基于小波包分頻的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)風(fēng)電功率平抑策略

劉樹偉，李 欣，王 紅，韓 偉，胡 月，張海寧，張宇寧

(1.河北民族師范學(xué)院物理與電子工程學(xué)院，河北 承德 067000；2.國(guó)網(wǎng)冀北電力有限公司承德公司，河北 承德 067000；3.國(guó)網(wǎng)冀北電力有限公司北京超高壓公司，北京 102488)

0 引 言

近年來(lái)國(guó)家對(duì)碳中和的高度重視使得新能源得到快速發(fā)展，其中高比例的風(fēng)力發(fā)電裝機(jī)持續(xù)增加，受風(fēng)速波動(dòng)影響較大風(fēng)電出力更是難以調(diào)控，這給并網(wǎng)發(fā)電時(shí)的電網(wǎng)的調(diào)度帶來(lái)一定困難，今后很長(zhǎng)一段時(shí)間也將嚴(yán)重制約風(fēng)力發(fā)電的開發(fā)與利用規(guī)模，實(shí)現(xiàn)精準(zhǔn)跟蹤調(diào)度指令，減小風(fēng)電出力波動(dòng)對(duì)電網(wǎng)的影響是專家學(xué)者研究的熱點(diǎn)課題[1-2]。盡量減小風(fēng)力發(fā)電的隨機(jī)性和間歇性給電網(wǎng)調(diào)度帶來(lái)的調(diào)度困難，配備合適容量的混合儲(chǔ)能是提高電網(wǎng)系統(tǒng)的穩(wěn)定性考慮最多的。采用循環(huán)壽命長(zhǎng)、功率密度和能量密度高、環(huán)保節(jié)約的混合儲(chǔ)能以超級(jí)電容與蓄電池的應(yīng)用最為廣泛[3-4]。對(duì)于目前的混合儲(chǔ)能的控制策略，為得到儲(chǔ)能系統(tǒng)補(bǔ)償功率和目標(biāo)并網(wǎng)功率，有學(xué)者采用滑動(dòng)平均算法或低通濾波算法，此方法容易造成電池的過(guò)充過(guò)放，影響電池的壽命是由于算法未考慮電池荷電狀態(tài)的變化的影響[5-8]，為完成對(duì)儲(chǔ)能設(shè)備荷電狀態(tài)的實(shí)時(shí)調(diào)節(jié)，有專家學(xué)者在滑動(dòng)平均算法或低通濾波算法控制策略的基礎(chǔ)上加入模糊控制算法，此方法中的模糊控制費(fèi)時(shí)費(fèi)力，是因?yàn)閷?duì)隸屬函數(shù)和模糊規(guī)則的調(diào)整困難，在采用經(jīng)驗(yàn)值計(jì)算時(shí)的自學(xué)習(xí)、自組織、自適應(yīng)功能功能弱[9-11]。將表達(dá)能力、推理能力較強(qiáng)的Sugeno型模糊模型和神經(jīng)網(wǎng)絡(luò)結(jié)合可以有效提高控制效果，但在功率分頻上存在不足[12-15]，而小波包分解分頻原理在傳統(tǒng)小波包分解的基礎(chǔ)上，使得分解結(jié)果既可以滿足并網(wǎng)標(biāo)準(zhǔn)，也可以減少儲(chǔ)能冗余容量。因此將自適應(yīng)小波包分解分頻原理與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合建立自適應(yīng)小波包分頻的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)可對(duì)混合儲(chǔ)能控制系統(tǒng)進(jìn)行優(yōu)化，MATLAB/simulink仿真結(jié)果表明在配有混合儲(chǔ)能的風(fēng)電出力跟蹤調(diào)度指令偏差小，頻率波動(dòng)小，混合儲(chǔ)能電池充放電均衡。

1 風(fēng)儲(chǔ)系統(tǒng)

