基于集合經驗模態分解的風電功率平抑研究

張 鈺, 張禮玨

(東北電力大學 電氣工程學院，吉林 吉林 132012)

基于集合經驗模態分解的風電功率平抑研究

張 鈺, 張禮玨

(東北電力大學 電氣工程學院，吉林 吉林 132012)

為減少風電功率波動，提高風電并網可靠性，提出一種基于集合經驗模態分解(ensemble empirical mode decomposition，EEMD)的電池儲能平抑風電功率方法。對于風電功率高頻分量，采用荷電狀態(state of charge，SOC)自適應調整移動步長的移動平均法控制算法對其平滑處理，同時避免電池過充過放。算例仿真結果表明，該方法可有效降低功率波動，從而提高系統運行穩定性。

集合經驗模態分解；風力發電；儲能系統；平抑功率；風電波動率

近年來，世界各地對能源需求量逐步增加，風能的利用及在電網中滲透率經歷了前所未有的增長。與此同時，風電功率輸出的間歇波動性對電網穩定運行帶來了許多挑戰[1-2]。國家對于風電功率波動偏離范圍進行了較為嚴格的限制[3]，因此，能否應用一個有效、經濟的方法減少風電不穩定輸出對電網的影響是關系風電發展的關鍵。

文獻[4-5]分別采用槳距角控制和風力機轉子慣性管理的方法。然而這兩種基于風電機組自身調節的方法以犧牲最大功率為前提，平抑控制能力受到機組自身制約，總體來說是不經濟的。隨著儲能技術的發展，有學者提出在風電場中配置一定容量的儲能設備，有效降低風電機組輸出功率的波動性，從而提高系統的穩定性[6]。文獻[7]基于風電功率預測精度及儲能能量約束，根據平滑需求提出了平抑風電功率波動的儲能系統運行控制策略，但該方法沒有考慮到荷電狀態，經常出現過沖過放，會影響電池性能。文獻[8]在一階低通濾波的基礎上加入儲能荷電狀態反饋和有功功率限幅環節，通過對逆變器控制，有效避免了電池的電壓偏離運行。文獻[9]為改善風儲混合系統的性能，提出應用電池荷電狀態的模糊邏輯控制方法，使電池SOC保持在預期的范圍內，并減少儲能系統的容量。為降低風電調度風險、提高風電并網滲透率，文獻[10]提出利用儲能平抑風電預測功率誤差區間的方法，并通過對幾種評價指標評估驗證其有效性。

本文通過對風電功率波動特性分析，提出應用集合模態分解法拆解風功率，將其分為高、低頻功率。采用SOC控制移動步長的移動平均法平抑高頻功率，考慮到低頻功率較為平滑，所以對其不做平抑。通過該控制策略可解決電池的過充過放，對風電功率波動也起到了顯著的效果。

1 風電功率的分解

1.1 集合經驗模態分解

集合經驗模態分解是對經驗模態分解(EMD)的一種改進，即對于分解出的固有模態分量中可能包含了不止一種模態的缺點進行優化。在經驗模態分解之前加入不同幅值的高斯白噪聲信號，根據高斯白噪聲序列可以抵消的原理，使其接近真實序列。將分解后得到的固有模態分量(IMF)的均值看作是真實分量。每個固有模態分量需要同時滿足以下兩種情況：1)信號的零點數和極值點數至多相差一個；2)局部極值點定義的包絡線均值為零。集合經驗模態可以把信號分解成若干個不同頻率不同幅值的IMF分量。

EEMD分解的具體步驟如下：

1)向原始數據序列x(t)中加入隨機高斯白噪聲序nj(t)，可得加入噪聲序列后的序列為

xj(t)=x(t)+knj(t)j=1,2…，M

式中：k為白噪聲的幅值，j為添加噪聲次數。

2)按照常規EMD步驟對xj(t)分解，得到多個IMF分量和一個剩余分量：

式中：ci,j和rn,j分別為第j次分解得到的第i個IMF分量和第j次分解的余量。

3)若j

4)對經過M次EMD分解的各分量計算均值：

1.2 風電功率的集合經驗模態分解

EEMD方法理論上可以應用于分解任何類型的時間序列信號，并具有處理非平穩和非線性數據的優勢。圖1為采樣間隔為15 min的某風電場數據，采樣點共673個。

圖2為風電功率經EEMD分解后的各頻分量。可以看出：分解得到的子序列頻率是從高到低依次排列的，振幅越低頻率越低。IMF1為瞬時頻率最高分量，波動最為明顯；IMF9為瞬時頻率最低分量，波動相對來說最為平緩。

圖1 風電場輸出功率曲線Fig.1 Wind farm output power curve

圖2 風電功率分解曲線Fig.2 Wind power decomposition curve

對于高頻分量由于其波動量較大采用平抑控制算法平滑處理，之后與原低頻分量疊加得到新的風電功率期望值。

2 基于EEMD的儲能平抑風電功率

2.1 風儲系統模型

本文提出的風儲系統包括風電機組、儲能裝置、能量調度單元(EMS)，如圖3所示，其中Ps為經儲能平抑后的風儲并網功率。

圖3 風儲系統為結構圖Fig.3 Wind storage system structure diagram

能量調度單元通過采集風電功率及儲能系統狀態，對該系統發出功率期望值Pref，期望值與風電機組輸出功率Pw的差值為儲能需要提供的功率Pess。在滿足儲能系統自身約束的同時，儲能完成對風電功率波動的平滑。

2.2 儲能系統平抑風電功率

對過去某一段時間的數據取算數平均值作為下一時刻的期望量，這種方法就是移動平均法(Moving Average Algorithm，MAA)，即

(1)

該方法計算量較小，迭代過程中可快速、準確地處理數據。由式(1)可以看出，步長M決定了該方法的平抑效果，一般情況下M取值范圍為2～100。M值越小，對于數據處理的精度越高，適合處理有突變和階躍性質的數據，能較好地給出曲線細節，但平滑度差；M值越大，數據平滑效果越明顯，適合處理變化趨勢單一，以及較多隨機變量的數據，但是可能造成結果與原始數據的偏離。所以要根據需求合理選擇步長。

圖4為儲能平抑風電功率波動控制策略框圖。風電功率由EEMD分解后，高頻風電分量隨著時間變化存在較大的波動，應用上述移動平均法進行平滑計算下一時刻風電輸出功率的預期值，預期值與實際高頻分量的差值即為應用儲能平抑部分。考慮到儲能自身運行限制，根據電池儲能裝置荷電狀態對移動平均法中移動步長進行優化控制。最后，將風電功率高頻量的平滑值與低頻值做和，便可得到經該策略輸出的總功率平滑值Ps。

圖4 控制框圖Fig.4 Control block diagram

電池儲能系統的荷電狀態是很重要的參數，表征著剩余電荷量在儲能裝置總容量的占比，表達式為

SOC(t)=SOC(t-Δt)+PbatΔt/Ebat

式中：Ebat為電池儲能的額定容量；△t為采樣間隔；SOC初始值設為0.5，運行限制不大于0.8或不小于0.2。本文將SOC劃分為三個等級分別為高、中、低。

當儲能SOC處于較高級別且需要充電時，需要減小式(1)中的移動步長和儲能充電量，以免出現過充或滿充；當需要放電時，需要增大移動步長，從而增加儲能對于風電的平抑效果，且滿足自身的特性約束。圖5為移動步長與SOC的關系框圖。

圖5 移動步長與SOC的關系Fig.5 Relationship between shift step length and SOC

3 算例分析

本文數據采集于某裝機容量為200 MW的風電場，采樣間隔為15 min，采樣點為673個。儲能電池的最大輸出功率和容量分別為60 MW和60 MW·h。

風電功率采用EEMD分解為9個不同頻率的分量，如圖2所示。IMF1～IMF5分量中波幅較大，為高頻分量，IMF6～IMF9中波幅較小，為低頻分量。將高頻分量擬合得到高頻分量曲線，由于低頻分量較為平緩，該曲線能反映出該組風電數據的波動，可以作為功率平抑目標。經過本文所提出的SOC確定移動步長的變步長移動平均法對高頻分量進行平抑處理，考慮儲能容量和平抑效果約束，初始移動步長M設為5。高頻分量平抑結果如圖6所示。

圖6 高頻分量平抑結果Fig.6 High frequency component smoothing result

圖7 儲能輸出功率Fig.7 Energy storage output power

儲能輸出功率如圖7所示。風電功率高頻期望值Pref與風電功率高頻實際值Pw之差即為儲能輸出功率指令值Pess。若Pess大于0，儲能系統充電；若Pess小于0，儲能系統放電。充放電模式下根據SOC不同，單獨調整移動步長。圖8為移動步長變化曲線。

根據控制策略，當SOC介于0.3～0.7之間時，M不發生改變，減少控制策略復雜性和計算。當SOC小于0.3或大于0.7時，根據充放電特性，儲能系統SOC決定移動步長的增減。圖9為采用本文提出的控制策略與傳統固定步長平抑方法的儲能電池SOC對比，顯然固定步長方法電池儲能SOC波動量相對較大，并且出現了過放現象，對于儲能系統的穩定和壽命都有所影響。若改變這種問題需要提供更大的儲能容量配置，投資成本和運行成本也會增大。根據充放電狀態不同，獨立自適應地改變移動步長，使得SOC較為穩定且避免了過沖過放現象，從而提高了儲能系統經濟性，達到平抑目的。

圖8 移動步長變化Fig.8 Shift step length change

圖9 兩種控制策略下儲能電池SOC對比Fig.9 Comparison of energy storage battery SOC under two control strategies

將高頻分量平抑結果與未作平抑的低頻分量疊加，如圖10所示。在保證風電功率原有運行方法的同時，對于波動量較大的功率值有較好的平滑。通過分析輸出功率波動率便可驗證該控制算法的有效性，平抑前后波動率對比如圖11所示。

式中：PN為風電場的額定容量；P(t)為t時刻風電功率輸出；F.Rwind為風電功率波動率。

應用本文提出控制算法后，風電功率波動率占比介于-5%～5%，由77.6%提高到90.6%，同時，功率輸出波動較大的部分明顯減少，如圖11所示。

圖10 平抑結果Fig.10 Smoothing result

圖11 波動率分析Fig.11 Volatility analysis

4 結 論

為降低風電并網波動，本文提出一種利用儲能平抑風電功率波動的方法。該方法應用EEMD將風電功率分解，利用儲能平抑高頻分量，根據電池SOC自適應調節移動步長。算例分析表明，該方法對風電功率平滑、穩定電池SOC效果明顯，并有效避免了電池的過充過放。

[1] 林衛星, 文勁宇, 艾小猛, 等. 風電功率波動特性的概率分布研究[J]. 中國電機工程學報, 2012, 32(1): 38-46. LIN Weixing, WEN Jinyu, AI Xiaomeng, et al. Probability density function of wind power variations[J]. Proceedings of the CSEE, 2012, 32(1): 38-46.

[2] 薛禹勝, 雷興, 薛峰, 等. 關于風電不確定性對電力系統影響的評述[J]. 中國電機工程學報, 2014, 34(29): 5029-5040. XUE Yusheng, LEI Xing, XUE Feng, et al. A review on impacts of wind power uncertainties on power systems[J]. Proceedings of the CSEE, 2014, 34(29): 5029-5040.

[3] GB/T19963-2011 風電場接入電力系統技術規定[S].北京: 中國標準出版社, 2012.

[4] UEHARA A, PRATAP A, GOYA T, et al. A coordinated control method to smooth wind power fluctuations of a PMSG-based WECS[J].IEEE Transactions on Energy Conversion, 2011, 26(2): 550-558.

[5] ABEDINI A, MANDIC G, NASIRI A. Wind power smoothing using rotor inertia aimed at reducing grid susceptibility[J]. International Journal of Power Electronics, 2008, 1(2): 227-247.

[6] ZHANG W L, QIU M, LAI X K. Application of energy storage technologies in power grids [J]. Power System Technology, 2008, 32(7):4.

[7] 李蓓, 郭劍波. 平抑風電功率的電池儲能系統控制策略[J]. 電網技術, 2012, 36(8): 39-43. LI Bei,GUO Jianbo. A control strategy for battery energy storage system to level wind power output[J]. Power System Technology, 2012, 36(8): 39-43.

[8] 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 Systems, 2013, 37(1):96-102.

[9] LI X, HUI D, WU L, et al. Control strategy of battery state of charge for wind/battery hybrid power system[C]//IEEE International Symposium on Industrial Electronics (ISIE). IEEE, 2010: 2723-2726.

[10] 嚴干貴, 馮凱翔, 劉嘉, 等. 基于風電功率預測誤差區間的儲能系統控制策略[J]. 儲能科學與技術, 2015, 4(4): 388-393. YAN Gangui,FENG Kaixiang,LIU Jia. et al. A control strategy for energy storage system based on wind power prediction error interval[J]. Energy Storage Science and Technology, 2015, 4(4): 388-393.

(編輯 侯世春)

Research on wind power smoothing based on ensemble empirical mode decomposition (EEMD)

ZHANG Yu, ZHANG Lijue

(College of Electrical Engineering, Northeast Dianli University, Jilin 132012, China)

In order to reduce wind power wave and improve the reliability of wind power integration, wind power smoothing method of a kind of battery energy storage is proposed based on ensemble empirical mode decomposition (EEMD). As to the wind power high frequency component, the moving average method, a kind of control algorithm that can make an adaptive adjustment to shift step length in a state of charge (SOC) is used to process smoothly and to avoid the battery overcharge and discharge. The results of example simulation show that this method can effectively reduce power fluctuations, thereby improving the system’s running stability.

ensemble empirical mode decomposition (EEMD); wind power; energy storage system; smoothing power; wind power volatility

2016-12-28；

2017-03-22。

張 鈺(1992—)，女，碩士研究生，研究方向為風電并網控制。

TK81

A

2095-6843(2017)03-0199-05