CN104281986B - 一种微电网功率预测方法 - Google Patents

Abstract

本发明涉及一种微电网功率预测方法，该预测方法可以预测微电网的光伏模块、风电模块的发电功率，预测负载的变化情况，并基于实时检测的蓄电池模块的储能情况和实时获取的大电网的运行情况，来预测微电网的功率供给策略，使得微电网处于安全、经济、令用户满意的运行状态之下。

Description

一种微电网功率预测方法

所属技术领域

本发明涉一种微电网功率预测方法。

背景技术

随着全球性能源危机的不断加大，低碳、清洁的可再生能源已经成为研究热点，目前世界各国均开展了含可再生能源的微电网研究项目。微电网是指多个分布式电源及其相关负载按照一定的拓扑结构组成的网络，并通过静态开关关联至常规电网。

大量的风/光分布式发电以微电网的形式作为一个双向可调度单元从低压配电网接入，形成多个微电网组成的微网群或主动型配电网。然而，由于风力发电、光伏发电等可再生电源的高度随机性，传统负荷、燃料电池等清洁电源的不确定性，以及弹性负荷的可控可调，使得微电网成为公共电网中的不确定负载，对公共电网的稳定与优化带来巨大的冲击。

因此，要保证微电网安全、可靠、经济地运行，实现微电网的推广和应用，就需要对微电网供电管理问题进行研究。与负荷被动参与电网运行的传统电网供电管理相比，微电网的供电管理更期望用户负荷主动参与电网的运行，实现对对电能的积极消费。但随着智能用户数量的增加，用户时变的用电数量和随机的用电时间将给负荷端的能量分配带来扰动。另一方面，微电网的供电端引入了大量可再生、节能环保的新能源，新能源的随机性也给微电网的供电管理带来了扰动的影响。

解决上述问题的一个关键因素在于微电网的功率预测。

发明内容

为解决上述问题，本发明提供一种微电网功率预测方法，该预测方法可以预测微电网的光伏模块、风电模块的发电功率，预测负载的变化情况，并基于实时检测的蓄电池模块的储能情况和实时获取的大电网的运行情况，来预测微电网的功率供给策略，使得微电网处于安全、经济、令用户满意的运行状态之下。

为了实现上述目的，本发明提供一种微电网功率预测方法，该方法基于如下监控***来实现，该监控***包括：

光伏发电监控模块，用于实时监控微电网中的光伏发电模块，并对光伏发电模块的发电功率进行预测；

风电监控模块，用于实时监控风电网中的风电模块，并对风电模块的发电功率进行预测；

蓄电池监控模块，用于实时监控微电网中的蓄电池模块；

负载监控模块，用于实时监控微电网中的负载，并对负载的功率变化情况进行预测；

大电网联络模块，用于实时从大电网调控中心获知大电网的运行情况以及相关调度信息；

中控模块，用于确定微电网的供电策略，并向上述各模块发出指令，以执行该供电策略；

总线模块，用于该监控***的各个模块的通信联络；

该预测方法包括如下步骤：

(1)光伏发电监控模块、风电监控模块实时获取微电网中光伏发电模块和风电模块的运行数据，并存储数据，负载监控模块实时获取负载的负荷变化情况；

(2)根据现有微电网中光伏发电模块和风电模块的运行数据，对未来预定时刻内的微电网中的输出功率进行预测，根据现有微电网中的负载的负荷变化情况，对负载的负荷需求进行预测；

(3)实时检测获取蓄电池模块的储能充放容量，以及大电网的调度信息；

(4)以大电网的调度信息、当前蓄电池储能的充放容量、未来微电网中的输出功率以及对未来负荷需求的变化作为约束条件，建立微电网供电管理的目标函数，来预测微电网在未来一段时间内的功率供给情况。

优选的，在步骤(2)中，基于实时气象数据对光伏发电、风机发电的输出功率进行预测，具体步骤包括：

(201)对温度、光照度、风速进行预测；

(202)然后利用光伏模块和风机出力的数学模型对其输出功率进行预测。

优选的，光伏发电模块的输出功率可以采用如下的经验公式，该公式采用与标准环境下的光照温度进行比对的方法，给出近似参考值，该公式表述如下：

P_PV＝P_stc×G_w×[1+k_r(T_w-T_stc)]/G_stc

式中：P_stc、T_stc、G_stc分别表示标准环境下的最大测试功率、环境参考温度以及光照强度，其中T_stc＝300K，G_stc＝1000W/m²；G_w、T_w分别表示光伏发电模块工作时的光照强度和温度；k_r表示光伏发电模块功率温度系数。

优选的，在步骤(201)中，采用如下方式进行温度预测：

记录样本中的温度数据T1[24]、T2[24]…Tm[24]，ΔT1[23]、ΔT2[23]、ΔT3[23]、ΔT4[23]、ΔT5[23]；

运行到t时刻监测的温度T[t]，ΔT[t－1]；

计算温度变化趋势的相似度；

对相似度进行归一化处理；

对t时刻后温度进行预测，得到T[24－t]。

优选的，在步骤(4)中，微电网总功率Pg的约束为：

在非响应调度时段1下，P_g,min≤P_g(l)≤P_g,max，P_g,min为微电网能够从大电网吸收的最大功率，P_g,max为微电网能够向大电网输送功率的最大功率；

在响应调度时段2下，P_g(2)＝P_set，P_set为响应调度时段2下要求的联络线功率。

优选的，在步骤(2)中，采用神经网络模型预测负载负荷需求，具体步骤如下：

(211)每一天采集12组负载的有功功率和无功功率，共连续采集8天，这样共有96组数据P(k)和Q(k)，k＝1,2,…,96；

(212)将96组数据P(k)和Q(k)进行归一化处理，使得 n＝1,2,…,96；首先将每一天的12个有功功率P(k)作为一组输入矢量R(m)，12个无功功率Q(k)作为一组输入矢量S(m)，m＝1,2,…,8，m表示神经网络的训练次数；同时预先假设第9天的12个有功功率P′(k)作为预测功率的输出矢量R′，第9天的12个无功功率Q′(k)作为预测功率的输出矢量S′；这样前8天的有功功率输入矢量就为R(1),R(2),R(3),R(4),R(5),R(6),R(7),R(8)，第9天预测有功功率的输出矢量为R′；前8天的无功功率输入矢量就为S(1),S(2),S(3),S(4),S(5),S(6),S(7),S(8)，第9天预测有功功率的输出矢量为S′；

(213)将8组输入矢量R(m)和S(m)作为神经网络的输入层，隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元的传递函数采用S型对数函数logsig，如图2所示，这样经过8次神经网络训练后，就确定了神经网络中各连接权的权值；；

(214)对于8个有功功率输入矢量R(m)，在隐含层神经元有a¹＝tan sig(IW¹R+b¹)，其中a¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹为隐含层神经元的阈值；在输出层神经元有a²＝log sig(LW²a¹+b²)，其中a²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值；

(215)对于8个有功功率输入矢量S(m)，在隐含层神经元有c¹＝tan sig(IW¹S+b¹)，其中c¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹为隐含层神经元的阈值；在输出层神经元有c²＝log sig(LW²c1+b²)，其中c²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值；

(216)将第8天的输入矢量R(8)和S(8)再次作为神经网络的输入层，此时神经网络中输出的预测功率的输出矢量R′和S′即为第九天的功率预测归一化值，再用反归一化算法，即k＝1,2,…,96，输出的矢量值和就是第九天预测功率的12个有功功率P′(k)和12个无功功率Q′(k)。这样以此类推，可以重复上面的步骤利用第二天到第九天的数据预测到第十天的功率，这样后面每一天的功率都可以被预测出来。

优选的，在步骤(4)中，微电网蓄电池容量约束为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+ηEs(k)

Soc_min≤Soc(k)≤Soc_max

其中，Soc(k)为k时刻蓄电池的容量状态，Soc^ref是为保证储能电池工作的可靠性而设置的一个设定值，Es(k)代表储能设备与其它电力设备间流动的电量，储能的物理损耗系数a∈(0，1)，η为蓄电池的充放电效率，充电效率记为η_c、放电效率记为η_d，且它们之间满足以下关系：

储能的充放电过程可以看作是一个同时包含连续变量和离散变量的动态过程，这里采用混合逻辑动态模型处理方法，通过引入二进制变量δ(k)来表示储能在当前时刻的工作状态，

Z(k)＝δ(k)Es(k)

Z(k)表示当前时刻储能充/放电的电量，则蓄电池的动态特性可描述为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+(η_c-η_d)Z(k)+η_dEs(k)

满足以下约束条件：E₁δ(k)+E₂Z(k)≤E₃Es(k)+E₄

其中，系数矩阵E₁，E₂，E₃和E₄是在将逻辑命题转换为线性不等式时二进制变量和连续变量要满足的线性不等式约束，可通过数学公式的推导得到。

本发明的监控方法具有如下优点：(1)准确预测微电网的功率变化情况；(2)供电策略兼顾大电网调度要求、微电网运行情况和负载的负荷需求，满足用户同时，兼顾了供电可靠性，同时提高了供电效益。

附图说明

图1示出了本发明方法所使用的一种微电网监控***的框图；

图2示出了本发明方法的流程图。

具体实施方式

图1是示出了本发明的一种微电网监控***100，该***100包括：光伏发电监控模块104，用于实时监控微电网200中的光伏发电模块201，并对光伏发电模块201的发电功率进行预测；风电监控模块105，用于实时监控风电网200中的风电模块202，并对风电模块202的发电功率进行预测；蓄电池监控模块106，用于实时监控微电网200中的蓄电池模块203；负载监控模块108，用于实时监控微电网200中的负载204，并对负载204的功率变化情况进行预测；大电网联络模块102，用于实时从大电网300调控中心获知大电网300的运行情况以及相关调度信息；断路器109，用于连接或隔离微电网200与大电网300；并网监控模块103，用于控制断路器109连接或隔离微电网200和大电网300；中控模块107，用于确定微电网200的供电策略，并向上述各模块发出指令，以执行该供电策略；总线模块101，用于该监控***的各个模块的通信联络。

通信模块101，用于上述各个模块之间的通信，所述总线通信模块101通过冗余双CAN总线与其他模块相连。

光伏发电模块201至少包括电压、电流检测设备以及太阳光强度检测设备和温度检测设备。风电监控模块105至少包括风力发电机定压、电流、频率检测设备，以及风速检测设备。风力发电机的输出功率由风力发电机所在地点的风速、风向和自身特征所决定。

基于实时气象数据的光伏发电、风机发电预测，需对温度、光照度、风速进行预测。其中，温度预测可采用以下方法：

样本中的温度数据T1[24]、T2[24]…Tm[24]，ΔT1[23]、ΔT2[23]、ΔT3[23]、ΔT4[23]、ΔT5[23]；运行到t时刻监测的温度T[t]，ΔT[t－1]；计算温度变化趋势的相似度；对相似度进行归一化处理；对t时刻后温度进行预测，得到T[24－t]：

此外，对光照度、风速预测时，可按与温度预测类似的方法进行预测，然后利用光伏模块和风机出力的数学模型对其输出功率进行预测。

蓄电池监控模块106至少包括蓄电池端电压、电流检测设备以及温度检测设备。用于实时监控蓄电池模块的充放电过程。通过调节蓄电池的充/放电来存储/补充富余/缺少的能量，蓄电池的能量流动可描述为，

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+ηEs(k)

Soc_min≤Soc(k)≤Soc_max

其中，Soc(k)为k时刻蓄电池的容量状态，Soc^ref是为保证储能电池工作的可靠性而设置的一个设定值，Es(k)代表储能设备与其它电力设备间流动的电量，储能的物理损耗系数a∈(0，1)，η为蓄电池的充放电效率，充电效率记为η_c、放电效率记为η_d，且它们之间满足以下关系：

储能的充放电过程可以看作是一个同时包含连续变量和离散变量的动态过程，这里采用混合逻辑动态模型处理方法，通过引入二进制变量δ(k)来表示储能在当前时刻的工作状态，

Z(k)＝δ(k)Es(k)

Z(k)表示当前时刻储能充/放电的电量，则蓄电池的动态特性可描述为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+(η_c-η_d)Z(k)+η_dEs(k)

满足以下约束条件：E₁δ(k)+E₂Z(k)≤E₃Es(k)+E₄

其中，系数矩阵E₁，E₂，E₃和E₄是在将逻辑命题转换为线性不等式时二进制变量和连续变量要满足的线性不等式约束，可通过数学公式的推导得到。

在将逻辑命题转换为线性不等式时二进制变量和连续变量过程中，要满足的线性不等式约束E₁δ(k)+E₂Z(k)≤E₃Es(k)+E₄，其中系数矩阵E₁，E₂，E₃和E₄分别为：

中控模块107至少包括CPU单元、数据存储单元和显示单元。

大电网联络模块102至少包括无线通信设备。该无线通信设备可以为有线设备或无线设备。

参见附图2，本发明的方法包括如下步骤：

S1.光伏发电监控模块104、风电监控模块实105时获取微电网200中光伏发电模块201和风电模块202的运行数据，并存储数据，负载监控模块108实时获取负载204的负荷变化情况；

S2.根据现有微电网200中光伏发电模块201和风电模块202的运行数据，对未来预定时刻内的微电网200中的输出功率进行预测，根据现有微电网200中的负载204的负荷变化情况，对负载204的负荷需求进行预测；

S3.蓄电池监控模块106实时检测获取蓄电池模块203的储能充放容量，大电网联络模块102实时检测大电网的调度信息；

S4.以大电网300的调度信息、当前蓄电池模块203储能的充放容量、未来微电网中的输出功率以及对未来负荷需求的变化作为约束条件，建立微电网供电管理的目标函数，来预测微电网在未来一段时间内的功率供给情况。

在步骤S2中，基于实时气象数据对光伏发电、风机发电的输出功率进行预测，具体步骤包括：

S201.对温度、光照度、风速进行预测；

S202.然后利用光伏模块和风机出力的数学模型对其输出功率进行预测。其中，温度预测可采用以下方法：

在步骤S201中，采用如下方式进行温度预测：

记录样本中的温度数据T1[24]、T2[24]…Tm[24]，ΔT1[23]、ΔT2[23]、ΔT3[23]、ΔT4[23]、ΔT5[23]；

运行到t时刻监测的温度T[t]，ΔT[t－1]；

计算温度变化趋势的相似度；

对相似度进行归一化处理；

对t时刻后温度进行预测，得到T[24－t]。

光伏发电模块的输出功率可以采用如下的经验公式，该公式采用与标准环境下的光照温度进行比对的方法，给出近似参考值。该公式表述如下：

PPV＝P_stc×G_w×[1+k_r(T_w-T_stc)]/G_stc

式中：P_stc、T_stc、G_stc分别表示标准环境下的最大测试功率、环境参考温度以及光照强度，其中T_stc＝300K，G_stc＝1000W/m²；G_w、T_w分别表示光伏发电模块工作时的光照强度和温度；k_r表示光伏发电模块功率温度系数。

在S2中，采用神经网络模型预测负荷需求，具体步骤如下：

S211.每一天采集12组有功功率和无功功率，共连续采集8天，这样共有96组数据P(k)和Q(k)，k＝1,2,…,96。

S212.将96组数据P(k)和Q(k)进行归一化处理，使得 n＝1,2,…,96；首先将每一天的12个有功功率P(k)作为一组输入矢量R(m)，12个无功功率Q(k)作为一组输入矢量S(m)，m＝1,2,…,8，m表示神经网络的训练次数；同时预先假设第9天的12个有功功率P′(k)作为预测功率的输出矢量R′，第9天的12个无功功率Q′(k)作为预测功率的输出矢量S′；这样前8天的有功功率输入矢量就为R(1),R(2),R(3),R(4),R(5),R(6),R(7),R(8)，第9天预测有功功率的输出矢量为R′；前8天的无功功率输入矢量就为S(1),S(2),S(3),S(4),S(5),S(6),S(7),S(8)，第9天预测有功功率的输出矢量为S′。

S213.将8组输入矢量R(m)和S(m)作为神经网络的输入层，隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元的传递函数采用S型对数函数logsig，如图2所示，这样经过8次神经网络训练后，就确定了神经网络中各连接权的权值。

S214.对于8个有功功率输入矢量R(m)，在隐含层神经元有a¹＝tan sig(IW¹R+b¹)，其中a¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹为隐含层神经元的阈值；在输出层神经元有a²＝log sig(LW²a¹+b²)，其中a²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值。

S215.对于8个有功功率输入矢量S(m)，在隐含层神经元有c¹＝tan sig(IW¹S+b¹)，其中c¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹为隐含层神经元的阈值；在输出层神经元有c²＝log sig(LW²c1+b²)，其中c²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值。

S216.将第8天的输入矢量R(8)和S(8)再次作为神经网络的输入层，此时神经网络中输出的预测功率的输出矢量R′和S′即为第九天的功率预测归一化值，再用反归一化算法，即k＝1,2,…,96，输出的矢量值和就是第九天预测功率的12个有功功率P′(k)和12个无功功率Q′(k)。这样以此类推，可以重复上面的步骤利用第二天到第九天的数据预测到第十天的功率，这样后面每一天的功率都可以被预测出来。

在步骤S4中，微电网总功率Pg的约束为：

在非响应调度时段1下，P_g,min≤P_g(l)≤P_g,max，P_g,min为微电网200能够从大电网300吸收的最大功率，P_g,max为微电网200能够向大电网300输送功率的最大功率；

在响应调度时段2下，P_g(2)＝P_set，P_set为响应调度时段2下要求的联络线功率。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (5)

1.一种微电网功率预测方法，该方法基于如下监控***来实现，该监控***包括：

光伏发电监控模块，用于实时监控微电网中的光伏发电模块，并对光伏发电模块的发电功率进行预测；

风电监控模块，用于实时监控风电网中的风电模块，并对风电模块的发电功率进行预测；

蓄电池监控模块，用于实时监控微电网中的蓄电池模块；

负载监控模块，用于实时监控微电网中的负载，并对负载的功率变化情况进行预测；

大电网联络模块，用于实时从大电网调控中心获知大电网的运行情况以及相关调度信息；

中控模块，用于确定微电网的供电策略，并向上述各模块发出指令，以执行该供电策略；

总线模块，用于该监控***的各个模块的通信联络；

其特征在于，该预测方法包括如下步骤：

(1)光伏发电监控模块、风电监控模块实时获取微电网中光伏发电模块和风电模块的运行数据，并存储数据，负载监控模块实时获取负载的负荷变化情况；

(2)根据现有微电网中光伏发电模块和风电模块的运行数据，对未来预定时刻内的微电网中的输出功率进行预测，根据现有微电网中的负载的负荷变化情况，对负载的负荷需求进行预测；

(3)实时检测获取蓄电池模块的储能充放容量，以及大电网的调度信息；

(4)以大电网的调度信息、当前蓄电池储能的充放容量、未来微电网中的输出功率以及对未来负荷需求的变化作为约束条件，建立微电网供电管理的目标函数，来预测微电网在未来一段时间内的功率供给情况；

在步骤(2)中，基于实时气象数据对光伏发电、风机发电的输出功率进行预测，具体步骤包括：

(201)对温度、光照度、风速进行预测；

(202)然后利用光伏模块和风机出力的数学模型对其输出功率进行预测；

光伏发电模块的输出功率可以采用如下的经验公式，该公式采用与标准环境下的光照温度进行比对的方法，给出近似参考值，该公式表述如下：

P_PV＝P_stc×G_w×[1+k_r(T_w-T_stc)]/G_stc

式中：P_stc、T_stc、G_stc分别表示标准环境下的最大测试功率、环境参考温度以及光照强度，其中T_stc＝300K，G_stc＝1000W/m²；G_w、T_w分别表示光伏发电模块工作时的光照强度和温度；k_r表示光伏发电模块功率温度系数。

2.如权利要求1所述的方法，其特征在于，在步骤(201)中，采用如下方式进行温度预测：

记录样本中的温度数据T1[24]、T2[24]…Tm[24]，ΔT1[23]、ΔT2[23]、ΔT3[23]、ΔT4[23]、ΔT5[23]；

运行到t时刻监测的温度T[t]，ΔT[t－1]；

计算温度变化趋势的相似度；

对相似度进行归一化处理；

对t时刻后温度进行预测，得到T[24－t]。

3.如权利要求2所述的方法，其特征在于，在步骤(2)中，采用神经网络模型预测负载负荷需求，具体步骤如下：

(211)每一天采集12组负载的有功功率和无功功率，共连续采集8天，这样共有96组数据P(k)和Q(k)，k＝1,2,…,96；

(212)将96组数据P(k)和Q(k)进行归一化处理，使得 n＝1,2,…,96；首先将每一天的12个有功功率P(k)作为一组输入矢量R(m)，12个无功功率Q(k)作为一组输入矢量S(m)，m＝1,2,…,8，m表示神经网络的训练次数；同时预先假设第9天的12个有功功率P′(k)作为预测功率的输出矢量R′，第9天的12个无功功率Q′(k)作为预测功率的输出矢量S′；这样前8天的有功功率输入矢量就为R(1),R(2),R(3),R(4),R(5),R(6),R(7),R(8)，第9天预测有功功率的输出矢量为R′；前8天的无功功率输入矢量就为S(1),S(2),S(3),S(4),S(5),S(6),S(7),S(8)，第9天预测有功功率的输出矢量为S′；

(213)将8组输入矢量R(m)和S(m)作为神经网络的输入层，隐含层神经元的传递函数采用S型正切函数tansig，输出层神经元的传递函数采用S型对数函数logsig，如图2所示，这样经过8次神经网络训练后，就确定了神经网络中各连接权的权值；

(214)对于8个有功功率输入矢量R(m)，在隐含层神经元有a¹＝tansig(IW¹R+b¹)，其中a¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹ 为隐含层神经元的阈值；在输出层神经元有a²＝log sig(LW²a¹+b²)，其中a²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值；

(215)对于8个有功功率输入矢量S(m)，在隐含层神经元有c¹＝tansig(IW¹S+b¹)，其中c¹为隐含层神经元输出，IW¹为隐含层神经元的权值，b¹为隐含层神经元的阈值；在输出层神经元有c²＝log sig(LW²c1+b²)，其中c²为输出层神经元输出，IW²为输出层神经元的权值，b²为输出层神经元的阈值；

(216)将第8天的输入矢量R(8)和S(8)再次作为神经网络的输入层，此时神经网络中输出的预测功率的输出矢量R′和S′即为第九天的功率预测归一化值，再用反归一化算法，即k＝1,2,…,96，输出的矢量值和就是第九天预测功率的12个有功功率P′(k)和12个无功功率Q′(k)，这样以此类推，可以重复上面的步骤利用第二天到第九天的数据预测到第十天的功率，这样后面每一天的功率都可以被预测出来。

4.如权利要求3所述的方法，其特征在于，在步骤(4)中，微电网总功率Pg的约束为：

在非响应调度时段1下，P_g,min≤P_g(l)≤P_g,max，P_g,min为微电网能够从大电网吸收的最大功率，P_g,max为微电网能够向大电网输送功率的最大功率；

在响应调度时段2下，P_g(2)＝P_set，P_set为响应调度时段2下要求的联络线功率。

5.如权利要求4所述的方法，其特征在于，在步骤(4)中，微电网蓄电池容量约束为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+ηEs(k)

Soc_min≤Soc(k)≤Soc_max

其中，Soc(k)为k时刻蓄电池的容量状态，Soc^ref是为保证储能电池工作的可靠性而设置的一个设定值，Es(k)代表储能设备与其它电力设备间流动的电量，储能的物理损耗系数a∈(0，1)，η为蓄电池的充放电效率，充电效率记为η_c、放电效率记为η_d，且它们之间满足以下关系：

储能的充放电过程可以看作是一个同时包含连续变量和离散变量的动态过程，这里采用混合逻辑动态模型处理方法，通过引入二进制变量δ(k)来表示储能在当前时刻的工作状态，

Z(k)＝δ(k)Es(k)

Z(k)表示当前时刻储能充/放电的电量，则蓄电池的动态特性可描述为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+(η_c-η_d)Z(k)+η_dEs(k)

满足以下约束条件：E₁ ^δ(k)+E₂Z(k)≤E₃Es(k)+E₄

其中，系数矩阵E₁，E₂，E₃和E₄是在将逻辑命题转换为线性不等式时二进制变量和连续变量要满足的线性不等式约束，可通过数学公式的推导得到。