基于改进的模型预测控制的混合储能系统平滑控制方法与流程

1.本发明涉及电力系统储能装置自动化控制技术领域，具体是基于改进的模型预测控制的混合储能系统平滑控制方法。

背景技术：

2.随着全球能源需求的不断扩大，为改善化石类能源日趋短缺的现状，减少传统基于化石燃料的能源供应方式给人类环境带来的不可逆伤害，以风力发电为代表的绿清洁可持续新型能源供应方式受到了世界范围内能源行业的高度关注，风电装机容量攀升。鉴于风能自身具备的间歇性、波动性特点，其在电网中逐渐升高的渗透率为电力系统运行的稳定性和安全性带来了严峻的考验，风电的规模化并网受到了制约。储能作为近年来的一种新型能源技术，其充放电迅速可调，可有效改善风能特性，促进风电大规模友好并网。面对不同类型的储能技术，在对风能波动特性进行分析的基础上，合理地选取结构、性能互补的混合储能系统用于风电场配置可使风能波动得到可靠、高效的平滑。同时，由于风电的不确定性特点，如何为混合储能系统制定适宜的充电/放电方法以满足不同时间尺度上风能并网的平滑需求是风电场储能系统能够稳定、经济运行的关键。基于此，本发明提出了一种基于改进的模型预测控制的风电场混合储能系统平滑风能波动的优化控制方法，通过不同时间尺度控制之间的协调，可使混合储能系统同时具备应对风电长期低频波动和短期高频波动的能力，提升了风电功率的平滑效果；并且通过两种类型储能的性能互补，有效增加了混合储能整体循环寿命，提升了风储经济性。

技术实现要素：

3.本发明的目的在于克服现有技术的不足，提供基于改进的模型预测控制的混合储能系统平滑控制方法，包括如下步骤：
4.s1：通过蓄电池储能和超级电容储能构成混合储能系统，基于混合储能系统构建计及循环寿命的混合储能系统数学模型；
5.s2：采用模型预测控制方法，在设定的大时间尺度上对混合储能系统的充电/放电功率进行控制，得到电池储能计划充放电序列曲线；
6.s3：根据得到的电池储能计划充放电序列曲线，采用模型预测控制方法，在设定的小时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制，得到混合储能系统输出值；
7.s4：基于得到的混合储能系统输出值，采用反馈调整的方法调整混合储能系统预测输出，使混合储能系统的基于模型预测控制由开环控制转化为闭环优化；
8.s5：将控制时域内每一次基于模型预测控制的优化转换为二次规划，求解二次规划，得到模型预测控制的最优解，根据最优解控制混合储能系统。
9.进一步的，所述的通过蓄电池储能和超级电容储能构成混合储能系统，基于混合储能系统构建计及循环寿命的混合储能系统数学模型，包括如下过程：
10.选取蓄电池储能和超级电容储能构成混合储能系统，并且将混合储能系统用完整的数学模型表示为：
[0011][0012][0013]
其中，k表示的是控制时刻；和代表蓄电池、超级电容器自放电率大小；代表蓄电池、超级电容器自放电率大小；代表两种储能k时刻的充电功率值，代表其k时刻的放电功率值，e
lib
(k)为蓄电池储能的能量值，e
suc
(k)为超级电容储能能量值；及的大小代表两种储能的充电/放电效率值；δt的值代表每两个控制点之间的时间间隔长短；
[0014]
对储能的物理约束进行了如下建模：
[0015][0016][0017][0018][0019]
其中，与代表电池储能所需满足的充电/放电功率的上限值、下限值；为超级电容储能所需满足的充电/放电功率的上、下限值；
[0020][0021][0022]
其中，与代表蓄电池储能需满足的能量下限与上限值，与代表超级电容所需满足的能量下限与上限值；
[0023]
储能系统的荷电状态表示的是混合储能系统在k时刻剩余容量占额定容量的比值，其约束由储能能量限制决定，表达如下：
[0024][0025][0026][0027]
[0028]
其中，和代表两种类型储能的额定容量值；和分别代表两种类型储能所能允许的荷电状态的上下限。
[0029]
进一步的，所述的采用模型预测控制方法，在设定的大时间尺度上对混合储能系统的充电/放电功率进行控制，得到电池储能计划充放电序列曲线，具体为：
[0030]
模型预测控制方法基于短期风电场功率预测，每15分钟为一个控制间隔，将优化控制周期设置为4小时，并将预测周期设置为与优化周期相同，即：
[0031][0032]
其中，r1表示每个优化周期具有16个控制时刻；
[0033]
在每个模型预测控制周期中采用小波理论将风能分解为高频功率和低频功率，其中，所得低频功率曲线用作并网功率的目标参考值pg·
ref
；
[0034]
将风电场出力小波分解的层数设置为n，将风能分解如下：
[0035][0036]
式中，an(k)是低频风电序列，di(k)代表高频风电序列；
[0037]
获取4个小时的混合储能系统输出控制值，每一个充放电控制时刻仅实际实施第一条指令，目标函数建模为目标函数建模为：
[0038][0039]
其中，混合储能系统的充放电功率p
lib
和p
suc
是模型的决策变量，系数为a1的项是注入电网的风电功率值偏离目标功率pg·
ref
的惩罚项，的惩罚项，为保证电池储能输出和两种类型储能能量状态偏离理想值的偏差最小化。
[0040]
进一步的，所述的根据得到的电池储能计划充放电序列曲线，采用模型预测控制方法，在设定的小时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制，得到混合储能系统输出值，包括如下过程：
[0041]
将每一次控制的时域，即控制周期m2设置为15分钟，预测周期r2等于控制周期：
[0042][0043]
该控制每分钟启动一次，将第一阶段蓄电池的最佳充电/放电功率值作为其第二阶段优化的参考输出值(p
lib
·
ref
)，以校正接下来15分钟内蓄电池的实际输出。同时，将使超级电容器的剩余容量与其理想值之间的差异最小化的项添加到目标函数中以增加超级电
容器的利用率，即优化目标的数学模型可表示为：
[0044][0045]
其中，a5是惩罚因子，决策变量为p
lib
和p
suc
。
[0046]
进一步的，所述的基于得到的混合储能系统输出值，采用反馈调整的方法调整混合储能系统预测输出，使混合储能系统的基于模型预测控制由开环控制转化为闭环优化，包括：
[0047]
在每个采样时间k，将从短期和超短期风力发电预测中获得的风电场出力实时更新预测值用作滚动时域优化的实时控制基点，使控制纠正风力预测误差对混合储能系统的充电/放电功率造成的偏差；
[0048]
在每个控制周期内，对每一个k+i(i＝1,2,3,...,m)控制时刻，前一控制时刻的实际量测出力与预测出力两者的差值都被添加到预测出力中对预测模型进行相应校正，并在新的输出基础上执行下一步的滚动时域优化，表示为：
[0049]up
(k+i)＝um(k+i)+ζ[ur(k)-um(k)]
[0050]
式中，u表示混合储能系统的充电/放电功率，ur(k)是k处的实际测量功率输出量；um(k)代表时刻k的预测功率输出量；u
p
(k+i)是k+i处的校正后的功率预测输出量；ζ是校正因子。
[0051]
进一步的，所述的将控制时域内每一次基于模型预测控制的优化转换为二次规划，求解二次规划，得到模型预测控制的最优解，根据最优解控制混合储能系统，包括如下过程：
[0052]
预测模型采用基于被控过程的状态空间方程，对于每一优化时域，都将两种储能的充电/放电时间序列p
lib
、p
suc
作为优化控制变量，分别记为v1(k)、v2(k)，表达如下：
[0053][0054][0055]
式中，t代表整个控制时段时长；
[0056]
控制模型将风电场储能系统的容量状态值(e
lib
、e
suc
)及风储联合并网功率(p
grid
)设置成状态变量，分别记为w1(k)、w2(k)与w3(k)，表达如下：
[0057][0058][0059][0060]
此外，风电场出力(p
wp
)被设置成外界干扰变量，记为d(k)，可描述为：
[0061][0062]
控制系统用状态空间模型形式可描述为：
[0063][0064][0065]
设置v＝[p
lib
；p
suc
]，然后可以将模型预测控制优化问题转换为标准二次规划问题，用公式表示为：
[0066][0067]
s.t.av≤b
[0068]
其中，v
t
是v的转置矩阵；φ为待优化目标中二次项的系数，g代表一次项系数。上述公式表示该模型的所有约束，包含全部等式以及不等式限制，a表示的是v的系数矩阵，b代表的是约束中的常数项。
[0069]
本发明的有益效果是：所提改进两阶段模型预测控制方法在阶段1对混合储能系统充电/放电功率进行大时间尺度的控制，所获控制序列为阶段2的参考基准，并在每一控制时刻引入反馈控制使储能的运行时刻基于最新数据。不同时间尺度之间的相互协调使混合储能系统在平滑风能长期、低频波动时，可兼顾风能短期、高频的随机波动，极大地提升了储能对并网风电的平抑效果。此外，鉴于所提策略兼顾了对储能能量状态的约束，混合储能系统可始终具备充裕剩余容量以平滑风能的长期波动，保证了风电场储能系统并网运行的持续可行性。算例结果验证了混合储能系统可以在有效平滑风能波动、满足风电场站友好并网指标的同时，延长储能使用寿命，提升风电场混合储能系统运行的经济性。
附图说明
[0070]
图1为基于改进的模型预测控制的混合储能系统平滑控制方法；
[0071]
图2为两阶段模型预测控制优化机制；
[0072]
图3为基于模型预测控制的风电场混合储能控制系统；
[0073]
图4为改进的两阶段模型预测控制方案框架图；
[0074]
图5为风电场15分钟级出力曲线；
[0075]
图6为风电场1分钟级原始出力曲线；
[0076]
图7为每个优化过程所需的计算时间；
[0077]
图8为平滑前后的风电对比曲线；
[0078]
图9为场景i任意1分钟时间窗内的风能最大波动率；
[0079]
图10为场景i任意20分钟时间窗内的风能最大波动率；
[0080]
图11为场景i风电场储能充放电变化曲线；
[0081]
图12为场景i风电场储能荷电状态变化曲线；
[0082]
图13为场景ii平滑前后的风能比较；
[0083]
图14为场景ii混合储能系统的充电和放电功率以及荷电状态的变化曲线；
[0084]
图15为单一蓄电池的充放电功率变化；
[0085]
图16为不同惩罚因子对混合储能系统荷电状态控制效果的影响示意图；
[0086]
图17为不同惩罚因子对混合储能系统荷电状态控制效果的影响示意图。
具体实施方式
[0087]
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
[0088]
如图1所示，基于改进的模型预测控制的混合储能系统平滑控制方法，包括以下步骤：
[0089]
s1：选取蓄电池储能和超级电容储能构成混合储能系统，构建计及循环寿命的混合储能系统数学模型；
[0090]
s2：采用模型预测控制方法，在相对的大时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制，并为下一阶段的优化提供控制基点；
[0091]
s3：以上一阶段的优化结果为基础，采用模型预测控制方法，在相对的小时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制；
[0092]
s4：基于实时测量的混合储能系统输出值，采用反馈调整的方法来调整混合储能系统预测输出，从而使混合储能系统的控制由开环控制转化为闭环优化；
[0093]
s5：将控制时域内每一次基于模型预测控制的优化转换为一个二次规划问题并予以求解。
[0094]
所述步骤s1包括：选取蓄电池储能和超级电容储能构成混合储能系统，构建计及循环寿命的混合储能系统数学模型，具体为：
[0095]
选取蓄电池储能(采用锂离子电池)和超级电容储能构成混合储能系统，并且将混合储能系统用完整的数学模型表示为：
[0096][0097][0098]
其中，k表示的是控制时刻；和代表蓄电池、超级电容器自放电率大小；代表蓄电池、超级电容器自放电率大小；代表两种储能k时刻的充电功率值，代表其k时刻的放电功率值，e
lib
(k)为蓄电池储能的能量值，e
suc
(k)为超级电容储能能量值；及的大小代表两种储能的充电/放电效率值；δt的值代表每两个控制点之间的时间间隔长短。
[0099]
考虑到混合储能系统容量限制以及其最大充电/放电量约束，对储能的物理约束进行了如下建模：
[0100][0101][0102][0103]
[0104]
其中，与代表电池储能所需满足的充电(放电)功率的上限值、下限值；值；为超级电容储能所需满足的充电(放电)功率的上、下限值。
[0105][0106][0107]
其中，与代表蓄电池储能需满足的能量下限与上限值，与代表超级电容所需满足的能量下限与上限值。
[0108]
储能系统的荷电状态荷电状态表示的是混合储能系统在k时刻剩余容量占额定容量的比值，其约束由储能能量限制决定，可表达如下：
[0109][0110][0111][0112][0113]
其中，和代表两种类型储能的额定容量值；和分别代表两种类型储能所能允许的荷电状态的上下限，由储能各自的特性所决定。
[0114]
此外，引入了混合储能系统的循环寿命指标对储能运行的经济效益进行验证。由于超级电容器比功率高，且能够以高频率进行充电和放电状态之间的转换，其循环使用寿命比锂离子电池高得多，因而该混合储能系统的循环寿命在一定水平上取决于锂离子电池的循环寿命。本章研究中，混合储能系统的循环寿命通过对电池储能的循环寿命分析进行评估。
[0115]
电池储能设备的循环寿命往往与诸如充电速率、放电深度depth of discharge,dod，以及电池温度等因素相关，在本发明中dod被用来评估电池储能的循环寿命。将时间τ内的锂离子电池等效100％-dod循环次数表示为：
[0116][0117]
其中，n
eq
表示在时间τ期间，蓄电池储能的dod等于100％时的充电和放电循环次数，n
eq
的值越大，蓄电池循环寿命消耗越大；m表示时间τ内蓄电池荷电状态曲线上的局部极点的数量；和表示每两个相邻的局部极点i和i+1的荷电状态值；k
p
通常为取值0.8到2.1的常数，由蓄电池制造商的试验数据计算得出，本发明中将其取值为1.1。
[0118]
所述步骤s2包括：采用模型预测控制方法，在相对的大时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制，并为下一阶段的优化提供控制基点，具体为：
[0119]
首先，阶段1的大时间尺度模型预测控制方法旨在在较大的时间尺度上优化混合储能系统的充电/放电功率，并为下一阶段的优化提供控制基点。在此阶段，模型预测控制方法主要基于短期4小时风电场功率预测。按每15分钟为一个控制间隔，将优化控制周期设置为4小时，并将预测周期设置为与优化周期相同，即：
[0120][0121]
其中，r1表示每个优化周期具有16个控制时刻。
[0122]
为获得平滑参考功率曲线，在每个模型预测控制周期中采用小波理论将风能分解为高频功率和低频功率，其中，所得低频功率曲线用作并网功率的目标参考值pg·
ref
。所述的平滑参考功率指风电场注入电网的目标值。
[0123]
将风电场出力小波分解的层数设置为n，并且将风能分解如下：
[0124][0125]
式中，an(k)是低频风电序列，di(k)代表高频风电序列。
[0126]
n的取值越大时，实现此平滑目标所需的风电低频分量曲线便相对越平滑，混合储能系统需要的初始容量也就越大。因此，可按照对风力并网功率指标所设置的限制条件来确定小波分解层的最小数量n，并将此n值下所得低频功率曲线用作并网功率pg·
ref
的参考目标功率轨迹。
[0127]
考虑到蓄电池和超级电容储能的特性差异，储能控制的第一阶段每15分钟启动一次，以最大程度地减少蓄电池功率输出为目标进行优化，同时保证混合储能系统的剩余容量最小程度地偏离其中心，即能量状态的理想值，取其额定值的1/2，由此获取接下来4个小时的混合储能系统输出控制值，但是每一个充放电控制时刻仅实际实施第一条指令。目标函数建模为：
[0128][0129]
其中，混合储能系统的充放电功率p
lib
和p
suc
是模型的决策变量。系数为a1的项是注入电网的风电功率值偏离目标功率pg·
ref
的惩罚项，而后三项则是为了保证电池储能输出和两种类型储能能量状态偏离理想值的偏差最小化，从而确保混合储能运行获得最大效益的同时减少电池储能的充电/放电的深度及其充电/放电状态转换次数；是各项的惩罚因子。由于在相同的目标函数中用不同的优化项进行优化控制，所述的优化项，包括混合储能系统的输出功率、荷电状态，这种量纲的差异化将导致控制效果不如预期，因此，通过选择合适的惩罚因子相对值可最大化消除量纲差异带来的负面影响。
[0130]
此外，由于阶段1每15分钟执行一次控制，因此设置阶段1内优化约束条件之一为30分钟内风能最大功率波动范围，相当于每三个采样点之间的最大波动率，小于等于风电额定装机量的γ3倍，如下式所示：
[0131][0132]
在较大时间尺度的阶段1进行优化能够获得储能系统计划充电和放电功率时序值，但此时混合储能系统对风能较高频率的波动捕获能力欠缺，所平滑的低频功率所占的比例相对更高，此时主要通过蓄电池进行风电的平滑。也就是说，与超级电容储能相比，此阶段的电池储能功率输出对下一优化控制阶段的参考意义更大。因此，将在阶段1中获得的电池储能计划充放电序列曲线作为阶段2的电池储能输出功率参考值，以进行进一步优化。
[0133]
所述步骤s3包括：以上一阶段的优化结果为基础，采用模型预测控制方法，在相对的小时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制，具体为：
[0134]
在阶段2，基于超短期15分钟风能预测进行小时间尺度上的风能平滑优化控制。根据阶段1的控制步骤，将每一次控制的时域，即控制周期m2设置为15分钟，预测周期r2等于控制周期：
[0135][0136]
该控制每分钟启动一次。将第一阶段蓄电池的最佳充电/放电功率值作为其第二阶段优化的参考输出值p
lib
·
ref
，以校正接下来15分钟内蓄电池的实际输出。同时，将使超级电容器的剩余容量与其理想值之间的差异最小化的项添加到目标函数中以增加超级电容器的利用率，即优化目标的数学模型可表示为：
[0137][0138]
其中，a5是惩罚因子；决策变量是p
lib
和p
suc
。
[0139]
阶段1和阶段2具有不同的采样时间间隔和控制周期，两者均基于模型预测控制理论进行滚动时窗向前优化，其协调控制机制如图2所示。第二阶段的蓄电池充电和放电功率基于阶段1的输出功率进行优化、修正。第一阶段的控制周期相对较长，其采样时间间隔比第二阶段的采样间隔长得多，因此可以忽略高频风能波动的信息。蓄电池储能侧重平抑阶段1中的低频波动，相应地，高频波动通过阶段2的超级电容储能协调处理。因此，利用两种类型储能之间的互补功能能够有效优化混合储能设备的容量利用率，显著增大混合储能系统的经济性。同时，通过两时间尺度之间的自适应协调控制，混合储能系统可以在处理阶段1的长期风电波动的基础上兼顾平抑阶段2的短期风电波动，使控制方法应对风能不确定性波动的适应性获得提升，同时风电波动的整体平滑效果得以增强，风电场储能并网运行的可靠性得以增大。
[0140]
所述步骤s4包括：基于实时测量的混合储能系统输出值，采用反馈调整的方法来调整混合储能系统预测输出，从而使混合储能系统的控制由开环控制转化为闭环优化，具体为：
[0141]
