基于斜率器的风电爬坡率实时平抑控制算法

洪海生;刘志强;徐强;江全元

【摘 要】This paper presents a kind of control algorithm for real-timely suppressing power fluctuation in wind power field for the hybrid energy storage system (HESS) based on slope limiter.By combining first-order low pass filter and slope limiter,and according to fluctuation frequency of wind power,this method can real-timely allocate charge/discharge power values of HESS and consequently develop characteristics of big density of capacitance power and high density of lithium battery,meanwhile,it can realize feedback control on self-adaptive energy storage level based on interval narrow and avoid over charge or over discharge of the energy storage battery.Example analysis shows that compared with other control algorithms,this algorithm only needs smaller capacity and is simple with small computational amount and fast calculating speed,which is

convenient for engineering realization.%提出一种基于斜率器的实时平抑风电场功率波动的多类型储能系统(hybrid energy storage system,HESS)控制算法.结合一阶低通滤波器与斜率器,依据风电功率的波动频率实时分配HESS的充放电功率值,从而发挥超级电容功率密度大和锂电池能量密度大的优点;实现了基于区间削减的自适应储能水平反馈控制,避免了储能电池的过充或过放.算例分析表明,相对于其他控制算法而言,该算法只需配置较小的容量,算法简单,计算量小,运算速度快,便于工程实现. 【期刊名称】《广东电力》

【年(卷),期】2017(030)002 【总页数】8页(P34-40,47)

【关键词】斜率器;多类型储能系统;风电功率;爬坡率;储能容量反馈控制;风电并网

【作 者】洪海生;刘志强;徐强;江全元

【作者单位】广州供电局有限公司,广东广州510620;广州供电局有限公司,广东广州510620;广州供电局有限公司,广东广州510620;浙江大学电气工程学院,浙江杭州310027 【正文语种】中 文 【中图分类】TM76

风能作为一种清洁的可再生能源，近年来得到了跨越式发展。全球风能理事会(Global Wind Energy Council，GWEC)发布报告称，到2015年底，全球风电累计装机容量达到432 419 MW，累计年增长率17%。由于风速的随机波动性，输出电能具有间歇性和不确定性，会对电网产生一定的冲击，上网难问题成为制约风电发展的瓶颈[1]。

因为储能具有动态吸收及释放能量的特征，其作为一种平衡风电功率波动的有效手段，逐渐受到重视[2-4]。电力系统中常用的储能技术主要有钠硫电池、液流电池、超级电容器(ultra capacitor，UC)和超导储能等。由于风电场容量大，风电功率短周期变化频繁、长周期变化幅度较大，单一储能技术已难以满足多时间尺度功率平抑需求。多类型储能系统(hybrid energy storage system，HESS)利用储能设备互补特性，克服了单一储能技术的局限性，是未来储能技术发展的趋势之一[5-7]。

时间尺度是描述功率波动在时间轴上跨度大小的量，是一个波动特征参数[8]。研究表明，风功率波动在时间尺度上的不同，对于电力系统电能质量、系统备用容量以及安全稳定运行等产生的影响也不尽相同[9]。鉴于此，电网公司在风电并网标准(Grid Code)中一般为并网风电场在不同时间尺度上的功率波动幅值(又称风电爬坡率)分别设置一定的阈值[[5，10-11]。目前，常规的储能出力分配控制策略主要是基于一阶低通滤波算法 [6-7，11-15]，该算法实现相对简单，运算速度较快，但因其本质是指数加权平均，难以跟踪风电功率的变化，易导致过补偿[15]。因此，在一阶低通滤波算法的基础上，可分为两类：一类是保持滤波常数恒定，通过附加控制环节来实现控制目标，如文献[6]基于一阶低通滤波，研究基于人工神经网络的多类型储能系统的控制方法，分别平抑长、短两个不同时间尺度的风功率波动。另一类是滤波时间常数可变，如文献[13]研究UC和铅酸蓄电池构成的多类型储能系统，两种储能出力控制对应的可变平滑时间常数分别依据离线优化的两条曲线变化，其对历史数据依赖性大，灵活性较差，且无法实现在线控制；文献[11]以最小化未来一个时段消耗的储能容量为目标，提出了一种基于粒子群优化算法的滤波常数自适应优化策略。此外，学者们也提出了非低通滤波器的控制算法，如文献[16-17]的模型预测控制(model predictive control，MPC)和文献[5]的实时小波分析(online wavelet coordinative control，OWCC)。这些算法虽然能减少储能的使用，但是计算过程复杂，计算结果对硬件的依存度较高，稳定性较差。

本文建立了由锂电池(lithium battery，LB)和UC组成的多类型储能系统，利用一阶低通滤波器控制UC平抑短时间尺度的功率波动，利用一阶低通滤波以及斜率器控制LB平抑长时间尺度的功率波动，并承担系统的损耗。同时为改善HESS的运行寿命，提出了基于区间缩减技术的自适应储能容量反馈控制策略。通过算例对本文算法与传统的一阶滤波控制方法、OWCC算法进行了比较分析。最后，利用实际风场储能测试数据在MATLAB上进行仿真实验，结果验证了本控制算法的

可行性与有效性。

风储发电系统结构如图1所示。该系统主要由风电场(装机容量为Prated)、HESS以及多类型储能集群控制系统组成。HESS通过Buck/Boost功率变换器(power concersion system，PCS)以及变压器与直流母线相连。风电功率PW(t)与HESS的PCS实际发出功率PHESS(t)之和PO(t)经升压变压器注入电网。多类型储能集群控制系统通过实时监测风电场输出功率PW(t)，综合爬坡率抑制指标、LB荷电状态SLB(t-1)和UC荷电状态SUC(t-1)，向HESS的PCS下达充放电功率分配序列PLB,ref(t)和PUC,ref(t)。

考虑高风电渗透率下电力系统的经济稳定运行，本文选取大、小两个时间尺度的风电爬坡率平抑指标γ1和γ30 [5，11，16，18-19]：

a)在任意1 min的时间窗内，合成输出功率的爬坡率与风电场总额定输出功率之比小于γ1；

b)在任意30 min的时间窗内，合成输出功率的爬坡率与风电场总额定输出功率之比小于γ30。

保证风电爬坡率同时满足两个指标，可提升高风电渗透率下电力系统在大、小时间尺度下的动态稳定性，有效降低系统备用水平。 2.1 一阶低通滤波模型

由于LB具有能量密度高、充电效率高等优点，考虑由LB承担HESS的系统损耗，从而提升HESS的储能效率。在本算法中，两种储能的充放电功率指令的获取分别采用不同方法：UC的充放电指令由一个一阶低通滤波器得到，LB的充放电指令由另一个一阶滤波环节以及斜率器得到。一阶滤波环节的传递函数[20]为 式中：PT(t)为PW(t)经过一阶低通滤波器的输出；Tf为时间常数；s为拉普拉斯算子；PB,ref(t)为该储能的充放电功率值。PB,ref(t)为正值时，该储能将放电；PB,ref(t)为负值时，对该储能充电。

将式(1)离散化，分别得到PT(t)和PB,ref(t)的递推公式： 式中Δt为风功率时间序列间隔。 2.2 斜率器模型

由式(2)可以得到PUC,ref(t)与一阶低通滤波的输出中间量PLB,fdf(t)，考虑设计一个斜率器，以保证风功率与多类型储能系统的合成输出满足风电功率爬坡率平抑指标。

若LB以PLB,fdf(t)输出功率时，在t时刻的斜率 PLB,fdf(t)经过斜率器的输出

式中：Prated为风电场装机总容量；krise、kdrop分别为上升与下降的斜率限值，本文取

2.3 基于斜率器的风电功率平抑控制系统

本文控制算法基于t时刻的风功率PW(t)、合成输出功率PO(t)的历史数据以及各种储能的荷电状态，如图2所示。

PW(t)通过时间常数为Tf1的一阶低通滤波环节后的输出与PW(t)的差值，作为UC的充放电指令序列PUC,ref(t)，提供给UC的功率变换器，输出UC实际出力PUC(t)。

PW(t)先后通过时间常数为Tf2的一阶滤波环节与斜率器，输出期望的系统合成功率PO,exp(t)。PO,exp(t)与PUC(t)、PW(t)的差值作为LB的充放电指令序列PLB,ref(t)，提供给LB的功率变换器。PW(t)与PLB(t)、PUC(t)之和即为当前时刻的合成输出功率PO(t)。 2.4 自适应储能水平反馈控制

一方面，由于风电功率的随机性和波动性，储能系统应用于平抑风电爬坡率时，配置的储能功率与能量未必完全满足控制的需求。储能剩余容量过高，无法响应充电指令，而过低时则无法响应放电指令。另一方面，可能发生过充或过放，影响储能

系统寿命。因此本文提出一种自适应储能水平反馈控制策略，基于t-1时刻的储能荷电状态S(t-1)，在满足波动平抑指标的区间之内自适应调节平滑输出值PO,exp(t)，最大程度地避免储能系统的荷电状态超出安全充放区间(本文设为[20%，80%])。 2.4.1 超级电容器

提供给UC变流器的充放电功率参考值应满足功率约束，即

式(7)至(9)中UC-dh(t)分别为UC的最大充电、放电功率；UC分别为UC的最大功率与最大容量；SUC-max、SUC-min分别为UC荷电状态的最大值和最小值。 2.4.2 锂电池

为延长LB的使用寿命，本文采用自适应区间削减技术，如图3所示。其中与组成PO,exp(t)满足控制指标所允许的区间，其大小由最近1 min(或30 min)历史数据的波动情况与相应的平抑指标给出；SLB，min-alart、SLB，max-alart为LB荷电状态的低值告警与高值告警。

LB的自适应能量水平反馈控制策略分为以下步骤：

a)分别将SLB，min-alart、SLB，max-alart设置为30%与70%。在三个不同的情景下对PO,exp(t)进行调整，如图3所示。

SLB(t-1)SLB,max-alert，LB充电时增大PO,exp(t)可使其少充电；

SLB,min-alert≤SLB(t-1)≤SLB,max-alert，此时SUC处在安全充放电区间，LB按照充放电指令值响应。

b)LB响应由步骤1得到的充放电功率指令，t时刻功率输出为PLB(t)。 最终风电储能系统的合成输出功率

为衡量实时能量管理的效果，本文引入了电池健康指标(battery health index，BHI)[5，16]，即电池储能系统荷电状态落在安全充放区间的比例，其值用IBH表

示。IBH越大，说明能量反馈效果越显著。

HESS的功率和容量配置与所采用的平抑波动控制算法相关，采用仿真分析的方法，对爬坡率平抑控制所需的储能系统最大功率与容量进行评估。 3.1 储能系统的配置

北方某风电场装机容量Prated为6 MW，从该风电场历史风电功率数据中，抽取典型季节、典型气候的24 h功率输出监测数据曲线，如图4所示。

γ1与γ30分别设置为2%与7%，应用本文提出的风电爬坡率实时平抑控制算法，对图4所示风电功率曲线进行仿真分析，计算在完全满足爬坡率平抑指标时所需多种储能的功率与容量，取最大值后考虑一定的裕度，得到储能功率容量配置结果(见表1)。

在工程应用中，一般基于大量或典型的风功率历史数据，通过拟采用的爬坡率平抑控制和能量管理策略对平抑控制效果进行仿真分析，并考虑一定的裕度，以确定风电场储能功率和容量的配置方案。 3.2 协制算法评估指标

考虑储能系统投资的经济性以及储能系统长期运行的可靠性等，本文采用以下几个评估指标对协制算法进行评估。

a)粗糙度。粗糙度表征了函数时域上的变化尺度、波动大小，数值由函数二阶导数的平方的积分给出[5]，功率曲线粗糙度的离散形式由式(11)计算得出： 式中：R为粗糙度；L为功率曲线的数据长度。R越小，功率曲线越平滑。 b)BHI。

c)消耗储能的最大功率(取绝对值)。 d)消耗储能的能量值。 e)等效循环次数。

由于风功率的随机性他波动性，储能电池的充放电没有规律可循，可以依据累积损

伤疲劳模型计算等效全循环次数，即造成相同放电损伤时在一定放电深度的循环次数[19]

式中：CF为失效循环次数，即该电池在寿命期内以放电深度D充放电的次数；CF,i为放电深度Di对应的电池失效寿命，Di=S2,i-S1,i，S1,i为第i次放电时刻初始荷电状态，S2,i为i次放电时刻末的荷电状态；Ni为在Di完成的循环次数。NEFC越小，储能损耗越小，系统经济性越好。 3.3 基础数据

从该风电场历史风电功率数据库中，另行抽取3条典型的24 h功率输出监测数据曲线(秒级)作为算例进行分析，如图5所示。

算例仿真前，先采用6个统计量对算例曲线的波动程度进行定量分析：归一化后的标准偏差统计d与归一化后的平均功率水平，1 min、30 min的平均波动1与30，1 min、30 min波动的标准差ρ1与ρ30，平均波动与标准差分别表征了波动的幅值大小以及波动分布的离散程度。数据分析结果见表2。 3.4 平抑波动控制的仿真验证

在储能功率容量配置方案相同的情况下，分别使用传统一阶低通滤波算法、OWCC算法以及本文斜率器算法对3条曲线进行仿真计算，以粗糙度、消耗储能的功率、消耗储能的能量、BHI、NEFC为指标，比较结果见表3。

大量的算例分析表明，当LB滤波时间常数Tf2取为相同条件下一阶低通滤波所用滤波常数的1/2时，储能消耗量均相对较少，这也说明斜率器能更好地跟踪风功率的变化。为了避免初值造成的影响，储能的初始能量稳定值采用周期性边界条件求解得到。由于UC循环使用寿命长，可深度充放电10 000～500 000次，投资工程期一般取10年，因此可认为UC无重置费用，也就无需计算折旧损耗，故表3中的NEFC仅考虑LB的损耗，即LB在放电深度D=80%时的等效循环次数。

结合算例数据统计分析结果(表2)与算例仿真结果(表3)可以发现：算例 1的1与ρ1较大，说明其被幅值大、变化快的波动主导，因此消耗的储能量也较大；算例2的6个指标均较小，说明其被幅值小、变化慢的波动主导，因此消耗的储能量也较少。

从表3可以看出：一阶低通滤波算法消耗储能的能量最大，斜率器算法对储能的需求相对较小，OWCC使用最少的储能；在满足相同的并网技术指标的前提下，一阶低通滤波和斜率器的粗糙度基本属于一个数量级，说明输出较为光滑，而OWCC与二者相差5个数量级。算例3中，斜率器算法消耗的LB能量是一阶低通滤波算法的76.48%，是OWCC算法的1.25倍；斜率器算法中LB的IBH是一阶低通滤波的1.57倍，与OWCC算法基本相同。OWCC算法虽然使用了相对较少的储能容量，与斜率器算法已相差不大，但是其计算复杂，硬件要求高，计算速度慢。在相同的测试环境下，OWCC算法完成24 h秒级功率数据(86 400个数据点)的控制仿真耗时870 s，每个数据点仿真平均耗时0.01 s，而斜率器算法总耗时只有0.03 s，其处理速度是OWCC算法的29 000倍。 3.5 算例分析

以算例 1为例，应用本文算法进行仿真计算，控制效果如图6所示。

图7、图8分别展示原始风电功率和合成输出功率在1 min、30 min两个时间尺度的最大波动值。对比发现：原始风功率两个时间尺度的波动剧烈；经过平抑控制后，两个时间尺度的功率波动均满足本文设定的控制指标。同时也可以发现，由于30 min的控制指标相对苛刻，1 min内的功率波动已在0.3%内。

图9展示了本算例24 h内LB荷电状态的变化情况。5：58，LB的荷电状态大于70%，自适应能量反馈起作用，调高了合成输出水平，从而对LB减少充电；从9：50到22：40，由于荷电状态低于30%，能量反馈发生作用。通过自适应储能能量反馈，将储能系统的荷电状态控制在充放安全区间之内，从而延长了LB的循环

寿命。

本文提出了一种基于斜率器的应用于风电爬坡率实时平抑的HESS协制算法。依据风电功率的功率波动特征，利用UC平抑短时间尺度的功率波动，利用LB平抑长时间尺度的功率波动，并承担系统的损耗，从而发挥UC功率密度大和LB能量密度高的优点；实现了自适应储能水平反馈控制，将储能系统的荷电状态控制在充放安全区间之内，从而延长了LB的循环寿命。算例分析表明：该算法能够有效地平抑风电功率波动，有利于高风电渗透率下的电网稳定运行；与其他算法相比，该算法简单，消耗的储能相对较小，运算速度快，便于工程实现，具有良好的应用前景。

洪海生(1984)，男，福建漳州人。工程师，工学硕士，主要研究方向为工程管理、配网自动化、新能源并网和储能技术在电力系统中的应用。

刘志强(1969)，男，广东广州人。高级技师，主要研究方向为工程管理、电力系统规划与建设。

徐强(1982)，男，湖北赤壁人。高级工程师，工学硕士，主要研究方向为电力系统继电保护、电力系统规划与建设。 【相关文献】

[1] 傅书逷. 中国智能电网发展建议[J]. 电力系统自动化，2009(20)：23-26.

FU Shuti. Proposed Development of Smart Grid in China[J]. Automation of Electric Power System，2009(20)：23-26.

[2] ABBEY C，JOOS G. Supercapacitor Energy Storage for Wind Energy Applications[J]. IEEE Trans. on Industry Applications，2007，43(3)：769-776.

[3] BARTON J P，INFIELD D G. Energy Storage and Its Use with Intermittent Renewable Energy[J]. IEEE Transactions on Energy Conversion，2004，19(2)：441-448.

[4] 丁明，徐宁舟，毕锐. 用于平抑可再生能源功率波动的储能电站建模及评价[J]. 电力系统自动化，2011，35(2)：66-72.

DING Ming，XU Ningzhou，BI Rui. Modeling of BESS for Smoothing Renewable Engery

Output Fluctuations[J]. Automation of Electric Power Systems，2011，35(2)：66-72. [5] JIANG Quanyuan，HONG Haisheng. Wavelet-Based Capacity Configuration and Coordinated Control of Hybrid Energy Storage System for Smoothing Out Wind Power Fluctuations[J]. IEEE Transactions on Power Systems，2013，28(2)：1363-1372.

[6] ABBEY C，STRUNZ K，JOOS G. A Knowledge-based Approach for Control of Two-level Energy Storage for Wind Energy Systems[J]. IEEE Trans. on Energy Conversion，2009，24(2)：539-547.

[7] ISE T，KITA M，TAGUCHI A. A Hybrid Energy Storage with a SMES and Secondary Battery[J]. IEEE Transactions on Applied Superconductivity，2005，15(2)：1915-1918. [8] 张国驹，陈瑶，唐西胜，等. 基于波动特征参数的多类型储能协制[J]. 电工技术学报，2013，28(6)：271-276.

ZHANG Guoju，CHEN Yao，TANG Xisheng，et al. Research on Coordinated Control Strategy of Multi-type Energy Storage Based on Fluctuation Characteristic Parameters[J]. Transactions of China Electrotechnical Society，2013，28(6)：271-276.

[9] HOLTTINEN H，HIRVONEN R. Power System Requirements for Wind Power[M]. [s.l.]：John Wiley & Sons，Ltd.，2005：143-167.

[10] TSILI M，PAPATHANASSIOU S. A Review of Grid Code Technical Requirements for Wind Farms[J]. IET Renewable Power Generation，2009，3(3)：308-332.

[11] JIANG Quanyuan，WNAG Haijiao. Two-Time-Scale Coordination Control for a Battery Energy Storage System to Mitigate Wind Power Fluctuations[J]. IEEE Transactions on Energy Conversion，2013，28(1)：52-61.

[12] LI W，JOOS G，ABBEY C. Wind Power Impact on System Frequency Deviation and an ESS Based Power Filtering Algorithm Solution[C]//Power Systems Conference and Exposition，2006 PSCE’06 2006 IEEE PES. [s.l.]：IEEE，2006：2077-2084.

[13] 刘霞，江全元.风光储混合系统的协调优化控制[J]. 电力系统自动化，2012，36(14)：95-100. LIU Xia，JIANG Quanyuan. An Optimal Coordination Control of Hybrid Wind

/Photovoltaic/Engergy Storage System[J]. Automation of Electric Power System，2012，36(14)：95-100.

[14] PAATERO J V，LUND P D.Effect of Energy Storage on Variations in Wind Power[J]. Wind Energy，2005，8(4)：421-441.

[15] TANABE T，SATO T，TANIKAWA R，et al. Generation Scheduling for Wind Power Generation by Storage Battery System and Meteorological Forecast[C]//Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century，2008. [s.l.]：IEEE，2008：1-7.

[16] 洪海生，江全元，严玉婷. 实时平抑风电场功率波动的电池储能系统优化控制方法[J]. 电力系统自动化，2013，37(1)：103-109.

HONG Haisheng，JIANG Quanyuan，YAN Yuting. An Optimization Control Method of

Battery Energy Storge System with Wind Power Fluctuations Smoothed in Real Time[J]. Automation of Electric Power System，2013，37(1)：103-109.

[17] 周国鹏. 应用于风电功率波动平抑的多类型储能协制技术研究[D]. 北京：中国科学院，2014.

[18] 洪海生.应用于平抑风电功率波动的多类型储能系统容量配置与协制研究[D]. 杭州：浙江大学，2013.

[19] 汪海蛟，江全元. 应用于平抑风电功率波动的储能系统控制与配置综述[J]. 电力系统自动化，2014，38(19)：126-135.

WANG Haijiao，Jiang Quanyuan. An Overview of Control and Configuration of Energy Storage System Used for Wind Power Fluctuation Mitigation[J]. Automation of Electric Power System，2014，38(19)：126-135.

[20] KINJO T，SENJYU T，URASAKI N，et al.Output Levelling of Renewable Energy by Electric Double-layer Capacitor Applied for Energy Storage System[J]. IEEE Transactions on Energy Conversion，2006，21(1)：221-227.