CN107732897B - 融合虚拟储能系统的楼宇微网模型预测调控方法 - Google Patents

Abstract

本发明涉及一种融合虚拟储能系统的楼宇微网模型预测调控方法，包括：输入变量预测模型构建；在四种预测不确定等级下，为风机输出功率、光伏输出功率、负荷需求以及实时电价的预测不确定阈值取值；控制变量预测模型构建；滚动优化目标函数构建：滚动优化过程中，优化目标为控制时域内楼宇微网运行成本最低，运行成本包括配电网购电成本、设备使用维护成本及考虑用户舒适度的罚函数项；滚动优化约束条件选取：首先需要考虑楼宇微网电功率平衡约束；热平衡约束以及冷平衡约束，然后还需考虑各类设备自身的约束，包括各设备功率的上下限约束、储能设备的充放电功率和储能量约束，构建微网经济优化调度模型；优化调度求解。

Description

融合虚拟储能系统的楼宇微网模型预测调控方法

技术领域

本发明涉及微型能源网优化运行，具体讲，涉及楼宇微网模型预测调控方法。

背景技术

随着城市化进程的加快和人们生活水平的提高，我国能源需求快速增长，其中楼宇能耗预计到2020年将占到全国总能耗的35％。因此，以建筑楼宇为代表的终端用能系统具有巨大的节能减排潜力。充分挖掘以建筑楼宇为代表的需求侧节能潜力，对解决人类社会发展过程中日益凸显的能源需求增长与能源紧缺矛盾、能源利用与环境保护矛盾具有重要意义。在分布式可再生能源出力随机波动的环境下，对楼宇微网内多类型供能单元及楼宇用能负荷进行优化调控，实现不同能源之间的优势互补是提高能源利用效率的有效途径之一。

当前，可再生能源出力预测精度低，是楼宇微网优化调控需要解决的关键问题。相关研究中楼宇微网的日前优化调控采用开环方式：在一天开始之前，求取未来24小时的优化调控方案并一次性下发，在预测精度较高的情况下，这种调控方法可以满足实际运行需求。但是对于含有风机、光伏等分布式可再生能源的楼宇微网，可再生能源功率预测时间尺度越长，其预测精度越低，可能出现优化调控方案与实际运行需求偏差较大的问题。因此基于日前分布式可再生能源预测数据的开环优化调控方法难以适应此类楼宇微网的实际运行需求。已在工业控制领域得到广泛应用的模型预测控制(model predictive control,MPC)方法可以有效避免传统楼宇微网调控对预测依赖性强、受环境因素影响大、日前调控方案与实际运行需求偏差较大的问题。

然而，采用模型预测控制方法对微型能源网进行调控的相关研究中，没有充分挖掘楼宇的蓄热特性。事实上，在楼宇微网中，由于楼宇建筑墙体等围护结构的隔热效果，室内与室外的热交换过程较慢，室内温度相对于电气特征量不会迅速发生变化，从而使楼宇对微网表现出类似于储能系统的充放电特性，可在楼宇微网优化调控中充分考虑楼宇的虚拟储能特性。

发明内容

本发明提供一种楼宇微网模型预测调控方法，以有限时段内基于楼宇微网实际运行状态的反复滚动优化代替一次离线全时段优化，有效解决可再生能源出力预测精度随时间尺度增加而下降的问题，并可以在保证温度舒适度的前提下充分挖掘楼宇参与微网优化调控的虚拟储能潜力，进一步降低楼宇微网的运行成本。技术方案如下：

一种融合虚拟储能系统的楼宇微网模型预测调控方法，包括下列步骤：

步骤一、输入变量预测模型构建

输入变量是风机输出功率、光伏输出功率、负荷需求及实时电价的预测值，输入变量预测模型满足式(1)：

式中：t表示一天中的调控时段；

表示t时段的实时电价；

分别表示风机输出功率、光伏输出功率、负荷需求及实时电价的日前预测值；

分别表示输入变量在t时段的短期预测值；

表示输入变量日前预测值在t时段的预测不确定阈值；R(t)为一个服从均一分布U(-1,1)的随机数；在四种预测不确定等级下，风机输出功率、光伏输出功率、负荷需求以及实时电价的预测不确定阈值取值如表1所示；

表1楼宇微网中各设备预测不确定等级

步骤二、控制变量预测模型构建

控制变量是楼宇室内温度、微网联络线功率及制冷功率的预测值；基于楼宇的蓄热特性，依据能量守恒构建楼宇的虚拟储能模型，在此基础上，基于输入变量的预测模型，得到[t～t+1]两控制时段之间室内温度T_in的变化量如式(2)所示：

式中，ρ为空气密度，C为空气比热容，V为室内容积，ΔT_in(t+1|t)表示[t～t+1]时段温度变化量的预测值；

分别表示计及输入变量预测值的室内外传递热量、热辐射传递热量、室内热源发热量及制冷需求；

通过式(2)可以在预测时域N_p个时间段内，对室内温度进行滚动求解，从而进一步获得预测时域内室内温度、微网联络线功率及制冷功率的数值，其预测模型如式(3)所示：

式中：T_in(t+k|t)、P_ex(t+k|t)、Q_EC(t+k|t)分别表示t时段预测未来t+k时段的室内温度、微网联络线功率、制冷功率；ΔT_in(t+j|t)、ΔP_ex(t+j|t)、ΔQ_EC(t+j|t)分别表示t时段预测未来t+j(j＝1,2,…,k)时段室内温度变化量、微网联络线功率变化量、制冷功率变化量；

步骤三、滚动优化目标函数构建

滚动优化过程中，优化目标为控制时域内楼宇微网运行成本最低，运行成本包括配电网购电成本、设备使用维护成本及考虑用户舒适度的罚函数项；

步骤四、滚动优化约束条件选取

首先需要考虑楼宇微网电功率平衡约束；热平衡约束以及冷平衡约束，然后还需考虑各类设备自身的约束，包括各设备功率的上下限约束、储能设备的充放电功率和储能量约束，构建微网经济优化调度模型；

步骤五、优化调度求解

针对所构建的微网经济优化调度模型，在MATLAB下调用CPLEX进行求解。

本发明依据楼宇建筑墙体等围护结构具有隔热效果的特点，构建楼宇虚拟储能系统模型，并作为灵活可控单元集成到楼宇微网优化调控中；随后，运用模型预测控制方法对楼宇微网内多类型供能单元、楼宇用能负荷以及虚拟储能系统进行优化调控。在夏季制冷场景下，对两种典型楼宇微网系统的优化调控结果分析表明：可充分利用楼宇蓄热特性，挖掘楼宇参与微网优化调控的虚拟储能潜力，降低运行成本；同时可有效解决由可再生能源出力、负荷需求以及实时电价预测误差导致的楼宇微网优化调控方案与实际运行场景偏差较大的问题，在预测不确定性环境下具有较强的鲁棒性。具体而言技术效果如下：

1)本发明是以室内温度滚动预测为基础，在每一采样周期根据最新的风机发电、光伏发电、实时电价和负荷需求预测结果对楼宇微网进行优化调控，以有限时段的基于楼宇微网实际运行状态的反复滚动优化代替传统最优控制的一次离线全时域优化，从而有效解决可再生能源出力预测精度随时间尺度增加而下降的问题。

2)将虚拟储能系统集成到基于MPC的楼宇微网优化调控模型中，可以在保证温度舒适度的前提下充分挖掘楼宇参与微网优化调控的虚拟储能潜力，进一步降低楼宇微网的运行成本。

附图说明

图1楼宇微网结构图，(a)为电制冷楼宇微网，(b)为冷热电联供楼宇微网。

图2模型预测调控决策机制。

图3楼宇微网模型预测调控框架。

图4光照强度及室外温度。

图5微网日负荷及分布式电源出力预测曲线。

图6实时电价。

图7融合虚拟储能系统的电制冷楼宇微网基于MPC的优化调控结果。

图8电制冷楼宇微网两种策略下的虚拟储能优化调控结果。

图9电制冷楼宇微网三种策略下的购电成本。

图10各不确定等级、不同策略下的楼宇微网运行成本。

图11各不确定等级、不同策略下的楼宇微网运行成本增长速率。

图12融合虚拟储能系统的冷热电联供微网基于MPC的优化调控结果。

具体实施方式

在夏季制冷场景下，依据楼宇建筑墙体等围护结构具有隔热效果的特点，构建楼宇虚拟储能系统模型，并作为灵活可控单元集成到楼宇微网优化调控中；随后，运用模型预测控制方法对楼宇微网内多类型供能单元、楼宇用能负荷以及虚拟储能系统进行优化调控，有效解决由可再生能源出力、负荷需求以及实时电价预测误差导致的楼宇微网优化调控方案与实际运行场景偏差较大的问题的同时，挖掘楼宇虚拟储能潜力，降低运行成本。

下面结合附图和具体实施例对本发明提供的融合虚拟储能系统的楼宇微网模型预测调控方法进行详细说明。

本发明针对图1所示两种典型的楼宇微网系统，利用楼宇蓄热特性，研究了融合虚拟储能系统的楼宇微网模型预测调控方法。首先，针对图1所示的典型楼宇微网系统，建立了微网模型预测调控框架。

模型预测调控方法将整个调控时间区域分成若干时间段，如图2所示。横轴为时间区域，其中预测时域为N_p个时间段，控制时域为N_c个时间段，N_p≥N_c。在t时段，利用当前时段对应N_p内的预测数据，以控制时域内楼宇微网运行成本最低为目标进行优化，得到N_c内的最优控制序列，但当前时段只执行N_c个控制序列中的第一个控制序列。

由图2可知，模型预测调控方法的控制时域和预测时域在时间轴上不断向前滚动，因此可以实现有限时段内基于楼宇微网实际运行状态的反复滚动优化，以代替一次离线全时段优化。

图3所示，融合虚拟储能系统的楼宇微网模型预测调控框架由数据预测、优化调控和控制策略三部分组成。

(1)数据预测

根据预测模型得到预测数据，具体包括风机输出功率、光伏输出功率、负荷需求和实时电价的预测值。

(2)优化调控

融合虚拟储能系统的楼宇微网模型预测调控过程：首先，将数据预测部分获得的预测值作为输入变量，由虚拟储能系统数学模型得到两相邻控制时段之间楼宇室内温度变化量公式；然后，基于当前控制时段楼宇微网的实际运行状态，以室内温度的滚动预测为基础，对虚拟储能系统充放电功率进行管理，以运行成本最低为目标进行优化求解。

(3)控制策略

通过优化调控部分获得控制时域内楼宇微网的最优控制序列，包括微网联络线功率、楼宇制冷功率和室内温度，然后只下发第一个控制序列到楼宇微网。

接下来，针对图1所示典型楼宇微网系统，构建融合虚拟储能系统的楼宇微网模型预测调控模型。

预测模型能够根据系统的历史数据和未来的输入，预测系统未来输出值。预测模型不局限于特定的形式，凡是具有预测功能的模型，都可以用来作为控制的预测模型。本文的楼宇微网预测模型包括两部分：1)风电、光伏、负荷需求及实时电价的预测模型，其在预测时域内的预测值作为输入变量；2)室内温度、微网联络线功率及制冷功率的预测模型，其在预测时域内的预测值作为控制变量。输入变量和控制变量预测模型如下：

1)输入变量

在融合虚拟储能系统的楼宇微网模型预测调控过程中，输入变量是风机输出功率、光伏输出功率、负荷需求及实时电价的预测值，预测模型满足式(1)：

式中：t表示一天中的调控时段；

表示t时段的实时电价；

分别表示风机输出功率、光伏输出功率、负荷需求及实时电价的日前预测值；

分别表示输入变量在t时段的短期预测值；

表示输入变量日前预测值在t时段的预测不确定阈值；R(t)为一个服从均一分布U(-1,1)的随机数。在四种预测不确定等级下，风机输出功率、光伏输出功率、负荷需求以及实时电价的预测不确定阈值取值如表1所示。

表1楼宇微网中各设备预测不确定等级

2)控制变量

在融合虚拟储能系统的楼宇微网模型预测调控过程中，控制变量是楼宇室内温度、微网联络线功率及制冷功率的预测值。

基于楼宇的蓄热特性，依据能量守恒构建了楼宇的虚拟储能模型，其差分方程形式如式(2)所示：

式中：ρ为空气密度，C为空气比热容，室内温度的变化率乘以室内空气的质量再乘以其比热容，等于室内热量的变化量；

表示楼宇通过外墙、外窗与室外传递的热量；

表示太阳热辐射传递的热量；

表示室内热源的发热量；

为楼宇的制冷需求。

在此基础上，基于输入变量的预测模型，得到[t～t+1]两控制时段之间室内温度T_in的变化量如式(3)所示：

式中，ΔT_in(t+1|t)表示[t～t+1]时段温度变化量的预测值；

分别表示计及输入变量预测值的室内外传递热量、热辐射传递热量、室内热源发热量及制冷需求。

通过式(3)可以在N_p个时间段内，对室内温度进行滚动求解，从而进一步获得预测时域内室内温度、微网联络线功率及制冷功率的数值，其预测模型如式(4)所示：

式中T_in(t+k|t)表示t时段预测未来t+k时段的室内温度；P_ex(t+k|t)表示t时段预测未来t+k时段的微网联络线功率；Q_EC(t+k|t)表示t时段预测未来t+k时段的制冷功率，具体为：

ΔT_in(t+j|t)表示t时段预测未来t+j(j＝1,2,…,k)时段室内温度变化量；ΔP_ex(t+j|t)表示t时段预测未来t+j时段微网联络线功率变化量；ΔQ_EC(t+j|t)表示t时段预测未来t+j时段制冷功率变化量，具体为：

目标函数

滚动优化过程中，优化目标为控制时域内楼宇微网运行成本最低。

各项成本的具体数学模型如下：

1)配电网购电成本

式中：

为t时段从电网购电的费用，

为t时段向电网售电的收益，其与实时电价

的关系为：

2)设备使用维护成本

式中：C_{WT_om}、C_{PV_om}、C_{bt_om}和C_{EC_om}分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本。

3)罚函数项

式中：

为影响用户温度舒适度而设的罚函数项，γ为用户敏感系数。

约束条件

1)功率平衡约束

微网联络线功率

应满足微网与外网允许交互的容量约束：

制冷设备的容量约束及其消耗电功率与制冷功率满足的约束分别为：

式中：COP_EC为电制冷机的能效比。

蓄电池运行约束：

S^min≤S(t)≤S^max (18)

S(1)＝S(24) (19)

式中：

分别表示蓄电池充放电功率上下限；S(t)表示t时刻蓄电池剩余电量，S^max、S^min分别表示其储能容量上下限；I_c、I_d表示蓄电池的充放状态，为{0,1}变量；η_c、η_d为蓄电池的充放电效率；

2)热平衡约束

式中：室内温度需满足用户舒适度约束。

3)冷负荷平衡约束

本发明假定制冷设备的制冷功率与楼宇制冷需求相等，即：

Q_EC＝Q_cooling (22)

上述构建的是融合虚拟储能系统的电制冷楼宇微网滚动优化模型，冷热电联供楼宇微网滚动优化模型的构建与其类似，不再赘述。

反馈校正

反馈校正效果作用于被控对象，通过量测反映到滚动优化中。也就是说，在控制的每一步都要对预测值与实际输出进行比较，以此来修正预测的不确定性，然后进行新一轮的优化，使滚动优化过程在基于预测模型的同时利用反馈信息，构成闭环优化。

楼宇微网模型预测调控方法中，输入变量无法保证与预测值完全相同，从而导致下发的控制变量序列与实际情况存在偏差。因此在滚动优化调控过程中，需要将系统当前实际的室内温度、微网联络线功率及制冷需求值作为新一轮滚动优化的初始值，构成闭环控制，使新一轮的调控策略更加符合实际的楼宇微网运行需求。

最后，针对上述经济优化调度模型，本发明在MATLAB下调用CPLEX对该问题进行求解。

本发明提供的融合虚拟储能系统的楼宇微网模型预测调控方法最佳实施方式介绍如下。

1、基础数据

分别对图1两种典型楼宇微网进行优化调控分析，设用户的设定温度为22.5℃，用户在工作时间(8:00到20:00)内可以接受温度在设定温度的±2.5℃范围内波动，用户的敏感系数设定为0.1。考虑进行一天的优化调控，每隔15min取一个时间断面，即滚动优化每隔15min启动一次。考虑到15min的时间间隔和整个优化调控时间尺度(24h)，本发明将预测时域和控制时域均设置为未来4h，即N_p＝N_c＝16。经过多次仿真分析，发现预测步长N_p＝16时，单次优化时间相对于15min的时间间隔而言较短，可以较好地达到预测控制的效果。

两种类型楼宇微网中建筑设定为独栋办公建筑，长30m，宽20m，层高3m，共三层。建筑外墙采用190mm单排孔砌砖，内外25mm绝热砂浆；窗户为PVC材质塑料窗，玻璃为普通中空玻璃。建筑相关参数见表2。算例选取我国北方夏季某一夏日，太阳辐射强度曲线和室外温度见图4。某一典型日风电预测曲线、光伏预测曲线、日常规用电(不含制冷用电)曲线以及建筑物内热源曲线如图5所示。本发明采用美国纽约州夏季某典型日的电价来引导楼宇的用能行为，如图6所示。微网中设备相关参数见表3。

表2建筑参数信息表

表3楼宇微网设备参数

2、优化调度方法求解

●电制冷楼宇微网在不同策略下的优化调控结果分析

1)DA-P策略

DA-P策略是指基于日前调控结果，在系统实际运行时，由预测数据的预测误差导致的微网联络线功率差额全部由外部电网平抑。

电制冷楼宇微网基于DA-P策略的优化调控结果为：不引入楼宇虚拟储能时，楼宇微网运行成本为959.7元；引入楼宇虚拟储能时，楼宇微网运行成本降低为915.1元。

2)MPC策略

融合虚拟储能系统的电制冷楼宇微网基于MPC的优化调控结果如图7所示(预测不确定等级设定为1)。

从图中可以看出，融合虚拟储能系统的电制冷楼宇微网基于MPC的调控结果，与DA-P策略下的调控结果相比：微网与配电网的功率交换和蓄电池的工作情况没有明显变化；而在工作时间内室内温度和制冷机消耗电功率有明显不同，MPC策略下，波动更加平缓。相同敏感系数下，DA-P策略下调控结果中虚拟储能效果明显，室内温度变化剧烈，大部分时间温度都偏离用户设定的22.5℃较远。MPC策略下室内温度的变化平缓许多，大部分时间处于设定温度22.5℃附近。其原因是DA-P策略是一次离线全时段优化，优化时间尺度为24h；而基于MPC的优化调控采用反复滚动优化，以有限时段最优(4h)代替一次全时段最优(24h)，因此，MPC策略下敏感系数γ对室内温度和制冷机消耗电功率的影响较大，进而惩罚项对优化调控结果影响较大。

MPC策略下，不引入楼宇虚拟储能时，楼宇微网运行成本为908.4元，相比不考虑虚拟储能调控下的DA-P策略，成本下降5.35％；引入楼宇虚拟储能时，楼宇微网运行成本为899.5元，相比考虑虚拟储能调控下的DA-P策略，成本下降1.70％。可见在实际运行的时候，基于MPC的调控方法比基于DA-P策略方法更加经济。

3)MPC与DA-P调控结果对比

图8给出了两种策略下的

对比，如前文所述，基于MPC的调控优化时间尺度较小，室内温度在设定温度22.5℃上下波动且变化平缓，故其虚拟储能充放电功率相对较小。

图9为融合虚拟储能系统的电制冷楼宇微网在不同预测不确定等级下购电成本。从结果可以看出，四种不确定等级下，MPC策略下购电成本更接近日前调控结果。可见，MPC调控方法比DA-P调控方法更能降低由可再生能源输出功率、负荷需求以及实时电价的预测误差而产生的预测不确定性。

表4给出了三种策略下的楼宇微网的运行成本。从结果可以看出MPC调控策略能进一步降低楼宇的运行成本。原因在于，DA-P调控策略在日间实际运行时只调节微网联络线功率来平抑预测误差，其调控方案是基于日前优化调控的一次离线全时段优化；而基于MPC的优化调控采用反复滚动优化方式，利用系统的反馈信息构成闭环优化，有效降低了预测误差对调控策略的影响。

表4不同策略下电制冷楼宇微网运行成本

4)不同预测不确定等级下的优化调控

本小节进一步验证不确定性预测环境下MPC调控方法的有效性。4种预测不确定等级对应的预测不确定阈值取值见表1。由式(1)可知，仿真过程中R(t)为一个服从U(-1,1)分布的随机数，单次仿真结果具有一定的随机性。因此，为进一步验证基于MPC优化调控方法的鲁棒性，本小节进行多次仿真。表5和图10为电制冷楼宇微网在不同预测不确定等级、不同调控策略下的日运行成本。图11为在不同预测不确定等级、不同调控策略下的日运行成本的增长速率(以预测不确定等级1为基准)。表5、图10及图11所示的仿真结果均是多次仿真后计算得到的平均值。

本发明提供的融合虚拟储能系统的楼宇微网模型预测调控方法，利用需求侧楼宇的蓄热特性构建了虚拟储能系统模型，并作为灵活可控单元集成到楼宇微网优化调控中，在保证楼宇室内温度舒适度的前提下提高了楼宇微网运行的经济性；然后，运用MPC方法对楼宇微网内多类型供能单元、楼宇用能负荷以及虚拟储能系统进行优化调控，以有限时段内基于楼宇微网实际运行状态的反复滚动优化代替一次离线全时段优化，有效解决可再生能源出力预测精度随时间尺度增加而下降的问题。

表5各不确定等级、不同策略下的楼宇微网运行成本

表5中的结果表明，不同预测不确定等级下MPC调控策略下的楼宇微网日运行均低于DA-P策略下的日运行成本。可见，不同预测不确定等级下的MPC策略均可更有效降低楼宇微网的日运行成本。图10和图11结果表明，DA-P策略下的楼宇微网日运行成本随着预测不确定等级升高而迅速增加，并且增长速率越来越快。而MPC策略下的楼宇微网日运行费用随着预测不确定性升高而增加的速率明显降低。可见，基于MPC的优化调控方法在预测不确定性环境下具有较强的鲁棒性。

●冷热电联供楼宇微网在不同策略下的优化调控结果分析

融合虚拟储能系统的冷热电联供楼宇微网的MPC优化调控结果如图12所示。

表6不同策略下冷热电联供楼宇微网运行成本

表6给出了冷热电联供楼宇微网在三种策略下的运行成本。结果表明，MPC调控方法可进一步降低楼宇微网的运行成本。冷热电联供楼宇微网在不确定性预测环境下基于MPC的控制效果验证与电制冷楼宇微网类似，不再赘述。

Claims (1)

1.一种融合虚拟储能系统的楼宇微网模型预测调控方法，包括下列步骤：

步骤一、输入变量预测模型构建

输入变量是风机输出功率、光伏输出功率、负荷需求及实时电价的预测值，输入变量预测模型满足式(1)：

式中：t表示一天中的调控时段；

表示t时段的实时电价；

分别表示风机输出功率、光伏输出功率和负荷需求；

分别表示输入变量在t时段的短期预测值；

表示输入变量日前预测值在t时段的预测不确定阈值；R(t)为一个服从均一分布U(-1,1)的随机数；在四种预测不确定等级下，风机输出功率、光伏输出功率、负荷需求以及实时电价的预测不确定阈值取值如表1所示；

表1 楼宇微网中各设备预测不确定等级

步骤二、控制变量预测模型构建

控制变量是楼宇室内温度、微网联络线功率及制冷功率的预测值；基于楼宇的蓄热特性，依据能量守恒构建楼宇的虚拟储能模型，在此基础上，基于输入变量的预测模型，得到[t～t+1]两控制时段之间室内温度T_in的变化量如式(2)所示：

式中，ρ为空气密度，C为空气比热容，V为室内容积，ΔT_in(t+1|t)表示[t～t+1]时段温度变化量的预测值；

分别表示计及输入变量预测值的室内外传递热量、热辐射传递热量、室内热源发热量及制冷需求；

通过式(2)可以在预测时域N_p个时间段内，对室内温度进行滚动求解，从而进一步获得预测时域内室内温度、微网联络线功率及制冷功率的数值，其预测模型如式(3)所示：

式中：T_in(t+k|t)、P_ex(t+k|t)、Q_EC(t+k|t)分别表示t时段预测未来t+k时段的室内温度、微网联络线功率、制冷功率；ΔT_in(t+j|t)、ΔP_ex(t+j|t)、ΔQ_EC(t+j|t)分别表示t时段预测未来t+j(j＝1,2,…,k)时段室内温度变化量、微网联络线功率变化量、制冷功率变化量；

步骤三、滚动优化目标函数构建

滚动优化过程中，优化目标为控制时域内楼宇微网运行成本最低，运行成本包括配电网购电成本、设备使用维护成本及考虑用户舒适度的罚函数项；

步骤四、滚动优化约束条件选取

首先需要考虑楼宇微网电功率平衡约束；热平衡约束以及冷平衡约束，然后还需考虑各类设备自身的约束，包括各设备功率的上下限约束、储能设备的充放电功率和储能量约束，构建微网经济优化调度模型；

步骤五、优化调度求解

针对所构建的微网经济优化调度模型，在MATLAB下调用CPLEX进行求解。

Images