CN110165693B - 一种风电场优化储能配置方法 - Google Patents

一种风电场优化储能配置方法 Download PDF

Info

Publication number
CN110165693B
CN110165693B CN201910567440.8A CN201910567440A CN110165693B CN 110165693 B CN110165693 B CN 110165693B CN 201910567440 A CN201910567440 A CN 201910567440A CN 110165693 B CN110165693 B CN 110165693B
Authority
CN
China
Prior art keywords
wind power
wind
energy storage
storage configuration
history
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
Application number
CN201910567440.8A
Other languages
English (en)
Other versions
CN110165693A (zh
Inventor
李浩博
邹海荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201910567440.8A priority Critical patent/CN110165693B/zh
Publication of CN110165693A publication Critical patent/CN110165693A/zh
Application granted granted Critical
Publication of CN110165693B publication Critical patent/CN110165693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/386—
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

本发明涉及一种风电场优化储能配置方法，该方法包括：步骤S1：利用参数历史数据和传统风电功率预测模型得到风电功率历史模型值；步骤S2：根据风电功率历史模型值和风电功率历史实测值得到风电功率历史误差；步骤S3：使同一风场不同预测点的风电功率历史误差的平均绝对值最小得到风电功率历史误差的最佳修正量；步骤S4：风电功率历史误差结合最佳修正量得到风电功率修正历史误差；步骤S5：根据风电功率修正历史误差得到储能配置容量和储能配置功率。与现有技术相比，既提高了风电场并网计划功率的准确度，又降低了所需储能配置的容量和功率。

