一种用于平抑风电波动的混合储能出力控制方法与流程

1.本发明公开了一种用于平抑风电波动的混合储能出力控制方法：针对风电并网带来的严重波动性及不确定性，


背景技术：

2.随着全球传统能源紧缺的局势加剧以及世界范围内清洁能源政策的大力推进，在涉及能源需求和环境保护的双重压力下，太阳能、风能等分布式可再生能源的应用日益受到了各国的重视。然而分布式电源大量接入配电网，其出力的随机性和不确定性给配电网的安全运行带来了新的问题。以风电为代表的新能源正在深刻改变世界的电力与能源结构，但是，风电的不确定性、随机性、间歇性及高渗透率等问题对风电接入、消纳带来障碍，也对电网的潮流分布、电能质量、安全稳定运行带来巨大挑战。
3.在这样的趋势下，电网负荷峰谷差值日趋增大，而最大利用小时数却在迅速减小。并且可再生能源并网对电网的稳定运行造成一系列问题，也对电力调度造成不小的困难。电网电源及输配电设备均按照电网高峰负荷规划建设，但电网高峰负荷持续时间较短，导致电力设备资产利用率较低。在这种情况下，电网调峰填谷显得十分重要。储能系统能够双向充放电，其与风电配合，一方面可以减小风电出力的间歇性和随机性，平稳风电的输出功率，降低对电网的冲击；另一方面实现能量跨时调度，起到削峰填谷的作用，优化配电网的运行。


技术实现要素：

4.本发明公开了一种用于平抑风电波动的混合储能出力控制方法，其特征在于：该方法通过将人工蜂群算法、变分模态分解、模糊算法结合在一起，为平抑风电并网波动性的混合储能系统出力提供了有效参考，
5.本发明通过如下技术手段来实现：一种用于平抑风电波动的混合储能出力控制方法，包括如下步骤：
6.1)利用scada系统对风电实时功率pw及大电网调度指令p
out
进行检测与采集，由此获得混合储能系统输出功率p
hess
；采用变分模态分解方法将混合储能输出功率p
hess
分解为高、低频谱，获得混合储能初始充放电功率期望值，采用人工蜂群算法优化变分模态分解中的模态个数i，由此修正混合储能系统初始充放电功率值；
7.2)采用模糊算法优化混合储能荷电状态，并根据混合储能系统荷电状态、混合储能系统用平抑风电波动的实时功率p
hess
及混合储能系统实时充放电功率修正值，获得混合储能系统出力情况，以达到平抑风电的严重波动；
8.其中p
hess
＝p
fw
+p
bat
9.p
fw
为飞轮储能输出功率，p
bat
为蓄电池输出功率。
10.步骤1中所述的变分模态分解方法包括如下步骤：
11.变分模态分解，即假设每个模态分量都聚集在中心频率的有限带宽上，变分问题
转化为求解使得每个模态分量si的估计带宽最小的模态分量个数i，并且所有模态分量之和等于原始输入信号h(t)；
12.通过引入式(3)形式的增广lagrange函数，使得变分离散问题变得高度非线性与非凸性，从而确保信号可以精确分解，
[0013][0014]
其中，β为惩罚因子；η为lagrange乘子；ωi(t)为si(t)的瞬时频率。
[0015]
利用交替方向乘子算法求解公式(3)，输出的模态分量即为混合储能总功率各个分量，具体流程如下；
[0016]
步骤一：初始化{η1}、n＝0；
[0017]
步骤二：执行第一层循环，由更新ui；
[0018]
步骤三：执行第二层循环，由更新ωi；
[0019]
步骤四：执行第三层循环，由更新η；
[0020]
步骤五：重复步骤二至步骤四，直至迭代条件满足终止要求，结束整个循环，得到i个模态函数。
[0021]
步骤1中的人工蜂群算法包括如下步骤：
[0022]
1-1、输入由scada系统实时监测的风电场实时出力pw及混合储能实时出力p
hess
，初始化模态分量个数，此时所有蜜蜂都是侦查蜂，蜜蜂携带变分模态分解i个不同的模态分量个数，并寻找到i个模态分量：
[0023]
i＝i
min
+rand(0,1)(i
max-i
min
) (4)
[0024]
式中，i
min
为模态分量的最低个数；i
max
为模态分量的最高个数；rand(0,1)为(0,1)之间的随机数。
[0025]
1-2、对平抑风电波动的混合储能出力程度满足率进行评价。满足率低的侦查蜂转化为雇佣蜂，满足率高的侦查蜂转化为观察蜂，评价函数fitk为：
[0026][0027]
式中，fk为雇佣蜂所处位置的出力程度与满足平抑风电波动需求的差值；
[0028]
观察蜂根据雇佣蜂的摇摆舞得知各模态分量的满足率，根据满足率进行选择，满足率越高则招募的观察蜂越多，即：
[0029]
[0030]
式中，pj为观察蜂选择某一模态分量个数的概率；sn为雇佣蜂数量；
[0031]
1-3、雇佣蜂进行局部搜索，每只雇佣蜂在原模态分量个数附近搜索新的模态分量个数，根据贪婪规则若搜寻的新模态分量个数满足率高于原模态分量个数满足率，则新模态分量个数取代原模态分量个数，位置更新方式为：
[0032]
new_i＝i+pj(i-i
_
) (7)
[0033]
式中，new_i为雇佣蜂寻找到的新的模态分量个数；i_为随机选取的异于当前模态分量个数的另一个模态分量个数；
[0034]
1-4、观察蜂按照满足率选择模态分量个数后，在模态分量个数附近搜索新模态分量个数，若新模态分量个数的满足率大于原模态分量个数，则此观察蜂转化为雇佣蜂，开始招募观察蜂，其位置更新方式与雇佣蜂一致；
[0035]
若观察蜂和雇佣蜂在一个模态分量个数附近搜索limit次以上时，仍未能找到更优的模态分量个数，则放弃此模态分量个数而随机产生一新模态分量个数，防止算法陷入局部最优；
[0036]
1-5、记录当前蜂群找到的所有最优模态分量个数，再次进行出力程度评价，直至算法循环次数大于maxcycle或者符合误差要求，算法结束；
[0037]
上述参数中，n为种群数量、maxcycle为算法最大迭代次数、i为模态分量个数、limit为停留最大次数。
[0038]
所述步骤(2)中所述的模糊算法包括蓄电池储能soc优化及飞轮储能soc优化，
[0039]
在蓄电池储能soc优化中，所述的模糊控制器的输入分别为蓄电池的实时荷电状态socbat(t)与t+1时刻需要的socbat(t+1)，所述的输出量为功率调节系数μ
bat
；
[0040]
所述蓄电池荷电状态的最佳运行范围为(0.2,0.8)，socbat(t)的论域范围为[0,1]，模糊集为[nb,nm,zo,zm,zb]，分别表示当前的soc为[低，较低，中等，高，较高]；
[0041]
根据蓄电池的原始充放电功率计算得到t到t+1时刻充放电所需的荷电状态δsocbat(t+1)，论域范围为[-1,1]，模糊集为[nb,nm,ns,ps,pm,pn]，分别表示t+1时刻δsocbat(t+1)为[非常低，极低，低，高，极高，非常高]，功率调节系数μ
bat
的论域范围为[0,1]，模糊集为[vs,s,o,h,vh]；
[0042]
在飞轮储能soc优化中，所述的模糊控制器的输入分别为飞轮储能的实时荷电状态soc
fw
(t)与t+1时刻需要的soc
fw
(t+1)，所述的输出量为功率调节系数μ
fw
；
[0043]
所述飞轮储能荷电状态的最佳运行范围为(0.1,0.9)，soc
fw
(t)的论域范围为[0,1]，模糊集为[nb,nm,pm,mb]，分别表示当前的soc为[低，较低，高，较高]；
