基于模糊經驗模態分解的電池儲能系統平滑風電出力控制策略

楊錫運，曹超，李相俊,任杰,高峰,吳子晗

(1.華北電力大學控制與計算機工程學院，北京市 102206；2.上海電氣集團股份有限公司中央研究院，上海市 200070；3.中國電力科學研究院，北京市 100192)

基于模糊經驗模態分解的電池儲能系統平滑風電出力控制策略

楊錫運1，曹超2，李相俊3,任杰1,高峰1,吳子晗1

(1.華北電力大學控制與計算機工程學院，北京市 102206；2.上海電氣集團股份有限公司中央研究院，上海市 200070；3.中國電力科學研究院，北京市 100192)

為減少風電波動率，提高并網可靠性，提出一種基于模糊經驗模態分解(empirical mode decomposition，EMD)的儲能系統平滑風電功率波動的控制策略。采用經驗模態分解對風電功率進行濾波，低頻分量并網，高頻分量并入電池儲能系統(battery energy storage system，BESS)。使用平滑后風電波動率和儲能電池荷電狀態(state of charge，SOC)作為約束條件，利用模糊控制算法，自適應在線調整EMD濾波階數，通過模糊自適應控制器，能夠更好地平滑風電波動。對比其他平抑風電功率儲能控制策略，仿真實例表明，該方法可以有效地平抑風電功率波動，避免儲能電池過充過放，穩定儲能荷電狀態。

經驗模態分解(EMD)；功率平滑；模糊控制；波動率；荷電狀態(SOC)

0 引 言

風能具有間歇性和隨機性等特點，風電功率直接并網會對電網產生巨大沖擊，影響電網運行的穩定性和安全性。因此，國家出臺了風電接入電網的技術規定，保障風電并網質量[1]。在風電場出口處配置一定容量的儲能系統，可以有效地平抑風電場的功率波動，提高電力系統的穩定性[2-3]。

儲能系統的并網控制策略非常重要，控制不合理很容易導致儲能裝置出現過充、過放，嚴重影響儲能電池的壽命，并網功率波動過大也會影響電網的穩定性。文獻[4]提出基于一階低通濾波器的儲能系統平滑風電功率波動的控制策略。文獻[5]利用人工神經網絡算法對儲能系統進行優化控制，將功率波動控制在較小的范圍內。文獻[6]采用移動平均法對風電功率進行平滑。但上述文獻均沒有考慮儲能系統的荷電狀態(state of charge，SOC)，容易造成儲能系統的過度充放電。文獻[7-8]考慮儲能系統的SOC和低通濾波相結合的方法進行功率平滑，但低通濾波存在遲延的問題，很難克服，低通濾波器的時間常數選擇將直接影響風電功率的平滑效果。文獻[9]提出了基于定階經驗模態分解(empirical mode decomposition，EMD)的儲能容量優化的方法，但未充分考慮波動率及儲能系統的SOC，會出現一些時刻波動率不滿足并網的要求。

本文提出基于模糊變階經驗模態分解的儲能系統平滑風電功率的控制策略。基于經驗模態分解的方法，將風電功率信號分解成低頻信號和高頻信號。低頻信號作為并網功率信號；高頻信號作為儲能電池吸收功率信號，以平抑風電功率波動。由于EMD濾波器的階次選擇會直接影響確定的低頻信號和高頻信號，從而影響平滑風電出力的效果。提出采用平滑后波動率和儲能電池荷電狀態為約束條件下的模糊變階EMD的方法，該方案綜合波動率和SOC狀況，通過模糊決策在線調節EMD濾波階數，通過模糊自適應控制器，達到既能防止儲能系統出現過充和過放現象，保持儲能系統良好性能，又兼具較好的平滑風電輸出的效果。對比不同的風電功率平滑策略，仿真驗證本方法的有效性。

1 風電功率信號的經驗模態分解

1.1 風電功率的頻譜分析

風電場的功率變化與風速變化密切相關。風電場的風速特性表現為低頻變化占據的幅值成分較大，高頻變化的風速幅值較小[10]。因此，風電場功率信號的能量應主要集中在低頻部分。采用某49.5 MW風電場2010年半年的實際功率，采樣時間為1 min，對該數據進行快速傅里葉變換，得到幅頻特性曲線，如圖1所示。

由圖1可知，風電場功率的能量主要集中在低頻部分(0～10-4Hz)，高頻部分能量較低。根據頻域理論，如果保留其一定帶寬的低頻成分，重構后的功率信號將包含原功率信號的主要能量，而且重構后的信號在時域上的功率圖形將比原時域功率信號平滑。因此，本文將高頻功率信號作為儲能系統吸收功率的期望值，低頻功率信號作為風電并網的期望值。如何合理地分解風電場輸出功率的低頻信號和高頻信號，將影響風電功率的平滑效果，本文采用EMD方法將風電場輸出功率信號分解成高頻信號和低頻信號。

1.2 經驗模態分解的基本步驟

EMD分解方法是把原始信號分解成若干個固有模態函數(intrinsic mode function，IMF)和余量。固有模態函數必須滿足2個條件[11]：(1)在整個數據序列中，極值點的數量與過零點的數量必須相等，或最多相差不能超過1個；(2)在任一時間點上，信號的局部最大值和局部最小值定義的包絡平均值為0。這2個條件使分解得到的IMF是窄帶信號。

對于一個時間信號進行EMD分解的步驟如下。

(1)尋找信號的所有極大值和極小值，然后采用三次樣條插值算法分別獲得信號的上包絡線eupp(t)和下包絡線elow(t)，并計算出2條包絡線的平均值m1(t)為

(1)

(2)設變量x1(t)，令其為

x1(t)=x(t)-m1(t)

(2)

若公式(2)滿足IMF的2個條件，則可以將x1(t)作為第1個IMF分量，并記為c1(t)；否則作為原始信號，重復步驟(1)和步驟(2)，直到得到第1個IMF分量。

(3)計算剩余信號r1(t)=x(t)-c1(t)，把其作為新的信號，重復步驟(1)和步驟(2)，直到提取所有IMF分量。當剩余的信號為非振蕩的單調函數或小于預定值的常數時，認為分解完畢。原始的數據最終分解為n個IMF分量和1個剩余的rn(t)，即

(3)

1.3 風電功率信號的EMD分解

圖2為某風電場某日風電的實際功率，數據采樣間隔為1 min。

圖2 某風電場某日的風電實際功率曲線Fig.2 Curves of real power at a wind farm in a day

采用EMD對風電功率信號進行分解，得到各階IMF分量，如圖3所示。

圖3 基于EMD的風電功率信號分解曲線Fig.3 Curves of wind power signals decomposed by EMD

由圖3可知，IMF分量階數越高，則其所含瞬時頻率成分越低。使用EMD進行濾波時，將k階之后的所有IMF分量之和的低頻部分作為并網輸出功率，從第1階到第k階的IMF分量之和為高頻部分，由儲能電池吸收。其中，濾波階數k的取值將對平滑效果產生很大的影響。本文提出考慮平滑波動率和儲能電池SOC約束的模糊變階EMD的電池儲能平抑風電功率的算法。

2 基于模糊變階EMD的風電功率平滑策略

2.1 基于EMD的風儲聯合發電系統結構

利用電池儲能系統(battery energy storage system，BESS)平滑風電功率波動雖然會增加發電側的投資成本，但可以提高風力發電站功率輸出的穩定性，提高風電并網的穩定性和可調度性，減少因波動率過高而導致的棄風電量，給風電場帶來一定的效益。

本文采用經驗模態分解方法控制儲能系統的出力，平抑風電功率波動。圖4為典型的基于BESS的風力發電系統。Pw為t時刻的風電功率；Pbat為風電功率與平抑后系統輸出功率的差值；Psmooth為并網功率。BESS通過儲能并網逆變器接入電網，風電功率經過儲能系統平滑得到較為平滑的并網功率，從而增加風電并網的可靠性[12]。

圖4 基于BESS的風力發電系統Fig.4 Wind power generation system with BESS

2.2 基于模糊變階EMD濾波的風電功率平滑

利用EMD濾波，將低頻信號作為風電功率期望值，高頻信號作為儲能電池吸收功率期望值，可有效實現平滑風電功率輸出。本文提出一種基于模糊控制的方法，自適應調節EMD濾波階數的平滑功率方法，可以有效地平抑風電功率波動，并且較好地維持儲能電池荷電狀態的穩定。

圖5為儲能系統的控制策略。Pr為平抑后輸出功率。風電功率進行EMD分解，得到一系列固有模態函數和余量。基于分解結果，將平滑波動率、儲能電池SOC作為模糊控制的輸入，EMD濾波階數為輸出。根據濾波階數，通過模糊自適應控制器，確定下一時刻的平滑輸出結果[13]。

圖5 儲能系統控制策略Fig.5 Control strategy of BESS

EMD濾波階次調整策略如下。

儲能系統荷電狀態是衡量儲能系統是否正常運行的重要參數，荷電狀態計算公式為

CSOC,t=CSOC,t-Δt+PbatΔt/Cbat

(4)

式中：Cbat為所配置的儲能系統額定容量；Δt為采樣時間間隔；CSOC初始值為0.5。本文將BESS的SOC劃分為3個層次，分別為高、中、低。當SOC偏高時，若處在充電狀態下，則選擇較低的濾波階數，防止蓄電池儲能系統出現過度充電的狀況；若處在放電狀態下，則選擇較高的濾波階數，從而相對增大電池儲能系統的放電功率，加速其荷電狀態的降低，使之向著適中的荷電狀態變化，反之亦然。

平抑風電發電波動的主要目的是限制風電場輸出功率的變化率，本文的風電波動率計算公式為

(5)

式中：δ為10 min波動率；Pmax為10 min內風電平滑最大出力；Pmin為10 min內風電平滑最小出力；Ccap為風電場開機容量。將平滑波動率劃分為3個層次，分別為波動率大、中、小。當風電波動大的時候，則加大儲能平滑風電功率的力度，選擇較高的濾波階數，以達到盡可能減緩風電波動的目的；當風電波動小的時候，不需要大力平滑時，則選擇較小的濾波階數，減小儲能平滑風電功率出力，節約能源。

圖6為儲能系統的控制流程圖。其中T為對應需要平滑輸出個數；t為當前采樣點。

2.3 模糊控制器的設計

模糊控制器的作用就是根據平滑后波動率、電池的荷電狀態以及儲能電池充放電狀態得出合適的濾波階數，從而實時動態平抑風電輸出功率，維持儲能系統荷電狀態在正常工作區間，調節風電波動率大小[14-15]。

本文設計的模糊控制器具有雙輸入和單輸出。2個輸入分別為平滑后功率波動率和電池的荷電狀態，輸出為濾波階數值。

控制器的輸入和輸出必須經過模糊化后才能進行模糊推理運算，因此需首先建立輸入和輸出的模糊集和對應的隸屬度函數。模糊控制器的輸入模糊化過程所采用的隸屬度函數是常用的聯合高斯型隸屬函數和Sigmoid型隸屬函數。

本文中，平滑波動率采用模糊子集{NB,ZO,PB}分別表示當前風電系統的波動情況為{偏低，適中，偏高}。橫坐標為平滑波動率，范圍為0～0.4。縱坐標為隸屬度。儲能電池荷電狀態采用模糊子集{NB,ZO,PB}表示當前儲能系統荷電狀態值為{偏低，適中，偏高}。橫坐標為SOC值，縱坐標為隸屬度。輸入量的隸屬度函數如圖7、8所示。

圖6 儲能系統控制流程圖Fig.6 Control flow chart of BESS

圖7 平滑后功率波動率隸屬度函數Fig.7 Membership functions of power fluctuation rate after smoothing

該模糊控制的模糊推理與去模糊化過程采用Takagi-Sugeno型模糊推理系統使模糊推理與去模糊化相結合。輸出值為EMD濾波器的階次k，為防止濾波器階次動作過于頻繁，本文將模糊控制器輸出的濾波階次進一步化簡為3個值，分別為k-1、k和k+1。當模糊控制器的輸出取整后，濾波階次大于k時，

圖8 SOC隸屬度函數Fig.8 Member functions of SOC

其取整為k+1；當模糊控制器輸出取整后，濾波階次小于k時，其取值為k-1；當模糊控制器輸出取整后，濾波階次等于k時，其值取k。其中k是對風電功率數據進行EMD分解并計算其標準化模量累積均值得出的濾波階數基準值，計算公式為

(6)

3 仿真分析

以某裝機容量為49.5 MW的風電場2011年某日的實際運行數據為例，采樣間隔為Δt=1 min，T為1 440，采用儲能系統平抑其輸出功率波動。本文設定的風儲平滑波動率的最大目標波動率為10%。張北國家風光儲輸示范項目一期工程為100 MW風電配置20 MW的儲能系統，參考該示范項目的配置比例，設定仿真中儲能系統的額定功率為10 MW。本文研究平抑風電短時功率波動，設定儲能系統的額定時間為1 h，即儲能系統額定容量為10 MW·h。對風電功率數據進行EMD分解并計算其標準化模量累積均值。第5階IMF分量開始偏離0，因此，k=5。

圖9為平抑前后風電場并網功率曲線。從圖9可得，采用模糊變階EMD平滑后的風儲聯合輸出功率能夠很好地跟蹤平抑前的風電功率變化趨勢。圖10為儲能系統輸出功率。圖10展示通過儲能系統的及時充放電，有效保證了圖9中風儲平滑后功率的平抑效果。圖11為風電功率原始波動率。從圖11中可以看出，原始的風電波動率較大，大于10%的波動率占15.9%。圖12為采用模糊變階EMD平滑波動率，波動率很好地控制在10%以內，這表明本文提出的方案可以有效平抑風電功率波動。

圖9 平抑前后風電場并網功率曲線Fig.9 Grid-connected power curve of wind farm before and after smoothing

圖10 儲能系統輸出功率曲線Fig.10 Power output curve of of BESS

圖11 風電原始波動率曲線Fig.11 Original fluctuation rate curve of wind power

圖12 采用模糊變階EMD平滑波動率曲線Fig.12 Fluctuation rate curve with changing orders of fuzzy EMD filter

為進一步檢驗本文提出的方案的有效性，與僅考慮儲能SOC值變階EMD的平滑方法進行了仿真對比。僅考慮儲能SOC值變階EMD方法的變階原則為：當SOC值>0.7且處于充電狀態時或者當SOC值<0.3且處于放電狀態時，濾波階次取k-1；當SOC值>0.7且處于放電狀態時或者當SOC值<0.3且處于充電狀態時，濾波階次取k+1；其他情況，濾波階次取k=5。儲能SOC值約束上限為0.8，下限為0.2。圖13給出了儲能SOC值變階EMD的波動率。可以看出大于10%的波動率占5%，儲能SOC值變階EMD的平滑方法是以降低波動率指標為代價提高儲能電池壽命。而本文提出的控制策略，由于采用波動率和SOC為綜合約束條件下的模糊變階，其波動率全部控制在10%以內。

圖13 采用SOC約束變階EMD平滑方法的波動率曲線Fig.13 Fluctuation rate curve with changing orders of EMD filter using SOC constraints

圖14為分別采用儲能SOC值變階EMD平滑和模糊變階EMD平滑2種方法時，SOC值的仿真對比。在儲能容量配置固定的情況下，分別采用基于SOC約束變階EMD平滑方法以及模糊變階EMD平滑方法計算SOC值的變化情況。

圖14 兩種平滑方法SOC值對比Fig.14 SOC value comparison betwwen two smoothing methods

由圖14可以看出，基于SOC約束變階EMD平滑方法以及模糊變階EMD平滑方法，均可以使電池的SOC值穩定在0.2～0.8之間。但基于SOC約束變階EMD平滑方法，在750 min到1 100 min的時間范圍內，SOC值雖然穩定在0.2～0.8之間，但對應圖13的波動率，可以看出其波動率大于10%，即基于SOC約束變階EMD平滑方法是以增大波動率來換取SOC值的良好指標。而本文提出的模糊變階EMD平滑控制策略，由于考慮了SOC和波動率綜合約束變階，可使SOC和波動率指標同時達到較優，即保證SOC穩定在0.2～0.8，同時波動率限制在10%以內。

4 結 論

本文提出了一種平抑風電功率波動的方法，基于模糊經驗模態分解，將風電功率信號分解成低頻信號和高頻信號。將低頻信號作為風電場的并網功率；高頻信號由儲能電池吸收，以平抑風電功率波動。為較好地平滑風電波動率并且穩定儲能荷電狀態，將平滑后波動率和儲能電池荷電狀態作為約束條件，采用模糊自適應控制的方法，調節EMD濾波階數以平滑風電輸出。仿真分析驗證了本文所提控制策略的有效性。與采用SOC約束變階方法進行比較，平滑波動效果更好，可以將波動率控制在10%以內，減小了風電波動給電網帶來的影響，同時可以穩定儲能電池SOC，實現儲能系統性能指標和波動率指標的協調優化。

[1]中國電力科學研究院.風電場接入電力系統技術規定：GB/T 19963—2011 [S].北京：中國標準出版社，2012.

[2]程時杰，文勁宇，孫海順. 儲能技術及其在現代電力系統中的應用[J].電氣應用，2005，24(4)：1-6.

[3]張文亮，丘明，來小康. 儲能技術在電力系統中的應用[J].電網技術，2008，32(7)：1-9. ZHANG Wenliang，QIU Ming，LAI Xiaokang. Application of energy storage technologies in power grids[J] .Power System Technology，2008，32(7)：1-9.

[4]謝俊文，陸繼明，毛承雄，等.基于變平滑時間常數的電池儲能系統優化控制方法[J]. 電力系統自動化，2013，37(1)：96-102. XIE Junwen，LU Jiming，MAO Chengxiong，et al. Optimal control of battery energy storage system based on variable smoothing time constant[J]. Automation of Electric Power System，2013，37(1)：96-102.

[5]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.

[6]ESMAILI A, NOVAKOVIC B, NASIRI A, et al. A hybrid system of Li-Ion capacitors and flow battery for dynamic wind energy support[J]. IEEE Transactions on Industry Applications, 2013, 49(4): 1649-1657.

[7]張野，郭力，賈宏杰，等. 基于電池荷電狀態和可變濾波時間常數的儲能控制方法[J]. 電力系統自動化，2012，36(6)：34-38, 62. ZHANG Ye，GUO Li，JIA Hongjie，et al.An energy management method of hybrid energy storage system based on smoothing control[J].Automation of Electric Power Systems，2012，36(6)：34-38, 62.

[8]張坤，吳建東，毛承雄，等. 基于模糊算法的風電儲能系統的優化控制[J].電工技術學報，2012，27(10)：235-241. ZHANG Kun, WU Jiandong, MAO Chengxiong，et al.Optimal control of energy storage system for wind power generation based on fuzzy algorithm [J].Transactions of China Electrotechnical Society, 2012，27(10)：235-241.

[9]孟順，謝樺. 基于經驗模態分解的平滑可再生能源功率波動的儲能容量優化[J]. 電源學報，2014，5(5)：7-11, 18. MENG Shun，XIE Hua. Energy storage capacity optimization in smoothing renewable energy power fluctuation based on empirical mode decomposition[J]. Journal of Power Supply，2014，5(5)：7-11, 18.

[10]韓曉娟，陳躍燕，張浩, 等，基于小波包分解的混合儲能技術在平抑風電場功率波動中的應用[J].中國電機工程學報，2013，33(19)：8-13 HAN Xiaojuan，CHEN Yueyan，et al. Application of hybrid energy storage technology based on wavelet packet decomposition in smoothing the fluctuations of wind power [J]. Proceedings of the CSEE，2013，33(19)：8-13.

[11]孫暉.經驗模態分解理論與應用研究[D].杭州：浙江大學，2005. SUN Hui. Research on empirical mode decomposition theory and its application[D]. Hangzhou：Zhejiang University，2005.

[12]FLANDRIN P, RILLING G, GONCALVES P. Empirical mode decomposition as a filter bank[J]. IEEE Signal Processing Letters, 2004, 11(2): 112-114.

[13]張步涵，曾杰，毛承雄，等. 電池儲能系統在改善并網風電場電能質量和穩定性中的應用[J].電網技術，2006，30(15)：54-58. ZHANG Buhan，ZENG Jie，MAO Chengxiong，et al. Improvement of power quality and stability of wind farms connected to power grid by battery energy storage system[J]. Power System Technology. 2006，30(15)：54-58. [14]吳振威，蔣小平，馬會萌，等. 用于混合儲能平抑光伏波動的小波包-模糊控制[J]. 中國電機工程學報，2014，34(3)：317-324. WU Zhenwei，JIANG Xiaoping，MA Huimeng，et al. Wavelet packet-fuzzy control of hybrid energy storage systems for PV power smoothing[J]. Proceedings of the CSEE，2014，34(3)：317-324.

[15]LI X. Fuzzy adaptive Kalman filter for wind power output smoothing with battery energy storage system[J]. IET Renewable Power Generation，2012，6(5)：340-347.

(編輯 景賀峰)

Control Strategy of Smoothing Wind Power Output Using Battery Energy Storage System Based on Fuzzy Empirical Mode Decomposition

YANG Xiyun1, CAO Chao2, LI Xiangjun3, REN Jie1, GAO Feng1, WU Zihan1

(1.School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China; 2.Central Research Institute of Shanghai Electric Group Co. Ltd, Shanghai 200070, China; 3.China Electrical Power Research Institute, Beijing 100192, China)

To reduce the fluctuation rate of wind power and improve the reliability of grid, this paper proposes a control method of smoothing wind power output with battery energy storage system based on fuzzy empirical mode decomposition (EMD). Wind power is decomposed by EMD into two parts, the low-frequency part is used as wind power grid-connected value and the high-frequency part is stored by battery energy storage system (BESS). Taking the fluctuation rate of wind power output after smoothing and the state of charge (SOC) as constraints, the orders of EMD filter can be adaptively adjusted on-line based on fuzzy control method, which can smooth wind power fluctuation better through fuzzy adaptive controller. Compared with another energy storage system control strategies for smoothing wind power, the simulation results show that the proposed method can effectively smooth the fluctuation of winds power output and avoid the over-charging and over-discharging of energy storage system so as to keep SOC stable.

empirical mode decomposition (EMD); power smoothing; fuzzy control method; fluctuation rate; state of charge (SOC)

中央高校基本科研業務費專項資金資助項目(2015MS32)；北京市自然科學基金項目(4132061)；北京市科技新星計劃項目(Z141101001814094)；國家電網公司科技項目(DG71-14-046)

TM 71

A

1000-7229(2016)08-0134-07

10.3969/j.issn.1000-7229.2016.08.021

2016-04-29

楊錫運(1973)，女，博士，教授，主要研究方向為新能源發電技術；

曹超(1990)，男，碩士研究生，主要研究方向為新能源發電控制技術和儲能技術；

李相俊(1979)，男，博士，教授級高級工程師，主要研究方向為大規模儲能技術、新能源與分布式發電及電力系統分析；

任杰(1992)，男，碩士研究生，主要研究方向為新能源發電控制技術和儲能技術；

高峰(1976)，男，博士，講師，主要研究方向為新能源發電技術；

吳子晗(1990)，男，碩士研究生，主要研究方向為新能源發電技術。

Project supported by Fundamental Research Funds for the Central Universities(2015MS32)； Beijing Natural Science Foundation (4132061); Beijing New-star Plan of Science and Technology (Z141101001814094); Science and Technology Project of SGCC(DG71-14-046)