CN114781266A - 基于低通滤波的混合储能系统的容量优化方法及装置 - Google Patents

基于低通滤波的混合储能系统的容量优化方法及装置 Download PDF

Info

Publication number
CN114781266A
CN114781266A CN202210435259.3A CN202210435259A CN114781266A CN 114781266 A CN114781266 A CN 114781266A CN 202210435259 A CN202210435259 A CN 202210435259A CN 114781266 A CN114781266 A CN 114781266A
Authority
CN
China
Prior art keywords
energy storage
storage system
hybrid energy
grid
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.)
Pending
Application number
CN202210435259.3A
Other languages
English (en)
Inventor
曹传钊
刘明义
史洁
曹曦
徐若晨
裴杰
刘大为
朱勇
雷浩东
孙周婷
李�昊
蔡静文
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.)
Huaneng Clean Energy Research Institute
University of Jinan
Original Assignee
Huaneng Clean Energy Research Institute
University of Jinan
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 Huaneng Clean Energy Research Institute, University of Jinan filed Critical Huaneng Clean Energy Research Institute
Priority to CN202210435259.3A priority Critical patent/CN114781266A/zh
Publication of CN114781266A publication Critical patent/CN114781266A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本申请提出了一种基于低通滤波的混合储能系统的容量优化方法及装置，该方法包括：获取待优化的混合储能系统中的风电场站和光伏电站的原始样本数据；通过快速傅里叶变换获取预设的多个滤波方式的频谱特性，确定截止频率，并对原始样本数据进行低通滤波以平抑数据波形；确定遗传算法的适应度函数和约束条件；通过非支配排序遗传算法NSGA‑II优化混合储能系统的储能容量，确定最优储能容量范围；通过预设的评价指标依次评价配置了最优储能容量范围中不同储能容量的混合储能系统，确定目标储能容量，并基于优化后的适应度参数进行滤波方式的寻优。该方法可以合理配置混合储能系统的最优储能容量，提高系统的经济性、稳定性和安全性。

Description

基于低通滤波的混合储能系统的容量优化方法及装置
技术领域
本申请涉及新能源技术领域，尤其涉及一种基于低通滤波的混合储能系统的容量优化方法及装置。
背景技术
目前，在能源需求不断增加而旧能源逐渐消耗的形势下，发展新能源是解决能源危机的主要途径之一。其中，风力发电和光伏发电作为可再生能源的主力，在风资源和光资源丰富的地区得到了大规模的应用。由于容易受到天气等因素的影响，风、光能源具有随机性和不确定性的特点，在实际供电过程中可能会产生波动，而储能装置能够解决风光能源的功率波动问题，提高风光能源的渗透率，因此，风光储联合发电系统等混合储能系统的普及率逐渐提高。
然而，储能装置的成本通常较高，需要合理地配置储能设备，既要保证电网系统的正常运行，又要保证风光储联合发电系统的经济性。因此，如何合理的配置风光储联合发电系统的储能容量，兼顾联合系统的经济性与正常运行的可靠性成为目前亟需解决的问题。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于低通滤波的混合储能系统的容量优化方法，该方法提出了对于储能容量设计效果的评价指标，定量的描述了风光储联合发电系统在设计和运行阶段系统成本及储能效率，可以合理配置混合储能系统的最优储能容量，提高系统的经济性、稳定性和安全性。
本申请的第二个目的在于提出一种基于低通滤波的混合储能系统的容量优化装置；
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请的第一方面实施例在于提出一种基于低通滤波的混合储能系统的容量优化方法，该方法包括以下步骤：
获取待优化的混合储能系统中的风电场站和光伏电站的原始样本数据；
通过快速傅里叶变换获取预设的多个滤波方式的频谱特性，根据所述频谱特性确定截止频率，并通过所述多个滤波方式对所述原始样本数据进行低通滤波以平抑数据波形；
基于优化需求、所述原始样本数据和所述混合储能系统的参数，确定遗传算法的适应度函数和约束条件；
基于所述适应度函数和所述约束条件，通过非支配排序遗传算法NSGA-II优化所述混合储能系统的储能容量，确定最优储能容量范围；
通过预设的评价指标依次评价配置了所述最优储能容量范围中不同储能容量的所述混合储能系统，确定所述混合储能系统的目标储能容量，并基于优化后的适应度参数进行滤波方式的寻优。