[0044]
根据飞轮储能的原始充放电功率计算得到t到t+1时刻充放电所需的荷电状态δsoc
fw
(t+1)，论域范围为[-1,1]，模糊集为[nb,ns,ps,pb]，分别表示t+1时刻δsoc
fw
(t+1)为[非常低，低，高，非常高]，功率调节系数μ
fw
的论域范围为[0,1]，模糊集为[vs,s,h,vh]。
[0045]
本专利发明的方法将人工蜂群算法、变分模态分解、模糊算法结合在一起，为平抑风电并网波动性的混合储能系统出力提供了有效参考，本发明与现有技术相比具有如下优势：
[0046]
1、为了解决大规模风电并网时带来的波动性及不稳定性，考虑风电并网带来的电网峰谷差，本发明以风电并网及混合储能实时功率为基础，利用结合人工蜂群算法的二次变分模态分解，获得满足平抑目标要求的混合储能系统功率期望值。
[0047]
2、由于传统混合储能系统出力未考虑储能系统本身容量问题，本发明采用模糊算法对混合储能系统荷电状态进行优化，修正混合储能系统实时充放电功率，保证储能系统soc上下限，避免因出现过充过放而减少储能设备寿命。
附图说明
[0048]
图1为混合储能系统拓扑结构示意图；
[0049]
图2为变分模态分解流程图；
[0050]
图3为蓄电池soc模糊控制输入与输出的隶属度函数示意图；
[0051]
图4为飞轮储能模糊控制的输入与输出的隶属度函数示意图
[0052]
图5为混合储能平抑风电波动出力控制图。
具体实施方式
[0053]
针对风电并网带来的严重波动性及不确定性，本专利提出了一种结合人工蜂群算法、变分模态分解与模糊算法的混合储能实时出力反馈修正的方法。首先，利用scada系统对风电实时功率pw及大电网调度指令p
out
进行检测与采集，由此获得混合储能系统输出功率p
hess
；其次，采用变分模态分解方法将混合储能输出功率p
hess
分解为高、低频谱，获得混合储能初始充放电功率期望值，采用人工蜂群算法优化变分模态分解中的模态个数i，由此修正混合储能系统初始充放电功率值；最后，根据混合储能系统荷电状态、混合储能系统用平抑风电波动的实时功率p
hess
及混合储能系统实时充放电功率修正值，采用确定模糊算法优化混合储能系统出力情况，以达到平抑风电严重波动。本专利发明的方法将人工蜂群算法、变分模态分解、模糊算法结合在一起，为平抑风电并网波动性的混合储能系统出力提供了有效参考。
[0054]
为了实现上述目的，本发明的技术方案如下：
[0055]
(1)首先，利用scada系统对风电实时功率pw及大电网调度指令p
out
进行检测与采集，由此获得混合储能系统输出功率p
hess
；采用变分模态分解方法将混合储能输出功率p
hess
分解为高、低频谱，获得混合储能初始充放电功率期望值，采用人工蜂群算法优化变分模态分解中的模态个数i，由此修正混合储能系统初始充放电功率值；
[0056]
(2)采用模糊算法优化混合储能荷电状态，并根据混合储能系统荷电状态、混合储能系统用平抑风电波动的实时功率p
hess
及混合储能系统实时充放电功率修正值，获得混合储能系统出力情况，以达到平抑风电的严重波动。
[0057]
具体的，所述步骤(1)包括以下内容：
[0058]
11)混合储能拓扑结构如图1所示。
[0059]
12)混合储能系统功率关系如公式(1)、公式(2)所示：
[0060]
p
out
＝pw+p
hess (1)
[0061]
p
hess
＝p
fw
+p
bat (2)
[0062]
其中，p
out
为电网需求功率，pw为风电场输出功率，p
hess
为混合储能输出功率，p
fw
为飞轮储能输出功率，p
