CN106786702B - 用于混合储能系统的全状态模型预测能量调度方法 - Google Patents

用于混合储能系统的全状态模型预测能量调度方法 Download PDF

Info

Publication number
CN106786702B
CN106786702B CN201710043484.1A CN201710043484A CN106786702B CN 106786702 B CN106786702 B CN 106786702B CN 201710043484 A CN201710043484 A CN 201710043484A CN 106786702 B CN106786702 B CN 106786702B
Authority
CN
China
Prior art keywords
storage system
battery
full range
energy storage
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.)
Active
Application number
CN201710043484.1A
Other languages
English (en)
Other versions
CN106786702A (zh
Inventor
薛花
王育飞
张芮嘉
胡英俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201710043484.1A priority Critical patent/CN106786702B/zh
Publication of CN106786702A publication Critical patent/CN106786702A/zh
Application granted granted Critical
Publication of CN106786702B publication Critical patent/CN106786702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/383—
    • 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]
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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

本发明涉及一种用于混合储能系统的全状态模型预测能量调度方法，所述混合储能系统包括光伏电池、燃料电池和蓄电池，所述方法包括下列步骤：统一蓄电池的开模式和关模式，并对蓄电池参数进行自适应更新，建立混合储能系统的全状态模型；对建立的全状态模型进行预测，并根据预测结果进行能量调度。与现有技术相比，本发明具有能量分配最优、调度计算量小、能量调度准确以及适用范围广等优点。

