CN110752614A - 一种储能系统控制方法及系统 - Google Patents

Abstract

本申请公开了一种储能系统控制方法及系统，该方法包括：对储能系统控制器运行参数初始化，根据波动分量提取算法的相位滞后特性、运行参数以及历史风功率出力序列计算得出风功率预测信息，将其融入基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量，将其融入能量管理算法计算得出SOC调整功率，综合波动分量与SOC调整功率合成储能系统充放电指令，根据该指令控制储能系统充放电。该系统包括：初始化模块、风功率预测信息计算模块、待对消波动分量计算模块、SOC调整功率计算模块、储能系统充放电指令合成模块、充放电控制模块以及循环模块。通过本申请，能够有效提高储能系统的利用率，且该方法更加简洁和直观，应用门槛降低，便于推广应用。

Description

一种储能系统控制方法及系统

技术领域

本申请涉及电网中可再生能源出力控制技术领域，特别是涉及一种储能系统控制方法及系统。

背景技术

随着科技的进步和经济的发展，人们对可再生能源的开发利用越来越深入，风电、光伏等可再生能源电源的并网规模也不断扩大。同时，可再生能源电源的波动性和随机性，对电网安全稳定运行和电能质量等方面的影响也日益显著，逐渐成为制约可再生能源电源规模继续扩大的重要因素。针对这种状况，如何利用储能系统平滑可再生能源电源出力功率波动，从而提高电网运行的平稳性和可控性，是个重要问题。

目前，利用储能系统平滑可再生能源电源出力的控制方法，主要包括两个方面：波动分量提取和能量管理。具体地，波动分量提取主要是基于具有低通特性的滤波器进行，如一阶低通滤波器、滑动平均滤波器、小波分解器等，是利用当前以及之前时刻的电源出力信息计算期望并网功率，从而确定需要对消的波动分量。能量管理方法通常以维持储能系统充放电能力均衡为目标，通过叠加调整功率或修改波动分量提取算法的运行参数，将储能系统控制在一半能量状态。

然而，目前利用储能系统平滑可再生能源电源出力的控制方法中，由于波动分量提取方法所采集的电源出力信息是当前及之前时刻的电源出力，利用低通特性的滤波器计算期望并网功率时，滤波器的滞后相位特性容易将电源出力趋势分量引入储能系统的充放电指令中，从而增加非必要的能量交换，导致储能系统的容量利用率较低。另外，能量管理方法中固定以储能系统一半能量状态为目标进行功率调整，这种调整方法并没有结合实际的风功率变化形式，灵活性不够高，从而导致储能系统的储能利用率较低。

发明内容

本申请提供了一种储能系统控制方法及系统，以解决现有技术中的储能系统控制方法储能利用率较低的问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种储能系统控制方法，所述储能系统用于平滑可再生能源电源的出力波动，所述可再生能源电源包括：风电源、光电源和风光电源，所述方法包括：

S1：对储能系统控制器的运行参数进行初始化；

S2：根据波动分量提取算法的相位滞后特性、所述运行参数以及历史风功率出力序列，计算得出风功率预测信息，所述风功率预测信息包括：风功率趋势序列和未来风功率变化模式；

S3：根据所述风功率预测信息，利用基于CMAF(Central Moving Average Filter，中心滑动平均滤波器)滤波的波动分量提取算法计算得出待对消的波动分量；

S4：根据所述风功率预测信息，利用能量管理算法计算得出SOC(State ofCharge，电池荷电状态)调整功率；

S5：根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令；

S6：根据所获取的储能系统充放电指令，控制储能系统充放电，并获取更新后的SOC值；

S7：根据更新后的SOC值，返回步骤S2。

可选地，所述对储能系统控制器的运行参数进行初始化的方法，包括：

S11：根据平滑目标，设定波动分量提取算法的运行参数；

S12：根据储能系统能量管理要求，设定能量管理算法的运行参数。

可选地，所述根据波动分量提取算法的相位滞后特性、所述运行参数以及历史风功率出力序列，计算得出风功率预测信息的方法，包括：

S21：根据波动分量提取算法的类型、相位滞后特性和以及所述运行参数，计算得出消除相位滞后所需的风功率趋势预测时长；

S22：根据所述风功率趋势预测时长和历史风功率出力序列，构建预测用模型；

S23：根据所述预测用模型和风功率趋势预测时长所对应的索引序列，计算指定风功率趋势预测时长的风功率趋势序列以及未来风功率变化模式。

可选地，所述步骤S22包括：

S221：根据所述风功率趋势预测时长和历史风功率出力序列，构建预测用历史数据集；

S222：以所述历史数据集为输入，拟合预测用模型参数，生成预测用模型。

可选地，根据所述风功率预测信息，利用基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量的方法，包括：

S31：根据所述运行参数，基于CMAF算法构建零相位滤波器；

S32：根据所述风功率趋势序列和历史风功率出力序列，构建所述零相位滤波器的输入序列；

S33：以所述输入序列为输入，执行零相位滤波算法，计算得出期望并网功率；

S34：根据所述期望并网功率和实时风功率，计算得出待对消的波动分量。

可选地，当所述能量管理算法为基于SOC动态调整MAF(Moving Average Filter，滑动平均滤波器)滤波时间窗长度时，根据所述风功率预测信息，利用能量管理算法计算得出SOC调整功率的方法，包括：

S411：根据所述未来风功率变化模式，计算风功率平抑所需要的充放电能量；

S412：根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值；

S413：根据所述SOC目标值和当前的SOC实际值的差值，修改MAF滤波时间窗长度；

S414：根据修改后的MAF滤波时间窗长度，重新计算储能系统待对消的波动分量。

可选地，当所述能量管理算法为叠加调整功率的算法时，根据所述风功率预测信息，利用能量管理算法计算得出SOC调整功率的方法，包括：

S421：根据所述未来风功率变化模式，计算风功率平抑所需要的充放电能量；

S422：根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值；

S423：根据所述SOC目标值和当前的SOC实际值的差值，利用比例积分方法计算得出SOC调整功率。

可选地，当所述能量管理算法为基于SOC动态调整MAF滤波时间窗长度时，根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令的方法，包括：

获取根据修改后的MAF滤波时间窗长度重新计算得出的待对消的波动分量；

根据储能系统额定参数，以储能系统最大充放电功率为上下限，对重新计算得出的待对消的波动分量进行限幅，获取储能系统充放电指令。

可选地，当所述能量管理算法为叠加调整功率的算法时，根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令的方法，包括：

对所述待对消的波动分量和SOC调整功率求和，获取求和结果；

根据储能系统额定参数，以储能系统最大充放电功率为上下限，对所述求和结果进行限幅，获取储能系统充放电指令。

一种储能系统控制系统，所述储能系统用于平滑可再生能源电源的出力波动，所述可再生能源电源包括：风电源、光电源和风光电源，所述储能系统控制系统设置于储能系统控制器内部，所述系统包括：

初始化模块，用于对储能系统控制器的运行参数进行初始化；

风功率预测信息计算模块，用于根据波动分量提取算法的相位滞后特性、所述运行参数以及历史风功率出力序列，计算得出风功率预测信息，所述风功率预测信息包括：风功率趋势序列和未来风功率变化模式；

待对消波动分量计算模块，用于根据所述风功率预测信息，利用基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量；

SOC调整功率计算模块，用于根据所述风功率预测信息，利用能量管理算法计算得出SOC调整功率；

储能系统充放电指令合成模块，用于根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令；

充放电控制模块，用于根据所获取的储能系统充放电指令，控制储能系统充放电，并获取更新后的SOC值；

循环模块，用于根据更新后的SOC值，启动风功率预测信息计算模块。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请提供一种储能系统控制方法，该方法首先对储能系统控制器的运行参数进行初始化，然后根据波动分量提取算法的相位滞后特性、运行参数以及历史风功率出力序列，计算得出风功率预测信息；其次，根据风功率预测信息分别计算得出待对消的波动分量和SOC调整功率；然后根据待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令，最后根据该充放电指令控制储能系统充放电，同时更新SOC值启动下一个循环的储能系统控制。本实施例通过计算风功率预测信息，利用风功率预测信息代替实际未来数据，并在波动分量提取算法中利用风功率预测信息构建零相位滤波器，利用基于CMAF滤波的风功率波动分量提取算法无相位滞后，因此，能够有效避免风功率趋势分量进入储能系统充放电指令中，减少非必要的能量交换，有利于节省能源，提高储能系统的储能利用率。通过计算风功率预测信息，能够根据未来风功率变化趋势动态调整储能系统中能量管理的SOC目标值，减少调整SOC所需的充放电能量，有利于节省能源，提高储能系统的储能利用率。另外，由于本实施例保持了储能系统控制中波动分量提取和能量管理的直观结构，且控制方法中没有过多的约束、待优化目标以及复杂的求解方法，使得该储能系统控制方法简洁性和直观性较高，有利于提高控制效率，降低该控制方法的应用门槛，便于推广应用。

本申请还提供一种储能系统控制系统，该控制系统包括初始化模块、风功率预测信息计算模块、待对消波动分量计算模块、SOC调整功率计算模块、储能系统充放电指令合成模块、充放电控制模块以及循环模块七部分。通过风功率预测信息计算模块的设置，利用预测数据代替未来实际数据，并将该预测数据用于待对消波动分量计算模块，利用基于CMAF滤波的风功率波动分量提取算法能够减小或消除相位滞后，能够有效降低储能系统充放电指令中的趋势分量，从而减少非必要的能量交换，有利于提高储能利用率。将该预测数据用于SOC调整功率计算模块后，基于可再生能源当前出力状态和未来趋势预测信息，能够动态设定能量管理目标值，减小储能系统状态调整所需的能量交换，也有利于提高储能利用率。另外，本实施例的控制系统保持了储能系统控制中波动分量提取和能量管理的直观结构，且该控制系统所采集的参数避免过多的约束条件和待优化目标，直观性和简洁性较高，有利于提高控制效率，且降低控制系统的应用门槛，便于推广应用。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所提供的一种储能系统控制方法的流程示意图；

图2为本申请实施例中风储联合系统的结构示意图；

图3为基于一阶MAF的波动分量提取过程示意图；

图4为融合预测信息的电池储能系统控制流程示意图；

图5为本申请实施例中不同控制方法下的平滑效果；

图6为本申请实施例中电池储能系统状态曲线图；

图7a为1min内并网功率变化量累积概率密度图；

图7b为10min内并网功率变化量累积概率密度图；

图8为本申请实施例所提供的一种储能系统控制系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

在电网系统中，当一次能源为风、光等可再生能源时，其有功出力将会随风速、光照强度等自然资源的变化而改变，通常称此类电源为波动性电源。波动性电源的出力波动给电网带来不利影响，通常利用储能系统来平滑可再生能源电源的出力波动，从而提高可再生能源电源电网的友好性。利用储能系统来平滑波动性电源出力波动，属于储能在电源侧应用的典型场景，实际应用中，通常采用在可再生能源电源场站装设储能系统，构成联合发电系统的方式实现。联合发电系统通过引入储能系统这一可灵活调控的设备，可实现联合发电系统的优化调度和协调控制，达到提高可再生能源电量和并网友好性的目的。平滑出力波动是联合发电系统的重要功能之一，它根据波动性电源出力信息合理控制储能系统充放电，利用储能系统充放电功率对消波动性电源输出功率的波动，实现总并网功率平滑，并维持储能系统出力的合理状态。

在联合发电系统中，储能系统用于控制可再生能源电源的出力，本申请中的储能系统主要用于平滑风光电源的出力波动。本申请中储能系统的控制方法，主要是保持储能系统控制过程中波动分量提取和能量管理的直观结构不变，利用可再生能源电源未来出力趋势预测信息提升波动分量提取和能量管理两方面的性能，从而实现整体控制性能的提升。一方面，通过融合特定长度的出力趋势预测信息，减小或消除波动分量提取算法中的相位滞后，从而能够降低ESS(Energy Storage System,储能系统)充放电指令中的趋势分量；另一方面，基于可再生能源电源当前出力状态和未来趋势预测信息，动态设定能量管理目标值，从而减小ESS状态调整所需的能量交换；通过上述两方面改进，能够有效减少电网与储能系统之间的非必要能量交换，提高储能利用率。

为了更好地理解本申请，下面结合附图来详细解释本申请的实施方式。

实施例一

参见图1，图1为本申请实施例所提供的一种储能系统控制方法的流程示意图。由图1可知，本实施例中的储能系统控制方法，主要包括如下过程：

S1：对储能系统控制器的运行参数进行初始化。

本实施例中对储能系统控制器的运行参数进行初始化，主要是设置储能系统控制器主要参数以及启动控制流程。

本实施例中的储能系统以BESS(Battery Energy Storage System，电池储能系统)为例。图2为本申请实施例中风储联合系统的结构示意图，也就是典型风储联合发电系统的结构组成图。图2中，P_W、P_B、P_G分别为风电场出力、BESS出力和联合系统总并网功率，P_{W_H}为待对消的风功率波动分量，P_{B_ord}为电池充放电指令，方式1为利用能量管理方法对P_{W_H}进行缩放、限幅的调整方式，方式2为利用能量管理方法对P_{W_H}进行修改波动分量提取算法参数来控制SOC的调整方式。

P_W、P_B、P_G之间的关系为：P_G＝P_W+P_B (1)

由图2结合上式(1)可知：控制BESS出力P_B与风电场出力P_W的波动分量反向变化，即可通过BESS的充放电来控制和对消风电功率波动，从而实现联合系统总并网功率平滑。

本实施例中步骤S1主要包括如下过程：

S11：根据平滑目标，设定波动分量提取算法的运行参数。

波动分量提取算法的运行参数由所采用的不同的波动分类提取算法决定，当采用基于一阶MAF的提取方法时，运行参数包括：时间窗长度；当采用基于小波变换的提取方法时，运行参数包括：小波基类型、小波分解层数以及小波重构层数。

S12：根据储能系统能量管理要求，设定能量管理算法的运行参数。

能量管理算法的运行参数主要是SOC反馈控制参数，由电池能量管理算法的具体类型决定。当能量管理算法为基于SOC动态调整MAF滤波时间窗长度的算法时，运行参数包括：SOC目标值、SOC调整上限、SOC调整下限、停止充电上限SOC、停止充电下限SOC、SOC偏差到时间窗长度系数；当能量管理算法为叠加调整功率的算法时，运行参数包括：SOC目标值、SOC偏差到调整功率的比例系数和积分系数。

继续参见图1可知，设置完毕BESS控制器的运行参数之后，执行步骤S2：根据波动分量提取算法的相位滞后特性、运行参数以及历史风功率出力序列，计算得出风功率预测信息。其中，风功率预测信息包括：风功率趋势序列和未来风功率变化模式。

具体地，步骤S2又包括如下过程：

S21：根据波动分量提取算法的类型、相位滞后特性和以及运行参数，计算得出消除相位滞后所需的风功率趋势预测时长。

相位滞后特性是与波动频率相关的一个函数关系，本实施例中计算风功率趋势预测时长时，通过参考相位滞后特性，能够为后续减小或消除相位滞后提供依据。

具体的计算方法由所采用的波动分量提取算法的具体类型决定。

S22：根据风功率趋势预测时长和历史风功率出力序列，构建预测用模型。

具体地，步骤S22又包括：

S221：根据风功率趋势预测时长和历史风功率出力序列，构建预测用历史数据集。

S222：以历史数据集为输入，拟合预测用模型参数，生成预测用模型。

根据以上步骤S221和S222可知，实际应用中构建预测用模型和使用预测用模型的过程为：根据预测方法选定预测模型的形式，然后根据风功率趋势预测时长和历史风功率出力序列，构建预测用历史数据集，将历史数据集输入预测模拟，拟合预测用模型中的参数；构造未来对应的输入值，将该输入值输入预测用模型中，预测用模型输出的结果即为预测结果。

S23：根据预测用模型和风功率趋势预测时长所对应的索引序列，计算指定风功率趋势预测时长的风功率趋势序列以及未来风功率变化模式。

由以上步骤S21-S23可知，本实施例利用风功率预测信息代替实际的未来风功率数据，为后续的波动分量提取算法和能量管理算法中未来风功率信息提供基础。

S3：根据风功率预测信息，采用基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量。

具体地，步骤S3包括如下过程：

S31：根据运行参数，基于CMAF构建零相位滤波器。

本实施例中采用CMAF实现零相位滤波。图3为基于一阶MAF的融合预测信息的电池储能系统控制流程示意图。其中，MAF的计算公式为：

式(2)中，k为采样时刻，N为数据窗长度；P_W(k)为采样时刻为k时的测量数据，P_{W_L}(k)为采样时刻为k时的计算数据。通常情况下，N越大，P_{W_L}越平滑。从原始风功率P_W中减去P_{W_L}可得到波动分量P_{W_H}，即为BESS待对消的波动分量。

对式(2)进行z变换，并以e^jω代替z代入，得

式(3)中：H(e^iw)为MAF频率特性，ω为信号频率，N越大，同样趋势分量对应的滞后相位越大，进入BESS充放电功率的趋势分量越多。

本实施例中采用CMAF实现零相位滤波，当N为奇数时，CMAF的计算公式为：

对以上式(4)进行z变换及变量代换，可得CMAF的频率特性为

对比式(3)与式(5)可见：CMAF与MAF幅频特性相同，但CMAF无相位滞后。当N为偶数时，只是CMAF的计算公式不同，CMAF与MAF也是幅频特性相同，但CMAF无相位滞后，在此不再赘述。因此，本实施例中基于CMAF提取风功率波动分量，能够有效避免风功率趋势分量进入BESS充放电功率指令，从而避免BESS单位容量利用率降低的问题，有利于提高储能系统的储能利用率。

S32：根据风功率趋势序列和历史风功率出力序列，构建零相位滤波器的输入序列。

S33：以输入序列为输入，执行零相位滤波算法，计算得出期望并网功率。

S34：根据期望并网功率和实时风功率，计算得出待对消的波动分量。

继续参见图1可知，根据风功率预测信息计算得出待对消的波动分量之后，执行步骤S4：根据风功率预测信息，利用能量管理算法计算得出SOC调整功率。

具体地，根据能量管理算法的不同，步骤S4的实现方式包括但不限于以下两种。

第一种实现方式所采用的能量管理算法为：基于SOC动态调整MAF滤波时间窗长度的算法，包括如下步骤：

S411：根据未来风功率变化模式，计算风功率平抑所需要的充放电能量。

S412：根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值。

S413：根据SOC目标值和当前的SOC实际值的差值，修改MAF滤波时间窗长度。

S414：根据修改后的MAF滤波时间窗长度，重新计算储能系统待对消的波动分量。

未来风功率变化模式包括上爬坡模式和下爬坡模式，由以上步骤S411-S414可知，当未来风功率为上爬坡模式时，BESS充电以限制上爬坡速率，当未来风功率为下爬坡模式时，BESS放电以限制下爬坡速率。本实施例中根据未来风功率变化模式来计算BESS充分点能量，能够根据未来风功率变化趋势动态调整BESS能量管理的目标SOC，从而有效减少SOC调整所需的充放电能量，进而提高储能系统的容量利用率。

第二种计算SOC调整功率的能量管理算法为：叠加调整功率算法，包括如下过程：

S421：根据未来风功率变化模式，计算风功率平抑所需要的充放电能量。

S422：根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值。

S423：根据SOC目标值和当前的SOC实际值的差值，利用比例积分方法计算得出SOC调整功率。

以上两种能量管理算法中，第二种直接计算SOC调整功率，然后根据计算得出的SOC调整功率执行后续步骤。第一种算法不计算SOC调整功率，而是根据SOC目标值改变波动分量提取算法的运行参数，而不同的波动分量提取算法对电池SOC变化的影响方向不同，因此第一种算法可以间接控制SOC，从而实现SOC功率调整。与现有技术相比，以上两种利用能量管理算法计算SOC调整功率的方法，并没有将BESS的SOC值控制在0.5，而是根据未来风功率变化模式，灵活而动态地调整BESS的SOC值，从而能够有效减少SOC调整所需的充放电能量，大大提高储能系统的容量利用率。

通过步骤S3计算得出待对消的波动分量，通过步骤S4计算得出SOC调整功率之后，执行步骤S5：根据待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令。

相应地，根据能量管理算法的不同，步骤S5的实现方式包括但不限于以下两种。

第一种实现方式所采用的能量管理算法为：基于SOC动态调整MAF滤波时间窗长度的算法，包括如下步骤：

S511：获取根据修改后的MAF滤波时间窗长度重新计算得出的待对消的波动分量。

S512：根据储能系统额定参数，以储能系统最大充放电功率为上下限，对重新计算得出的待对消的波动分量进行限幅，获取储能系统充放电指令。

第二种实现方式所采用的能量管理算法为：叠加调整功率算法，包括如下过程：

S521：对待对消的波动分量和SOC调整功率求和，获取求和结果。

S522：根据储能系统额定参数，以储能系统最大充放电功率为上下限，对求和结果进行限幅，获取储能系统充放电指令。

获取到最终的储能系统充放电指令之后，执行步骤S6：根据所获取的储能系统充放电指令，控制储能系统充放电，并获取更新后的SOC值。

具体地，电池储能系统控制器计算得出的充放电指令后，通过通信接口下发给电池储能系统并网接口，电池储能系统在并网接口的控制下以指令值的形式对电池充放电，电池管理系统根据电池的充放电情况更新电池的SOC值，并将更新后的SOC值反馈给电池储能系统控制器。

S7：根据更新后的SOC值，返回步骤S2。

储能系统控制器获取到更新后的SOC值后，根据更新后的SOC值，返回步骤S2重新计算风功率预测信息，进行下一个控制周期，从而实现对储能系统的实时、循环控制。

综上所述，本实施例的储能系统控制方法中，首先利用风功率预测信息代替实际的未来风功率信息，然后，基于该风功率预测信息结合CMAF，形成具有零相位滞后特征的波动分量提取算法来计算待对消的波动分量，利用能量管理算法计算得出SOC调整功率，从而实现对储能控制系统的在线控制，该控制方法为利用准零相位滤波器的方法，即：结合预测信息和CMAF的方法。而且，本实施例中的控制方法，在提升储能利用率的同时，算法中没有过多的约束、待优化目标以及复杂的求解方法，算法的简洁性和直观性高，控制方法应用难度大大降低，有利于提高储能控制效率和降低单位平滑效果的储能投资。

本申请中储能系统控制方法在具体实践中的应用可以参见图4，图4为融合预测信息的电池储能系统控制流程示意图。图4中风功率预测信息的计算方法采用一元线性回归分析的预测方法。其中，预测所用模型线性回归关系式为：y＝a+bx (6)

式(6)中：x、y分别为自变量和因变量，a、b分别为截距系数和斜率系数，其估计过程中首先计算统计量

式(7)和式(8)中：分别为x和y的平均值，S_xx、S_xy分别为x的方差和x与y之间的协方差，n为数据集中的数据个数。

计算为统计量之后，利用下面式(9)计算系数估计值：

为实现滚动预测，在每个时刻k均需构建历史数据集，并拟合回归系数进行最新时刻下的风功率趋势预测。

参见图5-图7b，图5为本申请实施例中不同控制方法下的平滑效果，图6为本申请实施例中电池储能系统状态曲线图，图7a为1min内并网功率变化量累积概率密度图，图7b为10min内并网功率变化量累积概率密度图。其中，方法1为一阶MAF控制下的储能系统控制方法；方法2为本申请实施例中的储能系统控制方法，即：采用预测数据和CMAF相结合的控制方法，具体可以参见图4所示的控制方法；方法3为采用CMAF对离线风功率数据进行处理的储能系统控制方法。比对三种方法的平滑效果时，风场的参数设定分别为：风电场容量为100MW，BESS参数为30MW/30MWh，忽略充放电损耗。风功率采样和BESS指令计算步长为1min，方法1和方法3的数据窗长度为25，方法2的数据窗长度为51。

由图5-图7b可知，三种方法下的并网功率均比原始风功率平滑，表征快速波动的1min变化量由15.5M分别降低至2.3MW、2.6MW和1.7MW，可信度为99％，小于10MW的概率由95％提高至100％；表征中频波动的10min变化量由42.3M降低至14.1MW、21.2MW和14.0MW，可信度为99％，小于33MW的概率由96％提高至100％。由图5-图7b可知，三种方法的下的并网功率均与原始风功率趋势分量基本一致，且本实施例中方法2的平滑效果超过方法1及方法3。因此，三种方法的平滑效果均满足并网规范要求，且本申请中的方法能够有效减小方法1所引起的相位滞后，从而避免或减少非必要的能量交换，有利于提高储能利用率。

由图6中的SOC的变化曲线可知，方法1、方法2和方法3三种控制方法下，BESS的SOC波动范围分别为0.20-0.72、0.39-0.67、0.44-0.55，对应储能容量需求分别为BESS额定容量的0.52、0.28和0.11倍。因此，本申请所提供的储能系统控制方法能够显著减小BESS充放电功率中的趋势分量，从而能够降低约46％的储能容量需求。尤其是可再生能源日出力曲线具有典型峰谷特征时，利用本申请中的控制方法，可以确保在获取与传统方法相同平滑效果的同时，降低三分之一左右的储能容量需求，对于减少BESS投资，改善储能系统经济性具有重要意义。

实施例二

在图1-图7b所示实施例的基础之上参见图8，图8为本申请实施例所提供的一种储能系统控制系统的结构示意图。由图8可知，本实施例中控制系统主要包括：初始化模块、风功率预测信息计算模块、待对消波动分量计算模块、SOC调整功率计算模块、储能系统充放电指令合成模块、充放电控制模块以及循环模块七部分。该控制系统设置于储能系统控制器内部。

其中，初始化模块，用于对储能系统控制器的运行参数进行初始化。风功率预测信息计算模块，用于根据波动分量提取算法的相位滞后特性、运行参数以及历史风功率出力序列，计算得出风功率预测信息，风功率预测信息包括：风功率趋势序列和未来风功率变化模式。待对消波动分量计算模块，用于根据风功率预测信息，利用基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量。SOC调整功率计算模块，用于根据风功率预测信息，利用能量管理算法计算得出SOC调整功率。储能系统充放电指令合成模块，用于根据待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令。充放电控制模块，用于根据所获取的储能系统充放电指令，控制储能系统充放电，并获取更新后的SOC值。循环模块，用于根据更新后的SOC值，启动风功率预测信息计算模块。

进一步地，初始化模块又包括：波动分量初始化单元和能量管理初始化单元。波动分量初始化单元，用于根据平滑目标，设定波动分量提取算法的运行参数；能量管理初始化单元，用于根据储能系统能量管理要求，设定能量管理算法的运行参数。

风功率预测信息计算模块又包括：预测时长计算单元、预测用模型构建单元以及趋势序列单元。其中，预测时长计算单元，用于根据波动分量提取算法的类型、相位滞后特性和以及运行参数，计算得出消除相位滞后所需的风功率趋势预测时长；预测用模型构建单元，用于根据风功率趋势预测时长和历史风功率出力序列，构建预测用模型；趋势序列单元，用于根据预测用模型和风功率趋势预测时长所对应的索引序列，计算指定风功率趋势预测时长的风功率趋势序列以及未来风功率变化模式。

待对消波动分量计算模块又包括：零相位滤波器构建单元、输入序列构建单元、期望并网功率计算单元和待对消波动分量计算单元。其中，零相位滤波器构建单元，用于根据运行参数，基于CMAF算法构建零相位滤波器；输入序列构建单元，用于据风功率趋势序列和历史风功率出力序列，构建零相位滤波器的输入序列；期望并网功率计算单元，用于以输入序列为输入，执行零相位滤波算法，计算得出期望并网功率；待对消波动分量计算单元，用于根据期望并网功率和实时风功率，计算得出待对消的波动分量。

根据能量管理算法的不同，SOC调整功率计算模块有两种实现方式，第一种SOC调整功率计算模块包括：第一充放电能量计算单元、第一SOC目标值计算单元、MAF滤波时间窗长度修改单元和波动分量重新计算单元。其中，第一充放电能量计算单元，用于根据未来风功率变化模式，计算风功率平抑所需要的充放电能量；第一SOC目标值计算单元，用于根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值；MAF滤波时间窗长度修改单元，用于根据SOC目标值和当前的SOC实际值的差值，修改MAF滤波时间窗长度；波动分量重新计算单元，用于根据修改后的MAF滤波时间窗长度，重新计算储能系统待对消的波动分量。

第二种SOC调整功率计算模块包括：第二充放电能量计算单元、第二SOC目标值计算单元、SOC调整功率计算单元。其中，第二充放电能量计算单元，用于根据未来风功率变化模式，计算风功率平抑所需要的充放电能量；第二SOC目标值计算单元，用于根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值；SOC调整功率计算单元，用于根据SOC目标值和当前的SOC实际值的差值，利用比例积分方法计算得出SOC调整功率。

根据能量管理算法的不同，储能系统充放电指令合成模块也有两种实现方式，第一种储能系统充放电指令合成模块包括：待对消波动分量获取单元和第一限幅单元。其中，待对消波动分量获取单元，用于获取根据修改后的MAF滤波时间窗长度重新计算得出的待对消的波动分量；第一限幅单元，用于根据储能系统额定参数，以储能系统最大充放电功率为上下限，对重新计算得出的待对消的波动分量进行限幅，获取储能系统充放电指令。

第二种储能系统充放电指令合成模块包括：求和单元和第二限幅单元。其中，求和单元，用于对待对消的波动分量和SOC调整功率求和，获取求和结果；第二限幅单元，用于根据储能系统额定参数，以储能系统最大充放电功率为上下限，对求和结果进行限幅，获取储能系统充放电指令。

本实施例中储能系统控制系统的工作原理和工作方法，在图1-图7b所示的实施例中已经详细阐述，在此不再赘述。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种储能系统控制方法，所述储能系统用于平滑可再生能源电源的出力波动，所述可再生能源电源包括：风电源、光电源和风光电源，其特征在于，所述方法包括：

S1：对储能系统控制器的运行参数进行初始化；

S2：根据波动分量提取算法的相位滞后特性、所述运行参数以及历史风功率出力序列，计算得出风功率预测信息，所述风功率预测信息包括：风功率趋势序列和未来风功率变化模式；

S3：根据所述风功率预测信息，利用基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量；

S4：根据所述风功率预测信息，利用能量管理算法计算得出SOC调整功率；

S5：根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令；

S6：根据所获取的储能系统充放电指令，控制储能系统充放电，并获取更新后的SOC值；

S7：根据更新后的SOC值，返回步骤S2。

2.根据权利要求1所述的一种储能系统控制方法，其特征在于，所述对储能系统控制器的运行参数进行初始化的方法，包括：

S11：根据平滑目标，设定波动分量提取算法的运行参数；

S12：根据储能系统能量管理要求，设定能量管理算法的运行参数。

3.根据权利要求1所述的一种储能系统控制方法，其特征在于，所述根据波动分量提取算法的相位滞后特性、所述运行参数以及历史风功率出力序列，计算得出风功率预测信息的方法，包括：

S21：根据波动分量提取算法的类型、相位滞后特性和以及所述运行参数，计算得出消除相位滞后所需的风功率趋势预测时长；

S22：根据所述风功率趋势预测时长和历史风功率出力序列，构建预测用模型；

S23：根据所述预测用模型和风功率趋势预测时长所对应的索引序列，计算指定风功率趋势预测时长的风功率趋势序列以及未来风功率变化模式。

4.根据权利要求3所述的一种储能系统控制方法，其特征在于，所述步骤S22包括：

S221：根据所述风功率趋势预测时长和历史风功率出力序列，构建预测用历史数据集；

S222：以所述历史数据集为输入，拟合预测用模型参数，生成预测用模型。

5.根据权利要求1所述的一种储能系统控制方法，其特征在于，根据所述风功率预测信息，利用基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量的方法，包括：

S31：根据所述运行参数，基于CMAF算法构建零相位滤波器；

S32：根据所述风功率趋势序列和历史风功率出力序列，构建所述零相位滤波器的输入序列；

S33：以所述输入序列为输入，执行零相位滤波算法，计算得出期望并网功率；

S34：根据所述期望并网功率和实时风功率，计算得出待对消的波动分量。

6.根据权利要求1所述的一种储能系统控制方法，其特征在于，当所述能量管理算法为基于SOC动态调整MAF滤波时间窗长度时，根据所述风功率预测信息，利用能量管理算法计算得出SOC调整功率的方法，包括：

S411：根据所述未来风功率变化模式，计算风功率平抑所需要的充放电能量；

S412：根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值；

S413：根据所述SOC目标值和当前的SOC实际值的差值，修改MAF滤波时间窗长度；

S414：根据修改后的MAF滤波时间窗长度，重新计算储能系统待对消的波动分量。

7.根据权利要求1所述的一种储能系统控制方法，其特征在于，当所述能量管理算法为叠加调整功率的算法时，根据所述风功率预测信息，利用能量管理算法计算得出SOC调整功率的方法，包括：

S421：根据所述未来风功率变化模式，计算风功率平抑所需要的充放电能量；

S422：根据风功率平抑所需要的充放电能量以及储能系统额定容量，计算得出SOC目标值；

S423：根据所述SOC目标值和当前的SOC实际值的差值，利用比例积分方法计算得出SOC调整功率。

8.根据权利要求1所述的一种储能系统控制方法，其特征在于，当所述能量管理算法为基于SOC动态调整MAF滤波时间窗长度时，根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令的方法，包括：

获取根据修改后的MAF滤波时间窗长度重新计算得出的待对消的波动分量；

根据储能系统额定参数，以储能系统最大充放电功率为上下限，对重新计算得出的待对消的波动分量进行限幅，获取储能系统充放电指令。

9.根据权利要求1所述的一种储能系统控制方法，其特征在于，当所述能量管理算法为叠加调整功率的算法时，根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令的方法，包括：

对所述待对消的波动分量和SOC调整功率求和，获取求和结果；

根据储能系统额定参数，以储能系统最大充放电功率为上下限，对所述求和结果进行限幅，获取储能系统充放电指令。

10.一种储能系统控制系统，所述储能系统用于平滑可再生能源电源的出力波动，所述可再生能源电源包括：风电源、光电源和风光电源，所述储能系统控制系统设置于储能系统控制器内部，其特征在于，所述系统包括：

初始化模块，用于对储能系统控制器的运行参数进行初始化；

风功率预测信息计算模块，用于根据波动分量提取算法的相位滞后特性、所述运行参数以及历史风功率出力序列，计算得出风功率预测信息，所述风功率预测信息包括：风功率趋势序列和未来风功率变化模式；

待对消波动分量计算模块，用于根据所述风功率预测信息，利用基于CMAF滤波的波动分量提取算法计算得出待对消的波动分量；

SOC调整功率计算模块，用于根据所述风功率预测信息，利用能量管理算法计算得出SOC调整功率；

储能系统充放电指令合成模块，用于根据所述待对消的波动分量、SOC调整功率以及储能系统额定参数，合成储能系统充放电指令；

充放电控制模块，用于根据所获取的储能系统充放电指令，控制储能系统充放电，并获取更新后的SOC值；

循环模块，用于根据更新后的SOC值，启动风功率预测信息计算模块。

Images