CN112290596B - 基于Haar小波的风电场混合储能配置自适应双层优化方法 - Google Patents

基于Haar小波的风电场混合储能配置自适应双层优化方法 Download PDF

Info

Publication number
CN112290596B
CN112290596B CN202011262750.8A CN202011262750A CN112290596B CN 112290596 B CN112290596 B CN 112290596B CN 202011262750 A CN202011262750 A CN 202011262750A CN 112290596 B CN112290596 B CN 112290596B
Authority
CN
China
Prior art keywords
storage battery
power
super capacitor
energy storage
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
Application number
CN202011262750.8A
Other languages
English (en)
Other versions
CN112290596A (zh
Inventor
齐先军
陈庆会
吴红斌
王晓蓉
李庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Hefei University of Technology
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI, Hefei University of Technology filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202011262750.8A priority Critical patent/CN112290596B/zh
Publication of CN112290596A publication Critical patent/CN112290596A/zh
Application granted granted Critical
Publication of CN112290596B publication Critical patent/CN112290596B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于Haar小波的风电场混合储能配置自适应双层优化方法，其步骤包括：1.建立风电场混合储能配置的双层优化模型；2.利用粒子群算法和基于Haar小波的启发式算法分别求解混合储能配置的上层和下层优化模型；3.输出优化后的蓄电池和超级电容配置容量及充放电功率。本发明方法能充分发挥蓄电池和超级电容的组合优势进行自适应的分配蓄电池、超级电容功率指令序列，并且更加有效、合理的利用混合储能功率指令序列充放电特征进行混合储能功率指令序列分配，得到成本更低、蓄电池寿命更长的混合储能配置方案，从而减小风电波动对电网的影响、提高电网接纳风电能力。

Description

基于Haar小波的风电场混合储能配置自适应双层优化方法
技术领域
本发明涉及一种基于Haar小波的风电场混合储能配置自适应双层优化方法，属于电气工程技术领域。
背景技术
近几十年来，由于能源危机和环境污染等问题，诸如风电等可再生能源得到广泛应用。然而风电出力具有间歇性和波动性等特点，对电力***安全和稳定运行造成了严重影响。在风电场侧配置储能是平抑风电波动、提高电网接纳风电能力的有效手段，能保证电力***的安全稳定运行。
风电场中，常用的电能存储设备有蓄电池和超级电容等。蓄电池储能具有能量密度大、储存能力强等优点，但同时也存在循环使用寿命短、功率密度小、成本高等问题，在实际应用中一般不进行频繁的充放电转换；而超级电容储能具有循环使用寿命长、功率密度大等优势，但其能量密度较小、存储能力较弱。因此，蓄电池和超级电容可以优势互补，形成混合储能，广泛应用于风电场的风电功率波动平抑。
将用于风电功率波动平抑的混合储能功率指令序列合理的分配给蓄电池和超级电容是风电场的一项重要任务，是进行混合储能配置的关键。在分配蓄电池和超级电容所承担的功率指令序列时，传统方法首先利用诸如小波变换、傅里叶变换等方法对混合储能功率指令序列进行分解；然后，或根据各类储能设备的不同响应频率划分出频率分界点，或根据蓄电池的充放电限制次数来分配混合储能功率指令。
这种方法存在以下不足：首先，在对混合储能功率指令序列进行分解时，选择不同的基函数对信号进行分解，得到的分解结果是不同的。传统方法常使用db6小波函数、正弦波函数等函数作为基函数，无法做到基函数特征与储能的充放电特征相匹配。其次，频率分界点和蓄电池充放电限制次数的制定尚缺乏足够的理论依据。最后，传统方法不具有自适应分配蓄电池、超级电容功率指令序列的能力，不能充分发挥蓄电池和超级电容的组合优势，不利于延长储能寿命。综上所述，传统的储能配置方法因上述原因会导致储能配置成本过高、蓄电池使用寿命减少且超级电容的优势没有得到充分利用。
发明内容
本发明为了解决上述现有技术存在的不足之处，提出一种基于Haar小波的风电场混合储能配置自适应双层优化方法，以期能充分发挥蓄电池和超级电容的组合优势进行自适应的分配蓄电池、超级电容功率指令序列，并且更加有效、合理的利用混合储能功率指令序列充放电特征进行混合储能功率指令序列分配，从而得到成本更低、蓄电池寿命更长的混合储能配置方案，从而减小风电波动对电网的影响、提高电网接纳风电能力。
本发明为解决技术问题采用如下技术方案：
本发明一种基于Haar小波的混合储能配置自适应双层优化方法的特点是按照如下步骤进行：
步骤1.获取用于某风电场风电功率平抑的混合储能功率指令序列{Pe(t)|t＝1,2,…,T}，其中：Pe(t)为t时刻的混合储能功率指令，T为风电功率采样点总数；
步骤2.建立混合储能配置的上层优化模型；
步骤2.1.利用式(1)构建混合储能配置上层优化模型的目标函数f1，并以最小化混合储能配置上层优化模型的目标函数f1为优化目标：
f1(PB,EB,PC,EC)＝CB+CC (1)
式(1)中，f1表示混合储能配置的年综合成本；CB为蓄电池的投资及运维总成本；CC为超级电容的投资及运维总成本；PB、EB分别表示蓄电池配置的功率和容量；PC、EC分别表示超级电容配置的功率和容量；以蓄电池配置的功率PB及容量EB和超级电容配置的功率PC及容量EC作为上层优化模型的决策变量；
利用式(2)得到蓄电池的投资及运维总成本CB：
Figure BDA0002775154980000021
式(2)中，CBT、CBY分别表示蓄电池的初始投资成本、年运行维护成本；YB为蓄电池的使用寿命；kBp为蓄电池的功率成本系数、kBe为蓄电池的容量成本系数、kBy为蓄电池的运行维护成本系数；r0为贴现率；
利用式(3)得到蓄电池的使用寿命YB：
Figure BDA0002775154980000022
式(3)中，Di、m分别为蓄电池第i次放电的放电深度和一天中蓄电池的充放电次数，由蓄电池功率指令序列{Pba(t)|t＝1,2,…,T}经雨流计数法计算可得；Db为蓄电池的基准放电深度；NC(Db)为蓄电池在基准放电深度Db下的循环使用次数；
利用式(4)得到超级电容的投资及运维总成本CC：
Figure BDA0002775154980000031
式(4)中，CCT、CCY分别表示超级电容的初始投资成本、年运行维护成本；kCp为超级电容的功率成本系数、kCe为超级电容的容量成本系数、kCy为超级电容的运行维护成本系数；YC为超级电容的使用寿命；
步骤2.2.利用式(5)构建上层优化模型中t时刻蓄电池、超级电容的剩余容量不等式约束：
Figure BDA0002775154980000032
式(5)中，αba、βba为蓄电池剩余电量的上下界系数；αsc、βsc为超级电容剩余电量的上下界系数；Eba(t)、Esc(t)分别表示t时刻末蓄电池、超级电容的剩余容量大小；
步骤2.3.利用式(6)构建上层优化模型中t时刻蓄电池、超级电容的充放电功率约束：
Figure BDA0002775154980000033
式(6)中，ηBc、ηBd为蓄电池的充电及放电效率；ηCc、ηCd为超级电容的充电及放电效率；Pba(t)、Psc(t)分别为t时刻蓄电池、超级电容的储能功率指令；Eba(t-1)、Esc(t-1)分别表示t-1时刻末蓄电池、超级电容的剩余容量大小；Δt为风电功率数据的采样周期；
步骤3.建立混合储能配置的下层优化模型；
步骤3.1.利用式(7)构建混合储能配置下层优化模型的目标函数f2，并以最大化混合储能配置下层优化模型的目标函数f2为优化目标：
Figure BDA0002775154980000041
式(7)中，f2表示蓄电池的使用寿命；{Pba(t)|t＝1,2,…,T}、{Psc(t)|t＝1,2,…,T}分别表示蓄电池、超级电容功率指令序列，并作为下层优化模型中的决策变量；
步骤3.2.利用式(8)表示t时刻蓄电池功率指令Pba(t)和超级电容功率指令Psc(t)的等式约束：
Pba(t)+Psc(t)＝Pe(t) (8)
式(8)中，Pe(t)为t时刻的混合储能功率指令；
步骤3.3.利用式(9)、式(10)分别构建相邻时刻间蓄电池、超级电容的剩余电量等式约束：
Figure BDA0002775154980000042
Figure BDA0002775154980000043
式(9)、式(10)中，Eba(t)、Esc(t)分别表示t时刻末储能电池、超级电容的剩余容量大小；
步骤3.4.利用式(5)构建下层优化模型中t时刻蓄电池、超级电容的剩余容量不等式约束；利用式(6)构建下层优化模型中t时刻蓄电池、超级电容的充放电功率约束；
步骤4.对混合储能功率指令序列{Pe(t)|t＝1,2,…,T}进行一层Haar小波分解，得到低频蓄电池功率指令序列的初始值
Figure BDA0002775154980000044
和高频超级电容功率指令序列的初始值
Figure BDA0002775154980000045
步骤5.将低频蓄电池功率指令序列的初始值
Figure BDA0002775154980000046
和高频超级电容功率指令序列的初始值
Figure BDA0002775154980000047
带入混合储能配置的上层优化模型，并利用粒子群算法得到最小***年综合成本初始值f1 (0)、蓄电池配置的功率及容量初始值
Figure BDA0002775154980000048
和超级电容配置的功率及容量初始值
Figure BDA0002775154980000049
令k为混合储能配置上下层优化模型的迭代次数，并初始化k＝1；
步骤6.将第k-1次迭代的蓄电池配置的功率及容量
Figure BDA0002775154980000051
和超级电容配置的功率及容量
Figure BDA0002775154980000052
带入混合储能配置的下层优化模型，并利用基于Haar小波的启发式算法得到第k次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000053
和高频超级电容功率指令序列
Figure BDA0002775154980000054
步骤7.将第k次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000055
和第k次迭代的高频超级电容功率指令序列
Figure BDA0002775154980000056
带入混合储能配置的上层优化模型，并利用粒子群算法得到第k次迭代的最小混合储能配置年综合成本f1 (k)、蓄电池配置的功率及容量
Figure BDA0002775154980000057
Figure BDA0002775154980000058
和超级电容配置的功率及容量
Figure BDA0002775154980000059
若f1 (0)(f1 (k)-f1 (k-1))/f1 (k-1)＜ε，则表示得到混合储能配置双层优化模型最终的结果，并执行步骤8，否则，k+1赋值给k后，执行步骤6；其中，ε为双层优化模型迭代收敛判断常数，
Figure BDA00027751549800000510
为第k-1次迭代的最小混合储能配置年综合成本；
步骤8.以混合储能配置双层优化模型最终的结果实现对混合储能配置的自适应双层优化，所述混合储能配置双层优化模型最终的结果包括：最小年综合成本f1 (k)、最长蓄电池使用寿命f2 (k)、蓄电池配置的功率及容量
Figure BDA00027751549800000511
和超级电容配置的功率及容量
Figure BDA00027751549800000512
低频蓄电池功率指令序列
Figure BDA00027751549800000513
和高频超级电容功率指令序列
Figure BDA00027751549800000514
本发明所述的基于Haar小波的混合储能配置自适应双层优化方法的特点也在于，所述步骤6中的基于Haar小波的启发式算法是按如下步骤进行：
步骤6.1.将第k-1次迭代的低频蓄电池功率指令序列
Figure BDA00027751549800000515
带入式(3)，得到第k-1次迭代中下层优化模型蓄电池使用寿命f2 (k-1,0)；对第k-1次迭代的低频蓄电池功率指令序列
Figure BDA00027751549800000516
进行再一层Haar小波分解，得到第k-1次迭代的蓄电池再分解低频功率指令序列
Figure BDA00027751549800000517
和第k-1次迭代的蓄电池再分解高频功率指令序列
Figure BDA00027751549800000518
步骤6.2.利用式(11)得到第k-1次迭代的蓄电池再分解高频功率指令序列
Figure BDA0002775154980000061
中Haar小波形式的分量总数N：
Figure BDA0002775154980000062
式(11)中，Floor符号表示向下取整；
步骤6.3.利用式(12)得到第k-1次迭代的蓄电池再分解高频功率指令序列
Figure BDA0002775154980000063
中第n个Haar小波形式的分量序列
Figure BDA0002775154980000064
Figure BDA0002775154980000065
式(12)中，n的取值集合为{1,2,…,N}；
步骤6.4.令n＝1，f2 (k-1,0)赋值给第k次迭代的蓄电池的使用寿命f2 (k)；
步骤6.5.将第n个Haar小波形式的分量序列
Figure BDA0002775154980000066
加到同一时段下的第k-1次迭代的高频超级电容功率指令序列
Figure BDA0002775154980000067
中，得到用于约束判断的高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}；在同一时段中将第k-1次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000068
减去第n个Haar小波形式的分量序列
Figure BDA0002775154980000069
得到用于约束判断的低频蓄电池功率指令序列{P′ba(t)|t＝1,2,…,T}；
步骤6.6.将用于约束判断的低频蓄电池、高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}、{P′ba(t)|t＝1,2,…,T}带入蓄电池、超级电容充放电功率不等式约束式(6)中，判断约束是否成立，若成立，则执行步骤6.7，若不成立，则执行步骤6.9；
步骤6.7.将用于约束判断的低频蓄电池、高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}、{P′ba(t)|t＝1,2,…,T}分别带入蓄电池、超级电容充放电功率等式约束式(9)、式(10)中，得到用于约束判断的低频蓄电池、高频超级电容剩余容量指令序列{E′sc(t)|t＝1,2,…,T}、{E′ba(t)|t＝1,2,…,T}；将用于约束判断的低频蓄电池、高频超级电容剩余容量指令序列{E′sc(t)|t＝1,2,…,T}、{E′ba(t)|t＝1,2,…,T}带入蓄电池、超级电容的剩余容量不等式约束式(5)中，判断不等式约束是否成立，若成立，则执行步骤6.8，若不成立，则执行步骤6.9；
步骤6.8.将用于约束判断的低频蓄电池功率指令序列{P′ba(t)|t＝1,2,…,T}带入式(3)，得到第k-1次迭代中下层优化模型第n次迭代蓄电池的使用寿命f2 (k-1,n)；若f2 (k -1,n)-f2 (k-1,n-1)＞0，则从t＝2k·(n-1)+1时刻到t＝2k·n时刻，依次将P′ba(t)赋值给
Figure BDA0002775154980000071
P′sc(t)赋值给
Figure BDA0002775154980000072
以及f2 (k-1,n)赋值给f2 (k)后，执行步骤6.10；否则，执行步骤6.9；其中，f2 (k-1,n-1)表示第k-1次迭代中下层优化模型第n-1次迭代蓄电池的使用寿命；
步骤6.9.从t＝2k·(n-1)+1时刻到t＝2k·n时刻，依次将
Figure BDA0002775154980000073
赋值给
Figure BDA0002775154980000074
赋值给
Figure BDA0002775154980000075
步骤6.10.n+1赋值给n，若n≤N，则执行步骤6.5；否则，表示得到第k次迭代的最长蓄电池使用寿命f2 (k)、第k次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000076
和第k次迭代的高频超级电容功率指令序列
Figure BDA0002775154980000077
与已有技术相比，本发明有益效果体现在：
1.本发明采用Haar小波对混合储能功率指令序列进行频段分解，Harr小波基函数的特征与储能的充放电特征相匹配，相较于db6小波函数、正弦波函数等基函数有明显优势。Haar小波基函数是对称的矩形波，其线性组合与储能功率指令序列的阶梯波形状相同，可以用来模拟储能的完整充放电过程，从而达到了延长蓄电池使用寿命的目的。
2.本发明不依赖于频率分点和蓄电池充放电限制次数的划分，能够根据混合储能功率指令自适应的进行功率指令分配。根据步骤2、3中所建立混合储能配置双层优化模型，并采用步骤4到步骤7所示算法对该模型进行求解，得到优化的蓄电池和超级电容功率指令序列，在优化储能配置成本的同时达到延长蓄电池使用寿命的目的。
3.本发明通过基于Harr小波的自适应分解算法，将频繁的充放电操作最大可能的交由超级电容来承担，从而降低了蓄电池的充放电次数，能有效延长蓄电池的使用寿命并最大限度的发挥超级电容的优势(功率密度大，且其寿命几乎不受充放电次数的影响)。
综上所述，本发明能有效延长蓄电池的使用寿命，充分发挥蓄电池和超级电容的组合优势，最终有利于风电功率波动的平抑和风电的消纳。
附图说明
图1是本发明基于Haar小波的风电场混合储能配置自适应双层优化方法的流程示意图。
图2是本发明中基于Haar小波的启发式算法流程示意图。
具体实施方式
本实施例中，如图1所示，一种基于Haar小波的风电场混合储能配置自适应双层优化方法是通过建立混合储能配置的双层优化模型，并利用粒子群算法和基于Haar小波的启发式算法进行迭代求解，得到成本更低、蓄电池寿命更长的混合储能配置方案，具体的说，是按照如下步骤进行：
步骤1.获取用于某风电场风电功率平抑的混合储能功率指令序列{Pe(t)|t＝1,2,…,T}，其中：Pe(t)为t时刻的混合储能功率指令，T为风电功率采样点总数；
步骤2.建立混合储能配置的上层优化模型；
步骤2.1.利用式(1)构建混合储能配置上层优化模型的目标函数f1，并以最小化混合储能配置上层优化模型的目标函数f1为优化目标：
f1(PB,EB,PC,EC)＝CB+CC (1)
式(1)中，f1表示混合储能配置的年综合成本；CB为蓄电池的投资及运维总成本；CC为超级电容的投资及运维总成本；PB、EB分别表示蓄电池配置的功率和容量；PC、EC分别表示超级电容配置的功率和容量；以蓄电池配置的功率PB及容量EB和超级电容配置的功率PC及容量EC作为上层优化模型的决策变量；
利用式(2)得到蓄电池的投资及运维总成本CB：
Figure BDA0002775154980000081
式(2)中，CBT、CBY分别表示蓄电池的初始投资成本、年运行维护成本；YB为蓄电池的使用寿命；kBp为蓄电池的功率成本系数、kBe为蓄电池的容量成本系数、kBy为蓄电池的运行维护成本系数；r0为贴现率；
利用式(3)得到蓄电池的使用寿命YB：
Figure BDA0002775154980000082
式(3)中，Di、m分别为蓄电池第i次放电的放电深度和一天中蓄电池的充放电次数，由蓄电池功率指令序列{Pba(t)|t＝1,2,…,T}经雨流计数法计算可得；Db为蓄电池的基准放电深度；NC(Db)为蓄电池在基准放电深度Db下的循环使用次数；
雨流计数法又可称为“塔顶法”，主要用于工程界，特别在疲劳寿命计算中运用非常广泛；具体方法参照文献：计及电池使用寿命的混合储能***容量优化模型.中国电机工程学报,2013,33(34):91-97.
利用式(4)得到超级电容的投资及运维总成本CC：
Figure BDA0002775154980000091
式(4)中，CCT、CCY分别表示超级电容的初始投资成本、年运行维护成本；kCp为超级电容的功率成本系数、kCe为超级电容的容量成本系数、kCy为超级电容的运行维护成本系数；YC为超级电容的使用寿命；
步骤2.2.利用式(5)构建上层优化模型中t时刻蓄电池、超级电容的剩余容量不等式约束：
Figure BDA0002775154980000092
式(5)中，αba、βba为蓄电池剩余电量的上下界系数；αsc、βsc为超级电容剩余电量的上下界系数；Eba(t)、Esc(t)分别表示t时刻末蓄电池、超级电容的剩余容量大小；
在上层优化模型t时刻蓄电池、超级电容的剩余容量不等式约束式(5)中，蓄电池、超级电容配置的容量EB、EC为变量；
步骤2.3.利用式(6)构建上层优化模型中t时刻蓄电池、超级电容的充放电功率约束：
Figure BDA0002775154980000093
式(6)中，ηBc、ηBd为蓄电池的充电及放电效率；ηCc、ηCd为超级电容的充电及放电效率；Pba(t)、Psc(t)分别为t时刻蓄电池、超级电容的储能功率指令；Eba(t-1)、Esc(t-1)分别表示t-1时刻末蓄电池、超级电容的剩余容量大小；Δt为风电功率数据的采样周期；
在上层优化模型t时刻蓄电池、超级电容的充放电功率不等式约束式(6)中，蓄电池配置的功率PB及容量EB和超级电容配置的功率PC及容量EC为变量；
步骤3.建立混合储能配置的下层优化模型；
步骤3.1.利用式(7)构建混合储能配置下层优化模型的目标函数f2，并以最大化混合储能配置下层优化模型的目标函数f2为优化目标：
Figure BDA0002775154980000101
式(7)中，f2表示蓄电池的使用寿命；{Pba(t)|t＝1,2,…,T}、{Psc(t)|t＝1,2,…,T}分别表示蓄电池、超级电容功率指令序列，并作为下层优化模型中的决策变量；
步骤3.2.利用式(8)表示t时刻蓄电池功率指令Pba(t)和超级电容功率指令Psc(t)的等式约束：
Pba(t)+Psc(t)＝Pe(t) (8)
式(8)中，Pe(t)为t时刻的混合储能功率指令；
步骤3.3.利用式(9)、式(10)分别构建相邻时刻间蓄电池、超级电容的剩余电量等式约束：
Figure BDA0002775154980000102
Figure BDA0002775154980000103
式(9)、式(10)中，Eba(t)、Esc(t)分别表示t时刻末储能电池、超级电容的剩余容量大小；
步骤3.4.利用式(5)构建下层优化模型中t时刻蓄电池、超级电容的剩余容量不等式约束；利用式(6)构建下层优化模型中t时刻蓄电池、超级电容的充放电功率约束；
在下层优化模型t时刻蓄电池、超级电容的剩余容量不等式约束式(5)中，t时刻末储能电池、超级电容的剩余容量Eba(t)、Esc(t)为变量；在下层优化模型t时刻蓄电池、超级电容的充放电功率不等式约束式(6)中，t时刻蓄电池、超级电容的储能功率指令Pba(t)、Psc(t)为变量；
步骤4.对混合储能功率指令序列{Pe(t)|t＝1,2,…,T}进行一层Haar小波分解，得到低频蓄电池功率指令序列的初始值
Figure BDA0002775154980000111
和高频超级电容功率指令序列的初始值
Figure BDA0002775154980000112
步骤5.将低频蓄电池功率指令序列的初始值
Figure BDA0002775154980000113
和高频超级电容功率指令序列的初始值
Figure BDA0002775154980000114
带入混合储能配置的上层优化模型，并利用粒子群算法得到最小***年综合成本初始值f1 (0)、蓄电池配置的功率及容量初始值
Figure BDA0002775154980000115
和超级电容配置的功率及容量初始值
Figure BDA0002775154980000116
令k为混合储能配置上下层优化模型的迭代次数，并初始化k＝1；
粒子群算法是1995年Kennedy博士提出的一种基于鸟群运动模型的寻优搜索算法，具体算法可以参考文献：基于动态自适应粒子群算法的非侵入式家居负荷分解方法.电网技术,2018,42(6):1819-1826.
步骤6.将第k-1次迭代的蓄电池配置的功率及容量
Figure BDA0002775154980000117
和超级电容配置的功率及容量
Figure BDA0002775154980000118
带入混合储能配置的下层优化模型，并利用基于Haar小波的启发式算法得到第k次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000119
和高频超级电容功率指令序列
Figure BDA00027751549800001110
注意：在第1次迭代时，是将蓄电池配置的功率及容量初始值
Figure BDA00027751549800001111
Figure BDA00027751549800001112
和超级电容配置的功率及容量初始值
Figure BDA00027751549800001113
带入混合储能配置的下层优化模型，如图2所示；
步骤6.1.将第k-1次迭代的低频蓄电池功率指令序列
Figure BDA00027751549800001114
带入式(3)，得到第k-1次迭代中下层优化模型蓄电池使用寿命f2 (k-1,0)；对第k-1次迭代的低频蓄电池功率指令序列
Figure BDA00027751549800001115
进行再一层Haar小波分解，得到第k-1次迭代的蓄电池再分解低频功率指令序列
Figure BDA00027751549800001116
和第k-1次迭代的蓄电池再分解高频功率指令序列
Figure BDA00027751549800001117
步骤6.2.利用式(11)得到第k-1次迭代的蓄电池再分解高频功率指令序列
Figure BDA00027751549800001118
中Haar小波形式的分量总数N：
Figure BDA0002775154980000121
式(11)中，Floor符号表示向下取整；
步骤6.3.利用式(12)得到第k-1次迭代的蓄电池再分解高频功率指令序列
Figure BDA0002775154980000122
中第n个Haar小波形式的分量序列
Figure BDA0002775154980000123
Figure BDA0002775154980000124
式(12)中，n的取值集合为{1,2,…,N}；
步骤6.4.令n＝1，f2 (k-1,0)赋值给第k次迭代的蓄电池的使用寿命f2 (k)；
步骤6.5.将第n个Haar小波形式的分量序列
Figure BDA0002775154980000125
加到同一时段下的第k-1次迭代的高频超级电容功率指令序列
Figure BDA0002775154980000126
中，得到用于约束判断的高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}；在同一时段中将第k-1次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000127
减去第n个Haar小波形式的分量序列
Figure BDA0002775154980000128
得到用于约束判断的低频蓄电池功率指令序列{P′ba(t)|t＝1,2,…,T}；
步骤6.6.将用于约束判断的低频蓄电池、高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}、{P′ba(t)|t＝1,2,…,T}带入蓄电池、超级电容充放电功率不等式约束式(6)中，判断约束是否成立，若成立，则执行步骤6.7，若不成立，则执行步骤6.9；
步骤6.7.将用于约束判断的低频蓄电池、高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}、{P′ba(t)|t＝1,2,…,T}分别带入蓄电池、超级电容充放电功率等式约束式(9)、式(10)中，得到用于约束判断的低频蓄电池、高频超级电容剩余容量指令序列{E′sc(t)|t＝1,2,…,T}、{E′ba(t)|t＝1,2,…,T}；将用于约束判断的低频蓄电池、高频超级电容剩余容量指令序列{E′sc(t)|t＝1,2,…,T}、{E′ba(t)|t＝1,2,…,T}带入蓄电池、超级电容的剩余容量不等式约束式(5)中，判断不等式约束是否成立，若成立，则执行步骤6.8，若不成立，则执行步骤6.9；
步骤6.8.将用于约束判断的低频蓄电池功率指令序列{P′ba(t)|t＝1,2,…,T}带入式(3)，得到第k-1次迭代中下层优化模型第n次迭代蓄电池的使用寿命f2 (k-1,n)；若f2 (k -1,n)-f2 (k-1,n-1)＞0，则从t＝2k·(n-1)+1时刻到t＝2k·n时刻，依次将P′ba(t)赋值给
Figure BDA0002775154980000131
P′sc(t)赋值给
Figure BDA0002775154980000132
以及f2 (k-1,n)赋值给f2 (k)后，执行步骤6.10；否则，执行步骤6.9；其中，f2 (k-1,n-1)表示第k-1次迭代中下层优化模型第n-1次迭代蓄电池的使用寿命；
步骤6.9.从t＝2k·(n-1)+1时刻到t＝2k·n时刻，依次将
Figure BDA0002775154980000133
赋值给
Figure BDA0002775154980000134
赋值给
Figure BDA0002775154980000135
步骤6.10.n+1赋值给n，若n≤N，则执行步骤6.5；否则，表示得到第k次迭代的最长蓄电池使用寿命f2 (k)、第k次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000136
和第k次迭代的高频超级电容功率指令序列
Figure BDA0002775154980000137
步骤7.将第k次迭代的低频蓄电池功率指令序列
Figure BDA0002775154980000138
和第k次迭代的高频超级电容功率指令序列
Figure BDA0002775154980000139
带入混合储能配置的上层优化模型，并利用粒子群算法得到第k次迭代的最小混合储能配置年综合成本f1 (k)、蓄电池配置的功率及容量
Figure BDA00027751549800001310
Figure BDA00027751549800001311
和超级电容配置的功率及容量
Figure BDA00027751549800001312
若f1 (0)(f1 (k)-f1 (k-1))/f1 (k-1)＜ε，则表示得到混合储能配置双层优化模型最终的结果，并执行步骤8，否则k+1赋值给k后，执行步骤6；其中，ε为双层优化模型迭代收敛判断常数，
Figure BDA00027751549800001313
为第k-1次迭代的最小混合储能配置年综合成本；在本实施例中，ε取为0.001；
步骤8.以混合储能配置双层优化模型最终的结果实现对混合储能配置的自适应双层优化，所述混合储能配置双层优化模型最终的结果包括：最小年综合成本f1 (k)、最长蓄电池使用寿命f2 (k)、蓄电池配置的功率及容量
Figure BDA00027751549800001314
和超级电容配置的功率及容量
Figure BDA00027751549800001315
低频蓄电池功率指令序列
Figure BDA00027751549800001316
和高频超级电容功率指令序列
Figure BDA00027751549800001317

Claims (2)

1.一种基于Haar小波的混合储能配置自适应双层优化方法，其特征是按照如下步骤进行：
步骤1.获取用于某风电场风电功率平抑的混合储能功率指令序列{Pe(t)|t＝1,2,…,T}，其中：Pe(t)为t时刻的混合储能功率指令，T为风电功率采样点总数；
步骤2.建立混合储能配置的上层优化模型；
步骤2.1.利用式(1)构建混合储能配置上层优化模型的目标函数f1，并以最小化混合储能配置上层优化模型的目标函数f1为优化目标：
f1(PB,EB,PC,EC)＝CB+CC (1)
式(1)中，f1表示混合储能配置的年综合成本；CB为蓄电池的投资及运维总成本；CC为超级电容的投资及运维总成本；PB、EB分别表示蓄电池配置的功率和容量；PC、EC分别表示超级电容配置的功率和容量；以蓄电池配置的功率PB及容量EB和超级电容配置的功率PC及容量EC作为上层优化模型的决策变量；
利用式(2)得到蓄电池的投资及运维总成本CB：
Figure FDA0002775154970000011
式(2)中，CBT、CBY分别表示蓄电池的初始投资成本、年运行维护成本；YB为蓄电池的使用寿命；kBp为蓄电池的功率成本系数、kBe为蓄电池的容量成本系数、kBy为蓄电池的运行维护成本系数；r0为贴现率；
利用式(3)得到蓄电池的使用寿命YB：
Figure FDA0002775154970000012
式(3)中，Di、m分别为蓄电池第i次放电的放电深度和一天中蓄电池的充放电次数，由蓄电池功率指令序列{Pba(t)|t＝1,2,…,T}经雨流计数法计算可得；Db为蓄电池的基准放电深度；NC(Db)为蓄电池在基准放电深度Db下的循环使用次数；
利用式(4)得到超级电容的投资及运维总成本CC：
Figure FDA0002775154970000021
式(4)中，CCT、CCY分别表示超级电容的初始投资成本、年运行维护成本；kCp为超级电容的功率成本系数、kCe为超级电容的容量成本系数、kCy为超级电容的运行维护成本系数；YC为超级电容的使用寿命；
步骤2.2.利用式(5)构建上层优化模型中t时刻蓄电池、超级电容的剩余容量不等式约束：
Figure FDA0002775154970000022
式(5)中，αba、βba为蓄电池剩余电量的上下界系数；αsc、βsc为超级电容剩余电量的上下界系数；Eba(t)、Esc(t)分别表示t时刻末蓄电池、超级电容的剩余容量大小；
步骤2.3.利用式(6)构建上层优化模型中t时刻蓄电池、超级电容的充放电功率约束：
Figure FDA0002775154970000023
式(6)中，ηBc、ηBd为蓄电池的充电及放电效率；ηCc、ηCd为超级电容的充电及放电效率；Pba(t)、Psc(t)分别为t时刻蓄电池、超级电容的储能功率指令；Eba(t-1)、Esc(t-1)分别表示t-1时刻末蓄电池、超级电容的剩余容量大小；Δt为风电功率数据的采样周期；
步骤3.建立混合储能配置的下层优化模型；
步骤3.1.利用式(7)构建混合储能配置下层优化模型的目标函数f2，并以最大化混合储能配置下层优化模型的目标函数f2为优化目标：
Figure FDA0002775154970000024
式(7)中，f2表示蓄电池的使用寿命；{Pba(t)|t＝1,2,…,T}、{Psc(t)|t＝1,2,…,T}分别表示蓄电池、超级电容功率指令序列，并作为下层优化模型中的决策变量；
步骤3.2.利用式(8)表示t时刻蓄电池功率指令Pba(t)和超级电容功率指令Psc(t)的等式约束：
Pba(t)+Psc(t)＝Pe(t) (8)
式(8)中，Pe(t)为t时刻的混合储能功率指令；
步骤3.3.利用式(9)、式(10)分别构建相邻时刻间蓄电池、超级电容的剩余电量等式约束：
Figure FDA0002775154970000031
Figure FDA0002775154970000032
式(9)、式(10)中，Eba(t)、Esc(t)分别表示t时刻末储能电池、超级电容的剩余容量大小；
步骤3.4.利用式(5)构建下层优化模型中t时刻蓄电池、超级电容的剩余容量不等式约束；利用式(6)构建下层优化模型中t时刻蓄电池、超级电容的充放电功率约束；
步骤4.对混合储能功率指令序列{Pe(t)|t＝1,2,…,T}进行一层Haar小波分解，得到低频蓄电池功率指令序列的初始值
Figure FDA0002775154970000033
和高频超级电容功率指令序列的初始值
Figure FDA0002775154970000034
步骤5.将低频蓄电池功率指令序列的初始值
Figure FDA0002775154970000035
和高频超级电容功率指令序列的初始值
Figure FDA0002775154970000036
带入混合储能配置的上层优化模型，并利用粒子群算法得到最小***年综合成本初始值f1 (0)、蓄电池配置的功率及容量初始值
Figure FDA0002775154970000037
和超级电容配置的功率及容量初始值
Figure FDA0002775154970000038
令k为混合储能配置上下层优化模型的迭代次数，并初始化k＝1；
步骤6.将第k-1次迭代的蓄电池配置的功率及容量
Figure FDA0002775154970000039
和超级电容配置的功率及容量
Figure FDA00027751549700000310
带入混合储能配置的下层优化模型，并利用基于Haar小波的启发式算法得到第k次迭代的低频蓄电池功率指令序列
Figure FDA00027751549700000311
和高频超级电容功率指令序列
Figure FDA00027751549700000312
步骤7.将第k次迭代的低频蓄电池功率指令序列
Figure FDA0002775154970000041
和第k次迭代的高频超级电容功率指令序列
Figure FDA0002775154970000042
带入混合储能配置的上层优化模型，并利用粒子群算法得到第k次迭代的最小混合储能配置年综合成本f1 (k)、蓄电池配置的功率及容量
Figure FDA0002775154970000043
Figure FDA0002775154970000044
和超级电容配置的功率及容量
Figure FDA0002775154970000045
若f1 (0)(f1 (k)-f1 (k-1))/f1 (k-1)＜ε，则表示得到混合储能配置双层优化模型最终的结果，并执行步骤8，否则，k+1赋值给k后，执行步骤6；其中，ε为双层优化模型迭代收敛判断常数，
Figure FDA0002775154970000046
为第k-1次迭代的最小混合储能配置年综合成本；
步骤8.以混合储能配置双层优化模型最终的结果实现对混合储能配置的自适应双层优化，所述混合储能配置双层优化模型最终的结果包括：最小年综合成本f1 (k)、最长蓄电池使用寿命
Figure FDA0002775154970000047
蓄电池配置的功率及容量
Figure FDA0002775154970000048
和超级电容配置的功率及容量
Figure FDA0002775154970000049
低频蓄电池功率指令序列
Figure FDA00027751549700000410
和高频超级电容功率指令序列
Figure FDA00027751549700000411
2.根据权利要求1所述的基于Haar小波的混合储能配置自适应双层优化方法，其特征是，所述步骤6中的基于Haar小波的启发式算法是按如下步骤进行：
步骤6.1.将第k-1次迭代的低频蓄电池功率指令序列
Figure FDA00027751549700000412
带入式(3)，得到第k-1次迭代中下层优化模型蓄电池使用寿命
Figure FDA00027751549700000413
对第k-1次迭代的低频蓄电池功率指令序列
Figure FDA00027751549700000414
进行再一层Haar小波分解，得到第k-1次迭代的蓄电池再分解低频功率指令序列
Figure FDA00027751549700000415
和第k-1次迭代的蓄电池再分解高频功率指令序列
Figure FDA00027751549700000416
步骤6.2.利用式(11)得到第k-1次迭代的蓄电池再分解高频功率指令序列
Figure FDA00027751549700000417
中Haar小波形式的分量总数N：
Figure FDA00027751549700000418
式(11)中，Floor符号表示向下取整；
步骤6.3.利用式(12)得到第k-1次迭代的蓄电池再分解高频功率指令序列
Figure FDA00027751549700000419
中第n个Haar小波形式的分量序列
Figure FDA0002775154970000051
Figure FDA0002775154970000052
式(12)中，n的取值集合为{1,2,…,N}；
步骤6.4.令n＝1，
Figure FDA0002775154970000053
赋值给第k次迭代的蓄电池的使用寿命
Figure FDA0002775154970000054
步骤6.5.将第n个Haar小波形式的分量序列
Figure FDA0002775154970000055
加到同一时段下的第k-1次迭代的高频超级电容功率指令序列
Figure FDA0002775154970000056
中，得到用于约束判断的高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}；在同一时段中将第k-1次迭代的低频蓄电池功率指令序列
Figure FDA0002775154970000057
减去第n个Haar小波形式的分量序列
Figure FDA0002775154970000058
得到用于约束判断的低频蓄电池功率指令序列{P′ba(t)|t＝1,2,…,T}；
步骤6.6.将用于约束判断的低频蓄电池、高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}、{P′ba(t)|t＝1,2,…,T}带入蓄电池、超级电容充放电功率不等式约束式(6)中，判断约束是否成立，若成立，则执行步骤6.7，若不成立，则执行步骤6.9；
步骤6.7.将用于约束判断的低频蓄电池、高频超级电容功率指令序列{P′sc(t)|t＝1,2,…,T}、{P′ba(t)|t＝1,2,…,T}分别带入蓄电池、超级电容充放电功率等式约束式(9)、式(10)中，得到用于约束判断的低频蓄电池、高频超级电容剩余容量指令序列{E′sc(t)|t＝1,2,…,T}、{E′ba(t)|t＝1,2,…,T}；将用于约束判断的低频蓄电池、高频超级电容剩余容量指令序列{E′sc(t)|t＝1,2,…,T}、{E′ba(t)|t＝1,2,…,T}带入蓄电池、超级电容的剩余容量不等式约束式(5)中，判断不等式约束是否成立，若成立，则执行步骤6.8，若不成立，则执行步骤6.9；
步骤6.8.将用于约束判断的低频蓄电池功率指令序列{P′ba(t)|t＝1,2,…,T}带入式(3)，得到第k-1次迭代中下层优化模型第n次迭代蓄电池的使用寿命
Figure FDA0002775154970000059
若
Figure FDA00027751549700000510
则从t＝2k·(n-1)+1时刻到t＝2k·n时刻，依次将P′ba(t)赋值给
Figure FDA00027751549700000511
P′sc(t)赋值给
Figure FDA00027751549700000512
以及
Figure FDA00027751549700000513
赋值给
Figure FDA00027751549700000514
后，执行步骤6.10；否则，执行步骤6.9；其中，
Figure FDA00027751549700000515
表示第k-1次迭代中下层优化模型第n-1次迭代蓄电池的使用寿命；
步骤6.9.从t＝2k·(n-1)+1时刻到t＝2k·n时刻，依次将
Figure FDA00027751549700000516
赋值给
Figure FDA00027751549700000517
赋值给
Figure FDA0002775154970000061
步骤6.10.n+1赋值给n，若n≤N，则执行步骤6.5；否则，表示得到第k次迭代的最长蓄电池使用寿命
Figure FDA0002775154970000062
第k次迭代的低频蓄电池功率指令序列
Figure FDA0002775154970000063
和第k次迭代的高频超级电容功率指令序列
Figure FDA0002775154970000064
CN202011262750.8A 2020-11-12 2020-11-12 基于Haar小波的风电场混合储能配置自适应双层优化方法 Active CN112290596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011262750.8A CN112290596B (zh) 2020-11-12 2020-11-12 基于Haar小波的风电场混合储能配置自适应双层优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011262750.8A CN112290596B (zh) 2020-11-12 2020-11-12 基于Haar小波的风电场混合储能配置自适应双层优化方法

Publications (2)

Publication Number Publication Date
CN112290596A CN112290596A (zh) 2021-01-29
CN112290596B true CN112290596B (zh) 2022-08-09

Family

ID=74397853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011262750.8A Active CN112290596B (zh) 2020-11-12 2020-11-12 基于Haar小波的风电场混合储能配置自适应双层优化方法

Country Status (1)

Country Link
CN (1) CN112290596B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113162079A (zh) * 2021-04-23 2021-07-23 安徽信息工程学院 一种面向风电平抑的混合储能***容量配置的方法及***
CN113312735B (zh) * 2021-05-19 2022-06-03 太原理工大学 一种城市供水管网dma分区方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2017161786A1 (zh) * 2016-03-23 2017-09-28 严利容 基于光储***运行优化的混合储能配比计算方法
CN110311396A (zh) * 2019-07-30 2019-10-08 太原理工大学 一种交直流混合微电网混合储能容量优化配置方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017161786A1 (zh) * 2016-03-23 2017-09-28 严利容 基于光储***运行优化的混合储能配比计算方法
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
CN110311396A (zh) * 2019-07-30 2019-10-08 太原理工大学 一种交直流混合微电网混合储能容量优化配置方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于元模型优化算法的混合储能***双层优化配置方法;何俊强等;《电力自动化设备》;20200731;第40卷(第7期);第157-164页 *
考虑功率转换***停运的风电场储能容量优化;金志君等;《电器与能效管理技术》;20160215;第36-41，77页 *

Also Published As

Publication number Publication date
CN112290596A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN105896582B (zh) 一种微网储能容量优化配置方法
CN110676870B (zh) 一种适用于风电并网的混合储能容量配置方法
CN105260797B (zh) 一种微网储能电站规划控制方法
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
CN110086181B (zh) 一种离网运行时电-热联供微电网中功率自适应协同控制方法
CN112636367B (zh) 一种平抑风电波动的混合储能容量优化配置方法
CN104734166A (zh) 混合储能***及风力发电功率平滑控制方法
CN102684222B (zh) 一种基于储能技术的风力发电功率平滑控制方法
CN112260296A (zh) 一种用于平抑间歇性负荷的混合储能***优化方法及装置
Hung et al. Community energy storage and capacitor allocation in distribution systems
CN107846043B (zh) 一种考虑电动汽车充电影响的微网能量管理方法
CN117175659A (zh) 一种平抑风电波动的混合储能容量优化配置方法
CN110676861A (zh) 一种配电网复合储能装置的容量优化配置方法
CN112003311A (zh) 一种风电***功率波动平抑方法、装置以及风电***
CN107994593A (zh) 复合储能***容量配置方法及终端设备
CN112736973A (zh) 平抑风电、光伏电站出力波动的电池储能容量配置方法及***
CN107492903B (zh) 一种基于统计学模型的混合储能***容量优化配置方法
CN114204562B (zh) 一种考虑电动汽车与光伏的混合储能优化方法及***
CN115459310A (zh) 基于改进变分模态分解的混合储能容量优化方法及***
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
CN107846035B (zh) 一种考虑电动汽车充电特性的风光储并网型微网
CN117134398A (zh) 混合储能***功率控制方法、控制设备及储能网
CN117154770A (zh) 基于超级电容的电-氢混合储能容量优化配置方法
CN110707745B (zh) 基于改进vmd的电热综合***多时间尺度经济调度方法
CN117200272A (zh) 含抽蓄微电网储能容量优化配置方法、***、设备、介质

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