CN103545832B - 一种基于发电预测误差的光伏系统储能容量配置方法 - Google Patents
一种基于发电预测误差的光伏系统储能容量配置方法 Download PDFInfo
- Publication number
- CN103545832B CN103545832B CN201310432253.1A CN201310432253A CN103545832B CN 103545832 B CN103545832 B CN 103545832B CN 201310432253 A CN201310432253 A CN 201310432253A CN 103545832 B CN103545832 B CN 103545832B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage device
- photovoltaic
- predicated error
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009825 accumulation Methods 0.000 title claims abstract description 11
- 238000004146 energy storage Methods 0.000 claims abstract description 56
- 230000001186 cumulative effect Effects 0.000 claims abstract description 23
- 238000005315 distribution function Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 37
- 230000000694 effects Effects 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 241000983670 Ficus natalensis subsp. leprieurii Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及的一种基于发电预测误差的光伏系统储能容量配置方法,包括(1)光伏发电预测及预测误差计算;(2)预测误差概率分布拟合;(3)预测误差概率密度函数确定;(4)储能装置额定功率选取;(5)储能装置荷电状态计算;(6)储能装置荷电状态累积分布函数拟合;(7)储能装置荷电状态累积分布函数确定;(8)储能装置额定容量选取。本发明能够减少光储系统中光伏电源的预测误差,增强光伏发电系统的可控性和平滑性,解决了光伏系统储能规划中的工程实际问题。
Description
技术领域
本发明属于光伏系统储能规划技术领域,具体是一种基于发电预测误差的光伏系统储能容量选取方法。
背景技术
最近1年以来,国内支持光伏产业发展的政策陆续出台,并开始逐渐显示出拉动作用。2012年10月26日,国家电网公司发布了《做好分布式光伏发电并网服务的工作意见》,出台了允许分布式光伏发电分散接入低压配电网,允许富余电力上网,电网企业按国家政策全额收购富余电力的政策;此外,根据该意见,不超过6兆瓦的光伏发电项目接入电网,电网公司在受理、制订接入电网方案、并网调试全过程服务上完全免费。而以光伏发电为代表的可再生能源的间歇性、随机性及不确定性正成为阻碍其深度发展的重要障碍,随着可再生能源渗透率不断增加,它们给电网的安全可靠运行带来了越来越多的挑战。
对光伏系统的发电功率进行准确预测,以了解光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题,这样有助于整个电力系统的规划和运行,从而减少光伏发电随机性对电力系统的影响,提高系统的安全稳定性。常用的光伏发电功率预测的方法主要分为两种:第一种是不预测周围的环境因素而直接进行预测,例如ANN模型、马尔可夫链模型、灰度模型和统计模型等;另一种是通过相关因素的情况,间接的预测输出功率,相关因素包括辐照强度、温度、风速等。随着预测算法的不断改进,光伏发电预测的精度得到了很大改善,但在工程应用中仍存在较大误差。在系统中引入储能环节,当光伏出力高于预测值时存储能量,当光伏出力低于预测值时释放能量,可以有效减小预测误差,提高系统运行的可控性和平滑性。因此,光伏系统储能规划的显得极为重要,该领域迫切需要提出了一种能够广泛应用的光伏系统储能容量选取方法。
发明内容
本发明针对国内光伏系统储能规划的工程实际情况,提出了一种基于发电预测误差的光伏系统储能容量配置方法,用于减少光伏出力预测误差较大的问题,使不可控的光伏资源变得可控,从而满足光伏系统储能规划应用的实际需求,可广泛应用于光伏系统储能相关领域的科学研究和工程应用。
为实现上述目的,本发明提供了一种基于发电预测误差的光伏系统储能容量配置方法,具体包括以下步骤:
1)采用典型预测方法对光伏出力进行预测,获得输出功率时间序列,结合光伏实际输出功率数据,计算预测误差并进行标幺化处理;
2)对预测误差进行排序和分组,绘制频率分布直方图,采用典型概率分布概率密度函数曲线对预测误差的概率分布进行拟合;
3)采用极大似然估计的方法计算拟合的概率密度函数的参数,评估拟合的精度,选取最优者作为选取储能装置额定功率确定的概率密度函数模型;
4)根据确定的概率密度函数模型,设定置信水平并计算相应的置信区间,选取置信区间上下限中绝对值较大者作为储能装置的额度功率;
5)利用储能装置补偿预测误差,计算储能装置荷电状态,并进行标幺化处理;
6)绘制荷电状态的累积分布曲线,采用典型分布的累积分布函数曲线对其进行拟合;
7)采用参数估计的方法计算各拟合累积分布函数的参数,评估拟合的精度,选取最优者作为储能装置额定容量确定的累积分布函数模型;
8)根据确定的概率密度函数模型,设定置信水平并计算该置信水平下的最小置信区间,选取置信区间上限与下限的差值较大者作为储能装置的额度容量。
本发明方法所述的对预测误差标幺化,其计算公式为:
e(k)=Pm(k)-Pf(k)
其中,Pm(k)为光伏出力实测值,Pf(k)为光伏出力预测值,e(k)为光伏出力预测误差,N为时间序列的长度,Pinst光伏系统额定装机容量。
本发明方法所述的评估概率分布概率密度函数曲线对预测误差的概率分布直方图拟合的精度,可建立指标I进行计算:
yi=f(Ai)
其中,i=l,2,…,M,其中M为频率分布直方图的分组数,Hi和Ai分别为第i个直方柱的高度及中心位置;f为拟合的概率密度函数;yi=f(Ai)为中心位置Ai上拟合概率密度函数值。拟合指标I越小,拟合越精确。
本发明方法所述的储能装置额定功率的选取方法为:
其中,PESS为储能装置的额定功率;1-α为置信水平,α为显著性水平;-Pα1为置信水平1-α的置信区间下分位点,-P1-α2为置信水平为1-α的置信区间上分位点,α1+α2=α;
本发明方法所述的对储能装置荷电状态进行计算和标幺化,计算公式为:
其中Eo为光伏日发电量Eo=Pinst·Tw,Pinst为光伏装机容量,Tw为日光照小时数,Tf为预测尺度。
本发明方法所述的衡量拟合曲线对储能装置荷电状态累积分布函数曲线的拟合效果,采用拟合优度进行计算:
其中yi为荷电状态累积分布函数曲线上某点的累积概率值,为该点的拟合值,为yi的平均值。R2的取值范围为[0,1],R2数值越大表示拟合效果越好。
本发明方法所述的储能装置额定容量的选取方法为:
其中EESS为选取的储能装置的额定容量,F-1为拟合累积分布函数的反函数,cp为离散化因子,cp的取值范围是[0,1]。确定使得1-β置信水平下EESS达到最小时的离散化因子cp1,则相应的置信区间为[F-1((1-cp1)·β),F-1(1-cp1·β)]。
本发明的优点和积极效果是:
本发明提出了一种基于发电预测误差的光伏系统储能容量配置方法,通过对典型光伏发电预测方法的预测误差进行标幺化和概率统计分析,采用曲线拟合和参数估计的方法描述预测误差的概率分布特点。基于此选取的储能装置的额定功率和额定容量能够在设定的置信水平下满足补偿预测误差的要求,并且能直观的认识所需储能容量与光伏电源容量以及不同预测方法之间的关系。本发明提出的方法确定的储能额定功率和额定容量能够提高光伏系统的可控性和平滑性,对实现光伏发电计划和减小对配网电能质量影响具有重要作用。
附图说明
下面结合附图和具体实施方式来详细说明本发明:
图1为本发明技术方案的实施流程图;
图2为时间序列方法获得的夏季某日光伏发电预测曲线;
图3为采用典型概率密度曲线拟合预测误差示意图;
图4为储能装置额定功率选取方法示意图;
图5为典型分布的累积分布函数曲线拟合储能荷电状态累积分布示意图;
图6为储能装置额定容量选取方法示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本实例以华东某光伏电站夏季数月发电实测数据为例考虑储能容量的配置。该光伏电站的额定容量为200kW,光伏出力数据现场采集,每3min进行一次。
1)光伏发电预测及预测误差计算:采用时间序列分析方法中自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)对光伏出力进行预测,预测时间尺度设为15min。该预测方法没有考虑天气分类等因素直接进行预测,精度不及神经网络等计及环境因素的间接预测方法。获得光伏预测出力时间序列Pf(k),k=1,2,3,…,N。其中N为序列Pf(k)的长度,本例中N=4892。
根据光伏输出的实测值Pm(t),通过离散化获得与Pm(k)相同时间点的光伏系统的实际输出功率时间序列Pm(k),由此计算预测误差e(k)=Pm(k)-Pf(k),其中k=1,2,3,…,N。图2给出了某日的光伏出力预测曲线。对e(k)进行标幺化处理,e*(k)=e(k)/Pinst,其中Pinst为光伏容量,本例中Pinst=200kW。
2)预测误差概率分布拟合:将e*(k)排序和分组,绘制频率分布直方图。本例中e*(k)的长度N=4892,频率分布直方图的组数设为50。采用正态分布(normal distribution)、带位置和尺度参数的t分布(t location-scale distribution)、极值分布(extreme value distribution)对预测误差e*(k)的概率分布进行拟合,如图3所示;
3)预测误差概率密度函数确定:采用参数估计的方法计算各种分布形式的概率密度函数中的参数。
以正态分布的均值μ及方差σ2的确定为例详细阐述参数估计的步骤,本例采用对数最大似然估计进行计算。
正态分布的概率密度函数为:
构造对数似然函数
则似然方程组为:
求解该方程组得到均值μ及方差σ2的估计值:
即认为光伏出力预测误差服从正态分布N(0.0003,0.0111)。
采用类似方法估计带位置和尺度参数的t分布和极值分布的参数,见表1。
评估各种形式的概率密度曲线与误差频率分布直方图的接近程度,为定量比较各分布函数的拟合效果,定义拟合指标:
yi=f(Ai)
其中,i=l,2,…,M,其中M为频率分布直方图的分组数,本例中M=50;Hi和Ai分别为第i个直方柱的高度及中心位置;f为拟合的概率密度函数;yi=f(Ai)为中心位置Ai上拟合概率密度函数值。拟合指标越小,拟合越精确。各概率密度函数指标值计算结果见表1。
表1预测误差概率密度函数拟合结果
由表1可知,三者中带位置和尺度参数的t分布最适合描述预测误差e*(k)的概率分布特性。
4)储能装置额定功率选取:光伏出力预测误差由储能装置吸收消纳,e(k)>0,表示储能装置充电;e(k)<0,表示储能装置放电。设定置信水平=95%,即α=0.05,表示储能装置在95%的置信水平下能够满足补偿预测误差的要求。计算相应的置信区间[-Pα1,P1-α2],其中α1+α2=α=0.05。
结合3)中的计算结果,本例采用带位置和尺度参数的t分布拟合预测误差e*(k)的概率分布,其95%置信区间为[μ-σtinv(0.975,ν),μ+σtinv(0.975,ν)],其中tinv是t分布的分位数函数。计算得到95%置信区间为[-0.2100,0.2107],如图4所示。则储能装置的额定功率选择为
PESS=max{|-0.2100|,0.2107}=0.2107
对于本例中200kW的光伏系统,按照本发明所提出的方法,储能装置的额定功率选取为42.14kW。
5)储能装置荷电状态计算:对e(k)积分得到储能装置荷电状态E(k), 并进行标幺化,
其中Eo为光伏日发电量,Pinst为光伏装机容量,Tf为预测尺度,Tw为日光照小时数。本例中Pinst=200kW,Tf=15min,Tw=14h。
6)储能装置荷电状态累积分布函数拟合:绘制E*(k)的累积分布曲线,采用正态分布(normal distribution)、逻辑斯特分布(logistic distribution)、极值分布(extreme value distribution)对E*(k)的累积分布曲线进行拟合,如图5所示。
7)储能装置荷电状态累积分布函数确定:通过最大似然估计计算各种分布的参数值,计算步骤与3)中一致,结果见表2。
采用拟合优度R2衡量拟合曲线对E*(k)的累积分布曲线的拟合效果。
其中yi为E*(k)累积分布曲线上某点的概率值,为该点的拟合值,为yi的平均值。R2的取值范围为[0,1],R2数值越大表示拟合效果越好。计算各种分布对E*(k)的累积分布曲线的拟合优度的计算结果如表2所示。
表2储能装置荷电状态累积分布函数拟合结果
由表2可知,三者中正态分布对E*(k)的累积分布曲线的拟合效果最好。
8)储能装置额定容量选取:基于拟合的累积分布函数,设定置信水平1-β,并计算相应的置信区间[Eβ1,E1-β2],其中β1+β2=β,选取储能装置的额度容量为EESS=E1-β2-Eβ1;
由于E*(k)的累积分布曲线形状与预测的精度有很大关系,在选取储能装置的额度容量时采用如下计算方法:
其中F-1为拟合累积分布函数的反函数,cp为离散化因子,cp的取值范围是[0,1]。确定使得1-β置信水平EESS达到最小时的离散化因子cp1,则相应的置信区间为[F-1((1-cp1)·β),F-1(1-cp1·β)]。
本例中设定置信水平为95%,即β=0.05,由上式计算得到最小的置信区间为[-0.1822,0.1407]。则选取的储能容量为EESS=0.3229。对于本例中200kW的光伏系统,日光照小时数为14h的情况下,按照本发明所提出的方法,储能容量应配置904.12kWh。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于发电预测误差的光伏系统储能容量配置方法,步骤包括:
1)采用典型预测方法对光伏出力进行预测,获得输出功率时间序列,结合光伏实际输出功率数据,计算预测误差并进行标幺化处理;
2)对预测误差进行排序和分组,绘制频率分布直方图,采用典型概率分布概率密度函数曲线对预测误差的概率分布进行拟合;
3)采用极大似然估计的方法计算拟合的概率密度函数的参数,评估拟合的精度,选取最优者作为选取储能装置额定功率确定的概率密度函数模型;
4)根据确定的概率密度函数模型,设定置信水平并计算相应的置信区间,选取置信区间上下限中绝对值较大者作为储能装置的额度功率;
5)利用储能装置补偿预测误差,计算储能装置荷电状态,并进行标幺化处理;
6)绘制荷电状态的累积分布曲线,采用典型分布的累积分布函数曲线对其进行拟合;
7)采用参数估计的方法计算各拟合累积分布函数的参数,评估拟合的精度,选取最优者作为储能装置额定容量确定的累积分布函数模型;
8)根据确定的概率密度函数模型,设定置信水平并计算该置信水平下的最小置信区间,选取置信区间上限与下限的差值较大者作为储能装置的额度容量;
所述步骤1)中对预测误差标幺化,计算公式为:
e(k)=Pm(k)-Pf(k)
其中,Pm(k)为光伏出力实测值,Pf(k)为光伏出力预测值,e(k)为光伏出力预测误差,N为时间序列的长度,Pinst光伏系统额定装机容量;
所述步骤3)中建立指标I评估概率分布概率密度函数曲线对预测误差的概率分布直方图拟合的精度,计算公式为:
yi=f(Ai)
其中,i=l,2,…,M,其中M为频率分布直方图的分组数,Hi和Ai分别为第i个直方柱的高度及中心位置;f为拟合的概率密度函数;yi=f(Ai)为中心位置Ai上拟合概率密度函数值;拟合指标I越小,拟合越精确;
所述步骤4)中储能装置额定功率的选取时,计算公式为:
其中,PESS为储能装置的额定功率;1-α为置信水平,α为显著性水平;-Pα1为置信水平1-α的置信区间下分位点,-P1-α2为置信水平为1-α的置信区间上分位点,α1+α2=α;
所述步骤7)中采用拟合优度衡量拟合曲线对储能装置荷电状态累积分布函数曲线的拟合效果,计算公式为:
其中yi为荷电状态累积分布函数曲线上某点的累积概率值,为该点的拟合值,为yi的平均值;R2的取值范围为[0,1],R2数值越大表示拟合效果越好。
2.根据权利要求1所述的一种基于发电预测误差的光伏系统储能容量配置方法,其特征在于,所述步骤5)中储能装置荷电状态进行计算和标幺化,计算公式为:
其中Eo为光伏日发电量Eo=Pinst·Tw,Pinst为光伏装机容量,Tw为日光照小时数,Tf为预测尺度。
3.根据权利要求1所述的一种基于发电预测误差的光伏系统储能容量配置方法,其特征在于,所述步骤8)中储能装置额定容量的选取时,计算公式为:
其中EESS为选取的储能装置的额定容量,F-1为拟合累积分布函数的反函数,cp为离散化因子,cp的取值范围是[0,1]。确定使得1-β置信水平下EESS达到最小时的离散化因子cp1,则相应的置信区间为[F-1((1-cp1)·β),F-1(1-cp1·β)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310432253.1A CN103545832B (zh) | 2013-09-22 | 2013-09-22 | 一种基于发电预测误差的光伏系统储能容量配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310432253.1A CN103545832B (zh) | 2013-09-22 | 2013-09-22 | 一种基于发电预测误差的光伏系统储能容量配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103545832A CN103545832A (zh) | 2014-01-29 |
CN103545832B true CN103545832B (zh) | 2015-10-28 |
Family
ID=49969024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310432253.1A Active CN103545832B (zh) | 2013-09-22 | 2013-09-22 | 一种基于发电预测误差的光伏系统储能容量配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103545832B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611950B (zh) * | 2015-10-21 | 2019-03-19 | 中国电力科学研究院 | 一种实时调度计划中的预测负荷修正方法 |
CN106650978B (zh) * | 2015-10-29 | 2021-03-02 | 中国电力科学研究院 | 一种考虑太阳位置的光伏预测精度评估方法和装置 |
CN105322566B (zh) * | 2015-11-06 | 2017-08-29 | 山东大学 | 考虑预测误差时序分布的含风电机组组合模型建立方法 |
CN105514987B (zh) * | 2015-12-07 | 2019-01-04 | 广东电网有限责任公司中山供电局 | 10kV配电线路分布式光伏定容方法和系统 |
CN106097157A (zh) * | 2016-07-22 | 2016-11-09 | 同济大学 | 一种同步发电机励磁系统模型参数辨识优化方法 |
CN106253315B (zh) * | 2016-08-02 | 2019-05-28 | 万马联合新能源投资有限公司 | 一种考虑电动汽车充电站可调度性的储能容量配置方法 |
CN107798024A (zh) * | 2016-09-07 | 2018-03-13 | 北京嘀嘀无限科技发展有限公司 | 一种出行目的地推荐处理方法及装置 |
CN107046294B (zh) * | 2017-04-06 | 2019-07-02 | 华北电力大学 | 基于概率统计的组合储能容量配置方法 |
CN107528341B (zh) * | 2017-08-25 | 2019-08-20 | 电子科技大学 | 一种用于高风电渗透率的大电网储能调度的方法 |
CN108038569A (zh) * | 2017-12-08 | 2018-05-15 | 北京汇通金财信息科技有限公司 | 一种分布式光伏并网电量预测方法及系统 |
CN108110791A (zh) * | 2017-12-29 | 2018-06-01 | 西交利物浦大学 | 减少储能系统容量的光伏输出功率平滑控制方法及系统 |
CN108229071B (zh) * | 2018-02-09 | 2021-06-22 | 杭州安脉盛智能技术有限公司 | 基于ar模型与svdd算法的刀具性能退化评估方法及系统 |
CN108832645B (zh) * | 2018-05-31 | 2021-03-30 | 国网浙江省电力有限公司 | 基于区域预测误差指标的主动配电网储能配置策略 |
CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
CN108964102B (zh) * | 2018-07-26 | 2022-03-25 | 华北电力大学(保定) | 配电网中分布式储能的位置和容量优化配置方法 |
CN110707737B (zh) * | 2019-11-28 | 2021-09-28 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种基于云计算的高渗透新能源电网电池容量配置方法 |
CN111525553B (zh) * | 2020-04-22 | 2021-09-07 | 东南大学 | 一种预测功率优化分段下新能源出力误差可信区间估计法 |
CN112383074B (zh) * | 2020-10-28 | 2022-06-24 | 国网四川省电力公司经济技术研究院 | 一种能量型与功率型混合储能系统及储能方法 |
CN116561485B (zh) * | 2023-06-28 | 2023-09-15 | 国网北京市电力公司 | 一种配变台区光伏容量计算方法、装置、设备及介质 |
CN116644866A (zh) * | 2023-07-27 | 2023-08-25 | 国网江西省电力有限公司经济技术研究院 | 考虑风光不确定性的综合能源系统鲁棒优化方法及系统 |
CN117175657B (zh) * | 2023-09-04 | 2024-02-06 | 广东永光新能源设计咨询有限公司 | 光伏储能系统的容量配置方法、装置、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101728984A (zh) * | 2010-01-18 | 2010-06-09 | 华北电力大学(保定) | 并网型光伏电站发电功率预测方法 |
CN103106544A (zh) * | 2013-02-01 | 2013-05-15 | 东南大学 | 一种基于t-s型模糊神经网络的光伏发电预测系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166085A1 (en) * | 2010-12-14 | 2012-06-28 | Peter Gevorkian | Solar power monitoring and predicting of solar power output |
JP5439450B2 (ja) * | 2011-09-13 | 2014-03-12 | 株式会社東芝 | 発電予測装置およびその方法 |
-
2013
- 2013-09-22 CN CN201310432253.1A patent/CN103545832B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101728984A (zh) * | 2010-01-18 | 2010-06-09 | 华北电力大学(保定) | 并网型光伏电站发电功率预测方法 |
CN103106544A (zh) * | 2013-02-01 | 2013-05-15 | 东南大学 | 一种基于t-s型模糊神经网络的光伏发电预测系统 |
Non-Patent Citations (1)
Title |
---|
基于随机预测误差的分布式光伏配网储能系统容量配置方法;林少伯等;《中国电机工程学报》;20130205;第33卷(第4期);第26-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103545832A (zh) | 2014-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103545832B (zh) | 一种基于发电预测误差的光伏系统储能容量配置方法 | |
Jin et al. | Multicriteria planning for distributed wind generation under strategic maintenance | |
CN104882905B (zh) | 一种考虑暂态安全约束的新能源接纳能力评估方法 | |
CN103475021B (zh) | 一种基于统计模型的风电场弃风电量确定方法 | |
CN103198235B (zh) | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN103904695B (zh) | 一种基于mcs-pso的临近海岛多微网动态调度方法 | |
CN107977744A (zh) | 一种基于传统Benders分解法的电力系统日前鲁棒调度方法 | |
CN103473393B (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN103971173A (zh) | 主动配电网变电站容量控制方法与系统 | |
CN103902837A (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
Kanwal et al. | Gaussian process regression based inertia emulation and reserve estimation for grid interfaced photovoltaic system | |
CN104200289A (zh) | 一种基于投资回报率的分布式光伏装机容量预测方法 | |
Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
CN104935017A (zh) | 基于改进轻鲁棒优化模型的风电与火电机组组合方法 | |
CN102749471A (zh) | 一种短期风速、风电功率预测方法 | |
CN102904248B (zh) | 基于风电出力不确定性集合的电力系统调度方法 | |
CN103996087A (zh) | 一种新能源发电功率预测方法及系统 | |
CN105140967A (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
Kurbanov et al. | An Appropriate Wind Model for The Reliability Assessment of Incorporated Wind Power in Power Generation System | |
CN105956713A (zh) | 一种新能源年/月电量计划制定方法 | |
Li et al. | Capacity configuration optimization for stand-alone microgrid considering the uncertainties of wind and solar resource |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |