平滑风功率波动的储能配置及控制算法综述

王远路，杨 超

（贵州大学 电气工程学院，贵阳 550025）

0 引言

为实现“30·60”双碳目标，中国将加快推进能源转型，创建以新能源为主的新型电力系统［1］。能源转型在生产端主要依靠大力发展风力和光伏等可再生能源逐步替代化石能源，预计到2060 年，风力发电和太阳能发电的装机总量将由2020 年的5.35亿千瓦增至40 亿千瓦，新能源发电占全国发电机组装机容量的比例则是由24.3%提升至50%以上［2］；在终端能源消费中则需要实现大范围的电能替代，预计到2060 年电能在中国的终端用能占比将由当前的28%提升至60%［3］。与此同时，2021 年的美国德州大停电事故警醒人们高渗透率的新能源接入会威胁电网的安全稳定［4］。因为风速有着间歇性和不确定性，而风电机组的输出功率为风速的3 次幂函数，导致风功率产生极强的波动性［5］。风功率波动会造成电网频率偏差、波形畸变以及电压波动与闪变等问题，因此需要采取措施将风功率波动调节到限制范围内才可安全并网。现有研究针对风功率波动的平抑策略主要有风电机组改进控制与储能系统辅助控制两类方法。文献［6-8］分别通过变桨控制、旋转动能控制及直流母线电压控制来对机组运行进行改进，从而平抑风功率波动，这些策略平抑风功率波动的同时却也牺牲了风能捕获效率，属于低风能利用型平抑策略；储能系统辅助控制通过控制储能设备双向吞吐电能达到平滑风电机组输出功率波动的目的，这种情况下风电场的实际并网功率为风机总输出功率和储能装置输出功率之和。由于储能辅助控制不影响风电机组本身的最大功率跟踪控制运行，称其为高风能利用型平抑策略［9］。于是采用储能系统平滑风功率波动成为近年来研究的热点，本文从储能选型、控制算法和容量配置这三方面对相关文献进行了综述。

1 储能选型

针对不同装机容量规模的风电场，中国2021 年最新颁布的《风电场接入电力系统技术规定》对风功率在1 min 和10 min 两个时间尺度下规定了功率波动限制。对于储能类型的选取，需分析该风电场的功率波动是更集中于短时间尺度（1 min 以下）还是长时间尺度（数min 到数10 min），再结合各类型储能的功率特性选择能够满足充放电要求的储能技术。

1.1 储能类型介绍

根据电能被转换为其它能量形式的不同，可以把储能技术分为电化学储能、电磁储能和物理储能3 类［10］。电化学储能常见的有铅酸蓄电池、锂离子电池、钠硫电池和液流电池等电池储能技术。电池储能便于根据需求灵活地配置功率容量。全球电池储能现有装机规模超16.3 GW，以8.5%的占比在所有储能的装机规模中居第二位，且其规模正爆发式提升中［11］。当前，中国已经投入运行的抽水蓄能电站超40 座，总容量达639 万kw［12］。电磁储能包括超导磁储能和超级电容储能，都具有极快的响应速度和高循环次数。前者电能转换效率高、寿命长，但是超导材料高昂的成本制约了其大范围使用［13］；后者成本也比较大，但是由于其具有非常大的功率密度，所以广泛地用其平滑短时高频的功率波动。物理储能有抽水蓄能、压缩空气储能和飞轮储能，前二者常用于长时间尺度的可再生能源存储、系统备用等，由于地理条件要求高和响应时间过长，这两种储能不适于平滑风功率波动。飞轮储能功率密度高、环保无污染，适合平滑高频风功率波动。另外，从功率特性角度可将储能分为功率型储能和能量型储能。综合文献［14-15］归纳出了反映储能功率特性的关键技术特征，见表1。

表1 常见储能类型的功率特性指标Tab.1 Power characteristic indexes of common energy storage types

1.2 短时间尺度的波动平抑

短时间尺度的风功率波动频率较快但是幅值较小，需要储能快速响应、频繁地充放电，多采用功率密度大、可循环次数多的功率型储能进行平抑。文献［16］把风功率波动对电网的影响模拟成了一单机对无穷大系统的功率振荡，超导磁储能装置补偿风功率的作用相当于抑制无穷大系统功率振荡的能力；文献［17］采用一种串并联型超级电容器储能系统平抑风力发电机组的有功功率波动，其设计的有功功率控制器的控制信号为来自储能设备接入点的有功功率偏差；文献［18］把多个飞轮储能单元并联在交流母线上组成飞轮储能阵列，利用该储能阵列实时补偿风功率中的高频分量来抑制风电场输出功率的波动。

1.3 长时间尺度的波动平抑

长时间尺度的风功率波动幅值大但是变化比较平缓，需要容量大、能量密度高的能量型储能进行平抑，多采用各种类型的电池储能。文献［19］使用镍铬蓄电池储能系统来平滑风力柴油混合动力系统的有功功率输出；文献［20］选择造价低、可100%深度放电的钒氧化还原液流电池储能，建立了钒液流电池充放电的数学模型，对储能的功率控制是对AC／DC 双向功率变换器的解耦控制实现的；文献［21］针对电池储能系统平滑风电输出的研究，设计了3种电池储能运行策略，综合考虑平滑效果及平抑成本，确定最优运行策略。

1.4 多时间尺度的波动平抑

要使平滑效果满足多时间尺度下的限制要求，需要储能系统既能频繁充放电平滑高频波动分量，又能具有较大容量平滑能量较大的低频波动分量。常采用能量型和功率型储能组合而成的混合储能系统（HESS）平抑多时间尺度下的风电场输出功率波动。HESS 能够低速和高速响应，相较于单一储能（ESS）对风功率平抑具备更好的平滑性能［22］。文献［23］建立了以蓄电池和飞轮储能组合成的HESS，采用集中式方法将其配备于风电场出口处平滑风电场输出功率；文献［24］采用全钒液流电池和超级电容组成HESS，将HESS 连接三电平直驱式同步风力发电机，仿真验证了其平滑风电场出力波动的良好性能；文献［25］采用锂离子电池和超级电容器组成HESS 平滑风电输出，仿真实验表明经该储能系统平抑后的风电输出满足1 min 和30 min 两个时间尺度的波动率限制要求。

2 控制算法

储能平滑风功率波动的简化流程如图1 所示。Pwind为风电机组输出的原始风功率；Pref为风功率并网期望值，是原始风功率中的稳定变化部分；ΔPref为储能系统充放电期望值，是原始风功率中的波动功率部分；ΔP为储能系统的实际输出；Pout为经过储能系统平抑之后的实际并网功率，也称为风储联合系统的输出功率。

图1 平滑风功率波动的简化流程Fig.1 Simplified process for smoothing wind power fluctuations

2.1 风电并网期望功率的获取

根据原始风功率分解出风电并网期望值，本质是一种“滤波”，可以采用多类型的滤波算法来求取。本文着重分析了一阶低通滤波法、小波变换和小波包分解以及模型预测控制。

2.1.1 一阶低通滤波

一阶低通滤波法的原理是原始风电功率经过一阶滤波环节即可得到并网期望功率，如图2 所示。关键点在于滤波时间常数T的确定，增大T能增强平抑效果，使得并网期望功率更平滑，但是也会增大储能容量配置，反之亦然。该方法分为定时间常数（定T）与变时间常数（变T）两类。

图2 一阶低通滤波Fig.2 First order low pass filtering

2.1.1.1 定时间常数

文献［26］采用定T控制的一阶低通滤波器、设计了同时考虑飞轮储能剩余容量和风功率平抑效果的优化控制；文献［27］采用一阶滤波算法求取风电场并网功率期望值，分析了基于不同T值下的风功率平滑效果；文献［28］采用不同T值的两个一阶低通滤波器分别控制HESS 中蓄电池组和超级电容器两类储能。定T方法在分解中存在响应延迟的问题，对风功率特性的变化不敏感。所以定T 的一阶滤波器很少采用，更多需要采取各种方式实时调整T增强平滑效果。

2.1.1.2 变时间常数

文献［29］依据系统实测的储能电池SOC 来实时分段分级地调整一阶低通滤波器的T。在文中的实验情景下，定T控制下SOC 的变化范围达44%～95%，这一数值在变T控制下则为19%～84%；文献［30］设计了一维云模型控制器，实时调整一阶低通滤波器的T，在风功率的波动率较大时増加T的值，快速增强储能的平抑能力，在风功率的波动率变小时使T减小，及时降低储能系统出力。

