CN111555347A - 基于风功率预测的风储联合运行控制方法 - Google Patents

基于风功率预测的风储联合运行控制方法 Download PDF

Info

Publication number
CN111555347A
CN111555347A CN202010407678.7A CN202010407678A CN111555347A CN 111555347 A CN111555347 A CN 111555347A CN 202010407678 A CN202010407678 A CN 202010407678A CN 111555347 A CN111555347 A CN 111555347A
Authority
CN
China
Prior art keywords
wind
power
energy storage
soc
prediction
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.)
Pending
Application number
CN202010407678.7A
Other languages
English (en)
Inventor
周喜超
孟凡强
王楠
赵鹏翔
李振
丛琳
李娜
李志远
王冰
朱海锋
赵龙
黎海亮
邹冬
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.)
State Grid Comprehensive Energy Service Group Co ltd
State Grid Corp of China SGCC
CYG Sunri Co Ltd
Original Assignee
State Grid Comprehensive Energy Service Group Co ltd
State Grid Corp of China SGCC
CYG Sunri Co Ltd
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 State Grid Comprehensive Energy Service Group Co ltd, State Grid Corp of China SGCC, CYG Sunri Co Ltd filed Critical State Grid Comprehensive Energy Service Group Co ltd
Priority to CN202010407678.7A priority Critical patent/CN111555347A/zh
Publication of CN111555347A publication Critical patent/CN111555347A/zh
Pending legal-status Critical Current

Links

Images

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Abstract

一种基于风功率预测的风储联合运行控制方法，涉及智能电网领域。基于风功率预测的风储联合运行控制方法，包括以下步骤：S1、获取风电场及储能系统的相关运行数据；S2、选择预测时间点前的典型多日数据为训练样本，预测的1～2小时数据为预测样本，构建支持向量机模型，进行超短期回归和预测；S3、基于功率预测结果建立风储联合系统运行模型，通过优化计算，输出控制策略；S4、将步骤S3中得出的储能电站最优化运行曲线，并输出到储能控制系统执行。该发明能够有效增强新能源电站的发电可控性，提高计划跟踪能力，进而解决新能源渗透率增加给电网带来的种种问题，并且进一步提高风电系统的运行经济性和电网运行的可靠性。

Description

基于风功率预测的风储联合运行控制方法
技术领域
本发明涉及智能电网领域，特别涉及基于风功率预测的风储联合运行控制方法。
背景技术
随着风力发电在电网中渗透率的增加，大容量的风力发电集中并网会对电网潮流控制、稳定控制、调频等带来威胁，给电力系统的安全稳定运行带来严峻的挑战。当前蓄电池储能在风力电站中的应用仍处于起步阶段，风力电站的运行控制和储能系统并没有有效的协调优化运行，易造成弃风、功率扰动电池寿命损耗大等问题。
发明内容
本发明的目的在于提供一种基于风功率预测的风储联合运行控制方法，能够有效增强新能源电站的发电可控性，提高计划跟踪能力。
本发明的目的可以这样实现，设计一种基于风功率预测的风储联合运行控制方法，包括以下步骤：
S1、获取风电场及储能系统的相关运行数据；
S2、选择预测时间之前的典型多日数据为训练样本，预测的1～2小时数据为预测样本，构建支持向量机算法模型，进行超短期回归和预测；
S3、基于功率预测结果建立风储联合系统运行模型，通过优化计算，输出控制策略；
S4、将S3中得出的储能电站最优化运行曲线，并输出到储能控制系统执行。
进一步地，所述步骤S1中，所述相关运行数据包括：新能源的实际功率、储能功率、储能系统荷电状态、预测时间点前的数据、风电场天气预报。
进一步地，基于支持向量机的超短期功率的预测方法包括以下步骤：
S21、采用经验模态分解对风电进行分析，选取典型日的数据，采样间隔为1～5min；
S22、对预测时间之前的典型多日数据为训练样本，对样本数据先构建支持向量机，预测的1～2小时数据为预测样本；
S23、利用模型进行回归和预测。
进一步地，预测算法的相关数据取值如下：设数据集合为40，最大迭代次数为50，设置最小发现概率0.18，最大发现概率0.70；其中惩罚因子参数C的搜索范围为10-5～105；
首先对数据进行归一化处理，然后用网格法参数寻优进行预测，最后采用均方根误差评估，评估公式如下：
Figure BDA0002491998980000021
其中，xi为样本值，xi为样本平均值，N为样本数量
进一步地，以风储联合运行的利益最大为目标：
max P＝max(Cs-CBT-Cpe)
其中，P为风储联合系统的收益；Cs为优化时段内风储联合系统的售电收入；CBT为优化时段内储能的综合成本；Cpe为优化时段内风电超出波动范围的惩罚成本；
售电收入Cs：
Figure BDA0002491998980000022
其中，Ps(t)是风储联合系统在t时段的并网功率；B(t)是t时段的风电并网的电价；T是优化时段数；
综合成本CBT：
Figure BDA0002491998980000031
综合考虑将储能系统建造成本包含在内，一般设置CUT＝1.28(元/wh)；
惩罚成本Cpe：
Figure BDA0002491998980000032
其中，ΔPz(t)为t时段的风储联合系统波动；THD为波动范围，一般取风电场装机容量的20％；C(t)为t时段的惩罚波动越限时为1，反之为0；β为惩罚系数，一般惩罚系数设为10。
进一步地，约束条件包括风电场功率平衡约束、储能蓄电池约束；
基于风电场的平稳运行原则，风电场功率平衡约束表示为：
Pw＝Pz-Ph
式中，Pw为风电场的出力；Pz为风储联合系统的总输出功率；Ph为储能系统的输出功率，当储能系统储存能量时为正的数值，反之释放能量时为负的数值；
储能电池的约束主要是控制储能电池的荷电状态SOC和容量上，蓄电池的SOC表示的是电池剩余电量与电池容量的比值，SOC应满足上、下限值约束；
SOCmin≤SOCi≤SOCmax
其中，SOCi、SOCmax、SOCmin分别表示的是蓄电池t时段的SOC实时值及其上限值和下限值；当SOC到达电池最大值，一般取SOCmax＝0.9时，电池停止充电；当SOC到达最小值，本文取SOCmax＝0.2时，电池停止放电；
