CN105262117A - 一种风电爬坡优化控制方法 - Google Patents

Abstract

本发明公开了一种风电爬坡优化控制方法，包括以下步骤：一、采用滑动平均滤波方法得到风电功率平抑目标；二、使用奇异值分解理论对波动功率<i>e</i>(<i>t</i>)进行分解，使波动功率在电池和超级电容器之间有效分配；三、根据历史风电数据，确定风电爬坡储能设备最佳荷电状态；四、利用风电功率预测值，得到不同储能设备的平抑功率，对储能设备的剩余电量进行预计算，进而对储能设备的荷电状态进行预判；五、根据预判的荷电状态是否超出运行约束条件，决定对储能设备当前充放电功率是否进行修正。本发明采用超前优化控制方法对混合储能设备的出力进行控制，从而有效抑制风电爬坡事件对电网的冲击，能够充分地提高混合储能设备的利用效率。

Description

一种风电爬坡优化控制方法

技术领域

本发明涉及储能以及电网安全领域，特别涉及一种风电爬坡优化控制方法。

背景技术

近年来，随着能源、环境问题的日益突出以及电力市场改革的深入，可再生能源发电在全球范围内迅速发展。由于风能资源蕴藏丰富，且风能具有产业成熟度高、发电成本低、自然环境和社会环境影响好等优点，风力发电的发展最为迅速。根据我国风能资源的占有情况，风力发电在我国具有很大的发展潜力，能较快地实现规模化发展。风电并网运行有很多优点，如缓解输电网的压力，使现有发电设施的利用率提高等。但是风电输出功率波动的不确定性以及波动性对电力系统安全经济运行的不良影响日益凸显。并且，目前风电功率预测精度不高，也为大规模风电并网增加了随机性。如何有效的对风电场输出功率波动进行平抑以减小对电网的冲击具有重要的现实意义。

文献“一种适用于混合储能系统的控制方法”(丁明，林根德，陈自年等.中国电机工程学报，2012，32(7)：1-6)和文献“基于小波包分解的混合储能技术在平抑风电场功率波动中的应用”(韩晓娟，陈跃燕，张浩等.中国电机工程学报，2013，33(19)：8-13)中指出，利用储能系统能够有效地平抑风电功率波动，减小风电波动对电网的影响，增强风电功率的稳定性。根据蓄电池和超级电容的荷电状态，采用模糊控制理论将超出目标值的功率偏差在不同储能介质之间进行分配，得到了比较好的平抑效果。在分析风电功率幅频特性之后，提出基于小波包分解的混合储能技术平抑风电场输出功率波动的方法。根据不同储能设备的特性，对风电不同频率的功率进行吸收。

文献“基于状态量预测的风储联合并网储能优化控制方法”(柴炜，曹云峰，李征等.电力系统自动化，2015，39(2)：13-20)和文献“基于超短期风电预测功率的储能系统跟踪风电计划出力控制方法”(闫鹤鸣，李相俊，麻秀范等.电网技术，39(2)：432-439)中，对风电场的功率进行超短期预测，使电力调度部门能够提前根据风电功率变化及时调整调度计划，使储能设备提前调整充放电方法，能更有效的对风电波动进行平抑，是减轻风电对电网造成不利影响的有效途径。通过混沌相空间重构理论和组合预测方法对电池的状态进行预测，根据电池不同的状态以得到不同的调节力度。在风电功率预测的基础上，使用利用粒子群优化算法实时更新储能系统充放电控制方法，来最大程度的跟踪风电功率计划出力。

文献“抑制风电爬坡率的风储联合优化控制方法”(王颖，张凯锋，付嘉渝等.电力系统自动化，2013，37(13)：17-23)和文献“StochasticOptimalControloftheStorageSystemtoLimitRampRatesofWindPowerOutput”(LeeD，KimJ，BaldickR.SmartGrid，IEEETransactionson，2013，4(4)：2256-2265)中，风电功率爬坡事件是短时间内风电功率发生大幅度的波动，对电网安全稳定构成潜在威胁，如何对风电功率爬坡事件进行有效地预测和爬坡率控制为国内外研究的重点，但是在爬坡率控制方面研究较少。提出一种基于竞争博弈的风电爬坡协同控制方法，通过风电场群之间的协同控制来改善风电爬坡特性。但是如果只依靠风电场群进行爬坡率控制，具有一定的局限性，经济性不高。引入弃风控制，利用风储联合优化控制方法来抑制风电爬坡率。

发明内容

本发明所要解决的技术问题是提供一种风电爬坡优化控制方法，在超短期风电功率预测的基础上，利用超前优化控制方法对混合储能设备的出力进行控制，从而有效抑制风电爬坡事件对电网的冲击，充分提高混合储能设备的利用效率。

为解决上述技术问题，本发明采用的技术方案是：

一种风电爬坡优化控制方法，包括以下步骤：

S1：采用滑动平均滤波方法得到风电功率平抑目标；风电功率出力数据P_W(t)由风电功率平抑目标P_Z(t)和风电随机的波动功率e(t)组成，即P_W(t)＝P_Z(t)+e(t),t＝1,2,...,N，假定每q个相邻数据的小区间内的风电功率是平稳的，取q个相邻数据的平均值作为平滑后的风电功率，即 $P_Z\left(t\right)=\frac{1}{q}\underset{k=1}{\overset{q}{\&Sigma;}}{P}_W(t-q+k),t=q,q+1,...,N;$

S2：使用奇异值分解理论对波动功率e(t)进行分解，使波动功率在电池和超级电容器之间有效分配；假定需要进行分解的波动功率E＝[e(1),e(2),…,e(N)]，构造Hankel矩阵：

在Hankel矩阵中，n为嵌入维数，1<n<N；令m＝N-n+1，H∈R^m×n，那么，存在正交矩阵U∈R^m×m和V∈R^n×n，使得H分解为 $H=U\left[\begin{array}{cc}\mathrm{\&Sigma;}& 0\\ 0& 0\end{array}\right]V^T,$ 式中，Σ＝diag(σ₁,σ₂,…,σ_r)为H的奇异值，r为H的秩，且σ₁≥σ2≥…≥σ_r≥0；将 $H=U\left[\begin{array}{cc}\mathrm{\&Sigma;}& 0\\ 0& 0\end{array}\right]V^T$ 写成向量形式，即这样，波动功率e(t)被分解为一系列功率分量的线性叠加，在电池与超级电容之间进行分配，选择奇异值较大的功率分量分配给电池，剩余的分配给超级电容；

S3：根据历史风电数据，确定风电爬坡储能设备最佳荷电状态；不同储能设备在不同风电出力状态下的动态最佳荷电状态为 $SOC\left(best\right)=\left\{\begin{array}{cc}{\mathrm{SOC}}_1& 0\&le;P_W\&le;k_{1}p.u.\\ {\mathrm{SOC}}_i& k_{i-1}p.u<P_W\&le;k_{i}p.u.\\ {\mathrm{SOC}}_n& k_{n-1}p.u<P_W\&le;1p.u\end{array}\right.,$ 其中，i＝2,3,…,n-1，SOC₁<SOC₂<…<SOC_i<…<SOC_n，0<k₁<k₂<…<k_n-1<1；

S4：利用风电功率预测值，得到不同储能设备的平抑功率，对储能设备的剩余电量进行预计算，进而对储能设备的荷电状态进行预判；使用的储能设备剩余电量E(t)递推关系为：充电时，E(t)＝(1-δ_sdr)E(t-1)+P_ESS(t)Δtη_C，放电时荷电状态SOC(t)＝E(t)/E_N，运行约束条件：-P_m≤P_ESS(t)≤P_m、SOC_min≤SOC(t)≤SOC_max；其中，P_EES(t)为储能设备t时段内的充放电功率，δ_sdr为储能设备的自放电率，Δt为每次充放电的时间，η_C和η_D分别为储能设备的充电效率和放电效率，E_N为储能设备的额定容量，P_m为储能设备的本身功率特性所决定的最大充放电功率，SOC_min和SOC_max分别为荷电状态的下限和上限；

S5：根据预判的荷电状态是否超出运行约束条件，决定对储能设备当前充放电功率是否进行修正；具体为：

1)、预测周期T内储能设备荷电状态没有越限，储能设备按照预先分配的平抑功率进行平抑；

2)、预测周期T内储能设备荷电状态越上限，引入多步充放电因子α，0<α<1，当前充放电功率修正功率为式中，P′_ESS(t)为修正后储能设备当前平抑功率，E_e代表预测周期T内储能设备超过荷电状态上限的总电量；

3)、预测周期T内储能设备荷电状态越下限，当前充放电功率修正功率为式中，E_s代表预测周期T内储能设备超过荷电状态下限的总电量。

根据上述方案，所述平抑功率，即预测的平抑功率为考虑误差后所预测的平抑功率，表示为 $\left\{\begin{array}{c}{\hat{P}}_{ESS}^{\&prime;}\left(t\right)={\hat{P}}_{ESS}\left(t\right)+P_{eu}\left(t\right),rampupevent\\ {\hat{P}}_{ESS}^{\&prime;}\left(t\right)={\hat{P}}_{ESS}\left(t\right)+P_{ed}\left(t\right),rampdownevent\end{array}\right.,$ 其中，为考虑预测误差后储能设备的预测平抑功率，为储能设备的预测平抑功率，P_eu(t)和P_ed(t)分别为储能设备的预测平抑功率在不同时间尺度t下，一定置信区间内的误差上界和下界。

与现有技术相比，本发明的有益效果是：利用滑动平均滤波可以得到较为平滑的风电平抑目标功率，通过奇异值分解理论根据不同储能设备特性实现平抑功率在电池和超级电容器的合理分配。不同的风电出力对应不同的储能设备最优荷电状态，能够更加有效的平抑以后的风电波动。引入多步充放电因子，保证了平抑后的风电功率比较平滑。

附图说明

图1是本发明方法的控制过程示意图。

图2是本发明方法中风电爬坡功率和平抑后的风电功率对比图。

图3是本发明方法中混合储能设备平抑功率。

图4是本发明方法中混合储能设备平抑功率分配后电池的平抑功率。

图5是本发明方法中混合储能设备平抑功率分配后超级电容器的平抑功率。

图6是没有超前优化控制和有超前优化控制的电池荷电状态对比示意图。

图7是没有超前优化控制和有超前优化控制的超级电容器荷电状态对比示意图。

图8是原始风电功率和没有超前优化控制以及有超前优化控制两种控制下风电功率波动对比示意图。

图2至图8中的“时间(5min)”表示每隔5min采集一个数据点，即是横坐标的50表示50个数据点，100表示100个数据点。

具体实施方式

本发明风电爬坡优化控制方法，即一种超前优化控制方法主要思路是：根据风电功率超短期预测值，利用滑动平均滤波得到风电功率平抑目标，通过奇异值分解理论实现平抑功率在电池和超级电容之间的有效分配。考虑未来风电功率以及预测误差，根据超前充放电控制方法对储能设备当前充放电进行修正，包括以下步骤：

1)滑动平均滤波的方法得到风电功率平抑目标

风电功率出力数据P_W(t)由风电功率平抑目标P_Z(t)和风电随机的波动e(t)组成：

P_W(t)＝P_Z(t)+e(t),t＝1,2,...,N(1)

为了得到更加平滑的风电功率平抑目标P_Z(t)，需要对风电功率出力数据进行平滑滤波处理。假设每q个相邻数据的小区间内的风电功率是平稳的，于是可以取q个相邻数据的平均值作为平滑后的风电功率。即：

$P_Z\left(t\right)=\frac{1}{q}\underset{k=1}{\overset{q}{\&Sigma;}}{P}_W(t-q+k),t=q,q+1,...,N---\left(2\right)$

2)基于奇异值分解理论的平抑功率分配

利用滑动平均滤波得到风电功率平抑目标P_Z(t)以及需要混合储能系统进行平抑的波动功率e(t)。使用奇异值分解理论对e(t)进行分解，使其在电池和超级电容器之间有效分配。

假设有需要进行分解的波动功率E＝[e(1),e(2),…,e(N)]，由此可以构造Hankel矩阵：

式中：n为嵌入维数，1<n<N，令m＝N-n+1，H∈R^m×n。

那么存在正交矩阵U∈R^m×m和V∈R^n×n，此时H可分解为：

$H=U\left[\begin{array}{cc}\mathrm{\&Sigma;}& 0\\ 0& 0\end{array}\right]V^T---\left(4\right)$

式中：Σ＝diag(σ₁,σ₂,…,σ_r)为H的奇异值，r为H的秩，且σ₁≥σ₂≥…≥σ_r≥0。

写成向量形式，有：

$H=\underset{k=1}{\overset{m}{\&Sigma;}}{\mathrm{\&sigma;}}_k{u}_k{v}_k^T---\left(5\right)$

这样，e(t)被分解成了一系列功率分量的线性叠加，这样的好处是可以保证分解后的功率和原始功率没有时间上的偏移。奇异值越大，说明该功率分量所包含的信息越多。后面比较小的奇异值则代表功率中的噪声分量，所以奇异值分解理论也有一定的去噪功能。

由Hankel矩阵的构造可知，分解后的功率分量数据长度为n，当需要恢复数据长度为N的功率分量时，只需要结合公式(3)中的第一行和最后一列数据即可。

3)风电爬坡储能系统最佳荷电状态

以往文献中，一般定义储能设备的最佳荷电状态为0.5，这样可以最大化储能设备平抑下一时刻风电功率波动的能力。针对风电功率的爬坡事件，本发明提出混合储能系统的动态最佳荷电状态。

风电功率上爬坡会使得下一时刻风电功率波动超过波动上限，这时就需要储能系统来吸收一部分风电爬坡功率，使得风电功率波动在限制范围内。同样的，风电功率下爬坡时则需要储能系统释放一部分功率，来降低风电下爬坡的速度。

风电上爬坡事件一般从风电功率比较小的时刻开始，风电下爬坡事件一般从风电功率比较大的时刻开始。也就是说，风电功率比较小的时候不会发生下爬坡事件，所以可以放掉一部分多余的电量来平抑风电上爬坡事件。风电功率比较大的时候基本不会发生上爬坡事件，可以适当充电来平抑风电的下爬坡事件。所以得到不同储能设备在不同风电出力状态下的动态最佳荷电状态如下：

$SOC\left(best\right)=\left\{\begin{array}{cc}{\mathrm{SOC}}_1& 0\&le;P_W\&le;k_{1}p.u.\\ {\mathrm{SOC}}_i& k_{i-1}p.u<P_W\&le;k_{i}p.u.\\ {\mathrm{SOC}}_n& k_{n-1}p.u<P_W\&le;1p.u\end{array}\right.---\left(6\right)$

式中：i＝2,3,…,n-1，SOC₁<SOC₂<…SOC_i…<SOC_n，0<k₁<k₂<…<k_n-1<1。于是风电出力被分成了n个区间，每个出力区间对应一个储能设备最佳荷电状态。风电出力低的时候对应一个比较小的荷电状态，风电具有一定出力时，荷电状态取0.5左右来满足风电下一时刻的不确定性，风电出力比较大时对应一个比较大的荷电状态。

4)考虑预测误差的风电爬坡超前优化控制方法

利用风电功率预测值，得到不同储能设备的平抑功率，然后利用公式(7)-公式(9)对储能设备的剩余电量进行预计算，进而对储能设备的荷电状态进行预判，如果超出运行约束条件，则需要对当前储能系统的输出功率进行调整。使用的储能设备剩余电量E(t)递推关系如下：

充电：

E(t)＝(1-δ_sdr)E(t-1)+P_ESS(t)Δtη_C(7)

放电：

$E\left(t\right)=(1-{\mathrm{\&delta;}}_{sdr})E(t-1)-\frac{P_{ESS}\left(t\right)\mathrm{\&Delta;}t}{{\mathrm{\&eta;}}_D}---\left(8\right)$

荷电状态(SOC)：

SOC(t)＝E(t)/E_N(9)

运行约束：

-P_m≤P_ESS(t)≤P_m(10)

SOC_min≤SOC(t)≤SOC_max(11)

式中：P_EES(t)为储能设备t时段内的充放电功率，δ_sdr为储能设备的自放电率，Δt为每次充放电的时间，η_C和η_D分别为储能设备的充电效率和放电效率，E_N为储能设备的额定容量，P_m为储能设备的本身功率特性所决定的最大充放电功率，SOC_min和SOC_max分别为荷电状态的下限和上限。为了防止储能设备过充和过放，以延长储能设备的寿命，

当根据风电功率预测值得到各储能设备的预测平抑功率之后，考虑风电功率预测误差。因为超短期预测的精度相对较高，所以考虑预测误差最坏的情况，即：

$\left\{\begin{array}{c}{\hat{P}}_{ESS}^{\&prime;}\left(t\right)={\hat{P}}_{ESS}\left(t\right)+P_{eu}\left(t\right),rampupevent\\ {\hat{P}}_{ESS}^{\&prime;}\left(t\right)={\hat{P}}_{ESS}\left(t\right)+P_{ed}\left(t\right),rampdownevent\end{array}\right.---\left(12\right)$

式中：为考虑预测误差后储能设备预测平抑功率，为储能设备预测平抑功率，P_eu(t)和P_ed(t)为储能设备预测平抑功率在不同时间尺度t下，一定置信区间内的误差上界和下界。一般地，P_eu(t)为正，P_ed(t)为负，可以通过对历史风电数据的预测统计获得。

根据储能设备预测平抑功率对储能设备的荷电状态进行预判，进而可以对储能设备当前充放电功率进行修正。

(1)预测周期T内储能设备荷电状态没有越限：储能设备按照预先分配的平抑功率进行平抑。

(2)预测周期T内储能设备荷电状态越上限：在未来某个时刻，储能设备的将因为达到荷电状态上限而不能再对风电功率进行平抑。于是就需要储能设备在当前风储联合系统出力波动不越限的情况下，适当的放电或者少充一些电，以保证未来的平抑能力。为了使储能设备在提前放电的时候能兼顾P_Z的平滑性，引入多步充放电因子α(0<α<1)，一般取0.2到0.5。当前充放电功率修正功率如下：

$P_{ESS}^{\&prime;}\left(t\right)=P_{ESS}\left(t\right)-min\&lsqb;\mathrm{\&alpha;}\left(D_{et}-{\mathrm{\&Delta;P}}_Z\left(t\right)\right),\frac{E_e{\mathrm{\&eta;}}_D}{\mathrm{\&Delta;}t}\&rsqb;---\left(13\right)$

式中：P′_ESS(t)为修正后储能设备当前平抑功率，E_e代表预测周期T内储能设备超过荷电状态上限的总电量，为功率乘以时间。

(3)预测周期T内储能设备荷电状态越下限：储能设备提前充电或少放电，当前充放电功率修正功率如下：

$P_{ESS}^{\&prime;}\left(t\right)=P_{ESS}\left(t\right)+min\&lsqb;\mathrm{\&alpha;}\left(D_{et}+{\mathrm{\&Delta;P}}_Z\left(t\right)\right),\frac{E_s}{{\mathrm{\&Delta;t\&eta;}}_C}\&rsqb;---\left(14\right)$

式中：E_s代表预测周期T内储能设备超过荷电状态下限的总电量。

针对混合储能系统中的电池和超级电容器，本发明提出混合储能系统超前充放电控制方法如表1所示。因为(3)中电池的最佳荷电状态已经为风电爬坡事件留有一定的裕度，所以当储能设备在预测周期内荷电状态有越限的情况，首先考虑对超级电容器进行提前充放电。

表1混合储能系统超前充放电控制方法

表中的符号“*”表示当风电功率波动大于限值D_et时，电池可在能力范围内充放电补偿。

在风电和混合储能系统联合运行时，本发明采用灵活且适应性强的滚动规划法，根据预测周期内的储能设备荷电状态预判，修改当前的储能设备出力计划。

实例应用

为了进一步地说明本发明方法的有益效果，本发明进行了具体验证，利用美国华盛顿州两年的风速数据，风速的采样周期为5分钟，利用HOMER软件选择4台10kW的风机模拟风机的输出功率。

1)滑动平均滤波的方法得到风电功率平抑目标

如图2所示，图2中实线给出了美国华盛顿州一天24小时的风电出力曲线，通过滑动平均滤波的方法得到风电功率平抑目标(图2中虚线)。从图中可以看出，原始的风电出力曲线波动很大，通过滑动平均滤波处理后的风电功率比较平滑。

2)基于奇异值分解理论的平抑功率分配

某一天中需要混合储能系统进行平抑的风电功率(如图3所示)，通过奇异值分解理论对其进行分解，取嵌入维数n为10，选择奇异值最大的功率分量分配给电池平抑(如图4所示)，剩下的功率分量分配给超级电容器平抑(如图5所示)。

3)风电爬坡储能系统最佳荷电状态

因为风电功率爬坡一般持续时间较长，需要的能量密度比较大，所以本发明主要考虑利用电池来对风电爬坡的功率增加或下降进行平抑。超级电容器主要是平抑下一时刻的随机波动以及少部分爬坡功率。本发明给出一般电池和超级电容器的最佳荷电状态如下：

${\mathrm{SOC}}_B\left(best\right)=\left\{\begin{array}{cc}0.3& 0\&le;P_W\&le;0.1p.u.\\ 0.4& 0.1p.u<P_W\&le;0.3p.u\\ 0.5& 0.3p.u<P_W\&le;0.5p.u\\ 0.6& 0.5p.u<P_W\&le;0.7p.u\\ 0.7& 0.7p.u<P_W\&le;1p.u\end{array}\right.---\left(15\right)$

${\mathrm{SOC}}_C\left(best\right)=\left\{\begin{array}{cc}0.4& 0<P_W\&le;0.3p.u.\\ 0.5& 0.3p.u<P_W\&le;0.7p.u\\ 0.6& 0.7p.u<P_W\&le;1p.u\end{array}\right.---\left(16\right)$

4)考虑预测误差的风电爬坡超前优化控制方法

为了更清楚体现超前优化控制方法的优点，本发明使用无超前优化控制的平抑方法来进行对比，即储能设备的充放电只根据当前平抑功率分配结果进行。两种不同控制方法下电池的荷电状态如图6所示，超级电容器的荷电状态如图7所示。

无超前优化控制对风电爬坡功率进行平抑时，电池和超级电容器的荷电状态都有不同程度的越限。而当加入超前优化控制方法之后，电池和超级电容器的荷电状态就没有再越限。由图7知，在无超前优化控制时，超级电容器在第120个数据左右时越荷电状态上界，即超级电容器不再能够平抑风电向上爬坡的波动。超前优化控制检测到超级电容器在预测周期T之后越荷电状态上界，在超前优化控制方法下，超级电容器适当少充一些电。这时，电池的荷电状态小于最佳动态荷电状态，这时，电池会帮助吸收一部分风电功率，使得平抑后的风电功率更加的平滑。

在此次风电爬坡事件中，电池的荷电状态从开始的30％，随着风电的上爬坡开始增加，随后荷电状态又跟随风电的下爬坡开始下降，荷电状态回到最佳荷电状态30％左右，能够为下一次的风电上爬坡进行平抑。超级电容器的荷电状态则在0.2和0.8之间来回波动。

原始风电功率和两种控制方法下风电功率波动对比如图8所示。从图8中可以看出，原始风电功率在爬坡的时候，对于目标波动率4kW/5min越限的概率很大，并且越限的幅值还很大，达到了10多kW和-13kW。在加入了混合储能设备之后，越限明显降低，表明引入混合储能设备之后，风电爬坡事件的波动得到了明显的平抑。当采用超前优化控制方法后，波动功率没有越限。说明引入超前优化控制方法和混合储能系统之后，风电爬坡事件的功率波动得到了有效的抑制。

Claims (2)

1.一种风电爬坡优化控制方法，其特征在于，包括以下步骤：

S1：采用滑动平均滤波方法得到风电功率平抑目标；风电功率出力数据P_W(t)由风电功率平抑目标P_Z(t)和风电随机的波动功率e(t)组成，即P_W(t)＝P_Z(t)+e(t),t＝1,2,...,N，假定每q个相邻数据的小区间内的风电功率是平稳的，取q个相邻数据的平均值作为平滑后的风电功率，即 $P_Z\left(t\right)=\frac{1}{q}\underset{k=1}{\overset{q}{\&Sigma;}}{P}_W(t-q+k),t=q,q+1,...,N;$

S2：使用奇异值分解理论对波动功率e(t)进行分解，使波动功率在电池和超级电容器之间有效分配；假定需要进行分解的波动功率E＝[e(1),e(2),…,e(N)]，构造Hankel矩阵：

在Hankel矩阵中，n为嵌入维数，1<n<N；令m＝N-n+1，H∈R^m×n，那么，存在正交矩阵U∈R^m×m和V∈R^n×n，使得H分解为 $H=U\left[\begin{array}{cc}\mathrm{\&Sigma;}& 0\\ 0& 0\end{array}\right]V^T,$ 式中，Σ＝diag(σ₁,σ₂,…,σ_r)为H的奇异值，r为H的秩，且σ₁≥σ₂≥…≥σ_r≥0；将 $H=U\left[\begin{array}{cc}\mathrm{\&Sigma;}& 0\\ 0& 0\end{array}\right]V^T$ 写成向量形式，即这样，波动功率e(t)被分解为一系列功率分量的线性叠加，在电池与超级电容之间进行分配，选择奇异值较大的功率分量分配给电池，剩余的分配给超级电容；

S3：根据历史风电数据，确定风电爬坡储能设备最佳荷电状态；不同储能设备在不同风电出力状态下的动态最佳荷电状态为 $SOC\left(best\right)=\left\{\begin{array}{cc}{\mathrm{SOC}}_1& 0\&le;P_W\&le;k_{1}p.u.\\ {\mathrm{SOC}}_i& k_{i-1}p.u<P_W\&le;k_{i}p.u.\\ {\mathrm{SOC}}_n& k_{n-1}p.u<P_W\&le;1p.u\end{array}\right.,$ 其中，i＝2,3,…,n-1，SOC₁<SOC₂<…<SOC_i<…<SOC_n，0<k₁<k₂<…<k_n-1<1；

S4：利用风电功率预测值，得到不同储能设备的平抑功率，对储能设备的剩余电量进行预计算，进而对储能设备的荷电状态进行预判；使用的储能设备剩余电量E(t)递推关系为：充电时，E(t)＝(1-δ_sdr)E(t-1)+P_ESS(t)Δtη_C，放电时荷电状态SOC(t)＝E(t)/E_N，运行约束条件：-P_m≤P_ESS(t)≤P_m、SOC_min≤SOC(t)≤SOC_max；其中，P_EES(t)为储能设备t时段内的充放电功率，δ_sdr为储能设备的自放电率，Δt为每次充放电的时间，η_C和η_D分别为储能设备的充电效率和放电效率，E_N为储能设备的额定容量，P_m为储能设备的本身功率特性所决定的最大充放电功率，SOC_min和SOC_max分别为荷电状态的下限和上限；

S5：根据预判的荷电状态是否超出运行约束条件，决定对储能设备当前充放电功率是否进行修正；具体为：

1)、预测周期T内储能设备荷电状态没有越限，储能设备按照预先分配的平抑功率进行平抑；

2)、预测周期T内储能设备荷电状态越上限，引入多步充放电因子α，0<α<1，当前充放电功率修正功率为式中，P′_ESS(t)为修正后储能设备当前平抑功率，E_e代表预测周期T内储能设备超过荷电状态上限的总电量；

3)、预测周期T内储能设备荷电状态越下限，当前充放电功率修正功率为式中，E_s代表预测周期T内储能设备超过荷电状态下限的总电量。

2.如权利要求1所述的一种风电爬坡优化控制方法，其特征在于，所述平抑功率，即预测的平抑功率为考虑误差后所预测的平抑功率，表示为 $\left\{\begin{array}{c}{\hat{P}}_{ESS}^{\&prime;}\left(t\right)={\hat{P}}_{ESS}\left(t\right)+P_{eu}\left(t\right),rampupevent\\ {\hat{P}}_{ESS}^{\&prime;}\left(t\right)={\hat{P}}_{ESS}\left(t\right)+P_{ed}\left(t\right),rampdownevent\end{array}\right.,$ 其中，为考虑预测误差后储能设备的预测平抑功率，为储能设备的预测平抑功率，P_eu(t)和P_ed(t)分别为储能设备的预测平抑功率在不同时间尺度t下，一定置信区间内的误差上界和下界。