微能网中可时移设施农业电负荷的调度方法与流程

本发明涉及智能电网及分布式电源就地消纳领域，更具体地，涉及微能网的可时移设施农业电负荷的调度技术。

背景技术：

随着如今中国农业的快速发展，其科技程度也在不断提高，因而其对用电和用能的需求也稳步增长，相应的设施农业负荷需求也更为迫切。特别地，微能网作为一个灵活、可控、绿色、经济的新型分布式电源载体，在保障用户供电、节能环保、改善电能质量等方面具有突出的优点。

光伏温室大棚是光伏发电技术与设施农业相结合的典型应用，形成了以现代农业种植业为主的微能网系统。这种微能网系统通过有效地多能互补控制技术结合现代农业种植技术，充分发挥太阳能、以及新型农业负荷的优势，实现对太阳能的就地收集、就地储存以及就地使用，最终转换为农作物生长所需的能源形式。通过合理控制，达到有效消纳光伏发电峰值出力的目的。因为微能网中的设施农业电负荷大多具有可时移性，即根据不同情况可灵活调度工作时段来满足情况需要，因此传统的优化调度方法在微能网中不再适用。由于微能网中的设施农业电负荷具有可时移性，因此可以利用灵活的工作时段来实现电负荷的可时移，但是这种调度方法未能考虑天气因素对于光伏发电的影响，从而影响微能网的系统运行，而引入蓄电池则可以减弱天气影响，加入蓄电池模块后的优化调度方法则可以实现更好地消纳光伏出力，维护微能网系统的稳定性。

技术实现要素：

本发明的目的是提供一种微能网中可时移设施农业电负荷的优化调度方法。

本发明是微能网中可时移设施农业电负荷的优化调度方法，其步骤为：

步骤1：根据微能网的用电曲线与光伏出力曲线结合蓄电池模型达到最大程度相似，采用最小二乘法的方法来描述目标，得到该优化调度模型的目标函数f：

步骤2：选取适当的预测模型，即光伏发电模型和蓄电池模型，获得太阳光辐照度的历史数据，根据预测模型得到太阳光辐照度的预测值，从而得到调度周期内的光伏发电功率，光伏发电模型为：

p1＝itηipvt

式中：p1表示调度时段t内光伏发电功率，it表示太阳光辐照度，η表示太阳光辐照度的转化效率，ipvt表示光伏电池板面积；

采用铅酸蓄电池作为储能装置，其模型为:

式中：p3为在时间段δt内的放电功率；p3'为在δt时间段内的充电功率；c(t)为t时刻电池中贮存的能量；η'3、η3分别为蓄电池的充、放电效率；δt为时间间隔，取1小时；

步骤3：获取该微能网内的可时移电负荷消耗的能量的历史数据，构建微能网中的可时移电负荷模型：

p2＝pfore.t+pin_e.t-pout_e.t

式中：pfore.t为调整前调度时段内所有可时移电负荷时消耗的功率总和，pin_e.t为调整后转入调度时段的可时移电负荷消耗的功率总和，pout_e.t为调整后转出调度时段的可时移电负荷消耗的功率总和；

式中：xbe.t'.t为从调度时段t'转至调度时段t的b类可时移电负荷数，xke.t'.t为从调度时段t'转至调度时段t的k类可时移电负荷数，xde.t'.t为从调度时段t'转至调度时段t的d类可时移电负荷数，e1.b为b类可时移电负荷在第1个工作时段的功率，e1.k为k类可时移电负荷在第1个工作时段的功率，e1.d为d类可时移电负荷在第1个工作时段的功率。

由以上步骤通过设施农业电负荷优化调度模型结合蓄电池模型能够以实现光伏出力就地消纳的最大化。

本发明的有益之处是通过调整微能网内可时移的设施农业电负荷的工作时段，即三个调度周期t1,t2,t3内电负荷的调度来有效消纳光伏发电的能量，再结合蓄电池的充、放电来提高光伏发电的稳定性，实现微能网的光伏发电就地消纳的最大化。本发明主要是针对微能网内可时移的设施农业电负荷的工作时段进行优化调度，通过调度来有效消纳光伏出力；其次结合蓄电池的充、放电来弥补光伏发电收到天气情况影响所带来的不稳定性。

附图说明

图1是优化调度模型图，图2是混沌优化算法流程图。

具体实施方式

由于光伏发电受天气影响较大，因此其发电量不够稳定。当天气为晴天时，发电量充足，因此光伏发电满足可时移电负荷的调度所消耗的功率时还有剩余，为不造成能源浪费，因此将多余发电量给予蓄电池充电；而当天气非晴天时，发电量不足，因此光伏发电不能够完全满足可时移电负荷的调度消耗，从而采用蓄电池放电来补充电量；还有一种特殊情况，即光伏发电和电负荷调度消耗能量恰好平衡。其步骤为：

步骤1：根据微能网的用电曲线与光伏出力曲线结合蓄电池模型达到最大程度相似，采用最小二乘法的方法来描述目标，得到该优化调度模型的目标函数f。

式中：f为优化调度模型的目标函数，t1为调度周期(0点-24点)，t2为调度周期(6点-18点)，t3为调度周期(18点-6点)，p1为调度周期内调度时段t的光伏发电功率，p2为可时移电负荷在消耗的功率总和，p3为微能网中蓄电池在调度周期内调度时段t的放电功率，p3'为微能网中蓄电池在调度周期内调度时段t的充电功率；

步骤2：选取适当的预测模型，即光伏发电模型和蓄电池模型。获得太阳光辐照度的历史数据，根据预测模型得到太阳光辐照度的预测值，从而得到调度周期内的光伏发电功率。因此光伏发电模型如下所示：

p1＝itηipvt

式中：p1表示调度时段t内光伏发电功率，it表示太阳光辐照度，η表示太阳光辐照度的转化效率，ipvt表示光伏电池板面积。

采用铅酸蓄电池作为储能装置，其模型为:

式中：p3为在时间段δt内的放电功率；p3'为在δt时间段内的充电功率；c(t)为t时刻电池中贮存的能量；η'3、η3分别为蓄电池的充、放电效率；δt为时间间隔，取1小时；

步骤3：获取该微能网内的可时移电负荷消耗的能量的历史数据，构建微能网中的可时移电负荷模型：

p2＝pfore.t+pin_e.t-pout_e.t

式中：pfore.t为调整前调度时段内所有可时移电负荷时消耗的功率总和，pin_e.t为调整后转入调度时段的可时移电负荷消耗的功率总和，pout_e.t为调整后转出调度时段的可时移电负荷消耗的功率总和；

式中：xbe.t'.t为从调度时段t'转至调度时段t的b类可时移电负荷数，xke.t'.t为从调度时段t'转至调度时段t的k类可时移电负荷数，xde.t'.t为从调度时段t'转至调度时段t的d类可时移电负荷数，e1.b为b类可时移电负荷在第1个工作时段的功率，e1.k为k类可时移电负荷在第1个工作时段的功率，e1.d为d类可时移电负荷在第1个工作时段的功率。

如图1所示，本发明所述的可时移的设施农业电负荷优化调度模型即：若在微能网的用电负荷调度周期内，所述微能网的光伏出力总量在满足可时移电负荷调度时所消耗的功率总和时还有剩余，则将多余的电量用于蓄电池的充电来储存光伏发电的多余电量；若光伏出力总量不能够满足可时移电负荷的调度时，则通过蓄电池的放电来补充光伏发电量的不足。基于微能网内的可时移电负荷模型，建立微能网的优化调度模型。

具体地，本发明主要是针对微能网内可时移的设施农业电负荷的工作时段进行优化调度，通过调度来有效消纳光伏出力；又结合蓄电池的充、放电来弥补光伏发电的不稳定性。根据微能网内实际负荷特性,合理优化调度可时移电负荷，实现光伏发电就地消纳的最大化。微能网内能量的主要来源是光伏发电，由于光伏发电受天气情况的影响较大，即微能网内光伏发电产生的能量稳定性不够，因而在微能网中加入蓄电池，通过其充、放电来提高光伏发电的稳定性。

由于光伏发电受天气影响较大，因此其发电量不够稳定。当天气为晴天时，发电量充足，因此光伏发电满足可时移电负荷的调度所消耗的功率时还有剩余，为不造成能源浪费，因此将多余发电量给予蓄电池充电；而当天气非晴天时，发电量不足，因此光伏发电不能够完全满足可时移电负荷的调度消耗，从而采用蓄电池放电来补充电量；而还有一种特殊情况，即光伏发电和电负荷调度消耗能量恰好平衡。判断在调度周期内所述微能网的光伏出力总量是否满足用电条件，即光伏发电是否满足所述微能网内所有可时移电负荷消耗的功率总和。调度模型的调度目标是实现光伏发电就地消纳的最大化，因此则有三种情况：当光伏出力总量大于可时移电负荷消耗的功率总和时，则将剩余发电量用于蓄电池的充电，以储存多余发电量；而当光伏出力总量小于可时移电负荷消耗的功率总和时，则通过蓄电池的放电来补充可时移电负荷的功率消耗；还有一种情况则是光伏出力总量恰好满足可时移电负荷消耗的功率总和。具体实施步骤如下：

步骤1：根据微能网的用电曲线与光伏出力曲线结合蓄电池模型达到最大程度相似，采用最小二乘法的方法来描述目标，得到该优化调度模型的目标函数f。

式中：f为优化调度模型的目标函数，t1为调度周期(0点-24点)，t2为调度周期(6点-18点)，t3为调度周期(18点-6点)，p1为调度周期内调度时段t的光伏发电功率，p2为可时移电负荷在消耗的功率总和，p3为微能网中蓄电池在调度周期内调度时段t的放电功率，p3'为微能网中蓄电池在调度周期内调度时段t的充电功率。特别地，为了尽量不造成能源浪费，该调度方案中的p1、p3及p3'均是通过预测得到；

步骤2：选取适当的预测模型，即光伏发电模型和蓄电池模型。获得太阳光辐照度的历史数据，根据预测模型得到太阳光辐照度的预测值，从而得到调度周期内的光伏发电功率。因此光伏发电模型如公式二所示：

p1＝itηipvt(公式二)

式中：p1表示调度时段t内光伏发电功率，it表示太阳光辐照度，η表示太阳光辐照度的转化效率，ipvt表示光伏电池板面积；

采用铅酸蓄电池作为储能装置，其模型为:

式中：p3为在时间段δt内的放电功率；p3'为在δt时间段内的充电功率；c(t)为t时刻电池中贮存的能量；η'3、η3分别为蓄电池的充、放电效率；δt为时间间隔，取1小时；

步骤3：获取该微能网内的可时移电负荷消耗的能量的历史数据，通过选取合适的预测模型，既可以得到该微能网中可时移电负荷的特性以及未来某一调度周期内可时移电负荷消耗的功率的预测值；

因此我们可以构建微能网中的可时移电负荷模型：

p2＝pfore.t+pin_e.t-pout_e.t(公式四)

式中：pfore.t为调整前调度时段内所有可时移电负荷时消耗的功率总和，pin_e.t为调整后转入调度时段的可时移电负荷消耗的功率总和，pout_e.t为调整后转出调度时段的可时移电负荷消耗的功率总和。

式中：xbe.t'.t为从调度时段t'转至调度时段t的b类可时移电负荷数，xke.t'.t为从调度时段t'转至调度时段t的k类可时移电负荷数，xde.t'.t为从调度时段t'转至调度时段t的d类可时移电负荷数，e1.b为b类可时移电负荷在第1个工作时段的功率，e1.k为k类可时移电负荷在第1个工作时段的功率，e1.d为d类可时移电负荷在第1个工作时段的功率。

如图2所示，对于本发明中提出的一种可时移电负荷调度方法中的优化调度模型，采用混沌优化算法求解，具体包括以下步骤：

步骤1：初始化，利用随机值策略即式：

x0ji＝xmini+(xmaxi-xmini)rji(0,1)(公式六)

产生初始种群，式中：j为第j只个体(j＝1,2,...,m)，m为可时移电负荷的数量；i为第i个变量(i＝1,2,...,n)，n为目标函数的变量数，即搜索空间的维数；rji(0,1)为(0,1)内均匀分布的随机数；xmaxi和xmini为第i维变量的最大值和最小值；

步骤2：个体最优适应度fj，根据初始种群得到的初始值，利用公式七

得到个体适应度；

目标函数f旨在光伏出力总量与可时移电负荷调度消耗能量及蓄电池参与能量之间的差值最小，即群体中的“个体灵敏度”，其值越大，个体越趋近群体的最佳值；

步骤3：混沌优化，根据适应度的优劣确定精英粒子和普通粒子。其中精英粒子利用公式八

进行tent映射，产生k个点的混沌点列，选择其中适应度值最好的点作为原有精英粒子的新位置。再计算信息素，保存最佳个体。

由以上步骤可以实现对本发明所述的优化调度模型的最优求解。