bat
为蓄电池输出功率。
[0063]
13)蓄电池储能作为能量型储能，响应速度慢；飞轮储能作为功率型储能，响应速度快。因此，本发明采用变分模态分解方法将混合储能输出功率p
hess
分解为高、低频谱，得
到混合储能系统的功率分配。
[0064]
变分模态分解，即假设每个模态分量都聚集在中心频率的有限带宽上，变分问题转化为求解使得每个模态分量si的估计带宽最小的模态分量个数i，并且所有模态分量之和等于原始输入信号h(t)。通过引入式(3)形式的增广lagrange函数，使得变分离散问题变得高度非线性与非凸性，从而确保信号可以精确分解。
[0065][0066]
其中，β为惩罚因子；η为lagrange乘子；ωi(t)为si(t)的瞬时频率。
[0067]
14)利用交替方向乘子算法求解公式(3)，输出的模态分量即为混合储能总功率各个分量，具体流程图如图2所示，图中ξ为收敛系数。
[0068]
15)变分模态分解信号时需要预先设定模态分量的个数i。i过小会造成信号欠分解，导致模态混叠；i过大又会造成信号过分解，产生虚假分量，对混合储能功率分配影响较大。本发明采用人工蜂群算法作为寻优算法，求解最佳模态分量个数i：
[0069]
人工蜂群算法中使用到的参数包括种群数量n、算法最大迭代次数maxcycle、模态分量个数i停留最大次数limit。输入由scada系统实时监测的风电场实时出力pw及混合储能实时出力p
hess
，初始化模态分量个数，此时所有蜜蜂都是侦查蜂，蜜蜂携带变分模态分解i个不同的模态分量个数，并寻找到i个模态分量：
[0070]
i＝i
min
+rand(0,1)(i
max-i
min
) (4)
[0071]
式中，i
min
为模态分量的最低个数；i
max
为模态分量的最高个数；rand(0,1)为(0,1)之间的随机数。
[0072]
对平抑风电波动的混合储能出力程度满足率进行评价。满足率低的侦查蜂转化为雇佣蜂，满足率高的侦查蜂转化为观察蜂，评价函数fitk为：
[0073][0074]
式中，fk为雇佣蜂所处位置的出力程度与满足平抑风电波动需求的差值。
[0075]
观察蜂根据雇佣蜂的摇摆舞得知各模态分量的满足率，根据满足率进行选择，满足率越高则招募的观察蜂越多，即：
[0076][0077]
式中，pj为观察蜂选择某一模态分量个数的概率；sn为雇佣蜂数量。
[0078]
雇佣蜂进行局部搜索，每只雇佣蜂在原模态分量个数附近搜索新的模态分量个数，根据贪婪规则若搜寻的新模态分量个数满足率高于原模态分量个数满足率，则新模态分量个数取代原模态分量个数，位置更新方式为：
[0079]
new_i＝i+pj(i-i
_
) (7)
[0080]
式中，new_i为雇佣蜂寻找到的新的模态分量个数；i_为随机选取的异于当前模态分量个数的另一个模态分量个数。
[0081]
观察蜂按照满足率选择模态分量个数后，在模态分量个数附近搜索新模态分量个数，若新模态分量个数的满足率大于原模态分量个数，则此观察蜂转化为雇佣蜂，开始招募观察蜂，其位置更新方式与雇佣蜂一致。若观察蜂和雇佣蜂在一个模态分量个数附近搜索limit次以上时，仍未能找到更优的模态分量个数，则放弃此模态分量个数而随机产生一新模态分量个数，防止算法陷入局部最优。
[0082]
记录当前蜂群找到的所有最优模态分量个数，再次进行出力程度评价，直至算法循环次数大于maxcycle或者符合误差要求，算法结束。
[0083]
16)由模态分量个数i得到对应模态分量si(t)，引出公式(7)
[0084][0085]
对每个模态分量进行hilbert变换，得到各模态分量si(t)的hilbert谱，记为：
[0086][0087]
各模态分析信号为：
[0088][0089][0090][0091][0092]
其中，εi(t)为si(t)的瞬时幅值，δi(t)为si(t)的瞬时相位。
[0093]
通过得到极坐标形式的解析信号实部，构成hilbert幅值谱：
[0094][0095]
对式(15)积分得到hilbert边际谱：
[0096][0097]
边际谱能够表征信号幅值在整个频率段的变化情况，幅值越大，表明该频率存在的可能性越大。经过hilbert变换得到各模态分量的hilbert边际谱。依据边际谱值分布规律选择高低频的分界频率ωi，高于ωi的模态分量(高频功率信号)分配给飞轮储能，低于ωi的模态分量(低频功率信号)分配给蓄电池储能，实现混合储能内部功率分配。
[0098]
所述步骤(2)包括以下内容：
[0099]
21)蓄电池储能soc优化：
[0100]
模糊控制器的输入分别为蓄电池的实时荷电状态soc
bat
(t)与t+1时刻需要的soc
bat
(t+1)，输出量为功率调节系数μ
bat
。利用模糊控制器就可实现对蓄电充放电功率的实时调整。考虑到蓄电池荷电状态的最佳运行范围为(0.2,0.8)，因此soc
bat
(t)的论域范围为[0,1]，模糊集为[nb,nm,zo,zm,zb]，分别表示当前的soc为[低，较低，中等，高，较高]；根据蓄电池的原始充放电功率计算得到t到t+1时刻充放电所需的荷电状态δsoc
bat
(t+1)，论域
范围为[-1,1]，模糊集为[nb,nm,ns,ps,pm,pn]，分别表示t+1时刻δsoc
bat
(t+1)为[非常低，极低，低，高，极高，非常高]；功率调节系数μ
bat
的论域范围为[0,1]，模糊集为[vs,s,o,h,vh]。蓄电池储能隶属度函数如图3所示。蓄电池储能模糊规则如表1所示。
[0101]
表1蓄电池模糊控制规则表
[0102][0103]
22)飞轮储能soc优化：
[0104]
模糊控制器的输入分别为飞轮储能的实时荷电状态soc
fw
(t)与t+1时刻需要的soc
fw
(t+1)，输出量为功率调节系数μ
fw
。根据模糊控制器的输出量，对飞轮储能的原始充放电功率进行实时调整，实现飞轮储能soc的优化控制。考虑到飞轮储能荷电状态的最佳运行范围为(0.1,0.9)，因此soc
fw
(t)的论域范围为[0,1]，模糊集为[nb,nm,pm,mb]，分别表示当前的soc为[低，较低，高，较高]；根据飞轮储能的原始充放电功率计算得到t到t+1时刻充放电所需的荷电状态δsoc
fw
(t+1)，论域范围为[-1,1]，模糊集为[nb,ns,ps,pb]，分别表示t+1时刻δsoc
bat
(t+1)为[非常低，低，高，非常高]；功率调节系数μ
fw
的论域范围为[0,1]，模糊集为[vs,s,h,vh]，飞轮储能隶属度函数如图4所示，飞轮储能模糊规则如表2所示。
[0105]
表2飞轮储能模糊控制规则表
[0106][0107]
23)混合储能平抑风电波动出力控制图如图5所示，由于风电具有波动性及不确定性，并入大电网时会严重影响电网电能质量。为此，本发明公开了一种混合储能平移风电波动的出力控制方法。根据已有的scada实时监测系统对大电网的调度指令p
out
(t)及风电场的出力pw(t)进行检测，由此得出平移风电波动的混合储能出力p
hess
(t)。
[0108]
混合储能由蓄电池(能量型储能，瞬时传输功率小但时间长)及飞轮(功率型储能，
瞬时传输功率大但时间短)组成，蓄电池承担混合储能出力p
hess
(t)的低频频谱，飞轮承担混合储能出力p
hess
(t)的高频频谱，因此采用变分模态分解将混合储能出力p
hess
(t)分解为高、低频谱。
[0109]
变分模态分解中的模态个数对分量影响很大，采用人供蜂群算法寻找变分模态分解中模态个数i，
[0110]
由此获得混合储能系统中蓄电池及飞轮的充放电功率期望值p
bat
(t)及p
fw
(t)。
[0111]
混合储能的荷电状态会影响储能设备的使用寿命，将混合储能系统荷电状态soc
bat
(t)、δsoc
bat
(t+1)及soc
fw
(t)、δsoc
fw
(t+1)作为模糊控制的输入，获得混合储能的功率调节系数μ
bat
与μ
fw
，由此获得混合储能系统出力值new_p
bat
及new_p
fw
。
[0112]
蓄电池储能及飞轮储能出力经过模糊控制优化后，考虑荷电状态的蓄电池及飞轮储能出力如公式(17)所示。
[0113][0114]
其中，new_p
bat
为模糊控制优化后的蓄电池储能出力，new_p
fw
为模糊控制优化后的飞轮储能出力。

技术特征：
1.一种用于平抑风电波动的混合储能出力控制方法，其特征在于，包括如下步骤：1)利用scada系统对风电实时功率p
w
及大电网调度指令p
out
进行检测与采集，由此获得混合储能系统输出功率p
hess
；采用变分模态分解方法将混合储能输出功率p
hess
分解为高、低频谱，获得混合储能初始充放电功率期望值，采用人工蜂群算法优化变分模态分解中的模态个数i，由此修正混合储能系统初始充放电功率值；2)采用模糊算法优化混合储能荷电状态，并根据混合储能系统荷电状态、混合储能系统用平抑风电波动的实时功率p
hess
及混合储能系统实时充放电功率修正值，获得混合储能系统出力情况，以达到平抑风电的严重波动；p
hess
＝p
fw
+p
bat
其中p
fw
为飞轮储能输出功率，p
bat
为蓄电池输出功率。2.根据权利要求1所述的一种用于平抑风电波动的混合储能出力控制方法，其特征在于，步骤1中所述的变分模态分解方法包括如下步骤：变分模态分解，即假设每个模态分量都聚集在中心频率的有限带宽上，变分问题转化为求解使得每个模态分量s
i
的估计带宽最小的模态分量个数i，并且所有模态分量之和等于原始输入信号h(t)；通过引入式(3)形式的增广lagrange函数，使得变分离散问题变得高度非线性与非凸性，从而确保信号可以精确分解，其中，β为惩罚因子；η为lagrange乘子；ω
i
(t)为s
i
(t)的瞬时频率。利用交替方向乘子算法求解公式(3)，输出的模态分量即为混合储能总功率各个分量，具体流程如下；步骤一：初始化步骤二：执行第一层循环，由更新u
i
；步骤三：执行第二层循环，由更新ω
i
；步骤四：执行第三层循环，由更新η；步骤五：重复步骤二至步骤四，直至迭代条件满足终止要求，结束整个循环，得到i个模态函数。3.根据权利要求1所述的一种用于平抑风电波动的混合储能出力控制方法，其特征在于，步骤1中的人工蜂群算法包括如下步骤：1-1、输入由scada系统实时监测的风电场实时出力p
w
及混合储能实时出力p
hess
，初始化模态分量个数，此时所有蜜蜂都是侦查蜂，蜜蜂携带变分模态分解i个不同的模态分量个数，并寻找到i个模态分量：
i＝i
min
+rand(0,1)(i
max-i
min
) (4)式中，i
min
为模态分量的最低个数；i
max
为模态分量的最高个数；rand(0,1)为(0,1)之间的随机数。1-2、对平抑风电波动的混合储能出力程度满足率进行评价。满足率低的侦查蜂转化为雇佣蜂，满足率高的侦查蜂转化为观察蜂，评价函数fit
k
为：式中，f
k
为雇佣蜂所处位置的出力程度与满足平抑风电波动需求的差值；观察蜂根据雇佣蜂的摇摆舞得知各模态分量的满足率，根据满足率进行选择，满足率越高则招募的观察蜂越多，即：式中，p
j
为观察蜂选择某一模态分量个数的概率；sn为雇佣蜂数量；1-3、雇佣蜂进行局部搜索，每只雇佣蜂在原模态分量个数附近搜索新的模态分量个数，根据贪婪规则若搜寻的新模态分量个数满足率高于原模态分量个数满足率，则新模态分量个数取代原模态分量个数，位置更新方式为：new_i＝i+p
j
(i-i
_
) (7)式中，new_i为雇佣蜂寻找到的新的模态分量个数；i_为随机选取的异于当前模态分量个数的另一个模态分量个数；1-4、观察蜂按照满足率选择模态分量个数后，在模态分量个数附近搜索新模态分量个数，若新模态分量个数的满足率大于原模态分量个数，则此观察蜂转化为雇佣蜂，开始招募观察蜂，其位置更新方式与雇佣蜂一致；若观察蜂和雇佣蜂在一个模态分量个数附近搜索limit次以上时，仍未能找到更优的模态分量个数，则放弃此模态分量个数而随机产生一新模态分量个数，防止算法陷入局部最优；1-5、记录当前蜂群找到的所有最优模态分量个数，再次进行出力程度评价，直至算法循环次数大于maxcycle或者符合误差要求，算法结束；上述参数中，n为种群数量、maxcycle为算法最大迭代次数、i为模态分量个数、limit为停留最大次数。4.根据权利要求1所述的一种用于平抑风电波动的混合储能出力控制方法，其特征在于，所述步骤(2)中所述的模糊算法包括蓄电池储能soc优化及飞轮储能soc优化，在蓄电池储能soc优化中，所述的模糊控制器的输入分别为蓄电池的实时荷电状态socbat(t)与t+1时刻需要的socbat(t+1)，所述的输出量为功率调节系数μ
bat
；所述蓄电池荷电状态的最佳运行范围为(0.2,0.8)，socbat(t)的论域范围为[0,1]，模糊集为[nb,nm,zo,zm,zb]，分别表示当前的soc为[低，较低，中等，高，较高]；根据蓄电池的原始充放电功率计算得到t到t+1时刻充放电所需的荷电状态δsocbat(t+1)，论域范围为[-1,1]，模糊集为[nb,nm,ns,ps,pm,pn]，分别表示t+1时刻δsocbat(t+
1)为[非常低，极低，低，高，极高，非常高]，功率调节系数μ
bat
的论域范围为[0,1]，模糊集为[vs,s,o,h,vh]；在飞轮储能soc优化中，所述的模糊控制器的输入分别为飞轮储能的实时荷电状态soc
fw
(t)与t+1时刻需要的soc
fw
(t+1)，所述的输出量为功率调节系数μ
fw
；所述飞轮储能荷电状态的最佳运行范围为(0.1,0.9)，soc
fw
(t)的论域范围为[0,1]，模糊集为[nb,nm,pm,mb]，分别表示当前的soc为[低，较低，高，较高]；根据飞轮储能的原始充放电功率计算得到t到t+1时刻充放电所需的荷电状态δsoc
fw
(t+1)，论域范围为[-1,1]，模糊集为[nb,ns,ps,pb]，分别表示t+1时刻δsoc
fw
(t+1)为[非常低，低，高，非常高]，功率调节系数μ
fw
的论域范围为[0,1]，模糊集为[vs,s,h,vh]。

技术总结
本发明公开了一种用于平抑风电波动的混合储能出力控制方法：首先，利用SCADA系统对风电实时功率P


技术研发人员：丁鹏飞 董恩丞 姜军 万勇 胡楠 黄儒刚 刘锋 李维汉 李航 周乐
受保护的技术使用者：国网江苏省电力有限公司泗洪县供电分公司
技术研发日：2023.04.28
技术公布日：2023/8/9