基于储能电池的光伏功率波动平抑策略Word文档格式.docx

基于储能电池的光伏功率波动平抑策略Word文档格式.docx

《基于储能电池的光伏功率波动平抑策略Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于储能电池的光伏功率波动平抑策略Word文档格式.docx（8页珍藏版）》请在冰豆网上搜索。

文献[1-3]提出了以储能电池荷电状态为约束条件的控制策略，并应用于平抑功率波动。

该方案优点在于储能电池的荷电状态始终在50%上下波动，备用容量充足。

文献[4-6]在伪时序状态转移抽样法的基础上，对其时序信息进行了改进，结果显示，改进算法在提高系统短期可靠性上更为有效。

然而，上述文献提出的将不同类型的BESS进行优化组合，以得到优势互补的混合储能系统，虽然能够有效地平抑光伏发电功率输出波动，但是BESS的投资成本十分昂贵，而且BESS的充分放电次数很高，严重削减了储能电池的使用寿命，进而增加了BESS成本。

鉴于此，本文在运用小波包分解光伏波动频率特性的基础上，提出了基于双BESS组合的光储混合电站在线运行策略，并基于光伏发电厂实测数据选择最优储能容量。

最后，通过算例分析验证本文所提方案的运行效果。

1光伏出力频谱分析及储能系统结构模型

1.1光伏出力频谱分析

对光伏出力的频率进行分析，分解不同波动频率特性下对应波动的大小，观察不同频率的波动曲线对应的幅值和能量变化，能进一步了解光伏出力波动成分以及如何选择合适的储能系统。

对于非平稳突变信号用小波处理非常合适，而小波包更适用于处理渐变信号。

小波包分解是基于小波变换而发展的。

因此，小波包不仅能够分解信号的高频和低频部分，还能将高频部分更加细微的特点表示出来。

三层小波包分解结构如图1所示。

由图1可知，小波包分解是在小波分解的基础上对其高频部分进一步分解，其分解结果是将原信号映射到2j（j为分解的层数）个小波包子空间中，在结构上形成一个系统的树状结构[7]。

其分解算法和重构算法相关表达式如式

（1）、

（2）。

分解算法：

（1）

式中是基于小波包的分解系数；

hk-2l、gk-2l分别为小波包分解的低通和高通滤波器组参数。

重构算法：

（2）

式中分别为小波包重构的低通和高通滤波器组参数。

采用db9小波对光伏发电输出功率信号进行5层分解，得到其低频信号和高频信号的功率曲线如图2所示。

因为经过小波包分解后的功率信号共有25个，所以不能全部显示出来，故只列出其中具有代表性的3种高频信号来凸显其特征。

由图2可知，低频部分是原始光伏发电功率曲线的主要成分，因其幅度和原始功率大小相似，所以可描述光伏出力曲线的概貌。

而光伏出力曲线的高频部分都在零值上下波动，其能量与低频部分的相比几乎可忽略不计。

因此，光伏出力主要取决于其低频部分。

文献[8]采用低通滤波器滤除光伏出力的高频部分，然后计算滤波前后的光伏总出力，经计算比较发现，光伏出力的95.6%全部来自于其低频部分，所以采用储能电池平抑光伏出力波动是可行的。

1.2储能系统结构模型

由1.1节结论可知光伏出力绝大多数来源于其低频部分，因此只采用储能电池平抑其波动完全可行。

传统工程实践中只采用单BESS，导致储能电池充放电次数极为频繁，迅速降低储能电池寿命。

文献[9]所提方案中储能电池1天充放电次数达到150多次，储能利用效率极低。

为了克服上述缺点，本文在单BESS的基础上提出了基于双BESS拓扑结构的光储联合系统。

需要说明的是，储能电池工作状态只有2种即充电和放电状态。

选择2组电池组的依据是电池工作状态，即本文中，一组电池组处于充电状态，则另一组处于放电状态。

当任一电池组满充或满放后，2组电池组同时切换工作状态。

从而最大限度减少了电池充放电次数。

所以电池组选择2组以上没有任何意义，因为电池工作状态只有2种。

在光伏发电站侧配置2组同容量的储能电池，通过变流器接入并网连接点，构成光储联合系统，结构如图3所示。

图3中，Pv为光伏发电站出力；

Pb1为BESS1的充放电功率；

Pb2为BESS2的充放电功率；

Py为光储联合输出功率。

其中：

Py=Pv+Pb1+Pb2

（3）

Pb1与Pb2取值为正表示BESS处于放电状态，取值为负表示BESS处于充电状态。

通过制定BESS运行策略，使其与光伏发电站协调运行，将Py控制在一定的波动范围内，尽量减小光伏发电功率随机波动对电网的不利影响。

2储能系统运行策略及容量选择

2.1储能电池技术特性

BESS主要由变流器和电池组构成，其中，电池实现电能和化学能间的转换主要是通过其内部活性物质的氧化还原反应进行的，这在一定程度上也决定了BESS的性能[10-11]。

电池容量衰减是其主要失效模式，其和电池充放电次数、环境温度以及电池的最大放电深度有关[12-13]。

一般而言，电池的使用寿命与其最大放电深度成反比。

例如文献[14]中采用的某种类型电池，若最大放电深度为20%，其使用寿命为3800次，若最大放电深度为80%，其使用寿命减少至2300次，若最大放电深度为100%，其使用寿命仅为1000次。

所以综合考虑储能电池容量成本和其使用寿命，本文中储能电池最大放电深度选择为80%。

2.2光储在线运行策略

BESS在线运行策略的核心基础是根据光伏出力历史数据和超短期预测数据，估算光伏出力当前时刻的波动，在此基础上利用储能系统状态监测模块提供的状态信息计算BESS冲放电功率，并向变流器输入控制信号，如图4所示。

图中光伏出力超短期预测模块采用小波-神经网络算法。

该算法满足以下要求[15-18]：

（1）小波函数能体现信号的时域特征，仅在有限的时间间隔内不为0，紧支撑性较好；

（2）小波系数重构拥有较好的稳定性，小波函数正则性较好。

为满足以上要求，采用db4小波函数分析原始数据。

即原始光伏出力经过小波分解重构后的子序列用神经网络算法预测，再把各序列预测的结果进行叠加得到光伏出力预测值。

本文时间序列采用单隐含层BP（backpropagation）神经网络预测，正切函数tansing作为隐含层传递函数，线性函数purelin作为输出层传递函数。

由于BP神经网络采用的梯度下降法收敛速度慢，为了提高算法的精度和收敛速度，采用最小二乘法（leastsquares，LM）优化BP神经网络。

光储混合系统运行时，为叙述方便，假设BESS1处于充电状态，令其平抑光伏出力的正向波动；

BESS2处于放电状态，令其平抑光伏出力的负向波动。

其中BESS1的充电功率计算如式（4）所示：

（4）

式中：

Pm为BESS1额定充放电功率；

Em为BESS1额定容量；

η为BESS1充放电效率；

Soc1,t-1是BESS1t时刻前一时刻的电池电量；

ΔP（t）是光伏电站任意t时刻与t-Δt时刻的功率之差；

Dt为光伏出力波动允许并网的上下限即允许波动率。

式中首项规定BESS1充电功率不能超过其额定功率；

第二项则防止其过充。

BESS2的放电功率计算如式（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时刻前一时刻的电池电量。

系统运行时，当储能系统监测模块监测到任一电池组满充或最大放电深度达到80%时，则同时切换2组电池组的工作状态。

需要说明的是，为有效平抑光伏出力波动，2组电池在任意时刻应处于不同充放电状态。

因此，当BESS1状态改变时，BESS2状态应同步切换。

2.3储能电池容量选择

考虑工程实施可行性和经济性，不仅要有合适的在线运行策略，还要选择合理的储能电池容量。

本文根据光伏电站实测数据选择最优储能系统容量。

选取的光伏电站位于中国新疆维吾尔自治区，容量为500MW。

以500MW为基准值进行标幺值计算。

因允许波动率受系统调频能力限制，所以允许波动率Dt取值须根据具体系统调整。

因光伏出力波动的平抑效果受BESS额定容量Pm和其昂贵价格制约，所以为了选取合适的储能容量，BESS额定功率分别取标幺值0.00，0.05，0.1，0.15，0.2，以电池在额定功率下持续放电1h计算额定容量，根据其在2个典型日的计算结果选取最佳标幺值。

本文列出了2个评价指标：

光储联合电站光伏出力波动越限幅值总和ΔW和波动越限概率PD。

ΔW、PD越小表明波动平抑效果越好。

其中ΔW是相邻时刻在整个系统运行周期内光伏出力波动与允许波动率的差值之和，表达式如下：

（6）

（7）

PD是整个周期T内相邻时刻光伏出力超过允许波动率的时间与总时间的比值，表达式如下：

（8）

（9）

表1给出了不同储能系统容量在典型日A和B的平抑效果。

其中，典型日A属于波动较为严重的日子，典型日B属于波动相对轻微的日子。

表1不同容量BESS的光伏出力平抑效果Table1RestrainingeffectofPVoutputwithdifferentBESScapabilities

由表1可知，风功率波动平抑效果随BESS额定容量增加而变好，但Pm为0.10时，ΔW和PD数值已相当小，继续增大Pm对波动平抑效果已不再显著。

所以最佳标幺值选取0.10既能满足波动平抑需求又能满足经济要求。

需要说明的是Pm超过0.10后，对于典型日A而言，ΔW和PD均未改变，原因是典型日A功率波动很大，要完全平抑需要巨大的储能容量，只增加少量容量不但达不到平抑效果还增加成本。

而对于典型日B而言，功率波动较小，没有显著的瞬时大功率波动，因此不断增加储能容量，平抑效果会越来越好，但综合考虑经济因素，大量成本换来微乎其微的效果没

有应用价值。

因此，本文选取BESS1和BESS2额定功率为50MW，额定容量为50MW·

h。

3算例分析

算例中光伏电站位于中国新疆维吾尔自治区，容量为500MW。

光伏出力数据每15min采集1次，BESS1和BESS2的充放电周期也与之同步。

光伏出力预测值精度精确与否直接影响光伏发电功率波动曲线的平滑效果。

图5给出了不同预测精度下在典型日A和典型日B的平抑效果。

图中，横轴表示预测误差标准差的相对值，纵轴表示平抑的光伏发电功率波动占总波动的百分比。

从图5中可以看出，本文所提技术方案能平抑绝大多数光伏出力波动，且平抑效果随光伏出力预测误差的减小而变好。

由于典型日A光伏出力波动较大，典型日B的波动较小，因此典型日A的波动平抑效果没有典型日B的显著。

但典型日A波动平抑率仍高达92%以上。

由文献[19-21]可知，风功率预测精度对BESS状态的切换次数影响不大。

因此，本文只列出在某一精度下单BESS与双BESS的充放电次数，如图6所示。

由图6可知，不管在典型日A中还是典型日B中，采用双BESS的状态切换次数明显少于单BESS的。

采用单BESS1天中充放电次数最高可达79次，而双BESS仅为4.5次，很大程度上降低了电池充放电次数，提高了储能利用效率，节约了储能成本。

为了进一步验证所提方案的有效性，设初始时刻BESS1处于充电状态，荷电状态为0.2，BESS2处于放电状态，荷电状态为1.0。

光伏出力预测误差为2%。

原始光伏出力波动和采用本文所提技术方案平抑波动后的效果如图7所示。

由图7可知，原始光伏出力其波动不仅越限概率大，高达28.85%，而且波动幅度大，例如在图中17：

00左右的某一时刻最大波动高达45.8MW，将对电力系统的稳定性和安全性造成巨大影响。

但是，采用本文所提技术方案后，波动越限概率显著减小，仅为5.2%，而且最大波动也减小至18.69MW，很大程度上减少了对电网的不利影响。

4结论

（1）运用小波包对光伏出力的频率进行分析，结果表明光伏出力的95.6%来自于其低频部分，能够采用储能电池平抑其波动。

（2）为了改善光伏电站出力，提出了基于双BESS拓扑结构的光储混合电站在线运行策略和储能最优容量选择方案。

（3）所提方案能够平抑近98%的光伏波动，且波动越限概率减少至5.2%，最大波动减少至18.69MW，取得了较好的平抑效果；

在电池特性上，由于采用双BESS，电池充放电次数减少至4.5次，远低于单BESS的79次，提高了储能利用率。

5参考文献：

[1]李晓东,刘广一,贾宏杰,等.基于电压调节的分布式可再生能源发电功率波动平抑策略[J].电工技术学报,2015,30（23）:

76-82.LIXiaodong,LIUGuangyi,JIAHongjie,etal.Mitigationofoutputpowerfluctuationsfordistributedrenewableenergygenerationbasedonvoltageregulation[J].TransactionsofChinaElectrotechnicalSociety,2015,30（23）:

76-82.

[2]丁明,林根德,陈自年,等.一种适用于混合储能系统的控制策略[J].中国电机工程学报,2012,32（7）:

1-6,184.DINGMing,LINGengde,CHENGZinian,etal.Acontrolstrategyforhybridenergystoragesystems[J].ProceedingsoftheCSEE,2012,32（7）:

1-6,184.

[3]王成山,于波,肖峻,等.平滑可再生能源发电系统输出波动的储能系统容量优化方法[J].中国电机工程学报,2012,32（16）:

1-8.WANGChengshan,YUBo,XIAOJun,etal.Sizingofenergystoragesystemsforoutputsmoothingofrenewableenergysystems[J].ProceedingsoftheCSEE,2012,32（16）:

1-8.

[4]张坤,毛承雄,谢俊文,等.风电场复合储能系统容量配置的优化设计[J].中国电机工程学报,2012,32（25）:

79-87，13.ZHANGKun,MAOChengxiong,XIEJunwen,etal.Optimaldesignofhybridenergystoragesystemcapacityforwindfarms[J].ProceedingsoftheCSEE,2012,32（25）:

79-87，13.

[5]吴振威,蒋小平,马会萌,等.用于混合储能平抑光伏波动的小波包-模糊控制[J].中国电机工程学报,2014,34（3）:

317-324.WUZhengwei,JIANGXiaoping,MAHuimeng，etal.Waveletpacket-fuzzycontrolofhybridenergystoragesystemsforPVpowersmoothing[J].ProceedingsoftheCSEE,2014,34（3）:

317-324.

[6]程林,常垚,刘满君,等.基于伪时序状态转移抽样法评估含储能电力系统可靠性[J].电力系统自动化,2014,38（7）:

53-59.CHENLin,CHANGYao,LIUManjun,etal.Reliabilityevaluationofenergystorageintegratedpowersystembasedonpseudo-sequentialstatetransitionsamplingagorithm[J].AutomationofElectricPowerSystems,2014,38（7）:

53-59.

[7]娄素华,易林,吴耀武,等.基于可变寿命模型的电池储能容量优化配置[J].电工技术学报,2015,30（4）:

265-271.LOUSuhua,YILin,WUYaowu,etal.Optimizingdeploymentofbatteryenergystoragebasedonlifetimepredication[J].TransactionsofChinaElectrotechnicalSociety,2015,30（4）:

265-271.

[8]殷桂梁,李相男,郭磊,等.混合储能系统在风光互补微电网中的应用[J].电力系统及其自动化学报,2015,27

（1）:

49-53，59.YINGuiliang,LIXiangnan,GUOLei,etal.Applicationofhybridenergystoragesystemonwind/solarhybridmicrogrid[J].ProceedingsoftheCSU-EPSA,2015,27

（1）:

49-53，59.

[9]田中大,李树江,王艳红,等.基于小波变换的风电场短期风速组合预测[J].电工技术学报,2015,30（9）:

112-120.TIANZhongda,LIShujiang,WANGYanhong,etal.Short-termwindspeedcombinedpredictionforwindfarmsbasedonwavelettransform[J].TransactionsofChinaElectrotechnicalSociety,2015,30（9）:

112-120.

[10]吴俊玲,张彦涛,秦晓辉,等.减少弃风损失的储能容量和布局优化研究[J].电力建设,2016,37（6）:

24-30.WUJunling,ZHANGYantao,QINXiaohui,etal.Studyonenergystoragecapacityandlayoutoptimizationbyreducingwindpowercurtailmentloss[J].ElectricPowerConstruction,2016,37（6）:

24-30.

[11]BORTOLINIM,GAMBERIM,GRAZIANIA.Technicalandeconomicdesignofphotovoltaicandbatteryenergystoragesystem[J].EnergyConversionandManagement,2014,86

（2）:

81-92.

[12]HANXJ,CHENF,CUIXW,etal.Apowersmoothingcontrolstrategyandoptimizedallocationofbatterycapacitybasedonhybridstorageenergytechnology[J].Energies,2012,5（5）:

1593-1612.

[13]TRANTT,AHNS,CHOIJ,etal.Real-timewavelet-basedcoordinatedcontrolofhybridenergystoragesystemsfordenoisingandflatteningwindpoweroutput[J].Energies,2014,7（10）：

6620-6644.

[14]张蕴昕,孙运全.混合储能在风光互补微网中的控制策略[J].电力系统保护与控制,2015,43（21）:

93-98.ZHANGYunxin,SUNYunquan.Controlstrategyofahybridenergystorageinwind-solarhybridgenerationmicro-grid[J].PowerSystemProtectionandControl,2015,43（21）:

93-98.

[15]刘舒,李正力,王翼,等.含分布式发电的微电网中储能装置容量优化配置[J].电力系统保护与控制,2016,44（3）:

1-7.LIUShu,LIZhengli,WANGYi,etal.Optimalcapacityallocationofenergystorageinmicro-gridwithdistributedgeneration[J].PowerSystemProtectionandControl,2016,44（3）:

1-7.

[16]唐西胜,苗福丰,齐智平,等.风力发电的调频技术研究综述[J].中国电机工程学报,2014,34（25）:

4304-4314.TANGXisheng,MIAOFufeng,QIZhiping,etal.Surveyonfrequencycontrolofwindpower[J].ProceedingsoftheCSEE,2014,34（25）:

4304-4314.

[17]刘璐,李相俊,贾学翠,等.梯次利用储能电池管理技术与试验应用[J].电力建设,2016,37

（1）:

77-83.LIULu,LIXiangjun,JIAXuecui,etal.Researchandexperimentapplicationofechelon-useenergystoragebatterymanagementtechnology[J].ElectricPowerConstruction,2016,37

（1）:

77-83.

[18]唐文左,梁文举,崔荣,等.配电网中分布式储能系统的优化配置方法[J].电力建设,