CN108565902A - 一种基于光储协调优化的户用型能量调度方法 - Google Patents

Abstract

本发明涉及一种基于光储协调优化的户用型能量调度方法，具体过程如下：智能数采装置采集当前时刻的电网电价、用户负荷、光伏发电功率、储能系统荷电状态数据上传至控制中心作为系统的输入，调度中心通过建立的数学模型将户用能量优化调度问题转化为带约束的多维非线性方程组，以运行成本函数最小化为目标对由所述方程组确定的可行解区域进行启发式搜索，当搜索解满足最优解条件时结束迭代，调度中心根据搜索到的最优解安排储能计划。本发明考虑储能系统运行特性以电网电价为杠杆，采用基于人工智能的搜索算法实现户用型光储联合经济调度，在不影响日常用电的前提下，既可以降低用户的用电花费，又能适当缓解电网高峰负荷期的供电压力。

Description

一种基于光储协调优化的户用型能量调度方法

技术领域

本发明为户用型光储联合用电提供了一种经济的优化调度方法。

背景技术

随着化石燃料的消耗，人类社会的高速发展对能源的需求日益紧张，而人类发展与自然环境之间的矛盾引发一系列绿色新能源探索热潮。21世纪初，光伏、风电、水电、核电等成为许多国家能源革命战略的重点产业，预计在2050年全球非化石能源占比将超过50％。由于政府的政策性扶持，光伏产业发展迅速，家装光伏电池板的数量也逐年上升，伴随着储能技术的成熟，电动汽车等新名词概念早已深入人心，其中户用型光储联合系统是由光伏电池板和储能装置组成的联合发电系统，广泛用于居民小院、农村等场所，已在欧美国家大量推广。国内外学者针对微电网储能调度的研究较多，对于户用型光储联合系统调度问题的研究较少，两者有一定的相似性。微电网储能调度的目标往往与电网潮流有关，而户用型光储联合系统调度问题的目标与用户密切相关。有一种户用型风光储联合系统的调度方法将系统看作一个小型的离网微电网，以最大程度满足用户用电为目标。本发明考虑购售电价对用户用电成本的影响，在满足用户用电需求的基础上对储能系统进行优化调度，最大化用户的经济收益。

发明内容

通过研究微电网与配电网的能量交换，提出了一种针对家庭光伏发电系统的用电管理的方法，结合蓄电池的储能特性，采用基于粒子群优化的人工智能算法，以用户电费支出最小化为目标函数，将一个调度周期分解为若干连续不重叠时段，每个时段末优化决策变量，制定光伏家庭发电系统的日调度计划。即考虑当地电力消费定价制度与用户自备电源类型，制定合理的调度计划，降低电费支出，提高家庭自备光伏电源的利用效率。

优化模型以蓄电池充放电功率为决策变量，在优化周期内不断调整该变量，从而最小化电费支出。优化周期又分为若干等时距连续不重叠小区间，在每个小区间末端对蓄电池充放电功率进行一次运算调整操作，每一次操作结果需满足蓄电池荷电状态约束及优化变量可行解区间约束。由此确定符合要求的24维可行解空间，再借助优化算法搜索可行解空间中最小化目标函数值的解，根据此解安排调度计划，并对优化调度的结果进行分析。

一种基于光储协调优化的户用型能量调度方法，其特征在于：

采集当前时刻的电网电价、用户负荷、光伏发电功率、储能系统荷电状态数据作数数据输入；

通过建立的数学模型将户用能量优化调度转化为带约束的多维非线性方程组，数学模型为一个带约束的目标函数，其中，目标函数为光储用户用电成本最小，目标函数包含用户的购电费用f_i ^p和售电费用f_i ^s，表达式如下：式中，P_i ^bt为分时段储能计划的第i维分量，约束条件为蓄电池荷电状态约束、优化变量可行解区间约束、系统功率平衡约束及购售电功率闭锁约束；

以运行成本函数最小化为目标对由所述方程组确定的可行解区域进行启发式搜索，当搜索解满足最优解条件时结束迭代，根据搜索到的最优解安排储能计划，搜索采用基于人工智能的粒子群算法在可行解区域内搜索得到满足约束条件的最优经济储能计划{P_i ^bt}，从而实现户用型光储联合经济调度。

在上述的一种基于光储协调优化的户用型能量调度方法，

购电费用基于公式：其中，为用户在i时刻从电网购电量，为i时刻的电网电价；

售电费用基于公式：其中，为用户在i时刻余电上网的电量，为i时刻的上网电价。

在上述的一种基于光储协调优化的户用型能量调度方法，所述

蓄电池荷电状态约束为：SOC_l≤SOC_i≤SOC_h

优化变量可行解区间约束为：P_c.min≤P_c.i≤P_c.max、P_d.min≤P_d.i≤P_d.max；

P_c.t、P_d.t分别是蓄电池i时段的充电功率和放电功率；

系统功率平衡约束为： 为i时刻用户用电量，为i时刻光伏发电量，为i时刻蓄电池的放电量，当蓄电池处于充电状态时为负；

为i时刻用户用电量，为i时刻光伏发电量，为i时刻蓄电池的放电量，当蓄电池处于充电状态时为负；

购售电功率闭锁约束为：本式表示的是用户购电功率与售电功率的等式约束，购电过程和售电过程是不允许同时发生的。

在上述的一种基于光储协调优化的户用型能量调度方法，采用粒子群算法的具体包括：

步骤4.1、输入日数据、发电系统参数；日数据包括光伏发电数据和负荷数据；发电系统参数包括光伏发电功率；

步骤4.2、初始化种群，根据约束条件，在搜索空间中随机产生串数据结构，每个串数据结构成为一个粒子，N个粒子构成一个粒子群，粒子群算法的初始状态就以这N个粒子作为起点开始迭代；

步骤4.3、调用电负荷量，根据种群和光伏组件的功率并计算蓄电池的充放电状态及功率情况，根据调度原则对系统内电源的运行状态和电能使用情况进行调度，满足负荷需求和系统运行约束；

步骤4.4、计算适应度值，根据目标函数情况，计算适应度的值，记录最优个体，为下一步更新粒子群做准备，然后判断是否满足终止条件，若满足则输出最优结果，若不满足，则继续下一步，终止条件为达到最大迭代次数；

步骤4.5、更新粒子群操作，若不满足终止条件，进行粒子群速度和位置更新操作；

步骤4.6、产生新粒子群，产生新种群转到步骤4.3继续进行求解。

本发明考虑储能系统运行特性以电网电价为杠杆，采用基于人工智能的搜索算法实现户用型光储联合经济调度，在不影响日常用电的前提下，既可以降低用户的用电花费，又能适当缓解电网高峰负荷期的供电压力。

附图说明

图1为优化结构流程图；

图2为粒子群算法流程图；

图3为光储联合系统结构图；

图4为用户负荷曲线图

图5为峰谷分时电价曲线图；

图6为优化调度下蓄电池荷电状态曲线图；

图7为传统方式与优化调度的用电成本对比；

具体实施步骤

下面结合附图对本发明的实施例作进一步的说明，本发明的控制结构包括一个调度中心与多个数据采集器以及储能系统控制器，控制器与各数据采集器进行双向信号传递，各数据采集器之间不能相互通信，调度中心处理数采信号优化储能计划，储能系统按照控制器的指令充放电，整个方法流程如图1所示。

数采将系统的输入信号上传到控制器，控制器接收每个数采信号之后，判断是否有输入信号超过预设的区间范围，如果没有，不执行任何操作，如果有信号超过预设范围，向数采发送确认信号，若新信号出现在允许延迟时间内，对信号进行预设区间判断，反之，结束信息通讯，控制器将前一时刻的输入信号作为当前时刻的输入信号对粒子群进行初始化，根据所提出的数学模型计算每个粒子的适应度值，记录全局最优粒子位置和粒子历史最好位置，重复迭代过程直到满足迭代终止条件，调度中心将调度计划下发到储能控制器，蓄电池充放电动作。

目标函数定义为并网模式下微电网运行费用：

1)购电费用

为用户在i时刻从电网购电量，为i时刻的电网电价。

2)售电费用

为用户在i时刻余电上网的电量，为i时刻的上网电价。

3)购电功率与售电功率

为i时刻用户用电量，为i时刻光伏发电量，为i时刻蓄电池的放电量，当蓄电池处于充电状态时为负。

式子表示的是用户购电功率与售电功率的等式约束，购电过程和售电过程是不允许同时发生的。

4)充放电功率约束

P_c.min≤P_c.i≤P_c.max

P_d.min≤P_d.i≤P_d.max

P_c.t、P_d.t分别是蓄电池i时段的充电功率和放电功率。

5)荷电状态约束

SOC_l≤SOC_i≤SOC_h

荷电状态是蓄电池的一个重要物理参数。它由蓄电池当前储能大小与蓄电池容量的比率决定。蓄电池在使用过程中如果常处于深度放电状态，荷电状态(state of charge，SOC)低于20％，则使用寿命会大大缩短。

PSO算法模拟鸟类的捕食行为。设定一片区域，一群鸟在这片区域内觅食，每只鸟的所在位置都不同，假定鸟群中所有成员根据所在位置只能判断自己与食物的距离，对食物的方向却一无所知。显然最有效的策略就是搜索鸟群中离食物最近的个体附近的区域。粒子群算法参考这种模型设计，目前广泛运用于求解优化问题。

在运用PSO算法求解的问题中，目标函数和解空间分别对应算法中粒子的适应度和位置域。算法初始化一群在解空间随机分布的粒子，每个粒子携带两个参数信息，当前位置及移动速度。移动速度表示粒子下一时刻运动的方向和距离，由该粒子历史最佳位置以及迭代过程中产生的局部最优解或者全局最优解决定。在迭代初期，为了避免搜索陷入局部最优，粒子通过跟踪个体极值和局部极值来更新位置和速度，称局部迭代。在迭代末期，粒子改变跟踪对象，通过跟踪个体极值和全局极值来更新位置和速度，以加速收敛，称全局迭代。

粒子群优化算法速度和位置更新公式如下：

v_d+1＝c₁v_d+c₂(p_id-x_d)+c₃(p_gd-x_d)

x_d+1＝x_d+v_d+1

式中，c为算法中速度更新方程的系数，v是迭代中粒子的更新速度，x是迭代中粒子的位置，p_i是迭代过程中的个体极值，p_g是迭代过程中的全局极值或者局部极值，d为算法的迭代次数。

算法流程图如图2所示，具体实现步骤如下：

1)输入日数据(包括光伏发电数据和负荷数据)、发电系统参数。

2)初始化种群。根据约束条件，在搜索空间中随机产生串数据结构，每个串数据结构成为一个粒子。N个粒子构成一个粒子群。粒子群算法的初始状态就以这N个粒子作为起点开始迭代。

3)调用电负荷量，根据种群和光伏组件的功率并计算蓄电池的充放电状态及功率情况，根据调度原则对系统内电源的运行状态和电能使用情况进行调度，满足负荷需求和系统运行约束。

4)计算适应度值。根据目标函数情况，计算适应度的值，记录最优个体，为下一步更新粒子群做准备。然后判断是否满足终止条件，若满足则输出最优结果，若不满足，则继续下一步。

5)更新粒子群操作。若不满足终止条件，进行粒子群速度和位置更新操作。

6)产生新粒子群。产生新种群转到步骤3)继续进行求解

参数确定：

1)锂电池单体电压为2V，容量为2500VA。

2)蓄电池在优化结束点或者优化起始点的SOC为40％。

3)本发明中将光伏上网电价设定为0.9元/(kW·h)。

4)算例仿真的粒子群规模为48，终止迭代代数为72代，并选择c₁＝0.4、c₂＝0.2、c₃＝0.3。

基本优化调度策略确定：

1)光伏发电首先满足负荷需求；

2)根据分时电价政策判断电价高低，再根据光伏发电量情况和负荷情况，判断是否有余电；

3)若有余电且电价较低，则余电存入蓄电池；若有余电且电价高，则余电上网；

4)当光伏发电量不满足用电需求时，首先蓄电池放电，然后再从大电网购电。

根据所提出的约束优化数学模型，结合实际参数，确定数学模型的各约束条件的参数。以蓄电池的充放电功率作为连续控制变量，所有时段用户用电成本之和作为目标函数，使用粒子群算法在约束条件确定的可行域内求解使目标函数最小对应最优储能计划{p_i ^bat}。

在本实施例中，蓄电池在全天的运行过程中，存储电量7.38kW·h。于18:00到21:00的3h内，为满足负荷需求，释放存储电量。21:00到次日9:00，从电网购电满足剩余负荷需求及储能充电需求。10:00至12:00，电价处于峰值阶段，蓄电池放电以减少用户从大电网购电。12:00至17:00，储能水平较低，光照充足，给蓄电池充电。在分时电价峰值阶段时，光伏优先供给负荷用电，有效缩减大电网在用电峰值时段的供电压力，提高用户用电的经济性。18:00到21:00时段中，分时电价进入峰值阶段，光伏输出为0，不能满足用户负荷，多余负荷需求通过从电网购电来满足。22:00到24:00时段，分时电价进入平波阶段，由于平波段购电电价(0.422元/(kW·h))小于上网卖电电价(0.913元/(kW·h))，因此在此阶段，主要从大电网购买电量供给负荷。运行调度优化策略通过调整用户的电力消费结构，显著降低了用户的用电支出，提高了用户的经济效益。

本发明所属的实施例是说明性的，而不是限定性的，因此发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种基于光储协调优化的户用型能量调度方法，其特征在于：

采集当前时刻的电网电价、用户负荷、光伏发电功率、储能系统荷电状态数据作数数据输入；

通过建立的数学模型将户用能量优化调度转化为带约束的多维非线性方程组，数学模型为一个带约束的目标函数，其中，目标函数为光储用户用电成本最小，目标函数包含用户的购电费用和售电费用表达式如下：式中，为分时段储能计划的第i维分量，约束条件为蓄电池荷电状态约束、优化变量可行解区间约束、系统功率平衡约束及购售电功率闭锁约束；

以运行成本函数最小化为目标对由所述方程组确定的可行解区域进行启发式搜索，当搜索解满足最优解条件时结束迭代，根据搜索到的最优解安排储能计划，搜索采用基于人工智能的粒子群算法在可行解区域内搜索得到满足约束条件的最优经济储能计划从而实现户用型光储联合经济调度。

2.根据权利要求1所述的一种基于光储协调优化的户用型能量调度方法，其特征在于：

购电费用基于公式：其中，为用户在i时刻从电网购电量，为i时刻的电网电价；

售电费用基于公式：其中，为用户在i时刻余电上网的电量，为i时刻的上网电价。

3.根据权利要求1所述的一种基于光储协调优化的户用型能量调度方法，其特征在于：所述

蓄电池荷电状态约束为：SOC_l≤SOC_i≤SOC_h

优化变量可行解区间约束为：P_c.min≤P_c.i≤P_c.max、P_d.min≤P_d.i≤P_d.max；P_c.t、P_d.t分别是蓄电池i时段的充电功率和放电功率；

系统功率平衡约束为： 为i时刻用户用电量，为i时刻光伏发电量，为i时刻蓄电池的放电量，当蓄电池处于充电状态时为负；

为i时刻用户用电量，为i时刻光伏发电量，为i时刻蓄电池的放电量，当蓄电池处于充电状态时为负；

购售电功率闭锁约束为：本式表示的是用户购电功率与售电功率的等式约束，购电过程和售电过程是不允许同时发生的。

4.根据权利要求1所述的一种基于光储协调优化的户用型能量调度方法，其特征在于：采用粒子群算法的具体包括：

步骤4.1、输入日数据、发电系统参数；日数据包括光伏发电数据和负荷数据；发电系统参数包括光伏发电功率；

步骤4.2、初始化种群，根据约束条件，在搜索空间中随机产生串数据结构，每个串数据结构成为一个粒子，N个粒子构成一个粒子群，粒子群算法的初始状态就以这N个粒子作为起点开始迭代；

步骤4.3、调用电负荷量，根据种群和光伏组件的功率并计算蓄电池的充放电状态及功率情况，根据调度原则对系统内电源的运行状态和电能使用情况进行调度，满足负荷需求和系统运行约束；

步骤4.4、计算适应度值，根据目标函数情况，计算适应度的值，记录最优个体，为下一步更新粒子群做准备，然后判断是否满足终止条件，若满足则输出最优结果，若不满足，则继续下一步，终止条件为达到最大迭代次数；

步骤4.5、更新粒子群操作，若不满足终止条件，进行粒子群速度和位置更新操作；

步骤4.6、产生新粒子群，产生新种群转到步骤4.3继续进行求解。