本發(fā)明涉及儲能系統(tǒng)技術(shù)領域，特別是一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法。

背景技術(shù)：

隨著新型發(fā)電技術(shù)的發(fā)展，分布式發(fā)電系統(tǒng)(distributedgenerationsystem，dgs)得到迅猛發(fā)展，大大滿足負荷快速增長需求，并且能夠降低環(huán)境污染、同時可以提高能源利用率和供電的可靠性。大量的分布式發(fā)電系統(tǒng)和儲能系統(tǒng)協(xié)調(diào)融入電力網(wǎng)絡，因而導致電力系統(tǒng)的正常運行發(fā)生各種故障，甚至是運行中斷，在這樣的情況下，微網(wǎng)被運用于此。微網(wǎng)內(nèi)部主要是由電力電子裝置進行能量轉(zhuǎn)換，并得到相應的控制。孤島微網(wǎng)系統(tǒng)主要由分布式電源、負荷以及儲能系統(tǒng)組成。

由于可再生能源的隨機性和間歇性的特點，自治微網(wǎng)內(nèi)部的穩(wěn)定運行和控制出現(xiàn)了問題，尤其是在高滲透率的情況下。一些比較受歡迎的最大功率追蹤算法，主要強調(diào)高利用率，但是當可再生能源發(fā)電量與負荷需求量并不相等時，將發(fā)生供需不平衡，尤其是在微網(wǎng)孤島狀態(tài)中，形式嚴峻。為了克服這個問題，我們通常采用安裝儲能裝置。它們可以在尖峰發(fā)電期間吸收多余的發(fā)電量，在尖峰負荷需求期間，補償能量的不足，并且可以平衡短期內(nèi)凈能量的變化。儲能可以改善電網(wǎng)質(zhì)量，維持電網(wǎng)穩(wěn)定性，同時可以對電力負荷進行削峰填谷，大規(guī)模儲能技術(shù)的運用大大提高電源的可控性。電池儲能是一種基于電能的裝置，響應速度很快。所以當儲能被引入到孤島微網(wǎng)時，有功功率不平衡可以被最小化。電池儲能以其響應速度快、能量密度高、功率和容量配置靈活、適用范圍廣等優(yōu)點，可在電力系統(tǒng)削峰填谷、平抑負荷波動、穩(wěn)定控制等多種場景發(fā)揮重要作用。儲能系統(tǒng)在電力網(wǎng)絡中發(fā)揮作用的同時，在儲能的充放電過程中將不可避免地產(chǎn)生損耗。部分分布式算法最終收斂于優(yōu)化量，然而花了很長時間。此外，供需有功不匹配也時有發(fā)生。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是克服現(xiàn)有技術(shù)的不足而提供一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法，本發(fā)明當電池儲能系統(tǒng)出現(xiàn)充電損耗時，該分布式梯度算法通過分布式控制方式能夠進行實時儲能輸入調(diào)節(jié)，保證系統(tǒng)的穩(wěn)定性，并可以有效減少損耗。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

根據(jù)本發(fā)明提出的一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法，包括以下步驟：

步驟一、建立儲能系統(tǒng)充電優(yōu)化模型的目標函數(shù)，并進行參數(shù)初始化；

步驟二、初始化權(quán)值矩陣；

步驟三、將第i個儲能單元的充電功率pb,i與預設的第i個充電功率最大閾值和充電功率最小閾值進行比較判斷，使得如果第i個儲能單元的充電功率pb,i大于則將其充電功率設置為此時該儲能單元不再參與分布式梯度迭代，僅僅起到信息交互的作用，即離網(wǎng)，在下一次迭代時的通信權(quán)值改變；如果第i個儲能單元的充電功率pb,i小于則將其充電功率設置為充電功率最小閾值，同樣僅僅信息交互，不再分布式梯度迭代，在下一次迭代時的通信權(quán)值改變；如果充電功率在之間，則采用分布式梯度算法對各個儲能單元進行充電功率的迭代更新；其中，i＝1,…,n，n為儲能單元的總個數(shù)；

步驟四、計算儲能充電功率誤差值pm；

其中，sg為分布式發(fā)電機的指數(shù)集合，sl為負荷需求量的指數(shù)集合，sb為電池儲能的指數(shù)集合，pg,p是第p個發(fā)電機的發(fā)電量，pl,q是第q個負荷需求量，p>0，q>0；

步驟五、若pm不在允許的預設誤差范圍內(nèi)則轉(zhuǎn)到步驟三，若在允許的預設誤差范圍內(nèi)則分布式梯度算法結(jié)束。

作為本發(fā)明所述的一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法進一步優(yōu)化方案，所述步驟一中的目標函數(shù)為ai、bi均為電池儲能充常系數(shù)。

作為本發(fā)明所述的一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法進一步優(yōu)化方案，目標函數(shù)的建立過程具體如下：

第i個儲能單元的實際充電量函數(shù)為pb,iηc,i，ηc,i為第i個儲能單元的充電效率；

充電效率和充電功率呈線性關系：ηc,i＝ai-bipb,i；

第i個儲能單元充電損耗為pb,i-pb,iηc,i＝bipb,i²-(ai-1)pb,i；

則儲能系統(tǒng)總損耗為

儲能系統(tǒng)充電優(yōu)化模型的目標函數(shù)為

作為本發(fā)明所述的一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法進一步優(yōu)化方案，步驟1中的參數(shù)包括各儲能單元的充電功率、和

作為本發(fā)明所述的一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法進一步優(yōu)化方案，步驟3中采用分布式梯度算法進行充電功率的迭代更新的分布式梯度迭代公式為，

其中，pb,i[k]表示第i個儲能單元在第k次迭代的充電功率，充電功率pb,i[k+1]是pb,i[k]的下一次迭代值，α[k]為步長，為第j個儲能單元在第k次充電功率的目標函數(shù)的導數(shù)，j∈[1,n]，idxb[k]為儲能輸入量達到界限的指數(shù)集，idxb[k]^c為idxb[k]的補集；

在一個不定向的拓撲結(jié)構(gòu)圖中有n個節(jié)點，這n個節(jié)點即相當于n個儲能單元，第i個儲能單元和與其相連的第j個儲能單元的連接通信權(quán)值為wij[k]；

idxi[k]代表第i個儲能單元的相鄰儲能單元的指數(shù)集，ni[k]表示第i個儲能單元進行第k次迭代時的相鄰儲能單元的數(shù)量，nj[k]表示第j個儲能單元進行第k次迭代時的相鄰儲能單元的數(shù)量，第j個儲能單元需和第i個儲能單元相連；

ni[k]通過計算公式得到，aij[k]是通信拓撲的鄰接矩陣a[k]的元素，鄰接矩陣a[k]表示拓撲結(jié)構(gòu)圖的連通度，當?shù)趇個儲能單元與第j個儲能單元相連有通信時，aij[k]＝1；否則為0。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：當電池儲能系統(tǒng)出現(xiàn)充電損耗時，該分布式梯度算法通過分布式控制方式能夠進行實時儲能輸入調(diào)節(jié)，同時滿足等式約束與不等式約束，在保證系統(tǒng)的穩(wěn)定性，并可以有效減少損耗。

附圖說明

圖1是本發(fā)明的流程圖。

圖2a是儲能充電功率達到最大閾值或最小閾值圖。

圖2b是拓撲結(jié)構(gòu)變化的樣圖。

圖3是本發(fā)明的通信網(wǎng)絡拓撲構(gòu)圖。

圖4是各儲能單元充電功率分別進行迭代的仿真圖。

圖5是儲能系統(tǒng)充電總功率在迭代更新的仿真圖。

圖6是儲能系統(tǒng)總的充電功率損耗的仿真圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進一步的詳細說明：

下面詳細描述本發(fā)明的實施方式，所述實施方式的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。

下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進一步的詳細說明：

本發(fā)明設計一種基于分布式梯度算法的儲能系統(tǒng)充電優(yōu)化方法，算法步驟流程圖如圖1所示，具體實施步驟如下：

步驟一：建立儲能系統(tǒng)有功優(yōu)化模型，并進行參數(shù)初始化。第i個儲能單元的實際充電量函數(shù)為：pb,iηc,i。

pb,i為第i個儲能單元的充電功率，ηc,i為第i個儲能單元的充電效率。

實驗表明充電效率和充電速率呈線性關系，即ηi＝ai-bipb,i。

ai、bi為電池儲能充電常系數(shù)。

所以第i個儲能單元充電損耗為

pb,i-pb,iηc,i

＝pb,i-pb,i(ai-bipb,i)

＝bipb,i²-(ai-1)pb,i

則儲能系統(tǒng)總損耗為

本模型的目標函數(shù)為

初始化數(shù)據(jù)儲能單元充電功率以及最大閾值、最小閾值，還有系數(shù)，步長為0.6，如表1所示：

表1：各儲能單元參數(shù)

步驟二：初始化權(quán)值矩陣。權(quán)值矩陣wij[k]為對稱陣，wij表示第i個儲能單元和與其相連的第j個儲能單元的連接通信權(quán)值

在一個不定向的圖中有n個節(jié)點即相當于n個儲能單元代表拓撲結(jié)構(gòu)圖。idxi[k]代表第i個儲能單元的相鄰儲能單元的指數(shù)集，ni[k]表示第i個儲能單元的相鄰儲能單元的數(shù)量，nj[k]表示第j個儲能單元的相鄰儲能單元的數(shù)量，第j個儲能單元需和第i個儲能單元相連，并在拓撲結(jié)構(gòu)圖中計算其數(shù)量，本發(fā)明的拓撲結(jié)構(gòu)圖如圖3所示。

ni[k]表示進行第k次迭代時與第i個儲能單元有通信連接的儲能單元數(shù)量，可以通過計算公式得到，aij[k]是通信拓撲的鄰接矩陣a[k]的元素，鄰接矩陣a[k]表示拓撲結(jié)構(gòu)圖的連通度，當?shù)趇個儲能單元與第j個儲能單元相連有通信時，aij[k]＝1；否則為0。

步驟三：將第i個儲能單元的充電功率pb,i與預設的第i個充電功率最大閾值和充電功率最小閾值進行比較判斷，使得如果第i個儲能單元的充電功率pb,i大于則將其充電功率設置為此時該儲能單元不再參與分布式梯度迭代，僅僅起到信息交互的作用，即離網(wǎng)，在下一次迭代時的通信權(quán)值改變；如果第i個儲能單元的充電功率pb,i小于則將其充電功率設置為充電功率最小閾值，同樣僅僅信息交互，不再分布式梯度迭代，在下一次迭代時的通信權(quán)值改變，儲能充電功率被設置為最大閾值或者最小閾值時，如圖2a所示，通信權(quán)值發(fā)生相應改變，拓撲結(jié)構(gòu)圖如圖2b所示；如果充電功率在之間，則采用分布式梯度算法對各個儲能單元進行充電功率的迭代更新；其中，i＝1,…,n，n為儲能單元的總個數(shù)；

分布式梯度算法迭代公式為

pb,i[k]表示第i個儲能單元在第k次的迭代值，pb,i[k+1]是pb,i[k]的下一次迭代值，各儲能功率分別迭代如圖4所示，α[k]為步長，為第j個儲能單元在第k次充電功率的目標函數(shù)的導數(shù)，j∈[1,n]，分別是充電功率最大閾值和最小閾值。idxb[k]為儲能輸入量達到界限的指數(shù)集，idxb[k]^c為idxb[k]的補集，儲能系統(tǒng)充電總功率在迭代更新的仿真如圖5所示，儲能系統(tǒng)總的充電功率損耗的仿真如圖6所示。儲能充電功率需處于最大閾值和最小閾值之間，即滿足不等式約束。

不等式約束表示為

步驟四：運用等式約束公式計算pm的值。

步驟五：儲能充電功率需滿足等式約束，判斷pm是否在允許的誤差范圍內(nèi)，滿足則算法結(jié)束。不滿足，則繼續(xù)循環(huán)。

以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術(shù)領域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替代，都應當視為屬于本發(fā)明的保護范圍。