平滑風功率波動的儲能配置及控制算法綜述

王遠路，楊 超

（貴州大學 電氣工程學院，貴陽 550025）

0 引言

為實現“30·60”雙碳目標，中國將加快推進能源轉型，創建以新能源為主的新型電力系統［1］。能源轉型在生產端主要依靠大力發展風力和光伏等可再生能源逐步替代化石能源，預計到2060 年，風力發電和太陽能發電的裝機總量將由2020 年的5.35億千瓦增至40 億千瓦，新能源發電占全國發電機組裝機容量的比例則是由24.3%提升至50%以上［2］；在終端能源消費中則需要實現大范圍的電能替代，預計到2060 年電能在中國的終端用能占比將由當前的28%提升至60%［3］。與此同時，2021 年的美國德州大停電事故警醒人們高滲透率的新能源接入會威脅電網的安全穩定［4］。因為風速有著間歇性和不確定性，而風電機組的輸出功率為風速的3 次冪函數，導致風功率產生極強的波動性［5］。風功率波動會造成電網頻率偏差、波形畸變以及電壓波動與閃變等問題，因此需要采取措施將風功率波動調節到限制范圍內才可安全并網。現有研究針對風功率波動的平抑策略主要有風電機組改進控制與儲能系統輔助控制兩類方法。文獻［6-8］分別通過變槳控制、旋轉動能控制及直流母線電壓控制來對機組運行進行改進，從而平抑風功率波動，這些策略平抑風功率波動的同時卻也犧牲了風能捕獲效率，屬于低風能利用型平抑策略；儲能系統輔助控制通過控制儲能設備雙向吞吐電能達到平滑風電機組輸出功率波動的目的，這種情況下風電場的實際并網功率為風機總輸出功率和儲能裝置輸出功率之和。由于儲能輔助控制不影響風電機組本身的最大功率跟蹤控制運行，稱其為高風能利用型平抑策略［9］。于是采用儲能系統平滑風功率波動成為近年來研究的熱點，本文從儲能選型、控制算法和容量配置這三方面對相關文獻進行了綜述。

1 儲能選型

針對不同裝機容量規模的風電場，中國2021 年最新頒布的《風電場接入電力系統技術規定》對風功率在1 min 和10 min 兩個時間尺度下規定了功率波動限制。對于儲能類型的選取，需分析該風電場的功率波動是更集中于短時間尺度（1 min 以下）還是長時間尺度（數min 到數10 min），再結合各類型儲能的功率特性選擇能夠滿足充放電要求的儲能技術。

1.1 儲能類型介紹

根據電能被轉換為其它能量形式的不同，可以把儲能技術分為電化學儲能、電磁儲能和物理儲能3 類［10］。電化學儲能常見的有鉛酸蓄電池、鋰離子電池、鈉硫電池和液流電池等電池儲能技術。電池儲能便于根據需求靈活地配置功率容量。全球電池儲能現有裝機規模超16.3 GW，以8.5%的占比在所有儲能的裝機規模中居第二位，且其規模正爆發式提升中［11］。當前，中國已經投入運行的抽水蓄能電站超40 座，總容量達639 萬kw［12］。電磁儲能包括超導磁儲能和超級電容儲能，都具有極快的響應速度和高循環次數。前者電能轉換效率高、壽命長，但是超導材料高昂的成本制約了其大范圍使用［13］；后者成本也比較大，但是由于其具有非常大的功率密度，所以廣泛地用其平滑短時高頻的功率波動。物理儲能有抽水蓄能、壓縮空氣儲能和飛輪儲能，前二者常用于長時間尺度的可再生能源存儲、系統備用等，由于地理條件要求高和響應時間過長，這兩種儲能不適于平滑風功率波動。飛輪儲能功率密度高、環保無污染，適合平滑高頻風功率波動。另外，從功率特性角度可將儲能分為功率型儲能和能量型儲能。綜合文獻［14-15］歸納出了反映儲能功率特性的關鍵技術特征，見表1。

表1 常見儲能類型的功率特性指標Tab.1 Power characteristic indexes of common energy storage types

1.2 短時間尺度的波動平抑

短時間尺度的風功率波動頻率較快但是幅值較小，需要儲能快速響應、頻繁地充放電，多采用功率密度大、可循環次數多的功率型儲能進行平抑。文獻［16］把風功率波動對電網的影響模擬成了一單機對無窮大系統的功率振蕩，超導磁儲能裝置補償風功率的作用相當于抑制無窮大系統功率振蕩的能力；文獻［17］采用一種串并聯型超級電容器儲能系統平抑風力發電機組的有功功率波動，其設計的有功功率控制器的控制信號為來自儲能設備接入點的有功功率偏差；文獻［18］把多個飛輪儲能單元并聯在交流母線上組成飛輪儲能陣列，利用該儲能陣列實時補償風功率中的高頻分量來抑制風電場輸出功率的波動。

1.3 長時間尺度的波動平抑

長時間尺度的風功率波動幅值大但是變化比較平緩，需要容量大、能量密度高的能量型儲能進行平抑，多采用各種類型的電池儲能。文獻［19］使用鎳鉻蓄電池儲能系統來平滑風力柴油混合動力系統的有功功率輸出；文獻［20］選擇造價低、可100%深度放電的釩氧化還原液流電池儲能，建立了釩液流電池充放電的數學模型，對儲能的功率控制是對AC／DC 雙向功率變換器的解耦控制實現的；文獻［21］針對電池儲能系統平滑風電輸出的研究，設計了3種電池儲能運行策略，綜合考慮平滑效果及平抑成本，確定最優運行策略。

1.4 多時間尺度的波動平抑

要使平滑效果滿足多時間尺度下的限制要求，需要儲能系統既能頻繁充放電平滑高頻波動分量，又能具有較大容量平滑能量較大的低頻波動分量。常采用能量型和功率型儲能組合而成的混合儲能系統（HESS）平抑多時間尺度下的風電場輸出功率波動。HESS 能夠低速和高速響應，相較于單一儲能（ESS）對風功率平抑具備更好的平滑性能［22］。文獻［23］建立了以蓄電池和飛輪儲能組合成的HESS，采用集中式方法將其配備于風電場出口處平滑風電場輸出功率；文獻［24］采用全釩液流電池和超級電容組成HESS，將HESS 連接三電平直驅式同步風力發電機，仿真驗證了其平滑風電場出力波動的良好性能；文獻［25］采用鋰離子電池和超級電容器組成HESS 平滑風電輸出，仿真實驗表明經該儲能系統平抑后的風電輸出滿足1 min 和30 min 兩個時間尺度的波動率限制要求。

2 控制算法

儲能平滑風功率波動的簡化流程如圖1 所示。Pwind為風電機組輸出的原始風功率；Pref為風功率并網期望值，是原始風功率中的穩定變化部分；ΔPref為儲能系統充放電期望值，是原始風功率中的波動功率部分；ΔP為儲能系統的實際輸出；Pout為經過儲能系統平抑之后的實際并網功率，也稱為風儲聯合系統的輸出功率。

圖1 平滑風功率波動的簡化流程Fig.1 Simplified process for smoothing wind power fluctuations

2.1 風電并網期望功率的獲取

根據原始風功率分解出風電并網期望值，本質是一種“濾波”，可以采用多類型的濾波算法來求取。本文著重分析了一階低通濾波法、小波變換和小波包分解以及模型預測控制。

2.1.1 一階低通濾波

一階低通濾波法的原理是原始風電功率經過一階濾波環節即可得到并網期望功率，如圖2 所示。關鍵點在于濾波時間常數T的確定，增大T能增強平抑效果，使得并網期望功率更平滑，但是也會增大儲能容量配置，反之亦然。該方法分為定時間常數（定T）與變時間常數（變T）兩類。

圖2 一階低通濾波Fig.2 First order low pass filtering

2.1.1.1 定時間常數

文獻［26］采用定T控制的一階低通濾波器、設計了同時考慮飛輪儲能剩余容量和風功率平抑效果的優化控制；文獻［27］采用一階濾波算法求取風電場并網功率期望值，分析了基于不同T值下的風功率平滑效果；文獻［28］采用不同T值的兩個一階低通濾波器分別控制HESS 中蓄電池組和超級電容器兩類儲能。定T方法在分解中存在響應延遲的問題，對風功率特性的變化不敏感。所以定T 的一階濾波器很少采用，更多需要采取各種方式實時調整T增強平滑效果。

2.1.1.2 變時間常數

文獻［29］依據系統實測的儲能電池SOC 來實時分段分級地調整一階低通濾波器的T。在文中的實驗情景下，定T控制下SOC 的變化范圍達44%～95%，這一數值在變T控制下則為19%～84%；文獻［30］設計了一維云模型控制器，實時調整一階低通濾波器的T，在風功率的波動率較大時増加T的值，快速增強儲能的平抑能力，在風功率的波動率變小時使T減小，及時降低儲能系統出力。

2.1.2 小波變換和小波包分解

小波變換可將連續信號分解成若干頻率不同的子信號。其分解過程為：把原始信號分解為低頻部分的逼近信號和高頻部分的細節信號，之后每次分解總是只對低頻部分進行類似分解。小波包分解可以在每層同時分解低頻和高頻部分分量，其分解流程可以理解成是完全2 叉樹結構。兩種分解過程的示意圖如圖3 和圖4 所示，S為原始風功率，經兩種方法分解后得到的風電并網期望功率都為S（3，0）。兩種方法的關鍵點都在于確定最優分解層數和小波基的選擇。

圖3 小波變換示意圖Fig.3 Wavelet transform diagram

圖4 小波包分解示意圖Fig.4 Schematic diagram of wavelet packet decomposition

2.1.2.1 小波變換

文獻［31］使用小波變換分解風電場輸出功率信號，所需的風電并網期望功率為多次分解后得到的最低頻信號，其余頻次的則是需要儲能系統平抑的波動功率部分；文獻［32］提出了一種基于熵權法的多目標決策算法對小波基函數進行優化選擇。首先，利用不同的小波基對原始風功率進行小波分解到最優層數，提出6 種選擇評價指標；其次，采用熵權法進行小波基優選；最后，選擇計算速度與濾波效果都更好的DB6 小波。

2.1.2.2 小波包分解

由于小波變換只對上一層分解后的低頻信號進行分解，不能掌握高頻部分的細節信息，尤其不利于儲能分配時在高頻部分尋找頻率分界點。相較于小波變換，小波包分解則更精細，但是也增大了分解過程中的計算量。文獻［33］采用DB9 小波將風功率信號進行8 層小波包分解，低頻信號S（8，0）的幅值及變化情況接近原始風功率信號，將其作為并網功率期望值，剩下的幅值在0 附近波動的高頻信號則被接入儲能系統進行平抑；文獻［34］通過判斷最后一層分解所得的最低頻功率信號是否滿足風電并網波動率限制標準來確定最優分解層數，當最低頻信號不滿足風電并網標準時則加深小波包分解層數；文獻［35］選擇了DB6 小波對風電出力信號進行了6層小波包分解，由于高頻部分的非平穩信號S（6，1）至S（6，63）能量低，無法用1 階和2 階常規統計量表征其特征，于是采用高階統計量分析63 個高頻信號的特征值，再用支持向量機將這些高頻信號分類交由HESS 中兩類儲能分別平抑。

2.1.3 模型預測控制（MPC）

MPC 的核心是滾動預測、預先控制：在當前時刻的狀態x（k），根據當前時刻和未來M個時刻的約束求取未來k +1 到k+M時刻的控制指令，然后把第k +1 時刻的指令值應用于控制系統，在下一時刻更新狀態x（k +1），重復該過程。MPC 求取風電并網期望功率是最優控制與現實工況中不確定性的折中策略，所得輸出可能不是全局最優解，但是在多變的工程環境中MPC 求得的次優解，相比限制理想條件下的最優解能更好地實現實時控制。

文獻［36］應用MPC 算法平滑風功率，建立了如式（1）和式（2）的狀態空間模型。

其中，Tc為儲能系統控制周期；擾動變量r為原始風功率Pwind；控制變量u為儲能系統充放電功率Pes。

將儲能荷電狀態SOCes和風電并網功率Pg作為狀態變量。為了實現狀態更新及反饋，輸出變量也設定為SOCes和Pg。

考慮Pes和SOCes的約束限制以及Pg波動率限制，求解出控制指令u（k）、u（k+1）、…、u（k+M）。

2.1.4 其它控制算法

除了以上控制算法，還有卡爾曼濾波、經驗模態分解、變分模態分解、滑動平均濾波和加權移動平均濾波等方法。

卡爾曼濾波（KF）能很好地解決傳統低通濾波器的時延問題，文獻［39］提出了一種Takagi-sugeno型模糊邏輯輔助的卡爾曼濾波算法（FKF）來平滑瞬時功率波動。經驗模態分解（EMD）可以將一段完整的風功率信號分解成若干固有模態函數，文獻［40］采用EMD 將原始風功率分解，提取平穩的并網期望功率。變分模態分解（VMD）可以把功率信號分解成一系列頻率由低到高的子模態，相較于EMD，VMD 可以一定程度上解決分解過程中的模態混疊現象和特征頻率不清的問題，文獻［41］結合自適應滑動平均濾波和VMD，實現風功率平抑。滑動平均濾波是求取t時刻附近N個時段的實測風功率作為t時刻的期望并網功率，文獻［42］取N為30 min，求得風電目標出力，并設計了一種基于蒙特卡洛模擬的BESS 運行策略。加權移動平均法是對每個時刻的風電出力和移動平均項數N都配置權重，t時刻的風電并網期望功率為t時刻前N -1 個時刻的實測風功率的加權平均值，文獻［43］采用基于加權移動平均濾波算法的儲能系統平滑策略，實時調整權重系數和濾波帶寬N，可以很好地解決風功率的驟變問題。

2.2 儲能系統的能量管理

2.2.1 儲能初始功率分配

將原始風功率與并網期望功率作差即可得到高頻波動功率，即儲能系統的期望充放電功率。對儲能系統內部的功率分配，分單儲能系統和混合儲能系統。單儲能系統重在研究各儲能單元的分配策略；混合儲能系統則需要將高頻波動功率繼續分解后再根據頻率特性分配給不同類型的儲能進行平抑，再分解的過程重點在于尋找合適的分頻點。

2.2.1.1 單儲能系統功率分配

根據式(33)可得如圖3所示的實驗結果，對于一個相同的m，全周期期望維修費率首先隨著N的增加而減低，直至出現局部最小值Nm，然后會隨著N的增加而增加。容易得到最優參數m*=1，N*=6，最優期望維修費率為368.69。

文獻［44］提出了一種對電池儲能系統中各儲能單元進行實時功率分配的方法，首先根據各儲能單元SOC 占比分配初始功率，再根據各儲能單元初始SOC 進行功率修正，使得SOC 趨同；文獻［45］中儲能裝置由多個參數相同的飛輪儲能單元并聯構成，設計了主從控制模式的充放電控制方法，對各儲能單元按比例分配充放電功率。

2.2.1.2 HESS 功率分配

文獻［46］采用頻譜分析的方法分解儲能系統參考功率，實現功率分配。對原始風功率進行滑動平均法濾波后，得到的波動功率進行傅里葉變換，得到各分量的頻率和幅值，考慮年均綜合成本最小為目標函數確定分頻點，通過分頻點將波動功率劃分成兩個補償頻段。結合儲能類型的功率特性，高頻功率波動被超級電容器平抑，低頻功率波動被蓄電池平抑；文獻［47］采用VMD 將波動功率分解為數個單分量信號，通過Hilbert 變換得到波動功率的時頻譜，對時間積分計算得到各分量信號的邊際譜，通過邊際譜就可以找到分頻點，將波動信號分成高頻信號和低頻信號。

2.2.2 能量狀態反饋控制

實際運行過程中要避免儲能過充過放，因此需要制定恰當的策略將儲能的能量狀態（SOC）反饋到功率分配環節，也就是要對初始功率分配實時調整。能量狀態反饋控制保證了儲能平抑波動，控制長期運行的有效性，可以延長儲能的循環使用周期。

由于超級電容的剩余容量正比于其端電壓，于是文獻［48］用超級電容的端電壓來表征其剩余容量，通過對超級電容端電壓的預先控制，結合端電壓與充放電狀態變化修正超級電容和電池的充放電功率。在能量狀態反饋控制中最常使用的方法是模糊控制，文獻［49］利用VMD 將儲能系統總功率分配給兩種儲能設備，再考慮兩種儲能的SOC，引入模糊控制的方法實時調整超級電容和電池的輸入輸出功率，仿真顯示該方法可以防止儲能SOC 越限，延長儲能電池的使用壽命；文獻［50］設計了基于模糊控制的反饋機制，實時調節低通濾波器的時間常數T，使得儲能電池平滑風功率波動的同時也時刻保持其SOC 處于最優范圍，所設計的模糊控制器輸入為電池SOC 和風機的輸出功率變化值ΔP，輸出為T。

3 容量配置

儲能容量配置過小不能保證風機輸出功率的波動率被平滑到并網限制要求以內，而鑒于經濟成本又不能隨意配置容量很大的儲能系統，所以容量配置的目的是以盡量小的儲能容量達到風功率波動平抑要求。常見的儲能容量配置方法有理論計算法、仿真分析法和模型優化法。

3.1 理論計算法

文獻［51］通過離散小波分解風功率波動信號，將其分解成高、中、低3 個頻段分別配置儲能平抑。分別選擇補償各頻段波動功率的儲能額定功率為周期內的補償功率最大值，考慮充放電效率以及SOC限制，計算補充高、中、低頻波動功率所需的儲能額定容量。文獻［52］尋找頻率分界點劃分高頻的風功率波動部分，采用蓄電池和超級電容器分別消納，劃分得出的次高頻和最高頻波動功率。利用Matlab工具箱中的高斯逼近法擬合兩種儲能的功率概率密度函數，求解儲能的容量配置。

3.2 仿真分析法

文獻［53］中設定BESS 的容量和功率都超額配置，接著輸入模擬各種工況的典型風功率信號，使得被BESS 平滑后的風功率符合并網要求，長周期仿真并記錄數據；最后基于仿真數據確定BESS 的額定功率和容量。文獻［54］給出了在確定光照及風速的情況下計算HESS 中兩種儲能的功率及容量配置的子算法，利用蒙特卡洛模擬法隨機產生多場景仿真所需的若干組光照強度和風速數據，仿真統計分析了HESS 在不同累積概率水平下的容量配置。

3.3 模型優化法

文獻［55］通過模型優化法求解儲能容量配置，以儲能系統成本最小為目標函數，約束條件則為平抑后的波動分量方差和絕對值均值限制、儲能充放電時間和次數限制等；采用映射于Bloch 球面的量子遺傳算法得到包含4 個變量的最優解：超級電容的功率、容量和電池的功率、容量。由于在建模時僅以儲能投入成本最小為目標，比較片面。文獻［56］則提出以設備的全壽命周期成本（LCC）最小為目標函數，LCC 是指儲能系統在整個壽命周期內耗用的總成本，包括購置成本、運維成本和處置成本。在約束條件的設定上特別提出了一個負荷缺電率限值要求，以保證獨立風光發電系統的供電可靠性，最后采用改進粒子群算法求解優化問題。文獻［57］在儲能容量配置的過程中加入了儲能選型環節，比較了9 種HESS 組合方案的儲能綜合成本，選取綜合成本最低的儲能組合。構建了以綜合成本最低為目標函數的優化模型，采用粒子群算法求解出儲能系統的最優容量配置。

綜上，理論計算法從技術理論層面計算出儲能配置容量，但是理論推導過程比較困難，而且既沒考慮實際運行中的工況變化也沒考慮所配置儲能系統的經濟效益。仿真分析法基于大量的歷史運行數據制定控制方案并且仿真驗證，該方法配置的儲能可以滿足各種不確定性場景中風功率波動平抑的功能性要求，但是依舊沒考慮經濟效益。模型優化法全面分析了儲能系統的經濟性，針對不同側重目標建立求解模型，層次清晰、更符合實際工程需求，但是難點在于對模型的求解非常依賴智能算法的優劣性，特別是多目標函數的模型難以求解。

4 結束語

4.1 總結

儲能選型是基礎，重在考慮功率特性是否滿足平抑要求；控制算法是關鍵，主要兼顧平滑效果和保護儲能系統長期運行；容量配置將多采用模型優化法，綜合考慮平抑要求和經濟性甚至能實現多目標的要求。由于儲能配置的各個環節存在關聯性，經過分析現有文獻研究，本文總結性提出了一種系統性地針對平抑風功率波動的儲能配置方法流程，如圖5 所示。

圖5 平滑風功率波動的儲能配置流程Fig.5 Energy storage configuration process of smooth wind power fluctuations

4.2 展望

隨著新能源滲透率的提高，風功率平抑更多需要滿足多時間尺度下的波動率限制要求，且工程實際中的多項技術經濟指標單儲能系統難以全部滿足，所以由能量型和功率型儲能組合成的HESS 將會得到越來越廣泛的應用。HESS 能夠充分利用功率性能互補的兩類儲能技術各自的優勢，保護儲能系統延長其使用壽命、達到更好的平滑效果和節省儲能成本。

風電場儲能容量配置的現有研究大多專注于較為單一的應用功能，很少有面對綜合多種應用目標的儲能系統研究。實際上儲能在新能源發電側可以承擔多種輔助功能，比如快速調頻、新能源出力計劃跟蹤、諧波諧振抑制等等，有必要加強對多目標集成的風儲系統的協調管理控制和容量配置研究，以滿足風儲系統多時間尺度和多需求下的功率平衡，提升其經濟性和穩定性。