CN104538999B - 一种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、双向逆变器、充电电池模块、切换装置、电池管理系统、中央控制器、显示器及直流变换器，光伏发电模块依次通过光伏控制器及双向逆变器与交流负载连接，光伏控制器与双向逆变器之间的连接端通过直流变换器与充电电池模块连接，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、双向逆变器、电池管理系统、直流变换器以及显示器连接，中央控制器通过切换装置与供电电网连接。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，且控制效率高、响应速度快、控制准确度高，可广泛应用于光伏发电行业中。

Description

一种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光伏发电储能系统。本发明的另一目的是提供一种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：

一种光伏发电储能系统，包括光伏发电模块、光伏控制器、双向逆变器、充电电池模块、切换装置、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双向逆变器与交流负载连接，所述光伏控制器与双向逆变器之间的连接端通过直流变换器与充电电池模块连接，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、双向逆变器、电池管理系统、直流变换器以及显示器连接，所述中央控制器通过切换装置与供电电网连接从而控制光伏发电储能系统的并网或离网工作状态。

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和光伏控制器。

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，采用动态规划算法，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：

一种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)，采用动态规划算法，计算获得在电池寿命损耗和从供电电网的取电功率之间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，并相应地建立动态规划算法模型的系统状态、决策变量、状态转移方程、阶段性能指标及过程性能指标后，采用动态规划算法进行求解，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，所述目标函数为：

$J=\underset{k=1}{\overset{24}{\mathrm{\Σ}}}[P_{\mathrm{grid}}\left(k\right)\×\mathrm{\Δt}+\frac{\mathrm{\λ}\×\mathrm{\Δ}{C}_{\mathrm{ref}}\left(k\right)}{C_{\mathrm{ref},\mathrm{nom}}\×(1-{\mathrm{SOH}}_{\min })}];$

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，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

所述状态转移方程为： $\mathrm{SOC}(k+1)=\mathrm{SOC}\left(k\right)+\frac{\mathrm{\η}\×P_{\mathrm{bat}}\left(k\right)\×\mathrm{\Δt}}{C_{\mathrm{ref}}\left(k\right)};$

所述阶段性能指标为：

$v\left(k\right)=[P_{\mathrm{bat}}\left(k\right)+P_{\mathrm{load}}\left(k\right)-P_{\mathrm{PV}}\left(k\right)]\×\mathrm{\Δt}+\frac{\mathrm{\λ}\×\mathrm{\Δ}{C}_{\mathrm{ref}}\left(k\right)}{C_{\mathrm{ref},\mathrm{nom}}\×(1-{\mathrm{SOH}}_{\min })};$

所述过程性能指标为：f_k(x_k)＝min[v(k)+f_k+1(x_k+1)]，其中x_k指SOC(k)；

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，C_ref,nom表示充电电池模块的标准容量，λ表示电池寿命损耗在优化目标中所占的权值，SOH_min表示电池健康状态值的最小值；SOC_min表示电池剩余容量SOC(k)的最小值，SOC_max表示电池剩余容量SOC(k)的最大值，P_bat(k)表示充电电池模块的充放电功率，P_batmin表示充放电功率P_bat的最小值，P_batmax表示充放电功率P_bat的最大值；η、C_ref(k)及Δt依次分别表示充电电池模块的充放电效率、电池容量以及充放电时间；v(k)表示阶段性能指标参数值，P_load(k)表示预测的负载消耗功率，P_PV(k)表示预测的光伏发电功率，f_k(x_k)表示过程性能指标参数值，ΔC_ref(t)表示电池容量变化值且其表达式为：

ΔC_ref(t)＝C_ref,nom×Z×[SOC(t-Δt)-SOC(t)]

SOH(t)表示电池健康状态值且其表达式为：

$\mathrm{SOH}\left(t\right)=\frac{C_{\mathrm{ref}}(t-\mathrm{\Δt})}{C_{\mathrm{refnom}}}-Z\×[\mathrm{SOC}(t-\mathrm{\Δt})-\mathrm{SOC}\left(t\right)]$

其中，Z表示电池寿命变化系数，SOC(t)表示实时的电池剩余容量，C_ref(t-Δt)表示充电电池模块的实时的电池容量，t表示连续时间值且离散时间值k为连续时间值t的特例。

本发明的有益效果是：本发明的一种光伏发电储能系统，包括光伏发电模块、光伏控制器、双向逆变器、充电电池模块、切换装置、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，光伏发电模块依次通过光伏控制器及双向逆变器与交流负载连接，光伏控制器与双向逆变器之间的连接端通过直流变换器与充电电池模块连接，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、双向逆变器、电池管理系统、直流变换器以及显示器连接，中央控制器通过切换装置与供电电网连接从而控制光伏发电储能系统的并网或离网工作状态。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，采用动态规划算法，计算获得在电池寿命损耗和从供电电网的取电功率之间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是本发明的一种光伏发电储能系统的结构框图；

图2是本发明的一种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，本发明提供了一种光伏发电储能系统，包括光伏发电模块1、光伏控制器、双向逆变器、充电电池模块、切换装置2、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双向逆变器与交流负载连接，所述光伏控制器与双向逆变器之间的连接端通过直流变换器与充电电池模块连接，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、双向逆变器、电池管理系统、直流变换器以及显示器连接，所述中央控制器通过切换装置2与供电电网连接从而控制光伏发电储能系统的并网或离网工作状态。

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，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和光伏控制器。

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，采用动态规划算法，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的工作状态，对充电电池模块进行充放电控制。

参照图2，本发明还提供了一种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)，采用动态规划算法，计算获得在电池寿命损耗和从供电电网的取电功率之间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，并相应地建立动态规划算法模型的系统状态、决策变量、状态转移方程、阶段性能指标及过程性能指标后，采用动态规划算法进行求解，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，所述目标函数为：

$J=\underset{k=1}{\overset{24}{\mathrm{\Σ}}}[P_{\mathrm{grid}}\left(k\right)\×\mathrm{\Δt}+\frac{\mathrm{\λ}\×\mathrm{\Δ}{C}_{\mathrm{ref}}\left(k\right)}{C_{\mathrm{ref},\mathrm{nom}}\×(1-{\mathrm{SOH}}_{\min })}];$

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，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

所述状态转移方程为： $\mathrm{SOC}(k+1)=\mathrm{SOC}\left(k\right)+\frac{\mathrm{\η}\×P_{\mathrm{bat}}\left(k\right)\×\mathrm{\Δt}}{C_{\mathrm{ref}}\left(k\right)};$

所述阶段性能指标为：

$v\left(k\right)=[P_{\mathrm{bat}}\left(k\right)+P_{\mathrm{load}}\left(k\right)-P_{\mathrm{PV}}\left(k\right)]\×\mathrm{\Δt}+\frac{\mathrm{\λ}\×\mathrm{\Δ}{C}_{\mathrm{ref}}\left(k\right)}{C_{\mathrm{ref},\mathrm{nom}}\×(1-{\mathrm{SOH}}_{\min })};$

所述过程性能指标为：f_k(x_k)＝min[v(k)+f_k+1(x_k+1)]，其中x_k指SOC(k)；

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，C_ref,nom表示充电电池模块的标准容量，λ表示电池寿命损耗在优化目标中所占的权值，SOH_min表示电池健康状态值的最小值；SOC_min表示电池剩余容量SOC(k)的最小值，SOC_max表示电池剩余容量SOC(k)的最大值，P_bat(k)表示充电电池模块的充放电功率，P_batmin表示充放电功率P_bat的最小值，P_batmax表示充放电功率P_bat的最大值；η、C_ref(k)及Δt依次分别表示充电电池模块的充放电效率、电池容量以及充放电时间；v(k)表示阶段性能指标参数值，P_load(k)表示预测的负载消耗功率，P_PV(k)表示预测的光伏发电功率，f_k(x_k)表示过程性能指标参数值，ΔC_ref(t)表示电池容量变化值且其表达式为：

ΔC_ref(t)＝C_ref,nom×Z×[SOC(t-Δt)-SOC(t)]

SOH(t)表示电池健康状态值且其表达式为：

$\mathrm{SOH}\left(t\right)=\frac{C_{\mathrm{ref}}(t-\mathrm{\Δt})}{C_{\mathrm{refnom}}}-Z\×[\mathrm{SOC}(t-\mathrm{\Δt})-\mathrm{SOC}\left(t\right)]$

其中，Z表示电池寿命变化系数，SOC(t)表示实时的电池剩余容量，C_ref(t-Δt)表示充电电池模块的实时的电池容量，t表示连续时间值且离散时间值k为连续时间值t的特例。

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1，一种光伏发电储能系统，包括光伏发电模块1、光伏控制器、双向逆变器、充电电池模块、切换装置2、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双向逆变器与交流负载连接，交流负载还与供电电网连接，光伏控制器与双向逆变器之间的连接端通过直流变换器与充电电池模块连接，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、双向逆变器、电池管理系统、直流变换器以及显示器连接，中央控制器通过切换装置2与供电电网连接从而控制光伏发电储能系统的并网或离网工作状态。

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1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1采用太阳能电池串联或并联构成。

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和光伏控制器。

双向逆变器可采用DSP数字控制器、采样电路、保护电路、全桥变换器、隔离变压器、滤波器等组成，双向逆变器可将交流电压转换成直流电压，或将直流电压转换成交流电压，并通过交流电压向充电电池模块充电。

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，采用动态规划算法，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2所示，实施例一的一种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。历史运行数据包括过去一段时间内采集的实时的时间值、光照值、温度值与光伏发电功率。

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)，采用动态规划算法，计算获得在电池寿命损耗和从供电电网的取电功率之间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的工作状态，对充电电池模块进行能量调度；

充放电决策序列是指充电电池模块的充放电功率序列，根据该序列获得每个小时电池模块的充放电功率后，根据光伏发电储能系统的功率平衡方程，可知接下来一个小时从供电电网的取电功率为：

P_grid(k)＝P_bat(k)+P_load(k)-P_PV(k)

获得从供电电网的取电功率后，中央控制器通过控制直流变换器的工作状态，来控制充电电池模块与供电电网的连接状态，即控制充电电池模块的充放电情况，实现对充电电池模块的能量调度。

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。

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，并相应地建立动态规划算法模型的系统状态、决策变量、状态转移方程、阶段性能指标及过程性能指标后，采用动态规划算法进行求解，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。

其中，目标函数为：

$J=\underset{k=1}{\overset{24}{\mathrm{\Σ}}}[P_{\mathrm{grid}}\left(k\right)\×\mathrm{\Δt}+\frac{\mathrm{\λ}\×\mathrm{\Δ}{C}_{\mathrm{ref}}\left(k\right)}{C_{\mathrm{ref},\mathrm{nom}}\×(1-{\mathrm{SOH}}_{\min })}];$

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,其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

状态转移方程为： $\mathrm{SOC}(k+1)=\mathrm{SOC}\left(k\right)+\frac{\mathrm{\η}\×P_{\mathrm{bat}}\left(k\right)\×\mathrm{\Δt}}{C_{\mathrm{ref}}\left(k\right)};$

阶段性能指标为：

$v\left(k\right)=[P_{\mathrm{bat}}\left(k\right)+P_{\mathrm{load}}\left(k\right)-P_{\mathrm{PV}}\left(k\right)]\×\mathrm{\Δt}+\frac{\mathrm{\λ}\×\mathrm{\Δ}{C}_{\mathrm{ref}}\left(k\right)}{C_{\mathrm{ref},\mathrm{nom}}\×(1-{\mathrm{SOH}}_{\min })};$

过程性能指标为：f_k(x_k)＝min[v(k)+f_k+1(x_k+1)]，其中x_k指SOC(k)；

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，C_ref,nom表示充电电池模块的标准容量，λ表示电池寿命损耗在优化目标中所占的权值，λ一般根据经验进行预设，SOH_min表示电池健康状态值的最小值；SOC_min表示电池剩余容量SOC(k)的最小值，SOC_max表示电池剩余容量SOC(k)的最大值，P_bat(k)表示充电电池模块的充放电功率，P_batmin表示充放电功率P_bat的最小值，P_batmax表示充放电功率P_bat的最大值；η、C_ref(k)及Δt依次分别表示充电电池模块的充放电效率、电池容量以及充放电时间；v(k)表示阶段性能指标参数值，P_load(k)表示预测的负载消耗功率，P_PV(k)表示预测的光伏发电功率，f_k(x_k)表示过程性能指标参数值，ΔC_ref(t)表示电池容量变化值且其表达式为：

ΔC_ref(t)＝C_ref,nom×Z×[SOC(t-Δt)-SOC(t)]

SOH(t)表示电池健康状态值且其表达式为：

$\mathrm{SOH}\left(t\right)=\frac{C_{\mathrm{ref}}(t-\mathrm{\Δt})}{C_{\mathrm{refnom}}}-Z\×[\mathrm{SOC}(t-\mathrm{\Δt})-\mathrm{SOC}\left(t\right)]$

其中，Z表示电池寿命变化系数，是由充电电池模块本身决定的，SOC(t)表示实时的电池剩余容量，C_ref(t-Δt)表示充电电池模块的实时的电池容量，t表示连续时间值且离散时间值k为连续时间值t的特例。

动态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中的动态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，改序列的第一个值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的工作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，重新采用动态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。

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 (4)

1.一种光伏发电储能系统的能量调度方法，该光伏发电储能系统包括光伏发电模块、光伏控制器、双向逆变器、充电电池模块、切换装置、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双向逆变器与交流负载连接，所述光伏控制器与双向逆变器之间的连接端通过直流变换器与充电电池模块连接，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、双向逆变器、电池管理系统、直流变换器以及显示器连接，所述中央控制器通过切换装置与供电电网连接从而控制光伏发电储能系统的并网或离网工作状态，其特征在于，该能量调度方法包括：

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)，采用动态规划算法，计算获得在电池寿命损耗和从供电电网的取电功率之间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的工作状态，对充电电池模块进行能量调度。

2.根据权利要求1所述的一种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。

3.根据权利要求1所述的一种光伏发电储能系统的能量调度方法，其特征在于，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，并相应地建立动态规划算法模型的系统状态、决策变量、状态转移方程、阶段性能指标及过程性能指标后，采用动态规划算法进行求解，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。

4.根据权利要求3所述的一种光伏发电储能系统的能量调度方法，其特征在于，所述目标函数为：

$J=\underset{k=1}{\overset{24}{\Σ}}\[P_{grid}\left(k\right)\×\mathrm{\Δ}t+\frac{\mathrm{\λ}\×{\mathrm{\ΔC}}_{ref}\left(k\right)}{C_{ref,nom}\×(1-{\mathrm{SOH}}_{min})}\];$

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，其约束条件为：P_batmin≤P_bat(k)≤P_batmax；

所述状态转移方程为：

所述阶段性能指标为：

$v\left(k\right)=\[P_{bat}\left(k\right)+P_{load}\left(k\right)-P_{PV}\left(k\right)\]\×\mathrm{\Δ}t+\frac{\mathrm{\λ}\×{\mathrm{\ΔC}}_{ref}\left(k\right)}{C_{ref,nom}\×(1-{\mathrm{SOH}}_{\min })};$

所述过程性能指标为：f_k(x_k)＝min[v(k)+f_k+1(x_k+1)]，其中x_k指SOC(k)；

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，C_ref,nom表示充电电池模块的标准容量，λ表示电池寿命损耗在优化目标中所占的权值，SOH_min表示电池健康状态值的最小值；SOC_min表示电池剩余容量SOC(k)的最小值，SOC_max表示电池剩余容量SOC(k)的最大值，P_bat(k)表示充电电池模块的充放电功率，P_batmin表示充放电功率P_bat的最小值，P_batmax表示充放电功率P_bat的最大值；η、C_ref(k)及Δt依次分别表示充电电池模块的充放电效率、电池容量以及充放电时间；v(k)表示阶段性能指标参数值，P_load(k)表示预测的负载消耗功率，P_PV(k)表示预测的光伏发电功率，f_k(x_k)表示过程性能指标参数值，△C_ref(t)表示电池容量变化值且其表达式为：

△C_ref(t)＝C_ref,nom×Z×[SOC(t-△t)-SOC(t)]

SOH(t)表示电池健康状态值且其表达式为：

$SOH\left(t\right)=\frac{C_{ref}(t-\mathrm{\Δ}t)}{C_{refnom}}-Z\×\[SOC(t-\mathrm{\Δ}t)-SOC\left(t\right)\]$

其中，Z表示电池寿命变化系数，SOC(t)表示实时的电池剩余容量，C_ref(t-△t)表示充电电池模块的实时的电池容量，t表示连续时间值且离散时间值k为连续时间值t的特例。