考虑风电随机模糊性的储能参与系统AGC调频研究

来源 :长沙理工大学 | 被引量 : 1次 | 上传用户:ilovelp222222
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
能源转型是解决温室气体排放量过高的重要方法,也可以改善当前对传统化石能源过度依赖的状况。随着风电在电网中占据越来越重要的位置,其出力不确定性引起的频率稳定问题也越发明显。论文以高比例风电接入系统为背景,建立随机模糊模型,分析高比例风电接入对调频的影响及储能参与并改善调频的方式。论文主要从以下几个方面对上述内容进行学习和研究:首先,对含有风电系统的AGC(Automatic Generation Control)调节容量需求进行概率密度分布分析,并将概率分布模型的各参数进行统计分别得到参数的模糊形式,建立随机模糊模型。结合了随机性和模糊性描述含有风电系统调频的不确定性,并基于随机模糊模型估算了在不同风电的渗透率下AGC调节容量需求的大小。然后,为缓解风电波动性对调频的负面影响,在两区域互联的AGC仿真系统中配置了储能,分别向系统中接入阶跃负荷扰动和连续风电负荷扰动,并对比有无储能情况下的频率偏差仿真结果,经算例对比表明无论是在阶跃负荷扰动下还是连续风电负荷扰动下,储能对于改善调频都有良好的效果。最后,在证明储能具有改善系统调频的能力后,进行储能容量的优化配置,通过经验模态分解(Empirical Mode Decomposition EMD)将AGC随机模糊调频需求分解成不同频段的本征模态分量,以每个本征分量为分界把AGC调节容量需求分解成高频和低频,将高频分量分配给储能,低频分量由传统机组承担,求出对应的储能容量,通过对比不同分界条件下的调频指标,确定该方法下最优的储能容量。论文针对风电接入的系统建立AGC调节容量需求随机模糊模型,制定储能参与调频的充放电策略和储能容量确定的方法,充分考虑了风电的不确定性,可以为含风电的系统配置储能改善调频提供参考。
其他文献
随着全球化的发展,各国间的交流与合作日趋频繁。在这种跨语言的交际活动中,口译扮演着不可替代的角色。巴黎高翻首任校长达妮卡·塞莱丝柯维奇提出的释意理论对口译研究和口
本文研究Degasperis-Procesi方程孤立子的轨道稳定性及孤立子附近的爆破解.应用广义伪共形变换方法,将Degasperis-Procesi方程Cauchy问题在孤立子附近的解分解如下:λ1/2(t)u
当前由于二氧化碳和甲烷等温室气体排放导致全球变暖,土壤温度也随着温室气体排放逐渐升高。紧接着会对土壤有机质的含量产生影响。作物的生长与土壤养分含量息息相关。土壤
我国城市交通处于快速发展阶段。但是发展的过程中也带来了许多问题,比如空气污染和交通拥堵问题。其中,城市轨道交通具有高效、速度稳定、运量大的特点,可缓解城市交通发展带来的问题,有助于建立一个高效的城市交通系统。本文旨在探讨城市轨道交通运营者如何运用优化模型和模拟退火算法,结合线路具体运营状况,以缩短乘客总等待时间和节省运营成本为综合目标,得到列车时刻表和车底协同优化调度方案。在目标函数的设定中,不仅
近年来,为缓解油气资源紧张,国内外均在页岩气、天然气水合物等非常规油气资源勘探与开发方面取得了长足的进展。但整体而言,我国在该领域尚处于起步阶段,与国际先进水平相比
近年来中央出台了《农业科技发展纲要(2001-2010年)》、《关于引导农村土地经营权有序流转发展农业适度规模经营的意见》等一系列政策性文件,肯定了涉农企业在我国农业现代化
土壤生物群落复杂而多样,不同生物的体型大小不尽相同。体型大小作为土壤生物最基本的生活史性状,其与丰度之间的关系能解释资源在生态系统中的分配及与生态系统功能的关系。
近年来,金属磷化物由于其在半导体和催化剂工业中的潜在应用而受到人们的广泛关注。钼磷化合物是金属磷化物中的重要一类,其具有优异的物理性能和奇特的结构特点,因此对钼磷
电力系统规模不断扩大,风能等清洁能源接入比例越来越大,直流输电容量与规模不断突破新高,交直流混联系统电压稳定控制愈加复杂。负荷特性对电压稳定起着重要的作用,交直流系统静态电压稳定域的研究对系统稳定运行控制提供了新的参考,本文综合考虑负荷静特性、风电接入及直流控制方式等因素,对交直流系统静态电压稳定域进行相关研究。首先,根据负荷电压、频率静特性模型,寻找其与电力系统静态电压稳定的紧密联系,基于连续潮
近年来,机器学习和人工智能迅猛发展,广泛用于人们的日常生活中,为社会带来了巨大的影响。特征选择的任务是选择相关特征并丢弃不相关或冗余的特征。然后机器学习算法利用这些包含更多有用信息的特征学习更好的模型从而提高分类性能。近年来,将多个模型的输出结合起来的集成学习通常比单个模型表现更优。因而,特征选择也与集成学习相结合实现集成特征选择以期望进一步提高机器学习的性能。现有的大多数集成特征选择方法都只通过