商业园区储能系统削峰填谷的有功功率协调控制策略

作为未来重要的电力用户,商业园区建设将成为智能电网建设的重要内容之一。商业园区中储能系统最基本的作用是进行负荷侧的削峰填谷,在给园区带来经济收益的同时,也保证了电网运行的安全性。提出了一种储能系统削峰填谷的变参数功率差控制策略,基于园区典型日负荷预测曲线,对负荷状态和储能SOC状态进行区间划分,提出了对应的子目标函数,采用适应度函数变差系数排序法确定各子目标函数权重,对目标函数进行寻优,确定不同负荷区间与SOC区间的储能系统控制策略。最后,以上海某商业园区为例进行了仿真,验证了所提控制策略的有效性。

0 引言

近年来,随着经济水平的快速发展,电力系统负荷呈现出峰谷差日益增大的特点,这会降低电力系统的经济性,并造成社会资源浪费[1],而这种现象在商业园区尤为严重。在商业园区中加入储能系统,利用储能电池蓄能特性可实现削峰填谷。储能通过自身的充放电特性,能够延缓园区电网的容量升级改造,提高设备利用率和供电可靠性[2-3];同时,在部分实行峰谷电价地区,用户可通过储能系统减小负荷峰谷差而受益。因此,储能系统的使用在给电网安全运行带来保障的同时,也给用户侧带来经济收益。

目前,关于求解储能系统削峰填谷策略的算法主要包括动态规划算法、智能算法等。文献[3]针对采用恒功率充放电策略运行的电池储能系统,结合序列二次算法提出了恒功率充放电优化模型。文

献[4]提出了基于动态规划的削峰填谷控制策略,同时考虑了充放电深度对电池寿命的影响,但其限制了每日的充放电次数,部分场景下由于负荷变化较大,储能系统可能需要多次变化充放电状态。文献[5-7]采用智能算法求解含储能装置的最优策略问题,但均未考虑SOC的状态。文献[8]比较了储能系统恒功率控制方式与功率差控制方式的控制效果,结果表明：与功率差控制方式相比,恒功率控制较简单,但其控制效果不如功率差的控制方式,并且恒功率控制对负荷预测精度要求较高。还有学者在进行储能相关研究时提出了关于SOC的状态区间划分。文献[9]中将SOC按大小划分为5个区间,判断SOC当前工作区间,实时调整滤波常数,建立了储能系统的容量优化配置方法。

本文针对商业园区储能系统,提出一种协调考虑削峰填谷效果和SOC状态区间的变参数功率差控制策略。基于商业园区典型日负荷预测曲线,将负荷划分为3个区间,引入2个SOC状态控制变量,将SOC划分为5个区间,引入4个充放电功率控制变量,为每个子空间制定控制策略,并基于目标函数对变量进行滚动更新。

1 商业园区储能系统削峰填谷的常参数功率差控制策略

1.1 商业园区电力系统构成

商业园区电力系统一般由外部电网、分布式电源、储能系统以及冷热电负荷(包括空调负荷、楼宇负荷等,以下统称为负荷)组成,如图1所示。

图1 典型商业园区电力系统构成

如图1所示,实线代表能量流流动,虚线代表信息流流动,箭头所示方向为能量及信息流动方向。

能量在城市电网、分布式光伏阵列、储能系统以及负荷之间流动,实现了能源生产与消费间的互

动[10]。商业园区往往在建筑屋顶配备一定规模的分布式光伏阵列,用以满足部分负荷需求,但规模相较园区负荷较小。考虑光伏不确定性对电网的冲击,为鼓励光伏发电就地消纳,光伏阵列优先为负荷侧供电,剩余电量进行上网[11]。考虑用电持续性及光伏阵列规模有限,引入城市电网以满足商业园区负荷需求。储能系统的加入能够对负荷的峰谷进行调节,从而给商业园区用户带来一定的经济收益[12,13]。

商业园区能源中心主要实现对商业园区电力系统各部分的信息采集与监控管理。本文将重点考虑能源中心中储能系统的控制策略,以实现储能系统的高效运行。

1.2 常参数功率差控制策略

恒功率控制是储能系统最简单的充放电控制策略,即在任一时刻储能系统均以恒定功率进行充放电,该策略根据典型日负荷预测曲线提前制定储能充放电计划,但该控制策略对典型日负荷曲线的预测精度要求较高。而功率差控制则对典型日负荷曲线预测精度要求不高,同时,功率差控制考虑了储能电池的容量约束、出力约束等。

常参数功率差控制策略根据日负荷预测曲线,计算得出储能系统参与充电的上限功率与放电的下限功率。具体计算流程[8,14]如图2所示。

图2 常参数功率差控制策略流程

图2中, Ec为总充电量; Ed为总放电量;ε为某一接近0的常数; E为储能系统容量;Δt为单位时间,本文选取为数据采样分辨率。经以上步骤计算,可确定储能系统放电时负荷的下限功率P1与储能系统充电时负荷的上限功率P2。通过确定储能系统充放电时的负荷上下限值,能够将负荷状态划分为3个区间,如图3所示。

图3 负荷区间划分

1)储能充电区间(负荷I区)：此区间满足Pt≤P2Pt≤P2,其中Pt为t时刻的负荷功率。在此区间,储能系统充电以增大负荷谷值,充电功率为

Pc=P2−Pt (1)

2)储能静置区间(负荷II区)：此区间满足P2

Pc=Pd=0 (2)

3)储能放电区间(负荷III区)：此区间满足Pt≥P1Pt≥P1,此时储能系统放电以减小负荷峰值,放电功率为

Pd=Pt−P1 (3)

常参数功率差控制策略通过负荷值确定储能系统的充放电状态以及出力大小,但该控制策略并未考虑SOC状态。当负荷曲线峰谷持续时间较长时,储能系统长时间充放电会对SOC值产生影响,造成SOC越限,这会对储能系统的寿命造成影响。

2 变参数功率差控制策略

基于常参数功率差控制策略,在满足系统功率平衡的基础上,本文充分考虑SOC状态,提出考虑SOC状态的变参数功率差控制策略,使储能系统尽可能避免出现在SOC过高/低区间,以延长其寿命。

2.1 SOC状态区间划分

通过引入Sup、Sdown两个变量,将SOC状态区间进行划分,图4中将SOC划分为5个状态区间,分别如下：

图4 SOC状态区间划分

1)SOC越上限区。

Smax ≤ S(t) < 1

2)SOC高限值区。

Sup ≤ S(t) < Smax

3)SOC正常工作区。

Sdown ≤ S(t) < Sup

4)SOC低限值区。

Smin ≤ S(t) < Sdown

5)SOC越下限区。

0 < S(t) < Smin

式中：S(t)为t时刻的SOC值;Smax、Smin为储能系统所允许的SOC的最大值与最小值;Sup、Sdown是控制SOC状态划分的参数,且满足下式约束

0 < Smin < Sdown < Sup < Smax < 1 (4)

2.2 变参数功率差控制原则

变参数功率差控制策略的原则之一是通过调节SOC高低限值区的充放电功率,尽量避免或缩短SOC处于越上下限区。为此,结合所划分的SOC状态区间,引入控制参数k1、k2、k3、k4,其控制原则如下：

1)SOC越上限区：此区间储能不进行充电操作。

在负荷I区,储能系统静置,由电网及光伏对园区负荷进行供电。

在负荷II区及III区,储能系统放电,且以充电上限值为目标放电,考虑储能系统功率约束,故放电功率：Pd=min(Pe,Pt−P2)Pd=min(Pe,Pt−P2);其中,Pe为储能系统额定功率;Pt为负荷功率。

2)SOC高限值区：此区间根据所处负荷区间不同,储能系统进行不同充放电操作。

在负荷I区,储能系统进行充电,但由于该区间内SOC值已经较大,过大的充电功率会使SOC进入越上限区,此区间内充电功率为

Pc=k1(P2−Pt)Pc=k1(P2−Pt) (5)

其中0 < k1 <1，这样能够使其在负荷I区进行填谷的同时,兼顾SOC的状态。

在负荷II区,储能系统静置。

在负荷III区,储能系统进行放电操作,由于此刻的SOC值较高,很容易进入越上限区,需尽可能增大放电功率,同时放电还应受到功率约束与负荷区间约束,故此时的放电功率为

在负荷II区,储能系统静置。

在负荷III区,储能系统放电,放电功率为

Pd=k4(Pt−P1)Pd=k4(Pt−P1) (10)

其中0 < k4 <1，

5)SOC越下限区：与SOC越上限区相反。

在负荷I区及II区,储能系统充电功率为

Pc=min(Pe,P1−Pt)(11)

在负荷III区,储能系统静置。

将上述控制策略整理如下表1所示,其中储能系统功率放电为正,充电为负。

表1 变参数功率差控制策略

如表1所示,通过Sup、Sdown两个参数变量能够对荷电状态区间进行划分,通过控制参数k1、k2、k3、k4对每个区间充放电功率进行控制。协调考虑SOC状态与负荷区间,共生成了15个充放电区间,每个区间对应不同的充放电规则。通过对Sup、Sdown、k1、k2、k3、k4等6个变量进行滚动优化,可实现协调考虑SOC状态的变参数功率差控制策略。

2.3 变参数功率差控制策略的参数优化

考虑到负荷有一定波动性,基于典型日负荷预测曲线,考虑控制策略在未来30 min内的控制效果,对这6个控制变量的滚动更新,从而使控制策略有一定前瞻性和全局性。因此,本文的控制目标将协调未来30 min内的负荷侧削峰填谷效果与SOC状态。

2.3.1 目标函数

为对本控制策略作用下的负荷侧削峰填谷效果、SOC变化情况进行评价,并鼓励光伏发电的就地消纳,提高供电满意度,定义以下子目标函数。

1)负荷侧评价指标。

为对负荷侧削峰填谷效果进行评价,本文定义目标函数F1为

4)目标函数权值确定。

综上,本控制策略的目标函数由F1,F2,F3,F4联合构成,即

minF=min{F1,F2,F3,F4} (17)

由于F1,F2,F3,F4分别代表目标函数的不同特征,对以上4个目标函数赋予一组权重系数λi (i=1,2,3,4),即

minF=λ1F1+λ2F2+λ3F3+λ4F4 (18)

为确定各子目标函数的权重λi,本文采用适应度函数变差系数排序法。具体步骤如下。

1)设有n个子目标函数,分别计算出各子目标函数的最优解min Fi(x),记为Xi (i=1,2,…,n)。

2)对各子目标函数的最优解进行交互迭代,分别计算出对应的目标函数值Fj(xi)。

3)计算各子目标函数的不同解下的变差系数。

5)对上述权系数进行大小排序,变差系数大的目标函数乘以较小的权值,变差系数小的目标函数乘以较大的权值,以更好地均衡有效解的范围。

2.3.2 约束条件

本文所提出的控制策略主要考虑了电网功率平衡约束、储能系统自身约束(包括荷电状态、充放电功率、容量)、对Sup、Sdown、k1、k2、k3、k4等6个控制参数的约束以及光伏功率倒送约束。

1)电网功率平衡约束。

为保证园区内用电设备的正常工作,需满足电网的功率平衡,即

Pgrid+PPV=Pload−Pess (21)

其中：PgridPgrid为城市电网对园区的输出功率;PPVPPV为园区分布式光伏阵列输出功率;PloadPload为园区负荷功率;PessPess为储能系统出力。

2)储能系统自身约束。

储能系统自身约束见式[15]

Smin≤S(t)≤Smax (22)

0≤Pc≤Pe (23)

0≤Pd≤Pe (24)

其中：Smin一般取20%~30%;Smax一般取80%~100%;Pc、Pd分别为储能系统充放电功率;Pe为储能系统额定功率。本控制策略考虑了SOC在两种极端区间的控制策略,这是由于储能系统初始SOC可能存在越限情况。

储能系统SOC、容量与充放电功率之间还应满足如下关系[16]。

2.3.3 动态自适应粒子群算法

基于以上目标函数和约束条件,本文采用动态自适应粒子群算法对所引入Sup、Sdown、k1、k2、k3、k4等6个参数进行滚动寻优。

粒子群算法(PSO)是一种随机搜索、并行的优化算法,具有收敛速度快、简单易行等优点[17]。粒子群优化算法通过群体中个体之间的协作和信息共享来寻找最优解。PSO中,粒子按下式进行位置与速度更新。

然而,由于快速的收敛算法,使得粒子群算法易早熟,从而陷入局部最优中。粒子群算法中较大的惯性权因子有利于全局探索,但会使算法收敛速度降低;而较小的惯性权因子有利于算法的局部开发,加速算法的收敛,但会使算法的全局性变差。动态自适应粒子群算法考虑了惯性权因子w对算法的影响,对惯性权因子进行动态自适应调整,令

1)设置粒子个数,迭代次数以及加速因子,并对粒子位置与速度进行初始化,使粒子初始位置位于限制范围内。

2)根据目标函数,计算每个个体的适应度进行评价,并对个体最优解与全局最优解进行保存。

3)初次更新粒子位置与速度。

4)计算位置和速度更新后的适应度值。

5)进行迭代运算,通过首次的个体最优解

与全局最优解对惯性权因子进行更新。之后带入

式(33)和(34),更新粒子位置与速度。

6)判断迭代结果是否满足终止条件,若满足,结束迭代并输出结果。否则返回步骤5,再次进行迭代运算。

本文采用变参数功率差控制策略,其流程图如图5所示。

图5 变参数功率差控制策略流程

3 算例分析

本文以上海某商业园区为例,对本控制策略的有效性进行分析。仿真所用日负荷预测曲线基于支持向量机算法得出[18],同时基于商业园区工作日的日负荷曲线整体相似的特点[19],得到了该商业园区的1月和10月工作日典型超短期日负荷预测曲线。

3.1 变参数功率差控制策略仿真

该商业园区源、储、荷各部分配置如下：光伏系统装机容量为3 MW;储能系统为锂电池,额定功率为1 MW,额定容量为2 MW∙h;1月最大负荷6.5 MW,10月最大负荷5.8 MW。该商业园区1月和10月的工作日典型日负荷预测曲线及该月内某日的光伏出力曲线如图6所示。

图6 商业园区1月和10月工作日典型日负荷预测曲线及光伏出力曲线

由图6可发现,10月负荷较1月负荷出现下降,但商业园区工作日的日负荷预测曲线形状相似,这与工作日的负荷曲线相似有很大关系。商业园区负荷有两个用电高峰时段,分别在上午10:30左右与下午14:30左右达到用电峰值,且峰值均会持续2~3h左右。11:30—13:00,负荷会出现短时的下降,在晚上22:00至凌晨5:00左右,负荷出现低谷。

基于该典型日负荷预测曲线,按照本控制策略的计算流程,分别计算得出：1月典型日负荷预测曲线均值Pavg=2.58 MW,放电下限P1=5.96 MW,充电上限P2=0.52 MW;10月典型日负荷预测曲线均值Pavg=2.40 MW,放电下限P1=5.21 MW,充电上限P2=0.50 MW。

基于图6中1月与10月负荷数据进行仿真,考虑采样数据的分辨率,每隔10 min对Sup、Sdown、k1、k2、k3、k4等6个参数进行更新一次。基于负荷预测曲线,以未来30 min的目标函数最优作为本区间的最优解,这样使本控制策略有了预见性和一定的全局性。

设置动态自适应粒子群算法粒子数n=50,最大迭代次数k=300,加速因子c1=c2=1.5;SOC上下

限Smin=0.2,Smax=0.8,储能系统自放电率为0,充放电效率均为100%,设定最大光伏倒送功率

约束为1 MW。依图5流程进行仿真,仿真结果如图7—9所示。

图7 变参数功率差控制策略作用下的SOC曲线

图7中可看出储能系统的SOC在整个周期内均保持在的上下边限[0.2,0.8]之间,实现了SOC变化范围的有效控制。这是因为本文方法引入6个参数变量,通过优化6个参数变量,而优化储能系统SOC区间与充放电功率,同时考虑未来30 min内的控制效果,实现对当前10 min内6个变量的滚动更新。考虑到当前储能系统成本仍然较高,而保持SOC在较优的变化范围内有利于延长储能系统的寿命,有效降低储能系统的运行成本。因此,本控制策略将有利于降低储能系统的工程成本。

图8 变参数功率差控制策略作用下1月荷侧功率曲线

图9 变参数功率差控制策略作用下10月负荷侧功率曲线

由图8及图9可见,该控制策略下,储能系统确实起到了削峰填谷的作用,储能系统在22:00—6:00间进行充电操作,增大了原始负荷曲线的谷段负荷;储能系统在9:00—12:00,13:00—15:00进行放电操作,减小了原始负荷曲线峰段负荷。本文提出的策略达到了兼顾储能SOC性能指标和削峰填谷的综合优化效果。

3.2 与常参数功率差控制效果对比

为了进一步验证本文提出策略的控制效果,将本文提出的基于综合目标函数粒子群优化的变参数功率差控制策略与常参数功率差控制策略进行了仿真对比,如图10—13所示。

图10 不同控制策略作用下1月负荷侧功率曲线

图11 不同控制策略作用下10月负荷侧功率曲线

图12 1月不同控制策略作用下SOC曲线

图13 10月不同控制策略作用下SOC曲线

为对两种控制策略进行评价,以负荷曲线标准差和峰谷差作为削峰填谷评价指标,得到不同控制策略下的结果如表2所示。

表2 不同控制策略作用下削峰填谷效果对比

由表2可见,相较原始负荷曲线,两种控制策略都能够有效减小负荷曲线的峰谷差和提高负荷侧曲线的平滑度,起到了削峰填谷作用。相较常参数功率差控制策略,变参数功率差控制策略作用下的负荷曲线标准差更小。在最大峰谷差指标上,变参数功率差控制策略稍微有所增大,这是由于其对SOC的协调考虑,在保证较优的储能电池SOC时,使得负荷曲线会出现短时的凹凸点,因此也稍微加大了负荷的峰谷差。

图12—13是两种方法SOC的曲线变化情况。从图中可以看出常参数功率差控制策略作用下会使电池SOC出现越上限情况(SOC最大值超过0.8),这会对储能系统寿命造成较大影响。而本算法的控制策略是在保证削峰填谷的同时兼顾使电池具备较优的SOC运行状态,可有效减小SOC变化范围。以图12中1月仿真曲线为例,常参数控制策略下其变化区间为[0.4412,0.8168],变化大小为0.3756;变参数控制策略作用下变化区间[0.3992, 0.7209],变化大小为0.3217,与前者相比变化区间和变化范围都有所减小。考虑到目前储能系统成本较高,因此,本控制策略可有效降低储能系统配置成本。

常参数功率差控制策略出现SOC值大于0.8情况的原因可分析如下：从图6的原始负荷曲线中可以发现,商业园区的原始负荷曲线存在峰谷区持续时间较长的特点,而常参数功率差控制策略在确定储能动作边界值之后,以负荷与边界值P1、P2的功率差进行充放电,园区负荷谷值区最初在凌晨00:00—06:00出现,由于长时间以最大功率差进行充电而使SOC进入越上限区。这种SOC指标进入越上限区的过充行为,会缩短储能电池的使用寿命,从而间接增加储能系统的工程运行成本,因此常参数功率差控制策略是以牺牲电池的寿命为代价换取较小的峰谷差和削峰填谷效果。

考虑到常系数功率差控制进行充放电功率调节时所依据的仅仅是边界值P1、P2,并未考虑SOC状态,无法根据SOC状态调节储能系统自身充放电功率,因此本文提出了综合考虑削峰填谷和电池SOC状态的变参数功率调节策略。具有以下优点：在起到削峰填谷作用(见表2)的同时,还能够有效调节SOC变化,将SOC一直控制在合理范围内,这对储能电池优化运行和延长电池使用寿命具有重要意义,有很大的工程应用价值。本文所提出的方法通过引入并动态更新Sup、Sdown、k1、k2、k3、k4等6个参数,使得其能够有效预见SOC变化,并根据SOC的状态调节储能系统出力,实现对SOC的自适应调节。该控制策略中,在保证削峰填谷的同时,整个过程都能够有效将SOC控制在[0.3, 0.75]之内(见图12—13),真正达到了同时兼顾削峰填谷作用和优化电池SOC运行状态的双重效果。

以基于1月份典型负荷预测曲线为例,仿真中对应的Sup、Sdown、k1、k2、k3、k4等6个参数及各子目标函数权重λi (i=1,2,3,4)的变化情况如图14、图15、图16所示。

图14 Sup与Sdown变化曲线

图15 k1、k2、k3、k4变化曲线

图16 λ1、λ2、λ3、λ4变化曲线

在上午00:00—6:00,两种控制策略作用下,储能系统均进行了充电操作;其中00:00—02:00左右,SOC一直处于正常工作区,与此同时,Sup与Sdown两参数一直处于动态更新之中,此时段内两条SOC曲线重合。在02:00左右开始,储能系统SOC达到0.6左右,而Sup也更新至0.6左右,进入SOC越上

限区,k1动作,有效减小了储能系统出力。表现在图8中则是负荷侧曲线在00:00—06:00间会有凹点。同理可见k2、k3、k4出力时刻,对应负荷侧曲线均会间歇性出现小的凹凸点。由于本控制策略预估了未来30 min内SOC的状态,故而k1、k2、k3、k4的变化有一定的波动性。Sup、Sdown又与当前时刻k1、k2、k3、k4相关,因此,这两组参数相互协调。变系数控制策略由于SOC区间限制,会在SOC高限值区间内降低充电速率,SOC曲线上升速率较常参数控制策略作用下的SOC曲线上升速率变慢。在上午9:00—12:00,出现负荷高峰,由于此时SOC均处于高限值区,k2动作,有效增大了放电功率,表现在该段区间内初始一段时间内的SOC曲线下降速率大于常系数控制策略下的SOC曲线,而Sup也随之滚动更新,11:00左右,SOC从高限值区进入正常工作区,两种控制策略下的曲线下降速率相同。同理,13:00—16:00及22:00—24:00区间内的SOC曲线速率也会不同,但由于此时经过一次放电或者第二次放电一段时间之后,SOC进入低限值区,故而此时出现与之前时刻相反的情形。由图16中可见,子目标函数λ1与λ2所占权重在各时段内均明显高λ3与λ4因此,目标函数对于负荷侧曲线的波动性和SOC防止越限赋予了较大的权重,这与本控制策略中着重考虑了SOC变化特性和负荷侧平滑度有关,这与仿真中SOC曲线有较明显下降的分析结果相一致。

3.3 与基于实际负荷曲线的控制效果对比

目前,针对储能系统参与削峰填谷的控制策略大多是基于实际负荷曲线进行的,而本控制策略中采用了基于支持向量机算法得到的超短期负荷预测曲线,负荷预测曲线的引入主要为使本控制策略具有一定的全局性和前瞻性。本节中将通过对比基于预测负荷曲线和实际负荷曲线的控制策略作用效果,以上海商业园区1月某工作日实际负荷曲线与工作日典型负荷预测曲线进行仿真,从而论证了引入负荷预测曲线的优越性。基于典型负荷预测曲线下该控制策略能够通过协调考虑未来30 min内的控制效果,对比不考虑负荷预测情况下,基于实际负荷曲线仅考虑当下时刻的控制效果,图17给出了两种情况下的控制效果对比。

图17 控制效果对比

由上图看见,引入负荷预测曲线能够明显降低负荷侧峰谷差,而实际负荷曲线下,由于未考虑下一时刻的控制效果,目标函数仅以当前整10 min内的SOC状态和负荷侧波动性为主进行调节,因此,减少了储能的出力,其控制效果有所降低。

4 结论

本文提出了一种商业园区储能系统的变参数功率差控制策略,主要内容包括：

1)基于商业园区典型日负荷预测曲线,确定储能系统动作上下限,将负荷划分为3个区间。引入2个SOC状态控制变量,将SOC划分为5个区间。在不同SOC状态区间与不同负荷区间,为储能系统制定了不同充放电策略。

2)为评估储能削峰填谷效果与SOC状态,引入4个子目标函数,采用适应度函数变差系数排序法确定各子目标函数权重,对加权后的目标函数采用动态自适应粒子群算法进行寻优,确定不同状态区间和负荷区间储能系统控制参数。

3)本控制策略是基于典型日负荷预测曲线制定的,因此,能够统筹未来30 min内的控制效果,通过与基于实际负荷曲线的控制效果对比,验证了其前瞻性和优越性。

4)由于控制策略中协调考虑了储能系统SOC变化的影响,避免了储能系统出现SOC越限情况,同时,可有效调节SOC变化范围,考虑到目前储能系统配置成本较高,通过有效降低SOC变化范围能够减小工程成本。

但由于目前对储能削峰填谷效果评估缺乏统一标准,园区负荷预测精度仍有待提高,因此进一步研究园区负荷预测精度不同对本文控制效果的影响,将是论文后续研究内容。

(本文作者：杨锡运, 董德华, 李相俊, 马雪, 耿娜, 贾学翠)

参考文献

[1] 郑雪冰. 利用储能电池进行削峰填谷的多指标综合评价方法[D].北京:华北电力大学,2015.

[2] 宁阳天,李相俊,麻秀范,等.考虑供电可靠性的电池储能系统削峰填谷策略研究[J].电气应用,2015,34(6):62-68. Ning Yangtian,Li Xiangjun,Ma Xiufan,et al.Study on peak-filling strategy of battery energy storage system considering power supply reliability[J].Electrotechnical Application,2015,34(6):62-68(in Chinese).

[3] 陈满,陆志刚,刘怡,等.电池储能系统恒功率削峰填谷优化策略研究[J].电网技术,2012,36(9):232-237. Chen Man,Lu Zhigang,Liu Yi,et al.Research on optimal peak load shifting strategy of battery energy storage system operated in constant power mode[J].Power System Technology,2012,36(9):232-237(in Chinese).

[4] 鲍冠南,陆超,袁志昌,等.基于动态规划的电池储能系统削峰填谷实时优化[J].电力系统自动化,2012,36(12):11-16. Bao Guannan,Lu Chao,YuanZhichang,et al.Load shift real-time optimization strategy of battery energy storage system based on dynamic programming[J].Automation of Electric Power Systems,2012,36(12):11-16(in Chinese).

[5] Chacra F A,Bastard P,Fleury G,et al.Impact of energy storage costs on economical performance in a distribution substation[J].IEEE Trans on Power Systems,2005,20(2):684-691.

[6] Lee T Y.Operating schedule of battery energy storage system in a time-of-use rate industrial user with wind turbine generators: a multipass iteration particle swarm optimization approach[J].IEEE Trans on Energy Conversion,2007,22(3):774-782.

[7] Cau T D H,Kaye R J.Evolutionary optimization method for multistorage hydrothermal scheduling[J].IEE Proceedings of Generation Transmission and Distribution,2002,149(2):152-156.

[8] 陈益哲,张步涵,王江虹,等.基于短期负荷预测的微网储能系统主动控制策略[J].电网技术,2011,35(8):35-40. Chen Yizhe,Zhang Buhan,Wang Jianghong,et al.Active control strategy for microgrid energy storage system based on short-term load foreing[J].Power System Technology,2011,35(8):35-40(in Chinese).

[9] 王伟,薛金花,叶季蕾,等.基于SOC调控的用于抑制光伏波动的电池储能优化控制方法[J].电力系统保护与控制,2014,42(2):75-80. Wang Wei,Xue Jinhua,Ye Jilei,et al.An optimization control design of battery energy storage based on SOC for leveling off the PV power fluctuation[J].Power System Protection and Control,2014,42(2):75-80(in Chinese).

[10] 王冉,王丹,贾宏杰,等.一种平抑微网联络线功率波动的电池及虚拟储能协调控制策略[J].中国电机工程学报,2015,35(20):5124-5134. Wang Ran,Wang Dan,Jia Hongjie,et al.A coordination control strategy of battery and virtual energy storage to smooth the micro-grid tie-line power fluctuations[J].Proceedings of the CSEE,2015,35(20):5124-5134(in Chinese).

[11] 赵波,包侃侃,徐志成,等.考虑需求侧响应的光储并网型微电网优化配置[J].中国电机工程学报,2015,35(21):5465-5474. Zhao Bo,Bao Kankan,Xu Zhicheng,et al.Optimal sizing for grid-connected pv-and-storage microgrid considering demand response[J].Proceedings of the CSEE,2015,35(21):5465-5474(in Chinese).

[12] Li Xiangjun,Yao Liangzhong,Dong Hui.Optimal control and management of large–scale battery energy storage system to mitigate the fluctuation and intermittence of renewable generations[J].Journal of Modern Power Systems and Clean Energy,2016,4(4):593-603.

[13] Li Xiangjun,Xu Liangfei,Hua Jianfeng,et al.Power management strategy for vehicular-applied hybrid fuel cell/battery power system.Journal of Power Sources,2009,191(2):542-549.

[14] 褚衍廷,董海鹰,李晓青.含蓄电池的孤立微电网系统运行优化研究[J].郑州大学学报(理学版),2016,48(4):109-115. Chu Yanting,Dong Haiying,Li Xiaoqing.Optimal operation of isolated microgrid system with battery storage[J].Journal of Zhengzhou University(Natural Science Edition),2016,48(4):109-115 (in Chinese).

[15] 李相俊,张晶琼,何宇婷,等.基于自适应动态规划的储能系统优化控制方法[J].电网技术,2016,40(5):1355-1362. Li Xiangjun,Zhang Jingqiong,He Yuting,et al.Optimal controlmethod of energy storage system based on adaptive dynamic programming[J].Power System Technology,2016,40(5):1355-1362 (in Chinese).

[16] 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 system of wind power and energy storage[J].Automation of Electric Power Systems,2014,38(20):9-17 (in Chinese).

[17] 张顶学,关治洪,刘新芝.一种动态改变惯性权重的自适应粒子群算法[J].控制与决策,2008,23(11):1253-1257. Zhang Dingxue,Guan Zhihong,Liu Xinzhi.Adaptive particle swarm optimization algorithm with dynamically changing inertia weight[J].Contrlo and Decision 2008,23(11):1253-1257(in Chinese).

[18] 王奔,冷北雪,张喜海,等.支持向量机在短期负荷预测中的应用概况[J].电力系统及其自动化学报,2011,23(4):115-121. Wang Ben,Leng Beixue,Zhang Xihai,et al.Application profiles of support vector machine in short-term load foreing[J].Proceedings of the CSU-EPSA,2011,23(4):115-121(in Chinese).

[19] 沈沉,秦建,盛万兴,等.基于小波聚类的配变短期负荷预测方法研究[J].电网技术,2016,40(2):521-526. Shen Chen,Qin Jian,Sheng Wanxing,et al.Study on short-term foreing of distribution transformer load using wavelet and clustering method[J].Power System Technology,2016,40(2):521-526 (in Chinese).