CN105552969A - 基于功率预测的分布式光伏发电输出功率平滑方法和系统 - Google Patents

Abstract

本发明公开了一种基于功率预测的分布式光伏发电输出功率平滑方法和系统，获取并根据光伏发电储能系统的放电深度特性，设置低通滤波器的时间常数；根据所述时间常数和光伏发电输出功率的预测值，计算低通滤波器的输出功率；根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小；获取储能系统荷电状态，并根据未来时间长度储能系统充放电容量大小，计算该储能系统充放电电量。因此，本发明通过储能元件抑制功率波动的特性，可抑制能源波动对输出功率的影响，减小功率波动，提高电能质量。

Description

基于功率预测的分布式光伏发电输出功率平滑方法和系统

技术领域

本发明涉及计算机领域，特别是指一种基于功率预测的分布式光伏发电输出功率平滑方法和系统。

背景技术

随着社会的飞速发展，其对能源的需求逐步增加，传统能源日益枯竭，同时伴随它的环境污染问题十分严重，这成为人类可持续发展所必需要解决的一个问题。为弥补和克服传统能源发电的不足，具有经济性、环保性、以及灵性性等优点的分布式发电(DistributedGeneration,DG)技术受到广泛研究和应用。太阳能发电作为清洁能源发电方式，具有改善能源结构、环保、经济等优点，在发电领域所占的市场份额也日益增加，并在并网发电、无功补偿、谐波抵制、电能质量管理等方面发挥着独特和重要的作用。

但是，太阳能自身存在的间歇性和波动性特点，导致太阳能发电存在输出功率波动大、对电网造成冲击甚至不稳定的问题，限制了光伏发电技术的进一步应用。

发明内容

有鉴于此，本发明的目的在于提出一种基于功率预测的分布式光伏发电输出功率平滑方法和系统，通过储能元件抑制功率波动的特性，可抑制能源波动对输出功率的影响，减小功率波动，提高电能质量。

基于上述目的本发明提供的基于功率预测的分布式光伏发电输出功率平滑方法，包括步骤：

获取并根据光伏发电储能系统的放电深度特性，设置低通滤波器的时间常数；根据所述时间常数和光伏发电输出功率的预测值，计算低通滤波器的输出功率；

根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小；

获取储能系统荷电状态，并根据未来时间长度储能系统充放电容量大小，计算该储能系统充放电电量。

在一些实施例中，所述设置低通滤波器的时间常数包括：

当储能系统用一阶低通滤波器进行模拟时，则有

$\mathrm{\τ}\frac{{\mathrm{dp}}_o\left(t\right)}{dt}+p_o\left(t\right)=p_{wtg-pv}^{sum}\left(t\right)$

其中，τ为低通滤波器时间常数，P₀(t)表示储能系统实际输出功率，p^PV(t)表示光伏电站发电输出功率；

对上式进行离散化，且平抑控制周期为T，则得到：

$\mathrm{\τ}\frac{P_k^0-P_{k-1}^0}{T}+P_k^0=P_k^{PV}$

然后，得到t＝kT时刻：

$P_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}{P}_{k-1}^0+\frac{T}{\mathrm{\τ}+T}{P}_k^{PV}$

同时，对光伏电站输出总功率中的高频分量进行滤波平滑，所需的储能系统充放电总功率为：其中，τ为滤波器时间常数，T为采样周期；为光伏电站实际输出；为k时刻滤波器输出；

最后，可根据期望得到的储能系统平滑控制效果，确定滤除太阳能光伏发电储能系统充放电总功率，便可以通过上式得到低通滤波器时间常数τ。

在一些实施例中，根据计算低通滤波器输出功率。

在一些实施例中，所述根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小包括：

储能系统充放电功率为P_storage(t)＝P_{PV_forecast}(t)-P_{Filter_out}(t)，则未来时间长度T时储能系统充放电容量大小Q_storage符号为正时储能系统充电，Q_storage符号为负时储能系统放电。

在一些实施例中，所述计算该储能系统充放电电量包括：

若荷电状态SOC可以满足未来时间长度T时的充放电，则储能系统为状态A，储能系统充放电电量为Q_storage；

若储能系统SOC可以部分满足未来时间长度T时的充放电，则储能系统为状态B，储能系统放电电量为C_storage*(SOC-SOC_low)，储能系统的充电电量为C_storage*(SOC_high-SOC)。其中SOC_high和SOC_low分别为储能系统安全工作的荷电状态上下线，C_storage是储能系统容量；

若储能系统SOC不能进行任何的充放电，则储能系统为状态C，充放电电量为0。

另外，本发明还提供了一种基于功率预测的分布式光伏发电输出功率平滑系统，包括：

低通滤波器输出功率获取单元，用于获取并根据光伏发电储能系统的放电深度特性，设置低通滤波器的时间常数；根据所述时间常数和光伏发电输出功率的预测值，计算低通滤波器的输出功率；

储能系统充放电容量预测单元，用于根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小；

储能系统充放电电量获取单元，用于获取储能系统荷电状态，并根据未来时间长度储能系统充放电容量大小，计算该储能系统充放电电量。

在一些实施例中，所述低通滤波器输出功率获取单元设置低通滤波器的时间常数包括：

当储能系统用一阶低通滤波器进行模拟时，则有

$\mathrm{\τ}\frac{{\mathrm{dp}}_o\left(t\right)}{dt}+p_o\left(t\right)=p_{wtg-pv}^{sum}\left(t\right)$

其中，τ为低通滤波器时间常数，P₀(t)表示储能系统实际输出功率，p^PV(t)表示光伏电站发电输出功率；

对上式进行离散化，且平抑控制周期为T，则得到：

$\mathrm{\τ}\frac{P_k^0-P_{k-1}^0}{T}+P_k^0=P_k^{PV}$

然后，得到t＝kT时刻：

$P_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}{P}_{k-1}^0+\frac{T}{\mathrm{\τ}+T}{P}_k^{PV}$

同时，对光伏电站输出总功率中的高频分量进行滤波平滑，所需的储能系统充放电总功率为：其中，τ为滤波器时间常数，T为采样周期；为光伏电站实际输出；为k时刻滤波器输出；

最后，可根据期望得到的储能系统平滑控制效果，确定滤除太阳能光伏发电储能系统充放电总功率，便可以通过上式得到低通滤波器时间常数τ。

在一些实施例中，所述低通滤波器输出功率获取单元根据 $\mathrm{\τ}\frac{{\mathrm{dp}}_{Filter\_out}\left(t\right)}{dt}+P_{Filter\_out}\left(t\right)=P_{PV\_forecasi}\left(t\right),$ 计算低通滤波器输出功率。

在一些实施例中，所述储能系统充放电容量预测单元根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小包括：

储能系统充放电功率为P_storage(t)＝P_{PV_forecast}(t)-P_{Filter_out}(t)，则未来时间长度T时储能系统充放电容量大小Q_storage符号为正时储能系统充电，Q_storage符号为负时储能系统放电。

在一些实施例中，所述储能系统充放电电量获取单元计算该储能系统充放电电量包括：

若荷电状态SOC可以满足未来时间长度T时的充放电，则储能系统为状态A，储能系统充放电电量为Q_storage；

若储能系统SOC可以部分满足未来时间长度T时的充放电，则储能系统为状态B，储能系统放电电量为C_storage*(SOC-SOC_low)，储能系统的充电电量为C_storage*(SOC_high-SOC)。其中SOC_high和SOC_low分别为储能系统安全工作的荷电状态上下线，C_storage是储能系统容量；

若储能系统SOC不能进行任何的充放电，则储能系统为状态C，充放电电量为0。

从上面所述可以看出，本发明提供的基于功率预测的分布式光伏发电输出功率平滑方法和系统，实现了一套简便易行，同时利用储能元件削峰填谷的特性，并结合负载当前功率需求进行电能的储存以及释放，提高了光伏电站并网发电的灵活性以及稳定性。

附图说明

图1为本发明实施例中基于功率预测的分布式光伏发电输出功率平滑方法的流程示意图；

图2为本发明可参考实施例中基于功率预测的分布式光伏发电输出功率平滑方法的流程示意图；

图3为本发明实施例中基于功率预测的分布式光伏发电输出功率平滑系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

根据光伏并网发电的使用现状，根据对输出功率的使用需求，对于输出功率波动大、对电网造成冲击甚至不稳定的问题。本发明能够根据现有光伏并网的储能系统和低通滤波器进行处理，并且基于功率预测，实现光伏电站并网发电具有稳定性。

作为本发明的一个实施例，参阅图1所示，为本发明实施例中基于功率预测的分布式光伏发电输出功率平滑方法的流程示意图。所述基于功率预测的分布式光伏发电输出功率平滑方法包括：

