CN109245196B - 多电池储能系统的优化控制方法、系统及存储介质 - Google Patents

多电池储能系统的优化控制方法、系统及存储介质 Download PDF

Info

Publication number
CN109245196B
CN109245196B CN201810967603.7A CN201810967603A CN109245196B CN 109245196 B CN109245196 B CN 109245196B CN 201810967603 A CN201810967603 A CN 201810967603A CN 109245196 B CN109245196 B CN 109245196B
Authority
CN
China
Prior art keywords
energy storage
function
storage system
battery
fuzzy
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
CN201810967603.7A
Other languages
English (en)
Other versions
CN109245196A (zh
Inventor
朱圆恒
赵冬斌
李相俊
周建华
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.)
Institute of Automation of Chinese Academy of Science
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Institute of Automation of Chinese Academy of Science
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 Institute of Automation of Chinese Academy of Science, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201810967603.7A priority Critical patent/CN109245196B/zh
Publication of CN109245196A publication Critical patent/CN109245196A/zh
Application granted granted Critical
Publication of CN109245196B publication Critical patent/CN109245196B/zh
Active 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0068—Battery or charger load switching, e.g. concurrent charging and load supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及一种多电池储能系统的优化控制方法、系统及存储介质，本发明的方法与单电池管理系统不同，多个电池的不同属性被考虑进来，以整个系统的长期优化指标作为优化目标，此外，价值函数被定义为关于所有电池状态的模糊系统，根据电池动力学特性计算模糊系统的参数，电池的充放电动作考虑各个电池的容量和功率约束，整个优化过程是在受限的动作空间完成的。这样得到的最优动作一方面有助于延长电池寿命，另一方面保证了最优的性能指标。

Description

多电池储能系统的优化控制方法、系统及存储介质
技术领域
本发明涉及电池管理技术领域，具体涉及一种多电池储能系统的优化控制方法、系统及计算机可读存储介质。
背景技术
近年来，工业生产和居民日常生活对电力电能的需求给电网系统提出了极大的挑战。为了减少电力需求施加给发电站的压力，微网系统成为了电力发展的方向。微网将多个分布式的发电机和用户连接起来，既可以以孤岛的模式运行，也可以连接到外网。各种类型的分布式发电机都可以连接到微网中，其中可再生能源发电机成为了最为常见的一种，包括风机和光伏电板。分布式发电机不仅可以产生满足用户负荷需求的电能，还可以将多余的能量返传给外网。由于可再生能源的动态不确定性，储能系统成为了保证稳定电源输出的必要组成部分。此外，装载了储能系统后可以将价格便宜的外网电量存储起来，在电价高时释放以满足用户需求，达到削峰填谷的作用。这样消费者就不需要改变自身的用电习惯来达到节省电费的目的。
大部分的储能系统使用电池作为储能单元。随着电动汽车的发展，废弃的电动汽车给储能系统带来了可观的低成本、高容量的储能空间。当微网连接多个居民用户或是高负荷工业用户时，需要多个电池才能提供足够的电池容量。然而通常情况这些电池拥有不同的电池属性，包括容量、充放电效率、最大功率等。因此需要多电池管理系统将它们协同起来，考虑用户的负荷需求曲线、实时电价、不同电池的状态等，决定每个电池的充放电动作。由于负载和电价的动态特性，因此多电池管理系统要充分考虑长远优化指标，才能有效节省从外网购电的成本。此外储能电池都有有限的寿命，只能充放电有限的次数。不当的充放电动作会缩短电池生命周期。因此多电池管理系统要考虑电池的控制约束，将电池运行在安全的区间内。
自适应动态规划作为动态规划的发展，已经成为解决优化问题的强有力工具。与动态规划不同，自适应动态规划以时间前向的方式解决优化问题，并与神经网络、模糊系统等逼近技术结合，避免维数灾的难题。对于控制带约束的问题，传统的方法是将控制器的输出经过一个光滑的饱合函数，将输出约束在上下界范围内。但是这种方法需要对输出的动作定义特殊的惩罚函数，会改变原有的优化目标。此外通过饱合函数的控制器会倾向于选择保守的控制动作，弱化了最终的控制效果。
鉴于上述原因，有必要提出一种能实现控制带约束的自适应动态规划方法。
发明内容
本发明提供一种多电池储能系统的优化控制方法，旨在提出一种在应用中能够输出受限动作空间的可行最优动作，将储能系统在长期运行过程中从外网购电产生的电费支出降到最低的方法。
本发明实施例是这样实现的，一种多电池储能系统的优化控制方法，所述方法包括如下步骤：
步骤S10，获取不同电池的性能指标以及控制约束；
步骤S20，定义与所述性能指标对应的价值函数；
步骤S30，定义价值函数的模糊表示；
步骤S40，基于价值函数的模糊表示，根据预设算法计算控制约束条件下每个电池可行的最优动作。
优选地，所述步骤S40包括：
步骤S41，设计牛顿投影搜索法；
步骤S42，根据预设算法计算得到控制约束的最优化问题。
优选地，所述步骤S40中的预设算法为根据牛顿投影搜索法计算控制约束条件下每个电池可行的最优动作。
优选地，所述步骤S10包括：
步骤S11，对每个电池充放电过程及多电池储能优化进行建模，利用光滑函数表示电池的充放电动力学和储能系统的性能指标，定义每个电池的控制约束范围。
优选地，所述步骤S20包括：
步骤S21，利用用户负荷和/或外网电价曲线的周期特性，将价值函数划分为周期内每一个时刻相对应的函数组；
步骤S22，定义周期迭代公式，根据周期迭代公式，对任意给定的价值函数计算精确的最优函数值，使用周期迭代公式对价值函数进行更新。
优选地，所述步骤S30包括：
步骤S31，定义三角形模糊隶属函数，使用基于三角形模糊隶属函数的模糊系统表示值迭代过程中的价值函数，得到价值函数的模糊表示。
优选地，所述步骤S40之后还包括：
步骤S50，计算周期内的任意时刻相邻两次迭代的价值函数是否都小于预设阈值；
步骤S60，若是，则将价值函数的模糊表示结合预设算法计算步骤S11所述建模定义的控制约束条件下每个电池可行的最优动作。
优选地，所述步骤S50之后还包括：
步骤S61，若否，则进入步骤S30利用周期迭代公式进行下一次的迭代
此外，本发明还提出一种多电池储能系统的优化系统，所述多电池储能系统的优化系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多电池储能系统的优化程序，所述多电池储能系统的优化程序被所述处理器执行时实现如上所述的方法的步骤。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有多电池储能系统的优化程序，所述多电池储能系统的优化程序被处理器执行时实现如上所述的多电池储能系统的优化控制方法的步骤。
本发明的方法与单电池管理系统不同，多个电池的不同属性被考虑进来，以整个系统的长期优化指标作为优化目标，此外，价值函数被定义为关于所有电池状态的模糊系统，根据电池动力学特性计算模糊系统的参数，电池的充放电动作考虑各个电池的容量和功率约束，整个优化过程是在受限的动作空间完成的。这样得到的最优动作一方面有助于延长电池寿命，另一方面保证了最优的性能指标。
本发明提出的多电池储能系统的优化控制方法具有以下优点：
首先，将多个电池状态共同作为价值函数的输入，利用自适应动态规划方法优化整个多电池储能系统的长期优化指标；
其次，本发明提出的周期值迭代方法能够解决带有周期特性的用户负荷和实时电价优化问题；
此外，根据得到的价值函数，输出的最优动作满足控制约束条件，从而保护了储能系统中的电池单元，延长使用寿命。
附图说明
图1是本发明多电池储能系统的优化控制方法一实施例提供的流程示意图；
图2是本发明多电池储能系统的优化控制方法另一实施例提供的流程示意图；
图3是本发明多电池储能系统的示意图；
图4是典型用户负荷和实时电价曲线示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明提出的一种多电池储能系统的优化控制方法，参照图 1～图4，所述方法包括如下步骤：
步骤S10，获取不同电池的性能指标以及控制约束；
进一步地，所述步骤S10包括：
步骤S11，对每个电池充放电过程及多电池储能优化进行建模，利用光滑函数标示电池的充放电动力学和储能系统的性能指标，定义每个电池的控制约束范围。
假设多电池储能系统由N个属性不同的电池组成。负载、电池和外网之间的能量流动以离散时间方式表示，离散时间间隔选择1个小时。也就是说在本发明中每个离散时刻的能量数值等于当前时刻的功率数值。
每个电池的充放电动力学表示为：
Ei(t+1)＝Ei(t)-ηi(Pi)Pi(t) (1)
其中Pi＞0代表电池在放电；Pi＜0代表电池在充电；Pi＝0代表电池处于空闲状态。ηi代表了电池充放电效率，反映出有多少能量能被充分利用，它的值由充放电功率决定。
Figure GDA0002453858320000061
ηi0和ξi是放电参数，不同的电池对应不同的参数值。
定义电池的安全充放功率约束为：
Pi,min≤Pi≤Pi,max (3)
电池存储的能量约束为：
Ei,min≤Ei≤Ei,max (4)
不同的电池对应不同的约束上下界Pi,min，Pi,max，Ei,min，Ei,max。根据电池的动力学特性，将控制约束统一表示成：
Figure GDA0002453858320000062
其中，
Figure GDA0002453858320000063
上面介绍的电池动力学是非连续的，对于控制理论来讲使用连接的动力学可以更加容易设计控制器。因此使用一个光滑连续的函数来近似表达充放电效率公式(2)，获得如下表达式：
Figure GDA0002453858320000064
如果a选择足够大的值，当
Figure GDA0002453858320000065
时，
Figure GDA0002453858320000066
当
Figure GDA0002453858320000067
时，
Figure GDA0002453858320000068
在本发明中将a设为10。
当N个电池共同存在于储能系统时，系统的状态变量由N个电池当前的能量组成，而控制向量则N个电池的充放电功率组成。储能系统以小时为单位的离散时间动力学为：
x(t+1)＝f(x(t),u(t)) (8)
其中x＝[E1，...，EN]T，u＝[P1,...,PN]T，f具有：
Figure GDA0002453858320000071
第i个控制输入满足
Figure GDA0002453858320000072
其中
Figure GDA0002453858320000073
整个控制动作空间被限制在
Figure GDA0002453858320000074
外网、储能系统和用户之间的能量流动满足
Figure GDA0002453858320000075
在这里假定不允许将能量从电池传递给外网。当G 大于0时，用户必须从外网购买电量满足用电需求。反映每个时刻向外网支出电费的效用函数定义成光滑连续函数的形式：
Figure GDA0002453858320000076
如果参数b选择较小的值，则l可以看作是对
Figure GDA0002453858320000077
的近似。如果
Figure GDA0002453858320000078
上式的结果反映从外网购电的电费支出。如果
Figure GDA0002453858320000079
则储能系统给用户提供大于需求的电量，多余的电量被浪费。由于上面定义的效用函数会对浪费电量行为进行惩罚，因此最优的控制策略会避免让
Figure GDA00024538583200000710
在这里将b设为0.1。
最优控制的目标是在一个较长时段上最小化效用函数，也就是从初始状态x(t0)和初始时刻t0出发，找到一组控制动作，使下面带衰减因子的性能指标最小化，
Figure GDA0002453858320000081
其中衰减因子0＜γ＜1。
步骤S20，定义与所述性能指标对应的价值函数；
进一步地，所述步骤S20包括：
步骤S21，利用用户负荷和/或外网电价曲线的周期特性，将价值函数划分为周期内每一个时刻相对应的函数组；
步骤S22，定义周期迭代公式，根据周期迭代公式，对任意给定的价值函数计算精确的最优函数值。
具体地，定义与性能指标对应的价值函数，利用用户负荷和外网电价曲线的周期特性，将价值函数划分成周期内每一个时刻相对应的价值函数组，进一步提出周期值迭代公式，从而能够从任意给定的价值函数出发，计算得到更精确的最优函数值；
尽管L(t)和θ(t)具有动态特性，它们的变化曲线往往是近似于周期函数，周期为24小时，且可表示如下:
Figure GDA0002453858320000082
图3给出了典型用户负荷和实时电价的变化曲线，柱状图代表负荷，实线代表电价曲线。在相同初始状态下，性能指标函数公式(11) 也是周期性的，且可表示如下:
J(x,t)＝J(x,t+T) (13)
将时间下标重新表示成t＝αT+k其中α和k是整数，满足α≥0和0≤k＜T。这样一个周期内的性能指标函数被划分成一组时不变的函数Jk(x)＝J(x,t)，k＝0,…,T-1。根据贝尔曼最优性原理，可以将性能指标函数(11)表示成:
Figure GDA0002453858320000083
根据上面的分析，原始的时变性能指标函数J(x,t)被转化为一组时不变性能指标函数{Jk(x)}。它们之间的关系满足上面给出的贝尔曼等式。
下面提出周期值迭代方法来求解该组等式。
在开始迭代之前，首先初始化一个价值函数
Figure GDA0002453858320000097
作为对性能指标函数J0的估计。之后持续性地将价值函数代入到上面的贝尔曼等式的右边，得到新的价值函数:
Figure GDA0002453858320000091
在得到新的价值函数
Figure GDA0002453858320000092
后，继续下一次迭代。整个周期值迭代方法概括如下:
Figure GDA0002453858320000093
可以证明当j→∞时，
Figure GDA0002453858320000094
步骤S30，定义价值函数的模糊表示
所述步骤S30包括：
步骤S31，定义三角形模糊隶属函数，使用基于三角形模糊隶属函数的模糊系统表示值迭代过程中的价值函数，得到价值函数的模糊表示。
具体地，定义三角形模糊隶属函数，使用基于三角形模糊隶属函数的模糊系统表示周期值迭代过程中的价值函数，使得只需要已知模糊隶属函数核上的函数值，即可得到整个价值函数的模糊表示。
在这里要使用的模糊系统依赖于对状态空间的模糊划分。将状态空间划分成H个模糊集
Figure GDA0002453858320000095
每个模糊集对应隶属函数μh:Ω→[0,1]。隶属函数μh(x)的值代表了状态x属于模糊集
Figure GDA0002453858320000096
的隶属度。此外假设每一个隶属函数都有唯一一个最大值点，即对每个h都有唯一一个点ch使得该点的隶属度都比其它点的隶属度大，μh(ch)＞μh(x)，
Figure GDA0002453858320000101
此外其它的隶属函数在该点都取零，μh′(ch)＝0，
Figure GDA0002453858320000102
ch也称为模糊集
Figure GDA0002453858320000103
的核。为了不失一般性，令隶属度在ch上取1，即μh(ch)＝1。三角隶属函数是满足该条件的最常见的一种，它的结构可以根据如下方法得到。首先考虑状态是一维的情况，x1。定义H1个三角隶属函数:
Figure GDA0002453858320000104
其中，
Figure GDA00024538583200001012
是状态维度上的核，满足
Figure GDA00024538583200001011
隶属函数的范围覆盖整个状态空间，即
Figure GDA00024538583200001013
这样定义的三角隶属函数满足上面对隶属函数的要求。当状态空间延伸到多维时，多维隶属函数则根一维隶属函数做乘积得到。
假定目标函数表示为F(x)。在上面定义的三角隶属函数下，目标函数的模糊表示为：
Figure GDA0002453858320000105
其中，
Figure GDA0002453858320000106
以及F(ch)是目标函数F在ch上的函数值。由于隶属函数在对应的核上满足μh(ch)＝1，而其它隶属函数则是μh′(ch)＝0，
Figure GDA0002453858320000107
因此目标函数
Figure GDA0002453858320000108
的模糊表示在核上具有与F相同的值，即
Figure GDA0002453858320000109
对于其它的输入状态，
Figure GDA00024538583200001010
和F之间的误差也是有限的。
将上面定义的模糊系统带入到周期值迭代中去。假定已经获得模糊表示的价值函数
Figure GDA0002453858320000111
根据值迭代公式(16)，新的价值函数
Figure GDA0002453858320000112
在隶属函数核上的值可从下式进行计算：
Figure GDA0002453858320000113
当k＝T-1时，上面等式右边的
Figure GDA0002453858320000114
被
Figure GDA0002453858320000115
所替代。根据模糊系统的定义(18)，
Figure GDA0002453858320000116
的模糊表示为：
Figure GDA0002453858320000117
步骤S40，基于价值函数的模糊表示，根据预设算法计算控制约束条件下每个电池可行的最优动作
进一步地，所述步骤S40包括：
步骤S41，设计牛顿投影搜索法；
步骤S42，计算周期值迭代公式中控制受限最优化问题。
在模糊价值函数基础上，定义与状态和动作有关的Q函数，利用泰勒展式将在任意状态下最优动作的计算转化成在受限动作空间上的二次型优化，根据牛顿投影法搜索可行的最优动作；
在上一步骤公式(19)中要确定新的价值函数值，需要在有限动作空间
Figure GDA0002453858320000118
上求解最优问题：
Figure GDA0002453858320000119
其中，u的组成元素包括多个电池的充放电动作，因此动作的约束
Figure GDA00024538583200001110
可以写成不等式约束
Figure GDA00024538583200001111
其中
Figure GDA00024538583200001112
Figure GDA00024538583200001113
因此，公式(21)中的最优化问题的求解变为：
Figure GDA00024538583200001114
其中x等于ch。将问题的最优解赋值给
Figure GDA00024538583200001115
其中公式(22)的目标函数等于自适应动态规划领域的Q函数定义。与价值函数不同，Q函数同时考虑状态和动作输入的影响：
Figure GDA0002453858320000121
最优化问题公式(22)转变成了寻找在x输入下使Q(x,u)最大化的u，也就是：
Figure GDA0002453858320000122
接下来，将该优化问题转化为二次规划。假定已经做出了对 u的一个猜测。在该点的领域，Q函数可以表示为关于动作误差v的泰勒展式：
Figure GDA0002453858320000123
其中，Qu和Quu分别代表Q关于u的一阶和二阶偏导，分别等于：
Figure GDA0002453858320000124
为了表示方便，省略了输入变量x,u,t，并在
Figure GDA0002453858320000125
后面使用引号来代表下一时刻的值。使Q函数最小化的v近似等价于优化下面目标函数：
Figure GDA0002453858320000126
其中条件约束定义为v＝u-u，
Figure GDA0002453858320000127
如果去掉约束条件，最优解v*等于
Figure GDA0002453858320000128
当约束条件存在时，原始的最优解可能会在某些维度上超出边界条件。
对此利用框型约束性质，不断确定有效的约束条件，然后在可行的状态子空间中利用牛顿投影步长搜索可行解。假定从初始满足约束
Figure GDA0002453858320000131
的点v出发(例如当
Figure GDA0002453858320000132
时则令v＝0)。按照下面的公式定义非可行下标c和可行下标f：
Figure GDA0002453858320000133
其中(yv)i代表梯度yv的第i个元素。下标c对应可行的约束条件。在非可行子空间上进行梯度下降会使控制输入超出约束上下界。为了便于理解，将v，yv，Quu中的元素按照如下方式进行排列：
Figure GDA0002453858320000134
其中，公式(27)中的目标函数在可行子空间的梯度等于：
(yv)f＝(Qu)f+(Quu)ffvf+(Quu)fcvc (29)
对应的牛顿步长为：
Figure GDA0002453858320000135
因而整个动作空间的步长定义为：
Figure GDA0002453858320000136
在计算得到步长Δv后，使用线搜索参数β确定牛顿投影的后选点
Figure GDA0002453858320000137
Figure GDA0002453858320000138
其中，[[·]]代表将输入的变量投影到相应的上下界范围内。使用回溯线搜索法逐步减小β，直到满足下面的阿米霍(Armijo)条件：
Figure GDA0002453858320000139
在这里将λ设定在
Figure GDA0002453858320000141
范围内。一旦得到了一个可行的解
Figure GDA0002453858320000142
更新
Figure GDA0002453858320000143
并重复上述的牛顿投影搜索方法，直到梯度yv接近于0。此时认为已经找到了近似最优解
Figure GDA0002453858320000144
进一步地，所述步骤S40之后还包括：
步骤S50，计算周期内的任意时刻相邻两次迭代的价值函数是否都小于某一阈值；
步骤S60，若是，则将价值函数的模糊表示结合预设算法计算步骤S11所述建模定义的控制约束条件下每个电池可行的最优动作。
具体地，步骤S50具体为：
根据当前的价值函数，对在步骤S30中定义的模糊隶属函数核，使用步骤S40提出的方法计算可行的最优动作，代入到步骤S20中提出的周期值迭代公式，获得在模糊隶属函数核上更为精确的价值函数值。在得到所有模糊隶属函数核的价值函数值基础上，使用步骤S30给出的模糊系统定义新的价值函数模糊表示。如果相邻两次迭代得到的模糊价值函数相同，则进入到步骤S60；否则进行步骤S30继续下一次的迭代。
利用步骤S40给出的牛顿投影搜索方法，对步骤S20中所有模糊隶属函数核ch计算公式公式(21)中最小化问题的最优解
Figure GDA0002453858320000145
并代入到周期值迭代公式公式(19)中获得新价值函数在隶属函数核上的函数值：
Figure GDA0002453858320000146
在得到所有隶属函数核上的函数值后，使用步骤S30定义的模糊系统，公式(20)对新的价值函数进行模糊表示：
Figure GDA0002453858320000147
在新得到的模糊价值函数下，开始计算新的价值函数模糊表示，直至对周期内的任意时刻，相邻两次迭代的价值函数都小于某一阈值，即
Figure GDA0002453858320000151
此时则认为方法已经收敛。
步骤S60具体为，将收敛的模糊价值函数和步骤S40提出的方法结合，应用到多电池管理系统上，在任意的多电池状态输入下，计算受限动作空间每个电池可行的最优控制动作。
经过上面几个步骤后得到收敛的价值函数组
Figure GDA0002453858320000152
在任意给定输入状态x下，使用步骤S40中的牛顿投影搜索方法计算得到最优的可行动作，即：
Figure GDA0002453858320000153
将该动作施加到多电池储能上，对多电池进行充放电控制。经过一个离散时刻的状态转移后，对新的动作重复公式(22)的计算过程，计算可行最优动作。
此外，本发明还提出一种多电池储能系统的优化系统，所述多电池储能系统的优化系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多电池储能系统的优化程序，所述多电池储能系统的优化程序被所述处理器执行时实现如上所述的方法的步骤。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有多电池储能系统的优化程序，所述多电池储能系统的优化程序被处理器执行时实现如上所述的多电池储能系统的优化控制方法的步骤。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (7)

1.一种多电池储能系统的优化控制方法，其特征在于，所述方法包括如下步骤：
步骤S10，获取不同电池的性能指标以及控制约束；
步骤S20，定义与所述性能指标对应的价值函数，具体包括：步骤S21，利用用户负荷和/或外网电价曲线的周期特性，将价值函数划分为周期内每一个时刻相对应的函数组；步骤S22，定义周期迭代公式，根据周期迭代公式，对任意给定的价值函数计算精确的最优函数值，使用周期迭代公式对价值函数进行更新；
步骤S30，定义价值函数的模糊表示；
步骤S40，基于价值函数的模糊表示，根据预设算法计算控制约束条件下每个电池可行的最优动作，具体包括：
步骤S41，设计牛顿投影搜索法；
步骤S42，根据预设算法计算得到控制约束的最优化问题；所述预设算法为根据牛顿投影搜索法计算控制约束条件下每个电池可行的最优动作。
2.根据权利要求1所述的多电池储能系统的优化控制方法，其特征在于，所述步骤S10包括：
步骤S11，对每个电池充放电过程及多电池储能优化进行建模，利用光滑函数表示电池的充放电动力学和储能系统的性能指标，定义每个电池的控制约束范围。
3.根据权利要求1所述的多电池储能系统的优化控制方法，其特征在于，所述步骤S30包括：
步骤S31，定义三角形模糊隶属函数，使用基于三角形模糊隶属函数的模糊系统表示值迭代过程中的价值函数，得到价值函数的模糊表示。
4.根据权利要求2所述的多电池储能系统的优化控制方法，其特征在于，所述步骤S40之后还包括：
步骤S50，计算周期内的任意时刻相邻两次迭代的价值函数是否都小于预设阈值；
步骤S60，若是，则将价值函数的模糊表示结合预设算法计算步骤S11所述建模定义的控制约束条件下每个电池可行的最优动作。
5.根据权利要求4所述的多电池储能系统的优化控制方法，其特征在于，所述步骤S50之后还包括：
步骤S61，若否，则进入步骤S30利用周期迭代公式进行下一次的迭代。
6.一种多电池储能系统的优化系统，其特征在于，所述多电池储能系统的优化系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多电池储能系统的优化程序，所述多电池储能系统的优化程序被所述处理器执行时实现如权利要求1-5任一项所述的方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有多电池储能系统的优化程序，所述多电池储能系统的优化程序被处理器执行时实现如权利要求1-5任一项所述的多电池储能系统的优化控制方法的步骤。
CN201810967603.7A 2018-08-23 2018-08-23 多电池储能系统的优化控制方法、系统及存储介质 Active CN109245196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810967603.7A CN109245196B (zh) 2018-08-23 2018-08-23 多电池储能系统的优化控制方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810967603.7A CN109245196B (zh) 2018-08-23 2018-08-23 多电池储能系统的优化控制方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN109245196A CN109245196A (zh) 2019-01-18
CN109245196B true CN109245196B (zh) 2020-06-30

Family

ID=65068110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810967603.7A Active CN109245196B (zh) 2018-08-23 2018-08-23 多电池储能系统的优化控制方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN109245196B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002093712A2 (en) * 2001-05-14 2002-11-21 Invensys Energy Systems (Nz) Limited Battery charge management
CN104917242B (zh) * 2015-06-16 2019-03-29 北京亿利智慧能源科技有限公司 一种基于温度场控制的大型电池储能系统及其能量调度方法

Also Published As

Publication number Publication date
CN109245196A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN110119886B (zh) 一种主动配网动态规划方法
Hooshmand et al. Stochastic model predictive control method for microgrid management
CN113962828B (zh) 考虑碳消耗的综合能源系统协调调度方法
Hooshmand et al. Experimental demonstration of a tiered power management system for economic operation of grid-tied microgrids
Zelazo et al. An energy management system for off-grid power systems
Wang et al. A hierarchical control algorithm for managing electrical energy storage systems in homes equipped with PV power generation
Wang et al. Active and reactive power support of MV distribution systems using battery energy storage
CN115498623A (zh) 多微电网的储能配置优化方法、装置、设备及存储介质
CN116316834A (zh) 一种光伏出力空间相关性配电网鲁棒优化方法、系统、设备及存储介质
CN111049170B (zh) 考虑温度损耗的调峰储能系统、运行优化方法和装置
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
CN113689023B (zh) 一种风/储/氢并网发电系统弃风消纳能量管理方法
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
CN112365089B (zh) 考虑分时电价的长时间尺度储能容量配置与控制优化方法
CN117371755A (zh) 多微网综合能源系统分布式优化方法、装置、设备及介质
CN109245196B (zh) 多电池储能系统的优化控制方法、系统及存储介质
CN115907140A (zh) 电力现货出清方案优化方法、装置、计算机设备和介质
CN115841216A (zh) 计及分布式光伏消纳率的配电网储能优化配置方法
CN114156917A (zh) 抽水蓄能电站的区域负荷频率控制方法与系统
CN110688725B (zh) 一种计及运行风险和需求响应的鲁棒机组组合方法
CN113496298A (zh) 一种综合能源系统的优化方法、装置和电子设备
Früh et al. A model for optimum prioritisation of energy storage use. I: Optimum local use of local generation
Che et al. An energy optimization and control strategy of microgrids considering the hybrid energy storage system
Nikzad et al. Effects of implementing demand response programs in microgrids in the presence of renewable energy resources and energy storage systems
Ma et al. Power mileage-based allocation and dispatch strategy of battery energy storage system

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