可选地，在本申请的一个实施例中，适应度函数包括第一适应度函数和第二适应度函数，将全寿命周期成本LCC最小函数作为所述第一适应度函数，将波动率FR最小函数作为所述第二适应度函数。
可选地，在本申请的一个实施例中，通过以下公式计算所述第一适应度函数：
Figure BDA0003612593430000021
其中，
Figure BDA0003612593430000022
其中，ICC是混合储能系统的初始资本成本，N是混合储能项目的寿命，n是混合储能项目运行的年份，dn是年折旧，i是利率，tr是税率，an为年维护和运营成本，r是组件的替换次数，R是混合储能项目周期内的总替换数，ICCC是待替换的组件的投资成本，lc是待替换的第c个部件的寿命，s是残值，s表示混合储能项目最后一年系统设备的回收价值，penalty是一年中未达到理想并网值的电量，M为惩罚电价，floor()函数表示将一个数字四舍五入到下一个小的整数。
可选地，在本申请的一个实施例中，波动率表示预设时间内并网功率波动幅值与所述混合储能系统的额定功率之比，通过以下公式计算所述第二适应度函数：
Figure BDA0003612593430000023
其中，P'max为预设时间内理想并网功率和实际并网功率差值的最大值，P'min为预设时间内理想并网功率和实际并网功率差值的最小值，Pn为混合储能系统的额定功率。
可选地，在本申请的一个实施例中，约束条件包括：荷电状态约束条件、功率平衡约束条件和储能容量约束条件，所述荷电状态约束条件用于约束储能系统的荷电状态在允许的范围内，所述功率平衡约束条件用于约束任意时刻的并网功率与所述混合储能系统的出力相等，所述储能容量约束条件用于约束优化过程中的储能容量在所述储能系统的最小配置容量和最大配置容量之间。
可选地，在本申请的一个实施例中，预设的评价指标包括稳定性指标和安全性指标，通过以下公式计算所述稳定性指标：
STB＝Rate_w+Non_fit
其中，
Figure BDA0003612593430000031
其中，Rate_w是弃风弃光率，Non_fit是未贴合率，Non_fit表示实际并网值与计算并网值的偏差，E为风电场站和光伏电站的总发电量，Grid_ac是电网实际吸纳的电量，Grid_aim为计划并网值。
可选地，在本申请的一个实施例中，安全性指标表示通过不同的滤波方式进行低通滤波后所述混合储能系统的并网安全性，通过以下公式计算所述安全性指标：
Figure BDA0003612593430000032
其中，Pmax为预设时间内实际并网功率的最大值，Pmin为预设时间内实际并网功率的最小值，Pn为混合储能系统的额定功率。
可选地，在本申请的一个实施例中，基于优化后的适应度参数进行滤波方式的寻优，包括：
通过以下公式计算归一化的波动率：
Figure BDA0003612593430000033
其中，Fmin为多个滤波方法中的波动率最小值，Fmax为多个滤波方法中的波动率最大值，Ft为算例时间段内t时刻的波动率；
结合所述归一化的波动率和所述全寿命周期成本确定不同范围内所述混合储能系统的最优滤波方式。
为达上述目的，本申请的第二方面实施例还提出了一种基于低通滤波的混合储能系统的容量优化装置，包括以下模块:
获取模块，用于获取待优化的混合储能系统中的风电场站和光伏电站的原始样本数据；
滤波模块，用于通过快速傅里叶变换获取预设的多个滤波方式的频谱特性，根据所述频谱特性确定截止频率，并通过所述多个滤波方式对所述原始样本数据进行低通滤波以平抑数据波形；
确定模块，用于基于优化需求、所述原始样本数据和所述混合储能系统的参数，确定遗传算法的适应度函数和约束条件；
优化模块，用于基于所述适应度函数和所述约束条件，通过非支配排序遗传算法NSGA-II优化所述混合储能系统的储能容量，确定最优储能容量范围；
评价模块，用于通过预设的评价指标依次评价配置了所述最优储能容量范围中不同储能容量的所述混合储能系统，确定所述混合储能系统的目标储能容量，并基于优化后的适应度参数进行滤波方式的寻优。
为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的基于低通滤波的混合储能系统的容量优化方法。
本申请的实施例提供的技术方案至少带来以下有益效果：本申请先通过低通滤波处理功率数据，并基于NSGA-II进行储能容量的优化设计，确定最优储能容量范围。然后通过对于储能容量设计效果的评价指标，定量的描述风光储联合发电系统在设计和运行阶段的系统成本及储能效率，在最优储能容量范围内的不同储能容量中，确定最适合该混合储能系统的目标储能容量，提高了混合储能系统的储能容量确定的精确性和合理性。同时提出归一化波动率，可以为风光储联合能源系统的滤波方法寻优提供参考。由此，本申请可以节省容量优化的运算时间，合理配置混合储能系统的最优储能容量，提高风光储联合发电系统的经济性、稳定性和安全性，并可达成对于联合发电系统滤波方法的寻优。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提出的一种基于低通滤波的混合储能系统的容量优化方法的流程图；
图2为本申请实施例提出的一种滤波后的样本数据与原始样本数据的频谱特性图；
图3为本申请实施例提出的一种具体的基于非支配排序遗传算法的储能容量优化方法的流程图；
图4为本申请实施例提出的一种混合储能系统的最优储能容量的评价指标示意图；
图5为本申请实施例提出的一种结合归一化波动率和全寿命周期成本进行滤波方式寻优的原理示意图；
图6为本申请实施例提出的一种基于低通滤波的混合储能系统的容量优化装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，对于风光储系统，目前常用的储能容量优化设计，缺少对储能容量设计效果的评价，导致配置的储能容量的经济性较差或者无法保证联合系统稳定的出力。为此，本申请提出了基于低通滤波的混合储能系统的容量优化方法，该方法在风光储系统的设计和运行阶段通过评价指标来定量描述系统成本及储能效率，可以合理配置混合储能系统的最优储能容量。
下面参考附图描述本发明实施例所提出的一种基于低通滤波的混合储能系统的容量优化方法和装置。
图1为本申请实施例提出的一种基于低通滤波的混合储能系统的容量优化方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101：获取待优化的混合储能系统中的风电场站和光伏电站的原始样本数据。
其中，混合储能系统是包括多种新能源发电系统和储能系统的联合系统，比如，混合储能系统可以是风光储联合发电系统，风光储是将风力发电系统、光伏发电系统和储能系统组成联合发电系统，风光储联合发电系统可以实现削峰填谷的功能，通过大容量的电池储能系统可以在较长的时间跨度内，改变联合系统出力特性。本申请中的混合储能系统也可以是还包括其他新能源发电系统的联合发电系统，此处不做限制。
其中，原始样本数据包括风电场站和光伏电站的出力数据。
具体实施时，本申请可以以一定的采样时间间隔在混合储能系统存储的历史数据中进行采样，获取一段时间内风电场站和光伏电站的出力数据。
作为一种可能的实现方式，可以预先为混合储能系统配置数据采集与监视控制系统(Supervisory Control And Data Acquisition，简称SCADA)，通过SCADA可以对混合储能系统中运行现场的风电机组和光伏组件等设备进行监视和控制，实时采集风电场站和光伏电站的相关数据，并将采集到的数据存储在混合储能系统的数据库中，实现风电场和光伏电站的数据采集和数据存储功能。然后，在需要进行容量优化时，调用数据库中的历史数据，将1h作为采样时间间隔，选取一年的风电出力数据和光伏出力数据进行仿真。
在本申请实施例中，还可以根据出力数据的时间间隔设置混合储能系统的充放电时间间隔，比如，在上述示例中以1h为出力数据的时间间隔时，则设置储能系统的充放电时间间隔为1h。
102：通过快速傅里叶变换获取预设的多个滤波方式的频谱特性，根据频谱特性确定截止频率，并通过多个滤波方式对原始样本数据进行低通滤波以平抑数据波形。
其中，本申请预设的滤波方式可以是各种低通滤波方式，比如，预设的多个滤波方式可以是巴特沃斯(Butterworth)滤波和贝赛尔(Bessel)滤波，通过Butterworth滤波使通频带内的频率响应曲线最大限度平坦，减少纹波，通过Bessel滤波在通频带上保持被过滤的信号波形。
其中，截止频率是指输出信号能量开始大幅下降或者在滤波器中为大幅上升的边界频率，比如，当保持系统的输入信号的幅度不变，改变频率使输出信号降至最大值的0.707倍，用频响特性来表述-3dB点处即为截止频率。
具体的，通过预设的多个滤波方式对获取到的原始样本数据进行低通滤波，通过快速傅里叶变换获取频谱特性，根据频谱特性得到截止频率进行低通滤波的工作。
举例而言，采用Butterworth和Bessel两种滤波方式对原始样本数据进行低通滤波，利用快速傅里叶变换获取频谱特性，采用Butterworth和Bessel两种滤波方式进行低通滤波后的频谱特性，与未滤波的原始样本数据的频谱特性如图2所示，根据该根据频谱特性图，可以确定截止频率，进行低通滤波的工作。通过比较图2中三种场景下的波形可知，本申请通过采用Butterworth和Bessel两种低通滤波可以平抑原始样本波形。
步骤S103：基于优化需求、原始样本数据和混合储能系统的参数，确定遗传算法的适应度函数和约束条件。
其中，适应度函数是描述个体性能的函数，用来对比个体与个体的相对优劣，个体的种群分级越靠前，则个体越优秀，即越符合适应度函数，个体越容易被选择，适应度的选取影响到后续进行优化的遗传算法的收敛速度以及能否找到最优解。
其中，优化需求可以是容量优化过程中保证混合储能系统的相关性能且容量合理配置的需求。混合储能系统的参数可以是系统的成本参数和运行数据参数等相关参数。
在本申请一个实施例中，适应度函数可以为多个，考虑保证混合储能系统的经济性和安全性的优化需求，将全寿命周期成本(Life Cycle Cost，简称LCC)最小函数作为第一适应度函数，将波动率(Fluctuation Ratio，简称FR)最小函数作为第二适应度函数。
具体而言，通过以下公式计算第一适应度函数：
Figure BDA0003612593430000061
其中，
Figure BDA0003612593430000071
其中，ICC是混合储能系统的初始资本成本，单位为元。N是混合储能项目的寿命，单位为年。n是混合储能项目运行的年份，指项目运行的第n年。dn是年折旧，单位为元。i是利率，tr是税率。an为年维护和运营成本，单位为元。r是组件的替换次数，指的是组件第r次替换。R是混合储能项目周期内的总替换数，ICCC是待替换的组件的投资成本。lc是待替换的第c个部件的寿命，单位为年。s是残值，单位为元，s表示混合储能项目最后一年系统设备的回收价值。penalty是一年中未达到理想并网值的电量，单位为Wh。M为惩罚电价，floor()函数表示将一个数字四舍五入到下一个小的整数。替换的总次数R是要替换的组件数量的寿命的函数，因此也是组件寿命的函数，可用上述公式表述。
进一步的，计算波动率最小即第二个适应度函数。其中，波动率表示预设时间t内并网功率波动幅值与混合储能系统的额定功率之比，通过以下公式计算第二适应度函数：
Figure BDA0003612593430000072
