CN108400614A - 一种基于粒子群算法的微电网能源控制方法及装置 - Google Patents

一种基于粒子群算法的微电网能源控制方法及装置 Download PDF

Info

Publication number
CN108400614A
CN108400614A CN201810176119.2A CN201810176119A CN108400614A CN 108400614 A CN108400614 A CN 108400614A CN 201810176119 A CN201810176119 A CN 201810176119A CN 108400614 A CN108400614 A CN 108400614A
Authority
CN
China
Prior art keywords
particle
rotating speed
micro
capacitance sensor
moment
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.)
Granted
Application number
CN201810176119.2A
Other languages
English (en)
Other versions
CN108400614B (zh
Inventor
王玉乐
李惜玉
陈思哲
张桂东
张淼
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810176119.2A priority Critical patent/CN108400614B/zh
Publication of CN108400614A publication Critical patent/CN108400614A/zh
Application granted granted Critical
Publication of CN108400614B publication Critical patent/CN108400614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
    • 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
    • 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
    • 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)
  • Control Of Electrical Variables (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明实施例公开了一种基于粒子群算法的微电网能源控制方法及装置。本发明提供的基于粒子群算法的微电网能源控制方法与传统的微电网调节方法相比，以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，通过粒子群算法计算迭代到最大更新次数时适应度最小的粒子中未来n个时刻可变频率变压器的转速给定值，从而调节可调压负载消耗功率，减小太阳能发电波动对蓄电池的影响，使得蓄电池容量始终保持在预置电池容量左右，让蓄电池的使用率降低，减小蓄电池损耗，解决了让含有太阳能发电的微电网合理利用太阳能且降低蓄电池的使用的技术问题。

Description

一种基于粒子群算法的微电网能源控制方法及装置
技术领域
本发明涉及电力领域，尤其涉及一种基于粒子群算法的微电网能源控制方法及装置。
背景技术
随着科技的发展，社会能源问题已经成为了人类发展的主要问题之一，而太阳能作为一种热辐射的新型环保能源，具备取之不尽、无污染和成本低等特点，是一种环保且经济可靠的能源，被广泛应用于采暖和供热等领域。
但是太阳能受天气和昼夜光照强度变化的影响，稳定性差，导致太阳能发电模块的输出功率极其不稳定，把太阳能发电接入电网中容易对整个电网造成冲击。当前的解决方案是引入蓄电池进行能量的存储和释放，但是如果仅仅通过蓄电池自身调节以稳定太阳能发电产生的波动，则需要大容量的蓄电池，成本大，不环保，并且长期的反复充放电对蓄电池损耗很大，降低蓄电池的使用寿命。
因此，如何让含有太阳能发电的微电网合理利用太阳能且降低蓄电池的使用成为了本领域技术人员亟需解决的技术问题。
发明内容
本发明提供了一种基于粒子群算法的微电网能源控制方法及装置，解决了让含有太阳能发电的微电网合理利用太阳能且降低蓄电池的使用的技术问题。
本发明提供了一种基于粒子群算法的微电网能源控制方法，包括：
S1：构建预置粒子数量的粒子群，粒子群中粒子的位置的n个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数；
S2：联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式，并将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
S3：以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，通过粒子群算法对粒子群的速度和位置进行迭代更新，以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制。
