基于动态小波分解的混合储能系统平滑控制策略

朱雨薇，吕林，刘友波, 周春燕，张永清

(四川大学电气信息学院，成都市610065)

摘 要：为平抑分钟级的功率波动，使风电功率满足并网标准，基于小波分析提出功率分配数动态变化的混合储能系统(hybrid energy storage system, HESS)控制策略。设计了功率分配数根据风电功率超短期预测结果和HESS的荷电状态(state of charge, SOC)动态调整的分频方法，从而改变并网的低频目标功率和需要蓄电池、超级电容平抑的中、高频功率；建立兼顾HESS控制成本、功率平滑度的多目标优化函数，并应用改进的NSGA-Ⅱ算法对功率分配数进行滚动优化，从而达到最优控制；针对基本NSGA-Ⅱ算法在维持种群多样性、均匀性上的不足，以及种群规模大的问题，对精英保留策略进行了改进。最后，通过美国某州风电场实际观测数据进行实例验证，结果表明，所提控制策略能充分发挥不同类型储能的优势，经济、快速地平抑风电功率波动。

关键词：混合储能系统(HESS)；平抑风电功率波动；小波分析；滚动优化；非支配排序遗传算法

0 引 言

随着电力系统中风力发电渗透率的不断提高，如何解决风电输出功率随机剧烈波动而引起电网电能质量下降的问题，使风力发电最大限度地接入电网成为研究热点，混合储能系统(hybrid energy storage system, HESS)技术为这一问题的有效解决提供了途径。HESS包括能量密度大、价格低，但功率密度小的能量型储能系统(如蓄电池、压缩空气储能等)和功率密度大、循环寿命长，但容量小的功率型储能系统(如超级电容、超导储能等)。能量型储能系统用来吸收低频段的波动，功率型储能系统用来吸收高频段的波动，通过采用这种互补结构，HESS技术较单一储能技术能更好地平滑风电功率。

如何得到满足入网要求的目标功率和使波动功率在不同类型储能系统间进行分配是HESS平滑风电功率波动控制策略的关键。目前，已采用的平滑控制算法主要有：低通滤波、滑动平均滤波、小波滤波、模糊控制法、基于专家系统的控制算法、模型预测控制等。文献[1]基于低通滤波控制方法提出了一种滤波时间常数随荷电状态(state of charge，SOC)改变的平抑策略，避免了蓄电池的过充过放，但只应用了单一的储能技术，且时间常数只是随蓄电池的SOC呈简单的线性变化。文献[2]应用小波变换对功率频率进行分解，并用双层模糊控制对功率进行修正。第1层模糊控制防止储能装置的SOC越限，第2层模糊控制保证平滑效果，该文献所提控制策略新颖，能在保证储能装置的SOC维持在合理范围内的同时，还具有良好的平滑效果，但没有给出确定小波分解层数的具体方法并且是固定不变的，不能依据当前的状态实时调整。文献[3]运用2个一阶滤波器进行功率分解，采用模糊控制进行功率修正，并提出基于机会约束规划的HESS最优容量配置方法，使所需的储能装置的容量大大减少，但是没有给出确定低、高通滤波器时间常数的方法。文献[4]提出了基于动态规划法的蓄电池储能电站动态充、放电控制策略，该方法虽然可在满足并网要求和蓄电池SOC等约束的条件下，最优平滑风电的功率波动，但不能保证满足实时控制对运算速度的要求。文献[5]建立了一种基于专家信息库的双层控制模型，可根据风电功率和储能装置的SOC检索预置的专家信息库，得到相应的控制策略，然而在预置专家信息库时并没有考虑经济因素。近年来，经验模态分解以及极点对称模态分解等方法得到了迅速发展和应用，在信号消噪研究方面已取得不少成果[6-8]，文献[9]运用经验模态分解技术，将非平稳风电功率分解成高频与低频2部分，并通过成本与平滑度之间的折中实现HESS的容量优化配置，但文中所提方法只适合离线的容量配置问题。

上述针对HESS控制策略而展开的研究已取得了一定的成果，但大部分研究集中在如何调节SOC上，鲜有文章提出兼顾控制代价、功率平滑度及SOC调节的控制方法，为弥补上述的不足，提出功率分配数随功率波动情况和HESS的SOC动态调整的小波分频方法，在满足并网要求和HESS的SOC等限制的同时，以最低的控制成本和最小的功率波动率对HESS的充、放电功率进行控制。在基本NSGA-Ⅱ算法的基础上，引入带差分搜索的精英保留策略，显著扩大搜索范围，有效减小种群规模，提高寻优速度。算例分析表明，该策略不仅能促进HESS高效平抑风电功率波动，而且在降低HESS控制成本与延长蓄电池使用寿命方面具有优势。

1 HESS平抑波动原理

1.1 系统结构

由蓄电池和超级电容组成的HESS风力发电系统典型结构如图1所示。该模型包含风电机组、蓄电池、超级电容、逆变器和HESS的中央控制器等。在风电场并网处接入HESS，风电机组和HESS通过各自的逆变器接到母线上，中央控制器根据风电功率和储能装置的SOC，控制蓄电池的输出功率Pbat和超级电容的输出功率Pcap，从而平滑风电场输出功率PW，使风电场的并网功率Pobj达到电网标准，如式(1)所示。

图1 含HESS的风力发电系统结构
Fig.1 Structure of wind power generation system with HESS

整个风电场的功率关系式为

PW+Pbat+Pcap=Pobj

(1)

1.2 小波分析在平抑风电功率波动中的应用

小波分析是一种时频分析方法，克服了傅里叶分析不具备局部化分析能力和不能分析非平稳信号的缺点，具有良好的时频域定位特性，小波多分辨分析是信号分解及重构的理论基础[10]。把风电功率看作非平稳信号并经3层小波分解后的示意图如图2所示。由该图可知，通过不断分解形成结构上的二叉树，可将原信号映射到n+1个小波子空间中(n为分解层数)。

图2 小波分解示意图
Fig.2 Wavelet decomposition

离散小波分解风电功率的表达式为

(2)

式中：PW(t)为风力发电有功功率的时间序列；n为离散小波分析的分解层数；An(t)为第n层分解的低频分量；Di(t)为第i层分解的高频分量；t=t0+NΔt，t0为采样初始时间，Δt为采样步长，N为采样点个数。

本文运用Symlets小波把风电功率进行10层离散小波分解，将分解后的第1层到第ncap层的高频分量取反给超级电容进行平抑，将第ncap+1层到第nbat层的低频分量取反给蓄电池进行平抑，并将nbat+1层到第10层的低频分量作为目标功率送给电网。nbat的值越大，入网目标功率越平滑，但所需储能系统平抑的功率也就越多；ncap的值越大，分配给超级电容平抑的功率越多，本文定义nbat、ncap为功率分配数。

超级电容、蓄电池的充放电功率和入网目标功率分别为：

Pcap(t)=-[D1(t)+D2(t)+···+Dncap(t)]

(3)

Pbat(t)=-[Dncap+1(t)+Dncap+2(t)+···+Dnbat(t)]

(4)

Pobj(t)=A10(t)+Dnbat+1(t)+···+D10(t)

(5)

图3为对风电原始功率进行10层小波分解的示意图，其中图3(a)为原始风电功率，图3(b)为入网功率A10(t)+D6(t)～D10(t)，图3(c)为蓄电池平抑的中频功率D4(t)～ D5(t)，图3(d)为超级电容平抑的高频功率D1(t)～D3(t)，图3(e)为经过10层小波分解后得到的低频功率A10(t)。

离散小波分析此时兼有低通和高通2种滤波器功能，分解得到的低频入网功率与原始风电功率的波形相似，但更加平滑，可大致反映原始风电功率的走势。中频和高频功率在零值附近上下波动，中频功率的波动幅值大于高频功率，但波动程度明显小于高频功率。风电功率经10层小波分解后得到的A10(t)十分平滑，功率曲线接近一条直线，表明经10层小波分解后的功率完全可以满足入网的要求，其次对风电功率进行10层分解，便于后面滚动优化的求解，可有效提高收敛速度，故首先将功率进行10层小波分解，然后再进行功率分配。

图3 风电功率10层小波分解示意图
Fig.3 10-level wavelet decomposition of wind power

小波分析可以处理一段时间内风电功率的时间序列，然而这样仅仅适用于对历史数据的处理，因此，利用风电功率的超短期预测结果，得到未来10 min的预测数据并进行离散小波分解，以达到实时控制的目的。需指出的是，由于预测提前时间极短(小于15 min)，因而预测精度较高[11]，取控制周期与预测周期相等为10 min，采样周期为1 min。

2 基于储能控制成本和功率波动率的多目标优化

当风电渗透率提高并超过某一限度时，其自身间歇性、波动性将更为突出，从而对系统网损、电压等指标造成严重的影响[12]，为改善高渗透率风电的间歇性问题，在风电出口处安装HESS能有效减小功率波动。然而储能装置的成本昂贵，且能利用的容量有限，因此，从HESS控制成本和风电功率波动抑制两方面建立HESS的多目标优化数学模型，并依据风电功率的超短期数据和HESS的SOC，实时滚动优化功率分配数nbat和ncap，改变多类型储能装置的充、放电功率。虽然通过优化算法获得的功率分配数nbat和ncap全局上并不一定是最优的，但可以认为是符合局部区域功率最优的nbat和ncap。

2.1 目标函数

为尽可能减少每次控制HESS平滑风电功率的代价，以储能设备的全寿命周期成本(life cycle cost, LCC)为基础，把HESS的购置、运营和废弃成本都折算到控制的成本中，建立控制周期内HESS的控制成本最小目标函数f1，具体如下：

f1=cbat|ΔΕbat(t)|+ccap|ΔΕcap(t)|

(6)

cx=CLCx

(7)

CLCx=Caqx+Cowx+Cdix

(8)式中：f1为控制周期内HESS的控制成本；ΔEbat(t)、ΔEcap(t)为蓄电池、超级电容当前控制周期充、放电量的时间序列；cx为储能装置单位充放电量的价格； x∈{bat，cap}，bat、cap分别代表蓄电池和超级电容；Nx为储能装置整个生命周期的最大循环次数；CLCx是全寿命周期成本；Caqx、Cowx和Cdix分别为储能装置的购置成本、运营成本和废弃成本；为储能装置的额定容量。

同时，为表征HESS对风电功率波动的抑制效果，本文以调节后风电功率变化差值的平方和最小建立优化目标函数f2，具体如下：

(9)

2.2 约束条件

文献[13]中规定：任意10 min的最大功率波动不超出风电装机容量的33%。因此，风电最大功率波动的入网约束：

η=≤33%

(10)

式中：max[Pobj(t)]和min[Pobj(t)]分别代表任意 10 min内入网目标功率Pobj(t)的最大、最小值；PWE为风力发电机的额定功率。

储能装置的SOC在平抑风电功率波动的过程中实时变化，其大小与风电功率波动程度、设备转换效率以及控制策略密切相关，为使储能装置的SOC维持在合理的范围内，以提高其连续充、放电能力，需对储能装置的SOC和充、放电功率进行约束，储能装置的SOC约束如下：

Sx·min≤Sx(t)≤Sx·max

(11)

式中：Sx(t)为储能装置t时刻的荷电状态；Sx·min和Sx·max分别为储能装置SOC的上、下限。

储能装置充、放电功率过大会缩短其使用寿命，因此，建立最大充、放电功率限制约束：

-Px·max≤Px(t)≤Px·max

(12)

式中：Px(t)为储能装置t时刻的充、放电功率； Px·max为储能装置的最大充、放电功率。

为避免储能装置升温过快，需设定相邻控制周期功率差的限制约束：

|Px(t)-Px(t-1)|≤αPx·max

(13)

式中α为储能装置相邻控制周期功率差限制比。

荷电状态与储能装置容量的关系：

Sx(t)=

(14)

储能装置控制周期内的容量变化：

(15)

式中：ηx·ch和ηx·dis分别为储能装置的充、放电效率；ΔT为控制周期。

3 基于改进的NSGA-Ⅱ算法的HESS滚动优化控制

本文建立的是多目标整数优化模型，HESS的控制成本和并网功率波动率之间存在相互制约的关系，求解这类问题的传统方法主要有线性加权法、极大极小值法等，但都是通过较为主观的方法将多目标问题转化为单目标问题求解，不仅舍弃了多目标解的多样性，而且需要丰富的先验知识。为更客观、快速地找到全局最优解，采用改进的NSGA-Ⅱ算法进行滚动优化。NSGA-Ⅱ算法的时间复杂度为O(MN2)(M、N为优化目标数和种群数)，当种群规模减小时，寻优时间呈平方减小，为满足HESS控制对实时性的要求，对精英保留策略进行改进。

3.1 精英保留策略的改进

通过精英保留策略的筛选，通常层级靠前且拥挤度大的个体会被保留到下一代。该策略存在个体的拥挤度和解的实际密度之间不一致的缺陷，即拥挤度大但解的实际密度小的个体也会被保留，这样易造成种群收敛于局部最优解，在HESS充、放电控制的优化过程中，不得不依靠加大种群规模避免这种情况。为增加进入下一代个体的多样性，维持解分布得均匀性，从而以较小的种群规模也能确保搜索是朝着真正的Pareto最优前沿进行，参考文献[14]把差分进化的思想引入到精英策略中，如式(16)所示：

(16)

式中为pi的临时子代；pi-1、pi为同一层级相邻个体；γ为局部搜索算子，设为0.5。

具体步骤为：首先让合并、排序后的子代和父代按层级和拥挤度进行比较，产生临时的下一代，并将同一层级的相邻个体与各优化目标的距离阈值进行比较，当相邻个体的距离大于等于阈值，且另一优化目标的值不相等时，进行差分搜索。各优化目标阈值如式(17)所示：

δi=2·

(17)

式中：δi为第i个优化目标的距离阈值；为第i个优化目标的最大、最小值；Fj为第j支配层个体的数目。

再将需要进行差分搜索的相邻个体按式(16)产生临时子代，把临时子代与父代进行比较，如果临时子代与父代互不支配，则用临时子代替换父代，否则说明该临时子代不能产生最优解，则保持原种群不变，继续差分搜索。最后把更新后的解集作为下一代种群。通过这样的改进后，在进化初期，种群分布得更广泛了，有更多样的个体可以进入下一代种群，避免了陷入局部最优；在进化后期，也使最优解在Pareto前沿分布得更加均匀，不再需要依靠加大种群规模而达到以上效果。

3.2 多目标模型的求解

图4为基于改进的NSGA-Ⅱ算法的HESS优化控制流程。

针对具体问题的处理做如下说明：

(1)编码和解码。功率分配数nbat和ncap都是正整数，并在0到10间取值，故采用八位二进制整数编码形式。解码时，把前、后四位二进制数转换成2个十进制数，代表功率分配数nbat和ncap。

(2)目标函数的计算和约束条件的处理。对个体进行解码，确定功率分配数nbat和ncap，并进行波动的平抑，计算控制成本和功率平滑度，确定目标函数的值；把不满足并网限制和SOC等约束条件的个体，赋予很大的值，使其在寻优的过程中无法占优。

图4 改进的NSGA-Ⅱ算法进行滚动优化的流程图
Fig.4 Flow chart of rolling optimization based on improved NSGA-Ⅱ

3.3 折中解的选取

所求得的Pareto最优解是由许多非劣解组成的解集，在HESS实际控制中，必须从所有非劣解中选出功率分配数nbat和ncap的最优折中解，故采用隶属度函数分别表示Pareto解中各目标函数对应的满意度，并选择满意度最高的折中解作为均衡HESS控制成本和风电功率平滑度的最优控制方案，具体参见文献[15]。

4 实例分析

4.1 算例系统

选取位于美国某州的风电场作为算例进行验证，额定容量为120 MW，对该风电场2015年7月的风电功率历史数据进行分析，对min级功率波动和能量波动进行统计，其各自的概率分布扇形图如图5所示。

图5 功率波动和能量波动概率分布扇形图
Fig.5 Probabilistic pie chart of power fluctuating magnitude occurrences and cumulative energy

图5(a)为风电原始功率与目标功率差值的绝对值在各区间内的概率图，从图中可以看出，风电功率波动分布比较分散，有98.8%的波动对应的幅值小于40 MW。图5(b)为各区间波动幅值与波动持续时间的乘积的累加值及所占比例的统计图，波动幅值在20～40 MW区间内的波动持续时间较长，使波动幅值与波动持续时间的乘积较大，因而大部分的能量集中在了这个区间内。根据对风电功率的分析，对算例中蓄电池与超级电容的各项性能参数设定如表1所示。同时考虑到预测误差，参考文献[11]，入网功率波动限制取更严格值，即任意10 min内风电最大功率不超过风电场容量的20%(120 MW装机容量的风电厂的10 min最大允许功率波动为24 MW)。

表1 超级电容和蓄电池储能设备参数
Table 1 Parameters of super-capacitors and batteries

4.2 不同波动下的平抑效果

在上述日期中，选取典型日A、B的运行状况进行验证，总波动能量分别为358.36、281.74 MW·h，代表风电功率波动比较剧烈和轻微的运行日(取当波动能量累积超过300 MW·h时为波动剧烈日)。

风电功率的预测值是确定HESS控制策略的重要依据，因此风电功率的超短期预测精度对波动的平抑效果、控制成本和储能装置的使用寿命都有影响。虽然风电功率的超短期预测具有较高的精度，但仍不能保证100%的准确，为更好地验证该策略的有效性，参照文献[16]，随机产生未来10 min的风电功率预测误差，假定风电功率预测误差服从正态分布。

图6给出了不同预测精度下的风电功率波动平抑效果，该图纵坐标为HESS平抑的波动能量占总波动能量的百分比；横坐标为风电功率预测误差占预测值的百分比。HESS能平抑绝大部分的功率波动，但平抑效果随预测误差增大而明显变差，且风电功率波动越轻微，受到的影响越大，平抑效果下降的趋势越明显。但即使在预测误差增至2.5%时，该策略仍可平抑典型日A、B的风电功率波动，且此处的预测提前时间不超过10 min，预测结果较为准确，所以本策略可有效平抑风电功率波动。

为进一步验证所提策略的可行性，以下曲线的取得都是在风电功率超短期预测误差相对值为2.5%的条件下进行的。此假定条件下，控制策略在典型日A、B内进行滚动优化所求得的最优折中解、HESS的充放电功率、平抑前后并网功率、10 min最大功率波动和SOC曲线如图7—16所示。

图6 不同预测精度下风电功率波动平抑效果
Fig.6 Smoothing effect of wind power fluctuation with different prediction precision

图7 典型日A的最优折中解
Fig.7 Optimal compromise solution of typical day A

图8 典型日B的最优折中解
Fig.8 Optimal compromise solution of typical day B

图9 混合储能系统在典型日A的充放电功率
Fig.9 Charging/discharging power of HESS in typical day A

图10 混合储能系统在典型日B的充放电功率
Fig.10 Charging/discharging power of HESS in typical day B

图11 典型日A平抑前后风电功率对比
Fig.11 Comparison of wind power between before and after smoothing of typical day A

图12 典型日B平抑前后风电功率对比
Fig.12 Comparison of wind power between before and after smoothing of typical day B

图13 典型日A 10 min最大功率波动对比
Fig.13 Comparison of 10 min maximum power of typical day A

尽管A日的功率波动较为严重，但风电功率经过HESS平滑后，10 min累积风电功率波动下降到188.62 MW，大部分时刻分钟级风电功率波动仅为数MW，均在功率限制线以下，满足技术规定要求。图13、14中有些动态小波的10 min最大功率波动与平抑前相等，说明原始风电波动满足入网功率且小于某范围时，动态小波策略能根据风电功率波动的具体情况进行调节，自动选择不进行平抑，减小储能系统的充、放电功率，避免储能系统不必要的损耗。

图14 典型日B 10 min最大功率波动对比
Fig.14 Comparison of 10 min maximum power of typical day B

图15 蓄电池和超级电容在典型日A的SOC
Fig.15 SOC curve of battery and supper capacitor in typical day A

图16 蓄电池和超级电容在典型日B的SOC
Fig.16 SOC curve of battery and supper capacitor in typical day B

维持SOC在合理的水平是平抑功率波动的前提，图15、16中超级电容的SOC在50%上下波动，蓄电池的SOC也保持在10%～90%，均未出现越限现象，表明当HESS的SOC达到敏感区域时，功率限制发挥了作用，使SOC保持在指定的范围内，避免了储能的过充过放。并且由于超级电容的加入，蓄电池的充、放电次数明显降低，有效延长了使用寿命。对比A、B两日的SOC曲线可看出，波动越剧烈，超级电容所吸收波动的频率越高，SOC波动越频繁;蓄电池吸收波动的幅度越大，SOC充放电深度越深。

4.3 不同算法的比较

为体现所提方法在控制成本方面的优越性，采用与固定功率分配数nbat和ncap对比的方法进行证明，如图17、18 所示。固定的功率分配数nbat和ncap按最大波动满足并网限制和蓄电池功率上限选取的，即ncap=4，nbat=7。

图17 固定和动态的nbat和ncap在A日的控制成本对比
Fig.17 Comparison of control coast between fixed and adjustable values of nbat and ncap in day A

图18 固定和动态的nbat和ncap在B日的控制成本对比
Fig.18 Comparison of control coast between fixed and adjustable values of nbat and ncap in day B

现有技术下，储能是较为昂贵的设备，铅酸电池、碳电极超级电容单位容量制造价格仍高达40～80美元/(kW·h)和70～100美元/(kW·h)[17]，因此必须合理地控制HESS的充、放电，减少控制成本。计算得到A日动态、固定小波分解数的平均控制成本分别为5.630、8.450美元，B日的分别为3.738、6.424美元，从结果可以看出动态调整的策略在控制成本上低于固定的策略。由于典型日A的波动比B大，不管是固定还是动态控制策略的平均控制成本都要较B的高，且波动越轻微，控制成本差得越多。相比于固定分解层数的控制策略，动态调整的控制策略在经济性上明显具有优势。

实际的HESS工程应用中，对滚动优化的运算速度要求较高，图19为在每个控制周期中，应用改进后和基本的NSGA-Ⅱ算法进行滚动优化所耗时间的对比图。引入改进精英保留策略后，寻优范围变得更广泛，可以适当减小种群规模。图19中基本NSGA-Ⅱ算法控制周期内的平均耗时为25.29 s，改进NSGA-Ⅱ算法的平均耗时为16.39 s，比基本算法小35.19%，显著提高了优化速度，实现了对功率分配数nbat和ncap的实时在线调整。

图19 改进的和基本的NSGA-Ⅱ算法滚动优化耗时对比
Fig.19 Comparison of rolling optimization time between improved and basic NSGA-Ⅱ

5 结 论

本文提出基于动态小波分解的HESS平抑风电功率波动的控制策略，使目标功率在满足入网功率波动和SOC限制的前提下，对功率分配数nbat和ncap进行合理的优化，从而得到HESS最优充、放电控制策略。依据实际算例分析可知，本策略能滚动优化功率分配数nbat和ncap，在入网目标功率满足入网规定的前提下改善储能充、放电功率，显著减小控制成本和功率波动率，同时，保证储能装置的SOC维持在合理的范围内。改进的NSGA-Ⅱ算法也满足了实际工程控制对运算速度的要求，最终实现经济、快速地对风电功率进行分解和在不同类型储能系统之间分配，具有实际应用价值。

6 参考文献：

[1]张野，郭力，贾宏杰，等.基于电池荷电状态和可变滤波时间常数的储能控制方法[J].电力系统自动化，2012，36(6)：34-38，62. ZHANG Ye，GUO Li，JIA Hongjie，et al.An energy storage control method based on state of charge and variable filter time constant[J].Automation of Electric Power Systems，2012，36(6)：34-38，62. [2]吕超贤，李欣然，户龙辉，等.基于小波分频与双层模糊控制的多类型储能系统平滑策略[J].电力系统自动化，2015，39(2)：21-29. LYU Chaoxian，LI Xinran，HU Longhui, et al.A smoothing strategy for hybrid energy storage based on wavelet frequency allocation and two-level fuzzy control[J].Automation of Electric Power Systems，2015，39(2)：21-29.

[3]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. 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.

[4]鲍冠南，陆超，袁志昌，等.基于动态规划的电池储能系统削峰填谷实时优化[J].中国电机工程学报，2012，36(12)：11-16. BAO Guannan，LU Chao，YUAN Zhichang，et al.Load shift real-time optimization strategy of battery energy storage based on dynamic programming[J].Proceedings of the CSEE，2012，36(12)：11-16.

[5]于芃，周玮，孙辉，等.用于风电功率平抑的混合储能系统及其控制系统设计[J].中国电机工程学报，2011，31(17)：127-133. YU Peng，ZHOU Wei，SUN Hui，et al.Hybrid energy storage system and control system design for wind power balancing[J].Proceedings of the CSEE，2011，31(17)：127-133.

[6]BOUDRAA A O，CEXUS J C.Denoising via empirical mode decomposition[C]//Proceedings of the IEEE International Symposium on Control Communications and Signal Processing. Marrakech, Morocco: IEEE，2006:4-8.

[7]DONOHO D L, JOHNSTONE I M. Ideal spatial adaptation by wavelet shrinkage[J].Biometrika，1994，81(3)：425-455.

[8]曲从善，路延镇，谭营.一种改进型经验模态分解及其在信号消噪中的应用[J].自动化学报，2010，36(1)：67-73. QU Congshan，LU Yanzhen，TAN Ying.A modified empirical mode decomposition method with applications to signal de-noising[J].Acta Automatica Sinica，2010，36(1)：67-73.

[9]孙承晨，袁越，CHOI San Shing，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 San Shing，et al.Capacity optimization of hybrid energy storage in microgrid using empirical mode decomposition and neural network[J].Automation of Electric Power Systems，2015，39(8)：19-26.

[10]吴振威，蒋小平，马会萌，等.用于混合储能平抑光伏波动的小波包-模糊控制[J].中国电机工程学报，2014，34(3)：317-324. WU Zhenwei，JIANG Xiaoping，MA Huimeng，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.

[11]石涛，张斌，晁勤，等.兼顾平抑风电波动和补偿预测误差的混合储能容量经济配比与优化控制[J].电网技术，2016，40(2)447-483. SHI Tao, ZHANG Bin, CHAO Qin, et al. Economic storage ratio and optimal control of hybrid energy capacity combining stabilized wind power fluctuations with compensated predictive errors[J]. Power System Technology，2016，40(2)447-483. [12]熊雄，叶林，杨仁刚.风电功率小波包分解结合储能模糊控制的配电网多目标优化[J].电力系统自动化，2015，39(15)：68-74. XIONG Xiong, YE Lin, YANG Rengang. Distribution power system multi-objective optimization based on wind power wavelet packet decomposition and storage system fuzzy control[J].Automation of Electric Power Systems，2015，39(15)：68-74.

[13]全国电力监管标准化技术委员会. 风电场接入电力系统技术规定:GBT_19963-2011[S].北京：中国标准出版社，2011.

[14]谢承旺，李凯，廖国勇.一种带差分局部搜索的改进型NSGA2算法[J]. 计算机科学，2013，40(10):235-273. XIE Chengwang, LI Kai, LIAO Guoyong. Improved NSGA2 algorithm with differential evolution local search[J]. Computer Science, 2013, 40(10):235-273.

[15]苏鹏，刘天琪，赵国波，等.基于改进粒子群算法的节能调度下多目标负荷最优分配[J].电网技术，2009，33(5):48-53. SU Peng, LIU Tianqi, ZHAO Guobo, et al. An improved particle swarm optimization based multi-objective load dispatch under energy conservation dispatching[J].Power System Technology，2009，33(5):48-53.

[16]ORTEGA-VAZQUEZ M A, KIRSCHEN D S. Estimating the spinning reserve requirements in systems with significant wind power generation penetration[J]. IEEE Transactions on Power Systems, 2009, 24(1):114-124.

[17]LUO X, WANG J H, DOONER M, et al. Overview of current development in electrical energy storage technologies and the application potential in power system operation[J].Applied Energy, 2015,137:511-536.

刘友波 (1983)，男，副教授，通信作者，主要从事配电网自动化方面的研究工作；

周春燕(1989)，女，硕士研究生，主要从事电力市场方面的研究工作；

张永清 (1963)，男，本科，主要从事分布式发电方面的研究工作。

(编辑 张小飞)

A Hybrid Energy Storage Smoothing Control Strategy Based on Dynamic Wavelet Transform

ZHU Yuwei, LYU Lin, LIU Youbo, ZHOU Chunyan, ZHANG Yongqing

(School of Electrical Engineering and Information, Sichuan University, Chengdu 610065, China)

ABSTRACT：To smooth minute-level wind power fluctuation and make wind power satisfy the grid standard, this paper proposes a control strategy of hybrid energy storage system (HESS) with the power allotment levels adjusting dynamically based on wavelet analysis. And this paper designs a method of frequency division that the pwer allotment levels adjust according to the result of wind power short-term prediction and the state of charge (SOC) of HESS, which can change the low-frequency target power into power grid, as well as the middle and high frequency power absorbed by battery and super capacitor respectively. Then, this paper establishes a multi-objective optimization function considering the control cost and smoothness of HESS, and applies improved NSGA-Ⅱ algorithm to achieve rolling optimization, calculate the optimal power allotment levels and obtain the optimal control strategy. This paper improves elitism strategy to overcome the shortage of basic NSGA-Ⅱ algorithm in maintaining population diversity, the lack of uniformity and large population size problem. Finally, case studies through the actual observation data of a wind farm in the United States demonstrate that the proposed control strategy takes advantage of different types of energy storage and smooths the fluctuation quickly and economically.

KEYWORDS：hybrid energy storage system(HESS); smoothing wind power fluctuation; wavelet analysis; rolling optimization; NSGA-Ⅱ

基金项目：四川省科技计划项目(2015JY0128)

中图分类号：TM 614

文献标志码：A

文章编号：1000-7229(2017)09-0111-09

DOI：10.3969/j.issn.1000-7229.2017.09.016

收稿日期：2017-04-23

作者简介：

朱雨薇(1992)，女，硕士研究生，主要研究方向为混合储能在分布式发电中的应用，配电网等；

吕林(1963)，男，教授，硕士生导师，主要研究方向为分布式发电，配电网自动化研究等；