不同时间尺度下基于混合储能调度的微网能量优化方法

摘要

本发明涉及一种不同时间尺度下基于混合储能调度的微网能量优化方法，根据不同时间尺度将微网优化调度分为日前调度和实时调度，日前调度提前一天给出未来24h的运行计划，时间粒度取1h，根据峰谷时段电价差异，优化联络线交互功率和燃料电池FC出力，调度蓄电池SB低储高发套利；实时调度配合日前调度，按照日前计划安排各微源出力，时间粒度取1min，通过一阶低通滤波算法平滑微网内功率波动，应用滑动平均滤波算法对滤波后的波动功率在蓄电池储能和超级电容器之间进行合理分配，为混合储能的优化调度提供了参考。实时跟踪个单元运行状态，及时对日前计划进行调整，提高了优化的精度，更加符合实际调度需求。

说明书

技术领域

本发明涉及一种微网优化调度技术，特别涉及一种不同时间尺度下基于混合储能调度的微网能量优化方法。

背景技术

微网系统常以蓄电池(Storage Battery,SB)等能量型储能作为主要的储能设备，但由于其存在使用充放电周期长、寿命短、成本高的缺点，难以胜任对功率波动高频分量的调控；以超级电容器(Super Capacitor,SC)为代表的功率型储能具有功率密度高、循环寿命长、响应速度快等特点，与蓄电池具有明显的优势互补。因此，微网内接入混合储能系统(Hybrid Energy Storage System,HESS)可以解决两种储能单独使用时受能量密度和响应速度制约的问题，成为提高微网运行经济性和稳定性的有效措施。

微网内风机(Wind Turbine,WT)、光伏(Photovoltaic,PV)和负荷等不确定性因素给微网带来较大的负面影响，日前调度预测精度差，时间尺度长，难以满足实际运行的需求。建立基于机会约束规划的日前调度模型，制定日前调度计划。按照日前调度计划进行实时调度，通过一阶低通滤波算法平滑微网内功率波动，应用滑动平均滤波算法对滤波后的波动功率在蓄电池储能和超级电容器之间进行合理分配，并根据微网各单元运行状况及时调整日前计划。通过此方法既保证了微网运行的经济型，也提高了电能质量。

发明内容

本发明是针对日前调度预测精度差，时间尺度长，难以跟踪实际运行状态的局限性的问题，提出了一种不同时间尺度下基于混合储能调度的微网能量优化方法，实时调度配合日前调度，并对日前调度进行及时修正，实时跟踪个单元运行状态，及时对日前计划进行调整，提高了优化的精度，更加符合实际调度需求。

本发明的技术方案为：一种不同时间尺度下基于混合储能调度的微网能量优化方法，根据不同时间尺度将微网优化调度分为日前调度和实时调度， 日前调度提前一天给出未来24h的运行计划，时间粒度取1h，根据峰谷时段电价差异，优化联络线交互功率和燃料电池FC出力，调度蓄电池SB低储高发套利；

实时调度按照日前计划安排各微源出力，时间粒度取1min，将微网内的波动总功率通过等效负荷波动功率表示，对等效负荷应用一阶低通滤波算法进行平滑，得到等效负荷期望输出及滤波后的波动功率；等效负荷期望输出与日前预测的偏差由蓄电池SB吸纳弥补，即为蓄电池SB一次调整功率；滤波后的波动功率通过滑动平均滤波方法在蓄电池SB和超级电容器SC之间进行分配，使蓄电池SB承担更多慢变分量，即为蓄电池SB二次调整功率；超级电容器SC平抑快变分量，实时监测各单元运行状态，当累积偏差增大日前计划的调整量，影响全局平抑效果和运行经济性时对日前调度计划及时调整。

所述日前调度策略：

a)以最小微网运行成本为优化目标，表示如下：

$\min C=\underset{t=1}{\overset{T}{\Sigma }}\left(\begin{array}{c}\underset{i=1}{\overset{N}{\Sigma }}{C}_{i,\mathrm{run}}\left(t\right)+C_{\mathrm{grid}}\left(t\right)+C_{\mathrm{grid},R}\left(t\right)\\ -C_{\mathrm{sh}}\left(t\right)-C_{\mathrm{se}}\left(t\right)+C_{\delta }\left(t\right)\end{array}\right)$

式中：T为一个运行周期时间段数，N为微源数，t和i分别为优化时段和微源编号；C_i,run为微源运行成本，包括燃料成本、投资折旧成本、运行维护成本、环境成本等；C_grid、C_grid，R分别为微源与外网的功率交互成本和购买备用容量成本；C_sh、C_se分别为热、电收益；C_δ为违反约束惩罚项,其中：C_grid(t)＝P_grid(t)×p(t)，P_grid(t)>0表示微网从外网购电，P_grid(t)>0表示微网向外网售电，p(t)为电价；

b)对于光伏和风机优先利用其出力并跟踪控制最大功率输出；微型燃气轮机采取以热定电方式，由热负荷确定输出电功率；

c)每一时段：在不安排FC有功出力的情况下对微网系统进行潮流计算，若能满足潮流约束，则根据调度需求决定FC是否输出有功，否则安排FC有功无功同时出力；

d)低电价且微网负荷较轻时段：SB在满足荷电量限值及功率约束下优先充电；

e)平电价且负荷较重时段：优先利用联络线功率满足净负荷需求。比较高电价和储发成本：若储发成本较高，则SB不安排充电且联络线功率不能满足的负荷由SB优先补充；若储发成本较低，则在满足负荷需求后优先调用储发成本较低的微源对SB继续充电；

f)高电价且负荷较重时段：优先判断是否满足系统可靠性约束，若不能满足，则进入负荷中断优化阶段；若能满足，在荷电量限值约束下优先调用SB放电，比较高电价和FC发电成本，若FC发电成本较低，则在满足FC功率约束下增加FC有功出力，否则FC只需维持系统有功无功平衡；

g)周期末时段：判断SB当前荷电状态，在满足功率约束下安排充、放电，使SB实现周期始末荷电量平衡。

所述实时调度一阶低通滤波算法中一阶低通滤波时间常数实时调整策略：抑制等效负荷期望输出与日前预测的偏差持续累积值，调整一阶低通滤波时间常数τ(t)

$\tau \left(t\right)=\frac{(1-[k_{\mathrm{SB},E}\left(t\right)-{\lambda }_{\mathrm{SB},E}\left]\right)}{2}{\tau }_0;$

$k_{\mathrm{SB},E}\left(t\right)=\frac{|E_{\mathrm{SB},\mathrm{pre}}\left(t\right)-E_{\mathrm{SB},\mathrm{real}}\left(t\right)|}{E_{\mathrm{SB},\mathrm{pre}}\left(t\right)};$

式中：[x]表示不大于x的整数，τ₀为一阶低通滤波时间常数初始设定值，k_SB,E(t)、λ_SB,E分别为SB荷电量偏差和偏差系数；E_SB,pre(t)、E_SB,real(t)分别为SB在时段t内的日前计划荷电量和实时荷电量，可知k_SB,E(t)>λ_SB,E时，τ(t)取0.5τ₀；k_SB,E(t)≤λ_SB,E时，τ(t)取τ₀，τ₀为一阶低通滤波时间常数初始设定值。

所述对日前调度计划及时调整，实时调整一阶低通滤波时间常数τ(t)来调节SB荷电量的能力有限，当τ(t)以0.5τ₀持续优化一个日前调度单位时间后仍不能减小SB荷电量偏差，需要在日前调度时间粒度节点处，对调度计划进行修正，以保障优化调度的可靠性和经济性策略如下：

①当实时调度中SB荷电量低于日前计划的95％时，在满足约束前提下增加联络线和燃料电池中边际成本较低者出力；

②当实时调度中SB荷电量高于日前计划105％时，在满足约束条件下，接入已中断负荷，降低联络线和燃料电池中边际成本较高者出力。

本发明的有益效果在于：本发明不同时间尺度下基于混合储能调度的微网能量优化方法，考虑了微网内风机出力、光伏发电和负荷等多个随机变量，更加符合实际运行状态；实时调度配合日前调度，并对日前调度进行及时修正，更加符合调度需求；通过一阶低通滤波算法平滑微网内功率波动，应用滑动平均滤波算法对滤波后的波动功率在蓄电池储能和超级电容器之间进行合理分配，为混合储能的优化调度提供了参考。

附图说明

图1为日前调度和实时调度关系图；

图2为微网系统结图；

图3为本发明结合蒙特卡洛模拟的遗传算法流程图；

图4为本发明不同置信水平下的优化结果图；

图5为本发明置信水平和功率波动率对运行成本的影响示意图；

图6为本发明一阶低通滤波时间常数对波动功率平滑效果的影响图；

图7为本发明一阶低通滤波时间常数对波动功率平滑效果的影响放大图；

图8为本发明平均滑动滤波时间常数对滤波后的波动功率在混合储能中的分配影响图；

图9为本发明SB日前计划和实时调度荷电量及功率调整量图；

图10为本发明日前计划调整结果图。

具体实施方式

本发明考虑到日前调度预测精度差的弊端，应用机会约束规划，以一定置信水平下满足备用需求作为可靠性约束，将最小运行成本作为优化目标，利用分时电价差异，优化协调各微源和储能系统出力；针对微网内风机、光伏和负荷等不确定性因素带来的功率波动，实时调度中应用一阶低通滤波算法平滑波动功率，并通过滑动平均滤波方法对滤波后的波动功率在混合储能中进行合理分配，使蓄电池储能承担更多低频功率波动，超级电容器承担高频波动。实时 调度按照日前计划进行，实时监测各单元运行状态，并及时修正功率波动累积引起的日前计划偏差。

本发明的技术方案如下：

一、微网运行模型

1、等效负荷随机模型

微网内风机出力、光伏出力以及负荷功率为不确定性因素，预测不够准确给系统带来较大的功率波动。将风机出力、光伏出力和负荷功率的等效值定义为等效负荷(Equivalent Load,EL)，等效负荷功率(P_EL)与负荷功率(P_L)、风机出力(P_WT)和光伏出力(P_PV)的关系表示如下：

P_EL＝P_L-(P_WT+P_PV)  (1) 

对于多个随机变量的处理，可采用模拟方法。根据风速、光照及负荷的预测值，应用蒙特卡洛方法产生随机值，将随机量按照时序叠加，得到时段t内的等效负荷随机量：

P_EL(t)＝(P_L(t)+δ_L(t))-((P_WT(t)+δ_WT(t))+(P_PV(t)+δ_PV(t)))  (2)

式中：δ_L、δ_WT、δ_PV分别为负荷、风机出力和光伏出力的波动功率。

2、蓄电池(SB)储发成本

SB可用于大容量充放电实现经济优化，为判断对SB充电是否能获利，定义SB储发成本C_SB,ch-dis，即为充电后放出的单位电量成本。C_SB,ch-dis由充电电价成本、SB充放电效率损耗成本和寿命损耗成本构成，表示如下：

C_SB,ch-dis＝C_G/η_ch/η_dis+C_ch+C_dis  (3) 

式中：C_G为微源的边际成本(亦将联络线作为微源，则C_G为电价)；η_ch、η_dis分别为充、放电效率；C_ch、C_dis分别为SB充放电寿命损耗成本。

二、不同时间尺度下的优化调度

根据不同时间尺度将微网优化调度分为日前调度和实时调度。日前调度提前一天给出未来24h的运行计划，时间粒度取1h，侧重于“源-储-荷”长期运 行的协调配合及经济运行。实时调度按照日前计划安排各微源出力，侧重于可靠性，时间粒度取1min。实时调度将微网内的波动总功率通过等效负荷波动功率表示。对等效负荷应用一阶低通滤波算法进行平滑，得到等效负荷期望输出及滤波后的波动功率。等效负荷期望输出与日前预测的偏差由SB吸纳弥补，即为SB一次调整功率。滤波后的波动功率通过滑动平均滤波方法在蓄电池SB和超级电容器SC之间进行分配，使SB承担更多慢变分量(即为SB二次调整功率)，SC平抑快变分量。实时监测各单元运行状态，当累积偏差较大时对日前计划及时调整。日前调度和实时调度关系如图1所示，SC不参与日前调度。

1、日前调度建模

1)日前调度优化目标

以最小微网运行成本为优化目标，表示如下：

$\min C=\underset{t=1}{\overset{T}{\Sigma }}\left(\begin{array}{c}\underset{i=1}{\overset{N}{\Sigma }}{C}_{i,\mathrm{run}}\left(t\right)+C_{\mathrm{grid}}\left(t\right)+C_{\mathrm{grid},R}\left(t\right)\\ -C_{\mathrm{sh}}\left(t\right)-C_{\mathrm{se}}\left(t\right)+C_{\delta }\left(t\right)\end{array}\right)---\left(4\right)$

式中：T为一个运行周期时间段数，N为微源数，t和i分别为优化时段编号和微源编号；C_i,run为微源运行成本，包括燃料成本、投资折旧成本、运行维护成本、环境成本等；C_grid、C_grid，R分别为微源与外网的功率交互成本和购买备用容量成本；C_sh、C_se分别为热、电收益；C_δ为违反约束惩罚项。其中：C_grid(t)＝P_grid(t)×p(t)，P_grid(t)>0表示微网从外网购电，P_grid(t)>0表示微网向外网售电，p(t)为电价。

2)日前调度约束条件

A:蓄电池储能(SB)运行约束

微网内大幅度非计划波动功率通过SB来吸纳平抑，因此SB需留有足够的调节裕量。

0<P_ch(t)<P_ch，max  (5)；

0<P_dis(t)<P_dis，max-P_SB,R  (6)；

$-\sqrt{{S_{\mathrm{SBinv}}}^2-P_{\mathrm{ch}-\mathrm{dis}}{\left(t\right)}^2}\le Q_{\mathrm{SB}}\left(t\right)\le \sqrt{{S_{\mathrm{SBinv}}}^2-P_{\mathrm{ch}-\mathrm{dis}}{\left(t\right)}^2}---\left(7\right);$

SOC_min+SOC_R<SOC(t)<SOC_max-SOC_R  (8)；

E(0)＝E(T)  (9)；

式中：P_ch(t)和P_dis(t)分别为时段t内SB的充、放电功率；P_ch,max、P_dis,max分别为SB最大充、放电功率；P_SB,R为备用容量；S_SBinv、Q_SB(t)为SB逆变器额定容量、无功功率；SOC(t)为SB在t时段末的荷电状态；SOC_min、SOC_max分别为SB最小、最大荷电状态，SOC_R为荷电状态裕量；E(0)、E(T)为运行周期始、末荷电量。

B:燃料电池(FC)运行约束

P_FC,min<P_FC(t)<P_FC,max  (10)；

P_FC(t)<S_FCinv  (11)；

$0<Q_{\mathrm{FC}}\left(t\right)<\sqrt{{S_{\mathrm{FCinv}}}^2-P_{\mathrm{FC}}{\left(t\right)}^2}---\left(12\right);$

|P_FC(t)-P_FC(t-1)|<P_FC,climb  (13)；

式中：P_FC,min、P_FC,max别为FC最小、最大有功出力；P_FC(t)、Q_FC(t)分别为时段t内FC交流侧的有功、无功功率；S_FCinv为FC逆变器的额定容量；P_FC,climb为FC有功爬坡速率限值。

C:联络线交互功率约束

P_grid,min<P_grid(t)<P_grid,max-P_grid,R(t)  (14)；

Q_grid,min<Q_grid(t)<Q_grid,max  (15)；

式中:P_grid(t)为联络线有功功率，P_grid,min、P_grid,max分别为联络线最小、最大有功功率，P_grid,R(t)为从外网购买的备用容量；Q_grid(t)为联络线无功功率，Q_grid,min、Q_grid,max分别为联络线最小、最大无功功率；cosφ为联络线功率因数，c为功率因数限值。

3)基于机会约束规划的可靠性模型

不确定性因素的存在使微网运行存在失负荷的风险，若要满足系统所有情况下的可靠性，需要较大的备用容量，增加了运行成本。事实上某些极端情况发生的概率很小。采用机会约束规划建立可靠性约束模型，以备用容量满足需求作为可靠性约束条件，描述如下：

$P_r\left(\begin{array}{c}{P}_{\mathrm{grid}}\left(t\right)+P_{\mathrm{SB}}\left(t\right)+P_{\mathrm{FC}}\left(t\right)\\ +P_R\left(t\right)-P_{\mathrm{EL}}\left(t\right)\ge P_{R,\mathrm{need}}\left(t\right)\end{array}\right)\ge \alpha ---\left(17\right);$

P_R(t)＝P_SB,R(t)+P_FC,R(t)+P_grid,R(t)  (18)；

$P_{\mathrm{FC},R}\left(t\right)=\min \left(\begin{array}{c}\min \left(\begin{array}{c}{P}_{\mathrm{FC},\max },\\ \sqrt{{S_{\mathrm{FCinv}}}^2-Q_{\mathrm{FC}}{\left(t\right)}^2}\end{array}\right)-P_{\mathrm{FC}}\left(t\right)\\ ,P_{\mathrm{FC},\mathrm{climb}}\end{array}\right)---\left(19\right);$

式中：P_R(t)为系统所能提供的备用容量；P_R,need(t)为系统所需的备用容量；P_SB,R(t)、P_FC,R(t)、P_grid,R(t)分别为时段t内蓄电池储能、燃料电池以及外网所能提供的备用容量。P_R,need(t)可根据风、光及负荷预测精度来确定。

4)可中断负荷模型

微网内可再生能源渗透率的提高及负荷的增多加重了系统的功率波动，仅依靠微源调度难以维持可靠运行，可通过市场机制调动负荷侧参与备用，实现源-储-荷协调配合。可中断负荷(Interruptible Load,IL)具有较快的响应速度，通过激励补偿机制能有效调动用户参与微网调控的积极性，从而增加需求侧弹性、降低备用成本、优化电力资源配置。应用“低电价高赔偿”的负荷中断赔偿机制，建立可中断负荷优化模型，并将其融入到微网最小运行成本优化目标中，描述如下:

$\min C=\underset{t=1}{\overset{T}{\Sigma }}\left(\begin{array}{c}\underset{i=1}{\overset{N}{\Sigma }}{C}_{i,\mathrm{run}}\left(t\right)+C_{\mathrm{grid}}\left(t\right)+C_{\mathrm{grid},R}\left(t\right)\\ -C_{\mathrm{sh}}\left(t\right)-C_{\mathrm{se},\mathrm{IL}}\left(t\right)+C_{\delta }\left(t\right)\end{array}\right)---\left(20\right);$

$C_{\mathrm{se},\mathrm{IL}}\left(t\right)=\underset{i=1}{\overset{M-m}{\Sigma }}p\left(t\right)P_i\left(t\right)+\underset{j=1}{\overset{m}{\Sigma }}({\alpha }_j{x}_j\left(t\right)-{\beta }_j\overline{x_j\left(t\right)})P_{\mathrm{IL},j}\left(t\right)---\left(21\right);$

式中：t为优化时段；C、C_i,run、C_grid、C_grid，R、C_sh、C_δ参见公式(4)；C_se,IL为考虑负荷中断的售电收益，M为负荷总数，m为可中断负荷数；α_j、β_j分别为负荷j的电价折扣系数和中断补偿系数；x_j为0表示中断，为1表示不中断，为取反；P_IL,j为负荷j的中断容量。

为防止倒闸操作带来的安全稳定问题，禁止相邻两时段通过负荷切换调整中断量，即禁止在同一时段内负荷发生切除和接入两种动作，制定约束条件如下：

$\underset{j=1}{\overset{m}{\Sigma }}|x_j\left(t\right)-x_j(t-1)|=\left|\underset{j=1}{\overset{m}{\Sigma }}(x_j\left(t\right)-x_j(t-1))\right|---\left(22\right);$

当优化调度程序进入负荷中断优化阶段时，优化变量为燃料电池和蓄电池有功无功出力及每一个可中断负荷的中断状态，中断优化目标为最小中断成本，而非最小中断功率。

5)日前调度策略 

根据峰谷时段电价差异，优化联络线交互功率和FC出力，调度SB低储高发套利。优化调度策略如下：

a)对于光伏和风机优先利用其出力并跟踪控制最大功率输出；微型燃气轮机采取以热定电方式，由热负荷确定输出电功率。

b)每一时段：在不安排FC有功出力的情况下对微网系统进行潮流计算，若能满足潮流约束，则根据调度需求决定FC是否输出有功，否则安排FC有功无功同时出力。

c)低电价且微网负荷较轻时段：SB在满足荷电量限值及功率约束下优先充电。

d)平电价且负荷较重时段：优先利用联络线功率满足净负荷需求。比较高电价和储发成本：若储发成本较高，则SB不安排充电且联络线功率不能满足的 负荷由SB优先补充；若储发成本较低，则在满足负荷需求后优先调用储发成本较低的微源对SB继续充电。

e)高电价且负荷较重时段：优先判断是否满足系统可靠性约束，若不能满足，则进入负荷中断优化阶段；若能满足，在荷电量限值约束下优先调用SB放电，比较高电价和FC发电成本，若FC发电成本较低，则在满足FC功率约束下增加FC有功出力，否则FC只需维持系统有功无功平衡。

f)周期末时段：判断SB当前荷电状态，在满足功率约束下安排充、放电，使SB实现周期始末荷电量平衡。

三、实时调度建模

1、波动功率平滑策略

根据前文所述，应用一阶低通滤波算法平滑等效负荷(EL)，得到等效负荷期望输出表示如下：

$P_{\mathrm{EL},\mathrm{out}}\left(t\right)=\frac{\mathrm{\Delta t}}{\tau \left(t\right)}{P}_{\mathrm{EL}}\left(t\right)+\frac{\tau \left(t\right)-\mathrm{\Delta t}}{\tau \left(t\right)}{P}_{\mathrm{EL},\mathrm{out}}(t-\mathrm{\Delta t})---\left(23\right);$

式中：P_EL(t)为时段t内等效负荷；P_EL,out(t)为经过平滑滤波后的等效负荷期望输出；△t单位时间；τ(t)为时段t内的一阶低通滤波时间常数。

可知，P_EL,out(t)由P_EL,out(t-△t)、P_EL(t)和τ(t)决定。τ(t)越大，P_EL,out(t)与P_EL,out(t-△t)的差值越小，即平滑效果越好。

SB一次调整功率为：

P_SB,adj1(t)＝P_EL,pre(t)-P_EL,out(t)  (24)；

式中：P_EL,pre为等效负荷的日前调度预测值。

滤波后的波动功率为：

P_fluc(t)＝P_EL(t)-P_EL,out(t)  (25)；

采用滑动平均滤波方法对P_fluc(t)进行分配，使SB吸纳更多慢变分量波动，SC承担快变分量波动，得到SB二次调整功率为：

$P_{\mathrm{SB},\mathrm{adj}2}\left(t\right)=\left(\begin{array}{cc}\frac{{\int }_0^t{P}_{\mathrm{fluc}}\left(t^{\prime }\right){\mathrm{dt}}^{\prime }}{t},& t<T_{\mathrm{MA}}\\ \frac{{\int }_{t-T_{\mathrm{MA}}}^{T_{\mathrm{MA}}}{P}_{\mathrm{fluc}}\left(t^{\prime }\right){\mathrm{dt}}^{\prime }}{T_{\mathrm{MA}}},& t\ge T_{\mathrm{MA}}\end{array}\right)---\left(26\right);$

则SC输出功率为：

P_SC(t)＝P_fluc(t)-P_SB,adj2(t)  (27)；

式(26)中T_MA为滑动平均滤波时间常数。通过滑动平均滤波方法，使SC以较低的功率和容量配置吸纳系统高频波动功率，也可避免SC荷电量越限而削落下一时段的平抑效果。

2、一阶低通滤波时间常数实时调整策略

由式(31)及分析可知，τ(t)越大，等效负荷期望输出越平滑。但随着优化的进行，期望输出功率和实际功率偏差持续累积，将会增大日前计划的调整量，反而影响全局平抑效果和运行经济性。因此，制定一阶低通滤波时间常数实时调整策略：

$\tau \left(t\right)=\frac{(1-[k_{\mathrm{SB},E}\left(t\right)-{\lambda }_{\mathrm{SB},E}\left]\right)}{2}{\tau }_0---\left(28\right);$

$k_{\mathrm{SB},E}\left(t\right)=\frac{|E_{\mathrm{SB},\mathrm{pre}}\left(t\right)-E_{\mathrm{SB},\mathrm{real}}\left(t\right)|}{E_{\mathrm{SB},\mathrm{pre}}\left(t\right)}---\left(29\right);$

式中：[x]表示不大于x的整数，τ₀为一阶低通滤波时间常数初始设定值，k_SB,E(t)、λ_SB,E分别为SB荷电量偏差和偏差系数；E_SB,pre(t)、E_SB,real(t)分别为SB在时段t内的日前计划荷电量和实时荷电量。可知k_SB,E(t)>λ_SB,E时，τ(t)取0.5τ₀；k_SB,E(t)≤λ_SB,E时，τ(t)取τ₀。

3、调度计划调整策略

实时调整τ(t)来调节SB荷电量的能力有限，当τ(t)以0.5τ₀持续优化一定时间后仍不能减小SB荷电量偏差，需要在日前调度时间粒度节点处，对调度计划进行修正，以保障优化调度的可靠性和经济性。策略如下：

①当实时调度中SB荷电量低于日前计划的95％时，在满足约束前提下增加联络线和燃料电池中边际成本较低者出力。

②当实时调度中SB荷电量高于日前计划105％时，在满足约束条件下，接入已中断负荷，降低联络线和燃料电池中边际成本较高者出力。

4、实时调度优化目标

实时调度中将计及日前计划调整费用，仍以最小运行成本为优化目标，表示如下：

minC_real＝C+C_adjt  (30)；

$C_{\mathrm{adj}}=\underset{t=1}{\overset{T}{\Sigma }}\left(\begin{array}{c}{C}_{\mathrm{SB},\mathrm{adj}}·P_{\mathrm{SB},\mathrm{adj}}\left(t\right)\\ +C_{\mathrm{grid},\mathrm{adj}}{P}_{\mathrm{grid},\mathrm{adj}}\left(t\right)\\ +C_{\mathrm{FC},\mathrm{adj}}·P_{\mathrm{FC},\mathrm{adj}}\left(t\right)\end{array}\right)---\left(31\right);$

式中：C_real为实时优化运行费用；C_adj为运行计划调整费用；P_SB,adj(t)、P_grid,adj(t)、P_FC,adj(t)分别为时段t内蓄电池、联络线和燃料电池有功出力调整量，C_SB,adj、C_grid,adj、C_FC,adj为对应的调整费用，调整量应在所提供的备用范围内，即：

$\left(\begin{array}{c}{P}_{\mathrm{SB},\mathrm{adj}}\left(t\right)<P_{\mathrm{SB},R}\left(t\right)\\ P_{\mathrm{grid},\mathrm{adj}}\left(t\right)<P_{\mathrm{grid},R}\left(t\right)\\ P_{\mathrm{FC},\mathrm{adj}}\left(t\right)<P_{\mathrm{FC},R}\left(t\right)\end{array}\right)---\left(32\right);$

四、仿真验证

基于上述提出“不同时间尺度下基于混合储能调度的微网能量优化”，以具体的微网系统结构(如图2，系统参数如表1所示)为例，通过C++编程进行仿真验证。日前调度通过结合了蒙特卡洛模拟的遗传算法(算法流程如图3所示)进行优化，对比分析了不同置信水平下的优化结果(如图4所示)，并分析了置信水平和功率波动率对运行成本的影响如图5所示。实时调度分析了一阶低通滤波时间常数对波动功率平滑效果的影响(如图6、7所示)以及平均滑动滤波时间常数对滤波后的波动功率在混合储能中的分配影响(如图8所示)，最后给 出日前计划调整策略的运行结果(如图9、10所示)。表2为负荷类型及电价折扣系数，表3为分时电价及时段划分。

表1

表2

负荷节点 负荷类型 电价折扣系数 中断赔偿系数 1 居民 0.84 0 2 居民 0 0.55 3 居民 0 0.54 4 商业 0 0.67 5 商业 0.82 0 6 商业 0 0.6 7 工业 0.78 0 8 工业 0 0.55 9 工业 0 0.56 10 工业 0.83 0 11 工业 0.79 0

12 工业 0.82 0 13 工业 0.85 0 14 工业 0 0.62

表3

通过图4可知，负荷较轻时段，旋转备用充足，置信水平对优化结果的影响较小，优化调度侧重于经济性；负荷较重时段，不同置信水平使优化结果差异较大，调度更侧重于可靠性。

由图5可知，置信水平α较低低时，功率波动率k增大导致运行成本的涨幅并不大，而当α达到95％以上时，k对运行成本的影响也变大，这是由于系统所需备用较大，使SB在高峰时段出力保守，增加边际成本较高的燃料电池出力且从外网购买备用容量较大，导致运行成本增幅较大。k超过13％，α超过99％时，运行成本呈跳跃性增加，而后增幅趋缓，是由进入负荷中断优化所致。

通过图6、7可知，一阶低通滤波时间常数τ取10min和20min时，等效负荷曲线变化趋势平抑前后变化不明显，但明显消除了波动产生的“毛刺”；τ取50min和100min时，平抑后的等效负荷只存在较长时间尺度的波动，整个曲线明显滞后右移，与自然涨落曲线形状相似。经图7放大后可清晰地看出，τ为20min相比于10min平抑效果更好，而τ为50min和100min时，平抑幅度更大。可知，τ越大，经平滑后等效负荷曲线波动程度越小。

通过图8可知，滑动平均滤波时间常数T_MA＝60min相比于T_MA＝30min时，SB承担的慢变分量更平滑，对SB的冲击较小，但SC承担的快变分量幅值较大，需要配置的功率较大；由公式(26，27)可知，当T_MA取实时调度时间粒度1min时，SB将完全承担滤波后的功率波动，SC被闲置。因此，应根据需求合理的选择T_MA。

通过图9、10可知，随着优化调度的持续，功率预测误差累积使SB荷电量 和日前计划偏差较大(见图9)，因此对τ进行适时调整以减小误差累积(见图10)，但τ对偏差调整量有限，仍需对日前计划适当调整以满足需求，如图10中对FC、SB和联络线出力的调整。

通过仿真验证了所提实时调度策略配合日前调度策略，使微网经济调度精度更高，且更满足实际需求。