用于平抑风电功率波动的混合储能分组控制优化策略

翟耘佩; 张雷; 刘冠宇; 陈功; 刘航; 冯志远

doi:10.12404/j.issn.1671-1815.2503961

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (16) :6881-6889 DOI: 10.12404/j.issn.1671-1815.2503961

电工技术

用于平抑风电功率波动的混合储能分组控制优化策略

作者信息 +

Hybrid Energy Storage Group Control Optimization Strategy for Smoothing Wind Power Fluctuations

Author information +

文章历史 +

摘要

目前,风力发电已成为可再生能源发电主要方式,但风电大规模并网给电网安全运行带来了极大的挑战。提出一种混合储能分组控制优化策略。首先,基于并网波动标准采用自适应小波包分解和快速傅里叶变换得到并网参考功率并对混合储能系统进行初步功率分配。随后,采用模糊控制算法对超级电容的荷电状态(state of charge,SOC)进行动态优化,从而实现对超级电容和蓄电池功率指令修正。最后,针对蓄电组间SOC偏差问题,在双蓄电池控制策略基础上引入备用电池储能单元,构建三蓄电池组动态分组控制策略。通过算例仿真,与现有的蓄电池分组控制策略对比。结果表明:三蓄电池动态分组策略可使电池组间平均SOC偏差减少了9.34%,最大SOC偏差减少了15.57%。验证了三蓄电池组在改善充放电不平衡、电池组间等效SOC偏差增大等问题上的有效性。

Abstract

At present, wind power has been recognized as a primary renewable energy source, however, its large-scale grid integration poses significant challenges to power system stability. To address these challenges, a hybrid energy storage grouping control optimization strategy was proposed. Firstly, based on grid-connected fluctuation standards, adaptive wavelet packet decomposition and fast Fourier transform were employed to derive the grid-connected reference power, and preliminary power allocation within the hybrid energy storage system was carried out. Subsequently, the state of charge (SOC) of the supercapacitor was dynamically optimized using a fuzzy control algorithm, thereby enabling coordinated correction of its power commands. Finally, to mitigate SOC deviation among battery groups, a dynamic three-battery grouping control strategy was developed by introducing a standby battery unit into the dual-battery control framework. Compare with existing battery grouping control strategies through numerical simulations. The results show that the dynamic grouping strategy of three batteries can reduce the average SOC deviation between battery packs by 9.34% and the maximum SOC deviation by 15.57%. The effectiveness of three battery packs in alleviating charge-discharge imbalance and improving equivalent SOC deviation between battery packs is verified.

Graphical abstract

关键词

蓄电池分组控制 / 自适应小波包 / 模糊控制 / 组间等效荷电状态(SOC)偏差

Key words

battery group control / adaptive wavelet packet / fuzzy control / inter-group equivalent state of charge (SOC) deviation

引用本文

引用格式 ▾

翟耘佩, 张雷, 刘冠宇, 陈功, 刘航, 冯志远. 用于平抑风电功率波动的混合储能分组控制优化策略[J]. 科学技术与工程, 2026, 26(16): 6881-6889 DOI:10.12404/j.issn.1671-1815.2503961

ZHAI Yun-pei, ZHANG Lei, LIU Guan-yu, CHEN Gong, LIU Hang, FENG Zhi-yuan. Hybrid Energy Storage Group Control Optimization Strategy for Smoothing Wind Power Fluctuations[J]. Science Technology and Engineering, 2026, 26(16): 6881-6889 DOI:10.12404/j.issn.1671-1815.2503961

登录浏览全文

4963

注册一个新账户忘记密码

在“双碳”目标的驱动下,以风光为主的新能源具有无污染、可持续和分布范围广等优点,已成为推动能源结构转型的关键支撑^[1]。但风电出力具有随机性,波动性和不确定性,给电网安全稳定运行带来了极大的挑战^[2]。在风电场侧配备混合储能系统(hybrid energy storage system, HESS)既能够减少风电场输出功率波动还能够降低成本提高经济效益^[3-4]。

为了使风电输出功率符合并网电能质量标准,中外学者开展了大量研究。一阶低通滤波器^[5]是最早用于平抑风电功率波动的方法之一,通过滤波器去除信号中高频波动信号,从而得到较为平滑的功率输出曲线。但是,一阶低通滤波器对低频信号处理效果不佳,不适用于处理波动性显著的风电功率^[6]。目前,混合储能系统大都采用功率型储能例如超级电容和能量型储能例如蓄电池装置的搭配,二者结合可充分发挥各自的优势^[7-8]。文献[9-10]利用小波包分解风电功率,可以更精准地对不同频率段的功率波动进行分别处理和控制。加入模糊控制算法并结合混合储能系统,对功率进行了有效平抑。文献[11]提出混合储能系统中采用单蓄电池储能会面临频繁的充放电转换问题,这不仅降低了电池的充放电效率,还显著缩短了其使用寿命。基于这一问题,文献[12]提出一种双电池协同控制策略,电池组独立承担充放电任务,当达到限制条件时,切换工作状态。划分两个电池储能单元在一定程度上缓解了单蓄电池充放电频繁切换导致电池寿命衰减的问题,但是此模式存在电池充放电功率不平衡的情况,会导致储能单元无法运行于最优充放电区间,仍会造成电池寿命损耗^[13-14]。文献[15] 提出一种基于一阶低通滤波算法优化双蓄电池组不平衡状态的控制方法。能够让系统在风电功率波动场景下保持电池储能单元间的充放电均衡。目前,主流方法均采用双蓄电池储能结构独立进行充放电,电池间的不均衡状态则采用其他控制策略去优化。此外,目前的研究并未考虑蓄电池组间荷电状态(state of charge,SOC)偏差的问题,这有可能导致电池组间出现深度充放电和浅层循环的极端分化运行状态。

基于上述研究,提出一种混合储能分组控制优化策略,用于平抑风电功率波动。首先,基于自适应小波包分解并引入快速傅里叶变换,确定并网参考功率以及储能初步分配参考功率。其次,考虑到超级电容设备容量和SOC安全区间限制,采用模糊控制算法对超级电容充放电功率指令进行修正,建立以SOC阈值为约束条件的多时间尺度优化模型,完成第二次功率分配。最后,为解决双蓄电池充放电不平衡引发的组间等效SOC偏差增大等问题,引入备用组蓄电池。构建三蓄电池储能结构,当工作组其中任一电池SOC触及约束边界,另一工作组充放电容量仍有裕度时,触限工作组与备用组切换工作状态,非触限组维持上一时刻工作状态不变。通过动态分组来优化电池组工作状态,减少组间等效SOC偏差。进行算例仿真,对比传统单蓄电池和双蓄电池控制策略的运行效果,验证所提出的三蓄电池动态分组控制策略的有效性。此策略不仅能够有效抑制风电功率波动,保障并网的稳定性同时可显著优化储能电池组和超级电容的充放电均衡性,延长储能使用寿命。

1 平抑风电功率波动的HESS功率配置

1.1 风储联合一体化系统模型

风电并网过程中配置混合储能系统可以平抑并网功率波动,减少对电网稳定运行的影响。风储系统结构示意图如图1所示。风电场原始输出功率与并网参考功率以及混合储能功率之间的关系可表示为

(1)$P_{\text {grid }}=P_{\text {wind }}+P_{\text {HESS }}$

式(1)中:P_wind为风电原始输出功率;P_grid为风电场的并网参考功率;P_HESS为混合储能的输出功率。

混合储能控制系统根据风电场的输出功率和储能的运行状态,不断调整超级电容以及电池组的充放电任务^[16]。

1.2 风电功率的自适应小波包分解

风电场的输出功率具有明显的随机性和波动性,因此风电并网有功功率波动最大限值应满足《风电场接入电力系统技术规定第1部分:陆上风电》(GB/T 19963.1—2021)^[17],正常情况下1 min和10 min双尺度波动的最大限制如表1^[17]所示。

基于《风电场接入电力系统技术规定第1部分:陆上风电》(GB/T 19963.1—2021)^[17]要求,采用基于小波分解进一步发展的小波包分解。传统的小波分解存在对高频信号处理不足,频率分辨率较差的问题,而小波包分解不仅可以对高低频部分进行全面分解,并且可以通过调整小波基函数的时间窗和频率窗,获得更精确的信号分解信息。图2为典型的3层小波包分解示意图。S为原始信号,对其进行n层分解(n≥1),可以得到分解信号S₍_n_,0)根据奈奎斯特采样定理得出信号的频段带宽(f₀),可表示为

(2)$f_{0}=\frac{f_{\mathrm{s}}}{2^{n+1}}$

式(2)中:f_s为采样频率;n为自适应小波包分解层数^[18]。

当原始风电功率波动处于规定范围内时,风电可直接并网。超出波动极限范围时,需采用自适应小波包分解方法对风电功率进行分解,得到低频分量S₍_n_,0),经重构后功率满足并网波动极限要求,此时可确定对应的最佳分解层数,具体流程如图3所示。

功率波动范围的计算公式为

(3)$\left\{\begin{array}{l}P_{\mathrm{G} 1, \min }(t)=P_{\mathrm{G}}(t)-\frac{1}{10} C_{\text {install }} \\P_{\mathrm{G} 1, \max }(t)=P_{\mathrm{G}}(t)+\frac{1}{10} C_{\text {install }}\end{array}\right.$

(4)$\left\{\begin{array}{l}P_{\mathrm{G} 10, \min }(t)=\max _{\Delta t=0,1, \cdots, 9} P_{\mathrm{G}}(t-\Delta t)-\frac{1}{3} C_{\text {install }} \\P_{\mathrm{G} 10, \max }(t)=\min _{\Delta t=0,1, \cdots, 9} P_{\mathrm{G}}(t-\Delta t)+\frac{1}{3} C_{\text {install }}\end{array}\right.$

式中:P_G1,min(t)和P_G1,max(t)分别为1 min范围内并网功率允许波动范围的下限和上限;P_G(t)为并网功率;P_G10,min(t)和P_G10,max(t)分别为10 min范围内并网功率允许波动范围的下限和上限;C_install为风电场的装机容量;t为当前时刻;Δt为时间间隔。

以所采用的装机容量为80 WM的风电场典型日风电出力场景为例,经自适应小波包分解得到,该场景下小波包最优分解层数为6,重构后得到风电原始功率与并网功率曲线如图4所示。

1.3 混合储能系统

自适应小波包分解得到并网参考功率,而原始风电功率与并网参考功率的差值则由HESS承担,低频波动分量由蓄电池储能去平抑,高频波动部分由超级电容承担,实现混合储能系统的最优配合。两者额定功率应为实际充放电功率的最大值,可表示为

(5)$P_{\text {rate-bat }}=\max \left\{\begin{array}{ll}\frac{P_{\text {ref-bat }}(t)}{\eta_{\text {bat }}}, & P_{\text {ref-bat }}(t)>0 \\\left|P_{\text {ref-bat }}(t) \eta_{\text {bat }}\right|, & P_{\text {ref-bat }}(t)<0\end{array}\right.$

(6)$P_{\text {rate-sc }}=\max \left\{\begin{array}{ll}\frac{P_{\text {ref-sc }}(t)}{\eta_{\mathrm{sc}}}, & P_{\text {ref-sc }}(t)>0 \\\left|P_{\text {ref-sc }}(t) \eta_{\mathrm{sc}}\right|, & P_{\text {ref-sc }}(t)<0\end{array}\right.$

式中:P_rate-bat、P_rate-sc分别为蓄电池和超级电容的额定功率;P_ref-bat(t)、P_ref-sc(t)分别为蓄电池和超级电容t时刻的充放电参考功率;η_bat、η_sc分别为蓄电池和超级电容充放电效率。

蓄电池和超级电容的容量变化可以通过对充放电功率进行积分得到,表达式为

(7)$E_{\text {bat }}(t)=E_{\text {bat }}(t-1)+\int_{0}^{T} P_{\text {ref-bat }}(t-1) \mathrm{d} t$

(8)$E_{\mathrm{sc}}(t)=E_{\mathrm{sc}}(t-1)+\int_{0}^{T} P_{\mathrm{ref}-\mathrm{sc}}(t-1) \mathrm{d} t$

式中:E_bat、E_sc分别为蓄电池和超级电容在t时刻的剩余容量;T为采样时间间隔。

考虑储能的充放电效率,荷电状态以及安全裕度等因素,将储能容量设置为

(9)$C=\frac{E_{\max }-E_{\min }}{\eta\left(\mathrm{SOC}_{\max }-\mathrm{SOC}_{\min }\right)}(1+\alpha)$

式(9)中:E_max、E_min分别为储能容量的最大值和最小值;SOC_max、SOC_min分别为储能荷电状态的上限和下限;η为储能的充放电效率;α为SOC区间的安全裕度。

将分频点i设置在风电功率波动的高频段和低频段的交界处,即i=2,对应的频率响应为3.25×10^-3 Hz。蓄电池和超级电容参考功率分别为P_bat-ref和P_sc-ref,计算公式分别为

(10)$P_{\text {bat-ref }}=-\left[S_{6,1}(\mathrm{t})+S_{6,2}(\mathrm{t})\right]$

(11)$P_{\text {sc-ref }}=-\left[S_{6,3}(t)+S_{6,4}(t)+\cdots+S_{6,64}(t)\right]$

由此可得蓄电池和超级电容的初次分配功率。

2 混合储能功率优化控制策略

利用自适应小波包分解得到并网功率以及混合储能初次分配功率。HESS通过能量型与功率型储能的协同作用,有效弥补了单一储能在能量密度与功率密度上的固有缺陷,但并没有考虑到实际运行过程中,储能装置(如超级电容)因高频次充放电易出现荷电状态偏离安全区间的现象。SOC越限不仅会降低系统对风电功率波动的平抑效果,还可能导致储能材料因频繁过充/过放而加速老化。针对上述问题,提出基于模糊控制算法的超级电容SOC动态优化策略。

根据专家经验和应用场景制定模糊规则和隶属度函数,模糊控制器以功率波动经归一化处理后的功率变化率ΔP(t)以及超级电容的荷电状态SOC(t)为输入,将超级电容功率修正分配系数k_sc(t)作为输出。当SOC(t)处于较高水平,同时ΔP(t)为较高正值时,应适当减小k_sc(t),避免过度充电,若ΔP(t)为负值,则不需要修正。当SOC(t)较低并且ΔP为较大负值时,应减小k_sc(t),避免过放。具体模糊规则如表2所示。修正后的超级电容功率指令为

(12)$P_{\mathrm{sc}}(t)=k_{\mathrm{sc}}(t) P_{\mathrm{sc}-\text { ref }}(t)$

输入变量与输出变量的隶属关系函数如图5所示。

输入变量SOC(t)的论域范围是[0,1],模糊子集为{VS,S,M,B,VB}。VS以及VB域采用广义钟型隶属函数,平稳衰减的特性可以有效避免深度充放电,延长寿命。M域覆盖较宽范围,是主要工作区间,采用梯形函数避免频繁调整控制策略。ΔP(t)的论域为[-1 1],模糊子集为{NB,NS,ZO,PS,PB}。输出变量k_sc(t)的论域范围是[0,1],模糊子集为{VS,S,MS,MB,B,VB}。

3 分组蓄电池控制策略优化

3.1 双蓄电池分组运行策略

采用分组蓄电池控制吸收和补偿风电功率可平滑并网功率,传统分组蓄电池采用一充一放的双蓄电池模式,一组蓄电池承担放电职能,另外一组蓄电池承担充电职能。当任一电池组达到荷电状态限值时,两组蓄电池切换充放电状态。但在实际运行过程当中,由于风电功率剧烈波动和不确定的影响,当某组蓄电池的SOC达到运行区间限值时,另一组蓄电池的SOC可能存在显著偏离限值的情况,从而造成两组蓄电池SOC的差异扩大。经过多次充放电切换,这种工况将会加剧,会导致蓄电池有效容量减少,充放电效率降低,寿命加速衰减等问题。

引入电池组间等效SOC偏差指数(ϕ_SOC),双蓄电池组偏差指数表示为

(13)$\varphi_{\mathrm{SOC}}=\frac{\mathrm{SOC}_{1}+\mathrm{SOC}_{2}+\cdots+\mathrm{SOC}_{n}}{n}$

式(13)中:n为蓄电池组数;SOC_n为第n组蓄电池的荷电状态。

ϕ_SOC越接近0.5表明电池之间偏差越小,系统处于最佳均衡状态,充电量与放电量基本持平,若ϕ_SOC小于0.5时,表明蓄电池组可充电量大于可放电量如图6所示;反之表示蓄电池组可放电量大于可充电量如图7所示。ϕ_SOC越偏离0.5表明充电组和放电组的偏差越大。

3.2 引入备用电池组的改进策略

为改善双蓄电池运行过程中出现的组间等效SOC偏差增大、充放电不平衡、储能有效容量减少等问题,提出基于三蓄电池组架构的动态分组控制策略。该方案在传统双电池组基础上引入备用储能单元,构建充电组(charging group, CG)、放电组(discharging group, DG)和备用组(standby group, SG)协同工作机制。系统初始阶段将所有电池组的SOC均设置为0.5,避免因初始SOC差异导致的功率分配偏差。

当风电功率波动触发储能响应时,电池组按以下规则协同工作:当P_bat(t)为正值时,CG工作充电吸收功率,SOC上升,当P_bat(t)为负时,DG工作放电,SOC下降。正常工作状态下SG处于待机状态,当任一工作组SOC到达限值时,SG切换至工作状态接替触限工作组,触限工作组转为待机模式。当SG与另一电池组工作时,其中任一组SOC到达限值时切换待机电池组,交替配合工作。充放电池组工作过程中的功率计算基于电池SOC,额定功率以及容量,具体充放电功率函数计算模型可表示为

(14)$f_{\mathrm{ch}}\left(\mathrm{SOC}_{\mathrm{CG}}, t\right)=\min \left\{P_{\mathrm{ch}, \operatorname{ref}(t)},\right.\frac{E_{\mathrm{bat}}\left[\left(\mathrm{SOC}_{\max }-\mathrm{SOC}_{\mathrm{CG}}(t-\Delta t)\right]\right.}{\eta_{\mathrm{ch}} \Delta t} \}$

(15)$f_{\text {dis }}\left(\mathrm{SOC}_{\mathrm{DG}}, t\right)=\max \left\{P_{\text {dis }, \text { ref }(t)},\right.\frac{E_{\text {bat }}\left[\mathrm{SOC}_{\mathrm{DG}}(t-\Delta t)-\mathrm{SOC}_{\text {min }}\right]}{\eta_{\text {dis }} \Delta t}\}$

式中:f_ch、f_dis分别为储能系统的充电功率函数和放电功率函数;SOC_CG、SOC_DG分别为充电工作组和放电工作组的荷电状态;P_ch,ref(_t₎、P_dis,ref(_t₎分别为t时刻充电参考功率和放电参考功率;η_ch、η_dis分别为充电效率和放电效率。

工作组的实时功率可表示为

(16)$\left\{\begin{array}{l}P_{\mathrm{CG}}(t)=-f_{\mathrm{ch}}\left(\mathrm{SOC}_{\mathrm{CG}}, t\right) \\P_{\mathrm{DG}}(t)=f_{\mathrm{dis}}\left(\mathrm{SOC}_{\mathrm{DG}}, t\right)\end{array}\right.$

式(16)中:P_CG、P_DG分别为充电工作组和放电工作组的实时功率。

工作组更新SOC可表示为

(17)$\begin{aligned}\mathrm{SOC}_{\mathrm{CG}}(t)= & \min \left[\mathrm{SOC}_{\mathrm{CG}}(t-\Delta t)+\right. \\& \frac{\eta_{\mathrm{ch}}\left|P_{\mathrm{CG}}(t)\right| \Delta t}{E_{\text {bat }}}, \mathrm{SOC}_{\max }]\end{aligned}$

(18)$\mathrm{SOC}_{\mathrm{DG}}(t)=\max \left[\mathrm{SOC}_{\mathrm{DG}}(t-\Delta t)-\right.\frac{\left|P_{\mathrm{DG}}(t)\right| \Delta t}{\eta_{\mathrm{dis}} E_{\mathrm{bat}}}, \mathrm{SOC}_{\mathrm{min}}]$

当工作组SOC越限,电池组切换状态,形成动态分组。风电波动场景下三电池组协同工作规则如表3所示。

4 算例分析

选取山西大同市装机容量为80 MW的风电场2023年典型日实际输出功率数据,采样时间间隔为1 min,采样点1 440个,仿真时间为24 h。

4.1 基于自适应小波包分解的功率分配

对风电场原始功率数据进行自适应小波包分解,经分析确定最佳分解层数为6层,重构后获得64个功率分量。将S_(6,0)作为并网功率参考信号如图3所示。蓄电池和超级电容组成的混合储能系统补偿风电功率不平衡波动,通过快速傅里叶变换对其余功率分量进行频谱分析。基于两种储能的动态响应差异特性,考虑功率补偿范围和容量配置,将蓄电池和超级电容的分频点设置为3.5×10^-3 Hz。低于该频率的功率由蓄电池承担,高于该频率的功率由超级电容承担。储能系统功率分配如图8所示。

4.2 模糊控制优化储能功率分配

将蓄电池和超级电容的充放电效率η分别设置为90%、95%,计算得到蓄电池的额定功率为13.87 MW,超级电容的额定功率为8.5 MW。设置储能充放电深度为0.2~0.8,安全裕度(α)设置为0.2,通过式(9)计算可得示例风电场配置蓄电池储能的容量应为7 MW·h,超级电容的容量为0.3 MW·h。自适应小波包进行初次功率分配之后,采用模糊控制策略对超级电容的SOC进行优化, 对比模糊控制前后超级电容的SOC,如图9所示,模糊控制将超级电容的SOC波动范围从53.06%减少到48.35%,同时也将SOC维持在安全区间内,解决了越限问题。

4.3 分组蓄电池优化控制

通过模糊控制动态调节超级电容的功率分配,所产生的功率差额由蓄电池承担,此时蓄电池需承担的功率如图10所示。在此基础上,提出分组蓄电池协同优化控制策略平滑风电功率波动,分别设置单蓄电池组、双蓄电池组以及加入备用组的三蓄电池组,通过仿真对比不同控制策略下的蓄电池组SOC曲线,并基于式(13)定义的SOC偏差指数评估其维持效果。

风电场蓄电池总配置容量为7 MW,蓄电池SOC初始状态均设置为0.5。单蓄电池应配置全容量单元(7 MW),双蓄电池采用独立运行模式,通过充放电交替工作实现负荷均衡,各电池的额定容量均为总配置容量的50%(3.5 MW),三电池组协同控制策略下各电池的额定容量进一步优化至总配置容量的33.3%(2.33 MW)。

单蓄电池控制策略下的SOC曲线如图11所示,存在SOC越限以及充放电状态切换频繁的问题。双蓄电池控制策略通过将充放电功率分配到独立运行的充电组和放电组如图12所示,当任一电池组发生越限,切换电池组的充放电状态。这一运行机制有效缓解了充放电状态频繁切换导致的寿命衰减问题,但在部分时段功率持续单向扰动工况下,使得充放电循环周期内电池充电量和放电量偏差增大,SOC维持效果变差,由图13可以看出,每个充放电周期内,当放电组达到SOC下限时,充电组仍有充电裕度,并且在700 min之后,切换状态时充电裕度逐渐增大,组间等效SOC偏差也随之增大。

三蓄电池控制策略采用动态功率分配机制,在初始时刻设置电池组1为充电组,电池组2为放电组,电池组3为备用组。当工作组发生SOC越限时,依据表3的切换逻辑进行状态切换,具体功率分配如图14所示。由图15可以看出,三蓄电池协同控制策略下,工作组实现了完整充放电周期切换机制,在降低充放电切换频率,延长电池寿命的同时,SOC均衡性相较于双蓄电池控制策略也有提升。

