CN103368195B - 基于遗传算法的电池储能电站功率控制方法及其系统 - Google Patents

Abstract

本发明提出一种基于遗传算法的电池储能电站功率控制方法及其系统，该方法包括步骤A、实时读取电池储能电站的相关数据，并对上述数据进行存储；B、通过遗传算法实时确定出电池储能电站中参与本次功率分配的储能机组；C、计算出参与本次功率分配的储能机组功率命令值；D、将参与功率分配的储能机组的功率命令值进行存储后输出。该系统包括通讯模块、数据存储与管理模块、遗传算法控制模块和功率分配控制模块。本发明的控制方法和系统通过位于工控机中的各模块完成基于遗传算法的电池储能电站功率控制方法，并将数据传至外部监控平台进行监控，可实现对兆瓦级电池储能电站实时功率的有效控制和分配目的。

Description

基于遗传算法的电池储能电站功率控制方法及其系统

技术领域

本发明属于智能电网以及能量存储与转换技术领域，具体涉及一种基于遗传算法的电池储能电站功率控制方法及其系统，尤其适用于大规模储能并网系统电池功率及电池能量的管理方法。

背景技术

随着电池及其集成技术的不断发展，大规模分布式和集中式电池储能电站的应用模式将逐步成为一种优选方案。电池储能系统中目前常用的几种大容量储能电池有钠硫电池，液流电池以及锂离子电池等类型。

通过合理控制连接在储能设备上的换流器，高效实现储能系统的充放电，能在很大程度上解决由于风电及光伏发电随机性、间歇性及波动性等带来的风光发电输出功率不稳定问题，以满足风力及太阳能发电的平滑输出要求，并有效解决由于风电及光伏发电波动给电网频率波动带来的电能质量等问题。

从电池储能的角度来说，过度的充电和过度的放电都会对电池的寿命造成影响。因此，监控好电池荷电状态、在储能电站内部合理分配好总功率需求，并将电池的荷电状态控制在一定范围内是必要的。

目前有关电池储能电站的功率控制方面的专利、文献、技术报告等非常少，需要深入研究和探索。

本发明将遗传算法考虑到电池储能电站的控制方法中。遗传算法作为一种可实现全局优化的搜索算法，具有适应并行处理、鲁棒性强等特点，已被广泛地应用于多个领域，也常被应用于求解组合优化问题的近似最优解过程中。

发明内容

针对上述问题及研究背景，本发明的目的之一在于提供一种安全稳定、便于操作实现的基于遗传算法的电池储能电站功率控制方法。

本发明的控制方法是通过如下技术方案实现的：

一种基于遗传算法的电池储能电站功率控制方法，包括以下步骤：

A、实时读取电池储能电站的相关数据，并对数据进行存储；

B、基于遗传算法实时确定出电池储能电站中参与本次功率分配的储能机组；

C、计算出参与本次功率分配的储能机组功率命令值；

D、将步骤C计算出的储能机组功率命令值进行存储后输出。

进一步地，在步骤A中，所述电池储能电站的相关数据包括：电池储能电站总功率需求以及电池储能电站中各储能机组的可控状态值、最大允许工作功率比例值、荷电状态值和最大允许工作功率等等；所述最大允许工作功率包括最大允许放电功率和最大允许充电功率，当电池储能电站总功率需求为正值时，所述最大允许工作功率即为最大允许放电功率，当电池储能电站总功率需求为正值时，所述最大允许工作功率即为最大允许充电功率。

进一步地，在步骤B中，

首先，建立下式中的0-1整数规划模型作为判断各储能机组是否参与本次功率分配的目标函数：

目标函数：

其次，通过遗传算法计算各储能机组的决策变量，并根据决策变量确定参与本次功率分配的储能机组；

上式中，x_i、u_i、α_i、分别为储能机组i的0-1决策变量、可控状态值、最大允许工作功率比例值和最大允许工作功率；当x_i＝1时表示储能机组i参与本次功率分配，当x_i＝0时表示储能机组i不参与本次功率；当储能机组i可控时，u_i为1，否则u_i为0；为电池储能电站总功率需求；L为电池储能电站中储能机组的总个数。

进一步地，在步骤C中，计算出参与本次功率分配的各储能机组功率命令值的具体方法包括：

步骤C1、利用步骤B计算出的各储能机组的决策变量，并基于相应储能机组的荷电状态值，计算处参与本次功率分配的各储能机组功率命令值；

步骤C2、设置越限条件，并基于越限条件判断步骤C1中各储能机组的功率命令值是否有违反其最大允许工作功率限制的情况，如果有，则执行步骤C3；否则，跳转至步骤C4；

步骤C3、重新计算参与本次功率分配的各储能机组功率命令值；

步骤C4、将步骤C1计算出的各储能机组功率命令值设置为其最终功率命令值。

进一步地，在步骤D中，将步骤C中计算出的各储能机组功率命令值进行存储后输出至外部监控平台，以执行对电池储能电站的功率控制，同时实现对电池储能电站的实时功率控制功能。

本发明的另一目的在于提出一种基于遗传算法的电池储能电站功率控制系统，其包括：

通讯模块，用于接收电池储能电站的相关数据，并与外部监控平台进行数据传输和通信；

数据存储与管理模块，用于存储和管理电池储能电站的相关数据；并将计算出的各储能机组功率命令值赋值给相应接口变量；

遗传算法控制模块，用于实时确定出电池储能电站中参与功率分配的储能机组；和

功率分配控制模块，用于计算出参与功率分配的储能机组功率命令值。

与现有技术相比，本发明达到的有益效果是：

本发明提供了一种基于遗传算法的电池储能电站功率控制方法和系统，其在实际工程应用上易于实现和掌握，通过该方法和系统控制的电池储能电站更加安全稳定，可实现电池储能电站需求功率的分配控制及储能电站存储能量的合理监管的控制目标。该方法主要是，首先基于遗传算法控制模块，实时确定参与每次功率分配所需的最佳储能机组组合状态；其次，结合可表示锂电池储能机组实时功率特性的允许充放电能力(即，各锂电池储能机组最大允许放电功率，各锂电池储能机组最大允许充电功率等)以及可表示锂电池储能机组存储能量特性的荷电状态值SOC，在已确定的最佳机组组合状态下，实时计算参与每次功率分配的各锂电池储能机组的功率命令值，从而实现了实时分配锂电池储能电站总功率需求的同时，也实现了并网用大规模电池储能电站的能量管理及实时控制。

附图说明

图1是本发明电池储能电站的系统示意图；

图2是本发明基于遗传算法的电池储能电站实时功率控制方法实施例的实施框图。

具体实施方式

下面以锂电池储能电站为例、结合附图和具体实施例对本发明的控制方法和系统作进一步的详细说明。

如图1所示，锂电池储能电站中包括相互并联的各锂电池储能机组，每个储能机组中均包括一双向变流器和多个并行设置的锂离子电池组，通过双向变流器可执行对相应锂离子电池组的投切控制及充放电功率指令等功能。

图2是基于遗传算法的锂离子电池储能电站的实时功率分配控制方法的实施框图。

如图2所示，本发明是通过设置在工控机中的通讯模块10、数据存储与管理模块20、遗传算法控制模块30，功率分配控制模块40实现的。

通讯模块10，用于实时接收电池储能电站的相关数据，以及向外部监控平台发送各锂电池储能机组功率命令值，监控平台设置在通讯模块左侧，与通讯模块连接，实现监测和控制通讯模块的作用。

数据存储与管理模块20，用于存储和管理电池储能电站的相关数据；而且负责将计算出的各锂电池储能机组功率命令值按事先设定的协议赋值给相关接口变量，供外部监控平台调用。

遗传算法控制模块30，用于实时计算各锂电池储能机组的决策变量，并通过决策变量进一步确定出电池储能电站中参与本次功率分配的储能机组；

功率分配控制模块40，用于计算和确定储能电站中参与本次功率分配的各储能机组功率命令值。

下面结合具体实施步骤，对本例中实施方式进行详细说明。如图2所示，本例中基于遗传算法的锂电池储能电站功率控制方法，包括下述步骤：

A、通过通讯模块10读取电池储能电站的相关数据，并通过数据存储与管理模块20对数据进行存储和管理；

B、基于遗传算法控制模块30实时确定出电池储能电站中参与本次功率分配的储能机组；

C、基于功率分配控制模块40计算出参与本次功率分配的各储能机组功率命令值；

D、将步骤C计算出的各锂电池储能机组功率命令值在数据存储与管理模块20进行汇总后，通过通讯模块10输出至外部监控平台。

在步骤A中，所述电池储能电站的相关数据包括：电池储能电站总功率需求以及电池储能电站中各储能机组的可控状态值、最大允许工作功率比例值、荷电状态值和最大允许工作功率等等；所述最大允许工作功率包括最大允许放电功率和最大允许充电功率，当电池储能电站总功率需求为正值时，所述最大允许工作功率即为最大允许放电功率，当电池储能电站总功率需求为正值时，所述最大允许工作功率即为最大允许充电功率。

在步骤B中，首先，建立下式中的0-1整数规划模型作为判断各储能机组是否参与本次功率分配的目标函数：

且满足：

其次，通过遗传算法计算各储能机组的决策变量，并根据决策变量确定参与本次功率分配的储能机组；

上式(I)中，x_i、u_i、α_i、分别为储能机组i的0-1决策变量、可控状态值、最大允许工作功率比例值和最大允许工作功率；当x_i＝1时表示储能机组i参与本次功率分配，当x_i＝0时表示储能机组i不参与本次功率；当储能机组i可控时，u_i为1，否则u_i为0；为电池储能电站总功率需求；L为电池储能电站中储能机组的总个数。

上式(I)中，x_i为0-1决策变量，x_i＝1时表示将储能机组i参与功率分配计算，x_i＝0时则表示不参与本次功率分配；u_i为储能机组i的可控状态值，该状态值可通过步骤A读取，当该储能机组i可控时，此状态值为1，否则值为0；α_i为储能机组i的最大允许工作功率比例值，该值通过步骤A读取，具体实施本发明过程中，例如，可取α_i＝0.8；为电池储能电站总功率需求；L为电池储能电站中储能机组的总个数。

基于遗传算法控制模块计算各储能机组i的决策变量x_i，从而决策出参与本次功率分配的储能机组的组合状态，具体方法如下：

步骤B1：确定群体中的个体(染色体)个数N，每个染色体中的基因个数为储能机组个数L。对每个个体进行二进制编码(编码成一个向量，即染色体，向量每个元素为基因，相应基因值将对应每个储能机组是否参与本次功率分配的决策值x_i(i＝1，...，L))，随机生成N个个体作为初始群体，得到各染色体中的基因串的0、1组合方式；并令进化代数计数器值G＝0；

步骤B2：判断进化代数计数器值G是否小于等于最大进化代数计数器值G^max，且每个个体是否满足下式约束条件：如果上述两个判断条件均满足，执行步骤B3，否则，跳转至步骤B6；

步骤B3：基于下式计算每个个体k所对应的适应值S_k，按S_k的大小评价其适应度；

(k＝1，...，N)(3)

步骤B4：基于步骤B3计算得出的适应度值，按照优胜劣汰的原理进行选择操作，例如可采用轮盘赌选择法选择出优胜的个体，在该方法中，个体的选择概率将与其适应度值成比例。然后基于交叉概率和变异概率分别进行重组和变异操作后得到子代；

步骤B5：基于目标函数选择出最优子代，并将其按照一定插入概率重新插入到种群中进行替代操作；而后令G＝G+1，返回到步骤B2；

步骤B6：计算满足目标函数(1)的最优解及其个体，对最优个体经过解码得出其基因串排列组合方式，每个基因值为与之对应的储能机组i的决策变量值x_i(i＝1，...，L)。

在步骤C中，计算出参与功率分配的各储能机组功率命令值的具体方法包括：

步骤C1、利用步骤B所得各储能机组的决策变量，并基于相应储能机组的荷电状态值SOC_i或放电状态值SOD_i，计算出参与功率分配的各储能机组功率命令值P_i：

当电池储能电站总功率需求大于0时，表示该电池储能电站将处于放电状态，各储能机组功率命令值为：

当电池储能电站总功率需求小于0时，表示该电池储能电站将处于充电状态，各储能机组功率命令值为：

SOD_i＝1-SOC_i    (6)

步骤C2、设置越限条件；

当电池储能电站总功率需求大于0时，所述越限条件为：

当电池储能电站总功率需求小于0时，所述越限条件为：

基于上述越限条件判断步骤C1中各储能机组的功率命令值是否有违反其最大允许工作功率限制的情况，如果有，则执行步骤C3；否则跳转至步骤C4；

步骤C3、重新确定参与本次功率分配的各电池储能机组功率命令值P_i；

当电池储能电站总功率需求大于0时，表示该电池储能电站将处于放电状态，通过下式重新确定各储能机组功率命令值：

当电池储能电站总功率需求小于0时，表示该电池储能电站将处于充电状态，通过下式重新确定各储能机组功率命令值：

步骤C4、将步骤C1所得各储能机组功率命令值P_i设置为其最终功率命令值。

上式(4)-(10)中，SOC_i为i号储能机组的荷电状态值；SOD_i为i号储能机组的放电状态值；L为参与功率分配的电池储能机组个数。

在步骤D中，通过数据存储与管理模块对步骤C中计算出的各储能机组功率命令值进行存储后，通过通讯模块输出至外部监控平台，以执行对锂电池储能电站的功率控制，同时实现对电池储能电站的实时功率控制功能。

由于采用上述技术方案，所以本发明具有通过简单、易实现的遗传算法来在线决定储能电站机组组合状态，实时分配锂电池储能电站的总功率需求，实时监管各电池储能机组SOC值，通过优化参与储能总需求功率分配的储能机组个数以达到改善储能机组工作效率等功能。由于本发明先通过遗传算法挑选出参与本次功率分配的储能机组，然后对这部分机组进行功率分配，大大提高了工作效率，从而实现便捷、有效的实施对锂电池储能电站的功率控制功能。

最后应该说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，结合上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解到：本领域技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。

Claims (8)

1.一种基于遗传算法的电池储能电站功率控制方法，其特征在于，包括以下步骤：

A、实时读取电池储能电站的相关数据，并对数据进行存储；

B、基于遗传算法实时确定出电池储能电站中参与本次功率分配的储能机组；

C、计算出参与本次功率分配的储能机组功率命令值；

D、将步骤C计算出的储能机组功率命令值进行存储后输出；

在步骤B中，

首先，建立下式中的0-1整数规划模型作为判断各储能机组是否参与本次功率分配的目标函数：

目标函数：

其次，通过遗传算法计算各储能机组的决策变量，并根据决策变量确定参与本次功率分配的储能机组；

上式中，x_i、u_i、α_i、分别为储能机组i的0-1决策变量、可控状态值、最大允许工作功率比例值和最大允许工作功率；当x_i＝1时表示储能机组i参与本次功率分配，当x_i＝0时表示储能机组i不参与本次功率；当储能机组i可控时，u_i为1，否则u_i为0；为电池储能电站总功率需求；L为电池储能电站中储能机组的总个数。

2.如权利要求1所述的方法，其特征在于，在步骤A中，所述电池储能电站的相关数据包括：电池储能电站总功率需求以及电池储能电站中各储能机组的可控状态值、最大允许工作功率比例值、荷电状态值和最大允许工作功率；所述最大允许工作功率为最大允许放电功率或最大允许充电功率。

3.如权利要求1所述的方法，其特征在于，通过遗传算法计算各储能机组决策变量的方法包括：

步骤B1、确定群体中的个体个数N，每个个体中的基因个数为储能机组个数L，对每个个体进行二进制编码，随机生成N个个体作为初始群体，得到各个体中基因串的0、1组合方式，并令进化代数计数器值G＝0；

步骤B2、判断进化代数计数器值G是否小于等于最大进化代数计数器值G^max，且每个 个体是否满足下式的约束条件：如果上述两个判断条件均满足，则执行步骤B3；否则，跳转至步骤B6；

步骤B3、基于下式计算每个个体k所对应的适应度值S_k；

其中k＝1,……,N

步骤B4、基于步骤B3计算得出的适应度值，按照优胜劣汰原理进行选择操作，然后基于交叉概率和变异概率分别进行重组和变异操作后得到子代；

步骤B5、基于目标函数(I)选择出最优子代，并将其按照插入概率重新插入到种群中进行替代操作；然后令G＝G+1，跳转至步骤B2；

步骤B6、计算满足目标函数(I)的最优解，对最优解所对应的个体进行解码后得出其基因串的排列组合方式，每个基因值即为与之对应的储能机组i的决策变量值x_i，其中i＝1,……,L。

4.如权利要求1所述的方法，其特征在于，在步骤C中，计算出参与本次功率分配的各储能机组功率命令值的具体方法包括：

步骤C1、利用步骤B计算出的各储能机组的决策变量，并基于相应储能机组的荷电状态值，计算处参与本次功率分配的各储能机组功率命令值；

步骤C2、设置越限条件，并基于越限条件判断步骤C1中各储能机组的功率命令值是否有违反其最大允许工作功率限制的情况，如果有，则执行步骤C3；否则，跳转至步骤C4；

步骤C3、重新计算参与本次功率分配的各储能机组功率命令值；

步骤C4、将步骤C1计算出的各储能机组功率命令值设置为其最终功率命令值。

5.如权利要求4所述的方法，其特征在于，在步骤C1中，

当电池储能电站总功率需求大于0时，各储能机组功率命令值为：

当电池储能电站总功率需求小于0时，各储能机组功率命令值为：

上式中，SOC_i、SOD_i分别为储能机组i的荷电状态值和放电状态值，SOD_i＝1-SOC_i。

6.如权利要求4所述的方法，其特征在于，在步骤C2中，

当电池储能电站总功率需求大于0时，所述越限条件为：

当电池储能电站总功率需求小于0时，所述越限条件为：。

7.如权利要求4所述的方法，其特征在于，在步骤C3中，

当电池储能电站总功率需求大于0时，通过下式重新确定各储能机组功率命令值：

当电池储能电站总功率需求小于0时，通过下式重新确定各储能机组功率命令值：

8.一种基于遗传算法的电池储能电站功率控制系统，其特征在于，该系统包括：

通讯模块，用于接收电池储能电站的相关数据，并与外部监控平台进行数据传输和通信；

数据存储与管理模块，用于存储和管理电池储能电站的相关数据；并将计算出的各储能机组功率命令值赋值给相应接口变量；

遗传算法控制模块，用于实时确定出电池储能电站中参与功率分配的储能机组；和

功率分配控制模块，用于计算出参与功率分配的储能机组功率命令值；

所述遗传算法控制模块，用于建立下式中的0-1整数规划模型作为判断各储能机组是否参与本次功率分配的目标函数：

目标函数：

所述遗传算法控制模块，还用于通过遗传算法计算各储能机组的决策变量，并根据决策变量确定参与本次功率分配的储能机组；

上式中，x_i、u_i、α_i、分别为储能机组i的0-1决策变量、可控状态值、最大 允许工作功率比例值和最大允许工作功率；当x_i＝1时表示储能机组i参与本次功率分配，当x_i＝0时表示储能机组i不参与本次功率；当储能机组i可控时，u_i为1，否则u_i为0；为电池储能电站总功率需求；L为电池储能电站中储能机组的总个数。