[发明专利]一种基于经验模态分解的功率频域分解优化方法

说明书

一种基于经验模态分解的功率频域分解优化方法，包括以下步骤：步骤1)：建立混合储能系统中储能元件的数学模型；步骤2)：利用经验模态分解算法，将功率需求指令信号分解为不同阶数的固有模态函数；步骤3)：利用希尔伯特黄变换方法，将各阶固有模态函数转化为瞬时频率‑时间的函数；步骤4)：建立以频率为变量的混合叠加能量优化模型；步骤5)：利用遗传算法对频率的混合叠加能量优化模型进行求解，寻找混合叠加能量最少的频率。本发明降低了混合储能系统配置容量，以及综合成本，与传统方案相比，具有较大优势。

技术领域

本发明涉及功率分解优化技术领域，尤其涉及一种基于经验模态分解的功率频域分解优化方法。

背景技术

储能系统在电网削峰填谷、新能源接入、电能质量改善和应急电源等方面发挥着积极的作用。应用储能技术已成为提升配电网供电能力和供电可靠性的有效手段。目前应用到配电网中的多为蓄电池、锂电池等能量型电化学储能设备，特点是能量密度大，功率密度小，使用寿命受充放电次数限制，对间歇性负荷的高频波动部分响应能力差。而如果应用具有快速响应能力和高峰值功率的超级电容器等功率型储能设备，又会增加储能系统的体积和成本。混合储能系统(hybrid energy storage system，HESS)可以有效地将两种储能优势相结合，使能量型储能用于平抑高能量低频功率波动，功率型储能用于平抑低能量高频率功率波动。当混合储能技术应用于平抑配电网中功率波动时，根据功率需求指令，按照高低频率功率分解，合理地进行能量型、功率型储能的频率分解将可以有效地提升平抑效果、降低系统投资。

对于混合储能系统的能量型和功率型储能元件的功率分解及优化设计技术已经有了一些研究，但都有其固有的缺陷。传统的功率频域分解方法包括低通滤波器滤波与小波包分解方法。将频谱分析和低通滤波相结合的频率分解方法，在滤波的过程中会产生延迟，造成储能优化容量偏高。采用小波包分解理论进行功率频域分解过程中，小波分解需要提前确定基波，基波选择的不同，小波分解出来的分量会产生变化，且该方法会在信号重构的过程中引入误差。因此，需要寻找一种高效、精确的方法进行功率分解。

发明内容

本发明提供一种基于经验模态分解的功率频域分解优化方法，解决了分频中存在的模态混叠问题，使得蓄电池和超级电容器得到的功率指令更加准确，从而降低储能配置容量，达到降低系统综合成本的目的。

本发明的技术方案为：包括以下步骤：

步骤1)：建立混合储能系统中储能元件的数学模型；

步骤2)：利用经验模态分解算法，将功率需求指令信号分解为不同阶数的固有模态函数；

步骤3)：利用希尔伯特黄变换方法，将各阶固有模态函数转化为瞬时频率-时间的函数；

步骤4)：建立以频率为变量的混合叠加能量优化模型；

步骤5)：利用遗传算法对频率的混合叠加能量优化模型进行求解，寻找混合叠加能量最少的频率。

步骤1)中，

储能元件包括蓄电池和超级电容器，

蓄电池荷电状态模型为：

其中，SOC代表电池荷电状态，SOC₀代表蓄电池初始荷电状态，Q_bat代表电池容量，I_b代表蓄电池流经的电流值，dt为时间积分微量；

超级电容器模型为：

其中，E_t代表超级电容器容量，C代表超级电容器电容值，V_t代表超级电容器电压值，V₀代表超级电容器电压初始值，I_c代表超级电容器电流值，t代表超级电容器工作时间，R代表超级电容器等效电阻值。