风光储联合系统输出功率滚动优化与实时控制

戚永志 刘玉田

（山东大学电网智能化调度与控制教育部重点实验室 济南 250061）

1 引言

随着化石能源的日益枯竭以及环境保护压力的增大，风能和光伏等可再生能源发电以其资源丰富、污染小的特点，越来越受到青睐，近几年来发展迅速，截止到 2012年底，我国风电装机容量为 75 324.2 MW[1]，光伏装机容量为 7 000MW。风能和光伏等可再生能源发电都有波动性和随机性的特点[2,3]，受目前功率预测精度的限制[4,5]，使得大规模可再生能源并网给电力系统的安全稳定运行造成了较大的消极影响[6-8]。在长时间尺度下，风能和太阳能具有一定的互补性：白天光照强，风力弱，光伏发电量大，风力发电量小，而夜间，无光照，但风力较强，光伏不发电，风力发电量大；冬季光照弱，风力强，光伏发电量小，风力发电量较大，而夏季光照强，风力较弱，光伏发电量大，风力发电量小。风光互补的发电形式，一定程度上降低了总的功率波动，也降低了对储能容量配置的需求[9-11]。考虑风力发电和光伏发电的互补特性以及电池储能电站的动态响应特性，通过风光储联合系统的方式并网可以减弱功率波动，改善可再生能源并网特性。

目前已对风光储联合系统开展了一些研究工作。文献[12]提出了蓄电池的分组分次充放电策略，及时地追踪风电、光伏发电功率变化，进行快速的功率吸纳和释放，同时减少蓄电池的循环次数。文献[13]提出了一种储能充放电优化模型，该模型以有功功率波动最小为目标，其约束考虑了每个步长的储能初始容量和储能充放电控制策略。文献[14]给出了独立风光储微网系统中储能容量最佳配置方法。文献[15]通过分时段优化策略，给出了风电/光伏/储能的最佳配置方案。文献[16]研究了不同的风电/光伏/储能容量配比以及协调策略对系统可靠性的影响。文献[17]利用复合储能技术来平抑功率波动，通过超级电容器平抑短时频繁变化的波动，使用蓄电池来平抑长时变化缓慢的波动，以减少蓄电池的充放电次数和超级电容器的容量配置。

上述文献从不同方面对风光储联合系统进行了研究，其中对于风光储联合系统协调控制的研究主要集中在储能的优化控制上，未考虑与风电、光伏的协调配合，也未考虑储能的短时过载能力对平抑风光储波动的影响。

为改善风光储联合系统的出力特性，增强联合系统的功率跟踪能力，降低功率波动，减小储能电站的充放电次数，本文基于协调优化的思想，研究提出了一种风光储联合系统的控制方法，仿真算例证明了其有效性。

2 风光储系统输出功率滚动优化与实时控制

风光储联合系统输出功率滚动优化与实时控制方法以在线滚动优化和有功实时控制相结合的方式实现，其中，有功实时控制模块（控制时间间隔为1s）包含风/光计划出力微调模块以及储能电站实时控制模块，如图1所示。

图1 风光储联合系统控制模型Fig.1 Control model of wind-photovoltaic-storage system

在线滚动优化模块根据电网的计划出力曲线，结合风电场和光伏电站的超短期功率预测，计及风电场和光伏电站的出力响应速度以及储能电站的动态响应能力，给出风电场、光伏电站和储能电站分钟级（时间间隔为1min）的优化计划出力曲线，下发给各个场站。风/光计划出力微调模块将根据实时风电场风速和光伏电站光照等信息，对风电场和光伏电站计划出力进行微调，平衡计划超额（计划出力大于自然出力的部分），降低在线滚动优化模块中预测误差对计划出力的影响，保证风/光计划出力微调后具有更高的可完成性，降低储能补偿的压力。储能电站实时控制模块根据风/光跟踪计划出力曲线的完成度以及风电和光伏的出力爬坡情况，选择不同的控制模式（正常运行模式和短时过载模式），实时补偿功率偏差，以提高联合系统跟踪计划出力曲线的能力。通过在线滚动优化和协调控制相结合的方式，降低联合系统对储能电站的容量需求，从而降低联合系统的投资成本；该方法可提高联合系统跟踪计划出力的能力，进而提高电网对新能源的接纳水平，降低电网的调控压力和运行成本，最终实现整体社会效益最大化。

