-
为了防止风电功率波动对电网的影响,在风电并网前根据混合储能系统控制策略使储能单元对风电功率进行吸收和补偿,保证风电平稳并网,并确保整体系统长期高效稳定运行.利用抗脉冲平均滤波法对原始风电功率进行调节,通过对比参数计算的并网参考功率得到混合储能系统吸收和补偿的总功率.基于高通滤波法和滑动平均滤波法对总功率根据频率进行分配,利用超级电容、飞轮和锂电池储能进行动态吸收和补偿,在 Simulink 软件中搭建风电场、混合储能系统和风电并网模型并进行仿真实验.结果表明,该策略可以将风电功率平抑到并网参考功率1 MW,且储能方式的实际功率与分配的参考功率的相似度均在误差允许的范围内,充分验证了该策略的合理性和可行性.
混合储能系统平抑风电功率波动抗脉冲平均滤波法滑动平均滤波法
-
针对新建大型新能源基地历史实测数据不足、风光多源耦合关系复杂等问题,提出一种计及动态互补特性的长序列数据扩充与联合预测方法.首先,利用差分协方差重构提取多场站协同波动结构,并结合秩保序映射与物理边界约束生成长序列样本;其次,构建自适应功率互补指数,从微观时域量化风光错峰互补强度及功率幅值贡献;最后,将APCI嵌入PatchTST预测框架,通过时序切片、趋势-随机分量解耦和通道权重共享提升长序列建模能力.新疆某新能源基地实测数据验证表明,所提方法能够在小样本条件下保持生成数据的时空相关结构,并提高年、月多尺度联合出力预测精度.
新能源基地数据扩充风光互补特性PatchTST中长期预测
-
针对传统平抑方法在风电功率跟踪中存在的响应滞后、追踪性差等问题,本文提出基于卡尔曼滤波(Kalman filtering,KF)算法的风电功率波动平抑方法,以及基于经验小波变换(empirical wavelet transform,EWT)算法的储能功率分配策略.首先,将卡尔曼滤波算法与自适应滑动平均算法进行对比,验证其在减小风电功率平抑滞后性方面的优势;其次,将 EWT 算法与传统经验模态分解(empirical mode decomposition,EMD)算法进行对比,以实现更高精度的储能功率分解与分配.仿真结果表明,卡尔曼滤波算法在平抑风电功率波动方面具有实时性强、滞后性小的特点,能有效减少混合储能系统的充放电切换次数与深度,从而延长储能设备的使用寿命;EWT 算法能够避免模态混叠问题,合理分配不同储能装置之间的功率,保障系统的稳定可靠运行.
风电波动平抑卡尔曼滤波自适应滑动平均经验小波变换经验模态分解储能系统寿命
-
针对风光储电站黑启动过程中功率波动剧烈、储能深度充放电等问题,本文提出基于广义预测控制的功率协调策略.通过理论推导预测模型、目标函数、滚动优化机制,实现风光单元数量动态调整.MATLAB仿真验证表明,该策略可快速跟踪负荷变化,显著平抑储能功率波动,将其能量状态维持在合理区间,有效提升备用电量和黑启动能力,为风光储一体化电站安全稳定运行提供技术路径,有助于提高新能源电力系统韧性.
风光储一体化电站功率平滑控制方法广义预测控制理论推导预测模型
-
针对光伏发电并网所引发的电网运行稳定性与经济性下降,以及其自身波动性与间歇性难以有效调控的问题,开展了光伏与数字化输电系统的集成优化研究.通过设计高性能并网逆变器的控制策略与系统级协同调度模型,并构建考虑运行稳定性约束的多目标优化算法,实现了对区域能源系统中能源时空分布的精准调度与优化配置,进而构建高效、灵活、坚韧的能源供应体系.实例应用结果表明,所提方法能够有效提升光伏就地消纳率,显著降低系统运行成本与碳排放,并大幅平滑电网功率波动,增强了系统的经济性、环保性与运行稳定性,为清洁能源的高效集成与数字化电网的建设提供了有效的技术解决方案.
光伏输电系统集成优化数字化
-
随着中国"双碳"战略不断推进,风电装机容量持续增长,但风电出力存在波动性和间歇性,严重制约其规模化发展.储能技术作为破解这一困境的关键手段,能够有效平抑波动、提升电能质量并参与电网调频工作.系统分析了机械储能、电化学储能、电磁储能和冷热储能4类技术发展现状,结合实际案例,重点探讨飞轮储能与锂离子电池在风电场中的混合应用实践.研究表明,飞轮储能凭借毫秒级响应、超长寿命和高功率密度优势,与锂离子电池形成功能互补,构建的混合储能系统,可将风电波动平抑效率有效提升,为风电场稳定运行和经济性提升提供可靠技术路径.
风电场储能技术电力优化应用
-
在能源结构转型进程中,光伏、风电等新能源发电技术实现规模化并网.此类电源出力的随机性、间歇性与波动特征持续扰动传统电力系统稳态运行,也为并网电能质量划定严格约束边界.作为电网功率传输与调度的关键枢纽,变电站电能质量直接决定了电力系统安全可靠运行的整体水平.在高渗透率光伏与风电并网场景中,针对电压波动、谐波叠加、三相不平衡等典型电能质量问题,已有研究完成变电站场景下内在作用机制的系统剖析;基于剖析结论搭建的电能质量评估建模体系,可衍生出谐波抑制、电压调控等方面的技术优化方案.方案经智能化方法与典型工况验证,可增强系统电压稳定性、降低谐波畸变率,对应结论可为同场景优化设计提供理论参考与工程指引,保障新型电力系统长期安全稳定运行.
高渗透光伏风电变电站电能质量电压波动无功补偿谐波抑制
-
针对光伏发电功率序列波动性强、非线性特征显著以及预测精度易受噪声干扰等问题,提出一种基于改进自适应噪声完备集合经验模态分解(ICEEMDAN)与级联回归(CR)残差校正麻雀搜索算法优化长短期记忆网络(SSA-LSTM)的光伏发电功率预测方法.首先,采用ICEEMDAN分解对原始光伏发电功率序列进行分解,得到多个固有模态函数(IMF),以提取不同频率尺度下的时序特征并削弱噪声干扰;其次,引入麻雀搜索算法(SSA)对长短期记忆网络(LSTM)模型的关键参数进行寻优,并利用优化后的LSTM模型对各IMF分量分别进行预测;最后,采用级联回归对各分量重构后的预测结果进行残差校正,进一步减小模型输出偏差,提高整体预测精度.仿真结果表明:按四季测试样本数加权平均计算,相较于传统LSTM模型,所提方法平均绝对误差(MAE)降低了69.97％,均方根误差(RMSE)降低了67.49％;相较于未校正模型,MAE降低了34.01％,RMSE降低了27.78％,决定系数R2大于0.96.研究结果表明,该方法能够有效降低预测偏差,提高模型在不同季节条件下的稳定性和适应性,为光伏发电功率预测提供了高精度、高鲁棒性的技术手段.
光伏发电功率预测级联回归残差校正麻雀搜索算法自适应噪声完备集合经验模态分解长短期记忆网络
-
面对风电随机性和波动性引发的电网运行风险,高精度风电功率预测是保障电网安全稳定运行的关键.针对现有方法在数据模态混叠、特征筛选局限及季节性适应不足等问题,该文提出"混合特征筛选-季节性自适应分解-xLSTM-Informer 预测"框架.首先,结合 Spearman 相关系数与最大信息系数(MIC)方法分别提取气象因子的线性和非线性特征;其次,基于 SGMD-rePE-VMD 设计"分解-重构-分解"机制,利用辛几何模态分解(SGMD)初次分解,通过鲁棒排列熵(rePE)准则自适应重组分量,并采用变分模态分解(VMD)二次分解高频分量;最后,构建 xLSTM-Informer 混合模型,xLSTM 捕捉长时依赖,Informer 处理长序列全局特征,通过门控融合模块整合跨尺度信息.基于福建某风电场数据的实验结果表明:该组合方法四季的预测方均根误差均值为0.725 6 MW,R2 均值为 0.991 6,显著优于其他基准模型及组合方法,验证了特征筛选的有效性、序列分解的优越性及 xLSTM-Informer 模型的核心作用,为风光储协同调度提供了可靠技术支撑.
风电功率预测特征筛选信号分解扩展长短期记忆网络(xLSTM)模型Informer模型
-
为解决光伏发电功率的波动性和不确定性,提出一种基于模糊C均值(FCM)聚类算法和混合尺度特征提取(HSFE),多头动态稀疏注意力机制(MDSA)的双向门控循环单元(BIGRU)光伏功率短期预测.首先对历史光伏数据进行预处理和异常值分析,对在不同气候下光伏功率输出的影响因素进行相关性分析,然后通过降维对FCM聚类方法对输入数据进行天气分类聚类,再将分类数据作为输入,在BiGRU模型的基础上增加混合尺度特征提取模型,加强提取不同时间尺度的信息能力;然后加入多头动态稀疏自注意力机制构建组合模型,动态调整模型对各时间步数据特征的聚焦程度.最终通过组合模型仿真结果对比试验表明,此方法具有更高的精准度和泛化能力.
光伏发电特征提取短期功率预测多头动态稀疏注意力机制双向门控循环单元
