一种电池与高能耗负荷状态演化的能源系统调度方法

本技术属于能源调度，具体的，涉及一种电池与高能耗负荷状态演化的能源系统调度方法。

背景技术：

1、随着可再生能源渗透率不断提高，工业园区面临着日益增加的运行不确定性。现有基于模型预测控制（model predictive control, mpc）的调度方法主要利用预测信息更新优化决策，但对调度指令与实际设备响应之间不匹配所导致的状态偏差，以及该偏差在多时间尺度下的累积过程考虑不足。这类偏差可能导致电池荷电状态（state of charge,soc）漂移、电解铝负荷热状态偏移以及调度方案可执行性降低。

2、因此，如何基于能源系统的合理调度，实现对运行偏差的有效控制，是本领域技术人员亟需解决的技术问题。

技术实现思路

1、为了解决现有技术中所存在的能源系统调度不合理问题，本技术公开了一种电池与高能耗负荷状态演化的能源系统调度方法，具体的：

2、一种电池与高能耗负荷状态演化的能源系统调度方法，所述调度方法包括：

3、获取园区内的历史运行数据并进行修正，以获取修正后数据；

4、基于日内调度层的时间间隔，从所述修正后数据内，取得超短期预测数据；

5、基于所述超短期预测数据建立优化层预测模型，并获取最优预测序列；

6、基于所述最优预测序列的第一数值获取下一时刻的预测数值，并将下一时刻的预测数值进行决策变量更新，以取得更新后决策变量；

7、将所述更新后决策变量输入实际层模型，并和能源系统实际执行soc和电解铝过程的实际执行温度比较，以分别获取比较结果；

8、基于所述比较结果，对优化层预测模型进行更新，以得到新的最优预测序列。

9、可选的，所述获取园区内的历史运行数据并进行修正，以获取修正后数据，包括：

10、获取园区内的能源系统结构，以得到园区内的能源类型；

11、对所有能源类型的历史运行数据，按特定时间段长度进行滚动修正，以得到修正后数据。

12、可选的，所述基于日内调度层的时间间隔，从所述修正后数据内，取得超短期预测数据，包括：

13、设置日内调度层的时间间隔，所述日内调度层的时间间隔不高于修正后数据修正过程的特定时间段长度；

14、基于所述日内调度层的时间间隔，从所述修正后数据的时间轴上获取对应的修正后数据，以得到超短期预测数据。

15、可选的，所述基于所述超短期预测数据建立优化层预测模型，并获取最优预测序列，包括：

16、基于所述超短期预测数据，获取能源系统中的日前经济模型，方程为：

17、 ，

18、其中，jda表示能源系统的日前经济数值；cgrid表示从外网购电总成本；cbat表示储能运行总成本；cpv/wt表示分布式电源机组总发电成本；ccurtail表示弃风弃光造成的损失；cal表示电解铝调峰总补偿成本；

19、获取能源系统中的参数约束，并基于参数约束进行参数确定；

20、基于能源系统的高能耗负荷约束、电网经济性约束和电池储能调节约束，获取日内滚动优化综合目标函数，为：

21、 ，

22、其中，j表示日内滚动优化综合目标；jop表示电网的运行成本；jal表示高能耗的调节成本；jsmooth表示电池储能调节约束成本；jtrack表示电池储能系统提前一天计划的跟踪项；jact表示高能耗的行动惩罚项；jter表示终端动态惩罚项；jslack表示松弛可变惩罚项；

23、基于日前经济模型和日内滚动优化综合目标函数，获取当日的最优预测序列。

24、可选的，所述获取能源系统中的参数约束，并基于参数约束进行参数确定，包括：

25、所述参数约束包括：

26、功率平衡约束，方程为：

27、 ，

28、其中，表示t时刻光伏发电功率；表示t时刻风电功率；表示t时刻电池净功率；表示t时刻电网交互功率；表示t时刻电解铝负荷功率；表示t时刻其他负荷功率；

29、电网约束，方程为：

30、

31、其中，表示电网交互最大功率；

32、新能源约束，方程为：

33、

34、其中，表示光伏发电最大功率；表示风电最大功率；

35、电池储能约束，包括：

36、充放电约束，方程为：

37、

38、其中，表示电池放电最大功率；表示电池充电最大功率；

39、soc状态转移约束，方程为：

40、

41、其中，soc（t+1）表示t+1时刻的soc状态参数；soc（t）表示t时刻的soc状态参数；表示时间差值；sbat表示电池容量；η表示电池充放电效率；pbat（t）表示t时刻电池功率；

42、初始soc约束，方程为：

43、

44、其中，socint表示初始soc；socend表示末尾soc；

45、高能耗负荷约束，方程为：

46、

47、其中，表示电解铝负荷最小值；表示电解铝负荷最大值；pal（t）表示t时刻的电解铝负荷；表示温度最低值；表示温度最高值；tal（t）表示t时刻电解铝温度。

48、可选的，所述日内滚动优化综合目标函数，包括：

49、所述日内滚动优化综合目标函数中，电网的运行成本方程为：

50、

51、其中，t表示第t个调度时刻；n表示日内总时段数量；cgrid（t）表示t时刻外网购电电价；pgrid（t）表示t时刻电网交互功率；表示每个时段的时间步长；表示光伏弃电惩罚单价；ppv，curt（t）表示t时刻光伏弃光功率；表示风电弃电惩罚单价；pwt，curt（t）表示t时刻风电弃风功率；cbat表示储能单位运行成本；pch（t）表示t时刻储能充电功率；pdis(t)表示t时刻储能放电功率；

52、所述日内滚动优化综合目标函数中，电池储能调节约束成本方程为：

53、 ，

54、其中，pbat(·)表示某时刻电池净功率；

55、所述日内滚动优化综合目标函数中，电池储能系统提前一天计划的跟踪项方程为：

56、 ，

57、其中，表示日前调度计划中的储能参考功率；

58、所述日内滚动优化综合目标函数中，高能耗的调节成本方程为：

59、

60、其中，sal表示电解铝补偿成本系数；eal，comp（t）表示电解铝调节补偿误差；wtrack，al表示电解铝跟踪惩罚权重；eal，tune（t）表示电解铝调节跟踪误差；

61、所述日内滚动优化综合目标函数中，高能耗的行动惩罚项和终端动态惩罚项分别表示为：

62、 ，

63、，

64、其中，zal（t）表示t时刻电解铝负荷动作惩罚值；etal，terminal表示预测时域末端的电解铝温度偏差；

65、所述日内滚动优化综合目标函数中，松弛可变惩罚项方程为：

66、 ，

67、其中，表示能量约束对应的松弛变量惩罚系数；semin表示储能系统能量约束的下松弛变量；semax表示储能系统能量约束的上松弛变量；表示温度约束对应的松弛变量惩罚系数；表示电解铝系统温度约束的下松弛变量；表示电解铝系统温度约束的上松弛变量。

68、可选的，所述基于所述最优预测序列的第一数值获取下一时刻的预测数值，并将下一时刻的预测数值进行决策变量更新，以取得更新后决策变量，包括：

69、基于所述最优预测序列所对应的时间点和下一个时刻与所对应的时间点的间隔，并基于所述优化层预测模型，获取下一时刻的预测数值；

70、将所述下一时刻的预测数值替代最优预测序列中的下一时刻对应的预测数值，以进行决策变量更新，并得到更新后决策变量。

71、可选的，所述将所述更新后决策变量输入实际层模型，并和能源系统实际执行soc和电解铝过程的实际执行温度比较，以分别获取比较结果，包括：

72、将所述更新后决策变量输入实际层模型，并分别获取能源系统实际执行soc和电解铝过程的实际执行温度；

73、将所述能源系统实际执行soc和更新后决策变量的soc比较，以得到soc比较结果，方程为：

74、 ，

75、其中，soct+1|t表示实际执行soc与优化决策soc之间的差值；at表示t时刻的扰动系数；el，t（·）表示t时刻左侧跟踪误差；（er，t）—表示t时刻右侧跟踪误差小于0部分；

76、将所述能源系统电解铝过程的实际执行温度和更新后决策变量的电解铝过程执行温度比较，以得到温度比较结果，方程为：

77、 ，

78、其中，表示t时刻预测的t+1时刻温度偏差；cm是等效热惯性；kreal，t表示t时刻实际等效热系数；kplan表示计划热系数；表示t时刻电解槽实际温度；t0表示额定温度。

79、可选的，所述基于所述比较结果，对优化层预测模型进行更新，以得到新的最优预测序列，包括：

80、将所述比较结果中的温度比较结果和soc比较结果分别和对应的阈值计算差值，以得到阈值比对结果；

81、在阈值比对结果不小于0时，对所得到的能源系统实际执行soc和电解铝过程的实际执行温度进行重新计算，并生成新的最优预测序列。

82、本技术的有益效果为：（1）建立了执行层状态偏差模型，用于定量描述计划轨迹与实际运行状态之间的不一致性。针对电池储能系统，本技术建立的模型描述了新能源出力不确定性以及负荷预测误差导致的soc执行偏差。针对电解铝生产过程，该模型进一步刻画了由工业过程动态特性以及模型不确定性引起的温度偏差。通过上述建模，建立了高能耗工业园区调度过程中规划—执行不一致性的状态层描述方法。

83、（2）建立了跨时间尺度状态偏差传播机制，用于揭示电池soc和电解铝电解槽温度执行偏差在滚动调度过程中的累积与传播规律。

84、进一步分析执行偏差与调度修正之间的关系，从理论层面解释：为什么开环调度模式下计划轨迹与实际运行状态会逐渐产生偏离；为什么闭环状态修正机制能够有效降低执行偏差累积。

85、（3）提出了一种融合日前调度、日内mpc以及执行层状态反馈的规划—执行—反馈—再优化框架。该框架将电池储能系统以及电解铝生产过程中的实际运行状态引入滚动优化过程，实现调度决策的自适应修正。该方法在保证储能系统和工业生产过程运行约束的基础上，提高了计划运行轨迹与实际运行状态之间的一致性。