CN114944661B - 一种基于储能系统滚动优化的微电网三阶段优化控制方法 - Google Patents

一种基于储能系统滚动优化的微电网三阶段优化控制方法 Download PDF

Info

Publication number
CN114944661B
CN114944661B CN202210817983.2A CN202210817983A CN114944661B CN 114944661 B CN114944661 B CN 114944661B CN 202210817983 A CN202210817983 A CN 202210817983A CN 114944661 B CN114944661 B CN 114944661B
Authority
CN
China
Prior art keywords
grid
micro
power
energy storage
storage system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210817983.2A
Other languages
English (en)
Other versions
CN114944661A (zh
Inventor
何正友
赵倩林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210817983.2A priority Critical patent/CN114944661B/zh
Publication of CN114944661A publication Critical patent/CN114944661A/zh
Application granted granted Critical
Publication of CN114944661B publication Critical patent/CN114944661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/40—The network being an on-board power network, i.e. within a vehicle
    • H02J2310/48—The network being an on-board power network, i.e. within a vehicle for electric vehicles [EV] or hybrid vehicles [HEV]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于微电网优化控制技术领域，涉及一种基于储能系统滚动优化的微电网三阶段优化控制方法；通过建立对微电网的数学模型，通过微电网价格型需求响应模型得到微电网用电负荷的日前调度策略；结合基础负荷运行曲线预测微电网次日各时段的分布式电源发电功率和电动汽车负荷区间范围，计算出BESS的滚动优化功率边界值，在BESS功率边界值中计算得到微电网日内调度方法；实时控制阶段，将BESS的滚动优化功率边界值传送到储能系统实时控制器中，实时控制器调整储能系统控制模式；本发明通过滚动优化跟踪风力发电、光伏发电和电动汽车的不确定性，计算储能系统的滚动功率边界值，使得储能系统消耗的吞吐量最少，延长储能系统的使用寿命。

Description

一种基于储能系统滚动优化的微电网三阶段优化控制方法
技术领域
本发明属于微电网优化控制技术领域，具体涉及一种基于储能系统滚动优化的微电网三阶段优化控制方法。
背景技术
今年来，由于环境污染和化石能源枯竭的压力与日俱增，可再生能源，如光伏发电、风力发电等的使用占比不断增加。同时，由于微电网在集成可再生能源和分布式负荷上的优异表现，微电网也得到了快速发展。然而可再生能源具有间歇性、波动性和不确定性，造成微电网功率和电压的波动，给微电网的稳定运行带来巨大挑战。为了缓解上述问题并提高可再生能源的利用率，电池储能系统(BESS)已成为微电网中不可或缺的一部分。但是由于频繁的充放电，会严重缩短电池的使用寿命，同时带来爆炸，火灾等严重的安全隐患，维护和更换BESS将会产生巨大的经济损失。在另一方面，随着微电网中可控负荷数量的增加，例如电动汽车数量的飞速增长，通过改变电价来激励消费者改变他们的用电习惯被作为是另一种平滑可再生能源功率输出的有效手段。现有延长BESS使用寿命和最大化微电网收益的方法未考虑电动汽车充放电随机性的影响，或BESS的功率上下限是固定值，这些方法这并不满足含高比例电动汽车的微电网优化控制，因为电动汽车的移动性和不确定性导致电动汽车实时状态和负荷功率难以预测，同时BESS固定的功率上下限会导致BESS的老化速度加快，缩短BESS的使用寿命。
发明内容
本发明提供一种基于储能系统滚动优化的微电网三阶段优化控制方法，拟解决背景技术中提到的因电动汽车的移动性和不确定性导致电动汽车实时状态和负荷功率难以预测，同时BESS固定的功率上下限会导致BESS的老化速度加快，缩短BESS的使用寿命的技术问题。
为解决上述技术问题，本发明采用的技术方案如下：
一种基于储能系统滚动优化的微电网三阶段优化控制方法，包括以下步骤：
步骤1：建立微电网价格型需求响应模型；建立微电网各组成部分的数学模型，以微电网运行成本最小为调度目标，通过微电网价格需求响应模型得到微电网用电负荷的日前调度策略；
步骤2：建立含风光电、光伏发电和电动汽车不确定性的日内协调调度模型，基于灵活调度型电动汽车数学模型，通过滚动优化计算下一个调度时段内储能系统滚功率边界值；
步骤3：通过储能控制器实时监测微电网母线电压值，并反馈给实时控制模型调整储能系统控制模式。
本发明通过建立对微电网各组成部分的数学模型，以微电网运行成本最小为调度目标，通过微电网价格型需求响应模型得到微电网用电负荷的日前调度策略；结合日前调度策略确定的基础负荷运行曲线，预测微电网次日每个时段的分布式电源发电功率和电动汽车负荷区间范围，以微电网运行成本最低为目标，计算出BESS的滚动优化功率边界值，从而在优化后的BESS功率边界值中重新计算得到微电网日内调度方法；在实时控制阶段，将BESS的滚动优化功率边界值传送到储能系统实时控制器中，并通过实时监测微电网母线电压判断微电网是否出现电压越限情况以调整BESS的控制方法，在更小时间尺度上抵抗由于风力发电、光伏发电和电动汽车等不确定性引起的电压波动；通过滚动优化跟踪风力发电、光伏发电和电动汽车的不确定性，计算确定储能系统的滚动功率边界值，使得储能系统消耗的吞吐量最少，延长储能系统的使用寿命。
优选的，建立所述微电网价格型需求响应模型的步骤如下所示：
结合微电网负荷用能特点，建立基于价格的微电网负荷需求弹性响应模型：
Figure GDA0004223130510000021
式中：
Figure GDA0004223130510000022
为t时刻参与价格型需求响应前的负荷，/>
Figure GDA0004223130510000023
为t时刻参与价格型需求响应后的负荷，αj,t为t时刻选择价格等级j的决策变量，Lj为价格等级j的响应率；
建立基于吞吐量的电池储能系统老化成本模型，通过累积吞吐量的线性化处理，计算得到储能系统的老化成本，所述电池储能系统老化成本模型具体如下：
Figure GDA0004223130510000024
Figure GDA0004223130510000025
式中：
Figure GDA0004223130510000026
为额定充放电深度下储能系统单位吞吐量的老化成本，CB为电池的总成本，L(DR)为在额定吞吐量下电池的寿命，QB为电池的容量，DR为电池的额定放电深度，ηC和ηD分别为电池的充电效率和放电效率，/>
Figure GDA0004223130510000027
为电池累积的老化成本，Γeff为额定放电深度下的有效吞吐量，/>
Figure GDA0004223130510000028
和/>
Figure GDA0004223130510000029
分别是t时刻累积的吞吐量和t-1时刻累积的吞吐量；
建立基于微电网负荷需求弹性响应模型和电池储能系统老化成本模型，在风力发电和光伏发电日前出力预测数据上，以微电网运行成本最小为目标，建立微电网日前调度的目标函数：
F:minCPV+CWT+CBESS+Cgrid-Crev；
式中：CPV为光伏发电成本，CWT为风力发电成本，CBESS储能系统老化成本，Cgrid是从主网的购电成本，Crev是微电网买电的收益。
优选的，储能系统的功率应该满足整个系统功率平衡，系统功率平衡约束表示为：
Figure GDA0004223130510000031
式中，
Figure GDA0004223130510000032
为光伏发电的输出功率，/>
Figure GDA0004223130510000033
为风力发电的输出功率，/>
Figure GDA0004223130510000034
为储能系统的输出功率，PEV,d为电动汽车放电功率，/>
Figure GDA0004223130510000035
为微电网从主网购电的功率，PEV,c为电动汽车充电功率，/>
Figure GDA0004223130510000036
为微电网向主网售电的功率。
本发明所述步骤1中的基于价格的需求响应策略模型，是采用逐步逼近的方法，优选的设计5个购电价格，并得到5个相应的需求响应率。而后用户通过自身对价格的敏感程度调整其负荷以响应微电网的电价，在新能源富余阶段，降低微电网电价，激励提高微电网此刻的负荷需求，缓解储能系统的消纳新能源的压力，实现提高新能源的消纳比例和减少储能系统老化损耗的目的；在新能源短缺时段，提高微电网电价，降低此时段内微电网的负荷需求，从而减少储能系统的老化损耗，提高系统运行的经济性。
优选的，所述日内协调调度模型的建立步骤如下所述：
步骤A.灵活调度型电动汽车通过充电桩连接到大电网中，并参与到微电网调度中，通过实时检测灵活调度型电动汽车的到站数据和出站数据，预测下一个调取区间内灵活调度型电动汽车负荷的波动范围，以量化灵活调度型电动汽车的不确定性，通过如下方式实现：
Figure GDA0004223130510000037
Figure GDA0004223130510000038
式中：
Figure GDA0004223130510000039
是电动汽车负荷上限，/>
Figure GDA00042231305100000310
是电动汽车负荷下限，ΔPEV(t+1)为t+1时刻必须充电的电动汽车负荷，N0(t+1)是t+1时刻新接入的电动汽车数量，N1(t+1)是t+1时刻满足放电条件的电动汽车数量，/>
Figure GDA00042231305100000311
为电动汽车的最大充电功率，/>
Figure GDA00042231305100000312
为电动汽车的最大放电功率；
步骤B.滚动优化的时间窗口为M分钟，考虑风力发电、光伏发电和电动汽车的不确定性预测电动汽车在下一个时间段内的负荷区间，通过滚动优化程序计算得到储能系统滚动充电功率和放电功率的限值为：
Figure GDA00042231305100000313
Figure GDA00042231305100000314
式中：
Figure GDA00042231305100000315
是BESS放电功率上限值，/>
Figure GDA00042231305100000316
是BESS充电功率上限值。
本发明在所述步骤2中的基于灵活调度型电动汽车模型建立的BESS出力滚动优化策略，在日内调度阶段引入灵活调度型电动汽车模型，由上一个调度时间段内电动汽车的充放电状态、到站数据和出站数据来得到下一个滚动窗口内电动汽车的充放电区间预测数据。在保证微电网负荷平衡的基础上，通过滚动优化程序得到各时段BESS的出力边界。通过上述建立的灵活调度型电动汽车模型，充分发挥电动汽车的源荷二重性，使电动汽车参与微电网调度，计算得到下一个调度时间段内电动汽车的充放电区间预测数据，量化了电动汽车的不确定性。与常见的BESS出力边界为固定值相比，滚动功率限值能保证储能所消耗的吞吐量最小，微电网运行成本最小。所述量化电动汽车出力不确定的滚动优化方法由以下几个步骤组成：
进一步的，步骤C.在日内调度阶段，储能系统的约束条件变为滚动优化控制，具体为：
Figure GDA0004223130510000041
Figure GDA0004223130510000042
式中：PBESS,c(t)为电动汽车t时刻的充电功率，PBESS,d(t)为电动汽车t时刻的放电功率，
Figure GDA0004223130510000043
为电动汽车充电功率的上限，/>
Figure GDA0004223130510000044
为电动汽车放电功率的上限。
通过滚动优化BESS的滚动边界，与固定边界相比，能进一步限制BESS的出力，从而在保证微电网功率平衡的基础上，使储能系统老化损失最小，提高微电网运行的经济性。
优选的，所述实时控制模型的建立包括以下步骤：
步骤A.通过储能控制器实时监测微电网母线电压值，当执行第二阶段日内调度策略，微电网母线电压未越限时，BESS实时控制模块为功率控制模式，BESS输出功率等于日内调度结果，控制方程为；
Figure GDA0004223130510000045
式中：PB(t)为BESS的实时功率输出指令，
Figure GDA0004223130510000046
为第二阶段日内BESS功率调度结果，Udc是微电网母线电压实时测量值，Udc,min是微电网电压波动范围内允许的母线电压最小值，Udc,max是微电网电压波动范围内允许的母线电压最大值；
步骤B.当执行第二阶段日内调度策略，当微电网母线电压越限时，BESS实时控制模块为功率控制模式，重新计算储能系统的输出功率，避免微电网母线电压越限情况的发生，控制方程为：
Figure GDA0004223130510000047
式中：
Figure GDA0004223130510000048
是微电网母线额定电压，r是下垂控制中的下垂系数，PB,*是BESS额定输出功率值，Udc,min是微电网电压波动范围内允许的母线电压最小值，Udc,max是微电网电压波动范围内允许的母线电压最大值，Udc是微电网母线电压实时测量值。
本发明在所述步骤3中的基于BESS的滚动优化功率边界值建立BESS实时控制方法模型，通过实时监测微电网母线电压，以消除在更小时间尺度上由于风力发电、光伏发电和电动汽车等不确定性引起的电压波动。当微电网母线电压在允许波动范围内时，采用功率控制，BESS执行日内调度策略；当微电网母线电压超过允许的波动范围时，通过下垂控制重新计算BESS的输出功率，避免了微电网母线电压越限情况的发生，以消除更短时间尺度上可再生能源和电动汽车不确定性带来的电压波动。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.通过建立灵活调度型电动汽车模型，准确预测电动汽车的负荷区间。
2.通过滚动优化程序跟踪实现风力发电、光伏发电和电动汽车的不确定性，计算确定储能系统的滚动功率边界值，使得储能系统消耗的吞吐量最少，延长储能系统的使用寿命。
3.结合实时阶段的控制，从多个时间尺度上平滑可再生能源的出力，提高微电网运行的经济性和稳定性。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为本发明的基于储能系统滚动功率优化的微电网三阶段优化控制方法流程图。
图2为本发明的日前调度优化结果。
图3为本发明的日内电动汽车区间负荷区间预测结果。
图4为本发明的日内BESS滚动优化上下限和出力结果。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面结合附图1和附图4对本发明的实施例作详细描述；
一种基于储能系统滚动优化的微电网三阶段优化控制方法，包括以下步骤：
步骤1：建立微电网价格型需求响应模型；建立微电网各组成部分的数学模型，以微电网运行成本最小为调度目标，通过微电网价格需求响应模型得到微电网用电负荷的日前调度策略；
所述微电网各组成部分的数学模型包括电动汽车的数学模型、储能系统老化成本的数学模型、光伏发电的数学模型以及风力发电的数学模型；
所述电动汽车的数学模型：
Figure GDA0004223130510000061
式中：Tin和Tout分别是电动汽车接入和接出充电桩的时间，PEV,c和PEV,d分别是电动汽车充电功率和放电功率，QEV为电动汽车容量，
Figure GDA0004223130510000062
是电动汽车刚接入充电站时的荷电状态，/>
Figure GDA0004223130510000063
是电动汽车用户期望的离开荷电状态；
储能系统老化成本的数学模型：
Figure GDA0004223130510000064
Figure GDA0004223130510000065
式中：
Figure GDA0004223130510000066
为额定充放电深度下储能系统单位吞吐量的老化成本，CB为电池的总成本，L(DR)为在额定吞吐量下电池的寿命，QB为电池的容量，DR为电池的额定放电深度，ηC和ηD分别为电池的充电效率和放电效率，/>
Figure GDA0004223130510000067
为电池累积的老化成本，Γeff为额定放电深度下的有效吞吐量，/>
Figure GDA0004223130510000068
和/>
Figure GDA0004223130510000069
分别是t时刻累积的吞吐量和t-1时刻累积的吞吐量；
光伏发电的数学模型：
Figure GDA00042231305100000610
式中，
Figure GDA00042231305100000611
是光伏系统的有功功率输出，/>
Figure GDA00042231305100000612
是标准实验条件下的最大输出功率，ni是第i个光伏电站中光伏板的数量，Ii.M是第i个光伏板上的光照辐射度，ISTC是在标准实验条件下的额定光照辐射度，k是温度系数，TSTC是环境温度，Ti,M是环境参考温度；
风力发电的数学模型：
Figure GDA00042231305100000613
式中：PW是风力发电的有功功率输出，Pr是标准实验条件下的额定输出功率，vin和vout分别是风力发电系统接入和切断的风速，v是响应时间的风速。
建立所述微电网价格型需求响应模型的步骤如下所示：
结合微电网负荷用能特点，建立基于价格的微电网负荷需求弹性响应模型：
Figure GDA0004223130510000071
式中：
Figure GDA0004223130510000072
为t时刻参与价格型需求响应后的负荷，/>
Figure GDA0004223130510000073
为t时刻参与价格型需求响应前的负荷，αj,t为t时刻选择价格等级j的决策变量，Lj为价格等级j的响应率；
建立基于吞吐量的电池储能系统老化成本模型，通过累积吞吐量的线性化处理，计算得到储能系统的老化成本，所述电池储能系统老化成本模型具体如下：
Figure GDA0004223130510000074
Figure GDA0004223130510000075
式中：
Figure GDA0004223130510000076
为额定充放电深度下储能系统单位吞吐量的老化成本，CB为电池的总成本，L(DR)为在额定吞吐量下电池的寿命，QB为电池的容量，DR为电池的额定放电深度，ηC和ηD分别为电池的充电效率和放电效率，/>
Figure GDA0004223130510000077
为电池累积的老化成本，Γeff为额定放电深度下的有效吞吐量，/>
Figure GDA0004223130510000078
和/>
Figure GDA0004223130510000079
分别是t时刻累积的吞吐量和t-1时刻累积的吞吐量；
建立基于微电网负荷需求弹性响应模型和电池储能系统老化成本模型，在风力发电和光伏发电日前出力预测数据上，以微电网运行成本最小为目标，建立微电网日前调度的目标函数；在日前调度阶段，设置优化调度目标是微电网总运行成本最小，包括光伏发电和风力发电的发电成本、储能系统的老化成本和售购电的成本，因此微电网日前调度阶段的目标函数如下：
F:minCPV+CWT+CBESS+Cgrid-Crev；
式中：CPV为光伏发电成本，CWT为风力发电成本，CBESS储能系统老化成本，Cgrid是从主网的购电成本，Crev是微电网买电的收益。
同时应该满足系统功率平衡约束和微电网中每个组件的运行约束，具体为：
系统功率平衡约束：
Figure GDA00042231305100000710
式中：
Figure GDA00042231305100000713
为光伏发电的输出功率，/>
Figure GDA00042231305100000714
为风力发电的输出功率，/>
Figure GDA00042231305100000711
为储能系统的输出功率，PEV,d为电动汽车放电功率，/>
Figure GDA00042231305100000712
为微电网从主网购电的功率，PEV,c为电动汽车充电功率，/>
Figure GDA0004223130510000081
为微电网向主网售电的功率，PLD为负荷功率。
在运行过程中，储能系统应该满足的约束条件：
①BESS的运行约束条件：
Figure GDA0004223130510000082
Figure GDA0004223130510000083
Figure GDA0004223130510000084
式中，PBESS,c为BESS的充电功率，
Figure GDA0004223130510000085
为BESS充电功率的最大值，PBESS,d为BESS的放电功率，/>
Figure GDA0004223130510000086
为BESS放电功率的最大值，/>
Figure GDA0004223130510000087
为BESS允许的SOC最小值，/>
Figure GDA0004223130510000088
为BESS允许的SOC最大值，/>
Figure GDA0004223130510000089
为t时刻BESS的SOC值。
②EV的运行约束条件：
Figure GDA00042231305100000810
Figure GDA00042231305100000811
Figure GDA00042231305100000812
Figure GDA00042231305100000813
式中，
Figure GDA00042231305100000814
为EV充电功率的最大值，/>
Figure GDA00042231305100000815
为EV放电功率的最大值，/>
Figure GDA00042231305100000816
为EV允许的SOC最小值，/>
Figure GDA00042231305100000817
为EV允许的SOC最大值，/>
Figure GDA00042231305100000818
为t时刻EV的SOC值。
EV的最后一个约束条件要求电动汽车在接入微电网参与调度的过程中充电能量大于放电能量。
同时应该满足系统功率平衡约束和微电网中每个组件的运行约束，具体为：
系统功率平衡约束：
Figure GDA00042231305100000819
式中：
Figure GDA00042231305100000820
为光伏发电的输出功率，/>
Figure GDA00042231305100000821
为风力发电的输出功率，/>
Figure GDA00042231305100000822
为储能系统的输出功率，PEV,d为电动汽车放电功率，/>
Figure GDA00042231305100000823
为微电网从主网购电的功率，PEV,c为电动汽车充电功率，/>
Figure GDA00042231305100000824
为微电网向主网售电的功率，PLD为负荷功率。
如图2所示，电动汽车利用V2G技术和BESS可在电价高峰时刻输出电功率，在电价低谷时刻充电，减少系统的购电量和促进消纳新能源，提高微电网运行的经济性。
本发明所述步骤1中的基于价格的需求响应策略模型，是采用逐步逼近的方法，优选的设计5个购电价格，并得到5个相应的需求响应率。而后用户通过自身对价格的敏感程度调整其负荷以响应微电网的电价，在新能源富余阶段，降低微电网电价，激励提高微电网此刻的负荷需求，缓解储能系统的消纳新能源的压力，实现提高新能源的消纳比例和减少储能系统老化损耗的目的；在新能源短缺时段，提高微电网电价，降低此时段内微电网的负荷需求，从而减少储能系统的老化损耗，提高系统运行的经济性。
步骤2：基于微电网历史负荷数据，结合上述风电、光伏发电模型，以15分钟为调度区间，预测微电网次日每个时段的分布式电源发电功率，所述分布式电源发电功率数据包括光伏发电数据
Figure GDA0004223130510000091
风机发电数据PW；日内调度阶段建立灵活调度电动汽车的数学模型，通过实时接入电动汽车的到站数据和出站数据，以15分钟为滚动时间窗口，通过滚动优化得到未来15分钟的电动汽车负荷预测区间，如图2所示
在日内调度阶段，基于灵活调度型电动汽车模型预测下一个调度区间内电动汽车负荷上下限，考虑风力发电、光伏发电和电动汽车的出力不确定性，通过滚动优化计算出BESS的出力边界约束，所述BESS出力滚动优化模型采用如下方法获得：
输入系统中运行的电动汽车数量Nev，根据历史数据中电动汽车的出行数据，分析得到电动汽车出行时刻和返回时刻满足正态分布，利用电动汽车出行时刻的概率分布曲线，得到每辆电动汽车的出行时刻tin和返回时刻tout；基于灵活调度型电动汽车模型将电动汽车的不确定性转换为电动汽车负荷上下限，具体为：
Figure GDA0004223130510000092
Figure GDA0004223130510000093
式中：
Figure GDA0004223130510000094
是电动汽车负荷上限，/>
Figure GDA0004223130510000095
是电动汽车负荷下限，ΔPEV(t+1)为t+1时刻必须充电的电动汽车负荷，N0(t+1)是t+1时刻新接入的电动汽车数量，N1(t+1)是t+1时刻满足放电条件的电动汽车数量；
基于预测的电动汽车负荷上下限值，通过微电网系统功率平衡得到储能系统的滚动优化功率边界值，具体为：
Figure GDA0004223130510000096
Figure GDA0004223130510000097
式中：
Figure GDA0004223130510000098
是BESS放电功率上限值，/>
Figure GDA0004223130510000099
是BESS充电功率上限值。
以微电网运行成本最小为调度目标，得到日前电价定价方案和基本负荷调度策略，同时更新在日内调度阶段储能系统功率边界值中，具体为：
Figure GDA0004223130510000101
Figure GDA0004223130510000102
式中：PBESS,c(t)为电动汽车t时刻的充电功率，PBESS,d(t)为电动汽车t时刻的放电功率，
Figure GDA0004223130510000103
为电动汽车充电功率的上限，/>
Figure GDA0004223130510000104
为电动汽车放电功率的上限。
如图3和图4所示，利用电动汽车负荷特性建立灵活调度模型，得到未来一个小时的电动汽车负荷预测区间，计算出BESS的滚动优化功率上下限，限制BESS在各时段的输出电功率，最小化BESS的老化损失，提高BESS运行寿命，提高微电网的稳定性和最小化微电网运行成本。
本发明在所述步骤2中的基于灵活调度型电动汽车模型建立的BESS出力滚动优化策略，在日内调度阶段引入灵活调度型电动汽车模型，由上一个调度时间段内电动汽车的充放电状态、到站数据和出站数据来得到下一个滚动窗口内电动汽车的充放电区间预测数据。在保证微电网负荷平衡的基础上，通过滚动优化程序得到各时段BESS的出力边界。通过上述建立的灵活调度型电动汽车模型，充分发挥电动汽车的源荷二重性，使电动汽车参与微电网调度，计算得到下一个调度时间段内电动汽车的充放电区间预测数据，量化了电动汽车的不确定性。与常见的BESS出力边界为固定值相比，滚动功率限值能保证储能所消耗的吞吐量最小，微电网运行成本最小。所述量化电动汽车出力不确定的滚动优化方法由以下几个步骤组成：
步骤3：通过储能控制器实时监测微电网母线电压值，并反馈给实时控制模型调整储能系统控制模式。
所述实时控制模型的建立包括以下步骤：
步骤A.通过储能控制器实时监测微电网母线电压值，当执行第二阶段日内调度策略，微电网母线电压未越限时，BESS实时控制模块为功率控制模式，BESS输出功率等于日内调度结果，控制方程为；
Figure GDA0004223130510000105
式中：PB(t)为BESS的实时功率输出指令，
Figure GDA0004223130510000106
为第二阶段日内BESS功率调度结果，Udc是微电网母线电压实时测量值，Udc,min是微电网电压波动范围内允许的母线电压最小值，Udc,max是微电网电压波动范围内允许的母线电压最大值；
步骤B.当执行第二阶段日内调度策略，当微电网母线电压越限时，BESS实时控制模块为功率控制模式，重新计算储能系统的输出功率，避免微电网母线电压越限情况的发生，控制方程为：
Figure GDA0004223130510000111
式中：
Figure GDA0004223130510000112
是微电网母线额定电压，r是下垂控制中的下垂系数，PB,*是BESS额定输出功率值，Udc,min是微电网电压波动范围内允许的母线电压最小值，Udc是微电网母线电压实时测量值。
在实时控制阶段，将BESS的滚动优化功率边界值传送到控制器中，通过储能控制器实时监测微电网母线电压值，当执行第二阶段日内调度策略，微电网母线电压未越限时，BESS实时控制模块为功率控制模式，BESS输出功率等于日内调度结果，否则，重新计算储能系统的出力值。通过实时控制实现在更小时间尺度上的抵抗由于风力发电、光伏发电和电动汽车等不确定性引起的电压波动。
本发明在所述步骤3中的基于BESS的滚动优化功率边界值建立BESS实时控制方法模型，通过实时监测微电网母线电压，以消除在更小时间尺度上由于光伏发电、光伏发电和电动汽车等不确定性引起的电压波动。当微电网母线电压在允许波动范围内时，采用功率控制，BESS执行日内调度策略；当微电网母线电压超过允许的波动范围时，通过下垂控制重新计算BESS的输出功率，避免了微电网母线电压越限情况的发生，以消除更短时间尺度上可再生能源和电动汽车不确定性带来的电压波动。
本发明通过建立对微电网各组成部分的数学模型，以微电网运行成本最小为调度目标，通过微电网价格型需求响应模型得到微电网用电负荷的日前调度策略；结合日前调度策略确定的基础负荷运行曲线，预测微电网次日每个时段的分布式电源发电功率和电动汽车负荷区间范围，以微电网运行成本最低为目标，计算出BESS的滚动优化功率边界值，从而在优化后的BESS功率边界值中重新计算得到微电网日内调度方法；在实时控制阶段，将BESS的滚动优化功率边界值传送到储能系统实时控制器中，并通过实时监测微电网母线电压判断微电网是否出现电压越限情况以调整BESS的控制方法，在更小时间尺度上抵抗由于风力发电、光伏发电和电动汽车等不确定性引起的电压波动；通过滚动优化跟踪风力发电、光伏发电和电动汽车的不确定性，计算确定储能系统的滚动功率边界值，使得储能系统消耗的吞吐量最少，延长储能系统的使用寿命。
仿真验证
本发明采用直流微网连接12.66kV主网，验证了所提基于储能系统滚动功率优化的微电网三阶段优化控制方法的有效性。微电网运行成本和微电网组件参数见表1，价格引导的需求响应等级设置如表2所示。
表1微电网运行参数
参数 单位 数值
光伏/风机/BESS运行成本 ￥/kW 0.008/0.01/0.6
电动汽车放电补偿费用 ￥/kW 0.25
BESS容量 kWh 2000
BESS最大出力 kW 400
电动汽车的期望SOC值 - 0.8
微电网额定电压 V 650
下垂系数 - 0.004
表2价格引导的需求响应等级
价格等级 价格率 负荷响应率
1 0.6 1.21
2 0.8 1.09
3 1 1.0
4 1.2 0.93
5 1.4 0.88
为了进一步验证所提出的基于储能系统滚动功率优化的微电网三阶段优化控制方法的有效性，利用未加入BESS滚动功率优化的两阶段优化策略进行了比较分析，仿真结果如下所示：
方法1：基于储能系统滚动功率优化的微电网三阶段优化控制方法。
方法2：未加入BESS滚动功率优化的两阶段优化策略。
仿真试验结果如表3所示
表3仿真结果对比
方法 微电网总利润/￥ 电动汽车充电费用/￥ BESS吞吐量/Ah
1 5252.47 10907.46 3589.79
2 5175.92 10967.61 5727
结果证明，所提出的三阶段控制方法具有最大的效益和最小的BESS老化成本。相比之下，方法1和方法2的微电网收益相近，但方法1中BESS的消耗量明显低于方法2，这验证了储能系统滚动优化限制可以有效减少储能系统的老化损失。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，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。

Claims (5)

1.一种基于储能系统滚动优化的微电网三阶段优化控制方法，其特征在于，包括以下步骤：
步骤1：建立微电网价格型需求响应模型；建立微电网各组成部分的数学模型，以微电网运行成本最小为调度目标，通过微电网价格需求响应模型得到微电网用电负荷的日前调度策略；
步骤2：建立含风力发电、光伏发电和电动汽车不确定性的日内协调调度模型，基于灵活调度型电动汽车数学模型，通过滚动优化计算下一个调度时段内储能系统滚动功率边界值；
步骤3：通过储能控制器实时监测微电网母线电压值，并反馈给实时控制模型调整储能系统控制模式；
建立所述微电网价格型需求响应模型的步骤如下所示：
结合微电网负荷用能特点，所述微电网价格需求响应模型采用如下方程获得：
Figure FDA0004223130490000011
式中：
Figure FDA0004223130490000012
为t时刻参与价格型需求响应前的负荷，αj,t为t时刻选择价格等级j的决策变量，Lj为价格等级j的响应率，/>
Figure FDA0004223130490000013
为t时刻参与价格型需求响应后的负荷；
建立基于吞吐量的电池储能系统老化成本模型，通过累积吞吐量的线性化处理，计算得到储能系统的老化成本，所述电池储能系统老化成本模型具体如下：
Figure FDA0004223130490000014
Figure FDA0004223130490000015
式中：
Figure FDA0004223130490000016
为额定充放电深度下储能系统单位吞吐量的老化成本，CB为电池的总成本，L(DR)为在额定吞吐量下电池的寿命，QB为电池的容量，DR为电池的额定放电深度，ηC和ηD分别为电池的充电效率和放电效率，/>
Figure FDA0004223130490000017
为电池累积的老化成本，Γeff为额定放电深度下的有效吞吐量，/>
Figure FDA0004223130490000018
和/>
Figure FDA0004223130490000019
分别是t时刻累积的吞吐量和t-1时刻累积的吞吐量；
建立基于微电网负荷需求弹性响应模型和电池储能系统老化成本模型，在风力发电和光伏发电日前出力预测数据上，以微电网运行成本最小为目标，建立微电网日前调度的目标函数：
F:minCPV+CWT+CBESS+Cgrid-Crev；
式中：CPV为光伏发电成本，CWT为风力发电成本，CBESS储能系统老化成本，Cgrid是从主网的购电成本，Crev是微电网买电的收益；
所述日内协调调度模型的建立步骤如下所述：
步骤A.灵活调度型电动汽车通过充电桩连接到大电网中，并参与到微电网调度中，通过实时检测灵活调度型电动汽车的到站数据和出站数据，预测下一个调取区间内灵活调度型电动汽车负荷的波动范围，以量化灵活调度型电动汽车的不确定性，通过如下方式实现：
Figure FDA0004223130490000021
Figure FDA0004223130490000022
式中：
Figure FDA0004223130490000023
是电动汽车负荷上限，/>
Figure FDA0004223130490000024
是电动汽车负荷下限，ΔPEV(t+1)为t+1时刻必须充电的电动汽车负荷，N0(t+1)是t+1时刻新接入的电动汽车数量，N1(t+1)是t+1时刻满足放电条件的电动汽车数量，/>
Figure FDA0004223130490000025
为电动汽车的最大充电功率，/>
Figure FDA0004223130490000026
为电动汽车的最大放电功率；
步骤B.滚动优化的时间窗口为M分钟，考虑风力发电、光伏发电和电动汽车的不确定性预测电动汽车在下一个时间段内的负荷区间，通过滚动优化程序计算得到储能系统滚动充电功率和放电功率的限值为：
Figure FDA0004223130490000027
Figure FDA0004223130490000028
式中：
Figure FDA0004223130490000029
是BESS放电功率上限值，/>
Figure FDA00042231304900000210
是BESS充电功率上限值，PLD是微电网的负荷，/>
Figure FDA00042231304900000211
是光伏出力下限，/>
Figure FDA00042231304900000212
是风机出力下限，/>
Figure FDA00042231304900000213
是光伏出力上限，/>
Figure FDA00042231304900000214
是风机出力上限，Pgrid为微电网与主网的交换功率，/>
Figure FDA00042231304900000215
是电动汽车负荷上限，/>
Figure FDA00042231304900000216
是电动汽车负荷下限。
2.根据权利要求1所述的一种基于储能系统滚动优化的微电网三阶段优化控制方法，其特征在于，储能系统应该满足系统功率平衡，储能系统的功率约束表示为：
Figure FDA00042231304900000217
式中，
Figure FDA00042231304900000218
为光伏发电的输出功率，/>
Figure FDA00042231304900000219
为风力发电的输出功率，/>
Figure FDA00042231304900000220
为t时刻参与价格型需求响应前的负荷功率，/>
Figure FDA00042231304900000221
为储能系统的输出功率，PEV,d为电动汽车放电功率，/>
Figure FDA00042231304900000222
为微电网从主网购电的功率，PEV,c为电动汽车充电功率，/>
Figure FDA00042231304900000223
为微电网向主网售电的功率。
3.根据权利要求1所述的一种基于储能系统滚动优化的微电网三阶段优化控制方法，其特征在于，所述日内协调调度模型的建立还包括步骤C：
步骤C.在日内调度阶段，储能系统的约束条件变为滚动优化控制，具体为：
Figure FDA00042231304900000224
Figure FDA0004223130490000031
式中：PBESS,c为BESS的充电功率，
Figure FDA0004223130490000032
为BESS充电功率上限值，PBESS,d为BESS的放电功率，/>
Figure FDA0004223130490000033
为BESS放电功率上限值。
4.根据权利要求1所述的一种基于储能系统滚动优化的微电网三阶段优化控制方法，其特征在于，所述实时控制模型的建立包括以下步骤：
步骤A.通过储能控制器实时监测微电网母线电压值，当执行第二阶段日内调度策略，微电网母线电压未越限时，BESS实时控制模块为功率控制模式，BESS输出功率等于日内调度结果，控制方程为；
Figure FDA0004223130490000034
Udc,min≤Udc≤Udc，max；
式中：PB(t)为BESS的实时功率输出指令，
Figure FDA0004223130490000035
为第二阶段日内BESS功率调度结果，Udc是微电网母线电压实时测量值，Udc,min是微电网电压波动范围内允许的母线电压最小值，Udc,max是微电网电压波动范围内允许的母线电压最大值；
步骤B.当执行第二阶段日内调度策略，当微电网母线电压越限时，BESS实时控制模块为功率控制模式，重新计算储能系统的输出功率，避免微电网母线电压越限情况的发生，控制方程为：
Figure FDA0004223130490000036
Udc>Udc，max or Udc<Udc,min
式中：
Figure FDA0004223130490000037
是微电网母线额定电压，r是下垂控制中的下垂系数，PB,*是BESS额定输出功率值，Udc,min是微电网电压波动范围内允许的母线电压最小值，Udc是微电网母线电压实时测量值。
5.根据权利要求1所述的一种基于储能系统滚动优化的微电网三阶段优化控制方法，其特征在于，所述微电网各组成部分的数学模型包括电动汽车的数学模型、储能系统老化成本的数学模型、光伏发电的数学模型以及风力发电的数学模型；
所述电动汽车的数学模型：
Figure FDA0004223130490000038
式中：Tin和Tout分别是电动汽车接入和接出充电桩的时间，PEV,c和PEV,d分别电动汽车充电功率和放电功率，QEV为电动汽车容量，
Figure FDA0004223130490000039
是电动汽车刚接入充电站时的荷电状态，
Figure FDA00042231304900000310
是电动汽车用户期望的离开荷电状态；
储能系统老化成本的数学模型：
Figure FDA0004223130490000041
Figure FDA0004223130490000042
式中：
Figure FDA0004223130490000043
为额定充放电深度下储能系统单位吞吐量的老化成本，CB为电池的总成本，L(DR)为在额定吞吐量下电池的寿命，QB为电池的容量，DR为电池的额定放电深度，ηC和ηD分别为电池的充电效率和放电效率，/>
Figure FDA0004223130490000044
为电池累积的老化成本，Γeff为额定放电深度下的有效吞吐量，/>
Figure FDA0004223130490000045
和/>
Figure FDA0004223130490000046
分别是t时刻累积的吞吐量和t-1时刻累积的吞吐量；
光伏发电的数学模型：
Figure FDA0004223130490000047
式中，
Figure FDA0004223130490000048
是光伏系统的有功功率输出，/>
Figure FDA0004223130490000049
是标准实验条件下的最大输出功率，ni是第i个光伏电站中光伏板的数量，Ii.M是第i个光伏板上的光照辐射度，ISTC是在标准实验条件下的额定光照辐射度，k是温度系数，TSTC是环境温度，Ti,M是环境参考温度；
风力发电的数学模型：
Figure FDA00042231304900000410
式中：PW是风力发电的有功功率输出，Pr是标准实验条件下的额定输出功率，vin和vout分别是风力发电系统接入和切断的风速，v是响应时间的风速。
CN202210817983.2A 2022-07-13 2022-07-13 一种基于储能系统滚动优化的微电网三阶段优化控制方法 Active CN114944661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210817983.2A CN114944661B (zh) 2022-07-13 2022-07-13 一种基于储能系统滚动优化的微电网三阶段优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210817983.2A CN114944661B (zh) 2022-07-13 2022-07-13 一种基于储能系统滚动优化的微电网三阶段优化控制方法

