电-氢混合储能孤岛直流微电网能量管理
随着微电网技术的日渐发展,微电网中储能系统逐渐多元化,电储能及氢储能与微电网的运行控制产生紧密联系,如何经济地运行不同种类储能系统成为学者关注的焦点。提出一种基于最小使用成本及储能状态平衡的电-氢混合储能孤岛直流微电网能量管理方法,该方法在满足微电网基础指标即电压稳定、功率平衡的基础上,结合使用成本最小算法及等效氢耗最小算法,对使用电-氢混合储能消纳光伏产生的多余电能以及释放能量用于功率缺额等情景进行最小化储能系统使用成本及维持储能系统储能状态稳定的优化控制,通过对各系统的直-直变换器层控制以及顶层的协调控制确定各储能系统的工作状态,从而完成系统的能量管理。通过RT-LAB半实物系统开展实时仿真,在实际工况下进行72h运行,验证所提方法的有效性,保证系统在实际工作中的经济型及稳定性。
计及最小使用成本及储能状态平衡的电-氢混合储能孤岛直流微电网能量管理
蒲雨辰, 李奇, 陈维荣, 黄文强, 胡斌彬, 韩莹, 王璇
西南交通大学 电气工程学院,四川省 成都市 610031
0 引言
随着全球电力需求的不断增加以及环境问题的日益严重,建设含多种微源的直流微电网系统成为解决问题的方案之一[1-3],多种针对微源及负荷特性的能量管理优化方法应运而生[4]。为了充分地利用可再生能源,必须考虑到其不确定性,因此含储能系统的直流微电网已被广泛研究[5-7],并在电网的智能化进程中扮演着重要角色。如今,含电储能(蓄电池、超级电容)以及电转气储能(电解槽)等多种储能方式的微电网系统[8-9]逐渐进入学者的视野,建设含有多种储能方式的直流微电网系统成为提高发电量、降低使用成本的极具吸引力的解决方案。
目前对于含储能系统的微电网,已有多种方法对其进行有效的容量优化配置[10-11]。同时,针对含不同储能方式的微电网系统,也出现了多种能量管理方法对其进行功率分配和系统稳定性控制。文献[12]提出一种基于蓄电池荷电状态(State of ge,Soc)的直流微电网控制方法,该方法基于Soc对蓄电池运行状态进行了多段划分,从而避免了蓄电池的深度充放电,优化了储能系统的运行寿命。文献[13]基于神经网络算法对风机出力进行约束,而后基于状态机进行了实时能量管理。文献[14]根据微电网运行状态及蓄电池自身因素,通过对蓄电池当前及历史的状态的评估,进一步优化了含电储能系统微电网系统的运行。在氢储能方面,蔡国伟、孔令国等提出的含风、光、氢储能的主动型直流微电网系统,提高了风、光可再生能源的利用率,实现了高渗透并网运行[15-16],最后根据氢储能及电储能系统状态进行基于状态机的能量管理[17]。国外相关学者对该领域也进行了一定研究,文献[18]提出了电-氢储能直流微电网的状态机控制方法。Nasri S等人提出了一种基于状态机的光伏、燃料电池及多种储能系统的能量管理方法[19],该方式引入了城市负载的典型工况,对管理方法的可行性进行了有力说明,同时在已有模型基础上,将蓄电池替换为超级电容,进行了进一步的实验验证[20]。在经济型方面,文献[21]采用基于成本的下垂控制方法,对微电网储能单元进行控制;文献[22]根据相邻微电网的互联运行,提出一种分时优化的微电网经济调度方法;文献[23]利用贝加尔湖实地情况进行了含氢储能的微电网的容量配置,并与仅含有电储能设施的系统进行了经济性比较;文献[24]首次提出了储能系统使用成本计算公式,并使用遗传算法进行了离线优化。但是,上述文章大多采用基于Soc的在线能量管理方法,该类方法难以实现对系统内多种不同类型储能单元功率分配的优化;此外,在线的能量管理方法大多未计及系统的经济性。而离线的优化算法如文献[24]使用了遗传算法能够有效地实现优化目标,但如何灵活地在不确定性较高的微电网系统中实时运行尚未得到解决。虽然电-氢微电网的电效率低于仅含有电储能的微电网,但电储能系统更适用于短期的电能储存,当时间尺度较大时,由于电储能系统受限于其规模及可靠性,氢储能系统在使用成本上的优势便被体现了出来[23]。
本文提出了一种新型实时能量管理方法来控制由光伏阵列驱动的孤岛直流微电网,且该微电网同时配备电、氢2种不同类型的储能系统。与基于蓄电池Soc的传统状态机控制方法不同,本文所提出的能量管理方法考虑到实际情况下可再生能源输出特性以及系统的经济型,通过控制各储能系统的工作状态来实现能量储存设备的使用成本最小化,并将储能系统的储能状态维持在合理水平,从而达到系统稳定运行的目的。将昆士兰大学光伏电站记录的三日气候状况及一种典型用户需求工况用于验证管理方法的可行性,通过RT-LAB半实物实时仿真平台,将获得的结果与基于荷电状态的传统能量管理方法、基于等效氢耗最小的能量管理方法以及仅含有电储能系统的能量管理方法进行比较。结果显示该管理方法在使用成本及储能系统效率上明显优于前2种能量管理方法,在使用成本及可靠性上明显优于仅含有电储能系统的方法。
1 孤岛直流微电网系统结构及模型
1.1 系统结构
如图1所示,为本文所搭建的基于电-氢储能的孤岛直流微电网。其中,光伏阵列、电解槽与燃料电池均通过单向DC/DC与直流母线连接,蓄电池通过双向DC/DC与母线连接。对于该孤岛系统,光伏阵列作为主要的分布式能源,为蓄电池、氢储能系统(燃料电池/储氢罐/电解槽)以及负载提供能量,当光伏输出不足时,则由蓄电池及氢能系统补齐母线功率缺额,保证系统的正常运行。
图1 孤岛直流微电网系统结构Fig. 1 Structure of island DC microgrid
1.2 光伏电池模型
本文所搭建光伏电池数学模型为实用工程模型,该模型数学表达式[25]为
I=Isc{1−C1[exp(UC2Uoc)−1]}I=Isc{1−C1[exp(U/C2Uoc)−1]}(1)
式中：I、U分别为光伏电池输出电流、电压,Isc为短路电流;Uoc为开路电压;C1、C2为与电池峰值电压、电流相关的函数;当光照强度S和环境温度T发生变化时,就需要重新计算峰值电压、电流。
1.3 燃料电池模型
本文采用的燃料电池类型为质子膜交换燃料电池,其单电池Ucell的输出电压[26]为
Ucell=ENernst−Uact−Uohmic−Ucon(2)
式中：ENernst为热力学电动势;Uact为活化过电压;Uohmic为欧姆过电压;Ucon为浓差过电压。
1.4 蓄电池模型
本文采用RINT模型[27]作为蓄电池的数学模型,RINT模型中各项参数受蓄电池荷电状态、充放电电流影响,其模型公式为
Ubat=Ut−RIUbat=Ut−RI(3)
式中：Ubat为蓄电池工作电压;Ut为开路电压;R为内阻;I为充放电电流;Rchg、Rdis分别为充、放电电阻;Soc0为上一时刻荷电状态值;ηη为充放电效率;Q为容量。
1.5 电解槽模型
电解槽将水电解为氢气和氧气,氢气的产生速度与电解电路中电流的大小成正比[18]：
nel=ηFnciel/(2F)(6)
式中ηF为法拉第效率。法拉第效率表示为
ηF=96.5exp(0.09/iel−75.5/i2el)(7)
式中：nel为氢气产生速率;nc为电解槽串联数;iel为电解槽电流;F为法拉第常数。
1.6 储氢罐模型
根据范德华实际气体状态方程,储氢罐内压强Psto的表达式[28]为
式中：Rc为阿伏伽德罗常数;K为开氏温度;Vsto为储氢罐体积;a、b为常数;nsto为储氢罐氢储量;nfc为燃料电池耗氢速率;nre为储氢罐初始氢储量。
为了便于反映储氢罐的存储状态且易于进行能量管理,本文定义了储氢罐的等效荷电状态Sohc(State of hydrogen ge),即
Sohc=Psto/PNSohc=Psto/PN(9)
式中PN为储氢罐最大容许压强。
2 直流微电网能量管理方法
为了便于进行协调控制,本文将直流微电网系统划分为2层,底层为物理层,由各微源及直流变流器组成,该层将采集到的负载信号Pload及各微源状态传递至上一层。顶层为管理层,通过对底层各微源信息的接收及分析,根据具体的能量管理策略,对各个变流器分别发出指令,控制其工作状态,能量管理系统控制图如图2所示。
图2 能量管理系统控制图Fig. 2 Control diagram of EMS system
2.1 底层控制
2.1.1 光伏阵列控制
光伏发电系统由光伏阵列及单向DC/DC组成,其控制方法为最大功率点跟踪控制(MPPT),本文采用扰动观察法作为控制方法[29]。其控制结构图如图2所示,其功率输出曲线如图3(a)所示,扰动的参考变量为电压,根据输入的电压信号Upv及当前时刻电流Ipv,计算得到光伏输出功率Ppv,与扰动之前的功率值进行比较,最后将比较结果调制为占空比Dpv输入直直变换器,使光伏电池工作电压逐渐接近最大功率电压;当外界环境发生变化时,控制器需要重新寻找该环境下的最大功率点,并使光伏输出向最大功率逐渐靠近。
2.1.2 燃料电池及电解槽控制
燃料电池输出功率根据顶层系统向变换器输入功率参考值Pfc进行控制,将该参考值与燃料电池端电压Ufc相比得到电流参考值,并向PI控制器输入电流参考值及实测电流值Ifc,得到占空比Dfc输入变流器,从而改变燃料电池输出功率。电解槽控制方法同燃料电池,其变流器根据顶层能量管理系统所给功率参考值Pel与实测电压、电流值Uel、Iel所计算出的占空比Del,对电解槽的功率输入进行控制。
同时,为了防止电解槽及燃料电池功率变化过大从而影响其工作性能,在底层对功率的变化速率进行了限制。如图3(c)—(d)所示,为燃料电池、电解槽的功率曲线。变流器根据如图2所示的电流环进行控制,使其输出/输入功率由700 W增加至1000W再减小至400 W,根据两者的功率曲线可知,燃料电池及电解槽能够根据给出的参考功率进行工作,且均存在一定的响应时间。
2.1.3 蓄电池系统控制
蓄电池系统采用下垂控制方法维持母线电压稳定,蓄电池的输出功率根据下垂控制器给出的母线电压参考值Uref及实测电压、电流值U0、Ibus进行PI控制,并将占空比Dbat输入变流器。
如图3(b)所示,当母线存在剩余功率时,为了防止母线电压进一步升高,蓄电池对剩余功率进行吸收;当发生由于母线功率缺额而出现母线电压下降的情况时,蓄电池转而为母线提供能量以防止母线电压跌落。因此下垂方法的使用,保证了母线电压的波动处于合理范围之内。
当顶层能量管理系统将燃料电池及电解槽参考功率传递至底层后,根据图2所示的变流器控制,使燃料电池及电解槽按照功率参考值进行工作;而光伏系统一直工作在最大功率点跟踪模式下,其功率输出仅与光照强度及温度有关;此时负载与电解槽的需求功率同燃料电池与光伏阵列的输出功率产生差异,从而导致母线电压波动,通过蓄电池的下垂控制,一旦母线电压发生波动,蓄电池便根据母线电压与参考电压的差异进行充电或者放电,以平抑功率波动,使得母线电压维持在正常水平。
图3 微源功率曲线Fig. 3 Power curve of micro sources
2.2 顶层能量管理系统
2.2.1 系统使用成本
在该系统中,光伏阵列始终工作在最大功率点跟踪模式,其运行成本固定,当需要储能系统对光伏与负载之间的功率差额进行补齐或者存储时,能量管理系统应当评估最方便且使用成本最低的存储系统。由于本文模型为孤岛模型,因此没有燃料成本,各系统使用成本C仅考虑每个设备的购置成本Cin以及操作和维护成本COM。
2.2.2 等效氢耗最小
等效氢耗最小策略是以单位控制周期内的系统氢能消耗最小化为目标的瞬时优化策略,该策略将蓄电池消耗电能计量为氢能,从而以整个系统氢能使用最少为目标,求解出蓄电池最优输出功率和蓄电池Soc之间的关系[30-31]。系统中总氢耗H与蓄电池氢耗Hbat及燃料电池氢耗Hfc存在如下关系：
H=Hfc+kHbat(18)
式中k为修正系数。k表达式为
k=1−2μ[S−0.5(Sh+Sl)]/(Sh−Sl)(19)
式中：Sh为蓄电池Soc上限值;Sl为蓄电池Soc下限值;μ为权重。
燃料电池氢耗为输出功率近似为线性关系,可表示为
Hfc=aPfc+b(20)
式中a、b为常数。
蓄电池氢耗可根据燃料电池氢耗进行计算,即
