CN118017577B - 一种基于构网型变流器的储能系统控制方法及系统 - Google Patents
一种基于构网型变流器的储能系统控制方法及系统 Download PDFInfo
- Publication number
- CN118017577B CN118017577B CN202410429027.6A CN202410429027A CN118017577B CN 118017577 B CN118017577 B CN 118017577B CN 202410429027 A CN202410429027 A CN 202410429027A CN 118017577 B CN118017577 B CN 118017577B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- converter
- grid
- value
- battery
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims description 58
- 241001672018 Cercomela melanura Species 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 49
- 238000007599 discharging Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 239000003795 chemical substances by application Substances 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 16
- 230000002787 reinforcement Effects 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Abstract
本发明涉及新能源并网控制技术领域,尤其涉及一种基于构网型变流器的储能系统控制方法及系统,该方法通过利用双向DC/DC变流器、储能电池组及其他电子电力装置构建分布式排列的构网型变流器储能子系统,并结合光伏发电阵列、负荷和交流配电网构建微电网系统,其次通过监测所述系统构建系统充放电管理策略并获取偏差,然后通过监控每个储能电池剩余SOC获取子偏差,利用该偏差计算得到对应变流器控制参数,控制每个储能子系统具体充放电过程,同时利用储能子系统异常数据对对应变流器控制参数进行更新,本发明不仅实现了微电网充放电平衡,而且实现了对储能子系统充放电过程的智能控制和负荷均衡,提高了电池寿命。
Description
技术领域
本发明涉及新能源并网控制技术领域,尤其涉及一种基于构网型变流器的储能系统控制方法及系统。
背景技术
全球能源产业变革促进了电力系统电力电子化转型,以新能源为主体的电力电子化电力系统中同步机占比低,系统呈现低惯量、弱阻尼特征,引发了一系列运行问题。构网型变流器本质为电压源,能够主动构建电压频率,为系统提供惯量支撑,有利于改善系统稳定性,是提高新能源主动支撑能力的有效手段;然而现有变流器采用跟网型控制的较多,在与电网同步时需要锁相环测量公共耦合点的相位信息,不利于在弱网进行稳定性分析。
如授权公告号为CN114944663B的中国专利公开了一种基于构网型变流器的储能系统控制方法及系统,包括:在虚拟调频控制环节,基于电网实际频率获取附加参考功率;在虚拟惯量和阻尼控制环节,基于附加参考功率获取储能变流器输出的内电势虚拟相位角;在虚拟励磁控制环节,获取变流器输出的内电势幅值;在电压外环虚拟电路控制环节,基于内电势虚拟相位角和内电势幅值计算电流内环参考值;在电流内环控制环节,基于所述电流内环参考值和内电势虚拟相位角确定三相静止坐标系下的参考电压;基于PWM发生器输出的触发脉冲对储能系统进行控制。
如公开号为CN117335476A的专利公开了一种构网型储能的SOC平衡方法、装置及系统,包括以下步骤:获取各储能设备的实时SOC,计算获得一平均SOC;针对每个构网型变流器,基于所述平均SOC与对应储能设备的实时SOC的差值,生成有功功率补偿信号,基于所述有功功率补偿信号,控制构网型变流器的输出有功功率。
通过对上述现有技术的分析发现,现有的技术通过构网型变流器解决储能系统电能转化的过程,大多数都是只从单一的变流器工作过程进行解决,但是现有的大型微电网系统通常都包含很多变流器,这就使得各个基于构网型储能子系统储能电池的充放电过程难以统一运行,且各个电池在充放电过程中由于参数不同,导致所有变流器的输出电压很难和外部母线的电压达到协调一致,导致电池出现过充或过放的问题,进而导致电池使用寿命降低;为了解决上述问题,本发明提供了一种基于构网型变流器的储能系统控制方法及系统。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种基于构网型变流器的储能系统控制方法及系统,通过双向DC/DC变流器和储能电池组等构建分布式储能子系统,并与光伏发电阵列、负荷和配电网构成微电网。系统中配置了高频监测设备,实时监测储能电池参数、光伏输出及电能需求,并估算电池荷电状态。利用实时数据,计算储能子系统的充放电策略和偏差值。基于电池荷电状态,计算充放电权重系数和子系统的充放电子偏差。根据偏差值,生成控制参数和控制信号,以控制储能子系统的充放电过程。同时,系统监测储能子系统的故障和温度异常,一旦发生,将实时阻断并重新分配充放电子偏差,更新控制参数,确保系统稳定运行。该方法实现了微电网中储能子系统的智能监控和协同管理,提高了系统的可靠性和安全性,同时提升了电池的使用寿命。
为实现上述目的,本发明提供如下技术方案:
一种基于构网型变流器的储能系统控制方法,包括以下步骤:
S1:利用双向DC/DC变流器,储能电池组以及电子电力装置构建n个分布式排列的构网型变流器储能子系统,并利用分布式排列的构网型变流器储能子系统、光伏发电阵列、m个负荷和交流配电网构建微电网黑启动系统;
S2:在上述微电网黑启动系统中配置高频实时电力监测设备,实时监测系统中n个构网型变流器储能子系统中储能电池的电流输出量、端电压值与温度数据,双向DC/DC变流器输入输出参数,光伏发电阵列的实时输出电能数据以及m个负荷和交流配电网的电能需求数据,并利用储能电池的电流输出量、端电压值和电池温度数据对储能电池实时荷电状态SOC进行估算,同时对监测和估算数据进行预处理和实时更新保存;
S3:利用保存的光伏发电阵列的实时输出电能数据以及m个负荷和交流配电网的电能需求数据,计算获取构网型变流器储能子系统充放电管理策略和充放电偏差值;
S4:利用n个构网型变流器储能子系统中储能电池组荷电状态SOC数据,计算得到每个储能电池的充放电权重系数,根据权重系数计算得到n个储能子系统中每一个储能子系统充放电子偏差值;
S5:根据获取的n个储能子系统充放电子偏差值,计算得到每一个构网型变流器储能子系统中双向DC/DC变流器的具体控制参数,利用计算得到的参数生成对应子系统的控制信号,控制对应储能子系统的具体充电和放电过程;
S6:利用监测设备对上述微电网黑启动系统中每一个储能子系统和功能模块进行监测,获取每一个储能子系统的故障异常及温度异常情况,当微电网黑启动系统中任一储能子系统、功能模块发生故障异常、或电池温度超过警戒值时,将故障或温度异常信号进行上传,并对对应子系统进行实时阻断,同时将阻断信息共享给正常工作子系统,重复S4过程,对充放电子偏差进行重新分配,并基于重新分配充放电子偏差,构建和更新变流器控制参数,对储能子系统进行控制。
具体地,S2中电池荷电状态SOC估算,采用了一种遗传算法优化的BP估计策略,具体过程包括:
S201:设第k个储能子系统中储能电池的历史电流输出序列值为、电池端电压值序列值为/>、温度序列值为/>以及对应的t时刻SOC数据序列值为/>,基于此构建输入向量/>,输出变量/>;其中/>表示第k个储能子系统中储能电池在第t时刻荷电状态的预测值;
S202:构建遗传算法优化的BP算法,将输入向量及对应SOC数据序列输入到遗传算法优化的BP算法中计算得到/>,并利用/>与/>计算出预测误差,将误差输入到遗传算法优化的BP算法中进行参数优化训练,直到训练完成,获取训练完成模型及其参数;
S203:将监测设备实时监测获取的对应输入向量输入到训练完成模型中计算得到第k个储能子系统中储能电池对应的实时SOC预测值,并输出其对应的SOC变化趋势;
S204:重复S201-S203过程计算出所有储能子系统中储能电池对应的实时SOC估计值。
具体地,S3中充放电管理策略和充放电偏差值,具体包括:
S301:设表示光伏发电阵列第t时刻的发电功率值,/>表示m个负荷在第t时刻的功率消耗值,/>表示交流配电网在第t时刻的功率需求值,基于此构建充放电偏差值,具体包括:
;
其中,表示第t时刻微电网黑启动系统充放电偏差值,/>表示第t时刻微电网黑启动系统线路损耗;
S302:当为正时表明发电功率值大于负荷及交流配电网需求值,此时根据获取的/>生成控制参数控制变流器将交流电转化为直流,对电能进行储存,当电池存储电能达到对应电池最大荷电状态/>时,停止充电;其中,/>表示第t时刻微电网黑启动系统中储能子系统充电偏差值;
S303:当为负时表明发电功率值小于负荷及交流配电网需求值,此时根据获取的/>生成控制参数控制变流器将直流电转化为交流电,对电能进行释放,当电池存储电能达到对应电池最小荷电状态/>时,停止放电;其中,/>表示第t时刻微电网黑启动系统中储能子系统放电偏差值。
具体地,S4中储能子系统充放电子偏差值具体计算过程包括:
S401:设为S201-S204计算得到的对应n个储能子系统中储能电池组荷电状态估计值;
S402:当储能电池满足S302时,第k个储能子系统中储能电池充电权重系数为:,对应充电子偏差为:/>;当储能电池满足S303时,储能电池放电权重系数为:/>,对应放电子偏差为:/>;其中/>表示电池额定荷电状态;
S403:重复上述S402过程计算得到所有储能子系统中电池的对应充电权重系数、充电子偏差、放电权重系数和放电子偏差。
具体地,上述S5计算变流器具体控制参数,采用了一种统一多智能体强化学习控制策略,具体过程包括:
S501:设n个分布式排列的构网型变流器储能子系统都是并联式连接在母线上,且当前处于放电状态;
S502:利用对应储能电池荷电状态预测值、温度序列/>、储能电池输出电流,对应储能子系统放电子偏差/>、变流器电压幅值参考/>、变流器输出端角频率参考/>、母线电压/>,第k个储能子系统母线端局部电流值/>,第k个智能体变流器输出端电压与母线电压偏差/>,第k-1个智能体的输入状态/>,构建第k个储能子系统对应智能体的输入状态/>;同时构造组合式奖励函数,
,
其中,和/>依次表示对应奖励函数的加权系数,/>和依次表示对应奖励函数的增益系数,/>表示第k个变流器输出端电压与母线电压一致性奖励,/>表示第k个智能体变流器输出端电压与第k-1个智能体变流器输出端电压一致性奖励,/>表示所有智能体对应变流器输出电流总和与母线电流一致性奖励;/>表示电池组荷电状态奖励;/>表示所有智能体协调一致性奖励;/>表示第k个智能体变流器输出端电压与第k-1个智能体变流器输出端电压误差;/>表示所有智能体对应变流器输出电流总和与母线电流误差;
S503:设每个双向DC/DC变流器控制器为一个智能体,构建由n个强化学习算法组成的多智能体模型,并将上述构建的输入状态和奖励函数作为输入,获取对应每个智能体变流器控制参数,包括电压参考值、电流参考值、电流斜率;
S505:将电压参考值、电流参考值、电流斜率输入到对应每个变流器中获取对应控制信号,控制对应储能电池的放电过程;
S506:当处于充电状态时,将输入状态中替换成/>,然后重复S501-S505过程获取对应每个智能体充电控制信号,控制对应储能电池的充电过程。
具体地,S6具体步骤包括:
当监测到第k个储能子系统中电池的温度超过预警值时,通过信号反馈使对应变流器停止工作,当温度降低到预警值的1/2时,通过信号反馈恢复变流器运行;
当监测到整体微电网黑启动系统出现异常时,通过信号反馈实时断开所有的储能子系统,并将异常上传到管理平台;
当任一储能子系统发生故障或异常,实时将对应子系统执行断路处理,并将异常上传到管理平台。
当触发任一上述故障或异常时,通过实时反馈信号调整能量分配过程和变流器控制参数。
一种基于构网型变流器的储能系统控制系统,包括光伏模块、数据采集模块、电池组模块、变流器控制模块、能量管理模块、异常检测模块和通信预警模块;
光伏模块,用于通过光伏阵列为储能子系统、负荷和交流配电网提供电能供应;
数据采集模块,用于采集构网型储能子系统中所有储能电池的电流输出量、端电压值与温度数据、变流器输入输出参数,负荷和电能需求数据,温度数据和异常信息数据;
电池组模块,用于电能的存储和释放,并对各个电池的SOC进行实时估计;
能量管理模块,用于管理和优化微电网黑启动系统的能量分配,并生成对应的充放电偏差,协调变流器控制模块对电能进行实时交-直流转化;
变流器控制模块,用于生成对应的控制参数对变流器进行控制,实现对电能的实时转换;
异常检测模块,用于实时监测n个分布式排列的构网型变流器储能子系统和微电网黑启动系统整体运行过程中出现的故障和温度异常情况;
通信预警模块,用于微电网黑启动系统内储能子系统、光伏发电阵列、m个负荷和交流配电网之间的实时通信,实现数据交互和远程控制,并对储能系统发生的异常进行通信预警。
具体地,变流器控制模块包括多智能体强化学习单元和变流器控制单元;电池组模块包括电池组单元和SOC监测单元;
多智能体强化学习单元,用于根据实时监测的电池输出与荷电状态数据和外部充放电偏差数据,生成具体的变流器控制参数;
变流器控制单元,用于根据生成的控制参数生成具体的控制信号,控制变流器对充放电电流的大小和输出电压进行实时调整;
电池组单元,用于电能的实时存储与释放,并监测每一个储能电池的电流输出序列值、电池端电压值序列值、温度序列值;
SOC监测单元,用于根据监测到的每一个储能电池输入输出电能的具体参数,来估计预测每一个储能电池实时的SOC数据与变化趋势。
具体地,异常检测模块包括故障监测单元和温度监测单元;通信预警模块包括通信单元和预警单元;
故障监测单元,用于实时监测整个微电网黑启动系统中每一个组成部件与运行状态的异常情况;
温度监测单元,用于实时监测所有储能子系统中电池组的温度变化情况,并对监测结果进行记录;
通信单元,用于所述微电网黑启动系统中所有部件与组成单元的信号传输;
预警单元,用于对微电网黑启动系统所有故障、充放电过程异常和电池组温度异常进行预警,并将对应故障和异常上报管理平台。
一种计算机可读存储介质,其上存储有计算机指令,当计算机指令运行时执行一种基于构网型变流器的储能系统控制方法。
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于构网型变流器的储能系统控制方法。
与现有技术相比,本发明的有益效果是:
1.本发明针对现有技术中存在的不足,采用精确的SOC估算算法对分布式储能电池组进行实时监测,并用高效的能量管理策略实现电池充放电过程的负荷均衡,然后利用多智能体控制策略实现对n个分布式储能子系统的分布式控制,这不仅解决了对于多个储能子系统负荷均衡难的问题,并且高效的能量管理和实时阻断与保护进一步避免了分布式储能电池组中出现过充或过放的问题;这不仅提升了储能子系统对于充放电过程控制精度,更进一步提高整个微电网黑启动系统的运行效率和稳定性,实现了对整个微电网的智能化管理;
2.本发明通过采用多智能体强化学习策略学习不同储能子系统中变流器的控制过程,并将相邻变流器的运行状态放入到下一个变流器控制过程中共同学习,不仅提高了各储能子系统中变流器控制器对单一变流器的控制精度,更进一步提升了整个储能子系统中所有变流器之间的控制协调性,进一步提升了控制过程的智能性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例1一种基于构网型变流器的储能系统控制方法流程图;
图2为本发明实施例1遗传算法优化的BP估计策略架构图;
图3为本发明实施例1微电网黑启动系统和构网型变流器储能子系统结构图;
图4为本发明实施例2一种基于构网型变流器的储能系统控制系统模块结构图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。
实施例1:
为此本发明提供的一种实施例:一种基于构网型变流器的储能系统控制方法,请参阅图1,具体步骤包括:
S1:利用双向DC/DC变流器,储能电池组、控制器以及电子电力装置构建n个分布式排列的构网型变流器储能子系统,请参阅图3,并利用分布式排列的构网型变流器储能子系统、光伏发电阵列、m个负荷和交流配电网构建微电网黑启动系统,请参阅图3;其中控制器为多智能体强化学习控制器,用于生成具体的变流器控制参数,并与其他的变流器控制器进行信息共享;PWM发生器用于生成控制变流器的具体脉冲信号;电子电力装置包括但不限于PWM(脉宽调制)发生器,滤波器,过流保护、过压保护、过温保护装置,传感器与测量设备;
S2:在上述微电网黑启动系统中配置高频实时电力监测设备,实时监测系统中n个构网型变流器储能子系统中储能电池的电流输出量、端电压值与温度数据,双向DC/DC变流器输入输出参数,光伏发电阵列的实时输出电能数据以及m个负荷和交流配电网的电能需求数据,并利用储能电池的电流输出量、端电压值和电池温度数据对储能电池实时荷电状态SOC进行估算,同时对监测和估算数据进行预处理和实时更新保存;
S3:利用保存的光伏发电阵列的实时输出电能数据以及m个负荷和交流配电网的电能需求数据,计算获取构网型变流器储能子系统充放电管理策略和充放电偏差值;
S4:利用n个构网型变流器储能子系统中储能电池组荷电状态SOC数据,计算得到每个储能电池的充放电权重系数,根据权重系数计算得到n个储能子系统中每一个储能子系统充放电子偏差值;
S5:根据获取的n个储能子系统充放电子偏差值,计算得到每一个构网型变流器储能子系统中双向DC/DC变流器的具体控制参数,利用计算得到的参数生成对应子系统的控制信号,控制对应储能子系统的具体充电和放电过程;
S6:利用监测设备对上述微电网黑启动系统中每一个储能子系统和功能模块进行监测,获取每一个储能子系统的故障异常及温度异常情况,当微电网黑启动系统中任一储能子系统、功能模块发生故障异常、或电池温度超过警戒值时,将故障或温度异常信号进行上传,并对对应子系统进行实时阻断,同时将阻断信息共享给正常工作子系统,重复S4过程,对充放电子偏差进行重新分配,并基于重新分配充放电子偏差,构建和更新变流器控制参数,对储能子系统进行控制。
该方法通过精心设计和优化微电网黑启动系统的运行管理,展现出多个显著优点。首先,通过分布式排列的构网型变流器储能子系统与光伏发电阵列的结合,确保了系统的供电连续性和可再生能源的有效利用。其次,高频实施电力监测设备的应用,不仅实时监测和估算储能电池的荷电状态,还提供了精确的数据支持,使得系统能够灵活调整充放电管理策略,优化储能子系统的运行效率。此外,该方法还通过计算充放电权重系数和偏差值,实现了对储能子系统充放电过程的精确控制,进一步提高了系统的稳定性和可靠性。最后,当系统出现故障或温度异常时,该方法能够迅速响应,通过实时阻断故障子系统并重新分配充放电子偏差,确保了系统的自我修复能力和整体运行安全。综上所述,该方法具有高效、智能、可靠和自适应性强的优点,为微电网黑启动系统的稳定运行和可再生能源的广泛应用提供了有力保障。
S2中电池荷电状态SOC估算,采用了一种遗传算法优化的BP估计策略,请参阅图2,具体过程包括:
S201:设第k个储能子系统中储能电池的历史电流输出序列值为、电池端电压值序列值为/>、温度序列值为/>以及对应的t时刻SOC数据序列值为/>,基于此构建输入向量/>,输出变量/>;其中/>表示第k个储能子系统中储能电池在第t时刻荷电状态的预测值;
S202:构建遗传算法优化的BP算法,将输入向量及对应SOC数据序列输入到遗传算法优化的BP算法中计算得到/>,并利用/>与/>计算出预测误差,将误差输入到遗传算法优化的BP算法中进行参数优化训练,直到训练完成,获取训练完成模型及其参数;
S203:将监测设备实时监测获取的对应输入向量输入到训练完成模型中计算得到第k个储能子系统中储能电池对应的实时SOC预测值,并输出其对应的SOC变化趋势;
S204:重复S201-S203过程计算出所有储能子系统中储能电池对应的实时SOC估计值。
在本实施例中BP算法的神经网络节点通过如此公式计算得到:,其中,p表示隐藏层节点数,/>表示输入层节点数为3,/>表示输出层节点数为1,/>为偏置量这里设置为4;因此在本实施例中/>,此外对于遗传算法种群规模设定为50,遗传迭代次数为100次,变异概率为0.09,交叉概率为0.4。
该过程采用遗传算法优化的BP估计策略来估算电池荷电状态(SOC),进一步提高了对整个电池组荷电状态的估算精度和预测能力;这对于微电网黑启动系统的稳定运行和提高电池的使用寿命具有重要意义。
S3中充放电管理策略和充放电偏差值,具体包括:
S301:设表示光伏发电阵列第t时刻的发电功率值,/>表示m个负荷在第t时刻的功率消耗值,/>表示交流配电网在第t时刻的功率需求值,基于此构建充放电误差/>,具体包括:
;
其中,表示第t时刻微电网黑启动系统充放电误差,/>表示第t时刻微电网黑启动系统线路损耗;
S302:当为正时表明发电功率值大于负荷及交流配电网需求值,此时根据获取的/>生成控制参数控制变流器将交流电转化为直流,对电能进行储存,当电池存储电能达到对应电池最大荷电状态/>时,停止充电;其中,/>表示第t时刻微电网黑启动系统中储能子系统充电偏差值;
S303:当为负时表明发电功率值小于负荷及交流配电网需求值,此时根据获取的/>生成控制参数控制变流器将直流电转化为交流电,对电能进行释放,当电池存储电能达到对应电池最小荷电状态/>时,停止放电;其中,/>表示第t时刻微电网黑启动系统中储能子系统放电偏差值。
通过该过程实现了动态地调整储能子系统的充放电行为,确保系统在不同时刻的功率平衡;提高了智能化和自动化管理水平,减少了人工干预的需要,提高了系统的运行效率和可靠性。
请参阅图3,S4中储能子系统充放电子偏差值具体计算过程包括:
S401:设为S201-S204计算得到的对应n个储能子系统中储能电池组荷电状态估计值;
S402:当储能电池满足S302时,第k个储能子系统中储能电池充电权重系数为:,对应充电子偏差为:/>;当储能电池满足S303时,储能电池放电权重系数为:/>,对应放电子偏差为:/>;其中/>表示电池额定荷电状态;图3中/>表示第n个储能子系统充放电子偏差;
S403:重复上述S402过程计算得到所有储能子系统中电池的对应充电权重系数、充电子偏差、放电权重系数和放电子偏差。
具体地,上述S5计算变流器具体控制参数,采用了一种统一多智能体强化学习控制策略,具体过程包括:
S501:设n个分布式排列的构网型变流器储能子系统都是并联式连接在母线上,且当前处于放电状态;
S502:利用对应储能电池荷电状态预测值、温度序列/>、储能电池输出电流,对应储能子系统放电子偏差/>、变流器电压幅值参考/>、变流器输出端角频率参考/>、母线电压/>,第k个储能子系统母线端局部电流值/>,第k个智能体变流器输出端电压与母线电压偏差/>,第k-1个智能体的输入状态/>,构建第k个储能子系统对应智能体的输入状态/>;同时构造组合式奖励函数,
,
其中,和/>依次表示对应奖励函数的加权系数,/>和依次表示对应奖励函数的增益系数,/>表示第k个变流器输出端电压与母线电压一致性奖励,/>表示第k个智能体变流器输出端电压与第k-1个智能体变流器输出端电压一致性奖励,/>表示所有智能体对应变流器输出电流总和与母线电流一致性奖励;/>表示电池组荷电状态奖励;/>表示所有智能体协调一致性奖励;/>表示第k个智能体变流器输出端电压与第k-1个智能体变流器输出端电压误差;/>表示所有智能体对应变流器输出电流总和与母线电流误差;图3中/>和/>依次表示第1个和第n个储能子系统母线端局部电流值;/>和/>依次表示第1个和第n个储能子系统储能电池输出电流;
S503:设每个双向DC/DC变流器控制器为一个智能体,构建由n个强化学习算法组成的多智能体模型,并将上述构建的输入状态和奖励函数作为输入,获取对应每个智能体变流器控制参数,包括电压参考值、电流参考值、电流斜率;具体地,本实施例基于SAC算法构建具体的强化学习算法,其包括策略网络、目标策略网络/>、第一评价网络/>、第一目标评价网络/>、第二评价网络/>、第二目标评价网络/>和改进经验回放池B;其中策略网络和目标策略网络由结构相同的第一神经网络构成,第一神经网络包括第一全连接层、ReLU层、高斯分布层、Tanh层;第一评价网络、第一目标评价网络、第二评价网络和第二目标评价网络由结构相同的第二神经网络构成,第二神经网络包括第一全连接层、第二全连接层和第二全连接层,第一全连接层的参数大小为32,第二全连接层的参数大小为1;改进经验回放池B包括普通经验回放池B1和特殊经验回放池B2;具体地,改进经验回放池B、普通经验回放池B1和特殊经验回放池B2的容量依次为/>、/>和/>;其中普通经验回放池B1用于存放历史电力经验数据,特殊经验回放池B2用于存放实时获取的电力经验数据;
S505:将电压参考值、电流参考值、电流斜率输入到对应每个变流器中获取对应控制信号,控制对应储能电池的放电过程;具体地,通过生成的对应控制参数、电压参考值、电流参考值、电流斜率输入到变流器内部的外环控制器、内环控制器和PWM发生器中生成储能子系统中每一个储能电池对应变流器的脉冲信号;
S506:当处于充电状态时,将输入状态中替换成/>,然后重复S501-S505过程获取对应每个智能体充电控制信号,控制对应储能电池的充电过程。
该基于强化学习的分布式储能子系统控制过程能够显著提高系统的稳定性、能源效率和可扩展性,同时降低维护成本和复杂性,同时提高不同变流器之间的工作协调性。
具体地,S6具体步骤包括:
当监测到第k个储能子系统中电池的温度超过预警值时,通过信号反馈使对应变流器停止工作,当温度降低到预警值的1/2时,通过信号反馈恢复变流器运行;
当监测到整体微电网黑启动系统出现异常时,通过信号反馈实时断开所有的储能子系统,并将异常上传到管理平台;
当任一储能子系统发生故障或异常,实时将对应子系统执行断路处理,并将异常上传到管理平台。
当触发任一上述故障或异常时,通过实时反馈信号调整能量分配过程和变流器控制参数。
该过程通过实时反馈系统内故障和异常信号调整能量分配过程和变流器控制参数,能够确保储能子系统的安全稳定运行,防止故障扩散,并优化能量利用效率,从而保障微电网系统的整体可靠性和性能。
实施例2:
请参阅图4,本发明提供一种实施例:一种基于构网型变流器的储能系统控制系统,包括光伏模块、数据采集模块、电池组模块、变流器控制模块、能量管理模块、异常检测模块和通信预警模块;
光伏模块,用于通过光伏阵列为储能子系统、负荷和交流配电网提供电能供应;
数据采集模块,用于采集构网型储能子系统中所有储能电池的电流输出量、端电压值与温度数据、变流器输入输出参数,负荷和电能需求数据,温度数据和异常信息数据;
电池组模块,用于电能的存储和释放,并对各个电池的SOC进行实时估计;
能量管理模块,用于管理和优化微电网黑启动系统的能量分配,并生成对应的充放电偏差,协调变流器控制模块对电能进行实时交-直流转化;
变流器控制模块,用于生成对应的控制参数对变流器进行控制,实现对电能的实时转换;
异常检测模块,用于实时监测n个分布式排列的构网型变流器储能子系统和微电网黑启动系统整体运行过程中出现的故障和温度异常情况;
通信预警模块,用于微电网黑启动系统内储能子系统、光伏发电阵列、m个负荷和交流配电网之间的实时通信,实现数据交互和远程控制,并对储能系统发生的异常进行通信预警。
变流器控制模块包括多智能体强化学习单元和变流器控制单元;电池组模块包括电池组单元和SOC监测单元;
多智能体强化学习单元,用于根据实时监测的电池输出与荷电状态数据和外部充放电偏差数据,生成具体的变流器控制参数;
变流器控制单元,用于根据生成的控制参数生成具体的控制信号,控制变流器对充放电电流的大小和输出电压进行实时调整;
电池组单元,用于电能的实时存储与释放,并监测每一个储能电池的电流输出序列值、电池端电压值序列值、温度序列值;
SOC监测单元,用于根据监测到的每一个储能电池输入输出电能的具体参数,来估计预测每一个储能电池实时的SOC数据与变化趋势。
异常检测模块包括故障监测单元和温度监测单元;通信预警模块包括通信单元和预警单元;
故障监测单元,用于实时监测整个微电网黑启动系统中每一个组成部件与运行状态的异常情况;
温度监测单元,用于实时监测所有储能子系统中电池组的温度变化情况,并对监测结果进行记录;
通信单元,用于所述微电网黑启动系统中所有部件与组成单元的信号传输;
预警单元,用于对微电网黑启动系统所有故障、充放电过程异常和电池组温度异常进行预警,并将对应故障和异常上报管理平台。
实施例3:
本发明的一种计算机可读存储介质,其上存储有计算机指令,当计算机指令运行时执行一种基于构网型变流器的储能系统控制方法。
本发明的一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于构网型变流器的储能系统控制方法。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种基于构网型变流器的储能系统控制方法,其特征在于,包括以下步骤:
S1:利用双向DC/DC变流器,储能电池组以及电子电力装置构建n个分布式排列的构网型变流器储能子系统,并利用分布式排列的构网型变流器储能子系统、光伏发电阵列、m个负荷和交流配电网构建微电网黑启动系统;
S2:在上述微电网黑启动系统中配置高频实时电力监测设备,实时监测系统中n个构网型变流器储能子系统中储能电池的电流输出量、端电压值与温度数据,双向DC/DC变流器输入输出参数,光伏发电阵列的实时输出电能数据以及m个负荷和交流配电网的电能需求数据,并利用储能电池的电流输出量、端电压值和电池温度数据对储能电池实时荷电状态SOC进行估算,同时对监测和估算数据进行预处理和实时更新保存;
S3:利用保存的光伏发电阵列的实时输出电能数据以及m个负荷和交流配电网的电能需求数据,计算获取构网型变流器储能子系统充放电管理策略和充放电偏差值;
S4:利用n个构网型变流器储能子系统中储能电池组荷电状态SOC数据,计算得到每个储能电池的充放电权重系数,根据权重系数计算得到n个储能子系统中每一个储能子系统充放电子偏差值;
S5:根据获取的n个储能子系统充放电子偏差值,计算得到每一个构网型变流器储能子系统中双向DC/DC变流器的具体控制参数,利用计算得到的参数生成对应子系统的控制信号,控制对应储能子系统的具体充电和放电过程;
S6:利用监测设备对上述微电网黑启动系统中每一个储能子系统和功能模块进行监测,获取每一个储能子系统的故障异常及温度异常情况,当微电网黑启动系统中任一储能子系统、功能模块发生故障异常、或电池温度超过警戒值时,将故障或温度异常信号进行上传,并对对应子系统进行实时阻断,同时将阻断信息共享给正常工作子系统,重复S4过程,对充放电子偏差进行重新分配,并基于重新分配充放电子偏差,构建和更新变流器控制参数,对储能子系统进行控制。
2.根据权利要求1所述的一种基于构网型变流器的储能系统控制方法,其特征在于,所述S2中电池荷电状态SOC估算,采用了一种遗传算法优化的BP估计策略,具体过程包括:
S201:设第k个储能子系统中储能电池的历史电流输出序列值为、电池端电压值序列值为/>、温度序列值为/>以及对应的t时刻SOC数据序列值为/>,基于此构建输入向量,输出变量/>;其中/>表示第k个储能子系统中储能电池在第t时刻荷电状态的预测值;
S202:构建遗传算法优化的BP算法,将输入向量及对应SOC数据序列/>输入到所述遗传算法优化的BP算法中计算得到/>,并利用/>与/>计算出预测误差,将所述误差输入到所述遗传算法优化的BP算法中进行参数优化训练,直到训练完成,获取训练完成模型及其参数;
S203:将监测设备实时监测获取的对应输入向量输入到训练完成模型中计算得到第k个储能子系统中储能电池对应的实时SOC预测值,并输出其对应的SOC变化趋势;
S204:重复S201-S203过程计算出所有储能子系统中储能电池对应的实时SOC估计值。
3.根据权利要求2所述的一种基于构网型变流器的储能系统控制方法,其特征在于,所述S3中充放电管理策略和充放电偏差值,具体包括:
S301:设表示光伏发电阵列第t时刻的发电功率值,/>表示m个负荷在第t时刻的功率消耗值,/>表示交流配电网在第t时刻的功率需求值,基于此构建充放电偏差值/>,具体包括:
;
其中,表示第t时刻微电网黑启动系统充放电偏差值,/>表示第t时刻微电网黑启动系统线路损耗;
S302:当为正时表明发电功率值大于负荷及交流配电网需求值,此时根据获取的生成控制参数控制变流器将交流电转化为直流,对电能进行储存,当电池存储电能达到对应电池最大荷电状态/>时,停止充电;其中,/>表示第t时刻微电网黑启动系统中储能子系统充电偏差值;
S303:当为负时表明发电功率值小于负荷及交流配电网需求值,此时根据获取的生成控制参数控制变流器将直流电转化为交流电,对电能进行释放,当电池存储电能达到对应电池最小荷电状态/>时,停止放电;其中,/>表示第t时刻微电网黑启动系统中储能子系统放电偏差值。
4.根据权利要求3所述的一种基于构网型变流器的储能系统控制方法,其特征在于,所述S4中储能子系统充放电子偏差值具体计算过程包括:
S401:设为所述S201-S204计算得到的对应n个储能子系统中储能电池组荷电状态估计值;
S402:当储能电池满足S302时,第k个储能子系统中储能电池充电权重系数为:,对应充电子偏差为:/>;当储能电池满足S303时,储能电池放电权重系数为:/>,对应放电子偏差为:/>;其中/>表示电池额定荷电状态;
S403:重复上述S402过程计算得到所有储能子系统中电池的对应充电权重系数、充电子偏差、放电权重系数和放电子偏差。
5.根据权利要求4所述的一种基于构网型变流器的储能系统控制方法,其特征在于,所述S5计算变流器具体控制参数,采用了一种统一多智能体强化学习控制策略,具体过程包括:
S501:设n个分布式排列的构网型变流器储能子系统都是并联式连接在母线上,且当前处于放电状态;
S502:利用对应储能电池荷电状态预测值、温度序列/>、储能电池输出电流/>,对应储能子系统放电子偏差/>、变流器电压幅值参考/>、变流器输出端角频率参考/>、母线电压/>,第k个储能子系统母线端局部电流值/>,第k个智能体变流器输出端电压与母线电压偏差/>,第k-1个智能体的输入状态/>,构建第k个储能子系统对应智能体的输入状态/>;同时构造组合式奖励函数,
,
其中,和/>依次表示对应奖励函数的加权系数,/>和/>依次表示对应奖励函数的增益系数,/>表示第k个变流器输出端电压与母线电压一致性奖励,表示第k个智能体变流器输出端电压与第k-1个智能体变流器输出端电压一致性奖励,/>表示所有智能体对应变流器输出电流总和与母线电流一致性奖励;/>表示电池组荷电状态奖励;/>表示所有智能体协调一致性奖励;/>表示第k个智能体变流器输出端电压与第k-1个智能体变流器输出端电压误差;/>表示所有智能体对应变流器输出电流总和与母线电流误差;
S503:设每个双向DC/DC变流器控制器为一个智能体,构建由n个强化学习算法组成的多智能体模型,并将上述构建的输入状态和奖励函数作为输入,获取对应每个智能体变流器控制参数,包括电压参考值、电流参考值、电流斜率;
S505:将所述电压参考值、电流参考值、电流斜率输入到对应每个变流器中获取对应控制信号,控制对应储能电池的放电过程;
S506:当处于充电状态时,将输入状态中替换成/>,然后重复S501-S505过程获取对应每个智能体充电控制信号,控制对应储能电池的充电过程。
6.根据权利要求5所述的一种基于构网型变流器的储能系统控制方法,其特征在于,所述S6具体步骤包括:
当监测到第k个储能子系统中电池的温度超过预警值时,通过信号反馈使对应变流器停止工作,当温度降低到预警值的1/2时,通过信号反馈恢复变流器运行;
当监测到整体微电网黑启动系统出现异常时,通过信号反馈实时断开所有的储能子系统,并将异常上传到管理平台;
当任一储能子系统发生故障或异常,实时将对应子系统执行断路处理,并将异常上传到管理平台;
当触发任一上述故障或异常时,通过实时反馈信号调整能量分配过程和变流器控制参数。
7.一种基于构网型变流器的储能系统控制系统,其基于如权利要求1-6中任一项所述的一种基于构网型变流器的储能系统控制方法实现,其特征在于,所述系统包括光伏模块、数据采集模块、电池组模块、变流器控制模块、能量管理模块、异常检测模块和通信预警模块;
所述光伏模块,用于通过光伏阵列为储能子系统、负荷和交流配电网提供电能供应;
所述数据采集模块,用于采集构网型储能子系统中所有储能电池的电流输出量、端电压值与温度数据、变流器输入输出参数,负荷和电能需求数据,温度数据和异常信息数据;
电池组模块,用于电能的存储和释放,并对各个电池的SOC进行实时估计;
所述能量管理模块,用于管理和优化微电网黑启动系统的能量分配,并生成对应的充放电偏差,协调变流器控制模块对电能进行实时交-直流转化;
所述变流器控制模块,用于生成对应的控制参数对变流器进行控制,实现对电能的实时转换;
所述异常检测模块,用于实时监测所述n个分布式排列的构网型变流器储能子系统和微电网黑启动系统整体运行过程中出现的故障和温度异常情况;
所述通信预警模块,用于微电网黑启动系统内储能子系统、光伏发电阵列、m个负荷和交流配电网之间的实时通信,实现数据交互和远程控制,并对储能系统发生的异常进行通信预警。
8.根据权利要求7所述的一种基于构网型变流器的储能系统控制系统,其特征在于,所述变流器控制模块包括多智能体强化学习单元和变流器控制单元;所述电池组模块包括电池组单元和SOC监测单元;
所述多智能体强化学习单元,用于根据实时监测的电池输出与荷电状态数据和外部充放电偏差数据,生成具体的变流器控制参数;
所述变流器控制单元,用于根据生成的控制参数生成具体的控制信号,控制变流器对充放电电流的大小和输出电压进行实时调整;
所述电池组单元,用于电能的实时存储与释放,并监测每一个储能电池的电流输出序列值、电池端电压值序列值、温度序列值;
所述SOC监测单元,用于根据监测到的每一个储能电池输入输出电能的具体参数,来估计预测每一个储能电池实时的SOC数据与变化趋势。
9.根据权利要求8所述的一种基于构网型变流器的储能系统控制系统,其特征在于,所述异常检测模块包括故障监测单元和温度监测单元;所述通信预警模块包括通信单元和预警单元;
所述故障监测单元,用于实时监测整个微电网黑启动系统中每一个组成部件与运行状态的异常情况;
所述温度监测单元,用于实时监测所有储能子系统中电池组的温度变化情况,并对监测结果进行记录;
所述通信单元,用于所述微电网黑启动系统中所有部件与组成单元的信号传输;
所述预警单元,用于对微电网黑启动系统所有故障、充放电过程异常和电池组温度异常进行预警,并将对应故障和异常上报管理平台。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,当计算机指令运行时执行权利要求1-6任一项所述的一种基于构网型变流器的储能系统控制方法。
11.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-6任一项所述的一种基于构网型变流器的储能系统控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410429027.6A CN118017577B (zh) | 2024-04-10 | 一种基于构网型变流器的储能系统控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410429027.6A CN118017577B (zh) | 2024-04-10 | 一种基于构网型变流器的储能系统控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118017577A CN118017577A (zh) | 2024-05-10 |
CN118017577B true CN118017577B (zh) | 2024-06-04 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104993513A (zh) * | 2015-06-30 | 2015-10-21 | 华北电力科学研究院有限责任公司 | 支撑光储发电系统黑启动的电池储能电站控制方法及系统 |
CN117293880A (zh) * | 2023-09-27 | 2023-12-26 | 南京邮电大学 | 一种考虑soc均衡的光储微网黑启动协调控制方法及系统 |
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 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104993513A (zh) * | 2015-06-30 | 2015-10-21 | 华北电力科学研究院有限责任公司 | 支撑光储发电系统黑启动的电池储能电站控制方法及系统 |
CN117293880A (zh) * | 2023-09-27 | 2023-12-26 | 南京邮电大学 | 一种考虑soc均衡的光储微网黑启动协调控制方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khalid et al. | Overview of technical specifications for grid-connected microgrid battery energy storage systems | |
CN104380558B (zh) | 蓄电池容量管理 | |
WO2016132586A1 (ja) | 電力変換システム | |
CN104578237A (zh) | 电池组、能量存储系统以及对电池组充电的方法 | |
EP3748796B1 (en) | Energy internet system | |
KR20130024763A (ko) | 셀 밸런싱 방법, 셀 밸런싱 장치, 및 이를 포함하는 에너지 저장 시스템 | |
Ferahtia et al. | Adaptive droop based control strategy for DC microgrid including multiple batteries energy storage systems | |
Meng et al. | Nonlinear extension of battery constrained predictive charging control with transmission of Jacobian matrix | |
JP2017500836A (ja) | 充電方法及び充電システム | |
Marquez et al. | A fault detection and reconfiguration approach for MPC-based energy management in an experimental microgrid | |
US20200106273A1 (en) | Optimal Charging and Discharging Control for Hybrid Energy Storage System based on Reinforcement Learning | |
JP5932190B1 (ja) | 電力変換システム | |
Mohammed et al. | Programmable logic controller based lithium-ion battery management system for accurate state of charge estimation | |
Semënov et al. | A battery storage control scheme for AC microgrids | |
Radwan et al. | Bidirectional power management in hybrid AC-DC islanded microgrid system | |
KR101689017B1 (ko) | 마이크로그리드 내 다수 bess의 퍼지 드룹 제어 시스템 및 방법 | |
Zhang et al. | Fast state-of-charge balancing control strategies for battery energy storage systems to maximize capacity utilization | |
CN118017577B (zh) | 一种基于构网型变流器的储能系统控制方法及系统 | |
CN112383092A (zh) | 一种能量调度方法、装置及系统 | |
US11699909B1 (en) | Controllers for managing a plurality of stacks of electrochemical cells, and associated methods | |
CN118017577A (zh) | 一种基于构网型变流器的储能系统控制方法及系统 | |
Diaz et al. | Energy management system with equalization algorithm for distributed energy storage systems in PV-active generator based low voltage DC microgrids | |
Khalid et al. | SoC-based decentralized power management in multi BESS-PV for EVs charging applications | |
CN114362226A (zh) | 一种复杂工况下分布式储能型mmc电池荷电状态三级均衡控制策略 | |
Fan et al. | Distributed equalisation strategy for multi‐battery energy storage systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |