文献综述
随着全球经济的持续发展和人类的不断进步，人类正面临着环境污染日益严重的问题。世界各国对可再生能源和新能源的关注度日益提高，风能是一种储量极为丰富的可再生能源[1]。与火力发电相比，风力发电不需要进行燃烧反应，不仅可以减少环境污染，而且还能改善能源结构和生态环境[2]。世界上许多国家都把发展风力发电作为调整能源结构，减少环境污染的一项重要措施，我国《可再生能源发展“十一五”规划》中也提出大力发展风力发电，以风电场的建设带动相关产业的大力发展，不断提高我国的风电装备和制造水平，将风力发电作为能源长期发展的重要部分。
然而，与传统的火力发电和水力发电不同，风力发电受天气条件的影响，风电场的输出功率是由风速、风向、大气压力和湿度等条件共同决定，具有随机性和波动性[3]。由于这些不确定性，使得风电场的输出功率往往具有很大的波动性，波动的电能会对电网产生冲击，如果超出了电网的承受范围，就会破坏电网的安全性和稳定性[4]。我国风电场并网标准要求并网点电压在标称电压的90%~110%时能够正常运行，要求风电场的频率运行范围为49.5~50.2Hz[5]。风电场出力的波动率要求在20%以内[6]。2011年7月国家能源局下发了《风电场功率预测预报管理暂行办法的通知》，并制定了《风电场功率预测预报管理暂行办法》，该文件规定“所有并网运行的风电场均应具备风电功率预测预报能力，并按要求开展风电功率预测预报”。《办法》规定风电场提供的预测误差不超过25%，实时预测误差不超过15%，全天预测结果的平方根误差应小于20%。具有风电功率预报的风电场需向电网调度部门提供预报信息，并应用于电力系统实时调度。虽然国内外研究已经提出了多种智能的算法[7]，由于受到天气预报的限制和多种不确定性因素，风电场功率预测仍存在很大误差，不能很好的按照功率预报输出，无法满足国家电网的要求。目前国际上短期风功率预测精度最好的是德国，大约低至2.5%，区域级的误差最小的也是德国，大约在10%以内。我国不同区域的环境不同，省网级误差大约在10%~25%，风电场误差在10%~30%之间[8]。无论从国家电网还是风电场企业的角度来看，开展风电预报都有很大的好处。风电预报可以提高风电的可预见性，从而可以科学的制定发电计划，进行电力调度。针对风力发电预报问题，全世界的学者积极研究，提出了改善网架结构、备用容量、风电预测和大规模储能等技术来解决 [9]。其中储能技术的快速发展为风力发电大规模并网及改善风力发电预报提供了一种有效途径[10]。电池储能技术具有易于扩容、响应速度快、循环使用寿命长等特点，可以很好的解决风力发电引起的电压、频率、调峰等问题，在风力发电领域的应用逐渐扩大，并主要应用于平抑风功率波动、跟踪风电计划出力等应用场合，其中储能技术用于跟踪风电预报更成为当前研究的热点[11]。目前，国内外针对基于储能管理的风电场预报优化问题展开了多项研究。
在国外，为了提高风电场跟踪发电出力计划的能力，有专家采用风电场的预测风功率作为预报[12]。文献[13]采用电池储能系统来平抑风电场输出功率与预报功率之间的差值。为了考虑发电厂的经济性能，文献[14]、[15]引用适当的控制策略对储能容量进行控制，降低对储能系统的容量要求，提高风电场的经济性。文献[16]提出了一种新的储能系统充放电策略，通过限制相邻间隔时间的充放电功率，把当前的充放电功率对未来输出功率的影响考虑进去，通过整体的风功率平抑，以减少风电场实际输出功率与预报之间的差额。文献[17]在一阶低通滤波原理的基础上，加入了电池储能系统（battery energy storage system，BESS）的SOC反馈，对滤波时间常数进行修改，从而防止BESS过度充/放电。
在国内，为了平抑风功率的波动，实现风电场跟踪发电计划出力，文献[18]提出了基于双电池组的电池储能结构，通过合理的分配两个电池的充放电功率，以达到平滑风功率输出。文献[19]提出了一种基于混合储能装置来优化预报的策略，针对风功率波动的特性，采用超级电容器以及蓄电池作为储能装置。文献[20]考虑储能装置的自身局限性，基于SOC控制策略进行优化，降低SOC状态约束对储能系统充放电的影响，最大限度的利用储能来提高短期预报精度的目标。文献[21]将预测值作为预报值，采用模糊控制方法，搭建了储能模糊控制系统规则库，根据电池储能系统的荷电状态SOC的变化来控制充放电功率，以达到预测功率值。文献[22]在分析风电功率的幅频特性之后提出了基于小波变换的风电场输出功率平抑方法，根据不同储能设备的特性，对风电不同频率分别进行吸收。文献[23]运用经典模态分解技术，将不平稳风功率分解成为几个模态固有函数，并分别采用超级电容和电池来平抑风功率的高频和低频分量，从而跟踪预报曲线。
从以上文献了解到，目前在平滑风功率输出以及预报优化的研究方面基本上集中在提高预测精度以及储能策略上，但是，上面文献并没有把预测和储能策略联系起来，也没有具体的联系硬件电路。上述文献均在软件上编程实现，并没有联系具体的硬件电路，虽然有充放电控制策略，但具体的实现方法并没有明确指出。为了进行风电场的预报优化，课题拟采用基于混合储能系统的风电场预报优化方法。在风电场风功率预测方面，课题采用基于粒子群的BP神经网络算法（PSO-BP）进行风功率预测，根据预测值并结合风电场的历史预报曲线确定风电场的预报值。在储能系统的控制策略方面，课题采用蓄电池-超级电容器的混合储能。混合储能系统的基本思路是吸收风电功率高频波动分量来平滑风电出力波动，同时在不同的储能介质之间合理的分配系统所需要的充放电功率，对系统的整体性能进行优化。超级电容器具有效率高、循环寿命长、充放电速度快等特点，蓄电池具有较优的放电特性和较高的能量密度，课题采用蓄电池-超级电容器的混合储能系统，用两个直流斩波器和一个双向整流/逆变器进行充放电控制，系统并网的拓扑示意图如图1所示。
图1 风场储能系统并网示意图
DC/DC(B)对蓄电池充放电进行精准控制，DC/DC(A)对超级电容充放电进行精准控制，而且DC/DC(A)还可以稳定电压，满足整流/逆变器的电压要求。
在平抑策略设计过程中，首先要确定平抑的目标曲线Pout，即预报输出曲线，进而得出储能的实时平抑量。通过风功率的预测和历史数据得到预报曲线Pout，然后采用低通滤波平滑法实现平抑。混合储能的补偿功率Ph为：
Ph=Pout-Pwind （1）
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
