基于混合储能系统跟踪光伏发电输出功率的控制策略

田春光　田　利　李德鑫　吕项羽　常学飞

（国网吉林省电力有限公司电力科学研究院　长春　130021）

基于混合储能系统跟踪光伏发电输出功率的控制策略

田春光田利李德鑫吕项羽常学飞

（国网吉林省电力有限公司电力科学研究院长春130021）

混合储能系统兼备能量型储能和功率型储能的技术特性，可以有效缩减光伏功率的预测误差，提高将光伏预测出力作为电力调度参考的可靠性。为此，提出了混合储能系统提升光伏电站跟踪目标出力能力的优化控制策略。该策略采用内部能量协调控制和多目标优化控制的复合控制方式，合理地分配了电池与超级电容器的充放电功率，控制混合系统的出力弥补光伏电站预测功率和实际功率的偏差。通过国内某40MW光伏电站250天输出功率数据进行仿真分析，表明该策略不仅可以有效跟踪光伏的预测出力，而且能够充分发挥不同储能介质的特性，降低电池的充放电深度，使混合储能得到更好的应用。

混合储能系统锂电池超级电容器发电出力跟踪复合控制策略

0　引言

光伏发电作为一种新能源发电技术，已受到世界各国的高度重视，装机规模日益增大［1，2］。光伏发电受天气因素影响出现的随机性和间歇性直接影响电网的稳定运行。基于光伏功率预测制定发电计划作为一种解决措施在一定程度上缓解了光伏发电对电网的冲击，但由于预测方法总是存在不可预知的因素，致使光伏发电机组的预测出力与实际出力存在较大偏差［3］。储能技术具有电能双向流动、能量时移等特点［4，5］，其与光伏电站组成光储联合发电系统，可以有效缩减光伏功率的预测误差，提高将光伏预测出力作为电网调度参考的可靠性。如张北风光储输示范工程，现有光伏装机40MW，储能系统容量 20MW·h，通过制定相应的控制策略，实现联合发电系统平滑出力、跟踪计划出力、参与调频及削峰填谷等功能，使联合发电系统友好地接入电网。

储能介质可分为能量型和功率型两类［6，7］。能量型储能介质以锂电池为代表，其能量密度大，但功率密度较小且响应时间较长。功率型储能介质以超级电容、飞轮储能以及超导磁储能为代表，其功率密度大，响应时间较短，可频繁充放电而不损害其性能，但能量密度较小。目前，单一储能技术在优化控制方面都表现出了不足之处［8］，而混合储能可以充分利用能量型储能和功率型储能在技术上的互补性，实现多种层次的技术应用，已成为国内外学者研究的热点之一［9］。文献［10］利用人工神经网络算法对混合储能系统进行优化控制，从而将功率预测值与实际值的差值控制在较小的范围内，但未考虑储能荷电状态（State Of Charge，SOC）因素的影响，易造成过充或过放。文献［11］在跟踪可再生能源输出功率的混合储能系统中，采用模糊控制理论进行功率分配，当超级电容电量充足时，由其独立补偿功率差额，从而减少蓄电池充放电次数，但没有考虑控制超级电容器的SOC。

本文提出一种提升光伏跟踪目标出力能力的混合储能系统优化控制策略。该控制策略以光伏功率的预测值作为光伏的目标出力，通过控制混合储能系统的充放电过程来配合光伏电站满足相应目标出力值的要求。该复合优化控制策略包括内部能量协调控制和多目标优化控制两部分，依据储能介质SOC采用相应的控制方法，实现光伏电站功率的跟踪控制，同时合理控制了锂电池和超级电容器的SOC范围。通过国内某40MW光伏电站250天输出功率数据进行仿真分析，证明了该方法的有效性，优化了混合储能系统的使用。

1　混合储能系统跟踪控制原理及建模

带混合储能系统的光伏电站结构示意图如图 1所示。其中混合储能系统由蓄电池和超级电容器组成。混合储能系统的输出功率与光伏电站输出功率之和，作为平滑后的并网功率接入电网。其中，Ppv为光伏电站输出功率，Ptotal为光储联合输出功率，Phess为混合储能系统输出功率，Pbat为电池输出功率，Pcap为超级电容器输出功率。忽略系统各部分的能量损耗，根据能量守恒定律可得

图1　带混合储能系统的光伏电站结构示意图Fig.1　Structure of PV station with hybrid storage system

为实现光伏电站的优化调度，应合理地对储能系统的功率进行优化控制，使光伏电站出力跟踪预测值。该优化控制策略首先遵循以下基本原则：

（1）若当前光伏功率满足跟踪精度的需求，则混合储能系统停止运行。

（2）若当前光伏功率不满足跟踪精度的需求，则通过混合储能系统充放电对其控制。

（3）若目标出力值超出功率调节范围，则尽可能使混合储能系统的功率接近目标值。

混合储能系统跟踪控制原理框图如图2所示。Ppv实测值由SCADA系统采集获得；光伏电站功率的预测值由光伏电站功率预测模型获得，记为Ppvf。其中，预测模型为马尔可夫链模型与持续预测法的组合模型。预测值与实测值的偏差为

根据偏差量判断混合储能系统是否投入运行，规则满足

式中，Pe为光伏电站的额定功率；n为设定的跟踪精度。

混合储能系统的跟踪控制只需满足达到跟踪精度的范围即可，这样可以适量降低储能系统的放电深度。混合储能系统的目标总出力值为

图2　混合储能系统跟踪控制原理框图Fig.2　Block diagram of tracking control for hybrid energy storage system

混合储能的复合控制策略由控制方式、功率分配与保护单元、电池、超级电容器及其SOC检测装置形成的闭环控制。系统依据电池和超级电容器的SOC范围判断控制方式，即内部能量协调控制或者多目标优化控制。系统确定控制方式后，根据当前SOC的范围进行功率分配，计算出 Pbat和 Pcap，再次计算电池和超级电容器的SOC范围，为下一时刻决策提供约束条件。

将 t时刻电池和超级电容器的 SOC分别记为SOCbat（t）和SOCcap（t），则有如下关系。

（1）充电过程

（2）放电过程

其中，Pbat（t）和Pcap（t）满足约束条件

（1）充电过程

式中，Pbat，cmax、Pcap，cmax分别是由电池和超级电容自身特性决定的最大充电功率；SOCbat，max、SOCcap，max分别是电池和超级电容的SOC约束上限。

（2）放电过程

式中，Pbat，dmax、Pcap，dmax分别是由电池和超级电容器自身特性决定的最大放电功率；SOCbat，min、SOCcap，min分别是电池和超级电容器的SOC约束下限。

通过以上控制过程即可满足系统的总输出功率在一定的误差带宽范围内实时跟踪发电目标的目的。

2　混合储能系统的复合控制策略

2.1控制方式的判定

依据电池和超级电容器的 SOC区间以及充放电状态可以将混合储能系统的运行状态划分为 18种，针对不同的工况对其进行控制策略的选择，见表1。

表1　混合储能系统的运行状态划分及控制策略判定Tab.1　Determination of hybrid energy storage system running state division and control strategy

表1中，当电池和超级电容器SOC都处于正常运行范围内，即第1、2状态时，选择多目标优化控制，发挥电池和超级电容器各自的性能优势；当电池和超级电容器 SOC只有一方能满足单独运行的条件时，即状态3～16时，选择内部能量协调控制，保证电池和超级电容器的正常运行；状态 17和18都不满足系统运行的条件，储能系统停止运行。

混合储能系统的复合控制流程如下。

（1）参数：设定储能容量、额定功率和跟踪精度n，取SOCbat，max=0.85、SOCbat，min=0.15、SOCcap，max= 0.95和SOCcap，min=0.05。

（2）读取光伏功率的实测值与预测值，计算其偏差，根据偏差判断混合储能系统是否投入运行和运行模式。

（3）根据当前电池和超级电容器的SOC状态，通过表1，确定相应的控制策略。

（4）计算电池与超级电容器的功率限值，确定混合储能系统出力，进而计算光储联合系统总出力。

混合储能系统的复合控制流程如图3所示。

2.2混合储能系统内部能量协调控制

混合储能系统的内部能量协调控制是指混合储能中电池或超级电容器能单独运行时的控制。依据表1所示内容，以状态3～6共四种工况为例进行详细分析，并给出内部能量控制后的储能系统的功率。

