一种源网荷储系统的控制优化方法和装置与流程

1.本发明属于电能存储系统的优化方法技术领域，尤其涉及一种源网荷储系统的控制优化方法和装置。


背景技术：

2.源网荷储系统是电能存储系统的一种特殊形式，该系统资源的协调利用是推动区域电热综合能源系统高效运行的重要手段。随着可再生能源发电、直流输电、电能存储等技术的发展，新能源发电、电动汽车等柔性负荷以及可充放电的储能装置不断并入电网中，使得传统配电网架构发生了巨大变化。由于新型源网荷储存在较大的不稳定性，给配电网调度带来了巨大挑战，尤其是难以控制调度的额外电损。
3.目前，针对配电网优化调度的相关研究较少，特别是对含可再生能源发电的配网优化调度方法有待进一步研究。同时，因其运行情况多变、系统结构复杂，常见的控制方法通常会出现这样那样的问题，如发电量利用不充分造成能源浪费等等。


技术实现要素：

4.本发明的目的是提供一种源网荷储系统的控制优化方法和装置，通过建立各个优化模型、建立目标函数等手段的使用，优化电力系统的调度问题，提升经济效益，避免能源浪费。
5.本发明采用以下技术方案：一种源网荷储系统的控制优化方法，源网荷储系统中的供电系统包括光伏发电系统、余热储热发电系统和储能电池系统，源网荷储系统中包括柔性负荷；控制优化方法具体包括以下步骤：获取待控制优化日的天气状态和第一温度，结合天气状态、第一温度和历史用电负荷预测待控制优化日的用电负荷；获取待控制优化日的日期、光照强度和第二温度，并根据日期、光照强度和第二温度预测待控制优化日的光伏发电量；根据待控制优化日的用电负荷和光伏发电量、以及余热储热发电系统的预测余热发电量，计算待控制优化日的非消纳补偿时间段；在非消纳补偿时间段内，以源网荷储系统的运行成本最小化为目标构建目标函数并求解，得到非消纳补偿时间段内的余热发电量、储能电池的充放电状态和柔性负荷用电量。
6.进一步地，目标函数为：，其中，为源网荷储系统的运行成本，为非消纳补偿时间段，为非消纳补偿时间段内的时刻，，为t时刻的光伏发电成本，为t时刻余热储热发
电成本，为t时刻的储能成本，为t时刻源网荷储系统的网损成本，为t时刻柔性负荷补偿成本；目标函数的约束条件包括功率平衡约束、储能系统约束、余热储热发电系统约束和电价约束。
7.进一步地，结合天气状态、第一温度和历史用电负荷预测待控制优化日的用电负荷包括：以天气状态、第一温度和历史用电负荷为输入信息，采用bp神经网络模型预测待控制优化日的用电负荷。
8.进一步地，结合天气状态、第一温度和历史用电负荷预测待控制优化日的用电负荷还包括：对天气状态、第一温度和历史用电负荷进行采样，得到多个采样点数据集；将多个采样点数据集输入到bp神经网络模型中，获取bp神经网络模型输出的若干个时间点的用电负荷信息；合并若干个时间点的用电负荷信息，得到待控制优化日的用电负荷。
9.进一步地，根据日期、光照强度和第二温度预测待控制优化日的光伏发电量包括：根据日期确定待控制优化日的所属季节；根据所属季节选择对应的光伏发电预测模型；以光照强度和第二温度为输入信息，通过光伏发电模型预测待控制优化日的光伏发电量。
10.进一步地，光伏发电预测模型基于支持向量机回归算法构建。
11.进一步地，计算待控制优化日的非消纳补偿时间段包括：根据光伏发电量和预测余热发电量计算总发电量；以总发电量为被减数、用电负荷为减数计算差值；选择差值小于等于零的时间段，作为非消纳补偿时间段。
12.进一步地，采用粒子群算法对目标函数进行求解。
13.本发明的另一种技术方案：一种源网荷储系统的控制优化装置，源网荷储系统中的供电系统包括光伏发电系统、余热储热发电系统和储能电池系统，源网荷储系统中包括柔性负荷；控制优化装置包括：获取模块，用于获取待控制优化日的天气状态和第一温度，结合天气状态、第一温度和历史用电负荷预测待控制优化日的用电负荷；预测模块，用于获取待控制优化日的日期、光照强度和第二温度，并根据日期、光照强度和第二温度预测待控制优化日的光伏发电量；计算模块，用于根据待控制优化日的用电负荷和光伏发电量、以及余热储热发电系统的预测余热发电量，计算待控制优化日的非消纳补偿时间段；控制优化模块，用于在非消纳补偿时间段内，以源网荷储系统的运行成本最小化为目标构建目标函数并求解，得到非消纳补偿时间段内的余热发电量、储能电池的充放电状态和柔性负荷用电量。
