基于模型预测控制的电网侧储能电站多应用场景日前-日内运行方法研究
这是一篇关于储能电站,多应用场景,经济调度,模型预测控制,分布式优化的论文, 主要内容为为应对全球气候变化,实现国家制定的碳达峰、碳中和战略目标,大力发展清洁电力能源、大幅提升电力系统中可再生能源的占比,是电力系统低碳转型的必然发展趋势。但是,由于可再生能源发电具有随机性、间歇性和波动性的特点,高占比的可再生能源会对电力系统的稳定运行带来冲击。因此,储能电站(Energy storage station,ESS)作为一种能量存储装置,被广泛用于缓解可再生能源波动导致的问题。然而,随着电网侧储能电站容量的增大,在单一应用场景下,储能电站存在容量剩余的时间段,导致其利用率和收益不高,难以回收建设成本。同时,随着电网侧储能电站数量的增多,电网控制系统的计算复杂度增加,对控制器容错性和鲁棒性都提出了更高要求。为了提高电网侧储能电站的收益和电网运行的稳定性,本文研究了电网侧储能电站参与多应用场景的日前-日内运行方法,并基于所提出的方法,进一步设计了一种分布式模型预测控制器,实现了电网侧储能电站的分布式控制。首先,为准确且快速的计算储能电站的运行老化成本,引入一种储能寿命衰减线性化模型,并基于寿命衰减模型,提出一种储能系统参与削峰和能量市场的单时间尺度运行方法。然后,基于前述的储能寿命衰减模型,并基于模型预测控制(Model Predictive Control,MPC)算法,提出一种电网侧储能电站参与经济调度场景和电力市场场景的日前-日内运行方法,提高储能电站的收益且降低电网的运行成本。最后,设计一种基于交替方向乘子法的分布式模型预测控制算法,应用于电网的日内滚动优化,在保证计算准确性的同时增强了系统的容错性。本文的主要研究内容包括:(1)考虑寿命衰减的储能系统多应用场景单时间尺度运行方法。为准确且快速地计算储能运行时的老化成本,引入一种线性化的储能寿命衰减模型,并基于此模型,提出储能同时参与削峰场景和调频市场场景的运行方法。首先,基于阿伦尼乌斯公式建立了储能的寿命衰减模型,采用分段线性的方法处理原函数,得到线性的寿命衰减模型。然后,为提高储能系统收益,基于前述的储能线性寿命衰减模型,依据美国电力市场规则提出了一种储能系统参与削峰场景和调频市场场景的运行方法。最后,设计仿真算例,结果表明,相比于储能仅参与削峰或者仅参与调频市场,联合运行的收益是单独参与调频收益的1.5倍、是单独参与削峰收益的66倍,多应用场景联合运行下的储能收益大于单应用场景收入的和,验证了储能系统参与多应用场景下具有超线性收益的特性。(2)计及寿命衰减的电网侧储能电站多应用场景日前-日内运行方法。为提高电网侧储能电站的收益、降低电网运行成本,并平抑日内净负荷波动,本文提出一种储能电站参与经济调度应用场景和电力市场应用场景的日前-日内运行方法。首先,电网侧储能电站参与电网的经济调度,储能电站作为电网的子单元参与日前调度,并根据分时电价和负荷峰谷做充放电计划,实现储能电站“套利”的功能,最小化电网的调度成本。其次,储能的剩余容量参与电力市场应用场景,参考美国电力市场规则,将每个时刻储能的剩余容量投标至能量市场、调频市场和备用市场中,最大化储能的收益。然后,基于模型预测控制算法,提出储能日内参与调频市场场景的滚动运行方法,并设计一种储能电站日内参与能量市场的策略。最后,设计算例,结果表明,电网侧储能在参与多应用场景下,日最大收益可达电网日运行成本的19.8%,此部分收益用于补贴电网运行,相比于传统的储能单一应用场景下的运行方法,本文所提方法具有更高的经济性;并且,本文提出的日内滚动优化方法可以有效的调用储能调频容量以平抑日内风光波动,并且储能电站的荷电状态可以最大化跟踪日前计划。(3)基于分布式模型预测控制的电网侧储能电站日前-日内分布式优化运行方法。为提高控制系统的容错率,本文基于的前述的储能电站多应用场景运行方法,提出一种分布式模型预测控制策略,并用于日内滚动优化中。首先,引入一种分布式优化算法,并提出一种电网双层控制结构,上层为控制单元和通讯网络,下层为可控发电单元。然后,在双层控制结构下,基于交替方向乘子法,依据前述的模型预测控制框架,设计一种分布式模型预测控制方法,并用于日内滚动优化中。最后,设计算例,实验表明,分布式运行方法在精度和速度上都满足需求,且集中式模型预测控制方法在控制器故障时,系统无法正常运行,而本文提出的分布式模型预测控制方法在部分控制器故障时,系统依然能正常工作,验证本文提出的分布式方法具有更高的容错性。
基于模型预测轮廓控制的多机器人路径规划设计与实现
这是一篇关于多机器人系统,模型预测轮廓控制,局部路径规划,避免碰撞,分布式优化的论文, 主要内容为近年来,自主移动机器人在制造业、电商行业以及国防科技中扮演着重要角色,多自主移动机器人系统可以相互协作高效地完成任务以提高作业效率,多机器人路径规划成为机器人领域的热门研究问题。然而,目前多机器人路径规划算法存在实时性较差、机器人之间的协调性不强等问题。在此背景下,本文对多自主移动机器人系统的局部路径规划问题进行研究。首先,采用栅格图对机器人的工作空间进行地图构建,建立基于分布式的模型预测轮廓控制(Model Predictive Contouring Control,MPCC)模型,通过约束优化方法将机器人的路径规划和跟踪控制结合,无需设计额外的跟踪控制器,可以快速地部署在实际的机器人上。此外,充分考虑机器人的运动学约束,将机器人对于静态环境和动态障碍物的避碰要求转换为约束条件进行显式处理,通过在有限的时域内最小化代价函数,平衡最小化轮廓误差和机器人完成任务的时间这两个相互对立的控制目标。机器人之间以并行的方式进行信息交换,保证每个机器人可以独立求解各自的优化问题,提升了整个系统的可扩展性。然后,利用开源的机器人操作系统(Robot Operating System,ROS)为平台,进行仿真环境的搭建和算法的代码实现,借助ACADO工具包进行优化问题的快速求解,为多机器人协调避碰提供实时性保障。采用经典的动态窗口法、基于优先级的模型预测轮廓控制方法和本文设计的分布式模型预测轮廓控制方法,分别在多组不同的工作环境中,使用不同数量的机器人进行仿真测试,并对机器人完成任务的时间、行驶的路程和机器人的轨迹进行对比分析。仿真结果表明,本文设计的路径规划方法完成任务的时间和行驶的路程在三种方法中均是最短的,验证了该路径规划算法的有效性和优越性。最后,将以上研究作为理论依据,使用实验室的Rikirobot机器人,搭建了与仿真环境等比例同规模的实物验证场景。实验结果表明,机器人之间可以有效实现协同避碰完成指定的任务,验证了本文多机器人路径规划方法的可行性,对多机器人系统的实际生产应用有一定的理论指导和实际参考意义。
面向大规模机器学习的分布式梯度下降算法通信优化研究
这是一篇关于分布式系统,机器学习,分布式优化,通信高效的论文, 主要内容为近年来,新技术的迅速发展导致数据规模的空前增长。机器学习(Machine Learning)算法正越来越多地用于分析数据集和建立决策系统,以此去解决一些因其复杂性而导致算法解决方案不可行的问题。比如自动驾驶汽车,语音识别或预测消费者行为(推荐系统)等等。复杂的机器学习模型以及更大规模的数据集,使得其在单机下的模型训练时间增加,甚至于无法进行训练。使用分布式系统的强大算力便理所当然成为一种直接,简单的问题解决途径。如今,强大的计算机集群已经用于在大型数据集上训练复杂的深度神经网络(Deep Neural Network)。但在大规模集群环境下,常用的分布式同步随机梯度下降算法需要频繁的节点通信,以此来保证梯度(参数)的一致性。这也导致了通信带宽成为了制约分布式机器学习系统一个关键因素。本课题既是针对上述问题,探索在保证一定的模型精度条件下,如何实现通信高效的分布式机器学习,以此提高集群算力的使用率。具体而言,本课题针对目前在深度学习中常用的随机梯度下降(Stochastic Gradien Descent,SGD)优化算法,在充分调研目前已有的相关研究工作后,主要进行了如下三个工作:(1)在基于梯度量化和梯度稀疏化方法的特点,在梯度压缩方向进行了相关研究,提出了基于分布式随机梯度下降算法的混合梯度压缩策略。(2)分析了已有算法的复杂度以及模型训练时梯度的分布规律,提出了一种低算法复杂度、低通信复杂度的分布式优化算法。(3)针对本地随机梯度下降(Local SGD)算法,针对其算法存在的随着本地更新周期τ的增长,模型精度下降严重的问题,进行了相关的研究并引入了相关的更新机制,在一定程度上提高了算法的扩展性能。以上三个工作,均在搭建的GPU集群环境下进行了代码实现和实验验证。
基于模型预测控制的电网侧储能电站多应用场景日前-日内运行方法研究
这是一篇关于储能电站,多应用场景,经济调度,模型预测控制,分布式优化的论文, 主要内容为为应对全球气候变化,实现国家制定的碳达峰、碳中和战略目标,大力发展清洁电力能源、大幅提升电力系统中可再生能源的占比,是电力系统低碳转型的必然发展趋势。但是,由于可再生能源发电具有随机性、间歇性和波动性的特点,高占比的可再生能源会对电力系统的稳定运行带来冲击。因此,储能电站(Energy storage station,ESS)作为一种能量存储装置,被广泛用于缓解可再生能源波动导致的问题。然而,随着电网侧储能电站容量的增大,在单一应用场景下,储能电站存在容量剩余的时间段,导致其利用率和收益不高,难以回收建设成本。同时,随着电网侧储能电站数量的增多,电网控制系统的计算复杂度增加,对控制器容错性和鲁棒性都提出了更高要求。为了提高电网侧储能电站的收益和电网运行的稳定性,本文研究了电网侧储能电站参与多应用场景的日前-日内运行方法,并基于所提出的方法,进一步设计了一种分布式模型预测控制器,实现了电网侧储能电站的分布式控制。首先,为准确且快速的计算储能电站的运行老化成本,引入一种储能寿命衰减线性化模型,并基于寿命衰减模型,提出一种储能系统参与削峰和能量市场的单时间尺度运行方法。然后,基于前述的储能寿命衰减模型,并基于模型预测控制(Model Predictive Control,MPC)算法,提出一种电网侧储能电站参与经济调度场景和电力市场场景的日前-日内运行方法,提高储能电站的收益且降低电网的运行成本。最后,设计一种基于交替方向乘子法的分布式模型预测控制算法,应用于电网的日内滚动优化,在保证计算准确性的同时增强了系统的容错性。本文的主要研究内容包括:(1)考虑寿命衰减的储能系统多应用场景单时间尺度运行方法。为准确且快速地计算储能运行时的老化成本,引入一种线性化的储能寿命衰减模型,并基于此模型,提出储能同时参与削峰场景和调频市场场景的运行方法。首先,基于阿伦尼乌斯公式建立了储能的寿命衰减模型,采用分段线性的方法处理原函数,得到线性的寿命衰减模型。然后,为提高储能系统收益,基于前述的储能线性寿命衰减模型,依据美国电力市场规则提出了一种储能系统参与削峰场景和调频市场场景的运行方法。最后,设计仿真算例,结果表明,相比于储能仅参与削峰或者仅参与调频市场,联合运行的收益是单独参与调频收益的1.5倍、是单独参与削峰收益的66倍,多应用场景联合运行下的储能收益大于单应用场景收入的和,验证了储能系统参与多应用场景下具有超线性收益的特性。(2)计及寿命衰减的电网侧储能电站多应用场景日前-日内运行方法。为提高电网侧储能电站的收益、降低电网运行成本,并平抑日内净负荷波动,本文提出一种储能电站参与经济调度应用场景和电力市场应用场景的日前-日内运行方法。首先,电网侧储能电站参与电网的经济调度,储能电站作为电网的子单元参与日前调度,并根据分时电价和负荷峰谷做充放电计划,实现储能电站“套利”的功能,最小化电网的调度成本。其次,储能的剩余容量参与电力市场应用场景,参考美国电力市场规则,将每个时刻储能的剩余容量投标至能量市场、调频市场和备用市场中,最大化储能的收益。然后,基于模型预测控制算法,提出储能日内参与调频市场场景的滚动运行方法,并设计一种储能电站日内参与能量市场的策略。最后,设计算例,结果表明,电网侧储能在参与多应用场景下,日最大收益可达电网日运行成本的19.8%,此部分收益用于补贴电网运行,相比于传统的储能单一应用场景下的运行方法,本文所提方法具有更高的经济性;并且,本文提出的日内滚动优化方法可以有效的调用储能调频容量以平抑日内风光波动,并且储能电站的荷电状态可以最大化跟踪日前计划。(3)基于分布式模型预测控制的电网侧储能电站日前-日内分布式优化运行方法。为提高控制系统的容错率,本文基于的前述的储能电站多应用场景运行方法,提出一种分布式模型预测控制策略,并用于日内滚动优化中。首先,引入一种分布式优化算法,并提出一种电网双层控制结构,上层为控制单元和通讯网络,下层为可控发电单元。然后,在双层控制结构下,基于交替方向乘子法,依据前述的模型预测控制框架,设计一种分布式模型预测控制方法,并用于日内滚动优化中。最后,设计算例,实验表明,分布式运行方法在精度和速度上都满足需求,且集中式模型预测控制方法在控制器故障时,系统无法正常运行,而本文提出的分布式模型预测控制方法在部分控制器故障时,系统依然能正常工作,验证本文提出的分布式方法具有更高的容错性。
基于Bandit反馈的分布式在线算法研究
这是一篇关于多智能网络,分布式优化,在线优化,镜面下降算法,对偶平均算法,Bregman散度,Bandit反馈,光滑化函数的论文, 主要内容为近年来,随着数据规模的增大及其高速流式产生方式的普及,分布式优化算法在理论和应用上都取得了很大的发展。许多基于此框架的算法被设计出来并在实践中成功应用。随着数据规模的爆炸式增长,集中式优化算法因受限于单机的计算瓶颈而难以求解大规模优化问题。而多机协作的分布式机制可以大大降低单机的计算负担。同时,在分布式网络中,节点之间通过相互协调合作,可以有效地解决智能电网、传感器网络等大规模问题,并能提高数据传递效率,增强网络鲁棒性。但在实际应用中,分布式网络一般都在动态环境下运行,传统的批量学习算法在处理大量数据上十分耗时,而在线学习具有实时更新模型的特点,能够根据数据的变化动态地调整模型,进而可更高效地完成对大量实时数据的处理,且其在机器学习、在线推荐系统和资源分配等方面都有着重要的应用价值。然而在实际情况中,梯度信息无法直接获取或者难以获取的这类优化问题在分布式在线优化中占有非常重要的地位,因此研究此类问题具有至关重要的意义。本文主要考虑一类分布式在线优化问题的相关算法及其收敛性结果,本文其余部分安排如下:第1章,介绍了本文所需要的相关背景知识,并简单概述了本文的主要研究内容及创新之处。第2章,考虑在无向图下,对于一类梯度难以获取或无法获取的分布式在线优化问题,即Bandit问题。利用Bandit反馈技术,设计出该问题的Bandit分布式在线算法,并给出相关收敛性分析,同时通过数值模拟实验证明该算法是有效的。第3章,考虑在有向图下,对于现有分布式在线算法不允许应用于一些基于传播的网络的Bandit问题。利用Bandit反馈技术和行随机性质,设计出该问题的算法,并给出相关收敛性分析。最后给出了数值算例证明该算法的有效性。第4章,考虑在时变有向图下,对于现有分布式在线算法在动态的通信图的场景无法处理的Bandit问题。利用Bandit反馈技术和时变行随机性质,设计出该问题的算法,并给出相关收敛性分析。最后通过数值实例证明该算法是有效的。第5章,对本文的研究进行总结并对后续的研究工作做出了展望。
网联车辆分布式协同制动控制
这是一篇关于智能网联汽车,车辆队列,协同制动控制,分布式优化的论文, 主要内容为近年来,“智能化”与“网联化”技术迅猛发展,为传统汽车的升级优化提供了新的发展方向,智能网联汽车应运而生。在此基础上,各车可通过车辆队列协同制动控制提升行驶安全性,尤其在紧急制动工况下,车辆队列协同制动控制可调整各车驾驶行为,进而降低车辆队列的碰撞风险。然而,现有的车辆队列协同制动控制研究大多仅利用车载通信的超视距优势,没有实现决策与控制的协同。此外,少数现有研究虽然实现了决策与控制的协同,但均采用集中式决策,依赖中央管理单元处理全局信息,进行集中规划。针对上述问题,本文开展了以下研究。首先,设计了车辆队列分布式协同制动控制的架构。基于车载通信技术,在领航车紧急制动、跟随车协同制动的场景下,本研究设计了合理的上层控制策略,建立了异质的车辆纵向动力学模型;引入了相对动能概念,以队列总相对动能最小为优化目标,以多车制动减速度为控制输入,最终构建了车辆队列分布式协同制动控制模型。其次,提出了车辆队列分布式协同制动控制方法。基于模型预测控制方法,本研究将连续时间下的队列优化问题转化为离散时间下的模型预测控制问题,进而转化为队列的二次规划总问题。在此基础上,将队列的二次规划总问题进行拆分,得到了各车的二次规划子问题,实现了从求解全局信息到求解局部信息的转变。此外,引入了分布式优化技术,采用原始-对偶算法进行分布式决策,实现了车辆队列的分布式协同制动控制。最后开展了仿真测试验证,结果表明该方法可实现车辆队列的协同制动控制,解决了集中式决策引起的多种问题。最后,基于MATLAB平台,对车辆队列分布式协同制动控制方法进行了仿真对比与性能分析。在不同路面类型、不同通信拓扑、不同初始状态、存在通信失效与扰动的场景下进行了仿真,通过个例分析与统计分析探究了此方法在上述工况下的避撞表现。此外,引入了驾驶员反应模型制动控制方法、最大减速度制动控制方法、基于总相对动能与基于总相对动能密度的集中式协同制动控制方法作为对比方法,并对上述四种协同制动控制方法进行了个例仿真与多次循环仿真,探究其与本文分布式协同制动控制方法的避撞性能差异。仿真结果表明,本研究所提出的车辆队列分布式协同制动控制方法可提升队列的行驶安全性,降低碰撞风险,具备深入研究与推广应用的价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设海岸 ，原文地址：https://bishedaima.com/lunwen/55289.html
