CN114142508A - 一种混合储能容量优化方法 - Google Patents

一种混合储能容量优化方法 Download PDF

Info

Publication number
CN114142508A
CN114142508A CN202111474555.6A CN202111474555A CN114142508A CN 114142508 A CN114142508 A CN 114142508A CN 202111474555 A CN202111474555 A CN 202111474555A CN 114142508 A CN114142508 A CN 114142508A
Authority
CN
China
Prior art keywords
energy storage
wind power
flywheel
power
low
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
Application number
CN202111474555.6A
Other languages
English (en)
Inventor
郭强
胡阳
房方
潘捷
薛志伟
付文华
白志刚
杨琦
芦晓辉
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.)
State Grid Electric Power Research Institute Of Sepc
North China Electric Power University
Original Assignee
State Grid Electric Power Research Institute Of Sepc
North China Electric Power University
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 State Grid Electric Power Research Institute Of Sepc, North China Electric Power University filed Critical State Grid Electric Power Research Institute Of Sepc
Priority to CN202111474555.6A priority Critical patent/CN114142508A/zh
Publication of CN114142508A publication Critical patent/CN114142508A/zh
Pending legal-status Critical Current

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
    • H02J3/28—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
    • H02J15/00—Systems for storing electric energy
    • H02J15/007—Systems for storing electric energy involving storage in the form of mechanical energy, e.g. fly-wheels
    • 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
    • H02J3/30—Arrangements for balancing of the load in a network by storage of energy using dynamo-electric machines coupled to flywheels
    • 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
    • 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
    • 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
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及混合储能容量优化技术领域，具体是指一种混合储能容量优化方法。包括以下步骤：a、通过风电场某一时间段的输出功率计算出同一时期的期望平抑目标功率；b、采用低通滤波算法将风功率偏差值处理得到低频偏移分量，后到高频偏移分量，蓄电池储能平抑低频偏移分量，飞轮储能平抑高频偏移分量；c、构造以经济性为目标函数的容量优化配置模型；d、输出蓄电池和飞轮的全局最优容量以及最优经济成本；e、确定混合储能装置充放电策略并计算方法的正确性和有效性，本发明提供一种能够通过蓄电池和飞轮混合储能的方法，并通过ACPSO算法获得蓄电池和飞轮的全局最优容量以及最优经济成本，保证经济性的一种混合储能容量优化方法。

Description

一种混合储能容量优化方法
技术领域
本发明涉及混合储能容量优化技术领域，具体是指一种混合储能容量优化方法。
背景技术
由于风电具有波动性、随机性和间歇性的缺点，导致风电输出功率波动很大，直接将风电并入电网会对电网的安全稳定运行造成巨大影响。储能技术具有瞬时功率吞吐能力大、响应速度快，调节精度高等优点，储能技术在风力发电领域将有一个很可观的前景。当风电输出功率高时储能装置充电，储存多余的电量，当风电输出功率低时储能装置放电，用以补充不足的电量，以此来平抑风电输出功率波动。因此，储能***能够有效平抑风电场输出功率的波动性，降低因风电输出功率的波动对电网的冲击。但是，单一的储能装置很难同时平抑风电输出功率的高频偏移分量和低频偏移分量。因而针对上述问题，需要研究一种方法对风电输出功率的高频偏移分量和低频偏移分量同时进行平抑，不同类型的储能装置具有不同的储能特性。化学电池储能具有功率密度小，能量密度大，循环寿命低容量大，充放电较慢的特点，适合补偿长时慢变功率波动。飞轮储能属于物理势能储能技术，是一种新兴的机械式储能技术，飞轮储能的造价高昂但是维护费用低廉，寿命相对较高，功率密度大但是容量小，响应速度通常在秒级甚至毫秒级，适合补偿短时快变功率波动。对于风电的输出功率来说，单一的储能装置很难同时平抑风电输出功率的高频偏移分量和低频偏移分量。
发明内容
本发明要解决的技术问题是提供一种能够通过蓄电池和飞轮混合储能的方法，并通过ACPSO算法获得蓄电池和飞轮的全局最优容量以及最优经济成本，在保证能对风电功率的波动进行有效平抑的同时保证了经济性的一种混合储能容量优化方法。
本发明所采用的技术方案为：一种混合储能容量优化方法，其特征在于：包括以下步骤：
a、以风电场某一时间段的输出功率为依据计算出同一时期的期望平抑目标功率；
b、采用低通滤波算法将风功率偏差值处理得到低频偏移分量，再计算得到高频偏移分量，蓄电池储能平抑低频偏移分量，飞轮储能平抑高频偏移分量；
c、构造以经济性为目标函数的容量优化配置模型；
d、输出蓄电池和飞轮的全局最优容量以及最优经济成本；
e、确定混合储能装置充放电策略并使用评价指标分析充放电策略和最优容量计算方法的正确性和有效性。
所述步骤a基于山西某风电场SCADA***中的原始风电输出功率PW(t)得出风电期望输出功率PA(t)，在时间段T内，应当满足公式：
Figure BDA0003389931040000021
t1＝t0+(i-1)T
t2＝t1+(K-1)Δt
其中，K为每个时间段T内的采样点数，PW(t)为原始风电功率，PA(t)为期望平抑目标功率，t0为第一个时间段的初始时刻，t1为每个时间段T的开始时刻，t2为每个时间段T的结束时刻。
所述步骤b中分解过程分为如下两个步骤：
(1)获得风电输出功率的偏移量ΔP
ΔP＝PW(t)-PA(t)
其中，PW(t)为原始风电功率，PA(t)为期望平抑目标功率。
(2)根据低通滤波算法，获得ΔP的低频分量ΔPL，从而得到ΔP的高频分量ΔPH
Figure BDA0003389931040000022
ΔPH＝ΔP-ΔPL
所述步骤c储能容量优化的目标是采用某种方法求解出储能容量的最优解，使***运行时各种影响因素所折合的经济成本的总和最小，主要包括三个方面：固有成本、运行成本、惩罚成本。
所述步骤d利用风电场的原始风电输出功率，通过计算风电功率期望平抑目标，并对风电功率偏移量进行高低频分解，采用自适应混沌粒子群优化算法，算法输入为原始风电输出功率，输出为蓄电池和飞轮的最优容量以及最优经济指标。
所述步骤e是根据步骤d得到的蓄电池和飞轮的最优容量以及最优经济目标，从而确定充放电策略并使用评价指标分析充放电策略和最优容量计算方法的正确性和有效性。
本发明的有益效果：
本发明提出的混合储能容量优化方法可以克服单一的储能装置难以同时平抑风电输出功率的高频偏移分量和低频偏移分量的不足，同时可以用更小的经济成本获得更好的平抑效果，附图1为本发明中混合储能装置的参数选取，附图2为采用本发明所述方法计算得到的混合储能容量优化结果，附图3为采用本发明中所述储能容量以及充放电控制策略得到的平抑后的风电功率曲线，其中点划线为原始风功率，实线为期望输出功率，虚线为平抑后输出功率。从图中可以看出储能装置有效地平抑了风电功率的波动，整体来看，本发明通过蓄电池和飞轮混合储能的方法，并通过ACPSO算法获得蓄电池和飞轮的全局最优容量以及最优经济成本，在保证对风电功率的波动进行有效平抑的同时提高了经济性。
附图说明
图1为本发明一种混合储能容量优化方法的混合储能装置的参数选取图。
图2为本发明一种混合储能容量优化方法的混合储能容量优化结果图。
图3为本发明一种混合储能容量优化方法的平抑后的风电功率曲线图。
图4为本发明一种混合储能容量优化方法的X2 ACPSO算法流程图。
图5为本发明一种混合储能容量优化方法的自适应混沌粒子群寻优曲线图
图6为本发明一种混合储能容量优化方法工程情况下配置结果与单一储能配置结果对比评价表。
具体实施方式
下面结合附图对本发明作进一步说明。
为了一种混合储能容量优化方法通过蓄电池和飞轮混合储能的方法，并通过ACPSO算法获得蓄电池和飞轮的全局最优容量以及最优经济成本，在保证能对风电功率的波动进行有效平抑的同时提高了经济性，本发明提供一种如图所示的一种混合储能容量优化方法，其功能在于：包括以下步骤：
a、以风电场某一时间段的输出功率为依据计算出同一时期的期望平抑目标功率；
b、采用低通滤波算法将风功率偏差值处理得到低频偏移分量，再计算得到高频偏移分量，蓄电池储能平抑低频偏移分量，飞轮储能平抑高频偏移分量；
c、构造以经济性为目标函数的容量优化配置模型；
d、输出蓄电池和飞轮的全局最优容量以及最优经济成本；
e、确定混合储能装置充放电策略并使用评价指标分析充放电策略和最优容量计算方法的正确性和有效性。
本发明中所述步骤a基于山西某风电场SCADA***中的原始风电输出功率PW(t)得出风电期望功率PA(t)，在时间段T内，应当满足公式：
Figure BDA0003389931040000031
t1＝t0+(i-1)T
t2＝t1+(K-1)Δt
其中，K为每个时间段T内的采样点数，PW(t)为原始风电功率，PA(t)为期望平抑目标功率，t0为第一个时间段的初始时刻，t1为每个时间段T的开始时刻，t2为每个时间段T的结束时刻。
本发明中所述步骤b中分解过程分为如下两个步骤：
(1)获得风电输出功率的偏移量ΔP
ΔP＝PW(t)-PA(t)
其中，PW(t)为原始风电功率，PA(t)为期望平抑目标功率。
(2)根据低通滤波算法，获得ΔP的低频分量ΔPL，从而得到ΔP的高频分量ΔPH
Figure BDA0003389931040000041
ΔPH＝ΔP-ΔPL
本发明中所述步骤c储能容量优化的目标是采用某种方法求解出储能容量的最优解，使***运行时各种影响因素所折合的经济成本的总和最小，主要包括三个方面：固有成本、运行成本、惩罚成本。
本发明中所述步骤d利用风电场的原始风电输出功率，通过计算风电功率期望平抑目标，并对风电功率偏移量进行高低频分解，采用自适应混沌粒子群优化算法，算法输入为原始风电输出功率，输出为蓄电池和飞轮的最优容量以及最优经济指标。
本发明中所述步骤e是根据步骤d得到的蓄电池和飞轮的最优容量以及最优经济标，从而确定充放电策略并使用评价指标分析充放电策略和最优容量计算方法的正确性和有效性。
步骤b：采用低通滤波算法将风功率偏差值处理得到功率偏差低频分量，再计算得到功率偏差高频分量，蓄电池储能平抑低频分量，飞轮储能平抑高频分量。分解过程分为如下两个步骤：
1)获得风电输出功率的偏移量ΔP。
ΔP＝PW(t)-PA(t)
其中，PW(t)为原始风电功率，PA(t)为期望平抑目标功率。
2)根据低通滤波算法，获得ΔP的低频分量ΔPL，从而得到ΔP的高频分量ΔPH
Figure BDA0003389931040000042
ΔPH＝ΔP-ΔPL
步骤c：构造以经济性为目标函数的容量优化配置模型。储能容量优化的目标是采用某种方法求解出储能容量的最优解，使***运行时各种影响因素所折合的经济成本的总和最小，主要包括三个方面：固有成本、运行成本、惩罚成本。
1)固有成本Ci
固有成本是指储能装置初始投资和安装建设成本，与储能装置的容量大小成正比，固有成本的计算公式如下所示。
Ci＝aASA+aFSF
其中，aA和aF分别为蓄电池和飞轮初始投资和建设的固有成本系数，根据实际情况进行设定；SA和SF分别为蓄电池和飞轮的容量，是优化目标参数。
2)运行成本Cr
运行成本是指储能装置在运行过程中由于其深度充放电及过度充放电而损耗装置寿命造成的成本。对于飞轮来讲，深度充放电对飞轮本身的运行成本和使用寿命影响较小，理想情况下飞轮可长时间按额定功率进行充放电，因此不考虑飞轮的运行成本。
蓄电池深度充放电运行成本：
Cd＝μAmA
其中，μA为蓄电池的深度充放电运行成本，根据实际情况进行设定；mA为蓄电池的深度充放电次数。
蓄电池过度充放电运行成本：
CO＝σAnA
其中，σA为蓄电池的过度充放电运行成本，根据实际情况进行设定；nA为蓄电池的过度充放电次数，根据实际情况进行设定。
运行成本Cr：
Cr＝Cd+Co
3)惩罚成本Cp
惩罚成本主要包括两部分：缺额成本以及弃风成本。缺额成本是指当储能装置放电至最小荷电状态水平造成不能满足继续补充风电功率期望目标而造成的损失；弃风成本是指当储能装置充电到最大荷电状态水平造成不能继续吸收风电造成弃风的成本。将这两部分折合成经济成本从而得到惩罚成本。
Figure BDA0003389931040000051
Figure BDA0003389931040000052
Figure BDA0003389931040000061
Figure BDA0003389931040000062
Cp＝CA1+CF1+CA2+CF2
其中，CA1和CA2分别为蓄电池的缺额成本和弃风成本；CF1和CF2分别为飞轮的缺额成本和弃风成本。g(x)函数为取正函数，当变量大于零时，函数值取变量值；当变量小于等于零时，函数值取零。α和β分别为缺额成本系数和弃风成本系数。ΔPL和ΔPH分别为风电输出功率的低频偏移分量和高频偏移分量。SA(i)和SF(i)分别为蓄电池和飞轮在i时的容量。SA(i-1)和SF(i-1)分别为蓄电池和飞轮在i-1时的容量。PAdmax和PAcmax分别为蓄电池的最大放电功率和最大充电功率；PFdmax和PFcmax分别为飞轮的最大放电功率和最大充电功率。N为总的样本数，Δt为采样时间间隔。以上参数均根据实际情况进行设定。
综上所述，储能容量优化目标函数可表示为：
minf＝Ci+Cr+Cp
为求解上述目标函数，需给出其约束条件，储能装置优化主要受储能装置容量约束、充放电功率约束和SOC约束。
(1)容量约束
由于在实际中单位容量蓄电池比飞轮成本低很多，所以令蓄电池容量大于飞轮容量。下述公式为储能装置的容量约束条件：
SAmin≤SA≤SAmax
SFmin≤SF≤SFmax
SA＞SF
其中，SAmin和SAmax分别为蓄电池容量最大和最小限值；SFmin和SFmax分别为飞轮容量最大和最小限值。以上参数均根据实际设定。
(2)充放电功率约束
下述公式为储能装置的充放电功率约束条件：
PAdmin≤PAd≤PAdmax
PAcmin≤PAc≤PAcmax
PFdmin≤PFd≤PFdmax
PFcmin≤PFc≤PFcmax
其中，PAdmin、PAdmax、PAcmin、PAcmax分别为蓄电池的最小放电功率、最大放电功率、最小充电功率、最大充电功率；PFdmin、PFdmax、PFcmin、PFcmax分别为飞轮的最小放电功率、最大放电功率、最小充电功率、最大充电功率。以上参数均根据实际设定。
(3)SOC约束
下述公式为储能装置的SOC约束：
SOCAmin≤SOCA≤SOCAmax
SOCFmin≤SOCF≤SOCFmax
其中，SOCAmin和SOCAmax分别为蓄电池的最小SOC和最大SOC，SOCFmin和SOCFmax分别为飞轮的最小SOC和最大SOC，以上参数均根据实际设定。
步骤d：利用风电场的风电原始输出功率，通过计算风电功率期望平抑目标，并对风电功率偏移量进行高低频分解，采用自适应混沌粒子群优化算法，算法输入为风电原始输出功率，输出为蓄电池和飞轮的最优容量以及最优经济指标。
自适应混沌粒子群优化算法(Adaptive Chaotic-particle SwarmOptimization，ACPSO)可以改善粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。算法流程如下：
(1)初始化设置目标函数相关参数，以及ACPSO算法相关参数：最大允许迭代次数T1、种群规模M、惯性权值ω、学习因子c1、c2。
(2)混沌初始化粒子位置和速度。
a)随机产生一个n维每个分量数值在0～1之间的向量z1＝(z11,z12,···,z1n)，n为目标函数中的变量个数。根据公式：
zn+1＝μzn(1-zn),n＝0,1,2…
得到n个向量z1,z2,…,zn。
b)将zi的各个分量载波到对应变量的取值区间。
c)计算粒子群的适应值，随机产生M个初始速度。
(3)根据下述公式更新粒子的惯性权重：
Figure BDA0003389931040000081
其中，ωmax和ωmin分别表示惯性权重ω的最大值和最小值，f表示粒子当前的目标函数值，favg和fmin分别表示当前所有粒子的平均目标值和最小目标值。
(4)根据下述两个公式更新粒子的速度和位置。
Figure BDA0003389931040000082
Figure BDA0003389931040000083
(5)如果粒子适应度优于个体极值gbest，gbest设置为新位置。
(6)如果粒子适应度优于全局极值zbest，zbest设置为新位置。
(7)对最优位置进行混沌优化，得到性能最好的可行解，用可行解取代当前群体中任意一个粒子的位置。
(8)若满足停止条件，则搜索停止，输出全局最优位置，否则返回步骤(3)。
算法运行结束后，得到蓄电池和飞轮的最优容量以及最优经济标。
算法流程图如附图4所示。
参数配置见附图1，蓄电池和飞轮的最优容量见附图2，ACPSO的仿真迭代曲线见附图5。
步骤e：根据步骤四得到的蓄电池和飞轮的最优容量以及最优经济标，确定混合储能充放电策略并使用评价指标分析充放电策略和最优容量计算方法的正确性和有效性。混合储能装置的充放电策略的主要思想是：
(1)充分利用飞轮储能电池瞬时功率大、充放电次数多的优点，用其平抑高频偏移分量；
(2)充分发挥锂电池储能电池容量大的特点，与此同时要避免过度频繁地充放电，用其平抑低频偏移分量；
(3)考虑到经济性，应充分发挥各储能电池的容量，实现更加有效的利用。
在充放电过程中，蓄电池和飞轮要在满足其充放电功率极限的条件下，尽可能地平抑风电功率低频和高频分量，蓄电池和飞轮的充放电功率可用下述公式进行描述：
PAc(t)＝min(ΔPL(t),PAcmax)
PAd(t)＝-min(|ΔPL(t)|,PAdmax)
PFc(t)＝min(ΔPH(t),PFcmax)
PFd(t)＝-min(|ΔPH(t)|,PFdmax)
其中，PAc(t)、PAd(t)分别为蓄电池在t时刻的充电功率和放电功率，PAcmax、PAdmax分别为蓄电池的最大充电功率和最大放电功率；PFc(t)、PFd(t)分别为飞轮在t时刻的充电功率和放电功率，PFcmax、PFdmax分别为飞轮的最大充电功率和最大放电功率；ΔPL(t)、ΔPH(t)分别为风电功率在t时刻的偏移低频分量和偏移高频分量。
为了减少蓄电池的充放电次数，当蓄电池在给定时间内充放电的状态发生了变化，则不改变蓄电池在该时间内的充放电状态，即蓄电池在该时间内停止充放电，功率偏移分量完全由飞轮平抑。当t-1时刻的低频偏移量与t时刻的低频偏移量异号，且在之后的T’时间内低频偏移量的符号与t-1时刻的低频偏移量同号时，在该T’时间内蓄电池停止充放电，功率偏移分量均由飞轮平抑。该情况下，蓄电池在时段[t,t+T’]的充放电策略可用下述公式描述：
PAc(t)＝0
PFc(t)＝min(PFcmax,ΔP(t))
PAd(t)＝0
PFd(t)＝-min(PFdmax,|ΔP(t)|)
其中，PAc(t)、PAd(t)分别为蓄电池在t时刻的充电功率和放电功率；PFc(t)、PFd(t)分别为飞轮在t时刻的充电功率和放电功率，PFcmax、PFdmax分别为飞轮的最大充电功率和最大放电功率；ΔP(t)为风电功率在t时刻的偏移分量。
上述充放电策略是理想情况下的，即蓄电池完全平抑低频偏移分量，飞轮完全平抑高频偏移分量。但在实际工程中，考虑到频繁地充放电会严重缩短飞轮和蓄电池的使用寿命，因此在上述充放电策略中加入一个约束条件，如下述公式所示。当风电功率偏移低频分量满足-0.5<ΔPL<0.5但|ΔPH(t)|＞0.5时，蓄电池不平抑低频分量，即蓄电池此时不进行充放电，功率偏移分量均由飞轮平抑；当风电功率偏移高频分量满足-0.5<ΔPH<0.5且-0.5＜ΔPH(t)＜0.5时，蓄电池不进行充放电，飞轮平抑低频分量。
当-0.5＜ΔPL(t)＜0.5，|ΔPH(t)|＞0.5时
PAc(t)＝PAd(t)＝0
PFc(t)＝min(PFcmax,ΔP(t))
PFd(t)＝-min(PFdmax,|ΔP(t)|)
当-0.5＜ΔPL(t)＜0.5，-0.5＜ΔPH(t)＜0.5时
PAc(t)＝PAd(t)＝0
PFc(t)＝min(PFcmax,ΔPL(t))
PFd(t)＝-min(PFdmax,|ΔPL(t)|)
其中，PAc(t)、PAd(t)分别为蓄电池在t时刻的充电功率和放电功率；PFc(t)、PFd(t)分别为飞轮在t时刻的充电功率和放电功率，PFcmax、PFdmax分别为飞轮的最大充电功率和最大放电功率；ΔPH(t)、ΔPL(t)分别为风电功率在t时刻的偏移高频分量和风电功率在t时刻的偏移低频分量；ΔP(t)为风电功率在t时刻的偏移分量。
为了验证混合储能装置与单一储能装置相比具有更大的优势，所以将原始风电功率经过储能装置平抑后的偏移量的方差作为平抑效果指标，如下述公式所示。
Figure BDA0003389931040000101
其中，φ为平抑效果指标，其值越小表示风电功率平抑效果越好；ΔPH’(i)为经过飞轮储能装置平抑后的风电功率偏差在采样点i时的高频分量，ΔPL’(i)为经蓄电池储能装置平抑后的风电功率偏差在采样点i时的低频分量，N为采样总数。
从附图6中可以看出，当按照本发明中的方法确定的混合储能装置和单一储能装置容量相同时，混合储能装置的平抑效果指标比单一储能装置更好。也就是说，混合储能通过采用本发明提出的充放电策略和最优容量优化方法，可以用更小的经济成本获得更好的平抑效果。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种混合储能容量优化方法，其特征在于：包括以下步骤：
a、以风电场某一时间段的输出功率为依据计算出同一时期的期望平抑目标功率；
b、采用低通滤波算法将风功率偏差值处理得到低频偏移分量，再计算得到高频偏移分量，蓄电池储能平抑低频偏移分量，飞轮储能平抑高频偏移分量；
c、构造以经济性为目标函数的容量优化配置模型；
d、输出锂电池和飞轮的全局最优容量以及最优经济成本；
e、确定混合储能装置充放电策略并使用评价指标分析充放电策略和最优容量计算方法的正确性和有效性。
2.根据权利要求1所述的一种混合储能容量优化方法，其特征在于：所述步骤a基于山西某风电场SCADA***中的原始风电输出功率PW(t)得出风电期望功率PA(t)，在时间段T内，应当满足公式：
Figure FDA0003389931030000011
t1＝t0+(i-1)T
t2＝t1+(K-1)Δt
其中，K为每个时间段T内的采样点数，PW(t)为原始风电功率，PA(t)为期望平抑目标功率，t0为第一个时间段的初始时刻，t1为每个时间段T的开始时刻，t2为每个时间段T的结束时刻。
3.根据权利要求1所述的一种混合储能容量优化方法，其特征在于：所述步骤b中分解过程分为如下两个步骤：
(1)获得风电输出功率的偏移量ΔP。
ΔP＝PW(t)-PA(t)
其中，PW(t)为原始风电功率，PA(t)为期望平抑目标功率。
(2)根据低通滤波算法，获得ΔP的低频分量ΔPL，从而得到ΔP的高频分量ΔPH
Figure FDA0003389931030000012
ΔPH＝ΔP-ΔPL
4.根据权利要求1所述的一种混合储能容量优化方法，其特征在于：所述步骤c储能容量优化的目标是采用某种方法求解出储能容量的最优解，使***运行时各种影响因素所折合的经济成本的总和最小，主要包括三个方面：固有成本、运行成本、惩罚成本。
5.根据权利要求1所述的一种混合储能容量优化方法，其特征在于：所述步骤d利用风电场的原始风电输出功率，通过计算风电功率期望平抑目标，并对风电功率偏移量进行高低频分解，采用自适应混沌粒子群优化算法，算法输入为原始风电输出功率，输出为蓄电池和飞轮的最优容量以及最优经济指标。
6.根据权利要求1所述的一种混合储能容量优化方法，其特征在于：所述步骤e是根据步骤d得到的蓄电池和飞轮的最优容量以及最优经济标，从而确定充放电策略并使用评价指标分析充放电策略和最优容量计算方法的正确性和有效性。
CN202111474555.6A 2021-12-03 2021-12-03 一种混合储能容量优化方法 Pending CN114142508A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111474555.6A CN114142508A (zh) 2021-12-03 2021-12-03 一种混合储能容量优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111474555.6A CN114142508A (zh) 2021-12-03 2021-12-03 一种混合储能容量优化方法

Publications (1)

Publication Number Publication Date
CN114142508A true CN114142508A (zh) 2022-03-04

Family

ID=80383870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111474555.6A Pending CN114142508A (zh) 2021-12-03 2021-12-03 一种混合储能容量优化方法

Country Status (1)

Country Link
CN (1) CN114142508A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115021295A (zh) * 2022-06-20 2022-09-06 华北电力大学 针对一次调频的风电场混合储能容量优化配置方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113098008A (zh) * 2021-04-30 2021-07-09 华北电力大学 一种基于改进政治优化算法的光储容量优化配置方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113098008A (zh) * 2021-04-30 2021-07-09 华北电力大学 一种基于改进政治优化算法的光储容量优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QIANG GUO: "Research on Energy Storage System Participation in Primary Frequency Regulation of Large-scale Wind Turbines", 《2019 1ST INTERNATIONAL CONFERENCE ON INDUSTRIAL ARTIFICIAL INTELLIGENCE (IAI)》, pages 1 - 6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115021295A (zh) * 2022-06-20 2022-09-06 华北电力大学 针对一次调频的风电场混合储能容量优化配置方法及***
CN115021295B (zh) * 2022-06-20 2024-07-12 华北电力大学 针对一次调频的风电场混合储能容量优化配置方法及***

Similar Documents

Publication Publication Date Title
Xu et al. The control of lithium‐ion batteries and supercapacitors in hybrid energy storage systems for electric vehicles: a review
WO2018196433A1 (zh) 多类型储能多级控制方法
CN111614106B (zh) 电池储能***参与电网一次调频的控制方法
Lin et al. Coordinated control strategies for SMES-battery hybrid energy storage systems
CN106451508B (zh) 分布式混合储能***配置、充放电方法及装置
CN109510234B (zh) 一种微电网储能电站的混合储能容量优化配置方法及装置
CN112434463B (zh) 一种车辆复合电源能量管理***
WO2017161787A1 (zh) 基于未来信息的光伏功率波动的动态平抑方法
CN105140942B (zh) 考虑荷电状态偏差的混合储能优化功率分配方法
CN112103980A (zh) 一种联合火电机组agc调频的混合储能***能量管理方法
CN112086975B (zh) 一种协调多储能单元参与二次调频的优化调度方法
CN105262117A (zh) 一种风电爬坡优化控制方法
CN117081128A (zh) 基于变分模态分解的微电网混合储能容量优化配置方法
Sun et al. A new design of fuzzy logic control for SMES and battery hybrid storage system
CN111613817B (zh) 基于改进粒子群算法的电池混动***能源优化策略
CN111628558A (zh) 混合储能***的能量管理和容量配置的优化***及方法
CN114142508A (zh) 一种混合储能容量优化方法
CN107492903B (zh) 一种基于统计学模型的混合储能***容量优化配置方法
CN109494771B (zh) 基于超级电容器荷电状态预测的新能源功率平滑控制方法
CN115173433A (zh) 一种平抑风电波动的储能容量优化方法及***
CN117134398A (zh) 混合储能***功率控制方法、控制设备及储能网
CN116780587A (zh) 一种混合储能辅助机组调频容量优化方法及***
CN113555901A (zh) 基于改进s型函数粒子群优化算法的混合储能容量优化方法
CN116345502A (zh) 混合储能双层模型容量优化配置方法、***、设备及介质
CN115579924A (zh) 一种多级分解的混合储能容量优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220304