陈阳(1996), 男, 硕士, 研究方向为新能源发电技术(E-mail:
谢丽蓉(1969), 女, 硕士, 教授, 博士生导师, 研究方向为控制系统优化、新能源发电技术
马兰(1995), 女, 博士在读, 研究方向为风光新能源发电优化
为满足新能源发电并网要求、保证电力系统稳定运行,针对间歇性新能源发电的不确定性及波动性给电网设备稳定运行带来的安全问题,文中提出一种以补偿预测误差和平抑并网功率波动为目标的双层规划模型。首先,构建容量与误差满足率特性曲线得出最优储能容量,提高储能系统的经济性。其次,上层规划模型以预测误差最小为目标,建立储能系统充放电功率分配策略,并考虑储能电池循环寿命,设置非必要补偿值以避免其过充过放;下层规划模型以并网波动率最小为目标函数,采用模型预测控制算法对补偿后的光伏出力进行超前滚动优化控制,实现对光伏出力波动的平滑。最后,以上述模型为基础建立模型评估指标函数,以新疆某21 MW光伏电站为例进行算例分析,验证了策略的可行性。
In order to meet the grid connection requirements of new energy power generation and ensure the stable operation of the power system, in view of the security problems brought by the uncertainty and volatility of intermittent new energy power generation to the stable operation of power grid equipment, a bilevel programming model aimed at compensating the output error and stabilizing the grid connection power fluctuation is proposed. First of all, the capacity and error satisfaction rate characteristic curve is constructed to obtain the optimal energy storage capacity to improve the economy of the energy storage system. Then, the upper planning model takes the minimum output error as the goal. The charging and discharging power distribution strategy of the energy storage system is established, the cycle life of the energy storage battery is considered and unnecessary compensation values is set to avoid its overcharge and overdischarge. The lower planning model takes the minimum grid connection fluctuation rate as the objective function, and the model predictive control algorithm is adopted to carry out the advanced rolling optimization control for the compensated photovoltaic output, so as to achieve the smooth fluctuation of photovoltaic output. Finally, based on the above model, the model evaluation index function is established, and a 21 MW photovoltaic power station in Xinjiang is taken as an example to verify the feasibility of the strategy.
随着新能源市场的逐步扩大以及我国电力能源结构的深化改革,以光伏为主的新能源依靠其零碳排放、工艺娴熟、可持续发展等优点被大力发展,但光伏发电具有间歇性、波动性、预测精度低以及易受天气因素影响等缺点,在大规模并网时给电网的稳定运行带来较大压力[
目前光伏发电配备储能系统已是行业共识,且储能在可再生能源发电侧主要应用于平抑波动、补偿预测误差、提升电能质量等[
在光伏并网方面[
针对上述问题,文中提出一种以补偿光伏预测误差和平抑并网功率波动为目标的双层规划模型。首先,建立容量与误差满足率特性曲线,提高系统经济性。其次,上层模型选取典型日光伏实际出力进行日前出力预测,建立充放电功率分配策略设定非必要补偿值,使其预测误差保持在规定范围之内;下层模型针对光伏补偿出力,采用模型预测控制算法,对出力进行实时滚动优化修正,使其最大化满足并网波动要求。最后,验证储能容量配置的合理性以及建立模型评估,验证策略的合理性。
光伏电站日前对光伏出力进行短期或超短期预测,但在实际情况中,光照辐射强度受到各种因素影响会出现短暂的骤降或骤升,导致光伏出力的预测误差增大以及出力波动率变高等问题,给并网运行设备带来很大的安全隐患。对此,加入储能系统可以极大消除预测误差以及最大限度地平抑并网波动出力,减少弃光率。为了直观表示三者的功率流向,建立储能蓄电池、光伏电站与电网三者控制结构一体图,如
控制结构一体图
Integrated control structure diagram
由
目前多目标规划问题最为常见并受到国内外学者广泛研究与应用的一般为双层规划问题,且现实的决策系统大部分为双层决策。作为双层决策的数学模型,双层规划是双层递阶结构的优化问题,上、下层分别独立并且各自具有独立的目标函数和约束条件,而上层问题的目标函数和约束条件不仅与上层决策变量有关,还依赖下层问题最优解。一般情况下双层规划模型具有如下形式:
双层模型与一般的数学规划不同,其中,
双层优化模型的目的通常是同时考虑全局和个体的最优,一般很难保证结果有全局最优解,但当满足一定约束条件时,就认为已经达到了全局最优解。
文中针对光伏电站预测误差大、波动率高的问题,合理配置储能容量分别用于补偿预测误差和平滑功率波动,并建立双层规划模型。上层规划模型的目标函数为预测误差最小,决策变量为储能的容量配置;下层规划模型的目标函数为并网波动率最低,决策变量为蓄电池的荷电状态功率。通过变分模态分解(variational mode decomposition,VMD)优化麻雀搜索算法(sparrow search algorithm,SSA)获得预测出力数据,双层规划模型控制框图如
双层模型控制框图
Block diagram of double model control
上层补偿预测误差目标函数为:
式中:
上层补偿预测误差约束条件为:预测误差允许范围[-10%
文中使用蓄电池A组和蓄电池B组分别补偿预测误差和平抑波动,其充放电功率限制约束为:
式中:
下层平抑波动目标函数为:
式中:Δ
下层平抑波动约束条件:
根据国家电网并网技术规范条例[
光伏输出功率10 min有功功率变化量区间[
为了补偿误差和平抑波动,须合理配置储能容量以提高光伏电站的经济性,采用差额补偿法对双储能容量进行配置。
储能电池额定功率一般由光伏电站的预测误差值和波动值确定,其计算公式如下:
式中:
对预测误差进行傅里叶变换,假使分解后的光伏需求功率频率在[
储能补偿功率
式中:
式中:
合理配置储能容量可以在完成控制目标的条件下达到经济最优。系统通过对时域补偿功率在[0,
式中:
获得累计功率值后,得出储能容量
式中:
由于储能装置应满足以上约束,因此须根据实时的荷电状态来判断配置的容量大小是否合理。储能荷电状态
式中:
传统储能控制策略将是预测误差的正负值直接分配给储能电池作为充放电指令,基本策略是比较光伏电站实际出力功率和光伏电站预测出力功率:
因此控制策略可以表示为:
该控制补偿策略虽然可以有效补偿预测误差,提高预测准确率,但是并未考虑蓄电池的过充过放,如果蓄电池的
为了避免过充过放现象导致储能电池加速衰老,设定任意时刻储能电池的荷电状态应保持在一定范围内:
如果
非必要补偿值与预测误差缩减率关系
The relationship between unnecessary compensatio value and prediction error reduction rate
由
通过以上条件约束,在常规控制策略的基础上,保证蓄电池在充放电以及非必要补偿值
式中:
由式(17)可知:
(1) 储能电池充电状态。当0<
(2) 储能电池放电状态。当-
上层控制策略没有考虑光伏出力在更短时间内功率变化波动影响。目前对光伏出力进行平抑控制有较多方法,常见的有一阶低通滤波算法、经验模态分解算法、自适应小波包分解算法、MPC等。而MPC具有实时优化滚动、超前分配控制的优点,在处理当前时刻的输出值的同时会考虑之后一段时间内的约束条件。MPC算法主要由预测模型、滚动优化和负反馈校正3个部分组成,算法的核心思想是实时滚动预测优化策略,在任意时刻会兼顾未来时刻的约束条件,获得最优控制序列,具有很强的实时性,具体优化控制时序如
MPC示意
Schematic diagram of MPC
由
由于上层模型中预测光伏出力时间尺度是分钟级别,无法进行全局优化,而MPC的优点是滚动优化控制。文中将MPC算法应用于下层平抑光伏出力,以波动率最小为目标函数,同时满足下层模型的各种约束条件,可以进一步将控制波动率的问题转化为优化性能指标问题,得出实时的最优控制充放电控制序列,使系统整体具有良好的鲁棒性和稳定性。
文中所提控制策略的流程如
控制策略流程
Flow chart of control strategy
(1) 输入预测光伏功率,采集实际功率数据以及分析处理数据;
(2) 通过分析其功率需求求解得到储能蓄电池A、B容量;
(3) 考虑容量荷电状态能量约束,应用蓄电池充放电分配策略进行预测误差补偿,为避免过充过放减少电池寿命,考虑加入非必要补偿值,得到补偿后出力。
(4) 考虑光伏并网约束,采取MPC算法实时滚动优化补偿后出力,达到最优的平抑效果。
(5) 建立模型评估策略合理性。
为避免光伏出力的偶然性和随机性,选取新疆某21 MW光伏电站全年度发电出力数据中4种典型日天气的实际出力数据;为避免单一预测模型导致配置的储能容量产生偏差,采用VMD-SSA组合预测算法求解得出光伏预测出力,并将其作为出力的目标值。求解后的预测数据如
典型日预测出力曲线
Typical daily predictive force curves
文中光伏电站数据采集时间尺度间隔为1 min,采样点数为720。由
为获得适合补偿预测误差和平抑波动所需的储能功率和容量,通过上层规划模型目标函数计算得到各典型日天气光伏出力误差数值,以控制功率预测误差补偿在光伏出力指标范围内和将误差平抑到5%以内为目标。首先,须获得合适的非必要补偿误差值,将预测误差数据可视化,结果见
预测误差功率
Prediction error power
由
储能容量和额定功率配置
Configuration of storage capacity and rated power
天气 | 补偿预测误差 | 平抑波动 | |||
充放电 |
容量/ |
充放电 |
容量/ |
||
晴天 | 1.56 | 1.81 | 1.25 | 1.34 | |
多云 | 1.34 | 1.95 | 1.21 | 1.38 | |
雨天 | 1.29 | 1.64 | 1.00 | 1.06 | |
雪天 | 1.43 | 1.71 | 1.02 | 1.16 |
由
不同容量与满足率特性关系
Performance relation between different capacity and satisfaction rate
由
为确定储能容量配置大小是否合理,结合上层充放电补偿策略以及约束条件,补偿预测误差需求曲线与蓄电池A充放电
补偿出力前后对比
Compensation forecast front and rear comparison
由
为进一步验证控制策略的有效性,引入预测指标函数,均方根误差
评价指标
Evaluation indicators
天气 | 补偿前 | 补偿后 | |||
晴天 | 1.416 6 | 111.000 | 0.616 7 | 61.673 | |
多云 | 1.327 1 | 103.810 | 0.790 5 | 44.615 | |
雨天 | 1.272 0 | 101.570 | 0.543 5 | 28.794 | |
雪天 | 1.236 7 | 97.367 | 0.504 1 | 27.160 |
该光伏电站加入储能电池配合储能充放电策略后,模型评价指标均显著降低,且评价指标均值满足补偿误差的要求范围,说明文中策略合理,因此可以证明储能容量配置的合理性。
在下层平抑模型中,使用MPC算法对补偿预测之后的实际出力进行平滑处理以达到并网要求。首先,将典型日数据的725个数据点作为采样数据,以当前时刻作为初始值,预测时长为整个典型日时段,控制步长为1 min,日内则进行优化720次,在MPC算法策略下晴天典型日的平抑前后曲线对比和蓄电池B充放电功率如
晴天加策略后出力与蓄电池B输出
Output and battery B output after adding strategy in sunny days
以晴天出力为例,得到平抑前后对比如
平抑前后功率比较
Power comparison before and after stabilization
参数 | 晴天 | 多云 | 雨天 | 雪天 |
平抑前波动率/% | 0.33 | 0.36 | 0.21 | 0.29 |
平抑后波动率/% | 0.05 | 0.05 | 0.06 | 0.05 |
平抑前最大波动功率变化/MW | 7.11 | 5.42 | 4.98 | 5.19 |
平抑后最大波动功率变化/MW | 1.14 | 1.06 | 1.05 | 1.05 |
平抑前功率变化总和/MW | 1 220.0 | 846.0 | 1 053.5 | 995.4 |
平抑后功率变化总和/MW | 545.4 | 511.4 | 535.6 | 533.8 |
功率变化总和下降百分比/% | 55.33 | 39.59 | 49.16 | 46.37 |
由
文中针对光伏发电预测误差大、波动大问题,首先,根据预测误差误差要求和波动率要求,考虑储能充放电约束等,对双储能容量进行了配置。其次,建立上层补偿预测误差和下层平抑光伏波动的双层规划模型,并且建立模型评价指标对双层模型进行评估。上层模型针对预测算法的不足加入储能蓄电池A补偿,合理的制定充放电分配策略及设定非必要补偿值,采用配置的蓄电池A进行了验证,上层补偿结果均满足误差在5%以内。下层模型为克服光伏并网问题,应用模型预测算法降低光伏波动,采用配置的蓄电池B进行了验证,得出4种典型日下光伏电站功率变化率总和分别下降55.33%、39.59%、49.16%、46.37%。进一步利用模型评估验证策略的合理性,为储能在光伏发电新能源利用提供了一些参考。考虑储能容量成本和加入能量型电池的混合使用将是下一步的研究方向。
易铭, 黄云辉, 朱当, 等. 基于弱电网的光伏储能系统小干扰稳定性分析[J]. 智慧电力, 2021, 49(2): 69-75.
YI Ming, HUANG Yunhui, ZHU Dang, et al. Small signal stability analysis of photovoltaic energy storage system under weak grid[J]. Smart Power, 2021, 49(2): 69-75.
杨帆, 夏荣立, 杨威. 碳达峰、碳中和背景下新能源发展趋势研究[J]. 中国工程咨询, 2021(9): 22-26.
YANG Fan, XIA Rongli, YANG Wei. Research on the development trend of new energy in the context of carbon peaking and carbon neutral[J]. China Engineering Consultants, 2021(9): 22-26.
陈景文, 肖妍, 莫瑞瑞, 等. 考虑光伏校正的微电网储能容量优化配置[J]. 电力系统保护与控制, 2021, 49(10): 59-66.
CHEN Jingwen, XIAO Yan, MO Ruirui, et al. Optimized allocation of microgrid energy storage capacity considering photovoltaic correction[J]. Power System Protection and Control, 2021, 49(10): 59-66.
张蓉. "十四五"新能源消纳的思考[J]. 中国电力企业管理, 2021(4): 23-25.
ZHANG Rong. Thinking about new energy consumption in the 14th Five-Year Plan[J]. China Power Enterprise Management, 2021(4): 23-25.
苗青青, 石春艳, 张香平. 碳中和目标下的光伏发电技术[J]. 化工进展, 2022, 41(3): 1125-1131.
MIAO Qingqing, SHI Chunyan, ZHANG Xiangping. Photovoltaic technology under carbon neutrality[J]. Chemical Industry and Engineering Progress, 2022, 41(3): 1125-1131.
李建林, 袁晓冬, 郁正纲, 等. 利用储能系统提升电网电能质量研究综述[J]. 电力系统自动化, 2019, 43(8): 15-24.
LI Jianlin, YUAN Xiaodong, YU Zhenggang, et al. Comments on power quality enhancement research for power grid by energy storage system[J]. Automation of Electric Power Systems, 2019, 43(8): 15-24.
崔杨, 陈正洪, 孙朋杰. 弃光限电条件下不同纬度地区短期光伏发电功率预测对比分析[J]. 太阳能学报, 2018, 39(6): 1610-1618.
CUI Yang, CHEN Zhenghong, SUN Pengjie. Comparison and analysis of short-term PV power prediction at different latitude under condition of discarding pv power[J]. Acta Energiae Solaris Sinica, 2018, 39(6): 1610-1618.
王捷, 林余杰, 吴成坚, 等. 碳中和背景下太阳能光伏产业现状及发展[J]. 储能科学与技术, 2022, 11(2): 731-732.
WANG Jie, LIN Yujie, WU Chengjian, et al. Current status and development of solar photovoltaic industry in the context of carbon neutrality[J]. Energy Storage Science and Technology, 2022, 11(2): 731-732.
李建林, 张则栋, 谭宇良, 等. 碳中和目标下储能发展前景综述[J]. 电气时代, 2022(1): 61-65.
LI Jianlin, ZHANG Zedong, TAN Yuliang, et al. A review of the prospects of energy storage development under the carbon neutrality target[J]. Electric Age, 2022(1): 61-65.
瞿娟. 全钒液流储能电池数学模型的研究[J]. 储能科学与技术, 2022, 11(2): 735-736.
QU Juan. Study on the mathematical model of all-vanadium liquid flow energy storage battery[J]. Energy Storage Science and Technology, 2022, 11(2): 735-736.
苏向敬, 陈思利, 米阳, 等. 分布式电池储能在含高比例可再生能源不平衡配电网中的序次优化配置[J]. 电网技术, 2019, 43(10): 3698-3707.
SU Xiangjing, CHEN Sili, MI Yang, et al. Sequential and optimal placement of distributed battery energy storage systems within unbalanced distribution networks hosting high renewable penetrations[J]. Power System Technology, 2019, 43(10): 3698-3707.
陈丽娟, 吴甜恬, 柳惠波, 等. 基于需量管理的两阶段大用户储能优化模型[J]. 电力系统自动化, 2019, 43(1): 194-200.
CHEN Lijuan, WU Tiantian, LIU Huibo, et al. Demand management based two-stage optimal storage model for large users[J]. Automation of Electric Power Systems, 2019, 43(1): 194-200.
郭立东, 雷鸣宇, 杨子龙, 等. 光储微网系统多目标协调控制策略[J]. 电工技术学报, 2021, 36(19): 4121-4131.
GUO Lidong, LEI Mingyu, YANG Zilong, et al. Multi-objective coordinated control strategy for photovoltaic and energy-storage microgrid system[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4121-4131.
严干贵, 李洪波, 段双明, 等. 基于模型参数辨识的储能电池状态估算[J]. 中国电机工程学报, 2020, 40(24): 8145-8154, 8251.
YAN Gangui, LI Hongbo, DUAN Shuangming, et al. Energy storage battery state estimation based on model parameter identification[J]. Proceedings of the CSEE, 2020, 40(24): 8145-8154, 8251.
李相俊, 马会萌, 姜倩. 新能源侧储能配置技术研究综述[J]. 中国电力, 2022, 55(1): 13-25.
LI Xiangjun, MA Huimeng, JIANG Qian. Review of energy storage configuration technology on renewable energy side[J]. Electric Power, 2022, 55(1): 13-25.
刘畅, 卓建坤, 赵东明, 等. 利用储能系统实现可再生能源微电网灵活安全运行的研究综述[J]. 中国电机工程学报, 2020, 40(1): 1-18, 369.
LIU Chang, ZHUO Jiankun, ZHAO Dongming, et al. A review on the utilization of energy storage system for the flexible and safe operation of renewable energy microgrids[J]. Proceedings of the CSEE, 2020, 40(1): 1-18, 369.
陈亚爱, 林演康, 王赛, 等. 基于滤波分配法的混合储能优化控制策略[J]. 电工技术学报, 2020, 35(19): 4009-4018.
CHEN Yaai, LIN Yankang, WANG Sai, et al. Optimal control strategy of hybrid energy storage based on filter allocation method[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4009-4018.
谢丽蓉, 郑浩, 魏成伟, 等. 兼顾补偿预测误差和平抑波动的光伏混合储能协调控制策略[J]. 电力系统自动化, 2021, 45(3): 130-138.
XIE Lirong, ZHENG Hao, WEI Chengwei, et al. Coordinated control strategy of photovoltaic hybrid energy storage considering prediction error compensation and fluctuation suppression[J]. Automation of Electric Power Systems, 2021, 45(3): 130-138.
徐天奇, 田业, 高鑫, 等. 新能源全消纳并网友好型虚拟发电厂优化调度研究[J]. 电力工程技术, 2021, 40(2): 33-38.
XU Tianqi, TIAN Ye, GAO Xin, et al. Optimal dispatching of virtual power plant with new energy power generation full consumption and friendly integration into power grids[J]. Electric Power Engineering Technology, 2021, 40(2): 33-38.
徐玉韬, 谈竹奎, 肖永, 等. 基于HHT与滤波算法的风电波动平抑策略研究[J]. 电气传动, 2019, 49(2): 56-60.
XU Yutao, TAN Zhukui, XIAO Yong, et al. Research on wind power fluctuation mitigation based on HHT and filtering algorithm[J]. Electric Drive, 2019, 49(2): 56-60.
马伟, 王玮, 吴学智, 等. 平抑光伏并网功率波动的混合储能系统优化调度策略[J]. 电力系统自动化, 2019, 43(3): 58-66.
MA Wei, WANG Wei, WU Xuezhi, et al. Optimal dispatching strategy of hybrid energy storage system for smoothing power fluctuation caused by grid-connected photovoltaic[J]. Automation of Electric Power Systems, 2019, 43(3): 58-66.
闫群民, 刘语忱, 董新洲, 等. 基于CEEMDAN-HT的平抑光伏出力混合储能容量优化配置[J]. 电力系统保护与控制, 2022, 50(21): 43-53.
YAN Qunmin, LIU Yuchen, DONG Xinzhou, et al. Hybrid energy storage capacity optimization configuration for smoothing PV output based on CEEMDAN-HT[J]. Power System Protection and Control, 2022, 50(21): 43-53.
刘颖明, 王瑛玮, 王晓东, 等. 基于蚁狮算法的风电集群储能容量配置优化方法[J]. 太阳能学报, 2021, 42(1): 431-437.
LIU Yingming, WANG Yingwei, WANG Xiaodong, et al. Optimization of storage capacity allocation in wind farm cluster based on ant lion optimization algorithm[J]. Acta Energiae Solaris Sinica, 2021, 42(1): 431-437.
马兰, 谢丽蓉, 叶林, 等. 基于混合储能双层规划模型的风电波动平抑策略[J]. 电网技术, 2022, 46(3): 1016-1029.
MA Lan, XIE Lirong, YE Lin, et al. Wind power fluctuationsuppression strategy based on hybrid energy storage bi-level programming model[J]. Power System Technology, 2022, 46(3): 1016-1029.
薛帅, 高厚磊, 郭一飞, 等. 大规模海上风电场的双层分布式有功控制[J]. 电力系统保护与控制, 2021, 49(3): 1-9.
XUE Shuai, GAO Houlei, GUO Yifei, et al. Bi-level distributed active power control for a large-scale wind farm[J]. Power System Protection and Control, 2021, 49(3): 1-9.
罗仕华, 胡维昊, 黄琦, 等. 市场机制下光伏/小水电/抽水蓄能电站系统容量优化配置[J]. 电工技术学报, 2020, 35(13): 2792-2804.
LUO Shihua, HU Weihao, HUANG Qi, et al. Optimization of photovoltaic/small hydropower/pumped storage power station system sizing under the market mechanism[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2792-2804.
戴瑞海, 林雁, 林启待, 等. 基于模型预测控制平抑光伏输出功率波动的储能充放电策略[J]. 智慧电力, 2019, 47(4): 8-15, 52.
DAI Ruihai, LIN Yan, LIN Qidai, et al. Strategy of energy storage for PV power smoothing based on model predictive control[J]. Smart Power, 2019, 47(4): 8-15, 52.
孙玉树, 张国伟, 唐西胜, 等. 风电功率波动平抑下的MPC双储能控制策略研究[J]. 电工技术学报, 2019, 34(3): 571-578.
SUN Yushu, ZHANG Guowei, TANG Xisheng, et al. Research on MPC and daul energy storage control strategies with wind power fluctuation mitigation[J]. Transactions of China Electrotechnical Society, 2019, 34(3): 571-578.
刘涛, 何启发, 肖朝霞, 等. 基于FCS-MPC的五桥臂UPQC电能质量补偿策略研究[J]. 电力系统保护与控制, 2022, 50(8): 65-75.
LIU Tao, HE Qifa, XIAO Zhaoxia, et al. A power quality compensation strategy of five-leg UPQC based on FCS-MPC[J]. Power System Protection and Control, 2022, 50(8): 65-75.
边晓燕, 史越奇, 裴传逊, 等. 计及经济性和可靠性因素的区域综合能源系统双层协同优化配置[J]. 电工技术学报, 2021, 36(21): 4529-4543.
BIAN Xiaoyan, SHI Yueqi, PEI Chuanxun, et al. Bi-level collaborative configuration optimization of integrated community energy system considering economy and reliability[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4529-4543.
李晓文, 王旭, 齐志远. 氢电综合能源供应微电网的优化调度[J]. 供用电, 2022, 39(1): 40-46.
LI Xiaowen, WANG Xu, QI Zhiyuan. Optimal scheduling of micro-grid for comprehensive hydrogen-electricity supply[J]. Distribution & Utilization, 2022, 39(1): 40-46.
吴岩, 王玮, 吴学智, 等. 微电网跟踪调度计划双层双时间尺度实时控制策略[J]. 电力自动化设备, 2021, 41(1): 120-134.
WU Yan, WANG Wei, WU Xuezhi, et al. Two-layer double-time scale real-time control strategy of microgrid for tracking scheduling plan[J]. Electric Power Automation Equipment, 2021, 41(1): 120-134.
LU MINHUI, SUN WENWEN, HE GUOQING. Interpretation and revision proposals of GB/T 29319-2012, technical requirements for connecting photovoltaic power system to distribution network[J]. China Standardization, 2022(1): 62-65.