智能电网的储能调度方法和装置与流程

本发明涉及智能电网领域，特别是涉及一种智能电网的储能调度方法和装置。
背景技术：
：伴随着智能电网技术的日益成熟，风力发电、电动汽车领域发展迅猛，二者的随机性特点必然给智能电网的运行带来诸多不确定因素，而在智能电网中接入储能单元可以减小上述不确定性带来的风险。随机潮流是电力系统稳态运行的一种宏观统计方法，用概率论来表述系统运行中的不确定性，可计算出系统稳态运行的整体样本信息，随着风力发电、电动汽车等随机因素单元的大规模并入电网，电力系统的不确定性愈发明显，因此，在随机潮流的基础上研究智能电网的安全运行特性更贴合实际工况。目前在计算随机潮流与储能优化领域已有诸多研究成果。但目前研究出的储能调度方法其精确度和效率均较低，不利于抑制智能电网的不确定性。技术实现要素：基于此，本发明提供一种智能电网的储能调度方法和装置，优化智能电网中的储能调度，抑制智能电网的不确定性。为实现上述目的，本发明实施例采用以下技术方案：一种智能电网的储能调度方法，包括如下步骤：获取智能电网中的风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型；所述智能电网中包含风力发电机、储能装置以及电动汽车充电站；根据所述风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型，采用基于四阶Gram-Charlier级数展开式的两点估计法对所述智能电网进行随机潮流计算，并对随机潮流计算结果进行随机采样，获得期望潮流分布；依据所述期望潮流分布确定约束条件，采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足所述约束条件的最优储能调度方案；依据所述最优储能调度方案对所述智能电网中的所述储能装置进行调度。一种智能电网的储能调度装置，包括：不确定模型获取模块，用于获取智能电网中的风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型；所述智能电网中包含风力发电机、储能装置以及电动汽车充电站；随机潮流计算模块，用于根据所述风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型，采用基于四阶Gram-Charlier级数展开式的两点估计法对所述智能电网进行随机潮流计算，并对随机潮流计算结果进行随机采样，获得期望潮流分布；寻优模块，用于依据所述期望潮流分布确定约束条件，采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足所述约束条件的最优储能调度方案；优化调度模块，用于依据所述最优储能调度方案对所述智能电网中的所述储能装置进行调度。根据本发明实施例的上述技术方案，在对智能电话进行储能调度时，引入风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型，并通过基于四阶Gram-Charlier级数展开式的两点估计法进行高精度、高效率的随机潮流计算，依据随机潮流计算的结果确定约束条件，然后采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足约束条件的最优储能调度方案，从而依据最优储能调度方案对智能电网中进行储能调度。本发明实施例中采用基于四阶Gram-Charlier级数展开式的两点估计法进行随机潮流计算，其具有高精度、高效率的优点。本发明实施例中使用基于分段惯性递减权重的粒子群算法对目标函数进行求解，相较于基于单一线性递减惯性权重或单一非线性递减惯性权重的粒子群算法相比，一方面能够加快前期收敛速度，另一方面在迭代后期使算法具有更好的跳出次优解的能力，因此能够准确地找到最优解，获得最优储能调度方案，依据该最优储能调度方案对智能电网进行储能调度后能有效抑制不确定性，使智能电网能够安全、稳定地运行。附图说明图1是本发明的智能电网的储能调度方法在一个实施例中的流程示意图；图2为本发明实施例中风力发电机功率曲线示意图；图3为本发明实施例中采用基于四阶Gram-Charlier级数展开式的两点估计法以及基于分段惯性递减权重的粒子群算法进行求解的流程示意图；图4为本发明实施例中智能电网的结构示意图；图5为本发明实施例中采用的比亚迪F3DM车型的电池参数；图6为本发明实施例中采用不同算法模拟的节点1功率概率密度分布示意图；图7为本发明实施例中计算出的智能电网各元件调度期望值；图8为本发明实施例中三种不同方案下的各子目标函数值的示意图；图9为本发明的智能电网的储能调度装置在一个实施例中的结构示意图。具体实施方式下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然，下文所描述的实施例仅用于解释本发明，而非对本发明的限定。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。图1是本发明的智能电网的储能调度方法在一个实施例中的流程示意图，如图1所示，本实施例中的智能电网的储能调度方法包括以下步骤：步骤S110，获取智能电网中的风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型；本实施例中的智能电网中包含风力发电机、储能装置以及电动汽车充电站。风力发电、电动汽车充电的随机性特点会给智能电网的运行带来诸多不确定因素。对于风力发电机不确定模型，其中风速分布一般可用两参数威布尔概率密度分布函数拟合：f(vw)=(kwcw)(vwcw)kw-1exp[-(vwcw)kw]---(1)]]>式(1)中，kw为威布尔分布的形状参数，cw为尺度参数，vw为实时风速。威布尔分布的数学期望与方差可用Gamma函数求取。在现实工程中，风力发电机功率与风速可表示成如图2所示的曲线，在数学模型中可表示成如下的分段函数：PWT=0vw≤vci,vw≥vcoPWT-r·vw-vcivr-vcivci≤vw≤vrPWT-rvr≤vw≤vco---(2)]]>式(2)中，vr为额定风速，PWT-r为风力发电机额定功率，vco为切出风速，vci为切入风速，vw为实时风速。对于负荷不确定性模型的模拟，通过历史负荷数据预测24小时的负荷曲线(即日负荷曲线)，再根据式3拟合出负荷的一般概率分布模型。f(Pf)=1σf2πexp[-(Pf-μf)22σf2]---(3)]]>式(3)中：Pf为负荷功率，σf为负荷功率的标准差，μf为负荷功率的期望值。对于电动汽车充电不确定性模型，根据美国家庭交通出行调查数据(NHTS)结果显示，电动汽车的开始充电时刻服从一般正态分布，日行驶里程服从对数正态分布，相应的概率密度函数表达式如下：f(Tc)=1σT2πexp[-(Tc-μT)22σT2],(μT-12)<Tc≤241σT2πexp[-(Tc+24-μT)22σT2],0<Tc≤(μT-12)---(4)]]>f(D)=1DσD2πexp[-(lnD-μD)22σD2]0≤D≤200---(5)]]>式(4)中，Tc为开始充电时刻，μT＝17.6，σT＝3.4；式(5)中，D为日行驶里程，其单位为公里，μD＝3.2，σD＝0.88。对于电动汽车的电池模型，本实施例中采用市面上具有代表性的比亚迪F3DM车型的电池参数进行分析计算，并假定车主最后一次出行结束后便开始为电动汽车充电。步骤S120，根据所述风力发电机不确定模型、负荷不确定性模型以及电动汽车充电站不确定性模型，采用基于四阶Gram-Charlier级数展开式的两点估计法对所述智能电网进行随机潮流计算，并对随机潮流计算结果进行随机采样，获得期望潮流分布；两点估计法是近似法中应用最为广泛的一种方法，即在求解随机潮流时，从单个不确定变量的均值附近取两个值来代替该不确定量参与潮流计算，其它不确定量取均值，分别进行确定的潮流计算。以具体数学问题为例，阐述两点估计法计算过程如下：已知潮流方程为Z＝F(x1,x2,...,xn)，xi为服从某种随机分布的随机变量，其均值为标准差为在每个随机变量xi(i＝1,2...m)的左右邻域各取一点，记做xi,1，xi,2，选取方式满足下式：xi,k=μxi+ξi,kσxi,k=1,2---(6)]]>式(6)中ξi,k为选取点的位置度量，满足：ξi,k=λi,32+(-1)3-k·m+(λi,32)2---(7)]]>式(7)中λi,3为xi的偏度系数，满足：λi,3=∫-∞∞(xi-μxi)3·f(xi)dxi(σxi)3---(8)]]>式(8)中f(xi)为随机变量xi的概率分布函数。用xi,1、xi,2代替xi，分别进行确定的潮流计算，可得潮流结果变量Zi,1、Zi,2。用wi,k表示xi,k的概率集中度，即：wi,k=1m(-1)kξi,3-kηi---(9)]]>式(9)中最终可得潮流结果变量的各阶矩为：E(Zj)=Σi=1mΣk=12wi,k×(Zi,k)j---(10)]]>从上述分析可以得出，若潮流方程中有n个不确定量，则需要进行2n次确定的潮流计算。显然，对于本实施例所提出的各不确定模型，共包含4个随机物理量，分别是风力发电机功率PWT、负荷功率Pf、电动汽车开始充电时刻Tc、电动汽车日行驶里程D，所需要求解的随机潮流方程为：PG(t)＝PWT(t)-PBEV(t)-Pf(t)-PESS(t)(11)式(11)中，PG(t)为上级电网的注入功率，Pf(t)为负荷功率，PWT(t)为风力发电机功率，PESS(t)为储能装置的充放电功率，而PBEV(t)为电动汽车的充电功率，其受电动汽车开始充电时刻Tc、电动汽车日行驶里程D的影响，式(11)中Pf(t)、PWT(t)以及PBEV(t)均为随机变量，故由上述两点估计法求解出式(11)中的待求解随机变量PG(t)、PESS(t)，所得的结果是关于待求解随机变量的各阶矩，如式(10)所示。传统两点估计法只需要求解出随机变量的一阶矩(即期望)、二阶矩(即方差)即可近似求得随机变量的概率密度分布，但这种做法会影响结果的精确性，因此本实施例中采用基于四阶Gram-Charlier级数展开式的两点估计法进行随机潮流计算，通过四阶Gram-Charlier级数展开式来描述随机变量的概率密度分布，以此提高精确度。已知某随机变量的各阶矩，由Gram-Charlier展开级数可求得该变量的概率密度函数。具体表达式如下：式(12)中：为标准正态分布的概率密度函数，C1、C2是与随机变量各阶矩相关的物理量，满足：C0=1,C1=C2=0,C3=-E(Z3)σ3,C4=-E(Z4)σ4-3......---(13)]]>σ为所求解的随机变量的方差，即二阶矩。本实施例中取4阶Gram-Charlier级数展开，既可以满足精度要求，又能提高效率。通过基于四阶Gram-Charlier级数展开式的两点估计法求解出PG(t)、PESS(t)在某一个时刻的概率密度分布，然后进行随机采样，例如利用matlab进行随机采样，设置采样次数为10000，求解出采样样本中所有数据的平均值，即可得该时刻的平均潮流结果，即期望潮流。重复上述过程，即可解出如式(11)所示的随机潮流方程，便可得出一天24个小时内，各个小时的期望潮流分布。步骤S130，依据所述期望潮流分布确定约束条件，采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足所述约束条件的最优储能调度方案；在本实施例中，可将反映智能电网成本的函数作为目标函数，在依据期望潮流分布确定的约束条件下，通过基于分段惯性递减权重的粒子群算法对目标函数进行寻优，从而获得最优储能调度方案。在一种可选的实施方式中，可综合考虑供电侧、用户侧及储能装置三个方面的因素，构建统一为成本量纲的目标函数，并通过层次分析法计算出各子目标函数的权重，化目标函数为单一综合目标函数，即确定如下的目标函数：F＝min(λ1·f1+λ2·f2+λ3·f3)(14)式(14)中，f1为智能电网的运行成本函数，f2为智能电网的供缺电量成本函数，f3为智能电网的储能装置成本函数，λ1、λ2、λ3均为权重系数，且满足λ1+λ2+λ3＝1。具体的，在本实施例中，智能电网的运行成本即为智能电网从上级电网的购电成本。通过合理调度储能装置能够实现主动配电网实时电价响应，用电低谷时购电储蓄，用电高峰时放电削峰，以此减小负荷的峰谷差，并能节约购电成本。因此将智能电网的运行成本函数作为储能优化的子目标函数之一，如式(15)所示：f1=Σt=124Σi∈AssPu(t)·EPu-i(t)---(15)]]>式(15)中，Ass为智能电网变电站集合，Pu(t)为t时刻向上级电网购电的电价，EPu-i(t)为第i个变电站在t时刻从上级电网购买的电量。供电可靠性是考核智能电网可靠性的关键参考标准，代表电力系统的持续供电能力。考核供电可靠性的参数主要有期望供缺电量、用户平均停电时间和供电可靠率等等，本实施例中要探讨储能装置对供电可靠性的影响，因此采用期望供缺电量(EENS)来衡量智能电网的供电可靠性，并在EENS中引入储能恢复电量。EENS指标如下所示：EENS=Σt=124Σj∈AFEλj·[Pjshed(t)-PjRES(t)]×ΔTj---(16)]]>式(16)中：AFE为故障事件集合，λj为每个小时内第j种故障事件的发生概率，为发生第j种故障导致的甩负荷量，为由储能装置提供的恢复电量，ΔTj为第j种故障的平均恢复时间。再引入各故障事件成本FCj，将EENS转化为智能电网的供缺电量成本函数，作为储能优化的另一子目标函数：f2=Σt=124Σj∈AFEFCj·λj·[Pjshed(t)-PjRES(t)]×ΔTj---(17)]]>另外，在智能电网中投入储能装置需要储能投资，储能投资包括固定投资和电池退化成本，固定投资即为储能装置的建造成本和运行维护成本，主要与储能装置的额定功率和额定容量有关，电池退化成本由蓄电池售价和其生命周期决定。为考虑储能装置的利用效率，将智能电网的储能装置成本函数作为储能优化的另一个子目标函数，储能装置成本函数表达如式(18)。f3=Σk∈AES[Cck+Cpk·PEsr-k+Cek·EEsr-k+CPuk·(1+r0)Lk·ΔLkLk]---(18)]]>式(18)中，AES为智能电网中的储能装置集合，Cck为第k个储能装置的建造成本，Cpk为第k个储能装置单位充放电功率的维护成本；PEsr-k为第k个储能装置的额定功率；Cek为第k个储能装置单位容量的维护成本；EEsr-k为第k个储能装置的额定功率；CPuk为第k个储能装置的购买价格；r0为银行年利率；Lk为储能装置的总寿命周期；ΔLk为储能装置在充放电过程中的退化度，其量纲为时间量纲。上述三个子目标函数的量纲均为价格，通过加权系数法可以将这三个子目标转化为本实施例中式(14)所示的目标函数。可选的，对于目标函数中权重系数λ1、λ2、λ3的选取，可采用层次分析法确定一组以电网利益为主导的权重系数组合，本实施例中通过层次分析法确定λ1为0.55，λ2为0.22，λ3为0.23。在一种可选的实施方式中，所述约束条件包括潮流等式约束条件、节点电压约束条件、功率约束条件、储能装置荷电状态约束条件以及储能装置能量平衡约束条件。其中，潮流等式约束条件如下式(18)：PG(t)＝PWT(t)-Ploss(t)-Pf(t)-PESS(t)(18)式(18)中，PG(t)是t时刻上级电网的注入功率，Ploss(t)为智能电网的有功损耗；Pf(t)是负荷功率；PWT(t)风力发电机功率；PESS(t)为储能装置的充放电功率，充电时其为正，放电时其为负。节点电压约束条件如下式(19)：Vimin≤Vi≤Vimax∀i∈AN---(19)]]>式(19)中，AN为智能电网中的节点集合，式(19)表明智能电网中所有节点要满足电压的上下限约束。功率约束条件如下式(20)：Pminu≤Pu≤Pmaxu∀u∈AEQ---(20)]]>式(20)中，AEQ为智能电网中所有设备的集合，式(20)表明智能电网中所有设备要满足其功率的上下限约束。储能装置荷电状态约束条件如下式(21)：SOCnmin≤SOCn≤SOCnmax(21)式(21)中，SOCn为第n个储能装置的荷电状态，本实施例中设定其荷电状态范围为5％～95％。储能装置能量平衡约束条件如下式(22)：EEss-n(0)＝EEss-n(24)(22)式(22)中，EEss-n(0)为储能装置储备的初始能量，EEss-n(24)为调度周期结束时储能装置的剩余能量，即在整个调度周期中，要保证储能装置的能量守恒。粒子群算法是一种群体智能优化算法，其实现方便、计算速度快，但也易陷入局部最优。因此，本实施例中采用基于分段惯性递减权重的粒子群算法，对目标函数进行求解。