CN112036735B - 一种用于光伏电站的储能系统的储能容量规划方法及系统 - Google Patents
一种用于光伏电站的储能系统的储能容量规划方法及系统 Download PDFInfo
- Publication number
- CN112036735B CN112036735B CN202010883876.0A CN202010883876A CN112036735B CN 112036735 B CN112036735 B CN 112036735B CN 202010883876 A CN202010883876 A CN 202010883876A CN 112036735 B CN112036735 B CN 112036735B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- cost
- energy
- storage system
- battery
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 389
- 238000013439 planning Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010248 power generation Methods 0.000 claims abstract description 86
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000007613 environmental effect Effects 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000009434 installation Methods 0.000 claims description 58
- 238000011084 recovery Methods 0.000 claims description 36
- 230000008439 repair process Effects 0.000 claims description 25
- 238000007599 discharging Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Abstract
本发明涉及一种用于光伏电站的储能系统的储能容量规划方法及系统。该方法包括:利用K‑Means聚类算法对样本集进行处理,确定训练日数据;利用皮尔逊相关系数法确定环境因素‑训练日数据关系,以确定发电功率,并以发电功率为依据,确定光伏发电量;根据光伏发电量以及负荷使用量确定储能功率;以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据光伏使用量以及负荷使用量控制储能系统的储能容量;获取储能系统的年均运行成本;基于储能功率约束、储能SOC约束以及储能容量约束,根据年均运行成本构建储能规划模型;利用粒子群算法求解储能规划模型,对储能容量进行规划。本发明能够对储能系统的储能进行合理规划。
Description
技术领域
本发明涉及储能系统的储能规划领域,特别是涉及一种用于光伏电站的储能系统的储能容量规划方法及系统。
背景技术
近年来,光伏产业发展日益繁荣,为减少电站弃光率,稳定电能质量,通常引入储能系统。光伏功率的准确预测对于电站的运行规划具有重要意义,储能系统容量的合理配置是电站前期规划的重要指标。目前,国内光储电站发展迅速,表1为国内光储示范工程概况表,部分光储示范工程的概况见表1所示。为了改善光储电站发展现状,2019年2月新疆自治区发布国内第一个对于发电侧储能而设立正式文件——《关于在全疆开展发电侧储能电站建设试点的通知》,指出在原则上储能电站要依据光伏电站规模的20%进行配置。2020年是“十四五规划”年,在这期间预计装机280-300GW左右,希望达到的光伏愿景:降本、创新、融合发展;而储能电站则要求限定最优配置,获得合理的市场收益,降低初始投资成本。
表1
发明内容
本发明的目的是提供一种用于光伏电站的储能系统的储能容量规划方法及系统,能够快速预测出光伏电站内的光伏数据,从而对用于光伏电站的储能系统的储能进行合理规划。
为实现上述目的,本发明提供了如下方案:
一种用于光伏电站的储能系统的储能容量规划方法,包括:
在已知光伏规模下,获取光伏使用量、负荷使用量、影响光伏发电功率的环境因素以及样本集;所述环境因素包括太阳光照强度、日内温度变化情况、大气湿度以及空气质量指数;所述样本集包括历史环境因素以及所述历史环境因素对应的日内各时刻的发电功率;
利用K-Means聚类算法对所述样本集进行处理,确定训练日数据;
利用皮尔逊相关系数法确定所述影响光伏发电功率的环境因素以及所述训练日数据之间的环境因素-训练日数据关系;
根据所述环境因素-训练日数据关系确定发电功率,并以所述发电功率为依据,确定光伏发电量;
根据所述光伏发电量以及所述负荷使用量确定储能功率;
以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据所述光伏使用量以及所述负荷使用量控制储能系统的储能容量;
基于所述储能功率、所述SOC状态以及所述储能容量,确定储能功率约束、储能SOC约束以及储能容量约束;
获取所述储能系统的年均运行成本;所述年均运行成本包括储能电池安装成本、储能电池更替成本、年运行修护成本以及回收成本;
基于所述储能功率约束、所述储能SOC约束以及所述储能容量约束,根据所述年均运行成本构建储能系统的储能规划模型;所述储能规划模型包括储能电池安装成本规划模型、储能电池更替成本规划模型、年运行修护成本规划模型以及回收成本规划模型;
利用粒子群算法求解所述储能规划模型,对所述储能系统的储能容量进行规划。
可选的,所述储能功率为:
Prate=max{|ΔP(t)|};其中,Prate为储能功率,ΔP(t)为每个时刻光伏发电量以及所述负荷使用量的差值。
可选的,所述以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据所述光伏使用量以及所述负荷使用量控制储能系统的储能容量,具体包括:
当所述光伏发电量小于所述负荷使用量时,基于所述负荷缺电率,根据公式确定储能系统释放的能量,并根据所述储能系统释放的能量控制所述储能系统的储能容量;其中,ΔEstore'为储能系统释放的能量;Pload为负荷使用量,Ppv为光伏使用量,ηd为放电效率,η1为DC-AC逆变器的转换效率,η2为DC-DC变换器的转换效率;Δt为时间变化量;
当所述光伏发电量不小于所述负荷使用量时,基于所述能量溢出比,根据公式确定储能系统存储的能量,并根据所述储能系统存储的能量控制所述储能系统的储能容量;其中,ΔEstore″为储能系统存储的能量;ηc为充电效率。
可选的,在所述储能系统充放电过程中,所述SOC状态为:
其中,SOC(t)为放电过程中的荷电状态,Estore(t+Δt)为一段时间内储能系统充放电的能量;ΔEstore为根据所述储能系统的当前操作,确定为存储的能量或释放的能量;Erate为所述储能系统的额定储能容量。
可选的,所述基于所述储能功率约束、所述储能SOC约束以及所述储能容量约束,根据所述年均运行成本构建储能系统的储能规划模型,具体包括:
所述储能电池安装成本规划模型为:其中,Cbat为电池的安装成本;CE为单位电池的安装成本;Cpcs为变流器的安装成本;Cp为DC-DC变流器的单位安装成本;Cbot为辅助器件的安装成本;CB为辅助器件的单位安装成本;Pbat为电池功率,t为日内电池充放电时间;
所述储能电池更替成本规划模型为:其中,Crep为储能电池更替成本规划模型;λ为电池在整个项目周期内更换次数,N为项目周期;n为电池理论使用寿命;η为电池的运行效率;μ为项目周期内电池安装次数;γ为电池成本下降比例;i为贴现率;
所述年运行修护成本规划模型为:CFPM=CfpPbat;其中,CFPM为年运行修护成本规划模型;Cfp为单位电池的年运行维护成本;
所述回收成本规划模型为:其中,Crec为回收成本规划模型;ξ为电池回收系数;Csys为单位电池的回收成本。
一种用于光伏电站的储能系统的储能容量规划系统,包括:
参数获取模块,用于在已知光伏规模下,获取光伏使用量、负荷使用量、影响光伏发电功率的环境因素以及样本集;所述环境因素包括太阳光照强度、日内温度变化情况、大气湿度以及空气质量指数;所述样本集包括历史环境因素以及所述历史环境因素对应的日内各时刻的发电功率;
训练日数据确定模块,用于利用K-Means聚类算法对所述样本集进行处理,确定训练日数据;
环境因素-训练日数据关系确定模块,用于利用皮尔逊相关系数法确定所述影响光伏发电功率的环境因素以及所述训练日数据之间的环境因素-训练日数据关系;
光伏发电量确定模块,用于根据所述环境因素-训练日数据关系确定发电功率,并以所述发电功率为依据,确定光伏发电量;
储能功率确定模块,用于根据所述光伏发电量以及所述负荷使用量确定储能功率;
储能容量确定模块,用于以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据所述光伏使用量以及所述负荷使用量控制储能系统的储能容量;
约束条件确定模块,用于基于所述储能功率、所述SOC状态以及所述储能容量,确定储能功率约束、储能SOC约束以及储能容量约束;
年均运行成本获取模块,用于获取所述储能系统的年均运行成本;所述年均运行成本包括储能电池安装成本、储能电池更替成本、年运行修护成本以及回收成本;
储能规划模型构建模块,用于基于所述储能功率约束、所述储能SOC约束以及所述储能容量约束,根据所述年均运行成本构建储能系统的储能规划模型;所述储能规划模型包括储能电池安装成本规划模型、储能电池更替成本规划模型、年运行修护成本规划模型以及回收成本规划模型;
规划模块,用于利用粒子群算法求解所述储能规划模型,对所述储能系统的储能容量进行规划。
可选的,所述储能功率确定模块中的所述储能功率为:
Prate=max{|ΔP(t)|};其中,Prate为储能功率,ΔP(t)为每个时刻光伏发电量以及所述负荷使用量的差值。
可选的,所述储能容量确定模块,具体包括:
储能系统释放的能量确定单元,用于当所述光伏发电量小于所述负荷使用量时,基于所述负荷缺电率,根据公式确定储能系统释放的能量,并根据所述储能系统释放的能量控制所述储能系统的储能容量;其中,ΔEstore'为储能系统释放的能量;Pload为负荷使用量,Ppv为光伏使用量,ηd为放电效率,η1为DC-AC逆变器的转换效率,η2为DC-DC变换器的转换效率;Δt为时间变化量;
储能系统存储的量确定单元,用于当所述光伏发电量不小于所述负荷使用量时,基于所述能量溢出比,根据公式确定储能系统存储的能量,并根据所述储能系统存储的能量控制所述储能系统的储能容量;其中,ΔEstore″为储能系统存储的能量;ηc为充电效率。
可选的,在所述储能系统充放电过程中,所述SOC状态为:
其中,SOC(t)为放电过程中的荷电状态,Estore(t+Δt)为一段时间内储能系统充放电的能量;ΔEstore为根据所述储能系统的当前操作,确定为存储的能量或释放的能量;Erate为所述储能系统的额定储能容量。
可选的,所述储能规划模型构建模块,具体包括:
所述储能电池安装成本规划模型为:其中,Cbat为电池的安装成本;CE为单位电池的安装成本;Cpcs为变流器的安装成本;Cp为DC-DC变流器的单位安装成本;Cbot为辅助器件的安装成本;CB为辅助器件的单位安装成本;Pbat为电池功率,t为日内电池充放电时间;
所述储能电池更替成本规划模型为:其中,Crep为储能电池更替成本规划模型;λ为电池在整个项目周期内更换次数,N为项目周期;n为电池理论使用寿命;η为电池的运行效率;μ为项目周期内电池安装次数;γ为电池成本下降比例;i为贴现率;
所述年运行修护成本规划模型为:CFPM=CfpPbat;其中,CFPM为年运行修护成本规划模型;Cfp为单位电池的年运行维护成本;
所述回收成本规划模型为:其中,Crec为回收成本规划模型;ξ为电池回收系数;Csys为单位电池的回收成本。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种用于光伏电站的储能系统的储能容量规划方法及系统,利用皮尔逊相关系数法求解训练日数据与各环境变量因素的关系,并构建储能规划模型利用粒子群算法求解所述储能规划模型,对所述储能系统的储能容量进行规划。其中,本发明采用皮尔逊相关系数法,求得的相关系数是线性系数,在预测中,利用线性方程求解即可,大大简化计算过程,提高了计算效率;且在进行储能容量配置时,以负荷缺电率和能量溢出比为指标,进行迭代配置,可保证系统的正常运行效果,配置结果参考性高。
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他的附图。
图1为本发明所提供的用于光伏电站的储能系统的储能容量规划方法流程图;
图2为本发明所提供的粒子群算法求解流程图;
图3为本发明所提供的训练日数据示意图;
图4为本发明所提供的光伏功率的日内预测曲线和实际曲线图;
图5为本发明所提供的光伏电站各时刻的平均发电功率及负荷用电数据曲线图;
图6为粒子群优化算法的迭代结果图;
图7为本发明所提供的用于光伏电站的储能系统的储能容量规划系统结构图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的用于光伏电站的储能系统的储能容量规划方法流程图,如图1所示,一种用于光伏电站的储能系统的储能容量规划方法,包括:
步骤101:在已知光伏规模下,获取光伏使用量、负荷使用量、影响光伏发电功率的环境因素以及样本集;所述环境因素包括太阳光照强度、日内温度变化情况、大气湿度以及空气质量指数;所述样本集包括历史环境因素以及所述历史环境因素对应的日内各时刻的发电功率。
步骤102:利用K-Means聚类算法对所述样本集进行处理,确定训练日数据;所述训练日数据包括温度、光照以及日内光伏功率。
步骤103:利用皮尔逊相关系数法确定所述影响光伏发电功率的环境因素以及所述训练日数据之间的环境因素-训练日数据关系。
步骤104:根据所述环境因素-训练日数据关系确定发电功率,并以所述发电功率为依据,确定光伏发电量。
步骤105:根据所述光伏发电量以及所述负荷使用量确定储能功率。
步骤106:以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据所述光伏使用量以及所述负荷使用量控制储能系统的储能容量。
步骤107:基于所述储能功率、所述SOC状态以及所述储能容量,确定储能功率约束、储能SOC约束以及储能容量约束。
步骤108:获取所述储能系统的年均运行成本;所述年均运行成本包括储能电池安装成本、储能电池更替成本、年运行修护成本以及回收成本。
步骤109:基于所述储能功率约束、所述储能SOC约束以及所述储能容量约束,根据所述年均运行成本构建储能系统的储能规划模型;所述储能规划模型包括储能电池安装成本规划模型、储能电池更替成本规划模型、年运行修护成本规划模型以及回收成本规划模型。
步骤110:利用粒子群算法求解所述储能规划模型,对所述储能系统的储能容量进行规划。
将本发明所提供的储能容量规划方法应用到实际中,对本发明所提供的储能容量规划方法进一步解释:在实际应用中,日内光伏功率预测如下所述:
光伏发电功率易受环境条件、气象变化的影响,包含太阳光照强度、日内温度变化情况、大气湿度、空气质量指数。其中,光照强度对光伏发电情况的作用最大最直接,呈现出正相关关系。其次,影响较大的是温度、日内天气的变化情况。因此,在历史数据中需要利用皮尔逊相关系数法,分别求解出各环境、气象因素与输出功率的关系。
该系数是一个大于-1和小于1的数,1表示变量对其呈正相关关系,0表示变量与其无关,-1表示变量对其呈负相关关系。历史数据的筛定范围决定获得的该相关系数的准确度。本文考虑把预测日数据作为聚类中心,对历史数据进行K-Means聚类得出训练日数据,然后求解训练日数据中变量的皮尔逊系数,利用线性方程对日内光伏发电功率的变化进行合理预测。
(1)数据归一化处理
由于气象条件的变量因素与发电功率的数据单位不统一,为方便计算需对数据进行归一化处理。处理方法采用最大最小归一化法,如下式所示,归一化之后的数据介于0和1之间。
式中,x为历史数据,xmin为该样本里特征数据的最小值,xmax为该样本里特征数据的最大值。
(2)K-Means聚类确定训练日数据
K-Means聚类算法是典型以距离为参考的算法,对提供的样本集以距离大小为标准,将样本集聚类成不同的簇,聚类后簇内各样本较为密集,簇与簇的距离相隔较远。该种计算方法具有初始聚类中心是任意选定的,聚类数目k不定的特点。
为提高预测精准度,考虑把初始聚类中心定为预测日采集数据,数目k定为预测日的时间。设待聚类的样本集为D(x)={x(1),x(2),x(3)…},即为历史气象数据及日内各时刻的发电功率。求解样本之间的欧式距离公式如下:
式中,m为变量因素的数目,x(i)为该变量下对应的原始数据。
求解出各样本点与聚类中心的欧氏距离后,将各个聚类中心的欧式距离计算结果按升序顺序进行排列,取出每组数据中最小的十个数。排列数字对应的数据即为训练日数据。
(3)利用皮尔逊相关系数求解变量关系
皮尔逊相关系数法求解的是影响因素与结果两者的线性关联度,数值的绝对值越大表征影响程度越大,求解公式如下所示:
式中,Xi为训练日中的变量因素数据,X’为训练日中的变量因素数据的平均值,Yi为训练日中的功率数据,Y’训练日中的功率数据的平均值。
依次根据训练日数据,求解出太阳辐照度、温度与发电功率之间的线性系数,将求得的系数代入线性方程,如式所示,求解发电功率。
P=rspx(1)+rwpx(2)
式中,rsp为太阳辐照度、功率两者相关系数,rwp为温度、功率两者相关系数。
储能容量配置是光储系统设计规划的重要前期基础技术,其配置的结果直接决定系统应用效果以及工程运营成本。如果储能系统容量配置冗余过量,光储系统资金成本随之过高,从而系统单位电价过高;如果储能容量配置不足,储能系统维持光伏系统内部能量平衡的能力随之降低,将造成系统内部负荷缺电或大量光伏资源的溢出浪费,造成经济上的损失。光储系统研究之初有必要确定光储系统的容量配置,光伏储能的配置主要有两种形式,单种电池储能和混合储能。该模型以5种常见的储能电池类型为例,分别为能量型铅酸电池(VRLA-B)、功率型铅酸电池(VRLA-cap)、钠硫电池(NaS)、锂电池(LFP)和全钒液流电池(V-redox),进行研究和相应的合理规划、设计,表2为电池特性参数表,特性参数如表2所示。
表2
(1)储能功率的计算:
已知光伏规模,储能功率配置以光伏发电量与负荷使用量为参考进行计算,光伏发电量以预测得到的日内发电量作为依据。当光伏发电量大于负荷使用量时,系统处于满溢状态,多余的光伏能量需储存在储能装置中,即ΔP(t)>0,其中,ΔP(t)为每个时刻发电量与用电量的差值;反之,系统的电能不足以满足负荷运行时,储能装置需进行放电操作来满足正常的负荷需求,即ΔP(t)<0。在进行储能功率配置时,需保证储能系统能够补充系统缺少的能量或吸收足够的满溢能量,故合适的储能功率应选取:Prate=max{|ΔP(t)|}。
(2)储能容量的计算:
储能容量的确定,是以负荷缺电率(LPSP)和能量溢出比(EXC)为标准,严格控制储能装置的SOC状态进行迭代求解。其中,负荷缺电率(LPSP),表示在一段采样周期T中,光伏发电量无法供给负荷使用量的比例。能量溢出比(EXC)是指在一段采样周期T中,满溢能量和这段时间的总发电量的比值。
储能容量配置结果需保证光储电站内部电量平衡,当系统的电能不充足时,储能装置需经DC-DC变换器和DC-AC逆变至交流母线部分供给负荷使用。在周期T内,储能装置释放的能量为:
式中,Pload为负荷使用量,Ppv为光伏使用量,ηd为放电效率,η1为DC-AC逆变器的转换效率,η2为DC-DC变换器的转换效率。
当系统处于满溢状态时,储能装置需经过DC-DC变流器储存部分光伏组件发出的电能。在周期T内,储能装置存储的能量为:
为了确保储能系统能够完成合理的充放电操作,需严格控制其在使用过程的SOC的值,其中SOC的计算公式如下:
Estore(t+Δt)=Estore(t)+Estore(Δt)
式中,Erate为储能装置的额定容量,初始存储容量为0,Estore(t)为t时刻的储能容量。
(3)目标函数建模:
该模型的目标定为经济成本,目标函数为储能系统的年均运行成本。其运行成本主要包括4个部分,分别是储能电池安装成本、更替成本、年运行修护成本和回收成本。
1)储能电池安装成本建模:
安装成本主要包括三部分,分别是电池成本、DC-DC变流器成本及其他如调频等的辅助装置成本。
式中,CE为单位电池的安装成本(元/(kW h)),Cp为DC-DC变流器的单位安装成本(元/kW),CB为辅助器件的单位安装成本(元/(kW h))。Pbat为电池功率,t为日内电池充放电时间。
2)储能电池更替成本建模:
目前,理论上储能电池寿命一般维持在10-20年左右,而电站的时间项目周期远超过电池的使用寿命,故而为满足项目周期的完全运行,储能电站会根据电池的状况进行定期更换。
式中,λ为电池在整个项目周期内更换次数,N为项目周期(年),n为电池理论使用寿命。
3)储能电池年运行修护成本建模:
储能系统的运行修护成本比较复杂,一般包含日常运行的合理维护、人工管理费用等。
CFPM=CfpPbat
4)储能电池回收成本建模:
报废的储能电池具有一定的回收价值,回收所带来的收益可减少储能系统资金回本所需的时间。
(4)运行约束
1)储能功率约束:
储能充放电的功率大小由变流器的最大转换功率决定,公式如下:
-Pmax≤Pbess(t)≤Pmax
式中,Pmax为储能装置最大(放)充电功率,Pbess(t)为t采样时刻储能系统的实际(放)充电的功率。
2)储能SOC约束:
SOCmin≤SOC(t)≤SOCmax
式中,SOC(0)为储能系统初始荷电状态,Ebat为储能容量,SOCmax,SOCmin分别为该储能装置下SOC的最大上下限。严格掌控SOC数据情况,可显著减少储能系统的深充深放事件的发生,增加电池的使用时间。
3)储能容量约束:
Emin≤Ebat≤Emax
式中,Emin,Emax为储能装置的最小、最大配值容量。
(5)粒子群算法求解优化模型求解在年运行成本最低时,合理的容量分配占比
粒子群算法(Particle Swarm Optimization,PSO),属于一种进化算法,由随机解开始经由数次迭代搜索到模型的最优解,最优解的判定是根据适应度为标准来评价。迭代寻优时,以储能电池的年运行成本为目标函数,限制于容量、SOC、储能充放电规律的约束,每个粒子基于最优解来更改自身位置、运动速率的变化,更新方程如下所示:
式中:w为惯性权重;c1、c2为加速因子;r1、r2为(0,1)之间的随机数;为第i个粒子在k时刻最优位置向量中的第d维分量;/>为k时刻种群最优位置向量中的第d维分量。
图2为本发明所提供的粒子群算法求解流程图,如图2所示,本发明采用粒子群算法求解混合储能装置的优化模型,混合储能装置的类型及各储能电池的特性、成本已知,考虑日内储能电站实际运行情况,求解如何划分储能占比使总初始投资成本最低。
基于上述内容,青海柴达木能源有限公司的大型光伏电站为例,做以下简要说明。
以青海柴达木能源有限公司的大型光伏电站实际运行数据为参考,进行日内光伏发电功率的预测。历史数据为6、7月共60天的早7:00-晚20:00的各时刻温度、光照强度及发电功率的集合。在历史数据中以预测日的温度和光照情况为聚类中心进行K-Means聚类获得训练日数据140组的训练日数据,部分训练日数据如图3所示。
利用皮尔逊相关系数法,借助公式,求解温度、光照与发电功率之间的系数关系,得出温度系数是0.6302,光照系数是0.8833,显然光照系数更接近于1。由此可证,太阳光的光照强度对日内光伏发电功率的作用最大最直接。将求得的系数代入预测方程,求得预测日7月29日的各时刻发电功率,图4为本发明所提供的光伏功率的日内预测曲线和实际曲线图,如图4所示,其中,图4中的横坐标为个数点,7点的数据是第1个点,8点的数据是第2个点,9点的数据是第3个点,一直监测到晚上20点,即:第14个点;纵坐标为光伏发电功率,单位为kW。根据平均绝对误差公式计算得误差结果为0.103,由此可见该预测模型所采用的方法合理,预测精准度较高。
其中,ep为该模型的平均绝对误差,k为数据的总数目,Pi为该模型下预测出的各时刻光伏发电功率,Ptrue_i为实际统计的各时刻的光伏发电功率。
