考慮風(fēng)電最大效益的混合儲(chǔ)能雙層平抑控制模型

摘 要：針對風(fēng)電場配置混合儲(chǔ)能平抑風(fēng)電波動(dòng)場景進(jìn)行研究，以滿足并網(wǎng)要求為前提考慮風(fēng)電場最大效益，提出建立一種基于共振稀疏分解（RSSD）與改進(jìn)的具備自適應(yīng)噪聲的完全集成經(jīng)驗(yàn)?zāi)B(tài)分解（ICEEMDAN）的自適應(yīng)RSSD-ICEEMDAN混合儲(chǔ)能平抑-配置雙層規(guī)劃模型。上層以風(fēng)電并網(wǎng)功率變量最小、儲(chǔ)能出力最小及儲(chǔ)能充放電平衡為目標(biāo)函數(shù)，采用自適應(yīng)RSSD求解出混合儲(chǔ)能充放電總控制功率，通過ICEEMDAN對混合儲(chǔ)能充放電總控制功率進(jìn)行分解并根據(jù)均值法原則分配蓄電池和超級電容器控制功率，為實(shí)現(xiàn)效益最大化，對分配結(jié)果進(jìn)行二次修正。在上層的基礎(chǔ)上建立下層以凈效益最大、混合儲(chǔ)能波動(dòng)最小及混合儲(chǔ)能充放電效果最佳為目標(biāo)函數(shù)的混合儲(chǔ)能最優(yōu)容量配置模型，上下層相互制約實(shí)現(xiàn)滿足并網(wǎng)要求的同時(shí)達(dá)到最大效益，通過多目標(biāo)人工蜂鳥算法對最佳配置進(jìn)行尋優(yōu)求解。通過對新疆某20 MW風(fēng)電場進(jìn)行仿真分析，對所提模型的合理性、有效性及經(jīng)濟(jì)性進(jìn)行驗(yàn)證。

關(guān)鍵詞：風(fēng)力發(fā)電；混合儲(chǔ)能系統(tǒng)；平抑功率波動(dòng)；儲(chǔ)能容量配置；共振稀疏分解

中圖分類號(hào)：TM614 " 文獻(xiàn)標(biāo)志碼：A

0 引 言

由于風(fēng)力發(fā)電的間歇性和隨機(jī)性，大規(guī)模集中式的風(fēng)電開發(fā)和并網(wǎng)會(huì)對電網(wǎng)運(yùn)行產(chǎn)生較大影響［1］。將儲(chǔ)能技術(shù)視為推動(dòng)未來電網(wǎng)進(jìn)步的核心要素之一，利用儲(chǔ)能手段來減緩風(fēng)電并網(wǎng)過程中的波動(dòng)現(xiàn)象，是當(dāng)前研究的一個(gè)重要趨向［2］。

為滿足國家電網(wǎng)頒布的風(fēng)電并網(wǎng)功率波動(dòng)限制條件，最關(guān)鍵的是通過合理的方法對風(fēng)電功率波動(dòng)進(jìn)行平抑。常采用電池儲(chǔ)能系統(tǒng)（battery energy storage system，BESS）平抑風(fēng)電波動(dòng)?；跒V波原理的平抑方法在近期研究中應(yīng)用較為廣泛。文獻(xiàn)［3］采用小波包分解求解出直接并網(wǎng)功率和BESS作用功率。但與BESS相比，采用混合儲(chǔ)能系統(tǒng)（hybrid energy storage system，HESS）能實(shí)現(xiàn)較優(yōu)的平抑效果，從而提升并網(wǎng)經(jīng)濟(jì)效益，具有更高的研究價(jià)值［4］。文獻(xiàn)［5］采用小波分解得到HESS的控制功率。小波分解的分解層數(shù)基于自主確定，主觀因素大，易對儲(chǔ)能配置結(jié)果產(chǎn)生較大影響。利用HESS平抑風(fēng)電功率波動(dòng)中儲(chǔ)能各自控制功率分配最為關(guān)鍵，文獻(xiàn)［6］采用經(jīng)驗(yàn)?zāi)B(tài)分解將HESS作用功率分配給能量型儲(chǔ)能和功率型儲(chǔ)能。經(jīng)驗(yàn)?zāi)B(tài)分解具有模態(tài)混疊、端點(diǎn)效應(yīng)及停止條件難判斷等缺點(diǎn)，易在功率分配中產(chǎn)生較大影響。文獻(xiàn)［7］采用完全集合經(jīng)驗(yàn)?zāi)B(tài)分解負(fù)荷序列，但完全集合經(jīng)驗(yàn)?zāi)B(tài)分解存在偽模態(tài)等問題，而改進(jìn)的具備自適應(yīng)噪聲的完全集成經(jīng)驗(yàn)?zāi)B(tài)分解（improved complete ensemble EMD with adaptive noise，ICEEMDAN）有效解決了模態(tài)混疊、殘余噪聲等問題［8］。