其中，P'max为预设时间t内理想并网功率和实际并网功率差值的最大值，P'min为预设时间t内理想并网功率和实际并网功率差值的最小值，Pn为混合储能系统的额定功率。
需要说明的是，由上述公式可知，本申请在计算适应度函数时需要根据混合储能系统的成本参数和运行数据参数等各个参数进行计算，在获取上述参数时，可以通过读取混合储能系统的数据库中预存的数据，或者从步骤S101中获取原始样本数据中读取相关的历史运行数据等多种方式获取参数。作为一种示例，本申请在适应度函数计算过程中获取的关于成本的一些参数如下表1所示：
经济性分析参数
Figure BDA0003612593430000073
Figure BDA0003612593430000081
表1
更进一步的，确定约束条件。在本申请一个实施例中，确定的约束条件包括：荷电状态约束条件、功率平衡约束条件和储能容量约束条件。其中，荷电状态约束条件用于约束储能系统的荷电状态在允许的范围内，功率平衡约束条件用于约束任意时刻的并网功率与混合储能系统的出力相等，储能容量约束条件用于约束优化过程中的储能容量在储能系统的最小配置容量和最大配置容量之间。
具体而言，在本实施例中，对于荷电状态约束条件，由于过充过放会缩短储能设备寿命，增大储能设备更换次率，因此，为了延长储能电池的寿命，本申请通过荷电状态约束条件保证荷电状态在允许的范围内，荷电状态约束条件如以下公式所示：
Pmin≤P(t)≤Pmax
SOCmin≤SOC(t)≤SOCmax
其中，P(t)表示任意时刻储能系统的充放电功率，Pmax和Pmin分别表示储能的充放电功率的上限和下限，SOC(t)表示任意采样时刻储能系统的荷电状态，SOCmax和SOCmin分别表示储能最小和最大荷电状态。
对于功率平衡约束条件，通过该约束条件保证系统的有功功率平衡，即任意时刻的并网功率应与风光储出力相等，功率平衡约束条件如以下公式所示：
Pgrid(t)＝Ppv(t)+Pwind(t)+Pess(t)
其中，Pgrid(t)、Ppv(t)、Pwind(t)和Pess(t)分别为采样时刻的并网功率、光伏出力、风电出力和储能出力。
对于储能容量约束条件，如以下公式所示：
Cmin≤Cess(t)≤Cmax
其中，Cess表示优化过程中的储能容量，Cmax和Cmin分别表示储能电池的最小和最大配置容量。
步骤S104：基于适应度函数和约束条件，通过非支配排序遗传算法NSGA-II优化混合储能系统的储能容量，确定最优储能容量范围。
其中，非支配排序遗传算法(non-dominated sorting genetic algorithm，简称NSGA-II)是一种多目标遗传算法，具有降低非劣排序遗传算法的复杂性、运行速度快和解集的收敛性好等特性。本申请通过非支配排序遗传算法NSGA-II优化风光储联合发电系统的储能容量，确定出较为符合上述优化需求的储能容量范围，即最优储能容量范围，便于后续在该范围内评选出最终优化出的目标储能容量。其中，通过非支配排序遗传算法NSGA-II进行优化时，相关步骤中通过步骤S103中确定的适应度函数和约束条件进行计算，以实现确定的最优储能容量范围符合优化需求。
为了更加清楚的说明本申请基于非支配排序遗传算法进行储能容量优化的具体实现过程，在本申请一个实施例中还提出了一种基于非支配排序遗传算法的储能容量优化方法，如图3所示，该方法包括以下步骤：
步骤S301，种群初始化。
具体的，根据问题范围和步骤S103中确定的约束条件初始化种群。在本步骤中，设置遗传算法的相关计算参数，生成相应规模的初始种群，便于后续根据该初始种群生成子代种群。举例而言，设定种群规模为50、交叉概率Pe为0.5、变异概率Pm为1.2和最大迭代次数设置为500。
步骤S302，进行非支配排序。
具体的，进行基于已初始化种群的非支配准则的排序过程。
步骤S303，确定拥挤距离。
具体的，当排序完成后，对拥挤距离值进行前向分配，便于后续种群中的个体根据等级和拥挤距离进行选择。
步骤S304，选择个体。
具体的，个体的选择采用带有步骤S303中确定的拥挤距离比较算子的二元锦标赛进行。在二元锦标赛中运用上述步骤确定的适应度函数选择个体。
在本实施例中，通过二元锦标赛选择策略每次从种群中取出一定数量个体，然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。具体包括以下步骤：第一步，确定每次选择的个体数量，比如，可以选择个体数量为2个。第二步，以相同的入选概率从种群中随机选择相应数量的个体构成组，再通过上述步骤中确定的适应度函数计算组中每个个体的适应度值，根据每个个体的适应度值，选择其中适应度值最好的个体进入子代种群。第三步，重复上述第二步，依次得到的个体构成新一代种群。
步骤S305，通过遗传算子进行交叉和变异。
具体的，实数编码GA采用模拟二进制进行交叉和多项式变异，交叉概率和变异概率可以为上述示例中设置的参数。由此，初始种群在进行非支配排序后，通过遗传算法的选择、交叉和变异三个基本操作得到第一代子代种群。
步骤S306，进行重组与选择。
具体的，将子代种群与当代种群相结合，下一代个体通过选择来设定。新一代随后由每一个前沿填充，直到人口规模超过当前人口规模。
在本实施例中，从第二代子代种群开始，将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群。然后，通过遗传算法的基本操作产生新的子代种群，按照上述方式进行迭代处理，直至满足结束条件，比如，人口规模超过当前人口规模，子代种群的代数超过预设的最大代数，即到达最大迭代次数500等。
由此，利用适应度函数和约束条件通过非支配排序遗传算法NSGA-II优化混合储能系统的储能容量，求解满足联合系统的经济性和安全性下的如何设置储能容量的优化问题，根据该算法求解的结果确定最优储能容量范围。
步骤S105：通过预设的评价指标依次评价配置了最优储能容量范围中不同储能容量的混合储能系统，确定混合储能系统的目标储能容量，并基于优化后的适应度参数进行滤波方式的寻优。
其中，预设的评价指标是对储能容量的设计效果进行评价的指标，评价指标可以定量描述混合储能系统的成本、储能效率和安全性。
具体的，在确定最优储能容量范围后，进行仿真计算，为混合储能系统依次配置该范围内的各个储能容量，并获取配置不同储能容量下的运行数据来计算预设的评价指标，通过评价指标依次评价各个储能容量，确定出最适合当前混合储能系统的目标储能容量，目标储能容量可以是系统配置该储能容量后经济性和安全性等相关性能最高，具体可以通过比较不同储能容量对应的评价指标值的大小在最优储能容量范围中选取目标储能容量。
在本申请一个实施例中，预设的评价指标包括稳定性指标和安全性指标，即提出稳定性和安全性两个指标评价联合发电系统的性能。具体实施时，首先，本申请实施例通过联合系统的弃风弃光率，以及实际并网值与计算并网值的偏差(即未贴合率)来描述系统的稳定性，通过以下公式计算稳定性指标：
STB＝Rate_w+Non_fit
其中，
Figure BDA0003612593430000101
其中，Rate_w是弃风弃光率，即能源浪费率，Non_fit是未贴合率，Non_fit表示实际并网值与计算并网值的偏差，E为风电场站和光伏电站的总发电量，Grid_ac是电网实际吸纳的电量，Grid_aim为计划并网值。
然后，通过安全性指标表示通过不同的滤波方式进行低通滤波后混合储能系统的并网安全性，具体是通过以下公式计算安全性指标：
Figure BDA0003612593430000102
其中，Pmax为预设时间内实际并网功率的最大值，Pmin为预设时间内实际并网功率的最小值，Pn为混合储能系统的额定功率。
由此，根据本实施例提出的稳定性指标和安全性指标依次评价配置不同储能容量的联合发电系统的性能，确定出对当前混合储能系统优化后的最终的目标储能容量。
进一步的，本申请还可以基于优化后的适应度参数进行滤波方式的寻优，即在上述预设的多个滤波方式寻找储能容量固定时，混合储能系统选择何种滤波方式具有更好的性能。其中，适应度参数与上述适应度函数相对应，比如，以波动率FR最小函数为适应度函数时，适应度参数为波动率。
在本申请一个实施例中，优化后的适应度参数包括归一化波动率(normalizedFR，以下简称N(F))，本申请结合归一化的波动率和全寿命周期成本确定混合储能系统的最优滤波方式。具体实施时，先通过以下公式计算归一化的波动率：
Figure BDA0003612593430000111
其中，Fmin为多个滤波方法中的波动率最小值，Fmax为多个滤波方法中的波动率最大值，Ft为算例时间段内t时刻的波动率，算例时间段是本申请进行容量优化计算实例中预设的一个时间段，t是该算例时间段内的任一时刻，t为属于该时间段内的正数。
然后，通过N(F)-LCC图寻优联合发电系统的最优滤波方式，具体可以是在归一化波动率N(F)相同的基础上，寻找联合发电系统的全寿命周期成本LCC更高的滤波方式。由此，在确定更优的滤波方式后，在后续可根据该滤波方式对混合储能系统中的样本数据进行滤波。
综上所述，本申请实施例的基于低通滤波的混合储能系统的容量优化方法，先通过低通滤波处理功率数据，并基于NSGA-II进行储能容量的优化设计，确定最优储能容量范围。然后通过对于储能容量设计效果的评价指标，定量的描述风光储联合发电系统在设计和运行阶段的系统成本及储能效率，在最优储能容量范围内的不同储能容量中，确定最适合该混合储能系统的目标储能容量，提高了混合储能系统的储能容量确定的精确性和合理性。同时提出归一化波动率，可以为风光储联合能源系统的滤波方法寻优提供参考。由此，本申请的储能容量优化方法，可以节省容量优化的运算时间，合理配置混合储能系统的最优储能容量，提高风光储联合发电系统的经济性、稳定性和安全性，并可达成对于联合发电系统滤波方法的寻优。
基于上述实施例，为了更加清楚的说明本申请的基于低通滤波的混合储能系统的容量优化方法具体实现过程和实现的技术效果，下面以一个的具体实施例进行详细说明。
在本实施例中，以某350KW光伏电站与500KW风电厂为例，将1h作为采样时间间隔，选取一年的风电出力数据和光伏出力数据进行仿真。配置最优储能容量的联合发电系统的评价指标图如图4所示。在本实施例中设定基于Butterworth滤波的场景为场景一(scenario 1，以下简称S1)，基于Bessel滤波的场景命名为场景二(scenario 2，以下简称S2)。
选择通过非支配排序遗传算法NSGA-II优化后确定的最优储能容量范围内的十个代表性储能容量，来评估两类滤波方法处理后的风光储联合系统的性能。其中，十个储能容量(energy storage capacity，ESC)分别为ESC1：0Wh；ESC2:4000Wh；ESC3:8000Wh；ESC4:15000Wh；ESC5:20000Wh；ESC6:25000Wh；ESC7:30000Wh；ESC8：35000Wh；ESC9:40000Wh；ESC10:45000Wh。
图4中展示了在十种ESC下两种滤波处理后的的LCC、FR、Non_fit、Non_SFT以及Rate_w，即该图中横坐标为容量capacity，纵坐标为上述各参数parameter。其中，配备储能容量后，两场景的FR、Non_fit、Non_SFT以及Rate_w明显下降，表明配备储能后，联合系统的稳定性、安全性、波动性以及弃风弃光随着储能容量的增大而明显减小。然而随着储能容量的增加，LCC逐渐增高。因此，考虑到经济性，本申请实施例避免选择优化范围内的最大值作为目标储能容量，而根据评价指标选择目标储能容量。
在两场景下为联合系统选择相同储能容量时，S1的LCC、FR、Non_fit、以及Rate_w均优于S2，但S1的并网安全性要低于S2，考虑不同的市场需求，可对于数据处理的方法进行优选，节省时间成本。
本申请优化了FR，提出归一化波动率N(F)：
Figure BDA0003612593430000121
通过N(F)-LCC图寻优联合发电系统的最优滤波方式的原理如图5所示。
根据S1和S2的N(F)-LCC曲线，将N(F)在0-1的范围内分为a-g 7个性能区域，分别为a区：0-0.59；b区：0.60-0.63；c区：0.64-0.69；d区：0.70-0.86；e区：0.87-0.90；f区：0.91-0.95；g区0.96-1。S1和S2在各性能区域的N(F)值相同，因此经济性较佳的滤波方法为最优滤波方法。
a、c、e和g区中，S1的LCC低于S2，因此在a、c、e和g区，S1为适用场景，即达到同样稳定性时，采用Butterworth滤波时，联合系统有较好的的性能。同理，b、d和f区应用在S2有较好的性能。
为了实现上述实施例，本申请还提出了一种基于低通滤波的混合储能系统的容量优化装置，图6为本申请实施例提出的一种基于低通滤波的混合储能系统的容量优化装置的结构示意图，如图6所示，该系统包括获取模块100、滤波模块200、确定模块300和优化模块400和评价模块500。
其中，获取模块100，用于获取待优化的混合储能系统中的风电场站和光伏电站的原始样本数据。
滤波模块200，用于通过快速傅里叶变换获取预设的多个滤波方式的频谱特性，根据频谱特性确定截止频率，并通过多个滤波方式对原始样本数据进行低通滤波以平抑数据波形。
确定模块300，用于基于优化需求、原始样本数据和混合储能系统的参数，确定遗传算法的适应度函数和约束条件。
优化模块400，用于基于适应度函数和约束条件，通过非支配排序遗传算法NSGA-II优化混合储能系统的储能容量，确定最优储能容量范围。
评价模块500，用于通过预设的评价指标依次评价配置了最优储能容量范围中不同储能容量的混合储能系统，确定混合储能系统的目标储能容量，并基于优化后的适应度参数进行滤波方式的寻优。
可选地，在本申请的一个实施例中，适应度函数包括第一适应度函数和第二适应度函数，将全寿命周期成本LCC最小函数作为所述第一适应度函数，将波动率FR最小函数作为第二适应度函数。
可选地，在本申请的一个实施例中，确定模块300，具体用于：通过以下公式计算第一适应度函数：
Figure BDA0003612593430000131
其中，
Figure BDA0003612593430000132
其中，ICC是混合储能系统的初始资本成本，N是混合储能项目的寿命，n是混合储能项目运行的年份，dn是年折旧，i是利率，tr是税率，an为年维护和运营成本，r是组件的替换次数，R是混合储能项目周期内的总替换数，ICCC是待替换的组件的投资成本，lc是待替换的第c个部件的寿命，s是残值，s表示混合储能项目最后一年系统设备的回收价值，penalty是一年中未达到理想并网值的电量，M为惩罚电价，floor()函数表示将一个数字四舍五入到下一个小的整数。
可选地，在本申请的一个实施例中，波动率表示预设时间内并网功率波动幅值与所述混合储能系统的额定功率之比，确定模块300，具体用于：通过以下公式计算第二适应度函数：
Figure BDA0003612593430000141
其中，P'max为预设时间内理想并网功率和实际并网功率差值的最大值，P'min为预设时间内理想并网功率和实际并网功率差值的最小值，Pn为混合储能系统的额定功率。
可选地，在本申请的一个实施例中，约束条件包括：荷电状态约束条件、功率平衡约束条件和储能容量约束条件，荷电状态约束条件用于约束储能系统的荷电状态在允许的范围内，功率平衡约束条件用于约束任意时刻的并网功率与所述混合储能系统的出力相等，储能容量约束条件用于约束优化过程中的储能容量在储能系统的最小配置容量和最大配置容量之间。
可选地，在本申请的一个实施例中，预设的评价指标包括稳定性指标和安全性指标，评价模块500，具体用于：通过以下公式计算稳定性指标：
STB＝Rate_w+Non_fit
其中，
Figure BDA0003612593430000142
其中，Rate_w是弃风弃光率，Non_fit是未贴合率，Non_fit表示实际并网值与计算并网值的偏差，E为风电场站和光伏电站的总发电量，Grid_ac是电网实际吸纳的电量，Grid_aim为计划并网值。
可选地，在本申请的一个实施例中，安全性指标表示通过不同的滤波方式进行低通滤波后混合储能系统的并网安全性，评价模块500，具体用于：通过以下公式计算安全性指标：
Figure BDA0003612593430000143
其中，Pmax为预设时间内实际并网功率的最大值，Pmin为预设时间内实际并网功率的最小值，Pn为混合储能系统的额定功率。
可选地，在本申请的一个实施例中，评价模块500，还用于：通过以下公式计算归一化的波动率：
Figure BDA0003612593430000144
其中，Fmin为多个滤波方法中的波动率最小值，Fmax为多个滤波方法中的波动率最大值，Ft为算例时间段内t时刻的波动率；
结合归一化的波动率和全寿命周期成本确定不同范围内混合储能系统的最优滤波方式。
需要说明的是，前述对基于低通滤波的混合储能系统的容量优化方法的实施例的解释说明也适用于该实施例的装置，此处不再赘述
综上所述，本申请实施例的基于低通滤波的混合储能系统的容量优化装置，先通过低通滤波处理功率数据，并基于NSGA-II进行储能容量的优化设计，确定最优储能容量范围。然后通过对于储能容量设计效果的评价指标，定量的描述风光储联合发电系统在设计和运行阶段的系统成本及储能效率，在最优储能容量范围内的不同储能容量中，确定最适合该混合储能系统的目标储能容量，提高了混合储能系统的储能容量确定的精确性和合理性。同时提出归一化波动率，可以为风光储联合能源系统的滤波方法寻优提供参考。
