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

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

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

ZENG Wei^,¹, XIONG Junjie¹, MA Suliang², TAN Yuliang², LI Jianlin²

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

通讯作者: 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。

收稿日期: 2021-10-29 修回日期: 2022-01-04

基金资助:

国网江西省电力有限公司科技项目. 52182020008K

Received: 2021-10-29 Revised: 2022-01-04

作者简介 About authors

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。 E-mail：ZEJXDKY@163.com。

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.

Keywords： distributed energy storage ; energy storage output ; power balance ; linearly decreasing inertia weight particle swarm optimization algorithm

PDF (1383KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

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

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

储能技术作为一种调度方式，可作为分布式电源大规模并网的前提以及重要的保障手段，通过控制其有序运行，将极大地改善电网的频率、电压以及电能质量，极大程度地利用好储能资源，可以提高电网的安全水平以及运行效率^[1-2]。

由于电网需求侧的变化日益增加，分布式储能将逐渐深层次地参与到电力系统之中，在配电系统中，分布式储能以第三方调解的角色配置在系统关键节点处能有效地解决分布式电源与负荷之间的矛盾，进而参与电网调峰、调频、调压等过程起到辅助作用和提升电网运行的稳定性。文献[3]对于分布式储能的研究涉及规划因素、评价指标、功能作用和求解方法等，对规划因素的研究主要分为储能类型、接入位置、储能容量、储能功率和调度策略等。文献[4]提出了一种分布式电池储能系统的新型协调控制算法：通过采集信号并向所有的电池储能系统发出相应的功能信号，以此控制电池储能系统进行充放电，达到“削峰填谷”的目的，提高电网运行效率。目前开展的分布式储能的优化规划方面的研究，大多以评价指标(如经济性、技术性)为目标，并建立相应的函数，再以储能的实际运行情况为约束条件，寻找最优解。并未考虑储能自身的荷电状态(SOC)以及储能系统自身波动。

本工作针对削峰填谷应用场景，考虑储能系统功率、容量，在优化过程中加入了储能电池能量状态(state of energy，SOE)限制以及储能系统充放电效率η限制等因素，在满足系统功率平衡的前提下，使分布式储能系统出力最优。

1 线性递减惯性权重粒子群优化算法

最优化概念即要在已提出的所有限制条件内，在可行的范围中寻找到最佳的解决方式。在现今社会中，该概念在多个领域中均拥有广泛的应用，如经济管理领域、军事领域、建筑领域等。最常使用的是智能算法，比如遗传算法、蚁群算法、模拟退火算法、人工神经网络以及粒子群算法等。各算法特性如表1所示。

表1 各优化算法特点对比

Table 1 Comparison of advantages of various optimization algorithms

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

新窗口打开| 下载CSV

各种算法的特性不同，所适用的场景也不相同。本工作采用线性递减惯性权重粒子群优化算法^[5-6]。

在粒子群算法中，惯性权重 $ω$ 是一个很重要的参数，可以衡量算法的搜索能力，其值较大可以提高全局的搜索能力，降低局部搜索能力，其值较小可以提高局部搜索能力，降低全局搜索能力^[7]。在搜索开始时希望 $ω$ 值较大，随后其值随迭代次数逐渐减小，可以很好地平衡全局和局部搜索能力，因此本工作使用改进的线性递减惯性权重粒子群优化算法。

该算法的搜寻流程如下：①初始化粒子群参数；②随机初始化粒子的速度与位置；③计算粒子适应度，将计算结果放置在 $f i t n e s s_{i}$ 中，同时得到目前各粒子的个体最优值 $p b e s t_{i}$ ，以及得到目前的种群全局最优值 $g b e s t$ ；④更新粒子的速度与位置；

⑤更新粒子的适应度值，将两者最优的适应度值对应的位置标记为目前最好的位置；

⑥比较所有的 $p b e s t_{i}$ 和 $g b e s t$ 的值，取其中最优的值更新 $g b e s t$ ；

⑦如果满足结束条件则结束，否则返回步骤③继续搜索。该算法的流程图如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 改进的线性递减惯性权重粒子群算法流程图

Fig. 1 Flow chart of improved linear decreasing inertia weight particle swarm algorithm

在一个 $D$ 维的解空间搜索种群，其种群数量为 $N$ ，粒子 $i$ 的运动状态、位置、个体最优以及全局最优用 $D$ 维向量表示。

粒子速度：

V_{i} = (v_{i 1}, v_{i 2}, . . ., v_{i N}) i = 1,2, . . ., N

粒子位置：

X_{i} = (x_{i 1}, x_{i 2}, . . ., x_{i N}) i = 1,2, . . ., N

个体最优：

p b e s t_{i} = (p b e s t_{i 1}, p b e s t_{i 2}, . . ., p b e s t_{i N}) i = 1,2, . . ., N

全局最优：

g b e s t = m i n (p b e s t_{i 1}, p b e s t_{i 2}, . . ., p b e s t_{i N}) i = 1,2, . . ., N

其中， $V_{i}$ 为粒子的飞行速度，即粒子在搜索空间的移动距离； $X_{i}$ 是在搜索空间粒子的位置，可衡量粒子位置的好坏； $p b e s t_{i}$ 是每个粒子迄今为止搜索到的个体最优位置； $g b e s t$ 是整个群体目前为止搜索到的全局最优位置。

在每一次的迭代中，根据以下迭代公式来更新个体的速度和位置：

ω = ω_m a x - (ω_m a x - ω_m i n) g / G

(1)

\begin{matrix} v_{i} (t + 1) = ω v_{i} (t) + c_{1} r_{1} [p b e s t_{i} - x_{i} (t)] \\ + c_{2} r_{2} [g b e s t_{i} - x_{i} (t)] \end{matrix}

(2)

x_{i} (t + 1) = x_{i} (t) + v_{i} (t + 1)

(3)

其中 $ω$ 是当前的惯性权重值， $ω_m i n 、 ω_m a x$ 分别是惯性权重的最小值和最大值； $g 、 G$ 分别是当前的迭代次数和最大迭代次数； $v_{i} (t) 、 v_{i} (t + 1)$ 分别是当前时刻的粒子速度以及下一时刻的粒子速度； $x_{i} (t) 、 x_{i} (t + 1)$ 分别是当前时刻的粒子位置以及下一时刻的粒子位置； $c_{1} 、 c_{2}$ 是学习因子，用来衡量粒子的学习能力，通常 $c_{1} = c_{2} = 2$ ， $r_{1} 、 r_{2}$ 取[0，1]之间的任一数值。

惯性权重值反映了算法寻找局部最优以及全局最优的能力。惯性权重公式使在算法开始时的惯性权重值较大，有利于寻找全局最优值，随着迭代的进行，惯性权重值逐渐减小，算法也逐渐从寻找全局最优值的能力转向寻找局部最优的能力，因此能够覆盖整个搜索空间。图2所示的是在粒子群算法中一个搜索点的调整方式和在搜索空间中个体的搜索方式^[8]。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 粒子在搜索空间的搜索示意图

Fig. 2 Schematic diagram of particle search in the search space

2 分布式储能系统数学模型

以光伏发电为例，在配电网中，由于日负荷分布不均导致光伏发电很难匹配跟踪负荷出力，导致配电网的峰谷差变大，降低了供电质量^[9-10]。据此引入分布式储能系统，通过合理控制储能系统的运行模式，很适合用于调节电力系统峰谷差，可以有效地提高供电质量。本工作引入1个光伏电站、2个储能系统B1/B2，其出力示意图如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 光、储负载功率示意图

Fig. 3 Schematic diagram of optical, storage, and load power

在图3中， $P_{光}$ 为光伏电站的总发电功率； $P_{负}$ 为负载功率的总需求； $P_{B 1} 、 P_{B 2}$ 为储能系统 $B 1 、 B 2$ 的充、放电功率。当负载功率的总需求不足以消纳光伏电站的总发电功率时，储能系统将进入充电模式，直到系统电量充盈或者达到下一个充放电的时间点；当负载功率的总需求可以消纳光伏电站的总发电功率且仍需要更多的发电功率时，储能系统将进入放电模式，系统向配电网供电，直到系统电量不足或者达到下一个充放电的时间点。

2.1　目标函数

由图3可知，本工作的目标是要光伏发电尽量匹配跟踪负荷出力，利用储能系统在光伏发电多时作为用户吸收功率，光伏发电少时作为电源增发功率。但是由于储能系统的启停将影响储能电池的使用寿命，因此想更加经济地利用储能系统，就必须使储能电池始终处于可充可放的状态即为初始状态，所以基于该情况，本工作的目标函数设置为储能系统B1/B2的功率之和需要达到最小，据此设定分布式储能系统功率波动的平方和最小为目标函数，如式(4)所示：

m i n ({P_{B 1}}^{2} + {P_{B 2}}^{2}) = m i n \{{(|Δ {P_{B 1}}_{_{1}}|, |Δ {P_{B 1}}_{_{2}}|, . . ., |Δ {P_{B 1}}_{_{n}}|)}^{2} + {(|Δ {P_{B 2}}_{_{1}}|, |Δ {P_{B 2}}_{_{2}}|, . . ., |Δ {P_{B 2}}_{_{n}}|)}^{2}\}

(4)

式中， $P_{B 1} 、 P_{B 2}$ 为储能设备B1、B2的充放电功率； $Δ P_{B 1_{n}} 、 Δ P_{B 2_{n}}_{}$ 为储能设备B1、B2在 $n$ 时刻的充放电功率。

2.2　约束条件

分布式储能系统控制方法的约束条件有光储系统约束、储能系统约束等。由于储能系统有充电与放电两种模式，再加上储能系统受充放电效率的影响，导致系统功率平衡约束和储能系统约束在充电与放电两种模式下有所差异^[11-12]。

2.2.1 系统功率平衡约束

由于新能源出力具有波动性，容易受天气类型等因素影响，所以储能的作用是平衡光伏发电和用户侧需求，在新能源出力少时储能系统增发功率。新能源出力多时储能系统少发功率，所以储能系统的调节须使得新能源、储能出力和需求处于动态平衡的状态，即电力系统的发电量与用电量在任何时刻都保持一致，功率处于平衡状态。功率平衡才能保证电压和频率的稳定，加入储能系统后也同样需要保持功率平衡，如果出现偏差，系统的电压和频率就会不稳定，进而大大降低电力系统的电能质量。由于分布式储能系统有并网和孤岛两种模式，处于并网状态时，分布式储能的出力、电网的出力和与用户需求处于动态平衡状态；当分布式储能系统处于孤岛运行时，储能出力与用户需求时刻是动态平衡的。式(5)和式(6)分别描述了并网分布式储能典型状态下加入储能系统后在充电和放电模式下的系统功率平衡约束条件。

①充电模式

在充电模式下，储能系统运行的充电功率即为系统功率平衡约束所需的实际功率，此时不需要考虑储能系统充放电效率的影响，如式(5)所示：

P_{B 1} + P_{B 2} + P_{光} + P_{负} = 0

(5)

②放电模式

在放电模式下，由于储能系统充放电效率的影响，储能系统运行的放电功率需要大于实际放出的放电功率，将储能系统实际放出的放电功率用作整个系统的功率平衡约束元素之一，具体见式(6)：

η (P_{B 1} + P_{B 2}) + P_{光} + P_{负} = 0

(6)

式中 $η$ 是储能系统的充放电效率，即电池在一定充/放电条件下充/放电至某一截止/终止电压时放出/充到的容量与输入/放出的容量的比值，表征了储能系统对充放电能量的转化能力^[13]。

2.2.2 储能系统充放电功率约束

储能系统在工作时其工作的功率受到其系统结构本身的约束，即充放电功率不能大于其额定功率，否则将会对储能系统的安全造成隐患。如式(7)所示：

- P_{B 额} \leq P_{B} \leq P_{B 额}

(7)

式中 $P_{B}$ 为当前时刻储能系统的功率， $P_{B} > 0$ 表示储能系统正处于充电模式， $P_{B} < 0$ 表示储能系统正处于放电模式， $P_{B 额}$ 是储能系统的额定功率。

2.2.3 储能系统电池能量状态( $S O E$ )约束

储能电池电池状态(state of charge，SOC)反映的是储能电池所剩电量占总电量的情况，本工作看重的是两个分布式储能的出力情况，为了表现得更加直观，采用 $S O E$ 更精确、直观地确定和衡量动力电池的剩余电量， $S O E$ 可以有效地与储能系统的外部功率一一对应，更精准地提供预测条件，减小计算/估算误差。在本工作中，将 $S O E$ 约束在一个可自定义的范围，目的是为了避免储能系统在不同工作环境下出现过充或过放现象，进一步保护电池安全。如式(8)所示：

S O E_m i n \leq S O E \leq S O E_m a x

(8)

式中， $S O E$ 是储能系统当前的电池能量状态值， $S O E_m i n$ 是储能系统允许的最小电池能量状态值， $S O E_m a x$ 是储能系统允许的最大电池能量状态值。

式(8)所示为 $S O E$ 的约束范围，式(9)和式(10)所示为在充电和放电模式下，储能系统的 $S O E$ 的数学计算式。储能系统在 $t + 1$ 时刻的剩余能量与储能系统前一时刻 $t$ 的剩余能量以及在两个时刻的时间间隔 $Δ t$ 的充放电能量有关。

①充电模式

在充电模式下，由于充放电效率的影响，储能系统从外部吸收的能量总值要大于实际成功储存在储能系统内部的能量总值，此时 $S O E$ 如式(9)所示：

S O E (t + 1) = S O E (t) + \frac{P_{B} Δ t η}{S_{额}}

(9)

②放电模式

当各厂站发电功率不能满足用户所需功率，储能系统可当成发电机，储能系统由充电状态转换为放电状态，储能系统释放的能量总值等于用户需求与发电厂所发能量之差且受发电效率影响较小，此时 $S O E$ 计算如式(10)所示：

S O E (t + 1) = S O E (t) + \frac{P_{B} Δ t}{S_{额}}

(10)

在式(9)～(10)中， $S O E (t)$ 表示上一时刻的 $S O E$ 值， $S O E (t + 1)$ 表示下一时刻的 $S O E$ 值； $P_{B}$ 是当前时刻的充放电功率， $P_{B} > 0$ 表示负载功率的总需求不足以消纳光伏电站的总发电功率，储能系统进入充电模式， $P_{B} < 0$ 表示负载功率的总需求可以消纳光伏电站的总发电功率且仍需要更多的发电功率，储能系统进入放电模式； $Δ t$ 表示从 $t$ 时刻到 $t + 1$ 时刻的时间间隔； $S_{额}$ 表示储能系统的额定容量。

3 算例分析

采取某光伏电站某天光伏发电数据以及负荷数据，负荷数据和光伏数据每15 min采集一次数据，共采集24 h，具体如图4和图5所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 光伏发电曲线

Fig. 4 Photovoltaic power generation curve

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 日负荷曲线

Fig. 5 Daily load curve

在PSO参数输入模块中输入PSO的各个参数，包括粒子群的种群数量、搜索空间维度、迭代次数、学习因子、惯性权重、速度以及位置等，每一个输入的参数都将参与运算并影响运算结果，经过粒子群迭代形成储能系统最优出力^[14-15]。

首先是收敛过程，如图6展示的是总体的收敛过程，由于载入的数据共有96组，每个数据点的粒子群算法迭代次数为100，因此总的迭代次数近10000次，每一个小横线代表了一组数据的收敛过程。图7展示的是其中一组数据的收敛过程，由图7可知，在收敛开始的时候，适应度值很大，结果并未收敛，在经过大约十几代的迭代之后，适应度值迅速收敛，并在之后的迭代中基本保持稳定，即搜索结果已经基本收敛，分析整个过程可知，寻优收敛速度很快。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 总体收敛过程

Fig. 6 Overall convergence process

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 某一组数据的收敛过程

Fig. 7 The convergence process of a certain set of data

根据计算结果，每隔15 min绘制一组数据，时间长度一共是24 h，得到的分布式储能系统出力情况以及电池能量状态SOE变化如图8所示，在图8中，“储能1”与“储能2”的曲线基本重合，在某些点两个储能系统的出力并不一致，这是因为其中一个储能系统的功率已经达到了其本身的最大功率限制，而另一个储能系统并未达到其本身的最大功率限制。在储能系统充电时，SOE的值也将变大，在SOE放电时，SOE的值也将变小。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 分布式储能系统出力情况以及电池能量状态SOE变化

Fig. 8 Distributed energy storage system output and battery energy status SOE changes

根据计算结果绘制光伏、负载与分布式储能系统的出力情况对比，每隔5 min绘制一组数据，时间长度是24 h，如图9所示。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 光伏、负载与储能系统出力

Fig. 9 Photovoltaic, load and energy storage system output

通过分析分布式储能系统的出力情况可知，当负载功率的总需求不足以消纳光伏电站的总发电功率时，储能系统功率值大于零，即储能系统进入充电模式；当负载功率的总需求可以消纳光伏电站的总发电功率且仍需要更多的发电功率时，储能系统功率值小于零，即储能系统进入放电模式。综合来看，储能系统极大地利用了剩余的发电量，并在负荷低谷期将剩余电量释放出去，进入电网，缓解电网负荷压力，由此可见，加入分布式储能系统之后有效地解决了光伏出力在匹配跟踪负载消耗的矛盾。

4 结论

本工作从提高光伏利用率和平抑光伏波动两个方面考虑，提出了提高光伏利用率的分布式储能功率分配方法。建立以分布式储能出力最小、SOE为约束条件的分布式储能出力模型，然后利用线性递减惯性权重粒子群优化算法对模型进行优化，最后以某地区光伏示范项目为算例进行仿真验证所提方法的有效性。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

[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.

[本文引用: 1]

[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.

[本文引用: 1]

WANG Q Y. Flow battery energy storage system and its application in wind power integration[D]. Wuhan: Huazhong University of Science and Technology, 2015.

[本文引用: 1]

[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.

[本文引用: 1]

DI N. Power allocation strategy of large capacity vanadium redox battery energy storage systems and its application[D]. Hefei: Hefei University of Technology, 2019.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

[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.

[本文引用: 1]

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.

[本文引用: 1]

... 储能技术作为一种调度方式，可作为分布式电源大规模并网的前提以及重要的保障手段，通过控制其有序运行，将极大地改善电网的频率、电压以及电能质量，极大程度地利用好储能资源，可以提高电网的安全水平以及运行效率^[1-2]. ...

... 由于电网需求侧的变化日益增加，分布式储能将逐渐深层次地参与到电力系统之中，在配电系统中，分布式储能以第三方调解的角色配置在系统关键节点处能有效地解决分布式电源与负荷之间的矛盾，进而参与电网调峰、调频、调压等过程起到辅助作用和提升电网运行的稳定性.文献[3]对于分布式储能的研究涉及规划因素、评价指标、功能作用和求解方法等，对规划因素的研究主要分为储能类型、接入位置、储能容量、储能功率和调度策略等.文献[4]提出了一种分布式电池储能系统的新型协调控制算法：通过采集信号并向所有的电池储能系统发出相应的功能信号，以此控制电池储能系统进行充放电，达到“削峰填谷”的目的，提高电网运行效率.目前开展的分布式储能的优化规划方面的研究，大多以评价指标(如经济性、技术性)为目标，并建立相应的函数，再以储能的实际运行情况为约束条件，寻找最优解.并未考虑储能自身的荷电状态(SOC)以及储能系统自身波动. ...

... 各种算法的特性不同，所适用的场景也不相同.本工作采用线性递减惯性权重粒子群优化算法^[5-6]. ...

... 在粒子群算法中，惯性权重

ω

是一个很重要的参数，可以衡量算法的搜索能力，其值较大可以提高全局的搜索能力，降低局部搜索能力，其值较小可以提高局部搜索能力，降低全局搜索能力^[7].在搜索开始时希望

ω

值较大，随后其值随迭代次数逐渐减小，可以很好地平衡全局和局部搜索能力，因此本工作使用改进的线性递减惯性权重粒子群优化算法. ...

... 惯性权重值反映了算法寻找局部最优以及全局最优的能力.惯性权重公式使在算法开始时的惯性权重值较大，有利于寻找全局最优值，随着迭代的进行，惯性权重值逐渐减小，算法也逐渐从寻找全局最优值的能力转向寻找局部最优的能力，因此能够覆盖整个搜索空间.图2所示的是在粒子群算法中一个搜索点的调整方式和在搜索空间中个体的搜索方式^[8]. ...

... 以光伏发电为例，在配电网中，由于日负荷分布不均导致光伏发电很难匹配跟踪负荷出力，导致配电网的峰谷差变大，降低了供电质量^[9-10].据此引入分布式储能系统，通过合理控制储能系统的运行模式，很适合用于调节电力系统峰谷差，可以有效地提高供电质量.本工作引入1个光伏电站、2个储能系统B1/B2，其出力示意图如图3所示. ...

... 分布式储能系统控制方法的约束条件有光储系统约束、储能系统约束等.由于储能系统有充电与放电两种模式，再加上储能系统受充放电效率的影响，导致系统功率平衡约束和储能系统约束在充电与放电两种模式下有所差异^[11-12]. ...

... 式中

η

是储能系统的充放电效率，即电池在一定充/放电条件下充/放电至某一截止/终止电压时放出/充到的容量与输入/放出的容量的比值，表征了储能系统对充放电能量的转化能力^[13]. ...

... 式中

η

... 在PSO参数输入模块中输入PSO的各个参数，包括粒子群的种群数量、搜索空间维度、迭代次数、学习因子、惯性权重、速度以及位置等，每一个输入的参数都将参与运算并影响运算结果，经过粒子群迭代形成储能系统最优出力^[14-15]. ...

〈

〉