3 联合系统在线滚动优化

3.1 目标函数

风光储联合系统输出功率滚动优化与实时控制方法旨在提高联合系统的功率跟踪能力，改善其输出特性。在储能容量配置充足的情形下，可实现功率和计划无偏差。但在储能容量配置一定的情形下，实现功率和计划无偏差，即将功率出力作为等式约束，存在以下问题：①风光储联合系统计划出力可能与风光预测功率之和偏差过大，超过储能的补偿能力，该等式约束无法满足；②将功率出力作为等式约束会限制在线优化空间，为满足该等式约束可能增加储能电站的功率补偿压力和充放电次数，造成储能电站频繁的充放电，降低了储能电站的使用寿命；③为实现功率和计划无偏差将需要大量储能，也将大大增加联合系统的投资，降低联合发电系统运行的经济性。相比将功率出力作为等式约束，将总的平均功率偏差作为优化目标后，可保证在可接受的功率偏差范围内，不增加储能容量，降低联合发电系统投资，增强其运行的经济性。电池储能电站建造运行成本较高，频繁充放电将降低其运行寿命，降低联合系统运行经济性。为此，在线滚动优化模块考虑了储能电站容量和功率约束、风电场和光伏电站的功率和响应速度约束，建立了以联合系统总的有功功率偏差最小、储能电站充放电次数最少和优化末段储能电站剩余电量最大（即 SOC最大）的优化模型。该优化模型将联合系统的计划出力合理分配给风/光/储，优化三者运行，在兼顾跟踪计划出力的基础上，降低储能电站的补偿压力，降低储能电站的充放电次数，提高其运行寿命。目标函数如下所示。

（1）总的平均功率偏差最小，以实现精确跟踪，其目标函数f1(x)

（2）充放电次数最小，以提高储能电站运行寿命，其目标函数f2(x)

（3）控制时段末期剩余电量最大，以提高下个控制时段储能的功率补偿能力，其目标函数f3(x)

式中，N为优化时段内总的时段数；时段i取1,2,··N；Psch(i)为时段 i内联合系统总的计划出力；Ppv_sch(i)和Pf_sch(i)分别为光伏电站和风电场在时段i的计划出力；Pb_sch(i)为储能电站在时段i内的计划出力，充电时，该值为正值，放电时，该值为负值；Nb为储能电站总的充放电次数，储能电站在运行过程中，具有三种状态：充电、放电和出力为零，当储能电站由一种状态转换为另一种状态时，充放电次数增加 1，在同一种状态（充电或放电状态）下仅出力大小调整时，充放电次数不变。

3.2 约束条件

（1）储能电站容量和功率约束式（4）为储能电站容量约束，其中，SOC(i)为时段i内储能电站的荷电状态；SOCmax和SOCmin分别为储能电站SOC的上、下限；δ为储能电站的自放电率；γC为储能电站的充电效率；γD为储能电站的放电效率。

式（5）为储能电站功率约束[18]，计及了储能电站荷电状态对输出功率的影响，为本文给出的动态确定储能功率上限的方法。当储能电站SOC位于低电量区，即[SOClow, SOCmin]时，限制储能放电功率，SOC越小，允许的放电功率越小，以避免过度放电；当储能电站SOC位于高电量区，即[SOChigh,SOCmax]时，限制充电功率，SOC越大，允许的充电功率越小，以避免过度充电。其中，SOChigh和SOClow为储能电站高低电位阈值；Prate为储能电站额定功率；Pb_dic_max为储能电站放电功率上限；Pb_ch_max为储能电站充电上限。

