计及储能寿命的风储电站分层优化控制策略

为了有效地平抑风电场的功率波动,提高风电场的并网特性,增强风电场并网运行的经济性和可靠性,提出了一种计及储能寿命的风储电站分层优化控制策略。首先,从经济学角度分析储能系统的充放电特性,考虑不同控制方式对储能系统寿命的影响;其次,采用分层-分区控制方式对风储电站进行协调控制,上层根据电网调度需求,考虑分时电价政策对集中式储能和整个风电场级进行协调功率控制,下层考虑区域内分布式储能和多台风电机组间的协调功率控制;最后,采用改进遗传算法对分层优化控制模型求解。结果表明:所提出的基于储能寿命损耗的风储电站优化控制方法实现了风储电站中储能系统及风机出力的合理分配,在延长储能寿命的同时提高了电网对风电的消纳能力,使得整个风电场运行经济性显著提高。     

抑制风电爬坡率的风储联合优化控制方法

利用储能平抑风电波动时,应当保证并网功率爬坡率满足国家风电并网标准中的相关要求。文中研究了抑制风电爬坡率的风储联合优化控制方法。根据国家标准中"有功功率变化"的文字说明,提出了新的风电并网功率爬坡率的数学表达,并提出同时考虑弃风和储能控制手段的风储联合控制方法,以风储联合运行的效益最大化为目标,利用风功率超短期/短期预测数据进行滚动优化控制。基于实际的风电场数据设计了算例系统,并采用遗传算法求解。结果表明该控制方法能够保证风储联合发电功率满足国家风电并网标准对风电有功功率变化的要求。     

考虑压缩空气储能变工况特性的风储联合系统运行优化策略

压缩空气储能(compressed air energy storage, CAES)是实现电网削峰填谷、促进风电高效消纳的手段之一。然而,压缩空气储能效率在较大程度上取决于运行工况,其变工况特性直接影响风储联合系统的安全高效运行。以最大化风储系统运行收益为目标,建立了考虑压缩空气储能变工况特性的风储系统运行优化模型。该模型对压缩机、透平在变工况运行时的动态效率进行了准确刻画,并采用分段线性化方法将变工况特性纳入混合整数线性规划算法。算例结果表明,优化策略与压缩空气储能的变工况特性有直接关系;考虑运行约束和动态效率能更准确反映缩空气储能的实际运行状态,可为风储系统的运行决策提供依据。     

风储联合发电系统运行性能研究

构建大规模风储联合并网运行系统,提高风电的可调度性,成为目前研究重点.以风储联合发电系统为研究对象,给出了系统结构图,建立了储能系统数学模型,在此基础上,考虑调度计划制定了储能系统控制策略,实现了风储联合发电系统跟踪计划出力运行模式,并构建了此运行模式下的评价指标,对风储联合发电系统的功率输出特性进行分析.基于实际风电场数据,对配置不同储能容量以及适应不同调度时间窗时系统的输出特性进行分析,为储能系统容量选取提供参考.     

基于可变误差多面体算法的储能融合电锅炉提升风电消纳控制技术

储能技术是提高风电-电锅炉-储能系统联合优化运行的关键,能量型和功率型储能系统的混合使用更能满足风电场和电锅炉技术性和经济性的要求。建立了混合储能系统和风电场的数学模型,其中锂电池采用通用受控电压源和定值内阻串联模型,超级电容器采用改进的一阶RC模型,风电模型通过功率解耦法实现对风机有功和无功的解耦控制。以风电场、电锅炉和混合储能系统的技术经济性指标为约束条件,将风电就地消纳能力、电锅炉档位调节次数和储能系统使用寿命列为目标函数,搭建了协同风电和电锅炉多目标优化运行的储能系统控制模型。采用可变误差多面体算法对该模型进行求解,通过某示范工程用算例验证了该方法在优化风电和电锅炉联合运行时的可行性和实用性。在该参数配置下,储能系统能日均提高风电就地消纳率5.36%,降低电锅炉动作次数8次。     

利用电化学储能追踪风电预测曲线的风储联合调度经济性分析

针对风电场上报给调度中心的超短期功率误差较为严重,给风电大规模并网带来了巨大阻碍,严重影响风电竞争力的问题,提出利用储能系统追踪风电功率预测曲线的风储联合出力模型。首先通过长短期神经网络进行风电功率超短期预测;然后通过风储联合出力,同时考虑储能系统全寿命周期建设成本以及引入储能系统后风电场上报预测曲线误差惩罚成本的经济性影响;最终确定风储联合调度计划。在吉林省某风电场实测数据的基础上,对比不同追踪模式下的风储电场经济成本和风电利用率。仿真结果表明,运用所提风储联合发电模型发电度电成本为0.231 6元/kWh,相对于无储能模式降低22.67%,同时风电利用率提高17.48%,均方根误差降低0.07,平均绝对误差降低0.08,说明所提策略可以在保证风储电站的经济性的同时有效减少风电并网功率误差,提高风电利用率。     

风氢耦合发电系统优化运行策略与效益分析

为提高新能源高占比电网中的风电利用率,研究风氢耦合发电系统,建立考虑风电出力随机性的混合整数规划模型,并提出就地消纳风电的新模式。模型中以风氢耦合发电的系统收益最大化为目标,兼顾风电场与氢气储能系统联合出力的跟随特性。结合实际设计算例,利用风电场独立运行的对照仿真验证氢气储能系统的有效性,提升系统收益27%,并测试电解槽与燃料电池容量对系统的影响。     

基于时序仿真和GA的风储系统储能容量优化配比

鉴于风储一体化系统中储能容量是影响风电并网系统综合技术经济性能的关键因素之一,提出了基于时序仿真原理和GA算法相结合的协调风电有功功率与其并网系统负荷功率波动的风储一体化系统中储能容量优化配比新方法。根据电网日负荷分布的规律性与风电场出力的随机性,构建了协调风电有功功率与其并网系统负荷功率波动的储能充放电控制策略数学模型;在此基础上,以储能容量最小为目标,考虑储能装置充放电效率、荷电状态与风储合成出力目标等因素,构建了基于时序仿真原理的风储一体化系统中储能容量优化配比数学模型;进一步,采用GA算法对上述时序仿真模型求解。最后,以新疆某风电并网系统实际运行数据对上述风储系统中储能容量优化配比方法进行仿真验证,结果表明:在确保风电出力对系统不构成威胁的情况下,风储功率配比≤8:1,储能系统持续最大持续充放电时间≤1.2 h,较好地兼顾了系统的技术与经济性能。     

含风储一体化电站的电力系统多目标风险调度模型

风储一体化运行是未来风电站的一种发展趋势,与储能和风电分别受系统调度相比较,更有利于提高风电接入电网的利用率。基于一体化电站中电池储能系统的运行特性及风机故障机理,提出考虑含风储一体化电站的电力系统失负荷和弃风风险指标,建立以系统运行风险最小、火电机组煤耗量最少,以及弃风量最少的多目标优化调度模型,以解决系统运行过程中风险、发电成本与风电消纳之间的矛盾。算例验证表明,与传统风储联合运行模式下的调度结果相比,一体化后虽然风险略有增加,但显著提高了系统运行的经济性和风电消纳能力。     

计及风险备用的大规模风储联合系统广域协调调度

基于随机规划思想和风险决策理论,提出一种计及风险备用的风储联合运行系统广域协调调度方法。协调模型采用双层优化方法实现发电计划优化子问题和备用容量优化子问题的分解协调和迭代求解,降低了随机机组组合模型的计算规模和求解难度。外层优化计及风电波动性采用确定性机组组合模型计算日前发电计划;内层优化基于条件风险价值计算风电预测误差引起的系统风险备用容量,并采用所提出的风储协调策略实现多风电场储能系统之间的协调调度以降低系统备用需求。采用增加了2个风电场的IEEE 30节点系统进行仿真,分析了大规模风电并网系统中储能系统的最优应用模式,并验证了所提协调调度策略在提高风电消纳能力方面的优越性。     

用于平抑风电波动的飞轮储能阵列容量配置方法

随着我国风力发电的快速发展,风电输出功率的随机性和波动性使得电网调频难度加大,为解决此问题,可采用大容量高功率飞轮储能系统进行平抑,因此亟需研究飞轮储能阵列的容量配置方法,增大系统的利用率并降低初始投资成本。通过建立250 kW/50(kW·h)大容量高功率飞轮储能单元模型,引入相应单元以及阵列控制策略。基于低通滤波方法,在考虑储能阵列的充放电效率以及荷电状态的条件下对储能阵列容量配置计算进行了研究。针对容量配置过程中由于充放电效率而引发的容量配置过大的问题,提出了一种电量调节控制策略,以及一种飞轮储能阵列容量配置方法,通过调整充放电功率指令,减少储能单元数量,实现储能阵列利用率的增大并降低初始投资成本。以储能配置不超过风电场装机容量的20%为约束条件,针对山东某风电场实际输出功率数据,仿真验证了本文提出的飞轮储能阵列容量配置方法。     

基于极端天气情况的风-储系统平抑控制策略

提出了一种储能系统的功率控制方法,实现了极端天气情况下风电场出力波动的快速平抑。该控制框架融合了机器学习算法与模型预测控制方法,由基于在线序贯极限学习机的神经网络模型预测优化时域范围的风电功率,储能的充放电功率指令通过MPC进行滚动优化,保证储能系统的运行约束得到满足。仿真实验表明该方法能够实现储能系统的快速充、放电管理,利用准确的风电功率预测,降低了极端天气下风电场功率陡降对电网的不利影响,使得风-储联合系统注入电网的功率更接近给定值。     

基于云模型和k-means聚类的风电场储能容量优化配置方法

合理确定风电场侧储能系统容量配置方案是实现风电输出功率波动有效平抑的关键问题。针对传统k-means聚类算法难以给定聚类数目且算法稳定性较差的问题,在采用自适应小波包分解法处理风电输出得到储能运行曲线的基础上,基于云模型理论将储能充放电功率的概率分布分解成若干个正态云模型的叠加,根据数据特性自动确定聚类数目和初始聚类中心,然后应用k-means聚类算法从储能运行曲线中聚合出具有代表性的充放电曲线集合作为储能容量优化模型的输入,从而最终确定储能系统的配置方案。仿真结果验证了所提算法的合理性和稳定性。     

马尔可夫预测的多目标优化储能系统平抑风电场功率波动

在高比例风电主导的可再生能源电力系统中,配置储能系统是缓解风电功率波动、实现削峰填谷、提高风电可调度性的有效解决方案。文中从大规模储能出力水平以及风电未来输出对当前储能运行影响的角度出发,设计了风储联合运行的多目标优化仿真模型。采用马尔可夫预测模型形成风功率未来输出评估,同时利用粒子群优化算法实时滚动优化风储并网功率,获得储能电池最优运行策略。利用某百兆瓦级风电场的典型风功率数据进行仿真,仿真结果表明所提方法平滑效果良好,避免了储能电池过度充放电,防止了储能电池进入死区的情况,提高了风储一体化系统的可靠性和经济性。     

平抑风电波动的混合储能系统自适应控制策略

针对由全钒液流电池、磷酸铁锂电池及超级电容 3种储能介质组成的混合储能系统,提出一种针对不同储能介质特性进行混合储能系统自适应功率分配及调节优化的风电功率波动平抑控制策略。通过二阶低通滤波算法进行针对不同储能介质特性的自适应功率分配及调节,同时考虑系统后续运行需求,进行基于SOC反馈的分段功率控制优化调整,使储能系统工作在正常区间的同时为后续运行时段提供一定的充放电空间,最后经过储能系统极限约束修正,实现对风电场输出功率波动的有效平抑。通过在储能型风电场项目中的应用实验,验证了此控制策略的有效性。     

计及谷时段风电消纳的储能系统平抑风电功率波动控制策略

储能系统(energy storage system, ESS)仅参与平抑风电功率波动为单一场景的控制策略,存在ESS频繁充放电以及不能有效解决负荷低谷时段风电消纳等问题。为此,提出了一种计及谷时段风电消纳的ESS平抑风电功率波动控制策略。首先,根据风电特性与负荷需求的时序关系,确定ESS在一个周期内的充电和放电区间段。其次,提出了分区间控制的ESS控制策略,在充电区间段以平抑风电功率向上波动为目标存储电量;在放电区间段以平抑风电功率向下波动为目标释放电量。最后,考虑ESS的实时荷电状态(state of charge, SOC)和风电消纳,提出了基于模糊控制的ESS充放电功率修正方法。以某风电场实际数据为例,在风储联合发电系统仿真平台上进行了测试,验证了所提运行策略的可行性和优越性。     

Energy storage system-based power control for grid-connected wind power farm

Wind power is characterized as intermittent with stochastic fluctuations, which can result in deviation of grid frequency and voltage when the wind power ratio is high enough. These effects have a definite impact on stability and power quality of grid operation. This paper proposes an energy storage system (ESS) based power control for a grid-connected wind power system to improve power quality and stability of the power system. Vanadium redox flow battery (VRB), as an environmentally-friendly battery provided with many advantages, is employed in the ESS. A dynamic mathematical model of VRB is built by using an equivalent circuit, and its charging and discharging characteristics are analyzed. The VRB’s stable voltage is available in a wide range (around 20–80% state of charge), which is suitable for utilization of a single-stage AC/DC converter in the VRB-based ESS. With a proposed energy storage control method, VRB-based ESS is added at the exit of the grid-connected wind farm to filter fluctuations of wind power, which ensures that smooth power will be injected into the grid and which improves power quality of the power system. Simulations and experiments are carried out to verify the proposed power control method for these grid-connected wind power systems. The grid-connected wind farm with VRB-based ESS, wind speed (characterized as gust and stochastic wind), and wind turbines are modeled in simulations. Simulation results show that the grid-injected active power from the wind farm is effectively smoothed, and reactive power support can be provided for the grid by the designed VRB-based ESS. Experimental verification is achieved with a low power bench, where a RT-LAB real-time simulation platform and a direct torque controlled induction motor simulate a real wind turbine and a wind speed model is built in the RT-LAB real-time simulation platform. The experimental results verify the proposed scheme through demonstrating a stable and smooth power flow injected into the grid though the wind power fluctuated.     

提升风电场有功调节能力的风储系统多时间尺度运行策略

为缓解风电自身有功调节能力差的问题,提出一种用于提升风电场有功调节能力的风储系统多时间尺度运行策略。首先,为减少储能充放电状态转换次数,将储能单元划分为充、放电组,分别承担充、放电需求,根据储能单元荷电状态,采用储能单元动态分组机制更新充、放电组中的储能单元。其次,基于模型预测控制方法构建风储系统多时间尺度运行模型,用于提升风电场不同时间尺度的有功调节能力。提出储能单元功率分配策略,精细化管理储能单元有序动作,优化储能出力在各单元间的功率分配。最后以新疆某风电场构建算例,结果表明,所提策略能有效提升风储系统有功调节能力并减少储能充放电状态转换次数。     

基于概率预测的混合储能平抑风电波动随机优化调控方法

在风电场中安装不同类型的储能设备可以有效平抑风电波动,减少风电不确定性给电力系统安全运行带来的影响.对于由风电场和混合储能系统构成的风储混合系统,提出了基于概率预测的混合储能平抑风电波动随机优化调控方法.首先,通过风电概率预测结合多元Copula函数生成具有时间相关性的风电场景集;随后,提出自适应变分模态分解方法计算并网风电功率和混合储能系统充/放电功率的目标预调度值;接着,基于所获得的预调度目标功率,考虑储能充/放电循环次数约束和存储能量机会约束,构建并求解了混合储能平抑风电波动随机优化调控模型;最后,通过算例分析说明了所提混合储能平抑风电波动随机优化调控方法的有效性和经济性.     

基于准零相位滤波器的电池储能系统平滑风电波动控制方法

利用电池储能系统(BESS)平滑风电功率波动可以提高风电场输出稳定性,但基于一阶低通滤波器的控制方法易将风电功率趋势分量引入BESS充放电指令,增加BESS容量需求。针对该问题,提出一种基于准零相位滤波器的BESS控制方法。首先,分析滑动平均滤波器时频特性及滞后相位特性对BESS充放电控制的影响。然后,以中心滑动平均滤波算法为基础,融合风电功率趋势预测信息来构建一种相位延时近似为零的准零相位滤波器。最后,该滤波器提取风电功率波动分量,显著降低滤波延时,减小BESS充放电指令中的趋势分量。对典型风电功率波动情景的仿真结果表明:在获得与传统低通滤波方法近似平滑效果时,所提策略能够明显减小BESS最大能量波动和累积能量交换,进而降低容量配置要求,延长使用寿命。