CN111276960B - 一种光-储直流微电网***中储能模块预测控制方法 - Google Patents

一种光-储直流微电网***中储能模块预测控制方法 Download PDF

Info

Publication number
CN111276960B
CN111276960B CN201910392516.8A CN201910392516A CN111276960B CN 111276960 B CN111276960 B CN 111276960B CN 201910392516 A CN201910392516 A CN 201910392516A CN 111276960 B CN111276960 B CN 111276960B
Authority
CN
China
Prior art keywords
battery
state
soc
load
charge
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
Application number
CN201910392516.8A
Other languages
English (en)
Other versions
CN111276960A (zh
Inventor
孙晓燕
汪敬人
李家钊
王金磊
胡尧
李玉柱
纪南巡
李帧其
孙俊茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201910392516.8A priority Critical patent/CN111276960B/zh
Publication of CN111276960A publication Critical patent/CN111276960A/zh
Application granted granted Critical
Publication of CN111276960B publication Critical patent/CN111276960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • H02J1/14—Balancing the load in a network
    • 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
    • H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种光‑储直流微电网***中储能模块预测控制方法，属于光‑储直流微电网领域，该直流微电网仿真***由多个光伏阵列、磷酸铁锂电池组、三级可变直流负载和控制模块组成。其中磷酸铁锂电池作为直流微电网的储能模块，在微电网中起着削峰填谷、稳定母线电压的重要作用。通过对磷酸铁锂电池的开路电压、极化电压和电池内阻等实验特性的分析，确定磷酸铁锂电池工作最佳区间。对磷酸铁锂电池荷电状态进行可变步长预测，通过预测数据、当前数据和磷酸铁锂电池最佳工作区间进行预测控制，综合考虑光‑储直流微电网稳定运行和三级可变直流负载切入/切出制定相应的控制策略。本发明确保电池工作在最佳荷电状态区间，延长磷酸铁锂电池的使用寿命，保证直流微电网的稳定性，降低***的维护成本。

Description

一种光-储直流微电网***中储能模块预测控制方法
技术领域
本发明属于光-储直流微电网领域，尤其涉及一种光-储直流微电网***中储能模块预测控制方法。
背景技术
随着人类社会的发展，能源作为人类社会生存和发展的基础其重要性与日俱增。工业革命后，传统的一次能源煤、石油、天然气等不可再生能源开发利用量迅猛增长，随之带来的环境污染问题日趋严重，可供开采的化石能源日益枯竭。电能作为目前最普遍最清洁的能源形式，成为国民经济发展的命脉，但当前电能的生产方式严重依赖传统的化石燃料，导致未来世界巨大的电能缺口。提高能源利用效率、开发新能源、加强可再生能源的利用，是解决各国经济和社会发展过程中日益凸显的能源需求增长与能源紧缺、能源利用与环境保护之间矛盾的必然选择。为了解决能源枯竭和环境恶化的双重危机，世界各国将目光投向的新能源领域。针对不同可再生能源的间歇性和随机性的特点，微电网技术较好的解决这一问题，因此微电网技术得到了飞速的发展。在微电网技术中，光伏发电***作为应用最为广泛的微电网，发电量在所有种类的分布式微电网中所占比重较大，本专利提出一种光-储直流微电网预测控制技术，首先是为了保障光-储直流微电网的稳定运行，其次是为了避免电池的深充/深放，延长电池的使用寿命，最后，通过光-储直流微电网的稳定运行和保障电池运行在最佳荷电状态，降低整个***的运营维护成本。
针对光-储直流微电网***的控制，文献(米阳，吴彦伟，符杨，etal.独立光储直流微电网分层协调控制[J].电力***保护与控制，2017(8).)采用对直流微电网分层协调自适应控制的方式，对负荷功率自动分配。学位论文([1]张凯涛.光储直流微电网变换器自主下垂与模型预测控制策略研究[D].陕西：西安理工大学，2018.)介绍储能变换器的有限控制集模型预测控制，并引入电压补偿环节和反馈矫正环节形成闭环模型预测控制。文献(张小东，王宇，李白，等.光储联合运行直流微电网控制策略[J].广东电力，2018，31(2))提出了一种为稳定母线电压的光储联合运行的直流微电网运行控制策略。文献(毕大强，范柱烽，解东光，等.海岛光储直流微电网自治控制策略[J].电网技术，2015，(4))针对海岛光储直流微电网***，设计了一种基于电压幅值的控制策略。以直流母线电压幅值为判定基准，将控制策略设置成不同模式。文献(朱承治，俞红生，周开河，等.基于一致性算法的独立直流微电网分层协调控制策略[J].电力***及其自动化学报，2018，30(1)：144-150.)针对独立运行的直流微电网，提出了一种适用于含光伏和储能的分层分布式协调控制策略。综上所述，目前光储直流微电网采用分层自适应协调控制或下垂控制，一方面主要目的是维持***的功率的平衡和***母线电压的稳定。单纯从***整体的安全运行考虑，未考虑***运行成本和维护成本。另一方面对于电池的荷电状态采取的预测方法不够简单易行，在工程实际中，电力***对***的反应速度一般要求很好，简便快捷有效是***控制的主要目的。
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根据整个光-储直流微电网根据***中负载耗能量、光伏发电量和储能模块的变化，决定***的运行模式，维持***稳定的同时，保证电池运行在最佳工作区域，延长使用寿命，降低整个***的维护成本。
为了实现上述目标，本发明采用如下的技术方案：
一种光-储直流微电网***中储能模块预测控制方法，具体包括以下步骤：
步骤1，通过检测模块收集整个光-储直流微电网***的各个模块的相关数据；
步骤2，获取储能模块中电池组的数据，判断各个电池的状态包括充电状态、放电状态和切出状态；
步骤3，根据电池的状态分为工作状态和静止状态，对处于工作状态的电池组进行[0，TL]时段内的电池荷电状态；
步骤4，根据收集到的每个电池运行一段时间后的电池历史记录数据为基础，基于最小二乘法原理，对电池荷电状态数据进行拟合，采用可变步长预测的方法预测下一个时间点的电池荷电状态；电池历史记录数据包括蓄电池的荷电状态SOC、电压U、电流I；
步骤5，根据光伏阵列发电量、负载的能耗量和储能模块电能储量之间的关系，结合三级可变负载和电池荷电状态预测值，制定相应的直流微电网控制方法和储能模块控制方法。
作为本发明光-储直流微电网***中储能模块预测控制方法的进一步优选方案，在步骤1中，相关数据具体为：(1)通过监测模块每个光伏阵列发电的功率、电压和电流数据；(2)三级可变负载侧电能消耗量、电压大小和电流大小数据，(3)储能模块是由一组相互独立的磷酸铁锂电池组成，每个磷酸铁锂电池都有不同的编号，获取每个电池的工作状态、充/放电压和电流的大小和每个电池的荷电状态，(4)母线电压和电流的数据。
作为本发明光-储直流微电网***中储能模块预测控制方法的进一步优选方案，在步骤2中，通过收集到的储能模块中每个磷酸铁锂电池的数据，根据电池的工作状态进行分类，分为三类充电状态、放电状态和备用状态，其中充电状态和放电状态的电池称为电池工作状态。
作为本发明光-储直流微电网***中储能模块预测控制方法的进一步优选方案，在步骤3中，对储能模块中处于工作状态的磷酸铁锂电池截取时间长度为TL的电池荷电状态数据，时间段为[0，TL]。
作为本发明光-储直流微电网***中储能模块预测控制方法的进一步优选方案，在步骤4中，基于最小二乘法对下一步长电池荷电状态进行预测，具体如下：
步骤4.1，采集[0，TL]数据作为基础数据集S1，同时设置误差标准值δrmse、δmad、δmape；
步骤4.2，设置初始预测时间步长的大小T1以及变动量TD(TD＜0.1T)，规定第n次预测的实际步长为Tn＝T1+xn-1*TD＝Tn-1±TD，(xn-1＝xzxj，n-1＝z+j，xz变动量增加的次数，xj变动量减少的次数)令Y＝Tn第一次预测的时间范围为[TL，TL+T1]，第m次预测的时间长度[Tm-1，Tm-1±TD]；
步骤4.3，获取并存储第n个时段的预测数据和实际数据；
步骤4.4，根据第n个时段的预测数据和实际数据计算两者之间的误差δrmsex、δmadx、δmapex，并比较这三个误差值与δrmse、δmad、δmape之间的关系，如果至少有一项大于误差标准值，则返回Y＝Tn+1＝Tn-TD，如果三相误差均小于误差标准值，则返回Y＝Tn+1＝Tn+TD，规定预测步长大小需要保持在范围以内，通过改变预测步长，可提高预测的精度，还可提高预测的效率，通过减小步长预测步长，可减小预测的数据量，提高预测的精度。
作为本发明光-储直流微电网***中储能模块预测控制方法的进一步优选方案，在步骤5中，根据监测模块获取到的数据光伏***发电量、负载消耗电量和储能模块电能储量之间的关系，结合三级可变负载包含可切直流负载、可调直流负载和重要直流负载和电池荷电状态预测值，参考储能模块额定容量制定相应的直流微电网控制方法和储能模块控制方法；
其中，在光-储直流微电网中，具体如下：
方法一：当光伏***发电量大于负载消耗电量，即负载不能完全消纳光伏发出的电能，将未消纳的电能输送到储能模块，当储能模块已达到最大额定容量，未能消纳的电能被弃置；
方法二：当光伏***发电量和储能模块电量总和小于直流负载消耗电量，同时大于重要直流负荷消耗量和可控直流负载消耗量时，为保证***的稳定，切出可切负载，同时为了避免电池的深充深放，提高电池的使用寿命；通过监测模块获得电池的工作状态，根据电池实际荷电状态和电池的预测荷电状态对蓄电池进行一步预测控制和当前状态控制；
其中，一步预测控制，具体如下：
第一步，采集电池此时的荷电状态和下一步的预测状态；
第二步，令，若D＞0，则电池将处于放电状态，若D＜0，则电池将处于充电状态，根据D与0的比较进行下一步的判断；
第三步，如果D＞0，则将与荷电状态最佳控制区间的下界SOCmin比较，如果D＜0，则将与荷电状态最佳控制区间的上界SOCmax比较，决定下一步电池状态；
第四步，若D＞0，SOCfore(k+1)＜SOCmin时，电池切出并充电备用电池切入，若D＞0，SOCfore(k+1)＞SOCmin时，蓄电池保持放电状态，弥补光伏发电量的不足，为负载提供电量，稳定母线电压；若D＜0，SOCfore(k+1)＞SOCmax时，电池切出并放电，备用电池切入，若D＜0，SOCfore(k+1)＜SOCmax时，电池保持充电状态，消纳负载未能消耗的光伏电池发电量，稳定母线电压，作为保障措施，除与预测荷电状态比较外，电池当前时刻的荷电状态，通过判断当前时刻蓄电池的荷电状态是否处于蓄电池最佳工作状态，SOC(k)∈(SOCmin，SOCmax)，SOCmin＝20％，SOCmax＝80％，如果蓄电池荷电状态处于最佳工作状态，则保持原有充放电状态，维持***的平衡，如果超越蓄电池最佳工作状态，将对蓄电池进行切出操作，与预测控制相比当前时刻控制具有滞后性，会影响蓄电池的性能，但可有效避免预测控制出现预测控制出现误差时导致蓄电池的深充/深放；
方法三：当光伏***发电量和储能模块电量总和小于负载消耗电量，同时大于重要负荷消耗量时，为保证***的稳定，切出可切负载和可控负载，使光-储直流微电网运行于最基础的运行状态。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
光储直流微电网预测控制技术，通过***中发电电量与用电电量的检测数据，与三级可变负载和电池荷电状态进行结合，确定***运行控制策略。三种运行状态分为场景一：当光伏***发电量大于负载消耗电量，即PPV＞PLoad时；场景二：当光伏***发电量和储能模块电量总和小于直流负载消耗电量，同时大于重要直流负荷消耗量和可控直流负载消耗量时，即PSLoad+PTLoad＜PPV+PESS＜PLoad时；场景三：当光伏***发电量和储能模块电量总和小于负载消耗电量，同时大于重要负荷消耗量时，即PSLoad＜PpV+PESS＜PLoad时；结合三级可变负载(可切直流负载、可控直流负载和重要直流负载)和电池最佳运行状态SOC(k)∈(SOCmin，SOCmax)，决定***的运行模式，本专利根据控制策略可以维持整个光-储直流微电网的稳定、安全和经济的运行，储能模块可以保证***母线电压的稳定，通过与三级可变直流负载和储能模块的结合最大限度的消纳光伏模块产生的电量，因此光伏模块可以稳定工作在最大输出状态；对储能模块的预测控制，***电池的荷电状态，避免电池的深充/深放，通过后备电池之间的切入/切出，保障电池运行在最佳工作区域，从而延长电池使用寿命，降低整个光-储直流微电网***的维护成本；光-储直流微电网***的稳定运行，可以减少传统一次化石能源的消耗量，不仅节能环保，而且可以缓解边远地区用电不便的困难，减少大电网建设的投资费用。
附图说明
图1是本发明光-储直流微电网整体结构框图：
图2是本发明光伏发电结构框图：
图3是本发明光储直流微电网仿真图；
图4是本发明光伏电池仿真模型；
图5是本发明Boost电路拓扑结构；
图6是本发明定步长扰法控制流程图；
图7是本发明扰动观察法的MPPT仿真模型；
图8是本发明MPPT控制方式下的光伏电池Boost电路；
图9(a)是本发明光伏阵列输出电流；
图9(b)是本发明光伏阵列输出电压：
图9(c)是本发明光伏阵列输出功率；
图10是本发明锂离子电池工作原理图；
图11是本发明锂电池的等效电路图：
图12是本发明Buck-Boost双向DC/DC变换器结构；
图13是本发明Boost模式等效电路；
图14是本发明Buck模式等效电路；
图15是本发明Buck-Boost双向DC/DC变换器仿真模型：
图16是本发明电池荷电状态预测流程图；
图17是本发明基于最小二乘法的预测曲线和实际曲线：
图18是本发明光-储直流微电网运行控制流程图：
图19(a)是本发明工作电池SOC临界20％，切出控制，备用电池切入控制荷电状态变化图：
图19(b)是本发明工作电池SOC临界80％，切出控制，备用电池切入控制荷电状态变化图；
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明，所述实施例的示例在附图中示出，其中所述本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
下面结合附图来描述本发明实施的一种光-储直流微电网预测控制技术。
如图1所示，是光-储直流微电网整体结构框图，该结构框图中包含光储直流微电网的整体结构，包括3个光伏发电***、储能模块、直流母线、三级可变直流负载(可切直流负载、可控直流负载和重要直流负载)和直流微电网控制中心。
如图2所示，是光伏发电结构框图，太阳能光伏发电***由光伏整列、Boost升压电路、逆变器、变压器组成。
光伏电池等效电路为：
式中：Iph为光伏阵列电流；Io为反向饱和电流；q为电子电荷(1.6*10-19C)；n为二极管因子；K为玻耳兹曼常数(1.38*10-23J/K)；Rs为串联电阻；Rsh为并联电阻；
在实际的工程实践中，根据厂家在标准状态下(日辐照度SB＝1kW/m2，电池温度TB＝25℃)对光伏电池的测试参数Isc，Voc，Im，Vm建模，在式(1)的基础上做两个近似。
(1)由于Rsh非常大，所以忽略(V+RsI)/Rsh项；
(2)Rs远小于二极管正向导通电阻，所以假设Isc＝Iph。
基于以上假设，光伏电池I-V方程简化为：
最大功率点时
可解C1，C2得：
当辐照强度和电池温度均有变化时，重新计算Isc_new，Voc_new，Im_new，然后求出C1_new，C2-new即可得新的I-V特性曲线：
ΔT＝T-TB (7)
Voc_new＝Voc(1-cΔT)(1+bΔS) (8)
Vm_new＝Vm(1-cΔT)(1+bΔS) (11)
式中系数a，c采用典型值：a＝0.0025/℃；c＝0.00288/℃。系数b采用优化后的参数值：b＝-0.1949+7.056*10-4*S
根据上述数学模型公式，在MATLAB/simulink仿真平台搭建光伏电池仿真模型，如图4所示光伏电池仿真模型，其中输入分别是光照、温度、工作电压，输出是电流和功率。
如图5所示，是Boost电路拓扑结构，实际***中一般选用Boost斩波电路，既可以保证光伏阵列始终工作在输入电流连续的状态，又可以升压保证逆变器正常工作。
升压斩波电路工作原理假设L和C值很大。V处于通态时，电源E向电感L充电，电流恒定I1，电容C向负载R供电，输出电压Uo恒定。V处于断态时，电源E和电感L同时向电容C充电，并向负载提供能量。
基本的数量关系
当电路工作于稳态时，一个周期T中电感L积蓄的能量与释放的能量相等，即
EI1ton＝(U0-E)I1toff (12)
化简得
上式中T/toff≥1，D是占空比。
如图6所示，是定步长扰法控制流程图；关于最大功率点跟踪(maximum powerpoint tacking，MPPT)控制，其主要目的就是要根据光伏阵列的伏安特性，利用一些控制策略保证其工作在最大功率输出状态，以最大限度地利用太阳能。专利采用基于定步长的扰动观测法来追踪光伏电池的最大功率。定步长扰动观察法(Perturbation Observation)主要工作原理是周期性地给PV电池的输出电压施加一个定步长的扰动ΔU，如果下一时刻功率变大，则继续保持原方向扰动，反之，则负向扰动，直到追踪到MPP为止。定步长扰动观察法工作流程图如图6所示。其中D为驱动Boost电路MOS管的占空比，Δd为定步长。
在MATLAB/simulink中搭建如图7所示MPPT仿真模型。确定扰动步长，加入滞环实现该算法的扰动，通过步长值变化，对光伏***模型进行仿真，最终得出步长取0.0001仿真效果最为理想。
如图8所示，是MPPT控制方式下的光伏电池Boost电路；改变DC-DC变换电路，也就是改变Boost电路中的控制器件的PWM的占空比，进而获得最佳阻抗匹配，最终实现MPPT控制。光伏电池是一个电流源模型，对其Iout端口连接一个受控源，用于实现和电子元件的对接。在光伏电池两端并联330uf的支撑电容，1000uf的输出电容，取3.2mH的电感L。设置MPPT子模块的延迟环节和零阶保持器均以0.0001s的采样时间，设置占空D比初值为0.5，PWM模块中三角载波频率5kHz，幅值1。
设置光照强度、温度初始值分别为1000W/m2、25℃，分别在0.6s和1.4s处施加光照强度为-300W/m2和温度为+30℃的扰动，最终仿真得到如图9(a)所示光伏阵列输出电流；如图9(b)所示光伏阵列输出电压；如图9(c)所示光伏阵列输出功率。
如图10所示，是锂离子电池工作原理图；锂离子电池是一种利用锂离子在正负极材料之间嵌入和脱出的性能来实现充放电的二次电池。锂离子电池正极采用锂化合物LixCoO2，LiFePO4，LixNiO2或LixMn2O4，负极采用锂-碳层间化合物LixC6，。电解质为溶解有LixPF6，LixAsF6等的有机溶液。在不同类型的锂电池中，磷酸铁锂电池由于材料来源广泛、价格低廉、无污染等优势受到广泛关注。相比较其他类型的锂电池，磷酸铁锂在高温下稳定性好，抗过充能力强，使用过程中安全性高，同时工作电压适中，电压平台特性好，非常平稳，同时与大多数电解液***兼容性好，储能性好，无记忆效应，可以大电流充电等优点。因此，本文中选取磷酸铁锂电池作为储能设备。
磷酸铁锂电池充放电化学过程
充电过程：
LiFePO4-xLi+-xe-→xFePO4+(1-x)LiFePO4 (14)
放电过程：
FePO4+xLi++xe-→xLiFePO4+(1-x)LiFePO4 (15)
由于FePO4和LiFePO4具有类似的结构，经过多次充放电其橄榄石晶型结构保持稳固。因此磷酸铁锂电池循环充放电性能优越。锂离子电池以金属锂化物为正极材料，石墨为负极材料。在充电过程中，Li+从正极脱出，通过电解液后嵌入负极，电子则由外电路到达负极，从而形成了电流。在放电过程中，Li+从负极脱出，通过电解液后嵌入正极，电子由外电路到达正极，形成电流。
如图11所是，锂电池的等效电路图；根据磷酸铁锂电池充放电特性，抽象出锂电池的通用数学模型
锂电池放电公式(i*＞0)
锂电池放电公式(i*＜0)
式中：
E0：压，单位：V
K：化电阻，单位：Ω
i*：区域电流，单位：A
i：池电流，单位：A
it：容量，单位：Ah
Q：池最大容量，单位：Ah
A：指数电压，单位：V
B：指数容量，单位：Ah-1
锂电池的最佳SOC工作区，磷酸铁锂电池具有安全性高、循环寿命长、可大电流快速充放电、高温性能好、大容量、无记忆效应等优点。影响磷酸铁锂电池性能的因素有很多，其中电池荷电状态(SOC)是影响电池性能的主要因素之一，如果电池经常在不合理的SOC水平下工作，会严重影响电池的使用性能，降低使用寿命。比如对电池进行过充过放，轻则加速电池老化、降低电池功率，重则使电池析气、失效甚至起火。有实验表明，在常温环境下对电池过充时，电池内部的Li+会大量脱出，使生成的FeP04增多，同时电池的极化电阻和极化电势急剧升高，正极材料进行不可逆分解，并释放出大量的热量和氧气在电池内部集聚，从而导致电池鼓胀变形，加大了电池着火和***的可能性；电池过放时电池负极的性能受到破坏，负极表面上的电解质界面膜发生分解，集流体铜箔受到较严重的氧化腐蚀，导致负极阻抗增大，极化现象增强，最终造成电池损坏或者失效。综合研究磷酸铁锂电池的开路电压、极化电压和内阻，最终确定电池运行的最佳荷电状态为20％-80％。
如图12所示，是Buck-Boost双向DC/DC变换器结构；双向DC/DC变换器根据输入、输出是否隔离可分为带隔离和不带隔离的双向DC/DC变换器，常用的结构有Buck-Boost变换器、Cuk变换器、SEPIC变换器和Zeta变换器。其中带隔离的双向Dc/Dc变换器采用变压器隔离，导致其成本、体积、重量都有所增加，此外，带隔离的变换器还会产生严重的电磁干拢。而Buck-Boost变换器具有结构简单、电压变换系数变化范围宽、技术成熟、应用较为广泛等特点，因此本专利中选取改电路结构。Buck/Boost变换器由电感L，滤波电容C1、C2，开关器件T1、T2和续流二极管D1、D2构成，V1、V2分别为Buck/Boost变换器低压端、高压端电压。图13是Boost模式等效电路；图14是Buck模式等效电路；图15是Buck-Boost双向DC/DC变换器仿真模型。
图16是电池荷电状态预测流程图；基于最小二乘法对下一步长电池荷电状态进行预测，第一步采集[0，TL]数据作为基础数据集s1，同时设置误差标准值δrmse、δmad、δmape；第二步设置初始预测时间步长的大小T1以及变动量TD(TD＜0.1T1)，规定第n次预测的实际步长为Tn＝T1+xn-1*TD＝Tn-1±TD，(xn-1＝xz-xj，n-1＝z+j，xz变动量增加的次数，xj变动量减少的次数)，令Y＝Tn，则第一次预测的时间范围是[TL，TL+T1]，第m次预测的时间长度为[Tm-1，Tm-1±TD]；第三步获取并存储第n个时段的预测数据和实际数据；第四步根据第n个时段的预测数据SOCfore和实际数据SOCreal计算两者之间的误差δrmsex、δmadx、δmapex，并比较这三个误差值与δrmse、8mad、δmape之间的关系，如果至少有一项大于误差标准值，则返回Y＝Tn+1＝Tn-TD，如果三相误差均小于误差标准值，则返回Y＝Tn+1＝Tn+TD，规定预测步长大小需要保持在范围以内。通过改变预测步长，不仅可以提高预测的精度，还可以提高预测的效率，通过减小步长预测步长，可以减小预测的数据量，提高预测的精度。
在时间序列数据的预测领域，一般通过三类误差指标来评价预测效果，即均方根误差指标、平均绝对误差指标、平均绝对百分比误差指标、标准均方根误差指标，对应上式中δrmsex、δmadx、δmapex三值。
均方根误差指标的数学形式：
式(1)中，表示数据真值，Op(n)表示数据预测值，a表示执行预测的数据序列起点，b表示执行预测的数据序列终点。
平均绝对误差指标的数学形式：
平均绝对百分比误差指标的数学形式：
如图17所示为，基于最小二乘法的预测曲线和实际曲线对比图。
如图18所示，是光-储直流微电网运行控制流程图；根据监测模块获取到的数据光伏***发电量PPV、负载消耗电量PLoad和储能模块电能储量PESS之间的关系，结合三级可变负载(可切直流负载PRLoad、可调直流负载PTLoad和重要直流负载PSLoad)和电池荷电状态预测值SOCfore，参考储能模块额定容量PRTESS制定相应的直流微电网控制策略和储能模块控制策略。在光-储直流微电网中，策略一：当光伏***发电量大于负载消耗电量，即PPV＞PLoad时，负载不能完全消纳光伏发出的电能，将未消纳的电能输送到储能模块，当储能模块已达到最大额定容量，未能消纳的电能被弃置；策略二：当光伏***发电量和储能模块电量总和小于直流负载消耗电量，同时大于重要直流负荷消耗量和可控直流负载消耗量时，即PSLoad+PTLoad＜PPV+PEss＜PLoad时，为保证***的稳定，切出可切负载，同时为了避免电池的深充深放，提高电池的使用寿命。通过监测模块获得电池的工作状态，根据电池实际荷电状态和电池的预测荷电状态对蓄电池进行一步预测控制和当前状态控制。一步预测控制：第一步采集电池此时的荷电状态SOCreal(k)和下一步的预测状态SOCfore(k+1)，第二步，令D＝SOCreal(k)-SOCfore(k+1)，若D＞0，则电池将处于放电状态，若D＜0，则电池将处于充电状态，根据D与0的比较进行下一步的判断；第三步，如果D＞0，则将SOCfore(k+1)与荷电状态最佳控制区间的下界SOCmin比较，如果D＜0，则将SOCfore(k+1)与荷电状态最佳控制区间的上界SOCmax比较，决定下一步电池状态，第四步，若D＞0，SOCfore(k+1)＜SOCmin时，电池切出并充电备用电池切入，若D＞0，SOCfore(k+1)＞SOCmin时，蓄电池保持放电状态，弥补光伏发电量的不足，为负载提供电量，稳定母线电压；若D＜0，SOCfore(k+1)＞SOCmax时，电池切出并放电，备用电池切入，若D＜0，SOCfore(k+1)＜SOCmax时，电池保持充电状态，消纳负载未能消耗的光伏电池发电量，稳定母线电压。，作为保障措施，除与预测荷电状态比较外，电池当前时刻的荷电状态，通过判断当前时刻蓄电池的荷电状态是否处于蓄电池最佳工作状态，SOC(k)∈(SOCmin，SOCmax)，SOCmin＝20％，SOCmax＝80％，如果蓄电池荷电状态处于最佳工作状态，则保持原有充放电状态，维持***的平衡，如果超越蓄电池最佳工作状态，将对蓄电池进行切出操作，与预测控制相比当前时刻控制具有滞后性，会影响蓄电池的性能，但可以有效避免预测控制出现预测控制出现误差时导致蓄电池的深充、深放。策略三：当光伏***发电量和储能模块电量总和小于负载消耗电量，同时大于重要负荷消耗量时，即PSLoad＜PPV+PESS＜PLoad时，为保证***的稳定，切出可切负载和可控负载，使光-储直流微电网运行于最基础的运行状态。
图19(a)是工作电池soc临界20％，切出控制，备用电池切入控制荷电状态变化图：图19(b)是工作电池soc临界80％，切出控制，各用电池切入控制荷电状态变化图：由图18可知，依据蓄电池荷电状态控制规则，由图19(a)可知当蓄电池处于放电状态时，蓄电池的荷电状态临界于蓄电池最佳工作区间设定的最小值SOCmin＝20％，根据蓄电池充放电控制策略，预测控制将会将蓄电池切出，各用电池将会接入为母线电压稳定提供电量，图19(a)前图显示蓄电池荷电状态下降到最佳工作区间最小值以后，荷电状态不再发生变化，说明蓄电池正常切出***，图19(a)后图显示，各用蓄电池同时接入***，为***提供电能。由图19(b)可知当蓄电池处于充电状态时，蓄电池的荷电状态临界于蓄电池最佳工作区间设定的最大值socmax＝80％，根据蓄电池充放电控制策略，预测控制将会将蓄电池切出，备用电池将会接入存储负载未能消纳的电量，图19(b)前图显示蓄电池荷电状态上升到最佳工作区间最大值以后，荷电状态不再发生变化，说明蓄电池正常切出***，图19(b)后图显示，备用蓄电池同时接入***，为***消纳电能。
实现验证的仿真图如图3所示。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种光-储直流微电网***中储能模块预测控制方法，其特征在于，具体包括以下步骤：
步骤1，通过检测模块收集整个光-储直流微电网***的各个模块的相关数据；
步骤2，获取储能模块中电池组的数据，判断各个电池的状态包括充电状态、放电状态和切出状态；
步骤3，根据电池的状态分为工作状态和静置状态，收集处于工作状态的电池组[0,TL]时段内电池历史记录数据；
步骤4，根据收集到的每个电池运行一段时间后的电池历史记录数据为基础，基于最小二乘法原理，对电池荷电状态数据进行拟合，采用可变步长预测的方法预测下一个时间点的电池荷电状态；历史记录数据包括电池的荷电状态SOC、电压U、电流I；
步骤5，根据光伏阵列发电量、负载的能耗量和储能模块电能储量之间的关系，结合三级可变负载和电池荷电状态预测值，制定相应的直流微电网控制方法和储能模块控制方法；
在步骤5中，根据监测模块获取到的光伏***发电量PPV、负载消耗电量PLoad和储能模块电能储量PESS之间的关系，结合包含可切直流负载的消耗量PRLoad、可调直流负载的消耗量PTLoad、重要直流负载的消耗量PSLoad在内的三级可变负载和电池荷电状态预测值SOCfore，参考储能模块额定容量PRTESS制定相应的直流微电网控制方法和储能模块控制方法；
其中，在光-储直流微电网中，具体如下：
方法一：当光伏***发电量大于负载消耗电量，即PPV＞PLoad时，负载不能完全消纳光伏发出的电能，将未消纳的电能输送到储能模块，当储能模块已达到最大额定容量，未能消纳的电能被弃置；
方法二：当光伏***发电量和储能模块电能储量总和小于负载消耗电量，同时大于重要直流负载的消耗量和可调直流负载的消耗量之和时，即PSLoad+PTLoad＜PPV+PESS＜PLoad时，为保证***的稳定，切出可切直流负载，同时为了避免电池的深充/深放，提高电池的使用寿命；通过监测模块获得电池的工作状态，根据电池实际荷电状态和电池的预测荷电状态对蓄电池进行一步预测控制和当前状态控制；
其中，一步预测控制，具体如下：
第一步，采集电池此时的荷电状态SOCreal(k)和下一步的预测状态SOCfore(k+1)；
第二步，令D＝SOCreal(k)-SOCfore(k+1)，若D>0，则电池将处于放电状态，若D<0，则电池将处于充电状态，根据D与0的比较进行下一步的判断；
第三步，如果D>0，则将SOCfore(k+1)与荷电状态最佳控制区间的下界SOCmin比较，如果D<0，则将SOCfore(k+1)与荷电状态最佳控制区间的上界SOCmax比较，决定下一步电池状态；
第四步，若D>0，SOCfore(k+1)<SOCmin时，电池切出并充电，备用电池切入，若D>0，SOCfore(k+1)>SOCmin时,蓄电池保持放电状态，弥补光伏发电量的不足，为负载提供电量，稳定母线电压；若D<0，SOCfore(k+1)>SOCmax时,电池切出并放电，备用电池切入，若D<0，SOCfore(k+1)<SOCmax时,电池保持充电状态，消纳负载未能消耗的光伏电池发电量，稳定母线电压，作为保障措施，除与预测荷电状态比较外，电池当前时刻的荷电状态，通过判断当前时刻蓄电池的荷电状态是否处于蓄电池最佳工作状态，SOCreal(k)∈(SOCmin,SOCmax)，SOCmin＝20％,SOCmax＝80％，如果蓄电池荷电状态处于最佳工作状态，则保持原有充放电状态，维持***的平衡，如果超越蓄电池最佳工作状态，将对蓄电池进行切出操作，与预测控制相比当前状态控制具有滞后性，会影响蓄电池的性能，但可有效避免预测控制出现误差时导致蓄电池的深充/深放；
方法三：当光伏***发电量和储能模块电能储量总和小于负载消耗电量，同时大于重要直流负载的消耗量时，即PSLoad＜PPV+PESS＜PLoad时，为保证***的稳定，切出可切直流负载和可调直流负载，使光-储直流微电网运行于最基础的运行状态。
2.根据权利要求1所述的光-储直流微电网***中储能模块预测控制方法，其特征在于，在步骤1中，相关数据具体为：(1)通过监测模块采集的每个光伏阵列发电的功率、电压和电流数据；(2)三级可变直流负载侧电能消耗量、电压大小和电流大小数据，(3)储能模块是由一组相互独立的磷酸铁锂电池组成，每个磷酸铁锂电池都有不同的编号，获取每个电池的工作状态、充/放电压和电流的大小、每个电池的荷电状态，(4)母线电压和电流的数据。
3.根据权利要求1所述的光-储直流微电网***中储能模块预测控制方法，其特征在于，在步骤2中，通过收集到的储能模块中每个磷酸铁锂电池的数据，对电池的工作状态进行分类，分为两类：充电状态和放电状态。
4.根据权利要求1所述的光-储直流微电网***中储能模块预测控制方法，其特征在于，在步骤3中，对储能模块中处于工作状态的磷酸铁锂电池截取时间长度为TL的电池荷电状态数据，时间段为[0，TL]。
5.根据权利要求1所述的光-储直流微电网***中储能模块预测控制方法，其特征在于，在步骤4中，基于最小二乘法对下一步长电池荷电状态进行预测，具体如下：
步骤4.1，采集[0，TL]数据作为基础数据集S1，同时设置误差标准值δrmse、δmad、δmape；
步骤4.2，设置初始预测时间步长的大小T1以及变动量TD，TD<0.1T1，规定第n次预测的实际步长为Tn＝T1+xn-1*TD＝Tn-1±TD，xn-1＝xz-xj，n-1＝xz+xj，xz表示变动量增加的次数，xj表示变动量减少的次数，令Y＝Tn，则第一次预测的时间范围为[TL,TL+T1]，第m次预测的时间长度为[Tm-1,Tm-1±TD]；
步骤4.3，获取并存储第n个时段的预测数据和实际数据；
步骤4.4，根据第n个时段的预测数据SOCfore和实际数据SOCreal计算两者之间的误差δrmsex、δmadx、δmapex，并比较这三个误差值与δrmse、δmad、δmape之间的关系，如果至少有一项大于误差标准值，则返回Y＝Tn+1＝Tn-TD，如果三相误差均小于误差标准值，则返回Y＝Tn+1＝Tn+TD,规定每次预测步长大小需要保持在范围以内。
CN201910392516.8A 2019-05-13 2019-05-13 一种光-储直流微电网***中储能模块预测控制方法 Active CN111276960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910392516.8A CN111276960B (zh) 2019-05-13 2019-05-13 一种光-储直流微电网***中储能模块预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910392516.8A CN111276960B (zh) 2019-05-13 2019-05-13 一种光-储直流微电网***中储能模块预测控制方法

Publications (2)

Publication Number Publication Date
CN111276960A CN111276960A (zh) 2020-06-12
CN111276960B true CN111276960B (zh) 2023-12-26

Family

ID=70998626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910392516.8A Active CN111276960B (zh) 2019-05-13 2019-05-13 一种光-储直流微电网***中储能模块预测控制方法

Country Status (1)

Country Link
CN (1) CN111276960B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113839423B (zh) * 2020-06-24 2024-01-02 中兴通讯股份有限公司 控制管理方法、装置、设备及存储介质
CN111725798A (zh) * 2020-07-24 2020-09-29 安徽工业大学 一种用于直流微电网集群的分布式经济调度预测控制方法
CN111864852A (zh) * 2020-07-30 2020-10-30 合肥工业大学 一种光伏发电***锂电池充放电控制方法及***
CN112487735B (zh) * 2020-12-02 2024-03-15 浙大城市学院 一种流体锂氧电池功率平衡模型方法
CN114285122B (zh) * 2021-12-24 2024-06-18 珠海格力电器股份有限公司 储能电池的运行控制方法及相关设备
CN114744653B (zh) * 2022-04-24 2023-07-18 浙大宁波理工学院 一种复合储能电站运行优化方法、***及可存储介质
CN114844027B (zh) * 2022-05-17 2024-04-12 兰州交通大学 一种基于有限控制集模型预测的光伏***直流母线电压控制方法
CN115514318B (zh) * 2022-09-20 2023-09-29 北京华电科能科技有限公司 一种光伏电站监控***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645768A (zh) * 2013-12-10 2014-03-19 中国矿业大学 一种光伏阵列最大功率点跟踪方法
CN104242337A (zh) * 2014-08-14 2014-12-24 广东易事特电源股份有限公司 光伏微网***的实时协调控制方法
CN106532894A (zh) * 2016-11-29 2017-03-22 中国科学院电工研究所 一种直流微电网分层模糊协调控制方法
CN108054775A (zh) * 2017-12-15 2018-05-18 江苏欣云昌电气科技有限公司 一种微网控制方法
CN109066750A (zh) * 2018-09-11 2018-12-21 重庆大学 基于需求侧响应的光伏-电池微电网混合能量调度管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645768A (zh) * 2013-12-10 2014-03-19 中国矿业大学 一种光伏阵列最大功率点跟踪方法
CN104242337A (zh) * 2014-08-14 2014-12-24 广东易事特电源股份有限公司 光伏微网***的实时协调控制方法
CN106532894A (zh) * 2016-11-29 2017-03-22 中国科学院电工研究所 一种直流微电网分层模糊协调控制方法
CN108054775A (zh) * 2017-12-15 2018-05-18 江苏欣云昌电气科技有限公司 一种微网控制方法
CN109066750A (zh) * 2018-09-11 2018-12-21 重庆大学 基于需求侧响应的光伏-电池微电网混合能量调度管理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Hui Shao,et al.Interval Day-Ahead Load Forecast of Micro Grid with Fuzzy Similar Data Selection and Gaussian Process.2018 IEEE 8th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER).2019,第1578-1583页. *
刘新天等.基于Drift-Ah积分法的CKF估算锂电池SOC.控制与决策.2019,第34卷(第3期),第535-541页. *
杨仁峰等.基于复合式储能微电网离网策略研究.冶金自动化.2017,第363-367页. *
黄勇.新型智能户用光伏***.大众科技.2015,第17卷(第188期),第53-57页. *

Also Published As

Publication number Publication date
CN111276960A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN111276960B (zh) 一种光-储直流微电网***中储能模块预测控制方法
Das et al. Advancement of lithium-ion battery cells voltage equalization techniques: A review
CN102104257B (zh) 公寓楼的储能***、集成电力管理***及***控制方法
CN107579698A (zh) 一种光伏电站储能方法
CN103236747A (zh) 一种光伏电源混合储能***
CN109829228B (zh) 可再生能源***中混合储能电源容量配置的优化方法
CN204835716U (zh) 一种模块化的储能***
CN112103979B (zh) 一种综合储能***的协调控制方法
Bampoulas et al. Provision of frequency regulation by a residential microgrid integrating PVs, energy storage and electric vehicle
Jiao et al. Analysis of two hybrid energy storage systems in an off-grid photovoltaic microgrid: A case study
Bhunia et al. Voltage regulation of stand-alone photovoltaic system using boost SEPIC converter with battery storage system
Khaki et al. A hybrid multi-loop controlled facts-based smart V2G battery chargers
Amanor-Boadu et al. A universal fast battery charging and management solution for stand-alone solar photovoltaic home systems in sub-saharan africa
Zhuotong et al. Rule-based dual planning strategy of hybrid battery energy storage system
CN201797333U (zh) 蓄电池电量转移电路
Sanjareh et al. Cost comparison of various battery technologies for hybrid energy storage system application in an islanded Microgrid
Jun et al. Characteristics analysis of ultracapacitor-battery hybrid energy storage system
Ziaeinejad et al. Design of a fuel cell-based battery extender auxiliary power unit for a vehicular microgrid
CN205070585U (zh) 双电源供电模式的48V直流PoE照明供电***
Hariprabhu et al. Implementation of PV Integrated Power Quality Enhancement and Performance Analysis of Battery Operated Electric Vehicle using Boost Converter
CN203537039U (zh) 一种应用于配网自动化电动操作的混合能量***
Han et al. Modeling, control, and energy management for DC microgrid
Fahim et al. Energy Management System of a PV-Based Grid-Connected Electric Vehicle in Bangladesh
CN209767221U (zh) 一种用超级电容储能的光伏***
Fathima et al. Hybrid energy storage–introduction and management for renewable microgrids

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