（2）风电场出力约束

式中，Pf_pre(i)为时段 i内的功率预测值，该值通过风电场的超短期功率预测获得，超短期功率预测由于时间尺度短，其预测误差较小，能够满足在线滚动优化的需求；Vf(i)为时段 i内风电场的出力调整速度；Vf_upmax和Vf_dmax分别为向上和向下调整速度限值，通过风电场实际运行中统计得到的调整速度整定得到，将统计得到的向上和向下调整速度的最大值作为相应的限值。

（3）光伏电站出力约束

式中，Ppv_pre(i)为时段i内的功率预测值，该值通过光伏电站的超短期功率预测获得；Vpv(i)为时段i内光伏电站的出力调整速度；Vpv_upmax和Vpv_dmax分别为向上和向下调整速度限值，通过光伏电站实际运行中统计得到的调整速度整定得到，将统计得到的向上和向下调整速度的最大值作为相应的限值。

3.3 求解算法及方案选择

在线滚动优化为多目标优化问题，本文引入非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm，NSGA）-Ⅱ求解[19]。NSGA-Ⅱ算法能够快速得到多个pareto最优方案，在优化变量较少时，求解速度快，能够满足在线优化需求，本文将优化时段内的风/光/储每分钟出力作为优化变量，当优化时段为15min时（时间间隔为1min），优化变量为45个（风/光/储各15个），优化变量相对较少，故采用NSGA-Ⅱ算法。求解后将得到多个pareto最优方案集合ψ0，在兼顾各优化目标的基础上，选择方案的原则如下：

（1）确定联合系统允许的平均功率偏差 Perr，从得到集合ψ0中选择总的功率偏差小于 Perr的方案，放入新的方案集合ψ1中，若ψ1为空，则增大Perr，继续执行该步骤，否则，执行下一步。

（2）从方案集合ψ1中选择储能电站充放电次数小于等于1的方案，放入新的方案集合ψ2中，若ψ2为空，则从方案集合ψ1中，选择储能电站充放电次数为 2的方案，放入新的方案集合ψ2中，若ψ2仍为空，返回步骤（1），并增大 Perr，否则，执行下一步。

（3）从方案集合ψ2中，选择剩余电量最大（SOC最大）的方案放入方案集合ψ3中，若ψ3仅有一条方案，则方案为最优方案，若有多条方案，则从ψ3中选择功率偏差最小的方案为最优方案。

具体方案选择流程图如图2所示。

图2 方案选择流程图Fig.2 Flow chart of solution selection

4 风光储联合系统有功实时协调控制

4.1 有功实时协调控制基本思路

有功实时控制阶段主要包含两部分，一是实现风/光计划出力微调；二是储能实时控制补偿功率偏差。计划出力微调模块根据实时风速信息以及光照条件，在风电场和光伏电站之间进行出力计划的调整，有可调容量的一方增大出力计划，有计划超额的一方降低出力计划，实现出力平衡，提高计划出力指令的可完成性，降低预测误差对计划出力的影响。储能实时控制主要是补偿功率偏差，针对风电场和光伏电站的计划出力完成情况，补偿联合系统出力和计划出力的偏差，实现联合系统出力精确跟踪计划出力指令。

4.2 有功协调控制实现方法

4.2.1 风/光计划出力微调

在线滚动优化距离控制时刻的窗口期较长，预测误差对其影响相对较大，可能出现计划超额和计划不足的情形；风/光计划出力微调距离控制时刻的窗口期较短（在控制前一刻进行），风电场和光伏电站获得出力信息将更加接近于控制时刻的真实出力，在在线滚动优化出力的基础上，将出现的超额计划转移给计划不足的一方，可降低储能电站的运行压力。

在实时控制过程中，由于控制时间间隔为1s，间隔很小，故假设当前时刻的风速和上一控制时刻风速相同，光伏电站光照和温度变化平稳，故风电场和光伏电站当前可调容量分别为ΔPf_pot和ΔPpv_pot

式中，Pf_sch为风电场计划指令值；Pf_est为风电场实时自然出力估计值；Ppv_sch为光伏电站计划指令值；Ppv_est为光伏电站实时自然出力估计值。

在在线优化的基础上，根据风电场和光伏电站的可调容量，对风电场和光伏电站的计划出力曲线进行调整。具体分为以下三种情形：

（1）风电场和光伏电站的可调容量均为非负或均为负时，风/光/储按照在线优化环节的计划出力曲线运行。

（2）光伏电站可调容量为负（即有计划超额），风电场可调容量为正时，出力调整如下：

式中，Pf_sch_exec为风电场最终计划出力；Ppv_sch_exec为光伏电站最终计划出力。

（3）风电场的可调容量为负（即有计划超额），光伏电站的可调容量为正时，出力调整如下：

4.2.2 储能电站实时控制

储能电站实时控制分为两种控制模式：是正常运行模式和短时过载模式。正常运行模式主要应对风电场和光伏电站出力变化相对平稳，未出现大幅跌落的情形；短时过载模式主要应对风电场和光伏电站总出力出现快速向下爬坡的情形。

（1）正常运行模式

联合系统出力偏差ΔP

式中，Pf为风电场实时出力；Ppv为光伏电站实时出力；Psch为联合系统计划出力。

①SOCmin＜SOC＜SOClow，即低电量区间

电池储能电站处于低电量状态，应限制储能电站的放电功率，避免储能电站的过放电，而不限制充电功率。此时储能电站的功率约束为

ΔP为正时，储能电站需要充电，若|ΔP|＜Pthr，储能电站功率Pb为零，以避免小电流充放电，提高储能电站运行寿命；否则，储能电站出力在补偿ΔP的基础上，额外增加 Pthr，以加快储能电站电量恢复到正常运行区间[SOClow，SOChigh]。式中，Pb为储能电站实时出力；Pthr为储能电站最小出力限值。

ΔP为负时，储能电站需要放电，若|ΔP|＜Pthr，储能电站输出功率Pb为零；否则

②SOClow＜SOC＜SOChigh，即正常电量区间

ΔP为正时，储能电站需要充电，若|ΔP|＜Pthr，储能电站功率Pb为零；否则

ΔP为负时，储能电站需要放电，若|ΔP|＜Pthr，储能电站输出功率Pb为零；否则

③SOChigh＜SOC＜SOCmax，即高电量区间

电池储能电站处于高电量状态，应限制储能电站的充电功率，避免储能电站的过充电，而不限制放电功率。此时储能电站的功率约束为

ΔP为正时，储能电站需要充电，若|ΔP|＜Pthr，储能电站功率Pb为零；否则

ΔP为负时，储能电站需要放电，若|ΔP|＜Pthr，储能电站输出功率Pb为零；否则，储能电站出力在补偿ΔP的基础上，额外增加-Pthr，加快储能电站电量恢复到正常运行区间[SOClow，SOChigh]。（2）短时过载模式

考虑风电和光伏等新能源出力的弱功率支撑性，其出力可能会出现快速向下爬坡，使得联合系统出力大幅偏离计划出力曲线，超过储能电站正常补偿能力。但考虑储能电站具有一定的短时过载能力，可通过其短时过载，快速增大其功率输出，以限制风电和光伏出力的跌落幅度，保证联合系统出力能够变化平稳。

风电场和光伏电站总出力向下爬坡幅度超过某一阈值时，触发储能电站短时过载模式。触发条件如式（20）所示，引入计划出力增量，剔除风/光为跟踪计划出力指令导致出力变化大于阈值的情形。式中，Pf+pv(i-1)和Pf+pv(i)分别为风电场与光伏电站上一时刻和当前时刻总的实时出力；Pf+pv_sch_exec(i-1)和 Pf+pv_sch_exec(i)分别为风电场与光伏电站上一时刻和当前时刻总的计划出力；ε为启动阈值。

短时过载模式触发后，储能电站放电时功率限制调整为

式中，α为过载系数，由储能电站的过载能力决定；T为过载时间系数。

5 仿真研究

5.1 算例系统

本文算例系统参考张北国家风光储示范工程规模，风电场容量为500MW，光伏电站容量为100MW，储能电站为 110MW/440MW·h。风电场和光伏电站出力响应速度为5MW/s。储能电站自放电率δ=0，充放电效率 γC和 γD均为 1，SOCmin=0，SOCmax=1，SOClow=0.1，SOChigh=0.9，过载启动阈值ε=50MW，过载系数α=1，过载时间常数T=20。

5.2 正常运行模式

风电场和光伏电站功率预测曲线如图3所示，15min内联合系统发电计划均为390MW，储能电站初始SOC为0.9，即位于高电量区间，在线滚动优化模块采用NSGA-Ⅱ算法求解。NSGA-Ⅱ算法初始种群 100个，迭代次数为 500次，风/光/储每分钟的计划出力为一个优化变量，总计 45个优化变量（风/光/储各 15个）。得到的优化方案集合ψ0见下表，ψ0中含有三个方案。

图3 风/光预测功率和风/光/储在线滚动优化出力Fig.3 Forecast power and scheduling power of online rolling optimization module

表 在线滚动优化得到的部分计划出力分配方案Tab. Scheduling power schemes of online rolling optimization module

Perr选择为10MW，根据3.3节所提方案选择原则可知，方案二为最优方案，风/光/储计划出力曲线如图3所示。方案一功率偏差过大的原因：在线滚动优化过程中，考虑了储能电站荷电状态对输出功率限制的影响，当位于高电量区间时，随着SOC的增大，输出功率上限越小，储能电站充电能力越弱，使得联合系统偏差较大，最终通过方案选择淘汰掉该方案，避免储能电站过充。方案三充放电次数较多的原因：充电使得储能电站剩余电量增加，有利于优化目标 3（优化末段剩余电量最大）的实现；当位于高电量区间时，SOC的增大，限制了功率补偿能力，将导致目标1（总的偏差最小）变差，放电使得SOC减小，回到正常电量区间，功率补偿能力增强。由于控制目标1和目标3间的这种矛盾，使得储能电站频繁的充放电，最终通过方案选择淘汰掉该方案，避免储能电站频繁充放电。

风/光计划出力微调模块根据风电场和光伏电站实时风速和光照等信息，对在线滚动优化得到的计划出力曲线进行微调，在风/光之间重新优化分配计划出力，以降低功率预测误差对优化结果的影响，将风电场的计划超额转移给具有可调容量的光伏电站，如图4中60～120s区段所示。

图4 风/光自然出力、在线滚动优化出力和微调计划出力Fig.4 MPPT power, scheduling power of online rolling optimization module and trimming scheduling power

通过风/光计划出力微调后，风电场和光伏电站的计划出力能小于自然出力，使计划出力的可完成度提高，如图5所示。风电场和光伏电站能够更好地跟踪微调后的计划出力，降低了储能电站功率补偿的压力，使储能电站仅在计划出力的基础上进行微调，最终SOC值稳定在优化值（0.88）附近，联合系统平均功率偏差为0.34MW，如图6所示。

图5 微调出力和实时出力Fig.5 Trimming scheduling power and actual power

图6 储能SOC曲线Fig.6 SOC curve of battery energy storage system

当无风、无光或者风光均无的情形下，风/光计划出力微调模块将不发挥作用，在线滚动优化模块优化的风/光出力将作为风电场和光伏电站的最终计划出力，储能根据功率偏差实时补偿，在这些情形下，联合系统仍能精确跟踪计划出力。

5.3 储能短时过载模式

假设在300s时部分风机因故障退出运行，风电场出力快速降低100MW，360s风机重新投入运行，出力恢复到正常水平。与此同时，受到云的遮蔽，光伏电站出现爬坡，出力快速下降60MW，360s云的遮蔽作用消失，出力恢复。由于风/光出力的快速下降，触发储能电站短时过载模式，储能电站出力大幅增加，甚至达到额定功率的2倍，随后，出力衰减，直至降低到正常的功率水平，如图7所示。通过储能的短时过载，在不增加储能电站容量的前提下，增强储能电站的功率补偿能力，以应对风/光可能出现的快速爬坡事件，提高联合跟踪计划出力的能力。

图7 微调计划出力、实时出力以及自然出力Fig.7 Trimming scheduling power, actual power and maxium power point tracking power

6 结论

本文构建了风光储联合系统输出功率滚动优化与实时控制模型，将NSGA-Ⅱ算法引入在线滚动模块解决多目标优化问题，优化速度相对较快（优化时段为15min，算法耗时20s左右），能够满足在线优化的要求。风/光出力微调模块对风/光之间的计划出力再平衡，将一方的计划超额转移给具有可调容量的一方，提高了计划出力指令的完成度。储能电站计及短时过载能力以及荷电状态对输出功率的影响，动态给出功率上限，在不增加储能容量的基础上，增强功率补偿能力，以应对风/光可能出现的快速爬坡事件，使得在风/光快速爬坡过程中，联合系统仍能较好地跟踪计划出力指令，减弱风/光爬坡对电网的影响。本文所提控制方法是在联合系统计划出力给定的前提下，提高联合系统计划出力跟踪能力，优化储能电站运行特性，下阶段将深入研究风光储联合系统计划出力制定方法，提高风/光利用率。

[1] 中国可再生能源学会风能专业委员会. 2012年中国风电装机容量统计[R]. 北京, 2013.

[2] Muyeen S M, Takahashi R, Murata T, et al. A variable speed wind turbine control strategy to meet wind farm grid code requirements[J]. IEEE Transactions on Power Systems, 2010, 25(1): 331-340.

[3] 倪琳娜, 罗吉, 王少荣. 含风电电力系统的频率控制[J]. 电工技术学报, 2011, 26(S1): 235-241.Ni Linna, Luo Ji, Wang Shaorong. Frequency control of power system with wind power integration[J].Transactions of China Electrotechnical Society, 2011,26(S1): 235-241.

[4] Mahoney W P, Parks K, Wiener G, et al. A wind power forecasting system to optimize grid integration[J]. IEEE Transactions on Sustainable Energy, 2012,3(4): 670-682.

[5] 刘兴杰, 米增强, 杨奇逊, 等. 一种基于 EMD的短期风速多步预测方法[J]. 电工技术学报, 2010,25(4): 165-170.Liu Xingjie, Mi Zengqiang, Yang Qixun, et al. A novel multi-step prediction for wind speed based on EMD[J]. Transactions of China Electrotechnical Society, 2010, 25(4): 165-170.

[6] 戚永志, 刘玉田. 风电高风险爬坡有限度控制[J].中国电机工程学报, 2013, 33(13): 69-75.Qi Yongzhi, Liu Yutian. Finite control of high risk wind power ramping[J]. Proceedings of the CSEE,2013, 33(13): 69-75.

[7] 侯婷婷, 娄素华, 张滋华, 等. 协调大规模风电汇聚外送的火电容量优化[J]. 电工技术学报, 2012,27(10): 255-261.Hou Tingting, Lou Suhua, Zhang Zihua, et al.Capacity optimization of corollary thermal sources transmitted with large-scale clustering wind power[J].Transactions of China Electrotechnical Society, 2012,27(10): 255-261.

[8] 吴晋波, 文劲宇, 孙海顺, 等. 基于储能技术的交流互联电网稳定控制方法[J]. 电工技术学报, 2012,27(6): 261-267.Wu Jinbo, Wen Jingyu, Sun Haishun, et al. Study of control method for improving AC interconnected grid stability based on energy storage technology[J].Transactions of China Electrotechnical Society, 2012,27(6): 261-267.

[9] 李国杰, 唐志伟, 聂宏展, 等. 钒液流储能电池建模及其平抑风电波动研究[J]. 电力系统保护与控制,2010, 38(22): 115-119.Li Guojie, Tang Zhiwei, Nie Hongzhan, et al.Modelling and controlling of vanadium redox flow battery to smooth wind power fluctuations[J]. Power Systems Protection and Control, 2010, 38(22): 115-119.

[10] 施琳, 罗毅, 涂光瑜, 等. 考虑风电场可调度性的储能容量配置方法[J]. 电工技术学报, 2013, 28(5):120-127.Shi Lin, Luo Yi, Tu Guangyu, et al. Energy storage sizing method considering dispatchability of wind farm[J]. Transactions of China Electrotechnical Society, 2013, 28(5): 120-127.

[11] 胡国珍, 段善旭, 蔡涛, 等. 基于液流电池储能的光伏发电系统容量配置及成本分析[J]. 电工技术学报, 2012, 27(5): 260-267.Hu Guozhen, Duan Shanxu, Cai Tao, et al. Sizing and cost analysis of photovoltaic generation system based on vanadium redox battery[J]. Transactions of China Electrotechnical Society, 2012, 27(5): 260-267.

[12] 李金鑫, 张建成. 风光储发电系统预测功率波动性优化方法[J]. 电源技术, 2013, 37(1): 62-64.Li Jinxin, Zhang Jiancheng. Optimization method to fluctuations of predictive power of HPWS[J]. Power Sources Technology, 2013, 37(1): 62-64.

[13] 李碧辉, 申洪, 汤涌, 等. 风光储联合发电系统储能容量对有功功率的影响及评价指标[J]. 电网技术,2011, 35(4): 123-128.Li Bihui, Shen Hong, Tang Yong, et al. Impacts of energy storage capacity configuration of HPWS to active power characteristics and its relevant indices[J].Power System Technology, 2011, 35(4): 123-128.

[14] 朱兰, 严正, 杨秀, 等. 风光储微网系统蓄电池容量优化配置方法研究[J]. 电网技术, 2012, 36(12):26-31.Zhu Lan, Yan Zheng, Yang Xiu, et al. Optimal configuration of battery capacity in microgrid composed of wind power and photovoltaic generation with energy storage[J]. Power System Technology,2012, 36(12): 26-31.

[15] 徐林, 阮新波, 张步涵, 等. 风光蓄互补发电系统容量的改进优化配置方法[J]. 中国电机工程学报,2012, 32(25): 88-98.Xu Lin, Ruan Xinbo, Zhang Buhan, et al. An improved optimal sizing method for wind-solarbattery hybrid power system[J]. Proceedings of the CSEE, 2012, 32(25): 88-98.

[16] 汪海瑛, 白晓民, 许婧. 考虑风光储协调运行的可靠性评估[J]. 中国电机工程学报, 2012, 32(13):13-20.Wang Haiying, Bai Xiaomin, Xu Jing. Reliability assessment considering the coordination of wind power, solar energy and energy storage[J]. Proceedings of the CSEE, 2012, 32(13): 13-20.

[17] 刘霞, 江全元. 风光储混合系统的协调优化控制[J].电力系统自动化, 2012, 36(14): 95-100.Liu Xia, Jiang Quanyuan. An optimal coordination control of hybrid wind/photovoitaic/energy storage system[J]. Automation of Electric Power Systems,2012, 36(14): 95-100.

[18] 张野, 郭力, 贾宏杰, 等. 基于电池荷电状态和可变滤波时间常数的储能控制方法[J]. 电力系统自动化, 2012, 36(6): 34-38.Zhang Ye, Guo Li, Jia Hongjie, et al. An energy storage control method based on state of charge and variable filter time constant[J]. Automation of Electric Power Systems, 2012, 36(6): 34-38.

[19] 王洪涛, 刘玉田. 基于 NSGA-Ⅱ的多目标输电网架最优重构[J]. 电力系统自动化, 2009, 33(23): 14-18.Wang Hongtao, Liu Yutian. Multi-objective optimization of power system reconstruction based on NSGA-Ⅱ[J]. Automation of Electric Power Systems, 2009,33(23): 14-18.