Emin≤Ei≤Emax
其中，Emax、Emin为蓄电池最大最小容量，Ei为蓄电池t时段的实时容量。
进一步地，风储联合运行控制策略，分析储能系统工作状态时，同时获取风电的t时段和t+i时段的数据，能够考虑当前时段储能充放电，又考虑后时段的风电波动，为后时段提供储能容量准备，并同时检测当前时刻蓄电池的荷电状态。
进一步地，储能系统的出力既要保证当前时刻的风电出力波动不越限，还要对储能系统自身进行充放电能力的检测；若当前时刻蓄电池的SOC处于正常区域且功率和电量仍存在剩余空间，则令其继续充/放部分电能，从而减少因SOC限制而使风储联合系统越限的概率；
蓄电池的充放电状态如下：
状态不变：
ΔPw(t)≤THD且ΔPw(t+i)≤THD
ΔPw(t)为t时段风电的预测波动数值，则ΔPw(t+i)即为i+1时段风电的预测波动数值；
充电状态：
ΔPw(t)＞THD或
Figure BDA0002491998980000041
SOCmin为蓄电池t时段的SOC状态的下限值；
放电状态：
ΔPw(t)＜-THD或
Figure BDA0002491998980000042
SOC(t)为蓄电池t时段的SOC状态的实时值；
进一步地，根据步骤S3的风储联合系统运行模型，确定相应的控制策略，得到储能系统的功率命令值，当所述储能系统功率命令值超过储能电池的最大充放功率时，储能电池停止工作，所述储能充放电约束条件为：
Pd≤Pbess≤Pu
其中Pbess为储能系统t时刻的充放电功率；Pd为最小充放电功率；Pu为最大充放电功率。
本发明采用支持向量机进行风功率预测，并建立了以风储联合系统经济效益最高为目标函数的模型，在模型中考虑风电场和储能的约束条件，制定储能电池的控制策略。该发明能够有效增强新能源电站的发电可控性，提高计划跟踪能力，进而解决新能源渗透率增加给电网带来的种种问题，并且进一步提高风电系统的运行经济性和电网运行的可靠性。
附图说明
图1是本发明较佳实施例的流程图。
具体实施方式
以下结合实施例对本发明作进一步的描述。
如图1所示，一种基于风功率预测的风储联合运行控制方法，包括如下步骤：
S1、获取风电场及储能系统的相关运行数据。
所述相关运行数据包括，新能源的实际功率、储能功率、储能系统荷电状态、预测时间点前的数据、风电场天气预报等数据。
S2、选择预测时间前的典型多日数据为训练样本，预测的1～2小时数据为预测样本，构建支持向量机算法模型，进行超短期回归和预测。
建立基于支持向量机算法的超短期功率预测。
S21、采用经验模态分解对风电进行分析，首先选取预测时间之前的典型多日数据为训练样本，采样间隔为1～5min，预测的1～2h数据为预测样本，本实施例中，采样间隔为1min，预测的1h数据为预测样本；对样本数据先构建支持向量机，公式如下，然后进行回归和预测。
Figure BDA0002491998980000051
Figure BDA0002491998980000052
式中：C为惩罚因子，ξ为松弛因子，w为法向变量，(xi,yi)为样本数据。
预测支持向量机的相关数据取值如下：设数据集合为40，最大迭代次数为50，设置最小发现概率0.18，最大发现概率0.70。惩罚因子参数C的搜索范围为10-5～105，松弛因子ξ搜索范围为0～103。
首先对数据进行归一化处理，然后用网格法参数寻优进行预测，最后采用均方根误差(RMSE)评估，评估公式如下：
Figure BDA0002491998980000061
其中，xi为样本值，xi为样本平均值，N为样本数量。
S3、基于功率预测结果建立风储联合系统运行模型，通过优化计算，输出控制策略。
本发明综合考虑风储联合系统的经济性和技术可行性，提出了一种考虑蓄电池的充放电次数，含风电波动越限惩罚成本的风储联合系统收益模型。该模型追求的是以风储联合系统的收益最大为目标，建立的数学模型如下：
目标函数
以风储联合系统的利益最大为目标：
