基于ITTAO-VMD与自适应模式控制的风电场混合储能系统能量管理方法

刘冠宇; 张雷; 翟耘佩; 冯志远; 陈功; 刘航

doi:10.12404/j.issn.1671-1815.2507000

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (17) :7295-7304 DOI: 10.12404/j.issn.1671-1815.2507000

电工技术

基于ITTAO-VMD与自适应模式控制的风电场混合储能系统能量管理方法

作者信息 +

Energy Management Method for Hybrid Energy Storage Systems in Wind Farms Based on ITTAO-VMD and Adaptive Mode Control

Author information +

文章历史 +

摘要

为缓解风电功率波动并提升混合储能系统(hybrid energy storage system,HESS)的能量分配效果,提出一种融合改进三角拓扑聚合优化算法-变分模态分解(improved triangulation topology aggregation optimizer-variational mode decomposition,ITTAO-VMD)与自适应模式控制的混合储能能量管理方法。首先,在算法层面引入反向学习初始化与自适应高斯变异,对TTAO进行改进,以增强其对VMD参数的寻优效果。其次,在功率分解环节,构建复合适应度函数并提出模态能量分层方法,将HESS功率划分为主体能量层与高频波动层,分别分配至氢储能-蓄电池和超级电容。最后,设计氢储能与蓄电池的自适应协同控制策略,使其在实现主体能量消纳的同时维持自身合理的荷电状态。仿真结果表明,该方法充分发挥了氢储能与蓄电池的能量型优势,减轻了超级电容的容量压力,实现了多类储能之间的优势互补。

Abstract

To alleviate wind power fluctuations and improve the energy allocation performance of hybrid energy storage systems (HESS), an energy management method integrating an improved triangulation topology aggregation optimizer-variational mode decomposition (ITTAO-VMD) with an adaptive mode control strategy was proposed. First, opposition-based learning initialization and adaptive Gaussian mutation were introduced to improve the TTAO, thereby enhancing its optimization performance for VMD parameters. Second, in the power decomposition stage, a composite fitness function was constructed and a modal energy hierarchical method was proposed, which decomposed the HESS power into a primary energy layer and a high-frequency fluctuation layer. These components were allocated to the hydrogen-battery subsystem and the supercapacitor, respectively. Finally, an adaptive cooperative control strategy for hydrogen and battery storage was designed to absorb the primary energy while maintaining a reasonable state of charge. The simulation results indicate that the energy-type advantages of hydrogen and battery storage are fully exploited, the capacity burden of the supercapacitor is reduced, and complementarity among different storage types is achieved.

Graphical abstract

关键词

混合储能系统 / 三角拓扑聚合优化算法 / 变分模态分解 / 模态能量 / 自适应模式控制

Key words

hybrid energy storage system / triangulation topology aggregation optimizer / variational mode decomposition / modal energy / adaptive mode control

引用本文

引用格式 ▾

刘冠宇, 张雷, 翟耘佩, 冯志远, 陈功, 刘航. 基于ITTAO-VMD与自适应模式控制的风电场混合储能系统能量管理方法[J]. 科学技术与工程, 2026, 26(17): 7295-7304 DOI:10.12404/j.issn.1671-1815.2507000

LIU Guan-yu, ZHANG Lei, ZHAI Yun-pei, FENG Zhi-yuan, CHEN Gong, LIU Hang. Energy Management Method for Hybrid Energy Storage Systems in Wind Farms Based on ITTAO-VMD and Adaptive Mode Control[J]. Science Technology and Engineering, 2026, 26(17): 7295-7304 DOI:10.12404/j.issn.1671-1815.2507000

登录浏览全文

4963

注册一个新账户忘记密码

近年来,为实现碳达峰碳中和,以风电为代表的可再生能源并网规模持续扩大^[1]。大规模风电接入显著提升了电网运行的经济与环境效益,但其固有的随机性与波动性也为电网的安全稳定运行带来了严峻挑战^[2]。在此背景下,储能系统作为平抑新能源功率波动、提升电网韧性的关键技术手段,其重要性日益凸显^[3]。

然而,单一类型的储能系统因其在运行效率、经济成本或能量/功率密度方面的固有局限,难以独立满足复杂工况下的功率优化需求^[4]。因此,能够融合多种储能技术优势的混合储能系统(hybrid energy storage system,HESS)成为目前平抑功率波动方面的研究热点^[5]。其中,氢储能则因其具有低碳清洁、能量密度高等优势,被视为极具潜力的大容量储能方案^[6]。而超级电容器则具备功率密度高、响应速度快等特点。由氢储能与超级电容构建的HESS架构,能够实现跨时间尺度的功率协同互补,为高效消纳不稳定的风电功率提供了一种创新路径^[7]。

HESS的性能高度依赖其内部功率分配策略,不合理的功率分配会使各储能无法充分发挥协同效应,导致HESS整体承受不必要的压力,甚至缩短储能设备寿命^[8]。因此,如何围绕不同储能单元的特性,构建科学的功率分配机制,是HESS研究中的核心问题^[9]。文献[10]通过低通滤波器来平滑风电原始功率信号,但是低通滤波存在一定的时间滞后特性,难以实时响应风电功率的瞬态波动。小波包分解虽能通过多分辨率解析实现频带细分^[11],但其分解效果严重依赖小波基函数的选取,尤其是在高频分量的重构上存在局限。文献[12]提出了针对风电大规模并网的电-氢HESS架构,并采取经验模态分解(empirical mode decomposition,EMD)重构原始风电功率,但其没有对EMD分解所得的HESS功率进行深层处理,可能导致各储能最终的功率分配不精确。文献[13]提出基于集合经验模态分解的HESS容量配置方法,在一定程度上减轻了功率分解时的模态混叠现象,但其在各储能功率分频点的划分方面仍缺乏明确策略。文献[14]采用变分模态分解(variational mode decomposition,VMD)改善功率分解时的模态混叠现象。但其在功率分配时直接根据希尔伯特边际谱选取分频点,主观因素较强,难以充分发挥各储能的性能优势。文献[15]通过引入希尔伯特边际谱能量聚集特性来分析电能质量扰动,显著提升了扰动分类的准确度。这为基于能量特性分配HESS功率提供了启示。文献[16]以VMD低频分量的幅值占比为适应度函数,并采用冠豪猪算法进行优化,从而为蓄电池分配更多功率,但同时也使其承担了部分高频波动。这将导致蓄电池荷电状态(state of charge,SOC)长期处于亚健康状态,影响其使用寿命。冠豪猪算法虽具有不错的优化效果,但仍存在缺乏变异机制等问题^[17]。文献[18]则选用三角拓扑聚合优化算法(triangulation topology aggregation optimizer,TTAO)进行VMD参数寻优,在电磁超声信号降噪方面取得了较好的处理效果。

基于上述研究分析,现提出一种基于ITTAO-VMD与自适应模式控制策略(adaptive mode control strategy,AMCS)的HESS能量管理方法。首先,建立由氢储能-蓄电池与超级电容组成的电-氢HESS协同架构,通过EMD低频重构获取风电并网功率与HESS功率;其次,采用VMD精细化分解HESS功率,为提升分解质量,基于反向学习初始化与自适应高斯变异策略对TTAO算法的种群更新与变异机制进行优化;考虑到储能功率的分解需求,构建了综合考虑模态分离复杂度与相关性的复合适应度指标;然后,通过模态能量分析将HESS功率分解结果划分为主体能量层与高频波动层,并将高频能量层功率分配给超级电容平抑;最后,基于AMCS控制氢储能与蓄电池协同消纳主体能量层功率,通过自适应控制两种储能的协同充放电,保持其自身SOC始终运行在健康状态。通过仿真验证所提策略使氢储能与蓄电池在维持自身合理SOC的同时,最大限度消纳HESS功率的主体能量,显著减少超级电容的容量压力,完成风电波动平抑任务,充分发挥各储能的优势特性。

1 电-氢HESS协同运行框架

1.1 电-氢HESS结构

为解决风电规模并网对带来的波动性问题,构建了如图1所示的电-氢HESS架构。

其中,氢储能-蓄电池系统基于AMCS协同处理功率任务,消纳低频高能量的长期功率波动;超级电容则提供功率层缓冲,弥补氢储能-蓄电池系统响应速度慢的缺陷。

HESS功率的动态平衡关系可以表述为

(1)$\left\{\begin{array}{l}{P}_{\mathrm{W}}\left(t\right)={P}_{\mathrm{G}}\left(t\right)+{P}_{\mathrm{H}\mathrm{E}\mathrm{S}\mathrm{S}}\left(t\right)\\ {P}_{\mathrm{H}\mathrm{E}\mathrm{S}\mathrm{S}}\left(t\right)={P}_{\mathrm{H}\mathrm{B}}\left(t\right)+{P}_{\mathrm{S}\mathrm{C}}\left(t\right)\end{array}\right.$

式(1)中:P_W(t)为风电场在t时刻的实际输出功率;P_G(t)为t时刻的并网功率;P_HESS(t)为t时刻HESS功率;P_SC(t)、P_H&B(t)分别为t时刻超级电容与氢储能-蓄电池系统的充放电功率;当P_SC(t)<0时超级电容放电;当P_SC(t)>0时超级电容充电;其他储能单元遵循相同符号规则。

1.2 HESS容量配置

为满足风电波动平抑需求,各储能的额定功率应选择其功率任务的最大值,即

(2)P_ess=$\underset{t\in (0,T)}{\mathrm{m}\mathrm{a}\mathrm{x}}\left\{{\eta }_{\mathrm{c}\mathrm{h}}\mathrm{m}\mathrm{a}\mathrm{x}\left|{P}_{\mathrm{c}\mathrm{h}}\left(t\right)\right|\mathrm{ },\mathrm{ }\frac{\mathrm{m}\mathrm{a}\mathrm{x}\left|{P}_{\mathrm{d}\mathrm{i}\mathrm{s}}\left(t\right)\right|}{{\eta }_{\mathrm{d}\mathrm{i}\mathrm{s}}}\right\}$

式(2)中:P_ch(t)和P_dis(t)分别为t时刻各储能的充放电功率;T为总采样时间;η_ch和η_dis分别为各储能的充放电效率。

各储能在t时刻应满足的SOC约束为

(3)SOC_min≤SOC(t)≤SOC_max

(4)SOC(t)=SOC(t-1)+$\frac{1}{{C}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}}{\int }_{t-1}^{t}\mathrm{ }$[P_ch(t)η_ch-$\frac{{P}_{\mathrm{d}\mathrm{i}\mathrm{s}}}{{\eta }_{\mathrm{d}\mathrm{i}\mathrm{s}}}$]dt

式中:SOC_max与SOC_min分别表示各储能荷电状态的上下限;C_rated为每个储能单元的额定容量。

为满足任意时刻的平抑需求,各储能应满足的额定容量约束^[19]为

(5)C_s=C₀+[P_ch(t)η_chΔt+P_dis(t)Δt/η_dis]

(6)C_rated≥max$\left(\frac{{C}_{\mathrm{s}}}{\mathrm{S}\mathrm{O}{\mathrm{C}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{S}\mathrm{O}{\mathrm{C}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}\right)$