1.1 風(fēng)儲(chǔ)系統(tǒng)模型

風(fēng)儲(chǔ)系統(tǒng)模型如圖1所示。此系統(tǒng)混合儲(chǔ)能由功率型電池超級(jí)電容和能量型電池磷酸鐵鋰電池組成，將對(duì)風(fēng)電功率分解數(shù)據(jù)經(jīng)控制系統(tǒng)后發(fā)送給混合儲(chǔ)能設(shè)備協(xié)調(diào)指令，對(duì)風(fēng)電場(chǎng)輸出功率進(jìn)行波動(dòng)平抑，使風(fēng)電場(chǎng)發(fā)電功率滿足并網(wǎng)標(biāo)準(zhǔn)，完成風(fēng)電平滑并網(wǎng)任務(wù)。

圖1 風(fēng)儲(chǔ)系統(tǒng)模型

1.2 風(fēng)儲(chǔ)系統(tǒng)約束

依據(jù)混合儲(chǔ)能設(shè)備的工作狀態(tài)得出儲(chǔ)能剩余容量，將剩余儲(chǔ)能容量與儲(chǔ)能設(shè)備SOC(荷電狀態(tài))值建立模型，得到儲(chǔ)能設(shè)備SOC值為

(1)

從安全和使用壽命兩方面進(jìn)行考慮，同時(shí)考慮混合儲(chǔ)能設(shè)備平滑下一刻風(fēng)電出力的能力，應(yīng)保證混合儲(chǔ)能設(shè)備荷電狀態(tài)值在其允許范圍內(nèi)，需滿足

(2)

式中，Sx.min和Sx.max分別為儲(chǔ)能設(shè)備的最小和最大荷電狀態(tài)值；Px.min和Px.max分別為儲(chǔ)能設(shè)備充放電功率的上、下限制。

2 自適應(yīng)小波包分頻方法

2.1 小波包分頻原理

自適應(yīng)小波包分解分頻原理在傳統(tǒng)小波包分解的基礎(chǔ)上，對(duì)風(fēng)功率進(jìn)行分解，得出高、中、低頻信號(hào)，同時(shí)采用并網(wǎng)標(biāo)準(zhǔn)確定小波包分解層數(shù)，使得分解結(jié)果既可以滿足并網(wǎng)標(biāo)準(zhǔn)，也可以減少儲(chǔ)能冗余容量。自適應(yīng)小波包分解架構(gòu)如圖2所示。

圖2 自適應(yīng)小波包分解

風(fēng)電輸出功率為Pw(t)，對(duì)風(fēng)電功率進(jìn)行小波包分解，模型為

(3)

(4)

2.2 風(fēng)電功率自適應(yīng)小波包分解

傳統(tǒng)小波包分解需提前設(shè)定分解層數(shù)n，設(shè)定分解層數(shù)n具有主觀性，不合適的n值則會(huì)導(dǎo)致欠分解和過(guò)分解的問(wèn)題，因此本文提出自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的小波包分解算法，可自主確定最佳分解層數(shù)n保證分解結(jié)果的精度。依據(jù)風(fēng)電分解標(biāo)準(zhǔn)，設(shè)定t時(shí)刻風(fēng)電并網(wǎng)功率Pout(t)，對(duì)應(yīng)分解的10 min功率變化范圍為

(5)

1 min功率變化范圍為

(6)

則風(fēng)電實(shí)際并網(wǎng)功率Pout(t)滿足并網(wǎng)標(biāo)準(zhǔn)區(qū)間[Pmin(t)，Pmax(t)]，即

Pout∈[Pmin，Pmax]=[P1，min，P1，max]∩[P10，min，P10，max]

(7)

2.3 混合儲(chǔ)能系統(tǒng)功率分配

依據(jù)混合儲(chǔ)能設(shè)備的差異特性，使用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)小波包分頻，得到低、中、高3種形式信號(hào)，其中低頻信號(hào)波動(dòng)平緩符合并網(wǎng)標(biāo)準(zhǔn)作為并網(wǎng)實(shí)際功率，中頻信號(hào)特性與能量型儲(chǔ)能設(shè)備特性相似，因此鋰電池組吸收中頻信號(hào)，超級(jí)電容則吸收高頻信號(hào)。

假設(shè)風(fēng)電總出力為Pw(t)，并網(wǎng)功率為Pout(t)，混合儲(chǔ)能設(shè)備功率PHESS(t)為能量?jī)?chǔ)能裝置輸出功率Pb(t)與超級(jí)電容輸出功率Psc(t)之和。自適應(yīng)小波包分解后各信號(hào)的關(guān)系為

(8)

式中，對(duì)風(fēng)電Pw進(jìn)行N層分解，其中P1為低頻信號(hào)，Ph1～Ph2為中頻信號(hào)，Ph3～Ph(2N-1)為高頻信號(hào)。

3 模糊規(guī)則

篩選和整理出有代表性的風(fēng)電場(chǎng)50組歷史實(shí)測(cè)數(shù)據(jù)組如式(9)所示。

(9)

式中，p1為風(fēng)電出力跟蹤調(diào)度指令偏差值歷史實(shí)測(cè)數(shù)據(jù)；soc為風(fēng)電場(chǎng)混合儲(chǔ)能荷電狀態(tài)平均值歷史實(shí)測(cè)數(shù)據(jù)；p2為風(fēng)電場(chǎng)送給混合儲(chǔ)能的功率指標(biāo)歷史實(shí)測(cè)數(shù)據(jù)；n為風(fēng)電場(chǎng)歷史實(shí)測(cè)數(shù)據(jù)的組數(shù)。

根據(jù)這50組數(shù)據(jù)組歸納總結(jié)出初始模糊規(guī)則的步驟如下：

(1)根據(jù)風(fēng)電場(chǎng)50組歷史實(shí)測(cè)數(shù)據(jù)組確定模糊論域。

(2)根據(jù)風(fēng)電場(chǎng)50組歷史實(shí)測(cè)數(shù)據(jù)組構(gòu)建模糊規(guī)則。

(3)根據(jù)風(fēng)電場(chǎng)50組歷史實(shí)測(cè)數(shù)據(jù)組“留大去小”原則決定模糊規(guī)則強(qiáng)度。

(4)根據(jù)風(fēng)電場(chǎng)50組歷史實(shí)測(cè)數(shù)據(jù)組確定模糊規(guī)則表，模糊子集均為5個(gè)的兩輸入單輸出，表1為組成的25條模糊規(guī)則。

表1 模糊規(guī)則

4 小波包分頻模糊神經(jīng)網(wǎng)絡(luò)

依靠人工歸納總結(jié)建立的上述風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)生成的初始模糊規(guī)則屬于Madani型模糊控制系統(tǒng)，以下是采用小波包分頻自適應(yīng)Sugeno型模糊神經(jīng)網(wǎng)絡(luò)的建立方法。

4.1 小波包分頻下的儲(chǔ)能

采用兩輸入、單輸出系統(tǒng)的小波包分頻的模糊神經(jīng)網(wǎng)絡(luò)的模糊控制器輸出的功率偏差采用低通濾波器將功率分為高頻分量和低頻分量，電池承擔(dān)功率的低頻分量，由超級(jí)電容負(fù)責(zé)高頻分量，從頻域轉(zhuǎn)換到時(shí)域的濾波器傳遞函數(shù)計(jì)算過(guò)程為

(10)

式中，τ為濾波器傳遞函數(shù)中的濾波時(shí)間常數(shù)。

經(jīng)t時(shí)間濾波后的電池和超級(jí)電容器的功率分別為

(11)

(12)

濾波時(shí)間常數(shù)為τ，與之相關(guān)的濾波系數(shù)λ取值范圍為0～1，λ函數(shù)為

(13)

混合儲(chǔ)能的能量分配經(jīng)驗(yàn)表明濾波系數(shù)λ較大時(shí)降低負(fù)擔(dān)功率，減小超級(jí)電容功率波動(dòng)，增加電池輸出功率。濾波系數(shù)λ較小時(shí)超級(jí)電容不利于承擔(dān)波動(dòng)較大的功率，這時(shí)輸出的電池功率較為平滑。

4.2 模糊神經(jīng)網(wǎng)絡(luò)

采用5層前饋網(wǎng)絡(luò)結(jié)構(gòu)的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的過(guò)程設(shè)計(jì)工作如下。

(14)

(15)

歸一化層的第i個(gè)節(jié)點(diǎn)計(jì)算第i條規(guī)則的歸一化可信度為輸入層第三層，模糊規(guī)則數(shù)為該層節(jié)點(diǎn)數(shù)，第三層輸入函數(shù)為

(16)

劃分輸出變量模糊度個(gè)數(shù)的是每個(gè)節(jié)點(diǎn)i，模糊規(guī)則輸出層為輸出第四層，節(jié)點(diǎn)i的輸出函數(shù)如式(17)所示，該節(jié)點(diǎn)的參數(shù)集為pi，qi，ri。

(17)

將所有精確計(jì)算的輸入信號(hào)轉(zhuǎn)換為清晰的輸出量，即清晰化層，也是第五層，公式為

(18)

圖3是采用5層前饋的目前應(yīng)用和研究最多的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖3 模糊神經(jīng)網(wǎng)絡(luò)

4.3 小波包分頻的模糊神經(jīng)網(wǎng)絡(luò)

表2 小波包分頻模糊數(shù)據(jù)

小波包分頻模糊神經(jīng)網(wǎng)絡(luò)模糊的兩個(gè)輸入單個(gè)輸出量會(huì)隨自適應(yīng)規(guī)則變化，如表2數(shù)據(jù)所示在得到兩個(gè)歷史給定輸入量參數(shù)相同時(shí)，小波包分頻模糊神經(jīng)網(wǎng)絡(luò)輸入p1=0.38，soc=0.95，訓(xùn)練后的輸出p2=0.375較之前的輸出p2=0.36更準(zhǔn)確。

5 仿 真

本文利用MATLAB/simulink對(duì)風(fēng)混合儲(chǔ)能系統(tǒng)建模仿真，風(fēng)電場(chǎng)裝機(jī)容量為49.5 MW，混合儲(chǔ)能配置1 MW，儲(chǔ)能參數(shù)配置如表3所示，風(fēng)混合儲(chǔ)能系統(tǒng)歷史運(yùn)行數(shù)據(jù)采用新疆阿拉泰某天一般風(fēng)況數(shù)

表3 儲(chǔ)能參數(shù)

據(jù)，仿真數(shù)據(jù)由風(fēng)電出力跟蹤調(diào)度采樣間隔時(shí)間共采樣2萬(wàn)次的數(shù)據(jù)進(jìn)行仿真，仿真結(jié)果表明自適應(yīng)小波包分頻模糊神經(jīng)網(wǎng)絡(luò)控制的有效性。

5.1 小波包分頻的模糊神經(jīng)網(wǎng)絡(luò)仿真

圖4為風(fēng)電輸出功率和風(fēng)電并網(wǎng)功率曲線，可以看出實(shí)際的風(fēng)儲(chǔ)功率曲線與風(fēng)電出力功率波動(dòng)曲線由相同的波動(dòng)趨勢(shì)，功率波動(dòng)可以達(dá)到1.2 MW，較大的功率會(huì)嚴(yán)重影響電網(wǎng)的頻率進(jìn)而對(duì)電網(wǎng)調(diào)度的調(diào)控帶來(lái)很多挑戰(zhàn)。

圖4 風(fēng)電出力和并網(wǎng)功率

圖5為未加入優(yōu)化控制策略的功率和加入優(yōu)化控制策略的功率偏差波形圖，仿真在0.9～1.6 s會(huì)出現(xiàn)偏差，其中最大偏差在1.15 s時(shí)為1.2 MW，功率偏差率達(dá)到總裝機(jī)的2.42%，而加入優(yōu)化控制后的功率偏差在±0.5 MW范圍內(nèi)波動(dòng)，功率偏差率達(dá)到總裝機(jī)的1.05%，可見加入優(yōu)化控制后的跟蹤調(diào)度指令功率偏差率降低一倍，波動(dòng)更小。

圖5 加入優(yōu)化控制策略前后的風(fēng)儲(chǔ)功率偏差波形

圖6為未加入優(yōu)化控制超級(jí)電容荷電狀態(tài)和加入優(yōu)化控制策略的超級(jí)電容荷電狀態(tài)波形圖，在仿真的0.8～1.8 s優(yōu)化控制策略的荷電狀態(tài)從之前的77%～60%之間波動(dòng)恢復(fù)到75%～62%，波動(dòng)率有17%降低到13%。圖7為未加入優(yōu)化控制電池荷電狀態(tài)和加入優(yōu)化控制策略的電池荷電狀態(tài)波形圖，在仿真的0.8～1.8 s優(yōu)化控制策略的電池荷電狀態(tài)均在90%～10%之間，但加入優(yōu)化控制策略的電池荷電狀態(tài)在1.6 s以后快速回歸到60%，可見加入優(yōu)化控制策略降低了4%的超級(jí)電容的荷電狀態(tài)波動(dòng)，超級(jí)電容和電池的充放電深度得到了效保護(hù)。

圖6 加入優(yōu)化控制策略前后的超級(jí)電容荷電狀態(tài)波形

圖7 加入優(yōu)化控制策略前后的電池荷電狀態(tài)波形

圖8為未加入優(yōu)化控制并網(wǎng)點(diǎn)頻率波形圖和加入優(yōu)化控制策略的并網(wǎng)點(diǎn)頻率波形圖，仿真系統(tǒng)頻率設(shè)置為50 Hz，并網(wǎng)點(diǎn)頻率在49.9～50.6 Hz波動(dòng)，在仿真的0.15～0.85 s出現(xiàn)明顯偏差，加入優(yōu)化控制策略后的頻率在0.4～0.7 s之間波動(dòng)頻繁但是波動(dòng)幅度較小，但較未加入優(yōu)化控制策略時(shí)減小了0.1 Hz的頻率波動(dòng)，波動(dòng)較小的頻率更有利于風(fēng)儲(chǔ)系統(tǒng)并網(wǎng)較好的電能質(zhì)量，對(duì)電網(wǎng)調(diào)度也會(huì)更加友善。

圖8 加入優(yōu)化控制前后的并網(wǎng)點(diǎn)頻率波波形

表4為未加入優(yōu)化控制和加入優(yōu)化控制策略的儲(chǔ)能誤差指標(biāo)對(duì)比，加入優(yōu)化控制后的儲(chǔ)能在平均絕對(duì)百分比誤差較之前減小1.42%、最大百分比誤差較之前減小1.2%、均方根誤差較之前減小3.92%，仿真數(shù)據(jù)分析表明自適應(yīng)小波包分頻模糊神經(jīng)網(wǎng)絡(luò)控制的風(fēng)電混合儲(chǔ)電站的3個(gè)指標(biāo)得到了明顯的改進(jìn)，使得風(fēng)儲(chǔ)電站跟蹤電網(wǎng)調(diào)度的可靠性更高。

表4 加入優(yōu)化控制前后的指標(biāo) %

6 結(jié) 語(yǔ)

采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的小波包分頻優(yōu)化控制策略在風(fēng)電跟蹤調(diào)度指令的頻率波動(dòng)范圍內(nèi)優(yōu)化小波包分頻參數(shù)，得到優(yōu)化后的混合儲(chǔ)能充放電功率的初始功率指標(biāo)值，將混合儲(chǔ)能荷電狀態(tài)的平均值和風(fēng)電場(chǎng)出力與電網(wǎng)調(diào)度指令的平均值的偏差作為兩個(gè)輸入，再將風(fēng)電歷史數(shù)據(jù)訓(xùn)練后的自適應(yīng)小波包分頻模糊神經(jīng)網(wǎng)絡(luò)加入控制系統(tǒng)。采用大量風(fēng)電歷史數(shù)據(jù)在MATLAB/simulink中仿真，仿真結(jié)果表明加入優(yōu)化控制后的控制策略跟蹤調(diào)度指令功率偏差率從2.42%降低到1.05%，超級(jí)電容的荷電狀態(tài)波動(dòng)降低了4%，頻率波動(dòng)減小了0.1 Hz，平均絕對(duì)百分比誤差減小1.42%、最大百分比誤差減小1.2%、均方根誤差減小3.92%，這些數(shù)據(jù)表明該策略對(duì)超級(jí)電容和電池的充放電深度得到了效保護(hù)，波動(dòng)較小的頻率更有利于風(fēng)儲(chǔ)系統(tǒng)并網(wǎng)的電能質(zhì)量，對(duì)電網(wǎng)調(diào)度也會(huì)更加友善，使得風(fēng)儲(chǔ)電站跟蹤電網(wǎng)調(diào)度的可靠性更高。