CN114498690A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114498690A CN114498690A CN202111657561.5A CN202111657561A CN114498690A CN 114498690 A CN114498690 A CN 114498690A CN 202111657561 A CN202111657561 A CN 202111657561A CN 114498690 A CN114498690 A CN 114498690A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- bat
- cap
- power
- soc
- 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
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
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- 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
- 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
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- 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,针对平滑输出、计划发电、削峰填谷以及混合场景等的储能系统应用场景,研究了支持源网荷储多元协调泛在调度控制模式和控制策略;考虑储能系统的不同类型应用场景和运行控制策略,研究储能系统功能需求及架构设计,数据交互、获取及功能支撑技术。利用储能系统平抑风电/光伏有功功率波动方法进行研究。根据不同类型储能设备的特点,提出了基于小波包分解和经验模态分解(EMD)的风电/光伏有功功率平滑控制方法,分别研究了小波包分解层次和经验模态滤波阶次与储能能量之间的关系,为实现多类型储能能量划分提供了理论依据。
Description
技术领域
本发明属于储能系统优化技术领域,尤其是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。
背景技术
由于气候与地理环境等因素的影响,风能具有出力间歇性与随机性的特点,风电场输出功率直接并入电网将对电力系统稳定性、电网频率、电能质量、发电计划和调度等方面产生较大的影响,严重制约了风能的利用及风电的大规模发展。因此,如何有效平抑风电场输出功率波动问题具有重要的现实意义。针对这一问题,国内、外学者做出了积极的研究,主要集中在以下两种方式:一种是通过调节桨距角和改变发电机转速来调整风机输出功率以实现单台风力发电机组输出功率平滑的目的,然而风电场各机组之间的输出功率有可能互补,同时也有可能相互叠加,从而导致风电场总的输出功率存在较大波动,在一定程度上降低了风能的有效利用率;另一种是考虑风电场的整体输出功率,在风电场出口并网母线位置配备储能系统,利用储能系统的吞吐能力起到平抑风电功率波动的作用,即当风电出力骤升时,储能装置吸收功率,反之则输出功率。由于储能系统多种多样,各自具有不同的特点,在功率平滑方面得到了不同程度的应用。
合理的配置储能系统容量是新能源发电系统经济可靠运行的重要保障。目前存在两种储能系统容量配置方式为集中式和分布式。通过研究表明,采用集中式储能系统容量配置能够降低储能功率和容量,提高系统的经济性。目前常用的储能系统容量配置方法主要有以下两种:①以储能设备容量最小为目标建立目标函数,确定满足要求的储能容量,这种方法的局限性在于仅从技术角度给出储能容量配置,没有考虑当前较高的储能成本对光伏/风电系统经济性的影响;②以成本最小为目标建立目标函数,考虑混合储能装置的功率出力和荷电状态等约束,给出满足要求的储能系统容量。这种方法的不足之处在于计算储能成本费用时,未能计及整个寿命周期内更换、维护设备所产生的费用。
发明内容
本发明的目的在于克服现有技术的不足,提出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,针对平滑输出、计划发电、削峰填谷以及混合场景等的储能系统应用场景,研究了支持源网荷储多元协调泛在调度控制模式和控制策略;考虑储能系统的不同类型应用场景和运行控制策略,研究储能系统功能需求及架构设计,数据交互、获取及功能支撑技术。
本发明解决其技术问题是采取以下技术方案实现的:
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,包括以下步骤:
步骤1、考虑应用场景和运行控制策略构建储能规划模型;
步骤2、根据步骤1构建的模型,对高比例可再生能源充分消纳的储能进行优化配置;
步骤3、根据步骤2的优化配置,构建储能系统功能需求模型,并通过模型求解得到多元复合储能优化配置方法。
而且,所述步骤1包括以下步骤:
步骤1.1、建立储能系统的多目标优化控制策略;
步骤1.2、考虑步骤1.1的控制策略,构建储能规划模型。
而且,所述步骤1.1包括以下步骤:
步骤1.1.1、基于低通滤波分配混合系统能量;
采用一阶低通滤波器的方法,将滤波器从频域转换到时域,并通过其分频作用,得电池和超级电容器的功率:
其中,Pbat(t)为电池t时刻的功率,λ为滤波系数,其取值范围为0至1,Pbat(t-1)为电池t-1时刻的功率,为混合储能系统的目标总出力值,Pcap(t)为超级电容t时刻的功率,τ为滤波时间常数,Δt为采样间隔,同时得到滤波系数与电池功率成正比,与超级电容器输出成反比;
步骤1.1.2、根据滤波系数与电池功率和超级电容器输出的关系,建立多目标优化模型控制策略;
约束条件为:
b1≤λ(t)≤b2
其中,Pbat,e为电池的额定功率,Csoc,cap为超级电容的SOC,Csoc,med为SOC的适中水平,b1、b2为出厂设定的参数,Mcap为超级电容器的储能容量,Δt为充、放电时间间隔,并通过NSGA-∥算法对构建的模型进行计算,并得到控制策略:把混合储能系统出力的一个指令周期分为两部分,在第i个指令周期Ti的后一部分周期Ti2内,在Ti2内保证超级电容器SOC在一定的水平,选取以f2较优的解作为当前的解;当进入第i+1个指令周期时,前一部分周期即Ti+1+1内,选取以得到较优的解作为当前的解。
而且,所述步骤1.2的储能规划模型为:
充电过程为:
CSOC,bat(t)=CSOC,bat(t-Δt)+Pbat(t)Δtηbat,c/Cbat
CSOC,cap(t)=CSOC,cap(t-Δt)+Pcap(t)Δtηcap,c/Ccap
放电过程为:
CSOC,bat(t)=CSOC,bat(t-Δt)+Pbat(t)Δt/(ηbat,d·Cbat)
CSOC,cap(t)=CSOC,cap(t-Δt)+Pcap(t)Δt/(ηcap,d·Ccap)
约束条件为:
|Pbat(t)|≤|Pbat,lim(t)|
|Pcap(t)|≤|Pcap,lim(t)|
其中,CSOC,bat(t)和CSOC,cap(t)为两种储能系统SOC的变化情况;Δt为采样间隔;ηbat,c为电池的充电效率;ηcap,c为电池的放电效率;ηbat,d为超级电容器的充电效率;ηcap,d为超级电容器的放电效率;Cbat为电池的容量;Ccap为超级电容器的容量;|Pbat,lim(t)|为电池在t时刻允许的最大充电功率数值;|Pcap,lim(t)|为超级电容器在t时刻允许的最大充电功率数值;
|Pbat,lim(t)|和|Pcap,lim(t)|由两种储能系统的自身特性和剩余能量决定,其计算方法为,充电过程:
|Pbat,lim(t)|=min{Pbat,cmax,Cbat[CSOC,bat,max-CSOC,bat(t-Δt)]/(Δt·ηbat,c)}
|Pcap,lim(t)|=min{Pcap,cmax,Ccap[CSOC,cap,max-CSOC,cap(t-Δt)]/(Δt·ηcap,c)}
放电过程:
|Pbat,lim(t)|=min{Pbat,dmax,Cbat[CSOC,bat(t-Δt)-CSOC,bat,max]ηbat,d/Δt}
|Pcap,lim(t)|=min{Pcap,dmax,Ccap[CSOC,cap(t-Δt)-CSOC,cap,max]ηcap,d/Δt}
其中,Pbat,cmax为由电池自身特性决定的最大充电功率数值;Pcap,cmax为由电池自身特性决定的最大放电功率数值;Pbat,dmax为由超级电容器自身特性决定的最大充电功率数值;Pcap,dmax为由超级电容器自身特性决定的最大放电功率数值;CSOC,bat,max为电池的SOC约束上限;CSOC,cap,max为电池的SOC约束下限;CSOC,bat,min为超级电容器的SOC约束上限;CSOC,cap,min为超级电容器的SOC约束下限。
而且,所述步骤2包括以下步骤:
步骤2.1、计算电池等效循环寿命;
通过雨流计数法计算电池的放电深度,根据电池放电深度与循环寿命的对应关系,计算出电池的等效循环寿命;
步骤2.2、计算储能系统额定功率范围;
通过一段间隔的时间进行采样,按照PHESS(t)=Pwf(t)-Pw(t)计算风电机组的实测数据与预测结果,得到混合储能系统的功率PHESS,采用非参数密度估计法建立混合储能系统的功率取绝对值|PHESS|分布统计模型,并用核密度估计法配置混合储能系统的额定功率;
步骤2.3、计算储能系统容量范围;
选取一天内能量最大值的绝对值,根据其概率密度求解累积分布函数,得到混合储能系统的容量;
步骤2.4、计算成本;
步骤2.5、根据步骤2.1至2.4的计算数据对储能进行优化配置。
而且,所述步骤2.4中计算的成本包括全寿命周期成本、资金的时间价值、工程的建设阶段以及约束条件;
全寿命周期成本的计算方法为:混合储能系统的全寿命周期成本主要集中于电池和超级电容器模块的投资成本,系统运行后的操作与维护费用,以及报废后的处置成本;储能成本的经济评估受到负荷特性、储能系统参数及工作模式的选择因素的影响,计算时需根据其适用的电力系统典型场合,并根据各种电力应用界定储能系统的技术规范和参数要求,对储能系统的经济性进行评估;
资金的时间价值的计算方法为:
其中,P为时间价值,F为终值,A为年值,r为利率;N设备使用期数;
工程的建设阶段包括:计划建设阶段、运营维护阶段和报废处置阶段;
计划建设阶段的计算方法为:
Cd=nb,p·Pbat+nb,c·Cbat+nc,p·Pcap+nc,c·Ccap
其中,Pbat,Cbat,Pcap,Ccap分别为电池和超级电容器的额定功率及额定容量;nb,p,nb,c,nc,p,nb,c分别为电池和超级电容器的功率单价及容量单价;
运营维护阶段的计算方法为:
Cm=N·(mbat·Cbat+mcap·Ccap)
其中,mbat和mcap分别为电池和超级电容器的维护单价;N为设备使用期数;qbat和qcap分别为电池和超级电容器的更换次数;
报废处置阶段的计算方法为:
Cs=lb,p·Pbat+lb,c·Cbat+lc,p·Pcap+lc,c·Ccap
其中,lb,p、lb,c、lc,p、分别为电池和超级电容器的功率处置单价及容量处置单价;
约束条件包括:节点功率平衡约束、节点功率波动约束、结点电压约束、支路潮流的约束、能量守恒的约束、置信度的约束和SOC约束。
而且,所述步骤2.5中储能优化配置为:
依据超出综合目标域范围的风电功率占比量原理,采用溢出目标域频重法概率统计风功率占比量大小,依据储能响应特性,采用占比量大由蓄电池补偿,占比量小由超级电容器补偿,确定混合储能各自运行时间和额定功率及容量配比。
而且,所述步骤3包括以下步骤:
步骤3.1、计算储能容量需求与可再生能源调节关系;
控制器采集光伏组件输出功率Ps,通过一阶数字低通滤波算法设定并网功率值Pout,计算储能系统出力值:
Pb=Pout-Ps
需要的储能系统容量为:
选择一段时间间隔的光伏电站出力曲线样本,样本容量从1天开始,连续选取并逐个累加,计算该样本长度下的光储电站容量配置结果,并绘制了该样本天数的频数分布直方图,并对其进行正态分布拟合,得到储能容量需求与可再生能源调节关系;
步骤3.2、计算光伏电站出力数据特性;
光伏电站出力数据特性包括出力数据的自相关和光伏电站出力数据的相似日聚类;其中出力数据的自相关为;
其中,cov(·)为协方差,var(·)为方差,pxy为相关系数,xt为光伏出力数据的任意时刻数据值,yt为历史数据,得到光伏出力数据分析时以100天为跨度截取数据样本进行计算;
光伏电站出力数据的相似日聚类为:选取太阳辐照强度、辐照时间和气温作为光伏出力的聚类指标,得到每日的特征向量:
其中,为第i日太阳辐照强度最大值、上午平均值和下午平均值;为第i日最高气温、上午平均气温和下午平均气温;T为第i日的辐照时间长度;根据出力数据的自相关,选取跨度为100天的光伏数据进行聚类分析,得到光伏出力与天气情况之间具有强相关性;
步骤3.3、基于最适样本容量估计的跨度计算;
最适样本容量为:
其中,n为样本容量,σ2为样本标准差,tα为标准正态分布的双侧分位数,u为总体均值,ε为相对精度,得到基于最适样本容量估计的跨度:随着允许误差精度取值变小,各天气类别的最适样本容量估计增加,总体数据跨度不断增大。
本发明的优点和积极效果是:
本发明针对平滑输出、计划发电、削峰填谷以及混合场景等的储能系统应用场景,研究了支持源网荷储多元协调泛在调度控制模式和控制策略;考虑储能系统的不同类型应用场景和运行控制策略,研究储能系统功能需求及架构设计,数据交互、获取及功能支撑技术。本发明利用储能系统平抑风电/光伏有功功率波动方法进行研究。根据不同类型储能设备的特点,提出了基于小波包分解和经验模态分解(EMD)的风电/光伏有功功率平滑控制方法,分别研究了小波包分解层次和经验模态滤波阶次与储能能量之间的关系,为实现多类型储能能量划分提供了理论依据。同时本发明提出了基于风功率预测误差模型的储能容量配置方法,实现了对能量型和功率型储能系统的合理配比。
附图说明
图1为本发明Pareto前沿与最优解示意图;
图2为本发明混合储能系统弥补风电功率实测值与预测值偏差示意图;
图3为本发明充、放电循环周期示意,(a)充电半循环周期;(b)放电半循环周期;(c)充电完整的循环周期;(d)放电完整的循环周期;
图4为本发明雨流计数法示意图,(a)SOC随时间变化曲线;(b)SOC随时间变化曲线旋转90°(c)循环周期;(d)循环周期;(e)循环周期;(f)三个循环周期和一个半循环周期;
图5为本发明雨流计数法计算电池SOC循环周期示意图;
图6为本发明循环寿命与放电深度的关系;
图7为本发明|PHESS|的直方图;
图8为本发明|PHESS|的概率密度函数图;
图9为本发明|PHESS|概率密度函数图;
图10为本发明混合储能系统的每日最大绝对能量示意图;
图11为本发明|Emax|的累积分布函数;
图12为本发明混合储能系统的寿命周期段划分示意图;
图13为本发明预估的HESS储能年均成本随电池额定容量变化曲线图;
图14为本发明BESS储能年均成本随电池额定容量变化曲线图;
图15为本发明光伏电站滤波控制算法原理示意图;
图16为本发明储能最大容量需求值对应的数据跨度直方图;
图17为本发明五种天气下的典型出力曲线图;
图18为本发明基于天气情况的光伏数据聚类图;
图19为本发明最适合样本容量估计示意图。
具体实施方式
以下结合附图对本发明做进一步详述。
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,其特征在于:包括以下步骤:
步骤1、考虑应用场景和运行控制策略构建储能规划模型。
步骤1.1、建立储能系统的多目标优化控制策略。
步骤1.1.1、基于低通滤波分配混合系统能量。
为充分发挥能量型、功率型储能的各自优势,从降低投资、运行成本的角度出发,混合储能的内部能量分配规则为功率密度大、循环寿命长的超级电容器遵循优先充、放电的原则,同时充当“功率缓冲器”,执行混合储能的功率指令中的高频分量,从而避免电池进行小循环、超倍率充放电,延长电池的寿命,降低运行成本;能量密度大的电池,是混合储能系统中的主要能量来源,负责承担长时期的低频分量部分,并能实时调节电容器荷电状态,以及时响应下一指令的高频部分。
本发明采用一阶低通滤波器的方法,将风电功率的预测值与实测值的偏差Per分为高、低频两部分。滤波器传递函数G(s)为:
其中,s为传递函数中的专有符号;τ为滤波时间常数,
为方便优化计算,将滤波器从频域转换到时域,并通过其分频作用,得电池和超级电容器的功率:
其中,Pbat(t)为电池t时刻的功率,λ为滤波系数,其取值范围为0至1,Pbat(t-1)为电池t-1时刻的功率,为混合储能系统的目标总出力值,Pcap(t)为超级电容t时刻的功率,τ为滤波时间常数,Δt为采样间隔。
滤波系数的取值范围为0至1,滤波系数越小,电池的功率输出越平坦,同时超级电容器的功率上下波动更加剧烈;如果滤波系数取较大值,则电池输出功率的平坦程度降低,输出的功率整体偏高,相应的超级电容器负担的任务降低,波动性输出也减少。由此得出结论,通过控制滤波系数λ可以确定混合储能的能量分配,且滤波系数与电池功率成正比,与超级电容器输出成反比;
步骤1.1.2、根据滤波系数与电池功率和超级电容器输出的关系,建立多目标优化模型控制策略。
在混合储能系统的跟踪控制中,如何合理确定λ的取值以充分发挥两类储能的最大功效问题,可以通过优化理论解决,使用优化理论的前提是建立优化模型。
在跟踪控制中,从储能的寿命角度来分析,储能的寿命受循环次数、放电深度(DOD)等因素的制约,特别是电池储能其循环寿命较低,应避免其“过充、深放”,应限制电池在每一个采样点的输出功率幅值,将其作为目标之一。另一方面,由于超级电容器的介入,其高能量密度和高循环次数的特点可以用于承担短时间内幅值较高的高频分量部分,为了满足超级电容器能够随时具有较强的高频功率输出的能力,应保持超级电容器的SOC在比较适中的水平,能够满足下一时刻充电或放电的需求,并将此要求作为第二个优化目标。
当优化目标在两个及以上数目时,优化问题属于多目标的优化问题。多目标优化问题可以描述如下:
其中,F(X)为待优化的目标函数,其中F(X)=[f1(X),f2(X),…,fp(X)]T;X为待优化变量,其中X=(x1,x2,…,xn)T;gi(X)为约束条件;V-min为向量最优化,即向量目标函数F(X)中各个分目标被同等级地极小化。
按照上述优化目标的要求,建立的混合储能系统跟踪优化控制的模型如下:
优化目标
其中,Csoc,med为SOC的适中水平,一般取值0.5左右;Pbat,c为电池的额定功率;Δt为充、放电时间间隔;Mcap为超级电容器的储能容量;f1为对电池功率幅值的限制,最小化在该时刻放电深度;f2为最小化超级电容器的当前SOC值与Csoc,med的差距,即保证超级电容器SOC在适中的水平以应对未来时刻的较高频率的输出。
在混合储能的能量分配中,由于滤波系数λ起到了决定的作用,可以把对Pbat,t和Pcap,t优化的问题转化为对λ优化的问题,将优化目标转化为:
约束条件为:
b1≤λ(t)≤b2
其中,Pbat,e为电池的额定功率,Csoc,cap为超级电容的SOC,Csoc,med为SOC的适中水平,b1、b2为出厂设定的参数,Pbat(t-1),和Csoc,cap(t-1)由相关公式计算可以求出。Pbat,c,Mcap,Csoc,mod,Δt,b1和b2为设定的参数。
多目标优化问题不存在使全部目标同时达到最优的绝对最优解,其中的各目标往往处于冲突状态,一个目标函数的提高需要以另一个目标函数的降低作为代价。对于极小值多目标优化问题minf(),Pareto最优解定义为在设计变量的可行域内,对于变量X,当且仅当不存在其他变量X*,在不违背约束的条件下满足fi(X)<fi(X*),至少存在一个i使得fi(X)<fi(X*)成立,则称变量X为非支配解,即Pareto最优解。Pareto最优解不是唯一的,多个Pareto最优解构成Pareto最优解集(也称Pareto前沿或非支配解集),由Pareto最优解组成的解集叫作Pareto前沿,如图1所示。
图1表示了有两个目标的无约束优化问题的解空间。图中,由于E点的两个目标f1、f2均比R点小,所以R点不是最优解。同理,位于可行域内且不在边界ABECD上的所有解都不是最优解。而位于曲线ABECD上的所有解均为Pareto解,整条曲线构成Pareto解集,即Pareto前沿,多目标优化的任务就是要找到这条曲线。
由于NSGA-∥算法不仅包含了进化算法的全部优点,还具有不受搜索函数连续性的约束、并行计算的高效性和较好的普适性的特点,因此选取该算法对多目标优化问题进行求解。
NSGA算法的非支配分类过程体现了其高效性所在,它把多目标优化问题简化至一个适应度函数的形式。该方法能解决任意目标数的优化问题,并且能求解最大或最小值的问题。NSGA-∥算法是在NSGA方法的基础上改进得到的一种快速的非劣性排序方法,它定义了拥挤距离,并估计某个点周围解的密度来取代适应值共享。NSGA-∥算法能有效地克服NSGA的缺陷,计算复杂性从0(mM3)降至0(mM2),并具备最优保留机制及无需确定一个共享参数。该算法得到的非劣解在目标空间上分布均匀、收敛性和鲁棒性好,已成为进化多目标。
多目标优化模型控制策略为:把混合储能系统出力的一个指令周期分为两部分,在第i个指令周期Ti的后一部分周期Ti2内,为了防止下一指令周期的风电功率预测值可能会发生较大的改变,随之导致混合储能的目标出力功率也会发生较大变化的情况,因此,需要在Ti2内保证超级电容器SOC在一定的水平,以应对混合储能功率的高频分量,故应选取以f2较优的解作为当前的解;当进入第i+1个指令周期时,前一部分周期即Ti+11内,在超级电容器负责承担一部分高频分量下,尽量降低电池的输出功率幅值,以延长储能的寿命,故应选取以得到较优的解作为当前的解。
步骤1.2、考虑步骤1.1的控制策略,构建储能规划模型。
大规模储能系统的介入,能够提高实时调节风电的输出功率以跟踪发电计划的能力。如何利用好储能系统,实现两者之间功率的优化调度,是解决大规模储能系统广泛应用于新能源发电的关键问题之一。其基本控制思想是依据风电场的实际输出功率和电网下达的发电指令目标,储能系统通过充电或放电实现缩减或消除前两者偏差的目的。当发电指令值大于实际输出功率时,储能系统需释放能量以补偿风电功率的缺额;当发电指令值小于实际输出功率时,储能系统需吸收过多的功率,并进行能量存储。
步骤1.2.1、功率型和能量型特性分析。
以锂离子电池和超级电容器为例,超级电容器属于功率型储能装置,输出功率变化范围大、变化速率快,且充、放电循环次数多,主要用来承担功率的高频分量;锂离子电池属于能量型储能装置,输出功率变化范围小、变化速率慢,且充、放电循环次数少,主要用来承担功率的低频分量。
超级电容器的功率密度能达到锂离子电池的2倍甚至10倍以上,其循环次数也远远大于锂离子电池,凸显超级电容器具有功率密度高、循环寿命长、充放电时间短的特点,而锂离子电池的能量密度远超于超级电容器,具有较长时间持续稳定充放电的能力。
为了补偿风电功率的实测值与预测值之间的偏差,混合储能系统功率为:
PHESS(t)=Pwf(t)-Pw(t)
其中,PHESS(t)为混合储能系统t时刻功率,Pwf(t)为风电功率预测值,Pw(t)为风电功率实测值,由公式看出,若Pw(t)>Pwf(t),风电功率的实测值大于预测值,混合储能系统充电;若Pw(t)<Pwf(t),风电功率的实测值小于预测值,混合储能系统放电;若Pw(t)=Pwf(t),风电功率的实测值等于预测值,混合储能系统停止运行。混合储能系统弥补风电功率实测值与预测值偏差的示意,如图2所示。
图2中实线为混合储能系统的总功率,取时间间隔为Δt(取值为较短时间)的两个点,其混合储能系统功率分别为PHESS(t-Δt)和PHESS(t)。如图2中的标注所示,在t-Δt时刻的电池功率为Pbat(t-Δt),超级电容器的功率为Pcap(t-Δt),t时刻电池和超级电容器的功率分别为Pbat(t)和Pcap(t)。经过Δt时间后,有
由于超级电容器功率密度高,在较短时间内能输出较高的功率。因此图2可以得出ΔPcap>ΔPbat,超级电容器的短时间变化率要大于电池,它适用于风电功率的实测值和预测值瞬间激增的情况,而电池由于能量密度较大,适用于补偿风电功率实测值与预测值较平稳的误差。
图2所述的能量型和功率型储能系统在不同时间尺度下所能释放或吸收的功率能力不同。因此,引入储能系统出力变化速率的概念,以此区别两种类型储能介质的能力。
对储能系统出力变化速率的限制是指在储能系统运行过程中,储能系统功率变化速率在一段时间内的出力变化量不超过某个限定值,其定义如下:
其中,vbat,max和vcap,max分别为电池和超级电容器的最大功率变化速率。由上述分析的特性可知vbat,max≤vcap,max。
受各自能力承受范围的影响,能量型储能系统因其功率密度低、充放电时间短且循环寿命有限等因素而难以胜任对风电功率预测误差的高频分量的调控;功率型储能系统因其能量密度低而难以承担长时间的风电功率预测误差的低频调控。因此,电池-超级电容器构成的混合储能系统,具有能量密度高、功率密度高和循环次数长等优点,最大程度地解决了单独使用功率型或能量型储能系统受能量密度、功率密度及运行寿命等因素制约的问题。
步骤1.2.2、建立混合储能系统的分析模型。
混合储能系统的数学模型是满足给定的约束条件,且可描述混合储能系统充、放电过程的数学表达式。混合储能系统功率值为风电功率预测值与实测值的偏差,其偏差为正表示放电,为负表示充电,偏差为零时表示系统停止运行。设t时刻经过储能系统的出力后,为表示两种储能系统SOC的变化情况,分别记为CSOC,bat(t)和CSOC,cap(t),则有如下关系:
充电过程为:
CSOC,bat(t)=CSOC,bat(t-Δt)+Pbat(t)Δtηbat,c/Cbat
CSOC,cap(t)=CSOC,cap(t-Δt)+Pcap(t)Δtηcap,c/Ccap
放电过程为:
CSOC,bat(t)=CSOC,bat(t-Δt)+Pbat(t)Δt/(ηbat,d·Cbat)
