CN105162149A - 基于模糊自适应调节的光储系统跟踪发电计划出力方法 - Google Patents

Abstract

本发明提供一种基于模糊自适应调节的光储系统跟踪发电计划出力方法，其包括：读取光伏电站和储能系统的相关数据；随机模拟日前光伏发电实际出力并建立含控制系数的机会约束规划跟踪模型；采用模糊自适应控制方法确定目标功率控制系数；分时段控制储能系统工作状态系数来确定充放电功率优化方案。本发明提出的方法，筛选出较准确的控制系数，避免了以往仅凭经验进行手动调节系数的弊端，有效使得光储联合发电跟踪效果在计划上下限范围内并保持最佳；也使得储能系统的充放电功率和荷电状态都保持在适宜范围，提高了充放电能力，降低了对储能系统的要求，在实际工程应用中为储能系统出力日前调度计划制定提供了解决方案。

Description

基于模糊自适应调节的光储系统跟踪发电计划出力方法

技术领域

本发明涉及智能电网以及储能技术领域，具体涉及一种基于模糊自适应调节的光储系统跟踪发电计划出力方法。

背景技术

随着世界经济的飞速发展，人类对能源的需求增加，以及传统能源的日益枯竭，人们开始将目光投向了清洁可再生的新能源。太阳能作为可再生能源代表具有资源丰富、绿色环保等特点从而使其有着其他新能源所无法比拟的优势。然而光伏发电是间歇性能源，受太阳辐射强度、环境温度等影响，光伏独立运行供电系统很难提供连续稳定的能量输出，从而在并网时通常会对电能质量、供电可靠性与稳定性、电网效益等造成不良影响。因此，光伏在并网接入大电网要想实现稳定运行，则需要实现三个目标，即功率平滑输出、跟踪计划出力、跟踪实时负荷出力。而目前针对实现这些目标最有效的措施就是通过对光伏电站出力进行预测，及时调整调度计划，合理安排电网运行方式，配合储能系统来最大程度缓解光伏发电波动性、间歇性与电力系统需要实时平衡之间的矛盾，增加电网对可再生能源的吸收接纳程度。但是目前，由于光伏预测受到自然条件影响，仍存在预测偏差过大、预测技术不成熟问题，直接提高预测精度的研究还比较困难，因此间接从储能控制角度来弥补这一不足，优化储能系统控制策略研究进而实现并网目标已成为新的研究热点。

目前光储联合发电系统运行控制一般主要有三种模式，即平滑功率输出模式，跟踪计划出力模式以及削峰填谷模式。当前，国内外针对平滑功率输出已展开了大量研究，并且提出了如采用卡尔曼滤波或模糊控制、储能系统荷电状态反馈平滑算法、加权移动平均算法等策略来平滑风光出力，而且取得了良好的平滑效果。但相比较，跟踪计划出力与削峰填谷模式方面的研究是比较少的，尤其只针对光伏进行跟踪计划出力的文献更是鲜见公开报道。现有技术有提出日前以风光储出力与固定计划功率接近程度最大为目标的控制策略，但该方法忽略了风光预测上下限范围，每次计算只能固定制订一个目标计划，不仅使得储能控制失去了一定灵活性而且增加了对储能系统的要求与成本。也有技术提出基于超短期风预测功率来跟踪计划的控制策略，该方法虽然可以通过滚动变化控制系数实现实时跟踪，但只考虑了超短期情况与风电范围，并未对短期情况与光伏跟踪计划出力作具体分析。

因此针对光伏发电短期预测功率，提出一种能够提高光储联合跟踪计划出力能力及储能系统日前控制方法是本领域亟待解决的问题。

发明内容

有鉴于此，本发明提供的一种基于模糊自适应调节的光储系统跟踪发电计划出力方法，该方法以有效控制储能系统使得光储出力限制在计划范围内为目标，通过模糊自适应自动调节目标功率控制系数，并分时段安排储能系统工作状态系数，使得跟踪在达到最优效果的同时保证储能系统的充放电功率与荷电状态均保持在适宜范围并最大程度降低对储能系统的要求。

本发明的目的是通过以下技术方案实现的：

基于模糊自适应调节的光储系统跟踪发电计划出力方法，所述光储系统为光伏电站与储能系统联合发电的系统；所述方法包括如下步骤：

步骤1.读取所述光伏电站和储能系统的预测数据；

步骤2.随机模拟日前光伏实际出力并建立含有控制系数的机会约束规划跟踪模型；

步骤3.采用模糊自适应控制方法确定目标功率的所述控制系数；

步骤4.分时段控制储能系统工作状态系数来确定最优充放电功率方案。

优选的，所述步骤1，包括：

1-1.对所述光伏电站和储能系统的运行状态以相同的时间间隔进行预测；

1-2.读取未来24小时内的所述预测数据；所述预测数据包括光伏日前预测功率值、储能系统充放电功率上下限值及荷电状态上下限值。

优选的，所述步骤2，包括：

2-1.随机模拟日前光伏实际出力并根据所述预测数据得到光伏计划出力上下限范围；

2-2.建立含有控制系数的所述机会约束规划跟踪模型，所述机会约束规划跟踪模型以最大程度使得光储出力在所述光伏计划出力上下限范围内为目标。

优选的，所述2-1，包括：

a.根据光伏装机容量及所述光伏日前预测功率值，将光伏预测偏差处理为随机变量ξ(t)；ξ(t)的概率分布函数采用满足均值为0，方差为σ²(t)的正态概率分布；其中，

σ(t)＝0.2P_pre(t)+0.02C_ap(1)

其中，C_ap为光伏装机容量；P_pre(t)为t时刻光伏日前预测功率；

b.根据所述光伏预测偏差随机变量ξ(t)，随机模拟初日前光伏实际出力P_act(t)：

P_act(t)＝P_pre(t)+ξ(t)(2)

c.根据所述预测数据，得到光伏计划出力上下限范围：

P_limit＝ξ_允许C_ap(3)

P_{plan_up}(t)＝P_pre(t)+P_limit(4)

P_{plan_dn}(t)＝P_pre(t)-P_limit(5)

其中，P_limit为ξ_允许决定的光伏出力波动限值；ξ_允许为目前预测误差允许百分值，ξ_允许为±25％；P_{plan_up}(t)为t时刻的光伏计划出力上限；P_{plan_dn}(t)为t时刻的光伏计划出力下限。

优选的，所述2-2，包括：

d.建立含有控制系数的所述机会约束规划跟踪模型，所述机会约束规划跟踪模型以最大程度使得光储出力在所述光伏计划出力上下限范围内为目标，建立目标函数如下式：

p_{plan_adj}(t)＝u{P_{plan_up}(t)+c[P_{plan_up}(t)-P_{plan_dn}(t)]}(6)

$\min f=\sqrt{\underset{t=1}{\overset{m}{\mathrm{\Σ}}}[P_{\mathrm{bess}}\left(t\right)+P_{\mathrm{pre}}\left(t\right)+\mathrm{\ξ}\left(t\right)-P_{\mathrm{plan}\_\mathrm{adj}}\left(t\right){]}^2}---\left(7\right)$

其中，P_{plan_adj}(t)为目标控制功率，u为控制储能是否工作的开关系数，取1是储能系统处于工作状态，取0时处于空闲状态，c为介于0到1之间的目标功率控制系数；f为目标函数，m为时刻t的总数；P_bess(t)为决策变量，即t时刻储能充放电功率，P_bess(t)大于零，表示储能装置放电，P_bess(t)小于零，表示储能装置充电；

e.建立机会约束条件；

将光伏有功功率输出平滑率η_eer的绝对值不高于其允许范围δ作为机会约束条件，使其成立的概率p_r不小于置信水平α，如式(8)-(9)：

η_eer＝[p_pre(t)+p_bess(t)+ξ(t)-p_{plan_adj}(t)]/p_{plan_adj}(t)(8)

p_r{|η_eer|≤δ}≥α(9)

f.建立所述储能系统的功率约束条件：

充电时的所述储能系统的最大充电功率P_ch.max为：

P_ch.max≤P_bess(t)≤0(10)

放电时的所述储能系统的最大充电功率P_dis.max为：

0≤P_bess(t)≤P_dismax(11)

其中，充电时的所述储能系统的最大充电功率P_chmax为负值；放电时的所述储能系统的最大充电功率P_dismax为正值；

g.建立所述储能系统的SOC约束条件：

SOC_min≤SOC(t)≤SOC_max(12)

$\mathrm{SOC}\left(t\right)=\mathrm{SOC}(t-1)-\frac{\mathrm{\ξ}{P}_{\mathrm{bess}}\left(t\right)\mathrm{\Δt}}{C}\×100\%---\left(13\right)$

其中，SOC_min为储能系统荷电状态的最小值；SOC_max为储能系统荷电状态的最大值；SOC_t为第t时刻的荷电状态，SOC(t-1)为第t-1时刻的荷电状态；ζ为相应的充放电系数，放电时ζ＞1，说明放电过程中存在一定损耗，充电时ζ＜1，说明充电过程中也存在一定损耗；Δt为功率的采样时间间隔；C为储能系统的额定容量；

h.采用粒子群算法确定储能系统充放电功率。

优选的，所述步骤3，包括：

3-1.确定模糊控制输入、输出以及各自论域范围；

3-2.确定输入、输出量的模糊词集；

3-3.确定输入、输出隶属度函数，制订模糊控制规则；

3-4.采用平均最大隶属度法进行去模糊推理，得到新的目标功率控制系数。

优选的，所述3-1，包括：

采用模糊自适应控制方法，确定模糊控制器的输入为上一目标功率控制系数情况下所得各时段荷电状态最小值SOCmin，及所述模糊控制器的输出为新的目标功率控制系数c；并确定输入量的论域为[0，0.5]，输出量的论域为[0，0.9]。

优选的，所述3-2，包括：

按照所述输入SOCmin及输出c量论域范围，得到均按模糊语言变量区间均划分的荷电状态最小值与目标功率控制系数的模糊词集为{VS，S，MS，MB，B，VB}；

其中，VS、S、MS、MB、B与VB为依次增大的数值，即0＜VS＜S＜MS＜MB＜B＜VB。

优选的，所述3-3，包括：

i.根据对所述控制系数的手动调节历史，确定输入SOCmin及输出c的三角与梯形隶属度函数；

j.根据所述输入及输出的隶属度函数，制定模糊控制规则。

优选的，所述模糊控制规则，包括：

规则1.若上一目标功率控制系数情况下所得各时段荷电状态最小值SOC_min较小，则将目标功率控制系数调小；即若SOC_min的模糊词集为VS，则控制系数c的模糊词集为VS，若SOC_min的模糊词集为S，则控制系数c的模糊词集为S；

规则2.若SOC_min处在SOC范围内适中的范围，则目标控制系数也保持适中；即若SOC_min的模糊词集为MS，则控制系数的模糊词集为MS，若SOC_min的模糊词集为MB，则控制系数的模糊词集为MB；

规则3.若上一目标功率控制系数情况下所得各时段中最小的SOC_min处于一个较大的值，则调大所述控制系数；即若SOC_min的模糊词集为B，则所述控制系数c的模糊词集为B，若SOC_min的模糊词集为VB，则控制系数c的模糊词集为VB。

优选的，所述步骤4，包括：

4-1.对目标控制功率中的储能系统工作状态系数u作进一步调整，使得在实际光伏模拟功率在高出计划上限P_{plan_up}，以及低于计划下限P_{plan_dn}的时段保持为1，即工作状态，

4-2.在其余处于计划上下限范围内的时段，u取0，使得储能系统保持空闲状态；

4-3.结合按照模糊控制确定出的目标功率控制系数及分时段调节后的储能系统工作状态系数u重新确定目标控制功率，利用粒子群算法求解模型，获得日前跟踪最优充放电功率方案。

从上述的技术方案可以看出，本发明提供了一种基于模糊自适应调节的光储系统跟踪发电计划出力方法，其包括：读取光伏电站和储能系统的相关数据；随机模拟日前光伏发电实际出力并建立含控制系数的机会约束规划跟踪模型；采用模糊自适应控制方法确定目标功率控制系数；分时段控制储能系统工作状态系数来确定充放电功率优化方案。本发明提出的方法考虑了光伏发电预测偏差随机性的影响，通过自动调节目标功率大小系数，筛选出较准确的控制系数，避免了以往仅凭经验进行手动调节系数的弊端，有效使得光储联合发电跟踪效果在计划上下限范围内并保持最佳；此外，通过对模型中储能工作状态系数的分时段控制也使得储能系统的充放电功率和荷电状态都基本保持在适宜范围，提高了充放电能力，降低了对储能系统的要求，在实际工程应用中也为储能系统出力日前调度计划制定提供了解决方案。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

1、本发明所提供的技术方案中，考虑了光伏发电预测偏差随机性的影响，通过自动调节目标功率大小系数，筛选出较准确的控制系数，避免了以往仅凭经验进行手动调节系数的弊端，有效使得光储联合发电跟踪效果在计划上下限范围内并保持最佳。

2、本发明所提供的技术方案，通过对模型中储能工作状态系数的分时段控制也使得储能系统的充放电功率和荷电状态都基本保持在适宜范围，提高了充放电能力，降低了对储能系统的要求，在实际工程应用中也为储能系统出力日前调度计划制定提供了解决方案。

3、本发明提供的技术方案，在储能系统中应用广泛，具有显著的社会效益和经济效益。

附图说明

图1是本发明的基于模糊自适应调节的光储系统跟踪发电计划出力方法的总流程图；

图2是本发明的方法的步骤1的流程示意图；

图3是本发明的方法的步骤2的流程示意图；

图4是本发明的方法的步骤3的流程示意图；

图5为本发明实施例中某日光伏预测功率、计划上下限与日前模拟实际功率曲线图图；

图6为本发明实施例中模糊控制调节图；

图7为本发明实施例中u不发生变化时光储联合系统跟踪计划出力效果图；

图8为本发明实施例中u发生变化时光储联合系统跟踪计划出力效果图；

图9为本发明实施例中各情况下SOC变化曲线图；

图10为本发明实施例中的输入的三角隶属度函数线形图；

图11为本发明实施例中的输出的梯形隶属度函数线形图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种基于模糊自适应调节的光储系统跟踪发电计划出力方法，光储系统为光伏电站与储能系统联合发电的系统；方法包括如下步骤：

步骤1.读取光伏电站和储能系统的预测数据；

步骤2.随机模拟日前光伏实际出力并建立含有控制系数的机会约束规划跟踪模型；

步骤3.采用模糊自适应控制方法确定目标功率的控制系数；

步骤4.分时段控制储能系统工作状态系数来确定最优充放电功率方案。

如图2所示，步骤1，包括：

1-1.对光伏电站和储能系统的运行状态以相同的时间间隔进行预测；

1-2.读取未来24小时内的预测数据；预测数据包括光伏日前预测功率值、储能系统充放电功率上下限值及荷电状态上下限值。

如图3所示，步骤2，包括：

2-1.随机模拟日前光伏实际出力并根据预测数据得到光伏计划出力上下限范围；

2-2.建立含有控制系数的机会约束规划跟踪模型，机会约束规划跟踪模型以最大程度使得光储出力在光伏计划出力上下限范围内为目标。

其中，2-1，包括：

a.根据光伏装机容量及光伏日前预测功率值，将光伏预测偏差处理为随机变量ξ(t)；ξ(t)的概率分布函数采用满足均值为0，方差为σ²(t)的正态概率分布；其中，

σ(t)＝0.2P_pre(t)+0.02C_ap(1)

其中，C_ap为光伏装机容量；P_pre(t)为t时刻光伏日前预测功率；

b.根据光伏预测偏差随机变量ξ(t)，随机模拟初日前光伏实际出力P_act(t)：

P_act(t)＝P_pre(t)+ξ(t)(2)

c.根据预测数据，得到光伏计划出力上下限范围：

P_limit＝ξ_允许C_ap(3)

P_plan-up(t)＝P_pre(t)+P_limit(4)

P_plan-dn(t)＝P_pre(t)-P_limit(5)

其中，P_limit为ξ_允许决定的光伏出力波动限值；ξ_允许为日前预测误差允许百分值，ξ_允许为±25％；P_{plan_up}(t)为t时刻的光伏计划出力上限；P_{plan_dn}(t)为t时刻的光伏计划出力下限。

其中，2-2，包括：

d.建立含有控制系数的机会约束规划跟踪模型，机会约束规划跟踪模型以最大程度使得光储出力在光伏计划出力上下限范围内为目标，建立目标函数如下式：

p_{plan_adj}(t)＝u{P_{plan_up}(t)+c[P_{plan_up}(t)-P_{plan_dn}(t)]}(6)

$\min f=\sqrt{\underset{t=1}{\overset{m}{\mathrm{\Σ}}}[P_{\mathrm{bess}}\left(t\right)+P_{\mathrm{pre}}\left(t\right)+\mathrm{\ξ}\left(t\right)-P_{\mathrm{plan}\_\mathrm{daj}}\left(t\right){]}^2}---\left(7\right)$

其中，P_{plan_adj}(t)为目标控制功率，u为控制储能是否工作的开关系数，取1是储能系统处于工作状态，取0时处于空闲状态，c为介于0到1之间的目标功率控制系数；f为目标函数，m为时刻t的总数；P_bess(t)为决策变量，即t时刻储能充放电功率，P_bess(t)大于零，表示储能装置放电，P_bess(t)小于零，表示储能装置充电；

e.建立机会约束条件；

将光伏有功功率输出平滑率η_eer的绝对值不高于其允许范围δ作为机会约束条件，使其成立的概率p_r不小于置信水平α，如式(8)-(9)：

η_eer＝[p_pre(t)+p_pre(t)+ξ(t)-p_{plan_adj}(t)]}p_{plan_adj}(t)(8)

pr{|η_eer|≤δ}≥α(9)

f.建立储能系统的功率约束条件：

充电时的储能系统的最大充电功率P_ch.max为：

P_chmax≤P_bess(t)≤0(10)

放电时的储能系统的最大充电功率P_dismax为：

0≤P_bess(t)≤P_dismax(11)

其中，充电时的储能系统的最大充电功率P_chmax为负值；放电时的储能系统的最大充电功率P_dismax为正值；

g.建立储能系统的SOC约束条件：

SOC_min≤SOC(t)≤SOC_max(12)

$\mathrm{SOC}\left(t\right)=\mathrm{SOC}(t-1)-\frac{\mathrm{\ξ}{P}_{\mathrm{bess}}\left(t\right)\mathrm{\Δt}}{C}\×100\%---\left(13\right)$

其中，SOC_min为储能系统荷电状态的最小值；SOC_max为储能系统荷电状态的最大值；SOC_t为第t时刻的荷电状态，SOC(t-1)为第t-1时刻的荷电状态；

h.采用粒子群算法确定储能系统充放电功率。

如图4所示，步骤3，包括：

3-1.确定模糊控制输入、输出以及各自论域范围；

3-2.确定输入、输出量的模糊词集；

3-3.确定输入、输出隶属度函数，制订模糊控制规则；

3-4.采用平均最大隶属度法进行去模糊推理，得到新的目标功率控制系数。

其中，3-1，包括：

采用模糊自适应控制方法，确定模糊控制器的输入为上一目标功率控制系数情况下所得各时段荷电状态最小值SOCmin，及模糊控制器的输出为新的目标功率控制系数c；并确定输入量的论域为[0，0.5]，输出量的论域为[0，0.9]。

其中，3-2，包括：

按照输入SOCmin及输出c量论域范围，得到均按模糊语言变量区间均划分的荷电状态最小值与目标功率控制系数的模糊词集为{VS，S，MS，MB，B，VB}；

其中，VS表示较小值、S表示小值、MS表示中小值、MB，表示中大值、B表示大值、VB表示较大值。

其中，3-3，包括：

i.根据对控制系数的手动调节历史，确定输入SOCmin及输出c的三角与梯形隶属度函数；

j.根据输入及输出的隶属度函数，制定模糊控制规则。

其中，模糊控制规则，包括：

规则1.若上一目标功率控制系数情况下所得各时段荷电状态最小值SOC_min较小，则将目标功率控制系数调小；即若SOC_min的模糊词集为VS，则控制系数c的模糊词集为VS，若SOC_min的模糊词集为S，则控制系数c的模糊词集为S；

规则2.若SOC_min处在SOC范围内适中的范围，则目标控制系数也保持适中；即若SOC_min的模糊词集为MS，则控制系数的模糊词集为MS，若SOC_min的模糊词集为MB，则控制系数的模糊词集为MB；

规则3.若上一目标功率控制系数情况下所得各时段中最小的SOC_min处于一个较大的值，则调大控制系数；即若SOC_min的模糊词集为B，则控制系数c的模糊词集为B，若SOC_min的模糊词集为VB，则控制系数c的模糊词集为VB。

步骤4，包括：

4-1.对目标控制功率中的储能系统工作状态系数u作进一步调整，使得在实际光伏模拟功率在高出计划上限P_{plan_up}，以及低于计划下限P_{plan_dn}的时段保持为1，即工作状态，

4-2.在其余处于计划上下限范围内的时段，u取0，使得储能系统保持空闲状态；

4-3.结合按照模糊控制确定出的目标功率控制系数及分时段调节后的储能系统工作状态系数u重新确定目标控制功率，利用粒子群算法求解模型，获得日前跟踪最优充放电功率方案。

为了解决现有技术中对储能系统的充放电缺乏全局性考虑的问题，本发明实施例提出了一种基于模糊自适应调节的光储系统跟踪发电计划出力方法，该方法先通过短期预测功率制订光伏发电计划出力上下限范围，考虑预测偏差随机性，采用随机模拟技术模拟日前光伏发电实际出力，然后建立含有控制系数的机会约束规划数学模型，并通过模糊自适应调节方式筛选出最优目标功率控制系数，然后通过分时段调节储能系统工作状态系数获得跟踪计划优化控制效果的同时降低了对储能系统的要求。该方法所提及的储能系统也可以是电磁储能、机械储能或电化学储能，本实施例中以电池储能系统为例进行说明，包括如下步骤：

步骤1、读取光伏电站和储能系统的相关数据，包括：短期光伏预测功率值、储能系统充放电功率上下限值、荷电状态上下限值。

短期光伏功率预测值的预测时间尺度为24h，共计96个时段，预测时间分辨率为15min，即：是对未来24小时的光伏并网功率预测，每15分钟一个预报点，每天滚动预报一次；

步骤2、通过随机模拟获得日前光伏实际出力并建立含控制系数的机会约束规划跟踪模型。

现有技术多未具体考虑预测偏差随机性，忽略了预测上下限范围。为此，本实施例中通过将光伏预测偏差处理为随机变量ξ(t)，将短期光伏预测出力处理为确定变量，利用随机模拟技术，光伏实际出力P_act(t)由式P_act(t)＝P_pre(t)+ξ(t)来获得。光伏计划出力上下限范围以短期光伏发电功率预测值为依据根据《规范》要求按照±25％波动制订，通过式(1)-(3)计算：

P_limit＝ξ_允许C_ap(1)

P_{plan_up}(t)＝P_pre(t)+P_limit(2)

P_{plan_dn}(t)＝P_pre(t)-P_limit(3)

式中，ξ_允许为日前预测误差允许百分值，按规定为25％；P_limit为ξ_允许决定的光伏出力波动限值；C_ap为光伏装机容量；P_pre(t)为t时刻光伏日前预测功率。

步骤2.1、将光伏预测偏差处理为随机变量。

随机变量ξ(t)的概率分布函数采用满足均值为0，方差为σ²(t)的正态概率分布，σ(t)由式σ(t)＝0.2P_pre(t)+0.02C_ap求得。

步骤2.2、建立含控制系数的机会约束规划跟踪模型。

以最大程度使得光储出力在计划出力上下限范围内为目标，建立目标函数如下式：

p_{plan_adj}(t)＝u{P_{plan_up}(t)+c[P_{plan_up}(t)-P_{plan_dn}(t)]}(4)

$\min f=\sqrt{\underset{t=1}{\overset{m}{\mathrm{\Σ}}}[P_{\mathrm{bess}}\left(t\right)+P_{\mathrm{pre}}\left(t\right)+\mathrm{\ξ}\left(t\right)-P_{\mathrm{plan}\_\mathrm{adj}}\left(t\right){]}^2}---\left(5\right)$

式中P_{plan_adj}(t)为目标控制功率，f为目标函数，u为控制储能是否工作的开关系数，取1是储能系统处于工作状态，取0时处于空闲状态，c为介于0到1之间的目标功率控制系数；P_bess(t)为决策变量，即t时刻储能充放电功率，P_bess(t)大于零，表示储能装置放电，小于零。

步骤2.3、建立机会约束条件。

将光伏有功功率输出平滑率的绝对值不高于允许范围δ作为机会约束条件，使其成立的概率不小于置信水平α，如式(6)-(7)：

η_eer＝[p_pre(t)+p_bess(t)+ξ(t)-p_plan-adj(t)]/p_plan-adj(t)(6)

p_r{|η_eer|≤δ}≥α(7)

步骤2.4、建立储能系统约束条件。

功率约束条件，即充电时，P_chmax≤P_bess(t)≤0，放电时，0≤P_bess(t)≤P_dismax，式中，P_chmax为负值是储能系统的最大充电功率；P_dismax为正值是储能系统的最大放电功率；

SOC约束条件，SOC_min≤SOC(t)≤SOC_max，式中，SOC_min为储能系统荷电状态的最小值；SOC_max为储能系统荷电状态的最大值；SOC_t为第t时刻的荷电状态。

步骤2.5、采用粒子群算法确定储能系统充放电功率。

步骤3、采用模糊自适应控制方法确定目标功率控制系数。

步骤3.1、确定模糊控制输入、输出以及各自论域范围。

确定模糊控制器输入输出分别为上一目标功率控制系数情况下所得各时段荷电状态最小值SOC_min与新的目标功率控制系数c，并确定输入量的论域为[0，0.5]，输出量的论域为[0，0.9]。

步骤3.2、确定输入、输出量的模糊词集。

按照输入、输出量论域范围，将荷电状态最小值与目标功率控制系数的模糊词集均设定为{VS，S，MS，MB，B，VB}，即“较小”、“小”，“中小”、“中大”、“大”、“较大”。具体模糊语言变量区间划分为，输入变量SOC_min：[0，0.1]为VS，[0，0.2]为S，[0.1，0.3]为MS，[0.2，0.4]为MB，[0.3，0.5]为B，[0.4，0.5]为VB；输出变量c：[0，0.2]为VS，[0.1，0.3]为S，[0.2，0.5]为MS，[0.4，0.7]为MB，[0.6，0.8]为B，[0.7，0.9]为VB。

步骤3.3、确定输入、输出隶属度函数，制订模糊控制规则。

如图10和11所示，根据对系数的手动调节经验，确定输入输出的三角与梯形隶属度函数分别如图10和11所示，具体控制规则为：

若上一目标功率控制系数情况下所得各时段荷电状态最小值SOC_min较小，则需要将目标功率控制系数调小一些，使得储能系统少放电，从而提高荷电状态，即若SOC_min为VS，则控制系数c为VS，若SOC_min为S，则控制系数c为S；

若SOC_min基本是在SOC范围内一个比较适中的范围，则目标控制系数也保持适中，使得储能系统充放电功率不过多也不过少，即若SOC_min为MS，则控制系数为MS，若SOSOC_min为MB，则控制系数为MB；

若上一目标功率控制系数情况下所得各时段中最小的SOC_min处于一个较大的值，则需要及时把控制系数调大一些来使得储能系统少充电，从而降低荷电状态，避免超出最大规定上限范围，即若SOC_min为B，则控制系数c为B，若SOC_min为VB，则控制系数c为VB。

步骤3.4、采用平均最大隶属度法进行去模糊推理，得到新的目标功率控制系数。

步骤4、分时段控制储能系统工作状态系数来确定最优充放电功率方案

对目标控制功率中的储能系统工作状态系数u作进一步调整，使得在实际光伏模拟功率在高出计划上限P_{plan_up}，以及低于计划下限P_{plan_dn}的时段保持为1，即工作状态，在其余处于计划上下限范围内的时段，u可以取0，使得储能系统保持空闲状态；结合按照模糊控制确定出的目标功率控制系数及分时段调节后的储能系统工作状态系数u重新确定目标控制功率，利用粒子群算法求解模型，获得日前跟踪最优充放电功率方案。

如图5至9所示，本发明一种基于模糊自适应调节的光储系统跟踪发电计划出力方法的实施例的具体算例分析，如下：

以某风光储示范工程为背景，选取7月份某日短期光伏预测数据作为算例分析对象，该示范工程中光伏发电总装机容量为40MW，储能总装机容量为20MW/70MW·h，设定储能系统初始荷电状态为0.5，SOC_min＝0.2，SOC_max＝0.8，则对应初始电量E₀＝0.5×70＝35MW·h，E_min＝0.2×70＝14MW·h，E_max＝0.8×70＝56MW·h。PS0中参数设置：种群规模为40，粒子维数为96，c₁＝c₂＝1.4962，ω_min＝0.4，ω_max＝0.9，粒子速度范围为[-3，3]，最大迭代次数取500。MonteCarlo模拟次数设为150。

图5针对该示范工程7月份某日短期光伏预测数据，根据实际物理情况，按照《规范》中相应预测出力的±25％波动制订了该日光伏调度计划上下限出力范围，并通过蒙特卡罗模拟技术模拟出前一日0～24h的实际光伏出力。

如图6，表1，首先初步选择一个目标功率控制系数，如初始设定c＝0.1，经过仿真计算获得跟踪效果将误差限制在±25％范围的的概率只达到了89.58％，将该情况下SOC最小值0.4177作为模糊控制输入，通过去模糊计算获得新的控制系数大小为0.6975，在该系数下进一步进行仿真计算，跟踪效果虽然有所提高，但还是未到达预期目标，而且SOC最小值为0.1841超出了储能系统预先规定的最低下限范围，因此再次进行模糊控制调节，重新确定当c为0.351时，此时光储联合出力完全将各个时段的误差都100％限制在了规定范围内，并且最低SOC也符合要求，具体其跟踪效果如图7所示。

表1各种情形下光伏误差满足要求的概率对比

在保证跟踪效果的基础上，为进一步降低对储能系统的要求，尽可能延长使用寿命，在c＝0.351基础上，对目标控制功率中储能系统工作状态系数u进行分时段控制，使储能系统只在实际光伏出力超出计划上下限范围内时取u＝1，保持工作状态，其余时刻保持空闲状态。具体跟踪效果及SOC变化情况如图8与9所示，明显可以看出u在变化时相比于不变化时SOC有更好的调节作用。

本发明提出的基于模糊自适应调节的光储系统跟踪发电计划出力方法，考虑了预测偏差随机性及计划上下限范围，通过自动调节目标功率大小系数，筛选出较准确的控制系数，避免了以往仅凭经验进行手动调节系数的弊端，有效使得光储联合跟踪效果在计划上下限范围内并保持最佳；此外，通过对模型中储能工作状态系数的分时段控制也使得储能系统的电功率和荷电状态都基本保持在适宜范围，提高了充放电能力，降低了对储能系统的要求，在实际工程应用中也为日前储能系统出力多少提供了参考方案。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，而这些未脱离本发明精神和范围的任何修改或者等同替换，其均在申请待批的本发明的权利要求保护范围之内。

Claims (11)

1.基于模糊自适应调节的光储系统跟踪发电计划出力方法，所述光储系统为光伏电站与储能系统联合发电的系统；其特征在于，所述方法包括如下步骤：

步骤1.读取所述光伏电站和储能系统的预测数据；

步骤2.随机模拟日前光伏实际出力并建立含有控制系数的机会约束规划跟踪模型；

步骤3.采用模糊自适应控制方法确定目标功率的所述控制系数；

步骤4.分时段控制储能系统工作状态系数来确定最优充放电功率方案。

2.如权利要求1所述的方法，其特征在于，所述步骤1，包括：

1-1.对所述光伏电站和储能系统的运行状态以相同的时间间隔进行预测；

1-2.读取未来24小时内的所述预测数据；所述预测数据包括光伏日前预测功率值、储能系统充放电功率上下限值及荷电状态上下限值。

3.如权利要求2所述的方法，其特征在于，所述步骤2，包括：

2-1.随机模拟日前光伏实际出力并根据所述预测数据得到光伏计划出力上下限范围；

2-2.建立含有控制系数的所述机会约束规划跟踪模型，所述机会约束规划跟踪模型以最大程度使得光储出力在所述光伏计划出力上下限范围内为目标。

4.如权利要求3所述的方法，其特征在于，所述2-1，包括：

a.根据光伏装机容量及所述光伏日前预测功率值，将光伏预测偏差处理为随机变量ξ(t)；ξ(t)的概率分布函数采用满足均值为0，方差为σ²(t)的正态概率分布；其中，

σ(t)＝0.2P_pre(t)+0.02C_ap(1)

其中，C_ap为光伏装机容量；P_pre(t)为t时刻光伏日前预测功率；

b.根据所述光伏预测偏差随机变量ξ(t)，随机模拟初日前光伏实际出力P_act(t)：

P_act(t)＝P_pre(t)+ξ(t)(2)

c.根据所述预测数据，得到光伏计划出力上下限范围：

P_limit＝ξ_允许C_ap(3)

P_{plan_up}(t)＝P_pre(t)+P_limit(4)

P_{plan_dn}(t)＝P_pre(t)-P_limit(5)

其中，P_limit为ξ_允许决定的光伏出力波动限值；ξ_允许为日前预测误差允许百分值，ξ_允许为±25％；P_{plan_up}(t)为t时刻的光伏计划出力上限；P_{plan_dn}(t)为t时刻的光伏计划出力下限。

5.如权利要求4所述的方法，其特征在于，所述2-2，包括：

d.建立含有控制系数的所述机会约束规划跟踪模型，所述机会约束规划跟踪模型以最大程度使得光储出力在所述光伏计划出力上下限范围内为目标，建立目标函数如下式：

p_{plan_adj}(t)＝u{P_{plan_up}(t)+c[P_{plan_up}(t)-P_{plan_dn}(t)]}(6)

$\min f=\sqrt{\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{[P_{\mathrm{bess}}\left(t\right)+P_{\mathrm{pre}}\left(t\right)+\mathrm{\ξ}\left(t\right)-P_{\mathrm{plan}\_\mathrm{adj}}\left(t\right)]}^2}$

其中，P_{plan_adj}(t)为目标控制功率，u为控制储能是否工作的开关系数，取1是储能系统处于工作状态，取0时处于空闲状态，c为介于0到1之间的目标功率控制系数；f为目标函数，m为时刻t的总数；P_bess(t)为决策变量，即t时刻储能充放电功率，P_bess(t)大于零，表示储能装置放电，P_bess(t)小于零，表示储能装置充电；

e.建立机会约束条件；

将光伏有功功率输出平滑率η_eer的绝对值不高于其允许范围δ作为机会约束条件，使其成立的概率p_r不小于置信水平α，如式(8)-(9)：

η_eer＝[p_pre(t)+p_bess(t)+ξ(t)-p_{plan_adj}(t)]/p_{plan_adj}(t)(8)

p_r{|η_eer|≤δ}≥α(9)

f.建立所述储能系统的功率约束条件：

充电时的所述储能系统的最大充电功率P_chmax为：

P_ch.max≤P_bess(t)≤0(10)

放电时的所述储能系统的最大充电功率P_dismax为：

0≤P_bess(t)≤P_dis.max(11)

其中，充电时的所述储能系统的最大充电功率P_chmax为负值；放电时的所述储能系统的最大充电功率P_dismax为正值；

g.建立所述储能系统的SOC约束条件：

SOC_min≤SOC(t)≤SOC_max(12)

$\mathrm{SOC}\left(t\right)=\mathrm{SOC}(t-1)-\frac{\mathrm{\ζ}{P}_{\mathrm{bess}}\left(t\right)\mathrm{\Δt}}{C}\×100\%---\left(13\right)$

其中，SOC_min为储能系统荷电状态的最小值；SOC_max为储能系统荷电状态的最大值；SOC_t为第t时刻的荷电状态，SOC(t-1)为第t-1时刻的荷电状态；ζ为相应的充放电系数，放电时ζ＞1，说明放电过程中存在一定损耗，充电时ζ＜1，说明充电过程中也存在一定损耗；Δt为功率的采样时间间隔；C为储能系统的额定容量；

h.采用粒子群算法确定储能系统充放电功率。

6.如权利要求5所述的方法，其特征在于，所述步骤3，包括：

3-1.确定模糊控制输入、输出以及各自论域范围；

3-2.确定输入、输出量的模糊词集；

3-3.确定输入、输出隶属度函数，制订模糊控制规则；

3-4.采用平均最大隶属度法进行去模糊推理，得到新的目标功率控制系数。

7.如权利要求6所述的方法，其特征在于，所述3-1，包括：

采用模糊自适应控制方法，确定模糊控制器的输入为上一目标功率控制系数情况下所得各时段荷电状态最小值SOCmin，及所述模糊控制器的输出为新的目标功率控制系数c；并确定输入量的论域为[0，0.5]，输出量的论域为[0，0.9]。

8.如权利要求7所述的方法，其特征在于，所述3-2，包括：

按照所述输入SOCmin及输出c量论域范围，得到均按模糊语言变量区间均划分的荷电状态最小值与目标功率控制系数的模糊词集为{VS，S，MS，MB，B，VB}；

其中，VS、S、MS、MB、B与VB为依次增大的数值，即0＜VS＜S＜MS＜MB＜B＜VB。

9.如权利要求8所述的方法，其特征在于，所述3-3，包括：

i.根据对所述控制系数的手动调节历史，确定输入SOCmin及输出c的三角与梯形隶属度函数；

j.根据所述输入及输出的隶属度函数，制定模糊控制规则。

10.如权利要求9所述的方法，其特征在于，所述模糊控制规则，包括：

规则1.若上一目标功率控制系数情况下所得各时段荷电状态最小值SOC_min较小，则将目标功率控制系数调小；即若SOC_min的模糊词集为VS，则控制系数c的模糊词集为VS，若SOC_min的模糊词集为S，则控制系数c的模糊词集为S；

规则2.若SOC_min处在SOC范围内适中的范围，则目标控制系数也保持适中；即若SOC_min的模糊词集为MS，则控制系数的模糊词集为MS，若SOC_min的模糊词集为MB，则控制系数的模糊词集为MB；

规则3.若上一目标功率控制系数情况下所得各时段中最小的SOC_min处于一个较大的值，则调大所述控制系数；即若SOC_min的模糊词集为B，则所述控制系数c的模糊词集为B，若SOC_min的模糊词集为VB，则控制系数c的模糊词集为VB。

11.如权利要求10所述的方法，其特征在于，所述步骤4，包括：

4-1.对目标控制功率中的储能系统工作状态系数u作进一步调整，使得在实际光伏模拟功率在高出计划上限P_{plan_up}，以及低于计划下限P_{plan_dn}的时段保持为1，即工作状态，

4-2.在其余处于计划上下限范围内的时段，u取0，使得储能系统保持空闲状态；

4-3.结合按照模糊控制确定出的目标功率控制系数及分时段调节后的储能系统工作状态系数u重新确定目标控制功率，利用粒子群算法求解模型，获得日前跟踪最优充放电功率方案。