CN106410861A - 一种基于可调度能力的微电网优化运行实时控制方法 - Google Patents

Abstract

一种基于可调度能力的微电网优化运行实时控制方法，包括以下步骤：对一天的时间进行离散化处理，设置多个采样点；结合前一日采样点RES出力或负荷需求的实际值和预测值，在动态优化时域的后续时段对RES出力情况以及常规负荷需求做短期预测；经过预测模型计算、修正后续时段RES出力和负荷需求，制定优化时域内最小综合运行成本下的最优调度方案；按最优调度方案，在采样周期内设置更短的采样周期，制定功率分配准则，使各响应主体快速响应系统能量补偿需求；AMI收集系统运行最新数据信息，微电网能量管理中心据此更新预测模型信息；重复上述步骤，直至优化区间结束。本发明有效改善系统的负荷特性，同时提高供需两侧的经济性。

Description

一种基于可调度能力的微电网优化运行实时控制方法

技术领域

本发明属于微电网运行优化技术领域，具体涉及一种基于可调度能力的微电网优化运行实时控制方法。

背景技术

面对能源危机、环境污染的双重压力，传统电力系统的能源结构在过去数十年经历了巨大转型。微电网作为可再生能源(renewable energy source，RES)、储能装置、燃料电机、负荷等的有机整合，伴随着智能量测、通信系统的普遍应用，在实现电力系统能源结构转型中扮演重要角色。电力系统能源结构的转型不仅需要大规模使用高效清洁能源技术，还需要将新型能量管理策略运用到现有能源结构设施中。

微电网内能源、负荷形式的逐步多样化，使得如何应对RES出力、负荷需求等多种不确定性已成为微电网能量管理和优化运行中亟待解决的问题。电动汽车(electricvehicle，EV)作为一种需求响应(demand response，DR)资源接入微电网时，能够基于V2G(vehicle-to-grid)技术与供电侧的新能源发电单元柔性互动，有效促进供需两侧的协同增效作用。

同时，在不确定性环境下，关于微电网优化运行中供需两侧如何实现柔性互动还应该考虑以下几个问题:

1)能源、储存与负荷不确定性

微电网包含的各种能源和负荷形式都有一定的不确定性，因而需要对各能源和负荷进行不确定性的分析，将其纳入能量管理策略的考虑之中。

2)能量管理模型的建立

现阶段，实时调度配合日前计划已成为现有研究中微电网优化运行的普遍模式。由于日前和实时调度的优化时间尺度跨度较大，在日前和实时调度之间增加滚动优化环节，能够提高微电网能量管理策略的可行性。随着微电网供需两侧能源或负荷形式的日愈丰富，建立更加完善的能量管理模型显得尤为重要。

3)实时功率分配的合理性

基于既定准则的功率分配方法是微电网优化运行中实时调度的新手段。EV集群参与微电网供需两侧柔性互动时，由于单辆EV的入网状态及充电需求等因素不尽相同，其参与调度时会呈现不同的调控能力。因而，系统需要对不同调控能力的EV实行相应的实时功率分配方法，并要保证实时功率分配的合理性。

如何解决以上几个问题是建立响应主体可调度能力(schedulable ability，SA)评估模型的基础，也是制定包括不同采样周期的微电网优化运行实时控制策略的关键。

发明内容

为了克服现有微电网运行方式的无法应对不确定性环境、不具有可调度能力、经济性较低的不足，本发明提供一种基于可调度能力的微电网优化运行实时控制方法，以最小化微电网运行总成本为目标，考虑多重不确定性环境，基于供需两侧的预测数据和MPC方法制定微电网最优调度方案，微电网能量管理中心基于各响应主体SOC的变化序列以及响应主体的可调度能力(schedulable ability，SA)，制定实时功率分配准则，从而使各响应主体能够快速响应系统能量补偿需求。

为了实现上述目的，本发明的技术方案为：

一种基于可调度能力的微电网优化运行实时控制方法，包括以下步骤：

S1.综合考虑供电侧可再生能源出力及需求侧EV的不确定性，建立含智能量测系统、微电网能量管理中心、EV充放电设施、RES和响应主体在内的微电网模型；

S2.将一天连续24h的时间进行离散化处理，共设立J个采样点，对于任意第k时段，有k＝{k₀,k₀+1,…,K}，其中，k₀表示当前采样点，K表示末采样点，且K≤J；初始采样点k₀＝1；

S3.结合前一日采样点k时刻RES出力或负荷需求的实际值和预测值，微电网能量管理中心在动态优化时域T_hor＝{k₀,k₀+1,…,K}的后续时段对RES出力情况以及常规负荷需求做短期预测；

S4.微电网能量管理中心利用智能量测系统收集的系统运行最新数据信息，考虑系统约束，结合MPC滚动优化，经过预测模型计算、修正后续时段RES出力和负荷需求，制定优化时域内最小综合运行成本下的最优调度方案；

S5.微电网能量管理中心按最优调度方案，在采样周期k内设置更短的采样子周期，采样子周期的长度为Δt，基于动态优化控制得到的各响应主体SOC的变化序列以及响应主体的可调度能力，制定功率分配准则，从而使各响应主体能够快速响应系统能量补偿需求；

S6.智能量测系统收集系统运行最新数据信息，微电网能量管理中心根据相关信息更新预测模型信息；

S7.若k＜K，则令k＝k+1，转至步骤S3，否则转至步骤S8；

S8.重复步骤S1～S7，直至优化完成。

进一步，所述步骤S1中，所述微电网模型包括如下单元：

智能量测系统(advanced measurement infrastructure，AMI)，用于实时监测并采集系统内部RES出力及需求侧负荷水平信息，并将采集信息及时上传至微电网能量管理中心；

微电网能量管理中心为微电网优化运行实时控制的主要控制单元，以AMI上传的负荷需求、RES出力信息及响应主体的功率信息为基础，通过动态优化和实时功率分配两阶段制定微电网运行优化实时控制策略；

EV充放电设施为EV集群实时功率控制的最终执行单元；

RES包括分布式风、光发电单元；

响应主体即EV集群的动力电池和储能蓄电池(battery energy storage，BES)，是本项目所提控制策略的优化对象，设响应主体的集合N⁺，其中，EV集群的集合为N，则EV规模为n＝|N|。

再进一步，所述步骤S3中，微网内的AMI采用指数平滑模型(exponentialsmoothing model，ESM)中的一次指数平滑预测对微电网内RES出力和常规负荷需求在优化时域T_hor＝{k₀,k₀+1,…,K}的后续时段做短期预测；对于预测值表示如下：

其中，r＝1,2,3，分别表示风机、光伏或常规负荷，d表示当日，d-1则表示前一日；y_r,d-1(k)、分别表示前一日采样点k时刻RES出力或负荷需求的实际值和预测值；α为平滑参数，且有α∈[0,1]；

在考虑不确定性的情况下，基于已有不确定性分析的研究结论，式(1)中的可表示如下：

式中，R_r{-1,1}为一个处于-1和1之间的随机数；为风机、光伏最大出力不确定性百分比或常规负荷最大需求不确定性百分比：

其中，表示风机、光伏或常规负荷的基本不确定性百分比；u_d表示不确定度等级；

对于微网中的风机、光伏发电系统，设其均带有最大功率点跟踪(maximum powerpoint tracking，MPPT)调节功能，且始终工作在MPPT模式。基于AMI预测结果，对于k∈T_hor，RES出力情况以及常规负荷需求分别记为：

式中，分别表示当前采样点k₀处风机、光伏出力和常规负荷需求；分别表示优化时域的后续时段内风机、光伏出力和常规负荷需求的预测值；

BES可视为全时段接入、无充电需求且满足充放电循环的一类特殊的“EV动力电池”；当i≤n时，响应主体指代EV动力电池，当i＞n时，响应主体指代BES。

对于其状态空间表示为：

Ω_i＝[T_in,i,T_out,i,S_0,i,S_E,i,Q_s,i,P_c,i,P_d,i,η_c,i,η_d,i] (7)

式中，T_in,i、T_out,i分别表示响应主体i的入网时间和预期离网时间；S_0,i、S_E,i分别表示响应主体i的起始荷电状态(State of Charge，SOC)和期望SOC，且当i＞n时，S_0,i＝S_E,i；Q_s,i表示响应主体i的容量；P_c,i、P_d,i分别表示额定充、放电功率；设响应主体i接入电网的持续时间为T_sy,i＝T_out,i-T_in,i，T_sy,i所包含的采样点集合设为T_m,i，并设其长度为H_i；

假设参与调度的EV动力电池均为锂电池，且对于在任意两采样点之间均视为恒功率充放电，V2G模式下，忽略自放电率的影响。对于建立的响应主体模型和约束条件为：

S_i(k)＝S_i(k-1)+P_i(k)Δs/Q_s,i (8)

S_i,min≤S_i(k)≤S_i,max (9)

-P_d,i/η_d,i≤P_i(k)≤P_c,iη_c,i (10)

式中，S_i(k-1)、S_i(k)分别表示响应主体i在采样点k-1、k处的SOC，Δs为采样时间间隔；P_i(k)表示响应主体i在采样点k处的实际功率，S_i,max、S_i,min分别为响应主体i的SOC的上、下限；

各响应主体在各自入网时段内的充放电功率集合即为本文所提实时控制策略中的决策变量，因此对于i∈N⁺，决策变量表示为：

P_i＝[P_i(T_m,i(1)),P_i(T_m,i(2)),…,P_i(T_m,i(H_i))] (12)

更进一步，所述步骤S4中，微电网动态优化过程包括以下步骤：

S4-1：考虑当前系统的运行状态和后续时段的预测数据，基于预测数据并结合MPC滚动优化，建立微电网动态优化控制的广义模型为：

式中：为优化时域目标函数；为当前采样点k₀处的函数值；为后续时段目标函数预测值；

S4-2：制定内部电价，基于系统内部能量补偿需求，面向响应主体发展一种带有倾斜分档率(inclining block rates，IBR)的实时电价机制。

为保证系统优化运行，应尽量减小系统净负荷波动和峰谷差，因此首先根据净负荷电量定义实时电价(real-time-price，RTP)：

ρ_RTP(k)＝aQ_net ²(k)+bQ_net(k)+c (14)

其中，ρ_RTP(k)表示采样点k处的电价；a、b和c为RTP系数；Q_net(k)＝P_net(k)Δs表示采样点k处系统净负荷电量，P_net(k)表示净负荷，表示如下：

式中，L_B(k)、P_W(k)、P_PV(k)分别表示采样点k处常规负荷、风机出力和光伏出力；

在带有IBR的电价机制中，当系统总电量需求超过给定阈值时，电价将会达到一个更高水平，具体表示为：

式中，x_k、y_k和z_k为三个电价等级；δ₁(k)、δ₂(k)为不同电价等级的阈值；

由公式(15)可知，当微网内的电量供给大于负荷需求时，净负荷为负，将有部分剩余RES出力倒送至大电网，因此，考虑到RES倒送，结合公式(14)与(16)，系统内部电价机制可表示为：

式中，λ₁、λ₂为不同电价等级下的价格倍率，且λ₂＞λ₁＞1；ρ_re表示单位电量的倒送价格；

S4-3：建立动态优化目标函数，以最小化微电网日运行总成本为目标，因此公式(13)可进一步可表示为：

式中，C_Int(k)、P_Int(k)和ρ_Int(k)分别表示采样点k处微网与大电网的交互成本、交互功率和交互电价；C_EV,sub(k)、I_EV,sub分别表示采样点k处EV集群参与微网辅助服务的补偿费用和补偿价格，ΔP_tra,i(k)表示采样点k处车辆i的负荷转移量；C_R,op(k)表示微网运维总费用，分别为风机、光伏和BES的运维成本系数；C_BES,cd(k)、C_EV,cd(k)和C_R,sub(k)分别表示采样点k处BES的充放电损耗成本、EV集群用户的充放电费用和RES发电补贴；P_W,valid(k)、P_PV,valid(k)分别为采样点k处被消纳的风机、光伏出力，I_W,sub、I_PV,sub分别为风机、光伏发电每度补贴价格；

在建立优化调度模型过程中，除了考虑微网内响应主体的运行约束外，还应考虑系统约束：

1)系统功率平衡约束

2)倒送功率约束

对于电网容量不太充足的情形，过大的风光电力倒送可能会对大电网稳定性与经济运行造成不利影响，因此对微电网倒送功率有所限制；

P_gridout(k)≤P_gridout,max (21)

式中，P_gridout(k)表示微电网倒送功率；P_gridout,max为倒送功率上限。

所述步骤S5中，响应主体功率实时分配过程如下：

S5-1.设定本阶段优化时域为T_k,hor＝{1,2,…,V}，对于任意采样点有ν_k∈T_k,hor，V为采样点总数，则V＝Δs/Δt。初始采样点v_k＝1；

S5-2.为保证本阶段优化的准确实施，首先需确定该优化阶段每一采样点处响应主体需保持的荷电状态：

式中，为响应主体i在采样点ν_k处需要保持的SOC；Θ_S,i(k)＝(S_i(k)-S_i(k-1))Q_s,i，表示响应主体i在第k个采样周期需要增加的SOC，其中S_i(k)、S_i(k-1)均由动态优化过程得到。S_i(k)＜S_i(k-1)情况下的计算方法与式(22)类似，此处不再赘述。

其次确定每一采样点处系统能量补偿需求量和补偿需求状态，补偿需求量为：

P_com(ν_k)＝P_W(ν_k)+P_PV(ν_k)-L_B(ν_k) (23)

补偿状态为：

式中，P_com(ν_k)、φ(ν_k)分别表示采样点ν_k处系统所需功率补偿量；P_W(ν_k)、P_PV(ν_k)和L_B(ν_k)分别表示采样点ν_k处的风机、光伏出力和常规负荷，φ_G2V、φ_V2G分别表示系统处于充电、放电补偿需求状态，且φ_V2G＝{0,1}，φ_G2V＝{0,1}，φ_V2Gφ_G2V＝0；

S5-3.针对所有入网响应主体进行SA评估；为精细量化有意愿参与微网运行调控的EV以及微网内BES的SA，主要考虑以下几个因素：

1)电池损耗程度：电池损耗程度与电池寿命相关，将其作为评定指标之一，有助于更为客观地衡量响应主体的可调度能力。电池损耗程度与温度、放电深度、充放电循环次数及初始荷电状态等因素有关，具体表示为：

式中，表示温度加速因数；分别表示初始荷电状态S_0,i、电池放电深度D_i对电池容量衰减的加速因数；Y_cyc,i表示响应主体i的历史充放电循环次数；

2)充电迫切程度：当φ(ν_k)＝φ_G2V＝1，响应主体需充电以消纳多余RES出力，引入充电迫切程度的概念用以表征响应主体消纳多余RES的能力；充电迫切程度可根据响应主体当前仍需补充的电量、以及剩余入网时长等信息来表征，具体如下：

式中，S_i(ν_k-1)表示响应主体i在第ν_k-1个采样点的SOC；

3)反向供电能力：当φ(ν_k)＝φ_V2G＝1，响应主体需放电以满足系统负荷需求，引入反向供电能力用以表征响应主体满足系统负荷需求的能力；反向供电能力与充电迫切程度呈反相关，即响应主体i的充电迫切性越小，则充电需求越弱，因此有充分的时间及充足的电量增加系统的备用容量，反向供电能力越强，具体表示如下：

4)信用度：如果已参与调度的EV用户由于突发紧急情况需要在调度时段内使用EV，即使电池未充至期望值，也会强行断开与电网的连接，单方面违反协议内容；从供电侧角度来说，EV的自行离开一定程度上会影响调度效果；引入信用度的概念，用于表征一定时间周期内响应主体i参与调度策略时的完成情况；

式中，X表示一定时间周期内响应主体i参与调度的总次数；分别表示第x次参与调度的起始时间和预期离网时间；表示第x次参与调度时离开电网的时间；因此对于响应主体i的越接近信用度越大。特别地，储能蓄电池由于不存在入离网的情况，因此信用度为1；

为了引入专家经验、反映个人偏好又客观反映各决策指标的信息，使响应主体的SA评估结果更合理，本文基于乘法组合法融合由层次分析法、标准差和平均差最大化方法确定的主、客观权重而得到综合权重。根据得出的综合权重向量与各项评估指标值，对响应主体可调度能力进行综合评估，响应主体i在采样点ν_k处的可调度能力可表示为：

式中，m表示评估指标个数；w_j表示综合权重系数；d_i,j为无量纲化处理后响应主体i的第j个评估指标的属性值；

S5-4.制定响应主体功率分配准则；根据所有入网响应主体的SA评估值初步确定各响应主体的调度优先权

结合各采样周期内系统功率补偿需求和响应主体的调度优先权，制定响应主体功率广义分配准则：

式中，P_i(ν_k)表示响应主体i在采样点νk处的功率；

为充分体现调度优先权取值的合理性，需在每一采样周期内设定合理的SA阈值，使得各响应主体基于SA值所分得的功率尽量满足额定功率限制，因此SA阈值可表示为：

式中，TH(ν_k)为SA阈值；当时，令重新调整响应主体的调度优先权，调整后的调度优先权记为

结合以上前提，响应主体的实时功率分配准则可准确描述为：

式中，P_i(ν_k)表示响应主体i在采样点ν_k处的功率；

S5-5.若v_k＜V，则令v_k＝v_k+1，转至步骤S52；否则，转至步骤S6。

本发明的有益效果是：

1、能够综合考虑系统供需两侧的不平衡程度和响应主体的可调度能力，一方面动态调整内部电价、另一方面设定实时功率分配准则，使得响应主体能够准确地实时响应系统能量补偿需求。

2、有效改善系统的负荷特性，同时提高供需两侧的经济性。

3、能够合理协调系统内的可用储能资源，精确引导规模化EV、储能系统的充放电行为，充分发挥EV集群的辅助储能作用。

4、应对不确定性环境时，能在提高负荷特性水平以及供需两侧经济性方面具有显著优势。

附图说明

图1是本发明的实时控制策略实现流程图；

图2是RES出力、常规负荷曲线；

图3是RES总出力曲线和四种模式下微电网总负荷曲线；

图4是四种模式下系统净负荷曲线；

图5是微网补偿需求量和响应主体功率分配图；

图6是EV功率分配与调度优先权变化关系曲线。

具体实施方式

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

参照图1～图6，一种基于可调度能力的微电网优化运行实时控制方法，包括以下步骤：

S1.综合考虑供电侧可再生能源出力及需求侧EV的不确定性，建立含智能量测系统、微电网能量管理中心、EV充放电设施、RES和响应主体在内的微电网模型；

S2.将一天连续24h的时间进行离散化处理，共设立J个采样点，对于任意第k时段，有k＝{k₀,k₀+1,…,K}，其中，k₀表示当前采样点，K表示末采样点，且K≤J；初始采样点k₀＝1；

S3.结合前一日采样点k时刻RES出力或负荷需求的实际值和预测值，微电网能量管理中心在动态优化时域T_hor＝{k₀,k₀+1,…,K}的后续时段对RES出力情况以及常规负荷需求做短期预测；

S4.微电网能量管理中心利用智能量测系统收集的系统运行最新数据信息，考虑系统约束，结合MPC滚动优化，经过预测模型计算、修正后续时段RES出力和负荷需求，制定优化时域内最小综合运行成本下的最优调度方案；

S5.微电网能量管理中心按最优调度方案，在采样周期k内设置更短的采样周期(长度为Δt)，基于动态优化控制得到的各响应主体SOC的变化序列以及响应主体的可调度能力，制定功率分配准则，从而使各响应主体能够快速响应系统能量补偿需求；

S6.智能量测系统收集系统运行最新数据信息，微电网能量管理中心根据相关信息更新预测模型信息；

S7.若k＜K，则令k＝k+1，转至步骤S3，否则转至步骤S8；

S8.重复步骤S1～S7，直至优化完成。

S1中的微电网模型具体包括：

智能量测系统(advanced measurement infrastructure，AMI)，用于实时监测并采集系统内部RES出力及需求侧负荷水平信息，并将采集信息及时上传至微电网能量管理中心；

微电网能量管理中心为微电网优化运行实时控制的主要控制单元，以AMI上传的负荷需求、RES出力信息及响应主体的功率信息为基础，通过动态优化和实时功率分配两阶段制定微电网运行优化实时控制策略；

EV充放电设施为EV集群实时功率控制的最终执行单元；

RES包括分布式风、光发电单元；

响应主体即EV集群的动力电池和储能蓄电池(battery energy storage，BES)，是本项目所提控制策略的优化对象，设响应主体的集合N+，其中，EV集群的集合为N，则EV规模为n＝|N|。

步骤S3中具体包括：

微网内的AMI采用指数平滑模型(exponential smoothing model，ESM)中的一次指数平滑预测对微电网内RES出力和常规负荷需求在优化时域T_hor＝{k₀,k₀+1,…,K}的后续时段做短期预测；对于预测值一般可表示如下：

其中，r＝1,2,3，分别表示风机、光伏或常规负荷，d表示当日，d-1则表示前一日；y_r,d-1(k)、分别表示前一日采样点k时刻RES出力或负荷需求的实际值和预测值；α为平滑参数，且有α∈[0,1]；

在考虑不确定性的情况下，基于已有不确定性分析的研究结论，式(1)中的可表示如下：

式中，R_r{-1,1}为一个处于-1和1之间的随机数；为风机、光伏最大出力不确定性百分比或常规负荷最大需求不确定性百分比：

其中，表示风机、光伏或常规负荷的基本不确定性百分比；u_d表示不确定度等级；

对于微网中的风机、光伏发电系统，设其均带有最大功率点跟踪(maximum powerpoint tracking，MPPT)调节功能，且始终工作在MPPT模式。基于AMI预测结果，对于k∈T_hor，RES出力情况以及常规负荷需求分别记为：

式中，分别表示当前采样点k₀处风机、光伏出力和常规负荷需求；分别表示优化时域的后续时段内风机、光伏出力和常规负荷需求的预测值；

BES可视为全时段接入、无充电需求且满足充放电循环的一类特殊的“EV动力电池”；当i≤n时，响应主体指代EV动力电池，当i＞n时，响应主体指代BES。

对于其状态空间表示为：

Ω_i＝[T_in,i,T_out,i,S_0,i,S_E,i,Q_s,i,P_c,i,P_d,i,η_c,i,η_d,i] (7)

式中，T_in,i、T_out,i分别表示响应主体i的入网时间和预期离网时间；S_0,i、S_E,i分别表示响应主体i的起始荷电状态(State of Charge，SOC)和期望SOC，且当i＞n时，S_0,i＝S_E,i；Q_s,i表示响应主体i的容量；P_c,i、P_d,i分别表示额定充、放电功率；设响应主体i接入电网的持续时间为T_sy,_i＝To_ut,i-T_in,i，T_sy,_i所包含的采样点集合设为T_m,i，并设其长度为H_i；

假设参与调度的EV动力电池均为锂电池，且对于在任意两采样点之间均视为恒功率充放电，V2G模式下，忽略自放电率的影响。对于建立的响应主体模型和约束条件为：

S_i(k)＝S_i(k-1)+P_i(k)Δs/Q_s,i (8)

S_i,min≤S_i(k)≤S_i,max (9)

-P_d,i/η_d,i≤P_i(k)≤P_c,iη_c,i (10)

式中，S_i(k-1)、S_i(k)分别表示响应主体i在采样点k-1、k处的SOC，Δs为采样时间间隔；P_i(k)表示响应主体i在采样点k处的实际功率，S_i,max、S_i,min分别为响应主体i的SOC的上、下限；

各响应主体在各自入网时段内的充放电功率集合即为本文所提实时控制策略中的决策变量，因此对于i∈N⁺，决策变量表示为：

P_i＝[P_i(T_m,i(1)),P_i(T_m,i(2)),…,P_i(T_m,i(H_i))] (12)

步骤S4中微电网动态优化过程具体包括：

S4-1：考虑当前系统的运行状态和后续时段的预测数据，基于预测数据并结合MPC滚动优化，建立微电网动态优化控制的广义模型为：

式中：为优化时域目标函数；为当前采样点k₀处的函数值；为后续时段目标函数预测值；

S4-2：制定内部电价，基于系统内部能量补偿需求，面向响应主体发展一种带有倾斜分档率(inclining block rates，IBR)的实时电价机制。

为保证系统优化运行，应尽量减小系统净负荷波动和峰谷差，因此首先根据净负荷电量定义实时电价(real-time-price，RTP)：

ρ_RTP(k)＝aQ_net ²(k)+bQ_net(k)+c (14)

其中，ρ_RTP(k)表示采样点k处的电价；a、b和c为RTP系数；Q_net(k)＝P_net(k)Δs表示采样点k处系统净负荷电量，P_net(k)表示净负荷，表示如下：

式中，L_B(k)、P_W(k)、P_PV(k)分别表示采样点k处常规负荷、风机出力和光伏出力；

在带有IBR的电价机制中，当系统总电量需求超过给定阈值时，电价将会达到一个更高水平，具体表示为：

式中，x_k、y_k和z_k为三个电价等级；δ₁(k)、δ₂(k)为不同电价等级的阈值；

由公式(15)可知，当微网内的电量供给大于负荷需求时，净负荷为负，将有部分剩余RES出力倒送至大电网，因此，考虑到RES倒送，结合公式(14)与(16)，系统内部电价机制可表示为：

式中，λ₁、λ₂为不同电价等级下的价格倍率，且λ₂＞λ₁＞1；ρ_re表示单位电量的倒送价格；

S4-3：建立动态优化目标函数，以最小化微电网日运行总成本为目标，因此公式(13)可进一步可表示为：

式中，C_Int(k)、P_Int(k)和ρ_Int(k)分别表示采样点k处微网与大电网的交互成本、交互功率和交互电价；C_EV,sub(k)、I_EV,sub分别表示采样点k处EV集群参与微网辅助服务的补偿费用和补偿价格，ΔP_tra,i(k)表示采样点k处车辆i的负荷转移量；C_R,op(k)表示微网运维总费用，分别为风机、光伏和BES的运维成本系数；C_BES,cd(k)、C_EV,cd(k)和C_R,sub(k)分别表示采样点k处BES的充放电损耗成本、EV集群用户的充放电费用和RES发电补贴；P_W,valid(k)、P_PV,valid(k)分别为采样点k处被消纳的风机、光伏出力，I_W,sub、I_PV,sub分别为风机、光伏发电每度补贴价格；

在建立优化调度模型过程中，除了考虑微网内响应主体的运行约束外，还应考虑系统约束：

1)系统功率平衡约束

2)倒送功率约束

对于电网容量不太充足的情形，过大的风光电力倒送可能会对大电网稳定性与经济运行造成不利影响，因此对微电网倒送功率有所限制；

P_gridout(k)≤P_gridout,max (21)

式中，P_gridout(k)表示微电网倒送功率；P_gridout,max为倒送功率上限。

步骤S5中响应主体功率实时分配具体包括：

S5-1.设定本阶段优化时域为T_k,hor＝{1,2,…,V}，对于任意采样点有ν_k∈T_k,hor，V为采样点总数，则V＝Δs/Δt。初始采样点v_k＝1；

S5-2.为保证本阶段优化的准确实施，首先需确定该优化阶段每一采样点处响应主体需保持的荷电状态：

式中，为响应主体i在采样点ν_k处需要保持的SOC；Θ_S,i(k)＝(S_i(k)-S_i(k-1))Q_s,i，表示响应主体i在第k个采样周期需要增加的SOC，其中S_i(k)、S_i(k-1)均由动态优化过程得到。S_i(k)＜S_i(k-1)情况下的计算方法与式(22)类似，此处不再赘述。

其次确定每一采样点处系统能量补偿需求量和补偿需求状态，补偿需求量为：

P_com(ν_k)＝P_W(ν_k)+P_PV(ν_k)-L_B(ν_k) (23)

补偿状态为：

式中，P_com(ν_k)、φ(ν_k)分别表示采样点ν_k处系统所需功率补偿量；P_W(ν_k)、P_PV(ν_k)和L_B(ν_k)分别表示采样点ν_k处的风机、光伏出力和常规负荷，φ_G2V、φ_V2G分别表示系统处于充电、放电补偿需求状态，且φ_V2G＝{0,1}，φ_G2V＝{0,1}，φ_V2Gφ_G2V＝0；

S5-3.针对所有入网响应主体进行SA评估；为精细量化有意愿参与微网运行调控的EV以及微网内BES的SA，主要考虑以下几个因素：

1)电池损耗程度：电池损耗程度与电池寿命相关，将其作为评定指标之一，有助于更为客观地衡量响应主体的可调度能力。电池损耗程度与温度、放电深度、充放电循环次数及初始荷电状态等因素有关，具体表示为：

式中，表示温度加速因数；分别表示初始荷电状态S_0,i、电池放电深度D_i对电池容量衰减的加速因数；Y_cyc,i表示响应主体i的历史充放电循环次数；

2)充电迫切程度：当φ(ν_k)＝φ_G2V＝1，响应主体需充电以消纳多余RES出力，引入充电迫切程度的概念用以表征响应主体消纳多余RES的能力；充电迫切程度可根据响应主体当前仍需补充的电量、以及剩余入网时长等信息来表征，具体如下：

式中，S_i(ν_k-1)表示响应主体i在第ν_k-1个采样点的SOC；

3)反向供电能力：当φ(ν_k)＝φ_V2G＝1，响应主体需放电以满足系统负荷需求，引入反向供电能力用以表征响应主体满足系统负荷需求的能力；反向供电能力与充电迫切程度呈反相关，即响应主体i的充电迫切性越小，则充电需求越弱，因此有充分的时间及充足的电量增加系统的备用容量，反向供电能力越强，具体表示如下：

4)信用度：如果已参与调度的EV用户由于突发紧急情况需要在调度时段内使用EV，即使电池未充至期望值，也会强行断开与电网的连接，单方面违反协议内容；从供电侧角度来说，EV的自行离开一定程度上会影响调度效果；引入信用度的概念，用于表征一定时间周期内响应主体i参与调度策略时的完成情况；

式中，X表示一定时间周期内响应主体i参与调度的总次数；分别表示第x次参与调度的起始时间和预期离网时间；表示第x次参与调度时离开电网的时间；因此对于响应主体i的越接近信用度越大。特别地，储能蓄电池由于不存在入离网的情况，因此信用度为1；

为了引入专家经验、反映个人偏好又客观反映各决策指标的信息，使响应主体的SA评估结果更合理，本文基于乘法组合法融合由层次分析法、标准差和平均差最大化方法确定的主、客观权重而得到综合权重。根据得出的综合权重向量与各项评估指标值，对响应主体可调度能力进行综合评估，响应主体i在采样点ν_k处的可调度能力可表示为：

式中，m表示评估指标个数；w_j表示综合权重系数；d_i,j为无量纲化处理后响应主体i的第j个评估指标的属性值；

S5-4.制定响应主体功率分配准则；根据所有入网响应主体的SA评估值初步确定各响应主体的调度优先权

结合各采样周期内系统功率补偿需求和响应主体的调度优先权，制定响应主体功率广义分配准则：

式中，P_i(ν_k)表示响应主体i在采样点ν_k处的功率；

为充分体现调度优先权取值的合理性，需在每一采样周期内设定合理的SA阈值，使得各响应主体基于SA值所分得的功率尽量满足额定功率限制，因此SA阈值可表示为：

式中，TH(ν_k)为SA阈值；当时，令重新调整响应主体的调度优先权，调整后的调度优先权记为

结合以上前提，响应主体的实时功率分配准则可准确描述为：

式中，P_i(ν_k)表示响应主体i在采样点ν_k处的功率；

S5-5.若v_k＜V，则令v_k＝v_k+1，转至步骤S52；否则，转至步骤S6。

为使本领域技术人员更好地理解本发明，申请人利用风机、光伏和BES组成的居民区微电网为小区内的常规负荷和EV充电负荷供电，用于验证所提控制策略的有效性。

表1 储能蓄电池相关参数

该微电网内风机、光伏的额定容量分别为800kW、750kW，典型一日内的风机、光伏出力曲线和微网内常规负荷需求曲线如附图2所示。BES相关参数如表1所示。

设该小区微电网服务的EV规模为25辆，EV相关参数设置如表2所示，实时电价的三个系数a、b和c分别设为5×10^-6、2×10^-5和0.5，IBR界限δ₁(k)、δ₂(k)分别设为每一采样点k处微电网净负荷电量最大值的0.3倍和0.8倍，价格倍率λ₁、λ₂分别设为1.1和1.6，倒送价格ρ_re为0.485元/kWh。微电网向大电网购电电价采用峰平谷电价。

表2 EV相关参数

表2中，r_d表示EV日行驶里程，假设EV每天只充一次电，且充至期望荷电状态S_E,i后开始第二次出行，用户在电池电量不足以满足次日充电需求时开始充电。定义S_0,i＝(S_E,i-r_d/R_a)，其中，R_a为EV充电至充至期望状态后的可行驶里程。

为了充分体现所提实时控制策略的优化效果，本节在相同微电网场景下同时仿真以下4种模式，并进行仿真结果的对比、分析：

Case1：无控制模式：电动汽车按接入时间依次以额定功率充电直至达到用户充电需求或离网；

Case2：采样周期为k、基于MPC方法的动态优化模式；

Case3：在一日24h的优化时域内进行采样周期为ν_k的实时控制；

Case4：所提微电网优化运行实时控制模式。

通过蒙特卡洛模拟EV集群的充电行为，抽样获得日内24h电动汽车集群的入网信息和日充电需求数据。在Matlab中采用YALMIP和CPLEX对上述4种模式进行建模、求解，仿真计算在Windows 7，Intel(R)CoreTM i3CPU@3.6GHz，4GB内存的计算机上完成。

上述4种模式下的系统总负荷、净负荷曲线如附图3、4所示。具体地，四种模式下微电网负荷特性相关统计数据如表3所示。

表3 负荷特性相关统计数据

结合附图3、附图4以及表2，可以得出以下现象及结论：

Case1模式下，居民区内的EV集中在晚高峰期时段接入，充电方式缺乏灵活性，使得RES出力未得到及时消纳。结合表2可知，相较于Case1，Case2～Case4在净负荷峰谷差、净负荷波动率等负荷特性方面均有所改善，且RES利用率较无序模式分别提升了8.17％、7.41％和8.94％。

Case2模式下，响应主体能够在微网内部实时电价的引导下，及时调控系统能量关系的不平衡，但相比于Case4模式缺少了更短采样周期内基于准则的功率实时分配环节，因此对于系统净负荷特性的改善效果稍差于Case4。Case3模式下的实时控制方法，运行机制较为简单，在充放电迫切水平表征、功率分配方面考虑不周全，难以应对复杂多变的环境，因此在响应系统能量补偿需求的准确性上相比于本文所提实时控制策略下的模式Case4较差。

负荷响应度表示响应主体参与系统能量调控前后用电行为的改变程度，Case2、Case4模式下负荷响应度明显低于Case3。出现这一现象的原因是，Case2、Case4模式中均有利用实时电价来引导响应主体参与调度的优化阶段，且实时电价机制的更新周期较短，而Case3模式只包含基于准则的实时优化，未采用电价引导的方式调度响应主体，使得用户在参与系统能量调控时能够更加及时地基于既定准则做出功率调整。

综合以上分析可知，Case4模式下，响应主体的响应速度虽低于Case2、Case3模式，但能够综合考虑系统供需两侧的不平衡程度和响应主体的SA，一方面动态调整内部电价、另一方面设定实时功率分配规则，使得响应主体能够更加准确地响应系统能量补偿需求，从而进行合理地充放电，提高RES利用率，有效改善了负荷特性。

经济性分析：

四种模式下，微电网供需两侧的经济性相关统计数据如表4所示。

表4 微电网供需两侧经济性相关统计数据

在微网侧经济性方面，由表4可知，相比于无序模式，Case2～Case4模式下，微电网总成本分别降低了7.17％、12.89％、15.50％。在具体成本组成方面，与大电网的交互成本分别降低了92.51％、85.12％、99.83％。这说明RES利用率的提高，减少了微电网与大电网的功率交互，从而降低了交互成本，进一步降低了微电网总成本。

在需求侧经济性方面，相比于无序模式，Case2～Case4模式下EV用户的总成本均有所降低。在具体成本组成方面，Case2模式下，由于调度过程在数据采样周期上的限制，使得系统能量补偿的需求信息无法准确上传至能量管理中心，从而导致响应主体在跟随系统能量供需方面的灵活性较弱，调度结果一定程度上超出了实际补偿量，因此EV的放电成本、功率波动成本、以及电能损失量较Case4模式偏高。Case3模式下，由于该种实时控制模式在功率分配机制方面的不健全，在响应系统能量补偿需求的准确性上不及Case4，从而造成了较高的充放电费用。

综合供需两侧经济性分析可知，所提实时控制策略由于包含两个不同采样周期的优化阶段，能够更加合理地调度响应主体补偿系统能量不平衡需求，大幅提高供需两侧的经济性。

EV和储能系统功率补偿量对比：

Case4模式下微电网内部供需关系与EV集群和BES功率分配情况对比如附图5所示。

由附图5可知，Case4模式下，系统中作为响应主体的EV集群及BES在一天内的功率分配趋势均能实时跟随系统能量补偿需求。具体来看，EV集群由于入、离网时间较为分散且充电需求不尽相同，使得EV集群在整个优化时段内响应系统当前需求的补偿量稍低于储能，并且随着EV逐渐离网，BES在调节系统供需平衡方面的作用尤为明显。

因此，本文所提实时控制策略能够合理地协调系统内的可用储能资源，精确引导规模化EV集群、BES的充放电行为，充分发挥EV集群的辅助移动储能单元的作用，提高系统独立运行的稳定性。

调度优先权对EV功率分配的影响：

为呈现本文所提实时控制策略的功率实时分配阶段基于SA评估值得到的调度优先权与EV功率分配的关系，对比EV集群中某两辆EV一天内按调度优先权调节功率的具体情况，如附图6所示。

结合附图5中实际补偿需求量分布和附图6中两EV的功率分配情况可知，在两辆EV入网的时段内，功率分布趋势均与系统补偿需求保持一致。对比两辆EV功率分配的具体情况可知，在两者共同的入网时段内，EV1在每一采样周期内响应补偿需求的功率普遍大于EV2，结合两者的调度优先权值可知，在实时功率分配的大部分采样周期内EV1调度优先权均大于EV2的调度优先权，因此在进行功率分配时，EV1的响应能力较高，分配功率较大。

因此可知，在本文所提实时控制策略的实时功率分配阶段，系统能够依据响应主体在各采样周期内的可调度能力，合理安排各EV的调度优先权，从而基于各采样周期中系统的能量补偿需求按照既定准则快速合理地实现功率分配。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种基于可调度能力的微电网优化运行实时控制方法，其特征在于，该方法包括以下步骤：

S1.综合考虑供电侧可再生能源出力及需求侧电动汽车EV的不确定性，建立含智能量测系统、微电网能量管理中心、EV充放电设施、可再生能源RES和响应主体在内的微电网模型；

S2.将一天连续24h的时间进行离散化处理，共设立J个采样点，对于任意第k时段，有k＝{k₀,k₀+1,…,K}，其中，k₀表示当前采样点，K表示末采样点，且K≤J；初始采样点k₀＝1；

S3.结合前一日采样点k时刻RES出力或负荷需求的实际值和预测值，微电网能量管理中心在动态优化时域T_hor＝{k₀,k₀+1,…,K}的后续时段对RES出力情况以及常规负荷需求做短期预测；

S4.微电网能量管理中心利用智能量测系统AMI收集的系统运行最新数据信息，考虑系统约束，结合MPC滚动优化，经过预测模型计算、修正后续时段RES出力和负荷需求，制定优化时域内最小综合运行成本下的最优调度方案；

S5.微电网能量管理中心按最优调度方案，在采样周期k内设置更短的采样子周期，采样子周期长度为Δt，基于动态优化控制得到的各响应主体荷电状态SOC的变化序列以及响应主体的可调度能力SA，制定功率分配准则，从而使各响应主体能够快速响应系统能量补偿需求；

S6.智能量测系统收集系统运行最新数据信息，微电网能量管理中心根据相关信息更新预测模型信息；

S7.若k＜K，则令k＝k+1，转至步骤S3，否则转至步骤S8；

S8.重复步骤S1～S7，直至优化完成。

2.根据权利要求1所述的基于可调度能力的微电网优化运行实时控制方法，其特征在于，所述步骤S1中，所述微电网模型包括如下单元：

智能量测系统，用于实时监测并采集系统内部RES出力及需求侧负荷水平信息，并将采集信息及时上传至微电网能量管理中心；

微电网能量管理中心，微电网优化运行实时控制的控制单元，以AMI上传的负荷需求、RES出力信息及响应主体的功率信息为基础，通过动态优化和实时功率分配两阶段制定微电网运行优化实时控制策略；

EV充放电设施，为EV集群实时功率控制的最终执行单元；

RES，包括分布式风、光发电单元；

响应主体，EV集群的动力电池和储能蓄电池BES，是所提控制策略的优化对象，设响应主体的集合N⁺，其中，EV集群的集合为N，则EV规模为n＝|N|。

3.根据权利要求1或2所述的基于可调度能力的微电网优化运行实时控制方法，其特征在于，所述步骤S3中，微网内的AMI采用指数平滑模型ESM中的一次指数平滑预测对微电网内RES出力和常规负荷需求在优化时域T_hor＝{k₀,k₀+1,…,K}的后续时段做短期预测；对于预测值表示如下：

${\hat{y}}_{r,d}\left(k\right)={\mathrm{\αy}}_{r,d-1}\left(k\right)+(1-\mathrm{\α}){\hat{y}}_{r,d-1}\left(k\right)---\left(1\right)$

其中，r＝1,2,3，分别表示风机、光伏或常规负荷，d表示当日，d-1则表示前一日；y_r,d-1(k)、分别表示前一日采样点k时刻RES出力或负荷需求的实际值和预测值；α为平滑参数，且有α∈[0,1]；

在考虑不确定性的情况下，基于已有不确定性分析的研究结论，式(1)中的可表示如下：

${\hat{y}}_{r,d-1}\left(k\right)=y_{r,d-1}\left(k\right)(1+e_r^{\max }{R}_r\{-1,1\left\}\right)---\left(2\right)$

式中，R_r{-1,1}为一个处于-1和1之间的随机数；为风机、光伏最大出力不确定性百分比或常规负荷最大需求不确定性百分比：

$e_r^{\max }=u_d{e}_r^{basic}---\left(3\right)$

其中，表示风机、光伏或常规负荷的基本不确定性百分比；u_d表示不确定度等级；

对于微网中的风机、光伏发电系统，设其均带有最大功率点跟踪MPPT调节功能，且始终工作在MPPT模式；基于AMI预测结果，对于k∈T_hor，RES出力情况以及常规负荷需求分别记为：

$P_W\stackrel{\mathrm{\Δ}}{=}\[P_W\left(k\right){|}_{k=k_0},{\hat{P}}_W\left(k\right){|}_{k\∈\[k_0+1,...,K\]}\]---\left(4\right)$

$P_{PV}\stackrel{\mathrm{\Δ}}{=}\[P_{PV}\left(k\right){|}_{k=k_0},{\hat{P}}_{PV}\left(k\right){|}_{k\∈\[k_0+1,...,K\]}\]---\left(5\right)$

$L_B\stackrel{\mathrm{\Δ}}{=}\[L_B\left(k\right){|}_{k=k_0},{\hat{L}}_B\left(k\right){|}_{k\∈\[k_0+1,\mathrm{...},K\]}\]---\left(6\right)$

式中，分别表示当前采样点k₀处风机、光伏出力和常规负荷需求；分别表示优化时域的后续时段内风机、光伏出力和常规负荷需求的预测值；

BES可视为全时段接入、无充电需求且满足充放电循环的一类特殊的“EV动力电池”；当i≤n时，响应主体指代EV动力电池，当i＞n时，响应主体指代BES；

对于其状态空间表示为：

Ω_i＝[T_in,i,T_out,i,S_0,i,S_E,i,Q_s,i,P_c,i,P_d,i,η_c,i,η_d,i] (7)

式中，T_in,i、T_out,i分别表示响应主体i的入网时间和预期离网时间；S_0,i、S_E,i分别表示响应主体i的起始SOC和期望SOC，且当i＞n时，S_0,i＝S_E,i；Q_s,i表示响应主体i的容量；P_c,i、P_d,i分别表示额定充、放电功率；设响应主体i接入电网的持续时间为T_sy,i＝T_out,i-T_in,i，T_sy,i所包含的采样点集合设为T_m,i，并设其长度为H_i；

假设参与调度的EV动力电池均为锂电池，且对于在任意两采样点之间均视为恒功率充放电，V2G模式下，对于建立的响应主体模型和约束条件为：

S_i(k)＝S_i(k-1)+P_i(k)Δs/Q_s,i (8)

S_i,min≤S_i(k)≤S_i,max (9)

-P_d,i/η_d,i≤P_i(k)≤P_c,iη_c,i (10)

$S_{0,i}+\left(\underset{k\∈T_{m,i}}{\Σ}{P}_i\right(k\left)\mathrm{\Δ}s\right)/Q_{s,i}\≥S_{E,i},i\≤n---\left(11\right)$

式中，S_i(k-1)、S_i(k)分别表示响应主体i在采样点k-1、k处的SOC，Δs为采样时间间隔；P_i(k)表示响应主体i在采样点k处的实际功率，S_i,max、S_i,min分别为响应主体i的SOC的上、下限；

各响应主体在各自入网时段内的充放电功率集合即为实时控制策略中的决策变量，因此对于i∈N⁺，决策变量表示为：

P_i＝[P_i(T_m,i(1)),P_i(T_m,i(2)),…,P_i(T_m,i(H_i))] (12)。

4.根据权利要求3所述的基于可调度能力的微电网优化运行实时控制方法，其特征在于，所示步骤S4中，微电网动态优化过程包括以下步骤：

S4-1：同时考虑当前系统的运行状态和后续时段的预测数据，基于预测数据并结合MPC滚动优化，建立微电网动态优化控制的广义模型为：

${\mathrm{minW}}_{T_{hor}}=min\{W_{T_{hor}}\left(k\right){|}_{k=k_0}+\underset{k=k_0+1}{\overset{K}{\Σ}}{\hat{W}}_{r_{hor}}\left(k\right)\},k\∈T_{hor}---\left(13\right)$

式中：为优化时域目标函数；为当前采样点k₀处的函数值；为后续时段目标函数预测值；

S4-2：制定内部电价，基于系统内部能量补偿需求，面向响应主体发展一种带有倾斜分档率IBR的实时电价机制；

为保证系统优化运行，应尽量减小系统净负荷波动和峰谷差，因此首先根据净负荷电量定义实时电价：

ρ_RTP(k)＝aQ_net ²(k)+bQ_net(k)+c (14)

其中，ρ_RTP(k)表示采样点k处的电价；a、b和c为RTP系数；Q_net(k)＝P_net(k)Δs表示采样点k处系统净负荷电量，P_net(k)表示净负荷，表示如下：

$P_{net}\left(k\right)=L_B\left(k\right)+\underset{i\∈N^{+}}{\Σ}{P}_i\left(k\right)-\left(P_W\right(k)+P_{PV}(k\left)\right)---\left(15\right)$

式中，L_B(k)、P_W(k)、P_PV(k)分别表示采样点k处常规负荷、风机出力和光伏出力；

在带有IBR的电价机制中，当系统总电量需求超过给定阈值时，电价将会达到一个更高水平，具体表示为：

${\mathrm{\&rho;}}_{IBR}\left(k\right)=\left\{\begin{array}{cc}{x}_k,& 0\&le;Q_{net}\left(k\right)<{\mathrm{\&delta;}}_1\left(k\right)\\ y_k,& {\mathrm{\&delta;}}_1\left(k\right)\&le;Q_{net}\left(k\right)<{\mathrm{\&delta;}}_2\left(k\right)\\ z_k,& Q_{net}\left(k\right)\&GreaterEqual;{\mathrm{\&delta;}}_2\left(k\right)\end{array}\right.---\left(16\right)$

式中，x_k、y_k和z_k为三个电价等级；δ₁(k)、δ₂(k)为不同电价等级的阈值；

由公式(15)可知，当微网内的电量供给大于负荷需求时，净负荷为负，将有部分剩余RES出力倒送至大电网，因此，考虑到RES倒送，结合公式(14)与(16)，系统内部电价机制表示为：

${\mathrm{\&rho;}}_{pri}\left(k\right)=\left\{\begin{array}{cc}-{\mathrm{\&rho;}}_{re},& Q_{net}\left(k\right)\&le;0\\ {\mathrm{\&rho;}}_{RTP}\left(k\right),& 0<Q_{net}\left(k\right)\&le;{\mathrm{\&delta;}}_1\left(k\right)\\ {\mathrm{\&lambda;}}_1{\mathrm{\&rho;}}_{RTP}\left(k\right),& {\mathrm{\&delta;}}_1\left(k\right)<Q_{net}\left(k\right)\&le;{\mathrm{\&delta;}}_2\left(k\right)\\ {\mathrm{\&lambda;}}_2{\mathrm{\&rho;}}_{RTP}\left(k\right),& Q_{net}\left(k\right)>{\mathrm{\&delta;}}_2\left(k\right)\end{array}\right.---\left(17\right)$

式中，λ₁、λ₂为不同电价等级下的价格倍率，且λ₂＞λ₁＞1；ρ_re表示单位电量的倒送价格；

S4-3：以最小化微电网日运行总成本为目标建立动态优化目标函数，因此公式(13)进一步表示为：

${\mathrm{minW}}_T=\underset{k\&Element;T_{hor}}{\&Sigma;}\left(C_{Int}\right(k)+C_{EV,sub}(k)+C_{R,op}(k)+C_{BES,cd}(k\left)\right)-\underset{k\&Element;T_{hor}}{\&Sigma;}\left(C_{EV,cd}\right(k)+C_{R,sub}(k\left)\right)---\left(18\right)$

式中，C_Int(k)、P_Int(k)和ρ_Int(k)分别表示采样点k处微网与大电网的交互成本、交互功率和交互电价；C_EV,sub(k)、I_EV,sub分别表示采样点k处EV集群参与微网辅助服务的补偿费用和补偿价格，ΔP_tra,i(k)表示采样点k处车辆i的负荷转移量；C_R,op(k)表示微网运维总费用，分别为风机、光伏和BES的运维成本系数；C_BES,cd(k)、C_EV,cd(k)和C_R,sub(k)分别表示采样点k处BES的充放电损耗成本、EV集群用户的充放电费用和RES发电补贴；P_W,valid(k)、P_PV,valid(k)分别为采样点k处被消纳的风机、光伏出力，I_W,sub、I_PV,sub分别为风机、光伏发电每度补贴价格；

在建立优化调度模型过程中，除了考虑微网内响应主体的运行约束外，还应考虑系统约束：

1)系统功率平衡约束

$P_W\left(k\right)+P_{PV}\left(k\right)+P_{Int}\left(k\right)=L_B\left(k\right)+\underset{i\&Element;N^{+}}{\&Sigma;}{P}_i\left(k\right)---\left(20\right)$

2)倒送功率约束

对于电网容量不太充足的情形，过大的风光电力倒送可能会对大电网稳定性与经济运行造成不利影响，因此对微电网倒送功率有所限制；

P_gridout(k)≤P_gridout,max (21)

式中，P_gridout(k)表示微电网倒送功率；P_gridout,max为倒送功率上限。

5.根据权利要求4所述的基于可调度能力的微电网优化运行实时控制方法，其特征在于，所述步骤S5中，功率实时分配过程如下：

S5-1.设定本阶段优化时域为T_k,hor＝{1,2,…,V}，对于任意采样点有ν_k∈T_k,hor，V为采样点总数，则V＝Δs/Δt，初始采样点v_k＝1；

S5-2.首先需确定该优化阶段每一采样点处响应主体需保持的荷电状态：

$S_i^{req}\left(v_k\right)=\left\{\begin{array}{cc}{S}_i\left(k\right)-P_{c,i}{\mathrm{\&eta;}}_{c,i}(\mathrm{\&Delta;}s-v_k\mathrm{\&Delta;}t)/Q_{s,i},& ifk\&Element;T_{m,i}\\ and& v_k\mathrm{\&Delta;}t\&Element;(\mathrm{\&Delta;}s-{\mathrm{\&Theta;}}_{S,i}(k)/\left(P_{c,i}{\mathrm{\&eta;}}_{c,i}\right),\mathrm{\&Delta;}s)\\ S_{i,min},& else\end{array}\right.---\left(22\right)$

式中，为响应主体i在采样点ν_k处需要保持的SOC；Θ_S,i(k)＝(S_i(k)-S_i(k-1))Q_s,i，表示响应主体i在第k个采样周期需要增加的SOC，其中S_i(k)、S_i(k-1)均由动态优化过程得到；

其次确定每一采样点处系统能量补偿需求量和补偿需求状态，补偿需求量为：

P_com(ν_k)＝P_W(ν_k)+P_PV(ν_k)-L_B(ν_k) (23)

补偿状态为：

$\mathrm{\&phi;}\left(v_k\right)=\left\{\begin{array}{cc}{\mathrm{\&phi;}}_{V2G},& P_{com}\left(v_k\right)<0\\ {\mathrm{\&phi;}}_{G2V},& P_{com}\left(v_k\right)>0\\ 0,& else\end{array}\right.---\left(24\right)$

式中，P_com(ν_k)、φ(ν_k)分别表示采样点ν_k处系统所需功率补偿量；P_W(ν_k)、P_PV(ν_k)和L_B(ν_k)分别表示采样点ν_k处的风机、光伏出力和常规负荷，φ_G2V、φ_V2G分别表示系统处于充电、放电补偿需求状态，且φ_V2G＝{0,1}，φ_G2V＝{0,1}，φ_V2Gφ_G2V＝0；

S5-3.针对所有入网响应主体进行SA评估；为精细量化有意愿参与微网运行调控的EV以及微网内BES的SA，考虑以下因素：

1)电池损耗程度，表示为：

$q_{i,1}=-{\mathrm{\&chi;}}_{ref}{v}_{T_{em,i}}{\mathrm{\&tau;}}_{S_{0,i}}{\mathrm{\&Delta;}}_{D_i}{Y}_{cyc,i}---\left(25\right)$

式中，表示温度加速因数；分别表示初始荷电状态S_0,i、电池放电深度D_i对电池容量衰减的加速因数；Y_cyc,i表示响应主体i的历史充放电循环次数；

2)充电迫切程度：当φ(ν_k)＝φ_G2V＝1，响应主体需充电以消纳多余RES出力，引入充电迫切程度的概念用以表征响应主体消纳多余RES的能力；充电迫切程度表示如下：

$q_{i,2}={\mathrm{\&phi;}}_{G2V}\frac{P_{c,i}{\mathrm{\&eta;}}_{c,i}(\mathrm{\&Delta;}s-v_k\mathrm{\&Delta;}t)}{P_{c,i}{\mathrm{\&eta;}}_{c,i}(\mathrm{\&Delta;}s-v_k\mathrm{\&Delta;}t)-Q_{s,i}\left(S_i\right(k)-S_i(v_k-1\left)\right)}---\left(26\right)$

式中，S_i(ν_k-1)表示响应主体i在第ν_k-1个采样点的SOC；

3)反向供电能力：当φ(ν_k)＝φ_V2G＝1，响应主体需放电以满足系统负荷需求，引入反向供电能力用以表征响应主体满足系统负荷需求的能力；反向供电能力表示如下：

$q_{i,3}={\mathrm{\&phi;}}_{V2G}\frac{P_{c,i}{\mathrm{\&eta;}}_{c,i}(\mathrm{\&Delta;}s-v_k\mathrm{\&Delta;}t)-Q_{s,i}\left(S_i\right(k)-S_i(v_k-1\left)\right)}{P_{c,i}{\mathrm{\&eta;}}_{c,i}(\mathrm{\&Delta;}s-v_k\mathrm{\&Delta;}t)}---\left(27\right)$

4)信用度：用于表征一定时间周期内响应主体i参与调度策略时的完成情况，表示如下；

$q_{i,4}=\frac{1}{X}\underset{x=1}{\overset{X}{\&Sigma;}}(1-\frac{T_{out,i}^x-T_{d,i}^x}{T_{out,i}^x-T_{in,i}^x})---\left(28\right)$

式中，X表示一定时间周期内响应主体i参与调度的总次数；分别表示第x次参与调度的起始时间和预期离网时间；表示第x次参与调度时离开电网的时间；因此对于响应主体i的越接近信用度越大；特别地，储能蓄电池由于不存在入离网的情况，因此信用度为1；

基于乘法组合法融合由层次分析法、标准差和平均差最大化方法确定的主、客观权重而得到综合权重，根据得出的综合权重向量与各项评估指标值，对响应主体可调度能力进行综合评估，响应主体i在采样点ν_k处的可调度能力表示为：

$f_{SA}^i\left(v_k\right)=\underset{j=1}{\overset{m}{\&Sigma;}}{w}_j{d}_{i,j}---\left(29\right)$

式中，m表示评估指标个数；w_j表示综合权重系数；d_i,j为无量纲化处理后响应主体i的第j个评估指标的属性值；

S5-4.制定响应主体功率分配准则；根据所有入网响应主体的SA评估值初步确定各响应主体的调度优先权

$p_{SA}^i\left(v_k\right)=f_{SA}^i\left(v_k\right)/\underset{i\&Element;N^{+}}{\&Sigma;}{f}_{SA}^i\left(v_k\right)---\left(30\right)$

结合各采样周期内系统功率补偿需求和响应主体的调度优先权，制定响应主体功率广义分配准则：

$P_i\left(v_k\right)=p_{SA}^i\left(v_k\right)P_{com}\left(v_k\right)---\left(31\right)$

式中，P_i(ν_k)表示响应主体i在采样点ν_k处的功率；

在每一采样周期内设定合理的SA阈值，使得各响应主体基于SA值所分得的功率尽量满足额定功率限制，因此SA阈值表示为：

$TH\left(v_k\right)=(\frac{{\mathrm{\&eta;}}_{c,i}{P}_{c,i}}{P_{com}\left(v_k\right){|}_{P_{com}\left(v_k\right)>0}}-\frac{P_{d,i}/{\mathrm{\&eta;}}_{d,i}}{P_{com}\left(v_k\right){|}_{P_{com}\left(v_k\right)<0}})\underset{i\&Element;N^{+}}{\&Sigma;}{f}_{SA}^i\left(v_k\right)---\left(32\right)$

式中，TH(ν_k)为SA阈值；当时，令重新调整响应主体的调度优先权，调整后的调度优先权记为

结合以上前提，响应主体的实时功率分配准则准确描述为：

$P_i\left(v_k\right)=\left\{\begin{array}{cc}min\{{\mathrm{\&eta;}}_{c,i}{P}_{c,i},p_{SA,a}^i\left(v_k\right)P_{com}\left(v_k\right){|}_{P_{com}\left(v_k\right)>0}\},& ifk\&Element;T_{m,i}and{S}_i(v_k-1)\&le;S_i^{req}\left(v_k\right)\\ min\{P_{d,i}/{\mathrm{\&eta;}}_{d,i},p_{SA,a}^i\left(v_k\right)P_{com}\left(v_k\right){|}_{P_{com}\left(v_k\right)<0}\},& ifk\&Element;T_{m,i}and{S}_i(v_k-1)>S_i^{req}\left(v_k\right)\\ 0,& else\end{array}\right.---\left(33\right)$

式中，P_i(ν_k)表示响应主体i在采样点ν_k处的功率；

S5-5.若v_k＜V，则令v_k＝v_k+1，转至步骤S5-2；否则，转至步骤S6。