风光储联合系统输出功率滚动优化与实时控制

为改善风光储联合系统输出特性和降低储能电站功率补偿压力,提出了一种在线滚动优化和有功实时控制相结合的协调优化控制方法。在线滚动优化建立了联合系统总的平均有功功率偏差最小、储能电站充放电次数最少和优化末段储能电站剩余电量最大的优化模型,通过非支配排序遗传(NSGA-Ⅱ)算法求解,给出风/光/储分钟级的计划出力曲线。有功实时控制实现风/光计划出力微调和储能电站实时控制,风/光计划出力微调模块根据实时风速和光照等信息,平衡计划超额;储能电站动态给出功率上限,提高了应对风/光爬坡的能力。仿真算例表明,所提控制方法使储能电站在较低的充放电次数下,与风/光配合协调控制,降低风光储联合系统平均有功偏差,改善联合系统跟踪计划出力的能力。     

基于相关机会目标规划的风光储联合发电系统储能调度策略

为改善风电、光伏发电出力的不确定性,使风光储联合发电系统具有可调度性,将风电和光伏发电的出力表示为确定性的出力和具有模糊性的误差之和。利用相关机会目标规划方法,以风光储调度出力曲线与计划出力曲线匹配程度最大,储能电池充放电功率最平缓和储能电池可持续工作性最佳为目标,建立了风光储联合发电系统储能调度模型。利用将模糊模拟、神经网络与改进粒子群算法嵌套结合形成新型混合智能算法对模型进行了求解,给出了联合发电系统日前储能调度计划。算例分析表明,新算法能够较好地求解高维数不确定规划问题,其收敛速度快,全局和局部搜索能力强。     

基于机会约束规划的储能日前优化调度

为了最大程度地使风光储联合发电系统的出力与计划出力相匹配,采用提前一天对储能装置进行优化控制的方法。因风光出力具有随机性,提出了基于机会约束规划的储能优化控制方法。该方法考虑了储能装置的功率出力和电量约束条件,以风光储总出力曲线与给定的计划出力曲线的相似度最大为目标函数,使用基于随机模拟的粒子群算法求解,得到两条曲线最接近时对应的储能充放电功率。算例分析结果表明,所提出的储能优化控制策略能够使风光储联合发电系统总出力最大程度地跟踪计划出力曲线。     

基于模糊相关机会规划的储能优化控制

为了最大限度地使风光储联合发电系统的出力与计划出力相匹配,采用提前一日对储能装置进行优化控制的方法。因风光出力具有模糊性,提出了基于模糊相关机会规划的储能优化控制方法。该方法考虑了储能装置的出力和电量约束条件,每个时段的匹配程度用可信度表示,以一日内96个时段总的可信度均值最大为目标,采用基于模糊模拟的遗传算法求解,得到可信度均值最大时不同时段对应的储能充放电功率。算例分析表明,所提出的储能优化控制策略使风光储联合发电系统的总出力可基本跟踪计划出力曲线。     

储能电站参与调峰的风-火-储联合系统分层优化调度方法∗

为充分挖掘储能参与系统调峰潜在价值,合理分配风、储、火等系统出力,有效降低系统运行成本,提高 可再生能源消纳水平,提出了一种储能电站参与调峰的风-火-储联合系统分层优化调度方法.为了提高模型泛化能力和预测精度,采用基于集成学习的风电预测方法得到风电场出力曲线.分层优化调度方法的上层优化模型以最小化净负荷波动为目标,对各时段储能电站充放电功率进行优化.下层优化模型以最小化风-火-储联合系统运行成本为目标,基于上层优化模型传递的净负荷曲线,优化求解得到火电机组最优出力和最大调峰收益.     

储能技术在风光发电系统中的应用

在风电及光伏并网发电系统中,为了使风光发电大规模接入电网,并且对电网电能质量影响较小,储能装置的加入无疑是最佳的选择。本文从储能电池选型、电站的设计及结合张北风光储电站运行结果对储能技术在风光发电系统中应用进行分析。风光储电站运行结果表明,在储能电站的作用下,风光发电系统输出波形平稳,且可以跟踪设计功率曲线并达到削峰填谷的目的。     

支撑电网黑启动的风光储新能源电站协调控制策略

针对局部风光资源丰富地区大停电黑启动的方案,首先建立了风光储新能源电站黑启动控制模型,研究其支撑电网黑启动的过程,储能系统作为主电源保证黑启动过程中系统电压和频率稳定。其次,提出了一种风光机组负荷跟踪功率协调控制策略,当风光出力不足时,风光机组采用最大功率跟踪(maximum power point tracking,MPPT)算法,储能系统作为主电源负责微电网功率的平衡;当风光出力足够时,风机根据光伏出力的变化进行减载运行,有效跟踪负荷功率变化,减少储能充电功率。该控制策略不但可减少储能系统充放电转换次数提高储能系统使用寿命,还能大大降低黑启动中储能系统配置容量,提高经济效益。最后,基于DIgSILENT/PowerFactory仿真平台搭建了风光储新能源电站控制模型,仿真验证了风光储新能源电站作为电网黑启动电源的可行性和所提控制策略的有效性。     

风光储输的“智慧大脑”

红、绿、蓝、黄、橙,五条曲线,五种颜色,呈现在风光储全景一体化监控系统主界面上;蓝色曲线代表风电出力,呈较大幅度波动;黄色代表光伏发电出力,白天是个凸出的小山坡,夜间没有阳光发电成一条水平线;橙色代表储能电量变化;而绿色曲线则是整个电站实际发电出力,正围绕着红色的发电计划曲线小幅度波动.在清晰的系统界面前,工作人员可直观地监控整个电站风电、光伏发电和储能系统的发电情况.     

基于机会约束规划的储能系统跟踪光伏发电计划出力控制方法

为最大程度提高光伏系统跟踪计划出力能力,基于短期光伏发电预测功率及预测误差的随机性,提出采用机会约束规划的储能系统控制方法。该方法以光储联合出力在调度计划上下限范围内为目标,考虑储能充放电功率与荷电状态(state of charge,SOC)约束条件,并采用基于蒙特卡罗(Monte Carlo)模拟的改进自适应粒子群优化算法(particle swarm optimization algorithm,PSO)进行求解,进而获得日前各时刻储能的充放电功率值。以典型光伏电站出力为例进行仿真,对比分析了固定系数和变化系数情况下光储跟踪计划出力效果与储能情况,结果验证了该控制策略的有效性与灵活性,并为日前储能充放电控制提供了参考方案。     

考虑计划跟踪模式的光储电站经济运行优化模型

光储电站是未来大容量光伏电站的发展方向,现阶段对光储电站的经济运行优化方案研究较少。以净收益最优为目标建立了大容量光储电站的经济运行优化模型,模型中充分考虑储能电池实际运行损耗成本和功率越限惩罚费用;同时对光伏发电场景进行分析,提取各场景下的拟合出力曲线,并将此拟合曲线设置为计划出力曲线;最后基于实测数据进行算例分析,通过优化跟踪模式与严格跟踪模式及无储能模式对比,讨论了夏季晴天、多云、阴天3类场景下的经济运行结果。仿真结果表明,优化跟踪模式的净收益高于其他两种模式,且相比无储能模式计划跟踪能力有大幅提高,验证了模型的有效性和适用性。