本发明属于微电网储能容量优化配置领域，尤其涉及一种考虑风光储系统出力波动平抑的混合储能容量优化配置方法。
背景技术：
：近年来，全球范围内对能源的可持续性以及传统发电方式带来的环境问题的关注，为可再生能源的发展提供了动力。微网作为可再生能源发电设备接入电网的一种重要方式，其运行的安全稳定性受可再生能源发电的随机性和间歇性影响。在微网内配置一定容量的储能装置，可以平抑可再生能源出力波动，保证微网电能质量和运行稳定性，提高能源利用率。目前运用于微网的储能技术可分为能量型储能和功率型储能，这两类储能在能量密度、功率密度、循环寿命和价格等技术、经济性能上有较强的互补性。因此，为了平抑风电、光伏输出功率波动，同时兼顾系统运行经济性，通常采用由上述两类储能集成的混合储能系统(hybridenergystoragesystem，hess)。针对合理配置hess中两类储能的容量已有研究成果：基于一阶低通滤波法和限风数据统计特性分析，兼顾风电功率波动平抑效果与风电消纳能力，以hess综合收益最大为目标选择最优容量配置方案；基于对微网净负荷功率的频谱分析，制定hess初级功率分配策略，引入储能的充放电约束和荷电状态约束，对功率分配策略进行二次修正，以hess年综合成本最低为目标构建hess容量优化模型；采用小波包分解技术处理风电功率，对混合储能内部进行合理功率分配，计及电池寿命损耗建立混合储能容量经济优化模型；提出一种根据储能系统荷电状态自适应调整经验模态分解(empiricalmodedecomposition，emd)滤波阶数的hess功率分配方法，在有效平抑风电波动的同时维持储能系统荷电状态的稳定；基于光伏并网对功率波动的要求，设计了一种采用总体平均经验模态分解(ensembleempiricalmodedecomposition，eemd)平滑光伏功率波动的hess充放电控制策略。目前常采用低通滤波法、小波包分解、emd分解和eemd分解技术等方法分配hess内两类储能的功率，并配置其容量。低通滤波法原理简单、运算速度快，但会产生一定的时延。小波包分解的准确性易受所选基函数的影响，且计算复杂。emd分解出的频率相近的模态分量易产生模态混叠现象，影响功率分配。eemd大大改善了模态混叠问题，但是数据计算量过大。而变分模态分解(variationalmodedecomposition，vmd)相比上述方法，既不产生时延且运算效率高，又不易受噪声干扰，同时解决了emd中的模态混叠问题。技术实现要素：本发明目的在于克服现有技术的不足，提供了一种考虑风光储系统出力波动平抑的混合储能容量优化配置方法，充分利用了蓄电池和超级电容器在功率密度、能量密度等方面的互补特性，既减少了蓄电池和超级电容器配置的容量，保证了经济性，又增强了hess对风、光输出功率波动的平抑效果，具体由以下技术方案实现：所述微网风光储系统中混合储能容量优化配置方法，包括步骤：步骤1)采用滑动平均法确定风光储系统的并网参考功率；步骤2)通过变分模态分解和希尔伯特变换确定分界频率，根据分界频率和储能荷电状态约束制定混合储能系统控制策略；步骤3)建立风、光输出功率波动特性与风光储系统输出功率波动程度的评价指标体系；步骤4)通过仿真得到的储能参数、所述评价指标体系的对应关系，训练神经网络模型；步骤5)以平滑效果最优和混合储能系统投资建设成本最低为目标函数，构建混合储能系统容量配置模型，并结合遗传算法进行模型求解，得到混合储能系统最优容量配置。所述微网风光储系统中混合储能容量优化配置方法的进一步设计在于，所述步骤1)具体包括如下步骤：步骤1-1)选定长度为n的滑动时间窗口，每次采集n个风、光合成输出功率数据并求算术平均值来替代该所述滑动时间窗口的中心点数值，每新采集一个数据放入滑动时间窗口的末尾时都要舍去一个最先采集的数据，根据式(1)计算t时刻的风光储联合发电系统并网参考功率pout(t)，pout(t)＝(pg(t-(k-1))+pg(t-(k-2))+...+pg(t)+...+pg(t+k))/n(1)pg(t)＝ppv(t)+pwg(t)其中，n表示滑动时间窗长度，pg(t)表示光合成输出功率，k满足：步骤1-2)根据式(2)计算混合储能系统参考功率phess(t)，phess(t)＝pout(t)-pg(t)(2)所述微网风光储系统中混合储能容量优化配置方法的进一步设计在于，所述步骤2)中确定分界频率具体为：预设分解尺度为k，对hess参考功率进行变分模态分解，得到k个中心频率分别为ωk的固有模态分量uk(t)，参见式(3)，对每个固有模态分量进行希尔伯特变换，得到相应的k条瞬时频率-时间曲线fk(t)；设定当曲线fi+1(t)的频率低于fm时，对应的时间为tl(l＝1，…，j)，对应的功率为ul(tl)；曲线fi(t)的频率高于fm时，对应的时间为th(h＝1,…,k)，对应的功率为uh(th)，根据式(3)定义模态混叠能量eoverlap，记fi+1(t)的最大值为fmax，fi(t)的最小值为fmin，从fmin开始取值，以fmax为终点，每次增加0.0001hz，作为临时分频频率，计算对应的模态混叠能量，当模态混叠能量最小时对应的频率即为高频和低频的分界频率fm。所述微网风光储系统中混合储能容量优化配置方法的进一步设计在于，所述步骤2)中根据分界频率和储能荷电状态约束制定混合储能系统控制策略蓄具体包括如下步骤：步骤2-1)定义电池和超级电容器的充放电功率pb0(t)、pc0(t)分别为：步骤2-2)设定储能系统的输出功率应满足的约束如下：-pb,e≤pb(t)≤pb,e-pc,e≤pc(t)≤pc,e储能设备剩余电量应满足以下约束：eb,min≤eb(t)≤eb,maxec,min≤ec(t)≤ec,max其中，eb,min＝eb·socb,mineb,max＝eb·socb,maxec,min＝ec·socc,minec,max＝ec·socc,max其中：socb,min，socb,max，socc,min，socc,max分别为蓄电池和超级电容器允许的荷电状态上、下限；eb、ec分别为蓄电池和超级电容器的额定容量；储能系统的实际充放电功率如下：pb0≥0pb0＜0pc0≥0pc0＜0根据式(4)计算风光储联合发电系统在t时刻的实际输出功率为：pout,r(t)＝pg(t)+pb(t)+pc(t)(4)所述微网风光储系统中混合储能容量优化配置方法的进一步设计在于，所述步骤3)中功率波动特性指标如下：pg,max＝max[pg(t)],t＝0,...,288pg,min＝min[pg(t)],t＝0,...,288δpg,10min,max＝max[max|pg(m)-pg(n)|],0＜n-m≤2且m＝0,...,286δpg,60min,max＝max[max|pg(m)-pg(n)|],0＜n-m≤12且m＝0,...,276其中，为风、光合成输出功率平均值；pg,max和pg,min分别为风、光合成输出功率的最大值和最小值；σ为风、光合成输出功率标准差；δpg,10min,max和δpg,60min,max分别为10min内和60min最大功率变化的最大值；δ和δ分别为10min内和60min功率变化值的平均值；所述风光储系统输出功率波动程度的评价指标体系包括短期功率波动评价指标与长期功率波动评价指标，步骤3)中分别根据式(5)、式(6)计算反映一天中10min、60min内有功功率波动不满足要求的比例的短期波功率动评价指标rlos10、rlos60，且x10(i)、x60(i)满足：式中，δp10和δp60分别为10min和60min内风光储系统输出有功功率的最大变化量；δp10max和δp60max分别为10min和60min内有功功率最大变化量的限定值。所述微网风光储系统中混合储能容量优化配置方法的进一步设计在于，所述步骤4)具体包括如下步骤：步骤4-1)建立包含n个储能参数、波动特性—功率平滑度短期神经网络单元以及n天风、光输出功率的n组功率波动特性指标的神经网络模型；步骤4-2)储能系统参数输入后，与n组功率波动特性共同带入储能参数、波动特性—功率平滑度短期神经网络模型，得到n天短期功率波动评价指标rlos10和rlos60；步骤4-3)根据式(7)计算长期功率波动评价指标e，并以储能系统参数为输入，长期功率波动评价指标e为输出，通过神经网络学习，得到储能参数—功率平滑度长期神经网络模型，其中，rlos＝(rlos10+rlos60)/2式中，r为风光储系统输出有功功率短期波动评价指标的限定标准；e表示不满足平滑度要求的天数占总天数n的比例。所述微网风光储系统中混合储能容量优化配置方法的进一步设计在于，所述步骤5)的根据式(8)建立目标函数：minf＝f1+f2(8)其中，式(8)中，y为长期功率波动评价指标e的限定值；u为任意的大值；k1、k2、k3、k4分别为蓄电池和超级电容器功率的单位功率成本和单位容量成本；gmax为k1pb,e+k2pc,e+k3eb+k4ec的最大值；f1为混合储能系统对风光输出功率波动的平抑效果，当e＞y时，长期功率波动指标不满足限定要求，此时的储能配置方案应直接舍去，取f1＝u，且u＞＞k1pb,e+k2pc,e+k3eb+k4ec；f2为混合储能系统投资成本。本发明的有益效果本发明的微网风光储系统中混合储能容量优化配置方法，考虑了平滑效果最优与投资成本最低，适用于合理配置hess中储能的容量配置。所述微网风光储系统中混合储能容量优化配置方法，充分利用了蓄电池和超级电容器在功率密度、能量密度等方面的互补特性，既减少了蓄电池和超级电容器配置的容量，保证了经济性，又增强了hess对风、光输出功率波动的平抑效果。附图说明图1是微网风光储系统中混合储能容量优化配置方法流程图。图2是基于直流组网方式的风光储系统示意图。图3是hess控制策略示意图。图4是短期神经网络模型示意图。图5是长期神经网络模型图。图6是风光合成输出功率示意图。图7是神经网络训练误差曲线图。图8是平抑前后风光合成输出功率曲线图。其中，图8a是基于emd分解的图平抑前后风光合成输出功率曲线图，图8b是基于vmd分解的平抑前后风光合成输出功率曲线图。图9是hess输出功率曲线图。图9a是基于emd分解的hess输出功率曲线图，图9b是基于vmd分解的hess输出功率曲线图。具体实施方式下面结合附图和实施例对本发明的技术方案作进一步的说明。如图1所示，本发明所述的微网风光储系统中混合储能容量优化配置方法，采用变分模态分解，将经由滑动平均滤波得到的混合储能系统参考功率分解为高频与低频两部分，分别作为混合储能系统中超级电容器和蓄电池的参考功率。利用仿真得到的大量储能系统参数与风光储系统输出功率平滑度的对应关系训练神经网络模型。以平滑效果最优与投资成本最低为目标函数，构建混合储能系统容量优化配置模型，采用遗传算法求解混合储能系统的最优容量配置方案。其实现步骤包括：步骤1)采用滑动平均法确定风光储系统的并网参考功率；本实施例的风光储系统在微网中的拓扑结构相比于交流组网方式，基于直流母线的组网方式结构简单、便于控制，具有明显优势，因此本文以图2所示的基于直流组网方式的典型风光储系统结构为基础，对混合储能系统的容量配置进行研究。如图2，本实施例的风光储系统主要包含了风力发电机组、光伏发电机组、由蓄电池和超级电容器组成的混合储能系统及变流器等。其中，变流器实现交直流转换,混合储能系统起平抑风、光输出功率波动作用。图2中，ppv(t)和pwg(t)分别为光伏发电机组和风力发电机组t时刻的输出功率；pb(t)和pc(t)分别为蓄电池和超级电容在t时刻的充放电功率，放电时为正，充电时为负。为了更好地平滑风、光合成输出功率波动，提高储能系统的整体性能，降低储能配置的成本，本文利用功率型和能量型储能在能量密度、功率密度、循环寿命等方面的互补特性，选择蓄电池和超级电容器构成混合储能系统。其中，蓄电池用于平抑能量高的低频波动，超级电容器用于平抑能量低的高频波动。当风、光合成输出功率大于由滑动平均法得到的并网参考功率时，混合储能系统充电；当风、光合成输出功率小于由滑动平均法得到的并网参考功率时，混合储能系统放电。蓄电池和超级电容器的荷电状态与充放电功率的关系可表示为：上式中，δt为采样时间间隔；socb(t)、socc(t)、socb(t+δt)、socc(t+δt)分别为蓄电池和超级电容器在t时刻和t+δt时刻时的荷电状态；eb、ec分别为蓄电池和超级电容器的容量；ηbc、ηcc、ηbd、ηcd分别为蓄电池和超级电容器的充电、放电效率。由于可再生能源发电具有较强的间歇性和随机性，通常风、光合成输出功率波动较大，无法满足并网要求。本文采用滑动平均法平滑风、光合成输出功率，计算风光储系统的并网参考功率。选定长度为n的滑动时间窗口，每次采集n个风、光合成输出功率数据并求其算术平均值来替代该时间窗口中心点的数值[17]。每新采集一个数据放入时窗的末尾时都要舍去一个最早采集的数据。因此，t时刻的风光储联合发电系统并网参考功率可表示为：其中，pg(t)＝ppv(t)+pwg(t)(7)将风光储联合发电系统并网参考功率pout(t)与风、光合成输出功率pg(t)之差作为混合储能系统参考功率：phess(t)＝pout(t)-pg(t)(8)步骤2)利用vmd和希尔伯特变换确定分界频率，根据分界频率和储能荷电状态约束制定hess控制策略；步骤2)中基于vmd-hilbert的hess功率分配方法：混合储能系统参考功率phess由蓄电池参考功率pb0和超级电容器参考功率pc0组成。本实施例采用变分模态分解和希尔伯特变换方法，依据蓄电池和超级电容器的特点，进行合理的功率分配，实现风、光合成输出功率波动的平抑。vmd是konstantin于提出的一种本质为纳滤波降噪，可以将模态估计问题转换为完全非递归、准正交的信号分解的新型信号处理方法。vmd分解过程不易受噪声影响，预设合适的分解模态数k时，可有效缓解模态混叠现象，比传统的emd分解更具优势。预设分解尺度为k，对hess参考功率进行vmd分解，可以得到k个中心频率分别为ωk的固有模态分量uk(t)：对每个固有模态分量进行hilbert变换，可以得到相应的k条瞬时频率-时间曲线fk(t)，且vmd分解中曲线fi+1(t)的频率整体高于曲线fi(t)。根据上文描述，蓄电池负责平抑低频波动，超级电容器负责平抑高频波动。若在两相邻曲线fi(t)和fi+1(t)间取分频频率fm，则曲线fi+1(t)中频率低于fm的部分对应的功率分配给蓄电池，增加了蓄电池的充放电次数，减少了使用寿命；曲线fi(t)中频率高于fm的部分对应的功率分配给超级电容器，增加了超级电容器容量。因此寻找合适的分频频率fm，使得与fm紧邻的曲线fi(t)和fi+1(t)模态混叠最少，对制定合适的hess功率分配策略至关重要。曲线fi+1(t)的频率低于fm时，对应的时间为tl(l＝1,…,j)，对应的功率为ul(tl)；曲线fi(t)的频率高于fm时，对应的时间为th(h＝1,…,k)，对应的功率为uh(th)。定义模态混叠部分对应的功率的绝对值与对应时间的乘积为模态混叠能量，表达式如下：记fi+1(t)的最大值为fmax，fi(t)的最小值为fmin。从fmin开始取值，以fmax为终点，每次增加0.0001hz，作为临时分频频率，计算对应的模态混叠能量。模态混叠能量最小时对应的频率即为高频和低频的分界频率fm。则蓄电池和超级电容器的充放电功率可表示：式中各符号含义与上文相同。步骤2)中考虑容量和功率约束的hess控制策略：通过滑动平均滤波和vmd分解，计算出蓄电池和超级电容器的参考输出功率，然而实际中还应考虑储能系统的荷电状态等约束。hess控制策略如图3所示，蓄电池的额定功率为pb,e，超级电容器的额定功率为pc,e；eb,max，ec,max，eb,min，ec,min分别为蓄电池和超级电容器剩余电量的上下限；pb(t)和pc(t)分别为蓄电池和超级电容器在t时刻的实际充放电功率。储能系统的输出功率应满足以下约束：-pb,e≤pb(t)≤pb,e(13)-pc,e≤pc(t)≤pc,e(14)储能设备剩余电量应满足以下约束：eb,min≤eb(t)≤eb,max(15)ec,min≤ec(t)≤ec,max(16)其中，式中，socb,max，socc,max，socb,min，socc,min分别为蓄电池和超级电容器允许的荷电状态上下限；eb，ec分别为蓄电池和超级电容器的额定容量。根据式(1)～(4)和式(11)～(17)，可以得到储能系统的实际充放电功率如下：pb0≥0pb0＜0pc0≥0pc0＜0此时，储能设备的功率和容量约束导致hess的实际输出功率与hess参考功率有所不同。因此，风光储联合发电系统在t时刻的实际输出功率为：pout,r(t)＝pg(t)+pb(t)+pc(t)(22)步骤3)建立风、光输出功率波动特性与风光储系统输出功率波动程度的评价指标体系；由式(22)可知，hess对风、光功率的平滑效果不仅与配置的蓄电池和超级电容器的功率、容量有关，也与风、光合成输出功率有关。由于风电、光伏的输出受天气变化影响，具有较强的随机性，对于每日不同的风、光合成输出功率，为了达到相同的平滑效果，配置的储能容量必然有所不同。因此，定义以下8项指标表征每日风、光合成输出功率的波动特性。其中采样时间间隔δt为5min，即一天内共采集289次风、光合成输出功率。一日内功率波动特性指标如下：式中，为风、光合成输出功率平均值；pg,max和pg,min分别为风、光合成输出功率的最大值和最小值；σ为风、光合成输出功率标准差；δpg,10min,max和δpg,60min,max分别为10min内和60min最大功率变化的最大值；δ和δ分别为10min内和60min功率变化值的平均值针对某一日的风、光合成输出功率，在不同的储能系统参数组合下，采用所述hess控制策略进行仿真，得到的风、光功率平滑效果有所不同。为了量化hess对风、光功率的平滑效果，以便建立储能参数、功率波动指标与平滑效果的对应关系，定义短期波动评价指标rlos10和rlos60，分别反映一天中10min和60min内有功功率波动不满足要求的比例。因此rlos10和rlos60越小，说明配置的hess对风、光功率波动的平滑效果越好。短期功率波动评价指标如下所示：且，式中：δp10和δp60分别为10min和60min内风光储系统输出有功功率的最大变化量；δp10max和δp60max分别为10min和60min内有功功率最大变化量的限定值。本实施例采用三层bp神经网络模型，如图4所示。训练该神经网络，拟合储能参数、波动特性与平滑度指标间的对应关系。从而可以直接通过输入储能系统参数、功率波动特性指标，得到对应的输出数据rlos10和rlos60，避开复杂的仿真过程，提高计算效率。步骤4)利用仿真得到的储能参数与上述评价指标体系的对应关系，训练神经网络模型；为了研究不同储能参数在一段较长的时间(n天)内对风、光输出功率的平滑效果的影响，构造如图4所示的储能参数—功率平滑度长期神经网络模型，其中包含n个储能参数、波动特性—功率平滑度短期神经网络模型以及n天风、光输出功率的n组功率波动特性指标。定义长期功率波动评价指标e：其中，rlos＝(rlos10+rlos60)/2(30)式中：r为风光储系统输出有功功率短期波动评价指标的限定标准；e表示不满足平滑度要求的天数占总天数n的比例，且e越小，表明配置的hess对风、光输出功率的长期平滑效果越好。储能系统参数输入后，与n组功率波动特性共同带入储能参数、波动特性—功率平滑度短期神经网络模型，可以得到n天短期功率波动评价指标rlos10和rlos60，按照式(28)～(30)可计算出对应的指标e。以储能系统参数为输入，长期功率波动评价指标e为输出，用以上得到的大量对应关系，通过神经网络学习，得到储能参数—功率平滑度长期神经网络模型。步骤5)以平滑效果最优和hess投资建设成本最低为目标函数，构建hess容量配置模型，并结合遗传算法进行模型求解，得到hess最优容量配置本文兼顾hess对风、光输出功率波动的平抑效果与经济性，制定以下目标函数：minf＝f1+f2(31)其中，式中，y为长期功率波动评价指标e的限定值；u为任意的大值；k1、k2、k3、k4分别为蓄电池和超级电容器功率的单位功率成本和单位容量成本；gmax为k1pb,e+k2pc,e+k3eb+k4ec的最大值；f1为混合储能系统对风光输出功率波动的平抑效果，当e＞y时，长期功率波动指标不满足限定要求，此时的储能配置方案应直接舍去，取f1＝u，且u＞＞k1pb,e+k2pc,e+k3eb+k4ec；f2为混合储能系统投资成本。采用遗传算法求解hess最优容量配置，具体过程不在此赘述。下面通过一个算例对本实施例做进一步的说明。以某8.4mw光伏电站和某18mw风电场全年输出有功功率数据为例，采用蓄电池和超级电容器组成的混合储能系统平抑风、光合成输出功率。风、光合成输出功率曲线如图6所示，采样间隔为5min，混合储能系统相关参数如表1所示。表1混合储能系统参数选取不同蓄电池容量、超级电容器容量和滑动时间窗长度的共1000组参数，采用图3所示hess控制策略，对每月5、10、25日共36天进行仿真。其中已知蓄电池额定功率pb,e为1.2mw，超级电容器额定功率pc,e为2.5mw，且分别取δp10max和δp60max为0.7mw和2mw。利用仿真得到的36000组输入输出数据，训练储能参数、波动特性—功率平滑度短期神经网络模型，其中隐含层神经元个数取23。部分神经网络训练结果及误差如表2所示。将1000组不同的储能参数与每日风光输出功率波动特性组合，输入训练好的短期神经网络模型，得到全年365组rlos10和rlos60，代入式(28)～(30)，计算该储能参数组合下对应的长期功率波动评价指标e，其中取r为0.1。将上述1000组对应数据作为样本数据，训练储能参数—功率平滑度长期神经网络模型。经过1239步训练后，训练误差小于0.0001，神经网络训练误差曲线如图7所示。表2部分神经网络训练结果及误差表3hess容量配置结果及对应目标函数值方法eb/mw·hec/mw·hnef2/万元vmd5.6080.329290.0023.1emd5.9750.546290.00642626.7由表2可知采用vmd分解对hess进行功率分配时，配置的超级电容器容量和蓄电池容量相比采用emd分解时分别下降了39.74％和6.14％。由于超级电容器单位容量成本较高，减少其容量可以有效降低hess投资成本，如表2所示，采用vmd分解时，投资成本相比采用emd分解时下降了23.70％。此外，比较采用这两种方法时指标e的大小，可知vmd分解相比emd分解，更能合理配置hess容量，从而获得更好的波动平抑效果。以3月26日为例，比较采用vmd和emd两种不同方法对hess进行功率分配后，对风光合成输出功率的平滑效果，平滑结果如图8所示。由图8可以看出分别采用两种方法时，风、光合成输出功率波动均得到有效抑制，但采用emd分解时的平抑效果略差于采用vmd分解时的平抑效果。为了进一步比较vmd分解和emd分解对于hess容量配置结果和风、光功率波动平抑效果的影响，绘制混合储能系统中蓄电池和超级电容器的充放电功率曲线如图8所示。由图9可知，emd分解和vmd分解均将hess参考功率分解为高频、低频两部分，其中超级电容器承担高频分量，蓄电池承担低频分量。比较两种方法下超级电容器和蓄电池的输出功率曲线，采用基于vmd分解的hess控制策略时，超级电容器的输出功率小于采用基于emd分解的hess控制策略时的超级电容器的输出功率，更符合超级电容器功率密度高、能量密度低的特性。emd分解存在模态混叠问题，会使配置的超级电容器容量增加，蓄电池充放电次数变多、寿命降低，而vmd分解解决了emd分解时的模态混叠问题，更好地分解了风光输出功率中的波动分量，使hess控制策略充分利用蓄电池和超级电容器的互补特性，达到提高平抑效果，降低投资成本的目标。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。当前第1页1 2 3
技术特征：
1.一种微网风光储系统中混合储能容量优化配置方法，其特征在于，包括步骤：
步骤1)采用滑动平均法确定风光储系统的并网参考功率；
步骤2)通过变分模态分解和希尔伯特变换确定分界频率，根据分界频率和储能荷电状态约束制定混合储能系统控制策略；
步骤3)建立风、光输出功率波动特性与风光储系统输出功率波动程度的评价指标体系；
步骤4)通过仿真得到的储能参数、所述评价指标体系的对应关系，训练神经网络模型；
步骤5)以平滑效果最优和混合储能系统投资建设成本最低为目标函数，构建混合储能系统容量配置模型，并结合遗传算法进行模型求解，得到混合储能系统最优容量配置。
2.根据权利要求1所述的微网风光储系统中混合储能容量优化配置方法，其特征在于，所述步骤1)具体包括如下步骤：
步骤1-1)选定长度为n的滑动时间窗口，每次采集n个风、光合成输出功率数据并求算术平均值来替代该所述滑动时间窗口的中心点数值，每新采集一个数据放入滑动时间窗口的末尾时都要舍去一个最先采集的数据，根据式(1)计算t时刻的风光储联合发电系统并网参考功率pout(t)，
其中，n表示滑动时间窗长度，pg(t)表示光合成输出功率，k满足：
步骤1-2)根据式(2)计算混合储能系统参考功率phess(t)，
phess(t)＝pout(t)-pg(t)(2)。
3.根据权利要求2所述的微网风光储系统中混合储能容量优化配置方法，其特征在于，所述步骤2)中确定分界频率具体为：
预设分解尺度为k，对hess参考功率进行变分模态分解，得到k个中心频率分别为ωk的固有模态分量uk(t)，参见式(3)，
对每个固有模态分量进行希尔伯特变换，得到相应的k条瞬时频率-时间曲线fk(t)；
设定当曲线fi+1(t)的频率低于fm时，对应的时间为tl(l＝1，…，j)，对应的功率为ul(tl)；曲线fi(t)的频率高于fm时，对应的时间为th(h＝1,…,k)，对应的功率为uh(th)，根据式(3)定义模态混叠能量eoverlap，
记fi+1(t)的最大值为fmax，fi(t)的最小值为fmin，从fmin开始取值，以fmax为终点，每次增加0.0001hz，作为临时分频频率，计算对应的模态混叠能量，当模态混叠能量最小时对应的频率即为高频和低频的分界频率fm。
4.根据权利要求2所述的微网风光储系统中混合储能容量优化配置方法，其特征在于，所述步骤2)中根据分界频率和储能荷电状态约束制定混合储能系统控制策略蓄具体包括如下步骤：
步骤2-1)定义电池和超级电容器的充放电功率pb0(t)、pc0(t)分别为：
步骤2-2)设定储能系统的输出功率应满足的约束如下：
-pb,e≤pb(t)≤pb,e
-pc,e≤pc(t)≤pc,e
储能设备剩余电量应满足以下约束：
eb,min≤eb(t)≤eb,max
ec,min≤ec(t)≤ec,max
其中，
eb,min＝eb·socb,min
eb,max＝eb·socb,max
ec,min＝ec·socc,min
ec,max＝ec·socc,max
其中：socb,min，socb,max，socc,min，socc,max分别为蓄电池和超级电容器允许的荷电状态上、下限；eb、ec分别为蓄电池和超级电容器的额定容量；
储能系统的实际充放电功率如下：
pb0≥0
pb0＜0
pc0≥0
pc0＜0
根据式(4)计算风光储联合发电系统在t时刻的实际输出功率为：
pout,r(t)＝pg(t)+pb(t)+pc(t)(4)。
5.根据权利要求1所述的微网风光储系统中混合储能容量优化配置方法，其特征在于，所述步骤3)中功率波动特性指标如下：
pg,max＝max[pg(t)],t＝0,…,288
pg,min＝min[pg(t)],t＝0,…,288
δpg,10min,max＝max[max|pg(m)-pg(n)|],0＜n-m≤2且m＝0,...,286
δpg,60min,max＝max[max|pg(m)-pg(n)|],0＜n-m≤12且m＝0,...,276
其中，
所述风光储系统输出功率波动程度的评价指标体系包括短期功率波动评价指标与长期功率波动评价指标，步骤3)中分别根据式(5)、式(6)计算反映一天中10min、60min内有功功率波动不满足要求的比例的短期波功率动评价指标rlos10、rlos60，
且x10(i)、x60(i)满足：
式中，δp10和δp60分别为10min和60min内风光储系统输出有功功率的最大变化量；δp10max和δp60max分别为10min和60min内有功功率最大变化量的限定值。
6.根据权利要求5所述的微网风光储系统中混合储能容量优化配置方法，其特征在于，所述步骤4)具体包括如下步骤：
步骤4-1)建立包含n个储能参数、波动特性—功率平滑度短期神经网络单元以及n天风、光输出功率的n组功率波动特性指标的神经网络模型；
步骤4-2)储能系统参数输入后，与n组功率波动特性共同带入储能参数、波动特性—功率平滑度短期神经网络模型，得到n天短期功率波动评价指标rlos10和rlos60；
步骤4-3)根据式(7)计算长期功率波动评价指标e，并以储能系统参数为输入，长期功率波动评价指标e为输出，通过神经网络学习，得到储能参数—功率平滑度长期神经网络模型，
其中，
rlos＝(rlos10+rlos60)/2
式中，r为风光储系统输出有功功率短期波动评价指标的限定标准；e表示不满足平滑度要求的天数占总天数n的比例。
7.根据权利要求1所述的微网风光储系统中混合储能容量优化配置方法，其特征在于，所述步骤5)的根据式(8)建立目标函数：
minf＝f1+f2(8)
其中，
式(8)中，y为长期功率波动评价指标e的限定值；u为任意的大值；k1、k2、k3、k4分别为蓄电池和超级电容器功率的单位功率成本和单位容量成本；gmax为k1pb,e+k2pc,e+k3eb+k4ec的最大值；f1为混合储能系统对风光输出功率波动的平抑效果，当e＞y时，长期功率波动指标不满足限定要求，此时的储能配置方案应直接舍去，取f1＝u，且u＞＞k1pb,e+k2pc,e+k3eb+k4ec；f2为混合储能系统投资成本。
技术总结
本发明公开了一种考虑风光储系统出力波动平抑的混合储能容量优化配置方法，采用变分模态分解，将经由滑动平均滤波得到的混合储能系统参考功率分解为高频与低频两部分，分别作为混合储能系统中超级电容器和蓄电池的参考功率。利用仿真得到的大量储能系统参数与风光储系统输出功率平滑度的对应关系训练神经网络模型。以平滑效果最优与投资成本最低为目标函数，构建混合储能系统容量优化配置模型，采用遗传算法求解混合储能系统的最优容量配置方案。本发明充分利用了蓄电池和超级电容器在功率密度、能量密度等方面的互补特性，既减少了蓄电池和超级电容器配置的容量，保证了经济性，又增强了HESS对风、光输出功率波动的平抑效果。
技术研发人员：薄鑫;吴倩;韩笑;王梦帆;潘益;郑建勇;王洋;宋杉;王琳媛;邹盛;李辰;许偲轩;马宏原;张群;王琼
受保护的技术使用者：国网江苏电力设计咨询有限公司;国网江苏省电力有限公司经济技术研究院;国网江苏省电力有限公司;国家电网有限公司
技术研发日：.11.28
技术公布日：.02.14
