CN115189370A - 一种混合储能参与调频的容量分配方法及系统 - Google Patents

Abstract

本申请公开了一种混合储能参与调频的容量分配方法及系统，该方法包括：利用变分模态分解方法分解ACE调频信号；以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能参与调频的容量分配模型；利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配。本申请采用变分模态分解方法对调频信号序列进行有效分解，引入混合储能参与调频，利用电池储能和超级电容储能各自的优势提升调频性能指标，增强了调频效果，提升了调频的经济性。

Description

一种混合储能参与调频的容量分配方法及系统

技术领域

本申请涉及混合储能系统及自动化分析技术领域，尤其涉及一种混合储能参与调频的容量分配方法及系统。

背景技术

随着可再生能源在电力系统中的渗透率不断提高，区域控制偏差(area controlerror,ACE)的高频成分随之增加，传统的火电调频机组由于响应速度和爬坡速率有限，难以满足调频需求。储能电池具有充放电灵活、响应快、控制精度高等优势，将其加入到自动发电控制(automatic generation control,AGC)系统中可以改善调频效果。然而，储能装置的高成本仍然是限制其大规模应用的主要因素之一。如何合理配置储能容量来进一步提高其调频性能和经济性，仍是目前研究的热点。

储能装置可以分为功率型储能装置(如超级电容器等)和能量型储能装置(如蓄电池等)，将两者组合起来使用即构成混合储能系统。当不平衡功率需要在混合储能系统内部进行分配时，一般采用滤波分解的方式，划分为高频部分和低频部分，分别由超级电容器和蓄电池承担。但这种分配方式往往存在以下弊端：第一，当储能装置发生过充和过放时，可能无法承担其所分配的不平衡功率；第二，由于ACE呈以零点为中心的正态分布，低频的功率波动会导致蓄电池频繁进行充放电切换，增加了蓄电池的寿命损耗。

发明内容

本申请的目的在于提供一种混合储能参与调频的容量分配方法及系统，以解决现有的混合储能参与调频的容量分配方法存在的调频效果以及收益不理想的问题。

为了解决上述问题，本申请提供了一种混合储能参与调频的容量分配方法，包括：

利用变分模态分解方法分解ACE调频信号；

以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能参与调频的容量分配模型；

利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配。

作为优选地，在将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配之后，还包括：

根据混合储能系统的SOC状态，将剩余容量在电池储能和超级电容储能之间进行二次分配。

作为优选地，在所述利用变分模态分解方法分解调频ACE信号之后，还包括：

利用布谷鸟算法优化所述变分模态分解方法的关键性参数，所述关键性参数包括模态分量数量及二次惩罚性因子。

作为优选地，所述利用变分模态分解方法分解ACE调频信号，包括：

利用模糊C均值聚类方法对历史ACE调频信号进行聚类，构建典型日ACE调频信号集；

利用变分模态分解方法对典型日ACE调频进行分解。

作为优选地，所述利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配，包括：

利用改进粒子群算法对所述混合储能参与调频的容量分配模型进行求解，得到分解后的ACE调频信号在电池储能和超级电容储能的容量分配结果。

本申请还提供了一种混合储能参与调频的容量分配系统，包括：

调频信号分解模块，用于利用变分模态分解方法分解ACE调频信号；

分配模型构建模块，用于以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能参与调频的容量分配模型；

容量初分配模块，用于利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配。

作为优选地，所述的混合储能参与调频的容量分配系统，还包括：

容量二次分配模块，用于根据混合储能系统的SOC状态，将剩余容量在电池储能和超级电容储能之间进行二次分配。

作为优选地，所述的混合储能参与调频的容量分配系统，还包括：

分解优化模块，用于利用布谷鸟算法优化所述变分模态分解方法的关键性参数，所述关键性参数包括模态分量数量及二次惩罚性因子。

作为优选地，所述调频信号分解模块，包括：

调频信号聚类单元，用于利用模糊C均值聚类方法对历史ACE调频信号进行聚类，构建典型日ACE调频信号集；

调频信号分解单元，用于利用变分模态分解方法对典型日ACE调频进行分解。

作为优选地，所述容量初分配模块，还用于：

利用改进粒子群算法对所述混合储能参与调频的容量分配模型进行求解，得到分解后的ACE调频信号在电池储能和超级电容储能的容量分配结果。

相对于现有技术，本申请的有益效果在于：

1)针对调频信号的多频率特性，采用变分模态分解方法对调频信号序列进行有效分解，形成多个模态分量；调频信号具有典型的非线性特征，变分模态分解可以有效提取调频信号的内在信息，提升储能动态跟着调频信号的准确性。

2考虑到变分模态分解方法关键性参与对分解结果的影响，采用布谷鸟优化算法对变分模态分解关键性参与进行全局优化，降低分解后的模态分量模态混叠等现象。

3)以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能容量分配模型，实现分解后的调频信号在电池储能和超级电容储能之间的容量初分配，提升了调频收益。

4)考虑到电池储能和超级电容储能初分配调频容量与剩余调频容量的偏差，采用荷电状态值量化储能剩余调频容量，构建基于SOC状态的混合储能调频容量二次分配模型，对电池储能和超级电容储能的初分配调频容量进行动态修正，以提升混合储能调频性能指标，增强调频效果并提升调频的经济性，为混合储能参与更多的市场服务提供必要的技术支撑。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，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，还可以根据这些附图获得其他的附图。

图1是本申请某一实施例提供的混合储能参与调频的容量分配方法的流程示意图；

图2是本申请某一实施例提供的步骤S10的子步骤的流程示意图；

图3是本申请又一实施例提供的混合储能参与调频的容量分配方法的流程示意图；

图4是本申请某一实施例提供的混合储能参与调频的容量分配系统的结构示意图；

图5是本申请又一实施例提供的混合储能参与调频的容量分配系统的结构示意图；

图6是本申请某一实施例提供的调频信号分解模块的子单元的结构示意图。

具体实施方式

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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

目前，针对不平衡功率在混合储能系统内部的分配方法，一般采用滤波分解的方式，划分为高频部分和低频部分，分别由超级电容器和蓄电池承担。但这种分配方式通常不能适用储能装置发生过充和过放的场景，且低频的功率波动也会导致蓄电池频繁进行充放电切换，增加了蓄电池的寿命损耗。为了克服现有技术的不足，本申请实施例旨在提供一种混合储能参与调频的容量分配方法，利用电池储能和超级电容储能各自的优势提升调频性能指标，获得更加优越的调频效果和收益。为了帮助理解，首先对本申请实施例涉及的相关术语进行解释：

区域控制偏差：简称ACE，由控制区当前的负荷、发电功率和频率等因素形成的偏差值，反映区域内发电与负荷的平衡情况。由联络线交换功率与计划值的偏差、系统频率与目标频率的偏差两部分组成，有时也包括时差和无意交换电量。

变分模态分解：在信号处理中，变分模态分解是一种信号分解估计方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离。

粒子群优化算法：粒子群优化算法(Particle Swarm optimization，PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。

第一方面：

请参阅图1，本申请某一实施例提供一种混合储能参与调频的容量分配方法。如图1所示，该混合储能参与调频的容量分配方法包括步骤S10至步骤S30。各步骤具体如下：

S10、利用变分模态分解方法分解ACE调频信号。

在某一具体地实施方式中，步骤S10包括两个子步骤，如图2所示。具体地，这两个子步骤为：

S101、利用模糊C均值聚类方法对历史ACE调频信号进行聚类，构建典型日ACE调频信号集。具体步骤为：

1.1)搜集该混合储能每天接收的ACE调频信号历史数据，形成ACE调频信号数据集；

1.2)采用模糊C均值聚类方法对ACE调频信号数据集进行聚类，共形成p类聚类结果；

1.3)分别对p类聚类结果在所属类别内所有的ACE调频信号求取平均值，形成p类聚类结果的典型日ACE调频信号，从而构建典型日ACE调频信号集。具体表示为：

f(t)＝{f¹(t),f²(t),...,f^p(t)}；

式中，f(t)为典型日ACE调频信号集；f¹(t)为第类典型日ACE调频信号；f^p(t)为第p类典型日ACE调频信号。

S102、利用变分模态分解方法对典型日ACE调频进行分解。

需要说明的是，变分模态分解算法分为变分问题的构造和变分问题的求解两个过程，可以有效实现对ACE调频信号的有效分解。变分模态分解对典型日ACE调频信号分解的步骤为：

2.1)构建典型日ACE调频信号集f(t)的变分问题，具体为：

式中，{u_k}＝{u₁,u₂...u_k}为分解后得到k个模态分量，{ω_k}＝{ω₁,ω₂...ω_k}为k个模态分量所对应的中心频率。

2.2)初始化模态分量

不同模态分量对应的中心频率

拉格朗日算子

和迭代次数n；

2.3)采用乘法算子交替方向法求解构造的变分问题，二次优化问题的解模态分量

求解结果为：

2.4)中心频率

的更新方法：

式中，

为当前剩余分量，

为剩余分量的维纳滤波；

为当前不同模态函数功率谱的重心；对

进行傅里叶逆变换，其实部为{u_k(t)}。

2.5)拉格朗日算子λ的更新计算方法为；

式中，τ为更新参数。

2.6)根据下式判断是否满足收敛条件。若满足，则输出结果；若不满足，则返回步骤2.3)，继续更新，直到满足收敛条件为止。收敛条件为：

在某一个优选地实施方式中，考虑到变分模态分解方法关键性参与对分解结果的影响，采用布谷鸟优化算法对变分模态分解关键性参与进行全局优化，降低分解后的模态分量模态混叠等现象。

具体地，如图3所示。本实施例中，在执行完步骤S10后，还包括执行步骤S50、利用布谷鸟算法优化所述变分模态分解方法的关键性参数，所述关键性参数包括模态分量数量及二次惩罚性因子。具体地，包括以下步骤：

3.1)布谷鸟优化算法的参数初始化。包含种群规模、种群维度、最大发现概率和最大迭代次数等参数；

3.2)随机生成鸟窝位置。即随机生成多组模态分量数K和二次惩罚性因子α值，生成方法为：

式中，u＝0,n_in＝C,C为固定值，根据样本数量决定。

3.3)适应度函数选取。选择合理的适应度函数，计算种群每一个鸟窝的适应度函数值，得到当前最佳位置。

3.4)鸟窝位置更新。采用莱维飞行方式对鸟窝位置和途径进行更新，鸟窝位置更新的计算方法为：

式中，

为更新后的模态分量数K和二次惩罚性因子α值；

为初始模态分量数K和二次惩罚性因子α值，

为概率分布；γ为关系系数；X_i为初始鸟巢的位置距离；X_best为最优鸟巢的位置距离；u和v为标准正态分布的参数；β＝C为固定值。

的概率分布的计算公式为：

式中，β＝C为固定值,一般取值为1.5；Γ为Γ分布。

3.5)位置对比。将上一代最佳位置与更新后的位置进行对比，若上一代位置更佳，则保留上一代最佳位置；若更新后的位置更佳，则替代上一代最佳位置。

3.6)结果输出。重复步骤3.2)到步骤3.5)，直到迭代次数达到预先设定值，输出全局最优值。

本实施例，通过采用布谷鸟优化算法对变分模态分解方法的关键性参数模态分量数K和二次惩罚性因子α进行全局优化求解，提升ACE信号分解的准确性和有效性。

S20、以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能参与调频的容量分配模型。

具体地，步骤S20包括：

4.1)构建混合储能参与调频的容量分配模型：

以混合储能在参与调频过程中的收益最大为目标函数，构建混合储能参与调频的容量分配模型。混合储能参与调频的容量分配模型目标函数为：

F₁＝max[S_EC-C_E-C_C]；

式中，S_EC为混合储能调频收益；C_E为混合储能中电池储能调频成本；C_C为混合储能中超级电容储能调频成本。

4.2)计算混合储能的调频收益：

在混合储能参与调频的容量分配模型中，混合储能调频收益的计算方法为：

式中，

为混合储能参与调频的容量模型，T为混合储能参与调频的时长；k_p为混合储能当天的综合调频性能指标；Y^AGC为调频设备的补偿标准。

需要说明的是，混合储能是指将电池和超级电容组成混合储能系统，通过两者之间的优化匹配和能量协调控制，可以有效提高储能系统的性能并降低成本，解决储能系统实际应用中的问题。混合储能参与调频的容量模型为：

式中，

为在t时刻混合储能接收的调频AGC指令；

为在t时刻电池储能承担的调频功率；

为在t时刻超级电容储能承担的调频功率。

进一步地，混合储能的综合调频性能指标具体为：

k_p＝K₁×K₂×K₃；

式中，K₁、K₂和K₃为分别为混合储能参与调频过程中的响应时间、调频精度和调频速度。

4.3)计算混合储能中电池储能的调频成本：

在混合储能参与调频的容量分配模型中，电池储能调频成本的计算方法为：

C_E＝C_E,in+C_E,op；

式中，C_E,in为混合储能中电池储能的投资建设成本；C_E,op为为混合储能中电池储能的运行维护成本。

混合储能中电池储能投资建设成本C_E,in的计算公式为：

式中，C_E,in为电池储能的投资建设成本；C_E,p为电池储能单位功率成本；P_E,max为电池储能额定功率；C_E,s为电池储能单位容量成本；S_E,total为电池储能容量；g为折现率；N_E,y为电池储能的全寿命周期，单位为年；k_E为电池储能设备的更换次数；n_E为电池储能全寿命周期内的总置换次数。

混合储能中电池储能运行维护成本C_E,op的计算公式为：

式中，C_E,op为电池储能运行维护成本；C_E,pom为电池储能单位功率运行维护成本；C_E,som为电池储能单位容量运行维护成本；W_E(t)为电池储能年充放电量。

4.4)计算混合储能中超级电容储能的调频成本；

在混合储能参与调频的容量分配模型中，超级电容储能调频成本的计算方法为：

C_C＝C_C,in+C_C,op；

式中，C_C,in为混合储能中超级电容储能的投资建设成本；C_C,op为为混合储能中超级电容储能的运行维护成本。

混合储能中超级电容储能投资建设成本C_C,in的计算公式为：

式中，C_C,in为超级电容储能的投资建设成本；C_C,p为超级电容储能单位功率成本；P_C,max为超级电容储能额定功率；C_C,s为超级电容储能单位容量成本；S_C,total为超级电容储能容量；g为折现率；

为超级电容储能的全寿命周期，单位为年；k_C为超级电容储能设备的更换次数；_nC为超级电容储能全寿命周期内的总置换次数。

混合储能中超级电容储能运行维护成本C_C,op的计算公式为：

式中，C_C,op为超级电容储能运行维护成本；C_C,pom为超级电容储能单位功率运行维护成本；C_C,som为超级电容储能单位容量运行维护成本；W_C(t)为超级电容储能年充放电量。

4.5)确定容量分配模型的约束条件：

混合储能参与调频的容量分配模型约束条件可以分为充放电功率约束和荷电状态约束。充放电功率约束条件为：

式中，P_E,in,t为混合储能中电池储能在第t个时间段的充电功率；P_E,out,t为混合储能中电池储能在第t个时间段的放电功率；P_C,in,t为混合储能中超级电容储能在第t个时间段的充电功率；P_C,out,t为混合储能中超级电容储能在第t个时间段的放电功率；H为混合储能电站的充放电状态系数。

混合储能电站的充放电状态系数H可以表示为：

式中，H为0-1状态系数。

混合储能荷电状态约束条件为：

SOC_E,t-1+η_E,chP_E,in,tΔt≤SOC_E,max；

SOC_C,t-1+η_C,chP_C,in,tΔt≤SOC_C,max；

式中，SOC_E,t-1为第t-1个时间段混合储能中电池储能的荷电状态；SOC_E,min为混合储能中电池储能的最小荷电状态；SOC_E,max为混合储能中电池储能的最大荷电状态；η_E,ch为混合储能中电池储能的充电效率；η_E,disch为混合储能中电池储能的放电效率；SOC_C,t-1为第t-1个时间段混合储能中超级电容储能的荷电状态；SOC_C,min为混合储能中超级电容储能的最小荷电状态；SOC_C,max为混合储能中超级电容储能的最大荷电状态；η_C,ch为混合储能中超级电容储能的充电效率；η_C,disch为混合储能中超级电容储能的放电效率。

S30、利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配。

本步骤中，采用改进粒子群算法对构建的混合储能容量分配模型进行求解，得到混合储能参与调频的容量分配结果。电池储能和超级电容储能的容量分配结果分别表示为：

式中，

为通过改进粒子群算法求解的混合储能中电池储能承担的调频功率；

为通过改进粒子群算法求解的混合储能中超级电容储能承担的调频功率。

本实施例中，通过混合储能参与调频的容量分配模型，实现了对分解后的调频信号在电池储能和超级电容储能之间的容量初分配。

在某一具体实施例中，考虑到电池储能和超级电容储能初分配调频容量与剩余调频容量的偏差，采用荷电状态值量化储能剩余调频容量，构建基于SOC状态的混合储能参与调频的容量二次分配模型，对电池储能和超级电容储能的初分配调频容量进行动态修正，以保证混合储能调频性能指标。

请参阅图3，本实施例中，在执行步骤S30后，还包括执行步骤S40，即根据混合储能系统的SOC状态，将剩余容量在电池储能和超级电容储能之间进行二次分配。具体地，包括以下步骤：

5.1)考虑SOC状态的混合储能中电池储能的剩余调频容量计算。混合储能中电池储能的剩余调频容量为：

式中，

为混合储能中电池储能可以放电的剩余调频容量；E_E,S为混合储能中电池储能的额定容量；SOC_E,t为混合储能中电池储能在第t个时间段的荷电状态值；SOC_E,max为混合储能中电池储能最大荷电状态值；

为混合储能中电池储能可以放电的剩余调频容量；SOC_E,min为混合储能中电池储能最小荷电状态值。

5.2)考虑SOC状态的混合储能中超级电容储能的剩余调频容量计算。混合储能中超级电容储能的剩余调频容量为：

式中，

为混合储能中超级电容储能可以放电的剩余调频容量；E_C,S为混合储能中超级电容储能的额定容量；SOC_C,t为混合储能中超级电容储能在第t个时间段的荷电状态值；SOC_C,max为混合储能中超级电容储能最大荷电状态值；

为混合储能中超级电容储能可以放电的剩余调频容量；SOC_C,min为混合储能中超级电容储能最小荷电状态值。

(3)考虑SOC状态的混合储能调频容量二次分配。考虑混合储能SOC状态的调频容量二次分配方法为：

式中，

为混合储能中电池储能经过二次分配后的调频容量；

为混合储能中超级电容储能经过二次分配后的调频容量；

为混合储能中电池储能的二次分配调频修正量；

为混合储能中超级电容储能的二次分配调频修正量。

混合储能中电池储能和超级电容储能的修正量满足以下约束：

混合储能中电池储能和超级电容储能的修正量取决于混合储能的剩余调频容量，具体可以表示为：

综上所述，本申请第一方面所提供的混合储能参与调频的容量分配方法，至少实现了以下功能：

1)针对调频信号的非线性特征，采用变分模态分解方法对调频信号序列进行分解有效提取调频信号的内在信息，提升储能动态跟着调频信号的准确性。

2考虑到变分模态分解方法关键性参与对分解结果的影响，采用布谷鸟优化算法对变分模态分解关键性参与进行全局优化，降低分解后的模态分量模态混叠等现象。

3)以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能容量分配模型，实现分解后的调频信号在电池储能和超级电容储能之间的容量初分配，提升了调频收益。

4)考虑到电池储能和超级电容储能初分配调频容量与剩余调频容量的偏差，采用荷电状态值量化储能剩余调频容量，构建基于SOC状态的混合储能调频容量二次分配模型，对电池储能和超级电容储能的初分配调频容量进行动态修正，以提升混合储能调频性能指标，增强调频效果并提升调频的经济性，为混合储能参与更多的市场服务提供必要的技术支撑。

第二方面：

请参阅图4，本申请某一实施例还提供了一种混合储能参与调频的容量分配系统，包括：

调频信号分解模块01，用于利用变分模态分解方法分解ACE调频信号；

分配模型构建模块02，用于以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能参与调频的容量分配模型；

容量初分配模块03，用于利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配。

请参阅图5，在某一具体实施例中，所述的混合储能参与调频的容量分配系统，还包括：

容量二次分配模块04，用于根据混合储能系统的SOC状态，将剩余容量在电池储能和超级电容储能之间进行二次分配。

请参阅图5，在某一具体实施例中，所述的混合储能参与调频的容量分配系统，还包括：

分解优化模块05，用于利用布谷鸟算法优化所述变分模态分解方法的关键性参数，所述关键性参数包括模态分量数量及二次惩罚性因子。

请参阅图6，在某一具体实施例中，调频信号分解模块01，包括：

调频信号聚类单元011，用于利用模糊C均值聚类方法对历史ACE调频信号进行聚类，构建典型日ACE调频信号集；

调频信号分解单元012，用于利用变分模态分解方法对典型日ACE调频进行分解。

在某一具体实施例中，容量初分配模块03，还用于：

利用改进粒子群算法对所述混合储能参与调频的容量分配模型进行求解，得到分解后的ACE调频信号在电池储能和超级电容储能的容量分配结果。

可以理解的是，本申请第二方面提供的混合储能参与调频的容量分配系统用于执行如上述任一项实施例所提供的混合储能参与调频的容量分配方法，并能够实现与其相同的效果，在此不再进一步赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分仅仅为一种逻辑功能划分，在实际应用中对其实现时可以有另外的划分方式，例如多个单元或页面组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种混合储能参与调频的容量分配方法，其特征在于，包括：

利用变分模态分解方法分解ACE调频信号；

以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能参与调频的容量分配模型；

利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配。

2.根据权利要求1所述的混合储能参与调频的容量分配方法，其特征在于，在将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配之后，还包括：

根据混合储能系统的SOC状态，将剩余容量在电池储能和超级电容储能之间进行二次分配。

3.根据权利要求1所述的混合储能参与调频的容量分配方法，其特征在于，在所述利用变分模态分解方法分解调频ACE信号之后，还包括：

利用布谷鸟算法优化所述变分模态分解方法的关键性参数，所述关键性参数包括模态分量数量及二次惩罚性因子。

4.根据权利要求1所述的混合储能参与调频的容量分配方法，其特征在于，所述利用变分模态分解方法分解ACE调频信号，包括：

利用模糊C均值聚类方法对历史ACE调频信号进行聚类，构建典型日ACE调频信号集；

利用变分模态分解方法对典型日ACE调频进行分解。

5.根据权利要求1所述的混合储能参与调频的容量分配方法，其特征在于，所述利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配，包括：

利用改进粒子群算法对所述混合储能参与调频的容量分配模型进行求解，得到分解后的ACE调频信号在电池储能和超级电容储能的容量分配结果。

6.一种混合储能参与调频的容量分配系统，其特征在于，包括：

调频信号分解模块，用于利用变分模态分解方法分解ACE调频信号；

分配模型构建模块，用于以混合储能调频收益、电池储能调频成本和超级电容储能调频成本形成的调频效益最大为目标函数，构建混合储能参与调频的容量分配模型；

容量初分配模块，用于利用混合储能参与调频的容量分配模型，将分解后的ACE调频信号在电池储能和超级电容储能之间进行容量分配。

7.根据权利要求6所述的混合储能参与调频的容量分配系统，其特征在于，还包括：

容量二次分配模块，用于根据混合储能系统的SOC状态，将剩余容量在电池储能和超级电容储能之间进行二次分配。

8.根据权利要求6所述的混合储能参与调频的容量分配系统，其特征在于，还包括：

分解优化模块，用于利用布谷鸟算法优化所述变分模态分解方法的关键性参数，所述关键性参数包括模态分量数量及二次惩罚性因子。

9.根据权利要求6所述的混合储能参与调频的容量分配系统，其特征在于，所述调频信号分解模块，包括：

调频信号聚类单元，用于利用模糊C均值聚类方法对历史ACE调频信号进行聚类，构建典型日ACE调频信号集；

调频信号分解单元，用于利用变分模态分解方法对典型日ACE调频进行分解。

10.根据权利要求6所述的混合储能参与调频的容量分配系统，其特征在于，所述容量初分配模块，还用于：

利用改进粒子群算法对所述混合储能参与调频的容量分配模型进行求解，得到分解后的ACE调频信号在电池储能和超级电容储能的容量分配结果。

Images