CN104242335A - 一种基于额定容量的风光储发电单元容量优化配置方法 - Google Patents

Abstract

本发明公开一种基于额定容量的风光储发电单元容量优化配置方法，按如下步骤进行：（1）根据当地的风、光资源的分布情况，建立模型；（2）基于最大可再生能源利用和恒定输出的原则对蓄电池装置进行控制，制定***的协调运行策略；（3）设计目标函数为发电单元全寿命周期经费用最小；（4）确定容量优化配置的约束条件；（5）采用模糊逻辑控制方法动态调节储能蓄电池的能量转换模型使其快速收敛；（6）根据目标函数和约束条件，采用改进的迭代和自适应遗传混合算法求解发电单元目标函数，以及各部分容量比例最优值。本发明方便了电网对发电单元发电能力的评估，有利于电网制定调度计划和提高对可再生能源的接纳程度。

Description

一种基于额定容量的风光储发电单元容量优化配置方法

技术领域

本发明涉及一种风光储发电单元容量优化配置方法，更具体的涉及一种规模化风光储发电单元容量优化配置方法。 

背景技术

风能和太阳能都是绿色清洁能源，有着广泛的应用前景。目前，全球已有若干国家开始研究风能、太阳能、蓄电池储能联合发电关键技术问题。 

在风光储联合发电容量优化配置方面，已经涌现出若干研究成果，主要可分为单目标优化方法和多目标优化方法。单目标优化方法主要是以供电可靠性为约束条件，***投资费用最小化为目标。而多目标优化方法多以***投资费用和供电可靠性为主要优化目标，除此之外还会考虑废气排放等环境因素。如上所述，目前对风光储联合发电容量配置方法的研究，本质都是配置恰当的风光容量比例，使风光联合出力尽量逼近负荷曲线，从而减少储能的充放电次数和放电深度。在这种情况下，容量配置结果和整体出力特性与负荷变化趋势有较大关联，将其应用于规模化风光储联合并网发电将会受到极大的限制。而规模化发电单元并网运行过程中，电网需将其视作一个额定容量为某一值的电厂，并以此制定相应的调度任务，目前的电网却无法做到。 

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种将全寿命周期费用降至最小化的基于额定容量的风光储发电单元容量优化配置方法。 

技术方案：本发明所述一种基于额定容量的风光储发电单元容量优化配置方法，按如下步骤进行： 

Step1：根据当地的风、光资源的分布情况，建立风电机组和光伏组件的出力模型，以及储能蓄电池的能量转换模型； 

Step2：基于最大可再生能源利用和恒定输出的原则对蓄电池装置进行控制，制定***的协调运行策略； 

Step3：设计目标函数为发电单元全寿命周期经费用C_LCC最小：式中：K为工程寿命年限；r为贴现率；C_IN(k)和C_OUT(k)分别为发电单元第k年的成本和收入； 

Step4：确定容量优化配置的约束条件，分为功率平衡约束条件、能源缺失约束条件和风光互补性约束条件，其中，功率平衡约束条件为任意时刻风光储发电单元整体入网功率必须与调度预期入网功率P_r保持一致；能源缺失约束条件为发电单元应最大限度的利用可再生能源，减少能源浪费，将能源缺失率限制在一定范围；风光补性约束条件为利用风光互补特性，使***总体输出保持平稳，并且减少蓄电池充放电次数和放电深度； 

Step5：采用Neungmatcha模糊逻辑控制方法动态调节储能蓄电池的能量转换模型，从种群初始化、选择、交叉、变异进行改进，使其快速收敛； 

Step6：根据目标函数和约束条件，采用改进的迭代和自适应遗传混合算法求解发电单元FLC-NPC目标函数，以及风电机组、光伏阵列和蓄电池装置各部分容量比例最优值。 

本发明技术方案的进一步限定为，步骤Step1中所述的风电机组出力模型为： 

$P_{\mathrm{wd}}\left(t\right)=\left\{\begin{array}{cc}0& v\left(t\right)<v_{\min }\mathrm{or\; v}\left(t\right)>v_{\max }\\ P_{\mathrm{rat}}& v_{\mathrm{rat}}\&le;v\left(t\right)\&le;v_{\max }\\ P_{\mathrm{rat}}\frac{v{\left(t\right)}^2-v_{\min }^2}{v_{\mathrm{rated}}^2-v_{\min }^2}& v_{\min }\&le;v\left(t\right)<v_{\mathrm{rat}}\end{array}\right.,$ 式中P_wd(t)为t时刻风电机组出力，P_rat为机组额定功率，v_min、v_max、v_rat分别为风电机组运行的最小启动风速、切除风速、最小额定风速。 

进一步地，步骤Step1中所述的光伏组件的出力模型为：P_pv(t)＝η_invη_pv(t)G(t)S_pv，式中S_pv为光伏面板接收太阳光照辐射的面积(m²)，G(t)光照辐射数值(W/m²)，η_pv(t)为光伏组件能量转换效率，η_inv为逆变器转换效率；其中，光伏组件的能量转换效率与环境的温度有关，环境温度对光伏组件能量转换效率的影响为：式中η_r为 光伏组件标准温度下测试的参考能量转换效率，β为温度对能量转换效率的影响系数，T_C(t)为t时刻光伏组件的温度值，为光伏组件参考标准温度值；光伏组件吸收太阳辐射，会与环境温度一起作用引起光伏组件温度发生变化，其表达式如下：式中T为周围的环境温度，T_rat光伏组件运行的额定温度。 

进一步地，步骤Step1中所述的储能蓄电池的能量转换模型为：***充电模型Soc(t)＝Soc(t-1)(1-σ)+P_c(t)Δtη_c/E_max，***放电模型式中Soc(t)为第t时间段结束之后蓄电池剩余电量；σ为每小时蓄电池自放电率；P_c和P_d分别为蓄电池第t时间段的充电功率和放电功率；Δt为t时间段长度；η_c和η_d分别为蓄电池充电效率和放电效率；E_max为蓄电池最大容量。 

进一步地，步骤Step2中制定***的协调运行策略的方法为：当风光联合出力小于调度需求值P_ref时，功率差值由蓄电池放电补充，直到所有蓄电池装置均达到最大放电深度Soc_min，此时蓄电池停止提供有功输出： 

$\left\{\begin{array}{c}{P}_d\left(t\right)=P_{\mathrm{ref}}-[P_{\mathrm{wd}}\left(t\right)+P_{\mathrm{pv}}\left(t\right)]\\ \mathrm{Soc}\left(t\right)>{\mathrm{Soc}}_{\min }\end{array}\right.$

当风光联合出力大于调度需求值P_ref时，***将富余的能量存储至蓄电池中，直至蓄电池达到满荷电状态Soc_max，此时蓄电池停止充电储能： 

$\left\{\begin{array}{c}{P}_c\left(t\right)=[P_{\mathrm{wd}}\left(t\right)+P_{\mathrm{pv}}\left(t\right)]-P_{\mathrm{ref}}\\ \mathrm{Soc}\left(t\right)<{\mathrm{Soc}}_{\max }\end{array}\right..$

有益效果：(1)本发明提出一种基于额定容量的风光储发电单元容量优化配置方法，方法以最小化全寿命周期费用为目标，利用遗传算法求解额定容量下发电单元最优容量配置；本发明在既定的协调运行策略下，以FLC-NPC最小为目标，考虑供电可靠性、能源利用率等指标，最小化发电单元工程整个寿命周期投资成本，采用迭代/自适应遗传混合算法求解了发 电单元各部分设备最优容量比例，相比Hocaoglu和Khatib提出的算法具有更快的收敛速度和搜索效率；本发明将风光储联合发电***作为具有额定容量的发电单元并入电网，考虑可再生能源利用率和风光互补最大化进行配置，但确保发电单元稳定输出，还方便了电网对发电单元发电能力的评估，有利于电网制定调度计划和提高对可再生能源的接纳程度。 

附图说明

图1为本发明一种基于额定容量的风光储发电单元容量优化配置方法的流程图； 

图2为实施例1在最优配置下发电单元全年出力曲线图； 

图3为实施例1在最优配置下局部出力曲线图； 

图4为实施例1在最优配置下风、光、储月发电量对比柱状图。 

具体实施方式

下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。 

实施例1：一种基于额定容量的风光储发电单元容量优化配置方法，按如下步骤进行： 

Step1：根据当地的风、光资源的分布情况，建立风电机组和光伏组件的出力模型，以及储能蓄电池的能量转换模型。 

风机出力模型: 

风电机组出力特性可以采用如下公式表示： 

$P_{\mathrm{wd}}\left(t\right)=\left\{\begin{array}{cc}0& v\left(t\right)<v_{\min }\mathrm{or\; v}\left(t\right)>v_{\max }\\ P_{\mathrm{rat}}& v_{\mathrm{rat}}\&le;v\left(t\right)\&le;v_{\max }\\ P_{\mathrm{rat}}\frac{v{\left(t\right)}^2-v_{\min }^2}{v_{\mathrm{rated}}^2-v_{\min }^2}& v_{\min }\&le;v\left(t\right)<v_{\mathrm{rat}}\end{array}\right.---\left(11\right)$

式中P_wd(t)为t时刻风电机组出力，P_rat为机组额定功率，v_min、v_max、v_rat分别为风电机组运行的最小启动风速、切除风速、最小额定风速。 

光伏组件出力模型 

光伏组件出力模型可以由太阳能辐射、环境温度等因素决定，公式如下： 

P_pv(t)＝η_invη_pv(t)G(t)S_pv  (12) 

式中S_pv为光伏面板接收太阳光照辐射的面积(m²)，G(t)光照辐射数值(W/m²)，η_pv(t)为光伏组件能量转换效率，η_inv为逆变器转换效率，光伏组件的能量转换效率与环境的温度有关，环境温度对光伏组件能量转换效率的影响如下式： 

${\mathrm{\&eta;}}_{\mathrm{pv}}\left(t\right)={\mathrm{\&eta;}}_r[1-\mathrm{\&beta;}(T_C\left(t\right)-T_{C_r})]---\left(13\right)$

式中η_r为光伏组件标准温度下测试的参考能量转换效率，β为温度对能量转换效率的影响系数，T_C(t)为t时刻光伏组件的温度值，为光伏组件参考标准温度值。光伏组件吸收太阳辐射，会与环境温度一起作用引起光伏组件温度发生变化，其表达式如下： 

$T_C\left(t\right)-T=\frac{T_{\mathrm{rat}}}{800}G\left(t\right)---\left(14\right)$

式中T为周围的环境温度，T_rat光伏组件运行的额定温度。 

储能蓄电池模型 

对于规模化风光储发电单元，蓄电池装置可以单独建立厂房集中存放，保持室内温度恒定，因此无需考虑温度对蓄电池充放电效率的影响，其出力模型如下： 

***充电： 

Soc(t)＝Soc(t-1)(1-σ)+P_c(t)Δtη_c/E_max  (15) 

***放电： 

$\mathrm{Soc}\left(t\right)=\mathrm{Soc}(t-1)(1-\mathrm{\&sigma;})-\frac{P_d\left(t\right)\mathrm{\&Delta;t}}{E_{\max }{\mathrm{\&eta;}}_d}---\left(16\right)$

式中Soc(t)为第t时间段结束之后蓄电池剩余电量；σ为每小时蓄电池自放电率；P_c和P_d分别为蓄电池第t时间段的充电功率和放电功率；Δt为t时间段长度；η_c和η_d分别为蓄电池充电效率和放电效率；E_max为蓄电池最大容量。 

Step2：基于最大可再生能源利用和恒定输出的原则对蓄电池装置进行控制，制定***的协调运行策略。 

运行策略: 

***基于最大可再生能源利用和恒定输出的原则对蓄电池装置进行控制，其基本思路为：当风光联合出力小于调度需求值P_ref时，功率差值由蓄电池放电补充，直到所有蓄电池装置均达到最大放电深度Soc_min，此时蓄电池停止提供有功输出： 

$\left\{\begin{array}{c}{P}_d\left(t\right)=P_{\mathrm{ref}}-[P_{\mathrm{wd}}\left(t\right)+P_{\mathrm{pv}}\left(t\right)]\\ \mathrm{Soc}\left(t\right)>{\mathrm{Soc}}_{\min }\end{array}\right.---\left(17\right)$

当风光联合出力大于调度需求值P_ref时，***将富余的能量存储至蓄电池中，直至蓄电池达到满荷电状态Soc_max，此时蓄电池停止充电储能： 

$\left\{\begin{array}{c}{P}_c\left(t\right)=[P_{\mathrm{wd}}\left(t\right)+P_{\mathrm{pv}}\left(t\right)]-P_{\mathrm{ref}}\\ \mathrm{Soc}\left(t\right)<{\mathrm{Soc}}_{\max }\end{array}\right.---\left(18\right).$

Step3：设计目标函数为发电单元全寿命周期经费用C_LCC最小：式中：K为工程寿命年限；r为贴现率；C_IN(k)和C_OUT(k)分别为发电单元第k年的成本和收入。 

Step4：确定容量优化配置的约束条件，分为功率平衡约束条件、能源缺失约束条件和风光互补性约束条件。 

功率平衡约束条件为任意时刻风光储发电单元整体入网功率必须与调度预期入网功率P_r保持一致。 

P_r＝P_pv(t)+P_wd(t)+P_bat(t)   (24) 

式中P_pv(t)、P_wd(t)、P_bat(t)分别为第t时刻光伏组件功率输出值、风电机组功率输出值、储能装置功率输出值。 

能源缺失约束条件为发电单元应最大限度的利用可再生能源，减少能源浪费，将能源缺失率限制在一定范围。 

$P_{\mathrm{LPSP}}=\frac{E_{\mathrm{LFS}}}{E}---\left(25\right)$

式中P_LPSP和E_LFS分别为能量缺失量与调度需求总量，E为发电单元的参考最大能源缺失率。 

风光补性约束条件为利用风光互补特性，使***总体输出保持平稳，并且减少蓄电池充放电次数和放电深度。 

$D_{\mathrm{wp}}=\frac{1}{P_r}\sqrt{\frac{1}{T}{\mathrm{\&Sigma;}}_{t=1}^T(P_{\mathrm{wp}}\left(t\right)-P_r)}:---\left(26\right)$

式中D_wp为风光联合出力相对于调度预期出力的波动率，P_wp为t时刻风光联合出力，λ为风光互补的参考最大波动率。 

Step5：采用Neungmatcha模糊逻辑控制方法动态调节储能蓄电池的能量转换模型，从种群初始化、选择、交叉、变异进行改进，使其快速收敛。 

具体改进如下： 

5a)个体编码 

采用二进制编码表示优化变量风电机组数、光伏组件数、蓄电池数。可由约束条件确定各部分二进制编码位数，然后级联形成一个完成的长度L_wqb的二进制编码。 

5b)初始种群的产生 

确保初始种群的多样性，有利于算法搜索整个解空间，避免早熟收敛。本文采用不同个体之间的绝对海明距离H(x作为种群中个体分布的度量，并要求种群中所有个体之间的海明距离H(x_i，x_j)(i，j＝1，2，∈…，L，i≠j)。此时个体长度为的种群规模为距离D需要依据问题的复杂度而定，一般尽量保持在30至200之间。 

5c)选择策略 

由于选择、交叉、变异等随机性操作可能破坏当前种群中的最优个体而对运行效率和收敛性造成不利影响。本文将采用精英保留机制，将适应度较好的个体尽量保留到下一代种群，并且父代种群和子代种群共同竞争，按适应度从大到小排序，前P_CH比例的优秀个体直接复制至下一代。 

5d)自适应交叉变异算子 

传统的遗传算法是设置恒定的交叉、变异概率值，因此交叉和变异概率取值的好坏将极大的影响算法搜索效率。为此，本文采用Neungmatcha的模糊逻辑控制方法动态调节遗传算子，使交叉概率P_C及变异概率P_M能够随着个体的适应度相对种群的平均适应度的变化进行调整，调整方法如下： $\left\{\begin{array}{c}\mathrm{\&Delta;}{\mathrm{fit}}_{\mathrm{avg}}\left(t\right)=\frac{1}{\mathrm{pop}}{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{pop}}{\mathrm{fit}}_k\left(t\right)-\frac{1}{\mathrm{offsize}}{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{off}}{\mathrm{fit}}_k\left(t\right)\\ \mathrm{\&Delta;c}\left(t\right)=\mathrm{\&alpha;}\&times;Z(i,j),\mathrm{\&Delta;m}\left(t\right)=\mathrm{\&beta;}\&times;Z(i,j)\\ P_C\left(t\right)=\mathrm{\&Delta;c}\left(t\right)+P_C(t-1),P_M\left(t\right)=\mathrm{\&Delta;m}\left(t\right)+P_M(t-1)\end{array}\right.---\left(27\right)$

式中Δfit_avg(t)为第t代种群的平均适应度，Δc和Δm为交叉变异的偏移量，pop和off分别为父代种群数量和子代种群数量，k为粒子编号，α和β为每一次交叉和变异概率的最大偏移范围，Z(i，j)为模糊控制规则，由Δfit_avg(t)和Δfit_avg(t-1)决定。 

Step6：根据目标函数和约束条件，采用改进的迭代和自适应遗传混合算法求解发电单元FLC-NPC目标函数，以及风电机组、光伏阵列和蓄电池装置各部分容量比例最优值。 

求解方法： 

迭代/自适应遗传混合算法在求解发电单元各部分设备最优容量比例时，相比Hocaoglu和Khatib提出的算法具有更快的收敛速度和搜索效率。具体求解步骤如下： 

算法分为两个阶段进行： 

阶段1：以设备规格参数、气象条件、调度预期出力等数据为基础，流程(1)建立的出力模型为设备自身约束条件、式(24)-(26)为全局性能约束条件，采用迭代法计算所有满足***性能指标的可行解，得到满足***性能指标的可行解集PSS。 

具体的求解步骤为： 

6a)获取气象条件、设备规格参数、***预期出力等数据。设置优化变量取值范围以减小迭代算法循环次数。其中风电机组和光伏组件数量下限为1，上限由规划场地进行约束，且P_wdN_wd+P_pvN_pv＞P_r蓄电池数量下限为1，上限为P_r/P_bat。 

6b)给定ω和λ值，对每一种容量组合进行计算，得到满足约束条件的可行解，并统计每组可行解***性能指标值如风电机组运行小时数、总发电量、蓄电池充放电次数、能源浪费率等。 

6c)获得可行解集以及相应的***性能指标值、经济参数。对每组可行解依照流程(5)中的编码方式进行编码，设置种群最小海明距离D，得到种群大小N、设置算法迭代次数Iter、 精英个体比例P_CH、交叉概率P_C变异概率P_M等初始值，得到初始种群G。 

阶段2：以PSS中元素和经济参数为基础、式(19)-(23)为目标函数，采用自适应遗传算法从PSS集中求解最优容量配置结果。 

具体的求解步骤为： 

6d)按照式(19)-(23)计算个体所代表的容量配置方案的经济性，考虑能量浪费和风光互补等因素，依据式(28)计算个体适应度： 

$\mathrm{Fit}\left(x\right)=\frac{1}{C_{\mathrm{LCC}}\left(x\right)+{\mathrm{\&lambda;}}_1{R}_{\mathrm{LFSP}}+{\mathrm{\&lambda;}}_2{D}_{\mathrm{wp}}+1}---\left(28\right)$

式中：λ₁和λ₂分别为能源浪费率和风光互补性的惩罚系数。按照流程(5)中所述选择策略和交叉变异策略更新种群，得到第i代种群G_i。 

6e)判断是否满足算法终止条件，若不满足，则转至(6b)，若满足则选择G_iter中适应度最高的个体，输出容量分配方案X′＝[N′_pvN′_wdN_bat]^T、各部分费用、***整体性能指标值等。 

算例分析： 

本发明选取张北地区2003年的气象条件数据进行建模与仿真，设调度预期恒定出力为P_r＝100MW，设备规格参数、经济参数以及算法参数如表1-3。其中若干相同类型的光伏面板通过馈线连接至独立的逆变器小室形成光伏单元，若干电池柜串联成一个组串再与其他组串并联形成储能单元接入直流母线，通过划分光伏单元和储能单元有利于运行人员对规模化发电单元的控制。本算例的计算参数选取如表1-3所示： 

表1 

基于本文提出的容量优化配置方法进行仿真，得到最终的优化结果如图3-4。 

图2给出了全年风光联合出力曲线和发电单元总体出力曲线，可以看出在***既定的协调运行控制策略下，发电单元可以在全年任意时刻恒定输出，确保可再生能源并网运行的稳定性。表3给出了最优容量配置方案为风电机组242MW，光伏阵列81MW，储能容量72MW，比例为0.61:0.21:0.18，相比光伏组件的装机容量和蓄电池装置的装机容量，风电机组的装机容量相对较高。 

通过图3发电单元局部出力曲线进一步分析原因：张北地区风力资源全年都比较丰富，并且分布比较均匀，使风电机组出力与调度预期需求匹配性更强；光照资源仅仅在白天才有，与调度要求匹配性较差，尤其在夏季进入雨季之后，全天光照时间缩短，气温升高使光伏组件能量转换效率降低，光伏出力减小。 

图4发电量对比可以看出，风力发电在发电单元中占据主导地位，光伏发电全年相对平均，蓄电池夏季发电量较多。 

表4 

本发明提出的优化算法在预期出力为100MW的条件下容量配置结果(如表4所示)。 

综合上述分析，本发明提出的算法收敛速度较快，计算效率相比之前的研究成果有一定的优势。 

如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。 

Claims (5)

1.一种基于额定容量的风光储发电单元容量优化配置方法，其特征在于，按如下步骤进行：

Step1：根据当地的风、光资源的分布情况，建立风电机组和光伏组件的出力模型，以及储能蓄电池的能量转换模型；

Step2：基于最大可再生能源利用和恒定输出的原则对蓄电池装置进行控制，制定***的协调运行策略；

Step3：设计目标函数为发电单元全寿命周期经费用C_LCC最小：式中：K为工程寿命年限；r为贴现率；C_IN(k)和C_OUT(k)分别为发电单元第k年的成本和收入；

Step4：确定容量优化配置的约束条件，分为功率平衡约束条件、能源缺失约束条件和风光互补性约束条件；

Step5：采用Neungmatcha模糊逻辑控制方法动态调节储能蓄电池的能量转换模型，从种群初始化、选择、交叉、变异进行改进，使其快速收敛；

Step6：根据目标函数和约束条件，采用改进的迭代和自适应遗传混合算法求解发电单元FLC-NPC目标函数，以及风电机组、光伏阵列和蓄电池装置各部分容量比例最优值。

2.根据权利要求1所述的一种基于额定容量的风光储发电单元容量优化配置方法，其特征在于，步骤Step1中所述的风电机组出力模型为：

$P_{\mathrm{wd}}\left(t\right)=\left\{\begin{array}{cc}0& v\left(t\right)<v_{\min }\mathrm{or\; v}\left(t\right)>v_{\max }\\ P_{\mathrm{rat}}& v_{\mathrm{rat}}\&le;v\left(t\right)\&le;v_{\max }\\ P_{\mathrm{rat}}\frac{v{\left(t\right)}^2-v_{\min }^2}{v_{\mathrm{rated}}^2-v_{\min }^2}& v_{\min }\&le;v\left(t\right)<v_{\mathrm{rat}}\end{array}\right.,$ 式中P_wd(t)为t时刻风电机组出力，P_rat为机组额定功率，v_min、v_max、v_rat分别为风电机组运行的最小启动风速、切除风速、最小额定风速。

3.根据权利要求1所述的一种基于额定容量的风光储发电单元容量优化配置方法，其特征在于，步骤Step1中所述的光伏组件的出力模型为：P_pv(t)＝η_invη_pv(t)G(t)S_pv，式中S_pv为光伏面板接收太阳光照辐射的面积(m²)，G(t)光照辐射数值(W/m²)，η_pv(t)为光伏组件能量转换效率，η_inv为逆变器转换效率。

4.根据权利要求1所述的一种基于额定容量的风光储发电单元容量优化配置方法，其特征在于，步骤Step1中所述的储能蓄电池的能量转换模型为：***充电模型Soc(t)＝Soc(t-1)(1-σ)+P_c(t)Δtη_c/E_max，***放电模型式中Soc(t)为第t时间段结束之后蓄电池剩余电量；σ为每小时蓄电池自放电率；P_c和P_d分别为蓄电池第t时间段的充电功率和放电功率；Δt为t时间段长度；η_c和η_d分别为蓄电池充电效率和放电效率；E_max为蓄电池最大容量。

5.根据权利要求1所述的一种基于额定容量的风光储发电单元容量优化配置方法，其特征在于，步骤Step2中制定***的协调运行策略的方法为：当风光联合出力小于调度需求值P_ref时，功率差值由蓄电池放电补充，直到所有蓄电池装置均达到最大放电深度Soc_min，此时蓄电池停止提供有功输出：

$\left\{\begin{array}{c}{P}_d\left(t\right)=P_{\mathrm{ref}}-[P_{\mathrm{wd}}\left(t\right)+P_{\mathrm{pv}}\left(t\right)]\\ \mathrm{Soc}\left(t\right)>{\mathrm{Soc}}_{\min }\end{array}\right.$

当风光联合出力大于调度需求值P_ref时，***将富余的能量存储至蓄电池中，直至蓄电池达到满荷电状态Soc_max，此时蓄电池停止充电储能：

$\left\{\begin{array}{c}{P}_c\left(t\right)=[P_{\mathrm{wd}}\left(t\right)+P_{\mathrm{pv}}\left(t\right)]-P_{\mathrm{ref}}\\ \mathrm{Soc}\left(t\right)<{\mathrm{Soc}}_{\max }\end{array}\right..$