CN115000994A - 一种多储能单元分组一致性功率分配方法 - Google Patents

Abstract

本发明公开了一种多储能单元分组一致性功率分配方法，包括：设定电池储能单元分组控制策略：电池储能系统BESS包括多个电池储能单元BESU，设置电池储能单元BESU之间通过通信拓扑进行通信，将电池储能单元BESU分为充电组、放电组，使用分布式算法实现电池储能系统BESS的分组分布式协调控制，储能系统运行过程中判断是否触发充电组、放电组之间的互换，若触发，则和的状态互换。使用本文所提分布式算法实现电池储能系统BESS的分组分布式协调控制，能减少储能单元充/放电状态转换次数，延长储能运行寿命；同时，能保证功率分配结果满足各储能单元的功率约束条件，并能减少储能单元小功率运行次数，提升储能运行效率。

Description

一种多储能单元分组一致性功率分配方法

技术领域

本发明属于多储能单元间功率的协调控制领域，特别是涉及一种多储能单元分组一致性功率分配方法。

背景技术

随着能源和环境问题日益突出，风能和太阳能等新能源发电技术得到快速发展。但受到气候、环境等因素的影响，新能源发电存在较强的随机性、波动性和间歇性，在很大程度上制约了新能源的大规模开发利用。研究如何缓解新能源对电力系统安全稳定运行的不利影响，从而使其在电力系统中的渗透率得以提升是当前的热点。电池储能具有灵活的源/荷特性，且具有能量密度高、调节能力强、配置灵活、成本相对低廉等特点，运用大容量电池储能辅助新能源发电是当前解决上述问题的有效技术方案之一。大容量储能系统往往由多个储能单元构成，各储能单元的状态存在一定差异，若在设计各储能单元间的功率分配策略时忽略储能单元间状态的差异，会导致储能单元的运行工况恶化，这将极大劣化储能系统的调节能力和运行经济性。因此，考虑各储能单元特性，研究如何细化分配储能单元间的功率和改善储能单元的运行工况，从而充分发挥储能的调节潜能和提升储能运行经济性，具有十分重要的意义。

目前，国内外学者对多储能单元间功率的协调分配策略进行了大量研究，从控制方式上可分为集中控制和分布式控制。其中，集中控制难以适应可再生能源高渗透率下电网的储能系统控制需求；一方面，集中控制方式下控制中心需要与每个储能单元建立通信，控制中心计算量大计算效率低，且存在控制中心失效和通信故障等风险，系统可靠性较低。另一方面，在新能源大规模并网和电网内能源结构逐渐复杂多变的背景下，储能系统的灵活性、可拓展性越发重要，集中控制方式难以适应发展需求。分布式协同控制基于多智能体一致性理论，只需通过相邻代理间有限的数据传输即可实现系统内多代理间的自主协同控制，消除了集中控制中心，在应对通信变化或故障上具有很高的鲁棒性，因此其灵活性和可拓展性很高，是解决上述集中式控制的问题的有效方法，其在电力系统领域得到了较为广泛的应用。此外，大量研究表明，对多储能单元采用分组控制有利于提高储能单元容量利用率、延长电池储能运行寿命。因此本研究提出一种多储能单元分组一致性功率分配方法，以解决上述问题。

发明内容

本发明的目的是提供一种多储能单元分组一致性功率分配方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种多储能单元分组一致性功率分配方法，包括以下步骤：

设定电池储能单元分组协调控制策略：电池储能系统BESS包括多个电池储能单元BESU，设置所述电池储能单元BESU之间通过通信拓扑进行通信，将所述电池储能单元 BESU分为充电组C_Z、放电组D_Z；使用分布式算法实现C_Z和D_Z间的协调控制，并在电池储能系统BESS运行过程中，判断是否触发充电组C_Z、放电组D_Z之间的互换。

可选地，判断是否触发充电组C_Z、放电组D_Z之间的互换包括：当任意一组内储能单元的荷电状态到达上下阈值时，充电组C_Z、放电组D_Z的充放电状态转换。

可选地，定义充电组C_Z与放电组D_Z互为对偶组，若充电组C_Z的单元i与放电组D_Z的单元i^o有直接的组间物理通信条件,则称i与i^o互为对偶单元，i、i^o∈{1,2Λ,n}。

