CN118017576A - 一种构网型组串式储能变流器 - Google Patents
一种构网型组串式储能变流器 Download PDFInfo
- Publication number
- CN118017576A CN118017576A CN202410417882.5A CN202410417882A CN118017576A CN 118017576 A CN118017576 A CN 118017576A CN 202410417882 A CN202410417882 A CN 202410417882A CN 118017576 A CN118017576 A CN 118017576A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- energy
- power
- fitness
- storage unit
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 178
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000006978 adaptation Effects 0.000 claims abstract description 5
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 210000000349 chromosome Anatomy 0.000 claims description 77
- 238000000034 method Methods 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000005215 recombination Methods 0.000 claims description 12
- 230000006798 recombination Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 241001522296 Erithacus rubecula Species 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000001351 cycling effect Effects 0.000 claims description 7
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 210000000352 storage cell Anatomy 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims description 3
- 238000010977 unit operation Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects 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
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于储能变流器技术领域,本发明公开了一种构网型组串式储能变流器;包括:拓扑结构优化模块,用于采用网状拓扑结构,将n个储能单元组构成网状连接,每个储能单元组包括r个储能单元,n、r均为大于1的整数;高效能量转换模块,用于制定储能单元工作优化策略,控制能量间进行高效转换;智能储能管理模块,用于对储能单元进行实时监测和管理,根据预测的负载能量需求数据,对储能单元进行动态调度;并网适应模块,用于储能变流器与电网互联互通,并响应电网变化;本发明能够提升能源利用率和能源转换效率,并且实现需求驱动的储能智能运用,以及储能变流器与电网的高效互联。
Description
技术领域
本发明涉及储能变流器技术领域,更具体地说,本发明涉及一种构网型组串式储能变流器。
背景技术
随着可再生能源如风光发电等在工业和民生中的广泛应用,储能技术作为能源转化和平衡的重要组成部分也得到迅速发展;传统的组串式储能变流器系统采用简单的串联或并联连接模式,实现储能单元的组合;
然而,传统的组串式储能变流器系统在实际应用中也存在不足之处,例如,单体储能模块之间串联时会造成较高的传输损耗;同时,组串式组网连接较为简单,难以进行精细化的功率管理与平衡,影响系统整体效率和稳定性;更重要的是,随着使用场景的不断复杂化,如电动汽车快速充放电,分布式光伏发电的不稳定性等,对储能系统的输出要求也日益增高,单一组串式组网模式已经难以适应;
当然也存在新型的组串式储能变流器,例如公开号为CN115483695A的专利公开了组串式电池储能系统,包括DC/AC变流器和多个储能支路,DC/AC变流器交流侧与电网相连,DC/AC变流器的直流母线并联多个储能支路;储能支路由滤波电感、DC/DC变换器、电池簇和电源构成;滤波电感、DC/DC变换器的输出端、电池簇相互串联后并联在DC/AC变流器的直流母线上,DC/DC变换器输入端并联电源;DC/AC变流器根据储能系统的荷电状态等信息对直流母线电压进行动态调节,通过控制DC/DC变换器的输出电压来调节滤波电感上的电流,进而调节电池簇的输出功率;此发明DC/DC变换器输出电压仅为DC/AC变流器直流母线电压和电池簇电压之差,因此DC/DC变换器的功率远远小于电池簇发出的功率,具有损耗小、成本低的优点;
但上述技术中各储能单元仅通过串并联连接,拓扑结构简单,能量转换效率和稳定性较低;并且控制策略简单,难以提高能量转换效率;此外,缺乏对储能单元状态的实时监测与管理,无法实现根据需求动态调整储能单元间能量流动的智能管理;
鉴于此,本发明提出一种构网型组串式储能变流器以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:一种构网型组串式储能变流器,包括:
拓扑结构优化模块,用于采用网状拓扑结构,将n个储能单元组构成网状连接,每个储能单元组包括r个储能单元,n、r均为大于1的整数;
高效能量转换模块,用于制定储能单元工作优化策略,控制能量间进行高效转换;
智能储能管理模块,用于对储能单元进行实时监测和管理,根据预测的负载能量需求数据,对储能单元进行动态调度;
并网适应模块,用于储能变流器与电网互联互通,并响应电网变化。
进一步地,r个储能单元串联;其中任意两个储能单元组都通过一条或多条路径直接或间接连接。
进一步地,储能单元工作优化策略的制定方法包括:
对M个储能单元依次递增进行编号,编号范围为,/>;获取M个储能单元对应的最佳功率;
获取工作参数,工作参数包括工作电压和工作电流,通过工作电压和工作电流的乘积计算工作功率;
工作功率的表达式为:;
式中,为工作功率,/>为工作电压,/>为工作电流;
采用模拟退火算法,将工作功率分配给M个储能单元,M个储能单元根据分配到的功率进行工作。
进一步地,将工作功率分配给M个储能单元的方法包括:
步骤a:预设初始化温度、最低温度/>、降温系数/>以及最大迭代次数/>,令当前温度/>;预设m个功率集合/>,/>,m个功率集合/>均不相同;
步骤b:随机设置一个可行解,可行解/>即为一个功率集合/>,可行解/>的范围即为m个功率集合/>;
步骤c:确定第一适应度函数;
步骤d:计算可行解对应的第一适应度/>;以可行解/>为当前点,在当前点的邻域内进行随机扰动,获取新的可行解/>,并计算新的可行解/>对应的第一适应度/>;
步骤e:计算适应度差值,适应度差值/>的表达式为/>;
若适应度差值,则令/>,即将新的可行解/>的值赋予可行解/>;若适应度差值/>,则计算概率/>,根据概率/>令/>;概率/>的表达式为:/>;
步骤f:循环步骤d~步骤e,直至循环次数达到最大迭代次数时,循环结束,并进入步骤g;
步骤g:令当前温度,即将步骤a中的当前温度进行降温,将降温后的数值赋予当前温度;令最大迭代次数/>,即将减小后的最大迭代次数的数值赋予最大迭代次数;
步骤h:循环步骤d~步骤g,直至当前温度时,循环结束,获取可行解/>对应的功率集合。
进一步地,为编号1的储能单元的分配功率,/>为编号2的储能单元的分配功率,以此类推,/>为编号M的储能单元的分配功率,分配功率为储能变流器工作时每个储能单元分配的功率;/>。
进一步地,第一适应度函数的表达式为:;
式中,为第一适应度,/>为编号i的储能单元对应的最佳功率,/>为编号i的储能单元的分配功率,/>。
进一步地,实时采集每个储能单元的剩余能量和最佳能源转换效率;负载能量需求数据的预测方法包括:
连续采集N个负载能量需求数据,将连续采集的N个负载能量需求数据输入能量预测模型预测未来时刻的负载能量需求数据,将预测出的负载能量需求数据标记为预测能量;
能量预测模型的训练方法包括:
预先采集N个连续的负载能量需求数据并构建负载能量需求数据集合,基于负载能量需求数据集合,训练预测未来时刻负载能量需求数据的预测模型;
预设滑动步长L以及滑动窗口长度;将负载能量需求数据集合内的负载能量需求数据使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长L后的负载能量需求数据作为输出,每个训练样本的后续负载能量需求数据作为预测目标,以预测准确率作为训练目标,对循环神经网络模型进行训练;生成根据负载能量需求数据预测未来时刻负载能量需求数据的能量预测模型;其中,所述循环神经网络模型可以为RNN神经网络模型。
进一步地,对储能单元进行动态调度的方法包括:
步骤1:将M个储能单元进行随机组合,构成R个单元集合,;其中每个单元集合中包括h个储能单元,/>,且每个单元集合都不相同;对R个单元集合设置数字标签,数字标签范围为/>,将单元集合的数字标签标记为集合标签;
步骤2:对集合标签进行编码,获取染色体,构建初始种群;
步骤3:确定第二适应度函数;
步骤4:对种群中的染色体进行自然选择;
步骤5:对种群中的染色体进行交叉重组;
步骤6:对种群中的染色体进行变异;
步骤7:获取新种群,预设种群代数为F,适应度阈值为S,F为大于0的整数,S为大于0的实数;循环步骤4-步骤6,直至新种群对应的代数为F或新种群中存在染色体对应的第二适应度大于或等于适应度阈值S时,循环结束,将新种群中每个染色体对应的第二适应度进行排序,并生成第一排序表;
步骤8:根据第一排序表正序获取对应的染色体对应的集合标签,根据集合标签获取对应的单元集合,根据单元集合获取对应的储能单元,将获取的储能单元对应的剩余能量进行相加获取剩余能量总和;
步骤9:若剩余能量总和大于或等于预测能量,则将获取的储能单元处于工作状态;若剩余能量总和小于预测能量,则将对应的第二适应度从第一排序表中去除,并循环步骤8-步骤9。
进一步地,所述步骤2中,将集合标签编码为X,X即为染色体,X的范围为;随机生成G个染色体构成初始种群/>;
所述步骤3中,第二适应度函数的表达式为:;
式中,为第j个染色体对应的第二适应度,/>为第q个储能单元的最佳能源转换效率,/>,/>。
进一步地,所述步骤4中,自然选择采用精英法和轮转法相结合的方法进行;其中精英法产生个后代染色体,对于容量为G的种群,将G个染色体对应的第二适应度由大到小进行排列,将排在最前面的/>个染色体各产生一个后代染色体;轮转法产生/>个后代染色体,即G个染色体根据对应的轮转概率产生/>个后代染色体;/>;
轮转概率的表达式为:;
式中,为第j个染色体对应的轮转概率。
进一步地,所述步骤5中,在种群中随机选择U个染色体进行交叉重组,获取U个新染色体;交叉重组采用PMX法;染色体交叉重组后,计算U个新染色体的第二适应度,将U个新染色体的第二适应度与U个染色体的第二适应度从大到小进行排序并生成第二排序表,按照正序将第二排序表中的U个染色体,替换种群中进行交叉重组的U个染色体;
所述步骤6中,预设变异概率为H,根据变异概率对种群中的G个染色体进行变异,变异方法为随机选择染色体中两个基因的位置,交换两个基因的值。
进一步地,响应电网变化的方法包括:
实时采集多个用户功率;将多个用户功率相加获取电网运行功率;
预设正常频谱图;
采用可调谐功率源设备向电网注入低频信号;实时采集信号,并采用快速傅里叶变换进行频谱分析,将分析出的频谱图标记为分析频谱图;
将正常频谱图与分析频谱图进行对比;
若正常频谱图与分析频谱图一致,则不生成异常指令;
若正常频谱图与分析频谱图不一致,则生成异常指令;
若生成异常指令,则根据电网故障前的电网运行功率,对电网进行功率补偿。
本发明一种构网型组串式储能变流器的技术效果和优点:
采用网状拓扑将储能单元进行组合,利用多路径互联提升能源利用率并提高系统稳定性;同时,通过优化算法实现储能单元功率分配,使得各储能单元的输出接近最佳工作点,从而提高整体的能源转换效率;并且利用先进算法预测负载,实时调度储能状态,以实现需求驱动的储能智能运用;此外,能够根据变化频谱识别电网异常情况,并及时进行补偿,从而实现储能变流器与电网的高效互联。
附图说明
图1为本发明实施例的一种构网型组串式储能变流器示意图;
图2为本发明实施例的工作功率分配方法流程图;
图3为本发明实施例的储能单元动态调度方法流程图。
具体实施方式
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,都属于本发明保护的范围。
请参阅图1所示,本实施例所述一种构网型组串式储能变流器,包括拓扑结构优化模块、高效能量转换模块、智能储能管理模块以及并网适应模块;各个模块通过有线和/或无线的方式进行连接,实现模块间的数据传输;
拓扑结构优化模块,用于采用网状拓扑结构,将n个储能单元组构成网状连接,每个储能单元组包括r个储能单元,r个储能单元串联,n、r均为大于1的整数;其中任意两个储能单元组都通过一条或多条路径直接或间接连接,不存在孤立的储能单元组;储能单元例如电池、电容等;
需要说明的是,采用网状拓扑结构的原因在于,网状拓扑结构使得各储能单元组间可以实现多路径互联,能量可以相互转移补充,以提高能量利用率;并且能量可以通过多条路径并行传输,减少线损(即电传导线或其他输送管道在传输过程中,因电阻或其他因素而产生的能量损失);同时,各储能单元组间相互连接,单条路径故障时可以快速切换路径,使得影响最小化,提高系统稳定性;
高效能量转换模块,用于制定储能单元工作优化策略,控制能量间进行高效转换;
储能单元工作优化策略的制定方法包括:
对M个储能单元依次递增进行编号,编号范围为,/>;获取M个储能单元对应的最佳功率,M个储能单元对应的最佳功率由本领域技术人员依次对每个储能单元进行充放电试验,依次记录每个储能单元在不同电流值条件下对应的电压值,并依次计算出每个储能单元的输出功率,将每个储能单元对应的多个输出功率中最大的输出功率,作为对应储能单元的最佳功率;
获取工作参数,工作参数包括工作电压和工作电流,通过工作电压和工作电流的乘积计算工作功率;工作参数由与储能变流器连接的负载设备的控制系统获取,储能变流器即为本实施所述的构网型组串式储能变流器;
工作功率的表达式为:;
式中,为工作功率,/>为工作电压,/>为工作电流;
采用模拟退火算法,将工作功率分配给M个储能单元,M个储能单元根据分配到的功率进行工作;
使得M个储能单元的输出功率均接近对应的最佳功率,以接近最佳工作点,实现能量间的高效转换;
请参阅图2所示,将工作功率分配给M个储能单元的方法包括:
步骤a:预设初始化温度、最低温度/>、降温系数/>以及最大迭代次数/>,令当前温度/>;预设m个功率集合/>,/>,m个功率集合/>均不相同,即每个功率集合/>中至少存在两个元素不同;
其中,为编号1的储能单元的分配功率,/>为编号2的储能单元的分配功率,以此类推,/>为编号M的储能单元的分配功率,分配功率为储能变流器工作时每个储能单元分配的功率;/>;
步骤b:随机设置一个可行解,可行解/>即为一个功率集合/>,可行解/>的范围即为m个功率集合/>;
步骤c:确定第一适应度函数;
第一适应度函数的表达式为:;
式中,为第一适应度,/>为编号i的储能单元对应的最佳功率,/>为编号i的储能单元的分配功率,/>;
需要说明的是,分配给每个储能单元的功率越接近对应的最佳功率,即计算出的第一适应度越小,说明储能单元的工作越接近最佳工作点,能够提高能量转换效率,减少能量的损失和浪费,反之则相反;
步骤d:计算可行解对应的第一适应度/>;以可行解/>为当前点,在当前点的邻域内进行随机扰动,获取新的可行解/>,并计算新的可行解/>对应的第一适应度/>;
步骤e:计算适应度差值,适应度差值/>的表达式为/>;
若适应度差值,则令/>,即将新的可行解/>的值赋予可行解/>;若适应度差值/>,则计算概率/>,根据概率/>令/>;概率/>的表达式为:/>;
步骤f:循环步骤d~步骤e,直至循环次数达到最大迭代次数时,循环结束,并进入步骤g;
步骤g:令当前温度,即将步骤a中的当前温度进行降温,将降温后的数值赋予当前温度;令最大迭代次数/>,即将减小后的最大迭代次数的数值赋予最大迭代次数;若减小后的最大迭代次数不为整数,则将减小后的最大迭代次数向上取整,使得减小后的最大迭代次数为整数;
步骤h:循环步骤d~步骤g,直至当前温度时,循环结束,获取可行解/>对应的功率集合;
需要说明的是,将初始化温度、最低温度/>、降温系数/>以及最大迭代次数作为预设参数,预设参数由本领域技术人员,在历史功率分配过程中,收集Q组分析集合,每组分析集合中包括m个功率集合,对于相同的分析集合,依次预先设置多组不同的预设参数,依次采用模拟退火算法获取功率集合,根据获取的多个功率集合计算对应的第一适应度,将第一适应度最小对应的预设参数,作为该组分析集合对应的预设参数,以此类推获取Q组分析集合对应的预设参数,将多个预设参数均值(即初始化温度均值、最低温度均值、降温系数均值以及最大迭代次数均值)作为步骤a中预设的初始化温度/>、最低温度/>、降温系数/>以及最大迭代次数/>;
智能储能管理模块,用于对储能单元进行实时监测和管理,根据预测的负载能量需求数据,对储能单元进行动态调度;
实时采集每个储能单元的剩余能量和最佳能源转换效率;
剩余能量由储能单元内置的计量系统获取,最佳能源转换效率由储能单元的制造厂商提供的性能数据获取;
负载能量需求数据的预测方法包括:
连续采集N个负载能量需求数据,将连续采集的N个负载能量需求数据输入能量预测模型预测未来时刻的负载能量需求数据,将预测出的负载能量需求数据标记为预测能量;负载能量需求数据为与储能变流器连接的负载设备工作时所需要的能量,负载能量需求数据由负载设备的控制系统获取,N个负载能量需求数据的采集间隔由本领域技术人员根据历史储能变流器运行过程中,负载能量需求数据的变化频率进行设置;
能量预测模型的训练方法包括:
预先采集N个连续的负载能量需求数据并构建负载能量需求数据集合,基于负载能量需求数据集合,训练预测未来时刻负载能量需求数据的预测模型;
根据本领域技术人员的实际经验预设滑动步长L以及滑动窗口长度;将负载能量需求数据集合内的负载能量需求数据使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长L后的负载能量需求数据作为输出,每个训练样本的后续负载能量需求数据作为预测目标,以预测准确率作为训练目标,对循环神经网络模型进行训练;生成根据负载能量需求数据预测未来时刻负载能量需求数据的能量预测模型;其中,所述循环神经网络模型可以为RNN神经网络模型;
示例性的,假设负载能量需求数据集合包含10组负载能量需求数据,/>={/>, , />... , />},/>为第/>组负载能量需求数据,使用滑动窗口构建多个训练样本,定义滑动窗口的长度为3,滑动步长L为1,每个训练样本包含连续的3个负载能量需求数据,将连续的3个负载能量需求数据的下一个负载能量需求数据作为预测目标;例如:
{, />, />}作为训练数据,{/>, />, />}对应的预测目标为/>;
{, />, />}作为训练数据,{/>, />, />}对应的预测目标为/>;以此类推,用于能量预测模型;
请参阅图3所示,对储能单元进行动态调度的方法包括:
步骤1:将M个储能单元进行随机组合,构成R个单元集合,;其中每个单元集合中包括h个储能单元,/>,且每个单元集合都不相同;对R个单元集合设置数字标签,数字标签范围为/>,将单元集合的数字标签标记为集合标签;
步骤2:对集合标签进行编码,获取染色体,构建初始种群;
步骤3:确定第二适应度函数;
步骤4:对种群中的染色体进行自然选择;
步骤5:对种群中的染色体进行交叉重组;
步骤6:对种群中的染色体进行变异;
步骤7:获取新种群,预设种群代数为F,适应度阈值为S,F为大于0的整数,S为大于0的实数;循环步骤4-步骤6,直至新种群对应的代数为F或新种群中存在染色体对应的第二适应度大于或等于适应度阈值S时,循环结束,将新种群中每个染色体对应的第二适应度进行排序,并生成第一排序表;示例性的,若预设种群代数为1,则对初始种群中的染色体进行自然选择、交叉重组和变异后获取新种群,此时新种群对应的代数即为1,因此循环结束;
步骤8:根据第一排序表正序获取对应的染色体对应的集合标签,根据集合标签获取对应的单元集合,根据单元集合获取对应的储能单元,将获取的储能单元对应的剩余能量进行相加获取剩余能量总和;
步骤9:若剩余能量总和大于或等于预测能量,则将获取的储能单元处于工作状态,以实现需求驱动的储能智能运用;若剩余能量总和小于预测能量,则将对应的第二适应度从第一排序表中去除,并循环步骤8-步骤9;
需要说明的是,适应度阈值S由本领域技术人员根据算法精度进行预设,种群代数F由本领域技术人员在多个不同的预测能量条件下,多次采用遗传算法获取对应的集合标签,在每次采用遗传算法过程中,当新种群中存在染色体对应的第二适应度大于或等于适应度阈值S时,则循环结束,获取新种群对应的代数;将多个代数中最大的代数作为种群代数F;
上述步骤2中,将集合标签编码为X,X即为染色体,X的范围为;随机生成G个染色体构成初始种群/>;
上述步骤3中,第二适应度函数的表达式为:;
式中,为第j个染色体对应的第二适应度,/>为第q个储能单元的最佳能源转换效率,/>,/>;
上述步骤4中,自然选择采用精英法和轮转法相结合的方法进行;其中精英法产生个后代染色体,对于容量为G的种群,将G个染色体对应的第二适应度由大到小进行排列,将排在最前面的/>个染色体各产生一个后代染色体;轮转法产生/>个后代染色体,即G个染色体根据对应的轮转概率产生/>个后代染色体;/>,以保持后代种群容量G不变,种群代数递增;
轮转概率的表达式为:;
式中,为第j个染色体对应的轮转概率;
上述步骤5中,在种群中随机选择U个染色体进行交叉重组,获取U个新染色体;交叉重组采用PMX法,PMX法为现有技术手段,在此不做过多赘述;染色体交叉重组后,计算U个新染色体的第二适应度,将U个新染色体的第二适应度与U个染色体的第二适应度从大到小进行排序并生成第二排序表,按照正序将第二排序表中的U个染色体,替换种群中进行交叉重组的U个染色体;本实施例优选,若计算出的U不为整数,则将U向上取整,确保计算出的U为整数;
上述步骤6中,预设变异概率为H,根据变异概率对种群中的G个染色体进行变异,变异方法为随机选择染色体中两个基因的位置,交换两个基因的值,本实施例优选H为0.02;变异概率由本领域技术人员根据算法效率和算法精度进行预设;
并网适应模块,用于储能变流器与电网互联互通,并响应电网变化;
储能变流器中的n个储能单元组通过DC-AC变流器与电网相连;
响应电网变化的方法包括:
实时采集多个用户功率,用户功率由安装在用户侧的智能电表获取;将多个用户功率相加获取电网运行功率;
预设正常频谱图;
采用可调谐功率源设备向电网注入低频信号;实时采集信号,并采用快速傅里叶变换进行频谱分析,将分析出的频谱图标记为分析频谱图;
将正常频谱图与分析频谱图进行对比;
若正常频谱图与分析频谱图一致,则不生成异常指令,说明电网并未发生故障;
若正常频谱图与分析频谱图不一致,则生成异常指令,说明电网发生故障,需要及时补偿电网功率;
需要说明的是,正常频谱图由本领域技术人员,在历史电网正常运行过程中,向电网注入低频信号,并采集信号进行频谱分析,将分析出的频谱图作为正常频谱图;
若生成异常指令,则储能变流器根据电网故障前的电网运行功率,对电网进行功率补偿;以及时响应电网故障,最大限度保持电网的平稳和可靠运行;
本实施例采用网状拓扑将储能单元进行组合,利用多路径互联提升能源利用率并提高系统稳定性;同时,通过优化算法实现储能单元功率分配,使得各储能单元的输出接近最佳工作点,从而提高整体的能源转换效率;并且利用先进算法预测负载,实时调度储能状态,以实现需求驱动的储能智能运用;此外,能够根据变化频谱识别电网异常情况,并及时进行补偿,从而实现储能变流器与电网的高效互联。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,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,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,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。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种构网型组串式储能变流器,其特征在于,包括:
拓扑结构优化模块,用于采用网状拓扑结构,将n个储能单元组构成网状连接,每个储能单元组包括r个储能单元,n、r均为大于1的整数;
高效能量转换模块,用于制定储能单元工作优化策略,控制能量间进行高效转换;
智能储能管理模块,用于对储能单元进行实时监测和管理,根据预测的负载能量需求数据,对储能单元进行动态调度;
并网适应模块,用于储能变流器与电网互联互通,并响应电网变化。
2.根据权利要求1所述的一种构网型组串式储能变流器,其特征在于,所述r个储能单元串联;其中任意两个储能单元组都通过一条或多条路径直接或间接连接。
3.根据权利要求2所述的一种构网型组串式储能变流器,其特征在于,所述储能单元工作优化策略的制定方法包括:
对M个储能单元依次递增进行编号,编号范围为,/>;获取M个储能单元对应的最佳功率;
获取工作参数,工作参数包括工作电压和工作电流,通过工作电压和工作电流的乘积计算工作功率;
工作功率的表达式为:;
式中,为工作功率,/>为工作电压,/>为工作电流;
采用模拟退火算法,将工作功率分配给M个储能单元,M个储能单元根据分配到的功率进行工作。
4.根据权利要求3所述的一种构网型组串式储能变流器,其特征在于,所述将工作功率分配给M个储能单元的方法包括:
步骤a:预设初始化温度、最低温度/>、降温系数/>以及最大迭代次数/>,令当前温度/>;预设m个功率集合/>,/>,m个功率集合/>均不相同;
步骤b:随机设置一个可行解,可行解/>即为一个功率集合/>,可行解/>的范围即为m个功率集合/>;
步骤c:确定第一适应度函数;
步骤d:计算可行解对应的第一适应度/>;以可行解/>为当前点,在当前点的邻域内进行随机扰动,获取新的可行解/>,并计算新的可行解/>对应的第一适应度/>;
步骤e:计算适应度差值,适应度差值/>的表达式为/>;
若适应度差值,则令/>,即将新的可行解/>的值赋予可行解/>;若适应度差值/>,则计算概率/>,根据概率/>令/>;概率/>的表达式为:/>;
步骤f:循环步骤d~步骤e,直至循环次数达到最大迭代次数时,循环结束,并进入步骤g;
步骤g:令当前温度,即将步骤a中的当前温度进行降温,将降温后的数值赋予当前温度;令最大迭代次数/>,即将减小后的最大迭代次数的数值赋予最大迭代次数;
步骤h:循环步骤d~步骤g,直至当前温度时,循环结束,获取可行解/>对应的功率集合。
5.根据权利要求4所述的一种构网型组串式储能变流器,其特征在于,为编号1的储能单元的分配功率,/>为编号2的储能单元的分配功率,以此类推,/>为编号M的储能单元的分配功率,分配功率为储能变流器工作时每个储能单元分配的功率;。
6.根据权利要求5所述的一种构网型组串式储能变流器,其特征在于,所述第一适应度函数的表达式为:;
式中,为第一适应度,/>为编号i的储能单元对应的最佳功率,/>为编号i的储能单元的分配功率,/>。
7.根据权利要求6所述的一种构网型组串式储能变流器,其特征在于,实时采集每个储能单元的剩余能量和最佳能源转换效率;负载能量需求数据的预测方法包括:
连续采集N个负载能量需求数据,将连续采集的N个负载能量需求数据输入能量预测模型预测未来时刻的负载能量需求数据,将预测出的负载能量需求数据标记为预测能量;
所述能量预测模型的训练方法包括:
预先采集N个连续的负载能量需求数据并构建负载能量需求数据集合,基于负载能量需求数据集合,训练预测未来时刻负载能量需求数据的预测模型;
预设滑动步长L以及滑动窗口长度;将负载能量需求数据集合内的负载能量需求数据使用滑动窗口方法将其转化为多个训练样本,将训练样本作为循环神经网络模型的输入,预测滑动步长L后的负载能量需求数据作为输出,每个训练样本的后续负载能量需求数据作为预测目标,以预测准确率作为训练目标,对循环神经网络模型进行训练;生成根据负载能量需求数据预测未来时刻负载能量需求数据的能量预测模型;其中,所述循环神经网络模型为RNN神经网络模型。
8.根据权利要求7所述的一种构网型组串式储能变流器,其特征在于,所述对储能单元进行动态调度的方法包括:
步骤1:将M个储能单元进行随机组合,构成R个单元集合,;其中每个单元集合中包括h个储能单元,/>,且每个单元集合都不相同;对R个单元集合设置数字标签,数字标签范围为/>,将单元集合的数字标签标记为集合标签;
步骤2:对集合标签进行编码,获取染色体,构建初始种群;
步骤3:确定第二适应度函数;
步骤4:对种群中的染色体进行自然选择;
步骤5:对种群中的染色体进行交叉重组;
步骤6:对种群中的染色体进行变异;
步骤7:获取新种群,预设种群代数为F,适应度阈值为S,F为大于0的整数,S为大于0的实数;循环步骤4-步骤6,直至新种群对应的代数为F或新种群中存在染色体对应的第二适应度大于或等于适应度阈值S时,循环结束,将新种群中每个染色体对应的第二适应度进行排序,并生成第一排序表;
步骤8:根据第一排序表正序获取对应的染色体对应的集合标签,根据集合标签获取对应的单元集合,根据单元集合获取对应的储能单元,将获取的储能单元对应的剩余能量进行相加获取剩余能量总和;
步骤9:若剩余能量总和大于或等于预测能量,则将获取的储能单元处于工作状态;若剩余能量总和小于预测能量,则将对应的第二适应度从第一排序表中去除,并循环步骤8-步骤9。
9.根据权利要求8所述的一种构网型组串式储能变流器,其特征在于,所述步骤2中,将集合标签编码为X,X即为染色体,X的范围为;随机生成G个染色体构成初始种群;
所述步骤3中,第二适应度函数的表达式为:;
式中,为第j个染色体对应的第二适应度,/>为第q个储能单元的最佳能源转换效率,/>,/>。
10.根据权利要求9所述的一种构网型组串式储能变流器,其特征在于,所述步骤4中,自然选择采用精英法和轮转法相结合的方法进行;其中精英法产生个后代染色体,对于容量为G的种群,将G个染色体对应的第二适应度由大到小进行排列,将排在最前面的/>个染色体各产生一个后代染色体;轮转法产生/>个后代染色体,即G个染色体根据对应的轮转概率产生/>个后代染色体;/>;
轮转概率的表达式为:;
式中,为第j个染色体对应的轮转概率。
11.根据权利要求10所述的一种构网型组串式储能变流器,其特征在于,所述步骤5中,在种群中随机选择U个染色体进行交叉重组,获取U个新染色体;交叉重组采用PMX法;染色体交叉重组后,计算U个新染色体的第二适应度,将U个新染色体的第二适应度与U个染色体的第二适应度从大到小进行排序并生成第二排序表,按照正序将第二排序表中的U个染色体,替换种群中进行交叉重组的U个染色体;
所述步骤6中,预设变异概率为H,根据变异概率对种群中的G个染色体进行变异,变异方法为随机选择染色体中两个基因的位置,交换两个基因的值。
12.根据权利要求11所述的一种构网型组串式储能变流器,其特征在于,所述响应电网变化的方法包括:
实时采集多个用户功率;将多个用户功率相加获取电网运行功率;
预设正常频谱图;
采用可调谐功率源设备向电网注入低频信号;实时采集信号,并采用快速傅里叶变换进行频谱分析,将分析出的频谱图标记为分析频谱图;
将正常频谱图与分析频谱图进行对比;
若正常频谱图与分析频谱图一致,则不生成异常指令;
若正常频谱图与分析频谱图不一致,则生成异常指令;
若生成异常指令,则根据电网故障前的电网运行功率,对电网进行功率补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417882.5A CN118017576A (zh) | 2024-04-09 | 2024-04-09 | 一种构网型组串式储能变流器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417882.5A CN118017576A (zh) | 2024-04-09 | 2024-04-09 | 一种构网型组串式储能变流器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118017576A true CN118017576A (zh) | 2024-05-10 |
Family
ID=90958263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410417882.5A Pending CN118017576A (zh) | 2024-04-09 | 2024-04-09 | 一种构网型组串式储能变流器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118017576A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110867852A (zh) * | 2019-11-25 | 2020-03-06 | 广州供电局有限公司 | 计及全寿命周期成本的微电网储能优化配置方法及装置 |
CN116316768A (zh) * | 2023-05-23 | 2023-06-23 | 中国华能集团清洁能源技术研究院有限公司 | 构网型分散式储能系统 |
CN116722541A (zh) * | 2023-06-15 | 2023-09-08 | 国网浙江省电力有限公司温州供电公司 | 一种基于卷积神经网络的电力系统负荷预测方法及装置 |
CN117335476A (zh) * | 2023-11-17 | 2024-01-02 | 国网上海市电力公司 | 构网型储能的soc平衡方法、装置及系统 |
CN117353359A (zh) * | 2023-12-05 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及系统 |
CN117411011A (zh) * | 2023-09-12 | 2024-01-16 | 百色新铝电力有限公司 | 多发电系统的电力负荷柔性调节系统 |
CN117674228A (zh) * | 2023-12-05 | 2024-03-08 | 国网青海省电力公司清洁能源发展研究院 | 一种构网型储能系统 |
CN117728476A (zh) * | 2024-02-18 | 2024-03-19 | 北京国网电力技术股份有限公司 | 构网型储能变流器的智能控制方法及系统 |
CN117833360A (zh) * | 2023-12-30 | 2024-04-05 | 北京国网电力技术股份有限公司 | 基于分布式架构的构网型变流器控制方法及系统 |
-
2024
- 2024-04-09 CN CN202410417882.5A patent/CN118017576A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110867852A (zh) * | 2019-11-25 | 2020-03-06 | 广州供电局有限公司 | 计及全寿命周期成本的微电网储能优化配置方法及装置 |
CN116316768A (zh) * | 2023-05-23 | 2023-06-23 | 中国华能集团清洁能源技术研究院有限公司 | 构网型分散式储能系统 |
CN116722541A (zh) * | 2023-06-15 | 2023-09-08 | 国网浙江省电力有限公司温州供电公司 | 一种基于卷积神经网络的电力系统负荷预测方法及装置 |
CN117411011A (zh) * | 2023-09-12 | 2024-01-16 | 百色新铝电力有限公司 | 多发电系统的电力负荷柔性调节系统 |
CN117335476A (zh) * | 2023-11-17 | 2024-01-02 | 国网上海市电力公司 | 构网型储能的soc平衡方法、装置及系统 |
CN117353359A (zh) * | 2023-12-05 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及系统 |
CN117674228A (zh) * | 2023-12-05 | 2024-03-08 | 国网青海省电力公司清洁能源发展研究院 | 一种构网型储能系统 |
CN117833360A (zh) * | 2023-12-30 | 2024-04-05 | 北京国网电力技术股份有限公司 | 基于分布式架构的构网型变流器控制方法及系统 |
CN117728476A (zh) * | 2024-02-18 | 2024-03-19 | 北京国网电力技术股份有限公司 | 构网型储能变流器的智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Near-fastest battery balancing by cell/module reconfiguration | |
CN109755967B (zh) | 一种配电网中光储系统的优化配置方法 | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
CN109755949B (zh) | 一种热电联合储能电站功率的优化分配方法及装置 | |
CN105337315A (zh) | 一种风光蓄互补独立微电网高维多目标优化配置方法 | |
CN110414810B (zh) | 计及失负荷风险的多端智能软开关优化配置方法及系统 | |
CN108667054B (zh) | 一种储能规划方法及装置 | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN114662751B (zh) | 基于lstm的园区多能短期负荷预测及优化方法 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN115000985A (zh) | 一种用户侧分布式储能设施聚合管控方法及系统 | |
CN111242389A (zh) | 一种智能储能软开关规划方法、系统、设备及介质 | |
CN110707788A (zh) | 一种分布式储能电站中储能电池阵列快速均衡系统及方法 | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN118017576A (zh) | 一种构网型组串式储能变流器 | |
CN110796287A (zh) | 基于多种群遗传算法的分段式综合能源系统运行优化方法 | |
CN115133607A (zh) | 用户侧退役电池储能容量配置方法、系统、设备和介质 | |
Udeogu et al. | Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach | |
CN113642988A (zh) | 一种多工况多类型储能电站成本效益分析方法及定型系统 | |
CN112636376A (zh) | 一种混合储能装置在配电网中的运行优化方法和架构 | |
CN112583034A (zh) | 一种计及多种随机变量的储能设备配置优化方法 | |
CN118100173B (zh) | 基于电氢储能的配电网协调优化调度方法及系统 | |
CN116191423B (zh) | 一种光伏发电系统的电力收集系统及方法 | |
CN117175647B (zh) | 一种应用于微电网的新能源储能方法及系统 | |
CN114679344B (zh) | 一种计及负载和气象影响的5g绿色基站供电优化方法 |
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 |