CN113779493A - 一种多智能家庭的分布式智能能量管理方法 - Google Patents

一种多智能家庭的分布式智能能量管理方法 Download PDF

Info

Publication number
CN113779493A
CN113779493A CN202111096630.XA CN202111096630A CN113779493A CN 113779493 A CN113779493 A CN 113779493A CN 202111096630 A CN202111096630 A CN 202111096630A CN 113779493 A CN113779493 A CN 113779493A
Authority
CN
China
Prior art keywords
intelligent
battery
energy
power
aging
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
CN202111096630.XA
Other languages
English (en)
Other versions
CN113779493B (zh
Inventor
胡晓松
邓昕晨
邓忠伟
李佳承
胡兵
徐立军
王小娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Xinjiang Institute of Engineering
Original Assignee
Chongqing University
Xinjiang Institute of Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University, Xinjiang Institute of Engineering filed Critical Chongqing University
Priority to CN202111096630.XA priority Critical patent/CN113779493B/zh
Publication of CN113779493A publication Critical patent/CN113779493A/zh
Application granted granted Critical
Publication of CN113779493B publication Critical patent/CN113779493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明涉及一种多智能家庭的分布式智能.能量管理方法，属于智能电网技术领域，包括以下步骤：S1：建立智能家庭各部件的数学模型；建立社区中各智能家庭之间的拓扑结构，以实现其能量交易；制定各智能家庭之间的能量交易规则；S2：针对各智能家庭中的电动汽车建立相应的动力电池老化模型，包括循环老化模型和日历老化模型；S3：针对各智能家庭建立其日常电能成本最低的优化目标，设计各部件相应的约束；S4：对原优化问题转换成凸优化问题，保证所得解为全局最优；S5：设计各智能家庭之间能量交易的一致性辅助变量，利用Consensus ADMM算法对各智能家庭的优化问题进行分解协调至最优，使整个社区的电能成本最低。

Description

一种多智能家庭的分布式智能能量管理方法
技术领域
本发明属于智能电网技术领域，涉及一种多智能家庭的分布式智能能量管理方法。
背景技术
包含多个智能家庭的社区是智能电网不可或缺的组成部分，能够在局部地区提供能源自治的功能性模块，是智能电网发展的趋势。智能家庭中包括可控负载装置、不可控负载装置、电动汽车(Electric Vehicle，EV)、可再生能源(Renewable Energy Sources，RESs)和储能系统(Energy Storage System，ESS)，通过对其管理可以实现高度能源自治，极大地降低能源成本。目前，对多个智能家庭的分布式管理成为研究热点，智能家庭既是能源供应商，也是能源的消费者，多边贸易机制能够推动能源自治社区的发展。
传统的集中式管理方法需要高带宽的通信基础设施，所有通信信息都必须由中央控制器收集并处理。此外，对于大型社区，相关的优化问题可能在计算上很难解决。分布式算法可以将整个优化问题以分布式的方式分解成更小规模的局部问题，仅需要与相邻用户交换有限的信息。这种分布式管理方式具有可扩展性、灵活性和鲁邦性等优点，而且其并行计算能力能够加快收敛速度。
发明内容
有鉴于此，本发明的目的在于提供一种先进的多智能家庭分布式能量管理方法，保证其管理的扩展性、灵活性、鲁棒性和高效率。
为达到上述目的，本发明提供如下技术方案：
一种多智能家庭的分布式智能.能量管理方法，包括以下步骤：
S1：建立智能家庭各部件的数学模型；建立社区中各智能家庭之间的拓扑结构，以实现其能量交易；制定各智能家庭之间的能量交易规则；
S2：针对各智能家庭中的电动汽车建立相应的动力电池老化模型，包括循环老化模型和日历老化模型；
S3：针对各智能家庭建立其日常电能成本最低的优化目标，设计各部件相应的约束；
S4：对原优化问题转换成凸优化问题，保证所得解为全局最优；
S5：设计各智能家庭之间能量交易的一致性辅助变量，利用Consensus ADMM算法对各智能家庭的优化问题进行分解协调至最优，使整个社区的电能成本最低。
进一步，步骤S1中所述智能家庭各部件包括用电与发电预测模型、储能系统、电动汽车；所述步骤S1具体包括以下步骤：
S11：建立智能家庭各部件的数学模型，以实现对智能家庭中各部件的智能控制，降低其电能成本，其中储能系统的数学模型如下：
Figure BDA0003266233680000021
其中，t为系统运行的时刻，
Figure BDA0003266233680000022
为储能系统所含的能量，Pi ch(t)和Pi dis(t)为其充放电功率，η为充放电效率，ΔT为运行的步长。
电动汽车动力电池的数学模型如下：
Figure BDA0003266233680000023
其中，Pi ev(t)为动力电池在t时刻的输出功率，
Figure BDA0003266233680000024
为电池不同时刻跟电池荷电状态SOC有关的开率电压，I(t)为充放电电流，R为电池内阻，N电动汽车中电池单体的数量。
S12：建立社区中各智能家庭之间的拓扑结构，设计各家庭之间的电路连接，以实现其能量交易；
S13：制定各智能家庭之间的能量交易规则与价格，促进用户将多余的发电卖给用电需求高的用户，降低向电网购买的电能，从而降低整个社区的用电成本。
进一步，所述步骤S2具体包括以下步骤：
S21：选定电动汽车动力电池老化模型，包含循环老化模型和日历老化模型，电池的循环老化与电流倍率c、温度T和安时吞吐量Ah有关，日历老化与电池荷电状态(State ofCharge,SOC)、温度T和存储时间t有关，其表达式分别为：
Figure BDA0003266233680000025
Figure BDA0003266233680000026
其中，
Figure BDA0003266233680000027
和
Figure BDA0003266233680000028
分别指循环充放电导致的容量损失和存储老化导致的电池容量损失，Bcyc和Bcal分别为循环老化模型和日历老化模型的指数前因子，Eacyc和Eacal分别为循环老化模型和日历老化模型的活化能，且分别与电流倍率和电池SOC有关，R为理想的气体常数，zcyc和zcal为无量纲常数；
S22：令电动汽车环境温度恒定为25℃，将电池的循环老化模型和日历老化模型转换为单位时间内循环老化容量损失和日历老化容量损失，分别为关于充放电功率和电池SOC的函数，其表达式如下：
Figure BDA0003266233680000031
Figure BDA0003266233680000032
其中，Pb为电池充放电功率，t为系统运行的时刻，N为电动汽车的电池单体数量，Eb为电池额定能量；
S23：将步骤S22中的两个公式分别用分段的线性函数进行拟合，如下式：
Figure BDA0003266233680000033
Figure BDA0003266233680000034
其中，a0,1、a1,1、a0,2、a1,2、a0,3、a1,3分别表示根据单位时间电池的循环老化变化量所拟合的线性分段函数系数，b0,1、b1,1、b0,2、b1,2、b0,3、b1,3分别表示根据单位时间电池的日历老化变化量所拟合的线性分段函数系数。
进一步，所述步骤S3具体包括以下步骤：
建立各智能家庭日常电能成本最小的目标函数及其相关约束，包括各智能家庭之间的能量交易，优化变量为第i个智能家庭在t时刻的电网用电功率
Figure BDA0003266233680000035
卖给电网的功率
Figure BDA0003266233680000036
储能电池充放电功率
Figure BDA0003266233680000037
与
Figure BDA0003266233680000038
向智能家庭j购买的功率
Figure BDA0003266233680000039
和贩卖的功率
Figure BDA00032662336800000310
其相关表达式如下：
Figure BDA00032662336800000311
Figure BDA0003266233680000041
Figure BDA0003266233680000042
Figure BDA0003266233680000043
其中，目标函数为家庭i在时域T内的费用，包括电网用电的支出
Figure BDA0003266233680000044
卖给电网电能的收入
Figure BDA0003266233680000045
储能老化成本
Figure BDA0003266233680000046
电动汽车动力电池老化成本
Figure BDA0003266233680000047
向家庭j购买电能的成本
Figure BDA0003266233680000048
和贩卖电能的收入
Figure BDA0003266233680000049
进一步，所述步骤S4具体包括等式约束的凸形式和电动汽车动力电池的模型凸形式，如下式：
Figure BDA00032662336800000410
Figure BDA00032662336800000411
其中，It为动力电池在t时刻的电流，c和d为线性函数的系数。
进一步，所述步骤S5具体包括以下步骤：
S51：设计一致性辅助变量
Figure BDA00032662336800000412
和
Figure BDA00032662336800000413
对多个智能家庭进行协调，使该社区整体达成一致，所述一致性辅助变量为第i和j家庭之间的电能买卖，如下式：
Figure BDA00032662336800000414
Figure BDA00032662336800000415
S52：利用Consensus ADMM算法对整个社区能量成本最低的优化问题分解成多个子问题，通过协调整体达成一致，使社区的能量成本最低，其子优化问题的表达式如下：
Figure BDA00032662336800000416
其中，Ni为与家庭i进行电能交易的家庭总数，ρ为乘子法中预定义的参数，
Figure BDA00032662336800000417
为缩放的对偶变量，λij为拉格朗日乘子，k为迭代次数，
Figure BDA00032662336800000418
为家庭i向家庭j在t时刻购买电能的一致性约束所缩放的对偶变量，
Figure BDA00032662336800000419
为家庭i向家庭j在t时刻贩卖电能的一致性约束所缩放的对偶变量；
S53：每次迭代过程中，子优化问题计算完成后，对缩放的对偶变量进行更新，其表达式为：
Figure BDA0003266233680000051
Figure BDA0003266233680000052
S54：为保证Consensus ADMM算法对各子优化问题协调至最优，建立如下收敛标准：
Figure BDA0003266233680000053
Figure BDA0003266233680000054
其中，
Figure BDA0003266233680000055
为原优化问题的残差，
Figure BDA0003266233680000056
为对偶问题残差，ε1和ε2设置的阈值，Zij,k为在低k次迭代的家庭i和家庭j之间能量买卖的一致性辅助变量。
本发明的有益效果在于：本发明利用电化学阻抗谱分析建立一个准确模拟电池高非线性度的带电感元件的分数阶等效电路模型，并利用分数阶微积分中的Grünwald–Letnikov(GL)定义进行建模得到改进分数阶模型，然后结合分数阶扩展卡尔曼算法实现对电池的高精度SOC估计。
采用本发明的优点包括如下几点：
(1)传统的多智能家庭的集中式能量管理方法需要高带宽的通信基础设施，因为所有的详细信息都需要由中央控制器收集。相比之下，在本发明提出的分布式能量管理方法中，单个子系统的小规模局部问题以分布式解决，在优化过程中只需要与相邻子系统和/或中央控制器交换有限的信息。
(2)在本发明提出的分布式能量管理方法中，单个子系统不需要向其他子系统和中央控制器传递其保密的信息。
(3)与集中式管理相比，本发明提出的分布式管理方法在系统变化方面更具可扩展性和灵活性，特别是考虑到电网和通信基础设施的拓扑结构在智能电网中更具动态性。
(4)分布式管理比集中式管理更具鲁棒性。在集中优化中，当中央控制器脱机时，整个系统可能会被中断，而本发明提出的分布式管理方法可以通过单个本地控制器进行异步求解，也就是说，由于某些本地控制器的丢失，其他本地控制器可以继续其正常功能。此外，一旦丢失的本地控制器恢复在线，最终就可以获得准确的结果。
(5)相比集中式管理方法，分布式管理的效率更高。面对大型的系统或者社区，集中式管理方法对于大型数据的计算效率低，甚至由于计算能力限制导致不可解。而本发明提出的分布式管理方法能够将大型优化问题分解成多个小型问题，分别求解，极大地提高其计算效率，借助于其并行计算能力，其计算复杂度相当于一个小型优化问题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1是本发明所述多智能家庭的分布式能量管理方法的流程图；
图2是EV动力电池模型；
图3是本发明中多智能家庭拓扑结构示意图；
图4是EV动力电池老化模型调整后的拟合曲线图；
图5是本发明中的分布式管理算法Consensus ADMM信息通信的原理图；
图6是本发明中的Consensus ADMM迭代过程原理图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1，本发明提出的一种多智能家庭的分布式智能能量管理方法可以分为以下步骤：
步骤S1：建立智能家庭各部件(用电与发电预测模型、储能系统、电动汽车)的数学模型；建立社区中各智能家庭之间的拓扑结构，以实现其能量交易；制定各智能家庭之间的能量交易规则；
步骤S2：针对各智能家庭中的电动汽车建立相应的动力电池老化模型，包括循环老化模型和日历老化模型；
步骤S3：针对各智能家庭建立其日常电能成本最低的优化目标，设计各部件相应的约束；
步骤S4：对原优化问题转换成凸优化问题，保证所得解为全局最优；
步骤S5：设计各智能家庭之间能量交易的一致性辅助变量，利用Consensus ADMM算法对各智能家庭的优化问题进行分解协调至最优，使整个社区的电能成本最低。
在本发明的一个实施例中一种多智能家庭的分布式智能能量管理方法，具体包括如下步骤：
步骤S1具体包括步骤S11～S13:
步骤S11：建立智能家庭各部件(用电与发电预测模型、储能系统、电动汽车)的数学模型，以实现对智能家庭中各部件的智能控制，降低其电能成本，其中的储能系统和电动汽车动力电池的数学模型分别如下式：
Figure BDA0003266233680000071
Figure BDA0003266233680000072
其中，t为系统运行的时刻，
Figure BDA0003266233680000073
为储能系统所含的能量，Pi ch(t)和Pi dis(t)为其充放电功率，η为充放电效率，ΔT为运行的步长。其中，Pi ev(t)为动力电池在t时刻的输出功率，
Figure BDA0003266233680000074
为电池不同时刻跟电池荷电状态SOC有关的开率电压，I(t)为充放电电流，R为电池内阻，N电动汽车中电池单体的数量。
电动汽车动力电池的数学模型请参阅图2。
步骤S12：建立社区中各智能家庭之间的拓扑结构，设计各家庭之间的电路连接，以实现其能量交易，具体的多智能家庭拓扑结构示意图请参阅图3；
步骤S13：制定各智能家庭之间的能量交易规则与价格，促进用户将多余的发电卖给用电需求高的用户，降低向电网购买的电能，从而降低整个社区的用电成本。
步骤S2具体包括S21～S23：
步骤S21：选定电动汽车动力电池老化模型，包含循环老化模型和日历老化模型，电池的循环老化与电流倍率c、温度T和安时吞吐量Ah有关，日历老化与电池荷电状态(State of Charge,SOC)、温度T和存储时间t有关，其表达式分别为：
Figure BDA0003266233680000081
Figure BDA0003266233680000082
其中，
Figure BDA0003266233680000083
和
Figure BDA0003266233680000084
分别指循环充放电导致的容量损失和存储老化导致的电池容量损失，Bcyc和Bcal分别为循环老化模型和日历老化模型的指数前因子，Eacyc和Eacal分别为循环老化模型和日历老化模型的活化能，且分别与电流倍率和电池SOC有关，R为理想的气体常数，zcyc和zcal为无量纲常数。
步骤S22：假定电动汽车环境温度恒定为25℃，将电池的循环老化模型和日历老化模型转换为单位时间内循环老化容量损失和日历老化容量损失，分别为关于充放电功率和电池SOC的函数，其表达式如下：
Figure BDA0003266233680000085
Figure BDA0003266233680000086
其中，Pb为电池充放电功率，t为系统运行的时刻，N为电动汽车的电池单体数量，Eb为电池额定能量。
步骤S23：将上述两个公式分别用分段的线性函数进行拟合，如下式：
Figure BDA0003266233680000087
Figure BDA0003266233680000088
其中，a0,1、a1,1、a0,2、a1,2、a0,3、a1,3分别表示根据单位时间电池的循环老化变化量所拟合的线性分段函数系数，b0,1、b1,1、b0,2、b1,2、b0,3、b1,3分别表示根据单位时间电池的日历老化变化量所拟合的线性分段函数系数。拟合后的效果请参阅图4。
步骤S3具体为：
建立各智能家庭日常电能成本最小的目标函数及其相关约束，包括各智能家庭之间的能量交易，优化变量为第i个智能家庭在t时刻的电网用电功率
Figure BDA0003266233680000091
卖给电网的功率
Figure BDA0003266233680000092
储能电池充放电功率
Figure BDA0003266233680000093
与
Figure BDA0003266233680000094
向智能家庭j购买的功率
Figure BDA0003266233680000095
和贩卖的功率
Figure BDA0003266233680000096
其相关表达式如下：
Figure BDA0003266233680000097
Figure BDA0003266233680000098
Figure BDA0003266233680000099
Figure BDA00032662336800000910
其中，目标函数为家庭i在时域T内的费用，包括电网用电的支出
Figure BDA00032662336800000911
卖给电网电能的收入
Figure BDA00032662336800000912
储能老化成本
Figure BDA00032662336800000913
电动汽车动力电池老化成本
Figure BDA00032662336800000914
向家庭j购买电能的成本
Figure BDA00032662336800000915
和贩卖电能的收入
Figure BDA00032662336800000916
步骤S4具体为：
将原优化问题转化为凸优化问题，使所得解为全局最优解，包含等式约束的凸形式和电动汽车动力电池的模型凸形式，如下式：
Figure BDA00032662336800000917
Figure BDA00032662336800000918
其中，It为动力电池在t时刻的电流，c和d为线性函数的系数。
步骤S5具体包括S51～S54：
步骤S51：设计一致性辅助变量
Figure BDA00032662336800000919
和
Figure BDA00032662336800000920
对多个智能家庭进行协调，使该社区整体达成一致，所述一致性辅助变量为第i和j家庭之间的电能买卖，如下式：
Figure BDA00032662336800000921
Figure BDA00032662336800000922
步骤S52：利用Consensus ADMM算法对整个社区能量成本最低的优化问题分解成多个子问题，通过协调整体达成一致，使社区的能量成本最低，数据通信方式请参阅图5，其子优化问题的表达式如下：
Figure BDA0003266233680000101
其中，Ni为与家庭i进行电能交易的家庭总数，ρ为乘子法中预定义的参数，
Figure BDA0003266233680000102
为缩放的对偶变量，λij为拉格朗日乘子，k为迭代次数，
Figure BDA0003266233680000103
为家庭i向家庭j在t时刻购买电能的一致性约束所缩放的对偶变量，
Figure BDA0003266233680000104
为家庭i向家庭j在t时刻贩卖电能的一致性约束所缩放的对偶变量；
步骤S53：分布式优化的迭代过程请参阅图6，每次迭代过程中，子优化问题计算完成后，对缩放的对偶变量进行更新，其表达式为：
Figure BDA0003266233680000105
Figure BDA0003266233680000106
步骤S54：为保证Consensus ADMM算法对各子优化问题协调至最优，建立如下收敛标准：
Figure BDA0003266233680000107
Figure BDA0003266233680000108
其中，前者为原优化问题的残差，后者为对偶问题残差，ε1和ε2设置的阈值，Zij,k为在低k次迭代的家庭i和家庭j之间能量买卖的一致性辅助变量。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种多智能家庭的分布式智能.能量管理方法，其特征在于：包括以下步骤：
S1：建立智能家庭各部件的数学模型；建立社区中各智能家庭之间的拓扑结构，以实现其能量交易；制定各智能家庭之间的能量交易规则；
S2：针对各智能家庭中的电动汽车建立相应的动力电池老化模型，包括循环老化模型和日历老化模型；
S3：针对各智能家庭建立其日常电能成本最低的优化目标，设计各部件相应的约束；
S4：对原优化问题转换成凸优化问题，保证所得解为全局最优；
S5：设计各智能家庭之间能量交易的一致性辅助变量，利用Consensus ADMM算法对各智能家庭的优化问题进行分解协调至最优，使整个社区的电能成本最低。
