基于B/S架构的电能路由器智能化集中控制方法及系统技术方案

一种基于B/S架构的电能路由器智能化集中控制方法及系统，方法包括：根据电能路由器物理系统建立以最低系统成本为目标的日前优化调度模型；将日前优化调度模型输入基于B/S架构建立的智能集中控制系统，并通过长短期记忆神经网络预测未来T时间内的负荷数据，确定日前优化调度模型的约束条件；通过NSGA

【技术实现步骤摘要】
基于B/S架构的电能路由器智能化集中控制方法及系统


[0001]本专利技术属于电力系统自动化调度
，具体涉及一种基于B/S架构的电能路由器智能化集中控制方法及系统。

技术介绍

[0002]随着可再生能源装机容量的增加，微电网控制正逐渐变得复杂化与多样化，电网运行产生的数据量越来越大，对其进行优化调度也变得越来越困难。融合了信息技术与电力电子变换技术的电能路由器，因为能够实现分布式能量的高效利用和传输，可以很大程度上解决此问题。
[0003]电能路由器主要分为物理系统和控制系统两个部分。基于电力电子变换技术的物理系统能够为各种类型的分布式电源、储能设备和新型负载提供所需的电能接口形式；且由于电力电子设备的高可控性，配电网络内各节点的能量流方向和大小可按用户所需进行精确控制，实现能量的多向流动和对功率流的主动控制。基于信息技术的控制系统使电能路由器具备通讯和智能决策能力，能够监控电能路由器运行状态，提供优化调度方案并下发给物理系统，实现电能路由器的智能化运行。
[0004]电能路由器的物理系统技术相对成熟，各电力电子设备厂商已经开发出了不同示范场景下的DC/DC，DC/AC变换器等设备。但由于目前电能路由器系统的控制都是基于变换器层级的控制，控制原理简单且系统数据量较小，导致电能路由器的控制系统发展不够成熟，主要体现在以下两点：第一，缺少拥有智慧决策能力的控制系统架构；第二，随着系统复杂度和数据量的增加，传统的优化调度算法已经难以满足电能路由器系统功率潮流控制的需求。
[0005]目前电能路由器实际采用的优化调度方法主要是日前优化调度。在电能路由器系统建模方法确定后，日前优化调度方法的优劣主要取决于两个方面：第一，负荷功率预测的准确性；第二，如何求得模型的最优解。
[0006]负荷功率预测所需的负荷数据具有较强的时序性和周期性，因此常采用时序预测方法进行预测。以LSTM(长短期记忆神经网络)为代表的深度学习神经网络在时序预测领域效果优异，但单个电能路由器系统无法提供足够的训练数据。来自不同电能路由器的负荷数据之间具有较强相关性，可以作为训练数据共同训练LSTM，但由于训练数据量级大小不一，导致神经网络的训练效果较差。因此，找到一种能够使用不同量级的负荷数据，学习并建立统一训练模型的深度学习预测算法，将大大提高电能路由器负荷功率预测的准确性。
[0007]模型求解的目标是得到电能路由器最优功率潮流控制方案。但由于电能路由器的系统复杂度不断提升以及系统建模方法变得更精细，电能路由器模型的目标函数数量不断增加，导致模型求解变得越发困难。目前多目标函数优化问题应用较多的算法有NSGA
‑
2以及MOEA/D等。其中，NSGA
‑
2算法在目标函数数量增加时，种群非支配个体呈指数增加，Pareto支配关系将难以区分个体好坏；MOEA/D则在高维多目标优化问题上无法保证解的分布性。因此，找到一种能够在目标函数维数较高时仍有较好性能的优化算法，将有利于得到
电能路由器最优功率潮流控制方案。

技术实现思路

[0008]本专利技术的目的在于针对上述现有技术中的问题，提供一种基于B/S架构的电能路由器智能化集中控制方法及系统，能够提供电能路由器系统的日前优化调度方案，在求解电能路由器最优功率潮流控制方案的过程中，在目标函数维数较高时仍有较好性能的优化效果。
[0009]为了实现上述目的，本专利技术有如下的技术方案：
[0010]一种基于B/S架构的电能路由器智能化集中控制方法，包括：
[0011]根据电能路由器物理系统建立以最低系统成本为目标的日前优化调度模型；
[0012]将日前优化调度模型输入基于B/S架构建立的智能集中控制系统，并通过长短期记忆神经网络预测未来T时间内的负荷数据，确定日前优化调度模型的约束条件；
[0013]通过NSGA
‑
III算法求解日前优化调度模型，输出电能路由器最优功率潮流控制方案。
[0014]作为一种优选方案，所述电能路由器物理系统包括电网、风力发电系统、光伏发电系统、电解水制氢
‑
储氢罐
‑
燃料电池系统、用户负荷、变换器以及交、直流母线；
[0015]交流母线通过隔离变压器与电网连接，风力发电系统通过AC/DC及DC/AC变换器与交流母线连接，用户负荷与交流母线连接；
[0016]光伏发电系统以及电解水制氢
‑
储氢罐
‑
燃料电池系统中的氢燃料电池发电系统、电解水制氢系统分别通过DC/DC变换器与直流母线连接，电解水制氢
‑
储氢罐
‑
燃料电池系统中的储氢罐同时连接氢燃料电池发电系统的燃料电池与电解水制氢系统的电解槽；
[0017]交、直流母线之间通过DC/AC变换器连接。
[0018]作为一种优选方案，所述以最低系统成本为目标的日前优化调度模型包括风力发电系统模型、光伏发电系统模型、氢燃料电池发电系统模型、电解水制氢系统模型及储氢罐模型；
[0019]风力发电系统模型表达式如下：
[0020][0021]其中，为风电机组在t时刻输出的最大功率，为风电机组额定功率，为实时风速，和分别是风电机组的切入风速、切出风速和额定风速；
[0022]光伏发电系统模型表达式如下：
[0023][0024]其中，为光伏发电机组在t时刻的最大输出功率，为光伏发电机组的额定功率；和分别是标准条件下的太阳辐照强度和光伏组件表面温度；k为光伏组
件温度对最大输出功率造成影响的功率温度系数；为光伏组件工作温度，计算表达式如下：
[0025][0026]式中，为环境温度；是实时太阳辐照强度；为光伏组件额定工作温度；
[0027]氢燃料电池发电系统模型表达式如下：
[0028][0029]式中，为燃料电池在t时刻的最大输出功率，为燃料电池额定输出功率，为储氢罐t时刻剩余储能容量，δ
FC
为氢燃料电池的转换效率；为储氢罐储氢容量下限；Δt为控制周期时间长度；
[0030]电解水制氢系统模型表达式如下：
[0031][0032]其中，为电解槽在t时刻最大耗电功率，为电解槽额定功率，为储氢罐t时刻剩余储氢容量，为储氢罐储能容量上限；δ
E
为电解槽的制氢效率；
[0033]储氢罐模型表达式如下：
[0034][0035]式中，是t时刻电解槽实际耗电功率；是t时刻氢燃料电池实际输出的电功率。
[0036]作为一种优选方案，所述以最低系统成本为目标的日前优化调度模型还包括如下目标函数：
[0037]minC＝C
system
+C
offset
[0038]式中，C为系统总成本，C
system
为系统运行成本，C
offset
为电力偏差成本；
[0039]系统运行成本C<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于B/S架构的电能路由器智能化集中控制方法，其特征在于，包括：根据电能路由器物理系统建立以最低系统成本为目标的日前优化调度模型；将日前优化调度模型输入基于B/S架构建立的智能集中控制系统，并通过长短期记忆神经网络预测未来T时间内的负荷数据，确定日前优化调度模型的约束条件；通过NSGA
‑
III算法求解日前优化调度模型，输出电能路由器最优功率潮流控制方案。2.根据权利要求1所述基于B/S架构的电能路由器智能化集中控制方法，其特征在于，所述电能路由器物理系统包括电网、风力发电系统、光伏发电系统、电解水制氢
‑
储氢罐
‑
燃料电池系统、用户负荷、变换器以及交、直流母线；交流母线通过隔离变压器与电网连接，风力发电系统通过AC/DC及DC/AC变换器与交流母线连接，用户负荷与交流母线连接；光伏发电系统以及电解水制氢
‑
储氢罐
‑
燃料电池系统中的氢燃料电池发电系统、电解水制氢系统分别通过DC/DC变换器与直流母线连接，电解水制氢
‑
储氢罐
‑
燃料电池系统中的储氢罐同时连接氢燃料电池发电系统的燃料电池与电解水制氢系统的电解槽；交、直流母线之间通过DC/AC变换器连接。3.根据权利要求2所述基于B/S架构的电能路由器智能化集中控制方法，其特征在于，所述以最低系统成本为目标的日前优化调度模型包括风力发电系统模型、光伏发电系统模型、氢燃料电池发电系统模型、电解水制氢系统模型及储氢罐模型；风力发电系统模型表达式如下：其中，为风电机组在t时刻输出的最大功率，为风电机组额定功率，为实时风速，和分别是风电机组的切入风速、切出风速和额定风速；光伏发电系统模型表达式如下：其中，为光伏发电机组在t时刻的最大输出功率，为光伏发电机组的额定功率；和分别是标准条件下的太阳辐照强度和光伏组件表面温度；k为光伏组件温度对最大输出功率造成影响的功率温度系数；为光伏组件工作温度，计算表达式如下：式中，为环境温度；是实时太阳辐照强度；为光伏组件额定工作温度；氢燃料电池发电系统模型表达式如下：
式中，为燃料电池在t时刻的最大输出功率，为燃料电池额定输出功率，为储氢罐t时刻剩余储能容量，δ
FC
为氢燃料电池的转换效率；为储氢罐储氢容量下限；Δt为控制周期时间长度；电解水制氢系统模型表达式如下：其中，为电解槽在t时刻最大耗电功率，为电解槽额定功率，为储氢罐t时刻剩余储氢容量，为储氢罐储能容量上限；δ
E
为电解槽的制氢效率；储氢罐模型表达式如下：式中，是t时刻电解槽实际耗电功率；是t时刻氢燃料电池实际输出的电功率。4.根据权利要求3所述基于B/S架构的电能路由器智能化集中控制方法，其特征在于，所述以最低系统成本为目标的日前优化调度模型还包括如下目标函数：minC＝C
system
+C
offset
式中，C为系统总成本，C
system
为系统运行成本，C
offset
为电力偏差成本；系统运行成本C
system
的计算表达式如下：式中，分别为t时段系统与电网相互作用总成本、光伏板、风电机组、电解槽、燃料电池、储氢罐的维护成本；t时段系统与电网相互作用总成本包括电价成本以及环保成本两部分，按下式计算：算：式中，为t时段电能路由器向电网购电的电价；为大电网的环保成本，即污染物处理成本；γ
k
是大电网发电产生的k类污染物排放量；c
k
为处理k类污染物的成本系数；运行成本与发电量符合如下正比关系：
式中，ρ
E
为电解槽工作时的损耗系数；ρ
FC
为氢燃料电池工作时的损耗系数；ρ
W
为风电机组工作时的损耗系数；ρ
PV
为光电机组工作时的损耗系数；ρ
tank
为储氢罐进出氢气时的损耗系数；为电解槽的实际耗电功率，为氢燃料电池的实际输出功率，为风电机组的实际输出功率，为光电机组的实际输出功率；电力偏差成本C
offset
的计算表达式如下：的计算表达式如下：式中，...

【专利技术属性】
技术研发人员：黄晶晶，马连原，徐畅甲，徐占伯，张爱民，王金玉，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：