CN112952862B

CN112952862B - 平抑风电功率波动的混合储能分频协调控制器及实现方法

Info

Publication number: CN112952862B
Application number: CN202110338022.9A
Authority: CN
Inventors: 朱英伟; 马娅妮; 邱晓燕; 王鹏; 雷勇
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2021-03-30
Filing date: 2021-03-30
Publication date: 2023-01-31
Anticipated expiration: 2041-03-30
Also published as: CN112952862A

Abstract

本发明公开了平抑风电功率波动的混合储能分频协调控制器，包括风电平滑采集单元、混合储能协调分配单元和功率指令控制单元；平抑风电功率波动的混合储能分频协调控制器的实现方法是先设置动态分频点分配储能各自功率指令，接着根据储能实时状态做出后续功率优化，最后由RBF神经网络改进的PI控制器负责指令跟踪及进一步指令调控；该方法具有更大限度利用储能空间、充分发挥储能特性、有效稳定储能荷电状态的优势，且实时更新的PI控制参数自适应于系统变化，提升了功率控制性能，可广泛应用于混合储能系统平抑风电波动。

Description

平抑风电功率波动的混合储能分频协调控制器及实现方法

技术领域

本发明属于风力发电工程领域，具体涉及平抑风电功率波动的混合储能分频协调控制器及实现方法。

背景技术

近年来，随着风电的大规模使用，其并网带来的波动性及间歇性愈加不容忽视。为解决风电消纳问题，储能技术得到大力发展。单一型储能由于其能量或功率限制，存在成本高或使用寿命短的不足。为更加充分地平抑风电波动，混合型储能应运而生，其将不平衡功率的低频、高频部分分别分配给能量型储能和功率型储能，有效解决了储能的经济和技术问题。

混合储能系统需通过连接变流器并入电网，变流器的控制直接影响到储能对风电的平抑效果。常见的控制策略有比例积分控制、模糊控制、直接功率控制等，但上述方法由于其参数固定、控制规则存在随机性或过于复杂等自身限制，均没有考虑系统实时变化，无法维持复杂电力系统的稳定性。除此，为确保混合储能系统安全高效运行，合理的功率分配至关重要。由于低通滤波存在滞后问题及经验模态分解容易出现模态混叠现象，小波包分解法自提出以来便得到广泛使用，但目前将小波包分解应用于混合储能系统的研究均是参考固定频率分配功率，储能荷电状态的优化也仅限于过充过放限制，不能最大限度地发挥储能各自优势。

因此，如何在储能功率分配环节考虑储能实时状态，且充分发挥储能自身特性，并在功率指令控制中快速准确完成目标跟踪，是实现混合储能风电功率平抑的关键。

发明内容

为解决现有技术中存在的问题，本发明提供了平抑风电功率波动的混合储能分频协调控制器及实现方法，实现混合储能风电功率平抑。

本发明采用的技术方案是，平抑风电功率波动的混合储能分频协调控制器，包括风电平滑采集单元，混合储能协调分配单元和功率指令控制单元；风电平滑采集单元连接混合储能协调分配单元，混合储能协调分配单元连接功率指令控制单元。

风电平滑采集单元包括风电实测采集模块、小波包分解模块、波动率计算模块；混合储能协调分配单元包括荷电状态采集及充放电优先级确定模块、动态分频模块、功率限制及功率转移模块；功率指令控制单元包括功率控制输入模块、控制参数修正模块。

风电实测采集模块，用于实时采集风电机组功率实测值；小波包分解模块，用于对风电机组功率实测值进行逐层分解，并对每层分解得到的最低频功率的波动率参照波动率要求进行比较，波动率满足后即可确定分解层数，进而将最终分解量传递给混合储能协调分配单元；

波动率计算模块，用于依照公式计算每次分解结果中最低频部分的波动率；

荷电状态采集及充放电优先级确定模块，用于测量储能各自的功率，将每小段时间的能量变化进行积分累加，得出当前的荷电状态，接着确定其充放电优先级，进而确定高低频分割点；

动态分频模块，用于依照分频点对小波包最终分解量进行分配，实现混合储能的初次功率安排；

功率限制及功率转移模块，用于防止储能过充过放，根据充放电优先级设置功率限制条件，对特殊情况给予功率援助调整，确保储能处于最佳状态，实现混合储能的最终功率分配；

功率控制输入模块，用于接收储能最终功率指令，并采集实时功率，计算出功率外环控制器输入；

控制参数修正模块，用于借助RBF神经网络辨识器对被控对象的在线辨识，根据系统实时变化进一步优化控制器参数，以实现指令跟踪的快速性及准确性。

优选地，分频协调控制器的实现方法，包括以下步骤：

步骤一：采集风电机组原始功率并对其进行小波包分解；

步骤二：在波动率满足标准后，确定小波包分解层数及不平衡功率；

步骤三：根据储能实时荷电状态确定分频点，完成不平衡功率的初次分配；

步骤四：判断储能充放电优先级的各种情况，对需要再次优化的情况进行功率调整，完成不平衡功率最终分配；

步骤五：基于RBF神经网络的PI控制器接收功率分配指令，动态调整控制参数，实现功率指令的跟踪。

优选地，步骤一中，风电平滑采集单元中的小波包分解模块以多层树状结构展开的形式，对风电机组功率实测值P_wind进行逐层分解，计算每层分解得到的最低频功率G₀的波动率，以1min最大波动率为参考，波动率达标时该层分解结果即为最终分解量，分解层数n即已确定，分解量中最低频功率G₀即为风电并网理想功率，剩余部分即(P_wind-G₀)即为需储能平抑的不平衡功率。

优选地，步骤三中，根据SMES和VRB各自储能特性，需将低频部分分给VRB，高频部分分给SMES；设置中间变量充放电优先级，对于优先级低的较少分配，对于优先级高的较多分配，这样有利于更加充分地利用储能空间；步骤三中，分频点的确定取决于两种储能的充放电优先级之差。

优选地，在步骤4中做出补充优化，为避免储能出现过充过放，对优先级较低情况下进行功率限制，步骤4考虑到SMES的荷电状态频繁变化情况，为稳定SMES充放电状态，在VRB充放电能力有余的条件下安排储能间能量转移，进一步完成功率最终分配。

本发明平抑风电功率波动的混合储能分频协调控制器及实现方法的有益效果如下：

本发明可变分频点的设置更大限度的利用了储能空间，充分发挥了小波包分解法分频清晰便于加和分配的优点；其功率援助调整使得储能特性得以发挥，极大改善储能荷电状态不稳定波动大的情况；其基于RBF神经网络的PI控制器设计，克服了传统PI控制器控制参数固定且不易确定的不足，有效控制储能系统进行快速及精确功率吞吐。因此，本发明所提方法对于风电波动平抑中的混合储能能够灵活分配、动态调整，有利于更佳地实现平抑目标。

附图说明：

图1是混合储能系统结构图。

图2是混合储能分频协调控制器结构图。

图3是充放电优先级设定图。

图4是基于RBF神经网络辨识的PI控制框图。

图5是SMES荷电状态稳定效果对比图。

图6是VRB荷电状态稳定效果对比图。

图7是风电波动平抑效果对比图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

附图1是混合储能系统结构图，SMES和VRB通过各自并网变流器并联于交流母线，变流器根据其拓扑结构分为电压源型和电流源型，为稳定直流侧电压一般选用电压源变流器即VSC。超导磁体通过斩波器与直流侧相连，而串联的钒电池组直接并联在直流侧。

附图2是混合储能分频协调控制器结构图，用于平抑风电功率波动的混合储能分频协调控制器包括风电平滑采集单元、混合储能协调分配单元和功率指令控制单元三部分。风电平滑采集单元包括风电实测采集模块、小波包分解模块、波动率计算模块；混合储能协调分配单元包括荷电状态采集及充放电优先级确定模块、动态分频模块、功率限制及功率转移模块；功率指令控制单元包括功率控制输入模块、控制参数修正模块。功率控制输入模块包括储能功率指令的接收和功率实测两部分，控制参数修正模块包括传统PI控制器和RBF神经网络辨识器两部分。

风电实测功率P_wind与并网功率P_grid的差值即为混合储能所需平抑的不平衡功率P_HESS，因此，并网功率的确定是混合储能功率分配的前提。若并网功率过于平滑，则对储能容量要求过高；若尽可能还原风电功率，则波动太大，难以并网。为保证电力系统稳定性，我国《风电场接入电力系统技术规定》明确风电并网时其输出功率的1min最大波动率不得超过其装机容量的10％。

小波包分解是一种以多层树状结构展开的局部化分析方法，首先将原始信号分解后得到低频信号和高频信号，再对上一层分解得到的两种信号再次分解，经过n层分解可以将原始信号分成2ⁿ个频率互不重叠且从低到高的信号分量G，表示为：

以1min最大波动率为参考，采用小波包分解对风电初始功率进行逐层分解，当分解的最后一层中最低频部分的最大波动率恰好满足技术规定，则分解层数确定。并网功率表示为：

P_grid＝G₀

不平衡功率根据SMES和VRB各自储能特性将低频部分分给VRB，高频部分分给SMES。设置K为决定混合储能功率分配的分频点。储能各自分配所得的功率表示为：

为充分利用储能变化的可用空间，根据储能各自的荷电状态确定分频点的大小。设置储能充放电优先级为中间变量，对荷电状态根据界限值划分不同区域，对应不同的优先级，设定如图3所示。荷电状态SOC的界值设置如下：SOC_min表示最低下限，SOC_down表示较低限制，SOC_up表示较高限制，SOC_max表示最高上限，SMES和VRB的具体区域界限值不同。

设置分频点的初始值为K₀，由VRB响应时间确定。分频点K表示为：

K＝K₀+ΔK

其中，ΔK表示为：

ΔK＝m(X_VRB-X_SMES)

其中，m为针对不同分解层数的修正系数，由VRB响应频率跨度占小波包分解最后一层子信号数量决定。X_VRB和X_SMES分别为VRB和SMES的优先级。

以上是根据不同荷电状态动态变化的分频点确定方法，由此可以得出SMES和VRB初次功率分配参考值。

考虑到两种储能在优先级作差时可能出现为零的情况，因此，还需根据充放电限制做出优化分配。除此，还可以利用储能自身特点稳定荷电状态。以下是进一步功率优化策略：

(1)针对初次功率分配时两种储能优先级相同的情况，考虑到过充过放的问题，对功率进行如下限制：

当X＝1时，

P＝0

当X＝2时，

P＝cP'

其中，X为储能各自优先级，P’为初次分配功率，P为储能优化分配后所得最终参考功率。由于这里的功率限制设定储能独立调整，所以优先级X及功率P、P’不作下标区分。c为荷电状态修正系数。具体取值分充放电两种情况，表示如下：

当X＝3、4、5时，由于储能具备充裕空间，应积极出力，因此不做功率限制。

(2)针对初次功率分配时两种储能优先级不同的情况，考虑到极限荷电状态下不利于下一时刻充放电的问题，为使储能尽量保持良好的荷电状态，安排一部分功率转移，即让优先级高的一方承担优先级低的一方的充放电任务，并对优先级低的一方进行功率补充，让其反向充放电，尽快恢复最佳荷电状态。

由于VRB具有容量大、响应速度快、使用寿命长的特点，其荷电状态较易稳定，而SMES属于功率型储能，荷电状态波动大，容易陷入极限区域。因此，利用VRB对SMES做援助支撑，功率调整如下：