2.1.2 小波变换和小波包分解

小波变换可将连续信号分解成若干频率不同的子信号。其分解过程为：把原始信号分解为低频部分的逼近信号和高频部分的细节信号，之后每次分解总是只对低频部分进行类似分解。小波包分解可以在每层同时分解低频和高频部分分量，其分解流程可以理解成是完全2 叉树结构。两种分解过程的示意图如图3 和图4 所示，S为原始风功率，经两种方法分解后得到的风电并网期望功率都为S（3，0）。两种方法的关键点都在于确定最优分解层数和小波基的选择。

图3 小波变换示意图Fig.3 Wavelet transform diagram

图4 小波包分解示意图Fig.4 Schematic diagram of wavelet packet decomposition

2.1.2.1 小波变换

文献［31］使用小波变换分解风电场输出功率信号，所需的风电并网期望功率为多次分解后得到的最低频信号，其余频次的则是需要储能系统平抑的波动功率部分；文献［32］提出了一种基于熵权法的多目标决策算法对小波基函数进行优化选择。首先，利用不同的小波基对原始风功率进行小波分解到最优层数，提出6 种选择评价指标；其次，采用熵权法进行小波基优选；最后，选择计算速度与滤波效果都更好的DB6 小波。

2.1.2.2 小波包分解

由于小波变换只对上一层分解后的低频信号进行分解，不能掌握高频部分的细节信息，尤其不利于储能分配时在高频部分寻找频率分界点。相较于小波变换，小波包分解则更精细，但是也增大了分解过程中的计算量。文献［33］采用DB9 小波将风功率信号进行8 层小波包分解，低频信号S（8，0）的幅值及变化情况接近原始风功率信号，将其作为并网功率期望值，剩下的幅值在0 附近波动的高频信号则被接入储能系统进行平抑；文献［34］通过判断最后一层分解所得的最低频功率信号是否满足风电并网波动率限制标准来确定最优分解层数，当最低频信号不满足风电并网标准时则加深小波包分解层数；文献［35］选择了DB6 小波对风电出力信号进行了6层小波包分解，由于高频部分的非平稳信号S（6，1）至S（6，63）能量低，无法用1 阶和2 阶常规统计量表征其特征，于是采用高阶统计量分析63 个高频信号的特征值，再用支持向量机将这些高频信号分类交由HESS 中两类储能分别平抑。

2.1.3 模型预测控制（MPC）

MPC 的核心是滚动预测、预先控制：在当前时刻的状态x（k），根据当前时刻和未来M个时刻的约束求取未来k +1 到k+M时刻的控制指令，然后把第k +1 时刻的指令值应用于控制系统，在下一时刻更新状态x（k +1），重复该过程。MPC 求取风电并网期望功率是最优控制与现实工况中不确定性的折中策略，所得输出可能不是全局最优解，但是在多变的工程环境中MPC 求得的次优解，相比限制理想条件下的最优解能更好地实现实时控制。

文献［36］应用MPC 算法平滑风功率，建立了如式（1）和式（2）的状态空间模型。

其中，Tc为储能系统控制周期；扰动变量r为原始风功率Pwind；控制变量u为储能系统充放电功率Pes。

将储能荷电状态SOCes和风电并网功率Pg作为状态变量。为了实现状态更新及反馈，输出变量也设定为SOCes和Pg。

考虑Pes和SOCes的约束限制以及Pg波动率限制，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，还有卡尔曼滤波、经验模态分解、变分模态分解、滑动平均滤波和加权移动平均滤波等方法。

卡尔曼滤波（KF）能很好地解决传统低通滤波器的时延问题，文献［39］提出了一种Takagi-sugeno型模糊逻辑辅助的卡尔曼滤波算法（FKF）来平滑瞬时功率波动。经验模态分解（EMD）可以将一段完整的风功率信号分解成若干固有模态函数，文献［40］采用EMD 将原始风功率分解，提取平稳的并网期望功率。变分模态分解（VMD）可以把功率信号分解成一系列频率由低到高的子模态，相较于EMD，VMD 可以一定程度上解决分解过程中的模态混叠现象和特征频率不清的问题，文献［41］结合自适应滑动平均滤波和VMD，实现风功率平抑。滑动平均滤波是求取t时刻附近N个时段的实测风功率作为t时刻的期望并网功率，文献［42］取N为30 min，求得风电目标出力，并设计了一种基于蒙特卡洛模拟的BESS 运行策略。加权移动平均法是对每个时刻的风电出力和移动平均项数N都配置权重，t时刻的风电并网期望功率为t时刻前N -1 个时刻的实测风功率的加权平均值，文献［43］采用基于加权移动平均滤波算法的储能系统平滑策略，实时调整权重系数和滤波带宽N，可以很好地解决风功率的骤变问题。

2.2 储能系统的能量管理

2.2.1 储能初始功率分配

将原始风功率与并网期望功率作差即可得到高频波动功率，即储能系统的期望充放电功率。对储能系统内部的功率分配，分单储能系统和混合储能系统。单储能系统重在研究各储能单元的分配策略；混合储能系统则需要将高频波动功率继续分解后再根据频率特性分配给不同类型的储能进行平抑，再分解的过程重点在于寻找合适的分频点。

2.2.1.1 单储能系统功率分配

根据式(33)可得如图3所示的实验结果，对于一个相同的m，全周期期望维修费率首先随着N的增加而减低，直至出现局部最小值Nm，然后会随着N的增加而增加。容易得到最优参数m*=1，N*=6，最优期望维修费率为368.69。

文献［44］提出了一种对电池储能系统中各储能单元进行实时功率分配的方法，首先根据各储能单元SOC 占比分配初始功率，再根据各储能单元初始SOC 进行功率修正，使得SOC 趋同；文献［45］中储能装置由多个参数相同的飞轮储能单元并联构成，设计了主从控制模式的充放电控制方法，对各储能单元按比例分配充放电功率。

2.2.1.2 HESS 功率分配

文献［46］采用频谱分析的方法分解储能系统参考功率，实现功率分配。对原始风功率进行滑动平均法滤波后，得到的波动功率进行傅里叶变换，得到各分量的频率和幅值，考虑年均综合成本最小为目标函数确定分频点，通过分频点将波动功率划分成两个补偿频段。结合储能类型的功率特性，高频功率波动被超级电容器平抑，低频功率波动被蓄电池平抑；文献［47］采用VMD 将波动功率分解为数个单分量信号，通过Hilbert 变换得到波动功率的时频谱，对时间积分计算得到各分量信号的边际谱，通过边际谱就可以找到分频点，将波动信号分成高频信号和低频信号。

2.2.2 能量状态反馈控制

实际运行过程中要避免储能过充过放，因此需要制定恰当的策略将储能的能量状态（SOC）反馈到功率分配环节，也就是要对初始功率分配实时调整。能量状态反馈控制保证了储能平抑波动，控制长期运行的有效性，可以延长储能的循环使用周期。

由于超级电容的剩余容量正比于其端电压，于是文献［48］用超级电容的端电压来表征其剩余容量，通过对超级电容端电压的预先控制，结合端电压与充放电状态变化修正超级电容和电池的充放电功率。在能量状态反馈控制中最常使用的方法是模糊控制，文献［49］利用VMD 将储能系统总功率分配给两种储能设备，再考虑两种储能的SOC，引入模糊控制的方法实时调整超级电容和电池的输入输出功率，仿真显示该方法可以防止储能SOC 越限，延长储能电池的使用寿命；文献［50］设计了基于模糊控制的反馈机制，实时调节低通滤波器的时间常数T，使得储能电池平滑风功率波动的同时也时刻保持其SOC 处于最优范围，所设计的模糊控制器输入为电池SOC 和风机的输出功率变化值ΔP，输出为T。

3 容量配置

储能容量配置过小不能保证风机输出功率的波动率被平滑到并网限制要求以内，而鉴于经济成本又不能随意配置容量很大的储能系统，所以容量配置的目的是以尽量小的储能容量达到风功率波动平抑要求。常见的储能容量配置方法有理论计算法、仿真分析法和模型优化法。

3.1 理论计算法

文献［51］通过离散小波分解风功率波动信号，将其分解成高、中、低3 个频段分别配置储能平抑。分别选择补偿各频段波动功率的储能额定功率为周期内的补偿功率最大值，考虑充放电效率以及SOC限制，计算补充高、中、低频波动功率所需的储能额定容量。文献［52］寻找频率分界点划分高频的风功率波动部分，采用蓄电池和超级电容器分别消纳，划分得出的次高频和最高频波动功率。利用Matlab工具箱中的高斯逼近法拟合两种储能的功率概率密度函数，求解储能的容量配置。

3.2 仿真分析法

文献［53］中设定BESS 的容量和功率都超额配置，接着输入模拟各种工况的典型风功率信号，使得被BESS 平滑后的风功率符合并网要求，长周期仿真并记录数据；最后基于仿真数据确定BESS 的额定功率和容量。文献［54］给出了在确定光照及风速的情况下计算HESS 中两种储能的功率及容量配置的子算法，利用蒙特卡洛模拟法随机产生多场景仿真所需的若干组光照强度和风速数据，仿真统计分析了HESS 在不同累积概率水平下的容量配置。

3.3 模型优化法

文献［55］通过模型优化法求解储能容量配置，以储能系统成本最小为目标函数，约束条件则为平抑后的波动分量方差和绝对值均值限制、储能充放电时间和次数限制等；采用映射于Bloch 球面的量子遗传算法得到包含4 个变量的最优解：超级电容的功率、容量和电池的功率、容量。由于在建模时仅以储能投入成本最小为目标，比较片面。文献［56］则提出以设备的全寿命周期成本（LCC）最小为目标函数，LCC 是指储能系统在整个寿命周期内耗用的总成本，包括购置成本、运维成本和处置成本。在约束条件的设定上特别提出了一个负荷缺电率限值要求，以保证独立风光发电系统的供电可靠性，最后采用改进粒子群算法求解优化问题。文献［57］在储能容量配置的过程中加入了储能选型环节，比较了9 种HESS 组合方案的储能综合成本，选取综合成本最低的储能组合。构建了以综合成本最低为目标函数的优化模型，采用粒子群算法求解出储能系统的最优容量配置。

综上，理论计算法从技术理论层面计算出储能配置容量，但是理论推导过程比较困难，而且既没考虑实际运行中的工况变化也没考虑所配置储能系统的经济效益。仿真分析法基于大量的历史运行数据制定控制方案并且仿真验证，该方法配置的储能可以满足各种不确定性场景中风功率波动平抑的功能性要求，但是依旧没考虑经济效益。模型优化法全面分析了储能系统的经济性，针对不同侧重目标建立求解模型，层次清晰、更符合实际工程需求，但是难点在于对模型的求解非常依赖智能算法的优劣性，特别是多目标函数的模型难以求解。

4 结束语

4.1 总结

储能选型是基础，重在考虑功率特性是否满足平抑要求；控制算法是关键，主要兼顾平滑效果和保护储能系统长期运行；容量配置将多采用模型优化法，综合考虑平抑要求和经济性甚至能实现多目标的要求。由于储能配置的各个环节存在关联性，经过分析现有文献研究，本文总结性提出了一种系统性地针对平抑风功率波动的储能配置方法流程，如图5 所示。

图5 平滑风功率波动的储能配置流程Fig.5 Energy storage configuration process of smooth wind power fluctuations

4.2 展望

随着新能源渗透率的提高，风功率平抑更多需要满足多时间尺度下的波动率限制要求，且工程实际中的多项技术经济指标单储能系统难以全部满足，所以由能量型和功率型储能组合成的HESS 将会得到越来越广泛的应用。HESS 能够充分利用功率性能互补的两类储能技术各自的优势，保护储能系统延长其使用寿命、达到更好的平滑效果和节省储能成本。

风电场储能容量配置的现有研究大多专注于较为单一的应用功能，很少有面对综合多种应用目标的储能系统研究。实际上储能在新能源发电侧可以承担多种辅助功能，比如快速调频、新能源出力计划跟踪、谐波谐振抑制等等，有必要加强对多目标集成的风储系统的协调管理控制和容量配置研究，以满足风储系统多时间尺度和多需求下的功率平衡，提升其经济性和稳定性。