风力发电和光伏发电是目前发展较迅速的清洁能源,对各国节约能源和降低污染物排放有着非常大的作用。然而,风力发电和光伏发电容易受到外界影响,具有很强的间歇性和波动性,使得风电场和光伏电站出力发生波动。这对风光发电的并网产生不良的影响,甚至能够导致电网崩溃问题。随着储能技术的发展,可以利用一定容量的储能设备解决新能源出力波动的问题。考虑到储能系统具有大功率密度和高能量密度的优点,所以常常采用不同的储能设备构成混合储能。本文采用超级电容和蓄电池组成混合储能,发挥两者的储能优势,这对并网功率波动的平抑效果较为理想。首先,分析风力发电、光伏电池单元、铅酸蓄电池和超级电容混合储能系统等各组成部分的数学模型、控制方式及工作特性。然后,利用改进经验模态分解方法对风光系统功率信号进行频谱分析。经验模态分解（Empirical Mode Decomposition,EMD）方法常常被用来分解和处理非平稳信号,但是由于脉冲的干扰容易出现模态混叠和虚假分量,所以本文采用自适应噪声的完整集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法对功率信号进行频谱分解,把功率信号滤波,得到其高频、次高频和低频三个分量。低频功率分量直接并网,高频功率分量利用超级电容平抑,次高频功率分量利用蓄电池平抑。其次,以蓄电池和超级电容的荷电状态作为功率分配约束条件,利用模糊控制策略,自适应调整储能设备平抑功率和本征模函数（Intrinsic Mode Function,IMF）的阶数。通过模糊自适应功率再分配控制,更好的平滑风光出力波动。最后,考虑到蓄电池荷电状态（State of Charge,SOC）是风光系统出力波动抑制策略中的关键参数,但其不易直接测量,为此本文提出基于物联网平台的蓄电池SOC在线检测方法,该方法一方面可以通过神经网络预测SOC参数,另一方面为保证蓄电池安全运行,对其电压、充/放电电流、温度等参数实时在线检测。首先,利用下位机硬件检测系统获取蓄电池的工作参数,然后利用WIFI技术把获取的数据上传至物联网平台。其次,C#上位机客户端与物联网平台进行信息传递,获取相关数据,利用神经网络算法进行数据处理。结合物联网技术、C#和MATLAB神经网络算法,实现了蓄电池SOC的在线预估及参数的在线检测。