CN102684222B - 一种基于储能技术的风力发电功率平滑控制方法 - Google Patents
一种基于储能技术的风力发电功率平滑控制方法 Download PDFInfo
- Publication number
- CN102684222B CN102684222B CN201210149648.6A CN201210149648A CN102684222B CN 102684222 B CN102684222 B CN 102684222B CN 201210149648 A CN201210149648 A CN 201210149648A CN 102684222 B CN102684222 B CN 102684222B
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- storage system
- wind
- wind power
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了风储联合发电技术领域中的一种基于储能技术的风力发电功率平滑控制方法。首先通过快速傅里叶变化对风电场输出功率进行分析,得到风电场输出功率的幅频特性曲线;然后通过小波变换从风电场输出功率中提取出期望并网功率和高频信号功率;之后通过蓄电池储能***和超级电容器吸收所述高频信号功率;当风电场的输出功率小于所述期望并网功率信号时,用模型算法控制控制蓄电池储能***和超级电容器放电;当风电场的输出功率大于所述期望并网功率时,用模型算法控制控制蓄电池储能***和超级电容器充电;最后用小波变换给出蓄电池储能***的最优容量配置。本发明提高了并网运行的安全性和经济性。
Description
技术领域
本发明属于风储联合发电技术领域,尤其涉及一种基于储能技术的风力发电功率平滑控制方法。
背景技术
随着世界能源开发的进步,可再生能源越来越多的得到人们的青睐,其中风力发电的发展得到较多人的关注。由于风速具有不可预期和随机波动等特点,风电机组输出功率的波动会对电能质量产生较大的影响,如电压偏差、电压波动和闪变、谐波等。风电并网功率波动大,这对电网运行的稳定性及经济性带来负面影响。因此,研究风电场输出功率波动的抑制问题具有重要的实际意义。
目前采用储能装置平抑风电场输出功率的波动不仅可以调节无功功率,也可以调节功率,可以有效抑制输出波动,得到良好的平滑效果。从抽水蓄能和压缩空气储能在风电场输出功率平滑方面的应用来看,虽然这两种技术目前较为成熟,但是当风电场容量达上万兆瓦时,这两种技术都对自然环境要求很高,建设局限性大,且前期建设投资相当巨大,并且动态调节响应速度慢,不适合大规模风电场使用。利用飞轮储能***可以提高并网风电场的电能质量和稳定性,飞轮储能循环使用寿命长,维护简单,可连续工作,具有良好的发展前景,但是目前在转子强度设计、低功耗磁轴承、安全防护等方面存在技术难点,急需突破。超导磁储能装置应用于平滑风电场***的输出,超导储能技术本身具有一系列的优点,但是价格比较昂贵,目前应用不是很广泛。超级电容器是介于传统物理电容器和电池之间的一种优秀的储能元件,具有概率密度高、充放电循环寿命长、充电时间短、存储寿命长、可靠性高等优点,但其技术难点在于耐压能力仍然不够高,目前即使是陶瓷超级电容器的耐压水平最高也只能承受1kV左右,而且成本高。近年来,应用最为广泛的还是电化学储能技术,特别是在小型分布式发电***中,铅酸蓄电池能量密度适中、价格便宜、构造成本低、技术成熟、安全性能相对可靠,但其循环寿命较短、不可深度放电、循环数年之后报废电池的无害化处理和对环境的危害等缺点限制了其使用。钠硫电池能量密度高,循环寿命长,国际上电化学储能的成功案例都是使用这项技术。液流电池主要由装在不同储罐中的电解质溶液以及电池模块和相应的控制***组成,具有安全可靠性高、电解液可以循环使用、理论寿命长等优点,但是其也具有能量密度低,体积大,占地面积巨大,对环境温度要求太高,价格贵,***比较复杂等缺点。液流电池有很多种,目前应用最广、最成熟的液流电池是钒流电池,钒电池响应速率快,可以在最大负荷下连续运行,而且可以无危险的完全放电,但其缺点是会对环境造成污染,而且并未商业化,如果能成熟发展,将会很适合我国大规模风电储能,具有广阔的市场前景。
由以上研究可知,储能技术多种多样,且各自有其特点和独特的应用背景。配合以相应的控制策略,储能***便能有效的实现风电场输出功率波动的平滑。目前常用惯性滤波和PI方法相结合实现风储***的功率平滑控制,通过仿真实验发现采用惯性滤波平抑风电场输出功率的波动时,仿真曲线明显的滞后于实际的输出功率曲线(如图5所示),在功率变化较大的情况下,不仅使得储能***能量调整幅度大,调整周期也较长。同时,该方法中的惯性滤波时间常数与功率平滑效果与储能容量的配置有直接关系,时间常数选取太大,需要配置比较大的储能容量,增加了储能***成本;时间常数选取太小,需要配置的储能容量较小,但风电功率波动较大。因此,随着风电的大规模并网,传统的控制方法在某些方面已不能满足其要求,为了更好的发挥储能***的效用,混合的多策略储能***将为我们提供一个新的思路。
基于混合储能技术的功率平滑控制,在充分分析风电场输出功率幅频特性的基础上,通过小波变换将风电场输出功率信号进行多尺度分解,得到更具周期特性的低频信号和高频信号,并选择与其适应的混合储能方式进行风电场输出功率的平滑,建立了混合储能***的风电功率平滑模型,采用模型算法控制实现储能电池的充放电控制,达到功率平滑的目的,在满足风电并网标准的前提下得到最优的储能容量配置,减小储能装置规模,降低储能成本,是一种新颖、可靠却准确的功率平滑及储能容量优化配置方法。
发明内容
针对上述背景技术中提到的单类型储能***的特点及目前风电场输出功率平滑方法存在的不足,本发明提出了一种基于储能技术的风力发电功率平滑控制方法。
本发明的技术方案是,一种基于储能技术的风力发电功率平滑控制方法,其特征是该方法包括以下步骤:
步骤1:通过快速傅里叶变化对风电场输出功率进行分析,得到风电场输出功率的幅频特性曲线;
步骤2:在步骤1的基础上,从风电场输出功率中提取出期望并网功率和高频信号功率;
步骤3:通过蓄电池储能***和超级电容器吸收所述高频信号功率;
步骤4:当风电场的输出功率小于所述期望并网功率信号时,控制蓄电池储能***和超级电容器放电;当风电场的输出功率大于所述期望并网功率时,控制蓄电池储能***和超级电容器充电。
所述步骤4后还包括计算蓄电池储能***的最优容量配置。
所述期望并网功率的提取公式为:
其中:
cJ,n为尺度展开系数;
为空间VJ的标准正交基。
所述高频信号功率的提取公式为:
其中:
dj,n为小波展开系数;
φj,n(t)为空间Wj的标准正交基。
所述蓄电池储能***的最优容量的计算公式为:
其中:
E为蓄电池储能***的最优容量;
y0(t)为时域风电输出功率g(t)和时域预期望功率x(t)的差;
本发明的有益效果是提出一种基于混合储能技术的风电场输出功率平滑控制方法,该方法能充分利用各种储能装置的特点,在基于小波分解的基础上获得适于不同储能装置所具有的信号特征。采用模型算法控制快速对蓄电池储能***进行充放电控制,使混合储能***的输出更接近期望并网功率值,相比单类型储能***,混合储能技术对高频低能量、低频高能量的功率波动均可实现较好的平滑效果。同时在小波变换方式下储能***平滑的是高频部分的能量,由于其均值为零,可以获得最优的储能容量配置,大大降低了储能***的运行成本。利用本发明方法获得的风电场输出功率平滑控制策略,可以用于风储联合发电***,提高并网运行的安全性和经济性。本发明与已有方法相比较,是一种新的且准确可靠功率平滑控制方法。
附图说明
图1为风电场输出功率幅频特性曲线;
图2为基于小波变换的风电场输出功率信号多尺度分解曲线;图2a为原始功率信号及其低频A7(t)和高频D7(t)曲线;图2b为高频D6(t),D5(t),D4(t)曲线;图2c为高频D3(t),D2(t),D1(t)曲线;
图3为基于混合储能技术的风电场输出功率平滑控制模型;
图4为混合储能技术的风电场输出功率平滑控制Simulink仿真平台及模型算法控制流程图;图4a为混合储能技术的风电场输出功率平滑控制Simulink仿真平台;图4b为模型算法控制的流程图;
图5为基于小波变换和模型算法控制的风电场输出功率平滑控制仿真曲线;
图6为基于小波变换的电池储能容量配置。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
本发明通过小波理论中的多分辨分析法对风电场输出功率进行多尺度分解,结合超级电容器和蓄电池储能***能量分布特点,构建了基于小波变换的混合储能***功率平滑控制模型。在该模型中,风电场输出功率经小波分解后的低频部分作为期望并网功率值,高频部分则分别由超级电容器和蓄电池储能***吸收。其中,根据电池响应速度合理选择次高频功率信号由容量较高响应速度较慢的蓄电池储能***进行平滑,未完全平滑部分及剩余的高频部分则由容量小、响应速度快的超级电容器辅助平滑。然后采用模型算法控制快速地实现蓄电池储能***的充、放电控制以保证平滑后的并网功率信号更好地跟踪所期望的风电并网功率值,实现风电场输出功率平滑控制的目的。同时,在满足风电并网标准的前提下,对风电场输出的实际功率与经小波滤波后所得到的期望并网功率的差值求积分,计算出不同时间下的蓄电池储能***所需要配置的最大储能容量,采用本发明中给出的储能容量配置方法可以大大降低储能***的运行和维护成本。
本发明方法包括以下步骤:
步骤1:通过快速傅里叶变化对风电场输出功率进行分析,得到风电场输出功率的幅频特性曲线;
步骤2:在步骤1的基础上,通过小波变换从风电场输出功率中提取出期望并网功率和高频信号功率;
步骤3:通过蓄电池储能***和超级电容器吸收高频信号功率;
步骤4:当风电场的输出功率小于期望并网功率信号时,用模型算法控制控制蓄电池储能***和超级电容器放电;当风电场的输出功率大于期望并网功率时,用模型算法控制控制蓄电池储能***和超级电容器充电;
之后,用小波变换给出蓄电池储能***的最优容量配置。
风电场输出功率的平滑程度由风电场输出功率的波动率来衡量,在《风电场接入电网技术规定》中,要求总装机容量为100MW的风电场,其1分钟内允许的最大功率变化率应小于20%,其计算公式为:
其中:
γ为波动率;
x(t)为t时刻的期望并网功率值;
x(t-Δt)为t-Δt时刻的期望并网功率值;
Pm为风电场的装机容量。
本发明分为以下几个部分:
(1)风电场输出功率的幅频特性分析:获取某99MW风电场2010年4月份及全年实际输出功率数据,直接调用Matlab工具箱中的FFT函数对该数据进行快速傅里叶变换得到幅频特性曲线,得出风电场输出功率的能量主要集中在低频部分(0~10-4Hz),其高频部分能量较低的结论。
(2)风电场输出功率信号的多尺度分解:通过(1)中的幅频特性分析可知,风电场输出功率的能量主要集中在低频部分,因此将低频功率信号作为风电期望并网功率值,高频功率信号则由储能***进行平滑。利用小波变换中的多分辨分析法可以将风电场输出功率信号分解成高频信号和低频信号,这里采用小波变换中的DB9小波对风电输出功率信号进行了7层分解,得到其低频部分A7(t)和Di(t)(i=1,2,…7)的功率曲线。低频部分A7(t)为原始功率曲线的主导部分,高频部分D7(t)则能量较小,且在零值附近上下波动,利用这一特点平滑该高频部分的能量,可以达到功率平滑目的。
(3)基于混合储能技术的风电场输出功率平滑控制模型的建立:综合利用蓄电池储能***与超级电容器的优点,经(2)中小波分解后的高频功率信号D7(t)被容量较高响应速度较慢的蓄电池储能***吸收,由于电池的惯性与响应速度的影响,电池的实际输出H0(s)并不完全等于目标值Y0(s),未完全吸收部分及其它高频部分D1(t)~D6(t)则由容量小、响应速度快的超级电容器辅助吸收,最终使混合储能***的输出C(s)更接近目标值X(s),建立了基于混合储能技术的功率平滑控制模型。
(4)采用模型算法控制实现混合储能***的充放电控制:模型算法控制又称模型预测启发控制,主要包括建立内部模型、反馈校正、滚动优化等几个部分。其控制思想如下:
首先,利用蓄电池储能***已知的输入输出特性,建立其非参数模型其中y′(k)表示第k时刻的预测值,该值与k时刻前的N个输入及对象脉冲响应系数有关;N表示对象脉冲响应的长度,认为对象只受之前N个时刻内的输入所影响;脉冲响应H(l)=103×[9.99.89.7…],l=1,2,...,N。
其次,利用该模型预测蓄电池储能***未来的功率输出值y′(k),并根据预测值y′(k)与实际值y(k)的偏差e(k),使用反馈校正系数β对预测值进行修正,其中y(k)表示第k时刻的值,β=0.1;
然后,求取计算预测值Yp(k)与参考轨迹Yr(k)的偏差,其中,Yp(k)和Yr(k)表示一个时间段的值,α为常数,这里取0.1;
最后,使用二次型性能目标函数 计算出当前的最优控制量U(k),等到下个采样周期,重复这个过程。
在步骤(1)中,采用快速傅立叶变换得到风电场输出功率的幅频特性曲线,风电功率能量主要集中在其低频部分,而高频部分能量较低。这与风速特性相吻合,高频变化的风速幅值很小,而低频变化风速幅值较大。利用相应的滤波算法滤除其高频部分的能量,保留其低频部分的能量,满足并网功率平滑的同时,兼顾对储能***性能的影响。因此,采用小波变换中的多分辨分析法将风电场输出功率信号分解成高频信号和低频信号。设g(t)∈L2(R)是待分解的风电场输出功率信号,由多分辨分析理论得到:
期望并网功率的提取公式为:
其中:
为表示期望并网功率;
cJ,n为尺度展开系数;
高频信号功率的提取公式为:
其中:
dj,n为小波展开系数;
φj,n(t)为空间Wj的标准正交基。
风电场输出功率信号通过小波变换分解得到的低频信号,由于其能量高、变化慢,起主导作用,将之作为期望并网功率值,而高频信号能量低、变化快,将其分别由超级电容器和蓄电池储能***进行平滑。由于蓄电池具有能量密度高和功率密度、循环使用寿命低等特点,将高频信号由蓄电池储能***进行平滑;由于超级电容器具有功率密度、循环寿命高和能量密度低等特点,将未被蓄电池储能***平滑掉的功率信号及其它高频信号送往超级电容器进行快速滤波处理,建立了基于混合储能技术的风电场输出功率平滑控制模型。
当风电场实际有功功率G(s)大于小波变换给出的期望并网功率X(s)时,即X(s)-G(s)=Y0(s)<0,通过模型算法控制对蓄电池储能***和超级电容器发送充电指令;当风电场实际有功功率G(s)小于小波变换给出的期望并网功率X(s)时,即X(s)-G(s)=Y0(s)>0,通过模型算法控制对蓄电池储能***和超级电容器发送放电指令。由于电池的惯性与响应速度的影响,电池的实际输出H0(s)并不完全等于目标值Y0(s),蓄电池储能***实际完成充放电指令的次高频部分,充放电指令的高频部分及蓄电池储能***充放电偏差部分由超级电容器负责平滑。
储能容量是一段时间内的蓄电池储能***平滑或释放的能量,是储能功率在该段时间内的积分。储能容量的确定方法有很多种,将频域信号转换到时域,则本发明中对风电场输出的实际功率g(t)与经小波变换滤波后所得到的期望并网功率x(t)的差值y0(t)求积分,计算出不同时间下的最大积分值作为最优的储能容量,即:
其中:
E为蓄电池储能***的最优容量;
y0(t)为时域风电输出功率g(t)和时域预期望功率x(t)的差;
图1是风电场输出功率幅频特性曲线,如图1所示,风电场输出功率经过快速傅立叶变换得到其幅频特性曲线。风电场输出功率能量主要集中在其低频部分(0~10-4Hz),而高频部分能量较低。
图2是基于小波变换的风电场输出功率信号多尺度分解曲线,图2a为原始功率信号及其低频A7(t)和高频D7(t)曲线;图2b为高频D6(t),D5(t),D4(t)曲线;图2c为高频D3(t),D2(t),D1(t)曲线;
如图2所示,采用DB9小波函数对风电场输出功率信号进行了7层分解,得到其低频部分(1/60/27=1.3*10-4Hz)的功率曲线,分解前与分解后的等式关系为:S=A7(t)+D7(t)+D6(t)+D5(t)+D4(t)+D3(t)+D2(t)+D1(t),低频A7(t)为原始功率曲线的主导部分,作为风电所期望的并网功率值X(s),而高频部分D1(t)-D7(t)是影响风电场输出功率波动的主要因素,则采用超级电容器和模型算法控制***负责平滑。
图3是基于混合储能技术的风电场输出功率平滑控制模型。综合利用蓄电池储能***与超级电容器的优点,经小波分解后的次高频功率信号D7(t)被容量较高响应速度较慢的蓄电池储能***吸收,由于蓄电池的惯性与响应速度的影响,电池的实际输出H0(s)并不完全等于目标值Y0(s),未完全吸收部分及其它高频部分Y0(s)-H0(s)=Y1(s)则由容量小、响应速度快的超级电容器辅助吸收,H1(s)为超级电容器的输出值。最终使混合储能***的输出C(s)更接近目标值X(s),即C(s)=G(s)+H0(s)+H1(s)=G(s)+Y0(s)=X(s),建立了基于混合储能技术的功率平滑控制模型。
图4是混合储能技术的风电场输出功率平滑控制Simulink仿真平台及模型算法控制流程图。如图4a所示,搭建了基于混合储能技术的功率平滑控制Simulink仿真平台。采用模型算法控制对蓄电池储能***进行充放电控制,控制流程如图4b所示。
图5是基于小波变换和模型算法控制的风电场输出功率平滑控制仿真曲线。在图5中,给出了两种方法下的风电场输出功率平滑控制曲线。包括背景技术中所提到的惯性滤波和PI相结合的风电场输出功率平滑控制方法的仿真曲线(其中惯性率波时间常数T=1800s,PI的参数P=5,Ts=0.1s)和基于小波变换和模型算法控制相结合的功率平滑控制的仿真曲线。从图中可以看出,惯性滤波方法存在着明显的滞后,采用PI控制算法(P=5,Ts=0.1)控制储能电池执行充放电任务时,由于受控制算法与储能电池特性的影响,实际的入网功率相比预期的入网功率平滑程度下降,输出曲线存在着一定的波动,其最大波动率为2.07%;而采用模型算法控制兼顾了鲁棒性好和精确度高等优点,可以快速地跟踪储能电池的输入目标值Y0(s),获得更平滑的输出功率,不存在滞后现象,其最大波动率仅为0.58%。
图6是基于小波变换的电池储能容量配置。图6中同样给出了基于惯性率波和小波变换的两种储能容量配置方法。从图中可以看出,由于惯性滤波方法有明显的滞后误差,回到蓄电池储能***充放电的初始状态比较缓慢,在50小时内的容量配置达到了40.58MWh,而经过小波变换后的曲线均在蓄电池储能***的初始状态附近波动,其储能***容量配置仅为21.21MWh。由于在原始的功率数据中存在坏值,储能***在30h-40h之间出现了较大的容量变化,因实际功率突降到零所致,若剔除该处的坏值,由小波变换方法所需配置的储能容量会更小。表1和表2分别给出了4月份不同时间和全年各月所需要的储能容量配置结果。通过两种方法比较可知,在满足风电并网标准的前提下,本发明中所采用的方法大大减小了所需配置的储能容量,降低了储能***的运行成本。
表1是某风电场某月不同时间的储能容量配置;
表1某月电池容量配置(Level=7,’db9’)
表2是某风电场全年各月的容量配置;
表2某年各月电池容量配置及波动率(Level=7,’db9’)
本发明在风储联合发电***中的功率平滑控制和储能容量优化配置中具有明显优势。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于储能技术的风力发电功率平滑控制方法,其特征是该方法包括以下步骤:
步骤1:通过快速傅里叶变化对风电场输出功率进行分析,得到风电场输出功率的幅频特性曲线;
步骤2:在步骤1的基础上,采用小波变换方法对风电场输出功率信号进行多尺度分解,从风电场输出功率中提取出期望并网功率和高频信号功率;
步骤3:通过蓄电池储能***和超级电容器吸收所述高频信号功率,从而建立基于混合储能技术的功率平滑控制模型,使混合储能***的输出C(s)更接近目标值X(s);具体过程为:
经步骤2中小波分解后的高频功率信号被蓄电池储能***吸收,由于蓄电池的惯性与响应速度的影响,蓄电池的实际输出H0(s)并不完全等于目标值Y0(s),未完全吸收部分及其它高频部分Y0(s)-H0(s)=Y1(s)则由超级电容器辅助吸收;
步骤4:采用模型算法得到当前的最优控制量U(k),将最优控制量U(k)作为充放电指令,实现混合储能***的充放电控制;当风电场的输出功率小于所述期望并网功率信号时,控制蓄电池储能***和超级电容器放电;当风电场的输出功率大于所述期望并网功率时,控制蓄电池储能***和超级电容器充电;模型控制算法的具体过程为:
首先,利用蓄电池储能***已知的输入输出特性,建立其非参数模型其中y'(k)表示第k时刻的预测值,该值与k时刻前的N个输入及对象脉冲响应系数有关;N表示对象脉冲响应的长度,对象只受之前N个时刻内的输入所影响;脉冲响应H(l)=103×[9.9 9.8 9.7…],l=1,2,...,N;
其次,利用该模型预测蓄电池储能***未来的功率输出值y'(k),并根据预测值y'(k)与实际值y(k)的偏差e(k),使用反馈校正系数β对预测值进行修正,其中y(k)表示第k时刻的值;
然后,求取计算预测值Yp(k)与参考轨迹Yr(k)的偏差,其中,Yp(k)和Yr(k)表示一个时间段的值;
2.根据权利要求1所述的一种基于储能技术的风力发电功率平滑控制方法,其特征是在所述步骤4后还包括计算蓄电池储能***的最优容量配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210149648.6A CN102684222B (zh) | 2012-05-14 | 2012-05-14 | 一种基于储能技术的风力发电功率平滑控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210149648.6A CN102684222B (zh) | 2012-05-14 | 2012-05-14 | 一种基于储能技术的风力发电功率平滑控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102684222A CN102684222A (zh) | 2012-09-19 |
CN102684222B true CN102684222B (zh) | 2014-02-19 |
Family
ID=46815761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210149648.6A Expired - Fee Related CN102684222B (zh) | 2012-05-14 | 2012-05-14 | 一种基于储能技术的风力发电功率平滑控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102684222B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078351B (zh) * | 2012-12-26 | 2014-10-29 | 东南大学 | 微电网分频能量管理方法 |
CN103236705B (zh) * | 2013-05-13 | 2015-12-09 | 华北电力大学 | 用于配电网削峰填谷的双储能***储能容量的优化方法 |
CN104184158A (zh) * | 2013-05-24 | 2014-12-03 | 株式会社日立制作所 | 储能***的控制方法和控制装置 |
CN104659798A (zh) * | 2013-11-20 | 2015-05-27 | 沈阳工业大学 | 基于模糊神经网络的风电混合储能***及其优化方法 |
CN103887808B (zh) * | 2014-03-31 | 2017-01-11 | 湘潭大学 | 基于机组惯性储能的风电场储能锂电优化控制方法 |
CN103972917B (zh) * | 2014-05-08 | 2015-12-02 | 东北电力大学 | 基于全钒液流氧化还原电池与电化学电容器混合储能***的运行控制方法 |
CN104377724B (zh) * | 2014-11-06 | 2018-10-19 | 华北电力大学 | 提高风电/光伏混合储能***经济性的协调优化控制方法 |
US10691088B2 (en) | 2015-03-20 | 2020-06-23 | The Boeing Company | Programmable actuator simulation card |
CN105260618B (zh) * | 2015-11-04 | 2017-11-28 | 华北电力大学 | 一种基于云模型的储能***典型曲线挖掘方法 |
CN105781884B (zh) * | 2016-03-15 | 2018-05-11 | 河海大学 | 一种基于风机优化调控的风电场输出功率平滑控制方法 |
CN106849178B (zh) * | 2017-04-13 | 2019-05-10 | 北京国网普瑞特高压输电技术有限公司 | 混合储能管理***hess对风电波动的双层平抑***及方法 |
CN111082435B (zh) * | 2019-12-13 | 2021-10-08 | 葛洲坝中科储能技术有限公司 | 一种风电搭配压缩空气储能的出力控制***及方法 |
CN111009927B (zh) * | 2019-12-17 | 2021-10-08 | 葛洲坝中科储能技术有限公司 | 一种风电配合压缩空气储能容量优化方法及*** |
CN112952862B (zh) * | 2021-03-30 | 2023-01-31 | 四川大学 | 平抑风电功率波动的混合储能分频协调控制器及实现方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4170565B2 (ja) * | 2000-06-30 | 2008-10-22 | 株式会社ダイヘン | 電力変動平滑化装置及びそれを備えた分散電源システムの制御方法 |
JP2006170808A (ja) * | 2004-12-16 | 2006-06-29 | Matsushita Electric Ind Co Ltd | 電池電圧検出回路及びそれを備えた電池パック |
CN102244390B (zh) * | 2011-07-11 | 2013-12-11 | 天津大学 | 平滑微网联络线功率波动的储能***容量优化方法 |
-
2012
- 2012-05-14 CN CN201210149648.6A patent/CN102684222B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102684222A (zh) | 2012-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102684222B (zh) | 一种基于储能技术的风力发电功率平滑控制方法 | |
CN103986190B (zh) | 基于发电功率曲线的风光储联合发电***平滑控制方法 | |
CN104734166B (zh) | 混合储能***及风力发电功率平滑控制方法 | |
Ge et al. | Energy storage system-based power control for grid-connected wind power farm | |
CN102244390B (zh) | 平滑微网联络线功率波动的储能***容量优化方法 | |
Jia et al. | Design of hybrid energy storage control system for wind farms based on flow battery and electric double-layer capacitor | |
CN112636367B (zh) | 一种平抑风电波动的混合储能容量优化配置方法 | |
CN104410092A (zh) | 一种多元互补新能源发电***的能量协调优化方法 | |
CN104779630A (zh) | 一种平抑风电输出功率波动的混合储能***容量配置方法 | |
CN102684201B (zh) | 一种基于电压越限概率的含风电场电网无功优化方法 | |
CN104104107B (zh) | 用混合储能平抑风电功率波动的模型预测控制方法 | |
CN104092231A (zh) | 一种独立微网混和储能容量优化配置方法 | |
CN103560546A (zh) | 一种计及储能荷电状态的改进下垂控制方法 | |
CN102856917A (zh) | 一种配电网无功优化方法 | |
CN105896575A (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及*** | |
CN105720573A (zh) | 基于实测数据的风光储电站有功及无功控制***建模方法 | |
CN105140942A (zh) | 考虑核电状态偏差的混合储能优化功率分配方法 | |
CN105896603A (zh) | 一种风光储联合发电***及方法 | |
Singh et al. | Operation and control of a hybrid wind-diesel-battery energy system connected to micro-grid | |
CN104659798A (zh) | 基于模糊神经网络的风电混合储能***及其优化方法 | |
CN103501018A (zh) | 基于模糊算法和dsp的混合储能***及功率平滑方法 | |
CN113507105B (zh) | 基于mpc-pi的多电飞机混合动力***的能量管理方法 | |
CN113644674A (zh) | 基于量子粒子群的氢混合储能容量配置***、方法及应用 | |
CN104218600B (zh) | 一种多时间尺度动态仿真中电池储能***模型的构建方法 | |
CN103887808A (zh) | 基于机组惯性储能的风电场储能锂电优化控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140219 Termination date: 20180514 |
|
CF01 | Termination of patent right due to non-payment of annual fee |