混合储能系统作为研究对象。在求解混合储能总功率指令H时将混合储能系统(Hybrid Energy Storage System, HESS)看作整体,不考虑蓄电池与超级电容各自的运行状态,通过定义式(3)~式(9)所示的多目标函数获取满足平抑要求的HESS最小出力指令。
1)目标Ⅰ:功率波动绝对值均值
2)目标Ⅱ:储能充放电总能量
式中,H为混合储能在整个控制周期内吞吐能量的总值。
3)目标Ⅲ:储能出力能力评价系数
式中,SOC()为时刻混合储能的荷电状态。
4)目标Ⅳ: 储能进入死区时间
式中,D为控制周期内储能装置由于荷电状态(State of Charge, SOC)越限而无法吞吐能量的时间,即死区时间;SOCmax和SOCmin分别为储能电池荷电状态的上限和下限。
上述四个目标函数均会影响HESS的运行状态。通过多目标哈里斯鹰算法(Multi Objective Harris Hawks Optimizer, MOHHO)[29]求取在四个目标值最小时的HESS总功率指令H,为后续分析如何将HESS总功率指令分配给蓄电池与超级电容以实现混合储能系统成本最低提供数据基础。
近些年常见的储能功率分配方法有EMD、VMD等。这些方法普遍存在的问题是信号分解层数需要依靠经验判断,主观性较强,分解后所得各模态的频谱时常发生混叠,对功率分配及储能设备的健康运行极其不利。针对上述问题,本文借鉴模态分解中“多层分解”的思想,采用MMAF对混合储能总功率指令进行多次滤波,同时引入Pearson相关系数作为判断滑窗大小与滤波次数的一项重要指标,避免主观地选择滤波参数,以达到最大程度抑制模态混叠的目的。
MAF本质属于低通滤波,因其原理简单,易于实现等优点,被广泛应用于信号处理领域。将混合储能总功率指令作为输入信号,通过MMAF可以获得相应的低频分量和高频分量。本文重点对每次滤波后获取的低频分量进行处理,最大限度地剔除混杂在低频分量中的高频分量。取最后一次滤波所得低频分量作为蓄电池的功率指令,总功率指令与最终所得的低频分量做差即可得到高频分量,以此作为超级电容的功率指令。MMAF算法功率分配原理如图3所示。
图3 MMAF算法功率分配功率原理
2.2.1 滑窗大小的确定
2.2.2 滤波次数的确定
储能定容包括对储能电池额定功率与额定容量的配置。储能定容方案的合理性及精确性直接影响其经济性。本文以获取的蓄电池与超级电容各自分配的功率指令为基础,综合考虑储能电池荷电状态的限制,分别对蓄电池与超级电容进行定容规划。定容策略框架如图4所示。
图4 混合储能定容策略框图
同理超级电容的最小额定功率配置方式为
储能容量反映的是储能设备吞吐电量多少的能力。储能设备某一时刻剩余容量占额定容量的百分比用荷电状态表征,有
基于式(19)可分别建立储能电池充放电时SOC的动态递推关系式。
在储能电池正常运行的过程中,其额定容量的最小值应满足任意时刻的能量吞吐需求,同时还要满足SOC的约束关系,即
将式(20)代入式(21)中可得
通过式(22)可求解出充电过程与放电过程中储能额定容量的取值范围,即
在储能电池的充电(放电)过程中,其SOC逐渐上升(下降),如若要满足式(21)的约束,则充、放电过程中储能的额定容量均应满足不等式(23)中的最小值,即
在实际过程中,储能电池的额定容量既要满足充电过程的容量需求,又要满足放电过程中的容量需求,因此取式(24)的最大值作为最终确定的储能电池额定容量,即
基于上述分析和理论推导可知,蓄电池和超级电容的最小适配额定容量分别为
本文以铅酸电池作为电化学储能的代表,建立电池全寿命周期量化模型。由于超级电容的循环次数一般为几十万次到几百万次,远远超过蓄电池的循环次数,因此本文将超级电容的使用寿命设为固定值。一般的蓄电池实际循环次数由式(27)的Gaussian寿命函数进行拟合。
传统的蓄电池循环寿命模型由放电深度的幂函数拟合,即
传统模型以最大放电深度下对应的循环次数代替蓄电池运行周期内的全部循环次数,模型的精确性有待提高[30]。为此,本文提出一种新的蓄电池储能全寿命周期量化模型。由面向事件的蓄电池寿命模型(式(30))可知[31],电池实际放电量在使用中实时变化且不易准确测量,而电池循环次数一般由生产厂家直接提供,相对较为准确,因此可采用循环次数代替其中的电池放电量,得到在每一时刻实际放电深度下对应的循环次数(式(31))。
折算后的蓄电池寿命模型不仅考虑了循环次数对电池寿命折损的累加效应,而且克服了传统模型中用最大放电深度下的循环次数代替全寿命周期循环次数的局限性。
故在蓄电池的运行周期内,其实际循环寿命可通过对等效循环次数求和,以等效运行时间表示为
为了提高所建蓄电池储能全寿命周期量化模型的鲁棒性,现对模型做如下假设:
(1)假设蓄电池储能所处密闭空间内的温度和湿度均恒定。
(3)假设蓄电池储能的充放电效率在运行过程中保持不变。
(4)假设蓄电池储能不发生自放电现象。
传统的混合储能LCC模型中电池维护成本通常为
在电池年维护成本中添加“电池维护成本增量”这一因子,用来描述每隔十年由于电池不断老化的累积效应所带来维护成本的非线性增加现象,以便更加符合储能电池在实际运行过程中的情况,提高LCC模型的可实用性。
改进后的混合储能LCC模型各部分表达式如下。
1)蓄电池年综合成本
2)蓄电池年维护成本
3)超级电容年综合成本
4)超级电容年维护成本
结合式(36)~式(39)可得混合储能系统全寿命周期成本为
本文以某100 MW级风电场一天的连续风电功率数据为实验数据,采样时间间隔为1 min,共1 440个采样点。获得满足在风电平抑要求的混合储能总功率指令序列如图6a所示,平抑后风电并网功率波动如图6b所示,满足我国GB规定的100 MW风电场1 min有功功率波动最大值不得超过10 MW的限制。储能系统相关参数见表1[32]。
图6 混合储能总出力与平抑效果
图6a展示了不同算法对混合储能总功率指令的求取结果。可以看出,MOHHO算法相较于MOPSO算法可以获得更小的储能出力,因此本文后续均以MOHHO算法获得的混合储能总功率指令进行分析与讨论。
图6b展示了风电并网功率波动情况。从中可以看出,未经平抑的风电并网功率部分时刻的波动值已经超出10 MW,经过HESS平抑后的风电并网功率波动有了明显减小,且1 min内波动均未超过 10 MW,符合我国相应风电场装机容量GB规定的1 min风电有功功率并网波动要求。
表1 储能相关参数
Tab.1 Relevant parameters of energy storage
MMAF滑动窗口大小及滤波次数的不同对模态混叠程度均有直接影响,继而蓄电池和超级电容所分配的功率指令就会有相应的变化,影响储能电池的使用寿命及最终混合储能额定功率和容量的配置。
为了尽可能地避免模态混叠,本文通过引入Pearson相关系数作为判断最优滑窗大小与最优滤波次数的一项指标。在不断增大滑窗大小时,取相关系数最小时对应的滑动窗口作为当前滤波的窗口大小,直至将遍历完全。获取了最优滑窗大小之后,再对滤波次数进行遍历,求出每次滤波后的低频分量与高频分量的Pearson相关系数。
图7 滤波次数和滑窗大小与不同类相关系数间的关系
图8a展示了混合储能总功率指令的频谱图。从中可以看出未,经分解的HESS总功率频谱较为杂乱,高低频混杂在一起,这对混合储能系统的使用寿命和经济性十分不利。
图8 混合储能系统功率指令频谱关系
5.2.1 HESS总功率指令的分配结果
图9 MMAF蓄电池与超级电容的功率指令
图10展示了在本文所提MMAF方法下蓄电池在一个调度日内的实际放电深度。
图10 MMAF蓄电池放电深度变化
从图10可以看出,蓄电池在整个调度日内的最大放电深度仅为15.2%,所有时段的放电深度均在25%以下,处于浅循环放电状态。电池的浅循环放电状态可大大增加蓄电池的使用寿命,从而降低了因寿命问题而更换储能电池所带来的额外成本。
5.2.2 混合储能的定容优化结果
我国多个省市发布最新相关文件,明确新能源整体配储标准:每100MW风电场按不低于其装机容量的10%~20%配建储能系统。但由于地理位置差异等因素,导致有些风能资源匮乏的地区并不需要建设与标准等规模大小的储能设备,否则会使得混合储能系统整体的经济性较差。
对上述问题本文采取了针对性的混合储能定容优化方案。为了检验本文所提方案的有效性及建立蓄电池储能全寿命周期量化模型的准确性,分不同场景对比了不同储能组合方案下储能设备的使用寿命与储能的LCC;对比了本文定容方法与标准配置方案下的经济性差异,结果见表2与表3。
表2 MMAF实验结果
Tab.2 Experimental results of MMAF
表3 单一储能实验结果
Tab.3 Single energy storage experiment results
按照规定,本文算例中100MW风电场应配置10 ~20MW∙h的储能。表2的实验结果得出满足当前混合储能总功率指令要求的最小定容参数,表明蓄电池和超级电容的额定功率和额定容量并不需要按标准配置即可满足当前的总平抑功率指令需求,避免了因储能配置与实际情况不适配而导致的经济性差的现象。验证了本文提出的混合储能总功率指令分配方法与定容策略高度匹配。
为了更好地说明混合储能系统在响应功率指令时较单一储能有更显著的经济性,本文使蓄电池与超级电容分别各自响应混合储能总功率指令。在“单一储能实验”这组对比实验中,储能按照风电场装机容量的20%进行定容。
通过表2和表3两组实验结果对比可知相较于单一储能,由蓄电池和超级电容组成的混合储能系统全寿命周期成本最优,LCC相比于单蓄电池和单超级电容分别降低了60%和90%;使用单一超级电容储能进行功率指令的响应时经济性最差,这是由于超级电容的单位容量成本过高导致;使用单一蓄电池储能进行功率指令的响应时经济性也较差,而且相比较于混合储能系统,蓄电池的等效运行时间从19.9降至6.5。这是由于在使用单一蓄电池储能响应功率指令时蓄电池充放电深度增加,频繁地进行充放电状态切换,大大影响了其使用寿命,最终导致了成本的升高。
为了进一步说明本文MMAF方法多次滤波对降低混合储能经济性的显著性,现对混合储能总功率指令只进行一次MAF分析混合储能的LCC,以此验证本文多次滤波的必要性,结果如图11、图12、表4所示。
结合图11和表4的实验数据可以看出,只经过一次MAF获取的蓄电池和超级电容功率指令由于存在模态混叠,使得原本应分配给超级电容的功率指令分配给了蓄电池。如图11中480 min和1 000 min时,蓄电池分得的功率指令明显高于图9中对应时刻的功率指令,而图11中超级电容此刻对应的功率指令要比图9中小很多。与表2的实验数据相比,由于存在模态混叠现象,蓄电池响应了部分高频分量指令从而影响了其使用寿命,致使其等效运行时间从19.9减少至19.2。图11展示了单次MAF蓄电池放电深度变化情况。需要说明的是由于混合储能总功率指令在1 440min的信号不含高频分量的原因才导致了通过MAF方法与MMAF方法得到的蓄电池最大放电深度相同。另外通过图10与图12对比分析可以看出,其余采样点时单次MAF时蓄电池的放电深度普遍要高于MMAF时蓄电池的放电深度,这也是导致单次MAF蓄电池寿命减少的一个原因。此外由于MMAF模态混叠程度较MAF时有了大幅削弱,因此LCC也从566.2万元减少至565.2万元,验证了本文MMAF方法降低混合储能成本的必要性。
图11 单次MAF蓄电池与超级电容的功率指令
图12 单次MAF蓄电池放电深度变化
表4 单次MAF实验结果
Tab.4 Single MAF experiment results
为了说明MMAF方法较其他方法的优势,将本文混合储能功率分配方法与EMD、VMD、小波变换方法进行比较,得到如图13所示结果。
不同功率分配方法下HESS成本见表5。通过所有实验结果横向比较可以看出,本文MMAF方法比EMD方法获取的混合储能LCC降低了87.6%、比VMD方法获取的LCC降低了3.3%、比WT方法获取的LCC降低了56.8%。证实了本文提出的MMAF方法在功率分配时能够更好地削弱模态混叠现象,更加精确地分离高低频分量,从而定容时可以依据功率分配结果最小化混合储能的额定功率和容量。将储能功率分配问题与定容问题联合考虑,求得了混合储能LCC的最优解。
为了更好地契合混合储能系统在实际运行工况中的某些特殊情况,以蓄电池为例,对其发生放电越限情况时HESS总功率指令如何分配做了进一步研究。定义混合储能中电池发生放电越限现象时的工况为“故障工况”。需要指出的是:不同于正常工况,故障工况下HESS的经济效益将不再是首要目标,如何将蓄电池因放电越限而无法响应的这部分功率指令进行再分配才是重中之重。因为一旦蓄电池因放电越限而无法响应本身的功率指令时就会造成风电平抑效果变差,风电波动的增大严重时有可能导致风机脱网,造成更大的经济损失。故本节不再对HESS的经济性做分析,而是更关注于故障工况下的HESS功率指令的分配情况。
