本文提出了一种考虑电力系统经济调度的可用输电能力(Available Transfer Capability,ATC)计算方法。该方法通过增加发电区域总发电量,达到极大化发电区域总发电量的目标,在系统每一运行点对送电区域发电机出力进行经济调度,从而使系统...本文提出了一种考虑电力系统经济调度的可用输电能力(Available Transfer Capability,ATC)计算方法。该方法通过增加发电区域总发电量,达到极大化发电区域总发电量的目标,在系统每一运行点对送电区域发电机出力进行经济调度,从而使系统运行于经济最优状态,并引入简化的电压稳定局部指标L,从静态电压稳定角度确定系统的临界状态,从而有效评估了系统的可用输电能力。运用综合粒子群算法思想的改进细菌觅食算法对IEEE30节点系统进行了仿真,在保证收敛精度的前提下,提高了搜索速度,仿真结果验证了该方法的可行性与合理性,有效解决了考虑经济调度的系统可用输电能力的计算问题。展开更多
荷电状态(State of Charge,SOC)是评价电池性能的重要指标。准确估计SOC,对于最大化电池容量和性能至关重要。目前,测量SOC的方法较多,同时也较为成熟,但是寻求更为有效与准确的估测方法还存在研究探索空间。提出了一种SOC估计方法,将...荷电状态(State of Charge,SOC)是评价电池性能的重要指标。准确估计SOC,对于最大化电池容量和性能至关重要。目前,测量SOC的方法较多,同时也较为成熟,但是寻求更为有效与准确的估测方法还存在研究探索空间。提出了一种SOC估计方法,将带有遗忘因子的递归最小二乘(FFRLS)参数识别算法与基于自适应扩展卡尔曼滤波器(AEKF)的在线SOC估计方法相结合。基于二阶RC等效电路模型,采用FFRLS算法实时识别电池参数。利用识别出的参数,AEKF算法动态调整系统噪声参数,以获得更精确的SOC估计结果。所提出的SOC估计方法通过HPPC和UDDS工况验证,得出算法误差约为2%,证明了所提出方法的准确性和鲁棒性。展开更多
准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采...准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采用皮尔逊相关性分析来量化它们与电池SOH的相关性。然后,建立ELM模型来映射健康特征与电池SOH之间的关系。针对ELM模型中超参数寻优问题,采用POA算法进行解决。最后在NASA电池数据集上进行试验分析,并与其他经典超参数寻优算法进行了比较。实验结果表明该方法能够实现SOH的准确估计,具有较高的估计准确度,估计误差稳定在2%以内。展开更多
文摘本文提出了一种考虑电力系统经济调度的可用输电能力(Available Transfer Capability,ATC)计算方法。该方法通过增加发电区域总发电量,达到极大化发电区域总发电量的目标,在系统每一运行点对送电区域发电机出力进行经济调度,从而使系统运行于经济最优状态,并引入简化的电压稳定局部指标L,从静态电压稳定角度确定系统的临界状态,从而有效评估了系统的可用输电能力。运用综合粒子群算法思想的改进细菌觅食算法对IEEE30节点系统进行了仿真,在保证收敛精度的前提下,提高了搜索速度,仿真结果验证了该方法的可行性与合理性,有效解决了考虑经济调度的系统可用输电能力的计算问题。
文摘荷电状态(State of Charge,SOC)是评价电池性能的重要指标。准确估计SOC,对于最大化电池容量和性能至关重要。目前,测量SOC的方法较多,同时也较为成熟,但是寻求更为有效与准确的估测方法还存在研究探索空间。提出了一种SOC估计方法,将带有遗忘因子的递归最小二乘(FFRLS)参数识别算法与基于自适应扩展卡尔曼滤波器(AEKF)的在线SOC估计方法相结合。基于二阶RC等效电路模型,采用FFRLS算法实时识别电池参数。利用识别出的参数,AEKF算法动态调整系统噪声参数,以获得更精确的SOC估计结果。所提出的SOC估计方法通过HPPC和UDDS工况验证,得出算法误差约为2%,证明了所提出方法的准确性和鲁棒性。
文摘准确估计锂离子电池的健康状态(State of Health,SOH)对储能系统的安全稳定运行至关重要。针对传统估计方法准确度较低的问题,提出一种基于鹈鹕优化算法和极限学习机(POA-ELM)的SOH估计方法。首先,选取充放电过程中的四个健康特征,并采用皮尔逊相关性分析来量化它们与电池SOH的相关性。然后,建立ELM模型来映射健康特征与电池SOH之间的关系。针对ELM模型中超参数寻优问题,采用POA算法进行解决。最后在NASA电池数据集上进行试验分析,并与其他经典超参数寻优算法进行了比较。实验结果表明该方法能够实现SOH的准确估计,具有较高的估计准确度,估计误差稳定在2%以内。