CN117977655A - 海上风电储能配置方法及装置、存储介质、终端 - Google Patents
海上风电储能配置方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN117977655A CN117977655A CN202311853185.6A CN202311853185A CN117977655A CN 117977655 A CN117977655 A CN 117977655A CN 202311853185 A CN202311853185 A CN 202311853185A CN 117977655 A CN117977655 A CN 117977655A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- configuration
- data
- target
- type
- 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 375
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 33
- 230000009194 climbing Effects 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 10
- 230000000750 progressive effect Effects 0.000 claims description 5
- 235000019580 granularity Nutrition 0.000 description 18
- 238000010276 construction Methods 0.000 description 11
- 230000002354 daily effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000029087 digestion Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种海上风电储能配置方法及装置、存储介质、终端,涉及电力储能技术领域,主要目的在于解决海上风电储能配置准确性较低的问题。主要包括获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型;依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据。
Description
技术领域
本发明涉及电力储能技术领域,特别是涉及一种海上风电储能配置方法及装置、存储介质、终端。
背景技术
随着新能源产业的发展,我国海上风电在各沿海城市的装机量也逐年增加。与此同时,温控负荷、电动汽车等占比提高,负荷侧不确定性增加,面向源荷随机性的电网调度运行难度也在加大。储能作为电力***调节器,合理配置可有效实现风电输功率的调控,显著提高风电消纳。
目前的海上风电储能配置方法主要包括通过海上风电功率预测,以平抑风电输出功率波动为目标的储能容量和功率配置方法;以及考虑海上风电功率出力的不确定性和储能寿命损耗,上述方法储能配置类型和优化目标单一,导致储能配置的准确性较低。
发明内容
有鉴于此,本发明提供一种海上风电储能配置方法及装置、存储介质、终端,主要目的在于解决现有海上风电储能配置准确性较低的问题。
依据本发明一个方面,提供了一种海上风电储能配置方法,包括:
获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;
按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;
从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;
依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置。
进一步地,所述按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,包括:
利用经验模态分解算法,按照不同时间尺度对所述净负荷波动数据进行分解,得到高频分量和/或中低频分量;
按照第一时间颗粒度对所述高频分量进行积分处理,得到爬坡需求量,和/或按照第二时间颗粒度对所述中低频分量进行积分处理,得到调峰供电需求量;
依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型。
进一步地,所述依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型,包括:
在分解仅得到高频分量或对应所述中低频分量的所述调峰供电需求量小于预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率型配置;
在分解仅得到中低频分量或对应所述高频分量的所述爬坡需求量小于预设爬坡需求量阈值的情况下,确定所述储能设备配置类型为能量型配置;
在所述爬坡需求量大于或等于所述爬坡需求量阈值,且所述调峰供电需求量大于或等于所述预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率能量组合型配置。
进一步地,所述目标储能容量配置模型包括资源投入子模型、资源运行子模型及设备性能约束,所述依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,包括:
依据所述净负荷波动数据、所述资源投入子模型及所述资源运行子模型确定目标优化函数;
在所述设备性能约束下,依据所述目标优化函数确定多个储能容量配置方案;
对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据。
进一步地,所述对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据,包括:
利用改进的粒子群算法,以资源累进值最大为寻优目标,对各个所述储能容量配置方案进行寻优,得到满足所述寻优目标的目标储能配置数据;
其中,所述改进的粒子群算法中的权值参数随所述寻优的迭代轮次更新。
进一步地,所述从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型之前,所述方法还包括:
获取不同储能设备的资源投入参数、资源运行参数及设备性能参数,所述储能设备为能量型储能设备或功率型储能设备;
针对每个储能设备,依据所述资源投入参数构建资源投入子模型,依据所述资源运行参数构建资源运行子模型;
依据所述资源投入子模型或所述资源运行子模型构建以所述设备性能参数为设备性能约束的单一储能设备容量配置模型;
依据所述单一储能设备容量配置模型构建得到功率能量组合型储能容量配置模型。
进一步地,所述获取目标电网的净负荷波动数据之前,所述方法还包括:
获取目标电网的历史运行数据,所述历史运行数据包括电网总负荷波动数据和新能源出力波动数据,所述新能源出力波动数据包括风电出力及其他新能源发电出力的波动数据;
对所述电网总负荷波动数据进行统计计算,得到不同典型周期的总负荷波动特征数据,并对所述新能源出力波动数据进行统计计算,得到不同典型周期的新能源出力波动特征数据;
针对各个所述典型周期,计算所述总负荷波动特征数据与所述新能源出力波动特征数据的差值,得到不同典型周期的净负荷波动数据。
依据本发明另一个方面,提供了一种海上风电储能配置装置,包括:
获取模块,用于获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;
确定模块,用于按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;
识别模块,用于从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;
配置模块,用于依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置。
进一步地,所述确定模块,包括:
分解单元,用于利用经验模态分解算法,按照不同时间尺度对所述净负荷波动数据进行分解,得到高频分量和/或中低频分量;
处理单元,用于按照第一时间颗粒度对所述高频分量进行积分处理,得到爬坡需求量,和/或按照第二时间颗粒度对所述中低频分量进行积分处理,得到调峰供电需求量;
第一确定单元,用于依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型。
进一步地,在具体应用场景中,所述确定单元具体用于在分解仅得到高频分量或对应所述中低频分量的所述调峰供电需求量小于预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率型配置;
在分解仅得到中低频分量或对应所述高频分量的所述爬坡需求量小于预设爬坡需求量阈值的情况下,确定所述储能设备配置类型为能量型配置;
在所述爬坡需求量大于或等于所述爬坡需求量阈值,且所述调峰供电需求量大于或等于所述预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率能量组合型配置。
进一步地,所述配置模块,包括:
第二确定单元,用于依据所述净负荷波动数据、所述资源投入子模型及所述资源运行子模型确定目标优化函数;
第三确定单元,用于在所述设备性能约束下,依据所述目标优化函数确定多个储能容量配置方案;
寻优单元,用于对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据。
进一步地,在具体应用场景中,所述寻优单元具体用于利用改进的粒子群算法,以资源累进值最大为寻优目标,对各个所述储能容量配置方案进行寻优,得到满足所述寻优目标的目标储能配置数据;
其中,所述改进的粒子群算法中的权值参数随所述寻优的迭代轮次更新。
进一步地,所述装置还包括:
所述获取模块,还用于获取不同储能设备的资源投入参数、资源运行参数及设备性能参数,所述储能设备为能量型储能设备或功率型储能设备;
第一构建模块,用于针对每个储能设备,依据所述资源投入参数构建资源投入子模型,依据所述资源运行参数构建资源运行子模型;
第二构建模块,用于依据所述资源投入子模型或所述资源运行子模型构建以所述设备性能参数为设备性能约束的单一储能设备容量配置模型;
第三构建模块,用于依据所述单一储能设备容量配置模型构建得到功率能量组合型储能容量配置模型。
进一步地,所述装置还包括:
所述获取模块,还用于获取目标电网的历史运行数据,所述历史运行数据包括电网总负荷波动数据和新能源出力波动数据,所述新能源出力波动数据包括风电出力及其他新能源发电出力的波动数据;
第一计算模块,用于对所述电网总负荷波动数据进行统计计算,得到不同典型周期的总负荷波动特征数据,并对所述新能源出力波动数据进行统计计算,得到不同典型周期的新能源出力波动特征数据;
第二计算模块,用于针对各个所述典型周期,计算所述总负荷波动特征数据与所述新能源出力波动特征数据的差值,得到不同典型周期的净负荷波动数据。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述海上风电储能配置方法对应的操作。
根据本发明的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述海上风电储能配置方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种海上风电储能配置方法及装置、存储介质、终端,本发明实施例通过获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置,从设备规划层面和设备运维层面,综合多维度影响因素对储能设备进行配置,并将净负荷数据波动频率作为设备类型配置的依据,大大提高了设备配置的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种海上风电储能配置方法流程图;
图2示出了本发明实施例提供的另一种海上风电储能配置方法流程图;
图3示出了本发明实施例提供的一种净负荷波动曲线分解示意图;
图4示出了本发明实施例提供的一种不同波动频率的调节需求柱状图;
图5示出了本发明实施例提供的一种海上风电储能配置装置组成框图;
图6示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
针对海上风电储能配置准确性较低的问题。本发明实施例提供了一种海上风电储能配置方法,如图1所示,该方法包括:
101、获取目标电网的净负荷波动数据。
本发明实施例中,目标电网为沿海地区有风电参与并网的供电网络,例如,以传统火力发电为主要能源,以分布式光伏发电、风力发电及水电等新能源发电为辅的电力网络。净负荷基于目标电网的历史实际运行数据统计计算得到,具体为总供电负荷与新能源出力的差值。净负荷波动数据可以通过典型日(波动均值日)的海上风电出力与电网总负荷的曲线的形式表现。通过分析目标电网对应地区全年逐月的日波动均值、逐月的日波动最大幅值及全年反调峰特征数据能够得到海上风电不同时间段的出力波动规律和影响因素。净负荷波动数据能够反映出当前目标电网所对应的确的海上风电出力与用电负荷的匹配特性。依据净负荷波动数据进行储能配置,能够使得后续的储能设备类型及储能容量配置与储能应用区域的用电及发电特征有更高的匹配度和更好的适用性。
102、按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型。
本发明实施例中,净负荷波动数据具有时间尺度特性,即净负荷波动数据可以按照不同的波动频率进行分解,分解为不同波动频率的分量。例如,按照小于15min、15~60min、大于60min三个时间尺度对净负荷波动数据进行分解,得到净负荷在三个时间尺度区间的波动频率分量。由于不同的储能设备的调节速率不同,如,抽水蓄能设备的调节速率为分钟级,而电池储能设备的调节速率为毫秒级,即从时间维度,不同储能设备对净负荷波动的调节能力不同。因此,可以根据净负荷波动数据的波动频率特点配置不同的储能设备配置类型,储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置。例如,若分解得到的波动频率分量中高频分量占比较高,则配置电池储能设备,即功率型配置;若高频分量和中低频分量均有一定的占比,则配置抽水蓄能设备和电池储能,即功率能量组合型配置。
103、从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型。
本发明实施例中,不同储能设备的建设、运维及故障设备更换的投入资源成本不同,即资源投入参数不同;在储能设备运行的过程中对资源消耗的程度也不同,例如,单日储能高峰放电时减少的***损耗电量和低谷充电时增加的***损耗电量均不同,即资源消化参数不同。因此,预先根据不同的储能设备的资源投入参数、资源运行参数及设备性能参数构建对应的储能容量配置模型。其中,设备性能参数用于表征储能设备的安全运行的性能参数,例如,储能充放电功率规格参数、机组爬坡速率限制参数等。在确定出储能设备配置类型之后,通过储能容量配置模型与储能设备配置类型的映射关系匹配出与储能设备配置类型对应的目标储能容量配置模型。例如,储能设备配置类型为功率型配置,则匹配出与功率型配置对应的储能容量配置模型作为目标储能容量配置模型。
104、依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据。
本发明实施例中,目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置。即目标储能配置数据既包括用于确定储能设备组成的储能设备配置类型,也包括不同类型储能设备的容量配置数据。例如,设备配置类型为能量型配置,则容量配置为此能量型储能设备的容量配置;设备类型为能量功率型配置,则容量配置包括能量型储能设备和功率型储能设备的分别对应的容量配置。
需要说明的是,资源投入参数能够表征储能设备的设备投入成本,资源运行参数能够表征储能设备在进行调峰调谷过程中的运行过程消耗,设备性能参数能够表征储能设备整体的安全运行限制条件。基于上述三项参数构建储能容量配置模型,使得储能设备的配置在设备选型的基础上,综合了投入建设成本、过程资源消化及收入、安全性等多个维度的影响因素,使得储能设备容量的配置能够平衡多方面储能需求,从而提高储能设备的准确性。
在一个本发明实施例中,为了进一步说明及限定,如图2所示,步骤102按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,包括:
201、利用经验模态分解算法,按照不同时间尺度对所述净负荷波动数据进行分解,得到高频分量和/或中低频分量。
202、按照第一时间颗粒度对所述高频分量进行积分处理,得到爬坡需求量,和/或按照第二时间颗粒度对所述中低频分量进行积分处理,得到调峰供电需求量。
203、依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型。
经验模态分解(Empirical Mode Decomposition,EMD)算法是一种数据驱动的自适应非线性时变信号分析方法,可以把数据分解成具有物理意义的少数几个固有模态函数(Intrinsic Mode Function,IMF)分量。本发明实施例中,采用此算法,按照预设的多个时间尺度对净负荷波动数据进行分解,得到高频分量、中频分量及低频分量中的相应。由于低频分量和中频分量通常相伴存在,且对储能设备的调节速率需求一致,因此,在需求量计算和储能设备配置的过程中,将低频分量和中频分量合并为中低频分量。当然也可以分别计算高频分量、中频分量及低频分量所对应的需求量,如图3所示,净负荷波动曲线按照小尺度(<15min)、中尺度(15~60min)、大尺度(>1h)可以分解为低频分量、中频分量及高频分量,进一步地,如图4所示,按照第一时间颗粒度、第二时间颗粒度对低频分量、中频分量及高频分量分别进行积分,得到与高频分量对应的爬坡需求量,与中频分量对应的调峰需求量以及与低频分量对应的供电需求量,进而将中频分量对应的调峰需求量与低频分量对应的供电需求量进行求和得到调峰供电需求量。其中,低频分量和中频分量可以按照相同时间颗粒度进行积分,也可以按照不同时间颗粒度进行积分,当按照不同时间颗粒度时,第二时间颗粒度包括低频时间颗粒度和中频时间颗粒度,预设的多个时间尺度、第一时间颗粒度及第二时间颗粒度可以根据实际应用需求自定义,本发明实施例不做具体限定。
需要说明的是,由于电网发生向上或向下的爬坡调节时,表现为净负荷是高频波动,电网发生调峰调谷调节时,表现为净负荷的中频波动,而电网发生供电或储能调节时,表现为净负荷的低频波动,因此,按照不同时间尺度对净负荷波动数据进行分解,能够有效提取出目标电网对爬坡调节、调峰调节及供电需求的需求,例如,在海上风电反调峰特征明显的地区,需配置调峰功能强、成本低的储能,如抽水蓄能;在海上风电出力波动剧烈、频繁的地区,配置调频功能强、调节速度快的储能,如电池储能,从而为后续储能设备类型的精准配置提供准确、有效的数据依据。
在一个本发明实施例中,为了进一步说明及限定,步骤203依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型,包括:
在分解仅得到高频分量或对应所述中低频分量的所述调峰供电需求量小于预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率型配置;
在分解仅得到中低频分量或对应所述高频分量的所述爬坡需求量小于预设爬坡需求量阈值的情况下,确定所述储能设备配置类型为能量型配置;
在所述爬坡需求量大于或等于所述爬坡需求量阈值,且所述调峰供电需求量大于或等于所述预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率能量组合型配置。
本发明实施例中,净负荷波动数据的分解结果包括仅高频分量、仅中低频分量及高频分量与中低频分量并存的情况。若仅包括高频分量或中低频分量,表明目标电网的负荷调节需求仅包括爬坡调节需求,或仅包括调峰供电调节需求,则相应地将储能设备配置类型配置为功率型配置或能量型配置,例如,分解结果仅包括高频分量,则确定储能设备配置类型为功率型配置;分解结果仅包括中低频分量,则确定储能设备配置类型为能量型配置。若净负荷波动数据的分解结果包括高频分量与中低频分量,则需要进一步判断其中高频分量、中低频分量分别对应的需求量否达到对应阈值,若依据中低频分量得到的调峰供电需求量小于调峰供电需求量阈值,表明调峰供电的调节需求较小,则可以仅采用与爬坡需求对应的功率型配置,即从功率型储能设备(飞轮储能、电池储能)中确定一种储能设备作为目标电网的储能设备;若依据高频分量得到的爬坡需求量小于爬坡需求量阈值,表明爬坡的调节需求较小,则可以仅采用与调峰供电需求对应的能量型配置,即从能量型储能设备(抽水蓄能、压缩空气储能)中确定一种储能设备作为目标电网的储能设备;若爬坡需求量大于对应阈值,且调峰供电需求量也大于对应阈值,则采用功率能量组合型配置,即从能量型储能设备和功率型储能设备分别选取一个储能设备,联合作为目标电网的储能设备。
在一个本发明实施例中,为了进一步说明及限定,步骤依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,包括:
依据所述净负荷波动数据、所述资源投入子模型及所述资源运行子模型确定目标优化函数;
在所述设备性能约束下,依据所述目标优化函数确定多个储能容量配置方案;
对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据。
本发明实施例中,目标储能容量配置模型包括资源投入子模型、资源运行子模型及设备性能约束。在确定储能设备的情况下,基于资源投入子模型可以计算出资源投入C,资源投入子模型为:
其中,C1为初始投资建设成本,C2为运维成本,C3为故障更换成本;Cbess为储能单位容量投资,PN_besss为储能额定功率,Tbess为储能额度放电时长;λbess为储能单位发电量的平均运维成本,Ebess_year为储能年放(发)电量;ε为储能电池年均替换率。
基于净负荷波动数据可以确定出目标电网在指定时刻的储能充放电功率,进而确定出储能充放电转换效率、储能高峰放电时减少***损耗电量及低谷充电时增加***损耗电量等数据,将上述电网运行的过程量输入资源运行子模型,可以基于电价及资源运行参数计算出储能电量供应收益I,资源运行子模型为:
其中,Pout_BESS(t)为储能放电功率,Pin_BESS(t)为储能在t时刻的充电功率,ρ(t)为t时刻的充/放电价,η为储能充放电转换效率;Fi为储能电站i的调频服务费用;Cdg为配电网线路变压器等设备扩容改造的单位容量平均投资成本;ΔPpeak_load为储能减少的峰值负荷需求;N为参与调峰调频的储能电站的数量,e为自然常数,i0为配电***电流,τ为***时间常数;EHloss为每天储能高峰放电时,减少的***损耗电量,ELloss为每天储能低谷充电时,增加的***损耗电量,ρH为高峰电价,ρL为低谷电价。
目标优化函数为储能收益函数,即其中,i为参与调峰调频的第i个储能电站,N为参与调峰调频的储能电站的数量,k为第k个储能电站,K为投入建设的储能电站的数量。
在一个本发明实施例中,为了进一步说明及限定,步骤对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据,包括:
利用改进的粒子群算法,以资源累进值最大为寻优目标,对各个所述储能容量配置方案进行寻优,得到满足所述寻优目标的目标储能配置数据。
本发明实施例中,粒子群算法也称粒子群优化算法(PSO:Particle SwarmOptimization),是近年来发展起来的一种新的进化算法((Evolu2tionary Algorithm-EA)。PSO算法属于进化算法的一种,从随机解出发,通过迭代寻找最优解,通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。但是,现有的粒子群算法,需要检测种群内的每个点,才能找到全局最优点,导致计算量过大。因此,对粒子群算法的权值进行改进,粒子群算法的计算公式为:
其中,Vid对应整体收益Itotal,及/>均为决策变量,/>和/>为不同容量配置方案所对应的电量供应收益,/>为不同容量配置方案所对应的成本投入,H1、R1、H2及R2为权值参数,m为寻优迭代次数,其中,R1及R2为固定值,改进的粒子群算法中的权值参数H1、H2随寻优的迭代轮次更新。
H1=H1s+m(H1e-H1s)/mmax(5);其中,m为迭代次数,H1s为本轮迭代的初始权值,H1e为H1s经过本轮迭代后的权值;H2=H2s+m(H2e-H2s)/mmax(6);其中,H2s为本轮迭代的初始权值,H2e为H2s经过本轮迭代后的权值。
需要说明的是,通过对粒子群算法中的权值进行改进,改进后的粒子群算法中粒子在搜索初期尽可能飞跃整个搜索空间,实现多样性,避免过早收敛于局部极值,加强了粒子全局最优的收敛能力,从而提高目标函数求解的准确性。
在一个本发明实施例中,为了进一步说明及限定,步骤从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型之前,所述方法还包括:
获取不同储能设备的资源投入参数、资源运行参数及设备性能参数,所述储能设备为能量型储能设备或功率型储能设备;
针对每个储能设备,依据所述资源投入参数构建资源投入子模型,依据所述资源运行参数构建资源运行子模型;
依据所述资源投入子模型或所述资源运行子模型构建以所述设备性能参数为设备性能约束的单一储能设备容量配置模型;依据所述单一储能设备容量配置模型构建得到功率能量组合型储能容量配置模型。
本发明实施例中,资源投入参数为表征储能设备投入建设及运行成本的参数,例如,储能设备的储能单位容量投资、储能单位发电量的平均运维成本及储能电池年均替换率等。资源运行参数为表征储能设备在运行过程中损耗和收益的参数,例如,调峰、调频费用,单位充放电时***损耗电量,设备扩容改造的单位容量平均投资成本及高峰、低谷时的电价等参数。单一储能设备容量配置模型包括功率型储能设备容量配置模型和能量型储能设备容量配置模型。基于设备性能参数构建的约束条件包括***功率平衡和电网支路潮流约束、储能充放电功率约束、荷电状态约束、充放电电量转换约束、常规机组的出力约束、机组爬坡速率约束等,本发明实施例不做具体限定。
需要说明的是,通过基于资源投入参数和资源运行参数投建储能设备容量配置模型,储能优化配置的同时考虑了成本和收益,在储能收益中,增加了储能参与调峰调频的收益和延缓电网改造收益,充分考虑到储能规划配置为***带来的整体经济效益。
在一个本发明实施例中,为了进一步说明及限定,步骤获取目标电网的净负荷波动数据之前,所述方法还包括:
获取目标电网的历史运行数据;
对所述电网总负荷波动数据进行统计计算,得到不同典型周期的总负荷波动特征数据,并对所述新能源出力波动数据进行统计计算,得到不同典型周期的新能源出力波动特征数据;
针对各个所述典型周期,计算所述总负荷波动特征数据与所述新能源出力波动特征数据的差值,得到不同典型周期的净负荷波动数据。
本发明实施例中,历史运行数据包括电网总负荷波动数据、新能源出力波动数据。其中,新能源出力波动数据包括风电出力及其他新能源发电出力的波动数据。典型周期包括自然日,月(30个自然日)及年(365个自然日)。总负荷波动特征数据包括目标电网所在地区的全年逐月的总负荷日波动均值和逐月的总负荷日波动最大幅值;新能源出力波动特征数据包括目标电网所在地区的全年逐月的新能源出力日波动均值和逐月的新能源出力日波动最大幅值。将总负荷日波动均值的波动数据作为当月的总负荷典型日波动数据,将总负荷月波动均值的波动数据作为当年总负荷的典型月波动数据。同理,将新能源出力的日波动均值的波动数据作为当月的新能源出力典型日波动数据;将新能源出力的月波动均值的波动数据作为当年新能源出力的典型月波动数据。进而用电网总负荷的典型月、典型日波动数据减去新能源出力的典型月、典型日得到净负荷波动数据。净负荷波动数据能够用于表征风电出力方向的一致性、风电渗透率、消纳率、负荷匹配度,渗透率,可再生能源实际的功率与总的负荷功率的比等风电与负荷的匹配特性,基于净负荷波动数据能够为后续的设备选型和容量配置提供准确的数据依据。
本发明提供了一种海上风电储能配置方法,本发明实施例通过获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置,从设备规划层面和设备运维层面,综合多维度影响因素对储能设备进行配置,并将净负荷数据波动频率作为设备类型配置的依据,大大提高了设备配置的准确性。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种海上风电储能配置装置,如图5所示,该装置包括:
获取模块31,用于获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;
确定模块32,用于按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;
识别模块33,用于从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;
配置模块34,用于依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置。
进一步地,所述确定模块32,包括:
分解单元,用于利用经验模态分解算法,按照不同时间尺度对所述净负荷波动数据进行分解,得到高频分量和/或中低频分量;
处理单元,用于按照第一时间颗粒度对所述高频分量进行积分处理,得到爬坡需求量,和/或按照第二时间颗粒度对所述中低频分量进行积分处理,得到调峰供电需求量;
第一确定单元,用于依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型。
进一步地,在具体应用场景中,所述确定单元具体用于在分解仅得到高频分量或对应所述中低频分量的所述调峰供电需求量小于预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率型配置;
在分解仅得到中低频分量或对应所述高频分量的所述爬坡需求量小于预设爬坡需求量阈值的情况下,确定所述储能设备配置类型为能量型配置;
在所述爬坡需求量大于或等于所述爬坡需求量阈值,且所述调峰供电需求量大于或等于所述预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率能量组合型配置。
进一步地,所述配置模块34,包括:
第二确定单元,用于依据所述净负荷波动数据、所述资源投入子模型及所述资源运行子模型确定目标优化函数;
第三确定单元,用于在所述设备性能约束下,依据所述目标优化函数确定多个储能容量配置方案;
寻优单元,用于对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据。
进一步地,在具体应用场景中,所述寻优单元具体用于利用改进的粒子群算法,以资源累进值最大为寻优目标,对各个所述储能容量配置方案进行寻优,得到满足所述寻优目标的目标储能配置数据;
其中,所述改进的粒子群算法中的权值参数随所述寻优的迭代轮次更新。
进一步地,所述装置还包括:
所述获取模块31,还用于获取不同储能设备的资源投入参数、资源运行参数及设备性能参数,所述储能设备为能量型储能设备或功率型储能设备;
第一构建模块,用于针对每个储能设备,依据所述资源投入参数构建资源投入子模型,依据所述资源运行参数构建资源运行子模型;
第二构建模块,用于依据所述资源投入子模型或所述资源运行子模型构建以所述设备性能参数为设备性能约束的单一储能设备容量配置模型;
第三构建模块,用于依据所述单一储能设备容量配置模型构建得到功率能量组合型储能容量配置模型。
进一步地,所述装置还包括:
所述获取模块31,还用于获取目标电网的历史运行数据,所述历史运行数据包括电网总负荷波动数据和新能源出力波动数据,所述新能源出力波动数据包括风电出力及其他新能源发电出力的波动数据;
第一计算模块,用于对所述电网总负荷波动数据进行统计计算,得到不同典型周期的总负荷波动特征数据,并对所述新能源出力波动数据进行统计计算,得到不同典型周期的新能源出力波动特征数据;
第二计算模块,用于针对各个所述典型周期,计算所述总负荷波动特征数据与所述新能源出力波动特征数据的差值,得到不同典型周期的净负荷。
本发明提供了一种海上风电储能配置装置,本发明实施例通过获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置,从设备规划层面和设备运维层面,综合多维度影响因素对储能设备进行配置,并将净负荷数据波动频率作为设备类型配置的依据,大大提高了设备配置的准确性。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的海上风电储能配置方法。
图6示出了根据本发明一个实施例提供的一种终端的结构示意图,本发明具体实施例并不对终端的具体实现做限定。
如图6所示,该终端可以包括:处理器(processor)402、通信接口(CommunicationsInterface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述海上风电储能配置方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如相应磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作:
获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;
按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;
从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;
依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种海上风电储能配置方法,其特征在于,包括:
获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;
按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;
从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;
依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置。
2.根据权利要求1所述的方法,其特征在于,所述按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,包括:
利用经验模态分解算法,按照不同时间尺度对所述净负荷波动数据进行分解,得到高频分量和/或中低频分量;
按照第一时间颗粒度对所述高频分量进行积分处理,得到爬坡需求量,和/或按照第二时间颗粒度对所述中低频分量进行积分处理,得到调峰供电需求量;
依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型。
3.根据权利要求2所述的方法,其特征在于,所述依据所述爬坡需求量和/或所述调峰供电需求量确定储能设备配置类型,包括:
在分解仅得到高频分量或对应所述中低频分量的所述调峰供电需求量小于预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率型配置;
在分解仅得到中低频分量或对应所述高频分量的所述爬坡需求量小于预设爬坡需求量阈值的情况下,确定所述储能设备配置类型为能量型配置;
在所述爬坡需求量大于或等于所述爬坡需求量阈值,且所述调峰供电需求量大于或等于所述预设调峰供电需求量阈值的情况下,确定所述储能设备配置类型为功率能量组合型配置。
4.根据权利要求1所述的方法,其特征在于,所述目标储能容量配置模型包括资源投入子模型、资源运行子模型及设备性能约束,所述依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,包括:
依据所述净负荷波动数据、所述资源投入子模型及所述资源运行子模型确定目标优化函数;
在所述设备性能约束下,依据所述目标优化函数确定多个储能容量配置方案;
对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据。
5.根据权利要求4所述的方法,其特征在于,所述对所述储能容量配置方案进行寻优,得到所述目标电网的目标储能配置数据,包括:
利用改进的粒子群算法,以资源累进值最大为寻优目标,对各个所述储能容量配置方案进行寻优,得到满足所述寻优目标的目标储能配置数据;
其中,所述改进的粒子群算法中的权值参数随所述寻优的迭代轮次更新。
6.根据权利要求1所述的方法,其特征在于,所述从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型之前,所述方法还包括:
获取不同储能设备的资源投入参数、资源运行参数及设备性能参数,所述储能设备为能量型储能设备或功率型储能设备;
针对每个储能设备,依据所述资源投入参数构建资源投入子模型,依据所述资源运行参数构建资源运行子模型;
依据所述资源投入子模型或所述资源运行子模型构建以所述设备性能参数为设备性能约束的单一储能设备容量配置模型;
依据所述单一储能设备容量配置模型构建得到功率能量组合型储能容量配置模型。
7.根据权利要求1所述的方法,其特征在于,所述获取目标电网的净负荷波动数据之前,所述方法还包括:
获取目标电网的历史运行数据,所述历史运行数据包括电网总负荷波动数据和新能源出力波动数据,所述新能源出力波动数据包括风电出力及其他新能源发电出力的波动数据;
对所述电网总负荷波动数据进行统计计算,得到不同典型周期的总负荷波动特征数据,并对所述新能源出力波动数据进行统计计算,得到不同典型周期的新能源出力波动特征数据;
针对各个所述典型周期,计算所述总负荷波动特征数据与所述新能源出力波动特征数据的差值,得到不同典型周期的净负荷波动数据。
8.一种海上风电储能配置装置,其特征在于,包括:
获取模块,用于获取目标电网的净负荷波动数据,所述净负荷波动数据基于电网总负荷历史数据及新能源出力历史数据确定;
确定模块,用于按照不同时间尺度对所述净负荷波动数据进行分解,并依据分解得到的相应波动频率分量确定储能设备配置类型,所述储能设备配置类型包括功率型配置、能量型配置及功率能量组合型配置;
识别模块,用于从储能容量配置模型中识别出与所述储能设备配置类型匹配的目标储能容量配置模型,所述储能容量配置模型基于不同储能设备的资源投入参数、资源运行参数及设备性能参数构建;
配置模块,用于依据所述净负荷波动数据、所述目标储能容量配置模型进行储能容量配置寻优,得到所述目标电网的目标储能配置数据,所述目标储能配置数据包括储能设备配置类型和相应类型设备的容量配置。
9.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的海上风电储能配置方法对应的操作。
10.一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的海上风电储能配置方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311853185.6A CN117977655A (zh) | 2023-12-28 | 2023-12-28 | 海上风电储能配置方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311853185.6A CN117977655A (zh) | 2023-12-28 | 2023-12-28 | 海上风电储能配置方法及装置、存储介质、终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117977655A true CN117977655A (zh) | 2024-05-03 |
Family
ID=90858724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311853185.6A Pending CN117977655A (zh) | 2023-12-28 | 2023-12-28 | 海上风电储能配置方法及装置、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977655A (zh) |
-
2023
- 2023-12-28 CN CN202311853185.6A patent/CN117977655A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nguyen et al. | Stochastic optimization of renewable-based microgrid operation incorporating battery operating cost | |
He et al. | Optimal bidding strategy of battery storage in power markets considering performance-based regulation and battery cycle life | |
Mohammadi et al. | Scenario-based stochastic operation management of microgrid including wind, photovoltaic, micro-turbine, fuel cell and energy storage devices | |
Zhang et al. | A regulating capacity determination method for pumped storage hydropower to restrain PV generation fluctuations | |
De et al. | The optimization of hybrid energy conversion systems using the dynamic programming model—Rapsody | |
CN110783959B (zh) | 一种新能源发电***的稳定状态控制*** | |
Xu et al. | Multi-objective chance-constrained optimal day-ahead scheduling considering BESS degradation | |
CN107017625B (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
CN111200293A (zh) | 基于电池损耗和分布式电网电池储能日前随机调度的方法 | |
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 | |
CN110889581A (zh) | 一种电动汽车参与的台区优化调度方法和*** | |
CN111489020A (zh) | 一种独立型综合能源网电-气储能***优化配置求解方法 | |
CN117077974A (zh) | 虚拟电厂资源优化调度方法、装置、设备及存储介质 | |
Yuan et al. | Bess aided renewable energy supply using deep reinforcement learning for 5g and beyond | |
CN114529100A (zh) | 一种面向区域电网风光消纳的储能优化配置方法及*** | |
CN110661250A (zh) | 含风光储发输电***的可靠性评估方法及*** | |
CN112307603A (zh) | 考虑大规模风电接入的混合储能容量优化配置方法及*** | |
CN117767359A (zh) | 光储充电站储能调度方法、装置、存储介质及计算机设备 | |
CN110224397B (zh) | 一种风光接入背景下用户侧电池储能成本效益分析方法 | |
Gangwar et al. | Management of energy storage dispatch in unbalanced distribution networks using opendss | |
CN108683211B (zh) | 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型 | |
CN117977655A (zh) | 海上风电储能配置方法及装置、存储介质、终端 | |
CN115238992A (zh) | 一种电力***源荷储的协调优化方法、装置及电子设备 | |
Segera | Economic Dispatch of PV-Integrated Power System with Optimally Sized Battery Energy Storage System using Particle Swarm Optimization | |
CN117955143B (zh) | 一种零碳乡村综合能源管理方法及*** |
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 |