买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供一种光伏储能系统协调控制方法，该方法构建的包含监控管理系统的光储微电网模型，能够实时监控光伏输出变化、储能电池状态、负荷情况，并及时传送给控制系统，同时构建光储微网可以实现分布式电源的灵活接入、高效应用，解决分布式发电的并网问题；本发明提出的基于改进粒子群优化算法的最大功率点追踪控制策略，克服了传统方法易陷入局部最优的缺陷，能够在静态和动态光强时能够获得较高精度的最大功率电追踪，有效提高光伏阵列的发电效率和速度，本发明将带精英策略的非支配排序的遗传算法和优劣解距离法运用于光伏储能的控制策略中，能够得到更加合理的控制方案。

主权项：1.一种光伏储能系统协调控制方法，其特征在于，包括步骤S1~步骤S4：步骤S1，构建包含监控管理系统的光储微电网模型；步骤S2，通过惯性权重自适应调整和迭代周期动态优化对粒子群优化算法进行改进，得到改进粒子群优化算法，基于包含监控管理系统的光储微电网模型，以光伏功率点追踪最大为目标，构建基于改进粒子群优化算法的最大功率点追踪控制策略，再通过基于改进粒子群优化算法的最大功率点追踪控制策略对光伏阵列输出调节电路实施控制，得到光伏数据；步骤S3，基于包含监控管理系统的光储微电网模型，以综合成本最小为目标，构建充放电优化动态管理架构，通过充放电优化动态管理架构对光伏储能系统进行管理，得到储能数据；步骤S4，基于带精英策略的非支配排序的遗传算法和优劣解距离法构建多目标规划模型，通过多目标规划模型对步骤S2得到的光伏数据和步骤S3得到的储能数据进行处理，得到光伏储能系统的协调控制结果；所述改进粒子群优化算法满足以下条件式： ；其中，表示粒子惯性权重，为粒子惯性权重最大值，为粒子惯性权重最小值，为当前粒子适应度，为平均适应度，为最大适应度；所述改进粒子群优化算法还满足以下条件式： ； ；其中，为个体学习因子，为社会学习因子，为个体学习因子最大值，为个体学习因子最小值，为社会学习因子最大值，为社会学习因子最小值，k为当前迭代次数，N为最大迭代次数；所述迭代周期动态优化的过程为：在每次粒子更新位置前对粒子适应度进行排序，淘汰适应度排序在后半部分的粒子；然后以适应度排序在前半部分的粒子为边界，在边界内随机生成多个新粒子，其中，每次自然选择随机生成新粒子的适应度为： ；其中，为新粒子的适应度，为介于0到1之间的随机数，为适应度排序在前半部分的粒子中的适应度最大值，为适应度排序在前半部分的粒子中的适应度最小值；所述多目标规划模型的约束条件包括功率平衡约束、节点电压约束、主网支路功率约束、光伏出力功率约束、储能充放电功率约束、配电网潮流约束；功率平衡约束的表达式为： ；其中，为光伏储能系统在t时刻向主网的购电量，为光伏储能系统在t时刻的系统负荷量；节点电压约束的表达式为： ；其中，为节点i的电压，、分别为节点i的电压下限值、电压上限值；主网支路功率约束的表达式为： ；其中，为主网支路传输的最大允许功率；光伏出力功率约束的表达式为： ；其中，为光伏出力功率，为光伏出力功率最大值；储能充放电功率约束的表达式为： ；其中，为安装在节点i的储能的额定功率，、分别为安装在节点i的储能在t时刻的充电、放电功率；配电网潮流约束的表达式为： ；其中，、分别为节点i注入的有功功率、无功功率，、分别为节点i、节点j的电压幅值，为节点i和节点j之间的电导，为节点i和节点j之间的电纳，为节点i和节点j之间的电压相位差，M为节点总数；步骤S4具体包括：首先，使用带精英策略的非支配排序的遗传算法对步骤S2得到的光伏数据和步骤S3得到的储能数据依次进行处理，对随机产生的初始样本进行非支配排序，通过选择、交叉、变异三种操作得出帕累托最优解，然后对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选择更优级别的个体，重复遗传算法的基本操作生成新的样本数据；接下来使用优劣解距离法对新的样本数据进行归一化处理得到标准化矩阵，计算获得用于评估的基准理想解和负理想解，其中理想解是指从样本数据中每个指标的最佳值获得的最理想情况，而负理想解是从相应样本数据中的每个指标的最差值的组合获得的最坏情况；最后分别计算各评价目标与正理想解和负理想解之间的欧氏距离，得到各评价目标和理想解的拟合度，然后对拟合度结果进行排序，从而得到综合评价目标，进而得到光伏储能系统的协调控制结果。

全文数据：

权利要求：

百度查询： 华东交通大学 一种光伏储能系统协调控制方法