Publications (2)

Publication Number Publication Date
CN114944661A CN114944661A (zh) 2022-08-26
CN114944661B true CN114944661B (zh) 2023-06-20

Family

ID=82910889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210817983.2A Active CN114944661B (zh) 2022-07-13 2022-07-13 一种基于储能系统滚动优化的微电网三阶段优化控制方法

Country Status (1)

Country Link
CN (1) CN114944661B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115473251B (zh) * 2022-09-22 2024-05-17 中国长江三峡集团有限公司 一种电池储能系统的功率优化控制方法、装置及电子设备
CN115864611B (zh) * 2023-02-24 2023-08-08 国网浙江省电力有限公司宁波市北仑区供电公司 储能电池安全储能管理方法、系统、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107196294A (zh) * 2017-06-16 2017-09-22 国网江苏省电力公司电力科学研究院 源网荷互动模式下微电网多时间尺度自适应能量调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108667012A (zh) * 2018-05-21 2018-10-16 国网山东省电力公司电力科学研究院 基于多场景的区域能源互联网源荷储双阶段协调优化方法
CN110097237A (zh) * 2019-06-14 2019-08-06 广东电网有限责任公司 一种基于电动汽车和多能源的主配网协调调度优化方法
CN112101607A (zh) * 2019-06-18 2020-12-18 华北电力大学（保定） 一种考虑需求响应时间效应的主动配电网滚动优化调度方法
CN110417006B (zh) * 2019-07-24 2023-01-06 三峡大学 一种综合能源系统多时间尺度能量调度方法
CN112465181A (zh) * 2020-09-11 2021-03-09 国网天津市电力公司电力科学研究院 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN112668826A (zh) * 2020-11-04 2021-04-16 重庆邮电大学 计及ev双重不确定性的独立微电网模糊随机调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107196294A (zh) * 2017-06-16 2017-09-22 国网江苏省电力公司电力科学研究院 源网荷互动模式下微电网多时间尺度自适应能量调度方法

Also Published As

Publication number Publication date
CN114944661A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
Eldeeb et al. Multi-objective optimization technique for the operation of grid tied PV powered EV charging station
Hernández et al. Design criteria for the optimal sizing of a hybrid energy storage system in PV household-prosumers to maximize self-consumption and self-sufficiency
CN114944661B (zh) 一种基于储能系统滚动优化的微电网三阶段优化控制方法
CN108879746B (zh) 基于多时间尺度需求响应的集中式混合储能协调控制方法
CN113688567B (zh) 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法
Lee et al. Novel battery degradation cost formulation for optimal scheduling of battery energy storage systems
CN112952820B (zh) 考虑退役电池的智能社区微网超多目标能量管理方法
Yu et al. A real time energy management for EV charging station integrated with local generations and energy storage system
CN110807588B (zh) 一种多能源耦合综合能源系统的优化调度方法
Premadasa et al. An innovative approach of optimizing size and cost of hybrid energy storage system with state of charge regulation for stand-alone direct current microgrids
Schröder et al. Optimization of distributed energy resources for electric vehicle charging and fuel cell vehicle refueling
Nayak et al. Technoeconomic analysis of a grid-connected PV and battery energy storagesystem considering time of use pricing
CN107231001B (zh) 一种基于改进灰色预测的楼宇微网在线能量管理方法
CN111404206A (zh) 考虑投资回报约束的风光储发电系统容量双层规划方法
CN114243795A (zh) 一种典型充电站综合能源协同交互优化配置方法及系统
CN114036451A (zh) 一种并网式光储充装置的储能控制方法及系统
CN110739690A (zh) 考虑电动汽车快充站储能设施的配电网优化调度方法及系统
US20140142772A1 (en) Energy management system, energy management method, program, server apparatus, and local server
CN112086980A (zh) 考虑充电桩接入的公用配电变压器定容选型方法与系统
CN116307505A (zh) 一种企业微电网能量经济优化调度方法
CN115600793A (zh) 面向源网荷储一体化园区的协同控制方法及系统
Khoubseresht et al. An analytical optimum method for simultaneous integration of PV, wind turbine and BESS to maximize technical benefits
CN114154790A (zh) 基于需量管理和柔性负荷的工业园区光储容量配置方法
de Mattos Affonso et al. Probabilisitic sizing of PV generation on commercial parking lot with PEVs to avoid transformer aging
Amooi et al. Operation of an active distribution network with PV and storage battery and vehicle charge station and modeling of uncertainty with copula model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant