CN114977152A - 能源管理系统的控制方法、装置、存储介质及设备 - Google Patents

能源管理系统的控制方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN114977152A
CN114977152A CN202210193538.3A CN202210193538A CN114977152A CN 114977152 A CN114977152 A CN 114977152A CN 202210193538 A CN202210193538 A CN 202210193538A CN 114977152 A CN114977152 A CN 114977152A
Authority
CN
China
Prior art keywords
management system
energy management
parameters
operation mode
energy
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
CN202210193538.3A
Other languages
English (en)
Inventor
刘畅
李香龙
王钊
梁安琪
丁屹峰
陈平
邢其敬
马凯
马麟
曾爽
杨烁
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 Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing 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 Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210193538.3A priority Critical patent/CN114977152A/zh
Publication of CN114977152A publication Critical patent/CN114977152A/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
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/14—Balancing the load in a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种能源管理系统的控制方法、装置、存储介质及设备。其中，该方法包括：获取能源管理系统的运行参数，其中，运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；对运行参数进行计算处理，得到能源管理系统的运行策略、运行模式和稳定参数，其中，运行策略用于确定能源管理系统的最优运行方式，运行模式用于确定能源管理系统的储能系统的充/放电状态，稳定参数用于控制储能系统的输入/输出保持平衡状态；基于运行策略、运行模式和稳定参数调整能源管理系统的工作状态。本发明解决了现有技术中能源管理系统的储能系统存在过充或欠充造成的能源供应不稳定的技术问题。

Description

能源管理系统的控制方法、装置、存储介质及设备
技术领域
本发明涉及系统控制技术领域，具体而言，涉及一种能源管理系统的控制方法、装置、存储介质及设备。
背景技术
在各种可再生能源中，风能和光伏发电系统在过去的十年里有了很大的发展和增长，来自这些资源的电能具有不可预测性以及可变性的特点，因此，储能系统在保证能源管理系统的可靠性和维持整体电力平衡方面发挥着重要作用，在没有主电网的独立微电网中，储能系统格外重要。
但是，现有的电网能源管理系统在没有适当的能源管理策略的情况下，存在储能系统的过充/欠充的情况，并且连接到同一总线上的多个电能来源可能会导致循环电流、过应力和稳定性差等问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种能源管理系统的控制方法、装置、存储介质及设备，以至少解决现有技术中能源管理系统的储能系统存在过充或欠充造成的能源供应不稳定的技术问题。
根据本发明实施例的一个方面，提供了一种能源管理系统的控制方法，包括：获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态。
可选的，上述对上述运行参数进行计算处理，得到上述能源管理系统的运行策略，包括：采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的变异旋转矩阵、自适应变异概率和交叉概率，其中，上述变异旋转矩阵用于保持上述运行策略的多样性，上述自适应变异概率用于确定上述运行策略的多样性，上述交叉概率用于确定上述运行策略的收敛速度；基于上述变异旋转矩阵、自适应变异概率和交叉概率确定上述运行策略。
可选的，采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的变异旋转矩阵，包括：采用量子叠加态的编码方式确定上述变异旋转矩阵中多个量子位和多个上述量子位编码的染色体；采用上述运行参数计算上述变异旋转矩阵的自适应旋转角；基于上述染色体和上述自适应旋转角计算得到上述变异旋转矩阵。
