CN113452045B - 一种基于多应用场景下的电气化铁路储能装置优化选型方法 - Google Patents
一种基于多应用场景下的电气化铁路储能装置优化选型方法 Download PDFInfo
- Publication number
- CN113452045B CN113452045B CN202110746575.8A CN202110746575A CN113452045B CN 113452045 B CN113452045 B CN 113452045B CN 202110746575 A CN202110746575 A CN 202110746575A CN 113452045 B CN113452045 B CN 113452045B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- traction
- storage device
- energy
- regenerative braking
- 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
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60M—POWER SUPPLY LINES, AND DEVICES ALONG RAILS, FOR ELECTRICALLY- PROPELLED VEHICLES
- B60M3/00—Feeding power to supply lines in contact with collector on vehicles; Arrangements for consuming regenerative power
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60M—POWER SUPPLY LINES, AND DEVICES ALONG RAILS, FOR ELECTRICALLY- PROPELLED VEHICLES
- B60M3/00—Feeding power to supply lines in contact with collector on vehicles; Arrangements for consuming regenerative power
- B60M3/06—Arrangements for consuming regenerative power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/30—Arrangements for balancing of the load in a network by storage of energy using dynamo-electric machines coupled to flywheels
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids
Abstract
本发明是一种基于多应用场景下的电气化铁路储能装置优化选型方法,该方法主要包括:通过上下限阈值约束,提出以储能加入牵引供电系统全寿命周期经济效益最大为目标函数,建立牵引负荷调峰及再生制动能量回收的多重应用模型,从而解决了牵引负荷峰值冲击和再生制动能量回收利用问题,进而得到储能装置的优化配置结果与评价参数,最后从削峰率、制动能量回收率、净现值三个角度出发,研究了当前广泛应用于牵引供电系统的三种储能装置—蓄电池、超级电容、飞轮,为储能装置在牵引供电系统多应用场景下的规划提供参考。该方法效果好且适用性广。
Description
技术领域
本发明涉及电气化铁路领域,尤其涉及牵引供电系统的储能选型方案。
背景技术
随着电气化铁路的快速发展,截至2020底中国高速铁路总运营长度已达到3.79万公里,因此伴随着负荷峰值冲击和再生制动能量含量在不断增加,而储能装置根据能实现负荷时空平移这一特点,因此能有效解决这一问题,负荷高峰时,储能装置将吸收的再生制动能量释放进行调峰操作,而再生制动能量含量大时,储能装置进行能量的回收利用。
目前国内外储能装置在电气化铁路领域已得到了广泛运用,中国,西班牙、日本、等国都在进行储能式牵引供电系统的研究,但现在关于实际工程应用中如何根据应用场景选择合适的装能装置研究尚少,而在调峰和再生制动能量回收利用的多场景应用下的研究更是少之又少,更不要说是怎样对在当前广泛运用的储能装置怎么进行选型,所以一套在满足需求应用的电气化铁路储能装置优化选型方法就显得非常重要。
发明内容
本发明的目的主要是提供一种根据多应用场景下的需求进行储能装置的优化选型方法,此方法既能使储能装置的选择能满足多应用需求,同时还能对其进行优化配置
为了实现以上目的,本文采用一种基于多应用场景的电气化铁路储能装置优化选型的方法,其主要步骤包括:
A.首先采用下上限阈值约束法对牵引负荷进行调峰及再生制动能量的回收利用控制,当牵引负荷P(t)>Pup时,表示牵引负荷功率过大,由储能系统进行放电削峰操作,当牵引负荷P(t)<Plow时,表示再生制动负荷功率过大,由储能系统进行充电吸收再生制动能量操作,而当负荷处于上下限阈值线之间,储能装置不动作,从而实现削峰及再生制动能量回收利用,上下限阈值约束计算表达式如下:
其中a为阈值修正系数,Pavg为牵引、制动状态下负荷的平均值,ΔP为负荷峰谷差。
B.建立储能式牵引供电系统的全寿命经济模型,用以量化储能装置的评价指标同时实现多应用策略,其中全寿命周期经济效益模型主要包括如下:
储能系统初始投资模型:C1=CPP+CEE+CBP
式中:CP、CE分别为储能装置功率成本、容量成本、CB为储能变流器的单位成本,P为储能装置的额定功率、E为储能装置额定容量;
式中:Cess为储能型装置单位运行维护成本;ir为通货膨胀率;dr为贴现率;N为储能使用寿命;
设备更换成本:由于超级电容、飞轮寿命都在10年以上,因此全寿命周期内的置换成本只考虑蓄电池的使用寿命。
式中:Ctrans为牵引变压器单位升级费用,Pmax为牵引负荷最大功率,τ为负荷年增长率,ΔM为配置储能系统后牵引供电系统可延缓升级扩建年限,表达式为:
减少基本电费收益:由于牵引变电所用电属于大工业用电,所以电费按照两部制电价进行收费,本文基本电费按专用变压器容量进行计费,由于在配置储能设备后可以适当减少变压器容量,从而减少每月需缴纳的基本电费。全寿命周期基本电费收益表达式如下。
式中:SVv为加入前牵引变压器的容量,S′Vv为储能加入后牵引变压器的容量,Ybase为每月变压器基本容量电费,单位为元/kW/月。
减少电度电费收益:由于储能装置回收再生制动能量在牵引负荷高峰期进行放电操作,因此减少了从电网进行购电减少了电度电费,全寿命周期内的电度电费套利收益表示为。
式中:Pin(t)代表在第t时段储能装置回收再生制动能量的功率;Ywatt(t)为平均购电电价。
回收利用价值:储能电池的回收利用价值B5主要与投资成本有关,其关系为。
式中:δ为回收残值率,本文取5%。
综上,得到多应用场景下的目标函数:
F=max(B4+B3+B2+B1-C3-C2-C1) (9)
根据多应用要求和以及储能装置的特性要求设置以下约束:
荷电状态(SOC)约束:为了保证储能装置长久有效的运行,储能装置的SOC应当在合理的限定范围内进行充放电操作;
SOCess,min≤SOCess(t)≤SOCess,max (10)
式中:SOCess,min、SOCess,max分别为储能系统荷电状态的最大最小值。
调峰及再生制动回收利用约束:由多应用策略可知,阈值修正系数a的大小直接决定了调峰和再生制动能量回收利用的效果,因此需要兼顾这两个方面选取削峰系数,当目标削峰率和再生能量利用率给定时,a的值可以唯一确定。但为了保证调峰和再生制动能量回收利用的效果,所以必须满足上下限功率约束;
约束表达式为:
Pavg≤Pup≤Pmax (11)
Pmin≤Plow≤0 (12)
牵引变压器容量约束
式中:μ为功率因素,一般取0.8。
从上述约束条件(14)、(15)及储能的充放电功率,可计算得到储能额定功率P及额定容量E,表达式如下所示:
C.通过牵引负荷消纳能力来表达配置不同储能类型后对牵引负荷的改善效果,由于储能式牵引供电系统在双应用下完成了调峰的同时也进行了再生制动能量的回收利用,因此,本文建立削峰率和制动能量利用率来反映不同储能类型在评价模型下对牵引负荷的消纳能力,表达式为:
式中:δ为制动能量利用率,E'RBE为回收利用的再生制动能量,ERBE为牵引供电系统产生的再生制动总能量。
储能式牵引供电系统全寿命周期内净收益:
M=(B4+B3+B2+B1-C2-C1) (18)
D.最后通过将已知参数带入优化目标计算中,采用自适应粒子群算法对其进行求解,得出需要的量化指标。
附图说明
图1为牵引负荷功率曲线
图2为蓄电池、飞轮和超级电容储能装置充放电曲线
具体实施方式
使本发明的优点和特征能够更加明显和易懂,下面结合附图和实例对本发明进一步详细描述
本发明所描述的多应用场景电气化铁路优化选择方法如下:
建立储能式电气化铁路的的全寿命周期经济性模型,用以量化储能式系统在全寿命周期下的指标参数,全寿命经济效益模型主要包括以下几个方面;
储能系统初始投资模型:C1=CPP+CEE+CBP
式中:CP、CE分别为储能装置功率成本、容量成本、CB为储能变流器的单位成本,P为储能装置的额定功率、E为储能装置额定容量;
式中:Cess为储能型装置单位运行维护成本;ir为通货膨胀率;dr为贴现率;N为储能使用寿命;
设备更换成本:由于超级电容、飞轮寿命都在10年以上,因此全寿命周期内的置换成本只考虑蓄电池的使用寿命。
式中:Ctrans为牵引变压器单位升级费用,Pmax为牵引负荷最大功率,τ为负荷年增长率,ΔM为配置储能系统后牵引供电系统可延缓升级扩建年限,表达式为:
减少基本电费收益:由于牵引变电所用电属于大工业用电,所以电费按照两部制电价进行收费,本文基本电费按专用变压器容量进行计费,由于在配置储能设备后可以适当减少变压器容量,从而减少每月需缴纳的基本电费。全寿命周期基本电费收益表达式如下。
式中:SVv为加入前牵引变压器的容量,S′Vv为储能加入后牵引变压器的容量,Ybase为每月变压器基本容量电费,单位为元/kW/月。
减少电度电费收益:由于储能装置回收再生制动能量在牵引负荷高峰期进行放电操作,因此减少了从电网进行购电减少了电度电费,全寿命周期内的电度电费套利收益表示为。
式中:Pin(t)代表在第t时段储能装置回收再生制动能量的功率;Ywatt(t)为平均购电电价。
回收利用价值:储能电池的回收利用价值B5主要与投资成本有关,其关系为。
式中:δ为回收残值率,本文取5%。
综上,得到多应用场景下的目标函数:
F=max(B4+B3+B2+B1-C3-C2-C1)
根据多应用要求和以及储能装置的特性要求设置以下约束:
荷电状态(SOC)约束:为了保证储能装置长久有效的运行,储能装置的SOC应当在合理的限定范围内进行充放电操作;
SOCess,min≤SOCess(t)≤SOCess,max
式中:SOCess,min、SOCess,max分别为储能系统荷电状态的最大最小值。
调峰及再生制动回收利用约束:由多应用策略可知,阈值修正系数a的大小直接决定了调峰和再生制动能量回收利用的效果,因此需要兼顾这两个方面选取修正系数,当目标削峰率和再生能量利用率给定时,a的值可以唯一确定。但为了保证调峰和再生制动能量回收利用的效果,所以必须满足上下限功率约束;
约束表达式为:
Pavg≤Pup≤Pmax
Pmin≤Plow≤0
牵引变压器容量约束
式中:μ为功率因素,一般取0.8。
从上述约束条件(14)、(15)及储能的充放电功率,可计算得到储能额定功率P及额定容量E,表达式如下所示:
通过牵引负荷消纳能力来表达配置不同储能类型后对牵引负荷的改善效果,由于储能式牵引供电系统在双应用下完成了调峰的同时也进行了再生制动能量的回收利用,因此,本文建立削峰率和制动能量利用率来反映不同储能类型在评价模型下对牵引负荷的消纳能力,表达式为:
式中:δ为制动能量利用率,E'RBE为回收利用的再生制动能量,ERBE为牵引供电系统产生的再生制动总能量。
储能式牵引供电系统全寿命周期内净收益:
M=(B4+B3+B2+B1-C2-C1)
最后通过将目前广泛运用在电气化铁路的三种储能装置蓄电池、飞轮、超级电容的相关参数带入优化目标计算中,采用自适应粒子群算法对其进行求解,然后结合求解出来的充放电曲线和储能装置的模型便可以得出需要的量化指标数据,通过各项指标数值便可以确定多应用场景下电气化铁路的优化配置和选择,其计算结果如下,下表为三种储能装置方案指标统计表:
类型 | 蓄电池 | 超级电容 | 飞轮 |
额定功率(MW) | 3.2656 | 2.2373 | 2.6732 |
额定容量(MWh) | 1.4059 | 0.1625 | 0.4864 |
削峰率/% | 29.96% | 20.53% | 24.51% |
制动能量利用率% | 30.805% | 6.831% | 16.963% |
净现值(万元) | 2653.904 | 2494.181 | 2583.882 |
本发明提供一种根据多应用场景下的需求进行储能装置的优化选型方法,采用该方法不仅能在满足需求应用的场景下对电气化铁路储能装置合理配置,还能为实际工程应用的储能规划提供参考,本发明结合具体调峰和再生制动能量的回收利用场景,进行了验证。
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 (1)
1.一种基于多应用场景下的电气化铁路储能装置优化选型方法,其特征在于,包含以下步骤:
A.提出调峰及再生制动能量回收策略;
B.以全寿命周期效益最大化建立多应用优化模型;
C.根据优化模型得到量化数据,从而得到削峰率、再生制动能量利用率、净现值三个指标数据;
步骤A内容为:首先采用上下限阈值约束法对牵引负荷进行调峰及再生制动能量的回收利用控制,当牵引负荷P(t)>Pup时,表示牵引负荷功率过大,由储能系统进行放电削峰操作,当牵引负荷P(t)<Plow时,表示再生制动负荷功率过大,由储能系统进行充电吸收再生制动能量操作,而当负荷处于上下限阈值线之间,储能装置不动作,从而实现削峰及再生制动能量回收利用,上下限阈值约束计算表达式如下:
其中a为阈值修正系数,Pavg为牵引、制动状态下负荷的平均值,ΔP为负荷峰谷差;
步骤B内容为:建立储能式牵引供电系统的全寿命经济模型,用以量化储能装置的评价指标同时实现多应用策略,其中全寿命周期经济效益模型主要包括如下:
储能系统初始投资模型:C1=CPP+CEE+CBP (2)
式中:CP、CE分别为储能装置功率成本、容量成本、CB为储能变流器的单位成本,P为储能装置的额定功率、E为储能装置额定容量;
式中:Cess为储能型装置单位运行维护成本;ir为通货膨胀率;dr为贴现率;N为储能使用寿命;
设备更换成本:由于超级电容、飞轮寿命都在10年以上,因此全寿命周期内的置换成本只考虑蓄电池的使用寿命;
式中:Ctrans为牵引变压器单位升级费用,Pmax为牵引负荷最大功率,τ为负荷年增长率,ΔM为配置储能系统后牵引供电系统可延缓升级扩建年限,表达式为:
减少基本电费收益:由于牵引变电所用电属于大工业用电,所以电费按照两部制电价进行收费,基本电费按专用变压器容量进行计费,由于在配置储能设备后可以适当减少变压器容量,从而减少每月需缴纳的基本电费,全寿命周期基本电费收益表达式如下;
式中:SVv为加入前牵引变压器的容量,S′Vv为储能加入后牵引变压器的容量,Ybase为每月变压器基本容量电费,单位为元/kW/月;
减少电度电费收益:由于储能装置回收再生制动能量在牵引负荷高峰期进行放电操作,因此减少了从电网进行购电减少了电度电费,全寿命周期内的电度电费套利收益表示为;
式中:Pin(t)代表在第t时段储能装置回收再生制动能量的功率;Ywatt(t)为平均购电电价;
回收利用价值:储能电池的回收利用价值B5主要与投资成本有关,其关系为;
式中:δ为回收残值率,取5%;
综上,得到多应用场景下的目标函数:
F=max(B4+B3+B2+B1-C3-C2-C1) (10)
根据多应用要求和以及储能装置的特性要求设置以下约束:
荷电状态(SOC)约束:为了保证储能装置长久有效的运行,储能装置的SOC应当在合理的限定范围内进行充放电操作;
SOCess,min≤SOCess(t)≤SOCess,max (11)
式中:SOCess,min、SOCess,max分别为储能系统荷电状态的最大最小值;
调峰及再生制动回收利用约束:由步骤A可知阈值修正系数a的大小直接决定了调峰和再生制动能量回收利用的效果,因此需要兼顾这两个方面选取削峰系数,当目标削峰率和再生能量利用率给定时,a的值可以唯一确定, 但为了保证调峰和再生制动能量回收利用的效果,所以必须满足上下限功率约束;
约束表达式为:
Pavg≤Pup≤Pmax (12)
Pmin≤Plow≤0 (13)
牵引变压器容量约束
式中:μ为功率因素,一般取0.8;
从上述约束条件(12)、(13)和(14)及储能的充放电功率,可计算得到储能额定功率P及额定容量E,表达式如下所示:
步骤C内容为:通过牵引负荷消纳能力来表达配置不同储能类型后对牵引负荷的改善效果,由于储能式牵引供电系统在双应用下完成了调峰的同时也进行了再生制动能量的回收利用,因此,建立削峰率和制动能量利用率来反映不同储能类型在评价模型下对牵引负荷的消纳能力,表达式为:
式中:δ为制动能量利用率,E'RBE为回收利用的再生制动能量,ERBE为牵引供电系统产生的再生制动总能量;
储能式牵引供电系统全寿命周期内净收益:
M=(B4+B3+B2+B1-C2-C1) (18)
最后通过将目前广泛运用在电气化铁路的三种储能装置蓄电池、飞轮、超级电容的相关参数带入优化目标计算中,采用自适应粒子群算法对其进行求解,然后结合求解出来的充放电曲线和储能装置的模型便可以得出需要的量化指标数据,通过各项指标数值便可以确定多应用场景下电气化铁路的优化配置和选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746575.8A CN113452045B (zh) | 2021-07-01 | 2021-07-01 | 一种基于多应用场景下的电气化铁路储能装置优化选型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110746575.8A CN113452045B (zh) | 2021-07-01 | 2021-07-01 | 一种基于多应用场景下的电气化铁路储能装置优化选型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113452045A CN113452045A (zh) | 2021-09-28 |
CN113452045B true CN113452045B (zh) | 2022-05-24 |
Family
ID=77814818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110746575.8A Active CN113452045B (zh) | 2021-07-01 | 2021-07-01 | 一种基于多应用场景下的电气化铁路储能装置优化选型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113452045B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114566988A (zh) * | 2022-01-07 | 2022-05-31 | 湘潭大学 | 一种储能接入牵引供电系统双重应用能量控制策略 |
CN114566958B (zh) * | 2022-01-07 | 2023-05-30 | 湘潭大学 | 一种兼顾考虑储能使用寿命的多重应用能量控制策略 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017092370A1 (zh) * | 2015-11-30 | 2017-06-08 | 北汽福田汽车股份有限公司 | 辅助制动方法、系统及车辆 |
CN108365634A (zh) * | 2018-04-23 | 2018-08-03 | 西南交通大学 | 一种再生制动能量回收的铁路光伏储能系统及控制方法 |
CN111241463A (zh) * | 2020-03-03 | 2020-06-05 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于双层优化模型的用户侧储能装置容量配置方法 |