以光储系统为例,光伏电站发出的电能优先供给负荷使用,多余的电能储存在储能模块;当光伏产生的电能不足以支撑负荷使用时,供电模式增加储能、电网供电模块。统计光伏电站各时刻的平均发电功率及负荷用电数据,图5为本发明所提供的光伏电站各时刻的平均发电功率及负荷用电数据曲线图,数据结果如图5所示,其中,图5中的横坐标为时刻点,单位为时;当为光伏发电曲线时,纵坐标表示发电量,单位是kW·h;当为负荷用电曲线时,纵坐标表示用电量,单位是kW·h;当为峰谷电价曲线时,纵坐标表示价格,单位是元,为了观察价格变化趋势,该峰谷电价曲线表示的是在原价格基础上扩大50倍之后的结果。设定转换效率为87%,DC-DC变换器的效率为95%,DC-AC逆变器的效率为95%。通过判断各时刻光伏发电量与负荷用电量的差值,计算所需的储能功率,取其最大值即为储能电站的功率。
容量计算考虑以LPSP和EXC为计算指标,利用公式求解各时刻的充放电的容量变化,求出各时刻下SOC的值。判断在不满足SOC上下限时,通过迭代增加储能步长,求出在满足储能装置SOC限制条件下的最小储能容量,结果为557kWh。
假定为该电站进行混合储能配置,储能电池类型选取VRLA-cap和LFP,各电气参数见表2。在该混合模式下,利用粒子群优化算法(PSO),通过时刻改变粒子的速度和位置进行数次迭代,求解在年运行成本最低时,合理的容量分配占比,图6为粒子群优化算法的迭代结果图,迭代结果如图6所示。利用算法求出占比为0.5582,VRLA-cap的容量为309.688kWh,LFP的容量为247.312kWh。
图7为本发明所提供的用于光伏电站的储能系统的储能容量规划系统结构图,如图7所示,一种用于光伏电站的储能系统的储能容量规划系统,其特征在于,包括:
参数获取模块701,用于在已知光伏规模下,获取光伏使用量、负荷使用量、影响光伏发电功率的环境因素以及样本集;所述环境因素包括太阳光照强度、日内温度变化情况、大气湿度以及空气质量指数;所述样本集包括历史环境因素以及所述历史环境因素对应的日内各时刻的发电功率。
训练日数据确定模块702,用于利用K-Means聚类算法对所述样本集进行处理,确定训练日数据。
环境因素-训练日数据关系确定模块703,用于利用皮尔逊相关系数法确定所述影响光伏发电功率的环境因素以及所述训练日数据之间的环境因素-训练日数据关系。
光伏发电量确定模块704,用于根据所述环境因素-训练日数据关系确定发电功率,并以所述发电功率为依据,确定光伏发电量。
储能功率确定模块705,用于根据所述光伏发电量以及所述负荷使用量确定储能功率。
所述储能功率为:Prate=max{|ΔP(t)|};其中,Prate为储能功率,ΔP(t)为每个时刻光伏发电量以及所述负荷使用量的差值。
储能容量确定模块706,用于以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据所述光伏使用量以及所述负荷使用量控制储能系统的储能容量。
所述储能容量确定模块706,具体包括:
储能系统释放的能量确定单元,用于当所述光伏发电量小于所述负荷使用量时,基于所述负荷缺电率,根据公式确定储能系统释放的能量,并根据所述储能系统释放的能量控制所述储能系统的储能容量;其中,ΔEstore'为储能系统释放的能量;Pload为负荷使用量,Ppv为光伏使用量,ηd为放电效率,η1为DC-AC逆变器的转换效率,η2为DC-DC变换器的转换效率;Δt为....;
储能系统存储的能量确定单元,用于当所述光伏发电量不小于所述负荷使用量时,基于所述能量溢出比,根据公式确定储能系统存储的能量,并根据所述储能系统存储的能量控制所述储能系统的储能容量;其中,ΔEstore″为储能系统存储的能量;ηc为充电效率。
在所述储能系统充放电过程中,所述SOC状态为:
其中,SOC(t)为放电过程中的荷电状态,Estore(t+Δt)为一段时间内储能系统充放电的能量;ΔEstore为根据所述储能系统的当前操作,确定为存储的能量或释放的能量;Erate为所述储能系统的额定储能容量。
约束条件确定模块707,用于基于所述储能功率、所述SOC状态以及所述储能容量,确定储能功率约束、储能SOC约束以及储能容量约束。
年均运行成本获取模块708,用于获取所述储能系统的年均运行成本;所述年均运行成本包括储能电池安装成本、储能电池更替成本、年运行修护成本以及回收成本。
储能规划模型构建模块709,用于基于所述储能功率约束、所述储能SOC约束以及所述储能容量约束,根据所述年均运行成本构建储能系统的储能规划模型;所述储能规划模型包括储能电池安装成本规划模型、储能电池更替成本规划模型、年运行修护成本规划模型以及回收成本规划模型。
所述储能规划模型构建模块,具体包括:
所述储能电池安装成本规划模型为:其中,Cbat为电池的安装成本;CE为单位电池的安装成本;Cpcs为变流器的安装成本;Cp为DC-DC变流器的单位安装成本;Cbot为辅助器件的安装成本;CB为辅助器件的单位安装成本;Pbat为电池功率,t为日内电池充放电时间;
所述储能电池更替成本规划模型为:其中,Crep为储能电池更替成本规划模型;λ为电池在整个项目周期内更换次数,N为项目周期;n为电池理论使用寿命;η为电池的运行效率;μ为项目周期内电池安装次数;γ为电池成本下降比例;i为贴现率;
所述年运行修护成本规划模型为:CFPM=CfpPbat;其中,CFPM为年运行修护成本规划模型;Cfp为单位电池的年运行维护成本;
所述回收成本规划模型为:其中,Crec为回收成本规划模型;ξ为电池回收系数;Csys为单位电池的回收成本。
规划模块710,用于利用粒子群算法求解所述储能规划模型,对所述储能系统的储能容量进行规划。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种用于光伏电站的储能系统的储能容量规划方法,其特征在于,包括:
在已知光伏规模下,获取光伏使用量、负荷使用量、影响光伏发电功率的环境因素以及样本集;所述环境因素包括太阳光照强度、日内温度变化情况、大气湿度以及空气质量指数;所述样本集包括历史环境因素以及所述历史环境因素对应的日内各时刻的发电功率;
利用K-Means聚类算法对所述样本集进行处理,确定训练日数据;
利用皮尔逊相关系数法确定所述影响光伏发电功率的环境因素以及所述训练日数据之间的环境因素-训练日数据关系;
根据所述环境因素-训练日数据关系确定发电功率,并以所述发电功率为依据,确定光伏发电量;
根据所述光伏发电量以及所述负荷使用量确定储能功率;所述储能功率为:
Prate=max{ΔP(t)};其中,Prate为储能功率,ΔP(t)为每个时刻光伏发电量以及所述负荷使用量的差值;
以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据所述光伏使用量以及所述负荷使用量控制储能系统的储能容量,具体包括:
当所述光伏发电量小于所述负荷使用量时,基于所述负荷缺电率,根据公式确定储能系统释放的能量,并根据所述储能系统释放的能量控制所述储能系统的储能容量;其中,ΔEstore'为储能系统释放的能量;Pload为负荷使用量,Ppv为光伏使用量,ηd为放电效率,η1为DC-AC逆变器的转换效率,η2为DC-DC变换器的转换效率;Δt为时间变化量;
当所述光伏发电量不小于所述负荷使用量时,基于所述能量溢出比,根据公式确定储能系统存储的能量,并根据所述储能系统存储的能量控制所述储能系统的储能容量;其中,ΔEstore”为储能系统存储的能量;ηc为充电效率;
在所述储能系统充放电过程中,所述SOC状态为:
其中,SOC(t)为放电过程中的荷电状态,Estore(t+Δt)为一段时间内储能系统充放电的能量;ΔEstore为根据所述储能系统的当前操作,确定为存储的能量或释放的能量;Erate为所述储能系统的额定储能容量;
基于所述储能功率、所述SOC状态以及所述储能容量,确定储能功率约束、储能SOC约束以及储能容量约束;
获取所述储能系统的年均运行成本;所述年均运行成本包括储能电池安装成本、储能电池更替成本、年运行修护成本以及回收成本;
基于所述储能功率约束、所述储能SOC约束以及所述储能容量约束,根据所述年均运行成本构建储能系统的储能规划模型,具体包括:
储能电池安装成本规划模型为:其中,Cbat为电池的安装成本;CE为单位电池的安装成本;Cpcs为变流器的安装成本;Cp为DC-DC变流器的单位安装成本;Cbot为辅助器件的安装成本;CB为辅助器件的单位安装成本;Pbat为电池功率,t为日内电池充放电时间;
储能电池更替成本规划模型为:其中,Crep为储能电池更替成本;λ为电池在整个项目周期内更换次数,N为项目周期;n为电池理论使用寿命;η为电池的运行效率;μ为项目周期内电池安装次数;γ为电池成本下降比例;i为贴现率;
年运行修护成本规划模型为:CFPM=CfpPbat;其中,CFPM为年运行修护成本;Cfp为单位电池的年运行维护成本;
回收成本规划模型为:其中,Crec为回收成本;ξ为电池回收系数;Csys为单位电池的回收成本;所述储能规划模型包括储能电池安装成本规划模型、储能电池更替成本规划模型、年运行修护成本规划模型以及回收成本规划模型;
利用粒子群算法求解所述储能规划模型以使得所述年均运行成本最低,对所述储能系统的储能容量进行规划。
2.一种用于光伏电站的储能系统的储能容量规划系统,其特征在于,包括:
参数获取模块,用于在已知光伏规模下,获取光伏使用量、负荷使用量、影响光伏发电功率的环境因素以及样本集;所述环境因素包括太阳光照强度、日内温度变化情况、大气湿度以及空气质量指数;所述样本集包括历史环境因素以及所述历史环境因素对应的日内各时刻的发电功率;
训练日数据确定模块,用于利用K-Means聚类算法对所述样本集进行处理,确定训练日数据;
环境因素-训练日数据关系确定模块,用于利用皮尔逊相关系数法确定所述影响光伏发电功率的环境因素以及所述训练日数据之间的环境因素-训练日数据关系;
光伏发电量确定模块,用于根据所述环境因素-训练日数据关系确定发电功率,并以所述发电功率为依据,确定光伏发电量;
储能功率确定模块,用于根据所述光伏发电量以及所述负荷使用量确定储能功率;所述储能功率确定模块中的所述储能功率为:
Prate=max{|ΔP(t)|};其中,Prate为储能功率,ΔP(t)为每个时刻光伏发电量以及所述负荷使用量的差值;
储能容量确定模块,用于以负荷缺电率以及能量溢出比为指标,结合储能系统的荷电SOC状态,根据所述光伏使用量以及所述负荷使用量控制储能系统的储能容量;所述储能容量确定模块,具体包括:
储能系统释放的能量确定单元,用于当所述光伏发电量小于所述负荷使用量时,基于所述负荷缺电率,根据公式确定储能系统释放的能量,并根据所述储能系统释放的能量控制所述储能系统的储能容量;其中,ΔEstore'为储能系统释放的能量;Pload为负荷使用量,Ppv为光伏使用量,ηd为放电效率,η1为DC-AC逆变器的转换效率,η2为DC-DC变换器的转换效率;Δt为时间变化量;
储能系统存储的能量确定单元,用于当所述光伏发电量不小于所述负荷使用量时,基于所述能量溢出比,根据公式确定储能系统存储的能量,并根据所述储能系统存储的能量控制所述储能系统的储能容量;其中,ΔEstore”为储能系统存储的能量;ηc为充电效率;
在所述储能系统充放电过程中,所述SOC状态为:
其中,SOC(t)为放电过程中的荷电状态,Estore(t+Δt)为一段时间内储能系统充放电的能量;ΔEstore为根据所述储能系统的当前操作,确定为存储的能量或释放的能量;Erate为所述储能系统的额定储能容量;
约束条件确定模块,用于基于所述储能功率、所述SOC状态以及所述储能容量,确定储能功率约束、储能SOC约束以及储能容量约束;
年均运行成本获取模块,用于获取所述储能系统的年均运行成本;所述年均运行成本包括储能电池安装成本、储能电池更替成本、年运行修护成本以及回收成本;
储能规划模型构建模块,用于基于所述储能功率约束、所述储能SOC约束以及所述储能容量约束,根据所述年均运行成本构建储能系统的储能规划模型;所述储能规划模型包括储能电池安装成本规划模型、储能电池更替成本规划模型、年运行修护成本规划模型以及回收成本规划模型;所述储能规划模型构建模块,具体包括:
所述储能电池安装成本规划模型为:其中,Cbat为电池的安装成本;CE为单位电池的安装成本;Cpcs为变流器的安装成本;Cp为DC-DC变流器的单位安装成本;Cbot为辅助器件的安装成本;CB为辅助器件的单位安装成本;Pbat为电池功率,t为日内电池充放电时间;
所述储能电池更替成本规划模型为:其中,Crep为储能电池更替成本;λ为电池在整个项目周期内更换次数,N为项目周期;n为电池理论使用寿命;η为电池的运行效率;μ为项目周期内电池安装次数;γ为电池成本下降比例;i为贴现率;
所述年运行修护成本规划模型为:CFPM=CfpPbat;其中,CFPM为年运行修护成本;Cfp为单位电池的年运行维护成本;
所述回收成本规划模型为:其中,Crec为回收成本;ξ为电池回收系数;Csys为单位电池的回收成本;
规划模块,用于利用粒子群算法求解所述储能规划模型以使得所述年均运行成本最低,对所述储能系统的储能容量进行规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883876.0A CN112036735B (zh) | 2020-08-28 | 2020-08-28 | 一种用于光伏电站的储能系统的储能容量规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883876.0A CN112036735B (zh) | 2020-08-28 | 2020-08-28 | 一种用于光伏电站的储能系统的储能容量规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036735A CN112036735A (zh) | 2020-12-04 |
CN112036735B true CN112036735B (zh) | 2023-11-03 |
Family
ID=73587363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010883876.0A Active CN112036735B (zh) | 2020-08-28 | 2020-08-28 | 一种用于光伏电站的储能系统的储能容量规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036735B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057626A (zh) * | 2023-08-15 | 2023-11-14 | 深圳橙电新能源科技有限公司 | 基于大数据的光储充能收益转化分析方法 |
CN117411048A (zh) * | 2023-12-15 | 2024-01-16 | 珠海广控新能源有限公司 | 一种用于光伏储能的容量配置系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104242335A (zh) * | 2014-06-30 | 2014-12-24 | 江苏华大天益电力科技有限公司 | 一种基于额定容量的风光储发电单元容量优化配置方法 |
CN104809531A (zh) * | 2015-05-18 | 2015-07-29 | 国家电网公司 | 一种储能系统配置方法及系统 |
CN105846423A (zh) * | 2016-03-28 | 2016-08-10 | 华北电力大学 | 一种计及需求响应的光伏微电网储能多目标容量配置方法 |
CN109245141A (zh) * | 2018-11-12 | 2019-01-18 | 浙江大学 | 一种配电网自动化系统中复合储能装置的容量优化配置方法 |
CN109902340A (zh) * | 2019-01-20 | 2019-06-18 | 东北电力大学 | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 |
CN110633854A (zh) * | 2019-09-16 | 2019-12-31 | 长沙理工大学 | 一种考虑储能电池多重分段服务全生命周期优化规划方法 |
CN110932299A (zh) * | 2019-12-13 | 2020-03-27 | 国网陕西省电力公司电力科学研究院 | 一种光氢储耦合微电网中电池储能系统的容量优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9634508B2 (en) * | 2012-09-13 | 2017-04-25 | Stem, Inc. | Method for balancing frequency instability on an electric grid using networked distributed energy storage systems |
CN104995813B (zh) * | 2014-06-27 | 2018-11-13 | Abb瑞士股份有限公司 | 在风力发电系统中确定用于储能系统的输出功率参考值的方法和设备 |
EP3306772B1 (en) * | 2016-10-10 | 2019-07-10 | Signify Holding B.V. | A method and system for optimally distributing power between a battery and a power grid |
-
2020
- 2020-08-28 CN CN202010883876.0A patent/CN112036735B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104242335A (zh) * | 2014-06-30 | 2014-12-24 | 江苏华大天益电力科技有限公司 | 一种基于额定容量的风光储发电单元容量优化配置方法 |
CN104809531A (zh) * | 2015-05-18 | 2015-07-29 | 国家电网公司 | 一种储能系统配置方法及系统 |
CN105846423A (zh) * | 2016-03-28 | 2016-08-10 | 华北电力大学 | 一种计及需求响应的光伏微电网储能多目标容量配置方法 |