1)在每个采样时间k，都将从短期和超短期风力发电预测中获得的风电场出力实时更新预测值用作滚动时域优化的实时控制基点，从而使控制可以及时纠正风力预测误差对混合储能系统的充电/放电功率造成的偏差，在一定程度上缓解风能的不确定性问题给控制效果带来的负面影响。
[0142]
2)在每个控制周期内，针对每一个k+i(i＝1,2,3,...,m)控制时刻，前一控制时刻的实际量测出力即储能实际出力量测值，与预测出力即储能出力的控制命令序列，两者的差值都被添加到预测出力中对预测模型进行相应校正，并在新的输出基础上执行下一步的滚动时域优化。它可以表示为：
[0143]up
(k+i)＝um(k+i)+ζ[ur(k)-um(k)]
[0144]
式中，为了简化表达，引入字母“u”来表示混合储能系统的充电/放电功率，以代替p
lib
和p
suc
。um(k+i)是k+i时刻储能系统的预测功率输出量；ur(k)是k处的实际测量功率输出量；um(k)代表时刻k的预测功率输出量；u
p
(k+i)是k+i处的校正后的功率预测输出量；ζ是校正因子。
[0145]
模型预测控制中引入反馈环节可以使混合储能系统控制由开环控制转化为闭环优化，使其在平滑风能的过程中具备一定的抗干扰能力，使控制过程更为稳定。
[0146]
所述步骤s5包括：将控制时域内每一次基于模型预测控制的优化转换为一个二次规划问题并予以求解，具体为：
[0147]
对于上述待求解的模型预测控制问题，预测模型采用基于被控过程的状态空间方程，对于每一优化时域，都将两种储能的充电/放电时间序列p
lib
、p
suc
作为优化控制变量，分别记为v1(k)、v2(k)，表达如下：
[0148][0149][0150]
式中，t代表整个控制时段时长，m与t值的大小可由风储系统运营者灵活决策。
[0151]
控制模型将风电场储能系统的容量状态值e
lib
、e
suc
及风储联合并网功率p
grid
设置成状态变量，分别记为w1(k)、w2(k)与w3(k)，表达如下：
[0152][0153][0154][0155]
此外，风电场出力p
wp
被设置成外界干扰变量，记为d(k)，可描述为：
[0156][0157]
因此，该控制系统用状态空间模型形式可描述为：
[0158][0159]
[0160]
式中分别描述了混合储能系统的充放电能量关系和风电场平滑并网的功率平衡关系，以及模型的过程输出矩阵，w1(k)、w2(k)和w3(k)被储存在矩阵中，便于优化过程中的时序数据存储与取用。由上述公式可以看出，本发明中所涉及系统是线性系统，因此可将控制时域内每一次基于模型预测控制的优化转换为一个二次规划问题予以求解。根据滚动优化理论，得到控制指令的时序信号后，实际上仅执行控制序列的第一项，并以此为新基础继续执行新一轮的优化过程。在每一个优化周期内，基于模型预测控制的风电场混合储能系统平滑控制系统如图3所示。
[0161]
采用真实的风电场数据进行测试。风电场站总额定装机是120mw，某典型日的风电场输出曲线如图5和图6所示，时间分辨率分别为15分钟和1分钟。
[0162]
风电场并网波动限制指标分别设置为：γ1＝2％，γ2＝10％。针对混合储能系统的参数设置，基于傅立叶变换理论分析了该风电场站的历史风电数据，并基于概率分析理论在预模拟的基础上对混合储能系统的额定功率和额定容量进行了配置。具体地，混合储能系统的参数设置列于表1中。
[0163]
表1储能系统的参数设计
[0164][0165]
为了说明目标函数式中惩罚因子(a1、a2、a3、a4、a5)的值的相对大小对风能平滑效果的影响差异，通过更改其值的大小相对关系，对图5所示的风能曲线进行平抑仿真分析，并网限制条件中设置γ3＝7％。
[0166]
而不同惩罚因子对混合储能系统的荷电状态的控制效果见图16及图17。因子a1代表的是限制风电功率平滑度的权重系数，而罚因子a2代表的是用于限制电池储能输出的权重系数。从表2可以看出，a1和a2对超级电容储能的荷电状态值的影响更大。当a1大于a2时，a2的值越小，则超级电容储能荷电状态曲线波动幅度越大，达至上限和下限的可能性也就越大；当a1小于a2，a2的值越大，超级电容储能的荷电状态曲线达至上限和下限的可能性也就越大，致使超级电容储能处理不确定性风能波动的性能降低。因此，综合考量折衷选择a1＝a2。
[0167]
对于惩罚因子a3和a4，a3的值代表控制对蓄电池荷电状态的约束权重，而a4的值为超级电容储能荷电状态的约束权重。从图17可以看出，与另外两种情况(a3＝a4或a3＞a4)相比，当a3值小于a4时，混合储能系统的整体荷电状态值可以更好地保持在较为理想的区域。在优化混合储能系统容量的基础上，足够的储能容量裕度更有助于实现风能并网平滑预期
效果。因此，在接下来的算例研究中，考虑到以上分析结果，目标函数式中的惩罚因子的值被合理地选择为：a1＝a2＝0.5，a3＝5，a4＝50。类似地，将目标函数式中的惩罚因子a5值选择为2，即a5＝2。
[0168]
此外，所提方法的计算复杂度可看作与求解一个典型的二次规划问题相同，将每个优化进程所需的计算时间记录于图7中。由图7可知，每个优化进程仅需要1秒左右的计算时间，比最小采样时间间隔(1分钟)小得多，证明所提方法适用于对计算速度要求相对较高的在线控制。
[0169]
此外，为了验证所提基于改进模型预测控制的混合储能系统平滑控制方法的可行性与有效性，将图6中风电场的1分钟级输出功率曲线(记为“场景i”)用于算例分析，得到风电场风能波动的平滑结果如图8所示。从图8看出，经过混合储能系统平抑后，风电场输出波动整体幅度得到了降低，放大时段1:00到2:00之间的风电曲线能看到，风能波动的“尖峰点”得到了有效缓和，具体地，在该时间段内，未采用所提方法平滑时的最小风功率和最大风功率分别为91.9mw和106.5mw，而平滑后的最小风功率和最大风功率分别为94.97mw和103.9mw，风能的波动幅值明显降低。同时，该风电场的平滑目标并不追求并网曲线平滑度的最大化(即平滑后的出力曲线基本变化趋势得到了保留)，因此风电场的配套储能系统并未过度充电和放电，混合储能系统的荷电状态值能够保持在相对较小的水平，可为储能的长时间可持续使用预留足够的容量。
[0170]
为分析平滑后的并网功率是否能够满足友好并网约束，比较了控制前后任何1分钟时间窗内以及任意20分钟时间窗内的最大风能波动率，对比曲线见图9和图10。从对比图可知，平抑之后，风能波动率均低于友好并网限制值，即风能在任意所提时间窗内的波动率都可以很好地满足风电场友好并网的要求，证明了所提风电场混合储能系统控制方法在缓解风能波动上具有预期的有效性与可行性。此外，为验证两种类型储能装置的协调运行是否可将混合储能系统的荷电状态值维持在一个理想区间附近，记录混合储能系统的充电和放电曲线如图11所示。从图11中可看出，蓄电池储能主要缓解了风电在低频下的功率波动，而超级电容储能则负责平抑了风能在相对高频下的功率波动，与方法预期结果相符，即混合储能系统中两种类型的储能设备可以协同工作，从而充分利用蓄电池储能和超级电容储能之间的强互补性。
[0171]
混合储能系统的荷电状态曲线见图12，该典型场景下的仿真结果显示，超级电容器的最大和最小荷电状态值分别为59.81％和40.28％，而蓄电池储能的最大与最小荷电状态的值分别是59.45％、37.64％，即每种储能设备的荷电状态均可以有效地保持在较为适宜的区间范围内，为应对风电场未来不确定性出力波动预留足够的储能容量。
[0172]
为验证控制方法的鲁棒性，选择风能输出波动幅度相对更大的另一典型日数据(仅选取其中一段时间的风能数据以便于分析，记为“场景ii”)对所提改进模型预测控制控制方法的鲁棒性进行仿真分析和验证，平滑结果如图13和13所示。从图中可看出，在场景ii中采用所提改进模型预测控制方法对混合储能系统进行控制时，由于风功率波动幅度加大，混合储能的荷电状态变化范围也明显大于场景i。在风力波动相对更大的时段，超级电容储能放电功率较大，荷电状态达到较低水平，同时满足限制区间(5％～95％)。此外，随着风能波动幅度的减小，超级电容储能的荷电状态值可以迅速返回至理想区间附近，在50％上下波动。对于蓄电池储能而言，由于其充电/放电曲线以阶段1的控制输出为基点，在超级
电容储能可以满足风电场友好并网的平滑度要求的条件时，蓄电池储能可以将其充放电功率的改变量维持在尽可能小的水平，优化其荷电状态曲线使其在理想区间附近波动，以更好地满足风能的长期波动平抑需求。因此，即使在风电场波动幅度较大的场景下，本章所提改进模型预测控制方法仍可稳定地控制混合储能系统以确保风电曲线平稳输出，同时较好地解决了混合储能系统容量超限使控制失效的问题，在一定程度上保证了控制方法的鲁棒性。
[0173]
另外，为了验证控制方法的经济性，还需进行对比分析，将上述混合储能设备用单一介质的储能设备代替(此处为仅包含蓄电池的储能)，为实现相同的风能输出平滑效果(场景i)，单一蓄电池储能的充电/放电曲线如图15。图15中，蓄电池储能设备最大充电功率12.3mw，最大放电功率10.68mw，与图11(电池的最大充电和放电功率均为5mw)相比，电池储能的充电/放电功率值明显增加。此外，从图15中的曲线可以看出，电池储能的充电/放电状态转换次数明显比图11多，即从充到放或从放到充的状态转变更为频繁，而这种高频的转换会给电池储能的循环寿命造成不利影响，导致储能运行的经济性降低。相比之下，在风电场使用混合储能系统(图11)来平滑风能输出可以有效减少电池充电/放电的次数与深度，降低电池储能维护成本并延长其寿命。
[0174]
为了进一步验证混合储能系统相对单一介质储能所具备的更高的经济性，采用循环寿命指标进行分析。利用所提出的改进两阶段模型预测控制策略分别对风电场场景i和场景ii的功率曲线进行混合储能系统运行仿真，得到单一介质储能和混合储能系统的100％-放电深度等效循环充放电次数对比结果如表4所示。
[0175]
表4混合储能系统充放电循环次数节省的仿真结果
[0176][0177]
从表4中可以看出，与使用单一电池系统相比，本文使用混合储能系统平滑风力波动的策略可以大幅度降低混合储能系统的等效充电/放电循环次数，在数学上证明了在风电场配置混合储能系统相对配置单电池储能系统对储能寿命的友好度。具体地，在场景i中，使用混合储能系统在24小时内可比单一电池储能节省约53.35％的100％-放电深度等效循环次数，而场景ii在24小时内可节省约61.20％的等效循环次数，风能波动越大越频繁，混合储能系统相对能节省的100％-放电深度等效循环次数越多，通过减少混合储能系统的等效充电/放电循环次数，其相应的维护成本也得到了降低，同时混合储能系统的循环寿命可得到大幅延长，风电场储能并网运行的经济性得以提高
[0178]
设置v＝[p
lib
；p
suc
]，然后可以将模型预测控制优化问题转换为标准二次规划问题，用公式表示为：
[0179][0180]
s.t.av≤b
[0181]
其中，v
t
是v的转置矩阵；φ为待优化目标中二次项的系数，g代表一次项系数。上述公式表示该模型的所有约束，包含全部等式以及不等式限制，a表示的是v的系数矩阵，b
代表的是约束中的常数项。该方法考虑的约束条件包括储能容量约束与功率限制及并网功率限制约束。
[0182]
控制过程中，如果混合储能系统的容量不足，则控制方法可能会失效，从而导致模型不到可行解。因此，引入了约束松弛的方法来确保模型控制过程的收敛性。具体来说，将平方惩罚项添加到优化目标中，以将原始待求解问题转换为如下所示的新形式：
[0183][0184][0185][0186]
式中，μ表示的是惩罚因子值的大小，满足约束条件μ≥0；φ是一个松弛向量，代码收敛时，φ＝0；在约束条件不可行时，则φ为一个非零值，这能够使约束条件实现一种软化、松弛的效果，通过这种方式，可以合理地选择φ的值来进行约束松弛，确保控制模型始终能够到当前条件下的最优解。上述公式构成了一种数学中典型的二次规划问题。
[0187]
总结上述所提到的针对改进两阶段模型预测控制控制方法的所有描述，该控制方法框架如图4所示。在每个控制周期，都在matlab环境中使用求解器对滚动优化问题予以求解
[0188]
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

技术特征：

1.基于改进的模型预测控制的混合储能系统平滑控制方法，其特征在于，包括如下步骤：s1：通过蓄电池储能和超级电容储能构成混合储能系统，基于混合储能系统构建计及循环寿命的混合储能系统数学模型；s2：采用模型预测控制方法，在设定的大时间尺度上对混合储能系统的充电/放电功率进行控制，得到电池储能计划充放电序列曲线；s3：根据得到的电池储能计划充放电序列曲线，采用模型预测控制方法，在设定的小时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制，得到混合储能系统输出值；s4：基于得到的混合储能系统输出值，采用反馈调整的方法调整混合储能系统预测输出，使混合储能系统的基于模型预测控制由开环控制转化为闭环优化；s5：将控制时域内每一次基于模型预测控制的优化转换为二次规划，求解二次规划，得到模型预测控制的最优解，根据最优解控制混合储能系统。2.根据权利要求1所述的基于改进的模型预测控制的混合储能系统平滑控制方法，其特征在于，所述的通过蓄电池储能和超级电容储能构成混合储能系统，基于混合储能系统构建计及循环寿命的混合储能系统数学模型，包括如下过程：选取蓄电池储能和超级电容储能构成混合储能系统，并且将混合储能系统用完整的数学模型表示为：学模型表示为：其中，k表示的是控制时刻；和代表蓄电池、超级电容器自放电率大小；代表蓄电池、超级电容器自放电率大小；代表两种储能k时刻的充电功率值，代表其k时刻的放电功率值，e
lib
(k)为蓄电池储能的能量值，e
suc
(k)为超级电容储能能量值；及的大小代表两种储能的充电/放电效率值；δt的值代表每两个控制点之间的时间间隔长短；对储能的物理约束进行了如下建模：对储能的物理约束进行了如下建模：对储能的物理约束进行了如下建模：对储能的物理约束进行了如下建模：其中，与代表电池储能所需满足的充电/放电功率的上限值、下限值；为超级电容储能所需满足的充电/放电功率的上、下限值；
其中，与代表蓄电池储能需满足的能量下限与上限值，与代表超级电容所需满足的能量下限与上限值；储能系统的荷电状态表示的是混合储能系统在k时刻剩余容量占额定容量的比值，其约束由储能能量限制决定，表达如下：约束由储能能量限制决定，表达如下：约束由储能能量限制决定，表达如下：约束由储能能量限制决定，表达如下：其中，和代表两种类型储能的额定容量值；和分别代表两种类型储能所能允许的荷电状态的上下限。3.根据权利要求1所述的基于改进的模型预测控制的混合储能系统平滑控制方法，其特征在于，所述的采用模型预测控制方法，在设定的大时间尺度上对混合储能系统的充电/放电功率进行控制，得到电池储能计划充放电序列曲线，具体为：模型预测控制方法基于短期风电场功率预测，每15分钟为一个控制间隔，将优化控制周期设置为4小时，并将预测周期设置为与优化周期相同，即：其中，r1表示每个优化周期具有16个控制时刻；在每个模型预测控制周期中采用小波理论将风能分解为高频功率和低频功率，其中，所得低频功率曲线用作并网功率的目标参考值p
g
·
ref
；将风电场出力小波分解的层数设置为n，将风能分解如下：式中，a
n
(k)是低频风电序列，d
i
(k)代表高频风电序列；获取4个小时的混合储能系统输出控制值，每一个充放电控制时刻仅实际实施第一条指令，目标函数建模为目标函数建模为：
其中，混合储能系统的充放电功率p
lib
和p
suc
是模型的决策变量，系数为a1的项是注入电网的风电功率值偏离目标功率p
g
·
ref
的惩罚项，的惩罚项，为保证电池储能输出和两种类型储能能量状态偏离理想值的偏差最小化。4.根据权利要求1所述的基于改进的模型预测控制的混合储能系统平滑控制方法，其特征在于，所述的根据得到的电池储能计划充放电序列曲线，采用模型预测控制方法，在设定的小时间尺度上对风电场混合储能系统的充电/放电功率进行优化控制，得到混合储能系统输出值，包括如下过程：将每一次控制的时域，即控制周期m2设置为15分钟，预测周期r2等于控制周期：该控制每分钟启动一次，将第一阶段蓄电池的最佳充电/放电功率值作为其第二阶段优化的参考输出值(p
lib
·
ref
)，以校正接下来15分钟内蓄电池的实际输出。同时，将使超级电容器的剩余容量与其理想值之间的差异最小化的项添加到目标函数中以增加超级电容器的利用率，即优化目标的数学模型可表示为：其中，a5是惩罚因子，决策变量为p
lib
和p
suc
。5.根据权利要求1所述的基于改进的模型预测控制的混合储能系统平滑控制方法，其特征在于，所述的基于得到的混合储能系统输出值，采用反馈调整的方法调整混合储能系统预测输出，使混合储能系统的基于模型预测控制由开环控制转化为闭环优化，包括：在每个采样时间k，将从短期和超短期风力发电预测中获得的风电场出力实时更新预测值用作滚动时域优化的实时控制基点，使控制纠正风力预测误差对混合储能系统的充电/放电功率造成的偏差；在每个控制周期内，对每一个k+i(i＝1,2,3,...,m)控制时刻，前一控制时刻的实际量测出力与预测出力两者的差值都被添加到预测出力中对预测模型进行相应校正，并在新的输出基础上执行下一步的滚动时域优化，表示为：u
p
(k+i)＝u
m
(k+i)+ζ[u
r
(k)-u
m
(k)]式中，u表示混合储能系统的充电/放电功率，u
r
(k)是k处的实际测量功率输出量；u
m
(k)代表时刻k的预测功率输出量；u
p
(k+i)是k+i处的校正后的功率预测输出量；ζ是校正因子。6.根据权利要求1所述的基于改进的模型预测控制的混合储能系统平滑控制方法，其特征在于，所述的将控制时域内每一次基于模型预测控制的优化转换为二次规划，求解二次规划，得到模型预测控制的最优解，根据最优解控制混合储能系统，包括如下过程：预测模型采用基于被控过程的状态空间方程，对于每一优化时域，都将两种储能的充电/放电时间序列p
lib
、p
suc
作为优化控制变量，分别记为v1(k)、v2(k)，表达如下：
式中，t代表整个控制时段时长；控制模型将风电场储能系统的容量状态值(e
lib
、e
suc
)及风储联合并网功率(p
grid
)设置成状态变量，分别记为w1(k)、w2(k)与w3(k)，表达如下：(k)，表达如下：(k)，表达如下：此外，风电场出力(p
wp
)被设置成外界干扰变量，记为d(k)，可描述为：控制系统用状态空间模型形式可描述为：控制系统用状态空间模型形式可描述为：设置v＝[p
lib
；p
suc
]，然后可以将模型预测控制优化问题转换为标准二次规划问题，用公式表示为：s.t.av≤b其中，v
t
是v的转置矩阵；φ为待优化目标中二次项的系数，g代表一次项系数。上述公式表示该模型的所有约束，包含全部等式以及不等式限制，a表示的是v的系数矩阵，b代表的是约束中的常数项。

技术总结

本发明公开了基于改进的模型预测控制的混合储能系统平滑控制方法，基于混合储能系统构建计及循环寿命的混合储能系统数学模型；采用模型预测控制方法，得到电池储能计划充放电序列曲线；根据得到的电池储能计划充放电序列曲线，采用模型预测控制方法，得到混合储能系统输出值；基于得到的混合储能系统输出值，采用反馈调整的方法调整混合储能系统预测输出，使混合储能系统的基于模型预测控制由开环控制转化为闭环优化；将控制时域内每一次基于模型预测控制的优化转换为二次规划，求解二次规划，得到模型预测控制的最优解，根据最优解控制混合储能系统。通过本发明，可以实现风电厂混合储能系统运行的平滑控制。混合储能系统运行的平滑控制。混合储能系统运行的平滑控制。