[发明专利]一种考虑预测误差的交直流混合微电网经济调度方法

权利要求书

1.一种考虑预测误差的交直流混合微电网经济调度方法，其特征在于，包括日前调度阶段、日内预调度阶段、日内调度阶段；

所述日前调度阶段包括下述步骤：

(1)日前调度过程中，按小时分段，将1天分为24时段，假设每一时段中各分布式单元的功率输出与吸收为定值；

(2)预测未来一天各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流重要负荷波动情况；

(3)查询锂电池的最大容量和初始状态SOC值，实施例中取最大容量为26kWh，初始状态SOC值为0.6；

(4)分布式电源数学模型的建立：

A.燃料电池的运行维护成本

燃料电池的发电成本与燃气的价格C_FC、燃气的低热值LHV_FC、燃料电池的效率η_FC有关，其运行成本表示为：

燃料电池的维护成本与燃料电池发电功率成正比，其维护成本表示为：

C_OMFi(P_Fi(t))＝K_OMFCP_Fi(t)Δt

其中，K_OMFC表示燃料电池维护成本系数；

B.锂电池的运行维护成本

将充电损耗和放电损耗按近似相同考虑，得放电深度计算如下式所示：

其中，I_ch(t)为0-1整数变量，取1时表示锂电池在t时段处于充电状态；I_dis(t)为0-1整数变量，取1时表示锂电池在t时段处于放电状态；P_ch(t)表示t时段内锂电池充电功率，P_dis(t)表示t时段内锂电池放电功率；D_od(t)表示锂电池在t时段的放电深度，E_LB表示锂电池额定容量；

采用雨流计数法统计出锂电池的运行寿命与放电深度之间的关系，并将其拟合成如下公式：

N_life(t)＝-3278D_od(t)⁴-5D_od(t)³+12823D_od(t)²-14122D_od(t)+5112

其中，N_life(t)表示t时段锂电池在放电深度D_od(t)下的循环寿命；

考虑锂电池循环寿命的运行成本函数如下式所示：

其中，C_B(t)表示t时段内锂电池的运行成本，C_inv表示锂电池的初始投资费用；

锂电池的维护成本与锂电池的充放电功率的绝对值成正比，如下式所示：

C_OMB(t)＝K_OMB|I_ch(t)P_ch(t)+I_dis(t)P_dis(t)|Δt

其中，C_OMB(t)表示t时段内锂电池的维护成本，K_OMB表示锂电池的维护成本系数；

C.双向AC/DC变换器的运行和维护成本

其中：C_CV表示双向AC/DC变换器成本；P_CV(t)表示时段t内双向AC/DC变换器功率；m_CV-loss表示折算到双向AC/DC变换器运行功率下的换流损耗成本系数；g_CV-loss表示双向AC/DC变换器的损耗成本系数；η_CV表示双向AC/DC变换器的变换效率；

(5)在日前调度阶段建立的优化模型包括微网总运行成本最低目标函数和分布式电源约束条件；

(6)日前调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本、分时段购售电和可中断负荷的中断补偿，表达式如下所示：

其中，n表示微网中燃料电池数量，P_Fi(t)表示燃料电池i在时段t内发出的功率，C_Fi(P_Fi(t))表示燃料电池i在时段t内的运行成本，C_OMFi(P_Fi(t))表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，C_Bj(t)表示锂电池j在时段t内的寿命周期运行成本，C_OMBj(t)表示锂电池j在时段t内的维护成本；h表示微网中可中断负荷的数量，I_lk(t)为0-1整数变量，为0时表示可中断负荷k在t时段内切除，为1时表示可中断负荷k在时段t内运行，C_lk表示可中断负荷k单位时段内的中断补偿金额，各可中断负荷的中断补偿价格因负荷的重要程度而异，P_lk(t)表示可中断负荷k在时段t内的功率大小，Δt表示单位时间段，本发明中取为1小时；I_Pgrid(t)与I_Sgrid(t)为0-1整数变量，其组合表示微电网向大电网购售电情况；C_P(t)表示t时段购电价，C_S(t)表示t时段售电价，考虑售电和购电价格各分为峰谷平3个时段；P_Pgrid(t)表示t时段购电功率，P_Sgrid(t)表示t时段售电功率；C_CV(P_CV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本；

