一种平抑微网功率波动的方法及系统与流程

本发明涉及电力领域，特别是涉及一种平抑微网功率波动的方法及系统。

背景技术：

微电网也称为微网，是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。联络线是指在发电厂(发配电系统)和电网之间起联接作用的专用导线，也就是说通过它可以将发电厂(发配电系统)发出的电能传送到电网当中，也可以将电网上的电能传回到发电厂(发配电系统)。

随着新能源技术的发展，风能及太阳能等大量分布式可再生能源可以通过并网逆变器转换成满足要求的电能接入微网中。然而分布式可再生能源由于有功出力间歇性，容易导致微网功率不稳定，进而导致联络线节点功率产生波动。为了维持微网内负荷与可再生能源变化时微网功率平衡，需要增加储能单元来提供能量缓冲。既并网逆变器能够成功模拟同步发电机的关键在于是否配置可持续调控能力的储能单元。由锂电池和超级电容器组成的混合储能系统(hybridenergystoragesystem，简称hess)具有响应快速、短时吞吐功率能力强的优点，可以很好的作为微网中具有可持续调控能力的储能单元，提供能量缓冲，平抑微网功率波动。但是，目前混合储能系统未能充分考虑到锂电池荷电状态的实时更新，导致无法准确预测混合储能系统实际充放电能量的大小，进而无法准确有效的平抑微网中的功率波动。

技术实现要素：

本发明的目的是提供一种平抑微网功率波动的方法及系统，能够实时更新混合储能系统中锂电池荷电状态，准确预测混合储能系统实际充放电能量的大小，进而准确有效的平抑微网中的功率波动。

为实现上述目的，本发明提供了如下方案：

一种平抑微网功率波动的方法，所述方法包括：

获取分布式可再生能源发电功率和联络线节点功率；

获取每块电池的充放电时间以及每块所述电池的充放电流；

获取电池电荷量的补偿量；所述补偿量包括效率补偿量和自放电补偿量；

根据所述充放电时间、所述充放电流以及所述补偿量，计算当前时刻每块电池的电荷量；

根据所述当前时刻每块电池的电荷量、所述联络线节点功率、所述分布式可再生能源发电功率，计算每块电池实际输出/输入功率和超级电容实际输出/输入功率。

可选的，所述方法还包括：

根据所述每块电池实际输出/输入功率和所述超级电容实际输出/输入功率，计算混合储能系统实际输出/输入功率；

根据所述混合储能系统实际输出/输入功率，对微网功率波动进行平抑。

可选的，所述获取电池电荷量的补偿量，具体包括：

获取影响电池电荷量的因子；所述因子包括环境温度值、充放电电流倍率以及自放电电量；

根据所述因子，获取电池电荷量的补偿量。

可选的，所述根据所述因子，获取电池电荷量的补偿量，具体包括：

获取多组因子数据；每组所述因子数据包括同一时刻的所述环境温度值、所述充放电电流倍率以及所述自放电电量；

对各组所述因子数据中的所述环境温度值、所述充放电电流倍率进行函数拟合，获取关于所述环境温度、所述充放电电流倍率与所述充放电效率的关系式；

根据所述关系式、上一时刻环境温度值、上一时刻充放电电流倍率，预测当前时刻充放电效率补偿量；

根据各组所述因子数据中的自放电电量和公式q自放电＝λ·h(1)，

获取电池电荷量的自放电补偿量；其中公式(1)中的q自放电表示电池自放电电荷量；λ表示电池静置单位时间自放电量；h表示电池静置时间。

可选的，所述根据所述充放电时间、所述充放电流以及所述补偿量，计算当前时刻每块电池的电荷量，具体包括：根据以下公式确定当前时刻每块电池的电荷量：

其中，q表示当前时刻电池电荷量，q0表示上一时刻电池电荷量，η表示当前时刻充放电效率补偿量，i表示电池充放电流，t表示电池充放电时间，λ表示电池静置单位时间自放电量；h表示电池静置时间，+、-分别表示电池对应充电和放电过程。