式中：ηch_avg与ηdis_avg为蓄电池平均充、放电效率;Hfc_avg与Pfc_avg为燃料电池平均氢耗与平均功率;Pbat为蓄电池输出功率。因此,系统的等效氢耗最小可表达为
minH=min(Hfc+kHbat)=min[a(Pref−Pbat)+kHbat)(22)
式中Pref为电-氢储能系统输出的总功率,即负载需求功率与光伏阵列产生功率之差。
则可得到蓄电池的最优功率Pbat_opt公式：
Pbat_opt=argmin(−aPbat+kHbat)(23)
2.2.3 计及、平衡的最小使用成本方法
由于系统仅由可再生能源供电,其输出功率主要受环境影响。因此,对于给定的负载需求值及光伏输出功率,能量管理系统的目的是确定存储设备(电池,电解槽,燃料电池)的最佳运行方式,以便使整个微电网的使用成本最低。与此同时,在孤岛系统中,将蓄电池Soc以及储氢罐Sohc控制在理想范围内也是维持系统稳定运行的关键,使得储能系统既能够在光伏电池输出盈余功率时提供足够的储存容量,同时也能够有效防止在母线功率缺额时由储能不足所导致的系统崩溃等严重问题。
系统的基本约束为
式中：Pload为负荷需求功率;Sch、Scl为Sohc上下阈值;Pfcmax、Pelmax为燃料电池、电解槽最大功率。
由式(22)可知,蓄电池使用成本与其输出功率线性相关,而氢储能系统使用成本在额定功率范围内不变化,则瞬时状态下蓄电池与氢能系统使用成本与功率关系可如图4所示。
图4 系统使用成本与功率关系曲线Fig. 4 Relationship between cost and power demand
通过计算储能系统总输出功率Pref,并将该参考值与上图中交点处功率值Pc、Pd进行比较,即可计算出各储能单元的输出功率,其具体计算方法为
根据计算得到的蓄电池输出功率Pbat,将负载需求功率与其相减即可得到电解槽及燃料电池参考功率。
同时,由于在等效氢耗最小算法中,蓄电池最优参考功率仅与Soc相关且该算法会使得蓄电池荷电状态稳定在设定值附近,因此在本文中,将等效氢耗最小算法所计算得到的最优功率进行处理,得到关于蓄电池使用成本的权重系数λ,从而使得系统Soc更加可控,该系数的计算公式为
修正系数e1、e2的大小决定了权重系数λ与f变化的快慢,即蓄电池Soc及氢储能系统Sohc回归参考值速度的快慢,系数越大,Soc或Sohc回到参考值的速度越快。因此加入权重后,储能系统使用成本根据储能情况存在一定波动,进而对各微源的功率输出进行一定的修正。
结合式(25)—(29),计算出该时刻下蓄电池、燃料电池及电解槽的功率,将其作为指令传递至变流器层进行实际控制。如图5所示,为顶层能量管理系统工作流程示意图。
图5 顶层能量管理系统工作流程Fig. 5 Flow t of top layer energy management system
3 实验验证
3.1 实验平台及参数设置
为了验证本文所提出的基于使用成本最小及Soc、Sohc平衡的能量管理方法的有效性,使用RT-LAB半实物实时仿真平台进行了仿真测试,该实验平台如图6所示。仿真平台型号为OP5600 HIL Box,运行速度为3.3 GHz,本实验中运行步长为0.1ms,仿真时长为3天即259 200 s。
图6 RT-LAB半实物实时仿真平台Fig. 6 RT-LAB real time simulation platform for hardware in the loop
本文采用的蓄电池、燃料电池及电解槽的购置成本[32]如表1所示。
蓄电池、燃料电池、储氢罐及电解槽具体参数如表2所示。
光伏阵列的温度、光照参数来源于澳大利亚昆士兰大学圣路易斯校区光伏电站测得数据,工况曲线根据文献[16]得到。
表1 各储能器件成本及寿命Tab. 1 Cost and life time of storage devices
表2 各元件参数Tab. 2 Component parameters
3.2 对比分析
根据本文所提出的能量管理方法,得到的仿真结果如图7所示。
图7 系统功率曲线Fig. 7 Power curve of system
电-氢储能系统Soc及Sohc如图8所示。
由仿真结果可以得出,能量管理系统能够为各储能系统有效地进行功率分配,当光伏阵列输出大于负载需求时,储能系统开始储能,系统根据使用成本最小原则为各系统分配功率;当光伏输出不足以维持负载需求或者夜间光伏系统无输出时,系统按照储能系统自身储能状况及使用成本让储能系统进行合理地放电。同时,由于变流器层对燃料电池、电解槽功率瞬时变化程度的限制,其运行过程中功率输入、输出较为平稳,且不存在频繁启停的现象,而蓄电池根据下垂控制的特性,响应更为迅速,出力则更加灵活,符合其运行特性。
图8 系统储能状态Fig. 8 State of energy storage system
由图8可知,Soc、Sohc根据权重系数的约束逐渐向其参考值移动。在t=24h时,Soc为61.2%,Sohc为57.2%;t=48 h时,Soc为63.4%,Sohc降至51.4%;t=72 h时,Soc为60.6%,Sohc稳定在50%。因此对Soc、Sohc的平衡控制是有效的。
虽然目前尚没有对微电网能量管理方法进行统一评估及比较的标准,但仍可以引入一些指标来显示各个控制策略的优缺点,帮助对该能量管理方式进行进一步评价。基于每个运行周期得出结果的对比,可以体现出能量管理系统的性能。本文采用使用成本、Soc、Sohc和氢储能系统平均效率4个指标,对本文所提出的能量管理方法、等效氢耗方法、状态机方法在相同参数和工况下进行比较;而在仅含有电储能系统的微电网中,蓄电池的容量调整为1200 Ah以确保储能系统的容量满足系统运行的要求,所得结果如图9所示。具体指标对比结果如表3所示。
图9 不同指标对比Fig. 9 Comparison of system index
表3 各方法比对结果Tab. 3 Comparison results of each method
通过实验结果可知,状态机方法无法维持系统的储能水平,在实验结束后Soc与Sohc处于极低水平,已无法保证系统的正常运行;而等效氢耗最小方法能够维持蓄电池荷电状态基本稳定,其Soc值在24 h、48 h与72 h时均稳定在Soc参考值60%附近,但该方法会导致氢储能系统频繁地向蓄电池提供能量以维持其荷电状态,使2种不同类型的储能系统之间进行了多余的能量交互,从而降低了系统效率,导致系统Sohc一直处于较低水平,同时该种方法的功率分配方式也导致系统使用成本最高;对于仅含有电储能系统的微电网,其使用成本与基于状态机的电-氢微电网使用成本相近,但其Soc储量上升明显;对于本文所提方法,其成本为优先考虑目标,相比较以上3种方法,使用成本分别减少了18.4%、37.1%与19.6.(核实此处是否正确),同时该方法也维持了储能系统状态的稳定,Soc终值为60.55%,Sohc终值为50.09%,与系统参考值较为吻合,同时氢储能系统利用效率最高,为52.55%。
此外,通过图9中等效氢耗的计算结果,可以看出本文所提方法等效氢耗最小,等效氢耗最小系统所得结果反而最差。该结果证明,由于氢气为混合动力系统主要能量来源,因此等效氢耗最小理论在该系统中最为有效。而在孤岛微电网中,系统的主要能量来源为光伏阵列等可再生能源设备所产生电能,氢储能及电储能系统只对多余能量进行暂时的存储,因此应当着重考虑各系统的实际效率以使电能利用率最高,从而避免各储能系统因频繁的能量交互所带来的电能损耗。所以,等效氢耗最小理论作为孤岛系统的能量管理方法的评判指标是不合适的,但基于等效氢耗的控制方法依旧可以作为维持蓄电池荷电状态稳定的辅助手段。
相较于电储能系统,虽然在能量利用率上电-氢混合储能系统效率更低,但2种储能系统的协调工作使得微电网使用成本大幅降低。且仅含有电储能系统的微电网无法对自身储能状态进行有效调整,其Soc的变化完全受工况的约束,在长时间的运行下将会导致Soc处于较为极端的状态下,影响微电网的稳定运行。因此,相比电储能微电网,电-氢混合储能的孤岛微电网运行更加经济,同时也增加了系统的可靠性。
4 结论
本文以含有光伏阵列、燃料电池、蓄电池、电解槽及储氢罐的孤岛直流微电网作为研究对象,提出一种基于使用成本最小及稳定储能状态的直流微电网能量管理方法。该方法通过储能系统最小算法降低储能系统成本,同时加入等效氢耗最小算法维持储能系统的储能状态,对各微源功率进行合理分配,实现系统使用成本及储能水平的优化控制。通过RT-LAB在线实时运行对本文提出的能量管理方法在成本及其他指标上进行了验证,结果表明：系统使用成本相较于传统能量管理方法大幅减少,且储能系统状态更加稳定,储量始终保证在期望水平,氢储能系统利用率高,增加了系统可靠性。对直流微电网系统经济、稳定运行具有重要意义。本文所提方法为以小时为时间尺度的在线实时优化,该方法能够对系统进行灵活、可靠的优化控制;但考虑到目前所有在线实验的工作时长及实际要求,无法对更长时间尺度(月、年)的情况进行实验验证。在今后的工作中,将从离线及在线两方面入手,对更大规模系统的宏观经济性及各季度环境的变化性进行更加深入的研究。
参考文献
[1]RezaeiM,MohseniM.A predictive control based on neural network for dynamic model of proton exchange membrane fuel cell[J].Journal of Fuel Cell Science and Technology,2013,10(3):035001.
[2]AgbossouK,KolheM,HamelinJ,et al.Performance of a stand-alone renewable energy system based on energy storage as hydrogen[J].IEEE Transactions on Energy Conversion,2004,19(3):633-640.
[3]MehrpooyaM.Dynamic modeling of a hybrid Photovoltaic system with hydrogen/air PEM fuel cell[J].Iranica Journal of Energy Environment,2013,4(2):4-9.
[4]李承熹,杨强,颜文俊.含分布式光伏电源的微电网孤岛动态运行策略[J].电力系统保护与控制,2013,41(8):99-105.LiChengxi,YangQiang,YanWenjun.Dynamic islanding operation of microgrid with distributed photovoltaic generators[J].Power System Protection and Control,2013,41(8):99-105(in Chinese).
[5]李相俊,王上行,惠东.电池储能系统运行控制与应用方法综述及展望[J].电网技术,2017,41(10):3315-3325.LiXiangjun,WangShangxing,HuiDong.Summary and prospect of operation control and application method for battery energy storage systems[J].Power System Technology,2017,41(10):3315-3325(in Chinese).
[6]李霞林,郭力,王成山,等.直流微电网关键技术研究综述[J].中国电机工程学报,2016,36(1):2-17.LiXialin,GuoLi,WangChengshan,et al.Key technologies of DC microgrids: an overview[J].Proceedings of the CSEE,2016,36(1):2-17(in Chinese).
[7]马宇辉,刘念.用户侧微电网的能量管理方法综述[J].电力系统保护与控制,2017,45(23):158-168.MaYuhui,LiuNian.Survey on energy management method of community micro-grid[J].Power System Protection and Control,2017,45(23):158-168(in Chinese).
[8]KraaO,GhodbaneH,SaadiR,et al.Energy management of fuel cell/ supercapacitor hybrid source based on linear and sliding mode control[J].Energy Procedia,2015,74(12):58-64.
[9]RekiouaD,BensmailS,BettarN.Development of hybrid photovoltaic-fuel cell system for stand-alone application[J].International Journal of Hydrogen Energy,2014,39(3):4-11.
[10]张建华,于雷,刘念,等.含风/光/柴/蓄及海水淡化负荷的微电网容量优化配置[J].电工技术学报,2014,29(2):102-112.ZhangJianhua,YuLei,LiuNian,et al.Capacity configuration optimization for island microgrid with wind/photovoltaic/diesel/ storage and seawater desalination load[J].Transactions of China Electrotechnical Society,2014,29(2):102-112(in Chinese).
[11]陶琼,李春来,穆云飞,等.考虑需求侧响应能力的孤立微网蓄电池储能系统容量概率规划方法[J].电力系统及其自动化学报,2017,29(1):37-44.TaoQiong,LiChunlai,MuYunfei,et al.Statistical capacity planning method for battery energy storage system of island microgrid considering demand response[J].Proceedings of the CSU-EPSA,2017,29(1):37-44(in Chinese).
[12]王琛,孟建辉,王毅,等.考虑蓄电池荷电状态的孤岛直流微网多源协调控制策略[J].高电压技术,2018,44(1):160-168.WangChen,MengJianhui,WangYi,et al.Multi-source coordinated control strategy considering battery’s SOC for islanded dc microgrid[J].High Voltage Engineering,2018,44(1):160-168(in Chinese).
[13]郭力,王蔚,刘文建,等.风柴储海水淡化独立微电网系统能量管理方法[J].电工技术学报,2014,29(2):113-121.GuoLi,WangWei,LiuWenjian,et al.The energy management method for stand-alone wind/diesel/battery/sea-water desalination microgrid[J].Transactions of China Electrotechnical Society,2014,29(2):113-121(in Chinese).
[14]曾意,孔祥玉,胡启安,等.考虑后备容量的微电网储能充放电策略[J].电网技术,2017,41(5):1519-1525.ZengYi,KongXiangyu,HuQi’an,et al.Energy storage strategy in microgrid considering reserve capacity[J].Power System Technology,2017,41(5):1519-1525(in Chinese).
[15]蔡国伟,孔令国,彭龙,等.基于氢储能的主动型光伏发电系统建模与控制[J].太阳能学报,2016,37(10):2451-2459.CaiGuowei,KongLingguo,PengLong,et al.Modeling and control of active PV generation system based on hydrogrn storage[J].Acta Energiae Solaris Sinica,2016,37(10):2451-2459(in Chinese).
[16]孔令国,蔡国伟,陈冲,等.基于氢储能的主动型永磁直驱风电机组建模与并网控制[J].电工技术学报,2017,32(18):276-285.KongLingguo,CaiGuowei,ChenChong,et al.Modeling and grid- connected control of proactive permanent magnet direct-driven wind turbine based on energy storage of hydrogen[J].Transactions of China Electrotechnical Society,2017,32(18):276-285(in Chinese).
[17]蔡国伟,陈冲,孔令国,等.风电/制氢/燃料电池/超级电容器混合系统控制策略[J].电工技术学报,2017,32(17):84-94.CaiGuowei,ChenChong,KongLingguo,et al.Control of hybrid system of wind/hydrogen/fuel cell/supercapacitor[J].Transactions of China Electrotechnical Society,2017,32(17):84-94(in Chinese).
[18]IpsakisD,VoutetakisS,PanosS,et al.Power management strategies for a stand-alone power system using renewable energy sources and hydrogen storage[J].International Journal of Hydrogen Energy,2009,34(16):7081-7095.
[19]NasriS,Slama BS,AdnaneC.Power management strategy for hybrid autonomous power system using hydrogen storage[J].International Journal of Hydrogen Energy,2016,41(2):857-865.
[20]NasriS,Slama BS,YahyaouiI,et al.Autonomous hybrid system and coordinated intelligent management approach in power system operation and control using hydrogen storage[J].International Journal of Hydrogen Energy,2017,42(15):9511-9523.
[21]Inam UN,WangP.Cost-based droop scheme for dc microgrid [C]//2014 IEEE Energy Conversion Congress and Exposition.Pittsburgh,USA:IEEE,2014:765-769.
[22]刘念,李岩松,张建华,等.微电网互联运行的分时优化与实时控制方法[J].电工技术学报,2016,31(21):1-11.LiuNian,LiYansong,ZhangJianhua,et al.Hour-ahead optimization and real-time control method for micro-grid interconnection[J].Transactions of China Electrotechnical Society,2016,31(21):1-11(in Chinese).
[23]Marchenko OV,Solomin SV.Modeling of hydrogen and electrical energy storages in wind/PV energy system on the Lake Baikal coast[J].International Journal of Hydrogen Energy,2017,42(15):9361-9370.
[24]Rodolfo DL,JoseL,Bernal-Agustin,et al.Optimization of control strategies for stand-alone renewable energy systems with hydrogen storage[J].Renewable Energy,2007,32(7):1102-11.
[25]李奇,杨寒卿,韩莹,等.光伏并网发电系统参数协调优化方法研究[J].西南交通大学学报,2016,51(5):894-901.LiQi,YangHanqing,HanYing,et al.Method of parameter coordination optimization for grid-connected photovoltaic system[J].Journal of Southwest Jiaotong University,2016,51(5):894-901(in Chinese).
[26]HanY,LiQ,Wang TH,et al.Multisource coordination energy management strategy based on SOC consensus for a PEMFC-Battery- Supercapacitor hybrid tramway[J].IEEE Transactions on Vehicular Technology,2018,67(1):296-305.
[27]徐梁飞,李建秋,杨福源,等.燃料电池混合动力系统镍氢电池特性[J].清华大学学报(自然科学版),2008,48(5):864-867.XuLiangfei,LiJianqiu,YangFuyuan,et al.Characteristics of a nickel metal hydride battery in a hybrid fuel cell system[J].Journal of Tsinghua University(Sci Tech),2008,48(5):864-867(in Chinese).
[28]LajnefT,AbidS,AmmousA.Modeling, control, and simulation of a solar hydrogen/fuel cell hybrid energy system for grid-connected applications[J].Advances in Power Electronics,2013(4):1-9.
[29]赵钒卿,谷廷坤,刘丹,等.光伏组件形状参数工程解析模型[J].电网技术,2015,39(6):1485-1490.ZhaoFanqing,GuTingkun,LiuDan,et al.Shape parameter engineering analytical model of PV module[J].Power System Technology,2015,39(6):1485-1490(in Chinese).
[30]王天宏,李奇,韩莹,等.燃料电池混合发电系统等效氢耗瞬时优化能量管理方法[J].中国电机工程学报,2018,38(14):4173-4182.WangTianhong,LiQi,HanYing,et al.Fuel cell hybrid power generation system equivalent hydrogen consumption instantaneous optimization energy management method[J].Proceedings of the CSEE,2018,38(14):4173-4182(in Chinese).
[31]Torreglosa JP,JuradoF,GarcíaP,et al.Hybrid fuel cell and battery tramway control based on an equivalent consumption minimization strategy[J].Control Engineering Practice,2011,19(10):1182-1194.
[32]ZhangY,AndersL,Pietro EC,et al.Comparative study of battery storage and hydrogen storage to increase photovoltaic self-sufficiency in a residential building of Sweden[J].Energy Procedia,2016(103):268-273.
北极星智能电网在线官方微信
