CN114362154A - 基于协调控制的带储能系统的光伏电站运维方法及系统 - Google Patents

基于协调控制的带储能系统的光伏电站运维方法及系统 Download PDF

Info

Publication number
CN114362154A
CN114362154A CN202111627682.5A CN202111627682A CN114362154A CN 114362154 A CN114362154 A CN 114362154A CN 202111627682 A CN202111627682 A CN 202111627682A CN 114362154 A CN114362154 A CN 114362154A
Authority
CN
China
Prior art keywords
energy storage
storage system
future
power generation
capacity
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
Application number
CN202111627682.5A
Other languages
English (en)
Other versions
CN114362154B (zh
Inventor
肖慧明
向杰
水甲
刘强
秦鹏
周潘琦
李键
林淮
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.)
Hunan Anhuayuan Power Technology Co ltd
Original Assignee
Hunan Anhuayuan Power Technology 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 Hunan Anhuayuan Power Technology Co ltd filed Critical Hunan Anhuayuan Power Technology Co ltd
Priority to CN202111627682.5A priority Critical patent/CN114362154B/zh
Publication of CN114362154A publication Critical patent/CN114362154A/zh
Application granted granted Critical
Publication of CN114362154B publication Critical patent/CN114362154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

Landscapes

  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于协调控制的带储能系统的光伏电站运维方法及系统，方法包括：基于第一BP神经网络模型对光伏组件的未来发电量进行预测，得到发电预测值；基于第二BP神经网络模型对储能系统的未来可充电容量进行预测，得到充电预测值；基于第三BP神经网络模型对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，得到综合预测值；采用协调控制算法对发电预测值、充电预测值和综合预测值进行分析，得到最终预测结果，并基于最终预测结果调整光伏组件的发电出力，控制逆变器上网电量和到储能系统的存储电量。本发明通过对未来发电量和存储容量的预测，优化光伏组件发电和储能单元储电，提高了光伏电站的发电能力。

Description

基于协调控制的带储能系统的光伏电站运维方法及系统
技术领域
本发明涉及光伏电站运维技术领域，更具体的说是涉及一种基于协调控制的带储能系统的光伏电站运维方法及系统。
背景技术
光伏电站受天气日照影响，存在间歇性、随机性和波动性；当天气条件好时，发电充足；当无光照时，则不能发电；这导致了上网电量的波动。因此，在光伏电站配置一定容量的储能系统，则可以高效管理新能源发电，消纳弃光资源。
如何实现快速响应，更精准控制，提高整个新能源发电系统的综合效率，进而提升配电网的稳定性、可靠性及接纳分布式电源的能力，是非常关键的。目前虽然有不少光伏储能一体化系统的解决方案，但是在发电和储能之间优化和平衡方面，仍有很多工作待完成。
发明内容
有鉴于此，本发明提供了一种基于协调控制的带储能系统的光伏电站运维方法及系统，通过对未来发电量和存储容量的预测，优化光伏组件发电和储能单元储电，自动标识和分离故障元件，提高设备的利用率，提高了光伏电站的发电能力。
为了实现上述目的，本发明采用如下技术方案：
一种基于协调控制的带储能系统的光伏电站运维方法，包括：
基于预先构建的第一BP神经网络模型对光伏电站的光伏组件的未来发电量进行预测，得到发电预测值P1；
基于预先构建的第二BP神经网络模型对与光伏电站配套的储能系统的未来可充电容量进行预测，得到充电预测值P2；
基于预先构建的第三BP神经网络模型对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，得到综合预测值P3；
采用协调控制算法对发电预测值P1、充电预测值P2和综合预测值P3进行分析，得到最终预测结果，并基于所述最终预测结果调整光伏组件的发电出力，控制逆变器上网电量和到储能系统的存储电量。
优选的，在上述一种基于协调控制的带储能系统的光伏电站运维方法中，所述第一BP神经网络模型基于与光伏组件相关的所有第一历史数据进行训练，且每个月训练一次；所述第一历史数据至少包括：每个光伏组件的发电量、上网电量、对储能系统的充电量和天气数据；
所述第二BP神经网络模型基于与储能系统相关的所有第二历史数据进行训练，且每个月训练一次；所述第二历史数据至少包括：每个储能单元的可充电容量、接受光伏电站的充电量和天气数据；
所述第三BP神经网络模型基于光伏组件的历史发电量数据和储能系统的历史可充电容量进行训练，且每天训练一次。
优选的，在上述一种基于协调控制的带储能系统的光伏电站运维方法中，所述第一BP神经网络模型每天对光伏组件的未来发电量进行两次预测，输出光伏组件未来一周的发电量数据作为发电预测值P1；
所述第二BP神经网络模型每天对储能系统的未来可充电容量进行两次预测，输出储能系统未来一周的可充电容量作为充电预测值P2；
所述第三BP神经网络模型每十五分钟对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行一次预测，输出未来一周光伏组件的未来发电量和储能系统的未来可充电容量的总和作为综合预测值P3。
优选的，在上述一种基于协调控制的带储能系统的光伏电站运维方法中，所述协调控制算法采用三取二表决方式对发电预测值P1、充电预测值P2和综合预测值P3进行分析；所述三取二表决方式的规则为：
如果P1＞0，则说明正常，如果P1＜0，则说明异常；如果P2＞0，则说明储能系统可充电，如果P2＜0，则说明储能系统不可充电，需为储能系统放电；如果P3＞0，则说明需给储能系统充电，如果P3＜0，则说明需为储能系统放电；
如果P1＞0，P2＞0，P3＞0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电选取P2、P3中的较小值。
如果P1＞0，P2＞0，P3＜0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电为0.5P2。
如果P1＞0，P2＜0，P3＞0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电为0.5|P3+P2|；
如果P1＞0，P2＜0，P3＜0，则光伏组件禁止给储能系统充电，由储能系统给电网供电，储能系统放电后，不能低于储能系统容量的20％。
优选的，在上述一种基于协调控制的带储能系统的光伏电站运维方法中，还包括：
周期性检查储能系统中各个储能单元的状态，并结合未来预设时间段内的天气情况，自动平衡储能系统的存储电量。
优选的，在上述一种基于协调控制的带储能系统的光伏电站运维方法中，所述自动平衡储能系统的存储电量的方式为：
当储能系统的未来可充电容量趋近于0，或者小于满容量的5％时，根据天气预测结果，如果未来预设时间段内天气晴朗，光照度好，控制储能系统输出上网电量，进行放电；如果未来预设时间段内天气无光照，则逐步降低储能系统的输出上网电量，直至降低到0。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于协调控制的带储能系统的光伏电站运维方法，对光伏电站的光伏组件未来发电量和储能系统未来容量进行BP神经网络算法预测，同时对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，根据协调控制算法采用三取二表决算法对三个预测值进行分析，得出最终预测结果，调整光伏组件发电出力，控制逆变器上网电量和到储能系统的存储电量；同时根据储能系统的储能单元的数量增减，自动平衡存储电量，对发生故障的储能单元自动标识和分离。该方法通过对未来发电量和存储容量的预测，优化光伏组件发电和储能单元储电，自动标识和分离故障元件，提高设备的利用率，提高了光伏电站的发电能力。
本发明还提供一种基于协调控制的带储能系统的光伏电站运维系统，包括：
第一预测模块，用于基于预先构建的第一BP神经网络模型对光伏电站的光伏组件的未来发电量进行预测，得到发电预测值P1；
第二预测模块，用于基于预先构建的第二BP神经网络模型对与光伏电站配套的储能系统的未来可充电容量进行预测，得到充电预测值P2；
第三预测模块，用于基于预先构建的第三BP神经网络模型对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，得到综合预测值P3；以及
协调控制器，用于采用协调控制算法对发电预测值P1、充电预测值P2和综合预测值P3进行分析，得到最终预测结果，并基于所述最终预测结果调整光伏组件的发电出力，控制逆变器上网电量和到储能系统的存储电量。
优选的，在上述一种基于协调控制的带储能系统的光伏电站运维系统中，所述协调控制器还用于周期性检查储能系统中各个储能单元的状态，并结合未来预设时间段内的天气情况，自动平衡储能系统的存储电量。
优选的，在上述一种基于协调控制的带储能系统的光伏电站运维系统中，所述协调控制器还用于自动标识和分离储能系统中发生故障的储能单元。
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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于协调控制的带储能系统的光伏电站运维方法的流程图；
图2为本发明提供的基于协调控制的带储能系统的光伏电站运维系统的结构框图。
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。
如图1所示，本发明实施例公开了一种基于协调控制的带储能系统的光伏电站运维方法，包括以下步骤：
S1、基于预先构建的第一BP神经网络模型对光伏电站的光伏组件的未来发电量进行预测，得到发电预测值P1；
S2、基于预先构建的第二BP神经网络模型对与光伏电站配套的储能系统的未来可充电容量进行预测，得到充电预测值P2；
S3、基于预先构建的第三BP神经网络模型对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，得到综合预测值P3；
S4、采用协调控制算法对发电预测值P1、充电预测值P2和综合预测值P3进行分析，得到最终预测结果，并基于最终预测结果调整光伏组件的发电出力，控制逆变器上网电量和到储能系统的存储电量。
具体可根据最终预测结果，调整光伏电站状态为以下三种方式：发电上网为主储能为辅、或发电上网与储能均衡、或储能为主发电上网为辅。
在一个具体实施例中，S1-S3中对第一BP神经网络模型基于与光伏组件相关的所有第一历史数据进行训练，且每个月训练一次；第一历史数据至少包括：每个光伏组件的发电量、上网电量、对储能系统的充电量和天气数据；
第二BP神经网络模型基于与储能系统相关的所有第二历史数据进行训练，且每个月训练一次；第二历史数据至少包括：每个储能单元的可充电容量、接受光伏电站的充电量和天气数据；
第三BP神经网络模型基于光伏组件的历史发电量数据和储能系统的历史可充电容量进行训练，且每天训练一次。
每次训练的时候，采用的数据既有原来产生的历史数据，也有新增加的数据。这意味着，每次训练的时候，都会增加一个月或一天的新数据。对采用的历史数据的时间是之前发生的所有时间，系统运行越久，时间越长，历史数据越多，那么预测将会越准确。
在另一个具体实施例中，第一BP神经网络模型每天对光伏组件的未来发电量进行两次预测，输出光伏组件未来一周的发电量数据作为发电预测值P1；
第二BP神经网络模型每天对储能系统的未来可充电容量进行两次预测，输出储能系统未来一周的可充电容量作为充电预测值P2；
第三BP神经网络模型每十五分钟对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行一次预测，输出未来一周光伏组件的未来发电量和储能系统的未来可充电容量的总和作为综合预测值P3。由于对第三BP神经网络进行训练的数据量相对而言，比光伏组件和储能系统的数据量要少很多，考虑计算机的算力问题，那么对第三BP神经网络模型的训练和预测的频度会高于第一BP神经网络模型和第二BP神经网络模型。
S4中，协调控制算法采用三取二表决方式对发电预测值P1、充电预测值P2和综合预测值P3进行分析；三取二表决方式的规则为：
如果P1＞0，则说明正常，如果P1＜0，则说明异常；如果P2＞0，则说明储能系统可充电，如果P2＜0，则说明储能系统不可充电，需为储能系统放电；如果P3＞0，则说明需给储能系统充电，如果P3＜0，则说明需为储能系统放电；
如果P1＞0，P2＞0，P3＞0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电选取P2、P3中的较小值。
如果P1＞0，P2＞0，P3＜0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电为0.5P2。
如果P1＞0，P2＜0，P3＞0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电为0.5|P3+P2|；
如果P1＞0，P2＜0，P3＜0，则光伏组件禁止给储能系统充电，由储能系统给电网供电，储能系统放电后，不能低于储能系统容量的20％。
在一个更有利的实施例中，还包括：
S5、周期性检查储能系统中各个储能单元的状态，并结合未来预设时间段内的天气情况，自动平衡储能系统的存储电量。
其中，自动平衡储能系统的存储电量的方式为：
当储能系统的未来可充电容量趋近于0，或者小于满容量的5％时，根据天气预测结果，如果未来预设时间段内天气晴朗，光照度好，控制储能系统输出上网电量，进行放电；如果未来预设时间段内天气无光照，则逐步降低储能系统的输出上网电量，直至降低到0。
在另一个实施例中，还包括：
S6、自动标识和分离储能系统中发生故障的储能单元。
该步骤通过统计储能系统的历史数据，找出异常点，进而找到对应的储能单元；当该储能单元的数据发生连续异常时，协调控制器进行标识，判断该储能单元为故障，并给储能系统下达指令对该储能单元进行分离。
由于储能系统自身带有自动分离故障储能单元的组件，本质上是将有故障的储能单元切换出去，让其处于离线状态，不再参与储能；这样就达到了发生故障的储能单元分离的效果。
如图2所示，本发明实施例还提供一种基于协调控制的带储能系统的光伏电站运维系统，包括：
第一预测模块，用于基于预先构建的第一BP神经网络模型对光伏电站的光伏组件的未来发电量进行预测，得到发电预测值P1；
第二预测模块，用于基于预先构建的第二BP神经网络模型对与光伏电站配套的储能系统的未来可充电容量进行预测，得到充电预测值P2；
第三预测模块，用于基于预先构建的第三BP神经网络模型对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，得到综合预测值P3；以及
协调控制器，用于采用协调控制算法对发电预测值P1、充电预测值P2和综合预测值P3进行分析，得到最终预测结果，并基于最终预测结果调整光伏组件的发电出力，控制逆变器上网电量和到储能系统的存储电量。
其中，协调控制器中保存有光伏组件未来发电量和配套储能系统的未来可充电容量等数据，但是这些数据中不包含光伏电站的具体细节数据，比如电压、电流和SOC等，比光伏组件和储能系统的数据量相比少很多，因此，利用这些数据对第三BP神经网络模型进行训练时，需要多频次训练，以实现训练结果趋于优化的速度。
更有利的，协调控制器还用于周期性检查储能系统中各个储能单元的状态，并结合未来预设时间段内的天气情况，自动平衡储能系统的存储电量。
更有利的，协调控制器还用于自动标识和分离储能系统中发生故障的储能单元。
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于协调控制的带储能系统的光伏电站运维方法，其特征在于，包括：
基于预先构建的第一BP神经网络模型对光伏电站的光伏组件的未来发电量进行预测，得到发电预测值P1；
基于预先构建的第二BP神经网络模型对与光伏电站配套的储能系统的未来可充电容量进行预测，得到充电预测值P2；
基于预先构建的第三BP神经网络模型对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，得到综合预测值P3；
采用协调控制算法对发电预测值P1、充电预测值P2和综合预测值P3进行分析，得到最终预测结果，并基于所述最终预测结果调整光伏组件的发电出力，控制逆变器上网电量和到储能系统的存储电量。
2.根据权利要求1所述的一种基于协调控制的带储能系统的光伏电站运维方法，其特征在于，所述第一BP神经网络模型基于与光伏组件相关的所有第一历史数据进行训练，且每个月训练一次；所述第一历史数据至少包括：每个光伏组件的发电量、上网电量、对储能系统的充电量和天气数据；
所述第二BP神经网络模型基于与储能系统相关的所有第二历史数据进行训练，且每个月训练一次；所述第二历史数据至少包括：每个储能单元的可充电容量、接受光伏电站的充电量和天气数据；
所述第三BP神经网络模型基于光伏组件的历史发电量数据和储能系统的历史可充电容量进行训练，且每天训练一次。
3.根据权利要求1所述的一种基于协调控制的带储能系统的光伏电站运维方法，其特征在于，所述第一BP神经网络模型每天对光伏组件的未来发电量进行两次预测，输出光伏组件未来一周的发电量数据作为发电预测值P1；
所述第二BP神经网络模型每天对储能系统的未来可充电容量进行两次预测，输出储能系统未来一周的可充电容量作为充电预测值P2；
所述第三BP神经网络模型每十五分钟对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行一次预测，输出未来一周光伏组件的未来发电量和储能系统的未来可充电容量的总和作为综合预测值P3。
4.根据权利要求1所述的一种基于协调控制的带储能系统的光伏电站运维方法，其特征在于，所述协调控制算法采用三取二表决方式对发电预测值P1、充电预测值P2和综合预测值P3进行分析；所述三取二表决方式的规则为：
如果P1＞0，则说明正常，如果P1＜0，则说明异常；如果P2＞0，则说明储能系统可充电，如果P2＜0，则说明储能系统不可充电，需为储能系统放电；如果P3＞0，则说明需给储能系统充电，如果P3＜0，则说明需为储能系统放电；
如果P1＞0，P2＞0，P3＞0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电选取P2、P3中的较小值。
如果P1＞0，P2＞0，P3＜0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电为0.5P2。
如果P1＞0，P2＜0，P3＞0，则光伏组件可给储能系统充电，充电量的上限为储能系统能够接受的容量；每次充电为0.5|P3+P2|；
如果P1＞0，P2＜0，P3＜0，则光伏组件禁止给储能系统充电，由储能系统给电网供电，储能系统放电后，不能低于储能系统容量的20％。
5.根据权利要求1所述的一种基于协调控制的带储能系统的光伏电站运维方法，其特征在于，还包括：
周期性检查储能系统中各个储能单元的状态，并结合未来预设时间段内的天气情况，自动平衡储能系统的存储电量。
6.根据权利要求5所述的一种基于协调控制的带储能系统的光伏电站运维方法，其特征在于，所述自动平衡储能系统的存储电量的方式为：
当储能系统的未来可充电容量趋近于0，或者小于满容量的5％时，根据天气预测结果，如果未来预设时间段内天气晴朗，光照度好，控制储能系统输出上网电量，进行放电；如果未来预设时间段内天气无光照，则逐步降低储能系统的输出上网电量，直至降低到0。
7.根据权利要求5所述的一种基于协调控制的带储能系统的光伏电站运维方法，其特征在于，还包括：
自动标识和分离储能系统中发生故障的储能单元。
8.一种基于协调控制的带储能系统的光伏电站运维系统，其特征在于，包括：
第一预测模块，用于基于预先构建的第一BP神经网络模型对光伏电站的光伏组件的未来发电量进行预测，得到发电预测值P1；
第二预测模块，用于基于预先构建的第二BP神经网络模型对与光伏电站配套的储能系统的未来可充电容量进行预测，得到充电预测值P2；
第三预测模块，用于基于预先构建的第三BP神经网络模型对光伏组件的未来发电量和储能系统的未来可充电容量的总和进行预测，得到综合预测值P3；以及
协调控制器，用于采用协调控制算法对发电预测值P1、充电预测值P2和综合预测值P3进行分析，得到最终预测结果，并基于所述最终预测结果调整光伏组件的发电出力，控制逆变器上网电量和到储能系统的存储电量。
9.根据权利要求8所述的一种基于协调控制的带储能系统的光伏电站运维系统，其特征在于，所述协调控制器还用于周期性检查储能系统中各个储能单元的状态，并结合未来预设时间段内的天气情况，自动平衡储能系统的存储电量。
10.根据权利要求8所述的一种基于协调控制的带储能系统的光伏电站运维系统，其特征在于，所述协调控制器还用于自动标识和分离储能系统中发生故障的储能单元。
CN202111627682.5A 2021-12-28 2021-12-28 基于协调控制的带储能系统的光伏电站运维方法及系统 Active CN114362154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111627682.5A CN114362154B (zh) 2021-12-28 2021-12-28 基于协调控制的带储能系统的光伏电站运维方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111627682.5A CN114362154B (zh) 2021-12-28 2021-12-28 基于协调控制的带储能系统的光伏电站运维方法及系统

Publications (2)

Publication Number Publication Date
CN114362154A true CN114362154A (zh) 2022-04-15
CN114362154B CN114362154B (zh) 2023-06-27

Family

ID=81103546

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111627682.5A Active CN114362154B (zh) 2021-12-28 2021-12-28 基于协调控制的带储能系统的光伏电站运维方法及系统

Country Status (1)

Country Link
CN (1) CN114362154B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116317173A (zh) * 2023-05-25 2023-06-23 水电水利规划设计总院 一种运用于光伏项目的储能在线监控系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218673A (zh) * 2013-03-27 2013-07-24 河海大学 基于bp神经网络的光伏发电短期出力预测方法
JP2016100956A (ja) * 2014-11-20 2016-05-30 株式会社Ｎｔｔドコモ 直流電源の制御装置、直流電源システム、および直流電源の制御装置の制御方法
US20180175660A1 (en) * 2015-06-22 2018-06-21 Mitsubishi Electric Corporation Storage-battery control device, storage-battery charge/discharge system, photovoltaic power generation system, and storage-battery control method
CN108808721A (zh) * 2017-04-27 2018-11-13 宁夏和而不同创意有限公司 一种基于发电预测的分布式发电能量管理系统及其方法
CN109103939A (zh) * 2018-10-16 2018-12-28 山东三电新能源技术有限公司 一种降低光伏电站损耗的储能系统智能控制装置及方法
CN109149624A (zh) * 2017-06-27 2019-01-04 上海太阳能科技有限公司 一种可预测的光储分布式能源管理系统及其控制方法
CN112329872A (zh) * 2020-11-11 2021-02-05 湖南安华源电力科技有限公司 一种采用多维融合技术提高光伏发电量的方法
CN113824141A (zh) * 2021-08-05 2021-12-21 华翔翔能科技股份有限公司 一种光伏储能电池管理系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218673A (zh) * 2013-03-27 2013-07-24 河海大学 基于bp神经网络的光伏发电短期出力预测方法
JP2016100956A (ja) * 2014-11-20 2016-05-30 株式会社Ｎｔｔドコモ 直流電源の制御装置、直流電源システム、および直流電源の制御装置の制御方法
US20180175660A1 (en) * 2015-06-22 2018-06-21 Mitsubishi Electric Corporation Storage-battery control device, storage-battery charge/discharge system, photovoltaic power generation system, and storage-battery control method
CN108808721A (zh) * 2017-04-27 2018-11-13 宁夏和而不同创意有限公司 一种基于发电预测的分布式发电能量管理系统及其方法
CN109149624A (zh) * 2017-06-27 2019-01-04 上海太阳能科技有限公司 一种可预测的光储分布式能源管理系统及其控制方法
CN109103939A (zh) * 2018-10-16 2018-12-28 山东三电新能源技术有限公司 一种降低光伏电站损耗的储能系统智能控制装置及方法
CN112329872A (zh) * 2020-11-11 2021-02-05 湖南安华源电力科技有限公司 一种采用多维融合技术提高光伏发电量的方法
CN113824141A (zh) * 2021-08-05 2021-12-21 华翔翔能科技股份有限公司 一种光伏储能电池管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王文宾;陈岩;史智洁;: "微网下风光储预测滚动协调优化策略", 电力系统及其自动化学报, no. 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116317173A (zh) * 2023-05-25 2023-06-23 水电水利规划设计总院 一种运用于光伏项目的储能在线监控系统
CN116317173B (zh) * 2023-05-25 2023-11-21 水电水利规划设计总院 一种运用于光伏项目的储能在线监控系统

Also Published As

Publication number Publication date
CN114362154B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Luna et al. Online energy management systems for microgrids: Experimental validation and assessment framework
Nguyen et al. Stochastic optimization of renewable-based microgrid operation incorporating battery operating cost
JP6298465B2 (ja) 電力管理装置、電力管理システム、サーバ、電力管理方法、プログラム
CN107862405B (zh) 计及微网作为黑启动电源的电力系统网架重构优化方法
Dagdougui et al. Peak load reduction in a smart building integrating microgrid and V2B-based demand response scheme
CN108695871B (zh) 含有电力弹簧的孤岛微电网降低储能容量需求的配置方法
KR20190140296A (ko) 위험도 분석을 이용한 가상발전소 운영시스템 및 방법
CN108988337B (zh) 一种微电网系统储能装置的设计方法及微电网系统
KR20200119367A (ko) 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법
JP2015165732A (ja) 蓄電池制御装置、給電システム、蓄電池制御方法、及びプログラム
Islam et al. Grid power fluctuation reduction by fuzzy control based energy management system in residential microgrids
CN114362154B (zh) 基于协调控制的带储能系统的光伏电站运维方法及系统
CN117060400A (zh) 一种城市配电网韧性恢复方法、系统、设备及介质
Gangwar et al. Management of energy storage dispatch in unbalanced distribution networks using opendss
Luna et al. Generation and demand scheduling for a grid-connected hybrid microgrid considering price-based incentives
CN115021406B (zh) 一种整合经济性模型预测控制的微电网控制器
CN115912442A (zh) 一种用户侧光储优化配置及其盈亏平衡分析方法
WO2021162572A1 (en) A smart power splitter and a method for providing power with use of the smart power splitter
Aragues-Penalba et al. Secure and optimal operation of hybrid AC/DC grids with large penetration of offshore wind
JPWO2020080006A1 (ja) エネルギーマネジメントシステム、独立システム、及び独立システムの運用方法
CN112234633B (zh) 一种基于提高电网运行可靠性的储能单元分配方法
CN117200261B (zh) 一种基于电网调频的储能设备控制方法、装置和存储介质
Liu et al. Innovative Energy Management System for Energy Storage Systems of Multiple-Type with Cascade Utilization Battery
JP7454632B1 (ja) 運転制御システム、運転制御方法及びプログラム
Leng et al. A Comprehensive Literature Review for Optimal Planning of Distributed Energy Resources in Distribution Grids

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