当X_SMES＝1，X_VRB＝4或5时，

P_SMES＝-f*P'_SMES

P_VRB＝P'_VRB+P'_SMES-P_SMES

其中P_SMES、P_VRB分别为SMES和VRB最终参考功率，f为限制系数，与SMES额定容量和VRB额定容量的比值呈负相关。

两种储能优先级不同时的其他情况对于X＝1或X＝2时，依照两种储能优先级相同时功率限制处理，SMES和VRB单独调整，互不影响。当储能优先级均不满足上述条件时，说明储能状态良好，不需进一步优化，直接输出初次分配所得的参考功率。

在完成储能各自分配所得的功率指令后，由并网变流器VSC负责储能装置对系统指令的跟踪，这直接关乎风电波动部分的消纳情况。因此，为提升VSC的控制性能，对其控制器设计采用RBF神经网络进行改进。

附图4是基于RBF神经网络辨识的PI控制框图，该控制系统主要由被控对象、RBF神经网络辨识器和PI控制器三部分组成。被控对象即为对象的离散化模型，表现为控制器输出与系统输出的关系。辨识器对被控对象进行模型辨识，将辨识结果(即Jacobian信息)反馈到控制器中，控制器再根据理想输出和实际输出的比对情况对控制参数进一步调整。

附图4中，r(k)为系统初始给定的输入，y(k)为系统实际输出，e(k)为控制误差，e(k)＝r(k)-y(k)，u(k)为控制器输出。设置控制器比例系数为K_P，积分系数为K_I。

控制器输入X(k)为：

控制器输出u(k)为：

定义控制器性能指标函数：

为减小控制误差e(k)，采用梯度下降法对PI控制参数进行修正，设置比例、积分的调整速率分别为η_P、η_I。修正如下：

其中，

为Jacobian信息，可由RBF网络在线辨识获得。u(k)及y(k)由神经网络通过三层前向式结构全局逼近后得到辨识结果，再反馈至控制参数的修正环节。辨识器输出f(X)与y(k)的比对决定了辨识器参数的更新，进而影响到辨识结果。综上所述，储能系统实时状态和控制器算法逐层嵌扣，内外互连，最终使得PI控制参数得以及时更新达到更佳的控制效果。

为消除有功电流与无功电流之间存在的耦合关系，对变流器均采用功率外环、电流内环的双闭环控制。如附图2所示，为确保功率外环应对系统变化能够快速响应指令，及时调整控制参数，对功率外环采用基于RBF神经网络的PI控制。以有功功率外环为例，r(k)为有功功率参考值，y(k)为实际输出有功功率，u(k)为电流内环参考值，接着通过代入RBF神经网络控制器及辨识器的迭代算法对PI参数得以修正。

基于MATLAB软件平台搭建系统仿真模型，验证本发明所提出的算法。应当理解，以下仿真仅示出了本发明的某些情况，因此不应被看作是对范围的限定。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下获得其他情况的仿真示例，都属于本发明保护的范围。

仿真参数如下：为2MW风电场配置混合储能系统为100kW/0.5kW·h的SMES和200kW/16kW·h的VRB；SMES储能和VRB储能的SOC界值划分分别为0.2-0.35-0.65-0.8、0.3-0.4-0.6-0.7；RBF神经网络结构为3-6-1，网络学习速率为0.25，控制参数调整速率η_P、η_I分别为0.2、0.15，动量因子为0.05。附图5、附图6是在基于RBF神经网络改进的PI控制下对比低通滤波、固定分频点小波包分解及本发明所提动态分频点小波包分析加功率优化策略三种条件下的储能荷电状态对比图。附图7是低通滤波下传统PI控制、动态分频点小波包分析加功率优化下传统PI控制及本发明所提平抑方法的波动平抑效果对比图。

由仿真结果可以看出，该发明提出的基于混合储能系统的风电波动平抑方法有以下几个有益效果：

1、结合图5、图6仿真数据可知，本发明所提方法能有效稳定储能荷电状态，确保储能尽量时时处于充放电的最佳状态，为每一时刻平抑任务做好准备，延长储能使用寿命。

2、结合图7仿真数据可知，本发明所提方法实际并网功率更加平滑，有利于为电网提供稳定高质量电能输入，且对风电原始功率的波动起伏跟踪较好，有效降低储能配置成本。

Claims

1.平抑风电功率波动的混合储能分频协调控制器，其特征在于，包括风电平滑采集单元，混合储能协调分配单元和功率指令控制单元；所述风电平滑采集单元连接混合储能协调分配单元，所述混合储能协调分配单元连接功率指令控制单元；

混合储能包括全钒液流电池即VRB，以及超导磁储能即SMES；

所述风电平滑采集单元包括风电实测采集模块、小波包分解模块、波动率计算模块；所述混合储能协调分配单元包括荷电状态采集及充放电优先级确定模块、动态分频模块、功率限制及功率转移模块；所述功率指令控制单元包括功率控制输入模块、控制参数修正模块；

所述风电实测采集模块，用于实时采集风电机组功率实测值；所述小波包分解模块，用于对风电机组功率实测值进行逐层分解，并对每层分解得到的最低频功率的波动率参照波动率要求进行比较，波动率满足后即可确定分解层数，进而将最终分解量传递给混合储能协调分配单元；

所述波动率计算模块，用于每次分解结果中最低频部分的波动率；

所述荷电状态采集及充放电优先级确定模块，用于测量储能各自的功率，将每小段时间的能量变化进行积分累加，得出当前的荷电状态，接着确定其充放电优先级，进而确定高低频分割点；

所述动态分频模块，用于依照分频点对小波包最终分解量进行分配，实现混合储能的初次功率安排；

所述功率限制及功率转移模块，用于防止储能过充过放，根据充放电优先级设置功率限制条件，对特殊情况给予功率援助调整，确保储能处于最佳状态，实现混合储能的最终功率分配；

所述功率控制输入模块，用于接收储能最终功率指令，并采集实时功率，计算出功率外环控制器输入；

所述控制参数修正模块，用于借助RBF神经网络辨识器对被控对象的在线辨识，根据系统实时变化进一步优化控制器参数，以实现指令跟踪的快速性及准确性。

2.一种基于权利要求1所述控制器的分频协调控制方法，其特征在于，包括以下步骤：

步骤一：采集风电机组原始功率并对其进行小波包分解；

3.根据权利要求2所述分频协调控制方法，其特征在于，所述步骤一中，风电平滑采集单元中的小波包分解模块以多层树状结构展开的形式，对风电机组功率实测值P_wind进行逐层分解，计算每层分解得到的最低频功率G₀的波动率，以1min最大波动率为参考，波动率达标时该层分解结果即为最终分解量，分解层数n即已确定，分解量中最低频功率G₀即为风电并网理想功率，剩余部分P_wind-G₀为所需储能平抑的不平衡功率。

4.根据权利要求2所述分频协调控制方法，其特征在于，所述步骤三中，根据SMES和VRB各自储能特性，需将低频部分分给VRB，高频部分分给SMES；设置中间变量充放电优先级，对于优先级低的较少分配，对于优先级高的较多分配，这样有利于更加充分地利用储能空间；所述步骤三中，分频点的确定取决于两种储能的充放电优先级之差。

5.根据权利要求2所述分频协调控制方法，其特征在于，在所述步骤四中做出补充优化，为避免储能出现过充过放，对优先级较低情况下进行功率限制，所述步骤四考虑到SMES的荷电状态频繁变化情况，为稳定SMES充放电状态，在VRB充放电能力有余的条件下安排储能间能量转移，进一步完成功率最终分配。