CN105870949A - 一种基于分布式梯度算法的微电网储能单元优化控制方法 - Google Patents

Abstract

本发明公开了一种基于分布式梯度算法的微电网储能单元优化控制方法，包括步骤：建立微电网的电网功率平衡模型；根据微电网中储能单元在充放电过程中的电能损耗，确定储能单元的充放电效率分别与充放电功率、荷电状态的关系；以最小化储能单元在充放电过程中的电能损耗为目标函数对储能单元充放电进行建模分析；基于多智能体系统利用分布式梯度算法对所建立储能单元充电模型进行优化求解，获得模型最优解；根据所述模型最优解获得储能单元充放电策略及控制充电策略的执行。本发明利用算法对微电网中储能单元进行优化调度，不仅能得到等价于集中式方法的优化结果，而且实施成本低、灵活且具有可扩展性，能有效处理大规模电池储能系统接入的问题。

Description

一种基于分布式梯度算法的微电网储能单元优化控制方法

技术领域

本发明涉及一种基于分布式梯度算法的微电网储能单元优化控制方法，属于电力系统优化调度的技术领域。

背景技术

微电网是一种集成了各种分布式发电机(DG)和储能且很有前景的电力网络。微电网可以连接大电网运行，也可以在孤岛运行模式下运行，在孤岛运行模式下，关键问题之一是要如何确保微电网的功率平衡以及如何以最佳经济效益的方式实现这一目标。

由于风能和太阳能的丰富、清洁与免费性使它们成为最有前景的可再生能源供应，然而，风能和太阳能发电的间歇性给微电网的操作和控制带来了新的挑战，尤其是在风能和太阳能高渗透率的情况下。电池储能系统因其灵活的电功率吞吐特性，目前广泛应用于平滑风力发电和光伏发电、削峰填谷和调频等领域。对于自治的微电网来说，当可再生能源发电量不等于总的负荷需求时，会导致电网功率不平衡，为了克服这个问题，主要有三种解决方法：

1)减少可再生能源发电机(RG)的发电量，或者使RG处于减载模式。然而，这种方法不仅降低了可再生能源的利用率，而且在可再生能源最大发电量小于负载需求时无效；

2)应用需求侧管理，通过调节负荷需求的方式实现功率平衡。这种方法要求用户对电价变化的快速响应或者要求根据实时发电功率采取直接负荷控制措施，但是可能会引起用户的不满；

3)安装储能单元，例如电池储能、飞轮储能、超级电容储能等。它们可以像缓冲器一样在发电峰值期间吸收多余电量，在负荷峰值期间补偿发电功率不足。由于微电网中可再生能源发电的间歇性和低惯性，其电网频率可能会频繁地快速变化，而电池储能、飞轮储能、超级电容储能等储能单元具有快速响应能力，因此，引入储能单元可以有效解决由RG发电间歇性引起微电网的功率不平衡问题。

目前，现有的微电网中储能单元的分布式控制策略不够完善，无法对微电网中的储能单元进行优化调度，以及无法在平衡可再生能源发电的同时并且最小化其充放电过程中的电能损耗。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于分布式梯度算法的微电网储能单元优化控制方法，解决微电网中储能单元的充放电控制问题，使储能单元在平衡可再生能源发电的同时并且能够最小化其充放电过程中的电能损耗。

本发明具体采用以下技术方案解决上述技术问题：

一种基于分布式梯度算法的微电网储能单元优化控制方法，包括以下步骤：

步骤1、建立微电网的电网功率平衡模型；

步骤2、根据微电网中储能单元在充放电过程中的电能损耗，确定储能单元的充放电效率分别与充放电功率、荷电状态的关系；

步骤3、结合所建立电网功率平衡模型及所确定的储能单元充放电效率分别与充放电功率、荷电状态的关系，并以最小化储能单元在充放电过程中的电能损耗为目标函数对储能单元充放电进行建模分析；

步骤4、基于多智能体系统利用分布式梯度算法对所建立储能单元充电模型进行优化求解，获得模型最优解；

步骤5、根据所述模型最优解获得储能单元充放电策略及控制充电策略的执行。

进一步地，作为本发明的一种优选技术方案，所述步骤1建立的电网功率平衡模型为：

$\underset{k\∈W_G}{\Σ}{P}_{G,k}-\underset{j\∈W_L}{\mathrm{\Σ}}{P}_{L,j}-\underset{i\∈W_B}{\Σ}{P}_{B,i}=0$

其中，P_B,i为储能单元i的充/放电(正/负值)功率；k为分布式电源的序号；j为负荷的序号；i为储能单元的序号；W_G、W_L和W_B分别为分布式电源、负荷及储能单元的集合；P_G,k与P_L,j分别表示分布式电源提供的功率与负荷需求的功率。

进一步地，作为本发明的一种优选技术方案，所述步骤2储能单元充电过程中的电能损耗为：其中η_C,i为充电效率；

所述储能单元的充电效率与充电功率关系为：η_C,i＝a_i-b_iP_B,i，其中a_i和b_i分别是储能单元i的常数项和一次项系数；

以及，所述储能单元的充电效率与荷电状态的关系为：

$P_{B,i}\&lsqb;t\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;t\&rsqb;& {\mathrm{SOC}}_i^{\min }<{\mathrm{SOC}}_i\&lsqb;t\&rsqb;<{\mathrm{SOC}}_i^{\max }\\ 0\left({\mathrm{\&eta;}}_{C,i}=0\right)& {\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&le;{\mathrm{SOC}}_i^{\min }or{\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&GreaterEqual;{\mathrm{SOC}}_i^{\max }\end{array}\right.$

其中，和分别表示储能单元i的荷电状态上下限；t表示充电时间点；且储能单元i的荷电状态的计算公式如下：

SOC_i[t]＝SOC_i[t-1]+P_B,i[t-1]·η_C,i[t-1]·ΔT/C_i

其中ΔT为离散时间间隔，C_i为储能单元i的容量。

进一步地，作为本发明的一种优选技术方案，所述步骤3建立的储能单元充电模型为：

$Min\underset{i\&Element;W_B}{\mathrm{\&Sigma;}}{b}_i{P}_{B,i}^2+(1-a_i)P_{B,i}$

$s.t.\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=P_D$

$P_{B,i}^{\min }\&le;P_{B,i}\&le;P_{B,i}^{\max }$

其中，与分别为储能单元i充电功率的下界和上界；当P_D为正值时，储能单元处于充电状态，反之处于放电状态。

进一步地，作为本发明的一种优选技术方案，所述步骤4利用分布式梯度算法对所建立储能单元充电模型进行优化求解，包括确定储能单元的本地更新规则，所述储能单元根据本地更新规则进行更新迭代。

进一步地，作为本发明的一种优选技术方案，所述本地更新规则具体为：

$P_{B,i}\&lsqb;k+1\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;k\&rsqb;-\mathrm{\&alpha;}\&lsqb;k\&rsqb;\&times;\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{ij}\&lsqb;k\&rsqb;{\stackrel{\&CenterDot;}{f}}_j\left(P_{B,j}\&lsqb;k\&rsqb;\right)& i,j\&Element;N_{ib}\&lsqb;k\&rsqb;\\ P_{B,i}^{\min }or{P}_{B,i}^{\max }& i\&Element;N_{ib}{\&lsqb;k\&rsqb;}^c\end{array}\right.$

其中，P_B,i[k+1]是P_B,i[k]的更新；α[k]是步长；是目标函数的导数；N_ib[k]^c是充电功率超过上下限的储能单元集合；N_ib[k]是N_ib[k]^c的补集；j∈N_i，N_i表示与智能体i相邻的智能体集合；W_ij是智能体i与智能体j的相关权重。

本发明采用上述技术方案，能产生如下技术效果：

(1)本发明所提供的基于分布式梯度算法的微电网储能单元优化控制方法，以分布式的方法对微电网中的储能单元进行优化调度，不仅能得到等价于集中式方法的优化结果，而且实施起来成本低、灵活且具有可扩展性，能够处理解决大规模电池储能系统接入的问题。

(2)本发明还考虑到了储能单元的充放电效率分别与充放电功率和荷电状态的关系，更加符合实际情况。相比于传统的集中式方法，分布式方法不需要一个强大的中央控制器，只需要通过一个本地通信网络实现组件间的信息交换，实施起来相对便宜、灵活且不易受单点故障影响，能实现等价于集中式方法的优化结果。

因此，本发明应用分布式方法优化解决微电网中储能单元的充放电控制问题，使储能单元在平衡可再生能源发电的同时并且能够最小化其充放电过程中的电能损耗。

附图说明

图1是本发明优化控制方法的流程图。

图2是本发明中重新配置的虚拟通信网络拓扑图。

图3是本发明中实验例的测试系统图。

图4(a)是本发明中实验例不考虑储能单元充放电功率约束的仿真效果图。

图4(b)是本发明中实验例考虑储能单元充放电功率约束的仿真效果图。

具体实施方式

下面结合说明书附图对本发明的实施方式进行描述。

如图1所示，本发明设计了一种基于分布式梯度算法的微电网储能单元优化控制方法，该方法用于对微电网中的储能单元进行优化调度，方法具体包括以下步骤：

步骤1、建立微电网的电网功率平衡模型，所述电网功率平衡模型为：

$\underset{k\&Element;W_G}{\&Sigma;}{P}_{G,k}-\underset{j\&Element;W_L}{\mathrm{\&Sigma;}}{P}_{L,j}-\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=0---\left(1\right)$

其中，P_B,i为储能单元i的充/放电(正/负值)功率；k为分布式电源的序号；j为负荷的序号；i为储能单元的序号；W_G、W_L和W_B分别为分布式电源、负荷及储能单元的集合；P_G,k与P_L,j分别表示分布式电源提供的功率与负荷需求的功率。

步骤2、根据微电网中储能单元在充放电过程中的电能损耗，确定储能单元的充放电效率分别与充放电功率、荷电状态SOC的关系，具体如下：

所述储能单元在充电过程中的电能损耗为η_C,i为充电效率；

则储能单元的充电效率与充电功率关系为：

η_C,i＝a_i-b_iP_B,i (2)

其中，a_i和b_i是储能单元i的常数项和一次项系数。当储能单元的荷电状态SOC快达到临界时，其充电效率会变得很低，即充电效率与荷电状态SOC的关系为：

$P_{B,i}\&lsqb;t\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;t\&rsqb;& {\mathrm{SOC}}_i^{\min }<{\mathrm{SOC}}_i\&lsqb;t\&rsqb;<{\mathrm{SOC}}_i^{\max }\\ 0\left({\mathrm{\&eta;}}_{C,i}=0\right)& {\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&le;{\mathrm{SOC}}_i^{\min }or{\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&GreaterEqual;{\mathrm{SOC}}_i^{\max }\end{array}\right.---\left(3\right)$

其中，和分别表示储能单元i的荷电状态SOC上下限；t表示充电时间点；所述储能单元i的荷电状态SOC的计算公式如下：

SOC_i[t]＝SOC_i[t-1]+P_B,i[t-1]·η_C,i[t-1]·ΔT/C_i (4)

其中，ΔT为离散时间间隔，C_i为储能单元i的容量。

步骤3、结合所建立电网功率平衡模型及所确定的储能单元充放电效率分别与充放电功率、荷电状态SOC的关系，并以最小化储能单元在充放电过程中的电能损耗为目标函数对储能单元充放电进行建模分析。

所建立的储能单元充电模型为：

$\begin{array}{c}Min\underset{i\&Element;W_B}{\mathrm{\&Sigma;}}{b}_i{P}_{B,i}^2+(1-a_i)P_{B,i}\\ s.t.\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=P_D\\ P_{B,i}^{\min }\&le;P_{B,i}\&le;P_{B,i}^{\max }\end{array}---\left(5\right)$

其中，与分别为储能单元i充电功率的下界和上界；当P_D为正值时，储能单元处于充电状态，反之处于放电状态。

步骤4、基于多智能体系统利用分布式梯度算法对所建立储能单元充电模型进行优化求解，获得模型最优解。利用分布式梯度算法对所建立储能单元充电模型进行优化求解，包括确定储能单元的本地更新规则，所述储能单元根据本地更新规则进行更新迭代。

所述储能单元的本地更新规则，具体为：

$P_{B,i}\&lsqb;k+1\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;k\&rsqb;-\mathrm{\&alpha;}\&lsqb;k\&rsqb;\&times;\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{ij}\&lsqb;k\&rsqb;{\stackrel{\&CenterDot;}{f}}_j\left(P_{B,j}\&lsqb;k\&rsqb;\right)& i,j\&Element;N_{ib}\&lsqb;k\&rsqb;\\ P_{B,i}^{\min }or{P}_{B,i}^{\max }& i\&Element;N_{ib}{\&lsqb;k\&rsqb;}^c\end{array}\right.---\left(6\right)$

其中P_B,i[k+1]是P_B,i[k]的更新；α[k]是步长；是目标函数的导数；N_ib[k]^c是充电功率超过上下限的储能单元集合；N_ib[k]是N_ib[k]^c的补集；j∈N_i，N_i表示与智能体i相邻的智能体集合；W_ij是智能体i与智能体j的相关权重。权重矩阵的计算与通信网络拓扑有关，W[k]值的变化意味着重新配置虚拟通信网络拓扑。然后，所述储能单元根据本地更新规则进行更新迭代，获得储能单元充电模型的最优解。

步骤5、根据所述模型最优解获得储能单元充放电策略及控制充电策略的执行。

由此，本发明的优化控制方法以分布式梯度的算法对微电网中的储能单元进行优化调度，能够处理大规模电池储能系统接入的问题。

为了验证本发明的优化方法能够有效对微电网中的储能单元进行优化调度，特列举实验例进行验证说明。下面对34节点系统进行测试并结合附图对本发明的优化控制方法做进一步的详细说明：

本实验例的基于分布式梯度算法的微电网储能单元优化控制方法，具体步骤如下：

步骤1：建立微电网的电网功率平衡模型；

$\underset{k\&Element;W_G}{\&Sigma;}{P}_{G,k}-\underset{j\&Element;W_L}{\mathrm{\&Sigma;}}{P}_{L,j}-\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=0$

令系统中发电功率和负荷需求分别为1000kW和720kW，即P_D为290kW，则有：

$P_D=\underset{k\&Element;W_G}{\&Sigma;}{P}_{G,k}-\underset{j\&Element;W_L}{\mathrm{\&Sigma;}}{P}_{L,j}=\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=290kW$

步骤2、基于微电网中储能单元充放电过程中的电能损耗，确定储能单元的充放电效率分别与充放电功率、荷电状态SOC的关系；

所述储能单元i的充电效率与充电功率关系为：η_C,i＝a_i-b_iP_B,i；

所述储能单元i的充电效率与荷电状态SOC的关系为：

$P_{B,i}\&lsqb;t\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;t\&rsqb;& {\mathrm{SOC}}_i^{\min }<{\mathrm{SOC}}_i\&lsqb;t\&rsqb;<{\mathrm{SOC}}_i^{\max }\\ 0\left({\mathrm{\&eta;}}_{C,i}=0\right)& {\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&le;{\mathrm{SOC}}_i^{\min }or{\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&GreaterEqual;{\mathrm{SOC}}_i^{\max }\end{array}\right.;$

储能单元i的荷电状态SOC的计算公式为：

SOC_i[t]＝SOC_i[t-1]+P_B,i[t-1]·η_C,i[t-1]·ΔT/C_i。

步骤3、结合上述两个步骤所得，并以储能单元在充电过程的电能损耗最小化为目标函数对储能单元充电进行建模分析；所建立的储能单元充电模型为：

$Min\underset{i\&Element;W_B}{\mathrm{\&Sigma;}}{b}_i{P}_{B,i}^2+(1-a_i)P_{B,i}$

$s.t.\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=P_D$

$P_{B,i}^{\min }\&le;P_{B,i}\&le;P_{B,i}^{\max }$

对于所建立的储能单元充电模型，确立储能单元的参数和初始条件；如表1所示，表1为储能单元的参数和初始条件。

表1

步骤4、利用分布式梯度算法对所建立储能单元充电模型进行优化求解，获得模型最优解。利用分布式梯度算法包括确定储能单元的本地更新规则，确定储能单元的本地更新规则为：

$P_{B,i}\&lsqb;k+1\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;k\&rsqb;-\mathrm{\&alpha;}\&lsqb;k\&rsqb;\&times;\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{ij}\&lsqb;k\&rsqb;{\stackrel{\&CenterDot;}{f}}_j\left(P_{B,j}\&lsqb;k\&rsqb;\right)& i,j\&Element;N_{ib}\&lsqb;k\&rsqb;\\ P_{B,i}^{\min }or{P}_{B,i}^{\max }& i\&Element;N_{ib}{\&lsqb;k\&rsqb;}^c\end{array}\right.$

其中，储能单元智能体每0.2s与相邻智能体进行信息交互并更新本地信息，α取0.01，W[k]的元素W_ij[k]可以通过下式计算：

其中n_i[k]可以通过通信网络拓扑得到。如果充放电功率不超过储能单元充放电功率的上下限，实际的充放电功率将实时更新，否则充放电功率将设定为上限或下限，该控制策略可以通过改变权重矩阵W[k]的值来实现。权重矩阵的计算与通信网络拓扑有关，W[k]值的变化意味着重新配置虚拟通信网络拓扑。

以及，重新配置通信网络拓扑定义如下：如图2所示，在违反约束的情况下，不失一般性，假设智能体2的充电功率超出其上限，如图2中(a)所示，受影响的是2条与智能体2用实线连接的通信。超出上限之后，智能体2的充电功率为上限值并且脱离当前的更新，但是智能体2仍然参与信息交换。如图2中(b)所示，智能体2接收来自相邻智能体的信息并传送给其他与之相邻的智能体。重新配置通信网络拓扑之后，通信网络的邻接矩阵L和权重矩阵W相应发生了变化，其变化过程如下所示：

由每一个储能单元被建模为智能体，每个储能单元智能体具有独立性与自主性，能够解决给定的子问题，同时储能单元智能体间相互通信、彼此协调。有储能单元连接的节点应用分布式梯度算法控制储能单元充放电以实现控制目标。

34节点系统图如图3所示，该系统包括2台同发电机SG、4台风力发电机WT、4台光伏发电机PV和10个储能单元。10个储能单元的通信网络拓扑如图中虚线部分所示。图的连通性可以用邻接矩阵L[k]来表示，其元素定义如下：

利用n_i来表示与智能体i相连接的智能体个数，则有：

$n_i=\underset{j\&Element;N_i}{\&Sigma;}{l}_{ij}$

由上述可得，图4(a)为不考虑储能单元充放电功率约束的仿真结果，图4(b)为考虑储能单元充放电功率约束的仿真结果，该系统的各储能单元都能以最优充电功率进行充电，且储能单元的充电功率都负荷功率约束条件，验证了该算法的有效性。

综上，本发明所提供的基于分布式梯度算法的微电网储能单元优化控制方法，以分布式的方法对微电网中的储能单元进行优化调度，不仅能得到等价于集中式方法的优化结果，而且实施起来相对便宜、灵活且具有可扩展性，能够处理大规模电池储能系统接入的问题。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.一种基于分布式梯度算法的微电网储能单元优化控制方法，其特征在于，包括以下步骤：

步骤1、建立微电网的电网功率平衡模型；

步骤2、根据微电网中储能单元在充放电过程中的电能损耗，确定储能单元的充放电效率分别与充放电功率、荷电状态的关系；

步骤3、结合所建立电网功率平衡模型及所确定的储能单元充放电效率分别与充放电功率、荷电状态的关系，并以最小化储能单元在充放电过程中的电能损耗为目标函数，对储能单元充放电进行建模获得储能单元充电模型；

步骤4、基于多智能体系统利用分布式梯度算法对所建立储能单元充电模型进行优化求解，获得模型最优解；

步骤5、根据所述模型最优解获得储能单元充放电策略及控制充电策略的执行。

2.根据权利要求1所述基于分布式梯度算法的微电网储能单元优化控制方法，其特征在于，所述步骤1建立的电网功率平衡模型为：

$\underset{k\&Element;W_G}{\&Sigma;}{P}_{G,k}-\underset{j\&Element;W_L}{\mathrm{\&Sigma;}}{P}_{L,j}-\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=0$

其中，P_B,i为储能单元i的充/放电(正/负值)功率；k为分布式电源的序号；j为负荷的序号；i为储能单元的序号；W_G、W_L和W_B分别为分布式电源、负荷及储能单元的集合；P_G,k与P_L,j分别表示分布式电源提供的功率与负荷需求的功率。

3.根据权利要求1所述基于分布式梯度算法的微电网储能单元优化控制方法，其特征在于，所述步骤2储能单元充电过程中的电能损耗为：其中η_C,i为充电效率；

所述储能单元的充电效率与充电功率关系为：η_C,i＝a_i-b_iP_B,i，其中a_i和b_i分别是储能单元i的常数项和一次项系数；

以及，所述储能单元的充电效率与荷电状态的关系为：

$P_{B,i}\&lsqb;t\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;t\&rsqb;& {\mathrm{SOC}}_i^{\min }<{\mathrm{SOC}}_i\&lsqb;t\&rsqb;<{\mathrm{SOC}}_i^{\max }\\ 0\left({\mathrm{\&eta;}}_{C,i}=0\right)& {\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&le;{\mathrm{SOC}}_i^{\min }or{\mathrm{SOC}}_i\&lsqb;t\&rsqb;\&GreaterEqual;{\mathrm{SOC}}_i^{\max }\end{array}\right.$

其中，和分别表示储能单元i的荷电状态上下限；t表示充电时间点；且储能单元i的荷电状态的计算公式如下：

SOC_i[t]＝SOC_i[t-1]+P_B,i[t-1]·η_C,i[t-1]·ΔT/C_i

其中，ΔT为离散时间间隔，C_i为储能单元i的容量。

4.根据权利要求1所述基于分布式梯度算法的微电网储能单元优化控制方法，其特征在于，所述步骤3建立的储能单元充电模型为：

$Min\underset{i\&Element;W_B}{\&Sigma;}{b}_i{P}_{B,i}^2+(1-a_i)P_{B,i}$

$s.t.\underset{i\&Element;W_B}{\&Sigma;}{P}_{B,i}=P_D$

$P_{B,i}^{\min }\&le;P_{B,i}\&le;P_{B,i}^{\max }$

其中，与分别为储能单元i充电功率的下界和上界；当P_D为正值时，储能单元处于充电状态，反之处于放电状态。

5.根据权利要求1所述基于分布式梯度算法的微电网储能单元优化控制方法，其特征在于，所述步骤4利用分布式梯度算法对所建立储能单元充电模型进行优化求解，包括确定储能单元的本地更新规则，所述储能单元根据本地更新规则进行更新迭代。

6.根据权利要求5所述基于分布式梯度算法的微电网储能单元优化控制方法，其特征在于，所述本地更新规则具体为：

$P_{B,i}\&lsqb;k+1\&rsqb;=\left\{\begin{array}{cc}{P}_{B,i}\&lsqb;k\&rsqb;-\mathrm{\&alpha;}\&lsqb;k\&rsqb;\&times;\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{ij}\&lsqb;k\&rsqb;{\stackrel{\&CenterDot;}{f}}_j\left(P_{B,j}\&lsqb;k\&rsqb;\right)& i,j\&Element;N_{ib}\&lsqb;k\&rsqb;\\ P_{B,i}^{\min }or{P}_{B,i}^{\max }& i\&Element;N_{ib}{\&lsqb;k\&rsqb;}^c\end{array}\right.$

其中，P_B,i[k+1]是P_B,i[k]的更新；α[k]是步长；是目标函数的导数；N_ib[k]^c是充电功率超过上下限的储能单元集合；N_ib[k]是N_ib[k]^c的补集；j∈N_i，N_i表示与智能体i相邻的智能体集合；W_ij是智能体i与智能体j的相关权重。