CN115062259A - 一种基于多维度的微电网状态评估方法及系统 - Google Patents
一种基于多维度的微电网状态评估方法及系统 Download PDFInfo
- Publication number
- CN115062259A CN115062259A CN202210676949.8A CN202210676949A CN115062259A CN 115062259 A CN115062259 A CN 115062259A CN 202210676949 A CN202210676949 A CN 202210676949A CN 115062259 A CN115062259 A CN 115062259A
- Authority
- CN
- China
- Prior art keywords
- model
- state
- time
- degradation
- data
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 238000006731 degradation reaction Methods 0.000 claims abstract description 138
- 230000015556 catabolic process Effects 0.000 claims abstract description 137
- 239000003990 capacitor Substances 0.000 claims abstract description 68
- 238000013210 evaluation model Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims description 26
- 238000007599 discharging Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 11
- 238000004146 energy storage Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000003058 natural language processing Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011244 liquid electrolyte Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000013643 reference control Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种基于多维度的微电网状态评估方法及系统，包括：采集待评估目标对象的基础数据；将所述基础数据输入第一状态评估模型，获得实时退化数据；将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态；其中第一状态评估模型包括蓄电池退化模型和超级电容退化模型；第二状态评估模型包括功效模型、上层状态模型和下层状态模型。由此，本方案可以提高微电网状态评估效率和准确性，使其安全运行。
Description
技术领域
本申请涉及数据分析领域，具体涉及一种基于多维度的微电网状态评估方法及系统。
背景技术
微电网技术是未来智能电网改革和转型的关键支撑技术，是分布式情节能源接入电力系统乃至正各能源系统的核心技术，也是实现智能电网安全、清洁、高效、灵活以及可靠供电的重要保障，相对于传统集中式电力系统，微电网系统具有传输损耗低、发电与安装灵活、供电可靠安全的优点。但是，由于微电网系统内部发电和负载受环境因素影响，具有随机性、波动性以及间歇性的特点，如何使用储能系统是保障微电网安全运行的核心问题之一。
现有技术中，通常根据能量密度大的储能介质的剩余电能来评估微电网状态，然而实际运行工况中还存在多种干扰，例如额定功率比较大的储能介质超级电容器，由此使得传统的状态评估方法具有一定的局限性。
发明内容
本申请实施例提供一种基于多维度的微电网状态评估方法及系统，提高微电网状态评估效率和准确性，使其安全运行。具体技术方案如下：
在本发明实施例的第一方面，提供一种基于多维度的微电网状态评估方法，包括：S1、采集待评估目标对象的基础数据；S2、将所述基础数据输入第一状态评估模型，获得实时退化数据；S3、将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态。
可选地，所述第一状态评估模型包括：蓄电池退化模型和超级电容退化模型。
可选地，所述S2、将所述基础数据输入第一状态评估模型，获得实时退化数据，包括：S21、将所述基础数据输入所述蓄电池退化模型，获得当前时刻蓄电池放电的退化数据；S22、将所述基础数据输入所述超级电容退化模型，获得当前时刻超级电容的退化数据；S23、所述当前时刻蓄电池放电的退化数据和所述当前时刻超级电容的退化数据，构成实时退化数据。
可选地，所述S21、将所述基础数据输入所述蓄电池退化模型，获得当前时刻蓄电池放电的退化数据，具体包括：获取当前充放电时间Δt；其中Δt＝t-t0，t表示当前时刻，t0表示起始时刻；所述基础数据包括t时刻蓄电池的实际容量EBA(t)、当前充放电时间Δt的平均功率PB(t)以及单位放电功率下t时刻蓄电池放电的平均退化数据CBAC(t,dB(Δt))；通过如下公式计算当前时刻蓄电池的放电深度：
通过如下公式计算当前时刻蓄电池放电的退化数据：
CBDC(t，dB(Δt))＝CBAC(t，dB(Δt))PB(t)
可选地，所述S22、将所述基础数据输入所述超级电容退化模型，获得当前时刻超级电容的退化数据，具体包括：所述基础数据还包括超级电容的替换代价CSC，超级电容的预期寿命LSC；通过如下公式计算当前时刻超级电容的退化数据：
可选地，所述第二状态评估模型包括：功效模型、上层状态模型和下层状态模型。
可选地，所述S3、将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态之前，还包括：基于所述功效模型，获取所述蓄电池和所述超级电容的限制荷电状态；获取连续时间间隔内蓄电池充电和放电的状态转换和累积电量；基于所述限制荷电状态、所述状态转换和所述累积电量，优化所述上层状态模型；获取参考功率与实际功率偏差的惩罚项；基于所述限制荷电状态和所述惩罚项，优化所述下层状态模型。
可选地，所述S3、将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态，包括：S31、将所述实时退化数据输入优化的上层状态模型，计算下一时刻的交互代价和蓄电池退化数据；S32、将所述实时退化数据输入优化的下层状态模型，计算下一时刻的超级电容退化数据；S33、根据所述下一时刻的交互代价、蓄电池退化数据以及超级电容退化数据，评估所述待评估的目标对象的实时状态。
本申请实施例还提供一种基于多维度的微电网状态评估系统，包括：数据采集模块，用于采集待评估目标对象的基础数据；实时退化数据获取模块，用于将所述基础数据输入第一状态评估模型，获得实时退化数据；实时状态评估模块，用于将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态。
可选地，所述第一状态评估模型包括：蓄电池退化模型和超级电容退化模型。
可选地，所述第二状态评估模型包括：功效模型、上层状态模型和下层状态模型。
可选地，所述实时退化数据获取模块，具体用于S21、将所述基础数据输入所述蓄电池退化模型，获得当前时刻蓄电池放电的退化数据；S22、将所述基础数据输入所述超级电容退化模型，获得当前时刻超级电容的退化数据；S23、所述当前时刻蓄电池放电的退化数据和所述当前时刻超级电容的退化数据，构成实时退化数据。
可选地，所述实时状态评估模块，具体用于S31、将所述实时退化数据输入优化的上层状态模型，计算下一时刻的交互代价和蓄电池退化数据；S32、将所述实时退化数据输入优化的下层状态模型，计算下一时刻的超级电容退化数据；S33、根据所述下一时刻的交互代价、蓄电池退化数据以及超级电容退化数据，评估所述待评估的目标对象的实时状态。
有益效果：
(1)本申请的混合储能介质包括蓄电池和超级电容，利用蓄电池的高能量密度和超级电容器的高功率密度的互补特性，实现对充放电指令的快速响应。
(2)本申请考虑运行损耗和预测误差对微电网状态评估的影响，引入上层状态模型和下层状态模型，通过上层状态模型实现微电网运行损耗的最小化，下层状态模型减小由于预测误差引起的功率波动。
(3)本申请利用功效模型和双层状态模型对包含混合储能的微电网进行分层控制，提高微电网状态评估效率和准确性，使其安全运行。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于多维度的微电网状态评估方法的系统结构图；
图2是本申请实施例提供的一种基于多维度的微电网状态评估方法的流程示意图；
图3是本申请实施例提供的获取实时退化数据的流程示意图；
图4是本申请实施例提供的优化上层状态模型和下层状态模型的流程示意图；
图5是本申请实施例提供的一种基于多维度的微电网状态评估系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种基于多维度的微电网状态评估方法及系统。
其中，该多维度的微电网状态评估系统具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
在一些实施例中，该多维度的微电网状态评估系统还可以集成在多个电子设备中，比如，多维度的微电网状态评估系统可以集成在多个服务器中，由多个服务器来实现本申请的多维度的微电网状态评估方法。
参考图1示出的系统结构图，该系统可以应用于混合储能的交流微电网结构，交流微电网由基于可再生能源发电的光伏和风电系统、超级电容和蓄电池构成的混合储能系统、负荷系统组成，交流微电网通过公共连接点连接到大电网。微电网既可以运行在并网模式下，也可以在孤岛模式下运行。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
实施例一
人工智能(Artificial Intelligence，AI)是一种利用数字计算机来模拟人类感知环境、获取知识并使用知识的技术，该技术可以使机器具有类似于人类的感知、推理与决策的功能。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
在本实施例中，提供了一种基于多维度的微电网状态评估方法，如图2所示，该方法的具体流程可以如下：
S1、采集待评估目标对象的基础数据。
其中，可以通过数据采集平台，对目标微电网范围内的多个受控用电设备以及发电装置进行基础数据的采集，并使用无线通信技术将数据上传到服务器，服务器可以接受相关数据并存储。
可选地，基础数据可以是目标对象的启动功率、运行状态、工作时段、电池容量以及预期寿命等。
S2、将所述基础数据输入第一状态评估模型，获得实时退化数据。
可选地，由于不同的储能介质在功率密度、能量密度、使用寿命和成本方面有所不同，因此第一状态评估模型可以包括蓄电池退化模型和超级电容退化模型。
S3、将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态。
可选地，由于短期功率预测误差影响微电网的运行，风机和光伏输出功率的波动性和功率预测误差存在不确定性，可以利用蓄电池和超级电容的互补特性和模型预测控制的反馈校正机制补偿。
具体地，所述第二状态评估模型，可以包括功效模型、上层状态模型和下层状态模型。
在一种实施方式中，步骤S3可以具体包括以下步骤：
S31、将所述实时退化数据输入优化的上层状态模型，计算下一时刻的交互代价和蓄电池退化数据。
可选地，获取下一充放电时间Δtu；其中Δtu＝tu-t0，tu表示下一时刻，t0表示起始时刻。
进一步地，通过如下公式计算下一时刻的交互代价：
其中，
表示tu时刻的交互功率。
更进一步地，可以通过如下公式计算下一时刻的蓄电池退化数据：
其中，g(tu)表示状态转换信号，Ea(tu)表示累积电量，g(tu)表示辅助二进制变量，EB(tu)表示tu时刻蓄电池储存的能量，
表示tu时刻蓄电池放电的退化数据。
S32、将所述实时退化数据输入优化的下层状态模型，计算下一时刻的超级电容退化数据。
可选地，可以通过如下公式计算下一时刻的超级电容退化数据：
其中，CSCDC(t)表示当前时刻超级电容的退化数据。
S33、根据下一时刻的交互代价、蓄电池退化数据以及超级电容退化数据，评估所述待评估的目标对象的实时状态。
其中，待评估的目标对象的实时状态可以包括：安全正常状态、不安全正常状态、紧急状态以及待恢复状态。
可选地，待恢复状态：可以包含停机与恢复状态。
可选地，若待评估的目标对象处于安全正常状态，可以确定微电网处于安全控制状态，控制单元可以维持网内电压频率稳定，平抑发电、负荷波动。
可选地，若待评估的目标对象处于不安全正常状态，可以确定微电网处于校正控制状态，控制单元可以自动调节使得系统由不安全正常状态转变到安全正常状态，以保证系统仍可承受网间的各种扰动。
可选地，若待评估的目标对象处于紧急状态，可以确定微电网处于紧急控制状态，控制单元可以自动调节使得系统能尽量保持在静态紧急状态下或恢复至不安全正常状态。
可选地，若待评估的目标对象处于待恢复状态，可以确定微电网处于恢复控制状态，控制单元可以启动备用发电机组或进行并网操作，重新并列瓦解的系统，使其尽可能在短时间内恢复供电。
由此可知，通过本实施方式得到的微电网状态评估结果，可以提高微电网状态评估效率和准确性，使其安全运行。
实施例二
图3是本申请实施例提供的获取实时退化数据的流程示意图，具体包括以下步骤：
S210、获取基础数据。
S220、将所述基础数据输入所述蓄电池退化模型，获得当前时刻蓄电池放电的退化数据。
可选地，可以定义蓄电池的放电深度为放电电量与额定容量的百分比，计蓄电池由充电状态转换为放电状态或由放电状态转换为充电状态为一个充放电循环，则蓄电池的寿命LB与放电深度dB的关系可以表示为：
其中，a、b、c均大于0，表示寿命曲线的拟合系数，曲线的参数通常由生产厂商提供。由此可知，蓄电池的寿命可以随着放电深度的增加而缩短。
在一种实施方式中，可以获取当前充放电时间Δt，其中Δt＝t-t0，t表示当前时刻，t0表示起始时刻。
可选地，可以假设蓄电池的退化是随着时间线性变化的过程，在荷电状态不同放电深度相同的情况下每个充放电周期的退化成本相同。
可选地，所述基础数据可以包括t时刻蓄电池的实际容量EBA(t)、当前充放电时间Δt的平均功率PB(t)以及单位放电功率下t时刻蓄电池放电的平均退化数据CBAC(t,dB(Δt))；
进一步地，可以通过如下公式计算当前时刻蓄电池的放电深度：
可选地，可以定义蓄电池的充电效率和放电效率ηBc和ηBd，则在单位放电功率下，当前时刻蓄电池放电的平均退化数据，可通过如下公式计算：
其中，CBAC(t,dB(Δt))表示单位放电功率下，当前时刻蓄电池放电的平均退化数据，CB表示蓄电池的替换代价，LB表示蓄电池的寿命。
可选地，可以通过如下公式计算当前时刻蓄电池放电的退化数据：
可选地，当前时刻蓄电池的实际容量可以表示为：
其中，EB.rated表示蓄电池的额定容量。
S230、将所述基础数据输入所述超级电容退化模型，获得当前时刻超级电容的退化数据。
其中，超级电容可以承受数万次的深度充放电循环，并且具有大电流放电能力强、能量转换效率高、功率密度高等优点。由于没有“记忆效应”的影响，其使用寿命可达十余年。同时，超级电容的使用寿命主要取决于液体电解质的蒸发速率，而电介质的蒸发速率与超级电容的温度和端电压有关，过高的温度和端电压会加速电容的老化过程，可以使超级电容器的使用寿命缩短，而超级电容的充放电速率对其寿命的影响可以忽略不计。
可选地，超级电容器的退化成本与充放电循环过程无关，因此可以将超级电容用于需要频繁充电放电以平滑瞬时功率波动的场合。
在一种实施方式中，可以获取当前充放电时间Δt，其中Δt＝t-t0，t表示当前时刻，t0表示起始时刻。
可选地，所述基础数据还可以包括超级电容的替换代价CSC，超级电容的预期寿命LSC。
可选地，如果超级电容运行在额定参数范围内，则超级电容可以达到预期寿命，可以认为超级电容的退化过程是时间的线性函数而与充放电的循环无关，进一步地可以通过如下公式计算当前时刻超级电容的退化数据：
S240、所述当前时刻蓄电池放电的退化数据和所述当前时刻超级电容的退化数据，构成实时退化数据。
通过本实施方式获取的实时退化数据，利用蓄电池的高能量密度和超级电容器的高功率密度的互补特性，实现对充放电指令的快速响应。
实施例三
图4是本申请实施例提供的优化上层状态模型和下层状态模型的流程示意图，具体包括以下步骤：
S410、基于所述功效模型，获取所述蓄电池和所述超级电容的限制荷电状态。
在一种实施方式中，在任意时刻t上层状态模型和下层状态模型都可以满足功率平衡的等式约束条件：
PL(t)＝PM(t)+PB(t)+PSC(t)+PPV(t)+PWT(t),t∈{tu,tl}
式中，各个参数所代表的物理含义与图1示出的系统结构图一致。
可选地，经过当前充放电时间Δt后储存的能量可以表示为：
其中，PB(t)表示当前充放电时间Δt的平均功率；EB(t)表示t时刻蓄电池储存的能量，ηBc表示蓄电池的充电效率，ηBd表示蓄电池的放电效率；ESC(t)表示t时刻超级电容储存的能量，ηSCc表示超级电容的充电效率，ηSCd表示超级电容的放电效率。
可选地，微电网的功率不等式约束可以包括电网交互功率约束和充放电功率约束，分别表示为：
其中，
表示t时刻微电网与电网交互功率的下限，
表示t时刻微电网与电网交互功率的上限，
表示t时刻蓄电池充电功率的上限；
表示t时刻蓄电池放电功率的上限；
表示t时刻超级电容充电功率的上限；
表示t时刻超级电容放电功率的上限。
进一步地，为了防止对混合储能系统的过度充放电，可以对蓄电池和超级电容的荷电状态进行限制：
其中，
表示t时刻蓄电池荷电状态的下限；
表示t时刻蓄电池荷电状态的上限；
表示t时刻超级电容荷电状态的下限；ESC.rated(t)表示tt时刻超级电容的额定容量；
表示t时刻超级电容荷电状态的上限。
由此，分别获取所述蓄电池和所述超级电容的限制荷电状态。
S420、获取连续时间间隔内蓄电池充电和放电的状态转换和累积电量。
可选地，可以通过辅助二进制变量g(tu)以表示两个连续的时间间隔内蓄电池充电和放电的状态转换：
其中，PB(tu)表示下一充放电时间Δtu的平均功率。
可选地，若定义Ea(tu)为改变充放电状态前的累积电量，则可以通过如下公式计算其值：
Ea(tu)＝(1-g(tu))Ea(tu-1)+PB(tu)Δtu
S430、基于所述限制荷电状态、所述状态转换和所述累积电量，优化所述上层状态模型。
可选地，可以通过最小化目标函数得到上层的控制变量
S440、获取参考功率与实际功率偏差的惩罚项。
可选地，可以通过如下公式获取惩罚项：
其中，
和
分别表示蓄电池的功率偏差和与电网交互的功率偏差的罚函数项。
进一步地，超级电容荷电状态的惩罚项
可以表示为二次项的形式：
S450、基于所述限制荷电状态和所述惩罚项，优化所述下层状态模型。
可选地，可以通过最小化由预测误差引起的微电网不平衡功率得到控制变量
在另一种实施方式中，可以采用如下算法优化上层状态模型和下层状态模型：
其中，上层状态模型可以将控制变量[PB(tu),PM(tu)]传送到下层状态模型作为参考，由于负载的波动和新能源发电功率存在预测误差，下层状态模型可以对下层目标函数进行优化，并执行优化后的控制量。当下层状态模型执行完毕，更新后的状态变量[EB(Tl),ESC(Tl)]由下层状态模型返回上层状态模型并开始tu＝tu+1的优化。
可选地，上层状态模型的目标函数Fu可以同时包含非线性项
和整数项
可选地，当新能源发电的功率逐渐增大时，下层状态模型的超级电容可能会达到容量的极限，由于上层能量管理系统下发到下层能量管理系统的蓄电池参考功率是恒定的，因此下层状态模型可以对上层状态模型的参考控制量进行实时微调以满足超级电容的容量约束条件。
由此可知，通过本实施方式优化的上层状态模型和下层状态模型，可以对蓄电池和超级电容进行控制，并实现预定的控制目标。
实施例四
为实现上述方法类实施例，本实施例还提供一种基于多维度的微电网状态评估系统，图5示出了一种基于多维度的微电网状态评估系统的结构示意图的结构示意图，所述系统包括：
数据采集模块510，用于采集待评估目标对象的基础数据；
实时退化数据获取模块520，用于将所述基础数据输入第一状态评估模型，获得实时退化数据；
实时状态评估模块530，用于将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态。
可选地，所述第一状态评估模型包括：蓄电池退化模型和超级电容退化模型。
可选地，所述第二状态评估模型包括：功效模型、上层状态模型和下层状态模型。
可选地，所述实时退化数据获取模块，具体用于S21、将所述基础数据输入所述蓄电池退化模型，获得当前时刻蓄电池放电的退化数据；S22、将所述基础数据输入所述超级电容退化模型，获得当前时刻超级电容的退化数据；S23、所述当前时刻蓄电池放电的退化数据和所述当前时刻超级电容的退化数据，构成实时退化数据。
可选地，所述实时状态评估模块，具体用于S31、将所述实时退化数据输入优化的上层状态模型，计算下一时刻的交互代价和蓄电池退化数据；S32、将所述实时退化数据输入优化的下层状态模型，计算下一时刻的超级电容退化数据；S33、根据所述下一时刻的交互代价、蓄电池退化数据以及超级电容退化数据，评估所述待评估的目标对象的实时状态。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
综上所述，本申请提供的一种基于多维度的微电网状态评估方法及系统，包括：采集待评估目标对象的基础数据；将所述基础数据输入第一状态评估模型，获得实时退化数据；将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态；其中第一状态评估模型包括蓄电池退化模型和超级电容退化模型；第二状态评估模型包括功效模型、上层状态模型和下层状态模型。由此，本方案可以提高微电网状态评估效率和准确性，使其安全运行。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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网络单元上。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，在本申请提供的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。
所述功能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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。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以所述权利要求的保护范围为准。
Claims (8)
1.一种基于多维度的微电网状态评估方法，其特征在于，所述方法包括如下步骤：
S1、采集待评估目标对象的基础数据；
S2、将所述基础数据输入第一状态评估模型，获得实时退化数据；
S3、将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态；
所述第一状态评估模型包括：蓄电池退化模型和超级电容退化模型；
在步骤S2中将所述基础数据输入第一状态评估模型，获得实时退化数据，包括：
S21、将所述基础数据输入所述蓄电池退化模型，获得当前时刻蓄电池放电的退化数据；
S22、将所述基础数据输入所述超级电容退化模型，获得当前时刻超级电容的退化数据；
S23、所述当前时刻蓄电池放电的退化数据和所述当前时刻超级电容的退化数据，构成实时退化数据。
2.如权利要求1所述的方法，其特征在于，在步骤S21中将所述基础数据输入所述蓄电池退化模型，获得当前时刻蓄电池放电的退化数据，具体包括：
获取当前充放电时间Δt；
其中Δt＝t-t0，t表示当前时刻，t0表示起始时刻；
所述基础数据包括t时刻蓄电池的实际容量EBA(t)、当前充放电时间Δt的平均功率PB(t)以及单位放电功率下t时刻蓄电池放电的平均退化数据CBAC(t,dB(Δt))；
通过如下公式计算当前时刻蓄电池的放电深度：
通过如下公式计算当前时刻蓄电池放电的退化数据：
CBDC(t，dB(Δt))＝CBAC(t，dB(Δt))PB(t)。
3.如权利要求1所述的方法，其特征在于，在步骤S22中将所述基础数据输入所述超级电容退化模型，获得当前时刻超级电容的退化数据，具体包括：
所述基础数据还包括超级电容的替换代价CSC，超级电容的预期寿命LSC；
通过如下公式计算当前时刻超级电容的退化数据：
4.如权利要求1所述的方法，其特征在于，所述第二状态评估模型包括：功效模型、上层状态模型和下层状态模型。
5.如权利要求4所述的方法，其特征在于，在步骤S3中将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态之前，还包括：
基于所述功效模型，获取所述蓄电池和所述超级电容的限制荷电状态；
获取连续时间间隔内蓄电池充电和放电的状态转换和累积电量；
基于所述限制荷电状态、所述状态转换和所述累积电量，优化所述上层状态模型；
获取参考功率与实际功率偏差的惩罚项；
基于所述限制荷电状态和所述惩罚项，优化所述下层状态模型。
6.如权利要求1所述的方法，其特征在于，在步骤S3中将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态，还包括：
S31、将所述实时退化数据输入优化的上层状态模型，计算下一时刻的交互代价和蓄电池退化数据；
S32、将所述实时退化数据输入优化的下层状态模型，计算下一时刻的超级电容退化数据；
S33、根据所述下一时刻的交互代价、蓄电池退化数据以及超级电容退化数据，评估所述待评估的目标对象的实时状态。
7.一种基于多维度的微电网状态评估系统，使用如权利要求1-6中任一项所述的基于多维度的微电网状态评估方法，其特征在于，还包括：
数据采集模块，用于采集待评估目标对象的基础数据；
实时退化数据获取模块，用于将所述基础数据输入第一状态评估模型，获得实时退化数据；
实时状态评估模块，用于将所述实时退化数据输入第二状态评估模型，评估所述待评估的目标对象的实时状态。
8.如权利要求7所述的微电网状态评估系统，其特征在于，所述第一状态评估模型包括：蓄电池退化模型和超级电容退化模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210676949.8A CN115062259A (zh) | 2022-06-15 | 2022-06-15 | 一种基于多维度的微电网状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210676949.8A CN115062259A (zh) | 2022-06-15 | 2022-06-15 | 一种基于多维度的微电网状态评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115062259A true CN115062259A (zh) | 2022-09-16 |
Family
ID=83201015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210676949.8A Pending CN115062259A (zh) | 2022-06-15 | 2022-06-15 | 一种基于多维度的微电网状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062259A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140058571A1 (en) * | 2012-08-27 | 2014-02-27 | Nec Laboratories America, Inc. | Multi-objective energy management methods for micro-grids |
| CN109510242A (zh) * | 2018-12-26 | 2019-03-22 | 广东电网有限责任公司 | 一种微电网储能系统配置优化方法及存储介质 |
| CN111969593A (zh) * | 2020-07-24 | 2020-11-20 | 南昌大学 | 基于混合储能的热电联供微网模型预测控制优化调度方法 |
| CN114069678A (zh) * | 2021-11-24 | 2022-02-18 | 安徽工业大学 | 一种考虑储能退化成本的光储直流微电网能量调度方法 |
| CN114418453A (zh) * | 2022-03-02 | 2022-04-29 | 国网山东省电力公司临沂供电公司 | 一种基于电力市场的微电网多时间尺度能量管理系统 |
-
2022
- 2022-06-15 CN CN202210676949.8A patent/CN115062259A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140058571A1 (en) * | 2012-08-27 | 2014-02-27 | Nec Laboratories America, Inc. | Multi-objective energy management methods for micro-grids |
| CN109510242A (zh) * | 2018-12-26 | 2019-03-22 | 广东电网有限责任公司 | 一种微电网储能系统配置优化方法及存储介质 |
| CN111969593A (zh) * | 2020-07-24 | 2020-11-20 | 南昌大学 | 基于混合储能的热电联供微网模型预测控制优化调度方法 |
| CN114069678A (zh) * | 2021-11-24 | 2022-02-18 | 安徽工业大学 | 一种考虑储能退化成本的光储直流微电网能量调度方法 |
| CN114418453A (zh) * | 2022-03-02 | 2022-04-29 | 国网山东省电力公司临沂供电公司 | 一种基于电力市场的微电网多时间尺度能量管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 洪博文;郭力;王成山;焦冰琦;刘文建;: "微电网多目标动态优化调度模型与方法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hua et al. | Optimal energy management strategies for energy Internet via deep reinforcement learning approach | |
| Wang et al. | Design and advanced control strategies of a hybrid energy storage system for the grid integration of wind power generations | |
| Xu et al. | The control of lithium‐ion batteries and supercapacitors in hybrid energy storage systems for electric vehicles: a review | |
| Xiao et al. | Method, implementation and application of energy storage system designing | |
| Zou et al. | State‐of‐charge optimising control approach of battery energy storage system for wind farm | |
| Ai et al. | Multi‐time‐scale coordinated ramp‐rate control for photovoltaic plants and battery energy storage | |
| Guo et al. | Two‐stage optimal MPC for hybrid energy storage operation to enable smooth wind power integration | |
| Choudhary et al. | Grasshopper optimisation based robust power/frequency regulator for shipboard micro‐grid | |
| CN111786417A (zh) | 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法 | |
| Ghorashi Khalil Abadi et al. | A distributed rule‐based power management strategy in a photovoltaic/hybrid energy storage based on an active compensation filtering technique | |
| Zhang et al. | Sequence control strategy for hybrid energy storage system for wind smoothing | |
| Liu et al. | Energy storage sizing by copula modelling joint distribution for wind farm to be black‐start source | |
| Mumtaz et al. | Adaptive control paradigm for photovoltaic and solid oxide fuel cell in a grid-integrated hybrid renewable energy system | |
| CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
| Gonzalez‐Gonzalez et al. | Hybrid battery‐ultracapacitor storage system sizing for renewable energy network integration | |
| El Zerk et al. | Decentralised strategy for energy management of collaborative microgrids using multi‐agent system | |
| Taghizadeh et al. | Frequency control of a new topology in proton exchange membrane fuel cell/wind turbine/photovoltaic/ultra-capacitor/battery energy storage system based isolated networks by a novel intelligent controller | |
| Huang et al. | A novel deep reinforcement learning enabled agent for pumped storage hydro‐wind‐solar systems voltage control | |
| Cao et al. | Engineering energy storage sizing method considering the energy conversion loss on facilitating wind power integration | |
| Teng et al. | Distributed control strategy of hybrid energy storage system in the DC microgrid | |
| Saadaoui et al. | Hybridization and energy storage high efficiency and low cost | |
| Irmak et al. | Event‐triggered distributed secondary control for enhancing efficiency, reliability and communication in island mode DC microgrids | |
| Unigwe et al. | Smart coordination of battery energy storage systems for voltage control in distribution networks with high penetration of photovoltaics | |
| Shadabi et al. | Enabling hybrid energy storage systems in VSC‐based MTDC grids for decentralized fast frequency response control in low‐inertia AC/DC systems | |
| Zhang et al. | The voltage stabilizing control strategy of off-grid microgrid cluster bus based on adaptive genetic fuzzy double closed-loop control |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220916 |
|
| RJ01 | Rejection of invention patent application after publication |