面向光伏平抑考慮SOH與SOC的電池儲能系統(tǒng)功率分配方法

摘 要：針對電池儲能系統(tǒng)（BESS）參與光伏平抑時壽命損耗較高的問題，提出面向光伏平抑考慮健康狀態(tài)（SOH）與荷電狀態(tài)（SOC）的BESS功率分配方法。首先，將光伏并網(wǎng)標準、BESS容量和最大充放電功率作為約束條件，建立以并網(wǎng)波動率、BESS壽命損耗和SOC恢復為目標的光伏并網(wǎng)指令優(yōu)化模型，并利用改進天鷹優(yōu)化的改進雨流計數(shù)法進行求解；然后，設計BESS兩級功率分配策略，在傳統(tǒng)容量二分法的基礎上引入離群組，并動態(tài)調(diào)整電池組容量，提出兼顧SOH和SOC的BESS動態(tài)分組方法，實現(xiàn)功率指令從BESS向電池組的初級分配，并進一步結合電池單元SOH與SOC的標準差與極差動態(tài)估計各電池單元響應能力，設計基于SOH/SOC均衡原則的電池單元功率分配方法，實現(xiàn)功率指令從電池組向電池單元的次級分配；最后，電池單元響應功率指令完成調(diào)節(jié)。采用某配備BESS的光伏電站的冬季典型日出力進行仿真驗證，并與其他多種方案進行對比，結果表明，所提方法在滿足光伏并網(wǎng)波動率的要求下，降低了電池SOH差異，增強了電池單元SOC一致性，減少了BESS壽命損耗。

關鍵詞：電池儲能系統(tǒng)；光伏發(fā)電系統(tǒng)；啟發(fā)式算法；荷電狀態(tài)； 健康狀態(tài)

中圖分類號：TM615 " " " "文獻標志碼：A

0 引 言

“雙碳”目標下光伏發(fā)電將以更大規(guī)模接入電網(wǎng)，但光伏出力隨機性給電網(wǎng)調(diào)度帶來巨大挑戰(zhàn)，平抑光伏波動成為研究熱點［1-2］，具備快速充放電特性的電池儲能系統(tǒng)（battery energy storage system， BESS）是其中的重要手段之一［3］。然而，BESS投資較大、運行成本較高［4-5］，如何在平抑光伏波動的同時減小BESS運行壽命損耗是當前研究面臨的難題。

BESS平抑光伏波動主要包括兩類方法。第1類為基于濾波算法的平抑方法，以小波包分解（wavelet packet transform， WPT）［6］和經(jīng)驗模態(tài)分解（empirical mode decomposition， EMD）［7］最為典型，不過該類方法在信號分解過程中難以考慮波動率指標，易產(chǎn)生過度平抑的問題，使BESS承擔過多功率，加劇其壽命損耗。第2類為基于數(shù)據(jù)壓縮的平抑方法，此類方法可考慮波動率指標，如文獻［8］使用旋轉門（swing door trend，SDT）算法確定并網(wǎng)指令，通過數(shù)據(jù)壓縮進行功率平滑，在滿足并網(wǎng)要求的前提下延長了BESS使用壽命，只是經(jīng)SDT處理后僅能保留少量原始功率曲線極點信息，易改變光伏功率變化趨勢，不利于電網(wǎng)調(diào)度［9］。文獻［10］使用雨流計數(shù)法（rain-flow counting algorithm，RCA）進行功率波動平抑，基本保留了原始功率曲線的極點信息，但RCA無法調(diào)整壓縮數(shù)據(jù)的強度，難以應對不同場景下的光伏波動平抑，尤其是在功率大幅波動時效果更難判斷?？梢姡斍皩τ诠夥▌悠揭值难芯窟€有待深入挖掘。

此外，為延長BESS使用壽命，需關注BESS的運行策略，主要有整組策略和分組策略。文獻［10-11］控制所有電池單元整組運行于淺循環(huán)狀態(tài)以延長電池壽命，但由于光伏功率的快速波動特性，應用于光伏功率波動平抑時，會導致電池單元的充放電轉換次數(shù)迅速增加，增大壽命損耗。分組運行策略能避免該問題。文獻［12-13］在容量均分下將BESS固定分給2組或4組，但各電池組以功率均分方式運行，導致電池單元荷電狀態(tài)（state of charge，SOC）一致性變差，降低了BESS的可調(diào)度能力。文獻［14-15］采用SOC均衡的電池單元功率分配方法，只是不同健康狀態(tài)（state of health，SOH）的電池單元承擔著相同的功率調(diào)節(jié)指令，易導致健康狀態(tài)欠佳的電池單元較早退出運行，同時分配給不同電池組的功率可能存在較大差別，加劇了組間SOH差異。為降低SOH差異，文獻［16-17］在計及SOC反饋的基礎上進一步考慮SOH均衡，但由于目標函數(shù)中并未包含SOC一致性指標，難以在調(diào)控過程中保證SOC一致性及恢復。為兼顧SOH與SOC一致性，文獻［18-19］在初級功率分配時考慮SOH，而在次級功率分配時考慮SOC，只是這種分層操作難以同時達到SOH與SOC一致性的最優(yōu)?？梢?，現(xiàn)有研究對于如何兼顧SOH和SOC一致性以減小BESS壽命損耗鮮有討論。

為平抑光伏波動，同時減小BESS壽命損耗，本文提出面向光伏平抑考慮SOH與SOC的BESS功率分配方法。首先，為控制RCA壓縮數(shù)據(jù)的能力，將壓縮偏移向量引入RCA中形成改進RCA（improved RCA，IRCA）；考慮到壓縮偏移向量具有元素耦合、維數(shù)高的特點，本文進一步提出改進天鷹優(yōu)化算法（improved aquila optimizer， IAO），以提升IRCA的迭代速度與迭代精度。其次，提出基于IAO-IRCA的BESS功率調(diào)節(jié)指令獲取方法，由該方法獲取的功率調(diào)節(jié)指令可兼顧并網(wǎng)波動率、SOC恢復與BESS壽命損耗。接著，為兼顧SOH與SOC一致性，本文設計基于動態(tài)分組技術含初級分配與次級分配的BESS兩級功率分配策略，同時結合電池單元SOH與SOC的標準差與極差動態(tài)估計各電池單元響應能力。最后，以某光伏電站冬季典型日出力為算例進行仿真。

1 控制流程

圖1給出所設計的BESS功率分配方法實現(xiàn)流程，主要包括以下3個步驟：

1） 基于IAO-IRCA獲取BESS功率調(diào)節(jié)指令。首先，設計壓縮偏移向量，對RCA算法進行改進得到IRCA；其次，設計尋優(yōu)判定指標和天鷹分布函數(shù)對天鷹算法（aquila optimizer，AO）進行改進，形成IAO；最后，將光伏并網(wǎng)標準、BESS容量和最大充放電功率作為約束條件，建立以并網(wǎng)波動率、BESS壽命損耗和SOC恢復為目標的光伏并網(wǎng)指令優(yōu)化模型，并利用IAO求解該模型，獲取最優(yōu)壓縮偏移向量，進而獲取最優(yōu)的光伏并網(wǎng)指令，同時確定BESS功率調(diào)節(jié)指令。

2）功率調(diào)節(jié)指令的初級分配——從BESS到電池組。首先，確定分組時刻：每經(jīng)過固定時段Δtb對電池單元進行重新分組，若Δtb時段內(nèi)有電池單元SOC越限，則于越限時刻提前進行分組；其次，確定電池組數(shù)量：在電池單元分組時刻，根據(jù)電池單元SOH差異引入離群組并給出其判斷標準，將滿足離群標準的電池單元劃入離群組，剩余電池單元則根據(jù)SOC降序排列被整體分為優(yōu)先充電組和優(yōu)先放電組，并按下一時段功率調(diào)節(jié)指令下能量吞吐量的比值將所有電池單元分配給各電池組，若不存在離群電池單元，則把電池單元全部分配給優(yōu)先充電組和優(yōu)先放電組；再次，確定電池組容量：將各電池組內(nèi)電池單元容量之和作為該組容量，并隨每個分組時刻組內(nèi)電池單元數(shù)量的變化而進行動態(tài)調(diào)整；最后，將BESS功率調(diào)節(jié)指令分配到電池組：根據(jù)功率調(diào)節(jié)指令給每個電池組分配應承擔的調(diào)節(jié)任務，同時確定每個電池組的內(nèi)部功率分配方法，完成功率從BESS到電池組的初級分配。

3） BESS功率調(diào)節(jié)指令的次級分配——從電池組到電池單元。首先，設計組內(nèi)功率分配指標，并結合該指標建立兼顧SOH與SOC一致的功率分配模型；隨后，將電池組功率指令根據(jù)SOH均衡原則或SOC均衡原則分配至其內(nèi)的電池單元，并根據(jù)電池單元SOC動態(tài)更新電池單元最大充放電功率，完成功率調(diào)節(jié)指令從電池組到電池單元的次級分配；最終電池單元響應分配到的功率調(diào)節(jié)指令，完成對于功率指令的跟蹤。

2 基于IAO-IRCA獲取BESS功率調(diào)節(jié)指令

光伏出力曲線往往表現(xiàn)出單峰或多峰特征，具有較多的極點信息。采用基于數(shù)據(jù)壓縮算法的光伏功率平抑策略時，需注重保留光伏出力的極點信息，以保留光伏出力變化趨勢，便于電網(wǎng)調(diào)度。為此，本節(jié)首先對可提取曲線極點信息的RCA進行改進以形成IRCA，并將其應用于光伏功率波動平抑；其次，考慮到IRCA求解難度較大，進一步改進AO形成IAO，并將IAO作為IRCA求解器；最后，提出考慮光伏并網(wǎng)標準、BESS容量和最大充放電功率的光伏功率波動平抑模型，并運用IAO-IRCA求解該模型。

2.1 改進雨流計數(shù)法（IRCA）

作為一種數(shù)據(jù)壓縮算法，RCA已被廣泛應用于疲勞壽命計算、電池壽命損耗計算等領域［20］。然而，傳統(tǒng)RCA雖然可保留原始曲線的極點信息，但無法調(diào)整數(shù)據(jù)壓縮的強度，很難預先判斷壓縮效果，也就難以在降低并網(wǎng)波動率與保留特征數(shù)據(jù)點之間做到合理取舍。因此，在傳統(tǒng)RCA中引入k點的壓縮閾值[E（k）]：

[（vk，k+1?vk+2，k+3gt;0）amp;（P（k+1）-P（k+2）gt;E（k））amp;（vk，k+1?vk+1，k+2lt;0）]

（1）

式中：[P]——光伏功率；[k]——采樣點；[vk，k+1]——過[P（k）]與[P（k+1）]兩極點直線的斜率；[vk+2，k+3]——過[P（k+2）]與[P（k+3）]兩極點直線的斜率；[vk+1，k+2]——過[P（k+1）]與[P（k+2）]兩極點直線的斜率。

通過壓縮閾值可改變RCA對于光伏原始功率的壓縮強度，控制壓縮后的數(shù)據(jù)點數(shù)量，進而直接影響IRCA平抑光伏功率波動的效果。較大的壓縮閾值使得獲取的光伏并網(wǎng)功率指令與光伏原始功率偏差較大，增加了BESS的能量吞吐量，不利于延長BESS使用壽命；而壓縮閾值過小又會削弱RCA平抑性能，故選取合理的壓縮閾值至關重要。然而，各個時刻下數(shù)據(jù)壓縮時均需調(diào)用算法優(yōu)化壓縮閾值，且不同時刻下壓縮閾值相互影響，導致傳統(tǒng)RCA壓縮精度較低，壓縮速度較慢。

為此，進一步將整個調(diào)度周期內(nèi)的壓縮閾值集合為壓縮偏移向量[E]進行整體尋優(yōu)，如式（2）所示，壓縮偏移向量[E]的引入改變了各時刻均需尋優(yōu)的不足，在保留壓縮閾值優(yōu)勢的同時，提升了算法的壓縮速度，降低了尋優(yōu)難度。

[E=E（1），" E（2），???，E（m-1）， E（m）] （2）

式中：[m]——調(diào)度周期的時隙數(shù)量。

2.2 改進天鷹優(yōu)化算法（IAO）

分析IRCA可知，由于引入的壓縮偏移向量具有元素相互耦合、維數(shù)高的特點，致使模型求解難度頗大?？紤]到AO具有較快的收斂速度、較高的收斂精度、較強的全局尋優(yōu)能力與大規(guī)模數(shù)據(jù)處理能力，本文對AO進行改進并作為算法求解器。

2.2.1 算法原理

AO于2021年被提出［21］，AO算法的優(yōu)化過程可通過垂直俯沖的高翱翔、短滑翔攻擊的輪廓飛行、慢速下降攻擊的低飛行以及步行俯沖4種方法予以表示。

然而，傳統(tǒng)AO算法存在三大不足：第一，嚴格按迭代次數(shù)進行尋優(yōu)階段分配，將當前迭代次數(shù)[n]與最大迭代次數(shù)[Nmax]進行比較以確定合適的尋優(yōu)階段，若[0≤n≤（2/3）Nmax]時，天鷹進行大范圍全局探索，若[（2/3）Nmaxlt;n≤Nmax]時，天鷹進行局部開發(fā)，若迭代過程中產(chǎn)生了不隨迭代次數(shù)增加而改變的解，該算法將難以進入下一尋優(yōu)階段，降低了AO的尋優(yōu)速度；第二，初始迭代時，每只天鷹進入第一階段兩個狀態(tài)的概率均等，使得每次迭代時將有一半數(shù)量的天鷹直接進入第一階段的第二個狀態(tài)，降低了AO的尋優(yōu)精度；第三，在迭代后期，天鷹個體采用以全局最佳位置為中心搜索的方式，忽略自身與種群間的交流，極易陷入局部最優(yōu)解，導致算法早熟、搜索精度低。

為此，從克服傳統(tǒng)AO的3個缺陷出發(fā)，分別設計尋優(yōu)判定指標[kflag]、天鷹分布函數(shù)[Γ（tx）]和第二階段第一狀態(tài)的迭代式，形成IAO。對于第一個缺陷，為減少無用迭代以提高算法的全局尋優(yōu)能力，當無用迭代次數(shù)滿足[kflag≥Nmax/10]時，即認為天鷹已進入最優(yōu)解區(qū)域，此時應跳出該階段循環(huán)，進入下一階段尋優(yōu)，而剩余迭代次數(shù)順延至下個階段。對于第二個缺陷，為使初始天鷹能以更大概率分布于第一階段的第一狀態(tài)，引入的天鷹分布函數(shù)[Γ（tx）]為：

[Γ（tx）=0.08arctantx-110Nmax×0.045+0.5] （3）

式中：[tx]——無用迭代次數(shù)。

對于第3個缺陷，為保證天鷹個體以全局最優(yōu)位置作為參考位置的同時，考慮種群內(nèi)其他個體的信息，修正第二階段的第一狀態(tài)的迭代式為：

[Xk+1M=Xb-XkM?α+Xk-XkM?（1-α）] （4）

[α=eγ?βcos（2πγ）β=Nmax-k+1Nmax] （5）

式中：[k]——迭代次數(shù)；[XkM]、[Xk+1M]——[k]次迭代與[k+1]次迭代時個體[M]的位置；[Xb]——全局最優(yōu)位置；[Xk]——[k]次迭代時所有個體位置的均值；[α]、[β]、[γ]——開發(fā)參數(shù)。

2.2.2 IAO性能比較

1）時間復雜度分析

AO的時間復雜度通常取決于3個規(guī)則：初始化、計算適應度函數(shù)和解決方案更新［21］。假設[N]是解的數(shù)量，[O（N）]是初始化的時間復雜度，那么，OA解的更新過程的時間復雜度為[O（Nmax·N）+O（Nmax·N·Dim）]，其中，[Dim]為維數(shù)，AO的總時間復雜度為[O（Nmax·（N·Dim+1））]。使用本文提出的天鷹分布函數(shù)[Γ（tx）]和第二階段第一狀態(tài)的迭代式來替換原有模型，而尋優(yōu)判定指標[kflag]只加快了迭代進程，并未改變算法原有執(zhí)行邏輯，故上述3種改進未改變算法結構，未增加時間復雜度，故IAO的時間復雜度與AO保持一致。

2）標準函數(shù)測試

為保證實驗公平性，所有測試均在同一環(huán)境下進行。實驗環(huán)境為Windows10/64位操作系統(tǒng)，CPU為AMD Ryzen 7 4800H with Radeon Graphics，RAM為16.0 GB，編程軟件為Matlab R2020b。將IAO與其他5種算法進行對比，對比算法包括AO、算術優(yōu)化算法（arithmetic optimization algorithm，AOA）、樽海鞘優(yōu)化算法（salp swarm algorithm，SSA）、灰狼優(yōu)化算法（grey wolf optimizer，GWO）和鯨魚優(yōu)化算法（whale swarm algorithm，WOA）。IAO的參數(shù)設置除式（3）～式（5）改動外，其余參數(shù)設置均與AO相同。為保證測試公平性，所有算法的尋優(yōu)個體均設置為30，最大迭代次數(shù)均設置為500，同時各標準函數(shù)均運行100次。選取7個標準函數(shù)（F1～F7）［21］進行測試，囊括單峰函數(shù)、多峰函數(shù)、高維單峰函數(shù)和階梯函數(shù)，能全面測試算法的全局搜索能力、收斂速度和收斂精度。各種優(yōu)化算法下7個標準函數(shù)的尋優(yōu)結果如表1所示?？梢?，相比于其他優(yōu)化算法，絕大多數(shù)情況下IAO尋優(yōu)得到的平均值都更接近于理想解，說明IAO具有較好的尋優(yōu)精度，而且IAO尋優(yōu)結果的標準差基本均較低，表明其具有良好的魯棒性；此外，IAO尋得最優(yōu)解所需時間最短，表明其具有最快的尋優(yōu)速度。綜上，IAO在尋優(yōu)精度、魯棒性和尋優(yōu)速度等方面均表現(xiàn)出了更好的性能。

2.3 光伏并網(wǎng)功率指令的獲取

為保留光伏出力曲線的極點、降低光伏并網(wǎng)波動率，減小BESS壽命損耗，同時提升可持續(xù)充放電能力，本文建立以壓縮偏移向量[E]為優(yōu)化變量，以并網(wǎng)波動率、BESS壽命損耗和SOC均衡為目標獲取光伏并網(wǎng)指令的優(yōu)化函數(shù)[f]，同時將國標［22］規(guī)定的光伏并網(wǎng)波動率、BESS容量與最大充放電功率作為約束條件的數(shù)學模型。該目標函數(shù)即為IAO的適應度函數(shù)，壓縮偏移向量即為IAO的優(yōu)化變量。

[f=α1?ΔP+α2?EBESS+α3?D] （6）

[Pr=Py-Pb] （7）

當[ti≤t≤ti+Δt]時：

[ΔP=t=1mmax{Pb（t）}-min{Pb（t）}m?Pg] （8）

[EBESS=0TPr（t） dt] （9）

[D=0TPr（t）dt-S0c-0.5?EQ] （10）

式中：[ΔP]——平均波動率，用于表征算法的平抑能力；[EBESS]——BESS的能量吞吐量，用于表征BESS壽命損耗；[D]——期望偏差，用于調(diào)整電池單元SOC，MWh；[α1]、[α2]和[α3]——權重系數(shù)，由max-min歸一化算法處理得到；[Pr、Py、Pb]——BESS功率調(diào)節(jié)指令和光伏功率預測值和光伏并網(wǎng)功率指令，MW；[Pg]——光伏電站裝機容量，MWh；[T]——總調(diào)度時長，h；[ti]——第[i]個時隙，h；[Δt]——每個時隙時長，h；[S0c]——BESS初始SOC平均值；[EQ]——光伏電站所配置的儲能容量，MWh。

約束條件：

[0≤EC≤EQ] （11）

[0≤Pc≤Pmax] （12）

[0≤max（ΔP）≤0.1?Pg] （13）

其中：

[ES（t）=0t0Pr（t） dt] （14）

[EC=1G?max（ES）-min（ES）Scmax-Scmin] （15）

[Pc=maxPr] （16）

式中：[EC]——響應功率調(diào)節(jié)指令所需的BESS容量，MWh；[Pc]——響應功率調(diào)節(jié)指令所需的BESS最大充放電功率，MW；[Pmax]——光伏電站所配置的BESS最大充放電功率，MW；[ΔP]——并網(wǎng)指令各時刻波動率；[ES]——BESS在0～[t0]時段內(nèi)累計容量，MWh；[G]——電池組數(shù)量；[Scmax]——SOC上限，取為0.9；[Scmin]——SOC下限，取為0.1。

3 BESS功率調(diào)節(jié)指令的初級分配

3.1 BESS動態(tài)分組

3.1.1 確定分組時刻

如前所述，將調(diào)度周期內(nèi)每經(jīng)過固定時段[Δtb]對電池單元進行重新分組，若[Δtb]時段內(nèi)有電池單元SOC越限，則在越限時刻提前進行分組。

3.1.2 確定電池組數(shù)量與容量

離群電池單元判斷標準如式（17），若某電池單元[n]的SOH不滿足該式，則被劃入離群組，當所有電池單元的SOH均滿足該式時，則不存在離群電池單元。

[Shn，t≤μn，t-Shn，max] （17）

式中：[Shn，t]——時刻[t]電池單元[n]的SOH；[μn，t]——[t]時刻電池單元[n]的SOH平均值；[Shn，max]—— 一個調(diào)度周期內(nèi)電池單元[n]的SOH損耗最大值。

剩余電池單元按SOC降序排列，若電池單元SOC相等，則編號大排序靠前，同時根據(jù)下一時段BESS功率調(diào)節(jié)指令下能量吞吐量的比值將所有電池單元分配給各電池組。

最終，將優(yōu)先充電組和優(yōu)先放電組中的電池單元容量之和作為該組別容量，同時依據(jù)電池組分組情況對其容量進行動態(tài)更新。

3.2 電池組功率分配

完成所有電池單元分組之后，需將BESS功率調(diào)節(jié)指令首先分配給對應電池組。

3.2.1 不存在離群組

由[t]時刻BESS功率調(diào)節(jié)指令[Pr（t）]判斷其工作狀態(tài)并確定電池組的動作順序，接著根據(jù)電池組的最大充放電功率及動作順序完成初級功率分配。

1）充電過程功率分配

當[Pr（t）gt;0]時，BESS需充電，兩個電池組的動作順序為：優(yōu)先充電組→優(yōu)先放電組。將優(yōu)先充電組和優(yōu)先放電組的最大充電功率分別記為[Pgc?max]和[Pgd?max]。

當[Pr（t）lt;Pgc?max]時，優(yōu)先充電組獨自承擔BESS功率調(diào)節(jié)指令，并按SOH均衡原則或SOC均衡原則實現(xiàn)組內(nèi)電池單元的次級功率分配。SOH均衡原則與SOC均衡原則將于下節(jié)進行闡述。

當[Pgc?max≤Pr（t）lt;（Pgc?max+Pgd?max）]時，優(yōu)先充電組與優(yōu)先放電組共同承擔BESS功率指令，并采用SOH均衡或SOC均衡原則進行組內(nèi)電池單元的次級功率分配。

2）放電過程功率分配

當[Pr（t）lt;0]時，BESS需放電，兩個電池組的動作順序為：優(yōu)先放電組→優(yōu)先充電組。

當[Pr（t）gt;-Pgd?max]時，優(yōu)先放電組獨自承擔BESS功率調(diào)節(jié)指令，并按SOH均衡原則或SOC均衡原則實現(xiàn)組內(nèi)電池單元的次級功率分配。

當[-（Pgc?max+Pgd?max）lt;Pr（t）≤-Pgd?max]時，優(yōu)先放電組與優(yōu)先充電組共同承擔BESS功率指令，并采用SOH均衡或SOC均衡原則進行組內(nèi)電池單元的次級功率分配。

3.2.2 存在離群組

首先，將電池組中離群的電池單元轉移至離群組，隨后，由[Pr（t）]判斷BESS工作狀態(tài)并確定電池組的動作順序，并根據(jù)電池組的最大充放電功率及動作順序進行初級功率分配。

1）充電過程功率分配

當[Pr（t）gt;0]時，BESS需充電，電池組的動作順序為：優(yōu)先充電組→優(yōu)先放電組→離群組。

當[Pr（t）lt;Pgc?max]時，優(yōu)先充電組獨自承擔BESS功率調(diào)節(jié)指令，并按SOH均衡原則或SOC均衡原則實現(xiàn)組內(nèi)電池單元的次級功率分配。

當[Pgc?max≤Pr（t）lt;（Pgc?max+Pgd?max）]時，優(yōu)先充電組與優(yōu)先放電組共同承擔BESS功率指令，采用SOH均衡原則或SOC均衡原則進行組內(nèi)功率分配。

當[Pr（t）gt;（Pgc?max+Pgd?max）]時3個電池組共同承擔BESS功率指令，采用SOC均衡原則或SOH均衡原則進行組內(nèi)功率分配。

2）放電過程功率分配

當[Pr（t）lt;0]時，BESS需放電，電池組動作順序為：優(yōu)先放電組→優(yōu)先充電組→離群組。

當[Pr（t）gt;-Pgd、max]時，優(yōu)先放電組獨自承擔全部BESS功率調(diào)節(jié)指令，并按SOH均衡原則或SOC均衡原則實現(xiàn)組內(nèi)電池單元的次級功率分配。

當[-（Pgc、max+Pgd、max）lt;Pr（t）≤Pgd、max]時，優(yōu)先放電組與優(yōu)先充電組共同承擔BESS功率指令，采用SOH均衡原則或SOC均衡原則進行組內(nèi)功率分配。

當[Pr（t）lt;-（Pgc·max+Pgd·max）]時，3個電池組共同承擔BESS功率指令，采用SOH均衡原則或SOC均衡原則進行組內(nèi)功率分配。

4 BESS功率調(diào)節(jié)指令的次級分配及電池單元響應

4.1 次級功率分配

為同時提升電池單元SOH與SOC一致性，次級功率分配往往需同時優(yōu)化各時刻所有電池單元的功率。只是電池單元數(shù)量一般都較多，導致待求解變量維數(shù)大，直接求解各電池單元的功率難度較高。為解決這一問題，本小節(jié)定義[t]時隙的分配功率方式為[Ft，][Ft∈[0，1]，]并規(guī)定當電池組采用SOC均衡原則分配功率時，[Ft≥0.5]，采用SOH均衡原則分配功率時，[Ftlt;0.5]。以[Ft]為優(yōu)化變量，SOH與SOC一致性為目標，設計次級功率分配數(shù)學模型，進而完成功率從電池組向電池單元的次級分配，以確定電池組內(nèi)部各個電池單元的功率。

所述數(shù)學模型的目標函數(shù)為：

[f=α4?δC+α5?δH] （18）

式中：[α4]和[α5]——權重系數(shù)，由max-min歸一化算法處理得到；[δC]與[δH]——參與本次調(diào)度后電池單元的SOC標準差與SOH標準差。

約束條件為：

[Scmin≤Sci，t≤Scmax] （19）

[0≤Ft≤1] （20）

式中：[Sci，t]——電池單元[i]在時刻[t]的SOC。

前文所述的SOC與SOH均衡原則描述如下：

1） SOC均衡原則

由于運行中電池組內(nèi)電池單元SOC可能存在差異，一般期望SOC較低的電池單元多充少放，而SOC較高的電池單元多放少充，進而提升組內(nèi)電池單元的SOC一致性。同時，在SOC一致性較差時，調(diào)節(jié)強度應適當提升，以快速提升SOC一致性；SOC一致性較強時，調(diào)節(jié)力度應適當降低，以降低各電池單元間功率分配差異，進而減小SOH差異。設計的基于SOC均衡的功率分配函數(shù)為：

[fc（Sci，t）=0.5-0.4?ρC0ρCt?arctan2?δCtδC0?（Sci，t-0.5）] （21）

[fd（Sci，t）=0.5+0.4?ρC0ρCt?arctan2?δCtδC0?（Sci，t-0.5）] （22）

式中：[fc]、[fd]——充電函數(shù)和放電函數(shù)；[ρCt]、[δCt]——[t]時刻電池單元的SOC極差與SOC標準差；[ρC0]、[δC0]——電池單元的初始SOC極差與SOC標準差。

根據(jù)設計的充放電函數(shù)，SOC均衡原則下功率分配如下：

電池組充電時：

[PBE，i（t）fc（Sci，t-1）=PBE，j（t）fc（Scj，t-1）" "?i， j∈N*] （23）

電池組放電時：

[PBE，i（t）fd（Sci，t-1）=PBE，j（t）fd（Scj，t-1）" "?i， j∈N*] （24）

式中：[PBE，i（t）]——[t]時刻電池單元[i]分配到的次級功率調(diào)節(jié)指令；[N*]——正整數(shù)集。

2） SOH均衡原則

與SOC均衡原則類似，SOH較低的電池單元少分配功率，而SOH較高的電池單元多分配功率。同時，在SOH一致性較差時，調(diào)節(jié)強度應適當提升，以快速提升SOH一致性；SOH一致性較強時，調(diào)節(jié)力度應適當降低。設計的基于SOH均衡的功率分配函數(shù)為：

[fp（SHi，t）=tan2?ρHtρH0?SHi，tSHt，max-0.8+3?δH0δHt] （25）

式中：[fp]——功率分配函數(shù)；[SHi，t]——[t]時刻[i]單元的SOH； [SHt，max]——[t]時刻SOH最大值； [ρHt、][δHt]——[t]時刻電池單元的SOH極差與SOH標準差；[ρH0、][δH0]——電池單元的初始SOH極差與SOH標準差。

根據(jù)設計的功率分配函數(shù)，SOH均衡原則下功率分配為：

[PBE，i（t）fp（SHi，t-1）=PBE，j（t）fp（SHj，t-1）" "?i， j∈N*] （26）

4.2 電池單元響應功率

電池單元分配到功率調(diào)節(jié)指令后，就需在滿足一些約束的條件下對功率指令進行響應。

4.2.1 最大充放電功率限制

電池單元最大充電功率[Pmax]與最大放電功率[-Pmax]一般保持不變，但如果BESS長時間處于最大充放電狀態(tài)運行時，極易造成電池單元SOC越限。針對這一問題，在每個調(diào)度時刻根據(jù)電池單元SOC動態(tài)調(diào)整其最大充電功率與最大放電功率，調(diào)整方式為：

[ΔSc=Pmax?TCb] （27）

[Pcmax，i，t=" " " " " "Pmax" " " " ，" "Sci，t≤Scmax-ΔSc（Scmax-Sci，t）?CbT，" "Sci，tgt;Scmax-ΔSc] （28）

[Pdmax，i，t=" " " " " -Pmax" " " ，" "Sci，tgt;Scmin+ΔSc（Scmin-Sci，t）?CbT，" "Sci，t≤Scmin+ΔSc] （29）

式中：[Pcmax，i，t]——調(diào)整后的電池單元[i]在[t]時刻的最大充電功率，以正值表示；[Pdmax，i，t]——調(diào)整后的電池單元[i]在[t]時刻的最大放電功率，以負值表示；[ΔSc]——運行過程中電池單元SOC變化量；[Cb]——電池單元容量。各電池單元所響應的功率應不應超過其最大充放電功率，即：

當[Pr（t）gt;0]時，

[P BE， i（t）=Pcmax，i，t，PBE，i（t）gt;Pcmax，i，t PBE，i（t），0≤PBE，i（t）≤Pcmax，i，t ] （30）

當[Pr（t）lt;0]時，

[P BE i，（t）=Pdmax，i，t，PBE，i（t）lt;Pdmax，i，t PBE，i（t），Pdmax，i，t≤PBE，i（t）≤0] （31）

4.2.2 充放電狀態(tài)限制

電池單元運行中不應出現(xiàn)同時充放電的情形，故應滿足約束條件：

[uci，t+udi，t≤1] （32）

式中：[uci，t]、[udi，t]——[t]時刻第[i]個電池單元的充電標志與放電標志。

5 算例仿真與分析

5.1 仿真數(shù)據(jù)與評價指標

5.1.1 仿真數(shù)據(jù)

以某裝機容量50 MW的光伏電站冬季典型日出力功率為例進行仿真分析，該光伏電站配置的BESS規(guī)模為8 MW/12 MWh，本文借鑒文獻［23］設置電池單元w（下文統(tǒng)一稱BU[i]）的初始SOH與初始SOC如表2所示。在功率分配的過程中，SOH與SOC的估計方法均采用文獻［23］所述的方法。

5.1.2 評價指標

為判斷光伏并網(wǎng)功率獲取方法的效果，選取光伏并網(wǎng)波動率、BESS能量吞吐與期望偏差作為評價指標，并將IAO-IRCA提取策略與方案1～3進行對比。此外，為進一步分析考慮SOH和SOC的兩級功率分配方法的優(yōu)越性，選取實時跟蹤效果、SOC標準差、SOC平均值、SOH標準差及BESS壽命損耗作為評價指標，并將與方案4～6進行對比。

5.2 BESS功率調(diào)節(jié)指令獲取及結果分析

設置種群數(shù)量為30，最大迭代次數(shù)為100，IAO運行100次后，取多次優(yōu)化結果中適應度函數(shù)值最低的迭代過程為最優(yōu)收斂過程?；贗AO-IRCA的光伏并網(wǎng)功率指令提取結果如圖2所示，同時將其與基于SDT的光伏并網(wǎng)功率獲取方法（方案1）、基于RCA的光伏并網(wǎng)功率獲取方法（方案2）、基于低通濾波的光伏并網(wǎng)功率獲取方法（方案3）進行對比，各方案下光伏并網(wǎng)功率波動率以及其他評價指標請見圖3和表3。

由圖2和圖3可知，相較于對比方案，本文光伏平均并網(wǎng)波動率降幅最大，降低約88%，且本文方案、方案1與方案3調(diào)整最大波動率小于0.083；這表明3種方案均可平抑光伏功率波動使之滿足并網(wǎng)要求。由圖2中區(qū)塊A可知，本方案較方案1更好地反映了原始光伏功率變化趨勢；根據(jù)圖2中區(qū)塊B可知，本方案引入的壓縮偏移向量有效調(diào)整了壓縮強度，提升了算法平抑效果；由圖2中區(qū)塊C可知，相對于方案1與方案3，本文方案通過調(diào)整壓縮偏移向量中元素值，增強了平抑較小功率波動的能力?？偠灾?，本方案較好地保留了原始光伏功率變化趨勢，有效削減了光伏并網(wǎng)波動率，更利于光伏電站參與電網(wǎng)調(diào)度。

進一步分析表3可知，對比本文方案與方案1可知，本文BESS能量吞吐[E_BESS]、期望偏差D降低更為明顯，而二者平均并網(wǎng)波動率接近；而相較于方案2，本文BESS能量吞吐[E_BESS]、期望偏差[D]與平均并網(wǎng)波動率[ΔP]均有一定程度下降，尤其是期望偏差與平均并網(wǎng)波動率下降明顯，極大提升了BESS的SOC恢復能力和算法平抑能力，充分體現(xiàn)了引入壓縮偏移向量的優(yōu)越性。與此同時，在期望偏差[D]與平均并網(wǎng)波動率[ΔP]這兩個指標上與方案3基本接近，但將BESS能量吞吐量降低了3.59 MWh，降低幅度約15%，這說明相對于低通濾波方法，本研究策略能更有效降低BESS能量吞吐，延長BESS使用壽命?？傊?，相較于其他方案，所提IAO-IRCA算法在兼顧降低并網(wǎng)波動率、延長BESS壽命損耗與恢復SOC等方面有更大優(yōu)勢。

圖4展示了將IAO、AO、AOA、SSA、GWO和WOA等幾種算法分別應用于本次尋優(yōu)得到的適應度函數(shù)值變化曲線，其中由max-min歸一化算法分別得到的權重系數(shù)[α1]、[α2]和[α3]分別為200、0.1和0.5。為保證公平性，當IAO停止迭代時，其余各算法也停止迭代。結合圖4可知，比較尋至最優(yōu)解所需時間與最優(yōu)適應度函數(shù)值，IAO尋優(yōu)的適應度函數(shù)值與AOA、SSA、AO接近，且略低于其他優(yōu)化算法，這表明IAO提升了尋優(yōu)精度。并且，IAO尋至最優(yōu)解的迭代時間為4.2 s，略低于尋優(yōu)精度相對接近的SSA（6.2 s），而較AOA、AO的迭代時長14、9.8 s，IAO尋優(yōu)速度提升明顯。因此，IAO保持較高尋優(yōu)精度的同時，縮短了迭代時間，提升了尋優(yōu)速度。

5.3 功率調(diào)節(jié)指令初級分配結果及分析

為體現(xiàn)本文策略在降低電池組充放電轉換次數(shù)的優(yōu)越性，本小節(jié)將本文策略與文獻［15］所示的策略（方案4）進行對比，文獻［15］所示策略采用容量均分并基于SOC均衡原則分配功率。圖5給出了兩方案電池組功率分配及跟蹤情況。

由圖5可知，相對于容量均分的分組策略，本研究下電池組依據(jù)該時段的能量吞吐靈活調(diào)整電池組容量，使得優(yōu)先充電組盡可能僅用于充電、優(yōu)先放電組盡可能僅用于放電，特別是在圖5b區(qū)塊A處，長時間充電降低了優(yōu)先充電組的響應能力，使得優(yōu)先充電組不足以獨自應對功率指令，導致頻繁出現(xiàn)優(yōu)先充電組放電、優(yōu)先放電組充電的現(xiàn)象；而對比本文方案，通過調(diào)整該時段優(yōu)先充電組容量，進而提升了優(yōu)先充電組的充放電能力，最終減少了電池組頻繁充放電轉換。此外，離群組在調(diào)度周期內(nèi)略有承擔功率調(diào)節(jié)指令，符合SOH較低的電池單元盡量少承擔功率指令的設計理念，減少了SOH損耗，一定程度上減小了組間SOH差異。

5.4 功率調(diào)節(jié)指令次級分配結果及響應情況

將方案4、不分組且電池單元功率均分策略（方案5）以及采用SOH一致性的文獻［19］（方案6）與本文策略進行對比。

為體現(xiàn)本文方案在降低壽命損耗、提升SOC與SOH一致性的優(yōu)勢，表4給出了4種方案下實時跟蹤比例、SOC標準差與平均值、SOH標準差及電池單元壽命損耗等評價指標對比，圖6為本方案響應結果與功率指令示意圖。由表4與圖6可知，相較于方案4，本研究方案下SOC標準差略有上升，SOC一致性略有降低，但SOH標準差降低了90%，SOH一致性大大提升；同時相較于方案6，本文方案可在保證SOH標準差相對接近的同時，SOC標準差降低了88%，這表明本研究方案在保持組內(nèi)SOC一致性的基礎上進一步緩解了SOH差異較大的問題。由于方案5采用功率均分的分配方法，SOC與SOH標準差與調(diào)度前狀態(tài)接近，而對比方案5與本方案的壽命損耗可知，本方案可降低電池單元壽命損耗約45%。

對比4種方案的實時跟蹤比例與SOC平均值可知，在參與調(diào)度前后BESS的SOC偏差均小于0.05，這表明經(jīng)過一個調(diào)度周期，電池單元SOC又恢復至初始狀態(tài)，提升了整個BESS的可持續(xù)調(diào)度能力；同時方案4出現(xiàn)電池組個別時刻充放電能力不足的情況，削弱了BESS跟蹤指令的能力，導致無法實時跟蹤指令的情況，而其余各方案均可實現(xiàn)功率的實時跟蹤；上述兩種情況表明，5.2節(jié)獲取的BESS功率調(diào)節(jié)指令在滿足BESS容量要求的同時，促進了電池單元的SOC恢復?？梢姡噍^于3種對比方案，本研究方案的實時跟蹤比例最高，SOH與SOC一致性同時達到最強，更有效降低了電池單元壽命損耗。

為更直觀體現(xiàn)本文方案在提升SOC與SOH一致性、實現(xiàn)功率實時跟蹤方面的優(yōu)勢，圖7給出了本文方案與方案6的SOC變化對比情況，圖8給出了本文方案與方案4的SOH變化對比情況。對比圖7a與圖7b可知，方案6重點考慮了SOH一致性，但提升SOC一致性較弱；而對比圖8a與圖8b可知，方案4采用的分組策略使得電池組間分配的功率差異增加，加劇了組間SOH差異，呈現(xiàn)類似本文引言所述的“以SOH分組”現(xiàn)象；相較于本文方案，兩方案均無法同時實現(xiàn)SOH與SOC的一致性。分析圖7a中區(qū)塊A與B、圖8a中區(qū)塊A與C可知，在功率分配初期，SOH與SOC一致性均較低，調(diào)整強度大；而在功率分配后期，SOH與SOC一致性提升，調(diào)整強度降低；圖8a中區(qū)塊B則表明，SOH較低的電池單元在開始功率分配時被分配至離群組，不承擔功率分配，使SOH組間差異迅速降低，與本文設計理念吻合。綜上，本文方案在有效平抑光伏并網(wǎng)波動的基礎上，減小了電池組間SOH差異，提升了電池單元SOC一致性，延長了BESS使用壽命。

6 結 論

針對BESS在平抑光伏功率波動過程中電池組間SOH差異較大、電池單元SOC一致性較弱、壽命損耗較高的問題，提出面向光伏平抑考慮SOH與SOC的BESS功率分配方法，主要結論如下：

1） 提出基于IAO-IRCA算法的光伏并網(wǎng)功率指令獲取方法。結果表明，由該算法獲取的光伏并網(wǎng)功率指令滿足并網(wǎng)要求，相較于原始RCA算法，該算法使BESS能量吞吐量降低了3.59 MWh，降低比例約15%。

2） 提出考慮電池單元SOH和SOC的BESS初級功率分配方法。算例分析表明，BESS實現(xiàn)了對于功率調(diào)節(jié)指令的準確跟蹤，與其他3種功率分配策略相比，本研究SOC標準差最小，僅為0.02，有效提高了電池單元SOC一致性。

3） 設計基于SOH/SOC均衡原則的電池單元功率次級分配方法，進一步降低組間SOH差異，提升SOH與SOC一致性。與現(xiàn)有方案相比，電池單元SOH標準差僅為1.21×10-6，有效減小了組間SOH差異，同時BESS壽命損耗僅為1.65×10-5，有效延長了BESS使用壽命。

本文功率分配策略未考慮BESS運行中的經(jīng)濟性問題，同時也忽略了指令下發(fā)過程中的通訊時延，未來可計及光伏并網(wǎng)收益與通訊時延對所提功率分配方法進一步予以完善。

［參考文獻］

［1］ 馬偉明. 關于電工學科前沿技術發(fā)展的若干思考［J］. 電工技術學報， 2021， 36（22）： 4627-4636.

MA W M. Thoughts on the development of frontier technology in electrical engineering［J］. Transactions of China Electrotechnical Society， 2021， 36（22）： 4627-4636.

［2］ 陳剛， 袁越， 傅質(zhì)馨. 儲能電池平抑光伏發(fā)電波動的應用［J］. 電力系統(tǒng)及其自動化學報， 2014， 26（2）： 27-31， 49.

CHEN G， YUAN Y， FU Z X. Application of storage battery to restrain the photovoltaic power fluctuation［J］. Proceedings of the CSU-EPSA， 2014， 26（2）： 27-31， 49.

［3］ 鄭浩， 謝麗蓉， 葉林， 等. 考慮光伏雙評價指標的混合儲能平滑出力波動策略［J］. 電工技術學報， 2021， 36（9）： 1805-1817.

ZHENG H， XIE L R， YE L， et al. Hybrid energy storage smoothing output fluctuation strategy considering photovoltaic dual evaluation indicators［J］. Transactions of China Electrotechnical Society， 2021， 36（9）： 1805-1817.

［4］ 李建林， 馬會萌， 惠東. 儲能技術融合分布式可再生能源的現(xiàn)狀及發(fā)展趨勢［J］. 電工技術學報， 2016， 31（14）： 1-10， 20.

LI J L， MA H M， HUI D. Present development condition and trends of energy storage technology in the integration of distributed renewable energy［J］. Transactions of China Electrotechnical Society， 2016， 31（14）： 1-10， 20.

［5］ LI X J， HUI D， LAI X K. Battery energy storage station （BESS）-based smoothing control of photovoltaic （PV） and wind power generation fluctuations［J］. IEEE transactions on sustainable energy， 2013， 4（2）： 464-473.

［6］ 吳振威， 蔣小平， 馬會萌， 等. 用于混合儲能平抑光伏波動的小波包-模糊控制［J］. 中國電機工程學報， 2014， 34（3）： 317-324.

WU Z W， JIANG X P， MA H M， et al. Wavelet packet-fuzzy control of hybrid energy storage systems for PV power smoothing［J］. Proceedings of the CSEE， 2014， 34（3）： 317-324.

［7］ 付菊霞， 陳潔， 滕揚新， 等. 基于集合經(jīng)驗模態(tài)分解的風電混合儲能系統(tǒng)能量管理協(xié)調(diào)控制策略［J］. 電工技術學報， 2019， 34（10）： 2038-2046.

FU J X， CHEN J， TENG Y X， et al. Energy management coordination control strategy for wind power hybrid energy storage system based on EEMD［J］. Transactions of China Electrotechnical Society， 2019， 34（10）： 2038-2046.

［8］ YU Y， CHEN D Y， WANG B X， et al. Control scheme to extend lifetime of BESS for assisting wind farm to track power generation plan based on wind power feature extraction［J］. IET power electronics， 2022， 15（15）： 1629-1651.

［9］ 蘇適， 陸海， 嚴玉廷， 等. 光伏發(fā)電出力特征提取及區(qū)域集群聚合特性［J］. 云南電力技術， 2018， 46（1）： 86-94.

SU S， LU H， YAN Y T， et al. Research on solar PV power output feature extraction and regional cluster aggregation characteristics analysis［J］. Yunnan electric power， 2018， 46（1）： 86-94.

［10］ 馬偉， 王瑋， 吳學智， 等. 光儲協(xié)調(diào)互補平抑功率波動策略及經(jīng)濟性分析［J］. 電網(wǎng)技術， 2018， 42（3）： 730-737.

MA W， WANG W， WU X Z， et al. Coordinated control strategy of photovoltaics and energy storage for smoothing power fluctuations of photovoltaics and economic analysis［J］. Power system technology， 2018， 42（3）： 730-737.

［11］ 馬蘭， 謝麗蓉， 葉林， 等. 基于混合儲能雙層規(guī)劃模型的風電波動平抑策略［J］. 電網(wǎng)技術， 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.

［12］ 熱孜古麗·買買提， 陳潔， 田小壯， 等. 基于風電儲能系統(tǒng)的功率平抑策略研究［J］. 電力電容器與無功補償， 2019， 40（4）： 188-192.

Reziguli·MAIMAITI， CHEN J， TIAN X Z， et al. Study on power stabilization strategy based on wind energy storage system［J］." " "Power" " "capacitor" " "amp;" " "reactive" " "power compensation， 2019， 40（4）： 188-192.

［13］ 郭偉， 趙洪山. 基于改進分布式一致性算法的電池儲能陣列分組控制策略［J］. 電工技術學報， 2019， 34（23）： 4991-5000.

GUO W， ZHAO H S. Grouping control strategy of battery energy storage array system based on an improved distributed consensus algorithm［J］. Transactions of China Electrotechnical Society， 2019， 34（23）： 4991-5000.

［14］ 嚴干貴， 蔡長興， 段雙明， 等. 考慮電池儲能單元分組優(yōu)化的微電網(wǎng)運行控制策略［J］. 電力系統(tǒng)自動化， 2020， 44（23）： 38-46.

YAN G G， CAI C X， DUAN S M， et al. Operation control strategy of microgrid considering grouping optimization of battery energy storage units［J］. Automation of electric power systems， 2020， 44（23）： 38-46.

［15］ 蔡新雷， 董鍇， 孟子杰， 等. 基于優(yōu)化動態(tài)分組技術的電池儲能電站跟蹤AGC指令控制策略［J］. 儲能科學與技術， 2022， 11（5）： 1475-1481.

CAI X L， DONG K， MENG Z J， et al. AGC command tracking control strategy for battery energy storage power station based on optimized dynamic grouping technology［J］. Energy storage science and technology， 2022， 11（5）： 1475-1481.

［16］ EKHTERAEI T H， ADEL M， AHMED A， et al. Optimal battery cycling strategies in workplaces with electric vehicle chargers， energy storage systems and renewable energy generation［J］. IET renewable power generation， 2022， 16（6）： 1121-1133.

［17］ SUN J L， PEI L， LIU R H， et al. Economic operation optimization for 2nd use batteries in battery energy storage systems［J］. IEEE access， 2019， 7： 41852-41859.

［18］ 段雙明， 于航， 劉聰， 等. 考慮儲能單元健康狀態(tài)與荷電狀態(tài)一致性的BESS功率分配策略［J］. 電力系統(tǒng)自動化， 2023， 47（5）： 65-73.

DUAN S M， YU H， LIU C， et al. Power allocation strategy for battery energy storage system considering consistency of state of health and state of charge of energy storage units［J］. Automation of electric power systems， 2023， 47（5）： 65-73.

［19］ 李建林， 李雅欣， 劉海濤， 等. 計及儲能電站安全性的功率分配策略研究［J］. 電工技術學報， 2022， 37（23）： 5976-5986.

LI J L， LI Y X， LIU H T， et al. Research on power distribution strategy considering the safety of energy storage" " power" " station［J］." "Transactions" " of" " China Electrotechnical Society， 2022， 37（23）： 5976-5986.

［20］ 李相俊， 馬銳， 王上行， 等. 考慮電池壽命的商業(yè)園區(qū)儲能電站運行控制策略［J］. 高電壓技術， 2020， 46（1）： 62-70.

LI X J， MA R， WANG S X， et al. Operation control strategy for energy storage station after considering battery life in commercial park［J］. High voltage engineering， 2020， 46（1）： 62-70.

［21］ ABUALIGAH L， YOUSRI D， ABD ELAZIZ M， et al. Aquila Optimizer： a novel meta-heuristic optimization algorithm［J］. Computers amp; industrial engineering， 2021， 157： 107250.

［22］ GB/T 19964—2012， 光伏發(fā)電站接入電力系統(tǒng)技術規(guī)定［S］.

GB/T 19964—2012， Technical requirements for connecting photovoltaic power station to power system［S］.

［23］ ZHANG J， HOU L， DIAO X H， et al. Power allocation method of battery energy storage system considering state balance in smoothing photovoltaic power fluctuations［J］. Frontiers in energy research， 2022， 10： 965812.

POWER DISTRIBUTION METHOD OF BATTERY ENERGY STORAGE SYSTEM FOR PHOTOVOLTAIC POWER SUPPRESSION

CONSIDERING SOH AND SOC

Yu Yang1，2，Wang Boxiao1，2，Wu Yuwei1，2，Chen Dongyang1，2，Li Menglu1，2，Cai Xinlei3

（1. State Key Laboratory of Alternate Electrical Power System With Renewable Energy Sources

（North China Electric Power University （Baoding））， Baoding 071003， China；

2. Key Laboratory of Distributed Energy Storage and Microgrid of Hebei Province

（North China Electric Power University （Baoding））， Baoding 071003， China；

3. Electric Power Dispatching Control Center of Guangdong Grid Co.， Ltd.， Guangzhou 510600， China）

Abstract：To solve the issue of high life loss when the battery energy storage system （BESS） participates in photovoltaic power suppression， a power distribution method of BESS for photovoltaic power suppression considering state of health （SOH） and state of charge （SOC） is proposed. Firstly， the PV grid-connected standard， BESS capacity and maximum charge-discharge power are taken as the constraint conditions， and an optimization model of photovoltaic grid-connected signal is established with the objectives of grid-connected fluctuation rate， BESS life loss and SOC recovery. It is solved by the improved rain flow counting method optimized by improved aquila optimization algorithm. Then， a two-stage power allocation strategy of BESS is designed. Based on the traditional capacity dichotomy， exception group are introduced， and the capacity of the battery pack is dynamically adjusted. A BESS dynamic grouping method that takes into account both SOH and SOC is proposed， which is to realize the primary allocation of power instructions from BESS to the battery pack. Furthermore， the response ability of each battery cell is dynamically estimated by combining the standard deviation and range of SOH and SOC of the battery cell. The battery cell power distribution method based on SOH/SOC balance principle is designed to realize the secondary distribution of power command from battery pack to battery cell. Finally， the battery unit completes the adjustment in response to the power command. The typical daily output of a PV station equipped with BESS are used for simulation verification. Compared with other schemes， the results show that the proposed method reduces the SOH difference between battery groups， enhances the SOC consistency among battery units， and reduces the life loss of BESS with the satisfaction of the requirement of photovoltaic grid-connected fluctuation rate.

Keywords：battery energy storage system； photovoltaic power systems； heuristic algorithms； state of charge； state of health