CN114142498B - 一种数据驱动的分布式储能自适应预测控制电压调节方法 - Google Patents
一种数据驱动的分布式储能自适应预测控制电压调节方法 Download PDFInfo
- Publication number
- CN114142498B CN114142498B CN202111444894.XA CN202111444894A CN114142498B CN 114142498 B CN114142498 B CN 114142498B CN 202111444894 A CN202111444894 A CN 202111444894A CN 114142498 B CN114142498 B CN 114142498B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- distributed energy
- storage system
- time
- ess
- 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 146
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 16
- 238000002347 injection Methods 0.000 claims description 14
- 239000007924 injection Substances 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 239000000243 solution Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 239000011541 reaction mixture Substances 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种数据驱动的分布式储能自适应预测控制电压调节方法:根据选定的有源配电网,输入***的历史运行数据及参数信息;依据分布式储能***有效调节区域范围,计算t时刻节点电压量测值与所述的节点电压参考值之间的差值;采用多层递阶预报算法,计算t时刻伪雅可比估计矩阵;建立数据驱动的分布式储能***自适应预测电压控制模型;求解数据驱动的分布式储能***自适应预测电压控制模型;更新控制时刻t;判断更新后的控制时刻t是否大于优化时间。本发明通过建立基于数据驱动的分布式储能***自适应预测电压控制策略,实现对含分布式储能***的配电网电压优化控制问题的求解,为配电网电压优化问题提供新的思路,有助于配电侧安全性和用户体验的提升。
Description
技术领域
本发明涉及一种分布式储能自适应预测控制电压调节方法。特别是涉及一种数据驱动的分布式储能自适应预测控制电压调节方法。
背景技术
随着可再生能源配电网中高渗透率接入,配电网的运行控制面临着包括电压越限、双向潮流等在内的诸方面挑战。分布式储能***的快速响应特性使其成为应对间歇式电源在配电网渗透率日益提高形势下电网安全经济运行问题的重要手段。分布式储能***的广泛应用,为配电网提供快速响应容量,有助于平抑电压波动、调节能量时空分布,有效提升了配电网的运行可控性和灵活性。因此对分布式储能***进行合理调控对于保障配电网安全经济运行具有重要意义。
然而传统的分布式储能***优化策略无法适应配电网运行状态的频繁变化。而且在实际复杂的运行环境下,配电网的准确参数难以获得。智能量测终端和通信网络的快速发展推动了配电***高度信息化,多源异构的配用电大数据急剧增长,且蕴含着用户行为特性、***态势发展等极为重要的信息。数据驱动不依赖受控***的详细数学模型信息,仅通过利用量测数据,统计性描述复杂环节的输入输出关系,实现复杂环节未知特性的模拟构建。数据驱动控制能有效地解决机构建模中缺乏精确参数的问题,有效避免了传统机理建模的局限性,对高度非线性和强不确定性具有很强的适用能力。
分布式储能***自适应预测控制电压调节方法是基于数据驱动的配电网电压预测控制方法,其理论基础是在受控***轨线附近用动态线性时变模型来代替一般非线性***,并通过相应的预测算法得出控制策略。此方法无需配电网详细数学模型,只需根据配电网运行数据建立数据模型,动态自适应地刻画***输入输出关系,进而实现配电网电压控制的目标。
因此,提出一种数据驱动的分布式储能自适应预测控制电压调节方法,为配电网电压优化问题提供新的思路,有助于配电侧安全性和用户体验的提升。
发明内容
本发明所要解决的技术问题是,针对配电网电压优化控制问题,在缺乏精确参数的情况下,提供一种更智能、更具适应性的数据驱动的分布式储能自适应预测控制电压调节方法。
本发明所采用的技术方案是:一种数据驱动的分布式储能自适应预测控制电压调节方法,包括如下步骤:
1)根据选定的有源配电网,输入***的历史运行数据及参数信息,包括:分布式储能***的类型、容量、接入位置、有效调节区域范围,以及分布式储能***的初始荷电状态和充放电功率限值,m天各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据,节点电压参考值迭代步长Δt,控制步长ΔTc,预测步长初始值ΔTp,优化时间T,阈值参数ε;初始化控制参数k=1,初始化控制时刻t=0,起始时刻t0;
2)依据所述的分布式储能***有效调节区域范围,获取分布式储能***有效调节区域内t时刻节点电压量测值和t时刻节点注入功率量测值,计算t时刻节点电压量测值与所述的节点电压参考值之间的差值,并依据差值判断分布式储能***有效调节区域是否出现电压越限,是,则执行步骤3),否则,则转到步骤6);
3)依据所述的分布式储能***有效调节区域内t时刻节点电压量测值和t时刻节点注入功率量测值,采用多层递阶预报算法,利用m天各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据,计算t时刻伪雅可比估计矩阵
4)依据所述的t时刻伪雅可比估计矩阵以分布式储能***有效调节区域内各节点电压偏差最小以及分布式储能***充放电成本最低为目标函数,考虑预测步长ΔTp内分布式储能***荷电状态约束,换流器运行约束,以及储能寿命约束,建立数据驱动的分布式储能***自适应预测电压控制模型;
5)求解数据驱动的分布式储能***自适应预测电压控制模型,当求解结果得到t时刻数据驱动的分布式储能***有功、无功出力策略时,下发执行;当求解结果为在无解情况,则下发执行t-Δt时刻数据驱动的分布式储能***有功、无功出力策略;
6)更新控制时刻t=t+Δt,判断t-t0≥kΔTc是否成立,若是,则令ΔTp=ΔTp-ΔTc,k=k+1,执行步骤7),若否,则直接执行步骤7);
7)判断更新后的控制时刻t是否大于优化时间T,若否,则转到步骤2),若是,则结束。
本发明的一种数据驱动的分布式储能自适应预测控制电压调节方法,综合考虑了配电网线路参数不可知性、分布式电源位置和出力情况不确定性,通过建立基于数据驱动的分布式储能***自适应预测电压控制策略,实现对含分布式储能***的配电网电压优化控制问题的求解,为配电网电压优化问题提供新的思路,有助于配电侧安全性和用户体验的提升。本发明采用的数据驱动控制能有效地解决机构建模中缺乏精确参数的问题,有效避免了传统机理建模的局限性,对高度非线性和强不确定性具有很强的适用能力。
附图说明
图1是本发明一种数据驱动的分布式储能自适应预测控制电压调节方法的流程图;
图2是本发明采用的预测控制方法中各时间尺度示意图;
图3是分布式储能***有效调节区域拓扑图;
图4是分布式电源出力、负荷变化的预测曲线;
图5是24小时分布式储能***接入节点控制前后电压结果对比;
图6是24小时分布式储能***有功充放电功率以及无功出力变化;
图7是24小时电压控制前后节点电压最大值对比结果;
图8是24小时电压控制前后节点电压最小值对比结果;
图9是24小时分布式储能***荷电状态变化。
具体实施方式
下面结合实施例和附图对本发明的一种数据驱动的分布式储能自适应预测控制电压调节方法做出详细说明。
如图1所示,本发明的一种数据驱动的分布式储能自适应预测控制电压调节方法,包括如下步骤:
1)根据选定的有源配电网,输入***的历史运行数据及参数信息,包括:分布式储能***的类型、容量、接入位置、有效调节区域范围,以及分布式储能***的初始荷电状态和充放电功率限值,m天各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据,节点电压参考值迭代步长Δt,控制步长ΔTc,预测步长初始值ΔTp,优化时间T,阈值参数ε;初始化控制参数k=1,初始化控制时刻t=0,起始时刻t0;
所述的分布式储能***有效调节区域范围,是指由配电网边缘计算设备完成数据采集并通过分布式储能***能够进行有效调节的区域。
2)依据所述的分布式储能***有效调节区域范围,获取分布式储能***有效调节区域内t时刻节点电压量测值和t时刻节点注入功率量测值,计算t时刻节点电压量测值与所述的节点电压参考值之间的差值,并依据差值判断分布式储能***有效调节区域是否出现电压越限,是,则执行步骤3),否则,则转到步骤6);
其中,所述出现电压越限的判断,是当所述t时刻节点电压量测值与节点电压参考值之间的差值大于电压阈值上限Umax或小于电压阈值下限Umin,即认为分布式储能***有效调节区域出现电压越限。
3)依据所述的分布式储能***有效调节区域内t时刻节点电压量测值和t时刻节点注入功率量测值,采用多层递阶预报算法,利用m天各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据,计算t时刻伪雅可比估计矩阵
式中,和分别表示t时刻和t-Δt时刻的伪雅可比矩阵,为的初始值,ΔU[0]、ΔPESS[0]、ΔQESS[0]分别表示电压变化量、储能***有功、无功出力变化量的初始值,其中,ΔPESS[0]≠0,ΔQESS[0]≠0,ΔX[t-Δt]=X[t-Δt]-X[t-2Δt],X[t-Δt]和X[t-2Δt]分别表示t-Δt时刻和t-2Δt时刻分布式储能***有功、无功出力向量,ΔU[t]=U[t]-U[t-Δt],U[t]和U[t-Δt]分别表示t时刻和t-Δt时刻配电网有效调节区域内各节点电压的量测值,表示t+(N-1)ΔTc时刻的伪雅可比预测矩阵,ξ表示正阈值系数,η、μ表示权重系数;
式中,θj[t]表示t时刻预测系数,其中j=1,…,m,m表示构建估计序列时所需历史量测数据的天数,Td表示历史数据的时间间隔,和分别表示利用前m天相同时刻各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据计算得到的伪雅可比矩阵;
定义t时刻预测系数矩阵θ[t]为:θ[t]=(θ1[t],…,θm[t])T,θ[t]计算公式如下:
4)依据所述的t时刻伪雅可比估计矩阵以分布式储能***有效调节区域内各节点电压偏差最小以及分布式储能***充放电成本最低为目标函数,考虑预测步长ΔTp内分布式储能***荷电状态约束,换流器运行约束,以及储能寿命约束,建立数据驱动的分布式储能***自适应预测电压控制模型;其中,
(1)所述的目标函数J表示为:
式中,N表示预测步数,表示从t+Δt时刻开始,预测N步的节点电压参考值,表示从t+Δt时刻开始,预测N步的节点电压估计值向量,CESS表示单位时间分布式储能***有功功率充放电成本,单位为元/kWh,表示分布式储能***预测N步内有功充放电功率绝对值的和,ΔXN[t]表示从t时刻开始,预测N步的储能充放电功率变化值向量,λ表示权重系数;
式(5)中ΔXN[t]的表达式如下:
ΔXN[t]=(ΔX[t]T,ΔX[t+ΔTc]T,…,ΔX[t+(N-1)ΔTc]T)T (8)
式中,ΔX[t]T,ΔX[t+ΔTc]T和ΔX[t+(N-1)ΔTc]T分别表示t时刻、t+ΔTc时刻和t+(N-1)ΔTc时刻的储能充放电功率变化值向量;ΔX[t]表示为(ΔPESS[t],ΔQESS[t])T,其中ΔPESS[t]、ΔQESS[t]分别表示t时刻分布式储能***有功、无功出力变化值向量,PESS[t]=PESSt-Δt+ΔPESS[t],PESS[t]和PESS[t-Δt]分别表示t时刻和t-Δt时刻分布式储能***有功出力。
(2)所述的考虑预测步长ΔTp内分布式储能***荷电状态约束,表示如下:
SOC0=SOCT (10)
式中,SOC0为分布式储能***荷电状态初始值,SOCmax和SOCmin分别表示分布式储能***荷电状态的上下限,CB为分布式储能***的容量,ΔTc为控制步长,N表示预测步数,E[t]表示单位列向量,PESS[t]表示t时刻分布式储能***有功出力,ΔPESS[t-Δt+ΔTc]、ΔPESS[t-Δt+2ΔTc和ΔPESSt-Δt+NΔTc分别表示t-Δt+ΔTc、t-Δt+2ΔTc和t-Δt+NΔTc时刻的储能充放电功率变化量;SOCT表示分布式储能***在优化时间T结束后的荷电状态值。
(3)所述的换流器运行约束,表示为:
式中,PESS[t+nΔTc]、QESS[t+nΔTc]分别表示t+nΔTc时刻分布式储能***的有功无功出力,n=1,…,N,N表示预测步数,CB为分布式储能***的容量,Pmax、Pmin、Qmax、Qmin表示分布式储能***有功功率和无功功率出力上下限。
(4)所述的储能寿命约束,表达式如下:
式中,其中ΔPESS[t]表示t时刻分布式储能***有功出力变化量,PESS[t]和PESS[t-Δt]分别表示t时刻和t-Δt时刻分布式储能***有功出力,E[t]表示单位列向量,τess表示分布式储能***充放电损耗系数,ε表示阈值参数。
5)求解数据驱动的分布式储能***自适应预测电压控制模型,当求解结果得到t时刻数据驱动的分布式储能***有功、无功出力策略时,下发执行;当求解结果为在无解情况,则下发执行t-Δt时刻数据驱动的分布式储能***有功、无功出力策略;
6)更新控制时刻t=t+Δt,判断t-t0≥kΔTc是否成立,若是,则令ΔTp=ΔTp-ΔTc,k=k+1,执行步骤7),若否,则直接执行步骤7);
7)判断更新后的控制时刻t是否大于优化时间T,若否,则转到步骤2),若是,则结束。
对于本发明的实施例,配电网包括33个节点,拓扑连接情况如图3所示,18节点处接入一套容量3MVA,有功充放电功率上下限为6kW、-6kW,无功出力功率上下限分别为15kvar、-15kvar的分布式储能***;4、12、16、21节点接入光伏;9、15、24、29节点接入风机;迭代步长Δt=5min,控制步长ΔTc=1h,预测步长初始值ΔTp=24h,优化时长T=24h;配电网的电压参考值设定为1.0p.u.。单位时间分布式储能***有功功率充放电成本CESS=0.05元/kWh。权重系数λ、ρ、η、μ、δ取值为10、1、0.8、1、0.8。阈值参数ε取值为4。采用数据驱动的分布式储能自适应预测控制电压调节方法进行优化,经过上述步骤可以得到分布式储能***充放电策略和无功出力策略。为验证该方法的有效性,针对配电网采用如下两个控制方案进行对比:
方案一:不对分布式储能***进行控制,得到有源配电网初始运行状态;
方案二:采用数据驱动的分布式储能自适应预测控制电压调节方法。
执行优化计算的计算机硬件环境为Intel(R)Core(TM)CPU i5-10210U,主频为1.6GHz,内存为16GB;软件环境为Windows10操作***。
本发明实施例所采用预测控制方法各时间尺度示意图如图2所示。分布式储能***有效调节区域拓扑如图3所示。分布式电源出力、负荷信息的预测曲线变化如图4所示。24小时分布式储能***接入节点的电压控制结果如图5所示,24小时分布式储能***有功充放电功率以及无功出力变化如图6所示。24小时方案一、方案二电压控制后节点电压最大值结果对比如图7所示。24小时方案一、方案二电压控制后节点电压最小值结果对比如图8所示。从图5至图8中可以看出,方案二能有效调节本实施例配电网电压水平。24小时内分布式储能***荷电状态的变化如图9所示。综合图5至图9可以看出,数据驱动的分布式储能***自适应预测电压控制方法可以有效解决电压优化问题。
Claims (7)
1.一种数据驱动的分布式储能自适应预测控制电压调节方法,其特征在于,包括如下步骤:
1)根据选定的有源配电网,输入***的历史运行数据及参数信息,包括:分布式储能***的类型、容量、接入位置、有效调节区域范围,以及分布式储能***的初始荷电状态和充放电功率限值,m天各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据,节点电压参考值迭代步长Δt,控制步长ΔTc,预测步长初始值ΔTp,优化时间T,阈值参数ε;初始化控制参数k=1,初始化控制时刻t=0,起始时刻t0;
2)依据所述的分布式储能***有效调节区域范围,获取分布式储能***有效调节区域内t时刻节点电压量测值和t时刻节点注入功率量测值,计算t时刻节点电压量测值与所述的节点电压参考值之间的差值,并依据差值判断分布式储能***有效调节区域是否出现电压越限,是,则执行步骤3),否则,则转到步骤6);
3)依据所述的分布式储能***有效调节区域内t时刻节点电压量测值和t时刻节点注入功率量测值,采用多层递阶预报算法,利用m天各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据,计算t时刻伪雅可比估计矩阵
式中,和分别表示t时刻和t-Δt时刻的伪雅可比矩阵,为的初始值,ΔU[0]、ΔPESS[0]、ΔQESS[0]分别表示电压变化量、储能***有功、无功出力变化量的初始值,其中,ΔPESS[0]≠0,ΔQESS[0]≠0,ΔX[t-Δt]=X[t-Δt]-X[t-2Δt],X[t-Δt]和X[t-2Δt]分别表示t-Δt时刻和t-2Δt时刻分布式储能***有功、无功出力向量,ΔU[t]=U[t]-U[t-Δt],U[t]和U[t-Δt]分别表示t时刻和t-Δt时刻配电网有效调节区域内各节点电压的量测值,表示t+(N-1)ΔTc时刻的伪雅可比预测矩阵,ξ表示正阈值系数,η、μ表示权重系数;
式中,θj[t]表示t时刻预测系数,其中j=1,…,m,m表示构建估计序列时所需历史量测数据的天数,Td表示历史数据的时间间隔,和分别表示利用前m天相同时刻各时段的分布式储能***有效调节区域范围内节点电压历史量测数据、节点注入功率历史数据计算得到的伪雅可比矩阵;
定义t时刻预测系数矩阵θ[t]为:θ[t]=(θ1[t],…,θm[t])T,θ[t]计算公式如下:
4)依据所述的t时刻伪雅可比估计矩阵以分布式储能***有效调节区域内各节点电压偏差最小以及分布式储能***充放电成本最低为目标函数,考虑预测步长ΔTp内分布式储能***荷电状态约束,换流器运行约束,以及储能寿命约束,建立数据驱动的分布式储能***自适应预测电压控制模型;
5)求解数据驱动的分布式储能***自适应预测电压控制模型,当求解结果得到t时刻数据驱动的分布式储能***有功、无功出力策略时,下发执行;当求解结果为在无解情况,则下发执行t-Δt时刻数据驱动的分布式储能***有功、无功出力策略;
6)更新控制时刻t=t+Δt,判断t-t0≥kΔTc是否成立,若是,则令ΔTp=ΔTp-ΔTc,k=k+1,执行步骤7),若否,则直接执行步骤7);
7)判断更新后的控制时刻t是否大于优化时间T,若否,则转到步骤2),若是,则结束。
2.根据权利要求1所述的一种数据驱动的分布式储能自适应预测控制电压调节方法,其特征在于,步骤1)中所述的分布式储能***有效调节区域范围,是指由配电网边缘计算设备完成数据采集并通过分布式储能***能够进行有效调节的区域。
3.根据权利要求1所述的一种数据驱动的分布式储能自适应预测控制电压调节方法,其特征在于,步骤2)中,当所述t时刻节点电压量测值与节点电压参考值之间的差值大于电压阈值上限Umax或小于电压阈值下限Umin,即认为分布式储能***有效调节区域出现电压越限。
4.根据权利要求1所述的一种数据驱动的分布式储能自适应预测控制电压调节方法,其特征在于,步骤4)所述的目标函数J表示为:
式中,N表示预测步数,表示从t+Δt时刻开始,预测N步的节点电压参考值,表示从t+Δt时刻开始,预测N步的节点电压估计值向量,CESS表示单位时间分布式储能***有功功率充放电成本,单位为元/kWh,表示分布式储能***预测N步内有功充放电功率绝对值的和,ΔXN[t]表示从t时刻开始,预测N步的储能充放电功率变化值向量,λ表示权重系数;
式(5)中ΔXN[t]的表达式如下:
ΔXN[t]=(ΔX[t]T,ΔX[t+ΔTc]T,…,ΔX[t+(N-1)ΔTc]T)T (8)
式中,ΔX[t]T,ΔX[t+ΔTc]T和ΔX[t+(N-1)ΔTc]T分别表示t时刻、t+ΔTc时刻和t+(N-1)ΔTc时刻的储能充放电功率变化值向量;ΔX[t]表示为(ΔPESS[t],ΔQESS[t])T,其中ΔPESS[t]、ΔQESS[t]分别表示t时刻分布式储能***有功、无功出力变化值向量,PESS[t]=PESS[t-Δt]+ΔPESS[t],PESS[t]和PESS[t-Δt]分别表示t时刻和t-Δt时刻分布式储能***有功出力。
5.根据权利要求1所述的一种数据驱动的分布式储能自适应预测控制电压调节方法,其特征在于,步骤4)所述的考虑预测步长ΔTp内分布式储能***荷电状态约束,表示如下:
SOC0=SOCT (10)
式中,SOC0为分布式储能***荷电状态初始值,SOCmax和SOCmin分别表示分布式储能***荷电状态的上下限,CB为分布式储能***的容量,ΔTc为控制步长,N表示预测步数,E[t]表示单位列向量,PESS[t]表示t时刻分布式储能***有功出力,ΔPESS[t-Δt+ΔTc]、ΔPESS[t-Δt+2ΔTc]和ΔPESS[t-Δt+NΔTc]分别表示t-Δt+ΔTc、t-Δt+2ΔTc和t-Δt+NΔTc时刻的储能充放电功率变化量;SOCT表示分布式储能***在优化时间T结束后的荷电状态值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444894.XA CN114142498B (zh) | 2021-11-30 | 2021-11-30 | 一种数据驱动的分布式储能自适应预测控制电压调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444894.XA CN114142498B (zh) | 2021-11-30 | 2021-11-30 | 一种数据驱动的分布式储能自适应预测控制电压调节方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114142498A CN114142498A (zh) | 2022-03-04 |
CN114142498B true CN114142498B (zh) | 2023-04-07 |
Family
ID=80385929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111444894.XA Active CN114142498B (zh) | 2021-11-30 | 2021-11-30 | 一种数据驱动的分布式储能自适应预测控制电压调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114142498B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115241901B (zh) * | 2022-07-27 | 2023-06-20 | 天津大学 | 考虑数据质量的智能储能软开关数据驱动电压控制方法 |
CN115549109A (zh) * | 2022-09-15 | 2022-12-30 | 清华大学 | 海量柔性负荷快速聚合控制方法及装置 |
CN117411006B (zh) * | 2023-10-13 | 2024-04-16 | 新疆能源(集团)哈密清洁能源有限责任公司 | 一种自动电压控制平台及其方法 |
CN117613981B (zh) * | 2023-12-11 | 2024-04-26 | 国网青海省电力公司清洁能源发展研究院 | 一种新能源储能***的电压稳定性控制方法 |
CN117728462B (zh) * | 2023-12-18 | 2024-05-07 | 国网青海省电力公司清洁能源发展研究院 | 一种构网型储能并网控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111682594A (zh) * | 2020-06-15 | 2020-09-18 | 天津大学 | 数据驱动的配电网柔性变电站无模型自适应电压控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111969662B (zh) * | 2020-08-20 | 2022-08-16 | 天津大学 | 数据驱动的多智能软开关分区协同自适应电压控制方法 |
-
2021
- 2021-11-30 CN CN202111444894.XA patent/CN114142498B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111682594A (zh) * | 2020-06-15 | 2020-09-18 | 天津大学 | 数据驱动的配电网柔性变电站无模型自适应电压控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114142498A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114142498B (zh) | 一种数据驱动的分布式储能自适应预测控制电压调节方法 | |
CN110929948B (zh) | 基于深度强化学习的完全分布式智能电网经济调度方法 | |
CN111682594B (zh) | 数据驱动的配电网柔性变电站无模型自适应电压控制方法 | |
CN113572157A (zh) | 一种基于近端策略优化的用户实时自治能量管理优化方法 | |
CN107991881B (zh) | 一种基于多模型预测控制的固体氧化物燃料电池非线性抑制方法 | |
CN112994022A (zh) | 一种源储荷分布式协同电压控制方法及其*** | |
Wang et al. | Dual-level consensus-based frequency regulation using vehicle-to-grid service | |
CN110908351A (zh) | 一种融合支持向量机的scr脱硝***扰动抑制预测控制方法 | |
CN117057553A (zh) | 一种基于深度强化学习的家庭能源需求响应优化方法及*** | |
CN109274106A (zh) | 一种基于电动汽车集群的智能电网频率控制方法 | |
CN104049598A (zh) | 线性和非线性***的基于确定性优化的控制***及方法 | |
CN114884063A (zh) | 考虑区间协调的分布式电源与储能电压控制方法及装置 | |
CN111969662B (zh) | 数据驱动的多智能软开关分区协同自适应电压控制方法 | |
CN115986720A (zh) | 自适应氢负荷波动的新能源制氢***协调控制方法、装置、电子设备和存储介质 | |
CN110297452B (zh) | 一种蓄电池组相邻型均衡***及其预测控制方法 | |
Fu et al. | Research and application of predictive control method based on deep reinforcement learning for HVAC systems | |
CN103259258A (zh) | 微电网及其控制方法和装置 | |
CN111651878B (zh) | 计及态势评估的大电网静态电压稳定优化决策方法及*** | |
CN106410829B (zh) | 一种基于预测控制的储能源网协调控制***及方法 | |
CN111522235B (zh) | 参数自整定的mimo异因子紧格式无模型控制方法 | |
CN117002475A (zh) | 混合动力车能量优化控制方法、装置、电子设备及存储介质 | |
CN113067334A (zh) | 基于神经网络的有源电力滤波器非线性预测控制方法 | |
CN115001002B (zh) | 一种求解储能参与削峰填谷的优化调度方法和*** | |
CN113492727B (zh) | 一种基于empc的燃料电池混合动力***控制方法 | |
Romero et al. | Fast charge of Li-ion batteries using a two-layer distributed MPC with electro-chemical and thermal constraints |
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 |