鹿 婷，贾继超，彭晓涛

(1.中国舰船研究设计中心, 湖北 武汉 430064；2.武汉大学电气与自动化学院，湖北 武汉 430072)

0 引言

随着风电技术发展和风机并网发电成本的日趋合理，大规模风电并网的消纳受到关注[1]。由于风功率具备间歇性与波动性[2-4]，并且风功率预测相对负荷预测水平较低, 文献[5-7]指出风电场出力1 h前预测的误差可达10%～15%，因此风电并网的随机不确定性所导致的系统有功供需的不平衡已成为制约其大规模并网运行的主要问题。目前针对此问题，大都仍采用火电机组预留调峰容量进行补偿。由于火电机组具有响应时滞长、机组爬坡速率低等不足，不能够快速地进行功率调整[8]，因此，随着系统中风电渗透率的增加，不仅系统的运行不确定性增强，而且随着火电机组占比的下降，仅靠火电机组来调节频率显然会遇到瓶颈。基于此，文献[9-11]认为储能技术有望解决风电并网的风功率波动问题，并有益于提高系统的风电并网比例。近年来，许多学者在风光储领域进行了广泛研究，取得了很多研究成果[12-16]，并建立了一批示范工程，进一步推广了新能源的并网应用[17-18]。

目前的储能研究大都侧重在提升蓄电池或超级电容的使用效率或使用寿命上。文献[12]采用模糊控制分配功率偏差，提升储能的使用效率，保证储能电站有足够的可用容量和可用功率，并通过仿真结果看出储能系统在一定程度上达到了平抑风功率的效果。文献[13]在风功率分钟级波动上做了大量研究，对风功率的波动概率特性做了详细说明，为本文的撰写提供了大量的参考数据;并提出了一种新的储能工作策略，将储能的充电与放电工作相分离，提高储能系统的能量管理效率，并增长了蓄电池的使用寿命。文献[14]则提出了一种蓄电池充放电的最优控制策略，使得储能系统运行更加平滑。文献[15]基于蓄电池和超级电容器复合储能，研究了储能面向风光互补微电网的控制策略。文献[16]以含储能风电场为研究对像，研究了用于系统中火电机组黑启动的协调控制策略。以上文献解决了储能系统使用性能不足的问题，但所讨论的是将储能用于平抑风功率分钟或小时级波动，利用储能平抑风功率的精确性及快速性都有所欠缺，使平抑后的风电场输出功率与目标值还存在一定误差。在风电占比较大的系统中或者在大型的风场中，由于风功率的渗透率增加，储能功率较小的误差也可能会对系统频率造成一定的影响。

本文在分析以上文献的基础上，在大规模风电接入电网的背景下，建立配置混合储能系统的风电场结构模型。通过研究风功率波动的概率特征，设计出储能的额定功率，并提出一种储能分组与调度中心配合的控制策略，解决了储能的容量配置问题。考虑到要实现风功率的实时控制，需要储能系统平抑秒级的风功率波动，本文在研究超短期风功率预测理论的基础上，基于前馈(back propagation,BP)神经网络理论，提出一种基于自适应神经网络的控制器；用该控制器控制储能系统的功率输出，并根据误差进行在线调整。最后仿真结果表明，基于自适应神经网络的混合储能功率控制器，不仅能根据历史风功率进行提前控制，并且具有较好的非线性映射能力，相比传统的比例-积分-微分(proportion-integral-differential,PID)控制器具有良好的动态特性和鲁棒性。验证了本文提出的储能配置策略，在风功率预测误差较大的情况下，也能使风电场的有功输出跟踪上根据风功率预测曲线设定的经济调度指令，具有良好的适应能力。

1 风电场的混合储能系统

储能系统作为平抑风功率波动的有效技术措施，正逐渐被考虑应用于风电并网电力系统。由于风电场并网功率的波动存在多种频率分量，而储能装置因各自在储能能量密度、功率密度和循环使用寿命等运行特点上存在区别，例如，蓄电池储能具有能量密度高、功率密度和循环使用寿命低的特点，而超级电容器则具有储能密度低、功率密度和循环使用寿命高的特点，因此仅靠1种储能装置难以满足长时间平抑风功率波动的需求。为此，可利用超级电容与蓄电池构建图1所示风电场混合储能系统[19]。如图1所示，各构成储能装置通过各自的DC/DC变换器与统一的DC/AC变流器直流侧连接，并利用统一的变流器进行并网运行。由于风力发电系统直接与电网相连，因此采用该混合储能系统结构，不仅可提高混合储能系统的运行经济性，而且通过将整个风电场分为储能系统和风电系统两部分，在降低系统复杂性的同时，便于在已建成运行风电场进行储能系统的灵活扩展，从而实现利用混合储能系统对风电场输出功率波动的动态平抑，提高系统自动发电控制机组出力基准点和参与因子基于经济调度滚动优化分配的准确性。

