CN107968420B - 基于分布式极值搜索算法的储能系统及其能量优化管理方法 - Google Patents

基于分布式极值搜索算法的储能系统及其能量优化管理方法 Download PDF

Info

Publication number
CN107968420B
CN107968420B CN201711277949.6A CN201711277949A CN107968420B CN 107968420 B CN107968420 B CN 107968420B CN 201711277949 A CN201711277949 A CN 201711277949A CN 107968420 B CN107968420 B CN 107968420B
Authority
CN
China
Prior art keywords
energy storage
distributed
storage system
storage unit
charge
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.)
Expired - Fee Related
Application number
CN201711277949.6A
Other languages
English (en)
Other versions
CN107968420A (zh
Inventor
陈刚
李雪娇
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201711277949.6A priority Critical patent/CN107968420B/zh
Publication of CN107968420A publication Critical patent/CN107968420A/zh
Application granted granted Critical
Publication of CN107968420B publication Critical patent/CN107968420B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于分布式极值搜索算法的储能系统及其能量优化管理方法，属于储能系统能量优化领域。该方法包括步骤：检测当前储能单元及其相邻的储能单元的运行状态信息；通过运行状态信息判断分布式发电单元产生的电量是否满足负载的需要；若满足，则根据经济调度要求智能判断储能系统充电或分布式电源向大电网供电；若不满足，则根据经济调度要求智能判断储能系统放电或负载向大电网购电；若选择储能单元充电或是放电，则执行分布式极值搜索控制器来控制执行单元；判断储能单元的电荷量是否满足期望的标准；若满足，则结束；若不满足，则继续使用控制器进行优化控制。本发明能够实时的调控储能系统的输入输出，确保了系统的稳定，有效的减少了能源的损耗。

Description

基于分布式极值搜索算法的储能系统及其能量优化管理方法
技术领域
本发明属于储能系统能量优化领域，涉及基于分布式极值搜索算法的储能系统及其能量优化管理方法。
背景技术
随着能源需求的不断增长和环境保护压力的增大，分布式电源的大量并网对电网带来了不容忽视的冲击，电网负荷峰谷差的增大严重影响了电网的安全性和经济性。储能系统的接入为解决这些问题提供了新的途径。储能系统可以有效地实现需求侧管理，消除昼夜峰谷差，平滑负荷，提高电力设备利用率，降低供电成本，提高对新能源发电的消纳能力。
现有的技术方案有的需要借助目标函数以及目标函数的梯度来实现最优控制，例如：分布式梯度算法等；有的为了实现最优的目标，耗时太大，例如：枚举法等。但在实际控制系统中，由于控制系统参数的不确定性和实时变化的特点，使得参考量与输出量之间的函数关系很难被知晓，然而采用极值搜索控制算法则可以获得期望的目标。基于动态鞍点的分布式极值搜索方法能够快速的，有效的解决分布式多节点间的优化问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于分布式极值搜索算法的储能系统及其能量优化管理方法，在考虑储能系统运行约束条件下，采用分布式极值搜索方法，实现微网储能系统最优调度。
为达到上述目的，本发明提供如下技术方案：
基于分布式极值搜索算法的储能系统，包括检测模块、智能决策模块、分布式储能单元、分布式极值搜索控制器、智能切换开关、执行机构、分布式发电单元和负载；
所述检测模块用于检测储能系统运行状态信息，并将运行状态信息传送到控制器和智能决策模块中；智能决策模块根据运行状态信息，按照分时电价的经济调度来判断是否进行储能系统的充/放电或是向大电网供电/购电；分布式储能单元的存储信息通过自身的电荷量状态信息和邻节点的状态信息，采用分布式算法获取，各储能单元之间的通讯方式采用无线电通讯的方式；分布式极值搜索控制器利用分布式一致性算法与极值搜索算法，根据各储能单元自身状态信息和邻接的储能单元信息，对储能系统的配置方案进行优化，并向执行机构发送控制命令；智能切换开关用于根据智能决策模块的决策结果来选择执行的工作对象；执行机构用于完成分布式储能单元的充/放电任务；分布式发电单元提供负载的用电量；
所述的执行机构包括整流器和逆变器；整流器用于将分布式发电单元产生的多余电量存储在储能单元中，逆变器用于将分布式储能单元的电量提供给负载使用。
基于所述储能系统的能量优化管理方法，包括以下步骤：
S1：检测当前储能单元及其相邻的储能单元的运行状态信息；
S2：通过运行状态信息判断分布式发电单元产生的电量是否满足负载的需要；
S3：若满足，则根据经济调度要求智能判断储能系统充电或分布式电源向大电网供电；
S4：若不满足，则根据经济调度要求智能判断储能系统放电或负载向大电网购电；
S5：若选择储能单元充电或是放电，则执行分布式极值搜索控制器来控制执行单元；
S6：判断储能单元的电荷量是否满足期望的标准；
S7：若满足，则结束；
S8：若不满足，则继续使用控制器进行优化控制。
进一步，所述运行状态信息包括：各储能单元电荷量状态SOC、分布式电源产生的电量Pg、负载所需的电荷量Pl、时段t微网与大电网之间交互电价Ct、时段t内储能系统充放电量Pt ch,Pt dis；
所述经济调度要求包括：储能系统运行约束和分时电价；
储能系统运行约束包括充放电功率约束、荷电状态约束和充放电不同时约束；
充放电功率约束为：
Figure GDA0002823873760000021
PR为储能单元额定充放电功率；
荷电状态约束为：
Figure GDA0002823873760000022
式中：soci,0，soci,t分别为第i储能单元初始时刻和t时刻的荷电状态；
Figure GDA0002823873760000023
分别为第i个储能单元最小，最大电荷量限值；
Figure GDA0002823873760000024
分别为第i个储能单元的充电和放电效率；
Figure GDA0002823873760000025
分别为第i个储能单元的充电功率和放电功率；Es,i为第i个储能单元的额定容量；为保证储能系统可持续运行，在运行周期结束时满足
Figure GDA0002823873760000026
式中：soci,exp为第i个储能单元完成充放电时的期望电荷量；
充放电不同时约束为Pt ch·Pt dis＝0；
分时电价为
Figure GDA0002823873760000031
F为分布式储能单元充放电的收益，即储能系统目标函数；
Figure GDA0002823873760000032
分别为第i个储能单元t时刻的充电功率和放电功率；Ct为时段t微网与大电网之间交互电价。
进一步，所述运行状态信息包括：所述控制器进行优化控制满足：
(1)目标函数及约束条件
将优化目标定义为：
Figure GDA0002823873760000033
s.t.g(xi)≤0
其中f(x)是储能系统的目标函数，g(x)是约束条件；
定义拉格朗日函数L(x,λ)＝f(x)+λg(x)，式中x→P，
Figure GDA0002823873760000034
Figure GDA0002823873760000035
定义[u]+＝max{0,u},u∈R；
(2)基于动态鞍点的分布式极值搜索算法
Figure GDA0002823873760000036
Figure GDA0002823873760000037
Figure GDA0002823873760000038
Figure GDA0002823873760000039
Figure GDA00028238737600000310
上式分别表示：扰动控制输入、积分器、低通滤波器、高通滤波器和拉格朗日乘子；
(3)分布式极值搜索算法原理进行分析
x*为未知的最优目标函数，
Figure GDA00028238737600000311
为对x*的估计值；估计误差
Figure GDA00028238737600000312
把L(x,λ)在x*处二阶泰勒展开：
Figure GDA00028238737600000313
控制输入
Figure GDA00028238737600000314
得
Figure GDA0002823873760000041
忽略
Figure GDA0002823873760000042
这一项得
Figure GDA0002823873760000043
经过高通滤波器作用后去掉直流部分，
Figure GDA0002823873760000044
则
Figure GDA0002823873760000045
经过低通滤波器作用后去掉高频部分
Figure GDA0002823873760000046
则
Figure GDA0002823873760000047
因为x*是常数，则
Figure GDA0002823873760000048
当a＞0时，如果在x*处L有极大值，则其在x*处二阶导为负值，
Figure GDA0002823873760000049
其中
Figure GDA00028238737600000410
此时取k＞0，有
Figure GDA00028238737600000411
根据分布式一致性算法得，当t→∞时，|xi-xj|≤ε，其中ε是一个足够小的正常数，即|xi-xj|→0，那么
Figure GDA00028238737600000412
最终得到
Figure GDA00028238737600000413
表明最终控制对象的输出值趋于所期望的极大值，实现最优控制；
(4)当以储能系统充放电功率P为自变量，在其构成的目标函数的梯度不知道的情况下，运用分布式极值搜索算法，实时的调控分布式储能单元充放电的运行状态，在储能系统运行约束条件下，实现各储能单元电荷量状态的一致性。
本发明的有益效果在于：
(1)本发明采用分布式极值搜索算法，能够实时的调控储能系统的输入输出，确保了系统的稳定，有效的减少了能源的损耗。
(2)本发明应用分时电价的经济调度，可以进一步减少微网的购电成本，增加售电收益。
(3)本发明是在考虑微网运行约束以及储能系统运行约束的前提下制定的，更加具有一般性，实用性更强。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为储能系统拓扑结构图；
图2为储能系统控制流程图；
图3为分布式极值搜索算法控制器结构图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
本发明所要解决的技术问题是在考虑储能系统运行约束的前提下提供一种基于分布式极值搜索算法的储能系统能量管理的优化方法，实时的监测和调控不同储能单元之间的协调运作，保证系统的稳定性，并可以有效减少损耗。
储能系统运行约束包括：充放电功率、电荷量和充放电不同时进行约束。
目前针对微电网储能系统的研究大多在控制方面，而与电力系统运行关系更为密切的调度研究较少。为此，本发明在控制层面解决电力储能调度的基础上，采用根据分时电价进行能量调度的方法。储能系统可以通过在分布式电能过剩或电价较低时段充电、在分布式电能短缺或电价较高时段放电，减少微网电能成本，提高经济效益。
如图1所示，本发明提供的分布式储能系统主要包括：检测模块、智能决策模块、分布式储能单元、分布式极值搜索控制器、智能切换开关、执行机构、分布式发电单元、负载。(1)检测模块用于检测储能系统运行状态信息，并将运行状态信息传送到控制器和智能决策模块中；(2)智能决策模块根据运行状态信息，按照分时电价的经济调度来判断是否进行储能系统的充/放电或是向大电网供电/购电；(3)分布式储能单元(比如蓄电池)的存储信息通过自身的电荷量状态信息和邻节点的状态信息，采用分布式算法获取，各储能单元之间的通讯方式采用无线电通讯的方式；(4)分布式极值搜索控制器利用分布式一致性算法与极值搜索算法，根据各储能单元自身状态信息和邻接的储能单元信息，对储能系统的配置方案进行优化，并向执行机构发送控制命令；(5)智能切换开关用于根据智能决策模块的决策结果来选择执行的工作对象；(6)执行机构用于完成分布式储能单元的充/放电任务；(7)分布式发电单元(比如风力发电)提供负载的用电量。所述的执行机构包括整流器和逆变器。整流器用于将分布式发电单元产生的多余电量存储在储能单元中。逆变器用于将分布式储能单元的电量提供给负载使用。
2储能系统控制流程
如图2所示，本发明提供的储能系统控制流程图包括如下步骤：s1:检测当前储能单元及其相邻的储能单元的运行状态信息；s2:通过运行状态信息判断分布式发电单元产生的电量是否满足负载的需要；s3:若满足，则根据经济调度要求智能判断储能系统充电或分布式电源向大电网供电；s4:若不满足，则根据经济调度要求智能判断储能系统放电或负载向大电网购电；s5:若选择储能单元充电或是放电，则执行分布式极值搜索控制器来控制执行单元；s6:判断储能单元的电荷量是否满足期望的标准；s7:若满足，则结束；s8:若不满足，则继续使用控制器进行优化控制。
所述的运行状态信息包括：(1)各储能单元电荷量状态SOC；(2)分布式电源产生的电量Pg，负载所需的电荷量Pl；(3)时段t微网与大电网之间交互电价Ct；(4)时段t内，储能系统充放电量Pt ch,Pt dis。
所述的经济调度要求包括：
(1)储能系统运行约束
a.充放电功率约束
Figure GDA0002823873760000061
PR为储能单元额定充放电功率
b.荷电状态约束
Figure GDA0002823873760000062
式中：soci,0，soci,t分别为第i储能单元初始时刻和t时刻的荷电状态；
Figure GDA0002823873760000063
分别为第i个储能单元最小，最大电荷量限值；
Figure GDA0002823873760000064
分别为第i个储能单元的充电和放电效率；
Figure GDA0002823873760000065
分别为第i个储能单元的充电功率和放电功率；Es,i为第i个储能单元的额定容量。
为保证储能系统可持续运行，在运行周期结束时应满足
Figure GDA0002823873760000066
式中：soci,exp为第i个储能单元完成充放电时的期望电荷量。
c.充放电不同时约束
Pt ch·Pt dis＝0
(2)分时电价
Figure GDA0002823873760000067
F为分布式储能单元充放电的收益，即储能系统目标函数；
Figure GDA0002823873760000068
分别为第i个储能单元t时刻的充电功率和放电功率；Ct为时段t微网与大电网之间交互电价。
3分布式极值搜索算法分析
如图3所示，为分布式极值搜索算法控制器结构图。
(1)目标函数及约束条件
将优化目标定义为：
Figure GDA0002823873760000071
s.t.g(xi)≤0
其中f(x)是储能系统的目标函数，g(x)是约束条件，两者的值可测，但是梯度无法准确知道或者不知道。
定义拉格朗日函数L(x,λ)＝f(x)+λg(x)
式中x→P
Figure GDA0002823873760000072
Figure GDA0002823873760000073
定义[u]+＝max{0,u},u∈R
(2)基于动态鞍点的分布式极值搜索算法：
Figure GDA0002823873760000074
Figure GDA0002823873760000075
Figure GDA0002823873760000076
Figure GDA0002823873760000077
Figure GDA0002823873760000078
上面每个式子分别表示：扰动控制输入，积分器，低通滤波器，高通滤波器，拉格朗日乘子。
(3)分布式极值搜索算法原理进行分析：
x*—未知的最优目标函数，
Figure GDA0002823873760000081
—对x*的估计值
估计误差
Figure GDA0002823873760000082
把L(x,λ)在x*处二阶泰勒展开：
Figure GDA0002823873760000083
由上面可知控制输入
Figure GDA0002823873760000084
代入到上式得
Figure GDA0002823873760000085
忽略
Figure GDA0002823873760000086
这一项得
Figure GDA0002823873760000087
经过高通滤波器作用后去掉直流部分
Figure GDA0002823873760000088
则
Figure GDA0002823873760000089
经过低通滤波器作用后去掉高频部分
Figure GDA00028238737600000810
则
Figure GDA00028238737600000811
因为x*是常数，则
Figure GDA00028238737600000812
当a＞0时，如果在x*处L有极大值，则其在x*处二阶导为负值，
Figure GDA00028238737600000813
其中
Figure GDA00028238737600000814
此时取k＞0，有
Figure GDA00028238737600000815
根据分布式一致性算法得，当t→∞时，|xi-xj|≤ε，其中ε是一个足够小的正常数，即|xi-xj|→0，那么说明
Figure GDA00028238737600000816
所以
Figure GDA00028238737600000817
最终得到
Figure GDA00028238737600000818
表明最终控制对象的输出值趋于所期望的极大值，实现最优控制。
(4)以上技术方案与现有的技术方案相比，具有以下技术效果：当以储能系统充放电功率P为自变量，在其构成的目标函数的梯度不知道的情况下，运用分布式极值搜索算法，可以实时的调控分布式储能单元充放电的运行状态，在储能系统运行约束条件下，快速、稳定的实现各储能单元电荷量状态的一致性。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.基于分布式极值搜索算法的储能系统，其特征在于：该系统包括检测模块、智能决策模块、分布式储能单元、分布式极值搜索控制器、智能切换开关、执行机构、分布式发电单元和负载；
所述检测模块用于检测储能系统运行状态信息，并将运行状态信息传送到控制器和智能决策模块中；智能决策模块根据运行状态信息，按照分时电价的经济调度来判断是否进行储能系统的充/放电或是向大电网供电/购电；分布式储能单元的存储信息通过自身的电荷量状态信息和邻节点的状态信息，采用分布式算法获取，各储能单元之间的通讯方式采用无线电通讯的方式；分布式极值搜索控制器利用分布式一致性算法与极值搜索算法，根据各储能单元自身状态信息和邻接的储能单元信息，对储能系统的配置方案进行优化，并向执行机构发送控制命令；智能切换开关用于根据智能决策模块的决策结果来选择执行的工作对象；执行机构用于完成分布式储能单元的充/放电任务；分布式发电单元提供负载的用电量；
所述的执行机构包括整流器和逆变器；整流器用于将分布式发电单元产生的多余电量存储在储能单元中，逆变器用于将分布式储能单元的电量提供给负载使用。
2.基于权利要求1所述储能系统的能量优化管理方法，其特征在于：该方法包括以下步骤：
S1：检测当前储能单元及其相邻的储能单元的运行状态信息；
S2：通过运行状态信息判断分布式发电单元产生的电量是否满足负载的需要；
S3：若满足，则根据经济调度要求智能判断储能系统充电或分布式电源向大电网供电；
S4：若不满足，则根据经济调度要求智能判断储能系统放电或负载向大电网购电；
S5：若选择储能单元充电或是放电，则执行分布式极值搜索控制器来控制执行单元；
S6：判断储能单元的电荷量是否满足期望的标准；
S7：若满足，则结束；
S8：若不满足，则继续使用控制器进行优化控制。
3.基于权利要求2所述的储能系统的能量优化管理方法，其特征在于：所述运行状态信息包括：各储能单元电荷量状态SOC、分布式电源产生的电量Pg、负载所需的电荷量Pl、时段t微网与大电网之间交互电价Ct、时段t内储能系统充放电量Pt ch,Pt dis；
所述经济调度要求包括：储能系统运行约束和分时电价；
储能系统运行约束包括充放电功率约束、荷电状态约束和充放电不同时约束；
充放电功率约束为：
Figure FDA0002823873750000011
PR为储能单元额定充放电功率；
荷电状态约束为：
Figure FDA0002823873750000021
式中：soci,0，soci,t分别为第i储能单元初始时刻和t时刻的荷电状态；
Figure FDA0002823873750000022
分别为第i个储能单元最小，最大电荷量限值；
Figure FDA0002823873750000023
分别为第i个储能单元的充电和放电效率；
Figure FDA0002823873750000024
分别为第i个储能单元的充电功率和放电功率；Es,i为第i个储能单元的额定容量；为保证储能系统可持续运行，在运行周期结束时满足
Figure FDA0002823873750000025
式中：soci,exp为第i个储能单元完成充放电时的期望电荷量；
充放电不同时约束为Pt ch·Pt dis＝0；
分时电价为
Figure FDA0002823873750000026
F为分布式储能单元充放电的收益，即储能系统目标函数；
Figure FDA0002823873750000027
分别为第i个储能单元t时刻的充电功率和放电功率；Ct为时段t微网与大电网之间交互电价。
4.基于权利要求2所述的储能系统的能量优化管理方法，其特征在于：所述运行状态信息包括：所述控制器进行优化控制满足：
(1)目标函数及约束条件
将优化目标定义为：
Figure FDA0002823873750000028
s.t.g(xi)≤0
其中f(x)是储能系统的目标函数，g(x)是约束条件；
定义拉格朗日函数L(x,λ)＝f(x)+λg(x)，式中x→P，
Figure FDA0002823873750000029
Figure FDA00028238737500000210
定义[u]+＝max{0,u},u∈R；
(2)基于动态鞍点的分布式极值搜索算法
Figure FDA0002823873750000031
Figure FDA0002823873750000032
Figure FDA0002823873750000033
Figure FDA0002823873750000034
Figure FDA0002823873750000035
上式分别表示：扰动控制输入、积分器、低通滤波器、高通滤波器和拉格朗日乘子；
(3)分布式极值搜索算法原理进行分析
x*为未知的最优目标函数，
Figure FDA0002823873750000036
为对x*的估计值；估计误差
Figure FDA0002823873750000037
把L(x,λ)在x*处二阶泰勒展开：
Figure FDA0002823873750000038
控制输入
Figure FDA0002823873750000039
得
Figure FDA00028238737500000310
忽略
Figure FDA00028238737500000311
这一项得
Figure FDA00028238737500000312
经过高通滤波器作用后去掉直流部分，
Figure FDA00028238737500000313
则
Figure FDA00028238737500000314
经过低通滤波器作用后去掉高频部分
Figure FDA00028238737500000315
则
Figure FDA00028238737500000316
因为x*是常数，则
Figure FDA00028238737500000317
当a＞0时，如果在x*处L有极大值，则其在x*处二阶导为负值，
Figure FDA00028238737500000318
其中
Figure FDA00028238737500000319
此时取k＞0，有
Figure FDA00028238737500000320
根据分布式一致性算法得，当t→∞时，|xi-xj|≤ε，其中ε是一个足够小的正常数，即|xi-xj|→0，那么
Figure FDA00028238737500000321
最终得到
Figure FDA00028238737500000322
表明最终控制对象的输出值趋于所期望的极大值，实现最优控制；
(4)当以储能系统充放电功率P为自变量，在其构成的目标函数的梯度不知道的情况下，运用分布式极值搜索算法，实时的调控分布式储能单元充放电的运行状态，在储能系统运行约束条件下，实现各储能单元电荷量状态的一致性。
CN201711277949.6A 2017-12-06 2017-12-06 基于分布式极值搜索算法的储能系统及其能量优化管理方法 Expired - Fee Related CN107968420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711277949.6A CN107968420B (zh) 2017-12-06 2017-12-06 基于分布式极值搜索算法的储能系统及其能量优化管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711277949.6A CN107968420B (zh) 2017-12-06 2017-12-06 基于分布式极值搜索算法的储能系统及其能量优化管理方法

Publications (2)

Publication Number Publication Date
CN107968420A CN107968420A (zh) 2018-04-27
CN107968420B true CN107968420B (zh) 2021-03-16

Family

ID=61998828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711277949.6A Expired - Fee Related CN107968420B (zh) 2017-12-06 2017-12-06 基于分布式极值搜索算法的储能系统及其能量优化管理方法

Country Status (1)

Country Link
CN (1) CN107968420B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658005A (zh) * 2018-12-29 2019-04-19 天津大学 考虑电储能的园区综合能源系统设备选型与容量规划方法
CN110011424B (zh) * 2019-04-22 2023-05-23 常州工业职业技术学院 一种智能微电网分布式云储能系统安全稳定控制方法
CN111262262B (zh) * 2020-03-09 2022-11-29 华北电力大学 基于机器学习的储能类设备功率优化管理系统的过滤器
CN112751365B (zh) * 2020-12-23 2022-03-29 国网浙江海盐县供电有限公司 一种光伏周期性出力与线路负载关联的电网调度方法
CN116094890B (zh) * 2022-11-21 2023-06-30 重庆大学 一种基于一体化信号的通信信号传输方法
CN116885763B (zh) * 2023-09-07 2023-11-17 深圳市健网科技有限公司 一种适用于分布式储能系统的能量管理装置及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104135025B (zh) * 2014-05-30 2017-01-18 国家电网公司 基于模糊粒子群算法的微网并网经济优化方法
CN104836523B (zh) * 2015-04-29 2017-03-22 国家电网公司 基于李雅普诺夫开关耦合极值搜索的光伏储能发电模组
US10554049B2 (en) * 2016-03-21 2020-02-04 The Regents Of The University Of California Real-time disaggregation of renewable energy generation on an electricity distribution system

Also Published As

Publication number Publication date
CN107968420A (zh) 2018-04-27

Similar Documents

Publication Publication Date Title
CN107968420B (zh) 基于分布式极值搜索算法的储能系统及其能量优化管理方法
CN106651026B (zh) 多时间尺度微电网能量管理优化调度方法
CN106972516B (zh) 一种适用于微网的多类型储能多级控制方法
Xie et al. Autonomous optimized economic dispatch of active distribution system with multi-microgrids
Huang et al. Distributed cooperative control of energy storage units in microgrid based on multi-agent consensus method
CN109713712A (zh) 光储荷智能化管理一体机及光储荷智能化管理方法
CN101902049B (zh) 储能系统和用于操作储能系统的方法
CN109301853A (zh) 一种平抑功率波动的微电网多时间尺度能量管理方法
CN111200293B (zh) 基于电池损耗和分布式电网电池储能日前随机调度的方法
CN103997062B (zh) 一种微网能量管理控制方法
Alasali et al. Energy management systems for a network of electrified cranes with energy storage
CN103441520A (zh) 微网分布式新能源储能系统
CN109103939B (zh) 一种降低光伏电站损耗的储能系统智能控制装置及方法
CN103248064A (zh) 一种复合型能源充电储能系统及其方法
CN107370171B (zh) 一种独立微网中大规模储能优化配置与协调控制方法
CN112380694B (zh) 一种基于差异化可靠性需求的配电网优化规划方法
Jabeur et al. Microgrid energy management system for smart home using multi-agent system
CN110752629B (zh) 一种交直流混合家庭微电网能量优化管理方法
CN116307087B (zh) 考虑电动汽车充放电的微电网系统储能优化配置方法和系统
Akshya et al. Grid integration for electric vehicle and photovoltaic panel for a smart home
Chung et al. Distributed intelligent microgrid control using multi-agent systems
CN112636331A (zh) 智能电网的动态经济调度分布式优化方法及系统
Hartani et al. Proposed frequency decoupling-based fuzzy logic control for power allocation and state-of-charge recovery of hybrid energy storage systems adopting multi-level energy management for multi-DC-microgrids
CN106451511B (zh) 一种储能优化控制方法
CN115173466A (zh) 光伏-充电桩-建筑一体化交直流微网系统及控制方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210316