CN104485727B - 一种离网光伏发电储能系统及其能量调度方法 - Google Patents

Abstract

本发明公开了一种离网光伏发电储能系统及其能量调度方法，该系统包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器及直流变换器，光伏发电模块通过光伏控制器及逆变模块与交流负载连接，光伏控制器与逆变模块的连接端通过直流变换器与充电电池模块连接，还通过整流器与供电电网连接，逆变模块与供电电网连接，电池管理系统与充电电池模块连接，中央控制器分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器及显示器连接。本发明可根据负载情况及充电电池模块的具体参数进行充放电控制，达到最优的能量利用率，且响应速度快、控制效率高、准确度高，可广泛应用于光伏发电行业中。

Description

一种离网光伏发电储能系统及其能量调度方法

技术领域

本发明涉及光伏发电储能领域，特别是涉及一种离网光伏发电储能系统及其能量调度方法。

背景技术

能源短缺问题是21世纪非常重要的一个问题，解决这一问题的最佳方式之一是使用太阳能发电。太阳能具有分布广泛且近乎无穷无尽的特点，但是使用太阳能发电的光伏发电系统的一个问题在于光伏资源也具有间歇性和不确定的特点，很难为负载提供一个持续稳定的电力供应，目前，常用的方法是采用储能系统来存储或释放电能，从而降低天气对光伏发电系统的影响，为用户稳定供电，保证供电的可靠性和电能质量。为了进一步提高光伏发电系统的能量管理效率，一般会设置电池管理系统对其进行管理，但是这种方式只是简单地控制电池模块的充放电情况，随着光伏发电系统组件的增加、功能的扩展，这种控制方法越来越显出效率低下、响应慢、控制准确度差等缺陷，而且无法根据负载情况以及电池模块的参数进行充放电控制，能量利用效率低。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种离网光伏发电储能系统。本发明的另一目的是提供一种离网光伏发电储能系统的能量调度方法。

本发明解决其技术问题所采用的技术方案是：

一种离网光伏发电储能系统，包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器，所述光伏发电模块依次通过光伏控制器及逆变模块与交流负载连接，所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接，该连接端还通过整流器与供电电网连接，所述逆变模块还直接与供电电网连接，所述电池管理系统与充电电池模块连接，所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接；

所述逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。

进一步，所述充电电池模块采用锂电池组，所述光伏发电模块采用太阳能电池串联或并联构成。

进一步，所述逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器，所述光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接，所述第一滤波器的输出端通过逆变器与切换开关的第一输入端连接，所述供电电网与切换开关的第二输入端连接，所述逆变器及切换开关的控制端均与中央控制器连接，所述切换开关的输出端通过第二滤波器与交流负载连接。

进一步，所述中央控制器用于根据从光伏发电模块、充电电池模块采集的实时数据以及从交流负载采集的耗能数据，发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。

进一步，所述中央控制器根据采集的光伏发电模块的历史运行数据以及交流负载的历史耗能数据进行神经网络训练，建立神经网络模型，获得光伏发电模块的光伏发电预测信息以及交流负载的负载预测信息，进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后，采用混合整数规划算法，计算获得接下来的预设时间内，充电电池模块的最优充放电决策序列，从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态，对充电电池模块进行充放电控制。

本发明解决其技术问题所采用的另一技术方案是：

所述的一种离网光伏发电储能系统的能量调度方法，包括：

S1、中央控制器根据采集的光伏发电模块的历史运行数据对光伏发电输出预测的神经网络进行训练，建立光伏发电输出功率与时间值、光照强度和温度值之间的关系，同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练，建立负载消耗功率与时间之间的关系；

S2、采集获取调度起始时刻的时间值、光照强度和温度值，进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型，获得未来24小时内每隔1小时的预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，其中k代表离散时间值，k为自然数且1≤k≤24；

S3、获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，采用混合整数规划算法，计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列；

S4、中央控制器根据充放电决策序列，计算获得接下来一小时从供电电网的取电功率后，控制直流变换器、逆变模块、整流器的工作状态，对充电电池模块进行能量调度。

进一步，所述步骤S4中所述对充电电池模块进行能量调度时采用如下的分层控制策略：

在充电电池模块的充电决策周期内，判断供电电网和整流器的工作状态，若供电电网可以供电，则按照充放电决策序列的充电目标，控制逆变器从供电电网取交流电后实时给交流负载供电，同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电，直到达到充电目标；

在充电电池模块的放电决策周期内，实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量，若是，则按照充放电决策序列的放电目标，则将光伏发电模块的光伏发电均通过逆变模块输出到交流负载，同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载，直到达到放电目标。

进一步，所述步骤S4之后，还包括以下步骤：

S5、中央控制器判断是否接收到停止信号，若是，则结束能量调度过程，否则返回执行步骤S2。

进一步，所述步骤S3，其具体为：

获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，构建与充电电池模块相关的目标函数，并相应地建立混合整数规划算法模型，进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列。

进一步，所述混合整数规划算法模型如下：

所述目标函数为：

所述系统状态为电池剩余容量SOC(k)，且其约束条件为：SOC_min≤SOC(k)≤SOC_max；

所述决策变量为充电电池模块的充放电功率P_bat(k)，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

所述状态转移方程为：SOC(k+1)＝SOC(k)+(η^c-η^d)z(k)+η^dP_bat(k)；

所述状态转移方程的线性约束条件为：z(k)＝δ(k)P_bat(k)，z(k)同时满足以下条件：

所述功率平衡方程为：

所述功率平衡方程的线性约束条件为：w(k)＝δ(k)P_load(k)，w(k)同时满足以下条件：

δ(k)满足线性约束条件：

P_batmin(1-δ(k))≤P_bat(k)≤(P_batmax+ε)δ(k)-ε

上述各公式中，J表示目标函数值，P_grid(k)表示系统从供电电网的取电功率，Δt表示充电电池模块的充放电时间，SOC_min、SOC_max分别表示电池剩余容量SOC(k)的最小值和最大值；P_bat(k)表示充电电池模块的充放电功率，P_batmin、P_batmax分别表示充放电功率P_bat(k)的最小值及最大值；P_load(k)表示预测的负载消耗功率，P_loadmin、P_loadmax分别表示预测的负载消耗功率P_load(k)的最小值及最大值，P_PV(k)表示预测的光伏发电功率；δ(k)为二值变量，ε为一个大于0的无穷小量；η_g表示整流器将供电电网的交流电转换为直流电的效率，η_i表示逆变模块将直流电转换为交流电的效率，η^d表示充电电池模块的放电效率，η^c表示充电电池模块的充电效率。

本发明的有益效果是：本发明的一种离网光伏发电储能系统，包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器，所述光伏发电模块依次通过光伏控制器及逆变模块与交流负载连接，所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接，该连接端还通过整流器与供电电网连接，所述逆变模块还直接与供电电网连接，所述电池管理系统与充电电池模块连接，所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接；逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。本系统可以保护充电电池模块不处于过充过放状态，延长充电电池模块的寿命，同时增加系统安全性，还可以根据负载情况以及充电电池模块的具体参数进行充放电控制，达到最优的能量利用效率，而且控制效率高、响应速度快、控制准确度高。

本发明的另一有益效果是：本发明的一种离网光伏发电储能系统的能量调度方法，包括：中央控制器根据采集的光伏发电模块的历史运行数据对光伏发电输出预测的神经网络进行训练，建立光伏发电输出功率与时间值、光照强度和温度值之间的关系，同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练，建立负载消耗功率与时间之间的关系；采集获取调度起始时刻的时间值、光照强度和温度值，进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型，获得未来24小时内每隔1小时的预测的光伏发电输出功率和负载消耗功率；获取当前时刻充电电池模块的电池剩余容量，结合预测的光伏发电输出功率和负载消耗功率，采用混合整数规划算法，计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列；中央控制器根据充放电决策序列，计算获得接下来一小时从供电电网的取电功率后，控制直流变换器、逆变模块、整流器的工作状态，对充电电池模块进行能量调度。本方法可以保护充电电池模块不处于过充过放状态，延长充电电池模块的寿命，同时增加系统安全性，还可以根据负载情况以及充电电池模块的具体参数进行充放电控制，达到最优的能量利用效率，而且控制效率高、响应速度快、控制准确度高。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的一种离网光伏发电储能系统的结构框图；

图2是图1中的逆变模块的结构框图；

图3是本发明的一种离网光伏发电储能系统的能量调度方法的流程示意图。

具体实施方式

参照图1，本发明提供了一种离网光伏发电储能系统，包括光伏发电模块1、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器，所述光伏发电模块1依次通过光伏控制器及逆变模块与交流负载连接，所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接，该连接端还通过整流器与供电电网连接，所述逆变模块还直接与供电电网连接，所述电池管理系统与充电电池模块连接，所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接；

所述逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。

所述中央控制器通过控制逆变模块、直流变换器及整流器的工作状态从而控制储能系统直接将供电电网提供的交流电输出到交流负载或者将充电电池模块提供的直流电逆变转换成交流电后输出到交流负载。

进一步作为优选的实施方式，所述充电电池模块采用锂电池组，所述光伏发电模块1采用太阳能电池串联或并联构成。

进一步作为优选的实施方式，参照图2，所述逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器，所述光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接，所述第一滤波器的输出端通过逆变器与切换开关的第一输入端连接，所述供电电网与切换开关的第二输入端连接，所述逆变器及切换开关的控制端均与中央控制器连接，所述切换开关的输出端通过第二滤波器与交流负载连接。

进一步作为优选的实施方式，所述中央控制器用于根据从光伏发电模块1、充电电池模块采集的实时数据以及从交流负载采集的耗能数据，发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。

进一步作为优选的实施方式，所述中央控制器根据采集的光伏发电模块1的历史运行数据以及交流负载的历史耗能数据进行神经网络训练，建立神经网络模型，获得光伏发电模块1的光伏发电预测信息以及交流负载的负载预测信息，进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后，采用混合整数规划算法，计算获得接下来的预设时间内，充电电池模块的最优充放电决策序列，从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态，对充电电池模块进行充放电控制。

参照图3，本发明还提供了一种离网光伏发电储能系统的能量调度方法，包括：

S1、中央控制器根据采集的光伏发电模块1的历史运行数据对光伏发电输出预测的神经网络进行训练，建立光伏发电输出功率与时间值、光照强度和温度值之间的关系，同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练，建立负载消耗功率与时间之间的关系；

S2、采集获取调度起始时刻的时间值、光照强度和温度值，进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型，获得未来24小时内每隔1小时的预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，其中k代表离散时间值，k为自然数且1≤k≤24；

S3、获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，采用混合整数规划算法，计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列；

S4、中央控制器根据充放电决策序列，计算获得接下来一小时从供电电网的取电功率后，控制直流变换器、逆变模块、整流器的工作状态，对充电电池模块进行能量调度。

进一步作为优选的实施方式，所述步骤S4中所述对充电电池模块进行能量调度时采用如下的分层控制策略：

在充电电池模块的充电决策周期内，判断供电电网和整流器的工作状态，若供电电网可以供电，则按照充放电决策序列的充电目标，控制逆变器从供电电网取交流电后实时给交流负载供电，同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电，直到达到充电目标；

在充电电池模块的放电决策周期内，实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量，若是，则按照充放电决策序列的放电目标，则将光伏发电模块1的光伏发电均通过逆变模块输出到交流负载，同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载，直到达到放电目标。

进一步作为优选的实施方式，所述步骤S4之后，还包括以下步骤：

S5、中央控制器判断是否接收到停止信号，若是，则结束能量调度过程，否则返回执行步骤S2。

进一步作为优选的实施方式，所述步骤S3，其具体为：

获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，构建与充电电池模块相关的目标函数，并相应地建立混合整数规划算法模型，进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列。

进一步作为优选的实施方式，所述混合整数规划算法模型如下：

所述目标函数为：

所述系统状态为电池剩余容量SOC(k)，且其约束条件为：SOC_min≤SOC(k)≤SOC_max；

所述决策变量为充电电池模块的充放电功率P_bat(k)，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

所述状态转移方程为：SOC(k+1)＝SOC(k)+(η^c-η^d)z(k)+η^dP_bat(k)；

所述状态转移方程的线性约束条件为：z(k)＝δ(k)P_bat(k)，z(k)同时满足以下条件：

所述功率平衡方程为：

所述功率平衡方程的线性约束条件为：w(k)＝δ(k)P_load(k)，w(k)同时满足以下条件：

δ(k)满足线性约束条件：

P_batmin(1-δ(k))≤P_bat(k)≤(P_batmax+ε)δ(k)-ε

上述各公式中，J表示目标函数值，P_grid(k)表示系统从供电电网的取电功率，Δt表示充电电池模块的充放电时间，SOC_min、SOC_max分别表示电池剩余容量SOC(k)的最小值和最大值；P_bat(k)表示充电电池模块的充放电功率，P_batmin、P_batmax分别表示充放电功率P_bat(k)的最小值及最大值；P_load(k)表示预测的负载消耗功率，P_loadmin、P_loadmax分别表示预测的负载消耗功率P_load(k)的最小值及最大值，P_PV(k)表示预测的光伏发电功率；δ(k)为二值变量，ε为一个大于0的无穷小量；η_g表示整流器将供电电网的交流电转换为直流电的效率，η_i表示逆变模块将直流电转换为交流电的效率，η^d表示充电电池模块的放电效率，η^c表示充电电池模块的充电效率。

下面结合具体实施例对本发明做进一步说明。

实施例一

参照图1，一种离网光伏发电储能系统，包括光伏发电模块1、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器，光伏发电模块1依次通过光伏控制器及逆变模块与交流负载连接，光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接，该连接端还通过整流器与供电电网连接，逆变模块还直接与供电电网连接，电池管理系统与充电电池模块连接，中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接；

逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。

中央控制器通过控制逆变模块、直流变换器及整流器的工作状态从而控制储能系统直接将供电电网提供的交流电输出到交流负载或者将充电电池模块提供的直流电逆变转换成交流电后输出到交流负载。

直流变换器用于实现充电电池模块在直流线路中的充放电，通过控制直流变换器可以控制充电电池模块的充放电状态。电池管理系统用于对充电电池模块进行实时的监控管理，使得充电电池模块不处于过冲过放状态，可以延长充电电池模块的寿命，提高本光伏发电储能系统的安全性。显示器用于显示实时的电池剩余电量、调度信息等系统工作参数。光伏控制器用于对光伏发电模块11实现控制，控制其工作情况。

充电电池模块采用锂电池组，光伏发电模块11采用太阳能电池串联或并联构成。

参照图2，逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器，光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接，第一滤波器的输出端通过逆变器与切换开关的第一输入端连接，供电电网与切换开关的第二输入端连接，逆变器及切换开关的控制端均与中央控制器连接，切换开关的输出端通过第二滤波器与交流负载连接。

中央控制器用于根据从光伏发电模块11、充电电池模块采集的实时数据以及从交流负载采集的耗能数据，发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。

中央控制器根据采集的光伏发电模块1的历史运行数据以及交流负载的历史耗能数据进行神经网络训练，建立神经网络模型，获得光伏发电模块1的光伏发电预测信息以及交流负载的负载预测信息，进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后，采用混合整数规划算法，计算获得接下来的预设时间内，充电电池模块的最优充放电决策序列，从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态，对充电电池模块进行充放电控制。

本实施例中，中央控制器根据采集的光伏发电模块1的历史运行数据以及交流负载的历史耗能数据进行神经网络训练，建立神经网络模型，获得光伏发电模块1的光伏发电预测信息以及交流负载的负载预测信息，进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后，采用混合整数规划算法，计算获得接下来的预设时间内，充电电池模块的最优充放电决策序列，从而根据计算出的最优充放电决策序列控制直流变换器、逆变模块、整流器的工作状态，对充电电池模块进行充放电控制。

实施例二

参照图3所示，实施例一的一种离网光伏发电储能系统的能量调度方法，包括：

S1、中央控制器根据采集的光伏发电模块1的历史运行数据对光伏发电输出预测的神经网络进行训练，建立光伏发电输出功率与时间值、光照强度和温度值之间的关系，同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练，建立负载消耗功率与时间之间的关系。

S2、采集获取调度起始时刻的时间值、光照强度和温度值，进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型，获得未来24小时内每隔1小时的预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，其中k代表离散时间值，k为自然数且1≤k≤24。

S3、获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，采用混合整数规划算法，计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列。

S4、中央控制器根据充放电决策序列，计算获得接下来一小时从供电电网的取电功率后，控制直流变换器、逆变模块、整流器的工作状态，对充电电池模块进行能量调度。

S5、中央控制器判断是否接收到停止信号，若是，则结束能量调度过程，否则返回执行步骤S2。这里，返回再次执行步骤S3时，电池剩余容量SOC(k)已经更新为中央控制器进行能量调度后充电电池模块的实时的电池剩余容量SOC(k)。另外，返回执行步骤S2时，根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型，获得的未来24小时内每隔1小时的预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)也会随之更新，从而本能量调度方法可根据系统的实时运行参数进行能量调度，通过能量调度实现最大的能量利用效率。

本实施例中，步骤S4中对充电电池模块进行能量调度时采用如下的分层控制策略：

在充电电池模块的充电决策周期内，判断供电电网和整流器的工作状态，若供电电网可以供电，则按照充放电决策序列的充电目标，控制逆变器从供电电网取交流电后实时给交流负载供电，同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电，直到达到充电目标；

在充电电池模块的放电决策周期内，实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量，若是，则按照充放电决策序列的放电目标，则将光伏发电模块1的光伏发电均通过逆变模块输出到交流负载，同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载，直到达到放电目标。

步骤S3，其具体为：

获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，构建与充电电池模块相关的目标函数，并相应地建立混合整数规划算法模型，进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列。

本实施例的混合整数规划算法模型如下：

所述目标函数为：

所述系统状态为电池剩余容量SOC(k)，且其约束条件为：SOC_min≤SOC(k)≤SOC_max；

所述决策变量为充电电池模块的充放电功率P_bat(k)，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

所述状态转移方程为：SOC(k+1)＝SOC(k)+(η^c-η^d)z(k)+η^dP_bat(k)；

所述状态转移方程的线性约束条件为：z(k)＝δ(k)P_bat(k)，z(k)同时满足以下条件：

所述功率平衡方程为：

所述功率平衡方程的线性约束条件为：w(k)＝δ(k)P_load(k)，w(k)同时满足以下条件：

δ(k)满足线性约束条件：

P_batmin(1-δ(k))≤P_bat(k)≤(P_batmax+ε)δ(k)-ε

上述各公式中，J表示目标函数值，P_grid(k)表示系统从供电电网的取电功率，Δt表示充电电池模块的充放电时间，SOC_min、SOC_max分别表示电池剩余容量SOC(k)的最小值和最大值；P_bat(k)表示充电电池模块的充放电功率，P_batmin、P_batmax分别表示充放电功率P_bat(k)的最小值及最大值；P_load(k)表示预测的负载消耗功率，P_loadmin、P_loadmax分别表示预测的负载消耗功率P_load(k)的最小值及最大值，P_PV(k)表示预测的光伏发电功率；δ(k)为二值变量，ε为一个大于0的无穷小量；η_g表示整流器将供电电网的交流电转换为直流电的效率，η_i表示逆变模块将直流电转换为交流电的效率，η^d表示充电电池模块的放电效率，η^c表示充电电池模块的充电效率。

混合整数规划算法是求解目标函数最优值时常用的方法，关于其具体求解过程可参照各种现有技术文件或专利文件，本发明不再进行详细论述。

步骤S3中的混合整数规划算法求解过程是求得使得目标函数值最小时的未来24h内每间隔1小时的最优的充放电功率序列[P_bat(1)，P_bat(2)...P_bat(24)]，该序列即为本方法中的充放电决策序列，该序列的第一个值P_bat(1)即为当前中央控制器应该执行的充放电决策，中央控制器根据该值来控制直流变换器、逆变模块及整流器的工作状态从而实现充电电池模块的充放电。

由于光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)可能存在误差，因此预测值需要随着最新的天气情况和交流负载情况每隔一个小时进行一次更新，重新进行神经网络训练，得到新的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)后，重新采用混合整数规划算法求解目标函数的最优值，获得最新的充放电功率序列[P_bat(1)，P_bat(2)...P_bat(24)]后，中央控制器再次对充电电池模块进行充放电控制。这样可以始终以最可靠的预测值来获得最优的充放电决策序列。

本发明中提到的时间值24小时、1小时等只是较优的实施例，实际上，可以采用任意时长或任意时间间隔，在本发明的基础上，仅对具体时间值进行变换，也是落在本发明的保护范围内的。

本实施例中，混合整数规划算法模型的建立过程如下：

目标函数为：

所述系统状态为电池剩余容量SOC(k)，且其约束条件为：SOC_min≤SOC(k)≤SOC_max；

所述决策变量为充电电池模块的充放电功率P_bat(k)，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

充电电池模块的SOC的状态转移方程为：

若P_bat(k)>0，则SOC(k+1)＝SOC(k)+η^c×P_bat(k)；若P_bat(k)<0，则SOC(k+1)＝SOC(k)+η^d×P_bat(k)；令P_bat(k)>0等价于δ(k)＝1，P_bat(k)≤0等价于δ(k)＝0；令z(k)＝δ(k)P_bat(k)，则充电电池模块的SOC状态转移方程可统一表示为：SOC(k+1)＝SOC(k)+(η^c-η^d)z(k)+η^dP_bat(k)；

δ(k)满足线性约束条件：

P_batmin(1-δ(k))≤P_bat(k)≤(P_batmax+ε)δ(k)-ε

功率平衡方程为：若采用逆变输出模式，光伏发电储能系统的功率平衡方程为若采用交流直接输出模式，系统功率平衡方程为P_grid1(k)＝P_load(k)以及η_gP_grid2(k)+P_PV(k)＝P_bat(k)，由于P_grid2(k)+P_grid2(k)＝P_grid(k)，交流直接输出模式下系统功率平衡方程可统一表示为：P_PV(k)+η_gP_grid(k)＝P_bat(k)+η_gP_load(k)；对比两种功率平衡方程，可见交流直接输出模式下，功率转换效率更高，但是此时充电电池模块只能够充电，因此将充电决策下的工作模式优先选定为交流直接输出的工作模式，利用P_bat(k)>0等价于δ(k)＝1，P_bat(k)≤0等价于δ(k)＝0，令w(k)＝δ(k)P_load(k)，则可将上述逆变输出模式功率平衡方程和交流直接输出模式的功率平衡方程统一为如下一个方程：其中，P_grid1(k)表示在逆变器交流电直接输出的模式下，供电电网给交流负载提供的供电功率，P_grid2(k)表示在逆变器交流电直接输出的模式下，供电电网通过整流器给充电电池模块提供的充电功率。

为采用混合整数规划算法求解上述优化问题，需要将逻辑约束条件转化为线性约束条件，转化方法如下：

状态转移方程的逻辑约束条件z(k)＝δ(k)P_bat(k)等价于线性约束条件：z(k)≤P_batmaxδ(k)且z(k)≥P_batminδ(k)且z(k)≤P_bat(k)-P_batmin(1-δ(k))且z(k)≥P_bat(k)-P_batmax(1-δ(k))，即z(k)同时满足以下条件：

功率平衡方程的逻辑约束条件w(k)＝δ(k)P_load(k)等价于线性约束条件：w(k)≤P_loadmaxδ(k)且w(k)≥P_loadminδ(k)且w(k)≤P_load(k)-P_loadmin(1-δ(k))且w(k)≥P_load(k)-P_loadmax(1-δ(k))，即w(k)同时满足以下条件：

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种离网光伏发电储能系统，其特征在于，包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器，所述光伏发电模块依次通过光伏控制器及逆变模块与交流负载连接，所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接，该连接端还通过整流器与供电电网连接，所述逆变模块还直接与供电电网连接，所述电池管理系统与充电电池模块连接，所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接；

所述逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载；

所述中央控制器根据采集的光伏发电模块的历史运行数据以及交流负载的历史耗能数据进行神经网络训练，建立神经网络模型，获得光伏发电模块的光伏发电预测信息以及交流负载的负载预测信息，进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后，采用混合整数规划算法，计算获得接下来的预设时间内，充电电池模块的最优充放电决策序列，从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态，对充电电池模块进行充放电控制；所述最优充放电决策序列指使得混合整数规划算法的目标函数最小时的充放电功率序列；

所述混合整数规划算法模型如下：

目标函数为：

$J=\underset{k=1}{\overset{24}{\&Sigma;}}\&lsqb;P_{grid}\left(k\right)\&times;\mathrm{\&Delta;}t\&rsqb;;$

系统状态为电池剩余容量SOC(k)，且其约束条件为：SOC_min≤SOC(k)≤SOC_max；

决策变量为充电电池模块的充放电功率P_bat(k)，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

状态转移方程为：SOC(k+1)＝SOC(k)+(η^c-η^d)z(k)+η^dP_bat(k)；

状态转移方程的线性约束条件为：z(k)＝δ(k)P_bat(k)，z(k)同时满足以下条件：

$\left\{\begin{array}{c}{P}_{bat\min }\mathrm{\&delta;}\left(k\right)\&le;z\left(k\right)\&le;P_{batmax}\mathrm{\&delta;}\left(k\right)\\ P_{bat}\left(k\right)-P_{batmax}(1-\mathrm{\&delta;}(k\left)\right)\&le;z\left(k\right)\&le;P_{bat}\left(k\right)-P_{batmin}(1-\mathrm{\&delta;}(k\left)\right)\end{array}\right.$

功率平衡方程为：

$P_{PV}\left(k\right)+{\mathrm{\&eta;}}_g{P}_{grid}\left(k\right)=P_{bat}\left(k\right)+(\frac{1}{{\mathrm{\&eta;}}_i}-{\mathrm{\&eta;}}_g)w\left(k\right)+{\mathrm{\&eta;}}_g{P}_{load}\left(k\right);$

功率平衡方程的线性约束条件为：w(k)＝δ(k)P_load(k)，w(k)同时满足以下条件：

$\left\{\begin{array}{c}{P}_{load\min }\mathrm{\&delta;}\left(k\right)\&le;w\left(k\right)\&le;P_{loadmax}\mathrm{\&delta;}\left(k\right)\\ P_{load}\left(k\right)-P_{loadmax}(1-\mathrm{\&delta;}(k\left)\right)\&le;w\left(k\right)\&le;P_{load}\left(k\right)-P_{load\min }(1-\mathrm{\&delta;}(k\left)\right)\end{array}\right.$

δ(k)满足线性约束条件：

P_batmin(1-δ(k))≤P_bat(k)≤(P_batmax+ε)δ(k)-ε

上述各公式中，J表示目标函数值，P_grid(k)表示系统从供电电网的取电功率，Δt表示充电电池模块的充放电时间，SOC_min、SOC_max分别表示电池剩余容量SOC(k)的最小值和最大值；P_bat(k)表示充电电池模块的充放电功率，P_batmin、P_batmax分别表示充放电功率P_bat(k)的最小值及最大值；P_load(k)表示预测的负载消耗功率，P_loadmin、P_loadmax分别表示预测的负载消耗功率P_load(k)的最小值及最大值，P_PV(k)表示预测的光伏发电功率；δ(k)为二值变量，ε为一个大于0的无穷小量；η_g表示整流器将供电电网的交流电转换为直流电的效率，η_i表示逆变模块将直流电转换为交流电的效率，η^d表示充电电池模块的放电效率，η^c表示充电电池模块的充电效率。

2.根据权利要求1所述的一种离网光伏发电储能系统，其特征在于，所述充电电池模块采用锂电池组，所述光伏发电模块采用太阳能电池串联或并联构成。

3.根据权利要求1所述的一种离网光伏发电储能系统，其特征在于，所述逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器，所述光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接，所述第一滤波器的输出端通过逆变器与切换开关的第一输入端连接，所述供电电网与切换开关的第二输入端连接，所述逆变器及切换开关的控制端均与中央控制器连接，所述切换开关的输出端通过第二滤波器与交流负载连接。

4.根据权利要求1所述的一种离网光伏发电储能系统，其特征在于，所述中央控制器用于根据从光伏发电模块、充电电池模块采集的实时数据以及从交流负载采集的耗能数据，发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。

5.一种离网光伏发电储能系统的能量调度方法，该离网光伏发电储能系统，包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器，所述光伏发电模块依次通过光伏控制器及逆变模块与交流负载连接，所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接，该连接端还通过整流器与供电电网连接，所述逆变模块还直接与供电电网连接，所述电池管理系统与充电电池模块连接，所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接；

所述逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载其特征在于，包括：

S1、中央控制器根据采集的光伏发电模块的历史运行数据对光伏发电输出预测的神经网络进行训练，建立光伏发电输出功率与时间值、光照强度和温度值之间的关系，同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练，建立负载消耗功率与时间之间的关系；

S2、采集获取调度起始时刻的时间值、光照强度和温度值，进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型，获得未来24小时内每隔1小时的预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，其中k代表离散时间值，k为自然数且1≤k≤24；

S3、获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，采用混合整数规划算法，计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列；

S4、中央控制器根据充放电决策序列，计算获得接下来一小时从供电电网的取电功率后，控制直流变换器、逆变模块、整流器的工作状态，对充电电池模块进行能量调度；

所述步骤S3，其具体为：

获取当前时刻充电电池模块的电池剩余容量SOC(k)，结合预测的光伏发电输出功率P_PV(k)和负载消耗功率P_load(k)，构建与充电电池模块相关的目标函数，并相应地建立混合整数规划算法模型，进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列；

所述混合整数规划算法模型如下：

目标函数为：

$J=\underset{k=1}{\overset{24}{\&Sigma;}}\&lsqb;P_{grid}\left(k\right)\&times;\mathrm{\&Delta;}t\&rsqb;;$

系统状态为电池剩余容量SOC(k)，且其约束条件为：SOC_min≤SOC(k)≤SOC_max；

决策变量为充电电池模块的充放电功率P_bat(k)，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

状态转移方程为：SOC(k+1)＝SOC(k)+(η^c-η^d)z(k)+η^dP_bat(k)；

状态转移方程的线性约束条件为：z(k)＝δ(k)P_bat(k)，z(k)同时满足以下条件：

$\left\{\begin{array}{c}{P}_{bat\min }\mathrm{\&delta;}\left(k\right)\&le;z\left(k\right)\&le;P_{batmax}\mathrm{\&delta;}\left(k\right)\\ P_{bat}\left(k\right)-P_{batmax}(1-\mathrm{\&delta;}(k\left)\right)\&le;z\left(k\right)\&le;P_{bat}\left(k\right)-P_{batmin}(1-\mathrm{\&delta;}(k\left)\right)\end{array}\right.$

功率平衡方程为：

$P_{PV}\left(k\right)+{\mathrm{\&eta;}}_g{P}_{grid}\left(k\right)=P_{bat}\left(k\right)+(\frac{1}{{\mathrm{\&eta;}}_i}-{\mathrm{\&eta;}}_g)w\left(k\right)+{\mathrm{\&eta;}}_g{P}_{load}\left(k\right);$

功率平衡方程的线性约束条件为：w(k)＝δ(k)P_load(k)，w(k)同时满足以下条件：

$\left\{\begin{array}{c}{P}_{load\min }\mathrm{\&delta;}\left(k\right)\&le;w\left(k\right)\&le;P_{load\max }\mathrm{\&delta;}\left(k\right)\\ P_{load}\left(k\right)-P_{load\max }\left(1-\mathrm{\&delta;}\left(k\right)\right)\&le;w\left(k\right)\&le;P_{load}\left(k\right)-P_{load\min }\left(1-\mathrm{\&delta;}\left(k\right)\right)\end{array}\right.$

δ(k)满足线性约束条件：

P_batmin(1-δ(k))≤P_bat(k)≤(P_batmax+ε)δ(k)-ε

上述各公式中，J表示目标函数值，P_grid(k)表示系统从供电电网的取电功率，Δt表示充电电池模块的充放电时间，SOC_min、SOC_max分别表示电池剩余容量SOC(k)的最小值和最大值；P_bat(k)表示充电电池模块的充放电功率，P_batmin、P_batmax分别表示充放电功率P_bat(k)的最小值及最大值；P_load(k)表示预测的负载消耗功率，P_loadmin、P_loadmax分别表示预测的负载消耗功率P_load(k)的最小值及最大值，P_PV(k)表示预测的光伏发电功率；δ(k)为二值变量，ε为一个大于0的无穷小量；η_g表示整流器将供电电网的交流电转换为直流电的效率，η_i表示逆变模块将直流电转换为交流电的效率，η^d表示充电电池模块的放电效率，η^c表示充电电池模块的充电效率。

6.根据权利要求5所述的一种离网光伏发电储能系统的能量调度方法，其特征在于，所述步骤S4中所述对充电电池模块进行能量调度时采用如下的分层控制策略：

在充电电池模块的充电决策周期内，判断供电电网和整流器的工作状态，若供电电网可以供电，则按照充放电决策序列的充电目标，控制逆变器从供电电网取交流电后实时给交流负载供电，同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电，直到达到充电目标；

在充电电池模块的放电决策周期内，实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量，若是，则按照充放电决策序列的放电目标，则将光伏发电模块的光伏发电均通过逆变模块输出到交流负载，同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载，直到达到放电目标。

7.根据权利要求5所述的一种离网光伏发电储能系统的能量调度方法，其特征在于，所述步骤S4之后，还包括以下步骤：

S5、中央控制器判断是否接收到停止信号，若是，则结束能量调度过程，否则返回执行步骤S2。