相关论文：
-
-
全球能源互联网
第7卷 第4期 2024年07月；页码：383-392
考虑配电网与电化学储能交互耦合关系的异常运行状态预警方法
An Abnormal Operation State Early Warning Method Considering the Interactive Coupling Relationship Between Distribution Networks and Electrochemical Energy Storage
- 1.武汉大学电气与自动化学院，湖北省 武汉市 430072
- 2.国网福建省电力有限公司营销服务中心，福建省 福州市 350001
- 3.国网福建省电力有限公司电力科学研究院，福建省 福州市 350007
- FAN Peixiao1, LIU Xuecheng1, YANG Jun1*, LI Yonghui1, KE Xue1, HONG Huawei2, ZHANG Shuling3 (1. School of Electrical and Automation, Wuhan University, Wuhan 430072, Hubei Province, China
- 2. State Grid Fujian Electric Power Co., Ltd. Marketing Service Center, Fuzhou 350001, Fujian Province, China
- 3. State Grid Fujian Electric Power Co., Ltd. Electric Power Science Research Institute, Fuzhou 350007, Fujian Province, China
关键词
Keywords
摘 要
Abstract
配电网稳定性直接关系到终端用户侧储能的运行质量。针对配电网异常运行场景下用户侧储能系统的安全问题，提出了一种热失控预警方法。该方法通过确立从配电网异常状态到用户侧储能的完整传导路径，识别了锂离子电池热失控的关键特征量，包括异常电流值/电压值和异常状态持续时长。进而建立了用户侧储能的状态演化模型，分析了这些特征量对储能安全运行状态的影响。仿真结果揭示了不同异常电气量变化对储能安全的具体影响，如异常电流值/电压值与储能异常温度的高正相关性，以及异常状态持续时长的强正相关性。基于此，确定了用户侧储能热失控的触发边界，并为单相接地、两相短路、两相接地、三相短路等不同异常运行状态制定了预防、控制与应对措施。这些措施包括但不限于在故障无法及时消除时准备切断储能，以及加强线路保护建设等。该方法的应用显著提高了配电网与用户侧储能系统的安全稳定性。
The stability of the distribution network is directly related to the operational quality of energy storage on the end user side. A thermal runaway early warning method for userside energy storage systems under abnormal operation scenarios in distribution networks is proposed. The method establishes a complete transmission path from the abnormal state of the distribution network to the user-side energy storage and identifies key characteristic quantities of lithium-ion battery thermal runaway, including abnormal current/voltage values and the duration of abnormal states. The study constructs a state evolution model for user-side energy storage to analyze the impact of these characteristic quantities on the safe operation state of the energy storage. Simulation results reveal the specific impact of different abnormal electrical quantity changes on energy storage safety,such as the high positive correlation between abnormal current/voltage values and the abnormal temperature of energy storage,and the strong positive correlation of the duration of abnormal states. Based on this, the study determines the triggering boundary for thermal runaway of user-side energy storage and formulates preventive, control, and response measures for various abnormal operation states, including single-phase grounding, two-phase short circuits, two-phase grounding, and three-phase short circuits. These measures include preparing to disconnect energy storage in case of untimely fault elimination and strengthening line protection construction. The application of this method significantly improves the safety and stability of the distribution network and user-side energy storage systems.
0 引言
在电力系统运行过程中，配电网的稳定运行直接关系到终端用户侧储能的运行质量，一旦出现故障，不仅会影响生产和生活秩序，还可能引发过热失控等严重事故，造成不可挽回的损失[1-4]。同时，用户侧储能装机容量逐年提升，且随着锂离子电池成本的持续降低，其在用户侧储能中的占比逐年增大，这为电力系统提供灵活调节手段的同时，也带来了一系列安全方面的问题[5-6]。
实际上，储能技术发展已久，其在智能电网和能源互联网中的应用已全面渗透至电力系统的各个环节[7]，在发电、输电、用电等环节均有应用领域，因此现有大量针对储能运行安全的研究。文献[8]全面梳理了如储能站这类全新能源基本设施的核心运行安全特征，并全面分析了现如今电网储能在风险评估、控制、管理方面所面临的问题和挑战。在文献[9]中，作者分别计算了实体储能元件与模拟储能元件的能量，对其“潜在”的危险性进行了量化和分级，进而构建出电路本质安全性能评价判据，从而实现高度精确地对模拟元件的防爆安全性能作出评判。然而，上述研究主要集中于电网侧的大型储能设备或单体锂电池，未能充分反映用户侧储能在配电网运行中的安全特性。即现有针对储能安全运行的研究大多侧重于针对电网侧的大型储能机组，忽略了用户侧储能。而实际上，用户侧储能并非电网公司的资产，对运行质量要求更高，且更容易受到配电网侧运行状态的影响。
其次，从现有配电网运行状态的研究中可得知，配电网的异常运行状态主要包含短路故障、大型感应电机启动与变压器投切[10-11]，这会引起配电网侧的异常电气量，例如过电流与电压暂降。文献[12]提出了一种基于长短期记忆（long short-term memory，LSTM）神经网络的故障电流波形的故障方向识别方法，从而实现了配电网故障的协调保护；文献[13]分析了配电网中的关键故障特征，提出了一种基于XG-Boost方法的配电网故障等级预测算法，能够预测出考虑气象因素的配电网故障等级，为后续故障预警和维护提供了理论依据。然而，上述研究主要讨论了配电网异常运行状态的解决方法，而未充分探讨配电网稳定性与储能系统安全运行之间的相互影响，没有考虑配电网与分布式储能之间的耦合关系。
进一步地，部分学者已开始探讨配电网与储能系统之间的耦合效应[14-15]。文献[16]基于储能站的充放电特性，完成了负荷及发电在时空特性上的转移，从而显著缓解了城市电网的堵塞问题，减少了负荷损失并提高了电力系统稳定性；文献[17]研究了储能机组对配电网电能质量的作用，所提出的方案能够促使分布式储能对电能质量进行改进，并且能够降低网损、提升配电网运行稳定性。然而，这些研究主要集中于分析储能系统对电力系统安全稳定运行的贡献，而非配电网对储能系统的影响。而在实际中，在配电网发生故障或受到各类扰动时，用户侧储能系统可能会出现过电流、过电压等故障[18-19]。因此，研究配电网异常运行状态对用户侧储能系统安全运行的影响具有重大意义。
综上，本文提出了考虑配电网与电化学储能交互耦合关系的异常运行状态预警方法。首先，根据配电网异常状态发生位置、类型以及用户侧储能位置，得到完整的配网异常运行状态向用户侧储能传导的路径，明晰了用户侧储能安全与配电网稳定运行的耦合关系；其次，分析储能锂离子电池热失控的关键特征量，并基于此建立用户侧储能的状态演化模型，由此研究出异常电气量变化对用户侧储能安全运行状态的影响；最后，得到用户侧储能的热失控触发边界与受影响范围，从而制定出在配电网不同异常运行状态下的预防、控制与应对措施，提高了配电网与用户侧储能耦合系统的安全稳定性。
1 配电网-用户侧储能耦合模型
本文提出的面向配电网异常运行场景的用户侧储能热失控预警方法的研究逻辑和步骤如图1所示。基于此框架，最终得出一套预防、控制和应对措施，旨在提高配电网及用户侧储能系统的安全稳定性。
图1 面向配电网异常运行场景的用户侧储能热失控预警方法的研究逻辑和步骤
Fig. 1 The research logic and steps for the warning method of thermal runaway for user-side energy storage under the abnormal operation scenarios of power distribution network
1.1 配电网异常运行状态传导路径
用户侧储能装置在电流、电压与频率值偏离正常值的情况下，均会产生运行状态上的异常[20]。如图2所示，在理想情况下，配电网故障所引起的异常电气量先经过线路传输并经过变压器等设备后达到储能侧；储能系统首先通过Boost斩波器进行直流升压，随后通过两电平电压源换流器逆变成交流电并入电网。这意味着配电网的异常状态有可能导致用户侧储能系统发生运行故障。
图2 用户侧储能并网示意图
Fig. 2 Schematic diagram of user side energy storage grid connection
储能装置中的电气量与配电网系统中的数值并不完全相同。因此，本文建立配电网异常电气量与用户侧储能异常电气量之间的关系，这一传导路径包含：线路传输、变压器传导以及AC-DC整流器转换，如图3所示。由此可以根据配电网异常状态发生位置、类型以及用户侧储能位置，并基于完整的配网异常运行状态向用户侧储能传导路径，计算储能侧的异常电气量情况。
图3 配电网异常运行状态传导路径
Fig. 3 Transmission path of abnormal operation status
1.2 锂离子电池热失控的关键特征量
事实上，配电网-用户侧储能耦合系统中具有大量可能对锂离子电池热失控造成影响的关键特征量，为了实现用户侧储能热失控的准确分析与预警，需要选出最为关键且便于监控的特征量。
基于此，本文初步选出的特征量包括：异常电流值/电压值、储能荷电状态（state of charge，SOC）、异常状态持续时长、环境温度与异常状态传输距离。进而，本文分析出多种特征与储能热故障之间的相关性系数[21]。通过Jarque-Bera检验，易知储能异常温度与上述特征量并不服从正态分布。因此，本文将运用数据的秩来反映两个变量是否有相同或相反的趋势，从而反映二者的关联性，即斯皮尔曼（Spearman）等级相关系数。对于样本容量为N的样本，将N组原始数据按降序排列后，依据其在总体数据中的降序位置分配一个相应的等级。斯皮尔曼等级相关系数的计算方法为
式中：di为两组数据的等级之差；n为样本量。
此外，还可以直接通过变量计算得到，如式（2）所示：
式中：xi、yi分别为2个样本中的变量值；
、
分别为二者的均值。
由此，可计算得到二者的斯皮尔曼等级相关系数rsp及检验概率P，如图4与表1所示。
表1 异常特征量与储能异常温度的相关性
Table 1 The correlation between abnormal characteristic quantity and abnormal temperature of energy storage
特征系数R描述检验概率排序时长0.987 1正向强相关01电流0.686 7正向高相关02 SOC0.134 5正向弱相关0.0013距离0.004 96不相关0.257 54温度0.003 71不相关0.327 75
图4 斯皮尔曼等级相关系数热力图
Fig. 4 Heatmap of Spearman level correlation coefficient
可见，异常电流值/电压值与储能异常温度的相关系数高达0.686 7，呈高正相关；储能实时SOC值与储能异常温度的相关系数为0.134 5，呈弱相关；异常状态持续时长与储能异常温度的相关系数为0.987 1，呈强正相关；而环境温度、异常状态传输距离与储能异常温度的相关系数均低于0.005，相关性较低。同时，异常电流值/电压值、储能SOC值与异常状态持续时长的检验概率均接近0，而环境温度与异常状态传输距离的检验概率均远大于0.05，即二者与储能异常温度无关联。由此可根据相关系数对各特征因子进行相关性排序，相关性程度由高到低依次为：异常状态持续时长、异常电流值/电压值、储能SOC值、异常状态传输距离与环境温度。根据上述分析，前两者可以选为锂离子电池热失控的关键特征量。同时，由于系统电压值与电流值具有强相关性，因此在后文用户侧储能异常状态触发边界模型的构建中，只考虑异常电流值以及异常状态持续时间对用户侧储能异常运行温度的影响情况。
2 用户侧储能安全演化模型
2.1 储能锂电池状态演化模型
配电网侧异常运行状态所引发的异常电气量传递模型已经构建完毕，需要进一步研究异常电气量（电流值）与异常状态持续时长对用户侧储能侧安全运行状态的影响。本项目选择采用双极化特性的DP模型模拟锂电池的等效电路，如图5所示[22]。其基本思想是将电化学系统视为一个由各种电子元件和离子元件组成的电路系统，用电路元件的电学特性来描述电化学系统的电化学特性，其空间状态方程如式（3）—（5）所示。其该模型中的各参数将随着储能运行状态、实时温度与实时荷电状态的改变而发生变化。
图5 用户侧储能的等效电路
Fig. 5 Equivalent circuit for user side energy storage
式中：Uoc为开路电压；UL为负载电压；R0为电池欧姆内阻；R1、C1为电化学极化电阻和极化电容；R2、C2为浓度差极化电阻和极化电容；IL指的是流过电池负载的电流。
2.2 用户侧储能电热耦合模型
综上所述，可构建出用户侧储能的电热耦合模型，如图6所示。该模型能够充分反映电池极化特点的等效电路模型对锂电池外特性的模拟，通过热模型获得储能电池的瞬时温度值；同时，瞬时温度值与瞬时荷电量又会被传递到等效电路模型，以此来获得运行参数等关键参量[23]。基于此，以某一初始温度开始，得到锂电池状态（各参数）随荷电状态变化的估计结果。因此基于不同初始温度，重复上述实验，即可得到不同温度与荷电状态下的锂电池状态拟合结果，如附录A式（A1）—（A5）所示。进而，再利用此时的参数代入热模型中计算出电池的实时温升量，如式（6）—（7）所示，从而计算出当前时刻的电池温度，即可完成储能锂电池的热模型与等效电路的电模型之间的耦合，得到实时的用户侧储能放热情况。
图6 用户侧储能电热耦合模型
Fig. 6 User side energy storage electric thermal coupling model
式中：ΔT为温升值；Qj为储能热模型所积累的热量；Cp为储能电池比热容；m为电池质量；Δt为发热持续时间；Rd为极化内阻。
3 算例分析
3.1 仿真结构与参数选取
本文的仿真场景如图7所示，用户侧储能群命名为E1与E2，其参数如表2所示。值得一提的是，本研究提出的用户侧储能热失控预警方法代表了配电网与电化学储能交互耦合关系安全分析领域的新进展。鉴于现有文献中缺乏对此类耦合系统在异常运行状态下热失控现象的深入研究，本文的方法论和仿真结果具有明显的独创性，因此没有进行对比实验。
表2 配电网与储能运行参数
Table 2 Distribution network and energy storage operating parameters
指标规格备注单体额定容量205 Ah单体标称电压3.2 V最大充放电电流≤410 A30 s持续充放电电流≤102.5 A持续单体电压工作范围2.5 ～ 3.65 V电池正常工作温度-20 ℃ ～ 55 ℃
图7 配电网运行结构
Fig. 7 Distribution network operation structure
3.2 用户侧储能发热模型测试与灵敏度分析
为检验算例中用户侧储能的运行特性，分别在正常与异常情况下对储能温度进行记录，且初始温度为20 ℃，如图8所示。
图8 用户侧储能发热模型测试结果
Fig. 8 User side energy storage heating model test results
可见，在储能的正常恒流放电状态下，储能内部的工作电流保持平滑稳定，即该电流为均衡电流，储能处于均衡状态，如图8中的阶段一：储能中锂电池的工作电流低于均衡电流，因此电池内部的产热速率小于外部散热速率；而当锂电池的工作电流等于均衡电流时，则储能将切换为热稳态状态，此时产热与散热速率近似相同。在上述情况下，储能电池内部的温度无较大幅度变化，温度随时间变化幅度小，在较长时间范围内电池本体温度上升量极小，电池不会出现热故障问题。而当配电网异常运行状态影响到用户侧储能后，或其工作持续时间过长，这会使得其工作电流高于均衡电流时，内部产热速率高于外部散热速率，储能由此进入非均衡状态。如图8的阶段二：电池温度快速超过限幅，电池在内部温度超过45 ℃后开始急剧升高，且增长速度极快，在短暂时间内即可逼近电池的爆发临界值（常为150 ℃）。在这些情况下，储能发生热故障的概率将会大大提高，严重危害配电网的安全稳定运行与用户利益。
进而，本节将对储能发热模型中的异常电流值与荷电状态进行灵敏度分析。图9与图10分别展示了在不同配电网异常初始电流与初始荷电量情况下储能温度随时间的变化。可见，初始电流对储能系统发热特性具有巨大的正向影响，而荷电量对其的影响不大，符合前文所设模型的推理与结论：异常电流值与储能异常温度呈高正相关；而储能实时荷电量与储能异常温度呈弱相关。
图9 配电网异常初始电流的灵敏度分析测试
Fig. 9 Sensitivity analysis and testing of abnormal initial currents in distribution networks
图10 荷电状态的灵敏度分析测试
Fig. 10 Sensitivity analysis and testing of state of charge
3.3 用户侧储能异常状态触发边界
本研究能够厘清用户侧储能运行温度与配电网初始异常电流以及故障时长之间的关系，如图11所示。通过定量分析，发现配电网异常源与储能时长的增加与用户侧储能温度的升高之间存在显著的正相关性。具体而言，在故障初期，故障时长每增加1000 s，用户侧储能的温度上升了75 ℃～100 ℃，而当故障时长接近2 h时，温度上升的速率显著加快，增长为初始温度的300%以上。此外，配电网异常源头的初始电流对用户侧储能温度的影响同样显著。初始电流越高，储能温度的增幅率越大，这一比例在初始电流超过1000 A时变得更加显著。可通过查询用户侧储能的安全运行温度限度，并在图11中加入此阈值，计算并直观地得出储能机组热失控的触发边界条件。由此根据不同配电网异常运行状态所对应的初始异常电流值，可得到相对应的故障时长限度。
图11 用户侧储能异常状态触发边界
Fig. 11 Energy storage abnormal state triggering boundary
同时，用户侧储能的热失控过程主要包含3个阶段[24]：高温引发阶段、热失控发展阶段与爆发阶段，用户和电网需要在用户侧储能处于热失控状态前做出控制措施，保证系统的安全稳定运行，避免其发展到爆发阶段，这可能会导致电池爆炸或燃烧，释放大量热量和有害气体，此时的储能温度可能超过150 ℃。而在一般情况下，热失控发展阶段的温度范围通常在100 ℃至150 ℃之间。
因此，本文基于图11的耦合关系，假设E1与E2具有相同的放热模型，并且设置E1的热失控触发边界（爆发临界值）为T1=120 ℃，而E2的热失控触发边界为T2=150 ℃。因此E1所允许的最大温差为100 ℃，E2为130 ℃，如图中灰色截面所示，其能够将储能机组异常状态的触发边界直观地反映出来。
可根据不同配电网异常运行状态（包含：单相接地、两相短路、两相接地、三相短路、变压器投切、感应电机启动以及负荷扰动）所对应的初始异常电流值，计算出相对应的故障时长限度。综上，可得到用户侧储能发生热故障的配电网异常条件，如表3所示。
表3 用户侧储能发生热故障的配电网异常条件
Table 3 Abnormal distribution network conditions for thermal faults in user side energy storage
距离限度E1E2单相接地≈82 min≈85 min两相短路≈72 min≈75 min两相接地三相短路≈62 min≈70 min变压器投切
续表
距离限度E1E2感应电机启动负荷扰动?
3.4 预防、控制与应对措施
由表3可知，变压器投切、感应电机启动与负荷扰动并不会对用户侧储能造成运行威胁。而短路故障会在不同程度上对用户侧储能的安全稳定运行造成影响，其中理论影响最为严重的是三相短路，理论影响最小的是单相接地故障。然而，在配电网实际运行过程中，存在过电流保护，在配电网线路电流值超过限值后将会切断相应线路以保护系统运行安全。根据国家电网要求[25]，可知不同短路故障所允许的最高时限标准如表4所示。而储能的低压穿越要求如图12与表5—6所示[26-27]。
表4 不同配电网短路故障所允许的最高时限
Table 4 The maximum allowable time limit for short-circuit faults in different distribution networks
异常状态类型建议最高时限单相接地≈120 min两相短路＜5 s两相接地三相短路＜2 s
表5 GB/T34120低电压穿越要求
Table 5 GB/T34120 low voltage ride through requirements
区间动作定值动作延时1＜0.2 pu0 s 2 0.2 pu～0.85 pu V－0.2·1.375+0.625s 0.850.2－3 0.85 pu～1.1 pu持续工作
表6 GB/T36547低电压穿越要求
Table 6 GB/T36547 low voltage ride through requirements
区间动作定值动作延时1＜0.2 pu0 s 2 0.2 pu～0.9 pu V－－0.2·1.375+0.625s 0.90.2 3 0.9 pu～1.1 pu持续工作
图12 储能变流器的低电压耐受能力要求
Fig. 12 Low voltage tolerance requirements for energy storage inverters
可见，虽然三相短路、两相短路所引起的故障电流大于单相短路，但配电网保护即能很好地在储能发生过热故障的时限内将其解决。根据储能变流器的低电压耐受能力也可知三相短路这种严重的运行故障所引起的异常运行状态将会受到储能保护的控制，难以引发后续过热故障的形成。同时，上述短路故障发生的频次远低于单相短路故障。而单相短路虽然具有最小的初始异常电流，理论上影响可控，但其故障排除所需时间较长，可能超过一些用户侧储能系统安全运行的时间阈值，增加了热失控的可能性。
因此，将本文所提出的用户侧储能安全域演化模型应用于实际配电网模型中后，能够针对配电网网络中用户侧储能群的具体分布情况提出各用户侧储能系统的安全运行边界，从而制定出相应的预防、控制与应对措施，如表7所示。所提策略能够为用户侧储能并网安全监测与故障溯源关键技术提供理论支撑，大大提高了含用户侧储能配电网的运行安全。
表7 针对不同配电网异常运行状态的应对措施
Table 7 Simulation results under strong random disturbance
异常状态类型措施单相接地出现频次高，虽然影响可控，若无法在1 h内消除配电网故障，需要随时准备切断储能以防止过热故障的发生两相短路两相接地三相短路出现频次低，但其影响较大，配电网与储能保护已具有相应应对措施，其对储能过热故障影响有限。但在建设有大量用户侧储能群的区域，应加强线路保护建设，做好预防准备与应对措施变压器投切感应电机启动负荷扰动对储能运行影响极小，仅需依据实际情况进行预防与控制
4 结论
本文提出了一种考虑配电网与电化学储能交互耦合关系的异常运行状态预警方法。
1）关键特征量识别。基于配电网异常状态向用户侧储能传导的完整路径，识别出锂离子电池热失控的关键特征量，包括异常电流值/电压值和异常状态持续时长。研究发现，异常电流值/电压值与储能异常温度的相关系数为0.686 7，而异常状态持续时长的相关系数高达0.987 1，表明这些特征量对储能安全运行状态有显著影响。
2）安全运行边界确定。明确了用户侧储能系统的安全运行边界。例如，在单相接地故障中，若故障持续时间超过82 min，则用户侧储能系统将面临热失控风险；在三相短路故障中，该时限为62 min。
3）预防与应对措施制定。针对配电网不同异常运行状态下用户侧储能群的分布情况，提出了具体的预防、控制与应对措施。建议若在故障发生后1 h内无法消除，应准备切断储能连接以防止过热故障的发生。
综上所述，本文所提方法为用户侧储能并网安全监测与故障溯源提供了理论支撑，提高了含用户侧储能配电网的运行安全性。
附录A
式中：R0为电池欧姆内阻；R1、C1为电化学极化电阻和极化电容；R2、C2为浓度差极化电阻和极化电容；Soc为荷电量的值；T为器件温度。
参考文献
-
[1]
蔡涛，张钊诚，袁奥特，等. 锂离子电池储能安全管理中的机器学习方法综述[J]. 电力系统保护与控制，2022，50(24)：178-187.CAI Tao, ZHANG Zhaocheng, YUAN Aote, et al. Review of machine learning for safety management of li-ion battery energy storage[J]. Power System Protection and Control, 2022,50(24): 178-187 (in Chinese). [百度学术]
-
[2]
LIU J, ZENG P L, XING H, et al. Optimal operation of flexible distribution networks for security improvement considering active management[J]. CSEE Journal of Power and Energy Systems, 2023, 9(3): 996-1007. [百度学术]
-
[3]
MA X F, WANG Y, LIU Z H, et al. Comprehensive evaluation of 5G+ smart distribution network based on combined weighting method-cloud model[J]. Global Energy Interconnection, 2022,5(6): 675-691. [百度学术]
-
[4]
王莹鑫，徐永海，陶顺，等. 计及扰动源输出原副边特性的直流配电网谐振分析方法[J]. 电工技术学报，2023，38(7)：1723-1736.WANG Yingxin, XU Yonghai, TAO Shun, et al. DC distribution system resonance characteristics analysis method considering the output characteristics of the perturbation source[J]. Transactions of China Electrotechnical Society,2023, 38(7): 1723-1736 (in Chinese). [百度学术]
-
[5]
ZOU Z C, YAO J. Fault protection of urban distribution network using a superconducting cable joint[J]. IEEE Transactions on Applied Superconductivity, 2021, 31(8):4805105. [百度学术]
-
[6]
程曹阳，杨知方，余娟等. 面向全场景安全的储能投资高效规划方法[J/OL]. 电工技术学报. (2024-01-18)[2024-01-27]. https://tlink.lib.tsinghua.edu.cn:443/https/443/org/doi/yitlink/10.19595/j.cnki.1000-6753.tces.231501.CHENG Caoyang, YANG Zhifang, YU Juan, et al. Efficient planning method for energy storage investment for full scenario safety[J/OL]. Transaction of China Electrotechnical Society.(2024-01-18)[2024-01-27]. https://tlink.lib.tsinghua.edu.cn:443/https/443/org/doi/yitlink/10.19595/j.cnki.1000-6753.tces.231501 (in Chinese). [百度学术]
-
[7]
于璐，张辉，田培根，等. 一种梯次利用电池可重构储能系统多级在线安全评估及风险预警定位方法[J]. 太阳能学报，2022，43(5)：461-467.YU Lu, ZHANG Hui, TIAN Peigen, et al. Multi-level on-line safety assessment of reconfigurable energy storage system using secondary batteries risk warning postitioning method[J].Acta Energiae Solaris Sinica, 2022, 43(5): 461-467 (in Chinese). [百度学术]
-
[8]
罗魁，郭剑波，高飞，等. 新兴能源基础设施安全风险分析与防控体系[J]. 电网技术，2024，48(2)：457-469.LUO Kui, GUO Jianbo, GAO Fei, et al. Safety risk analysis and prevention control system for emerging energy utilization infrastructure[J]. Power System Technology, 2024, 48(2): 457-469 (in Chinese). [百度学术]
-
[9]
孟庆海，田媛. 本质安全电路模拟储能元件潜在危险性分析及其本质安全判据[J]. 电工技术学报，2022，37(3)：676-685.MENG Qinghai, TIAN Yuan. Analysis of potential hazards of analog energy storage components in the intrinsic safety circuits and their intrinsic safety criteria[J]. Transactions of China Electrotechnical Society, 2022, 37(3): 676-685 (in Chinese). [百度学术]
-
[10]
LI Z C, LIU Y D, YAN Y J, et al. An identification method for asymmetric faults with line breaks based on low-voltage side data in distribution networks[J]. IEEE Transactions on Power Delivery, 2021, 36(6): 3629-3639. [百度学术]
-
[11]
陈楚昭，孙云莲. 基于自适应NSGA-II算法的配电网多故障抢修优化决策[J]. 电力工程技术，2022，41(3)：125-132.CHEN Chuzhao, SUN Yunlian. Optimization strategy for multi-fault repair of distribution system based on adaptive NSGA-II algorithm[J]. Electric Power Engineering Technology, 2022, 41(3): 125-132 (in Chinese). [百度学术]
-
[12]
KIM W H, KIM J Y, CHAE W K, et al. LSTM-based fault direction estimation and protection coordination for networked distribution system[J]. IEEE Access, 2022, 10: 40348-40357. [百度学术]
-
[13]
XU Y Q, YUE Z, FANG N. A method for predicting faults level in active distribution network based on feature engineering and XGBoost[C]//2020 IEEE 1st China International Youth Conference on Electrical Engineering(CIYCEE). Wuhan, China. IEEE, 2020: 1-7. [百度学术]
-
[14]
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): 0604304. [百度学术]
-
[15]
CHEN X L, XIE W. Research on safety control method of power grid energy storage system based on neural network model[J]. IEEE Access, 2023, 11: 101339-101346. [百度学术]
-
[16]
刘畅，黄杨，杨昕然，等. 计及储能及负荷转供协同调度的城市电网弹性运行策略[J]. 电力系统保护与控制，2021，49(6)：56-66.LIU Chang, HUANG Yang, YANG Xinran, et al. Flexible operation strategy of an urban transmission network considering energy storage systems and load transfer characteristics[J]. Power System Protection and Control, 2021,49(6): 56-66 (in Chinese). [百度学术]
-
[17]
漆晓凤，杨君艺，付申杰，等. 分布式储能对配电网安全运行的影响和对策[J]. 电气技术与经济，2023(10)：319-322. [百度学术]
-
[18]
ZHU J Z, LI S L, BORGHETTI A, et al. Review of demandside energy sharing and collective self-consumption schemes in future power systems[J]. iEnergy, 2023, 2(2): 119-132. [百度学术]
-
[19]
ZHANG X L, DUAN H C, QU S. Design of “internet” -based intelligent greenhouse control system[C]//2021 IEEE Asia-Pacific Conference on Image Processing, Electronics and Computers (IPEC). Dalian, China. IEEE, 2021: 187-190. [百度学术]
-
[20]
李东伟，买文霞，郭森，等. 用户侧储能投资风险评估研究：基于模糊BWM和MARCOS模型的应用分析[J]. 价格理论与实践，2022(8)：160-163.LI Dongwei, MAI Wenxia, GUO Sen, et al. Research on risk assessment of user side energy storage investment: application analysis based on fuzzy BWM and MARCOS model[J]. Price Theory & Practice, 2022(8): 160-163 (in Chinese). [百度学术]
-
[21]
高明裕，蔡林辉，孙长城，等. 一种基于斯皮尔曼秩相关结合神经网络的电池组内部短路故障检测算法[J]. 电子与信息学报，2022，44(11)：3734-3747.GAO Mingyu, CAI Linhui, SUN Changcheng, et al. An internal short circuit fault detecting of battery pack based on Spearman rank correlation combined with neural network[J].Journal of Electronics & Information Technology, 2022,44(11): 3734-3747 (in Chinese). [百度学术]
-
[22]
张新锋，姚蒙蒙，宋瑞，等. 基于AEKPF算法对锂离子电池SOC与SOH的联合估计[J]. 江苏大学学报（自然科学版），2022，43(1)：24-31.ZHANG Xinfeng, YAO Mengmeng, SONG Rui, et al. Joint estimation of SOC and SOH for Li-ion battery based on AEKPF algorithm[J]. Journal of Jiangsu University (Natural Science Edition), 2022, 43(1): 24-31 (in Chinese). [百度学术]
-
[23]
熊康，黎灿兵，樊飞龙等. 电池储能温度-功率特性建模及其在综合能源系统中的应用[J/OL]. 电工技术学报. (2023-09-14)[2024-01-27]. https://doi.org/10.19595/j.cnki.1000-6753.tces.231028.XIONG Kang, LI Canbing, FAN Feilong, et al. Modeling of temperature power characteristics of battery energy storage and its application in integrated energy systems [J/OL]. Transaction of China Electrotechnical Society. (2023-09-14)[2024-01-27]. https://doi.org/10.19595/j.cnki.1000-6753.tces.231028 (in Chinese). [百度学术]
-
[24]
DING S Y, DONG C Y, ZHAO T Y, et al. A meta-learning based multimodal neural network for multistep ahead battery thermal runaway forecasting[J]. IEEE Transactions on Industrial Informatics, 2021, 17(7): 4503-4511. [百度学术]
-
[25]
王小君，窦嘉铭，刘曌，等. 可解释人工智能在电力系统中的应用综述与展望[J/OL]. 电力系统自动化，2023：1-23. (2023-12-02). https://kns.cnki.net/kcms/detail/32.1180.TP.20231130.1133.006.html.WANG Xiaojun, DOU Jiaming, LIU Zhao, et al. Review and prospect of explainable AI and its application in power systems[J/OL]. Automation of Electric Power Systems, 2023:1-23. (2023-12-02). https://kns.cnki.net/kcms/detail/32.1180.TP.20231130.1133.006.html (in Chinese). [百度学术]
-
[26]
中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会. 电化学储能系统储能变流器技术规范：GB/T 34120—2017[S]. 北京：中国标准出版社，2017. [百度学术]
-
[27]
中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会. 电化学储能系统储能变流器技术规范：GB/T 36547—2018[S]. 北京：中国标准出版社，2018. [百度学术]
基金项目
国家电网有限公司科技项目（用户侧储能并网安全监测与故障溯源关键技术研究及应用，5108-202218280A-2-148-XG）。
Science and Technology Foundation of SGCC (5108-202218280A-2-148-XG).
作者简介
-
范培潇
-
刘学成
-
杨军
-
李勇汇
-
柯学
-
洪华伟
-
张抒凌