光储充智能微电网实时充电调度方法与流程

1.本发明属于微电网运行优化领域，具体涉及一种考虑电池损耗的光储充智能微电网实时充电调度方法。


背景技术：

2.在光储充微电网中，光伏单元是不可或缺的主要供电电源；储能系统作为备用电源，在光伏输出功率较强时将电能储存起来，待光伏发电量不足时，由储能放电给电动汽车等负荷供电，可以有效缓解光伏发电随机性和波动性对整个系统运行造成的影响。因此，光储充微电网的核心是通过综合使用光伏系统和储能系统对充电负荷(如电动汽车负荷)充电，一方面有效避免充电负荷(电动汽车负荷)直接接入大电网充电对电力系统造成强烈冲击，另一方面与大电网智能互动增加新能源消纳、利用储能系统削峰填谷节省配电增容费用，从而实现以光伏、储能、智能充电相互协调支撑的绿色运行模式。
3.然而，要想综合、充分利用光储充智能微电网的各组成部分，并通过降低系统运行成本和提供辅助服务等方式获得最大效益，将微电网内的能源利用效率最大化，需要一套完备、精准的基于负荷需求和光伏功率预测的微电网充电方法。


技术实现要素：

4.本发明的目的是提供一种通过提升功率预测精度，以精确评估和优化充电负荷及储能的运营成本，进而有效降低微电网的综合运行成本的考虑电池损耗的光储充智能微电网实时充电调度方法。
5.为达到上述目的，本发明采用的技术方案是：
6.一种光储充智能微电网实时充电调度方法，包括以下步骤：
7.s1：获取光储充智能微电网的各种历史数据，包括拓扑、运营费用数据、电能状态数据、负荷状态数据和气象数据；
8.s2：基于历史数据建立光储充智能微电网对应的光伏功率预测模型和负荷需求预测模型；
9.s3：基于历史数据建立光储充智能微电网对应的考虑电池损耗和一次调频备用服务的充电调度优化模型；
10.s4：基于光伏功率预测模型、负荷需求预测模型和充电调度优化模型，建立采用移动时间窗口的充电调度实时控制框架；
11.s5：循环运行充电调度实时控制框架，滚动生成光储充智能微电网的实时充电调度方案。
12.s1中，运营费用数据包括光储充智能微电网的购电电价、售电电价、向上调频辅助服务价格和向下调频辅助服务价格；
13.电能状态数据包括光储充智能微所接入的充电负荷的电量、光储充智能微电网中的电池储能的电量、光储充智能微电网的光伏实际功率、光储充智能微电网的负荷需求；
14.负荷状态数据包括光储充智能微电网所接入的充电负荷离开光储充智能微电网的时刻和离开时的荷电状态；
15.气象数据包括光照辐射数据。
16.s2包括以下步骤：
17.s2.1：获取光储充智能微电网的光伏实际功率的历史数据和光照辐射数据；
18.s2.2：建立计算光伏输出功率的计算模型作为光伏功率预测模型；
19.s2.3：获取光储充智能微电网的负荷需求的历史数据，建立用于对总负荷需求进行预测的负荷需求预测模型。
20.s2.2中，计算光伏输出功率的计算模型为：
[0021][0022][0023][0024][0025][0026]
其中，为光储充智能微电网中光伏处的垂直辐照度，
sdn
i为光储充智能微电网所在区域的垂直辐照度；θm为光储充智能微电网中光伏的倾斜角；am为光伏的方位角，as为太阳的方位角；as为太阳直射的纬度；为光储充智能微电网中光伏处的水平辐照度，s
dhi
为光储充智能微电网所在区域的水平辐照度；sm为光储充智能微电网中光伏电池板上的太阳辐照度；t
cell
为光储充智能微电网中光伏的实际温度，ta为光储充智能微电网中光伏的环境温度，t
noct
为光储充智能微电网中光伏的额定工作温度；pm为光储充智能微电网中光伏的输出功率，pr为光储充智能微电网中光伏的额定功率。
[0027]
s3中，充电调度优化模型为：
[0028]
min(c
total
)＝min(c
bes
+c
ev
+c
pv
+c
grid-c
reg
)
[0029]
其中，c
total
为能源总成本；c
bes
为光储充智能微电网中的电池储能成本；c
ev
为光储充智能微电网所接入的充电负荷成本；c
pv
为光储充智能微电网的光伏能源成本；c
grid
为电网能量成本；c
reg
为调频辅助服务收益。
[0030]
光储充智能微电网中的电池储能成本的计算公式为：
[0031][0032][0033]
其中，和分别为电池储能系统的损耗电量和初始电量，单位kwh；v
bes
、和分别为电池储能系统任意时刻、最初使用时刻、二次利用初始时刻和使用寿命最终时刻的每千瓦时剩余值；
[0034]
光储充智能微电网所接入的充电负荷成本的计算公式为：
[0035][0036][0037]
其中，和分别为充电负载的电池的损耗电量和初始电量，单位kwh；v
ev
、和分别为充电负载的电池任意时刻、最初使用时刻、二次利用初始时刻和使用寿命最终时刻的每千瓦时剩余值；
[0038]
光储充智能微电网的光伏能源成本的计算公式为：
[0039][0040]
其中，p
pv
是任意时刻t的光伏输出功率；δt是仿真时间步长；λ
pv
是光伏能源的平均发电成本；t是优化仿真的时间窗口长度；
[0041]
电网能量成本的计算公式为：
[0042][0043]
其中，和分别为光储充智能微电网从电网中获取和向电网输送的功率；
[0044]
调频辅助服务收益的计算公式为：
[0045][0046]
其中，∈
fc
是最大预测误差；η
inv
和η
ch
分别为光储充智能微电网中逆变器和电池储能系统/充电负载的充电器的效率；和分别为实际的向上和向下调频容量；c
comp
是补偿系数，取决于调频辅助服务市场的竞价过程。
[0047]
充电调度优化模型满足以下约束条件：
[0048]
①
锂离子电池损耗模型约束：
[0049][0050][0051][0052][0053]
[0054]
其中，v
oc，x
表示电池总开路电压；表示串联的电池单体数；soc
x
(t)表示电池单体x在时刻t的电荷状态；a1、a2、a3、b1和b2均为电池开路电压曲线拟合系数；表示电池的电流速率；p
x
(t)是时刻t电池的功率；表示并联的电池单体数；表示并联的电池单体数；分别表示时刻t的循环老化损耗、日常老化损耗和总老化损耗；ci(i＝1，2，3)均为老化曲线拟合参数；
[0055]
②
电池储能系统约束：
[0056][0057][0058][0059][0060][0061][0062][0063][0064][0065][0066][0067]
其中，p
best
(t)表示电池储能系统功率；表示在低于电池荷电状态为10％的区域和高于荷电状态为80％的区域时最大功率；和分别表示电池储能系统的最大、最小、实际充电、实际放电和额定功率；e
bes
(t)为电池储能系统在时刻t储存的电量；η
ch
和η
dis
分别表示充电和放电效率；设定初始时刻t＝1时的电量为终止时刻t＝r
final
时的电量为电量为且为定值；soc
bes
(t)表示电池储能系统的荷电状态，表示时刻t电池储能系统的实际最大电量；设定初始时刻t＝1时的值等
于初始最大电量δe
bes
(t)为该时间步长内循环损失的电量；soc
bes
(t)表示电池储能系统的荷电状态，表示时刻t电池储能系统的实际最大电量；设定初始时刻t＝1时的值等于初始最大电量δe
bes
(t)为该时间步长内循环损失的电量；
[0068]
③
充电负载约束：
[0069][0070][0071][0072][0073][0074][0075][0076][0077][0078][0079][0080][0081]
其中，设定从充电负载离开电网时至到达电网时的这段时间内不可调度，此时充电负载状态变量ev
av
(t)＝0；其余时段，充电负载始终接入光储充智能微电网而可被调度，此时充电负载状态变量ev
av
(t)＝1；p
ev
(t)表示电池功率，表示在低于电池荷电状态为10％的区域和高于荷电状态为80％的区域内最大功率；态为10％的区域和高于荷电状态为80％的区域内最大功率；和分别表示电池的最大、最小、实际充电、实际放电和额定功率；e
ev
(t)为电池在时刻t储存的电量；η
ch
和η
dis
分别表示充电和放电效率；soc
ev
(t)表示电池的荷电状态，表示时刻t电池的实际最大电量；设定初始时刻t＝1时的值等于初始最大电量δe
ev
(t)为该时间步长内循环损失的电
量；设定初始时刻t＝1时的电量为定值量；设定初始时刻t＝1时的电量为定值为充电负载用户声明的充电负载离开微电网时电池的最小电量；
[0082]
④
功率平衡约束：
[0083][0084][0085]
其中，p
inv
(t)是逆变器功率；p
grid
(t)是电网功率；p
load
(t)是总负荷需求功率；η
inv
是逆变器效率；
[0086]
⑤
电网约束：
[0087][0088][0089][0090]
其中，是电网三相最大功率；η
inv
是电网线路传输效率；
[0091]
⑥
逆变器约束：
[0092][0093][0094][0095]
其中，和分别表示逆变器的最大、最小、馈入和释放功率；
[0096]
⑦
光伏约束：
[0097][0098]
其中，η
mppt
为采用最大功率点跟踪方法的效率；为预测的光伏功率；
[0099]
⑧
调频市场约束：
[0100][0101][0102][0103][0104][0105][0106][0107]
[0108][0109][0110][0111]
其中，用于表示时刻t充电负载/电池储能系统/光伏的可用上升/下降容量。
[0112]
s4包括以下步骤：
[0113]
s4.1：设置时间窗口长度t和用于预测及优化模型的时间步长δt1；
[0114]
s4.2：获取光照辐射数据，采用光伏功率和负荷需求预测模型计算时间窗口长度t内每一个时间步长δt1的光伏功率预测值和负荷需求预测值作为预测结果；
[0115]
s4.3：运行充电调度优化模型，求解时间窗口长度t内每一个时间步长δt1的优化结果；
[0116]
s4.4：对预测结果和优化结果进行插值处理；
[0117]
s4.5：获取时间窗口长度t内第k个(k＝1，2，3，
…
，t/δt2)实时控制时间步长δt2的光伏、电池储能和充电负载的功率、荷电状态的实际数据，计算实际数据与预测结果和优化结果的误差，将结果输入实时控制模块；
[0118]
s4.6：更新k＝k+1，返回执行s4.5；
[0119]
s4.7：循环执行s4.5～s4.6至k＝t/δt2，结束时间窗口长度t内充电调度实时控制，得到充电调度实时控制框架。
[0120]
s4.4中，设置实时控制时间步长δt2，将采样频率增加δt1/δt2倍，从而对预测结果和优化结果进行插值处理。δt1≥δt2。
[0121]
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明解决了现有充电方案中未考虑电池损耗、功率预测误差较大的问题，精确评估和优化了充电负荷及储能的运营成本，有效降低了微电网的综合运行成本。
[0122]
下面结合实施例对本发明作进一步描述。
[0123]
实施例一：一种光储充智能微电网实时充电调度方法，包括以下步骤：
[0124]
s1：获取光储充智能微电网的各种必要的历史数据，包括拓扑、运营费用数据、电能状态数据、负荷状态数据和气象数据。
[0125]
从光储充智能微电网运营商处获取的运营费用数据包括光储充智能微电网的购电电价λ
buy
、售电电价λ
sell
、向上调频辅助服务价格λ
up
和向下调频辅助服务价格λ
dwn
。
[0126]
从光储充智能微电网的端口处获取的电能状态数据包括光储充智能微所接入的充电负荷(如电动汽车负荷)的电量e
ev
、光储充智能微电网中的电池储能的电量e
bes
、光储充智能微电网的光伏实际功率光储充智能微电网的负荷需求p
load
。
[0127]
从充电负荷用户(如电动汽车用户)处获取的负荷状态数据包括光储充智能微电网所接入的充电负荷(如电动汽车负荷)离开光储充智能微电网的时刻t
depart
和离开时的荷电状态soc
depart
。
[0128]
从气象预报部门获取的气象数据包括光照辐射数据(光照强度数据)。
[0129]
s2：基于历史数据建立光储充智能微电网对应的光伏功率预测模型和负荷需求预
测模型。
[0130]
s2包括以下步骤：
[0131]
s2.1：获取光储充智能微电网的光伏实际功率的历史数据和光照辐射数据。
[0132]
s2.2：建立计算光伏输出功率的计算模型作为光伏功率预测模型。
[0133]
计算光伏输出功率的计算模型为：
[0134][0135][0136][0137][0138][0139]
式(1)中，为光储充智能微电网中光伏处的垂直辐照度，s
dni
为光储充智能微电网所在区域的垂直辐照度；θm为光储充智能微电网中光伏的倾斜角；am为光伏的方位角，as为太阳的方位角；as为太阳直射的纬度。
[0140]
式(2)中，为光储充智能微电网中光伏处的水平辐照度，s
dhi
为光储充智能微电网所在区域的水平辐照度。
[0141]
式(3)中，sm为光储充智能微电网中光伏电池板上的太阳辐照度。
[0142]
式(4)中，t
cell
为光储充智能微电网中光伏的实际温度，ta为光储充智能微电网中光伏的环境温度，t
noct
为光储充智能微电网中光伏的额定工作温度。
[0143]
式(5)中，pm为光储充智能微电网中光伏的输出功率，pr为光储充智能微电网中光伏的额定功率。
[0144]
s2.3：获取光储充智能微电网的负荷需求的历史数据，建立用于对总负荷需求进行预测的负荷需求预测模型。
[0145]
s3：基于历史数据建立光储充智能微电网对应的考虑电池损耗和一次调频备用服务的充电调度优化模型。
[0146]
充电调度优化模型的目标是基于负荷需求和光伏功率的预测结果，同时考虑电池退化和一次调频备用，找到未来一段时间内最优的充电方案。
[0147]
充电调度优化模型为：
[0148]
min(c
total
)＝min(c
bes
+c
ev
+c
pv
+c
grid-c
reg
)
ꢀꢀꢀꢀ
(6)
[0149]
式(6)中，c
total
为能源总成本；c
bes
为光储充智能微电网中的电池储能成本；c
ev
为光储充智能微电网所接入的充电负荷成本；c
pv
为光储充智能微电网的光伏能源成本；c
grid
为电网能量成本；c
reg
为调频辅助服务收益。
[0150]
光储充智能微电网中的电池储能成本的计算公式为：
[0151]
[0152][0153]
式(7)和式(8)中，和分别为电池储能系统的损耗电量和初始电量，单位kwh；v
bes
、和分别为电池储能系统任意时刻、最初使用时刻、二次利用初始时刻和使用寿命最终时刻的每千瓦时剩余值。
[0154]
光储充智能微电网所接入的充电负荷成本的计算公式为：
[0155][0156][0157]
式(9)和式(10)中，和分别为充电负载的电池的损耗电量和初始电量，单位kwh；v
ev
、和分别为充电负载的电池任意时刻、最初使用时刻、二次利用初始时刻和使用寿命最终时刻的每千瓦时剩余值。
[0158]
光储充智能微电网的光伏能源成本的计算公式为：
[0159][0160]
式(11)中，p
pv
是任意时刻t的光伏输出功率；δt是仿真时间步长；λ
pv
是光伏能源的平均发电成本；t是优化仿真的时间窗口长度。
[0161]
电网能量成本的计算公式为：
[0162][0163]
式(12)中，中，和分别为光储充智能微电网从电网中获取和向电网输送的功率。
[0164]
调频辅助服务收益的计算公式为：
[0165][0166]
式(13)中，∈
fc
是最大预测误差；η
inv
和η
ch
分别为光储充智能微电网中逆变器和电池储能系统/充电负载的充电器的效率；和分别为实际的向上和向下调频容量；c
comp
是补偿系数，取决于调频辅助服务市场的竞价过程。
[0167]
上述充电调度优化模型满足以下约束条件：
[0168]
①
锂离子电池损耗模型约束：
[0169][0170][0171]
[0172][0173][0174]
式(14)描述了电池总开路电压v
oc，x
的曲线拟合方程，其中，v
oc，x
表示电池总开路电压；表示串联的电池单体数；soc
x
(t)表示电池单体x在时刻t的电荷状态；a1、a2、a3、b1和b2均为电池开路电压曲线拟合系数，这里分别取3.679、-0.2528、0.9386、-0.1101和-6.829。式(15)计算了电池的电流速率其中，p
x
(t)是时刻t电池的功率；表示并联的电池单体数；式(16)(17)(18)分别计算了时刻t的循环老化损耗日常老化损耗和总老化损耗其中，ci(i＝1，2，3)均为老化曲线拟合参数，这里分别取0.00054、0.35和2.64
×
10-4
。
[0175]
②
电池储能系统约束：
[0176][0177][0178][0179][0180][0181][0182][0183][0184][0185][0186][0187]
式(19)至式(25)约束了电池储能系统功率p
bes
(t)的上下限，描述了在低于电池荷电状态为10％(即d
dis
＝0.1)的区域和高于荷电状态为80％(即d
ch
＝0.8)的区域时最大功率
呈线性下降的特性，其中，和分别表示电池储能系统的最大、最小、实际充电、实际放电和额定功率；e
bes
(t)为电池储能系统在时刻t储存的电量；η
ch
和η
dis
分别表示充电和放电效率。式(26)计算了e
bes
(t)，其中，设定初始时刻t＝1时的电量为终止时刻t＝t
final
时的电量为二者均为定值且式(27)计算了电池储能系统的荷电状态soc
bes
(t)，其中，表示时刻t电池储能系统的实际最大电量。式(28)(29)建立了的计算模型，其中，设定初始时刻t＝1时的值等于初始最大电量δe
bes
(t)为该时间步长内循环损失的电量；soc
bes
(t)表示电池储能系统的荷电状态，表示时刻t电池储能系统的实际最大电量；设定初始时刻t＝1时的值等于初始最大电量δe
bes
(t)为该时间步长内循环损失的电量。
[0188]
③
充电负载约束：
[0189][0190][0191][0192][0193][0194][0195][0196][0197][0198][0199][0200][0201]
设定从充电负载(电动汽车负载)离开电网时(t＝t
depart
)至到达电网时(t＝
t
arrive
)的这段时间内不可调度，此时充电负载状态变量ev
av
(t)＝0；其余时段，充电负载(电动汽车负载)始终接入光储充智能微电网而可被调度，此时充电负载状态变量ev
av
(t)＝1；式(30)至式(36)约束了电池功率p
ev
(t)的上下限，描述了在低于电池荷电状态为10％(即d
dis
＝0.1)的区域和高于荷电状态为80％(即d
ch
＝0.8)的区域内最大功率呈线性下降的特性，其中，和分别表示电池的最大、最小、实际充电、实际放电和额定功率；e
ev
(t)为电池在时刻t储存的电量；η
ch
和η
dis
分别表示充电和放电效率；式(37)计算了电池的荷电状态soc
ev
(t)，其中，表示时刻t电池的实际最大电量；式(38)(39)建立了的计算模型，设定初始时刻t＝1时的值等于初始最大电量δe
ev
(t)为该时间步长内循环损失的电量；式(40)计算了e
ev
(t)，其中，设定初始时刻t＝1时的电量为定值式(41)约束了充电负载(电动汽车负载)离开微电网时的电池最小电量，其中，为充电负载用户(电动汽车用户)声明的充电负载离开微电网时电池的最小电量，为一常数。
[0202]
④
功率平衡约束：
[0203][0204][0205]
式(42)是直流侧功率平衡约束，其中，p
inv
(t)是逆变器功率；式(43)是交流侧功率平衡约束，其中，p
grid
(t)是电网功率；p
load
(t)是总负荷需求功率；η
inv
是逆变器效率。
[0206]
⑤
电网约束：
[0207][0208][0209][0210]
其中，是电网三相最大功率；η
inv
是电网线路传输效率，可以描述线路功率传输损耗。
[0211]
⑥
逆变器约束：
[0212][0213][0214][0215]
其中，和分别表示逆变器的最大、最小、馈入和释放功率。
[0216]
⑦
光伏约束：
[0217]
[0218]
其中，η
mppt
为采用最大功率点跟踪方法的效率；为预测的光伏功率；
[0219]
⑧
调频市场约束：
[0220][0221][0222][0223][0224][0225][0226][0227][0228][0229][0230][0231]
式(51)至式(55)和式(56)至式(61)分别描述了时刻t上升调频服务和下降调频服务的最大可用容量不能超过该时刻系统的实际最大容量，其中，用于表示时刻t充电负载/电池储能系统/光伏的可用上升/下降容量。
[0232]
s4：基于光伏功率预测模型、负荷需求预测模型和充电调度优化模型，建立采用移动时间窗口的充电调度实时控制框架。
[0233]
s4包括以下步骤：
[0234]
s4.1：设置时间窗口长度t和用于预测及优化模型的时间步长δt1；
[0235]
s4.2：获取光照辐射数据，采用光伏功率和负荷需求预测模型计算时间窗口长度t内每一个时间步长δt1的光伏功率预测值和负荷需求预测值作为预测结果；
[0236]
s4.3：运行充电调度优化模型，求解时间窗口长度t内每一个时间步长δt1的优化结果；
[0237]
s4.4：对预测结果和优化结果进行插值处理；具体的，设置实时控制时间步长δt2(δt1≥δt2)，将采样频率增加δt1/δt2倍，从而对预测结果和优化结果进行插值处理；
[0238]
s4.5：获取时间窗口长度t内第k个(k＝1，2，3，
…
，t/δt2)实时控制时间步长δt2的光伏、电池储能和充电负载的功率、荷电状态的实际数据，计算实际数据与预测结果和优化结果的误差，将结果输入实时控制模块；
[0239]
实时控制模块内部流程中，p
error
(k)表示第k个δt2的总误差；λ
mean
表示平均购电电价。其中，p
error
(k)和λ
mean
的计算公式如下：
[0240]
[0241][0242]
式(62)中，和分别为第k个δt2的负荷需求预测值和实际值；和分别为第k个δt2的光伏功率预测值和实际值；
[0243]
s4.6：更新k＝k+1，返回执行s4.5；
[0244]
s4.7：循环执行s4.5～s4.6至k＝t/δt2，结束时间窗口长度t内充电调度实时控制，得到充电调度实时控制框架。
[0245]
s5：循环运行充电调度实时控制框架，滚动生成光储充智能微电网的实时充电调度方案。
[0246]
本发明以包含了电动汽车、电池储能系统、光伏、并网逆变器和各类负荷的光储充智能微电网为实施例进行测试。在实施例中，设定光伏装机容量为10kw；电动汽车最大充(放)电功率为10kw，全新时的满电量为80kwh，工作电压为325-430v；电池储能系统最大充(放)电功率为10kw，全新时的满电量为10kwh，工作电压为325-430v。通过实施例，对比了本发明所提充电调度优化方法与其他方法的总运行成本。
[0247]
实施例测试结果表明，当不采用任何控制优化方法时，电网能量成本为6795元，光伏发电成本为1691.4元，电池储能系统运行成本为655.5元，电动汽车运行成本为103.8元，一次调频辅助服务收益为0元，系统总成本为9245.7元；当仅采用充电调度优化模型而不进行实时控制时，电网能量成本为-1630.9元(符号为负表示盈利)，光伏发电成本为1691.4元，电池储能系统运行成本为643.4元，电动汽车运行成本为917元，一次调频辅助服务收益为667.4元，系统总成本为953.5元；当采用本发明所提出的充电调度实时控制框架时，电网能量成本为-2472.7元(符号为负表示盈利)，光伏发电成本为1691.4元，电池储能系统运行成本为646.1元，电动汽车运行成本为918.8元，一次调频辅助服务收益为667.4元，系统总成本为116.2元。上述结果表明，本发明所提方法主要通过对电动汽车充放电和电网能量交互进行实时控制来大幅降低电网能量成本，最终将系统运行总成本降低了98.7％(与不采用任何控制优化方法相比)，从而验证了本发明所提方法在降低系统运行成本方面的有效性和优越性。
[0248]
由此可见，本发明的有益效果在于：
[0249]
1.本发明提出的考虑电池损耗的光储充智能微电网实时充电调度方法，充分考虑了锂离子的电池损耗模型，从而准确评估和优化了电动汽车和电池储能系统以电池损耗为主的运行成本；
[0250]
2.本发明提出的考虑电池损耗的光储充智能微电网实时充电调度方法，通过采用移动时间窗口的实时控制方案，以更短的优化时间窗口和时间步长对光伏功率、负荷需求及电池充电状态等进行预测及误差修正补偿，有效提升了预测精度，降低了系统的整体充电调度方案成本；
[0251]
3.本发明提出的考虑电池损耗的光储充智能微电网实时充电调度方法，采用了智能微电网结构，通过有序用电和优化一次调频可用预留容量，将系统运行成本进一步降低。
[0252]
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明
精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种光储充智能微电网实时充电调度方法，其特征在于：所述光储充智能微电网实时充电调度方法包括以下步骤：s1：获取光储充智能微电网的各种历史数据，包括拓扑、运营费用数据、电能状态数据、负荷状态数据和气象数据；s2：基于所述历史数据建立所述光储充智能微电网对应的光伏功率预测模型和负荷需求预测模型；s3：基于所述历史数据建立所述光储充智能微电网对应的考虑电池损耗和一次调频备用服务的充电调度优化模型；s4：基于所述光伏功率预测模型、所述负荷需求预测模型和所述充电调度优化模型，建立采用移动时间窗口的充电调度实时控制框架；s5：循环运行所述充电调度实时控制框架，滚动生成所述光储充智能微电网的实时充电调度方案。2.根据权利要求1所述的光储充智能微电网实时充电调度方法，其特征在于：所述s1中，所述运营费用数据包括所述光储充智能微电网的购电电价、售电电价、向上调频辅助服务价格和向下调频辅助服务价格；所述电能状态数据包括所述光储充智能微所接入的充电负荷的电量、所述光储充智能微电网中的电池储能的电量、所述光储充智能微电网的光伏实际功率、所述光储充智能微电网的负荷需求；所述负荷状态数据包括光储充智能微电网所接入的充电负荷离开所述光储充智能微电网的时刻和离开时的荷电状态；所述气象数据包括光照辐射数据。3.根据权利要求2所述的光储充智能微电网实时充电调度方法，其特征在于：所述s2包括以下步骤：s2.1：获取所述光储充智能微电网的光伏实际功率的历史数据和所述光照辐射数据；s2.2：建立计算光伏输出功率的计算模型作为所述光伏功率预测模型；s2.3：获取所述光储充智能微电网的负荷需求的历史数据，建立用于对总负荷需求进行预测的所述负荷需求预测模型。4.根据权利要求3所述的光储充智能微电网实时充电调度方法，其特征在于：所述s2.2中，计算光伏输出功率的计算模型为：中，计算光伏输出功率的计算模型为：中，计算光伏输出功率的计算模型为：中，计算光伏输出功率的计算模型为：中，计算光伏输出功率的计算模型为：其中，为所述光储充智能微电网中光伏处的垂直辐照度，s
dni
为所述光储充智能微
电网所在区域的垂直辐照度；θ
m
为所述光储充智能微电网中光伏的倾斜角；a
m
为光伏的方位角，a
s
为太阳的方位角；a
s
为太阳直射的纬度；为所述光储充智能微电网中光伏处的水平辐照度，s
dhi
为所述光储充智能微电网所在区域的水平辐照度；s
m
为所述光储充智能微电网中光伏电池板上的太阳辐照度；t
cell
为所述光储充智能微电网中光伏的实际温度，t
a
为所述光储充智能微电网中光伏的环境温度，t
noct
为所述光储充智能微电网中光伏的额定工作温度；p
m
为所述光储充智能微电网中光伏的输出功率，p
r
为所述光储充智能微电网中光伏的额定功率。5.根据权利要求4所述的光储充智能微电网实时充电调度方法，其特征在于：所述s3中，所述充电调度优化模型为：min(c
total
)＝min(c
bes
+c
ev
+c
pv
+c
grid-c
reg
)其中，c
total
为能源总成本；c
bes
为所述光储充智能微电网中的电池储能成本；c
ev
为所述光储充智能微电网所接入的充电负荷成本；c
pv
为所述光储充智能微电网的光伏能源成本；c
grid
为电网能量成本；c
reg
为调频辅助服务收益。6.根据权利要求5所述的光储充智能微电网实时充电调度方法，其特征在于：所述光储充智能微电网中的电池储能成本的计算公式为：充智能微电网中的电池储能成本的计算公式为：其中，和分别为电池储能系统的损耗电量和初始电量，单位kwh；v
bes
、和分别为电池储能系统任意时刻、最初使用时刻、二次利用初始时刻和使用寿命最终时刻的每千瓦时剩余值；所述光储充智能微电网所接入的充电负荷成本的计算公式为：所述光储充智能微电网所接入的充电负荷成本的计算公式为：其中，和分别为充电负载的电池的损耗电量和初始电量，单位kwh；v
ev
、和分别为充电负载的电池任意时刻、最初使用时刻、二次利用初始时刻和使用寿命最终时刻的每千瓦时剩余值；所述光储充智能微电网的光伏能源成本的计算公式为：其中，p
pv
是任意时刻t的光伏输出功率；δt是仿真时间步长；λ
pv
是光伏能源的平均发电成本；t是优化仿真的时间窗口长度；所述电网能量成本的计算公式为：
其中，和分别为所述光储充智能微电网从电网中获取和向电网输送的功率；所述调频辅助服务收益的计算公式为：其中，∈
fc
是最大预测误差；η
inv
和η
ch
分别为所述光储充智能微电网中逆变器和电池储能系统/充电负载的充电器的效率；和分别为实际的向上和向下调频容量；c
comp
是补偿系数，取决于调频辅助服务市场的竞价过程。7.根据权利要求5所述的光储充智能微电网实时充电调度方法，其特征在于：所述充电调度优化模型满足以下约束条件：
①
锂离子电池损耗模型约束：锂离子电池损耗模型约束：锂离子电池损耗模型约束：锂离子电池损耗模型约束：锂离子电池损耗模型约束：其中，v
oc，x
表示电池总开路电压；表示串联的电池单体数；soc
x
(t)表示电池单体x在时刻t的电荷状态；a1、a2、a3、b1和b2均为电池开路电压曲线拟合系数；表示电池的电流速率；p
x
(t)是时刻t电池的功率；表示并联的电池单体数；表示并联的电池单体数；分别表示时刻t的循环老化损耗、日常老化损耗和总老化损耗；c
i
(i＝1，2，3)均为老化曲线拟合参数；
②
电池储能系统约束：电池储能系统约束：电池储能系统约束：电池储能系统约束：电池储能系统约束：
其中，p
bes
(t)表示电池储能系统功率；表示在低于电池荷电状态为10％的区域和高于荷电状态为80％的区域时最大功率；和分别表示电池储能系统的最大、最小、实际充电、实际放电和额定功率；e
bes
(t)为电池储能系统在时刻t储存的电量；η
ch
和η
dis
分别表示充电和放电效率；设定初始时刻t＝1时的电量为终止时刻t＝t
final
时的电量为时的电量为且为定值；soc
bes
(t)表示电池储能系统的荷电状态，表示时刻t电池储能系统的实际最大电量；设定初始时刻t＝1时的值等于初始最大电量δe
bes
(t)为该时间步长内循环损失的电量；soc
bes
(t)表示电池储能系统的荷电状态，表示时刻t电池储能系统的实际最大电量；设定初始时刻t＝1时的值等于初始最大电量δe
bes
(t)为该时间步长内循环损失的电量；
③
充电负载约束：充电负载约束：充电负载约束：充电负载约束：充电负载约束：充电负载约束：
其中，设定从充电负载离开电网时至到达电网时的这段时间内不可调度，此时充电负载状态变量ev
av
(t)＝0；其余时段，充电负载始终接入所述光储充智能微电网而可被调度，此时充电负载状态变量ev
av
(t)＝1；p
ev
(t)表示电池功率，表示在低于电池荷电状态为10％的区域和高于荷电状态为80％的区域内最大功率；态为10％的区域和高于荷电状态为80％的区域内最大功率；和分别表示电池的最大、最小、实际充电、实际放电和额定功率；e
ev
(t)为电池在时刻t储存的电量；η
ch
和η
dis
分别表示充电和放电效率；soc
ev
(t)表示电池的荷电状态，表示时刻t电池的实际最大电量；设定初始时刻t＝1时的值等于初始最大电量δe
ev
(t)为该时间步长内循环损失的电量；设定初始时刻t＝1时的电量为定值量；设定初始时刻t＝1时的电量为定值为充电负载用户声明的充电负载离开微电网时电池的最小电量；
④
功率平衡约束：功率平衡约束：其中，p
inv
(t)是逆变器功率；p
grid
(t)是电网功率；p
load
(t)是总负荷需求功率；η
inv
是逆变器效率；
⑤
电网约束：电网约束：电网约束：其中，是电网三相最大功率；η
inv
是电网线路传输效率；
⑥
逆变器约束：逆变器约束：逆变器约束：其中，和分别表示逆变器的最大、最小、馈入和释放功率；
⑦
光伏约束：其中，η
mppt
为采用最大功率点跟踪方法的效率；为预测的光伏功率；
⑧
调频市场约束：调频市场约束：调频市场约束：调频市场约束：调频市场约束：调频市场约束：调频市场约束：调频市场约束：调频市场约束：调频市场约束：调频市场约束：其中，用于表示时刻t充电负载/电池储能系统/光伏的可用上升/下降容量。8.根据权利要求7所述的光储充智能微电网实时充电调度方法，其特征在于：所述s4包括以下步骤：s4.1：设置时间窗口长度t和用于预测及优化模型的时间步长δt1；s4.2：获取所述光照辐射数据，采用所述光伏功率和所述负荷需求预测模型计算所述时间窗口长度t内每一个时间步长δt1的光伏功率预测值和负荷需求预测值作为预测结果；s4.3：运行所述充电调度优化模型，求解所述时间窗口长度t内每一个时间步长δt1的优化结果；
s4.4：对所述预测结果和所述优化结果进行插值处理；s4.5：获取所述时间窗口长度t内第k个(k＝1，2，3，
…
，t/δt2)实时控制时间步长δt2的光伏、电池储能和充电负载的功率、荷电状态的实际数据，计算所述实际数据与所述预测结果和所述优化结果的误差，将结果输入实时控制模块；s4.6：更新k＝k+1，返回执行s4.5；s4.7：循环执行s4.5～s4.6至k＝t/δt2，结束时间窗口长度t内充电调度实时控制，得到所述充电调度实时控制框架。9.根据权利要求8所述的光储充智能微电网实时充电调度方法，其特征在于：所述s4.4中，设置实时控制时间步长δt2，将采样频率增加δt1/δt2倍，从而对所述预测结果和所述优化结果进行插值处理。10.根据权利要求9所述的光储充智能微电网实时充电调度方法，其特征在于：δt1≥δt2。

技术总结
本发明涉及一种光储充智能微电网实时充电调度方法，包括：S1：获取光储充智能微电网的各种历史数据，包括拓扑、运营费用数据、电能状态数据、负荷状态数据和气象数据；S2：基于历史数据建立光储充智能微电网对应的光伏功率预测模型和负荷需求预测模型；S3：基于历史数据建立光储充智能微电网对应的考虑电池损耗和一次调频备用服务的充电调度优化模型；S4：基于光伏功率预测模型、负荷需求预测模型和充电调度优化模型，建立采用移动时间窗口的充电调度实时控制框架；S5：循环运行充电调度实时控制框架，滚动生成光储充智能微电网的实时充电调度方案。本发明提升了预测精度，精确评估和优化了运营成本，有效降低了微电网的系统综合运行成本。运行成本。


技术研发人员：李洁 吕斌 朱超群 沈杰 李奇 张晓明 刘乙 李亚飞 邱一昊
受保护的技术使用者：北京中电飞华通信有限公司
技术研发日：2022.11.18
技术公布日：2023/7/25