CN114784907B - 一种考虑电池运行状态的风电场储能容量配置方法 - Google Patents

一种考虑电池运行状态的风电场储能容量配置方法 Download PDF

Info

Publication number
CN114784907B
CN114784907B CN202210453096.1A CN202210453096A CN114784907B CN 114784907 B CN114784907 B CN 114784907B CN 202210453096 A CN202210453096 A CN 202210453096A CN 114784907 B CN114784907 B CN 114784907B
Authority
CN
China
Prior art keywords
energy storage
discharge
energy
total
cost
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
Application number
CN202210453096.1A
Other languages
English (en)
Other versions
CN114784907A (zh
Inventor
张小莲
陈冲
曾艾东
武启川
孙啊传
覃世球
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202210453096.1A priority Critical patent/CN114784907B/zh
Publication of CN114784907A publication Critical patent/CN114784907A/zh
Application granted granted Critical
Publication of CN114784907B publication Critical patent/CN114784907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H02J7/0014—Circuits for equalisation of charge between batteries
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • H02J7/0025—Sequential battery discharge in systems with a plurality of batteries
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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
    • H02J2300/28—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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑电池运行状态的风电场储能容量配置方法，在风电场出口处并联储能系统，该储能系统至少包括一组成对并联设置的电池组和配套的能量管理系统、以及与该成对电池组串联的变流器；该配置方法的具体步骤为：在电池组分组控制平滑风电功率的场景下，构建包括储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型的储能系统容量配置的多目标优化模型；确立储能容量和变流器功率的约束条件；并采用粒子群算法进行求解。本发明建立的储能容量配置方法基于反映不平衡状态的衰减指标构建容量配置优化目标，同时兼顾寿命评估、综合成本等重要因素，该方法配置的储能容量在成本、使用寿命、电池不平衡状态等方面具备有效性和优越性。

Description

一种考虑电池运行状态的风电场储能容量配置方法
技术领域
本发明涉及风电场并网技术领域，尤其是指电池分组控制风电功率平滑场景下的储能容量配置的技术领域，具体地说是一种考虑电池运行状态的风电场储能容量配置方法。
背景技术
近年来，随着风电装机容量的持续扩大，以及风电渗透率不断提高，风电的功率波动对电网的不良影响越发显著，严重干扰电网的安全稳定运行。当前有多种策略应对风电的功率波动，除依靠风电机组自身进行调节外，还可利用储能平滑风电功率，常见的有单一储能平滑、混合储能平滑和电池分组平滑。考虑到储能的投资成本、运行质量和应用需求等，如何配置储能容量成为了风储系统研究的热点问题。
根据现有研究，电池分组控制风电功率平滑场景下容易出现电池组充放电能量不平衡的问题，在采用电池分组控制策略平滑风电功率过程中，两组电池在独立执行充电和放电任务时，负责充电的电池组可充电量与负责放电的电池组可放电量差距较大，即为充放电能量不平衡问题。当前针对该问题的大多数研究是从电池组的控制策略角度进行改进研究，尚无研究在储能配置中考虑电池分组控制的不平衡状态。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种在风电功率平滑的应用场景下、针对电池分组控制中的不平衡状态的考虑电池运行状态的风电场储能容量配置方法；该风电场储能容量配置方法旨在储能装机阶段改善不平衡状态、延缓电池寿命衰减，同时在容量配置过程中，兼顾储能寿命和成本等其他关键因素，保证了所提容量配置方法具有较好的经济性和运行状态方面的优越性。
本发明的目的是通过以下技术方案解决的：
一种考虑电池运行状态的风电场储能容量配置方法，其特征在于：在风电场出口处并联储能系统，该储能系统至少包括一组成对并联设置的电池组和配套的能量管理系统、以及与该成对电池组串联的变流器；在电池组分组控制平滑风电功率的场景下，该配置方法的具体步骤为：
A、建立储能系统容量配置的多目标优化模型，该多目标优化模型通过分别建立储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型并分别进行归一化处理、再采用线性加权法构造总目标函数获得；
B、确立储能容量和变流器功率的约束条件；
C、采用粒子群算法对约束条件下的多目标优化模型进行求解，从而得到最终的风电场储能容量配置结果。
所述步骤A中的储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型分别进行归一化处理后获得的归一化函数为：
Figure GDA0003900564290000021
式(12)中，rc为储能综合成本模型归一化处理后获得的总成本目标函数；minCtotal为储能系统的最小综合成本；Ctotal为储能系统的综合成本函数；ry为储能寿命评估模型归一化处理后获得的储能使用年限目标函数；Yr为储能使用年限函数；max Yr为储能最长使用年限函数；rβ为储能不平衡度优化模型归一化处理后获得的储能平均衰减指标的目标函数；
Figure GDA0003900564290000022
为平均衰减指标函数；/>
Figure GDA0003900564290000023
为最佳平均衰减指标，取值为0；
对式(12)中的归一化函数采用线性加权法构造获得的总目标函数为：
Figure GDA0003900564290000024
式(13)中，maxR表示使总目标函数R取到最大；λ1、λ2、λ3分别为总成本目标函数、储能使用年限目标函数、储能平均衰减指标的目标函数的权重系数，若λ1越大、则储能的总成本越小，λ2越大、则储能的使用寿命越长，λ3越大、则储能的平均衰减越小。
所述步骤A中的储能寿命评估模型的构建方法为：
A11、根据储能(指电池组)的实测放电深度DOD和实测循环次数N的数据采用幂函数法进行拟合，拟合式为：
Figure GDA0003900564290000025
式(1)中，储能(指电池组)的实测放电深度DOD和实测循环次数N的数据由电池厂商经实验方式获取；
A12、储能(指电池组)在额定放电深度DODr下运行的放电总量是一个常数，使用年限即为储能寿命周期(指电池组的寿命周期)内按额定放电深度DODr进行放电的放电总量与一年内等效为额定放电深度DODr进行放电的放电总量之比，而实际工作中的实测放电深度DOD不可能保持不变，因此需将每个放电阶段的放电量折算成额定放电深度DODr下的放电总量，折算系数k'为：
Figure GDA0003900564290000031
式(2)中：Nr为额定放电深度DODr下的循环次数；
则储能使用年限函数Yr为：
Figure GDA0003900564290000032
式(3)中：DODr为储能(指电池组)的额定放电深度；Er为单个储能(指单个电池组)的额定容量，n为储能(指电池组)在第d天的放电次数，k′(d,i)和E(d,i)分别为储能(指电池组)在第d天第i次放电的折算系数和放电量。
所述步骤A中的储能综合成本模型的构建方法为：储能系统的综合成本由储能系统的初始建设成本、储能寿命周期(指电池组的寿命周期)内的总运行维护成本、以及储能系统运行中的损失成本构成，即：
Ctotal＝Cini+Cope+Closs_abs (8)
式(8)中，Ctotal为储能系统的综合成本函数；Cini为储能系统的初始建设成本函数；Cope为储能寿命周期内的总运行维护成本函数；Closs_abs为储能系统运行中的损失成本函数。
所述储能系统的初始建设成本函数的构建方法为：采用现值法表示储能系统的初始建设成本函数Cini：
Cini＝kpPr+2keEr (4)
式(4)中，kp为变流器单位功率成本、ke为储能(指电池组)的单位容量成本，由于两电池组不同时进行充放电，为节省成本，两电池组并联在一个变流器上；Pr为变流器的额定功率；Er为单个储能(指单个电池组)的额定容量。
所述储能寿命周期内的总运行维护成本函数的构建方法为：采用现值法表示储能寿命周期内的总运行维护成本函数Cope为：
Figure GDA0003900564290000041
式(5)中，kope,p、kope,e分别为储能(指电池组)的单位功率和单位容量的年运行维护成本；Fp为现值系数；r为贴现率；Yr为储能使用年限函数；Pr为变流器的额定功率；Er为单个储能(指单个电池组)的额定容量。
所述储能系统运行中的损失成本函数的构建方法为：储能(指电池组)在运行时偏离标准放电深度DODb而损失的电量及其对应的售电费用为：
Figure GDA0003900564290000042
式(6)中，Eloss为储能(指电池组)由于偏离标准放电深度DODb运行而损失的电量；Etotal(DODb)表示储能(指电池组)的实测放电深度DOD为标准放电深度DODb时的放电总量；DOD(y,d,i)为储能(指电池组)在第y年第d天第i个放电阶段的实测放电深度DOD的大小；Pe为上网电价；Closs为Eloss按上网电价进行销售而获得的费用，即储能系统运行中的实际损失利润；Yr为储能使用年限函数；n为第d天的放电次数；
则定义储能系统运行中的损失成本函数Closs_abs为：
Figure GDA0003900564290000043
式(7)中，Cdiff为储能(指电池组)在寿命周期内分别以标准放电深度DODb和DODmin运行时的放电总量的售电费用之差，即储能在寿命周期内的最大损失利润；Etotal(DODb)表示储能的实测放电深度DOD为标准放电深度DODb时的放电总量；Etotal(DODmin)为储能以DODmin运行时的放电总量；Closs为储能系统运行中的实际损失利润；储能系统运行中的损失成本函数Closs_abs表示实际运行相对于最恶劣情况的提升量，当储能(指电池组)运行状态越好则该提升量越大，相当于降低了运行成本。
所述步骤A中的储能不平衡度优化模型的具体构建方法为：
A31、引入寿命衰减指标ε构建储能不平衡度优化模型，即采用实测放电深度DOD偏离标准放电深度DODb的程度来反映储能用电池组的不平衡状态，其表达式为：
Figure GDA0003900564290000051
式(9)中，ε为用来评估运行过程中的寿命衰减情况，若ε越小，表示电池组运行越接近最佳放电状态，寿命损耗更小；DOD为储能(指电池组)的实测放电深度；DODb为储能(指电池组)的标准放电深度；Socmax为储能(指电池组)荷电状态的最大限值；Socmin为储能(指电池组)荷电状态的最小限值；
由于采用两电池组配置充放电，因而定义β为两电池组的寿命总衰减指标：
β＝ε1+ε2 (10)
式(10)中，ε1为电池组1的寿命衰减指标；ε2为电池组2的寿命衰减指标；
A32、则储能不平衡度优化模型的平均寿命衰减指标函数
Figure GDA0003900564290000052
为：
Figure GDA0003900564290000053
式(11)中，Yr为储能使用年限函数；n为储能(指电池组)在第d天的放电次数；β(y,d,i)表示储能(指电池组)在第y年第d天第i个放电阶段的β值。
所述步骤B中的变流器功率的约束条件为：采用常数试探法将输出参考功率的一阶低通滤波器的滤波时间常数由小到大依次取，确定理想的目标功率波动，从而得到储能(指电池组)需要的最大充电和放电功率，则变流器功率的约束范围为：
max{max{Pch(t)},max{Pdisch(t)}}≤Pr≤Pmax (14)
式(14)中，max{Pch(t)}为储能(指电池组)的目标充电功率的最大值；max{Pdisch(t)}为储能(指电池组)的目标放电功率的最大值；Pr为变流器的额定功率；Pmax为基于预算考虑而规定的变流器功率最大值；
所述步骤B中的储能容量的约束条件为：对于电池组分组控制中的储能容量约束，如果电池组1已经充满不能继续充电，则能量管理系统会命令电池组2接替电池组1继续充电、电池组1则负责放电，因此两电池组的额定容量须大于连续充电或连续放电量最大值的一半，即储能容量的约束范围为：
Figure GDA0003900564290000061
式(15)中，max{Ech}为储能(指电池组)连续充电量的最大值；max{Edisch}为储能(指电池组)连续放电量的最大值；Er为；Emax为基于预算考虑的储能容量最大值。
所述步骤C中的求解方法的步骤为：
C1、粒子群算法中粒子的速度和位置按下式进行更新，以寻求最优解：
Figure GDA0003900564290000062
式(16)中，ω为惯性权重，决定粒子的寻优能力；
Figure GDA0003900564290000063
为第i个粒子的第d维第k次迭代速度；c1、c2分别为个体学习因子和社会学习因子；r1、r2为(0,1)范围内的随机数；/>
Figure GDA0003900564290000064
为个体极值；/>
Figure GDA0003900564290000065
为第i个粒子的第d维第k次迭代位置；/>
Figure GDA0003900564290000066
为全局极值；/>
Figure GDA0003900564290000067
为第i个粒子的第d维第k+1次迭代速度；/>
Figure GDA0003900564290000068
为第i个粒子的第d维第k次迭代位置；/>
Figure GDA0003900564290000069
为第i个粒子的第d维第k+1次迭代位置；
C2、该粒子群算法采用线性递减权值法优化设置惯性权重ω，则第k次迭代时的惯性权重ω的值为：
Figure GDA00039005642900000610
式(17)中，ωk为第k次迭代时的惯性权重；ωmax和ωmin分别为惯性权重ω的最大值和最小值；k为迭代次数；G为最大迭代次数；
C3、通过设置各目标函数对应的权重系数λ1、λ2、λ3，采用式(16)和式(17)求解约束条件下的多目标优化模型，输出储能容量和额定功率的最优解，即获取最优的储能配置。
本发明相比现有技术有如下优点：
本发明的风电场储能容量配置方法针对风电功率平滑应用场景，提出一种电池分组控制运行方式下的电池容量配置模型，主要包括模型的目标函数和约束条件，相比现有技术的主要优点包括：
(1)综合储能成本、储能使用寿命、运行中的不平衡度实现电池分组控制的容量多目标优化配置，兼顾了经济性和运行状态；
(2)针对电池分组控制设计了不同于现有方法的功率约束、容量约束等模型；
(3)在优化目标中基于衰减指标构建了改善不平衡度的目标函数，能够显著改善电池分组控制运行中的不平衡状态，延缓了电池组寿命衰减；
(4)提出损失利润计算方法，将不平衡运行状态对成本的影响也计及在内，提升了成本模型的精确度。
本发明的风电场储能容量配置方法在优化储能成本、使用寿命和不平衡状态方面均具备良好的有效性和优越性。
附图说明
附图1为本发明的考虑电池运行状态的风电场储能容量配置方法采用风储联合系统拓扑结构图；
附图2为本发明的考虑电池运行状态的风电场储能容量配置方法的流程图；
附图3为采用本发明的风电场储能容量配置方法的总目标函数图及最优点；
附图4为本发明的风电场储能容量配置方法配置的储能参与平滑前后的风电场输出功率对比图；
附图5为本发明的实施例和对比例的衰减指标的实验验证结果。
其中：BESS1—电池组1；BESS2—电池组2；EMS—能量管理系统；DC/AC—变流器；BESS为battery energy storage system的缩略词。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
如图1所示的风储联合系统拓扑结构图和图2所示的流程图，
一种考虑电池运行状态的风电场储能容量配置方法，在风电场出口处并联储能系统，该储能系统至少包括一组成对并联设置的电池组(包括表示电池组1的BESS1和表示电池组2的BESS2)和配套的能量管理系统EMS、以及与该成对电池组串联的变流器DC/AC；在电池组分组控制平滑风电功率的场景下，该配置方法的具体步骤为：
A、建立储能系统容量配置的多目标优化模型，该多目标优化模型通过分别建立储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型并分别进行归一化处理、再采用线性加权法构造总目标函数获得；
A1、其中储能寿命评估模型的构造过程为：
A11、根据某型号磷酸铁锂电池组的实测放电深度DOD和实测循环次数N的数据采用幂函数法进行拟合，拟合式为：
Figure GDA0003900564290000081
式(1)中，电池组的实测放电深度DOD和实测循环次数N的数据由电池厂商经实验方式获取；上述拟合方式还适用于蓄电池、铅酸电池等；
A12、储能在额定放电深度DODr下运行的放电总量是一个常数，使用年限即为储能寿命周期内按额定放电深度DODr进行放电的放电总量与一年内等效为额定放电深度DODr进行放电的放电总量之比，而实际工作中的实测放电深度DOD不可能保持不变，因此需将每个放电阶段的放电量折算成额定放电深度DODr下的放电总量，折算系数k'为：
Figure GDA0003900564290000082
式(2)中：Nr为额定放电深度DODr下的循环次数；则储能使用年限函数Yr为：
Figure GDA0003900564290000083
式(3)中：DODr为储能的额定放电深度；Er为单个储能的额定容量，n为储能在第d天的放电次数，k′(d,i)和E(d,i)分别为储能在第d天第i次放电的折算系数和放电量；这时储能寿命评估模型完成构建；
A2、建立储能综合成本模型的构造过程为：
A21、采用现值法表示储能系统的初始建设成本函数Cini：
Cini＝kpPr+2keEr (4)
式(4)中，kp为变流器单位功率成本、ke为储能的单位容量成本，由于两电池组不同时进行充放电，为节省成本，两电池组并联在一个变流器上；Pr为变流器的额定功率；Er为单个储能的额定容量；
A22、采用现值法表示储能寿命周期内的总运行维护成本函数Cope为：
Figure GDA0003900564290000084
式(5)中，kope,p、kope,e分别为储能的单位功率和单位容量的年运行维护成本；Fp为现值系数；r为贴现率；Yr为储能使用年限函数；Pr为变流器的额定功率；Er为单个储能的额定容量；
A23、储能在运行时偏离标准放电深度DODb而损失的电量及其对应的售电费用为：
Figure GDA0003900564290000091
式(6)中，Eloss为储能由于偏离标准放电深度DODb运行而损失的电量；Etotal(DODb)表示储能的实测放电深度DOD为标准放电深度DODb时的放电总量；DOD(y,d,i)为储能在第y年第d天第i个放电阶段的实测放电深度DOD的大小；Pe为上网电价；Closs为Eloss按上网电价进行销售而获得的费用，即储能系统运行中的实际损失利润；Yr为储能使用年限函数；n为储能在第d天的放电次数；
则定义储能系统运行中的损失成本函数Closs_abs为：
Figure GDA0003900564290000092
式(7)中，Cdiff为储能在寿命周期内分别以标准放电深度DODb和DODmin运行时的放电总量的售电费用之差，即储能在寿命周期内的最大损失利润；Etotal(DODb)表示储能的实测放电深度DOD为标准放电深度DODb时的放电总量；Etotal(DODmin)为储能以DODmin运行时的放电总量；Closs为储能系统运行中的实际损失利润；储能系统运行中的损失成本函数Closs_abs表示实际运行相对于最恶劣情况的提升量，当储能运行状态越好则该提升量越大，相当于降低了运行成本；
A24、则储能综合成本模型的构建方法为：储能系统的综合成本由储能系统的初始建设成本、储能寿命周期内的总运行维护成本、以及储能系统运行中的损失成本构成，即：
Ctotal＝Cini+Cope+Closs_abs (8)
式(8)中，Ctotal为储能系统的综合成本函数；Cini为储能系统的初始建设成本函数；Cope为储能寿命周期内的总运行维护成本函数；Closs_abs为储能系统运行中的损失成本函数；至此完成储能综合成本模型的构建；
A3、其中储能不平衡度优化模型的构造过程为：
A31、引入寿命衰减指标ε构建储能不平衡度优化模型，即采用实测放电深度DOD偏离标准放电深度DODb的程度来反映储能用电池组的不平衡状态，其表达式为：
Figure GDA0003900564290000101
式(9)中，ε为用来评估运行过程中的寿命衰减情况，若ε越小，表示电池组运行越接近最佳放电状态，寿命损耗更小；DOD为储能的实测放电深度；DODb为储能的标准放电深度；Socmax为储能荷电状态的最大限值；Socmin为储能荷电状态的最小限值；
由于采用两电池组配置充放电，因而定义β为两电池组的寿命总衰减指标：
β＝ε1+ε2 (10)
式(10)中，ε1为电池组1的寿命衰减指标；ε2为电池组2的寿命衰减指标；
A32、则储能不平衡度优化模型的平均寿命衰减指标函数
Figure GDA0003900564290000102
为：
Figure GDA0003900564290000103
式(11)中，Yr为储能使用年限函数；n为储能在第d天的放电次数；β(y,d,i)表示储能在第y年第d天第i个放电阶段的β值；至此完成储能不平衡度优化模型的构建；
A4、对储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型分别进行归一化处理后获得的归一化函数为：
Figure GDA0003900564290000104
式(12)中，rc为储能综合成本模型归一化处理后获得的总成本目标函数；minCtotal为储能系统的最小综合成本；Ctotal为储能系统的综合成本函数；ry为储能寿命评估模型归一化处理后获得的储能使用年限目标函数；Yr为储能使用年限函数；maxYr为储能最长使用年限函数；rβ为储能不平衡度优化模型归一化处理后获得的储能平均衰减指标的目标函数；
Figure GDA0003900564290000111
为平均衰减指标函数；/>
Figure GDA0003900564290000112
为最佳平均衰减指标，取值为0；
A5、对式(12)中的归一化函数采用线性加权法构造获得的总目标函数为：
Figure GDA0003900564290000113
式(13)中，maxR表示使总目标函数R取到最大；λ1、λ2、λ3分别为总成本目标函数、储能使用年限目标函数、储能平均衰减指标的目标函数的权重系数，若λ1越大、则储能的总成本越小，λ2越大、则储能的使用寿命越长，λ3越大、则储能的平均衰减越小；
B、确立储能容量和变流器功率的约束条件；
其中变流器功率的约束条件为：采用常数试探法将输出参考功率的一阶低通滤波器的滤波时间常数由小到大依次取，确定理想的目标功率波动，从而得到储能需要的最大充电和放电功率，则变流器功率的约束范围为：
max{max{Pch(t)},max{Pdisch(t)}}≤Pr≤Pmax (14)
式(14)中，max{Pch(t)}为储能的目标充电功率的最大值；max{Pdisch(t)}为储能的目标放电功率的最大值；Pr为变流器的额定功率；Pmax为基于预算考虑而规定的变流器功率最大值；
储能容量的约束条件为：对于电池组分组控制中的储能容量约束，如果电池组1已经充满不能继续充电，则能量管理系统会命令电池组2接替电池组1继续充电、电池组1则负责放电，因此两电池组的额定容量须大于连续充电或连续放电量最大值的一半，即储能容量的约束范围为：
Figure GDA0003900564290000114
式(15)中，max{Ech}为储能连续充电量的最大值；max{Edisch}为储能连续放电量的最大值；Er为；Emax为基于预算考虑的储能容量最大值；
C、采用粒子群算法对约束条件下的多目标优化模型进行求解，从而得到最终的风电场储能容量配置结果，具体步骤为：
C1、粒子群算法中粒子的速度和位置按下式进行更新，以寻求最优解：
Figure GDA0003900564290000121
式(16)中，ω为惯性权重，决定粒子的寻优能力；
Figure GDA0003900564290000122
为第i个粒子的第d维第k次迭代速度；c1、c2分别为个体学习因子和社会学习因子；r1、r2为(0,1)范围内的随机数；/>
Figure GDA0003900564290000123
为个体极值；/>
Figure GDA0003900564290000124
为第i个粒子的第d维第k次迭代位置；/>
Figure GDA0003900564290000125
为全局极值；/>
Figure GDA0003900564290000126
为第i个粒子的第d维第k+1次迭代速度；/>
Figure GDA0003900564290000127
为第i个粒子的第d维第k次迭代位置；/>
Figure GDA0003900564290000128
为第i个粒子的第d维第k+1次迭代位置；
C2、为避免该粒子群算法陷入局部最优，采用线性递减权值法优化设置惯性权重ω，则第k次迭代时的惯性权重ω的值为：
Figure GDA0003900564290000129
式(17)中，ωk为第k次迭代时的惯性权重；ωmax和ωmin分别为惯性权重ω的最大值和最小值；k为迭代次数；G为最大迭代次数；
C3、通过设置总成本目标函数、储能使用年限目标函数、储能平均衰减指标的目标函数分别对应的权重系数λ1、λ2、λ3，采用式(16)和式(17)求解约束条件下的多目标优化模型，输出储能容量和额定功率的最优解，即获取最优的储能配置。
实施例
以下提供一个具体的实施例来进一步说明本发明提供的考虑电池运行状态的风电场储能容量配置方法的控制效果。
该实施例以某30MW风电场典型日为例进行仿真，风储联合系统的拓扑结构如图1所示，风储系统的基本参数如表一所示：
风电场容量 30MW 单位容量年运行维护成本 10￥/kWh
充放电效率 95％,95％ 单位功率年运行维护成本 90￥/kW
采用周期 40ms 额定放电深度 1
磷酸铁锂电池成本 1085￥/kWh 上网电价 0.6￥/kWh
变流器成本 3224￥/kW 贴现率 5％
表一本发明提供的风电场储能容量配置方法采用的风储系统的基本参数
如图3所示，选取权重系数λ1、λ2、λ3分别为0.7、0.1、0.2进行仿真，通过粒子群算法得最优额定功率和储能容量，图3中的星形处为最优点。变流器的额定功率Pr为8MW，表明8MW的变流器已经足够该风电场的功率平滑需求，更大的变流器会造成额外的浪费，而单个电池组的额定容量Er为7MWh，总成本为3234.1万元，使用年限为14.1年，电池组的平均衰减指标函数
Figure GDA0003900564290000131
符合主流储能电站的规划目标。
如图4所示，采用当前配置的储能进行风电功率平滑，无论是15.3h～15.9h风电功率波动极剧烈的时段、还是10h～10.4h风电功率波动较缓和的时段，电池组分组控制的平滑策略对原风电功率都产生显著的平滑效果，达到规定的并网要求。
对比例
采用目标为年成本最小的容量配置方法作为对比例，目标为年成本最小的容量配置方法的配置结果为变流器的额定功率Pr为8MW，单个电池组的额定容量Er为8MWh，年成本为432.5万元，使用年限为16年，折算到现值的总成本为3375.6万元，电池组的平均衰减指标函数
Figure GDA0003900564290000132
本发明提供的考虑电池运行状态的风电场储能容量配置方法与目标为年成本最小的容量配置方法的对比如表二所示。
Figure GDA0003900564290000133
表二本发明提供的实施例与对比例的配置结果
由表二可知，以年成本最小为目标的容量配置，未对不平衡度和使用年限进行调控，导致衰减指标处于较大的水平，而且通常储能电站规划的运行周期为10年，远超规划期，从而产生额外的维护成本及浪费。
实施例和对比例的衰减指标的实验验证
采用风-储实验平台对本发明所提方法(简称：方法1)的实施例配置的7MWh储能和对比例(简称：方法2)配置的8MWh储能进行实验验证。实验平台由Beckhoff PLC、风机模拟器、风机驱动、两组磷酸铁锂电池和功率变流器等组成，风机驱动拖动风机模拟器运行从而模拟风力发电，两组锂电池通过连接功率变流器并入交流电网。
考虑到实验平台中各设备的容量情况，将实施例风电场的容量、两电池组的容量及变流器功率等比缩小，开展验证实验。运行中的两电池组的寿命总衰减指标β如图5所示。值得注意的是，β是在两电池组切换充放电状态时计算的变量，采用不同方法时，两电池组运行过程不同，所以切换充放电状态的时刻也会不同，例如方法1的第二次切换充放电状态发生在60min、方法2的第二次切换充放电状态发生在68min。
由图5可知，方法1的β相对于方法2的β显著减小。其中方法2的最大β达到了0.0218，是方法1的最大β的4.7倍。经计算，方法1的
Figure GDA0003900564290000141
与最优状态仅有3.7％的差距，而方法2的/>
Figure GDA0003900564290000142
与最优状态存在20.2％的差距。因此，实验结果验证了本发明所提方法在改善不平衡度、降低衰减指标上的优势。
本发明的技术方案在风电功率平滑的应用场景下，针对电池分组控制中的不平衡状态提出了一种能够优化电池运行状态的风电场储能容量配置方法，该储能容量配置方法旨在储能装机阶段改善不平衡状态，延缓电池寿命衰减；通过建立储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型，构建出储能系统容量配置的多目标优化模型，并提出不平衡度相关损失成本计算方法，将其引入成本模型中以考虑不平衡状态对成本的影响；采用粒子群算法进行求解得出最优储能容量。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。

Claims (6)

1.一种考虑电池运行状态的风电场储能容量配置方法，其特征在于：在风电场出口处并联储能系统，该储能系统至少包括一组成对并联设置的电池组和配套的能量管理系统、以及与该成对电池组串联的变流器；在电池组分组控制平滑风电功率的场景下，该配置方法的具体步骤为：
A、建立储能系统容量配置的多目标优化模型，该多目标优化模型通过分别建立储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型并分别进行归一化处理、再采用线性加权法构造总目标函数获得；
B、确立储能容量和变流器功率的约束条件；
C、采用粒子群算法对约束条件下的多目标优化模型进行求解，从而得到最终的风电场储能容量配置结果；
所述步骤A中的储能寿命评估模型的构建方法为：
A11、根据储能的实测放电深度DOD和实测循环次数N的数据采用幂函数法进行拟合，拟合式为：
Figure FDA0003900564280000011
式(1)中，储能的实测放电深度DOD和实测循环次数N的数据由电池厂商经实验方式获取；
A12、储能在额定放电深度DODr下运行的放电总量是一个常数，使用年限即为储能寿命周期内按额定放电深度DODr进行放电的放电总量与一年内等效为额定放电深度DODr进行放电的放电总量之比，而实际工作中的实测放电深度DOD不可能保持不变，因此需将每个放电阶段的放电量折算成额定放电深度DODr下的放电总量，折算系数k'为：
Figure FDA0003900564280000012
式(2)中：Nr为额定放电深度DODr下的循环次数；
则储能使用年限函数Yr为：
Figure FDA0003900564280000013
式(3)中：DODr为储能的额定放电深度；Er为单个储能的额定容量，n为储能在第d天的放电次数，k′(d,i)和E(d,i)分别为储能在第d天第i次放电的折算系数和放电量；
所述步骤A中的储能综合成本模型的构建方法为：储能系统的综合成本由储能系统的初始建设成本、储能寿命周期内的总运行维护成本、以及储能系统运行中的损失成本构成，即：
Ctotal＝Cini+Cope+Closs_abs (8)
式(8)中，Ctotal为储能系统的综合成本函数；Cini为储能系统的初始建设成本函数；Cope为储能寿命周期内的总运行维护成本函数；Closs_abs为储能系统运行中的损失成本函数；
所述步骤A中的储能不平衡度优化模型的具体构建方法为：
A31、引入寿命衰减指标ε构建储能不平衡度优化模型，即采用实测放电深度DOD偏离标准放电深度DODb的程度来反映储能用电池组的不平衡状态，其表达式为：
Figure FDA0003900564280000021
式(9)中，ε为用来评估运行过程中的寿命衰减情况，若ε越小，表示电池组运行越接近最佳放电状态，寿命损耗更小；DOD为储能的实测放电深度；DODb为储能的标准放电深度；Socmax为储能荷电状态的最大限值；Socmin为储能荷电状态的最小限值；
由于采用两电池组配置充放电，因而定义β为两电池组的寿命总衰减指标：
β＝ε1+ε2 (10)
式(10)中，ε1为电池组1的寿命衰减指标；ε2为电池组2的寿命衰减指标；
A32、则储能不平衡度优化模型的平均寿命衰减指标函数
Figure FDA0003900564280000022
为：
Figure FDA0003900564280000023
式(11)中，Yr为储能使用年限函数；n为储能在第d天的放电次数；β(y,d,i)表示储能在第y年第d天第i个放电阶段的β值；
所述步骤A中的储能综合成本模型、储能寿命评估模型、储能不平衡度优化模型分别进行归一化处理后获得的归一化函数为：
Figure FDA0003900564280000031
式(12)中，rc为储能综合成本模型归一化处理后获得的总成本目标函数；min Ctotal为储能系统的最小综合成本；Ctotal为储能系统的综合成本函数；ry为储能寿命评估模型归一化处理后获得的储能使用年限目标函数；Yr为储能使用年限函数；max Yr为储能最长使用年限函数；rβ为储能不平衡度优化模型归一化处理后获得的储能平均衰减指标的目标函数；
Figure FDA0003900564280000032
为平均衰减指标函数；
Figure FDA0003900564280000033
为最佳平均衰减指标，取值为0；
对式(12)中的归一化函数采用线性加权法构造获得的总目标函数为：
Figure FDA0003900564280000034
式(13)中，max R表示使总目标函数R取到最大；λ1、λ2、λ3分别为总成本目标函数、储能使用年限目标函数、储能平均衰减指标的目标函数的权重系数，若λ1越大、则储能的总成本越小，λ2越大、则储能的使用寿命越长，λ3越大、则储能的平均衰减越小。
2.根据权利要求1所述的考虑电池运行状态的风电场储能容量配置方法，其特征在于：所述储能系统的初始建设成本函数的构建方法为：采用现值法表示储能系统的初始建设成本函数Cini：
Cini＝kpPr+2keEr (4)
式(4)中，kp为变流器单位功率成本、ke为储能的单位容量成本，由于两电池组不同时进行充放电，为节省成本，两电池组并联在一个变流器上；Pr为变流器的额定功率；Er为单个储能的额定容量。
3.根据权利要求1所述的考虑电池运行状态的风电场储能容量配置方法，其特征在于：所述储能寿命周期内的总运行维护成本函数的构建方法为：采用现值法表示储能寿命周期内的总运行维护成本函数Cope为：
Figure FDA0003900564280000041
式(5)中，kope,p、kope,e分别为储能的单位功率和单位容量的年运行维护成本；Fp为现值系数；r为贴现率；Yr为储能使用年限函数；Pr为变流器的额定功率；Er为单个储能的额定容量。
4.根据权利要求1所述的考虑电池运行状态的风电场储能容量配置方法，其特征在于：所述储能系统运行中的损失成本函数的构建方法为：储能在运行时偏离标准放电深度DODb而损失的电量及其对应的售电费用为：
Figure FDA0003900564280000042
式(6)中，Eloss为储能由于偏离标准放电深度DODb运行而损失的电量；Etotal(DODb)表示储能的实测放电深度DOD为标准放电深度DODb时的放电总量；DOD(y,d,i)为储能在第y年第d天第i个放电阶段的实测放电深度DOD的大小；Pe为上网电价；Closs为Eloss按上网电价进行销售而获得的费用，即储能系统运行中的实际损失利润；Yr为储能使用年限函数；n为第d天的放电次数；
则定义储能系统运行中的损失成本函数Closs_abs为：
Figure FDA0003900564280000043
式(7)中，Cdiff为储能在寿命周期内分别以标准放电深度DODb和DODmin运行时的放电总量的售电费用之差，即储能在寿命周期内的最大损失利润；Etotal(DODb)表示储能的实测放电深度DOD为标准放电深度DODb时的放电总量；Etotal(DODmin)为储能以DODmin运行时的放电总量；Closs为储能系统运行中的实际损失利润；储能系统运行中的损失成本函数Closs_abs表示实际运行相对于最恶劣情况的提升量，当储能运行状态越好则该提升量越大，相当于降低了运行成本。
5.根据权利要求1所述的考虑电池运行状态的风电场储能容量配置方法，其特征在于：所述步骤B中的变流器功率的约束条件为：采用常数试探法将输出参考功率的一阶低通滤波器的滤波时间常数由小到大依次取，确定理想的目标功率波动，从而得到储能需要的最大充电和放电功率，则变流器功率的约束范围为：
max{max{Pch(t)},max{Pdisch(t)}}≤Pr≤Pmax (14)
式(14)中，max{Pch(t)}为储能的目标充电功率的最大值；max{Pdisch(t)}为储能的目标放电功率的最大值；Pr为变流器的额定功率；Pmax为基于预算考虑而规定的变流器功率最大值；
所述步骤B中的储能容量的约束条件为：对于电池组分组控制中的储能容量约束，如果电池组1已经充满不能继续充电，则能量管理系统会命令电池组2接替电池组1继续充电、电池组1则负责放电，因此两电池组的额定容量须大于连续充电或连续放电量最大值的一半，即储能容量的约束范围为：
Figure FDA0003900564280000051
式(15)中，max{Ech}为储能连续充电量的最大值；max{Edisch}为储能连续放电量的最大值；Er为；Emax为基于预算考虑的储能容量最大值。
6.根据权利要求1所述的考虑电池运行状态的风电场储能容量配置方法，其特征在于：所述步骤C中的求解方法的步骤为：
C1、粒子群算法中粒子的速度和位置按下式进行更新，以寻求最优解：
Figure FDA0003900564280000052
式(16)中，ω为惯性权重，决定粒子的寻优能力；
Figure FDA0003900564280000053
为第i个粒子的第d维第k次迭代速度；c1、c2分别为个体学习因子和社会学习因子；r1、r2为(0,1)范围内的随机数；
Figure FDA0003900564280000054
为个体极值；
Figure FDA0003900564280000055
为第i个粒子的第d维第k次迭代位置；
Figure FDA0003900564280000056
为全局极值；
Figure FDA0003900564280000057
为第i个粒子的第d维第k+1次迭代速度；
Figure FDA0003900564280000058
为第i个粒子的第d维第k次迭代位置；
Figure FDA0003900564280000059
为第i个粒子的第d维第k+1次迭代位置；
C2、该粒子群算法采用线性递减权值法优化设置惯性权重ω，则第k次迭代时的惯性权重ω的值为：
Figure FDA00039005642800000510
式(17)中，ωk为第k次迭代时的惯性权重；ωmax和ωmin分别为惯性权重ω的最大值和最小值；k为迭代次数；G为最大迭代次数；
C3、通过设置各目标函数对应的权重系数λ1、λ2、λ3，采用式(16)和式(17)求解约束条件下的多目标优化模型，输出储能容量和额定功率的最优解，即获取最优的储能配置。
CN202210453096.1A 2022-04-24 2022-04-24 一种考虑电池运行状态的风电场储能容量配置方法 Active CN114784907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210453096.1A CN114784907B (zh) 2022-04-24 2022-04-24 一种考虑电池运行状态的风电场储能容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210453096.1A CN114784907B (zh) 2022-04-24 2022-04-24 一种考虑电池运行状态的风电场储能容量配置方法

Publications (2)

Publication Number Publication Date
CN114784907A CN114784907A (zh) 2022-07-22
CN114784907B true CN114784907B (zh) 2023-03-24

Family

ID=82433604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210453096.1A Active CN114784907B (zh) 2022-04-24 2022-04-24 一种考虑电池运行状态的风电场储能容量配置方法

Country Status (1)

Country Link
CN (1) CN114784907B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388252B (zh) * 2023-06-05 2023-08-11 河海大学 风电场储能容量优化配置方法、系统、计算机设备及介质
CN116914755B (zh) * 2023-07-13 2024-05-28 华北电力大学 一种考虑电池循环寿命的光储联合规划方法及系统
CN117081219B (zh) * 2023-10-17 2024-01-09 东方旭能(山东)科技发展有限公司 一种ems储能能量管理系统
CN117335532B (zh) * 2023-11-27 2024-04-05 天合光能股份有限公司 光伏跟踪器的蓄电池容量配置方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664423B (zh) * 2012-05-30 2014-09-17 山东大学 基于粒子群算法的风电场储能容量控制方法
CN106251005A (zh) * 2016-07-21 2016-12-21 南京工程学院 一种基于改进粒子群算法的混合储能容量优化配置方法
CN112072655B (zh) * 2020-09-10 2022-05-27 天津大学 一种并网风储发电系统混合储能优化配置方法

Also Published As

Publication number Publication date
CN114784907A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114784907B (zh) 一种考虑电池运行状态的风电场储能容量配置方法
CN108470239B (zh) 计及需求侧管理和储能的主动配电网多目标分层规划方法
CN103986190B (zh) 基于发电功率曲线的风光储联合发电系统平滑控制方法
CN112084652B (zh) 一种风光储互补发电系统容量配置计算方法及系统
CN105207259B (zh) 基于能量管理的并网状态下的微电网系统调度方法
CN106651026A (zh) 多时间尺度微电网能量管理优化调度方法
CN105139147A (zh) 微电网系统的经济调度方法
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN112380694B (zh) 一种基于差异化可靠性需求的配电网优化规划方法
CN109149651A (zh) 一种计及调压辅助服务收益的光储系统优化运行方法
CN114597926A (zh) 一种微电网混合储能优化配置方法及装置
CN109193729A (zh) 一种配网自动化系统中储能系统的选址方法
CN116388252B (zh) 风电场储能容量优化配置方法、系统、计算机设备及介质
CN105207207A (zh) 基于能量管理的孤网状态下的微电网系统调度方法
CN116307087A (zh) 考虑电动汽车充放电的微电网系统储能优化配置方法
CN114884110A (zh) 一种源网荷多约束条件下的电力系统储能优化运行方法
CN115133607A (zh) 用户侧退役电池储能容量配置方法、系统、设备和介质
Mohamed et al. Modelling and environmental/economic power dispatch of microgrid using multiobjective genetic algorithm optimization
CN113361078A (zh) 一种考虑光伏发电不确定性的配电网云边协同调控方法
CN112365299A (zh) 考虑电池寿命损耗的综合能源电/热混合储能配置方法
Darvishi et al. Optimized fuzzy control algorithm in integration of energy storage in distribution grids
CN114204599B (zh) 一种抑制配电网电压波动的分布式储能布点运行控制方法
CN109217369A (zh) 一种计及储能寿命的风储电站分层优化控制方法
Kang et al. Day-ahead microgrid energy management optimization scheduling scheme
Ding et al. Multi-Objective optimial configuration of distributed wind-solar generation considering energy storage

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Chen Chong

Inventor after: Zhang Xiaolian

Inventor after: Zeng Aidong

Inventor after: Wu Qichuan

Inventor after: Sun Achuan

Inventor after: Qin Shiqiu

Inventor before: Zhang Xiaolian

Inventor before: Chen Chong

Inventor before: Zeng Aidong

Inventor before: Wu Qichuan

Inventor before: Sun Achuan

Inventor before: Qin Shiqiu

CB03 Change of inventor or designer information