本实施例中所使用的基于分段惯性递减权重的粒子群算法属于改进粒子群算法，在粒子群算法中引入分段惯性递减权重。在一种可选的实施方式中，所述基于分段惯性递减权重的粒子群算法的迭代次数设置为1000，在前700次迭代中采用二次非线性惯性递减权重对目标函数进行寻优，在后300次迭代中采用线性惯性递减权重对所述目标函数进行寻优，以此来平衡寻优前后期的搜寻范围与速度。该方法较单一线性递减惯性权重或单一非线性递减惯性权重相比，一方面能够加快前期收敛速度，另一方面在迭代后期使算法具有更好的跳出次优解的能力。改进后的粒子群更新方程如下：Vidk+1=ωkVidk+c1r1(Pidk-Xidk)+c2r2(Pgdk-Xidk)Xidk+1=Xidk+Vidk+1ωk+1=ωstart-(ωstart-ωend)·(kTmax)2,(k≤700)ωk+1=ωstart-(ωstart-ωend)·(kTmax),(700≤k≤1000)---(23)]]>式(23)中：Vid为粒子当前运动速度，k为迭代次数，ω为惯性权重系数，代表粒子之前速度的保持程度，c1、c2为粒子的学习因子，Pid为第i个粒子自身优解，Xid为粒子的当前位置，r1、r2为[0,1]区间内随机数，Pgd为所有粒子当前搜索到的最优解，ωstart为初始惯性权重，ωend为迭代至最大次数时的惯性权重，Tmax为最大迭代次数。在迭代初期，粒子寻优速度较大，二次非线性递减惯性权重可以使速度加倍，粒子趋向于大范围搜寻最优解，在迭代后期，粒子在当前最优解的附近进行深度挖掘。通过本实施例中基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行寻优，即可获得满足约束条件的最优储能调度方案。步骤S140，依据所述最优储能调度方案对所述智能电网中的所述储能装置进行调度。在得出最优储能调度方案后，对智能电网中的储能装置进行调度，抑制因风力发电和电动汽车充电的随机性特点给智能电网的运行带来的不确定性。本实施例中采用基于四阶Gram-Charlier级数展开式的两点估计法以及基于分段惯性递减权重的粒子群算法进行求解的流程可参照图3所示。为了进一步验证本实施例中的智能电网的储能调度方法，下面结合某地区一个包含11个节点的智能电网来进行说明。参照图4所示，其中G表示上级电网，WT为风力发电机，EVCS为电动汽车充电站，图4所示的智能电网包含11个节点，且该智能电网为10kV电压等级配电网，其中包含一个风力发电机(图4中标记为WT)，其出力极限为0.5MW；两个蓄电池储能，最大功率均为0.4MW，容量为800kW·h，初始荷电状态为5％；变压器功率极限为1MW；网络中阻抗参数及负荷位置如图4所示。对某地区实测风速数据进行采样记录，采样间隔为1h，采样时间为8760h，用所得数据生成风速的概率密度函数，得到cw＝14.12，kw＝2.02。风力发电机的额定风速、切入风速及切出风速分别为15m/s，3m/s，30m/s，风力发电机额定功率为0.5MW。根据该地区的历史负荷数据进行负荷预测，拟合出日负荷曲线，并计算出负荷功率的期望值μf＝0.475，负荷功率的标准差σf＝0.193，单位均为MW。设定该地区的电动汽车数量为1000台，采用比亚迪F3DM车型的电池参数(电池参数如图5所示)。智能电网故障事件的发生概率取平均值0.05次/h，故障的平均修复时间为8h，故障事件成本取平均值0.8元/kW·h，故障导致的甩负荷量取平均值为总负荷的10％。储能装置的购买价格为5万元，储能装置的建造成本为5000元，银行年利率为7％，储能装置的总寿命周期为5年，储能装置单位充放电功率的维护成本Cpk＝0.05元/kW，储能装置单位容量的维护成本为Cek＝0.04元/kW·h。蒙特卡洛模拟法是求解随机潮流的方法之一，即通过产生大量满足随机变量分布特点样本进行模拟统计，在样本量足够大的情况其精确程度很高，但是求解速度很慢，一般只将其作为评价各种算法优劣的标准。为检验本实施例中所提出的基于四阶Gram-Charlier级数展开式的两点估计法在求解含多不确定变量方程问题上的误差，将用蒙特卡洛模拟法模拟的节点1功率密度分布与基于四阶Gram-Charlier级数展开式的两点估计法求得的结果进行对比，结果如图6所示。从图6可以看出，基于四阶Gram-Charlier级数展开式的两点估计法与蒙特卡洛模拟法求解的结果基本吻合，偏差较小，验证了基于四阶Gram-Charlier级数展开式的两点估计法计算结果的精确性。根据本实施例中所提供的目标函数以及基于分段惯性递减权重的粒子群算法，可以求解出图4所示的智能电网的最优储能调度方案。具体的，设置粒子的学习因子均为0.2，初始惯性权重为0.9，迭代至最大次数时惯性权重为0.4，最大迭代次数为1000，对所提出的目标函数进行求解。本实例利用层次分析法确定了一组以电网利益为主导的权重系数组合，即λ1＝0.55，λ2＝0.22，λ3＝0.23，在此权重组合的基础上对储能装置的出力进行调度优化，智能电网各元件调度期望值如图7所示，通过引入储能装置并进行优化调度，可以抑制智能电网的不确定性。另外，为分析多不确定性与储能装置对配电网经济运行的影响，制定了三种方案，参照图8所示，方案1为智能电网不包含不确定性(即不考虑风力发电和电动汽车充电的不确定性)和储能装置；方案2为智能电网包含不确定性(即考虑风力发电和电动汽车充电的不确定性)，但不包含储能装置；方案3为智能电网包含不确定性和储能装置。将三种方案的子目标函数值(即智能电网的运行成本、供缺电量成本以及储能装置成本)进行对比，从如图8可以看出，大规模风力发电机与电动汽车的接入伴随的不确定性会增加智能电网的运行成本，相比于传统运行方式运行成本增加7.25％，而且会降低智能电网的供电可靠性，供缺电量成本增加了50.52％。引入储能装置后，该地区智能电网的运行成本与供缺电量成本均有所下降，但要额外支出储能装置成本，从图8可以看出，引入储能装置即方案3的总成本最小，储能优化的优越性得以显现。需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。根据上述本发明的智能电网的储能调度方法，本发明还提供一种智能电网的储能调度装置，下面结合附图及较佳实施例对本发明的智能电网的储能调度装置进行详细说明。图9为本发明的智能电网的储能调度装置在一个实施例中的结构示意图。如图9所示，该实施例中的智能电网的储能调度装置包括：不确定模型获取模块1，用于获取智能电网中的风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型；所述智能电网中包含风力发电机、储能装置以及电动汽车充电站；随机潮流计算模块2，用于根据所述风力发电机不确定模型、负荷不确定性模型以及电动汽车充电不确定性模型，采用基于四阶Gram-Charlier级数展开式的两点估计法对所述智能电网进行随机潮流计算，并对随机潮流计算结果进行随机采样，获得期望潮流分布；寻优模块3，用于依据所述期望潮流分布确定约束条件，采用基于分段惯性递减权重的粒子群算法，对预先建立的目标函数进行求解，获得满足所述约束条件的最优储能调度方案；优化调度模块4，用于依据所述最优储能调度方案对所述智能电网中的所述储能装置进行调度。在一种可选的实施方式中，所述基于分段惯性递减权重的粒子群算法的迭代次数为1000，在前700次迭代中所述寻优模块采用二次非线性惯性递减权重对所述目标函数进行寻优，在后300次迭代中所述寻优模块采用线性惯性递减权重对所述目标函数进行寻优。在一种可选的实施方式中，所述目标函数为：F＝min(λ1·f1+λ2·f2+λ3·f3)其中，f1为所述智能电网的运行成本函数，f2为所述智能电网的供缺电量成本函数，f3为所述智能电网的储能装置成本函数，λ1、λ2、λ3均为权重系数，且满足λ1+λ2+λ3＝1。在一种可选的实施方式中，根据层次分析法确定λ1为0.55，λ2为0.22，λ3为0.23。在一种可选的实施方式中，所述约束条件包括潮流等式约束条件、节点电压约束条件、功率约束条件、储能装置荷电状态约束条件以及储能装置能量平衡约束条件。上述智能电网的储能调度装置可执行本发明实施例所提供的智能电网的储能调度方法，具备执行方法相应的功能模块和有益效果，此处不再予以赘述。以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。当前第1页1 2 3