式中:C₀、C_s分别为各储能的初始容量与调度周期内的剩余容量;

1.3 风电并网功率

根据国家能源局颁布的《风电场接入电力系统技术规定》(GB/T19963.1—2021)^[20],风电场并网功率波动需满足双时间尺度约束,如表1所示。

利用EMD分解原始风电功率,得到不同的本征模态函数(intrinsic modal functions, IMF)。随后从低阶IMF开始,以自下而上的方式逐层累加,确保叠加量的功率波动特性严格符合上述国家标准,进而确定风电直接并网功率以及HESS功率,具体如式(7)所示。

(7)$\left\{\begin{array}{l}\mathrm{c}\mathrm{t}{\mathrm{f}}_{\left(1\right)}\mathrm{ }=\mathrm{ }\mathrm{R}\mathrm{E}\mathrm{S}\\ \begin{array}{l}\mathrm{c}\mathrm{t}{\mathrm{f}}_{\left(2\right)}\mathrm{ }=\mathrm{ }\mathrm{R}\mathrm{E}\mathrm{S}+\mathrm{I}\mathrm{M}{\mathrm{F}}_{p}\\ \mathrm{ }\mathrm{ }\mathrm{ }\mathrm{︙}\\ \mathrm{c}\mathrm{t}{\mathrm{f}}_{(p+1)}\mathrm{ }=\mathrm{ }\mathrm{R}\mathrm{E}\mathrm{S}+\mathrm{I}\mathrm{M}{\mathrm{F}}_{p}+\dots +\mathrm{I}\mathrm{M}{\mathrm{F}}_{1}\end{array}\end{array}\right.$

式(7)中:ctf₍_p₊₁₎为第p+1阶低频重构结果,由前p个IMF分量与残差项RES累计求和所得。

2 ITTAO-VMD功率分解模型

2.1 变分模态分解与TTAO算法

变分模态分解是一种基于变分框架的信号处理方法,该方法通过构建并求解变分优化问题^[21],将复杂的原始信号分解为预设数量的IMF分量,常用于风电预测、故障检测等复杂场景。

然而,VMD的分解性能高度依赖于模态分量数K和二次惩罚因子α的预先设定。不合理的参数选择将直接导致分解不准确,甚至丢失信号中的关键信息。因此选用TTAO算法对其参数进行寻优处理,以发挥VMD的最佳分解性能。

TTAO是一种新颖的元启发式算法^[22],通过模拟在搜索空间中动态构建和聚合三角拓扑单元的过程,以实现算法全局探索与局部开采的高效平衡。算法的核心过程主要包括以下3个环节。

2.1.1 构建基础拓扑单元

算法首先在搜索空间中构建作为基本探索单元的等边三角形。该过程始于一个初始顶点的定义,其位置由式(8)确定。

(8)x_i_,1=τ₀(U_B-L_B)+L_B

以第一顶点为起始顶点,通过三角函数转换生成第二顶点。再将生成的方向向量旋转60 °得到第三顶点,并将3个顶点线性加权构造出第四个顶点。进而形成一个完整的拓扑单元。相关顶点的数学表达如下。

(9)x_i_,2=x_i_,1+lf(a)

(10)x_i_,3=x_i_,1+lf$\left(a+\frac{\mathrm{\pi }}{3}\right)$

(11)x_i_,4=τ₁x_i_,1+τ₂x_i_,2+τ₃x_i_,3

(12)l=9${\mathrm{e}}^{-\frac{t}{{T}_{\mathrm{m}\mathrm{a}\mathrm{x}}}}$

式中:x_i_,1为第i个三角拓扑单元的初始顶点;τ₀、τ₁、τ₂和τ₃均为0~1的随机数;t、T_max分别为当前迭代次数与最大迭代次数;U_B、L_B分别为变量搜索的上限与下限;f(a)为方向向量;l为三角拓扑单元的大小。

2.1.2 泛型聚合探索

通过整合不同三角拓扑单元中的最佳个体信息来发现新的潜在最优区域。算法选取一个三角拓扑单元中的最佳顶点,并与另一个随机选择单元的最佳顶点进行加权线性组合,从而生成一个全新的顶点,其表达式为

(13)${x}_{\mathrm{i},new1}^{\mathrm{t}+1}$=τ₄${x}_{\mathrm{i},opt}^{t}$+(1-τ₄)${x}_{\mathrm{r},opt}^{t}$

新生成的顶点将与当前种群的最优或次优顶点的适应度值进行比较,进一步更新全局最优顶点。更新机制具体如下。

(14)${x}_{\mathrm{i},opt}^{\mathrm{t}+1}$=${x}_{\mathrm{i},new1}^{\mathrm{t}+1}$, ${f}_{{x}_{i,\mathrm{n}\mathrm{e}\mathrm{w}1}^{t+1}}$<${f}_{{x}_{i,\mathrm{o}\mathrm{p}\mathrm{t}}^{t}}$

(15)${x}_{\mathrm{i},opt2}^{\mathrm{t}+1}$=${x}_{\mathrm{i},new1}^{\mathrm{t}+1}$, ${f}_{{x}_{i,\mathrm{n}\mathrm{e}\mathrm{w}1}^{t+1}}$<${f}_{{x}_{i,\mathrm{o}\mathrm{p}\mathrm{t}2}^{t}}$

式中:τ₄为介于0~1的常数;${x}_{\mathrm{i},opt}^{t}$、${x}_{\mathrm{i},opt2}^{t}$分别为第t次迭代的最优与次优顶点;${x}_{\mathrm{r},opt}^{t}$为第t次迭代中随机选择的最佳顶点;${x}_{\mathrm{i},opt2}^{t}$为第t次迭代中的次优顶点;${x}_{\mathrm{i},new1}^{\mathrm{t}+1}$为第t+1次迭代中的新顶点;f(·)为适应度函数。

