提升光伏消纳的分布式储能系统控制方法

doi:10.19799/j.cnki.2095-4239.2021.0573

储能科学与技术 ›› 2022, Vol. 11 ›› Issue (10): 3268-3274.doi: 10.19799/j.cnki.2095-4239.2021.0573

提升光伏消纳的分布式储能系统控制方法

曾伟¹(), 熊俊杰¹, 马速良², 谭宇良², 李建林²

^1.国网江西省电力有限公司电力科学研究院，江西南昌 330096
^2.储能技术工程研究中心（北方工业大学），北京 100144

收稿日期:2021-10-29 修回日期:2022-01-04 出版日期:2022-10-05 发布日期:2022-10-10
通讯作者: 曾伟 E-mail:ZEJXDKY@163.com
作者简介:曾伟（1979—），男，博士，高级工程师，主要研究方向为新能源及储能技术，E-mail：ZEJXDKY@163.com。
基金资助:
国网江西省电力有限公司科技项目(52182020008K)

Research on control method of distributed energy storage system to improve photovoltaic consumption

Wei ZENG¹(), Junjie XIONG¹, Suliang MA², Yuliang TAN², Jianlin LI²

^1.State Grid Jiangxi Electric Power Research Institute, Nanchang 330096, Jiangxi, China
^2.Energy Storage Technology Engineering Research Center (North China University of Technology), Beijing 100144, China

Received:2021-10-29 Revised:2022-01-04 Online:2022-10-05 Published:2022-10-10
Contact: Wei ZENG E-mail:ZEJXDKY@163.com

摘要/Abstract

摘要：

分布式储能具有分散灵活等特点，多分布式储能协同配合可以解决单一储能调节能力差、范围小的问题，可以进一步提高新能源消纳能力。提高新能源利用率。本工作通过建立一个光伏电站、两个分布式储能系统模型，并通过分析光伏电站出力，利用储能系统跟踪光伏出力的特点建立以分布式储能系统出力最小为目标的目标函数，结合发电系统的功率平衡要求、分布式储能系统的电池能量状态(state of energy，SOE)约束、分布式储能系统功率和容量约束，采用线性递减惯性权重粒子群优化算法，旨在在已有的约束条件下，寻求分布式储能系统的最佳效率。通过仿真分析该方法可以提高光伏消纳能力，减少储能系统动作次数，进一步增加储能系统的寿命。

关键词: 分布式储能, 储能出力, 功率平衡, 线性递减惯性权重粒子群优化算法

Abstract:

The features of distributed energy storage are decentralization and flexibility, and the coordination of multiple distributed energy storage can address the problem of single energy storage's poor adjustment ability and limited range, as well as boost the capacity of new energy consumption and increase the pace of new energy use. This research establishes a photovoltaic power station, two distributed energy storage system models, examines the output of the photovoltaic power station, and uses the features of the energy storage system to track the photovoltaic output to develop an objective function with the minimum output of the dispersed energy storage system as the goal, combined with the power generation system. The linearly decreasing inertia weight particle swarm optimization algorithm is used to target the existing constraints and the distributed energy storage system's power balance requirements, state of energy constraints, power, and capacity constraints. Next, determine the most effective distributed energy storage system. Through simulation analysis, this method can improve the photovoltaic absorption capacity, reduce the number of actions of the energy storage system, and further increase the life of the energy storage system.

Key words: distributed energy storage, energy storage output, power balance, linearly decreasing inertia weight particle swarm optimization algorithm

中图分类号:

F 407.6

曾伟, 熊俊杰, 马速良, 谭宇良, 李建林. 提升光伏消纳的分布式储能系统控制方法[J]. 储能科学与技术, 2022, 11(10): 3268-3274.

Wei ZENG, Junjie XIONG, Suliang MA, Yuliang TAN, Jianlin LI. Research on control method of distributed energy storage system to improve photovoltaic consumption[J]. Energy Storage Science and Technology, 2022, 11(10): 3268-3274.

图/表 10

表1

图1

图2

图3

图4

图5

图6

图7

图8

图9

参考文献 15

1	林少伯, 韩民晓, 赵国鹏, 等. 基于随机预测误差的分布式光伏配网储能系统容量配置方法[J]. 中国电机工程学报, 2013, 33(4): 25-33, 5.
	LIN S B, HAN M X, ZHAO G P, et al. Capacity allocation of energy storage in distributed photovoltaic power system based on stochastic prediction error[J]. Proceedings of the CSEE, 2013, 33(4): 25-33, 5.
2	GHOFRANI M, ARABALI A, ETEZADI-AMOLI M, et al. A framework for optimal placement of energy storage units within a power system with high wind penetration[J]. IEEE Transactions on Sustainable Energy, 2013, 4(2): 434-442.
3	李浩成, 马锋, 梁自维, 等. 分布式储能系统典型应用模式分析[J]. 现代信息科技, 2020, 4(2): 159-161.
	LI H C, MA F, LIANG Z W, et al. Analysis of typical application modes of distributed energy storage system[J]. Modern Information Technology, 2020, 4(2): 159-161.
4	LEE S J, KIM J H, KIM C H, et al. Coordinated control algorithm for distributed battery energy storage systems for mitigating voltage and frequency deviations[J]. IEEE Transactions on Smart Grid, 2016, 7(3): 1713-1722.
5	丁明, 陈忠, 苏建徽, 等. 可再生能源发电中的电池储能系统综述[J]. 电力系统自动化, 2013, 37(1): 19-25, 102.
	DING M, CHEN Z, SU J H, et al. An overview of battery energy storage system for renewable energy generation[J]. Automation of Electric Power Systems, 2013, 37(1): 19-25, 102.
6	李建林, 袁晓冬, 郁正纲, 等. 利用储能系统提升电网电能质量研究综述[J]. 电力系统自动化, 2019, 43(8): 15-24.
	LI J L, YUAN X D, YU Z G, et al. Comments on power quality enhancement research for power grid by energy storage system[J]. Automation of Electric Power Systems, 2019, 43(8): 15-24.
7	SIDHU A S, POLLITT M G, ANAYA K L. A social cost benefit analysis of grid-scale electrical energy storage projects: A case study[J]. Applied Energy, 2018, 212: 881-894.
8	GUO B Q, NIU M, LAI X K, et al. Application research on large-scale battery energy storage system under Global Energy Interconnection framework[J]. Global Energy Interconnection, 2018, 1(1): 79-86.
9	王秋源. 液流电池储能系统及其在风电并网中应用[D]. 武汉: 华中科技大学, 2015.
	WANG Q Y. Flow battery energy storage system and its application in wind power integration[D]. Wuhan: Huazhong University of Science and Technology, 2015.
10	狄那. 大容量全钒液流电池储能系统功率分配策略及应用[D]. 合肥: 合肥工业大学, 2019.
	DI N. Power allocation strategy of large capacity vanadium redox battery energy storage systems and its application[D]. Hefei: Hefei University of Technology, 2019.
11	郑竞宏, 王燕廷, 李兴旺, 等. 微电网平滑切换控制方法及策略[J]. 电力系统自动化, 2011, 35(18): 17-24.
	ZHENG J H, WANG Y T, LI X W, et al. Control methods and strategies of microgrid smooth switchover[J]. Automation of Electric Power Systems, 2011, 35(18): 17-24.
12	来小康, 闫涛, 刘志波, 等. 主动配电网中储能变流器控制策略综述[J]. 电器与能效管理技术, 2016(14): 15-21.
	LAI X K, YAN T, LIU Z B, et al. Summary of control strategy of battery energy storage converter in active distribution network[J]. Electrical & Energy Management Technology, 2016(14): 15-21.
13	毕晓辉, 孙韬, 毛瑞, 等. 光储微电网混合储能系统的控制策略及开关优化[J]. 重庆大学学报, 2016, 39(6): 11-18.
	BI X H, SUN T, MAO R, et al. Control strategy and protection switch optimization of hybrid energy storage system for PV-storage microgrid system[J]. Journal of Chongqing University, 2016, 39(6): 11-18.
14	黄伟, 熊伟鹏, 车文学. 模糊控制在风光混合储能微网系统中的应用[J]. 现代电力, 2017, 34(1): 30-36.
	HUANG W, XIONG W P, CHE W X. Application of fuzzy control in hybrid wind/PV microgrid with energy storage[J]. Modern Electric Power, 2017, 34(1): 30-36.
15	张晴, 李欣然, 杨明, 等. 净效益最大的平抑风电功率波动的混合储能容量配置方法[J]. 电工技术学报, 2016, 31(14): 40-48.
	ZHANG Q, LI X R, YANG M, et al. Capacity determination of hybrid energy storage system for smoothing wind power fluctuations with maximum net benefit[J]. Transactions of China Electrotechnical Society, 2016, 31(14): 40-48.

算法	特点
蚁群算法	蚁群算法中个体直接使用的是局部信息而非全局信息，搜索时间长，整个算法较为成熟，已成体系，收敛性能佳
遗传算法	实际问题中，很多问题都带有约束条件，其本身也是一个非线性问题，而遗传算法则可以很好地契合这类问题，它的挖掘性能强，但开拓能力较弱，注重寻找全局最优，仅需评估试验解的正确性，但其算法过程较为复杂，包括复制、组合、突变等过程
模拟退火算法	模拟退火算法的参数设置需要人为的调整，因此人为因素可能造成计算结果的差异
粒子群优化算法	粒子群优化算法所需的参数只有少数几个，算法的搜索和搜索空间的维度之间的相关性不强，原理简单，容易实现，运用协同搜索，收敛速度快，更容易找到全局最优值

[1]	郭雨涵, 郁丹, 杨鹏, 王子绩, 王金涛. 基于贪婪算法的分布式储能系统容量优化配置方法[J]. 储能科学与技术, 2022, 11(7): 2295-2304.
[2]	丁倩, 曾平良, 孙轶恺, 徐辰婧, 徐振超. 一种考虑可再生能源不确定性的分布式储能电站选址定容规划方法[J]. 储能科学与技术, 2020, 9(1): 162-169.
[3]	宋安琪, 武利会, 刘成, 岳芬, 李恒真, 邱太洪, 徐际强. 分布式储能发展的国际政策与市场规则分析[J]. 储能科学与技术, 2020, 9(1): 306-316.
[4]	侯少攀, 吕欣, 孟祥飞, 樊华龙, 贺佳佳, 陈杰, 张杰, 海建平. 平滑输出场景下分布式储能系统多电池操作策略[J]. 储能科学与技术, 2019, 8(S1): 74-84.
[5]	师长立, 韦统振, 霍群海, 何俊强, 张桐硕. 适用于直流分布式储能系统的控制策略[J]. 储能科学与技术, 2019, 8(4): 654-658.
[6]	易斌, 赵伟, 张科杰, 李爱魁, 梁崇淦, 罗敏. 锂电池储能在配电网低压台区的应用[J]. 储能科学与技术, 2019, 8(4): 671-677.
[7]	林立乾, 米增强, 贾雨龙, 范辉, 杜鹏. 面向电力市场的分布式储能聚合参与电网调峰[J]. 储能科学与技术, 2019, 8(2): 276-283.
[8]	李建林，靳文涛，徐少华，魏达. 用户侧分布式储能系统接入方式及控制策略分析[J]. 储能科学与技术, 2018, 7(1): 80-.
[9]	孙洋洲1，梁嘉1，张敏吉1，朱子涵1，赵昱杰2，凌志斌2. 分布式风储系统监控后台设计[J]. 储能科学与技术, 2016, 5(4): 590-595.

提升光伏消纳的分布式储能系统控制方法

Research on control method of distributed energy storage system to improve photovoltaic consumption

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 15

相关文章 9

编辑推荐

Metrics

本文评价