CN105552940B - 基于交替方向乘子算法的分布式全局最优能量管理系统 - Google Patents
基于交替方向乘子算法的分布式全局最优能量管理系统 Download PDFInfo
- Publication number
- CN105552940B CN105552940B CN201510979422.2A CN201510979422A CN105552940B CN 105552940 B CN105552940 B CN 105552940B CN 201510979422 A CN201510979422 A CN 201510979422A CN 105552940 B CN105552940 B CN 105552940B
- Authority
- CN
- China
- Prior art keywords
- node
- energy
- energy storage
- matrix
- value
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 claims abstract description 39
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000005265 energy consumption Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 13
- 230000009977 dual effect Effects 0.000 claims description 9
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 6
- 230000001360 synchronised effect Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于交替方向乘子算法的分布式全局最优能量管理系统，是在单一微电网下，以多个储能设备为单位的系统，该微电网是由不同结点组成，每个结点都连接着相对应的能量存储模块、能量管理模块、动态负载和再生能源发电机，不同的结点通过拓扑图的样式互相连接，相邻的结点之间能够进行信息的交流，通过信息的交流，每个结点同步更新自身的能量管理参数，从而实时调整整个微电网的总体能耗达到全局最小。本发明通过跟踪能量存储模块的荷电状态，同时考虑微电网的能量供求平衡条件、传输线损耗、再生能源发电机的间断性、负载的动态变化、能量存储系统自身的充放电效率等因素，动态最小化电力线上的电力流动，从而达到减少功率损耗的目的。
Description
技术领域
本发明涉及智能电网领域，更具体地，涉及一种基于交替方向乘子算法的分布式全局最优能量管理系统。
背景技术
随着国民经济的发展，工业、商业、居民、电动汽车对用电的需求稳定迅速增长，电力部门必须开始加大对火电、水电以及核电等大型集中电源和超高压远距离输电网的建设力度。而传统的电力系统是采用集中供电的形式，通过长距离传输线到分散的终端用户。随着电网规模的不断扩大，这种供电形式的弊端日益凸现，鲁棒性差，运行难度大，难以适应用户越来越高的安全和可靠性要求以及多样化的供电需求，如纽约市、台湾岛二次大停电已为我们敲响了警钟。为了及时抑制这种趋势的蔓延，只有合理地调整供电结构、有效地将分布式发电和集中式发电结合在一起，构架更加安全稳定的电力系统。
分布式发电作为新的概念，其可靠、高品质的电能供应，逐渐成为集中供电系统的一个重要补充。由分布式发电机、负载、能量存储系统组成的微电网属于一种小规模的电力系统，可以将不同的分布式发电机和分布式能量存储系统整合到电网中。开发和延伸微电网能够充分促进分布式电源与可再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网的一种有效方式，是传统电网向智能电网过渡，有效解决了大型集中式电网的许多潜在问题。因此，对微电网的控制优化具有重大的研究意义。目前已知的微电网中的能量管理系统研究的文献主要有：
[1]E.Sortomme and M.A.El-Sharkawi,“Optimal power flow for a system ofmicrogrids with controllable loads and battery storage,”2009IEEE/PESPowerSystems Conf.and Exposition,pp.1–5,2009.
[2]W.-Y.Chiu,H.Sun,and H.V.Poor,“Demand-side energy storagesystemmanagement in smart grid,”in Proc.IEEE Int.Conf.SmartGridCommunications,pp.73–78,2012.
[3]S.Chakraborty,M.D.Weiss,and M.G.Simoes,"Distributedintelligentenergy management systemfor a single-phase high frequencyACmicrogrid",IEEE Trans.Ind.Electron.,vol.54,no.1,pp.97-109,2007.
[4]Q.Jiang,Y.Gong,and H.Wang,"A battery energy storage systemduallayer control strategy for mitigating wind farm fluctuations,"IEEETrans.Power Syst.,vol.28,no.3,pp.3263–3273,Aug.2013.
[5]S.Grillo,M.Marinelli,S.Massucco,and F.Silvestro,"Optimalmanagementstrategy of a battery-based storage system to improverenewable energyintegration in distribution networks,"IEEE Trans.SmartGrid,vol.3,no.2,pp.950–958,Jun.2012.
[6]A.Ouammi,H.Dagdougui,and R.Sacile,"Optimal control of power flowsand energy local storages in a network of microgrids modeled as a systemofsystems,"IEEE Trans.Control Syst.Technology,vol.23,no.1,pp.128-138,2015.
其中，文献【1】基于粒子群算法，通过可控制的负载和能量存储器在高电价时售出存储电能和减少用电高峰时的负载，来降低微电网的总能耗。文献【2】基于H∞设计，通过偏向于经济性需求的能量存储系统的管理策略，即在低电价阶段充电和在高电价阶段放电，来降低微电网的总能耗。文献【3】基于线性规划算法和启发式算法，来最小化微电网的运行损耗以及优化能量存储系统的荷电状态。文献【4】基于混合整数二次规划对能量存储系统的能量管理，提高系统的可靠性。文献【5】基于前向动态规划算法，提出一种能量存储系统的能量管理策略，将再生能源整合到分布式电网。文献【6】基于一种对于能量存储系统的最优化控制算法，来最小化多个微电网之间的能量交换和保持能量存储系统的荷电状态处于一个合适的状态。
上述的文献所运用的方法虽然可以实现相其对应的目的，但是仍然存在一些不足之处：
1、粒子群优化、蚁群算法、遗传算法等智能算法由于是基于随机搜索的，可能会只取得局部的最优值，还会对在线实现系统造成不必要的干扰。
2、系统中的一些重要的因素被忽略，比如能量存储系统的充放电效率、能量存储系统的存储损耗、传输线上的功率上下限限制、传输功率损耗等因素。
3、对于现有的大部分优化方法只考虑优化固定状态的值，而忽略了动态调整的成本因素。因为调整会对系统的磨损与生命周期产生影响，所以一些大的、突然的调整会对可控制设备引入额外的损耗。在智能电网的实时运行与控制中，为了使控制算法更加合理、经济，需要考虑动态调整的成本因素。
4、现有的传统集中式控制有着控制任务过于集中，主机负荷重；系统不稳定，实时性差；系统拓扑结构复杂；系统成本高，可靠性差，维护困难的不足。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于交替方向乘子算法的分布式全局最优能量管理系统，是在单一微电网下，以多个储能设备为单位的分布式全局最优能量管理系统，在满足用户的用电需求的情况下，同时考虑结点中能量供求平衡条件、传输线损耗、再生能源发电机的间断性、负载的动态变化、能量存储系统自身的充放电效率等因素的影响，通过跟踪能量存储系统的荷电状态，合理调配相邻结点的能量交换，实现微电网总能耗最小化。
为实现上述目的，本发明采用的技术方案是：
一种基于交替方向乘子算法的分布式全局最优能量管理系统，是在单一微电网下，以多个储能设备为单位的分布式全局最优能量管理系统，该微电网是由不同结点组成，每个结点都连接着相对应的能量存储模块、能量管理模块、动态负载和再生能源发电机，不同的结点通过拓扑图的样式互相连接，相邻的结点之间能够进行信息的交流，通过信息的交流，每个结点同步更新自身的能量管理参数，从而实时调整整个微电网的总体能耗达到全局最小；
利用交替方向乘子算法的全局一致性原理，将全局二次成本函数变成如下所示：
限制条件：
其中，Ui·分别为A、B、U矩阵的第i列向量；SOC(t)i为第i个结点的荷电状态；为第i个结点邻居的集合；N为微电网中结点数；pi、ri分别为矩阵Q、R的第i列向量；η为对角矩阵，其值为能量管理系统的充放电效率系数；dt为离散时间步长；PG(t)为局部分布式发电机功率的向量形式；PL(t)为负载的需求功率的向量形式；Uij为矩阵形式，其值为相邻结点i，j的控制信息；Ui·为列向量，其值为第i个结点自身的控制量及其对邻居的控制量；Uii、Ujj分别为第i个、第j个结点自身的控制量；A为对角矩阵，0<[A]ii<1，A的取值表示能量的存储效率系数；B为微电网的拓扑结构的矩阵形式，B矩阵可取-1、β、0，即当取值为-1表示功率是从当前结点流出，当取值为β表示功率是流入到当前结点，β为传输线上的传输效率系数，0<β<1；其余情况均取值为0；Q、R分别为动态状态、控制变量的权重矩阵，pi、ri则为Q、R矩阵中第i个结点的相对应的信息；
上述限制条件的作用是为了让第i个结点能根据其邻居的控制策略得出自身的控制策略；
下面列出第i结点在第h+1次迭代时增广拉格朗日函数：
其中，ρ>0为惩罚参数，其值的选取影响算法的收敛速率；λ为拉格朗日乘子；为增广拉格朗日函数标识；为列向量，其定义如下：
即取值为第h次迭代各结点的控制参数的平均值；为第h次迭代各j结点的邻居节点l的控制参数的值；
接着，初始残差对偶残差的迭代更新如下：
对偶变量的迭代更新如下：
变量的迭代更新如下：
即
其中，Ei是维的对角矩阵，其定义式如下：
交替方向乘子算法的停止准则如下：
其中，∈Pri为初始残差的最大容忍偏差；∈Dual为对偶残差的最大容忍偏差；∈abs为绝对容忍度阀值；∈rel为相对容忍度阀值；Uh是通过组成的向量，其中，i∈[1,N]；
当停止准则生效，取得当前时刻的全局的最优解。
交替方向乘子算法充分利用了目标函数的可分离性，将原问题分解为若干个更容易得到全局解的交替的极小化子问题进行分析，更重要的是，在大部分应用中，分离的极小化子问题都能得到显示解，这样可以省略每个子问题最优解的收敛性证明，更适用于实际应用中存在大量变量的大规模问题。
优选地，所述再生能源是风能、光能或潮汐能中的一种或多种；上述再生能源是绿色环保能源，对优化能源结构、减排温室气体具重要的作用。
优选地，所述微电网通过断路器接入主电网，即当微电网结点中的再生能源发电机不能满足用电需求的情况，可以有效的弥补再生能源间歇性的缺点。
本发明的基于交替方向乘子算法的分布式全局最优能量管理系统，当再生能源发电机所供应的能量有盈余时，将盈余的能量存储在能量存储模块中。当再生能源发电机所供应的能量不能满足用电需求，将使用能量存储模块中的能量。
控制能量存储模块的荷电状态保持在一个合理的状态，当荷电状态高于合理值，将多余的能量出售给相邻总线上的结点；当荷电状态低于合理值，将购买相邻总线结点的多余能量或主电网上的能量；既可以减少用户的用电费用，也可以减轻主电网高峰时段的负担。
与现有技术相比，本发明的有益效果：本发明采用的是分布式控制系统，具有控制任务分散到各控制对象，任务简单明确；系统实时性、可靠性高；系统拓扑结构相对简单；降低系统维护成本的优势。其次，本发明充分考虑了时间变化的分布式发电机、负载动态变化、传输损耗、能量存储系统的充放电效率以及存储效率等因素的影响，同时还最小化在动态调整系统所带来的额外损耗。
附图说明
图1为本发明的5结点微电网的拓扑图。
图2为本发明所采用的交替方向乘子方法的流程图。
图3为本发明的5结点微电网在本地功率不平衡为变化值时的荷电状态变化图。
图4为本发明的5结点微电网在本地功率不平衡为变化值时的控制量变化图。
图5为本发明的5结点微电网在本地功率不平衡为变化值，传输掉包率为10％时的荷电状态变化图。
图6为本发明的5结点微电网在本地功率不平衡为变化值，传输掉包率为10％时的控制变量变化图。
图7为本发明所使用的分布式控制方法与传统集中式控制方法的在不同的微电网规模下的比较图。
具体实施方式
下面结合附图对本发明做进一步的描述，但本发明的实施方式并不限于此。
图1中所示的是一个小规模、低电压的微电网，由5个结点组成，每个结点分别由分布式发电机、能量存储系统、负载组成。通过断路器，微电网既可以与主电网相连，也可以孤岛运行。图中所示的ui(i＝1,2,3,4,5)表示在第i条传输线上流动的功率，当ui>0，表示功率的流动方向与箭头所向方向相同；当ui<0，表示功率的流动方向与箭头所向方向相反。对于每一个结点，需要实时保持功率流动的供求平衡：
PG(t)-PL(t)+Bu(t)-PB(t)＝0 (1)
其中，PG(t)为局部分布式发电机功率的向量形式，PL(t)为负载的需求功率的向量形式，PB(t)为能量存储系统功率的向量形式，B为微电网的拓扑结构的矩阵形式，B矩阵可取-1、β、0，即当取值为-1表示功率是从当前结点流出，当取值为β表示功率是流入到当前结点，其余情况均取值为0。β为传输线上的传输效率系数(0<β<1)，其值取决于传输线的物理材质、传输距离等等。能量存储系统的动态表达式为：
SOC(t+1)＝ASOC(t)+ηInPB(t)Δt (2)
SOCmin≤SOC(t)≤SOCmax (3)
其中，A为对角矩阵，0<[A]ii<1，A的取值表示能量的存储效率系数；SOC(t)为当前时刻能量存储系统的荷电状态；In为n维的单位矩阵；Δt为离散时间步长；η为当前结点的能量存储系统的充放电效率系数；SOCmin、SOCmax分别为能量存储系统所能达到的最小、最大的荷电状态。能量存储系统的能量管理的目的是在传输线上的功率流动最小的情况下，最小化当前的SOC(t)与所需的SOCref之间的差值，使系统的总能耗J最小。
其中，S、Q、R分别为最终状态、动态状态、控制变量的权重矩阵，SOC误差e(t)的定义如下：
e(t)＝SOCref(t)-SOC(t) (5)
因而系统的全局二次成本函数如下所示：
限制条件：SOC(t+1)＝ASOC(t)+ηInPB(t)Δt
其中，tc为当前的时刻，K为时间段，P、R为正定加权对角矩阵。
由于本发明是通过分布式的方法控制微电网不同结点之间交流的信息量来达到全局的总能耗J最小，即假设Uij矩阵表示结点间的联系，其值表示信息量的大小，利用交替方向乘子算法的全局一致性原理，可将(6)式变成如下所示：
限制条件：
其中，Ui·分别为A、B、U矩阵的第i列向量，SOC(t)i为第i个结点的荷电状态，为第i个结点邻居的集合，N为微电网中结点数，pi、ri分别为矩阵Q、R的第i列向量。限制条件的作用是为了让第i个结点能根据其邻居的控制策略得出自身的控制策略。
下面列出第i结点在第h+1次迭代时增广拉格朗日函数：
其中，ρ>0为惩罚参数，其值的选取影响算法的收敛速率；λ为拉格朗日乘子；为增广拉格朗日函数标识；为列向量，其定义如下：
即取值为第h次迭代各结点的控制参数的平均值；为第h次迭代各j结点的邻居节点l的控制参数的值。
接着，初始残差对偶残差的迭代更新如下：
对偶变量的迭代更新如下：
变量的迭代更新如下：
即
其中，Ei是维的对角矩阵，其定义式如下：
交替方向乘子算法的停止准则如下：
其中，∈Pri为初始残差的最大容忍偏差；∈Dual为对偶残差的最大容忍偏差；∈abs为绝对容忍度阀值；∈rel为相对容忍度阀值；Uh是通过组成的向量，其中，i∈[1,N]；
当停止准则生效，系统取得当前时刻的全局的最优解。本发明采用的是单步优化的方法，即每经过h次迭代得出当前k时刻的系统全局最优解，然后通过不同k时刻的跌倒，最终得到系统在一个时间段内的全局最优解。交替方向乘子算法在本发明中的具体流程图如图2所示。
本发明利用仿真软件MATLAB来仿真实现。图3所示的是在5结点的微电网中，假设每个结点的功率不平衡，即ΔP(t)＝K*ΔP(0)，其中K为对角矩阵，ΔP(0)＝[-5；-10；-5；-10；0]kW，经过170步的迭代，各能量存储系统中的荷电状态达到所想要的状态，总耗时为0.14秒。图4所示的是当5结点的微电网在170步的迭代后取得所需的值，对应每个结点的控制量都变成零，这说明对各个结点的调整结束，总的系统取得当前时刻的最优值。
图5所示的在5结点的微电网中，与图4相同的条件下，使微电网中功率的控制信息有10％的几率会丢失，即10％的掉包率，经过200步的迭代，各能量存储系统中的荷电状态达到所想要的状态，总耗时为0.16秒。图6为相对应的控制变量的变化趋势图。
图7所示的是本发明所用的分布式控制方法与传统的集中式控制方法相比较，通过图表可得，当电网的规模越来越大，分布式控制方法比集中式控制方法更快的取得全局的最优解。
以上所述的本发明的实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所做出的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围。
Claims (3)
1.一种基于交替方向乘子算法的分布式全局最优能量管理系统，是在单一微电网下，以多个储能设备为单位的分布式全局最优能量管理系统，该微电网是由不同结点组成，每个结点都连接着相对应的能量存储模块、能量管理模块、动态负载和再生能源发电机，不同的结点通过拓扑图的样式互相连接，相邻的结点之间能够进行信息的交流，通过信息的交流，每个结点同步更新自身的能量管理参数，从而实时调整整个微电网的总体能耗达到全局最小；其特征在于，利用交替方向乘子算法的全局一致性原理，将全局二次成本函数变成如下所示：
<mrow>
<munder>
<mi>min</mi>
<mrow>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>n</mi>
<mo>&CenterDot;</mo>
</mrow>
</msub>
</mrow>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>&lsqb;</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>T</mi>
</msubsup>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>i</mi>
</msup>
<mo>+</mo>
<msubsup>
<mi>&eta;B</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>T</mi>
</msubsup>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
</msub>
<mi>d</mi>
<mi>t</mi>
<mo>+</mo>
<mi>&eta;</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>P</mi>
<mi>G</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>L</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mi>d</mi>
<mi>t</mi>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
限制条件：
其中，Ui·分别为A、B、U矩阵的第i列向量；SOC(t)i为第i个结点的荷电状态；为第i个结点邻居的集合；N为微电网中结点数；pi、ri分别为矩阵Q、R的第i列向量；dt为离散时间步长；η为对角矩阵，其值为能量管理系统的充放电效率系数；PG(t)为局部分布式发电机功率的向量形式；PL(t)为负载的需求功率的向量形式；Uij为矩阵形式，其值为相邻结点i，j的控制信息；Ui·为列向量，其值为第i个结点自身的控制量及其对邻居的控制量；Uii、Ujj分别为第i个、第j个结点自身的控制量；A为对角矩阵，0<[A]ii<1，A的取值表示能量的存储效率系数；B为微电网的拓扑结构的矩阵形式，B矩阵可取-1、β、0，即当取值为-1表示功率是从当前结点流出，当取值为β表示功率是流入到当前结点，β为传输线上的传输效率系数，0<β<1；其余情况均取值为0；Q、R分别为动态状态、控制变量的权重矩阵；
上述限制条件的作用是为了让第i个结点能根据其邻居的控制策略得出自身的控制策略；
下面列出第i结点在第h+1次迭代时增广拉格朗日函数：
其中，ρ>0为惩罚参数，其值的选取影响算法的收敛速率；λ为拉格朗日乘子；为增广拉格朗日函数标识；为列向量，其定义如下：
即取值为第h次迭代各结点的控制参数的平均值；为第h次迭代各j结点的邻居节点l的控制参数的值；
接着，初始残差对偶残差的迭代更新如下：
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mover>
<mi>U</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>=</mo>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>U</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mover>
<mi>U</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mrow>
<mi>h</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
对偶变量的迭代更新如下：
<mrow>
<msubsup>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mrow>
<mi>h</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&rho;&alpha;</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
变量的迭代更新如下：
即
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>U</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mrow>
<mi>h</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&eta;B</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
</msub>
<msubsup>
<mi>dt&eta;B</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>T</mi>
</msubsup>
<mi>d</mi>
<mi>t</mi>
<mo>+</mo>
<msup>
<mi>E</mi>
<mi>i</mi>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>&CenterDot;</mo>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>U</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>h</mi>
</msubsup>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&eta;B</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
</msub>
<msubsup>
<mi>dtA</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
<mi>T</mi>
</msubsup>
<msup>
<mi>x</mi>
<mi>i</mi>
</msup>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&eta;B</mi>
<mrow>
<mi>i</mi>
<mo>&CenterDot;</mo>
</mrow>
</msub>
<mi>d</mi>
<mi>t</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>P</mi>
<mi>G</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>L</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mi>d</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Ei是维的对角矩阵，其定义式如下：
<mrow>
<msubsup>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>i</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mo>=</mo>
<mn>2</mn>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>&rho;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
交替方向乘子算法的停止准则如下：
其中，∈Pri为初始残差的最大容忍偏差；∈Dual为对偶残差的最大容忍偏差；∈abs为绝对容忍度阀值；∈rel为相对容忍度阀值；Uh是通过组成的向量，其中，i∈[1,N]；
当停止准则生效，取得当前时刻的全局的最优解。
2.根据权利要求1所述的基于交替方向乘子算法的分布式全局最优能量管理系统，其特征在于，所述再生能源是风能、光能或潮汐能中的一种或多种。
3.根据权利要求1所述的基于交替方向乘子算法的分布式全局最优能量管理系统，其特征在于，所述微电网通过断路器接入主电网。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510979422.2A CN105552940B (zh) | 2015-12-22 | 2015-12-22 | 基于交替方向乘子算法的分布式全局最优能量管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510979422.2A CN105552940B (zh) | 2015-12-22 | 2015-12-22 | 基于交替方向乘子算法的分布式全局最优能量管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105552940A CN105552940A (zh) | 2016-05-04 |
| CN105552940B true CN105552940B (zh) | 2018-03-13 |
Family
ID=55831954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510979422.2A Active CN105552940B (zh) | 2015-12-22 | 2015-12-22 | 基于交替方向乘子算法的分布式全局最优能量管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105552940B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106143180B (zh) * | 2016-06-13 | 2019-01-22 | 通用电气技术有限公司 | 电动车分散充电控制系统和方法 |
| CN106786550B (zh) * | 2017-01-16 | 2020-04-21 | 中南大学 | 一种微电网成本优化的分布式控制方法及装置 |
| US10461540B2 (en) * | 2017-03-17 | 2019-10-29 | General Electric Technology Gmbh | Scalable flexibility control of distributed loads in a power grid |
| CN106712116B (zh) * | 2017-03-23 | 2019-04-09 | 广西大学 | 完全分布式的电力系统机组投入配置方法及系统 |
| CN107194516B (zh) * | 2017-06-07 | 2020-05-19 | 华北电力大学 | 含多主体的多能互补微电网分布式优化调度方法 |
| CN107508284B (zh) * | 2017-08-15 | 2020-05-19 | 华北电力大学 | 计及电气互联的微电网分布式优化调度方法 |
| CN107492901B (zh) * | 2017-08-29 | 2020-04-07 | 广东电网有限责任公司电力科学研究院 | 一种分布式储能系统实时优化方法及装置 |
| CN107910881B (zh) * | 2017-12-06 | 2020-11-06 | 重庆大学 | 一种基于电网负载应急管理的admm控制方法 |
| CN108921448B (zh) * | 2018-07-23 | 2021-06-29 | 清华-伯克利深圳学院筹备办公室 | 电能交易方法、装置、设备及存储介质 |
| CN109345030B (zh) * | 2018-10-26 | 2022-02-15 | 南方电网科学研究院有限责任公司 | 多微网的综合能源系统热电能流分布式优化方法和装置 |
| US11027719B2 (en) * | 2018-12-03 | 2021-06-08 | General Electric Company | Distributed power generation for a vehicle system |
| CN109774525B (zh) * | 2019-01-29 | 2022-05-13 | 国网山西省电力公司吕梁供电公司 | 基于交替方向乘子法的电动汽车优化调度方法 |
| CN110011304B (zh) * | 2019-04-15 | 2023-01-03 | 国网山西省电力公司大同供电公司 | 一种用于开关组网规划中的自优化路由系统 |
| CN110458293B (zh) * | 2019-05-16 | 2023-03-31 | 重庆邮电大学 | 一种优化网络延迟的分布式admm机器学习方法 |
| CN114172541B (zh) * | 2021-12-02 | 2023-04-07 | 广东电网有限责任公司 | 一种电力线通信网络的能耗均衡控制方法、装置及系统 |
| CN116433225B (zh) * | 2023-06-12 | 2023-08-29 | 国网湖北省电力有限公司经济技术研究院 | 一种互联微电网多时间尺度故障恢复方法、装置及设备 |
| CN118117624B (zh) * | 2024-04-26 | 2024-07-30 | 三峡电能有限公司 | 基于多种储能形式的乡村区域混合组网方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103872701A (zh) * | 2013-12-25 | 2014-06-18 | 惠州市亿能电子有限公司 | 一种储能型交直流混合微网及其控制方法 |
| CN103997062A (zh) * | 2014-05-28 | 2014-08-20 | 天津大学 | 一种微网能量管理控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8907524B2 (en) * | 2013-05-09 | 2014-12-09 | Expansion Energy Llc | Systems and methods of semi-centralized power storage and power production for multi-directional smart grid and other applications |
| WO2015031581A1 (en) * | 2013-08-28 | 2015-03-05 | Robert Bosch Gmbh | System and method for energy asset sizing and optimal dispatch |
-
2015
- 2015-12-22 CN CN201510979422.2A patent/CN105552940B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103872701A (zh) * | 2013-12-25 | 2014-06-18 | 惠州市亿能电子有限公司 | 一种储能型交直流混合微网及其控制方法 |
| CN103997062A (zh) * | 2014-05-28 | 2014-08-20 | 天津大学 | 一种微网能量管理控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于交替方向乘子法的分布式双线性状态估计;陈胜等;《电力系统自动化》;20151025;第39卷(第20期);第84-90页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105552940A (zh) | 2016-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105552940B (zh) | 基于交替方向乘子算法的分布式全局最优能量管理系统 | |
| Kumar et al. | A review on overall control of DC microgrids | |
| CN107545325B (zh) | 一种基于博弈论的多微网互联运行优化方法 | |
| Cai et al. | Day-ahead optimal charging/discharging scheduling for electric vehicles in microgrids | |
| Abdolrasol et al. | An optimal scheduling controller for virtual power plant and microgrid integration using the binary backtracking search algorithm | |
| CN107958300B (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
| CN107979111A (zh) | 一种基于两阶段鲁棒优化的微电网能量管理方法 | |
| Chen et al. | Multi-time scale coordinated optimal dispatch of microgrid cluster based on MAS | |
| Sedghi et al. | Storage scheduling for optimal energy management in active distribution network considering load, wind, and plug-in electric vehicles uncertainties | |
| Kumar et al. | A comprehensive review of DC microgrid in market segments and control technique | |
| Eseye et al. | Grid-price dependent optimal energy storage management strategy for grid-connected industrial microgrids | |
| Alhasnawi et al. | Adaptive Energy Management System for Smart Hybrid Microgrids. | |
| Gholinejad et al. | An energy management system structure for Neighborhood Networks | |
| Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
| Kumar et al. | Autonomous hybrid renewable energy system optimization for minimum cost | |
| Ye et al. | A hybrid charging management strategy for solving the under-voltage problem caused by large-scale EV fast charging | |
| Kermani et al. | Energy management system for smart grid in the presence of energy storage and photovoltaic systems | |
| Eydi et al. | Control strategy to improve load/power sharing, DC bus voltage restoration, and batteries SOC balancing in a DC microgrid | |
| Taherpoor et al. | A novel stochastic framework for energy management in renewable micro-grids considering uncertainty of measurement and forecasting | |
| Abedini et al. | Adaptive energy consumption scheduling of multi-microgrid using whale optimization algorithm | |
| Ma et al. | Coordinated control of micro-grid based on distributed moving horizon control | |
| Huang et al. | Optimal energy management of grid-connected photovoltaic micro-grid | |
| Bhatt et al. | Review of the impact of vehicle-to-grid schemes on electrical power systems | |
| CN113131497B (zh) | 电动汽车参与计划性孤岛的小水电微网功率平衡控制方法 | |
| Liu et al. | Hierarchical optimal dispatching strategy for microgrid system considering user-side resources |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |