闫群民，刘语忱，董新洲,2，马永翔
基于CEEMDAN-HT的平抑光伏出力混合储能容量优化配置
闫群民1，刘语忱1，董新洲1,2，马永翔1
(1.陕西理工大学电气工程学院，陕西 汉中 723001；
2.清华大学电机工程与应用电子技术系，北京 100084)
光伏出力具有间歇性和波动性，利用储能装置可减小光伏并网对电网的影响。以平抑光伏功率波动效果为标准，提出了一种由超级电容和蓄电池组成的混合储能系统(hybrid energy storage system, HESS)的容量配置方法。采用由递推平均和中值平均加权滤波的算法平滑光伏出力，得到光伏并网功率和HESS参考功率。利用完全集合经验模态分解和希尔伯特变换提取HESS参考功率的高频与低频分量，对HESS内部功率进行一次分配。之后为了避免HESS荷电状态频繁越限，同时保证HESS能持续工作，提出一种HESS功率的均衡管理方法，对一次分配功率的衰减进行修正，再对修正后的HESS参考功率进行容量配置。最后，基于全寿命周期成本建立经济评估模型，对比不同的储能容量配置策略，利用实际数据仿真验证了所提方法的有效性与经济性。
光伏发电；
混合储能；
平抑功率波动；
完全集合经验模态分析；
容量配置
在“碳达峰、碳中和”的目标下，近年来电网中新能源发电占比逐年上升。光伏作为一种绿色清洁的发电形式，成为未来分布式发电的一大发展方向。但是光伏出力易受气候影响，具有随机性和波动性，大规模光伏并网会造成电网的电压和频率波动，影响系统安全稳定运行[1]。
储能电池能够实现电能的时空平移，在发电侧配置储能电池能够平滑光伏功率波动，然而采用单一的电池储能进行波动平抑，一方面，会导致储能容量配置过大，投资成本增加，另一方面，储能电池频繁地充放电以及过高的放电深度(depth of discharge, DOD)会迅速地降低其循环寿命，影响储能电池正常运行[2]。因此，近年来一部分学者将目光转移到了混合储能系统(hybrid energy storage system, HESS)的优化配置上。储能容量配置的合理性，一方面会影响HESS投资成本，另一方面会影响HESS的工作效果[3-4]。
目前，已有许多科研工作者对HESS平抑新能源波动的控制策略和HESS容量配置方法进行了研究，并获得了颇多成果。文献[5-6]采用低通滤波原理对储能功率进行分配，但此分配方法精度不高，若时间常数选取不当还会产生滤波时延，导致储能容量配置不够合理。文献[7]运用离散傅里叶变换(discrete fourier transform, DFT)分解风电不平衡功率，之后对截止频率寻优得到HESS容量配置结果。但DFT需要预先设定基函数，且寻优过程会增加运算的复杂性。文献[8]提出用小波分解法进行HESS容量配置，但选择不同的小波基可能产生不同的处理结果。文献[9]首先用小波分解获得混合储能参考功率，再利用模糊控制器对功率进行二次修正，使得功率在HESS内部得到合理分配，但在实际算法实现中小波分解只能处理线性非平稳信号。文献[10]基于经验模态分解(empirical mode decomposition, EMD)和神经网络(neural networks, NNs)对混合储能功率进行了分配，但EMD分解结果会存在模态混叠，影响储能配置。文献[11]提出使用中值平均法对风电原始功率进行平滑，之后运用DFT弥补了EMD分解精度低的缺点，最后对储能容量进行了配置，但中值平均滤波结果会有一定的时延。文献[12]基于递推平均和EMD，提出了以净效益最大为目标的储能容量配置方法，但递推平均滤波对高频振荡信号抑制效果差，并且存在滤波时延。文献[13-14]提出使用变分模态分解(variational mode decomposition, VMD)对HESS内部功率进行分配，可以有效解决模态混叠问题，但VMD需要预先设定分解模态阶数，自适应性较差。完全集合经验模态分解(complete ensemble EMD with adaptive noise, CEEMDAN)在EMD的基础上加入了辅助的高斯白噪声，可以提高信号分解的精度，同时减小重构误差[15]。文献[16]基于CEEMDAN和互信息熵法将HESS功率分解为高频与低频分量，并对荷电状态(state of charge, SOC)进行了限值处理，但互信息熵无法直观地表明相邻两模态分量之间是否存在混叠现象。
总结上述方法的优劣，本文使用由蓄电池和超级电容组合的HESS来平抑光伏功率波动。采用由递推平均和中值平均加权滤波的算法得到光伏并网功率与HESS参考功率，利用CEEMDAN和希尔伯特变换(hilbert transform, HT)确定HESS参考功率高频与低频分界点，之后将高频分量重构给超级电容，低频分量重构给蓄电池。鉴于此方法会使得分配功率和容量配置过高，一方面导致SOC频繁越限，另一方面使得配置成本增加，因此，为了避免上述问题，本文提出一种HESS功率的均衡管理方法，实现功率在HESS内部的合理分配。最后，将HESS全寿命周期成本(life cycle cost, LCC)作为目标函数，对比不同策略下的储能容量配置，证明本文所提方法在提高储能配置经济效益上的优越性。
1.1 光储系统拓扑结构
图1 光储系统拓扑结构
根据图1中的功率关系，可得式(1)、式(2)。
1.2 光伏并网波动率
对光伏电站有功功率变化的要求，依据 Q/GDW 1617—2015《光伏电站接入电网技术规定》，光伏电站有功功率的变化根据装机容量的不同，限值会有区别[17]。本文以1 min内有功变化不超过装机容量的10%、10 min内有功变化不超过装机容量的30%为标准，进行光伏波动平抑。波动率的量化方法如式(3)所示。
1.3 储能系统数学模型
2.1 光伏波动平抑算法
递推平均滤波法对原始光伏输出功率进行采样，每次得到个数据并剔除之前数据组中第一个数据(先进先出)，之后对剩余数据求算数平均值，输出新数据组，得到平滑度较高的光伏输出功率。递推平均滤波对含有周期性干扰的信号抑制效果明显，且平滑度较高，但对含有脉冲干扰的信号抑制效果差，偶然的脉冲干扰会造成采样偏差，若总采样数据较少，平滑结果还会产生滞后[19]。中值平均滤波法对原始光伏输出功率进行采样，每次得到个数据并剔除其中的最大值与最小值，之后对剩余数据求算数平均值，输出新数据组，得到较为平滑的光伏输出功率。中值平均滤波可消除由于偶然的脉冲干扰所造成的采样偏差，减小信号中的噪声，但计算速度慢，平滑结果也具有一定的滞后性[20]。
文献[21]提出最小二乘拟合和低通滤波相结合的平抑算法，两种方法性能互补有效地解决了最小二乘拟合平抑效果差和低通滤波的时延问题。因此，本文利用两种滤波算法的优点，对递推平均和中值平均滤波法进行加权处理(以下简称加权滤波)，根据光伏波动程度动态调整权重。递推平均法平抑光伏出力公式如式(5)所示。
中值平均法平抑光伏出力公式如式(6)所示。
加权后滤波算法计算公式如式(7)所示。
2.2 基于CEEMDAN的HESS功率分解
EMD是一种基于原始数据的自适应信号分解方法，在分解起始时不需要预先设置任何基函数。该方法可以将连续的非平稳或非线性信号分解为一系列固有模态函数(intrinsic mode function, IMF)，但分解结果存在模态混叠现象，且信号重构会有一定的误差[22]。CEEMDAN是Antico等人在2014年提出的一种改进EMD算法。该方法并非直接在原始信号中加入白噪声，而是在EMD分解后加入带有辅助白噪声的IMF分量。通过CEEMDAN分解得到一阶IMF分量后，再进行总体平均计算，得到最终的一阶IMF分量，然后对残差部分重复上述操作。通过这种方法，可以有效解决白噪声从高频向低频的转移与传递问题[23]。
步骤2：对由EMD分解得到的阶固有模态函数进行累加并求平均值，得到CEEMDAN分解出的第1阶固有模态函数，即
步骤3：
将原始信号与CEEMDAN分解出的第1阶固有模态函数作差，得到第1阶余量。
步骤5：对由EMD分解得到的新的阶固有模态函数进行累加并求平均值，得到CEEMDAN分解出的第2阶固有模态函数，即
步骤6：第1阶余量与CEEMDAN分解出的第2阶固有模态函数作差，得到第2阶余量。
2.3 基于HT的HESS功率分配
文献[10]已给出不同分频频率对HESS配置的影响。本文着重介绍瞬时频率的提取方法。
定义解析信号表达式为
其中，瞬时相位的计算方法如下：
最终得到各个模态函数的瞬时频率为
综上，CEEMDAN-HT提取IMF瞬时频率特征的过程如图2所示。
式中：为重构后的超级电容参考功率；
为重构后的蓄电池参考功率；
为余量。
结合2.1节至2.3节所述，HESS功率分配策略如图3所示。
图3 HESS功率分配策略
2.4 HESS功率均衡管理
在实际工况中，储能装置若不加以限制地进行充、放电，SOC频繁越限以及深度放电将导致其循环寿命快速下降，这将缩短储能装置的更换周期，那么其投资成本会相应的增加，且当储能装置一天的充放电结束后，电量会处于低限值，影响第二天的正常工作。为了防止由CEEMDAN分解并通过HT重构得到的蓄电池和超级电容参考功率过高，导致SOC超出正常范围，需要对一次分配的参考功率进行修正处理。本文引入以自然常数e为底的衰减因子，并以储能参考功率和实时荷电状态作为衰减系数对一次分配功率动态修正。修正策略如图4所示。
图4 HESS功率修正策略
修正过程如下：
3.1 HESS额定功率配置
3.2 HESS额定容量配置
储能系统在正常运行中，放电量最大时SOC应不低于下限，充电量最大时SOC应不高于上限，SOC计算方法见式(4)，则储能运行条件有
将式(25)代入式(4)中可得
在SOC约束下，取式(27)的差值，则储能容量配置结果为
4.1 储能系统寿命评估模型
由于超级电容在充放电过程中无化学反应，充放电过程可逆，故其循环寿命长，深度放电可达近百万次。因此，本文将超级电容器寿命设为常数。而温度、放电倍率和放电深度等内外因素对蓄电池循环寿命影响较大，尤其是DOD，蓄电池每次放电都会对其寿命造成不可逆转的损耗。DOD计算方法如式(29)。此处主要考虑DOD对蓄电池寿命的影响。
蓄电池循环次数会随着DOD的增大而减小，利用实验数据所得结论建立蓄电池寿命模型为[25]
根据等效循环寿命法[26]，将实际循环次数折算至额定循环次数有
则蓄电池运行寿命的估算结果为
4.2 储能系统全寿命周期成本分析
本文采用全寿命周期成本对储能配置结果做经济性评估，将储能设备购置成本与储能系统在工作年限内产生的所有费用之和作为最终投资成本[27]。投资成本主要由以下四部分组成。
1) 储能设备购置成本
2) 储能设备更换成本
3) 运行维护成本
4) 回收残值成本
结合式(33)—式(37)，可得全寿命周期成本为
本文以我国西北某地区60 MW光伏电站某日实际采样数据(采样间隔为1 min)为研究对象，分别采用递推平均法和加权滤波法平滑光伏出力，滤波窗口均设为15，将1 min内功率波动限制到装机容量10%以下，10 min内功率波动限制到装机容量30%以下。采用递推平均法平抑光伏波动的效果如图5所示。
图5 递推平均法平抑光伏波动效果
由图5可知，经递推平均后光伏并网功率相对于原始功率有明显的延时，平抑结果见表1。从表1可知，光伏出力在1 min内最大波动率下降至3.58%，在10 min内最大波动率下降至25.08%，均满足我国并网要求。
表1 光伏数据计算结果1
采用加权滤波法平抑光伏波动的效果与波动率变化如图6 (本文仅展示1 min内功率波动率)所示。加权滤波后，光伏并网功率与原始功率拟合度较高，基本无时间延时。由图5可知，在09：34光伏原始出力为12.05 MW，经递推平均后的光伏并网功率为15.31 MW，混合储能系统将释放3.26 MW的电量以平滑出力波动；
由图6(a)可知，经加权滤波后的光伏并网功率为13.47 MW，混合储能系统将释放1.42 MW的电量以平滑出力波动，相比之下，此方法将使储能系统免于1.84 MW的不必要出力，因此储能配置容量降低，避免了多余的投资。经加权滤波前后的光伏平抑结果见表2。从表2可知，在1 min内最大波动率下降至3.29%，在10 min内最大波动率下降至20.72%，平滑度从递推平均法滤波后的4.29%，下降至2.15%，因此，可得本文方法对长时间尺度的波动平抑效果更佳。
图6 加权滤波法平抑光伏波动效果与波动率变化
表2 光伏数据计算结果2
得到光伏并网参考功率后，将并网参考功率与光伏原始输出功率作差，把差值作为混合储能系统参考功率，各时刻混合储能系统的工作状态如图7所示。
图7 混合储能系统工作状态
为体现CEEMDAN在HESS配置中相对于 EMD的优势，首先采用EMD对混合储能系统参考功率进行分解，将分解得到的各个模态分量通过HT后，可得到各个模态函数的瞬时频率-时间曲线(此处仅列出4—7以及余量的曲线)。从图8可以看出，相邻两模态分量之间均存在模态混叠现象，无法找出合适的分频频率将高频与低频部分分离，因此，蓄电池依然会承担一部分功率的高频波动量，影响其循环寿命。
图8 EMD部分IMF的瞬时频率-时间曲线
采用CEEMDAN对混合储能系统参考功率进行分解，如图9所示，得到频率范围由高到低的9个固有模态函数和1个余量。将这10个模态函数分别通过HT后，可得到各个模态函数的瞬时频率-时间曲线(此处仅列出6—9以及余量的曲线)。从图10中可以看出，8与9两条曲线几乎全时段无混叠，因此，将8以及频率范围高于8的模态函数重构为超级电容参考功率，将9以及余量重构为蓄电池参考功率。
为比较不同储能配置方法的优劣性，本文选取了5种配置方案,储能系统仿真参数见表3。方案1为单一蓄电池储能，滤波算法采用本文提出的加权滤波法；
方案2—5为混合储能，其中方案2的滤波算法采用本文提出的加权滤波法，储能参考功率采用EMD进行分解；
方案3的滤波算法采用递推平均法，储能参考功率采用CEEMDAN进行分解；
方案4的滤波算法采用本文提出的加权滤波法，储能参考功率采用CEEMDAN进行分解；
方案5在方案4的基础上加入了本文提出的HESS能量均衡管理措施，即对CEEMDAN分解后的一次分配功率进行修正再进行储能容量配置。5种方案配置结果如表4。此处列出了方案1、方案4和方案5的HESS实时SOC对比图，HESS实时SOC如图11所示。
图9 CEEMDAN分解得到的IMF和余量
图10 CEEMDAN部分IMF的瞬时频率-时间曲线
表3 储能系统技术参数
图11 不同配置策略下的混合储能SOC
根据表4所得数据，首先将方案2与方案4作比较，可知经过CEEMDAN重构后的蓄电池和超级电容参考功率无模态混叠现象，避免了经过EMD重构后的蓄电池承担一部分功率的高频波动分量，从而导致循环寿命下降、投资成本升高。其次将方案3与方案4作比较，可知加权滤波算法有效地去除了滤波时延，避免了HESS不必要的充放电，因而储能的配置容量降低，投资成本下降。
表4 储能容量配置结果
从图11(a)可以看出，方案1的单一蓄电池储能的充放电较为频繁，这将导致其循环寿命快速下降，因此更换周期缩短，投资成本增加；
从图11(b)可以看出，方案4的蓄电池承担了功率的低频波动分量，因而其SOC变化平缓，超级电容承担了功率的高频波动分量，因而其SOC变化频繁，混合储能的运用减小了蓄电池的工作负担，减少了蓄电池容量配置，提高了其循环寿命，因此投资成本会相应下降；
从图11(c)可以看出，采取了能量均衡管理措施的方案5，蓄电池与超级电容在22：00时 SOC将会达到满额状态，准备第2天的光伏波动平抑工作。再与方案4作比较，可知方案4中的蓄电池在08：00—13：21持续放电，直到限值，如此深度的放电在一定程度上会使蓄电池产生损耗，而方案5中的蓄电池在08：00—16：09整体为充电趋势，虽然充放电较为频繁，但是放电深度小，因此，本文提出的能量均衡管理方案会使蓄电池工作寿命比方案4的蓄电池工作寿命略有提升，投资成本相应下降。
在光伏并网出口处配置储能设备可平抑光伏出力波动，本文以实际光伏出力数据为支撑，建立了光储系统模型，首先采用加权滤波法平滑光伏原始出力，此方法得到的并网参考功率不仅平滑度较高，而且能很好地对原始出力进行跟踪，基本没有时间延时。然后通过CEEMDAN将混合储能参考功率进行分解，经HT后得到各个模态的瞬时频率-时间曲线，这些曲线可直观地表明各模态之间的相关性，发现CEEMDAN可将信号的高频与低频部分有效分离，因此储能容量的配置更加合理，之后，利用提出的能量均衡管理策略进一步优化了混合储能容量配置，既可改善HESS工作状态，同时也保证了HESS在一天的平抑光伏出力结束后，电量有余。本文所提方法对光伏电站混合储能系统配置具有一定的参考价值。
[1] 马原, 张雪敏, 甄钊, 等. 基于修正晴空模型的超短期光伏功率预测方法[J]. 电力系统自动化, 2021, 45(11): 44-51.
MA Yuan, ZHANG Xuemin, ZHEN Zhao, et al. Ultra-short-term photovoltaic power prediction method based on modified clear-sky model[J]. Automation of Electric Power Systems, 2021, 45(11): 44-51.
[2] 马伟, 王玮, 吴学智, 等. 平抑光伏并网功率波动的混合储能系统优化调度策略[J]. 电力系统自动化, 2019, 43(3): 58-66.
MA Wei, WANG Wei, WU Xuezhi, et al. Optimal dispatching strategy of hybrid energy storage system for smoothing power fluctuation caused by grid-connected photovoltaic[J]. Automation of Electric Power Systems, 2019, 43(3): 58-66.
[3] 李建林, 修晓青, 吕项羽, 等. 储能系统容量优化配置及全寿命周期经济性评估研究综述[J]. 电源学报, 2018, 16(4): 1-13.
LI Jianlin, XIU Xiaoqing, LÜ Xiangyu, et al. Review on capacity optimization configuration and life cycle economic evaluation method for energy storage system[J]. Journal of Power Supply, 2018, 16(4): 1-13.
[4] 张宇涵, 杜贵平, 雷雁雄, 等. 直流微网混合储能系统控制策略现状及展望[J]. 电力系统保护与控制, 2021, 49(3): 177-188.
ZHANG Yuhan, DU Guiping, LEI Yanxiong, et al. Current status and prospects of control strategy for a DC micro grid hybrid energy storage system[J]. Power System Protection and Control, 2021, 49(3): 177-188.
[5] 严干贵, 朱星旭, 李军徽, 等. 内蕴运行寿命测算的混合储能系统控制策略设计[J]. 电力系统自动化, 2013, 37(1): 110-114.
YAN Gangui, ZHU Xingxu, LI Junhui, et al. Control strategy design for hybrid energy storage system with intrinsic operation life measurement and calculation[J]. Automation of Electric Power Systems, 2013, 37(1): 110-114.
[6] 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.
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.
[7] 陈厚合, 杜欢欢, 张儒峰, 等. 考虑风电不确定性的混合储能容量优化配置及运行策略研究[J]. 电力自动化设备, 2018, 38(8): 174-182, 188.
CHEN Houhe, DU Huanhuan, ZHANG Rufeng, et al. Optimal capacity configuration and operation strategy of hybrid energy storage considering uncertainty of wind power[J]. Electric Power Automation Equipment, 2018, 38(8): 174-182, 188.
[8] 马速良, 蒋小平, 马会萌, 等. 平抑风电波动的混合储能系统的容量配置[J]. 电力系统保护与控制, 2014, 42(8): 108-114.
MA Suliang, JIANG Xiaoping, MA Huimeng, et al. Capacity configuration of the hybrid energy storage system for wind power smoothing[J]. Power System Protection and Control, 2014, 42(8): 108-114.
[9] 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.
WU Jie, DING Ming. Wind power fluctuation smoothing strategy of hybrid energy storage system using self-adaptive wavelet packet decomposition[J]. Automation of Electric Power Systems, 2017, 41(3): 7-12.
[10] 孙承晨, 袁越, CHOI S S, 等. 基于经验模态分解和神经网络的微网混合储能容量优化配置[J]. 电力系统自动化, 2015, 39(8): 19-26.
SUN Chengchen, YUAN Yue, CHOI S S, et al. Capacity optimization of hybrid energy storage systems in microgrid using empirical mode decomposition and neural network[J]. Automation of Electric Power Systems, 2015, 39(8): 19-26.
[11] 冯磊, 杨淑连, 徐达, 等. 考虑风电输出功率波动性的混合储能容量多级优化配置[J]. 热力发电, 2019, 48(10): 44-50.
FENG Lei, YANG Shulian, XU Da, et al. Multistage optimal capacity configuration of hybrid energy storage considering wind power fluctuation[J]. Thermal Power Generation, 2019, 48(10): 44-50.
[12] 张晴, 李欣然, 杨明, 等. 净效益最大的平抑风电功率波动的混合储能容量配置方法[J]. 电工技术学报, 2016, 31(14): 40-48.
ZHANG Qing, LI Xinran, YANG Ming, et al. Capacity determination of hybrid energy storage system for smoothing wind power fluctuations with maximum net benefit[J]. Transactions of China Electrotechnical Society, 2016, 31(14): 40-48.
[13] 李亚楠, 王倩, 宋文峰, 等. 混合储能系统平滑风电出力的变分模态分解-模糊控制策略[J]. 电力系统保护与控制, 2019, 47(7): 58-65.
LI Yanan, WANG Qian, SONG Wenfeng, et al. Variational mode decomposition and fuzzy control strategy of hybrid energy storage for smoothing wind power outputs[J]. Power System Protection and Control, 2019, 47(7): 58-65.
[14] 张梦田, 田书, 曾志辉. 基于变分模态分解的混合储能容量优化配置[J]. 储能科学与技术, 2020, 9(1): 170-177.
ZHANG Mengtian, TIAN Shu, ZENG Zhihui. Optimal allocation of hybrid energy storage capacity based on variational mode decomposition[J]. Energy Storage Science and Technology, 2020, 9(1): 170-177.
[15] 韩宏志, 唐振浩. 基于CEEMDAN与回声状态网络的风速预测方法[J]. 电力系统保护与控制, 2020, 48(12): 90-96.
HAN Hongzhi, TANG Zhenhao. Wind speed prediction method based on CEEMDAN and echo state network[J]. Power System Protection and Control, 2020, 48(12): 90-96.
[16] 周强, 蔡嘉炜, 江修波, 等. 基于指数平滑与CEEMDAN的混合储能控制策略研究[J]. 可再生能源, 2020, 38(6): 846-852.
ZHOU Qiang, CAI Jiawei, JIANG Xiubo, et al. Hybrid energy storage control strategy based on exponential smoothing and CEEMDAN[J]. Renewable Energy Resources, 2020, 38(6): 846-852.
[17] 国家电网公司. 光伏电站接入电网技术规定: Q/GDW 1617—2015[S]. 北京: 中国电力出版社, 2016.
State Grid Corporation of China. Technical rule for connecting photovoltaic power station to power grid: Q/GDW 1617—2015[S]. Beijing: China Electric Power Press, 2016.
[18] 杨子龙, 宋振浩, 潘静, 等. 分布式光伏/储能系统多运行模式协调控制策略[J]. 中国电机工程学报, 2019, 39(8): 2213-2220, 4.
YANG Zilong, SONG Zhenhao, PAN Jing, et al. Multi- mode coordinated control strategy of distributed PV and energy storage system[J]. Proceedings of the CSEE, 2019, 39(8): 2213-2220, 4.
[19] 丁明, 吴建锋, 朱承治, 等. 具备荷电状态调节功能的储能系统实时平滑控制策略[J]. 中国电机工程学报, 2013, 33(1): 22-29.
DING Ming, WU Jianfeng, ZHU Chengzhi, et al. A real-time smoothing control strategy with SOC adjustment function of storage systems[J]. Proceedings of the CSEE, 2013, 33(1): 22-29.
[20] 胡备, 郑立评, 于杨. 基于激光测距技术的火炮击针突出量测量方法[J]. 火炮发射与控制学报, 2020, 41(3): 78-82.
HU Bei, ZHENG Liping, YU Yang. Measurement method of artillery pin protrusion based on laser ranging technology[J]. Journal of Gun Launch & Control, 2020, 41(3): 78-82.
[21] 张增辉, 邓宇豪, 李春卫, 等. 光储系统功率波动平抑策略研究[J]. 电测与仪表, 2021, 58(7): 111-116.
ZHANG Zenghui, DENG Yuhao, LI Chunwei, et al. Study on fluctuation smoothing strategy of photovoltaic/ storage system[J]. Electrical Measurement & Instrumentation, 2021, 58(7): 111-116.
[22] 张大海, 杨宇辰, 刘艳梅, 等. 基于EMD与Spearman 相关系数的混合直流线路纵联保护方法[J]. 电力系统保护与控制, 2021, 49(9): 1-11.
ZHANG Dahai, YANG Yuchen, LIU Yanmei, et al. Hybrid HVDC line pilot protection method based on EMD and Spearman correlation coefficient[J]. Power System Protection and Control, 2021, 49(9): 1-11.
[23] ANTICO A, SCHLOTTHAUER G, TORRES M E. Analysis of hydroclimatic variability and trends using a novel empirical mode decomposition: application to the Paraná River Basin[J]. Journal of Geophysical Research Atmospheres, 2014, 119(3): 1218-1233.
[24] 葛维春, 殷祥翔, 葛延锋, 等. 基于MEMD和HHT的电力系统低频振荡模式识别方法研究[J]. 电力系统保护与控制, 2020, 48(6): 124-135.
GE Weichun, YIN Xiangxiang, GE Yanfeng, et al. Estimating low frequency oscillation mode in power systems using multivariate empirical mode decomposition and Hilbert-Huang transform[J]. Power System Protection and Control, 2020, 48(6): 124-135.
[25] 易林, 娄素华, 吴耀武, 等. 基于变寿命模型的改善风电可调度性的电池储能容量优化[J]. 电工技术学报, 2015, 30(15): 53-59.
YI Lin, LOU Suhua, WU Yaowu, et al. Optimal battery capacity based on lifetime predication for improving the schedulability of the wind power[J]. Transactions of China Electrotechnical Society, 2015, 30(15): 53-59.
[26] 韩晓娟, 程成, 籍天明, 等. 计及电池使用寿命的混合储能系统容量优化模型[J]. 中国电机工程学报, 2013, 33(34): 91-97, 16.
HAN Xiaojuan, CHENG Cheng, JI Tianming, et al. Capacity optimal modeling of hybrid energy storage systems considering battery life[J]. Proceedings of the CSEE, 2013, 33(34): 91-97, 16.
[27] ZAKERI B, SYRI S. Electrical energy storage systems: a comparative life cycle cost analysis[J]. Renewable & Sustainable Energy Reviews, 2015, 42(2): 569-596.
Hybrid energy storage capacity optimization configuration for smoothing PV output based on CEEMDAN-HT
YAN Qunmin1, LIU Yuchen1, DONG Xinzhou1, 2, MA Yongxiang1
(1. School of Electrical Engineering, Shaanxi University of Technology, Hanzhong 723001, China;2. Department of Electrical Engineering, Tsinghua University, Beijing 100084, China)
PV output is intermittent and volatile, and the use of energy storage devices can reduce the impact of PV grid-connected on the grid. A capacity configuration of a hybrid energy storage system (HESS) composed of super capacitor and battery is proposed based on the effect of smoothing the PV power fluctuation. An algorithm of recursive average and median average weighted filtering is used to smooth the PV output, and the PV grid-connected power and HESS reference power are obtained. The high frequency and low frequency components of HESS reference power are extracted by complete ensemble empirical mode decomposition (CEEMDAN) and Hilbert transform (HT), and the internal power of HESS is allocated once. Then, in order to avoid frequent over-limits of HESS state of charge (SOC) and to ensure that HESS can continue to work, this paper proposes a balanced management method of HESS power. This corrects the attenuation of primary distribution power, and then configures the capacity of the corrected HESS reference power. Finally, an economic evaluation model is established based on life cycle cost (LCC), and different energy storage capacity allocation strategies are adopted. The effectiveness and economy of the proposed method are verified by actual data simulation.
solar power; hybrid energy storage; smoothing power fluctuation; CEEMDAN; capacity configuration
10.19783/j.cnki.pspc.220120
国家重点研发计划项目资助(2016YFB0900600)；
陕西省教育厅重点科学研究计划项目资助(20JS018)
This work is supported by theNational Key Research and Development Program of China (No. 2016YFB0900600).
2022-01-26；
2022-03-08
闫群民(1980—)，男，通信作者，教授，博士研究生，硕士生导师，研究方向为电力系统分析与电能质量控制；
E-mail: yanqunm@163.com
刘语忱(1997—)，男，硕士研究生，研究方向为电力系统分析与电力储能技术；
E-mail：liuardentchen@163.com
董新洲(1963—)，男，教授，博士，博士生导师，研究方向为电力系统分析与继电保护。E-mail: xzdong@ tsinghua.edu.cn
(编辑 许 威)
猜你喜欢 出力储能蓄电池 相变储能材料的应用煤气与热力(2021年6期)2021-07-28相变储能材料研究进展煤气与热力(2021年4期)2021-06-09聊聊蓄电池的那点事儿（1） 汽车蓄电池的前世汽车维修与保养(2017年1期)2017-05-15蓄电池去哪儿了汽车维修与保养(2016年1期)2016-09-07“出力”就要做为人民“出彩”的事杭州(2016年1期)2016-08-15基于实测数据的风电场出力特性研究风能(2016年3期)2016-07-05蓄电池去哪儿了？VOL12.雷克萨斯RX450h汽车维修与保养(2016年12期)2016-03-14蓄电池去哪儿了？汽车维修与保养(2016年11期)2016-02-21汽车内饰件用塑料挂钩安装力及脱出力研究汽车零部件(2014年2期)2014-03-11家庭分布式储能的发展前景汽车电器(2014年5期)2014-02-28