双蓄电池控制策略存在充放电失衡现象,三蓄电池协同控制策略通过引入备用组动态补偿机制,三电池均有完整充放电循环周期。由图16可以看出,0~600 min两种策略的等效SOC差别较小,在700 min之后双蓄电池充电量远大于放电量,电池处于浅层循环状态,偏差严重。而三蓄电池组的动态优化控制策略使得组间SOC等效偏差指数更接近于0.5,有效缓解了双蓄电池容量利用不足导致SOC失衡的问题。

5 结论

针对风储一体化系统中用于平抑风电功率波动的混合储能系统,提出三蓄电池动态分组优化控制策略,并对其进行对比仿真验证。得到以下结论。

(1)利用自适应小波包分解和快速傅里叶变换确定混合储能初次功率分配,引入模糊控制策略修正了超级电容和蓄电池的充放电指令,较好地解决了超级电容SOC越限问题。

(2)三蓄电池动态分组控制策略不仅很好地改善了蓄电池充放电状态频繁切换,影响电池寿命的问题。并且通过对比发现,三蓄电池结构相较于双蓄电池,工作运行状态中的SOC偏差指数更接近0.5,平均偏差指数减少了9.34%。解决了电池组充放电容量裕度不平衡的问题,有效延缓了电池的寿命衰减,充分利用了电池循环寿命。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Goodluck M O J I, Pow-Seng Y. Considerations on environmental, economic, and energy impacts of wind energy generation: projections towards sustainability initiatives[J]. Science of the Total Environment, 2022, 849: 157755.

[2]	刘宇凝, 王迎丽, 徐明文, 等. 基于数字孪生混合储能的风电功率波动平抑策略[J]. 电网技术, 2021, 45(7): 2503-2514.

[3]	Liu Yuning, Wang Yingli, Xu Mingwen, et al. Wind power fluctuation smooth strategy based on digital twin hybrid energy storage[J]. Power System Technology, 2021, 45(7): 2503-2514.

[4]	谢石骁, 杨莉, 李丽娜. 基于机会约束规划的混合储能优化配置方法[J]. 电网技术, 2012, 36(5): 79-84.

[5]	Xie Shixiao, Yang Li, Li Lina. A chance constrained programming based optimal configuration method of hybrid energy storage system[J]. Power System Technology, 2012, 36(5): 79-84.

[6]	周林, 黄勇, 郭珂, 等. 微电网储能技术研究综述[J]. 电力系统保护与控制, 2011, 39(7): 147-152.

[7]	Zhou Lin, Huang Yong, Guo Ke, et al. A survey of energy storage echnology for microgrid[J]. Power System Protection and Control, 2011, 39(7): 147-152.

[8]	桑丙玉, 王德顺, 杨波, 等. 平滑新能源输出波动的储能优化配置方法[J]. 中国电机工程学报, 2014, 34(22): 3700-3706.

[9]	Sang Bingyu, Wang Deshun, Yang Bo, et al. Optimal allocation of energy storage system for smoothing the output fluctuations of new energy[J]. Proceedings of the CSEE, 2014, 34(22): 3700-3706.

[10]	齐先军, 郑夕炜, 王晓蓉, 等. 基于时频分析的改进小波包风电功率波动平抑方法[J]. 太阳能学报, 2022, 43(7): 302-309.

[11]	Qi Xianjun, Zheng Xiwei, Wang Xiaorou, et al. Improved wavelet packet method of smoothing wind power fluctuations based on time-frequency analysis[J]. Acta Energiae Solaris Sinica, 2022, 43(7): 302-309.

[12]	刘仲民, 齐国愿, 高敬更, 等. 基于自适应VMD的混合储能容量优化配置研究[J]. 太阳能学报, 2022, 43(4): 75-81.

[13]	Liu Zhongmin, Qi Guoyuan, Gao Jinggeng, et al. Researvh on optimal configuration of hybrid energy storage capacity based on adaptive VMD[J]. Acta Energiae Solaris Sinica, 2022, 43(4): 75-81.

[14]	Hemmati R, Saboori H. Emergence of hybrid energy storage systems in renewable energy and transport applications—a review[J]. Renewable and Sustainable Energy Reviews, 2016, 65: 11-23.

[15]	贾伟青, 任永峰, 薛宇, 等. 基于小波包-模糊控制的混合储能平抑大型风电场功率波动[J]. 太阳能学报, 2021, 42(9): 357-363.

[16]	Jia Weiqing, Ren Yongfeng, Xue Yu, et al. Wavelet packet-fuzzy control of hybrid energy storage for power fluctuation smoothing of large wind farm[J]. Acta Energiae Solaris Sinica, 2021, 42(9): 357-363.

[17]	毛志宇, 李培强, 郭思源. 基于自适应时间尺度小波包和模糊控制的复合储能控制策略[J]. 电力系统自动化, 2023, 47(9): 158-165.

[18]	Mao Zhiyu, Li Peiqiang, Guo Siyuan. Control strategy of compo-site energy storage based on wavelet packet with adaptive time scale and fuzzy control[J]. Automation of Electric Power Systems, 2023, 47(9): 158-165.

[19]	杨帆, 任永峰, 云平平, 等. 双级锂电池-超级电容混合储能的协调控制及功率分配[J]. 可再生能源, 2019, 37(3): 361-366.

[20]	Yang Fan, Ren Yongfeng, Yun Pingping, et al. Coordinated control and power distribution of double stage lithium battery-super capacitor hybrid energy storage system[J]. Renewable Energy Resources, 2019, 37(3): 361-366.

[21]	严干贵, 蔡长兴, 段双明, 等. 考虑电池储能单元分组优化的微电网运行控制策略[J]. 电力系统自动化, 2020, 44(23): 38-46.

[22]	Yan Gangui, Cai Changxing, Duan Shuangming, et al. Microgrid operation control strategy considering grouping optimization of battery energy storage units[J]. Automation of Electric Power Systems, 2020, 44(23): 38-46.

[23]	郭伟, 赵洪山. 基于DMPC加权一致性算法的电池储能阵列分组控制策略[J]. 电力自动化设备, 2020, 40(1): 133-140.

[24]	Guo Wei, Zhao Hongshan. Grouping control strategy of battery energy storage array based on DMPC weighted consensus algorithm[J]. Electric Power Automation Equipment, 2020, 40(1): 133-140.

[25]	贺悝, 谭庄熙, 李欣然, 等. 考虑荷电状态一致性的分布式储能电站一次调频控制策略[J]. 高电压技术, 2024, 50(2): 870-880.

[26]	He Li, Tan Zhuangxi, Li Xinran, et al. Control strategy of primary frequency regulation for distributed energy storage stations considering SOC consensus[J]. High Voltage Engineering, 2024, 50(2): 870-880.

[27]	张小莲, 陈冲, 张仰飞, 等. 考虑充放电不平衡的风电功率平滑电池分组控制[J]. 控制理论与应用, 2022, 39(3); 449-458.

[28]	Zhang Xiaolian, Chen Chong, Zhang Yangfei, et al. Battery grouping control for wind power smoothing considering unbalanced charging and discharging[J]. Control Theory and Applications, 2022, 39(3): 449-458.

[29]	陈功, 张雷, 曹远征, 等. 基于模糊控制的并网风储一体化系统多目标优化配置[J]. 科学技术与工程, 2024, 24(27): 11712-11719.

[30]	Chen Gong, Zhang Lei, Cao Yuanzheng, et al. Multi-objective optimal configuration of grid connected wind-storage integrated system based on fuzzy control[J]. Science Technology and Engineering, 2024, 24(27): 11712-11719.

[31]	中国电力企业联合会. 风电场接入电力系统技术规定第1部分: 陆上风电: GB/T 19963.1—2021[S]. 北京: 中国标准出版社, 2021.

[32]	China Electricity Council. Technical regulations for wind farm connection to power systems part 1: onshore wind power: GB/T 19963.1—2021[S]. Beijing: Standards Press of China, 2021.

[33]	吴杰, 丁明. 采用自适应小波包分解的混合储能平抑风电波动控制策略[J]. 电力系统自动化, 2017, 41(3): 7-12.

[34]	Wu Jie, Ding Ming. Ahybrid energy storage control strategy for smoothing wind power fluctuations based on adaptive wavelet packet decomposition[J]. Automation of Electric Power Systems, 2017, 41(3): 7-12.