|
电话：15313702523
Discover蓄电池与飞轮组合混合储能系统的最优调度策略及多应力电池退化模型
微电网技能的发展和可再生能源运用率的进步，使得混合储能体系（HESS）可以满意更高的功率和能量密度需求。作为HESS重要组成部分的电池储能体系（BESS）所涉及的技能相对老练且容量较大。电池退化问题对HESS的运转至关重要。但是，现有的调度战略研讨往往缺少定量剖析，或未能纳入多种退化应力要素。本研讨提出了一种优化调度战略，该战略定量地结合了一个半经历电池退化模型与包括荷电状态、循环深度和时刻在内的多种应力要素。分段线性老化...(BESS)作为HESS的重要组成部分，技能相对老练且容量较大。电池退化问题对HESS的运转至关重要。但是，现有的调度战略研讨往往缺少定量剖析，或未能纳入多种退化应力要素。本研讨提出了一种最优调度战略，该战略定量地结合了半经历电池模型。代价函数BESS被用于简化这一优化调度问题的处理计划。与传统战略比较，所提出的战略在典型场景下使每日归纳本钱下降了11%。此外，结果表明，由于飞轮可以减缓电池退化，当微电网的寿数超过15年时，引进飞轮会发生有利可图的结果。而且，所提出的战略供给了关于BESS荷电状态规划的见解。因此，0.05–0.9的规划被确定为下降运营本钱的最佳挑选。本研讨下降了微电网在其整个生命周期内的本钱，并为BESS的经济运转供给了辅导。
引言
跟着对环境污染和能源危机的日益关注，以及低碳转型的要求，开发和运用可再生能源（RES）已成为保证清洁可继续能源供应的必然挑选[1]。我国已为铝冶炼和钢铁制作等具有连续安稳出产负荷的高耗能职业建立了兆瓦级微电网。经过“源-网-荷-储”的归纳调控，合理运用能量存储体系以进步RES消费份额，然后保证电网运转的可靠性[2]。
由于技能老练且本钱相对较低，Battery energy storage system (BESS) 被广泛用于平抑RES的功率波动。但是，单体BESS内部的能量流动已被证明是有害的，由于它会增加储能体系所需的规划并加剧电池退化[3]。Flywheel energy storage system (FESS) 凭仗其快速充电时刻和高功率密度，可以弥补BESS的优势，已成为hybrid energy storage system (HESS) 的一种盛行组合[4,5]。研讨人员从两个首要视点探究了HESS的最优调度：归纳经济本钱[[6], [7], [8]]和电力体系的安稳性[9]。此外，电池退化会明显影响BESS的盈利才能。在结合电池的HESS最优调度中，这些老化要素是不容忽视的[10]。
但是，上述研讨均未探讨优化调度期间的电池退化问题。参考文献[3]综述了用于处理HESS寿数问题的优化办法，并探讨了结合超电容以减缓电池退化的可行性。某些研讨[[11], [12], [13]]从定性视点指出，FESS可以经过平滑充放电功率来延伸BESS的寿数。他们提出了一种混合储能能量办理战略，以满意微网运转中的电能质量和负荷需求，但缺少对电池退化的定量剖析。比较之下，另一项研讨[14]将电池退化率简化为常数，并提出了一种能量办理战略，以最小化孤岛或并网模式下的运转本钱。其他研讨[15,16]假定BESS存在随时刻线性改变的退化进程，并为并网微网设计了优化调度战略。这些战略延缓了BESS容量的退化，并提升了微网的经济效益。
现在，电池退化模型已被广泛研讨，并分为经历型[17]、半经历型[18]和物理化学型[19]。经历型模型不供给底层老化机制的模型，完全依赖于老化数据。物理化学模型表现出高度参数化的特性，虽然它们经过一组微分方程具体模拟了底层机制。半经历型模型试图在物理化学建模办法和经历建模办法之间供给一种折中计划[20]。但是，不同类型的电池退化模型考虑了一个或多个应力要素的影响，如state of charge（SOC）、depth of cycle（DOC）、时刻、温度。某些研讨[[21], [22], [23]]根据实验数据拟合了考虑循环老化的HESS最佳调度战略，但疏忽了日历老化。参考文献[24]提出了一种BESS容量装备战略，该战略考虑了影响电池寿数的DOC应力，这可以经过延伸其寿数来明显下降总运营本钱的净现值。参考文献[25]经过制作商供给的平均DOC下的失效循环次数估算了BESS的退化因子，并拟定了最佳调度计划。在[26]中，作者提出了一种最佳调度战略，并考虑了带有DOC应力的循环老化，但仅将日历老化率视为常数。参考文献[27, 28]建立了一种调度战略c
在调度办法方面，存在两种截然不同的办法：根据规矩的办法和优化运转战略[20]。文献[32]选用了一种可以减少日历老化的根据规矩的老化感知办法。优化运转战略可分为三类算法：准确解法、启发式算法和元启发式算法[33]。参考文献[34]运用线性规划来最大化光伏储能充电站调度的经济效益。一些研讨选用了粒子群优化（PSO）来处理考虑降解情况下的适应度函数优化问题[35,36]。为了处理文献[31]中复杂的优化调度问题，在考虑电池降解的同时运用了强化学习。
表1总结了在优化调度范畴考虑电池退化的相关研讨，然后识别出研讨空白并突出了本作业的奉献。如表所示，以往的研讨要么疏忽或过度简化了常数因子，要么缺少全面考量，或许其复杂性超出了惯例优化办法[20]。