1)滤波控制算法。
一阶滤波算法的关键控制参数为滤波时间常数,滤波时间常数越大,风电目标出力越平滑,需要的储能功率容量越大,反之亦然。文献[12]通过一阶滤波算法获取风电目标出力,分析了不同滤波时间常数下的风电平滑效果。文献[14]采用一阶滤波算法得到风电场侧、电网侧储能的风电目标出力,并通过神经网络拟合储能配置容量、滤波时间常数与风电波动评价指标的关系,最终得到储能最佳配置容量与最佳滤波时间常数。上述文献均通过定时间常数一阶滤波算法获取风电目标出力,但由于风电功率的不确定性,定时间常数一阶滤波算法易引起过补偿,增大储能配置容量。
针对上述不足,已有学者开展了利用变时间常数一阶滤波算法获取风电目标出力的研究。文献[15]根据实测波动率调整滤波时间常数,减小了储能出力与荷电状态的变化。文献[16]提出了一种通过优化模型调整滤波时间常数的新思路,首先将多时间尺度的风电波动限制指标转化为不等式约束,随后滚动求解优化模型调整滤波时间常数,提高了风电平滑效果。
卡尔曼滤波算法已在短期负荷预测、动态状态估计等方面得到了广泛应用。文献[17]提出了一种模糊自适应卡尔曼滤波控制策略,在平滑风电出力的条件下,有效管理储能荷电状态。文献[18]根据风电功率波动量,调整卡尔曼滤波的过程噪声和量测噪声协方差,减小了储能配置容量。
小波变换具有处理非平稳信号序列的强大能力,在处理风电波动特性方面具有显著的优势。文献[19]通过Meyer小波获取风电目标出力,利用超级电容储能平抑风电功率波动的高频分量,双电池储能平抑风电功率波动的低频分量,并根据电池容量与荷电状态的乘积在双电池储能间分配功率。文献[20]提出了一种混合储能协调控制策略：首先通过小波滤波获取满足风电波动限制指标要求的混合储能综合出力,随后根据超级电容储能与电池储能的最佳匹配频带分配功率。
2)其他控制算法。
滑动平均算法的关键控制参数为滑动平均时段长度M：若M选择过大,风电功率随时间变化的长期趋势会反映在分钟级波动分量上;若M选择过小,风电功率的短时波动会反映在持续分量上。文献[21]将M取为30 min,选择风电功率持续分量作为风电目标出力,并设计了一种储能在线运行策略,避免了储能在充放电状态间频繁转换。
加权移动平均算法的两个重要参数分别为权重与移动平均项数N。前者反映对各时刻风电功率的重视程度,后者与滤波效果紧密相关：N越大,通带越窄,滤波后风电出力越平滑,反之亦然。文献[22]根据前一时刻充放电平衡度指标调整N,并将前N-1时刻的风电功率加权平均值作为当前时刻的风电目标出力,克服了普通方法在风电功率骤变时平滑效果变差的不足。
模型预测控制算法是一种基于过程预测模型,采用回退视界策略,综合考虑系统动态性能、控制目标及约束条件的在线优化控制方法。文献[23]构建了以控制时域内储能出力与储能存储能量偏差平方和最小为目标,考虑风电爬坡速率等约束的优化模型,采用二次规划算法求解。
