CN103997062A - 一种微网能量管理控制方法 - Google Patents

Abstract

本发明公开了一种微网能量管理控制方法，涉及电力系统微网优化控制领域，该方法基于微网所接入的主网电力市场环境、微网自身的网络构成和储能设备的特性，建立目标微网的能量管理优化控制模型。以微网内的分布式电源和负荷在短期或超短期能量管理控制周期内的预测量作为状态变量，以储能元件荷电状态作为决策变量，进行能量管理优化控制求解。通过各阶段成本函数的构成建模，将微网接入的市场环境因素隔离，充分考虑储能设备充放电效率及储能折旧和运营成本，具有广泛的适应性；该技术方案采用动态经济调度，求解过程中可获得各个阶段储能不同状态情况下的最优运行成本，在提高微网能量管理优化控制经济性的同时，有助于运行人员分析比较和决策。

Description

一种微网能量管理控制方法

技术领域

本发明涉及电力系统领域，特别涉及一种含分布式电源和储能的微网能量管理优化控制方法。

背景技术

随着石化能源的枯竭和环境污染问题，新能源成为未来的重要电源组成形式。风能和光伏等分布式电源具有间歇性和不可控性，通过微网的形式进行电能质量管理，控制好与联络线功率的稳定，避免分布式电源对电网的冲击，具有重要意义。微网系统的能量管理优化运行是微网集成控制研究中的一个重要内容，也是本发明所涉及的领域。

对于微网能量管理运行控制，国内外的相关科研组织在理论和实践中已经取得一定的研究成果，通过可控的负荷和可控的电源，或储能装置来调节，能够保证并网情况下微网与电网的功率保持在一定的范围内，独立运行时微网能够实现功率自身平衡[1]。如美国的Mad River Park项目，欧盟的Labein microgrid项目，以及日本的Kyotango project项目，与电网连接并通过中央控制系统控制，能够实现电网的有功功率供需不平衡控制在3％以内。

储能元件通常被应用于微网能量管理的短期和超短时运行控制中，起到平衡微网中间歇性电源发电，控制微网与大电网之间能量交互量的作用[2]。当微网内分布式电源发出的电力超出自身负荷需求后，通常有三种选择：(1)对发电量进行限制，(2)将剩余电能上送到所接主网，或(3)通过储能设备存储。对于此三种方式均涉及到成本和收益的问题，如何能够使净收益最大(收益减去成本)，是微网能量管理控制的核心问题。在进行能量管理的最优算法中，微网的购电和卖电电价结构响应其支付成本和收益，而微网中储能的充放电频率及深度，影响该元件的折旧及运行成本。

在已有的微网能量管理控制方法中，通常将储能特性通过充放电次数、功率控制等作为限制条件，并应用于特定的电力市场环境中，而这些都无法满足微网能量管理控制中对于市场环境和储能折旧成本的控制要求。且当前主要方案基于静态调度方法，由于微网的分布式电源和负荷的预测误差随时间尺度减小而变小，对微网提供动态控制方案并进行持续的短时和超短期的控制，有助于提高微网运营的经济效果。另外已有算法通常无法同时给出多项备选方案的详细信息，如方案的运行最终结果和所需要付出的成本等，这些在进行人机交互和多层次考虑时，对微网运行同样至关重要。

发明内容

本发明提供了一种微网能量管理控制方法，本发明基于储能设备的充放电控制平衡微网内分布式电源或负荷带来微网功率不平衡预测，通过多阶段动态规划调度求解，使微网在一定周期内效益最大或运营成本最小，详见下文描述：

一种微网能量管理控制方法，所述方法包括以下步骤：

1)基于微网所接入的主网电力市场环境、微网自身的网络构成、储能设备的特性，建立目标微网的能量管理优化控制模型；

2)对于微网内的分布式电源和负荷，进行短期能量管理控制周期内的预测量；

3)基于目标微网的能量管理优化控制模型，以储能元件荷电状态SOC作为决策变量，进行能量管理优化控制求解；

4)根据分析结果，基于下个能量管理周期分布式发电和负荷的预测情况，通过自定义决策或人工参与的方法，确定最终储能状态量；

5)基于最终储能状态量对应的成本，进行最优方案实现路径搜索，获得运算周期内微网能量管理每个阶段的储能充放电优化运行方案。

步骤1)的操作具体为：

1)针对微网所接入的主网电力市场环境，微网自身能量管理范围，划分微网能量管理阶段：以微网进行能量管理的时间间隔为步长t，以微网规划管理时间为总周期T，将微网能量管理过程划分为连续的K个阶段，且有K＝T/t；

2)确定微网储能元件的状态s_k可行集合及阶段储能充放电量x_k范围。将储能设备允许的荷电状态SOC离散化，获得储能状态的可行集合S，各阶段变化范围由单阶段储能设备的最大充放电量x_max决定；

3)确定能量管理过程中决策变量s_k，与本阶段充放电量x_k，及前一阶段决策变量s_k-1之间的关系；

4)基于微网的运行特性和所处市场环境，确定微网能量管理周期内决策变量与购电电量w_k的能量关系；

5)确定微网内能量管理周期内各阶段的成本指标函数v_k；

6)确定微网能量管理的总的优化目标函数。整个模型是多阶段优化问题，需要一系列的s_k满足要求，使总体能量管理控制成本最低。

步骤3)的操作具体为：

1)定义k＝0，确定该微网能量管理周期内储能的初始状态，并定义为s₀，获得相应的f₀ ^*(s₀)，其中f₀ ^*(s₀)为储能设备达到状态s₀所产生的费用，通常情况下可定义为0；

2)令k＝k+1。对于第k∈(k＝1,2,L,K)阶段，按照以下步骤循环进行计算；

3)根据储能元件充放电最大允许范围x_max速率和前一阶段的允许决策变量集合S_k-1，确定k阶段允许的决策变量s_k及其允许集合S_k；

4)选择其中一个s_k∈S_k，推荐s_k∈S_k中的元素从小到大，按照以下步骤进行计算；

5)基于选择的s_k∈S_k，针对S_k-1集合中元素，确定需要的充放电功率x_k，若|x_k|≤x_max，则继续，否则放弃重新选择S_k-1集合中元素；

6)确定与x_k相对应的微网与主网的能量交互功率w_k；获得阶段指标函数v_k(s_k)，并基于上一阶段的最优方案记录f^* _k-1(s_k-1)，获得f_k(s_k)＝v_k(s_k)+f_k-1 ^*(s_k-1)，记录指标集合F_k中；

7)重复步骤5)和6)，直至对于S_k-1集合中所有元素完成操作，执行步骤8)；

8)对于每一个s_k∈S_k，选择指标集合F_k中最小值作为最优方案，并将对应的结果f_k ^*(s_k)，实现路径[s_k-1,s_k]、和保存；

9)重复步骤4)至8)，直至遍历完成S_k集合中所有元素，然后执行步骤10)；

10)重复步骤3)至9)，直至能量管理周期结束。

本发明提供的技术方案的有益效果包括：

1)该技术方案通过各阶段成本函数的构成建模，将微网接入的市场环境因素隔离，不同的市场环境和电价模式仅影响模型的参数和目标函数的组成，而不会对该发明的应用造成影响，具有广泛的适应性。

2)该技术方案在关注微网内能量平衡的技术特性的同时，可以充分考虑不同类型的储能设备充放电效率及储能折旧和运营成本损失等因素。

3)该技术方案采用动态经济调度，较已有的静态分析方法更加符合系统的实际运行要求。求解过程中可获得各个阶段储能不同状态情况下最优的运行成本，在提高微网能量管理优化调度经济性的同时，有助于运行人员比较和决策。

4)由于微网的分布式电源和负荷的预测误差随时间尺度减小而变小，该技术方案能够对微网进行超短期的调度，提高微网运营的经济效果。

附图说明

图1为本发明提供的微网能量管理控制方法的流程；

图2为微网能量管理优化运行构成和流程；

图3为储能设备的荷电离散状态范围以及状态转移过程；

图4为电池放电深度和其循环寿命之间的关系；

图5为模型多阶段动态调度求解的过程；

图6为逆向搜索周期内阶段的储能充放电优化运行方案示意图；

图7为本发明提供的示范例微网组成结构；

图8为示范例第1阶段储能设备潜在状态方案；

图9为示范例第2阶段储能设备潜在状态方案；

图10为示范例第3阶段储能设备潜在状态方案；

图11为示范例第4阶段储能设备潜在状态方案。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

微电网中由于负荷峰谷差特性以及分布式电源的存在，有功功率差额存在较大的波动性，需要合理的短期能量管理进行控制。本发明实施例提供了一种微网能量管理控制方法，总体流程参见图1，本方法基于储能设备的充放电控制平衡微网内分布式电源或负荷预测带来的误差，通过多阶段动态求解，使微网在一定周期内效益最大或运营成本最小，详见下文描述：

101：基于微网所接入的主网电力市场环境、微网自身的网络构成、储能设备的特性，建立目标微网的能量管理控制模型；

模型构建包括：控制周期的确定，微网内储能设备离散决策变量的划分，储能状态转移与能量的关系，微网与主网交易成本函数(电价和交易量的关系)，储能充放电成本函数(折旧成本与充放电量的关系)，以及微网能量管理目标函数等内容的确定。

该步骤中模型构建具体实施可采用以下步骤：

10101：针对微网所在的主网电力市场环境，微网自身能量管理范围，划分微网能量管理阶段：以微网进行能量管理的时间间隔为步长(t)，以微网规划管理时间为总周期(T)，将微网能量管理过程划分为连续的K个阶段，且有K＝T/t。

该步骤中所涉及的微网能量管理系统范围和主要功能包括：采集基于实时监控系统采集的电网信息、分布式电源信息、负荷信息等；实现主网、多种分布式电源、储能单元和负载之间的最优功率匹配。应用于日前微网能量管理控制的背景为：由于微网的运行需要有计划性，需要基于微网范围内的分布式发电和负荷预测，并根据与连接大电网的市场清算价格的预测进行微网能量管理控制计划。但微网中光伏、风电等可再生分布式电源出力的随机性、间歇性特点，导致日前计划往往存在一定的误差，运用储能控制实现微网能能量的平衡。应用于小时前微网能量管理控制的背景为：由于微网中分布式电源和负荷的预测误差随时间尺度减小，可以通过储能装置的充放电来消除误差，并实现微网能量管理运行的经济性。微网能量管理运行控制构成和流程如图2所示。

本发明主要针对储能装置的充放电控制，实现微网内分布式发电在满足负荷需求的情况下，达到微网从主网购电总成本和储能充放电折旧成本最小。

微网规划管理时间T按照不同的应用场所将有所不同，可应用于日前和小时前微网能量管理。对于日前微网能量管理控制，通常将微电网一天的有功功率差额总体情况作为考虑对象，T为24小时，若对储能装置的出力调度以15分钟为控制周期，则K＝96个时段；若出力调度以5分钟为控制周期，则K＝288时段；对于微网短时能量管理控制，则可根据中短期负荷预测，调整日前计划所带来的误差，通常T为1小时，采用储能装置的出力调度以5分钟为控制周期，此时K＝12时段。

10102：确定微网储能元件的状态集合及单阶段储能设备的最大充放电量范围。将储能设备允许的荷电状态(SOC)离散化，获得储能状态s_k的离散化可行集合S，各阶段变化范围由单阶段储能设备的最大充放电量x_max决定。多个储能元件，可以等效为一个储能元件来进行描述。

该步骤中，将储能设备允许的最大荷电状态设定为；储能设备允许的最小荷电状态设定为SOC，由于过度放电会导致内阻急剧增大，引起大量发热并导致储能元件不可逆的化学伤害，因此SOC＞0。在允许工作区平均可分为N份，此时S集合为：

$s=\{s_n=\underset{\‾}{\mathrm{SOC}}+\frac{n(\stackrel{\‾}{\mathrm{SOC}}-\underset{\‾}{\mathrm{SOC}})}{N},n=\mathrm{0,1,2},L,N\}---\left(1\right)$

以锂电池为例，若取SOC＝0.2，离散化间隔为0.1倍最大容量，此时取值范围为0.2≤s_k≤1，储能状态的可行集合为：S＝{0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0}。

以s_k表示k个阶段末储能元件的荷电状态(SOC)，并作为决策变量，s_k范围与储能设备允许的放电深度有关，单位为(％)。若用DOC表示放电深度，则有s_k＝1-DOC(％)。

以x_k描述每阶段的充放电量，其值与储能设备的充放电速率有关，单位为kWh或Mwh。每个周期内的储能元件最大变化范围，高速的充放电会对储能设备寿命有影响，通常情况下取|x_k|≤x_max，其中x_max为一个周期内允许的最大充放电量。各阶段变化范围为|s_k-s_k-1|≤x_max/Q_max。

10103：确定连续微网状态变量之间的关系，即能量管理过程中决策变量s_k和本阶段充放电量x_k，前一阶段决策变量s_k-1之间的关系。

该步骤中假设同一控制周期内，储能装置处于同一充放电状态，且储能装置响应时间远小于控制周期，忽略不计。

每个阶段储能设备的决策变量s_k与前一阶段的初始量s_k-1，该时段内的充放电电量x_k(MWh)以及自放电率有关。可用下式描述：

式中，σ_sdr为储能设备的自放电率，％/min；η_C和η_D分别为储能介质的充电和放电效率，％。Q_max为储能设备的容量(MWh)。

储能设备的荷电离散状态转移过程如图3所示。若从决策状态s_k-1到s_k，储能介质所需要的充放电功率量由其自身的充放电特性和前一阶段的状态共同决定，由式(2)可得：

典型储能设备，对于蓄电池，自放电率/(％/min)为0，充放电效率可选90％；对于超级电容，自放电率/(％/min)为0.01，充放电效率可选95％。

10104：基于微网的运行特性和所处市场环境，确定微网能量管理周期内决策变量与购电电量w_k的能量关系。

说明：微网内能量管理主要包括分布式电源出力、所需供电负荷、微网和主网能量交换功率量，和储能设备的充放电量。对于日前微网能量管理控制，在忽略网损的情况下(可在更高一级的控制调度中计及)，任意k阶段为保持能量平衡，有如下关系式：

L_s-G_s＝w_k-x_k   (4a)

其中，G_s和L_s分别为日前分布式发电和负荷预测量；w_k是微网和所接入电网的功率交换量，单位为kWh或Mwh。在不同微网运行特性和市场环境下，w_k允许范围有所不同。

(a)对于独立微网，由于无接入电网提供能量交换，则要求w_k＝0。此时，可以通过调整储能充放电量x_k实现在满足G_s和L_s量情况下的能量平衡。

(b)对于并网型微网，在上述允许调整量基础上，通常允许有一定量的能量交换功率偏差，但超出范围的w_k需要支付额外的成本，如高额的实时电价，或额外惩罚电价，或较低的分布式电源上网功率电价。

因此会带来不同的约束条件和目标函数。本方法仅仅针对并网情况进行研究，独立运行微网环境可类比实现。

若对于小时前微网能量管理，则能量平衡关系式为：

(L_a-G_a)-(L_s-G_s)＝w_k-x_k   (4b)

其中，G_a和L_a分别为短期分布式发电和负荷预测量；其他参数如公式(4a)所示。令ΔG＝G_a-G_s为k阶段间歇性分布式发电小时前超短时预测与日前调度预测的差量，ΔL＝L_a-L_s为k阶段微网内负荷小时前超短时预测与日前调度预测的差量，则公式(4b)转化为ΔL-ΔG＝w_k+x_k，可以按照式(4a)形式，进行求解。

本发明短时能量管理控制目标是在获得最大分布式电源发电量，同时满足居民用电负荷需求的情况下，需要通过调整储能设备的充放电实现能量平衡，根据式(4a)，微网对主网能量交换功率偏差量可描述为：

w_k(x_k)＝L_k-G_k+x_k   (5)

其中，G_k和L_k，在日前能量管理控制中，分别为k阶段的分布式发电和负荷预测量G_s和L_s；在小时前能量管理控制中，分别为k阶段的间歇性分布式发电实际与规划预测误差ΔG和微网内实际负荷与预测负荷之间误差ΔL。

10105：确定微网能量管理的阶段成本指标函数。以v_k表示微网能量管理的k阶段指标函数，包括能量管理结果所造成的成本(v_1k)，如微网在该阶段能量平衡后仍向主网购电而支付的购电费用；以及能量管理操作所产生的成本(v_2k)，如储能充放电所导致的能量损耗成本和储能元件的折旧成本。对于第k阶段，微网能量管理成本为

v_k(s_k)＝v_1k(s_k,w_k)+v_2k(s_k,x_k)   (6)

说明：本发明可适应于多种外部市场环境，其中最基本的两种类型包括：(1)实时电价(Real-Time Pricing)，通常是基于电力市场的竞价，微网作为一个竞价单元参与主电网的运行，以虚拟存储的形式将未来一段时间内的电力和价格进行锁定。(2)分时电价(Timeof Used)，这是电力公司针对所有用户进行的不同时间不同价格的邀约，时段划分和费率都是事先确定的，其更新周期通常为1个季度以上。分时电价的可以作为实时电价的一种特例。

由于参与市场的分布式电源可能受到自然因素或人为因素的影响，其出力未必能够完全保证所有合同负荷的供应，故微网需要针对外部的价格，通过内部的可控电源，可控负荷或储能完成自身的能量管理和优化运行。

v_1k主要与微网和主网能量交换功率偏差量w_k相关。定义w_k为从主网流入微网的功率为正方向，当微网作为电源流入电网时，w_k数值为负数。当w_k＞0时，v_k(w_k)为购电成本，即微网向主网支付的费用；当w_k＜0时，v_k(w_k)为微网向主网供电时获得收益，此时数值为负数。

$v_{1k}\left(w_k\right)=\left\{\begin{array}{cc}{\mathrm{\&rho;}}_{\mathrm{Bk}}\left(w_k\right)\&CenterDot;w_k& w_k\&GreaterEqual;0;\\ {\mathrm{\&rho;}}_{\mathrm{Sk}}\left(w_k\right)\&CenterDot;w_k& w_k<0;\end{array}\right.---\left(7\right)$

其中，ρ_Bk(w_k)和ρ_Sk(w_k)与主网电价形式以及和微网的协议有关，具体需要根据实际电价情况确定。当前国内外主要包括以下三种情况：(1)若主网与微网协议联络线功率情况下，ρ_Bk(w_k)和ρ_Sk(w_k)为微网违反功率偏差时的惩罚价格，当ρ_Bk(w_k)→∞时，表示锁定微网负荷功率，主网和微网间的联络线功率不能有变动；当ρ_Sk(w_k)≤0时，表示微网给主网传输额外电能将不予补偿，甚至得到罚款。(2)若主网执行分时电价情况下，ρ_Bk(w_k)和ρ_Sk(w_k)为k时段所在电网时段的用电电价和上网电价，通常情况下ρ_Bk(w_k)＞ρ_Sk(w_k)。(3)若在采取实时电价的电力市场环境下，ρ_Bk(w_k)和ρ_Sk(w_k)分别为k阶段主网电力市场的发电和用电的结清价格。若主网是以ISO为执行，则有ρ_Bk(w_k)＝ρ_Sk(w_k)；否则，ρ_Bk(w_k)＞ρ_Sk(w_k)。

对于购电价格与购电量无关，ρ_Bk(w_k)可用ρ_Bk来代替，而售电成本ρ_Sk(w_k)即与售电量无关，同时也与售电时间无关，因此可用ρ_S描述。

v2k描述k阶段储能充放电所导致的能量损耗成本和储能元件的折旧成本。如图4所示，以电池为例，其折旧和运行成本与充放电深度(DOC)和放电速率有关，根据文献[4]可知，储能设备使用循环寿命可由下式描述：

$L_A=L_R{\left(\frac{D_R}{D_A}\right)}^{u_0}{e}^{u_1(1-\frac{D_A}{D_R})}$

其中D_R为储能设备的额定放电深度，D_A为电池实际运行过程中的充放电深度(1-SOC)；L_R为额定放电深度(D_R)和额定放电电流(I_R)情况下的循环寿命；u₀和u₁为储能元件特性参数，可由发电商提供或实验测得。文献[4]提供，典型镍铬电池(NiCd)电池参数为u₀＝1.67，u₁＝-0.52。

对于一定投资的储能元件，其折旧率与可使用寿命成反比，有L_Aρ_A＝L_Rρ_R，所以可得

${\mathrm{\&rho;}}_A=\frac{L_R}{L_A}{\mathrm{\&rho;}}_R={\left(\frac{D_A}{D_R}\right)}^{u_0}{e}^{u_1(\frac{D_A}{D_R}-1)}\&CenterDot;{\mathrm{\&rho;}}_R$

其中ρ_R为储能设备额定寿命L_R情况下单位充放电的折旧成本；ρ_A为储能设备在实际寿命L_A情况下单位充放电的折旧成本，对于k阶段，ρ_k的值即取ρ_A。

在k阶段储能进行充放电x_k控制时，又由于D_A＝1-s_k，产生折旧费用为：

$\begin{array}{c}{v}_{2k}(x_k,s_k){|x}_k|{\mathrm{\&rho;}}_k=|x_k|{\left(\frac{1-s_k}{D_k}\right)}^{u_0}{e}^{u_1(\frac{1-s_k}{D_R}-1)}\&CenterDot;{\mathrm{\&rho;}}_R\\ =\left|x_k\right|{(1-s_k)}^{u_0}{e}^{\frac{-u_1{s}_l}{D_R}}\&CenterDot;{\mathrm{\&rho;}}_R{D}_R^{-u_0}{e}^{u_1(\frac{1}{D_R}-1)}\\ =\left|x_k\right|{\mathrm{\&rho;}}_R{\mathrm{\&lambda;}}_0[1-u_0{s}_k+\frac{u_0(u_0-2)}{2!}{s}_k^2+0\left(s_k^3\right)]\&CenterDot;[1-\frac{u_1}{D_R}{s}_k+\frac{u_1^2}{2!D_R^2}{s}_k^2+0\left(s_k^3\right)]\\ \&ap;\left|x_k\right|{\mathrm{\&rho;}}_R{\mathrm{\&lambda;}}_0(1-{\mathrm{\&lambda;}}_1{s}_k+{\mathrm{\&lambda;}}_2{s}_k^2)\end{array}---\left(8\right)$

其中， ${\mathrm{\&lambda;}}_0=D_R^{-u_0}{e}^{u_1(\frac{1}{D_R}-1)},$ ${\mathrm{\&lambda;}}_1=u_0+\frac{u_1}{D_R},$ ${\mathrm{\&lambda;}}_2=\frac{u_0(u_0-1)}{2}+\frac{u_0{u}_1}{D_R}+\frac{u_1^2}{2D_R^2}.$

由式(8)可知，在k阶段，储能的充放电成本，不仅与该阶段的充放电量有关，还与上一阶段的电池状态s_k有关。在发明实施过程中，可忽略s_k项，令λ₁和λ₂为0，从而进一步简化为v_2k(x_k)＝|x_k|ρ_Rλ₀。

本实施方案中ρ_R为同时考虑充放情况下的折旧成本。由于储能设备充放电一个周期认为是一个循环，也可以单纯考虑放电对电池寿命产生的影响即可，此时ρ_R和同时考虑充放电时相差二倍。

10106：确定微网能量管理的总的优化目标函数。整个模型是多阶段优化问题，需要一系列的s_k满足要求，使总体能量管理控制成本最低。能量管理优化控制目标模型为：

$\begin{array}{c}{f_k}^{*}\left(s_k\right)\underset{x_k\&Element;X_k\left(s_k\right)}{\min }\{v_k\left(s_k\right)+{f_{k-1}}^{*}\left(s_{k-1}\right)\}\\ =\min \underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{v}_k\left(s_k\right)+{f_0}^{*}\left(s_0\right)\end{array}---\left(9\right)$

s.t.  s_k∈S

s₀和f₀ ^*(s₀)为已知初始条件。

102：基于相应的预测软件进行微网能量管理控制周期T内的预测，获得各阶段微网内的分布式电源和负荷的预测数据(G_k和L_k)。

该步骤是为整个发明提供控制的微网基础数据，这些数据将应用于公式(5)中。所提供数据方法及准确度效果依赖于已有的分布式发电和负荷情况的预测软件和预测技术，所采用工具和预测技术不在本发明讨论范围内。

103：基于所建立目标微网的能量管理优化控制模型，以储能元件电池状态(SOC)作为决策变量，进行能量管理优化控制求解。

基于储能的微网能量管理优化运行，是在离散化的时间段内，基于每个阶段分布式发电和负荷的预测情况，通过各个阶段连续的动态决策，实现整个能量管理周期内微网收益最大或成本最小的最佳路径，模型求解的过程如图5所示，属于多级决策过程。

该具体过程包括如下步骤：

10301：定义k＝0，确定该微网能量管理周期内储能的初始状态，并定义为s₀，获得相应的f₀ ^*(s₀)。

该步骤中，f₀ ^*(s₀)为储能设备达到状态s₀所产生的费用，通常情况下可定义为0。

10302：令k＝k+1，对于第k∈(k＝1,2,L,K)阶段，按照以下步骤循环进行计算。

10303：基于储能设备单阶段内充放电最大允许范围x_max，以及前一阶段的允许决策变量集合S_k-1，根据式(3)确定k阶段允许的决策变量s_k及其允许集合S_k。

该步骤中S₀集合包括唯一元素，即初始状态s₀，对于k≥1阶段，若s_k-1,min和s_k-1,max分别为S_k-1集合中的最大值和最小值，则S_k集合中的最小和最大值计算公式为：

$s_{k,\min }=\max (\underset{\&OverBar;}{\mathrm{SOC}},(1-{\mathrm{\&sigma;}}_{\mathrm{sdr}})s_{k-1,\min }-\frac{{\mathrm{\&eta;}}_C{x}_{\max }}{Q_{\max }})---\left(10\right)$

$s_{k,\max }=\min (\stackrel{\&OverBar;}{\mathrm{SOC}},(1-{\mathrm{\&sigma;}}_{\mathrm{sdr}})s_{k-1,\max }+\frac{x_{\max }}{{\mathrm{\&eta;}}_D{Q}_{\max }})$

10304：选择其中一个s_k∈S_k。推荐s_k∈S_k中的元素从小到大顺序选择，并按照以下步骤进行计算。

10305：基于选择的s_k∈S_k，针对S_k-1集合中元素，根据式(3)确定需要的充放电功率x_k，若|x_k|≤x_max，则继续，否则放弃重新选择S_k-1集合中元素；

10306：根据式(5)确定与x_k相对应的微网与主网的能量交互功率w_k；根据式(6)获得阶段指标函数v_k(s_k)；并基于上一阶段的最优方案记录f^* _k-1(s_k-1)，根据式(9)获得f_k(s_k)，并记录到决策量s_k的指标集合F_k中。

10307：重复步骤10305和10306，直至对S_k-1集合中所有可行元素进行操作，遍历完成后，执行步骤10308。

10308：对于每一个s_k∈S_k，选择获得的指标集合F_k中最小值作为k阶段的最优成本值f_k ^*(s_k)，并将对应的实现路径[s_k-1,s_k]，以及充放电量、与主网能量交换量保存，执行步骤10309。

10309：重复步骤10304至10308，直至遍历完成S_k集合中所有元素，然后执行步骤10310。

10310：重复步骤10302至10309，进行下一阶段的动态能量管理，至能量管理周期结束。

该步骤中模型求解实施过程可采用商业软件进行，由于不存在收敛性问题，运算速度极快。基于Matlab平台的程序核心部分架构如下：

K＝T/t；

for k＝1:1:K

根据式(10)获得S_k；

number1＝(S_k)；

number2＝(S_k-1)；

for i＝1:1:number1

for j＝1:1:number2

根据式(3)获得x_k(j)；

根据式(5)获得w_k(j)；

根据式(6)获得v_k(j)；

根据式(9)获得f_k(j)；

end

f^* _k(s_k(i))＝min(f_k(j))；％对决策变量s_k(i)的最小成本值；

记录对应的路径[s_k-1(j),s_k(i)]；

end

end

本发明实施例还可以采用其他的商业软件进行计算，本发明实施例再此不做限制。

104：根据步骤103所获得的各种不同决策状态下的微网运行成本，并考虑下个能量管理周期内的预测情况，通过自定义决策或人工参与的方法，确定最终储能状态量。

在该步骤中，可基于下个能量管理周期内分布式发电和负荷的预测情况，通过自定义决策储能确定周期末储能状态量。对于日期发电计划，本周期末储能状态量可以等同于下一周期的初始值，即s_K＝s₀；对于小时前能量管理控制计划，可基于预测的下一周期内分布式发电和负荷有功差值，以及下一周期内预测市场电价确定。若分布式发电大于负荷有功差值且下一周期内预测市场电价低于本周期，则周期末储能状态量s_K值选择较小值。

105：基于能量管理最终储能状态量对应的成本，返回搜索最优方案实现路径，获得运算周期内微网能量管理每个阶段的储能充放电优化运行方案。

该步骤中，根据104确定的s_K值，以及步骤103中保持的实现路径[s_k-1,s_k]，逆向搜索周期内微网能量管理每个阶段的储能充放电控制方案，所采取的流程示意如图6所示。

本示范例仅仅讨论了能量管理中基于储能的运行优化算法，若微网内有可控的负荷(如可中断或可转移的热水器、热泵等负荷)或电源(如燃气轮机等)，可采用相同方法求解。

实例说明：

本发明以一个简单的家庭用微网算例进行说明能量管理优化控制算法模型的构建和求解过程，如图7所示，包括一个500kW的太阳能，200kW的储能电池，以及最大容量为500kW的负荷。为方便示范例理解，设储能元件的储能设备的自放电率σ_sdr、储能介质的充电和放电效率η_C和η_D均为0。

本实例针对已有微网能量管理计划，基于分布式和储能的超短期预测功率差，进行一小时前的微网能量管理控制，按照15min一个时段，包括4个时段。市场背景为：微网所接入电网采取实时电价，微网可以从主网获得电量，但需要按照实时惩罚电价获得，多发出的分布式发电上网售点价格为0元(目前国内分布式发电不存在实时电价市场，且可将主网作为备用而允许将多余能量上传到电网，上网电价按照脱硫煤上网电价收购，此种固定电价情况可作为实时电价情况的特例)。微网内各个时段的购/售电价格，以及分布式电源发电和负荷发电预测情况如表1所示。

表1示范例4个时段购电/售点价格及分布式电源发电和负荷预测情况

其中G_k＝G_a-G_s为k阶段间歇性分布式发电一小时内的超短期预测值与日前计划预测的差值，L_k＝L_a-L_s为负荷预测与日前计划预测之间的差值。负数表示一小时内的预测数值比日前计划数值减少量。

101：建立目标微网的能量管理优化控制模型。

10101：选取一个小时内的微网能量管理，T＝60分，时间间隔为t＝15min，则K＝4；

10102：储能为锂电池，取 SOC＝0.2，若将电池允许工作区平均可分为5份，根据式(1)得离散后的各阶段电池决策量集合S为：S＝{0.2,0.4,0.6,0.8,1.0}。

10103：与σ_sdr、η_C和η_D参数相关，基于式(3)获得储能状态变化所需充放电能量为：x_k＝(s_k-1-s_k)Q_max；

10104：并网环境下，使分布式发电按照预测进行输出，忽略网络损耗的情况下，根据式(5)获得x_k对主网能量交换功率偏差量关系为w_k(x_k)＝L_k-G_k+x_k。

10105：根据式(6)确定微网内能量管理周期内各阶段的成本指标函数v_k。各时段和主网能量交互中购电价格ρ_Bk(w_k)和售电价格ρ_Sk(w_k)参数由表1获得，根据式(7)获得v_1k(w_k)计算公式。

$v_{1k}\left(w_k\right)=\left\{\begin{array}{cc}{\mathrm{\&rho;}}_{\mathrm{Bk}}\left(w_k\right)\&CenterDot;w_k& w_k>0\\ 0& w_k\&le;0\end{array}\right.$

储能充放电所导致的能量损耗成本和储能元件的折旧成本表达式在短期内不变，与储能设备放电额定情况下的单位充放电折旧成本ρ_R及其他参数相关。储能设备为镍铬电池，若储能设备ρ_R＝0.1元/kWh(充放电同时考虑)，额定放电深度D_R＝0.5，参数u₀＝1.67，u₁＝-0.52，则根据式(8)获得λ₀＝1.89，采用简化形式，储能折旧成本表达式为：

v₂(x_k)＝|x_k|ρ_Rλ₀＝0.19|x_k|

102：对于微网内的分布式电源和负荷，进行短期能量管理控制周期内的预测见表1。

103：进行能量管理优化控制求解。

初始的储能状态为s₀＝0.2，则有S₀＝{0.2}。储能每阶段内充放速率为0.4，即|x_k|＜0.4Q_max；当S_k已知时，根据式(10)，s_k的取值范围为：max(0.2,s_k-1,min-0.4)≤s_k≤min(1,s_k-1,max+0.4)。

当k＝1时，基于储能设备初始条件，根据式(10)可获得s₁＝{0.2,0.4,0.6}。对于该阶段的决策变量若为s₁＝0.2，根据式(3)可知，由s₀到s₁需要充放电量x_k＝0数值，根据式(5)能够获得对应的与主网交换电量w₁＝-80kw，根据式(6)求得微网能量运成本v₁(w₁)＝0。又因为有f₀ ^*(0.2)＝0，根据式(9)获得该阶段的阶段指标数据f₁(s₁)＝0。同理计算出s₁＝0.4和s₁＝0.6时的对应的f₁(s₁)分别为7.56和15.12。然后在这些数据中，对于每一个s₁，选择出最小数值，为最佳的指标f^* _k(s_k)。另外[s₀,s₁]为该阶段方案可行路径。该阶段的具体过程如表2所示，至第1阶段储能设备潜在状态变化方案如图8所示。

表2示范例第1阶段计算结果

当k＝2时候，由于上一阶段获得的储能设备可行状态，可获得S₂＝{0.2,0.4,0.6,0.8,1.0}。若本阶段决策变量s₂＝0.2，若由前一阶段状态s₁＝0.6获得时，需要充放电量x₂＝-80kw，此时w₂＝-40kw，求得微网储能放电运成本v₂(s₂)＝15.12元，又因为有f^* ₁(0.6)＝15.12元，因此有f₂(s₂)＝30.24元。若s₂＝0.2由前一阶段状态s₁＝0.4获得时，需要充放电量x₂＝-40kw，此时w₂＝0，根据成本函数得v₂(s₂)＝7.56元，又因为有f^* ₁(0.4)＝7.56元，因此有f₂(s₂)＝15.12元。同理，若由s₁＝0.2状态获得时，需要放电量x₂＝0，此时w₂＝40kw，v₂(s₂)＝40，又因为有f^* ₁(0.2)＝0，因此有f₂(s₂)＝40元。在这三个里面最小值为15.12元，因此有f^* ₂(0.2)＝15.12元。对应x₂＝-40wk，路径为[0.4,0.2]。同样过程对于s₂∈S₂的其他数值，用相同方法处理，具体数据见表3。示范例由第2阶段储能设备潜在状态变化方案如图9所示。

表3示范例第2阶段计算结果

同样计算过程，当k＝3和k＝4时，采用上述算法可以获得具体数据如表4和表5所示,示范例第3阶段和第4阶段的储能设备潜在状态变化方案分别如图10和图11所示。

表4示范例第3阶段计算结果

表5示范例第4阶段计算结果

值得注意的是第3阶段，对于s₃＝0.4情况下，得知最小成本为f^* ₃(s₃)＝22.68元，有两种路径均可达到。第一种情况是由阶段2的s₂＝0.4获得，到达第2阶段最优运行成本为f^* ₂(0.4)＝22.68元，阶段3不充电，富余80kw的电量送到主网，此时v₃(s₃)＝0，总成本f^* ₃(s₃)为22.68元；第二种情况是由阶段2的s₂＝0.2获得，到达第2阶段最优运行成本为f^* ₂(0.4)＝15.12元，阶段3选择储能设备充电40kW，富余40kw的电量送到主网，此时v₃(s₃)＝7.56元，总成本f^* ₃(s₃)为22.68元。之所以出现此种情况，是因为第1和第3阶段均多发出的分布式电源在，但各个阶段分布式上网电价均相同，两种方案不同点在于是在第1或3阶段上传40kw的电量。在s₃＝0.4情况下，也有两种路径获得的方案，情况同上。

按照上面的方法一直进行，可以得到任意阶段内的运行方案。

104：在分析完最后一个阶段的后，并预知下一个周期分布式电源比较充裕，可通过人工参与的方法选择储能状态，例如选择s₄＝0.2。

105：基于能量管理最终储能状态量，由表5确定最终对应微网能量管理控制周期内成本量，若步骤104选择s₄＝0.2，则有f^* ₄(0.2)＝65.39元。根据前面获得的各阶段路径，返回搜索获得可行的路径，如表6所示，获得运算周期内微网每个阶段的储能充放电优化运行方案。

表6对于k＝4，s_k＝0.2情况下的调度方案

通过上述步骤实现了微网能量管理模型构建和动态调度求解方法，采用储能设备的充放电平衡微网内分布式电源或负荷带来微网功率不平衡预测，通过多阶段动态规划调度求解，使微网在一定周期内效益最大或运营成本最小。由计算过程可知，市场环境和储能设备的折旧率只与阶段成本函数相关，与整个算法的计算过程无关，因此该方法具有广泛的适应性。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

参考文献：

[1]王蕾,李娜,曾鸣.基于动态规划的微网储能系统经济运行决策模型研究[J].中国电力,2013,46(8):40-43.

[2]刘天琪,江东林.基于储能单元运行方式优化的微电网经济运行[J].电网技术,2012,36(1):45-50.

[3]丁明,林根德,陈自年,et al.一种适用于混合储能系统的控制策略[J].中国电机工程学报,2012,32(7):1-6.

[4]S.Drouilhet,B.L.Johnson.A Battery Life Prediction Method for Hybrid Power Applications[R],Aerospace Sciences Meeting and Exhibit,Reno,Nevada,1997.

Claims (3)

1.一种微网能量管理控制方法，其特征在于，所述方法包括以下步骤：

(1)基于微网所接入的主网电力市场环境、微网自身的网络构成、储能设备的特性，建立目标微网的能量管理优化控制模型；

(2)对于微网内的分布式电源和负荷，进行能量管理控制周期内的预测量；

(3)基于所述目标微网的能量管理优化控制模型，以储能元件荷电状态SOC作为决策变量，进行能量管理优化控制求解；

(4)根据分析结果，通过自定义决策或人工参与的方法，确定最终储能状态量；

(5)根据最终储能状态量对应的成本，返回搜索获得可行的路径，获得运算周期内微网能量管理每个阶段的储能充放电优化运行方案。

2.根据权利要求1所述的微网能量管理控制方法，其特征在于所述建立目标微网的能量管理优化控制模型的步骤，具体包括：

1)针对微网所在的主网电力市场环境，微网自身能量管理范围，划分微网能量管理阶段：以微网进行能量管理的时间间隔为步长t，以微网规划管理时间为总周期T，将微网能量管理过程划分为连续的K个阶段，且有K＝T/t；

2)确定微网储能元件的状态s_k可行集合及阶段储能充放电量x_k范围；将储能设备允许的荷电状态SOC离散化，获得储能状态的可行集合S，各阶段变化范围由单阶段储能设备的最大充放电量x_max决定；

3)确定能量管理过程中决策变量s_k和本阶段充放电量x_k，前一阶段决策变量s_k-1之间的关系；

4)基于微网的运行特性和所处市场环境，确定微网能量管理周期内决策变量与购电电量w_k的能量关系；

5)确定微网内能量管理周期内各阶段的成本指标函数v_k，以v_k表示微网能量管理的k阶段指标函数，包括能量管理结果所造成的成本v_1k，以及能量管理操作所产生的成本v_2k；

6)确定微网能量管理的总的优化目标函数。

3.根据权利要求1所述的微网能量管理控制方法，其特征在于所述基于所述目标微网的能量管理优化控制模型，以储能元件荷电状态SOC作为决策变量，进行能量管理优化控制求解的步骤具体包括：

1)定义k＝0，确定微网能量管理周期内储能的初始状态，并定义为s₀，获得相应的f₀ ^*(s₀)；

2)令k＝k+1，对于第k阶段k＝1,2,...,K，按照以下步骤循环进行计算；

3)根据储能元件充放电最大允许范围x_max速率和前一阶段的允许决策变量集合S_k-1，确定k阶段允许的决策变量s_k及其允许集合S_k；

4)选择其中一个s_k∈S_k，推荐s_k∈S_k中的元素从小到大，按照以下步骤进行计算；

5)基于选择的s_k∈S_k，针对S_k-1集合中元素，确定需要的充放电功率x_k，若|x_k|≤x_max则继续，否则放弃重新选择S_k-1集合中元素；

6)确定与x_k相对应的微网与主网的能量交互功率w_k；获得阶段指标函数v_k(s_k)，并基于上一阶段的最优方案记录f^* _k-1(s_k-1)，获得f_k(s_k)＝v_k(s_k)+f_k-1 ^*(s_k-1)，记录指标集合F_k中；

7)重复步骤5)和6)，直至对于S_k-1集合中所有元素完成操作，执行步骤8)；

8)对于每一个s_k∈S_k，选择指标集合F_k中最小值作为最优方案，并将对应的结果f_k ^*(s_k)，实现路径[s_k-1,s_k]、和保存；

9)重复步骤4)至8)，直至遍历完成S_k集合中所有元素，然后执行步骤10)；

10)重复步骤3)至9)，直至能量管理周期结束。