基于儲能電池的光伏功率波動平抑策略

章竹耀,肖欣,郭曉麗,姜亞海,顧磊,陳偉峰

(南通大學電氣工程學院,江蘇省南通市 226019)

基于儲能電池的光伏功率波動平抑策略

章竹耀,肖欣,郭曉麗,姜亞海,顧磊,陳偉峰

(南通大學電氣工程學院,江蘇省南通市 226019)

為了平抑光伏發(fā)電功率波動，并優(yōu)化光伏出力特性，在運用小波包分解光伏波動頻率特性的基礎(chǔ)上，提出了基于2組電池組拓撲結(jié)構(gòu)的電池儲能系統(tǒng)(battery energy storage system ,BESS)在線運行策略和雙BESS的最優(yōu)容量確定方法。模型中2組BESS工作狀態(tài)分別為充電和放電狀態(tài)，當某一電池組電能狀態(tài)達到滿充或滿放時，則2組電池同時切換當前的工作狀態(tài)?；诠夥l(fā)電廠實測數(shù)據(jù)，對所提方案進行了驗證，結(jié)果表明，所提方案不僅在光伏出力特性上取得了較好的平抑效果，而且在電池特性上，由于采用雙BESS，很大程度上降低了BESS充放電次數(shù)，提高了儲能系統(tǒng)利用效率。

光伏發(fā)電；光伏功率波動；電池儲能系統(tǒng)；最優(yōu)容量 ；光伏出力預測

0 引 言

近年來，光伏發(fā)電在全球迅速發(fā)展。截至2015年底，全球光伏發(fā)電累積裝機容量為227 GW，當年新增裝機容量50 GW,其中，我國累積光伏發(fā)電裝機容量為43 GW,當年新增裝機容量15 GW。由此可見，我國光伏發(fā)電行業(yè)正處于飛速發(fā)展狀態(tài)。然而，隨著光伏發(fā)電在電網(wǎng)中的滲透率不斷增加，光伏功率的隨機波動特性對電網(wǎng)調(diào)度、運行的負面影響日益顯著，尤其當光伏發(fā)電大量并網(wǎng)時，將嚴重危害電網(wǎng)的安全性和穩(wěn)定性。因此，有必要采取技術(shù)措施改善光伏發(fā)電功率的隨機波動特性。

電池儲能技術(shù)的快速發(fā)展為徹底解決光伏發(fā)電功率的隨機波動提供了一種全新的技術(shù)選擇，目前，采用電池儲能系統(tǒng)(battery energy storage system ,BESS)平抑光伏功率的隨機波動成為電氣工程領(lǐng)域的研究熱點之一。文獻[1-3]提出了以儲能電池荷電狀態(tài)為約束條件的控制策略，并應用于平抑功率波動。該方案優(yōu)點在于儲能電池的荷電狀態(tài)始終在50%上下波動，備用容量充足。文獻[4-6]在偽時序狀態(tài)轉(zhuǎn)移抽樣法的基礎(chǔ)上，對其時序信息進行了改進，結(jié)果顯示，改進算法在提高系統(tǒng)短期可靠性上更為有效。

然而，上述文獻提出的將不同類型的BESS進行優(yōu)化組合，以得到優(yōu)勢互補的混合儲能系統(tǒng)，雖然能夠有效地平抑光伏發(fā)電功率輸出波動，但是BESS的投資成本十分昂貴，而且BESS的充分放電次數(shù)很高，嚴重削減了儲能電池的使用壽命，進而增加了BESS成本。

鑒于此，本文在運用小波包分解光伏波動頻率特性的基礎(chǔ)上，提出了基于雙BESS組合的光儲混合電站在線運行策略，并基于光伏發(fā)電廠實測數(shù)據(jù)選擇最優(yōu)儲能容量。最后，通過算例分析驗證本文所提方案的運行效果。

1 光伏出力頻譜分析及儲能系統(tǒng)結(jié)構(gòu)模型

1.1 光伏出力頻譜分析

對光伏出力的頻率進行分析，分解不同波動頻率特性下對應波動的大小，觀察不同頻率的波動曲線對應的幅值和能量變化，能進一步了解光伏出力波動成分以及如何選擇合適的儲能系統(tǒng)。

對于非平穩(wěn)突變信號用小波處理非常合適，而小波包更適用于處理漸變信號。小波包分解是基于小波變換而發(fā)展的。因此，小波包不僅能夠分解信號的高頻和低頻部分，還能將高頻部分更加細微的特點表示出來。三層小波包分解結(jié)構(gòu)如圖1所示。

圖1 小波包分解樹狀圖Fig.1 Dendrogram of wavelet packet decomposition

由圖 1 可知，小波包分解是在小波分解的基礎(chǔ)上對其高頻部分進一步分解，其分解結(jié)果是將原信號映射到 2j(j為分解的層數(shù))個小波包子空間中，在結(jié)構(gòu)上形成一個系統(tǒng)的樹狀結(jié)構(gòu)[7]。其分解算法和重構(gòu)算法相關(guān)表達式如式(1)、(2)。

分解算法：

(1)

重構(gòu)算法：

(2)

采用db9小波對光伏發(fā)電輸出功率信號進行5層分解，得到其低頻信號和高頻信號的功率曲線如圖2所示。因為經(jīng)過小波包分解后的功率信號共有25個，所以不能全部顯示出來，故只列出其中具有代表性的3種高頻信號來凸顯其特征。

由圖2可知，低頻部分是原始光伏發(fā)電功率曲線的主要成分，因其幅度和原始功率大小相似，所以可描述光伏出力曲線的概貌。而光伏出力曲線的高頻部分都在零值上下波動，其能量與低頻部分的相比幾乎可忽略不計。因此，光伏出力主要取決于其低頻部分。文獻[8]采用低通濾波器濾除光伏出力的高頻部分，然后計算濾波前后的光伏總出力，經(jīng)計算比較發(fā)現(xiàn)，光伏出力的95.6%全部來自于其低頻部分，所以采用儲能電池平抑光伏出力波動是可行的。

1.2 儲能系統(tǒng)結(jié)構(gòu)模型

由1.1節(jié)結(jié)論可知光伏出力絕大多數(shù)來源于其低頻部分，因此只采用儲能電池平抑其波動完全可行。傳統(tǒng)工程實踐中只采用單BESS，導致儲能電池充放電次數(shù)極為頻繁，迅速降低儲能電池壽命。文獻[9]所提方案中儲能電池1天充放電次數(shù)達到150多次，儲能利用效率極低。為了克服上述缺點，本文在單BESS的基礎(chǔ)上提出了基于雙BESS拓撲結(jié)構(gòu)的光儲聯(lián)合系統(tǒng)。需要說明的是，儲能電池工作狀態(tài)只有2種即充電和放電狀態(tài)。選擇2組電池組的依據(jù)是電池工作狀態(tài)，即本文中，一組電池組處于充電狀態(tài)，則另一組處于放電狀態(tài)。當任一電池組滿充或滿放后，2組電池組同時切換工作狀態(tài)。從而最大限度減少了電池充放電次數(shù)。所以電池組選擇2組以上沒有任何意義，因為電池工作狀態(tài)只有2種。

圖2 小波包分解的光伏功率曲線Fig.2 PV power curves of wavelet packet decomposition

在光伏發(fā)電站側(cè)配置2組同容量的儲能電池，通過變流器接入并網(wǎng)連接點，構(gòu)成光儲聯(lián)合系統(tǒng)，結(jié)構(gòu)如圖3所示。

圖3 光儲混合電站Fig.3 PV-storage power station

圖3中，Pv為光伏發(fā)電站出力；Pb1為BESS1的充放電功率；Pb2為BESS2的充放電功率；Py為光儲聯(lián)合輸出功率。其中：

Py=Pv+Pb1+Pb2

(3)

Pb1與Pb2取值為正表示BESS處于放電狀態(tài)，取值為負表示BESS處于充電狀態(tài)。通過制定BESS運行策略，使其與光伏發(fā)電站協(xié)調(diào)運行，將Py控制在一定的波動范圍內(nèi)，盡量減小光伏發(fā)電功率隨機波動對電網(wǎng)的不利影響。

2 儲能系統(tǒng)運行策略及容量選擇

2.1 儲能電池技術(shù)特性

BESS主要由變流器和電池組構(gòu)成，其中，電池實現(xiàn)電能和化學能間的轉(zhuǎn)換主要是通過其內(nèi)部活性物質(zhì)的氧化還原反應進行的，這在一定程度上也決定了BESS的性能[10-11]。

電池容量衰減是其主要失效模式，其和電池充放電次數(shù)、環(huán)境溫度以及電池的最大放電深度有關(guān)[12-13]。一般而言，電池的使用壽命與其最大放電深度成反比。例如文獻[14]中采用的某種類型電池，若最大放電深度為20%，其使用壽命為3 800次，若最大放電深度為80%，其使用壽命減少至2 300次，若最大放電深度為100%，其使用壽命僅為1 000次。所以綜合考慮儲能電池容量成本和其使用壽命，本文中儲能電池最大放電深度選擇為80%。

2.2 光儲在線運行策略

BESS在線運行策略的核心基礎(chǔ)是根據(jù)光伏出力歷史數(shù)據(jù)和超短期預測數(shù)據(jù)，估算光伏出力當前時刻的波動，在此基礎(chǔ)上利用儲能系統(tǒng)狀態(tài)監(jiān)測模塊提供的狀態(tài)信息計算BESS沖放電功率，并向變流器輸入控制信號，如圖4所示。

圖4 BESS在線運行策略Fig.4 On-line running strategy of BESS

圖中光伏出力超短期預測模塊采用小波-神經(jīng)網(wǎng)絡(luò)算法。該算法滿足以下要求[15-18]：(1)小波函數(shù)能體現(xiàn)信號的時域特征，僅在有限的時間間隔內(nèi)不為0，緊支撐性較好；(2)小波系數(shù)重構(gòu)擁有較好的穩(wěn)定性，小波函數(shù)正則性較好。

為滿足以上要求，采用db4小波函數(shù)分析原始數(shù)據(jù)。即原始光伏出力經(jīng)過小波分解重構(gòu)后的子序列用神經(jīng)網(wǎng)絡(luò)算法預測，再把各序列預測的結(jié)果進行疊加得到光伏出力預測值。本文時間序列采用單隱含層BP(back propagation)神經(jīng)網(wǎng)絡(luò)預測，正切函數(shù)tansing作為隱含層傳遞函數(shù)，線性函數(shù)purelin作為輸出層傳遞函數(shù)。由于BP神經(jīng)網(wǎng)絡(luò)采用的梯度下降法收斂速度慢，為了提高算法的精度和收斂速度，采用最小二乘法(least squares，LM)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

光儲混合系統(tǒng)運行時，為敘述方便，假設(shè)BESS1處于充電狀態(tài)，令其平抑光伏出力的正向波動；BESS2處于放電狀態(tài)，令其平抑光伏出力的負向波動。其中BESS1的充電功率計算如式(4)所示：

(4)

式中：Pm為BESS1額定充放電功率；Em為BESS1額定容量；η為BESS1充放電效率；Soc1,t-1是BESS1t時刻前一時刻的電池電量；ΔP(t) 是光伏電站任意t時刻與t-Δt時刻的功率之差；Dt為光伏出力波動允許并網(wǎng)的上下限即允許波動率。式中首項規(guī)定BESS1充電功率不能超過其額定功率；第二項則防止其過充。

BESS2的放電功率計算如式(5)所示：

Pb2=min[Pm,60η(Soc2,t-1-1+0.8)Em,
Dt-ΔP(t)]

(5)

式中Soc2,t-1是BESS2t時刻前一時刻的電池電量。

系統(tǒng)運行時，當儲能系統(tǒng)監(jiān)測模塊監(jiān)測到任一電池組滿充或最大放電深度達到80%時，則同時切換2組電池組的工作狀態(tài)。需要說明的是，為有效平抑光伏出力波動，2組電池在任意時刻應處于不同充放電狀態(tài)。因此，當BESS1狀態(tài)改變時，BESS2狀態(tài)應同步切換。

2.3 儲能電池容量選擇

考慮工程實施可行性和經(jīng)濟性，不僅要有合適的在線運行策略，還要選擇合理的儲能電池容量。本文根據(jù)光伏電站實測數(shù)據(jù)選擇最優(yōu)儲能系統(tǒng)容量。選取的光伏電站位于中國新疆維吾爾自治區(qū)，容量為500 MW。以500 MW為基準值進行標幺值計算。因允許波動率受系統(tǒng)調(diào)頻能力限制，所以允許波動率Dt取值須根據(jù)具體系統(tǒng)調(diào)整。

因光伏出力波動的平抑效果受BESS額定容量Pm和其昂貴價格制約，所以為了選取合適的儲能容量，BESS額定功率分別取標幺值0.00，0.05，0.1，0.15，0.2，以電池在額定功率下持續(xù)放電1 h計算額定容量，根據(jù)其在2個典型日的計算結(jié)果選取最佳標幺值。

本文列出了2個評價指標：光儲聯(lián)合電站光伏出力波動越限幅值總和ΔW和波動越限概率PD。ΔW、PD越小表明波動平抑效果越好。其中ΔW是相鄰時刻在整個系統(tǒng)運行周期內(nèi)光伏出力波動與允許波動率的差值之和，表達式如下：

(6)

(7)

PD是整個周期T內(nèi)相鄰時刻光伏出力超過允許波動率的時間與總時間的比值，表達式如下：

(8)

(9)

表1給出了不同儲能系統(tǒng)容量在典型日A和B的平抑效果。其中，典型日A屬于波動較為嚴重的日子，典型日B屬于波動相對輕微的日子。

表1 不同容量BESS的光伏出力平抑效果
Table 1 Restraining effect of PV output with different BESS capabilities

由表1可知，風功率波動平抑效果隨BESS額定容量增加而變好，但Pm為0.10時，ΔW和PD數(shù)值已相當小，繼續(xù)增大Pm對波動平抑效果已不再顯著。所以最佳標幺值選取0.10既能滿足波動平抑需求又能滿足經(jīng)濟要求。需要說明的是Pm超過0.10后，對于典型日A而言，ΔW和PD均未改變，原因是典型日A功率波動很大，要完全平抑需要巨大的儲能容量，只增加少量容量不但達不到平抑效果還增加成本。而對于典型日B而言，功率波動較小，沒有顯著的瞬時大功率波動，因此不斷增加儲能容量，平抑效果會越來越好，但綜合考慮經(jīng)濟因素，大量成本換來微乎其微的效果沒

有應用價值。因此，本文選取BESS1和BESS2額定功率為50 MW，額定容量為 50 MW·h。

3 算例分析

算例中光伏電站位于中國新疆維吾爾自治區(qū)，容量為500 MW。光伏出力數(shù)據(jù)每15 min采集1次，BESS1和BESS2的充放電周期也與之同步。

光伏出力預測值精度精確與否直接影響光伏發(fā)電功率波動曲線的平滑效果。圖5給出了不同預測精度下在典型日A和典型日B的平抑效果。圖中，橫軸表示預測誤差標準差的相對值，縱軸表示平抑的光伏發(fā)電功率波動占總波動的百分比。

圖5 不同預測精度下典型日A和典型日B的平抑效果Fig.5 Restraining effect with different prediction precision during typical day A and B

從圖5中可以看出，本文所提技術(shù)方案能平抑絕大多數(shù)光伏出力波動，且平抑效果隨光伏出力預測誤差的減小而變好。由于典型日A光伏出力波動較大，典型日B的波動較小，因此典型日A的波動平抑效果沒有典型日B的顯著。但典型日A波動平抑率仍高達92%以上。

由文獻[19-21]可知，風功率預測精度對BESS狀態(tài)的切換次數(shù)影響不大。因此，本文只列出在某一精度下單BESS與雙BESS的充放電次數(shù)，如圖6所示。

圖6 在典型日A和典型日B中單BESS和雙BESS的充放電次數(shù)Fig.6 Charge and discharge times of single and double BESS during typical day A and B

由圖6可知，不管在典型日A中還是典型日B中，采用雙BESS的狀態(tài)切換次數(shù)明顯少于單BESS的。采用單BESS 1天中充放電次數(shù)最高可達79次，而雙BESS僅為4.5次，很大程度上降低了電池充放電次數(shù)，提高了儲能利用效率，節(jié)約了儲能成本。

為了進一步驗證所提方案的有效性，設(shè)初始時刻BESS1處于充電狀態(tài)，荷電狀態(tài)為0.2，BESS2處于放電狀態(tài)，荷電狀態(tài)為1.0。光伏出力預測誤差為2%。原始光伏出力波動和采用本文所提技術(shù)方案平抑波動后的效果如圖7所示。

圖7 2種控制策略下的風儲聯(lián)合功率波動Fig.7 Wind-storage power fluctuation under two control strategies

由圖7可知，原始光伏出力其波動不僅越限概率大，高達28.85%，而且波動幅度大，例如在圖中 17：00左右的某一時刻最大波動高達45.8 MW，將對電力系統(tǒng)的穩(wěn)定性和安全性造成巨大影響。但是，采用本文所提技術(shù)方案后，波動越限概率顯著減小，僅為5.2%，而且最大波動也減小至18.69 MW，很大程度上減少了對電網(wǎng)的不利影響。

4 結(jié) 論

(1)運用小波包對光伏出力的頻率進行分析，結(jié)果表明光伏出力的95.6%來自于其低頻部分，能夠采用儲能電池平抑其波動。

(2)為了改善光伏電站出力，提出了基于雙BESS拓撲結(jié)構(gòu)的光儲混合電站在線運行策略和儲能最優(yōu)容量選擇方案。

(3)所提方案能夠平抑近98%的光伏波動，且波動越限概率減少至 5.2%，最大波動減少至 18.69 MW，取得了較好的平抑效果；在電池特性上，由于采用雙BESS，電池充放電次數(shù)減少至4.5次，遠低于單BESS的79次，提高了儲能利用率。

[1]李曉東, 劉廣一, 賈宏杰, 等. 基于電壓調(diào)節(jié)的分布式可再生能源發(fā)電功率波動平抑策略[J]. 電工技術(shù)學報, 2015, 30(23): 76-82. LI Xiaodong, LIU Guangyi, JIA Hongjie, et al. Mitigation of output power fluctuations for distributed renewable energy generation based on voltage regulation[J]. Transactions of China Electrotechnical Society, 2015, 30(23): 76-82.

[2]丁明, 林根德, 陳自年, 等. 一種適用于混合儲能系統(tǒng)的控制策略[J]. 中國電機工程學報, 2012, 32(7): 1-6,184. DING Ming, LIN Gengde, CHENG Zinian, et al. A control strategy for hybrid energy storage systems[J]. Proceedings of the CSEE, 2012, 32(7): 1-6,184.

[3]王成山, 于波, 肖峻, 等. 平滑可再生能源發(fā)電系統(tǒng)輸出波動的儲能系統(tǒng)容量優(yōu)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 storage systems for output smoothing of renewable energy systems[J]. Proceedings of the CSEE, 2012, 32(16): 1-8.

[4]張坤, 毛承雄, 謝俊文, 等. 風電場復合儲能系統(tǒng)容量配置的優(yōu)化設(shè)計[J]. 中國電機工程學報, 2012, 32(25): 79-87，13. ZHANG Kun, MAO Chengxiong, XIE Junwen, et al. Optimal design of hybrid energy storage system capacity for wind farms[J]. Proceedings of the CSEE, 2012, 32(25): 79-87，13.

[5]吳振威, 蔣小平, 馬會萌, 等. 用于混合儲能平抑光伏波動的小波包-模糊控制[J]. 中國電機工程學報, 2014, 34(3): 317-324. WU Zhengwei, JIANG Xiaoping, MA Huimeng，et al. Wavelet packet-fuzzy control of hybrid energy storage systems for PV power smoothing[J]. Proceedings of the CSEE, 2014, 34(3): 317-324.

[6]程林, 常垚, 劉滿君, 等. 基于偽時序狀態(tài)轉(zhuǎn)移抽樣法評估含儲能電力系統(tǒng)可靠性[J]. 電力系統(tǒng)自動化, 2014, 38(7): 53-59. CHEN Lin, CHANG Yao, LIU Man jun, et al. Reliability evaluation of energy storage integrated power system based on pseudo-sequential state transition sampling agorithm[J]. Automation of Electric Power Systems, 2014, 38(7): 53-59.

[7]婁素華, 易林, 吳耀武, 等. 基于可變壽命模型的電池儲能容量優(yōu)化配置[J]. 電工技術(shù)學報, 2015, 30(4): 265-271. LOU Suhua, YI Lin, WU Yaowu, et al. Optimizing deployment of battery energy storage based on lifetime predication[J]. Transactions ofChina Electrotechnical Society, 2015, 30(4): 265-271.

[8]殷桂梁, 李相男, 郭磊, 等. 混合儲能系統(tǒng)在風光互補微電網(wǎng)中的應用[J]. 電力系統(tǒng)及其自動化學報, 2015, 27(1): 49-53，59. YIN Guiliang, LI Xiangnan, GUO Lei, et al. Application of hybrid energy storage system on wind/solar hybrid microgrid[J]. Proceedings of the CSU-EPSA, 2015, 27(1): 49-53，59.

[9]田中大, 李樹江, 王艷紅, 等. 基于小波變換的風電場短期風速組合預測[J]. 電工技術(shù)學報, 2015, 30(9): 112-120. TIAN Zhongda, LI Shujiang, WANG Yanhong, et al. Short-term wind speed combined prediction for wind farms based on wavelet transform[J]. Transactions ofChina Electrotechnical Society, 2015, 30(9): 112-120.

[10] 吳俊玲, 張彥濤, 秦曉輝, 等. 減少棄風損失的儲能容量和布局優(yōu)化研究[J]. 電力建設(shè), 2016, 37(6): 24-30. WU Junling, ZHANG Yantao, QIN Xiaohui, et al. Study on energy storage capacity and layout optimization by reducing wind power curtailmentloss[J]. Electric Power Construction, 2016, 37(6): 24-30.

[11]BORTOLINI M, GAMBERI M, GRAZIANI A. Technical and economic design of photovoltaic and battery energy storage system[J]. Energy Conversion and Management, 2014, 86(2):81-92.

[12]HAN X J, CHEN F, CUI X W, et al. A power smoothing control strategy and optimized allocation of battery capacity based on hybrid storage energy technology[J]. Energies, 2012, 5(5): 1593-1612.

[13]TRAN T T, AHN S, CHOI J, et al. Real-time wavelet-based coordinated control of hybrid energy storage systems for denoising and flattening wind power output[J].Energies, 2014, 7(10)：6620-6644.

[14]張?zhí)N昕, 孫運全. 混合儲能在風光互補微網(wǎng)中的控制策略[J]. 電力系統(tǒng)保護與控制, 2015, 43(21): 93-98. ZHANG Yunxin, SUN Yunquan. Control strategy of a hybrid energy storage in wind-solar hybrid generation micro-grid[J]. Power System Protection and Control, 2015, 43(21): 93-98.

[15]劉舒, 李正力, 王翼, 等. 含分布式發(fā)電的微電網(wǎng)中儲能裝置容量優(yōu)化配置[J]. 電力系統(tǒng)保護與控制, 2016, 44(3): 1-7. LIU Shu, LI Zhengli, WANG Yi, et al. Optimal capacity allocation of energy storage in micro-grid with distributed generation[J]. Power System Protection and Control, 2016, 44(3): 1-7.

[16]唐西勝, 苗福豐, 齊智平, 等. 風力發(fā)電的調(diào)頻技術(shù)研究綜述[J]. 中國電機工程學報, 2014, 34(25): 4304-4314. TANG Xisheng, MIAO Fufeng, QI Zhiping, et al. Survey on frequency control of wind power[J]. Proceedings of the CSEE, 2014, 34(25): 4304-4314.

[17] 劉璐, 李相俊, 賈學翠, 等. 梯次利用儲能電池管理技術(shù)與試驗應用[J]. 電力建設(shè), 2016, 37(1): 77-83. LIU Lu, LI Xiangjun, JIA Xuecui, et al. Research and experiment application of echelon-use energy storage battery management technology[J]. Electric Power Construction, 2016, 37(1): 77-83.

[18] 唐文左, 梁文舉, 崔榮, 等. 配電網(wǎng)中分布式儲能系統(tǒng)的優(yōu)化配置方法[J]. 電力建設(shè), 2015, 36(4): 38-45. TANG Wenzuo, LIANG Wenju, CUI Rong, et al. Optional allocation method of distributed energy storage system in distribution network[J]. Electric Power Construction, 2015, 36(4): 38-45.

[19]JIANG Q, HONG H. Wavelet-based capacity configuration and coordinated control of hybrid energy storage system for smoothing out wind power fluctuations[J]. IEEE Transactions on Power Systems, 2013, 28(2)：1363-1372.

[20]HODGE B M, ELA E G, MILLIGAN M.Characterizing and Modeling wind power forecast errors from operational systems for use in wind integration planning studies[J]. Wind Engineering, 2013, 36(5)：509-524.

[21]KHOSRAVI A, NAHAVANDI S. An optimized mean variance estimation method for uncertainty quantification of wind power forecasts[J] . International Journal of Electrical Power & Energy Systems，2014，61(5)：446-454.

(編輯 張小飛)

Restraining Strategy of Photovoltaic Power Fluctuation Based on Energy Storage Battery

ZHANG Zhuyao, XIAO Xin, GUO Xiaoli, JIANG Yahai, GU Lei, CHEN Weifeng

(School of Electrical Engineering, Nantong University, Nantong 226019, Jiangsu Province, China)

To restrain the photovoltaic (PV) power fluctuation and optimize the output characteristics of PV power, this paper proposes an on-line operation strategy for the battery energy storage system (BESS) based on 2 groups of battery topology and the optimal capacity determination method for double BESSs, based on the wavelet packet decomposition of PV power fluctuation frequency characteristics. In the model, 2 sets of BESS working states are charging and discharging states respectively. When any BESS arrives at their status of adequate charging or discharging, double BESSs switch their states at the same time. Based on the measured data of PV power plant, we verify the proposed scheme. The results show that the proposed scheme not only can have good restraining effect in PV power output characteristics, but also reduce battery charge and discharge times of BESS in the battery characteristics and improve the utilization efficiency of energy storage system because of using double BESSs.

photovoltaic power generation; photovoltaic power fluctuation; battery energy storage system; optimal capacity; photovoltaic power forecast

國家自然科學基金項目(51407097)；江蘇省“六大人才高峰”計劃第12批資助項目(2015-ZNDW-009)

TM 615

A

1000-7229(2016)08-0090-06

10.3969/j.issn.1000-7229.2016.08.014

2016-04-11

章竹耀(1991)，男，碩士研究生，研究方向為新能源發(fā)電技術(shù)；

肖欣(1990)，女，碩士研究生，研究方向為微網(wǎng)與電力系統(tǒng)分析；

郭曉麗(1971)，女，碩士，副教授，碩士生導師，研究方向為新能源發(fā)電技術(shù)、智能電網(wǎng)與微網(wǎng)、電力系統(tǒng)規(guī)劃運行等；

姜亞海(1990)，男，碩士研究生，研究方向為智能控制；

顧磊(1991)，男，碩士研究生，研究方向為嵌入式技術(shù)應用、智能控制、新能源；

陳偉峰(1990)，男，碩士研究生，研究方向為嵌入式系統(tǒng)、智能控制、新能源。

Project supported by National Natural Science Foundation of China (51407097)