可选地，使用分布式算法实现C_Z和D_Z间的协调控制包括：

S31、分布式储能系统的初始化；

S32、设置邻接矩阵A的调整策略：

在迭代过程中代理i判断是否需要对偶组参与，若是，则通过式(22)对邻接矩阵 A进行调整，实现组间协调：

式中，x_i和

分别为节点i的状态约束下限和上限，x_i(k_c)为第i个节点的一致性变量在k_c时刻的状态,

为为邻接矩阵A中的元素，

时表示单元i与对偶单元i^o进行数据交换，否则无数据交换；

判断对于初始化功率

的单元i是否退出本控制周期的通信迭代，若是，则对电池储能系统BESS做式(25)所示的调整；否则不做调整，继续迭代直到满足收敛精度；

式中，a_ij为代表通信网络拓扑的邻接矩阵A中的元素，x_i(k)表示第i个节点在k 时刻的状态，x_j(k)表示第j个节点在k时刻的状态，w_i为单元i的权重系数，w_j单元 j的权重系数，N_i(k-1)代表单元i退出前的邻接节点集合；x′_j(k)和d′_j(k)分别代表 N_i(k-1)内的节点j在i退出后的状态量和邻接节点的个数；

达到收敛精度后，计算各个储能单元的功率P_bi(t)：

式中，X^*为满足所有节点功率约束条件的收敛状态值，W＝diag(w₁,w₂,K,w_n)为系统的权重矩阵，P_B(t)表示所有储能单元功率之和，P_bi(t)表示第i个储能单元的功率指令。

可选地，所述S31包括：

1)定义BESS的总输出功率指令为

任意单元i的迭代初始功率指令为

当

时，由C_Z中的一个单元接收指令

当

时，由D_Z中的一个单元接收指令

因此，对于接收到总功率指令

的单元i，其初始化功率指令为：

式中，任意单元i在t时刻只属于C_Z或D_Z。

对于未接收到功率指令的单元，其初始化功率指令为0；

2)定义迭代初始状态量

式中，w_i为单元i的权重系数，

和

分别为每个控制周期电池单元i的迭代初始功率指令和一致性变量初值；

因此分布式储能系统的初始化为：

可选地，获取所述邻接矩阵A包括：

令每个控制周期初始时刻BESS的C_Z与D_Z之间不交换信息，即单元i与其对偶单元i^o对应的

而C_Z(D_Z)组内连通，对应的邻接矩阵为初始邻接矩阵A₀：

每个控制周期的迭代初始时刻BESS的邻接矩阵A＝A₀，A随迭代次数k变化。

可选地，判断是否需要对偶组参与包括：

定义k_c为一个正整数，将X₀代入式(12)进行迭代：

X(k+1)＝M(k)X(k)+W^-1U(k) (12)

式中，W＝diag(w₁,w₂,...,w_n)为系统的权重矩阵，M(k)为非负的行随机矩阵， U(k)为解耦控制量；

其中，

为初始时刻第n个电池储能单元 BESU的状态，X(k)＝[x₁(k),x₂(k),…,x_n(k)]^T,x_n(k)为第n个电池储能单元BESU在k时刻的状态，X(k+1)＝[x₁(k+1),x₂(k+1),…,x_n(k+1)]^T)，x_n(k+1)为第n个电池储能单元 BESU在k+1时刻的状态；

当第k_c次迭代结束时，若单元i的状态x_i(k_c)仍不在约束条件内，则单元i判定此时的储能单元系统的总功率指令

超出了单元i所在组的总响应能力，需要对偶组共共同参与消纳，此时置

否则

然后继续迭代直到满足收敛精度。

可选地，设置所述约束条件包括：

考虑具有n个智能体节点的分布式系统，设第i个节点的一致性变量在k时刻的状态为x_i(k)；任意节点i的一致性变量状态约束条件为：

其中，x_i和

分别为节点i的状态约束下限和上限；

表示所有节点约束的交集,

x_i为与功率相关的量；

为实现分布式功率协调分配结果满足各单元功率约束，首先在经典加权一致性算法基础上引入变量r_ij(k)，一致性变量迭代更新方式如式(1)所示：

式中，ε＞0为收敛系数；a_ij为代表通信网络拓扑的邻接矩阵A中的元素，对于无向图，若节点i与节点j有直接的数据交换则a_ij＝1，反之a_ij＝0；N_i为节点i的邻接节点集合，其决定于通信网络拓扑，随拓扑变化而变化；

为系统所有节点的集合； w_i为单元i的权重系数，r_ij(k)为人为引入的变量。

可选地，获取所述权重系数包括：

式中，

E_ba,i、E_b,i(t)分别代表电池单元i的容量和当前时刻的剩余电量，ε为收敛系数，n为储能单元个数，

和

分别为储能单元荷电状态的上限、下限。

可选地，获取r_ij(k)包括：

调整约束范围：设

和

分别为x_i(k)与其上限、下限的距离：

为使约束之外的状态在迭代过程中能转移至约束内，在迭代时对状态的上限、下限进行如下调整：

式(5)和(6)表示的是根据当前状态与约束边界的距离对约束边界进行调整，从而使处于约束范围之外的状态在迭代过程中能转移至约束之内，τ的取值范围为：

计算中间变量：

计算变量r_ij(k)：节点i向邻接节点发送自身的中间变量(

Δx_i(k))和状态信息x_i(k)，并接收邻接节点j的中间变量和状态信息，用于计算变量r_ij(k)如式(8)：

式中，σ_ij(k)＝x_j(k)-x_i(k)；j∈N_i(k)，r_ij(k)在迭代过程中防止x_i(k)在向其约束边界方向转移时越过边界，从而保证收敛结果满足约束条件。

本发明的技术效果为：

本方案中电池储能系统BESS包括多个电池储能单元BESU，设置所述电池储能单元BESU之间通过通信拓扑进行通信，将电池储能单元BESU分为充电组C_Z、放电组D_Z，减少储能单元充/放电状态转换次数，延长储能运行寿命。采用分布式算法现电池储能系统BESS的分组分布式协调控制，能减少储能单元充/放电状态转换次数，延长储能运行寿命；同时，能保证功率分配结果满足各储能单元的功率约束条件，并能减少储能单元小功率运行次数，提升储能运行效率。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的BESS控制流程示意图；

图2为经典加权一致性算法和本发明使用算法迭代过程示意图，其中图2a为经典加权一致性算法的迭代收敛过程示意图，其中图2b为本发明使用算法迭代过程示意图；

图3为电池储能单元系统使用邻接矩阵A的调整策略得到的迭代收敛过程展示图；

图4为含风光荷储的并网型微电网结构示意图；

图5为微电网一个调度周期内对储能系统的调节需求功率曲线图；

图6为使用本发明分组控制策略下，Z1组和Z2组的功率曲线图；

图7为不同分配策略下并网功率波动率比较图；

图8为各BESU在24h内的SOC变化曲线图；

图9为不同分配策略充放电转换次数比较图；

图10为本发明电池储能单元系统的拓扑图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

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。

实施例一

如图1-10所示，本实施例中提供一种多储能单元分组一致性功率分配方法，包括如下步骤：

设定电池储能单元分组协调控制策略；

基于分布式模型预测控制DMPC和考虑一致性变量约束的加权一致性算法。

进一步优化方案，设定电池单元分组协调控制策略包括：

由于新能源发电有较大的不确定性、随机性和波动性，要实现有效地缓解新能源发电对电力系统的不利影响，则需要储能系统频繁切换充/放电状态，这在一定程度上加速了储能寿命的衰退。

为了减少储能单元充/放电状态转换次数，本实施例中将电池储能系统BESS中的多个电池储能单元BESU分为Z1和Z2两组，当其中一组为充电组时，另外一组为放电组，各BESU之间通过通信拓扑进行通信。设C_Z代表充电组，D_Z代表放电组。为后续表述方便，定义C_Z与D_Z互为对偶组，若C_Z的单元i与D_Z的单元i^o有直接的组间物理通信条件(如图10中的虚线所示),则称i与i^o互为对偶单元，i、i^o∈{1,2Λ,n},{1,2,n}表示储能单元的序号。在运行过程中当任意一组内储能单元的荷电状态(state of charge,SOC)到达上下阈值时，两组充放电状态转换，即原C_Z转换为D_Z，原D_Z转换为C_Z。

研究表明，储能单元能量转换效率与运行功率密切相关，当运行功率标幺值较小时电气设备损耗大，导致储能单元能量转换效率较低，而在运行功率标幺值较大时储能单元能量转换效率较高。因此，减少因BESU低效率运行，而引起的不必要的能量损失，以提升能量转换效率。

进一步优化方案，如图4所示，分布式BESS由多个BESU和稀疏通信网络组成。设每个BESU为具有一定通信、计算和控制能力的智能体。为实现分布式协调各BESU 的出力、保证BESU功率指令满足功率约束条件和“能者多劳”原则、提升的单元一致性以及提升分布式算法收敛速度，因此本发明提出一种基于DMPC考虑从一致性变量约束的加权一致性算法，每个BESU通过与相邻BESU进行有限的数据交换，无需中心节点或“领导”节点，即可在极短时间内完成储能单元间的功率自适应分配。算法具体如下：

S1、考虑一致性变量约束

考虑具有n个智能体节点的分布式系统，设第i个节点的一致性变量在k时刻的状态为x_i(k)；任意节点i的一致性变量状态约束条件为：

其中，x_i和

分别为节点i的状态约束下限和上限；

表示所有节点约束的交集,

x_i为与功率相关的量。x_i为与权重和功率相关的物理量,具体见式(1a)，并可根据式(1b)可计算其状态约束上下限。

为实现分布式功率协调分配结果满足各单元功率约束，首先在经典加权一致性算法基础上引入变量r_ij(k)，一致性变量迭代更新方式如式(1)所示。

式中，ε＞0为收敛系数；a_ij为代表通信网络拓扑的邻接矩阵A中的元素，对于无向图，若节点i与节点j有直接的数据交换则a_ij＝1，反之a_ij＝0；N_i为节点i的邻接节点集合，其决定于通信网络拓扑，随拓扑变化而变化；

为系统所有节点的集合； w_i为单元i的权重系数，本文中权重系数与BESU的荷电状态相关，本文建立任意储能单元i的权重w_i、一致性变量x_i和功率P_b,i三者的关系如式(1a)。单元i在时段t的一致性变量状态上下限的计算公式为式(1b)：

P_bi＝w_ix_i(1a)

式中

和

分别为单元i在运行周期t的最大允许放电功率和最大允许充电功率。

为实现各电池单元的功率满足“能者多劳”原则,根据BESU的容量、剩余电量等信息定义权重系数，具体如下：

式中E_ba,i、E_b,i(t)分别代表电池单元i的容量和当前时刻的剩余电量。

由于电池容量较大，当电池单元放(充)电时，若电池单元剩余电量较高(低)，则w′_i的值会较大，而当收敛系数ε已定时过大的权重系数会导致收敛速度较慢。相关研究表明，收敛系数ε已定时，为保证模型能够收敛，系统权重系数应满足 min{w_i}＞nε/2,

而当min{w_i}＝nε时，系统具有较快的收敛速度和较好的稳定裕度。因此，定义w_i如式(3)：

式中，

E_ba,i、E_b,i(t)分别代表电池单元i的容量和当前时刻的剩余电量，ε为收敛系数，n为储能单元个数，

和

分别为储能单元荷电状态的上限、下限。

进一步优化方案，式(1)中r_ij(k)是人为定义的变量，是实现一致性变量状态约束的关键，其计算步骤如下：

S11、调整约束范围

设

和

分别为x_i(k)与其上下限的距离：

为使约束之外的状态在迭代过程中能转移至约束内，在迭代时对状态的上限、下限进行如下调整：

式(5)和(6)表示的是根据当前状态与约束边界的距离对约束边界进行调整，从而使处于约束范围之外的状态在迭代过程中能转移至约束之内，τ的取值范围为：

S12、计算中间变量

S13、计算变量r_ij(k)。

节点i向邻接节点发送自身的中间变量(

Δx_i(k))和状态信息x_i(k)，并接收邻接节点j的中间变量和状态信息，用于计算变量r_ij(k)如式(8):

式中，σ_ij(k)＝x_j(k)-x_i(k)；j∈N_i(k)。r_ij(k)在迭代过程中可以防止x_i(k)在向其约束边界方向转移时越过边界，从而保证收敛结果满足约束条件。

进一步地，设

M_ij(k)＝C_ij(k)a_ij，

由前设条件可知ε＞0且

满足w_i≥nε，因此对

C_ij(k)、M_ij(k)和M_ii(k) 满足式(9)：

因此式(1)可以等价表示为：

用矩阵形式表示系统一致性控制规律如下：

X(k+1)＝M(k)X(k) (11)

由式(9)可知，X(k)＝[x₁(k),x₂(k),L,x_n(k)]^T,由式(9)可知，式(11)中的M(k) 为非负的行随机矩阵，其对角元素M_ii(k)为状态转移项，非对角元素M_ij(k)为动态耦合项，若M_ij(k)≠0则表示代理j对代理i有直接影响，反之则表示无直接影响。

S2、基于DMPC提升收敛速度

提升实现分布式协调分配功率的一致性迭代速度有利于减少储能系统响应延迟，提升储能调节效果。在一致性算法中引入模型预测控制能显著提升收敛速度。本实施例中，基于DMPC对式(11)进一步改进，首先在式(11)基础上引入虚拟的解耦控制量 U(k)：

X(k+1)＝M(k)X(k)+W^-1U(k) (12)

式中，W＝diag(w₁，w₂，...，w_n)为系统的权重矩阵，M(k)为非负的行随机矩阵， U(k)为解耦控制量；

其中，

为初始时刻第n个电池储能单元 BESU的状态，X(k)＝[x₁(k)，x₂(k)，…，x_n(k)]^T，x_n(k)为第n个电池储能单元BESU在k时刻的 状态，X(k+1)＝[x₁(k+1)，x₂(k+1)，…，x_n(k+1)]^T，x_n(k+1)为第n个电池储能单元BESU在k+1 时刻的状态；设当前时刻为k，预测时域为N_p，控制时域为N_c，且有N_p≥N_c， 控制时域N_c以外的变量U(k)保持不变。节点i的控制变量只作用于其自身，节点i 的更新式为：

以当前时刻k为起点，由式(12a)可以预测代理i预测时域内的状态向量X_i(k), 如式(13)所示：

其中，

为元素都为1的N_p阶列向量。

定义二次优化目标函数如式(14)：

式中，

q＞0,r＞0。Η_i(k)为的一致性变量的参考向量，Η_i(k)和U_i(k)的计算方法如下：

1)当

时，

对式(14)，求关于U_i(k)的偏导数，并令偏导数式子等于0，可以求得最优控制量U_i(k),表达式如式(16)所示:

2)当

时。

至此完成对U_i(k)的计算，然后取U_i(k)中第一个元素u_i(k)，并对其进行二次修正，修正公式如式(18)所示：

将修正后的控制向量U(k)＝[u′₁(k),u′₂(k),L,u′_n(k)]^T输入式(12)完成系统状态更新。可以看出，上述推导过程仅需要相邻节点间相互传递少量信息，是一个完全分布式的过程。

S3、分布式算法的实现

使用分布式算法实现BESS的分组分布式协调控制，需要进行迭代初始化和制定邻接矩阵A调整策略。其中在每个控制周期初始时刻进行迭代初始化是实现储能系统分布式协调控制的必要环节，而设计邻接矩阵A的调整策略是为了实现分组协调控制和提升储能单元能量转换效率。

S31、迭代初始化

在分布式储能系统收到总载荷指令后，需要根据接收到的载荷指令信息进行一致性迭代初始化，随后方可进行一致性迭代。设

和

分别为每个控制周期电池单元i 的迭代初始功率指令和一致性变量初值。为了减少上级能量管理中心与储能系统的通信成本，假设上层能量管理中心在每个控制周期初将储能系统总功率指令

随机发送给C_Z中的一个单元和D_Z中的一个单元。

1)定义迭代初始功率指令

定义BESS的总输出功率指令为

任意单元i的迭代初始功率指令为

当

时，由C_Z中的一个单元接收指令

当

时，由D_Z中的一个单元接收指令

因此，对于接收到总功率指令

的单元i，其初始化功率指令为：

式中，任意单元i在t时刻只属于C_Z或D_Z。

对于未接收到功率指令的单元，其初始化功率指令为0；

2)定义迭代初始状态量

在单元i确认自身

的值后，根据式(1a)的反变换计算其迭代初始状态量

如下：

因此分布式储能系统的初始化为：

S32、邻接矩阵A的调整策略

设每个控制周期初始时刻BESS的C_Z与D_Z之间不交换信息，即单元i与其对偶单元i^o对应的

而C_Z(D_Z)组内连通，对应的邻接矩阵为初始邻接矩阵A₀：

每个控制周期的迭代初始时刻BESS的邻接矩阵A＝A₀，A随迭代次数k变化。设计以下邻接矩阵A的调整策略,以解决C_Z与D_Z组间协调和避免储能单元运行功率过小导致能量转换效率低。

1)组间协调响应

定义k_c为一个正整数，将X₀代入式(12)进行迭代，当第k_c次迭代结束时，若单元i的状态x_i(k_c)仍不在约束内，则单元i可以判定此时的储能单元系统的总功率指令

超出了单元i所在组的总响应能力，需要对偶组共同参与消纳，此时置

否则

然后继续迭代直到满足收敛精度；按式(22)调整A，以实现组间协调：

式中，x _i和

分别为节点i的状态约束下限和上限，x_i(k_c)为第i个节点的一致性变量在k_c时刻的状态,

为为邻接矩阵A中的元素，其为

时表示单元i与对偶单元i^o进行数据交换，否则无数据交换；

2)提升储能单元能量转换效率

对于初始化功率

的单元i，若满足式(23)，则单元i不与其邻点进行信息交流，仅由单元i承担

即

否则继续迭代。

式中系数ζ∈(0,1)，P_bn,i为储能单元i的额定功率。

对于

若第k次迭代结果x_i(k)已达到一定的收敛精度，且x_i(k)对应的功率

(计算公式见式(1a))满足式(24)，则单元i退出本控制周期的通信迭代。此时，需对系统做式(25)所示的调整；否则不做调整，继续迭代直到满足收敛精度。

式中，a_ij为代表通信网络拓扑的邻接矩阵A中的元素，x_i(k)表示第i个节点在k时刻的状态，x_j(k)表示第j个节点在k时刻的状态，w_i为单元i的权重系数，w_j单元j 的权重系数，N_i(k-1)代表单元i退出前的邻接节点集合；x′_j(k)和d′_j(k)分别代表 N_i(k-1)内的节点j在i退出后的状态量和邻接节点的个数。从式(25)可以看出，节点i退出前后有:

因此本发明所提算法法能保证系统在任意第k次的迭代结果满足式(27)，从而保证各BESU最终的功率分配指令之和与总载荷指令

相等。

综上，在每个控制周期初，储能系统内各单元按上述方法完成初始化，并将状态初值X₀代入式(12)，设定收敛精度，按照上述方法策略，即可得到满足所有节点功率约束条件的收敛状态值X^*，进而利用式(28)计算各个储能单元的功率P_bi(t)：

式中，X^*为满足所有节点功率约束条件的收敛状态值，W＝diag(w₁,w₂,K,w_n)为系统的权重矩阵，P_B(t)表示所有储能单元功率之和，P_bi(t)表示第i个储能单元的功率指令。

至此，通过分布式算法完成了本控制周期储能系统内部各储能单元的功率分配。当任意一组BESU的SOC在运行过程中达到设定的充/放电状态转换的SOC上限或下限阈值时，触发充/放电组状态转换，即原C_Z变D_Z,原D_Z变C_Z。

验证本方法的可行性：

从算法性能和控制效果两方面展示所提方法的优势。BESS与算法的参数如表1所示：

表1

1)算法性能

该实验内容包含两个部分，首先，以含4个储能单元的储能系统为例，对比分析经典加权一致性算法和本文所提算法；其次，以含8个储能单元的储能系统为例，分析2所提邻接矩阵调整策略，以验证本文所提算法的优势。

以四单元储能系统(通信拓扑为环形)为例，设时刻t的放电权重矩阵为 W＝diag(1,2,3,4)，上层能量管理中心将储能总载荷指令

发给3号储能单元；经典加权一致性算法与本文算法的迭代初始化均为P₀＝[0,0,30,T0、 X₀＝[0,0,10,0]^T。如图2所示，为两种算法的迭代收敛过程，图2a为经典加权一致性算法的迭代收敛过程，收敛结果为P(t)＝[3,6,9,12]^T。图2b为本文所提算法迭代过程，功率分配结果为：P(t)＝[3.3333,6.6667,10,10]^T。

利用8电池储能单元系统分析邻接矩阵A的调整策略。设Z1由1至4号单元组成， Z2由5至8号单元组成，且Z1为充电组,Z2为放电组。储能系统通信拓扑见图10，ζ＝0.2。设t时刻系统的放电权重矩阵为：W＝diag(1,1.5,2,4,5,5.5,6,7)，微网中心将响应需求指令

发送至5号单元。迭代初始化为：P₀＝[0,0,0,0,50,0,0,0]^T、 X₀＝[0,0,0,0,10,0,0,0]^T。迭代收敛过程如图3所示。

2)BESS分组策略控制效果

该实验将分析本文方法的效果，并与传统不分组策略(主要包括按最大功率分配策略和按比例分配策略)控制效果进行相应比较。构建如图4所示的含风光荷储的并网型微电网。微网模型中，分布式储能系统的参数如表1，通信拓扑见图10。储能系统中1至4号BESU组成Z1组，5至8号BESU组成Z2组。源荷数据来源于某实验微网实验平台，采样周期为5min。在该场景下，由于新能源和负荷功率的波动性较大，为了减小微电网对大电网的不利影响，需要利用储能平滑并网联络线功率。设初始时刻在Z1组为充电组，Z2组为放电组，1至8电池单元的初始SOC为(0.2、0.25、0.3、0.35、0.65、0.7、0.75、0.8)。微电网一个调度周期内对储能系统总功率

的曲线如图5所示。

在本文的分组控制策略下，Z1组和Z2组的功率曲线如图6，为展示本文分组控制策略对并网功率波动的平抑效果，本文采用微网并网功率波动率γ的限制条件为30min 内γ≤7％，在该限制条件下对本文策略、传统不分组策略和传统双电池储能系统(doublebattery energy storage system，DBESS)策略在一个调度周期内的γ进行统计比较，统计结果如图7。此外，本文策略下各BESU在24h内的SOC变化曲线如图8。

为展示本文策略对减少BESU充/放电切换次数的有效性，本文将BESU相邻时刻功率符号的改变定义为充/放电状态转换一次，分别对本文策略、不分组策略中的按最大功率分配策略和按比例分配策略下在一个调度周期内的各BESU的充/放电转换次数进行统计，统计结果如图9所示。同时,为了验证本文策略对提升效率的有效性，此处统计不同策略下所有单元小功率运行次数(本文参考相关研究，将储能单元的运行功率 0＜|P_b(t)|≤0.2P_bn的运行状态定义为小功率低效率运行)对比不同策略下BEUS运行功率小于0.2P_bn的次数，并计算小功率运行所占比例，不同分配策略下BESU小功率运行次数/24h统计结果如表2所示：

表2

通过上述两个实验本研究得出以下结论：

1)首先，由于经典一致性算法没有考虑约束，因此出现了权重较大的储能单元的功率指令越限的现象，而本文所提一致性算法中考虑了功率约束条件并基于DMPC提升算法收敛速度，因此本文算法的功率分配结果满足约束条件和“能者多劳”原则，且本文算法收敛速度较经典一致性算法快。此外，本文所提邻接矩阵调整策略能够实现储能单元组间协调，当总调节需求大于单组的调节能力时对偶组的单元也参与调节，从而充分发挥了储能系统的调节能力，克服了传统DBESS分组控制策略下储能系统功率容量不足的缺点，且能够避免多个储能单元同时运行在小功率工况，进而提升单元能量转换效率。

2)图6为Z1组和Z2组的功率曲线，运行至13:00左右时两组电池的状态发生转变，即Z1组由充电状态变为放电状态，Z2组由放电状态变为充电状态。对于图6中颜色重叠部分，由于这些时段新能源功率波动较为剧烈，对BESS的响应需求大于单组的额定功率，两组电池都将参与了响应。从图7所展示的波动率可以看出本文分组策略的平抑结果满足波动率约束条件，能有效平抑并网功率波动。图8展示了各储能单元 24h内的SOC变化曲线。综合分析图6、图7和图8，可以看出本文分组策略有以下优势：(1)提升了各BESU的容量利用率。(2)能使同一组内的BESU长期处于同种充/ 放电状态，提升了各BESU充/放电行为的有序性，有利于避免BESU运行过程中频繁切换充/放电状态。(3)采用一致性控制使同组内储能单元的SOC状态趋于一致，避免了个别单元进入极端情况无法参与响应，从而保证了储能系统的功率响应能力。

图9统计结果显示，一个调度周期内本文策略、按最大功率分配策略和按比例分配策略的平均储能单元充/放电转换次数分别为51、76、141次，本文策略充/放电转换次数为最大功率分配策略的67％,是按比例分配策略的36％，且本文策略各单元的充/ 放电转换次数较为均匀，有助于防止个别单元寿命衰退过快，利于延长BESS循环寿命。表2所示实验结果表明，本文策略下BESU在一天288个控制周期中以小功率运行次数平均不足3次，小功率运行率比按最大功率分配策略的结果小4.74％，较按比例分配策略的结果小32.04％。本文所提控制策略优化了BESU的运行状态，减小了BESU的功率损耗，提升了BESU能量转换效率。

通过本次研究，本文发现，通过对多储能单元进行分组分布式一致性控制，能够达到以下效果：1)减少储能单元充/放电状态转换次数，延长储能运行寿命。2)减少储能单元小功率运行次数，提升储能运行效率；3)提升储能系统内各单元的一致性，提高储能系统的调节能力。4)实现储能系统分布式控制，发挥分布式控制优势。为储能技术的应用提供了参考思路。此外，所提基于DMPC和一致性变量约束的加权一致性算法，有效提升了算法收敛速度，并保证功率分配结果满足各储能单元功率约束条件。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种多储能单元分组一致性功率分配方法，其特征在于，包括以下步骤：

设定电池储能单元分组协调控制策略：电池储能系统BESS包括多个电池储能单元BESU，设置所述电池储能单元BESU之间通过通信拓扑进行通信，将所述电池储能单元BESU分为充电组C_Z、放电组D_Z；使用分布式算法实现C_Z和D_Z间的协调控制，并在电池储能系统BESS运行过程中，判断是否触发充电组C_Z、放电组D_Z之间的互换。

2.根据权利要求1所述的方法，其特征在于，判断是否触发充电组C_Z、放电组D_Z之间的互换包括：当任意一组内储能单元的荷电状态到达上下阈值时，充电组C_Z、放电组D_Z的充放电状态转换。

3.根据权利要求2所述的方法，其特征在于，定义充电组C_Z与放电组D_Z互为对偶组，若充电组C_Z的单元i与放电组D_Z的单元i^o有直接的组间物理通信条件,则称i与i^o互为对偶单元，i、i^o∈{1,2…,n}。

4.根据权利要求1所述的方法，其特征在于，使用分布式算法实现C_Z和D_Z间的协调控制包括：

S31、分布式储能系统的初始化；

S32、设置邻接矩阵A的调整策略：

在迭代过程中代理i判断是否需要对偶组参与，若是，则通过式(22)对邻接矩阵A进行调整，实现组间协调：

式中，x _i和

分别为节点i的状态约束下限和上限，x_i(k_c)为第i个节点的一致性变量在k_c时刻的状态,

为为邻接矩阵A中的元素，

时表示单元i与对偶单元i^o进行数据交换，否则无数据交换；

判断对于初始化功率

的单元i是否退出本控制周期的通信迭代，若是，则对电池储能系统BESS做式(25)所示的调整；否则不做调整，继续迭代直到满足收敛精度；

式中，a_ij为代表通信网络拓扑的邻接矩阵A中的元素，x_i(k)表示第i个节点在k时刻的状态，x_j(k)表示第j个节点在k时刻的状态，w_i为单元i的权重系数，w_j单元j的权重系数，N_i(k-1)代表单元i退出前的邻接节点集合；x'_j(k)和d'_j(k)分别代表N_i(k-1)内的节点j在i退出后的状态量和邻接节点的个数；

达到收敛精度后，计算各个储能单元的功率P_bi(t)：

式中，X^*为满足所有节点功率约束条件的收敛状态值，W＝diag(w₁,w₂,...,w_n)为系统的权重矩阵，P_B(t)表示所有储能单元功率之和，P_bi(t)表示第i个储能单元的功率指令。

5.根据权利要求4所述的方法，其特征在于，所述S31包括：

1)定义BESS的总输出功率指令为

任意单元i的迭代初始功率指令为

当

时，由C_Z中的一个单元接收指令

当

时，由D_Z中的一个单元接收指令

因此，对于接收到总功率指令

的单元i，其初始化功率指令为：

式中，任意单元i在t时刻只属于C_Z或D_Z。

对于未接收到功率指令的单元，其初始化功率指令为0；

2)定义迭代初始状态量

式中，w_i为单元i的权重系数，

和

分别为每个控制周期电池单元i的迭代初始功率指令和一致性变量初值；

因此分布式储能系统的初始化为：

6.根据权利要求4所述的方法，其特征在于，获取所述邻接矩阵A包括：

令每个控制周期初始时刻BESS的C_Z与D_Z之间不交换信息，即单元i与其对偶单元i^o对应的

而C_Z(D_Z)组内连通，对应的邻接矩阵为初始邻接矩阵A₀：

每个控制周期的迭代初始时刻BESS的邻接矩阵A＝A₀，A随迭代次数k变化。

7.根据权利要求4所述的方法，其特征在于，判断是否需要对偶组参与包括：

定义k_c为一个正整数，将X₀代入式(12)进行迭代：

X(k+1)＝M(k)X(k)+W^-1U(k) (12)

式中，W＝diag(w₁，w₂，...，w_n)为系统的权重矩阵，M(k)为非负的行随机矩阵，U(k)为解耦控制量；

其中，

为初始时刻第n个电池储能单元BESU的状态，X(k)＝[x₁(k)，x₂(k)，…，x_n(k)]^T，x_n(k)为第n个电池储能单元BESU在k时刻的状态，X(k+1)＝[x₁(k+1)，x₂(k+1)，…，x_n(k+1)]^T，x_n(k+1)为第n个电池储能单元BESU在k+1时刻的状态；

当第k_c次迭代结束时，若单元i的状态x_i(k_c)仍不在约束条件内，则单元i判定此时的储能单元系统的总功率指令

超出了单元i所在组的总响应能力，需要对偶组共同参与消纳，此时置

否则

然后继续迭代直到满足收敛精度。

8.根据权利要求7所述的方法，其特征在于，设置所述约束条件包括：

考虑具有n个智能体节点的分布式系统，设第i个节点的一致性变量在k时刻的状态为x_i(k)；任意节点i的一致性变量状态约束条件为：

其中，x _i和

分别为节点i的状态约束下限和上限；

表示所有节点约束的交集，

x_i为与功率相关的量；

为实现分布式功率协调分配结果满足各单元功率约束，首先在经典加权一致性算法基础上引入变量r_ij(k)，一致性变量迭代更新方式如式(1)所示：

式中，ε＞0为收敛系数；a_ij为代表通信网络拓扑的邻接矩阵A中的元素，对于无向图，若节点i与节点j有直接的数据交换则a_ij＝1，反之a_ij＝0；N_i为节点i的邻接节点集合，其决定于通信网络拓扑，随拓扑变化而变化；

为系统所有节点的集合；w_i为单元i的权重系数，r_ij(k)为人为引入的变量。

9.根据权利要求8所述的方法，其特征在于，获取所述权重系数包括：

式中，

E_ba,i、E_b,i(t)分别代表电池单元i的容量和当前时刻的剩余电量，ε为收敛系数，n为储能单元个数，

和

分别为储能单元荷电状态的上限、下限。

10.根据权利要求8所述的方法，其特征在于，获取r_ij(k)包括：

调整约束范围：设

和

分别为x_i(k)与其上限、下限的距离：

为使约束之外的状态在迭代过程中能转移至约束内，在迭代时对状态的上限、下限进行如下调整：

式(5)和(6)表示的是根据当前状态与约束边界的距离对约束边界进行调整，从而使处于约束范围之外的状态在迭代过程中能转移至约束之内，τ的取值范围为：

计算中间变量：

计算变量r_ij(k)：节点i向邻接节点发送自身的中间变量

和状态信息x_i(k)，并接收邻接节点j的中间变量和状态信息，用于计算变量r_ij(k)如式(8)：

式中，σ_ij(k)＝x_j(k)-x_i(k)；j∈N_i(k)，r_ij(k)在迭代过程中防止x_i(k)在向其约束边界方向转移时越过边界，从而保证收敛结果满足约束条件。

Images