在考虑不确定性的基础上,提出了包含燃气轮机、储能、电池充放电设备、风电、光伏的新型电池充换电站多时间尺度能量管理策略。首先基于荷电状态(state of charge,SOC)区间对电池进行了建模,并将其充电和放电优先级嵌入到优化中。然后,...在考虑不确定性的基础上,提出了包含燃气轮机、储能、电池充放电设备、风电、光伏的新型电池充换电站多时间尺度能量管理策略。首先基于荷电状态(state of charge,SOC)区间对电池进行了建模,并将其充电和放电优先级嵌入到优化中。然后,分别建立了日前分布鲁棒优化、日内滚动优化和日内实时优化模型:日前优化在考虑风电、光伏和负荷的预测误差的基础上,以最小期望总成本优化燃气轮机的启停状态、电池充放电设备的功率和储能的能量参考值,并基于线性决策规则和对偶理论转化为混合整数规划进行求解;日内优化根据日前优化的参考值和最新的预测信息,以总运行成本最低重新优化燃气轮机和储能的功率;实时优化根据日内滚动优化的参考值和实时的预测信息,以总运行成本最低再次重新优化燃气轮机和储能的功率,并将第一个控制时段的指令下发。最后,算例结果表明所提出的多时间尺度能量管理策略能有效地兼顾新型电池充换电站的运行经济性和鲁棒性。展开更多
准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析...准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析了牛津实验室测试得到的锂离子电池充放电循环数据,提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征,并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后,将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度,采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优,得到最优模型参数组合,提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证,结果表明:所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析,发现该方法具有更好的估算精度和泛化能力。展开更多
动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实...动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实SOC值进行对比分析,测试结果显示,充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0004%,1.71%]。放电时充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0002%,3.0%]。然后采用电池组的运营数据进行电池组的SOC的估计,并与实际运行数据的中SOC值进行比较,充电时的误差绝对值范围为[0.0029%,3.1%],放电时误差绝对值范围为[0.0001%,3.7%]。结果表明所提出的CNN-GRU联合算法在纯电动公交车锂电池组SOC估计方面具有良好的应用价值。展开更多
随着电动汽车(electric vehicle,EV)普及度的不断提高,工业园区内的EV用户日益增多,其充放电行为给园区综合能源系统(park integrated energy system,PIES)的规划运行带来极大挑战。文中提出考虑EV充放电意愿的PIES双层优化调度。首先,...随着电动汽车(electric vehicle,EV)普及度的不断提高,工业园区内的EV用户日益增多,其充放电行为给园区综合能源系统(park integrated energy system,PIES)的规划运行带来极大挑战。文中提出考虑EV充放电意愿的PIES双层优化调度。首先,基于动态实时电价、电池荷电量、电池损耗补偿、额外参与激励等因素建立充放电意愿模型,在此基础上得到改进的EV充放电模型;然后,以PIES总成本最小和EV充电费用最小为目标建立双层优化调度模型,通过Karush-Kuhn-Tucker(KKT)条件将内层模型转化为外层模型的约束条件,从而快速稳定地实现单层模型的求解;最后,进行仿真求解,设置3种不同场景,对比所提模型与一般充放电意愿模型,验证了文中所提引入EV充放电意愿模型的PIES双层优化调度的有效性和可行性。展开更多
为解决由于功率失配引起的分布式发电系统频率偏差问题,该文针对带电池储能系统(battery energy storagesystem,BESS)的多智能体交流微电网,提出了一种基于低带宽通信网络的分布式有限时间控制算法。该控制算法以Lyapunov方法和齐次逼...为解决由于功率失配引起的分布式发电系统频率偏差问题,该文针对带电池储能系统(battery energy storagesystem,BESS)的多智能体交流微电网,提出了一种基于低带宽通信网络的分布式有限时间控制算法。该控制算法以Lyapunov方法和齐次逼近理论为基础,可确保系统节点不依赖初始条件,在一定时间内加速收敛。另外,为减轻通信负担,设计了一种能够避免芝诺(Zeno)行为的事件驱动通信机制,并导出了该行为触发边界的充分条件。通过模拟多个孤岛交流微电网案例进行仿真分析。研究结果表明,与传统控制器相比,所提出的控制算法在保证收敛时间不随初始条件变化的前提下,可以协调BESS以消除其与标准频率的偏差,同时解决荷电状态(state ofcharge,SoC)平衡问题,提高了同步速度,降低通信负担,确保了整个系统的稳定性和可靠性。展开更多
文摘在考虑不确定性的基础上,提出了包含燃气轮机、储能、电池充放电设备、风电、光伏的新型电池充换电站多时间尺度能量管理策略。首先基于荷电状态(state of charge,SOC)区间对电池进行了建模,并将其充电和放电优先级嵌入到优化中。然后,分别建立了日前分布鲁棒优化、日内滚动优化和日内实时优化模型:日前优化在考虑风电、光伏和负荷的预测误差的基础上,以最小期望总成本优化燃气轮机的启停状态、电池充放电设备的功率和储能的能量参考值,并基于线性决策规则和对偶理论转化为混合整数规划进行求解;日内优化根据日前优化的参考值和最新的预测信息,以总运行成本最低重新优化燃气轮机和储能的功率;实时优化根据日内滚动优化的参考值和实时的预测信息,以总运行成本最低再次重新优化燃气轮机和储能的功率,并将第一个控制时段的指令下发。最后,算例结果表明所提出的多时间尺度能量管理策略能有效地兼顾新型电池充换电站的运行经济性和鲁棒性。
文摘准确估计锂离子电池的健康状态(state of health,SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度,提出了一种融合卷积神经网络(convolutional neural network,CNN)和Transformer的锂离子电池SOH估计方法。首先,分析了牛津实验室测试得到的锂离子电池充放电循环数据,提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征,并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后,将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度,采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优,得到最优模型参数组合,提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证,结果表明:所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析,发现该方法具有更好的估算精度和泛化能力。
文摘动力电池的荷电状态(State of Charge,SOC)是保障储能电站正常运行和安全的重要参数之一。提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)结合的电池SOC预测方法。首先使用该网络分别对单体电池充放电实验数据进行估计并于真实SOC值进行对比分析,测试结果显示,充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0004%,1.71%]。放电时充电时所提出的CNN-GRU联合神经网络估计的SOC值与真实值之间的误差绝对值[0.0002%,3.0%]。然后采用电池组的运营数据进行电池组的SOC的估计,并与实际运行数据的中SOC值进行比较,充电时的误差绝对值范围为[0.0029%,3.1%],放电时误差绝对值范围为[0.0001%,3.7%]。结果表明所提出的CNN-GRU联合算法在纯电动公交车锂电池组SOC估计方面具有良好的应用价值。
文摘随着电动汽车(electric vehicle,EV)普及度的不断提高,工业园区内的EV用户日益增多,其充放电行为给园区综合能源系统(park integrated energy system,PIES)的规划运行带来极大挑战。文中提出考虑EV充放电意愿的PIES双层优化调度。首先,基于动态实时电价、电池荷电量、电池损耗补偿、额外参与激励等因素建立充放电意愿模型,在此基础上得到改进的EV充放电模型;然后,以PIES总成本最小和EV充电费用最小为目标建立双层优化调度模型,通过Karush-Kuhn-Tucker(KKT)条件将内层模型转化为外层模型的约束条件,从而快速稳定地实现单层模型的求解;最后,进行仿真求解,设置3种不同场景,对比所提模型与一般充放电意愿模型,验证了文中所提引入EV充放电意愿模型的PIES双层优化调度的有效性和可行性。
文摘为解决由于功率失配引起的分布式发电系统频率偏差问题,该文针对带电池储能系统(battery energy storagesystem,BESS)的多智能体交流微电网,提出了一种基于低带宽通信网络的分布式有限时间控制算法。该控制算法以Lyapunov方法和齐次逼近理论为基础,可确保系统节点不依赖初始条件,在一定时间内加速收敛。另外,为减轻通信负担,设计了一种能够避免芝诺(Zeno)行为的事件驱动通信机制,并导出了该行为触发边界的充分条件。通过模拟多个孤岛交流微电网案例进行仿真分析。研究结果表明,与传统控制器相比,所提出的控制算法在保证收敛时间不随初始条件变化的前提下,可以协调BESS以消除其与标准频率的偏差,同时解决荷电状态(state ofcharge,SoC)平衡问题,提高了同步速度,降低通信负担,确保了整个系统的稳定性和可靠性。