为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的基于低通滤波的混合储能系统的容量优化方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于低通滤波的混合储能系统的容量优化方法，其特征在于，包括以下步骤：
获取待优化的混合储能系统中的风电场站和光伏电站的原始样本数据；
通过快速傅里叶变换获取预设的多个滤波方式的频谱特性，根据所述频谱特性确定截止频率，并通过所述多个滤波方式对所述原始样本数据进行低通滤波以平抑数据波形；
基于优化需求、所述原始样本数据和所述混合储能系统的参数，确定遗传算法的适应度函数和约束条件；
基于所述适应度函数和所述约束条件，通过非支配排序遗传算法NSGA-II优化所述混合储能系统的储能容量，确定最优储能容量范围；
通过预设的评价指标依次评价配置了所述最优储能容量范围中不同储能容量的所述混合储能系统，确定所述混合储能系统的目标储能容量，并基于优化后的适应度参数进行滤波方式的寻优。
2.根据权利要求1所述的容量优化方法，其特征在于，所述适应度函数包括第一适应度函数和第二适应度函数，将全寿命周期成本LCC最小函数作为所述第一适应度函数，将波动率FR最小函数作为所述第二适应度函数。
3.根据权利要求2所述的容量优化方法，其特征在于，通过以下公式计算所述第一适应度函数：
Figure FDA0003612593420000011
其中，
Figure FDA0003612593420000012
其中，ICC是混合储能系统的初始资本成本，N是混合储能项目的寿命，n是混合储能项目运行的年份，dn是年折旧，i是利率，tr是税率，an为年维护和运营成本，r是组件的替换次数，R是混合储能项目周期内的总替换数，ICCC是待替换的组件的投资成本，lc是待替换的第c个部件的寿命，s是残值，s表示混合储能项目最后一年系统设备的回收价值，penalty是一年中未达到理想并网值的电量，M为惩罚电价，floor()函数表示将一个数字四舍五入到下一个小的整数。
4.根据权利要求2所述的容量优化方法，其特征在于，所述波动率表示预设时间内并网功率波动幅值与所述混合储能系统的额定功率之比，通过以下公式计算所述第二适应度函数：
Figure FDA0003612593420000021
其中，P'max为预设时间内理想并网功率和实际并网功率差值的最大值，P'min为预设时间内理想并网功率和实际并网功率差值的最小值，Pn为混合储能系统的额定功率。
5.根据权利要求1所述的容量优化方法，其特征在于，所述约束条件包括：荷电状态约束条件、功率平衡约束条件和储能容量约束条件，所述荷电状态约束条件用于约束储能系统的荷电状态在允许的范围内，所述功率平衡约束条件用于约束任意时刻的并网功率与所述混合储能系统的出力相等，所述储能容量约束条件用于约束优化过程中的储能容量在所述储能系统的最小配置容量和最大配置容量之间。
6.根据权利要求1所述的容量优化方法，其特征在于，所述预设的评价指标包括稳定性指标和安全性指标，通过以下公式计算所述稳定性指标：
STB＝Rate_w+Non_fit
其中，
Figure FDA0003612593420000022
其中，Rate_w是弃风弃光率，Non_fit是未贴合率，Non_fit表示实际并网值与计算并网值的偏差，E为风电场站和光伏电站的总发电量，Grid_ac是电网实际吸纳的电量，Grid_aim为计划并网值。
7.根据权利要求6所述的容量优化方法，其特征在于，所述安全性指标表示通过不同的滤波方式进行低通滤波后所述混合储能系统的并网安全性，通过以下公式计算所述安全性指标：
Figure FDA0003612593420000023
其中，Pmax为预设时间内实际并网功率的最大值，Pmin为预设时间内实际并网功率的最小值，Pn为混合储能系统的额定功率。
8.根据权利要求2所述的容量优化方法，其特征在于，所述基于优化后的适应度参数进行滤波方式的寻优，包括：
通过以下公式计算归一化的波动率：
Figure FDA0003612593420000024
其中，Fmin为多个滤波方法中的波动率最小值，Fmax为多个滤波方法中的波动率最大值，Ft为算例时间段内t时刻的波动率；
结合所述归一化的波动率和所述全寿命周期成本确定不同范围内所述混合储能系统的最优滤波方式。
9.一种基于低通滤波的混合储能系统的容量优化装置，其特征在于，包括：
获取模块，用于获取待优化的混合储能系统中的风电场站和光伏电站的原始样本数据；
滤波模块，用于通过快速傅里叶变换获取预设的多个滤波方式的频谱特性，根据所述频谱特性确定截止频率，并通过所述多个滤波方式对所述原始样本数据进行低通滤波以平抑数据波形；
确定模块，用于基于优化需求、所述原始样本数据和所述混合储能系统的参数，确定遗传算法的适应度函数和约束条件；
优化模块，用于基于所述适应度函数和所述约束条件，通过非支配排序遗传算法NSGA-II优化所述混合储能系统的储能容量，确定最优储能容量范围；
评价模块，用于通过预设的评价指标依次评价配置了所述最优储能容量范围中不同储能容量的所述混合储能系统，确定所述混合储能系统的目标储能容量，并基于优化后的适应度参数进行滤波方式的寻优。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的基于低通滤波的混合储能系统的容量优化方法。
