CN104269849A - 基于建筑光伏微电网的能量管理方法及系统 - Google Patents

Abstract

本发明公开了一种基于建筑光伏微电网的能量管理方法及系统，首先获取建筑光伏发电系统的运行历史数据和同期的气象条件信息并由此建立建筑光伏发电功率预测模型；获取建筑内用电负荷历史数据和同期的环境监测信息并由此建立建筑负荷需求预测模型；根据建筑所辖电动汽车的需求申请，提前制订电动车的运行调度计划，并预估电动车每次驶离建筑时的荷电状态以及返回建筑时的荷电状态；结合上述三者建立整个建筑光伏微电网的目标函数，并通过优化算法，提前对每辆电动汽车停靠建筑时各时段的充放电功率进行规划。本发明通过控制停靠建筑的电动车对电网的充放电功率，实现了对建筑电力负荷的可靠供电并且提高建筑能耗的利用率。

Description

基于建筑光伏微电网的能量管理方法及系统

技术领域

本发明涉及一种基于建筑光伏微电网的能量管理方法及系统。

背景技术

近些年来，随着光伏材料和设备的技术不断完善和价格持续降低，加之政府各项补贴政策推出，越来越多的企业或行政机构建立了建筑光伏一体化系统，从而能够充分利用可再生太阳能资源并降低企业能耗开销。与此同时，某些企事业单位也配备了电动通勤车辆用于员工日常上下班交通。

光伏电源及电动汽车(EV)都接入建筑内部电网后，为建筑能量生成和消耗过程的优化运行和管理带来了新的问题。传统建筑能源管理系统主要考虑其内部电力负荷的节能降耗和优化运行，而光伏等可再生电源及EV动力电池接入建筑电力系统后，在运营管理过程中，由于不能准确把握新能源发电出力及EV充电负荷需求的变化规律和趋势，将不能充分利用EV动力电池储能优势，致使建筑整体经济性运行得不到很好地保障。

为了协调大电网与分布式电源间的矛盾，充分发挥分布式能源的价值和效益，在20世纪初，学者们提出了微电网(Micro-Grid)的概念。微电网是结合了分布式微电源、本地负荷和控制装置的一种电网形式，其中，微电源包括含有电力电子接口的微型燃气轮机、风力发电、光伏发电、燃料电池等分布式电源和电池储能装置。因此，基于分布式能源的微电网技术将是解决现代建筑电能供应的一条有效途径。

目前，仅有少量机构已经着眼于含分布式电源的建筑能耗智能管理研究，然而仍存在诸多的不足和缺陷。如：申请号为“201110112492”名称为“一种移动式零碳能源环保小屋”的专利提出了在建筑物中使用光伏和风能并进行储能等技术措施，可达到一个较好的再生能源利用效果，但是，该技术方案在使用中仍存有的不足是：1、能源综合利用还不完善，用能与供源无法做到协调统一；2、光伏和风能的电力难于满足建筑中的用电需要，尤其是夏天和冬天的室内空调耗能大，仅靠光伏和风能发的电难于满足建筑中的用电需要；3、不具并网功能，当储能电池充满电后，不能并网销售，会造成电能浪费。

发明内容

本发明旨在解决建筑内电动汽车无序充放电及建筑内光伏发电随机性导致建筑能源利用不经济的问题，为此，本发明的目的是提出一种利用电动汽车移动储能特性的基于建筑光伏微电网的能量管理方法及系统。

本发明提供的这种基于建筑光伏微电网的能量管理方法，该方法包括如下步骤：

步骤一，利用当前日的建筑光伏发电功率记录数据和未来日的气象要素预报数据，建立建筑光伏发电功率预测模型为P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))，由此预测得到未来日建筑光伏发电功率数据；其中P_PV(d+1)是未来日的建筑光伏发电功率的逐时段预测数据，T_a(d+1)是气象台对未来日的环境温度的预报数据，H(d+1)是气象台对未来日的环境湿度的预报数据，P_PV(d)是当前日的建筑光伏发电功率监测记录数据；

利用当前日的建筑负荷功率的记录数据和未来日气象要素的预报数据，建立建筑负荷需求预测模型P_LOAD(d+1)＝f(T_a(d+1),H(d+1),P_LOAD(d))，由此预测得到未来日的负荷功率需求数据；其中P_LOAD(d+1)是提前一段时间对未来日的建筑负荷功率的逐时段预测数据，P_LOAD(d)是对当前日建筑实际负荷功率的逐时段监测记录数据；

收集未来日对电动汽车的用车需求，根据车辆每次执行任务的起止时段和往返距离，并结合车辆上的电池容量、耗电参数、充放电特性，预测每辆电动汽车的电动汽车电池在未来日每次驶离建筑时的荷电状态及其返回建筑时的荷电状态；

步骤二，根据未来日建筑光伏发电功率预测数据、未来日建筑负荷功率需求预测数据以及未来日电动汽车驶离建筑时和返回建筑时的荷电状态预估数据，以建筑微电网整体运行成本最小为目标，对未来日接入建筑微电网的电动汽车的充放电功率进行调度。

所述建筑光伏发电预测模型的建立包括如下步骤：

步骤1，对历史数据中气象要素观测数据和同期的光伏发电功率记录数据在每时段Δt进行抽取，其中，气象要素数据包括每日每时段Δt的大气温度数据和大气湿度数据；

步骤2，利用反向传播神经网络建立光伏发电功率预测网络；所述预测网络的输入量包括T_a(d+1)、H(d+1)和P_PV(d)，该预测网络的目标量为P_PV(d+1)；

步骤3，对步骤1中抽取的历史数据进行归一化处理，再对该预测网络进行训练得到建筑光伏发电功率预测模型：

P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))         (1)

步骤4，将当前日的光伏发电功率记录数据P_PV(d)和气象服务部门提供的未来日逐时段环境温度预测数据及未来日逐时段湿度预测数据进行归一化处理后代入步骤3的预测模型中，再将该预测模型的输出结果进行反归一化处理，得到未来日的逐时段建筑光伏发电功率预测数据P_PV(d+1)。

所述建筑光伏发电预测模型在训练过程中，采用每天平均绝对误差百分比DMAPE和均方根误差RMSE对光伏发电预测结果进行评估：

$\mathrm{DMAPE}=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\frac{|{\hat{P}}_t-P_t|}{P_t}\×100\%$

$\mathrm{RMSE}=\frac{1}{P_{\mathrm{PV},\mathrm{total}}}\sqrt{\frac{{\mathrm{\Σ}}_{t=1}^T{({\hat{P}}_t-P_t)}^2}{T}}$

其中每天平均绝对误差百分比DMAPE评估模型的预测能力，均方根误差RMSE评估整个系统预测值的离散程度；式中，是未来日总时段数为T时第t时段的光伏发电预测功率，P_t是未来日总时段数为T时第t时段的光伏发电实际功率，P_PV,total是建筑内光伏发电系统的装机功率。

所述建筑负荷需求预测模型的建立包括如下步骤：

步骤1，提前预测建筑能量管理系统所辖建筑内所有用电设备的逐时段负荷功率需求；

步骤2，因其与每日时段的环境温度和环境湿度紧密相关，故建筑负荷需求预测模型为统计回归函数：

P_LOAD(d+1)＝f(T_a(d+1),H(d+1),P_LOAD(d))        (2)

其中，P_LOAD(d+1)是提前一定时间对未来日的建筑负荷功率的逐时段预测数据，P_LOAD(d)是对当前日建筑实际负荷功率的逐时段监测记录数据。

所述步骤二采用单目标优化方法对建筑内电动汽车充放电进行调度，其目标函数为

${\min B}_c=\min \left(\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|P({\mathrm{EV}}_j,t)\right|\×\mathrm{\Δt}\×C({\mathrm{EV}}_j,t)\\ +\underset{t=1}{\overset{T}{\mathrm{\Σ}}}P(\mathrm{PV},t)\×\mathrm{\Δt}\×C(\mathrm{PV},t)+\underset{t=1}{\overset{T}{\mathrm{\Σ}}}P(\mathrm{GRID},t)\×\mathrm{\Δt}\×C(\mathrm{GRID},t)\end{array}\right)$

式中，N是建筑内所有电动汽车的总数，Δt是每时段的时间间隔，T是每日时段总数；C(PV,t)是建筑内所有光伏发电单元在第t时段的发电成本单价；C(GRID,t)是第t时段建筑与外部电网之间的成本或收益单价；C(EV_j,t)是第j辆电动汽车在第t时段内的运行成本单价；P(PV,t)是建筑内所有光伏发电单元在第t时段的发电总功率；P(GRID,t)是第t时段建筑与外部电网之间的交换功率，当建筑从外部电网购电时，P(GRID,t)＞0，而建筑向外部电网售电时，P(GRID,t)＜0；P(EV_j,t)是第j辆电动汽车在第t时段内充放电功率，并且当电动汽车充电机充电时P(EV_j,t)＞0，而当电动汽车充电机放电时P(EV_j,t)＜0。

所述单目标优化函数B_C需满足下列约束条件：

(1)功率平衡约束：

$P(\mathrm{PV},t)+P(\mathrm{GRID},t)=P(\mathrm{LOAD},t)+\underset{j=1}{\overset{N}{\mathrm{\Σ}}}A({\mathrm{EV}}_j,t)P({\mathrm{EV}}_j,t)---\left(4\right)$

式中，N是建筑内所有电动汽车的数量；P(LOAD,t)是第t时段建筑所有负荷的需求功率；A(EV_j,t)是在所述步骤一中制订任务计划中第j辆电动汽车在第t时段与建筑电网的连接状态，若该车停靠建筑，则A(EV_j,t)＝1，若该车已驶离建筑行驶在路上，则A(EV_j,t)＝0；

(2)建筑与外部电网交换功率约束：

-P_Gsell,max≤P(GRID,t)≤P_Gbuy,max            (5)

|P(GRID,t+1)-P(GRID,t)|≤ΔP_g             (6)

式中，P_Gsell,max是允许建筑从电网购入的功率限值，P_Gbuy,max是允许建筑向电网卖出的功率限值；ΔP_g是建筑与外部电网交换功率在相邻时段的变化限值；

(3)电动汽车充放电功率约束：

-P_EV,max≤P(EV_j,t)≤P_EV,max            (7)

式中，P(EV_j,t)是第j辆电动汽车在第t时段的充放电功率；P_EV,max是第j辆电动汽车充电或放电功率限值；

(4)电动汽车电池约束：

$\begin{array}{c}{\mathrm{SOC}}_{j,\min }\≤\mathrm{SOC}({\mathrm{EV}}_j,T_{\mathrm{dep},j}\left(m\right))\\ \≤\mathrm{SOC}({\mathrm{EV}}_j,T_{\mathrm{ret},j}(m-1))+\underset{t=T_{\mathrm{ret},j}(m-1)}{\overset{T_{\mathrm{dep},j}\left(m\right)}{\mathrm{\Σ}}}A({\mathrm{EV}}_j,t)\×P({\mathrm{EV}}_j,t)\×\mathrm{\Δt}/E_j\\ \≤{\mathrm{SOC}}_{j,\max }\\ 1\≤m\≤M_j\end{array}---\left(8\right)$

其中，

式中，SOC(EV_j,t)是第j辆电动汽车电池在第t时段的荷电状态，E_j是第j辆电动汽车的电池容量，SOC_j,max是第j辆电动汽车电池允许的荷电状态最高限值，SOC_j,min是第j辆电动汽车电池允许的荷电状态最低限值，M_j是在所述步骤一中对第j辆电动汽车在未来日制订的执行任务总次数，T_dep,j(m)是第j辆电动汽车执行第m次任务时离开建筑时段，T_ret,j(m)是第j辆电动汽车执行第m次任务时返回建筑时段，SOC(EV_j,T_dep,j(m))是第j辆车执行第m次任务时离开建筑前电池所需要的最低荷电状态，而SOC(EV_j,T_ret,j(m))是该车返回建筑时对其电池预计的剩余荷电状态；对于任意第j辆车，设定每日的首个时段为其执行第0次任务的返回时段，即T_ret,j(m-1)|_m＝1＝T_ret,j(0)＝1。

一种建筑光伏微电网系统，其特征在于，包括建筑光伏微电网能量管理系统、光伏阵列、光伏逆变器、若干辆电动汽车及与其配套的若干台EV充放电机、建筑负荷设备、配电控制柜、并离网切换开关；光伏阵列通过光伏逆变器接入配电控制柜；外部电网的电能通过变压器输入至配电控制柜；配电控制柜与建筑负荷设备连接；配电控制柜通过EV充放电机与若干电动汽车连接，给其充电或放电；电动汽车通过EV充放电机与建筑光伏微电网连接，用于向建筑内部供给电能或向外部电网输送电能；电动汽车上配备若干用于储能的电动汽车电池，该电动汽车电池与所述EV充放电机连接；

光伏逆变器将光伏发电信息传至建筑光伏微电网能量管理系统；配电控制柜将建筑负荷设备的用电信息传至建筑光伏微电网能量管理系统；EV充放电机与建筑光伏微电网能量管理系统连接，EV充放电机将电动汽车电池的状态信息传至该能量管理系统，而该能量管理系统则向EV充放电机发出控制指令，对电动车电池进行充电，或者将电动车电池多余的电能输送至建筑微电网内部负荷和/或经由变压器输出给外部电网。

所述建筑光伏微电网能量管理系统包括光伏发电预测模块、建筑负荷需求预测模块、电动汽车电池SOC预测模块、智能建筑调度优化模块和电网电价获取/预测模块；

光伏发电预测模块用于根据建筑光伏微电网中光伏发电历史数据和未来日气象预报数据建立光伏发电功率预测模型；

建筑负荷需求预测模块用于根据建筑负荷的历史数据和未来日气象预报数据建立建筑负荷需求预测模型；

电动汽车充放电预测模块用于收集未来日对电动汽车的用车需求，根据车辆每次执行任务的起止时段和往返距离，并结合车辆上的电池容量、耗电参数、充放电特性，预测每辆电动汽车在未来日每次驶离建筑时的荷电状态及其返回建筑时的荷电状态；

智能建筑调度优化模块用于根据光伏发电预测模块、建筑负荷需求预测模块、电动汽车充放电预测模块的输出结果，以建筑微电网整体运行能耗最小为目标，对未来日接入建筑微电网的电动汽车的充放电功率进行调度；

光伏逆变器将其发电信息送至光伏发电预测模块的输入端，光伏发电预测模块的输出端与智能建筑调度优化模块的输入端连接；配电控制柜将建筑内各用电设备的运行状态信息送至建筑负荷需求预测模块的输入端，建筑负荷需求预测模块的输出端与智能建筑调度优化模块的输入端连接；若干EV充放电机与若干电动汽车电池连接，EV充放电机将电动车电池的运行状态信息送至电动汽车电池SOC预测模块的输入端，电动汽车电池SOC预测模块的输出端与智能建筑调度优化模块的输入端。智能建筑调度优化模块将EV充放电控制指令传至EV充放电机，控制EV充放电机对电动汽车的充放电；智能建筑调度优化模块还将并网或离网的控制指令传至并离网切换开关，对光伏微电网与外部电网的并网与离网进行控制。

所述并离网切换开关是建筑光伏微电网与外部电网互联的唯一接口。

所述光伏逆变器采用并网型光伏逆变器。

本发明通过获取建筑光伏发电系统的运行历史数据和同期的气象条件信息，根据该数据信息建立建筑光伏发电功率预测模型；获取建筑内用电负荷历史数据和同期的环境监测信息，根据该数据信息建立建筑负荷需求预测模型；根据建筑所辖电动通勤车的需求申请，提前一段时间制订电动车的运行调度计划，并预估电动车每次驶离建筑时的荷电状态(SOC，state of charge)以及返回建筑时的SOC；提前24h根据光伏发电预测数据、负荷需求预测数据、电网分时电价数据以及电动车SOC在各时段需求或预测数据，建立整个建筑光伏微电网的能耗目标函数，并通过优化算法，对每辆电动车停靠建筑时各时段的充放电功率进行优化调度。

本发明通过控制停靠建筑的电动车对电网的充放电功率，即利用电动车上的动力电池充电和放电过程，与建筑光伏微电源、建筑电力负荷、以及外部电网形成良好的功率互补，从而实现对建筑电力负荷的可靠供电并且提高建筑能耗的利用率。

附图说明

图1是本发明的一种实施方式示意图。

图2是本发明的建筑光伏微电网能量管理系统原理框图。

图3是本发明的方法流程图。

图4是本发明的一种实施方式的光伏系统发电功率预测模型示意图。

具体实施方式

本发明的整个建筑就是一个光伏微电网。

本发明的光伏微电网至少应包含1个可连接建筑内部电网的并网型光伏逆变器、1辆用于接送员工的电动通勤车、1台可连接电动汽车与建筑内部电网且能实现二者间能量双向流动的充放电机和1台消耗电力的建筑负荷设备。此外，本发明的光伏微电网仅通过唯一的并离网切换开关与外部电网互联。

如图1所示，本发明包括建筑光伏微电网能量管理系统、光伏阵列、光伏逆变器、若干辆电动汽车及与其配套的若干台EV充放电机、建筑负荷设备、配电控制柜、并离网切换开关、变压器、外部电网。光伏阵列通过光伏逆变器接入配电控制柜；外部电网的电能通过变压器输入至配电控制柜；配电控制柜与建筑负荷设备连接；配电控制柜通过EV充放电机与若干电动汽车连接，给其充电或放电；电动汽车通过EV充放电机与建筑光伏微电网连接，用于向建筑内部供给电能或向外部电网输送电能。电动汽车上配备若干电动汽车电池，该电动汽车电池与EV充放电机连接。

光伏逆变器将光伏发电信息传至建筑光伏微电网能量管理系统；配电控制柜将建筑负荷设备的用电信息传至建筑光伏微电网能量管理系统；EV充放电机与建筑光伏微电网能量管理系统连接，EV充放电机将电动汽车电池的状态信息传至该能量管理系统，而该能量管理系统则向EV充放电机发出控制指令，对电动汽车电池进行充电，或者将电动汽车电池多余的电能输送至建筑微电网内部负荷和/或经由变压器输出给外部电网。电动汽车电池的状态信息包括电池的荷电状态、充电功率、放电功率等。

图1中带箭头的实线表示的是各设备之间的能量流；带箭头的虚线表示的是各设备之间的信息流。

如图2所示，建筑光伏微电网能量管理系统包括光伏发电预测模块、建筑负荷需求预测模块、电动汽车电池SOC预测模块、智能建筑调度优化模块和电网电价获取/预测模块。

光伏逆变器将其发电信息送至光伏发电预测模块的输入端，光伏发电预测模块的输出端与智能建筑调度优化模块的输入端连接；配电控制柜将建筑内各用电设备的运行状态信息送至建筑负荷需求预测模块的输入端，建筑负荷需求预测模块的输出端与智能建筑调度优化模块的输入端连接；若干EV充放电机与若干电动汽车电池连接，EV充放电机将电动汽车电池的运行状态信息送至电动汽车电池SOC预测模块的输入端，电动汽车电池SOC预测模块的输出端与智能建筑调度优化模块的输入端。智能建筑调度优化模块将EV充放电控制指令传至EV充放电机，控制EV充放电机对电动汽车的充放电；智能建筑调度优化模块还将并网或离网的控制指令传至并离网切换开关，对光伏微电网与外部电网的并网与离网进行控制。

光伏发电预测模块用于根据建筑光伏微电网中光伏发电历史数据和未来日气象预报数据建立光伏发电功率预测模型；

建筑负荷需求预测模块用于根据建筑负荷的历史数据和未来日气象预报数据建立建筑负荷需求预测模型；

电动汽车充放电预测模块用于收集未来日对电动汽车的用车需求，根据车辆每次执行任务的起止时段和往返距离，并结合车辆上的电池容量、耗电参数、充放电特性，预测每辆电动汽车在未来日每次驶离建筑时的荷电状态及其返回建筑时的荷电状态；

智能建筑调度优化模块用于根据光伏发电预测模块、建筑负荷需求预测模块、电动汽车充放电预测模块的输出结果，以建筑微电网整体运行成本最小为目标，对未来日接入建筑微电网的电动汽车的充放电功率进行调度。

本发明将停靠建筑的电动汽车电池通过能量可以双向流动的变换器与建筑外部电网连接，通过控制电动汽车电池的充放电功率，可与建筑内的光伏微电源、用电负荷和外部电网形成良好的协调补充，从而保证用电负荷可靠供电，充分利用清洁的光伏电力；还可以利用电网的分时电价特性提高建筑微电网的经济性。

下面结合具体实施例对本发明作进一步的说明，关于未来日建筑光伏发电功率数据、未来日的负荷功率需求数据以及每辆EV电动车在未来日每次驶离建筑时的荷电状态及其返回建筑时的荷电状态这些数据的获取可同时进行，下面实施例中关于此部分内容的步骤序号并不限定其固定的前后逻辑关系。

如图3所示，本发明的建筑光伏微电网能量管理方法包括如下步骤。

步骤S1，提前24h预测建筑能量管理系统所辖所有光伏发电单元的逐时输出功率。

在本发明实施例中，提前24h的建筑光伏发电功率预测模型可描述为统计回归函数P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))，其建立方法具体为：

(1.1)对历史数据中气象要素观测数据和同期光伏发电功率监测数据在每时段(Δt，可取1h)进行抽取；其中，气象要素数据包括每日每时段(Δt，可取1h)的大气温度数据和大气湿度数据；

(1.2)利用反向传播(Back Propagation，BP)神经网络建立光伏发电功率预测网络。如图4所示，预测网络的输入量T_a(d+1)和H(d+1)分别为气象台提供的未来日(记为第(d+1)日)环境温度和湿度预报数据构成的向量，输入量P_PV(d)是当前日(记为第d日)对光伏发电功率监测数据构成的向量；该预测网络的目标量P_PV(d+1)为是对未来日(即第(d+1)日)光伏发电功率预测数据构成的向量；

(1.3)对步骤(1.1)中抽取的历史数据进行归一化处理后使得预测网络的输入量和目标量数据属于[0,1]，再对该预测网络进行训练得到建筑光伏发电功率预测模型。其中，训练方法中BP神经网络隐含层的激活函数采用Sigmoid非线性函数，BP神经网络隐含层的训练函数为Bayes规范化函数，隐含层神经元的个数需要根据网络性能的优劣确定，需要通过试验进行优选。若每时段的时间间隔Δt＝1h，则每日时段数共计为24，最终可确定该预测模型的参数为：输入节点数为72，输出节点数为24，隐含层节点数为48。训练结束后，输出数据与输入数据形成了固定的函数关系为

P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))，        (1)

其中，T_a(d+1)为气象台对未来日共计24个时段的环境温度的预报数据，H(d+1)为气象台对未来日共计24个时段的环境湿度的预报数据，P_PV(d)为当前日共计24个时段的建筑光伏发电功率监测记录数据。通过训练后，上述函数关系就可以描述光伏发电功率与当地气象要素之间的相关性，并能用于提前24h对未来日的光伏发电功率进行预测

(1.4)当需要提前24h对光伏发电功率进行预测时，则将当前日(记为第d日)的光伏发电功率监测记录数据P_PV(d)和气象服务部门提供的提前24h(即第(d+1)日)环境温度预测数据T_a(d+1)及湿度预测数据H(d+1)进行归一化处理后代入式(1)的预测模型中，将预测模型的输出结果进行反归一化处理后便得到了未来日(第(d+1)日)的逐时段光伏发电功率预测数据P_PV(d+1)。

在建筑光伏发电预测模型在训练过程中，本发明采用每天平均绝对误差百分比DMAPE(Daily Mean Absolute Percentage Error，DMAPE)和均方根误差RMSE(Root Mean Square Error，RMSE)对光伏发电预测结果进行评估：

$\mathrm{DMAPE}=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\frac{|{\hat{P}}_t-P_t|}{P_t}\×100\%$

$\mathrm{RMSE}=\frac{1}{P_{\mathrm{PV},\mathrm{total}}}\sqrt{\frac{{\mathrm{\Σ}}_{t=1}^T{({\hat{P}}_t-P_t)}^2}{T}}$

其中每天平均绝对误差百分比DMAPE评估模型的预测能力，均方根误差RMSE评估整个系统预测值的离散程度；式中，为未来日总时段数为T时第t时段的光伏发电预测功率，P_t为未来日总时段数为T时第t时段的光伏发电实际功率，P_PV,total是建筑内光伏发电系统的装机功率。

步骤S2，提前24h预测建筑能量管理系统所辖建筑内所有用电设备的逐时段负荷功率需求。

在本发明实施例中，由于建筑内电气负荷主要为照明负荷、空调负荷以及办公设备，它们都与每日时段、环境温度和环境湿度紧密相关，因此建筑负荷需求预测模型可以描述为统计回归函数：

P_LOAD(d+1)＝f(T_a(d+1),H(d+1),P_LOAD(d))      (2)

其中：T_a(d+1)和H(d+1)是气象服务部门对未来日(第(d+1)日)的环境温度和环境湿度的逐时段预报数据；P_LOAD(d)是对当前日(第d日)建筑实际负荷功率的逐时段监测记录数据；而P_LOAD(d+1)是提前24h对未来日(第(d+1)日)建筑的逐时段负荷功率的预测数据。

上述负荷功率预测模型的训练方法及应用过程与步骤S1中的建筑光伏发电功率预测模型相似，此处不再赘述。

步骤S3，提前24h制订建筑能量管理系统所辖电动通勤车辆接送员工的往返时间表，并确定每辆电动通勤车每次驶离建筑时初始SOC以及返回建筑时的剩余SOC。

在本发明实施例中，提前24h制订电动通勤车辆往返时间表以及每辆电动通勤车每次执行任务的初始SOC和剩余SOC的具体方法为：

(2.1)用车人员提前24h申报未来日的用车数量、出发时间、返回时间、往返里程等信息；

(2.2根据收集到所有用车需求信息提前24h确定未来日每辆电动汽车停靠建筑以及离开建筑的时段；

(2.3)根据每辆电动汽车的单位行驶距离耗电量、每次执行任务的时间段和行驶距离、每次任务返回时动力电池允许的最低SOC等数据，提前24h估算未来日每辆车执行每次任务驶离建筑的所需的最低初始SOC。

上述制订任务过程可以由专门人员完成，也可以由软件系统自动完成。在本发明实施例中，假设有3辆电动汽车辆，每日划分为24个时段(即24h)，那么在未来日，3辆车的一种可能的计划出行执行任务情况见表一。

说明：■表示驶离建筑，表示停靠建筑

电动汽车EV₁执行日常的接送员工上下班的任务，故该车计划在早上7:00～8:59、中午12:00～13:59和下午17:00～17:59的3个时段内驶离建筑；电动汽车EV₂计划在10:00～11:59和15:00～15:59的2个时段内接送管理人员外出开会；其它时段，EV₁和EV₂都停靠建筑内。另外，电动汽车EV₃没有任何任务，故全天停靠在建筑内。在这些车辆停靠建筑的时段内，都通过EV充放电机与建筑内部电网连接，从而可以与建筑电网之间交换电能。

步骤S4，根据未来日建筑光伏发电功率预测数据、未来日建筑负荷功率需求预测数据以及未来日电动汽车每次执行任务的初始SOC数据和剩余SOC数据，以建筑微电网整体运行成本最小为目标，提前24h对未来日接入建筑微电网的电动汽车的充放电功率进行调度。

在本发明实施例中，采用单目标优化方法对建筑内EV充放电机进行优化调度，其目标函数为：

${\min B}_c=\min \left(\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|P({\mathrm{EV}}_j,t)\right|\×\mathrm{\Δt}\×C({\mathrm{EV}}_j,t)\\ +\underset{t=1}{\overset{T}{\mathrm{\Σ}}}P(\mathrm{PV},t)\×\mathrm{\Δt}\×C(\mathrm{PV},t)+\underset{t=1}{\overset{T}{\mathrm{\Σ}}}P(\mathrm{GRID},t)\×\mathrm{\Δt}\×C(\mathrm{GRID},t)\end{array}\right)---\left(3\right)$

式中：N是建筑内所有电动汽车的总数，Δt为每时段的时间间隔(可选取时间间隔为小时h)，T是每日时段总数；P(PV,t)是建筑内所有光伏发电单元在第t时段的发电总功率(单位kW)，C(PV,t)是建筑内所有光伏发电单元在第t时段的发电成本单价(单位￥/kW·h)；P(GRID,t)是第t时段建筑与外部电网之间的交换功率(单位kW)，C(GRID,t)是第t时段建筑与外部电网之间的成本或收益单价(￥/kW·h)。当建筑从外部电网购电时，P(GRID,t)>0且C(GRID,t)为购电成本单价，而建筑向外部电网卖电时，P(GRID,t)<0且C(GRID,t)为卖电收益单价。P(EV_j,t)是第j辆电动汽车在第t时段内充放电功率(单位kW)，C(EV_j,t)是第j辆电动汽车在第t时段内的运行成本单价(单位￥/kW·h)，并且当电动汽车充电机充电时P(EV_j,t)>0，而当电动汽车充电机放电时P(EV_j,t)<0。

上述目标函数B_c中，光伏发电单元为不受控的随机性电源，故将其发电功率预测数据作为P(PV,t)带入式中；而电动汽车电池充放电机是可控电源，因此电动汽车充放电功率P(EV_j,t)是需要求解的决策变量，通过最小化目标函数B_c而得到。

更进一步地，上述单目标优化函数B_c需满足如下约束条件：

约束(1)：功率平衡约束

$P(\mathrm{PV},t)+P(\mathrm{GRID},t)=P(\mathrm{LOAD},t)+\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}A({\mathrm{EV}}_j,t)P({\mathrm{EV}}_j,t)---\left(4\right)$

其中，N是建筑内所有电动汽车的总数；P(LOAD,t)是第t时段建筑所有负荷的需求功率；A(EV_j,t)是在步骤S3制订任务计划中第j辆电动汽车在第t时段与建筑电网的连接状态，若该车停靠建筑，则A(EV_j,t)＝1，反之，即该车已驶离建筑行驶在路上，则A(EV_j,t)＝0。

约束(2)：建筑与外部电网交换功率约束

-P_Gsell,max≤P(GRID,t)≤P_Gbuy,max       (5)

|P(GRID,t+1)-P(GRID,t)|≤ΔP_g      (6)

式中，P_Gsell,max和P_Gbuy,max分别是允许建筑从电网购入的功率限值和向电网卖出的功率限值；ΔP_g是建筑与外部电网交换功率在相邻时段的变化限值。

约束(3)：电动汽车充放电功率约束

-P_EV,max≤P(EV_j,t)≤P_EV,max       (7)

式中，P(EV_j,t)为第j辆电动汽车在第t时段的充放电功率；P_EV,max为其充电或放电功率限值。

约束(4)：电动汽车电池约束

$\begin{array}{c}{\mathrm{SOC}}_{j,\min }\&le;\mathrm{SOC}({\mathrm{EV}}_j,T_{\mathrm{dep},j}\left(m\right))\\ \&le;\mathrm{SOC}({\mathrm{EV}}_j,T_{\mathrm{ret},j}(m-1))+\underset{t=T_{\mathrm{ret},j}(m-1)}{\overset{T_{\mathrm{dep},j}\left(m\right)}{\mathrm{\&Sigma;}}}A({\mathrm{EV}}_j,t)\&times;P({\mathrm{EV}}_j,t)\&times;\mathrm{\&Delta;t}/E_j\\ \&le;{\mathrm{SOC}}_{j,\max },1\&le;m\&le;M_j\end{array}---\left(8\right)$

其中

$A({\mathrm{EV}}_j,t)=\left\{\begin{array}{c}1,t\&Element;[T_{\mathrm{ret},j}(m-1),T_{\mathrm{dep},j}\left(m\right)]\\ 0,t\&NotElement;[T_{\mathrm{ret},j}(m-1),T_{\mathrm{dep},j}\left(m\right)]\end{array}\right.\mathrm{for}1\&le;m\&le;M_j$

式中，SOC(EV_j,t)是第j辆电动汽车电池在第t时段的SOC；E_j是第j辆电动汽车的电池容量；SOC_j,max和SOC_j,min分别为第j辆电动汽车电池允许的最高和最低SOC限值；M_j是在步骤S3中对第j辆电动汽车在未来日制订的执行任务总次数；T_dep,j(m)和T_ret,j(m)分别是第j辆电动汽车执行第m次任务时离开建筑时段和返回建筑时段；SOC(EV_j,T_dep,j(m))是第j辆车执行第m次任务时离开建筑前电池所需要的最低SOC，而SOC(EV_j,T_ret,j(m))是该车返回建筑时对其电池预计的剩余SOC。对于任意第j辆车，设定每日的首个时段为其执行第0次任务的返回时段，

即T_ret,j(m-1)|_m＝1＝T_ret,j(0)＝1。

在本发明实施例中，根据建筑光伏微电网的运行成本函数和各个约束条件，建立带有约束条件的目标函数，可以表示为：

minF(x)

s.t.g_i(x)≥0,i＝1,...,I                 (9)

h_j(x)＝0,j＝1,...,J

其中F(x)为目标函数，即公式(3)中描述的建筑光伏微电网在未来日的总运行成本B_c；x是需要求解的决策变量，在本发明实施例中，决策变量就是建筑内所有N辆电动汽车停靠建筑且与电网连接时在未来日各时段的充放电功率，即{P(EV_j,t)},t∈[T_ret,j(m-1),T_dep,j(m)]and 1≤m≤M_j；g_i(x)为不等式约束条件，即公式(5)、(6)、(7)和(8)；h_j(x)为等式约束条件，即公式(4)；I和J分别是不等式约束条件和等式约束条件的数量。

最后，根据例如外点惩罚函数法可将约束问题转化为无约束问题，也就是说，外点惩罚函数法可将带有约束条件的目标函数转换为我们所需的无约束条件的适应度函数的形式。具体而言，可将约束条件以惩罚函数项的形式，计入目标函数中，从而得到无约束条件的适应度函数，可以表示为

${\min F}^{\&prime;}\left(x\right)=F\left(x\right)+\mathrm{\&sigma;}\{\mathrm{\&Sigma;}{\left(\max \right\{0,-g_i\left\}\right)}^2+\mathrm{\&Sigma;}{\left|h_j\right|}^2\}---\left(10\right)$

其中，F′(x)为无约束条件的适应度函数；σ为预设的惩罚因子，具体而言，无约束条件的适应度函数中预设惩罚因子σ的选择十分重要，如果预设惩罚因子σ过大，则给惩罚函数项的极小化增加计算上的困难；如果预设惩罚因子σ太小，则惩罚函数项的极小点远离约束问题的最优解，计算效率较差。其中，预设惩罚因子σ可通过现有的方法准确计算得到，此处不再赘述。

对于公式(10)所描述的无约束优化问题，可以采用众多数值优化计算工具包，如Matlab和CPLEX等，或者启发式智能优化算法，如遗传算法(GA)和粒子群优化算法(PSO)等。

在本发明的实施例中，以PSO算法为例说明公式(10)无约束优化问题的具体求解方法如下：

(4.1)假定粒子群中粒子数量预设为Q，根据建筑光伏微电网中电动汽车充放电机的充放电功率限值随机生成Q个粒子个体，其每个粒子个体描述了未来日每辆车接入建筑电网时各时段充放电功率的一种可能解；

(4.2)对种群内的每个粒子个体计算适应度值并得到全局最优粒子，适应度值与最优解的距离直接有关；

(4.3)计算每个粒子与当前全局最优粒子的距离，根据预设的粒子搜索方法调整每个粒子的位置，更新每个粒子的位置和速度。本发明的实施例中，粒子更新的过程与现有的标准粒子群算法更新过程相同，此处，为了简单起见，不再赘述

(4.4)重复步骤(4.2)和(4.3)，直到满足预设的终止条件，终止条件可为达到最大迭代次数和/或预设迭代次数对应的粒子适应度值的差值小于预设阈值。

(4.5)迭代结束后，全局最优粒子所代表的向量x便是建筑光伏微电网中电动汽车充放电机的最优充放电功率。

本发明实施例提供的建筑光伏微电网能量管理方法适用于智能建筑，该智能建筑具有集成光伏发电系统和停靠电动汽车的特点。根据智能建筑的历史运营数据分别建立建筑负荷需求预测模型和建筑光伏发电功率预测模型；其中，建筑光伏发电功率预测模型考虑了影响光伏出力的天气因素，而建筑负荷需求预测模型考虑了影响建筑负荷的时段和天气因素。根据建筑内电动汽车的可受控特性，可提前24h对每辆电动汽车执行任务的起止时段和往返距离，预先计划电动汽车驶离建筑时的起始SOC并能预估其返回建筑时剩余SOC。将光伏发电预测数据、负荷需求预测数据以及车辆电池的SOC需求作为输入，建立了以运行成本最小的建筑光伏微电网能量管理模型，通过该模型的计算输出提前对电动汽车电池的充放电过程进行优化调度，从而实现了建筑微电网整体运行的节能性和经济性。本发明可为智能建筑的建设和运营提供指导。

本发明的建筑光伏微电网能量管理系统适用于含有电动汽车的智能建筑的经济化运行，解决微电源的出力经济问题。本发明能够确保智能建筑的供电需求，同时提高智能建筑的整体运行经济性，提前对运行策略进行预演和评估，能为智能建筑的运营提供更好地决策支持与参考，提高智能建筑的运行效率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于建筑光伏微电网的能量管理方法，该方法包括如下步骤：

步骤一，利用当前日的建筑光伏发电功率记录数据和未来日的气象要素预报数据，建立建筑光伏发电功率预测模型为P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))，由此预测得到未来日建筑光伏发电功率数据；其中P_PV(d+1)是未来日的建筑光伏发电功率的逐时段预测数据，T_a(d+1)是气象台对未来日的环境温度的预报数据，H(d+1)是气象台对未来日的环境湿度的预报数据，P_PV(d)是当前日的建筑光伏发电功率监测记录数据；

利用当前日的建筑负荷功率的记录数据和未来日气象要素的预报数据，建立建筑负荷需求预测模型P_LOAD(d+1)＝f(T_a(d+1),H(d+1),P_LOAD(d))，由此预测得到未来日的负荷功率需求数据；其中P_LOAD(d+1)是提前一段时间对未来日的建筑负荷功率的逐时段预测数据，P_LOAD(d)是对当前日建筑实际负荷功率的逐时段监测记录数据；

收集未来日对电动汽车的用车需求，根据车辆每次执行任务的起止时段和往返距离，并结合车辆上的电池容量、耗电参数、充放电特性，预测每辆电动汽车的电动汽车电池在未来日每次驶离建筑时的荷电状态及其返回建筑时的荷电状态；

步骤二，根据未来日建筑光伏发电功率预测数据、未来日建筑负荷功率需求预测数据以及未来日电动汽车驶离建筑时和返回建筑时的荷电状态预估数据，以建筑微电网整体运行成本最小为目标，对未来日接入建筑微电网的电动汽车的充放电功率进行调度。

2.根据权利要求1所述的基于建筑光伏微电网的能量管理方法，其特征在于，所述建筑光伏发电预测模型的建立包括如下步骤：

步骤1，对历史数据中气象要素观测数据和同期的光伏发电功率记录数据在每时段Δt进行抽取，其中，气象要素数据包括每日每时段Δt的大气温度数据和大气湿度数据；

步骤2，利用反向传播神经网络建立光伏发电功率预测网络；所述预测网络的输入量包括T_a(d+1)、H(d+1)和P_PV(d)，该预测网络的目标量为P_PV(d+1)；

步骤3，对步骤1中抽取的历史数据进行归一化处理，再对该预测网络进行训练得到建筑光伏发电功率预测模型：

P_PV(d+1)＝f(T_a(d+1),H(d+1),P_PV(d))  (1)

步骤4，将当前日的光伏发电功率记录数据P_PV(d)和气象服务部门提供的未来日逐时段环境温度预测数据及未来日逐时段湿度预测数据进行归一化处理后代入步骤3的预测模型中，再将该预测模型的输出结果进行反归一化处理，得到未来日的逐时段建筑光伏发电功率预测数据P_PV(d+1)。

3.根据权利要求2所述的基于建筑光伏微电网的能量管理方法，其特征在于，所述建筑光伏发电预测模型在训练过程中，采用每天平均绝对误差百分比DMAPE和均方根误差RMSE对光伏发电预测结果进行评估：

$\mathrm{DMAPE}=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\frac{|{\hat{P}}_t-P_t|}{P_t}\&times;100\%$

$\mathrm{RMSE}=\frac{1}{P_{\mathrm{PV},\mathrm{total}}}\sqrt{\frac{{\mathrm{\&Sigma;}}_{t=1}^T{({\hat{P}}_t-P_t)}^2}{T}}$

其中每天平均绝对误差百分比DMAPE评估模型的预测能力，均方根误差RMSE评估整个系统预测值的离散程度；式中，是未来日总时段数为T时第t时段的光伏发电预测功率，P_t是未来日总时段数为T时第t时段的光伏发电实际功率，P_PV,total是建筑内光伏发电系统的装机功率。

4.根据权利要求1所述的基于建筑光伏微电网的能量管理方法，其特征在于，所述建筑负荷需求预测模型的建立包括如下步骤：

步骤1，提前预测建筑能量管理系统所辖建筑内所有用电设备的逐时段负荷功率需求；

步骤2，因其与每日时段的环境温度和环境湿度紧密相关，故建筑负荷需求预测模型为统计回归函数：

P_LOAD(d+1)＝f(T_a(d+1),H(d+1),P_LOAD(d))  (2)

其中，P_LOAD(d+1)是提前一定时间对未来日的建筑负荷功率的逐时段预测数据，P_LOAD(d)是对当前日建筑实际负荷功率的逐时段监测记录数据。

5.根据权利要求1所述的基于建筑光伏微电网的能量管理方法，其特征在于，所述步骤二采用单目标优化方法对建筑内电动汽车充放电进行调度，其目标函数为

$\min B_c=\min \left(\begin{array}{c}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|P({\mathrm{EV}}_j,t)\right|\&times;\mathrm{\&Delta;t}\&times;C({\mathrm{EV}}_j,t)\\ +\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P(\mathrm{PV},t)\&times;\mathrm{\&Delta;t}\&times;C(\mathrm{PV},t)+\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}P(\mathrm{GRID},t)\&times;\mathrm{\&Delta;t}\&times;C(\mathrm{GRID},t)\end{array}\right)$

式中，N是建筑内所有电动汽车的总数，Δt是每时段的时间间隔，T是每日时段总数；C(PV,t)是建筑内所有光伏发电单元在第t时段的发电成本单价；C(GRID,t)是第t时段建筑与外部电网之间的成本或收益单价；C(EV_j,t)是第j辆电动汽车在第t时段内的运行成本单价；P(PV,t)是建筑内所有光伏发电单元在第t时段的发电总功率；P(GRID,t)是第t时段建筑与外部电网之间的交换功率，当建筑从外部电网购电时，P(GRID,t)＞0，而建筑向外部电网售电时，P(GRID,t)＜0；P(EV_j,t)是第j辆电动汽车在第t时段内充放电功率，并且当电动汽车充电机充电时P(EV_j,t)＞0，而当电动汽车充电机放电时P(EV_j,t)＜0。

6.根据权利要求5所述的基于建筑光伏微电网的能量管理方法，其特征在于，所述单目标优化函数B_C需满足下列约束条件：

(1)功率平衡约束：

$P(\mathrm{PV},t)+P(\mathrm{GRID},t)=P(\mathrm{LOAD},t)+\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}A({\mathrm{EV}}_j,t)P({\mathrm{EV}}_j,t)---\left(4\right)$

式中，N是建筑内所有电动汽车的数量；P(LOAD,t)是第t时段建筑所有负荷的需求功率；A(EV_j,t)是在所述步骤一中制订任务计划中第j辆电动汽车在第t时段与建筑电网的连接状态，若该车停靠建筑，则A(EV_j,t)＝1，若该车已驶离建筑行驶在路上，则A(EV_j,t)＝0；

(2)建筑与外部电网交换功率约束：

-P_Gsell,max≤P(GRID,t)≤P_Gbuy,max  (5)

|P(GRID,t+1)-P(GRID,t)|≤ΔP_g  (6)

式中，P_Gsell,max是允许建筑从电网购入的功率限值，P_Gbuy,max是允许建筑向电网卖出的功率限值；ΔP_g是建筑与外部电网交换功率在相邻时段的变化限值；

(3)电动汽车充放电功率约束：

-P_EV,max≤P(EV_j,t)≤P_EV,max  (7)

式中，P(EV_j,t)是第j辆电动汽车在第t时段的充放电功率；P_EV,max是第j辆电动汽车充电或放电功率限值；

(4)电动汽车电池约束：

$\begin{array}{c}{\mathrm{SOC}}_{j,\min }\&le;\mathrm{SOC}({\mathrm{EV}}_j,T_{\mathrm{dep},j}\left(m\right))\\ \&le;\mathrm{SOC}({\mathrm{EV}}_j,T_{\mathrm{ret},j}(m-1))+\underset{t=T_{\mathrm{ret},j}(m-1)}{\overset{T_{\mathrm{dep},j}\left(m\right)}{\mathrm{\&Sigma;}}}A({\mathrm{EV}}_j,t)\&times;P({\mathrm{EV}}_j,t)\&times;\mathrm{\&Delta;t}/E_j\\ \&le;{\mathrm{SOC}}_{j,\max }\\ 1\&le;m\&le;M_j\end{array}---\left(8\right)$

其中， $A({\mathrm{EV}}_j,t)=\left\{\begin{array}{cc}1,t\&Element;[T_{\mathrm{ret},j}(m-1),T_{\mathrm{dep},j}\left(m\right)]& \\ 0,t\&NotElement;[T_{\mathrm{ret},j}(m-1),T_{\mathrm{dep},j}\left(m\right)]& \end{array}\right.;\mathrm{for}1\&le;m\&le;M_j$

式中，SOC(EV_j,t)是第j辆电动汽车电池在第t时段的荷电状态，E_j是第j辆电动汽车的电池容量，SOC_j,max是第j辆电动汽车电池允许的荷电状态最高限值，SOC_j,min是第j辆电动汽车电池允许的荷电状态最低限值，M_j是在所述步骤一中对第j辆电动汽车在未来日制订的执行任务总次数，T_dep,j(m)是第j辆电动汽车执行第m次任务时离开建筑时段，T_ret,j(m)是第j辆电动汽车执行第m次任务时返回建筑时段，SOC(EV_j,T_dep,j(m))是第j辆车执行第m次任务时离开建筑前电池所需要的最低荷电状态，而SOC(EV_j,T_ret,j(m))是该车返回建筑时对其电池预计的剩余荷电状态；对于任意第j辆车，设定每日的首个时段为其执行第0次任务的返回时段，即T_ret,j(m-1)|_m＝1＝T_ret,j(0)＝1。

7.一种建筑光伏微电网系统，其特征在于，包括建筑光伏微电网能量管理系统、光伏阵列、光伏逆变器、若干辆电动汽车及与其配套的若干台EV充放电机、建筑负荷设备、配电控制柜、并离网切换开关；光伏阵列通过光伏逆变器接入配电控制柜；外部电网的电能通过变压器输入至配电控制柜；配电控制柜与建筑负荷设备连接；配电控制柜通过EV充放电机与若干电动汽车连接，给其充电或放电；电动汽车通过EV充放电机与建筑光伏微电网连接，用于向建筑内部供给电能或向外部电网输送电能；电动汽车上配备若干用于储能的电动汽车电池，该电动汽车电池与所述EV充放电机连接；

光伏逆变器将光伏发电信息传至建筑光伏微电网能量管理系统；配电控制柜将建筑负荷设备的用电信息传至建筑光伏微电网能量管理系统；EV充放电机与建筑光伏微电网能量管理系统连接，EV充放电机将电动汽车电池的状态信息传至该能量管理系统，而该能量管理系统则向EV充放电机发出控制指令，对电动车电池进行充电，或者将电动车电池多余的电能输送至建筑微电网内部负荷和/或经由变压器输出给外部电网。

8.根据权利要求7所述的建筑光伏微电网系统，其特征在于，所述建筑光伏微电网能量管理系统包括光伏发电预测模块、建筑负荷需求预测模块、电动汽车电池SOC预测模块、智能建筑调度优化模块和电网电价获取/预测模块；

光伏发电预测模块用于根据建筑光伏微电网中光伏发电历史数据和未来日气象预报数据建立光伏发电功率预测模型；

建筑负荷需求预测模块用于根据建筑负荷的历史数据和未来日气象预报数据建立建筑负荷需求预测模型；

电动汽车充放电预测模块用于收集未来日对电动汽车的用车需求，根据车辆每次执行任务的起止时段和往返距离，并结合车辆上的电池容量、耗电参数、充放电特性，预测每辆电动汽车在未来日每次驶离建筑时的荷电状态及其返回建筑时的荷电状态；

智能建筑调度优化模块用于根据光伏发电预测模块、建筑负荷需求预测模块、电动汽车充放电预测模块的输出结果，以建筑微电网整体运行能耗最小为目标，对未来日接入建筑微电网的电动汽车的充放电功率进行调度；

光伏逆变器将其发电信息送至光伏发电预测模块的输入端，光伏发电预测模块的输出端与智能建筑调度优化模块的输入端连接；配电控制柜将建筑内各用电设备的运行状态信息送至建筑负荷需求预测模块的输入端，建筑负荷需求预测模块的输出端与智能建筑调度优化模块的输入端连接；若干EV充放电机与若干电动汽车电池连接，EV充放电机将电动车电池的运行状态信息送至电动汽车电池SOC预测模块的输入端，电动汽车电池SOC预测模块的输出端与智能建筑调度优化模块的输入端。智能建筑调度优化模块将EV充放电控制指令传至EV充放电机，控制EV充放电机对电动汽车的充放电；智能建筑调度优化模块还将并网或离网的控制指令传至并离网切换开关，对光伏微电网与外部电网的并网与离网进行控制。

9.根据权利要求7所述的建筑光伏微电网系统，其特征在于，所述并离网切换开关是建筑光伏微电网与外部电网互联的唯一接口。

10.根据权利要求7所述的建筑光伏微电网系统，其特征在于，所述光伏逆变器采用并网型光伏逆变器。