考虑风电并网系统的储能优化配置

被引:21
作者
沈冠冶 [1 ]
李琛 [1 ]
徐冰亮 [2 ]
惠鑫欣 [3 ]
宋凯豪 [3 ]
王振浩 [3 ]
机构
[1] 国网长春供电公司
[2] 黑龙江省电力科学研究院
[3] 东北电力大学电气工程学院
关键词
风电; 储能系统; 五点估计法; 混合多目标粒子群优化算法;
D O I
暂无
中图分类号
TM614 [风能发电];
学科分类号
0807 ;
摘要
随着风电的大规模并网,风电的随机性、波动性给系统的运行带来巨大挑战.而储能在保证电力系统的安全稳定经济运行中扮演着重要角色,尤其是在降低系统的运行成本和提高电压质量方面具有重要意义.如何实现储能容量的配置以及储能位置的选取显得尤为重要.为此,提出一种混合多目标粒子群优化算法.该算法将引入精英策略的非支配排序遗传算法(Nondominated Sorting Genetic Algorithm,NSGA-II)与概率潮流相结合,用威布尔分布描述风速的概率分布,通过五点估计法(FivePoint Estimation Method,5PEM)对风力分布进行离散化处理.考虑风力发电的不确定性,通过寻找储能单元的最优位置和容量以实现系统运行成本最小化,并且改善系统的电压分布.通过IEEE-30节点系统进行案例分析,验证所提算法的有效性以及储能优化配置的必要性.
引用
收藏
页码:27 / 34
页数:8
相关论文
共 12 条
[1]   风电功率超短期预测误差的非参数估计分布研究 [J].
杨茂 ;
张强 .
东北电力大学学报, 2018, 38 (01) :15-20
[2]   改善农网低电压与网损的分布式储能系统规划方案研究 [J].
王钤 ;
刘丽娜 ;
徐备 ;
陈厚合 .
东北电力大学学报, 2017, 37 (05) :19-24
[3]   用于超级电容器储能系统变流器的控制策略设计 [J].
李军徽 ;
蒋莲 ;
李翠萍 ;
张天洋 ;
李鸿博 .
东北电力大学学报, 2017, 37 (04) :32-38
[4]   含高比例可再生能源电力系统灵活性规划及挑战 [J].
鲁宗相 ;
李海波 ;
乔颖 .
电力系统自动化, 2016, 40 (13) :147-158
[5]   基于NSGA-II的具有多目标子学科的协同优化方法 [J].
李海燕 ;
井元伟 .
控制与决策, 2015, 30 (08) :1497-1503
[6]   平滑新能源输出波动的储能优化配置方法 [J].
桑丙玉 ;
王德顺 ;
杨波 ;
叶季蕾 ;
陶以彬 .
中国电机工程学报, 2014, 34 (22) :3700-3706
[7]   考虑风电和负荷波动及N-1故障的发电备用优化方法研究 [J].
张粒子 ;
李丰 ;
叶红豆 ;
舒隽 .
太阳能学报, 2014, 35 (01) :64-73
[8]   储能技术在解决大规模风电并网问题中的应用前景分析 [J].
袁小明 ;
程时杰 ;
文劲宇 .
电力系统自动化, 2013, 37 (01) :14-18
[9]   基于经济调度的微网储能优化配置 [J].
杨秀 ;
陈洁 ;
朱兰 ;
张美霞 ;
王海波 .
电力系统保护与控制, 2013, 41 (01) :53-60
[10]   风电场风速分布特性的模式分析 [J].
彭虎 ;
郭钰锋 ;
王松岩 ;
于继来 .
电网技术, 2010, 34 (09) :206-210