CN116885761A - 一种功率型-能量型混合储能系统容量优化方法 - Google Patents
一种功率型-能量型混合储能系统容量优化方法 Download PDFInfo
- Publication number
- CN116885761A CN116885761A CN202310884105.7A CN202310884105A CN116885761A CN 116885761 A CN116885761 A CN 116885761A CN 202310884105 A CN202310884105 A CN 202310884105A CN 116885761 A CN116885761 A CN 116885761A
- Authority
- CN
- China
- Prior art keywords
- power
- energy storage
- capacity
- flywheel
- storage system
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 87
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 31
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 67
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 67
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000007600 charging Methods 0.000 claims abstract description 7
- 238000007599 discharging Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000007667 floating Methods 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000010206 sensitivity analysis Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/30—Arrangements for balancing of the load in a network by storage of energy using dynamo-electric machines coupled to flywheels
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种功率型‑能量型混合储能系统容量优化方法。本发明基于希尔伯特‑黄变换，通过设置分界频率，将混合储能总功率分解成低频和高频两种分量，分别分配给锂电池和飞轮；改进了以年均综合成本最小为目标的传统经济模型，在一定前提下，建立了以最小化飞轮容量，最大化飞轮功率同时降低锂电池充放电功率的最大斜坡率为目标的混合储能系统容量优化配置模型，使用遗传算法对该容量优化模型进行求解；通过逐步计算每条分界频率对应的容量优化结果，找出了最优分界频率；利用真实光伏发电系统的运行数据实例验证该模型的有效性；最后对比了混合储能和单一储能的出力效果，阐释了改进后模型较传统经济模型在优化结果上的优势，并对目标函数中的加权系数进行了灵敏度分析。
Description
技术领域
本发明属于电气工程领域，具体为一种功率型-能量型混合储能系统容量优化方法。
背景技术
虽然以光伏为代表的新能源装机容量大幅提高了，但是以光伏阵列为例，其受光照强度、温度等自然因素影响较大，因此这些具有随机性，波动性功率输出的新能源并网将对电网的安全、稳定、可靠运行产生不利影响，较大地限制了新能源的有效利用，同时，用电负荷也有着不确定性，是随机波动的，而且通常这些波动于总功率中的比重较高，给电网运行带来了较大冲击，不仅影响电力系统的稳定运行，而且给电力系统的能量优化调度带来了较大麻烦。然而储能技术的出现可以有效解决新能源高比例应用时对电网带来的这些负面影响，储能系统为电力系统提供了灵活性来应对新能源的波动性和间歇性，同时，它也可以适应负荷需求的波动。要实现对以光伏为代表的新能源输出功率的有效平抑，需要配置具有高功率密度和高能量密度，且循环寿命长的储能系统。如今尚且没有一种单一储能技术可以很好地同时满足这些技术和经济方面的要求。能量型–功率型储能构成的混合储能系统具有大容量和大功率的特性。因此，研究混合储能技术成为了储能技术的热点，旨在提高储能输出性能并降低储能成本。
发明内容
本发明的目的是提供一种配置有高功率密度和高能量密度，且循环寿命长的一种功率型-能量型混合储能系统容量优化方法，以实现对以光伏为代表的新能源输出功率的有效平抑。
本发明提出的一种功率型-能量型混合储能系统容量优化方法，确定优化框架以选择能量型与功率型混合储能系统的分界频率，所述优化框架以飞轮容量最小，功率最大，同时降低锂电池充放电功率的斜坡率为优化目标；具体步骤如下：
(1)采用希尔伯特-黄变换方法，通过设置分界频率，将混合储能系统总功率分解成低频和高频分量，分别分配给锂和飞轮；
(2)根据分界频率计算储能充放电功率
设时间序列长度为n，fm为分界频率，在f1和f2之间，若f1在t(1,...,n)时刻的瞬时频率高于fm，则PF(t)+c1(t)，若低于fm，则PB(t)+c1(t)；每个分量采用同样的计算方法，以确定锂电池和飞轮实时的充放电功率；
(3)构建优化框架，所述优化框架涉及额定功率、额定容量和最大斜坡率；
额定功率：假设混合储能系统在充放电模式下都有相同的效率，额定功率以充放电实时功率的最大值来计算：
PN＝max|P(t)| (1)
式中：PN为混合储能系统的额定功率，P(t)为混合储能系统t时刻的充放电功率；
额定容量：通过混合储能系统的充放电功率计算得到：
为避免过充过放，保留不可用容量，额定容量的计算方法如下：
式中：EN为混合储能系统的额定容量，E(t)为混合储能系统t时刻的剩余电量，SOCmax、SOCmin分别为混合储能系统SOC的上下限；本发明中锂电池SOC的上下限分别为0.8，0.2；飞轮SOC的上下限分别为0.9，0.1；
最大斜坡率：为混合储能系统功率曲线中两个连续点之间斜坡率的最大差值，计算方法如下：
式中：fs是数据的采样频率，R(t)是t时刻混合储能系统充放电功率的斜坡率；
(4)建立目标函数，该目标函数分别为最小化飞轮容量与锂电池容量的比率、锂电池功率与飞轮功率的比率、以及锂电池最大斜坡率与飞轮最大斜坡率的比率，即
式中：下标B为锂电池的特性，F为飞轮的特性，根据式(1)～(4)计算每个分界频率的混合储能系统额定容量、额定功率和最大斜坡率；系数c1-c3是加权系数，在最初的分析中，假设这些系数等于1。
(5)进行模型求解，在Matlab2022b中运用基本遗传算法采用浮点数编码进行容量优化的求解，得到每一条分界频率的最优容量优化结果，再对比不同分界频率的适应度，找到最优的分界频率。
本发明中，所述优化方法要满足能量守恒、充放电功率、剩余电量和充放电倍率的约束，具体如下：
能量守恒：
PPV(t)+PB(t)+PF(t)＝Pout(t) (6)
光伏输出功率PPV(t)，电池输出功率PB(t)和飞轮输出功率PF(t)之和应当与并网功率Pout(t)相一致；
储能充放电功率：
-PBN≤PB(t)≤PBN (7)
-PFN≤PF(t)≤PFN (8)
式中：PBN为锂电池的额定功率，PFN为飞轮的额定功率；锂电池和飞轮的输出功率应当不大于其额定功率；
储能剩余电量：
-EB,min≤EB(t)≤EB,max (9)
-EF,min≤EF(t)≤EF,max (10)
式中：EB,min、EB,max为锂电池剩余电量的上下限，EF,min、EF,max为飞轮剩余电量的上下限；锂电池和飞轮的剩余电量都应当在合理的范围内，锂电池过充过放会降低使用寿命；
储能充放电倍率约束：
式中：CB为锂电池的充放电倍率，CF为飞轮的充放电倍率。
本发明中，飞轮的使用减少了锂电池充放电模式变换的次数和充放电倍率，从而延长了锂电池的使用寿命。
本发明中，步骤(5)中，按照每一条分界频率得到的混合储能充放电功率，采用浮点数编码的基本遗传算法求解每一条分界频率的最优容量优化结果，再对比不同分界频率的适应度，找到最优的分界频率；在产生混合储能系统容量的初始种群的过程中，根据混合储能系统的充放电功率，逐步计算每个个体在初始电量下后续的实时电量。
本发明中，步骤(4)中，调整目标函数中的加权系数，以便给某一比例更多的优先权。
本发明引入优化框架基于以下前提：
1.由于锂电池的容量密度较高，增加飞轮的容量比增加锂电池的容量成本更高。
2.由于飞轮的功率密度较高，增加它的额定功率比锂电池要好，因为它所需的占地面积较小。
3.通过限制锂电池充放电功率的斜坡率来延长锂电池循环次数，飞轮作为功率型储能可以接受高斜坡率。
根据上述前提，以飞轮容量最小，功率最大，同时降低锂电池充放电功率的斜坡率为优化目标，与传统的经济模型相比优势在于不使用固定的成本系数，可以避免随储能技术发展导致的成本降低，不同制造商对应的储能成本也有所不同等因素，比传统的考虑综合成本最小的经济模型更具有实用性和复用性。
本发明中，基于希尔伯特-黄变换，通过设置分界频率，将混合储能总功率分解成低频和高频两种分量，分别分配给锂电池和飞轮储能。
本发明中，运用遗传算法采用浮点数编码进行容量优化求解。
本发明中，探讨了混合储能与单一储能的效果对比以及本发明与传统经济模型同条件下进行容量优化结果的对比。
本发明中，探讨了不同分界频率对锂电池和飞轮特性的影响。
本发明的有益效果在于，得到了最优分界频率，并且计算出了该分界频率下飞轮容量与锂电池容量的比率，锂电池功率与飞轮功率的比率，以及锂电池的最大斜率与飞轮的斜率的比率之和的最小值。有效降低了锂电池充放电功率的最大斜坡率，避免了过快的响应速度和较高的充放电倍率，从而延长了锂电池循环寿命。
附图说明
图1为一种功率型-能量型混合储能系统的框架。
图2为一种功率型-能量型混合储能系统功率分配策略流程图。
图3为本发明实施例中光伏发电和负荷用电曲线。
图4为本发明实施例中不平衡功率经验模态分解结果。
图5为本发明实施例中各本征模态函数经过希尔伯特变换后对应的瞬时频率-时间曲线。
图6为本发明实施例中锂电池-飞轮储能各自的充放电功率曲线。
图7-9分别为本发明实施例中锂电池的额定容量，额定功率，最大斜坡率与分界频率的关系曲线。
图10-12分别为本发明实施例中飞轮的额定容量，额定功率，最大斜坡率与分界频率的关系曲线。
具体实施方式
下面结合附图和具体实施例进一步说明本发明。
实施例1：结合图1所示，构建一种功率型-能量型混合储能系统框架，包括如下步骤：
(1)对不平衡功率x(t)进行希尔伯特-黄变换：
确定所有原始序列x(t)的局部极值，然后采用三次样条插值连接所有的局部极大值，形成上包络线。对局部极小值重复该过程以生成下包络线。上包络线和下包络线应覆盖它们之间的所有数据，它们的平均值为m1(t)。x(t)和m1(t)之间的差值为第一个分量h1(t)：
h1(t)＝x(t)-m1(t) (13)
若h1(t)尚不满足停止标准，则将h1(t)作为新的原始信号x(t)：
h11(t)＝h1(t)-m11(t) (14)
以上述步骤反复筛选后，直到h1k(t)满足停止标准：
h1k(t)＝h1(k-1)(t)-m1k(t) (15)
本发明筛选的停止标准是通过进行Cauchy收敛性检验来确定的，要求两个连续的筛选操作之间的归一化平方差要小。如果这个平方差SDk小于预定值，筛选过程将被停止：
筛选停止以后，c1(t)作为第一个IMF，理论上包含原始序列最高频的部分：
c1(t)＝h1k(t) (17)
将h1k(t)通过以下方式从原始序列x(t)中分解出来：
r1(t)＝x(t)-c1(t) (18)
由于残差r1(t)仍然包含较长周期的数据变化，所以它被视为新的原始序列，并重复上述相同的筛选过程：
r2(t)＝r1(t)-c2(t),...,rn(t)＝rn-1(t)-cn(t) (19)
分解过程可以通过以下任何一个预定的标准最终停止：1)分量cn(t)或残差rn(t)小于预定值。2)残差rn(t)为单调函数，从中不能再提取本征模态函数。
将分解出来的本征模态函数进行希尔伯特变换，得到瞬时频率-时间曲线。
(2)根据分界频率计算储能充放电功率。
假设时间序列长度为n，fm为分界频率，在f1和f2之间，以f1为例，若f1在t(1,...,n)时刻的瞬时频率高于fm，则PF(t)+c1(t)，若低于fm，则PB(t)+c1(t)。每个分量采用同样的计算方法，如此可以确定锂电池和飞轮实时的充放电功率。通过逐次计算，以1×10-5Hz为间隔，得到分界频率从0.1×10-3Hz至1.2×10-3Hz变化时每条分界频率相应的充放电功率曲线。
(3)构建以飞轮容量最小，功率最大，同时降低锂电池充放电功率的斜坡率为目标的容量优化模型。首先是确定目标函数，以下是各参数的计算方法：
额定功率：
假设混合储能系统在充放电模式下都有相同的效率，额定功率以充放电实时功率的最大值来计算：
PN＝max|P(t)| (1)
式中：PN为储能的额定功率，P(t)为储能t时刻的充放电功率。
额定容量：
额定容量通过储能的充放电功率来计算：
为了避免过充过放，保留了一定比例的不可用容量，额定容量的计算方法如下：
式中：EN为储能的额定容量，E(t)为储能t时刻的剩余电量，SOCmax、SOCmin为别为储能SOC的上下限，本发明中锂电池SOC的上下限分别为0.8，0.2；飞轮SOC的上下限分别为0.9，0.1。
最大斜坡率：
最大斜坡率为储能功率曲线中两个连续点之间斜坡率的最大差值，计算方法如下：
式中：fs是数据的采样频率，R(t)是t时刻储能充放电功率的斜坡率。
目标函数为最小化飞轮容量与锂电池容量的比率，锂电池功率与飞轮功率的比率，以及锂电池最大斜坡率与飞轮最大斜坡率的比率，即
式中：下标B为锂电池的特性，F为飞轮的特性，根据式(1)～(4)计算每个分界频率的混合储能额定容量，额定功率和最大斜坡率。系数c1-c3是加权系数，在最初的分析中，假设这些系数等于1。
确定好目标函数以后，在之后的求解过程中还需要考虑优化方法满足能量守恒、充放电功率、剩余电量和充放电倍率的约束，具体约束计算方法如下：
能量守恒的约束：
PPV(t)+PB(t)+PF(t)＝Pout(t) (6)
光伏输出功率PPV(t)，电池输出功率PB(t)和飞轮输出功率PF(t)之和应当与并网功率Pout(t)相一致；
储能充放电功率约束：
-PBN≤PB(t)≤PBN (7)
-PFN≤PF(t)≤PFN (8)
式中：PBN为锂电池的额定功率，PFN为飞轮的额定功率。锂电池和飞轮的输出功率应当不大于其额定功率。
储能剩余电量约束：
-EB,min≤EB(t)≤EB,max (9)
-EF,min≤EF(t)≤EF,max (10)
式中：EB,min、EB,max为锂电池剩余电量的上下限，EF,min、EF,max为飞轮剩余电量的上下限。锂电池和飞轮的剩余电量都应当在合理的范围内，锂电池过充过放会降低使用寿命。
储能充放电倍率约束：
式中：CB为锂电池的充放电倍率，CF为飞轮的充放电倍率。
(4)进行模型求解。在Matlab2022b中运用基本遗传算法采用浮点数编码进行容量优化的求解，得到每一条分界频率的最优容量优化结果，再对比不同分界频率的适应度，找到最优的分界频率，具体求解步骤如下：
(4.1)根据上述混合储能系统容量优化模型定义适应度函数，即需要优化的目标函数：最小化飞轮容量与电池容量的比率，电池功率与飞轮功率的比率，以及锂电池的最大斜坡率与飞轮的最大斜坡率的比率。
(4.2)对遗传算法的相关参数：种群数，即功率数据集的组数，染色体节点数，即每组功率数据集内个体实时功率的数量等进行初始化设置，产生混合储能系统容量的初始种群。
(4.3)根据混合储能的充放电功率，计算每个个体在初始电量下后续的实时电量，
(4.4)按照步骤(4.1)给定的目标函数，计算种群中每个个体的适应度。
(4.5)淘汰适应度最劣的染色体，即用适应度最优的染色体替换最劣的染色体。
(4.6)对经过替换选择出来的个体进行交叉和变异，生成新的个体并更新种群。
(4.7)如果达到预设的收敛条件，则停止优化。否则回到步骤(4.2)继续进行进化。
(4.8)选择适应度最高的个体并将其作为最优解，结束优化过程。
以下是遗传算法的初始化参数设置：
染色体节点数为192个，种群个体数为100个，最大迭代次数为200次，交叉概率取0.5，变异概率取0.05。
(5)通过实施例求解得到结论。以装机容量为45kW的光伏发电并网系统为实施例，负荷峰值为200kW，采样间隔为5min，某日8:00至16:00合计8小时的光伏发电和负荷用电曲线数据。得到了该系统的最优分界频率，并且计算出了该分界频率下飞轮容量与锂电池容量的比率，锂电池功率与飞轮功率的比率，以及锂电池的最大斜率与飞轮的斜率的比率之和的最小值。虽然本发明在年均综合成本上较传统经济模型有所增加，但是有效降低了锂电池充放电功率的最大斜坡率，避免了过快的响应速度和较高的充放电倍率，延长了锂电池循环寿命。
Claims (5)
1.一种功率型-能量型混合储能系统容量优化方法，其特征在于：确定优化框架以选择能量型与功率型混合储能系统的分界频率，所述优化框架以飞轮容量最小，功率最大，同时降低锂电池充放电功率的斜坡率为优化目标；具体步骤如下：
(1)采用希尔伯特-黄变换方法，通过设置分界频率，将混合储能系统总功率分解成低频和高频分量，分别分配给锂和飞轮；
(2)根据分界频率计算储能充放电功率
设时间序列长度为n，fm为分界频率，在f1和f2之间，若f1在t(1,...,n)时刻的瞬时频率高于fm，则PF(t)+c1(t)，若低于fm，则PB(t)+c1(t)；每个分量采用同样的计算方法，以确定锂电池和飞轮实时的充放电功率；
(3)构建优化框架，所述优化框架涉及额定功率、额定容量和最大斜坡率；
额定功率：假设混合储能系统在充放电模式下都有相同的效率，额定功率以充放电实时功率的最大值来计算：
PN＝max|P(t)| (1)
式中：PN为混合储能系统的额定功率，P(t)为混合储能系统t时刻的充放电功率；
额定容量：通过混合储能系统的充放电功率计算得到：
为避免过充过放，保留不可用容量，额定容量的计算方法如下：
式中：EN为混合储能系统的额定容量，E(t)为混合储能系统t时刻的剩余电量，SOCmax、SOCmin分别为混合储能系统SOC的上下限；
最大斜坡率：为混合储能系统功率曲线中两个连续点之间斜坡率的最大差值，计算方法如下：
式中：fs是数据的采样频率，R(t)是t时刻混合储能系统充放电功率的斜坡率；
(4)建立目标函数，该目标函数分别为最小化飞轮容量与锂电池容量的比率、锂电池功率与飞轮功率的比率、以及锂电池最大斜坡率与飞轮最大斜坡率的比率，即
式中：下标B为锂电池的特性，F为飞轮的特性，根据式(1)～(4)计算每个分界频率的混合储能系统额定容量、额定功率和最大斜坡率；系数c1-c3是加权系数，在最初的分析中，假设这些系数等于1；
(5)进行模型求解，在Matlab2022b中运用基本遗传算法采用浮点数编码进行容量优化的求解，得到每一条分界频率的最优容量优化结果，再对比不同分界频率的适应度，找到最优的分界频率。
2.根据权利要求1所述的一种功率型-能量型混合储能系统容量优化方法，其特征在于：所述优化方法要满足能量守恒、充放电功率、剩余电量和充放电倍率的约束，具体如下：
能量守恒：
PPV(t)+PB(t)+PF(t)＝Pout(t) (6)
光伏输出功率PPV(t)，电池输出功率PB(t)和飞轮输出功率PF(t)之和应当与并网功率Pout(t)相一致；
储能充放电功率：
-PBN≤PB(t)≤PBN (7)
-PFN≤PF(t)≤PFN (8)
式中：PBN为锂电池的额定功率，PFN为飞轮的额定功率；锂电池和飞轮的输出功率应当不大于其额定功率；
储能剩余电量：
-EB,min≤EB(t)≤EB,max (9)
-EF,min≤EF(t)≤EF,max (10)
式中：EB,min、EB,max为锂电池剩余电量的上下限，EF,min、EF,max为飞轮剩余电量的上下限；锂电池和飞轮的剩余电量都应当在合理的范围内，锂电池过充过放会降低使用寿命；
储能充放电倍率约束：
式中：CB为锂电池的充放电倍率，CF为飞轮的充放电倍率。
3.根据权利要求1所述的一种能量型与功率型混合储能系统容量优化方法，其特征在于：飞轮的使用减少了锂电池充放电模式变换的次数和充放电倍率，从而延长了锂电池的使用寿命。
4.根据权利要求1所述的一种功率型-能量型混合储能系统容量优化方法，其特征在于：步骤(5)中，按照每一条分界频率得到的混合储能充放电功率，采用浮点数编码的基本遗传算法求解每一条分界频率的最优容量优化结果，再对比不同分界频率的适应度，找到最优的分界频率；在产生混合储能系统容量的初始种群的过程中，根据混合储能系统的充放电功率，逐步计算每个个体在初始电量下后续的实时电量。
5.根据权利要求1所述的一种功率型-能量型混合储能系统容量优化方法，其特征在于：步骤(4)中，调整目标函数中的加权系数，以便给某一比例更多的优先权。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310884105.7A CN116885761A (zh) | 2023-07-19 | 2023-07-19 | 一种功率型-能量型混合储能系统容量优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310884105.7A CN116885761A (zh) | 2023-07-19 | 2023-07-19 | 一种功率型-能量型混合储能系统容量优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116885761A true CN116885761A (zh) | 2023-10-13 |
Family
ID=88269495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310884105.7A Pending CN116885761A (zh) | 2023-07-19 | 2023-07-19 | 一种功率型-能量型混合储能系统容量优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116885761A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117913957A (zh) * | 2024-03-19 | 2024-04-19 | 上海采日能源科技有限公司 | 混合储能系统电池充放电控制方法、装置及电子设备 |
-
2023
- 2023-07-19 CN CN202310884105.7A patent/CN116885761A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117913957A (zh) * | 2024-03-19 | 2024-04-19 | 上海采日能源科技有限公司 | 混合储能系统电池充放电控制方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107634518B (zh) | 一种“源-网-荷”相协调的主动配电网经济调度方法 | |
| CN110429693B (zh) | 一种基于电池组一致性的储能电池组功率控制方法 | |
| CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
| CN107134789B (zh) | 基于拓展qv节点的光储最优潮流控制方法 | |
| CN112651634A (zh) | 基于序列运算的有源配电系统源网荷储日前有功调度方法 | |
| CN116885761A (zh) | 一种功率型-能量型混合储能系统容量优化方法 | |
| CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
| CN105680478A (zh) | 基于超短期预测的储能系统平滑新能源发电控制方法 | |
| 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 | |
| Vivas et al. | Battery-based storage systems in high voltage-DC bus microgrids. A real-time charging algorithm to improve the microgrid performance | |
| CN113555899A (zh) | 一种风光储发电系统协调控制方法 | |
| CN114050609B (zh) | 一种高比例新能源电力系统自适应鲁棒日前优化调度方法 | |
| CN116307021A (zh) | 一种新能源制氢系统的多目标能量管理方法 | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
| CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
| CN116613725A (zh) | 一种光伏电站直流制氢优化配置方法 | |
| CN109617183A (zh) | 一种多电池系统的智能供电方法 | |
| CN115841216A (zh) | 计及分布式光伏消纳率的配电网储能优化配置方法 | |
| CN115411770A (zh) | 一种可再生能源系统的能量管理方法 | |
| Gaetani-Liseo et al. | Identification of ESS Degradations Related to their Uses in Micro-Grids: application to a building lighting network with VRLA batteries | |
| CN113746120A (zh) | 基于ga的储能系统优化配置方法 | |
| CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
| CN110932301B (zh) | 一种基于电池储能参与的提高风电接纳能力方法 | |
| CN113555901A (zh) | 基于改进s型函数粒子群优化算法的混合储能容量优化方法 | |
| CN113011718A (zh) | 基于和声搜索算法的配电网有功-无功联合优化调度方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |