一种光-储直流微电网系统中储能模块预测控制方法技术方案

本发明专利技术公开了一种光‑储直流微电网系统中储能模块预测控制方法，属于光‑储直流微电网领域，该直流微电网仿真系统由多个光伏阵列、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。本发明专利技术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，降低系统的维护成本。

A predictive control method of energy storage module in optical DC micro grid system

【技术实现步骤摘要】
一种光-储直流微电网系统中储能模块预测控制方法
本专利技术属于光-储直流微电网领域，尤其涉及一种光-储直流微电网系统中储能模块预测控制方法。
技术介绍
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，光伏发电系统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本文档来自技高网...

【技术保护点】
1.一种光-储直流微电网系统中储能模块预测控制方法，其特征在于，具体包括以下步骤：/n步骤1，通过检测模块收集整个光-储直流微电网系统的各个模块的相关数据；/n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；/n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,T

【技术特征摘要】
1.一种光-储直流微电网系统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-储直流微电网系统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。


2.根据权利要求1所述的光-储直流微电网系统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和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-储直流微电网系统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，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。


4.根据权利要求1所述的光-储直流微电网系统中储能模块预测控制策略，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-储直流微电网系统中储能模块预测控制策略，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＝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，通过改变预测步长，可提高预测的精度，还可提高预测的...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32