CN113013909A (zh) * | 2021-04-22 | 2021-06-22 | 湘潭大学 | 一种基于平抑牵引的储能容量改进方法 |
-
2021
- 2021-07-01 CN CN202110746575.8A patent/CN113452045B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017092370A1 (zh) * | 2015-11-30 | 2017-06-08 | 北汽福田汽车股份有限公司 | 辅助制动方法、系统及车辆 |
CN108365634A (zh) * | 2018-04-23 | 2018-08-03 | 西南交通大学 | 一种再生制动能量回收的铁路光伏储能系统及控制方法 |
CN111241463A (zh) * | 2020-03-03 | 2020-06-05 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于双层优化模型的用户侧储能装置容量配置方法 |
CN113013909A (zh) * | 2021-04-22 | 2021-06-22 | 湘潭大学 | 一种基于平抑牵引的储能容量改进方法 |
Non-Patent Citations (4)
Title |
---|
Multi-Application Strategy Based on Railway Static Power Conditioner With Energy Storage System;Pei Luo;《 IEEE Transactions on Intelligent Transportation Systems 》;20210115;全文 * |
基于超级电容储能的新型铁路功率调节器协调控制策略设计;马茜;《电工技术学报》;20180625;全文 * |
考虑需量管理的用户侧储能优化配置策略研究;张继元等;《电力需求侧管理》;20200920(第05期);全文 * |
面向电气化铁路的超级电容储能系统经济性研究;邬明亮等;《分布式能源》;20200215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113452045A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109193720B (zh) | 基于企业用户典型日负荷曲线的用户侧储能容量配置方法 | |
CN113452045B (zh) | 一种基于多应用场景下的电气化铁路储能装置优化选型方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN103679302B (zh) | 一种基于电动汽车储能特性的家庭用电优化方法 | |
CN113300395B (zh) | 一种柔性牵引供电系统混合储能最优容量配置方法 | |
CN107181273B (zh) | 一种电气化铁路发电供电装置及其控制方法 | |
CN110912166B (zh) | 一种多用户共享储能模式的储能容量配置方法 | |
CN107176046A (zh) | 基于充电失败风险排序的电动汽车充放电控制方法 | |
CN108695871A (zh) | 含有电力弹簧的孤岛微电网的降低储能容量需求的配置方法 | |
CN107612009A (zh) | 一种电动汽车规模化接入居民区的有序充电控制方法 | |
CN110492482A (zh) | 一种用于延缓配电设备升级改造的储能经济调度方法 | |
CN111244985A (zh) | 基于节点综合灵敏度系数的分布式储能序次优化配置方法 | |
CN113780670A (zh) | 基于两阶段的区域电网电动汽车调峰优化调度方法 | |
CN115473285A (zh) | 基于合作博弈论的多类型储能系统最优容量配置方法 | |
CN115511658A (zh) | 一种计及储能装置折损的楼宇能量优化方法 | |
CN107846043B (zh) | 一种考虑电动汽车充电影响的微网能量管理方法 | |
CN107846035B (zh) | 一种考虑电动汽车充电特性的风光储并网型微网 | |
CN105470947A (zh) | 一种基于量子行为粒子群算法的微电网调度方法 | |
CN110707736B (zh) | 一种智能小区用户需求侧响应的微电网运行方法 | |
CN112909976B (zh) | 一种基于社区电动汽车充电站储能配置方法 | |
CN114142517B (zh) | 光蓄充一体化系统与电网并网运行的控制方法 | |
CN115622104A (zh) | 一种有源配电网移动储能规划配置方法 | |
CN115207949A (zh) | 一种考虑时段划分的光储系统优化运行方法 | |
CN109802393B (zh) | 铁路再生电能潮流控制算法 | |
CN114529220A (zh) | 一种考虑储能动态调度容量的多站融合经济调度方法 |
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 |