优选地，步骤S1之后，步骤S2之前还包括：
S0：获取未来预置时间段内n个时刻的预测光照强度，根据预测光照强度计算n个时刻微电网内太阳能发电功率。
优选地，步骤S3具体包括：
S31：以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，以粒子在各次更新中适应度最小的位置作为该粒子的粒子最优位置，通过粒子群算法的更新公式对粒子群的速度和位置进行迭代更新，其中，更新公式如下：
其中，为第k个粒子第t次更新的速度，为第k个粒子第t+1 次更新的速度，为第k个粒子第t次更新的位置，为第k个粒子第 t+1次更新的位置，为第k个粒子的粒子最优位置，为第i次更新的全局最优位置，为惯性权重系数，c1为第一学习因子，c2为第二学习因子，r1和 r2为随机数，k＝1,2,…,N，N为预置粒子数量；
S32：判断是否当前更新次数达到最大更新次数，若是，则以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制，若否，则返回步骤S31进行下一次迭代更新。
优选地，步骤S31之后，步骤S32之前还包括：
S30：将更新后各个粒子的速度中超过粒子速度最大值的速度替换为粒子速度最大值，将低于粒子速度最小值的速度替换为粒子速度最小值，将更新后各个粒子的位置中超过转速最大值的维度替换为转速最大值，将低于转速最小值的维度替换为转速最小值。
优选地，预置的转速约束范围为通过预置的变频变压交流母线的电压约束范围和/或预置的用户舒适度约束范围计算得到的转速约束范围。
本发明提供了一种基于粒子群算法的微电网能源控制装置，包括：
初始化单元，用于构建预置粒子数量的粒子群，粒子群中粒子的位置的n 个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数；
数学单元，用于联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式，并将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
迭代单元，用于以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，通过粒子群算法对粒子群的速度和位置进行迭代更新，以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制。
优选地，还包括：
太阳能单元，用于获取未来预置时间段内n个时刻的预测光照强度，根据预测光照强度计算n个时刻微电网内太阳能发电功率。
优选地，迭代单元具体包括：
更新子单元，以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，以粒子在各次更新中适应度最小的位置作为该粒子的粒子最优位置，通过粒子群算法的更新公式对粒子群的速度和位置进行迭代更新，其中，更新公式如下：
其中，为第k个粒子第t次更新的速度，为第k个粒子第t+1 次更新的速度，为第k个粒子第t次更新的位置，为第k个粒子第 t+1次更新的位置，为第k个粒子的粒子最优位置，为第i次更新的全局最优位置，为惯性权重系数，c1为第一学习因子，c2为第二学习因子，r1和 r2为随机数，k＝1,2,…,N，N为预置粒子数量；
判断子单元，用于判断是否当前更新次数达到最大更新次数，若是，则以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制，若否，则返回步骤S31 进行下一次迭代更新。
优选地，迭代单元还包括：
超限子单元，用于将更新后各个粒子的速度中超过粒子速度最大值的速度替换为粒子速度最大值，将低于粒子速度最小值的速度替换为粒子速度最小值，将更新后各个粒子的位置中超过转速最大值的维度替换为转速最大值，将低于转速最小值的维度替换为转速最小值。
优选地，预置的转速约束范围为通过预置的变频变压交流母线的电压约束范围和/或预置的用户舒适度约束范围计算得到的转速约束范围。
从以上技术方案可以看出，本发明具有以下优点：S1：构建预置粒子数量N的粒子群，粒子群中粒子的位置的n个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数；S2：联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式，并将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；S3：以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，通过粒子群算法对粒子群的速度和位置进行迭代更新，以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制。
本发明提供的基于粒子群算法的微电网能源控制方法与传统的微电网调节方法相比，以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，通过粒子群算法计算迭代到最大更新次数时适应度最小的粒子中未来n个时刻可变频率变压器的转速给定值，从而调节可调压负载消耗功率，减小太阳能发电波动对蓄电池的影响，使得蓄电池容量始终保持在预置电池容量左右，让蓄电池的使用率降低，减小蓄电池损耗，解决了让含有太阳能发电的微电网合理利用太阳能且降低蓄电池的使用的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于粒子群算法的微电网能源控制方法的一个实施例的流程示意图；
图2为本发明实施例提供的一种基于粒子群算法的微电网能源控制方法的一个实施例的流程示意图；
图3为本发明实施例提供的一种基于粒子群算法的微电网能源控制装置的一个实施例的结构示意图；
图4为本发明实施例提供的一种微电网结构示意图；
其中，图4中的附图标记如下：
1、可调压调频交流负载；2、恒压恒频交流负载；3、恒压恒频交流母线； 4、降压变压器；5、市电接入点；6、三相PWM整流器；7、通信总线；8、控制装置；9、可变频率变压器；10、双馈电机；11、直流电机；12、直流电机驱动器；13、变压变频交流母线；14、三相二极管整流器；15、变压直流母线；16、可调压直流负载；17、第一稳压电容；18、第一DC/DC变换器； 19、第二DC/DC变换器；20、太阳能模块；21、蓄电池；22、第二稳压电容； 23、恒压直流母线；24、恒压直流负载。
具体实施方式
本发明实施例提供了一种基于粒子群算法的微电网能源控制方法及装置，解决了让含有太阳能发电的微电网合理利用太阳能且降低蓄电池的使用的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供了一种基于粒子群算法的微电网能源控制方法的一个实施例，包括；
步骤101：构建预置粒子数量的粒子群，粒子群中粒子的位置的n个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数；
需要说明的是，通过粒子群算法计算适应度最小时未来n个时刻可变频率变压器的转速需要先构建预置粒子数量的粒子群，粒子群规模根据需要进行确定；
每个粒子具有n个维度，分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，第k个粒子的可表示为ω(i,k)为在第i个时刻，第k个粒子的可变频率变压器的转速。
步骤102：联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式，并将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
需要说明的是，微电网内输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
微电网内输入功率与消耗功率相等的约束条件中市电输入功率和太阳能发电功率为恒值，恒压负载消耗功率也为恒值，所以微电网内输入功率与消耗功率相等的约束条件中只有蓄电池输入功率和可调压负载消耗功率为变量；
由于可调压负载消耗功率与变压变频交流母线和变压直流母线的电压有关，变压变频交流母线和变压直流母线的电压与可变频率变压器的转速有关，因此，联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式；
且第i+1时刻和第i时刻的时间差为△t，第i+1时刻蓄电池容量为第i时刻蓄电池容量减去第i时刻蓄电池输入功率与△t的乘积，i为小于n的正整数，因此，可将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式。
步骤103：以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，通过粒子群算法对粒子群的速度和位置进行迭代更新，以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制。
需要说明的是，蓄电池容量与可变频率变压器的转速的关系式中蓄电池的容量与可变频率变压器的转速有关，因此，当希望尽量少使用蓄电池时，即可视为希望蓄电池容量尽量维持在预置电池容量；
以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，通过粒子群算法对粒子群的位置和速度进行迭代更新，每一次更新后以粒子群中适应度最小的粒子的位置作为全局最优位置，迭代至最大更新次数时，此时的全局最优位置即为可变频率变压器的转速在未来n个时刻的最优解；
以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制，则可以实现以可变频率变压器的转速变化调节太阳能入网造成的波动，使得蓄电池的使用程度降低，提高蓄电池的使用寿命，解决了让含有太阳能发电的微电网合理利用太阳能且降低蓄电池的使用的技术问题。
以上为本发明实施例提供的一种基于粒子群算法的微电网能源控制方法的一个实施例，以下为本发明实施例提供的一种基于粒子群算法的微电网能源控制方法的另一个实施例。
请参阅图2和图4，本发明实施例提供了一种基于粒子群算法的微电网能源控制方法的另一个实施例，包括；
步骤201：构建预置粒子数量的粒子群，粒子群中粒子的位置的n个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器9的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数；
需要说明的是，通过粒子群算法计算适应度最小时未来n个时刻可变频率变压器9的转速需要先构建预置粒子数量的粒子群，粒子群规模根据需要进行确定；
每个粒子具有n个维度，分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器9的转速，第k个粒子的可表示为ω(i,k)为在第i个时刻，第k个粒子的可变频率变压器9的转速；
开始时需要在预置的转速约束范围ωmin≤ω(i)≤ωmax内对粒子群的各个粒子进行初始化操作，初始化过程如下：
ω(1,k)＝rand[0,1](ωmax-ωmin)+ωmin (1)
其中，ωmax为预置的转速约束范围内的转速最大值，ωmin为预置的转速约束范围内的转速最小值；
其中，vmax为预置的粒子速度约束范围内的粒子速度最大值，vmim为预置的粒子速度约束范围内的粒子速度最小值；
步骤202：获取未来预置时间段内n个时刻的预测光照强度，根据预测光照强度计算n个时刻微电网内太阳能发电功率；
需要说明的是，未来预置时间段内n个时刻的预测光照强度可以通过历史天气数据进行拟合预测，也可以直接通过气象台或者其他渠道直接获取预测光照强度；
获取未来预置时间段内n个时刻的预测光照强度之后可根据未来预置时间段内n个时刻的预测光照强度计算n个时刻微电网内太阳能发电功率；
对太阳能模块20的控制方法为对太阳能模块20的最大功率点的跟踪控制，可实现太阳能模块20的最大功率输出，具体控制方法为：通过调节太阳能模块20上的补偿电流给定值来施加扰动，并检测与之相连的太阳能模块20 的输出功率变化，若扰动后太阳能模块20输出功率增加，则说明该扰动能够提高太阳能模块20的输出功率，下一次继续往相同方向调节输出补偿电流的给定值；反之，施加扰动后太阳能模块20的输出功率变小，则说明该扰动不利于提高太阳能模块20的输出功率，下次往相反方向调节输出补偿电流的给定值。
步骤203：联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器9的转速的关系式得到蓄电池输入功率和可变频率变压器9的转速的关系式，并将蓄电池输入功率和可变频率变压器9的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器9的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
需要说明的是，任一时刻，必须保证微电网(如小区)能源系统的功率平衡，即小区能源输入的功率要与消耗的功率相等，微电网内输入功率与消耗功率相等的约束条件为：
Ps(i)+PPV(i)+PG(i)＝PT(i)+PC(i) (3)
其中，PPV(i)为第i时刻太阳能发电功率，PG(i)为第i时刻市电输入功率，PS(i)为第i时刻蓄电池输入功率，PT(i)为第i时刻可调压负载消耗功率，PC(i)为第i时刻恒压负载消耗功率；
约束条件(2)可变形为：
Ps(i)＝PT(i)+PC(i)-PPV(i)-PG(i) (4)
第i时刻市电输入功率为：
PG(i,k)＝UG(i)*IG(i) (5)
其中，PG(i,k)为第k个粒子第i时刻的市电输入功率，UG(i)为第i时刻市电电压，IG(i)为第i时刻市电电流，由于中压工频电网(市电)的电压和电流不会改变，所以市电输入功率为定值；
太阳能发电功率通过预测的光照强度进行计算，也是定值；
第i时刻恒压负载消耗功率为：
PC(i,k)＝UCVCF(i)*ICVCF(i)+UCVDC(i)*ICVDC(i) (6)
PC(i,k)为第k个粒子第i时刻的恒压负载消耗功率，UCVCF(i)为第i时刻恒压恒频交流负载2的电压，ICVCF(i)为第i时刻恒压恒频交流负载2的电流,UCVDC(i)为第i时刻恒压直流负载24的电压，ICVDC(i)为第i时刻恒压直流负载24的电流，因为恒压负载的电压和电流恒定，所以恒压负载消耗功率也为定值；
第i时刻可调压负载消耗功率为：
PT(i,k)＝UVAC(i)*IVAC(i)+UVDC(i)*IVDC(i) (7)
或：
PT(i,k)为第k个粒子第i时刻的可调压负载消耗功率，UVAC(i)为第i时刻可调压调频交流负载1的电压，IVAC(i)为第i时刻可调压调频交流负载1 的电流，R1为可调压调频交流负载1的阻抗值,UVDC(i)为第i时刻可调压直流负载16的电压，IVAC(i)为第i时刻可调压调频交流负载1的电流，R2为可调压直流负载16的阻抗值；
所以微电网内输入功率与消耗功率相等的约束条件中只有蓄电池输入功率和可调压负载消耗功率为变量；
由于可调压负载消耗功率与变压变频交流母线13和变压直流母线15的电压有关，具有一定的函数关系：
[UVAC(i),IVAC(i)]＝f1(ω(i,k)) (9)
[UVDC(i),IVDC(i)]＝f2(ω(i,k)) (10)
变压变频交流母线13和变压直流母线15的电压与可变频率变压器9的转速有关，因此，联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器9的转速的关系式得到蓄电池输入功率和可变频率变压器9的转速的关系式；
且第i+1时刻和第i时刻的时间差为△t，第i+1时刻蓄电池容量为第i时刻蓄电池容量减去第i时刻蓄电池输入功率与△t的乘积，i为小于n的正整数，表达式为：
Es(i+1,k)＝Es(i,k)+PS(i)*Δt (11)
Es(i+1,k)＝Es(i,k)+(PT(i)+PC(i,k)-PPV(i)-PG(i))*Δt (12)
其中，Es(i+1,k)为第i+1时刻蓄电池容量，Es(i,k)为第i时刻蓄电池容量；
因此，可将蓄电池输入功率和可变频率变压器9的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器9的转速的关系式。
步骤204：以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，以粒子在各次更新中适应度最小的位置作为该粒子的粒子最优位置，通过粒子群算法的更新公式对粒子群的速度和位置进行迭代更新，其中，更新公式如下：
其中，为第k个粒子第t次更新的速度，为第k个粒子第t+1 次更新的速度，为第k个粒子第t次更新的位置，为第k个粒子第 t+1次更新的位置，为第k个粒子的粒子最优位置，为第t次更新的全局最优位置，为惯性权重系数，c1为第一学习因子，c2为第二学习因子，r1和 r2为随机数，k＝1,2,…,N，N为预置粒子数量；
需要说明的是，预置电池容量可以设置为蓄电池21总容量的50％；
则适应度函数可表示为：
Esn为蓄电池21总容量，Es(i)为第i个时刻的蓄电池容量；
考虑了惩罚函数之后，式(9)可表示为：
λ1为惩罚函数的权重系数，PENf(i,k)为惩罚函数，PENf(i,k)的计算公式为：
PENf(i,k)＝(R-1)2 (15)
其中，R为当前时刻微电网实时的功率因数；
粒子群算法的更新公式如下：
其中，为第k个粒子第t次更新的速度，为第k个粒子第t+1 次更新的速度，为第k个粒子第t次更新的位置，为第k个粒子第 t+1次更新的位置，为第k个粒子的粒子最优位置，为第t次更新的全局最优位置，为惯性权重系数，c1为第一学习因子，c2为第二学习因子，r1和 r2为随机数，k＝1,2,…,N，N为预置粒子数量；
步骤205：将更新后各个粒子的速度中超过粒子速度最大值的速度替换为粒子速度最大值，将低于粒子速度最小值的速度替换为粒子速度最小值，将更新后各个粒子的位置中超过转速最大值的维度替换为转速最大值，将低于转速最小值的维度替换为转速最小值；
需要说明的是，对粒子群进行迭代更新之后，可能存在一些粒子的速度不在预置的粒子速度约束范围内或者粒子的位置中存在维度不在预置的转速约束范围内，所以需要超限处理，将更新后各个粒子的速度中超过粒子速度最大值的速度替换为粒子速度最大值，将低于粒子速度最小值的速度替换为粒子速度最小值，将更新后各个粒子的位置中超过转速最大值的维度替换为转速最大值，将低于转速最小值的维度替换为转速最小值：
步骤206：判断是否当前更新次数达到最大更新次数，若是，则执行步骤 207，若否，则返回步骤204进行下一次迭代更新；
步骤207：以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器9的转速的给定值，通过可变频率变压器9的转速的给定值对可变频率变压器9进行控制。
需要说明的是，蓄电池21充放电功率控制方法为当调节太阳能模块20 最大功率输出时，以及负载消耗功率变化时，势必会对恒压直流母线23的电压产生干扰，所以需要蓄电池21维持恒压直流母线23上的电压，具体控制方法为：将与恒压直流母线23相连的DC-DC变换器输出电压给定值与实测值的偏差，经PI调节器，产生DC-DC变换器的占空比，然后通过PWM调制实现对DC-DC变换器的控制，可实现恒压直流母线23的电压恒定，上述输出电压的给定值，即恒压直流母线23上的电压，所以恒压直流母线23的电压维持不变；
三相PWM整流器6的控制目标是维持小区能源系统与市电接入点5无功功率为零，有功功率分时恒定，有功功率值由上级电网给定，具体的控制方法为：三相PWM整流器6根据上级电网有功功率给定值与实测值的偏差，经 PI调节器，产生d轴控制电压，调节有功功率功功率输出。三相PWM整流器6根据无功功率给定值与实测值偏差，经PI调节器，产生q轴控制电压，调节无功功率的输出，无功功率的给定值为0；
当小区能源系统当前工作状态下消耗功率与期望输入功率不相同时，为了维持功率平衡，主要通过调节可调压负载电压进行平衡，即调节可变频率变压器9转速，可变频率变压器9包括：双馈电机10、直流电机11和直流电机驱动器12，可变频率变压器9转速控制方法为：转速的给定值与实测值的偏差经过PI调节器后得到直流电机11驱动电流的给定值，直流电机11电流给定值与实测值的偏差经过PI调节器后再经PWM整调制，得到数值给直流电机驱动器12，所以通过调节未来预置时间段内n个时刻的微电网内可变频率变压器9的转速的给定值可以对可调压负载消耗功率进行调节，避免蓄电池21的使用。
进一步地，预置的转速约束范围为通过预置的变压变频交流母线13的电压约束范围和/或预置的用户舒适度约束范围计算得到的转速约束范围。
需要说明的是，预置的转速约束范围可以直接采用典型值，也可通过预置的变压变频交流母线13的电压约束范围和/或预置的用户舒适度约束范围计算得到；
预置的变压变频交流母线13的电压约束范围和预置的用户舒适度约束范围可以表示为：
Umin＜UVAC＜Umax (20)
cmin≤c(i)≤cmax (21)
其中，UVAC为第i时刻变压变频交流母线13的电压，Umin为变压变频交流母线13的最小电压，Umax为变压变频交流母线13的最大电压，c(i)为第 i时刻的用户舒适度，cmin为用户舒适度的最大值，cmax用户舒适度的最小值；
因为变压变频交流母线13的电压与可变频率变压器9的转速相关，所以预置的变压变频交流母线13的电压约束范围可以变形为可变频率变压器9的转速约束范围；
在任一时刻，可调压负载电压变化虽然不影响负载正常使用，但是会影响用户使用的舒适度，如降低电热水器的电压，虽然不会影响热水器的正常使用，但是将水加热到100℃的时间必定变长，所以用户的舒适度值也有一定的限制，因为用户舒适度与可调压负载电压有关，可调压负载电压与可变频率变压器9的转速有关，所以用户舒适度约束范围可以变形为可变频率变压器9的转速约束范围。
本实施例中以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器9的转速的给定值，通过可变频率变压器9的转速的给定值对可变频率变压器9进行控制，微电网能源控制装置8和可变频率变压器9等装置可通过通信总线7进行信息交换；
因为可变频率变压器9的转速的给定值可以调节可变频率变压器9的转速，从而调节变压母线的电压，对可调压负载的消耗功率进行调节，通过可调压负载的功率变化调节太阳能入网造成的波动，使得蓄电池21的使用程度降低，提高蓄电池21的使用寿命，在保持光能完全入网的基础上，减少了储能系统的使用，同时又保证了功率的平衡、系统对接入点保持分时恒定，减少了储能系统的使用，可使储能系统的容量可大幅减小，成本更低，更加环保，应用粒子群算法，采用协同控制器进行统一协同控制，提高了控制的速度，降低了上级电网的调度难度，解决了让含有太阳能发电的微电网合理利用太阳能且降低蓄电池21的使用的技术问题。
以上为本发明实施例提供的一种基于粒子群算法的微电网能源控制方法的另一个实施例，以下为本发明实施例提供的一种基于粒子群算法的微电网能源控制装置的一个实施例。
请参阅图3，本发明实施例提供了一种基于粒子群算法的微电网能源控制装置的一个实施例，包括：
初始化单元301，用于构建预置粒子数量的粒子群，粒子群中粒子的位置的n个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数
数学单元303，用于联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式，并将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
迭代单元304，用于以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，通过粒子群算法对粒子群的速度和位置进行迭代更新，以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制。
进一步地，还包括：
太阳能单元302，用于获取未来预置时间段内n个时刻的预测光照强度，根据预测光照强度计算n个时刻微电网内太阳能发电功率。
进一步地，迭代单元304具体包括：
更新子单元3041，用于以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，以粒子在各次更新中适应度最小的位置作为该粒子的粒子最优位置，通过粒子群算法的更新公式对粒子群的速度和位置进行迭代更新，其中，更新公式如下：
其中，为第k个粒子第t次更新的速度，为第k个粒子第t+1 次更新的速度，为第k个粒子第t次更新的位置，为第k个粒子第 t+1次更新的位置，为第k个粒子的粒子最优位置，为第t次更新的全局最优位置，为惯性权重系数，c1为第一学习因子，c2为第二学习因子，r1和 r2为随机数，k＝1,2,…,N，N为预置粒子数量；
判断子单元3043，用于判断是否当前更新次数达到最大更新次数，若是，则以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制，若否，则返回步骤S31 进行下一次迭代更新。
进一步地，迭代单元还包括：
超限子单元3042，用于将更新后各个粒子的速度中超过粒子速度最大值的速度替换为粒子速度最大值，将低于粒子速度最小值的速度替换为粒子速度最小值，将更新后各个粒子的位置中超过转速最大值的维度替换为转速最大值，将低于转速最小值的维度替换为转速最小值。
进一步地，预置的转速约束范围为通过预置的变频变压交流母线的电压约束范围和/或预置的用户舒适度约束范围计算得到的转速约束范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于粒子群算法的微电网能源控制方法，其特征在于，包括：
S1：构建预置粒子数量的粒子群，粒子群中粒子的位置的n个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数；
S2：联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式，并将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
S3：以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，通过粒子群算法对粒子群的速度和位置进行迭代更新，以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制。
2.根据权利要求1所述的一种基于粒子群算法的微电网能源控制方法，其特征在于，步骤S1之后，步骤S2之前还包括：
S0：获取未来预置时间段内n个时刻的预测光照强度，根据预测光照强度计算n个时刻微电网内太阳能发电功率。
3.根据权利要求1所述的一种基于粒子群算法的微电网能源控制方法，其特征在于，步骤S3具体包括：
S31：以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，以粒子在各次更新中适应度最小的位置作为该粒子的粒子最优位置，通过粒子群算法的更新公式对粒子群的速度和位置进行迭代更新，其中，更新公式如下：
其中，为第k个粒子第t次更新的速度，为第k个粒子第t+1次更新的速度，为第k个粒子第t次更新的位置，为第k个粒子第t+1次更新的位置，为第k个粒子的粒子最优位置，为第i次更新的全局最优位置，为惯性权重系数，c1为第一学习因子，c2为第二学习因子，r1和r2为随机数，k＝1,2,…,N，N为预置粒子数量；
S32：判断是否当前更新次数达到最大更新次数，若是，则以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制，若否，则返回步骤S31进行下一次迭代更新。
4.根据权利要求3所述的一种基于粒子群算法的微电网能源控制方法，其特征在于，步骤S31之后，步骤S32之前还包括：
S30：将更新后各个粒子的速度中超过粒子速度最大值的速度替换为粒子速度最大值，将低于粒子速度最小值的速度替换为粒子速度最小值，将更新后各个粒子的位置中超过转速最大值的维度替换为转速最大值，将低于转速最小值的维度替换为转速最小值。
5.根据权利要求1所述的一种基于粒子群算法的微电网能源控制方法，其特征在于，预置的转速约束范围为通过预置的变频变压交流母线的电压约束范围和/或预置的用户舒适度约束范围计算得到的转速约束范围。
6.一种基于粒子群算法的微电网能源控制装置，其特征在于，包括：
初始化单元，用于构建预置粒子数量的粒子群，粒子群中粒子的位置的n个维度分别表示为未来预置时间段内n个时刻的微电网内可变频率变压器的转速，并在预置的转速约束范围和预置的粒子速度约束范围内对粒子群内各个粒子的位置和速度进行初始化操作，n为正整数；
数学单元，用于联立微电网内输入功率与消耗功率相等的约束条件和可调压负载消耗功率与可变频率变压器的转速的关系式得到蓄电池输入功率和可变频率变压器的转速的关系式，并将蓄电池输入功率和可变频率变压器的转速的关系式变形得到各个时刻蓄电池容量与可变频率变压器的转速的关系式，其中，输入功率包括市电输入功率、太阳能发电功率和蓄电池输入功率，消耗功率包括恒压负载消耗功率和可调压负载消耗功率；
迭代单元，用于以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，通过粒子群算法对粒子群的速度和位置进行迭代更新，以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制。
7.根据权利要求6所述的一种基于粒子群算法的微电网能源控制装置，其特征在于，还包括：
太阳能单元，用于获取未来预置时间段内n个时刻的预测光照强度，根据预测光照强度计算n个时刻微电网内太阳能发电功率。
8.根据权利要求6所述的一种基于粒子群算法的微电网能源控制装置，其特征在于，迭代单元具体包括：
更新子单元，以各个时刻的蓄电池容量与预置电池容量的差值的平方和为适应度函数，以粒子群中适应度最小的粒子的位置作为全局最优位置，以粒子在各次更新中适应度最小的位置作为该粒子的粒子最优位置，通过粒子群算法的更新公式对粒子群的速度和位置进行迭代更新，其中，更新公式如下：
其中，为第k个粒子第t次更新的速度，为第k个粒子第t+1次更新的速度，为第k个粒子第t次更新的位置，为第k个粒子第t+1次更新的位置，为第k个粒子的粒子最优位置，为第i次更新的全局最优位置，为惯性权重系数，c1为第一学习因子，c2为第二学习因子，r1和r2为随机数，k＝1,2,…,N，N为预置粒子数量；
判断子单元，用于判断是否当前更新次数达到最大更新次数，若是，则以迭代至最大更新次数时的全局最优位置中n个维度的转速作为未来预置时间段内n个时刻的微电网内可变频率变压器的转速的给定值，通过可变频率变压器的转速的给定值对可变频率变压器进行控制，若否，则返回步骤S31进行下一次迭代更新。
9.根据权利要求8所述的一种基于粒子群算法的微电网能源控制装置，其特征在于，迭代单元还包括：
超限子单元，用于将更新后各个粒子的速度中超过粒子速度最大值的速度替换为粒子速度最大值，将低于粒子速度最小值的速度替换为粒子速度最小值，将更新后各个粒子的位置中超过转速最大值的维度替换为转速最大值，将低于转速最小值的维度替换为转速最小值。
10.根据权利要求6所述的一种基于粒子群算法的微电网能源控制装置，其特征在于，预置的转速约束范围为通过预置的变频变压交流母线的电压约束范围和/或预置的用户舒适度约束范围计算得到的转速约束范围。
CN201810176119.2A 2018-03-02 2018-03-02 一种基于粒子群算法的微电网能源控制方法及装置 Active CN108400614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810176119.2A CN108400614B (zh) 2018-03-02 2018-03-02 一种基于粒子群算法的微电网能源控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810176119.2A CN108400614B (zh) 2018-03-02 2018-03-02 一种基于粒子群算法的微电网能源控制方法及装置

Publications (2)

Publication Number Publication Date
CN108400614A true CN108400614A (zh) 2018-08-14
CN108400614B CN108400614B (zh) 2021-07-06

Family

ID=63092138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810176119.2A Active CN108400614B (zh) 2018-03-02 2018-03-02 一种基于粒子群算法的微电网能源控制方法及装置

Country Status (1)

Country Link
CN (1) CN108400614B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323049A (zh) * 2020-03-19 2020-06-23 哈尔滨工程大学 一种粒子群算法的粗对准方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105610202A (zh) * 2016-02-04 2016-05-25 中国电力科学研究院 一种基于多代理系统的自治交直流微电网有功控制方法
CN106887847A (zh) * 2017-04-28 2017-06-23 广东工业大学 一种可变频率变压器直接负荷控制的微电网及其运行方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105610202A (zh) * 2016-02-04 2016-05-25 中国电力科学研究院 一种基于多代理系统的自治交直流微电网有功控制方法
CN106887847A (zh) * 2017-04-28 2017-06-23 广东工业大学 一种可变频率变压器直接负荷控制的微电网及其运行方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323049A (zh) * 2020-03-19 2020-06-23 哈尔滨工程大学 一种粒子群算法的粗对准方法

Also Published As

Publication number Publication date
CN108400614B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Mohsenian-Rad et al. Towards building an optimal demand response framework for DC distribution networks
CN103986190B (zh) 基于发电功率曲线的风光储联合发电系统平滑控制方法
CN110247438B (zh) 基于天牛须算法的主动配电网资源优化配置
CN111049173B (zh) 多端直流配网自组织下垂控制方法
CN112564135A (zh) 一种新能源与储能电站群频率/电压协调控制方法及装置
CN111293682B (zh) 一种基于协同模型预测控制的多微网能量管理方法
CN110046780B (zh) 基于分时电价的孤岛微电网需求响应经济调度方法及系统
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN113378100B (zh) 考虑碳排放的配电网源网荷储协同优化调度模型和方法
CN102751724B (zh) 一种面向需求侧响应基于预测的三相负载调度方法及装置
WO2022156014A1 (zh) 混联风光微电网快速频率响应分布式协调控制方法及系统
CN111817296B (zh) 一种微电网用电能调度方法及系统
CN110521077A (zh) 具有逆变器输入电压控制的电源系统
Mao et al. Microgrid group control method based on deep learning under cloud edge collaboration
CN109638864A (zh) 一种智能电网的控制系统
CN104778507A (zh) 一种基于自适应粒子群算法的楼宇智能用电策略获取方法
CN110752614B (zh) 一种储能系统控制方法及系统
CN108400614A (zh) 一种基于粒子群算法的微电网能源控制方法及装置
Shirishti et al. DG allocation using arithmetic optimization algorithm in radial and mesh distribution system
CN116865270A (zh) 一种含嵌入式直流的柔性互联配电网优化调度方法及系统
CN108233426A (zh) 一种微电网能源控制方法及装置
CN106684914B (zh) 一种提高电力弹簧调压性能的自适应pi控制方法
CN109004688B (zh) 一种支撑配电网全局电压控制的光伏电站功率协调分配方法
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
CN111082442A (zh) 一种基于改进fpa的储能容量优化配置方法

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