一种基于预测数据修正的微网储能实时控制方法与流程

本发明属于微网储能系统智能能量管理领域，具体涉及一种基于预测数据修正的微网储能实时控制方法。

背景技术：
大规模使用以可再生能源(RES-E)为主的分布式电源可以降低对化石能源的依赖，有效减少大气污染排放，促进电力市场优化。然而，由于RES-E出力特性与负荷逆向分布，难以被当地负荷充分利用，规模化RES-E(风能和太阳能)会导致大量过剩功率入网，影响系统稳定性同时限制可再生能源入网数量的增长。因此，利用分布式电源与储能元件组成的微网对就近负荷供电可以减小对大系统扰动，保证供电的安全性、可靠性和能量分配的有效性，同时提高用电经济性以及RES-E的使用效率。目前大多数控制方案是基于预测数据并采用短期修正预测数据的方法实现储能元件充放电控制，如果预测值较为精确且短期修正预测数据的方法也足够精准，才能较好地削减负荷峰值。但分布式能源在空间上较为分散且数目众多，大多数情况下，预测值和实际值之间存在着较大的误差，且短期修正预测数据方法的精确性取决于数据修正间隔以及算法本身的预测精确性。若数据修正间隔取的过长，数据的精确性会下降；若数据修正间隔取的过短，算法运行时间变长，经济性会降低。这就使得小范围内很难实现对于负荷的精确预测，令已有的算法在实际应用过程中无法很好达到削峰填谷的效果，能源的就地利用效率也大打折扣。

技术实现要素：
为了解决上述问题，本发明公开了一种基于预测数据修正的微网储能实时控制方法，其特征在于，具体步骤为步骤1、计算得到与电价有关的预测剩余功率Psp(i)，判断电池为充电模式还是放电模式，从而得到电池的预充放电功率计划；所述预测剩余功率Psp(i)＝Pl(i)-[Ppv(i)+Pwd(i)]；Pl(i)为预测用户负荷功率，Ppv(i)为预测光伏发电功率，Pwd(i)为预测风力发电功率，i为采样点，间隔1s采样一次；电价曲线参考英国Economy7标准，每天的前7个小时为低电价时段，后17个小时为高电价时段，电价的高低只作为判定条件；PBref(i)为预充放电功率，当其为正时表示预放电功率，当其为负时表示预充电功率；具体计算电池预充放电功率分配计划将通过以下三种情况确定：a.当预测剩余功率Psp(i)为负时，电池处于充电模式，负值部分即为预充电功率，这部分预充电功率都将储存至电池；若处于低电价时期，电池还能储存电网向微网提供的额外的功率Pg(i)；b.当预测剩余功率Psp(i)为正，且处于低电价时期时，电池处于充电模式：电网向微网提供额外的功率Pg(i)，该部分在削减负荷的基础上若还有剩余则储存至电池中以备用；c.当预测剩余功率Psp(i)为正，且处于高电价时期时，电池处于放电模式：电池释放储能用于削减负荷；在该阶段内按预测剩余功率值的大小进行降序排序，确定PBref(i)；在低电价时期，电网向微网提供的额外功率dn为数据预测的总天数；所述PBref(i)的计算过程为：步骤101、在每天的起始点先计算电池当天内的预充放电功率；计算当天电池能用于调峰的总功率Pava(d)，为预测剩余功率负值部分和电池初始时刻自身储存的可释放的功率之和；式中：Pava(d)为能用于调峰的总功率；d为天数；Psp.neg(i)为预测剩余功率的负值部分；battery(86400*(d-1)+1)为电池储能功率；SoCmin为电池荷电状态最小值，该值是为了保证电池能长期稳定运行而设定的最小极限值；Ce为电池额定容量；步骤102、将满足情况c的预测剩余功率Psp(i)按大小降序排列，得到序列Pk(i,Psp(i))，k为预测剩余功率Psp(i)按大小降序后的排列序号，令k＝1；步骤103、确定PBref(i)＝min{Pk(i,Psp(i)),Pava(d)}；步骤104、确定完一个PBref(i)后就重新修正一次Pava(d)的值Pava(d)＝Pava(d)-PBref(i)，令k＝k+1，返回步骤103，确定序列Pk(i,Psp(i))中下一个对应的PBref(i)；步骤2、调整电池实际充放电功率值；计算基于实际数据的剩余功率P′sp(i)和低电价时期电网向微网提供的额外功率所述实际剩余功率P′sp(i)＝P′l(i)-[P′pv(i)+P′wd(i)]；P′l(i)为实际用户负荷功率，P′pv(i)为实际光伏发电功率，P′wd(i)为实际风力发电功率；ΔP(i)为第i时刻前的每一测量间隔内的电池实际充放电功率与预充放电功率之差的总和，表征电池第i时刻能多用于负荷调节的功率值；对电池实际充放电功率的修正过程将分为以下三种情况：a.当实际剩余功率P′sp(i)为负时，电池充电；若处于低电价时期，电池还能储存电网向微网提供额外的功率P′g(i)；修正ΔP(i)的值：ΔP(i)＝ΔP(i-1)-(P′Bref(i)-PBref(i))；b.当实际剩余功率P′sp(i)为正，且处于低电价时期时，电网向微网提供额外的功率P′g(i)在削减负荷的基础上若还有剩余则储存至电池中；修正ΔP(i)的值；c.当实际剩余功率P′sp(i)为正，且处于高电价时期时，电池释放储能用于削减负荷，实时修正电池的实际放电功率的过程将分为以下两种情况：c1.当预测剩余功率Psp(i)为负时，修正后电池实际放电功率P′Bref(i)＝max{0,(P′sp(i)+Psp(i))/2}；c2.当预测剩余功率Psp(i)为正时，若实际剩余功率P′sp(i)大于预测剩余功率Psp(i)时，在PBref(i)的数据上增加放电功率，若实际剩余功率P′sp(i)小于预测剩余功率Psp(i)时，在PBref(i)的数据上减少放电功率；修正后电池实际充放电功率修正ΔP(i)的值。发明的有益效果为：(1)在控制电池充放电过程中，利用了负荷和新能源发电的预测数据，但其只作为一个参考值，在实际运行过程中，该方法在保证能削减负荷峰值的基础上还能尽量扩大负荷削减的范围，该方法虽然基于预测数据，但并不依赖数据预测的精确性；(2)最大限度地实现新能源的本地利用，避免大量过剩功率涌入大电网；(3)提高电池储能的利用效率，更好地实现对负荷的“削峰填谷”。附图说明图1为电池管理系统算法流程图；图2a～c为用户负荷需求以及光伏和风力发电输出功率曲线；图3为预测剩余功率曲线；图4为冲击负荷曲线；图5为预测剩余功率与实际剩余功率的对比图；图6为低电价时期电网向系统提供的额外功率；图7为电池当前时刻可多用于调节负荷的功率值ΔP的变化曲线；图8为电池预充放电功率与实际充放电功率的对比图；图9为经调节后的负荷曲线；图10为高电价时期负荷削减率曲线；具体实验方式下面结合附图对本发明的具体实施方式作进一步的详细说明。本方法实验通过matlab编程来验证控制方法的有效性。利用英国诺丁汉大学“新能源住房系统”中一台3kW的风机和一台3kW的光伏系统进行实验，利用RES实测数据来验证提出算法的可行性。负荷数据由拉夫堡大学设计的CREST负荷用电模型生成，电价曲线采用Economy7标准，储能元件选用96kWh/7.5kW的Li-ion电池。场景设计为利用风机、光伏和储能装置组成一个小区微网为三户人家供电。图1为本发明方法的流程图。步骤1、计算得到与电价有关的预测剩余功率Psp(i)，判断电池为充电模式还是放电模式，从而得到电池的预充放电功率计划；所述预测剩余功率Psp(i)＝Pl(i)-[Ppv(i)+Pwd(i)]；Pl(i)为预测用户负荷功率，Ppv(i)为预测光伏发电功率，Pwd(i)为预测风力发电功率，i为采样点，间隔1s采样一次；电价曲线参考英国Economy7标准，每天的前7个小时为低电价时段，后17个小时为高电价时段，电价的高低只作为判定条件；PBref(i)为预充放电功率，当其为正时表示预放电功率，当其为负时表示预充电功率；具体计算电池预充放电功率分配计划将通过以下三种情况确定：a.当预测剩余功率Psp(i)为负时，电池处于充电模式，负值部分即为预充电功率，这部分预充电功率都将储存至电池；若处于低电价时期，电池还能储存电网向微网提供的额外的功率Pg(i)；b.当预测剩余功率Psp(i)为正，且处于低电价时期时，电池处于充电模式：电网向微网提供额外的功率Pg(i)，该部分在削减负荷的基础上若还有剩余则储存至电池中以备用；c.当预测剩余功率Psp(i)为正，且处于高电价时期时，电池处于放电模式：电池释放储能用于削减负荷；在该阶段内按预测剩余功率值的大小进行降序排序，确定PBref(i)；在低电价时期，电网向微网提供的额外功率dn为数据预测的总天数；所述PBref(i)的计算过程为：步骤101、在每天的起始点先计算电池当天内的预充放电功率；计算当天电池能用于调峰的总功率Pava(d)，为预测剩余功率负值部分和电池初始时刻自身储存的可释放的功率之和；式中：Pava(d)为能用于调峰的总功率；d为天数；Psp.neg(i)为预测剩余功率的负值部分；battery(86400*(d-1)+1)为电池储能功率；SoCmin为电池荷电状态最小值，该值是为了保证电池能长期稳定运行而设定的最小极限值；Ce为电池额定容量；步骤102、将满足情况c的预测剩余功率Psp(i)按大小降序排列，得到序列Pk(i,Psp(i))，k为预测剩余功率Psp(i)按大小降序后的排列序号，令k＝1；步骤103、确定PBref(i)＝min{Pk(i,Psp(i)),Pava(d)}；步骤104、确定完一个PBref(i)后就重新修正一次Pava(d)的值Pava(d)＝Pava(d)-PBref(i)，令k＝k+1，返回步骤103，确定序列Pk(i,Psp(i))中下一个对应的PBref(i)；步骤2、调整电池实际充放电功率值；计算基于实际数据的剩余功率P′sp(i)和低电价时期电网向微网提供的额外功率所述实际剩余功率P′sp(i)＝P′l(i)-[P′pv(i)+P′wd(i)]；P′l(i)为实际用户负荷功率，P′pv(i)为实际光伏发电功率，P′wd(i)为实际风力发电功率；ΔP(i)为第i时刻前的每一测量间隔内的电池实际充放电功率与预充放电功率之差的总和，表征电池第i时刻能多用于负荷调节的功率值；对电池实际充放电功率的修正过程将分为以下三种情况：a.当实际剩余功率P′sp(i)为负时，电池充电；若处于低电价时期，电池还能储存电网向微网提供额外的功率P′g(i)；修正ΔP(i)的值：ΔP(i)＝ΔP(i-1)-(P′Bref(i)-PBref(i))；b.当实际剩余功率P′sp(i)为正，且处于低电价时期时，电网向微网提供额外的功率P′g(i)在削减负荷的基础上若还有剩余则储存至电池中；修正ΔP(i)的值；c.当实际剩余功率P′sp(i)为正，且处于高电价时期时，电池释放储能用于削减负荷，实时修正电池的实际放电功率的过程将分为以下两种情况：c1.当预测剩余功率Psp(i)为负时，修正后电池实际放电功率P′Bref(i)＝max{0,(P′sp(i)+Psp(i))/2}；c2.当预测剩余功率Psp(i)为正时，若实际剩余功率P′sp(i)大于预测剩余功率Psp(i)时，在PBref(i)的数据上增加放电功率，若实际剩余功率P′sp(i)小于预测剩余功率Psp(i)时，在PBref(i)的数据上减少放电功率；修正后电池实际充放电功率修正ΔP(i)的值。图2a～c为用户负荷需求以及光伏和风力发电在3天内(72h)的输出功率，在实验过程中，将其作为预测数据使用。由图2可知，光伏发电的高峰期为每天中午，风力发电的高峰期通常在深夜和清晨。但是，用户负荷需求的高峰期在早晨和晚上。图3为基于预测数据的预测剩余功率，通过计算得到，预测剩余功率的负值部分表示低负荷时段RES(光能和风能)存在过剩的现象。为了提高使用实时计价方式的效益，可以将这部分过剩能量在低电价和低负荷时存储起来，在电价以及负荷升高时释放。图4为冲击负荷曲线，模拟每天的第17-21小时内非可预测电动汽车充电功率。在实际运行中，本文提出的方法将针对负荷出现冲击负荷的情况实时修正电池放电功率。图5为预测剩余功率和实际剩余功率的对比图，图中两条曲线的差值即为用于修正电池放电功率的判定条件。基于图5中实际剩余功率曲线，采用本文提出的基于预测数据的微网储能实时控制方法进行编程试验，并将结果与只按电池预充放电功率计划运行的结果进行比较。试验运行7天，为了能更清晰的比较结果，以下的图例只截取了一部分时间(第120-144小时内)的曲线图。图6为低电价时期电网向系统提供的额外功率。由于每天都会出现负荷波动，根据式(4)的计算就导致了两条曲线的差值。由于负荷的增加，电网也增加了低电价时期向系统的供电，从而可以更好地削减高电价时期的负荷峰值，提高电池的利用效率和用电的经济性。图7为电池当前时刻可多用于调节负荷的功率值ΔP的变化曲线，图8为电池预充放电功率和实际充放电功率的比较结果，图9为经调节后的负荷曲线。第120-127小时内ΔP和电池充电功率的差异是由图6所示的结果导致的，从而也使图9中第121小时内的负荷减小。而在第137小时内，出现了冲击负荷的情况，负荷增加，电池相应地增加了放电功率，ΔP值也随之减小直至0。从图9中也可以看出，第137小时内的负荷减小了很多，同时也并没有影响别的负荷峰值时段的调峰情况。图10为高电价时期负荷的削减率曲线，其直观地显示出电池充放电对负荷削减的作用。为了进一步验证本文提出算法的有效性，将按电池预充放电功率计划和实时控制的方法分别应用于负荷数据波动幅度更大的情况中，并将程序连续运行8周。表1为当负荷出现随机波动时电池预充放电功率计划和实时控制方法运行结果数据。表1表1中的“负荷需求”为运用这两种方法调节后的负荷值，“负荷优化率”为实时控制方法的负荷削减结果比按电池预充放电功率计划运行的负荷削减结果提高的削峰率，这两种数据直接体现了实时控制方法对负荷削减能起到更好的效果。“电池利用率”为一周当中电池实际释放的功率与电池中可用于调峰的总功率的比值，由数据对比可知，实时控制方法在运行过程中的电池利用效率明显比按电池预充放电功率计划运行过程高。表1的数据从整体上证实了本文提出的基于预测数据的微网储能实时控制方法不仅提高了对新能源的利用效率，也提高了对储能系统(电池)的利用效率。最后应当说明的是：以上实验仅用以说明本发明的技术方案而非对其限制，尽管参照上述实验对本发明进行了详细说明，所属领域的技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。