摘" 要: 針對新能源消納困難的問題,提出一種風光儲聯合就近供電模式,并建立了多時間尺度的多目標優(yōu)化調度模型。文中關注不同時間尺度下的調度問題,包括日前、超短期和實時。在日前調度計劃中,以風光發(fā)電和本地負荷需求日前預測數據為基礎,考慮風光儲發(fā)電系統運行成本問題和負荷供電可靠性問題,建立了雙目標優(yōu)化模型,并使用基于PSO改進的黃金搜索優(yōu)化算法(GSO)進行求解。在日內超短期計劃中,結合日內功率預測更新數據和雙儲能實際利用情況對儲能系統與電網并/離網情況進行調整。在實時調度中,基于本地供需設備監(jiān)測情況和雙儲能荷電狀態(tài)持續(xù)可用性,以電網峰谷電價為依據,建立了雙電池儲能實時調度模型,以實現源/網/荷/儲能量的綜合管理。最后,利用Matlab搭建了仿真模型,驗證了所提出的多時間尺度雙儲能風光發(fā)電功率調度方法的經濟性和實用性。
關鍵詞: 多時間尺度; 能量管理; 雙儲能; 荷電狀態(tài); 功率分配; 風光儲聯合就近供電模式
中圖分類號: TN911.1?34" " " " " " " " " " " " " "文獻標識碼: A" " " " " " " " " " " 文章編號: 1004?373X(2024)19?0109?06
Wind?solar?storage joint nearby power supply multi?timescale optimization scheduling
TAN Likun, ZHU Jianhong, DENG Junyi
(College of Electrical and Automation, Nantong University, Nantong 226019, China)
Abstract: A wind?solar?storage joint nearby power supply mode is proposed and a multi?timescale multi?objective optimization scheduling model is established to cope with the difficulties in the new energy consumption. This paper focuses on scheduling issues at different time scales, including day?ahead scheduling, ultra?short?term scheduling and real?time scheduling. In the day?ahead scheduling plan, a dual?objective optimization model is established based on the day?ahead forecast data of wind?solar power generation and local load demand, considering the operation cost of wind?solar?storage power generation system and the reliability of load power supply. The model is solved by the PSO?based improved golden search optimization (GSO) algorithm. In the intra?day ultra?short?term plan, the energy storage system and the grid connection/disconnection status are adjusted based on the updated intra?day power forecast data and the actual utilization of dual energy storage. In the real?time scheduling, on the basis of the local supply and demand equipment monitoring and the continuous availability of dual energy storage SOC (state of charge), a real?time scheduling model of dual?battery energy storage is established according to the grid peak?valley price, so as to achieve comprehensive management of source, grid, load and storage energy. A simulation model is built with Matlab to verify the economy and practicality of the proposed multi?timescale dual energy storage wind?solar power generation scheduling method.
Keywords: multi?timescale; energy management; dual energy storage; SOC; power distribution; wind?solar?storage joint nearby power supply mode
0" 引" 言
隨著可再生能源的商業(yè)價值不斷開發(fā)與國內新能源發(fā)電技術的不斷進步,風力發(fā)電與光伏發(fā)電因為發(fā)展較早且技術較為成熟逐漸成為未來一段時間新能源發(fā)電應用的重要方向[1?2]??紤]到風能、光能資源的分布特性,采用新能源就近供電的方法即分布式發(fā)電系統結合本地負荷組成的發(fā)電系統成為未來的一個重要發(fā)展趨勢[3]。
風、光等可再生能源因其固有的波動性與隨機性等特征導致風電、光伏不像傳統的火電穩(wěn)定可控,需要額外添加其他設備以維持其發(fā)電的穩(wěn)定性。文獻[4]就提出一種聯合電化學儲能的風電儲能聯合經濟調度控制策略,利用儲能系統追蹤風電功率預測曲線以確定功率計劃上報的準確性,提升風能的利用率與供電的穩(wěn)定性;文獻[5]則提出了一種分布式儲能與光伏發(fā)電系統聯合調度控制策略,利用電池儲能解決光伏發(fā)電并入電網后發(fā)電網絡有源損耗成本與電壓偏差成本過大等問題??梢园l(fā)現在可再生能源發(fā)電系統中加入一個穩(wěn)定可控的發(fā)電源可以有效地穩(wěn)定風、光等可再生能源發(fā)電功率的波動范圍,增強了新能源發(fā)電的實用性與經濟性。文獻[6?7]則在分析與總結風、光兩種不同的可再生發(fā)電資源的分布特點后,發(fā)現了風電與光電之間的發(fā)電功率可以實現互補,進一步提升了新能源的利用率。
優(yōu)化調度從時間上主要分為單時間尺度與多時間尺度[8]。由于可再生能源發(fā)電的預測特性,隨著預測時間的接近,其預測精度也隨之上升,如日前24 h尺度的可再生能源發(fā)電的預測誤差在25%~40%之間,而超短期4 h預測誤差則會降低到10%~25%之間,如果進一步精進預測時間其誤差值還可以進一步減小[9?11]。對此,文獻[11]基于多時間尺度的優(yōu)化調度控制策略,將日前優(yōu)化調度分為了24個時間段進行。通過更合理的規(guī)劃儲能的充放電功率以達到減小發(fā)電系統運行成本的目的。文獻[12]則考慮市場電價波動以及風光發(fā)電的不確定性,建立風光儲日前、日內多時間尺度經濟收益模型,使風光儲電站最大化收益的同時風險最小。文獻[13]針對多儲能系統提出了一種多儲能協同控制算法,動態(tài)地調節(jié)了各儲能的充放電功率,保障了發(fā)電在正常運行中儲能荷電狀態(tài)維持在合理的范圍內,儲能處于可充可放狀態(tài),提高了發(fā)電并網運行的靈活性和孤島運行的穩(wěn)定性。
由此,本文在考慮風光互補發(fā)電方式與雙儲能功率分配的基礎上,建立“日前?超短期?實時”多時間尺度功率調度策略,最終實現源/荷/儲三端之間的動態(tài)平衡。分析比較了最終的優(yōu)化結果,驗證了多時間尺度的功率調度策略的有效性。
1" 風光儲發(fā)電系統
1.1" 雙儲能風光儲發(fā)電系統結構
風光儲發(fā)電系統結構如圖1所示。其中包括:風力發(fā)電機(Wind Turbine, WT)、光伏發(fā)電陣列(Photovoltaic Generator, PG)、雙儲能系統(Dual Energy Storage System, DESS)、本地負荷以及一系列驅動電路和控制器。電網通過公共節(jié)點(Point of Common Coupling, PCC)與系統相連。
1.2" 雙儲能聯合調度策略
系統設置雙儲能的首要目標是實現新能源發(fā)電就近供電的可靠性,減少并網供電的頻次;其次是并網發(fā)電經濟套利,為了提高儲能容量的利用率,在儲能容量存在盈余時,電網負荷高峰盡量提高并網發(fā)電計劃。因此,多時間尺度的風光發(fā)電計劃及在線儲能調度方法如圖2所示。其中,日前計劃中,考慮儲能工作可靠性很大程度取決于初始荷電狀態(tài),由于補償供需偏差過程的極性與幅值隨機波動,所以在日前,在確保過充過放約束范圍內,基于發(fā)電計劃與負荷預測對儲能日前功率計劃進行初步設計,以給后面在線調度的儲能能量管理提供參考數據。
在4 h超短期計劃中,考慮儲能容量利用的經濟套利,基于儲能實際運行情況,設計了儲能調度策略,參考前時段容量變化趨勢,以及后時段儲能荷電狀態(tài)預測數據,對于風光儲盈余量較大且電網用電負荷上升情況,調整風光發(fā)電計劃,觸發(fā)并網發(fā)電。在實時調度中,設計5 min功率計劃,考慮實時供電可靠性,提高區(qū)域新能源消納水平,結合并網點電流與儲能荷電狀態(tài)監(jiān)測情況,給出雙儲能切換的條件,優(yōu)化雙儲能調度能力。
2" 多時間尺度功率調度模型構建
2.1" 日前計劃優(yōu)化模型
日前調度計劃以1 h為時間間隔,綜合考慮各分布式發(fā)電資源與負荷消耗情況,以24 h為規(guī)劃周期,以風光儲發(fā)電系統供需平衡成本最低、風光儲負荷缺電率最低為目標進行優(yōu)化調度。
2.1.1" 日前計劃目標函數
目標函數1:風光儲發(fā)電系統供需平衡成本。
[F1=minn=1NFbess+Fgrid] (1)
具體公式如下。
1) 儲能系統供需平衡成本[Fbess]
[Fbess=Kbuildn-1nUnchPch,n+UndhPdh,ndnEBAEb+KbUnchPch,n+UndhPdh,n] (2)
式中:[Kb]、[Kbuild]分別為儲能單位功率運行成本與單位儲能容量建設成本;[Pch,n]、[Pdh,n]為儲能計劃充電功率與儲能計劃放電功率;[EBA]為儲能系統使用周期內能量的總吞吐量;[Eb]為儲能系統容量;[Unch]、[Undh]分別為儲能系統充電、放電狀態(tài)。
2) 電網購售電成本[Fgrid]
[Fgrid=UnbuyCg_buynPbuy,n-UnsellCg_sellnPsell,n] (3)
式中:[Cg_selln]與[Cg_buyn]分別為電網售電、購電價格;[Pbuy,n]與[Psell,n]為并網計劃購電功率、計劃售電功率;[Unbuy]、[Unsell]分別為電網購電、售電狀態(tài)。
目標函數2:風光儲負荷缺電率最低。
[F2=minn=1NPload,n-Pg,nPload,n] (4)
[Pg,n=Pw,n+Ppv,n+Pdh,n-Pch,n] (5)
式中:[Pw,n]、[Ppv,n]、[Pload,n]分別為風力發(fā)電功率、光伏發(fā)電功率與本地負荷需求功率;[Pg,n]為發(fā)電系統發(fā)電功率。
2.1.2" 日前計劃約束條件
1) 功率平衡約束
[Pload,n=Pg,n+Pbuy,n-Psell,n] (6)
2) 儲能充放電功率約束
[0≤Pch,n≤Pch_max0≤Pdh,n≤Pdh_max] (7)
[0≤Unch≤10≤Undh≤1Unch+Undh=1] (8)
式中:[Pch_max]、[Pdh_max]為儲能系統單位時間充/放電功率最大值。
3) 儲能荷電狀態(tài)約束
[SOCn=SOCn-1+n-1nPch,nηch-Pdh,nηdhdnEb] (9)
[SOCmin≤SOCn≤SOCmax] (10)
[SOCmin≤SOC0≤SOCmax] (11)
式中:[SOCn]、[SOCn-1]分別為儲能荷電狀態(tài)與上一階段荷電狀態(tài);[ηch]、[ηdh]分別為儲能電池的充電效率、放電效率;[SOCmin]、[SOCmax]分別為儲能系統荷電狀態(tài)最小值、最大值,本文取值為0.1與0.9;[SOC0]為儲能荷電狀態(tài)的初始值。
4) 電網購售電時間段約束
[Unbuy=0," " " n∈電價峰值時段0,1," " " other] (12)
[0≤Unsell≤1] (13)
[Unbuy+Unsell=1] (14)
在本文中設定的電網購電峰值時段為10:00—15:00與18:00—21:00。
2.2" 日內超短期計劃優(yōu)化模型
日內超短期計劃是日前計劃的延續(xù),在最大化風光儲供電率的基礎上降低系統供需平衡成本,其目標函數為:
[" " " " " " " " "Fr1=minn=ii+3m=1M(Fbess_r+ΔFbess_r+Fgrid_r)," " " " " " " " " " " " " " "i=1,5,9,13,17,21] (15)
[Fr2=minn=ii+3m=1MPnload,m-Png,mPnload,m," i=1,5,9,13,17,21] (16)
[Fbess_r=KbuildUnchr,mPnchr,m+Undhr,mPndhr,mΔmEBAEb+KbUnchr,mPnchr,m+Undhr,mPndhr,m] (17)
[ΔFbess_r=0," " "Unch,mUnchr,m=1 or Undh,mUndhr,m=1λPnb,m-Pnbr,m," " "other] (18)
[Fgrid_r=Cg_buynmUnbuyr,mPnbuyr,m-Cg_sellnmUnsellr,mPnsellr,m] (19)
式中:[Fbess_r]、[ΔFbess_r]、[Fgrid_r]分別為儲能系統日內運行成本、儲能系統充放電懲罰、配電網日內功率交換成本;[Δm]為超短期計劃時間間隔;[λ]充放電懲罰系數[14],本文取值為0.75。約束條件與日前計劃一致。
2.3" 實時功率調度模型
為實現對負荷電力需求與風光儲發(fā)電系統供應的檢測與調整,根據式(20)得到儲能日內計劃功率[ΔPn1,t]與負荷需求功率[ΔPn2,t]。
[ΔPn1,t=Pndh,t-Pnch,tΔPn2,t=Pnload,t-Pnw,t-Pnpv,t-ΔPnbuy,t+Pnsell,t] (20)
式中:[Pnw,t]、[Pnpv,t]、[Pnload,t]為日內第[n]小時內[t]時刻的風力發(fā)電實際功率、光伏發(fā)電實際功率與負荷需求實際功率??紤]系統供需關系與功率極性,在實時調度中以儲能放電為正、充電為負。
公式(21)綜合[ΔPn1,t]與[ΔPn2,t]計算出了實時儲能調度偏差功率[Δerrornt]。
[Δerrornt=ΔPn2,t-ΔPn1,t] (21)
當[ΔPn1,t]、[ΔPn2,t]、[Δerrornt]正負一致時,此時日前計劃制定功率不足,儲能系統B將作為儲能系統A工作的補充,此時儲能系統A追蹤日前功率計劃[ΔPn1,m],儲能系統B消納功率偏差[Δerrornt];當[ΔPn1,t]與[ΔPn2,t]正負一致且與[Δerrornt]正負相反時,此時日前計劃制定功率盈余,為減少儲能功率多余損耗,此時儲能系統A消納日內供需偏差[ΔPn2,m],儲能系統B備用;當[ΔPn1,m]與[ΔPn2,m]正負不一致且與[Δerrornt]正負相反時,此時日前計劃已經不再適用,儲能系統B消納日內供需偏差[ΔPn2,m],儲能系統A備用。理想情況下雙儲能工作狀態(tài)如表1所示。
根據每5 min更新的功率預測數據,對雙儲能功率與電網功率進行微調,使得雙儲能系統整體運行成本最低,其目標函數為:
[Fs=minn=1Nt=1T(Fnba_t+Fnbb_t+Fng_t)] (22)
[Fba_t=KbuildPnA,t+ΔPnAr,tΔtEBAEb+KbPnA,t+ΔPnAr,t] (23)
[Fbb_t=KbuildPnB,t+ΔPnBr,tΔtEBAEb+KbPnB,t+ΔPnBr,t] (24)
[Fg_t=(Cg_buynt+Knt)Pnbuy,t-Cg_sellntPnsell,t] (25)
式中:[Fnba_t]、[Fnbb_t]、[Fng_t]分別為第[n]個小時內第[t]個5 min的儲能系統A運行成本、儲能系統B運行成本、電網購售電成本;[ΔPnAr,t]、[ΔPnBr,t]為儲能系統A實時調整功率、儲能系統B實時調整功率;[Δt]為實時調度時間間隔;[Knt]為高峰購電懲罰系數。
實時功率[Png_t]與電網功率應該等于負荷需求功率[Pload,t]。
[Pnw,t+Pnpv,t+PnA,t+ΔPnAr,t+PnB,t+ΔPnBr,t=Png_t] (26)
[Png,t+Pnbuy,m-Pnsell,m=Pnload,t] (27)
[Knt]為電網高峰購電懲罰系數,滿足公式(28):
[Knt=2×Cg_buynt," " " t∈購電電價高峰時段0," " "other] (28)
其余約束條件與日內計劃一致。
3" 案例分析
3.1" 黃金搜索多目標優(yōu)化算法
為提高多目標粒子群優(yōu)化(Multiple Objective Particle Swarm Optimization, MOPSO)算法在全局最優(yōu)解附近的優(yōu)化精度并加快優(yōu)化過程,基于傳統的多目標粒子群優(yōu)化算法權重系數改進后提出了黃金搜索多目標優(yōu)化算法[15]。
1) 用指數運算指標[Titer]代替固定權重系數,使得在迭代后期尋優(yōu)粒子迅速收斂,提升優(yōu)化算法運行速度。[Titer]如公式(29)所示:
[Titer=100?exp-20?itermaxiter," " " " " " "iter=1,2,…,maxiter] (29)
式中:[iter]、[maxiter]分別為尋優(yōu)粒子當前迭代次數與最大迭代次數。
2) 為降低MOPSO陷入局部最優(yōu)解的可能性,加入式(30)所示的隨機變異環(huán)節(jié)。
[Xit+1=Xit+1," " rand≤μr3Xmax-Xmin+Xmin," " randgt;μ] (30)
式中:[Xmin]、[Xmax]分別為粒子位置下限、上限值;[r3]為區(qū)間(0,1)的隨機數;[μ]為變異置信度,本文取值為0.5。
3) 考慮到求解目標并不單一,需要根據計算得到的不同目標函數值,找出全局非支配個體并確定每一個解向量間的支配關系,選擇不受其他個體支配的個體將其歸納至檔案庫中,并根據不同解之間的擁擠距離CD精簡篩選檔案庫中的解。擁擠距離越大說明周圍解的分布越廣闊,保證了種群中有一定數量的解,有利于維持種群的多樣性。
[CDij=fjXi+1-fjXi-1fjXmax-fjXmin," i=2,3,…,maxiter-1] (31)
式中:[CDij]為第[j]個目標函數第[i]個個體的擁擠度;[fj]為第[j]個目標函數。
4) 通過輪盤賭策略篩選出最終的全局最優(yōu)粒子,在得到個體最優(yōu)粒子與群體最優(yōu)粒子之后,進入下一個循環(huán)迭代,直到達到最大迭代次數為止。
3.2" 調度結果
為驗證所提出的多時間尺度調度能保證系統在穩(wěn)定運行的同時提高系統的經濟效益并減少發(fā)電與電網之間的功率交換。在Matlab仿真平臺中搭建了仿真模型。其中風光儲發(fā)電系統運行參數、電網分時段購/售電價格如表2、表3所示[16]。
根據本文所提出的優(yōu)化調度策略,基于某風電場、光伏電站歷史發(fā)電數據對日前24 h風力發(fā)電、光伏發(fā)電進行預測,以黃金搜索多目標優(yōu)化算法對日前計劃目標函數進行求解,得到的風光儲發(fā)電系統日前計劃曲線如圖3所示。
由圖3可以看出,風力發(fā)電在全天的分布更加平均,而光伏發(fā)電主要集中于10:00—15:00,風光的聯合使用可以有效實現雙方發(fā)電量的互補。同時本地負荷的高峰主要集中在每天的中午與下午,此時也是電網電價的高峰時段,需要儲能的補充以保障系統的供需平衡減小電網的調度壓力。最后可以看出在電網電價低谷時段與負荷低谷時段,此時儲能系統可以更多地進行充電補充高峰時的發(fā)電消耗以保障儲能系統的長時間運行。這表明了引入儲能系統的日前計劃可以有效地應對電網電價與本地負荷的峰谷差,緩解了電網的調峰壓力。
為驗證所提出的基于雙儲能系統的多時間尺度調度方法的有效性,設計了兩種不同的調度案例進行對此與分析,具體如下。
案例1:發(fā)電系統按照日前功率計劃運行,針對日前日內功率預測的偏差,雙儲能采用預測偏差分配策略,并施加儲能過充過放保護,其結果如圖4所示。
案例2:發(fā)電系統采用日前?日內?實時多級調度方法,根據更新后的風電、光伏發(fā)電功率與負荷需求功率及雙儲能荷電狀態(tài)進行日內工況劃分并修正雙儲能日內功率吞吐量,其結果如圖5所示。
針對不同能量管理方案的仿真結果如表4所示。
圖4是基于日前日內功率偏差分配的雙儲能能量調度,由于雙儲能系統的存在使得風光儲發(fā)電系統功率消納能力得到顯著提升。從仿真結果可以看出雙儲能功率分配控制策略保障。最終仿真結果表現出相較于日前計劃提升了新能源的利用率,減少了發(fā)電整體運行成本等優(yōu)勢。但也表現出儲能系統A無法釋放功率,儲能系統B功率波動較大且缺乏補充等問題,對發(fā)電系統的長時間運行有一定的影響。
圖5是基于日前日內功率偏差建立的風光儲發(fā)電日內計劃目標函數優(yōu)化后并通過實時調度方法進行進一步優(yōu)化的結果。由于調度時間精度從1 h細分到了15 min,再從15 min提升到5 min,最終結果可以看出在降低風光儲發(fā)電系統總運行成本的同時提升了新能源利用率,并降低了雙儲能吞吐功率上限,減小了雙儲能的容量需求,降低了雙儲能的整體調用成本。使得雙儲能功率吞吐更加均衡,有利于發(fā)電系統的長期穩(wěn)定運行。
4" 結" 語
通過在風光儲發(fā)電系統中添加另一套相同的儲能系統,建立了一種雙儲能風光儲日前?日內?實時多級功率調度方法對儲能的充放電行為與并網開關的閉合時段進行控制。仿真算例表明在日前階段,提出的黃金搜索多目標優(yōu)化的日前調度方法能有效降低系統運行成本,提升負荷供電情況。在日內計劃階段針對分布式發(fā)電系統中不可預見因素的影響,提出了一種滾動更新的日內計劃方法與雙重儲能功率規(guī)劃方法,能夠實現對雙儲能功率進行修正并對風光儲發(fā)電系統日前計劃進行完善。在實時調度階段,考慮雙儲能之間的功率調度,利用雙儲能之間與雙儲能與電網對各自的充放電功率進行修正,最終保障雙儲能系統的穩(wěn)定運行。針對算例在Matlab中搭建了仿真模型,驗證了調度策略的可行性。
注:本文通訊作者為朱建紅。
參考文獻
[1] 何永秀,呂媛,車怡然.基于地區(qū)用戶成本的分布式風力發(fā)電長期規(guī)模預測[J].山東電力技術,2021,48(12):21?28.
[2] 劉琳,馬超,黃書馨,等.分布式光伏發(fā)電發(fā)展政策法律保障研究[J].中阿科技論壇(中英文),2023(9):153?157.
[3] SAEED M H, WANG F Z, KALWAR B A, et al. A review on microgrids′ challenges amp; perspectives [J]. IEEE access, 2021, 9: 166502?166517.
[4] 徐偉航,楊茂,孫莉.利用電化學儲能追蹤風電預測曲線的風儲聯合調度經濟性分析[J].南方電網技術,2023,17(11):87?96.
[5] LI X J, WANG L J, YAN N, et al. Cooperative dispatch of distributed energy storage in distribution network with PV generation systems [J]. IEEE transactions on applied superconductivity, 2021, 31(8): 1?4.
[6] 徐陽旭,彭學林,張夢.考慮柔性負荷的風光儲微電網多時間尺度優(yōu)化調度[J].電工材料,2023(4):67?70.
[7] KUMAR P S, CHANDRASENA R P S, RAMU V, et al. Energy management system for small scale hybrid wind solar battery based microgrid [J]. IEEE access, 2020, 8: 8336?8345.
[8] 祝榮,陳俊清,宋偉,等.風光儲一體化綜合能源系統柔性調度策略[J].太陽能,2022(5):67?76.
[9] 楊曉萍,劉浩杰,黃強.考慮分時電價的風光儲聯合“削峰”優(yōu)化調度模型[J].太陽能學報,2018,39(6):1752?1760.
[10] 劉曉艷.風光儲微網系統多時間尺度模型預測調度策略[J].電子器件,2020,43(6):1294?1298.
[11] 趙詣,方陳,馮冬涵,等.考慮電池儲能壽命損耗的風光儲微網隨機日前調度策略[J].電氣工程學報,2022,17(3):210?218.
[12] 王凱,延肖何,劉念.基于投資組合理論的風光儲場站參與多時間尺度電力現貨市場的出力分配優(yōu)化方法[J].工程科學與技術,2023,55(1):101?109.
[13] 郭佩乾,郝峰杰,袁志昌,等.混合多類型儲能的分布式能源系統運行優(yōu)化方法[J/OL].南方電網技術:1?11[2023?09?14].[http://kns.cnki.net/kcms/detail/44.1643.TK.20230913.2328.008.]html.
[14] PALIWAL N K. A day?ahead optimal scheduling operation of battery energy storage with constraints in hybrid power system [J]. Procedia computer science, 2020, 167(3): 2140?2152.
[15] NOROOZI M, MOHAMMADI H, EFATINASAB E, et al. Golden search optimization algorithm [J]. IEEE access, 2022, 10: 37515?37532.
[16] 謬妙,李勇,曹一家,等.考慮環(huán)境因素的多能源系統交直流混合供能優(yōu)化策略[J].電力系統自動化,2018,42(4):128?134.
作者簡介:檀立昆(1998—),男,安徽宣城人,碩士研究生,主要研究方向為新能源發(fā)電與調度。
朱建紅(1971—),女,江蘇南通人,博士研究生,副教授,主要研究方向為新能源發(fā)電。
鄧俊逸(2004—),男,湖南邵陽人,主要研究方向為電氣工程及其自動化。
收稿日期:2024?04?03" " " " " "修回日期:2024?04?22