CSOC,cap(t)=CSOC,cap(t-Δt)+Pcap(t)Δt/(ηcap,d·Ccap)
约束条件为:
|Pbat(t)|≤|Pbat,lim(t)|
|Pcap(t)|≤|Pcap,lim(t)|
其中,CSOC,bat(t)和CSOC,cap(t)为两种储能系统SOC的变化情况;Δt为采样间隔;ηbat,c为电池的充电效率;ηcap,c为电池的放电效率;ηbat,d为超级电容器的充电效率;ηcap,d为超级电容器的放电效率;Cbat为电池的容量;Ccap为超级电容器的容量;|Pbat,lim(t)|为电池在t时刻允许的最大充电功率数值;|Pcap,lim(t)|为超级电容器在t时刻允许的最大充电功率数值;
|Pbat,lim(t)|和|Pcap,lim(t)|由两种储能系统的自身特性和剩余能量决定,其计算方法为,充电过程:
|Pbat,lim(t)|=min{Pbat,cmax,Cbat[CSOC,bat,max-CSOC,bat(t-Δt)]/(Δt·ηbat,c)}
|Pcap,lim(t)|=min{Pcap,cmax,Ccap[CSOC,cap,max-CSOC,cap(t-Δt)]/(Δt·ηcap,c)}
放电过程:
|Pbat,lim(t)|=min{Pbat,dmax,Cbat[CSOC,bat(t-Δt)-CSOC,bat,max]ηbat,d/Δt}
|Pcap,lim(t)|=min{Pcap,dmax,Ccap[CSOC,cap(t-Δt)-CSOC,cap,max]ηcap,d/Δt}
其中,Pbat,cmax为由电池自身特性决定的最大充电功率数值;Pcap,cmax为由电池自身特性决定的最大放电功率数值;Pbat,dmax为由超级电容器自身特性决定的最大充电功率数值;Pcap,dmax为由超级电容器自身特性决定的最大放电功率数值;CSOC,bat,max为电池的SOC约束上限;CSOC,cap,max为电池的SOC约束下限;CSOC,bat,min为超级电容器的SOC约束上限;CSOC,cap,min为超级电容器的SOC约束下限。
步骤2、根据步骤1构建的模型,对高比例可再生能源充分消纳的储能进行优化配置。
通过对某地可再生能源功率特性分析,以及不同情况的储能应用场景,提出了基于风功率预测误差模型的储能容量配置方法,实现了对能量型和功率型储能系统的合理配比。
合理的配置储能系统容量是新能源发电系统经济可靠运行的重要保障。目前存在两种储能系统容量配置方式为集中式和分布式。通过研究表明,采用集中式储能系统容量配置能够降低储能功率和容量,提高系统的经济性。目前常用的储能系统容量配置方法主要有以下两种:①以储能设备容量最小为目标建立目标函数,确定满足要求的储能容量,这种方法的局限性在于仅从技术角度给出储能容量配置,没有考虑当前较高的储能成本对光伏/风电系统经济性的影响;②以成本最小为目标建立目标函数,考虑混合储能装置的功率出力和荷电状态等约束,给出满足要求的储能系统容量。这种方法的不足之处在于计算储能成本费用时,未能计及整个寿命周期内更换、维护设备所产生的费用。
在混合储能功率分配方法基础上,以风电-蓄电池/超级电容器所构成的风电-混合储能系统为研究对象,利用蓄电池和超级电容器的互补特性,充分考虑全周期使用寿命量化计算,建立混合储能系统容量配置模型。该方法以运行周期内年均小成本为目标函数,同时考虑风电并网功率的波动、置信度、储能出力及SOC等约束条件。
步骤2.1、计算电池等效循环寿命。
由于超级电容器的循环寿命受温度、放电倍率、工作电流波形等因素影响,且受影响程度尚无简明的量化指标,同时其使用寿命长达十年以上,循环寿命高达50万-100万次,远高于电池的寿命,因此,将超级电容器的更换时间间隔设为常数。下面重点介绍电池等效循环寿命的计算方法。
电池的寿命与工作方式密切相关,放电深度(depth ofdischarge,DoD)越大,循环寿命越短。首先通过雨流计数法计算电池的放电深度,然后根据电池放电深度与循环寿命的对应关系,计算出电池的等效循环寿命。
如图3所示为充、放电循环周期示意。
其中一个完整的循环周期是由一个放电半循环周期和一个充电半循环周期构成的,即循环周期为CSOC,a→CSOC,b→CSOC,a,充/放电半循环周期为CSOC,a→CSOC,b,放电深度为DDoD=|CSOC,a-CSOC,b|,其中0≤CSOC,a≠CSOC,b≤1。
由于在工程实际中,储能用于平抑风电功率波动时的输出功率通常是非恒定功率,电池SOC的变化一般极不规律,无法直接划分出明确的充、放电循环周期序列。所以,首先要解决的问题是如何对SOC变化曲线进行划分,得到具有明确物理意义的充、放电循环周期序列。
雨流计数法:
雨流计数法又可称为“塔顶法”,主要应用于工程界,特别在机械器件的疲劳强度和寿命计算中的运用非常广泛。这种方法的主要功能在于研究应变-时间之间的非线性计数关系,也就是利用雨流计数法确定出数据样本的一组非周期性循环。基于雨流计数法计算电池放电深度原理如下:
(1)将SOC-时间的曲线顺时针转过90°,标记出数据的起始点和每一个相对于内边的峰值点。
(2)类似雨滴从屋檐落下,沿着曲线的峰值点竖直作垂线,直到雨流遇到一个大于原峰值的新峰值或小于原谷值的新谷值为止。
(3)当雨流遇到来自高处屋顶落下的雨时,将停止流动,并组成了一个循环。
(4)根据雨流的起始点和截止点,绘制每一个周期,把各个循环全部读取出来,同时记录其峰谷值。
(5)将每个子周期的横向峰谷距离差值作为该循环的放电深度。
雨流计数法根据电池SOC计算放电深度过程如图4所示,黑色实线(0-1-2-3-5-6-7)代表电池SOC变化曲线,t轴代表时间,x轴代表SOC幅值。将图4(a)中300随时间变化曲线顺时针旋转90°,所得曲线如图4(b)所示。由各个峰值点向下作直线,与曲线相交时终止,则可得两个循环周期:1-2-1'和5-4、如图4(c)所示。剔除已求得的两个循环,继续寻找是否还存在闭合循环,得到图4(d)中的SOC曲线,即存在一个循环周期:3-6-3'。剔除这个循环,可从图4(e)中看出,SOC曲线只剩余一个半循环周0-7。综上可得,经过雨流计数法计算,得到如图4(f)所示的三个循环周期(1-2-1'、5-4'和3-6-3')和一个半循环周期(0-7)。
这样,电池SOC通过雨流计数法得到一系列已知放电深度的循环周期和半循环周期,为后续计算电池等效循环寿命打下基础。
通过雨流计数法计算电池放电深度:
对于各个风电场共同出力在某日06:00-08:00时间段内电池SOC,采用雨流计数法计算循环周期过程如图5所示。对图5(a)中电池SOC原始曲线,取其极值点如图5(b)所示,极值点所在位置即电池充、放电状态发生改变时刻。以极大值点10为例,极值点9至10时间段内,CSOC从0.4789上升到0.5062,电池充电;极值点10至11时间段内,CSOC从0.5062下降到0.4846,电池放电。图5(c)即为电池SOC计算所得的8个循环周期和2个半循环周期,各周期的放电深度如表1所示。
表1各循环周期及放电深度
计算等效循环寿命:
使用一段时间后的电池,将逐步进入衰退期,突出表现是容量迅速减少。根据电池使用维护标准的要求,若电池实际容量减少到80%额定容量以下时,则认为该电池组已达到使用年限,应安排备用电池进行替换,予以报废处理。电池的循环寿命与放电深度密切相关,通常电池生产厂家会对不同放电深度下的电池循环寿命进行标定,作为计算循环寿命的参考值,例如,某型号电池放电深度与循环寿命的对应关系如表2所示。
因为电池在不同放电深度时对应不同的循环寿命,因此需要将不同放电深度下的循环寿命统一到某一参考值(通常选择放电深度为100%)进行量化比较,即计算其等效循环寿命。电池的循环寿命受诸多因素影响,例如温度、峰值电流,以及充放电次数等。为简化计算,这里仅考虑充放电次数和放电深度对电池循环寿命的影响。
表2某型号电池放电深度与循环寿命对应关系
在实际应用中,电池往往不局限于表2所示的放电深度,可根据表2中数据进行曲线拟合,得到放电深度与循环寿命对应的函数关系曲线。常用的拟合方法有N阶函数法、幂函数法和分段拟合法等,采用四阶函数表征循环寿命与放电深度的关系,相应曲线如图6所示。
定义蓄电池第i次循环周期的放电深度为DoDi,则等效循环寿命为
其中,Ntcf(DoD1)为当放电深度为1时对应的循环寿命;Ntcf(DoDi)为当放电深度为DoDi时的循环寿命。电池在工作周期内的等效循环寿命为:
定义电池寿命损耗为:
当N=Ntcf(DoD1)或T=1时,则认为本批次电池组寿命耗尽,需要更换电池组。
以表2中所示的循环周期和放电深度为例,通过电池的等效寿命计算可得,在此运行周期内电池等效完全放电次数为L=0.9805,寿命损耗为T=0.0018。
步骤2.2、计算储能系统额定功率范围。
如步骤2.1所述,在确定储能系统的额定功率时,对风电功率预测误差分析是必要的。建立预测误差的分布模型也是建立储能系统输出功率分布模型的过程。本节根据给定风电功率组合结果,采样时间间隔15min。将风电机组的实测数据与预测结果按照PHESS(t)=Pwf(t)-Pw(t)计算,可得混合储能系统的功率PHESS。在确定额定功率时,由于储能系统的充、放电动作是双向的,因此,对混合储能系统的功率取绝对值|PHESS|来进行分析。
对|PHESS|进行统计分析,统计得出的直方图如图7所示。图7中反映了|PHESS|高度集中在10MW以内,为了全面描述其分布规律,采用非参数密度估计法建立其分布统计模型。
用核密度估计法配置混合储能系统的额定功率。取核函数为高斯核函数,n取值100,计算得出高斯核函数的带宽h为0.4189,计算结果如图8和图9所示,分别为|PHESS|的概率密度函数(PDF)和累积分布函数(CDF)。
图8中实线为|PHESS|的概率密度函数,可以直观地看出它能够较平滑地描述|PHESS|的整体分布特征。再计算该密度函数的累积分布函数,结果如图9所示。
图9中标出的点为以98%的概率满足弥补预测功率偏差的要求,其对应的横坐标值为23MW即为混合储能系统的额定功率。
步骤2.3、计算储能系统容量范围。
在一段时间内,储能系统功率在时间上的积分即可得到储能系统能量为了确定储能系统的容量,取一天内能量的最大值的绝对值即每日最大绝对能量,记作|Emax|。图10是时间长度为250天的|Emax|曲线。
上图中核密度函数为高斯核函数,n取值100,计算得出高斯核函数的带宽为1.0595。可以看出估计出的概率密度曲线不仅具有较好的平滑性,而且没有忽略主要的峰值,符合描述其分布特征的基本要求,概率密度求其累积分布函数,其结果如图11所示。
图11中标出的点为满足98%储能容量的日需求,图中标出的点所对应的横坐标值即为混合储能系统的容量,其额定容量为30MWh,记作M=30MWh。
步骤2.4、计算成本。
计算的成本包括全寿命周期成本、资金的时间价值、工程的建设阶段以及约束条件;
(一)全寿命周期成本
在传统的工程项目管理中,通常只考虑工程建设阶段的成本,而往往忽略了项目运行后所产生的后期附加成本。这种方法不能很好地反映项目在整个运行周期的经济性,因此引入全寿命周期成本分析(life cycle cost,LCC)方法来对混合储能系统整个生命周期的成本进行分析。
全寿命周期成本是指从设备、系统或项目的长期经济效益出发,全面考虑其在规划、设计、制造、购置、安装、运行、维修、更新直至报废的整个寿命周期全过程中总共需要支出费用总和。
全寿命周期管理是一项复杂的工程,与其他管理理念的不同之处为:
(1)全寿命周期管理是一项系统工程:要实现每个阶段性目标,并达到终极目标(包括投资的经济价值、社会影响和环境效益)的最优,必须依靠体系化和科学化的管理方法。
(2)全寿命周期管理是一项持续性工程:管理行为表现在整个项目建设的过程中,一方面在不同阶段有不同的特点和目标,具有阶段性,同时,又要求各阶段工作环环相连,具有良好的整体性。
(3)全寿命周期管理是一项多方参与工程:各参与主体既存在统一利益诉求,又存在矛盾冲突,要求各方统一协作,并独立监督。
混合储能系统的全寿命周期成本主要集中于电池和超级电容器模块的投资成本,系统运行后的操作与维护费用,以及报废后的处置成本等。储能成本的经济评估受到负荷特性、储能系统参数及工作模式的选择(独立运行、休眠模式联合运行等)等因素的影响,因此,应当根据其适用的电力系统典型场合,并根据各种电力应用界定储能系统的技术规范和参数要求,对储能系统的经济性进行评估。
(二)资金的时间价值
由于资金存在时间性,相同的资金在不同时间节点的价值也不同,这导致不同时间点发生的资金流量不能直接进行比较。考虑到电力设备长达数十年之久的寿命周期,在分析电力设备的成本时必须考虑资金的时间价值,应当将不同时间点产生的现金流换算到标准时间点进行比较,使其具有时间上的可比性。
在工程经济中,计算资金的时间价值通常涉及以下三个概念:
(4)现值P(present value),即资金产生于(或折算为)整个计算周期的起始点时的价值,在时间价值计算中通常代表本金。在工程经济中,现值通常用来表示初始时刻投资的价值。
(5)终值F(future value),即资金产生于(或折算为)整个计算周期的终点时的价值,在时间价值计算中通常代表本息之和。在工程经济中,终值通常用来表示项目终止时刻投资或收益的价值。
(6)年值A(annuity value),即在整个计算周期的各子周期反复出现的等额资金的价值。在工程经济中,年值一般用来表示每隔同一时间支出或收入的等额资金的价值。
由于以上3种时间价值发生在不同的时间点,需将其换算到一种形式来比较,本发明以现值P作为时间价值的主要表现形式。终值F和年值A与现值P的换算公式为
其中r为利率;N设备使用期数,通常以年为计算单位。
(三)工程的建设阶段
将全寿命周期成本方法应用到混合储能系统的容量配置中,以混合储能系统整个运行寿命周期的各阶段成本作为研究对象,以总成本最低作为优化的目标函数,同时以储能系统运营的各项技术指标为约束,找到同时满足经济性和并网要求的最佳配置方案。
电力工程项目的服务运营周期很长,全寿命周期成本管理存在于整个生命周期的各个阶段,而且每个阶段的主要任务也存在明显差异。因此,首先将混合储能系统的寿命周期划分为三个阶段,然后根据每个阶段的不同特点进行成本分析。混合储能系统的寿命周期阶段划分如图12所示。
下面详细介绍各个阶段的成本模型。
1.设计建设阶段:
设计建设阶段主要包括项目的立项、设计、施工等活动,将此阶段的成本统称为一次性投入成本Cd。为简化计算,将一次性投入成本看作全部产生在项目的起点,属于资金时间价值的现值,且只计算储能设备所产生的费用。
Cd=nb,p·Pbat+nb,c·Cbat+nc,p·Pcap+nc,c·Ccap
其中Pbat,Cbat,Pcap,Ccap分别为电池和超级电容器的额定功率及额定容量;nb,p,nb,c,nc,p,nb,c分别为电池和超级电容器的功率单价及容量单价。
2.运营维护阶段
运营维护阶段主要包括混合储能系统的正常运行和维修,以及电池组和超级电容器组寿命终止进行的更换,将这两种情况所产生的成本分别称为维护成本Cm和更换成本Cc。维护成本Cm每年等额产生,属于资金时间价值中的年金;更换成本Cc不定期等额产生,属于资金流出。
Cm=N·(mbat·Cbat+mcap·Ccap)
其中mbat、mcap为电池、超级电容器的维护单价;N为设备使用期数;qbat、qcap为电池、超级电容器的更换次数。
3.报废处置阶段
报废处置阶段主要包括混合储能系统寿命到期后的拆迁、清理和销毁等活动,将此阶段产生的成本称为处置成本Cs。处置成本二发生在项目的终点,属于资金时间价值中的终值。
Cs=lb,p·Pbat+lb,c·Cbat+lc,p·Pcap+lc,c·Ccap
其中lb,p、lb,c、lc,p、lc,c—电池、超级电容器的功率处置单价、容量处置单价。
将以上各类型成本换算成现值的形式,得到:
一次性投入成本的现值为:
Cd,p=Cd
维护成本的现值为:
更换成本的现值为:
处置成本的现值为:
这里设混合储能系统容量配置的目标函数为全寿命周期成本的年均成本,即
C=min(Cd,p+Cm,p+Cc,p+Cs,p)/N
在配置混合储能系统容量时,应当考虑以下方面的约束:
(1)节点功率平衡约束:
其中,Pi和Qi是节点注入的有功和无功功率,Ui和Uj为节点和的电压,δi和δj为节点i和j的相角,Gij和Bij分别为节点的导纳矩阵的实部和虚部,N为节点数。
(2)节点功率波动约束:
其中,Pi max和Pi min为节点注入有功功率波动上下限,Qi max和Qi min为节点无功功率波动上下限。
(3)结点电压约束:
Ui min≤Ui≤Ui max
其中,Ui max和Ui min为节点电压波动上下限。
(4)支路潮流的约束:
其中,Pl max和Pl min为节点注入有功功率波动上下限,Ql max和Ql min为节点无功功率波动上下限。
(5)能量守恒的约束。风电出力、电池出力和超级电容器出力之和应当与并网功率相一致。
PWG(t)+Pbat(t)+Pcap(t)=Pout(t)
(6)置信度的约束。置信度越大,并网功率性能越好,成本也相应越高,而且成本与置信度往往是非线性关系,将波动率完全约束在经济上是不合适。因此,需选择合理的置信度来实现技术指标与经济性的平衡。
η≥ηmin
(7)SOC约束。电池和超级电容器的SOC都应当在合理的限定范围内,过充、过放都会降低储能的使用寿命,且不同类型储能介质的SOC变化范围也不同,应当根据所采用的储能介质具体分析。
其中:η储能系统输出功率的置信度;kbat,min kbat,max kcap,min kcap,max为电池、超级电容器SOC的最小、最大限值。
步骤2.5、根据步骤2.1至2.4的计算数据对储能进行优化配置。
对各种储能电池的特性分析,全钒液流电池优势明显,故本实施例采用全钒液流电池作为能量型储能装置,电容器作为功率型储能装置。将上节所述的混合储能系统容量配置方法应用可再生能源的容量配置,基于风电场大量的历史数据及下列条件参数进行计算。
其中全钒液流电池和超级电容器的各类成本见表3。
表3两种类型储能装备成本单价
类型 | 全钒液流电池 | 超级电容器 |
功率单价(元/kW) | 1500 | 1500 |
容量单价(元/kWh) | 1500 | 27000 |
维护单价(元/kWh) | 5×10<sup>-2</sup> | 5×10<sup>-2</sup> |
功率处置单价(元/kW) | 120 | 60 |
容量处置单价(元/kWh) | 80 | 1000 |
充放电效率/% | 80 | 95 |
荷电状态上限/% | 80 | 90 |
荷电状态下限/% | 20 | 10 |
预估得到HESS的年均成本随电池的额定容量变化曲线如图13所示:
表4优化计算结果
优化计算结果如表4所示。根据能量型储能和功率型储能的各自特点,在配置各自的额定功率时,功率型储能即超级电容器的额定功率取值应较高,而相应地能量型储能即电池储能的配置的储能容量应大一些。计算结果符合也满足这个规律,所以设定电池的额定功率为16.33MW,级电容器的额定功率为8.73MW。每日最大的能量主要在30MWh以内,因此为满足大部分能量需求,即取电池的储能容量为28.76MWh,超级电容器的储能容量即3.35MWh。
此外设置对照组情况为只装设全钒液流电池,进行同样的计算得如图14所示。
优化计算结果如下表5所示:
表5优化计算结果
类型 | 额定功率(MW) | 额定容量(MWh) | 年均最小成本(万元) |
全钒液流电池 | 26.33 | 35.63 | 3514.4 |
从图14曲线可以看出混合储能系统和只用电池储能系统的年均成本变化趋势表现相一致。当电池容量较小时,年均成本很大,随着电池额定容量的增加,年均成本迅速减小当电池容量继续增加时,年均成本也随之缓慢增加。当混合储能系统配置16.33MW/28.76MWh的电池,8.73MW/3.35MWh的超级电容器是,年均成本最小为3106.4万元。当只有电池储能系统配置26.33MW/35.63MWh的电池时,年均最小成本为3513.4万元。可见,混合储能系统在增加的超级电容器配置的同时,减少了配置电池的容量,延长了储能系统的寿命,降低了成本。
根据《风电场接入电力系统技术》的规定,最大功率波动率分1min间隔功率波动率和10min间隔功率波动率,都应满足电网调度部门的限制要求,相关波动限制如表6所示。
表6风电场最大功率波动标准
风电场装机容量/MW | 1min内功率波动限制/MW | 10min内功率波动限制/MW |
<30 | 3 | 10 |
30-150 | 装机容量/10 | 装机容量/3 |
>150 | 15 | 50 |
依据超出综合目标域范围的风电功率占比量原理,采用溢出目标域频重法概率统计了风功率占比量大小,依据储能响应特性,采用占比量大由蓄电池补偿,占比量小由超级电容器补偿,由此确定了混合储能各自运行时间和额定功率及容量配比。
最后通过风电波动情况的分析验证了按照全寿命周期成本最小所确定的储能容量配置的合理性。故确定风电场的储能系统容量配置为16.33MW/28.76MWh的电池,8.73MW/3.35MWh的超级电容器,此方法不仅满足平抑风电波动的效果,也极大的减少了投资成本。
步骤3、根据步骤2的优化配置,构建储能系统功能需求模型,并通过模型求解得到多元复合储能优化配置方法。
步骤3.1、计算储能容量需求与可再生能源调节关系。
使用目前较成熟的一阶数字低通滤波算法,对光伏电站用以平抑波动的储能系统容量随数据样本跨度的变化进行分析。图15所示为一阶数字低通滤波控制算法原理图。控制器采集光伏组件输出功率Ps,通过一阶数字低通滤波算法设定并网功率值Pout。计算储能系统出力值:
Pb=Pout-Ps
需要的储能系统容量:
选择Δ=1min间隔的光伏电站出力曲线样本,样本容量从1天开始,连续选取并逐个累加,计算该样本长度下的光储电站容量配置结果。
不失一般性,本发明对出力日进行了100次随机重新排序,并记录了每次重新排序后达到最大容量需求值时所需的样本天数。在此基础上,绘制了该样本天数的频数分布直方图,并对其进行正态分布拟合,结果如图16所示。
从图16中的拟合频数分布效果来看,光伏出力的数据跨度在29~32天时,最大容量需求量出现的频次最大,即使用29~32天的样本天数时得出所需储能系统容量的可能性最大。结合第3节的结论当允许误差精度为0.25时,数据跨度为31天。注意到图7是在100次随机排序下最大容量需求值与样本天数的分布统计,因此,光伏出力数据的数据跨度可以确定为31天,依次从晴天、晴转多云、多云转晴、阴雨、多云5个天气类别中随机抽取4、5、6、7、9天的数据即可。
步骤3.2、计算光伏电站出力数据特性;
光伏电站出力与光照强度、环境温度等自然条件相关,掌握光伏电站的发电水平在时域上的分布规律有利于调度部门合理安排发电计划并合理选取数据的跨度。以某光伏电站为例,量化分析光伏电站一年的出力数据在时域分布情况。对光伏电站出力水平以装机容量的百分比定义,如表7所示。
表7光伏电站出力水平的定义
出力水平 | 定义 |
高出力 | 出力水平高于装机容量的60% |
中出力 | 出力水平在装机容量的30%到60%之间 |
低出力 | 出力水平低于装机容量的30% |
光伏电站出力数据特性包括出力数据的自相关和光伏电站出力数据的相似日聚类。
出力数据的自相关。
将光伏出力数据看做一种时间序列。对序列的自相关特性分析可以考察光伏出力数据的任意时刻数据值与历史数据的关联性,以求发掘序列中的隐含规律以及周期性等数据特征。自相关特性分析的基础是统计学中的相关系数:
其中,cov(·)为协方差,var(·)为方差,pxy为相关系数,xt为光伏出力数据的任意时刻数据值,yt为历史数据。相关系数描述了不同序列间数值变化趋势的一致性,其绝对值越大,则序列间变化的相关性越强。将一个时间序列经由时间平移得到另一个序列,则这两个序列间的相关系数又称为自相关系数。自相关系数描述了当前数据值与Δt时刻前数据变化一致性,Δt即为时间平移。
自相关系数随时间跨度变化呈衰减振荡趋势,其振荡周期为24小时,表明光伏出力以24小时为周期存在非常明显的规律性变化趋势。因此以1天数据为基本单位确定数据跨度是合理的。随着跨度的不断增加,自相关系数振荡幅度在不断减小,其振荡中心也逐渐向0点接近。在大于2400小时(100天)的跨度后,光伏序列的自相关系数最大值降到了0.3以下,可认为任意时刻光伏出力与100天以前的光伏历史数据变化的相关性较弱,受其影响已经很小。因此初步得出结论,对光伏出力数据分析时宜以100天为跨度截取数据样本。
光伏电站出力数据的相似日聚类。
分析数据进一步注意到,高出力水平对应于晴天,低出力水平对应于阴雨,而中出力水平包含了晴转多云、多云转晴、多云三种天气。出力水平的分析只是描述了光伏电站的发电量情况,而无法描述光伏电站出力的波动分布情况。光伏出力的发电量与波动情况均与天气情况之间强相关。不同天气下的典型出力如图17所示。
光伏出力曲线随着天气变化而呈现出不同形状。同一天气类型的光伏出力包含的信息类似。将具有相同天气类型的光伏数据进行聚类。选取太阳辐照强度、辐照时间、气温作为光伏出力的聚类指标,即每日的特征向量:
选取跨度为100天的光伏数据进行聚类分析,将数据分为5类:晴天;晴转多云;多云转晴;阴雨;多云。聚类效果如图18所示:
从图18可以看出,光伏出力与天气情况之间具有强相关性。相同天气类型下的光伏出力曲线形状类似,即波动情况与出力水平相似。由于晴天时偶尔也会出现遮挡太阳的云层,所以类别1~3的出力曲线在晴天段也会有轻微波动。类别4阴雨与类别5多云的区别在于:阴雨时的太阳辐照全天都很小,所以出力幅值很小;多云则是受云层移动影响,太阳时现时无,所以其出力曲线的幅值大于阴雨天,波动较为剧烈。
步骤3.3、基于最适样本容量估计的跨度计算;
光伏电站每日出力数据的特点体现在其波动剧烈程度和发电量大小。为表征任意一天光伏出力数据的特点,定义日出力表征系数Bi:
其中,Pij是第i天第j个采样点的功率值,N为每天的总采样点。为确定数据跨度,对晴天、晴转多云、多云转晴、阴雨、多云这5种天气类别数据的日出力表征系数分别进行最适样本容量估计,所有类别的样本容量估计之和即是数据跨度。对于一个庞大的系统状态空间,如果对所有系统状态都进行后果分析以得到精确的结果,则往往导致计算过程陷入“计算灾”。因此应采用对系统状态空间进行随机抽样,以所抽取的样本代替整体水平。样本抽取越多,反应信息越全面。但在实际应用中,抽样点数N不可能太大,否则计算量太大,因此应根据实际允许误差ε0,合理选择N的数值。
设(B1,B2,B3,Bn)是来自总体B的一个样本,E(B)=u,D(B)=σ2。由中心极限定理,对于实数tα,有:
其中,tα是标准正态分布的双侧分位数,可通过查找正态分布表得到。设ε0为允许的绝对误差上限,为使抽样误差合理,应有:
其中,n为样本容量,σ2为样本标准差,tα为标准正态分布的双侧分位数,u为总体均值,ε为相对精度,置信度为95%时,t0.05=1.96,总体均值u可由样本均值估计。在统计原理中,注意到S2(S为样本标准差)是σ2的无偏估计,因此可以用S代替σ。相对精度由研究者设定,本文分别采用0.15,0.2,0.25,0.3。不同允许误差精度下的最适合样本容量估计如图19所示:
从图19中可以看出,随着允许误差精度取值变小,各天气类别的最适样本容量估计增加,总体数据跨度不断增大。对光伏出力数据聚类后,当允许误差精度一定时,依次从5个天气类别(晴天1;晴转多云2;多云转晴3;阴雨4;多云5)中随机抽取Xi(i=1,2,3,4,5)天的数据,即是数据跨度。为认识光伏发电数据的出力水平与波动特性。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (8)
1.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,其特征在于:包括以下步骤:
步骤1、考虑应用场景和运行控制策略构建储能规划模型;
步骤2、根据步骤1构建的模型,对高比例可再生能源充分消纳的储能进行优化配置;
步骤3、根据步骤2的优化配置,构建储能系统功能需求模型,并通过模型求解得到多元复合储能优化配置方法。
2.根据权利要求1所述的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,其特征在于:所述步骤1包括以下步骤:
步骤1.1、建立储能系统的多目标优化控制策略;
步骤1.2、考虑步骤1.1的控制策略,构建储能规划模型。
3.根据权利要求1所述的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,其特征在于:所述步骤1.1包括以下步骤:
步骤1.1.1、基于低通滤波分配混合系统能量;
采用一阶低通滤波器的方法,将滤波器从频域转换到时域,并通过其分频作用,得电池和超级电容器的功率:
其中,Pbat(t)为电池t时刻的功率,λ为滤波系数,其取值范围为0至1,Pbat(t-1)为电池t-1时刻的功率,为混合储能系统的目标总出力值,Pcap(t)为超级电容t时刻的功率,τ为滤波时间常数,Δt为采样间隔,同时得到滤波系数与电池功率成正比,与超级电容器输出成反比;
步骤1.1.2、根据滤波系数与电池功率和超级电容器输出的关系,建立多目标优化模型控制策略;
约束条件为:
b1≤λ(t)≤b2
其中,Pbat,e为电池的额定功率,Csoc,cap为超级电容的SOC,Csoc,med为SOC的适中水平,b1、b2为出厂设定的参数,Mcap为超级电容器的储能容量,Δt为充、放电时间间隔,并通过NSGA-∥算法对构建的模型进行计算,并得到控制策略:把混合储能系统出力的一个指令周期分为两部分,在第i个指令周期Ti的后一部分周期Ti2内,在Ti2内保证超级电容器SOC在一定的水平,选取以f2较优的解作为当前的解;当进入第i+1个指令周期时,前一部分周期即Ti+1+1内,选取以得到较优的解作为当前的解。
4.根据权利要求2所述的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,其特征在于:所述步骤1.2的储能规划模型为:
充电过程为:
CSOC,bat(t)=CSOC,bat(t-Δt)+Pbat(t)Δtηbat,c/Cbat
CSOC,cap(t)=CSOC,cap(t-Δt)+Pcap(t)Δtηcap,c/Ccap
放电过程为:
CSOC,bat(t)=CSOC,bat(t-Δt)+Pbat(t)Δt/(ηbat,d·Cbat)
CSOC,cap(t)=CSOC,cap(t-Δt)+Pcap(t)Δt/(ηcap,d·Ccap)
约束条件为:
|Pbat(t)|≤|Pbat,lim(t)|
|Pcap(t)|≤|Pcap,lim(t)|
其中,CSOC,bat(t)和CSOC,cap(t)为两种储能系统SOC的变化情况;Δt为采样间隔;ηbat,c为电池的充电效率;ηcap,c为电池的放电效率;ηbat,d为超级电容器的充电效率;ηcap,d为超级电容器的放电效率;Cbat为电池的容量;Ccap为超级电容器的容量;|Pbat,lim(t)|为电池在t时刻允许的最大充电功率数值;|Pcap,lim(t)|为超级电容器在t时刻允许的最大充电功率数值;
|Pbat,lim(t)|和|Pcap,lim(t)|由两种储能系统的自身特性和剩余能量决定,其计算方法为,充电过程:
|Pbat,lim(t)|=min{Pbat,cmax,Cbat[CSOC,bat,max-CSOC,bat(t-Δt)]/(Δt·ηbat,c)}
|Pcap,lim(t)|=min{Pcap,cmax,Ccap[CSOC,cap,max-CSOC,cap(t-Δt)]/(Δt·ηcap,c)}
放电过程:
|Pbat,lim(t)|=min{Pbat,dmax,Cbat[CSOC,bat(t-Δt)-CSOC,bat,max]ηbat,d/Δt}
|Pcap,lim(t)|=min{Pcap,dmax,Ccap[CSOC,cap(t-Δt)-CSOC,cap,max]ηcap,d/Δt}
其中,Pbat,cmax为由电池自身特性决定的最大充电功率数值;Pcap,cmax为由电池自身特性决定的最大放电功率数值;Pbat,dmax为由超级电容器自身特性决定的最大充电功率数值;Pcap,dmax为由超级电容器自身特性决定的最大放电功率数值;CSOC,bat,max为电池的SOC约束上限;CSOC,cap,max为电池的SOC约束下限;CSOC,bat,min为超级电容器的SOC约束上限;CSOC,cap,min为超级电容器的SOC约束下限。
5.根据权利要求1所述的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,其特征在于:所述步骤2包括以下步骤:
步骤2.1、计算电池等效循环寿命;
通过雨流计数法计算电池的放电深度,根据电池放电深度与循环寿命的对应关系,计算出电池的等效循环寿命;
步骤2.2、计算储能系统额定功率范围;
通过一段间隔的时间进行采样,按照PHESS(t)=Pwf(t)-Pw(t)计算风电机组的实测数据与预测结果,得到混合储能系统的功率PHESS,采用非参数密度估计法建立混合储能系统的功率取绝对值|PHESS|分布统计模型,并用核密度估计法配置混合储能系统的额定功率;
步骤2.3、计算储能系统容量范围;
选取一天内能量最大值的绝对值,根据其概率密度求解累积分布函数,得到混合储能系统的容量;
步骤2.4、计算成本;
步骤2.5、根据步骤2.1至2.4的计算数据对储能进行优化配置。
6.根据权利要求5所述的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,其特征在于:所述步骤2.4中计算的成本包括全寿命周期成本、资金的时间价值、工程的建设阶段以及约束条件;
全寿命周期成本的计算方法为:混合储能系统的全寿命周期成本主要集中于电池和超级电容器模块的投资成本,系统运行后的操作与维护费用,以及报废后的处置成本;储能成本的经济评估受到负荷特性、储能系统参数及工作模式的选择因素的影响,计算时需根据其适用的电力系统典型场合,并根据各种电力应用界定储能系统的技术规范和参数要求,对储能系统的经济性进行评估;
资金的时间价值的计算方法为:
其中,P为时间价值,F为终值,A为年值,r为利率;N设备使用期数;
工程的建设阶段包括:计划建设阶段、运营维护阶段和报废处置阶段;
计划建设阶段的计算方法为:
Cd=nb,p·Pbat+nb,c·Cbat+nc,p·Pcap+nc,c·Ccap
其中,Pbat,Cbat,Pcap,Ccap分别为电池和超级电容器的额定功率及额定容量;nb,p,nb,c,nc,p,nb,c分别为电池和超级电容器的功率单价及容量单价;
运营维护阶段的计算方法为:
Cm=N·(mbat·Cbat+mcap·Ccap)
其中,mbat和mcap分别为电池和超级电容器的维护单价;N为设备使用期数;qbat和qcap分别为电池和超级电容器的更换次数;
报废处置阶段的计算方法为:
Cs=lb,p·Pbat+lb,c·Cbat+lc,p·Pcap+lc,c·Ccap
其中,lb,p、lb,c、lc,p、分别为电池和超级电容器的功率处置单价及容量处置单价;
约束条件包括:节点功率平衡约束、节点功率波动约束、结点电压约束、支路潮流的约束、能量守恒的约束、置信度的约束和SOC约束。
7.根据权利要求1所述的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,其特征在于:所述步骤2.5中储能优化配置为:
依据超出综合目标域范围的风电功率占比量原理,采用溢出目标域频重法概率统计风功率占比量大小,依据储能响应特性,采用占比量大由蓄电池补偿,占比量小由超级电容器补偿,确定混合储能各自运行时间和额定功率及容量配比。
8.根据权利要求1所述的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,其特征在于:所述步骤3包括以下步骤:
步骤3.1、计算储能容量需求与可再生能源调节关系;
控制器采集光伏组件输出功率Ps,通过一阶数字低通滤波算法设定并网功率值Pout,计算储能系统出力值:
Pb=Pout-Ps
需要的储能系统容量为:
选择一段时间间隔的光伏电站出力曲线样本,样本容量从1天开始,连续选取并逐个累加,计算该样本长度下的光储电站容量配置结果,并绘制了该样本天数的频数分布直方图,并对其进行正态分布拟合,得到储能容量需求与可再生能源调节关系;
步骤3.2、计算光伏电站出力数据特性;
光伏电站出力数据特性包括出力数据的自相关和光伏电站出力数据的相似日聚类;其中出力数据的自相关为;
其中,cov(·)为协方差,var(·)为方差,pxy为相关系数,xt为光伏出力数据的任意时刻数据值,yt为历史数据,得到光伏出力数据分析时以100天为跨度截取数据样本进行计算;
光伏电站出力数据的相似日聚类为:选取太阳辐照强度、辐照时间和气温作为光伏出力的聚类指标,得到每日的特征向量:
其中,为第i日太阳辐照强度最大值、上午平均值和下午平均值;thi 为第i日最高气温、上午平均气温和下午平均气温;T为第i日的辐照时间长度;根据出力数据的自相关,选取跨度为100天的光伏数据进行聚类分析,得到光伏出力与天气情况之间具有强相关性;
步骤3.3、基于最适样本容量估计的跨度计算;
最适样本容量为:
其中,n为样本容量,σ2为样本标准差,tα为标准正态分布的双侧分位数,u为总体均值,ε为相对精度,得到基于最适样本容量估计的跨度:随着允许误差精度取值变小,各天气类别的最适样本容量估计增加,总体数据跨度不断增大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657561.5A CN114498690A (zh) | 2021-12-30 | 2021-12-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657561.5A CN114498690A (zh) | 2021-12-30 | 2021-12-30 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114498690A true CN114498690A (zh) | 2022-05-13 |
Family
ID=81508875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111657561.5A Pending CN114498690A (zh) | 2021-12-30 | 2021-12-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114498690A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114825381A (zh) * | 2022-05-22 | 2022-07-29 | 国网甘肃省电力公司电力科学研究院 | 一种风光新能源基地光热电站容量配置方法 |
-
2021
- 2021-12-30 CN CN202111657561.5A patent/CN114498690A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114825381A (zh) * | 2022-05-22 | 2022-07-29 | 国网甘肃省电力公司电力科学研究院 | 一种风光新能源基地光热电站容量配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
CN107370170B (zh) | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 | |
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 | |
CN114336702B (zh) | 基于双层随机规划的风光储场站群功率分配协同优化方法 | |
CN110956324B (zh) | 基于改进的moea/d的主动配电网日前高维目标优化调度方法 | |
CN110752626B (zh) | 一种主动配电网滚动优化调度方法 | |
CN111244988A (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
Wang et al. | A hierarchical control algorithm for managing electrical energy storage systems in homes equipped with PV power generation | |
CN115640982A (zh) | 基于抽水蓄能优先调节的多能互补系统日前优化调度方法 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
He et al. | Hierarchical optimal energy management strategy of hybrid energy storage considering uncertainty for a 100% clean energy town | |
CN116843066A (zh) | 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 | |
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 | |
Monterrat et al. | Integration Cost of Variable Renewable Resources to Power Systems–A Techno-economic Assessment in European Countries | |
Miah et al. | Energy storage controllers and optimization schemes integration to microgrid: an analytical assessment towards future perspectives | |
CN113708418A (zh) | 微电网优化调度方法 | |
CN112801343A (zh) | 一种计及多气象场景适应成本的储能系统容量规划方法 | |
CN112036735A (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 | |
TW201915838A (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
CN112736905B (zh) | 区域新能源容量优化配置方法及系统 | |
Schirmer et al. | Reducing grid distortions utilizing energy demand prediction and local storages | |
CN114188942A (zh) | 一种包含大规模新能源基地的电网调度方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN114741943A (zh) | 一种基于粒子群算法的储能容量配置优化方法 | |
CN113013909A (zh) | 一种基于平抑牵引的储能容量改进方法 |
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 |