CN106786550A - 一种微电网成本优化的分布式控制方法及装置 - Google Patents
一种微电网成本优化的分布式控制方法及装置 Download PDFInfo
- Publication number
- CN106786550A CN106786550A CN201710030030.0A CN201710030030A CN106786550A CN 106786550 A CN106786550 A CN 106786550A CN 201710030030 A CN201710030030 A CN 201710030030A CN 106786550 A CN106786550 A CN 106786550A
- Authority
- CN
- China
- Prior art keywords
- micro
- source
- cost
- output voltage
- capacitance sensor
- 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.)
- Granted
Links
Classifications
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种微电网成本优化的分布式控制方法及装置。所述方法包括:S1,获取本地输出电压和电流,并获取相邻微源的输出电压和电流;S2,基于成本优化控制策略,计算得出每个微源的功率和微增率,通过PI调节使得本地的微源微增率和相邻微源的微增率相等,以使微电网成本最低。本发明的成本优化控制策略,确保***中低成本的发电机具有优先发电的权;通过构造拉格朗日函数获取每个微源的最优发电功率,通过PI调节使微电网中各微源的微增率相等,使整个***的总发电成本最低。在此基础上,基于分布式电压恢复策略,通过PI调节使每个微源的输出电压值与输出电压参考值相等,来进行电压恢复。
Description
技术领域
本发明涉及电网控制领域,更具体地,涉及一种微电网成本优化的分布式控制方法及装置。
背景技术
目前,诸如太阳能光伏发电、风力发电和燃料电池等的逐渐开发和利用,直流(DC)微电网越来越火。与交流微电网相比,直流微电网具有独特的优点:无需考虑变压器涌流,频率同步和无功潮流,具有传输容量大,电源可靠性高,***损耗小等特点。
近年来许多研究者们对DC微网的网络架构和经济优化水平进行了大量研究。对于能源的管理架构可以分为集中式和分布式。集中式管理在经济运行方面具有最大化利益和满足微电网电压调节的优点,因此被广泛应用于微电网运行的优化。然而,由于集中式依赖于高强度的通信,这会导致微网的运营成本增加,并且由于太过依赖于通信,可能会导致功率控制差和可靠性低等缺点。
这时,由于高可靠性、易扩展性和简单的通信网络要求等优异的特性,分布式控制逐渐取代集中式控制,成为电网中的主流。目前,下垂控制是一种流行的分布式控制策略。对于微电网,下垂概念已被用于控制分层架构的主层。作为一种经典的分布式控制方法,传统的下垂控制策略可以在多个微源之间达到功率均分的目的,能确保大容量的微源产生多的功率,而小容量微源则产生较少的功率。
一般来说,微电网的经济运行可以通过在考虑排放惩罚的情况下优化其发电成本,结合下垂控制的方法和成本优化的目的,现有技术提出了一系列基于成本的下垂方案来降低微电网的发电成本。这些方法在一定程度上降低了微电网的发电成本,是微电网运行优化的一个重要里程碑。
然而,在这些方法中存在或多或少的一些缺陷和缺点,包括不能达到成本低的微源多发电,成本高的微源少发电的目的;并且微源输出电压的波动范围太大,不能保证电压质量;且微源的成本函数必须为二次型,不能包含指数函数,存在局限性。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的微电网成本优化的分布式控制方法及装置。
根据本发明的一个方面,提供一种微电网成本优化的分布式控制方法,包括:
S1,获取本地输出电压和电流,并获取相邻微源的输出电压和电流;
S2,基于成本优化控制策略,计算得出每个微源的功率和微增率,通过PI调节使本地微增率和相邻微源的微增率相等,以使微电网成本最低。
所述一种微电网成本优化的分布式控制方法还包括:
S3,基于分布式电压恢复策略及所述成本优化控制策略,调节每个微源的输出电压值,以使每个微源的输出电压值与输出电压参考值相等。
具体的,S2中所述成本优化控制策略包括:
基于不同类型微源的成本函数,获取微电网中所有微源的发电成本之和;
基于约束条件和所述发电成本之和,构造拉格朗日函数并获取所述目标函数的最小值,得到所述成本优化控制策略,以使每个微源的成本微增率相等。
具体的,所述不同类型微源的成本函数包括:
柴油发电机和微型涡轮机的成本函数为:
Ci(Pi)=Km,iPi+Kf,i(ai+biPi+ciPi 2)+Kξ,i(αi+βiPi+γiPi 2+εi exp(ρiPi))
其中,i表示微源个数,常数ai、bi和ci表示内燃机的燃料消耗,αi、βi、γi、εi和ρi表示排放惩罚或奖励,Km,i、Kf,i和Kδ,i分别为有功功率、内燃机消耗和排放损失的等效成本系数;
可再生能源的成本函数为:
Ci(Pi)=Ko,i(Pi+Kl,i(vi+uiPi+wiPi 2))
其中,KO,i、Kl,i、υi、ui和ωi为再生能源的成本函数的系数。
具体的,所述微电网中所有微源的发电成本之和为:
其中,C'i(Pi)(i=1,2,…,n)为各微源的空载成本。
具体的,所述拉格朗日函数为:
其中,λ是拉格朗日乘子,Pi为第i个微源的输出功率,Pload为负载功率;
所述拉格朗日函数的最小值为:
具体的,S3中所述分布式电压恢复策略包括:
基于分布式平均一致性模型,获取微电网稳态工作时每个微源的局部电压估计值;
基于输出电压参考值,根据所述局部估计值及所述成本优化控制策略,获取每个微源的输出电压值。
具体的,所述分布式平均一致性模型为:
所述每个微源的局部电压估计值为:
其中,为第i个微源的本地平均电压的估计值。
具体的,所述每个微源的电压输出值为:
其中,
uref为输出电压参考值,u* i是第i个微源的输出电压,aij是通信权重,表示:当i和j之间有通信时,aij=1;当i和j之间没有通信时,aij=0;Ni表示第i个微源的所有相邻微源的集合,为第i个微源的本地平均电压的估计值。
根据本发明的另一个方面,还提供一种微电网成本优化的分布式控制装置,其特征在于,包括:
采集模块,用于获取本地输出电压和电流,并获取相邻微源的输出电压和电流;
成本控制模块,用于基于成本优化控制策略,计算得出每个微源的功率和微增率,通过PI调节使本地微增率和相邻微源的微增率相等,以使微电网成本最低;
电压恢复模块,用于基于分布式电压恢复策略及所述成本优化控制策略,调节每个微源的输出电压值,以使每个微源的输出电压值与输出电压参考值相等。
本申请提出一种微电网成本优化的分布式控制方法及装置,根据不同类型微源的成本函数,提出一种成本优化控制策略,确保***中低成本的发电机具有优先发电的权;通过构造拉格朗日函数获取每个微源的发电功率,通过PI调节使微电网中各微源的微增率相等,使整个***的总发电成本最低。在此基础上,基于分布式电压恢复策略,通过PI调节使每个微源的输出电压值与输出电压参考值相等,来进行电压恢复。本申请中,所有的微源只需要获得相邻微源的成本信息,而本地平均电压信息可以通过稀疏通信得到;对于那些容易获得相邻的平均电压信息的微源,可以同时进行成本优化和电压恢复;当***稳定时,可以保证直流微电网稳定经济的运行和良好的电压质量。
附图说明
图1为本发明一种微电网成本优化的分布式控制方法流程图;
图2为本发明所述微电网仿真和实验的电路示意图;
图3为本发明所述微电网成本优化的分布式控制方法的原理示意图;
图4(a)为本发明中归一化成本函数的曲线,(b)为基于成本下垂控制方法的曲线;
图5(a)为场景I下,本发明所述控制方法的三个微源的输出功率的变化示意图,(b)和(c)分别为基于成本下垂控制方法和本发明所述控制方法的三个微源的输出电压波形图,(d)为基于成本下垂控制方法和本发明所述控制方法的总发电成本的比较;
图6(a)和(b)为场景II下,基于成本下垂控制方法和本发明所述控制方法的三个微源的输出电压波形示意图,(c)为基于成本下垂控制方法和本发明所述控制方法的总发电成本的比较;
图7(a)为本发明所述控制方法在仿真时,三个微源的电感电流和负载电压波形示意图,(b)为当负载大小发生变化时,三个微源的电感电流和负载电压波形的变化过程,(c)为三个DG的输出功率的波形示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,一种微电网成本优化的分布式控制方法,包括:
S1,获取本地输出电压和电流,并获取相邻微源的输出电压和电流;
S2,基于成本优化控制策略,计算得出每个微源的功率和微增率,通过PI调节使本地微增率和相邻微源的微增率相等,以使微电网成本最低。
所述一种微电网成本优化的分布式控制方法还包括:
S3,基于分布式电压恢复策略及所述成本优化控制策略,调节每个微源的输出电压值,以使每个微源的输出电压值与输出电压参考值相等。
本发明所述控制方法应用于直流微电网中,主要达到两个目的:成本优化和全局平均电压恢复。
所谓成本优化,是指基于微增率的方法确保***中低成本的发电机在发电时具有优先发电的权利,通过构造拉格朗日函数求每个微源的发电功率,使整个***的总发电成本最低。
所述全局平均电压恢复,是指使用分布式同步算法来恢复具有多个负载和多个微源的微电网***的全局平均电压,使每个微源的输出电压等于全局平均电压。
具体的,S2中所述成本优化控制策略包括:
基于不同类型微源的成本函数,获取微电网中所有微源的发电成本之和;
基于约束条件和所述发电成本之和,构造拉格朗日函数并获取所述拉格朗日函数的最小值,得到所述成本优化控制策略,以使每个微源的成本微增率相等。
所述约束条件是所有DG的发电能力应该满足微电网***总的负载大小的要求。
所述不同类型微源的成本函数包括:
柴油发电机和微型涡轮机的成本函数为:
Ci(Pi)=Km,iPi+Kf,i(ai+biPi+ciPi 2)+Kξ,i(αi+βiPi+γiPi 2+εi exp(ρiPi))
其中,i表示微源个数,常数ai、bi和ci表示内燃机的燃料消耗,αi、βi、γi、εi和ρi表示排放惩罚或奖励,Km,i、Kf,i和Kδ,i分别为有功功率、内燃机消耗和排放损失的等效成本系数;
可再生能源的成本函数为:
Ci(Pi)=Ko,i(Pi+Kl,i(vi+uiPi+wiPi 2))
其中,KO,i、Kl,i、υi、ui和ωi为再生能源的成本函数的系数。所述可再生能源包括燃料电池、风力发电机和具有存储功能的光伏板等。
为了比较所有DG的发电成本,需要求成本函数的标幺值,可通过Ci'(Pi)=Ci(Pi')-Ci(0)求得。
具体的,所述微电网中所有微源的发电成本之和为:
其中,C'i(Pi)(i=1,2,…,n)为各微源的空载成本。
具体的,所述拉格朗日函数为:
其中,λ是拉格朗日乘子,Pi为第i个微源的输出功率,Pload为负载功率。
基于所述拉格朗日函数,本发明的微电网成本优化的条件极值问题变为非线性约束优化问题;因为成本函数是严格的凸函数并且是可微分的,所以拉格朗日函数的最小值可以通过下式求解。
所述拉格朗日函数的最小值可表示为:
也可表示为:
当微电网***的每个微源的输出功率按照上式输出时,***的总发电成本最低,从而可以得到每个微源的最佳输出功率。
具体的,S3中所述分布式电压恢复策略包括:
基于分布式平均一致性模型,获取微电网稳态工作时每个微源的局部电压估计值;
基于输出电压参考值,根据所述局部估计值及所述成本优化控制策略,获取每个微源的输出电压值。
电压质量是电网工作时需要考虑的一个重要指标,电压恢复是指通过控制方法使每个微源的输出电压大致等于输出电压参考值。其中,集中式分层控制器是微网中常用的控制器,但是它需要大量的通信,所需成本太高,并且呈现单点故障。本发明提出一种分布式控制策略,采用常用的一种分布式平均一致性模型。具体的,所述分布式平均一致性模型为:
根据上式,当包含n个微源的微电网工作在稳态时,每个微源的局部电压估计值相同,并且等于全局平均输出电压,即每个微源的局部电压估计值为:
其中,为第i个微源的本地平均电压的估计值。
为了降低通信成本,提高可靠性,本发明在成本优化的基础上提出一种全局电压恢复的分布式控制方法。根据所述全局电压恢复的分布式控制方法,每个微源的电压输出值为:
其中,
uref为输出电压参考值,u* i是第i个微源的输出电压,aij是通信权重,表示:当i和j之间有通信时,aij=1;当i和j之间没有通信时,aij=0;Ni表示第i个微源的所有相邻微源的集合,为第i个微源的本地平均电压的估计值。
下面通过具体实施例来进一步说明本发明的技术方案。
本发明对所提出的微电网成本优化和电压恢复的控制方法进行仿真实验的电路示意图如图2所示,包括三个微源,分别为DG1、DG2和DG3,所述DG1为为柴油发电机,DG2为微型燃气轮机,DG3为风力发电机。根据本发明所述不同类型的成本函数可得三个微源的成本函数依次为:
C1(P1)=0.4+0.04P1+0.03(2+6P1+13P1 2)+0.1(1.8-P1+4.7P1 2+2exp(P1))
C3(P3)=0.2(P3+0.1(0.18-0.15P3+4P3 2))
三个微源的微增率依次为:
微电网***中各电路参数如表1所示:
表1
参数 | 值 |
微源1电感(L1) | 0.65mH |
微源2电感(L2) | 0.65mH |
微源3电感(L3) | 0.65mH |
微源1电容(C1) | 94μF |
微源2电容(C2) | 94μF |
微源3电容(C3) | 94μF |
微源1线路电阻(r1) | 0.8Ω |
微源2线路电阻(r2) | 1Ω |
微源3线路电阻(r3) | 1.2Ω |
负载最大功率功率(P) | 500W |
逆变器输入电压(U1,U2,U3) | 48V |
基于所述三个微源的微增率和表1的参数,另外,本实施例的三个微源通信结构为链状,所以三个微源的目标输出电压值为:
基于所述三个微源的微增率和目标输出电压值,进行PI调节,当微电网***稳定时,可使总的发电成本最低;并且每个微源的输出电压达到目标输出电压,满足电压恢复的要求。
图3为本发明所述微电网成本优化的分布式控制方法的原理示意图。图3分别列举了第j个微源和相邻的第i个微源,以及第k个微源和相邻的第n个微源的控制原理,包括:对第i个微源和第n个微源分别进行电压电流调节获得相应的输出功率;所述第j个微源和第k个微源分别获取第i个微源和第n个微源的微增率;基于相邻微源的微增率,对第j个微源和第k个微源分别按输出电压参考值进行PI调节,使***中微源的微增率相等,输出电压值达到所述输出电压参考值,使***的发电成本最低,并且完成电压恢复。
下面对本发明所述微电网成本优化和电压恢复的控制方法与基于成本的下垂控制方法进行对比,来说明本发明的有益效果。
基于下垂的控制方法可表示为:
Vref,i=Vmax-mC'i(Pi)
其中,Vref,i为第i个微源的给定电压,Vmax,Vmin分别为***输出电压最大值和最小值,m为下垂系数,C'i(Pi)为第i个微源的空载成本函数。
根据计算标幺值的公式,本发明所述控制方法的归一化成本函数的曲线如图4(a)所示。对于基于成本的下垂控制,电压范围设置为52.8(V)~43.2(V),下垂梯度计算为m=(52.8-43.2)/1.62=5.93。微电网***采用基于成本的下垂控制方法进行仿真,下垂曲线如图4(b)所示。
就以上***,仿真包括两个场景,场景I的线路电阻参数如表1所示。
如图5(a)所示,根据本发明所述成本优化控制方法,各DG发出的功率严格遵守公式假设DG3发电成本最小,在容量范围内产生最多的功率,而DG1是最贵的则产生最少的功率。
图5(b)为基于成本下垂的控制方法的电压波形图,图5(c)为本发明所述控制方法的微源的输出电压波形图,由图可以看出,全局平均电压恢复,并且可以快速到达稳定。图5(d)显示了基于成本下垂控制方法和本发明所述控制方法的总发电成本(TGC)的比较,在三种不同的负载条件下(分别为20Ω、10Ω和5Ω),本发明所述控制方法相对于基于成本下垂控制方法所节省成本分别为24.35%、20.8%和26.33%。
在场景II中,线路电阻分别等于3Ω、2.5Ω和2Ω,目的是与场景I进行对比,可获取***在线路电阻发生变化情况时,对于***总成本的影响。在图6(a)中,可以看出,当传输线的距离增加时,即线路电阻增大时,每个DG的输出电压比图5(b)稍差。然而,与基于成本下垂控制方法相比,电压恢复好,响应更快。
通过比较图5(d)和图6(c),它们之间的差别不是很大,可知线路电阻的变化对***总的发电成本影响不大。
根据表1参数、图2的仿真电路示意图和图2的控制框原理示意图,本发明所述控制方法在仿真可得出三个DG的输出电流波形和负载电压波形如图7(a)、(b)所示。在仿真中,测量的电流是各DG的电感两端的电流。根据buck电路的原理图,由于电容的电流可以忽略,通过电感的电流近似等于通过线路电阻的电流。在仿真数据分析过程中,电感电流表示为DG的输出电流。另一方面,测量的电压是负载电压。根据图7(c),三个DG的输出电压可以通过计算线路电阻器的电压降加上测量的电压来获得。当第一次接入负载时,图7显示了输出电流和负载电压波形的变化过程。
比较图5(d)与图7(c),可知仿真结果与实验结果完全匹配,仿真和实验同时验证了所提控制方法的有效性。
本发明还提供一种微电网成本优化的分布式控制装置,包括:
采集模块,用于获取本地输出电压和电流,并获取相邻微源的输出电压和电流;
成本控制模块,用于基于成本优化控制策略,计算得出每个微源的功率和微增率,通过PI调节使本地微增率和相邻微源的微增率相等,以使微电网成本最低;
电压恢复模块,用于基于分布式电压恢复策略及所述成本优化控制策略,调节每个微源的输出电压值,以使每个微源的输出电压值与输出电压参考值相等。
本发明所述一种微电网成本优化的分布式控制方法及装置,根据不同类型微源的成本函数,提出一种成本优化控制策略,确保***中低成本的发电机具有优先发电的权;通过构造拉格朗日函数获取每个微源的发电功率,通过PI调节使微电网中各微源的微增率相等,使整个***的总发电成本最低。在此基础上,基于分布式电压恢复策略,通过PI调节使每个微源的输出电压值与输出电压参考值相等,来进行电压恢复。
本发明中所有的微源只需要获得相邻微源的成本信息,而本地平均电压信息可以通过稀疏通信得到;对于那些容易获得相邻的平均电压信息的微源,可以同时进行成本优化和电压恢复;当***稳定时,可以保证直流微电网稳定经济的运行和良好的电压质量。
另外,本发明中各微源DG的成本函数可以是一个非二次形式的,使得本发明所提出的控制方法的应用范围更广泛。对于电压恢复,由电压观测器估计全局平均电压;与集中控制方法相比,该分布式控制策略中仅需要临近微源间的通信,大大降低了通信成本,增加了***的运行可靠性。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。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 (10)
1.一种微电网成本优化的分布式控制方法,其特征在于,包括:
S1,获取本地输出电压和电流,并获取相邻微源的输出电压和电流;
S2,基于成本优化控制策略,计算得出每个微源的功率和微增率,通过PI调节使本地微增率和相邻微源的微增率相等,以使微电网成本最低。
2.如权利要求1所述的方法,其特征在于,还包括:
S3,基于分布式电压恢复策略及所述成本优化控制策略,调节每个微源的输出电压值,以使每个微源的输出电压值与输出电压参考值相等。
3.如权利要求1所述的方法,其特征在于,S2中所述成本优化控制策略包括:
基于不同类型微源的成本函数,获取微电网中所有微源的发电成本之和;
基于约束条件和所述发电成本之和,构造拉格朗日函数并获取目标函数的最小值,得到所述成本优化控制策略,以使每个微源的成本微增率相等。
4.如权利要求3所述的方法,其特征在于,所述不同类型微源的成本函数包括:
柴油发电机和微型涡轮机的成本函数为:
Ci(Pi)=Km,iPi+Kf,i(ai+biPi+ciPi 2)+Kξ,i(αi+βiPi+γiPi 2+εiexp(ρiPi))
其中,i表示微源个数,常数ai、bi和ci表示内燃机的燃料消耗,αi、βi、γi、εi和ρi表示排放惩罚或奖励,Km,i、Kf,i和Kδ,i分别为有功功率、内燃机消耗和排放损失的等效成本系数;
可再生能源的成本函数为:
Ci(Pi)=Ko,i(Pi+Kl,i(vi+uiPi+wiPi 2))
其中,KO,i、Kl,i、υi、ui和ωi为再生能源的成本函数的系数。
5.如权利要求3所述的方法,其特征在于,所述微电网中所有微源的发电成本之和为:
其中,C'i(Pi)(i=1,2,…,n)为各微源的空载成本。
6.如权利要求3所述的方法,其特征在于,所述拉格朗日函数为:
其中,λ是拉格朗日乘子,Pi为第i个微源的输出功率,Pload为负载功率;
所述拉格朗日函数的最小值为:
7.如权利要求2所述的方法,其特征在于,S3中所述分布式电压恢复策略包括:
基于分布式平均一致性模型,获取微电网稳态工作时每个微源的局部电压估计值;
基于输出电压参考值,根据所述局部估计值及所述成本优化控制策略,获取每个微源的输出电压值。
8.如权利要求2所述的方法,其特征在于,所述分布式平均一致性模型为:
所述每个微源的局部电压估计值为:
其中,为第i个微源的本地平均电压的估计值。
9.如权利要求7所述的方法,其特征在于,所述每个微源的电压输出值为:
其中,
uref为输出电压参考值,u* i是第i个微源的输出电压,aij是通信权重,表示:当i和j之间有通信时,aij=1;当i和j之间没有通信时,aij=0;Ni表示第i个微源的所有相邻微源的集合,为第i个微源的本地平均电压的估计值。
10.一种微电网成本优化的分布式控制装置,其特征在于,包括:
采集模块,用于获取本地输出电压和电流,并获取相邻微源的输出电压和电流;
成本控制模块,用于基于成本优化控制策略,计算得出每个微源的功率和微增率,通过PI调节使本地微增率和相邻微源的微增率相等,以使微电网成本最低;
电压恢复模块,用于基于分布式电压恢复策略及所述成本优化控制策略,调节每个微源的输出电压值,以使每个微源的输出电压值与输出电压参考值相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710030030.0A CN106786550B (zh) | 2017-01-16 | 2017-01-16 | 一种微电网成本优化的分布式控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710030030.0A CN106786550B (zh) | 2017-01-16 | 2017-01-16 | 一种微电网成本优化的分布式控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106786550A true CN106786550A (zh) | 2017-05-31 |
CN106786550B CN106786550B (zh) | 2020-04-21 |
Family
ID=58946003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710030030.0A Active CN106786550B (zh) | 2017-01-16 | 2017-01-16 | 一种微电网成本优化的分布式控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106786550B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294105A (zh) * | 2017-08-11 | 2017-10-24 | 清华大学 | 分布式光伏集群无通信条件下的动态调压控制方法 |
CN109474017A (zh) * | 2018-12-24 | 2019-03-15 | 武汉大学 | 一种配电网实时分布式经济调度方法 |
CN112510673A (zh) * | 2021-02-05 | 2021-03-16 | 中南大学 | 考虑母线电压约束的多母线直流微电网经济调度控制方法 |
CN113988478A (zh) * | 2021-12-03 | 2022-01-28 | 国网黑龙江省电力有限公司电力科学研究院 | 基于等微增率的直流微电网互联***分散式经济优化方法 |
CN114362123A (zh) * | 2021-12-10 | 2022-04-15 | 深圳市崧盛电子股份有限公司 | 直流集中供电-分散耗电***的下垂控制方法和*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105552940A (zh) * | 2015-12-22 | 2016-05-04 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于交替方向乘子算法的分布式全局最优能量管理*** |
-
2017
- 2017-01-16 CN CN201710030030.0A patent/CN106786550B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105552940A (zh) * | 2015-12-22 | 2016-05-04 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于交替方向乘子算法的分布式全局最优能量管理*** |
Non-Patent Citations (1)
Title |
---|
吴俊洋: "基于公布式算法的孤岛微电网经济运行研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294105A (zh) * | 2017-08-11 | 2017-10-24 | 清华大学 | 分布式光伏集群无通信条件下的动态调压控制方法 |
CN107294105B (zh) * | 2017-08-11 | 2020-04-24 | 清华大学 | 分布式光伏集群无通信条件下的动态调压控制方法 |
CN109474017A (zh) * | 2018-12-24 | 2019-03-15 | 武汉大学 | 一种配电网实时分布式经济调度方法 |
CN112510673A (zh) * | 2021-02-05 | 2021-03-16 | 中南大学 | 考虑母线电压约束的多母线直流微电网经济调度控制方法 |
CN112510673B (zh) * | 2021-02-05 | 2021-06-15 | 中南大学 | 考虑母线电压约束的多母线直流微电网经济调度控制方法 |
CN113988478A (zh) * | 2021-12-03 | 2022-01-28 | 国网黑龙江省电力有限公司电力科学研究院 | 基于等微增率的直流微电网互联***分散式经济优化方法 |
CN114362123A (zh) * | 2021-12-10 | 2022-04-15 | 深圳市崧盛电子股份有限公司 | 直流集中供电-分散耗电***的下垂控制方法和*** |
CN114362123B (zh) * | 2021-12-10 | 2024-06-04 | 深圳市崧盛电子股份有限公司 | 直流集中供电-分散耗电***的下垂控制方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN106786550B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohamed et al. | A comparative study of P&O and INC maximum power point tracking techniques for grid-connected PV systems | |
Cabrane et al. | HESS-based photovoltaic/batteries/supercapacitors: Energy management strategy and DC bus voltage stabilization | |
Roy et al. | Dynamic stability analysis of hybrid islanded DC microgrids using a nonlinear backstepping approach | |
Rajkumar et al. | Techno-economical optimization of hybrid pv/wind/battery system using Neuro-Fuzzy | |
Ugranlı et al. | Multiple-distributed generation planning under load uncertainty and different penetration levels | |
Safari et al. | Particle swarm optimization based fuzzy logic controller for autonomous green power energy system with hydrogen storage | |
CN106786550A (zh) | 一种微电网成本优化的分布式控制方法及装置 | |
Aldosary et al. | A modified shuffled frog algorithm to improve MPPT controller in PV System with storage batteries under variable atmospheric conditions | |
Hafez et al. | Optimal sizing of off-line microgrid via hybrid multi-objective simulated annealing particle swarm optimizer | |
Kaldellis et al. | Optimum PV-diesel hybrid systems for remote consumers of the Greek territory | |
Yumurtaci | Role of energy management in hybrid renewable energy systems: case study-based analysis considering varying seasonal conditions | |
Prasad et al. | Power management in hybrid ANFIS PID based AC–DC microgrids with EHO based cost optimized droop control strategy | |
CN103001224A (zh) | 基于鲁棒控制和超级电容调节孤岛光柴微网频率控制方法 | |
Varghese et al. | Energy storage management of hybrid solar/wind standalone system using adaptive neuro‐fuzzy inference system | |
Şahin et al. | PV powered hybrid energy storage system control using bidirectional and boost converters | |
Pandi et al. | Adaptive coordinated feeder flow control in distribution system with the support of distributed energy resources | |
Yuvaraj et al. | Integration of Electric Vehicle Charging Stations and DSTATCOM in Practical Indian Distribution Systems Using Bald Eagle Search Algorithm | |
Shayeghi et al. | Distributed generation and microgrids | |
Raza et al. | Robust nonlinear control of regenerative fuel cell, supercapacitor, battery and wind based direct current microgrid | |
Ezhilarasan et al. | Design and development of energy management system for DG source allocation in a micro grid with energy storage system | |
Abdelfatah et al. | Optimal Sizing of an Off-Grid PV/Diesel/Battery Storage System Using Gorilla Troops Optimizer | |
Valarmathi et al. | Simulation and analysis of wind energy and photo voltaic hybrid system | |
Kaur et al. | ANFIS based smart control of electric vehicles integrated with solar powered hybrid AC-DC microgrid | |
Aggarwal et al. | Assessing performance of EV Charging Station with siting of DERs and FACTS devices under Deregulated Environment | |
Saini et al. | Digital Twin of a commercial building microgrid: Economic & environmental sustainability analysis |
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 | ||
GR01 | Patent grant |