CN104852399B - 光储微网系统的储能容量动态优化方法 - Google Patents

Abstract

本发明实施例提供了一种光储微网系统的储能容量动态优化方法。该方法主要包括：根据预测出的光伏功率输出和负荷功率输出计算出储能电池的功率输出曲线，获取在整个样本数据周期内的储能电池的储能功率最大值、最小值，并进一步获取初始的用于平滑波动的储能电池容量；根据所述储能电池的总容量、用于紧急备用的储能容量最小值和所述初始的用于平滑波动的储能电池容量，确定最终的用于紧急备用的储能容量和用于平滑波动的储能电池容量。本发明实施例根据光伏出力预测和负荷预测的结果计算储能系统中用于紧急备用和平滑并网点的功率波动的容量配比，从而达到平滑光储微网系统与电网并网点的功率波动和改善储能利用率的双重效果。

Description

光储微网系统的储能容量动态优化方法

技术领域

本发明涉及微网系统技术领域，尤其涉及一种光储微网系统的储能容量动态优化方法。

背景技术

微网系统中往往通过配置储能电池来平滑并网点功率波动，提高电网对微网系统的接纳能力。光储微网系统中储能电池的一部分容量用作紧急供电的容量，另一部分容量用于平滑并网点的功率波动。然而，通常情况下上述紧急供电备用容量和平滑波动容量的比例在设计之初就已固定不变，造成紧急供电备用容量偏大或偏小，整个储能电池的容量得不到充分利用，整体效率较低。

发明内容

本发明的实施例提供了一种光储微网系统的储能容量动态优化方法，以实现对光储微网系统中的储能电池的储能容量进行动态优化。

为了实现上述目的，本发明采取了如下技术方案。

一种光储微网系统的储能容量动态优化方法，包括：

根据预测出的光伏功率输出和负荷功率输出计算出储能电池的功率输出曲线；

根据所述储能电池的功率输出曲线获取在整个样本数据周期内的储能电池的储能功率最大值、最小值，根据所述储能功率最大值、最小值和设定的荷电状态限制参数，获取初始的用于平滑波动的储能电池容量；

根据所述储能电池的总容量、用于紧急备用的储能容量最小值和所述初始的用于平滑波动的储能电池容量，确定最终的用于紧急备用的储能容量和用于平滑波动的储能电池容量。

所述的根据预测出的光伏功率输出和负荷功率输出计算出储能电池的功率输出曲线之前，还包括：

采用BP神经网络建立光伏发电功率预测模型，将太阳入射角度、地面辐照强度、云量和温度数据作为所述光伏发电功率预测模型的输入变量,基于光伏电站所在位置,光伏板的安装角度,时间,季节,辐照强度和温度因素,将所述光伏电站的功率作为光伏电站的输出变量；

根据所述光伏发电功率预测模型的输入变量和输出变量，采用BP神经网络模型预测出光伏电站的光伏功率输出和负荷功率。

所述的方法还包括：

用均方根差RSME和平均绝对百分比误差MAPE作为指标来评价所述预测出的光伏电站的光伏功率；

式中，p_a(i)、p_f(i)分别为实际和预测的光伏电站的功率，n为样本数；P_额为光伏或负载的额定功率；

当所述均方根差RSME和平均绝对百分比误差MAPE都在设定的阈值内，则确定所述预测出的光伏电站的光伏功率满足要求。

所述的根据预测出的光伏功率输出和负荷功率输出计算出储能电池的功率输出曲线包括：根据预测出的光伏功率输出和负荷功率输出，采用改进的经验模态分解算法计算出储能电池的功率输出曲线。

所述的采用改进的经验模态分解算法计算出储能电池的功率输出曲线，包括：

在并网条件下，微网瞬时功率关系为：P_b+P_PV＝P_L+P_电网

P_PV是光伏电池板的功率输出，P_L是光伏电站的负荷功率，P_电网是微电网注入电网的功率；

初始的储能电池的功率输出曲线P_b的计算公式为：P_b＝-P_PV+P_L+P_电网

将所述初始的储能电池的功率输出曲线P_b进行EMD分解，得到：

其中，n为储能电池的功率输出的采样点个数，m＝[log₂ ⁿ]，为p_b(n)分解得到的IMF分量的阶数，IMF_i(n)为第i个IMF分量，r_m(n)为所述初始的储能电池的功率输出曲线P_b分解后得到的残余分量；

对各个IMF_i(n)分量进行二次指数平滑处理，得到各次EIMF_i，重构出储能功率输出曲线P：

式中，为各个IMF_i分量的n期的平滑值Y_n为各个IMF_i分量的n期的实际值，为各个IMF_i分量的上期的平滑值α为指数平滑系数；

分别将剩余分量和各次EIMF_m重构出储能功率输出曲线：

依次得到各个IMF_i(n)分量对应的P_b1，P_b2，P_b3…P_bm的储能电池的功率输出曲线，根据设定的储能电池的功率输出曲线的波动率的评价指标，从所述P_b1，P_b2，P_b3…P_bm中选择出所述储能电池的功率输出曲线。

所述的根据所述储能电池的功率输出曲线获取在整个样本数据周期内的储能电池的储能功率最大值、最小值，根据所述储能功率最大值、最小值和设定的荷电状态限制参数，获取初始的用于平滑波动的储能电池容量，包括：

确定所述储能电池的功率输出曲线中的各个采样点，对各个采样点处的储能充放电电量进行累计，获得不同采样点时刻储能电池的功率输出相对于初始状态的能量波动；

根据不同采样点时刻储能电池的功率输出相对于初始状态的能量波动，获取储能电池在整个样本数据周期内的储能功率最大值max{E_b,acu[m]}、最小值min{E_b,acu[m]}；

根据所述储能功率最大值max{E_b,acu[m]}、最小值min{E_b,acu[m]}，以及设定的SOC参数，计算出初始的用于平滑波动的储能电池所应具备的容量E_ESO：

所述C_up和C_low分别为设定的储能电池运行SOC上、下限约束。

所述的根据所述储能电池的总容量、用于紧急备用的储能容量最小值和所述初始的用于平滑波动的储能电池容量，确定最终的用于紧急备用的储能容量和用于平滑波动的储能电池容量，包括：

储能电池的总容量为E，初始的用于平滑波动的储能电池容量为E_ESO，最终的用于平滑波动的储能电池容量为E₁,用于紧急备用的储能容量为E₂，E₂的最小阈值为E_min；

如果E_ESO<E-E_min,则E₁＝E_ESO,E₂＝E-E₁；

如果E_ESO>E-E_min,则E₁＝E-E_min,E₂＝E_min。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过采用BP神经网络模型预测出光伏电站的光伏功率输出和负荷功率，采用改进的经验模态分解算法，根据光伏出力预测和负荷预测的结果计算储能系统中用于紧急备用和平滑并网点的功率波动的容量配比，从而达到平滑光储微网系统与电网并网点的功率波动和改善储能利用率的双重效果。在保证紧急供电的前提下，最大限度的抑制并网点的功率波动，有助于提高可再生能源的利用和节能降损。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种实现储能容量动态优化的光储微网系统的连接结构示意图，其中，光伏电池板4、光伏DC/DC模块5、储能电池6、储能电池管理系统7、储能DC/DC模块8、预测数据获取模块9，储能容量动态优化模块10，DSP(Digital Signal Process，数字信号处理)控制模块11、DC/AC功率模块12、能量控制系统13、本地负载14、电网15和并网点16；

图2为本发明实施例提供的一种光储微网系统中储能容量的分配图示意图，其中，平滑波动容量1，动态紧急供电备用容量2，最小紧急供电备用容量3；

图3为本发明实施例提供的一种光储微网系统的储能容量动态优化方法的处理流程图；

图4为本发明实施例提供的一种储能功率的预测曲线示意图；

图5为本发明实施例提供的一种储能功率输出曲线P_b分解后得到的残余分量r_m(n)的示意图；

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

本发明实施例提供了一种光储微网系统的结构示意图如图1所示，包括，光伏电池板4、光伏DC/DC模块5、储能电池6、储能电池管理系统7、储能DC/DC模块8、预测数据获取模块9，储能容量动态优化模块10，DSP控制模块11、DC/AC功率模块12、能量控制系统13、本地负载14、电网15和并网点16。上述光储微网系统结构中的能量控制系统中的储能容量动态优化模块根据光伏和负载功率预测数据，控制储能容量中用作紧急供电备用容量和平滑波动容量之间的比例，更加充分地利用储能电池。具体来说，就是在储能变流器的控制系统中设置一个储能容量动态优化模块，该模块根据光伏功率预测的功率输出和负荷功率预测的需求，采用改进的EMD(EmpiricalModeDecomposition，经验模态分解)算法确定储能电池中用作紧急供电备用容量和平滑波动容量之间的比例。

本发明实施例提供的一种光储微网系统中储能容量的分配图示意图如图2所示，其中，平滑波动容量1，动态紧急供电备用容量2，最小紧急供电备用容量3。储能系统的总容量由平滑波动容量1与紧急供电备用容量构成，其中紧急供电备用容量又由动态紧急供电备用容量2和最小紧急供电备用容量3构成。在总容量一定的前提下，根据不同条件，储能容量动态优化模块采用改进的EMD(经验模态分解,Empirical Mode Decomposition)算法确定调节图中虚线的位置，即调整用于紧急备用的容量和平滑波动的容量比例。在总容量一定的前提下，既能提高能量的利用率，也能确保光储微网系统的可靠性。

以光储双模式项目为例，本发明实施例的光储微网系统的储能容量动态优化方法的处理流程如图3所示，包括如下的处理步骤：

步骤1：采用BP神经网络模型预测光伏功率输出和负荷功率曲线。

采用BP神经网络建立光伏发电功率预测模型。太阳入射角度,数值天气预报中的地面辐照强度、云量和温度是影响光伏电站出力的几个关键因素。因此将这几个变量作为模型的输入变量,考虑光伏电站所在位置,光伏板的安装角度,时间,季节,辐照强度,温度等多种因素的影响,将光伏电站的功率作为光伏电站的输出变量；同理，采用BP神经网络模型预测光伏电站的负荷功率曲线。

用均方根差RSME和平均绝对百分比误差MAPE作为指标来评价预测结果，当所述均方根差RSME和平均绝对百分比误差MAPE都在设定的阈值内，则确定所述预测出的光伏电站的光伏功率满足要求。

式中，p_a(i)、p_f(i)分别为实际和预测的光伏电站的功率，单位为kW；n为样本数；P_额为光伏或负载的额定功率。

根据经验，均方根差RSME在10％以内，平均绝对百分比误差MAPE在20％以内，认为预测的结果满足要求。

步骤2：采用改进的经验模态分解的方法，计算用于平滑波动的储能容量。

具体包括以下步骤：

步骤2-1：根据步骤1的结果，计算得到储能功率的输出曲线，并进行预处理。

在并网条件下，微网瞬时功率关系为：P_b+P_PV＝P_L+P_电网 (1)

其中P_b是储能电池的功率输出，即储能功率，P_PV是光伏电池板的功率输出，P_L是光伏电站的负荷功率，P_电网是微电网注入电网的功率，规定微电网进入电网为正方向。

本发明实施例提供的一种储能电池的功率输出示意图如图4所示，假设电网功率P_电网为一定值，P_b＝-P_PV+P_L+P_电网，即图4中的曲线1。

步骤2-2：将储能功率的输出曲线P_b进行EMD分解，得到：

其中，n为储能功率输出的采样点个数，m＝[log₂ ⁿ]，为p_b(n)分解得到的IMF(intrinsic mode function，固有模态函数)分量的阶数，IMF_i(n)为第i个IMF分量，r_m(n)为储能功率输出曲线P_b分解后得到的残余分量，如图5所示。

步骤2-3：如公式(3)(4)所示，对各个IMF_i分量进行二次指数平滑处理，得到各次EIMF_i，然后重构出储能功率输出曲线P：

式中，为各个IMF_i分量的n期的平滑值Y_n为各个IMF_i分量的实际值，为各个IMF_i分量的上期的平滑值

即对每一个IMF分量均进行(3)、(4)两式的平滑操作，得到新的各次EIMF_i。α为指数平滑系数，采用二次指数平滑法，弥补了一次指数平滑法只能预测一期的不足，而且可以用于有明显趋势变化的功率曲线，拓展了一次指数平滑法的应用范围。

然后分别将剩余分量和EIMF_m重构出储能功率输出曲线：

这样，依次得到各个IMF_i(n)分量对应的P_b1，P_b2，P_b3…P_bm的储能电池的功率输出曲线，根据设定的储能电池的功率输出曲线的波动率的评价指标，从所述P_b1，P_b2，P_b3…P_bm中选定出一个最符合波动率的评价指标的储能容量最小的储能电池的功率输出曲线。波动率的评价指标是为了验证平滑光伏功率波动的效果而设定的，借鉴国内光伏电站的波动率标准，为10min最大功率波动10％。

为了简化起见，仅以P_b1，P_b2，P_b3为例来说明，如图4中曲线2,3,4所示。计算3者的10min波动率，P_b3的10min功率波动为10.78％，大于10％，不满足标准。P_b1，P_b2的功率波动均小于10％，但是P_b1的储能容量更大，不符合在满足波动率的前提下，储能容量尽可能小的原则。因此，选择P_b2。

步骤3：采用仿真法得出用于平滑波动的储能容量。

具体包括以下步骤：

步骤3-1：基于合乎波动标准的储能功率曲线，对各个采样点处的储能充放电电量进行累计，可获得不同采样时刻储能相对于初始状态的能量波动，即

式中P_b[m]为储能电池输出功率数据，T_s为采样周期，单位为秒，能量波动T_s/3600的单位为小时。n为储能功率输出的采样点个数。

步骤3-2：针对储能电池在整个样本数据周期内的能量波动，获取储能电池在整个样本数据周期内的储能功率最大值max{E_b,acu[m]}、最小值min{E_b,acu[m]}。

考虑SOC限制，获取初始的用于平滑波动的储能电池所应具备的容量，亦即储能电池的E₁容量值：

式中C_up和_Clow分别为储能电池运行SOC上、下限约束，比如，取C_up＝1，_Clow＝0.3。

步骤2和步骤3所得的结果如表1和表2所示。

表1 传统EMD分解算法所得平滑波动的储能功率及容量

表2 改进的EMD分解算法所得平滑波动的储能功率及容量

由表1和表2对比可见，在满足并网10min波动率(<10％)的前提下，采用改进的EMD算法能得到储能容量3.35kWh<3.75kWh,10min波动率6.78％<6.95％，效果比传统EMD算法更好。

步骤4：确定紧急备用容量和平滑波动容量之间的比例值。

储能电池的总容量为E，初始的用于平滑波动的储能电池容量为E_ESO，最终的用于平滑波动的储能电池容量为E₁,用于紧急备用的储能容量为E₂，E₂的最小阈值为E_min；

如果E_ESO<E-E_min,则E₁＝E_ESO,E₂＝E-E₁；

如果E_ESO>E-E_min,则E₁＝E-E_min,E₂＝E_min。

对于本系统，储能容量设计为10kWh，紧急备用容量为满足本地负荷(10kW)10min工作，为1.67kWh。由以上算法得出的满足平滑波动要求的储能容量为3.35kWh，小于10-1.67＝8.33kWh，故而用于平滑波动的储能容量为3.35kWh，紧急备用的容量为10-3.35＝6.65kWh。

若每一个采样周期(1min)计算平滑波动的储能容量，将加大控制模块的计算量，而且计算结果相差不大。对于这种长时平滑波动问题，计算周期一般选为一周甚至一个月。本发明实施例结合专家干预的方法，最终确定计算周期为一周，即每周计算一次平滑波动的储能容量，动态的调整用于平滑波动容量和紧急备用容量配比。

综上所述，本发明实施例通过采用BP神经网络模型预测出光伏电站的光伏功率输出和负荷功率，采用改进的经验模态分解(EMD)算法，根据光伏出力预测和负荷预测的结果计算储能系统中用于紧急备用和平滑并网点的功率波动的容量配比，从而达到平滑光储微网系统与电网并网点的功率波动和改善储能利用率的双重效果。在保证紧急供电的前提下，最大限度的抑制并网点的功率波动，有助于提高可再生能源的利用和节能降损。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种光储微网系统的储能容量动态优化方法，其特征在于，包括：

根据预测出的光伏功率输出和负荷功率输出，采用改进的经验模态分解算法计算出储能电池的功率输出曲线；

根据所述储能电池的功率输出曲线获取在整个样本数据周期内的储能电池的储能功率最大值、最小值，根据所述储能功率最大值、最小值和设定的荷电状态限制参数，获取初始的用于平滑波动的储能电池容量；

根据所述储能电池的总容量、用于紧急备用的储能容量最小值和所述初始的用于平滑波动的储能电池容量，确定最终的用于紧急备用的储能容量和用于平滑波动的储能电池容量；

所述的采用改进的经验模态分解算法计算出储能电池的功率输出曲线，包括：

在并网条件下，微网瞬时功率关系为：P_b+P_PV＝P_L+P_电网

P_PV是光伏电池板的功率输出，P_L是光伏电站的负荷功率，P_电网是微电网注入电网的功率；

初始的储能电池的功率输出曲线P_b的计算公式为：P_b＝-P_PV+P_L+P_电网

将所述初始的储能电池的功率输出曲线P_b进行EMD分解，得到：

$p_b\left(n\right)=\underset{i=1}{\overset{m}{\&Sigma;}}{\mathrm{IMF}}_i\left(n\right)+r_m\left(n\right)$

其中，n为储能电池的功率输出的采样点个数，m＝[log₂ ⁿ]，为p_b(n)分解得到的IMF分量的阶数，IMF_i(n)为第i个IMF分量，r_m(n)为所述初始的储能电池的功率输出曲线P_b分解后得到的残余分量；

对各个IMF_i(n)分量进行二次指数平滑处理，得到各次EIMF_i，重构出储能功率输出曲线P：

$S_n^{\left(1\right)}={\mathrm{\&alpha;Y}}_n+(1-\mathrm{\&alpha;})S_{n-1}^{\left(1\right)}$

$S_n^{\left(2\right)}={\mathrm{\&alpha;S}}_n^{\left(1\right)}+(1-\mathrm{\&alpha;})S_{n-1}^{\left(2\right)}$

式中，为各个IMF_i分量的n期的平滑值Y_n为各个IMF_i分量的n期的实际值，为各个IMF_i分量的上期的平滑值α为指数平滑系数；

分别将剩余分量和各次EIMF_m重构出储能功率输出曲线：

$p_{bi}\left(t\right)=\underset{m-i+1}{\overset{m}{\&Sigma;}}{\mathrm{EIMF}}_i\left(t\right)+r_m\left(t\right)$

依次得到各个IMF_i(n)分量对应的P_b1，P_b2，P_b3…P_bm的储能电池的功率输出曲线，根据设定的储能电池的功率输出曲线的波动率的评价指标，从所述P_b1，P_b2，P_b3…P_bm中选择出所述储能电池的功率输出曲线。

2.根据权利要求1所述的光储微网系统的储能容量动态优化方法，其特征在于，所述的根据预测出的光伏功率输出和负荷功率输出计算出储能电池的功率输出曲线之前，还包括：

采用BP神经网络建立光伏发电功率预测模型，将太阳入射角度、地面辐照强度、云量和温度数据作为所述光伏发电功率预测模型的输入变量,基于光伏电站所在位置,光伏板的安装角度,时间,季节,辐照强度和温度因素,将所述光伏电站的功率作为光伏电站的输出变量；

根据所述光伏发电功率预测模型的输入变量和输出变量，采用BP神经网络模型预测出光伏电站的光伏功率输出和负荷功率。

3.根据权利要求2所述的光储微网系统的储能容量动态优化方法，其特征在于，所述的方法还包括：

用均方根差RSME和平均绝对百分比误差MAPE作为指标来评价所述预测出的光伏电站的光伏功率；

$MAPE=\frac{1}{n}\underset{1}{\overset{n}{\&Sigma;}}\frac{|p_f\left(i\right)-p_a\left(i\right)|}{p_a\left(i\right)}\&times;100\%$

式中，p_a(i)、p_f(i)分别为实际和预测的光伏电站的功率，n为样本数；P_额为光伏或负载的额定功率；

当所述均方根差RSME和平均绝对百分比误差MAPE都在设定的阈值内，则确定所述预测出的光伏电站的光伏功率满足要求。

4.根据权利要求1所述的光储微网系统的储能容量动态优化方法，其特征在于，所述的根据所述储能电池的功率输出曲线获取在整个样本数据周期内的储能电池的储能功率最大值、最小值，根据所述储能功率最大值、最小值和设定的荷电状态限制参数，获取初始的用于平滑波动的储能电池容量，包括：

确定所述储能电池的功率输出曲线中的各个采样点，对各个采样点处的储能充放电电量进行累计，获得不同采样点时刻储能电池的功率输出相对于初始状态的能量波动；

根据不同采样点时刻储能电池的功率输出相对于初始状态的能量波动，获取储能电池在整个样本数据周期内的储能功率最大值max{E_b,acu[m]}、最小值min{E_b,acu[m]}；

根据所述储能功率最大值max{E_b,acu[m]}、最小值min{E_b,acu[m]}，以及设定的SOC参数，计算出初始的用于平滑波动的储能电池所应具备的容量E_ESO：

$E_{ESO}=\frac{max\{E_{b,acu}\&lsqb;m\&rsqb;\}-min\{E_{b,acu}\&lsqb;m\&rsqb;\}}{C_{up}-C_{low}}$

所述C_up和C_low分别为设定的储能电池运行SOC上、下限约束。

5.根据权利要求4所述的光储微网系统的储能容量动态优化方法，其特征在于，所述的根据所述储能电池的总容量、用于紧急备用的储能容量最小值和所述初始的用于平滑波动的储能电池容量，确定最终的用于紧急备用的储能容量和用于平滑波动的储能电池容量，包括：

储能电池的总容量为E，初始的用于平滑波动的储能电池容量为E_ESO，最终的用于平滑波动的储能电池容量为E₁,用于紧急备用的储能容量为E₂，E₂的最小阈值为E_min；

如果E_ESO<E-E_min,则E₁＝E_ESO,E₂＝E-E₁；

如果E_ESO>E-E_min,则E₁＝E-E_min,E₂＝E_min。