(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210918641.X (22)申请日 2022.08.01 (71)申请人 四川大学 地址 610000 四川省成 都市一环路南 一段 24号 (72)发明人 雷勇　王小昔　张汀　唐福灵　 (74)专利代理 机构 成都顶峰专利事务所(普通 合伙) 51224 专利代理师 冉丽 (51)Int.Cl. H02J 3/28(2006.01) H02J 3/32(2006.01) H02J 3/38(2006.01) H02J 7/35(2006.01) G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06N 3/00(2006.01) (54)发明名称 基于光伏发电量预测的微网优化调度方法、 装置和设备 (57)摘要 本发明公开了一种基于光伏发电量预测的 微网优化调度、 装置和设备， 包括： 基于麻雀 搜索 算法改进的支持向量机模型对光伏发电功率进 行预测； 构建约束条件， 采用改进的粒子群算法 对储能元件的能量进行寻优调度， 生成日前调度 计划； 根据功率误差， 对储能元件的实时工作状 态进行调整， 生成日内调度计划； 基于日前调度 计划和日内调度计划对微网进行综合调度。 本发 明使得日前调度计划能够在消纳光电波动和补 偿功率平衡的同时满足系统日运行成本最小化， 同时， 维持蓄电池的荷电状态和氢罐储氢水平在 期望状态， 实现微网经济、 平稳运行； 而日内调度 策略能够快速控制储能元件， 减小算法的不确定 性， 实现能量的实时管理， 消除系统误差， 加快响 应时间。 权利要求书3页 说明书10页 附图4页 CN 115189377 A 2022.10.14 CN 115189377 A 1.一种基于光伏发电量预测的微网优化调度方法， 其特 征在于， 包括： 基于麻雀搜索算法改进的支持向量机模型对光伏发电功率进行预测， 得到预测功率 值； 以预测功率值为基础数据、 以系统日运行成本最小为目标函数以及以储能元件和功率 平衡为约束条件， 采用改进的粒子群算法对储能元件的能量进行寻优调度， 以生成日前调 度计划； 根据预测功率值与实 际功率值的功率误差， 对储能元件的实时工作状态进行调整， 以 生成日内调度计划； 基于日前调度计划 和日内调度计划对微网进行综合调度， 得到微网最优运行状态。 2.根据权利要求1所述的基于光伏发电量预测的微网优化调度方法， 其特征在于， 麻雀 搜索算法对支持向量机的改进， 包括： 利用麻雀搜索算法对支持向量机模型中的参数惩罚因子和核函数半径进行寻优， 以便 改进的支持向量机模型基于最优的参数惩罚因子和核函数半径对光伏发电功率进行 预测。 3.根据权利要求1所述的基于光伏发电量预测的微网优化调度方法， 其特征在于， 系统 日运行成本最小作为目标函数的表达式为： Ctotal＝min(Ct+Cy)；    (1) Ct＝Cpv_t/npvLpv+Cbat_t/nbatLbat+Cel_t/nelLel+Cfc_t/nfcLfc+CHt_t/nHtLHt；    (2) Cy＝kpvPpv+kbatPbat+kelPel+kfcPfc+kHtPHt；    (3) 其中， Ct表示日投资成本， Cpv_t表示光伏阵列的总投资成本， Cbat_t表示蓄电池的总投资 成本， Cel_t表示电解槽的总投资成本， Cfc_t表示燃料电池的总投资成本， CHt_t表示储氢罐的 总投资成本， npv表示光伏阵列的运行效率， nbat表示蓄电池的运行效率， nel表示电解槽的运 行效率， nfc表示燃料电池的运行效率， nHt表示储氢罐的运行效率， Lpv表示光伏阵列的寿命， Lbat表示蓄电池的寿命， Lel表示电解槽的寿命， Lfc表示燃料电池的寿命， LHt表示储氢罐的寿 命， Cy表示日运行维护成本， kpv表示光伏阵列的单位运行维护成本， kbat表示蓄电池的单位 运行维护成本， kel表示电解槽的单位运行维护成本， kfc表示燃料电池的单位运行维护成 本， kHt表示储氢罐的单位运行维护成本， Ppv表示光伏阵列的单位运行维护成本， Pbat表示蓄 电池的单位运行维护成本， Pel表示电解槽的单位运行维护成本， Pfc表示燃料电池的单位运 行维护成本， PHt表示储氢 罐的单位 运行维护成本 。 4.根据权利要求1所述的基于光伏发电量预测的微网优化调度方法， 其特征在于， 储能 元件和功率平衡作为约束 条件包括功率平衡约束 条件、 蓄电池约束条件和氢储能系统约束 条件； 其中， 功率平衡约束条件的表达式为： Ppv(t)‑Pload(t)＝Pbat_ch(t)+Pfc(t)+Pbat_dis(t)+Pel(t)；    (4) 其中， Ppv(t)表示t时刻光伏发电阵列的实际功率值， Pload(t)表示t时刻负载的实际功 率值， Pbat_ch(t)、 Pfc(t)、 Pbat_dis(t)和Pel(t)分别表示t时刻蓄电池充电的实际功率值、 燃料 电池的实际功率 值、 蓄电池放电的实际功率 值和电解槽的实际功率 值； 蓄电池约束条件的表达式为： Pbatmin<Pbat<Pbatmin SOCmin<SOC<SOCmax；    (5)权　利　要　求　书 1/3 页 2 CN 115189377 A 2其中， Pbatmin和Pbatmax分别表示蓄电池充电放电下限和上限， SOCmin和SOCmax分别表示蓄 电池荷电状态下限和上限； 氢储能系统约束条件的表达式为： 其中， Pelmin和Pelmax分别表示电解槽的功 率下限和上限， Pfcmin和Pfcmax分别表示燃料电池 的功率下限和上限， SOHmin和SOHmax分别表示储氢 罐的容量下限和上限。 5.根据权利要求1所述的基于光伏发电量预测的微网优化调度方法， 其特征在于， 粒子 群算法的改进， 包括： 对粒子群算法的惯性因子w和学习因子c进行优化， 以便粒子群算法基于优化后的惯性 因子和学习因子 搜索储能系统日运行成本最小时的储能元件工作状态； 其中， 惯性因子w的优化表达式下： w＝wmax+[(MI‑IT)‑(wmax‑wmin)]/MI；    (7) 其中， wmax和wmin分别表示惯性因子的上限和下限， MI表示最大迭代次数， IT表示当前迭 代数； 学习因子 c的优化表达式如下： c＝cmin+(cmax‑cmin)IT2/MI2；    (8) 其中， cmax和cmin分别表示学习因子的上限和下限。 6.根据权利要求1所述的基于光伏发电量预测的微网优化调度方法， 其特征在于， 根据 功率值与实际功率 值的功率 误差， 对储能元件的实时工作状态进行调整， 包括： 计算光伏发电阵列在t时刻的预测功率值Ppv_pre(t)与负载在t时刻的预测功率值 Pload_pre(t)的第一功率 误差ΔP1， 计算公式如下： ΔP1＝Ppv_pre(t)‑Pload_pre(t)；     (9) 计算光伏发电阵列在t时刻的实际功率值Ppv(t)与负载在t时刻的实际功率值Pload(t) 的第二功率 误差ΔP2， 计算公式如下： ΔP2＝Ppv(t)‑Pload(t)；     (10) 根据第一功率误差ΔP1和第二功率误差ΔP2的取值， 确定储能元件的对应工作状态和 对应调度方案 。 7.根据权利要求6所述的基于光伏发电量预测的微网优化调度方法， 其特征在于， 根据 第一功率误差ΔP1和第二功率误差ΔP2的取值， 确定储能元件的对应工作状态和对应调度 方案， 包括： 若第一功率误差ΔP1和第二功率误差ΔP2均不为负且第一功率误差ΔP1不小于第二功 率误差ΔP2， 则确定储能元件处于第一工作状态， 控制储能元件减少充电， 第一减少量为Δ Pde1＝ΔP1‑ΔP2； 若第一功率误差ΔP1和第二功率误差ΔP2均不为负且第一功率误差ΔP1小于第二功率 误差ΔP2， 则确定储能元件处于第二工作状态， 控制储能元件增加充电， 第一增加量为Δ Pin1＝ΔP1‑ΔP2； 若第一功率误差ΔP1不为负且第二功率误差ΔP2为负， 则确定储能元件第三工作状态，权　利　要　求　书 2/3 页 3 CN 115189377 A 3