14.本发明的另一种技术方案：一种源网荷储系统的控制优化装置，包括存储器、处理
器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种源网荷储系统的控制优化方法。
15.本发明的另一种技术方案：一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种源网荷储系统的控制优化方法。
16.本发明的另一种技术方案：一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述的一种源网荷储系统的控制优化方法。
17.本发明的有益效果是：本发明通过天气状态、温度和日期预测用电负荷和总发电量，可以提升预测精度，并计算出待非消纳补偿时间段，可以精准确定优化时段减少计算量，并在待非消纳补偿时间段内以源网荷储系统运行成本最小化为目标构建目标函数并求解，可以得到更加精准的源网荷储系统的控制方法，降低能源浪费，提升经济效益。
附图说明
18.图1为本发明实施例一种源网荷储系统的控制优化方法的流程图；图2为本发明实施例中的总负荷预测曲线示意图；图3为本发明实施例中的光伏发电典型日预测曲线示意图；图4为本发明实施例中的余热储热发电典型日预测曲线示意图；图5为本发明实施例中的消纳补偿曲线示意图；图6为本发明实施例中的余热储热调峰发电补偿示意图；图7为本发明实施例中的余热储热调峰发电无消纳补偿示意图；图8为本发明实施例中粒子群算法的求解步骤流程图；图9为本发明实施例一种源网荷储系统的控制优化装置的结构示意图。
具体实施方式
19.下面结合附图和具体实施方式对本发明进行详细说明。
20.在源网荷储系统中光伏发电系统输出功率的波动性和随机性也引发了光伏发电的消纳问题，从而使得配电网的优化调度问题更为复杂化。针对光伏发电、余热储热发电的可再生能源的消纳补偿、储能电池的运行计划以及柔性负荷的调度优化问题有待进一步的研究。
21.随着技术的发展以及借助泛在电力物联网的建设，可实现对源网荷储的实时信息采集与分析，为实时数据驱动的源网荷储协同调度提供了契机。
22.在源网荷储系统中，源端可以包括接入的微型燃气发电、光伏发电、水电、余热储热发电等。具体到本发明实施例中，包含的可再生能源为光伏发电系统、余热储热发电系统。网端主要为配电变压器低压侧集中无功补偿装置，包括以电容器为代表的离散型补偿装置和以svg（静止无功补偿发生器）为代表的连续型补偿装置。荷端主要为柔性负荷，如电动汽车和可中断负荷等。储端即为储能装置，本发明实施例中为储能电池系统。
23.源网荷储间的协调，本质上是有功和无功的交互影响与协调，在保障安全稳定运行的前提下，平抑配电网负荷波动，降低电网运行损耗，释放设备资源的利用空间，进而达到设备优化配置、资源优化利用及优化效益的目的。
24.本发明实施例公开了一种源网荷储系统的控制优化方法，如图1所示，包括以下步骤：步骤s110、获取待控制优化日的天气状态和第一温度，结合天气状态、第一温度和历史用电负荷预测待控制优化日的用电负荷；步骤s120、获取待控制优化日的日期、光照强度和第二温度，并根据日期、光照强度和第二温度预测待控制优化日的光伏发电量；步骤s130、根据待控制优化日的用电负荷和光伏发电量、以及余热储热发电系统的预测余热发电量，计算待控制优化日的非消纳补偿时间段；步骤s140、在非消纳补偿时间段内，以源网荷储系统的运行成本最小化为目标构建目标函数并求解，得到非消纳补偿时间段内的余热发电量、储能电池的充放电状态和柔性负荷用电量。
25.本发明通过天气状态、温度和日期预测用电负荷和总发电量，可以提升预测精度，并计算出待非消纳补偿时间段，可以精准确定优化时段减少计算量，并在待非消纳补偿时间段内以源网荷储系统运行成本最小化为目标构建目标函数并求解，可以得到更加精准的源网荷储系统的控制方法，降低能源浪费，提升经济效益。
26.具体的，在步骤s110中，获取待控制优化日的天气状态中天气状态可以是晴天、阴天、雨天、雪天、大风天、雾霾天、冰雹天、沙尘暴天等等，再具体的，各个类型的天气状态也可以分为轻型、重型等，这些可以根据本领域技术人员的常规技术知识来确定。获取方式可以是人工输入的，也可以是通过网络查询天气预报服务商获取的，而且，在获取天气状态的过程中，也可以通过多种方式进行加权融合等，以便获取到更为精准的天气状态。对于第一温度而言，其获取方式可以参考天气状态的方式。
27.关于历史用电负荷，可以是本系统在相同天气状态和温度下的用电负荷纪录，也可以是本系统中不同天气状态和温度下的用电负荷记录，还可以是通过其他系统或者是人工输入的数据。
28.在一个实施例中，以天气状态、第一温度和历史用电负荷为输入信息，采用bp神经网络模型预测待控制优化日的用电负荷。在采用bp神经网络算法预测过程中，可以把输入数据进行离散化，即对天气状态、第一温度和历史用电负荷进行采样，得到多个采样点数据集；再将多个采样点数据集输入到bp神经网络模型中，获取bp神经网络模型输出的若干个时间点的用电负荷信息，最后合并若干个时间点的用电负荷信息，得到待控制优化日的用电负荷。
29.在bp神经网络模型进行预测的过程中，本实施例中，将预测数据转换成曲线的方式，以使预测数据更加方便于实际应用。
30.在本发明实施例中，建立bp神经网络模型，该bp神经网络模型由输入层、隐藏层、输出层组成，输入层的节点数由历史负荷、温度、天气状况决定。本实施例中每日选取96个采样点（即每15分钟选取一个采样点），则有288个输入节点。隐含层的节点数可根据实际模型的准确度调整，本实施例中选取节点数为50。输出层的节点数由输出的负荷数据决定，本实施例中为96个输出节点。
31.进而，本实施例中的bp神经网络模型可以等效于如下公式：（1）
式中，为输出层第k个节点的负荷，k为输出层节点的序数，为隐含层第个节点到输出层第k个节点之间的权值，为输入层第个节点到隐含层第个节点之间的权值，为隐含层第节点的阈值，为输出层第k个节点的阈值，m为隐含层节点数，n为输入层节点数，为隐含层的激活函数，为输出层的激活函数。
32.在该bp神经网络模型的训练时，首先选取a个训练样本，对bp神经网络进行训练，训练样本利用历史数据进行提取。该bp神经网络模型选用s型传递函数，通过反传误差函数不断调节bp神经网络模型的权值和阈值使误差函数达到极小值（即阈值），其中，为期望输出，为网络的实际计算输出，保存此时的bp神经网络模型的权值和阈值，即得到训练好的bp神经网络模型。
33.最后利用训练好的bp神经网络模型去预测，将历史负荷、第一温度、天气状态作为影响因素（即输入数据），从而得到预测的96个负荷数据，此时，由于各个数据之间的时间只有15分钟，时间间隔相对较小，所以，在形成日前负荷曲线时可以直接将两个相邻的数据用直线连接，最后形成如图2所示的日前负荷曲线。
34.在其他的实施例中，如果相邻两个数据之间的时间间隔较长，如1小时，则也可以使用其他拟合方法再对这些输出数据进行处理，进而形成更加精确地日前负荷曲线。
35.在本发明实施例中，光伏发电预测模型基于支持向量机回归算法构建。支持向量机回归算法的思想是通过一个非线性函数，将数据集映射到高维特征空间，并在这个空间进行线性回归，巧妙地将原非线性问题转换成高维空间中的线性问题，从而取得在原空间进行线性回归的效果。具体函数形式可表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中，为权值向量，为偏置量常数，为第i个节点的输入量，具体包括光照强度和第二温度。作为一种可能的情况，本发明实施例中的第一温度与第二温度应为相同的，以保证后期计算得到更加精确地预测曲线。如果第一温度和第二温度通过不同的途径获取后取值不同，可以对二者进行处理取平均值，或者是进行加权平均。
36.这样，在高维特征空间的线性回归便对应于低维空间的非线性回归，而且避免了高维空间与的点积计算。式（2）中的与可由最小化式（3）来估计。
37.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中：第1项表示函数的复杂性；第2项表示经验风险，其中
为不敏感损失函数，其用途在于能够用稀疏点来表示决策函数，是回归允许的最大误差，控制支持向量的个数和泛化能力，其值越大，支持向量越少，c为正常数，体现了函数类的复杂性和训练集上平均损失之间的折中程度。利用对偶原理，同时引入拉格朗日函数与核函数，将最小化式（3）转化为最优化问题，并按照kuhn-tucker定理，解出偏置量。
38.具体的，在光伏发电量预测时，根据日期确定待控制优化日的所属季节，根据所属季节选择对应的光伏发电预测模型，以光照强度和第二温度为输入信息，通过光伏发电模型预测待控制优化日的光伏发电量。
39.光伏系统的输出功率主要受所在地区的位置影响，通过该位置信息获取光照强度和第二温度，把光照强度和温度作为发电模型的输入量，通过该模型的计算，得到光伏发电系统的输出功率。
40.在光伏发电系统的发电预测模型训练过程中，将春季、夏季、秋季、冬季的不同进行天气分类，将具有相同天气类型的样本聚类，对每个聚类后的样本训练，形成不同的支持向量机回归算法的光伏发电预测模型，然后将四季的训练模型合成，得到全年的光伏系统预测模型集合。
41.更为具体的，当处于不同季节时，相同的温度和光照强度也可能会导致不同的发电量，所以，首先根据日期选择对应的季节，随后根据预测日的天气预报信息，找到对应的预测模型，最后利用训练好的支持向量机回归模型对光伏发电的出力进行预测，作为一种具体的实现方式，如图3所示，为预测的光伏发电出力的典型日曲线。
42.在本发明实施例中，预测余热发电量同样采用bp神经网络模型进行预测。该bp神经网络模型由输入层、隐藏层、输出层组成，输入层的节点数由历史发电量、历史负荷决定，每日选取96个采样点，则有192个输入节点；隐含层的节点数可根据实际模型的准确度调整，本实施例中选取节点数为30；输出层的节点数由输出的负荷数据决定，本实施例中选为96个输出节点。
43.该模型的可以通过以下公式体现：
ꢀꢀ
（4）其中，为输出层第k个节点的发电量，k为输出层的节点序数，为隐含层第个节点到输出层第k个节点之间的权值，为输入层第个节点到隐含层第个节点之间的权值，为隐含层第节点的阈值，为输出层第k个节点的阈值，m为隐含层节点数，n为输入层节点数，为隐含层的激活函数；为输出层的激活函数。
44.该bp神经网络模型在训练时，由历史发电量和历史负荷作为训练样本，网络选用s
型传递函数，通过反传误差函数不断调节网络权值和阈值使误差函数达到极小值，保存此时的网络权值和阈值，由此网络权值和阈值去计算，从而得到预测的96个发电功率数据，即完成该日余热储热发电量曲线的预测，其中，为期望输出，为网络的实际计算输出。
45.在得到预测余热发电量后，根据预测余热发电量生成日前余热储热发电曲线。在一个实施例中，余热储热发电的典型日曲线如图4所示。
46.综上，得到了光伏发电预测曲线和余热储热发电预测曲线，根据光伏发电量和预测余热发电量计算总发电量；再以总发电量为被减数、用电负荷为减数计算差值；最后选择差值小于等于零的时间段，作为非消纳补偿时间段。
47.具体的，当总发电量大于总负荷量时，此时为消纳补偿时间段，需要进行可再生能源的消纳补偿。
48.当总发电量小于或等于总负荷量时，不需要进行可再生能源的消纳补偿，为非消纳补偿时间段。可再生能源的消纳能力可表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）其中，为可再生能源的消纳率；为总发电量；为由负荷所消纳的发电电能，为储能系统所消纳的发电电能。
49.如图5所示，小于0的曲线部分则为需要进行消纳补偿的时间曲线（即消纳补偿时间段），在该时间段内，优先启动柔性负荷，其次进行储能电池充电，保证多余的发电量能够全部消纳。
50.在其余的时间段内，也就是非消纳补偿时间段，需要进行优化调节，调节余热储热发电的时间和发电量，同时储能电池根据负荷的变化情况进行充电和放电。具体的，在本发明实施例中，采用粒子群算法对目标函数进行求解。在发电裕度空间（即可以调节的发电范围内）内调节余热储热发电时间和发电量，如图6所示为余热储热调峰发电有消纳补偿图。
51.在发电裕度空间内调节余热储热发电时间和发电量，如图7所示为余热储热调峰发电无消纳补偿图。有计划启动柔性负荷，调节余热储热发电的时间和发电量，同时储能电池根据负荷的变化情况进行充电和放电，采用改进的粒子群优化算法对模型进行求解，计算全天内的运行优化调度计划，即96个采样时间点每一时刻所对应的余热储热发电量、储能电池充放电状态以及柔性负荷大小。
52.网侧主要通过可调控的dc/dc变换器进行，其中，连接不同电压等级的变换器通过调控输出电压或功率参与优化互动。在一定电压裕度范围内，对系统中定电压节点通过变换器进行调压，升高节点电压能够降低网损，对系统进行优化调度。dc/dc 变换器对传输系统进行相应电压和功率限制，避免超限，则约束可表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（7）其中，和分别为dc/dc变换器电压上、下限；和分别为dc/dc变换器容量上、下限。
53.柔性负荷按类型分为可转移负荷和可中断负荷。可转移负荷时间灵活，工作需求可在一定时间内完成，可通过避峰生产等措施将用电需求转移到电网负荷低谷时段，例如电动汽车换电站以及部分居民负荷等。可中断负荷根据供用电双方事先协商后所签订的协议，在电网用电高峰期供电不足情况下，为满足电网优化运行，中断对事先指定负荷的短时供电且不会影响正常工作和生活。例如大型工业用户以及灌溉设备等。
54.储能系统具备电源和负荷双重性质，在总发电量大于总负荷需求时，消纳多余的可再生能源将功率进行存储，提高可再生能源的利用率；而在总发电量不足时能够维持功率平衡，将所存储电量释放出来为系统供电。并且通过合理的引导和调度柔性负荷，使柔性负荷避开用电高峰时段，在光伏发电过多的用电低谷时段运行，相当于为系统增加了负备用容量。柔性负荷在用电高峰时段，能够使其中断，减小负荷需求量，相当于为系统增加了正备用容量，使系统满足功率平衡要求，减小了光伏发电的不确定性对系统运行的影响。
55.在本发明实施例中，目标函数为运行成本最低，该成本主要包括光伏发电成本、余热储热发电成本、储能成本、网损成本、柔性负荷补偿成本 ，公式为（8）其中，为源网荷储系统的运行成本，为非消纳补偿时间段，为非消纳补偿时间段内的时刻，，为t时刻的光伏发电成本，为t时刻余热储热发电成本，为t时刻的储能成本，为t时刻源网荷储系统的网损成本，为t时刻柔性负荷补偿成本。目标函数的约束条件包括功率平衡约束、储能系统约束、余热储热发电系统约束和电价约束。各约束条件具体如下所示：a）功率平衡约束：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（9）其中，为光伏发电功率，为预热储热发电功率，为储能系统充放电功率，为负荷功率，为网损功率，柔性负荷功率。
56.b）储能系统约束：充放电深度影响储能系统中蓄电池的寿命，过冲过放都会造成蓄电池寿命的损耗，所以需要对蓄电池荷电状态soc进行约束：（10）
其中，为t时刻储能系统i的充电功率，为t时刻储能系统 i的最大充电功率，为t时刻储能系统i的放电功率，为t时刻储能系统 i（储能系统中储能模块的序号）的最大放电功率，为储能系统荷电状态的最小值，为储能系统荷电状态的最大值。
57.c）余热储热发电系统约束：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（11）其中，为余热储热发电系统的最小发电量，为余热储热发电系统的最大发电量。
58.d）电价约束：根据峰平谷电价不同，余热储热调峰发电、储能系统充放电、柔性负荷调节都按照各自的优先级顺序进行调节：余热储热调峰发电：峰时》平时》谷时；储能电池充电：谷时》平时》峰时；储能电池放电：峰时》平时》谷时；柔性负荷：谷时》平时》峰时。
59.根据以上约束条件，采用改进的粒子群优化算法对模型进行求解，如图8所示为改进的粒子群算法的具体求解步骤，得到非消纳补偿时间段内的运行优化调度计划，即96个采样时间点中除去需要进行消纳补偿的时间点中每一时刻所对应的余热储热发电量、储能电池充放电状态以及柔性负荷大小。
60.改进的粒子群优化算法对模型进行求解具体步骤为：a)随机初始化种群中粒子的位置（改粒子的位置中即包含了余热储热系统发电量、储能电池系统的充放电状态和柔性负荷大小值）和速度，此时该粒子为包含96个采样时间点除去需要进行消纳补偿的时间点所对应的每一时刻所对应的余热储热发电量、储能电池充放电状态以及柔性负荷大小。
61.b)计算粒子的适应度，此时的适应度为系统的运行成本，然后保存粒子的位置和适应度，将目前所有粒子中适应度最优的粒子的位置和适应度保存下来，其中适应度函数为：（12）c)采用改进的收缩因子对粒子的速度和位置进行更新：（13）其中、为学习因子，、为0到1之间的随机数，、为第i个粒子在维空间的速度和位置，为目前搜索到的最优位置，为整个种群目前
搜索到的最优位置。
62.收缩因子比惯性权重系数w更能有效地控制与约束微粒的飞行速度，同时也增强了算法的局部搜索能力。
63.d)对每个粒子，与其前一个最优位置比较，如果较好，则将其作为当前的最优位置。
64.e)比较当前所有粒子，更新适应度最优的个体。
65.f)若达到要求精度或迭代次数，搜索停止，输出结果，此时的结果为最优粒子当前的余热储热发电量、储能电池充放电状态以及柔性负荷大小，否则，返回步骤b。通过以上步骤，即可计算得出最优的控制优化策略。
66.另外，以当本实施例中的余热储热系统为烧结余热发电系统为例，可以根据以下方法对该烧结余热发电系统进行调节。
67.烧结设备正常运行时，烧结烟气余热资源量稳定。由此可以推断余热锅炉产生蒸汽量在某数值上下波动，假设：a) 余热锅炉正常运行时产生蒸汽量均值不变，余热锅炉之间相互独立；b) 锅炉产生的蒸汽量服从正态分布；c) 蒸汽量均值不随时间发生变化。为保证汽轮发电机组的正常运行，余热锅炉产生的总蒸汽量应满足发电机组所需的最低蒸汽量，且满足发电机组连续运行的概率大于。设定概率值，通过求解满足条件的的所有解，确定锅炉的运行状态，用向量表示为。数学表达式为：
ꢀꢀꢀꢀꢀꢀꢀ
（14）其中，表示发电机组运行时的最大蒸汽量，为额定蒸汽量，最小蒸汽量为。蒸汽流量最小值为最大值的 50%以上，在汽轮机可承受波动范围之内，发电可以运行。表征发电机组的工作效率，称为发电机组工作状态系数，、表示状态系数的上、下界。则状态系数，当时蒸汽量满足额定值，认为发电工状态最佳。求解不等式可以得到余热锅炉的运行方案。
68.综上所述，本发明实施例中建立电力系统“源-网-荷-储”协调优化模型，构建可再生能源发电出力模型，对光伏发电、余热储热发电进行预测；通过优化模型得到峰平谷电价下储能系统的每日运行计划以及柔性负荷的调度计划，储能系统的合理配置可以提高配电网络系统的可靠性和经济性，凭借电力电子装置快速调节能力，成为解决光伏出力波动的有效途径，并配合光伏进行削峰填谷；在满足规划成本约束的情况下，实现系统运行成本最小化、污染排放最小化；有效提高光伏消纳水平，降低网损率及电压偏差，平衡新能源发电，