图1 含混合储能系统的风电场Fig.1 Wind power plant with hybrid energy storage system

图1中超级电容器和电池组的功率调节指令Psc_ref和Pbat_ref可由图2所示混合储能系统的平滑控制策略来确定[20-21]。由图2可知，平滑控制策略通过对统一变流器直流电压Udc不同频率波动分量的滤波，确定超级电容储能和蓄电池储能的功率调节指令，在维持直流母线电压恒定的同时，保证风电场并网有功功率的稳定输出。该控制策略不仅实现了两种储能装置动态响应特性的互补，而且有利于提高混合储能系统的使用效率。

图2 混合储能系统的平滑控制Fig.2 Smoothing control of hybrid energy storage system

2 基于分组轮换的储能系统容量设计与控制

图3 风场2 h内波动功率Fig.3 Fluctuating wind power over two hours

风电并网电力系统中自动发电机组的出力基准点，通常由调度中心基于超短期负荷及风电预测信息通过每15 min 做一次滚动优化，进行各机组出力基准点和参与因子的优化分配，并在该时段内保持不变[3,5]。然而，由文献[13]描述的美国某575 MW风电场2 h内分钟级功率波动特性可知:如图3所示，风功率在短时间尺度内正向或负向波动持续时间的随机性较强。若风电场输出在15 min内偏离预测值较大，且具有单向持续爬坡特性，不仅可能导致自动发电机组机组计划总出力与净负荷之间存在较大的功率不平衡偏差，而且若基准点定值不及时做出相应调整，将增加自动发电机组的快速调节压力及运行成本[5,22-24]。因此，利用混合储能系统进行风电场输出功率波动的平抑，对于改善高比例风电并网系统的经济调度具有重要作用。

图4 储能系统的三分组轮换控制原理Fig.4 Rotation control principle for three groups of energy storage systems

但是，当风功率在一段时间内一直大于或小于预测值，若储能容量太小，则可能因储能调整空间耗尽较快而无法满足功率波动平抑的需求；若储能容量较大，虽然可满足单向持续爬坡情况下的功率波动平抑，但也大大增加了储能的建设投资。为此，本文考虑将储能系统进行三分组，通过控制各分组储能在经济调度滚动优化周期进行运行、缓冲和恢复3种工作模式的轮换，提出了图4所示的一种储能系统基于分组轮换控制的能量管理策略。如图4所示，当#1混合储能组完成风功率波动平抑任务后，#2储能组将在第1个滚动优化周期被切换为运行模式，以承担平抑风功率波动的任务； #1储能组则在此滚动优化周期转变为缓冲模式，并根据当前荷电状态，向调度中心传送其在预计时间内恢复期望荷电状态所需的恒定调节功率。调度中心则在第2个滚动优化周期基于此信息并结合超短期负荷和风功率预测，进行各自动发电机组的出力基准点和参与因子的滚动优化。在第2个滚动周期，#3储能组将转换为运行模式，进行风功率波动平抑；#1储能组将按照所确定恒定调节功率进行期望荷电状态的恢复；#2储能组在由运行模式转换为缓冲模式后，向调度中心传送其恢复期望荷电状态的调节功率。同理，在第3个滚动优化周期，#1储能组在恢复荷电状态后，由恢复模式转换为运行模式，进行风功率波动平抑；#3储能组转换为缓冲模式；#2储能组则进行期望荷电状态的恢复。

图中，工作于缓冲模式的储能组基于下式确定其恢复期望荷电状态的调节功率：

(1)

由图4可知，由于调度中心可提前一个经济调度周期得到缓冲模式储能组在恢复模式下所需的恢复功率，并利用它参与自动发电机组出力基点和参与因子的滚动优化，并在随后的经济调度周期将恢复功率发送给储能系统，使恢复模式储能组进行荷电初始状态的恢复，这样就保证了运行储能组一直工作在理想荷电状态。不仅可实现风电场输出功率对预测值波动的动态补偿，而且可保证混合储能系统的容量调节裕度，提高储能系统的运行稳定性。由此可得风电场的总输出功率：

Pwf=Pw+Pess+Pr

(2)

式中：Pwf为风电场输出的有功功率；Pr为储能系统的恢复功率，由调度中心给定；Pess为混合储能系统的输出功率；Pw为风电系统的输出功率。由式(2)可知，当混合储能系统具有理想的调节容量和功率调节能力时，就能利用Pess与Pw之和动态跟踪风电场的风功率预测值。

文献[13]对美国某575 MW风电场的9个月风功率统计数据表明，虽然最大功率波动值为210 MW，但仅有1.34%的功率波动幅值大于40 MW，且幅值大于45 MW的概率极小。因此综合上述研究，从节约风电场混合储能系统建设投资的角度出发，对混合储能系统的容量和最大调节功率能力的设计仅需考虑满足大部分功率波动平抑的需求即可。例如在上述风电场中，由于功率波动值大于45 MW的概率较小，所以可设定混合储能系统功率调节范围为风电场额定功率的[-8%,8%]，各储能组容量能保证储能在最大调节功率状态下持续运行一个经济调度周期。基于此可得混合储能系统的容量及最大调节功率：

(3)

式中：Pess_min、Pess_max为混合储能系统的最大充电和放电功率；ru、rd分别为风电场风功率波动的上限和下限阈值；ηC、ηD分别为混合储能系统的充电和放电效率；ΔEess_max为储能系统的调节容量，即容量变化的上限与下限之差；Tn为单组混合储能最大功率持续时间，可根据经济调度控制周期确定。

由式(3)可知，采用本文所提能量管理策略进行混合储能系统的最大功率和额定容量设计，若考虑15 min的滚动优化周期，需要配置的总储能容量为额定功率乘以大约1.5 h。而文献[12]指出储能容量可按Em=nPm进行配置，其中参数n一般按4～6选取，表示按额定功率乘以4～6 h进行容量大小设计。文献[25]则指出目前储能价格还比较昂贵，单位容量造价高达50～100欧元/(kW·h)。因此，本文所提的能量管理策略不仅可有效减少储能系统的投资，而且可实现混合储能系统对绝大多数风功率波动的补偿，使风电场在保持当前运行状态下，其风电场出力能动态跟踪风功率预测值。

3 储能系统平抑风功率波动的神经网络控制

3.1 储能平抑风功率波动的控制方案

在设计风电场混合储能系统面向经济调度的容量管理和功率调节能力的基础上，进一步利用人工神经网络(artificial neural network,ANN)设计了图5所示储能平抑风电场短期风功率波动的控制器。

图5 储能系统平抑风电功率波动的控制系统Fig.5 Control system for energy storage system smoothing wind power fluctuation

图中:Pw,pre(t)为t时刻的风电功率预测均值，在短时间内保持恒定；Pess,ref(t)为混合储能系统的控制指令；Pess(t)为储能的实际调节功率；Pw(t)为风电场实时功率，Pw(t-1)、Pw(t-2)则分别表示前两次风电场实时功率采样值。ANN控制器的控制规律可表示为

Pess_ref=fA(ΔPw(t),Pess(t))

(4)

(5)

将其带入式(4)可得ANN控制器的控制规律：

(6)

为简化ANN控制器结构，对式(6)进行简化，确定t、t-1、t-2时刻的风电功率及t时刻的储能系统调节功率，将其作为ANN控制器的输入，即有

(7)

3.2 自适应ANN控制器

ANN的目的是找到控制输入和输出间的非映射关系。基于此，本文采用图6所示3层前馈(back propagation,BP)ANN对式(7)所示控制规律进行设计。如图6所示，该控制器包括4个输入和1个输出神经元，同时基于试错法确定3个中间隐含层神经元。

图6 ANN控制器结构图Fig.6 Controller structure of ANN

ANN各输入分量在输入时需按下式进行归一化处理：

(8)

式中：P为输入功率；Pmin和Pmax分别为输入功率的最大值和最小值；P*为归一化处理后的输入分量。

同理，控制器输出量Pess,ref(t)也需按下式进行反归一化处理：

(9)

图6中w1—w16表示输入层与隐含层、隐含层到输出层的权值；b1—b5表示输入层与输出层的阀值，隐含层的阀值设为0，若BP ANN的输入全为0时输出也为0，则输入层和输出层的阀值也可设为0。输入层和隐含层的神经元的变换函数选择为正切函数fh，输出层神经元的变换函数选择为线性函数f0，具体为

(10)

基于所确定的ANN结构，为适应风电功率波动的随机变化，网络的权值在每次控制中都依据下式进行在线调整[27]：

(11)

(14)

式中Er为经归一化处理的ANN控制器的控制偏差。

由于ANN各神经元权值采用在线训练进行调整，当储能系统调节功率达到最大值或最小值时，虽然储能系统的调节功率不会继续变化，但Er仍将继续影响各神经元的权值，因此将可能导致储能系统调节功率的振荡。为此，本文在图6所示ANN控制器附加了控制偏差闭锁器的设计，在储能调节功率达到最大或最小值时，闭锁控制器的控制偏差信号反馈，通过令Er为0，暂时停止各神经元权值的在线调整。待储能系统调节功率恢复到调节范围内，再次恢复各神经元权值的在线调整。

4 仿真研究

4.1 储能对风电系统功率波动的平抑作用

利用Matlab/Simulink建立图7所示4机11节点风电系统模型进行所研究储能系统控制策略的可行性仿真验证。仿真系统中风电场包含装机容量为200 MW的双馈风电机组(doubly-fed induction generator，DFIG)，风电机组的满载风速为14 m/s。仿真系统中DFIG机组的参数选自Matlab/Simulink的Wind Farm-DFIG Average Model参数组，与DFIG机组的风机参数相同。G1—G3采用3阶同步发电机模型，其中bus1设置为平衡节点，选取G1发电机转子角速度作为系统参考频率，bus2和bus3设为PV节点，有功功率分别为40、30 MW。负荷L7和L9的大小分别为(120+j20)和(130+j30) MV·A。

上述仿真系统建模采用标么值，基准容量SB=100 MW，发电机，线路和节点输入和负荷需求功率参数如表1—3所示。

图7 改进3机11节点风电系统Fig.7 Improved 3-machine 11-bus wind power system

根据式(3)，设置混合储能系统的3个储能组的额定调节功率为±20 MW，容量为10 MW·h。各储能组中的蓄电池额定容量选择为8 MW·h，荷电状态S的取值范围为5%～95%，初始荷电状态S0设置为50%，蓄电池充放电效率都为ηb-ch=ηb-dis=80%；超级电容器的额定容量为2 MW·h，荷电状态S的取值范围为2%～99%，初始荷电状态S0设置为50%，超级电容的充放电效率都为ηsc-ch=ηsc-dis=95%。各神经元的初始权值全部设为0.3，学习率η=0.03，输入神经元的阀值b1—b4设为1，输出神经元的阀值b5设为0。设置风电场预测功率为100 MW，风电场输送无功功率0 Mvar，并网母线bus4设为PQ节点。

为验证在系统中配置混合储能系统平抑风功率波动的必要性，首先采用文献[28]的方法，用自回归移动平均模型产生风速序列，模拟出150 s的秒级风速波动分量，作为风电场的输入风速；风速对应的平均风功率为98 MW，并保证风功率波动范围在储能调节范围内，风电系统的风功率如图8所示。

考虑到虽然常规天气下风功率波动不大，但研究风功率波动对系统稳定性的影响需要考虑极端天气下风功率的变化情况，故本文所设定风功率波动较为剧烈。其中最大波动为-19.3 MW，对应时刻为73 s。当风电场没有配置储能系统时，对于风功率波动只能依靠发电机输出调节进行平抑。图9给出利用G1进行风功率波动平抑的系统频率响应特性。

表1 发电机参数Table 1 Generator parameters

表2 变压器及线路参数Table 2 Parameters of transformer and transmission line

表3 节点功率和电压Table 3 Power and voltage of each bus

图8 风电场输出的总功率曲线Fig.8 Total output power of wind power plant

图9 无储能时系统频率对风功率波动的响应曲线Fig.9 Response curve of system frequency to wind power fluctuation without energy storage

由图9可见，由于G1存在爬坡约束问题，不能快速调整发电机出力，势必造成系统频率的偏移。系统在图8所示风功率作用下，最大频率偏移发生在74.2 s时的-0.25 Hz。可见在高比例风电接入系统中，由于火电机组并网比例下降，因此系统对风功率波动的平抑能力下降，容易导致系统频率的大幅度变化，因此考虑配置储能进行风功率波动的平抑是有必要的。

为验证所设计自适应ANN控制器的动态特性，将图5的ANN控制器改为PID控制进行对比仿真研究，PID控制器的参数为kp=2、ki=5、kd=1。储能系统采用两种控制器后，系统在图8所示风功率作用下的风电场和G1输出有功功率分别如图10、11所示。

图10 采用PID控制器后G1和风电的输出功率Fig.10 Output power of G1 and wind power after using PID controller

图11 采用自适应ANN控制后G1和风电的输出功率Fig.11 Output power of G1 and wind power after using self-adaption ANN controller

由图10、11的仿真结果可知，使用储能平抑风功率波动后，风电场和G1输出功率的波动范围减小。储能系统使用自适应ANN控制器后，风电场有功功率偏离预测值100 MW的最大偏离值为70.5 s时刻的-0.17 MW；而使用PID控制时，有功功率偏离预测值的最大偏离值为71.2 s时刻的 -2.27 MW，都远远小于无储能时的-19.3 MW。仿真结果表明储能系统起到了稳定风电场功率输出的效果。此外，对比图10、11可见，由于自适应ANN控制器具有神经元权值在线自适应调整的特点，特别是其对风功率预测误差的超前控制，使储能系统采用自适应ANN控制器对随机波动扰动表现出更好的动态响应特性和鲁棒适应性。两种控制器作用下的系统频率响应如图12所示。由图可见：储能系统使用自适应ANN控制器后，系统频率波动的最大值减小为71.7 s时刻的-0.005 Hz；使用PID控制器后，系统频率波动的最大值减小为72.3 s时刻的-0.03 Hz。对比图12、9可知，利用储能平抑风功率波动对于改善风电系统的运行特性具有重要作用。

图12 不同控制器作用下的系统频率响应Fig.12 System frequency response under different controllers

4.2 储能系统的容量设计和调节功率

将风电场系统与无穷大电网相连进行所提出储能调节功率及容量设计的可行性仿真验证。仿真模型中，风电系统及储能的模型和参数不变，使用自回归移动平均模型模拟15 min的风速变化曲线，在该风速作用下的风电系统有功输出如图13所示。

图13 风电系统输出功率曲线Fig.13 Output power of wind power system

图曲线

图15 风电场功率曲线Fig.15 Output power of wind power plant

由于本文所提储能容量管理策略将储能系统分为3组，每组在运行15 min后进行切换，且每组都能以额定功率运行15 min，因此储能系统的容量配置也能应对风功率变化的所有情况。上述仿真中，运行组混合储能中的超级电容器和电池的输出功率如图16所示，荷电状态如图17所示。

图16 超级电容及蓄电池调节功率曲线Fig.16 Output power of super capacitor and battery

图17 超级电容及蓄电池的荷电状态曲线Fig.17 State of charge of super capacitor and battery

综上可见，本文所提出的储能系统基于三分组轮换运行的容量管理策略，能够为储能平抑风电场的功率波动提供充裕的调节能力，在风功率预测存在较大误差的情况下也能维持风电场输出功率的稳定，具有较高的运行可靠性。

5 结论

风电场输出功率的随机波动性对风电高比例接入电力系统的区域跟踪控制将产生影响，为此本文研究了利用混合储能平抑风电场短期功率波动的控制方法。

首先从解决混合储能的额定功率与容量大小的配置问题出发，提出了一种混合储能面向经济调度的三分组轮换式容量管理策略；在此基础上进一步研究了各混合储能组的容量和功率调节能力的设计方法。利用所提储能容量管理策略和容量设计方法对风功率预测误差在[-30%,+30%]范围内时都能够适用，具有较高的可靠性。在保证储能系统的调节能力基础上，降低了储能的投资成本，然后进行了储能系统平抑风电场短期风功率波动的控制系统设计，在此基础上提出了控制器的自适应ANN控制策略。该控制策略能快速准确地控制储能系统跟踪风电场的功率波动，使风电场的功率输出能动态跟踪风功率预测值。对比结果同时表明，所提控制策略对风功率预测偏差的随机波动性具有较好的动态响应特性和控制鲁棒性。