来源：《中国电力》2024年第11期
引文：王海燕, 钱林宇. 基于NGO-VMD的混合储能功率分配策略[J]. 中国电力, 2024, 57(11): 119-128.
风力发电因其清洁、高效的特点在全世界得到了广泛应用，但是与传统能源相比，风力发电易受天气影响具有波动性和随机性，导致输出功率波动。因此，为提高并网稳定性采取在风电场配置混合储能系统的方式确保电网可靠运行。利用高效的混合储能系统 （hybrid energy storage system，HESS）功率分配策略解决风电并网时的功率波动具有重要意义。《中国电力》2024年第11期刊发了王海燕等撰写的《基于NGO-VMD的混合储能功率分配策略》一文。文章提出了一种新型混合储能功率分配策略，以解决风电有功功率波动问题。首先，依据中国风电场的并网规定，采用自适应平均滤波法对风电功率进行滤波，获得并网规定的风电功率，并计算出储能系统需平抑的波动功率。然后，结合北方苍鹰（northern goshawk optimization，NGO）算法以及储能系统功率数据的特点选择适应度函数，采用NGO-VMD优化参数值[K, α]，并将优化后的参数值代入VMD算法进行功率信号分解。基于HESS的锂电池及超级电容器的工作特性，采用希尔伯特（Hilbert）变换得到边际谱并确定混合储能功率的低频分量与高频分量，从而实现HESS功率初次分配。最后，采用双输入单输出的双重模糊控制对储能充放电功率进行修正，实现SOC优化管理的HESS功率二次分配。
为解决风电场并网时的功率波动影响电网稳定性的问题，提出一种基于北方苍鹰（northern goshawk optimization，NGO）算法优化变分模态分解（variational mode decomposition，VMD）参数的混合储能功率分配策略。首先，按照风电场并网技术规范，采用自适应平均滤波法对风力发电功率进行滤波，并由滤波后的并网功率计算出波动功率。然后，采用NGO优化VMD算法中分解模态数K值和二次惩罚因子α值的最优值组合，将波动功率信号经VMD分解后实现在锂电池和超级电容器的功率分配，最后，采用双重模糊控制对混合储能系统（hybrid energy storage system，HESS）的荷电状态（state of charge，SOC）进行优化，完成HESS功率的二次分配。仿真结果表明，该控制策略不仅能够满足风电并网最大功率波动要求，还可以保持SOC维持在合理范围，实现HESS长期安全运行。功率分配策略以含HESS的风储发电系统为研究对象，由风电系统、锂电池和超级电容组成的HESS、电网和控制器4个部分构成，并网结构如图2所示，其中控制器根据HESS的功率分配策略控制电力电子变换器的启动、停止及运行。风电功率经过混合储能功率分配策略平抑后给电网供电，从而维持风储发电系统的稳定运行。
![]()
Fig.2 Wind storage power generation system
图2中：Pw(t)为风力发电系统输出功率；Pb(t)和Psc(t)为锂电池和超级电容的输出功率；Pgrid(t)为风电功率滤波后的并网功率；![]()
为实际并网修正功率；储能系统需平抑功率Phess(t)为中国风电场并网技术标准如表1所示，要求装机容量30 MW 以下风电场1 min 内有功功率变化最大限值小于3 MW，10 min 内有功功率变化最大限值小于10 MW。采用自适应平均滤波法能自适应对Pw(t)平滑得到并网功率Pgrid(t)，根据式（12）计算出Phess(t)，具体平滑过程如图3所示。
Table 1 Maximum value of active power variation of wind farm![]()
![]()
Fig.3 Flow chart of adaptive average filtering
根据NGO优化VMD得出的参数组合可以将Phess(t)按频率由低到高分解出IMF，对分解的IMF进行Hilbert变换生成边际谱图，通过观察边际谱图判断高低频界限，结合储能元件特性，将低频功率分量作为锂电池须平抑的分量，其余功率分量分配给超级电容器，具体计算式为
由于风力发电的不确定性较强，将所需平抑的波动功率分配给储能系统进行平抑，优化了对时间和功率尺度的波动效应。然而，仅基于NGO-VMD分解得到的储能功率没有考虑储能元件的容量问题，可能导致储能在实际运行中SOC充放电超过极限，不仅缩短储能装置的寿命，而且影响最终的平滑性能。在此基础上，采用储能双重模糊控制，对充电过程进行精确管理，修正混合储能的充放电功率，使超级电容器和电池的SOC保持在合理范围内，确保储能元件不出现功率越限，以延长使用寿命，整体的控制策略如图4所示。
![]()
Fig.4 Hybrid energy storage control strategy
图4中，首先通过NGO-VMD将t时刻的混合储能的原始功率Phess(t)分解，根据各储能装置的特点，锂电池获得低频功率分量，超级电容器获得高频功率，得到锂电池功率指令Pb(t)和超级电容功率指令Psc(t)。添加双模糊控制优化混合储能SOC，并对分配的储能功率进行二次修正，模糊控制器1获得修正的超级电容器充放电功率![]()
模糊控制器2获得修正的锂电池充放电功率![]()
最终经过双模糊控制后的修正并网功率为![]()
以控制超级电容器的模糊控制器1举例，以t时刻的超级电容器变化量ΔSOCsc(t)作为输入1，取值[–1, 1]，可根据ΔSOCsc(t)的正负判断当前时刻超级电容器处于充电还是放电状态，结合变化量以0.1为间隔设置模糊域为{–1、–0.9、–0.8、–0.7、–0.6、–0.5、–0.4、–0.3、–0.2、–0.1、0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1}，其模糊子集设置为{NB、NM、NS、PS、PM、PB}，表示超级电容器的荷电偏差为{负高、负中、负小、正小、正中、正高}。以t–1时刻的超级电容器的荷电状态SOCsc(t−1)作为的输入2，取值为[0, 1]，将输入范围划分成不同的模糊子集，结合荷电状态SOC以0.1为间隔设置模糊域为{0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1}，模糊子集为{NB、NS、ZO、PS、PB}，表示t–1时刻超级电容器SOC{非常低、较低、适中、较高、非常高}。以超级电容器的功率校正系数k1作为输出。由于超级电容器容量较小，易过充过放，故设置输入范围为[0, 1]，将输出范围划分成不同的模糊子集，结合功率校正系数以0.1为间隔设置模糊域为{0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1}，模糊子集为{NB、NM、NS、PS、PM、PB}，表示校正系数k1 {非常低、很低、较低、较高、很高、非常高}。制定模糊控制器1的模糊控制规则和隶属度函数如表2和图5所示。
Table 2 Fuzzy control rules for supercapacitors![]()
![]()
Fig.5 Membership function of fuzzy controller 1
采用双重模糊控制的超级电容须平抑功率![]()
锂电池须平抑功率![]()
和实际并网修正功率![]()
的计算式分别为
模糊规则的设计遵循以下原则：当SOCsc(t)较小，需要在下一个时刻放电，或当SOCsc(t)较大，需要在下一个时刻充电，则减少对超级电容器的充放电，并分配一部分电力给锂电池。若ΔSOCsc(t)是NB且ΔSOCsc(t−1)是PB，则k1是PM。该规则表示若时刻tΔSOCsc负高（NB）且t–1时刻SOCsc非常高（PB），根据模糊控制规则，设定功率调节系数k1为很高（PM），表示超级电容荷电状态很高，加速放电速度从而提高超级电容使用效率，并由锂电池补偿功率修正部分。本文采用某地25 MW风电场为案例风电场，该风电场采用“一机一变”的单元接线方式，由7台3.3 MW和1台1.9 MW容量的机组组成，采样周期为1 min，共采样1000个数据，锂电池的额定容量为1.88 MW·h，额定功率为2.72 MW，锂电池SOC为0.1~0.9；超级电容额定容量为1.06 MW·h，额定功率为1.27 MW，超级电容SOC范围为0.2~0.8。在Matlab中进行仿真分析，结合风电场并网技术规定，确定满足有功功率变化最大限值的自适应平均滤波法的窗口为5。平滑前后的并网功率对比如图6所示，1 min功率变化最大值从4.72 MW下降至2.63 MW，10 min功率变化最大值从11.45 MW下降至9.23 MW。经过对比可得，平滑前1 min和10 min的有功功率变化值均超过最大限制，而经过平滑后的风电功率既能满足并网要求的有功功率变化最大限值，还能跟踪风电功率，并减轻HESS的负担。
![]()
Fig.6 Comparison of wind power before and after smoothing
为验证NGO-VMD的优越性，采用NGO和遗传算法（genetic algorithm，GA）对VMD参数进行优化，对比结果如图7 a)所示，NGO算法在第6次寻得最小适应度值1613.82，而GA在第13次寻得最小适应度值1613.88；采用NGO优化VMD得[K, α]=[5,1779]，GA优化VMD得[K, α]=[9,1279]，将分解的IMF进行Hilbert变换得到边际谱图如图7 b) c)所示，GA优化所得边际谱图中出现了过分解，具有一定模态混叠且较难判断高低频分量的分界。仿真结果表明，NGO算法较GA更易于跳出局部最优，在求解速度和计算精度方面均优于GA。
![]()
Fig.7 Comparison of NGO and GA iterative calculations
为验证VMD的优势，采用EMD和CEEMD与VMD进行对比试验，EMD和CEEMD分解无须事先设定参数，得到边际谱如图8所示。从图8可以看出，EMD分解出现过分解以及严重模态混叠现象，CEEMD使模态混叠现象得到一定缓解但仍较难直观体现高低频分界。VMD分解模态区分显著，分布均匀规律，在图7 b)中0.01 Hz频率点处不同频率混叠部分最少，因此以0.01 Hz为高低频分量的分界，小于此频率的功率分量由锂电池平抑，剩余的高频分量由超级电容器进行平抑，完成HESS功率初次分配，验证了VMD算法的优势，保证了混合储能初级分配的合理性前提。
![]()
Fig.8 Spectral analysis of EMD and CEEMD
为验证双重模糊控制策略的有效性，对比未进行模糊控制情况和采用改变滤波时间常数的低通滤波法，结果如图9所示。以锂电池为例，在未进行模糊控制时SOC为0.31~0.96；在采用低通滤波法后的SOC为0.37~0.91，均超过了锂电池设定的SOC正常工作区间（0.1~0.9），导致锂电池过充，使锂电池加速老化影响寿命；在采用模糊控制后锂电池SOC为0.38~0.87，储能元件的荷电状态得到优化，如表3所示，双重模糊控制使储能元件均保持在合理荷电状态区间内，功率型储能元件和能量型储能元件在特性上进行优势互补，同时对各储能元件的SOC均进行了优化管理，延长了储能元件的使用寿命，验证了双重模糊控制二次功率分配的优势和必要性。
![]()
Fig.9 Comparison of energy storage element control
Table 3 SOC after fuzzy control![]()
图10为经过双重模糊控制修正后并网功率1 min和10 min的变化值，采用双重模糊控制的储能元件由于容量限制，将不能平抑的小部分波动功率交由电网消纳，得出实际并网修正功率![]()
最后校验并网修正功率1 min和10 min功率变化最大限制为2.89 MW和9.71 MW，满足中国风电场并网技术标准。最终验证了本文控制策略既发挥了混合储能系统优势，同时也满足并网标准，确保风电并网的稳定性。
![]()
图10 模糊控制后并网功率1 min和10 min有功功率变化值
Fig.10 Changes in active power after 1 minute and 10 minutes of grid connection with fuzzy control为平抑波动功率提高风电并网稳定性，本文提出NGO优化VMD算法结合双重模糊控制实现HESS的功率分配。经过仿真算例分析，得到以下结论。1）采用自适应平均滤波法对风电功率滤波，得到符合风电场并网标准的风电功率。2）采用NGO算法优化VMD参数，结合混合储能功率数据特点，选择能量熵作为适应度函数，经过仿真试验对比，NGO算法相较于遗传算法收敛速度提升了约53.85%，并且提高了计算精度，有效避免陷入局部最优解，迭代优化得到最优参数组合[5,1779]。最终利用VMD分解Phess(t)有效改善了EMD和CEEMD分解产生的模态混叠现象。3）采用双重模糊控制维持锂电池SOC为0.38~0.87，超级电容器SOC为0.24~0.75，保证了HESS系统工作在合理SOC区间，最终经过二次功率分配后1 min和10 min波动功率分别为2.89 MW和9.71 MW，满足风电场有功功率变化最大限制。本文在平抑风电功率波动和电池保护方面取得较好效果满足并网要求，但没有从经济角度考虑储能的成本以及负荷侧的影响，后续工作将进一步研究增加光伏并网配置储能装置，并考虑负荷侧同时满足新能源并网标准和经济性要求的容量配置问题，与能量管理系统中的其他功能相辅相成，高效管理微电网与配网间的能量交换，实现分布式能源的最大利用。
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。
