CN114418249B - 一种光储柔***运行控制方法及装置 - Google Patents

一种光储柔***运行控制方法及装置 Download PDF

Info

Publication number
CN114418249B
CN114418249B CN202210335813.0A CN202210335813A CN114418249B CN 114418249 B CN114418249 B CN 114418249B CN 202210335813 A CN202210335813 A CN 202210335813A CN 114418249 B CN114418249 B CN 114418249B
Authority
CN
China
Prior art keywords
load
power
model
constructing
battery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210335813.0A
Other languages
English (en)
Other versions
CN114418249A (zh
Inventor
彭晋卿
罗正意
邹斌
李厚培
曹静宇
罗伊默
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202210335813.0A priority Critical patent/CN114418249B/zh
Publication of CN114418249A publication Critical patent/CN114418249A/zh
Application granted granted Critical
Publication of CN114418249B publication Critical patent/CN114418249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请公开了一种光储柔***运行控制方法及装置，方法包括：计算分布式光伏***在预测日的发电功率及非柔性负荷在预测日的用电功率；根据各类柔性负荷的用能属性信息构建各类柔性负荷的响应模型，构建蓄电池模型；根据预测日的发电功率、用电功率、各类柔性负荷的响应模型及蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，对优化模型进行求解，得到各类柔性负荷及蓄电池在预测日的运行计划，对各类柔性负荷及蓄电池在预测日的运行进行相应控制。本申请公开的技术方案，通过改变柔性负荷用电方式来调整建筑的用电负荷曲线，尽可能地消纳分布式光伏发电，从而减少蓄电池的安装容量，降低消纳成本。

Description

一种光储柔***运行控制方法及装置
技术领域
本申请涉及新能源技术领域，更具体地说，涉及一种光储柔***运行控制方法及装置。
背景技术
在“双碳”目标的推动下，未来可再生能源发电技术将会得到广泛的应用，其中，分布式光伏发电技术具有广阔的发展前景。然而，分布式光伏发电受太阳辐射的影响，具有间歇性、波动性和不可控性，频繁的向电网取电或送电对电网冲击过大，给电网的稳定运行带来巨大的挑战。
目前，通常采用配套蓄电池的方式来消纳分布式光伏发电，但是，要实现分布式光伏发电的完全消纳需要配置一个很大容量的蓄电池，投资成本高，在工程上难以规模化应用。
综上所述，如何降低蓄电池的容量及分布式光伏发电的消纳成本，是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请的目的是提供一种光储柔***运行控制方法及装置，用于降低蓄电池的容量及分布式光伏发电的消纳成本。
为了实现上述目的，本申请提供如下技术方案：
一种光储柔***运行控制方法，包括：
根据分布式光伏***在预测日的天气数据计算所述分布式光伏***在预测日的发电功率，根据所述分布式光伏***所在建筑中非柔性负荷的历史用电数据确定所述非柔性负荷在所述预测日的用电功率；
确定所述分布式光伏***所在建筑中各类柔性负荷的用能属性信息，根据所述用能属性信息对应构建各类所述柔性负荷的响应模型，并根据蓄电池的信息构建蓄电池模型；
根据所述分布式光伏***在预测日的发电功率、所述非柔性负荷在所述预测日的用电功率、各类所述柔性负荷的响应模型及所述蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，并对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划；
根据各类所述柔性负荷及所述蓄电池在所述预测日的运行计划对各类所述柔性负荷及所述蓄电池在所述预测日的运行进行相应控制。
优选的，根据温控负荷的用能属性信息构建所述温控负荷的响应模型，包括：
根据温控负荷的用能行为信息和用能模式信息构建所述温控负荷的热力学模型：
Figure 676525DEST_PATH_IMAGE001
，制冷模式下的功率模型：
Figure 796928DEST_PATH_IMAGE002
，制冷模式下的二元变量
Figure 717611DEST_PATH_IMAGE003
为：
Figure 820477DEST_PATH_IMAGE004
，制热模式下的功率模型：
Figure 572532DEST_PATH_IMAGE005
制热模式下的二元变量
Figure 660574DEST_PATH_IMAGE003
为：
Figure 334132DEST_PATH_IMAGE006
；其中，
Figure 736294DEST_PATH_IMAGE007
，
Figure 670752DEST_PATH_IMAGE008
，
Figure 365914DEST_PATH_IMAGE009
，
Figure 261188DEST_PATH_IMAGE010
，
Figure 201463DEST_PATH_IMAGE011
为第i个温控负荷内部在t+1时刻的温度，
Figure 662531DEST_PATH_IMAGE012
为第i个温控负荷的温度系数，
Figure 357954DEST_PATH_IMAGE013
为第i个温控负荷内部在t时刻的温度，
Figure 301377DEST_PATH_IMAGE014
为第i个负荷所处的环境温度，
Figure 717446DEST_PATH_IMAGE015
为温控负荷所处的工作模式，
Figure 564180DEST_PATH_IMAGE016
为第i个温控负荷的输出功率，
Figure 164925DEST_PATH_IMAGE017
为第i个温控负荷的制冷性能系数，
Figure 97109DEST_PATH_IMAGE018
为第i个温控负荷在t时刻的输入功率，
Figure 80983DEST_PATH_IMAGE019
为二元变量，表示温控负荷的启停状态，
Figure 844540DEST_PATH_IMAGE020
为第i个温控负荷的制热性能系数，
Figure 553870DEST_PATH_IMAGE021
为第i个温控负荷的热阻，
Figure 707771DEST_PATH_IMAGE022
为第i个温控负荷的热容，
Figure 731222DEST_PATH_IMAGE023
为时间间隔，
Figure 779644DEST_PATH_IMAGE024
为第i个温控负荷设定温度，
Figure 659875DEST_PATH_IMAGE025
为第i个温控负荷设定温度的阈值，
Figure 363389DEST_PATH_IMAGE026
和
Figure 190531DEST_PATH_IMAGE027
分别为第i个温控负荷设定温度的最小值和最大值，
Figure 600783DEST_PATH_IMAGE028
和
Figure 150451DEST_PATH_IMAGE029
分别为第i个温控负荷开始运行时间和运行结束时间。
优选的，根据可转移负荷的用能属性信息构建所述可转移负荷的响应模型，包括：
根据可转移负荷的用能模式信息构建所述可转移负荷的能耗模型：
Figure 13365DEST_PATH_IMAGE030
；其中，
Figure 972094DEST_PATH_IMAGE031
，
Figure 971274DEST_PATH_IMAGE032
，
Figure 426263DEST_PATH_IMAGE033
为第j个可转移负荷在t时刻的功率，
Figure 42053DEST_PATH_IMAGE034
为第j个可转移负荷在不同运行阶段的功率，
Figure 210997DEST_PATH_IMAGE035
为第j个可转移负荷开始运行的时间，
Figure 330263DEST_PATH_IMAGE036
为第j个可转移负荷在运行阶段w的运行时间，
Figure 221733DEST_PATH_IMAGE037
为第j个可转移负荷允许工作的时间范围，
Figure 387135DEST_PATH_IMAGE038
为第j个可转移负荷的运行时长。
优选的，根据可削减负荷的用能属性信息构建所述可削减负荷的响应模型，包括：
根据可削减负荷中可调节照明功率的负荷的用能模式信息构建所述可调节照明功率的负荷的能耗模型：
Figure 156508DEST_PATH_IMAGE039
；其中，
Figure 599122DEST_PATH_IMAGE040
，
Figure 162958DEST_PATH_IMAGE041
为第
Figure 992155DEST_PATH_IMAGE042
个可调节照明功率的负荷在t时刻的功率，
Figure 299639DEST_PATH_IMAGE043
为第
Figure 127918DEST_PATH_IMAGE044
个可调节照明功率的负荷在t时刻的调节因子，
Figure 597077DEST_PATH_IMAGE045
为第
Figure 642131DEST_PATH_IMAGE046
个可调节照明功率的负荷的额定功率，
Figure 550044DEST_PATH_IMAGE047
和
Figure 701671DEST_PATH_IMAGE048
分别为第
Figure 607310DEST_PATH_IMAGE049
个可调节照明功率的负荷开始运行时间和运行结束时间；
根据可削减负荷中可调节工作档位的负荷的用能模式信息构建所述可调节工作档位的负荷的能耗模型：
Figure 405239DEST_PATH_IMAGE050
；其中，
Figure 54527DEST_PATH_IMAGE051
，
Figure 185294DEST_PATH_IMAGE052
为第
Figure 261834DEST_PATH_IMAGE053
个可调节工作档位的负荷在t时刻处于e档位时的功率，
Figure 782945DEST_PATH_IMAGE054
为第
Figure 734458DEST_PATH_IMAGE055
个可调节工作档位的负荷在不同的档位
Figure 657415DEST_PATH_IMAGE056
的功率，
Figure 904857DEST_PATH_IMAGE057
和
Figure 116526DEST_PATH_IMAGE058
为第
Figure 889309DEST_PATH_IMAGE059
个可调节工作档位的负荷开始运行时间和运行结束时间。
优选的，根据电池负荷的用能属性信息构建所述电池负荷的响应模型，包括：
根据电池负荷的用能模式信息构建所述电池负荷的能耗模型：
Figure 994668DEST_PATH_IMAGE060
；其中，
Figure 413011DEST_PATH_IMAGE061
，
Figure 315239DEST_PATH_IMAGE062
，
Figure 437916DEST_PATH_IMAGE063
，
Figure 568421DEST_PATH_IMAGE064
，…，
Figure 157665DEST_PATH_IMAGE065
，
Figure 406244DEST_PATH_IMAGE066
，
Figure 739136DEST_PATH_IMAGE067
，
Figure 724147DEST_PATH_IMAGE068
，
