CN106532751A - 一种分布式电源能效优化方法及系统 - Google Patents

Abstract

本发明公开了一种分布式电源能效优化方法及系统，从日前和日内两个时间尺度进行调度控制，分别对这两个阶段进行建模、优化。将负荷分为不可控负荷、可平移负荷和可削减负荷，优化模型以调度周期内的储能成本、与上级电网交互成本及负荷成本之和最小为目标，综合考虑分布式电源、储能与多元负荷的特性，增强三者之间的互动联系，实现发电侧和负荷侧的良性互动，在充分利用可再生能源的同时，提高能源综合利用效率。

Description

一种分布式电源能效优化方法及系统

技术领域

本发明属于电力系统及其自动化领域。

背景技术

随着分布式电源的大规模应用，未来我国电网中随机性、波动性和间歇性的小型分布式能源所占比例会越来越大，甚至将成为电网不可或缺的组成部分。将多种互补的分布式电源集成并网，构建具有即插即用能力的小型多能互补分布式电站，将为解决大量小型化分布式电源纳入能源互联网提供一种有效的解决方案。而目前尚未有成熟的技术方案能够实现上述功能。

发明内容

本发明的目的在于对分布式电源、储能及不同类型负荷进行优化调度，在保证电网安全稳定运行的基础上，提升分布式电源的能源利用效率。

为实现上述发明目的，本发明提供一种分布式电源能效优化方法，可采用如下技术方案：

一种分布式电源能效优化方法，包括：日前优化阶段和日内优化阶段；

日前优化阶段，根据调度日整体成本，优化调度日中储能设备SOC曲线以及可平移负荷的运行状态；

日内优化阶段，根据调度日中再设置的调度周期内成本、日前优化阶段的调度日中储能设备SOC曲线和所述可平移负荷的运行状态，优化储能设备、可削减负荷的有功输出值。

进一步的，日前优化阶段中，以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型，包括目标函数及约束条件，

其中目标函数为：

N：优化调度周期内优化点数；f₁(P_i ^b)：储能成本；f₂(P_i ^load1+δ_iP_i ^load2+P_i ^load3-P_i ^DG-P_i ^b)：与上级电网交互成本；负荷收益；P_i ^b：储能i时刻输出功率；P_i ^load1：可削减负荷i时刻工作功率；δ_i：可平移负荷i时刻工作状态(0，1)；P_i ^DG：分布式电源i时刻输出功率；P_i ^load2：可平移负荷额定工作功率；P_i ^load3：不可控负荷i时刻功率；其中，不可控负荷、可削减负荷和可平移负荷为对用电负荷的自定分类；

约束条件包括：

(1)、可平移负荷约束条件：

δ_i：可平移负荷i时刻的工作状态(0，1)；Δt：时间间隔；τ：可平移负荷在调度日的总工作时间。

(2)、功率平衡约束：

P_B(t)+P_CC(t)+P_DG(t)＝P_load(t)

P_B(t)：储能功率；P_CC(t)：公共连接点功率；P_DG(t)：分布式电源功率；P_load(t)：负荷功率，包括不可控负荷、可平移负荷、可削减负荷。

(3)、可削减负荷约束：

建立室内温度的动态模型

C：房间的热容量；R：房间热阻；Δt为时间间隔；T(t)：t时刻室内温度；

T(t+1)：t+1时刻室内温度；T_out(t)：t时刻室外温度；

T_min≤T(t)≤T_max

T_min：室内温度下限；T_max：室内温度上限；

通过上述目标函数及约束条件得到输出结果：

Δt'为优化后可平移负荷工作时间间隔；

P_load'(t)为优化后可削减负荷运行功率曲线；

P_B'(t)为优化后储能运行功率曲线；

调整可平移负荷工作时间和可削减负荷工作功率，以减少用电成本。

进一步的，日内优化阶段中，进行建模并优化，且该建模的优化模型与日前优化阶段中以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型相同。

进一步的，通过滚动优化模式，对日前计划进行修正，所述滚动优化模式为：

以k点为当前时间点，对[k+Nc，k+Nc+Tcycle]共Tcycle个时间段的超短期功率进行预测；首先在k时刻预测能量管理周期Tcycle的可再生能源出力和负荷情况，根据预定的优化模型求得该时段的最优调度，但是仅使用[k+Nc，k+Nc+1]的优化信息，对[k+Nc，k+Nc+1]段进行控制；最后，将控制时刻各组件的状态作为[k+Nc+1，k+Np+1]的初始值，重复上述步骤，在k+1时刻预测[k+Nc+1，k+Np+1]时段内的可再生能源出力和负荷情况，进行优化计算，但仅对[k+Nc+1，k+Nc+2]时段进行控制。

进一步的，日内滚动优化优化目标：

式中，k为当前时刻；控制量，即储能充放电功率与可削减负荷功率；

约束条件：

(1)可削减负荷(空调)

(2)储能约束

SOC_min≤SOC_k+i|k≤SOC_max

是上层给出的k+i个采样点的SOC参考上下限。

进一步的，在日前优化阶段中，全天分为24个时间段，优化的时间间隔为1h；日内优化阶段中，全天分为144个时间段，优化时间间隔为10min。

有益效果：本发明分布式电源能效优化方法从日前和日内两个时间尺度进行调度控制，分别对这两个阶段进行建模、优化。将负荷分为不可控负荷、可平移负荷和可削减负荷，优化模型以调度周期内的储能成本、与上级电网交互成本及负荷成本之和最小为目标，综合考虑分布式电源、储能与多元负荷的特性，增强三者之间的互动联系，实现发电侧和负荷侧的良性互动，在充分利用可再生能源的同时，提高能源综合利用效率。

为实现上述发明目的，本发明对应上述的分布式电源能效优化方法，又提供了一种分布式电源能效优化系统，可采用如下技术方案：

一种分布式电源能效优化系统，包括：

日前优化模块，用以根据调度日整体成本，优化调度日中储能设备SOC曲线以及可平移负荷的运行状态；

日内优化模块，用以根据调度日中再设置的调度周期内成本、日前优化阶段的调度日中储能设备SOC曲线和所述可平移负荷的运行状态，优化储能设备、可削减负荷的有功输出值。

附图说明

图1为本发明中分布式电源能效优化系统的能效优化框图；

图2日内优化阶段中滚动式优化模式图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供了一种分布式电源能效优化方法及系统。

请参阅图1所示，为本实施例中采用的分布式电源能效优化系统的能效优化框图，日前优化模块，用以在日前时间角度以调度日整体成本最低为目标，优化调度日中储能设备SOC(荷电状态)曲线以及可平移负荷的运行状态；

日内优化模块，用以在不改变日前计划中储能SOC和负荷运行状态的前提下，以调度周期内成本最低为目标，滚动优化储能设备、可削减负荷的有功输出值。

并结合该优化系统，本发明提出的分布式电源能效优化方法包括：日前优化阶段和日内优化阶段；

日前优化阶段在日前时间角度以调度日整体成本最低为目标，优化调度日中储能设备SOC曲线以及可平移负荷的运行状态；

日内优化阶段根据调度日中再设置的调度周期内成本、日前优化阶段的调度日中储能设备SOC曲线和所述可平移负荷的运行状态，优化储能设备、可削减负荷的有功输出值。

日前优化模块，即日前优化阶段中，以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型，包括目标函数及约束条件，

其中目标函数为：

N：优化调度周期内优化点数；f₁(P_i ^b)：储能成本；f₂(P_i ^load1+δ_iP_i ^load2+P_i ^load3-P_i ^DG-P_i ^b)：与上级电网交互成本；负荷收益；P_i ^b：储能i时刻输出功率；P_i ^load1：可削减负荷i时刻工作功率；δ_i：可平移负荷i时刻工作状态(0，1)；P_i ^DG：分布式电源i时刻输出功率；P_i ^load2：可平移负荷额定工作功率；P_i ^load3：不可控负荷i时刻功率。

其中，不可控负荷、可削减负荷和可平移负荷为对用电负荷的自定分类；在本实施方式中，将负荷根据重要程度和用电特性进行分类，不可控负荷：指对供电可靠性要求比较高，或者是没有可控手段的负荷；可削减负荷：指根据用户需求可以对其功率进行一定削减的负荷；可平移负荷：指具有一定的用电灵活性的负荷，可根据电价信息或电网运行调度的需要，灵活安排其用电时段。

约束条件包括：

(1)、可平移负荷约束条件：

δ_i：可平移负荷i时刻的工作状态(0，1)；Δt：时间间隔；τ：可平移负荷在调度日的总工作时间。

(2)、功率平衡约束：

P_B(t)+P_CC(t)+P_DG(t)＝P_load(t)

P_B(t)：储能功率；P_CC(t)：公共连接点功率；P_DG(t)：分布式电源功率；P_load(t)：负荷功率，包括不可控负荷、可平移负荷、可削减负荷。

(3)、可削减负荷约束：

建立室内温度的动态模型

C：房间的热容量；R：房间热阻；Δt为时间间隔；T(t)：t时刻室内温度；

T(t+1)：t+1时刻室内温度；T_out(t)：t时刻室外温度；

T_min≤T(t)≤T_max

T_min：室内温度下限；T_max：室内温度上限；

通过上述目标函数及约束条件得到输出结果：

Δt'为优化后可平移负荷工作时间间隔；

P_load'(t)为优化后可削减负荷运行功率曲线；

P_B'(t)为优化后储能运行功率曲线；

调整可平移负荷工作时间和可削减负荷工作功率，以减少用电成本。

日内优化阶段中，同样建立优化模型，且该优化模型与日前优化阶段中以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型相同。日内优化以日前优化为基础，借助滚动更新的新能源出力与负荷超短期预测信息，采用基于模型预测控制(MPC)的优化算法，在不改变日前计划中储能SOC和负荷运行状态的前提下，以调度周期内成本最低为目标，滚动优化储能设备、可削减负荷的有功输出值。日内超短期滚动调度以10min为时间尺度，结合实时的气象信息和系统情况，对可再生能源出力和负荷需求进行预测，提高了预测的精准性。借助滚动优化策略，对日前计划进行不停的修正通过滚动优化模式，对日前计划进行修正，所述滚动优化模式为：

以k点为当前时间点，对[k+Nc，k+Nc+Tcycle]共Tcycle个时间段的超短期功率进行预测；首先在k时刻预测能量管理周期Tcycle的可再生能源出力和负荷情况，根据预定的能量管理模型求得该时段的最优调度，但是仅使用[k+Nc，k+Nc+1]的优化信息，对[k+Nc，k+Nc+1]段进行控制；最后，将控制时刻各组件的状态作为[k+Nc+1，k+Np+1]的初始值，重复上述步骤，在k+1时刻预测[k+Nc+1，k+Np+1]时段内的可再生能源出力和负荷情况，进行优化计算，但仅对[k+Nc+1，k+Nc+2]时段进行控制；

日内滚动优化优化目标：

式中，k为当前时刻；控制量，即储能充放电功率与可削减负荷功率；

约束条件：

(1)可削减负荷(空调)

(2)储能约束

SOC_min≤SOC_k+i|k≤SOC_max

是上层给出的k+i个采样点的SOC参考上下限。

Claims (10)

1.一种分布式电源能效优化方法，其特征在于，包括：日前优化阶段和日内优化阶段；

日前优化阶段，根据调度日整体成本，优化调度日中储能设备SOC曲线以及可平移负荷的运行状态；

日内优化阶段，根据调度日中再设置的调度周期内成本、日前优化阶段的调度日中储能设备SOC曲线和所述可平移负荷的运行状态，优化储能设备、可削减负荷的有功输出值。

2.根据权利要求1所述的分布式电源能效优化方法，其特征在于：日前优化阶段中，以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型，包括目标函数及约束条件，

其中目标函数为：

$min\underset{i=0}{\overset{N-1}{\Σ}}\[f_1\left(P_i^b\right)+f_2(P_i^{load1}+{\mathrm{\δ}}_i{P}_i^{load2}+P_i^{load3}-P_i^{DG}-P_i^b)-f_3\left(P_i^{load}\right)\]$

N：优化调度周期内优化点数；f₁(P_i ^b)：储能成本；

f₂(P_i ^load1+δ_iP_i ^load2+P_i ^load3-P_i ^DG-P_i ^b)：与上级电网交互成本；负荷收益；P_i ^b：储能i时刻输出功率；P_i ^load1：可削减负荷i时刻工作功率；δ_i：可平移负荷i时刻工作状态(0，1)；P_i ^DG：分布式电源i时刻输出功率；P_i ^load2：可平移负荷额定工作功率；P_i ^load3：不可控负荷i时刻功率；其中，不可控负荷、可削减负荷和可平移负荷为对用电负荷的自定分类；

约束条件包括：

(1)、可平移负荷约束条件：

$\underset{i=0}{\overset{N}{\Σ}}{\mathrm{\δ}}_i\mathrm{\Δ}t=\mathrm{\τ}$

δ_i：可平移负荷i时刻的工作状态(0，1)；Δt：时间间隔；τ：可平移负荷在调度日的总工作时间。

(2)、功率平衡约束：

P_B(t)+P_CC(t)+P_DG(t)＝P_load(t)

P_B(t)：储能功率；P_CC(t)：公共连接点功率；P_DG(t)：分布式电源功率；P_load(t)：

负荷功率，包括不可控负荷、可平移负荷、可削减负荷。

(3)、可削减负荷约束：

建立室内温度的动态模型

$T(t+1)=e^{-\frac{\mathrm{\Δ}t}{RC}}T\left(t\right)+R(1-e^{-\frac{\mathrm{\Δ}t}{RC}})P\left(t\right)+(1-e^{-\frac{\mathrm{\Δ}t}{RC}})T_{out}\left(t\right)$

C：房间的热容量；R：房间热阻；Δt为时间间隔；T(t)：t时刻室内温度；

T(t+1)：t+1时刻室内温度；T_out(t)：t时刻室外温度；

T_min≤T(t)≤T_max

T_min：室内温度下限；T_max：室内温度上限；

通过上述目标函数及约束条件得到输出结果：

Δt'为优化后可平移负荷工作时间间隔；

P_load'(t)为优化后可削减负荷运行功率曲线；

P_B'(t)为优化后储能运行功率曲线；

调整可平移负荷工作时间和可削减负荷工作功率，以减少用电成本。

3.根据权利要求2所述的分布式电源能效优化方法，其特征在于：日内优化阶段中，进行建模并优化，且该建模的优化模型与日前优化阶段中以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型相同。

4.根据权利要求3所述的分布式电源能效优化方法，其特征在于：通过滚动优化模式，对日前计划进行修正，所述滚动优化模式为：

以k点为当前时间点，对[k+Nc，k+Nc+Tcycle]共Tcycle个时间段的超短期功率进行预测；首先在k时刻预测能量管理周期Tcycle的可再生能源出力和负荷情况，根据预定的优化模型求得该时段的最优调度，但是仅使用[k+Nc，k+Nc+1]的优化信息，对[k+Nc，k+Nc+1]段进行控制；最后，将控制时刻各组件的状态作为[k+Nc+1，k+Np+1]的初始值，重复上述步骤，在k+1时刻预测[k+Nc+1，k+Np+1]时段内的可再生能源出力和负荷情况，进行优化计算，但仅对[k+Nc+1，k+Nc+2]时段进行控制。

5.根据权利要求4所述的分布式电源能效优化方法，其特征在于：日内滚动优化优化目标：

$\begin{array}{c}\min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[f_1\left(P_{k+i}^b\right)+f_2\left(P_{k+i}^{\mathrm{pcc}}\right)-f_3\left(P_{k+i}^{\mathrm{load}}\right)]\·\mathrm{\Δt}\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[f_1\left(P_{k+i}\right)+f_2(P_{k+i}^{\mathrm{load}1}+P_{k+i}^{\mathrm{load}3}-P_{k+i}^{\mathrm{pv}}-P_{k+i}^b)-f_3\left(P_{k+i}^{\mathrm{load}}\right)]\mathrm{\Δt}\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[F_1\left(P_{k+i}^b\right)+F_2\left(P_{k+i}^{\mathrm{load}1}\right)-F_3(P_{k+i}^{\mathrm{load}3}-P_{k+i}^{\mathrm{pv}})]\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[F(P_{k+i}^b,P_{k+i}^{\mathrm{load}1})+W]\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[F\left(u_{k+i}\right)+W]\end{array}$

式中，k为当前时刻；控制量，即储能充放电功率与可削减负荷功率；

约束条件：

(1)可削减负荷(空调)

$min\underset{i=0}{\overset{N_c-1}{\Σ}}\[F_1\left(P_{k+i}^b\right)+F_2\left(P_{k+i}^{load1}\right)-F_3(P_{k+i}^{load3}-P_{k+i}^{pv})\]\⇒$

(2)储能约束

$min\underset{i=0}{\overset{N_c-1}{\Σ}}\[F(P_{k+i}^b,P_{k+i}^{load1})+W\]\⇒$

SOC_min≤SOC_k+i|k≤SOC_max

${\mathrm{SOC}}_{k+i}^{\min }\≤{\mathrm{SOC}}_{k+i|k}\≤{\mathrm{SOC}}_{k+i}^{\max }$

是上层给出的k+i个采样点的SOC参考上下限。

6.根据权利要求1所述的分布式电源能效优化方法，其特征在于，在日前优化阶段中，全天分为24个时间段，优化的时间间隔为1h；日内优化阶段中，全天分为144个时间段，优化时间间隔为10min。

7.一种分布式电源能效优化系统，其特征在于，包括：

日前优化模块，用以根据调度日整体成本，优化调度日中储能设备SOC曲线以及可平移负荷的运行状态；

日内优化模块，用以根据调度日中再设置的调度周期内成本、日前优化阶段的调度日中储能设备SOC曲线和所述可平移负荷的运行状态，优化储能设备、可削减负荷的有功输出值。

8.根据权利要求7所述的分布式电源能效优化系统，其特征在于，日前优化模块中，以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型，包括目标函数及约束条件，

其中目标函数为：

$min\underset{i=0}{\overset{N-1}{\Σ}}\[f_1\left(P_i^b\right)+f_2(P_i^{load1}+{\mathrm{\δ}}_i{P}_i^{load2}+P_i^{load3}-P_i^{DG}-P_i^b)-f_3\left(P_i^{load}\right)\]$

N：优化调度周期内优化点数；f₁(P_i ^b)：储能成本；

f₂(P_i ^load1+δ_iP_i ^load2+P_i ^load3-P_i ^DG-P_i ^b)：与上级电网交互成本；负荷收益；P_i ^b：储能i时刻输出功率；P_i ^load1：可削减负荷i时刻工作功率；δ_i：可平移负荷i时刻工作状态(0，1)；P_i ^DG：分布式电源i时刻输出功率；P_i ^load2：可平移负荷额定工作功率；P_i ^load3：不可控负荷i时刻功率；其中，不可控负荷、可削减负荷和可平移负荷为对用电负荷的自定分类；

约束条件包括：

(1)、可平移负荷约束条件：

$\underset{i=0}{\overset{N}{\Σ}}{\mathrm{\δ}}_i\mathrm{\Δ}t=\mathrm{\τ}$

δ_i：可平移负荷i时刻的工作状态(0，1)；Δt：时间间隔；τ：可平移负荷在调度日的总工作时间。

(2)、功率平衡约束：

P_B(t)+P_CC(t)+P_DG(t)＝P_load(t)

P_B(t)：储能功率；P_CC(t)：公共连接点功率；P_DG(t)：分布式电源功率；P_load(t)：

负荷功率，包括不可控负荷、可平移负荷、可削减负荷。

(3)、可削减负荷约束：

建立室内温度的动态模型

$T(t+1)=e^{-\frac{\mathrm{\Δ}t}{RC}}T\left(t\right)+R(1-e^{-\frac{\mathrm{\Δ}t}{RC}})P\left(t\right)+(1-e^{-\frac{\mathrm{\Δ}t}{RC}})T_{out}\left(t\right)$

C：房间的热容量；R：房间热阻；Δt为时间间隔；T(t)：t时刻室内温度；

T(t+1)：t+1时刻室内温度；T_out(t)：t时刻室外温度；

T_min≤T(t)≤T_max

T_min：室内温度下限；T_max：室内温度上限；

通过上述目标函数及约束条件得到输出结果：

Δt'为优化后可平移负荷工作时间间隔；

P_load'(t)为优化后可削减负荷运行功率曲线；

P_B'(t)为优化后储能运行功率曲线；

调整可平移负荷工作时间和可削减负荷工作功率，以减少用电成本。

9.根据权利要求7或8所述的分布式电源能效优化方法，其特征在于：日内优化模块中，进行建模并优化，且该建模的优化模型与日前优化阶段中以储能成本、与上级电网交互成本及负荷成本之和最小为目标建立优化模型相同。

10.根据权利要求9所述的分布式电源能效优化方法，其特征在于：通过滚动优化模式，对日前计划进行修正，所述滚动优化模式为：

以k点为当前时间点，对[k+Nc，k+Nc+Tcycle]共Tcycle个时间段的超短期功率进行预测；首先在k时刻预测能量管理周期Tcycle的可再生能源出力和负荷情况，根据预定的优化模型求得该时段的最优调度，但是仅使用[k+Nc，k+Nc+1]的优化信息，对[k+Nc，k+Nc+1]段进行控制；最后，将控制时刻各组件的状态作为[k+Nc+1，k+Np+1]的初始值，重复上述步骤，在k+1时刻预测[k+Nc+1，k+Np+1]时段内的可再生能源出力和负荷情况，进行优化计算，但仅对[k+Nc+1，k+Nc+2]时段进行控制；

日内滚动优化优化目标：

$\begin{array}{c}\min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[f_1\left(P_{k+i}^b\right)+f_2\left(P_{k+i}^{\mathrm{pcc}}\right)-f_3\left(P_{k+i}^{\mathrm{load}}\right)]\·\mathrm{\Δt}\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[f_1\left(P_{k+i}\right)+f_2(P_{k+i}^{\mathrm{load}1}+P_{k+i}^{\mathrm{load}3}-P_{k+i}^{\mathrm{pv}}-P_{k+i}^b)-f_3\left(P_{k+i}^{\mathrm{load}}\right)]\mathrm{\Δt}\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[F_1\left(P_{k+i}^b\right)+F_2\left(P_{k+i}^{\mathrm{load}1}\right)-F_3(P_{k+i}^{\mathrm{load}3}-P_{k+i}^{\mathrm{pv}})]\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[F(P_{k+i}^b,P_{k+i}^{\mathrm{load}1})+W]\⇒\\ \min \underset{i=0}{\overset{N_c-1}{\mathrm{\Σ}}}[F\left(u_{k+i}\right)+W]\end{array}$

式中，k为当前时刻；控制量，即储能充放电功率与可削减负荷功率；

约束条件：

(1)可削减负荷(空调)

$min\underset{i=0}{\overset{N_c-1}{\Σ}}\[F_1\left(P_{k+i}^b\right)+F_2\left(P_{k+i}^{load1}\right)-F_3(P_{k+i}^{load3}-P_{k+i}^{pv})\]\⇒$

(2)储能约束

$min\underset{i=0}{\overset{N_c-1}{\Σ}}\[F(P_{k+i}^b,P_{k+i}^{load1})+W\]\⇒$

SOC_min≤SOC_k+i|k≤SOC_max

${\mathrm{SOC}}_{k+i}^{\min }\≤{\mathrm{SOC}}_{k+i|k}\≤{\mathrm{SOC}}_{k+i}^{\max }$

是上层给出的k+i个采样点的SOC参考上下限。