考慮風電場可調度性的儲能容量配置方法

施 琳 羅 毅 涂光瑜 施 念

（華中科技大學電氣與電子工程學院 武漢 430074）

1 引言

近年來世界范圍內風力發(fā)電發(fā)展迅猛，裝機容量迅速增加，在2001～2011年期間全球風電裝機總量年均增長率約28%，截至2011年底全球風電裝機總量達到238GW[1]。但在風力發(fā)電接入電網(wǎng)提供天然清潔能源的同時，其隨機性和間歇性會對電能質量和系統(tǒng)的穩(wěn)定性帶來不利影響，同時為保障系統(tǒng)安全運行在風電接入后需要配置更多的調頻、調峰電源和備用容量[2-5]。尤其隨著電網(wǎng)中風電滲透率不斷提高，如何安全可靠經(jīng)濟實現(xiàn)風電場接入已是迫在眉睫需要解決的問題。

依靠風力機自身的槳距角調節(jié)雖然能夠通過平抑或者限制風電場出力，減輕對電能質量的不利影響[6,7]，但也意味著降低風力機運行效率而且更加頻繁的槳距角調節(jié)會增加風力機機械磨損，而且目前已安裝的大多風力機都不具備該功能。風電場整體出力平滑效應雖然能夠減輕出力波動，但受限于風速的變化風電場仍然被視為不可調度發(fā)電單元。如果風電場具有類似于傳統(tǒng)發(fā)電單元可調度性或者近似可調度性將能給調度部門制定發(fā)電計劃帶來極大的方便，不僅有助于提高系統(tǒng)電能質量和穩(wěn)定性，還降低了風電接入后配套電源的運行成本。因而，實現(xiàn)風電場可調度性或者近似可調度性成為解決大量風電場接入的關鍵問題。

儲能系統(tǒng)憑借電力電子裝置的快速調節(jié)能力，成為解決風電接入問題的一種有效途徑而備受重視。目前儲能系統(tǒng)與風力發(fā)電相結合的應用，包括改善風電接入后電能質量[8]、提升風力機故障穿越能力[9]、平滑風電出力波動[10-12]、配合風電出力進行削峰填谷[13,14]。但是，儲能設備造價昂貴，在滿足系統(tǒng)運行需求的同時，合理規(guī)劃儲能設備容量對應用儲能設備經(jīng)濟有效配合風電接入至關重要。已有儲能容量規(guī)劃研究分別從不同角度進行展開，文獻[15]以平抑風電場出力為目標，根據(jù)平抑后出力和儲能投資總體投資最大化規(guī)劃儲能設備容量，并且考慮了儲能設備直流側電壓約束需求，但是恒功率控制導致儲能容量值偏大且選取特定一天作為樣本不能代表全年風電出力變化狀態(tài)。文獻[16]基于風電場出力可調度性設計了一套雙儲能單元系統(tǒng)，利用風電出力交替對其進行充電，實現(xiàn)儲能滿足一定置信度水平進行恒功率放電，并基于風電出力統(tǒng)計學特性對儲能容量進行規(guī)劃，但是雙儲能系統(tǒng)控制復雜且儲能容量大。文獻[17]針對一個由風電和柴油發(fā)電機供電的孤立電網(wǎng)，以供電費用最小化為目標，考慮風電滲透率、儲能效率和柴油發(fā)電機運行策略影響，利用隨機優(yōu)化求解儲能容量最優(yōu)規(guī)劃值，但孤立電網(wǎng)儲能用于配合風電-柴油發(fā)電機進行負荷跟蹤，而風電場接入大電網(wǎng)時儲能需要降低風電出力預測誤差和波動性。文獻[18,19]研究出發(fā)點具有相似性，前者是以一定置信度水平減小風電場出力預測誤差為目標規(guī)劃儲能容量，不僅可以增加風電場出力的可預測性，還能夠減少負荷跟蹤和調節(jié)所需備用電源，比較結果說明儲能系統(tǒng)功率控制策略對儲能容量規(guī)劃結果具有顯著影響；后者從降低短期風電出力預測的不確定性出發(fā)，根據(jù)風電出力預測誤差和儲能充放電狀態(tài)的統(tǒng)計特性，在滿足不同預測不確定性需求的條件下采用概率性方法規(guī)劃儲能設備功率和容量；但是仍然不能限制風電出力波動性或者實現(xiàn)風電場出力可調度性。文獻[20]為實現(xiàn)短期風電場出力可調度性，提出風電場-儲能組合系統(tǒng)短期調度策略，并依據(jù)該策略考慮風電出力預測誤差統(tǒng)計特性以滿足調度水平所需置信度水平規(guī)劃儲能容量，但基于不同周期內的風電出力最大和最小值制定調度水平要求較大的儲能容量且調度水平持續(xù)時段會隨儲能充放電時間不斷變化。

2 風電場功率預測方法和調度策略

風電場在參與短期電能市場交易中，由于交易時延的約束，風電場-儲能系統(tǒng)調度出力需要依據(jù)風電場功率預測值進行安排。因此，風電場功率預測精度和調度策略對于儲能容量需求至關重要。

2.1 風電場功率預測

在電力系統(tǒng)中按照不同應用需求需要對風電出力進行不同時間尺度的預測，包括超短期預測、短期預測、中期預測和長期預測。預測時長尺度沒有嚴格的定義，通常短期預測的預測時長在 30min～6h之間，被應用于電力系統(tǒng)經(jīng)濟負荷調度。因此，本文基于風電場可調度性的儲能容量規(guī)劃首先需要獲取風電場短期預測出力數(shù)據(jù)。持續(xù)預測方法作為最簡單的預測方法，在短期和超短期預測中卻比大部分物理和統(tǒng)計預測方法更精確[21]，并且可以作為基準預測方法與其他預測方法儲能規(guī)劃結果進行對照。已有研究中持續(xù)預測方法也已被應用于風電場配套儲能容量規(guī)劃[19,20]。參照文獻[22,23]描述的風電出力持續(xù)預測模型，基于短期電力市場結算時間約束，此處采用小時前持續(xù)預測模型對風電場未來出力進行預測，如圖1所示。

圖1 1.5h前持續(xù)預測模型Fig.1 One and a half hour ahead persistence model

持續(xù)預測方法基于大氣環(huán)境在小時級尺度上可視為“準穩(wěn)態(tài)”的假設，采用歷史實測的風電出力平均值預測延時k個時段后的風電出力，表達式為

進而，持續(xù)預測方法產(chǎn)生的預測誤差是通過風電實測功率平均值和風電平均功率預測值之差表征，下式表征t+kTP時刻風電出力預測誤差：

2.2 風電場-儲能系統(tǒng)調度策略

在文獻[20]中，已經(jīng)指出風電場-儲能聯(lián)合系統(tǒng)調度策略與滿足風電場可調度性儲能系統(tǒng)的容量規(guī)劃直接相關，提出了一種儲能系統(tǒng)全充-全放狀態(tài)交替的調度策略，采用該策略減少了儲能系統(tǒng)的充放電次數(shù)但儲能系統(tǒng)每次循環(huán)過程都要進行深度放電，此外不固定充放電時間與電力系統(tǒng)固定調度周期相悖。本文基于短期電力市場小時前預測模型，選擇調度周期內風電場預測出力平均值作為風電場-儲能聯(lián)合系統(tǒng)調度水平，在預測精度100%情況下，可以使儲能功率和容量最小[24]，限制風電場-儲能聯(lián)合系統(tǒng)爬坡速率，減輕系統(tǒng)調度運行壓力。

具體到本文，選擇調度周期為1h，根據(jù)10min分辨率風電場功率序列，計算每30min風電場功率平均值利用持續(xù)預測模型生成風電場功率預測值，然后利用風電場功率預測值計算風電場-儲能系統(tǒng)調度水平。然而考慮到儲能設備充放電損耗，采用風電場小時平均功率作為調度水平會造成一段時期內充電能量和放電能量之間存在極大不平衡量。因此，本文考慮儲能系統(tǒng)充放電損耗，以維持每個調度周期內儲能系統(tǒng)充放電能量平衡為目標，提出風電場-儲能系統(tǒng)調度策略，表示為

式中，等式左邊表示在調度周期內儲能總充電能量，等式右邊表示同一調度周期內總放電能量；nch是調度周期內充電次數(shù)，ndis是調度周期內放電次數(shù)；ηch、ηdis分別是充電效率和放電效率；P是調度水平和風電場實際功率差額，P＜0表示儲能處于充電狀態(tài)，P＞0表示儲能處于放電狀態(tài)。

100%預測精度下所提調度策略能夠最小化儲能容量，但由于風電場功率波動和預測誤差，所需儲能容量仍然可能很大。如果儲能規(guī)劃要求聯(lián)合系統(tǒng)出力 100%可調度性，儲能額定功率需要不小于風電場出力和調度水平最大功率差值，儲能容量需要完全填補風電場出力和調度水平間的持續(xù)能量缺額，然而大型風電場在出力波動較大情況下要求儲能規(guī)模很大，從經(jīng)濟性上而言并非合理的選擇。可以考慮使用風電場功率限制器[25]削減功率峰值或者棄用風能，安排相對于風電場不可調度情況下少量備用補償功率缺額或者進行切負荷，從而減少風電場可調度性所需儲能規(guī)模，具體運行策略和經(jīng)濟性評估不在本文討論范圍內，此處采用不同置信度水平對風電場可調度性和儲能規(guī)?；蛲顿Y成本進行折中。

3 儲能容量規(guī)劃方法

3.1 目標函數(shù)

通常，儲能系統(tǒng)的規(guī)劃指功率和容量值的確定，以其作為評估儲能規(guī)劃經(jīng)濟性指標的變量[15,19]，實際上隨著系統(tǒng)運行方式的不同、儲能控制策略的不同、儲能容量的不同，儲能設備的運行壽命會受到影響，例如縮短系統(tǒng)調度周期會增加儲能充放電次數(shù)、充放電次數(shù)的增加會縮短儲能系統(tǒng)使用壽命，此外儲能設備放電深度和儲能容量也直接相關，增加儲能容量會減小放電深度，進而延長儲能系統(tǒng)使用壽命，因此，兩者都會間接影響儲能規(guī)劃經(jīng)濟性指標。為更加合理地評估儲能規(guī)劃結果，本文考慮了儲能充放電次數(shù)和充放電深度對儲能壽命的影響，選擇文獻[15]中提出的蓄電池儲能系統(tǒng)分期償還投資成本計算公式作為評估儲能系統(tǒng)經(jīng)濟性指標的目標函數(shù)并且計入儲能充放電次數(shù)和充放電深度因素進行修改如下：

式中，PS為儲能額定功率規(guī)劃值，ES為儲能容量規(guī)劃值，α為儲能裝置分期償還功率投資成本；β為蓄電池儲能裝置分期償還容量投資成本；CE是儲能系統(tǒng)容量投資成本；Tlife是儲能系統(tǒng)使用壽命；Cm是儲能系統(tǒng)維護成本；r是儲能系統(tǒng)功率投資與容量投資費用比。蓄電池儲能是電力系統(tǒng)中使用最廣泛、應用最成熟的儲能技術，因此本文后續(xù)計算以蓄電池儲能系統(tǒng)為例進行說明，蓄電池儲能系統(tǒng)相關費用系數(shù)均可查證[15,26]。影響蓄電池儲能系統(tǒng)使用壽命的主要因素是環(huán)境溫度和放電深度[27,28]，而應用于電力系統(tǒng)的儲能設備可以固定安裝于配備溫控設備的封閉空間中，因此在分析蓄電池壽命時不計及環(huán)境溫度的影響?；谖墨I[28]提出的蓄電池累積損傷模型，該模型認為每次放電過程都會造成蓄電池壽命不可逆轉損耗直至蓄電池壽命終結，據(jù)此可以計算經(jīng)歷N次充放電后蓄電池剩余壽命。

式中，Tres是剩余壽命占整體壽命的百分比；Li是第i次放電過程后蓄電池壽命損耗；Ltot(i) 是對應在第i次放電深度下蓄電池使用壽命。

通常，當蓄電池容量下降到額定容量的80%時就認為其壽命達到極限，并且采用循環(huán)壽命對蓄電池壽命進行表征，即蓄電池達到壽命終結前 100%完全充、放電次數(shù)。此定義是基于周期重復對蓄電池進行標準的充、放電，然而蓄電池在實際使用過程中充放電過程是非規(guī)則性的，用于風電場可調度性的蓄電池使用壽命則依賴于風電場出力和調度水平之間的差值功率波動?；趶S家數(shù)據(jù)和相關蓄電池老化壽命研究成果，文獻[27]分別對放電深度與鉛酸、鋰、鎳氫三種蓄電池相關性模型進行了概述，并且利用數(shù)據(jù)擬合分別得到三種蓄電池放電深度與循環(huán)壽命的相關性函數(shù)關系?；谛铍姵氐难h(huán)壽命與放電深度的函數(shù)關系，不同放電深度下可以計算得到不同循環(huán)壽命，從而可以推算一年中經(jīng)歷N次充放電后蓄電池剩余壽命為

式中，Lcyc_D(i)表示放電深度為D(i) 時蓄電池循環(huán)壽命，累積N次放電過程對蓄電池壽命損耗，則得蓄電池使用壽命為

據(jù)此依據(jù)蓄電池全年充放電狀態(tài)可以推算出其使用壽命，代入目標函數(shù)中計算蓄電池經(jīng)濟性指標。

3.2 可調度性置信度水平

為計算不同儲能規(guī)劃值滿足風電場可調度性的置信度水平，首先對置信度水平的含義和計算方法進行定義。風電場可調度性置信度水平指風電場-儲能聯(lián)合系統(tǒng)出力符合調度水平的概率值。

式中，Si表征第i個時段風電場-儲能聯(lián)合系統(tǒng)出力能否實現(xiàn)調度水平；Pi是第i個時段風電場實際出力與調度水平之間的功率差值；Prate是儲能系統(tǒng)額定功率；Ei是第i個時段風電場實際出力與調度水平間的能量差額；El是儲能系統(tǒng)允許充放電能量下限值；Eh是儲能系統(tǒng)允許充放電能量上限值。基于全年風電場實際出力和調度水平可以計算全年風電場出力可調度概率為

式中，N是全年風電場出力采樣時段；pdis是風電場可調度性置信度水平。

3.3 儲能系統(tǒng)功率和容量規(guī)劃方法

根據(jù) 3.2節(jié)風電場可調度性置信度水平定義，風電場可調度性包含功率可調度性和能量可調度性。因此，功率可調度性置信度水平不能低于風電場可調度性置信度水平。由于每個調度周期內儲能充放電能量受到儲能額定功率約束，從而儲能系統(tǒng)功率需要先于容量確定。功率可調度性指儲能能夠填補風電場實際功率和調度水平之間功率差額的概率。為了避免大量的迭代計算并在功率差額概率密度函數(shù)未知條件下，利用非參數(shù)估計方法擬合功率差額統(tǒng)計數(shù)據(jù)的概率密度函數(shù)。采用非參數(shù)核密度估計方法，即

式中，K(?) 是核函數(shù)，其積分值為 1，通常選用單值函數(shù)、三角函數(shù)、依潘涅契科夫函數(shù)和高斯函數(shù)；h是帶寬，N是風電場功率采樣數(shù)，x是功率差額。累積分布函數(shù)可以通過對概率密度函數(shù)的積分得到。功率可調度性置信度水平則對應為累積概率，與該累積概率對應的功率差額值為滿足該置信度水平的儲能系統(tǒng)最小額定功率值，表示儲能系統(tǒng)額定功率能夠以該概率水平填補風電場實際出力和調度目標功率差額的最小規(guī)劃值。從而，在確定風電場可調度性置信度水平后，儲能系統(tǒng)功率下限值可以通過計算風電場實際功率和調度水平功率差額累積分布函數(shù)在相應置信度概率水平下的功率差額值得到。雖然儲能系統(tǒng)功率取為該下限值時能夠滿足功率可調度性要求，但是該功率下的儲能容量值可能并非為滿足目標函數(shù)的儲能最優(yōu)規(guī)劃結果。

在確定特定可調度性置信度水平pD下儲能功率最小值后，儲能規(guī)劃結果在滿足相應風電場可調度性置信度水平pD要求時額定功率必須大于同等置信度水平下最小額定功率值。而儲能規(guī)劃結果包含額定功率和容量值，在確定最小額定功率約束后，需要確定不同額定功率下滿足置信度水平pD要求的最小儲能容量約束。不同儲能額定功率下的最小儲能容量可以通過迭代方法搜索得到，計算流程如下：

（1）初始化儲能系統(tǒng)額定功率值為PS，容量值ES。

（2）計算風電場功率可調度性置信度水平pdis。

（3）如果pdis＜pD，增加儲能容量ES并返回（2），直至可調度性置信度水平滿足要求，從而找到額定功率PS下的最小儲能容量值。

（4）增加儲能額定功率值PS并返回（1）直至PS大于最大功率差額。

最后，計算得到不同額定功率下的一組儲能容量最小值。以額定功率為橫軸、儲能容量最小值為縱軸，滿足可調度性置信度水平要求的儲能系統(tǒng)規(guī)劃結果必須位于曲線之上。在已知滿足置信度水平要求的儲能系統(tǒng)額定功率和容量約束后，進而利用3.1節(jié)儲能投資成本目標函數(shù)計算儲能最優(yōu)規(guī)劃結果。為了計算儲能最優(yōu)規(guī)劃結果并減少計算量，對儲能系統(tǒng)不同額定功率與相應儲能最小容量值進行曲線擬合得到曲線表達式，并作為非線性約束函數(shù)用于滿足目標函數(shù)的儲能最優(yōu)規(guī)劃結果計算中，最后利用遺傳算法對目標函數(shù)尋優(yōu)得到儲能投資成本最小規(guī)劃結果。儲能容量優(yōu)化計算總體流程圖如圖2所示。

圖2 儲能容量優(yōu)化計算流程圖Fig.2 Flow chart of energy storage size optimization

4 算例

風電場功率數(shù)據(jù)采用3TIER和美國國家可再生能源實驗室提供的美國西部風電場出力模擬數(shù)據(jù)。為獲取模擬風電場功率數(shù)據(jù)，風速模型是基于數(shù)值天氣預報模型模擬的高于地面 100m處風速數(shù)據(jù)并每10min進行采樣得到，并假設模擬點安裝有10臺Vestas V90共30MW風力機并模擬出風電場出力數(shù)據(jù)[29]。本文從中選擇北緯37.83N，西經(jīng)121.64W地理位置為風電場模擬安裝點，如圖3所示，并選取風電場2006年全年功率模擬數(shù)據(jù)用于計算。

圖3 模擬風電場地理位置Fig.3 Hypothetical wind farm site used to study

根據(jù) 2.1節(jié)所述持續(xù)預測方法，生成風電場30min平均功率預測值。進而計算歸一化平均絕對誤差（NMAE）和歸一化方均根誤差（NRMSE）對預測結果進行評估。此處，計算得到 NMAE和NRMSE分別為2.83%和8.71%，認為對于風電功率短期預測可接受并且持續(xù)預測方法下的儲能規(guī)劃結果可以作為基準與其他預測方法下儲能規(guī)劃結果進行比較。根據(jù)2.2節(jié)所述調度策略可以計算風電場-儲能系統(tǒng)小時調度水平，如圖4所示。

圖4 風電場功率預測值和小時調度水平Fig.4 Forecasted wind power and hourly dispatch levels

目前蓄電池儲能是研究最早、技術最成熟并是電力系統(tǒng)中主要應用的儲能設備[26]，在所有蓄電池儲能技術中，鋰電池儲能能量密度高、充電效率接近100%，并在可預見未來成本會大幅下降，最具應用潛力。因此，本文選擇鋰電池作為儲能系統(tǒng)進行規(guī)劃計算。參考文獻[15]和[26]，假設鋰電池充放電效率為95%，從而循環(huán)效率為90.25%，投資成本CE為936美元/(kW·h)，維護費用Cm為29美元/(kW·h)/年。參考文獻[30]選取儲能系統(tǒng)功率投資與容量投資費用比r為1.172，如果鋰電池壽命可知，儲能裝置分期償還功率投資成本α可計算得到。

如文獻[28]所述，鋰電池壽命與放電深度之間的函數(shù)關系可以表示為

基于調度策略獲取小時調度水平值，風電場實際功率與調度水平間功率差額可以依時序計算得到，全年功率差額概率密度分布如圖5所示。

圖5 風電場實際功率和調度水平功率差額概率密度分布Fig.5 Probability density distribution of power difference between actual wind power and hourly dispatch levels

由圖5可見，風電場實際功率和調度水平間功率差額集中于0值附近，向兩側功率差額增大方向概率密度越來越小。為了確定儲能最小額定功率，進而利用非參數(shù)估計方法得到功率差額的累積概率分布函數(shù)。非參數(shù)估計中選用三角函數(shù)作為核函數(shù)，帶寬為0.16，全年風電場功率采樣數(shù)為52 560。將功率差額取絕對值后，功率差額的累積分布函數(shù)估計結果如圖6所示。

圖6 功率差額的累積概率分布非參數(shù)估計Fig.6 Non-parametric estimation of cumulative probability distribution of power difference

由圖6可見，非參數(shù)估計能夠很好估計實際功率差額累積分布，并且功率差額累積概率在 0～5MW 階段迅速上升，而后上升速度逐漸趨緩，在20MW 處功率差額累積概率接近于 1。從而，以風電場可調度性置信度水平為累積概率值，根據(jù)由非參數(shù)估計得到的功率差額的累積分布函數(shù)容易得到不同置信度水平要求下儲能系統(tǒng)填補功率差額的最小額定功率。選取70%、80%和90%三個可調度性置信度水平為例給出儲能最小額定功率值見下表。進而利用 3.3節(jié)中所述迭代方法計算不同置信度水平和儲能額定功率下儲能最小容量。在最小儲能額定功率和最大功率差額范圍內均勻選取若干點并舍棄較小額定功率時，儲能容量太大而不具有可行性的計算結果，利用曲線擬合方法生成儲能功率和最小容量函數(shù)關系式，擬合曲線如圖7所示。

表 儲能系統(tǒng)規(guī)劃結果Tab. Sizing results of energy storage system

由圖7可見，儲能容量值隨著儲能額定功率的增大在大于最小額定功率的初始范圍內迅速下降，而后基本不變。這從圖6所示功率差額累積概念分布可知，儲能額定功率在 0～20MW 范圍內對風電場功率可調度性影響較大，即在滿足一定可調度置信度水平前提下，儲能額定功率的增大可以有效減少儲能容量值，在大于20MW后對儲能容量影響很小。圖7中三種置信度水平下的不同儲能額定功率和最小容量值關系函數(shù)擬合式如下：

圖7 三種置信度水平下儲能功率和最小容量函數(shù)擬合Fig.7 Curve fitting of minimum capacities at three confidence levels

將擬合函數(shù)作為非線性約束函數(shù)，采用全局搜索能力較強的遺傳算法求解滿足 3.1節(jié)所述儲能投資成本目標函數(shù)最小化的最優(yōu)儲能規(guī)劃值，并將最優(yōu)儲能規(guī)劃結果及其投資成本列于下表中。

由表可見，風電場可調度性置信度水平越高所需儲能容量越大，投資成本也隨之增大，即儲能系統(tǒng)需要更大的容量來消納風電場實際出力和調度水平間的能量差額，從而滿足能量可調度性。而比較置信度水平取0.8和0.9時，儲能額定功率在置信度水平取0.9時反而更小，這是因為在大于20MW后儲能額定功率的增大對風電場可調度性影響不大，主要是根據(jù)目標函數(shù)優(yōu)化選擇儲能額定功率和儲能容量組合。

5 結論

本文提出了風電場不同可調度性置信度水平下儲能系統(tǒng)容量配置方法。為了對風電場可調度性和儲能投資成本進行折中，提出了風電場可調度性置信度水平的定義和計算方法。采用持續(xù)預測方法模擬風電場出力預測數(shù)據(jù)，并基于預測數(shù)據(jù)提出考慮儲能充放電損耗風電場-儲能系統(tǒng)調度策略以使儲能容量值最小化?；陲L電場實際功率和調度水平時序功率差額，利用非參數(shù)估計方法擬合功率差額累積分布函數(shù)，采用曲線擬合得到儲能功率額定功率和相應儲能容量最小值之間函數(shù)關系。此外，本文給出了計及儲能系統(tǒng)使用壽命評估的儲能投資成本目標函數(shù)，提出了以擬合函數(shù)為約束條件的遺傳算法求解方法并通過美國西部風電場鋰電池儲能規(guī)劃為示例進行說明，從結果可見，越高的風電場可調度性置信度水平意味著越大的儲能容量和越高的投資費用，但接入系統(tǒng)后整體經(jīng)濟效益有待進一步評估。

[1] Global Wind Energy Council. Global wind report annual market update 2011[R]. Available http:http://www.gwec.net/fileadmin/documents/NewsDocuments/Annual_report_2011_lowres.pdf.

[2] Ming-Shun L, Chung-Liang C, Wei-Jen L, et al.Combining the wind power generation system with energy storage equipment[J]. IEEE Transactions on Industry Applications, 2009, 45(6): 2109-2115.

[3] 孫元章, 吳俊, 李國杰. 風力發(fā)電對電力系統(tǒng)的影響[J]. 電網(wǎng)技術, 2007, 31(20): 55-62.Sun Yuanzhang, Wu Jun, Li Guojie. Influence research of wind power generation on power systems[J]. Power System Technology, 2007, 31(20):55-62.

[4] 李鋒, 陸一川. 大規(guī)模風力發(fā)電對電力系統(tǒng)的影響[J]. 中國電力, 2006, 39(11): 80-84.Li Feng, Lu Yichuan. Influences of large-scale wind energy converters on transmission systems[J].Electric Power, 2006, 39(11): 80-84.

[5] 張麗英, 葉廷路, 辛耀中, 等. 大規(guī)模風電接入電網(wǎng)的相關問題及措施[J]. 中國電機工程學報, 2010,30(25): 1-9.Zhang Liying, Ye Tinglu, Xin Yaozhong, et al.Problems and measures of power grid accommodating large scale wind power[J]. Proceedings of the CSEE,2010, 30(25): 1-9.

[6] T Senjyu, R Sakamoto, N Urasaki, et al. Output power leveling of wind turbine generator for all operating regions by pitch angle control[J]. IEEE Transactions on Energy Conversion, 2006, 21(2): 467-475.

[7] T Kaneko, A Uehara, T Senjyu, et al. An integrated control method for a wind farm to reduce frequency deviations in a small power system[J]. Applied Energy, 2011, 88(4): 1049-1058.

[8] A Arulampalam, M Barnes, N Jenkins, et al. Power quality and stability improvement of a wind farm using STATCOM supported with hybrid battery energy storage[J]. IEE Proceedings of Generation,Transmission and Distribution, 2006, 153(6):701-710.

[9] C Abbey, G Joos. Supercapacitor energy storage for wind energy applications[J]. IEEE Transactions on Industry Applications, 2007, 43(3): 769-776.

[10] 張坤, 毛承雄, 陸繼明, 等. 基于儲能的直驅風力發(fā)電系統(tǒng)的功率控制[J]. 電工技術學報, 2011,26(7): 7-14.Zhang Kun, Mao Chengxiong, Lu Jiming, et al. Power control strategy of directly driven wind turbine with energy storage system[J]. Transactions of China Electrotechnical Society, 2011, 26(7): 7-14.

[11] S M Muyeen, R Takahashi, T Murata, et al.Integration of an energy capacitor system with a variable-speed wind generator[J]. IEEE Transactions on Energy Conversion, 2009, 24(3): 740-749.

[12] L Y Qu, W Qiao. Constant power control of DFIG wind turbines with supercapacitor energy storage[J].IEEE Transactions on Industry Applications, 2011,47(1), 359-367.

[13] B C Ummels, E Pelgrum, W L Kling. Integration of large-scale wind power and use of energy storage in the Netherlands’ electricity supply[J]. IET Renewable Power Generation, 2008, 2(1): 34-46.

[14] S Papaefthimiou, E Karamanou, S Papathanassiou, et al. Operating policies for wind-pumped storage hybrid power stations in island grids[J]. IET Renewable Power Generation, 2009, 3(3): 293-307.

[15] X Y Wang, M Vilathgamuwa, S S Choi.Determination of battery storage capacity in energy buffer for wind farm[J]. IEEE Transactions on Energy Conversion, 2008, 23(3): 868-878.

[16] D L Yao, S S Choi, K J Tseng, et al. A statistical approach to the design of a dispatchable wind powerbattery energy storage system[J]. IEEE Transactions on Energy Conversion, 2009, 24(4): 916-925.

[17] C Abbey, G Joos. A stochastic optimization approach to rating of energy storage systems in wind-diesel isolated grids[J]. IEEE Transactions on Power Systems, 2009, 24(1): 418-426.

[18] T K A Brekken, A Yokochi, A von Jouanne, et al.Optimal energy storage sizing and control for wind power applications[J]. IEEE Transactions on Sustainable Energy, 2011, 2(1): 69-77.

[19] H Bludszuwei, J A Domínguez-Navarro. A probabilistic method for energy storage sizing based on wind power forecast uncertainty[J]. IEEE Transactions on Power Systems, 2011, 26(3):1651-1658.

[20] Q Li, S S Choi, Y Yua, et al. On the determination of battery energy storage capacity and short-term power dispatch of a wind farm[J]. IEEE Transactions on Sustainable Energy, 2011, 2(2): 148-158.

[21] S S Soman, H Zareipour, O Malik, et al. A review of wind power and wind speed forecasting methods with different time horizons[C]. Proceedings of North American Power Symposium (NAPS), 2010.

[22] H Bludszuweit, J A Dominguez-Navarro, A Llombart.Statistical analysis of wind power forecast error[J].IEEE Transactions on Power Systems, 2008, 23(3):983-991.

[23] S Tewari, C J Geyer, N Mohan. A statistical model for wind power forecast error and its application to the estimation of penalties in liberalized markets[J]. IEEE Transactions on Power Systems, 2009, 26(4):2031-2039.

[24] S Teleke, M E Baran, S Bhattacharya, et al. Optimal control of battery energy storage for wind farm dispatching[J]. IEEE Transactions on Energy Conversion, 2010, 25(3): 787-794.

[25] J R Kristoffersen. The Horns Rev wind farm and the operational experience with the wind farm main controller[C]. Proceedings of Offshore Wind,Copenhagen, Denmark, 2005.

[26] K C Divya, J?stergaard. Battery energy storage technology for power systems An overview[J].Electric Power System Research, 2009, 79(4): 511-520.

[27] C K Zhou, K J Qian, M allan, et al. Modeling of the cost of EV battery wear due to V2G application in power systems[J]. IEEE Transactions on Energy Conversion, 2011, 26(4): 1041-1050.

[28] L Serrao, Z Chehab, Y Guezennec, et al. An aging model of Ni-MH batteries for hybrid electric vehicles[C]. Proceedings of IEEE Conference on Vehicle Power and Propulsion, 2005.

[29] C W Potter, D Lew, J McCaa, et al. Creating the dataset for the western wind and solar integration study (U. S. A. )[C]. Proceedings of 7th International Workshop Large Scale Integration of Wind Power and on Transmission Networks for Offshore Wind Farms,2008. [OL]. Available: http://www.nrel.gov/wind/systemsintegration/pdfs/2008/lew_creating_dataset_w wsis.pdf.

[30] Australian Greenhouse Office. Advanced electricity storage technologies program[R]. Prepared by the Wyld Group Pty Ltd for the Australian Greenhouse Office, Canberra, A. C. T., Australia, 2005.