步骤101，获取并根据光伏发电储能系统的放电深度特性，设置低通滤波器的时间常数。

在实施例中，当储能系统用一阶低通滤波器进行模拟时，则有

$\mathrm{\τ}\frac{{\mathrm{dp}}_o\left(t\right)}{dt}+p_o\left(t\right)=p_{wtg-pv}^{sum}\left(t\right)$

其中，τ为低通滤波器时间常数，P₀(t)表示储能系统实际输出功率，p^PV(t)表示光伏电站发电输出功率；

对上式进行离散化，且平抑控制周期为T，则得到：

$\mathrm{\τ}\frac{P_k^0-P_{k-1}^0}{T}+P_k^0=P_k^{PV}$

然后，得到t＝kT时刻：

$P_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}{P}_{k-1}^0+\frac{T}{\mathrm{\τ}+T}{P}_k^{PV}$

同时，对光伏电站输出总功率中的高频分量进行滤波平滑，所需的储能系统充放电总功率为：其中，τ为滤波器时间常数，T为采样周期；为光伏电站实际输出；为k时刻滤波器输出；

最后，可根据期望得到的储能系统平滑控制效果，确定滤除太阳能光伏发电储能系统充放电总功率，便可以通过上式得到低通滤波器时间常数τ。

步骤102，根据所述时间常数和光伏发电输出功率的预测值，计算低通滤波器的输出功率。

较佳地，根据计算低通滤波器输出功率。

步骤103，根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小。具体实施过程如下：

储能系统充放电功率为P_storage(t)＝P_{PV_forecast}(t)-P_{Filter_out}(t)，则未来时间长度T时储能系统充放电容量大小Q_storage符号为正时储能系统充电，Q_storage符号为负时储能系统放电。

步骤104，获取储能系统荷电状态，并根据未来时间长度储能系统充放电容量大小，计算该储能系统充放电电量。

优选地，若荷电状态SOC可以满足未来时间长度T时的充放电，则储能系统为状态A，储能系统充放电电量为Q_storage；

若储能系统SOC可以部分满足未来时间长度T时的充放电，则储能系统为状态B，储能系统放电电量为C_storage*(SOC-SOC_low)，储能系统的充电电量为C_storage*(SOC_high-SOC)。其中SOC_high和SOC_low分别为储能系统安全工作的荷电状态上下线，C_storage是储能系统容量。较佳地，SOC_high和SOC_low可以通过储能系统的充放电特性实验得到，储能系统的电量过低或过高对储能系统的性能都会有很大影响；

若储能系统SOC不能进行任何的充放电，则储能系统为状态C，充放电电量为0。

作为本发明另一可参考的实施例，参阅图2所示，所述的基于功率预测的分布式光伏发电输出功率平滑方法可以是如下过程：

步骤201，获取储能系统放电深度特性。

在实施例中，储能系统是光伏发电站的组成部分，并且位于光伏发电站的逆变器和并网点之间。在光伏发电站向电网输送能量过程中，储能系统充当一个缓冲系统的作用，光伏发电输出的剧烈波动可以被储能系统滤除。其中，储能系统的放电深度(DOD)表示当前储能系统已放出的储能容量占其额定容量的百分比。对于已经确定的储能系统蓄电池来说，一定温度条件下DOD是一个确定值。一般出厂时给定。

步骤202，根据储能系统放电深度特性设置低通滤波器时间常数。

较佳地，当储能系统用一阶低通滤波器进行模拟时，则有

$\mathrm{\τ}\frac{{\mathrm{dp}}_o\left(t\right)}{dt}+p_o\left(t\right)=p_{wtg-pv}^{sum}\left(t\right)$

其中，τ为低通滤波器时间常数，P₀(t)表示储能系统实际输出功率，p^PV(t)表示光伏电站发电输出功率。

优选地，对上式进行离散化，且平抑控制周期为T，则得到：

$\mathrm{\τ}\frac{P_k^0-P_{k-1}^0}{T}+P_k^0=P_k^{PV}$

然后，可以得到t＝kT时刻：

$P_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}{P}_{k-1}^0+\frac{T}{\mathrm{\τ}+T}{P}_k^{PV}$

同时，为了对光伏电站输出总功率中的高频分量进行滤波平滑，所需的储能系统充放电总功率为：其中，τ为滤波器时间常数，T为采样周期；为光伏电站实际输出；为k时刻滤波器输出。

最后，可根据期望得到的储能系统平滑控制效果，确定滤除太阳能光伏发电储能系统充放电总功率，便可以通过上式得到低通滤波器时间常数τ。

步骤203，获取分布式光伏电站输出功率的预测值P_{PV_forecast}以及储能系统的荷电状态值SOC。

在实施例中，分布式光伏电站输出功率的预测值P_{PV_forecast}的获得可以通过现有技术当中的神经网络训练气象数据和光伏输出功率来预测未来的输出功率。

较佳地，荷电状态值SOC表示当前储能系统还剩余的储能容量占其额定容量的百分比。SOC的测量是光伏电站储能系统的蓄电池管理的一个基本功能，可以通过电量累计方法等测试得到。

步骤204，根据计算低通滤波器输出功率P_{Filter_out}(t)。然后，获得储能系统充放电功率为P_storage(t)＝P_{PV_forecast}(t)-P_{Filter_out}(t)，则未来时间长度T时储能系统充放电容量大小Q_storage符号为正时储能系统充电，Q_storage符号为负时储能系统放电。

步骤205，根据储能系统荷电状态SOC以及未来时间长度T时储能系统充放电容量，获得该储能系统充放电电量。具体的实施过程如下：

若荷电状态SOC可以满足未来时间长度T时的充放电，则储能系统为状态A，储能系统充放电电量为Q_storage。

若储能系统SOC可以部分满足未来时间长度T时的充放电，则储能系统为状态B，储能系统放电电量为C_storage*(SOC-SOC_low)，储能系统的充电电量为C_storage*(SOC_high-SOC)。其中SOC_high和SOC_low分别为储能系统安全工作的荷电状态上下线，C_storage是储能系统容量。较佳地，SOC_high和SOC_low可以通过储能系统的充放电特性实验得到，储能系统的电量过低或过高对储能系统的性能都会有很大影响。

若储能系统SOC不能进行任何的充放电，则储能系统为状态C，充放电电量为0。

因此，光伏发电输出功率波动较为剧烈，不能满足并网的电能质量要求。本发明基于光伏发电输出功率预测结果和储能系统的自身特性，通过储能系统的充放电管理控制完成对光伏发电输出功率高频部分的滤波。

在本发明的另一方面，提供了一种基于功率预测的分布式光伏发电输出功率平滑系统，参阅图3所示，所述的基于功率预测的分布式光伏发电输出功率平滑系统依次包括低通滤波器输出功率获取单元301、储能系统充放电容量预测单元302以及储能系统充放电电量获取单元303。其中，低通滤波器输出功率获取单元301用于获取并根据光伏发电储能系统的放电深度特性，设置低通滤波器的时间常数；根据所述时间常数和光伏发电输出功率的预测值，计算低通滤波器的输出功率。储能系统充放电容量预测单元302用于根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小。储能系统充放电电量获取单元303用于获取储能系统荷电状态，并根据未来时间长度储能系统充放电容量大小，计算该储能系统充放电电量。

较佳地，所述低通滤波器输出功率获取单元设置低通滤波器的时间常数包括：

当储能系统用一阶低通滤波器进行模拟时，则有

$\mathrm{\τ}\frac{{\mathrm{dp}}_o\left(t\right)}{dt}+p_o\left(t\right)=p_{wtg-pv}^{sum}\left(t\right)$

其中，τ为低通滤波器时间常数，P₀(t)表示储能系统实际输出功率，p^PV(t)表示光伏电站发电输出功率；

对上式进行离散化，且平抑控制周期为T，则得到：

$\mathrm{\τ}\frac{P_k^0-P_{k-1}^0}{T}+P_k^0=P_k^{PV}$

然后，得到t＝kT时刻：

$P_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}{P}_{k-1}^0+\frac{T}{\mathrm{\τ}+T}{P}_k^{PV}$

同时，对光伏电站输出总功率中的高频分量进行滤波平滑，所需的储能系统充放电总功率为：其中，τ为滤波器时间常数，T为采样周期；为光伏电站实际输出；为k时刻滤波器输出；

最后，可根据期望得到的储能系统平滑控制效果，确定滤除太阳能光伏发电储能系统充放电总功率，便可以通过上式得到低通滤波器时间常数τ。

优选地，所述低通滤波器输出功率获取单元根据 $\mathrm{\τ}\frac{{\mathrm{dP}}_{Filter\_out}\left(t\right)}{dt}+P_{Filter\_out}\left(t\right)=P_{PV\_forecasi}\left(t\right),$ 计算低通滤波器输出功率。

作为本发明的另一个实施例，所述储能系统充放电容量预测单元计算未来时间长度储能系统充放电容量大小包括：储能系统充放电功率为P_storage(t)＝P_{PV_forecast}(t)-P_{Filter_out}(t)，则未来时间长度T时储能系统充放电容量大小Q_storage符号为正时储能系统充电，Q_storage符号为负时储能系统放电。

较佳地，储能系统充放电电量获取单元计算该储能系统充放电电量包括：若荷电状态SOC可以满足未来时间长度T时的充放电，则储能系统为状态A，储能系统充放电电量为Q_storage。

若储能系统SOC可以部分满足未来时间长度T时的充放电，则储能系统为状态B，储能系统放电电量为C_storage*(SOC-SOC_low)，储能系统的充电电量为C_storage*(SOC_high-SOC)。其中SOC_high和SOC_low分别为储能系统安全工作的荷电状态上下线，C_storage是储能系统容量。优选地，SOC_high和SOC_low可以通过储能系统的充放电特性实验得到，储能系统的电量过低或过高对储能系统的性能都会有很大影响。

若储能系统SOC不能进行任何的充放电，则储能系统为状态C，充放电电量为0。

需要说明的是，在本发明所述的基于功率预测的分布式光伏发电输出功率平滑系统的具体实施内容，在上面所述的基于功率预测的分布式光伏发电输出功率平滑方法中已经详细说明了，故在此重复内容不再说明。

综上所述，本发明提供的基于功率预测的分布式光伏发电输出功率平滑方法和系统，创造性地储能技术的应用为平滑光伏发电系统总功率提供了一个可行方案，可以改善光伏发电特性，进而提高光伏发电并网平滑性，达到提高电网对风光储系统的接纳能力，利用储能系统对光伏发电并网进行平滑控制；并且，对光伏电站输出功率的平滑效果非常好，具有可兼顾太阳能功率预测误差、储能系统的荷电状态，从而可实现电池储能电站长期、稳定运行；与此同时，本发明采用预测技术对分布式光伏发电使用状况进行预测具有重要意义，提高分布式光伏的资源利用率和性能；最后，整个所述的基于功率预测的分布式光伏发电输出功率平滑方法和系统紧凑，易于实现。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于功率预测的分布式光伏发电输出功率平滑方法，其特征在于，包括步骤：

获取并根据光伏发电储能系统的放电深度特性，设置低通滤波器的时间常数；根据所述时间常数和光伏发电输出功率的预测值，计算低通滤波器的输出功率；

根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小；

获取储能系统荷电状态，并根据未来时间长度储能系统充放电容量大小，计算该储能系统充放电电量。

2.根据权利要求1所述的方法，其特征在于，所述设置低通滤波器的时间常数包括：

当储能系统用一阶低通滤波器进行模拟时，则有

$\mathrm{\τ}\frac{{\mathrm{dp}}_o\left(t\right)}{dt}+p_o\left(t\right)=p_{wtg-pv}^{sum}\left(t\right)$

其中，τ为低通滤波器时间常数，P₀(t)表示储能系统实际输出功率，p^PV(t)表示光伏电站发电输出功率；

对上式进行离散化，且平抑控制周期为T，则得到：

$\mathrm{\τ}\frac{P_k^0-P_{k-1}^0}{T}+P_k^0=P_k^{PV}$

然后，得到t＝kT时刻：

$P_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}{P}_{k-1}^0+\frac{T}{\mathrm{\τ}+T}{P}_k^{PV}$

同时，对光伏电站输出总功率中的高频分量进行滤波平滑，所需的储能系统充放电总功率为： $p_{sb}^k=p_k^{sum}-p_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}(p_k^{sum}-p_{k-1}^o);$ 其中，τ为滤波器时间常数，T为采样周期；为光伏电站实际输出；为k时刻滤波器输出；

最后，根据期望得到的储能系统平滑控制效果，确定滤除太阳能光伏发电储能系统充放电总功率，通过上式得到低通滤波器时间常数τ。

3.根据权利要求2所述的方法，其特征在于，根据 $\mathrm{\τ}\frac{{\mathrm{dP}}_{Filter\_out}\left(t\right)}{dt}+P_{Filter\_out}\left(t\right)=P_{PV\_forecast}\left(t\right),$ 计算低通滤波器输出功率。

4.根据权利要求3所述的方法，其特征在于，所述根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小包括：

储能系统充放电功率为P_storage(t)＝P_{PV_forecast}(t)-P_{Filter_out}(t)，则未来时间长度T时储能系统充放电容量大小Q_storage符号为正时储能系统充电，Q_storage符号为负时储能系统放电。

5.根据权利要求4所述的方法，其特征在于，所述计算该储能系统充放电电量包括：

若荷电状态SOC可以满足未来时间长度T时的充放电，则储能系统为状态A，储能系统充放电电量为Q_storage；

若储能系统SOC可以部分满足未来时间长度T时的充放电，则储能系统为状态B，储能系统放电电量为C_storage*(SOC-SOC_low)，储能系统的充电电量为C_storage*(SOC_high-SOC)。其中SOC_high和SOC_low分别为储能系统安全工作的荷电状态上下线，C_storage是储能系统容量；

若储能系统SOC不能进行任何的充放电，则储能系统为状态C，充放电电量为0。

6.一种基于功率预测的分布式光伏发电输出功率平滑系统，其特征在于，包括：

低通滤波器输出功率获取单元，用于获取并根据光伏发电储能系统的放电深度特性，设置低通滤波器的时间常数；根据所述时间常数和光伏发电输出功率的预测值，计算低通滤波器的输出功率；

储能系统充放电容量预测单元，用于根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小；

储能系统充放电电量获取单元，用于获取储能系统荷电状态，并根据未来时间长度储能系统充放电容量大小，计算该储能系统充放电电量。

7.根据权利要求6所述的系统，其特征在于，所述低通滤波器输出功率获取单元设置低通滤波器的时间常数包括：

当储能系统用一阶低通滤波器进行模拟时，则有

$\mathrm{\τ}\frac{{\mathrm{dp}}_o\left(t\right)}{dt}+p_o\left(t\right)=p_{wtg-pv}^{sum}\left(t\right)$

其中，τ为低通滤波器时间常数，P₀(t)表示储能系统实际输出功率，p^PV(t)表示光伏电站发电输出功率；

对上式进行离散化，且平抑控制周期为T，则得到：

$\mathrm{\τ}\frac{P_k^0-P_{k-1}^0}{T}+P_k^0=P_k^{PV}$

然后，得到t＝kT时刻：

$P_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}{P}_{k-1}^0+\frac{T}{\mathrm{\τ}+T}{P}_k^{PV}$

同时，对光伏电站输出总功率中的高频分量进行滤波平滑，所需的储能系统充放电总功率为： $p_{sb}^k=p_k^{sum}-p_k^0=\frac{\mathrm{\τ}}{\mathrm{\τ}+T}(p_k^{sum}-p_{k-1}^o);$ 其中，τ为滤波器时间常数，T为采样周期；为光伏电站实际输出；为k时刻滤波器输出；

最后，根据期望得到的储能系统平滑控制效果，确定滤除太阳能光伏发电储能系统充放电总功率，通过上式得到低通滤波器时间常数τ。

8.根据权利要求7所述的系统，其特征在于，所述低通滤波器输出功率获取单元根据 $\mathrm{\τ}\frac{{\mathrm{dP}}_{Filter\_out}\left(t\right)}{dt}+P_{Filter\_out}\left(t\right)=P_{PV\_forecast}\left(t\right),$ 计算低通滤波器输出功率。

9.根据权利要求8所述的系统，其特征在于，所述储能系统充放电容量预测单元根据该低通滤波器的输出功率，计算未来时间长度储能系统充放电容量大小包括：

储能系统充放电功率为P_storage(t)＝P_{PV_forecast}(t)-P_{Filter_out}(t)，则未来时间长度T时储能系统充放电容量大小Q_storage符号为正时储能系统充电，Q_storage符号为负时储能系统放电。

10.根据权利要求9所述的系统，其特征在于，所述储能系统充放电电量获取单元计算该储能系统充放电电量包括：

若荷电状态SOC可以满足未来时间长度T时的充放电，则储能系统为状态A，储能系统充放电电量为Q_storage；

若储能系统SOC可以部分满足未来时间长度T时的充放电，则储能系统为状态B，储能系统放电电量为C_storage*(SOC-SOC_low)，储能系统的充电电量为C_storage*(SOC_high-SOC)。其中SOC_high和SOC_low分别为储能系统安全工作的荷电状态上下线，C_storage是储能系统容量；

若储能系统SOC不能进行任何的充放电，则储能系统为状态C，充放电电量为0。