CN202210435259.3A 2022-04-24 2022-04-24 基于低通滤波的混合储能系统的容量优化方法及装置 Pending CN114781266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210435259.3A CN114781266A (zh) 2022-04-24 2022-04-24 基于低通滤波的混合储能系统的容量优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210435259.3A CN114781266A (zh) 2022-04-24 2022-04-24 基于低通滤波的混合储能系统的容量优化方法及装置

Publications (1)

Publication Number Publication Date
CN114781266A true CN114781266A (zh) 2022-07-22

Family

ID=82432124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210435259.3A Pending CN114781266A (zh) 2022-04-24 2022-04-24 基于低通滤波的混合储能系统的容量优化方法及装置

Country Status (1)

Country Link
CN (1) CN114781266A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024045582A1 (zh) * 2022-08-31 2024-03-07 中国华能集团清洁能源技术研究院有限公司 光储系统储能容量优化配置方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024045582A1 (zh) * 2022-08-31 2024-03-07 中国华能集团清洁能源技术研究院有限公司 光储系统储能容量优化配置方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN102124219B (zh) 风力发电用蓄电池控制系统及其控制方法
JP5194458B2 (ja) 太陽光発電システムの制御方法と太陽光発電システムの発電量予測装置
CN113176511A (zh) 考虑健康状态的储能充放电优化方法及系统
CN109383323B (zh) 一种电动汽车群的充放电优化控制方法
CN108683209B (zh) 一种分布式电源并网能力评估方法和装置
CN115510677B (zh) 一种风电场发电能力评估方法及系统
CN115102200B (zh) 一种储能系统模型辨识方法和系统
CN108400581B (zh) 基于能量约束的孤岛划分方法
CN110661250B (zh) 含风光储发输电系统的可靠性评估方法及系统
CN113112114A (zh) 一种储能电站在线评估方法和装置
CN114781266A (zh) 基于低通滤波的混合储能系统的容量优化方法及装置
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
CN115622101A (zh) 一种促进可再生能源消纳的储能优化配置双层规划方法
Jemaa et al. Optimum sizing of hybrid PV/wind/battery system using Fuzzy-Adaptive Genetic Algorithm
Abdelhak et al. Optimum sizing of hybrid PV/wind/battery using Fuzzy-Adaptive Genetic Algorithm in real and average battery service life
CN115000985A (zh) 一种用户侧分布式储能设施聚合管控方法及系统
Han et al. Adaptive deterministic approach for optimized sizing of high-energy battery system applied in electric-powered application
CN112993989B (zh) 一种主动配电系统抗差状态估计数据处理方法
Murugesan et al. Cost optimization of PV-diesel systems in nanogrid using LJ Cuckoo search and its application in mobile towers
CN107919683A (zh) 一种储能减少风电场弃风电量的优化决策方法
Parthasarathy et al. Optimal sizing of energy storage system and their impacts in hybrid microgrid environment
CN114358447B (zh) 一种柔性互联装置配置方法、装置、电子设备及存储介质
Houari et al. Hybridization of electrical energy storage for intelligent integration of photovoltaics in electric networks
CN115618616A (zh) 一种源、网、荷资源的混合储能可靠性评估模型构建方法
CN114035071A (zh) 水系二次电池系统soc在线校正方法

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