CN107069787B - 一种基于分布式梯度算法的储能系统充电优化方法 - Google Patents

Abstract

本发明公开了一种基于分布式梯度算法的储能系统充电优化方法，在发电量大于负载用户需求量时，多余的电量输送到储能系统中，本发明采用电池储能，储能电池系统处于充电状态，由于电池内阻的存在，在充电过程中会不可避免地产生损耗，本发明对储能充电量进行分布式优化来最小化损耗量。分布式梯度优化问题是一个同时满足等式约束和不等式约束的优化问题，将等式约束、不等式约束全部考虑进去。当电池储能系统出现充电损耗时，该分布式梯度算法通过分布式控制方式能够进行实时储能输入调节，同时满足等式约束与不等式约束，在保证系统的稳定性，并可以有效减少损耗。

Description

一种基于分布式梯度算法的储能系统充电优化方法

技术领域

本发明涉及储能系统技术领域，特别是一种基于分布式梯度算法的储能系统充电优化方法。

背景技术

随着新型发电技术的发展，分布式发电系统(distributed generation system，DGS)得到迅猛发展，大大满足负荷快速增长需求，并且能够降低环境污染、同时可以提高能源利用率和供电的可靠性。大量的分布式发电系统和储能系统协调融入电力网络，因而导致电力系统的正常运行发生各种故障，甚至是运行中断，在这样的情况下，微网被运用于此。微网内部主要是由电力电子装置进行能量转换，并得到相应的控制。孤岛微网系统主要由分布式电源、负荷以及储能系统组成。

由于可再生能源的随机性和间歇性的特点，自治微网内部的稳定运行和控制出现了问题，尤其是在高渗透率的情况下。一些比较受欢迎的最大功率追踪算法，主要强调高利用率，但是当可再生能源发电量与负荷需求量并不相等时，将发生供需不平衡，尤其是在微网孤岛状态中，形式严峻。为了克服这个问题，我们通常采用安装储能装置。它们可以在尖峰发电期间吸收多余的发电量，在尖峰负荷需求期间，补偿能量的不足，并且可以平衡短期内净能量的变化。储能可以改善电网质量，维持电网稳定性，同时可以对电力负荷进行削峰填谷，大规模储能技术的运用大大提高电源的可控性。电池储能是一种基于电能的装置，响应速度很快。所以当储能被引入到孤岛微网时，有功功率不平衡可以被最小化。电池储能以其响应速度快、能量密度高、功率和容量配置灵活、适用范围广等优点，可在电力系统削峰填谷、平抑负荷波动、稳定控制等多种场景发挥重要作用。储能系统在电力网络中发挥作用的同时，在储能的充放电过程中将不可避免地产生损耗。部分分布式算法最终收敛于优化量，然而花了很长时间。此外，供需有功不匹配也时有发生。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于分布式梯度算法的储能系统充电优化方法，本发明当电池储能系统出现充电损耗时，该分布式梯度算法通过分布式控制方式能够进行实时储能输入调节，保证系统的稳定性，并可以有效减少损耗。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于分布式梯度算法的储能系统充电优化方法，包括以下步骤：

步骤一、建立储能系统充电优化模型的目标函数，并进行参数初始化；

步骤二、初始化权值矩阵；

步骤三、将第i个储能单元的充电功率P_b,i与预设的第i个充电功率最大阈值和充电功率最小阈值P _{b ,i}进行比较判断，使得如果第i个储能单元的充电功率P_b,i大于则将其充电功率设置为此时该储能单元不再参与分布式梯度迭代，仅仅起到信息交互的作用，即离网，在下一次迭代时的通信权值改变；如果第i个储能单元的充电功率P_b,i小于P _{b ,i}，则将其充电功率设置为充电功率最小阈值，同样仅仅信息交互，不再分布式梯度迭代，在下一次迭代时的通信权值改变；如果充电功率在之间，则采用分布式梯度算法对各个储能单元进行充电功率的迭代更新；其中，i＝1,…,n，n为储能单元的总个数；

步骤四、计算储能充电功率误差值P_m；

其中，S_g为分布式发电机的指数集合，S_l为负荷需求量的指数集合，S_b为电池储能的指数集合，P_g,p是第p个发电机的发电量，P_l,q是第q个负荷需求量，p>0，q>0；

步骤五、若P_m不在允许的预设误差范围内则转到步骤三，若在允许的预设误差范围内则分布式梯度算法结束。

作为本发明所述的一种基于分布式梯度算法的储能系统充电优化方法进一步优化方案，所述步骤一中的目标函数为均为电池储能充电系数。

作为本发明所述的一种基于分布式梯度算法的储能系统充电优化方法进一步优化方案，目标函数的建立过程具体如下：

第i个储能单元的实际充电量函数为P_b,iη_c,i，η_c,i为第i个储能单元的充电效率；

充电效率和充电功率呈线性关系：η_c,i＝a_i-b_iP_b,i；

第i个储能单元充电损耗为P_b,i-P_b,iη_c,i＝b_iP_b,i ²-(a_i-1)P_b,i；

则储能系统总损耗为

储能系统充电优化模型的目标函数为

作为本发明所述的一种基于分布式梯度算法的储能系统充电优化方法进一步优化方案，步骤1中的参数包括各储能单元的充电功率、和P _{b ,i}。

作为本发明所述的一种基于分布式梯度算法的储能系统充电优化方法进一步优化方案，步骤3中采用分布式梯度算法进行充电功率的迭代更新的分布式梯度迭代公式为，

其中，P_b,i[k]表示第i个储能单元在第k次迭代的充电功率，充电功率P_b,i[k+1]是P_b,i[k]的下一次迭代值，α[k]为步长，为第j个储能单元在第k次充电功率的目标函数的导数，j∈[1,n]，idx_b[k]为储能输入量达到界限的指数集，idx_b[k]^c为idx_b[k]的补集；

在一个不定向的拓扑结构图中有n个节点，这n个节点即相当于n个储能单元，第i个储能单元和与其相连的第j个储能单元的连接通信权值为W_ij[k]；

idx_i[k]代表第i个储能单元的相邻储能单元的指数集，n_i[k]表示第i个储能单元进行第k次迭代时的相邻储能单元的数量，n_j[k]表示第j个储能单元进行第k次迭代时的相邻储能单元的数量，第j个储能单元需和第i个储能单元相连；

n_i[k]通过计算公式得到，a_ij[k]是通信拓扑的邻接矩阵A[k]的元素，邻接矩阵A[k]表示拓扑结构图的连通度，当第i个储能单元与第j个储能单元相连有通信时，a_ij[k]＝1；否则为0。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：当电池储能系统出现充电损耗时，该分布式梯度算法通过分布式控制方式能够进行实时储能输入调节，同时满足等式约束与不等式约束，在保证系统的稳定性，并可以有效减少损耗。

附图说明

图1是本发明的流程图。

图2a是储能充电功率达到最大阈值或最小阈值图。

图2b是拓扑结构变化的样图。

图3是本发明的通信网络拓扑构图。

图4是各储能单元充电功率分别进行迭代的仿真图。

图5是储能系统充电总功率在迭代更新的仿真图。

图6是储能系统总的充电功率损耗的仿真图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明设计一种基于分布式梯度算法的储能系统充电优化方法，算法步骤流程图如图1所示，具体实施步骤如下：

步骤一：建立储能系统有功优化模型，并进行参数初始化。第i个储能单元的实际充电量函数为：P_b,iη_c,i。

P_b,i为第i个储能单元的充电功率，η_c,i为第i个储能单元的充电效率。

实验表明充电效率和充电速率呈线性关系，即η_i＝a_i-b_iP_b,i。

a_i、b_i为电池储能充电常系数。

所以第i个储能单元充电损耗为

P_b,i-P_b,iη_c,i

＝P_b,i-P_b,i(a_i-b_iP_b,i)

＝b_iP_b,i ²-(a_i-1)P_b,i

则储能系统总损耗为

本模型的目标函数为

初始化数据储能单元充电功率以及最大阈值、最小阈值，还有系数，步长为0.6，如表1

所示：

表1：各储能单元参数

步骤二：初始化权值矩阵。权值矩阵W_ij[k]为对称阵，W_ij表示第i个储能单元和与其相连的第j个储能单元的连接通信权值

在一个不定向的图中有n个节点即相当于n个储能单元代表拓扑结构图。idx_i[k]代表第i个储能单元的相邻储能单元的指数集，n_i[k]表示第i个储能单元的相邻储能单元的数量，n_j[k]表示第j个储能单元的相邻储能单元的数量，第j个储能单元需和第i个储能单元相连，并在拓扑结构图中计算其数量，本发明的拓扑结构图如图3所示。

n_i[k]表示进行第k次迭代时与第i个储能单元有通信连接的储能单元数量，可以通过计算公式得到，a_ij[k]是通信拓扑的邻接矩阵A[k]的元素，邻接矩阵A[k]表示拓扑结构图的连通度，当第i个储能单元与第j个储能单元相连有通信时，a_ij[k]＝1；否则为0。

步骤三：将第i个储能单元的充电功率P_b,i与预设的第i个充电功率最大阈值和充电功率最小阈值P _{b ,i}进行比较判断，使得如果第i个储能单元的充电功率P_b,i大于则将其充电功率设置为此时该储能单元不再参与分布式梯度迭代，仅仅起到信息交互的作用，即离网，在下一次迭代时的通信权值改变；如果第i个储能单元的充电功率P_b,i小于P _{b ,i}，则将其充电功率设置为充电功率最小阈值，同样仅仅信息交互，不再分布式梯度迭代，在下一次迭代时的通信权值改变，储能充电功率被设置为最大阈值或者最小阈值时，如图2a所示，通信权值发生相应改变，拓扑结构图如图2b所示；如果充电功率在之间，则采用分布式梯度算法对各个储能单元进行充电功率的迭代更新；其中，i＝1,…,n，n为储能单元的总个数；

分布式梯度算法迭代公式为

P_b,i[k]表示第i个储能单元在第k次的迭代值，P_b,i[k+1]是P_b,i[k]的下一次迭代值，各储能功率分别迭代如图4所示，α[k]为步长，为第j个储能单元在第k次充电功率的目标函数的导数，j∈[1,n]，P _{b ,i}分别是充电功率最大阈值和最小阈值。idx_b[k]为储能输入量达到界限的指数集，idx_b[k]^c为idx_b[k]的补集，储能系统充电总功率在迭代更新的仿真如图5所示，储能系统总的充电功率损耗的仿真如图6所示。储能充电功率需处于最大阈值和最小阈值之间，即满足不等式约束。

不等式约束表示为

步骤四：运用等式约束公式计算P_m的值。

步骤五：储能充电功率需满足等式约束，判断P_m是否在允许的误差范围内，满足则算法结束。不满足，则继续循环。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。

Claims (5)

1.一种基于分布式梯度算法的储能系统充电优化方法，其特征在于，包括以下步骤：

步骤一、建立储能系统充电优化模型的目标函数，并进行参数初始化；

步骤二、初始化权值矩阵；

步骤三、将第i个储能单元的充电功率P_b，i与预设的第i个充电功率最大阈值和充电功率最小阈值进行比较判断，使得如果第i个储能单元的充电功率P_b，i大于则将其充电功率设置为此时该储能单元不再参与分布式梯度迭代，仅仅起到信息交互的作用，即离网，在下一次迭代时的通信权值改变；如果第i个储能单元的充电功率P_b，i小于则将其充电功率设置为充电功率最小阈值，同样仅仅信息交互，不再分布式梯度迭代，在下一次迭代时的通信权值改变；如果充电功率在之间，则采用分布式梯度算法对各个储能单元进行充电功率的迭代更新；其中，i＝1，…，n，n为储能单元的总个数；

步骤四、计算储能充电功率误差值P_m；

其中，S_g为分布式发电机的指数集合，S_l为负荷需求量的指数集合，S_b为电池储能的指数集合，P_g，p是第p个发电机的发电量，P_l，q是第q个负荷需求量，p＞0，q＞0；

步骤五、若P_m不在允许的预设误差范围内则转到步骤三，若在允许的预设误差范围内则分布式梯度算法结束。

2.根据权利要求1所述的一种基于分布式梯度算法的储能系统充电优化方法，其特征在于，所述步骤一中的目标函数为i＝1～n，a_i、b_i均为电池储能充电系数。

3.根据权利要求2所述的一种基于分布式梯度算法的储能系统充电优化方法，其特征在于，目标函数的建立过程具体如下：

第i个储能单元的实际充电量函数为P_b，iη_c，i，η_c，i为第i个储能单元的充电效率；

充电效率和充电功率呈线性关系：η_c，i＝a_i-b_iP_b，i；

第i个储能单元充电损耗为P_b，i-P_b，iη_c，i＝b_iP_b，i ²-(a_i-1)P_b，i；

则储能系统总损耗为

储能系统充电优化模型的目标函数为

4.根据权利要求1所述的一种基于分布式梯度算法的储能系统充电优化方法，其特征在于，步骤一中的参数包括各储能单元的充电功率、和

5.根据权利要求1所述的一种基于分布式梯度算法的储能系统充电优化方法，其特征在于，步骤三中采用分布式梯度算法进行充电功率的迭代更新的分布式梯度迭代公式为，

其中，P_b，i[k]表示第i个储能单元在第k次迭代的充电功率，充电功率P_b，i[k+1]是P_b，i[k]的下一次迭代值，α[k]为步长，为第j个储能单元在第k次充电功率的目标函数的导数，j∈[1，n]，idx_b[k]为储能输入量达到界限的指数集，idx_b[k]^c为idx_b[k]的补集；

在一个不定向的拓扑结构图中有n个节点，这n个节点即相当于n个储能单元，第i个储能单元和与其相连的第j个储能单元的连接通信权值为W_ij[k]；

idx_i[k]代表第i个储能单元的相邻储能单元的指数集，n_i[k]表示第i个储能单元进行第k次迭代时的相邻储能单元的数量，n_j[k]表示第j个储能单元进行第k次迭代时的相邻储能单元的数量，第j个储能单元需和第i个储能单元相连；

n_i[k]通过计算公式得到，a_ij[k]是通信拓扑的邻接矩阵A[k]的元素，邻接矩阵A[k]表示拓扑结构图的连通度，当第i个储能单元与第j个储能单元相连有通信时，a_ij[k]＝1；否则为0。