可选的，采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的自适应变异概率和交叉概率，包括：获取上述运行策略的迭代次数、上述运行策略的最优代数累计和上述运行策略的预设最大迭代次数；基于上述迭代次数、上述最优代数累计和上述预设最大迭代次数计算得到上述自适应变异概率和交叉概率。
可选的，上述对上述运行参数进行计算处理，得到上述能源管理系统的运行模式，包括：当上述系统总功率大于上述负荷需求且上述储能系统处于充电状态下时，上述能源管理系统确定上述运行模式为第一运行模式；当上述系统总功率小于上述负荷需求且上述储能系统处于充满状态下时，上述能源管理系统确定上述运行模式为第二运行模式；当上述系统总功率大于上述负荷需求且上述储能系统处于充满状态下时，上述能源管理系统确定上述运行模式为第三运行模式；当上述系统总功率小于上述负荷需求且上述储能系统处于完全放电状态下时，上述能源管理系统确定上述运行模式为第四运行模式。
可选的，上述对上述运行参数进行计算处理，得到上述能源管理系统的稳定参数，包括：获取上述能源管理系统的理想参数，其中，上述理想参数包括：直流总线期望值、参考电压值、转子速度参考值、电压偏差权重系数；采用成本函数计算上述理想参数，得到上述能源管理系统的上述稳定参数。
根据本发明实施例的另一方面，还提供了一种能源管理系统的控制装置，包括：获取模块，用于获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；计算模块，用于对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；调整模块，用于基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的能源管理系统的控制方法。
根据本发明实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序被设置为运行时执行任意一项上述的能源管理系统的控制方法。
根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，其上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的能源管理系统的控制方法。
在本发明实施例中，通过获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态，达到了通过参数计算能源管理系统运行策略、运行模式以及稳定参数的目的，从而实现了延长储能系统寿命，提高能源供应稳定性的技术效果，进而解决了现有技术中能源管理系统的储能系统存在过充或欠充造成的能源供应不稳定的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的能源管理系统的控制方法流程图；
图2是根据本发明实施例的一种可选的多目标量子遗传算法流程示意图；
图3是根据本发明实施例的一种能源管理系统的控制装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种能源管理系统的控制方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的能源管理系统的控制方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；
步骤S104，对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；
步骤S106，基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态。
在本发明实施例中，上述步骤S102至S108中提供的能源管理系统的控制方法的执行主体为上述能源管理系统，上述能源管理系统在开始运行前或在运行过程中通过不断获取自身的运行参数，并对上述运行参数进行计算处理，得到最优的运行策略、运行模式以及稳定参数，最后基于计算出的上述运行策略、上述运行模式和上述稳定参数调整自身的工作状态，以维持自身的可靠性和整体的电力平衡。
需要说明的是，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态。
还需要说明的是，上述能源管理系统具有多个可再生能源发电机，例如：风力发电机、光伏发电机，且上述可再生能源发电机采用分布式发电的发电策略进行布局，即上述多个可再生能源发电机可安装在多个位置并通过电力电子转换器与能源管理系统的其他子系统进行连接；上述能源管理系统还具有多个储能系统和补充性发电系统，用于补偿上述可再生能源发电机的随机发电；储能系统在发电过剩时吸收额外的电力，在电力不足时提供电力。这种由储能系统吸收和供应的电力供应，可以维持上述能源管理系统中的电力平衡，保证上述能源管理系统的稳定性。
作为一种可选的实施例，由于不同的工作电压水平和类型，分布式可再生能源发电机、储能系统和系统负载通过电力电子转换器进行连接。根据电压类型，转换器可分为交流/直流、直流/交流和直流/直流转换器，而微电网架构则可分为交流和直流。这些微电网架构中的每一种在对负载和电力网络中都具有一定的优势。随着科技的不断发展，直流微电网在研究界和工业界都得到了普及，直流微电网可以同时容纳交流和直流资源，不需要任何同步；此外，由于减少了电力转换阶段的数量，直流微电网的效率更高。
需要说明的是，上述能源管理系统则是应用于上述直流微电网中的能源管理系统，用于提供最佳的能源管理策略，通常情况下，可再生能源的发电机在最大功率点运行，以提取最大能量，因此，需要储能系统来维持电力平衡，提高电能的质量、稳定性和可靠性。在没有适当的能源管理策略的情况下，连接到同一总线上的多个电能来源可能会导致循环电流、过应力和稳定性差的问题。由于储能系统的能力有限，储能系统只应在需要时才运行，并且为了防止储能系统的过充/欠充，在设计中应考虑电力缩减或减载。
通过本发明实施例，通过能源管理系统在开始运行前或在运行过程中通过不断获取自身的运行参数，并对上述运行参数进行计算处理，得到最优的运行策略、运行模式以及稳定参数，最后基于计算出的上述运行策略、上述运行模式和上述稳定参数调整自身的工作状态，以维持自身的可靠性和整体的电力平衡，达到了通过参数计算能源管理系统运行策略、运行模式以及稳定参数的目的，从而实现了延长储能系统寿命，提高能源供应稳定性的技术效果，进而解决了现有技术中能源管理系统的储能系统存在过充或欠充造成的能源供应不稳定的技术问题。
在一种可选的实施例中，上述对上述运行参数进行计算处理，得到上述能源管理系统的运行策略，包括：
步骤S202，采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的变异旋转矩阵、自适应变异概率和交叉概率，其中，上述变异旋转矩阵用于保持上述运行策略的多样性，上述自适应变异概率用于确定上述运行策略的多样性，上述交叉概率用于确定上述运行策略的收敛速度；
步骤S204，基于上述变异旋转矩阵、自适应变异概率和交叉概率确定上述运行策略。
在本发明实施例中，上述能源管理系统采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的变异旋转矩阵、自适应变异概率和交叉概率；并基于上述变异旋转矩阵、自适应变异概率和交叉概率确定上述运行策略。
需要说明的是，上述多目标量子遗传算法是结合量子遗传算法、快速非支配排序和精英保留策略提出的改进算法。利用量子概率特性和多目标优化策略，不仅提高算法寻优效率和收敛速度，而且保持种群多样性，从而保证最优解集在前沿面均匀分布。
还需要说明的是，上述变异旋转矩阵用于保持上述运行策略的多样性，上述自适应变异概率用于确定上述运行策略的多样性，上述交叉概率用于确定上述运行策略的收敛速度。
作为一种可选的实施例，如图2所示的多目标量子遗传算法流程示意图，上述能源管理系统根据自身的运行参数，例如：系统参数、变量范围、系统总功率、电池充电状态和负荷需求等参数信息，生成初始化的种群Q，即上述运行策略种群Q，种群中包含了多种运行策略；通过计算出的自适应变异概率和交叉概率优化上述种群得到子代种群，计算子代种群中每个运行策略的目标函数、虚拟适应度，并保留子代种群中的精英运行策略；通过不断重复此步骤达到最大迭代次数后，得到保留下的最优解集，即一个或多个最优运行策略。
需要说明的是，上述目标函数用于计算上述稳定参数，上述稳定参数可以用于控制上述储能系统的输入/输出保持平衡状态；上述虚拟适应度用于表征运行策略的优选程度，虚拟适应度越低，上述运行策略越接近最优解。
在一种可选的实施例中，采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的变异旋转矩阵，包括：
步骤S302，采用量子叠加态的编码方式确定上述变异旋转矩阵中多个量子位和多个上述量子位编码的染色体；
步骤S304，采用上述运行参数计算上述变异旋转矩阵的自适应旋转角；
步骤S306，基于上述染色体和上述自适应旋转角计算得到上述变异旋转矩阵。
作为一种可选的实施例，在量子遗传算法中，使用基于量子位和量子叠加态的编码方式，即用一对复数定义一个量子位；一个量子位Ψ的状态可表示为：
Figure BDA0003525167040000071
式中，|α|2和|β|2分别表示为量子位坍缩于0、1状态的概率。采用量子位编码的染色体可表示为：
Figure BDA0003525167040000072
式中，m是量子染色体基因的长度，该种编码方式使得一条染色体可表征出多种状态信息。在量子遗传算法中，种群主要采用量子旋转门来更新个体，矩阵表示为：
Figure BDA0003525167040000073
Figure BDA0003525167040000074
式中，U(θi)是一种传统的量子旋转门(量子旋转矩阵)；θi是第i位量子对的旋转角。
需要说明的是，传统的量子旋转门采用固定旋转角并且不改变染色体基因值的方法进行收敛，该种迭代方式虽然收敛速度快，但更新后个体概率趋近于0或1，容易出现早熟现象并使得种群陷入局部最优的情况。因此，在本申请实施例中采用变异旋转门U′(θ)(变异旋转矩阵)和基于变异云模型的自适应旋转角Δθ，U′(θ)和Δθ可以通过如下公式进行计算：
Figure BDA0003525167040000081
Figure BDA0003525167040000082
He＝En/c
En′＝He(1+rand)0≤rand≤1
Figure BDA0003525167040000083
θ＝s(α,β)Δθ
Figure BDA0003525167040000084
式中，c是云模型的控制参数；k1和k2是常量，代表量子旋转门旋转角的最大值和最小值，防止旋转角过大或过小；
Figure BDA0003525167040000085
是种群所有个体适应度的平均值，fmin是种群所有个体适应度的最小值，即最优个体的适应度值；rand为随机值；变异旋转门U′(θ)在传统旋转门基础上调整了概率幅的上下限，使其收敛于
Figure BDA0003525167040000086
或
Figure BDA0003525167040000087
避免陷入局部最优解空间，保持了种群多样性，上述公式中，c＝2，k1＝0.05π，k2＝0.005π，ε＝0.01。
需要说明的是，s(α,β)是旋转角的旋转方向，可以根据表1选取，表1如下所示：
表1旋转角的旋转规则
Figure BDA0003525167040000088
作为一种可选的实施例，为提高搜索效率，可以在种群初始化中引入小生境进化策略，从而使得初始种群更加均匀地分布在解空间中，第j组染色体qj可表示为:
Figure BDA0003525167040000091
式中，n是种群个数，i＝1,2,…m。该种群初始化不仅保证个体概率幅在范围区间内均匀分布，还使得种群可以同时进行多个方向搜索。
在一种可选的实施例中，采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的自适应变异概率和交叉概率，包括：
步骤S402，获取上述运行策略的迭代次数、上述运行策略的最优代数累计和上述运行策略的预设最大迭代次数；
步骤S404，基于上述迭代次数、上述最优代数累计和上述预设最大迭代次数计算得到上述自适应变异概率和交叉概率。
作为一种可选的实施例，考虑到迭代次数和局部最优的问题，可以通过自适应变异概率和交叉概率来维持种群多样性和加快种群的收敛速度，上述自适应变异概率和上述交叉概率计算公式如下：
Figure BDA0003525167040000092
Figure BDA0003525167040000093
式中，gen表示种群当前的迭代次数，count是最优值不变的代数累计，num是设定的最大迭代次数。由上式可知，自适应变异概率pc和交叉概率pm会随着gen和count变化而自适应调整。当进化陷入局部最优时，变异概率变大，增加新的个体基因以及跳出局部最优解的能力，保证了算法的全局搜索能力。
在一种可选的实施例中，上述对上述运行参数进行计算处理，得到上述能源管理系统的运行模式，包括：
步骤S502，当上述系统总功率大于上述负荷需求且上述储能系统处于充电状态下时，上述能源管理系统确定上述运行模式为第一运行模式；
步骤S504，当上述系统总功率小于上述负荷需求且上述储能系统处于充满状态下时，上述能源管理系统确定上述运行模式为第二运行模式；
步骤S506，当上述系统总功率大于上述负荷需求且上述储能系统处于充满状态下时，上述能源管理系统确定上述运行模式为第三运行模式；
步骤S508，当上述系统总功率小于上述负荷需求且上述储能系统处于完全放电状态下时，上述能源管理系统确定上述运行模式为第四运行模式。
在本发明实施例中，上述能源管理系统在独立模式下，根据系统的总功率、电池充电状态和负荷需求，系统有不同的运行模式。
作为一种可选的实施例，当上述系统总功率大于上述负荷需求且上述储能系统处于充电状态下时(PPV+PWT＞PLoad且SoC＜SoCmax)；风力涡轮机和光伏的发电量大于负载需求，电池有足够的充电空间。因此，当电池充电时，风力涡轮机和光伏在最大功率点模式下连续运行，以保持直流总线的电压在所需的值。
作为一种可选的实施例，当上述系统总功率小于上述负荷需求且上述储能系统处于充满状态下时(PPV+PWT＜PLoad且SoC≥SoCmin)；来自风力涡轮机和光伏的电力不足以供应负荷。由于电池有足够的电量，它在放电模式下运行模式来供应不足的电力。
作为一种可选的实施例，当上述系统总功率大于上述负荷需求且上述储能系统处于充满状态下时(PPV+PWT＞PLoad且SoC≥SoCmax)；来自风力涡轮机和光伏发电的功率大于负载需求，并且电池完全充电。因此蓄电池应断开，以防止过度充电。风力涡轮机和光伏发电在电力缩减模式下运行，以便保持电力平衡。
作为一种可选的实施例，当上述系统总功率小于上述负荷需求且上述储能系统处于完全放电状态下时(PPV+PWT＜PLoad且SoC≤SoCmin)；风力涡轮机和光伏发电的电力不足以供应负载需求，而且电池已经完全放电。因此，为了避免电池充电不足，电池被断开。风力涡轮机和光伏发电在最大功率点模式下运行，并进行减负荷，以保持系统中的功率平衡。
需要说明的是，上述电池、蓄电池即上述储能系统和/或上述补充性发电系统；上述PPV为风力发电机的发电功率、PWT为光伏发电机的发电功率、PLoad为负荷需求、SoC为储能系统当前电量、SoCmin为储能系统最低电量、SoCmax为储能系统最大电量。
在一种可选的实施例中，上述对上述运行参数进行计算处理，得到上述能源管理系统的稳定参数，包括：
步骤S602，获取上述能源管理系统的理想参数，其中，上述理想参数包括：直流总线期望值、参考电压值、转子速度参考值、电压偏差权重系数；
步骤S604，采用成本函数计算上述理想参数，得到上述能源管理系统的上述稳定参数。
在本发明实施例中，为了使风力涡轮机和光伏发电站在其最大功率点运行，控制电池的充电/放电模式以保持功率平衡，并将直流总线电压调节到其理想值，同时使控制输入的变化最小化，可以通过获取上述能源管理系统的理想参数，采用成本函数计算上述理想参数，得到上述能源管理系统的上述稳定参数。
需要说明的是，上述理想参数包括：直流总线期望值、参考电压值、转子速度参考值、电压偏差权重系数。
作为一种可选的实施例，上述成本函数如下式所示：
Figure BDA0003525167040000111
其中，cost为成本函数，
Figure BDA0003525167040000112
为直流总线的期望值，
Figure BDA0003525167040000113
为参考电压，
Figure BDA0003525167040000114
为转子速度参考值，F是与直流总线电压偏差有关的权重系数，Pj和Qi为与光伏和风能的最大功率跟踪有关的权重系数。SoC的上限和下限分别为20％和90％，这种制约因素避免了蓄电池的过度充电和深度放电，并因此延长了电池的使用寿命。此外，输入ui是直流/直流转换器的占空比，范围为[0,1]。
通过上述步骤，可以实现上述能源管理系统在最优的运行策略、运行模式以及稳定参数下运行，达到了通过参数计算能源管理系统运行策略、运行模式以及稳定参数的目的，从而实现了延长储能系统寿命，提高能源供应稳定性的技术效果，进而解决了现有技术中能源管理系统的储能系统存在过充或欠充造成的能源供应不稳定的技术问题。
实施例2
根据本发明实施例，还提供了一种用于实施上述能源管理系统的控制方法的装置实施例，图3是根据本发明实施例的一种能源管理系统的控制装置的结构示意图，如图3所示，上述装置包括：获取模块30、计算模块32和调整模块34，其中：
获取模块30，用于获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；
计算模块32，用于对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；
调整模块34，用于基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态。
此处需要说明的是，上述获取模块30、计算模块32和调整模块34对应于实施例1中的步骤S102至步骤S106，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
根据本发明的实施例，还提供了一种计算机可读存储介质的实施例。可选的，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的能源管理系统的控制方法所执行的程序代码。
可选的，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选的，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：采用多目标量子遗传算法计算上述运行参数，得到上述能源管理系统的变异旋转矩阵、自适应变异概率和交叉概率，其中，上述变异旋转矩阵用于保持上述运行策略的多样性，上述自适应变异概率用于确定上述运行策略的多样性，上述交叉概率用于确定上述运行策略的收敛速度；基于上述变异旋转矩阵、自适应变异概率和交叉概率确定上述运行策略。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：采用量子叠加态的编码方式确定上述变异旋转矩阵中多个量子位和多个上述量子位编码的染色体；采用上述运行参数计算上述变异旋转矩阵的自适应旋转角；基于上述染色体和上述自适应旋转角计算得到上述变异旋转矩阵。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取上述运行策略的迭代次数、上述运行策略的最优代数累计和上述运行策略的预设最大迭代次数；基于上述迭代次数、上述最优代数累计和上述预设最大迭代次数计算得到上述自适应变异概率和交叉概率。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：当上述系统总功率大于上述负荷需求且上述储能系统处于充电状态下时，上述能源管理系统确定上述运行模式为第一运行模式；当上述系统总功率小于上述负荷需求且上述储能系统处于充满状态下时，上述能源管理系统确定上述运行模式为第二运行模式；当上述系统总功率大于上述负荷需求且上述储能系统处于充满状态下时，上述能源管理系统确定上述运行模式为第三运行模式；当上述系统总功率小于上述负荷需求且上述储能系统处于完全放电状态下时，上述能源管理系统确定上述运行模式为第四运行模式。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取上述能源管理系统的理想参数，其中，上述理想参数包括：直流总线期望值、参考电压值、转子速度参考值、电压偏差权重系数；采用成本函数计算上述理想参数，得到上述能源管理系统的上述稳定参数。
根据本发明的实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的能源管理系统的控制方法所执行的程序代码。
本申请实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取能源管理系统的运行参数，其中，上述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；对上述运行参数进行计算处理，得到上述能源管理系统的运行策略、运行模式和稳定参数，其中，上述运行策略用于确定上述能源管理系统的最优运行方式，上述运行模式用于确定上述能源管理系统的储能系统的充/放电状态，上述稳定参数用于控制上述储能系统的输入/输出保持平衡状态；基于上述运行策略、上述运行模式和上述稳定参数调整上述能源管理系统的工作状态。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种能源管理系统的控制方法，其特征在于，包括：
获取能源管理系统的运行参数，其中，所述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；
对所述运行参数进行计算处理，得到所述能源管理系统的运行策略、运行模式和稳定参数，其中，所述运行策略用于确定所述能源管理系统的最优运行方式，所述运行模式用于确定所述能源管理系统的储能系统的充/放电状态，所述稳定参数用于控制所述储能系统的输入/输出保持平衡状态；
基于所述运行策略、所述运行模式和所述稳定参数调整所述能源管理系统的工作状态。
2.根据权利要求1所述的方法，其特征在于，所述对所述运行参数进行计算处理，得到所述能源管理系统的运行策略，包括：
采用多目标量子遗传算法计算所述运行参数，得到所述能源管理系统的变异旋转矩阵、自适应变异概率和交叉概率，其中，所述变异旋转矩阵用于保持所述运行策略的多样性，所述自适应变异概率用于确定所述运行策略的多样性，所述交叉概率用于确定所述运行策略的收敛速度；
基于所述变异旋转矩阵、自适应变异概率和交叉概率确定所述运行策略。
3.根据权利要求2所述的方法，其特征在于，采用多目标量子遗传算法计算所述运行参数，得到所述能源管理系统的变异旋转矩阵，包括：
采用量子叠加态的编码方式确定所述变异旋转矩阵中多个量子位和多个所述量子位编码的染色体；
采用所述运行参数计算所述变异旋转矩阵的自适应旋转角；
基于所述染色体和所述自适应旋转角计算得到所述变异旋转矩阵。
4.根据权利要求2所述的方法，其特征在于，采用多目标量子遗传算法计算所述运行参数，得到所述能源管理系统的自适应变异概率和交叉概率，包括：
获取所述运行策略的迭代次数、所述运行策略的最优代数累计和所述运行策略的预设最大迭代次数；
基于所述迭代次数、所述最优代数累计和所述预设最大迭代次数计算得到所述自适应变异概率和交叉概率。
5.根据权利要求1所述的方法，其特征在于，所述对所述运行参数进行计算处理，得到所述能源管理系统的运行模式，包括：
当所述系统总功率大于所述负荷需求且所述储能系统处于充电状态下时，所述能源管理系统确定所述运行模式为第一运行模式；
当所述系统总功率小于所述负荷需求且所述储能系统处于充满状态下时，所述能源管理系统确定所述运行模式为第二运行模式；
当所述系统总功率大于所述负荷需求且所述储能系统处于充满状态下时，所述能源管理系统确定所述运行模式为第三运行模式；
当所述系统总功率小于所述负荷需求且所述储能系统处于完全放电状态下时，所述能源管理系统确定所述运行模式为第四运行模式。
6.根据权利要求1所述的方法，其特征在于，所述对所述运行参数进行计算处理，得到所述能源管理系统的稳定参数，包括：
获取所述能源管理系统的理想参数，其中，所述理想参数包括：直流总线期望值、参考电压值、转子速度参考值、电压偏差权重系数；
采用成本函数计算所述理想参数，得到所述能源管理系统的所述稳定参数。
7.一种能源管理系统的控制装置，其特征在于，包括：
获取模块，用于获取能源管理系统的运行参数，其中，所述运行参数包括以下至少之一：系统参数、变量范围、系统总功率、电池充电状态和负荷需求；
计算模块，用于对所述运行参数进行计算处理，得到所述能源管理系统的运行策略、运行模式和稳定参数，其中，所述运行策略用于确定所述能源管理系统的最优运行方式，所述运行模式用于确定所述能源管理系统的储能系统的充/放电状态，所述稳定参数用于控制所述储能系统的输入/输出保持平衡状态；
调整模块，用于基于所述运行策略、所述运行模式和所述稳定参数调整所述能源管理系统的工作状态。
8.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至6中任意一项所述的能源管理系统的控制方法。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序被设置为运行时执行权利要求1至6中任意一项所述的能源管理系统的控制方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任意一项所述的能源管理系统的控制方法。
CN202210193538.3A 2022-02-28 2022-02-28 能源管理系统的控制方法、装置、存储介质及设备 Pending CN114977152A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210193538.3A CN114977152A (zh) 2022-02-28 2022-02-28 能源管理系统的控制方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210193538.3A CN114977152A (zh) 2022-02-28 2022-02-28 能源管理系统的控制方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN114977152A true CN114977152A (zh) 2022-08-30

Family

ID=82976047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210193538.3A Pending CN114977152A (zh) 2022-02-28 2022-02-28 能源管理系统的控制方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN114977152A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304847A (zh) * 2023-05-24 2023-06-23 南方电网调峰调频发电有限公司储能科研院 一种基于共享机制小生境理念的ups集群分类方法
CN117076895A (zh) * 2023-10-18 2023-11-17 深圳市能数科技有限公司 能源补给信息的智能分析方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304847A (zh) * 2023-05-24 2023-06-23 南方电网调峰调频发电有限公司储能科研院 一种基于共享机制小生境理念的ups集群分类方法
CN116304847B (zh) * 2023-05-24 2023-10-20 南方电网调峰调频发电有限公司储能科研院 一种基于共享机制小生境理念的ups集群分类方法
CN117076895A (zh) * 2023-10-18 2023-11-17 深圳市能数科技有限公司 能源补给信息的智能分析方法及系统
CN117076895B (zh) * 2023-10-18 2024-02-06 深圳市能数科技有限公司 能源补给信息的智能分析方法及系统

Similar Documents

Publication Publication Date Title
CN113394817B (zh) 一种风光水火储系统的多能容量优化配置方法
Liang et al. Volt/Var control in a distribution system by a fuzzy optimization approach
CN105226688B (zh) 基于机会约束模型的多类型储能系统容量优化配置方法
CN114977152A (zh) 能源管理系统的控制方法、装置、存储介质及设备
EP3696765A1 (en) Method for improving the performance of the energy management in a nearly zero energy building and system therefor
CN107994595A (zh) 一种削峰填谷控制方法和系统以及应用该控制方法的系统
CN104915725B (zh) 计及实时电价的微网用户群电能优化互济交易方法
CN112821470B (zh) 基于小生境混沌粒子群算法的微网群优化调度策略
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
CN112651634A (zh) 基于序列运算的有源配电系统源网荷储日前有功调度方法
Nemati et al. Optimization of microgrids short term operation based on an enhanced genetic algorithm
CN111244985A (zh) 基于节点综合灵敏度系数的分布式储能序次优化配置方法
CN111445092A (zh) 基于改进jaya算法的多微电网优化方法
CN114448044A (zh) 一种换电站双向快充有序充放电方法及系统
Kaysal et al. Hierarchical energy management system with multiple operation modes for hybrid DC microgrid
Khunkitti et al. Optimal location and sizing of BESS for performance improvement of distribution systems with high DG penetration
Dixit et al. Optimal placement of PV array in distribution system for power loss minimization considering feeder reconfiguration
CN103368195A (zh) 基于遗传算法的电池储能电站功率控制方法及其系统
CN116645089A (zh) 一种考虑退役电池容量退化的储能系统双层优化配置方法
CN116613733A (zh) 计及源荷不确定性的多元能源系统优化调度方法及装置
CN111884243B (zh) 储能调控方法、储能系统及计算机存储介质
CN115841216A (zh) 计及分布式光伏消纳率的配电网储能优化配置方法
CN115238992A (zh) 一种电力系统源荷储的协调优化方法、装置及电子设备
Jusoh et al. Control strategy of a grid-connected photovoltaic with battery energy storage system for hourly power dispatch
CN114781755A (zh) 光伏储能微网的upqc容量优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination