本发明提出一种用于跟踪计划出力的电池储能电站实时功率分配方法和系统，该方法包括以下步骤：实时读取电池储能电站的相关数据，并通过上述数据进行存储和管理；计算当前电池储能电站的总功率需求命令值；计算电池储能电站中各储能机组功率命令值；将各储能机组功率命令值汇总后输出至外部监控平台。该系统包括本发明通过设置于工控机的通讯模块、数据存储与管理模块、跟踪计划控制模块和遗传算法控制模块与外部监控平台完成用于跟踪计划出力的电池储能电站实时功率分配方法，可实现应用电池储能电站来支持跟踪计划曲线功能，并实现对兆瓦级锂电池储能电站实时功率的有效控制和分配目的。
1.一种用于跟踪计划出力的电池储能电站实时功率分配方法，其特征在于，该方法包括以下步骤：A、实时读取电池储能电站的相关数据，并对上述数据进行存储和管理；
D、将各储能机组功率命令值汇总后输出至外部监控平台；
当电池储能电站的总功率需求为零时，直接将各储能机组功率命令值设为零；当电池储能电站的总功率需求非零时，根据其符号选择通过最大允许放电功率或最大允许充电功率来计算各储能机组的决策变量，进而求取参与跟踪计划出力的各储能机组的功率命令值；然后判断各储能机组是否满足最大允许放电功率约束条件或最大允许充电功率约束条件，如果有违反相应约束条件的储能机组，则通过最大允许放电功率或最大允许充电功率重新计算该储能机组的功率命令值；否则，结束判断；
步骤C1、当电池储能电站的总功率需求 为正值时，表示该电池储能电站将处于放电状态，则通过下述步骤计算各储能机组功率命令值Pi：C11)通过遗传算法计算出各储能机组的决策变量xi，通过xi确定出参与本次功率分配的储能机组的组合状态；
C12)计算参与跟踪计划出力的各储能机组i功率命令值：C13)判断步骤C12得出的各储能机组i功率命令值Pi是否满足下列储能机组有功功率的最大允许放电功率约束条件：C14)如果有违反最大允许放电功率约束条件的储能机组，则通过下式重新确定各储能机组功率命令值Pi： 否则结束判断；
步骤C2、当电池储能电站的总功率需求 为负值时，表示该电池储能电站将处于充电状态，则通过下述步骤计算各储能机组功率命令值Pi：C21)通过遗传算法计算出各储能机组的决策变量xi，通过xi确定出参与本次功率分配的储能机组的组合状态；
C22)计算参与跟踪计划出力的各储能机组i功率命令值：C23)判断步骤C22得出的各储能机组i功率命令值Pi是否满足下列储能机组有功功率的最大允许充电功率约束条件：C24)如果有违反最大允许充电功率约束条件的储能机组，则通过下式重新确定各储能机组功率命令值Pi： 否则结束判断；
步骤C3、当电池储能电站的总功率需求 为零时，则将各储能机组功率命令值Pi设为零；
上述各式中，ui为i号储能机组的可控信号；xi为0-1决策变量；SOCi、SODi分别为i号储能机组的荷电、放电状态，SODi＝1-SOCi；L为电池储能机组个数；
2.如权利要求1所述的方法，其特征在于，在步骤A中，所述电池储能电站的相关数据包括：由外部监控平台下发的风光发电计划曲线，风力发电总功率值和光伏发电总功率值以及电池储能电站中各储能机组的可控信号、荷电状态值、最大允许放电功率、最大允许充电功率。
3.如权利要求2所述的方法，其特征在于，在步骤B中，计算电池储能电站的总功率需求的方法包括：首先，根据步骤A读取的风光发电计划曲线，确定出每个时间刻度的风光发电计划值；
其次，根据各时间刻度下的风光发电计划值，确定当前风光储联合发电总功率值；
最后，从风光储联合发电总功率值中减去所读取的风力发电总功率值和光伏发电总功率值，得到当前电池储能电站的总功率需求。
4.如权利要求3所述的方法，其特征在于，通过下式确定当前风光储联合发电总功率值：上述各式中，P风光储为当前风光储联合发电总功率值； 分别为当前、下一时间刻度的风光发电计划值；Δt为控制周期；T时间刻度为跟踪出力计划值的选取时间刻度，单位为秒。
所述步骤C11中通过遗传算法计算各储能机组的决策变量xi的方法包括：(11a)确定群体中的个体个数N，每个个体中的基因个数为储能机组个数L，对每个个体进行二进制编码，随机生成N个个体作为初始群体，得到各个体中基因串的0、1组合方式，并令进化代数计数器值G＝0；
(11b)判断进化代数计数器值G是否小于等于最大进化代数计数器值G ，且每个个体是否满足下式的约束条件：如果上述两个判断条件均满足，则执行步骤11c；否则，跳转至步骤11f；
(11c)基于下式计算每个个体k所对应的适应度值Sk；
(11d)基于步骤11c计算得出的适应度值，按照优胜劣汰原理进行选择操作，然后基于交叉概率和变异概率分别进行重组和变异操作后得到子代；
(11e)基于下述目标函数(I)选择出最优子代，并将其按照插入概率重新插入到种群中进行替代操作；然后令G＝G+1，跳转至步骤11b；
(11f)计算满足目标函数(I)的最优解，对最优解所对应的个体进行解码后得出其基因串的排列组合方式，每个基因值即为与之对应的储能机组i的决策变量值xi，其中i＝
所述步骤C21中通过遗传算法计算各储能机组的决策变量xi的方法包括：(21a)确定群体中的个体个数N，每个个体中的基因个数为储能机组个数L，对每个个体进行二进制编码，随机生成N个个体作为初始群体，得到各个体中基因串的0、1组合方式，并令进化代数计数器值G＝0；
(21b)判断进化代数计数器值G是否小于等于最大进化代数计数器值G ，且每个个体是否满足下式的约束条件：如果上述两个判断条件均满足，则执行步骤21c；否则，跳转至步骤21f；
(21c)基于下式计算每个个体k所对应的适应度值Sk；
(21d)基于步骤21c计算得出的适应度值，按照优胜劣汰原理进行选择操作，然后基于交叉概率和变异概率分别进行重组和变异操作后得到子代；
(21e)基于下述目标函数(II)选择出最优子代，并将其按照插入概率重新插入到种群中进行替代操作；然后令G＝G+1，跳转至步骤21b；
(21f)计算满足目标函数(II)的最优解，对最优解对应的个体进行解码后得出其基因串的排列组合方式，每个基因值即为与之对应的储能机组i的决策变量值xi，其中i＝
6.一种用于跟踪计划出力的电池储能电站实时功率分配系统，其特征在于，该系统包括：通讯模块，用于接收电池储能电站的相关数据；
数据存储与管理模块，用于存储和管理电池储能电站的相关数据，并将计算出的各储能机组功率命令值赋值给相应接口变量；
跟踪计划控制模块，用于实时确定电池储能电站的当前总功率需求；和遗传算法控制模块，用于实时计算各储能机组功率命令值；
所述遗传算法控制模块，用于当电池储能电站的总功率需求为零时，直接将各储能机组功率命令值设为零；当电池储能电站的总功率需求非零时，根据其符号选择通过最大允许放电功率或最大允许充电功率来计算各储能机组的决策变量，进而求取参与跟踪计划出力的各储能机组的功率命令值；然后判断各储能机组是否满足最大允许放电功率约束条件或最大允许充电功率约束条件，如果有违反相应约束条件的储能机组，则通过最大允许放电功率或最大允许充电功率重新计算该储能机组的功率命令值；否则，结束判断；
所述遗传算法控制模块，还用于当电池储能电站的总功率需求 为正值时，表示该电池储能电站将处于放电状态，则通过下述步骤计算各储能机组功率命令值Pi：C11)通过遗传算法计算出各储能机组的决策变量xi，通过xi确定出参与本次功率分配的储能机组的组合状态；
C12)计算参与跟踪计划出力的各储能机组i功率命令值：C13)判断步骤C12得出的各储能机组i功率命令值Pi是否满足下列储能机组有功功率的最大允许放电功率约束条件：C14)如果有违反最大允许放电功率约束条件的储能机组，则通过下式重新确定各储能机组功率命令值Pi： 否则结束判断；
所述遗传算法控制模块，还用于当电池储能电站的总功率需求 为负值时，表示该电池储能电站将处于充电状态，则通过下述步骤计算各储能机组功率命令值Pi：C21)通过遗传算法计算出各储能机组的决策变量xi，通过xi确定出参与本次功率分配的储能机组的组合状态；
C22)计算参与跟踪计划出力的各储能机组i功率命令值：C23)判断步骤C22得出的各储能机组i功率命令值Pi是否满足下列储能机组有功功率的最大允许充电功率约束条件：C24)如果有违反最大允许充电功率约束条件的储能机组，则通过下式重新确定各储能机组功率命令值Pi： 否则结束判断；
所述遗传算法控制模块，还用于当电池储能电站的总功率需求 为零时，则将各储能机组功率命令值Pi设为零；
上述各式中，ui为i号储能机组的可控信号；xi为0-1决策变量；SOCi、SODi分别为i号储能机组的荷电、放电状态，SODi＝1-SOCi；L为电池储能机组个数；
用于跟踪计划出力的电池储能电站实时功率分配方法
技术领域
[0001] 本发明属于智能电网以及能量存储与转换技术领域，具体涉及一种基于大规模锂电池储能电站的实时功率控制方法，尤其适用于兆瓦级电池储能电站参与跟踪计划出力时，储能电站内的储能机组实时功率分配以及储能电站能量管理。
背景技术
[0002] 随着电池及其集成技术的不断发展，应用大规模电池储能电站参与跟踪计划出力逐渐成为了一种可行方案。电池储能电站内的电池储能机组与传统的发电机组相比具有响应速度快，启停时间短等优势，将在配电网系统及智能电网的协调控制中发挥重要作用。电池储能系统中目前常用的几种大容量储能电池有钠硫电池，液流电池以及锂电池等类型。
[0003] 从电池储能的角度来说，过度的充电和过度的放电都会对电池的寿命造成影响。因此，监控好电池荷电状态、在储能电站内部合理分配好有功功率需求，并将电池的荷电状态控制在一定范围内是必要的。
[0004] 电池储能电站参与跟踪计划出力的方式之一是实时补偿风光联合发电实际功率与风光发电计划间的差值，使风力发电和太阳能发电等新能源发电设备可以很好的依照事先制订的计划曲线发电。
[0005] 目前有关基于兆瓦级大规模电池储能电站的风光发电计划跟踪方面的专利、文献、技术报告等很少，需要深入研究和探索。
发明内容
[0006] 针对上述问题，本发明的目的之一在于提供一种安全稳定、便于操作实现的用于跟踪计划出力的电池储能电站实时功率分配方法。
[0007] 本发明的方法是通过如下技术方案实现的：
[0008] 一种用于跟踪计划出力的电池储能电站实时功率分配方法，包括以下步骤：
[0009] A、实时读取电池储能电站的相关数据，并通过上述数据进行存储和管理；
[0010] B、计算当前电池储能电站的总功率需求命令值；
[0011] C、计算电池储能电站中各储能机组功率命令值；
[0012] D、将各储能机组功率命令值汇总后输出至外部监控平台。
[0013] 进一步地，在步骤A中，所述电池储能电站的相关数据包括：由外部监控平台下发的风光发电计划曲线，风力发电总功率值和光伏发电总功率值以及电池储能电站中各储能机组的可控信号、荷电状态值、最大允许放电功率、最大允许充电功率和额定功率等等。
[0014] 进一步地，在步骤B中，计算电池储能电站的总功率需求的方法包括：
[0015] 首先，根据步骤A读取的风光发电计划曲线，确定出每个时间刻度的风光发电计划值；
[0016] 其次，根据各时间刻度下的风光发电计划值，确定当前风光储联合发电总功率值；
[0017] 最后，从风光储联合发电总功率值中减去所读取的风力发电总功率值和光伏发电总功率值，得到当前电池储能电站的总功率需求。
[0018] 进一步地，在步骤C中，计算各储能机组功率命令值的方法包括：
[0019] 当电池储能电站的总功率需求为零时，直接将各储能机组功率命令值设为零；当电池储能电站的总功率需求非零时，根据总功率需求的符号选择通过最大允许放电功率或最大允许充电功率来计算各储能机组的决策变量，进而求取参与跟踪计划出力的各储能机组的功率命令值；然后判断各储能机组是否满足最大允许放电功率约束条件或最大允许充电功率约束条件，如果有违反相应约束条件的储能机组，则通过最大允许放电功率或最大允许充电功率重新计算该储能机组的功率命令值；否则，结束判断。
[0020] 进一步地，在步骤D中，将步骤C中计算出的各储能机组功率命令值进行存储后输出至外部监控平台，以执行对电池储能电站的功率控制，同时实现电池储能电站参与跟踪计划出力时的实时功率控制功能。
[0021] 本发明的另一目的在于提出一种用于跟踪计划出力的电池储能电站实时功率分配系统，该系统包括：
[0022] 通讯模块，用于接收外部监控平台下发的电池储能电站的相关数据；
[0023] 数据存储与管理模块，用于存储和管理电池储能电站的相关数据，并将计算出的各储能机组功率命令值赋值给相应接口变量；
[0024] 跟踪计划控制模块，用于实时确定电池储能电站的当前总功率需求；和[0025] 遗传算法控制模块，用于实时计算各储能机组功率命令值。
[0026] 与现有技术相比，本发明达到的有益效果是：
[0027] 本发明的用于跟踪计划出力的电池储能电站实时功率分配方法和系统在实际工程应用中易于实现和掌握，通过该方法和系统控制的电池储能电站更加安全稳定，能够同时满足大规模电池储能电站跟踪计划出力的有功功率需求和大容量电池储能电站存储能量的实时监管要求。该方法主要是结合可表示锂电池储能机组实时功率特性的允许充放电能力(即：各锂电池储能机组的最大允许放电功率、最大允许充电功率等)及可表示锂电池储能机组存储能量特性的荷电状态SOC，基于跟踪计划控制模块和遗传算法控制模块对电池储能电站的跟踪计划出力用总功率需求进行在线实时分配，从而实现了实时分配锂电池储能电站跟踪计划出力用总功率需求的同时，也实现了跟踪计划用兆瓦级电池储能电站的能量管理及实时功率控制目的。
附图说明
[0028] 图1是本发明兆瓦级锂电池储能电站的系统示意图；
[0029] 图2是本发明用于跟踪计划出力的电池储能电站实时功率分配系统实施例的结构框图；
[0030] 图3是本发明用于跟踪计划出力的电池储能电站实时功率分配方法实施例的实施框图；
具体实施方式
[0031] 下面以锂电池储能机组为例、结合附图对本发明的方法和系统作进一步的详细说明。
[0032] 如图1所示，锂电池储能电站中包括相互并联的各锂电池储能机组，每个储能机组中均包括一双向变流器和多个并行设置的锂离子电池组，通过双向变流器可执行对相应锂离子电池组的投切控制及充放电功率指令等功能。
[0033] 图2是用于跟踪计划出力的锂电池储能电站实时功率分配控制方法的实施框图。如图2所示，本发明是通过设置在工控机中的通讯模块10、数据存储与管理模块20、跟踪计划控制模块30、遗传算法控制模块40实现的。
[0034] 通讯模块10，负责接收电池储能电站的相关数据，以及向外部监控平台发送各储能机组功率命令值，监控平台设置在通讯模块左侧，与通讯模块进行连接通信，实现监测和控制通讯模块的作用；
[0035] 数据存储与管理模块20，用于存储和管理电池储能电站的相关数据；而且负责将计算出的各锂电池储能机组功率命令值按事先设定的协议赋值给相关接口变量，供外部监控平台调用；
[0036] 跟踪计划控制模块30，用于实时计算电池储能电站的当前总功率需求命令值；
[0037] 遗传算法控制模块40，用于实时计算各电池储能机组功率命令值。
[0038] 图3是本发明参与跟踪计划出力的电池储能电站功率分配控制算法框图。下面结合具体实施步骤，对其实施方式进行详细说明。如图3所示，本例中用于跟踪计划出力的电池储能电站实时功率分配方法，包括如下步骤：
[0039] 步骤A：通过通讯模块10读取电池储能电站的相关数据，然后将数据传至数据存储与管理模块20进行存储和管理；其中，电池储能电站的相关数据是通讯模块读取外部监控平台直接下发的，包括：风光发电计划曲线，风力发电总功率值、光伏发电总功率值以及电池储能电站中各储能机组的可控信号、荷电状态值(SOC)、最大允许放电功率、最大允许充电功率和额定功率等等。
[0040] 步骤B：基于跟踪计划控制模块30，实时计算出当前电池储能电站的总功率需求。
[0041] 步骤C：基于遗传算法控制模块40，实时计算出电池储能电站中各锂电池储能机组功率命令值。
[0042] 步骤D：将步骤C计算出的各储能机组功率命令值在数据存储与管理模块20进行汇总后，通过通讯模块10输出。
[0043] 在步骤B中，所述储能电站的总功率需求命令值的计算方法如下：
[0044] 首先，基于步骤A读取的风光发电计划曲线，确定出每个时间刻度下的风光发电计划值；
[0045] 然后，基于各时间刻度下的风光发电计划值，确定当前风光储联合发电总功率值P风光储；
[0046] 根据具体要求，跟踪出力计划值的选取时间刻度可取，如5分钟或15分钟等。例如当跟踪出力计划值的选取时间刻度为5分钟时，则当前风光储联合发电总功率值的计算公式如下：
[0047]
[0048]
[0049] T时间刻度为跟踪出力计划值的选取时间刻度，单位为秒。
[0050] 最后，基于已计算出的风光储联合发电的总功率要求，基于下式(3)确定出当前电池储能电站的总功率需求：
[0051]
[0052] 上述各式中， 和 分别为当前、下一时间刻度(即5分钟后)的风光发电计划值，上述计划值是每隔一个时间间隔(即5分钟)进行实时更新的；Δt为控制周期，例如可设置为2秒；P风电、P光伏分别为风力、光伏发电总功率值。
[0053] 在步骤C中，所述各电池储能机组功率命令值的计算方法如下：
[0054] 步骤C1、当跟踪计划用电池储能电站的总功率需求 为正值时，表示该电池储能电站将处于放电状态，则基于各储能机组的荷电状态(State of Charge：SOC)和最大允许放电功率值，通过下列步骤计算各储能机组功率命令值Pi：
[0055] C11)基于遗传算法控制模块40，计算出各储能机组的决策变量xi：
[0056] (11a)确定群体中的个体(染色体)个数N，每个染色体中的基因个数为储能机组个数L。对每个个体进行二进制编码(编码成一个向量，即染色体，向量每个元素为基因，相应基因值将对应每个储能机组是否参与本次功率分配的决策值xi(i＝1，...，L))，随机生成N个个体作为初始群体，得到各染色体中的基因串的0、1组合方式；并令进化代数计数器值G＝0；max
[0057] (11b)判断进化代数计数器值G是否小于等于最大进化代数计数器值G ，且每个个体是否满足下式约束条件：如果上述两个判断条件均满足，执行步骤11c，否则，跳转至步骤11f；
[0058]
[0059] (11c)基于下式计算每个个体k所对应的适应值Sk，按Sk的大小评价其适应度；
[0060] (k＝1，...，N)(5)
[0061] (11d)基于步骤11c计算得出的适应度值，按照优胜劣汰的原理进行选择操作，例如可采用轮盘赌选择法选择出优胜的个体，在该方法中，个体的选择概率将与其适应度值成比例。然后基于交叉概率和变异概率分别进行重组和变异操作后得到子代；
[0062] (11e)基于下述目标函数(I)选择出最优子代，并将其按照一定插入概率重新插入到种群中进行替代操作；而后令G＝G+1，返回到步骤11b；
[0063]
[0064]
[0065] (11f)计算满足目标函数(I)的最优解，对最优解对应的个体经过解码得出其基因串排列组合方式，每个基因值为与之对应的储能机组i的决策变量值xi(i＝1，...，L)；C12)计算参与跟踪计划出力的各储能机组i功率命令值：
[0066]
[0067] C13)判断步骤C12得出的各储能机组i功率命令值Pi是否满足下列储能机组有功功率的最大允许放电功率约束条件：
[0068]
[0069] C14)如果有违反上述最大允许放电功率约束条件的储能机组，则执行步骤C15，否则结束判断；
[0070] C15)基于下式，重新确定各储能机组功率命令值Pi；
[0071]
[0072] 步骤C2、当跟踪计划用电池储能电站总功率需求 为负值时，表示该电池储能电站将处于充电状态，则基于各储能机组的放电状态和最大允许充电功率值，通过下列步骤计算各储能机组功率命令值Pi：
[0073] C21)基于遗传算法控制模块，计算出各储能机组的决策变量xi：
[0074] (21a)确定群体中的个体(染色体)个数N，每个染色体中的基因个数为储能机组个数L。对每个个体进行二进制编码(编码成一个向量，即染色体，向量每个元素为基因，相应基因值将对应每个储能机组是否参与本次功率分配的决策值xi(i＝1，...，L))，随机生成N个个体作为初始群体，得到各染色体中的基因串的0、1组合方式；并令进化代数计数器值G＝0；
[0075] (21b)判断进化代数计数器值G是否小于等于最大进化代数计数器值Gmax，且每个个体是否满足下式约束条件：如果上述两个判断条件均满足，执行步骤21c，否则，跳转至步骤21f；
[0076]
[0077] (21c)基于下式计算每个个体k所对应的适应值Sk，按Sk的大小评价其适应度；
[0078] (k＝1，...，N)(10)
[0079] (21d)基于步骤21c计算得出的适应度值，按照优胜劣汰的原理进行选择操作，例如可采用轮盘赌选择法选择出优胜的个体，在该方法中，个体的选择概率将与其适应度值成比例。然后基于交叉概率和变异概率分别进行重组和变异操作后得到子代；
[0080] (21e)基于下述目标函数(II)选择出最优子代，并将其按照一定插入概率重新插入到种群中进行替代操作；而后令G＝G+1，返回到步骤21b；
[0081]
[0082]
[0083] (21f)计算满足目标函数(II)的最优解，对最优解对应的个体经过解码得出其基因串排列组合方式，每个基因值为与之对应的储能机组i的决策变量值xi(i＝1，...，L)。
[0084] C22)计算参与跟踪计划出力的各储能机组i功率命令值Pi；
[0085]
[0086] SODi＝1-SOCi (12)
[0087] C23)判断步骤C22得出的各储能机组i功率命令值Pi是否满足下列储能机组有功功率的最大允许充电功率约束条件：
[0088] |Pi|≤|Pi最大允许充电| (13)
[0089] C24)如果有违反上述最大允许充电功率约束条件的储能机组，则执行下列步骤C25，否则结束判断；
[0090] C25)基于下式，重新确定各储能机组功率命令值Pi；
[0091]
[0092] 步骤C3、当电池储能电站的总功率需求 为零时，则将各储能机组功率命令值Pi设为零；
[0093] 式(4)-(14)中，ui为i号储能机组的可控信号，该信号通过步骤A读取，当该储能机组i可控时，此可控信号值为1，其他情况值为0；xi为0-1决策变量，xi＝1时表示将储能机组i参与功率分配计算，xi＝0时则表示不参与本次功率分配；SOCi为i号储能机组最大允许放电的荷电状态；SODi为i号储能机组的放电状态；L为电池储能机组个数；Pi 为i号储最大允许充电
能机组的最大允许放电功率值；Pi 为i号储能机组的最大允许充电功率值。
[0094] 在步骤D中，数据存储与管理模块将步骤C中计算出的各储能机组功率命令值发送给通讯模块10，再由通讯模块输出至外部监控平台，以执行对锂电池储能电站的功率控制，同时实现电池储能电站参与跟踪计划出力时的实时功率控制功能。
[0095] 采用上述技术方案，本发明具有实时分配锂电池储能电站的跟踪计划出力用总功率需求的功能，从而实现便捷、有效的实现参与跟踪计划出力用锂电池储能电站实时功率控制和能量管理功能。该兆瓦级电池储能电站参与跟踪计划出力时的实时功率控制方法和系统，可以同时满足大规模电池储能电站跟踪计划出力的有功功率需求及大容量电池储能电站存储能量的实时监管要求。另外，本发明先通过遗传算法挑选出参与本次功率分配的储能机组，然后对这部分机组进行功率分配，大大提高了工作效率，从而实现便捷、有效的实施对电池储能电站的实时功率控制功能。
[0096] 最后应该说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，结合上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解到：本领域技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。
