用于独立微电网的能量动态调度的方法和设备与流程

本发明涉及一种用于微电网调度的方法和设备，更具体地讲，涉及一种用于独立微电网的能量动态调度的方法和设备。
背景技术：
：微电网是由分布式电源、负荷和储能装置组成的小型网络。微电网可以并网运行，也可以孤岛运行。将分散的发电系统和能量存储单元以独立的方式结合在一起作为微电网的先进控制技术正在为用户提供在本地获得可靠和安全的电力的机会。作为主要的可再生能源的风力(wt)和光伏太阳能(pv)及诸如微型燃气轮机、燃料电池(fc)和柴油发动机(de)等发电源是微电网中使用的主要分布式发电源，这些能源可以与储能系统互相支持，以补偿可再生能源的间歇性，从而尽可能地提高系统的可靠性和能源可持续性。在智能电网的背景下，微电网的负载调度对于确保能源利用率和降低运行成本尤为重要。然而，目前对微电网负荷优化分配的研究较少，现有的负载优化分配模型均是基于历史数据的分析结果所建立的。也就是说，这些建模方法仅仅是通过统计学或概率学的方法对历史数据(能源特性以及微电网需求)进行分析，根据分析得出的规律建立优化模型。这些方法既没有考虑外界环境因素的改变对能源输出的影响，也没有考虑微电网自身能耗需求的动态变化，进而造成资源的浪费以及成本居高不下。技术实现要素：本发明的目的之一在于提供一种基于遗传算法的独立微电网的能量动态调度方法和设备。本发明的另一目的在于提供一种能够最小化能源生产成本、最大化能源存储系统经济效益以及增强对独立微电网中可再生能源的利用的独立微电网动态调度方法。根据本发明的一方面，提供一种独立微电网的能量动态调度方法，独立微电网可包括多种分布式发电源和储能系统，多种分布式发电源可包括可再生能源和传统可分派单元，动态调度方法可包括如下步骤：s1：获取用于动态调度的预测数据并获取传统可分派单元和储能系统的基本信息；s2：基于基本信息并利用智能优化算法建立基于多种分布式发电源的动态调度优化模型；s3：将预测数据输入到动态调度优化模型；s4：根据动态调度优化模型的输出结果进行独立微电网的能量动态调度。根据本发明的实施例，获取用于动态调度的预测数据的步骤可包括：预测独立微电网在预定时间间隔的载荷需求数据；预测可再生能源在预定时间间隔的发电数据。根据本发明的实施例，获取传统可分派单元和储能系统的基本信息的步骤可包括：获取传统可分派单元的成本函数、功率极限和启动成本函数；获取储能系统的充电/放电功率限值和充电状态。根据本发明的实施例，预测独立微电网在预定时间间隔的载荷需求数据的步骤可包括：获取历史载荷需求数据、历史天气数据和气象预测数据并基于历史载荷需求数据、历史天气数据和气象预测数据来预测独立微电网在预定时间间隔的载荷需求数据；预测可再生能源在预定时间间隔的发电数据的步骤可包括：获取可再生能源的历史发电数据、历史天气数据和气象预测数据并基于历史发电数据、历史天气数据和气象预测数据来预测可再生能源在预定时间间隔的发电数据。根据本发明的实施例，根据动态调度优化模型的输出结果进行独立微电网的能量动态调度的步骤可包括：将控制传统可分派单元和储能系统的输出功率的指令分别发送到传统可分派单元和储能系统。根据本发明的实施例，将控制传统可分派单元和储能系统的输出功率的指令分别发送到传统可分派单元和储能系统的步骤可包括：持续将控制传统可分派单元和储能系统在预定时间间隔的输出功率的指令分别发送到传统可分派单元和储能系统，以实时动态调整传统可分派单元和储能系统的输出功率。根据本发明的另一方面，提供一种独立微电网的能量动态调度设备，独立微电网可包括多种分布式发电源和储能系统，多种分布式发电源可包括可再生能源和传统可分派单元，动态调度设备可包括：信息获取程序模块，获取用于动态调度的预测数据并获取传统可分派单元和储能系统的基本信息；建模程序模块，基本信息并利用智能优化算法建立基于多种分布式发电源的动态调度优化模型；输入程序模块，将预测数据输入到动态调度优化模型；调度程序模块，根据动态调度优化模型的输出结果进行独立微电网的能量动态调度。根据本发明的实施例，信息获取程序模块可包括预测程序模块，预测程序模块可预测独立微电网在预定时间间隔的载荷需求数据，并可预测可再生能源在预定时间间隔的发电数据。根据本发明的实施例，信息获取程序模块还可包括参数获取程序模块，参数获取程序模块可获取传统可分派单元的成本函数、功率极限和启动成本函数，并可获取储能系统的充电/放电功率限值和充电状态。根据本发明的实施例，预测程序模块可获取历史载荷需求数据、历史天气数据和气象预测数据并基于历史载荷需求数据、历史天气数据和气象预测数据来预测独立微电网在预定时间间隔的载荷需求数据；预测程序模块可获取可再生能源的历史发电数据、历史天气数据和气象预测数据并基于历史发电数据、历史天气数据和气象预测数据来预测可再生能源在预定时间间隔的发电数据。根据本发明的实施例，调度程序模块可将控制传统可分派单元和储能系统的输出功率的指令分别发送到传统可分派单元和储能系统。根据本发明的实施例，调度程序模块可持续将控制传统可分派单元和储能系统在预定时间间隔的输出功率的指令分别发送到传统可分派单元和储能系统，以实时动态调整传统可分派单元和储能系统的输出功率。根据本发明的另一方面，提供一种计算机可读存储介质，计算机可读存储介质上存储有程序或指令，程序或指令由处理器执行时实现上述方法。根据本发明的另一方面，提供一种计算机设备，该计算机设备可包括处理器及存储器，存储器中存储有程序或指令，所述程序或指令由处理器执行时实现上述方法。根据本发明的实施例，利用遗传算法的独立微电网的能量动态调度方法可快速收敛并得到全局最优方案。根据本发明的实施例，通过动态调度优化模型的建立实现独立微电网内的每日能源生产成本最小化并且增强可再生能源的利用率。附图说明通过结合附图对下面的实施例的描述，本发明这些和/或其它方面及优点将会变得清楚，并且更易于理解，其中：图1是根据本发明的实施例的独立微电网的构造图；图2是根据本发明的实施例的独立微电网的能量动态调度方法的流程图；图3是根据本发明的实施例的独立微电网的能量动态调度设备的框图；图4是示出根据本发明的实施例的载荷需求预测；图5是示出根据本发明的实施例的风力发电机的发电预测；图6是示出根据本发明的实施例的光伏太阳能的发电预测；图7是示出使用遗传算法(ga)的能量动态调度；图8是示出使用遗传算法的锂离子电池的充电状态(soc)；图9是示出使用模式搜索(ps)的能量动态调度；图10是示出使用模式搜索(ps)获得的锂离子电池的soc；图11是示出使用ga和ps的动态调度的能源生产成本的对比示图。具体实施方式下面参照附图来描述本发明的实施例，在附图中相同的标号始终指示相同的部件。根据本发明的实施例的微电网是独立微电网，它不能向主电网发送电力，也不能从主电网接收电力，因此独立微电网的载荷需求由本地发电满足。在独立微电网的所有工作期间，独立微电网预计将最小化能源生产成本并确保可再生能源的最大程度的利用。图1是根据本发明的实施例的独立微电网的构造图。根据本发明的独立微电网可包括多种分布式发电源和储能系统(ess)。如图1所示，根据本发明的独立微电网10可包括多种分布式发电源(例如，可再生能源11和传统可分派单元12)和储能系统17，可再生能源11可包括风力发电机(wt)13和光伏太阳能(pv)14，传统可分派单元12可包括燃料电池(fc)15和柴油发电机(de)16。储能系统(ess)可以是锂离子电池(li-icon)。图2是示出根据本发明的实施例的独立微电网的能量动态调度方法的流程图。如图2所示，根据本发明的实施例的独立微电网的能量动态调度方法可包括步骤s1至步骤s4。然而，本领域的技术人员知晓可将其中的多个步骤合并为一个步骤，或可省略其中的部分步骤。例如，可将步骤s1和步骤s2合并，或者可将步骤s3和s4合并。在步骤s1中，获取用于动态调度的预测数据并获取传统可分派单元12和储能系统17的基本信息。这里，获取用于动态调度的预测数据可防止独立微电网的载荷需求和可再生能源的发电量的波动对动态调度的影响。具体地，获取用于动态调度的预测数据的步骤可包括预测独立微电网在预定时间间隔的载荷需求数据和/或预测可再生能源在预定时间间隔的发电数据。例如，可事先预测(以下称为日前预测)独立微电网在特定调度天(例如，一天)内的预定时间间隔(例如，每小时)的载荷需求数据，也可预测可再生能源在特定调度天(例如，一天)内的预定时间间隔(例如，每小时)的发电数据。具体地，可预测独立微电网的日前每小时载荷需求，可预测传统可分派单元的日前每小时发电量，例如，可预测风力发电机的日前每小时发电量以及光伏太阳能的日前每小时发电量。根据本发明的实施例，可基于神经网络算法进行上述预测从而克服可再生能源的发电量和载荷需求的波动对调度的影响。根据本发明的实施例，预测独立微电网在预定时间间隔的载荷需求数据的步骤可包括：获取历史载荷需求数据、历史天气数据和气象预测数据并基于历史载荷需求数据、历史天气数据和气象预测数据来预测独立微电网在预定时间间隔的载荷需求。为使预测精度更高，还可将诸如影响工业载荷分布的因素的其他数据因素考虑在内进行上述预测。例如，可获取独立微电网历史上在一些调度天(例如，一天)内的预定时间间隔(例如，1h)的载荷需求数据以及在所述一些调度天的历史天气数据以及待调度的特定调度天(例如，一天)的气象数据，并基于这些数据来预测独立微电网在该待调度的特定调度天内的预定时间间隔的载荷需求数据。如上所述，根据本发明的实施例，可预测独立微电网在待调度的特定调度天内的预定时间间隔的载荷需求，从而防止载荷需求波动造成独立微电网的能量浪费。另外，独立微电网包括可再生能源，本发明的实施例的能量动态调度方法可最大限定地利用可再生能源，以降低能源成产成本。为了防止可再生能源的供电波动影响独立微电网的能源动态调度，可对可再生能源的发电数据进行预测。具体地，预测可再生能源在预定时间间隔的发电数据的步骤可包括：获取可再生能源的历史发电数据、历史天气数据和气象预测数据并基于历史发电数据、历史天气数据和气象预测数据来预测可再生能源在预定时间间隔的发电数据。例如，可获取独立微电网的可再生能源历史上在一些调度天(例如，一天)内的预定时间间隔(例如，1h)的发电数据以及在所述一些调度天的历史天气数据以及待调度的特定调度天(例如，一天)的气象数据，并基于这些数据来预测独立微电网在该待调度的特定调度天内的预定时间间隔的发电数据。虽然，本申请以1小时(h)作为时间间隔，但本领域的技术人员应理解，可选择其它预定时间间隔作为本申请的时间间隔。例如，可选择2h、0.5h或1.5h等作为时间间隔，从而预测特定待调度天24h(一天)内每2h、0.5h或1.5h的载荷需求、可再生能源的每2h、0.5h或1.5h的发电量。另外，步骤s1中获取所述传统可分派单元和所述储能系统的基本信息的步骤可包括获取传统可分派单元12的成本函数、功率极限和启动成本函数和/或获取所述储能系统17的充电/放电功率限值和充电状态。在步骤s2中，可基于上述基本信息并利用智能优化算法建立基于多种分布式发电源的动态调度优化模型。这里，该智能优化算法可以是遗传算法(ga)、模拟退火算法(sa)、模式搜索算法(ps)等，遗传算法具有较快的收敛速度并能够获得全局最优解，在下文中将详细描述利用遗传算法建立动态优化模型并与模式搜索算法的调度结果进行比较。在步骤s3中，可将预测数据输入到动态调度优化模型。如上所述，预测数据可包括每小时载荷需求数据、可再生能源的每小时发电数据。在步骤s4中，可根据动态调度优化模型的输出结果进行独立微电网的能量动态调度。下面将以传统可分派单元为燃料电池(fc)和柴油发电机(de)，可再生能源为风力发电机(wt)和光伏太阳能(pv)为例，对本发明的能量动态调度方法进行详细说明，但本领域的技术人员知晓，传统可分派单元以及可再生能源可包括其他类型的发电源。例如，独立微电网内的分布式发电源和储能系统(例如，锂离子电池(li-ion))的功率极限(基本信息)可如表1所示，表1中功率单位为kw：表1：dg的初始容量在表1中，各个分布式发电源和储能系统(锂离子电池)的功率极限值可根据型号的不同而变化，因此可考虑不同的因素而任意选取分布式发电源的容量、功率极限等。另外，表1中的li-icon电池的功率为-200，表示该种类型的li-icon电池充电功率极限为200kw。根据本发明的实施例，可预测风力发电机和光伏太阳能在待调度的特定调度天内的预定时间间隔的发电数据。例如，可根据历史光伏太阳能发电数据、历史天气数据和数字天气预测模型预测的气象数据来预测光伏太阳能的日前每小时发电量。另外，也可根据历史风力发电数据、历史天气数据和数字天气预测模型预测的气象数据来预测风力发电机的日前每小时发电量。在建立动态调度优化模型的过程中，主要以使独立微电网的能源生产成本最小化、微电网内的储能系统的经济效益最大化以及增强对诸如风力发电机和光伏太阳能的可再生能源的利用率为主要目的。另外，还考虑到储能系统的使用寿命等建立动态调度优化模型。根据本发明的实施例的动态调度优化模型的目标函数如下：在式1.1中，n是一个调度天内的时间间隔的数量，m表示微电网内的传统可分派单元(例如，燃料电池(fc)和柴油发电机(de))的数量。如表1所示，根据本发明的实施例的独立微电网可包括一个风力发电机(wt)、三个光伏太阳能(pv)、一个燃料电池(fc)、两个柴油发电机(de)以及一个锂离子电池，其中，风力发电机(wt)和光伏太阳能(pc)为可再生能源，燃料电池(fc)和柴油发电机(de)为传统可派分单元。然而，本发明的实施例不限于此，独立微电网内的各种类型的可再生能源和传统可派分单元的数量以及种类可根据独立微电网的供电需要进行任意改变。如上所述，在本发明的实施例中，以1h为时间间隔，并且根据本发明的实施例的独立微电网包括一个燃料电池(fc)和两个柴油发电机(de)。在这种情况下，n可以为24，m可以为3。另外，在式1.1中，如果第i个传统可分派单元在时间t处于运行状态，则τi(t)＝1；例如，如果作为传统可分派单元的第1个柴油发电机(de)在时间t＝3时，处于运行状态，那么在τ1(3)＝1。如果第i个传统可分派单元在时间t处于关闭状态，则τi(t)＝0；根据本发明的实施例，燃料电池(fc)的成本函数可以为：fi(pi(t))＝bi.pi(t)2+ci式1.2柴油发电机(de)的成本函数可以为：fi(pi(t))＝ai.pi(t)2+bi.p(t)+ci式1.3其中，ai、bi和ci可以是独立微电网内的第i个传统可分派单元的成本函数参数，sci(t)可以是独立微电网内的第i个传统可分派单元的启动成本函数。作为示例，根据本发明的实施例的燃料电池(fc)和柴油发电机(de)的成本函数参数和启动成本可如表2所示：表2可分派dg的成本函数类似地，传统可分派单元(例如，燃料电池(fc)和柴油发电机(de))的成本函数参数及其启动成本可根据型号等因素而变化，本发明仅以示例的方式示出本发明所选择的具体传统可分派单元的具体参数，为在下文中进行的数据对比提供必要的条件。在式1.1中，如果τi(t)-τi(t-1)＝1，则sci(t)＝sci；否则，sci(t)＝0，其中，sci是第i个传统可分派单元的启动成本。例如，如表2所示，燃料电池(fc)的启动成本可以为18美元，柴油发电机(de)的成本可以为23美元。换言之，如果第i个传统可分派单元在时间t时运行，且在时间t-1时未运行，则该第i个传统可分派单元在时间t时需要考虑其启动成本。换言之，如果传统可分派单元在单位时间间隔(例如，1h)内从停止变为启动，则需要考虑该传统可分派单元的启动成本。如果在单位时间间隔内，该传统可分派单元的运行状态未发生变化，则不考虑该传统可分派单元的启动成本。另外，需要指出的是，鉴于可再生能源和储能系统的成本(例如，发电成本)和启动成本(例如，维护成本)相对较小，因此在本发明的实施例中，不考虑可再生能源和储能系统的相关成本。相反，根据本发明的实施例，另外考虑储能系统的储能经济效益以及储能系统的使用寿命等。根据本发明的动态调度优化模型的目标函数可具有如下约束条件：例如，第i个传统可分派单元在时间t的输出功率可满足如下条件：pimin≤pi(t)≤pimax式1.4其中，pi(t)是第i个传统可分派单元在时间t的输出功率，pimin、pimax分别为第i个传统可分派单元在时间t的输出功率的最小值和最大值。上述最小值和最大值可根据预先获取的基本信息(如表1所示)而得到。另外，根据本发明的实施例的载荷需求和发电功率之间满足如下条件：通过上述约束条件，可以使作为可再生能源的风力发电机和光伏太阳能的利用率得到最大程度的利用。根据本发明的实施例的储能系统(例如，锂离子电池)充电/放电的输出功率pess(t)可满足如下条件：其中，pess(t)＞0，表示储能系统在放电；pess(t)＜0，表示储能系统在充电；pess(t)＝0，表示储能系统未激活或未运行，其中，pload(t)、pwind(t)和ppv(t)分别表示预测的在时间t的载荷需求、风力发电机的发电功率和光伏太阳能的发电功率。在储能系统为锂离子电池的情况下，可以约等于最大储能的20％。即，储能系统的充电状态的最小值可以为20％。为保证储能系统的使用寿命，所述储能系统的动态运行性能还可满足如下两个条件：socmin≤soc(t+1)≤socmax式1.8其中，ηt是储能系统(例如，锂离子电池)的充电或放电效率，cess表示储能系统的额定容量，soc(t)表示储能系统在时间t的充电状态。socmax表示储能系统的充电状态的最大值，socmin表示储能系统的充电状态的最小值。例如，socmin可以为20％，socmax可以为100％。在步骤s3将预测数据输入到动态调度优化模型时，该动态调度优化模型可输出多个结果，该结果可包括传统可分派单元的出力(例如，输出功率)和储能系统(ess)的输出功率及其充电状态，即，可输出燃料电池(fc)和柴油发电机(de)的pi(t)、储能系统的输出功率pess(t)以及soc(t)。步骤s4中的根据动态调度优化模型的输出结果进行独立微电网的能量动态调度的步骤可包括：将控制传统可分派单元和储能系统的输出功率的指令分别发送到传统可分派单元和储能系统。具体地，将控制传统可分派单元和储能系统的输出功率的指令分别发送到传统可分派单元和储能系统的步骤可包括：持续将控制传统可分派单元和储能系统在预定时间间隔的输出功率的指令分别发送到传统可分派单元和储能系统，以实时动态调整传统可分派单元和储能系统的输出功率。例如，可持续地将与传统可分派单元和储能系统在待调度的一天内的每小时的输出功率相对应的指令分别发送到该传统可分派单元和储能系统。根据本发明的实施例，可基于待调度的特定调度天(例如，一天)内的预定时间间隔(例如，每小时)的载荷需求预测数据和可再生能源的发电预测数据来实现独立微电网内的能源动态调度。例如，可基于每小时的载荷预测数据、可再生能源的发电预测数据来持续地对独立微电网进行能源动态调度(例如，每小时调度一次)从而达到能源生产成本最小化的目的。图3是示出根据本发明的实施例的独立微电网的能量动态调度设备的框图。如图3所示，根据本发明的实施例的微电网的独立微电网的动态调度设备30可包括信息获取程序模块40、建模程序模块50、输入程序模块60和调度程序模块70。信息获取程序模块40可获取用于动态调度的预测数据并获取传统可分派单元和储能系统的基本信息，建模程序模块50可基于基本信息并利用智能优化算法建立基于多种分布式发电源的动态调度优化模型，输入程序模块60可将预测数据输入到动态调度优化模型，调度程序模块70可根据动态调度优化模型的输出结果进行独立微电网的能量动态调度。另外，如图3所示，信息获取程序模块40可包括预测程序模块41和参数获取程序模块42，预测程序模块41可预测独立微电网在预定时间间隔的载荷需求数据，并预测可再生能源在预定时间间隔的发电数据，参数获取程序模块42可获取传统可分派单元的成本函数、功率极限和启动成本函数，并可获取储能系统的充电/放电功率限值和充电状态。预测程序模块41可获取历史载荷需求数据、历史天气数据和气象预测数据并基于历史载荷需求数据、历史天气数据和气象预测数据来预测独立微电网在预定时间间隔的载荷需求数据。预测程序模块41可获取可再生能源的历史发电数据、历史天气数据和气象预测数据并基于历史发电数据、历史天气数据和气象预测数据来预测可再生能源在预定时间间隔的发电数据。另外，调度程序模块70可将控制传统可分派单元和储能系统的输出功率的指令分别发送到传统可分派单元和储能系统。具体地，调度程序模块可持续将控制传统可分派单元和储能系统在预定时间间隔的输出功率的指令分别发送到传统可分派单元和储能系统，以实时动态调整传统可分派单元和储能系统的输出功率。另外，独立微电网的能量动态调度设备的动态调度优化模型与上述动态调度方法中描述的优化模型相同，在此不再赘述。下面将结合图4至图6描述载荷需求预测、风力发电预测和光伏太阳能发电预测。图4是示出根据本发明的实施例的载荷需求预测，图5是示出根据本发明的实施例的风力发电预测，图6是示出根据本发明的实施例的光伏太阳能的发电预测。如上所述，根据本发明的实施例，可基于历史载荷需求数据、历史天气数据、气象预测数据(可由数字天气预测模型预测)和/或影响工业载荷分布的其他数据因素利用神经网络算法来预测日前每小时载荷需求。根据本发明的实施例，可预测未来24h内的每小时载荷需求，可一次性预测未来24h内的每小时载荷需求，也可随着时间的推移，每小时预测一次载荷需求。如图4所示，在根据本发明的实施例的独立微电网内，在1am-7am的时间段内，每小时载荷需求相对较高，而在7am-24pm的时间段内，每小时载荷需求相对较低。具体而言，当3≤t≤4时，独立微电网内的载荷需求最大，约等于1300kw，当7≤t≤8时，独立微电网的载荷需求最小，约等于300kw。如图5所示，在根据本发明的实施例的独立微电网所处的区域，在1am-7am的时间段内风能较为充足，在7am至24pm的时间段内，风能相对不足。当风能较为充足时，可利用储能系统存储风能以用于风能相对不足的时间段的供电，如果在时间t时储能系统充满电且风能仍有余量，则可使充电倾销和测试负载。如图5所示，当3≤t≤4时，独立微电网的风力发电量最大，约等于1400kw，在7≤t≤24的时间段内，风力发电量基本为零。在根据本发明的实施例的独立微电网所处的区域，1am-7am的时间段内光伏太阳能不足，在13pm至16pm的时间段内，光伏太阳能较为充足。如图6所示，在1≤t≤7以及19≤t≤24的情况下，光伏太阳能发电的发电功率(即，输出功率)基本为零，当13≤t≤14的时间段内，光伏太阳能发电的发电功率最大。图7是示出使用遗传算法的能量动态调度，图8是示出使用遗传算法的锂电池的充电状态(soc)。如图8所示，在1≤t≤7的情况下，锂离子电池的功率小于零，表明锂离子电池处于充电状态，可再生能源的供电足以提供独立微电网内的载荷需求，多余的可再生能量可被储存在储能系统(例如，锂离子电池)中。在12≤t时，锂离子电池停止供电，在7≤t≤8的时间段内，燃料电池(fc)和柴油发电机(de)启动运行，并作为传统可分派单元为整个微电网供电。具体地，如图8所示，在前六个小时，多为风力发电机发电，没有光伏太阳能发电，在这个时间段，风力发电机完全地供应载荷需求，并对处于最小soc(20％)的锂离子电池充电，并且所有传统可分派单元处于关闭状态(零功率)以最小化燃料成本。储能系统(锂离子电池)持续充电(如图7中所示的负功率)，并如在图8中所示，在6am达到它的最大储存容量(800kwh或100％最大soc)，并且它的充电功率变为零(未运行或未激活)。为了对本申请的能量动态调度方法进行比较分析，以使用ps(模糊搜索)的能量动态调度方法作为比较对象。图9是示出使用模式搜索(ps)的能量动态调度，图10是示出使用ps获得的锂离子电池的soc。图11是示出使用ga和ps的动态调度的能源生产成本的对比示图。如图9所示，使用模糊搜索(ps)的动态调度，在12≤t≤24的时间段内，燃料电池(fc)的输出功率基本为零，在该时间段内，通过柴油发电机(de)进行供电。如图10所示，使用模糊搜索(ps)获得的锂离子电池的soc最小值在30％左右，无法使锂离子电池的储能经济效益最大化。另外，如图11所示，使用ga的动态调度几乎在每小时内的能源生产成本都比使用ps调度的能源生产成本低。具体地，使用ga和ps的能源生产成本可如表3所示：表3使用ga和ps的能源成产成本对比如表3所示，使用ga的每小时能源生产成本平均比使用ps的每小时能源生产成本低7美元左右。并且，使用ga和ps计算的动态调度所耗费的时间也不同。具体地，表4给出了在matlab/simulink仿真环境(使用intel(r)core(tmi5-5200cpu,2.20ghz处理器，4gbram、64位操作系统计算机)使用两种调度优化方法所耗费的总计算时间。表4ga和ps的计算时间(针对提前24小时调度仿真)优化算法总计算时间(秒)ga1.6824ps3.9452如在上面的表4中所示，与基于ps的调度相比，基于ga的动态调度在很短的时间内就已经实现分配，基于ga的动态调度收敛速度快。也就是说，基于ga的动态调度可以实现更佳精细化的动态调度，能够满足小时级的预测动态调度，最大限度地保证在设定的预定时间间隔内在全局范围内获取最优解，进而完成对独立微电网的能量动态调整，以使得独立微电网内的能源生产成本最小化，增强可再生能源的利用率。另外，上述动态调度方法可被编写成计算机程序或指令，该程序或指令可被存储在计算机可读存储介质，该程序或指令由处理器执行时可实现该动态调度方法。根据本发明的实施例，还可提供上述计算机可读存储介质以及计算机设备，该计算机设备包括处理器及存储器，存储器中可存储有程序或指令，所述程序或指令由处理器执行时实现上述方法。根据本发明的实施例，利用遗传算法的独立微电网的动态调度方法可快速收敛并得到全局最优方案。根据本发明的实施例，对于日前数据的预测，可降低可再生能源的供电波动和载荷需求的波动而产生的影响。根据本发明的实施例，通过动态调度优化模型的建立实现独立微电网内的每日能源生产成本最小化、储能系统经济效益的最大化并且增强可再生能源的利用率。以上所述仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内容易想到的改变或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。当前第1页12