设在t时刻，Mbat为电池储能的容量和分别为按照式（12）～式（15）计算所得的电池和超级电容器的充放电功率限值，内部能量控制分配的计算方法如下。

（1）状态 3：SOCbat（t）＜SOCbat，min且 SOCcap（t）＜SOCcap，min，充电状态。该状态下，遵循电池优先充电原则，先提升电池的SOC水平，剩余部分能量由超级电容器承担，功率计算式为

（2）状态 4、5：当 SOCbat（t）＜SOCbat，min且SOCcap，min＜SOCcap（t）＜SOCcap，max时，若为充电状态，即状态4，电池SOC低于下限值，所以优先对电池充电，功率计算式为

若为放电状态，即状态 5，电池停止运行，由超级电容器承担放电任务，功率计算式为

（3）状态6：当SOCbat（t）＜SOCbat，min且SOCcap（t）＞SOCcap，max时为充电状态。电池 SOC低于下限值，且对电池充电，超级电容器SOC高于上限值，故停止运行，功率为

以此类推，可得到状态7～状态16的电池和超级电容器功率分配，这里不再赘述。

图3　混合储能系统复合控制流程Fig.3　Flow chart of hybrid energy storage system composite control

2.3混合储能系统多目标优化控制

混合储能系统多目标优化控制方式下，为充分发挥能量型、功率型储能的各自优势，混合储能内部能量分配规则为：超级电容器遵循优先充放电的原则，执行混合储能的功率指令中高频分量；电池是混合储能系统中的主要能量来源，负责承担长时期的低频分量部分，实时调节电容器荷电状态，以及时响应下一指令的高频部分［12］。

本文采用一阶低通滤波器［13，14］的方法，将光伏发电功率的预测值与实测值的偏差 Per分为高、低频两部分。滤波器传递函数为

式中，τ 为滤波时间，是常数。将滤波器传递函数从频域转换到时域，可得电池和超级电容器的功率分别为

λ的取值直接影响混合储能的功率分配，如何合理确定λ的取值以充分发挥两类储能的最大功效的问题，可以通过优化理论解决。

在跟踪控制中，储能寿命受循环次数、放电深度等因素的制约，应避免其“过充、深放”，限制电池在每一个采样点的输出功率幅值。另一方面，为了满足超级电容器能够随时具有较强的高频功率输出的能力，应保持超级电容器SOC在适中水平以能够满足下一时刻充放电的需求。

按照上述优化目标的要求，建立的混合储能系统跟踪优化控制的模型为

式中，SOCmed一般取值0.5左右；Pbat，e为电池的额定功率；Mcap为超级电容器的储能容量；f1为放电深度；f2为t时刻超级电容的SOC值与SOCmed的差，用以保证超级电容器的SOC在适中的水平。式（23）表示在 t时刻对电池和超级电容器的功率进行优化分配。按照式（21）和式（22）将优化目标转化为λ 的优化问题，可得

约束条件为

式中，Pbat（t-1）、P*hess（t）和SOCcap（t-1）可由相关公式［15］计算得到；Mcap、SOCmed、Δt、b1和 b2为设定的参数。

多目标优化问题不存在使全部目标同时达到最优的绝对最优解，可求其Pareto最优解［16］。对于极小值多目标优化问题，Pareto最优解定义为：在设计变量的可行域内，对于变量 X，当且仅当不存在其他变量 X*，在不违背约束的条件下满足 fi（X）≤fi（X*），至少存在一个i使fi（X）＜fi（X*）成立，则称变量X为非支配解，即Pareto最优解。

图4为Pareto解的决策方法，是把混合储能系统出力的一个指令周期分为两部分。在第 i个指令周期Ti，1的后一部分周期Ti，2内，为了防止下一指令周期的光伏功率预测值发生较大改变，随之导致混合储能的目标出力功率也发生较大变化的情况，需要在Ti，2内超级电容器的SOC保持在一定的水平，以应对混合储能功率的高频分量，故应选取f2较优的解作为当前解；当进入第i+1个指令周期时，前一部分周期即Ti+1，1内，在超级电容器负责承担一部分高频分量下，尽量降低电池的输出功率幅值，以延长储能寿命，故应选取f1较优的解作为当前解。

图4　Pareto解的决策方法Fig.4　The decision method for the solution of Pareto

3　算例分析

本文以国内某40MW光伏电站250天输出功率数据为例进行研究，采样时间间隔为1min。为了兼顾天气类型，选择上午晴朗、下午多云的典型日数据。采用马尔科夫链与持续预测的组合模型对功率进行预测［12］，预测功率时间间隔为 15min。电池、超级电容器和混合储能系统的参数见表 2。光伏预测功率、实际功率及光储联合功率如图5所示。

通过混合储能系统的充放电作用，缩减了预测值与实测值的偏差。从图5可以看出光储联合功率曲线与预测功率曲线十分吻合，这说明储能系统实现了跟踪发电。为说明混合储能系统复合优化控制的效果，与仅采用一阶低通滤波方法进行对比，两种方法的混合储能系统输出功率如图6所示。

表2　电池、超级电容器以及混合储能系统的相关参数Tab.2　Related parameters of battery， super capacitor and hybrid energy storage optimal control system

图5　光伏预测功率、实际功率以及光储联合功率Fig.5　PV forecast power， real power and PV-storage combined power

图6　两种方法的混合储能系统功率Fig.6　Power of hybrid energy storage system using two methods

图6a中横向虚线代表电池的充放功率约束，从图看出此时电池的充放功率存在越限现象。从图6b可以看出，通过复合优化控制不仅使电池出力尽可能小，还使超级电容器具备保持应对高频率出力的能力。由图6b放大区域可以看出，通过优化控制，属于能量型储能的电池负责承担了能量的主要低频部分，而属于功率型储能的超级电容器负责高频部分的出力。

两种方法的混合储能系统SOC如图7所示。可以看出，复合优化控制下的超级电容器SOC的变化幅度较大，电池SOC的变化较为平稳，其数值保持在0.5附近。说明此时在满足相同的出力目标下，电池的充放更加合理。

图7　两种方法的混合储能系统SOCFig.7　SOC of hybrid energy storage system using two methods

4　结论

本文提出基于混合储能系统提升光伏跟踪目标出力能力的优化控制策略，并通过实际算例，证明了该策略侧准确性和实用性，得到以下结论。

1）该策略采用内部能量协调控制和多目标优化控制的复合控制方式，合理地分配了电池与超级电容器的充放电功率，控制混合系统的出力弥补了光伏电站预测功率和实际功率的偏差，实现了光伏电站功率的跟踪控制。

2）本文提出的控制策略不仅可以有效跟踪光伏的预测出力，而且能够充分发挥不同储能介质的特性，控制电池SOC曲线在0.5附近走势平稳，降低了电池的充放电深度，延长了储能电池的使用寿命，使混合储能得到了更好地应用。

［1］戚永志， 刘玉田. 风光储联合系统输出功率滚动优化与实时控制［J］. 电工技术学报， 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］刘伟， 彭冬， 卜广全， 等. 光伏发电接入智能配电网后的系统问题综述［J］. 电网技术， 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］马速良， 蒋小平， 马会萌， 等. 平抑风电波动的混合储能系统的容量配置［J］. 电力系统保护与控制，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， 张新松， 等. 多时间尺度协调控制的独立微网能量管理策略［J］. 电工技术学报，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. 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］张纯江， 董杰， 刘君， 等. 蓄电池与超级电容混合储能系统的控制策略［J］. 电工技术学报， 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， 赵瑜， 周玮， 等. 基于混合储能系统的平抑风电波动功率方法的研究［J］. 电力系统保护与控制， 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， 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. 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， 周玮， 孙辉， 等. 用于风电功率平抑的混合储能系统及其控制系统设计［J］. 中国电机工程学报， 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］姜晓亮， 李巍， 吕项羽， 等. 基于非参数核密度估计法的光储系统容量优化配置［J］. 高电压技术，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］刘皓明， 陆丹， 杨波， 等. 可平抑高渗透分布式光伏发电功率波动的储能电站调度策略［J］. 高电压技术， 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， 惠东. 光伏-储能联合发电系统运行机理及控制策略［J］. 电力自动化设备， 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， 崔丽艳， 丁钊， 等. 基于风光混合模型的短期功率预测方法研究［J］. 电力系统保护与控制，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］裴胜玉， 周永权. 基于 Pareto最优解集的多目标粒子群优化算法［J］. 计算机工程与科学， 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，硕士，教授级高工，研究方向为新能源并网发电及储能技术。

E-mail： jlcctiancg@163.com

李德鑫男，1985年生，硕士，研究方向为新能源并网发电及储能技术。

E-mail： lidexin0323@163.com（通信作者）

2015-12-19改稿日期2016-04-19