微电网风-光-水-蓄混合储能的能量管理研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第8-14页 |
| 1.1 课程研究及背景意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容与思路 | 第12页 |
| 1.4 本文的结构安排 | 第12-14页 |
| 第2章 分布式电源风能与光能发电分析 | 第14-21页 |
| 2.1 风力发电的基本特性 | 第14-17页 |
| 2.1.1 风力发电中的风能特性 | 第14-15页 |
| 2.1.2 风力发电过程中的工作特性 | 第15-17页 |
| 2.2 光伏发电的基本特性 | 第17-20页 |
| 2.2.1 光伏发电的基本模式 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 微电网水-蓄混合储能系统分析 | 第21-37页 |
| 3.1 微电网储能系统介绍 | 第21-22页 |
| 3.2 蓄电池储能单元特性 | 第22-26页 |
| 3.2.1 蓄电池充放电特性 | 第22-23页 |
| 3.2.2 蓄电池受温度影响特性 | 第23-25页 |
| 3.2.3 蓄电池储蓄寿命和储存能力 | 第25-26页 |
| 3.3 抽水蓄能储能单元特性 | 第26-28页 |
| 3.3.1 抽水蓄能组成部分 | 第26-27页 |
| 3.3.2 抽水蓄能运行方式和储存类型 | 第27-28页 |
| 3.4 蓄-水储能混合储能分析 | 第28-30页 |
| 3.4.1 负荷用电分析 | 第28-30页 |
| 3.5 储能电池和抽水蓄能的混合储能分析 | 第30-33页 |
| 3.5.1 混合储能成本分析 | 第31-33页 |
| 3.6 抽水蓄能案例分析 | 第33-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第4章 基于人工智能遗传算法的微电网能量优化 | 第37-59页 |
| 4.1 遗传算法理论 | 第37-40页 |
| 4.1.1 遗传算法概要 | 第37页 |
| 4.1.2 遗传算法原理 | 第37-40页 |
| 4.2 BP神经网络的预测模型 | 第40-44页 |
| 4.2.1 风光出力系统预测方案 | 第42-44页 |
| 4.3 遗传算法优化算例及分析 | 第44-54页 |
| 4.3.1 利用MATLAB分析遗传算法案例 | 第46-52页 |
| 4.3.2 基于遗传算法的微电网最优值问题 | 第52-54页 |
| 4.4 基于人工智能构建智能微电网思路框架 | 第54-58页 |
| 4.4.1 人工智能算法微电网构建 | 第54-55页 |
| 4.4.2 智能微电网能量管理策略 | 第55-57页 |
| 4.4.3 智能微电网的经济调度策略 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 微电网中主要的Simulink仿真 | 第59-68页 |
| 5.1 风机转换效率特性simulink仿真模型 | 第59-60页 |
| 5.2 光伏电池放电simulink仿真模型 | 第60-64页 |
| 5.3 蓄电池并网放电Simulink仿真模型 | 第64-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 总结和展望 | 第68-70页 |
| 6.1 论文总结 | 第68页 |
| 6.2 进一步工作方向 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
