基于启发式状态机策略和线性程序策略优化方法的微电网中的储能研究

基于启发式状态机策略和线性程序策略优化方法的微电网中的储能研究

引用

CSDN

1.

https://blog.csdn.net/qq_57231208/article/details/146135915

能源管理系统（EMS）有助于优化微电网中分布式能源（DER）的使用，特别是在涉及可变定价和发电时。本文使用预测定价和负荷条件来优化存储/销售来自电网规模电池系统的能量。演示了两种方法：启发式状态机策略和基于线性程序的优化方法。

基于启发式状态机策略和线性程序策略的微电网储能优化研究

微电网储能系统的基本结构与运行需求

微电网储能系统由储能单元（如锂离子电池、超级电容器）、能量转换系统（双向变流器）、控制系统（EMS）及监控通信系统组成。其核心功能包括：

1. 调峰填谷：在电价低谷时段充电，在高峰时段放电以平衡供需；
2. 可再生能源消纳：储存光伏、风电等间歇性能源的过剩电力，提升利用率；
3. 应急备用：在电网故障时提供短时电力支撑，维持系统稳定性；
4. 需求响应支持：通过电价信号动态调整充放电策略，降低运营成本。

系统约束与定价机制分析

1. 主要系统约束

• 储能设备物理限制：

• 容量约束：$E_{min} \leq E(t) \leq E_{max}$（储能容量上下限）

• 功率约束：$P_{chmin} \leq P_{ch}(t) \leq P_{chmax}$（充放电功率限制）

• 循环寿命约束：充放电深度（DoD）与循环次数的关系

• 电网交互限制：

• 并网点功率限制：$P_{gridmin} \leq P_{grid}(t) \leq P_{gridmax}$

• 电压/频率偏差约束：确保电能质量符合标准

• 可再生能源出力波动：需通过储能平抑光伏/风电的短时波动

2. 典型定价机制

• 分时电价（TOU）：
• 时段划分：尖峰、高峰、平谷、低谷时段（如某地区电价为1.45/1.15/0.72/0.355元/kWh）
• 优化目标：最小化购电成本 $\min \sum_t \lambda(t) \cdot P_{grid}(t)$
• 需求响应（DR）：
• 价格型DR：通过实时电价引导负荷转移
• 激励型DR：对用户削减负荷给予补偿
• 数学表征：负荷转移模型 $\sum \Delta L(t) = 0$（总量平衡）

优化策略的核心原理与建模

1. 启发式状态机策略

• 基本原理：基于预设规则的状态转移机制，例如：

• SOC状态划分：将电池荷电状态分为低（<30%）、中（30%-70%）、高（>70%）三档

• 电价触发条件：在低谷电价时强制充电，尖峰电价时优先放电

• 典型状态转移规则：

  if (λ(t) < λ_low) && (SOC < 0.9)
      P_ch(t) = P_max_ch;  // 低谷时段满充
  elseif (λ(t) > λ_peak) && (SOC > 0.2)
      P_dis(t) = P_max_dis; // 尖峰时段满放
  else
      P_ch/dis根据净负荷调整; // 平谷时段平滑出力
  

• 优势与局限：

• 实时响应快（计算复杂度低）

• 难以全局最优（规则固化无法适应复杂场景）

2. 线性程序（LP）策略

• 求解算法：
• 单纯形法：通过顶点迭代寻找最优解
• 内点法：适用于大规模问题（多项式时间复杂度）
• 扩展模型：
• 混合整数线性规划（MILP）：引入0-1变量处理启停决策

协同优化框架与案例分析

1. 分层优化架构

• 上层（长期规划） ：LP/MILP进行容量配置与日前调度
• 下层（实时控制） ：启发式策略处理分钟级波动
• 案例：某园区微电网采用LP规划储能容量后，结合状态机策略使日运行成本降低18.7%

2. 典型协同算法

• 滚动时域优化：
  1. 每15分钟用LP更新未来24小时调度计划
  2. 当前时段采用启发式规则执行
• 参数自学习机制：
• 通过历史数据动态调整状态转移阈值（如SOC分段点）

3. 经济性对比（某实验数据）

未来研究方向

1. 多时间尺度耦合：将LP的日前调度与启发式的实时控制深度融合
2. 机器学习增强：利用LSTM预测电价/负荷，优化状态机规则
3. 分布式优化：针对微网群场景设计分布式LP-启发式混合算法
4. 电池健康度建模：在约束条件中引入SOH（State of Health）衰减模型

结论

在分时电价与系统约束条件下，启发式状态机策略与线性程序策略的协同应用可有效平衡实时响应速度与全局最优性。前者通过规则库快速处理不确定性，后者通过数学优化实现成本最小化。未来需进一步研究两者在异构储能系统、多主体博弈等复杂场景下的耦合机制，以推动微电网储能技术的实用化进程。

运行结果

for i = 1:numSim
    if i <= numOffset*numel(pvDataSet)
        heuristicCost(end+1) = out(i).logsout{1}.Values.Data(end);
    else
        optCost(end+1)= out(i).logsout{1}.Values.Data(end);
    end
end
histogram(heuristicCost); hold on;
histogram(optCost);
legend('Heuristic','Optimization');
xlabel('Cost per Day ($)'); hold off;

Matlab代码实现

function [Pgrid,Pbatt,Ebatt] = battSolarOptimize(N,dt,Ppv,Pload,Einit,Cost,FinalWeight,batteryMinMax)
% Minimize the cost of power from the grid while meeting load with power
% from PV, battery and grid
prob = optimproblem;
% Decision variables
PgridV = optimvar('PgridV',N);
PbattV = optimvar('PbattV',N,'LowerBound',batteryMinMax.Pmin,'UpperBound',batteryMinMax.Pmax);
EbattV = optimvar('EbattV',N,'LowerBound',batteryMinMax.Emin,'UpperBound',batteryMinMax.Emax);
% Minimize cost of electricity from the grid
prob.ObjectiveSense = 'minimize';
prob.Objective = dt*Cost'*PgridV - FinalWeight*EbattV(N);
% Power input/output to battery
prob.Constraints.energyBalance = optimconstr(N);
prob.Constraints.energyBalance(1) = EbattV(1) == Einit;
prob.Constraints.energyBalance(2:N) = EbattV(2:N) == EbattV(1:N-1) - PbattV(1:N-1)*dt;
% Satisfy power load with power from PV, grid and battery
prob.Constraints.loadBalance = Ppv + PgridV + PbattV == Pload;
% Solve the linear program
options = optimoptions(prob.optimoptions,'Display','none');
[values,~,exitflag] = solve(prob,'Options',options);
% Parse optmization results
if exitflag <= 0
    Pgrid = zeros(N,1);
    Pbatt = zeros(N,1);
    Ebatt = zeros(N,1);
else
    Pgrid = values.PgridV;
    Pbatt = values.PbattV;
    Ebatt = values.EbattV;
end

本文原文来自CSDN博客