2.根据权利要求1所述的多智能家庭的分布式智能.能量管理方法，其特征在于：步骤S1中所述智能家庭各部件包括用电与发电预测模型、储能系统、电动汽车；所述步骤S1具体包括以下步骤：
S11：建立智能家庭各部件的数学模型，其中储能系统的数学模型如下：
Figure FDA0003266233670000011
其中，t为系统运行的时刻，
Figure FDA0003266233670000012
为储能系统所含的能量，Pi ch(t)和Pi dis(t)为其充放电功率，η为充放电效率，ΔT为运行的步长；
电动汽车动力电池的数学模型如下：
Figure FDA0003266233670000013
其中，Pi ev(t)为动力电池在t时刻的输出功率，
Figure FDA0003266233670000014
为电池不同时刻跟电池荷电状态SOC有关的开率电压，I(t)为充放电电流，R为电池内阻，N电动汽车中电池单体的数量；
S12：建立社区中各智能家庭之间的拓扑结构，设计各家庭之间的电路连接；
S13：制定各智能家庭之间的能量交易规则与价格。
3.根据权利要求1所述的多智能家庭的分布式智能.能量管理方法，其特征在于：所述步骤S2具体包括以下步骤：
S21：选定电动汽车动力电池老化模型，包含循环老化模型和日历老化模型，电池的循环老化与电流倍率c、温度T和安时吞吐量Ah有关，日历老化与电池荷电状态SOC、温度T和存储时间t有关，其表达式分别为：
Figure FDA0003266233670000015
Figure FDA0003266233670000021
其中，
Figure FDA0003266233670000022
和
Figure FDA0003266233670000023
分别指循环充放电导致的容量损失和存储老化导致的电池容量损失，Bcyc和Bcal分别为循环老化模型和日历老化模型的指数前因子，Eacyc和Eacal分别为循环老化模型和日历老化模型的活化能，且分别与电流倍率和电池SOC有关，R为理想的气体常数，zcyc和zcal为无量纲常数；
S22：令电动汽车环境温度恒定为25℃，将电池的循环老化模型和日历老化模型转换为单位时间内循环老化容量损失和日历老化容量损失，分别为关于充放电功率和电池SOC的函数，其表达式如下：
Figure FDA0003266233670000024
Figure FDA0003266233670000025
其中，Pb为电池充放电功率，t为系统运行的时刻，N为电动汽车的电池单体数量，Eb为电池额定能量；
S23：将步骤S22中的两个公式分别用分段的线性函数进行拟合，如下式：
Figure FDA0003266233670000026
Figure FDA0003266233670000027
其中，a0,1、a1,1、a0,2、a1,2、a0,3、a1,3分别表示根据单位时间电池的循环老化变化量所拟合的线性分段函数系数，b0,1、b1,1、b0,2、b1,2、b0,3、b1,3分别表示根据单位时间电池的日历老化变化量所拟合的线性分段函数系数。
4.根据权利要求1所述的多智能家庭的分布式智能.能量管理方法，其特征在于：所述步骤S3具体包括以下步骤：
建立各智能家庭日常电能成本最小的目标函数及其相关约束，包括各智能家庭之间的能量交易，优化变量为第i个智能家庭在t时刻的电网用电功率
Figure FDA0003266233670000028
卖给电网的功率
Figure FDA0003266233670000031
储能电池充放电功率
Figure FDA0003266233670000032
与
Figure FDA0003266233670000033
向智能家庭j购买的功率
Figure FDA0003266233670000034
和贩卖的功率
Figure FDA0003266233670000035
其相关表达式如下：
Figure FDA0003266233670000036
Figure FDA0003266233670000037
Figure FDA0003266233670000038
Figure FDA0003266233670000039
其中，目标函数为家庭i在时域T内的费用，包括电网用电的支出
Figure FDA00032662336700000310
卖给电网电能的收入
Figure FDA00032662336700000311
储能老化成本
Figure FDA00032662336700000312
电动汽车动力电池老化成本
Figure FDA00032662336700000313
向家庭j购买电能的成本
Figure FDA00032662336700000314
和贩卖电能的收入
Figure FDA00032662336700000315
5.根据权利要求1所述的多智能家庭的分布式智能.能量管理方法，其特征在于：所述步骤S4具体包括等式约束的凸形式和电动汽车动力电池的模型凸形式，如下式：
Figure FDA00032662336700000316
Figure FDA00032662336700000317
其中，It为动力电池在t时刻的电流，c和d为线性函数的系数。
6.根据权利要求1所述的多智能家庭的分布式智能.能量管理方法，其特征在于：所述步骤S5具体包括以下步骤：
S51：设计一致性辅助变量
Figure FDA00032662336700000318
和
Figure FDA00032662336700000319
对多个智能家庭进行协调，使该社区整体达成一致，所述一致性辅助变量为第i和j家庭之间的电能买卖，如下式：
Figure FDA00032662336700000320
Figure FDA00032662336700000321
其中，k为迭代次数；
S52：利用Consensus ADMM算法对整个社区能量成本最低的优化问题分解成多个子问题，通过协调整体达成一致，使社区的能量成本最低，其子优化问题的表达式如下：
Figure FDA0003266233670000041
其中，Ni为与家庭i进行电能交易的家庭总数，ρ为乘子法中预定义的参数，
Figure FDA0003266233670000042
为缩放的对偶变量，λij为拉格朗日乘子，k为迭代次数，
Figure FDA0003266233670000043
为家庭i向家庭j在t时刻购买电能的一致性约束所缩放的对偶变量，
Figure FDA0003266233670000044
为家庭i向家庭j在t时刻贩卖电能的一致性约束所缩放的对偶变量；
S53：每次迭代过程中，子优化问题计算完成后，对缩放的对偶变量进行更新，其表达式为：
Figure FDA0003266233670000045
Figure FDA0003266233670000046
S54：为保证Consensus ADMM算法对各子优化问题协调至最优，建立如下收敛标准：
Figure FDA0003266233670000047
Figure FDA0003266233670000048
其中，
Figure FDA0003266233670000049
为原优化问题的残差，
Figure FDA00032662336700000410
为对偶问题残差，ε1和ε2设置的阈值，Zij,k为在低k次迭代的家庭i和家庭j之间能量买卖的一致性辅助变量。
CN202111096630.XA 2021-09-16 2021-09-16 一种多智能家庭的分布式智能能量管理方法 Active CN113779493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111096630.XA CN113779493B (zh) 2021-09-16 2021-09-16 一种多智能家庭的分布式智能能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111096630.XA CN113779493B (zh) 2021-09-16 2021-09-16 一种多智能家庭的分布式智能能量管理方法

Publications (2)

Publication Number Publication Date
CN113779493A true CN113779493A (zh) 2021-12-10
CN113779493B CN113779493B (zh) 2024-05-07

Family

ID=78852236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111096630.XA Active CN113779493B (zh) 2021-09-16 2021-09-16 一种多智能家庭的分布式智能能量管理方法

Country Status (1)

Country Link
CN (1) CN113779493B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150234780A1 (en) * 2014-02-20 2015-08-20 Mitsubishi Electric Research Laboratories, Inc. Optimal Parameter Selection and Acceleration in ADMM for Multi-stage Stochastic Convex Quadratic Programs
EP3007302A1 (en) * 2014-10-10 2016-04-13 ABB Technology AG State of charge management in battery systems
CN107453407A (zh) * 2017-07-03 2017-12-08 东华大学 一种智能微电网分布式能源调度方法
CN109774525A (zh) * 2019-01-29 2019-05-21 国网山西省电力公司吕梁供电公司 基于交替方向乘子法的电动汽车优化调度方法
CN110641456A (zh) * 2019-10-29 2020-01-03 重庆大学 一种基于pmp原理的插电式混合动力系统双态自适应控制方法
CN111541245A (zh) * 2020-04-30 2020-08-14 南京理工大学 一种智能家庭能量管理系统控制方法
US20200327205A1 (en) * 2019-04-12 2020-10-15 General Electric Company Systems and methods for enhanced sequential power system model parameter estimation
CN112590763A (zh) * 2020-12-23 2021-04-02 吉林大学 一种基于电池热及老化的行星混联混动汽车能量优化方法
CN113022384A (zh) * 2021-05-26 2021-06-25 北京理工大学 一种基于凸优化的燃料电池汽车能量管理方法
CN113131519A (zh) * 2021-04-25 2021-07-16 武汉理工大学 一种基于混合整数线性规划的家庭能量管理优化方法
CN113128781A (zh) * 2021-04-30 2021-07-16 大连理工大学 一种自动构建智能化模型与算法的分布式工业能源运行优化平台
CN113283655A (zh) * 2021-05-31 2021-08-20 深圳大学 一种基于共识优化算法的分布式智能电网能源调度方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150234780A1 (en) * 2014-02-20 2015-08-20 Mitsubishi Electric Research Laboratories, Inc. Optimal Parameter Selection and Acceleration in ADMM for Multi-stage Stochastic Convex Quadratic Programs
EP3007302A1 (en) * 2014-10-10 2016-04-13 ABB Technology AG State of charge management in battery systems
CN107453407A (zh) * 2017-07-03 2017-12-08 东华大学 一种智能微电网分布式能源调度方法
CN109774525A (zh) * 2019-01-29 2019-05-21 国网山西省电力公司吕梁供电公司 基于交替方向乘子法的电动汽车优化调度方法
US20200327205A1 (en) * 2019-04-12 2020-10-15 General Electric Company Systems and methods for enhanced sequential power system model parameter estimation
CN110641456A (zh) * 2019-10-29 2020-01-03 重庆大学 一种基于pmp原理的插电式混合动力系统双态自适应控制方法
CN111541245A (zh) * 2020-04-30 2020-08-14 南京理工大学 一种智能家庭能量管理系统控制方法
CN112590763A (zh) * 2020-12-23 2021-04-02 吉林大学 一种基于电池热及老化的行星混联混动汽车能量优化方法
CN113131519A (zh) * 2021-04-25 2021-07-16 武汉理工大学 一种基于混合整数线性规划的家庭能量管理优化方法
CN113128781A (zh) * 2021-04-30 2021-07-16 大连理工大学 一种自动构建智能化模型与算法的分布式工业能源运行优化平台
CN113022384A (zh) * 2021-05-26 2021-06-25 北京理工大学 一种基于凸优化的燃料电池汽车能量管理方法
CN113283655A (zh) * 2021-05-31 2021-08-20 深圳大学 一种基于共识优化算法的分布式智能电网能源调度方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LI TANG ET AL: "Optimal energy management of HEVs with consideration of battery aging", 《 2014 IEEE CONFERENCE AND EXPO TRANSPORTATION ELECTRIFICATION ASIA-PACIFIC (ITEC ASIA-PACIFIC)》, 3 November 2014 (2014-11-03), pages 1 - 6 *
XINCHEN DENG ET AL: "Distributed Collaborative Control of Multiple Smart Homes via Consensus ADMM", 《2021 IEEE INTERNATIONAL FUTURE ENERGY ELECTRONICS CONFERENCE (IFEEC)》, 3 January 2022 (2022-01-03), pages 1 - 5 *
ZHANG S ET AL: "Adaptively coordinated optimization of battery aging and energy management in plug-in hybrid electric buses", 《 APPLIED ENERGY》, vol. 256, 15 December 2019 (2019-12-15), pages 1 - 15 *
侯圣彦: "燃料电池电动汽车能量管理策略和动力电池优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 8, 15 August 2020 (2020-08-15), pages 015 - 142 *
印昊: "基于ADMM的配电网最优潮流计算", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 6, 15 June 2021 (2021-06-15), pages 042 - 1300 *
李相俊 等: "基于交替方向乘子法的超大规模储能系统分布式协同优化", 《电网技术》, vol. 44, no. 5, 5 May 2020 (2020-05-05), pages 1681 - 1688 *

Also Published As

Publication number Publication date
CN113779493B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
Ciupageanu et al. Real-time stochastic power management strategies in hybrid renewable energy systems: A review of key applications and perspectives
Tan et al. Multi-objective energy management of multiple microgrids under random electric vehicle charging
Lahon et al. Energy management of cooperative microgrids with high‐penetration renewables
Jiao et al. Online optimal dispatch based on combined robust and stochastic model predictive control for a microgrid including EV charging station
Hu et al. Co‐optimisation for distribution networks with multi‐microgrids based on a two‐stage optimisation model with dynamic electricity pricing
Abbasi Investigation of simultaneous effect of demand response and load uncertainty on distribution feeder reconfiguration
CN112736918B (zh) 微电网中源储荷协调的两级优化调度方法、装置及设备
Liu et al. State of charge estimation for lithium-ion batteries based on improved barnacle mating optimizer and support vector machine
Sun et al. Multi-objective optimal dispatching for a grid-connected micro-grid considering wind power forecasting probability
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
Wang et al. Data‐driven distributionally robust economic dispatch for distribution network with multiple microgrids
Zhu et al. Real‐time stochastic operation strategy of a microgrid using approximate dynamic programming‐based spatiotemporal decomposition approach
Peng et al. A novel deep learning based peer‐to‐peer transaction method for prosumers under two‐stage market environment
Deng et al. Optimal sizing of residential battery energy storage systems for long-term operational planning
Ma et al. Multi-timescale optimization scheduling of regional integrated energy system based on source-load joint forecasting
Pan et al. Dual-layer optimal dispatching strategy for microgrid energy management systems considering demand response
Dong et al. Demand‐side management using a distributed initialisation‐free optimisation in a smart grid
Si et al. Cloud-edge-based we-market: Autonomous bidding and peer-to-peer energy sharing among prosumers
Tan et al. Distributionally robust energy management for multi-microgrids with grid-interactive EVs considering the multi-period coupling effect of user behaviors
Jin et al. Optimal EV scheduling and voltage security via an online bi-layer steady-state assessment method considering uncertainties
CN113779493B (zh) 一种多智能家庭的分布式智能能量管理方法
Zhou et al. Multi-objective optimization and decision making for integrated energy system using STA and fuzzy TOPSIS
Deng et al. Distributed energy management of home-vehicle Nexus with Stationary battery energy storage
CN115619431A (zh) 微电网的调度方法、装置、终端及存储介质
D’Amore et al. Integrating model predictive control and deep learning for the management of an EV charging station

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