CN113824137A

CN113824137A - 混合储能系统的调度方法、装置和存储介质

Info

Publication number: CN113824137A
Application number: CN202111175837.6A
Authority: CN
Inventors: 杜进桥; 田杰; 李艳
Original assignee: Shenzhen Power Supply Bureau Co Ltd
Current assignee: Shenzhen Power Supply Bureau Co Ltd
Priority date: 2021-10-09
Filing date: 2021-10-09
Publication date: 2021-12-21
Anticipated expiration: 2041-10-09
Also published as: CN113824137B

Abstract

本申请涉及一种混合储能系统的调度方法、装置和存储介质。混合储能系统中包括可再生能源发电设备和混合储能设备，混合储能系统的调度方法包括：获取可再生能源发电设备的发电功率；构建以混合储能系统运行效率最高为目标的目标函数；根据预测功率和混合储能设备的运行条件，建立目标函数的约束条件；根据约束条件获取目标函数的最优解，并根据最优解对混合储能系统进行调度。该方法能够实现微电网中资源合理配置的目的，达到运行效率最高的效果。

Description

混合储能系统的调度方法、装置和存储介质

技术领域

本申请涉及微电网技术领域，特别是涉及一种混合储能系统的调度方法、装置和存储介质。

背景技术

随着人们对能源和环保的认识，园区微电网中的可再生能源渗透率不断上升。然而，可再生能源发电在缓解微电网用电需求时，其随机性、波动性和反调峰特性也给园区微电网的安全经济运行带来巨大挑战。因此，微电网控制中心需要确保园区微电网高效运行，并为其配置最优的调度模型。

发明内容

基于此，有必要针对上述技术问题，提供一种能够使得微电网运行效率最高的混合储能系统的调度方法、装置和存储介质。

一种混合储能系统的调度方法，混合储能系统中包括可再生能源发电设备和混合储能设备，方法包括：

获取可再生能源发电设备的发电功率；

构建以混合储能系统运行效率最高为目标的目标函数；

根据发电功率和混合储能设备的运行条件，建立目标函数的约束条件；

根据约束条件获取目标函数的最优解，并根据最优解对混合储能系统进行调度。

在其中一个实施例中，构建以混合储能系统运行效率最高为目标的目标函数前，还包括：

根据发电功率和预设的规则生成第一预测功率集，第一预测功率集包括第一目标数量的可再生能源发电场景的预测功率；

构建以混合储能系统运行效率最高为目标的目标函数包括：

根据第一预测功率集，构建以混合储能系统运行效率最高为目标的目标函数。

在其中一个实施例中，获取可再生能源发电设备的发电功率包括：

获取次日24小时内多个时刻的日照信息；

根据日照信息获取可再生能源发电设备的发电功率。

在其中一个实施例中，根据发电功率和预设的规则生成第一预测功率集包括：

根据贝塔分布规律的概率密度分布函数和发电功率获取可再生能源设备的预测功率；

对可再生能源发电设备的预测功率进行抽样，以获取第二预测功率集，第二预测功率集包括第二目标数量的可再生能源发电场景的预测功率，第一目标数量少于第二目标数量；

根据各场景之间的差异度对第二预测功率集中的场景数量进行缩减，以形成第一预测功率集。

在其中一个实施例中，混合储能设备包括相变装置和蓄电池，根据发电功率和混合储能设备的运行条件，建立目标函数的约束条件前，还包括：

构建相变装置的第一运行约束和蓄电池的第二运行约束，并将第一运行约束和第二运行约束作为混合储能设备的运行条件。

在其中一个实施例中，相变装置包括相变蓄冷材料和热泵，构建相变装置的第一运行约束包括：

分别构建相变蓄冷材料的储能运行约束和热泵的运行约束；

将相变蓄冷材料的储能运行约束和热泵的运行约束作为相变装置的第一运行约束。

在其中一个实施例中，第二运行约束包括：

其中，

表示蓄电池的充电功率，

表示蓄电池的放电功率，

表示蓄电池的充电标志，

表示蓄电池的放电标志，

表示蓄电池的额定充电功率，

表示蓄电池的放电功率，

表示蓄电池t时刻的荷电状态，

表示蓄电池的储电量，

表示蓄电池的额定容量。

一种混合储能系统的调度装置，包括：

功率获取模块；用于获取可再生能源发电设备的发电功率；

函数构建模块；用于构建以混合储能系统运行效率最高为目标的目标函数；

建立约束模块；用于根据发电功率和混合储能设备的运行条件，建立目标函数的约束条件；

函数求解模块，用于根据约束条件获取目标函数的最优解，并根据最优解对混合储能系统进行调度。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。

上述混合储能系统中包括了可再生能源发电设备和混合储能设备，所述混合储能系统的调度方法包括：获取可再生能源发电设备的发电功率；构建以混合储能系统运行效率最高为目标的目标函数；根据预测功率和混合储能设备的运行条件，建立目标函数的约束条件；根据约束条件获取目标函数的最优解，并根据最优解对混合储能系统进行调度。上述方法通过构建微电网中混合储能系统运行最高的目标函数，以及微电网中可再生能源设备以及混合储能设备的运行约束，求解得出微电网中运行效率最高的最优解，进而对微电网中的电力系统进行调度，以实现微电网中资源合理配置的目的，达到运行效率最高的效果。

附图说明

为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中混合储能系统调度方法的流程示意图之一；

图2为一个实施例中混合储能系统调度方法的流程示意图之二；

图3为一个实施例中混合储能系统调度方法的流程示意图之三；

图4为一个实施例中混合储能系统调度方法的流程示意图之四；

图5为一个实施例中混合储能系统调度方法的流程示意图之五；

图6为一个实施例中混合储能系统调度方法的流程示意图之六；

图7为一个实施例中混合储能系统结构示意图；

图8为一个实施例中混合储能系统的功率变化图；

图9为一个实施例中蓄电池和相变装置的调度运行的输出功率变化图；

图10为一个实施例中蓄电池和相变装置的调度运行后的SOC变化图；

图11为一个实施例中园区微电网从外电网购入的功率变化图；

图12为一个实施例中混合储能系统调度装置的结构框图示意图。

具体实施方式

为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种预测功率集、目标数量以及运行约束等，但这些预测功率集、目标数量以及运行约束不受这些术语限制。这些术语仅用于将第一个预测功率集、目标数量以及运行约束与另一个预测功率集、目标数量以及运行约束的区分。

需要说明的是，当一个元件被认为是“连接”另一个元件时，它可以是直接连接到另一个元件，或者通过居中元件连接另一个元件。此外，以下实施例中的“连接”，如果被连接的对象之间具有电信号或数据的传递，则应理解为“电连接”、“通信连接”等。

在此使用时，单数形式的“一”、“一个”和“/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。

在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征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描述不一定指的是相同的实施例或示例。

在其中一个实施例中，如图1所示，提供了一种混合储能系统的调度方法，所述混合储能系统的调度方法包括步骤S100～S400。具体地，混合储能系统中包括可再生能源发电设备和混合储能设备。可再生能源发电设备包括但不限于风力发电设备和光伏发电设备。在本申请实施例中，以可再生能源发电设备为风力发电设备和光伏发电设备为例进行说明。

步骤S100，获取可再生能源发电设备的发电功率。

具体地，为了获取可再生能源设备的发电功率，可以从微电网调度中心获得未来的日照强度和风力大小的预测数据，并根据预设数据获取对应的发电功率。其中，未来的预测数据例如可以为从当前时刻起未来24小时内的预测数据，预测数据可以包括多个时刻点的数据，且多个时刻点可以等间隔设置。例如，未来的预测数据可以包括从当前时刻起未来第1小时的数据、未来第7小时的数据、未来第13小时的数据和未来第19小时的数据，可以理解的是，上述多个时刻点仅用于示例性说明，而不用于限定本申请的保护范围。进一步地，基于上述预测数据，根据风力大小的预测数据和风力发电公式可以计算得到未来风力发电设备的发电功率，并根据日照强度和光伏发电公式可以计算得到未来光伏发电设备的发电功率。

步骤S200，构建以混合储能系统运行效率最高为目标的目标函数。

正如背景所述，为了缓解能源危机，微电网需要以微电网内混合储能系统运行效率最高为目标，构建目标函数。其中，运行效率是指微电网用户实际使用消耗的电能占可再生能源发电设备的总产出电能的比例。因此，可以通过降低混合储能设备存储时泄露的能量消耗、电能传输过程中的能量消耗等，提高微电网用户实际使用消耗的电能的占比，从而提高混合储能系统的运行效率。并且，运行效率最高应用到微电网中还可以表示微电网中的运行成本最低，运行成本最低指的是设备的运行成本以及向外电网购入的电力成本。

步骤S300，根据发电功率和混合储能设备的运行条件，建立目标函数的约束条件。

实施例中通过建立微电网的运行约束条件，可以约束上述目标函数的求解范围。可以理解的是，由于每天的日照强度和风力大小都会随时发生变化，所以风力发电设备和光伏发电设备发电功率也会相应地发生变化，从而使可再生能源发电设备每天所能产出的电能发生变化。因此，当产出的电能大于微电网用户消耗的电能时，可以剩余的电能存储至混合储能设备；当产出的电能小于微电网用户消耗的电能时，可以从混合储能设备获取电能，以支持用户的使用需求。可选地，混合储能系统还可以在混合储能设备中无存储电能、且风力发电设备和光伏发电设备未来的发电功率不足以支撑微电网用户的用电需求时，从外部电网获取电能，其中，可以在外部电网处于闲时状态时，从外部电网获取电能，以避免外部电网的用电资源紧张。

与此同时，混合储能设备在存储电能的过程中，也会存在一些能量耗散的情况。在本实施例中，通过提前获取未来的日照强度和风力大小的预测数据，结合预测数据和混合储能设备运行过程中的储能效率、耗散速度等数据，综合构建目标函数，可以对未来的储能量进行调控，从而避免了电能的浪费，实现了电能的高效调度，即，提高了混合储能系统的运行效率。

步骤S400，根据约束条件获取目标函数的最优解，并根据最优解对混合储能系统进行调度。

其中，混合储能系统可以根据该最优解确定混合储能设备的运行状态，并确定可再生能源发电设备向混合储能设备储电时的储电量等信息，从而使混合储能系统具有需要的运行效率。上述混合储能系统的调度方法，将变化的可再生能源发电设备的发电功率加入到微电网中的电力系统中，并通过构建目标函数以及建立约束条件后，求解出微电网运行效率最高的解，最后，按照最优解对混合储能系统进行最优的调度，达到节能减排的目的。

在其中一个实施例中，如图2所示，提供了一种混合储能系统的调度方法，其中，步骤S100包括步骤S110和步骤S120。

步骤S110，获取次日24小时内多个时刻的日照信息。

步骤S120，根据所述日照信息获取可再生能源发电设备的发电功率。

其中，可再生能源设备发电功率的变化会受到季节的变换以及其他地理性因素的影响。具体地，可再生能源发电设备的基础是利用可再生的清洁能源发电，而目前常用的可再生能源发电包括了风力发电、水利发电以及光伏发电，然而，风、水以及光都会受到地理环境因素的影响，例如，风力大小会受到所在地的地理位置以及当地季节变换，甚至是不可预测的动态气流的影响，因此，可再生能源设备在不确定的环境因素下可以输出的发电功率也是不确定的。本实施例中，以光伏发电为例，通过获取次日24小时内多个时刻的日照信息的预测，进而根据所述日照信息以及上述的光伏发电公式可以计算出可再生能源发电设备的发电功率，提高了对混合储能系统调度的准确性。

在其中一个实施例中，上述获取次日24小时内多个时刻的日照信息中，可以获取次日24小时内每个小时的日照信息。其中，次日0时～24时内的日照信息在一定时间段内的差异度是较小的，为了降低计算的重复性，本实施例中通过设置一小时的时间间隔，合理获取日照信息的数据。

在其中一个实施例中继续参看图2，其中，在步骤S200前，还包括步骤S500，并且步骤S200还包括了步骤S210。

步骤S500，根据发电功率和预设的规则生成第一预测功率集，第一预测功率集包括第一目标数量的可再生能源发电场景的预测功率。

具体地，可再生能源设备的发电功率为预测的可再生能源信息根据公式计算获取，但根据调研可知，根据公式计算获取的发电功率与可再生能源实际情况下的发电功率存在一定误差，因此，本实施例中考虑到误差的存在，并根据发电功率以及预设的规则生成多个预测功率。其中，由调研可知，发电功率与实际情况下的误差是不确定的，例如，在一种光照信息下，由发电公式计算获得的发电功率为500W，但在光伏发电机配置中心记录的历史发电信息中，该光照信息条件下，实际发电机的发电功率为510W、498W以及540W，即，公式计算获得的发电功率与实际发电功率之间的误差并不是统一的，而是存在多个场景。因此，可以根据发电功率生成多个可再生能源发电场景的预测功率，并将其作为第一预测集合，有利于对可再生能源发电设备可输出功率预测的准确性。

其中，步骤S200包括了步骤S210。

步骤S210，根据第一预测功率集，构建以混合储能系统运行效率最高为目标的目标函数。

在其中一个实施例中，如图3所示，提供了一种混合储能系统的调度方法，其中，在上述步骤S210前的步骤S500中包括了步骤S510～S530。

步骤S510，根据贝塔分布规律的概率密度分布函数和所述发电功率获取可再生能源设备的预测功率。

具体地，在本实施例中，通过调研可知，上述的可再生能源中的光伏发电功率以及风力发电功率与实际情况下的发电功率存在一定的误差，并且该误差的分布规律是满足贝塔分布规律，即，误差大小的数值是满足贝塔分布规律的。因此，结合贝塔分布规律的概率密度分布函数以及可再生能源计算得到的发电功率，能够计算得到符合真实情况下的可再生能源设备输出的预测功率。

步骤S520，对可再生能源发电设备的预测功率进行抽样，以获取第二预测功率集，所述第二预测功率集包括第二目标数量的可再生能源发电场景的预测功率，所述第一目标数量少于第二目标数量。

具体地，在本实施例中，采用蒙特卡洛抽样方法对可再生能源发电设备的预测功率进行抽样，随机获取第二目标数量的可再生能源发电场景的预测功率。可以理解的是，抽样方法不仅局限于上述的蒙特卡洛抽样方法，而实施例通过蒙特卡洛抽样法可以增加抽样的随机性，避免获取目的性结果。

步骤S530，根据各场景之间的差异度对第二预测功率集中的场景数量进行缩减，以形成第一预测功率集。

其中，差异度指的是在可再生能源发电场景的预测功率之间的差异程度。由于随机抽取后获得的多个场景的预测功率之间的差异程度大小不一，为了降低计算的重复性，本实施例通过场景削减法对第二目标数量的预测功率集进行缩减，以获取第一预测功率集。

其中，场景削减法是将一个含有大量场景的概率分布削减为一个场景数量较少的概率分布，且削减后的概率分布与削减前的概率分布具有相似的特征。

上述实施例通过调研法、抽样法以及场景削减法对可再生能源发电设备可输出的预测功率做进一步处理，有效提高了预测数据的可靠性。

在其中一个实施例中，如图4所示，提供了一种混合储能系统的调度方法。其中，混合储能设备包括相变装置和蓄电池，在步骤S300前，还包括步骤S600。

步骤S600，构建相变装置的第一运行约束和蓄电池的第二运行约束，并将第一运行约束和第二运行约束作为混合储能设备的运行条件。

目前，园区微电网内已经普遍安装用于储能的蓄电池，并将其应用到微电网的用电高峰期的释能以及用电低谷期的储能。虽然，蓄电池具有优异地可调节性，但在运行过程中，存在严重的电量损耗以及成本过高等问题，而相较于蓄电池在储能方面的应用，相变储能技术在储能的容量等其他方面也具有储能量大以及成本低等显著的优势，因此，本实施例将相变储能技术应用到由相变储能材料构成的相变装置中，并通过结合相变装置以及蓄电池的协同运行，可以充分发挥混合储能的互补优势。

其中，相变储能材料是一种新型的材料，它是将传统的建筑材料与相变材料相结合，利用相变材料随着温度变化时，自身物质状态也发生改变，将吸收或放出大量的潜热，从而实现建筑节能的目的。

在其中一个实施例中，如图5所示，提供了一种混合储能系统的调度方法，其中，在步骤S600中构建相变装置的第一运行约束中，包括了步骤S610～S630。

步骤S610，分别构建相变蓄冷材料的储能运行约束和热泵的运行约束。

步骤S620，将相变蓄冷材料的储能运行约束和热泵的运行约束作为相变装置的第一运行约束。

步骤S630，构建蓄电池的第二运行约束，并将第一运行约束和第二运行约束作为混合储能设备的运行条件。

具体地，相变装置包括了相变储能材料和热泵，园区在使用过程中，将相变储能材料封装在建筑的墙体当中，并通过热泵控制相变储能材料的冷热循环。其中，本实施例以相变蓄冷材料为例，将该相变蓄冷材料泵装至园区建筑物中的墙体中，通过热泵控制相变蓄冷材料的蓄冷和释冷。其中，蓄冷指的是将冷量以冷、冷水或凝固状相变材料的形式储存起来；而释冷指的是将前期储存的冷量释放出来，以供用户使用。除此之外，为了加快相变蓄冷材料的冷循环，还可以加入风扇与热泵协同控制相变蓄冷材料的冷循环，以达到资源合理利用的目的。

在其中一个实施例中，所述步骤S600中的第二运行约束包括：

式中，

表示蓄电池的充电功率；

表示蓄电池的放电功率；

表示蓄电池的充电标志；

表示蓄电池的放电标志；

表示蓄电池的额定充电功率；

表示蓄电池的放电功率；

表示蓄电池t时刻的荷电状态；

表示蓄电池的储电量；

表示蓄电池的额定容量。

在其中一个实施例中，如图6所示，提供了一种混合储能系统的调度方法，同时，可以参考图7所示的园区微电网混合储能系统结构示意图，混合储能系统中包括了可再生能源发电设备和混合储能设备，所述可再生能源设备还包括了光伏发电机和风力发电机，混合储能设备还包括了相变装置和蓄电池，而本实施例中的相变装置中又包括了相变蓄冷材料和热泵，所述混合储能系统的调度方法包括步骤S701～S710，其中步骤S704还包括了步骤S7041～S7044。

步骤S701，获取次日24小时内每小时的可再生能源发电设备的发电功率。

具体地，从微电网调度中心获得次日24小时内每小时的日照强度和风力的预测数据，并根据光伏发电公式和风力发电公式，以及光伏发电机的容量和风力发电机的容量，计算得到次日24小时内每小时可再生能源发电预测功率。即，

和风电预测功率

其中，光伏发电机的容量和风力发电机的容量可根据设备测参数获取。例如，光伏发电机的容量800kW，风力发电机的容量500kW。可以理解的是，本说明书中所有参数的描述，仅限于实施例中的应用举例，而不用于限定本申请的保护范围。

步骤S702，根据贝塔分布规律的概率密度分布函数和所述发电功率获取可再生能源设备的预测功率。

具体地，由于光伏发电功率与风力发电功率相较于调研得到实际数据存在一定误差，并且该误差的分布规律满足贝塔分布。所以光伏发电与风力发电的预测功率的随机性也是符合贝塔分布规律。因此，根据贝塔分布的概率密度分布函数即可获得可再生能源的预测功率。其中，预测功率的概率密度分布函数可以由式(1-1)和(1-2)表示：

式中a^PV、b^PV、a^W和b^W可以由(1-3)和(1-4)表示：

式中，Γ()是伽马函数；

表示t时刻光伏发电机输出的预测功率；

表示光伏发电机的额定功率；

表示t时刻风力发电机输出的预测功率；

表示风力发电机的额定功率；a^PV和b^PV是与光伏发电预测功率有关的伽马函数形状参数；a^W和b^W表示与风力发电预测功率有关伽马函数形状参数；μ^PV表示光伏发电预测功率有关的贝塔分布的数学期望；σ^PV表示与光伏发电预测功率有关的贝塔分布的标准差；μ^W表示与风力发电预测功率有关的贝塔分布的数学期望；σ^W表示与风力发电预测功率有关的贝塔分布的标准。

具体地，参看图8提供了混合储能系统的功率变化图，图8包括了风力发电机以及光伏发电机在一天24小时内随时间变化可以输出的预测功率，以及园区微电网在一天24小时内需求的常规电负荷功率，以及在需求制冷条件下，园区微电网在一天24小时内需求的制冷功率的曲线图。由图8可知，在一天24小时内园区微电网内的混合储能系统中各设备的功率变化是波动的，因此，本实施例通过功率波动变化的规律性，对混合储能系统进行调度，以达到合理配置资源的目的。

其中，伽马函数形状参数具体可以为a^PV＝6.5、b^PV＝16.5、a^W＝4.6和b^W＝11.0。

步骤S703，对可再生能源发电设备的预测功率进行抽样，以获取第二预测功率集，第二预测功率集包括第二目标数量的可再生能源发电场景的预测功率，第一目标数量少于第二目标数量。

具体地，在上述获取可再生能源设备的预测功率的基础上，采用蒙特卡洛抽样的方法获得第二目标数量(M个)可再生能源发电场景，其中，光伏发电的第二预测功率集合和风力发电的第二预测功率集合可以表示为：

具体地，

表示场景n中t时刻的光伏发电的预测功率，

表示场景n中t时刻的风力发电预测功率。其中，M可以是1000。

步骤S704，根据各场景之间的差异度对第二预测功率集中的场景数量进行缩减，以形成第一预测功率集。

具体地，步骤S704还包括了步骤S7041～S7044。

步骤S7041，计算任意场景n和场景n′之间的距离d_n,n′，并计算场景n和场景n′之间的差异度D_n，n′。d_n，n′和D_n，n′的计算可以由公式(2-1)和(1-2)表示：

D_n,n′＝d_n，n′ρ_n′…………(2-2)

式中，

是场景集均值；ρ_n′是场景n′的出现概率。

步骤S7042，针对差异度最小的场景n和场景n′，直接将场景n′并入到场景n中，并将场景n的出现概率设置为ρ_n＝ρ_n+ρ_n′。

步骤S7043，将场景n′从第二预测功率集中剔除。

步骤S7044，重复执行计算任意场景n和场景n′之间的距离d_n，n′步骤，直至第二预测功率集的场景数等于第一目标数量，以形成第一预测功率集。

具体地，重复继续执行步骤S7041、步骤S7042和步骤S7043，直至第二预测功率集的场景数等于第一目标数量(N)。

步骤S705，分别构建相变蓄冷材料的储能运行约束和热泵的运行约束。

具体地，本实施例中的相变蓄冷材料具有相变材料相同的物理化学性质，因此，在本实施例中，通过构建相变材料的储能运行约束，同样可以实现构建相变蓄冷材料的储能约束。具体地，相变材料比热容和温度的关系可以由公式(3)表示：

式中，

表示为相变材料t时刻的比热容；

表示为是相变材料t时刻的温度；

表示为相变材料相变过程的最低温度(15℃)；

表示为相变材料相变过程的最高温度(20℃)；k₀、k₁、k₂和k₃分别表示相变材料相变曲线参数；其中，相变材料相变曲线参数可以通过调用MATLAB软件中的polyfit函数拟合实验测试曲线得到。

其中，polyfit函数是MATLAB中用于进行曲线拟合的一个函数。其曲线拟合过程为：已知离散点上的数据集，即已知在点集上的函数值，构造一个解析函数使在原离散点上尽可能接近给定的值。

另外，上述相变材料比热容和温度的关系为非线性关系，本实施例中还可以可采用线性化技术将非线性关系转化为线性关系，以方便后续的求解过程。其中，公式(3-1)～(3-3)表示任一温度下的相变材料比热容可以由固定温度点对应的比热容的线性组合表示；公式(3-3)表达的是任意时刻相变材料的实际温度只能落在单一温度段；公式(3-4)表达的是各固定温度点对应的比热容权重之和等于1；而公式(3-5)～(3-8)限制了线性组合时只有相邻固定温度点下的比热容参与。

λ_t0≤u_t0…………(3-6)

λ_tS≤u_tS-1…………(3-7)

0≤λ_ts≤1…………(3-8)

式中，

表示的是把最高温度

和最低温度

之间的温度段均分S份后对应的第S点温度，其中S可以等于10；

则表示的是相变材料在温度为

时的比热容，并且，连续型变量λ_ts表示线性组合时的权重，而布尔型变量u_ts表示相变材料的实际温度是否落在了温度段

本实施例通过线性化处理，可将非线性关系函数转化为线性关系，有利于对目标函数的求解。

步骤S706，将相变蓄冷材料的储能运行约束和热泵的运行约束作为相变装置的第一运行约束。

在上述相变材料比热容和温度的关系的基础上，构建相变装置的第一运行约束。本实施例以相变装置中包括的相变蓄冷材料和热泵为例，具体地，可以由公式(4-1)～(4-6)表示相变蓄冷材料的运行约束以及热泵的运行约束。具体地，(4-1)～(4-2)表示相变蓄冷材料t时刻焓值和储能状态；(4-3)～(4-4)表示热泵运行时相变蓄冷材料的蓄冷和释冷功率平衡约束，可以理解的是，本实施例中的运行约束是整个相变装置，通过对热泵运行时相变蓄冷材料的蓄冷和释冷功率平衡约束即可达到对热泵的运行约束；(4-5)～(4-6)表示荷电状态(State of charge，SOC)的运行约束。

式中，

表示相变蓄冷材料在t时刻焓值；

表示相变蓄冷材料在t时刻储能状态；m^M是相变蓄冷材料质量，本实施例中m^M可以为60000kg；

是相变蓄冷材料温度等于

时对应的焓值；

是相变蓄冷材料在温度等于

时对应的储能，本实施例中

可以为3000kWh；

是热泵工作功率；η^pump是热泵的制冷效率；本实施例可以根据热泵铭牌参数获得η^pump＝2.6；

表示相变蓄冷材料在t时刻的蓄冷功率，

表示相变蓄冷材料在t时刻的释冷功率；

是园区建筑的制冷需求功率，该制冷需求功率可以直接取自历史数据，η^M是考虑热泄漏过程的相变材料能量留存率。本实施例中，可以通过分析园区无制冷需求时相变材料的温度变化速度得到η^M＝0.9；

表示相变蓄冷系统SOC的最小值(0.0)；

表示相变蓄冷系统SOC的最大值(1.0)。

步骤S707，建立蓄电池的第二运行约束。

对于蓄电池储能系统，其运行约束可以用(5-1)～(5-6)表示。其中，(5-1)～(5-3)限制了同一时刻蓄电池只能充电或放电，(5-4)表示蓄电池储能和充放电功率之间的关系，(5-5)～(5-6)是蓄电池SOC约束。

式中，

表示所述蓄电池的充电功率；

表示所述蓄电池的放电功率；

表示所述蓄电池的充电标志；

表示所述蓄电池的放电标志；

表示所述蓄电池的额定充电功率；

表示所述蓄电池的放电功率；

表示所述蓄电池t时刻的荷电状态；

表示所述蓄电池的储电量；

表示所述蓄电池的额定容量。本实施例中，

η^b是蓄电池充放电效率，可以为0.9；

表示蓄电池SOC最小值(0.1)，

则表示蓄电池SOC最大值(1.0)。

步骤S708，根据第一预测功率集、第一运行约束和第二运行约束，建立目标函数的约束条件。

具体地，目标函数的约束条件包括：对外联络线功率约束、功率平衡约束以及其他约束。

其中，对外联络线功率约束由公式(6-1)～(6-3)表示：

式中，

是微网对外联络线能够承载的最大功率；可以设为1000kW；

和

分别标志微网购电和售电行为。

功率平衡约束可以由公式(6-4)表示：

式中，

是t时刻常规电负荷功率；

是t时刻热泵工作电功率。

其他约束可以由公式(6-5)和(6-6)表示：

式中，

是热泵额定工作功率；

是热泵爬坡速率。例如，在本实施例中，热泵铭牌参数显示额定功率为600kW，爬坡速率为300kW/分钟。

步骤S709，根据第一预测功率集，构建以混合储能系统运行效率最高为目标的目标函数。

其中，调度的目标函数可以由公式(7)表示：

式中，

和

可以由公式(7-1)和(7-2)表示：

式中，T是调度周期，本实施例中可以为24小时；

表示场景n中t时刻微电网向外电网购入电能的成本；

表示场景n中t时刻蓄电池的运行成本；

表示场景n中t时刻微电网购入的电能功率；

表示场景n中t时刻微电网售出的电能功率；

表示当前购入电能的价格；

表示为当前售出的电能价格，p^b表示蓄电池充放电的成本；

表示场景n中t时刻蓄电池的充电功率；

表示场景n中t时刻蓄电池的放电功率。

步骤S710，根据约束条件获取目标函数的最优解，并根据最优解对混合储能系统进行调度。

具体地，基于上述获得的N个场景下的可再生能源发电功率，构建以园区微电网运行效率最高为目标的目标函数，并通过相变装置和蓄电池的运行约束、外联络线功率约束、功率平衡约束以及其他约束，采用求解器在约束条件范围内对目标函数进行求解，进而，从求解的结果中获得不同场景下的混合储能系统最优调度。

在本实施例中，采用Gurobi求解器对上述微电网调度的目标函数进行求解，其中，Gurobi求解器是新一代大规模数学规划优化器。并且为了加快以及方便求解器的求解过程，本实施例中还通过采用线性化技术对非线性的关系函数进行处理，提高了求解的效率。

具体地，本实施例通过求解目标函数后，获取到的最优解应用到园区微电网的相变装置和蓄电池中，可以参考如图9、图10和图11。其中，图9提供了蓄电池和相变装置的调度运行的输出功率变化图，结合图9可知，根据最优解获取的调度结果需要相变装置和电池协同参与；而图10提供了蓄电池和相变装置的调度运行后的SOC变化图，结合图10中混合储能系统的SOC在0～1之间浮动变化可知，本实施例可以实现微电网对可再生能源发电的合理的储能；最后，图11还提供了园区微电网从外电网购入的功率变化图，结合图11可知，微网向外电网购电功率主要集中在电价较低时段，降低了购电费用。

本实施例提出了一种混合储能系统的调度方法，充分考虑风力发电、光伏发电的随机性和波动性影响，采用蒙特卡洛抽样方法和场景削减法预测了可再生能源发电设备的预测功率。进一步地，构建以园区微电网运行效率最高为目标的目标函数，并以相变装置和蓄电池的运行约束，以及对外联络线功率、功率平衡和其他约束确定目标函数的求解范围。在此基础上，本发明还引入线性化技术将非线性的关系函数转化为经典的线性规划，最后采用Gurobi求解器求解。

本实施例发明的混合储能系统的调度方法充分发挥了相变装置中的相变蓄冷技术和蓄电池中的储电技术的协同优势，相较于传统基于单一储能的微网调度方法，不但显著提高了园区微电网的运行效率，而且在园区资源均衡利用方面也具备丰富的参考价值。

应该理解的是，虽然图1-图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图12所示，提供了一种混合储能系统的调度装置100，混合储能系统的调度装置100包括：功率预测模块110、函数构建模块120、最优调度模块130和函数求解模块140。其中，功率预测模块110用于预测并获取可再生能源发电设备的发电功率；函数构建模块120用于构建以混合储能系统运行效率最高为目标的目标函数；最优调度模块130用于根据预测功率和混合储能设备的运行条件，建立目标函数的约束条件；函数求解模块140用于根据约束条件获取目标函数的最优解，并根据最优解对混合储能系统进行调度。

关于混合储能系统的调度装置的具体限定可以参见上文中对于混合储能系统的调度方法的限定，在此不再赘述。上述混合储能系统的调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在其中一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。