CN109004670A - 多类型储能***的容量配置方法、装置和*** - Google Patents
多类型储能***的容量配置方法、装置和*** Download PDFInfo
- Publication number
- CN109004670A CN109004670A CN201810862047.7A CN201810862047A CN109004670A CN 109004670 A CN109004670 A CN 109004670A CN 201810862047 A CN201810862047 A CN 201810862047A CN 109004670 A CN109004670 A CN 109004670A
- Authority
- CN
- China
- Prior art keywords
- configuration
- capacity
- power
- supercapacitor
- lithium ion
- 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 122
- 238000000034 method Methods 0.000 title claims abstract description 39
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 108
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 108
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 48
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 22
- 229910052744 lithium Inorganic materials 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 239000003990 capacitor Substances 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000087 stabilizing effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 description 12
- 230000005611 electricity Effects 0.000 description 7
- 238000011065 in-situ storage Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009194 climbing Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H02J3/386—
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种多类型储能***的容量配置方法、装置和***，其中方法包括：获取风电场输出的风电功率的数据；对风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数；根据功率序列中第一层至最初层的高频部分，生成超级电容器的配置功率，并算得超级电容器的配置容量；根据功率序列中最初层的下一层至最佳层的高频部分，生成锂离子电池的配置功率，并算得锂离子电池的配置容量；根据超级电容器的配置功率和配置容量，以及锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置。上述方法，能够有效提升多类型储能***的容量配置效率。
Description
技术领域
本发明涉及风储发电技术领域，特别是涉及一种多类型储能***的容量配置方法、装置和多类型储能***。
背景技术
风能作为一种清洁的可再生能源，近年来得到了跨越式发展。由于风速的随机波动性，输出电能具有间歇性和不确定性，会对电网产生一定的冲击，上网难问题成为制约风电发展的瓶颈。
因为储能具有动态吸收及释放能量的特征，其作为一种平衡风电功率波动的有效手段，逐渐受到重视。电力***中常用的储能技术主要有钠硫电池、液流电池、超级电容器(Ultra Capacitor，UC)和超导储能等。由于风电场容量大，风电功率短周期变化频繁、长周期变化幅度较大，单一储能技术已难以满足多时间尺度功率平抑需求。多类型储能***(Hybrid Energy Storage System，HESS)利用储能设备互补特性，克服了单一储能技术的局限性，是未来储能技术发展的趋势之一。
时间尺度是描述功率波动在时间轴上跨度大小的量，是一个波动特征参数。研究表明，风电功率波动在时间尺度上的不同，对于电力***电能质量、***备用容量以及安全稳定运行等产生的影响也不尽相同。鉴于此，电网公司在风电并网标准(Grid Code)中一般为并网风电场在不同时间尺度上的功率波动幅值(又称风电爬坡率)分别设置一定的阈值，以保证输出的风电功率满足功率波动平抑约束(FMR)指标。
现有技术中，在对风电功率的爬坡率进行平抑时，一般需要通过运算确定满足FMR指标的平滑输出功率，并计算相应的实现所述平滑输出对应的多类型储能设备中各个储能装置的配置功率和配置容量，以按照所述配置功率和配置容量控制多类型储能设备的充放电来平抑风电功率的波动。然而现有技术中，在进行多类型储能***的容量配置计算时，例如现有技术中采用Mallat算法，通过在水平和垂直方向交替使用低通和高通滤波器实现。这种传统的基于卷积的离散小波变换的计算量很大，计算复杂度高，对存储空间要求高，不利于硬件实现，导致多类型储能***的容量配置效率低下。
发明内容
基于此，有必要现有的多类型储能***的容量配置方法运算占用资源大，运算效率低，导致多类型储能***的容量配置效率低下的技术问题，提供一种多类型储能***的容量配置方法、装置和多类型储能***。
一种多类型储能***的容量配置方法，包括以下步骤：
获取风电场输出的风电功率的数据；
对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数；
根据所述功率序列中第一层至最初层的高频部分，生成超级电容器的配置功率，并算得对应的超级电容器的配置容量；其中，所述最初层数为满足超级电容器可平抑的波动频带最小值不大于风电功率低频频带最大值的最大整数层数；
根据所述功率序列中最初层的下一层至最佳层的高频部分，生成锂离子电池的配置功率，并算得对应的锂离子电池的配置容量；
根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
上述多类型储能***的容量配置方法，将风电功率逐层分解为高频部分和低频部分，最初层前的高频部分使用响应速度快、长寿命、高脉冲峰值功率但是储能总能量较小的超级电容器平缓***输出功率；在最初层至最佳层的次高频部分则采用大容量的锂电池平缓***输出功率。通过采用两种储能装置的合理搭配，不但能有效抑制不同时间尺度的输出波动，还能够减少锂电池的充放电次数，延长锂电池的使用寿命。
上述多类型储能***的容量配置方法在进行小波分解时，利用提升静态小波，其不依赖于傅里叶变换，继承了第一代小波的多分辨率的特征，小波变换后的系数是整数，结构简单，原位运算，计算速度快，计算时无需额外的存储开销，易于硬件实现。能够更好地适应风电功率的波动平抑，更能满足不同类型储能的特性，从而延长储能的使用寿命。此外上述方案使得多类型储能***只需配置较少的储能容量，提升了多类型储能***容量利用效率。
在一个实施例中，为了提升小波分解的准确性，对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数可以进一步包括如下步骤：
利用神经网络，识别出平抑所述风电功率的波动的最佳小波函数；
利用所述最佳小波函数，通过SWT对该组风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，并取当前的分解层数为最佳层数。
通过上述实施例的技术方案，可以海量风电场大数据为基础，利用神经网络识别出与风电功率匹配的小波类型，提升小波分解运算的准确性。
在一个实施例中，依照下述步骤算得对应的超级电容器的配置容量：
通过周期性边界条件约束，获取超级电容器的初始配置容量；
分别计算各个时刻对应的所述超级电容器在充电空间内能够吸收的超级电容器吸收能量；其中，所述超级电容器吸收能量由所述超级电容器的初始配置容量减去超级电容器的配置功率在初始时刻至该时刻的时间段内的积分得出；
取所述各个时刻对应的超级电容器吸收能量中的最大值与最小值之间的差值，为超级电容器的配置容量。
通过上述实施例的技术方案，即可快速算得对应的超级电容器的配置容量。
在一个实施例中，依照下述步骤算得对应的锂离子电池的配置容量：
通过周期性边界条件约束，获取锂离子电池的初始配置容量；
分别计算各个时刻对应的所述锂离子电池在充电空间内能够吸收的锂离子电池吸收能量；其中，所述锂离子电池吸收能量由所述锂离子电池的初始配置容量减去锂离子电池的配置功率在初始时刻至该时刻的时间段内的积分得出；
取所述各个时刻对应的锂离子电池吸收能量中的最大值与最小值之间的差值，为锂离子电池的配置容量。
通过上述实施例的技术方案，即可快速算得对应的锂离子电池的配置容量。
在一个实施例中，为了消除单次运算得到的配置功率和配置容量偶然误差，使得运算结果更加准确，可以获取多组所述设定长度的风电功率的数据，并分别计算得到各组风电功率的数据对应的超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量；
所述根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置包括步骤：
分别根据各组所述超级电容的配置功率的最大值和配置容量的最大值，以及各组所述锂离子电池的配置功率的最大值和配置容量的最大值，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
一种多类型储能***的容量配置装置，包括：
风电功率获取模块，用于获取风电场输出的风电功率的数据；
小波分解模块，用于对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数；
超级电容器配置计算模块，用于根据所述功率序列中第一层至最初层的高频部分，生成超级电容器的配置功率，并算得对应的超级电容器的配置容量；其中，所述最初层数为满足超级电容器可平抑的波动频带最小值不大于风电功率低频频带最大值的最大整数层数；
锂离子电池配置计算模块，用于根据所述功率序列中最初层的下一层至最佳层的高频部分，生成锂离子电池的配置功率，并算得对应的锂离子电池的配置容量；
容量配置模块，用于根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
上述多类型储能***的容量配置装置，将风电功率逐层分解为高频部分和低频部分，最初层前的高频部分使用响应速度快、长寿命、高脉冲峰值功率但是储能总能量较小的超级电容器平缓***输出功率；在最初层至最佳层的次高频部分则采用大容量的锂电池平缓***输出功率。通过采用两种储能装置的合理搭配，不但能有效抑制不同时间尺度的输出波动，还能够减少锂电池的充放电次数，延长锂电池的使用寿命。
上述多类型储能***的容量配置装置在进行小波分解时，利用提升静态小波，其不依赖于傅里叶变换，继承了第一代小波的多分辨率的特征，小波变换后的系数是整数，结构简单，原位运算，计算速度快，计算时无需额外的存储开销，易于硬件实现。能够更好地适应风电功率的波动平抑，更能满足不同类型储能的特性，从而延长储能的使用寿命。此外上述方案使得多类型储能***只需配置较少的储能容量，提升了多类型储能***容量利用效率。
一种多类型储能***，包括：中央控制器、超级电容器和锂离子电池；
所述超级电容器分别与所述风电场和电网电连接，用于在所述中央控制器的控制指令下存储所述风电场输出的风电功率或输出功率至电网；
所述锂离子电池分别与所述风电场和电网电连接，用于在所述中央控制器的控制指令下存储所述风电场输出的风电功率或输出功率至电网；
所述中央控制器分别与风电场、超级电容器和锂离子电池通信连接，用于执行如上任一实施例所述的多类型储能***的容量配置方法的步骤。
上述多类型储能***，将风电功率逐层分解为高频部分和低频部分，最初层前的高频部分使用响应速度快、长寿命、高脉冲峰值功率但是储能总能量较小的超级电容器平缓***输出功率；在最初层至最佳层的次高频部分则采用大容量的锂电池平缓***输出功率。通过采用两种储能装置的合理搭配，不但能有效抑制不同时间尺度的输出波动，还能够减少锂电池的充放电次数，延长锂电池的使用寿命。
上述多类型储能***在进行小波分解时，利用提升静态小波，其不依赖于傅里叶变换，继承了第一代小波的多分辨率的特征，小波变换后的系数是整数，结构简单，原位运算，计算速度快，计算时无需额外的存储开销，易于硬件实现。能够更好地适应风电功率的波动平抑，更能满足不同类型储能的特性，从而延长储能的使用寿命。此外上述方案使得多类型储能***只需配置较少的储能容量，提升了多类型储能***容量利用效率。
附图说明
图1为一个实施例中多类型储能***的容量配置方法的应用环境图；
图2为一个实施例中多类型储能***的容量配置方法的流程示意图；
图3为一个实施例中多类型储能***的容量配置装置的结构框图；
图4为一个实施例中多类型储能***的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供的多类型储能***的容量配置方法，可以应用于如图1所示的应用环境中。其中，包括风电场、多类型储能***、双向变流器、升压变压器和中央控制器，所述多类型储能***包括超级电容器和锂离子电池，所述多类型储能***依次通过双向变流器以及升压变压器与电网相连；所述中央控制器通过实时监测风电场的风电功率，综合爬坡率平抑指标，计算得到平抑后的风电场的平滑输出功率，以及相应的超级电容器的配置功率和配置容量，和锂离子电池的配置功率和配置容量，对超级电容器和锂离子电池进行充放电控制，并输出平抑后的平滑输出功率至电网。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的限定，具体的可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。例如本发明的上述多类型储能***除了包括超级电容器和锂离子电池之外，还可以包括一种或多种其它类型的储能装置，相应地，本发明实施例的多类型储能***的容量配置方法可用于两种及以上类型的多类型储能***的容量配置。
在一个实施例中，如图2所示，提供了一种多类型储能***的容量配置方法，以该方法应用于图1中的中央控制器为例进行说明，包括以下步骤：
S210，获取风电场输出的风电功率的数据；
S220，对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数；
在一个实施例中，为了提升小波分解的准确性，S220中对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数可以进一步包括如下步骤：
S221，利用神经网络，识别出平抑所述风电功率的波动的最佳小波函数；
S222，利用所述最佳小波函数，通过SWT对该组风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，并取当前的分解层数为最佳层数。
通过上述实施例的技术方案，可以海量风电场大数据为基础，利用神经网络识别出与风电功率匹配的小波类型，提升小波分解运算的准确性。
举例说明，小波分解是一种构造紧支集双正交小波的新方法。提升方案把第一代小波变换过程分为以下三个阶段：分解(split)，预测(predict)和更新(update)。以尺度函数为低通滤波器，小波函数为高通滤波器，提升小波变换(SWT)可以将原始信号分成低频近似部分和高频细节信号，继续对得到的低频近似信号进行分解，得到下一级的细节部分和近似信号，依此类推。
上述过程可由下式表示：
所述逐层小波分解得到功率序列依照下式所示：
上式中，T为提升静态小波变换矩阵，Sj为第j层低频部分重构，Dj为第j层高频部分重构，np为最初层数，no为最佳层数；Pwind为风电功率，Pwind,k为风电功率的时间序列，下标k代表时间值，tk＝t0+k·Δt，其中Δt为时步，t0为起始点。
此外，S230，根据所述功率序列中第一层至最初层的高频部分，生成超级电容器的配置功率，并算得对应的超级电容器的配置容量；其中，所述最初层数为满足超级电容器可平抑的波动频带最小值不大于风电功率低频频带最大值的最大整数层数；
步骤S230中获取所述功率序列中第一层至最初层的高频部分作为超级电容器的补偿功率序列，可以表示如下：
上式中，Puc,k为超级电容器的补偿功率序列；
对上述超级电容器的补偿功率序列取绝对值最大值，并标幺化，得到超级电容器的配置功率
进一步地，在一个实施例中，在S230中计算得到超级电容器的配置功率之后，还可以依照下述步骤算得对应的超级电容器的配置容量：
S231，通过周期性边界条件(Periodic Boundary Conditions,PBC)约束，获取超级电容器的初始配置容量；
S232，分别计算各个时刻对应的所述超级电容器在充电空间内能够吸收的超级电容器吸收能量；其中，所述超级电容器吸收能量由所述超级电容器的初始配置容量减去超级电容器的配置功率在初始时刻至该时刻的时间段内的积分得出；
步骤S232计算的超级电容器吸收能量可以表示如下：
S233，取所述各个时刻对应的超级电容器吸收能量中的最大值与最小值之间的差值，为超级电容器的配置容量。
步骤S233计算的超级电容器的配置容量可以表示如下：
通过上述实施例的技术方案，即可快速算得对应的超级电容器的配置容量。
S240，根据所述功率序列中最初层的下一层至最佳层的高频部分，生成锂离子电池的配置功率，并算得对应的锂离子电池的配置容量；
步骤S240中获取所述功率序列中最初层的下一层至最佳层的高频部分为锂离子电池的补偿功率序列如下式所示：
上式中，Plb,k为锂离子电池的补偿功率序列；
对所述锂离子电池的补偿功率序列取绝对值最大值，并标幺化，得到锂离子电池的配置功率
进一步地，在一个实施例中，在S240中计算得到锂离子电池的配置功率之后，还可以依照下述步骤算得对应的锂离子电池的配置容量：
S241，通过周期性边界条件约束，获取锂离子电池的初始配置容量；
S242，分别计算各个时刻对应的所述锂离子电池在充电空间内能够吸收的锂离子电池吸收能量；其中，所述锂离子电池吸收能量由所述锂离子电池的初始配置容量减去锂离子电池的配置功率在初始时刻至该时刻的时间段内的积分得出；
步骤S232计算的锂离子电池吸收能量可以表示如下：
S243，取所述各个时刻对应的锂离子电池吸收能量中的最大值与最小值之间的差值，为锂离子电池的配置容量。
步骤S243计算的锂离子电池的配置容量可以表示如下：
通过上述实施例的技术方案，即可快速算得对应的锂离子电池的配置容量。除了上述步骤S230和S240计算的超级电容器和锂离子电池的储能容量之外，还可以考虑超级电容器和锂离子电池共同组成的多类型储能***在充电空间内能够吸收的能量如下式所示：
其中，初始总储能Estorage,0同样可以通过周期性边界条件取得。
S250，根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
上述多类型储能***的容量配置方法，将风电功率逐层分解为高频部分和低频部分，最初层前的高频部分使用响应速度快、长寿命、高脉冲峰值功率但是储能总能量较小的超级电容器平缓***输出功率；在最初层至最佳层的次高频部分则采用大容量的锂电池平缓***输出功率。通过采用两种储能装置的合理搭配，不但能有效抑制不同时间尺度的输出波动，还能够减少锂电池的充放电次数，延长锂电池的使用寿命。
上述多类型储能***的容量配置方法在进行小波分解时，利用提升静态小波，其不依赖于傅里叶变换，继承了第一代小波的多分辨率的特征，小波变换后的系数是整数，结构简单，原位运算，计算速度快，计算时无需额外的存储开销，易于硬件实现。能够更好地适应风电功率的波动平抑，更能满足不同类型储能的特性，从而延长储能的使用寿命。此外上述方案使得多类型储能***只需配置较少的储能容量，提升了多类型储能***容量利用效率。
在一个实施例中，为了消除单次运算得到的配置功率和配置容量偶然误差，使得运算结果更加准确，可以获取多组所述设定长度的风电功率的数据，并通过上述步骤S220至S240分别计算得到各组风电功率的数据对应的超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量；
S250所述根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置包括步骤：
S251，分别根据各组所述超级电容的配置功率的最大值和配置容量的最大值，以及各组所述锂离子电池的配置功率的最大值和配置容量的最大值，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
例如，可以通过多次抽取THESS长度的风电功率数据，并重复上述步骤S220至S240进行容量配置。如此进行多次大量重复性工作，得到配置功率序列与配置容量序列，从而得到容量配置的范围，并分别取其中的最大值，使得得到的容量的配置功率和配置容量更加合理，消除单次运算由于功率波动导致的偶然误差。最终的容量配置可表示如下式：
其中，分别为第j组风电功率计算的标幺化后的锂离子电池的配置功率和配置容量；分别为第j组风电功率计算的标幺化后的超级电容器的配置功率和配置容量；与去标幺化后可以得到最终的配置方案与λlb、λuc、ηlb与ηuc是大于1的配置系数，与逆变器效率、电池最大放电深度DOD、充放电速率等有关。
应该理解的是，虽然上述实施例中的各个步骤按照编号依次排列，但是这些步骤并不是必然按照编号的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例的步骤中至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种多类型储能***的容量配置装置，包括：
风电功率获取模块310，用于获取风电场输出的风电功率的数据；
小波分解模块320，用于对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数；
超级电容器配置计算模块330，用于根据所述功率序列中第一层至最初层的高频部分，生成超级电容器的配置功率，并算得对应的超级电容器的配置容量；其中，所述最初层数为满足超级电容器可平抑的波动频带最小值不大于风电功率低频频带最大值的最大整数层数；
锂离子电池配置计算模块340，用于根据所述功率序列中最初层的下一层至最佳层的高频部分，生成锂离子电池的配置功率，并算得对应的锂离子电池的配置容量；
容量配置模块350，用于根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
上述多类型储能***的容量配置装置，将风电功率逐层分解为高频部分和低频部分，最初层前的高频部分使用响应速度快、长寿命、高脉冲峰值功率但是储能总能量较小的超级电容器平缓***输出功率；在最初层至最佳层的次高频部分则采用大容量的锂电池平缓***输出功率。通过采用两种储能装置的合理搭配，不但能有效抑制不同时间尺度的输出波动，还能够减少锂电池的充放电次数，延长锂电池的使用寿命。
上述多类型储能***的容量配置装置在进行小波分解时，利用提升静态小波，其不依赖于傅里叶变换，继承了第一代小波的多分辨率的特征，小波变换后的系数是整数，结构简单，原位运算，计算速度快，计算时无需额外的存储开销，易于硬件实现。能够更好地适应风电功率的波动平抑，更能满足不同类型储能的特性，从而延长储能的使用寿命。此外上述方案使得多类型储能***只需配置较少的储能容量，提升了多类型储能***容量利用效率。
在一个实施例中，所述小波分解模块包括：
最佳小波函数识别模块，用于利用神经网络，识别出平抑所述风电功率的波动的最佳小波函数；
逐层小波分解模块，用于利用所述最佳小波函数，通过SWT对该组风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，并取当前的分解层数为最佳层数。
在一个实施例中，所述风电功率获取模块进一步用于获取多组所述设定长度的风电功率的数据，所述小波分解模块、超级电容器配置计算模块和锂离子电池配置计算模块进一步用于分别计算得到各组风电功率的数据对应的超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量；
所述容量配置模块进一步用于分别根据各组所述超级电容的配置功率的最大值和配置容量的最大值，以及各组所述锂离子电池的配置功率的最大值和配置容量的最大值，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
在一个实施例中，超级电容器配置计算模块在执行并算得对应的超级电容器的配置容量时，进一步用于：
通过周期性边界条件约束，获取超级电容器的初始配置容量；
分别计算各个时刻对应的所述超级电容器在充电空间内能够吸收的超级电容器吸收能量；其中，所述超级电容器吸收能量由所述超级电容器的初始配置容量减去超级电容器的配置功率在初始时刻至该时刻的时间段内的积分得出；
取所述各个时刻对应的超级电容器吸收能量中的最大值与最小值之间的差值，为超级电容器的配置容量。
在一个实施例中，锂离子电池配置计算模块在执行并算得对应的锂离子电池的配置容量时，进一步用于：
通过周期性边界条件约束，获取锂离子电池的初始配置容量；
分别计算各个时刻对应的所述锂离子电池在充电空间内能够吸收的锂离子电池吸收能量；其中，所述锂离子电池吸收能量由所述锂离子电池的初始配置容量减去锂离子电池的配置功率在初始时刻至该时刻的时间段内的积分得出；
取所述各个时刻对应的锂离子电池吸收能量中的最大值与最小值之间的差值，为锂离子电池的配置容量。
本发明的多类型储能***的容量配置装置与本发明的多类型储能***的容量配置方法一一对应，在上述多类型储能***的容量配置方法的实施例阐述的技术特征及其有益效果均适用于多类型储能***的容量配置装置的实施例中，特此声明。
在一个实施例中，如图4所示，提供了一种多类型储能***，包括：中央控制器、超级电容器和锂离子电池；
所述超级电容器分别与所述风电场和电网电连接，用于在所述中央控制器的控制指令下存储所述风电场输出的风电功率或输出功率至电网；
所述锂离子电池分别与所述风电场和电网电连接，用于在所述中央控制器的控制指令下存储所述风电场输出的风电功率或输出功率至电网；
所述中央控制器分别与风电场、超级电容器和锂离子电池通信连接，用于执行如上任一实施例所述的多类型储能***的容量配置方法的步骤。
上述多类型储能***，将风电功率逐层分解为高频部分和低频部分，最初层前的高频部分使用响应速度快、长寿命、高脉冲峰值功率但是储能总能量较小的超级电容器平缓***输出功率；在最初层至最佳层的次高频部分则采用大容量的锂电池平缓***输出功率。通过采用两种储能装置的合理搭配，不但能有效抑制不同时间尺度的输出波动，还能够减少锂电池的充放电次数，延长锂电池的使用寿命。
上述多类型储能***在进行小波分解时，利用提升静态小波，其不依赖于傅里叶变换，继承了第一代小波的多分辨率的特征，小波变换后的系数是整数，结构简单，原位运算，计算速度快，计算时无需额外的存储开销，易于硬件实现。能够更好地适应风电功率的波动平抑，更能满足不同类型储能的特性，从而延长储能的使用寿命。此外上述方案使得多类型储能***只需配置较少的储能容量，提升了多类型储能***容量利用效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可查询存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种多类型储能***的容量配置方法，其特征在于，包括：
获取风电场输出的风电功率的数据；
通过SWT对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数；
根据所述功率序列中第一层至最初层的高频部分，生成超级电容器的配置功率，并算得对应的超级电容器的配置容量；其中，所述最初层数为满足超级电容器可平抑的波动频带最小值不大于风电功率低频频带最大值的最大整数层数；
根据所述功率序列中最初层的下一层至最佳层的高频部分，生成锂离子电池的配置功率，并算得对应的锂离子电池的配置容量；
根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
2.根据权利要求1所述的多类型储能***的容量配置方法，其特征在于，所述通过SWT对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数包括：
利用神经网络，识别出平抑所述风电功率的波动的最佳小波函数；
利用所述最佳小波函数，通过SWT对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，并取当前的分解层数为最佳层数。
3.根据权利要求1所述的多类型储能***的容量配置方法，其特征在于，获取多组所述设定长度的风电功率的数据，并分别计算得到各组风电功率的数据对应的超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量；
所述根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置包括步骤：
分别根据各组所述超级电容的配置功率的最大值和配置容量的最大值，以及各组所述锂离子电池的配置功率的最大值和配置容量的最大值，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
4.根据权利要求1所述的多类型储能***的容量配置方法，其特征在于，所述并算得对应的超级电容器的配置容量包括：
通过周期性边界条件约束，获取超级电容器的初始配置容量；
分别计算各个时刻对应的所述超级电容器在充电空间内能够吸收的超级电容器吸收能量；其中，所述超级电容器吸收能量由所述超级电容器的初始配置容量减去超级电容器的配置功率在初始时刻至该时刻的时间段内的积分得出；
取所述各个时刻对应的超级电容器吸收能量中的最大值与最小值之间的差值，为超级电容器的配置容量。
5.根据权利要求1所述的多类型储能***的容量配置方法，其特征在于，所述并算得对应的锂离子电池的配置容量包括：
通过周期性边界条件约束，获取锂离子电池的初始配置容量；
分别计算各个时刻对应的所述锂离子电池在充电空间内能够吸收的锂离子电池吸收能量；其中，所述锂离子电池吸收能量由所述锂离子电池的初始配置容量减去锂离子电池的配置功率在初始时刻至该时刻的时间段内的积分得出；
取所述各个时刻对应的锂离子电池吸收能量中的最大值与最小值之间的差值，为锂离子电池的配置容量。
6.一种多类型储能***的容量配置装置，其特征在于，包括：
风电功率获取模块，用于获取风电场输出的风电功率的数据；
小波分解模块，用于通过SWT对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，取当前的分解层数为最佳层数；
超级电容器配置计算模块，用于根据所述功率序列中第一层至最初层的高频部分，生成超级电容器的配置功率，并算得对应的超级电容器的配置容量；其中，所述最初层数为满足超级电容器可平抑的波动频带最小值不大于风电功率低频频带最大值的最大整数层数；
锂离子电池配置计算模块，用于根据所述功率序列中最初层的下一层至最佳层的高频部分，生成锂离子电池的配置功率，并算得对应的锂离子电池的配置容量；
容量配置模块，用于根据所述超级电容器的配置功率和配置容量，以及所述锂离子电池的配置功率和配置容量，对多类型储能***中超级电容器和锂离子电池的容量进行配置。
7.根据权利要求6所述的多类型储能***的容量配置装置，其特征在于，所述小波分解模块包括：
最佳小波函数识别模块，用于利用神经网络，识别出平抑所述风电功率的波动的最佳小波函数；
逐层小波分解模块，用于利用所述最佳小波函数，通过SWT对所述风电功率进行逐层小波分解，直至分解得到的功率序列的低频部分的重构满足FMT约束，并取当前的分解层数为最佳层数。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的多类型储能***的容量配置方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任意一项所述的多类型储能***的容量配置方法的步骤。
10.一种多类型储能***，其特征在于，包括：中央控制器、超级电容器和锂离子电池；
所述超级电容器分别与所述风电场和电网电连接，用于在所述中央控制器的控制指令下存储所述风电场输出的风电功率或输出功率至电网；
所述锂离子电池分别与所述风电场和电网电连接，用于在所述中央控制器的控制指令下存储所述风电场输出的风电功率或输出功率至电网；
所述中央控制器分别与风电场、超级电容器和锂离子电池通信连接，用于执行如权利要求1至5任一项所述的多类型储能***的容量配置方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810862047.7A CN109004670A (zh) | 2018-08-01 | 2018-08-01 | 多类型储能***的容量配置方法、装置和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810862047.7A CN109004670A (zh) | 2018-08-01 | 2018-08-01 | 多类型储能***的容量配置方法、装置和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109004670A true CN109004670A (zh) | 2018-12-14 |
Family
ID=64597923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810862047.7A Pending CN109004670A (zh) | 2018-08-01 | 2018-08-01 | 多类型储能***的容量配置方法、装置和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109004670A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103580045A (zh) * | 2013-11-08 | 2014-02-12 | 国家电网公司 | 一种平抑间歇式电源功率波动的混合储能***控制方法 |
| CN104466998A (zh) * | 2014-12-03 | 2015-03-25 | 沈阳工业大学 | 风电混和储能容量配置方法 |
| CN105226688A (zh) * | 2015-10-12 | 2016-01-06 | 中国电力科学研究院 | 基于机会约束模型的多类型储能***容量优化配置方法 |
| CN106353649A (zh) * | 2016-09-18 | 2017-01-25 | 广东电网有限责任公司珠海供电局 | 一种基于提升小波变换的局部放电信号去噪方法 |
| CN106972516A (zh) * | 2017-04-24 | 2017-07-21 | 国家电网公司 | 一种适用于微网的多类型储能多级控制方法 |
-
2018
- 2018-08-01 CN CN201810862047.7A patent/CN109004670A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103580045A (zh) * | 2013-11-08 | 2014-02-12 | 国家电网公司 | 一种平抑间歇式电源功率波动的混合储能***控制方法 |
| CN104466998A (zh) * | 2014-12-03 | 2015-03-25 | 沈阳工业大学 | 风电混和储能容量配置方法 |
| CN105226688A (zh) * | 2015-10-12 | 2016-01-06 | 中国电力科学研究院 | 基于机会约束模型的多类型储能***容量优化配置方法 |
| CN106353649A (zh) * | 2016-09-18 | 2017-01-25 | 广东电网有限责任公司珠海供电局 | 一种基于提升小波变换的局部放电信号去噪方法 |
| CN106972516A (zh) * | 2017-04-24 | 2017-07-21 | 国家电网公司 | 一种适用于微网的多类型储能多级控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHUNNIAN ZENG ET AL.: "A Wavelet Transform Based Power Allocation Strategy for Lithium Battery and Ultra Capacitor Hybrid Vehicular Power System", 《IEEE》 * |
| WANG YU-FEI ET AL.: "PV Power Smoothing in Regional Grid Based on Self-Adaption Wavelet Packet Decomposition", 《IEEE》 * |
| 张雯雯等: "基于提升静态小波变换的风廓线雷达地杂波抑制方法", 《中南大学学报(自然科学版)》 * |
| 洪海生: "应用于平抑风电功率波动的多类型储能***容量配置与协调控制研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chia et al. | A load predictive energy management system for supercapacitor-battery hybrid energy storage system in solar application using the Support Vector Machine | |
| CN104734166B (zh) | 混合储能***及风力发电功率平滑控制方法 | |
| CN103475015B (zh) | 一种用于平滑并网风光发电***输出波动的储能配置方法 | |
| Jing et al. | Battery lifetime enhancement via smart hybrid energy storage plug-in module in standalone photovoltaic power system | |
| CN107994593B (zh) | 复合储能***容量配置方法及终端设备 | |
| CN103259279B (zh) | 基于风电功率min级分量波动的风电场储能容量优化方法 | |
| Hung et al. | Community energy storage and capacitor allocation in distribution systems | |
| CN110729740B (zh) | 配电网无功优化方法、装置、计算机设备及可读存储介质 | |
| CN106340892B (zh) | 用于平抑风电输出功率的储能***的控制设备 | |
| CN109066772A (zh) | 风电爬坡率的平抑方法、装置和*** | |
| CN104600727A (zh) | 一种基于数理统计和小波分解算法的微电网中混合储能的容量配置方法 | |
| Guo et al. | Two‐stage optimal MPC for hybrid energy storage operation to enable smooth wind power integration | |
| CN103887816A (zh) | 一种基于功率预测的多元复合储能***并网控制方法 | |
| CN105140942A (zh) | 考虑核电状态偏差的混合储能优化功率分配方法 | |
| CN112003311A (zh) | 一种风电***功率波动平抑方法、装置以及风电*** | |
| CN103078351B (zh) | 微电网分频能量管理方法 | |
| CN114201916A (zh) | 一种基于参数优化的微网混合储能***剩余功率分解方法 | |
| CN112290596B (zh) | 基于Haar小波的风电场混合储能配置自适应双层优化方法 | |
| CN111146793B (zh) | 基于功率特征提取的光伏-储能***容量优化设计方法及*** | |
| CN104333025B (zh) | 适应脉冲型负荷功率波动平抑的超级电容配置方法 | |
| CN109004670A (zh) | 多类型储能***的容量配置方法、装置和*** | |
| CN112928769A (zh) | 一种兼顾补偿预测误差和平抑波动的光伏混合储能控制方法 | |
| CN114204562B (zh) | 一种考虑电动汽车与光伏的混合储能优化方法及*** | |
| Eddine et al. | Energy Management Strategy for Hybrid Power System Implemented with Processor in the Loop | |
| Mehdi et al. | Implementation of new adaptive power-split management strategy in a battery-super capacitor electric vehicle |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181214 |
|
| RJ01 | Rejection of invention patent application after publication |