一種分布式能源系統能量管理方法與流程

本發明涉及分布式能源系統能量管理領域，具體涉及一種分布式能源系統能量管理方法。

背景技術：

相對于傳統集中式大型電站而言，分布式能源是小型化、模塊化靠近負荷側的供能系統，具有清潔、環保、靈活、高效等優點。

近些年，在我國大力提倡“節能減排”、“走可持續發展道路”的時代大背景下，分布式能源正處于快速發展的階段。分布式能源中既包含以清潔能源天然氣為燃料的冷熱電三聯供系統，也包括風能、太陽能、潮汐能、生物質能等可再生能源，還包括蓄電池、儲熱罐等儲能裝置。其中，可再生能源受氣候、地理、環境等外部因素的影響，具有間歇性、波動性、不確定性的特點。如果不能對這類可再生能源進行有效的管理，系統的能效、環保、經濟效益往往難以實現，甚至會威脅到大電網的安全運行。因此，對可再生能源的分布式能源系統進行能量優化管理就顯得很有必要。

現有的針對分布式能源系統進行能量優化管理的方法，往往專注于微燃機、內燃機等可控的動力源，通過優化動力設備的出力實現系統的能量管理優化，如中國專利申請cn201510925463.3(公開號cn105375479，一種基于模型預測控制的分布式能源能量管理方法)，主要應用于可控分布式電源，如微燃機、余熱鍋爐、熱泵等，中國專利申請cn201610119089.2(公開號cn105676824a，一種可再生能源冷熱電聯供能量優化調度系統與方法)，主要通過短期預測預測，對供冷/熱、儲冷/熱、供電、儲電以及可調度功能單元的運行狀態以及功率進行短期優化和/或超短期優化；而對于可再生能源的分布式能源系統能量管理的功能、算法相對簡化，如中國專利申請cn201510859522.1(公開號cn105576825a，一種含多種可再生能源的智能微電網能量管理系統及方法)，主要考慮了數據分析、預測、決策優化，并未對預測誤差進行修正，也沒有考慮再生分布式能源系統的隨機性和波動性對大電網的影響。

微網能量管理系統拓撲圖如圖1所示，為了提高系統運行的經濟性，通常考慮采集天氣氣象數據，進行超短期可再生能源出力預測，這一方面提高了周期內滾動優化的調度精確性，同時是也增加了程序的復雜性，加大了算法開發的難度以及工作量。另一方面，現有的微網能量管理系統也沒有考慮可再生電源對電網的沖擊影響，這樣就使得能量管理不能滿足實際要求，系統的經濟效益難以體現。

技術實現要素：

鑒于現有技術中存在的問題，本發明的目的是提供一種分布式能源系統能量管理方法，將數據庫中的歷史數據進行分類，對不同天氣條件下的可再生能源出力進行預測，保證了能量管理系統的優化結果的準確性和可靠性；在時間尺度上通過日前，小時級別逐級精細化，滾動優化，進一步保證了能量管理系統的優化結果的準確性和可靠性；基于滾動優化結果，以功率交換上下限為控制目標，對蓄電池充放電功率、風光斷路器進行實時調節控制，減小了可再生能源間歇性、波動性對經濟調度優化的影響，保障了分布式能源系統與大電網的安全性和可靠性。

本發明提供一種分布式能源系統能量管理方法，分布式能源系統包括可再生能源子系統、儲能子系統與管理模塊，所述方法包括以下步驟：

(1)根據當日狀況，選擇對應分類的歷史數據，輸入至管理模塊；

(2)管理模塊根據分類的歷史數據，采用bp神經網絡進行日前功率預測；

(3)基于日前功率預測，以運行費用最低為優化目標，管理模塊根據售(購)電價格、蓄電池soc上下限或蓄電池最大充放電功率中的一項或多項，給出日前調度指令；

(4)以運行費用最低為優化目標，管理模塊對日前調度指令進行當前設定周期至當日最后一個設定周期的滾動優化；

(5)管理模塊以功率交換上下限為控制目標，對分布式能源系統進行實時調節控制；

(6)如果當前設定周期結束，執行步驟(4)，否則執行步驟(5)。

進一步地，步驟(1)中分類的歷史數據中，負荷歷史數據分為工作日、休息日兩種類型。

進一步地，可再生能源子系統包括光伏和/或風機，步驟(1)中分類的歷史數據中，光伏出力和/或風機出力分為晴天、陰天、多云和雨天四種類型。

進一步地，步驟(2)管理模塊根據分類的歷史數據，采用bp神經網絡進行日前功率預測，包括以下步驟：

(21)將輸入輸出數據歸一化在[0,1]之間，初始化輸入層和隱含層之間的連接權值、隱含層和輸出層之間的連接權值，初始化隱含層閾值和輸出層閾值；

(22)計算隱含層輸出與輸出層輸出；

(23)根據輸出層輸出和期望輸出值，計算bp神經網絡預測誤差；

(24)根據bp神經網絡預測誤差，更新輸入層和隱含層之間的連接權值、隱含層和輸出層之間的連接權值、隱含層閾值與輸出層閾值；

(25)判斷bp神經網絡預測誤差是否滿足結束條件，如果不滿足，執行步驟22；

(26)用訓練好的bp神經網絡進行日前功率預測。

進一步地，管理模塊還包括用于控制可再生能源子系統的斷路器、用于控制儲能子系統的pcs，步驟(3)基于日前功率預測，管理模塊根據售(購)電價格、上網蓄電池soc上下限或蓄電池最大充放電功率中的一項或多項，給出日前調度指令，包括以下步驟：

(31)建立數學模型，其中控制目標為運行費用最低：

(32)采用遺傳算法，獲得當日未來各個設定周期蓄電池充放電、光伏斷路器和/或風機斷路器投切狀態，給出調度指令。

進一步地，步驟(4)以成本最低為優化目標，管理模塊對日前調度指令進行當前設定周期至當日最后一個設定周期的滾動優化，包括以下步驟：

(41)建立數學模型，其中控制目標為運行費用最低：

(42)對當前設定周期至當日最后一個設定周期中的每一設定周期，進行超短期預測，以修正日前功率預測的誤差；

(43)基于當前設定周期至當日最后一個設定周期的蓄電池充放電、光伏斷路器和/或風機斷路器投切狀態，采用遺傳算法，以運行費用最低為優化目標進行滾動優化。

進一步地，步驟(5)管理模塊以功率交換上下限為控制目標，對分布式能源系統進行實時調節控制，包括以下步驟：

(51)檢測分布式能源系統的當前上網功率；

(52)如果當前上網功率小于功率交換下限，增大上網功率；如果當前上網功率大于或等于功率交換下限且小于功率交換上限，下發預測的當前設定周期的調度指令或保持上一時刻的控制指令；如果當前上網功率大于功率交換上限，降低上網功率。

與現有技術相比，本發明提供的分布式能源系統能量管理方法，具有以下有益效果：

(1)將數據庫中的歷史數據進行分類，對不同天氣條件下的可再生能源出力進行預測，保證了能量管理系統的優化結果的準確性和可靠性；

(2)在時間尺度上通過日前，小時級別逐級精細化，滾動優化，進一步保證了能量管理系統的優化結果的準確性和可靠性；

(3)基于滾動優化結果，以上網閾值為控制目標，對蓄電池充放電功率、風光斷路器進行實時調節控制，減小了可再生能源間歇性、波動性對經濟調度優化的影響，保障了分布式能源系統與大電網的安全性和可靠性。

附圖說明

圖1是本發明的一個實施例的分布式能源系統的結構示意圖；

圖2是圖1所示的分布式能源系統的管理模塊的功能示意圖；

圖3是圖1所示的分布式能源系統的分布式能源系統能量管理方法的示意圖；

圖4是圖1所示的分布式能源系統的光伏日前功率預測示意圖；

圖5是圖1所示的分布式能源系統的光伏斷路器調度優化指令示意圖；

圖6是圖1所示的分布式能源系統的滾動優化仿真測試結果示意圖；

圖7是圖1所示的分布式能源系統的實時控制示意圖。

具體實施方式

如圖1所示，本發明的一個實施例的分布式能源系統包括可再生能源子系統、儲能子系統與管理模塊，管理模塊通過斷路器控制每一個可再生能源子系統，通過電源控制系統(powercontrolsystem，pcs)控制儲能子系統。

具體地，分布式能源系統包括兩個可再生能源子系統，wt1是8kw風機，pv1是34kw光伏，儲能子系統為50kw儲能鋰電池，采用38kw模擬負載進行測試。

如圖2所示，管理模塊主要根據歷史數據以及售(購)電價格、蓄電池soc上下限或最大充放電功率中的一項或多項，預測日前功率、確定日前調度指令、進行日內滾動優化以及實時運行控制。

本發明提供一種分布式能源系統能量管理方法，如圖3所示，包括以下步驟：

(1)根據當日狀況，選擇對應分類的歷史數據，輸入至管理模塊；

根據天氣狀況，如晴天，則選取數據庫中晴天的歷史數據進行預測；如陰天，則選取數據庫中陰天的歷史數據進行預測。關于選取天數可以人為設定，本實施例中采用4天，即選取4天的數據，這4天對應于當日狀況、相同類型。

(2)管理模塊根據所述分類的歷史數據，采用bp神經網絡進行日前功率預測；

(3)基于所述日前功率預測，以運行費用最低為優化目標，管理模塊根據售(購)電價格、蓄電池soc上下限或蓄電池最大充放電功率中的一項或多項，給出日前日調度指令；

(4)以運行費用最低為優化目標，管理模塊對日前調度指令進行當前設定周期至當日最后一個設定周期的滾動優化；

(5)管理模塊以功率交換上下限為控制目標，對分布式能源系統進行實時調節控制；

(6)如果當前設定周期結束，執行步驟(4)，否則執行步驟(5)

步驟(1)中分類的歷史數據中，負荷歷史數據分為工作日、休息日兩種類型。

可再生能源子系統包括光伏和/或風機，步驟(1)中分類的歷史數據中，光伏出力和/或風機出力分為晴天、陰天、多云和雨天四種類型。

步驟(2)管理模塊根據所述分類的歷史數據，采用bp神經網絡進行日前功率預測，包括以下步驟：

(21)將輸入輸出數據歸一化在[0,1]之間，初始化輸入層和隱含層之間的連接權值、隱含層和輸出層之間的連接權值，初始化隱含層閾值和輸出層閾值；

(22)計算隱含層輸出與輸出層輸出；

(23)根據輸出層輸出和期望輸出值，計算bp神經網絡預測誤差；

(24)根據bp神經網絡預測誤差，更新輸入層和隱含層之間的連接權值、隱含層和輸出層之間的連接權值、隱含層閾值與輸出層閾值；

(25)判斷bp神經網絡預測誤差是否滿足結束條件，如果不滿足，執行步驟22；

(26)用訓練好的bp神經網絡進行日前功率預測。

光伏日前功率預測如圖4所示，早上到中午時段，光伏pv1出力呈現逐漸增大的趨勢，中午到下午時段，光伏pv1出力呈現逐漸減小的趨勢，風機wt1出力則呈現夜間高，白天低的趨勢。

管理模塊還包括用于控制可再生能源子系統的斷路器、用于控制儲能子系統的pcs，步驟(3)基于日前功率預測，以運行費用最低為優化目標，管理模塊根據售(購)電價格、蓄電池soc上下限或蓄電池最大充放電功率中的一項或多項，給出日前調度指令，包括以下步驟：

(31)建立數學模型，其中控制目標為運行費用ctotal最低：

本實施例中，設定周期采用1小時，一天有24個設定周期，也可以采用其他設定周期，例如0.5小時、2小時等。

變量為：

pbat＝[pbat,1,pbat,2,...,pbat,24]；

δpv＝[δpv,1,δpv,2,...,δpv,24]；

δwt＝[δwt,1,δwt,2,...,δwt,24]；

其中pbat是每個設定周期的蓄電池充放電功率：δpv是每個設定周期的光伏斷路器分合閘狀態；δwt是每個設定周期的風機斷路器分合閘狀態；

約束條件為：

其中：pbat,t：第t個設定周期蓄電池充、放電量，放電為負，充電為正；

pgrid,t：第t個設定周期微網向大電網售、購電量，售電為負，購電為正；

pload,t：第t個設定周期負荷；

δpv,t：第t個設定周期光伏斷路器狀態；

δwt,t：第t個設定周期風機斷路器狀態；

socbat,t,第t個設定周期蓄電池soc狀態，soc下限，soc上限；

蓄電池充放電功率限制。

(32)采用遺傳算法，獲得當日未來各個設定周期蓄電池充放電、光伏斷路器和/或風機斷路器投切狀態，給出調度指令，本實施例中獲得當日未來24小時的相關狀態。

日前優化調度指令如圖5所示，光伏斷路器在6-19時段投入，在1-5、20-24時段切出，風機斷路器在1-24時段全部投入。

步驟(4)以成本最低為優化目標，管理模塊對日前調度指令進行當前設定周期至當日最后一個設定周期的滾動優化。

本實施例中，進行整點的滾動優化。如15點，則進行15～24點的滾動優化，并將15點的計算結果作為調度指令下發到控制模塊作為第15時段的調度指令。再如16點，則進行16～24點的滾動優化，并將16點的計算結果作為調度指令下發到控制模塊作為第16時段的調度指令。以此類推。

滾動優化包括以下步驟：

(41)建立數學模型，其中控制目標為運行費用最低：

變量為：

pbat＝[pbat,time,pbat,time+1,...,pbat,24]；

δpv＝[δpv,time,δpv,time+1,...,δpv,24]；

δwt＝[δwt,time,δwt,time+1,...,δwt,24]；

約束條件為：

其中：time為當前設定周期；

pbat,t：第t個設定周期蓄電池充、放電量，放電為負，充電為正；

pgrid,t：第t個設定周期微網向大電網售、購電量，售電為負，購電為正；

ppv,time：當前設定周期光伏出力超短期預測；

pwt,time：當前設定周期風機出力超短期預測；

pload,time：當前設定周期用戶負荷超短期預測；

pload,t：第t個設定周期負荷；

δpv,t：第t個設定周期光伏斷路器狀態；

δwt,t：第t個設定周期風機斷路器狀態；

socbat,t,第t個設定周期蓄電池soc狀態，soc下限，soc上限；

蓄電池充放電功率限制。

其中pbat,time、δpv,time、δwt,time分別賦值給pbatref，pvs0ref，pvs1ref作為實時控制的輸入；

(42)對當前設定周期至當日最后一個設定周期中的每一設定周期，進行超短期預測，以修正日前功率預測的誤差；

(43)基于當前設定周期至當日最后一個設定周期的(即當日未來的整點)蓄電池充放電、光伏斷路器和/或風機斷路器投切狀態，采用遺傳算法，以運行費用最低為優化目標進行滾動優化。

滾動優化仿真測試結果如圖6所示(測試從14點開始，進行到17點)：14時段負荷增加，峰段電價，電池放電；15-17時段平段電價，電池充電。

步驟(5)管理模塊以功率交換上下限為控制目標，對分布式能源系統進行實時調節控制，包括以下步驟：

(51)檢測分布式能源系統的當前上網功率；

(52)如果當前上網功率小于功率交換下限，增大上網功率；如果當前上網功率大于或等于功率交換下限且小于功率交換上限，下發預測的當前設定周期的調度指令或保持上一時刻的控制指令；如果當前上網功率大于功率交換上限，降低上網功率。

本實施例中，與電網交換功率，即購電量，下限為0kw，上限為10kw。

當購電量在0-10kw之間時，保持滾動優化后的調度指令下發；當購電量小于0kw時，蓄電池減小放電量，降低上網功率；當購電量大于10時，蓄電池加大放電量，增大上網功率。

14：00-14：59實時控制如圖7所示：此時滾動調度指令為pbat2＝20kw,pvs0ref＝1，wts0ref＝1，與電網交換功率下限為0，上限為10kw；當購電量在0-10之間時，保持調度指令下發；當購電量小于0時，蓄電池減小放電量，增加購電量電量；當購電量大于10時，蓄電池加大放電量，減小購電量。

圖7中圓形點標線elec1表示不設交換功率上下限的分布式能源系統網與大電網交換功率曲線，正方形點標線elec2表示設置交換功率上下限后分布式能源系統網與大電網交換功率曲線；菱形點標線pbat2表示儲能電池的充放電功率。

測算表明提高經濟效益220元/天。

以上詳細描述了本發明的較佳具體實施例。應當理解，本領域的普通技術人員無需創造性勞動就可以根據本發明的構思做出諸多修改和變化。因此，凡本技術領域中技術人員依本發明的構思在現有技術的基礎上通過邏輯分析、推理或者有限的實驗可以得到的技術方案，皆應在由權利要求書所確定的保護范圍內。