CN110365052A - 基于功率优化调度的微网储能系统状态一致性控制方法 - Google Patents

基于功率优化调度的微网储能系统状态一致性控制方法 Download PDF

Info

Publication number
CN110365052A
CN110365052A CN201910729106.8A CN201910729106A CN110365052A CN 110365052 A CN110365052 A CN 110365052A CN 201910729106 A CN201910729106 A CN 201910729106A CN 110365052 A CN110365052 A CN 110365052A
Authority
CN
China
Prior art keywords
energy storage
power
storage unit
energy
soe
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
CN201910729106.8A
Other languages
English (en)
Other versions
CN110365052B (zh
Inventor
马大中
刘丽月
李林娟
胡旌伟
王睿
孙秋野
刘鑫蕊
程科
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910729106.8A priority Critical patent/CN110365052B/zh
Publication of CN110365052A publication Critical patent/CN110365052A/zh
Application granted granted Critical
Publication of CN110365052B publication Critical patent/CN110365052B/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
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • 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

本发明公开一种基于功率优化调度的微网储能系统状态一致性控制方法，属于微网储能系统的控制技术领域，该方法采用分时电价、新能源预测出力以及储能单元电池组能量状态SOE在考虑储能充放电效率保证系统有功功率平衡的基础上确定储能单元的运行策略，并且考虑了储能单元电池组能量状态SOE不均衡问题以及时变的储能单元功率充放电承受能力SOP，建立微网储能系统功率平衡模型，同时通过一致性协议保证储能单元SOH、SOE一致，提高了储能单元在储能系统中的应用性能，有效的降低了储能系统整体的充放电次数，提高了使用寿命。

Description

基于功率优化调度的微网储能系统状态一致性控制方法
技术领域
本发明涉及微网储能系统的控制技术领域，尤其涉及一种基于功率优化调度的微网储能系统状态一致性控制方法。
背景技术
微网可以运行于并网模式及孤岛模式，孤岛模式下，如何确保功率平衡以及如何使其达到最有效的工作方式成为目前需解决的关键问题，由于风能和太阳能能源丰富且清洁，是目前最有发展前景的新能源技术，然而，其波动性和不可控性也给微电网控制带来的新的挑战。MPPT算法强调了新能源的高利用率，但是当新能源发电量与负载消耗不等时，将会导致供需不平衡。在微电网中应用储能系统有效的解决了这一问题，然而，如何对储能系统进行合理有效的控制成为了问题的关键。在整个储能系统运行过程中，储能系统的能量状态以及寿命能有效的反应整个储能系统在微网中的运行状态。保证储能单元状态一致能有效的防止部分储能单元过充过放、提前退出运行以及储能单元之间产生环流，有效的提高整个储能系统的运行效率以及各个储能单元的利用率，使储能系统长期有效的保持良好性能，同时提高了系统运行的稳定性。
目前，微网储能系统主要的控制策略可以分为三种：集中式控制策略、分散式控制策略和分布式控制策略。集中式控制策略通过一个集中式控制器协调控制所有的电池，对通信具有较高的要求，因此需要较高的成本且容易造成单点故障。分散式控制策略仅仅基于本地信息，例如下垂控制，这种控制策略具有较强的鲁棒性且由于不需要通信成本较低，然而由于缺乏通信，在优化过程中不能有效利用能源。分布式控制策略仅仅需要本地信息交换，因此其能对系统进行有效的管理，并且成本不高，对系统进行合理的控制可以使系统具有较高的灵活性、可扩展性、降低成本，因此具有更好的鲁棒性和前瞻性。虽然现有方法通过合理的控制理论上能实现功率优化调度目标，但是其产生的优化结果并没有实时的考虑储能的内部运行状态，从而无法保证储能单元在最优状态下运行，降低了储能系统的利用效率且容易导致储能单元过充过放，造成不必要的经济损失甚至影响系统的安全稳定运行。
发明内容
针对上述现有技术的不足，本发明提供一种基于功率优化调度的微网储能系统状态一致性控制方法。
为解决上述技术问题，本发明所采取的技术方案是：基于功率优化调度的微网储能系统状态一致性控制方法，其流程如图1所示，包括如下步骤：
步骤1：采集微网储能系统中风电、光伏和负荷的历史功率数据形成n个样本，利用均值法对样本中不合理数据进行替换，降低数据中无效值对预测造成的影响；
其中，i∈{1,2,3}分别表示微网拓扑结构中的风机、光伏和负荷，pi(t)表示在t时刻风电、光伏和负荷所对应的功率，Δt为采样周期。
步骤2：采用K-means算法根据天气因子以及功率对历史功率数据进行聚类，得到K个不同类别的历史功率数据的聚类中心；
步骤2.1：均值法处理后的n个样本组成样本集X＝[x1,x2,...,xn]；
步骤2.2:根据天气因子以及功率对历史功率数据进行聚类，从n个样本中任意选择k个对象作为初始化聚类中心C＝[c1,c2,...,ck]，每个聚类中心代表一个簇，共k个簇，反复迭代使得如下目标代价函数降低到收敛：
其中，rij在第i个样本属于第j个类别时取值为1，否则为0；为第i个样本与聚类中心的距离；
步骤2.3：得到k个不同类型的历史功率数据的聚类中心值。
步骤3：采用相关系数法从K个不同类型的聚类中心中选取与待测日最相似的聚类中心值作为预测下一时段新能源出力以及负荷的输入信号，利用变分模态分解VMD算法进行平稳化处理，将其分解成为若干具有不同频率的子信号，将每个子信号输入到自适应差分进化学习机SaE-ELM预测工具中进行预测，并采用叠加法把各预测结果重构得到最终的新能源出力预测值PG,k以及负荷的预测值PL,j；
步骤3.1：采用相关系数法从K个不同类型的聚类中心中选取与待测日最相似的聚类中心值；
步骤3.1.1：相似度判别标准如下：
其中，Y为待测日数据，Xk为聚类中心值，cov(Xk,Y)为Y与Xk的协方差，σY和σXk为Y与Xk的方差，r(Xk,Y)为相关系数；
步骤3.1.2：提取出一组相关系数值最高的聚类中心值作为预测下一时段新能源出力以及负荷的输入信号；
步骤3.2：利用变分模态分解VMD算法对预测下一时段新能源出力以及负荷的输入信号进行平稳化处理，使其分解成为若干具有不同频率的子信号；
步骤3.2.1：假设每个样本可以分解成为n个不同频率的窄带宽信号uk，称uk为模态函数：
uk(t)＝Ak(t)cos(φk(t)) (4)
其中，Ak(t)为uk的幅值；相位φk(t)是一个非减函数；
步骤3.2.2：假设每个模态uk具有中心频率ωk和有限带宽，约束条件为各分量累加等于输入信号f，根据调制信号，对各个模态带宽进行估计，构建的变分问题如下所示：
其中,{uk}＝{u1,u2,...,un}，{ωk}＝{ω1,ω2,...,ωn}；
步骤3.2.3：每个模态在频域中不断变换，通过傅里叶逆变换为时域信号；
步骤3.2.4：每个模态分量频率中心和带宽在求解过程中更新，当达到设定阈值ε时，结束迭代过程，完成信号的自适应分解；
步骤3.3：将每个子信号输入到自适应差分进化学习机SaE-ELM预测工具中进行预测；
步骤3.4：采用叠加法将预测结果重构，得到最终的新能源出力预测值以及负荷的预测值。
步骤4：根据新能源出力预测值、分时电价TOU以及上一时段各储能单元能量状态SOE值，在满足调度计划相应要求的基础上，确定各储能单元的运行策略；
步骤4.1：计算上一时段发电及负荷预测差值ΔPD：
其中，SG,SL和SB分别表示分布式电源、负载和储能单元的集合，PG,k和PL,j分别表示第k个分布式发电单元提供的功率和第j个负荷需要的功率，ΔPD,i为每个节点处的功率不平衡值；
步骤4.2：计算上一时段各储能单元状态平均值即本阶段初始状态储能单元能量状态平均值
其中，n为储能单元个数，SOE0,i为上一时段第i个储能单元能量状态；
步骤4.3：根据分时电价TOU结合步骤4.1及步骤4.2，通过控制信号ui确定储能单元运行策略，其流程如图2所示：
控制信号ui＝1时，储能单元SOEi参与调节功率平衡或者向电网购电，处于充电状态；
控制信号ui＝-1时，储能单元SOEi参与调节功率平衡，处于放电状态；
控制信号ui＝0时，储能单元SOEi不动作，储能接口变换器的脉宽调制PWM封锁；
其中，SOEi为第i个储能单元能量状态；
步骤4.3.1：若处于用电高峰期，分时电价TOU的值pr(t)大于微网储能单元设置的电价上界值
当上一时段发电及负荷预测差值ΔPD＞0时：
当上一时段发电及负荷预测差值ΔPD＜0时：
步骤4.3.2：若处于用电低谷期，分时电价TOU的值pr(t)小于微网储能单元设置的电价下界值
当上一时段发电及负荷预测差值ΔPD＞0时：
当上一时段发电及负荷预测差值ΔPD＜0时：
步骤5：考虑储能充放电效率，以最大化储能单元在充电过程中的实际充电功率为目标建立目标函数；
步骤5.1：考虑充放电过程中的储能充放电效率，以充电为例计算充电过程中的实际充电功率；
ηC,i＝αi-βiPB,i (13)
其中,为储能单元i实际充电的功率，ηC,i为储能单元i充电效率。αi、βi为储能单元固有参数，PB,i为第i个储能单元的充电功率；
步骤5.2：以最大化储能单元在充电过程中的实际充电功率为目标函数；
步骤6：考虑SOE平衡，对参与维持功率平衡的储能单元建立等式约束，同时根据下一时刻电池能够提供的充放电功率SOP值确立不等式约束；
步骤6.1：基于本地储能i的SOE值，以及储能系统平均SOE，考虑参与供需平衡调节的储能系统SOE平衡，设置加权系数ωi调节储能系统充放电功率的大小，从而实现SOE平衡；
式中：SOEi,t为储能单元i在t时刻的能量状态值，为储能单元i在t时刻通过分布式一致性协议得到的能量状态平均值。为储能单元i在t时刻流入或流出的电流参考值，流出为正，流入为负；
其中，SOEi,t积分表达式如下所示：
其中，SOEi,t为t时刻蓄电池的能量状态；为储能单元能够吸收的最大能量，与储能单元电流以及环境温度相关；U为储能单元i开路电压，I为流入或流出储能单元i的电流；
SOEi,t∈[SOEi,min,SOEi,max]，Ii∈[Ii，min,Ii，max] (17)
其中，SOEi,min、SOEi,max分别为储能单元i的最大能量状态以及最小能量状态；
Ii，min、Ii，max分别为储能单元i的最大充放电电流以及最小充放电电流；
含加权系数等式约束如下所示：
其中，PB,i是电池i的充/放电功率，充电时功率为正，放电为负，SG,SL和SB分别表示分布式电源、负载和储能单元的集合，PG,k和PL,j分别表示第k个分布式发电单元提供的功率和第j个负荷需要的功率；
步骤6.2：结合下一时刻电池能够提供的充放电功率SOP值，计算不等式约束；
其中，PB,i,k,max(SOPk)为储能单元在SOPk时最大充放电功率，PB,i,k,min为储能单元在SOPk时最小充放电功率。
步骤7：基于多智能体系统建立的微网储能系统功率平衡模型，利用Lagrange乘子法对步骤5得到的目标函数进行优化求解，获得模型最优解及储能系统中各储能单元能量状态SOE与各储能单元剩余寿命SOH一致性。
步骤7.1：储能充放电功率损耗最小问题可转化为如下优化问题：
其中，λi为对应Lagrange函数L中等式约束的Lagrange乘子；
系统运行总成本最小的Kuhn-Tucker条件如下：
其中，PB,i *为第i个储能单元充电功率的最优值，为拉格朗日乘子的最优值；
步骤7.2：进一步在模型中考虑权利要求7所述的储能系统充放电功率不等式约束，则使得系统运行总成本最小的Kuhn-Tucker条件如下：
其中，μP,k为不等式约束的惩罚因子，gk(PB,i)为不等式约束条件；
拉格朗日乘子迭代过程如下：
其中，ε为迭代步长，Ni为储能单元i所有邻居的总数，ni和nj分别为与储能单元i和j有通信连接的智能体数量，dij为t时刻根据拓扑结构得到的通信系数，λi,t+1为t+1时刻第i个储能单元Lagrange乘子，PB,i,t+1为t+1时刻第i个储能单元的充电功率，ΔPD,i,t+1为t+1时刻第i个储能单元发电及负荷差值；
步骤7.3：用求极限的方法得到储能单元充电功率的最优值及拉格朗日乘子的最优值limt→∞λi,t＝λ*，即在考虑储能系统可变最大最小充放电功率以及功率平衡的基础上，得到最优储能单元充放电功率参考值，快速且有效的保证储能单元SOE平衡；
步骤7.4：储能单元SOE一致性公式如下：
其中：be为平均一致性增益，Ni为储能单元i所有邻居的总数,为邻居储能单元j与储能单元i在区间[t,t+1]的相差值；
其中ν为系统中储能单元的总数量，此时，保证储能SOE平衡，且储能系统有功损耗最小；
步骤7.5：储能单元的内阻，随着SOH的降低而增大，因此通过电池内阻可以将SOH定义为如下公式：
其中，Rend为储能单元寿命终结时电池内阻，Rnew为电池出厂时电池内阻，R(SOE)为电池现在状态的内阻，f(R(SOE))是反映储能单元SOE内阻的函数，由于Rend、Rnew为储能单元固有参数，因此储能单元SOH和SOE函数关系可以表示如下：
储能单元SOH一致性公式如下：
其中：bh为平均一致性增益，Ni为储能单元i所有邻居的总数,为邻居储能单元j与储能单元i在区间[t,t+1]的SOH相差值，其中ν为系统中储能单元的总数量。
采用上述技术方案所产生的有益效果在于：
1、本发明中微网储能系统模型考虑了微网运行过程中与实时电价和可再生能源发电及负荷预测相结合的储能运行策略；
2、本发明中微网储能系统首次采用分时段以及储能单元电池组能量状态SOE确定参与电网交易问题，有效的提高了在考虑储能充放电效率情况下的微网储能系统的经济运行，并且保留了较大的充放电裕度，从而维持下一时刻微网储能系统有效的经济运行；有效的降低了储能系统整体的充放电次数，提高了使用寿命，并提高了维持功率平衡的有效性，减少了通信链路，降低模型求解的复杂度；
3、本发明中协调控制算法仅仅需要相邻机组节点信息以实现分布式计算，对通信依赖程度很低且有效保护了各系统隐私，并能够实现储能系统即插即用功能和有效应对网络拓扑变化情形；
4、本发明中协调控制算法实现了考虑储能系统充放电效率下的经济运行问题，有效降低了功率损耗，微网储能系统模型中考虑储能单元电池组能量状态(SOE)不均衡问题以及时变的储能单元功率充放电承受能力(SOP)，提高了微网运行的能源利用率和系统运行的经济性，同时通过一致性协议保证储能单元SOH、SOE一致，提高了储能单元在储能系统中的应用性能。
附图说明
图1为本发明基于功率优化调度的微网储能系统状态一致性控制方法流程图；
图2为本发明各储能单元运行策略流程图；
图3为本发明实施例的微电网系统结构示意图以及储能单元通信拓扑图；
图4为本发明实施例的分时电价TOU图；
图5为本发明实施例的参与协调控制的储能单元充电功率；
(a)15点-16点阶段参与协调控制的各个储能单元的出力仿真波形图；
(6)15点-16点阶段参与协调控制的所有储能单元总充电功率。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图3所示为本实施例的微电网系统结构示意图以及储能单元通信拓扑图，其中有8个储能单元，各储能单元的运行参数如表1所示；
表1 各储能单元运行参数
步骤1：采集微网储能系统中风电、光伏和负荷的历史功率数据形成n个样本，利用均值法对样本中不合理数据进行替换，降低数据中无效值对预测造成的影响；
其中，i∈{1,2,3}分别表示微网拓扑结构中的风机、光伏和负荷，pi(t)表示在t时刻风电、光伏和负荷所对应的功率，Δt为采样周期。
步骤2：采用K-means算法根据天气因子以及功率对历史功率数据进行聚类，得到K个不同类别的历史功率数据的聚类中心；
步骤2.1：均值法处理后的n个样本组成样本集X＝[x1,x2,...,xn]；
步骤2.2:根据天气因子以及功率对历史功率数据进行聚类，从n个样本中任意选择k个对象作为初始化聚类中心C＝[c1,c2,...,ck]，每个聚类中心代表一个簇，共k个簇，反复迭代使得如下目标代价函数降低到收敛：
其中，rij在第i个样本属于第j个类别时取值为1，否则为0；为第i个样本与聚类中心的距离；
步骤2.3：得到k个不同类型的历史功率数据的聚类中心值。
步骤3：采用相关系数法从K个不同类型的聚类中心中选取与待测日最相似的聚类中心值作为预测下一时段新能源出力以及负荷的输入信号，利用变分模态分解VMD算法进行平稳化处理，将其分解成为若干具有不同频率的子信号，将每个子信号输入到自适应差分进化学习机SaE-ELM预测工具中进行预测，并采用叠加法把各预测结果重构得到最终的新能源出力预测值PG,k以及负荷的预测值PL,j；
步骤3.1：采用相关系数法从K个不同类型的聚类中心中选取与待测日最相似的聚类中心值；
步骤3.1.1：相似度判别标准如下：
其中，Y为待测日数据，Xk为聚类中心值，cov(Xk,Y)为Y与Xk的协方差，σY和σXk为Y与Xk的方差，r(Xk,Y)为相关系数；
步骤3.1.2：提取出一组相关系数值最高的聚类中心值作为预测下一时段新能源出力以及负荷的输入信号；
步骤3.2：利用变分模态分解VMD算法对预测下一时段新能源出力以及负荷的输入信号进行平稳化处理，使其分解成为若干具有不同频率的子信号；
步骤3.2.1：假设每个样本可以分解成为n个不同频率的窄带宽信号uk，称uk为模态函数：
uk(t)＝Ak(t)cos(φk(t)) (4)
其中，Ak(t)为uk的幅值；相位φk(t)是一个非减函数；
步骤3.2.2：假设每个模态uk具有中心频率ωk和有限带宽，约束条件为各分量累加等于输入信号f，根据调制信号，对各个模态带宽进行估计，构建的变分问题如下所示：
其中,{uk}＝{u1,u2,...,un}，{ωk}＝{ω1,ω2,...,ωn}；
步骤3.2.3：每个模态在频域中不断变换，通过傅里叶逆变换为时域信号；
步骤3.2.4：每个模态分量频率中心和带宽在求解过程中更新，当达到设定阈值ε时，结束迭代过程，完成信号的自适应分解；
步骤3.3：将每个子信号输入到自适应差分进化学习机SaE-ELM预测工具中进行预测；
步骤3.4：采用叠加法将预测结果重构，得到最终的新能源出力预测值以及负荷的预测值。
步骤4：根据新能源出力预测值、分时电价TOU以及上一时段各储能单元能量状态SOE值，在满足调度计划相应要求的基础上，确定各储能单元的运行策略；
步骤4.1：计算上一时段发电及负荷预测差值ΔPD：
其中，SG,SL和SB分别表示分布式电源、负载和储能单元的集合，PG,k和PL,j分别表示第k个分布式发电单元提供的功率和第j个负荷需要的功率，ΔPD,i为每个节点处的功率不平衡值；
步骤4.2：计算上一时段各储能单元状态平均值即本阶段初始状态储能单元能量状态平均值
其中，n为储能单元个数，SOE0,i为上一时段第i个储能单元能量状态；
步骤4.3：根据分时电价TOU结合步骤4.1及步骤4.2，通过控制信号ui确定储能单元运行策略，其流程如图2所示：
控制信号ui＝1时，储能单元SOEi参与调节功率平衡或者向电网购电，处于充电状态；
控制信号ui＝-1时，储能单元SOEi参与调节功率平衡，处于放电状态；
控制信号ui＝0时，储能单元SOEi不动作，储能接口变换器的脉宽调制PWM封锁；
其中，SOEi为第i个储能单元能量状态；
步骤4.3.1：若处于用电高峰期，分时电价TOU的值pr(t)大于微网储能单元设置的电价上界值
当上一时段发电及负荷预测差值ΔPD＞0时：
当上一时段发电及负荷预测差值ΔPD＜0时：
步骤4.3.2：若处于用电低谷期，分时电价TOU的值pr(t)小于微网储能单元设置的电价下界值
当上一时段发电及负荷预测差值ΔPD＞0时：
当上一时段发电及负荷预测差值ΔPD＜0时：
根据如图4所示的分时电价中15点-16点阶段为例，电价为7.8元/h，初始状态如表1所示，根据步骤1至步骤4得到发电及负荷预测差值 根据上述策略控制储能系统运行方式如下：
BESS1、BESS2、BESS3、BESS4、BESS5参与调节功率平衡，BESS6、BESS7和BESS8储能单元的储能接口变换器的脉宽调制PWM封锁。
步骤5：以最大化储能单元在充电过程中的实际充电功率为目标函数，建立微网储能系统功率平衡模型；
步骤5.1：考虑充放电过程中的储能充放电效率，以充电为例计算充电过程中的实际充电功率；
ηC,i＝αi-βiPB,i (13)
其中,为储能单元i实际充电的功率，ηC,i为储能单元i充电效率。αi、βi为储能单元固有参数，PB,i为第i个储能单元的充电功率；
步骤5.2：以最大化储能单元在充电过程中的实际充电功率为目标函数；
步骤6：考虑SOE平衡，对参与维持功率平衡的储能单元建立等式约束，同时根据下一时刻电池能够提供的充放电功率SOP值确立不等式约束；
步骤6.1：基于本地储能i的SOE值，以及储能系统平均SOE，考虑参与供需平衡调节的储能系统SOE平衡，设置加权系数ωi调节储能系统充放电功率的大小，从而实现SOE平衡；
式中：SOEi,t为储能单元i在t时刻的能量状态值，为储能单元i在t时刻通过分布式一致性协议得到的能量状态平均值。为储能单元i在t时刻流入或流出的电流参考值，流出为正，流入为负；
其中，SOEi,t积分表达式如下所示：
其中，SOEi,t为t时刻蓄电池的能量状态；为储能单元能够吸收的最大能量，与储能单元电流以及环境温度相关；U为储能单元i开路电压，I为流入或流出储能单元i的电流；
SOEi,t∈[SOEi,min,SOEi,max]，Ii∈[Ii，min,Ii，max](17)
其中，SOEi,min、SOEi,max分别为储能单元i的最大能量状态以及最小能量状态；
Ii，min、Ii，max分别为储能单元i的最大充放电电流以及最小充放电电流；
含加权系数等式约束如下所示：
其中，PB,i是电池i的充/放电功率，充电时功率为正，放电为负，SG,SL和SB分别表示分布式电源、负载和储能单元的集合，PG,k和PL,j分别表示第k个分布式发电单元提供的功率和第j个负荷需要的功率；
步骤6.2：结合下一时刻电池能够提供的充放电功率SOP值，计算不等式约束；
其中，PB,i,k,max(SOPk)为储能单元在SOPk时最大充放电功率，PB,i,k,min为储能单元在SOPk时最小充放电功率。
步骤7：基于多智能体系统利用Lagrange乘子法对所建立的微网储能系统功率平衡模型进行优化求解，获得模型最优解及储能系统中各储能单元能量状态SOE与各储能单元剩余寿命SOH一致性。
步骤7.1：储能充放电功率损耗最小问题可转化为如下优化问题：
其中，λi为对应Lagrange函数L中等式约束的Lagrange乘子；
系统运行总成本最小的Kuhn-Tucker条件如下：
其中，PB,i *为第i个储能单元充电功率的最优值，为拉格朗日乘子的最优值；
步骤7.2：进一步在模型中考虑权利要求7所述的储能系统充放电功率不等式约束，则使得系统运行总成本最小的Kuhn-Tucker条件如下：
其中，μP,k为不等式约束的惩罚因子，gk(PB,i)为不等式约束条件；
拉格朗日乘子迭代过程如下：
其中，ε为迭代步长，此处取值为0.01，Ni为储能单元i所有邻居的总数，ni和nj分别为与储能单元i和j有通信连接的智能体数量，dij为根据拓扑结构得到的通信系数，此时通信矩阵为λi,t+1为t+1时刻第i个储能单元Lagrange乘子，PB,i,t+1为t+1时刻第i个储能单元的充电功率，ΔPD,i,t+1为t+1时刻第i个储能单元发电及负荷差值；
步骤7.3：用求极限的方法得到储能单元充电功率的最优值及拉格朗日乘子的最优值limt→∞λi,t＝λ*，即在考虑储能系统可变最大最小充放电功率以及功率平衡的基础上，得到最优储能单元充放电功率参考值，快速且有效的保证储能单元SOE平衡；
步骤7.4：储能单元SOE一致性公式如下：
其中：be为平均一致性增益，Ni为储能单元i所有邻居的总数,为邻居储能单元j与储能单元i在区间[t,t+1]的相差值；
其中ν为系统中储能单元的总数量，此时，保证储能SOE平衡，且储能系统有功损耗最小；
步骤7.5：储能单元的内阻，随着SOH的降低而增大，因此通过电池内阻可以将SOH定义为如下公式：
其中，Rend为储能单元寿命终结时电池内阻，Rnew为电池出厂时电池内阻，R(SOE)为电池现在状态的内阻，f(R(SOE))是反映储能单元SOE内阻的函数，由于Rend、Rnew为储能单元固有参数，因此储能单元SOH和SOE函数关系可以表示如下：
储能单元SOH一致性公式如下：
其中：bh为平均一致性增益，Ni为储能单元i所有邻居的总数,为邻居储能单元j与储能单元i在区间[t,t+1]的SOH相差值，其中ν为系统中储能单元的总数量。
还是根据如图4所示的分时电价中15点-16点阶段为例，最后得到的参与协调控制的各储能单元BESS1、BESS2、BESS3、BESS4和BESS5出力情况如图5(a)所示，参与协调控制的所有储能单元的总充电功率如图5(b)所示，有效的平衡有功功率，维持系统稳定运行，且SOE值较低的储能单元以相对大功率充电，SOE值较高的储能单元以相对较小功率进行充电，使参与调节功率平衡的五个储能单元达到能量状态一致，防止部分储能单元提前退出运行，提高储能单元利用率。
由上述具体实施例我们可以得出以下结论：
(1)储能的运行方式与分布式电源出力及负荷需求有关，合理判断储能运行方式，能有效的提高系统运行效率，减少储能系统充放电次数，提高储能寿命，有效降低了微网储能系统运行成本。
(2)模型中计及了储能单元充放电功率约束条件并考虑了SOE均衡问题以及储能单元SOP，由此得到的优化储能调度出力结果不仅能够满足实际功率需求，还能保障储能单元的安全稳定运行；
设计的一致性算法能够很好地实现多智能体储能系统功率调度功能，并能有效处理储能单元充放电效率问题与考虑储能单元出力约束下最优出力的求解问题，而且迭代计算仅仅需要相邻机组节点信息，因此对通信依赖程度很低而且有效保护了企业隐私，最终具有很快的收敛速度和很好的收敛结果。

Claims (8)

1.基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于包括如下步骤：
步骤1：采集微网储能系统中风电、光伏和负荷的历史功率数据形成n个样本，利用均值法对样本中不合理数据进行替换；
步骤2：采用K-means算法根据天气因子以及功率对历史功率数据进行聚类，得到K个不同类别的历史功率数据的聚类中心；
步骤3：采用相关系数法从K个不同类型的聚类中心中选取与待测日最相似的聚类中心值作为预测下一时段新能源出力以及负荷的输入信号，利用变分模态分解VMD算法进行平稳化处理，将其分解成为若干具有不同频率的子信号，将每个子信号输入到自适应差分进化学习机SaE-ELM预测工具中进行预测，并采用叠加法把各预测结果重构得到最终的新能源出力预测值PG,k以及负荷的预测值PL,j；
步骤4：根据新能源出力预测值、分时电价TOU以及上一时段各储能单元能量状态SOE值，在满足调度计划相应要求的基础上，确定各储能单元的运行策略；
步骤5：考虑储能充放电效率，以最大化储能单元在充电过程中的实际充电功率为目标建立目标函数；
步骤6：考虑SOE平衡，对参与维持功率平衡的储能单元建立等式约束，同时根据下一时刻电池能够提供的充放电功率SOP值确立不等式约束；
步骤7：基于多智能体系统建立的微网储能系统功率平衡模型，利用Lagrange乘子法对步骤5得到的目标函数进行优化求解，获得模型最优解及储能系统中各储能单元能量状态SOE与各储能单元剩余寿命SOH一致性。
2.根据权利要求1所述的基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于所述步骤1中利用均值法对样本中不合理数据进行替换的过程如下：
利用均值法对样本中不合理数据进行替换，降低数据中无效值对预测造成的影响；
其中，i∈{1,2,3}分别表示微网拓扑结构中的风机、光伏和负荷，pi(t)表示在t时刻风电、光伏和负荷所对应的功率，Δt为采样周期。
3.根据权利要求1所述的基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于所述步骤2中采用K-means算法根据天气因子以及功率对历史数据进行聚类的过程如下：
步骤2.1：均值法处理后的n个样本组成样本集X＝[x1,x2,...,xn]；
步骤2.2:根据天气因子以及功率对历史功率数据进行聚类，从n个样本中任意选择k个对象作为初始化聚类中心C＝[c1,c2,...,ck]，每个聚类中心代表一个簇，共k个簇，反复迭代使得如下目标代价函数降低到收敛：
其中，rij在第i个样本属于第j个类别时取值为1，否则为0；为第i个样本与聚类中心的距离；
步骤2.3：得到k个不同类型的历史功率数据的聚类中心值。
4.根据权利要求1所述的基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于步骤3的过程如下：
步骤3.1：采用相关系数法从K个不同类型的聚类中心中选取与待测日最相似的聚类中心值；
步骤3.1.1：相似度判别标准如下：
其中，Y为待测日数据，Xk为聚类中心值，cov(Xk,Y)为Y与Xk的协方差，σY和σXk为Y与Xk的方差，r(Xk,Y)为相关系数；
步骤3.1.2：提取出一组相关系数值最高的聚类中心值作为预测下一时段新能源出力以及负荷的输入信号；
步骤3.2：利用变分模态分解VMD算法对预测下一时段新能源出力以及负荷的输入信号进行平稳化处理，使其分解成为若干具有不同频率的子信号；
步骤3.2.1：假设每个样本可以分解成为n个不同频率的窄带宽信号uk，称uk为模态函数：
uk(t)＝Ak(t)cos(φk(t)) (4)
其中，Ak(t)为uk的幅值；相位φk(t)是一个非减函数；
步骤3.2.2：假设每个模态uk具有中心频率ωk和有限带宽，约束条件为各分量累加等于输入信号f，根据调制信号，对各个模态带宽进行估计，构建的变分问题如下所示：
其中,{uk}＝{u1,u2,...,un}，{ωk}＝{ω1,ω2,...,ωn}；
步骤3.2.3：每个模态在频域中不断变换，通过傅里叶逆变换为时域信号；
步骤3.2.4：每个模态分量频率中心和带宽在求解过程中更新，当达到设定阈值ε时，结束迭代过程，完成信号的自适应分解；
步骤3.3：将每个子信号输入到自适应差分进化学习机SaE-ELM预测工具中进行预测；
步骤3.4：采用叠加法将预测结果重构，得到最终的新能源出力预测值以及负荷的预测值。
5.根据权利要求1所述的基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于所述步骤4的过程如下：
步骤4.1：计算上一时段发电及负荷预测差值ΔPD：
其中，SG,SL和SB分别表示分布式电源、负载和储能单元的集合，PG,k和PL,j分别表示第k个分布式发电单元提供的功率和第j个负荷需要的功率，ΔPD,i为每个节点处的功率不平衡值；
步骤4.2：计算上一时段各储能单元状态平均值即本阶段初始状态储能单元能量状态平均值
其中，n为储能单元个数，SOE0,i为上一时段第i个储能单元能量状态；
步骤4.3：根据分时电价TOU结合步骤4.1及步骤4.2，通过控制信号ui确定储能单元运行策略：
控制信号ui＝1时，储能单元SOEi参与调节功率平衡或者向电网购电，处于充电状态；
控制信号ui＝-1时，储能单元SOEi参与调节功率平衡，处于放电状态；
控制信号ui＝0时，储能单元SOEi不动作，储能接口变换器的脉宽调制PWM封锁；
其中，SOEi为第i个储能单元能量状态；
步骤4.3.1：若处于用电高峰期，分时电价TOU的值pr(t)大于微网储能单元设置的电价上界值
当上一时段发电及负荷预测差值ΔPD＞0时：
当上一时段发电及负荷预测差值ΔPD＜0时：
步骤4.3.2：若处于用电低谷期，分时电价TOU的值pr(t)小于微网储能单元设置的电价下界值
当上一时段发电及负荷预测差值ΔPD＞0时：
当上一时段发电及负荷预测差值ΔPD＜0时：
6.根据权利要求1所述的基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于所述步骤5的过程如下：
步骤5.1：考虑充放电过程中的储能充放电效率，以充电为例计算充电过程中的实际充电功率；
ηC,i＝αi-βiPB,i (13)
其中,为储能单元i实际充电的功率，ηC,i为储能单元i充电效率，αi、βi为储能单元固有参数，PB,i为第i个储能单元的充电功率；
步骤5.2：以最大化储能单元在充电过程中的实际充电功率为目标函数；
7.根据权利要求1所述的基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于所述步骤6的过程如下：
步骤6.1：基于本地储能i的SOE值，以及储能系统平均SOE，考虑参与供需平衡调节的储能系统SOE平衡，设置加权系数ωi调节储能系统充放电功率的大小，从而实现SOE平衡；
式中：SOEi,t为储能单元i在t时刻的能量状态值，为储能单元i在t时刻通过分布式一致性协议得到的能量状态平均值，为储能单元i在t时刻流入或流出的电流参考值，流出为正，流入为负；
其中，SOEi,t积分表达式如下所示：
其中，SOEi,t为t时刻蓄电池的能量状态；为储能单元能够吸收的最大能量，与储能单元电流以及环境温度相关；U为储能单元i开路电压，I为流入或流出储能单元i的电流；
SOEi,t∈[SOEi,min,SOEi,max]，Ii∈[Ii，min,Ii，max] (17)
其中，SOEi,min、SOEi,max分别为储能单元i的最大能量状态以及最小能量状态；Ii，min、Ii，max分别为储能单元i的最大充放电电流以及最小充放电电流；
含加权系数等式约束如下所示：
其中，PB,i是电池i的充/放电功率，充电时功率为正，放电为负，SG,SL和SB分别表示分布式电源、负载和储能单元的集合，PG,k和PL,j分别表示第k个分布式发电单元提供的功率和第j个负荷需要的功率；
步骤6.2：结合下一时刻电池能够提供的充放电功率SOP值，计算不等式约束；
其中，PB,i,k,max(SOPk)为储能单元在SOPk时最大充放电功率，PB,i,k,min为储能单元在SOPk时最小充放电功率。
8.根据权利要求1所述的基于功率优化调度的微网储能系统状态一致性控制方法，其特征在于所述步骤7的过程如下：
步骤7.1：储能充放电功率损耗最小问题可转化为如下优化问题：
其中，λ为对应Lagrange函数L中等式约束的Lagrange乘子；
系统运行总成本最小的Kuhn-Tucker条件如下：
其中，PB,i *为第i个储能单元充电功率的最优值，为拉格朗日乘子的最优值；
步骤7.2：进一步在模型中考虑权利要求7所述的储能系统充放电功率不等式约束，则使得系统运行总成本最小的Kuhn-Tucker条件如下：
其中，μP,k为不等式约束的惩罚因子，gk(PB,i)为不等式约束条件；
拉格朗日乘子迭代过程如下：
其中，ε为迭代步长，Ni为储能单元i所有邻居的总数，ni和nj分别为与储能单元i和j有通信连接的智能体数量，dij为根据拓扑结构得到的通信系数，λi,t+1为t+1时刻第i个储能单元Lagrange乘子，PB,i,t+1为t+1时刻第i个储能单元的充电功率，ΔPD,i,t+1为t+1时刻第i个储能单元发电及负荷差值；
步骤7.3：用求极限的方法得到储能单元充电功率的最优值及拉格朗日乘子的最优值limt→∞λi,t＝λ*，即在考虑储能系统可变最大最小充放电功率以及功率平衡的基础上，得到最优储能单元充放电功率参考值，快速且有效的保证储能单元SOE平衡；
步骤7.4：储能单元SOE一致性公式如下：
其中：be为平均一致性增益，Ni为储能单元i所有邻居的总数,为邻居储能单元j与储能单元i在区间[t,t+1]的相差值；
其中ν为系统中储能单元的总数量，此时，保证储能SOE平衡，且储能系统有功损耗最小；
步骤7.5：储能单元的内阻，随着SOH的降低而增大，因此通过电池内阻可以将SOH定义为如下公式：
其中，Rend为储能单元寿命终结时电池内阻，Rnew为电池出厂时电池内阻，R(SOE)为电池现在状态的内阻，f(R(SOE))是反映储能单元SOE内阻的函数，由于Rend、Rnew为储能单元固有参数，因此储能单元SOH和SOE函数关系可以表示如下：
储能单元SOH一致性公式如下：
其中：bh为平均一致性增益，Ni为储能单元i所有邻居的总数,为邻居储能单元j与储能单元i在区间[t,t+1]的SOH相差值，其中ν为系统中储能单元的总数量。
CN201910729106.8A 2019-08-08 2019-08-08 基于功率优化调度的微网储能系统状态一致性控制方法 Active CN110365052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910729106.8A CN110365052B (zh) 2019-08-08 2019-08-08 基于功率优化调度的微网储能系统状态一致性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910729106.8A CN110365052B (zh) 2019-08-08 2019-08-08 基于功率优化调度的微网储能系统状态一致性控制方法

Publications (2)

Publication Number Publication Date
CN110365052A true CN110365052A (zh) 2019-10-22
CN110365052B CN110365052B (zh) 2022-11-25

Family

ID=68222371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910729106.8A Active CN110365052B (zh) 2019-08-08 2019-08-08 基于功率优化调度的微网储能系统状态一致性控制方法

Country Status (1)

Country Link
CN (1) CN110365052B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110912137A (zh) * 2019-10-25 2020-03-24 国网天津市电力公司电力科学研究院 一种计及交流潮流的柔性配电网运行域模型构建方法
CN111061151A (zh) * 2019-11-21 2020-04-24 东北大学 一种基于多元卷积神经网络的分布式能源状态监测方法
CN111082660A (zh) * 2020-01-09 2020-04-28 湖南科技大学 基于ELM-PID的Buck变换器输出电压控制方法
CN113193245A (zh) * 2021-04-28 2021-07-30 太原科技大学 一种微电网分布式电池储能系统soh均衡方法
CN113726019A (zh) * 2021-08-09 2021-11-30 武汉大学 一种基于分布式储能系统的非周期采样出力协同控制方法
CN114123175A (zh) * 2021-11-15 2022-03-01 东北大学 考虑广义需求侧资源联盟特性的配电网分布式控制方法
CN114142532A (zh) * 2021-11-26 2022-03-04 国网山东省电力公司电力科学研究院 分布式光伏参与源网荷储协调控制的方法及系统
CN117060553A (zh) * 2023-10-13 2023-11-14 快电动力(北京)新能源科技有限公司 储能系统的电池管理方法、装置、系统和部件
WO2024012092A1 (zh) * 2022-07-15 2024-01-18 万帮数字能源股份有限公司 直流微电网中储能系统的下垂控制方法和装置
CN117878979A (zh) * 2024-03-13 2024-04-12 华远电力集团有限公司 基于电储能的功率平衡及动态补偿系统
CN118117625A (zh) * 2024-04-30 2024-05-31 宁德时代新能源科技股份有限公司 储能系统功率调度分配方法、装置、存储介质及能源管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107370170A (zh) * 2017-06-23 2017-11-21 浙江大学 一种考虑容量电价和负荷预测误差的储能系统容量配置方法
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN108462198A (zh) * 2018-01-24 2018-08-28 三峡大学 一种基于多代理技术的多能互补微网优化调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170337646A1 (en) * 2016-05-19 2017-11-23 Hefei University Of Technology Charging and discharging scheduling method for electric vehicles in microgrid under time-of-use price
CN107370170A (zh) * 2017-06-23 2017-11-21 浙江大学 一种考虑容量电价和负荷预测误差的储能系统容量配置方法
CN108462198A (zh) * 2018-01-24 2018-08-28 三峡大学 一种基于多代理技术的多能互补微网优化调度方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110912137A (zh) * 2019-10-25 2020-03-24 国网天津市电力公司电力科学研究院 一种计及交流潮流的柔性配电网运行域模型构建方法
CN110912137B (zh) * 2019-10-25 2023-05-23 国网天津市电力公司电力科学研究院 一种计及交流潮流的柔性配电网运行域模型构建方法
CN111061151A (zh) * 2019-11-21 2020-04-24 东北大学 一种基于多元卷积神经网络的分布式能源状态监测方法
CN111082660A (zh) * 2020-01-09 2020-04-28 湖南科技大学 基于ELM-PID的Buck变换器输出电压控制方法
CN113193245A (zh) * 2021-04-28 2021-07-30 太原科技大学 一种微电网分布式电池储能系统soh均衡方法
CN113726019A (zh) * 2021-08-09 2021-11-30 武汉大学 一种基于分布式储能系统的非周期采样出力协同控制方法
CN114123175A (zh) * 2021-11-15 2022-03-01 东北大学 考虑广义需求侧资源联盟特性的配电网分布式控制方法
CN114123175B (zh) * 2021-11-15 2023-11-07 东北大学 考虑广义需求侧资源联盟特性的配电网分布式控制方法
CN114142532B (zh) * 2021-11-26 2023-06-23 国网山东省电力公司电力科学研究院 分布式光伏参与源网荷储协调控制的方法及系统
CN114142532A (zh) * 2021-11-26 2022-03-04 国网山东省电力公司电力科学研究院 分布式光伏参与源网荷储协调控制的方法及系统
WO2024012092A1 (zh) * 2022-07-15 2024-01-18 万帮数字能源股份有限公司 直流微电网中储能系统的下垂控制方法和装置
CN117060553A (zh) * 2023-10-13 2023-11-14 快电动力(北京)新能源科技有限公司 储能系统的电池管理方法、装置、系统和部件
CN117060553B (zh) * 2023-10-13 2024-01-02 快电动力(北京)新能源科技有限公司 储能系统的电池管理方法、装置、系统和部件
CN117878979A (zh) * 2024-03-13 2024-04-12 华远电力集团有限公司 基于电储能的功率平衡及动态补偿系统
CN117878979B (zh) * 2024-03-13 2024-05-17 华远电力集团有限公司 基于电储能的功率平衡及动态补偿系统
CN118117625A (zh) * 2024-04-30 2024-05-31 宁德时代新能源科技股份有限公司 储能系统功率调度分配方法、装置、存储介质及能源管理系统
CN118117625B (zh) * 2024-04-30 2024-08-23 宁德时代新能源科技股份有限公司 储能系统功率调度分配方法、装置、存储介质及能源管理系统

Also Published As

Publication number Publication date
CN110365052B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN110365052B (zh) 基于功率优化调度的微网储能系统状态一致性控制方法
CN109492815B (zh) 一种市场机制下面向电网的储能电站选址定容优化方法
CN108667052B (zh) 一种面向虚拟电厂优化运行的多类型储能系统规划配置方法及系统
Liu et al. Online energy sharing for nanogrid clusters: A Lyapunov optimization approach
CN112800658A (zh) 一种考虑源储荷互动的主动配电网调度方法
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
Zhang et al. Microgrid cooperative distributed energy scheduling (CoDES) considering battery degradation cost
CN114123280B (zh) 一种考虑系统效率的电池储能电站能量管理方法
CN110858718B (zh) 考虑经济性的交流微电网分布式事件驱动的频率控制方法
CN113131584A (zh) 一种数据中心电池充放电优化控制方法及装置
CN111817296B (zh) 一种微电网用电能调度方法及系统
CN112653188A (zh) 一种分布式能源系统及能源调度方法
CN111224432A (zh) 微电网优化调度方法和装置
CN116054213A (zh) 一种基于集群划分的分布式储能群间协同的电压控制方法
CN111193293A (zh) 配电网协调多主体调度处理方法及装置
CN109149658B (zh) 基于一致性理论的独立微电网分布式动态经济调度方法
CN108736496B (zh) 一种分布式储能系统的补充性规划方法及系统
CN112564151B (zh) 一种计及隐私意识的多微网云储能优化调度方法及系统
CN115983890A (zh) 5g基站储能系统的soc偏移优化控制方法及系统
CN113852109B (zh) 一种异构式微电网群的公平载荷裕度分布式调控方法
CN113794241B (zh) 低压智能电网用户侧源储荷的优化调度方法及装置
CN112529610A (zh) 一种基于强化学习的端对端电能交易市场用户决策方法
Cao et al. Dynamic economic dispatch of AC/DC hybrid microgrid based on consensus algorithm
Farzaneh et al. Deterministic mean field game for energy management in a utility with many users
Guixi et al. Two-tier optimal scheduling of microgrid cluster distribution system based on energy interaction

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