CN114977330A - 建筑分布式光伏-蓄电池系统连续运行调度方法及平台 - Google Patents

建筑分布式光伏-蓄电池系统连续运行调度方法及平台 Download PDF

Info

Publication number
CN114977330A
CN114977330A CN202210807216.3A CN202210807216A CN114977330A CN 114977330 A CN114977330 A CN 114977330A CN 202210807216 A CN202210807216 A CN 202210807216A CN 114977330 A CN114977330 A CN 114977330A
Authority
CN
China
Prior art keywords
scheduling
photovoltaic
building
decision
prediction
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.)
Granted
Application number
CN202210807216.3A
Other languages
English (en)
Other versions
CN114977330B (zh
Inventor
邹斌
彭晋卿
李厚培
曹静宇
罗伊默
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202210807216.3A priority Critical patent/CN114977330B/zh
Publication of CN114977330A publication Critical patent/CN114977330A/zh
Application granted granted Critical
Publication of CN114977330B publication Critical patent/CN114977330B/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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • H02J3/28—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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • 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
    • H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
    • 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)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请涉及储能调度技术领域，公开了一种建筑分布式光伏‑蓄电池系统连续运行调度方法及平台，包括：根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；根据光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；执行决策序列中位于最前的预设个数调度时段的决策，执行完毕后根据实测的光伏和负荷数据更新历史数据，同时更新电价信息；根据更新后的历史数据进行下一轮预测，并根据更新后的电价信息进行下一轮优化计算。这样可以减小预测误差与动态电价对调度策略的影响，确保每一次优化计算的控制时域不变，实现系统连续运行的优化调度。

Description

建筑分布式光伏-蓄电池系统连续运行调度方法及平台
技术领域
本发明涉及储能调度技术领域，特别是涉及一种建筑分布式光伏-蓄电池系统连续运行调度方法及平台。
背景技术
分布式光伏具备分散开发、就近消纳、灵活高效以及易与建筑结合的突出优点，成为了建筑领域应用最广泛的可再生能源形式。为克服光伏发电不稳定的缺点，结合蓄电池构成的分布式光伏-蓄电池储能系统成为了更为广泛的应用形式。分布式光伏-蓄电池储能系统让末端用户从能源消费者变成了能源产消者，其与电网之间的能量流通由传统的被动接受转变成主动交互，参与电力系统主动调节的能力显著提高。随着光伏渗透率的不断提高，分布式光伏-蓄电池储能系统的调度对电网以及用户用能的影响愈加明显。如何对分布式光伏-蓄电池储能系统进行合理准确的调度，是未来建筑能源系统运行管理至关重要的问题。
目前，关于分布式光伏-蓄电池储能系统优化调度主要有两种方式：一种是日前调度+日内修正的方式，该方法的大概思路是根据日前预测的光伏与负荷结果制定第二天整天的调度策略，然后在当天根据日内的超短期（比如半小时）预测结果去修正日前制定的调度计划；此方法只是针对每一天的优化调度，并未考虑相邻天的影响，也就是说并未考虑连续运行前后调度相互影响的问题，并且该方法日内修正主要还是以日前调度结果为基准，受日前唯一预测结果的影响很大。另一种是预测很多天（比如一周）的光伏与负荷分布，然后针对多日进行全局优化计算；该方法的预测时域（即预测的时间范围）很长并且只进行一次预测，通常会引起很大的预测误差，难以获得优异的调度结果；随着预测时域的增大，预测结果的误差不断增大，尤其是对于受天气影响极大的光伏发电而言，在易变天气条件下，长时域预测结果的误差会很大；因此，该方法比较适用于初步的能源规划，或者是天气状况和负荷分布很稳定的场合。此外，随着智能电网的发展，未来的电价将会是动态电价，即电力部门会根据每天各时刻用电量的变化而不断改变电价信息，这也会影响调度策略的制定。
因此，如何在优化过程中考虑前后调度时段的耦合影响，以及如何削弱预测误差与动态电价的影响，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种建筑分布式光伏-蓄电池系统连续运行调度方法及平台，可以实现系统连续运行调度，预测的光伏与负荷更加准确，电价信息也能及时调整。其具体方案如下：
一种建筑分布式光伏-蓄电池系统连续运行调度方法，包括：
根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；
根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；
执行所述决策序列中位于最前的预设个数调度时段的决策，执行完毕后根据实测的光伏和负荷数据更新所述历史数据，同时更新电价信息；
根据更新后的所述历史数据进行下一轮光伏发电与建筑负荷的预测，并根据更新后的所述电价信息进行下一轮所述决策序列的优化计算。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，所述根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测，包括：
根据当前时刻的气象参数、光伏发电功率以及建筑耗电负荷的历史数据，采用机器学习的方法建立光伏发电与建筑负荷的预测模型；
利用建立的预测模型对预测时域内的光伏发电与建筑负荷分布进行预测。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，所述采用机器学习的方法建立光伏发电与建筑负荷的预测模型，包括：