CN109245141A (zh) * | 2018-11-12 | 2019-01-18 | 浙江大学 | 一种配电网自动化系统中复合储能装置的容量优化配置方法 |
CN109902340A (zh) * | 2019-01-20 | 2019-06-18 | 东北电力大学 | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 |
CN110633854A (zh) * | 2019-09-16 | 2019-12-31 | 长沙理工大学 | 一种考虑储能电池多重分段服务全生命周期优化规划方法 |
CN110932299A (zh) * | 2019-12-13 | 2020-03-27 | 国网陕西省电力公司电力科学研究院 | 一种光氢储耦合微电网中电池储能系统的容量优化方法 |
Non-Patent Citations (2)
Title |
---|
李建林 ; 修晓青 ; 吕项羽 ; 郭威 ; .储能系统容量优化配置及全寿命周期经济性评估研究综述.电源学报.2018,(第04期),第1-13页. * |
李成 ; 叶建华 ; .微网系统中储能优化配置研究.低压电器.2013,(第22期),第23-26页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112036735A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107134810B (zh) | 一种独立型微能源网储能系统优化配置求解方法 | |
CN105207259B (zh) | 基于能量管理的并网状态下的微电网系统调度方法 | |
CN106327006A (zh) | 一种基于综合效益分析的微电网优化配置方法 | |
CN112036735B (zh) | 一种用于光伏电站的储能系统的储能容量规划方法及系统 | |
CN116307087B (zh) | 考虑电动汽车充放电的微电网系统储能优化配置方法和系统 | |
CN115526401A (zh) | 一种基于数字孪生的新型电力系统电源最优规划方法 | |
CN115912351A (zh) | 光伏日内日前模型预测方法、系统、设备及介质 | |
Yousefi et al. | Smart energy management system for residential homes regarding uncertainties of photovoltaic array and plug-in electric vehicle | |
CN116316694A (zh) | 基于两阶段鲁棒优化的储能电站调频的最优参数选取方法 | |
CN114123280B (zh) | 一种考虑系统效率的电池储能电站能量管理方法 | |
Dong et al. | Sizing of a stand-alone photovoltaic/wind energy system with hydrogen and battery storage based on improved ant colony algorithm | |
CN111932025B (zh) | 考虑光伏随机性的综合能源系统建设多阶段规划方法 | |
CN112968515A (zh) | 一种燃料电池应急电源能量管理策略及系统 | |
CN115693787B (zh) | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 | |
CN114825469B (zh) | 一种分布式电源集群出力评估方法及系统 | |
CN115912442A (zh) | 一种用户侧光储优化配置及其盈亏平衡分析方法 | |
CN114498690A (zh) | 支持大规模可再生能源消纳的多元复合储能优化配置方法 | |
CN114301081A (zh) | 一种考虑蓄电池储能寿命损耗与需求响应的微电网优化方法 | |
CN116914860B (zh) | 多能互补发电系统电源容量配置优化方法及系统 | |
Song et al. | Optimal Energy for Grid-Connected Microgrid with Battery Swapping Station and Wind Photovoltaic and Energy Storage | |
Huang et al. | Research on the optimal coordinated control strategy of ‘source-grid-load-storage’including electric vehicle and distributed power supply | |
Chen et al. | Coordinated Source-Grid-Storage Planning of High Renewable Energy Proportion Power System Based on Refined Operation Simulation | |
Xu | Wind-solar-storage linkage configuration of carbon-neutral energy internet based on fuzzy control algorithm | |
Zhang et al. | Research on optimal schedule strategy of distributed generation considering distribution network margin | |
Dai et al. | Application of genetic algorithm and particle swarm algorithm in microgrid dispatch model considering energy storage |
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 |