計及新能源消納的風力發電機械儲能裝置控制

孟子涵，胡 靜，黃碧斌，馮凱輝

（國網能源研究院有限公司，北京 102209）

現階段，全球能源需求迅速增長，對于環境污染、能源供求以及能源結構問題的討論熱度越來越高，大力開發綠色環保能源已成為社會共識，我國已將能源發展重點逐漸轉移到以環保為核心的清潔能源上。風能作為新能源的一種，憑借其綠色環保、分布廣泛、蘊量巨大等優勢，受到各國的廣泛關注。我國非常重視風能的開發，對于風電裝機需求十分大。然而，在對風電進行大力開發的同時，風能的反調峰性、間歇性、隨機性等問題對于電網的不利影響越來越突出，對電網的穩定運行與調度造成了嚴重干擾，成為了制約風電產業發展的問題。風力發電儲能裝置的價格比較昂貴，容量受限，大范圍推廣比較困難，需要盡量延長其使用壽命。在儲能裝置的運行中，需要嚴格控制儲能裝置的荷電狀態，使其保持在安全范圍內，因此需要制定風力發電儲能裝置的控制策略。對于風力發電儲能裝置控制問題的研究，已經吸引了眾多學者，文獻[1]設計了一種基于虛擬同步發電機的協調控制方法，文獻[2]提出了基于超級電容器儲能與轉子動能的協調頻率控制方法。但是以上方法在應用中存在儲能越限問題，不能讓儲能裝置荷電狀態保持在安全范圍內，本文提出了一種新型風力發電儲能裝置控制方法，實現儲能裝置的優化功率控制。

1 儲能裝置控制

1.1 儲能裝置2 階RC 模型的參數改進

設計風力發電儲能裝置的改進2 階RC 模型，在改進2 階RC 模型中，通過控制電壓源與固定電容的串聯，保證風力發電儲能裝置的穩定性[3]。

改進的2 階RC 模型由3 個支路構成，第一個支路是自放電電路，該電路的電阻為Rc。具體計算公式如下：

式中：E1表示儲能裝置額定電壓；Iα表示漏電流[4]。

第二個支路是電壓自調整支路，該電路主要包含電阻Ra和電容D1，能夠對電壓狀態進行調整[5]。

電阻Ra的計算公式具體如下：

式中：χ1表示時間常數。

電容D1的計算公式如下：

式中：D2表示第三個支路的固定電容；D（s）表示儲能裝置端電壓函數。

第三個支路是瞬時支路，該電路主要包含了電壓源U1（f）、固定電容D2、等效內阻Rb，主要用于對充放電時風力發電儲能裝置的外部特性進行描述[6]。

電壓源U1（f）主要考慮了儲能裝置端電壓對于電容值的影響，其表達式如下：

式中：Ua表示U1（f）與D2的串聯電壓；s 表示儲能裝置端電壓[7]。

當恒流充電時，固定電容D2滿足以下公式：

式中：T 表示固定電容D2的帶電量；Uc表示固定電容D2的電壓；I1表示固定電容D2的電流[8]。

等效內阻Rb的計算公式具體如下：

式中：ΔG 表示充電瞬時電壓突變 值；Iβ表示充電電流[9]。

就此完成風力發電儲能裝置充放電模型的構建，并根據構建模型實施風電功率超短期預測。

1.2 風電功率超短期預測

基于IGA-ANFIS 算法設計風電功率超短期預測模型，得到風電功率超短期預測結果，具體實現步驟如下：

（1）通過主成分分析對發電機數據進行降維處理，降低數據冗余度，提升模型計算速度，并避免發生過擬合情況；

（2）通過集合經驗模態分解方法對降維后數據實施頻域分解，降低數據的非平穩性，具體步驟如下：

步驟1：疊加白噪聲序列（服從正態分布）與初始風電信號，構建一個新序列，用X（f）表示；

步驟2：求取X（f）的所有極值點，利用Spline插值方式獲取X（f）的上曲線與下曲線，結果分別用K1（f）與K2（f）表示；

步驟3：令下式成立：

式中：g1（f）表示多個尺度本征模態函數分量[10]。當g1（f）不滿足上式，重新執行上一個步驟，直到上式成立。

通過滿足條件的g1（f）計算剩余分量，具體如下式：

步驟4：重復上述步驟對信號m1（f）進行分解處理，直至信號不能夠進一步被分解，獲取分解后的信號，具體如下式：

式中：gj（f）表示經過j 次分解后所得到的信號；δ 表示分級總次數；mj（f）表示經過j 次重構后的信號[11]。

重復執行以上步驟，以此獲取IMF 分量，并計算其均值，將其作為初始風電信號對應的IMF 分量[12]。

（3）通過IGA-ANFIS 算法搭建構成風電功率超短期預測模型，該算法結合了改進遺傳算法（IGA）和模糊推理系統（ANFIS），使預測模型能夠更好地實現樣本特征適應，預測模型具體如下式：

式中：Qq，j（v）表示v 時刻第j 個預測結果[13]。

1.3 儲能裝置控制

分析功率變化對風力發電儲能裝置充放電功率的影響，根據超短期預測結果和實際2 階RC 模型荷電狀態計算功率。結合功率計算結果調整SOC合理區域、預過充區域、預過放區域、過充區域以及過放區域[14]的充放電功率，實現風力發電儲能裝置控制。功率計算公式如下：

式中：Pi表示全網負荷功率；Pj表示風力發電機2 階RC 出力；Pk表示預測接入功率。

基于功率情況，對SOC 合理區域內的新能源進行充分消納，對其按照實際功率實施充放電，進行調整，其功率情況具體如下式：

式中：Na（z）表示調整后儲能裝置的功率；NA（z）表示儲能裝置原始功率；NAmin表示儲能裝置的最小功率；NAmax表示儲能裝置的最大功率[15]。

對于預過充區域，為使新能源能夠被充分消納，以實際荷電狀態和功率計算結果為依據，不調整其放電功率，但需要限制其充電功率。選用功率限制函數對充電功率進行降低。調整后其功率情況具體如下式：

式中：ζ（NA（z））表示Na（z）的功率限制函數。

對于預過放區域，由于該區域的SOC 水平較低，為使新能源能夠被充分消納，以實際荷電狀態和功率計算結果為基礎設置放電功率調整策略。調整后其功率情況具體如下式：

對于過充區域，為使新能源能夠被充分消納，結合新能源功率對于該區域功率變化進行調整，這一過程中功率情況具體如下式：

對于過放區域，為使新能源能夠被充分消納，以實際荷電狀態和新能源功率計算結果為依據對正常功率實施充電，而不進行放電。調整后其功率情況具體如下式：

通過以上控制策略實現風力發電儲能裝置各區域的控制。

2 算例分析

2.1 實驗方法設計

選取某風電場某日的600 個樣本點，對設計的計及新能源消納的風力發電儲能裝置控制方法的應用效果進行分析。根據樣本點數據構建該日儲能裝置充放電模型，通過設計的預測模型實施該風力發電功率超短期預測。實驗所用風力發電儲能裝置如圖1 所示。

圖1 實驗所用風力發電儲能裝置Fig.1 Wind power energy storage device used in the experiment

首先實施數據降維處理，此時風電數據的貢獻率與特征值具體如下：

（1）風速：貢獻率：39.52；特征值：2.5866；

（2）溫度：貢獻率：25.47；特征值：1.5247；

（3）風向：貢獻率：19.52；特征值：0.9451；

（4）濕度：貢獻率：15.47；特征值：0.8695；

（5）氣壓：貢獻率：3.62；特征值：0.3587。

由于濕度、風向、溫度、風速的貢獻率都大于10%，選取這4 個變量當做后續預測模型的輸入。

通過EEMD 對降維處理后的數據實施頻域分解，其中風速的分解情況如圖2 所示。

圖2 EEMD 風速分解結果Fig.2 EEMD wind speed decomposition results

其中圖2（a）是原始風速信號，圖2（b）、圖2（c）、圖2（d）表示3 個IMF 信號，圖2（e）是剩余分量。說明利用本文方法能夠將信號分解為多個不同的分量，分解效果好。

根據濕度、風向、溫度、風速的EEMD 分解結果，通過IGA-ANFIS 算法對風電功率進行預測，預測結果如圖3 所示，預測周期為24 h。

圖3 預測結果Fig.3 Prediction results

最后利用設計的儲能裝置控制策略調整其5個區域的充放電功率，實現風力發電儲能裝置控制。

2.2 測試結果分析

測試指標為實際并網功率的MAE、RMSE 降低情況以及儲能裝置的越限時間。

2.2.1 實際并網功率指標的MAE、RMSE 降低情況

首先測試3 種方法相較于不進行控制也就是普通運行情況的并網功率指標的MAE、RMSE 降低情況。具體測試情況如圖4 所示。

圖4 實際并網功率指標測試結果Fig.4 Test results of actual grid connected power indicators

根據上圖的測試結果可知，相較于普通運行情況，所提方法并網功率指標的MAE、RMSE 降幅最大，降幅值均在0.1 kW 上下浮動。而文獻[1]方法、文獻[2]方法相較于普通運行情況，并網功率指標MAE、RMSE 也有一定程度的降低，但降幅值均低于所提方法。說明該方法能夠進一步實現計劃功率偏差的降低，能夠令風力發電儲能裝置保持較好的荷電狀態。

2.2.2 越限時間測試情況

測試3 種方法的在24 h 內的越限時間，測試結果如表1 所示。

表1 越限時間測試結果Tab.1 Results of time out of limit test

測試結果表明，所提方法能夠有效避免風力發電儲能裝置的儲能越限，在采樣點數量不斷增長的情況下，其越限時間一直為0，而文獻[1]方法、文獻[2]方法均存在越限情況，并且越限時間比較長，說明所提方法有利于提升風力發電儲能裝置的工作年限，實際應用效果好。

3 結語

風力發電儲能裝置為風電并網質量的提高提供了一個契機，控制風力發電儲能裝置對于儲能裝置利用效率的提升有重大意義，因此設計了一種計及新能源消納的風力發電儲能裝置控制方法，實現了儲能裝置不越限自動化控制的同時，降低了并網功率指標，有效解決了當前方法存在的并網功率指標的MAE、RMSE 降幅小，且儲能越限問題嚴重的問題。但是在實驗中并未對該方法的風力發電儲能裝置控制效率進行驗證，所以實驗設計還存在一定的缺陷，因此下一步需要對該方法的風力發電儲能裝置控制效率進行檢驗，以此改善該方法存在的不足之處，最大程度提升風力發電儲能裝置控制效果。