可选的，所述根据所述当前时刻每块电池的电荷量、所述联络线节点功率、所述分布式可再生能源发电功率，计算每块电池实际输出/输入功率和超级电容实际输出/输入功率，具体包括：

根据所述联络线节点功率和所述分布式可再生能源发电功率，确定超级电容滤波时间；

根据所述分布式可再生能源发电功率和所述超级电容滤波时间，采用一阶巴特沃兹低通滤波器，计算联络线节点功率一次目标值；所述一阶巴特沃兹低通滤波器的表达式为τ表示一阶巴特沃兹低通滤波器的滤波时间；所述联络线节点功率的表达式为pl＝pdg+psc+pb(4)，pl表示联络线节点功率，pdg表示分布式可再生能源发电功率，psc表示超级电容输出/输入功率，pb表示电池输出/输入功率；其中，当pl大于零时，表示微网向电网放电；当pl小于零时，表示电网向微网放电，超级电容和电池为充电状态；所述联络线节点功率一次目标值的计算公式为τsc表示超级电容的滤波时间；

将所述联络线节点功率一次目标值与所述分布式可再生能源发电功率做差，得到所述超级电容实际输出/输入功率；所述超级电容实际输出/输入功率的表达式为

根据所述超级电容实际输出/输入功率，确定电池滤波时间；

根据所述联络线节点功率一次目标值和所述电池滤波时间，采用一阶巴特沃兹低通滤波器，计算联络线节点功率二次目标值；所述联络线节点功率二次目标值的计算公式为τb表示电池的滤波时间；

根据所述联络线节点功率二次目标值和所述当前时刻每块电池的电荷量，计算每块电池实际输出/输入功率。

可选的，所述根据所述联络线节点功率二次目标值和所述当前时刻每块电池的电荷量，计算每块电池实际输出/输入功率，具体包括：

将所述联络线节点功率一次目标值与所述联络线节点功率二次目标值做差，获取所述电池实际输出/输入功率；所述电池实际输出/输入功率的表达式为

根据所述实际电池输出/输入功率和所述当前时刻每块电池的电荷量，获取每块电池的实际充放电时间；

根据每块电池的实际充放电时间，计算每块电池实际输出/输入功率。

本发明还提供了一种平抑微网功率波动的系统，所述系统包括：

第一获取模块，用于获取分布式可再生能源发电功率和联络线节点功率；

第二获取模块，用于获取每块电池的充放电时间以及每块所述电池的充放电流；

第三获取模块，用于获取电池电荷量的补偿量；所述补偿量包括效率补偿量和自放电补偿量；

第一计算模块，用于根据所述充放电时间、所述充放电流以及所述补偿量，计算当前时刻每块电池的电荷量；

第二计算模块，用于根据所述当前时刻每块电池的电荷量、所述联络线节点功率、所述分布式可再生能源发电功率，计算每块电池实际输出/输入功率和超级电容实际输出/输入功率。

可选的，所述系统还包括：

第三计算模块，用于根据所述每块电池实际输出/输入功率和所述超级电容实际输出/输入功率，计算混合储能系统实际输出/输入功率；

平抑模块，用于根据所述混合储能系统实际输出/输入功率，对微网功率波动进行平抑。

可选的，所述第三获取模块，具体包括：

第一获取单元，用于获取影响电池电荷量的因子；所述因子包括环境温度值、充放电电流倍率以及自放电电量；

第二获取单元，用于根据所述因子，获取电池电荷量的补偿量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种平抑微网功率波动的方法及系统，所述方法首先获取分布式可再生能源发电功率、联络线节点功率、每块电池的充放电时间、每块所述电池的充放电流以及电池电荷量的补偿量；所述补偿量包括效率补偿量和自放电补偿量；然后根据所述充放电时间、所述充放电流以及所述补偿量，计算当前时刻每块电池的电荷量，再者根据所述当前时刻每块电池的电荷量、所述联络线节点功率、所述分布式可再生能源发电功率，计算每块电池输出/输入功率和超级电容输出/输入功率，准确获取混合储能系统实际输出/输入功率。因此采用本发明提供的方法或者系统，能够实时获取混合储能系统中锂电池电荷量，准确预测混合储能系统实际充放电能量的大小，进而准确有效的平抑微网中的功率波动。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例平抑微网功率波动方法的流程示意图；

图2为本发明实施例电池soc值与电池充放电时间关系图；

图3为平抑微网功率波动方法的结构图；

图4为本发明实施例平抑微网功率波动系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种平抑微网功率波动的方法及系统，能够实时更新混合储能系统中锂电池荷电状态，准确预测混合储能系统实际充放电能量的大小，进而准确有效的平抑微网中的功率波动。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

为了实现上述目的，本发明的解决方案是：首先采用一阶巴特沃兹低通滤波器，将变化的分布式发电有功功率信号pdg经过不同的滤波时间常数和一系列运算后分离得到锂电池和超级电容器输出功率参考值，依据功率波动大小选择储能方式。锂电池的储能容量和充放电速度决定了其适合平抑小功率波动，超级电容由于高功率密度和响应速度，能更好的应对大功率波动。

本发明在传统平滑控制的基础上，引入自学习人工智能方法提高荷电状态的计算精度，增减锂电池输入输出功率，利用电池的荷电状态反馈值调节平滑控制参数，实时调节混合储能系统的输入输出功率。

自主学习人工智能方法是一种迭代学习的机器学习方法，基于荷电状态反馈的自学习平滑储能控制考虑了电池使用次数增加之后电池老化、转换效率和自放电问题。

实施例一

图1为本发明实施例平抑微网功率波动方法的流程示意图，如图1所示，本发明提供的平抑微网功率波动方法具体包括以下步骤：

步骤101：获取分布式可再生能源发电功率和联络线节点功率；

步骤102：获取每块电池的充放电时间以及每块所述电池的充放电流；

步骤103：获取电池电荷量的补偿量；所述补偿量包括效率补偿量和自放电补偿量；

步骤104：根据所述充放电时间、所述充放电流以及所述补偿量，计算当前时刻每块电池的电荷量；

步骤105：根据所述当前时刻每块电池的电荷量、所述联络线节点功率、所述分布式可再生能源发电功率，计算每块电池实际输出/输入功率和超级电容实际输出/输入功率；

步骤106：根据所述每块电池实际输出/输入功率和所述超级电容实际输出/输入功率，计算混合储能系统实际输出/输入功率；

步骤107：根据所述混合储能系统实际输出/输入功率，对微网功率波动进行平抑。

其中，步骤102具体包括：

在暂时不考虑电池充放电效率以及电池老化等特性的情况下，采用安时积分算法，计算电池使用过程中消耗的容量。此时电池在使用过程中消耗的容量为电池的充放电流和电池的充放电时间的累积。因此，需要获取每块电池的充放电时间以及每块所述电池的充放电流，进而获取电池在使用过程中消耗的容量。

考虑到电池在充放电过程中，电量会随着周围环境温度以及充放电流倍率而变化，当充放电次数增多时，电池老化也会减小存储的电量等因素，本发明采用自主学习人工智能方法，将影响电池电量计算的因子(环境温度、充放电流倍率、自放电电量)转化为补偿量，用函数拟合因子与电量的曲线关系，不断对比前一次学习时刻的影响因素，归纳调整当前时刻的电池充放电电量值。在传统安时积分方法上引入自学习补偿量后，得到改进后的自学习预测soc方法，完善电池体系的控制规则。

soc，全称是stateofcharge，荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。其取值范围为0～1，当soc＝0时表示电池放电完全，当soc＝1时表示电池完全充满。

自学习补偿量包括自放电补偿量、效率补偿量。自放电补偿量是补偿电池静置一段时间自动减少的电量。效率补偿量是补偿环境温度、充放电电流倍率引起的转换效率改变的电能损失。

步骤103具体包括：

步骤1031：获取影响电池电荷量的因子；所述因子包括环境温度值、充放电电流倍率以及自放电电量；

步骤1032：根据所述因子，获取电池电荷量的补偿量；具体包括：

获取多组因子数据；每组所述因子数据包括同一时刻的所述环境温度值、所述充放电电流倍率以及所述自放电电量；

对各组所述因子数据中的所述环境温度值、所述充放电电流倍率进行函数拟合，获取关于所述环境温度、所述充放电电流倍率与所述充放电效率的关系式；

根据所述关系式、上一时刻环境温度值、上一时刻充放电电流倍率，预测当前时刻充放电效率补偿量。

下面通过一个具体实施例来说明采用自主学习人工智能方法预测当前时刻充放电效率补偿量的过程。

选取一块2600mah、3.7v的锂电池在不同温度和不同充放电倍率下进行实验，得出环境温度值、充放电倍率和充放电效率之间的数据如表1。依据表1中的数据，选取[0,0.2,0.9313]、[0,0.5,0.8635]、[0,1,0.8318]、[20,0.2,0.9464]、[20,0.5,0.9156]、[20,1,0.8865]、[40,0.2,0.9590]、[40,0.5,0.9231]、[40,1,0.8987]九组数据，在matlab中用函数实现三维曲线的拟合。令z表示充放电效率，x表示环境温度值，y表示充放电电流倍率，则函数表示为：

z＝-3.733e-5*x^2+0.001137*x*y+0.002134*x+0.1158*y^2-0.2533*y+0.9692(9)

表1为不同环境温度值和不同充放电电流倍率下的电池充放电效率

当环境温度值和充放电电流倍率改变时，电池充放电效率也相应变化，汇总新的数据组后重新拟合出新的函数关系。在以上的过程中，环境温度值和充放电电流倍率的变化引起的效率补偿量则可以不断的自我更新和完善，即自学习运算的过程。

根据各组所述因子数据中的自放电电量和公式q自放电＝λ·h(1)，获取电池电荷量的自放电补偿量；其中公式(1)中的q自放电表示电池自放电电荷量；λ表示电池静置单位时间自放电量；h表示电池静置时间。

步骤104具体包括：

根据公式(2)确定当前时刻每块电池的电荷量：其中，q表示当前时刻电池电荷量，q0表示上一时刻电池电荷量，η表示当前时刻充放电效率补偿量，i表示电池充放电流，t表示电池充放电时间，λ表示电池静置单位时间自放电量；h表示电池静置时间，+、-分别表示电池对应充电和放电过程。

根据锂电池与超级电容器的滤波时间常数的不同可以达到分频平抑功率波动的作用，滤波时间常数越大，混合储能所能补偿的频率范围越大，下一时刻混合储能输出功率也就越大。锂电池的储能容量和充放电速度决定了其适合平抑小功率波动，超级电容由于高功率密度和响应速度能更好的应对大功率波动。本发明采用的混合储能系统为直流侧接入含分布式新能源的系统，根据直流母线上功率的改变调整混合储能系统功率的输出，将虚拟同步发电机中变化的分布式发电有功功率信号pdg经过低通滤波和一系列运算后得到锂电池和超级电容器的输出功率参考值。控制锂电池和超级电容的滤波时间常数，经滤波器输出平滑的功率信号，达到锂电池平抑低频功率和超级电容平抑高频功率的效果。由于两者的储能特性差异，一般锂电池的滤波时间常数大于超级电容的滤波时间常数。

步骤105具体包括：

步骤1051：根据所述联络线节点功率和所述分布式可再生能源发电功率，确定超级电容滤波时间。

步骤1052：根据所述分布式可再生能源发电功率和所述超级电容滤波时间，采用一阶巴特沃兹低通滤波器，计算联络线节点功率一次目标值。所述一阶巴特沃兹低通滤波器的表达式为τ表示一阶巴特沃兹低通滤波器的滤波时间。所述联络线节点功率的表达式为pl＝pdg+psc+pb(4)，pl表示联络线节点功率，pdg表示分布式可再生能源发电功率，psc表示超级电容输出/输入功率，pb表示电池输出/输入功率。其中，当pl大于零时，表示微网向电网放电；当pl小于零时，表示电网向微网放电，超级电容和电池为充电状态。所述联络线节点功率一次目标值的计算公式为τsc表示超级电容的滤波时间。

步骤1053：将所述联络线节点功率一次目标值与所述分布式可再生能源发电功率做差，得到所述超级电容实际输出/输入功率；所述超级电容实际输出/输入功率的表达式为

步骤1054：根据所述超级电容实际输出/输入功率，确定电池滤波时间。

根据所述联络线节点功率一次目标值和所述电池滤波时间，采用一阶巴特沃兹低通滤波器，计算联络线节点功率二次目标值；所述联络线节点功率二次目标值的计算公式为τb表示电池的滤波时间。

步骤1055：根据所述联络线节点功率二次目标值和所述当前时刻每块电池的电荷量，计算每块电池实际输出/输入功率；具体包括：

将所述联络线节点功率一次目标值与所述联络线节点功率二次目标值做差，获取所述电池实际输出/输入功率；所述电池实际输出/输入功率的表达式为

根据所述实际电池输出/输入功率和所述当前时刻每块电池的电荷量，获取每块电池的实际充放电时间；

根据每块电池的实际充放电时间，计算每块电池实际输出/输入功率。

为了防止电池因过充过放减少寿命，需要根据不同电池soc值，调整每块电池的实际充放电时间。

图2为本发明实施例电池soc值与电池充放电时间关系图，如图2所示，当电池soc值在(socmin，socmax)电池位于正常区域，既可以充电又可以放电。当电池soc值在(0，socmin)电池位于多充少放区域，电池尽量只是充电。当电池soc值在(socmax，1)电池位于少充多放区域，电池尽量只是放电。

实施例二

图3为平抑微网功率波动方法的结构图，如图3所示，本发明实施例提供的平抑微网功率波动的方法包括安时积分环节301、自学习补偿量环节302、自学习运算环节303、平滑控制环节304、低通滤波环节305以及混合储能系统输入输出环节306。其中，图3中的pdg表示分布式发电有功功率信号，τ表示时间常数，pdg_ref表示分布式发电有功功率信号经过低通滤波器后的输出信号；phess_ref表示混合储能系统输入输出的有功功率信号。

所述安时积分环节301，用于累计电流和负载作用时间，计算电池使用过程中消耗的容量，与自学习运算环节相连。

所述自学习补偿量环节302，将影响电池电量计算的因子转化为补偿量，包括自放电补偿量、效率补偿量。

所述自学习运算环节303，分别与所述安时积分环节301、所述自学习补偿量环节302相连，用于采用迭代学习的机器学习方法，不断对比前一次学习时刻的影响因子归纳调整，预测当前一时刻的电量值，自主归纳更新电池信息。

所述平滑控制环节304，与所述自学习运算环节303相连，用于根据自学习运算环节准确预测出锂电池的soc，控制时间常数分离出锂电池与超级电容器功率波动频段。

所述低通滤波环节305，与所述平滑控制环节304相连，用于将虚拟同步发电机中变化的分布式发电有功功率信号pdg经过低通滤波器后得到电池输入输出功率参考值和超级电容输入输出功率参考值。

所述混合储能系统输入输出环节306，与所述低通滤波环节305相连，用于将电池输入输出功率参考值和超级电容输入输出功率参考值相加，得到混合储能系统的输出功率参考值，最终达到锂电池平抑低频功率和超级电容平抑高频功率的最佳效果。

其中，采用一阶巴特沃兹低通滤波器，将虚拟同步发电机中变化的分布式发电有功功率信号pdg经过低通滤波和一系列运算后时间常数τsc后得到超级电容输出功率目标值，与pdg相减后得到超级电容输出功率参考值psc_ref，pdg与psc_ref之和经过低通滤波时间常数τbat后得到锂电池输出功率目标值，再与滤波之前的值做减法得到锂电池输出功率参考值pbat_ref，具体关系如下：

自主学习人工智能机制是一种迭代学习的机器学习方法，自学习运算就是将对电池电量计算的因子转化为补偿量，反应到计算中则可以综合表现为充放电效率η的准确计算。假设uk为系统参数第k次学习值，sk为第k次学习时与uk关联的状态量，那么经过一次迭代后第k+1次系统参数如公式(10)。充放电效率就是上述的uk参量，环境温度值和充放电倍率是上述的sk状态量。

用函数拟合环境温度值和充放电倍率与充放电效率的曲线关系，从而不断的对比前一次学习时刻的影响因子归纳调整当前一时刻的充放电效率，完善电池体系的控制规则，提高电池管理系统的控制精度。同时电池静置一段时间会发生自放电现象造成电量的损失，在计算式中也需要考虑这一部分电能。综上充放电情况下自学习安时积分soc运算表达式如公式(2)，其中确定充放电效率是影响计算准确度的关键。

uk+1＝f(uk,sk)(10)

其中，q表示当前时刻电池电荷量，q0表示上一时刻电池电荷量，η表示前时刻充放电效率补偿量，i表示电池充放电流，t表示电池充放电时间，λ表示电池静置单位时间自放电量；h表示电池静置时间，+、-分别表示电池对应充电和放电过程。

实施例三

为了实现上述目的，本发明还提供了一种平抑微网功率波动的系统。

图4为本发明实施例平抑微网功率波动系统的结构示意图，如图4所示，所述系统包括：

第一获取模块401，用于获取分布式可再生能源发电功率和联络线节点功率；

第二获取模块402，用于获取每块电池的充放电时间以及每块所述电池的充放电流；

第三获取模块403，用于获取电池电荷量的补偿量；所述补偿量包括效率补偿量和自放电补偿量；

第一计算模块404，用于根据所述充放电时间、所述充放电流以及所述补偿量，计算当前时刻每块电池的电荷量；

第二计算模块405，用于根据所述当前时刻每块电池的电荷量、所述联络线节点功率、所述分布式可再生能源发电功率，计算每块电池实际输出/输入功率和超级电容实际输出/输入功率。

第三计算模块406，用于根据所述每块电池实际输出/输入功率和所述超级电容实际输出/输入功率，计算混合储能系统实际输出/输入功率；

平抑模块407，用于根据所述混合储能系统实际输出/输入功率，对微网功率波动进行平抑。

其中，所述第三获取模块403，具体包括：

第一获取单元，用于获取影响电池电荷量的因子；所述因子包括环境温度值、充放电电流倍率以及自放电电量；

第二获取单元，用于根据所述因子，获取电池电荷量的补偿量。

通过本发明提供了一种平抑微网功率波动的方法及系统，首先获取分布式可再生能源发电功率、联络线节点功率、每块电池的充放电时间、每块所述电池的充放电流以及电池电荷量的补偿量；所述补偿量包括效率补偿量和自放电补偿量；然后根据所述充放电时间、所述充放电流以及所述补偿量，计算当前时刻每块电池的电荷量，再者根据所述当前时刻每块电池的电荷量、所述联络线节点功率、所述分布式可再生能源发电功率，计算每块电池输出/输入功率和超级电容输出/输入功率，准确获取混合储能系统实际输出/输入功率。因此采用本发明提供的方法或者系统，能够实时获取混合储能系统中锂电池电荷量，准确预测混合储能系统实际充放电能量的大小，进而准确有效的平抑微网中的功率波动。

其中，依据功率波动大小选择储能方式，锂电池的储能容量和充放电速度决定了其适合平抑小功率波动，超级电容由于高功率密度和响应速度,能更好的应对大功率波动；

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。