[0001] 本发明涉及能量管理技术领域，尤其涉及一种动态环境下的微网能量优化方法。

[0002] 能源需求和温室气体排放的持续增长已成为世界关注的一个重要问题，而其中一个有希望解决这些问题的办法是将智能电网作为未来的电力系统。智能电网可以通过各种方式提高能源效率，例如价格政策和需求响应(DR)控制方法。智能电网促进的需求响应可以通过协调能源供应和能源需求之间的平衡来提高能源效率和安全性。

[0003] 在微网能量调度中，为了减少新能源不确定性对系统鲁棒性的影响，现有技术考虑了电池的实时调度，以消除预测误差。然而，在实时调度程序中频繁的充电和放电会大大降低电池的寿命。

[0004] 例如，一种在中国专利文献上公开的“一种并网运行模式下的微电网实时能量优化调度方法”，其公告号CN102104251B，该方法首先根据大电网负荷情况将一天24小时划分为峰时段、平时段和谷时段，然后在微电网实时运行过程中实时监测微电网内蓄电池的工作状态，根据当前所处的不同时段和蓄电池所处的不同工作状态采用不同的能量优化策略，以确定微电网内各可调度微电源的有功功率输出、蓄电池的充放电功率、与电网交互的有功功率和无功可调节电源的无功功率调度指令。该发明虽然实现了峰谷时段对蓄电池充放电的不同操作，但是没有进行误差控制，存在预测误差。

[0026] 下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

[0027] 实施例：本实施例的一种动态环境下的微网能量优化方法，如图1所示，包括以下步骤：步骤一、建立微网系统运行优化的目标函数：建立微网中一天电费开支及电池衰减成本最少的数学模型，目标函数如表达式(1)所示：
其中：Telec(t)表示t时刻的电价，pgrid(t)表示h时
刻与主网之间的电力交换量，如果是正数代表用户从主网购买电量，负数代表用户卖给主网；Cbatt(t)]表示t时刻电池的衰减开支；Tu表示调度周期，在本实施例中以两天即48小时为一个调度周期。

[0028] 步骤二、建立归纳优化约束条件：综合考虑电能供需平衡约束、电池衰减成本约束、电池工作约束和开关控制设备的约束，得到上层优化模型的约束条件以及下层优化模型的约束条件。

[0029] 上层优化模型的约束条件如下：步 骤二 中电 能 供 需 平 衡约 束 如 表达 式 ( 2) 和 表达 式 ( 3) 所 示 ：
pgrid(t)＝pinte(t)+pbatt(t)+ppv(t)+pwt(t)+pmust-run(t) (2)
其中：Pgrid(t)代表t时刻与电网之间的交互电量， 分别代表与电网交互的最
小与最大电量；其中表达式(2)中Pinte(t)代表第t时刻开关控制设备的用电量，Pbatt(t)代表t时刻蓄电池设备的充放电量，Ppv(t)代表t时刻太阳能光伏的发电量，Pwt(t)代表t时刻风能的发电量,pmust-run(t)代表t时刻基本负载的用电量。

[0030] 步骤二中电池衰减成本约束如表达式(4)、表达式(5)、表达式(6)、表达式(7)和表达式(8)所示：-b
Ic(DODbatt(t))＝a*(DODbatt(t))    (5)
DODbatt(t)＝1-SOCbatt(t)   (6)
SOCmin≤SOC(t)≤SOCmax   (8)
表达式(4)到表达式(8)中Cbatt,cap代表电池的工作成本花费，Δt代表时间间隔，Ebatt,t代表电池总容量，Ic(DODbatt(t))代表电池在电池放电深度，DODbatt(t)代表电池在t时刻的放电深度，ηbatt代表电池工作效率，a,b为系数，DODbatt(t)代表电池在t时刻的放电深度，SOCbatt(t)代表t时刻电池剩余量状态，pbatt,ch(t),pbatt,dch(t)代表t时刻电池的充电和放电量， 和 代表电池的充电和放电效率，SOC(t)代表t时刻蓄电池的电量状态，SOCmin代表电池的最少电量比例，SOCmax代表电池的最大电量比例。

[0031] 步骤二中电池工作约束如表达式(9)、表达式(10)、表达式(11)、表达式(12)和表达式(13)所示：SOCmin≤SOC(t)≤SOCmax   (13)
表达式(9)到表达式(13)中：Pbatt,ch(t)代表第t时刻蓄电池的充电量，Pbatt,dch(t)代表第t时刻蓄电池的放电量， 代表t时刻蓄电池的最大放电量， 代表t时刻蓄电池的最大充电量，ηch代表电池充电的效率，ηdch代表电池放电的效率，Ebatt,t代表蓄电池总容量，SOC(t)代表t时刻蓄电池的电量状态，SOCbatt(t)代表t时刻电池剩余量状态，SOCmin代表电池的最少电量比例，SOCmax代表电池的最大电量比例，Δt代表时间间隔。

[0032] 步骤二中开关控制设备的约束如表达式(14)、表达式(15)和表达式(16)所示：表达式(14)到表达式(16)中：αa,βa表示可控设备a的工作区域， 表示可控设备a在当前t0时刻的工作状态，δa,t表示可控设备a在t时刻的工作状态，δa,τ表示负荷a在τ时刻的工作状态，Ha表示负荷a需要完成的工作长度， 表示t时刻之前的工作状态。

[0033] 下层利用超级电容建立的优化模型的约束表达式如表达式(17)、表达式(18)、表达式(19)、表达式(20)和表达式(21)所示：表达式中：Cscdc(t)表示工作t时长超级电容衰减成本，Csc表示超级电容的成本，Lsc表示超级电容的生命周长， 表示在下层获得的蓄电池和上层给的参考值之间的差值；
表示上层获得的蓄电池参考值， 表示下层获得的蓄电池值； 分别表示
超级电容的最大和最小工作功率，Psc(t)代表t时刻超级电容的充电量， 代表超级电容充电的效率， 代表电池放电的效率，Esc代表超级电容总容量，SOCsc(t)代表t时刻超级电容的电量状态， 代表超级电容的最少电量比例， 代表超级电容的最大电量比例。

[0034] 步骤三、构建双层模型预测控制结构：上层模型预测控制结构和下层模型预测控制结构；步骤四、优化调度：对上层模型预测控制结构进行优化调度，并建立上层优化模型，上层优化模型对应的表达式如下：
min表达式(1)
约束限制表达式(2-13)，表达式(1)为步骤一中建立微网系统运行优化的目标函数，表达式(2-13)代表各电器设备的约束条件，对上层优化模型采用MINLP算法求解，并将优化好的值 传递给下层，其中Pgrid(tu)为主电网电量，Pbatt(tu)为蓄电池电
量，Pdefe(tu)为开关控制设备工作状态，上层优化结果即表示未来12小时内Pgrid(tu)，Pbatt(tu)，Pdefe(tu)的工作值；下层以此为参考实现调度，下层的调度时间间隔ΔTl为5分钟，调度长度Tl为2小时，调度结果为 其中Pbatt(tl)表示时间间隔为5分钟时的蓄
电池功率，Psc(tl)表示时间间隔为5分钟时的超级电容功率，并利用超级电容建立下层优化模型，对下层优化模型采用NLP算法求解，下层优化模型表达式如下：
s.t. pgrid(t)＝pbatt(t)+ppv(t)+pwt(t)+pSC(t)
Eq.(1)-Eq.(13)：Eq.(17)-Eq.(20)
其中Cscdc(t)表示工作t时长超级电容衰减成本，Csc表示超级电容的成本，Lsc表示超级电容的生命周长；σb是自己设置的权重因子；ClB(t)表示在下层获得的蓄电池和上层给的参考值之间的差值；Tl表示优化时长。

[0035] 步骤五、循环优化：下层优化模型经过12次的周期循环后，即一个小时后，把下层调度结果中的Pbatt(tl)传递给上层，上层优化模型从新开始优化，一直循环下去，并建立双层优化结构，双层优化结构如图3所示。

[0036] 步骤六、实例运行：初始化相关参数，根据动态电网环境中的变化，实现动态误差下的微网能量优化。本发明为了维持电池寿命，在现有基础上再添加超级电容，实现电池和电容来优化控制，避免了电池的频繁操作，同时在优化过程中，构建了一个双层优化结构，上层建立一个混合整数非线性优化模型，实现经济最少开支；下层利用超级电容建立一个非线性优化模型，实现对动态误差的控制。

[0037] 初始化 Tu＝48，Cbatt，cap＝600$/kWh，Δt＝1h，Ebatt，t＝12kWh，ηbatt＝0.95，a＝4980，b＝1.98，ηch，Tdch＝0.95，SOCmin＝0.1，SOCmax＝0.9，ESC＝1kWh，都等于0.95， 为0.1kWh，CSC＝3600$/kwh，1个开关控制设备的值为如下表所示：
Parameter αa βa 功率 Ha
开关控制设备1 3 11 4000 4
如图2所示，整个微网能量结构主要由微网控制系统1、主电网2、风能发电3、太阳能发电4、超级电容5、蓄电池6和开关控制设备7组成。

[0038] 48小时的电力价格如图4所示，48小时的基本负载的用电量、光伏发电量以及风能发电量如图5所示，当风能和太阳能的误差率从10％-40％变换四种情况下的时候，优化的结果如下所示：图6表示在不同误差率下的开关控制设备结果，从图6中可以看出，开关控制设备被分配到(3-11)范围内；
图7表示在不同误差率下的蓄电池优化结果，从图7中可以看出，蓄电池相对比较平稳，波动较少，这是从避免电池频繁充电而衰减的角度考虑；
图8表示是在不同误差率下的超级电容的优化结果，从图8可以看出，超级电容变化波动较多，这是为了应付太阳能和风能误差而引起的。

[0039] 根据实例运行的结果可知，本发明提出的双层优化结构，可以很好的处理动态误差环境，可以很好的应用于动态环境下的微网能量优化，既可以避免电池的频繁操作，提高电池寿命，又可以实现误差控制，提高能源效率和安全性。