CN110165707A - 基于卡尔曼滤波和模型预测控制的光储***优化控制方法 - Google Patents
基于卡尔曼滤波和模型预测控制的光储***优化控制方法 Download PDFInfo
- Publication number
- CN110165707A CN110165707A CN201910461337.5A CN201910461337A CN110165707A CN 110165707 A CN110165707 A CN 110165707A CN 201910461337 A CN201910461337 A CN 201910461337A CN 110165707 A CN110165707 A CN 110165707A
- Authority
- CN
- China
- Prior art keywords
- energy
- storage system
- power
- control
- light
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004146 energy storage Methods 0.000 claims abstract description 107
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 3
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 5
- 239000000178 monomer Substances 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- H02J3/383—
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electrical Variables (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于卡尔曼滤波和模型预测控制的光储***优化控制方法,属于电力***光储控制技术领域,包括建立光储联合发电***的结构模型,利用改进卡尔曼滤波算法建立滤波器的时间方程和状态方程,建立光储联合发电***的数学模型,采用模型预测控制方法对储能***进行优化控制,卡尔曼滤波算法与型预测控制方法结合,构成双调节反馈优化控制,通过储能荷电状态控制参数实现对光储联合发电***的闭环控制。本发明方法充分利用卡尔曼滤波和模型预测控制的预测特性,对光储联合***做到***、及时控制,以保证光伏发电***输出功率平抑的同时,优化储能***出力和储能***荷电状态。
Description
技术领域
本发明属于电力***光储控制技术领域,特别是涉及到一种光储联合发电***利用卡尔曼滤波和模型预测控制联合优化的控制方法。
背景技术
随着现代电力***的发展,储能技术逐渐被引入到电力***中,储能***因其灵活的功率吞吐特性,目前广泛应用于平滑风力发电和光伏发电、削峰填谷和调频等领域。随着光伏并网比例逐年加大,光伏功率的波动性不利于电网稳定运行,将储能***引入到光伏电站,光伏功率的波动可以被储能***有效缓解,起到平抑光伏功率波动的作用。
为了提高光伏电站并网能力,需要对并网的光伏功率波动进行平抑。由于储能***能够动态吸收或释放能量,将储能***用于光伏电站可有效平抑光伏功率的波动利用储能技术能够有效平抑光伏功率波动,但其成本制约了储能技术的大规模应用。因此现有技术当中亟需要一种新型的技术方案来解决这一问题。
发明内容
本发明所要解决的技术问题是:提供一种基于卡尔曼滤波和模型预测控制的光储***优化控制方法,该方法充分利用卡尔曼滤波和模型预测控制的预测特性,对光储联合***做到***、及时控制,以保证光伏发电***输出功率平抑的同时,优化储能***出力和储能***荷电状态。
基于卡尔曼滤波和模型预测控制的光储***优化控制方法,其特征是:包括以下步骤,且以下步骤顺次进行,
步骤一、建立光储联合发电***的结构模型,包括光伏电站、光伏逆变器、储能***、储能变流器、变压器以及微网;
步骤二、利用改进卡尔曼滤波算法建立滤波器的时间方程和状态方程,建立光储联合发电***的数学模型;
步骤三、采用模型预测控制方法对所述步骤一中的储能***进行优化控制;
步骤四、将所述步骤二的卡尔曼滤波算法与步骤三的模型预测控制方法结合,构成双调节反馈优化控制,通过储能荷电状态控制参数实现对光储联合发电***的闭环控制。
所述步骤一的储能***中设置有基于模型预测控制器MPC的储能***控制器,并通过DC/AC逆变器与母线连接;所述光伏电站和储能***通过储能变流器接入母线并网。
所述步骤二中改进卡尔曼滤波算法建立滤波器时间方程和状态方程的方法包括以下步骤,
步骤一、建立卡尔曼滤波器的时间更新方程,
其中,(Pv)k,k+1为光伏电站k+1时刻输出功率,(Pess)k,k为k时刻储能***输出功率,(Pg)k,k为光伏电站k时刻加入储能***后并网功率平滑值,Pk+1,k为先验估计协方差,Pk,k为k时刻估计的协方差,Q为过程噪声协方差;
计算当前时刻光伏功率的状态变量的估计值,为下一时间状态提供先验估计值;
步骤二、建立卡尔曼滤波器的状态更新方程,
其中,(Pg)k+1,k+1为并网后k+1时刻的功率平滑值,(Pv)k+1,k为由光伏电站当前时刻k得到的当前k+1时刻的状态先验估计,Kk为卡尔曼滤波器的增益值,R为测量噪声协方差,Pk+1,k为先验估计协方差,Pk+1,k+1为k+1时刻估计的协方差,(Pv)k+1为光伏电站加入储能前的光伏输出功率;
将先验估计和新测量变量相结合,为下一时间状态提供新的估计值;
步骤三、在卡尔曼滤波器增益中引入调节因子λ,通过实时动态调节卡尔曼滤波器的滤波增益实现光伏功率波动的平抑;
步骤四、在卡尔曼滤波器中引入滤波调节因子动态调节卡尔曼滤波增益,时间更新方程变为:(Pg)k+1,k+1=(Pv)k+1,k+Kk·[(Pv)k+1-(Pv)k+1,k]+ΔS·Pess状态更新方程变为:其中,(Pg)k+1,k+1为并网后k+1时刻的功率平滑值,(Pv)k+1,k为由光伏电站当前时刻k得到的当前k+1时刻的状态先验估计,Kk为卡尔曼滤波器的增益值,R为测量噪声协方差,Pk+1,k为先验估计协方差,Pess为储能***输出功率,(Pv)k+1为光伏电站加入储能前的光伏输出功率,ΔS为荷电状态调节变量;
所述步骤三中模型预测控制方法对储能***进行优化控制包括以下步骤,
步骤一、建立光储联合发电***中,光储***并网功率、储能***功率和光伏实测功率三者之间的关系为:Pg(k)=Pv(k)+Pess(k),
其中,Pg(k)为光储***并网功率,Pv(k)为光伏实测功率,Pess(k)为储能***功率;
步骤二、利用模型预测控制方法对储能***进行优化控制,控制时域为T,储能容量为Eb,建立储能***荷电状态表达:
步骤三、将光储***并网功率Pg和储能***荷电状态SOC作为状态变量,储能***功率Pess作为控制变量,将光伏原始功率Pv作为扰动变量,k时刻的储能***状态空间方程为:
步骤四、储能***内部集中了多个储能电池单体,将光储联合发电***中的储能***等效为N个独立储能电池单体集群后的储能单元,光储联合发电***中储能***在预测时段内的功率预测模型为:Pess,T(k)=Pess,T0+B(k)-Pess,T0(k)+ΔPess(k)
其中:Pess,T(k)等效于Pess(k),为k时刻储能单元中各储能***合成出力构成的T维向量;T为控制时域;B为预测时域;Pess,T0(k)为之前某一时刻(T0)储能单元中各储能***合成出力构成的B维向量;ΔPess(k)为储能***输出功率差值;
步骤五、通过MPC滚动优化计算实现对储能***的优化控制,建立滚动优化目标函数:
根据上式得到下一时刻储能***功率调节值Pess(k+1)作为实际控制量,下次优化重复该优化,求下一时刻的控制增量,实现预测控制的滚动优化;
所述步骤四双调节反馈优化控制为,在卡尔曼滤波器中引入滤波调节因子,自适应调节卡尔曼滤波增益使储能***协调光伏功率输出,平抑光伏功率波动;
在模型预测控制器中,
通过储能***运行过程中的功率约束条件:|Pess(k)|≤Pess,max,
储能***运行过程中的荷电状态约束为条件:SOCmin≤SOC(k)≤SOCmax,
以及并网功率波动率约束:[Pg(k+1)-Pg(k)]/Pcap≤γ,进行模型预测控制滚动优化得到储能***最优功率,同时得到储能***的最优荷电状态。
通过上述设计方案,本发明可以带来如下有益效果:基于卡尔曼滤波和模型预测控制的光储***优化控制方法,该方法充分利用卡尔曼滤波和模型预测控制的预测特性,对光储联合***做到***、及时控制,以保证光伏发电***输出功率平抑的同时,优化储能***出力和储能***荷电状态。
附图说明
以下结合附图和具体实施方式对本发明作进一步的说明:
图1为本发明光储联合发电***结构示意图。
图2为本发明基于卡尔曼滤波和模型预测控制的光储***双调节反馈优化控制示意框图。
图3为本发明基于卡尔曼滤波和模型预测控制的光储***优化控制流程示意图。
具体实施方式
基于卡尔曼滤波和模型预测控制的光储***优化控制方法,结合图1、图2以及图3,本发明具体实施方式如下:
根据光储联合发电***的工作原理建立光储***原理图;
建立光储联合发电***基于卡尔曼滤波的时间更新方程和状态更新方程;
为了改进光伏功率波动平抑效果,在卡尔曼滤波方程中引入滤波调节因子λ,对时间更新方程和状态更新方程进行改进;卡尔曼滤波器根据光伏实际输出的预估状态调整滤波增益,当储能***的SOC处于低水平并持续降低时,为避免储能***过放,此时应增大调节因子λ使储能***充电;同理当储能***的SOC处于高水平并持续增大时,应减小调节因子λ使储能***放电,实时动态反馈调整滤波调节因子达到动态调节作用;
在模型预测控制回路中,利用模型预测控制滚动优化获取储能最优功率,同时得到储能***荷电状态SOC的初步调节值。为了避免储能***统荷电状态SOC在短时间内出现剧烈变化,同时满足下一时刻充电或者放电的需求,通过调节器2来实现荷电状态调节变量ΔS的优化控制,利用当前时刻的统荷电状态SOC值和调节因子λ值共同优化ΔS,将得到的SOC粗调值再次经调节器1进行精确调节并反馈到卡尔曼滤波器实现滚动优化以增强滤波效果。
充分利用卡尔曼滤波和模型预测控制的预测特性,以功率波动平抑的同时确保下一时段储能功率最小为目标,利用滚动优化实现实时控制,提高储能***运行的经济性。
建立光储联合发电***的预测控制模型并将综合考虑各约束条件;从储能的寿命角度来分析,储能的寿命受循环次数、放电深度等因素的制约,综合考虑***的功率约束、SOC约束和波动率约束,保证功率波动平抑***未来一个控制时域的储能出力最小、荷电状态最优,利用模型预测控制中的滚动时域控制策略实现实时控制;同时,为了避免储能***SOC在短时间内出现剧烈变化,防止储能***由于越限而发生功率畸变,储能***的荷电状态在使用期间需要保持在合理范围内,满足下一时刻充电或者放电的需求,对储能***SOC进行优化。
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.基于卡尔曼滤波和模型预测控制的光储***优化控制方法,其特征是:包括以下步骤,且以下步骤顺次进行,
步骤一、建立光储联合发电***的结构模型,包括光伏电站、光伏逆变器、储能***、储能变流器、变压器以及微网;
步骤二、利用改进卡尔曼滤波算法建立滤波器的时间方程和状态方程,建立光储联合发电***的数学模型;
步骤三、采用模型预测控制方法对所述步骤一中的储能***进行优化控制;
步骤四、将所述步骤二的卡尔曼滤波算法与步骤三的模型预测控制方法结合,构成双调节反馈优化控制,通过储能荷电状态控制参数实现对光储联合发电***的闭环控制。
2.根据权利要求1所述的基于卡尔曼滤波和模型预测控制的光储***优化控制方法,其特征是:所述步骤一的储能***中设置有基于模型预测控制器MPC的储能***控制器,并通过DC/AC逆变器与母线连接;所述光伏电站和储能***通过储能变流器接入母线并网。
3.根据权利要求1所述的基于卡尔曼滤波和模型预测控制的光储***优化控制方法,其特征是:所述步骤二中改进卡尔曼滤波算法建立滤波器时间方程和状态方程的方法包括以下步骤,
步骤一、建立卡尔曼滤波器的时间更新方程,
其中,(Pv)k,k+1为光伏电站k+1时刻输出功率,(Pess)k,k为k时刻储能***输出功率,(Pg)k,k为光伏电站k时刻加入储能***后并网功率平滑值,Pk+1,k为先验估计协方差,Pk,k为k时刻估计的协方差,Q为过程噪声协方差;
计算当前时刻光伏功率的状态变量的估计值,为下一时间状态提供先验估计值;
步骤二、建立卡尔曼滤波器的状态更新方程,
其中,(Pg)k+1,k+1为并网后k+1时刻的功率平滑值,(Pv)k+1,k为由光伏电站当前时刻k得到的当前k+1时刻的状态先验估计,Kk为卡尔曼滤波器的增益值,R为测量噪声协方差,Pk+1,k为先验估计协方差,Pk+1,k+1为k+1时刻估计的协方差,(Pv)k+1为光伏电站加入储能前的光伏输出功率;
将先验估计和新测量变量相结合,为下一时间状态提供新的估计值;
步骤三、在卡尔曼滤波器增益中引入调节因子λ,通过实时动态调节卡尔曼滤波器的滤波增益实现光伏功率波动的平抑;
步骤四、在卡尔曼滤波器中引入滤波调节因子动态调节卡尔曼滤波增益,时间更新方程变为:(Pg)k+1,k+1=(Pv)k+1,k+Kk·[(Pv)k+1-(Pv)k+1,k]+ΔS·Pess状态更新方程变为:其中,(Pg)k+1,k+1为并网后k+1时刻的功率平滑值,(Pv)k+1,k为由光伏电站当前时刻k得到的当前k+1时刻的状态先验估计,Kk为卡尔曼滤波器的增益值,R为测量噪声协方差,Pk+1,k为先验估计协方差,Pess为储能***输出功率,(Pv)k+1为光伏电站加入储能前的光伏输出功率,ΔS为荷电状态调节变量。
4.根据权利要求1所述的基于卡尔曼滤波和模型预测控制的光储***优化控制方法,其特征是:所述步骤三中模型预测控制方法对储能***进行优化控制包括以下步骤,
步骤一、建立光储联合发电***中,光储***并网功率、储能***功率和光伏实测功率三者之间的关系为:Pg(k)=Pv(k)+Pess(k),
其中,Pg(k)为光储***并网功率,Pv(k)为光伏实测功率,Pess(k)为储能***功率;
步骤二、利用模型预测控制方法对储能***进行优化控制,控制时域为T,储能容量为Eb,建立储能***荷电状态表达:
步骤三、将光储***并网功率Pg和储能***荷电状态SOC作为状态变量,储能***功率Pess作为控制变量,将光伏原始功率Pv作为扰动变量,k时刻的储能***状态空间方程为:
步骤四、储能***内部集中了多个储能电池单体,将光储联合发电***中的储能***等效为N个独立储能电池单体集群后的储能单元,光储联合发电***中储能***在预测时段内的功率预测模型为:
其中:Pess,T(k)等效于Pess(k),为k时刻储能单元中各储能***合成出力构成的T维向量;T为控制时域;B为预测时域;Pess,T0(k)为之前某一时刻(T0)储能单元中各储能***合成出力构成的B维向量;ΔPess(k)为储能***输出功率差值;
步骤五、通过MPC滚动优化计算实现对储能***的优化控制,建立滚动优化目标函数:
根据上式得到下一时刻储能***功率调节值Pess(k+1)作为实际控制量,下次优化重复该优化,求下一时刻的控制增量,实现预测控制的滚动优化。
5.根据权利要求1所述的基于卡尔曼滤波和模型预测控制的光储***优化控制方法,其特征是:所述步骤四双调节反馈优化控制为,在卡尔曼滤波器中引入滤波调节因子,自适应调节卡尔曼滤波增益使储能***协调光伏功率输出,平抑光伏功率波动;
在模型预测控制器中,
通过储能***运行过程中的功率约束条件:|Pess(k)|≤Pess,max,
储能***运行过程中的荷电状态约束为条件:SOCmin≤SOC(k)≤SOCmax,
以及并网功率波动率约束:[Pg(k+1)-Pg(k)]/Pcap≤γ,进行模型预测控制滚动优化得到储能***最优功率,同时得到储能***的最优荷电状态。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910140226 | 2019-02-26 | ||
CN2019101402264 | 2019-02-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110165707A true CN110165707A (zh) | 2019-08-23 |
CN110165707B CN110165707B (zh) | 2023-02-28 |
Family
ID=67630113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910461337.5A Active CN110165707B (zh) | 2019-02-26 | 2019-05-30 | 基于卡尔曼滤波和模型预测控制的光储***优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110165707B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112197767A (zh) * | 2020-10-10 | 2021-01-08 | 江西洪都航空工业集团有限责任公司 | 一种在线改进滤波误差的滤波器设计方法 |
CN112600248A (zh) * | 2020-12-30 | 2021-04-02 | 葛洲坝能源重工有限公司 | 一种光柴储复合供电控制方法 |
CN113410857A (zh) * | 2021-05-28 | 2021-09-17 | 上海电力大学 | 一种平滑风电输出功率的双储能协调控制方法及存储介质 |
CN114336673A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种基于模型预测控制的风储联合电站一次调频控制策略 |
CN114336739A (zh) * | 2021-12-15 | 2022-04-12 | 合肥工业大学 | 基于云边协同的光储电站储能功率配置方法和*** |
CN115360732A (zh) * | 2022-08-12 | 2022-11-18 | 广西大学 | 模型和数据驱动的光伏储能***控制方法 |
CN117676951A (zh) * | 2024-01-17 | 2024-03-08 | 浙江佐通信息技术有限公司 | 一种基于卡尔曼滤波算法的隧道智能调光方法及*** |
CN118017605A (zh) * | 2024-04-10 | 2024-05-10 | 万帮数字能源股份有限公司 | 光伏组件功率波动的平滑控制装置和方法、光伏储能*** |
CN115360732B (zh) * | 2022-08-12 | 2024-07-26 | 广西大学 | 模型和数据驱动的光伏储能***控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170104344A1 (en) * | 2015-10-08 | 2017-04-13 | Johnson Controls Technology Company | Electrical energy storage system with constant state-of charge frequency response optimization |
CN108287316A (zh) * | 2018-01-15 | 2018-07-17 | 厦门大学 | 基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法 |
-
2019
- 2019-05-30 CN CN201910461337.5A patent/CN110165707B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170104344A1 (en) * | 2015-10-08 | 2017-04-13 | Johnson Controls Technology Company | Electrical energy storage system with constant state-of charge frequency response optimization |
CN108287316A (zh) * | 2018-01-15 | 2018-07-17 | 厦门大学 | 基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法 |
Non-Patent Citations (2)
Title |
---|
张旭: "基于模型预测控制和卡尔曼滤波的统一电能质量调节器的研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
洪海生 等: "实时平抑风电场功率波动的电池储能***优化控制方法", 《电力***自动化》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112197767A (zh) * | 2020-10-10 | 2021-01-08 | 江西洪都航空工业集团有限责任公司 | 一种在线改进滤波误差的滤波器设计方法 |
CN112600248B (zh) * | 2020-12-30 | 2022-07-29 | 葛洲坝能源重工有限公司 | 一种光柴储复合供电控制方法 |
CN112600248A (zh) * | 2020-12-30 | 2021-04-02 | 葛洲坝能源重工有限公司 | 一种光柴储复合供电控制方法 |
CN113410857A (zh) * | 2021-05-28 | 2021-09-17 | 上海电力大学 | 一种平滑风电输出功率的双储能协调控制方法及存储介质 |
CN113410857B (zh) * | 2021-05-28 | 2022-11-18 | 上海电力大学 | 一种平滑风电输出功率的双储能协调控制方法及存储介质 |
CN114336673A (zh) * | 2021-11-24 | 2022-04-12 | 华能新能源股份有限公司 | 一种基于模型预测控制的风储联合电站一次调频控制策略 |
CN114336673B (zh) * | 2021-11-24 | 2024-02-09 | 华能新能源股份有限公司 | 一种基于模型预测控制的风储联合电站一次调频控制策略 |
CN114336739A (zh) * | 2021-12-15 | 2022-04-12 | 合肥工业大学 | 基于云边协同的光储电站储能功率配置方法和*** |
CN114336739B (zh) * | 2021-12-15 | 2023-12-29 | 合肥工业大学 | 基于云边协同的光储电站储能功率配置方法和*** |
CN115360732A (zh) * | 2022-08-12 | 2022-11-18 | 广西大学 | 模型和数据驱动的光伏储能***控制方法 |
CN115360732B (zh) * | 2022-08-12 | 2024-07-26 | 广西大学 | 模型和数据驱动的光伏储能***控制方法 |
CN117676951A (zh) * | 2024-01-17 | 2024-03-08 | 浙江佐通信息技术有限公司 | 一种基于卡尔曼滤波算法的隧道智能调光方法及*** |
CN118017605A (zh) * | 2024-04-10 | 2024-05-10 | 万帮数字能源股份有限公司 | 光伏组件功率波动的平滑控制装置和方法、光伏储能*** |
Also Published As
Publication number | Publication date |
---|---|
CN110165707B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110165707A (zh) | 基于卡尔曼滤波和模型预测控制的光储***优化控制方法 | |
CN111064210B (zh) | 增加新能源发电波动的海岛电网储能***分层控制方法 | |
WO2018196433A1 (zh) | 多类型储能多级控制方法 | |
WO2017161785A1 (zh) | 基于储能运行状态的光伏功率稳定输出控制方法 | |
CN103779869B (zh) | 考虑荷电状态动态调整的储能电站容量优化计算方法 | |
CN105207242A (zh) | 储能装置参与机组调频的优化控制与容量规划***及方法 | |
CN105162147A (zh) | 一种平抑风电功率波动的混合储能控制***及控制方法 | |
CN108321823B (zh) | 一种基于储能电池的二次调频控制方法及*** | |
CN112636367A (zh) | 一种平抑风电波动的混合储能容量优化配置方法 | |
CN105184426B (zh) | 一种基于随机连续寻优策略的梯级电站调峰方法 | |
CN104158202A (zh) | 一种混合储能平抑风电功率波动***及其协调控制方法 | |
CN109755953B (zh) | 一种调相机参与的交直流输电***稳态电压协同控制方法 | |
CN109995076B (zh) | 一种基于储能的光伏汇集***功率稳定输出协同控制方法 | |
CN116154877B (zh) | 一种优化新能源场站集群调频参数的方法 | |
CN109765787A (zh) | 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法 | |
CN112290571B (zh) | 储能***平滑控制方法 | |
CN108599194A (zh) | 一种计及储能浅充浅放需求的调频控制方法 | |
CN103490438A (zh) | 平抑风电并网功率波动的电池储能***功率确定方法 | |
CN104410099A (zh) | 一种光储电站的多功能储能***变流器控制策略 | |
CN110808616B (zh) | 一种基于功率缺额分配的微电网频率控制方法 | |
CN111431215A (zh) | 一种配电网侧规模化储能参与调频的双层控制方法 | |
JP2014204466A (ja) | 制御装置及び方法並びにプログラム、それを備えたマイクログリッド | |
CN110350538B (zh) | 一种基于主动需求侧响应的微电网协调控制方法 | |
CN116054237A (zh) | 一种基于光储共直流母线***的功率限制方法 | |
CN116470528A (zh) | 一种区域电网光储场站多时间尺度辅助调频方法 |
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 |