基于小波包分頻的自適應模糊神經網絡風電功率平抑策略

劉樹偉，李 欣，王 紅，韓 偉，胡 月，張海寧，張宇寧

(1.河北民族師范學院物理與電子工程學院，河北 承德 067000；2.國網冀北電力有限公司承德公司，河北 承德 067000；3.國網冀北電力有限公司北京超高壓公司，北京 102488)

0 引 言

近年來國家對碳中和的高度重視使得新能源得到快速發展，其中高比例的風力發電裝機持續增加，受風速波動影響較大風電出力更是難以調控，這給并網發電時的電網的調度帶來一定困難，今后很長一段時間也將嚴重制約風力發電的開發與利用規模，實現精準跟蹤調度指令，減小風電出力波動對電網的影響是專家學者研究的熱點課題[1-2]。盡量減小風力發電的隨機性和間歇性給電網調度帶來的調度困難，配備合適容量的混合儲能是提高電網系統的穩定性考慮最多的。采用循環壽命長、功率密度和能量密度高、環保節約的混合儲能以超級電容與蓄電池的應用最為廣泛[3-4]。對于目前的混合儲能的控制策略，為得到儲能系統補償功率和目標并網功率，有學者采用滑動平均算法或低通濾波算法，此方法容易造成電池的過充過放，影響電池的壽命是由于算法未考慮電池荷電狀態的變化的影響[5-8]，為完成對儲能設備荷電狀態的實時調節，有專家學者在滑動平均算法或低通濾波算法控制策略的基礎上加入模糊控制算法，此方法中的模糊控制費時費力，是因為對隸屬函數和模糊規則的調整困難，在采用經驗值計算時的自學習、自組織、自適應功能功能弱[9-11]。將表達能力、推理能力較強的Sugeno型模糊模型和神經網絡結合可以有效提高控制效果，但在功率分頻上存在不足[12-15]，而小波包分解分頻原理在傳統小波包分解的基礎上，使得分解結果既可以滿足并網標準，也可以減少儲能冗余容量。因此將自適應小波包分解分頻原理與模糊神經網絡結合建立自適應小波包分頻的模糊神經網絡系統可對混合儲能控制系統進行優化，MATLAB/simulink仿真結果表明在配有混合儲能的風電出力跟蹤調度指令偏差小，頻率波動小，混合儲能電池充放電均衡。

1 風儲系統

1.1 風儲系統模型

風儲系統模型如圖1所示。此系統混合儲能由功率型電池超級電容和能量型電池磷酸鐵鋰電池組成，將對風電功率分解數據經控制系統后發送給混合儲能設備協調指令，對風電場輸出功率進行波動平抑，使風電場發電功率滿足并網標準，完成風電平滑并網任務。

圖1 風儲系統模型

1.2 風儲系統約束

依據混合儲能設備的工作狀態得出儲能剩余容量，將剩余儲能容量與儲能設備SOC(荷電狀態)值建立模型，得到儲能設備SOC值為

(1)

從安全和使用壽命兩方面進行考慮，同時考慮混合儲能設備平滑下一刻風電出力的能力，應保證混合儲能設備荷電狀態值在其允許范圍內，需滿足

(2)

式中，Sx.min和Sx.max分別為儲能設備的最小和最大荷電狀態值；Px.min和Px.max分別為儲能設備充放電功率的上、下限制。

2 自適應小波包分頻方法

2.1 小波包分頻原理

自適應小波包分解分頻原理在傳統小波包分解的基礎上，對風功率進行分解，得出高、中、低頻信號，同時采用并網標準確定小波包分解層數，使得分解結果既可以滿足并網標準，也可以減少儲能冗余容量。自適應小波包分解架構如圖2所示。

圖2 自適應小波包分解

風電輸出功率為Pw(t)，對風電功率進行小波包分解，模型為

(3)

(4)

2.2 風電功率自適應小波包分解

傳統小波包分解需提前設定分解層數n，設定分解層數n具有主觀性，不合適的n值則會導致欠分解和過分解的問題，因此本文提出自適應模糊神經網絡的小波包分解算法，可自主確定最佳分解層數n保證分解結果的精度。依據風電分解標準，設定t時刻風電并網功率Pout(t)，對應分解的10 min功率變化范圍為

(5)

1 min功率變化范圍為

(6)

則風電實際并網功率Pout(t)滿足并網標準區間[Pmin(t)，Pmax(t)]，即

Pout∈[Pmin，Pmax]=[P1，min，P1，max]∩[P10，min，P10，max]

(7)

2.3 混合儲能系統功率分配

依據混合儲能設備的差異特性，使用自適應模糊神經網絡小波包分頻，得到低、中、高3種形式信號，其中低頻信號波動平緩符合并網標準作為并網實際功率，中頻信號特性與能量型儲能設備特性相似，因此鋰電池組吸收中頻信號，超級電容則吸收高頻信號。

假設風電總出力為Pw(t)，并網功率為Pout(t)，混合儲能設備功率PHESS(t)為能量儲能裝置輸出功率Pb(t)與超級電容輸出功率Psc(t)之和。自適應小波包分解后各信號的關系為

(8)

式中，對風電Pw進行N層分解，其中P1為低頻信號，Ph1～Ph2為中頻信號，Ph3～Ph(2N-1)為高頻信號。

3 模糊規則

篩選和整理出有代表性的風電場50組歷史實測數據組如式(9)所示。

(9)

式中，p1為風電出力跟蹤調度指令偏差值歷史實測數據；soc為風電場混合儲能荷電狀態平均值歷史實測數據；p2為風電場送給混合儲能的功率指標歷史實測數據；n為風電場歷史實測數據的組數。

根據這50組數據組歸納總結出初始模糊規則的步驟如下：

(1)根據風電場50組歷史實測數據組確定模糊論域。

(2)根據風電場50組歷史實測數據組構建模糊規則。

(3)根據風電場50組歷史實測數據組“留大去小”原則決定模糊規則強度。

(4)根據風電場50組歷史實測數據組確定模糊規則表，模糊子集均為5個的兩輸入單輸出，表1為組成的25條模糊規則。

表1 模糊規則

4 小波包分頻模糊神經網絡

依靠人工歸納總結建立的上述風電場實測數據生成的初始模糊規則屬于Madani型模糊控制系統，以下是采用小波包分頻自適應Sugeno型模糊神經網絡的建立方法。

4.1 小波包分頻下的儲能

采用兩輸入、單輸出系統的小波包分頻的模糊神經網絡的模糊控制器輸出的功率偏差采用低通濾波器將功率分為高頻分量和低頻分量，電池承擔功率的低頻分量，由超級電容負責高頻分量，從頻域轉換到時域的濾波器傳遞函數計算過程為

(10)

式中，τ為濾波器傳遞函數中的濾波時間常數。

經t時間濾波后的電池和超級電容器的功率分別為

(11)

(12)

濾波時間常數為τ，與之相關的濾波系數λ取值范圍為0～1，λ函數為

(13)

混合儲能的能量分配經驗表明濾波系數λ較大時降低負擔功率，減小超級電容功率波動，增加電池輸出功率。濾波系數λ較小時超級電容不利于承擔波動較大的功率，這時輸出的電池功率較為平滑。

4.2 模糊神經網絡

采用5層前饋網絡結構的自適應模糊神經網絡的過程設計工作如下。

(14)

(15)

歸一化層的第i個節點計算第i條規則的歸一化可信度為輸入層第三層，模糊規則數為該層節點數，第三層輸入函數為

(16)

劃分輸出變量模糊度個數的是每個節點i，模糊規則輸出層為輸出第四層，節點i的輸出函數如式(17)所示，該節點的參數集為pi，qi，ri。

(17)

將所有精確計算的輸入信號轉換為清晰的輸出量，即清晰化層，也是第五層，公式為

(18)

圖3是采用5層前饋的目前應用和研究最多的模糊神經網絡結構。

圖3 模糊神經網絡

4.3 小波包分頻的模糊神經網絡

表2 小波包分頻模糊數據

小波包分頻模糊神經網絡模糊的兩個輸入單個輸出量會隨自適應規則變化，如表2數據所示在得到兩個歷史給定輸入量參數相同時，小波包分頻模糊神經網絡輸入p1=0.38，soc=0.95，訓練后的輸出p2=0.375較之前的輸出p2=0.36更準確。

5 仿 真

本文利用MATLAB/simulink對風混合儲能系統建模仿真，風電場裝機容量為49.5 MW，混合儲能配置1 MW，儲能參數配置如表3所示，風混合儲能系統歷史運行數據采用新疆阿拉泰某天一般風況數

表3 儲能參數

據，仿真數據由風電出力跟蹤調度采樣間隔時間共采樣2萬次的數據進行仿真，仿真結果表明自適應小波包分頻模糊神經網絡控制的有效性。

5.1 小波包分頻的模糊神經網絡仿真

圖4為風電輸出功率和風電并網功率曲線，可以看出實際的風儲功率曲線與風電出力功率波動曲線由相同的波動趨勢，功率波動可以達到1.2 MW，較大的功率會嚴重影響電網的頻率進而對電網調度的調控帶來很多挑戰。

圖4 風電出力和并網功率

圖5為未加入優化控制策略的功率和加入優化控制策略的功率偏差波形圖，仿真在0.9～1.6 s會出現偏差，其中最大偏差在1.15 s時為1.2 MW，功率偏差率達到總裝機的2.42%，而加入優化控制后的功率偏差在±0.5 MW范圍內波動，功率偏差率達到總裝機的1.05%，可見加入優化控制后的跟蹤調度指令功率偏差率降低一倍，波動更小。

圖5 加入優化控制策略前后的風儲功率偏差波形

圖6為未加入優化控制超級電容荷電狀態和加入優化控制策略的超級電容荷電狀態波形圖，在仿真的0.8～1.8 s優化控制策略的荷電狀態從之前的77%～60%之間波動恢復到75%～62%，波動率有17%降低到13%。圖7為未加入優化控制電池荷電狀態和加入優化控制策略的電池荷電狀態波形圖，在仿真的0.8～1.8 s優化控制策略的電池荷電狀態均在90%～10%之間，但加入優化控制策略的電池荷電狀態在1.6 s以后快速回歸到60%，可見加入優化控制策略降低了4%的超級電容的荷電狀態波動，超級電容和電池的充放電深度得到了效保護。

圖6 加入優化控制策略前后的超級電容荷電狀態波形

圖7 加入優化控制策略前后的電池荷電狀態波形

圖8為未加入優化控制并網點頻率波形圖和加入優化控制策略的并網點頻率波形圖，仿真系統頻率設置為50 Hz，并網點頻率在49.9～50.6 Hz波動，在仿真的0.15～0.85 s出現明顯偏差，加入優化控制策略后的頻率在0.4～0.7 s之間波動頻繁但是波動幅度較小，但較未加入優化控制策略時減小了0.1 Hz的頻率波動，波動較小的頻率更有利于風儲系統并網較好的電能質量，對電網調度也會更加友善。

圖8 加入優化控制前后的并網點頻率波波形

表4為未加入優化控制和加入優化控制策略的儲能誤差指標對比，加入優化控制后的儲能在平均絕對百分比誤差較之前減小1.42%、最大百分比誤差較之前減小1.2%、均方根誤差較之前減小3.92%，仿真數據分析表明自適應小波包分頻模糊神經網絡控制的風電混合儲電站的3個指標得到了明顯的改進，使得風儲電站跟蹤電網調度的可靠性更高。

表4 加入優化控制前后的指標 %

6 結 語

采用自適應模糊神經網絡的小波包分頻優化控制策略在風電跟蹤調度指令的頻率波動范圍內優化小波包分頻參數，得到優化后的混合儲能充放電功率的初始功率指標值，將混合儲能荷電狀態的平均值和風電場出力與電網調度指令的平均值的偏差作為兩個輸入，再將風電歷史數據訓練后的自適應小波包分頻模糊神經網絡加入控制系統。采用大量風電歷史數據在MATLAB/simulink中仿真，仿真結果表明加入優化控制后的控制策略跟蹤調度指令功率偏差率從2.42%降低到1.05%，超級電容的荷電狀態波動降低了4%，頻率波動減小了0.1 Hz，平均絕對百分比誤差減小1.42%、最大百分比誤差減小1.2%、均方根誤差減小3.92%，這些數據表明該策略對超級電容和電池的充放電深度得到了效保護，波動較小的頻率更有利于風儲系統并網的電能質量，對電網調度也會更加友善，使得風儲電站跟蹤電網調度的可靠性更高。