Description

一种风电场优化储能配置方法
技术领域
本发明涉及风电场储能配置领域，尤其是涉及一种风电场优化储能配置方法。
背景技术
储能系统是补偿风电功率预测误差的理想选择，在现有储能电池成本与运行费用下，储能系统的容量与功率优化配置极其重要。在优化风电场储能配置方面的技术主要有以下几种：
技术一：根据风电功率预测预报考核指标，对风电功率预测误差分布特征进行分析，采用截止正态分布法，考虑一定弃风量，优化储能系统的容量和功率；
技术二：采用低通滤波方法对功率偏差进行分解，配置基于蓄电池和超级电容的混合储能对不同频段的预测误差进行补偿，减小储能容量；
技术三：依据储能电池的荷电状态和输出功率，以补偿误差效果最优为目标，对储能系统的控制策略进行实时修正，降低储能容量；
技术四：考虑风电功率预测的不确定性，建立储能系统规模与风场损失风能之间的经济效益模型，以风场效益最大化优化储能容量。
技术一采用截止正态分布法优化储能容量与功率，虽降低了储能系统的容量和功率，但弃风量增加，降低了风电场的经济效益；
技术二通过对功率偏差进行分频，采用不同特性的储能电池分别对其进行补偿，储能系统总容量降低，但运行复杂，维护费用较高，经济性低；
技术三没有考虑风电误差的不确定性，储能系统功率较大，且操作频繁，降低电池的使用寿命；
技术四没有对风电功率预测误差进行修正，建立的经济效益模型不全面，储能容量偏大。
现有技术一般通过弃风、配置混合储能、设置误差带、建立储能与风电场经济效益模型等技术优化储能容量，没有考虑风电功率预测误差分布特征对储能配置的影响。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电场优化储能配置方法。
本发明的目的可以通过以下技术方案来实现：
一种风电场优化储能配置方法，该方法包括以下步骤：
步骤S1：利用参数历史数据和传统风电功率预测模型得到风电功率历史模型值；
步骤S2：根据风电功率历史模型值和风电功率历史实测值得到风电功率历史误差；
步骤S3：使同一风场不同预测点的风电功率历史误差的平均绝对值最小得到风电功率历史误差的最佳修正量；
步骤S4：风电功率历史误差结合最佳修正量得到风电功率修正历史误差；
步骤S5：根据风电功率修正历史误差得到储能配置容量和储能配置功率。
所述的步骤S5根据风电功率修正历史误差得到储能配置容量包括：
根据风电功率修正历史误差得到风电能量误差；
对风电能量误差进行求和运算得到能量累加值；
将同一风场不同预测点的能量累加值求和，求和运算中出现的最大值为储能配置容量。
所述的步骤S5根据风电功率修正历史误差得到储能配置功率包括：
同一风场不同预测点的风电功率修正历史误差的最大值为储能配置功率。
还包括：
步骤S6：利用参数历史数据和传统风电功率预测模型得到风电功率预测值；
步骤S7：风电功率预测值添加最佳修正量得到风场并网计划功率。
所述的参数历史数据包括风速、湿度、风向、温度和气压。
所述的传统风电功率预测模型为自适应神经模糊推理模型。
所述的最佳修正量与风电场的装机容量有关。
所述的风电功率历史误差结合最佳修正量得到风电功率修正历史误差表示为：
PEK2＝PEK+μ×Cap PEK＜0
PEK2＝PEK-μ×Cap PEK＞0
PEK2＝PEK PEK＝0
其中，PEK为风电功率历史误差，PEK2为风电功率修正历史误差，μ为修正系数，Cap是风电场的装机容量。
与现有技术相比，本发明具有以下优点：
(1)风电功率预测值添加最佳修正量得到风场并网计划功率，提高了风电场并网计划功率的准确度。
(2)根据风电功率修正历史误差得到储能配置容量和储能配置功率，降低了所需储能配置的容量和功率。
(3)采用自适应神经模糊推理模型，具有便捷高效的优点。
(4)历史数据包括风速、湿度、风向、温度和气压，具有全面性。
附图说明
图1为本发明的流程图；
图2为风电功率预测值修正前预测误差补偿容量分布图；
图3为风电功率预测值修正后预测误差补偿容量分布图；
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
在提高风电场风电功率预报准确度的前提下优化风电场储能配置，降低储能系统容量和功率，提高风电场的经济效益。
I、采用典型风电功率预测模型对风电功率进行预测，输入参数包括：风速、湿度、风向、温度、气压；输出参数为：风电功率历史模型值和风电功率预测值。
II、对风电功率预测值进行修正，得到储能配置容量和储能配置功率，具体步骤如下：
1)由风电场的风电功率历史实测值，计算风电功率历史模型值与风电功率历史实测值的误差：
PEK＝PPK-PMK (1)
上式中，PEK是k时段的风电功率历史误差，PPK是k时段的风电功率历史模型值，PMK是k时段的风电功率历史实测值。预测周期为15min，统计过去七年内，同一个预测点风电功率历史误差的正负情况，在统计时间内，如果正误差占的比率大于负误差，则PEK＞0；如果负误差占的比率大于正误差，则PEK＜0；如果正负误差占的比率相等，则PEK＝0。
2)以同一风场不同预测点的风电功率历史误差的平均绝对值最小为目标，求得风电功率历史误差的最佳修正量。
3)利用最佳修正量对误差值进行修正：
PEK2＝PEK+μ×Cap PEK＜0 (2)
PEK2＝PEK-μ×Cap PEK＞0 (3)
PEK2＝PEK PEK＝0 (4)
其中，PEK为风电功率历史误差，PEK2为风电功率修正历史误差，μ为修正系数，Cap是风电场的装机容量。
4)根据公式E＝PEKk计算误差能量，k是k时段，当PEK＞0时，E为正，储能电池放出能量，当PEK＜0时，E为负，储能电池吸收能量，当PEK＝0时，E为零，储能电池保持上一状态。对整个k时间段内储能电池连续吸收和放出的能量分别进行累加，对同一风场不同预测点的能量累加值进行求和运算，统计整个求和运算中出现的最大值，该值即为完全满足风电场并网计划功率所需储能配置容量。计算PEK的最大值，该值即为完全满足风电场并网计划功率所需储能配置功率。
5)以最佳修正量修正预测功率得到风场并网计划功率。
本实施例通过考虑风电历史误差的分布特征，采用风电功率历史误差修正策略对风电功率预测值进行修正，使风电功率预测值曲线小幅度围绕实际功率曲线上下波动，既提高了风电场并网计划功率的准确度，又降低了所需储能配置的容量和功率。
以装机容量为148.5MW的实际风电场运行数据为例验证本发明所提方法的经济可行性。
首先，采用遗传算法(Genetic Algorithm)改进的自适应神经模糊推理系统(Adaptive Neuro-fuzzy Inference Systems,ANFIS)GA-ANFIS方法对风电场一年的风电功率进行预测，然后利用本实施例提出的风电功率历史误差修正策略对风电功率预测值进行修正，如图2所示是采用自适应神经模糊推理模型的风电功率预测值修正前预测误差补偿容量分布图，图3所示是采用自适应神经模糊推理模型的风电功率预测值修正后预测误差补偿容量分布图，表1是风电功率预测值修正前后风电功率预测值满足的指标要求，修正后风电功率预测值即为风场并网计划功率。从图3可以看出风电功率预测值修正后预测误差波动变小且均在零误差附近波动，从表1可以看出修正后的风电功率预测值比修正前的风电功率预测值指标精度要高且所需储能配置降低，说明本实施例提出的方法具有可行性，风电场并网发电计划功率精度提高可减小弃风量，所需储能配置降低会减少储能系统投资，说明本实施例提出的方法可以提高风电场的经济效益。
表1 GA-ANFIS预测功率修正前后所需储能配置与满足指标统计表
Figure BDA0002110035870000051
表1中平均绝对误差(MAE)的计算公式为：
Figure BDA0002110035870000052
其中，n是预测样本个数。
均方根误差(RMSE)的计算公式为：
Figure BDA0002110035870000053
准确率计算公式为：
Figure BDA0002110035870000054
其中，r1为预报曲线的准确率，N为考核总时段数。
合格率计算公式为：
Figure BDA0002110035870000055
其中，r2是预报曲线的合格率，BK的计算公式如下：
Figure BDA0002110035870000061
本实施例具有以下优点：
提出基于风电功率预测值最佳修正量修正策略适用于任何风电功率预测方法；采用本发明提出的风电功率预测修正策略可提高风电场并网计划功率的准确度；采用本发明提出的风电功率预测修正策略可以降低风场的储能配置，减少弃风量，提高风电场的经济效益。

Claims (7)

1.一种风电场优化储能配置方法，其特征在于，该方法包括以下步骤：
步骤S1：利用参数历史数据和传统风电功率预测模型得到风电功率历史模型值；
步骤S2：根据风电功率历史模型值和风电功率历史实测值得到风电功率历史误差；
步骤S3：使同一风场不同预测点的风电功率历史误差的平均绝对值最小得到风电功率历史误差的最佳修正量；
步骤S4：风电功率历史误差结合最佳修正量得到风电功率修正历史误差；
步骤S5：根据风电功率修正历史误差得到储能配置容量和储能配置功率；
所述步骤S4中，以同一风场不同预测点的风电功率历史误差的平均绝对值最小为目标，求得风电功率历史误差的最佳修正量；
所述的风电功率历史误差结合最佳修正量得到风电功率修正历史误差表示为：
PEK2＝PEK+μ×Cap PEK＜0
PEK2＝PEK-μ×Cap PEK＞0
PEK2＝PEK PEK＝0
其中，PEK为风电功率历史误差，PEK2为风电功率修正历史误差，μ为修正系数，Cap是风电场的装机容量。
2.根据权利要求1所述的一种风电场优化储能配置方法，其特征在于，所述的步骤S5根据风电功率修正历史误差得到储能配置容量包括：
根据风电功率修正历史误差得到风电能量误差；
对风电能量误差进行求和运算得到能量累加值；
将同一风场不同预测点的能量累加值求和，求和运算中出现的最大值为储能配置容量。
3.根据权利要求1所述的一种风电场优化储能配置方法，其特征在于，所述的步骤S5根据风电功率修正历史误差得到储能配置功率包括：
同一风场不同预测点的风电功率修正历史误差的最大值为储能配置功率。
4.根据权利要求1所述的一种风电场优化储能配置方法，其特征在于，还包括：
步骤S6：利用参数历史数据和传统风电功率预测模型得到风电功率预测值；
步骤S7：风电功率预测值添加最佳修正量得到风场并网计划功率。
5.根据权利要求1所述的一种风电场优化储能配置方法，其特征在于，所述的参数历史数据包括风速、湿度、风向、温度和气压。
6.根据权利要求1所述的一种风电场优化储能配置方法，其特征在于，所述的传统风电功率预测模型为自适应神经模糊推理模型。
7.根据权利要求1所述的一种风电场优化储能配置方法，其特征在于，所述的最佳修正量与风电场的装机容量有关。
CN201910567440.8A 2019-06-27 2019-06-27 一种风电场优化储能配置方法 Active CN110165693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910567440.8A CN110165693B (zh) 2019-06-27 2019-06-27 一种风电场优化储能配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910567440.8A CN110165693B (zh) 2019-06-27 2019-06-27 一种风电场优化储能配置方法

Publications (2)

Publication Number Publication Date
CN110165693A CN110165693A (zh) 2019-08-23
CN110165693B true CN110165693B (zh) 2023-05-02

Family

ID=67636757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910567440.8A Active CN110165693B (zh) 2019-06-27 2019-06-27 一种风电场优化储能配置方法

Country Status (1)

Country Link
CN (1) CN110165693B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906928B (zh) * 2019-12-03 2022-09-16 国网山西省电力公司电力科学研究院 一种风电场集群有功功率预测方法及系统
CN111181197B (zh) * 2020-01-08 2021-08-03 中国电建集团华东勘测设计研究院有限公司 一种多弃风区域风储容量配置方法
CN112651604B (zh) * 2020-12-09 2023-04-18 广东电网有限责任公司电力调度控制中心 储能参数的配置方法、装置、电子设备及存储介质
CN114336590A (zh) * 2021-11-24 2022-04-12 华能新能源股份有限公司 一种考虑功率指标的风电场储能配置方法
CN115207913A (zh) * 2022-07-27 2022-10-18 中国华能集团清洁能源技术研究院有限公司 风储联合运行的超短期功率预测数据的修正方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023066A (zh) * 2012-11-21 2013-04-03 华中科技大学 一种适合于含风电电力系统储能功率的优化配置方法
CN103485977A (zh) * 2013-09-06 2014-01-01 河海大学 风力发电系统实时功率预测的修正方法
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
CN107147110A (zh) * 2017-05-17 2017-09-08 山东大学 考虑多风场预测误差时空相关性的储能容量优化配置方法
CN108038577A (zh) * 2017-12-26 2018-05-15 国家海洋局北海预报中心 一种单站海浪有效波高数值预报结果多要素修正方法
CN108229732A (zh) * 2017-12-20 2018-06-29 上海电机学院 基于误差修正的极端学习机风速超短期预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023066A (zh) * 2012-11-21 2013-04-03 华中科技大学 一种适合于含风电电力系统储能功率的优化配置方法
CN103485977A (zh) * 2013-09-06 2014-01-01 河海大学 风力发电系统实时功率预测的修正方法
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
CN107147110A (zh) * 2017-05-17 2017-09-08 山东大学 考虑多风场预测误差时空相关性的储能容量优化配置方法
CN108229732A (zh) * 2017-12-20 2018-06-29 上海电机学院 基于误差修正的极端学习机风速超短期预测方法
CN108038577A (zh) * 2017-12-26 2018-05-15 国家海洋局北海预报中心 一种单站海浪有效波高数值预报结果多要素修正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on storage system capacity of distributed wind power based on prediction error compensation;Wen Yin等;《2015 International Conference on Smart Grid and Clean Energy Technologies (ICSGCE)》;20151231;第75-79页 *
兼顾平抑风电波动和补偿预测误差的混合储能容量经济配比与优化控制;石涛;《电网技术》;20160228;第478-484页 *
基于风电出力预测误差补偿度与经济效益的最佳储能容量配置;胡亚伟;《中国电力》;20160531;第141-148页 *

Also Published As

Publication number Publication date
CN110165693A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110165693B (zh) 一种风电场优化储能配置方法
US11831165B2 (en) Hierarchical control method for island power grid energy storage system for increasing new energy generation fluctuation
CN108173293B (zh) 计及电网运行约束的新能源有功出力最大值在线计算方法
CN108110795B (zh) 风电场群外送输电容量及储能配置联合优化方法
JP4808754B2 (ja) 自然エネルギー発電制御システム
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
CN108599206A (zh) 高比例不确定电源场景下的配电网混合储能配置方法
CN110880789A (zh) 一种风电、光伏联合发电系统经济调度方法
CN108054790B (zh) 基于预测出力逐次逼近的风光发电集群有功实时优化控制方法
CN109167387A (zh) 风场风电功率预测方法
CN110165698B (zh) 一种实现前瞻性误差资产转换的风电场平滑并网方法
CN103248065B (zh) 一种风电场中电池储能系统的充放电控制方法
CN113193600A (zh) 计及风电概率分布不确定性的电力系统调度方法及装置
CN115566741A (zh) 基于lstm预测校正的储能多时间尺度优化控制方法
CN114336592B (zh) 一种基于模型预测控制的风电场agc控制方法
CN111950764A (zh) 一种极端天气条件电网风电功率预测修正方法
CN111049165A (zh) 一种用于新能源电力系统储能配置的方法及系统
CN113131517B (zh) 一种分布式储能的光伏并网监测方法及系统
CN114336762A (zh) 风光发电及电网负荷波动日前调度储能配置优化方法
CN102570509B (zh) 一种blr型agc机组基点功率偏置整定方法
CN111313446B (zh) 一种风电场储能控制方法
CN115842354A (zh) 用于提高风功率预测相关性系数的风电储能配置方法
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法
CN114977166A (zh) 风-储场站日前-日内两阶段功率上报的优化方法
CN113887902A (zh) 基于调度电量比例的风电集群电量分配方法

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