Description

用于混合储能系统的全状态模型预测能量调度方法
技术领域
本发明涉及能量调度领域，尤其是涉及一种用于混合储能系统的全状态模型预测能量调度方法。
背景技术
储能系统凭借其快速灵活的调节能力，成为改善光伏发电输出特性、提高系统供电质量及电网安全稳定性的有效手段。而储能蓄电池频繁充放电带来的蓄电池使用寿命问题、燃料电池等备用电源投切时刻问题，也增加了PV-FC-BS(光伏电池-燃料电池-蓄电池)混合系统实现能源分配和优化调度的难度。
通常采用基于反馈控制的能量管理策略解决PV-FC-BS混合系统能源分配和优化调度问题，但反馈控制采用被动响应，具有时滞性，不利于系统优化调度的快速响应特性。为解决这一问题，模型预测控制(Model PredictIve Control，MPC)采用预先补偿方式，能快速消除能源分配误差，对于PV输出功率频繁波动特性具有更优的控制效果。目前，MPC能量调度策略设计主要考虑在BS系统开、关模式分离的条件下，建立不同预测模型，但工作模态切换使系统稳定性难以保证，因此提出一种新型的开关模式统一MPC能量调度策略是实现PV-FC-BS混合系统能量优化调度关键所在。
发明内容
本发明的目的是针对上述问题提供一种用于混合储能系统的全状态模型预测能量调度方法。
本发明的目的可以通过以下技术方案来实现：
一种用于混合储能系统的全状态模型预测能量调度方法，所述混合储能系统包括光伏电池、燃料电池和蓄电池，所述方法包括下列步骤：
1)统一蓄电池的开模式和关模式，并对蓄电池参数进行自适应更新，建立混合储能系统的全状态模型；
2)对步骤1)建立的全状态模型进行预测，并根据预测结果进行能量调度。
所述步骤1)具体为：
11)统一蓄电池的开模式和关模式，并对蓄电池参数进行自适应更新，得到自适应更新的蓄电池动态功率模型
12)根据光伏电池功率模型、燃料电池模型和根据步骤11)得到的蓄电池动态功率模型定义混合储能系统的控制变量u(k)和输出变量ym(k)、ya(k)和yb(k)；
13)根据步骤12)得到的控制变量u(k)和输出变量ym(k)、ya(k)和yb(k)，定义混合储能系统的增广状态变量x(k)和增广输出变量y(k)，得到混合储能系统的全状态模型。
所述自适应更新的蓄电池动态功率模型具体为：
其中，为实时估计参数，为实时估计充电系数，为实时估计放电系数，P3(k)为蓄电池充电功率，P4(k)为蓄电池放电功率。
所述实时估计参数的更新方法具体为：
其中，Jp为蓄电池的误差泛函数，λ为参数更新的步长。
所述混合储能系统的控制变量u(k)和输出变量ym(k)、ya(k)和yb(k)具体为：
其中，c1、c2和c3为正权重系数，P1(k)为燃料电池的发出功率，P2(k)为光伏电池输送给负荷的功率，P3(k)为蓄电池充电功率，P4(k)为蓄电池放电功率，PL(k)为负荷功率。
所述混合储能系统的增广状态变量x(k)和增广输出变量y(k)具体为：
混合储能系统的全状态模型具体为：
C＝[03×1 I3×3]，
其中，为实时估计充电系数，为实时估计放电系数，c1、c2和c3为正权重系数。
所述步骤2)具体为：
21)根据步骤1)建立的全状态模型，确定模型的全局目标函数J(k)和约束条件；
22)对光伏电池、燃料电池和蓄电池的出力值进行采样，根据采样结果得到满足步骤21)中约束条件的增广输出变量y(k)；
23)将步骤22)得到的增广输出变量y(k)带入到全局目标函数J(k)中，判断全局目标函数J(k)是否达到最小值，若是则将该时刻的采样结果作为预测值并进入步骤24)，若否则返回步骤22)；
24)将步骤23)得到的预测值作为光伏电池、燃料电池和蓄电池的实际运行值，对混合储能系统进行能量调度。
所述全局目标函数J(k)满足：
minJ(k)＝min(Y(k)-R(k))T(Y(k)-R(k))
其中，y(k)为增广输出变量，y(k+i|k)为从采样时间k时开始第i步时的预测值，c1和c3为正权重系数，PL(k)为负荷功率，PPV(k)为光伏电池发电效率，Np为预测范围。
所述约束条件具体为：
其中，u(k)为控制变量，u(k+i|k)为采样时间k时开始第i步时的预测值，为充电系数矩阵，为充电限值，为放电系数矩阵，为放点限值。
与现有技术相比，本发明具有以下有益效果：
(1)建立了统一蓄电池的开模式和关模式的全状态模型，解决了传统能量管理策略在蓄电池开、关模式下分别建立不同预测模型，工作模式转换导致系统在预测模型切换过程中稳定性难以保证的问题。
(2)根据建立的全状态模型，确定全局目标函数和约束条件来进行预测，根从而选取最优采样值作为能量调度的依据，将能量管理问题转化为控制优化问题，减小算法复杂度且避免模式切换的影响，设计模型预测能量调度方法，实现混合系统能量最优分配。
(3)考虑蓄电池使用寿命和充放电效率，提出蓄电池充放电效率参数自适应估计算法，对蓄电池参数进行自适应更新，从而可以提高能量调度的准确性。
附图说明
图1为本发明的方法流程图；
图2为光伏电池出力降噪预处理的示意图；
图3为不同天气时光伏电池模块出力情况示意图；
图4为工作日以及双休日的负荷曲线图；
图5为工作日采用本发明方法的能量调度结果图，其中，(5a)为晴天条件下的能量调度，(5b)为晴天条件下的参数估计，(5c)为晴转阴条件下的能量调度，(5d)为晴转阴条件下的参数估计，(5e)为阴天条件下的能量调度，(5f)为阴天条件下的参数估计。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
用于混合储能系统的全状态模型预测能量调度方法的流程图如图1所示。PV-FC-BS(光伏电池-燃料电池-蓄电池)混合系统中，PV动态功率模型约束表示为：
0≤P2(k)+P3(k)≤PPV(k) (1)
其中：P2表示PV组件输送给负荷的功率部分；P2 max表示PV单元可以供给负荷最大功率；P3表示BS充电功率；P3 max表示每小时BS允许最大充电功率。BS动态功率模型约束表示为：
P3(k)P4(k)＝0 (4)
其中：P4表示BS放电功率。假设SOC变化与BS充放电电流成正比，SOC连续模型简化为离散动态模型：
Soc(k+1)＝Soc(k)+ηcP3(k)-ηdP4(k) (5)
其中：Soc(k+1)表示在采样时刻k时充电状态，P3和P4分别表示充电功率和放电功率，ηc和ηd是MPC设计中在线估计的参数，分别表示充电效率和放电效率。由式(2)，可得一定时间内蓄电池SOC为：
且满足约束：
其中：Bc min和Bc max分别表示SOC的上限和下限；P4 max表示每小时最大放电功率。FC动态功率模型约束表示为：
0≤P1(k)≤P1 max (8)
其中：P1 max表示单位小时内FC可提供最大功率。PV-FC-BS互配合应该满足日常功率需求，即：
P1(k)+P2(k)+P4(k)＝PL(k) (9)
其中：PL(k)表示负荷功率。由式(5)和(9)可以看出，PV-FC-BS混合系统是典型MIMO系统，功率输出关系相互耦合。
建立全状态模型解决PV-FC-BS混合系统各组件能量相互耦合以及传统策略分开关模式建模求解复杂的问题，当PV输出功率超出负荷需求时，BS处于充电状态，当PV输出功率不足以满足负荷需求时，BS处于放电状态，所以可根据负荷需求曲线和PV输出功率确定BS充放电切换时刻Tk。给定时刻k，找到最近切换时刻Tk>k，对应k时刻的控制范围Nc和预测范围Np为：
Nc＝Np(k)＝Tk-k (10)
控制范围和预测范围可以随不同切换时刻进行变化。根据系统各组件功率模型定义控制变量输出变量：
其中：c1，c2，c3是正权重系数。BS充放电动态过程为：
Soc(k)＝Soc(k-1)+bmu(k-1) (11)
其中：或等价为：
Soc(k)＝Soc(k-1)+bbub(k-1) (12)
其中：且
定义系统增广状态变量系统增广输出变量得到线性空间模型：
其中：C＝[03×1 I3×3].
具体寻优策略设计为：根据输出变量ym(k),ya(k),yb(k)可知，最小化FC使用与min∑(c1PL(k)-ym(k))2等价，尽量避免BS过度使用等价于minΣyb(k)2，最大化利用PV能量供给负荷等价于min∑(c3PPV(k)-ya(k))2。所以MPC优化目标为：
进而得出全局目标函数为：
minJ(k)＝min(J1(k)+J2(k)+J3(k))＝min(Y(k)-R(k))T(Y(k)-R(k)) (14)
其中：Y(k)＝[yT(k),yT(k+1|k),...,yT(k+Np-1|k)]T表示输出变量；y(k+i|k)表示从采样时间k时开始，第i步时y的预测值；表示参考向量。根据经典MPC设计，可得MPC增益
其中：Φij＝CAi-jB。输出向量可由输入向量来表示
Y(k)＝Fx(k)+ΦU(k).
因此，目标函数可变形为：
J(k)＝(Y(k)-R(k))T(Y(k)-R(k))
＝(Fx(k)-R(k))T(Fx(k)-R(k))+2(Fx(k)-R(k))TΦU(k)TΦTΦU(k)
其中：(Fx(k)-R(k))T(Fx(k)-R(k))与U(k)相互独立。因此全局目标J(k)可以变形为：
其中：E(k)＝Φ(k)TΦ(k),H(k)＝(Fx(k)-R(k))TΦ。所以，PV-FC-BS混合系统能量管理需要考虑多个目标转化为统一形式的全局优化目标函数。
传统分开关模式是将约束(4)划分成两个切换模式：充电状态(P4＝0)和放电状态(P3＝0)，针对两种不同状态分别进行能量管理优化。所建立的全状态模式是将等式约束(4)转化为不等式约束，作为新增约束条件扩充不等式约束的系数矩阵，从而将充放电两种状态的约束条件化为统一线性形式。
(a)充电状态(P4＝0)
约束改写为
约束(1)-(3)、(7)-(9)统一改写为：
M11u(k)≤γ11 (15)
其中：
定义系统预测控制向量
其中：u(k+i|k)表示根据采样时间k时得到u的预测值。因为在预测控制向量中每个u(k+i|k)应该满足式(13)，且应该满足
其中：
将约束(6)变形为含有预测控制向量U(k)的形式。由BS动态等式(5)，蓄电池状态xm预测值为：
其中：Soc(k+i|k)表示在采样时间k时SOC的预测值。由式(15)得到
Xm(k)＝Soc(k)[1,1,...,1]T+BmU(k)
其中：
所预测BS充电状态Xm(k)中的每个Soc(k+i|k)应该满足约束(6)，因此根据不等式
可将约束(6)转换成统一形式：
其中：
在式(14)中Soc(k)可以实时更新，约束表达式考虑到预测控制向量U(k)。结合约束(16)和(18)推导出MPC设计在充电状态的约束：
其中：
(b)放电状态(P3＝0)
与(15)-(19)类似，在放电状态的约束也可以化为统一线性表达式：
通过引入新型约束建立全状态模型预测模型来统一优化目标和约束条件，进而提高计算速度。
设计自适应BS参数估计法则实时估计充放电系数ηc和ηd，更符合BS充放电实际情形，BS充放电估计动态过程为：
其中：表示SOC估计状态；表示估计参数。在线识别BS参数时，SOC误差泛函数设计为：
其中：Jp关于的梯度为：
其中：因此，BS参数估计值的更新算法为：
其中：λ为更新迭代步长。则的更新算法为：
将全状态模型中实际的ηc和ηd分别用估计值和代替，实现BS参数自适应估计，同时ub(k)应该在时间域(h,h+H0)内持续更新，估计参数可以收敛到实际值，并满足附加约束
即，
其中：0＜α＜2。将式(22)增加到式(13)最后一行：
M'11u(k)≤γ'11 (23)
其中：
得到带有参数估计的全状态MPC模型
通过BS参数更新，调度分配可以实时跟踪蓄电池SOC，调高能量管理准确性。
为验证PV-FC-BS混合系统全状态MPC方法的正确性和有效性，在MATLAB环境下对系统进行仿真建模。以上海某印刷厂屋顶PV和负荷实测数据为基础进行仿真研究。
针对PV出力，系统装机容量为367.8kW，采样设备为FLUKE 435电能质量分析仪，采样时间间隔为1分钟，采样时间段为每天早上6:30到下午17:30的PV出力作为仿真原始数据。选取阴天、多云转晴、晴天三组具有代表性的PV出力数据。由于噪声导致原始信息模糊失真，采用基于最小二乘法的鲁棒迭代数据降噪的算法，对PV输出功率时间序列进行降噪预处理，如图2所示。选取降噪处理后的相应时间段(每小时)PV出力的平均值作为仿真数据，如图3所示。
针对负荷数据，选取工作日和双休日具有代表性的小时负荷曲线，作为仿真数据，如图4所示。工作日时印刷厂机组负荷全勤工作，负荷需求大，变化幅度小，正午时刻为用电高峰，午夜时刻为用电低谷；而双休日时印刷厂部分机组停机，平均负荷需求量小，但存在集中时段内负荷需求变化幅度大且频繁的情形。
根据PV和负荷曲线交点确定BS开关切换时刻，但每天PV和负荷情况不会完全相同，为测试闭环系统干扰抑制性能，假设实际负荷需求比期望值大20％，PV组件比期望少提供20％。
表1
符号 取值 符号 取值
P<sub>1</sub><sup>max</sup> 75kW B<sub>c</sub><sup>max</sup> 520kWh
P<sub>2</sub><sup>max</sup> 75kW B<sub>c</sub><sup>min</sup> 240kWh
P<sub>3</sub><sup>max</sup> 75kW η<sub>c</sub> 0.85
P<sub>4</sub><sup>max</sup> 75kW η<sub>d</sub> 1.15
表2
符号 取值 符号 取值
c<sub>1</sub> 1.0 c<sub>3</sub> 0.8
c<sub>2</sub> 0.2 α 0.01
由图5可以看出：晴天时11:00～14:00，晴转阴时11:00～12:00，光照充足，PV发电直接满足负荷需求，且过剩的PV能量将转化为化学能储存到BS中，BS处于充电状态，FC不投入使用，充分利用光伏发电，减少燃料成本；晴天时08:00～11:00以及15:00～16:00，晴转阴时10:00～11:00、12:00～13:00以及14:00～15:00，阴天时11:00～12:00，光伏不足，PV与FC配合给负荷供电，充分利用光伏发电，并避免BS过度使用；夜间时，FC和BS配合保证负荷不间断供电。全状态MPC方法能够实现PV-FC-BS混合系统的稳定运行与可靠控制。
在不同天气条件下，全状态MPC方法可实现FC投入时间长度和功率值的自适应调节，晴天时FC输出功率小，主要起平滑波动作用；阴天时FC输出功率大，主要起不间断负荷供电作用，提高混合系统供电可靠性。同时，BS充电或放电状态下，充放电参数实现了实时更新，能收敛到系统预设参数值，如阴天时BS处于放电状态，放电系数实时更新而充电系数保持不变。系统能量调度时，BS充放电状态自由切换，FC给予能量辅助，PV-FC-BS三者相互配合，在充分利用PV且避免BS过度使用的前提下，尽可能减少FC能量投入。全状态MPC方法实现了系统能量最优调度，优化计算量小，响应快速。

Claims (7)

1.一种用于混合储能系统的全状态模型预测能量调度方法，所述混合储能系统包括光伏电池、燃料电池和蓄电池，其特征在于，所述方法包括下列步骤：
1)统一蓄电池的开模式和关模式，并对蓄电池参数进行自适应更新，建立混合储能系统的全状态模型，
2)对步骤1)建立的全状态模型进行预测，并根据预测结果进行能量调度；
所述步骤1)具体为：
11)统一蓄电池的开模式和关模式，并对蓄电池参数进行自适应更新，得到自适应更新的蓄电池动态功率模型
12)根据光伏电池功率模型、燃料电池模型和根据步骤11)得到的蓄电池动态功率模型定义混合储能系统的控制变量u(k)和输出变量ym(k)、ya(k)和yb(k)，
13)根据步骤12)得到的控制变量u(k)和输出变量ym(k)、ya(k)和yb(k)，定义混合储能系统的增广状态变量x(k)和增广输出变量y(k)，得到混合储能系统的全状态模型；
所述自适应更新的蓄电池动态功率模型具体为：
其中，为实时估计参数，为实时估计充电系数，为实时估计放电系数，P3(k)为蓄电池充电功率，P4(k)为蓄电池放电功率。
2.根据权利要求1所述的用于混合储能系统的全状态模型预测能量调度方法，其特征在于，所述实时估计参数的更新方法具体为：
其中，Jp为蓄电池的误差泛函数，λ为参数更新的步长。
3.根据权利要求1所述的用于混合储能系统的全状态模型预测能量调度方法，其特征在于，所述混合储能系统的控制变量u(k)和输出变量ym(k)、ya(k)和yb(k)具体为：
其中，c1、c2和c3为正权重系数，P1(k)为燃料电池的发出功率，P2(k)为光伏电池输送给负荷的功率，P3(k)为蓄电池充电功率，P4(k)为蓄电池放电功率，PL(k)为负荷功率。
4.根据权利要求1所述的用于混合储能系统的全状态模型预测能量调度方法，其特征在于，所述混合储能系统的增广状态变量x(k)和增广输出变量y(k)具体为：
混合储能系统的全状态模型具体为：
C＝[03×1 I3×3]，
其中，为实时估计充电系数，为实时估计放电系数，c1、c2和c3为正权重系数。
5.根据权利要求1所述的用于混合储能系统的全状态模型预测能量调度方法，其特征在于，所述步骤2)具体为：
21)根据步骤1)建立的全状态模型，确定模型的全局目标函数J(k)和约束条件；
22)对光伏电池、燃料电池和蓄电池的出力值进行采样，根据采样结果得到满足步骤21)中约束条件的增广输出变量y(k)；
23)将步骤22)得到的增广输出变量y(k)带入到全局目标函数J(k)中，判断全局目标函数J(k)是否达到最小值，若是则将采样时间k的采样结果作为预测值并进入步骤24)，若否则返回步骤22)；
24)将步骤23)得到的预测值作为光伏电池、燃料电池和蓄电池的实际运行值，对混合储能系统进行能量调度。
6.根据权利要求5所述的用于混合储能系统的全状态模型预测能量调度方法，其特征在于，所述全局目标函数J(k)满足：
minJ(k)＝min(Y(k)-R(k))T(Y(k)-R(k))
其中，y(k)为增广输出变量，y(k+i|k)为从采样时间k时开始第i步时的预测值，c1和c3为正权重系数，PL(k)为负荷功率，PPV(k)为光伏电池发电效率，Np为预测范围。
7.根据权利要求5所述的用于混合储能系统的全状态模型预测能量调度方法，其特征在于，所述约束条件具体为：
其中，u(k)为控制变量，u(k+i|k)为采样时间k时开始第i步时的预测值，为充电系数矩阵，为充电限值，为放电系数矩阵，为放点限值。
CN201710043484.1A 2017-01-19 2017-01-19 用于混合储能系统的全状态模型预测能量调度方法 Active CN106786702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710043484.1A CN106786702B (zh) 2017-01-19 2017-01-19 用于混合储能系统的全状态模型预测能量调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710043484.1A CN106786702B (zh) 2017-01-19 2017-01-19 用于混合储能系统的全状态模型预测能量调度方法

Publications (2)

Publication Number Publication Date
CN106786702A CN106786702A (zh) 2017-05-31
CN106786702B true CN106786702B (zh) 2019-10-18

Family

ID=58945069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710043484.1A Active CN106786702B (zh) 2017-01-19 2017-01-19 用于混合储能系统的全状态模型预测能量调度方法

Country Status (1)

Country Link
CN (1) CN106786702B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107846045B (zh) * 2017-11-28 2023-06-02 国网甘肃省电力公司电力科学研究院 一种电池储能系统跟踪风光计划出力的控制方法
CN109038570B (zh) * 2018-08-24 2021-07-13 河南理工大学 一种减少保守性的时滞电力系统稳定性分析方法及控制器
CN112486020A (zh) * 2020-12-01 2021-03-12 中国科学技术大学 基于自适应模型预测控制的混合储能系统功率分配系统及方法
CN112968515B (zh) * 2021-02-04 2022-06-03 武汉理工大学 一种燃料电池应急电源能量管理策略及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630840A (zh) * 2009-08-12 2010-01-20 电子科技大学 微电网能量智能控制系统
CN104714188A (zh) * 2015-03-31 2015-06-17 桂林电子科技大学 量测噪声方差阵相匹配的电池电荷状态估计方法与系统
CN204992614U (zh) * 2015-09-23 2016-01-20 上海电力学院 一种光储能量管理实验系统
CN105929340A (zh) * 2016-06-30 2016-09-07 四川普力科技有限公司 一种基于arima估算电池soc的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10243363B2 (en) * 2015-03-17 2019-03-26 Open Access Technology International, Inc. Systems and methods for local demand optimization

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630840A (zh) * 2009-08-12 2010-01-20 电子科技大学 微电网能量智能控制系统
CN104714188A (zh) * 2015-03-31 2015-06-17 桂林电子科技大学 量测噪声方差阵相匹配的电池电荷状态估计方法与系统
CN204992614U (zh) * 2015-09-23 2016-01-20 上海电力学院 一种光储能量管理实验系统
CN105929340A (zh) * 2016-06-30 2016-09-07 四川普力科技有限公司 一种基于arima估算电池soc的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
锂离子电池荷电状态预测方法研究;李司光等;《北京理工大学学报》;20120229;第32卷(第2期);第125-129及145页 *

Also Published As

Publication number Publication date
CN106786702A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
Hafiz et al. Real-time stochastic optimization of energy storage management using deep learning-based forecasts for residential PV applications
Cau et al. Energy management strategy based on short-term generation scheduling for a renewable microgrid using a hydrogen storage system
Li et al. Storage aided system property enhancing and hybrid robust smoothing for large-scale PV systems
Valverde et al. Design, planning and management of a hydrogen-based microgrid
CN106786702B (zh) 用于混合储能系统的全状态模型预测能量调度方法
CN109599856B (zh) 一种微网多楼宇中电动汽车充放电管理优化方法及装置
CN107039975B (zh) 一种分布式能源系统能量管理方法
CN105375479A (zh) 一种基于模型预测控制的分布式能源能量管理方法
CN107732960A (zh) 微电网储能系统容量优化配置方法
CN115693757A (zh) 一种基于数字孪生技术的光伏能源优化调控方法
Li et al. Stability-constrained two-stage robust optimization for integrated hydrogen hybrid energy system
Gbadega et al. Impact of incorporating disturbance prediction on the performance of energy management systems in micro-grid
Venayagamoorthy et al. Energy dispatch controllers for a photovoltaic system
CN105205549A (zh) 一种基于机会约束规划的光储系统跟踪日前计划调度方法
He et al. Stochastic model predictive control of hybrid energy storage for improving AGC performance of thermal generators
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
CN114374231A (zh) 离网型多能源系统的配置、控制一体优化方法
Qiu et al. Planning optimization for islanded microgrid with electric-hydrogen hybrid energy storage system based on electricity cost and power supply reliability
TWI639962B (zh) 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法
CN117254491A (zh) 一种风光氢储微网系统时域滚动优化方法及系统
CN117134409A (zh) 考虑电-氢-热互补的微网系统及其多目标优化配置方法
CN116683445A (zh) 基于模型预测控制的园区微电网多时间尺度运行优化方法
Bocklisch et al. Predictive and optimizing energy management of photovoltaic fuel cell hybrid systems with short time energy storage
Penangsang et al. Operation optimization stand-alone microgrid using firefly algorithm considering lifetime characteristics of battery
CN115759604A (zh) 一种综合能源系统优化调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant