CN117674198B - 一种超级电容耦合锂电池的调频方法和系统 - Google Patents
一种超级电容耦合锂电池的调频方法和系统 Download PDFInfo
- Publication number
- CN117674198B CN117674198B CN202410140890.XA CN202410140890A CN117674198B CN 117674198 B CN117674198 B CN 117674198B CN 202410140890 A CN202410140890 A CN 202410140890A CN 117674198 B CN117674198 B CN 117674198B
- Authority
- CN
- China
- Prior art keywords
- decomposition layer
- frequency component
- layer number
- rating index
- frequency
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 45
- 239000003990 capacitor Substances 0.000 title claims abstract description 42
- 230000008878 coupling Effects 0.000 title claims description 4
- 238000010168 coupling process Methods 0.000 title claims description 4
- 238000005859 coupling reaction Methods 0.000 title claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 79
- 238000004146 energy storage Methods 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 91
- 238000005457 optimization Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004134 energy conservation Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 239000002131 composite material Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000013598 vector Substances 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及电网调频技术领域，尤其提出一种超级电容耦合锂电池的调频方法和系统，其中，方法包括基于接收的调频指令确定混合储能响应需求；通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，综合评级指标基于多种指标得到；基于目标数量的模态分量划分得到高频分量和低频分量；控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。利用本申请的方法能够优化混合储能装置的功率分配的结果。
Description
技术领域
本申请涉及电网调频技术领域，尤其涉及一种超级电容耦合锂电池的调频方法和系统。
背景技术
对火电机组而言，长期调频会导致机组煤耗增加、可靠性降低、运行寿命减少。另一方面，优质高效调频电源稀缺，目前仍以燃煤火电机组为主要调频电源，加之大规模新能源并网需求，环保压力制约机组调节能力，供热机组“以热定电”等问题，使电力调频需求进一步增长。但是，目前火电厂配套辅助调频储能装备的性能无法满足机组本身的效率及可靠性要求且混合储能装置的功率分配不太理想，影响电网补贴收益的获得，使得经济效益较低。
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超级电容耦合锂电池的调频方法，以优化混合储能装置的功率分配的结果。
本申请的第二个目的在于提出一种超级电容耦合锂电池的调频系统。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本申请第一方面实施例提出了一种超级电容耦合锂电池的调频方法，火电厂配置的混合储能装置包括锂电池和超级电容器，调频方法包括以下步骤：
基于接收的调频指令确定混合储能响应需求；
通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，所述综合评级指标基于多种指标得到；
基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应。
在本申请的第一方面的方法中，所述多种指标包括能量保有度、样本熵和改进余弦相似度得到。
在本申请的第一方面的方法中，所述综合评级指标满足：，其中Z为综合评级指标，K为模态分量的数量，Ers为能量保有度，sampEn为样本熵函数，IMFi为第i个模态分量，q表示嵌入维度；r表示相似性容限，/>表示改进余弦相似度。
在本申请的第一方面的方法中，传统VMD算法的参数包括惩罚因子和分解层数，所述利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，包括：设置惩罚因子的第一范围和第一步长、分解层数的第二范围和第二步长；基于所述第一范围和第二范围分别确认惩罚因子初始值、惩罚因子终值、分解层数初始值和分解层数终值；令分解层数为分解层数初始值，自惩罚因子初始值起按第一步长更新惩罚因子以得到不同惩罚因子对应的第一综合评级指标集，当惩罚因子更新至惩罚因子终值时，按第二步长更新分解层数以得到不同分解层数对应的第二综合评级指标集，其中第一综合评级指标集和第二综合评级指标集的最大综合评级指标对应的惩罚因子为惩罚因子优化值、对应的分解层数为分解层数优化值。
在本申请的第一方面的方法中，所述利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，还包括：基于所述惩罚因子优化值获得第三范围和第三步长，基于所述第三范围确认惩罚因子优化值上限；令分解层数为分解层数优化值，自惩罚因子优化值上限起按第三步长更新惩罚因子以得到不同惩罚因子对应的分解后的每个模态分量的频率中心，若模态分量的幅值和频率值满足要求，则获得惩罚因子最优值。
在本申请的第一方面的方法中，所述目标数量为所述分解层数优化值， 所述基于所述目标数量的模态分量划分得到高频分量和低频分量，包括：将所述目标数量的一半进行取整得到滤波阶数；基于所述滤波阶数对所述目标数量的模态分量进行高低频重构，其中小于等于所述滤波阶数的模态分量之和为高频分量，大于所述滤波阶数的模态分量之和为低频分量。
为达上述目的，本申请第二方面实施例提出了一种超级电容耦合锂电池的调频系统，火电厂配置的混合储能装置包括锂电池和超级电容器，调频系统包括：
确定模块，用于基于接收的调频指令确定混合储能响应需求；
分解模块，用于通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，所述综合评级指标基于多种指标得到；
划分模块，用于基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制模块，用于控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应。
在本申请的第二方面的系统中，所述分解模块中，所述多种指标包括能量保有度、样本熵和改进余弦相似度得到。
为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现本申请第一方面提出的方法。
为达上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请第一方面提出的方法。
本申请提供的超级电容耦合锂电池的调频方法、系统、电子设备及存储介质，火电厂配置的混合储能装置包括锂电池和超级电容器，调频方法包括以下步骤：基于接收的调频指令确定混合储能响应需求；通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，综合评级指标基于多种指标得到；基于目标数量的模态分量划分得到高频分量和低频分量；控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。在这种情况下，基于多种指标得到综合评级指标，利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，再利用改进的VMD算法将混合储能响应需求进行分解进行得到高频分量和低频分量，避免了像现有的VMD算法那样依据经验给定参数，从而能够更加准确地得到模态分量的数量，进而更好地划分高频分量和低频分量，实现了对混合储能装置的功率分配的结果的优化。
本申请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，或通过本申请的实践了解到。
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为本申请实施例所提供的火电厂与电网连接示意图；
图2为本申请实施例所提供的一种超级电容耦合锂电池的调频方法的流程示意图；
图3为本申请实施例所提供的VMD算法的参数改进过程的具体流程示意图；
图4为本申请实施例所提供的调频指令的曲线图；
图5为本申请实施例所提供的一种超级电容耦合锂电池的调频系统的框图。
具体实施方式
下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的超级电容耦合锂电池的调频方法和系统。
目前对火电机组而言，长期调频会导致机组煤耗增加、可靠性降低、运行寿命减少。另一方面，优质高效调频电源稀缺，目前仍以燃煤火电机组为主要调频电源，加之大规模新能源并网需求，环保压力制约机组调节能力，供热机组“以热定电”等问题，使电力调频需求进一步增长。但是，目前火电厂配套辅助调频储能装备的性能无法满足机组本身的效率及可靠性要求且混合储能装置的功率分配不太理想，影响电网补贴收益的获得，使得经济效益较低。基于此，本申请实施例提供了超级电容耦合锂电池的调频方法，以优化混合储能装置的功率分配的结果。
在本申请中，火电厂配置的混合储能装置包括锂电池和超级电容器，混合储能装置协助火电机组参与调频。
图1为本申请实施例所提供的火电厂与电网连接示意图。如图1所示，火电机组G经母线与电网连接，锂电池和超级电容器分别经第一变流器、第二变流器与母线连接后连接至电网。在电网下发调频指令时，调频指令携带有负荷响应需求PT，火电厂在接收到调频指令后，火电机组G以火电机组负荷PG进行响应，剩余的由混合储能装置响应，即混合储能装置以PJ(PT-PG= PJ)的储能出力进行响应，其中锂电池以电池功率PL进行响应，超级电容器以超容功率PC进行响应。利用本申请的电力系统调频方法能够更加准确地确定混合储能装置中电池功率PL和超容功率PC的值。
图2为本申请实施例所提供的一种超级电容耦合锂电池的调频方法的流程示意图。如图2所示，该超级电容耦合锂电池的调频方法包括以下步骤：
步骤S101，基于接收的调频指令确定混合储能响应需求。
具体地，在步骤S101中，由于调频指令携带有负荷响应需求PT，故基于接收的调频指令可以获得负荷响应需求PT，获取火电厂在接收到调频指令后的火电机组负荷PG，计算负荷响应需求PT与火电机组负荷PG的差值得到混合储能响应需求PJ（也称储能出力），即PT-PG=PJ。
步骤S102，通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，综合评级指标基于多种指标得到。
具体地，在步骤S102中，首先介绍传统的变分模态分解(variational modedecomposition，VMD)算法。
易于理解地，传统的VMD算法是一种完全非递归的模态变分方法，将原始信号f(t)分解为具有一定稀疏性质的多个模态分量uk，模态分量uk的带宽的计算公式为式（1）：
（1）
式中，u k为第k个模态分量（也可以用符号u k（t）表示），k取1、2、…、K，K为分解层数；ω k为第k个模态分量的频率中心，为函数对时间t求的偏导，/>为狄拉克分布，j为虚数单位，*为卷积运算。引入惩罚因子α和拉格朗日（Lagrange）算子λ，基于式（1）得到式（2）：
（2）
运用交替方向乘子法((Alternating Direction Method of Multipliers,ADMM)和运用傅里叶变换，在n+1次循环后可得：
式中为算法的第n+1次循环时第k个模态分量的维纳滤波，/>为算法的第n+1次循环时第k个模态分量的频率中心，/>为原始信号f(t)的频域表现形式、/>为傅里叶变换、/>为频率，/>为算法的第1次循环时第k个模态分量的维纳滤波，/>为算法的第1次循环时第i个模态分量的维纳滤波。
传统VMD算法的参数包括惩罚因子和分解层数等多种参数，其中对于传统的VMD算法而言，分解层数（即模态分量的数量）K和惩罚因子α对分解结果的影响最大，故在步骤S102中，利用综合评级指标优化传统VMD算法的参数即分解层数K和惩罚因子α得到改进的VMD算法，以便后续利用改进的VMD算法对混合储能响应需求进行分解时得到更加准确的分解结果。
在步骤S102中，综合评级指标基于多种指标得到。多种指标包括能量保有度、样本熵和改进余弦相似度得到。
能量保有度满足：
式中，u(i)为原始信号f(t)（即混合储能响应需求），则E为信号能量值，当u(i)取第i个IMF时可以得到第i个IMF的能量值Ei，N表示信号长度，Ers表示能量保有度，Es是原始信号的能量值，能量保有度Ers越高，则分解过程中的损失越小，分解的程度越好。
样本熵是对数据是否有规律而进行量化描述的度量参数，能很好地反映各IMF的频率特征，熵值越小，IMF频率特征越明显，模态混叠现象越减弱；
原始信号的样本熵满足：
式中，sampEn为样本熵函数；q表示嵌入维度；r表示相似性容限；B表示两个向量在相似容限r下匹配q或q+1个实数的概率。
传统的余弦相似度可表征各分量和原始信号的相似程度，余弦相似度值越接近1，则分量越接近原始信号。因为调频信号原始信号与子序列非关联性较强如果采用传统的计算公式，不同子序列之间计算出来的值较为接近，使得对综合评价指标影响不明显，因此，本申请提出改进的余弦相似度“放大”不同子序列计算后的结果。改进余弦相似度满足：
式中，表示第 i 个模态分量的改进余弦相似度，N表示信号长度，Xn0表示第i个子序列中第n0个值，Yn0表示原始序列中对应的第n0个值。
综合评级指标满足：，其中Z为综合评级指标，K为模态分量的数量，Ers为能量保有度，sampEn为第i个模态分量的样本熵函数，IMFi为第i个模态分量，q表示嵌入维度；r表示相似性容限，/>表示改进余弦相似度。
在步骤S102中，利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，包括：设置惩罚因子的第一范围和第一步长、分解层数的第二范围和第二步长；基于第一范围和第二范围分别确认惩罚因子初始值、惩罚因子终值、分解层数初始值和分解层数终值；令分解层数为分解层数初始值，自惩罚因子初始值起按第一步长更新惩罚因子以得到不同惩罚因子对应的第一综合评级指标集，当惩罚因子更新至惩罚因子终值时，按第二步长更新分解层数以得到不同分解层数对应的第二综合评级指标集，其中第一综合评级指标集和第二综合评级指标集的最大综合评级指标对应的惩罚因子为惩罚因子优化值α’、对应的分解层数为分解层数优化值K’。
在步骤S102中，利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，还包括：基于惩罚因子优化值获得第三范围和第三步长，基于第三范围确认惩罚因子优化值上限；令分解层数为分解层数优化值，自惩罚因子优化值上限起按第三步长更新惩罚因子以得到不同惩罚因子对应的分解后的每个模态分量的频率中心，若模态分量的幅值和频率值满足要求，则获得惩罚因子最优值。
以惩罚因子α的第一范围为[100,3000]和第一步长为100，分解层数K的第二范围为[2，30]，第二步长为1，惩罚因子α的第三范围为[α’-10，α’+10]，第三步长为1为例，图3为本申请实施例所提供的VMD算法的参数改进过程的具体流程示意图。
如图3所示，VMD算法的参数改进过程包括：
输入原始信号（即输入混合储能响应需求），基于第一范围的下限设置惩罚因子α的初始值为100，基于第二范围的下限设置分解层数K的初始值为2，对原始信号进行变分模态分解，计算当前对应K和α下所得的综合评级指标Z，按第一步长100更新惩罚因子α直到α=3000，以得到分解层数K为2时不同惩罚因子对应的第一综合评级指标集，当α=3000时按第二步长1更新K（K=K+1），再重复进行迭代，直到K=30为止然后结束，以得到α=3000时不同分解层数K对应的第二综合评级指标集，从第一综合评级指标集和第二综合评级指标集输出对应最大的综合评级指标Z值对应的分解层数优化值K’， 惩罚因子优化值α’，此时值都是最优的。变分模态分解的参数便初步确定了下来。
在分解层数优化值K’， 惩罚因子优化值α’的情况下，设置惩罚因子优化值上限α’为惩罚因子微调初始值，在分解层数优化值K’、 惩罚因子微调初始值α’-10下对原始信号进行分解，得到每个模态分量的中心频率（得到模态中心频率的方法很多，比如MATLAB实现），然后从[α’-10，α’+10]按照步长为1不断迭代α’的值，观察中心频率的变化，当相邻模态中心频率彼此远离时（即将分解后各模态的数据导出，绘制幅值-频率图，在频率幅值图中包括每个模态的幅值-频率，中心频率是指每个模态频率范围中间值的-10%-+10%对应的幅值，每改变一次α’，绘制一幅图，在迭代范围内每两个模态分量的幅值最大值对应的频率值的差之和的最大值），此时的惩罚因子优化值α’即为惩罚因子最优值α’’， 当α’更加至α’+10，输出各模态中心频率最优情况下的惩罚因子即（惩罚因子最优值α’’）。分解层数优化值K’和惩罚因子最优值α’’即为最终用于改进传统VMD算法的分解层数和惩罚因子。
在步骤S102中，将分解层数优化值和惩罚因子最优值作为传统VMD算法中分解层数和惩罚因子的值，从而得到了改进的VMD算法，然后通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量(Intrinsic Mode Function,IMF)。其中目标数量即为分解层数优化值。
步骤S103，基于目标数量的模态分量划分得到高频分量和低频分量。
根据锂电池与超级电容平抑功率波动特点，在步骤S103中，基于目标数量的模态分量划分得到高频分量和低频分量，包括：将目标数量的一半进行取整得到滤波阶数；基于滤波阶数对目标数量的模态分量进行高低频重构，其中小于等于滤波阶数的模态分量之和为高频分量，大于滤波阶数的模态分量之和为低频分量。
步骤S104，控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。
考虑到在混合储能系统中，超级电容属于功率型储能装置，能量密度低但功率密度大，且循环次数多，适合补偿电网调度功率与机组功率之间的差值高频波动分量；而电池属于能量型储能装置，功率密度低但能量密度大，适合补偿电网调度功率与机组功率之间的差值的低频分量。因此在步骤S104中，高频分量由超级电容器平抑，即超容功率PC等于高频分量，低频分量由锂电池平抑，即电池功率PL等于低频分量，进而控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应，然后结合火电机组负荷PG即可实现对调频指令的准确响应。
为了验证本申请的方法的效果，进行试验验证。
图4为本申请实施例所提供的调频指令的曲线图。验证时采用如图4所示某地区电网调频指令信号进行仿真分析，其中如图4所示该信号（即调频指令）的时长为80min。令采样间隔为1min。调频指令对应的负荷响应需求PT在±0.4标幺（P.u.）左右。
为了进一步验证本申请的方法的优势，本申请分别采用本申请的算法（迭代计算可得到最优参数组合[K，α]=[7,1850]）和依据经验参数选择的VMD（[K，α]=[6,2500]）（即经验给定VMD）以及采用智能算法优化K和α值的WOA（whale optimization algorithm，鲸鱼优化算法）-VMD（[K，α]=[7,800]）对调频指令进行分解，相邻模态的混叠程度如下表1所示。
表1 采用本申请的方法和随机参数选择的VMD算法的分解结果表
从表1中可看出，从表中可看出，本申请提出的算法不同IMF的频率区分特征最明显，因此参数优化的VMD相对于VMD而言，能更好地通过区分高低频分量的方式完成功率的合理分配。
为了实现上述实施例，本申请还提出一种超级电容耦合锂电池的调频系统，火电厂配置的混合储能装置包括锂电池和超级电容器。
图5为本申请实施例所提供的一种超级电容耦合锂电池的调频系统的框图。
如图5所示，该超级电容耦合锂电池的调频系统包括确定模块11、分解模块12、划分模块13和控制模块14，其中：
确定模块11，用于基于接收的调频指令确定混合储能响应需求；
分解模块12，用于通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，综合评级指标基于多种指标得到；
划分模块13，用于基于目标数量的模态分量划分得到高频分量和低频分量；
控制模块14，用于控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。
进一步地，在本申请实施例的一种可能的实现方式中，分解模块12中，多种指标包括能量保有度、样本熵和改进余弦相似度得到。
进一步地，在本申请实施例的一种可能的实现方式中，分解模块12中，综合评级指标满足：，其中Z为综合评级指标，K为模态分量的数量，Ers为能量保有度，sampEn为样本熵函数，IMFi为第i个模态分量，q表示嵌入维度；r表示相似性容限，/>表示改进余弦相似度。
进一步地，在本申请实施例的一种可能的实现方式中，分解模块12中，传统VMD算法的参数包括惩罚因子和分解层数，利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，包括：设置惩罚因子的第一范围和第一步长、分解层数的第二范围和第二步长；基于第一范围和第二范围分别确认惩罚因子初始值、惩罚因子终值、分解层数初始值和分解层数终值；令分解层数为分解层数初始值，自惩罚因子初始值起按第一步长更新惩罚因子以得到不同惩罚因子对应的第一综合评级指标集，当惩罚因子更新至惩罚因子终值时，按第二步长更新分解层数以得到不同分解层数对应的第二综合评级指标集，其中第一综合评级指标集和第二综合评级指标集的最大综合评级指标对应的惩罚因子为惩罚因子优化值、对应的分解层数为分解层数优化值。
进一步地，在本申请实施例的一种可能的实现方式中，分解模块12中，传统VMD算法的参数包括惩罚因子和分解层数，利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，还包括：基于惩罚因子优化值获得第三范围和第三步长，基于第三范围确认惩罚因子优化值上限；令分解层数为分解层数优化值，自惩罚因子优化值上限起按第三步长更新惩罚因子以得到不同惩罚因子对应的分解后的每个模态分量的频率中心，若模态分量的幅值和频率值满足要求，则获得惩罚因子最优值。
进一步地，在本申请实施例的一种可能的实现方式中，划分模块13，具体用于将目标数量的一半进行取整得到滤波阶数；基于滤波阶数对目标数量的模态分量进行高低频重构，其中小于等于滤波阶数的模态分量之和为高频分量，大于滤波阶数的模态分量之和为低频分量。
需要说明的是，前述对超级电容耦合锂电池的调频方法实施例的解释说明也适用于该实施例的超级电容耦合锂电池的调频系统，此处不再赘述。
本申请实施例中，火电厂配置的混合储能装置包括锂电池和超级电容器，调频方法包括以下步骤：基于接收的调频指令确定混合储能响应需求；通过改进的VMD算法将混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，综合评级指标基于多种指标得到；基于目标数量的模态分量划分得到高频分量和低频分量；控制超级电容器按照高频分量进行响应并控制锂电池按照低频分量进行响应。在这种情况下，基于多种指标得到综合评级指标，利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，再利用改进的VMD算法将混合储能响应需求进行分解进行得到高频分量和低频分量，避免了像现有的VMD算法那样依据经验给定参数，从而能够更加准确地得到模态分量的数量，进而更好地划分高频分量和低频分量，实现了对混合储能装置的功率分配的结果的优化。本申请的方法中VMD算法的参数有理论依据，降低了分解结果模态混叠的可能性，从而降低了对功率的分配结果的影响、经济成本小、运行时间短、具有良好的经济性。
为了实现上述实施例，本申请还提出一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现执行前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现前述实施例所提供的方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述实施例所提供的方法。
在前述各实施例描述中，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 (6)
1.一种超级电容耦合锂电池的调频方法，其特征在于，火电厂配置的混合储能装置包括锂电池和超级电容器，调频方法包括以下步骤：
基于接收的调频指令确定混合储能响应需求；
通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，所述综合评级指标基于多种指标得到；
基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应；
其中，传统VMD算法的参数包括惩罚因子和分解层数，所述利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，包括：
设置惩罚因子的第一范围和第一步长、分解层数的第二范围和第二步长；基于所述第一范围和第二范围分别确认惩罚因子初始值、惩罚因子终值、分解层数初始值和分解层数终值；
令分解层数为分解层数初始值，自惩罚因子初始值起按第一步长更新惩罚因子以得到不同惩罚因子对应的第一综合评级指标集，当惩罚因子更新至惩罚因子终值时，按第二步长更新分解层数以得到不同分解层数对应的第二综合评级指标集，其中第一综合评级指标集和第二综合评级指标集的最大综合评级指标对应的惩罚因子为惩罚因子优化值、对应的分解层数为分解层数优化值
所述多种指标包括能量保有度、样本熵和改进余弦相似度；
所述综合评级指标满足：，其中Z为综合评级指标，K为模态分量的数量，Ers为能量保有度，sampEn为样本熵函数，IMFi为第i个模态分量，q表示嵌入维度；r表示相似性容限，/>表示改进余弦相似度。
2.根据权利要求1所述的超级电容耦合锂电池的调频方法，其特征在于，所述利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，还包括：
基于所述惩罚因子优化值获得第三范围和第三步长，基于所述第三范围确认惩罚因子优化值上限；
令分解层数为分解层数优化值，自惩罚因子优化值上限起按第三步长更新惩罚因子以得到不同惩罚因子对应的分解后的每个模态分量的频率中心，
若模态分量的幅值和频率值满足要求，则获得惩罚因子最优值。
3.根据权利要求1所述的超级电容耦合锂电池的调频方法，其特征在于，所述目标数量为所述分解层数优化值， 所述基于所述目标数量的模态分量划分得到高频分量和低频分量，包括：
将所述目标数量的一半进行取整得到滤波阶数；
基于所述滤波阶数对所述目标数量的模态分量进行高低频重构，其中小于等于所述滤波阶数的模态分量之和为高频分量，大于所述滤波阶数的模态分量之和为低频分量。
4.一种超级电容耦合锂电池的调频系统，其特征在于，火电厂配置的混合储能装置包括锂电池和超级电容器，调频系统包括：
确定模块，用于基于接收的调频指令确定混合储能响应需求；
分解模块，用于通过改进的VMD算法将所述混合储能响应需求进行分解得到目标数量的模态分量，其中利用综合评级指标优化传统VMD算法的参数得到改进的VMD算法，所述综合评级指标基于多种指标得到；
划分模块，用于基于所述目标数量的模态分量划分得到高频分量和低频分量；
控制模块，用于控制所述超级电容器按照所述高频分量进行响应并控制所述锂电池按照所述低频分量进行响应；
所述分解模块，还用于设置惩罚因子的第一范围和第一步长、分解层数的第二范围和第二步长；基于所述第一范围和第二范围分别确认惩罚因子初始值、惩罚因子终值、分解层数初始值和分解层数终值；
令分解层数为分解层数初始值，自惩罚因子初始值起按第一步长更新惩罚因子以得到不同惩罚因子对应的第一综合评级指标集，当惩罚因子更新至惩罚因子终值时，按第二步长更新分解层数以得到不同分解层数对应的第二综合评级指标集，其中第一综合评级指标集和第二综合评级指标集的最大综合评级指标对应的惩罚因子为惩罚因子优化值、对应的分解层数为分解层数优化值，其中，传统VMD算法的参数包括惩罚因子和分解层数；
所述分解模块中，所述多种指标包括能量保有度、样本熵和改进余弦相似度；
所述综合评级指标满足：，其中Z为综合评级指标，K为模态分量的数量，Ers为能量保有度，sampEn为样本熵函数，IMFi为第i个模态分量，q表示嵌入维度；r表示相似性容限，/>表示改进余弦相似度。
5.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-3中任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410140890.XA CN117674198B (zh) | 2024-02-01 | 2024-02-01 | 一种超级电容耦合锂电池的调频方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410140890.XA CN117674198B (zh) | 2024-02-01 | 2024-02-01 | 一种超级电容耦合锂电池的调频方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117674198A CN117674198A (zh) | 2024-03-08 |
| CN117674198B true CN117674198B (zh) | 2024-04-26 |
Family
ID=90066455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410140890.XA Active CN117674198B (zh) | 2024-02-01 | 2024-02-01 | 一种超级电容耦合锂电池的调频方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117674198B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117878971B (zh) * | 2024-03-12 | 2024-06-11 | 西安热工研究院有限公司 | 一种熔盐储能耦合火电机组的调频方法和系统 |
| CN117878974B (zh) * | 2024-03-13 | 2024-06-11 | 西安热工研究院有限公司 | 基于误差反馈的熔盐储能耦合火电机组的调频方法及系统 |
| CN117878973B (zh) * | 2024-03-13 | 2024-06-11 | 西安热工研究院有限公司 | 一种熔盐耦合火电机组的调频方法和系统 |
| CN118157159B (zh) * | 2024-03-25 | 2024-08-30 | 济宁华源热电有限公司 | 一种熔盐储能耦合火电机组的调频方法和系统 |
| CN117977634B (zh) * | 2024-03-27 | 2024-06-07 | 西安热工研究院有限公司 | 一种基于双分解的熔盐耦合火电机组的调频方法和系统 |
| CN117977637B (zh) * | 2024-03-28 | 2024-06-11 | 西安热工研究院有限公司 | 一种熔盐耦合火电机组的调频方法和系统 |
| CN117977636B (zh) * | 2024-03-28 | 2024-06-11 | 西安热工研究院有限公司 | 一种基于样本熵的熔盐耦合火电机组的调频方法和系统 |
| CN117996789B (zh) * | 2024-04-07 | 2024-06-11 | 西安热工研究院有限公司 | 基于双向预测反馈调节的熔盐耦合火电机组的调频方法 |
| CN118330470B (zh) * | 2024-06-12 | 2024-10-18 | 西安热工研究院有限公司 | 考虑寿命周期的超级电容耦合锂电池储能容量分配方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
| CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
| CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
| CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
| CN114597926A (zh) * | 2022-03-14 | 2022-06-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种微电网混合储能优化配置方法及装置 |
| CN114626193A (zh) * | 2021-12-30 | 2022-06-14 | 南昌大学 | 一种基于改进变分模态分解的泄流结构振动信号降噪方法 |
| CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
| CN115169232A (zh) * | 2022-07-11 | 2022-10-11 | 山东科技大学 | 一种日高峰负荷预测方法、计算机设备以及可读存储介质 |
| CN115494341A (zh) * | 2022-09-16 | 2022-12-20 | 山东科技大学 | 基于ielm-vmd算法的配电网故障测距方法及系统 |
| CN117081128A (zh) * | 2023-08-25 | 2023-11-17 | 贵州大学 | 基于变分模态分解的微电网混合储能容量优化配置方法 |
-
2024
- 2024-02-01 CN CN202410140890.XA patent/CN117674198B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106092574A (zh) * | 2016-05-30 | 2016-11-09 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
| CN109583621A (zh) * | 2018-10-12 | 2019-04-05 | 中国农业大学 | 一种基于改进变分模态分解的pso-lssvm短期负荷预测方法 |
| CN109580222A (zh) * | 2018-12-04 | 2019-04-05 | 河北科技大学 | 基于变分模态分解-传递熵的轴承退化状态识别预测方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
| CN114077847A (zh) * | 2021-10-27 | 2022-02-22 | 河北建投能源投资股份有限公司 | 一种变工况滚动轴承故障诊断方法、系统、设备及介质 |
| CN114626193A (zh) * | 2021-12-30 | 2022-06-14 | 南昌大学 | 一种基于改进变分模态分解的泄流结构振动信号降噪方法 |
| CN114597926A (zh) * | 2022-03-14 | 2022-06-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种微电网混合储能优化配置方法及装置 |
| CN114894468A (zh) * | 2022-04-07 | 2022-08-12 | 大连理工大学 | 一种基于混沌检测的行星齿轮箱早期微弱故障诊断方法 |
| CN115169232A (zh) * | 2022-07-11 | 2022-10-11 | 山东科技大学 | 一种日高峰负荷预测方法、计算机设备以及可读存储介质 |
| CN115494341A (zh) * | 2022-09-16 | 2022-12-20 | 山东科技大学 | 基于ielm-vmd算法的配电网故障测距方法及系统 |
| CN117081128A (zh) * | 2023-08-25 | 2023-11-17 | 贵州大学 | 基于变分模态分解的微电网混合储能容量优化配置方法 |
Non-Patent Citations (3)
| Title |
|---|
| Hybrid Energy Storage Capacity Configuration of the Isolated DC Microgrid Based on Improved VMD and Decomposition Domain;Mingting Zhou et al.;《 2023 IEEE PELS Students and Young Professionals Symposium (SYPS)》;20231003;第1-6页 * |
| 基于变分模态分解和改进鲸鱼算法优化的 模糊神经网络风速预测模型;李志鹏 等;《电力与能源》;20190630;第40卷(第3期);第275-279页 * |
| 基于变分模态分解的储能辅助传统机组调频的容量优化配置;李卫国 等;《电力系统保护与控制》;20200316;第48卷(第06期);第43-52页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117674198A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117674198B (zh) | 一种超级电容耦合锂电池的调频方法和系统 | |
| CN117674199B (zh) | 一种超级电容耦合锂电池的电力系统调频方法和系统 | |
| CN117691631B (zh) | 一种基于混合储能装置的电力调频方法和系统 | |
| CN117691630B (zh) | 一种基于vmd-ceemd的电力系统调频方法和系统 | |
| CN117691629B (zh) | 一种熔盐耦合火电机组的调频方法和系统 | |
| CN117713144B (zh) | 一种基于熔盐储能的火电机组的调频方法和系统 | |
| CN117811023B (zh) | 一种熔盐储能耦合火电机组的调频方法和系统 | |
| CN114330461B (zh) | 用于非侵入负荷识别的v-i轨迹生成方法、装置及神经网络 | |
| CN117996787B (zh) | 一种基于双向预测的熔盐耦合火电机组的调频方法 | |
| CN115378017A (zh) | 基于飞轮锂电池混合储能系统的火电机组调频方法及装置 | |
| CN118157159B (zh) | 一种熔盐储能耦合火电机组的调频方法和系统 | |
| CN117996788B (zh) | 一种基于双维预测反馈的熔盐耦合火电机组的调频方法 | |
| CN117878975B (zh) | 基于预测聚类的熔盐储能耦合火电机组的调频方法和系统 | |
| CN117977634B (zh) | 一种基于双分解的熔盐耦合火电机组的调频方法和系统 | |
| CN117878971B (zh) | 一种熔盐储能耦合火电机组的调频方法和系统 | |
| CN117996789B (zh) | 基于双向预测反馈调节的熔盐耦合火电机组的调频方法 | |
| CN117878973B (zh) | 一种熔盐耦合火电机组的调频方法和系统 | |
| CN117996786B (zh) | 一种基于二次修正的熔盐耦合火电机组的调频方法 | |
| CN118174321A (zh) | 基于vmd算法的熔盐储能耦合火电机组的调频方法和系统 | |
| CN117977636B (zh) | 一种基于样本熵的熔盐耦合火电机组的调频方法和系统 | |
| CN117977637B (zh) | 一种熔盐耦合火电机组的调频方法和系统 | |
| Zhou et al. | Hybrid Energy Storage Capacity Configuration of the Isolated DC Microgrid Based on Improved VMD and Decomposition Domain | |
| CN112182975A (zh) | 一种基于经验模态分解的功率频域分解优化方法 | |
| CN117972363B (zh) | 一种基于平稳度的储能辅助黑启动的风速预测方法和系统 | |
| CN118214033B (zh) | 用于电网侧储能系统的调峰调频控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |