基于混合儲能系統跟蹤光伏發電輸出功率的控制策略

田春光　田　利　李德鑫　呂項羽　常學飛

（國網吉林省電力有限公司電力科學研究院　長春　130021）

基于混合儲能系統跟蹤光伏發電輸出功率的控制策略

田春光田利李德鑫呂項羽常學飛

（國網吉林省電力有限公司電力科學研究院長春130021）

混合儲能系統兼備能量型儲能和功率型儲能的技術特性，可以有效縮減光伏功率的預測誤差，提高將光伏預測出力作為電力調度參考的可靠性。為此，提出了混合儲能系統提升光伏電站跟蹤目標出力能力的優化控制策略。該策略采用內部能量協調控制和多目標優化控制的復合控制方式，合理地分配了電池與超級電容器的充放電功率，控制混合系統的出力彌補光伏電站預測功率和實際功率的偏差。通過國內某40MW光伏電站250天輸出功率數據進行仿真分析，表明該策略不僅可以有效跟蹤光伏的預測出力，而且能夠充分發揮不同儲能介質的特性，降低電池的充放電深度，使混合儲能得到更好的應用。

混合儲能系統鋰電池超級電容器發電出力跟蹤復合控制策略

0　引言

光伏發電作為一種新能源發電技術，已受到世界各國的高度重視，裝機規模日益增大［1，2］。光伏發電受天氣因素影響出現的隨機性和間歇性直接影響電網的穩定運行。基于光伏功率預測制定發電計劃作為一種解決措施在一定程度上緩解了光伏發電對電網的沖擊，但由于預測方法總是存在不可預知的因素，致使光伏發電機組的預測出力與實際出力存在較大偏差［3］。儲能技術具有電能雙向流動、能量時移等特點［4，5］，其與光伏電站組成光儲聯合發電系統，可以有效縮減光伏功率的預測誤差，提高將光伏預測出力作為電網調度參考的可靠性。如張北風光儲輸示范工程，現有光伏裝機40MW，儲能系統容量 20MW·h，通過制定相應的控制策略，實現聯合發電系統平滑出力、跟蹤計劃出力、參與調頻及削峰填谷等功能，使聯合發電系統友好地接入電網。

儲能介質可分為能量型和功率型兩類［6，7］。能量型儲能介質以鋰電池為代表，其能量密度大，但功率密度較小且響應時間較長。功率型儲能介質以超級電容、飛輪儲能以及超導磁儲能為代表，其功率密度大，響應時間較短，可頻繁充放電而不損害其性能，但能量密度較小。目前，單一儲能技術在優化控制方面都表現出了不足之處［8］，而混合儲能可以充分利用能量型儲能和功率型儲能在技術上的互補性，實現多種層次的技術應用，已成為國內外學者研究的熱點之一［9］。文獻［10］利用人工神經網絡算法對混合儲能系統進行優化控制，從而將功率預測值與實際值的差值控制在較小的范圍內，但未考慮儲能荷電狀態（State Of Charge，SOC）因素的影響，易造成過充或過放。文獻［11］在跟蹤可再生能源輸出功率的混合儲能系統中，采用模糊控制理論進行功率分配，當超級電容電量充足時，由其獨立補償功率差額，從而減少蓄電池充放電次數，但沒有考慮控制超級電容器的SOC。

本文提出一種提升光伏跟蹤目標出力能力的混合儲能系統優化控制策略。該控制策略以光伏功率的預測值作為光伏的目標出力，通過控制混合儲能系統的充放電過程來配合光伏電站滿足相應目標出力值的要求。該復合優化控制策略包括內部能量協調控制和多目標優化控制兩部分，依據儲能介質SOC采用相應的控制方法，實現光伏電站功率的跟蹤控制，同時合理控制了鋰電池和超級電容器的SOC范圍。通過國內某40MW光伏電站250天輸出功率數據進行仿真分析，證明了該方法的有效性，優化了混合儲能系統的使用。

1　混合儲能系統跟蹤控制原理及建模

帶混合儲能系統的光伏電站結構示意圖如圖 1所示。其中混合儲能系統由蓄電池和超級電容器組成。混合儲能系統的輸出功率與光伏電站輸出功率之和，作為平滑后的并網功率接入電網。其中，Ppv為光伏電站輸出功率，Ptotal為光儲聯合輸出功率，Phess為混合儲能系統輸出功率，Pbat為電池輸出功率，Pcap為超級電容器輸出功率。忽略系統各部分的能量損耗，根據能量守恒定律可得

圖1　帶混合儲能系統的光伏電站結構示意圖Fig.1　Structure of PV station with hybrid storage system

為實現光伏電站的優化調度，應合理地對儲能系統的功率進行優化控制，使光伏電站出力跟蹤預測值。該優化控制策略首先遵循以下基本原則：

（1）若當前光伏功率滿足跟蹤精度的需求，則混合儲能系統停止運行。

（2）若當前光伏功率不滿足跟蹤精度的需求，則通過混合儲能系統充放電對其控制。

（3）若目標出力值超出功率調節范圍，則盡可能使混合儲能系統的功率接近目標值。

混合儲能系統跟蹤控制原理框圖如圖2所示。Ppv實測值由SCADA系統采集獲得；光伏電站功率的預測值由光伏電站功率預測模型獲得，記為Ppvf。其中，預測模型為馬爾可夫鏈模型與持續預測法的組合模型。預測值與實測值的偏差為

根據偏差量判斷混合儲能系統是否投入運行，規則滿足

式中，Pe為光伏電站的額定功率；n為設定的跟蹤精度。

混合儲能系統的跟蹤控制只需滿足達到跟蹤精度的范圍即可，這樣可以適量降低儲能系統的放電深度。混合儲能系統的目標總出力值為

圖2　混合儲能系統跟蹤控制原理框圖Fig.2　Block diagram of tracking control for hybrid energy storage system

混合儲能的復合控制策略由控制方式、功率分配與保護單元、電池、超級電容器及其SOC檢測裝置形成的閉環控制。系統依據電池和超級電容器的SOC范圍判斷控制方式，即內部能量協調控制或者多目標優化控制。系統確定控制方式后，根據當前SOC的范圍進行功率分配，計算出 Pbat和 Pcap，再次計算電池和超級電容器的SOC范圍，為下一時刻決策提供約束條件。

將 t時刻電池和超級電容器的 SOC分別記為SOCbat（t）和SOCcap（t），則有如下關系。

（1）充電過程

（2）放電過程

其中，Pbat（t）和Pcap（t）滿足約束條件

（1）充電過程

式中，Pbat，cmax、Pcap，cmax分別是由電池和超級電容自身特性決定的最大充電功率；SOCbat，max、SOCcap，max分別是電池和超級電容的SOC約束上限。

（2）放電過程

式中，Pbat，dmax、Pcap，dmax分別是由電池和超級電容器自身特性決定的最大放電功率；SOCbat，min、SOCcap，min分別是電池和超級電容器的SOC約束下限。

通過以上控制過程即可滿足系統的總輸出功率在一定的誤差帶寬范圍內實時跟蹤發電目標的目的。

2　混合儲能系統的復合控制策略

2.1控制方式的判定

依據電池和超級電容器的 SOC區間以及充放電狀態可以將混合儲能系統的運行狀態劃分為 18種，針對不同的工況對其進行控制策略的選擇，見表1。

表1　混合儲能系統的運行狀態劃分及控制策略判定Tab.1　Determination of hybrid energy storage system running state division and control strategy

表1中，當電池和超級電容器SOC都處于正常運行范圍內，即第1、2狀態時，選擇多目標優化控制，發揮電池和超級電容器各自的性能優勢；當電池和超級電容器 SOC只有一方能滿足單獨運行的條件時，即狀態3～16時，選擇內部能量協調控制，保證電池和超級電容器的正常運行；狀態 17和18都不滿足系統運行的條件，儲能系統停止運行。

混合儲能系統的復合控制流程如下。

（1）參數：設定儲能容量、額定功率和跟蹤精度n，取SOCbat，max=0.85、SOCbat，min=0.15、SOCcap，max= 0.95和SOCcap，min=0.05。

（2）讀取光伏功率的實測值與預測值，計算其偏差，根據偏差判斷混合儲能系統是否投入運行和運行模式。

（3）根據當前電池和超級電容器的SOC狀態，通過表1，確定相應的控制策略。

（4）計算電池與超級電容器的功率限值，確定混合儲能系統出力，進而計算光儲聯合系統總出力。

混合儲能系統的復合控制流程如圖3所示。

2.2混合儲能系統內部能量協調控制

混合儲能系統的內部能量協調控制是指混合儲能中電池或超級電容器能單獨運行時的控制。依據表1所示內容，以狀態3～6共四種工況為例進行詳細分析，并給出內部能量控制后的儲能系統的功率。

設在t時刻，Mbat為電池儲能的容量和分別為按照式（12）～式（15）計算所得的電池和超級電容器的充放電功率限值，內部能量控制分配的計算方法如下。

（1）狀態 3：SOCbat（t）＜SOCbat，min且 SOCcap（t）＜SOCcap，min，充電狀態。該狀態下，遵循電池優先充電原則，先提升電池的SOC水平，剩余部分能量由超級電容器承擔，功率計算式為

（2）狀態 4、5：當 SOCbat（t）＜SOCbat，min且SOCcap，min＜SOCcap（t）＜SOCcap，max時，若為充電狀態，即狀態4，電池SOC低于下限值，所以優先對電池充電，功率計算式為

若為放電狀態，即狀態 5，電池停止運行，由超級電容器承擔放電任務，功率計算式為

（3）狀態6：當SOCbat（t）＜SOCbat，min且SOCcap（t）＞SOCcap，max時為充電狀態。電池 SOC低于下限值，且對電池充電，超級電容器SOC高于上限值，故停止運行，功率為

以此類推，可得到狀態7～狀態16的電池和超級電容器功率分配，這里不再贅述。

圖3　混合儲能系統復合控制流程Fig.3　Flow chart of hybrid energy storage system composite control

2.3混合儲能系統多目標優化控制

混合儲能系統多目標優化控制方式下，為充分發揮能量型、功率型儲能的各自優勢，混合儲能內部能量分配規則為：超級電容器遵循優先充放電的原則，執行混合儲能的功率指令中高頻分量；電池是混合儲能系統中的主要能量來源，負責承擔長時期的低頻分量部分，實時調節電容器荷電狀態，以及時響應下一指令的高頻部分［12］。

本文采用一階低通濾波器［13，14］的方法，將光伏發電功率的預測值與實測值的偏差 Per分為高、低頻兩部分。濾波器傳遞函數為

式中，τ 為濾波時間，是常數。將濾波器傳遞函數從頻域轉換到時域，可得電池和超級電容器的功率分別為

λ的取值直接影響混合儲能的功率分配，如何合理確定λ的取值以充分發揮兩類儲能的最大功效的問題，可以通過優化理論解決。

在跟蹤控制中，儲能壽命受循環次數、放電深度等因素的制約，應避免其“過充、深放”，限制電池在每一個采樣點的輸出功率幅值。另一方面，為了滿足超級電容器能夠隨時具有較強的高頻功率輸出的能力，應保持超級電容器SOC在適中水平以能夠滿足下一時刻充放電的需求。

按照上述優化目標的要求，建立的混合儲能系統跟蹤優化控制的模型為

式中，SOCmed一般取值0.5左右；Pbat，e為電池的額定功率；Mcap為超級電容器的儲能容量；f1為放電深度；f2為t時刻超級電容的SOC值與SOCmed的差，用以保證超級電容器的SOC在適中的水平。式（23）表示在 t時刻對電池和超級電容器的功率進行優化分配。按照式（21）和式（22）將優化目標轉化為λ 的優化問題，可得

約束條件為

式中，Pbat（t-1）、P*hess（t）和SOCcap（t-1）可由相關公式［15］計算得到；Mcap、SOCmed、Δt、b1和 b2為設定的參數。

多目標優化問題不存在使全部目標同時達到最優的絕對最優解，可求其Pareto最優解［16］。對于極小值多目標優化問題，Pareto最優解定義為：在設計變量的可行域內，對于變量 X，當且僅當不存在其他變量 X*，在不違背約束的條件下滿足 fi（X）≤fi（X*），至少存在一個i使fi（X）＜fi（X*）成立，則稱變量X為非支配解，即Pareto最優解。

圖4為Pareto解的決策方法，是把混合儲能系統出力的一個指令周期分為兩部分。在第 i個指令周期Ti，1的后一部分周期Ti，2內，為了防止下一指令周期的光伏功率預測值發生較大改變，隨之導致混合儲能的目標出力功率也發生較大變化的情況，需要在Ti，2內超級電容器的SOC保持在一定的水平，以應對混合儲能功率的高頻分量，故應選取f2較優的解作為當前解；當進入第i+1個指令周期時，前一部分周期即Ti+1，1內，在超級電容器負責承擔一部分高頻分量下，盡量降低電池的輸出功率幅值，以延長儲能壽命，故應選取f1較優的解作為當前解。

圖4　Pareto解的決策方法Fig.4　The decision method for the solution of Pareto

3　算例分析

本文以國內某40MW光伏電站250天輸出功率數據為例進行研究，采樣時間間隔為1min。為了兼顧天氣類型，選擇上午晴朗、下午多云的典型日數據。采用馬爾科夫鏈與持續預測的組合模型對功率進行預測［12］，預測功率時間間隔為 15min。電池、超級電容器和混合儲能系統的參數見表 2。光伏預測功率、實際功率及光儲聯合功率如圖5所示。

通過混合儲能系統的充放電作用，縮減了預測值與實測值的偏差。從圖5可以看出光儲聯合功率曲線與預測功率曲線十分吻合，這說明儲能系統實現了跟蹤發電。為說明混合儲能系統復合優化控制的效果，與僅采用一階低通濾波方法進行對比，兩種方法的混合儲能系統輸出功率如圖6所示。

表2　電池、超級電容器以及混合儲能系統的相關參數Tab.2　Related parameters of battery， super capacitor and hybrid energy storage optimal control system

圖5　光伏預測功率、實際功率以及光儲聯合功率Fig.5　PV forecast power， real power and PV-storage combined power

圖6　兩種方法的混合儲能系統功率Fig.6　Power of hybrid energy storage system using two methods

圖6a中橫向虛線代表電池的充放功率約束，從圖看出此時電池的充放功率存在越限現象。從圖6b可以看出，通過復合優化控制不僅使電池出力盡可能小，還使超級電容器具備保持應對高頻率出力的能力。由圖6b放大區域可以看出，通過優化控制，屬于能量型儲能的電池負責承擔了能量的主要低頻部分，而屬于功率型儲能的超級電容器負責高頻部分的出力。

兩種方法的混合儲能系統SOC如圖7所示。可以看出，復合優化控制下的超級電容器SOC的變化幅度較大，電池SOC的變化較為平穩，其數值保持在0.5附近。說明此時在滿足相同的出力目標下，電池的充放更加合理。

圖7　兩種方法的混合儲能系統SOCFig.7　SOC of hybrid energy storage system using two methods

4　結論

本文提出基于混合儲能系統提升光伏跟蹤目標出力能力的優化控制策略，并通過實際算例，證明了該策略側準確性和實用性，得到以下結論。

1）該策略采用內部能量協調控制和多目標優化控制的復合控制方式，合理地分配了電池與超級電容器的充放電功率，控制混合系統的出力彌補了光伏電站預測功率和實際功率的偏差，實現了光伏電站功率的跟蹤控制。

2）本文提出的控制策略不僅可以有效跟蹤光伏的預測出力，而且能夠充分發揮不同儲能介質的特性，控制電池SOC曲線在0.5附近走勢平穩，降低了電池的充放電深度，延長了儲能電池的使用壽命，使混合儲能得到了更好地應用。

［1］戚永志， 劉玉田. 風光儲聯合系統輸出功率滾動優化與實時控制［J］. 電工技術學報， 2014， 29（8）：265-273. Qi Yongzhi， Liu Yutian. Output power rolling optimization and real-time control in wind-photovoltaicstorage hybrid system［J］. Transactions of China Electrotechnical Society， 2014， 29（8）： 265-273.

［2］劉偉， 彭冬， 卜廣全， 等. 光伏發電接入智能配電網后的系統問題綜述［J］. 電網技術， 2009， 33（19）： 1-6. Liu Wei， Peng Dong， Bu Guangquan， et al. A survey on system problems in smart distribution network with grid-connected photovoltaic generation［J］. Power System Technology， 2009， 33（19）： 1-6.

［3］馬速良， 蔣小平， 馬會萌， 等. 平抑風電波動的混合儲能系統的容量配置［J］. 電力系統保護與控制，2014， 42（8）： 108-114. Ma Suliang， Jiang Xiaoping， Ma Huimeng， et al. Capacity configuration of the hybrid energy storage system for wind power smoothing［J］. Power System Protection and Control， 2014， 42（8）： 108-114.

［4］郭思琪， 袁越， 張新松， 等. 多時間尺度協調控制的獨立微網能量管理策略［J］. 電工技術學報，2014， 29（2）： 122-129. Guo Siqi， Yuan Yue， Zhang Xinsong， et al. Energy management strategy of isolated microgrid based on multi-time scale coordinated control［J］. Transactions of China Electrotechnical Society， 2014， 29（2）：122-129.

［5］王成山， 于波， 肖峻， 等. 平滑可再生能源發電系統輸出波動的儲能系統容量優化方法［J］. 中國電機工程學報， 2012， 32（16）： 1-8. Wang Chengshan， Yu Bo， Xiao Jun， et al. Sizing of energy storagesystems for output smoothing of renewable energy systems［J］. Proceedings of the CSEE， 2012， 32（16）： 1-8.

［6］張純江， 董杰， 劉君， 等. 蓄電池與超級電容混合儲能系統的控制策略［J］. 電工技術學報， 2014，29（4）： 334-340. Zhang Chunjiang， Dong Jie， Liu Jun， et al. A control strategy for battery-ultracapacitor hybrid energy storage system［J］. Transactions of China Electrotechnical Society， 2014， 29（4）： 334-340.

［7］Ise T， Kita M， Taguchi A. A hybrid energy storage with a SMES and secondary battery［J］. IEEE Transactions on Sustainable Energy， 2005， 15（2）：1915-1918.

［8］于芃， 趙瑜， 周瑋， 等. 基于混合儲能系統的平抑風電波動功率方法的研究［J］. 電力系統保護與控制， 2011， 39（24）： 35-40. Yu Peng， Zhao Yu， Zhou Wei， et al. Research on the method based on hybrid energy storage system for balancing fluctuant wind power［J］. Power System Protection and Control， 2011， 39（24）： 35-40.

［9］丁明， 林根德， 陳自年， 等. 一種適用于混合儲能系統的控制策略［J］. 中國電機工程學報， 2012，32（7）： 1-6. Ding Ming， Lin Gende， Chen Zinian， et al. A control strategy for hybrid energy storage systems［J］. Proceedings of the CSEE， 2012， 32（7）： 1-6.

［10］Brekken T K A， Yokochi A， Von Jouanne A， et al. Optimal energy storage sizing and control for wind power applications［J］. IEEE Transactions on Sustainable Energy， 2011， 2（1）： 69-77.

［11］于芃， 周瑋， 孫輝， 等. 用于風電功率平抑的混合儲能系統及其控制系統設計［J］. 中國電機工程學報， 2011， 31（17）： 127-133. Yu Peng， Zhou Wei， Sun Hui， et al. Hybrid energy storge system and control system design for wind power balancing［J］. Proceedings of the CSEE， 2011，31（17）： 127-133.

［13］姜曉亮， 李巍， 呂項羽， 等. 基于非參數核密度估計法的光儲系統容量優化配置［J］. 高電壓技術，2015， 41（7）： 2225-2230. Jiang Xiaoliang， Li Wei， Lü Xiangyu， et al. Optimization configuration of photovoltaic-storage system capacity based on non-parametric Kernel density estimation［J］. High Voltage Engineering，2015， 41（7）： 2225-2230.

［13］劉皓明， 陸丹， 楊波， 等. 可平抑高滲透分布式光伏發電功率波動的儲能電站調度策略［J］. 高電壓技術， 2015， 41（10）： 3213-3223. Liu Haoming， Lu Dan， Yang Bo， et al. Dispatch strategy of energy storage station to smooth power fluctuations of high penetration photovoltaic generation［J］. High Voltage Engineering， 2015， 41（10）：3213-3223.

［14］梁亮， 李建林， 惠東. 光伏-儲能聯合發電系統運行機理及控制策略［J］. 電力自動化設備， 2011， 31（8）：20-23. Liang Liang， Li Jianlin， Hui Dong. Operating modes of photovoltaic/energy-storage hybrid systemand its control strategy［J］. Electric Power Automation Equipment， 2011， 31（8）： 20-23.

［15］孔波利， 崔麗艷， 丁釗， 等. 基于風光混合模型的短期功率預測方法研究［J］. 電力系統保護與控制，2015， 43（18）： 62-66. Kong Boli， Cui Liyan， Ding Zhao， et al. Short term power prediction based on hybrid wind-PV forecasting model［J］. Power System Protection and Control， 2015， 43（18）： 62-66.

［16］裴勝玉， 周永權. 基于 Pareto最優解集的多目標粒子群優化算法［J］. 計算機工程與科學， 2010， 32（11）：85-90. Pei Shengyu， Zhou Yongquan. A multi-objective particle swarm algorithm based on the Praeto optimization solution set［J］. Computer Engineering & Science， 2010， 32（11）： 85-90.

Control Strategy for Tracking the Output Power of Photovoltaic Power Generation Based on Hybrid Energy Storage System

Tian ChunguangTian LiLi DexinLü XiangyuChang Xuefei
（Electric Power Research InstituteStatus Grid Jilin Electric Power Co. Ltd Changchun130021China）

Hybrid energy storage system has the technical characteristics of both energy storage and power storage. It can effectively reduce the photovoltaic power prediction error， hence improve the reliability where PV forecast output is used as the reference of the power dispatch. Therefore， this paper proposes an optimal control strategy for hybrid energy storage system to improve the capacity of photovoltaic output tracking the target output power. This strategy uses the compound control method to control the internal energy coordination control and the multi-objective optimization control. It can reasonably distribute the charge and discharge power of battery and super capacitor， and control the output of the hybrid system to make up for the deviations between the predicted power and the actual power. By analyzing the data of 250 days output power from a domestic 40MW photovoltaic power station， it is shown that this strategy can not only effectively trace the predicted output power of PV， but also make full use of the characteristics of different storage mediums. It reduces the charge and discharge depths of the battery， and consequently the hybrid storage can be better applied.

Hybrid storage system， lithium battery， super capacitor， power output tracking，compound control strategy

TM715

田春光男，1970年生，碩士，教授級高工，研究方向為新能源并網發電及儲能技術。

E-mail： jlcctiancg@163.com

李德鑫男，1985年生，碩士，研究方向為新能源并網發電及儲能技術。

E-mail： lidexin0323@163.com（通信作者）

2015-12-19改稿日期2016-04-19