表5 不同功率分配方法下HESS成本的对比
Tab.5 Comparison of HESS cost under different power allocation methods
放电越限现象可以通过电池的SOC曲线很好地表征。本文规定蓄电池和超级电容的SOC上限为80%,下限为20%,因此当蓄电池放电使得SOC低于20%时即认为发生了放电越限现象。
由于本文算例所用的HESS总功率指令较为平缓,混合储能系统在整个调度日内没有出现“故障工况”。因此本文在研究故障工况时采用另外一组HESS总功率指令作为研究数据,如图14所示。
以蓄电池为例,其在故障工况时HESS功率指令分配场景及机理如下:
1)同正常工况,通过MMAF对混合储能总功率指令进行滤波,Pearson相关系数作为判断滤波参数的指标,获得蓄电池与超级电容各自的功率指令。
图14 混合储能总功率指令
2)蓄电池在自身分得的功率指令下进行充放电,部分时刻出现深度放电致使其SOC低于下限(20%),此时蓄电池进入“故障工况”。
3)当蓄电池SOC首次降至下限时,即刻起令蓄电池实际输出功率bat=0,原本由蓄电池响应的放电功率指令全部由超级电容承担,直到后续时刻风电出力过多时需要给HESS充电以满足平抑需求。
4)优先向蓄电池充电以帮助其快速恢复SOC。在恢复过程中,蓄电池的SOC会第二次升至下限,即刻起不再对蓄电池实际输出功率做限制,恢复蓄电池与超级电容各自原本分得的功率指令。
5)蓄电池SOC一次在下降的过程中达到下限值,一次在恢复的过程中达到下限值。记蓄电池SOC两次达到下限值的时间区间为一个完整的故障工况运行时间,作为一次故障工况修复的标志。恢复到正常工况后,进入步骤1)。
需要说明的是:本文仅以蓄电池放电越限为例,当超级电容放电越限时由蓄电池对其功率指令进行响应,机理与上述完全一致,由于篇幅有限,本文不再赘述。对于蓄电池与超级电容同时发生放电越限的情况属于小概率事件,不属于本文研究重点,故不再对其讨论。
图15给出了调度日内局部时段的故障工况运行过程中蓄电池与超级电容各自SOC的变化趋势,以此更加直观地展示上述机理。
图15 故障工况下蓄电池和超级电容SOC曲线
从图15可以看出在选取的时域段内共发生了两次蓄电池放电越限的现象:A1时段和B1时段。由局部放大图可知对于A1时段,在45 min时蓄电池的SOC降至0.2,此时若不考虑蓄电池放电越限,其SOC曲线对应图中绿色点画线。可以看出,蓄电池将继续向外输出功率,这极大地损害了电池寿命。若此时考虑蓄电池放电越限,其SOC曲线对应图中蓝色实线。可以看出在45 min,由于放电越限迫使此时的蓄电池实际输出功率bat=0,因此后一小段时间内蓄电池的SOC也一直维持在0.2。在故障工况运行时间内蓄电池的功率指令由超级电容进行响应,对应的超级电容SOC曲线是A2时段。由A2时段的放大图可知,由于此时的超级电容需要承担部分蓄电池的放电功率指令,因此超级电容在45 min时的SOC曲线较未考虑蓄电池放电越限情况下的SOC曲线进一步下降。48 min时需要向HESS充电,通过A1时段可以看出,蓄电池的SOC曲线逐步上升。此时从A2时段超级电容的SOC变化趋势可以看出:在不考虑蓄电池放电越限情况下的超级电容SOC在48 min已经开始上升,说明48 min时超级电容已经开始充电;而考虑了蓄电池放电越限情况下的超级电容SOC在蓄电池充电过程中保持不变,说明此过程超级电容并未得到充电,其在50 min才首次充电出现SOC上升的趋势,体现了当蓄电池SOC过低时优先向蓄电池充电的原则。同理对于B1和B2时段,在故障工况运行时间内蓄电池SOC始终保持在0.2,没有再进行放电行为,而当需要向HESS充电时,不考虑蓄电池放电越限情况下的超级电容SOC在124 min已经开始上升,说明124 min时超级电容已经开始充电;而考虑了蓄电池放电越限情况下的超级电容则是在130 min才首次充电出现SOC上升的趋势,同样体现了蓄电池优先充电的原则。
故障工况时经过这种功率分配机理后的HESS功率分配结果如图16所示。
图16 故障工况时功率指令分配结果
图16中的功率分配结果符合两种储能电池的功率特性。需要说明的是由于超级电容在调度日内会承担一些蓄电池的功率指令,因此图16中故障工况时超级电容实际响应的功率幅值更大一些。
图17展示了故障工况时MMAF分解后各模态的频谱关系。
图17 故障工况时MMAF分解后各模态的频谱
从图17的各模态频谱关系中可以明显看出,故障工况时由于超级电容承担了相当一部分因蓄电池放电越限而本应该由蓄电池承担的功率指令,因此不可避免地出现了模态混叠现象(图中红色圈内),这也符合故障工况时设定的HESS功率指令分配的机理。在故障工况下虽然出现了模态混叠,但通过这种“互为备用”的机理避免了功率指令因电池放电越限而无法响应的情况,从而避免了因放电越限而没有电池响应功率指令导致风电无法平抑现象的发生,遏制了由于风功率波动较大导致风机脱网的可能。因此与风机脱网带来的经济损失与电力事故相比,故障工况下模态混叠导致的HESS成本增加就显得微不足道了。
本文针对平抑风电波动的混合储能系统功率分配不精确、成本过高的问题,采用引入Pearson相关系数的MMAF方法得出蓄电池与超级电容各自分配的功率指令,并基于分配结果对混合储能进行了定容,得到如下结论:
1)引入Pearson相关系数的MMAF为滤波参数的选取提供了理论支撑,有效地减弱了模态混叠现象,实现了高精度的功率分配。
2)采用MMAF处理混合储能功率分配问题及定容问题时混合储能系统的LCC相较于传统EMD、VMD、WT方法分别降低87.6%、3.3%、56.8%,在保证蓄电池使用寿命的同时,为解决风电场侧混合储能电站的功率分配与容量配置问题提供了新思路。
[1] 刘其辉, 逄思敏, 吴林林, 等. 大规模风电汇集系统电压不平衡机理、因素及影响规律[J]. 电工技术学报, 2022, 37(21): 5435-5450. Liu Qihui, Pang Simin, Wu Linlin, et al. The mechanism, factors and influence rules of voltage imbalance in wind power integration areas[J]. Transactions of China Electrotechnical Society, 2022, 37(21): 5435-5450.
[2] 顾雪平, 白岩松, 李少岩, 等. 考虑风电不确定性的电力系统恢复全过程两阶段鲁棒优化方法[J]. 电工技术学报, 2022, 37(21): 5462-5477. Gu Xueping, Bai Yansong, Li Shaoyan, et al. Two stage robust optimization method for the whole-process power system restoration considering wind power uncertainty[J]. Transactions of China Electrotechnical Society, 2022, 37(21): 5462-5477.
[3] de Siqueira L M S, Peng Wei. Control strategy to smooth wind power output using battery energy storage system: a review[J]. Journal of Energy Storage, 2021, 35: 102252.
[4] 齐先军, 郑夕炜, 王晓蓉, 等. 基于时频分析的改进小波包风电功率波动平抑方法[J]. 太阳能学报, 2022, 43(7): 302-309. Qi Xianjun, Zheng Xiwei, Wang Xiaorong, et al. Improved wavelet packet method of smoothing wind power fluctuations based on time-frequency analysis[J]. Acta Energiae Solaris Sinica, 2022, 43(7): 302-309.
[5] 李政, 刘宏伟, 康健, 等. 混合储能参与自动发电控制容量优化配置[J]. 电气技术, 2021, 22(9): 34-40. Li Zheng, Liu Hongwei, Kang Jian, et al. Participation of hybrid energy storage in capacity optimization configuration of automatic generation control system[J]. Electrical Engineering, 2021, 22(9): 34-40.
[6] Wang Huaqing, Xie Zhuoshi, Pu Lei, et al. Energy management strategy of hybrid energy storage based on Pareto optimality[J]. Applied Energy, 2022, 327: 120095.
[7] Zhou Shiyao, Chen Ziqiang, Huang Deyang, et al. Model prediction and rule based energy management strategy for a plug-in hybrid electric vehicle with hybrid energy storage system[J]. IEEE Transactions on Power Electronics, 2021, 36(5): 5926-5940.
[8] Xu Yanhui, Xu Yijia, Huang Yan. Generation of typical operation curves for hydrogen storage applied to the wind power fluctuation smoothing mode[J]. Global Energy Interconnection, 2022, 5(4): 353-361.
[9] Jin He, Liu Pei, Li Zheng. Dynamic modeling and design of a hybrid compressed air energy storage and wind turbine system for wind power fluctuation reduction[J]. Computers & Chemical Engineering, 2019, 122: 59-65.
[10] 孙玉树, 唐西胜, 孙晓哲, 等. 基于MPC-HHT的多类型储能协调控制策略研究[J]. 中国电机工程学报, 2018, 38(9): 2580-2588, 2826. Sun Yushu, Tang Xisheng, Sun Xiaozhe, et al. Research on multi-type energy storage coordination control strategy based on MPC-HHT[J]. Proceedings of the CSEE, 2018, 38(9): 2580-2588, 2826.
[11] 袁铁江, 张昱, 栗磊, 等. 计及功率密度约束含氢储能的预装式多元储能电站容量优化配置研究[J]. 电工技术学报, 2021, 36(3): 496-506. Yuan Tiejiang, Zhang Yu, Li Lei, et al. Capacity optimization configuration of pre-installed multi-energy storage power station considering power density constrained hydrogen storage[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 496-506.
[12] 李奇, 赵淑丹, 蒲雨辰, 等. 考虑电氢耦合的混合储能微电网容量配置优化[J]. 电工技术学报, 2021, 36(3): 486-495. Li Qi, Zhao Shudan, Pu Yuchen, et al. Capacity optimization of hybrid energy storage microgrid considering electricity-hydrogen coupling[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 486-495.
[13] 钱韦廷, 赵长飞, 万灿, 等. 基于概率预测的混合储能平抑风电波动随机优化调控方法[J]. 电力系统自动化, 2021, 45(18): 18-27. Qian Weiting, Zhao Changfei, Wan Can, et al. Probabilistic forecasting based stochastic optimal dispatch and control method of hybrid energy storage for smoothing wind power fluctuations[J]. Automation of Electric Power Systems, 2021, 45(18): 18-27.
[14] 李建林, 牛萌, 周喜超, 等. 能源互联网中微能源系统储能容量规划及投资效益分析[J]. 电工技术学报, 2020, 35(4): 874-884. Li Jianlin, Niu Meng, Zhou Xichao, et al. Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection[J]. Transactions of China Electrote-chnical Society, 2020, 35(4): 874-884.
[15] Yang Yuqing, Bremner S, Menictas C, et al. Modelling and optimal energy management for battery energy storage systems in renewable energy systems: a review[J]. Renewable and Sustainable Energy Reviews, 2022, 167: 112671.
[16] 李建林, 李雅欣, 刘海涛, 等. 计及储能电站安全性的功率分配策略研究[J]. 电工技术学报, 2022, 37(23): 5976-5986. Li Jianlin, Li Yaxin, Liu Haitao, et al. Research on power distribution strategy considering the safety of energy storage power station[J]. Transactions of China Electrotechnical Society, 2022, 37(23): 5976-5986.
[17] 郭玲娟, 魏斌, 韩肖清, 等. 基于集合经验模态分解的交直流混合微电网混合储能容量优化配置[J]. 高电压技术, 2020, 46(2): 527-537. Guo Lingjuan, Wei Bin, Han Xiaoqing, et al. Capacity optimal configuration of hybrid energy storage in hybrid AC/DC micro-grid based on ensemble empirical mode decomposition[J]. High Voltage Engineering, 2020, 46(2): 527-537.
[18] 李亚楠, 王倩, 宋文峰, 等. 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[J]. 电测与仪表, 2019, 56(1): 82-88, 95. Li Yanan, Wang Qian, Song Wenfeng, et al. Capacity configuration of hybrid energy storage for smoothing wind power outputs based on variational mode decomposition and Hilbert transform[J]. Electrical Measurement & Instrumentation, 2019, 56(1): 82-88, 95.
[19] 李鑫, 王娟, 邱亚, 等. 基于VMD的混合储能容量优化配置[J]. 太阳能学报, 2022, 43(2): 88-96. Li Xin, Wang Juan, Qiu Ya, et al. Optimal allocation of hybrid energy storage capacity based on variational mode decomposition[J]. Acta Energiae Solaris Sinica, 2022, 43(2): 88-96.
[20] 杜佳耘, 雷勇, 李永凯, 等. 基于参数优化变分模态分解的混合储能功率分配策略[J]. 现代电力, 2021, 38(1): 51-59. Du Jiayun, Lei Yong, Li Yongkai, et al. Hybrid energy storage strategy based on parameter optimized variational mode decomposition[J]. Modern Electric Power, 2021, 38(1): 51-59.
[21] 李建林, 郭斌琪, 牛萌, 等. 风光储系统储能容量优化配置策略[J]. 电工技术学报, 2018, 33(6): 1189-1196. Li Jianlin, Guo Binqi, Niu Meng, et al. Optimal configuration strategy of energy storage capacity in wind/PV/storage hybrid system[J]. Transactions of China Electrotechnical Society, 2018, 33(6): 1189-1196.
[22] Zhu Honglu, Hou Ruyin, Jiang Tingting, et al. Research on energy storage capacity configuration for PV power plants using uncertainty analysis and its applications[J]. Global Energy Interconnection, 2021, 4(6): 608-618.
[23] Hou Hui, Xu Tao, Wu Xixiu, et al. Optimal capacity configuration of the wind-photovoltaic-storage hybrid power system based on gravity energy storage system[J]. Applied Energy, 2020, 271: 115052.
[24] 王再闯, 陈来军, 李笑竹, 等. 基于合作博弈的产销者社区分布式光伏与共享储能容量优化[J]. 电工技术学报, 2022, 37(23): 5922-5932. Wang Zaichuang, Chen Laijun, Li Xiaozhu, et al. Capacity optimization of distributed PV and shared energy storage of prosumer community based on cooperative game[J]. Transactions of China Electrotechnical Society, 2022, 37(23): 5922-5932.
[25] Ye Lin, Zhang Cihang, Tang Yong, et al. Hierarchical model predictive control strategy based on dynamic active power dispatch for wind power cluster integration[J]. IEEE Transactions on Power Systems, 2019, 34(6): 4617-4629.
[26] Guo Tingting, Liu Youbo, Zhao Junbo, et al. A dynamic wavelet-based robust wind power smoothing approach using hybrid energy storage system[J]. International Journal of Electrical Power & Energy Systems, 2020, 116: 105579.
[27] 陈亚爱, 林演康, 王赛, 等. 基于滤波分配法的混合储能优化控制策略[J]. 电工技术学报, 2020, 35(19): 4009-4018. Chen Yaai, Lin Yankang, Wang Sai, et al. Optimal control strategy of hybrid energy storage based on filter allocation method[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4009-4018.
[28] 张明龙, 张振宇, 高源, 等. 基于变分模态分解的暂态扰动波形去噪算法[J]. 电力系统保护与控制, 2022, 50(8): 43-49. Zhang Minglong, Zhang Zhenyu, Gao Yuan, et al. Transient disturbance waveform denoising algorithm based on variational mode decomposition[J]. Power System Protection and Control, 2022, 50(8): 43-49.
[29] Omar A I, Ali Z M, Al-Gabalawy M, et al. Multi-objective environmental economic dispatch of an electricity system considering integrated natural gas units and variable renewable energy sources[J]. Mathematics, 2020, 8(7): 1100.
[30] 葛玉友, 尚策. 寿命约束的储能规划[J]. 中国电机工程学报, 2020, 40(19): 6150-6161. Ge Yuyou, Shang Ce. Energy storage planning constrained by its life[J]. Proceedings of the CSEE, 2020, 40(19): 6150-6161.
[31] 丁明, 吴杰, 张晶晶. 面向风电平抑的混合储能系统容量配置方法[J]. 太阳能学报, 2019, 40(3): 593-599. Ding Ming, Wu Jie, Zhang Jingjing. Capacity optimization method of hybrid energy storage system for wind power smoothing[J]. Acta Energiae Solaris Sinica, 2019, 40(3): 593-599.
[32] 马兰, 谢丽蓉, 叶林, 等. 基于混合储能双层规划模型的风电波动平抑策略[J]. 电网技术, 2022, 46(3): 1016-1029. Ma Lan, Xie Lirong, Ye Lin, et al. Wind power fluctuation suppression strategy based on hybrid energy storage Bi-level programming model[J]. Power System Technology, 2022, 46(3): 1016-1029.
Research on Hybrid Energy Storage Power Allocation and Capacity Determination Based on Multiple Moving Average Filtering
Tian Bowen Zhang Zhiyu Yang Mengfei
(College of Electrical Engineering Xi′an University of Technology Xi′an 710048 China)
When the hybrid energy storage system (HESS) allocates power in the scenario of suppressing wind power fluctuations, the power distribution is inaccurate due to mode aliasing, which leads to the poor economy of the hybrid energy storage system. To address these issues, this paper suggests a method of multiple moving average filtering (MMAF) to decompose the total power command of hybrid energy storage.
Firstly, the minimum flat total power command of hybrid energy storage meeting the flat requirements was obtained, and the obtained total power command of hybrid energy storage was filtered through MMAF to make the battery respond to the filtered low frequency part and the supercapacitor respond to the high frequency part. Pearson correlation coefficient was used as the index to quantify modal aliasing, and Pearson correlation coefficient was used as the basis to determine the optimal filtering sliding window size and the optimal filtering times to ensure that the maximum limit of modal aliasing can be achieved under the sliding window size and filtering times. Taked the power command of the battery and the supercapacitor as the feasible region of the energy storage capacity, the minimum rated power and rated capacity of the hybrid energy storage system can be determined by comprehensively considering the battery state of charge (SOC) constraints. Secondly, based on the equivalent operating time, a quantitative model of battery life cycle was established, which provided a basis for the economic analysis of hybrid energy storage system. The cumulative effect of battery charging and discharging on its life loss was considered in the model, and the actual number of battery cycles was converted into the equivalent number of cycles at the rated discharge depth. Finally, the incremental factor of battery maintenance cost was introduced into the hybrid energy storage life cycle cost model (LCC) to describe the nonlinear increase of maintenance cost caused by the cumulative effect of battery aging every ten years, so as to better conform to the actual operation of the energy storage battery and improve the practicability of the LCC model. The effectiveness of the proposed method to reduce the comprehensive cost of hybrid energy storage was verified by simulation experiments.
According to the actual simulation experiment, the method in this paper can well smooth the power fluctuation of wind power grid connection, made it meet the grid connection requirements, and the hybrid energy storage configuration result was better than other configuration methods. The simulation results under different working conditions showed that MMAF method can ensure the battery operation life during power distribution, and can minimize the mode aliasing phenomenon and reduce the comprehensive cost of hybrid energy storage. Under normal working conditions, the LCC of MMAF was reduced by 87.6% compared with the empirical mode decomposition method (EMD). Compared with the variational mode decomposition method (VMD), the LCC of MMAF was reduced by 3.3%. Compared with the wavelet transform (WT) method, the LCC of MMAF was reduced by 56.8%. In case of failure, the battery and supercapacitor form a standby working mode for each other. The total power command of mixed energy storage was redistributed by MMAF method, which avoided the situation that the power command cannot respond due to battery failure, curbs the possibility of wind turbine disconnection, and avoided greater economic losses.
Hybrid energy storage, power distribution, mode aliasing, MMAF algorithm, quantitative model of battery life cycle
10.19595/j.cnki.1000-6753.tces.222348
TM711
国家自然科学基金联合基金重点资助项目(U21A20485)。
2022-12-21
2023-02-12
田博文 男,1997年生,硕士研究生,研究方向为新能源侧储能优化配置与控制。E-mail:932725835@qq.com
张志禹 男,1966年生,博士,教授,研究方向为电网信息处理与深度学习。E-mail:zhangzhiyu@xaut.edu.cn(通信作者)
(编辑 赫 蕾)