CN118117717B - 一种基于不稳定电源的蓄电池匹配方法 - Google Patents
一种基于不稳定电源的蓄电池匹配方法 Download PDFInfo
- Publication number
- CN118117717B CN118117717B CN202410518785.5A CN202410518785A CN118117717B CN 118117717 B CN118117717 B CN 118117717B CN 202410518785 A CN202410518785 A CN 202410518785A CN 118117717 B CN118117717 B CN 118117717B
- Authority
- CN
- China
- Prior art keywords
- sampling
- sequence
- power
- coefficient
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005070 sampling Methods 0.000 claims abstract description 193
- 230000008878 coupling Effects 0.000 claims abstract description 36
- 238000010168 coupling process Methods 0.000 claims abstract description 36
- 238000005859 coupling reaction Methods 0.000 claims abstract description 36
- 238000010248 power generation Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000021615 conjugation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000000087 stabilizing effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及配电系统技术领域,具体涉及一种基于不稳定电源的蓄电池匹配方法,该方法包括:确定风电场汇流站各采样时刻的最大限定功率和最小限定功率;计算各采样时刻的共轭极值偏差系数;分析各采样时刻的充电均值偏差系数;基于此计算各采样时刻的电流共轭失调极差系数;根据各采样时刻的充电电流序列与最大限定功率序列和最小限定功率序列之间的相关性得到各采样时刻的最大关联系数及限定冲突系数,进而获取各采样时刻的限定电流耦合冲突系数,最终确定各采样时刻的浪涌自适应控制参数;结合PID算法获取蓄电池的匹配充电电流,完成不稳定电源的蓄电池匹配。从而提高蓄电池充电电流的平稳性,提高蓄电池寿命和系统稳定性。
Description
技术领域
本申请涉及配电系统技术领域,具体涉及一种基于不稳定电源的蓄电池匹配方法。
背景技术
蓄电池是提高不稳定电源能源效率的主要器件,能够将不稳定电源超出电网最大限定功率和小于最小限定功率的能量存储起来。在不稳定电源波动较大时实现供电输出,提高不稳定电源系统整体的稳定性。
但是由于开关稳压电路的开关状态是瞬间开合的,因此在蓄电池充电过程中会形成涌浪电流,会影响蓄电池使用寿命,甚至将涌浪信号传输到电网系统中。由此需要对蓄电池充电信号进行匹配,调整蓄电池充电的稳定性。在传统离散型PID控制算法中,算法性能高度依赖比例-积分-微分三个参数的设定,不匹配的参数设定容易造成蓄电池充电信号的震荡和拖尾影响系统的稳定性。
发明内容
为了解决上述技术问题,本发明提供一种基于不稳定电源的蓄电池匹配方法,以解决现有的问题。
本发明的一种基于不稳定电源的蓄电池匹配方法采用如下技术方案:
本发明一个实施例提供了一种基于不稳定电源的蓄电池匹配方法,该方法包括以下步骤:
通过各采样时刻不稳定电源风电场汇流站的输出功率,构造各采样时刻的发电功率序列,确定风电场汇流站各采样时刻的最大限定功率和最小限定功率;
针对蓄电池的充电电流,采用发电功率序列的构造方法获取各采样时刻的充电电流序列,根据各采样时刻的充电电流序列中电流分布情况得到各采样时刻的共轭极值偏差系数;根据充电电流序列的信息熵及均值得到各采样时刻的充电均值偏差系数;根据各采样时刻的共轭极值偏差系数、充电均值偏差系数及充电电流序列内的电流分布,构建各采样时刻的电流共轭失调极差系数;构造各采样时刻的最大限定功率序列和最小限定功率序列;根据各采样时刻的充电电流序列与最大限定功率序列和最小限定功率序列之间的相关性得到各采样时刻的最大关联系数;根据各采样时刻最大和最小限定功率序列的分布情况及差异得到各采样时刻的限定冲突系数;根据各采样时刻的电流共轭失调极差系数、最大关联系数以及限定冲突系数得到各采样时刻的限定电流耦合冲突系数;根据各采样时刻的限定电流耦合冲突系数及预设浪涌耦合冲突阈值的关系得到各采样时刻的浪涌自适应控制参数;
将各采样时刻蓄电池的充电电流和浪涌协同自适应控制参数作为PID算法的输入,输出蓄电池的匹配充电电流,完成不稳定电源的蓄电池匹配。
进一步地,所述构造各采样时刻的发电功率序列,确定风电场汇流站各采样时刻的最大限定功率和最小限定功率,包括:
将各采样时刻之前多个采样时刻的输出功率构造各采样时刻的发电功率序列,将各采样时刻的发电功率序列作为神经网络的输入,神经网络输出风电场汇流站各采样时刻的最大限定功率和最小限定功率。
进一步地,所述根据各采样时刻的充电电流序列中电流分布情况得到各采样时刻的共轭极值偏差系数,包括:
针对各采样时刻的充电电流序列,对充电电流序列进行拟合得到充电电流曲线,将充电电流曲线上相邻的极大值和极小值组成电流共轭极值对;
计算电流共轭极值对中极大值与极小值的差值,统计电流共轭极值对中极大值与极小值的时间间隔,获取所述差值与所述时间间隔的比值,将各采样时刻的所述充电电流曲线上所有电流共轭极值对对应的所述比值的均值作为各采样时刻的共轭极值偏差系数。
进一步地,所述根据充电电流序列的信息熵及均值得到各采样时刻的充电均值偏差系数包括:
获取各采样时刻的充电电流序列的信息熵,第i个采样时刻的充电均值偏差系数的表达式为:
;
式中,表示以第i个采样时刻的充电电流序列,ΔH( )表示信息熵,Nτ表示充电电流序列中采样点的个数,表示以第i个采样时刻的充电电流序列中第k个采样时刻的值,E( )表示计算序列的均值。
进一步地,所述构建各采样时刻的电流共轭失调极差系数包括:
采用ApEn算法计算各采样时刻的充电电流序列的近似熵值;
获取各采样时刻的共轭极值偏差系数与充电均值偏差系数的和值;
将所述近似熵值与所述和值的乘积确定为各采样时刻的电流共轭失调极差系数。
进一步地,所述构造各采样时刻的最大限定功率序列和最小限定功率序列包括:
将各采样时刻之前多个采样时刻的最大限定功率构造为各采样时刻的最大限定功率序列;采用最大限定功率序列的构造方法,获取各采样时刻的最小限定功率序列。
进一步地,所述根据各采样时刻的充电电流序列与最大限定功率序列和最小限定功率序列之间的相关性得到各采样时刻的最大关联系数,包括:
分别计算各采样时刻的充电电流序列与最大限定功率序列以及与最小限定功率序列之间的皮尔逊相关性系数;将两个皮尔逊相关性系数的最大值作为各采样时刻的最大关联系数。
进一步地,所述根据各采样时刻最大和最小限定功率序列的分布情况及差异得到各采样时刻的限定冲突系数,包括:
采用时间序列分解算法分别获取最大和最小限定功率序列对应的趋势项、季节项和残差项,以计算最大限定功率序列和最小限定功率序列的趋势项强度;第i个采样时刻的限定冲突系数的表达式为:
;
式中,Omax和Omin分别表示最大限定功率序列和最小限定功率序列的趋势项强度,log2( )表示以2为底的对数函数,和分别表示第i个采样时刻的最大限定功率序列和最小限定功率序列中第k个采样时刻的值。
进一步地,所述根据各采样时刻的电流共轭失调极差系数、最大关联系数以及限定冲突系数得到各采样时刻的限定电流耦合冲突系数,包括:
将各采样时刻的最大关联系数作为以自然常数为底数的指数函数的指数,将所述指数函数的计算结果作为分母,将各采样时刻的电流共轭失调极差系数与限定电流耦合冲突系数的和值作为分子,分子与分母的比值确定为各采样时刻的限定电流耦合冲突系数。
进一步地,所述根据各采样时刻的限定电流耦合冲突系数及预设浪涌耦合冲突阈值的关系得到各采样时刻的浪涌自适应控制参数,包括:
;
