CN107492903A - 一种基于统计学模型的混合储能***容量优化配置方法 - Google Patents
一种基于统计学模型的混合储能***容量优化配置方法 Download PDFInfo
- Publication number
- CN107492903A CN107492903A CN201710226173.9A CN201710226173A CN107492903A CN 107492903 A CN107492903 A CN 107492903A CN 201710226173 A CN201710226173 A CN 201710226173A CN 107492903 A CN107492903 A CN 107492903A
- Authority
- CN
- China
- Prior art keywords
- energy
- power
- battery
- capacity
- 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.)
- Granted
Links
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
-
- 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
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
-
- 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]
-
- 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
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
一种基于统计学模型的混合储能***容量优化配置方法,属于储能技术领域。本发明的目的是对风光储联合发电***的储能容量配置问题,提出一种基于统计学模型的配置方法。本发明首先对风速及光照强度等历史数据进行概率统计分析,从而确定风光***功率输出的精确分布;其次,该发明探索了超级电容器、蓄电池的容量配置子算法。此外,该发明还提出一种能量控制策略来改善蓄电池运行环境以延长蓄电池寿命周期;通过对统计模型进行蒙特卡洛模拟获得混合储能***容量概率分布。这种统计学分析方法确定了不同累计概率水平下的混合储能***的容量,有助于规划人员根据发电***运行情况和需求对混合储能***容量进行合理配置。相较于传统容量配置方法,统计学分析计及了配置过程中大量不确定性因素,改善了传统确定性算法的保守性,提高了配置方法的经济性和可靠性。
Description
技术领域
本发明涉及混合储能***容量优化配置的一种统计学方法,属于储能技术在风电***中应用、储能容量优化技术领域。
背景技术
近年来,风能和光伏发电等分布式可再生能源在世界范围内得到迅速的发展。风能光伏发电的主要特点是具有不确定性,输出功率随机大范围波动,容易对电网造成冲击,影响安全、稳定供电。风能和太阳能资源从时间上看风光功率具有互补性,采用风光互补发电***总体上具有风光互补特性,但不能克服瞬时功率波动的影响。而利用储能***能很好地平抑风光联合发电***的功率波动,提高电能质量,将储能与风光联合发电***结合便构成了风光储联合发电***。
混合储能装置采用蓄电池和超级电容器两种储能设备,将具有快速响应特性的超级电容器和具有大容量储能特性的蓄电池联合使用以平抑功率波动,分别平抑短周期和长周期的波动,融合了两种储能的优点。
储能***容量配置的目标是在满足***要求的前提下尽量减少储能功率和容量,提高***的经济性。目前,对于混合储能装置的研究仍处初步阶段,主要集中在控制策略上,而对容量配置的研究相对较少;此外,对储能***的容量配置的方法大部分都是基于确定性分析,这可能会导致结果不符合实际。相比之下,使用统计学方法进行容量配置方面的研究很少,相较于传统容量配置方法,统计学分析计及了配置过程中大量不确定性因素,改善了传统确定性算法的保守性,提高了配置方法的经济性和可靠性。
发明内容
本发明的目的是对风光储联合发电***的储能容量配置问题,提出一种基于统计学模型的配置方法。
本发明的步骤是:
(1)使用蓄电池与超级电容混合的储能***来维持瞬时功率平衡,实现频率调节,利用频谱分析确定蓄电池和超级电容器之间的功率分配,来实现对联合发电***输出功率波动的平抑;混合储能***功率Phess为负荷功率与***发出功率的差值,关系定义如下:
(5)
对Phess样本数据PJ=[PJ(1),…, PJ(n),…, PJ(N)]进行离散傅里叶变换,得到幅值SJ和频率fJ结果为:
(6)
式中:DFT(PJ)表示Phess样本数据PJ进行离散傅里叶变换;SJ(n)为进行DFT后第n个频率fJ(n)对应的幅值;频谱分解后得到不同时间尺度分量,最后利用傅里叶反变换将蓄电池和超级电容器补偿频段的幅频结果转换到时域上,便可得到每个储能装置的功率指令;
(2)蓄电池储能***容量配置过程首先把蓄电池能量初始化到初始荷电状态,并对功率进行积分;在每个计算步骤,所交换的能量e均被计算;
蓄电池对应的储存能量计算如下:
(7)
衡量蓄电池的首要因素是有用能量,计算公式如下:
(8)
配置过程中定义了三个参数:分别为蓄电池储能容量Cbss,最小充电功率Pchbss和最大放电功率Pdchbss;
(9)
其中:DODbss是电池放电深度;
蓄电池单元的数量Nbss由下式给出:
(10)
式中:E0 bss是蓄电池总存储能量,C4、V0分别是蓄电池的额定容量和额定电压;
(3)超级电容器储能***的储存能量ESCSS和有用能量EUSCSS与蓄电池的计算方法相同;
超级电容器组的几个基本参数储能容量CSCSS和最大功率PSCSSmax表达如下:
(11)
式中:DODSCSS是超级电容器的放电深度,所需的超级电容器单元数目由下式给出:
(12)
其中:E0 SCSS是单个超级电容器的储能容量,P0 SCSS是电容能提供的功率,表达如下:
(13)
其中:Cr是额定容量,Vr是额定电压,ESRDC是串联电阻;
(4)利用在一定置信水平上的蒙特卡洛仿真生成大量随机场景,并以此获取混合储能***容量配置的概率分布;容量配置过程直到迭代次数iter=Nmax时结束。
本发明优化配置的流程:首先置初始迭代次数为0,然后执行iter=iter+1,通过蒙特卡洛仿真获得一组随机分布参数[c, k, μ, σ, μT, σT, μL, σL],经统计分析生成风速、光照强度、温度和负载的数据;接着进行时域仿真,通过基于频谱分析的频率控制策略对混合储能***功率进行频谱分解,得到蓄电池和超级电容器功率;然后根据额定功率和能量容量的计算方法,分别计算蓄电池和超级电容器的功率和容量;接着判断iter是否等于Nmax,等于则表明容量配置过程达到最大迭代次数,迭代结束并得出混合储能***容量配置的概率分布,不成立则返回iter=iter+1重新循环;最后得到蓄电池和超级电容器的容量配置结果。
本发明提出了混合储能***优化配置的一种统计学方法,该方法探索了超级电容器、蓄电池的容量配置子算法。此外,还提出一种能量控制策略来改善蓄电池运行环境以延长蓄电池寿命周期。然后,对统计模型进行蒙特卡洛模拟获得混合储能***容量概率分布。这种统计学分析方法确定了不同累计概率水平下的混合储能***的容量,有助于规划人员根据发电***运行情况和需求对混合储能***容量进行合理配置。相较于传统容量配置方法,统计学分析计及了配置过程中大量不确定性因素,改善了传统确定性算法的保守性,提高了配置方法的经济性和可靠性。
附图说明
图1是联合发电***结构图;
图2是有功能量的计算算法;
图3是基于统计学模型的混合储能***容量优化配置流程图;
图4是风速、光照强度概率统计分析:(a)风速概率分布;(b)风速分布区间;(c)光照强度概率分布;(d)光照强度分布区间;
图5是光照强度、温度、风速、负荷48h数据;
图6是负荷、光伏、风机***输出功率;
图7是混合储能***功率;
图8是蓄电池48h充放电功率;
图9是超级电容器48h充放电功率;
图10是混合储能***容量配置最优分布;
图11是混合储能***容量的累积概率密度。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参见附图1-3,本发明提出的一种基于统计学模型的混合储能***容量优化配置方法,具体实施步骤如下:
1.风光储联合发电***结构参见图1,风光储联合发电***由风力发电***、光伏发电***、负荷、混合储能***组成,其中混合储能***包括蓄电池储能***和超级电容器储能***,能量管理即基于频谱分析的储能***功率分配策略,通过频谱分解确定蓄电池和超级电容器之间的功率分配。首先用威布尔分布和正态分布分别来定义风速和和光照强度,接着对联合发电***进行建模分析。威布尔分布概率密度函数[1]表达如下:
(1)
正态分布概率密度函数[2]如下式所示:
(2)
在一段时间内,风速符合威布尔分布,光照强度符合正态分布。威布尔分布的参数k,c及正态分布参数μ、σ在一定置信水平下的分布区间可通过概率统计分析得到。基于典型历史数据,风速和光照强度数据可通过蒙特卡洛仿真(MCS)随机产生。
简化的风机出力模型[3]由以下方程给出:
(3)
光伏发电***模型可由光伏阵列功率输出隐形方程[4]给出,表达如下:
(4)
通过式(3)、(4)可将风速、光照强度数据转换为风机及光伏***的输出功率。
2. 风机***(WT)、光伏***(PV)都运行于最大功率追踪状态,并且它们的输出是间歇的,本发明使用蓄电池与超级电容混合的储能***来维持瞬时功率平衡,实现频率调节。利用频谱分析确定蓄电池和超级电容器之间的功率分配,来实现对联合发电***输出功率波动的平抑。混合储能***功率Phess为负荷功率与***发出功率的差值,关系定义如下:
(5)
频谱分解过程首先是对混合储能***功率进行采样,由采样定理可知采样频率要大于或等于信号最高频率的2倍,才能避免频域混叠。本发明选择采样周期为10min。其次对Phess样本数据PJ=[PJ(1),…, PJ(n),…, PJ(N)]进行离散傅里叶变换,得到幅值SJ和频率fJ结果为:
(6)
式中:DFT(PJ)表示Phess样本数据PJ进行离散傅里叶变换;SJ(n)为进行DFT后第n个频率fJ(n)对应的幅值。
取n=4,即把样本数据分解成四个频段,频谱分解后得到四个不同时间尺度分量:超长期分量、长期分量、短期分量和超短期分量。超长期和长期分量由能量型器件蓄电池提供功率补偿,短期和超短期分量由功率型器件超级电容器提供功率补偿。最后利用傅里叶反变换将蓄电池和超级电容器补偿频段的幅频结果转换到时域上,便可得到每个储能装置的功率指令。
3.蓄电池储能***容量配置过程首先把蓄电池能量初始化到初始荷电状态,并对功率进行积分。在每个计算步骤,所交换的能量e均被计算。有功能量的计算算法参见图2。该算法首先将iter赋值为1,把Pbss(i)赋值给Pi、isoc赋值给Ebss(i);然后执行iter=iter+1、Pf=Pbss、e=-Te(Pi+Pf)/2;接着判断:若e≤0,则执行Ebss(i)= Ebss(i-1)+e,否则继续判断Ebss(i-1)+e≤isoc是否成立,成立则执行Ebss(i)= Ebss(i-1)+e,不成立则执行Ebss(i)=isoc。然后执行Pi=Pf,判断iter是否等于Nmax,等于则执行EUbss(i)=max(Ebss)-min(Ebss),不等于则返回iter=iter+1重新循环。
蓄电池对应的储存能量计算如下:
(7)
衡量蓄电池的首要因素是有用能量,计算公式如下:
(8)
使用储能容量的25%-100%可以优化蓄电池的使用。配置过程中我们定义了三个参数,分别为蓄电池储能容量Cbss,最小充电功率Pchbss和最大放电功率Pdchbss。它们的定义如下:
(9)
其中:DODbss是电池放电深度(75%)。
蓄电池单元的数量Nbss由下式给出:
(10)
式中:E0 bss是蓄电池总存储能量,C4、V0分别是蓄电池的额定容量和额定电压。
4.超级电容器储能***的储存能量ESCSS和有用能量EUSCSS与蓄电池的计算方法相同,不再赘述。
超级电容器组的几个基本参数储能容量CSCSS和最大功率PSCSSmax表达如下:
(11)
式中:DODSCSS是超级电容器的放电深度,为85%。所需的超级电容器单元数目由下式给出:
(12)
其中:E0 SCSS是单个超级电容器的储能容量,P0 SCSS是电容能提供的功率,表达如下:
(13)
其中:Cr是额定容量,Vr是额定电压,ESRDC是串联电阻。
5.利用在一定置信水平上的蒙特卡洛仿真生成大量随机场景,并以此获取混合储能***容量配置的概率分布。容量配置过程直到迭代次数iter=Nmax时结束。
6.基于统计学模型的混合储能***容量优化配置的流程图如图3所示。首先置初始迭代次数为0,然后执行iter=iter+1,通过蒙特卡洛仿真获得一组随机分布参数[c, k,μ, σ, μT, σT, μL, σL],经统计分析生成风速、光照强度、温度和负载的数据。接着进行时域仿真,通过基于频谱分析的频率控制策略对混合储能***功率进行频谱分解,得到蓄电池和超级电容器功率;然后根据额定功率和能量容量的计算方法,分别计算蓄电池和超级电容器的功率和容量。接着判断iter是否等于Nmax,等于则表明容量配置过程达到最大迭代次数,迭代结束并得出混合储能***容量配置的概率分布,不成立则返回iter=iter+1重新循环。最后得到蓄电池和超级电容器的容量配置结果。
仿真分析
实施实例:
首先用威布尔分布和正态分布来定义风速和和光照强度。威布尔分布的参数k,c及正态分布参数μ、σ在一定置信水平下的分布区间可通过概率统计分析得到。参见图4,为我国某地区风速、光照强度的统计学分析结果,它们的概率分布如4a、4c所示,风速和光照强度分布区间如图4b、4d。基于该地区典型历史数据,风速和光照强度数据通过蒙特卡洛仿真(MCS)随机产生。置信水平为98%所对应的风速、光照强度的48h数据和温度、负荷概况参见图5。
对每十分钟采样的风速、温度和光照强度数据进行仿真,并通过式(3)、(4)将风速、光照强度数据转换为风机及光伏***的输出功率,可得到光伏、风机***和负荷的数据如图6所示,从而由式(5)可得对应的混合储能***输出功率如图7所示。
经频谱分解后得到的蓄电池与超级电容器的48h充放电功率曲线参见图8、9。时间轴上方的功率表示风光联合发电***功率缺失,蓄电池(超级电容器)需要放电以补充风光联合发电***的功率缺额;反之,时间轴下方的功率表示风光联合发电***功率供大于求,蓄电池(超级电容器)需要吸收多余功率以维持频率的稳定。由图易知超级电容器有大量的充放电周期,补偿了短时高频功率波动,改善了蓄电池运行环境,提高了蓄电池的使用寿命。
利用蒙特卡洛仿真生成大量随机场景,在此基础上获取混合储能***容量配置结果的概率分布,参见10、11。图10分别为超级电容器额定功率和能量容量的概率密度、蓄电池额定功率和能量容量的概率密度。图11分别为超级电容器额定功率和能量容量的累积概率密度、蓄电池额定功率和能量容量的累积概率密度。
图11表明混合储能***额定功率和能量容量随着累计概率水平的不同而不同,同时蓄电池和超级电容器的数量也随着变化。
由图11可得三个不同累计概率值(50%,75%,95%)下混合储能***容量配置的结果如表1所示。由表可知对于累积概率值95%下蓄电池的能量容量是38243Wh,并且在50%下是28424Wh。而超级电容器95%累积概率水平的能量容量是32223Wh,并且对应50%的是25926Wh。对于累积概率水平95%的蓄电池的额定功率是5133W,并且50%的是3936W。而超级电容器95%累积概率水平的额定功率是6905W,并且对应50%的是4734W。可以看出如果采用50%的累积概率水平配置容量,无论蓄电池还是超级电容器的额定功率和能量容量都能降低不少。
表1不同累积概率水平下HESS容量配置结果
累积概率密度水平 | 50% | 75% | 95% |
Pbss(W) | 3936 | 4449 | 5133 |
PSCSS (W) | 4734 | 5588 | 6905 |
Ebss (Wh) | 28424 | 32362 | 38243 |
ESCSS (Wh) | 25926 | 28518 | 32223 |
Nbss | 57 | 65 | 77 |
NSCSS | 3 | 3 | 4 |
参照上表我们还能得出对应累计概率水平95%的蓄电池数量Nbss是77,并且对应50%的是57,蓄电池数量节约了20。然而,超级电容器数量NSCSS在累计概率值95%下为4,并且对应50%是3。可以看出,比起超级电容器蓄电池的数量根据额定功率和能量容量的变化较大。
本发明的基于统计方法容量配置的主要优点就是确定了对应不同累计概率水平的容量。该统计模型在可靠性和准确性间提供了一个很好的折中点来选择***所需的容量。通过统计学分析我们能够得出蓄电池单元和超级电容器单元的数量;在不同的累计概率密度水平,各储能单元的数目也随着变化。
参考文献
[1]Partha Kayal,C.K.Chanda.Optimal mix of solar and wind distributedgenerations considering performance improvement of electrical distributionnetwork[J].Renewable Energy,2015,75(3):173-186.
[2]Handbook on statistical distributions for experimentalists.ChristianWalck.Particle Physics Group University of Stockholm[S].Stockholm,Sweden,2007.
[3]Bogdan S.Borowy,Ziyad M.Salamah.Methodology for optimally sizing thecombination of a battery bank and PV array in a wind/PV hybrid system[J].IEEETransactions on Energy Conversion,1996,(2):367-375.
[4]Kashif Ishaque,Zainal Salam,Hamed Taheri.Simple,fast and accurate two-diode model for photovoltaic modules[J].Solar Energy Materials and SolarCells,2011,9(2):586-594.
Claims (1)
1.一种基于统计学模型的混合储能***容量优化配置方法,其特征在于:
(1)使用蓄电池与超级电容混合的储能***来维持瞬时功率平衡,实现频率调节,利用频谱分析确定蓄电池和超级电容器之间的功率分配,来实现对联合发电***输出功率波动的平抑;混合储能***功率Phess为负荷功率与***发出功率的差值,关系定义如下:
(5)
对Phess样本数据PJ=[PJ(1),…, PJ(n),…, PJ(N)]进行离散傅里叶变换,得到幅值SJ和频率fJ结果为:
(6)
式中:DFT(PJ)表示Phess样本数据PJ进行离散傅里叶变换;SJ(n)为进行DFT后第n个频率fJ(n)对应的幅值;频谱分解后得到不同时间尺度分量,最后利用傅里叶反变换将蓄电池和超级电容器补偿频段的幅频结果转换到时域上,便可得到每个储能装置的功率指令;
(2)蓄电池储能***容量配置过程首先把蓄电池能量初始化到初始荷电状态,并对功率进行积分;在每个计算步骤,所交换的能量e均被计算;
蓄电池对应的储存能量计算如下:
(7)
衡量蓄电池的首要因素是有用能量,计算公式如下:
(8)
配置过程中定义了三个参数:分别为蓄电池储能容量Cbss,最小充电功率Pchbss和最大放电功率Pdchbss;
(9)
其中:DODbss是电池放电深度;
蓄电池单元的数量Nbss由下式给出:
(10)
式中:E0 bss是蓄电池总存储能量,C4、V0分别是蓄电池的额定容量和额定电压;
(3)超级电容器储能***的储存能量ESCSS和有用能量EUSCSS与蓄电池的计算方法相同;
超级电容器组的几个基本参数储能容量CSCSS和最大功率PSCSSmax表达如下:
(11)
式中:DODSCSS是超级电容器的放电深度,所需的超级电容器单元数目由下式给出:
(12)
其中:E0 SCSS是单个超级电容器的储能容量,P0 SCSS是电容能提供的功率,表达如下:
(13)
其中:Cr是额定容量,Vr是额定电压,ESRDC是串联电阻;
(4)利用在一定置信水平上的蒙特卡洛仿真生成大量随机场景,并以此获取混合储能***容量配置的概率分布;容量配置过程直到迭代次数iter=Nmax时结束;
根据权利要求1所述的基于统计学模型的混合储能***容量优化配置方法,其特征在于:优化配置的流程:首先置初始迭代次数为0,然后执行iter=iter+1,通过蒙特卡洛仿真获得一组随机分布参数[c, k, μ, σ, μT, σT, μL, σL],经统计分析生成风速、光照强度、温度和负载的数据;接着进行时域仿真,通过基于频谱分析的频率控制策略对混合储能***功率进行频谱分解,得到蓄电池和超级电容器功率;然后根据额定功率和能量容量的计算方法,分别计算蓄电池和超级电容器的功率和容量;接着判断iter是否等于Nmax,等于则表明容量配置过程达到最大迭代次数,迭代结束并得出混合储能***容量配置的概率分布,不成立则返回iter=iter+1重新循环;最后得到蓄电池和超级电容器的容量配置结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710226173.9A CN107492903B (zh) | 2017-04-08 | 2017-04-08 | 一种基于统计学模型的混合储能***容量优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710226173.9A CN107492903B (zh) | 2017-04-08 | 2017-04-08 | 一种基于统计学模型的混合储能***容量优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107492903A true CN107492903A (zh) | 2017-12-19 |
CN107492903B CN107492903B (zh) | 2020-08-11 |
Family
ID=60642905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710226173.9A Expired - Fee Related CN107492903B (zh) | 2017-04-08 | 2017-04-08 | 一种基于统计学模型的混合储能***容量优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107492903B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109802412A (zh) * | 2019-03-25 | 2019-05-24 | 上海理工大学 | 用户侧负荷聚集商储能容量的优化配置方法 |
CN110555594A (zh) * | 2019-08-09 | 2019-12-10 | 南瑞集团有限公司 | 一种面向多联供***的混合储能***容量规划设计方法 |
CN114301089A (zh) * | 2021-12-17 | 2022-04-08 | 国核电力规划设计研究院有限公司 | 一种风光联合发电***储能容量配置优化方法 |
CN117239811A (zh) * | 2023-11-14 | 2023-12-15 | 中国华能集团清洁能源技术研究院有限公司 | 混合储能***、超级电容配置方法和协调控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734166A (zh) * | 2015-02-09 | 2015-06-24 | 山东大学 | 混合储能***及风力发电功率平滑控制方法 |
CN105098807A (zh) * | 2015-07-20 | 2015-11-25 | 安阳师范学院 | 储能***中多个混合储能装置间的互补优化控制方法 |
CN105896582A (zh) * | 2016-06-16 | 2016-08-24 | 南京工程学院 | 一种微网储能容量优化配置方法 |
CN106451504A (zh) * | 2016-10-19 | 2017-02-22 | 上海电力设计院有限公司 | 一种混合储能***配置成本的控制方法及装置 |
-
2017
- 2017-04-08 CN CN201710226173.9A patent/CN107492903B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734166A (zh) * | 2015-02-09 | 2015-06-24 | 山东大学 | 混合储能***及风力发电功率平滑控制方法 |
CN105098807A (zh) * | 2015-07-20 | 2015-11-25 | 安阳师范学院 | 储能***中多个混合储能装置间的互补优化控制方法 |
CN105896582A (zh) * | 2016-06-16 | 2016-08-24 | 南京工程学院 | 一种微网储能容量优化配置方法 |
CN106451504A (zh) * | 2016-10-19 | 2017-02-22 | 上海电力设计院有限公司 | 一种混合储能***配置成本的控制方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109802412A (zh) * | 2019-03-25 | 2019-05-24 | 上海理工大学 | 用户侧负荷聚集商储能容量的优化配置方法 |
CN109802412B (zh) * | 2019-03-25 | 2022-06-17 | 上海理工大学 | 用户侧负荷聚集商储能容量的优化配置方法 |
CN110555594A (zh) * | 2019-08-09 | 2019-12-10 | 南瑞集团有限公司 | 一种面向多联供***的混合储能***容量规划设计方法 |
CN114301089A (zh) * | 2021-12-17 | 2022-04-08 | 国核电力规划设计研究院有限公司 | 一种风光联合发电***储能容量配置优化方法 |
CN114301089B (zh) * | 2021-12-17 | 2023-11-03 | 国核电力规划设计研究院有限公司 | 一种风光联合发电***储能容量配置优化方法 |
CN117239811A (zh) * | 2023-11-14 | 2023-12-15 | 中国华能集团清洁能源技术研究院有限公司 | 混合储能***、超级电容配置方法和协调控制方法 |
CN117239811B (zh) * | 2023-11-14 | 2024-01-30 | 中国华能集团清洁能源技术研究院有限公司 | 混合储能***、超级电容配置方法和协调控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107492903B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barelli et al. | Integrating Hybrid Energy Storage System on a Wind Generator to enhance grid safety and stability: A Levelized Cost of Electricity analysis | |
Li et al. | A maximum power point tracking method for PV system with improved gravitational search algorithm | |
CN104037793B (zh) | 一种应用于主动配电网的储能单元容量配置方法 | |
CN103986190B (zh) | 基于发电功率曲线的风光储联合发电***平滑控制方法 | |
Wang et al. | Optimal capacity allocation of standalone wind/solar/battery hybrid power system based on improved particle swarm optimisation algorithm | |
CN108599206B (zh) | 高比例不确定电源场景下的配电网混合储能配置方法 | |
Zhang et al. | Capacity allocation of HESS in micro-grid based on ABC algorithm | |
CN104319768B (zh) | 一种微电网供电及监控方法 | |
Hashem et al. | Optimal placement and sizing of wind turbine generators and superconducting magnetic energy storages in a distribution system | |
CN104092231A (zh) | 一种独立微网混和储能容量优化配置方法 | |
CN107134789B (zh) | 基于拓展qv节点的光储最优潮流控制方法 | |
CN109038560B (zh) | 基于运行策略的配电网分布式储能经济性评价方法和*** | |
CN107492903A (zh) | 一种基于统计学模型的混合储能***容量优化配置方法 | |
CN103094920B (zh) | 一种直驱式风电机组风电场等值方法 | |
CN112365021A (zh) | 一种基于混合储能的区域综合能源***规划优化方法 | |
CN110417045A (zh) | 一种针对交直流混合微电网容量配置的优化方法 | |
CN106251005A (zh) | 一种基于改进粒子群算法的混合储能容量优化配置方法 | |
CN112821463B (zh) | 基于风、光随机性的主动配电网多目标日前优化调度方法 | |
CN106058900A (zh) | 一种并网风光发电中混合储能容量优化配置方法 | |
CN104077664A (zh) | 一种风电储能发电***的置信容量评估方法 | |
CN112531689A (zh) | 受端电力***的源网荷储协调控制能力评估方法和设备 | |
CN115459310A (zh) | 基于改进变分模态分解的混合储能容量优化方法及*** | |
CN110323779B (zh) | 一种分布式发电与储能装置的功率动态聚合的方法和*** | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢***的运行控制策略 | |
CN116488206A (zh) | 基于多目标粒子群算法的含源配电网储能优化配置方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200811 |