[发明专利]基于云边协同的储能电池一致性充放电控制方法及系统

说明书

本发明涉及充放电控制技术领域，提供了基于云边协同的储能电池一致性充放电控制方法及系统，包括：获取若干个边缘端上传的分布式储能系统数据；基于分布式储能系统数据，通过多智能体强化学习算法对多智能体一致性控制模型进行训练，并将训练好的多智能体一致性控制模型传输到边缘端，以使边缘端生成一致性控制策略；其中，所述多智能体一致性控制模型在训练过程中，以储能单元的剩余容量为决策变量，通过最小化每个储能单元剩余容量和分布式储能系统平均剩余容量之差、以及最小化分布式储能系统最大剩余容量与最小剩余容量之差，控制各边缘端探索一致性控制策略。用于分布式储能系统充放电过程中，实现动态一致性控制。

技术领域

本发明属于充放电控制技术领域，尤其涉及基于云边协同的储能电池一致性充放电控制方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在现代电力系统中，由于人们用电需求越来越大，电网的高峰负荷也越来越大，传统电力系统往往应对。而且这也导致了很多供电设备在非用电高峰期闲置，大大较少了电力系统的设备利用率，使电力公司花费巨大成本。分布式储能系统可以对电力系统中电力进行调度和规划，将发电与用电在时间和空间上分割开，实现非用电高峰期发电，用电高峰期供电的供电策略。分布式储能系统可以有效缓解用电高峰期的供电需求，提高电力系统设备利用效率，降低供电成本。

由于分布式储能系统中的储能单元存在差异，储能单元之间存在差异，这会导致储能单元的充放电状态不一致，降低储能系统效率，长此以往，会影响分布式储能系统的容量和寿命，还有出现安全问题的风险。因此，分布式储能系统的一致性控制必要的。

传统的一致性控制方法依赖先验数学模型，面对结构复杂、储能单元众多的分布式储能系统难以构建策略模型，同时控制结构复杂，效率低，难以实际应用于分布式储能系统中。同时，传统方法在分布式储能系统进行一致性控制时需要停止工作，这降低了系统工作效率，妨碍工作正常进行。

同时随着通信技术不断发展，云端计算、云学习、人工智能等技术逐渐成熟，越来越多电池系统接入云端。如何通过云计算，云边端协调进行分布式储能系统控制，实现对充能系统的快速精确控制，对分布式储能系统的广泛应用有深远作用。

因为传统云计算主要以中心云为核心，在面对越来越复杂的储能系统和越来越多的数据时难以做到快速响应，会导致效率低，执行时延过长，无法满足分布式储能系统需求。另外，将中心云作为储能系统的全部数据储存场所，当出现数据安全问题时，所有数据都将面临风险。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供基于云边协同的储能电池一致性充放电控制方法及系统，以分布式储能系统中储能单元的剩余容量为决策变量，针对分布式储能系统这一环境，构建目标优化函数和约束条件，训练多智能体一致性控制模型，进而得出分布式储能系统的一致性控制策略，使控制策略可用于分布式储能系统充放电过程中，实现动态一致性控制。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供基于云边协同的储能电池一致性充放电控制方法，其包括：

获取若干个边缘端上传的分布式储能系统数据；

基于分布式储能系统数据，通过多智能体强化学习算法对多智能体一致性控制模型进行训练，并将训练好的多智能体一致性控制模型传输到边缘端，以使边缘端生成一致性控制策略；

其中，所述多智能体一致性控制模型在训练过程中，以储能单元的剩余容量为决策变量，通过最小化每个储能单元剩余容量和分布式储能系统平均剩余容量之差、以及最小化分布式储能系统最大剩余容量与最小剩余容量之差，控制各边缘端探索一致性控制策略。

进一步地，所述多智能体一致性控制模型在训练过程中的约束限制条件包括：所有储能单元的放电电流之和等于分布式储能系统的设定放电总电流。