式中,(P,I,D)i表示蓄电池充电电流在第i个采样时刻的浪涌协同自适应控制参数,P、I和D分别表示PID算法中的比例权重、积分权重和微分权重,表示第i个采样时刻的限定电流耦合冲突系数,表示浪涌耦合冲突阈值。
本发明至少具有如下有益效果:
本发明采用神经网络获取风电场汇流站各采样时刻的最大、最小限定功率,以反映蓄电池充电过程中风电场汇流站的发电情况对蓄电池充电过程的影响;分析风电场中蓄电池的充电电流得到电路共轭极值对得到电流共轭失调极差系数,反映风电场发电的稳定程度对蓄电池充电的影响;
进一步,本发明结合各时刻的最大最小限定功率及蓄电池充电过程充电电流序列的耦合变化情况得到限定电流耦合冲突系数,反映了限定功率序列与充电电流之间的协同变化情况,同时反映浪涌电流对蓄电池充电的影响程度,结合浪涌耦合冲突阈值得到浪涌协同自适应控制参数。由此实现对风电不稳定电源中蓄电池充电的智能匹配,解决了传统PID算法中不匹配参数权重造成充电电流出现震荡和拖尾的缺陷,能够根据风电场发电的稳定程度对各个采样时刻蓄电池充电电流进行调控,提高实际蓄电池充电电流的平稳性,提高蓄电池寿命和系统稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它附图。
图1为本发明提供的一种基于不稳定电源的蓄电池匹配方法的步骤流程图;
图2为不稳定电源的能源系统示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于不稳定电源的蓄电池匹配方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于不稳定电源的蓄电池匹配方法的具体方案。
本发明一个实施例提供的一种基于不稳定电源的蓄电池匹配方法,具体的,提供了如下的一种基于不稳定电源的蓄电池匹配方法,请参阅图1,该方法包括以下步骤:
本发明所针对的具体场景为:本实施例不稳定电源的能源系统具体如图2所示,本实施例以风力发电为例,图2中包含风力发电汇流站,开关稳压电路,用于稳定整个电路系统,风力发电汇流站的能源可以直接传输到电网中,也可以存储到蓄电池中。在提高不稳定电源利用率的同时,保证不稳定电源的稳定性。
步骤S001,通过功率传感器获取不稳定电源系统中的功率信号,采用电流传感器获取蓄电池的充电电流,并进行数据预处理。
本实施例以某地风电场部署的风电机组为例,将多台风力发电机输出的电能通过集电线路输送到汇流站,通过风电场管理系统实现对不稳定电源的分配。为了提高不稳定电源的能量利用率,实现能量的智能化分配。为此本实施例通过功率传感器获取汇流站的输出功率,此为风力发电的输出能量。为了获取风力发电系统的实时数据,本实施例将功率传感器采样间隔设置为1s,以汇流站的输出功率为例,,其中啊a(i)表示第i个采样时刻汇流站输出功率,NA表示采样时刻的总数(在风力发电机运行过程中进行不间断采样),A为所有采样时刻的汇流站输出功率组成的输出功率序列。同时,通过电流传感器获取风电不稳定电源系统中蓄电池的充电电流,设置采样间隔为1s。考虑到传感器采集的过程中可能会存在数据缺失,为了降低缺失值对后续分析的影响,本实施例采用KNN最近邻算法进行填充。其中KNN最近邻算法为公知技术,本实施例不再赘述。
步骤S002,根据风电系统中汇流站的输出功率获取各采样时刻的最大最小限定功率,结合蓄电池充电电流情况构建采样时刻的限定电流耦合冲突系数,最终获取浪涌协同自适应控制参数,作为PID控制算法的参数。
由于不稳定电源的发电量具有不稳定和不可控的特点,在实际过程中风电场的发电量如果高于电网需求且此时蓄电池已经存满的情况下,为了维持电网的稳定性往往会出现弃电的情况,同时当风电场发电量过小时,不能满足蓄电池的充电标准,为了保护蓄电池正常运行,会将这部分较小电量进行丢弃。此外开关稳压电路和蓄电池在能量转换时也需要消耗的一部分能量,其中开关稳压电路的效率一般为95%,而蓄电池的转换效率为85%。因此,风电场发电量、蓄电池状态、电网负荷需求有效平衡最大最小限定功率,实现风电场不稳定能源的最大化有效利用。
由于风电场的发电量受风速等不可控因素的影响,使得风电场输出的电量具备一定的不稳定性,而风电场输出的稳定程度是影响不稳定电源系统调整最大最小限定功率主要影响因素。因此针对风电场汇流站的输出功率序列,以当前采样时刻之前Nτ个采样时刻的输出功率构建发电功率序列,用表示以第i个采样时刻为终点构建的发电功率序列,也即第i个采样时刻的发电功率序列,本实施例设置Nτ=60。其中针对传感器采样初期,采样时刻不足Nτ时,采用线性插值法进行填充,将序列长度填充为Nτ。线性插值法为公知技术,本实施例不再赘述。
首先,根据各采样时刻的发电功率序列,对各采样时刻风电场汇流站的最大、最小限定功率进行分析,将各采样时刻的发电功率序列作为LSTM神经网络的输入,LSTM神经网络的输出为各采样时刻风电场汇流站对应的最大限定功率和最小限定功率。LSTM神经网络的训练及测试过程为现有技术,网络训练的标签数据为历史各时刻中选取部分时刻的发电功率序列和对应的最大限定功率、最小限定功率,作为训练集,通过标签数据对网络进行训练,网络训练的损失函数为均方差损失函数,本实施例中将ReLU函数及L2正则化作为激活函数,网络测试过程中选取历史各时刻中除训练集之外的多个时刻的数据作为测试集,对网络进行测试,网络训练及测试过程为现有技术,本实施例在此不做赘述。
至此,根据本实施例上述过程,可获取风电场汇流站在每个采样时刻对应的最大限定功率和最小限定功率,用于后续对蓄电池充电过程进行分析,以便保证蓄电池充电电流匹配精度。
进一步,考虑到在对蓄电池充电的时,受开关稳压电路控制,而开关稳压电路的开关状态输出瞬态响应,由此开关的瞬间会产生浪涌电流。浪涌电流会造成蓄电池容量下降和加速电池老化的危害,需要对蓄电池充电时的电流进行协调控制,实现对不稳定电源的最佳匹配。在传统的PID算法通过调节比例项、积分项和微分项实现对蓄电池充电电流的控制,而其稳定性严重依赖于比例、积分、微分三个参数的设定,并且针对非线性随时间变化的系统,调控性能会下降,本实施例将结合蓄电池的充电情况以及各采样时刻最大、最小限定功率,对PID算法的参数权重进行动态调整,实现对风电不稳定电源的最佳匹配。
本实施例中用g(i)表示第i个采样时刻蓄电池的充电电流,同样的,以当前采样时刻之前Nτ个采样时刻的充电电流构建充电电流序列,用表示第i个采样时刻的充电电流序列,本实施例设置Nτ=60。其中针对传感器采样初期,采样时刻不足Nτ时,采用线性插值法进行填充,将序列长度填充为Nτ,线性插值法为公知技术,本实施例不再赘述。
然后,将充电电流序列作为ApEn算法的输入,输出为充电电流序列的近似熵值,用表示。同时,对于充电电流序列,通过多项式拟合算法得到充电电流曲线,用表示。其中ApEn算法和多项式拟合算法为公知技术,本实施例不再赘述。并且根据充电电流曲线得到极值点,将相邻的极大值与极小值作为电流共轭极值对,用表示,其中mam和min分别表示电流共轭极值对中的极大值和极小值。若在充电电流曲线中极值点无法组成共轭对时,将单独的极值点进行删除。由此结合极值点和电流序列得到电流共轭失调极差系数:
;
;
;
其中,表示第i个采样时刻的共轭极值偏差系数,表示第i个采样时刻对应充电电流曲线电流共轭极值对的个数,和分别表示以第i个采样时刻对应充电电流曲线中第j个电流共轭极值对的极大值和极小值,Δt( )表示计算电流共轭极值对的时间间隔;
表示第i个采样时刻的充电均值偏差系数,表示以第i个采样时刻的充电电流序列,表示计算充电电流序列的信息熵,信息熵通过公知技术计算获取,Nτ表示充电电流序列中采样点的个数,表示以第i个采样时刻的充电电流序列中第k个采样时刻的值,E( )表示计算序列的均值;
表示第i个采样时刻的电流共轭失调极差系数,表示第i个采样时刻构建充电电流序列通过ApEn算法得到的近似熵值,exp( )表示以自然数e为底的指数函数。
若风电场发电不稳定会造成蓄电池充电电流存在较大波动,此时充电电流序列拟合得到的充电电流曲线中极值点较多,使得电流共轭极值对较多,并且极值之间的差值较大,得到共轭极值偏差系数的值较大。同时由于充电电流序列的波动较大,导致充电电流序列整体的信息熵值较大,与均值之间的差值较大,得到充电均值偏差系数的值较大。此外充电电流序列受发电不稳定的影响,存在一定程度的随机波动,因此得到充电电流序列的的值较大,最终得到电流共轭失调极差系数的值较大。相反,若风电场发电稳定时,此时蓄电池充电序列较为稳定,不会存在浪涌电流的影响,充电电流曲线中电流共轭极值对的个数较少,且充电电流序列较为稳定与均值的差值较小,最终使得电流共轭失调极差系数的值较小。
蓄电池充电电流的波动紊乱性是衡量蓄电池实际电流的波动情况,而蓄电池的充电电流实际受每个采样时刻的最大限定功率和最小限定功率的影响,由此采用与发电功率序列同样方式构建各采样时刻的最大限定功率序列和最小限定功率序列。将和分别作为STL分解算法的输入,算法输出两个序列对应的趋势项、季节项和残差项,并且利用趋势强度公式得到最大限定功率序列和最小限定功率序列的趋势项强度,分别用Omax和Omin表示。其中STL分解算法和趋势性强度公式为公知技术,本实施例不再赘述。由此结合最大限定功率序列和最小限定功率序列得到限定电流耦合冲突系数:
;
;
;
式中,表示第i个采样时刻的最大关联系数,max( )表示选取其中最大值,表示以第i个采样时刻的充电电流序列,和表示由第i个采样时刻的最大限定功率序列和最小限定功率序列,ρ( )表示计算序列的皮尔逊相关性系数(由公知技术获取);
表示第i个采样时刻的限定冲突系数,Omax和Omin分别表示最大限定功率序列和最小限定功率序列的趋势项强度,log2( )表示以2为底的对数函数,和分别表示第i个采样时刻的最大限定功率序列和最小限定功率序列中第k个采样时刻的值,也即第k个采样时刻的最大限定功率和最小限定功率;
表示第i个采样时刻的限定电流耦合冲突系数,exp( )表示以自然数e为底的指数函数,表示第i个采样时刻的电流共轭失调极差系数。
若风电场发电不稳定时,导致各个采样时刻的最大限定功率和最小限定功率序列出现一定程度的随机波动。由此构建得到的最大限定功率序列和最小限定功率序列与充电电流序列之间的相关性较低,使得最大关联系数的值减小。由于最大限定功率序列和最小限定功率序列受风电场发电不稳定的影响程度不同,因此各个采样时刻之间的值波动差值较大,同时两者的趋势项强度存在较大差异,使得限定冲突系数的值较大。此时得到充电电流序列的共轭极值偏差系数的值较大,最终使得限定电流耦合冲突系数的值较大。相反,若风电场发电稳定时,此时得到最大限定功率序列和最小限定功率序列同步变化或者基本保持不变,与蓄电池充电电流序列的变化趋势基本保持一致,同时在最大限定功率序列和最小限定功率序列中各个采样时刻的变化稳定且差值较小,最终得到电流耦合冲突系数的值减小。
通过电流耦合冲突系数能够反映蓄电池充电电流序列与最大限定功率序列和最小限定功率序列变化耦合情况,侧面反映出对蓄电池充电时浪涌电流对蓄电池的影响。由此结合浪涌耦合冲突阈值,得到PID算法中浪涌协同自适应控制参数:
;
式中,(P,I,D)i表示蓄电池充电电流在第i个采样时刻的浪涌协同自适应控制参数,P、I和D分别表示PID算法中的比例权重、积分权重和微分权重,表示第i个采样时刻的限定电流耦合冲突系数,表示浪涌耦合冲突阈值,本实施例中设置。
若当前采样时刻风电场发电不稳定,蓄电池的充电电流会出现较大的波动,而此时由于充电电流变化幅度较大,浪涌电流的现象较为严重,此时限定电流耦合冲突系数大于浪涌耦合冲突阈值,由此得到比例权重P的值较大,增强对电流的控制作用,有助于调控蓄电池充电电流快速响应。相反,若风电场发电较为稳定,蓄电池充电电流同样会较为稳定,变化幅度较小,此时浪涌电流的现象较轻,此时减小比例权重,增大积分和微分权重,有助于降低调控蓄电池充电电流的超调和振荡,提高对高频噪声的抑制效果。
至此,根据本实施例上述过程可获取浪涌协同自适应控制参数,作为蓄电池充电过程PID控制算法的各参数,用于对蓄电池充电过程的电流情况进行调节。
步骤S003,通过各采样时刻蓄电池的充电电流以及浪涌协同自适应控制参数,结合PID控制算法对蓄电池充电过程的电流进行匹配控制。
由此将每个采样时刻蓄电池的充电电流和浪涌协同自适应控制参数作为PID算法的输入,算法输出蓄电池的匹配充电电流,采用蓄电池匹配充电电流对蓄电池充电,并且能够根据风电场的发电状态对蓄电池的匹配充电电流进行动态调控,降低蓄电池充电过程受不稳定电源的影响,提高蓄电池寿命和蓄电池输出稳定性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于不稳定电源的蓄电池匹配方法,其特征在于,该方法包括以下步骤:
通过各采样时刻不稳定电源风电场汇流站的输出功率,构造各采样时刻的发电功率序列,确定风电场汇流站各采样时刻的最大限定功率和最小限定功率;
针对蓄电池的充电电流,采用发电功率序列的构造方法获取各采样时刻的充电电流序列,根据各采样时刻的充电电流序列中电流分布情况得到各采样时刻的共轭极值偏差系数;根据充电电流序列的信息熵及均值得到各采样时刻的充电均值偏差系数;根据各采样时刻的共轭极值偏差系数、充电均值偏差系数及充电电流序列内的电流分布,构建各采样时刻的电流共轭失调极差系数;构造各采样时刻的最大限定功率序列和最小限定功率序列;根据各采样时刻的充电电流序列与最大限定功率序列和最小限定功率序列之间的相关性得到各采样时刻的最大关联系数;根据各采样时刻最大和最小限定功率序列的分布情况及差异得到各采样时刻的限定冲突系数;根据各采样时刻的电流共轭失调极差系数、最大关联系数以及限定冲突系数得到各采样时刻的限定电流耦合冲突系数;根据各采样时刻的限定电流耦合冲突系数及预设浪涌耦合冲突阈值的关系得到各采样时刻的浪涌自适应控制参数;
将各采样时刻蓄电池的充电电流和浪涌协同自适应控制参数作为PID算法的输入,输出蓄电池的匹配充电电流,完成不稳定电源的蓄电池匹配;
所述构建各采样时刻的电流共轭失调极差系数包括:
采用ApEn算法计算各采样时刻的充电电流序列的近似熵值;
获取各采样时刻的共轭极值偏差系数与充电均值偏差系数的和值;
将所述近似熵值与所述和值的乘积确定为各采样时刻的电流共轭失调极差系数;
所述根据各采样时刻的充电电流序列与最大限定功率序列和最小限定功率序列之间的相关性得到各采样时刻的最大关联系数,包括:
分别计算各采样时刻的充电电流序列与最大限定功率序列以及与最小限定功率序列之间的皮尔逊相关性系数;将两个皮尔逊相关性系数的最大值作为各采样时刻的最大关联系数;
所述根据各采样时刻最大和最小限定功率序列的分布情况及差异得到各采样时刻的限定冲突系数,包括:
采用时间序列分解算法分别获取最大和最小限定功率序列对应的趋势项、季节项和残差项,以计算最大限定功率序列和最小限定功率序列的趋势项强度;第i个采样时刻的限定冲突系数的表达式为:
;
式中,Omax和Omin分别表示最大限定功率序列和最小限定功率序列的趋势项强度,log2( )表示以2为底的对数函数,和分别表示第i个采样时刻的最大限定功率序列和最小限定功率序列中第k个采样时刻的值;
所述根据各采样时刻的电流共轭失调极差系数、最大关联系数以及限定冲突系数得到各采样时刻的限定电流耦合冲突系数,包括:
将各采样时刻的最大关联系数作为以自然常数为底数的指数函数的指数,将所述指数函数的计算结果作为分母,将各采样时刻的电流共轭失调极差系数与限定电流耦合冲突系数的和值作为分子,分子与分母的比值确定为各采样时刻的限定电流耦合冲突系数。
2.如权利要求1所述的一种基于不稳定电源的蓄电池匹配方法,其特征在于,所述构造各采样时刻的发电功率序列,确定风电场汇流站各采样时刻的最大限定功率和最小限定功率,包括:
将各采样时刻之前多个采样时刻的输出功率构造各采样时刻的发电功率序列,将各采样时刻的发电功率序列作为神经网络的输入,神经网络输出风电场汇流站各采样时刻的最大限定功率和最小限定功率。
3.如权利要求1所述的一种基于不稳定电源的蓄电池匹配方法,其特征在于,所述根据各采样时刻的充电电流序列中电流分布情况得到各采样时刻的共轭极值偏差系数,包括:
针对各采样时刻的充电电流序列,对充电电流序列进行拟合得到充电电流曲线,将充电电流曲线上相邻的极大值和极小值组成电流共轭极值对;
计算电流共轭极值对中极大值与极小值的差值,统计电流共轭极值对中极大值与极小值的时间间隔,获取所述差值与所述时间间隔的比值,将各采样时刻的所述充电电流曲线上所有电流共轭极值对对应的所述比值的均值作为各采样时刻的共轭极值偏差系数。
4.如权利要求1所述的一种基于不稳定电源的蓄电池匹配方法,其特征在于,所述根据充电电流序列的信息熵及均值得到各采样时刻的充电均值偏差系数包括:
获取各采样时刻的充电电流序列的信息熵,第i个采样时刻的充电均值偏差系数的表达式为:
;
式中,表示以第i个采样时刻的充电电流序列,ΔH( )表示信息熵,Nτ表示充电电流序列中采样点的个数,表示以第i个采样时刻的充电电流序列中第k个采样时刻的值,E( )表示计算序列的均值。
5.如权利要求1所述的一种基于不稳定电源的蓄电池匹配方法,其特征在于,所述构造各采样时刻的最大限定功率序列和最小限定功率序列包括:
将各采样时刻之前多个采样时刻的最大限定功率构造为各采样时刻的最大限定功率序列;采用最大限定功率序列的构造方法,获取各采样时刻的最小限定功率序列。
6.如权利要求1所述的一种基于不稳定电源的蓄电池匹配方法,其特征在于,所述根据各采样时刻的限定电流耦合冲突系数及预设浪涌耦合冲突阈值的关系得到各采样时刻的浪涌自适应控制参数,包括:
;
式中,(P,I,D)i表示蓄电池充电电流在第i个采样时刻的浪涌协同自适应控制参数,P、I和D分别表示PID算法中的比例权重、积分权重和微分权重,表示第i个采样时刻的限定电流耦合冲突系数,表示浪涌耦合冲突阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410518785.5A CN118117717B (zh) | 2024-04-28 | 2024-04-28 | 一种基于不稳定电源的蓄电池匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410518785.5A CN118117717B (zh) | 2024-04-28 | 2024-04-28 | 一种基于不稳定电源的蓄电池匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118117717A CN118117717A (zh) | 2024-05-31 |
CN118117717B true CN118117717B (zh) | 2024-07-05 |
Family
ID=91219441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410518785.5A Active CN118117717B (zh) | 2024-04-28 | 2024-04-28 | 一种基于不稳定电源的蓄电池匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118117717B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148171A (zh) * | 2023-10-31 | 2023-12-01 | 新风光电子科技股份有限公司 | 一种储能电池数据处理方法及系统 |
CN117175751A (zh) * | 2023-11-02 | 2023-12-05 | 广州巨湾技研有限公司 | 一种基于电池最高温度的充电电流控制方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103441537B (zh) * | 2013-06-18 | 2018-04-13 | 国家电网公司 | 配有储能电站的分散式风电场有功优化调控方法 |
CN117642953A (zh) * | 2022-06-23 | 2024-03-01 | 宁德时代新能源科技股份有限公司 | 电池充电方法、装置、设备及存储介质 |
CN117080619B (zh) * | 2023-10-16 | 2023-12-15 | 上海北开科技发展有限公司 | 一种新能源汽车电池散热管理方法与系统 |
-
2024
- 2024-04-28 CN CN202410518785.5A patent/CN118117717B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148171A (zh) * | 2023-10-31 | 2023-12-01 | 新风光电子科技股份有限公司 | 一种储能电池数据处理方法及系统 |
CN117175751A (zh) * | 2023-11-02 | 2023-12-05 | 广州巨湾技研有限公司 | 一种基于电池最高温度的充电电流控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118117717A (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110535146B (zh) | 基于深度确定策略梯度强化学习的电力系统无功优化方法 | |
CN108448565B (zh) | 一种直流微电网复合储能系统功率分配方法 | |
CN103576553B (zh) | 一种燃煤锅炉蒸汽温度的分数阶自整定控制方法 | |
CN114362196A (zh) | 一种多时间尺度主动配电网电压控制方法 | |
CN110566406A (zh) | 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法 | |
CN113541146B (zh) | 计及分布式电源的电力系统潮流计算优化方法 | |
CN113300379B (zh) | 一种基于深度学习的电力系统无功电压控制方法及系统 | |
CN104734175A (zh) | 一种实现风电机组风速功率曲线的智能修正方法 | |
CN111614110B (zh) | 一种基于改进多目标粒子群算法的受端电网储能优化配置方法 | |
CN107196343B (zh) | 一种多端柔性直流孤岛电网送端的日前电压计划生成方法 | |
Malmir et al. | Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm | |
Bal et al. | Artificial neural network based automatic voltage regulator for a stand-alone synchronous generator | |
CN105119285B (zh) | 基于动态赋权的风储协调多目标优化控制方法 | |
CN118117717B (zh) | 一种基于不稳定电源的蓄电池匹配方法 | |
Anulal et al. | Reactive power compensation of wind-diesel hybrid system using STATCOM with Fuzzy tuned and ANFIS tuned PID controllers | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN107453366B (zh) | 计及风电决策风险的含upfc多目标最优潮流计算方法 | |
Liu et al. | Deep reinforcement learning-based voltage control method for distribution network with high penetration of renewable energy | |
Zhang et al. | Optimization method of under frequency load shedding schemes for systems with high permeability new energy | |
Kamel et al. | Performance enhancement of wind farms integrated with UPFC using adaptive neuro-fuzzy inference system | |
CN108616122B (zh) | 一种计及超低频振荡的调速器pid参数鲁棒优化方法 | |
Barbade et al. | Neural network based control of Doubly Fed Induction Generator in wind power generation | |
Okafor et al. | Photovoltaic System MPPT Evaluation Using Classical, Meta-Heuristics, and Reinforcement Learning-Based Controllers: A Comparative Study | |
Kuang | Reactive Power Optimization of Distributed PVConnected to Three-Phase Unbalanced Distribution Network | |
Ruan et al. | Real-time energy management of a low-carbon micro-grid based on deep reinforcement learning |
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 | ||
GR01 | Patent grant |