基于DMPC和储能单元约束的分组一致性控制策略

龙本锦，张 靖，何 宇，秦廷翔，杨薛亮，龙道银

基于DMPC和储能单元约束的分组一致性控制策略

龙本锦1，张 靖1，何 宇1，秦廷翔2，杨薛亮2，龙道银2

(1.贵州大学电气工程学院，贵州 贵阳 550025；2.中国电建集团贵州工程有限公司，贵州 贵阳 550001)

针对多个电池储能单元间的分布式协调控制问题，提出了一种分布式储能单元分组一致性控制策略。首先，提出了一种基于分布式模型预测控制和状态约束的加权一致性算法，能考虑各储能单元的功率约束条件并快速完成多储能单元的功率分配。其次，提出了一种储能单元分组控制策略。根据荷电状态(state of change, SOC)信息设定储能单元的权重，达到改善储能单元SOC的一致性的目的。同时基于所提一致性算法，制定储能单元组间协调控制策略和储能单元效率提升策略，从而达到改善储能系统调节能力、延长储能系统寿命和提升能量转换效率的目的。最后，在Matlab中构建含8个电池储能单元的微电网系统，对所提算法和控制策略进行仿真分析。仿真结果表明，所提算法和控制策略在提升收敛速度、优化控制效果、延长储能系统寿命以及提升储能系统运行效率方面均具有一定优势。

微电网；电池单元分组；分布式模型预测控制；加权一致性算法

0 引言

随着能源和环境问题日益突出，可再生能源发展迅速。作为一种整合可再生能源的有效形态，微电网技术有着广阔的发展前景[1-3]。可再生能源的不确定性、波动性和间歇性导致微电网的功率波动较大，对电力系统安全稳定运行的影响日益凸显[4-5]。在上述背景下，电池储能凭借其能量密度高、调节能力强、配置灵活等优点，在可再生能源发电领域得到了广泛的研究[6-10]。

目前大部分对储能技术的研究是将同种介质的储能当作一个整体来考虑，而在实际应用中，大容量的储能系统由多个储能单元组成[11-13]；同时，储能单元的运行状态对储能系统的循环寿命、能量转换效率和调节能力等要素的影响较为显著[14-15]，根据储能的特性对系统内各储能单元的运行状态进行优化能更有效地发挥其潜能。因此，研究如何协调分配各单元的功率并改善其运行状态具有现实意义。现有研究较少涉及到储能单元间的功率细化分配。文献[16-17]根据荷电状态(state of charge, SOC)对各电池储能单元(battery energy storage unit, BESU)分区处理，并考虑单元的运行寿命折损和单元间的运行均衡性，达到了提高电池储能系统(battery energy storage system, BESS)的持续可调度性和运行经济性等目的。文献[18]考虑储能单元的健康度和储能变流器的效率，提出了一种多储能单元的能量管理方法，有效延缓了储能系统寿命衰退速度，提升了能量转换效率。在BESS的运行过程中，提高各BESU间SOC的一致性，可避免个别BESU因处于过充或过放的不利状态而无法工作，从而使BESS的调节能力能长期保持在较佳的状态[19]，同时，提高各储能单元利用率的均衡性，从而避免个别单元的寿命衰退过快。文献[15]提出了一种BESU的充/放电状态可临时转换的双电池储能系统(double battery energy storage system, DBESS)控制策略，其在每个控制周期通过集中求解“能量转换效率最大化”目标函数来确定运行的单元个数和单元的功率值，减少了单元的充/放电转换次数，提高了BESS的运行效率和单元组内SOC的一致性。文献[15-18]均为集中式控制方式，对于结构相对简单和控制距离不太远的系统，集中式控制方式比较容易实现[20]。然而，由于集中式控制方式存在控制中心的计算任务重、计算效率低以及系统可靠性和灵活性较低等问题，难以满足发展需求。因此，随着技术的飞速发展，在计算效率、系统可靠性、灵活性以及可扩展性等方面具有明显优势的分布式控制方式得到了越来越多的关注[21]。文献[22]采用分布式算法实现了多个飞轮储能单元的自适应功率分配，但储能单元的功率分配结果可能越限。文献[23]基于投影算子法提出了一种兼顾储能单元功率约束的完全分布式功率分配方法。文献[24]考虑储能的寿命损耗成本和储能单元的功率约束提出了一种基于增量成本的一致性算法，该算法依赖于“领导”节点采集全局信息。文献[25]采用“一致项+调整项”完全分布式算法实现了孤岛微电网的实时调度，通过“调整项”反馈修正“一致项”使调度结果满足各机组约束条件，但需要较长的收敛时间。文献[26]基于分布式模型预测控制(distributed model predictive control, DMPC)提升了加权一致性算法的收敛速度，实现了储能阵列系统分组一致性控制，并通过权重系数修正策略避免了权重大的储能单元功率越限，然而该策略需要由指定的储能单元接收BESS总功率指令，在一定程度上降低了分布式系统的可靠性。

在现有研究储能分布式一致性控制的文献中，大部分研究成果在算法方面存在依赖“领导”节点和迭代时间较长等问题，这在一定程度上提高了算法对通信资源的要求；而在控制效果方面存在功率分配指令可能越限、能量转换效率较低等问题。因此，在现有研究的基础上，本文对参与微电网调节的多个BESU间的分布式协调控制问题进行了研究。首先，提出了一种基于DMPC和状态约束的加权一致性算法，该算法兼顾了每个BESU的功率约束条件，能在较少的通信次数下快速实现多储能单元的功率自适应分配。其次，提出了一种BESU分组一致性控制策略，在无需双倍容量配置和不减小BESS额定功率的前提下，减少BESU的充/放电转换次数和小功率低效率运行的次数，从而达到延长储能系统寿命和提高能量转换效率的目的；同时，基于SOC设置BESU的充、放电权重，提高同组储能单元的SOC一致性。最后，构建含8个BESU的并网型微电网仿真模型，对所提的控制策略进行仿真验证。

1 微电网结构

本文采用如图1所示的微电网—分布式BESS结构，其中分布式BESS由单元组Z1和单元组Z2以及稀疏通信网络组成。本文在Z1(Z2)内的任意两个单元间的通信上至少存在一条通路，而Z1和Z2间的通信状态随储能系统运行情况的变化而变化。

图1 微电网结构

通信拓扑为无向图。本文定义储能单元放电时的功率符号为正号。以图1中红色箭头方向表示各功率的参考方向，微电网的功率平衡式如式(1)所示。

2 基于DMPC和状态约束的加权一致性算法

2.1 考虑状态约束条件

1) 调整约束范围

为确保处于约束外的初始状态在迭代过程中能转移至约束内，在迭代时对状态的上下限进行如下调整：

2) 计算中间变量

用矩阵形式表示系统的一致性控制规律为

2.2 基于DMPC提升收敛速度

模型(14)考虑了分布式系统中每个代理的约束条件，可以保证最终得到的功率分配结果满足每个BESU的功率约束条件。文献[34-35]研究表明，考虑预测控制能显著提升一致性算法的收敛速度，有利于提高系统控制的快速性并降低通信要求。本小节基于DMPC进一步改进模型(14)。

其中

定义二次优化目标函数如式(19)所示。

上述所提基于DMPC和状态约束的加权一致性算法的具体步骤如下：

3 电池单元分组一致性控制策略

3.1 一致性控制策略

维持同一储能单元组内SOC的一致性，有利于单元组长时间保持较佳的调节能力。本文以同组内BESU的SOC的一致性为主要控制目标，利用第2节所提算法，使执行充(放)电任务时充(放)电权重较大的单元承担较大的充(放)电功率，而充(放)电权重较小的单元承担较小的充(放)电功率，从而在运行过程中提升同组内各储能单元SOC的一致性。

定义BESU的充、放电权重系数为

3.2 分组协调控制策略

储能系统充/放电状态的频繁切换在一定程度上加快了其寿命的衰退速度[26]。相较于单电池储能系统，DBESS能有效减少充/放电转换次数。但若按照传统的DBESS控制策略实施(如文献[27-28])，那么，当两者容量配置相同时，后者的额定功率仅为前者一半，调节能力不足；而当两者额定功率相同时，后者需要两倍于前者的容量配置，经济性差。为利用DBESS在减少充/放电转换次数方面的优势，并解决上述传统DBESS控制策略的不足，本文提出了一种分布式的分组协调控制方法。

3.2.1 迭代初始化—实现分组控制

为实现分组控制，即充(放)电组的单元优先执行充(放)电任务，本文在每个控制周期初始时刻对所提分布式算法进行初始化操作。

1) 邻接矩阵初始化

2) 一致性变量初始化

3.2.2 调整邻接矩阵—实现组间协调

3.3 BESU效率提升策略

文献[15,18]研究表明，储能单元的能量转换效率与其运行功率密切相关，当运行功率的标幺值较小时，其电气设备损耗较大，导致效率较低，而当运行功率的标幺值较大时，效率较高。减少因BESU小功率运行而引起的不必要的能量损失，从而提升能量转换效率，亦是本文策略的控制目标之一。

至此，BESS完成了内部单元的功率分配。考虑BESU的功率约束和能量转换效率的BESS分布式分组一致性控制策略流程如图2所示。

图2 BESS控制流程

Fig. 2 Control flow chart of BESS

4 算例分析

为验证本文所提的分布式一致性算法和分组协调控制策略的有效性，本节从算法的性能和策略的控制效果两个方面对上述理论进行仿真分析。首先，通过对比分析经典加权一致性算法、“一致项+调整项”算法[25]和本文所提算法，展示第2节所提算法的性能优势；其次，将本文所提分布式算法用于实现BESS分组一致性控制，并在相同储能参数配置前提下与传统DBESS和不分组策略的控制效果进行对比分析，以验证本文控制策略的有效性。

4.1 算法性能分析

图3 当时不同算法的迭代过程

图4 时不同算法的迭代过程

3) 组间协调与效率提升策略验证

图5 BESS邻接矩阵的调整过程

4.2 BESS分组控制策略效果

1) 功率波动平抑效果

图6 Z1组、Z2组的功率曲线

从图6可以看出，运行至13：00左右时两单元组的状态发生了转变，即Z1组由充电状态变为放电状态，Z2组由放电状态变为充电状态。图中颜色重叠部分，是由于这些时段的不平衡功率波动较为剧烈，调节需求超出了单一电池组的调节能力，因此，两组电池都将参与调节。

图A3为相同容量参数配置下本文策略、传统DBESS策略和传统不分组策略对24 h内不平衡功率的平抑效果(其中，传统不分组控制策略包含按单元最大功率分配策略和按单元SOC比例分配策略)。从图中可以看出，本文分组策略与传统不分组策略的控制效果相同，并网功率曲线较平滑且基本与目标曲线重合。由于传统的DBESS控制策略存在功率调节能力减半的问题，其平抑结果欠佳。

图7 不同策略的功率波动率

从图7可以看出，采用储能技术能显著地减小并网功率波动率，其中传统DBESS在功率波动较大的时段不满足上述限制条件，而本文策略和传统不分组策略的功率波动率均小于7%，均能有效平滑并网功率波动。综合分析图6、图7和图A3可以看出，本文分组策略不会降低储能系统的额定功率，保证了储能系统对功率波动的平抑能力。

图8为各BESU在24 h内的SOC变化曲线。

图8 各BESU的SOC变化曲线

从图8可以看出，本文策略提升了各BESU的容量利用率，并尽可能使同一组内的BESU长期处于同种充/放电状态，提升了各BESU充/放电行为的有序性，有利于避免BESU运行过程中频繁切换充/放电状态。Z1组、Z2组内各单元的SOC分别趋于一致，避免了个别单元进入极端情况而无法参与调节，保证了储能系统的功率响应能力。在13：00左右Z2组先到达SOC下阈值，两组电池的充放电状态互换。可以看出，在12：00之后两组储能的组内单元SOC状态基本趋于一致，由于采用了3.3节的“BESU效率提升”策略，从SOC曲线局部放大图可以看出，某些时段部分单元未动作，同一单元组内各单元的SOC曲线并不完全重合。

2) 储能单元充/放电转换次数

为展示本文策略对减少BESU充/放电切换次数的有效性，本文采用文献[15]的方法，将BESU相邻时刻功率符号的改变定义为充/放电状态转换，分别对本文策略、不分组按最大功率分配策略和不分组按比例分配策略下一个调度周期内的各BESU的充/放电转换次数进行统计，统计结果如图9所示。3种策略在一个调度周期内储能单元的平均充/放电转换次数分别为51、76、141，本文策略充/放电转换次数为不分组按最大功率分配策略的67%，为不分组按比例分配策略的36%，且本文策略下各单元的充/放电转换次数较为均匀，有助于防止个别单元寿命衰退过快，有利于延长BESS循环使用寿命。

图9 不同策略的充/放电转换次数

3) 储能单元小功率运行次数

从表1可以看出，在本文策略下，BESU在一天288个控制周期内以小功率运行的平均次数不足3次，本文策略下的BESU小功率运行率比不分组按最大功率分配策略降低了4.73%，比不分组按比例分配策略降低了32.04%。本文所提控制策略优化了BESU的运行状态，提升了BESU的运行效率。

表1 不同功率分配策略下BESU小功率运行次数/24 h

由上述分析可知，在相同储能容量配置参数下，相较于传统不分组策略和传统DBESS策略，本文所提的BESS分组分布式一致性控制策略能够实现对多个BESU的分布式协调控制，并网功率平抑效果满足约束条件，且在减少储能单元充/放电转换次数、提升单元组SOC一致性和能量转换效率方面较已有策略有一定优势。

5 结论

本文以多个BESU间的分布式协同控制问题为研究对象，首先，提出了一种基于DMPC和状态约束的分布式加权一致性算法，通过该算法可以考虑各BESUS的约束条件，实现BESU的功率自适应分配。仿真结果表明，在相同参数条件下，相较于经典加权一致性算法和传统“一致项+调整项”算法，本文所提算法收敛速度更快，功率分配结果满足功率约束条件和“能者多劳”原则，分配结果更合理。其次，结合所提分布式算法制定了合理的分组一致性协调运行策略，根据单元SOC设置权重，在运行过程中提升单元SOC一致性，并通过合理的算法初始化和邻接矩阵调整策略实现BESU分组协调控制并优化BESU运行状态，从而实现了延长BESU使用寿命和提高BESU能量转换效率的目的。仿真结果表明，本文控制策略能有效平抑并网功率波动，并减少BESU充/放电状态转换次数和BESU小功率运行次数，有利于延长BESU使用寿命和提高BESU能量转换效率。

由于可再生能源的随机性和波动性较强，某些时段对储能系统的综合调节能力要求较高，为了保证BESS能长期可靠地满足平抑需求并提升BESS的运行经济性，后续研究将引入功率型储能单元，并从多时间尺度优化的角度研究优化储能系统运行的方法，以进一步改善储能电站的运行可靠性和经济性。

附录A

图A1 8电池单元通信拓扑

Fig. A1 Communication topology of 8 battery units

图A2 BESS的待平抑功率

Fig. A2 Power to be stabilized in BESS

图A3 不同策略对功率波动的平抑效果

Fig. A3 Smoothing effect of different strategies on fluctuating power

[1] 谢桦, 滕晓斐, 张艳杰, 等. 风/光/储微网规划经济性影响因素分析[J]. 电力系统自动化, 2019, 43(6): 70-76.

XIE Hua, TENG Xiaofei, ZHANG Yanjie, et al. Analysis of economic influence factors in wind-photovoltaic- storage microgrid[J]. Automation of Electric Power Systems, 2019, 43(6): 70-76.

[2] 李咸善, 陈奥博, 程杉, 等. 基于生态博弈的含云储能微电网多智能体协调优化调度[J]. 中国电力, 2021, 54(7): 166-177.

LI Xianshan, CHEN Aobo, CHENG Shan, et al. Multi- agent coordination and optimal dispatch of microgrid with CES based on ecological game[J]. Electric Power, 2021, 54(7): 166-177.

[3] 李毓, 张增强, 罗锐, 等. 结合微电网运行方式的综合能源系统规划方法[J]. 智慧电力, 2020, 48(6): 40-46.

LI Yu, ZHANG Zengqiang, LUO Rui, et al. Integrated energy system planning method combined with microgrid operation mode[J]. Smart Power, 2020, 48(6): 40-46.

[4] 汪惟源, 窦飞, 程锦闽, 等. 一种风光联合出力概率模型建模方法[J]. 电力系统保护与控制, 2020, 48(10): 22-29.

WANG Weiyuan, DOU Fei, CHENG Jinmin, et al. A modeling method for a wind and photovoltaic joint power probability model[J]. Power System Protection and Control, 2020, 48(10): 22-29.

[5] 王念, 张靖, 李博文, 等. 基于加权果蝇优化算法的多区域频率协同控制[J]. 电力系统保护与控制, 2020, 48(11): 102-109.

WANG Nian, ZHANG Jing, LI Bowen, et al. Load frequency control of a multi-area power system based on weighting fruit fly optimization algorithm[J]. Power System Protection and Control, 2020, 48(11): 102-109.

[6] 李建林, 袁晓冬, 郁正纲, 等. 利用储能系统提升电网电能质量研究综述[J]. 电力系统自动化, 2019, 43(8): 2213-2220.

LI Jianlin, YUAN Xiaodong, YU Zhenggang, et al. Comments on power quality enhancement research for power grid by energy storage system[J]. Automation of Electric Power Systems, 2019, 43(8): 2213-2220.

[7] 黄新波, 邬红霞, 李民, 等. 影响户外光伏电源供电性能的关键因素研究[J]. 高压电器, 2021, 57(5): 36-42.

HUANG Xinbo, WU Hongxia, LI Min, et al. Study on key factors affecting power supply performance of outdoor photovoltaic power[J]. High Voltage Apparatus, 2021, 57(5): 36-42.

[8] 孙伟卿, 罗静, 张婕. 高比例风电接入的电力系统储能容量配置及影响因素分析[J]. 电力系统保护与控制, 2021, 49(15): 9-18.

SUN Weiqing, LUO Jing, ZHANG Jie. Energy storage capacity allocation and influence factor analysis of a power system with a high proportion of wind power[J]. Power System Protection and Control, 2021, 49(15): 9-18.

[9] 于琳琳, 常青青, 孟高军, 等. 基于区域偏差控制和荷电状态分区的电池储能参与二次调频控制策略[J]. 热力发电, 2021, 50(8): 157-163.

YU Linlin, CHANG Qingqing, MENG Gaojun, et al. Control strategy of battery energy storage participating in secondary frequency regulation based on regional deviation control and state of charge partition[J]. Thermal Power Generation, 2021, 50(8): 157-163.

[10] 李建林, 屈树慷, 黄孟阳, 等. 锂离子电池建模现状研究综述[J]. 热力发电, 2021, 50(7): 1-7.

LI Jianlin, QU Shukang, HUANG Mengyang, et al. A review of current research on lithium-ion battery modeling[J]. Thermal Power Generation, 2021, 50(7): 1-7.

[11] 高明杰, 惠东, 高宗和, 等. 国家风光储输示范工程介绍及其典型运行模式分析[J]. 电力系统自动化, 2013, 37(1): 59-64.

GAO Mingjie, HUI Dong, GAO Zonghe, et al. Presentation of national wind/photovoltaic/energy storage and transmission demonstration project and analysis of typical operation modes[J]. Automation of Electric Power Systems, 2013, 7(1): 59-64.

[12] 王源, 南海鹏, 关欣. 风水储微电网优化调度策略研究[J]. 高压电器, 2020, 56(5): 216-222.

WANG Yuan, NAN Haipeng, GUAN Xin. Optimal scheduling strategy of wind-hydro-storage micro-grid[J]. High Voltage Apparatus, 2020, 56(5): 216-222.

[13] 付建哲, 郭昆丽, 闫东. 一种基于简化ADRC的混合储能系统改进低通滤波策略[J]. 西安工程大学报, 2020, 34(6): 80-85.

FU Jianzhe, GUO Kunli, YAN Dong. An improved low pass filter strategy for hybrid energy storage system of based on simplified ADRC[J]. Journal of Xi'an Polytechnic University, 2020, 34(6): 80-85.

[14] 李大祥, 张新松. 用户侧电池储能系统运行策略优化与效益分析[J]. 智慧电力, 2021, 49(12): 31-36.

LI Daxiang, ZHANG Xinsong. Operation strategy optimization and benefits analysis of user side battery energy storage systems[J]. Smart Power, 2021, 49(12): 31-36.

[15] 严干贵, 蔡长兴, 段双明, 等. 考虑电池储能单元分组优化的微电网运行控制策略[J]. 电力系统自动化, 2020, 44(23): 38-46.

YAN Gangui, CAI Changxing, DUAN Shuangming, et al. Microgrid operation control strategy considering grouping optimization of battery energy storage units[J]. Automation of Electric Power Systems, 2020, 44(23): 38-46.

[16] 刘春阳, 王秀丽, 吴雄. 考虑蓄电池分组优化的风储系统多层次调度策略[J]. 电网技术, 2016, 40(10): 3029-3037.

LIU Chunyang, WANG Xiuli, WU Xiong. A multi-layer dispatch strategy of combined wind-storage systems considering optimization of battery units[J]. Power System Technology, 2016, 40(10): 3029-3037.

[17] 苏浩, 张建成, 王宁, 等. 基于分层优化的大容量混合储能系统能量管理策略[J]. 高电压术, 2018, 44(4): 1177-1186.

SU Hao, ZHANG Jiancheng, WANG Ning, et al. Energy management strategy of large-scale hybrid energy storage system based on layered optimization[J]. High Voltage Engineering, 2018, 44(4): 1177-1186.

[18] 李相俊, 马锐. 考虑电池组健康状态的储能系统能量管理方法[J]. 电网技术, 2020, 44(11): 4210-4217.

LI Xiangjun, MA Rui. Energy management method of energy storage system considering the SOH of battery pack[J]. Power System Technology, 2020, 44(11): 4210-4217.

[18] 严干贵, 蔡长兴, 段双明, 等. 考虑电池储能单元分组优化的微电网运行控制策略[J]. 电力系统自动化, 2020, 44(23): 38-46.

YAN Gangui, CAI Changxing, DUAN Shuangming, et al. Microgrid operation control strategy considering grouping optimization of battery energy storage units[J]. Automation of Electric Power Systems, 2020, 44(23): 38-46.

[19] 米阳, 王鹏, 邓锦, 等. 孤岛交直流混合微电网群分层协调控制[J]. 电力系统保护与控制, 2021, 49(20): 1-8.

MI Yang, WANG Peng, DENG Jin, et al. Hierarchical coordinated control of island AC/DC hybrid microgrids[J]. Power System Protection and Control, 2021, 49(20): 1-8.

[20] LI C D, COELHO E A, DRAGICEVI T, et al. Multiagent- based distributed state of charge balancing control for distributed energy storage units in AC microgrids[J]. IEEE Transactions on Industry Applications, 2017, 53(3): 2369-2381.

[21] 杨珺, 侯俊浩, 刘亚威, 等. 分布式协同控制方法及在电力系统中的应用综述[J]. 电工技术学报, 2021, 36(19): 4035-4049.

YANG Jun, HOU Junhao, LIU Yawei, et al. Distributed cooperative control method and application in power system[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4035-4049.

[22] CAO Q, SONG Y D, GUERRERO J M, et al. Coordinated control for flywheel energy storage matrix systems for wind farm based on charging/discharging ratio consensus algorithms[J]. IEEE Transactions on Smart Grid, 2016, 7(3): 1259-1267.

[23] ZHAO T, DING Z. Cooperative optimal control of battery energy storage system under wind uncertainties in a microgrid[J]. IEEE Transactions on Power Systems, 2018, 33(2): 2292-2300.

[24] 陈刚, 包宇庆, 张金龙, 等. 计及寿命损耗成本的储能单元分布式协同控制策略[J]. 电网技术, 2018, 42(5): 1495-1501.

CHEN Gang, BAO Yuqing, ZHANG Jinlong, et al. Distributed cooperative control strategy for energy storage units considering life loss cost[J]. Power System Technology, 2018, 42(5): 1495-1501.

[25] 吕朋蓬, 赵晋泉, 李端超, 等. 基于信息物理系统的孤岛微网实时调度的一致性协同算法[J]. 中国电机工程学报, 2016, 36(6): 1471-1480.

LÜ Pengpeng, ZHAO Jinquan, LI Duanchao, et al. A consensus-based collaborative algorithm for real time dispatch of Island microgrid in cyber physical system[J]. Proceedings of the CSEE, 2016, 36(6): 1471-1480.

[26] 郭伟, 赵洪山. 基于DMPC加权一致性算法的电池储能阵列分组控制策略[J]. 电力自动化设备, 2020, 40(1): 133-140.

GUO Wei, ZHAO Hongshan. Grouping control strategy of battery energy storage array based on DMPC weighted consensus algorithm[J]. Electric Power Automation Equipment, 2020, 40(1): 133-140.

[27] 张新松, 顾菊平, 袁越, 等. 基于电池储能系统的风功率波动平抑策略[J]. 中国电机工程学报, 2014, 34(28): 4752-4760.

ZHANG Xinsong, GU Juping, YUAN Yue, et al. Strategy of smoothing wind power fluctuation based on battery energy storage system[J]. Proceedings of the CSEE, 2014, 34(28): 4752-4760.

[28] NGUYEN C L, LEE H H. A novel dual-battery energy storage system for wind power applications[J]. IEEE Transactions on Industrial Electronics, 2016, 63(10): 6136-6147.

[29] 张莹, 孟润泉, 王子昂, 等. 一种基于一致性算法的改进下垂控制策略[J]. 电力系统保护与控制, 2021, 49(14): 104-111.

ZHANG Ying, MENG Runquan, WANG Ziang, et al. An improved droop control strategy based on a consensus algorithm[J]. Power System Protection and Control, 2021, 49(14): 104-111.

[30] MERRIS R. Laplacian matrices of graphs: a survey[J]. Linear Algebra Application, 1994, 197-198: 143-176.

[31] ZHAO H S, GUO W. Hierarchical distributed coordinated control strategy for hybrid energy storage array system[J]. IEEE Access, 2019, 7: 2364-2375.

[32] SUN C, SONG C J, WHITE J K. Consensus control of multi-agent system with constraint-the scalar case[C] // 2013 IEEE 52nd Annual Conference on Decision and Control (CDC), December 10-13, 2013, Florence, Italy: 7345-7350.

[33] 郭伟. 混合储能阵列系统协调控制策略研究[D]. 北京:华北电力大学, 2020.

GUO Wei. Research on coordinated control strategy of hybrid energy storage array system[D]. Beijing: North China Electric Power University, 2020.

[34] ZHANG H T, CHEN Z M, et al. Fast consensus via predictive pinning control[J]. IEEE Transactions on Circuits and Systems I: Regular Papers, 2011, 58(9): 2247-2258.

[35] ZHAN J, LI X. Consensus of sampled-data multi-agent networking systems via model predictive control[J]. Automatica, 2013, 49(8): 2502-2507.

[36] 席裕庚, 黄维, 李晓丽. 具有状态预测器的多智能体系统一致性研究[J]. 控制与决策, 2010, 25(5): 769-772.

XI Yugeng, HUANG Wei, LI Xiaoli. Consensus of multi-agent system with state predictor[J]. Control and Decision, 2010, 25(5): 769-772.

Grouping consistency control strategy based on DMPC and energy storage unit constraints

LONG Benjin1, ZHANG Jing1, HE Yu1, QIN Tingxiang2, YANG Xueliang2, LONG Daoyin2

(1. School of Electrical Engineering, Guizhou University, Guiyang 550025, China;2.Power China Guizhou Engineering Co., Ltd., Guiyang 550001, China)

A distributed grouped consistency control strategy is proposed to solve the distributed coordinated control problem among multiple battery storage units. First, a weighted consistency algorithm based on distributed model predictive control and state constraints is proposed, one which can consider the power constraints of each energy storage unit and quickly complete the power allocation of multiple energy storage units. Second, a grouping control strategy of the units is proposed. The weight of an energy storage unit is set from SOC information to improve its SOC consistency. Using the proposed consistency algorithm, inter-group coordination control and efficiency improvement strategies for the storage units are developed to improve the regulation ability of the storage system, extend its life and improve the energy conversion efficiency. Finally, the proposed algorithm and control strategy are simulated and analyzed by building a microgrid system with eight battery storage units in Matlab. The simulation results show that the proposed algorithm and control strategy have certain advantages in improving convergence speed, optimizing control effect, prolonging energy storage life and improving the operational efficiency of the energy storage system.

microgrid; grouping of battery unit; distributed model predictive control; weighted consensus algorithm

10.19783/j.cnki.pspc.220296

国家自然科学基金项目资助(51867005)；贵州省科技计划项目资助([2022]013，[2022]014)

This work is supported by the National Natural Science Foundation of China (No. 51867005).

2022-03-08；

2022-05-21

龙本锦(1994—)，男，硕士研究生,主要研究方向为储能技术在电力系统中的应用；E-mail: 2756713617@qq.com

张 靖(1979—)，男，通信作者，教授，博士生导师，主要研究方向为电力系统稳定、运行与控制；E-mail: zhangjing@gzu.edu.cn

何 宇(1978—)，女，博士，副教授，主要研究方向为电力系统运行与保护。E-mail: yhe7@gzu.edu.cn

(编辑 姜新丽)