maxP＝max(Cs-CBT-Cpe)
其中，P为风储联合系统的收益；Cs为优化时段内风储联合系统的售电收入；CBT为优化时段内储能的综合成本；Cpe为优化时段内风电超出波动范围的惩罚成本。
(1)售电收入Cs：
Figure BDA0002491998980000062
其中，Ps(t)是风储联合系统在t时段的并网功率；B(t)是t时段的风电并网的电价；T是优化时段数。
(2)综合成本CBT：
Figure BDA0002491998980000071
综合考虑将储能系统建造成本包含在内，一般设置CUT＝1.28(元/wh)。
(3)惩罚成本Cpe：
Figure BDA0002491998980000072
其中，ΔPz(t)为t时段的风储联合系统波动；THD为波动范围，一般取风电场装机容量的20％；C(t)为t时段的惩罚波动越限时为1，反之为0；β为惩罚系数，一般惩罚系数设为10。
约束条件
约束条件包括风电场功率平衡约束、储能蓄电池约束。
(1)风电场功率平衡约束
基于风电场的平稳运行原则，功率平衡约束表示为：
Pw＝Pz-Ph
式中，Pw为风电场的出力；Pz为风储联合系统的总输出功率；Ph为储能系统的输出功率，当储能系统储存能量时为正的数值，反之释放能量时为负的数值。
(2)储能电池约束
储能电池的约束主要是控制储能电池的荷电状态SOC和容量上，蓄电池的SOC表示的是电池剩余电量与电池容量的比值，SOC应满足上、下限值约束。
SOCmin≤SOCi≤SOCmax
其中，SOCi、SOCmax、SOCmin分别表示的是蓄电池t时段的SOC状态及其上限和下限。当SOC到达电池最大值，一般取SOCmax＝0.9时，电池停止充电；当SOC到达最小值，本文取SOCmax＝0.2时，电池停止放电。
Emin≤Ei≤Emax
Emax、Emin为蓄电池最大最小容量，Ei为蓄电池t时段的实时容量。
为了平抑风电功率波动和减少电池寿命的损耗，提出了一种风储联合运行控制策略。分析储能系统工作状态时，同时获取风电的t时段和t+i时段的数据，能够考虑当前时段储能充放电，又考虑后时段的风电波动，为后时段提供储能容量准备，并同时检测当前时刻蓄电池的荷电状态。
考虑自身约束条件的前提下，储能系统的出力既要保证当前时刻的风电出力波动不越限，还要对储能系统自身进行充放电能力的检测。若当前时刻蓄电池的SOC处于正常区域且功率和电量仍存在剩余空间，则令其继续充/放部分电能，从而减少了因SOC限制而使风储联合系统越限的概率。蓄电池的充放电状态如下：
(1)状态不变
ΔPw(t)≤THD且ΔPw(t+i)≤THD
ΔPw(t)为t时段风电的预测波动数值，ΔPw(t+i)为i+1时段风电的预测波动数值。
(2)充电状态
ΔPw(t)＞THD或
Figure BDA0002491998980000081
SOCmin为蓄电池t时段的SOC状态的下限值。
(3)放电状态
ΔPw(t)＜-THD或
Figure BDA0002491998980000082
S4、将步骤S3中得出的储能电站最优化运行曲线，并输出到储能控制系统执行。
所述步骤S4中，所述的基于风功率预测的风储联合运行控制方法，根据步骤S3的风储联合系统运行模型，确定相应的控制策略，得到储能系统的功率命令值，当所述储能系统功率命令值超过储能电池的最大充放功率时，储能电池停止工作，所述储能充放电约束条件为：
Pd≤Pbess≤Pu
其中Pbess为储能系统t时刻的充放电功率，Pd为最小充放电功率；Pu为最大充放电功率。
本发明采用支持向量机进行风功率预测，并建立了以风储联合系统经济效益最高为目标函数的模型，在模型中考虑风电场和储能的约束条件，制定储能电池的控制策略。该发明能够有效增强新能源电站的发电可控性，提高计划跟踪能力，进而解决新能源渗透率增加给电网带来的种种问题，并且进一步提高风电系统的运行经济性和电网运行的可靠性。

Claims (9)

1.一种基于风功率预测的风储联合运行控制方法，其特征在于，包括以下步骤：
S1、获取风电场及储能系统的相关运行数据；
S2、选择预测时间前的典型多日数据为训练样本，预测的1～2小时数据为预测样本，构建支持向量机算法模型，进行超短期回归和预测；
S3、基于功率预测结果建立风储联合系统运行模型，通过优化计算，输出控制策略；
S4、将S3中得出的储能电站最优化运行曲线，并输出到储能控制系统执行。
2.根据权利要求1所述的基于风功率预测的风储联合运行控制方法，其特征在于，所述步骤S1中，所述相关运行数据包括：新能源的实际功率、储能功率、储能系统荷电状态、预测时间点前的数据、风电场天气预报。
3.根据权利要求1所述的基于风功率预测的风储联合运行控制方法，其特征在于，基于支持向量机的超短期功率的预测方法包括以下步骤：
S21、采用经验模态分解对风电进行分析，选取多日典型数据，采样间隔为1～5min；
S22、预测时间之前的典型多日数据为训练样本，对样本数据先构建支持向量机，预测的1～2小时数据为预测样本；
S23、利用模型进行回归和预测。
4.根据权利要求3所述的基于风功率预测的风储联合运行控制方法，其特征在于，预测算法的相关数据取值如下：设数据集合为40，最大迭代次数为50，设置最小发现概率0.18，最大发现概率0.70；其中惩罚因子参数C的搜索范围为10-5～105；
首先对数据进行归一化处理，然后用网格法参数寻优进行预测，最后采用均方根误差评估，评估公式如下：
Figure FDA0002491998970000021
其中，xi为样本值，xi为样本平均值，N为样本数量。
5.根据权利要求1所述的基于风功率预测的风储联合运行控制方法，其特征在于：
以风储联合运行的利益最大为目标：
max P＝max(Cs-CBT-Cpe)
其中，P为风储联合系统的收益；Cs为优化时段内风储联合系统的售电收入；CBT为优化时段内储能的综合成本；Cpe为优化时段内风电超出波动范围的惩罚成本；
售电收入Cs：
Cs＝∫0 TPs(t)×B(t)dt
其中，Ps(t)是风储联合系统在t时段的并网功率；B(t)是t时段的风电并网的电价；T是优化时段数；
综合成本CBT：
CBT＝CUT×∫0 TPb(t)dt
综合考虑将储能系统建造成本包含在内，一般设置CUT＝1.28(元/wh)；
惩罚成本Cpe：
Cpe＝C(t)×∫0 T{|ΔPz(t)-THD|×B(t)×β}dt
其中，ΔPz(t)为t时段的风储联合系统波动；THD为波动范围，一般取风电场装机容量的20％；C(t)为t时段的惩罚波动越限时为1，反之为0；β为惩罚系数，一般惩罚系数设为10。
6.根据权利要求1所述的基于风功率预测的风储联合运行控制方法，其特征在于：
约束条件包括风电场功率平衡约束、储能蓄电池约束；
基于风电场的平稳运行原则，风电场功率平衡约束表示为：
Pw＝Pz-Ph
式中，Pw为风电场的出力；Pz为风储联合系统的总输出功率；Ph为储能系统的输出功率，当储能系统储存能量时为正的数值，反之释放能量时为负的数值；
储能电池的约束主要是控制储能电池的荷电状态SOC和容量上，蓄电池的SOC表示的是电池剩余电量与电池容量的比值，SOC应满足上、下限值约束；
SOCmin≤SOCi≤SOCmax
其中，SOCi、SOCmax、SOCmin分别表示的是蓄电池t时段的SOC实时值及其上限值和下限值；当SOC到达电池最大值，一般取SOCmax＝0.9时，电池停止充电；当SOC到达最小值，本文取SOCmax＝0.2时，电池停止放电；
Emin≤Ei≤Emax
其中，Emax、Emin为蓄电池最大最小容量，Ei为蓄电池t时段的实时容量。
7.根据权利要求1所述的基于风功率预测的风储联合运行控制方法，其特征在于：风储联合运行控制策略，分析储能系统工作状态时，同时获取风电的t时段和t+i时段的数据，能够考虑当前时段储能充放电，又考虑后时段的风电波动，为后时段提供储能容量准备，并同时检测当前时刻蓄电池的荷电状态。
8.根据权利要求6所述的基于风功率预测的风储联合运行控制方法，其特征在于：
储能系统的出力既要保证当前时刻的风电出力波动不越限，还要对储能系统自身进行充放电能力的检测；若当前时刻蓄电池的SOC处于正常区域且功率和电量仍存在剩余空间，则令其继续充/放部分电能，从而减少因SOC限制而使风储联合系统越限的概率；
蓄电池的充放电状态如下：
状态不变：
ΔPw(t)≤THD且ΔPw(t+i)≤THD
ΔPw(t)为t时段风电的预测波动数值，则ΔPw(t+i)即为i+1时段风电的预测波动数值；
充电状态：
ΔPw(t)＞THD或
Figure FDA0002491998970000041
SOCmin为蓄电池t时段的SOC状态的下限值；
放电状态：
ΔPw(t)＜-THD或
Figure FDA0002491998970000042
SOC(t)为蓄电池t时段的SOC状态的实时值。
9.根据权利要求1所述的基于风功率预测的风储联合运行控制方法，其特征在于：根据步骤S3的风储联合系统运行模型，确定相应的控制策略，得到储能系统的功率命令值，当所述储能系统功率命令值超过储能电池的最大充放功率时，储能电池停止工作，所述储能充放电约束条件为：
Pd≤Pbess≤Pu
其中Pbess为储能系统t时刻的充放电功率；Pd为最小充放电功率；Pu为最大充放电功率。
CN202010407678.7A 2020-05-14 2020-05-14 基于风功率预测的风储联合运行控制方法 Pending CN111555347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407678.7A CN111555347A (zh) 2020-05-14 2020-05-14 基于风功率预测的风储联合运行控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407678.7A CN111555347A (zh) 2020-05-14 2020-05-14 基于风功率预测的风储联合运行控制方法

Publications (1)

Publication Number Publication Date
CN111555347A true CN111555347A (zh) 2020-08-18

Family

ID=72002847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407678.7A Pending CN111555347A (zh) 2020-05-14 2020-05-14 基于风功率预测的风储联合运行控制方法

Country Status (1)

Country Link
CN (1) CN111555347A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112366753A (zh) * 2020-11-27 2021-02-12 国家电网有限公司 光储联合运行的经济最优控制方法
CN112564187A (zh) * 2020-12-15 2021-03-26 深圳供电局有限公司 一种电力系统风储联合规划方法
CN115207950A (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 一种基于随机扰动的储能系统控制方法及装置
CN115659595A (zh) * 2022-09-26 2023-01-31 中国华能集团清洁能源技术研究院有限公司 基于人工智能的新能源场站的储能控制方法及装置
CN117613984A (zh) * 2024-01-23 2024-02-27 主力能源(北京)有限公司 一种用于风电储能的控制协调方法及系统
CN117613984B (zh) * 2024-01-23 2024-04-30 主力能源(北京)有限公司 一种用于风电储能的控制协调方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015070480A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 基于风功率预测的电池储能电站能量管理方法
CN104779631A (zh) * 2014-12-31 2015-07-15 国家电网公司 基于风电预测功率的储能跟踪风电出力计划方法及其系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015070480A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 基于风功率预测的电池储能电站能量管理方法
CN104779631A (zh) * 2014-12-31 2015-07-15 国家电网公司 基于风电预测功率的储能跟踪风电出力计划方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘玉芹: "考虑风电功率预测的混合储能运行控制策略研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112366753A (zh) * 2020-11-27 2021-02-12 国家电网有限公司 光储联合运行的经济最优控制方法
CN112564187A (zh) * 2020-12-15 2021-03-26 深圳供电局有限公司 一种电力系统风储联合规划方法
CN115207950A (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 一种基于随机扰动的储能系统控制方法及装置
CN115207950B (zh) * 2022-07-27 2024-02-06 中国华能集团清洁能源技术研究院有限公司 一种基于随机扰动的储能系统控制方法及装置
CN115659595A (zh) * 2022-09-26 2023-01-31 中国华能集团清洁能源技术研究院有限公司 基于人工智能的新能源场站的储能控制方法及装置
CN115659595B (zh) * 2022-09-26 2024-02-06 中国华能集团清洁能源技术研究院有限公司 基于人工智能的新能源场站的储能控制方法及装置
CN117613984A (zh) * 2024-01-23 2024-02-27 主力能源(北京)有限公司 一种用于风电储能的控制协调方法及系统
CN117613984B (zh) * 2024-01-23 2024-04-30 主力能源(北京)有限公司 一种用于风电储能的控制协调方法及系统

Similar Documents

Publication Publication Date Title
CN111555347A (zh) 基于风功率预测的风储联合运行控制方法
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和系统
Liu et al. Optimal sizing of a wind-energy storage system considering battery life
Khalid et al. A model predictive control approach to the problem of wind power smoothing with controlled battery storage
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
CN106228462B (zh) 一种基于遗传算法的多储能系统优化调度方法
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN111244991A (zh) 一种考虑电池寿命的储能电站运行控制方法及系统
CN104915788B (zh) 一种考虑多风场相关性的电力系统动态经济调度的方法
CN116470513A (zh) 一种响应电网需求的多类型光热电站协调调度运行方法
CN112670999A (zh) 一种基于用户侧灵活资源的低压配电网实时电压控制方法
CN105470947B (zh) 一种基于量子行为粒子群算法的微电网调度方法
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
Zahedi et al. Operational strategy optimization of a hybrid green power system based on fuzzy logic controller with considering for optimal sizing and analysis of different priorities for energy storage
CN116154770A (zh) 一种基于光伏储能的建筑工地智慧用电调度系统及方法
CN115425650A (zh) 一种供电所微电网配置方法、装置、设备及介质
Gaetani-Liseo et al. Identification of ESS Degradations Related to their Uses in Micro-Grids: application to a building lighting network with VRLA batteries
CN108183498B (zh) 一种含风光储配电网背景下的车储混合配置方法
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
CN117175647B (zh) 一种应用于微电网的新能源储能方法及系统
Li et al. Development of control strategy to increase the lifetime of grid-connected Li-ion battery
CN115018379B (zh) 电动汽车日内响应能力评估方法、系统及计算机存储介质
CN112668764B (zh) 一种基于云模型和fcm算法的海上风电场储能系统优化配置方法
CN115642617B (zh) 一种光伏储能系统的调度方法
CN116388240B (zh) 一种基于pso优化双层云控制器的风电场储能控制方法

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