一种基于混合整数非线性规划的光伏储能调度方法

摘要

本发明方法根据光伏发电输出功率与时间值、光照强度和温度值之间的关系建模，以及负载消耗功率与时间之间的关系，获得预测的光伏发电输出功率和负载消耗功率，并结合当前电池剩余容量，计算获得从供电电网的取电功率最优时的充放电决策序列及运行切换决策序列，并根据计算结果进行光伏储能调度。本方法通过将数据计算得到光伏储能调度方法，根据预测具体参数进行充放电和系统切换控制，保证了充电电池模块不处于过充过放状态，延长电池寿命，避免出现电池充满时光伏发电超过负载耗电浪费光伏发电的情况出现，从而达到最优能量利用，同时增加系统安全性。本发明作为一种基于混合整数非线性规划的光伏储能调度方法，可广泛应用于光伏发电储能领域。

说明书

技术领域

本发明涉及光伏发电储能领域，尤其是一种基于混合整数非线性 规划的光伏储能调度方法。

背景技术

能源短缺问题是21世纪非常重要的一个问题，解决这一问题的 最佳方式之一是使用太阳能发电。太阳能具有分布广泛且近乎无穷无 尽的特点，但是使用太阳能发电的光伏发电系统的一个问题在于光伏 资源也具有间歇性和不确定的特点，很难为负载提供一个持续稳定的 电力供应。

目前，常用的方法是采用储能系统来存储或释放电能，从而降低 天气对光伏发电系统的影响，为用户稳定供电，保证供电的可靠性和 电能质量。为了进一步提高光伏发电系统的能量管理效率，一般会设 置电池管理系统对其进行管理，但是这种方式只是简单地控制电池模 块的充放电情况，随着光伏发电系统组件的增加、功能的扩展，这种 控制方法越来越显出效率低下、响应慢、控制准确度差等缺陷，而且 无法根据负载情况以及电池模块的参数进行充放电控制，能量利用效 率低。

发明内容

为了解决上述技术问题，本发明的目的是：提供一种基于混合整 数非线性规划的光伏储能调度方法。

本发明所采用的技术方案是：一种基于混合整数非线性规划的光 伏储能调度方法，包括有以下步骤：

A、建立光伏发电输出预测的神经网络模型和负载消耗预测的神 经网络模型；

B、根据光伏发电模块的历史运行数据对光伏发电输出预测的神 经网络进行训练，根据交流负载的历史消耗功率数据对负载消耗预测 的神经网络进行训练；

C、采集调度起始时刻的光伏发电模块的运行数据，进而根据光 伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型计 算未来时间段中每个时间周期的预测的光伏发电输出功率和负载消 耗功率；

D、获取当前时刻充电电池模块的电池剩余容量，根据上述预测 的光伏发电输出功率和负载消耗功率，利用混合整数非线性模型计算 获得从供电电网的取电功率最优时充电电池模块的充放电决策序列 及运行切换决策序列。

进一步，还包括有步骤E：每隔一个时间周期重新执行步骤B-D， 并根据新计算得到的充电电池模块的充放电决策序列及运行切换决 策序列进行控制。

进一步，所述步骤D中：

当前时刻充电电池模块的电池剩余容量为SOC(k)，且其约束条件 为：SOC(min)≤SOC(k)≤SOC(max)，SOC(min)、SOC(max)分别表示电池 剩余容量SOC(k)的最小值和最大值，k为时间序列；

P_load(k)表示预测的负载消耗功率，P_loadmax表示预测的负载消耗功率 P_load(k)的最大值，P_PV(k)表示预测的光伏发电功率；

所述混合整数非线性规划模型中目标函数J为：

$J=\underset{k=1}{\overset{24}{\Sigma }}[P_{grid}\left(k\right)\times \Delta t]$

其中，P_grid(k)表示系统从供电电网的取电功率，Δt表示充电电池模块 的充放电时间；

所述充放电决策变量为充电电池模块的充放电功率P_bat，其约束条件 为：P_batmin≤P_bat≤P_batmax，P_batmin、P_batmax分别表示充放电功率P_bat(k)的最小 值及最大值；

电池容量变化公式为：

$SOC(k+1)=SOC\left(k\right)+\frac{I\left(k\right)\Delta t}{C};$

所述运行切换决策变量为σ(k)，当系统采取交流电直接输出时二值变 量σ(k)＝0；当系统采取逆变器输出时σ(k)＝1；

所述功率平衡方程为：

$P_{PV}\left(k\right)+{\eta }_g{P}_{grid}\left(k\right)=P_{bat}\left(k\right)+(\frac{1}{{\eta }_i}-{\eta }_g)\sigma \left(k\right)P_{load}\left(k\right)+{\eta }_g{P}_{load}\left(k\right)+P_w\left(k\right)+P_{sys}$

其中，η_g表示整流器将供电电网的交流电转换为直流电的效率，η_i表 示逆变模块将直流电转换为交流电的效率，P_sys为系统自损耗，P_w(k)为 多余的太阳能；

电池充放电功率方程为：

P_bat(k)＝V_bat(k)I(k)

V_bat(k)＝OCV(SOC)+RI(k)

其中，V_bat(k)为电池电压，I(k)为电池充放电电流，P_bat(k)表示充电电 池模块的充放电功率，OCV(SOC)表示电池开路电压与电池剩余容量 SOC(k)的关系，R为电池内阻；

当电池充满至SOC＝1时，二值变量δ(k)＝0；否则δ(k)＝1

则1-SOC(k)≤δ(k)≤1000(1-SOC(k))

多余太阳能能量P_w(k)满足如下约束条件：

0＜P_w(k)≤P_PVmax(1-δ(k))

P_PV(k)-P_w(k)≥0

其中，P_PVmax为最大光伏输出能量；

当系统采取交流直接输出时市电输出功率满足如下输出条件：

P_grid(k)-P_load(k)≥(P_gridmin-P_loadmax)σ(k)

其中，P_gridmin为从电网获得最小能量；

上述各公式中，δ(k)、σ(k)为二值变量。

进一步，所述步骤B中的未来时间段为未来24小时，每个时间 周期为1小时。

进一步，所述步骤A中所述光伏发电模块的历史运行数据包括有 时间值、光照强度值和温度值。

进一步，所述步骤A中对光伏发电输出预测的神经网络进行训练 用于建立光伏发电输出功率与时间值、光照强度和温度值之间的关 系。

进一步，所述步骤A中对负载消耗预测的神经网络进行训练用于 建立负载消耗功率与时间之间的关系。

本发明的有益效果是：本发明方法根据光伏发电输出功率与时间 值、光照强度和温度值之间的关系建模，以及负载消耗功率与时间之 间的关系，获得预测的光伏发电输出功率和负载消耗功率，并结合当 前时刻充电电池模块的电池剩余容量，计算获得从供电电网的取电功 率最优时充电电池模块的充放电决策序列及运行切换决策序列，并根 据计算结果进行光伏储能调度。本方法通过将数据计算的方式得到光 伏储能调度方法，根据预测得到的光伏发电量和负载耗电情况以及充 电电池模块的具体参数进行充放电和系统切换控制，保证了充电电池 模块不处于过充过放状态，延长充电电池模块的寿命，避免出现电池 充满时光伏发电超过负载耗电浪费光伏发电的情况出现，从而达到最 优的能量利用，同时增加系统安全性。

附图说明

图1为本发明方法的主步骤流程图；

图2为本发明光伏储能调度系统的结构图；

图3为本发明神经网络训练步骤图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明：

参照图3，本发明的算法应用于一种光伏发电储能调度系统，包 括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、 电池管理系统、切换开关以及用于控制充电电池模块的充放电状态的 直流变换器，所述光伏发电模块依次通过光伏控制器及逆变模块与交 流负载连接，所述光伏控制器与逆变模块之间的连接端通过直流变换 器与充电电池模块连接，该连接端还通过整流器与供电电网连接，所 述逆变模块还直接与供电电网连接，所述电池管理系统与充电电池模 块连接，所述逆变模块用于将充电电池模块提供的直流电逆变为交流 电后输出到交流负载，所述切换开关用来决定负载选择电网供电还是 逆变器输出供电。

参照图1，基于图3所示的系统，本发明一种基于混合整数非线 性规划的光伏储能调度方法，包括有以下步骤：

A、建立光伏发电输出预测的神经网络模型和负载消耗预测的神 经网络模型；

B、根据光伏发电模块的历史运行数据对光伏发电输出预测的神 经网络进行训练，根据交流负载的历史消耗功率数据对负载消耗预测 的神经网络进行训练；

C、采集调度起始时刻的光伏发电模块的运行数据，进而根据光 伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型计 算未来时间段中每个时间周期的预测的光伏发电输出功率和负载消 耗功率；

D、获取当前时刻充电电池模块的电池剩余容量，根据上述预测 的光伏发电输出功率和负载消耗功率，利用混合整数非线性模型计算 获得从供电电网的取电功率最优时充电电池模块的充放电决策序列 及运行切换决策序列。

进一步作为优选的实施方式，还包括有步骤E：每隔一个时间周 期重新执行步骤B-D，并根据新计算得到的充电电池模块的充放电决 策序列及运行切换决策序列进行控制；具体神经网络训练步骤图参照 图3。

进一步作为优选的实施方式，所述步骤D中：

当前时刻充电电池模块的电池剩余容量为SOC(k)，且其约束条件 为：SOC(min)≤SOC(k)≤SOC(max)，SOC(min)、SOC(max)分别表示电池 剩余容量SOC(k)的最小值和最大值，k为时间序列；

P_load(k)表示预测的负载消耗功率，P_loadmax表示预测的负载消耗 功率P_load(k)的最大值，P_PV(k)表示预测的光伏发电功率；

所述混合整数非线性规划模型中目标函数J为：

$J=\underset{k=1}{\overset{24}{\Sigma }}[P_{grid}\left(k\right)\times \Delta t]$

其中，P_grid(k)表示系统从供电电网的取电功率，Δt表示充电电池模块 的充放电时间；

所述充放电决策变量为充电电池模块的充放电功率P_bat，其约束条件 为：P_batmin≤P_bat≤P_batmax，P_batmin、P_batmax分别表示充放电功率P_bat(k)的最小 值及最大值；

电池容量变化公式为：

$SOC(k+1)=SOC\left(k\right)+\frac{I\left(k\right)\Delta t}{C};$

所述运行切换决策变量为σ(k)，当系统采取交流电直接输出时二值变 量σ(k)＝0；当系统采取逆变器输出时σ(k)＝1；

所述功率平衡方程为：

$P_{PV}\left(k\right)+{\eta }_g{P}_{grid}\left(k\right)=P_{bat}\left(k\right)+(\frac{1}{{\eta }_i}-{\eta }_g)\sigma \left(k\right)P_{load}\left(k\right)+{\eta }_g{P}_{load}\left(k\right)+P_w\left(k\right)+P_{sys}$

其中，η_g表示整流器将供电电网的交流电转换为直流电的效率，η_i表 示逆变模块将直流电转换为交流电的效率，P_sys为系统自损耗，P_w(k)为 多余的太阳能；

电池充放电功率方程为：

P_bat(k)＝V_bat(k)I(k)

V_bat(k)＝OCV(SOC)+RI(k)

其中，V_bat(k)为电池电压，I(k)为电池充放电电流，P_bat(k)表示充电电 池模块的充放电功率，OCV(SOC)表示电池开路电压与电池剩余容量 SOC(k)的关系，R为电池内阻；

当电池充满至SOC＝1时，二值变量δ(k)＝0；否则δ(k)＝1

则1-SOC(k)≤δ(k)≤1000(1-SOC(k))

多余太阳能能量P_w(k)满足如下约束条件：

0＜P_w(k)≤P_PVmax(1-δ(k))

P_PV(k)-P_w(k)≥0

其中，P_PVmax为最大光伏输出能量；

当系统采取交流直接输出时市电输出功率满足如下输出条件：

P_grid(k)-P_load(k)≥(P_gridmin-P_loadmax)σ(k)

其中，P_gridmin为从电网获得最小能量；

上述各公式中，δ(k)、σ(k)为二值变量。

根据上述约束条件，通过每个时间周期对目标函数进行计算，获 得从供电电网的取电功率最优(即目标函数最小)时充电电池模块的 充放电决策序列及运行切换决策序列。

进一步作为优选的实施方式，所述步骤B中的未来时间段为未来 24小时，每个时间周期为1小时。

进一步作为优选的实施方式，所述步骤A中所述光伏发电模块的 历史运行数据包括有时间值、光照强度值和温度值。

进一步作为优选的实施方式，所述步骤A中对光伏发电输出预测 的神经网络进行训练用于建立光伏发电输出功率与时间值、光照强度 和温度值之间的关系。

进一步作为优选的实施方式，所述步骤A中对负载消耗预测的神 经网络进行训练用于建立负载消耗功率与时间之间的关系。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不 限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提 下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含 在本申请权利要求所限定的范围内。