实现配电网安全可靠运行。
69.本发明还公开了一种源网荷储系统的控制优化装置，源网荷储系统中的供电系统包括光伏发电系统、余热储热发电系统和储能电池系统，源网荷储系统中包括柔性负荷。如图9所示，控制优化装置包括：获取模块210，用于获取待控制优化日的天气状态和第一温度，结合天气状态、第一温度和历史用电负荷预测待控制优化日的用电负荷；预测模块220，用于获取待控制优化日的日期、光照强度和第二温度，并根据日期、光照强度和第二温度预测待控制优化日的光伏发电量；计算模块230，用于根据待控制优化日的用电负荷和光伏发电量、以及余热储热发电系统的预测余热发电量，计算待控制优化日的非消纳补偿时间段；控制优化模块240，用于在非消纳补偿时间段内，以源网荷储系统的运行成本最小化为目标构建目标函数并求解，得到非消纳补偿时间段内的余热发电量、储能电池的充放电状态和柔性负荷用电量。
70.需要说明的是，上述装置的模块之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
71.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将所述装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
72.本发明的另一种技术方案：一种源网荷储系统的控制优化装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种源网荷储系统的控制优化方法。
73.所述装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，该装置可以包括更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
74.所称处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
75.所述存储器在一些实施例中可以是所述装置的内部存储单元，例如装置的硬盘或内存。所述存储器在另一些实施例中也可以是所述装置的外部存储设备，例如所述装置上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。进一步地，所述存储器还可以既包括所述装置的内部存储
单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
76.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

技术特征：
1.一种源网荷储系统的控制优化方法，其特征在于，所述源网荷储系统中的供电系统包括光伏发电系统、余热储热发电系统和储能电池系统，所述源网荷储系统中包括柔性负荷；所述控制优化方法具体包括以下步骤：获取待控制优化日的天气状态和第一温度，结合所述天气状态、第一温度和历史用电负荷预测所述待控制优化日的用电负荷；获取待控制优化日的日期、光照强度和第二温度，并根据所述日期、光照强度和第二温度预测所述待控制优化日的光伏发电量；根据所述待控制优化日的用电负荷和光伏发电量、以及所述余热储热发电系统的预测余热发电量，计算所述待控制优化日的非消纳补偿时间段；在所述非消纳补偿时间段内，以所述源网荷储系统的运行成本最小化为目标构建目标函数并求解，得到所述非消纳补偿时间段内的余热发电量、储能电池的充放电状态和所述柔性负荷用电量。2.如权利要求1所述的一种源网荷储系统的控制优化方法，其特征在于，所述目标函数为：，其中，为所述源网荷储系统的运行成本，为所述非消纳补偿时间段，为所述非消纳补偿时间段内的时刻，，为t时刻的光伏发电成本，为t时刻余热储热发电成本，为t时刻的储能成本，为t时刻所述源网荷储系统的网损成本，为t时刻柔性负荷补偿成本；所述目标函数的约束条件包括功率平衡约束、储能系统约束、余热储热发电系统约束和电价约束。3.如权利要求1或2所述的一种源网荷储系统的控制优化方法，其特征在于，结合所述天气状态、第一温度和历史用电负荷预测所述待控制优化日的用电负荷包括：以所述天气状态、第一温度和历史用电负荷为输入信息，采用bp神经网络模型预测所述待控制优化日的用电负荷。4.如权利要求3所述的一种源网荷储系统的控制优化方法，其特征在于，结合所述天气状态、第一温度和历史用电负荷预测所述待控制优化日的用电负荷还包括：对所述天气状态、第一温度和历史用电负荷进行采样，得到多个采样点数据集；将多个所述采样点数据集输入到所述bp神经网络模型中，获取所述bp神经网络模型输出的若干个时间点的用电负荷信息；合并若干个时间点的所述用电负荷信息，得到所述待控制优化日的用电负荷。5.如权利要求4所述的一种源网荷储系统的控制优化方法，其特征在于，根据所述日期、光照强度和第二温度预测所述待控制优化日的光伏发电量包括：根据所述日期确定所述待控制优化日的所属季节；根据所属季节选择对应的光伏发电预测模型；以所述光照强度和第二温度为输入信息，通过所述光伏发电模型预测所述待控制优化
日的光伏发电量。6.如权利要求5所述的一种源网荷储系统的控制优化方法，其特征在于，所述光伏发电预测模型基于支持向量机回归算法构建。7.如权利要求4或5或6所述的一种源网荷储系统的控制优化方法，其特征在于，计算所述待控制优化日的非消纳补偿时间段包括：根据所述光伏发电量和所述预测余热发电量计算总发电量；以所述总发电量为被减数、所述用电负荷为减数计算差值；选择所述差值小于等于零的时间段，作为所述非消纳补偿时间段。8.如权利要求2所述的一种源网荷储系统的控制优化方法，其特征在于，采用粒子群算法对所述目标函数进行求解。9.一种源网荷储系统的控制优化装置，其特征在于，所述源网荷储系统中的供电系统包括光伏发电系统、余热储热发电系统和储能电池系统，所述源网荷储系统中包括柔性负荷；所述控制优化装置包括：获取模块，用于获取待控制优化日的天气状态和第一温度，结合所述天气状态、第一温度和历史用电负荷预测所述待控制优化日的用电负荷；预测模块，用于获取待控制优化日的日期、光照强度和第二温度，并根据所述日期、光照强度和第二温度预测所述待控制优化日的光伏发电量；计算模块，用于根据所述待控制优化日的用电负荷和光伏发电量、以及所述余热储热发电系统的预测余热发电量，计算所述待控制优化日的非消纳补偿时间段；控制优化模块，用于在所述非消纳补偿时间段内，以所述源网荷储系统的运行成本最小化为目标构建目标函数并求解，得到所述非消纳补偿时间段内的余热发电量、储能电池的充放电状态和所述柔性负荷用电量。10.一种源网荷储系统的控制优化装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的一种源网荷储系统的控制优化方法。

技术总结
本发明公开了一种源网荷储系统的控制优化方法和装置，获取待控制优化日的天气状态和第一温度，结合天气状态、第一温度和历史用电负荷预测待控制优化日的用电负荷；获取待控制优化日的日期、光照强度和第二温度，并根据日期、光照强度和第二温度预测待控制优化日的光伏发电量；根据待控制优化日的用电负荷和光伏发电量、以及余热储热发电系统的预测余热发电量，计算待控制优化日的非消纳补偿时间段；在非消纳补偿时间段内，以源网荷储系统的运行成本最小化为目标构建目标函数并求解，得到非消纳补偿时间段内的余热发电量、储能电池的充放电状态和柔性负荷用电量；本发明可以优化电力系统的调度问题，提升经济效益，避免能源浪费。避免能源浪费。避免能源浪费。


技术研发人员：乔匡华 邢至珏 景晨英 邢敬创
受保护的技术使用者：西安思安云创科技有限公司
技术研发日：2022.02.10
技术公布日：2022/3/8