(7)为保证微网的安全可靠运行，微网中各单元在每个时段中均需满足一定的等式约束或不等式约束条件，包括：

a.交直流混合微电网中直流区域功率平衡等式约束：

其中，P_PV(t)表示日前预测在时段t内光伏发出的功率，P_ldc(t)表示日前预测在时段t内的直流重要负荷功率，P_li(t)表示锂电池在时段t内输出的功率；

b.交直流混合微电网中交流区域功率平衡等式约束：

P_WT(t)+P_grid(t)+P_CV(t)＝P_lac(t)

其中，P_WT(t)表示日前预测在时段t内风机发出的功率，P_lac(t)表示日前预测在时段t内的交流重要负荷功率，P_grid(t)表示联络线在时段t内交互功率；

c.燃料电池应满足t时段输出功率在一定范围：

P_FCmin≤P_Fi(t)≤P_FCmax

其中，P_FCmax与P_FCmin分别表示t时段内燃料电池输出功率的上下限；

d.锂电池运行约束：

锂电池荷电状态SOC(t)在t时段内的表达式如下式所示：

其中，E_LB(t)表示在t时段内锂电池的剩余容量；

锂电池荷电状态约束为：

SOC_min≤SOC(t)≤SOC_max

其中，SOC_max与SOC_min分别表示荷电状态的上下限；

在t时段时锂电池的剩余容量E_LB(t)表示为：

其中，γ表示锂电池的充放电效率，E_LB(0)表示锂电池初始剩余容量；

为了方便日前周期性调度，锂电池每日的始末剩余容量或荷电状态需保持一致：

E_LB(0)＝E_LB(24)

同一时段t内，锂电池或者处于充电状态，或者处于放电状态，故其运行状态需满足如下约束：

I_ch(t)+I_dis(t)≤1

此外，每时段t内锂电池考虑实时运行状态的充放电功率需满足下式约束:

0≤P_dis(t)≤min{P_dismax,γ[E_LB(t-1)-SOC_minE_LB]}

其中P_chmax与P_dismax分别表示锂电池充放电功率限值；

e.联络线交互功率约束：

同一时段t内，或者处于购电状态，或者处于售电状态，故联络线交互功率需满足下式约束：

I_Pgrid(t)+I_Sgrid(t)≤1

此外，每时段t内需满足交互功率上下限约束如下：

P_Pgridmin≤P_Pgrid(t)≤P_Pgridmax

P_Sgridmin≤P_Sgrid(t)≤P_Sgridmax

f.可中断负荷约束：

各可中断负荷根据其重要程度不同，有着不同的每日最大中断时长，其一天内可中断时长约束如下：

其中，T_lk表示可中断负荷k在一天内可中断最大时长；

g.双向AC/DC变换器约束：

其中：和表示换流器交互功率上下限；

(8)根据建立的模型求解出：未来一天各时段可中断负荷运行状态、联络线交互功率、燃料电池发电功率、锂电池充放电功率、锂电池SOC值；

日内预调度阶段包括下述步骤：

(ⅰ)日内预调度计划中，以15分钟作为单位时段，将全天分为96个时段；

(ⅱ)模拟生成本日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流重要负荷波动情况；

(ⅲ)将模拟生成的日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况与日前调度数据合并作为神经网络输入样本；

(ⅳ)在日内预调度阶段，可中断负荷和联络线调度计划执行日前调度计划；

(ⅴ)日内预调度阶段优化目标函数考虑了燃料电池的运行与维护成本、锂电池的寿命周期运行与维护成本、双向AC/DC变换器的运行和维护成本，表达式如下所示：

其中，n表示微网中燃料电池数量，P_S-Fi(t)表示燃料电池i在时段t内发出的功率，C_S-Fi(P_S-Fi(t))表示燃料电池i在时段t内的运行成本，C_S-OMFi(P_S-Fi(t))表示燃料电池i在时段t内的维护成本；m表示微网中锂电池数量，C_S-Bj(t)表示锂电池j在时段t内的寿命周期运行成本，C_S-OMBj(t)表示锂电池j在时段t内的维护成本；Δt表示单位时间段，本发明中在日内预调度阶段取为0.25小时；C_S-CV(P_S-CV(t))表示微电网的双向AC/DC变换器在时段t内运行和维护成本；

(ⅵ)为保障微电网安全可靠运行，在日内预调度阶段微电网中各单元满足约束条件与日前调度阶段相同；

(ⅶ)根据步骤(ⅴ)的目标函数，步骤(ⅵ)的约束条件，通过MATLAB的yalmip软件模块求解出日内预调度阶段：燃料电池模拟发电功率、锂电池模拟充放电功率、锂电池模拟SOC值、双向AC/DC变换器模拟交互功率；日内预调度系统运行总成本，将求解出的燃料电池模拟发电功率、锂电池模拟充放电功率作为神经网络的输出样本；

在日内预调度阶段，神经网络训练样本中的输入数据为：

式中：ΔP_S-PV(t)表示时段t内预调度阶段模拟光伏功率与日前预测光伏功率差额；ΔP_S-WT(t)表示时段t内预调度阶段模拟风机功率与日前预测风机功率差额；ΔP_S-lac(t)表示时段t内预调度阶段模拟交流重要负荷功率与日前预测交流重要负荷功率差额；ΔP_S-ldc(t)表示时段t内预调度阶段模拟直流重要负荷功率与日前预测直流重要负荷功率差额；

输入样本为：

N_input(t)＝[t,ΔP_S-PV(t),ΔP_S-WT(t),ΔP_S-lac(t),ΔP_S-ldc(t),P_F1(t),…,P_Fi(t),P_L1(t),…,P_Lj(t),P_grid(t),P_CV(t)]

式中：N_input(t)表示时段t内神经网络模拟输入样本；

输出样本为：

N_output(t)＝[P_S-F1(t),…,P_S-Fi(t),P_S-L1(t),…,P_S-Lj(t)]

式中：N_output(t)表示时段t内神经网络输出样本；

(ⅷ)重复(ⅱ)～(ⅶ)步骤增加输入样本和输出样本，训练神经网络得到日内调度模型；

日内调度阶段包括下述步骤：

(Ⅰ)在日内调度阶段，以15分钟作为单位时段，将全天分为96个时段；

(Ⅱ)超短期预测日内各时段的风机发电功率、光伏发电功率、交流重要负荷以及直流负荷波动情况；各分布式单元的日前预测与日内实际运行数据差值为：

式中：ΔP_D-PV(t)表示时段t内日内预测光伏功率与日前预测光伏功率的差额；ΔP_D-WT(t)表示时段t内日内预测风机功率与日前预测风机功率的差额；ΔP_D-lac(t)表示时段t内日内预测交流重要负荷功率与日前预测交流重要负荷功率的差额；ΔP_D-ldc(t)表示时段t内日内预测直流重要负荷功率与日前预测直流重要负荷功率的差额；

(Ⅲ)将下一时刻超短期预测数据与日前调度计划输入到日内调度模型中，得到燃料电池发电功率、锂电池充放电功率作为下一时刻调度值；

神经网络的输入数据为：

N_D-input(t)＝[t,ΔP_D-PV(t),ΔP_D-WT(t),ΔP_D-lac(t),ΔP_D-ldc(t),P_F1(t),…,P_Fi(t),P_L1(t),…,P_Lj(t),P_grid(t),P_CV(t)]

式中：N_D-input(t)表示时段t内神经网络实时输入数据；

神经网络的输出数据为：

N_D-output(t)＝[P_D-F1(t),…,P_D-Fi(t),P_D-L1(t),…,P_D-Lj(t)]

式中：N_D-output(t)表示时段t内神经网络输出数据；P_D-Fi(t)表示燃料电池i在时段t内日内实际输出功率；P_D-Lj(t)表示锂电池j在时段t内日内实际输出功率。