儲(chǔ)能容量的配置尤為關(guān)鍵，儲(chǔ)能容量的大小決定了儲(chǔ)能控制策略的實(shí)施效果。儲(chǔ)能容量配置的研究以單目標(biāo)和多目標(biāo)來進(jìn)行區(qū)分，文獻(xiàn)［7］根據(jù)儲(chǔ)能系統(tǒng)成本年值最優(yōu)原則實(shí)現(xiàn)混合儲(chǔ)能的功率分配和容量配置，文獻(xiàn)［9］以日收益最大為單目標(biāo)實(shí)現(xiàn)儲(chǔ)能配置模型的建立。以上文獻(xiàn)采用單目標(biāo)函數(shù)來實(shí)現(xiàn)風(fēng)電平抑及儲(chǔ)能容量配置。文獻(xiàn)［10］以日均運(yùn)行成本和平抑波動(dòng)為目標(biāo)，實(shí)現(xiàn)風(fēng)功率波動(dòng)平抑和儲(chǔ)能配置。總體而言，實(shí)現(xiàn)儲(chǔ)能容量的最佳配置需充分考慮各方面因素，從而實(shí)現(xiàn)效益最大化。

為實(shí)現(xiàn)儲(chǔ)能容量的最佳配置，本文在已有相關(guān)研究的基礎(chǔ)上，基于文獻(xiàn)［11］提出的共振稀疏分解（resonance-based sparse signal decomposition，RSSD），建立基于自適應(yīng)RSSD的混合儲(chǔ)能平抑-配置層規(guī)劃模型。以實(shí)現(xiàn)并網(wǎng)功率變量最小、儲(chǔ)能出力最小及儲(chǔ)能充放電平滑為目的搭建上層——平抑層模型，通過自適應(yīng)RSSD與ICEEMDAN求解蓄電池（storage battery，SB）和超級電容器（super capacitor，SC）各自充放電參考控制功率，將上層求解結(jié)果以約束形式嵌入下層——配置層形成雙層相互制約，以風(fēng)電場日凈效益最大、混合儲(chǔ)能波動(dòng)最小及混合儲(chǔ)能充放電效果最佳為目標(biāo)函數(shù)，通過多目標(biāo)人工蜂鳥算法［12］（multi-objective artificial hummingbird algorithm，MOAHA）進(jìn)行混合儲(chǔ)能容量最佳配置，實(shí)現(xiàn)平抑-配置雙層最優(yōu)控制。

1 基于自適應(yīng)RSSD-ICEEMDAN的混合儲(chǔ)能平抑-配置雙層規(guī)劃模型

以符合國家標(biāo)準(zhǔn)的并網(wǎng)風(fēng)功率為目標(biāo)，同時(shí)考慮混合儲(chǔ)能的充放電平衡約束及出力最小約束，利用自適應(yīng)RSSD分解求解出并網(wǎng)參考風(fēng)功率以及混合儲(chǔ)能總充放電控制功率；利用ICEEMDAN［13］對HESS充放電控制功率進(jìn)行分解，依據(jù)均值法原則對SB和SC充放電控制功率進(jìn)行分配；在此基礎(chǔ)上制定混合儲(chǔ)能控制策略，考慮混合儲(chǔ)能日均運(yùn)行成本及實(shí)際并網(wǎng)效果，從而確定最佳混合儲(chǔ)能容量配比，以此為總框架，建立雙層規(guī)劃模型。

2 基于自適應(yīng)RSSD-ICEEMDAN的上層混合儲(chǔ)能平抑規(guī)劃模型

本文采用自適應(yīng)RSSD-ICEEMDAN平抑風(fēng)電功率波動(dòng)，通過得到的混合儲(chǔ)能總功率控制指令求解出SB和SC各自的功率控制指令與其作用域。

2.1 自適應(yīng)RSSD-ICEEMDAN模型建立

RSSD［11］是依據(jù)沖擊信號(hào)和諧波信號(hào)的品質(zhì)因子Q大小的不同，對復(fù)雜信號(hào)進(jìn)行RSSD分解，從而獲得高品質(zhì)因子[Q1]和低品質(zhì)因子[Q2]，再通過形態(tài)分量分析，挑選出符合的[Q1]、[Q2]、冗余因子r、分解層數(shù)D，得到對應(yīng)的小波基函數(shù)[S1]和[S2]。調(diào)節(jié)品質(zhì)因子小波變換得到對應(yīng)的最優(yōu)稀疏矩陣，并產(chǎn)生由小波基函數(shù)[S1]、[S2]和系數(shù)矩陣W1、W2構(gòu)成的高、低共振分量[S1W1]、[S2W2]，其目標(biāo)函數(shù)為：

[J（W1，W2）=x-S1W1-S2W222+λ1W1+λ2W2] （1）

2.1.1 MOAHA優(yōu)化RSSD

共振稀疏分解中，[Q1]、[Q2]、r、D是RSSD的關(guān)鍵參數(shù)，其中[Q1]、[Q2]決定最終信號(hào)分解的小波波形，符合每分鐘風(fēng)電允許并網(wǎng)波動(dòng)不超過裝機(jī)容量的10%的低頻信號(hào)組成低品質(zhì)因子，不符合直接并網(wǎng)條件的高頻信號(hào)組成高品質(zhì)因子。冗余因子增大，會(huì)使小波頻率響應(yīng)的重疊度增加，從而導(dǎo)致分解級數(shù)增加。本文采用多目標(biāo)人工蜂鳥算法求解RSSD中雙品質(zhì)因子?；贛OAHA求解RSSD雙品質(zhì)因子流程如圖2所示。

2.1.2 基于自適應(yīng)RSSD-ICEEMDAN的作用功率求解

本文利用自適應(yīng)RSSD分解將原始信號(hào)分為高、低共振分量，以低共振分量作為并網(wǎng)參考功率[Pout（t）]進(jìn)而得到混合儲(chǔ)能的電池荷電狀態(tài)（state of charge，SOC）變化，其平抑示意圖如圖3所示，數(shù)學(xué)模型為：

[Pout（t）=PZ（t）-PES（t）=S2W2] （2）

[SesOC（t）=SesOC（0）+T·PES（t）Ees] （3）

式中：[PZ（t）]——[t]時(shí)刻風(fēng)電場實(shí)際輸出功率，MW；[PES（t）]——[t]時(shí)刻混合儲(chǔ)能總控制功率，MW；[S2W2]——通過自適應(yīng)RSSD分解后的低共振分量；[SesOC（t）]——[t]時(shí)刻混合儲(chǔ)能的荷電狀態(tài)；[SesOC（0）]——混合儲(chǔ)能的初始荷電狀態(tài)；[T]——混合儲(chǔ)能控制周期；[Ees]——混合儲(chǔ)能額定容量，MWh。

經(jīng)過ICEEMDAN分解后得到由高到低各頻率的IMF分量，通過式（4）計(jì)算各分量的瞬時(shí)頻率的均值[Mi]，再以式（5）求解出的[v]為分頻界限，從而得到如式（6）所示SB與SC各自的充放電控制功率。

[Mi=avt=1lMr，t] （4）

[v=avi=1gMi] （5）

[Pxk=∑MlowPck=∑Mhigh] （6）

式中：[Mr，t]——第[r]個(gè)分量的第[t]時(shí)刻瞬時(shí)頻率；av——求取平均值；[Pxk]——SB控制功率作用域，MW；[Pck]——SC控制功率作用域，MW；[Mlow]——低于各分量瞬時(shí)頻率均值的分量；[Mhigh]——高于各分量瞬時(shí)頻率均值的分量。

由于ICEEMDAN分解后會(huì)產(chǎn)生不可分解殘差，如式（7）所示使得到的SB和SC充放電控制功率總和與混合儲(chǔ)能總控制功率不等，需在功率分配后進(jìn)行二次修正，從而達(dá)到完全功率補(bǔ)償。

[PES（t）=Pxk（t）+Pck（t）+rk] （7）

2.2 計(jì)及并網(wǎng)功率變量最小、儲(chǔ)能出力最小及充放電平衡數(shù)學(xué)模型

本文在滿足符合風(fēng)電功率并網(wǎng)要求的同時(shí)，實(shí)現(xiàn)并網(wǎng)功率變量[?1]最小和儲(chǔ)能出力[?2]最小及充放電平衡[?3]，建立平抑層目標(biāo)函數(shù)為：

[J=min?1+min?2+?3] （8）

[?1=i=1q-1Pout（t+i+1）-Pout（t+i）2] （9）

[?2=i=1qPxk（t+i）+Pck（t+i）2] （10）

[?3=i=1qSesOC（t+i）-SesOC（0）2] （11）

式中：[Pout（t+i+1）]——[t+i+1]時(shí)刻的并網(wǎng)功率，MW；[Pout（t+i）]——[t+i]時(shí)刻的并網(wǎng)功率，MW；[SesOC（t+i）]——[t+i]時(shí)刻的混合儲(chǔ)能荷電狀態(tài)；[q]——功率控制長度。

在自適應(yīng)RSSD-ICEEMDAN模型中平抑風(fēng)電功率波動(dòng)需考慮SB與SC的充放電上下限、SB與SC的充放電深度以及符合風(fēng)電場并網(wǎng)要求的波動(dòng)上下限，基于以上需求建立約束條件：

[-Pxk_max（t+i）≤Pxk（t+i）≤Pxk_max（t+i）-Pck_max（t+i）≤Pck（t+i）≤Pck_max（t+i）] （12）

[Ses_minOC（t+i）≤SesOC（t+i）≤Ses_maxOC（t+i）] （13）

[Pout（t+i+1）-Pout（t+i）Prate≤δ] （14）

式中：[Pxk_max（t+i）]——[t+i]時(shí)刻SB最大控制功率，MW；[Pck_max（t+i）]——[t+i]時(shí)刻SC最大控制功率，MW；[Ses_minOC（t+i）]、[Ses_maxOC（t+i）]——[t+i]時(shí)刻混合儲(chǔ)能的最小、最大荷電狀態(tài)；[Pout（t+i+1）-Pout（t+i）]——當(dāng)前時(shí)刻的并網(wǎng)功率變量，MW；[Prate]——風(fēng)電場額定功率，MW；[δ]——風(fēng)電功率波動(dòng)的限值。

3 基于MOAHA的下層容量配置規(guī)劃模型

建立下層容量配置規(guī)劃模型，以自適應(yīng)RSSD-ICEEMDAN求解出的SB和SC各自充放電控制功率和其對應(yīng)的充放電控制策略為約束，同時(shí)考慮混合儲(chǔ)能各自的SOC狀態(tài)與當(dāng)前可充放電功率。本文采用MOAHA算法對3個(gè)目標(biāo)函數(shù)進(jìn)行多次求解，得到最符合的SB和SC容量，利用已得到的參數(shù)求解出混合儲(chǔ)能各自的實(shí)際出力。

3.1 計(jì)及風(fēng)電場凈效益、混合儲(chǔ)能充放電波動(dòng)及充放電效果數(shù)學(xué)模型

本文在滿足上層模型要求的同時(shí)，兼顧風(fēng)電場凈效益最大、混合儲(chǔ)能充放電波動(dòng)最小及混合儲(chǔ)能充放電效果最佳，建立MOAHA優(yōu)化目標(biāo)函數(shù)。

[J=maxJ1+minJ2+minJ3] （15）

式中：[J1]——第1個(gè)目標(biāo)函數(shù)，表示風(fēng)電場凈效益；[J2]——第2個(gè)目標(biāo)函數(shù)，表示混合儲(chǔ)能充放電波動(dòng)；[J3]——第3個(gè)目標(biāo)函數(shù)，表示混合儲(chǔ)能充放電效果。

考慮儲(chǔ)能循環(huán)壽命，建立儲(chǔ)能成本指標(biāo)。用冪函數(shù)來表征儲(chǔ)能循環(huán)壽命［14］，即：

[Nlife=N0·（Dcyc）-kp] （16）

[Neq=i=1nN0·（Dcyc（i））-kp] （17）

[x=N0Neq] （18）

式中：[Nlife]——在第i次充放電循環(huán)后，儲(chǔ)能設(shè)備達(dá)到最終的使用壽命循環(huán)次數(shù)；[N0]——電池在經(jīng)歷完全放電至深度并隨后完全充電的完整循環(huán)過程中，直至其達(dá)到使用壽命極限的總循環(huán)次數(shù)；[kp]——曲線擬合參數(shù)；[Dcyc]——電池實(shí)際循環(huán)放電深度；[Neq]——第[i]次儲(chǔ)能等效循環(huán)次數(shù)；x——儲(chǔ)能等效日循環(huán)壽命。

風(fēng)電場凈效益中考慮儲(chǔ)能壽命、儲(chǔ)能成本、上網(wǎng)效益與補(bǔ)貼、并網(wǎng)通道建設(shè)成本。建立目標(biāo)函數(shù)為：

[J1=maxCrich] （19）

[Crich=C1+C2-C3-C4-C5-C6] （20）

[C1=σ1·（C3+C5）C2=（η1+η2+η3）·t=1nEes（t）C3=z·（1+z）xx（1+z）xx-1·C3，x+z?（1+z）xc（1+z）xc-1·C3，cC4=z·（1+z）xx（1+z）xx-1·μ1·Erate，x+z?（1+z）xc（1+z）xc-1·μ2·zErate，cC5=θ1·（Erate，x+Erate，c）C6=Bc·max0，max（Pout（t））-max（Pout（t）-Pes（t））]

（21）

[C3，x=Cp，xinv·Prate，x+Ce，xinv·Erate，xC3，c=Cp，cinv·Prate，c+Ce，cinv·Erate，c] （22）

式中：[Crich]——風(fēng)電場凈效益，元；[C1]——儲(chǔ)能回收值，元；[C2]——儲(chǔ)能補(bǔ)償并網(wǎng)效益和補(bǔ)貼，元；[C3]——儲(chǔ)能初始投資成本，元；[C4]——儲(chǔ)能維護(hù)成本，元；[C5]——儲(chǔ)能輔助成本，元；[C6]——并網(wǎng)通道建設(shè)成本，元；[σ1]——回收殘值率，一般取3%～5%；[η1]、[η2]、[η3]——單位功率下的風(fēng)電上網(wǎng)價(jià)格、風(fēng)電補(bǔ)貼及儲(chǔ)能補(bǔ)貼，元/kW；[Ees（t）]——[t]時(shí)刻時(shí)混合儲(chǔ)能實(shí)際充放電量，MWh；[z]——年利率；[xx]、[xc]——SB和SC等效日循環(huán)壽命；[C3，x]、[C3，c]——SB和SC的初始投資成本，萬元；[μ1]、[μ2]——SB和SC單位容量維修成本，元/kWh；[Erate，x]、[Erate，c]——SB和SC的額定容量，MWh；[θ1]——單位容量的輔助成本，元/kWh；[Bc]——并網(wǎng)通道單位功率造價(jià)，元/kW；[Cp，xinv]、[Cp，cinv]——SB和SC單位功率成本，元/kW；[Ce，xinv]、[Ce，cinv]——SB和SC單位容量成本，元/kWh；[Prate，x]、[Prate，c]——SB和SC額定功率，MW。

考慮混合儲(chǔ)能充放電波動(dòng)［15］，建立荷電狀態(tài)最佳區(qū)間［0.45， 0.55］，就此建立儲(chǔ)能充放電波動(dòng)最小目標(biāo)函數(shù)，即：

[J2=min（Sx，δOC+Sc，δOC）] （23）

其中：

[Sx，δOC=i=1nSx，avgOC（i）-0.55， SxOC（i）gt;0.550， 0.45≤SxOC（i）≤0.55i=1n0.45-Sx，avgOC（i）， SxOC（i）lt;0.45] （24）

式中：[Sx，δOC]——SB的充放電波動(dòng)；[Sx，avgOC（i）]——SB使用期間內(nèi)平均荷電狀態(tài)。SC的充放電波動(dòng)計(jì)算方法同SB，這里不再贅述。

儲(chǔ)能系統(tǒng)在任何[i]時(shí)刻進(jìn)行充放電都必須滿足其SOC約束，即：

[Sx_minOC≤SxOC（i）≤Sx_maxOC] （25）

[Sc_minOC≤ScOC（i）≤Sc_maxOC] （26）

式中：[Sx_minOC]、[Sc_minOC]——SB和SC的荷電狀態(tài)最小值；[Sx_maxOC]、[Sc_maxOC]——SB和SC的荷電狀態(tài)最大值。

考慮混合儲(chǔ)能充放電效果，以混合儲(chǔ)能充放電效果最佳建立目標(biāo)函數(shù)，即：

[J3=min（λx+λc）] （27）

其中：

[λx=i=1nPxk（i）-Px_time（i），Pxk（i）≥Px_time（i）i=1nPx_time（i）-Pxk（i），Px_time（i）gt;Pxk（i）] （28）

式中：[λx]——SB的充放電功率偏差值；[Px_time（i）]——SB第[i]時(shí)刻充放電功率，MW。SC的充放電功率偏差值計(jì)算方法同SB，這里不再贅述。

儲(chǔ)能系統(tǒng)充放電功率必須滿足的約束為：

[Pes_time（i）=Px_time（i）+Pc_time（i）] （29）

[0≤ηxc?Px_time（i）≤Pxk（i）， Pxk（i）gt;0Pxk（i）≤Px_time（i）ηxr≤0， Pxk（i）lt;0] （30）

[0≤ηccPc_time（i）≤Pck（i）， Pck（i）gt;0Pck（i）≤Pc_time（i）ηcr≤0， Pck（i）lt;0] （31）

式中：[Pes_time（i）]——任意[i]時(shí)刻實(shí)際混合儲(chǔ)能總充放電功率，MW；[ηxc]、[ηxr]——SB充放電效率；[ηcc]、[ηcr]——SC充放電效率。

SB和SC的額定容量約束［10］為：

[Exs=λx·ηxc， Px_time（i）gt;0λxηxr， Px_time（i）lt;0+Ex，0] （32）

[Erate，x≥maxExsSx_maxOC-Sx_minOC] （33）

[Erate，c≥maxEcsSc_maxOC-Sc_minOC] （34）

式中：[Exs]——SB的容量在調(diào)度周期內(nèi)最大剩余值，MWh；[Ex，0]——SB的初始容量，MWh。SC的最大剩余值計(jì)算方法同SB，這里不再贅述。

3.2 基于混合儲(chǔ)能容量最佳配置模型求解算法

選擇SB和SC作為混合儲(chǔ)能，其容量配置屬于一個(gè)非線性求解問題，包含多目標(biāo)與多變量，需要結(jié)合上層模型的輸出以及下層模型的約束進(jìn)行多方面求解，本文將優(yōu)化變量定義為SB和SC所需配置的容量，通過選取合適的多目標(biāo)優(yōu)化算法進(jìn)行變量尋優(yōu)，實(shí)現(xiàn)最佳容量配置。

本文基于上層模型所求解出的結(jié)果嵌入MOAHA算法中，實(shí)現(xiàn)上層與下層相互制約。其中算法實(shí)現(xiàn)流程如圖4所示。

4 仿真分析

4.1 上層模型控制功率求解結(jié)果

選取2023年新疆某風(fēng)電場的風(fēng)電功率實(shí)測數(shù)據(jù)（采樣時(shí)間為1 d，采樣周期為5 min）驗(yàn)證本文方法的有效性和適用性，在Matlab中進(jìn)行仿真分析，并選擇表1中通過尋優(yōu)后得到的不同高、低品質(zhì)因子進(jìn)行驗(yàn)證。

為實(shí)現(xiàn)提前控制的目的，當(dāng)高品質(zhì)因子[Q1]和低品質(zhì)因子[Q2]分別為4.8082、1.6032時(shí)效果最佳。表2為搭建模型時(shí)輸入的參數(shù)。結(jié)合表2所示模型輸入?yún)?shù)，根據(jù)上層模型中所建立的目標(biāo)函數(shù)及約束條件，對目標(biāo)函數(shù)進(jìn)行二次規(guī)劃求解，得到混合儲(chǔ)能總控制功率曲線如圖5所示。

4.2 自適應(yīng)RSSD-ICEEMDAN模型求解結(jié)果

采用自適應(yīng)RSSD-ICEEMDAN模型對混合儲(chǔ)能總控制功率[PES]進(jìn)行分解，SB充放電控制功率、SC充放電控制功率及濾波前后混合儲(chǔ)能充放電功率如圖6所示。由圖6可知，濾波后的混合儲(chǔ)能充放電控制功率不能完全契合濾波前混合儲(chǔ)能充放電控制功率?？紤]到實(shí)際應(yīng)用場景及上層的目標(biāo)函數(shù)與各項(xiàng)約束，對于濾波后的混合儲(chǔ)能充放電控制功率進(jìn)行校正，由于SC的成本遠(yuǎn)高于SB，故由SB進(jìn)行功率校正控制（如圖7所示），從而達(dá)到風(fēng)電場凈效益最大化的目的。

4.3 下層模型最佳配容求解結(jié)果

通過上層得到SB和SC各自充放電控制功率后，將混合儲(chǔ)能控制策略代入MOAHA算法中，求解以[J1]最大、[J2]最小及[J3]最小為目標(biāo)函數(shù)的SB和SC最佳儲(chǔ)能容量配置。通過多次實(shí)驗(yàn)分析得到，當(dāng)設(shè)定MOAHA算法迭代次數(shù)600次、存儲(chǔ)數(shù)據(jù)為100時(shí)，可求解出HESS中SB和SC的最佳容量配置。其中，有關(guān)SB和SC混合儲(chǔ)能系統(tǒng)的相關(guān)參數(shù)如表3所示。

在上層自適應(yīng)RSSD-ICEEMDAN模型中，基于實(shí)際應(yīng)用的考慮將并網(wǎng)波動(dòng)設(shè)定為10%。利用MOAHA求解出滿足3個(gè)目標(biāo)的Pareto解集如圖8所示，得到如表4所示SB和SC最佳容量配置，其中優(yōu)先混合儲(chǔ)能充放電效果與波動(dòng)量。

由表4可看出，當(dāng)SB容量配1.69 MWh和SC配1.00 MWh時(shí)，能滿足下層中3個(gè)目標(biāo)函數(shù)的要求，且在此情況下達(dá)到混合儲(chǔ)能充放電效果最大化（0為混合儲(chǔ)能充放電效果最佳）。將求解結(jié)果代入控制策略中，得到SB和SC荷電狀態(tài)波動(dòng)范圍如圖9所示，可知荷電狀態(tài)波動(dòng)處于設(shè)定區(qū)間內(nèi)，即配置結(jié)果合理。

4.4 模型對比

為驗(yàn)證采用SB和SC方案得出的循環(huán)壽命優(yōu)于單一儲(chǔ)能方案，將3個(gè)目標(biāo)函數(shù)代入單一儲(chǔ)能方案中進(jìn)行對比，得到容量配置與運(yùn)行壽命結(jié)果如表5所示，進(jìn)而得到單一儲(chǔ)能與混合儲(chǔ)能實(shí)際充放電狀態(tài)如圖10所示。

由表5和圖10可知，單一儲(chǔ)能方案中，要想實(shí)現(xiàn)良好的補(bǔ)償效果則會(huì)給SB帶來過多的負(fù)荷，加速SB的壽命損失，本文采用的混合儲(chǔ)能方案在實(shí)現(xiàn)完全補(bǔ)償風(fēng)電并網(wǎng)功率的前提下，有效減少了單一儲(chǔ)能所帶來的SB充放電次數(shù)過多的情況，從而增加了儲(chǔ)能的使用壽命達(dá)到減少成本的目的。

為驗(yàn)證在下層中采用MOAHA算法求解3個(gè)目標(biāo)函數(shù)的優(yōu)越性，將目標(biāo)函數(shù)、約束條件及控制策略分別代入MOSSA算法和MOALO算法中進(jìn)行求解，得到混合儲(chǔ)能容量配置中各項(xiàng)參數(shù)求解結(jié)果如表6所示。

由表6可知，相對于MOAHA算法求解的結(jié)果，MOSSA與MOALO算法求解出的SB和SC容量大于MOAHA算法，采用MOAHA配置的混合儲(chǔ)能容量能使3個(gè)目標(biāo)函數(shù)結(jié)果均優(yōu)于MOSSA算法與MOALO算法，且MOAHA算法優(yōu)化時(shí)間小于MOSSA算法與MOALO算法。

5 結(jié) 論

為降低風(fēng)電功率波動(dòng)對風(fēng)電并網(wǎng)的影響，本文提出基于自適應(yīng)RSSD-ICEEMDAN的平抑-配置雙層規(guī)劃模型用以解決風(fēng)電功率波動(dòng)和混合儲(chǔ)能容量配置問題，得到如下主要結(jié)論：

1）利用實(shí)測數(shù)據(jù)通過自適應(yīng)RSSD模型進(jìn)行求解，得到滿足并網(wǎng)要求且達(dá)到效益最大化的混合儲(chǔ)能總充放電控制功率。

2）混合儲(chǔ)能總充放電控制功率通過ICEEMDAN算法進(jìn)行分解，根據(jù)均值法原則，對SB和SC進(jìn)行功率分配，為實(shí)現(xiàn)濾波前后混合儲(chǔ)能總充放電控制功率相互契合進(jìn)行了校正，從而得到滿足上層目標(biāo)函數(shù)與約束的SB和SC的充放電控制功率。

3）將上層求解出的結(jié)果嵌入構(gòu)建的下層模型中，利用MOAHA算法求解得到滿足最大凈效益、最小波動(dòng)量及最佳效果3個(gè)目標(biāo)函數(shù)的容量配置，通過實(shí)際算例仿真對比，驗(yàn)證了本文方案的優(yōu)越性。

［參考文獻(xiàn)］

［1］ 馬偉， 喬穎， 謝麗蓉， 等. 考慮氣象特征波動(dòng)劃分閾值的雙目標(biāo)短期風(fēng)功率預(yù)測［J］. 高電壓技術(shù)， 2022， 48（10）： 4154-4162.

MA W， QIAO Y， XIE L R， et al. Short-term wind power prediction with dual targets considering the threshold of meteorological characteristic fluctuation partition［J］. High voltage engineering， 2022， 48（10）： 4154-4162.

［2］ 賀鴻杰， 張寧， 杜爾順， 等. 電網(wǎng)側(cè)大規(guī)模電化學(xué)儲(chǔ)能運(yùn)行效率及壽命衰減建模方法綜述［J］. 電力系統(tǒng)自動(dòng)化， 2020， 44（12）： 193-207.

HE H J， ZHANG N， DU E S， et al. Review on modeling method for operation efficiency and lifespan decay of large-scale electrochemical energy storage on power grid side［J］. Automation of electric power systems， 2020， 44（12）： 193-207.

［3］ 張雯雯， 魏震波， 郭毅， 等. 含混合儲(chǔ)能的交直流配電網(wǎng)日經(jīng)濟(jì)優(yōu)化運(yùn)行［J］. 高電壓技術(shù)， 2022， 48（2）： 565-576.

ZHANG W W， WEI Z B， GUO Y， et al. Optimal daily economic operation of AC/DC distribution network with hybrid energy storage［J］. High voltage engineering， 2022， 48（2）： 565-576.

［4］ 賈兆昊， 張峰， 丁磊. 考慮功率四象限輸出的配電網(wǎng)儲(chǔ)能優(yōu)化配置策略［J］. 電力系統(tǒng)自動(dòng)化， 2020， 44（2）： 105-113.

JIA Z H， ZHANG F， DING L. Optimal allocation strategy of energy storage in distribution network considering power four-quadrant output［J］. Automation of electric power systems， 2020， 44（2）： 105-113.

［5］ 何俊強(qiáng)， 師長立， 馬明， 等. 基于元模型優(yōu)化算法的混合儲(chǔ)能系統(tǒng)雙層優(yōu)化配置方法［J］. 電力自動(dòng)化設(shè)備， 2020， 40（7）： 157-167.

HE J Q， SHI C L， MA M， et al. Bi-level optimal configuration method of hybrid energy storage system based on meta model optimization algorithm［J］. Electric power automation equipment， 2020， 40（7）： 157-167.

［6］ 劉海濤， 許倫， 郝思鵬， 等. 基于配電網(wǎng)分區(qū)的分布式混合儲(chǔ)能優(yōu)化方法［J］. 電力自動(dòng)化設(shè)備， 2020， 40（5）： 137-145.

LIU H T， XU L， HAO S P， et al. Optimization method of distributed hybrid energy storage based on distribution network " "partition［J］. " "Electric " "power " "automation equipment， 2020， 40（5）： 137-145.

［7］ ZHANG W J， HUANG W. Multivariate load prediction method for integrated energy system based on CEEMD-LSTM［J］. IOP conference series： earth and environmental science， 2021， 772（1）： 012055.

［8］ COLOMINAS M A， SCHLOTTHAUER G， TORRES M E. Improved complete ensemble EMD： a suitable tool for biomedical " signal " processing［J］. " Biomedical " signal processing and control， 2014， 14： 19-29.

［9］ 馬玲， 魏成偉， 謝麗蓉， 等. 基于退役動(dòng)力電池的風(fēng)儲(chǔ)有功功率協(xié)調(diào)控制策略［J］. 太陽能學(xué)報(bào)， 2021， 42（10）： 437-443.

MA L， WEI C W， XIE L R， et al. Coordinated control strategy for wind storage active power of decommissioned power battery［J］. Acta energiae solaris sinica， 2021， 42（10）： 437-443.

［10］ 馬蘭， 謝麗蓉， 葉林， 等. 基于混合儲(chǔ)能雙層規(guī)劃模型的風(fēng)電波動(dòng)平抑策略［J］. 電網(wǎng)技術(shù)， 2022， 46（3）： 1016-1029.

MA L， XIE L R， YE L， et al. Wind power fluctuation suppression strategy based on hybrid energy storage bi-level programming model［J］. Power system technology， 2022， 46（3）： 1016-1029.

［11］ SELESNICK I W. Resonance-based signal decomposition： a new sparsity-enabled signal analysis method［J］. Signal processing， 2011， 91（12）： 2793-2809.

［12］ ZHAO W G， ZHANG Z X， MIRJALILI S， et al. An effective multi-objective artificial hummingbird algorithm with dynamic elimination-based crowding distance for solving " "engineering " "design " "problems［J］. " "Computer methods in applied mechanics and engineering， 2022， 398： 115223.

［13］ TORRES M E， COLOMINAS M A， SCHLOTTHAUER G， et al. A complete ensemble empirical mode decomposition with " "adaptive " "noise［C］//2011 " "IEEE " "International Conference on Acoustics， Speech and Signal Processing （ICASSP）. Prague， Czech Republic， 2011： 4144-4147.

［14］ 葛玉友， 尚策. 壽命約束的儲(chǔ)能規(guī)劃［J］. 中國電機(jī)工程學(xué)報(bào)， 2020， 40（19）： 6150-6161.

GE Y Y， SHANG C. Energy storage planning constrained by its life［J］. Proceedings of the CSEE， 2020， 40（19）： 6150-6161.

［15］ 卞一帆， 謝麗蓉， 魯宗相， 等. 基于多主體投資的雙儲(chǔ)能系統(tǒng)分層優(yōu)化配置方案［J］. 電力系統(tǒng)自動(dòng)化， 2023， 47（1）： 63-73.

BIAN Y F， XIE L R， LU Z X， et al. Multi-agent investment based hierarchical optimal configuration scheme for dual energy storage system［J］. Automation of electric power systems， 2023， 47（1）： 63-73.

HYBRID ENERGY STORAGE TWO-LAYER SMOOTHING CONTROL MODEL CONSIDERING MAXIMUM BENEFIT OF WIND POWER

Liu Xin，Xie Lirong，Ma Lan，Ye Jiahao，Bian Yifan，Cui Chuanshi

（Engineering Research Center of Renewable Energy Power Generation and Grid-Connected Technology，

Ministry of Education （Xinjiang University）， Urumqi 830047， China）

Abstract：This paper studies the scenario of wind farm deploying hybrid energy storage to smooth wind power fluctuations， considers the maximum benefit of wind farms on the premise of meeting the grid-connection requirements， and proposes to establish an adaptive RSSD-ICEEMDAN hybrid energy storage smoothing-configured two-layer planning model based on the resonance sparse decomposition （RSSD） and the improved fully-integrated empirical modal decomposition with adaptive noise （ICEEMDAN）， and to establish a two-layer planning model for wind farm configuration hybrid energy storage smoothing-configured two-layer planning model. The upper layer takes the minimum wind power grid-connected power variable， the minimum energy storage output and the balance of energy storage charging and discharging as the objective function， solves the total control power of hybrid energy storage charging and discharging with adaptive RSSD， decomposes the total control power of hybrid energy storage charging and discharging with ICEEMDAN， and distributes the control power of battery and supercapacitor according to the principle of the mean value method. The distribution result is corrected twice in order to achieve the maximization of the benefit. On the basis of the upper layer， the optimal capacity allocation model of hybrid energy storage is established in the lower layer with the objective function of maximizing the net benefit， minimizing the fluctuation of hybrid energy storage and optimizing the charging and discharging effect of hybrid energy storage， and the upper and lower layers are mutually constrained to achieve the maximum benefit while meeting the requirements of the grid connection， and the optimal configuration is solved by the multi-objective artificial hummingbird algorithm for optimal searching. The rationality， validity and economy of the proposed model are verified by simulation analysis of a 20 MW wind farm in Xinjiang.

Keywords：wind power generation； hybrid energy storage system； smoothing power fluctuations； storage capacity allocation； resonant sparse decomposition