CN103915851A - 一种递进步长和期望输出均可变的储能系统优化控制方法 - Google Patents

Abstract

本发明公开了一种递进步长和期望输出均可变的储能系统优化控制方法，包括以下步骤：以单次充放电区间作为递进控制步长，建立控制步长和期望输出均可变的SOC临界限值循环充放电模型；构建以递进控制步长最大和整体期望输出波动率最小为目标的多目标优化函数；在SOC临界限值循环充放电模型的前提下，选用NSGA-Ⅱ算法对储能系统多目标优化函数进行求解计算，分别确定风电场储能系统多目标函数的最优解。本发明SOC临界限值循环充放电模式可保证ESS最大利用率，同时严格的充放电状态转换可避免频繁充放电，从而有力保障ESS性能的连续性；该控制策略下的平抑效果可有效衔接超短期预测与风电经济调度水平。

Description

一种递进步长和期望输出均可变的储能系统优化控制方法

技术领域

本发明涉及功率波动平抑领域，尤其涉及一种递进步长和期望输出均可变的储能系统优化控制方法。

背景技术

风电场中配置一定容量比重的储能是平抑其波动性，平滑功率输出的有效方式,但目前风电场配置储能系统(ESS)造价昂贵，需在其寿命周期内充分利用所配置容量，提升其利用率及投入产出比；另一方面，ESS有效利用的同时需保障其运行的合理性，延长其使用寿命。为此，提升ESS利用率并同时保障其运行合理性将是ESS控制策略中必须解决的问题。

以铅酸蓄电池和锂电池为代表的能量型储能在当前诸多示范工程中获得应用，该类型储能能量密度大、储能时间长，同时存在循环寿命短的缺点，应严格限制其充放电状态转换次数；同时因其相对较好的经济性和技术成熟性，在未来一定时间内仍是ESS工程的主流储能介质。

目前对ESS的控制方法主要有以下几种：

1.利用低通滤波消除风电功率波动中的高频成分，从而实现平滑输出；此种方法对荷电状态（SOC）因素考虑较少，ESS易出现过度充放状态。

2.在控制流程中加入反馈补偿量修正ESS充放电功率，可协调SOC使其处于良好运行状态；但该方法可能使并网功率指令阶跃变化，并网功率平滑度受到影响。

3.引入SOC反馈实时调整时间常数，依据SOC动态协调充放电功率和平抑目标；该方法下的风功率平抑效果具有不稳定性。

上述相关研究注重于某一种影响因素的应对方法，对单一指标（如运行合理性）有效调节的同时易造成其它因素（如利用率）关注度的降低。

发明内容

本发明的目的就是为了解决上述问题，以铅酸蓄电池和锂电池此类能量型储能为研究对象，提出了一种递进步长和期望输出均可变的储能系统优化控制方法，该方法可以大幅降低充放电状态转换次数，并可有效减少期望输出的波动程度，提升可调度性。

为了实现上述目的，本发明采用如下技术方案：

一种递进步长和期望输出均可变的储能系统优化控制方法，包括以下步骤：

（1）以单次充放电区间作为递进控制步长，建立控制步长和期望输出均可变的SOC临界限值循环充放电模型。

（2）根据充放电极限功率约束条件和超短期风功率预测时间配合约束条件，构建以递进控制步长最大和整体期望输出波动率最小为目标的多目标优化函数。

（3）在SOC临界限值循环充放电模型的前提下，选用NSGA-Ⅱ算法对储能系统多目标优化函数进行求解计算，分别确定风电场储能系统多目标函数的最优解。

所述步骤（1）具体为：

设定SOC上行和下行临界限值区间[S_maxd,S_maxu]和[S_mind,S_minu]，在递进控制步长区间内，选定上行或下行临界限值区间作为运行始端，则相应下行或上行的临界限值区间为对端位置，由始端朝向对端区间单向运行，且非线性变化，直至对端，此时充放电状态转换并按上述规律运行至始端SOC限值区间；其中，S_maxu<1.0，S_mind>0。

所述SOC临界限值循环充放电模型的充放电规律为：

当期望功率输出值Pi小于风功率输出值P(t)时，ESS充电，设定充放电标志λ值为1。

当期望功率输出值Pi大于风功率输出值P(t)时，ESS放电，设定充放电标志λ值为-1。

所述SOC临界限值循环充放电模型的充电或放电模型为：

$\left\{\begin{array}{c}{\mathrm{\&eta;}}_c\underset{t=t_{\mathrm{ic}0}}{\overset{t_{\mathrm{icf}}}{\mathrm{\&Sigma;}}}[P\left(t\right)-P_{\mathrm{ic}}]\frac{n_{\mathrm{ic}}\mathrm{\&Delta;t}}{60}=V\&CenterDot;(S_{i\max }-S_{\mathrm{ic}0})\\ \frac{1}{{\mathrm{\&eta;}}_d}\underset{t=t_{\mathrm{id}0}}{\overset{t_{\mathrm{idf}}}{\mathrm{\&Sigma;}}}[P_{\mathrm{id}}-P\left(t\right)]\frac{n_{\mathrm{id}}\mathrm{\&Delta;t}}{60}=V\&CenterDot;(S_{\mathrm{id}0}-S_{i\min })\end{array}\right.$

其中，i为递进控制区间序列号；Δt为风功率数据采集时间间隔，单位为min；n_ic为充电区间内的数据采集次数；n_id为放电区间的采集次数；P_ic、P_id为递进控制区间i内的充、放电期望功率输出值；P（t）为风电输出功率；[t_ic0,t_icf]、[t_id0,t_idf]分别为充、放电区间的各自始末时刻；η_c表示储能系统的充电效率；V为储能系统能量容量，单位MW·h；S_imax为第i递进控制区间内SOC充电限值，且S_imax∈[S_maxd,S_maxu]；S_ic0为第i递进控制区间内充电时的SOC初始值；η_d表示储能系统的放电效率；S_id0为第i递进控制区间内放电时的SOC初始值；S_imin为第i递进控制区间内SOC放电限值，且S_imin∈[S_mind,S_minu]。

所述充放电状态转换判据为：

其中，S（t-1）为前一时刻SOC数值；λ（t）为当前充放电标志值；相应λ（t-1）为前一时刻充放电标志值；充电状态时SOC超过上限则转为放电状态；放电状态时SOC越下限则转为充电状态。

所述多目标优化函数为：

$\left\{\begin{array}{c}\min (f_c,f_d,f_{\mathrm{\&delta;}})\\ f_c=-\mathrm{\&Delta;t}\&CenterDot;n_{\mathrm{ic}}\\ f_d=-\mathrm{\&Delta;t}\&CenterDot;n_{\mathrm{id}}\\ f_{\mathrm{\&delta;}}=\underset{j=1}{\overset{i}{\mathrm{\&Sigma;}}}({\left|\frac{(P_{\mathrm{jc}}-P_{\mathrm{avg}})}{P_{\mathrm{avg}}}\right|}^2+{\left|\frac{P_{\mathrm{jd}}-P_{\mathrm{avg}}}{P_{\mathrm{avg}}}\right|}^2)\end{array}\right.$

其中，f_c为第i递进控制区间内充电时间取反；f_d为第i次递进控制区间放电时间取反；f_δ为平抑功率波动率；n_ic为充电区间内的数据采集次数；n_id为放电区间的采集次数；P_jc、P_jd分别为递进控制区间j内的充、放电期望功率输出值；P_avg为输出平抑功率时间内的功率均值，且 $P_{\mathrm{avg}}=\underset{j=1}{\overset{i}{\mathrm{\&Sigma;}}}\frac{P_{\mathrm{jc}}+P_{\mathrm{jd}}}{2i}.$

所述充放电极限功率约束条件为：

$\left\{\begin{array}{cc}P\left(t\right)-P_{\mathrm{ic}}\&le;P_{c\max }& t\&Element;[t_{\mathrm{ic}0},t_{\mathrm{icf}}]\\ P_{\mathrm{id}}-P\left(t\right)\&le;P_{d\max }& t\&Element;[t_{\mathrm{id}0},t_{\mathrm{idf}}]\end{array}\right.$

其中，P_cmax为极限充电功率，若无法满足该约束条件，则按限值P_cmax运行；P_dmax为极限放电功率，若无法满足该约束条件，则按限值P_dmax运行。

所述超短期风功率预测时间配合约束条件为：

t_min≤t_i≤t_max

其中，t_i为第i次控制步长时长；t_min、t_max分别为超短期预测时长的最小值和最大值。

所述NSGA-Ⅱ算法对储能系统多目标优化函数进行求解计算的步骤为：

（1）编码：将决策量进行实数编码；每一组决策量包括：单次递进控制区间的充放电步长t_ic、t_id，充放电期望输出功率P_ic、P_id，充电SOC最大值和放电SOC最小值SOC_max、SOC_min；每一组决策量构成一个基因。

（2）储能系统参数初始化以及种群初始化：设定SOC初值SOC₀、充放电期望输出功率初值P_i0、储能容量V、SOC上行区间[S_maxd,S_maxu]、下行区间[S_mind,S_minu]、储能系统充放电效率η_c和η_d，确定NSGA-Ⅱ算法中种群规模pop、进化代数gen、多目标函数个数M。

（3）在变量约束范围内，检验基因是否满足SOC临界限值循环充放电模型，若不满足，舍弃该基因，重新产生新的基因，保证基因个数为pop。

（4）快速非支配排序：分别计算每个基因的充、放电步长和期望输出波动率，每个基因连同其目标函数值构成个体，根据个体目标函数位的非劣解水平对种群分层，找出种群中的非支配解，其非支配序为1，将其从种群中除去；继续找出余下个体中的非支配解，其支配序为2；直到整个种群被分层。

（5）个体拥挤距离计算：拥挤距离为目标空间上与个体i相邻的个体i+1和i-1之间的距离。

（6）锦标赛机制选取父代进行交叉变异：对随机选择的个体比较支配序和拥挤距离，锦标赛机制选择支配序小、拥挤距离大的个体作为父代，对其进行交叉变异。

（7）精英策略保留优良个体：将优良父代和经交叉变异产生的子代合并，优先选择支配序小、拥挤距离大的个体，直至满足种群规模pop。

（8）判断是否达到进化代数最大值，若是，结束并选取最优解；若否，进入下代重新计算。

所述拥挤距离为：

$D\left(i\right)=D\left(i\right)+\frac{(D{(i+1)}_m-D{(i-1)}_m)}{(f_m^{\max }-f_m^{\min })}$

其中，D(i+1)_m是第i+1个体的第m个目标函数值；D(i-1)_m是第i-1个体的第m个目标函数值；分别是所有集合中第m个目标函数的最大值和最小值。

本发明的有益效果是：

本发明SOC临界限值循环充放电模式可保证ESS最大利用率，同时严格的充放电状态转换可避免频繁充放电，从而有力保障ESS性能的连续性。

本发明将递进区间步长最大和期望输出功率整体波动率最小作为目标函数建立多目标优化模型，既保证控制区间内恒值输出的稳定性，又利于调整总体输出的波动程度，上述因素都将显著提升风电功率平抑后的可调度能力。

本发明利用NSGA-Ⅱ算法对算例进行了计算，分析结果验证了本文优化模型和求解算法的有效性，同时表明该控制策略下的平抑效果可有效衔接超短期预测与风电经济调度水平。附图说明

图1为SOC常规运行模式与SOC临界限值循环充放电模式对比示意图；

图2为本发明NSGA-Ⅱ求解多目标函数储能控制策略流程图；

图3（a）为储能容量为10MW·h的风功率输出曲线和期望功率输出曲线示意图；

图3（b）为储能容量为15MW·h的风功率输出曲线和期望功率输出曲线示意图；

图3（c）为储能容量为20MW·h的风功率输出曲线和期望功率输出曲线示意图；

图3（d）为储能容量为25MW·h的风功率输出曲线和期望功率输出曲线示意图；

图4为不同容量下SOC随时间变化曲线示意图；

图5为不同储能容量对应恒值输出区间分布图；

图6为全年递进步长统计结果。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明：

以铅酸蓄电池和锂电池此类能量型储能为研究对象，兼顾ESS利用率、充放电合理性及平抑效果，提出了可变递进步长及其期望输出的储能系统优化控制策略。该控制策略引入超短期风功率预测信息，以单次充放电循环为递进控制步长，该区间内充电和放电平抑目标均为单一数值，由此保证平抑效果的有效性；同时构造递进区间的SOC临界限值循环充放电模式，充分提升ESS利用率；递进控制步长内充放电状态严格限制且仅转换一次，有力的保障ESS性能状态；降低整体期望输出的波动率，提升平抑输出的可调度能力。基于此，以递进区间步长最大和整体期望功率输出波动率最小为目标函数建立多目标优化模型，并利用NSGA-Ⅱ算法获取了该目标下的各优化控制参量。

1ESS充放电策略

1.1SOC临界限值循环充放电模式

如图1所示，常规ESS运行中SOC上行和下行状态转换频繁，且大部分时间未达到ESS可承受的SOC限值运行，造成ESS容量空间的资源浪费，为此提出了SOC临界限值循环充放电模式。

该模式下设定SOC上行和下行临界限值区间[S_maxd,S_maxu]（S_maxu<1.0）、[S_mind,S_minu]（S_mind>0），在递进控制步长区间内（如t_i），SOC由某临界限值区间始并单调非线性变化，直至对端限值区间，此时充放电状态转换并按上述规律运行至始端SOC限值区间，由此构成循环充放模式。该模式中，SOC在上下行限值区间内大范围变化有效的提升了ESS容量空间的效能，保证了正常运行状态下的容量空间利用最大化；同时SOC单调且大范围充放电对应储能能量的持续吸收或释放，可靠保证了该步长内平抑效果的稳定性，有效避免满充弃风或放电能量不足；严格限定充放电转换次数极大保障了ESS运行性能的可持续性，消除了频繁充放电对ESS运行寿命的影响。

上述循环充放电模式中，ESS运行服从基本充放电规律，当期望输出值P_i小于风功率输出值P(t)时，ESS充电，充放电标志λ值为1；反之，则ESS放电且λ取值为-1，同时充电或放电模型如式（1）所示：

$\left\{\begin{array}{c}{\mathrm{\&eta;}}_c\underset{t=t_{\mathrm{ic}0}}{\overset{t_{\mathrm{icf}}}{\mathrm{\&Sigma;}}}[P\left(t\right)-P_{\mathrm{ic}}]\frac{n_{\mathrm{ic}}\mathrm{\&Delta;t}}{60}=V\&CenterDot;(S_{i\max }-S_{\mathrm{ic}0})\\ \frac{1}{{\mathrm{\&eta;}}_d}\underset{t=t_{\mathrm{id}0}}{\overset{t_{\mathrm{idf}}}{\mathrm{\&Sigma;}}}[P_{\mathrm{id}}-P\left(t\right)]\frac{n_{\mathrm{id}}\mathrm{\&Delta;t}}{60}=V\&CenterDot;(S_{\mathrm{id}0}-S_{i\min })\end{array}\right.---\left(1\right)$

该模型表述风电功率转移到储能中，以及储能释放功率的过程。式中，i为递进控制区间序列号；Δt为风功率数据采集时间间隔，单位为min；n_ic为充电区间内的数据采集次数；n_id为放电区间的采集次数；P_ic、P_id为递进区间i内的充、放电期望功率输出值；P（t）为风电输出功率；[t_ic0,t_icf]、[t_id0,t_idf]为充、电区间的各自始末时刻；η_c表示储能系统的充电效率，一般取0.8；V为储能系统能量容量，单位MW·h；S_imax为第i次控制区间内SOC充电限值，且S_imax∈[S_maxd,S_maxu]；S_ic0为本次充电时的SOC初始值；η_d表示储能系统的放电效率，一般取0.9；S_id0为第i控制区间内放电时的SOC初始值；S_imin为SOC放电限值，且S_imin∈[S_mind,S_minu]。在此基础上，规定充放电状态转换判据为：

式中，S（t-1）为前一时刻SOC数值；λ（t）为当前充放电标志位数值；相应λ（t-1）为前一时刻λ取值；充电状态时SOC超过上限则转为放电状态；同样，放电状态时SOC越下限则转为充电状态。

该充放电模式下，SOC限值选取的合理性对于该控制策略的可行性具有较大影响，区间[S_maxd,S_maxu]、[S_mind,S_minu]应考虑循环充放模式特征、不同储能电池的充放电特性、外特性线性变化区间等因素综合确定：一方面，铅酸蓄电池、锂离子电池等此类能量型储能不适宜深度充放，限值区间选取较大则将可能造成单次控制区间成为深度循环充放电，将直接导致储能运行生命周期缩短；另一方面，过分保障储能的浅充浅放，使限值区间选取过小将无法提升储能容量利用率，并可能出现单位时间内充放电状态转换次数增加，且平抑功率恒值输出区间时长无法有效保障，与常规充放电模式相比无法体现该策略的优越性。由此可见，SOC限值的选取既利于本文控制策略优势的有效呈现，也应有效防范对储能系统可能产生的负面影响，参考部分学者对于该问题的相关研究，本文选定[S_maxd,S_maxu]为[0.35，0.4],[S_mind,S_minu]为[0.9，0.95]。

1.2可变控制步长与期望输出的优化原则

SOC临界限值循环充放电模式下，控制步长具有可变性，其时长越长，则平抑后风电功率的可调度能力越高，同时寿命周期单位时间内的充放电转换次数均值越小，由此可减少总体转换次数。可见，该充放电模式下可变控制步长越长，则ESS平抑效果越优，若其达到数小时级，可完全具备参与经济调度计划的能力；同时可有效延长电池使用寿命，提升ESS的运行合理性。期望输出方面，应满足其在控制步长内阶段性恒值输出，同时需考虑输出数值的整体波动程度。相比传统控制策略中期望输出与控制步长均提前给定的方式，SOC临界限值充放电模式下的期望输出具有不确定性，非确定性的期望输出、控制步长及SOC瞬时值之间协调优化，一方面利于实现控制步长内的平稳输出，消除满充及平抑能量不足现象，另一方面SOC上下行限值间对应充足的充放电能量，有可能叠加在波动复杂的风功率上，导致功率输出产生更严重的数值落差，为此期望输出应同时考虑整体输出的波动程度，以减小其对电网冲击，提升其整体可调度性，该因素将作为本文优化控制模型目标之一。

2优化控制策略

2.1多目标优化控制模型

本文储能控制策略基于SOC正常运行区间内利用率提升和充放电转换次数有效降低的充放电模式，目标在于延长在单次充放电递进控制区间内恒功率输出的时间，同时减小期望输出整体波动程度，减少对电网的冲击。基于此，构建以单次递进区间控制步长最大和输出功率整体波动率最小为目标建立多目标优化模型，获取该目标下该控制步长区间内的期望输出和步长时长，该模型兼顾考虑了SOC、充放电功率、充放电转换次数和平抑目标等因素，有效延长在单次充放电递进控制区间内恒功率输出的时间且期望输出功率满足最小波动率，减轻并网冲击和调度运行压力。

由此，多目标函数如下：

$\left\{\begin{array}{c}\min (f_c,f_d,f_{\mathrm{\&delta;}})\\ f_c=-\mathrm{\&Delta;t}\&CenterDot;n_{\mathrm{ic}}\\ f_d=-\mathrm{\&Delta;t}\&CenterDot;n_{\mathrm{id}}\\ f_{\mathrm{\&delta;}}=\underset{j=1}{\overset{i}{\mathrm{\&Sigma;}}}({\left|\frac{(P_{\mathrm{jc}}-P_{\mathrm{avg}})}{P_{\mathrm{avg}}}\right|}^2+{\left|\frac{P_{\mathrm{jd}}-P_{\mathrm{avg}}}{P_{\mathrm{avg}}}\right|}^2)\end{array}\right.---\left(3\right)$

式中，f_c为第i次递进控制区间内充电时间（取反）；f_d为第i次递进控制区间放电时间（取反）；f_δ为平抑功率波动率，作为衡量平抑功率整体波动程度的表征指标，其含义在于描述所有平抑输出功率整体波动程度，f_δ数值越小，表明平抑输出功率越平稳，对电网冲击越小；P_avg为输出平抑功率时间内的功率均值，其计算式为

2.2约束条件

对各个递进区间都必须满足以下约束条件：

（1）充放电极限功率约束

$\left\{\begin{array}{cc}P\left(t\right)-P_{\mathrm{ic}}\&le;P_{c\max }& t\&Element;[t_{\mathrm{ic}0},t_{\mathrm{icf}}]\\ P_{\mathrm{id}}-P\left(t\right)\&le;P_{d\max }& t\&Element;[t_{\mathrm{id}0},t_{\mathrm{idf}}]\end{array}\right.---\left(4\right)$

式中，P_cmax为极限充电功率，若无法满足该约束，则按限值P_cmax运行；P_dmax为极限放电功率，放电过程中放电功率要小于极限放电功率，若无法满足，则规定在限值P_dmax运行。本文取P_cmax，P_dmax均为20MW。

（2）超短期风功率预测时间配合约束

该储能控制策略基于风功率超短期预测信息，故递进区间控制步长应该与超短期预测时长配合，约束如下：

t_min≤t_i≤t_max    （5）

其中t_i为第i次控制步长时长；t_max为超短期预测时长，考虑到超短期预测周期一般为15min到4h，文中t_max取4h，t_min取15min。

2.3NSGA-Ⅱ算法的Pareto最优解

带精英策略的快速非支配排序遗传算法（NSGA-Ⅱ）是多目标优化算法中应用最广泛一种。该算法设计了3种关键技术，即快速非支配排序、个体拥挤距离和精英策略，恰好解决了多目标优化算法求解Pareto最优解的基本要求；该算法所有解集均匀分布，且所求解尽量接近Pareto最优解，同时求解过程中可防止Pareto最优解丢失。本文引入多目标优化算法NSGA-Ⅱ，协调控制递进区间最大步长和最小期望输出波动率的关系，从而找出各目标函数的满意解，实现算法如图2所示，多目标储能优化控制策略求解步骤为：

（1）编码：各决策量采用实数编码的方式，决策量为单次递进控制区间的充放电步长t_ic、t_id，充放电期望输出功率P_ic、P_id，充电SOC最大值和放电SOC最小值SOC_max、SOC_min，由上述决策量构成一个基因。每个基因连同其目标函数值构成一个个体，多个个体构成种群，种群规模指个体总数。

（2）初始化：设定SOC初值SOC₀、充放电期望输出功率初值P_i0、储能容量V、SOC上下行区间[S_maxd,S_maxu]及[S_mind,S_minu]、储能系统充放电效率η_c及η_d等参数，确定NSGA-Ⅱ算法中种群规模pop、进化代数gen、适应值（多目标函数）个数M等数值。在变量约束范围内，随机初始化并检验是否满足充放电状态约束，若不满足，舍弃该基因，重新产生新基因，保证基因数为pop。

（3）快速非支配排序：分别计算每个基因的充、放电步长和期望输出波动率，每个基因连同其目标函数值构成个体，根据个体目标函数位的非劣解水平对种群分层，其作用是指引搜索向Pareto最优解方向进行。通过支配条件公式找出种群中的非支配解，其非支配序为1，将其从种群中除去；继续找出余下个体中的非支配解，其支配序为2；依此，直到整个种群被分层。显然，支配序越小，个体越优良，即协调使充、放电步长越大和期望输出波动率越小。

（4）个体拥挤距离计算：拥挤距离用以表征层内拥挤程度以保证获得解的多样性。它是目标空间上与i相邻2的个体i+1和i-1的距离。

$D\left(i\right)=D\left(i\right)+\frac{(D{(i+1)}_m-D{(i-1)}_m)}{(f_m^{\max }-f_m^{\min })}---\left(6\right)$

式中，D(i+1)_m是第i+1个体的第m个目标函数值；D(i-1)_m是第i-1个体的第m个目标函数值；分别是所有集合中第m个目标函数的最大值和最小值。只有处于同一支配层的个体间才需要计算拥挤距离，否则无意义。

（5）锦标赛机制选取父代进行交叉变异：对随机选择的个体比较支配序和拥挤距离，锦标赛机制选择支配序小、拥挤距离大的个体作为父代，对其进行交叉变异，以保证种群多样性。

（6）精英策略保留优良个体：为防止Pareto最优解丢失，将优良父代和经交叉变异产生的子代合并，优先选择支配序小、拥挤距离大的个体，直至满足种群规模pop；判断是否达到进化代数最大值，若是则结束并选取最优解，否则进入下代重新计算。

3验证分析

以现场实际风功率数据验证本文算法，风场装机容量为100MW，采样周期为1min，分别从不同容量的充放电转换次数n、平抑功率波动率f_δ、SOC过程曲线和充放电步长变化曲线等指标进行分析。按照储能与风场装机容量间优化配置比例，根据风场实际出力情况，分别选取10、15、20、25MW·h验证本文控制策略，其中单次递进区间利用NSGA-Ⅱ优化保留30个最优前端基因值，最终根据实际情况从中择优选取满意解，按本文算法对典型日风功率输出的平抑效果如图3（a）-(d)所示，SOC波动曲线如图4所示。

图3（a）-(d)所示不同储能容量下的平抑效果，可以看出该算法可基本实现控制步长内的阶段性恒值稳定输出，达到了本文控制策略的预期效果；少部分区间因受限于储能元件实际最大充放电功率约束（式（4）），期望功率未能保证始终恒值输出，如图3（d）中150-170min所示范围，但该输出与理论期望功率相差较小，控制区间内仍可作为近似恒值输出。同时由图4可看出，SOC变化曲线满足临界限值循环充放电的运行方式，同时因考虑整体期望输出功率波动率因素，充放电状态转换点位于SOC的临界限值附近，而未按极端限值运行，有效说明了各优化目标模型间的制约关系，同时验证了NSGA-Ⅱ算法下Pareto最优解的有效性。

进一步比较不同容量平抑结果的恒值输出区间数及其时长如图5所示，并统计计算控制策略相关指标参数如表1所示。

表1不同储能容量控制策略计算指标

图5中每条曲线代表对应储能容量下，日周期内随控制区间的递进，相应恒值输出区间时长的变化和分布情况。可以看出，储能容量越大，递进区间的恒值输出区间总体时长水平越高，相应日时间内的控制步长数越少，同时对应表格1中充放电转换次数也越低，原因在于储能容量越大，循环充放电模式下SOC上下限之间的对应能量越充足，由此可吸收或平抑较长时间内的波动功率；同时由图1可以看出恒值输出区间的均值随容量增加而上升，且其时长完全满足经济调度计划的时间需求，即使10MW·h容量对应的恒值输出区间时长，其均值也满足小时级经济调度的要求；同时进一步分析波动率f_δ，在该文多目标优化模型下，有效调整了各阶段恒值输出数值，且随容量增加，其各阶段恒值输出值偏离选定时间区间内输出均值的程度降低，由此f_δ随容量增大呈下降趋势，即平抑功率的整体波动程度逐渐降低。将文本可变递进步长的控制策略与常规方法中的一小时定长恒值输出策略对比可得，等容量20MWh的充放电转换次数有效降低63.4%，而恒值输出时长均值增加60%，而f_δ则降低61.2%。显然本文充放电策略将明显利于储能系统的合理运行，同时显著提升平抑风电功率的可调度能力。

在日风功率输出有效平抑基础上，进一步对全年平抑效果进行整体分析。以20MW·h的储能容量为例，统计全年恒值输出区间数据，以15min为时间间隔，按全年数据统计恒值输出区间分布情况结果如表格2所示，结合图6中的柱状分布图可以看出，恒值输出区间时长统计中的77.5%在60min以上，而概率高达45.2%恒值区间时长超过90min，相比仅1.9%的恒值区间时长在30min以下，可见本文控制策略在有效降低充放电次数，降低总体风功率输出波动率的同时，将显著提升全年风电功率的可调度水平，对于促进风电功率参与经济调度计划具有显著意义。

表2全年风功率恒值输出区间分布统计

综上所述，算例验证中分析了不同配置储能容量的平抑效果，结果显示相对于常规定长恒值输出模式，本文可变递进步长控制方法显著提升了恒功率输出区间的时长均值，并降低了功率输出总体波动率，上述改进将对提高风电功率输出的可调度水平，促进其参与经济调度计划具有重要意义；同时该策略中储能系统充放电转换次数大幅降低，SOC合理运行区间内的容量空间充分利用，对于提高储能系统利用率，保障运行合理性具有显著作用。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，包括以下步骤：

（1）以单次充放电区间作为递进控制步长，建立控制步长和期望输出均可变的SOC临界限值循环充放电模型；

（2）根据充放电极限功率约束条件和超短期风功率预测时间配合约束条件，构建以递进控制步长最大和整体期望输出波动率最小为目标的多目标优化函数；

（3）在SOC临界限值循环充放电模型的前提下，选用NSGA-Ⅱ算法对储能系统多目标优化函数进行求解计算，分别确定风电场储能系统多目标函数的最优解。

2.如权利要求1所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述步骤（1）具体为：

设定SOC上行和下行临界限值区间[Smaxd,Smaxu]和[Smind,Sminu]，在递进控制步长区间内，选定上行或下行临界限值区间作为运行始端，则相应下行或上行的临界限值区间为对端位置，由始端朝向对端区间单向运行，且非线性变化，直至对端，此时充放电状态转换并按上述规律运行至始端SOC限值区间；其中，Smaxu<1.0，Smind>0。

3.如权利要求1所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述SOC临界限值循环充放电模型的充放电规律为：

当期望功率输出值Pi小于风功率输出值P(t)时，ESS充电，设定充放电标志λ值为1；

当期望功率输出值Pi大于风功率输出值P(t)时，ESS放电，设定充放电标志λ值为-1。

4.如权利要求3所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述SOC临界限值循环充放电模型的充电或放电模型为：

$\left\{\begin{array}{c}{\mathrm{\&eta;}}_c\underset{t=t_{\mathrm{ic}0}}{\overset{t_{\mathrm{icf}}}{\mathrm{\&Sigma;}}}[P\left(t\right)-P_{\mathrm{ic}}]\frac{n_{\mathrm{ic}}\mathrm{\&Delta;t}}{60}=V\&CenterDot;(S_{i\max }-S_{\mathrm{ic}0})\\ \frac{1}{{\mathrm{\&eta;}}_d}\underset{t=t_{\mathrm{id}0}}{\overset{t_{\mathrm{idf}}}{\mathrm{\&Sigma;}}}[P_{\mathrm{id}}-P\left(t\right)]\frac{n_{\mathrm{id}}\mathrm{\&Delta;t}}{60}=V\&CenterDot;(S_{\mathrm{id}0}-S_{i\min })\end{array}\right.$

其中，i为递进控制区间序列号；Δt为风功率数据采集时间间隔，单位为min；n_ic为充电区间内的数据采集次数；n_id为放电区间的采集次数；P_ic、P_id为递进控制区间i内的充、放电期望功率输出值；P（t）为风电输出功率；[t_ic0,t_icf]、[t_id0,t_idf]分别为充、放电区间的各自始末时刻；η_c表示储能系统的充电效率；V为储能系统能量容量，单位MW·h；S_imax为第i递进控制区间内SOC充电限值，且S_imax∈[S_maxd,S_maxu]；S_ic0为第i递进控制区间内充电时的SOC初始值；η_d表示储能系统的放电效率；S_id0为第i递进控制区间内放电时的SOC初始值；S_imin为第i递进控制区间内SOC放电限值，且S_imin∈[S_mind,S_minu]。

5.如权利要求2所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述充放电状态转换判据为：

其中，S（t-1）为前一时刻SOC数值；λ（t）为当前充放电标志值；相应λ（t-1）为前一时刻充放电标志值；充电状态时SOC超过上限则转为放电状态；放电状态时SOC越下限则转为充电状态。

6.如权利要求1所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述多目标优化函数为：

$\left\{\begin{array}{c}\min (f_c,f_d,f_{\mathrm{\&delta;}})\\ f_c=-\mathrm{\&Delta;t}\&CenterDot;n_{\mathrm{ic}}\\ f_d=-\mathrm{\&Delta;t}\&CenterDot;n_{\mathrm{id}}\\ f_{\mathrm{\&delta;}}=\underset{j=1}{\overset{i}{\mathrm{\&Sigma;}}}({\left|\frac{(P_{\mathrm{jc}}-P_{\mathrm{avg}})}{P_{\mathrm{avg}}}\right|}^2+{\left|\frac{P_{\mathrm{jd}}-P_{\mathrm{avg}}}{P_{\mathrm{avg}}}\right|}^2)\end{array}\right.$

其中，f_c为第i递进控制区间内充电时间取反；f_d为第i次递进控制区间放电时间取反；f_δ为平抑功率波动率；n_ic为充电区间内的数据采集次数；n_id为放电区间的采集次数；P_jc、P_jd分别为递进控制区间j内的充、放电期望功率输出值；P_avg为输出平抑功率时间内的功率均值，且 $P_{\mathrm{avg}}=\underset{j=1}{\overset{i}{\mathrm{\&Sigma;}}}\frac{P_{\mathrm{jc}}+P_{\mathrm{jd}}}{2i}.$

7.如权利要求1所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述充放电极限功率约束条件为：

$\left\{\begin{array}{cc}P\left(t\right)-P_{\mathrm{ic}}\&le;P_{c\max }& t\&Element;[t_{\mathrm{ic}0},t_{\mathrm{icf}}]\\ P_{\mathrm{id}}-P\left(t\right)\&le;P_{d\max }& t\&Element;[t_{\mathrm{id}0},t_{\mathrm{idf}}]\end{array}\right.$

其中，P_cmax为极限充电功率，若无法满足该约束条件，则按限值P_cmax运行；P_dmax为极限放电功率，若无法满足该约束条件，则按限值P_dmax运行。

8.如权利要求1所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述超短期风功率预测时间配合约束条件为：

t_min≤t_i≤t_max

其中，t_i为第i次控制步长时长；t_min、t_max分别为超短期预测时长的最小值和最大值。

9.如权利要求1所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述NSGA-Ⅱ算法对储能系统多目标优化函数进行求解计算的步骤为：

（1）编码：将决策量进行实数编码；每一组决策量包括：单次递进控制区间的充放电步长t_ic、t_id，充放电期望输出功率P_ic、P_id，充电SOC最大值和放电SOC最小值SOC_max、SOC_min；每一组决策量构成一个基因；

（2）储能系统参数初始化以及种群初始化：设定SOC初值SOC₀、充放电期望输出功率初值P_i0、储能容量V、SOC上行区间[S_maxd,S_maxu]、下行区间[S_mind,S_minu]、储能系统充放电效率η_c和η_d，确定NSGA-Ⅱ算法中种群规模pop、进化代数gen、多目标函数个数M；

（3）在变量约束范围内，检验基因是否满足SOC临界限值循环充放电模型，若不满足，舍弃该基因，重新产生新的基因，保证基因个数为pop；

（4）快速非支配排序：分别计算每个基因的充、放电步长和期望输出波动率，每个基因连同其目标函数值构成个体，根据个体目标函数位的非劣解水平对种群分层，找出种群中的非支配解，其非支配序为1，将其从种群中除去；继续找出余下个体中的非支配解，其支配序为2；直到整个种群被分层；

（5）个体拥挤距离计算：拥挤距离为目标空间上与个体i相邻的个体i+1和i-1之间的距离；

（6）锦标赛机制选取父代进行交叉变异：对随机选择的个体比较支配序和拥挤距离，锦标赛机制选择支配序小、拥挤距离大的个体作为父代，对其进行交叉变异；

（7）精英策略保留优良个体：将优良父代和经交叉变异产生的子代合并，优先选择支配序小、拥挤距离大的个体，直至满足种群规模pop；

（8）判断是否达到进化代数最大值，若是，结束并选取最优解；若否，进入下代重新计算。

10.如权利要求9所述的一种递进步长和期望输出均可变的储能系统优化控制方法，其特征是，所述拥挤距离为：

$D\left(i\right)=D\left(i\right)+\frac{(D{(i+1)}_m-D{(i-1)}_m)}{(f_m^{\max }-f_m^{\min })}$

其中，D(i+1)_m是第i+1个体的第m个目标函数值；D(i-1)_m是第i-1个体的第m个目标函数值；分别是所有集合中第m个目标函数的最大值和最小值。