CN112838605A - 一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法 - Google Patents

一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法 Download PDF

Info

Publication number
CN112838605A
CN112838605A CN202011397959.5A CN202011397959A CN112838605A CN 112838605 A CN112838605 A CN 112838605A CN 202011397959 A CN202011397959 A CN 202011397959A CN 112838605 A CN112838605 A CN 112838605A
Authority
CN
China
Prior art keywords
energy storage
agent
power
power station
charging
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.)
Pending
Application number
CN202011397959.5A
Other languages
English (en)
Inventor
郁正纲
伏祥运
朱立位
岳付昌
杜云虎
陆兵
王建新
任维银
史明明
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.)
State Grid Jiangsu Electric Power Co Ltd
Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Lianyungang Power Supply Co 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 State Grid Jiangsu Electric Power Co Ltd, Lianyungang Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202011397959.5A priority Critical patent/CN112838605A/zh
Publication of CN112838605A publication Critical patent/CN112838605A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，首先，将大规模储能电站划分为多个储能电站机组代理区域，并定义储能电站的目标函数；然后，根据设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值；最后，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充放电状态和各储能换流器机组的最大充放电功率确定各储能换流器机组的功率。该方法能够有效的对储能电站进行精准高效控制，将大型储能电站划分成若干小型电站，利用不同储能间的优势进行互补，提高大规模储能电站实时功率自主分配的能力，实现系统能量高效管理。

Description

一种基于多智能体粒子群优化的储能电站协调控制与能量管 理与运行方法
技术领域
本发明涉及电力系统储能控制领域，特别是一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法。
背景技术
随着全球能源需求的迅速增长和传统能源的日益稀缺，太阳能和风能作为重要的可再生能源，近年来装机容量快速增长。光伏或风电发电站的输出具有较大的波动性和随机性。可再生能源发电的不确定性给电网调度和保护带来了一系列不利影响，因此解决光伏和风电系统的功率波动问题非常重要。太阳能和风能发电站应配置一定容量的储能系统，利用系统充放电的灵活性，稳定输出功率，抑制系统的功率波动。
储能电站的容量和充放电功率，可用于平滑光伏或风电发电站的功率波动。传统的小型蓄电池储能系统由于容量有限，只能用于稳定的小容量微电网系统中。然而，随着储能电站规模的不断扩大，十兆瓦级甚至百兆瓦级大型储能电站系统的出现，使储能电站在电网安全稳定运行中发挥更积极重要的作用。多智能体系统技术在负荷预测、电力市场仿真、微电网、故障定位、有功配电网和其它领域得到了应用。电气和电子工程师协会的智能系统分会成立了一个专门研究多智能体技术在电力系统中应用的工作小组。然而，与其它领域相比，应用多智能体系统技术进行协调控制和能量管理大型储能电站还没有广泛研究，在百兆瓦级大型储能电站的控制中，网络化系统复杂，难以进行集中最优控制。
发明内容
本发明的目的在于：提出一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，能够使大规模储能电站实现实时功率自主分配的能力。
实现本发明的技术解决方案是：一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，包含如下步骤：
步骤1：结合多代理机制，将大规模储能电站划分为多个储能电站机组代理区域，并定义储能电站的目标函数；
步骤2：根据步骤1中设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值；
步骤3：根据步骤2中所确定的各蓄电池电站机组代理的充放电功率，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率自适应确定各储能换流器机组的功率。
本发明的有益效果为：1)能够有效的对储能电站进行精准高效控制，将大型储能电站划分成若干小型电站，利用不同储能间的优势进行互补，提高大规模储能电站实时功率自主分配的能力，实现系统能量高效管理。
下面结合附图对本发明作进一步详细介绍。
附图说明
图1为本发明的的大规模储能电站控制结构图。
图2为本发明的多智能体粒子群优化算法流程图。
图3为本发明的大规模储能电站控制方法流程图。
图4为本发明的大型风电场与储能电站混合发电系统拓扑结构图。
图5为本发明的实施例500MW风电场功率数据曲线图。
图6为本发明的实施例中原始风电功率、储能电站功率、风电储能电站混合功率曲线图。
图7为本发明的实施例中有无储能电站时的功率波动率比较图。
图8为本发明的实施例中35个储能电站机组功率曲线图。
图9为本发明的实施例中35个储能电站机组充电状态变化曲线图。
具体实施方式
一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，包含如下步骤：
步骤1：结合多代理机制，将大规模储能电站划分为多个储能电站机组代理区域，并定义储能电站的目标函数:
Figure BDA0002815952190000021
其中，
Figure BDA0002815952190000022
是储能电站主代理从监控系统接收储能电站目标电源指令。
功率波动率可作为接入电网的风电、光伏发电设备的评估指标。
Figure BDA0002815952190000023
Figure BDA0002815952190000024
Figure BDA0002815952190000031
其中，
Figure BDA0002815952190000032
是调查时段T的原始风电和光伏发电功率波动率；
Figure BDA0002815952190000033
是风电、光伏发电和蓄电池储能电站混合系统的功率波动率；
Figure BDA0002815952190000034
是风电和光伏发电的最大功率值；
Figure BDA0002815952190000035
是风电、光伏发电和蓄电池储能站混合系统的最大功率值；
Figure BDA0002815952190000036
是风电和光伏发电的最小功率值；
Figure BDA0002815952190000037
是风电、光伏发电和蓄电池储能站混合系统的最小功率值；
Figure BDA0002815952190000038
是风能和光伏发电的额定总功率；
Figure BDA0002815952190000039
是风电、光伏发电和蓄电池储能站混合系统的额定总功率,f()T是风电、光伏输出功率波动平滑的表达式。
步骤2：根据步骤1中设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值，具体为：
(1)当
Figure BDA00028159521900000310
为正时，储能电站处于放电状态，计算各代理区域i的放电功率值如下：
Figure BDA00028159521900000311
其中：n是所划分的区域数量，SOCAgent_i(t-1)为放电状态下第i个区域储能荷电状态SOC在t-1时刻的平均值，μAgent_i(t)为第i个区域在t时刻的运行参数，包括储能的最大放电电压和放电电流；
判断
Figure BDA00028159521900000312
是否大于第i个区域的最大允许放电功率，若是，则重新计算如下：
Figure BDA00028159521900000313
其中，
Figure BDA00028159521900000314
为第i个区域的最大允许放电功率；
(2)当
Figure BDA00028159521900000315
为负时，储能电站应处于充电状态，计算各代理区域i的充电功率值如下：
SODAgent_i(t-1)＝[1-SOCAgent_i(t-1)]
Figure BDA0002815952190000041
其中SODAgent_i(t-1)为充电状态下的第i个区域储能荷电状态在t-1时刻的平均值，
判断
Figure BDA0002815952190000042
是否大于第i个区域的最大允许充电功率，若是，则重新计算如下：
Figure BDA0002815952190000043
其中，SODAgent_i(t-1)为第i个区域SOD在t-1时刻的平均值；μAgent_i为第i个区域在t时刻的运行参数，包括储能的最大充电电压和充电电流，
Figure BDA0002815952190000044
为第i个区域在t-1时刻的最大允许充电功率。
步骤3：根据步骤2中所确定的各蓄电池电站机组代理的充放电功率，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率确定各储能换流器机组的功率，具体为：
Figure BDA0002815952190000045
Figure BDA0002815952190000046
Figure BDA0002815952190000047
Figure BDA0002815952190000048
Figure BDA0002815952190000049
GAgent_bess＝min(ω1FAgent1+ω2FAgent2)
其中：
Figure BDA0002815952190000051
为所有代理区域设定的总的目标充电功率值；FAgent1是所有代理区域总的充电功率值与目标充电功率的差值；SOCref是储能荷电状态的参考值；FAgent2所有代理区域总的放电功率值与目标放电功率的差值；GAgent_bess是多智能体粒子群优化的目标函数；ω1，ω2是权重因子；i是区域代理；j是储能电站机组控制区域的储能换流器，
Figure BDA0002815952190000052
是第i个区域代理在t时刻时m个储能换流器总的功率值；
Figure BDA0002815952190000053
是第j个储能换流器在第i个区域代理在t-1时刻的功率指令值；SOCAgent_i(t-1)是第i个区域代理在t-1时刻的储能荷电状态的平均值；
Figure BDA0002815952190000054
是第i个区域代理中第j个储能换流器在t-1时刻的储能荷电状态平均值；m是储能换流器的个数；CAgent_i是第i个区域代理储能容量之和；
Figure BDA0002815952190000055
第i个区域代理中第j个储能换流器的储能容量之和；
Figure BDA0002815952190000056
第i个区域代理中第j个储能换流器的运行参数；
在提出的多智能体粒子群算法中，各功率变换器群的功率作为粒子的速度，并以各功率变换器的充电状态作为粒子的位置。然后通过不断调整，找到合适的位置和速度，得到目标函数的最优解。从而分别得到各区域代理的储能换流器的充放电功率的最优解。
一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行系统，包含以下模块：
区域划分模块：用于将大规模储能电站划分为多个储能电站机组代理区域，并定义储能电站的目标函数；
功率计算模块：根据设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值；
控制模块：根据确定的各蓄电池电站机组代理的充放电功率，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率自适应确定各储能换流器机组的功率。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤1：结合多代理机制，将大规模储能电站划分为多个储能电站机组代理区域，并定义储能电站的目标函数:
Figure BDA0002815952190000057
其中，
Figure BDA0002815952190000058
是储能电站主代理从监控系统接收储能电站目标电源指令。
步骤2：根据步骤1中设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值，具体为：
(1)当
Figure BDA0002815952190000061
为正时，储能电站处于放电状态，计算各代理区域i的放电功率值如下：
Figure BDA0002815952190000062
其中：n是所划分的区域数量，SOCAgent_i(t-1)为放电状态下第i个区域储能荷电状态SOC在t-1时刻的平均值，μAgent_i(t)为第i个区域在t时刻的运行参数，包括储能的最大放电电压和放电电流；
如果
Figure BDA0002815952190000063
大于第i个区域的最大允许放电功率，重新计算如下：
Figure BDA0002815952190000064
其中，
Figure BDA0002815952190000065
为第i个区域的最大允许放电功率；
(2)当
Figure BDA0002815952190000066
为负时，储能电站应处于充电状态，计算各代理区域i的充电功率值如下：
SODAgent_i(t-1)＝[1-SOCAgent_i(t-1)]
Figure BDA0002815952190000067
其中SODAgent_i(t-1)为充电状态下的第i个区域储能荷电状态在t-1时刻的平均值，
如果
Figure BDA0002815952190000068
大于第i个区域的最大允许充电功率，重新计算如下：
Figure BDA0002815952190000071
其中，SODAgent_i(t-1)为第i个区域SOD在t-1时刻的平均值；μAgent_i为第i个区域在t时刻的运行参数，包括储能的最大充电电压和充电电流，
Figure BDA0002815952190000072
为第i个区域在t-1时刻的最大允许充电功率。
步骤3：根据步骤2中所确定的各蓄电池电站机组代理的充放电功率，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率确定各储能换流器机组的功率，具体为：
Figure BDA0002815952190000073
Figure BDA0002815952190000074
Figure BDA0002815952190000075
Figure BDA0002815952190000076
Figure BDA0002815952190000077
GAgent_bess＝min(ω1FAgent1+ω2FAgent2)
其中：
Figure BDA0002815952190000078
为所有代理区域设定的总的目标充电功率值；FAgent1是所有代理区域总的充电功率值与目标充电功率的差值；SOCref是储能荷电状态的参考值；FAgent2所有代理区域总的放电功率值与目标放电功率的差值；GAgent_bess是多智能体粒子群优化的目标函数；ω1，ω2是权重因子；i是区域代理；j是储能电站机组控制区域的储能换流器，
Figure BDA0002815952190000079
是第i个区域代理在t时刻时m个储能换流器总的功率值；
Figure BDA00028159521900000710
是第j个储能换流器在第i个区域代理在t-1时刻的功率指令值；SOCAgent_i(t-1)是第i个区域代理在t-1时刻的储能荷电状态的平均值；
Figure BDA0002815952190000081
是第i个区域代理中第j个储能换流器在t-1时刻的储能荷电状态平均值；m是储能换流器的个数；CAgent_i是第i个区域代理储能容量之和；
Figure BDA0002815952190000082
第i个区域代理中第j个储能换流器的储能容量之和；
Figure BDA0002815952190000083
第i个区域代理中第j个储能换流器的运行参数；
得到目标函数的最优解，从而分别得到各区域代理的储能换流器的充放电功率。
一种计算机可存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
步骤1：结合多代理机制，将大规模储能电站划分为多个储能电站机组代理区域，并定义储能电站的目标函数:
Figure BDA0002815952190000084
其中，
Figure BDA0002815952190000085
是储能电站主代理从监控系统接收储能电站目标电源指令。
步骤2：根据步骤1中设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值，具体为：
(1)当
Figure BDA0002815952190000086
为正时，储能电站处于放电状态，计算各代理区域i的放电功率值如下：
Figure BDA0002815952190000087
其中：n是所划分的区域数量，SOCAgent_i(t-1)为放电状态下第i个区域储能荷电状态SOC在t-1时刻的平均值，μAgent_i(t)为第i个区域在t时刻的运行参数，包括储能的最大放电电压和放电电流；
如果
Figure BDA0002815952190000088
大于第i个区域的最大允许放电功率，重新计算如下：
Figure BDA0002815952190000089
其中，
Figure BDA00028159521900000810
为第i个区域的最大允许放电功率；
(2)当
Figure BDA0002815952190000091
为负时，储能电站应处于充电状态，计算各代理区域i的充电功率值如下：
SODAgent_i(t-1)＝[1-SOCAgent_i(t-1)]
Figure BDA0002815952190000092
其中SODAgent_i(t-1)为充电状态下的第i个区域储能荷电状态在t-1时刻的平均值，
如果
Figure BDA0002815952190000093
大于第i个区域的最大允许充电功率，重新计算如下：
Figure BDA0002815952190000094
其中，SODAgent_i(t-1)为第i个区域SOD在t-1时刻的平均值；μAgent_i为第i个区域在t时刻的运行参数，包括储能的最大充电电压和充电电流，
Figure BDA0002815952190000095
为第i个区域在t-1时刻的最大允许充电功率。
步骤3：根据步骤2中所确定的各蓄电池电站机组代理的充放电功率，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率确定各储能换流器机组的功率，具体为：
Figure BDA0002815952190000096
Figure BDA0002815952190000097
Figure BDA0002815952190000098
Figure BDA0002815952190000099
Figure BDA0002815952190000101
GAgent_bess＝min(ω1FAgent1+ω2FAgent2)
其中：
Figure BDA0002815952190000102
为所有代理区域设定的总的目标充电功率值；FAgent1是所有代理区域总的充电功率值与目标充电功率的差值；SOCref是储能荷电状态的参考值；FAgent2所有代理区域总的放电功率值与目标放电功率的差值；GAgent_bess是多智能体粒子群优化的目标函数；ω1，ω2是权重因子；i是区域代理；j是储能电站机组控制区域的储能换流器，
Figure BDA0002815952190000103
是第i个区域代理在t时刻时m个储能换流器总的功率值；
Figure BDA0002815952190000104
是第j个储能换流器在第i个区域代理在t-1时刻的功率指令值；SOCAgent_i(t-1)是第i个区域代理在t-1时刻的储能荷电状态的平均值；
Figure BDA0002815952190000105
是第i个区域代理中第j个储能换流器在t-1时刻的储能荷电状态平均值；m是储能换流器的个数；CAgent_i是第i个区域代理储能容量之和；
Figure BDA0002815952190000106
第i个区域代理中第j个储能换流器的储能容量之和；
Figure BDA0002815952190000107
第i个区域代理中第j个储能换流器的运行参数；
得到目标函数的最优解，从而分别得到各区域代理的储能换流器的充放电功率。
下面结合附图与实施例对本发明做详细说明。
实施例
一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，包含如下步骤：
步骤1：结合图1，结合多代理机制，将大规模储能电站划分为多个储能电站机组代理区域，并定义储能电站的目标函数：
Figure BDA0002815952190000108
其中，
Figure BDA0002815952190000109
是储能电站主代理从监控系统接收储能电站目标电源指令。
功率波动率可作为接入电网的风电、光伏发电设备的评估指标。
Figure BDA00028159521900001010
Figure BDA0002815952190000111
Figure BDA0002815952190000112
其中，
Figure BDA0002815952190000113
是调查时段T的原始风电和光伏发电功率波动率；
Figure BDA0002815952190000114
是风电、光伏发电和蓄电池储能电站混合系统的功率波动率；
Figure BDA0002815952190000115
是风电和光伏发电的最大功率值；
Figure BDA0002815952190000116
是风电、光伏发电和蓄电池储能站混合系统的最大功率值；
Figure BDA0002815952190000117
是风电和光伏发电的最小功率值；
Figure BDA0002815952190000118
是风电、光伏发电和蓄电池储能站混合系统的最小功率值；
Figure BDA0002815952190000119
是风能和光伏发电的额定总功率；
Figure BDA00028159521900001110
是风电、光伏发电和蓄电池储能站混合系统的额定总功率,f()T是风电、光伏输出功率波动平滑的表达式。
步骤2：根据步骤1中设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值，具体为：
(1)当
Figure BDA00028159521900001111
为正时，储能电站处于放电状态，计算各代理区域i的放电功率值如下：
Figure BDA00028159521900001112
其中：n是所划分的区域数量，SOCAgent_i(t-1)为放电状态下第i个区域储能荷电状态SOC在t-1时刻的平均值，μAgent_i(t)为第i个区域在t时刻的运行参数，包括储能的最大放电电压和放电电流；
判断
Figure BDA00028159521900001113
是否大于第i个区域的最大允许放电功率，若是，则重新计算如下：
Figure BDA00028159521900001114
其中，
Figure BDA00028159521900001115
为第i个区域的最大允许放电功率；
(2)当
Figure BDA0002815952190000121
为负时，储能电站应处于充电状态，计算各代理区域i的充电功率值如下：
SODAgent_i(t-1)＝[1-SOCAgent_i(t-1)]
Figure BDA0002815952190000122
其中SODAgent_i(t-1)为充电状态下的第i个区域储能荷电状态在t-1时刻的平均值，
判断
Figure BDA0002815952190000123
是否大于第i个区域的最大允许充电功率，若是，则重新计算如下：
Figure BDA0002815952190000124
其中，SODAgent_i(t-1)为第i个区域SOD在t-1时刻的平均值；μAgent_i为第i个区域在t时刻的运行参数，包括储能的最大充电电压和充电电流，
Figure BDA0002815952190000125
为第i个区域在t-1时刻的最大允许充电功率。
步骤3：根据步骤2中所确定的各蓄电池电站机组代理的充放电功率，结合图2，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率确定各储能换流器机组的功率，具体为：
Figure BDA0002815952190000126
Figure BDA0002815952190000127
Figure BDA0002815952190000128
Figure BDA0002815952190000129
Figure BDA0002815952190000131
GAgent_bess＝min(ω1FAgent1+ω2FAgent2)
其中：
Figure BDA0002815952190000132
为所有代理区域设定的总的目标充电功率值；FAgent1是所有代理区域总的充电功率值与目标充电功率的差值；SOCref是储能荷电状态的参考值；FAgent2所有代理区域总的放电功率值与目标放电功率的差值；GAgent_bess是多智能体粒子群优化的目标函数；ω1，ω2是权重因子；i是区域代理；j是储能电站机组控制区域的储能换流器，
Figure BDA0002815952190000133
是第i个区域代理在t时刻时m个储能换流器总的功率值；
Figure BDA0002815952190000134
是第j个储能换流器在第i个区域代理在t-1时刻的功率指令值；SOCAgent_i(t-1)是第i个区域代理在t-1时刻的储能荷电状态的平均值；
Figure BDA0002815952190000135
是第i个区域代理中第j个储能换流器在t-1时刻的储能荷电状态平均值；m是储能换流器的个数；CAgent_i是第i个区域代理储能容量之和；
Figure BDA0002815952190000136
第i个区域代理中第j个储能换流器的储能容量之和；
Figure BDA0002815952190000137
第i个区域代理中第j个储能换流器的运行参数；
在提出的多智能体粒子群算法中，各功率变换器群的功率作为粒子的速度，并以各功率变换器的充电状态作为粒子的位置。然后通过不断调整，找到合适的位置和速度，得到目标函数的最优解。从而分别得到各区域代理的储能换流器的充放电功率的最优解，基于多智能体粒子群优化的储能电站协调控制与能量管理运行模式流程图如图3所示。
对一个风力发电场和蓄电池储能电站混合发电系统进行了仿真分析，风电场额定功率500MW；储能电站最大充放电功率105MW；储能电站总容量210MWh。如图4所示，在百兆瓦级的蓄电池储能电站中，包括35个机组和210个储能换流器。储能电站各机组最大充放电功率为3MW；电池容量为6MWh；储能换流器各机组最大充放电功率为500kW；电池存储容量为1MWh；BESS各机组最大充放电功率为3MW；电池容量为6MWh；PCS各机组最大充放电功率为500kW；电池存储容量为1MWh。
每个储能电站机组的初始充电状态分别均匀配置在0.4-0.6之间，另外，基于随机分配的方法，将每个储能换流器机组的初始充电状态设置在0.4-0.6之间。充电状态的上限值和下限值分别设置为0.95和0.05。仿真所用500MW风电场功率数据如图5所示。
图6示出了风力发电和风力-储能电站联合发电的比较图。可见，风电场输出功率波动较大。也就是说，在每一个时刻，都有明显的“峰值”。利用储能电站明显地平滑了风电-储能电站系统的联合功率波动，从而实现了对风电输出功率波动的控制效果。
图7为风电功率与风电-储能电站联合功率波动率对比图。可以看出，当储能电站功率为105MW时，10分钟内的功率波动率可以保持在10％以下，对应的时间段为上午10:30到晚上19:30。由于风力波动的影响，BESS的作用是将风力系统波动率稳定在10％以内。
各储能电站机组的功率和充电状态变化的仿真结果分别如图8和图9所示。可以看出，各储能电站机组的充放电功率和充电状态都在设定的范围内。利用所提出的多智能体粒子群算法逐步逼近储能电站机组的充电状态。同时，各储能电站机组的初始充放电功率存在一定的差异，但随着充电状态的逐渐接近，在仿真结束时差异逐渐减小。该系统实现了充电状态一致性控制，有效地实现了储能电站的能量运行管理。

Claims (7)

1.一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，其特征在于，包含如下步骤：
步骤1：结合多代理机制，将大规模储能电站划分为多个储能电站机组代理区域，并构建储能电站的目标函数；
步骤2：根据步骤1中构建的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值；
步骤3：根据步骤2中所确定的各蓄电池电站机组代理的充放电功率，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率确定各储能换流器机组的功率。
2.根据权利要求1所述的基于多智能体粒子群优化的储能电站协调控制与能量运行方法，其特征在于，所述步骤1中储能电站的目标函数为
Figure FDA0002815952180000011
其中，
Figure FDA0002815952180000012
是储能电站主代理从监控系统接收储能电站目标电源指令。
3.根据权利要求1所述的基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，其特征在于，所述步骤2中的按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值具体为：
(1)当
Figure FDA0002815952180000013
为正时，储能电站处于放电状态，计算各代理区域i的放电功率值如下：
Figure FDA0002815952180000014
其中：n是所划分的区域数量，SOCAgent_i(t-1)为放电状态下第i个区域储能荷电状态SOC在t-1时刻的平均值，μAgent_i(t)为第i个区域在t时刻的运行参数，包括储能的最大放电电压和放电电流；
如果
Figure FDA0002815952180000015
大于第i个区域的最大允许放电功率，重新确定如下：
Figure FDA0002815952180000016
其中，
Figure FDA0002815952180000021
为第i个区域的最大允许放电功率；
(2)当
Figure FDA0002815952180000022
为负时，储能电站应处于充电状态，计算各代理区域i的充电功率值如下：
SODAgent_i(t-1)＝[1-SOCAgent_i(t-1)]
Figure FDA0002815952180000023
其中SODAgent_i(t-1)为充电状态下的第i个区域储能荷电状态在t-1时刻的平均值；
如果
Figure FDA0002815952180000024
大于第i个区域的最大允许充电功率，重新确定如下：
Figure FDA0002815952180000025
其中，SODAgent_i(t-1)为第i个区域SOD在t-1时刻的平均值；μAgent_i为第i个区域在t时刻的运行参数，包括储能的最大充电电压和充电电流，
Figure FDA0002815952180000026
为第i个区域在t-1时刻的最大允许充电功率。
4.根据权利要求1所述的基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法，其特征在于，所述步骤3中的采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率具体为：
Figure FDA0002815952180000027
Figure FDA0002815952180000028
Figure FDA0002815952180000029
Figure FDA00028159521800000210
Figure FDA0002815952180000031
GAgent_bess＝min(ω1FAgent1+ω2FAgent2)
其中：
Figure FDA0002815952180000032
为所有代理区域设定的总的目标充电功率值；FAgent1是所有代理区域总的充电功率值与目标充电功率的差值；SOCref是储能荷电状态的参考值；FAgent2所有代理区域总的放电功率值与目标放电功率的差值；GAgent_bess是多智能体粒子群优化的目标函数；ω1，ω2是权重因子；i是区域代理；j是储能电站机组控制区域的储能换流器，
Figure FDA0002815952180000033
是第i个区域代理在t时刻时m个储能换流器总的功率值；
Figure FDA0002815952180000034
是第j个储能换流器在第i个区域代理在t-1时刻的功率指令值；SOCAgent_i(t-1)是第i个区域代理在t-1时刻的储能荷电状态的平均值；
Figure FDA0002815952180000035
是第i个区域代理中第j个储能换流器在t-1时刻的储能荷电状态平均值；m是储能换流器的个数；CAgent_i是第i个区域代理储能容量之和；
Figure FDA0002815952180000036
第i个区域代理中第j个储能换流器的储能容量之和；
Figure FDA0002815952180000037
第i个区域代理中第j个储能换流器的运行参数；
得到目标函数的最优解，从而分别得到各区域代理的储能换流器的充放电功率。
5.一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行系统，其特征在于，包含以下模块：
区域划分模块：用于将大规模储能电站划分为多个储能电站机组代理区域，并构建储能电站的目标函数；
功率计算模块：根据设定的储能电站的目标函数，按照储能电站的目标函数为正或为负时分别计算各代理区域i的充放电功率值；
控制模块：根据确定的各蓄电池电站机组代理的充放电功率，采用多智能体粒子群优化算法计算区域智能体各储能换流器的充放电功率，通过充电状态和各储能换流器机组的最大充放电功率自适应确定各储能换流器机组的功率。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述方法的步骤。
7.一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
CN202011397959.5A 2020-12-04 2020-12-04 一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法 Pending CN112838605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011397959.5A CN112838605A (zh) 2020-12-04 2020-12-04 一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011397959.5A CN112838605A (zh) 2020-12-04 2020-12-04 一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法

Publications (1)

Publication Number Publication Date
CN112838605A true CN112838605A (zh) 2021-05-25

Family

ID=75923456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011397959.5A Pending CN112838605A (zh) 2020-12-04 2020-12-04 一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法

Country Status (1)

Country Link
CN (1) CN112838605A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336694A (zh) * 2021-12-29 2022-04-12 国网山西省电力公司电力科学研究院 一种混合储能电站能量优化控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103779869A (zh) * 2014-02-24 2014-05-07 国家电网公司 考虑荷电状态动态调整的储能电站容量优化计算方法
CN104951650A (zh) * 2015-05-28 2015-09-30 国网福建省电力有限公司 一种评估含大规模风电电网关口外送电交易能力的方法
US20150295407A1 (en) * 2014-04-10 2015-10-15 Nec Laboratories America, Inc. Decentralized Energy Management Platform
CN106786697A (zh) * 2016-12-29 2017-05-31 中国电力科学研究院 一种基于多代理的大规模电池储能电站监控系统和方法
CN108336766A (zh) * 2018-02-13 2018-07-27 中国电力科学研究院有限公司 一种储能系统多智能体协同控制方法及装置
CN108376990A (zh) * 2018-02-13 2018-08-07 中国电力科学研究院有限公司 一种基于多智能体粒子群的储能电站控制方法及系统
CN108376989A (zh) * 2018-02-13 2018-08-07 中国电力科学研究院有限公司 一种基于多智能体的电池储能电站分区控制方法及系统
CN110210647A (zh) * 2019-04-29 2019-09-06 国网江苏省电力有限公司电力科学研究院 一种分布式电源、储能与柔性负荷联合调度方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103779869A (zh) * 2014-02-24 2014-05-07 国家电网公司 考虑荷电状态动态调整的储能电站容量优化计算方法
US20150295407A1 (en) * 2014-04-10 2015-10-15 Nec Laboratories America, Inc. Decentralized Energy Management Platform
CN104951650A (zh) * 2015-05-28 2015-09-30 国网福建省电力有限公司 一种评估含大规模风电电网关口外送电交易能力的方法
CN106786697A (zh) * 2016-12-29 2017-05-31 中国电力科学研究院 一种基于多代理的大规模电池储能电站监控系统和方法
CN108336766A (zh) * 2018-02-13 2018-07-27 中国电力科学研究院有限公司 一种储能系统多智能体协同控制方法及装置
CN108376990A (zh) * 2018-02-13 2018-08-07 中国电力科学研究院有限公司 一种基于多智能体粒子群的储能电站控制方法及系统
CN108376989A (zh) * 2018-02-13 2018-08-07 中国电力科学研究院有限公司 一种基于多智能体的电池储能电站分区控制方法及系统
CN110210647A (zh) * 2019-04-29 2019-09-06 国网江苏省电力有限公司电力科学研究院 一种分布式电源、储能与柔性负荷联合调度方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨锡运;任杰;李相俊;肖运启;: "储能系统平滑光伏电站功率波动的变参数斜率控制方法", 电力系统自动化, no. 24 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336694A (zh) * 2021-12-29 2022-04-12 国网山西省电力公司电力科学研究院 一种混合储能电站能量优化控制方法
CN114336694B (zh) * 2021-12-29 2023-04-25 国网山西省电力公司电力科学研究院 一种混合储能电站能量优化控制方法

Similar Documents

Publication Publication Date Title
CN107947231B (zh) 一种面向配电网优化运行的混合储能系统控制方法
Lin et al. Coordinated control strategies for SMES-battery hybrid energy storage systems
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
CN102545250B (zh) 锂电池储能的风电场功率平滑控制方法及装置和工作方法
Hu et al. Optimization of battery energy storage system with super-capacitor for renewable energy applications
Wang et al. Electric vehicle fleet integration in a virtual power plant with large-scale wind power
CN103187750A (zh) 兆瓦级电池储能电站实时功率控制方法及其系统
Li et al. Coordinated control and energy management strategies for hundred megawatt-level battery energy storage stations based on multi-agent theory
Xiao et al. Flat tie-line power scheduling control of grid-connected hybrid microgrids
Amir et al. Integration of EVs aggregator with microgrid and impact of V2G power on peak regulation
CN103560533B (zh) 基于变化率控制储能电站平滑风光发电波动的方法及系统
Fan et al. Scheduling framework using dynamic optimal power flow for battery energy storage systems
CN112838605A (zh) 一种基于多智能体粒子群优化的储能电站协调控制与能量管理与运行方法
CN109327031A (zh) 基于电池储能的直驱风电多机系统功率协控方法及系统
Ma et al. Coordination of generation and transmission planning for power system with large wind farms
CN110323779B (zh) 一种分布式发电与储能装置的功率动态聚合的方法和系统
CN112260274A (zh) 一种基于全景理论的虚拟电厂组建方法
CN112202202A (zh) 一种多层递阶结构下的风电场群协调控制方法
CN110994686A (zh) 一种离散式发电、储能、供电系统协同控制方法
CN113471995B (zh) 一种提升新能源高占比区域频率稳定性的储能配置方法
Jusoh et al. Control strategy of a grid-connected photovoltaic with battery energy storage system for hourly power dispatch
Saren et al. An Optimized Control Strategy for Distributed Energy Storage System to Reduce the Peak-valley Difference of Distribution Network
CN109066797B (zh) 含光伏发电的电力系统运行控制方法及装置
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
Cong et al. A power smoothing approach based on battery energy storage system for power fluctuations of wind power generation

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