文章快速检索     高级检索
  山东大学学报(工学版)  2017, Vol. 47 Issue (6): 89-94  DOI: 10.6040/j.issn.1672-3961.0.2017.208
0

引用本文 

王飞, 徐健, 李伟, 汪新浩, 施啸寒. 基于分布式储能系统的风储滚动优化调度方法[J]. 山东大学学报(工学版), 2017, 47(6): 89-94. DOI: 10.6040/j.issn.1672-3961.0.2017.208.
WANG Fei, XU Jian, LI Wei, WANG Xinhao, SHI Xiaohan. Rolling optimal dispatch method of wind power based ondistributed energy storage system[J]. Journal of Shandong University (Engineering Science), 2017, 47(6): 89-94. DOI: 10.6040/j.issn.1672-3961.0.2017.208.

基金项目

国网山东省电力公司科技资助项目(52061016007)

作者简介

王飞(1982—), 男, 山东济南人, 高级工程师, 主要研究方向午网规划和新能源发电技术. E-mail: wf6102@163.com

通讯作者

汪新浩(1993—), 男, 山东济宁人, 硕士研究生, 主要研究方向午池储能系统设计及其在电力系统中的应用. E-mail: wang-xh93@sina.com

文章历史

收稿日期:2017-04-25
网络出版时间:2017-11-22 10:50:33
基于分布式储能系统的风储滚动优化调度方法
王飞1, 徐健2, 李伟3, 汪新浩4, 施啸寒4     
1. 国网山东省电力公司, 山东 济南 250001;
2. 国网山东省电力公司检修公司, 山东 济南 250118;
3. 国网山东省电力公司经济技术研究院, 山东 济南 250000;
4. 电网智能化调度与控制教育部重点实验室(山东大学), 山东 济南 250061
摘要:根据风电预测精度随时间尺度的减小逐级提高的固有特性, 建立了多时间尺度多目标协调调度的滚动优化模型。依据风电并网标准与分布式电池储能系统(distributed battery energy storage system, DBESS)能快速修正风电波动的低频分量, 以系统经济性最优和弃风电量最小为目标函数建立优化模型, 采用加入4个风电场(wind farm, WF)和2个电池储能系统(battery energy storage systems, BESSs)的IEEE-39节点标准系统进行算例分析, 遗传算法(genetic algorithm, GA)对目标函数进行迭代求解。结果证明, 本研究提出的基于DBESS的风储有功滚动优化调度模型, 可以有效降低系统运行经济性以及提高电网对风电的接纳能力。
关键词风储联合发电系统    协调调度    滚动优化    风电    多目标优化    遗传算法    
Rolling optimal dispatch method of wind power based ondistributed energy storage system
WANG Fei1, XU Jian2, LI Wei3, WANG Xinhao4, SHI Xiaohan4     
1. State Grid Shandong Electric Power Company, Jinan 250001, Shandong, China;
2. Maintenance Company, State Grid Shandong Electric Power Company, Jinan 250118, Shandong, China;
3. Economic Research Institute, State Grid Shandong Electric Power Company, Jinan 250000, Shandong, China;
4. Key Laboratory of Power System Intelligent Dispatch and Control of Ministry of Education(Shandong University), Jinan 250061, Shandong, China
Abstract: According to the inherent characteristics of wind power that forecased accuracy increasing with the time-scale decreasing, a multi-time scale and multi-objective coordinated rolling optimal dispatch model was established. Based on the wind power grid-connected standards and combined with distributed battery energy storage system (DBESS), the low-frequency fluctuation of wind power could be damped in time. An optimized model was established with objectives of minimizing the economy of the system and the curtailed wind power. The IEEE 39-bus system with four wind farms and two battery energy storage systems (BESSs) was added for utilizing to verify the optimization dispatch model proposed, and it was solved by genetic algorithm (GA) iteratively. The results showed that the proposed wind-storage rolling optimal dispatch model based on DBESS could reduce the cost of the system operation and increase the amount of wind power griding effectively.
Key words: wind-storage combined power system    coordinative dispatch    rolling optimal    wind power    multi-objective optimal    genetic algorithm (GA)    
0 引言

随着国家政策导向, 新能源发电大规模接入电网是时代发展的要求[1-2]。我国风力、光照等资源丰富, 具有大力发展新能源发电的天然优势[3], 其中风电是目前最有前景的新能源形式。但风机出力易受自然环境的影响, 具有不确定性强和可控性差的特性, 其大规模接入对电网的安全和稳定运行、供电质量等带来严重影响。面对可再生能源并网困难、渗透率低等挑战, 蓄电池储能的快速发展极大促进了电网智能化发展, 其大规模应用能实现供需侧平衡, 平滑负荷, 减少常规机组旋转备用, 支持新能源灵活接入等[4-8]。通过风储联合发电系统与常规机组的协调配合, 对于如何提高可再生能源的渗透率及所接入电网运行的稳定性, 已展开了广泛研究。

在风电出力预测方面, 文献[9]提出对预测的风电出力波动经过低通滤波后, 联合常规机组制定日前发电计划调度策略; 文献[10]考虑常规机组的旋转备用, 并基于随机规划思想和风险决策理论提出风储联合发电与常规机组日前计划协调调度的控制策略。在平滑风电出力波动方面, 文献[11]提出超级电容器与蓄电池复合储能调节风电并网特性的控制方法, 超级电容和蓄电池分别平抑短时频繁变化的功率波动与低频段缓慢的功率波动; 文献[12]提出利用飞轮储能改善风电出力特性, 使其能够按照电网要求输出功率和频率的飞轮协助风机发电的综合控制方法。在协调调度方面, 文献[13]采用多时间尺度协调控制, 并逐级修正风电预测的误差, 提出了多级配合、逐级细化的风储联合发电控制策略; 文献[14]考虑了蓄电池储能短时过载情况下对平抑风光大幅度波动的影响, 提出了一种实时滚动优化的风光储联合系统有功调度控制策略用以保证电网运行的稳定性。在储能与变流器协同控制方面, 文献[15]提出了基于储能系统荷电状态(state of charge, SOC)的双模式控制策略, 将电池开路电压作为SOC的非线性函数集成到电池电路模型, 并且闭环反馈控制用于支撑储能系统并网和微网模式。文献[16]提出基于分布式储能单机能量管理系统的下垂控制控制策略, 可避免使用电缆通信带来的通信滞后以及架设电缆带来的经济性问题。文献[17]提出把储能系统分为独立的充电和放电两部分的风储联合系统控制策略, 平滑风机出力波动, 提高储能系统的使用寿命和电网的运行稳定性。

上述文献从不同角度对风储联合系统进行了探究, 但基本都限于对单个风电场或者单个储能系统的控制, 并未考虑多个储能系统在风电大规模接入电网背景下的调控作用。本研究将分布式电池储能系统(distributed battery energy storage system, DBESS)纳入电力系统日前调度计划, 主动参与系统的削峰填谷, 并在日前计划的基础上实时补偿风电出力的低频分量, 建立大规模风储联合发电系统的滚动优化模型, 改善联合系统出力与响应特性, 抑制风电出力的不确定性对电网的冲击。采用修改后的IEEE 10机39节点仿真算例证明本研究提出的控制策略的有效性。

1 风储联合发电多级协调调度模式

我国对风电接入电网主要包括电压幅值、频率等基础的风电并网要求和风机最大有功出力变化率限值两个方面[18]。风电场能够接受并响应调度指令, 并根据所接入电网的调峰能力及该系统中其他电源出力特性确定风机有功功率最大变化率[19-22]。风电场按照要求将预测的接下来24 h出力曲线上报, 调度部门根据预测的出力趋势制定日前计划, 但其预测精度远低于超短期功率预测。超短期预测未来2 h风机出力、负荷率后, 调整常规机组和储能出力跟踪发电计划, 同时受到系统实时运行约束条件。因此, 该系统中配置DBESS, 根据超短期风电出力预测滚动优化联合系统出力计划, 提高常规机组的发电效率, 平滑风电场并网点出力波动的低频分量, 提高风电的渗透率和系统运行经济性。多时间尺度下风储联合发电系统的协调调度模式如图 1所示。

图 1 多时间尺度调度计划之间的协调关系 Figure 1 Coordinated relationship between dispatch plansat multi-time scales
2 风储联合发电滚动优化模型的建立 2.1 风储联合运行目标

风储与常规机组联合发电的滚动优化属于电力系统动态经济调度的范畴[10, 23]。基于日前发电计划, 将超短期风电出力预测信息上传调度室, 对日前发电计划进行动态修正。根据DBESS抑制风电出力低频波动的响应速度毫秒级的特性, 以常规机组的出力计划、DBESS的充放电计划、风电并网容量为控制变量, 建立了以系统运行经济性最优、可再生能源渗透率最大的多目标优化模型。

2.1.1 常规机组运行经济性最优指标

风力发电清洁无污染、成本低, 因此联合系统的经济性指标用常规机组运行费用的总和最小描述:

$ \min {f_1} = \min \sum\limits_{t = 1}^{{N_{\rm{T}}}} {\sum\limits_{i = 1}^{{N_{\rm{G}}}} {{{\tilde u}_{it}}({a_i}P_{it}^2 + {b_i}{P_{it}} + {c_i})} }, $

式中:${\tilde u_{it}}$表示常规机组的启停状态, 开机时${\tilde u_{it}}$=1, 停机时${\tilde u_{it}}$=0, 由日前发电计划制定的开机计划决定; Pit为常规机组i在时间段t内发出的有功功率, MW; 取t=15 min; NT为超短期预测时间内细化的时段数量, 选取超短期预测时间为2 h, 故NT=8; NG为常规机组的数量。

2.1.2 可再生能源渗透率最大指标

可再生能源渗透率最大指标用风电场的弃风功率总和最小表示:

$ \min {f_2} = \min \sum\limits_{t = 1}^{{N_{\rm{T}}}} {\sum\limits_{i = 1}^{{N_{\rm{W}}}} {{P_{{\rm{curt}}{\rm{.}}wt}}\Delta t} }, $

式中:Pcurt.wt为风电场w在时间段t内的弃风功率, MW; Nw为风电场数量; Δt为时段长度, Δt=15 min。

2.2 风储联合运行的约束条件

提出风储与火电机组联合发电系统的多级协调调度优化模型, 不仅考虑了系统潮流约束、输电线路载流量约束、火电机组出力约束、风机出力约束、DBESS出力约束, 还增加了DBESS和火电机组超短期出力计划与日前计划的协调约束。

2.2.1 系统运行约束

系统运行约束条件包括功率平衡约束和输电线路载流量约束

$ \sum\limits_{i = 1}^{{N_{\rm{G}}}} {{P_{{it}}}} + \sum\limits_{w = 1}^{{N_{\rm{W}}}} {({P_{wt}} + (1-u){P_{{\rm{d}}{\rm{.}}wt}}-u{P_{{\rm{ch}}{\rm{.}}wt}}-{P_{{\rm{curt}}{\rm{.}}wt}})} = \sum\limits_{j = 1}^{{N_{\rm{J}}}} {({D_{jt}} - {D_{{\rm{curt}}{\rm{.}}jt}})}, $ (1)
$ \left| {G({P_{it}}, {P_{{\rm{d}}{\rm{.}}wt}}, {P_{{\rm{ch}}{\rm{.}}wt}}, {P_{{\rm{d}}{\rm{.}}st}}, {P_{{\rm{ch}}{\rm{.}}st}}, {D_{{\rm{curt}}{\rm{.}}jt}})} \right| \le {P_{{l}{\rm{.max}}}}, $ (2)

式中:Pwt为风电场w在超短期时间段t的预测输出功率, MW; Pch.wtPd.wt为风电场w处DBESS的充电、放电功率, MW; 充电时u=1, 放电时u=0; Dcurt.jt为负荷节点j的弃风功率, MW; Djt为节点j的负荷需求, MW; G(…)表示系统潮流计算方程; Pl.max为线路l的最大传输容量, MW。

2.2.2 常规火电机组约束

常规火电机组运行约束包括机组爬坡速率约束和输出功率约束

$ \left\{ {\begin{array}{1} {{P_{it}}-{P_{i.t-1}} \le {P_{{\rm{up}}}},}\\ {{P_{i.t-1}} - {P_{it}} \le {P_{{\rm{down}}}};} \end{array}} \right. $ (3)
$ {P_{i.\min }} \le {P_{it}} \le {P_{i.\max }}, $ (4)

式中:Pi.maxPi.min为火电机组i出力最大值和最小值, MW; PupPdown分别为机组向上、向下爬坡速率限定值, MW。

2.2.3 风电场
$ -{V_{\rm{f}}}_{{\rm{\_dmax}}} \le {V_f} \le {V_{\rm{f}}}_{{\rm{\_upmax}}}, $ (5)
$ 0 \le {P_{{\rm{curt}}.wt}} \le {P_{wt}}。$ (6)

式中:Vf为风电场出力调整速度; Vf_upmaxVf_dmax分别为风电场出力向上向下调整速度限值, 其限值由风机长期运行统计整定获得。

2.2.4 储能系统运行约束

DBESS运行约束包含电池实际可用容量(state of charge, Soc)约束(式(7))和充放电功率约束(式(8))。

$ \left\{ \begin{array}{l} {S_{{\rm{oc}}.\min }} \le {S_{\rm{oc}}}(t) \le {S_{{\rm{oc}}{\rm{.max}}}};\\ {S_{\rm{oc}}}(t) = {S_{\rm{oc}}}(t-1)(1-\delta ) + \frac{{{P_b}(t) \cdot {\gamma _c}}}{{{S_T}}}, {P_b}(t) > 0;\\ {S_{\rm{oc}}}(t) = {S_{\rm{oc}}}(t-1)(1 - \delta ) + \frac{{{P_b}(t)}}{{{\gamma _d} \cdot {S_T}}}, {P_b}(t) < 0。\end{array} \right. $ (7)
$ -{P_{b.{\rm{dis}}\_\max }} < {P_b}(t) < {P_{b.{\rm{ch}}\_\max }}, $ (8)

其中, 当Soc, minSoc(t)≤Soc, low时,

$ {P_{{\rm{b}}{\rm{.dis}}\_\max }} = \frac{{{P_{{\rm{rate}}}}}}{{{S_{{\rm{oc}}{\rm{.low}}}}-{S_{{\rm{oc}}{\rm{.min}}}}}}({S_{{\rm{oc}}}}(t)-{S_{{\rm{oc}}{\rm{.min}}}}), $

Soc, highSoc(t)≤Soc, max时,

$ {P_{b.{\rm{ch\_}}\max }} = \frac{{{P_{{\rm{rate}}}}}}{{{S_{{\rm{oc}}{\rm{.high}}}}-{S_{{\rm{oc}}{\rm{.max}}}}}}({S_{{\rm{oc}}}}(t)-{S_{{\rm{oc}}{\rm{.max}}}})。$

式中:Soc(t)为时段t内DBESS的荷电状态; Soc, highSoc, low分别为储能电站Soc的上、下限, 本研究取Soc, high=0.9, Soc, low=0.1;δ为储能系统的自放电率, 取δ=0;γc为储能系统充电效率。

计及DBESS的Soc对功率跟踪能力以及电池使用寿命的影响, 式(8)动态给出DBESS最大可用容量的计算方法。当DBESS的Soc处于低电量区即[Soc, min, Soc, low]时, 限制DBESS放电功率, Soc越小, 容许的放电功率越小, 以免过度放电; 当DBESS的Soc处于高电量区即[Soc, high, Soc, max]时, 限制充电功率, Soc越大, 容许的充电功率越小, 以免过度充电。式中, Soc, highSoc, low为DBESS的高低电位阈值; Prate为储能系统额定功率; Pb.dis_maxPb.ch_max分别为DBESS放电功率和充电功率最大值。

2.2.5 常规机组和储能出力与日前计划协调约束

一般情况下, 日前发电计划已经考虑常规机组停机检修、系统运行方式的改变等因素[24-25], 本研究并不涉及日前计划的制定与决策。超短期滚动优化发电曲线与日前计划的误差应在系统运行条件范围内, 否则以惩罚项的形式附加在系统运行费用里。常规机组超短期滚动优化发电和DBESS的充放电计划与日前计划的协调约束分别为:

$ \left| {{P_{it}}-{{\tilde P}_{it}}} \right| \le \Delta {\tilde P_{it.\max }}, $ (9)
$ \left\{ {\begin{array}{*{20}{c}} {{{\tilde P}_{{\rm{d}}.wt}} + \Delta {P_{{\rm{d}}.wt}}-{{\tilde P}_{{\rm{ch}}.wt}} \le (1-{u_{{\rm{ch}}.wt}}){P_{{\rm{d}}.{\rm{w}}\_\max }}, }\\ {{{\tilde P}_{{\rm{ch}}.wt}} + \Delta {P_{{\rm{ch}}.wt}}-{{\tilde P}_{{\rm{d}}.wt}} \le (1 - {u_{{\rm{d}}.wt}}){P_{{\rm{ch}}.{\rm{w}}\_\max }}。} \end{array}} \right. $ (10)

式中:${\tilde P_{it}}$为常规机组i在时段t的日前发电计划, MW; $\Delta {\tilde P_{it.\max }}$为常规机组i在日前计划时段t与超短期预测时段t的最大容许偏差, MW; ${{\tilde P}_{{\rm{d}}.wt}}$为风电场储能日前预测放电功率, MW; ${{\tilde P}_{{\rm{ch}}.wt}}$为时间段t风电场储能日前预测充电功率, MW; ΔPd.wt、ΔPch.wt为DBESS滚动计划基于日前计划需吟整的充、放电功率, MW; uch.wtud.wt为DBESS在时段t的日前充放电计划工作模式, 充电时uch.wt=1, ud.wt=0, 放电时uch.wt=0, ud.wt=1。

3 算例仿真

本研究采用修改的IEEE 10机39节点标准系统进行仿真分析, 系统结构如图 2所示。改用风电场W1、W4、W2、W3分别代替常规机组接入1、7、18、29节点, 并在1、18节点处配置一定容量的电池储能系统(battery energy storage system, BESS) S1和S2, BESS参数如表 1所示, 各发电机经济系数分别取a=0.01, b=0.3, c=0.2。

图 2 修改后的IEEE-39节点系统 Figure 2 Modified IEEE-39 bus systems
表 1 储能系统参数 Table 1 BESS parameters

风电场出力的波动性与间歇性, 可能使系统潮流原来变化较为缓慢的时段变得相对陡峭, 从而引起输电线路过载或者网络运行不稳定。储能系统可快速吞吐系统功率, 修正风电波动的低频分量, 减少风机出力波动对系统潮流稳定的影响, 并且可以增加系统对风电的消纳能力。选取NASA统计风电场(WF)出力曲线, 如图 3所示。采用遗传算法(genetic algorithm, GA), 以弃风电量最小、系统运行经济性最优为目标函数, 目标函数权重系数各为0.5, 把多目标函数变成单目标函数求解。遗传算法求解流程如图 4所示。

图 3 风电实时出力曲线 Figure 3 Real power curves of wind farm
图 4 改进遗传算法求解多目标函数流程图 Figure 4 The flow diagram of improved GA for solvingmulti-objective function

假定DBESS1和DBESS2的初始Soc分别为0.4和0.48。风电出力的波动可由DBESS快速抑制, 其补偿过程中DBESS的Soc的变化曲线如图 5所示。

图 5 DBESS荷电状态变化曲线 Figure 5 Soc curves of DBESS

大规模风电接入电力系统后出力的低频波动可由DBESS实时响应, 使火电机组出力平稳, 有效减少旋转备用容量, 降低系统运行费用。风电接入系统后, 系统配置储能系统与未配置储能系统时常规机组的运行费用对比如表 2所示。

表 2 配置储能与未配置DBESS常规机组运行费用 Table 2 The cost of unit operation with and without DBESS

表 2可知, 在超短期窗口内, 配置一定容量的储能系统与未配置储能系统相比, 合计节约运行费用为38$/(2 h)。

4 结语

DBESS快速吞吐功率的调节能力在高风电渗透率的电力系统中起着至关重夷作用。若风电场未配置储能系统, 风电出力的波动全部由常规机组的自动发电控制(automatic generation control, AGC)承担, 增加了常规机组的启停费用与旋转备用容量, 使系统运行经济性降低。从算例分析可以看出, 本研究提出的基于DBESS的风储协调滚动优化控制策略充分利用储能系统的快速响应能力, 风电场出力波动的低频分量可由DBESS实时补偿, 减小了风电并网后出力的不确定性引起的常规机组调节压力, 提高风电的渗透率和降低联合系统运行费用。因此, 本研究提出的风储联合控制策略为解决可再生能源大规模并网的经济调度问题提供了一定的参考。

参考文献
[1] 李琼慧, 王彩霞. 从电力发展"十三五"规划看新能源发展[J]. 中国电力, 2017, 50(1): 30-36
LI Qionghui, WANG Caixia. Analysis on new energy development based on the 13th five-year electric power planning[J]. Electric Power, 2017, 50(1): 30-36 DOI:10.11930/j.issn.1004-9649.2017.01.030.07
[2] 张运洲, 程路. 中国电力"十三五"及中长期发展的重大问题研究[J]. 中国电力, 2015, 48(1): 1-5
ZHANG Yunzhou, CHENG Lu. Research on major issues of the 13th Five-Year Plan development of power industry[J]. Electric Power, 2015, 48(1): 1-5
[3] 张恒旭, 施啸寒, 刘玉田, 等. 我国西北地区可再生能源基地对全球能源互联网构建的支撑作用[J]. 山东大学学报(工学版), 2016, 46(6): 96-101
ZHANG Hengxu, SHI Xiaohan, LIU Yutian, et al. Support of the renewable energy base in northwest of China on the construction of global energy interconnection[J]. Journal of Shandong University (Engineering Science), 2016, 46(6): 96-101
[4] 佘慎思, 李征, 蔡旭. 风储联合发电系统电池荷电状态和功率偏差控制策略[J]. 电力系统自动化, 2014, 38(20): 9-17
SHE Shensi, LI Zheng, CAI Xu. SOC and power deviation control strategy for hybrid generation systems of wind power and storage[J]. Automation of Electric Power Systems, 2014, 38(20): 9-17 DOI:10.7500/AEPS20131116003
[5] 谢俊文, 陆继明, 毛承雄, 等. 基于变平滑时间常数的电池储能系统优化控制方法[J]. 电力系统自动化, 2013, 37(1): 96-102
XIE Junwen, LU Jiming, MAO Chengxiong, et al. Optimal control of battery energy system based on variable smoothing time constant[J]. Automation of Electric Power Systems, 2013, 37(1): 96-102 DOI:10.7500/AEPS201206133
[6] 张文亮, 邱明, 来小康. 储能技术在电力系统中的应用[J]. 电网技术, 2008, 32(7): 1-9
ZHANG Wenliang, QIU Ming, LAI Xiaokang. Application of energy storage technologies in power grids[J]. Power System Technology, 2008, 32(7): 1-9
[7] 程世杰, 余文辉, 文劲宇, 等. 储能技术及其在电力系统稳定控制中的应用[J]. 电网技术, 2007, 31(20): 97-108
CHENG Shijie, YU Wenhui, WEN Jingyu, et al. Energy storage technology and its application in power system stability enhancement[J]. Power System Technology, 2007, 31(20): 97-108
[8] 宋豪, 宋曙光, 王超, 等. 抽水蓄能电站对山东电网风电接纳能力的影响[J]. 山东大学学报(工学版), 2011, 41(5): 138-142
SONG Hao, SONG Shuguang, WANG Chao, et al. Impacts of the pumped storage power station on the wind generation integration capability of the Shandong Power Grid[J]. Journal of Shandong University (Engineering Science), 2011, 41(5): 138-142
[9] 李金鑫, 张建成. 风光储发电系统预测功率波动性优化方法[J]. 电源技术, 2013, 137(1): 62-64, 140
LI Jinxin, ZHANG Jiancheng. Optimization method to fluctuations of predictive power of HPWS[J]. Power Technology, 2013, 137(1): 62-64, 140
[10] 黄杨, 胡伟, 闵勇, 等. 计及风险备用的大规模风储联合系统广域协调调度[J]. 电力系统自动化, 2014, 38(9): 41-47
HUANG Yang, HU Wei, MIN Yong, et al. Risk-constrained coordinative dispatching for large-scale wind-storage systems[J]. Automation of Electric Power Systems, 2014, 38(9): 41-47 DOI:10.7500/AEPS20140208001
[11] 赵艳雷, 李海东, 张磊, 等. 基于快速储能的风电潮流优化控制系统[J]. 中国电机工程学报, 2012, 35(12): 21-28
ZHAO Yanlei, LI Haidong, ZHANG Lei, et al. Wind power flow optimization and control system based on rapid energy storage[J]. Proceedings of the CSEE, 2012, 35(12): 21-28
[12] 孙春顺, 王耀南, 李欣然. 飞轮辅助的风力发电系统功率和频率综合控制[J]. 中国电机工程学报, 2008, 28(29): 111-116
SUN Chunshun, WANG Yaonan, LI Xinran. Synthesized power and frequency control of wind power generation system assisted through flywheels[J]. Proceedings of the CSEE, 2008, 28(29): 111-116 DOI:10.3321/j.issn:0258-8013.2008.29.020
[13] 张伯明, 吴文传, 郑太一, 等. 消纳大规模风电的多时间尺度协调的有功调度系统设计[J]. 电力系统自动化, 2011, 35(1): 1-6
ZHANG Boming, WU Wenchuan, ZHENG Taiyi, et al. Design of a multi-time scale coordinated active power dispatching system for accommodating large scale wind power penetration[J]. Automation of Electric Power Systems, 2011, 35(1): 1-6
[14] 戚永志, 刘玉田. 风光储联合系统输出功率滚动优化与实时控制[J]. 电工技术学报, 2014, 29(8): 265-273
QI Yongzhi, LIU Yutian. Output power rolling optimization and real-time control of wind-solar storage combined system[J]. Techniques in Electrotechnics, 2014, 29(8): 265-273
[15] MIAO Z X, XU L, DISFANI V R, et al. An SOC-based battery management system for microgrids[J]. IEEE Transactions on Smart Grid, 2014, 5(2): 966-973 DOI:10.1109/TSG.2013.2279638
[16] URTASUN A, BARRIOS E L, SANCHIS P, et al. Frequency-based energy-management strategy for stand-alone systems with distributed battery storage[J]. IEEE Transactions on Power Electronics, 2015, 30(9): 4794-4807 DOI:10.1109/TPEL.2014.2364861
[17] ZHANG X S, YUAN Y, HUA L, et al. On generation schedule tracking of wind farms with battery energy storage systems[J]. IEEE Transactions on Sustainable Energy, 2017, 8(1): 341-353 DOI:10.1109/TSTE.2016.2598823
[18] 中华人民共和国国家质量监督检查检疫总局. 风电场接入电力系统技术规定: GB/T 19963-2011[S]. 北京: 中国质检出版社, 2011.
[19] 乔颖, 鲁宗相. 考虑电网约束的风电场自动有功控制[J]. 电力系统自动化, 2009, 33(22): 88-93
QIAO Ying, LU Zongxiang. Wind farms active power control considering constraints of power grids[J]. Automation of Electric Power Systems, 2009, 33(22): 88-93
[20] YAN N, XING Z X, LI W, et al. Economic dispatch application of power system with energy storage systems[J]. IEEE Transactions on Applied Superconductivity, 2016, 26(7): 1-5
[21] 蔡国伟, 孔令杰, 潘超, 等. 风光储联合系统的建模及并网控制策略[J]. 电工技术学报, 2013, 28(9): 196-204
CAI Guowei, KONG Lingjie, PAN Chao, et al. Modeling and grid-connected control strategy of wind-solar storage combined system[J]. Techniques in Electrotechnology, 2013, 28(9): 196-204
[22] RAGLEND I J, PADHY N P. Solutions to practical unit commitment problems with operational, power flow and environmental constraints[C]//Proceedings of IEEE on Power Engineering Society General Meeting, 2006. Montreal, Canada: IEEE, 2006: 1-8. http://ieeexplore.ieee.org/document/1708996/
[23] 于大洋, 韩学山, 梁军, 等. 基于NASA地球观测数据库的区域风电功率波动特性分析[J]. 电力系统自动化, 2011, 35(5): 77-81
YU Dayang, HAN Xueshan, LIANG Jun, et al. Study on the profiling of China's regional wind power fluctuation using GEOS-5 data assimilation system of national aeronautics and space administration of America[J]. Automation of Electric Power Systems, 2011, 35(5): 77-81
[24] 肖白, 蒲睿, 穆钢. 基于多尺度空间分辨率的空间负荷预测误差评价方法[J]. 中国电机工程学报, 2015, 35(22): 5731-5739
XIAO Bai, PU Rui, MU Gang. Method of spatial load forecasting error evaluation based on the multi-scale spatial resolution[J]. Proceedings of the CSEE, 2015, 35(22): 5731-5739
[25] 杨薛明, 苑津莎, 王剑锋, 等. 基于云理论的配电网空间负荷预测方法研究[J]. 中国电机工程学报, 2006, 26(6): 30-36
YANG Xueming, YUAN Jinsha, WANG Jianfeng, et al. A new spatial forecasting method for distribution network based on cloud theory[J]. Proceedings of the CSEE, 2006, 26(6): 30-36