CN104348188A - 一种分布式电源运行及监控方法 - Google Patents

Abstract

本发明涉及一种分布式电源运行及监控方法。该方法可以预测分布式电源的光伏模块、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、柴油发电机的运行情况和实时获取的配电网的运行情况，实施最适宜的控制策略。

Description

一种分布式电源运行及监控方法

所属技术领域

本发明涉一种分布式电源运行及监控方法。

背景技术

随着经济发展，电力需求迅速增长，电网规模不断扩大，超大规模电力***的弊端也日益凸现：运行稳定性差，难以适应用户对电力安全和可靠性要求以及多样化供电需求。

分布式电源(distributed generation,DG)是一种新兴的电力能源，包括光伏发电***、风力发电***、微型燃气轮机发电***等。分布式发电技术具有环保、经济等一系列优点，能够很好地满足人们对电力安全稳定和经济环保的要求，已引起广泛关注，并逐渐得到推广和发展。

然而，这些小型可再生能源发电方式从根本上说，存在容量小、产品效率低、供电可靠性差、发电成本高等缺点，极大地阻碍了该类发电***的大规模推广应用和进一步发展。

此外，DG接入配电网也给配电网的保护和控制带来了新的问题和挑战。光伏和风电能源是一种间歇性能源，并网运行时不可避免的存在发电功率随着光照强弱波动和风力强弱波动的缺点。因此，高渗透率的分布式电源接入配电网，必然会给配电网的运行、调度和管理带来很多负面影响。为了使配电网能适应分布式电源的并网接入，迫切需要对分布式电源运行控制及接入控制关键技术进行深入研究，从而降低分布式电源并网接入带来的不利影响，同时发挥其积极的辅助作用。

发明内容

为解决上述问题，本发明提供一种分布式电源运行及监控方法，该方法可以预测分布式电源的光伏模块、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、柴油发电机的运行情况和实时获取的配电网的运行情况，实施最适宜的控制策略。

为了实现上述目的，本发明提供一种分布式电源运行及监控方法，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，用于实时监控分布式电源中的光伏发电模块，并对光伏发电模块的发电功率进行预测；

风电监控模块，用于实时监控分布式电源中的风电模块，并对风电模块的发电功率进行预测；

蓄电池监控模块，用于实时监控分布式电源中的蓄电池模块；

柴油发电机监控模块，用于实时监控分布式电源中柴油发电机；

负载监控模块，用于实时监控分布式电源中的负载，并对负载的功率变化情况进行预测；

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

并网运行监控模块，用于控制分布式电源连接或隔离配电网；

中控模块，用于确定分布式电源的运行策略，并向上述监控***中的各模块发出指令，以执行该运行策略；

总线模块，用于该监控***的各个模块的通信联络；

该监控方法包括如下步骤：

(1)光伏发电监控模块、风电监控模块实时获取分布式电源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)根据现有分布式电源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分布式电源中的可再生能源输出功率进行预测，根据现有分布式电源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，实时获取柴油发电机的运行数据以及配电网的参数和调度信息；

(4)以配电网的调度信息、当前蓄电池储能的充放容量、未来分布式电源中的再生能源输出功率、柴油发电机的输出功率以及对未来负荷需求的变化作为约束条件，建立分布式电源运行策略的目标函数；

(5)对上述供电策略目标函数进行优化，确定运行策略；

(6)执行上述运行策略。

优选的，在步骤(3)中，获取的配电网参数包括：母线编号、名称、负荷有功、负荷无功、线路的支路号、首端节点和末端节点编号、串联电阻、串联电抗。

优选的，在步骤(5)，上述目标函数按照如下步骤优化：利用基于混合整数二次规划带约束的预测控制优化算法，以分布式电源可控输出功率、蓄电池储能充放电量和充放电时间、柴油发电机可控输出功率以及对负载负荷需求为操作变量，以储能设备最优容量为设定值，以分布式电源的能量供求误差最低作为目标，在满足分布式电源可控输出功率、柴油发电机可控输出功率、蓄电池储能的充放电和容量物理约束条件下，调整分布式电源可控输出功率、柴油发电机可控输出功率、储能充放电量和充放电时间、以及对负载负荷需求的调节作用，以达到分布式电源最小的目标函数值。

优选的，在步骤(2)中，对未来预定时刻内的分布式电源中的可再生能源输出功率进行预测，包括预测光伏发电模块的功率输出和风电模块的输出功率。

优选的，在步骤(2)采用如下方式预测风电模块的输出功率，所述风电模块包括风力发电机和SVG：

(201)采集风电模块中当前各类电量实测值作为各类电量的预测值的初始值，预测值包括：风机有功预测值风机无功预测值风机机端电压预测值SVG无功预测值SVG机端电压预测值风电模块并网点(PCC)母线电压预测值

(202)根据所述预测值建立由优化目标函数和约束条件组成的MPC优化控制模型，并求解风电模块的有功和无功输出的预测值：

MPC优化控制模型的目标函数如式(1)所示：

$\underset{Q_{\mathrm{WTG}}^{\mathrm{set}},V_{\mathrm{SVG}}^{\mathrm{set}}}{\min }(\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_1,\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_2)---\left(1\right)$

式(1)中和为优化变量，和含义分别为风机无功设定值和SVG电压设定值；N为时间窗覆盖控制周期的个数；M为单个控制周期下含预测点的个数；ρ为衰减系数，取值ρ＜1；时间变量ti,j＝(Mi+j)Δt意义为当前时刻起第i个控制周期内的第j个预测点，Δt为预测点间隔，Δt由风电模块功率预测时间间隔决定；

F1为风电模块并网点母线电压与设定值的偏差水平，F1具体表达式如式(2)：

$F_1\left(t_{i,j}\right)={[V_{\mathrm{PCC}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{PCC}}^{\mathrm{ref}}]}^2---\left(2\right)$

式(2)中表示PCC电压的参考值，从主站控制指令中提取后设定；

F2为SVG无功储备水平，F2具体表达式如式(3)：

$F_2\left(t_{i,j}\right)={[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{opr}}]}^2---\left(3\right)$

式(3)中为SVG无功最佳运行点；

MPC优化控制模型的约束条件，具体包括：

风机有功预测约束条件：

$P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\underset{k=1}{\overset{N_o}{\mathrm{\Σ}}}{\mathrm{\φ}}_k{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)+{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-\underset{k=1}{\overset{N_m}{\mathrm{\Σ}}}{\mathrm{\θ}}_k{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)---\left(4\right)$

式(4)中为风机有功预测误差；Na和Nm分别为AR和MA模型的阶数，φk和θk为相关权重，阶数与权重均根据风机有功历史值确定；ti,j-k为预测中参与计算数据(包括)对应时刻，下标k表征预测时刻前推kΔt时间，当ti,j-k≤0时，有功预测值应取对应时刻历史值；

风机无功预测约束条件：

风机无功在下次控制前达到设定值：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)=Q_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i-\mathrm{1,0}}\right)---\left(5\right)$

第i个控制周期内的各预测点，风机无功功率的变化过程以指数函数拟合：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\frac{1-e^{-(t_{i,j}-t_{i,0})/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i,0}\right)+\frac{e^{-(t_{i,j}-t_{i,0})/T_s}-e^{-\mathrm{M\Δt}/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)---\left(6\right)$

式(6)中Ts为风机无功调节时间常数，可以根据风机无功调节测试试验获取。

SVG无功预测约束条件：

SVG无功参考值如式(7)所示：

$\begin{array}{c}{Q}_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j}\right)=K_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,0}\right)]+K_I\mathrm{\Δt}\underset{k=0}{\overset{i\×M+j}{\mathrm{\Σ}}}[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,-k}\right)]\\ +Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{0,0}\right)-K_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{0,0}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{0,0}\right)]\end{array}---\left(7\right)$

式(7)中KI和KP分别为比例环节和积分环节的系数；

SVG无功预测值如式(8)所示：

$Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)=Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)+[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-1}\right)-Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)]e^{-(t_{i,j}-t_{i,j-1})/T_d}---\left(8\right)$

式(8)中时间常数Td为SVG电力电子装置动作延时；

电压预测约束条件：

$V^{\mathrm{pre}}\left(t_{i,j}\right)-V^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)=S\left[\begin{array}{c}{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\end{array}\right]---\left(9\right)$

式(9)中V^pre为风机机端、SVG机端、和PCC母线电压预测值构成的向量，S为灵敏度矩阵；

***电压、发电机运行和SVG运行的约束条件：

$\left\{\begin{array}{c}{V}^{\min }\≤V^{\mathrm{pre}}\left(t_{i,j}\right)\≤V^{\max }\\ Q_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{WTG}}^{\max }\\ Q_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{SVG}}^{\max }\\ \mathrm{\Δ}{Q}_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤\mathrm{\Δ}{Q}_{\mathrm{WTG}}^{\max }\\ \mathrm{\Δ}{Q}_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤\mathrm{\Δ}{Q}_{\mathrm{SVG}}^{\max }\end{array}\right.---\left(10\right)$

式(10)中V^max和V^min分别为由PCC、风机和SVG电压预测值构成***电压向量的上限和下限，其中PCC电压限值由配电网调度中心给出，而风机和SVG电压限值根据设备生产厂商给出的正常工作范围确定；和分别为风机无功运行上下限，和别为SVG无功运行上下限，皆根据设备生产厂商给出的正常工作范围确定；和分别为风机无功爬坡上下限，和分别为SVG无功爬坡上下限，皆需经过无功调速实验测试结果确定。

优选的，在步骤(4)中，分布式电源总功率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为分布式电源能够从配电网吸收的最大功率，P_g,max为分布式电源能够向配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(4)中，分布式电源蓄电池容量约束为：

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：

$\mathrm{\η}=\left\{\begin{array}{cc}{\mathrm{\η}}_c,& \mathrm{if\; Es}\left(k\right)>0\\ {\mathrm{\η}}_d,& \mathrm{else}.\end{array}\right.$

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。

本发明的监控方法具有如下优点：(1)准确预测分布式电源的功率变化情况；(2)供电策略兼顾配电网调度要求、分布式电源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分布式电源监控***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分布式电源监控***100，该***100包括：光伏发电监控模块104，用于实时监控分布式电源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，用于实时监控分布式电源200中的风电模块202，并对风电模块202的发电功率进行预测；柴油发电机监控模块109，用于实时监控分布式电源中柴油发电机207；蓄电池监控模块106，用于实时监控分布式电源200中的蓄电池模块203；负载监控模块108，用于实时监控分布式电源200中的负载204，并对负载204的功率变化情况进行预测；配电网联络模块102，用于实时从配电网300调控中心获知配电网300的运行情况以及相关调度信息；并网监控模块103，用于分布式电源200连接或隔离配电网300；中控模块107，用于确定分布式电源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***100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。

光电发电模块201包括多个光伏阵列。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。

风电模块包括多个风力发电机和SVG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、风速检测设备，以及SVG电压和电流检测设备。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，可按与温度预测类似的方法进行预测，然后利用光伏模块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米卡的充放电过程。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，

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：

$\mathrm{\η}=\left\{\begin{array}{cc}{\mathrm{\η}}_c,& \mathrm{if\; Es}\left(k\right)>0\\ {\mathrm{\η}}_d,& \mathrm{else}.\end{array}\right.$

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：

$\left\{\begin{array}{c}{E}_1={\left[\begin{array}{cccccc}{\mathrm{Soc}}^{\mathrm{ref}}& -({\mathrm{Soc}}^{\mathrm{ref}}+\mathrm{\ϵ})& {\mathrm{Soc}}^{\mathrm{ref}}& {\mathrm{Soc}}^{\mathrm{ref}}& -{\mathrm{Soc}}^{\mathrm{ref}}& -{\mathrm{Soc}}^{\mathrm{ref}}\end{array}\right]}^T\\ E_2={\left[\begin{array}{cccccc}0& 0& 1& -1& 1& -1\end{array}\right]}^T\\ E_3={\left[\begin{array}{cccccc}1& -1& 1& -1& 0& 0\end{array}\right]}^T\\ E_4={\left[\begin{array}{cccccc}{\mathrm{Soc}}^{\mathrm{ref}}& -\mathrm{\ϵ}& {\mathrm{Soc}}^{\mathrm{ref}}& {\mathrm{Soc}}^{\mathrm{ref}}& 0& 0\end{array}\right]}^T\end{array}\right..$

中控模块107至少包括CPU单元、数据存储单元和显示单元。

配电网联络模块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。

并网监控模块103至少包括用于检测配电网和分布式电源电压、电流和频率的检测设备、数据采集单元和数据处理单元。数据采集单元包含采集预处理和A/D转换模块，采集八路遥测信号量，包含电网侧A相电压、电流，分布式电源侧的三相电压、电流。遥测量可通过终端内的高精度电流和电压互感器将强交流电信号(5A/100V)不失真地转变为内部弱电信号，经滤波处理后进入A/D芯片进行模数转换，经转换后的数字信号经数据处理单元计算，获得分布式电源200侧的三相电压电流值和配电网300侧相电压电流值。本遥测信号量处理采用了高速高密度同步采样、频率自动跟踪技术还有改进的FFT算法，所以精度得到充分保证，能够完成分布式电源200侧有功、无功和电能从基波到高次谐波分量的测量和处理。

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时获取分布式电源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.根据现有分布式电源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分布式电源200中的输出功率进行预测，根据现有分布式电源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，配电网联络模块102实时检测配电网的调度信息；

S4.以配电网300的调度信息、当前蓄电池模块203储能的充放容量、未来分布式电源中的输出功率以及对未来负荷需求的变化作为约束条件，建立分布式电源200供电管理的目标函数；

S5.对上述供电管理目标函数进行优化，确定供电策略；

S6.执行上述供电策略。

在步骤S3中，获取的配电网300参数包括：母线编号、名称、负荷有功、负荷无功、线路的支路号、首端节点和末端节点编号、串联电阻、串联电抗。

上述目标函数按照如下步骤优化：利用基于混合整数二次规划带约束的预测控制优化算法，以分布式电源可控输出功率、蓄电池储能充放电量和充放电时间、柴油发电机可控输出功率以及对负载负荷需求为操作变量，以储能设备最优容量为设定值，以分布式电源的能量供求误差最低作为目标，在满足分布式电源可控输出功率、柴油发电机可控输出功率、蓄电池储能的充放电和容量物理约束条件下，调整分布式电源可控输出功率、柴油发电机可控输出功率、储能充放电量和充放电时间、以及对负载负荷需求的调节作用，以达到分布式电源最小的目标函数值。

在步骤S5中，上述供电管理的目标函数按照如下步骤优化：利用基于混合整数二次规划带约束的预测控制优化算法，以分布式电源200可控输出功率(包括光伏发电输出功率和风电输出功率)、柴油发电机207可控输出功率、蓄电池模块203储能充放电量和充放电时间、对负载204负荷需求为操作变量，以储能设备(蓄电池模块203)最优容量为设定值，以分布式电源200的能量供求误差最低作为目标，在满足分布式电源200可控输出功率、蓄电池模块203储能的充放电和容量物理约束条件下，调整分布式电源200可控输出功率、柴油发电机207可控输出功率、储能充放电量和充放电时间、以及对负载负荷需求的调节作用，以达到分布式电源最小的目标函数值。

在步骤S2中，对未来预定时刻内的分布式电源200中的输出功率进行预测，具体采用如下方式实现，根据光照强度数据和温度数据预测光伏发电模块的功率输出，根据风速数据预测风电模块的输出功率。

在步骤S2中，对未来预定时刻内的分布式电源中的可再生能源输出功率进行预测，包括预测光伏发电模块的功率输出和风电模块的输出功率。

在步骤S2采用如下方式预测风电模块的输出功率，所述风电模块包括风力发电机和SVG：

(201)采集风电模块中当前各类电量实测值作为各类电量的预测值的初始值，预测值包括：风机有功预测值风机无功预测值风机机端电压预测值SVG无功预测值SVG机端电压预测值风电模块并网点(PCC)母线电压预测值

(202)根据所述预测值建立由优化目标函数和约束条件组成的MPC优化控制模型，并求解风电模块的有功和无功输出的预测值：

MPC优化控制模型的目标函数如式(1)所示：

$\underset{Q_{\mathrm{WTG}}^{\mathrm{set}},V_{\mathrm{SVG}}^{\mathrm{set}}}{\min }(\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_1,\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_2)---\left(1\right)$

式(1)中和为优化变量，和含义分别为风机无功设定值和SVG电压设定值；N为时间窗覆盖控制周期的个数；M为单个控制周期下含预测点的个数；ρ为衰减系数，取值ρ＜1；时间变量ti,j＝(Mi+j)Δt意义为当前时刻起第i个控制周期内的第j个预测点，Δt为预测点间隔，Δt由风电模块功率预测时间间隔决定；

F1为风电模块并网点母线电压与设定值的偏差水平，F1具体表达式如式(2)：

$F_1\left(t_{i,j}\right)={[V_{\mathrm{PCC}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{PCC}}^{\mathrm{ref}}]}^2---\left(2\right)$

式(2)中表示PCC电压的参考值，从主站控制指令中提取后设定；

F2为SVG无功储备水平，F2具体表达式如式(3)：

$F_2\left(t_{i,j}\right)={[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{opr}}]}^2---\left(3\right)$

式(3)中为SVG无功最佳运行点；

MPC优化控制模型的约束条件，具体包括：

风机有功预测约束条件：

$P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\underset{k=1}{\overset{N_o}{\mathrm{\Σ}}}{\mathrm{\φ}}_k{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)+{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-\underset{k=1}{\overset{N_m}{\mathrm{\Σ}}}{\mathrm{\θ}}_k{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)---\left(4\right)$

式(4)中为风机有功预测误差；Na和Nm分别为AR和MA模型的阶数，φk和θk为相关权重，阶数与权重均根据风机有功历史值确定；ti,j-k为预测中参与计算数据(包括)对应时刻，下标k表征预测时刻前推kΔt时间，当ti,j-k≤0时，有功预测值应取对应时刻历史值；

风机无功预测约束条件：

风机无功在下次控制前达到设定值：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)=Q_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i-\mathrm{1,0}}\right)---\left(5\right)$

第i个控制周期内的各预测点，风机无功功率的变化过程以指数函数拟合：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\frac{1-e^{-(t_{i,j}-t_{i,0})/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i,0}\right)+\frac{e^{-(t_{i,j}-t_{i,0})/T_s}-e^{-\mathrm{M\Δt}/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)---\left(6\right)$

式(6)中Ts为风机无功调节时间常数，可以根据风机无功调节测试试验获取。

SVG无功预测约束条件：

SVG无功参考值如式(7)所示：

$\begin{array}{c}{Q}_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j}\right)=K_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,0}\right)]+K_I\mathrm{\Δt}\underset{k=0}{\overset{i\×M+j}{\mathrm{\Σ}}}[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,-k}\right)]\\ +Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{0,0}\right)-K_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{0,0}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{0,0}\right)]\end{array}---\left(7\right)$

式(7)中KI和KP分别为比例环节和积分环节的系数；

SVG无功预测值如式(8)所示：

$Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)=Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)+[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-1}\right)-Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)]e^{-(t_{i,j}-t_{i,j-1})/T_d}---\left(8\right)$

式(8)中时间常数Td为SVG电力电子装置动作延时；

电压预测约束条件：

$V^{\mathrm{pre}}\left(t_{i,j}\right)-V^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)=S\left[\begin{array}{c}{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\end{array}\right]---\left(9\right)$

式(9)中V^pre为风机机端、SVG机端、和PCC母线电压预测值构成的向量，S为灵敏度矩阵；

***电压、发电机运行和SVG运行的约束条件：

$\left\{\begin{array}{c}{V}^{\min }\≤V^{\mathrm{pre}}\left(t_{i,j}\right)\≤V^{\max }\\ Q_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{WTG}}^{\max }\\ Q_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{SVG}}^{\max }\\ \mathrm{\Δ}{Q}_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤\mathrm{\Δ}{Q}_{\mathrm{WTG}}^{\max }\\ \mathrm{\Δ}{Q}_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤\mathrm{\Δ}{Q}_{\mathrm{SVG}}^{\max }\end{array}\right.---\left(10\right)$

式(10)中V^max和V^min分别为由PCC、风机和SVG电压预测值构成***电压向量的上限和下限，其中PCC电压限值由配电网调度中心给出，而风机和SVG电压限值根据设备生产厂商给出的正常工作范围确定；和分别为风机无功运行上下限，和别为SVG无功运行上下限，皆根据设备生产厂商给出的正常工作范围确定；和分别为风机无功爬坡上下限，和分别为SVG无功爬坡上下限，皆需经过无功调速实验测试结果确定。

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＝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。

S215.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。

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R(9)和S(9)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，分布式电源总功率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为分布式电源200能够从配电网300吸收的最大功率，P_g,max为分布式电源200能够向配电网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 (7)

1.一种分布式电源运行及监控方法，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，用于实时监控分布式电源中的光伏发电模块，并对光伏发电模块的发电功率进行预测；

风电监控模块，用于实时监控分布式电源中的风电模块，并对风电模块的发电功率进行预测；

蓄电池监控模块，用于实时监控分布式电源中的蓄电池模块；

柴油发电机监控模块，用于实时监控分布式电源中柴油发电机；

负载监控模块，用于实时监控分布式电源中的负载，并对负载的功率变化情况进行预测；

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

并网运行监控模块，用于控制分布式电源连接或隔离配电网；

中控模块，用于确定分布式电源的运行策略，并向上述监控***中的各模块发出指令，以执行该运行策略；

总线模块，用于该监控***的各个模块的通信联络；

该监控方法包括如下步骤：

(1)光伏发电监控模块、风电监控模块实时获取分布式电源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)根据现有分布式电源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分布式电源中的可再生能源输出功率进行预测，根据现有分布式电源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，实时获取柴油发电机的运行数据以及配电网的参数和调度信息；

(4)以配电网的调度信息、当前蓄电池储能的充放容量、未来分布式电源中的再生能源输出功率、柴油发电机的输出功率以及对未来负荷需求的变化作为约束条件，建立分布式电源运行策略的目标函数；

(5)对上述供电策略目标函数进行优化，确定运行策略；

(6)执行上述运行策略。

2.如权利要求1所述的方法，其特征在于，在步骤(3)中，获取的配电网参数包括：母线编号、名称、负荷有功、负荷无功、线路的支路号、首端节点和末端节点编号、串联电阻、串联电抗。

3.如权利要求1或2所述的方法，其特征在于，在步骤(5)，上述目标函数按照如下步骤优化：利用基于混合整数二次规划带约束的预测控制优化算法，以分布式电源可控输出功率、蓄电池储能充放电量和充放电时间、柴油发电机可控输出功率以及对负载负荷需求为操作变量，以储能设备最优容量为设定值，以分布式电源的能量供求误差最低作为目标，在满足分布式电源可控输出功率、柴油发电机可控输出功率、蓄电池储能的充放电和容量物理约束条件下，调整分布式电源可控输出功率、柴油发电机可控输出功率、储能充放电量和充放电时间、以及对负载负荷需求的调节作用，以达到分布式电源最小的目标函数值。

4.如权利要求3所述的方法，其特征在于，在步骤(2)中，对未来预定时刻内的分布式电源中的可再生能源输出功率进行预测，包括预测光伏发电模块的功率输出和风电模块的输出功率。

5.如权利要求4所述的方法，其特征在于，在步骤(2)采用如下方式预测风电模块的输出功率，所述风电模块包括风力发电机和SVG：

(201)采集风电模块中当前各类电量实测值作为各类电量的预测值的初始值，预测值包括：风机有功预测值风机无功预测值风机机端电压预测值SVG无功预测值SVG机端电压预测值风电模块并网点(PCC)母线电压预测值

(202)根据所述预测值建立由优化目标函数和约束条件组成的MPC优化控制模型，并求解风电模块的有功和无功输出的预测值：

MPC优化控制模型的目标函数如式(1)所示：

$\underset{Q_{\mathrm{WTG}}^{\mathrm{set}},V_{\mathrm{SVG}}^{\mathrm{set}}}{\min }(\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_1,\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{\mathrm{\ρ}}^{t_{i,j}}{F}_2)---\left(1\right)$

式(1)中和为优化变量，和含义分别为风机无功设定值和SVG电压设定值；N为时间窗覆盖控制周期的个数；M为单个控制周期下含预测点的个数；ρ为衰减系数，取值ρ＜1；时间变量ti,j＝(Mi+j)Δt意义为当前时刻起第i个控制周期内的第j个预测点，Δt为预测点间隔，Δt由风电模块功率预测时间间隔决定；

F1为风电模块并网点母线电压与设定值的偏差水平，F1具体表达式如式(2)：

$F_1\left(t_{i,j}\right)={[V_{\mathrm{PCC}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{PCC}}^{\mathrm{ref}}]}^2---\left(2\right)$

式(2)中表示PCC电压的参考值，从主站控制指令中提取后设定；

F2为SVG无功储备水平，F2具体表达式如式(3)：

$F_2\left(t_{i,j}\right)={[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{opr}}]}^2---\left(3\right)$

式(3)中为SVG无功最佳运行点；

MPC优化控制模型的约束条件，具体包括：

风机有功预测约束条件：

$P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\underset{k=1}{\overset{N_a}{\mathrm{\Σ}}}{\mathrm{\φ}}_k{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)+{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-\underset{k=1}{\overset{N_m}{\mathrm{\Σ}}}{\mathrm{\θ}}_k{\mathrm{\ϵ}}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)---\left(4\right)$

式(4)中为风机有功预测误差；Na和Nm分别为AR和MA模型的阶数，φk和θk为相关权重，阶数与权重均根据风机有功历史值确定；ti,j-k为预测中参与计算数据(包括)对应时刻，下标k表征预测时刻前推kΔt时间，当ti,j-k≤0时，有功预测值应取对应时刻历史值；

风机无功预测约束条件：

风机无功在下次控制前达到设定值：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)=Q_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i-\mathrm{1,0}}\right)---\left(5\right)$

第i个控制周期内的各预测点，风机无功功率的变化过程以指数函数拟合：

$Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)=\frac{1-e^{-(t_{i,j}-t_{i,0})/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{set}}\left(t_{i,0}\right)+\frac{e^{-(t_{i,j}-t_{i,0})/T_s}-e^{-\mathrm{M\Δt}/T_s}}{1-e^{-\mathrm{M\Δt}/T_s}}{Q}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)---\left(6\right)$

式(6)中Ts为风机无功调节时间常数，可以根据风机无功调节测试试验获取。

SVG无功预测约束条件：

SVG无功参考值如式(7)所示：

$\begin{array}{c}{Q}_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j}\right)=K_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,0}\right)]+K_I\mathrm{\Δt}\underset{k=0}{\overset{i\×M+j}{\mathrm{\Σ}}}[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-k}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{i,-k}\right)]\\ +Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)-K_P[V_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)-V_{\mathrm{SVG}}^{\mathrm{set}}\left(t_{\mathrm{0,0}}\right)]\end{array}---\left(7\right)$

式(7)中KI和KP分别为比例环节和积分环节的系数；

SVG无功预测值如式(8)所示：

$Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)=Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)+[Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j-1}\right)-Q_{\mathrm{SVG}}^{\mathrm{ref}}\left(t_{i,j-1}\right)]e^{-(t_{i,j}-t_{i,j-1})/T_d}---\left(8\right)$

式(8)中时间常数Td为SVG电力电子装置动作延时；

电压预测约束条件：

$V^{\mathrm{pre}}\left(t_{i,j}\right)-V^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)=S\left[\begin{array}{c}{P}_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-P_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\\ Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{\mathrm{0,0}}\right)\end{array}\right]---\left(9\right)$

式(9)中V^pre为风机机端、SVG机端、和PCC母线电压预测值构成的向量，S为灵敏度矩阵；

***电压、发电机运行和SVG运行的约束条件：

$\left\{\begin{array}{c}{V}^{\min }\≤V^{\mathrm{pre}}\left(t_{i,j}\right)\≤V^{\max }\\ Q_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{WTG}}^{\max }\\ Q_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,j}\right)\≤Q_{\mathrm{SVG}}^{\max }\\ \mathrm{\Δ}{Q}_{\mathrm{WTG}}^{\min }\≤Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{WTG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤\mathrm{\Δ}{Q}_{\mathrm{WTG}}^{\max }\\ \mathrm{\Δ}{Q}_{\mathrm{SVG}}^{\min }\≤Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i,0}\right)-Q_{\mathrm{SVG}}^{\mathrm{pre}}\left(t_{i-\mathrm{1,0}}\right)\≤\mathrm{\Δ}{Q}_{\mathrm{SVG}}^{\max }\end{array}\right.---\left(10\right)$

式(10)中V^max和V^min分别为由PCC、风机和SVG电压预测值构成***电压向量的上限和下限，其中PCC电压限值由配电网调度中心给出，而风机和SVG电压限值根据设备生产厂商给出的正常工作范围确定；和分别为风机无功运行上下限，和别为SVG无功运行上下限，皆根据设备生产厂商给出的正常工作范围确定；和分别为风机无功爬坡上下限，和分别为SVG无功爬坡上下限，皆需经过无功调速实验测试结果确定。

6.如权利要求5所述的方法，其特征在于，在步骤(4)中，分布式电源总功率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为分布式电源能够从配电网吸收的最大功率，P_g,max为分布式电源能够向配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。

7.如权利要求6所述的方法，其特征在于，在步骤(4)中，分布式电源蓄电池容量约束为：

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ηc、放电效率记为ηd，且它们之间满足以下关系：

$\mathrm{\η}=\left\{\begin{array}{c}{\mathrm{\η}}_c,\mathrm{ifEs}\left(k\right)>0\\ {\mathrm{\η}}_d,\mathrm{else}.\end{array}\right.$

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。