以太阳辐射为质心，采用K-均值算法对气象参数的历史数据进行聚类分析，形成不同的天气类型场景簇，并基于不同的所述天气类型场景簇，采用机器学习的方法建立相应的预测模型；
对于不同的建筑负荷，采用机器学习的方法建立相应的预测模型。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，在执行所述决策序列中位于最前的预设个数调度时段的决策的同时，还包括：
判断是否执行到最后一个调度时段；若是，则退出；若否，则向前滚动预设个数调度时段。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，所述执行所述决策序列中位于最前的预设个数调度时段的决策，包括：
将所述决策序列中位于最前的预设个数调度时段的决策对应的控制命令信号传送至光伏-蓄电池系统的充放电控制器，以控制蓄电池按照相应的决策进行充电或放电。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，在对控制时域内各调度时段的荷电状态进行优化的过程中，优化目标函数包括用户经济性、光伏消纳率、与电网交互功率；
约束条件包括能量平衡约束、充放电最大功率约束、蓄电池荷电状态上下限约束、电网取电和上网功率约束；
优化算法采用数学规划或智能优化算法；所述数据规划包括线性规划、动态规划；所述智能优化算法包括遗传算法、粒子群算法。
本发明实施例还提供了一种建筑分布式光伏-蓄电池系统连续运行调度平台，包括：光伏-蓄电池系统、配电网、双向电表、末端用户、入户电表以及中央处理器；所述中央处理器包括数据采集模块、源\荷预测模块、优化计算模块和通信模块；其中，
所述数据采集模块，用于采集当前时刻的历史数据；还用于在决策执行完毕后根据实测的光伏和负荷数据更新所述历史数据，同时更新电价信息；
所述源\荷预测模块，用于根据采集到的所述历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；还用于根据更新后的所述历史数据进行下一轮光伏发电与建筑负荷的预测；
所述优化计算模块，用于根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；所述优化计算模块的每一次优化计算都采用更新后的电价信息；
所述通信模块，用于执行所述决策序列中位于最前的预设个数调度时段的决策。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度平台中，所述光伏-蓄电池系统包括光伏板、蓄电池、逆变器、MPPT控制器和充放电控制器；
所述MPPT控制器，用于控制光伏组件在最大功率点运行并输出功率信息；
所述充放电控制器，用于接收所述中央处理器发出的控制命令信号，并根据所述控制命令信号，控制蓄电池按照相应的决策进行充电或放电。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度平台中，还包括：用于采集气象参数的气象采集仪器。
优选地，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度平台中，所述中央处理器具有外接接口；
所述外接接口，用于将控制程序导入所述优化计算模块；还用于将电价信息导入到所述优化计算模块。
从上述技术方案可以看出，本发明所提供的一种建筑分布式光伏-蓄电池系统连续运行调度方法，包括：根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；执行决策序列中位于最前的预设个数调度时段的决策，执行完毕后根据实测的光伏和负荷数据更新历史数据，同时更新电价信息；根据更新后的历史数据进行下一轮光伏发电与建筑负荷的预测，并根据更新后的电价信息进行下一轮决策序列的优化计算。
本发明提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法，整个优化调度过程是一个源\荷预测—优化计算—前几步（或一步）策略执行—滚动更新信息—源\荷预测不断循环的过程，通过滚动预测光伏与负荷和不断更新历史数据与电价信息，以及每次执行位于最前的预设个数（即前几个或第一个）调度时段策略的方式，可以提高预测的准确性，减小预测误差与动态电价对调度策略的影响；同时，确保每一次优化计算的控制时域不变，考虑调度前\后时段的相互影响，在每次执行前几个或第一个时段策略之后向前滚动，实现分布式光伏-蓄电池储能系统连续运行的优化调度。
此外，本发明还针对建筑分布式光伏-蓄电池系统连续运行调度方法提供了相应的平台，进一步使得上述方法更具有实用性，该平台具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的建筑分布式光伏-蓄电池系统连续运行调度方法的流程图；
图2为本发明实施例提供的滚动预测优化基本原理图；
图3为本发明实施例提供的建筑分布式光伏-蓄电池系统连续运行调度方法的具体流程图；
图4为本发明实施例提供的在不同时段的电价信息分析图；
图5为本发明实施例提供的动态规划原理示意图；
图6为本发明实施例提供的基于动态规划的经济性优化流程图；
图7为本发明实施例提供的方法与现有的逐日优化方法之间的优化结果对比图；
图8为本发明实施例提供的方法与现有的逐日优化方法之间的RMSE对比图；
图9为本发明实施例提供的方法与现有的逐日优化方法之间的MAPE对比图；
图10为本发明实施例提供的光伏实际值与预测值的对比图；
图11为本发明实施例提供的负荷实际值与预测值的对比图；
图12为本发明实施例提供的不同Case的费用变化图；
图13为本发明实施例提供的不同Case的R Pg 变化图；
图14为本发明实施例提供的各个Case的P g 变化对比图；
图15为本发明实施例提供的建筑分布式光伏-蓄电池系统连续运行调度平台的结构示意图。
具体实施方式
合理的调度策略（本发明指蓄电池充放电决策序列）对于建筑分布式光伏-蓄电池储能系统实现特定目标（如用户经济性最佳、光电消纳率最大、对电网影响最小等）至关重要。目前的调度策略主要面临两个问题：1）调度策略是基于预测的光伏发电和建筑负荷进行优化计算得到的，而目前光伏与负荷预测的精度有限，特别是随着预测时域的增大，预测误差也会增大，因此如何削弱预测误差的影响是待解决的第一个问题。2）分布式光伏-蓄电池储能系统是连续不断运行的，因此，其前\后各时段的调度策略是会相互影响的；尤其是在跨天调度时，前\后两天的调度也会相互影响，比如前一天光伏充足，蓄电池可多充电在第二天光伏不足时进行弥补，或者前一天光伏不足，蓄电池可多放电，第二天光伏充足时多充电；因此，如何在优化过程中考虑前\后调度时段的耦合影响是待解决的第二个问题。
为了解决上述问题，本发明提供了一种建筑分布式光伏-蓄电池系统连续运行调度方法。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的建筑分布式光伏-蓄电池系统连续运行调度方法，如图1所示，包括以下步骤：
S101、根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；
在实际应用中，预测时域指的是预测未来光伏发电与建筑负荷的时间段（时间长度）。在执行步骤S101时，基于当前时刻所有的历史数据，预测未来一段时间的光伏发电和建筑负荷分布。
S102、根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态（SOC）为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；
在实际应用中，控制时域是进行优化调度计算的时间段，其小于或等于预测时域。较佳地，控制时域等于预测时域。调度时段是指每只执行一次调度策略的时间步长，一般是分钟级。
需要指出的是，本发明在制定每个调度时段的控制策略时考虑了未来一段时间内各个调度时段内相应控制策略的影响，也就是说，每一次的优化计算必须是在足够长的控制时域内进行，该控制时域包含多个调度时段。
S103、执行决策序列中位于最前的预设个数调度时段的决策，执行完毕后根据实测的光伏和负荷数据更新历史数据，同时更新电价信息；
需要说明的是，预设个数可以是多个或一个，具体可以根据实际情况而设定；位于最前的预设个数可以理解为前几个或第一个，即位于最前的预设个数调度时段的决策可以设定为第一个调度时段的决策、前两个调度时段的决策、前三个调度时段的决策、前四个调度时段的决策或位于最前的其它个数调度时段的决策，在此可以根据实际情况而设定。
另外，需要说明的是，由于电力部门会根据每天各时刻用电量的变化而不断改变电价信息，以引导用户合理用电，因此本发明在确定调度策略时需要不断更新电价信息，从而及时调整相应的调度策略，使得调整后的调度策略更符合实际情况。
S104、根据更新后的历史数据进行下一轮光伏发电与建筑负荷的预测，并根据更新后的电价信息进行下一轮决策序列的优化计算。
具体地，首先根据更新后的历史数据进行下一轮光伏与负荷的预测，然后根据最新的电价信息进行下一轮预测时域内调度策略的优化计算，得到新的决策序列，继续执行前几个（或一个）决策，然后再一次滚动更新历史数据与电价信息，进行下下轮优化计算。
需要说明的是，当执行完前几个（或一个）时段内的控制策略后，控制时域则相应地向后推相应个（或一个）时段，进行下一轮优化计算，以确保每次优化调度都能考虑到一定时间（控制时域）范围内前后策略的相互影响，从而实现系统连续运行优化调度，而不仅仅只是考虑某一固定时间内（如一天）的优化调度。
在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，整个优化调度过程是一个源\荷预测—优化计算—前几步（或一步）策略执行—滚动更新信息—源\荷预测不断循环的过程，通过滚动预测光伏与负荷和不断更新历史数据与电价信息，以及每次执行前几个或第一个调度时段策略的方式，可以提高光伏与负荷预测的准确性，减小预测误差与动态电价对调度策略的影响；同时，确保每一次优化计算的控制时域不变，考虑调度前\后时段的相互影响，在每次执行前几个或第一个时段策略之后向前滚动，实现分布式光伏-蓄电池储能系统连续运行的优化调度，克服只考虑固定时长内的优化调度的缺陷。
本发明的滚动预测优化的基本原理如图2所示，图中上部的曲线分别表示预测的光伏（P pv ）与负荷（P de ）曲线，深色线表示t时刻预测的值，浅色线表示滚动到t+T R 时刻预测的值，其中T R 为控制时域（T R =m×τ），T表示预测时域（T=n×τ）；图中下部的阶梯状曲线表示优化得到的蓄电池充放电策略（功率P b ），实线部分表示每一次执行的策略，虚线部分表示未执行的部分；在整个运行过程中，光伏与负荷预测的结果每隔T R 就更新一次，蓄电池的控制策略也相应地进行优化更新。
进一步地，在具体实施时，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，步骤S101根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测，具体可以包括：根据当前时刻的气象参数、光伏发电功率以及建筑耗电负荷的历史数据，采用机器学习的方法建立光伏发电与建筑负荷的预测模型；利用建立的预测模型对预测时域内的光伏发电与建筑负荷分布进行预测。
对于光伏发电而言，不同的天气条件应采用不同的预测模型。因此，在具体实施时，上述步骤中采用机器学习的方法建立光伏发电与建筑负荷的预测模型，具体可以包括：以太阳辐射为质心，采用K-均值算法对气象参数的历史数据进行聚类分析，形成不同的天气类型场景簇，并基于不同的天气类型场景簇，采用机器学习的方法建立相应的预测模型；同理，对于不同的建筑负荷，如居住建筑负荷、办公建筑负荷等，采用机器学习的方法建立相应的预测模型。
在具体实施时，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，在步骤S103执行决策序列中位于最前的预设个数调度时段的决策的同时，还可以包括：判断是否执行到最后一个调度时段；若是，则退出，调度停止；若否，则向前滚动预设个数调度时段。
下面以图3为例，对本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法进行说明，具体步骤如下：
步骤一、假设当前时刻为t，每一个调度时段的时间步长为τ（一般为分钟级），预测时域和控制时域的时长均为T，包含n个调度时段，即T=n×τ，预设个数为m；
步骤二、根据当前所拥有的气象参数、光伏发电功率以及建筑耗电负荷的历史数据，采用机器学习的方法对未来（预测时域）的光伏发电和建筑负荷进行预测；
步骤三、基于预测的光伏与负荷分布结果，以各时刻蓄电池荷电状态（SOC）为决策变量，在控制时域内（等于预测时域）进行优化计算，得到蓄电池充放电优化决策集{SOC i ,(1, 2, ……,n)}；
步骤四、执行决策集中前m个决策（SOC 1,SOC 2, ……,SOC m ），一般而言m远小于n，可以等于1；实际应用时，m根据前后调度时段相互影响的程度以及光伏与负荷预测的精度确定，前后调度相互影响越小以及预测精度越高，m的值可以设置的越大；
步骤五、在执行决策的同时采集并存储执行时域（t~ t+m×τ）内真实的气象、光伏以及负荷数据，同时接收最新电价信息；
步骤六、判断是否执行到了最后一个调度时段（即需要停止调度的时刻），如果是的话，则退出程序，调度停止；如果否的话，则向前滚动m个时段，即：将t+m×τ设置成当前时刻（t=t+m×τ），利用前述执行决策期间实测的气象、光伏、负荷数据更新历史数据，同时更新电价信息；
步骤七、基于更新后的历史数据和电价信息，重复前述步骤一至步骤六，从而实现对分布式光伏-储能系统连续运行的优化控制。
进一步地，在具体实施时，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，步骤S103执行决策序列中位于最前的预设个数调度时段的决策，具体可以包括：将决策序列中位于最前的预设个数调度时段的决策对应的控制命令信号传送至光伏-蓄电池系统的充放电控制器，以控制蓄电池按照相应的决策进行充电或放电。
在具体实施时，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度方法中，在执行步骤S102对控制时域内各调度时段的荷电状态进行优化的过程中，优化变量为蓄电池在各时刻的荷电状态，即蓄电池的充放电策略；优化目标函数可以包括用户经济性、光伏消纳率、与电网交互功率；约束条件可以包括能量平衡约束、充放电最大功率约束、蓄电池荷电状态上下限约束、电网取电和上网功率约束；优化算法可以采用数学规划或智能优化算法；数据规划包括线性规划、动态规划等；智能优化算法包括遗传算法、粒子群算法等。
对于每一次的优化控制，本发明所提出的调度方法的实施过程如下：首先，基于当前所采集的历史数据，进行未来光伏与负荷预测；然后，基于所预测的光伏与负荷分布结果，在控制时域内进行优化计算，得到优化后的充放电策略；最后，执行前几步或第一步的决策，执行结束后根据实际的光伏与负荷数据更新历史数据，进行下一轮预测优化。下面以一个实例说明本发明的实施过程以及部分结果，需注意的是下述实例只是用于帮助理解本发明，对于本技术领域的相关人员来说，在不脱离本发明原理的前提下，可以对本发明进行改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
第一步、确定优化目标及约束条件；
本实例中光伏与负荷数据来自一户家庭的实测数据，光伏安装容量为5kW，蓄电池额定容量为12 kWh。控制的时间步长为5分钟（τ=5min），预测时域为24小时（T=24h），即288个时间步长（n=288），控制时域为30分钟（T R =30min），即6个步长（m=6），整个优化运行的时间为一个月（7月9日—8月8日）。本实例将同时考虑经济性与电网功率平滑性（内含光伏自消纳率最大和对电网影响最小两层意思）两个目标，即多目标优化，其优化目标函数如式（1）所示。
Figure 505910DEST_PATH_IMAGE001
（1）
其中，C total 表示总花费，R Pg 表示与电网交互功率的平方和，分别采用式（2）和式（3），
Figure 979748DEST_PATH_IMAGE002
和
Figure 325279DEST_PATH_IMAGE003
分别表示经济项和功率项的权重系数
Figure 678900DEST_PATH_IMAGE004
，可以根据实际需要调整各项权重系数的大小。
Figure 227824DEST_PATH_IMAGE005
（2）
Figure 692303DEST_PATH_IMAGE006
（3）
式（2）中，
Figure 892340DEST_PATH_IMAGE007
，
Figure 416863DEST_PATH_IMAGE008
，
Figure 450153DEST_PATH_IMAGE009
分别表示蓄电池运行费用（损耗引起），从电网取电的电费，光伏电量上网的收益，分别如下所示：
Figure 718323DEST_PATH_IMAGE010
（4）
Figure 772867DEST_PATH_IMAGE011
（5）
Figure 733870DEST_PATH_IMAGE012
（6）
式（4）（5）（6）中，
Figure 257386DEST_PATH_IMAGE013
，EPR(t)，FiT(t)分别表示t时刻充\放电引起的电池损耗，电价和上网电价。
约束条件如下所示：
能量平衡：
Figure 860406DEST_PATH_IMAGE014
充放电功率约束（放电为正）：
Figure 35035DEST_PATH_IMAGE015
荷电状态约束：
Figure 652093DEST_PATH_IMAGE016
Figure 912173DEST_PATH_IMAGE017
（放电为正）
如图4所示，电价信息分为四个时段，分别为低谷电价时段（23:00-7：00）、平时电价时段（7:00-9:00，12:00-16:00）、高峰电价时段（9:00-12:00，16:00-20:00）以及尖峰电价时段（20:00-23:00）。
通过改变权重系数的值（
Figure 522146DEST_PATH_IMAGE002
和
Figure 551281DEST_PATH_IMAGE003
），本实例讨论了五个不同的Case（即五种不同的权重组合），如表一所示，从Case 1到Case 5，经济项的权重不断减小，功率项的权重不断增大。
表一 五个Case的权重系数
Figure 604819DEST_PATH_IMAGE018
第二步、优化方法（以动态规划方法为例）
动态规划方法的基本思路就是在执行当前策略时，必须使得当前策略的代价与前面所有策略的代价之和最小，可解决非线性问题。蓄电池充放电控制是一个典型的多阶段过程，其下一个时刻能够达到的充放电深度仅受当前荷电状态的影响，即满足“无后效性”，适合动态规划方法求解。求解过程中，以荷电状态作（SOC）为转移变量，将其均匀离散成多个确定状态，形成每一时刻的充放电决策集（{SoC t j }），以经济性最优为例，其每一个控制步长内的花费如下式所示，动态规划方法的基本原理及其控制流程如图5和图6所示，其中图5中粗线段表示的规划方式为最优决策（值得注意的是，其他优化算法，如遗传算法、粒子群算法等也可以用于优化求解，此处仅以动态规划算法为例进行阐述）。
Figure 86616DEST_PATH_IMAGE019
第三步、部分结果分析
首先，将本发明所提的方法与目前最常用的逐日优化进行对比，阐述本方法的优势。对比过程以理想优化结果为参考，理想优化是指假设所优化的一个月时间内的光伏与负荷分布能够提前准确知道，以此为基础进行的全局优化。因此，对比所提方法以及逐日优化方法与理想优化结果的差异，哪种方法的差异越小，则该方法越好。所采用的评判指标有两个，分别如下：
均方根误差：
Figure 500280DEST_PATH_IMAGE020
相对误差绝对值的平均：
Figure 383922DEST_PATH_IMAGE021
其中，
Figure 628869DEST_PATH_IMAGE022
为所用方法优化结果，
Figure 597962DEST_PATH_IMAGE023
为理想优化结果。
以经济优化为例（即Case 1），对比结果如图7至图9所示（优化初始SOC 0=0.5），图7中SOC ide 对应的线段代表理想优化结果，SOC pro 对应的线段代表所提方法优化结果，SOC dai 对应的线段代表逐日优化结果。可明显看出，理想方法和所提出的方法很多时候在每日零点时的SOC并非0.5，而逐日优化在每日零点的SOC都是0.5，这说明前两种方法在每次优化决策时都考虑了后续一段时间的影响，会充分利用蓄电池的能量转移功能实现能量的前后转移与优化，而逐日优化则只能在当日内进行能量调控，无法进行跨天调度。从图7中也基本可以看出所提方法与理想方法所得到的决策曲线重合度更高，详细结果如图8和图9所示。从图8和图9可知，所提方法的RMSE和MAPE都比逐日优化方法小，这说明所提方法得到的结果更接近于理想优化的结果。
基于所提出的方法进行的多目标优化结果如图10至图14所示，图10和图11表示某一天的光伏与负荷预测结果，本发明所采用的预测算法是自回归综合移动平均模型（ARIMA）和长短期记忆网络（LSTM）相结合的集成算法，具有较高的精度（需注意的是，没有普适性的预测算法，不同实例应通过实际分析对比确定最佳算法）。图12至图14表示各个Case的对比结果，从图12和图13可以看出，从Case 1到Case 5（经济项的权重不断减小，功率项的权重不断增大），总费用不断增大而R Pg 不断减小，这说明经济性与功率平滑性是两个相互矛盾的目标。追求功率平滑（对电网影响小且光伏自消纳率高），则会增大运行费用。追求经济性（运行费用低），则会使得与电网交互功率更大，波动也更大，从而对电网造成更大的影响。从图12还可以看出，从Case 1到Case 5，电池费用是不断增加的，这说明在追求功率平滑并且自给自足时，需要充分利用蓄电池存储和转移能量的能力，从而会造成更大的电池损耗。电费在前三个Case基本保持稳定，在Case 4之后有了较快增加，这说明在大程度追求电网功率平滑并且自给自足时，最终可能会造成在更多的高电价时段从电网取电。图14表示各个Case的电网的交互功率（P g ）的变化，很显然，从Case 1到Case 5，P g 的波动程度越来越小，其绝对值也越来越接近零，变化曲线越来越平缓，显示出与图13一样的结果。由上述分析可知，本发明所提出的方法相对于常用的逐日优化方法更能充分考虑前后时段特别是跨天调度策略的影响，对于解决分布式光伏-蓄电池储能系统连续运行优化调度问题具有明显优势。
需要强调的是，由于光伏与负荷存在很大的不确定性，如果仅依据一次预测的结果进行优化调度，则必然存在很大偏差；而本发明不断的滚动预测光伏与负荷，且每一次预测会根据当前实测的数据更新历史数据，从而使预测的结果更准确；并且，每次滚动优化后只执行位于最前的预设个数时段的策略，从而减小远时间预测误差大的影响；与此同时，在滚动优化过程中，电价信息也会不断更新，从而确保优化调度策略适应动态电价的需求。另一方面，由于系统是连续运行的，必须考虑连续运行过程中前\后各时段调度策略的相互影响；而本发明在滚动优化的过程中，确保每一次优化计算的时间长度（即控制时域）都不变，也就是说每次优化计算都是考虑未来一段时间的前后影响而进行的，并且通过向前滚动实现连续运行的优化调度，从而克服了既有调度策略只考虑固定时长内（比如一天）的优化调度的缺陷。
基于同一发明构思，本发明实施例还提供了一种建筑分布式光伏-蓄电池系统连续运行调度平台，由于该平台解决问题的原理与前述一种建筑分布式光伏-蓄电池系统连续运行调度方法相似，因此该平台的实施可以参见建筑分布式光伏-蓄电池系统连续运行调度方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的建筑分布式光伏-蓄电池系统连续运行调度平台，如图15所示，具体包括：光伏-蓄电池系统、配电网1、双向电表2、末端用户3、入户电表4以及中央处理器5。双向电表2用于记录从电网取电以及上网电量和功率；入户电表4则用于记录用户端用电量和用电功率。中央处理器5是系统中最核心的部件，是整个控制系统的大脑，可以包括数据采集模块、源（光伏）\荷（负荷）预测模块、优化计算模块和通信模块；其中，
数据采集模块，用于采集当前时刻的历史数据；还用于在决策执行完毕后根据实测的光伏和负荷数据更新历史数据，同时更新电价信息；具体地，数据采集模块可以实时采集和存储各种功率数据（取电\上网功率、光伏发电功率、蓄电池充放电功率、用户耗电功率）和气象数据（温度、太阳辐射强度、风速等）；
源\荷预测模块，用于根据采集到的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；还用于根据更新后的历史数据进行下一轮光伏发电与建筑负荷的预测；具体地，源\荷预测模块用于光伏发电与建筑负荷的预测，其内部包含数据预处理模型以及光伏和负荷预测模型，所有模型可以通过编制相应程序导入模块中；
优化计算模块，用于根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；优化计算模块的每一次优化计算都采用更新后的电价信息；具体地，优化计算模块包括基于各种不同优化目标的优化模型以及相应的优化算法，所有的模型和算法均通过编程写入模块中；实际应用时，用户可以根据自己的需求选择相应的模型（比如经济性最优模型、光伏消纳率最大模型、与电网交互功率最小模型等）；需注意的是，如果有电价数据源，该模块的每一次优化计算都会采用最新的电价信息；
通信模块，用于执行决策序列中位于最前的预设个数调度时段的决策；具体地，通信模块负责将优化计算得到的最优策略序列中前m个决策信号传送给蓄电池充放电控制器，使蓄电池按照相应决策进行充电或放电。
以上四个模块依次相连，其信息流的顺序是数据采集模块→源\荷预测模块→优化计算模块→通信模块，即数据采集模块采集到实时的气象、光伏、负荷数据，更新历史数据并导入源\荷预测模块进行光伏与负荷预测，优化计算模块接受所预测的光伏与负荷信息进行优化计算，最后将优化得到的充放电决策信息传送到通信模块，由通信模块向蓄电池充放电控制器发布控制信号，从而实现所需的控制；中央处理器完成数据更新、源\荷预测、优化计算与信号发送四个关键步骤，并且每隔m个时段便重复执行一次，实现对系统的连续滚动控制。
在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度平台中，通过滚动预测光伏与负荷和不断更新历史数据与电价信息，以及每次执行前几个或第一个调度时段策略的方式，可以提高预测的准确性，减小预测误差与动态电价对调度策略的影响；同时，确保每一次优化计算的控制时域不变，考虑调度前\后时段的相互影响，在每次执行前几个或第一个时段策略之后向前滚动，从而实现分布式光伏-蓄电池储能系统连续运行的优化调度。
在具体实施时，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度平台中，光伏-蓄电池系统包括光伏板6、蓄电池7、逆变器8、MPPT（Maximum PowerPoint Tracking，最大功率点追踪）控制器9和充放电控制器10；
MPPT控制器9，用于控制光伏组件在最大功率点运行并输出功率信息；
充放电控制器10，用于接收中央处理器发出的控制命令信号，并根据控制命令信号，控制蓄电池按照相应的决策进行充电或放电，即控制蓄电池充放电功率。
在具体实施时，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度平台中，还包括：用于采集气象参数的气象采集仪器11。在实际应用中，若没有安装气象采集仪器，可以根据当前气象局公布的逐时气象信息更新气象数据。
在具体实施时，在本发明实施例提供的上述建筑分布式光伏-蓄电池系统连续运行调度平台中，中央处理器5具有外接接口；外接接口，用于将控制程序导入优化计算模块；还用于将电价信息导入到优化计算模块。具体地，用户可以编制符合自己需求的控制程序通过外接接口导入到优化计算模块中，实现满足个性化需求的控制；此外，对于没有可直接读取的电价信息源的情况，用户也可以将电价信息通过外接接口人为导入到优化计算模块中，实现对电价信息的更改。
关于上述各个模块和部件更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的平台而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种建筑分布式光伏-蓄电池系统连续运行调度方法，包括：根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；执行决策序列中位于最前的预设个数调度时段的决策，执行完毕后根据实测的光伏和负荷数据更新历史数据，同时更新电价信息；根据更新后的历史数据进行下一轮光伏发电与建筑负荷的预测，并根据更新后的电价信息进行下一轮决策序列的优化计算。上述整个优化调度过程是一个源\荷预测—优化计算—前几步（或一步）策略执行—滚动更新信息—源\荷预测不断循环的过程，通过滚动预测光伏与负荷和不断更新历史数据与电价信息，以及每次执行位于最前的预设个数调度时段策略的方式，可以提高预测的准确性，减小预测误差与动态电价对调度策略的影响；同时，确保每一次优化计算的控制时域不变，考虑调度前\后时段的相互影响，在每次执行位于最前的预设个数时段策略之后向前滚动，实现分布式光伏-蓄电池储能系统连续运行的优化调度。此外，本发明还针对建筑分布式光伏-蓄电池系统连续运行调度方法提供了相应的平台，进一步使得上述方法更具有实用性，该平台具有相应的优点。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的建筑分布式光伏-蓄电池系统连续运行调度方法及平台进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种建筑分布式光伏-蓄电池系统连续运行调度方法，其特征在于，包括：
根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；
根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；
执行所述决策序列中位于最前的预设个数调度时段的决策，执行完毕后根据实测的光伏和负荷数据更新所述历史数据，同时更新电价信息；
根据更新后的所述历史数据进行下一轮光伏发电与建筑负荷的预测，并根据更新后的所述电价信息进行下一轮所述决策序列的优化计算。
2.根据权利要求1所述的建筑分布式光伏-蓄电池系统连续运行调度方法，其特征在于，所述根据当前时刻的历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测，包括：
根据当前时刻的气象参数、光伏发电功率以及建筑耗电负荷的历史数据，采用机器学习的方法建立光伏发电与建筑负荷的预测模型；
利用建立的预测模型对预测时域内的光伏发电与建筑负荷分布进行预测。
3.根据权利要求2所述的建筑分布式光伏-蓄电池系统连续运行调度方法，其特征在于，所述采用机器学习的方法建立光伏发电与建筑负荷的预测模型，包括：
以太阳辐射为质心，采用K-均值算法对气象参数的历史数据进行聚类分析，形成不同的天气类型场景簇，并基于不同的所述天气类型场景簇，采用机器学习的方法建立相应的预测模型；
对于不同的建筑负荷，采用机器学习的方法建立相应的预测模型。
4.根据权利要求1所述的建筑分布式光伏-蓄电池系统连续运行调度方法，其特征在于，在执行所述决策序列中位于最前的预设个数调度时段的决策的同时，还包括：
判断是否执行到最后一个调度时段；若是，则退出；若否，则向前滚动预设个数调度时段。
5.根据权利要求1所述的建筑分布式光伏-蓄电池系统连续运行调度方法，其特征在于，所述执行所述决策序列中位于最前的预设个数调度时段的决策，包括：
将所述决策序列中位于最前的预设个数调度时段的决策对应的控制命令信号传送至光伏-蓄电池系统的充放电控制器，以控制蓄电池按照相应的决策进行充电或放电。
6.根据权利要求1所述的建筑分布式光伏-蓄电池系统连续运行调度方法，其特征在于，在对控制时域内各调度时段的荷电状态进行优化的过程中，优化目标函数包括用户经济性、光伏消纳率、与电网交互功率；
约束条件包括能量平衡约束、充放电最大功率约束、蓄电池荷电状态上下限约束、电网取电和上网功率约束；
优化算法采用数学规划或智能优化算法；所述数据规划包括线性规划、动态规划；所述智能优化算法包括遗传算法、粒子群算法。
7.一种建筑分布式光伏-蓄电池系统连续运行调度平台，其特征在于，包括：光伏-蓄电池系统、配电网、双向电表、末端用户、入户电表以及中央处理器；所述中央处理器包括数据采集模块、源\荷预测模块、优化计算模块和通信模块；其中，
所述数据采集模块，用于采集当前时刻的历史数据；还用于在决策执行完毕后根据实测的光伏和负荷数据更新所述历史数据，同时更新电价信息；
所述源\荷预测模块，用于根据采集到的所述历史数据，对预测时域内的光伏发电与建筑负荷分布进行预测；还用于根据更新后的所述历史数据进行下一轮光伏发电与建筑负荷的预测；
所述优化计算模块，用于根据预测出的光伏发电与建筑负荷分布结果，以蓄电池荷电状态为决策变量，对控制时域内各调度时段的荷电状态进行优化，得到优化后的充放电决策序列；所述优化计算模块的每一次优化计算都采用更新后的电价信息；
所述通信模块，用于执行所述决策序列中位于最前的预设个数调度时段的决策。
8.根据权利要求7所述的建筑分布式光伏-蓄电池系统连续运行调度平台，其特征在于，所述光伏-蓄电池系统包括光伏板、蓄电池、逆变器、MPPT控制器和充放电控制器；
所述MPPT控制器，用于控制光伏组件在最大功率点运行并输出功率信息；
所述充放电控制器，用于接收所述中央处理器发出的控制命令信号，并根据所述控制命令信号，控制蓄电池按照相应的决策进行充电或放电。
9.根据权利要求7所述的建筑分布式光伏-蓄电池系统连续运行调度平台，其特征在于，还包括：用于采集气象参数的气象采集仪器。
10.根据权利要求7所述的建筑分布式光伏-蓄电池系统连续运行调度平台，其特征在于，所述中央处理器具有外接接口；
所述外接接口，用于将控制程序导入所述优化计算模块；还用于将电价信息导入到所述优化计算模块。
CN202210807216.3A 2022-07-11 2022-07-11 建筑分布式光伏-蓄电池系统连续运行调度方法及平台 Active CN114977330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210807216.3A CN114977330B (zh) 2022-07-11 2022-07-11 建筑分布式光伏-蓄电池系统连续运行调度方法及平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210807216.3A CN114977330B (zh) 2022-07-11 2022-07-11 建筑分布式光伏-蓄电池系统连续运行调度方法及平台

Publications (2)

Publication Number Publication Date
CN114977330A true CN114977330A (zh) 2022-08-30
CN114977330B CN114977330B (zh) 2022-11-04

Family

ID=82967909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210807216.3A Active CN114977330B (zh) 2022-07-11 2022-07-11 建筑分布式光伏-蓄电池系统连续运行调度方法及平台

Country Status (1)

Country Link
CN (1) CN114977330B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994627A (zh) * 2023-03-22 2023-04-21 湖南大学 住宅建筑柔性负荷日前优化调度方法、装置、设备、介质
CN116151436A (zh) * 2023-01-09 2023-05-23 广州汇锦能效科技有限公司 一种面向家庭用户的光伏建筑能源规划方法及系统
CN116596286A (zh) * 2023-07-18 2023-08-15 深圳市中科云科技开发有限公司 虚拟电厂的优化调度方法、装置、设备及存储介质
CN116613794A (zh) * 2023-07-17 2023-08-18 国网山东省电力公司莱芜供电公司 一种储能协调控制方法及系统
CN117170417A (zh) * 2023-11-02 2023-12-05 吉林建筑大学 一种建筑住宅分布式光伏集热发电储能一体化控制系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997062A (zh) * 2014-05-28 2014-08-20 天津大学 一种微网能量管理控制方法
CN107732897A (zh) * 2017-09-12 2018-02-23 天津大学 融合虚拟储能系统的楼宇微网模型预测调控方法
US20190056451A1 (en) * 2017-08-18 2019-02-21 Nec Laboratories America, Inc. System and method for model predictive energy storage system control
CN109687530A (zh) * 2019-01-08 2019-04-26 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法
CN109884888A (zh) * 2018-12-30 2019-06-14 国网天津市电力公司电力科学研究院 一种基于非合作博弈的多楼宇微网模型预测调控方法
US20200059098A1 (en) * 2017-02-22 2020-02-20 Board Of Regents, The University Of Texas System Building and Building Cluster Energy Management and Optimization System and Method
CN111293691A (zh) * 2020-03-19 2020-06-16 华北电力大学 基于模型预测控制的微电网多时间尺度优化调度方法
US20200218233A1 (en) * 2019-01-04 2020-07-09 Johnson Controls Technology Company Systems and methods for prediction model update scheduling for building equipment
US20200358290A1 (en) * 2017-11-20 2020-11-12 Ihi Corporation Energy management system, power demand plan optimization method, and power demand plan optimization program
CN112234658A (zh) * 2020-12-10 2021-01-15 华东交通大学 一种基于ddr-mpc的微网时域滚动优化调度方法
CN113452087A (zh) * 2021-06-28 2021-09-28 Abb电网投资(中国)有限公司 一种多楼宇微网系统滚动调控方法及电子设备
CN113555899A (zh) * 2021-07-20 2021-10-26 南京工程学院 一种风光储发电系统协调控制方法
CN113807589A (zh) * 2021-09-18 2021-12-17 广东电网有限责任公司 基于模型预测的运营商储能的滚动优化方法及装置
CN113964853A (zh) * 2021-10-14 2022-01-21 广东电网有限责任公司 一种5g宏基站群优化调度方法、装置、介质及终端设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997062A (zh) * 2014-05-28 2014-08-20 天津大学 一种微网能量管理控制方法
US20200059098A1 (en) * 2017-02-22 2020-02-20 Board Of Regents, The University Of Texas System Building and Building Cluster Energy Management and Optimization System and Method
US20190056451A1 (en) * 2017-08-18 2019-02-21 Nec Laboratories America, Inc. System and method for model predictive energy storage system control
CN107732897A (zh) * 2017-09-12 2018-02-23 天津大学 融合虚拟储能系统的楼宇微网模型预测调控方法
US20200358290A1 (en) * 2017-11-20 2020-11-12 Ihi Corporation Energy management system, power demand plan optimization method, and power demand plan optimization program
CN109884888A (zh) * 2018-12-30 2019-06-14 国网天津市电力公司电力科学研究院 一种基于非合作博弈的多楼宇微网模型预测调控方法
US20200218233A1 (en) * 2019-01-04 2020-07-09 Johnson Controls Technology Company Systems and methods for prediction model update scheduling for building equipment
CN109687530A (zh) * 2019-01-08 2019-04-26 南京工程学院 一种考虑阻塞和储能分时电价的电网混合滚动调度方法
CN111293691A (zh) * 2020-03-19 2020-06-16 华北电力大学 基于模型预测控制的微电网多时间尺度优化调度方法
CN112234658A (zh) * 2020-12-10 2021-01-15 华东交通大学 一种基于ddr-mpc的微网时域滚动优化调度方法
CN113452087A (zh) * 2021-06-28 2021-09-28 Abb电网投资(中国)有限公司 一种多楼宇微网系统滚动调控方法及电子设备
CN113555899A (zh) * 2021-07-20 2021-10-26 南京工程学院 一种风光储发电系统协调控制方法
CN113807589A (zh) * 2021-09-18 2021-12-17 广东电网有限责任公司 基于模型预测的运营商储能的滚动优化方法及装置
CN113964853A (zh) * 2021-10-14 2022-01-21 广东电网有限责任公司 一种5g宏基站群优化调度方法、装置、介质及终端设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUBIN JIA: ""Distributed Economic Model Predictive Control for a Wind–Photo"", 《 IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》 *
傅颖 等: ""面向山区的蜂巢状有源配电网多工况控制策略"", 《 浙江电力 》 *
李翔: ""融合虚拟储能的光伏建筑一体化微电网优化调度研究"", 《中国优秀硕士学位论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151436A (zh) * 2023-01-09 2023-05-23 广州汇锦能效科技有限公司 一种面向家庭用户的光伏建筑能源规划方法及系统
CN116151436B (zh) * 2023-01-09 2023-08-18 广州汇锦能效科技有限公司 一种面向家庭用户的光伏建筑能源规划方法及系统
CN115994627A (zh) * 2023-03-22 2023-04-21 湖南大学 住宅建筑柔性负荷日前优化调度方法、装置、设备、介质
CN116613794A (zh) * 2023-07-17 2023-08-18 国网山东省电力公司莱芜供电公司 一种储能协调控制方法及系统
CN116613794B (zh) * 2023-07-17 2023-09-22 国网山东省电力公司莱芜供电公司 一种储能协调控制方法及系统
CN116596286A (zh) * 2023-07-18 2023-08-15 深圳市中科云科技开发有限公司 虚拟电厂的优化调度方法、装置、设备及存储介质
CN116596286B (zh) * 2023-07-18 2024-04-16 深圳市中科云科技开发有限公司 虚拟电厂的优化调度方法、装置、设备及存储介质
CN117170417A (zh) * 2023-11-02 2023-12-05 吉林建筑大学 一种建筑住宅分布式光伏集热发电储能一体化控制系统
CN117170417B (zh) * 2023-11-02 2024-01-09 吉林建筑大学 一种建筑住宅分布式光伏集热发电储能一体化控制系统

Also Published As

Publication number Publication date
CN114977330B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN114977330B (zh) 建筑分布式光伏-蓄电池系统连续运行调度方法及平台
Wu et al. Optimal battery capacity of grid-connected PV-battery systems considering battery degradation
Thingvad et al. Economic value of electric vehicle reserve provision in the Nordic countries under driving requirements and charger losses
CN107565607B (zh) 一种基于实时电价机制的微电网多时间尺度能量调度方法
Bashir et al. A novel energy scheduling framework for reliable and economic operation of islanded and grid-connected microgrids
Li et al. The capacity allocation method of photovoltaic and energy storage hybrid system considering the whole life cycle
Bayod-Rújula et al. Recent developments of photovoltaics integrated with battery storage systems and related feed‐in tariff policies: A review
Song et al. Multi-objective optimization strategy for home energy management system including PV and battery energy storage
Eseye et al. Grid-price dependent optimal energy storage management strategy for grid-connected industrial microgrids
Li et al. Optimal configuration of photovoltaic energy storage capacity for large power users
Qi et al. Energyboost: Learning-based control of home batteries
Lee et al. Development of energy storage system scheduling algorithm for simultaneous self-consumption and demand response program participation in South Korea
Mukhopadhyay et al. Optimal multi-objective long-term sizing of distributed energy resources and hourly power scheduling in a grid-tied microgrid
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
CN116454928A (zh) 一种考虑多时间尺度的多类型储能协同调度方法
Nethravathi et al. A novel residential energy management system based on sequential whale optimization algorithm and fuzzy logic
CN110866647A (zh) 用户侧储能控制方法、装置、设备及存储介质
Zhong et al. A logic-based geometrical model for the next day operation of PV-battery systems
Xu et al. CVaR‐based method for optimizing the contract bidding strategy of PV power stations
CN116488223A (zh) 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质
CN116107206A (zh) 温室设备控制方法
CN115713160A (zh) 新能源发电的电能调配方法、装置、电子设备及存储介质
Hosseinalipour et al. Optimal risk-constrained peer-to-peer energy trading strategy for a smart microgrid
CN113255957A (zh) 综合服务站不确定因素的定量优化分析方法及系统
Aguilar et al. Optimal scheduling of renewable energy microgrids: A robust multi-objective approach with machine learning-based probabilistic forecasting

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