CN108110780A - 一种孤立微电网储能容量优化配置方法及装置 - Google Patents
一种孤立微电网储能容量优化配置方法及装置 Download PDFInfo
- Publication number
- CN108110780A CN108110780A CN201810084905.XA CN201810084905A CN108110780A CN 108110780 A CN108110780 A CN 108110780A CN 201810084905 A CN201810084905 A CN 201810084905A CN 108110780 A CN108110780 A CN 108110780A
- Authority
- CN
- China
- Prior art keywords
- power
- energy storage
- individual
- capacitance
- energy
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004146 energy storage Methods 0.000 claims abstract description 153
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 239000013589 supplement Substances 0.000 claims abstract description 13
- 230000005611 electricity Effects 0.000 claims description 24
- 230000035772 mutation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 21
- 239000002253 acid Substances 0.000 description 18
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000000153 supplemental effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 3
- 239000002283 diesel fuel Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000005417 food ingredient Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000005622 photoelectricity Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 235000013324 preserved food Nutrition 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H02J3/382—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明实施例提供了一种孤立微电网储能容量优化配置方法及装置，该方法包括：将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解；其中，功率分配策略包括：获取到微电网数据，根据微电网数据计算缺额功率，确定缺额功率中的非直流分量，对非直流分量进行频率分断得到低频分量和高频分量；在预置约束条件下，将个体中对应的能量型储能对低频分量进行功率平衡并将功率型储能对高频分量进行功率平衡，并同时使用柴油机对能量型储能和功率型储能进行功率补充。
Description
技术领域
本发明涉及电力系统规划领域，尤其涉及一种孤立微电网储能容量优化配置方法及装置。
背景技术
随着全球能源需求的激增，化石能源等传统能源的日益枯竭，以及环境污染问题的日益突出，发展可再生能源是中国乃至全世界的重大需求。以风能、太阳能为代表的可再生能源得到了迅速发展。然而，其间接性、随机性给电力系统的规划运行带了巨大的难题。如何在尽可能减少对电网冲击的情况下，有效地利用风能、太阳能等可再生能源，成为一个较大的难题。在电力系统中配置一定的储能，可以达到削峰填谷、平抑功率波动的效果，能够有效地解决风能、太阳能等可再生能源间接性、随机性的问题。因此，在电力系统中比如微电网中增加储能配置成为解决这一问题的有效方法。
按照储能的运行特性，储能可分为能量型和功率型，能量型储能，比如蓄电池、压缩空气储能等具有较高的能量密度，放电时间相对较长，但循环寿命较短，不适合频繁地充放电，主要用于大容量存储场合；功率型储能，比如超级电容器具有较高的功率密度，且循环寿命较长，但其价格较为昂贵。将两种类型的储能结合起来，充分利用其优点，避免其缺点，可有效地提高系统性能和经济性。
当前的孤岛型微电网混合储能优化配置方法，无法全面且精准地计算出储能的配置结果，使得计算结果无法贴合实际情况。
发明内容
本发明实施例提供了一种孤立微电网储能容量优化配置方法及装置，能够使计算结果更加接近实际。
本发明实施例提供了一种孤立微电网储能容量优化配置方法，包括：
S1：将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；
S2：通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解；
其中，所述功率分配策略包括：
获取到微电网数据，根据所述微电网数据计算缺额功率，确定所述缺额功率中的非直流分量，对所述非直流分量进行频率分断得到低频分量和高频分量；
在预置约束条件下，将所述个体中对应的所述能量型储能对所述低频分量进行功率平衡并将所述功率型储能对所述高频分量进行功率平衡，并同时使用柴油机对所述能量型储能和所述功率型储能进行功率补充。
优选地，步骤S2具体包括：
S21：执行所述功率分配策略，对所述个体进行充放电评估得到评估数据，所述评估数据包括缺电量、缺电概率、弃电量、储能寿命以及柴油机提供能量；
S22：将所述评估数据输入所述适应度函数计算各个所述个体的适应度，并根据各个所述个体的所述缺电概率计算各个所述个体的越限程度；
S23：根据所述适应度和所述越限程度对所有个体进行选择、交叉和变异运算后得到下一代种群的个体；
S24：对下一代种群的所述个体执行步骤S21至步骤S23直至满足预置迭代次数，输出储能容量配置的最优解。
优选地，步骤S23具体包括：
S231：在所述种群中随机选择两个所述个体，若两个所述个体均是可行解，则执行S232，若两个所述个体均是不可行解，则执行S233，若一个所述个体是可行解，另一个所述是不可行解，则执行S234；
S232：比较两个所述个体的适应度，选择适应度较小的所述个体；
S233：比较两个所述个体的越限程度，选择越限程度较小的所述个体；
S234：如果所述不可行解的越限程度超过了预置越限程度边界，则选择所述可行解，如果所述不可行解的越限度未超过所述预置越限程度边界，则比较两个所述个体的适应度，选择适应度较小的所述个体；
S235：重新执行所述S231直至遍历所述种群的所有所述个体，再选择所述种群中适应度最小的所述个体；
S236：对选择后的所述种群进行交叉和变异运算后得到下一代种群的个体。
优选地，本发明实施例提供的一种孤立微电网储能容量优化配置方法还包括：
在执行所述遗传算法时，每进行五次迭代后，计算五代所述种群中的不可行解比例，若所述不可行解比例大于预置比例，则减小所述预置越限程度边界，若所述不可行解比例小于预置比例，则增大所述预置越限程度边界。
优选地，所述储能容量配置的最优解为执行所述遗传算法时进行最后一次迭代所得到的适应度最小的解。
优选地，计算所述储能寿命的预置公式组为：
式中，LoL为储能的寿命损耗，Nctf为储能寿命函数，Nyear为储能测试运行时间。
优选地，所述储能寿命函数为通过切比雪夫多项式对储能的放电深度与储能的循环次数之间的对应关系进行拟合得到的函数。
优选地，获取所述对应关系的方式为雨流计数法。
优选地，所述微电网数据包括所述微电网对应地区的实际风速、光伏数据和负荷时序数据。
优选地，本发明实施例还提供了一种孤立微电网储能容量优化配置装置，包括：
设置单元，用于将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；
运算单元，用于通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解；
其中，所述功率分配策略包括：
获取到微电网数据，根据所述微电网数据计算缺额功率，确定所述缺额功率中的非直流分量，对所述非直流分量进行频率分断得到低频分量和高频分量；
在预置约束条件下，将所述个体中对应的所述能量型储能对所述低频分量进行功率平衡并将所述功率型储能对所述高频分量进行功率平衡，并同时使用柴油机对所述能量型储能和所述功率型储能进行功率补充。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供了一种孤立微电网储能容量优化配置方法及装置，该方法包括：将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解；其中，功率分配策略包括：获取到微电网数据，根据微电网数据计算缺额功率，确定缺额功率中的非直流分量，对非直流分量进行频率分断得到低频分量和高频分量；在预置约束条件下，将个体中对应的能量型储能对低频分量进行功率平衡并将功率型储能对高频分量进行功率平衡，并同时使用柴油机对能量型储能和功率型储能进行功率补充。本发明通过将缺额功率分解为直流分量以及非直流分量，并将非直流分量通过频率分断得到低频功率和高频功率，使用能量型和功率储能分别平衡低频功率和高频功率，同时使用柴油机定期对两种储能进行功率补充，在以上功率分配策略的基础上，将能量型储能的额定容量、功率型储能的额定容量和频率分断点作为种群，构建种群中的个体对应总费用(成本)的适应度函数，通过遗传算法进行求解得到储能容量分配的最优解，解决了当前的储能容量配置方法无法全面且精准地计算出储能的配置结果，使得计算结果无法贴合实际情况的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种孤立微电网储能容量优化配置方法的一个实施例的流程示意图；
图2为本发明中的遗传算法的流程示意图；
图3为遗传算法中的选择、交叉和变异运算的流程示意图；
图4为雨流计数法的示意图；
图5为铅酸蓄电池充放电功率曲线
图6为超级电容器充放电功率曲线；
图7为总费用/蓄电池寿命-分断点关系图；
图8为本发明提供的一种孤立微电网储能容量优化配置装置的一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种孤立微电网储能容量优化配置方法及装置，能够使计算结果更加接近实际。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供的一种孤立微电网储能容量优化配置方法的一个实施例，包括：
101、将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；
本发明通过遗传算法求解储能容量配置的最优解，需要预先设定遗传算法参数，包括种群规模、交叉概率、变异概率、最大迭代次数(预置迭代次数)、预设不可行解比例(预置比例)、越限程度边界。再将遗传算法中的种群设置为功率型储能的额定功率、能量型储能的额定容量以及频率分断点，将种群中的个体对应的总费用设置为适应度函数。
需要说明的是，每个个体对应的总费用(适应度函数)计算方法如下：
(1)投资成本
式中，γ表示年利率；αi表示储能i单位容量的价格，元/kWh，α2表示功率型储能单位功率的价格，元/kWh；Y1和Y2分别表示能量型和功率型储能的寿命。
整个式子表示折算为等年值后的能量型储能和功率型储能的投资费用。
(2)运行成本
Costy＝CostENS+CostWPA+Costfuel+Costenv
其中，CostENS表示缺电损失费用，CostWPA表示弃风/光电惩罚费用，Costfuel表示柴油发电机燃料费用，Costenv表示柴油发电机环境污染费用。各费用计算方法分别如下：
Costfuel＝Energydiesel×φdiesel
式中，βi表示低频或高频单位缺电损失费用；μi表示低频或高频单位弃风/光电惩罚费用；φdiesel表示柴油发电机产生单位能量所需要花费的柴油费用，元/kWh；L表示污染气体的种类；表示单位污染气体的治理成本，元/kg。
(3)维护成本
除了投资运行费用外，设备每年还需要定期维护，本发明维护费用近似计为投资费用的固定比例。
式中，πi表示储能i的维护费用比例。
综上，总费用为:
Cost＝Costx+Costy+Costz。
102、通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解。
其中，步骤102的功率分配策略包括以下T1和T2过程：
T1.获取到微电网数据，根据微电网数据计算缺额功率，确定缺额功率中的非直流分量，对非直流分量进行频率分断得到低频分量和高频分量；
在本实施例中，获取到的微电网数据包括微电网对应地区的实际风速、光伏数据和负荷时序数据，可以对应计算负荷功率、风能功率和太阳能功率，再通过下式计算系统的缺额功率(将负荷功率与可再生能源功率之差称为缺额功率)：
Pshort(t)＝Pl(t)-Pwind(t)-Psolar(t)
式中，Pl(t)为t时刻的负荷功率，Pwind(t)表示t时刻风能功率，kW；Psolar(t)表示t时刻太阳能功率，kW。
然后将缺额功率的时序序列Pshort(t),t＝0,...,N-1进行离散傅里叶变换(Discrete Fourier Transform，DFT)，得到频率序列Fshort(k),k＝0,...,N-1。
在该频率序列中，除了直流分量(k＝0)以外，所有频域分量对应的时域分量之和均为0，即在理想状态下，这部分非直流分量的充放电功率之间正好相互抵消，本发明称这部分非直流分量为不平衡功率。
以k＝n为频率分断点，将不平衡功率的频域信号分为两部分，分别是：
将Fshort,1和Fshort,2分别进行IDFT变换，得到时序序列：
序列Pshort,1(t),t＝0,...,N-1表示频率不高于n倍频的时序序列，本发明称之为低频分量，可以用能量型储能来平衡。
序列Pshort,2(t),t＝0,...,N-1表示频率高于n倍频，而不高于最高分辩频率(N/2倍频)的时序序列，本发明称之为高频分量，可以用功率型储能平衡。
T2.在预置约束条件下，将个体中对应的能量型储能对低频分量进行功率平衡并将功率型储能对高频分量进行功率平衡，并同时使用柴油机对能量型储能和功率型储能进行功率补充。
需要说明的是，此处的平衡，是在满足功率约束条件和SOC约束条件的情况下，储能以最大充放电功率进行充放电。其以下具体如下：
(1)放电过程，即Pshort,i(t)＞0
A.SOC(t)＞SOCmin
a.不平衡期望输出功率大于储能最大输出功率，即Pshort,i(t)＞Pmax
b.不平衡期望输出功率小于等于储能最大输出功率，即Pshort,i(t)≤Pmax
B.SOC(t)≤SOCmin
P(t)＝0
(2)充电过程，即Pshort,i(t)≤0
A.SOC(t)≤SOCmax
a.不平衡期望输出功率绝对值大于储能最大输出功率，即-Pshort，i(t)＞Pmax
b.不平衡期望输出功率绝对值小于储能最大输出功率，即-Pshort(t)≤Pmax
B.SOC(t)≥SOCmax
P(t)＝0
其中ηES表示储能能量效率。
分断点n若太大，会导致能量型储能需要频繁充放电；若太小，会导致功率型储能配置急剧增加。同时，由对称性可知，分断点n不能大于N/2。
为方便叙述，本发明设定下标i表示储能类型及其平衡的分量类型，i＝1表示能量型储能(或低频分量)；i＝2表示功率型储能(或高频分量)。
在功率平衡的同时，还需柴油机对储能的功率补充：
如前所述，除了直流分量以外，所有频率分量对应的时域之和均为0。即低频分量和高频分量满足下式：
虽然理想状态下，充放电功率相抵正好能够充分发挥储能作用。但是，由于储能能量效率ηES恒小于1，存在能量损耗，故不能只由储能平衡不平衡功率。实践表明，利用柴油发电机为储能定期充电的方式，可以较好地解决上述问题。
补充方式为：分别定期检查能量型和功率型储能的SOC，当SOC低于一定阈值时，柴油发电机以最大功率补充能量至该阈值。
此外，由于快速离散傅里叶变化需要满足N＝2n，n为整数，故当实际数据不满足此条件时，需要在序列末端进行补零操作，亦或删除部分数据，以满足此条件。如果采用补零操作，当直流分量不为零，会出现待评估的不平衡分量非补零部分之和不为零。当直流分量为正时，不平衡分量非补零部分之和也为正。若直流分量较大且补零时刻较多时，需要为不平衡分量非补零部分补充较多的功率。故本发明采用删除部分数据的方式。
更进一步地，T2过程中的预置约束条件为：
(a)储能约束
功率约束：
Pi(t)表示储能i在t时刻的充放电功率，Pi(t)≥0时表示放电，Pi(t)＜0时表示充电。
第一行表示储能充放电功率需小于其额定功率；第二行和第三行表示储能需要分别延着其分频功率与充放电功率。
SOC约束：
SOCi(t)表示储能i在t时刻的荷电状态。为了储能的寿命，储能设置了最大荷电状态和最小荷电状态
其于额定功率、额定容量以及充放电功率P(t)的关系如下:
其中ηES表示储能能量效率，根据能量守恒定律，不大于1；Δt表示储能充放电时间。
(b)柴油发电机功率约束
Pdiesel,i(t)表示柴油发电机为储能i的补充功率。
第一行表示在储能放电时柴油发电机不能为储能补充功率。
第二行表示补充功率之和不得大于柴油发电机总的最大功率。m表示柴油发电机台数。表示柴油发电机额定功率。
第三行表示柴油机对储能i的补充功率与储能本身充电功率之和不得大于储能i的额定功率。
(c)放电倍率约束
工程实际中，能量型储能由额定容量表征；功率型储能由额定功率表征，而容量和功率之间的关系由放电倍率确定，表示如下：
其中λ为储能的放电倍率。
步骤102为本发明通过遗传算法求解储能容量配置的最优解的过程，可选的，请参阅图2，步骤102具体包括：
201、执行功率分配策略，对个体进行充放电评估得到评估数据，评估数据包括缺电量、缺电概率、弃电量、储能寿命以及柴油机提供能量；
需要说明的是，功率分配策略的执行为：使用能量型储能(如铅酸蓄电池)对低频分量进行平衡和使用功率型储能(如超级电容器)对高频分量进行平衡，同时使用柴油机对两种储能的功率进行补充。即使用当前代种群中的每个个体所对应的能量型储能、功率型储能和频率分断点执行该功率分配策略，然后对每个个体进行充放电评估得到评估数据。
202、将评估数据输入适应度函数计算各个个体的适应度，并根据各个个体的缺电概率计算各个个体的越限程度；
在本实施例中，将评估数据代入前述适应度函数进行相应计算即可得到各个个体的适应度，且同时需要计算各个个体的越限程度，计算越限程度的过程如下。
本发明实施例预先设置有可靠性约束：
对于低频分量和高频分量，分别用能量型储能和功率型储能平衡。由于前述各种约束，可能会出现储能无法达到输出功率大小的要求，即无法满足负荷需求。为了用户用电体验，本发明限制要求缺电概率不得大于一定阈值，即：
LLOP≤LLOPmax
其中LLOPmax为设置的最大缺电概率。
故在评估数据中得到缺电概率后，可以计算个体对应的缺电概率与最大缺电概率之间的差值，将差值乘以一定的倍数(根据实际需求设定)得到越限程度。
203、根据适应度和越限程度对所有个体进行选择、交叉和变异运算后得到下一代种群的个体；
204、判断是否满足预置迭代次数，若是，则输出储能容量配置的最优解，若不是，则执行205；
205、将下一代种群的个体代入步骤201。
在本实施例中，由于是在满足预置迭代次数后才输出最优解，故储能容量配置的最优解为执行遗传算法时，最后一次迭代对应的种群中的所有个体经过运算后得到的适应度最小(即总费用最小)的最优个体。
步骤203是对遗传算法中每一代种群的个体进行筛选，将选择得到的个体进行保留，然后进行交叉和变异得到下一代种群，可选的，请参阅图3，步骤203具体包括：
301、在种群中随机选择两个个体，若两个个体均是可行解，则执行302，若两个个体均是不可行解，则执行303，若一个个体是可行解，另一个是不可行解，则执行304；
302、比较两个个体的适应度，选择适应度较小的个体；
303、比较两个个体的越限程度，选择越限程度较小的个体；
304、如果不可行解的越限程度超过了预置越限程度边界，则选择可行解，如果不可行解的越限度未超过预置越限程度边界，则比较两个个体的适应度，选择适应度较小的个体；
305、重新执行301直至遍历种群的所有个体，再选择种群中适应度最小的个体；
306、对选择后的种群进行交叉和变异运算后得到下一代种群的个体。
需要说明的是，步骤301至步骤305的种群为当前代，即为步骤306中下一代种群的前一代。在步骤305中，由于步骤301至步骤305将当前代种群的所有个体遍历且选择后，可能将适应度最小的个体剔除，故步骤305将当前代种群中适应度最小的个体也进行选择保留，提高整个算法的精度。
可选的，在执行遗传算法时，每进行五次迭代后，计算五代种群中的不可行解比例，若不可行解比例大于预置比例，则减小预置越限程度边界，若不可行解比例小于预置比例，则增大预置越限程度边界。该步骤的设置可调节算法的选择边界，进一步提高算法的精度。
可选的，计算储能寿命的预置公式组为：
式中，LoL为储能的寿命损耗，Nctf为储能寿命函数，Nyear为储能测试运行时间。
在本实施例中，该储能寿命函数为通过切比雪夫多项式对储能的放电深度与储能的循环次数之间的对应关系进行拟合得到的函数。且该对应关系的获取方式为雨流计数法。
储能寿命受充放电次数、深度，环境温度等影响。本发明主要利用雨流法，考虑充放电次数和深度对储能寿命的影响。
雨流法又名“塔顶法”，在机械疲劳寿命计算方面的应用比较广泛。顾名思义，如图4所示，将整个坐标轴以原点为中心，顺时针旋转90度，则数据峰值处就形如宝塔的屋檐，而数据则如雨流般流下，如图4所示。
通过雨流法可获得充放电循环(B-C-D)，以及半循环(A-B-D-E)和半循环(E-F)。需要说明的是，此处的充放电循环需要一个充电半周期和一个放电半周期，共同组成一个充放电循环。
其计数规则如下：
a.在试验记录的起点以及依次在每一个峰值的内边，雨流开始往下流。
b.雨流在流到峰值处(即屋檐)竖直下滴，一直流到对面有一个比开始时最大值(或最小值)更正的最大值(或更负的最小值)为止。
c.雨流遇到来自上面屋顶流下的雨时，就停止流动,并构成了一个循环。
d.根据雨滴流动的起点和终点,画出各个循环，将所有循环逐一取出来,并记录其峰谷值。
e.每一雨流的水平长度可以作为该循环的幅值。
上面是对一种孤立微电网储能容量优化配置方法进行的详细说明，为便于理解，下面将以一具体应用场景对一种孤立微电网储能容量优化配置方法的应用进行说明，应用例包括：
把本发明以某地区一年的实际风速、光伏以及负荷数据为例进行实验，数据间隔时间Δt＝15min，此时序列个数为35037，删除末端数据到N＝32768。负荷峰值为2000kW，年利率设为6.7％，缺电概率LLOP不得大于0.001。
风电机组额定功率为800kW，共10台，vci＝3m/s，vr＝15m/s，v∞＝25m/s。
光伏机组转换效率为20％，共15km2。
采用5台200kW的柴油发电机定期为能量型储能和功率型储能补充能量，其周期分别为24hour和168hour。柴油发电机单位功率耗油量为205g/kWh，燃油型号为国产0#轻柴油发电。柴油发电机污染物排放系数以及治理成本如表1所示：
能量型储能选择铅酸蓄电池；功率型储能选择超级电容器，各参数见表2。
由于超级电容器循环寿命高达50万～100万次，故认为超级电容器寿命不受放电深度和次数影响，直接采用理论寿命。而铅酸蓄电池的放电深度与循环寿命的对应关系见表3。
表1柴油发电机污染物排放系数及治理成本
表2储能参数
表3铅酸蓄电池的放电深度与循环次数的对应关系
1)混合储能与单一储能优化结果对比
在保证相同的可靠性，即缺电概率LLOP不得大于0.001的情况下优化求解，最终求得混合储能的最优分断点n＝32，即周期约等于256hour(10.67天)。与单一储能的对比如表4所示。
表4混合储能与单一储能配置对比
由表4可知，混合储能相对于单一铅酸蓄电池，其成本降低了69.76％，寿命提高了35.13％；相对于单一超级电容器，成本降低了78.93％，渗透率提高了4.428％。这是因为相对于单一铅酸蓄电池，混合储能不仅大幅降低了需要配置的铅酸蓄电池容量，且提高了其运行寿命；相对于单一的超级电容器，混合储能大幅降低了价格昂贵的超级电容器需求容量，使总体费用大幅降低。
如图5和图6所示，为当分断点n＝32时，铅酸蓄电池和超级电容器的充放电功率。由图可以明显看出，超级电容器比铅酸蓄电池的充放电功率频繁很多。若缺额功率全部由铅酸蓄电池承担，则其寿命会因为循环次数增多而迅速损耗；若缺额功率全部由超级电容器增加，则超级电容器的配置会迅速增加，由于超级电容器价格较贵，故总费用会急剧增加。
2)分断点的影响
混合储能的配置受分断点n的影响较大，图7表示随着分断点的变化，系统总费用以及铅酸蓄电池寿命的变化。其中n＝0表示系统配置单一储能超级电容器，n＝16384表示系统配置单一储能铅酸蓄电池。
由图7可知，随着分断点n的变大，总费用先减少，后增加。这是因为当分断点取值过小时，超级电容器将承担不平衡功率的主要部分，配置的较大功率会导致投资成本升高；当分断点取值过大时，铅酸蓄电池平衡不平衡功率的主要部分，此时由于频繁的充放电会对铅酸蓄电池的寿命产生一定的影响，此外还需要投入大量的运行维护成本，同时由于铅酸蓄电池的充放电能量效率较低，也会需要柴油机补充更多的能量。
与此同时，由于图7可知，铅酸蓄电池的寿命先保持为理论寿命不变，在n＝1000附近开始逐渐减小。减小的过程中，先减小得较快，后减小得较慢，整体降幅约为26％。这是因为随着分断点的增加，由铅酸蓄电池承担的不平衡分量的变化频率逐渐变大，导致铅酸蓄电池需要进行更加频繁的充放电。即使每次充放电的深度较小，但是由于充放电次数的增加，也会导致铅酸蓄电池寿命的损耗。
请参阅图8，本发明提供的一种孤立微电网储能容量优化配置装置的一个实施例，包括：
设置模块801，用于将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；
运算模块802，用于通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解；
其中，功率分配策略包括：
获取到微电网数据，根据微电网数据计算缺额功率，确定缺额功率中的非直流分量，对非直流分量进行频率分断得到低频分量和高频分量；
在预置约束条件下，将个体中对应的能量型储能对低频分量进行功率平衡并将功率型储能对高频分量进行功率平衡，并同时使用柴油机对能量型储能和功率型储能进行功率补充。
更进一步地，运算模块802包括：
评估单元，用于执行功率分配策略，对个体进行充放电评估得到评估数据，评估数据包括缺电量、缺电概率、弃电量、储能寿命以及柴油机提供能量；
计算单元，用于将评估数据输入适应度函数计算各个个体的适应度，并根据各个个体的缺电概率计算各个个体的越限程度；
选择单元，用于根据适应度和越限程度对所有个体进行选择、交叉和变异运算后得到下一代种群的个体；
循环单元，用于将下一代种群的个体输入并重新触发评估单元，直至满足预置迭代次数，输出储能容量配置的最优解。
更进一步地，选择单元具体包括：
判断子单元，用于在种群中随机选择两个个体，若两个个体均是可行解，则触发第一选择子单元，若两个个体均是不可行解，则触发第二选择子单元，若一个个体是可行解，另一个是不可行解，则触发第三选择子单元；
第一选择子单元，用于比较两个个体的适应度，选择适应度较小的个体；
第二选择子单元，用于比较两个个体的越限程度，选择越限程度较小的个体；
第三选择子单元，用于如果不可行解的越限程度超过了预置越限程度边界，则选择可行解，如果不可行解的越限度未超过预置越限程度边界，则比较两个个体的适应度，选择适应度较小的个体；
遍历子单元，用于重新触发判断子单元直至遍历种群的所有个体，再选择种群中适应度最小的个体；
交叉变异子单元，用于对选择后的种群进行交叉和变异运算后得到下一代种群的个体。
更进一步地，本发明实施例提供的一种孤立微电网储能容量优化配置方法还包括：
在执行遗传算法时，每进行五次迭代后，计算五代种群中的不可行解比例，若不可行解比例大于预置比例，则减小预置越限程度边界，若不可行解比例小于预置比例，则增大预置越限程度边界。
更进一步地，储能容量配置的最优解为执行遗传算法时进行最后一次迭代所得到的适应度最小的解。
更进一步地，计算储能寿命的预置公式组为：
式中，LoL为储能的寿命损耗，Nctf为储能寿命函数，Nyear为储能测试运行时间。
更进一步地，储能寿命函数为通过切比雪夫多项式对储能的放电深度与储能的循环次数之间的对应关系进行拟合得到的函数。
更进一步地，获取该对应关系的方式为雨流计数法。
更进一步地，微电网数据包括微电网对应地区的实际风速、光伏数据和负荷时序数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种孤立微电网储能容量优化配置方法，其特征在于，包括：
S1：将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；
S2：通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解；
其中，所述功率分配策略包括：
获取到微电网数据，根据所述微电网数据计算缺额功率，确定所述缺额功率中的非直流分量，对所述非直流分量进行频率分断得到低频分量和高频分量；
在预置约束条件下，将所述个体中对应的所述能量型储能对所述低频分量进行功率平衡并将所述功率型储能对所述高频分量进行功率平衡，并同时使用柴油机对所述能量型储能和所述功率型储能进行功率补充。
2.根据权利要求1所述的孤立微电网储能容量优化配置方法，其特征在于，步骤S2具体包括：
S21：执行所述功率分配策略，对所述个体进行充放电评估得到评估数据，所述评估数据包括缺电量、缺电概率、弃电量、储能寿命以及柴油机提供能量；
S22：将所述评估数据输入所述适应度函数计算各个所述个体的适应度，并根据各个所述个体的所述缺电概率计算各个所述个体的越限程度；
S23：根据所述适应度和所述越限程度对所有个体进行选择、交叉和变异运算后得到下一代种群的个体；
S24：对下一代种群的所述个体执行步骤S21至步骤S23直至满足预置迭代次数，输出储能容量配置的最优解。
3.根据权利要求2所述的孤立微电网储能容量优化配置方法，其特征在于，步骤S23具体包括：
S231：在所述种群中随机选择两个所述个体，若两个所述个体均是可行解，则执行S232，若两个所述个体均是不可行解，则执行S233，若一个所述个体是可行解，另一个所述是不可行解，则执行S234；
S232：比较两个所述个体的适应度，选择适应度较小的所述个体；
S233：比较两个所述个体的越限程度，选择越限程度较小的所述个体；
S234：如果所述不可行解的越限程度超过了预置越限程度边界，则选择所述可行解，如果所述不可行解的越限度未超过所述预置越限程度边界，则比较两个所述个体的适应度，选择适应度较小的所述个体；
S235：重新执行所述S231直至遍历所述种群的所有所述个体，再选择所述种群中适应度最小的所述个体；
S236：对选择后的所述种群进行交叉和变异运算后得到下一代种群的个体。
4.根据权利要求3所述的孤立微电网储能容量优化配置方法，其特征在于，还包括：
在执行所述遗传算法时，每进行五次迭代后，计算五代所述种群中的不可行解比例，若所述不可行解比例大于预置比例，则减小所述预置越限程度边界，若所述不可行解比例小于预置比例，则增大所述预置越限程度边界。
5.根据权利要求2所述的孤立微电网储能容量优化配置方法，其特征在于，所述储能容量配置的最优解为执行所述遗传算法时进行最后一次迭代所得到的适应度最小的解。
6.根据权利要求2所述的孤立微电网储能容量优化配置方法，其特征在于，计算所述储能寿命的预置公式组为：
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>L</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>N</mi>
<mrow>
<mi>c</mi>
<mi>t</mi>
<mi>f</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>D</mi>
<mi>O</mi>
<mi>D</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>L</mi>
<mi>i</mi>
<mi>f</mi>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>N</mi>
<mrow>
<mi>y</mi>
<mi>e</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>L</mi>
</mrow>
</mfrac>
</mrow>
式中，LoL为储能的寿命损耗，Nctf为储能寿命函数，Nyear为储能测试运行时间。
7.根据权利要求6所述的孤立微电网储能容量优化配置方法，其特征在于，所述储能寿命函数为通过切比雪夫多项式对储能的放电深度与储能的循环次数之间的对应关系进行拟合得到的函数。
8.根据权利要求7所述的孤立微电网储能容量优化配置方法，其特征在于，获取所述对应关系的方式为雨流计数法。
9.根据权利要求1所述的孤立微电网储能容量优化配置方法，其特征在于，所述微电网数据包括所述微电网对应地区的实际风速、光伏数据和负荷时序数据。
10.一种孤立微电网储能容量优化配置装置，其特征在于，包括：
设置单元，用于将功率型储能的额定功率、能量型储能的额定容量以及频率分断点设置为种群，将种群中的个体对应的总费用设置为适应度函数；
运算单元，用于通过遗传算法结合功率分配策略进行迭代运算得到储能容量配置的最优解；
其中，所述功率分配策略包括：
获取到微电网数据，根据所述微电网数据计算缺额功率，确定所述缺额功率中的非直流分量，对所述非直流分量进行频率分断得到低频分量和高频分量；
在预置约束条件下，将所述个体中对应的所述能量型储能对所述低频分量进行功率平衡并将所述功率型储能对所述高频分量进行功率平衡，并同时使用柴油机对所述能量型储能和所述功率型储能进行功率补充。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810084905.XA CN108110780B (zh) | 2018-01-29 | 2018-01-29 | 一种孤立微电网储能容量优化配置方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810084905.XA CN108110780B (zh) | 2018-01-29 | 2018-01-29 | 一种孤立微电网储能容量优化配置方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108110780A true CN108110780A (zh) | 2018-06-01 |
| CN108110780B CN108110780B (zh) | 2020-12-08 |
Family
ID=62221204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810084905.XA Active CN108110780B (zh) | 2018-01-29 | 2018-01-29 | 一种孤立微电网储能容量优化配置方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108110780B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613735A (zh) * | 2020-12-16 | 2021-04-06 | 北方工业大学 | 不同应用场景下电池性能评价方法 |
| CN114019399A (zh) * | 2021-10-29 | 2022-02-08 | 华北电力大学 | 一种锂离子电池储能电站最大寿命预测方法及系统 |
| WO2024045582A1 (zh) * | 2022-08-31 | 2024-03-07 | 中国华能集团清洁能源技术研究院有限公司 | 光储系统储能容量优化配置方法、装置、设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7239035B2 (en) * | 2005-11-18 | 2007-07-03 | General Electric Company | System and method for integrating wind and hydroelectric generation and pumped hydro energy storage systems |
| WO2013143327A1 (zh) * | 2012-03-30 | 2013-10-03 | 中国电力科学研究院 | 用于跟踪计划出力的电池储能电站实时功率分配方法 |
| CN103475015A (zh) * | 2013-09-23 | 2013-12-25 | 国家电网公司 | 一种用于平滑并网风光发电系统输出波动的储能配置方法 |
| CN103971172A (zh) * | 2014-04-18 | 2014-08-06 | 国家电网公司 | 一种电网故障条件下微电网的优化配置方法 |
| CN104242355A (zh) * | 2014-09-19 | 2014-12-24 | 清华大学 | 考虑最小弃风的风电场接入电网的位置和容量的控制方法 |
| CN104410092A (zh) * | 2014-12-08 | 2015-03-11 | 国网新疆电力公司经济技术研究院 | 一种多元互补新能源发电系统的能量协调优化方法 |
| CN104466998A (zh) * | 2014-12-03 | 2015-03-25 | 沈阳工业大学 | 风电混和储能容量配置方法 |
| CN104600727A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 一种基于数理统计和小波分解算法的微电网中混合储能的容量配置方法 |
| CN105226691A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种孤立微电网混合储能优化配置方法 |
| CN105896582A (zh) * | 2016-06-16 | 2016-08-24 | 南京工程学院 | 一种微网储能容量优化配置方法 |
| CN106505632A (zh) * | 2016-11-25 | 2017-03-15 | 云南电网有限责任公司电力科学研究院 | 中压独立微电网系统的分布式电源位置和容量的规划方法 |
| CN106998072A (zh) * | 2017-05-15 | 2017-08-01 | 国网江苏省电力公司电力科学研究院 | 一种面向配电网优化运行的混合储能系统容量优化配置方法 |
| CN107294120A (zh) * | 2017-08-25 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 一种主动配电网混合储能容量优化配置方法及装置 |
-
2018
- 2018-01-29 CN CN201810084905.XA patent/CN108110780B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7239035B2 (en) * | 2005-11-18 | 2007-07-03 | General Electric Company | System and method for integrating wind and hydroelectric generation and pumped hydro energy storage systems |
| WO2013143327A1 (zh) * | 2012-03-30 | 2013-10-03 | 中国电力科学研究院 | 用于跟踪计划出力的电池储能电站实时功率分配方法 |
| CN103475015A (zh) * | 2013-09-23 | 2013-12-25 | 国家电网公司 | 一种用于平滑并网风光发电系统输出波动的储能配置方法 |
| CN103971172A (zh) * | 2014-04-18 | 2014-08-06 | 国家电网公司 | 一种电网故障条件下微电网的优化配置方法 |
| CN104242355A (zh) * | 2014-09-19 | 2014-12-24 | 清华大学 | 考虑最小弃风的风电场接入电网的位置和容量的控制方法 |
| CN104466998A (zh) * | 2014-12-03 | 2015-03-25 | 沈阳工业大学 | 风电混和储能容量配置方法 |
| CN104410092A (zh) * | 2014-12-08 | 2015-03-11 | 国网新疆电力公司经济技术研究院 | 一种多元互补新能源发电系统的能量协调优化方法 |
| CN104600727A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 一种基于数理统计和小波分解算法的微电网中混合储能的容量配置方法 |
| CN105226691A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种孤立微电网混合储能优化配置方法 |
| CN105896582A (zh) * | 2016-06-16 | 2016-08-24 | 南京工程学院 | 一种微网储能容量优化配置方法 |
| CN106505632A (zh) * | 2016-11-25 | 2017-03-15 | 云南电网有限责任公司电力科学研究院 | 中压独立微电网系统的分布式电源位置和容量的规划方法 |
| CN106998072A (zh) * | 2017-05-15 | 2017-08-01 | 国网江苏省电力公司电力科学研究院 | 一种面向配电网优化运行的混合储能系统容量优化配置方法 |
| CN107294120A (zh) * | 2017-08-25 | 2017-10-24 | 广东电网有限责任公司电力科学研究院 | 一种主动配电网混合储能容量优化配置方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| J.XIAO,ETC.: "A Capacity Optimization Method for Hybrid Energy Storage System Considering SOC and Efficiency", 《2ND IET RENEWABLE POWER GENERATION CONFERENCE(RPG 2013)》 * |
| 谭颖 等: "基于改进 ELM 的风/光/柴/储独立微网分布式电源多目标容量优化配置", 《电力系统保护与控制》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613735A (zh) * | 2020-12-16 | 2021-04-06 | 北方工业大学 | 不同应用场景下电池性能评价方法 |
| CN112613735B (zh) * | 2020-12-16 | 2023-05-23 | 北方工业大学 | 不同应用场景下电池性能评价方法 |
| CN114019399A (zh) * | 2021-10-29 | 2022-02-08 | 华北电力大学 | 一种锂离子电池储能电站最大寿命预测方法及系统 |
| CN114019399B (zh) * | 2021-10-29 | 2023-09-19 | 华北电力大学 | 一种锂离子电池储能电站最大寿命预测方法及系统 |
| WO2024045582A1 (zh) * | 2022-08-31 | 2024-03-07 | 中国华能集团清洁能源技术研究院有限公司 | 光储系统储能容量优化配置方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108110780B (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263435B (zh) | 基于电-气耦合综合能源系统的双层优化故障恢复方法 | |
| Li et al. | Analysis of a new design of the hybrid energy storage system used in the residential m-CHP systems | |
| CN109767078B (zh) | 一种基于混合整数规划的多类型电源检修安排方法 | |
| CN109888806B (zh) | 一种含电动汽车的微电网储能优化配置方法 | |
| CN102244390B (zh) | 平滑微网联络线功率波动的储能系统容量优化方法 | |
| CN109473992B (zh) | 一种提高配电网韧性的方法、系统及终端设备 | |
| CN107294120B (zh) | 一种主动配电网混合储能容量优化配置方法及装置 | |
| CN101047315A (zh) | 控制发电系统运行的系统、方法和制品 | |
| CN109818369B (zh) | 一种计及出力模糊随机性的分布式电源规划方法 | |
| CN108110780A (zh) | 一种孤立微电网储能容量优化配置方法及装置 | |
| Ibrahim et al. | Potential of a hybrid wind-diesel-compressed air system for nordic remote canadian areas | |
| CN108667054B (zh) | 一种储能规划方法及装置 | |
| CN106327007A (zh) | 一种考虑能效电厂的多阶段输电网二层规划方法 | |
| CN115102200B (zh) | 一种储能系统模型辨识方法和系统 | |
| CN111756064A (zh) | 基于分时电价的含电动汽车电网优化调度方法和装置 | |
| CN114362153B (zh) | 一种并网型风光储系统多目标容量优化配置方法及系统 | |
| CN115759361A (zh) | 基于双层规划的交通能源调度方法、系统、设备和介质 | |
| CN111639819A (zh) | 一种综合能源园区多阶段优化控制方法 | |
| CN114638119A (zh) | 电动汽车的igbt功率模块累计损伤度计算方法 | |
| CN113131513B (zh) | 考虑碳排放的电、热、气转换优化运行配置方法和存储介质 | |
| Li et al. | Planning model of integrated energy system considering P2G and energy storage | |
| CN109617100B (zh) | 一种数据驱动的风电场储能容量规划方法 | |
| CN103489043B (zh) | 一种风电装机与储能电池容量比例的优化方法 | |
| CN113065981B (zh) | 一种考虑储能综合收益的源-储-网协调规划方法 | |
| CN111262239B (zh) | 储能电站选址方案评估方法、装置及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |