CN103219723B - 基于智能多代理的直流微网能量协调控制方法 - Google Patents
基于智能多代理的直流微网能量协调控制方法 Download PDFInfo
- Publication number
- CN103219723B CN103219723B CN201310132584.3A CN201310132584A CN103219723B CN 103219723 B CN103219723 B CN 103219723B CN 201310132584 A CN201310132584 A CN 201310132584A CN 103219723 B CN103219723 B CN 103219723B
- Authority
- CN
- China
- Prior art keywords
- load
- jump
- agent
- grid
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
基于智能多代理的直流微网能量协调控制方法，包括以下步骤：1）搭建直流微网模型，确定组成部分和电压等级，作为基于智能多代理的直流微网能量协调控制方法的仿真模型；2）搭建多代理系统框架，明确各代理的职能；3）设计直流微网的能量协调控制策略；4）设计神经网络实现能量协调控制策略。
Description
技术领域
本发明项目涉及一种直流微网的控制方法，特别是一种基于智能多代理的直流微网能量协调控制方法。
背景技术
目前，微网主要以交流微网的形式存在。但交流微网存在控制复杂、浪费电力电子器件等问题。相反，直流微网能够降低控制要求，节约电力电子器件，减少系统成本及损耗，更好地利用具有直流特性的分布式电源。目前，主要的直流微网控制方法还是以集中控制为主，但直流微网的分布式特性、海量的控制信息及灵活的控制方法使得集中式控制方式难以对直流微网实现灵活有效的管理，而多代理系统能够将大而复杂的系统分解成小而互相通信的系统，适合微网复杂而又分散的控制要求。此外，神经网络能够人脑智能化处理，实现多输入多输出的非线性映射，具有信息记忆、自主学习等功能，具有很强的自适应性，适合直流微网中的控制策略，能够根据要求改变相应输出，起到很好的控制作用。而目前，对于结合了多代理系统和神经网络的直流微网控制方法尚未出现。
发明内容
为了给相比于交流微网更具有优势的直流微网提供一种可靠的控制方案，并有效解决微网的海量控制信息、分布式特性等问题，本发明结合了多代理系统和神经网络技术，提出了一种基于智能多代理的直流微网能量协调控制方法。
基于智能多代理的直流微网能量协调控制方法，包括以下步骤：
1）、搭建直流微网模型，确定组成部分和电压等级，作为基于智能多代理的直流微网能量协调控制方法的仿真模型；
2）、搭建多代理系统框架，明确各代理的职能；
3）、设计直流微网的能量协调控制策略；
4）、设计神经网络实现能量协调控制策略。
进一步，步骤(1)中搭建直流微网模型的步骤如下：
1-1）、搭建光伏电池、燃料电池、蓄电池及其控制电路，并设计电网侧AC/DC变流器；
1-2)、设定直流微网的负荷由一级负荷、二级负荷和三级负荷组成，其中，一级负荷不可间断供电，二级负荷可以短时间断供电，三级负荷可以长时间断电，同时为了保证一级负荷的正常供电，设定微源的输出功率一定能够满足一级负荷；
1-3）、设定直流母线电压为350V。
进一步，步骤(2)可有以下几个步骤组成：
2-1）、设计一个两层的多代理系统，并设定上层为控制中心Agent，下层包括光伏电池Agent、燃料电池Agent、负荷Agent及蓄电池Agent；
2-2）、设计控制中心Agent职能：能够收集下层各Agent的运行情况，并根据一定的策略做出合理的执行方案，同时将方案下传到下层的Agent。此外，还能够根据直流微网中的能量情况与电网协调决定并网还是解列；
2-3）、设计下层各Agent职能：传递各自运行参数到控制中心Agent及其他可能需要该参数的子Agent，并能根据控制中心Agent下传的执行方案及各自情况决定运行状态；
2-4）、设计光伏电池Agent职能：最大功率跟踪以及决定是否接入微网的功能，设定当输出电压在320V～370V才可以接入微网；
2-5）、设计燃料电池Agent职能：检测运行状态及决定是否接入微网的功能，设定当输出电压在320V～370V才可以接入微网；
2-6）、设计蓄电池Agent智能：监测运行参数及决定是否允许充放电的功能，设定额定电压为100V，且当电压小于90V或SoC小于20%不允许放电，电压大于110V或SoC大于90%不允许充电；
2-7）、设计负荷Agent智能：计算当前的总负荷功率，并可以根据分布式电源的总功率和总负荷功率的大小及控制中心是否下达减载信息等情况对负荷进行控制。
进一步，对于步骤(2-7)，负荷的控制步骤如下：
A1)、检测大电网是否允许放电的信号，若不允许跳转至A2，反之跳转至A8；
A2)、检测是否收到控制中心Agent下达的减载信号，若接收到减载信号跳转至A3，反之跳转至A9；
A3)、比较P1+P2和Pmax，若Pmax较大，则跳转至A4，反之跳转至A5，其中，P1，P2为一、二级负荷功率，Pmax为分布式电源和蓄电池的最大输出功率；
A4)、比较P1+P2+P3和Pmax，若Pmax较大，则跳转至A9，反之跳转到A7，其中，P3为三级负荷功率；
A5)、不计三级负荷，对二级负荷进行减载，跳转至A6；
A6)、比较P1+P2a+P3和Pmax，若Pmax较大，则跳转至A9，反之跳转至A7，其中，P2a为对二级负荷减载后的二级负荷功率；
A7)、对三级负荷进行减载，跳转至A9；
A8)、允许所有负荷获取电能，跳转至A9；
A9)、返回A1。
进一步，对于步骤(2-7)，负荷的减载步骤如下：
B1)、对需要减载的n个某一类负荷进行组合，共有2n-1种组合结果，其中，n为需要减载的这一类负荷的个数；
B2）、对2n-1种结果进行排序；
B3）、断开大于所需减载负荷的组合中负荷最小的组合，当存在功率相同时，断开负荷数量最少的组合。
进一步，步骤(3)中的能量协调控制方案以在保证用户正常用电的基础上能够尽可能减少能源消耗及用电支出作为控制目标，具体步骤如下：
3-1)、连接光伏电池；
3-2)、比较Pmp和Pl，若Pmp较大，跳转至(3-3)，反之跳转至(3-5)，其中，Pmp，Pl为光伏电池的最大输出功率和负荷功率；
3-3)、检测蓄电池是否允许充电的信号，若允许，跳转至(3-4)，反之跳转至(3-15)；
3-4）、蓄电池充电，跳转至(3-15)；
3-5）、检测燃料电池是否允许放电的信号，若允许，跳转至(3-6)，反之跳转至(3-8)；
3-6）、燃料电池放电，跳转至(3-7)；
3-7）、比较Pmp+Pmf和Pl，若Pmp+Pmf较大，跳转至(3-15)，反之跳转至(3-8)，其中，Pmf为燃料电池的最大输出功率；
3-8)、检测蓄电池是否允许放电的信号，若允许，跳转至(3-9)，反之跳转至(3-12)；
3-9)、蓄电池放电，若此时燃料电池放电，跳转至(3-10)，反之跳转至(3-11)；
3-10)、比较Pmp+Pmf+Pmb和Pl，若Pmp+Pmf+Pmb较大，跳转至(3-15)，反之跳转至(3-12)，其中，Pmb为蓄电池的最大输出功率；
3-11)、比较Pmp+Pmb和Pl，若Pmp+Pmb较大，跳转至(3-15)，反之跳转至(3-12)；
3-12)、检测大电网是否允许放电的信号，若不允许跳转至(3-13)，反之跳转至(3-14)；
3-13)、减载，跳转至(3-15)；
3-14)、并网，跳转至(3-15)；
3-15)、返回(3-2)。
进一步，步骤(4)可以由以下几个步骤组成：
4-1)、构建两层的BP网络架构；
4-2)、确定输入输出参数；
4-3）、确定隐层和输出层分别有17和7个神经元，传递函数均为logsig()；
4-4)、使用训练样本进行训练；
4-5)、生成Simulink模块。
进一步，步骤(4-2)中输入输出参数确定步骤如下：
A1)、确定由光伏电池、燃料电池、蓄电池、电网及负荷的各种运行状况的8个输入参数；
A2)、确定用于对燃料电池、蓄电池、电网及负荷进行控制的7个输出参数；
A3)、确定7个输出参数构成的13种协调控制命令。
本发明的技术构思是：把直流微网中的光伏电池、燃料电池、蓄电池及负荷都当成一个Agent，并设置一个控制中心Agent，将对直流微网的控制权力分配到各Agent中，由各Agent相互协作完成对微网的控制，能够提高控制的快速性和可靠性。同时，使用神经网络实现控制中心Agent的能量协调控制策略，利用神经网络信息记忆、自主学习等功能，在实际应用中可以根据具体的运行状况进一步完善协调控制策略。
本发明的优点是：结合了多代理系统和神经网络的相关内容，充分发挥了两者的优点，对直流微网进行管理，既能够提高控制的可靠性和快速性，又能够根据用户的需求完善控制策略。
附图说明
图1直流微网模型
图2多代理系统结构
图3蓄电池充放电控制流程图
图4负荷控制流程图
图5负荷减载流程图
图6能量协调控制策略
图7神经网络结构
图8神经网络的8个输入数据
图9神经网络的7个输出数据
图10神经网络的13种协调控制命令
图11案例1中能量协调控制下的功率变化情况
图12案例1中负荷的功率变化情况
图13案例1中直流母线电压
图14案例2中能量协调控制下的功率变化情况
图15案例2中负荷的功率变化情况
图16案例2中直流母线电压
具体实施方式
1.项目实施方式
基于智能多代理的直流微网能量协调控制方法，包括以下步骤：
1）、搭建直流微网模型，确定组成部分和电压等级，作为基于智能多代理的直流微网能量协调控制方法的仿真模型；
搭建的直流微网模型如图1所示，步骤如下：
1-1）、搭建光伏电池、燃料电池、蓄电池及其控制电路，并设计电网侧AC/DC变流器；
1-2)、设定直流微网的负荷由一级负荷、二级负荷和三级负荷组成，其中，一级负荷不可间断供电，二级负荷可以短时间断供电，三级负荷可以长时间断电，同时为了保证一级负荷的正常供电，设定微源的输出功率一定能够满足一级负荷；
1-3）、设定直流母线电压为350V。
2）、搭建多代理系统框架，明确各代理的职能；
2-1）、设计一个两层的多代理系统，并设定上层为控制中心Agent，下层包括光伏电池Agent、燃料电池Agent、负荷Agent及蓄电池Agent，如图2所示；
2-2）、设计控制中心Agent职能：能够收集下层各Agent的运行情况，并根据一定的策略做出合理的执行方案，同时将方案下传到下层的Agent。此外，还能够根据直流微网中的能量情况与电网协调决定并网还是解列；
2-3）、设计下层各Agent职能：传递各自运行参数到控制中心Agent及其他可能需要该参数的子Agent，并能根据控制中心Agent下传的执行方案及各自情况决定运行状态；
2-4）、设计光伏电池Agent职能：最大功率跟踪以及决定是否接入微网的功能，设定当输出电压在320V～370V才可以接入微网；
2-5）、设计燃料电池Agent职能：检测运行状态及决定是否接入微网的功能，设定当输出电压在320V～370V才可以接入微网；
2-6）、设计蓄电池Agent智能：监测运行参数及决定是否允许充放电的功能，设定额定电压为100V，且当电压小于90V或SoC小于20%不允许放电，电压大于110V或SoC大于90%不允许充电，如图3所示；
2-7）、设计负荷Agent智能：计算当前的总负荷功率，并可以根据分布式电源的总功率和总负荷功率的大小及控制中心是否下达减载信息等情况对负荷进行控制。
负荷Agent的控制流程如图4所示，步骤如下：
A1)、检测大电网是否允许放电的信号，若不允许跳转至A2，反之跳转至A8；
A2)、检测是否收到控制中心Agent下达的减载信号，若接收到减载信号跳转至A3，反之跳转至A9；
A3)、比较P1+P2和Pmax，若Pmax较大，则跳转至A4，反之跳转至A5，其中，P1，P2为一、二级负荷功率，Pmax为分布式电源和蓄电池的最大输出功率；
A4)、比较P1+P2+P3和Pmax，若Pmax较大，则跳转至A9，反之跳转到A7，其中，P3为三级负荷功率；
A5)、不计三级负荷，对二级负荷进行减载，跳转至A6；
A6)、比较P1+P2a+P3和Pmax，若Pmax较大，则跳转至A9，反之跳转至A7，其中，P2a为对二级负荷减载后的二级负荷功率；
A7)、对三级负荷进行减载，跳转至A9；
A8)、允许所有负荷获取电能，跳转至A9；
A9)、返回A1。
负荷Agent的减载流程如图5所示，步骤如下：
B1)、对需要减载的n个某一类负荷进行组合，共有2n-1种组合结果，其中，n为需要减载的这一类负荷的个数；
B2）、对2n-1种结果进行排序；
B3）、断开大于所需减载负荷的组合中负荷最小的组合，当存在功率相同时，断开负荷数量最少的组合。
3）、设计直流微网的能量协调控制策略；
以在保证用户正常用电的基础上能够尽可能减少能源消耗及用电支出作为控制目标，设计了如图6所示的能量协调控制策略，具体步骤如下：
3-1)、连接光伏电池；
3-2)、比较Pmp和Pl，若Pmp较大，跳转至(3-3)，反之跳转至(3-5)，其中，Pmp，Pl为光伏电池的最大输出功率和负荷功率；
3-3)、检测蓄电池是否允许充电的信号，若允许，跳转至(3-4)，反之跳转至(3-15)；
3-4）、蓄电池充电，跳转至(3-15)；
3-5）、检测燃料电池是否允许放电的信号，若允许，跳转至(3-6)，反之跳转至(3-8)；
3-6）、燃料电池放电，跳转至(3-7)；
3-7）、比较Pmp+Pmf和Pl，若Pmp+Pmf较大，跳转至(3-15)，反之跳转至(3-8)，其中，Pmf为燃料电池的最大输出功率；
3-8)、检测蓄电池是否允许放电的信号，若允许，跳转至(3-9)，反之跳转至(3-12)；
3-9)、蓄电池放电，若此时燃料电池放电，跳转至(3-10)，反之跳转至(3-11)；
3-10)、比较Pmp+Pmf+Pmb和Pl，若Pmp+Pmf+Pmb较大，跳转至(3-15)，反之跳转至(3-12)，其中，Pmb为蓄电池的最大输出功率；
3-11)、比较Pmp+Pmb和Pl，若Pmp+Pmb较大，跳转至(3-15)，反之跳转至(3-12)；
3-12)、检测大电网是否允许放电的信号，若不允许跳转至(3-13)，反之跳转至(3-14)；
3-13)、减载，跳转至(3-15)；
3-14)、并网，跳转至(3-15)；
3-15)、返回(3-2)。
4）、设计神经网络实现能量协调控制策略。
神经网络的设计可以由以下几个步骤组成：
4-1)、构建两层的BP网络架构，如图7所示；
4-2)、确定由光伏电池、燃料电池、蓄电池、电网及负荷的各种运行状况的8个输入参数，如图8所示，确定用于对燃料电池、蓄电池、电网及负荷进行控制的7个输出参数，如图9所示，确定7个输出参数构成的13种协调控制命令，如图10所示；
4-3）、确定隐层和输出层分别有17和7个神经元，传递函数均为logsig()；
4-4)、使用训练样本进行训练；
4-5)、生成Simulink模块。
2.案例分析
仿真模型包括光伏电池、燃料电池、蓄电池各1台，其中，燃料电池、蓄电池的最大输出功率分别为2kW和2.5kW，蓄电池的初始SoC为50%。系统中还存在大电网及一个1kW一级负荷、两个2kW二级负荷和一个1kW三级负荷。利用该仿真系统，分别对光照变化、并网运行时负荷增加后电网断电及孤岛运行时负荷增加后并网这三种算例进行仿真。
A)、案例1
初始时微网并网运行，并带有一级负荷1kW，0.5s、0.75s、1s时分别增加二级、三级及二级负荷各2kW，主电网在1.25s时断开，微网进入孤岛运行状态。对应的功率变化情况如图11所示，其中，负荷输入为正，光伏电池、燃料电池、蓄电池及电网输出为正。
开始时，光伏最大输出功率约为1.56kW，系统中只存在1kW一级负荷，由于蓄电池SoC为50%，蓄电池Agent允许蓄电池充电，控制中心Agent接收到蓄电池允许放电的信息后，发出(0，0，0，0，1，0，0)的命令，蓄电池充电；0.5s时增加2kW二级负荷，光伏不足以提供所需电能，将由其他电源提供缺额电能。此时燃料电池允许放电且与光伏的最大总输出功率为3.56kW，能够满足负荷需求，控制中心Agent下达(1，0，0，0，0，0，0)的控制任务，蓄电池停止充电，燃料电池恒压放电；0.75s时增加2kW三级负荷，光伏及燃料电池无法满足负荷要求。但蓄电池的SoC允许其放电且光伏、燃料电池及蓄电池的最大总输出功率为6.06kW，能够满足负荷要求，控制中心Agent发出(0，1，1，0，0，0，0)的命令，燃料电池最大功率放电，蓄电池恒压放电；1s时增加2kW二级负荷，光伏、燃料电池及蓄电池无法满足负荷要求。控制中心Agent发出(0，1，0，1，0，1，0)的命令，燃料电池及蓄电池最大功率放电，大电网开始向微网提供电能；1.25s时，大电网断电，此时，系统电源发出的功率无法满足负荷，控制中心将发出(0，1，0，1，0，0，1)的命令，通知负荷Agent减载。负荷Agent接收到减载信息后，将根据从光伏电池Agent、燃料电池Agent、蓄电池Agent得到最大输出功率之和与此时的负荷情况进行比较，选择合理的减载方式。本算例中，负荷Agent选择断开2kW三级负荷，对应的负荷投入及减载情况如图12所示。减载完成后，控制中心Agent经过决策，再次发出(0，1，1，0，0，0，0)的命令，要求燃料电池最大功率放电，蓄电池恒压放电。对应的直流母线电压如图13所示。可见，本文提出的能量协调控制能较好地维持直流母线电压。
B)、案例2
初始时微网孤岛运行，并带有一级负荷1kW，在0.5s、0.75s、1s时分别增加二级、三级及二级负荷各2kW，1.25s时微网与电网连接，进入并网运行状态。功率变化情况如图14所示，其中，负荷输入为正，光伏电池、燃料电池、蓄电池及电网输出为正。
由于1s前，光伏电池、燃料电池及蓄电池的最大功率能够满足负荷要求，能量协调控制决策与算例2前1s的情况相同。1s时，增加2kW二级负荷，由于此时大电网不允许放电，而光伏电池、燃料电池及蓄电池不足以提出所需电能，控制中心Agent发出(0，1，0，1，0，0，1)的命令，通知负荷Agent减载，负荷Agent接收到减载信息后，针对该情况决定连接2kW二级负荷的同时，断开2kW三级负荷，确保电压稳定的同时使重要负荷能够正常运行，断开三级负荷后，控制中心Agent将发出(0，1，1，0，0，0，0)的命令；1.25s时，微网与主网并网，负荷Agent确认与大电网连接而且大电网可以提供电能后，将重新连接之前被断开的三级负荷，从而控制中心Agent将发出(0，1，0，1，0，1，0)的命令，使蓄电池最大功率放电，大电网向微网提供电能，保证功率平衡，维持电压稳定。对应的负荷变化情况以及直流母线电压分别如图15和图16所示。
通过以上案例说明，当发生负荷增加及孤岛和并网状态切换等情况时，控制系统总能够按照能量协调控制策略对微网进行管理，保证了功率平衡，维持了电压稳定。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.基于智能多代理的直流微网能量协调控制方法，包括以下步骤：
步骤1、搭建直流微网模型，确定组成部分和电压等级，作为基于智能多代理的直流微网能量协调控制方法的仿真模型；
步骤1中搭建直流微网模型的步骤如下：
1-1、搭建光伏电池、燃料电池、蓄电池及其控制电路，并设计电网侧AC/DC变流器；
1-2、设定直流微网的负荷由一级负荷、二级负荷和三级负荷组成，其中，一级负荷以不可间断的方式供电，二级负荷以可以短时间间断的方式供电，三级负荷以可以长时间断电的方式供电，同时为了保证一级负荷的正常供电，设定微源的输出功率一定能够满足一级负荷；
1-3、设定直流母线电压为350V；
步骤2、搭建多代理系统框架，明确各代理的职能；
步骤2由以下几个步骤组成：
2-1、设计一个两层的多代理系统，并设定上层为控制中心Agent，下层包括光伏电池Agent、燃料电池Agent、负荷Agent及蓄电池Agent；
2-2、设计控制中心Agent职能：能够收集下层各Agent的运行情况，并根据一定的策略做出合理的执行方案，同时将方案下传到下层的Agent；此外，还能够根据直流微网中的能量情况与电网协调决定并网还是解列；
2-3、设计下层各Agent职能：传递各自运行参数到控制中心Agent及其他需要该参数的子Agent，并能根据控制中心Agent下传的执行方案及各自情况决定运行状态；
2-4、设计光伏电池Agent职能：最大功率跟踪以及决定是否接入微网的功能，设定当输出电压在320V～370V才接入微网；
2-5、设计燃料电池Agent职能：检测运行状态及决定是否接入微网的功能，设定当输出电压在320V～370V才接入微网；
2-6、设计蓄电池Agent智能：监测运行参数及决定是否允许充放电的功能，设定额定电压为100V，且当电压小于90V或SoC小于20％不允许放电，电压大于110V或SoC大于90％不允许充电；
2-7、设计负荷Agent智能：计算当前的总负荷功率，并根据分布式电源的总功率和总负荷功率的大小及控制中心是否下达减载信息情况对负荷进行控制；
对于步骤2-7的负荷的控制的具体步骤如下：
A1、检测大电网是否允许放电的信号，若不允许跳转至A2，反之跳转至A8；
A2、检测是否收到控制中心Agent下达的减载信号，若接收到减载信号跳转至A3，反之跳转至A9；
A3、比较P1+P2和Pmax，若Pmax较大，则跳转至A4，反之跳转至A5，其中，P1，P2为一、二级负荷功率，Pmax为分布式电源和蓄电池的最大输出功率；
A4、比较P1+P2+P3和Pmax，若Pmax较大，则跳转至A9，反之跳转到A7，其中，P3为三级负荷功率；
A5、不计三级负荷，对二级负荷进行减载，跳转至A6；
A6、比较P1+P2a+P3和Pmax，若Pmax较大，则跳转至A9，反之跳转至A7，其中，P2a为对二级负荷减载后的二级负荷功率；
A7、对三级负荷进行减载，跳转至A9；
A8、允许所有负荷获取电能，跳转至A9；
A9、返回A1；
步骤2-7的负荷的减载步骤如下：
B1、对需要减载的n个某一类负荷进行组合，共有2n-1种组合结果，其中，n为需要减载的这一类负荷的个数；
B2、对2n-1种结果进行排序；
B3、断开大于所需减载负荷的组合中负荷最小的组合，当存在功率相同时，断开负荷数量最少的组合；
步骤3、设计直流微网的能量协调控制策略；
步骤3中的能量协调控制策略以在保证用户正常用电的基础上能够尽可能减少能源消耗及用电支出作为控制目标，具体步骤如下：
3-1、连接光伏电池；
3-2、比较Pmp和Pl，若Pmp较大，跳转至3-3，反之跳转至3-5，其中，Pmp，Pl为光伏电池的最大输出功率和负荷功率；
3-3、检测蓄电池是否允许充电的信号，若允许，跳转至3-4，反之跳转至3-15；
3-4、蓄电池充电，跳转至3-15；
3-5、检测燃料电池是否允许放电的信号，若允许，跳转至3-6，反之跳转至3-8；
3-6、燃料电池放电，跳转至3-7；
3-7、比较Pmp+Pmf和Pl，若Pmp+Pmf较大，跳转至3-15，反之跳转至3-8，其中，Pmf为燃料电池的最大输出功率；
3-8、检测蓄电池是否允许放电的信号，若允许，跳转至3-9，反之跳转至3-12；
3-9、蓄电池放电，若此时燃料电池放电，跳转至3-10，反之跳转至3-11；
3-10、比较Pmp+Pmf+Pmb和Pl，若Pmp+Pmf+Pmb较大，跳转至3-15，反之跳转至3-12，其中，Pmb为蓄电池的最大输出功率；
3-11、比较Pmp+Pmb和Pl，若Pmp+Pmb较大，跳转至3-15，反之跳转至3-12；
3-12、检测大电网是否允许放电的信号，若不允许跳转至3-13，反之跳转至3-14；
3-13、减载，跳转至3-15；
3-14、并网，跳转至3-15；
3-15、返回3-2；
步骤4、设计神经网络实现能量协调控制策略；
步骤4由以下几个步骤组成：
4-1、构建两层的BP网络架构；
4-2、确定输入输出参数；
4-3、确定隐层和输出层分别有17和7个神经元，传递函数均为logsig()；
4-4、使用训练样本进行训练；
4-5、生成Simulink模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310132584.3A CN103219723B (zh) | 2013-04-16 | 2013-04-16 | 基于智能多代理的直流微网能量协调控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310132584.3A CN103219723B (zh) | 2013-04-16 | 2013-04-16 | 基于智能多代理的直流微网能量协调控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103219723A CN103219723A (zh) | 2013-07-24 |
| CN103219723B true CN103219723B (zh) | 2015-03-04 |
Family
ID=48817305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310132584.3A Expired - Fee Related CN103219723B (zh) | 2013-04-16 | 2013-04-16 | 基于智能多代理的直流微网能量协调控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103219723B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104218681B (zh) * | 2014-09-28 | 2016-01-13 | 东南大学 | 一种用于降低孤岛微电网切负荷成本的控制方法 |
| CN104319816B (zh) * | 2014-11-17 | 2016-08-17 | 合肥工业大学 | 一种光储交直流混合微电网系统及其控制方法 |
| CN104505865B (zh) * | 2015-01-12 | 2016-08-31 | 四川大学 | 主动配电网有功功率平衡多代理方法及系统 |
| CN105305480A (zh) * | 2015-07-13 | 2016-02-03 | 陕西省地方电力（集团）有限公司 | 混合储能直流微网分层控制方法 |
| CN105514966B (zh) * | 2016-01-21 | 2018-06-29 | 上海电力学院 | 一种直流微电网群储能优化及协调控制方法 |
| CN105633954B (zh) * | 2016-01-26 | 2017-10-03 | 南京邮电大学 | 一种混合能源发电系统的多模态协调切换控制方法 |
| CN105680440A (zh) * | 2016-04-14 | 2016-06-15 | 四川航电微能源有限公司 | 一种分布式直流微电网控制方法及控制系统 |
| CN106026165A (zh) * | 2016-06-23 | 2016-10-12 | 武汉大学 | 一种基于光伏-储能混合直流微网减载的方法 |
| CN108565898B (zh) * | 2018-03-02 | 2021-05-14 | 国电南京自动化股份有限公司 | 一种基于神经网络的集散式微电网群能量调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE112005003780A5 (de) * | 2005-09-22 | 2008-08-28 | Siemens Aktiengesellschaft | Regelungsverfahren für eine Gleichstromübertragung mit mehreren Stromrichtern |
-
2013
- 2013-04-16 CN CN201310132584.3A patent/CN103219723B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN103219723A (zh) | 2013-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103219723B (zh) | 基于智能多代理的直流微网能量协调控制方法 | |
| CN104836321B (zh) | 智能型光伏储能系统电源及其控制方法 | |
| CN110803051B (zh) | 一种储能型充电桩及充电系统 | |
| CN102104257B (zh) | 公寓楼的储能系统、集成电力管理系统及系统控制方法 | |
| CN103887834B (zh) | 一种蓄电池组柔性均衡充放电管理整流模块、装置及系统 | |
| CN103050987B (zh) | 一种基于单体蓄电池组的蓄电池储能系统及控制方法 | |
| CN206099371U (zh) | 一种社区新能源微网系统 | |
| CN105743111A (zh) | 梯次利用车用动力电池储能系统 | |
| CN102842936B (zh) | 分布式电池供电装置及方法 | |
| CN104241720A (zh) | 一种微网中的电动汽车直流快速充电站充电控制方法 | |
| Chung et al. | Distributed intelligent microgrid control using multi-agent systems | |
| CN110034611A (zh) | 一种错峰用电混合储能系统 | |
| CN106655253B (zh) | 单三相多微网区域动态划分方法 | |
| CN106786755A (zh) | 一种储能系统及控制方法 | |
| CN103887862B (zh) | 一种柔性充放电管理整流模块、管理树装置及系统 | |
| CN102427242B (zh) | 锂电池储能监控系统 | |
| CN106886201A (zh) | 一种面向互联网的家用光伏发电系统和控制方法 | |
| CN109449944A (zh) | 变电站双向型直流电源控制系统和方法 | |
| CN108418201A (zh) | 一种直流微电网储能装置主从控制系统 | |
| CN202906507U (zh) | 分布式电池供电装置及方法 | |
| CN214900315U (zh) | 一种电源系统 | |
| CN212543374U (zh) | 110kV智慧能源站站用直流电源系统 | |
| CN212258417U (zh) | 220kV智慧能源站站用直流电源系统 | |
| CN111130131B (zh) | 一种双母线微电网互补供电系统 | |
| CN209963958U (zh) | 一种功率变换装置及共享充换电池柜 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191226 Address after: No. 2388, xinqun Road, Pinghu Economic Development Zone, Jiaxing City, Zhejiang Province Patentee after: PINGHU SHENGJIA ELECTRONICS Co.,Ltd. Address before: 510000 unit 2414-2416, building, No. five, No. 371, Tianhe District, Guangdong, China Patentee before: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd. Effective date of registration: 20191226 Address after: 510000 unit 2414-2416, building, No. five, No. 371, Tianhe District, Guangdong, China Patentee after: GUANGDONG GAOHANG INTELLECTUAL PROPERTY OPERATION Co.,Ltd. Address before: 310014 Hangzhou city in the lower reaches of the city of Zhejiang Wang Road, No. 18 Patentee before: Zhejiang University of Technology |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150304 Termination date: 20200416 |