CN107370170A

CN107370170A - 一种考虑容量电价和负荷预测误差的储能***容量配置方法

Info

Publication number: CN107370170A
Application number: CN201710488425.5A
Authority: CN
Inventors: 杨秦敏; 李越; ***; 陈积明
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2017-06-23
Filing date: 2017-06-23
Publication date: 2017-11-21
Anticipated expiration: 2037-06-23
Also published as: CN107370170B

Abstract

本发明公开了一种考虑容量电价和负荷预测误差的储能***容量配置方法，属于电力***技术领域。该方法基于分布式能源管理***，将本地储能***电池分为用于对日前预测负荷进行优化调度的优化调度部分以及用于对负荷预测误差导致的不确定性负荷进行优化补偿的应急部分，通过引入容量电价收费制度、储能***经济性模型和最优充放电调度策略，以最小化单个用户整体日均成本为优化目标进行储能***最优容量配置。本发明提出一种结合遍历迭代理论与双阶段优化理论的优化算法，采用混合整数线性规划模型来分别描述两阶段电池容量优化求解。对用户而言，提高了储能***容量配置方法的科学性和准确性，对储能***的研究推广具有重要科学意义和应用价值。

Description

一种考虑容量电价和负荷预测误差的储能***容量配置方法

技术领域

本发明涉及一种分布式能源管理***考虑电力负荷预测不确定性的储能***容量配置方法，通过引入容量电价收费制度、储能***经济性模型和最优充放电调度策略，最小化用户的日均成本，面向城市电网用户端的优化问题，属于电力***领域。

背景技术

随着社会经济的发展和人民生活水平的不断提高，电力***中负荷呈现出峰谷负荷差逐年增大，而最大负荷利用小时数却逐年下降的特点。负荷的不断增长导致负荷的峰谷差日益增大，进而导致电力***的供需出现不平衡的现象。高峰电力短缺状况的频繁出现严重影响当地居民的正常生活质量和当地经济产业的发展，为了解决这种峰谷差，国家不得不斥巨资修建调峰电厂、抽水蓄能电站等进行调峰，成本较高且容易造成资源浪费。

随着国务院和***一系列文件的发布，我国电力体制改革进程持续深入，售电业务也不断向社会开放，电价政策将呈现灵活性、个性化、精细化的特点。广东省优先进行电力市场交易规则试点，针对工商业中的电力大用户推出由容量电价和电量电价组成的两部制电价，并引入惩罚机制处理负荷峰值超过限额的用户。这种惩罚机制的引入促使了用户对自身电能使用进行优化，以提高效益。

事实上，在以美国为代表的国外电力市场中，为了缓解高峰时段的电力短缺状况，普遍针对工商业用户采用名为“Demand Charge”的需求收费模式：用户的实际电费账单由两部分组成，一部分是按实际用电量来收费，单位是kWh，另一部分是按一段时间内的最大功率值收费，单位是kW。在收费周期内，如果用户峰值平均功率增加1kW，其产生的需求收费可与多用近百度电的电费相当。北美电力市场的需求收费模式与广东电力市场两部制收费模式非常类似，例如一个用户的用电需求时间序列是(p₁,p₂,…,p_n)，那么该用户在该收费周期内的电费可以表示成c₁·∑p_i+c₂·max{p_i}，其中c₁为针对实际用电量的电费收费，c₂为针对需求用电量的需求收费。根据电费单结构不同，一般来说，峰值产生的费用会占到电费的20％～30％，对于一些大型商业用户或者特定的工业用户，需求收费所占电费比例会增大，部分用户甚至达到50％。因此，通过一定的手段削减用户用电的峰值，能够直接带来费用上的收益。

为了解决上述问题，储能技术被引入到电力***中。用户侧储能是一种重要的储能技术，区别于发电侧储能与输、配电级储能，单体项目要小得多，更接近普通电力用户。该种储能方式可以有效的实现需求侧管理，具有消除峰谷差，平滑负荷，促进新能源的利用，降低供电成本等功能，具有广泛的研究价值。

在现阶段实际运用中，研究人员通过分布式能源管理***来实现上述功能，即***主要由本地端能源管理***及远程服务器构成，远程服务器定期存储本地端发送的用户电力负荷使用情况，通过设计好的负荷预测算法实现高精度的负荷预测功能并将预测结果定时发送给本地端；本地端结合负荷预测情况计算理想最大峰值，并控制储能***充放电确保在实际负荷情况下实现优化目标，通过将电池分为两部分，基础优化部分电池用于对理想预测负荷进行优化，备用部分电池则用于弥补负荷预测不准造成的随机性误差。

在储能***削峰优化及最小化电力成本方面的研究过程中，储能***容量往往是决定优化结果的一个关键因素。而由于储能***成本昂贵，实际最佳容量的往往取决于各种因素，例如储能***成本、电网收费机制、负载曲线、电网端的限制、甚至负荷预测算法准确性等等，如何结合实际应用场景选择合适大小的储能***往往是该类优化问题的关键，即最大化净效益。

发明内容

本发明的目的在于针对现有技术的不足，提供一种考虑容量电价和负荷预测误差的储能***容量配置方法，该方法基于分布式能源管理***，将本地储能***电池分为两部分：用于对日前预测负荷进行优化调度的优化调度部分以及用于对负荷预测误差导致的不确定性负荷进行优化补偿的应急部分，通过引入容量电价收费制度、储能***经济性模型和最优充放电调度策略，以最小化单个用户整体日均成本为优化目标，进行储能***最优容量配置。特别的,本方法提出一种结合遍历迭代理论与双阶段优化理论的优化算法，采用混合整数线性规划模型来分别描述两阶段电池容量优化求解。

本发明的目的是通过以下技术方案来实现的：一种考虑容量电价和负荷预测误差的储能***容量配置方法，包括以下步骤：

(1)获取用户的历史用电负荷，通过获取分布式能源管理***数据库中存储的历史数据，采用K均值聚类的方法将负荷分为典型工作日、非典型工作日和休息日三种情况，保留具有实际优化意义的典型工作日负荷数据；选用每小时的电力负荷的平均值，即1天24个数据点进行分析；

(2)获取用户的历史预测负荷，通过改进支持向量回归负荷预测算法，加入温度、天气影响因子，基于用户历史数据设计训练集、调整参数，训练模型，获得未来预测负荷；

(3)针对容量电价收费制度进行数学建模，实际电费由两部分组成：一部分按照用户用电总量来收费，另外一部分按照一定收费周期内用户用电功率的最大峰值来收费，满足以下公式：

EB＝C_peak*P_target+C_E*E_total

其中，EB为用户总电费，C_peak为针对最大峰值收取的需求费用，P_target为日内最大峰值，C_E为用户每使用1kWh电所花费的电费，E_total为日内用电总量；

(4)由于储能***削峰优化针对单日负荷进行操作，故需要计算储能***日均成本，日均成本C_cd满足以下公式：

其中，C_cy表示储能***年均成本，C_ref表示储能***电池容量，OM表示储能***年均维护成本，FC表示每安装1kWh电池所需的固定成本，C_o表示安装整套储能设备需要的附加成本，i表示储能***返利率，l表示储能***设计使用年限；

(5)将储能***电池容量C_ref分为C_ref1、C_ref2两部分，其中C_ref1为针对预测负荷执行优化调度功能的电池容量，C_ref2为针对真实负荷与预测负荷偏差进行补偿的应急部分电池容量；

(6)最小化单个用户的日均成本，日均成本包括用户单日用电费用与储能***日均成本，定义目标函数f_c，其表达式如下：

f_c＝C_peak*P_target+C_E*E_total+C_cd1*C_ref1+C_cd2*C_ref2

其中C_cd1，C_cd2为两部分电池各自的日均成本；

目标函数f_c通过一种将遍历理论与双阶段优化理论相结合的优化算法进行求解，具体实现步骤为假定每次双阶段优化过程中P_target为一个常数，分别进行双阶段优化依次求解C_ref1、C_ref2，第一阶段优化得到的结果作为常数参数输入到第二阶段优化中求解C_ref2，整个优化过程在合理范围内按一定的步长遍历P_target，分别计算日均电费与储能***日均成本，遍历结束后可得到总经济效益最好的一组解；

(7)进行第一阶段优化：假设负荷预测完全准确，针对储能***优化调度部分电池充放电过程建立混合整数线性规划模型，根据电池充放电功率限制和电池电荷状态限制构建约束条件，约束条件表达式如下：

minf_stageI＝minC_cd1*C_ref1

其中：f_stageI表示第一阶段的优化目标，表示电池充电功率，表示储能***逆变器最大充电功率，表示电池放电功率，表示逆变器最大放电功率。u^one(t)为0-1变量，用以控制储能***同一时刻下只能充电或者放电，其中1为充电情况，0为放电情况。表示t时刻该阶段电池的实际电荷容量，η_charge表示电池充电效率，Δt表示时间间隔，η_discharge表示电池放电效率，SOC_min表示电池最小可用容量，SOC_max表示电池最大可用容量，SoC_ini为起始时刻电池电荷容量，为初始时刻的储能***电荷容量，为单日结束时刻储能***的电荷容量，为电网端实际负荷需求,P_forecast(t)为预测负荷；

(8)进行第二阶段优化：针对储能***应急部分电池容量，根据电池充放电功率限制和电池电荷状态限制构建约束条件，该阶段电池容量是一个变化量C_ref2(t),C_ref2(1)等同于C_ref2，并考虑在未来优化中电池线性损耗，相关的约束条件表征如下：

minf_stageII＝minC_cd2*C_ref2

C_ref2(t)-C_ref2(t-Δt)≤0

其中：f_stageII表示第二阶段的优化目标，分别表示该阶段电池充放电功率。u^I(t)为定义的第一阶段电池充放电行为变量，用于协调两阶段逆变器工作保持一致，u^two(t)为0-1变量，控制储能***在统一时刻内，P_real(t)为实际负荷，表示该阶段电池的实际电荷容量,为初始时刻的储能***电荷状态，为结束时刻储能***的电荷状态，Z_cy为考虑电池线性损耗因子。

进一步地，所述步骤1中所采用的K均值聚类方法对历史数据中的每日电力负荷总量及每小时负荷x最大值作为聚类对象，以空间中K点(K＝3)为聚类中心c_i进行聚类，对最靠近他们的对象归类；通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果，其结果满足如下公式：

进一步地，所述步骤2中采用改进支持向量回归负荷预测算法实现高精度负荷预测；通过求解优化问题来获得拟合结果，在训练过程中，只要保证估计值和真实值y在一定范围ε以内，就认为是可以接受的，该优化问题表达公式如下：

该方法通过非线性映射将低维空间的样本映射到高维空间F，然后在高维空间中通过线性估计进行回归，其中w表示权重向量，w^T为其转置向量，b表示线性阈值参数，相关参数通过引入训练集获得。

进一步地，所述步骤2中所采用改进支持向量回归负荷预测算法由历史数据构建训练集训练得到模型参数，令(y_i+1,x_i)为最小二乘支持向量机的一个训练样本，其中y_i+1为该用户在i+1时刻的电力负荷值，x_i为输入向量，x_i＝[y_i,…y_i-8,y_i-24+1,y_i-7*24+1,T_i+1,W_i+1]，y_i,…y_i-8分别代表i时刻到i-8时刻的电力负荷值，y_i-24+1,y_i-7*24+1分别为前一日和前一周的待预测时刻的负荷真实值，T_i+1为第i+1时刻的天气预报的温度情况，单位是摄氏度，W_i+1为第i+1时刻的天气预报的天气情况，W_i+1的值有四种情况，如下式所示，分别对应第i+1时刻的四种常见天气状况，即晴、阴、雨、雪：

W_i+1＝[1,0,0,0]；[0,1,0,0]；[0,0,1,0]；[0,0,0,1]

与现有技术相比，本发明的优点在于：(1)考虑实际运行的分布式能源管理***，考虑实际应用中负荷预测不准确因素，将储能***分为用于对理想负荷进行优化的基础优化部分和用于对负荷预测误差造成的随机性负荷进行优化的应急部分；(2)本方法创新性地提出一种将遍历算法与双阶段优化算法相结合的优化算法，综合考虑电费制度，储能***经济型模型及最优充放电调度策略因素，采用混合整数线性规划模型来分别描述两阶段电池容量优化过程；(3)基于大量历史电力负荷数据，通过改进支持向量回归负荷预测算法生成高精度预测负荷，将两组负荷数据分别用于不同阶段优化中分别求解。对用户而言，提高了储能***容量配置方法的科学性和准确性，对储能***的研究推广具有重要科学意义和应用价值。

附图说明

图1是实际运行的分布式能源管理***的***框架图；

图2是一种结合遍历迭代理论和双阶段优化理论的优化算法流程图；

图3是电力负荷预测算法流程图；

图4是各种负荷预测算法精度比较图；

图5是双阶段优化结果图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

本发明提出的一种考虑容量电价和负荷预测误差的储能***容量配置方法，包括以下步骤：

(1)获取用户的历史用电负荷，通过获取分布式能源管理***数据库中存储的历史数据，采用K均值聚类的方法将负荷分为典型工作日、非典型工作日和休息日三种情况，保留具有实际优化意义的典型工作日负荷数据；其中对历史数据中的每日电力负荷总量及每小时负荷x最大值作为聚类对象，以空间中K点(K＝3)为聚类中心c_i进行聚类，对最靠近他们的对象归类；通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果，其结果满足如下公式：

选用每小时的电力负荷的平均值，即1天24个数据点进行分析；

(2)获取用户的历史预测负荷，通过改进支持向量回归负荷预测算法，获取高精度的负荷预测结果。改进支持向量回归负荷预测算法由历史数据构训练集训练得到模型参数，令(y_i+1,x_i)为最小二乘支持向量机的一个训练样本，其中y_i+1为该用户在i+1时刻的电力负荷值，x_i为输入向量，x_i＝[y_i,…y_i-8,y_i-24+1,y_i-7*24+1,T_i+1,W_i+1]，y_i,…y_i-8分别代表i时刻到i-8时刻的电力负荷值，y_i-24+1,y_i-7*24+1分别为前一日和前一周的待预测时刻的负荷真实值，T_i+1为第i+1时刻的天气预报的温度情况，单位是摄氏度，W_i+1为第i+1时刻的天气预报的天气情况，W_i+1的值有四种情况，如下式所示，分别对应第i+1时刻的四种常见天气状况，即晴、阴、雨、雪：

W_i+1＝[1,0,0,0]；[0,1,0,0]；[0,0,1,0]；[0,0,0,1]

通过求解优化问题来获得拟合结果，在训练过程中，只要保证估计值和真实值y在一定范围ε以内，就认为是可以接受的，该优化问题表达公式如下：

该方法通过非线性映射将低维空间的样本映射到高维空间F，然后在高维空间中通过线性估计进行回归，其中w表示权重向量，w^T为其转置向量，b表示线性阈值参数，相关参数通过引入训练集获得。改进支持向量机回归预测算法预测精度高于多元线性回归、BP神经网络等常用负荷预测算法；

EB＝C_peak*P_target+C_E*E_total

f_c＝C_peak*P_target+C_E*E_total+C_cd1*C_ref1+C_cd2*C_ref2

其中C_cd1，C_cd2为两部分电池各自的日均成本；

minf_stageI＝minC_cd1*C_ref1

(8)进行第二阶段优化：该阶段主要为了消除预测误差造成的不确定性，针对储能***应急部分电池容量根据电池充放电功率限制和电池电荷状态限制等条件构建约束条件，进行数学建模，需要特别注意的是，两部分电池共用一个储能***，第一阶段电池的充放电行为会影响第二阶段的电池行为。需要额外补充的是这部分电池在日内优化中会由于负荷预测误差频繁充放电，单日充放电循环次数是第一阶段电池的二到三倍，电池损耗迅速、严重，本发明认为这部分电池是一个变化量C_ref2(t),C_ref2(1)等同于C_ref2，并考虑在未来优化中电池线性损耗，相关的约束条件表征如下：

minf_stageII＝minC_cd2*C_ref2

C_ref2(t)-C_ref2(t-Δt)≤0

实施例

本发明基于实际运行的分布式能源管理***(其***框架如图1所示)，分布式能源管理***为现阶段需求侧电力负荷管理的代表性解决方案：主要包含三部分：远程服务器、本地能源管理***及能量存储***；

其中远程服务器负责存储历史电力负荷信息并执行负荷预测功能；本地能源管理***定期上传本地用户用电情况并获取服务器复合预测信息，通过最优充放电调度策略确定充放电行为，控制能量存储***(电池)进行合理充放电；

本发明首先进行负荷预测功能，采用发明中改进支持向量机回归算法(负荷预测算法流程图如图3所示，预测结果如图4所示，图4结果显示本发明设计的改进支持向量机回归负荷预测算法精度高于多元线性回归及BP神经网络负荷预测算法)，通过远程服务器中存储的大量历史电力负荷数据联网获取未来时刻天气温度数据及气象数据，通过构建训练集计算支持向量回归模型，通过该模型执行负荷预测功能获取负荷预测数据并存储；在充分获取历史数据及负荷预测数据后，通过设定算法进行储能***容量配置；

本发明通过设计的一种结合遍历迭代理论和双阶段优化理论的优化算法(算法流程图如图2)对两部分电池进行针对性计算：具体实现步骤假定每次双阶段优化过程中P_target为一个常数，分别进行双阶段优化依次求解C_ref1、C_ref2，第一阶段优化得到的结果作为常数参数输入到第二阶段优化中求解C_ref2，整个优化过程中按照在合理范围内按一定的步长遍历迭代P_target，分别记录日均电费与储能***日均成本，遍历结束后可得到总经济效益最好的解，即为本方法的解。优化结果如图5所示(结果显示设计的双阶段优化算法很好地执行了优化功能)，其中可以发现，第一阶段和第二阶段都保持同样的P_target，同时计算得到优化调度部分电池容量56kWh，应急部分电池容量11.3kWh，通过对不同典型工作日的大量计算，本发明发现，大约15％～20％优化调度部分大小的应急部分电池足够弥补负荷预测不确定性对分布式能源管理***优化功能的影响。

以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims

1.一种考虑容量电价和负荷预测误差的储能***容量配置方法，其特征在于，包括以下步骤：

EB＝C_peak*P_target+C_E*E_total

(4)计算储能***日均成本，日均成本C_cd满足以下公式：

f_c＝C_peak*P_target+C_E*E_total+C_cd1*C_ref1+C_cd2*C_ref2

其中C_cd1，C_cd2为两部分电池各自的日均成本；

min f_stageI＝min C_cd1*C_ref1

<mrow> <msubsup> <mi>E</mi> <mrow> <mi>b</mi> <mi>a</mi> <mi>t</mi> </mrow> <mrow> <mi>o</mi> <mi>n</mi> <mi>e</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>E</mi> <mrow> <mi>b</mi> <mi>a</mi> <mi>t</mi> </mrow> <mrow> <mi>o</mi> <mi>n</mi> <mi>e</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>&Delta;</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> <mrow> <mi>o</mi> <mi>n</mi> <mi>e</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <msub> <mi>&eta;</mi> <mrow> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> </msub> </mfrac> <mo>*</mo> <mi>&Delta;</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> <mrow> <mi>o</mi> <mi>n</mi> <mi>e</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>*</mo> <msub> <mi>&eta;</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> </msub> <mo>*</mo> <mi>&Delta;</mi> <mi>t</mi> </mrow>

其中：f_stageI表示第一阶段的优化目标，表示电池充电功率，表示储能***逆变器最大充电功率，表示电池放电功率，表示逆变器最大放电功率；u^one(t)为0-1变量，用以控制储能***同一时刻下只能充电或者放电，其中1为充电情况，0为放电情况；表示t时刻该阶段电池的实际电荷容量，η_charge表示电池充电效率，Δt表示时间间隔，η_discharge表示电池放电效率，SOC_min表示电池最小可用容量，SOC_max表示电池最大可用容量，SoC_ini为起始时刻电池电荷容量，为初始时刻的储能***电荷容量，为单日结束时刻储能***的电荷容量，为电网端实际负荷需求,P_forecast(t)为预测负荷；

(8)进行第二阶段优化：针对储能***应急部分电池容量，根据电池充放电功率限制和电池电荷状态限制构建约束条件，该阶段电池容量是一个变化量C_ref2(t)，C_ref2(1)等同于C_ref2，并考虑在未来优化中电池线性损耗，相关的约束条件表征如下：

min f_stageII＝min C_cd2*C_ref2

<mrow> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mrow> <mi>t</mi> <mi>w</mi> <mi>o</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&le;</mo> <msub> <mi>P</mi> <mrow> <mi>t</mi> <mi>arg</mi> <mi>e</mi> <mi>t</mi> </mrow> </msub> </mrow> 2

<mrow> <msubsup> <mi>E</mi> <mrow> <mi>b</mi> <mi>a</mi> <mi>t</mi> </mrow> <mrow> <mi>t</mi> <mi>w</mi> <mi>o</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>&Delta;</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> <mrow> <mi>t</mi> <mi>w</mi> <mi>o</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> <msub> <mi>&eta;</mi> <mrow> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> </msub> </mfrac> <mo>*</mo> <mi>&Delta;</mi> <mi>t</mi> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> <mrow> <mi>t</mi> <mi>w</mi> <mi>o</mi> </mrow> </msubsup> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>*</mo> <msub> <mi>&eta;</mi> <mrow> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>c</mi> <mi>h</mi> <mi>arg</mi> <mi>e</mi> </mrow> </msub> <mo>*</mo> <mi>&Delta;</mi> <mi>t</mi> </mrow>

C_ref2(t)-C_ref2(t-Δt)≤0

<mrow> <msub> <mi>C</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>f</mi> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>C</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>f</mi> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>&Delta;</mi> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>Z</mi> <mrow> <mi>c</mi> <mi>y</mi> </mrow> </msub> <mo>*</mo> <mrow> <mo>(</mo> <msubsup> <mi>E</mi> <mrow> <mi>b</mi> <mi>a</mi> <mi>t</mi> </mrow> <mrow> <mi>t</mi> <mi>w</mi> <mi>o</mi> </mrow> </msubsup> <mo>(</mo> <mrow> <mi>t</mi> <mo>-</mo> <mi>&Delta;</mi> <mi>t</mi> </mrow> <mo>)</mo> <mo>-</mo> <msubsup> <mi>E</mi> <mrow> <mi>b</mi> <mi>a</mi> <mi>t</mi> </mrow> <mrow> <mi>t</mi> <mi>w</mi> <mi>o</mi> </mrow> </msubsup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&le;</mo> <mn>0</mn> </mrow>

其中：f_stageII表示第二阶段的优化目标，分别表示该阶段电池充放电功率；u^I(t)为定义的第一阶段电池充放电行为变量，用于协调两阶段逆变器工作保持一致，u^two(t)为0-1变量，控制储能***在统一时刻内，P_real(t)为实际负荷，表示该阶段电池的实际电荷容量,为初始时刻的储能***电荷状态，为结束时刻储能***的电荷状态，Z_cy为考虑电池线性损耗因子。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中所采用的K均值聚类方法对历史数据中的每日电力负荷总量及每小时负荷x最大值作为聚类对象，以空间中K点为聚类中心c_i进行聚类，对最靠近他们的对象归类；通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果，其结果满足如下公式：

<mrow> <mi>min</mi> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <munder> <mo>&Sigma;</mo> <mrow> <mi>x</mi> <mo>&Element;</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> </mrow> </munder> <mi>d</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>x</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>.</mo> </mrow>

3.根据权利要求1所述的方法，其特征在于，所述步骤2中采用改进支持向量回归负荷预测算法实现高精度负荷预测；通过求解优化问题来获得拟合结果，在训练过程中，只要保证估计值和真实值y在一个范围ε以内，就认为是可以接受的，该优化问题表达公式如下：

4.根据权利要求1所述的方法，其特征在于，所述步骤2中所采用改进支持向量回归负荷预测算法由历史数据构建训练集训练得到模型参数，令(y_i+1,x_i)为最小二乘支持向量机的一个训练样本，其中y_i+1为该用户在i+1时刻的电力负荷值，x_i为输入向量x_i＝[y_i,...y_i-8,y_i-24+1,y_i-7*24+1,T_i+1,W_i+1]，y_i,...y_i-8分别代表i时刻到i-8时刻的电力负荷值，y_i-24+1,y_i-7*24+1分别为前一日和前一周的待预测时刻的负荷真实值，T_i+1为第i+1时刻的天气预报的温度情况，单位是摄氏度，W_i+1为第i+1时刻的天气预报的天气情况，W_i+1的值有四种情况，如下式所示，分别对应第i+1时刻的四种常见天气状况，即晴、阴、雨、雪：

W_i+1＝[1,0,0,0]；[0,1,0,0]；[0,0,1,0]；[0,0,0,1]。