2.1.3 局部聚合探索

在全局探索发现潜力区域后,算法转入局部聚合阶段,对该区域进行深度开采。此时,由上一阶段更新的顶点与另外两个高适应度顶点构成一个临时三角拓扑单元,该三角单元不限于等边三角形。算法通过在一定区域内对每个临时单元进行聚合操作来实现精细化搜索,新顶点的计算表达式为

(16)${x}_{\mathrm{i},new2}^{\mathrm{t}+1}$=${x}_{\mathrm{i},opt}^{\mathrm{t}+1}$+δ(${x}_{\mathrm{i},opt}^{\mathrm{t}+1}$-${x}_{\mathrm{i},opt2}^{\mathrm{t}+1}$)

为确保种群的进化方向,新顶点需经过一次选择性更新,只有当其适应度优于原始顶点时,其位置才会被保留。该选择机制的表达式为

(17)δ=ln$\left(\frac{\mathrm{e}-{\mathrm{e}}^{3}}{{T}_{\mathrm{m}\mathrm{a}\mathrm{x}}-1}m+{\mathrm{e}}^{3}-\frac{\mathrm{e}-{\mathrm{e}}^{3}}{{T}_{\mathrm{m}\mathrm{a}\mathrm{x}}-1}\right)$

(18)${x}_{\mathrm{r},opt}^{\mathrm{t}+1}$=$\left\{\begin{array}{ll}{x}_{\mathrm{i},new2}^{\mathrm{t}+1},& {\mathrm{f}}_{{\mathrm{x}}_{\mathrm{i},new2}^{\mathrm{t}+1}}<{\mathrm{f}}_{{\mathrm{x}}_{\mathrm{i},opt}^{\mathrm{t}+1}}\\ {x}_{\mathrm{i},opt}^{\mathrm{t}+1},& {\mathrm{f}}_{{\mathrm{x}}_{\mathrm{i},new2}^{\mathrm{t}+1}}>{\mathrm{f}}_{{\mathrm{x}}_{\mathrm{i},opt}^{\mathrm{t}+1}}\end{array}\right.$

式中:δ为用于调整聚合范围的参数。

2.2 改进的TTAO算法

虽然标准的TTAO算法提出了一种有效的拓扑聚合搜索框架,但其性能仍有提升空间。具体而言,随机生成的初始种群质量可能限制算法的收敛表现,而固有的聚合机制在迭代后期易导致种群多样性衰减,从而过早陷入局部最优。

为克服以上不足,提出了一种融合反向学习与自适应高斯变异的ITTAO算法,其核心改进策略如下。

2.2.1 反向学习初始化

该策略基于这样一种假设:候选解的反向解更有可能逼近全局最优解。首先,按照标准TTAO算法的初始环节生成一个规模为N的初始顶点种群,表达式为

(19)P={x_1,1,x_2,1,…,x_N_,1}

随后,为种群P中的每一个顶点x_i_,1计算其在搜索空间中的反向顶点y_i_,1,并由此得到反向种群为

(20)y_i_,1=L_B+U_B-x_i_,1

(21)P₀={y_1,1,y_2,1,…,y_N_,1}

将初始种群和反向种群合并为候选种群。通过适应度函数对这2N个顶点进行评估,最终选取适应度最优的前N个体作为有效初始种群,从而提升种群质量并保持多样性。

2.2.2 自适应高斯变异

为了实现收敛速度和解的质量间的更优平衡,引入了自适应高斯变异机制,根据迭代进度动态调整变异强度。在算法迭代前期,较大的变异强度增强算法的全局探索能力,以覆盖整个搜索空间;而在算法迭代后期,较小的变异强度则促进精细的局部开发,从而精确收敛至最优解。

(22)x_mut=x_ori+σ(t)N(0,1)

(23)σ(t)=σ_initial-(σ_initial-σ_final)${\left(\frac{t}{{T}_{\mathrm{m}\mathrm{a}\mathrm{x}}}\right)}^{n}$

式中:x_ori为种群原始位置;x_mut为变异后的位置;σ(t)为变异强度,随着迭代次数t动态减小;N(0,1)为标准正态分布中抽取的随机数;σ_initial、σ_final分别为初始和最终变异强度;n为非线性调制指数。

通过上述策略改进后的算法流程如图2所示。

2.3 ITTAO-VMD的复合适应度优化指标

为有效提升ITTAO算法对VMD参数的优化效果,将包络熵和皮尔逊相关系数与VMD分解结果深度耦合,构建了复合适应度函数。当VMD分解所得IMF分量频率特征越明显,即模态混叠现象越少,其包络熵值越小;当重构信号与原始信号之间的变化趋势越接近时,皮尔逊相关系数越大。具体如下。

(24)$\left\{\begin{array}{l}{E}_{p}=-\sum _{t=1}^{n}p\left(t\right)\mathrm{l}\mathrm{g}p\left(t\right)\\ p\left(t\right)=\frac{a\left(t\right)}{\sum _{t=1}^{n}a\left(t\right)}\end{array}\right.$

(25)$ P_{\bar{\omega}, \omega}=\frac{\sum_{t=1}^{n}\left(\varpi_{t}-\bar{\varpi}\right)\left(\omega_{t}-\bar{\omega}\right)}{\sqrt{\sum_{t=1}^{n}\left(\varpi_{t}-\bar{\varpi}\right)^{2}} \sqrt{\sum_{t=1}^{n}\left(\omega_{t}-\bar{\omega}\right)^{2}}}$

(26)$ f(\cdot)=\min \left(\frac{E_{p}}{P_{\varpi, \omega}}\right) \times 10^{3}$

式中:E_p为包络熵值;n为原始信号时间序列的数据个数;a(t)为各IMF分量经过Hilbert变换得到的包络信号;p(t)为a(t)归一化后的包络概率分布;$ P_{\varpi, \omega}$为皮尔逊相关系数;$ \varpi_{t}$和ω_t分别为重构信号与原始信号的第t个样本点;$ \bar{\varpi}$和$\stackrel{\_}{\omega }$分别为重构信号与原始信号的均值。

复合适应度的数值变化趋势如图3所示。以该复合适应度函数作为ITTAO-VMD的优化指标,可以很好地平衡模态分离的复杂度与相关性,以满足后续各储能功率的合理分配。

3 HESS能量管理策略

3.1 基于模态能量的HESS功率分配

利用ITTAO-VMD算法分解HESS功率后,对分解结果进行模态能量分析,将功率分量划分为主体能量层与高频波动层。

将IMF按边际谱峰值频率进行升序排列,计算排序后的IMF能量累计分布,并根据能量阈值设定频率分界点。

(27)H(ρ)=$\sum _{k=1}^{N}{\int }_{0}^{T}\mathrm{ }{\mathrm{A}}_{\mathrm{k}}^{}$(t) D[ρ-ρ_k(t)]dt

(28)$\left\{\begin{array}{l}{\rho }^{\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}}=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{ }\mathrm{m}\mathrm{a}\mathrm{x}H\left(\rho \right)\\ {\rho }_{\left(1\right)}^{\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}}\le {\rho }_{\left(2\right)}^{\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}}\le \dots \le {\rho }_{\left(K\right)}^{\mathrm{m}\mathrm{a}\mathrm{i}\mathrm{n}}\end{array}\right.$

(29)${C}_{\mathrm{s}\mathrm{o}\mathrm{r}\mathrm{t}}^{E}$(m)=$\frac{\sum _{i=1}^{m}{E}_{\left(i\right)}}{\sum _{k=1}^{K}{E}_{k}}$, E_k=$\sum _{t=1}^{Y}\mathrm{i}\mathrm{m}{\mathrm{f}}_{k}^{2}$(t)

(30)$\left\{\begin{array}{l}{\tau }_{1}=\mathrm{m}\mathrm{i}\mathrm{n}\left\{\mathrm{m}\right|{C}_{\mathrm{s}\mathrm{o}\mathrm{r}\mathrm{t}}^{E}\left(\mathrm{m}\right)\ge {\alpha }_{1}\}\\ \begin{array}{l}{\mathrm{P}}_{\mathrm{H}\mathrm{B}}^{}\left(\mathrm{t}\right)=\sum _{i=1}^{{\tau }_{1}}\mathrm{i}\mathrm{m}{\mathrm{f}}_{\left(i\right)}\left(\mathrm{t}\right)\\ {\mathrm{P}}_{\mathrm{S}\mathrm{C}}^{}\left(\mathrm{t}\right)=\sum _{i={\tau }_{1}+1}^{K}\mathrm{i}\mathrm{m}{\mathrm{f}}_{\left(i\right)}\left(\mathrm{t}\right)\end{array}\end{array}\right.$

式中:H(ρ)为Hilbert边际谱;狄拉克函数D为仅在IMF的瞬时频率ρ_k(t)处贡献其幅值A_k(t);imf_k(t)为第k个IMF的第t个采样点;imf₍_i₎(t)为升序排列后的第i个IMF;${C}_{\mathrm{s}\mathrm{o}\mathrm{r}\mathrm{t}}^{E}$(m)为排序后的能量累计分布;α₁为累计能量占比阈值;τ₁为由阈值得出的功率分频点;P_H&B(t)为主体能量层,由氢储能与蓄电池协同平抑;P_SC(t)为高频波动层,由超级电容平抑。

3.2 基于AMCS的主体能量层功率分配

为使氢储能与蓄电池合理消纳所分配的主体能量层功率,提出了AMCS策略。如图4所示,通过动态分配蓄电池与氢储能的运行模式来保证两者SOC始终运行在健康状态。

首先,计算主体能量层功率幅值的累积概率水平,将储能系统的充放电功率幅值按照高低进行分界。

(31)P_th=F^-1(β)

式(31)中:F^-1(β)为功率幅值累积分布函数的反函数,β为给定的概率水平。

3.2.1 交替运行模式

若当前功率幅度未超过阈值,氢储能和蓄电池将以该模式运行,此时各储能的运行状态具体如下。

运行状态A:若当前功率任务为充电,蓄电池开始充电,氢储能保持待机;若当前功率任务为放电,氢储能开始放电,而蓄电池保持待机。

(32)$\left\{\begin{array}{l}{P}_{\mathrm{B},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}={P}_{\mathrm{H}\mathrm{B}}\\ {P}_{\mathrm{H},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}=0\end{array}\right.$, P_H&B>0

(33)$\left\{\begin{array}{l}{P}_{\mathrm{B},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}=0\\ {P}_{\mathrm{H},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}={P}_{\mathrm{H}\mathrm{B}}\end{array}\right.$, P_H&B<0

运行状态B:若当前功率任务为充电,氢储能开始充电,蓄电池保持待机;若当前功率任务为放电,蓄电池开始放电,而氢储能保持待机。

(34)$\left\{\begin{array}{l}{P}_{\mathrm{B},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}=0\\ {P}_{\mathrm{H},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}={P}_{\mathrm{H}\mathrm{B}}\end{array}\right.$, P_H&B>0

(35)$\left\{\begin{array}{l}{P}_{\mathrm{B},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}={P}_{\mathrm{H}\mathrm{B}}\\ {P}_{\mathrm{H},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}=0\end{array}\right.$, P_H&B<0

式中:P_{B, cmd}、P_{H, cmd}为蓄电池和氢储能的功率指令。

为实现各储能合理的运行状态切换,将储能SOC划分为如图5所示的5种工作区,每个区域均关联一个自适应切换机制。

强制保护切换:如果工作单元正在充(放)电且其SOC进入过充(放)限制区,系统将立即切换运行状态,让待命单元接替充(放)电任务,以防止储能过度充放电导致的性能退化。

协同恢复切换:若工作单元SOC进入多放少充区(多充少放区)且待命单元处于多充少放区(多放少充区),提前切换运行状态,以平衡两者的SOC。

若上述切换条件均未满足,氢储能和蓄电池将保持当前运行状态。

3.2.2 共同运行模式

若当前功率幅度超过阈值,氢储能和蓄电池将以该模式运行,共同处理高功率需求以减轻单个单元的负担。此时功率将根据储能系统的额定容量按比例分配。

(36)P_{H, cmd}=${\mathrm{P}}_{\mathrm{H}\mathrm{B}}^{}\frac{{C}_{\mathrm{H}}^{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}}{{C}_{\mathrm{H}}^{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}+{C}_{\mathrm{B}}^{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}}$

(37)P_{B, cmd}=${\mathrm{P}}_{\mathrm{H}\mathrm{B}}^{}\frac{{C}_{\mathrm{B}}^{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}}{{C}_{\mathrm{H}}^{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}+{C}_{\mathrm{B}}^{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}}$

然而,初始分配并未考虑当前的SOC限制,这可能导致分配的功率值超过各储能实际允许的充放电功率。因此,根据储能当前SOC对功率任务进行二次修正,各储能当前允许的最大充放电功率如下。

(38)${P}_{\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{ }\mathrm{c}\mathrm{h}}$=$\frac{[\mathrm{S}\mathrm{O}{\mathrm{C}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{S}\mathrm{O}\mathrm{C}(t-1\left)\right]{C}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}}{{\eta }_{\mathrm{c}\mathrm{h}}\mathrm{\Delta }t}$

(39)${P}_{\mathrm{m}\mathrm{a}\mathrm{x}}^{\mathrm{ }\mathrm{d}\mathrm{i}\mathrm{s}}$=$\frac{\left[\mathrm{S}\mathrm{O}\mathrm{C}\right(t-1)-\mathrm{S}\mathrm{O}{\mathrm{C}}_{\mathrm{m}\mathrm{i}\mathrm{n}}]{\mathrm{C}}_{\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{d}}{\eta }_{\mathrm{d}\mathrm{i}\mathrm{s}}}{\mathrm{\Delta }t}$

若储能初始分配的功率超过该充放电限值,则将其调整为当前的最大允许值。由此产生的功率溢出将转移至另一单元进行补偿。例如,如果蓄电池当前功率指令超过其允许的充放电限制,则溢出的功率部分将重新分配给氢储能。

(40)$\left\{\begin{array}{l}{P}_{\mathrm{B},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}^{\mathrm{*}}={P}_{\mathrm{B},\mathrm{ }\mathrm{m}}^{\mathrm{ }\mathrm{c}\mathrm{h}/\mathrm{d}\mathrm{i}\mathrm{s}}\\ {P}_{\mathrm{H},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}^{\mathrm{*}}={P}_{\mathrm{B},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}-{P}_{\mathrm{B},\mathrm{ }\mathrm{m}}^{\mathrm{ }\mathrm{c}\mathrm{h}/\mathrm{d}\mathrm{i}\mathrm{s}}+{P}_{\mathrm{H},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}\end{array}\right.$

式(40)中:${P}_{\mathrm{B},\mathrm{ }\mathrm{m}}^{\mathrm{ }\mathrm{c}\mathrm{h}/\mathrm{d}\mathrm{i}\mathrm{s}}$为蓄电池当前允许的最大充电/放电功率;${P}_{\mathrm{B},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}^{\mathrm{*}}$、${P}_{\mathrm{H},\mathrm{ }\mathrm{c}\mathrm{m}\mathrm{d}}^{\mathrm{*}}$分别为蓄电池和氢储能二次修正后的功率指令。

4 算例分析

以中国西北地区装机容量为80 MW风电场的实测功率数据(采样间隔为1 min)为依据,验证本文策略,算例仿真在MATLAB中进行。

通过EMD对风电功率进行低频重构,得到直接并网功率与HESS功率。如图6所示,将滑动平均滤波法与本文方法进行对比,可以看出滑动平均滤波虽保留了一定的原数据特征,但也导致其并网功率不够平滑。而本文方法则舍弃了一些无效的复杂波动,以输出较高质量的并网功率。

采用所提ITTAO-VMD算法分解HESS功率。其中,算法的初始种群个数与最大迭代次数设置为50。VMD模态分量数和二次惩罚因子的寻优范围分别设置为[2,15]与[300,3 000]。为验证ITTAO算法的有效性,同时引入灰狼优化算法(grey wolf optimizer, GWO)、麻雀搜索算法(sparrow search algorithm, SSA),基于同样的适应度指标对VMD参数进行优化,结果如图7所示。

可以看出ITTAO算法的收敛速度最快,相较于传统TTAO算法提升了约38%。并且ITTAO算法的寻优精度也明显高于其他优化算法。

图8所示分别为本文方法和CEEMD、CEEMDAN方法所得IMF分量的边际谱。可以发现,CEEMD方法的分解结果存在较重的模态混叠现象,虽然CEEMDAN方法略微改善了这种现象,但用于功率精细化分配时仍缺乏准确性。而本文算法的分解结果的频率特征区分度明显,各IMF分量均集中分布在各自中心频率两侧,模态混叠现象得到极大改善,可以显著提升后续的储能功率分配质量。

对本文方法ITTAO-VMD分解结果进行模态能量分析,各IMF分量的能量分布情况如图9所示。传统方法为了延长能量型储能的使用寿命,通常只为其分配少量的低频IMF分量,约占IMF总能量的41%。这无法充分发挥能量型储能的容量优势,可能导致超级电容承担较大的容量成本。本文方法通过模态能量分析,将总能量占比近73%的IMF分量划分为主体能量层,并交由氢储能与蓄电池协同消纳,剩余的高频波动层则交由超级电容消纳,进而实现各储能之间的优势互补。

图10所示为传统方法与本文方法下超级电容的功率响应对比。可以看到应用本文功率分配策略后,超级电容仅需响应ITTAO-VMD分解出的高频波动层功率。由于该层能量占比极低,超级电容的峰值功率与吞吐容量显著下降,从而极大缓解了其配置压力并降低了规模成本。与此同时,原本由超级电容承担的部分能量负荷被合理转移至氢储能与蓄电池,进而充分利用了这两类能量型储能的优势。

如图11所示,ITTAO-VMD分解所得的主体能量层功率在经过本文方法AMCS处理后,在低功率需求时段,氢储能与蓄电池以交替运行模式响应功率指令。而在高功率需求时段,两者自动切换至共同运行模式协同消纳高幅功率,该自适应机制确保了两者在全周期内输出功率的平稳性。

表2所示为本文策略下HESS的容量配置结果。氢储能和蓄电池的SOC变化情况分别如图12(a)和图12(b)所示,两者的SOC始终在20%~80%的健康范围内合理运行。

如图13所示,将基于AMCS方法与传统无AMCS方法进行对比,在无AMCS的典型工况下,储能系统的SOC在3%~92%剧烈波动,且在仿真周期内6次超出健康阈值,这种多次出现过充过放以及频繁切换充放电状态的情况,将导致储能设备急剧老化,损害系统的循环使用寿命。而在本文AMCS控制下,氢储能与蓄电池通过动态协同互补,显著降低了各自的充放电切换频率,同时确保了设备SOC始终保持在健康的工作范围,有效延长了系统的使用寿命。

最后由图14所示,经过本文方法平抑后的风电并网功率,其并网波动量可以满足并网要求。结果表明,所提策略能够在确保优异波动平抑效果的同时,实现多类储能设备的优势互补。

5 结论

为缓解风电并网带来的功率波动,同时优化HESS内部能量分配,提出一种结合改进优化算法与动态模式切换的能量分配策略。结合算例仿真得出以下结论。

(1)所构建的电-氢HESS协同架构与所提功率分配策略能够充分发挥三类储能单元的互补优势。改进后的TTAO算法在VMD参数优化上相较于传统TTAO算法提升了约38%的寻优速度,且在寻优精度方面优于传统优化方法,展现出性能优势。

(2)以复合适应度函数为基准的ITTAO-VMD方法使HESS功率的分解结果既保持与原始信号的高相关性,又呈现清晰的频域特征。该方法有效改善了CEEMDAN等传统方法存在的模态混叠现象,为后续各储能单元功率的精准分配奠定了基础。

(3)通过模态能量分析,将能量占比约73%的主体能量层功率交由氢储能与蓄电池协同承担,剩余高频波动层功率则由超级电容平抑。与传统策略仅为蓄电池分配约41%的低频功率相比,该策略充分发挥了能量型储能的优势。此外,AMCS策略确保了氢储能与蓄电池在完成主体能量消纳任务的同时,有效降低了设备的充放电切换频率,并将各储能SOC始终维持在健康范围内,从而提升了HESS的整体循环寿命。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Song W, Yan J, Han S, et al. A self-supervised pre-learning method for low wind power forecasting[J]. IEEE Transactions on Sustainable Energy, 2025, 16(3): 1723-1736.

[2]	Tang H, Kang F, Li X, et al. Short-term photovoltaic power prediction model based on feature construction and improved transformer[J]. Energy, 2025, 320: 135213.

[3]	赵冬梅, 徐辰宇, 陶然, 等. 多元分布式储能在新型电力系统配电侧的灵活调控研究综述[J]. 中国电机工程学报, 2023, 43(5): 1776-1799.

[4]	Zhao Dongmei, Xu Chenyu, Tao Ran, et al. Review on flexible regulation of multiple distributed energy storage in distributor side of new power system[J]. Proceedings of the CSEE, 2023, 43(5): 1776-1799.

[5]	武晓朦, 孙安磊, 李晨晨, 等. 考虑风电出力波动性的混合储能双层优化配置[J]. 科学技术与工程, 2024, 24(24): 10313-10320.

[6]	Wu Xiaomeng, Sun Anlei, Li Chenchen, et al. Hybrid energy storage double-layer optimal configuration considering wind power output volatility[J]. Science Technology and Engineering, 2024, 24(24): 10313-10320.

[7]	Shen Y, Xie J, He T, et al. CEEMD-fuzzy control energy management of hybrid energy storage systems in electric vehicles[J]. IEEE Transactions on Energy Conversion, 2024, 39(1): 555-566.

[8]	荆捷, 董砚, 杨富荃. 孤岛风电制氢系统日前及实时能量管理[J]. 科学技术与工程, 2025, 25(1): 210-218.

[9]	Jing Jie, Dong Yan, Yang Fuquan. Day-ahead and real-time energy management of island wind power hydrogen production system[J]. Science Technology and Engineering, 2025, 25(1): 210-218.

[10]	Diabate M F, Krishnamoorthy H S, Shi J. Optimal design and modeling of a hybrid energy storage system including battery and hydrogen in DC microgrids[J]. IEEE Transactions on Industry Applications, 2025, 61(5): 7571-7583.

[11]	黄利祥, 张新燕, 梁帅, 等. 平抑风光功率波动的混合储能功率分配策略[J]. 科学技术与工程, 2023, 23(25): 10825-10834.

[12]	Huang Lixiang, Zhang Xinyan, Liang Shuai, et al. Hybrid energy storage power distribution strategy for smoothing wind-photovoltaic power fluctuation[J]. Science Technology and Engineering, 2023, 23(25): 10825-10834.

[13]	王文, 黎隆基, 岳雨霏, 等. 面向风电平抑的双电池单元储能系统功率分层优化控制策略[J]. 太阳能学报, 2024, 45(10): 73-81.

[14]	Wang Wen, Li Longji, Yue Yufei, et al. Power hierarchical optimization control strategy for dual battery unit energy storage system for wind power smoothing[J]. Acta Energiae Solaris Sinica, 2024, 45(10): 73-81.

[15]	Eydi M, Alishahi M, Zarif M. A novel output power determination and power distribution of hybrid energy storage system for wind turbine power smoothing[J]. IET Electric Power Applications, 2022, 16(12): 1559-1575.

[16]	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.

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

[18]	袁铁江, 郭建华, 杨紫娟, 等. 平抑风电波动的电-氢混合储能容量优化配置[J]. 中国电机工程学报, 2024, 44(4): 1397-1406.

[19]	Yuan Tiejiang, Guo Jianhua, Yang Zijuan, et al. Optimal allocation of power electric-hydrogen hybrid energy storage of stabilizing wind power fluctuation[J]. Proceedings of the CSEE, 2024, 44(4): 1397-1406.

[20]	郭玲娟, 魏斌, 韩肖清, 等. 基于集合经验模态分解的交直流混合微电网混合储能容量优化配置[J]. 高电压技术, 2020, 46(2): 527-537.

[21]	Guo Lingjuan, Wei Bin, Han Xiaoqing, et al. Capacity optimal configuration of hybrid energy storage in hybrid AC/DC micro-grid based on ensemble empirical mode decomposition[J]. High Voltage Engineering, 2020, 46(2): 527-537.

[22]	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.

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

[24]	周晨璟, 邵振国, 陈飞雄, 等. 考虑多指标融合的电能质量扰动特征优选策略[J]. 电网技术, 2023, 47(9): 3873-3885.

[25]	Zhou Chenjing, Shao Zhenguo, Chen Feixiong, et al. Feature selections for power quality disturbance signals with multi-indicator fusion[J]. Power System Technology, 2023, 47(9): 3873-3885.

[26]	Hou R, Liu J H, Chen W X, et al. Enhancing stability of wind power generation in microgrids via integrated adaptive filtering and power allocation strategies within hybrid energy storage systems[J]. Journal of Energy Storage, 2025, 111: 115392.

[27]	胡伟, 陈韵而, 杜璞良. 基于冠豪猪优化算法和深度学习的电力市场短期电价预测[J/OL]. 计算机工程, 1- 16[2026-03-30]. DOI: https://doi.org/10.19678/j.issn.1000-3428.0070744.31.1289.tp.20250604.1657.002.

[28]	Hu Wei, Chen Yuner, Du Puliang. Short-term electricity price prediction for power market based oncrested porcupine optimization algorithm and deep learning[J/OL]. Computer Engineering, 1-16[2026-03-30]. DOI: https://doi.org/10.19678/j.issn.1000-3428.0070744.31.1289.tp.20250604.1657.002.

[29]	王超, 邢一皇, 郭琪, 等. 基于TTAO-VMD和四次回波的管道残余厚度检测[J]. 天津大学学报(自然科学与工程技术版), 2025, 58(7): 674-682.

[30]	Wang Chao, Xing Yihuang, Guo Qi, et al. Pipeline residual thickness detection based on TTAO-VMD and quad echoes[J]. Journal of Tianjin University (Science and Technology), 2025, 58(7): 674-682.

[31]	汪茹康, 王健, 徐钢, 等. 基于SG-IDDBO-VMD的风光互补复合波动平抑策略[J]. 中国电机工程学报, 2025, 45(16): 6314-6326.

[32]	Wang Rukang, Wang Jian, Xu Gang, et al. Strategy on wind-solar complementary composite fluctuation smoothing method based on SG-IDDBO-VMD[J]. Proceedings of the CSEE, 2025, 45(16): 6314-6326.

[33]	国家市场监督管理总局, 国家标准化管理委员会.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.

[34]	State Administration for Market Regulation, National Standardization Administration Committee.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.

[35]	Ma K, Nie X, Yang J, et al. A power load forecasting method in port based on VMD-ICSS-hybrid neural network[J]. Applied Energy, 2025, 377: 124246.

[36]	Zhao S J, Zhang T R, Cai L, et al. Triangulation topology aggregation optimizer: a novel mathematics-based meta-heuristic algorithm for continuous optimization and engineering applications[J]. Expert Systems with Applications, 2024, 238: 121744.

基金资助

国家自然科学基金(U2004163)

PDF (9099KB)

访问

被引

详细

导航

Received	Published	Revised
2025-09-30	2026-06-18	2025-11-27
Online Date
2026-08-04

摘要