Figure 749872DEST_PATH_IMAGE069
表示截止到t时刻第n个电池负荷存储的电量，
Figure 157851DEST_PATH_IMAGE070
表示第n个电池负荷的充电状态，当充电时其值为1，未充电时其值为0，
Figure 294434DEST_PATH_IMAGE071
为第n个电池负荷的充电功率，
Figure 133952DEST_PATH_IMAGE072
为充电效率，
Figure 330578DEST_PATH_IMAGE073
为时间间隔，
Figure 819328DEST_PATH_IMAGE074
表示截止到t-1时刻第n个电池负荷存储的电量，
Figure 494023DEST_PATH_IMAGE075
为第n个电池负荷在不同充电阶段的充电功率，
Figure 459486DEST_PATH_IMAGE076
为第n个电池负荷开始充电的时间，
Figure 827013DEST_PATH_IMAGE077
为第n个电池负荷充电阶段1的充电时长，
Figure 740743DEST_PATH_IMAGE078
表示第n个电池负荷在充电阶段1的充电状态，
Figure 953549DEST_PATH_IMAGE079
表示充电阶段1根据
Figure 33239DEST_PATH_IMAGE080
及
Figure 978192DEST_PATH_IMAGE081
划分出的子充电节点的个数，
Figure 644797DEST_PATH_IMAGE082
为第n个电池负荷充电阶段r的充电时长，
Figure 159829DEST_PATH_IMAGE083
为第n个电池负荷允许充电的时间范围，
Figure 595490DEST_PATH_IMAGE084
和
Figure 367137DEST_PATH_IMAGE085
分别为第n个电池负荷能够储存的最小电量和最大能量，
Figure 786617DEST_PATH_IMAGE086
为第n个电池负荷的总充电时长。
优选的，根据蓄电池的信息构建蓄电池模型，包括：
构建所述蓄电池模型：
Figure 606805DEST_PATH_IMAGE087
；其中，
Figure 864349DEST_PATH_IMAGE088
，
Figure 72477DEST_PATH_IMAGE089
，
Figure 448094DEST_PATH_IMAGE090
，
Figure 71974DEST_PATH_IMAGE091
为蓄电池在t时刻内部的电量，
Figure 482226DEST_PATH_IMAGE092
为二元变量，充电为1，放电为0，
Figure 963718DEST_PATH_IMAGE093
和
Figure 826632DEST_PATH_IMAGE094
分别表示蓄电池的充电功率和放电功率，
Figure 988623DEST_PATH_IMAGE095
和
Figure 253382DEST_PATH_IMAGE096
分别表示蓄电池的充电效率和放电效率，
Figure 239530DEST_PATH_IMAGE097
为时间间隔，
Figure 589740DEST_PATH_IMAGE098
和
Figure 289843DEST_PATH_IMAGE099
分别表示蓄电池最大充电功率和最大放电功率，
Figure 409109DEST_PATH_IMAGE100
和
Figure 129940DEST_PATH_IMAGE101
分别表示蓄电池可以储存的最小电量和最大电量。
优选的，根据所述分布式光伏***在预测日的发电功率、所述非柔性负荷在所述预测日的用电功率、各类所述柔性负荷的响应模型及所述蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，包括：
构建所述优化模型：
Figure 465981DEST_PATH_IMAGE102
；
Figure 969775DEST_PATH_IMAGE103
代表决策变量构成的集合，
Figure 943547DEST_PATH_IMAGE104
，
Figure 507383DEST_PATH_IMAGE105
和
Figure 726793DEST_PATH_IMAGE106
分别表示蓄电池的充电功率和放电功率，
Figure 47660DEST_PATH_IMAGE107
为第i个温控负荷设定温度，
Figure 672676DEST_PATH_IMAGE108
为第j个可转移负荷开始运行的时间，
Figure 923527DEST_PATH_IMAGE109
为第m个可削减负荷的功率，
Figure 673308DEST_PATH_IMAGE110
表示第n个电池负荷的充电状态，
Figure 50063DEST_PATH_IMAGE111
为电网购电功率或卖电功率，
Figure 998428DEST_PATH_IMAGE112
表示所述优化模型的目标函数，
Figure 231963DEST_PATH_IMAGE113
表示用户运维费用，
Figure 29892DEST_PATH_IMAGE114
表示二氧化碳排放量，
Figure 616863DEST_PATH_IMAGE115
，
Figure 950892DEST_PATH_IMAGE116
表示电力自满足率，
Figure 355328DEST_PATH_IMAGE117
表示其中的不等式约束，
Figure 142019DEST_PATH_IMAGE118
表示其中的等式约束及电力平衡，其中，电力平衡为：
Figure 827953DEST_PATH_IMAGE119
，
Figure 954172DEST_PATH_IMAGE120
表示决策空间，
Figure 467193DEST_PATH_IMAGE121
为所述分布式光伏***在预测日的发电功率，
Figure 803496DEST_PATH_IMAGE122
为二元变量，充电为1，放电为0，
Figure 60165DEST_PATH_IMAGE123
为所有非柔性负荷的总用电功率，
Figure 539426DEST_PATH_IMAGE124
为第i个温控负荷在t时刻的输入功率，I为温控负荷的总量，
Figure 223348DEST_PATH_IMAGE125
为第j个可转移负荷在t时刻的功率，J为可转移负荷的总量，M为可削减负荷的总量，
Figure 781368DEST_PATH_IMAGE126
为第n个电池负荷的充电功率，N为电池负荷的总量。
优选的，对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划包括：
利用非支配排序的遗传算法、逼近理想值的排序方法和信息熵法，对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划。
优选的，还包括：
接收用户发送的所述分布式光伏***所在建筑中目标柔性负荷的用能属性信息。
一种光储柔***运行控制装置，包括：
计算模块，用于根据分布式光伏***在预测日的天气数据计算所述分布式光伏***在预测日的发电功率，根据所述分布式光伏***所在建筑中非柔性负荷的历史用电数据确定所述非柔性负荷在所述预测日的用电功率；
第一构建模块，用于确定所述分布式光伏***所在建筑中各类柔性负荷的用能属性信息，根据所述用能属性信息对应构建各类所述柔性负荷的响应模型，并根据蓄电池的信息构建蓄电池模型；
第二构建模块，用于根据所述分布式光伏***在预测日的发电功率、所述非柔性负荷在所述预测日的用电功率、各类所述柔性负荷的响应模型及所述蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，并对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划；
控制模块，用于根据各类所述柔性负荷及所述蓄电池在所述预测日的运行计划对各类所述柔性负荷及所述蓄电池在所述预测日的运行进行相应控制。
本申请提供了一种光储柔***运行控制方法及装置，其中，该方法包括：根据分布式光伏***在预测日的天气数据计算分布式光伏***在预测日的发电功率，根据分布式光伏***所在建筑中非柔性负荷的历史用电数据确定非柔性负荷在预测日的用电功率；确定分布式光伏***所在建筑中各类柔性负荷的用能属性信息，根据用能属性信息对应构建各类柔性负荷的响应模型，并根据蓄电池的信息构建蓄电池模型；根据分布式光伏***在预测日的发电功率、非柔性负荷在预测日的用电功率、各类柔性负荷的响应模型及蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，并对优化模型进行求解，得到各类柔性负荷及蓄电池在预测日的运行计划；根据各类柔性负荷及蓄电池在预测日的运行计划对各类柔性负荷及蓄电池在预测日的运行进行相应控制。
本申请公开的上述技术方案，预测分布式光伏***在预测日的发电功率及分布式光伏***所在建筑中非柔性负荷在预测日的用电功率，并建立各类柔性负荷的响应模型及蓄电池模型，基于各个柔性负荷的响应模型及蓄电池模型建立优化模型，并对优化模型进行求解，得到蓄电池以及各个柔性负荷在预测日的运行计划，且根据运行计划对各类柔性负荷及蓄电池在预测日的运行进行控制，以通过改变柔性负荷用电方式来调整分布式光伏***所在建筑的用电负荷曲线，尽可能地消纳用户侧的分布式光伏发电，消纳不完的存储在蓄电池中，从而减少蓄电池的安装容量，降低分布式光伏发电的消纳成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种光储柔***运行控制方法的流程图；
图2为本申请实施例提供的一种运行控制***的架构图；
图3为本申请实施例提供的另一种运行控制***的架构图；
图4为本申请实施例提供的多目标优化方法求解流程图；
图5为本申请实施例提供的另一种运行控制流程图；
图6为本申请实施例提供的一种光储柔***运行控制装置的结构示意图。
具体实施方式
本申请的核心是提供一种光储柔***运行控制方法及装置，用于降低蓄电池的容量及分布式光伏发电的消纳成本。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1至图3，其中，图1示出了本申请实施例提供的一种光储柔***运行控制方法的流程图，图2示出了本申请实施例提供的一种运行控制***的架构图，图3示出了本申请实施例提供的另一种运行控制***的架构图。本申请实施例提供的一种光储柔***运行控制方法，可以包括：
S11：根据分布式光伏***在预测日的天气数据计算分布式光伏***在预测日的发电功率，根据分布式光伏***所在建筑中非柔性负荷的历史用电数据确定非柔性负荷在预测日的用电功率。
需要说明的是，分布式光伏***简单的理解就是装在用户（如住宅建筑）屋顶等地方的光伏发电***。对于分布式光伏***所在建筑而言，其内部的负荷可以分为柔性负荷和非柔性负荷，其中，柔性负荷：在不损害用户利益的前提下，用户通过削减、转移、提高柔性负荷的用电功率，来改变建筑自身用电曲线，从而匹配分布式光伏发电，提高对分布式光伏发电的消纳，减少其间歇性、波动性对电网的影响。用户利益指的是：热舒适（比如，在夏天的时候，用户习惯将空调温度设定在24-26℃的范围内，不能说为了降低空调的功率匹配分布式光伏发电将空调的温度设定为30℃），便利性（比如，用户习惯上午9:00-11:00洗衣服，不能说为了改变该时段建筑的用电曲线，让洗衣机在下午2:00-4:00洗衣服）。
其中，分布式光伏***所在建筑可分为不同的类型，比如住宅、商业、公共建筑等，不同的建筑其柔性负荷也不同，本申请以住宅建筑且为单个用户（可以理解为通常说的别墅或者农村住宅建筑）为例进行说明，当然，本申请也可以应用到其他类型的建筑中。住宅建筑的用户负荷分为柔性负荷和非柔性负荷。住宅建筑柔性负荷可以简单理解为：在不损害用户利益的前提下，能够改变运行功率或者工作时间的家用电器；非柔性负荷可以理解为在不损害用户利益的前提下，不能改变运行功率或者工作时间的家用电器。住宅建筑的柔性负荷包括：温控负荷（通过调节温度设定值，从而改变家用电器的输出功率，如空调、冰箱、电热水器等）；可转移负荷（通过改变家用电器的运行时间，比如将洗衣机的运行时间从9:00—9:40转移到11:00-11:40，这类柔性负荷包括洗衣机、烘干机、洗碗机等）；可削减负荷（通过降低家电设备的功率，比如说降低照明***的照度，从而降低其功率，这类柔性负荷包括照明等）；电池负荷（通过转移这类家电的充电时间，这类家电包括电动汽车以及其他带有便携式蓄电池的设备（如笔记本电脑）等）。非柔性负荷主要包括电视机、油烟机等。
建筑负荷柔性的来源：对于温控负荷，如空调、冰箱、电热水器等，改变这类家用电器的温度设定值，那么这些家用电器的功率或者运行时长就会随之改变。例如夏季某个时刻某用户空调的设定温度为24℃，该用户可接受的空调温度设定范围为24-27℃，通过光伏发电预测知道接下来的一段时间分布式光伏发电量不足，那么可以适当的调高空调的设定温度，例如将空调设定温度从原来的24℃调高到26℃，那么接下来的一段时间空调的耗电量就会降低，以响应光伏发电的变化。需要注意的是，改变温度设定值也需要满足一定的条件，不能牺牲用户的热舒适，也就是不能超过用户的热舒适温度范围，也就是说对于该用户空调设定温度的只能在24-27℃的温度范围内调整，超过该范围的话就牺牲了用户的热舒适，这是用户所不允许的。对于可转移负荷，例如洗衣机、洗碗机、烘干机等，改变这类家用电器的运行时间可以将其用电负荷转移。例如某用户习惯的洗衣机使用时间通常为上午的8:00-12:00，那么可以根据该时段内分布式光伏发电量来选择洗衣机合适的运行时间，例如通过光伏发电预测发现11:00-11:40光伏发电量较多，那么就可以将洗衣机的运行时间从原计划的9:00-9:40转移到11:00-11:40时段。需要注意的是，可转移负荷的转移时间也需要满足一定的条件，不能牺牲用户的便利性，也就是不能超过用户允许的时间范围，也就是说对于该用户，洗衣机的运行时间只能在8:00-12:00之间，若在其他时段运行的话会给用户带来不方便；对于可削减负荷和电池负荷，也具有类似的柔性。
另外，需要说明的是，本申请中的执行主体具体可以为优化器。
在本申请中，可以获取分布式光伏***在预测日的天气数据，其中，这里提及的预测日具体可以第二天，也即实现提前一天获取分布式***在第二天的天气数据（这里提及的第二天的天气数据具体为第二天的天气预测数据），以对分布式光伏***在第二天的发电功率进行预测，当然，这里提及的预测日也可以为其他时间，只要可以获取相应的天气预测数据即可。另外，本申请中提及的预测日的天气数据具体指的是室外环境温度、太阳辐射强度等。在获取分布式光伏***在预测日的天气数据之后，可以由式（1）和（2）计算分布式光伏***在预测日的发电功率：
Figure 841728DEST_PATH_IMAGE127
（1）
Figure 676960DEST_PATH_IMAGE128
（2）
其中，
Figure 36178DEST_PATH_IMAGE129
为分布式光伏***在预测日的发电功率(kW)，
Figure 347074DEST_PATH_IMAGE130
为太阳辐射强度(W/m2)，
Figure 945545DEST_PATH_IMAGE131
为分布式光伏***中光伏电池板的安装面积(m2)，
Figure 900863DEST_PATH_IMAGE132
为光伏电池板的发电效率，
Figure 926588DEST_PATH_IMAGE133
、
Figure 724780DEST_PATH_IMAGE134
、
Figure 297581DEST_PATH_IMAGE135
、
Figure 169722DEST_PATH_IMAGE136
、
Figure 694245DEST_PATH_IMAGE137
均为常数，
Figure 120678DEST_PATH_IMAGE138
为室外环境温度(℃)，
Figure 529794DEST_PATH_IMAGE139
为空气质量(kg)，
Figure 754976DEST_PATH_IMAGE140
、
Figure 184821DEST_PATH_IMAGE141
和
Figure 629708DEST_PATH_IMAGE142
分别为标准测试条件下的太阳辐射强度、室外环境温度和空气质量，其值分别为1000 W/m2、25℃和1.5 kg。
考虑到分布式光伏***所在建筑的用户负荷分为柔性负荷和非柔性负荷（如电视机、油烟机等），且非柔性负荷也可以消耗分布式光伏***的发电功率，因此，优化器可以获取分布式光伏***所在建筑中各非柔性负荷在一段历史长度内的历史用电数据，然后，可以采用k-means聚类方法的方式，分别得到用户非柔性负荷的用电曲线（即获取非柔性负荷在不同时刻t的功率
Figure 311357DEST_PATH_IMAGE143
），然后，可以根据聚类得到的非柔性负荷的用电曲线而得到分布式光伏***所在建筑中非柔性负荷在预测日的用电功率。例如可以根据某一非柔性负荷在一段历史长度内的历史用电数据，采用聚类方法得到工作日、周末、节假日分别对应的用电曲线，然后，根据预测日属于工作日、周末、节假日中的哪一种而将这一种所对应的用电曲线作为该非柔性负荷在预测日的用电曲线，从而基于该非柔性负荷在预测日的用电曲线得到预测日中各时刻的用电功率。
S12：确定分布式光伏***所在建筑中各类柔性负荷的用能属性信息，根据用能属性信息对应构建各类柔性负荷的响应模型，并根据蓄电池的信息构建蓄电池模型。
优化器还可以采集各柔性负荷的能耗数据，并对能耗数据进行统计分析，确定各柔性负荷的用能属性信息（如空调设定温度范围、电热水器的设定温度范围、家用电器的使用时间、每次时序时长、使用频率等），柔性负荷的用能属性信息作为后续建立的优化模型柔性空间的约束条件（例如夏季用户空调的温度设定范围为24-28℃，那么在优化过程中，只能在这个范围内优化空调的设定温度；再比如用户洗衣机的使用时间通常为上午的9:00-11:00，那么在优化过程中，也只能在这个时段内优化洗衣机的开启时间），而且优化器也可以根据能耗数据，利用机器学习的方法确定各柔性负荷的响应模型的相关系数。
在确定分布式光伏***所在建筑中各类柔性负荷的用能属性信息及响应模型的相关系数之后，优化器可以根据各类柔性负荷分别对应的用能属性信息及响应模型的相关系数对应的构建各类柔性负荷的响应模型。通过上述过程可知，本申请基于柔性负荷的实际运行数据来建立各类柔性负荷的响应模型，并从实际运行数据中获取用户真实的用能属性信息，因此，更符合实际情况，准确性更高。
另外，优化器还可以获取蓄电池的信息，并根据蓄电池的信息构建蓄电池模型，其中，蓄电池电池用于表征蓄电池的荷电状态与充放电速度的关系。
需要说明的是，本申请对步骤S11和步骤S12之间的前后顺序不做限定。
S13：根据分布式光伏***在预测日的发电功率、非柔性负荷在预测日的用电功率、各类柔性负荷的响应模型及蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，并对优化模型进行求解，得到各类柔性负荷及蓄电池在预测日的运行计划。
在步骤S11和步骤S12的基础上，优化器可以根据分布式光伏***在预测日的发电功率、非柔性负荷在预测日的用电功率、各类柔性负荷的响应模型、蓄电池模型及电网购电功率，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，然后，可以对所构建的优化模型进行求解，以得到各类柔性负荷及蓄电池在预测日的运行计划，并得到预测日的电网购电功率。
由于本申请是以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标来构建优化模型的，因此，则不仅可以降低用户的运维费用，而且可以降低二氧化碳的排放量，并实现电力自满足。
S14：根据各类柔性负荷及蓄电池在预测日的运行计划对各类柔性负荷及蓄电池在预测日的运行进行相应控制。
在步骤S13的基础上，优化器可以在预测日的相应时刻发送各类柔性负荷及蓄电池的运行计划给相应的柔性负荷及蓄电池，以对各类柔性负荷及蓄电池在预测日的运行进行相应控制，同时在预测日根据所得到的预测日的电网购电功率而向电网发送购电请求或售电请求，从而基于购电请求获取相应的购电功率/基于售电请求向电网售卖相应的功率。
另外，相关用户可以通过移动终端上的APP查看各个负荷的运行状态、蓄电池的运行状态、分布式光伏***的发电量等，以便于及时获取相关信息。
通过上述过程可知，本申请提出利用建筑柔性负荷的柔性来消纳分布式光伏***的发电，从而实现对电网的动态响应，而且本申请通过上述过程构建了分布式光伏发电-蓄电池-柔性负荷（光-储-柔）协同优化控制的***，通过改变柔性负荷的用电方式来调整建筑的用电负荷曲线，尽可能地消纳用户侧的分布式光伏发电，消纳不完的存储在蓄电池中，从而降低蓄电池的设置容量，降低分布式光伏发电的消纳成本。
通过上述过程可知，本申请构建了建筑光-储-柔优化控制***，***由分布式光伏***、电网、蓄电池、家用电器（包括柔性负荷和非柔性负荷）、优化器和移动终端组成。其中硬件部分包括分布式光伏发电、电网、蓄电池、家用电器，软件部分包括优化器和移动终端。对于分布式光伏发电和电网，光-储-柔协同优化控制***只对它们的相关参数进行采集，如光伏发电的功率，用户从电网的外购电量等，不能对光伏发电和电网进行控制。对于底层的家电设备和蓄电池，该优化控制***不仅可以采集其运行数据，同时也能通过相关的通信协议自动控制家用电器和蓄电池的运行，具体实现方式如下：以家用电器为例，每个家用电器均包括4个功能模块：基本功能模块，控制模块，数据采集模块和通信模块。基本功能模块保证家用电器正常的运行；控制模块控制温控负荷的启停、设定温度、输入功率，可转移负荷的启停，可削减负荷的功率，及电池负荷的充电；数据采集模块采集设备的运行状态、实时功率、参数设定等数据；通信模块作为桥梁负责底层家用电器与优化器的双向通信（数据采集模块采集的数据通过通信模块传输到优化器中用于柔性负荷的建模，优化器优化计算得到的运行方案通过该通信模块发送给家用电器自动控制设备的运行；此外移动终端和家用电器之间的通信也是由该通信模块实现）。类似的，蓄电池也包含了这4个功能模块。（当前的家用电器，通常只包括了基本功能模块和控制模块（如空调、电热水器、洗衣机、烘干机等），没有数据采集和通信模块，需要使用者手动开启设备，方可激发控制模块执行相应的指令，控制家电的运行。随着物联网、5G等技术的不断发展，我们提出了包含了基本功能模块，控制模块，数据采集模块和通信模块的家用电器，可以通过优化控制***自动控制家用电器，实时监测家用电器的运行状态，同时也能实现用户与家用电器之间的交流。该方法不需要在家用电器之外再额外安装传感器，配置通信网络，来获取家用电器的运行数据，监测其运行状态。优化器作为整个优化控制***的“大脑”，包括了***各个硬件部分的建模（前面介绍的分布式光伏发电、蓄电池、柔性负荷的模型），以及优化模型和优化算法，所有的模型和算法均通过编程写入到优化器中。此外对优化模型的求解也是在优化器中完成，优化器优化计算得到的日前的运行方案通过蓄电池和柔性负荷的通信模块发送到对应设备的控制模块，自动控制蓄电池的充放电和柔性符合的启停及相关运行参数的设定，从而提高对分布式光伏发电的消纳，减少对电网的冲击，降低用户的外购电费用；移动终端以APP的方式实时显示光伏发电、电网取电/送电、蓄电池及各个家电设备的运行状态、功率及相关参数设置等信息；同时用户也可以通过APP远程控制各个家电设备；此外用户也能通过APP发送用能的信息（比如用户想明天早上8点使用洗衣机）到优化模型，从而在优化的过程中会优先满足用户通过APP传达的用能需求。
本申请公开的上述技术方案，预测分布式光伏***在预测日的发电功率及分布式光伏***所在建筑中非柔性负荷在预测日的用电功率，并建立各类柔性负荷的响应模型及蓄电池模型，基于各个柔性负荷的响应模型及蓄电池模型建立优化模型，并对优化模型进行求解，得到蓄电池以及各个柔性负荷在预测日的运行计划，且根据运行计划对各类柔性负荷及蓄电池在预测日的运行进行控制，以通过改变柔性负荷用电方式来调整分布式光伏***所在建筑的用电负荷曲线，尽可能地消纳用户侧的分布式光伏发电，消纳不完的存储在蓄电池中，从而减少蓄电池的安装容量，降低分布式光伏发电的消纳成本。
本申请实施例提供的一种光储柔***运行控制方法，根据温控负荷的用能属性信息构建温控负荷的响应模型，可以包括：
根据温控负荷的用能行为信息和用能模式信息构建温控负荷的热力学模型：
Figure 626931DEST_PATH_IMAGE144
，制冷模式下的功率模型：
Figure 929474DEST_PATH_IMAGE145
，制冷模式下的二元变量
Figure 658396DEST_PATH_IMAGE146
为：
Figure 715039DEST_PATH_IMAGE147
，制热模式下的功率模型：
Figure 619542DEST_PATH_IMAGE148
，制热模式下的二元变量
Figure 328872DEST_PATH_IMAGE149
为：
Figure 184570DEST_PATH_IMAGE150
；其中，
Figure 270338DEST_PATH_IMAGE151
，
Figure 560505DEST_PATH_IMAGE152
，
Figure 503053DEST_PATH_IMAGE153
，
Figure 347512DEST_PATH_IMAGE154
，
Figure 735506DEST_PATH_IMAGE155
为第i个温控负荷内部在t+1时刻的温度，
Figure 208075DEST_PATH_IMAGE156
为第i个温控负荷的温度系数，
Figure 524787DEST_PATH_IMAGE157
为第i个温控负荷内部在t时刻的温度，
Figure 590963DEST_PATH_IMAGE158
为第i个负荷所处的环境温度，
Figure 18534DEST_PATH_IMAGE159
为温控负荷所处的工作模式，
Figure 781828DEST_PATH_IMAGE160
为第i个温控负荷的输出功率，
Figure 3862DEST_PATH_IMAGE161
为第i个温控负荷的制冷性能系数，
Figure 416389DEST_PATH_IMAGE162
为第i个温控负荷在t时刻的输入功率，
Figure 647650DEST_PATH_IMAGE163
为二元变量，表示温控负荷的启停状态，
Figure 970178DEST_PATH_IMAGE164
为第i个温控负荷的制热性能系数，
Figure 867508DEST_PATH_IMAGE165
为第i个温控负荷的热阻，
Figure 298489DEST_PATH_IMAGE166
为第i个温控负荷的热容，
Figure 802283DEST_PATH_IMAGE167
为时间间隔，
Figure 41634DEST_PATH_IMAGE168
为第i个温控负荷设定温度，
Figure 339892DEST_PATH_IMAGE169
为第i个温控负荷设定温度的阈值，
Figure 163229DEST_PATH_IMAGE170
和
Figure 939555DEST_PATH_IMAGE171
分别为第i个温控负荷设定温度的最小值和最大值，
Figure 767834DEST_PATH_IMAGE172
和
Figure 768151DEST_PATH_IMAGE173
分别为第i个温控负荷开始运行时间和运行结束时间。
在本申请中，对于温控负荷而言，可以基于热力学方法，建立温控负荷的热力学模型（以空调为例，热力学模型描述了建筑室内环境与室外环境的动态传热过程）和能耗模型（以空调为例，能耗模型描述了空调输入功率与输出功率的关系）。
具体地，可以根据温控负荷的用能行为信息和用能模式信息（也即温控负荷的用能属性信息包括用能行为信息和用能模式信息这两类）
Figure 642566DEST_PATH_IMAGE174
（其中，
Figure 252276DEST_PATH_IMAGE175
表示采集的数据集，G表示统计学方法），采用RC（Resistance-capacitance）模型构建温控负荷的热力学模型：
Figure 403903DEST_PATH_IMAGE176
（3）
Figure 309542DEST_PATH_IMAGE177
（4）
Figure 608937DEST_PATH_IMAGE178
（5）
功率模型：
1）制冷模式下的功率模型为：
Figure 586120DEST_PATH_IMAGE179
（6）
Figure 418684DEST_PATH_IMAGE180
（7）
Figure 698487DEST_PATH_IMAGE181
（8）
Figure 219598DEST_PATH_IMAGE182
（9）
2）制热模式下的功率模型为：
Figure 473DEST_PATH_IMAGE183
（10）
Figure 189008DEST_PATH_IMAGE184
（11）
Figure 155826DEST_PATH_IMAGE185
（12）
Figure 164233DEST_PATH_IMAGE186
（13）
在上述公式中，
Figure 155323DEST_PATH_IMAGE187
表示温控负荷内部的温度，i表示负荷，包括空调、并向、电热水器，t代表时间，
Figure 932786DEST_PATH_IMAGE188
表示温控负荷所处的环境温度，
Figure 679025DEST_PATH_IMAGE189
表示温控负荷所处的工作模式（制冷或制热），
Figure 938843DEST_PATH_IMAGE190
表示温控负荷的输出功率，
Figure 671307DEST_PATH_IMAGE191
为系数，
Figure 834435DEST_PATH_IMAGE192
为第i个温控负荷的热阻，
Figure 751575DEST_PATH_IMAGE193
为第i个温控负荷的热容，
Figure 734575DEST_PATH_IMAGE194
为时间间隔，
Figure 566002DEST_PATH_IMAGE195
为第i个温控负荷的输入功率，
Figure 521320DEST_PATH_IMAGE196
为二元变量，表示温控负荷的启停状态，
Figure 874941DEST_PATH_IMAGE197
为第i个温控负荷的制冷性能系数，
Figure 79657DEST_PATH_IMAGE198
为第i个温控负荷的制热性能系数，
Figure 481820DEST_PATH_IMAGE199
为第i个温控负荷设定温度，
Figure 790179DEST_PATH_IMAGE200
为第i个温控负荷设定温度的阈值，
Figure 314701DEST_PATH_IMAGE201
和
Figure 6714DEST_PATH_IMAGE202
分别为第i个温控负荷设定温度的最小值和最大值，二者的大小取决于用户（即前面所说的用户的用能行为信息），
Figure 212567DEST_PATH_IMAGE203
和
Figure 142477DEST_PATH_IMAGE204
分别为第i个温控负荷开始运行时间和运行结束时间，二者的大小取决于用户（即前面所说的用户的用户模式信息）。
通过上述过程可以建立起分布式光伏***所在建筑中温控负荷的响应模型，以便于基于温控负荷的响应模型进行优化模型的建立和温度负荷在预测日运行计划的获取。
本申请实施例提供的一种光储柔***运行控制方法，根据可转移负荷的用能属性信息构建可转移负荷的响应模型，可以包括：
根据可转移负荷的用能模式信息构建可转移负荷的能耗模型：
Figure 572321DEST_PATH_IMAGE205
；其中，
Figure 521604DEST_PATH_IMAGE206
，
Figure 999990DEST_PATH_IMAGE207
，
Figure 784406DEST_PATH_IMAGE208
为第j个可转移负荷在t时刻的功率，
Figure 650731DEST_PATH_IMAGE209
为第j个可转移负荷在不同运行阶段的功率，
Figure 317335DEST_PATH_IMAGE210
为第j个可转移负荷开始运行的时间，
Figure 301210DEST_PATH_IMAGE211
为第j个可转移负荷在运行阶段w的运行时间，
Figure 736870DEST_PATH_IMAGE212
为第j个可转移负荷允许工作的时间范围，
Figure 774096DEST_PATH_IMAGE213
为第j个可转移负荷的运行时长。
在本申请中，可转移负荷主要包括洗衣机、烘干机和洗碗机等，这类负荷有一个共同的特征：设备有固定的运行周期，且每个运行周期都是由一系列的连续不间断的过程构成，设备在每个过程的功率可近似的认为是恒定值。因此，则可以根据可转移负荷的用能模式信息
Figure 927997DEST_PATH_IMAGE214
构建可转移负荷的能耗模型：
Figure 951448DEST_PATH_IMAGE215
（14）
Figure 5729DEST_PATH_IMAGE216
（15）
Figure 213857DEST_PATH_IMAGE217
（16）
在上述公式中，
Figure 855054DEST_PATH_IMAGE218
表示可转移负荷j在时刻t的功率，
Figure 478933DEST_PATH_IMAGE219
为第j个可转移负荷在不同运行阶段的功率，
Figure 826869DEST_PATH_IMAGE220
为第j个可转移负荷开始运行的时间，
Figure 642116DEST_PATH_IMAGE221
为第j个可转移负荷在运行阶段w（W表示可转移负荷以供有W个运行阶段）的运行时间，
Figure 832926DEST_PATH_IMAGE222
为第j个可转移负荷允许工作的时间范围，大小取决于用户（即前面所说的可转移负荷的用能模式信息），
Figure 994917DEST_PATH_IMAGE223
为第j个可转移负荷的运行时长，相应地，
Figure 525255DEST_PATH_IMAGE224
即为可转移负荷的开始运行的最晚时间。
通过上述过程可以建立起分布式光伏***所在建筑中可转移负荷的响应模型，以便于基于可转移负荷的响应模型进行优化模型的建立和可转移负荷的在预测日运行计划的获取。
本申请实施例提供的一种光储柔***运行控制方法，根据可削减负荷的用能属性信息构建可削减负荷的响应模型，可以包括：
根据可削减负荷中可调节照明功率的负荷的用能模式信息构建可调节照明功率的负荷的能耗模型：
Figure 684972DEST_PATH_IMAGE225
；其中，
Figure 793437DEST_PATH_IMAGE226
，
Figure 87015DEST_PATH_IMAGE227
为第
Figure 471860DEST_PATH_IMAGE228
个可调节照明功率的负荷在t时刻的功率，
Figure 864796DEST_PATH_IMAGE229
为第
Figure 639985DEST_PATH_IMAGE230
个可调节照明功率的负荷在t时刻的调节因子，
Figure 907893DEST_PATH_IMAGE231
为第
Figure 475140DEST_PATH_IMAGE232
个可调节照明功率的负荷的额定功率，
Figure 304556DEST_PATH_IMAGE233
和
Figure 567041DEST_PATH_IMAGE234
分别为第
Figure 468001DEST_PATH_IMAGE235
个可调节照明功率的负荷开始运行时间和运行结束时间；
根据可削减负荷中可调节工作档位的负荷的用能模式信息构建可调节工作档位的负荷的能耗模型：
Figure 827438DEST_PATH_IMAGE236
；其中，
Figure 263974DEST_PATH_IMAGE237
，
Figure 76072DEST_PATH_IMAGE238
为第
Figure 249564DEST_PATH_IMAGE239
个可调节工作档位的负荷在t时刻处于e档位时的功率，
Figure 463508DEST_PATH_IMAGE240
为第
Figure 572409DEST_PATH_IMAGE241
个可调节工作档位的负荷在不同的档位
Figure 370339DEST_PATH_IMAGE242
的功率，
Figure 347522DEST_PATH_IMAGE243
和
Figure 415972DEST_PATH_IMAGE244
为第
Figure 695775DEST_PATH_IMAGE245
个可调节工作档位的负荷开始运行时间和运行结束时间。
在本申请中，可削减负荷可分为两类：一类是以照明为代表的可以根据室内的照度调节照明功率的负荷（简称为可调节照明功率的负荷）；另一类是以电炉、风扇为代表的可以通过改变其工作档位而改变其功率的负荷（简称为可调节工作档位的负荷）。因此，在根据可削减负荷的用能属性信息
Figure 482465DEST_PATH_IMAGE246
分别进行两类可转移负荷的响应模型的构建，其中，
Figure 528919DEST_PATH_IMAGE247
和
Figure 893953DEST_PATH_IMAGE248
分别表示可削减负荷m开始运行时间和运行结束时间，二者的大小取决于用户（即前面所说的用户的用能模式）。具体地，可以用式（17）和（18）表示可调节照明功率的负荷的能耗模型，用式（19）和（20）表示可调节工作档位的负荷的能耗模型：
Figure 406974DEST_PATH_IMAGE249
（17）
Figure 743277DEST_PATH_IMAGE250
（18）
Figure 999946DEST_PATH_IMAGE251
（19）
Figure 980672DEST_PATH_IMAGE252
（20）
在上述公式中，
Figure 163129DEST_PATH_IMAGE253
为第
Figure 986729DEST_PATH_IMAGE254
个可调节照明功率的负荷在t时刻的功率，
Figure 781509DEST_PATH_IMAGE255
为第
Figure 413479DEST_PATH_IMAGE256
个可调节照明功率的负荷在t时刻的调节因子，
Figure 471565DEST_PATH_IMAGE257
为第
Figure 687520DEST_PATH_IMAGE258
个可调节照明功率的负荷的额定功率，
Figure 285992DEST_PATH_IMAGE259
和
Figure 38047DEST_PATH_IMAGE260
分别为第
Figure 126089DEST_PATH_IMAGE261
个可调节照明功率的负荷开始运行时间和运行结束时间，也即二者为可调节照明功率的负荷的用能模式信息，二者的大小取决于用户；
Figure 596385DEST_PATH_IMAGE262
为第
Figure 434765DEST_PATH_IMAGE263
个可调节工作档位的负荷在t时刻处于e档位时的功率，
Figure 634803DEST_PATH_IMAGE264
为第
Figure 565849DEST_PATH_IMAGE265
个可调节工作档位的负荷在不同的档位
Figure 726703DEST_PATH_IMAGE266
的功率，
Figure 666978DEST_PATH_IMAGE267
和
Figure 455942DEST_PATH_IMAGE268
为第
Figure 339583DEST_PATH_IMAGE269
个可调节工作档位的负荷开始运行时间和运行结束时间，也即二者为可调节工作档位的负荷的用能模式信息，二者的大小取决于用户。
通过上述过程可以建立起分布式光伏***所在建筑中可削减负荷的响应模型，以便于基于可削减负荷的响应模型进行优化模型的建立和可削减负荷的在预测日运行计划的获取。
本申请实施例提供的一种光储柔***运行控制方法，根据电池负荷的用能属性信息构建电池负荷的响应模型，可以包括：
根据电池负荷的用能模式信息构建电池负荷的能耗模型：
Figure 784471DEST_PATH_IMAGE270
；其中，
Figure 200540DEST_PATH_IMAGE271
，
Figure 47273DEST_PATH_IMAGE272
，
Figure 648018DEST_PATH_IMAGE273
，
Figure 78738DEST_PATH_IMAGE274
，…，
Figure 298497DEST_PATH_IMAGE275
，
Figure 999737DEST_PATH_IMAGE276
，
Figure 36963DEST_PATH_IMAGE277
，
Figure 190864DEST_PATH_IMAGE278
，
Figure 712850DEST_PATH_IMAGE279
表示截止到t时刻第n个电池负荷存储的电量，
Figure 268596DEST_PATH_IMAGE280
表示第n个电池负荷的充电状态，当充电时其值为1，未充电时其值为0，
Figure 476724DEST_PATH_IMAGE281
为第n个电池负荷的充电功率，
Figure 117921DEST_PATH_IMAGE282
为充电效率，
Figure 679483DEST_PATH_IMAGE283
为时间间隔，
Figure 853850DEST_PATH_IMAGE284
表示截止到t-1时刻第n个电池负荷存储的电量，
Figure 232879DEST_PATH_IMAGE285
为第n个电池负荷在不同充电阶段的充电功率，
Figure 95793DEST_PATH_IMAGE286
为第n个电池负荷开始充电的时间，
Figure 523363DEST_PATH_IMAGE287
为第n个电池负荷充电阶段1的充电时长，
Figure 725805DEST_PATH_IMAGE288
表示第n个电池负荷在充电阶段1的充电状态，
Figure 717813DEST_PATH_IMAGE289
表示充电阶段1根据
Figure 395919DEST_PATH_IMAGE290
及
Figure 627180DEST_PATH_IMAGE291
划分出的子充电节点的个数，
Figure 215288DEST_PATH_IMAGE292
为第n个电池负荷充电阶段r的充电时长，
Figure 670540DEST_PATH_IMAGE293
为第n个电池负荷允许充电的时间范围，
Figure 773625DEST_PATH_IMAGE294
和
Figure 979216DEST_PATH_IMAGE295
分别为第n个电池负荷能够储存的最小电量和最大能量，
Figure 484147DEST_PATH_IMAGE296
为第n个电池负荷的总充电时长。
在本申请中，电池负荷主要包括扫地机器人、手机、笔记本电脑等带有储电功能的设备，该类设备充电的过程包括不同的阶段，每个阶段均已以恒定的功率进行充电，且可以间歇性充电。因此，在根据电池负荷的用能属性信息构建所述电池负荷的响应模型时，具体可以根据电池负荷的用能模式信息
Figure 110300DEST_PATH_IMAGE297
构建电池负荷的能耗模型：
Figure 435102DEST_PATH_IMAGE298
（21）
Figure 8166DEST_PATH_IMAGE299
（22）
Figure 538242DEST_PATH_IMAGE300
（23）
Figure 538559DEST_PATH_IMAGE301
（24）
Figure 678554DEST_PATH_IMAGE302
（25）
…
Figure 992991DEST_PATH_IMAGE303
（26）
Figure 206935DEST_PATH_IMAGE304
（27）
Figure 706050DEST_PATH_IMAGE305
（28）
Figure 441662DEST_PATH_IMAGE306
（29）
在上述公式中，
Figure 356529DEST_PATH_IMAGE307
表示截止到t时刻第n个电池负荷存储的电量，
Figure 487296DEST_PATH_IMAGE308
表示第n个电池负荷的充电状态，当充电时其值为1，未充电时其值为0，
Figure 384408DEST_PATH_IMAGE309
为第n个电池负荷的充电功率，
Figure 639940DEST_PATH_IMAGE310
为充电效率，
Figure 92918DEST_PATH_IMAGE311
为时间间隔，
Figure 717672DEST_PATH_IMAGE312
表示截止到t-1时刻第n个电池负荷存储的电量，
Figure 965114DEST_PATH_IMAGE313
为第n个电池负荷在不同充电阶段的充电功率，
Figure 239100DEST_PATH_IMAGE314
为第n个电池负荷开始充电的时间，
Figure 558086DEST_PATH_IMAGE315
为第n个电池负荷充电阶段1的充电时长，
Figure 601129DEST_PATH_IMAGE316
表示第n个电池负荷在充电阶段1的充电状态，
Figure 721269DEST_PATH_IMAGE317
表示充电阶段1根据
Figure 216972DEST_PATH_IMAGE318
所划分出的子充电节点的个数（具体地，如果充电节点1的充电时长为T1，则
Figure 339649DEST_PATH_IMAGE319
），
Figure 237198DEST_PATH_IMAGE320
为第n个电池负荷充电阶段2的充电时长，
Figure 29705DEST_PATH_IMAGE321
表示第n个电池负荷在充电阶段2的充电状态，
Figure 782678DEST_PATH_IMAGE322
表示充电阶段2根据
Figure 443466DEST_PATH_IMAGE323
所划分出的子充电节点的个数……r表示第n个电池负荷的总充电阶段数，
Figure 195522DEST_PATH_IMAGE324
为第n个电池负荷的总充电时长，
Figure 221247DEST_PATH_IMAGE325
为第n个电池负荷允许充电的时间范围，大小取决于用户（即前述所说的电池负荷的用能模式信息），
Figure 629225DEST_PATH_IMAGE326
表示第n个电池负荷允许开始充电的最晚时间，
Figure 264344DEST_PATH_IMAGE327
和
Figure 870906DEST_PATH_IMAGE328
分别为第n个电池负荷能够储存的最小电量和最大能量，单位为kWh。
通过上述过程可以建立起分布式光伏***所在建筑中电池负荷的响应模型，以便于基于电池负荷的响应模型进行优化模型的建立和电池负荷在预测日运行计划的获取。
本申请实施例提供的一种光储柔***运行控制方法，根据蓄电池的信息构建蓄电池模型，可以包括：
构建蓄电池模型：
Figure 395428DEST_PATH_IMAGE087
；其中，
Figure 353020DEST_PATH_IMAGE088
，
Figure 27714DEST_PATH_IMAGE089
，
Figure 987318DEST_PATH_IMAGE090
，
Figure 558108DEST_PATH_IMAGE091
为蓄电池在t时刻内部的电量，
Figure 737416DEST_PATH_IMAGE092
为二元变量，充电为1，放电为0，
Figure 543698DEST_PATH_IMAGE093
和
Figure 390432DEST_PATH_IMAGE094
分别表示蓄电池的充电功率和放电功率，
Figure 365079DEST_PATH_IMAGE095
和
Figure 31683DEST_PATH_IMAGE096
分别表示蓄电池的充电效率和放电效率，
Figure 313760DEST_PATH_IMAGE097
为时间间隔，
Figure 77317DEST_PATH_IMAGE098
和
Figure 786647DEST_PATH_IMAGE099
分别表示蓄电池最大充电功率和最大放电功率，
Figure 659923DEST_PATH_IMAGE100
和
Figure 745691DEST_PATH_IMAGE101
分别表示蓄电池可以储存的最小电量和最大电量。
在本申请中，在根据蓄电池的信息构建蓄电池模型时，具体可以基于物理模型建立蓄电池模型，以表征蓄电池的荷电状态与充放电速度的关系，具体如下：
Figure 363754DEST_PATH_IMAGE087
（30）
Figure 509565DEST_PATH_IMAGE088
（31）
Figure 88445DEST_PATH_IMAGE089
（32）
Figure 210859DEST_PATH_IMAGE090
（33）
在上述公式中，
Figure 949008DEST_PATH_IMAGE091
为蓄电池在t时刻内部的电量，单位为kWh；
Figure 141DEST_PATH_IMAGE092
为二元变量，充电为1，放电为0；
Figure 66317DEST_PATH_IMAGE093
和
Figure 493887DEST_PATH_IMAGE094
分别表示蓄电池的充电功率和放电功率，单位为kW；
Figure 352122DEST_PATH_IMAGE095
和
Figure 72691DEST_PATH_IMAGE096
分别表示蓄电池的充电效率和放电效率；
Figure 891742DEST_PATH_IMAGE097
为时间间隔，
Figure 919741DEST_PATH_IMAGE098
和
Figure 304586DEST_PATH_IMAGE099
分别表示蓄电池最大充电功率和最大放电功率，单位为kW；
Figure 900783DEST_PATH_IMAGE100
和
Figure 502404DEST_PATH_IMAGE101
分别表示蓄电池可以储存的最小电量和最大电量，单位为kWh。
通过上述过程可以建立起蓄电池模型，以便于基于蓄电池模型响应模型进行优化模型的建立和蓄电池模型在预测日运行计划的获取。
本申请实施例提供的一种光储柔***运行控制方法，根据分布式光伏***在预测日的发电功率、非柔性负荷在预测日的用电功率、各类柔性负荷的响应模型及蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，可以包括：
构建优化模型：
Figure 599673DEST_PATH_IMAGE102
；
Figure 573445DEST_PATH_IMAGE103
代表决策变量构成的集合，
Figure 606123DEST_PATH_IMAGE104
，
Figure 258821DEST_PATH_IMAGE105
和
Figure 566306DEST_PATH_IMAGE106
分别表示蓄电池的充电功率和放电功率，
Figure 367821DEST_PATH_IMAGE107
为第i个温控负荷设定温度，
Figure 368138DEST_PATH_IMAGE108
为第j个可转移负荷开始运行的时间，
Figure 242553DEST_PATH_IMAGE109
为第m个可削减负荷的功率，
Figure 619308DEST_PATH_IMAGE110
表示第n个电池负荷的充电状态，
Figure 770934DEST_PATH_IMAGE111
为电网购电功率或卖电功率，
Figure 440688DEST_PATH_IMAGE112
表示优化模型的目标函数，
Figure 802399DEST_PATH_IMAGE113
表示用户运维费用，
Figure 186107DEST_PATH_IMAGE114
表示二氧化碳排放量，
Figure 520136DEST_PATH_IMAGE115
，
Figure 799939DEST_PATH_IMAGE116
表示电力自满足率，
Figure 819585DEST_PATH_IMAGE117
表示其中的不等式约束，
Figure 272563DEST_PATH_IMAGE118
表示其中的等式约束及电力平衡，其中，电力平衡为：
Figure 195520DEST_PATH_IMAGE119
，
Figure 770858DEST_PATH_IMAGE120
表示决策空间，
Figure 44844DEST_PATH_IMAGE121
为分布式光伏***在预测日的发电功率，
Figure 737732DEST_PATH_IMAGE122
为二元变量，充电为1，放电为0，
Figure 780774DEST_PATH_IMAGE121
为所有非柔性负荷的总用电功率，
Figure 527013DEST_PATH_IMAGE124
为第i个温控负荷在t时刻的输入功率，I为温控负荷的总量，
Figure 22717DEST_PATH_IMAGE125
为第j个可转移负荷在t时刻的功率，J为可转移负荷的总量，M为可削减负荷的总量，
Figure 551918DEST_PATH_IMAGE126
为第n个电池负荷的充电功率，N为电池负荷的总量。
在本申请中，可以以蓄电池的充放电功率、温控负荷的设定温度、可转移负荷开始运行的时间、可削减负荷的功率、电池负荷的充电状态、电网购电功率或卖电功率为决策变量；以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标函数；以用户柔性空间的约束、电力平衡的约束（分布式光伏***的预测模型、蓄电池模型、柔性负荷响应模型以及电网外购电共同构成了能量平衡的约束）、蓄电池充放电的约束以及家电设备运行约束等为约束条件，构建多目标的优化模型，其形式如下：
Figure 676563DEST_PATH_IMAGE102
（34）
在上述公式中，
Figure 531387DEST_PATH_IMAGE103
代表决策变量构成的集合，
Figure 717649DEST_PATH_IMAGE104
，
Figure 50541DEST_PATH_IMAGE105
和
Figure 301132DEST_PATH_IMAGE106
分别表示蓄电池的充电功率和放电功率，
Figure 654753DEST_PATH_IMAGE107
为第i个温控负荷设定温度，
Figure 859469DEST_PATH_IMAGE108
为第j个可转移负荷开始运行的时间，
Figure 996052DEST_PATH_IMAGE109
为第m个可削减负荷的功率，
Figure 805876DEST_PATH_IMAGE110
表示第n个电池负荷的充电状态，
Figure 766617DEST_PATH_IMAGE111
为电网购电功率或卖电功率，
Figure 193050DEST_PATH_IMAGE112
表示优化模型的目标函数，
Figure 726800DEST_PATH_IMAGE113
表示用户运维费用（由式（36）-（40）计算），
Figure 187868DEST_PATH_IMAGE114
表示二氧化碳排放量（由式（41）计算），
Figure 493079DEST_PATH_IMAGE115
，
Figure 436502DEST_PATH_IMAGE116
表示电力自满足率（由式（43）计算电力自满足率，式（42）计算
Figure 242784DEST_PATH_IMAGE329
），
Figure 823938DEST_PATH_IMAGE117
表示不等式约束，包括前面的预测模型、蓄电池模型、柔性负荷的响应模型过程中所有的不等式，
Figure 565629DEST_PATH_IMAGE118
表示其中的等式约束（包括前面的预测模型、蓄电池模型、柔性负荷的响应模型过程中的所有等式）及电力平衡，
Figure 232233DEST_PATH_IMAGE120
表示决策空间。
其中，光-储-柔中的电力平衡：光-储-柔中电力的来源有分布式光伏发电、蓄电池以及电网购电，这些电力用于满足用户端的非柔性负荷用户以及柔性负荷的用电，***的电力平衡如下：
Figure 842206DEST_PATH_IMAGE330
Figure 47841DEST_PATH_IMAGE331
（35）
式中
Figure 694854DEST_PATH_IMAGE121
为分布式光伏***在预测日的发电功率；
Figure 442230DEST_PATH_IMAGE122
为二元变量，充电为1，放电为0；
Figure 527997DEST_PATH_IMAGE123
为所有非柔性负荷的总用电功率；
Figure 21427DEST_PATH_IMAGE124
为第i个温控负荷在t时刻的输入功率，I为温控负荷的总量；
Figure 400193DEST_PATH_IMAGE125
为第j个可转移负荷在t时刻的功率，J为可转移负荷的总量；M为可削减负荷的总量，
Figure 103707DEST_PATH_IMAGE126
为第n个电池负荷的充电功率，N为电池负荷的总量。
上述提及的用户运维费用
Figure 993166DEST_PATH_IMAGE113
具体为：
Figure 341102DEST_PATH_IMAGE332
（36）
Figure 985710DEST_PATH_IMAGE333
（37）
Figure 114203DEST_PATH_IMAGE334
（38）
Figure 977991DEST_PATH_IMAGE335
（39）
Figure 508330DEST_PATH_IMAGE336
（40）
式中
Figure 323839DEST_PATH_IMAGE337
为时间间隔的总个数，
Figure 611732DEST_PATH_IMAGE338
、
Figure 577414DEST_PATH_IMAGE339
、
Figure 290155DEST_PATH_IMAGE340
、
Figure 447204DEST_PATH_IMAGE341
分别表示分布式光伏***的运维费用、蓄电池的运维费用、电网购电费用、向电网卖电的收益；
Figure 487973DEST_PATH_IMAGE342
、
Figure 257346DEST_PATH_IMAGE343
分别表示蓄电池功率、从电网购电功率、向电网售电功率；
Figure 559014DEST_PATH_IMAGE344
、
Figure 388430DEST_PATH_IMAGE345
、
Figure 167028DEST_PATH_IMAGE346
分别表示分布式光伏***单位发电量（kWh）的运维费用、蓄电池储存或释放单位电量（kWh）的运维费用、从电网购电的价格、向电网卖电的价格。
Figure 271250DEST_PATH_IMAGE347
（41）
式中
Figure 568371DEST_PATH_IMAGE348
表示电力的二氧化碳排放因子，kgCO2/kWh。
Figure 896584DEST_PATH_IMAGE349
（42）
Figure 708682DEST_PATH_IMAGE350
（43）
式中SSR表示电力自满足率。
通过上述所建立的优化模型可以确定满足用户运维费用、二氧化碳排放量及电力自满足率均最小时的蓄电池的充放电功率、温控负荷的设定温度、可转移负荷开始运行的时间、可削减负荷的功率、电池负荷的充电状态、电网购电功率，以便于基于此进行预测日的运行控制。
本申请实施例提供的一种光储柔***运行控制方法，对优化模型进行求解，得到各类柔性负荷及蓄电池在预测日的运行计划可以包括：
利用非支配排序的遗传算法、逼近理想值的排序方法和信息熵法，对优化模型进行求解，得到各类柔性负荷及蓄电池在预测日的运行计划。
在本申请中，具体可以采用一种包含搜索和决策两个过程的多目标优化方法来对优化模型进行求解，具体地，在搜索阶段获取多目标优化问题的Pareto解集，而后在决策阶段从Pareto解集中挑选出最终的解，其求解流程如图4所示，其示出了本申请实施例提供的多目标优化方法求解流程图。
在搜索阶段，采用非支配排序的遗传算法（NSGA-II）以获取Pareto解集，算法详细的步骤介绍如下：
1）参数初始化：包括种群大小（N）、最大遗传代数（Gen）、交叉概率（Pe）、变异概率（Pc）、交叉分布系数（ηe）和变异分布系数（ηc）；
2）种群初始化：令m=1，在满足优化模型约束条件的情况下，随机产生含有N个个体的初始种群Pm，
Figure 256076DEST_PATH_IMAGE351
，（
Figure 470020DEST_PATH_IMAGE352
分别代表优化模型中不同取值下的决策变量X，
Figure 703555DEST_PATH_IMAGE353
），按照式（36）、（41）、（42）计算初始种群中各个个体的目标函数
Figure 206211DEST_PATH_IMAGE354
的值，得到种群个体适应度；
3）非支配排序：对种群Pm的所有个体进行快速非支配排序，同时计算各个个体的拥挤度；
4）锦标赛选择：每次从种群Pm中随机选择两个个体，优先选择非支配排序等级高的个体，如果排序等级一样，优选选择拥挤度大的个体；
5）遗传操作：对由锦标赛法选择的个体进行交叉和变异操作以产生子代种群Qm，子代种群中的每个个体都要满足约束条件，而后计算每个个体的目标函数
Figure 121078DEST_PATH_IMAGE355
的值。交叉和变异操作中交叉算法采用模拟二进制交叉，变异算法采用多项式变异；
6）重组：合并重组父代种群Pm和子代种群Qm产生种群Rm，并对种群Rm进行快速非支配排序和拥挤度计算；
7）生成新一代种群：根据非支配排序等级和拥挤度，从种群Rm中挑选出排名靠前的N个个体，作为新一代种群Pm+1；
8）判断是否达到最大遗传代数：若m≥Gen，则输出Pareto解集；否则，令m=m+1，返回步骤4），直至满足最大遗传代数。
在决策阶段，通过逼近理想值的排序方法（TOPSIS）和信息熵法从Pareto解集中确定最终的唯一解，具体步骤如下：
1）建立决策矩阵并归一化
Figure 517424DEST_PATH_IMAGE356
（44）
式中r αβ 代表归一化后的决策矩阵的元素，f αβ 表示Pareto解集中第α 个解的第β个目标函数值，N 是Pareto解集包含的解的个数，等于种群数。
2）基于信息熵法确定各目标的权重
Figure 358079DEST_PATH_IMAGE357
（45）
Figure 816873DEST_PATH_IMAGE358
（46）
式中
Figure 863327DEST_PATH_IMAGE359
表示目标
Figure 51862DEST_PATH_IMAGE360
的熵值，
Figure 502566DEST_PATH_IMAGE361
表示目标
Figure 9509DEST_PATH_IMAGE362
的权重。
3）构建加权规范化矩阵
Figure 328495DEST_PATH_IMAGE363
（47）
式中
Figure 371537DEST_PATH_IMAGE364
表示加权规范化矩阵的元素。
4）确定正理想解和负理想解
Figure 993142DEST_PATH_IMAGE365
（48）
Figure 488846DEST_PATH_IMAGE366
（49）
式中J 1 和J 2 分别表示成本型指标和效益型指标，
Figure 522442DEST_PATH_IMAGE367
表示正理想解，
Figure 685570DEST_PATH_IMAGE368
表示负理想解。
5）欧式距离计算
Figure 602710DEST_PATH_IMAGE369
（50）
Figure 585710DEST_PATH_IMAGE370
（51）
式中
Figure 823662DEST_PATH_IMAGE371
表示目标函数值到正理想解的距离，
Figure 903614DEST_PATH_IMAGE372
表示目标函数值到负理想解的距离。
6）相对贴近程度计算
Figure 929338DEST_PATH_IMAGE373
（52）
式中
Figure 337317DEST_PATH_IMAGE374
表示相对贴近程度。
7）相对贴近程度排序
将相对贴近程度
Figure 739480DEST_PATH_IMAGE374
按照从大到小的顺序排序；
8）最优解
选择相对贴近程度
Figure 673937DEST_PATH_IMAGE374
最大的那组解，即为最优解。
通过上述过程可以自动且智能地计算出最优决策变量，也即得到最优的
Figure 369099DEST_PATH_IMAGE375
，以便于基于此对柔性负荷及蓄电池进行响应控制。
本申请实施例提供的一种光储柔***运行控制方法，还可以包括：
接收用户发送的分布式光伏***所在建筑中目标柔性负荷的用能属性信息。
在本申请中，对于一些突发情况，比如某个用户通常是上午洗衣服，但是突然某天上午有事情出门了，那这个时候用户可以通过移动终端APP直接修改当天的洗衣行为，也即用户可以通过移动终端向优化器发送分布式光伏***所在建筑中各类柔性负荷的用能属性信息，此时，优化器将会根据新接收到的目标柔性负荷的用能属性信息对应构建目标柔性负荷的响应模型，以便于满足用户新的需求。需要说明的是，当用户通过移动终端发送用能属性信息时，优化器会覆盖相应的历史用能属性信息，但在第二天正常之后，优化器又可以按照历史用能属性信息进行自动优化。
由此可知，移动终端APP不仅可以实时显示蓄电池及各个负荷的运行状态、功率及相关参数设置等信息；同时用户也可以通过APP远程控制各个负荷；此外用户也能通过APP发送用能属性信息（比如用户想明天早上8点使用洗衣机）到优化模型，从而在优化的过程中会优先满足用户通过APP传达的用能需求。
具体可以参见图5，其示出了本申请实施例提供的另一种运行控制流程图。
1）基础建模：基于提出的光-储-柔协同优化控制方法，按照上面介绍的建模方法，建立预测模型、柔性负荷响应模型、蓄电池模型、优化模型，并将这些模型以及优化算法写入优化器中，搭建光-储-柔协同优化控制***。***搭建完成后，后面就可以应用到实际工程中，下面具体介绍如何使用。
2）优化求解：预测模型预测明天各个时刻光伏发电的功率；预测得到的光伏发电功率输入到优化器，而后优化算法对优化模型进行求解，得到蓄电池充放电策略、各个柔性家电设备日前的运行计划。需要指出的是，由于在利用建筑负荷柔性的时候，不能牺牲用户的利益，因此优化受到用户用能行为（如空调设定温度范围、电热水器的设定温度范围等）和用能模式（如家电设备的使用时间、每次持续时长、使用频率等）的约束。比如夏季用户空调的温度设定范围为24-28℃，那么在优化过程中，只能在这个范围内优化空调的设定温度；再比如用户洗衣机的使用时间通常为上午的9:00-11:00，那么在优化过程中，也只能在这个时段内优化洗衣机的开启时间。显然不同的用户具有不同的用能行为和用能模式，那么我们直接通过用户底层的负荷采集的能耗数据，采用统计分析的方法，得到用户的用能行为和用能模式，可以很好的解决用户用能行为和用能模式的差异性问题，同时也更真实，更符合实际情况。此外，由于用户的用能行为和用能模式均通过机器学习的方法从家电设备底层的数据采集模块采集的数据中得到，通过大数据的方式得到用户的用能行为和用能模式只能代表一般的情况，在正常情况下，优化的过程中会使用机器学习得到的用户的用能行为和用能模式。当用户有特殊的需求时，比如用户需要在明天上午10:30开启洗衣机，那么用户可以通过移动终端APP将该需求传递给优化器，优化器在优化的时候会优先考虑用户输入到APP的用能需求。此外对于一些突发情况，也允许用户通过APP或者家电设备本身的按钮（设备正在运行时）等途径覆盖用户行为或用能模式，比如某个用户通常是上午洗衣服，但是突然某天上午有事情出门了，那这个时候她APP直接修改当天的洗衣行为，从而覆盖历史的用能行为，但是第二天正常之后，***又可以按照历史用能行为进行自动优化。
3）设备运行：蓄电池和各个柔性负荷与优化器之间通过WiFi进行通信；在第二天的时候，优化器将2）中得到的运行计划通过用户家里的WiFi把对应时刻的控制指令分别发送给蓄电池和各柔性负荷；蓄电池和各柔性负荷接收指令之后，其控制模块自动按照该指令控制柔性负荷的运行；（随着物联网、智能家居等技术的发展，目前很多柔性负荷都可以通过WiFi实现信息传递和自动控制）需要说明的是每个柔性负荷有三种控制方式，即柔性负荷本身的按钮（也就是通常说的手动控制），APP以及优化控制***，其中设备本身按钮具有最高的、最优先的权限，然后是APP，最后才是优化控制***。在正常情况下，蓄电池和柔性负荷会执行优化控制***发出指令，当有特殊情况发生时，例如2）中提到的一些情况，用户通过柔性负荷本身的按钮（手动控制）或者APP来发送指令，那么这个时候设备会优先执行该指令。
4）人机交互：用户可以通过APP查看设备的运行状态，能耗数据，以及相关参数的设置（如空调、电热水器设定温度，洗衣机的洗衣进程等），同时也可以远程控制家电设备，此外也能通过APP进行用户与优化器之间的信息传递。
本申请实施例还提供了一种光储柔***运行控制装置，参见图6，其示出了本申请实施例提供的一种光储柔***运行控制装置的结构示意图，可以包括：
计算模块61，用于根据分布式光伏***在预测日的天气数据计算分布式光伏***在预测日的发电功率，根据分布式光伏***所在建筑中非柔性负荷的历史用电数据确定非柔性负荷在预测日的用电功率；
第一构建模块62，用于确定分布式光伏***所在建筑中各类柔性负荷的用能属性信息，根据用能属性信息对应构建各类柔性负荷的响应模型，并根据蓄电池的信息构建蓄电池模型；
第二构建模块63，用于根据分布式光伏***在预测日的发电功率、非柔性负荷在预测日的用电功率、各类柔性负荷的响应模型及蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，并对优化模型进行求解，得到各类柔性负荷及蓄电池在预测日的运行计划；
控制模块64，用于根据各类柔性负荷及蓄电池在预测日的运行计划对各类柔性负荷及蓄电池在预测日的运行进行相应控制。
本申请实施例提供的一种光储柔***运行控制装置，第一构建模块62可以包括：
第一构建单元，用于根据温控负荷的用能行为信息和用能模式信息构建温控负荷的热力学模型：
Figure 61111DEST_PATH_IMAGE001
，制冷模式下的功率模型：
Figure 735806DEST_PATH_IMAGE002
，制冷模式下的二元变量
Figure 462454DEST_PATH_IMAGE003
为：
Figure 266199DEST_PATH_IMAGE004
，制热模式下的功率模型：
Figure 711087DEST_PATH_IMAGE005
，制热模式下的二元变量
Figure 517369DEST_PATH_IMAGE003
为：
Figure 98523DEST_PATH_IMAGE006
；其中，
Figure 840214DEST_PATH_IMAGE007
，
Figure 999495DEST_PATH_IMAGE008
，
Figure 609468DEST_PATH_IMAGE009
，
Figure 45128DEST_PATH_IMAGE010
，
Figure 957721DEST_PATH_IMAGE011
为第i个温控负荷内部在t+1时刻的温度，
Figure 111621DEST_PATH_IMAGE012
为第i个温控负荷的温度系数，
Figure 259706DEST_PATH_IMAGE013
为第i个温控负荷内部在t时刻的温度，
Figure 313987DEST_PATH_IMAGE014
为第i个负荷所处的环境温度，
Figure 397481DEST_PATH_IMAGE015
为温控负荷所处的工作模式，
Figure 773099DEST_PATH_IMAGE016
为第i个温控负荷的输出功率，
Figure 662557DEST_PATH_IMAGE017
为第i个温控负荷的制冷性能系数，
Figure 400706DEST_PATH_IMAGE018
为第i个温控负荷在t时刻的输入功率，
Figure 950374DEST_PATH_IMAGE019
为二元变量，表示温控负荷的启停状态，
Figure 16550DEST_PATH_IMAGE020
为第i个温控负荷的制热性能系数，
Figure 444120DEST_PATH_IMAGE021
为第i个温控负荷的热阻，
Figure 36776DEST_PATH_IMAGE022
为第i个温控负荷的热容，
Figure 258810DEST_PATH_IMAGE023
为时间间隔，
Figure 310817DEST_PATH_IMAGE024
为第i个温控负荷设定温度，
Figure 276499DEST_PATH_IMAGE025
为第i个温控负荷设定温度的阈值，
Figure 661344DEST_PATH_IMAGE027
和
Figure 382175DEST_PATH_IMAGE027
分别为第i个温控负荷设定温度的最小值和最大值，
Figure 219681DEST_PATH_IMAGE028
和
Figure 431132DEST_PATH_IMAGE029
分别为第i个温控负荷开始运行时间和运行结束时间。
本申请实施例提供的一种光储柔***运行控制装置，第一构建模块62可以包括：
第二构建单元，用于根据可转移负荷的用能模式信息构建可转移负荷的能耗模型：
Figure 936063DEST_PATH_IMAGE030
；其中，
Figure 93374DEST_PATH_IMAGE031
，
Figure 355860DEST_PATH_IMAGE032
，
Figure 928923DEST_PATH_IMAGE033
为第j个可转移负荷在t时刻的功率，
Figure 350677DEST_PATH_IMAGE034
为第j个可转移负荷在不同运行阶段的功率，
Figure 849530DEST_PATH_IMAGE035
为第j个可转移负荷开始运行的时间，
Figure 599311DEST_PATH_IMAGE036
为第j个可转移负荷在运行阶段w的运行时间，
Figure 38383DEST_PATH_IMAGE037
为第j个可转移负荷允许工作的时间范围，
Figure 252326DEST_PATH_IMAGE038
为第j个可转移负荷的运行时长。
本申请实施例提供的一种光储柔***运行控制装置，第一构建模块62可以包括：
第三构建单元，用于根据可削减负荷中可调节照明功率的负荷的用能模式信息构建可调节照明功率的负荷的能耗模型：
Figure 361228DEST_PATH_IMAGE039
；其中，
Figure 159157DEST_PATH_IMAGE040
，
Figure 808444DEST_PATH_IMAGE041
为第
Figure 939211DEST_PATH_IMAGE042
个可调节照明功率的负荷在t时刻的功率，
Figure 281331DEST_PATH_IMAGE043
为第
Figure 802442DEST_PATH_IMAGE044
个可调节照明功率的负荷在t时刻的调节因子，
Figure 957218DEST_PATH_IMAGE045
为第
Figure 880174DEST_PATH_IMAGE046
个可调节照明功率的负荷的额定功率，
Figure 127616DEST_PATH_IMAGE047
和
Figure 463919DEST_PATH_IMAGE048
分别为第
Figure 720588DEST_PATH_IMAGE049
个可调节照明功率的负荷开始运行时间和运行结束时间；
第四构建单元，用于根据可削减负荷中可调节工作档位的负荷的用能模式信息构建可调节工作档位的负荷的能耗模型：
Figure 14165DEST_PATH_IMAGE050
；其中，
Figure 432508DEST_PATH_IMAGE051
，
Figure 928211DEST_PATH_IMAGE052
为第
Figure 457413DEST_PATH_IMAGE053
个可调节工作档位的负荷在t时刻处于e档位时的功率，
Figure 587918DEST_PATH_IMAGE054
为第
Figure 442741DEST_PATH_IMAGE055
个可调节工作档位的负荷在不同的档位
Figure 160161DEST_PATH_IMAGE056
的功率，
Figure 493054DEST_PATH_IMAGE057
和
Figure 743644DEST_PATH_IMAGE058
为第
Figure 707052DEST_PATH_IMAGE059
个可调节工作档位的负荷开始运行时间和运行结束时间。
本申请实施例提供的一种光储柔***运行控制装置，第一构建模块62可以包括：
第五构建单元，用于根据电池负荷的用能模式信息构建电池负荷的能耗模型：
Figure 911768DEST_PATH_IMAGE060
；其中，
Figure 48352DEST_PATH_IMAGE061
，
Figure 153449DEST_PATH_IMAGE062
，
Figure 350075DEST_PATH_IMAGE376
，
Figure 42087DEST_PATH_IMAGE377
，
Figure 44678DEST_PATH_IMAGE378
表示截止到t时刻第n个电池负荷存储的电量，
Figure 771326DEST_PATH_IMAGE379
表示第n个电池负荷的充电状态，当充电时其值为1，未充电时其值为0，
Figure 377669DEST_PATH_IMAGE380
为第n个电池负荷的充电功率，
Figure 822557DEST_PATH_IMAGE381
为充电效率，
Figure 238626DEST_PATH_IMAGE382
为时间间隔，
Figure 819780DEST_PATH_IMAGE383
表示截止到t-1时刻第n个电池负荷存储的电量，
Figure 686104DEST_PATH_IMAGE384
为第n个电池负荷在不同充电阶段的充电功率，
Figure 116823DEST_PATH_IMAGE385
为第n个电池负荷开始充电的时间，
Figure 336583DEST_PATH_IMAGE386
为第n个电池负荷充电阶段1的充电时长，
Figure 37823DEST_PATH_IMAGE387
表示第n个电池负荷在充电阶段1的充电状态，
Figure 75049DEST_PATH_IMAGE388
表示充电阶段1根据
Figure 963371DEST_PATH_IMAGE389
及
Figure 547674DEST_PATH_IMAGE390
划分出的子充电节点的个数，
Figure 41103DEST_PATH_IMAGE391
为第n个电池负荷充电阶段r的充电时长，
Figure 186914DEST_PATH_IMAGE392
为第n个电池负荷允许充电的时间范围，
Figure 890427DEST_PATH_IMAGE393
和
Figure 514307DEST_PATH_IMAGE394
分别为第n个电池负荷能够储存的最小电量和最大能量，
Figure 626357DEST_PATH_IMAGE395
为第n个电池负荷的总充电时长。
本申请实施例提供的一种光储柔***运行控制装置，第一构建模块62可以包括：
第六构建单元，用于构建蓄电池模型：
Figure 943069DEST_PATH_IMAGE087
；其中，
Figure 133879DEST_PATH_IMAGE088
，
Figure 561449DEST_PATH_IMAGE089
，
Figure 763891DEST_PATH_IMAGE090
，
Figure 579401DEST_PATH_IMAGE091
为蓄电池在t时刻内部的电量，
Figure 687866DEST_PATH_IMAGE092
为二元变量，充电为1，放电为0，
Figure 856810DEST_PATH_IMAGE093
和
Figure 241655DEST_PATH_IMAGE094
分别表示蓄电池的充电功率和放电功率，
Figure 696907DEST_PATH_IMAGE095
和
Figure 799992DEST_PATH_IMAGE096
分别表示蓄电池的充电效率和放电效率，
Figure 271163DEST_PATH_IMAGE097
为时间间隔，
Figure 838410DEST_PATH_IMAGE098
和
Figure 136667DEST_PATH_IMAGE099
分别表示蓄电池最大充电功率和最大放电功率，
Figure 727049DEST_PATH_IMAGE100
和
Figure 237796DEST_PATH_IMAGE101
分别表示蓄电池可以储存的最小电量和最大电量。
本申请实施例提供的一种光储柔***运行控制装置，第二构建模块63可以包括：
第七构建单元，用于构建优化模型：
Figure 564609DEST_PATH_IMAGE102
；
Figure 564927DEST_PATH_IMAGE103
代表决策变量构成的集合，
Figure 439342DEST_PATH_IMAGE104
，
Figure 816096DEST_PATH_IMAGE105
和
Figure 967723DEST_PATH_IMAGE106
分别表示蓄电池的充电功率和放电功率，
Figure 371897DEST_PATH_IMAGE107
为第i个温控负荷设定温度，
Figure 405712DEST_PATH_IMAGE108
为第j个可转移负荷开始运行的时间，
Figure 320579DEST_PATH_IMAGE109
为第m个可削减负荷的功率，
Figure 123450DEST_PATH_IMAGE110
表示第n个电池负荷的充电状态，
Figure 704385DEST_PATH_IMAGE111
为电网购电功率或卖电功率，
Figure 553392DEST_PATH_IMAGE112
表示优化模型的目标函数，
Figure 6370DEST_PATH_IMAGE113
表示用户运维费用，
Figure 132589DEST_PATH_IMAGE114
表示二氧化碳排放量，
Figure 645610DEST_PATH_IMAGE115
，
Figure 981913DEST_PATH_IMAGE116
表示电力自满足率，
Figure 737118DEST_PATH_IMAGE117
表示其中的不等式约束，
Figure 717843DEST_PATH_IMAGE118
表示其中的等式约束及电力平衡，其中，电力平衡为：
Figure 729661DEST_PATH_IMAGE119
，
Figure 225365DEST_PATH_IMAGE120
表示决策空间，
Figure 223408DEST_PATH_IMAGE121
为分布式光伏***在预测日的发电功率，
Figure 619492DEST_PATH_IMAGE122
为二元变量，充电为1，放电为0，
Figure 536632DEST_PATH_IMAGE123
为所有非柔性负荷的总用电功率，
Figure 785211DEST_PATH_IMAGE124
为第i个温控负荷在t时刻的输入功率，I为温控负荷的总量，
Figure 321366DEST_PATH_IMAGE125
为第j个可转移负荷在t时刻的功率，J为可转移负荷的总量，M为可削减负荷的总量，
Figure 73421DEST_PATH_IMAGE126
为第n个电池负荷的充电功率，N为电池负荷的总量。
本申请实施例提供的一种光储柔***运行控制装置，第二构建模块63可以包括：
求解单元，用于利用非支配排序的遗传算法、逼近理想值的排序方法和信息熵法，对优化模型进行求解，得到各类柔性负荷及蓄电池在预测日的运行计划。
本申请实施例提供的一种光储柔***运行控制装置，还可以包括：
接收模块，用于接收用户发送的分布式光伏***所在建筑中目标柔性负荷的用能属性信息。
本申请提供的一种光储柔***运行控制装置中相关部分的说明可以参见本申请实施例提供的一种光储柔***运行控制方法中对应部分的详细说明，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种光储柔***运行控制方法，其特征在于，包括：
根据分布式光伏***在预测日的天气数据计算所述分布式光伏***在预测日的发电功率，根据所述分布式光伏***所在建筑中非柔性负荷的历史用电数据确定所述非柔性负荷在所述预测日的用电功率；
确定所述分布式光伏***所在建筑中各类柔性负荷的用能属性信息，根据所述用能属性信息对应构建各类所述柔性负荷的响应模型，并根据蓄电池的信息构建蓄电池模型；根据所述用能属性信息对应构建各类所述柔性负荷的响应模型，包括：根据温控负荷的用能行为信息和用能模式信息构建所述温控负荷的热力学模型、制冷模式下的功率模型及制热模型下的功率模型；根据可转移负荷的用能模式信息构建所述可转移负荷的能耗模型；根据可削减负荷中可调节照明功率的负荷的用能模式信息构建所述可调节照明功率的负荷的能耗模型，根据可削减负荷中可调节工作档位的负荷的用能模式信息构建所述可调节工作档位的负荷的能耗模型；根据电池负荷的用能模式信息构建所述电池负荷的能耗模型；
根据所述分布式光伏***在预测日的发电功率、所述非柔性负荷在所述预测日的用电功率、各类所述柔性负荷的响应模型及所述蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，并对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划；
根据各类所述柔性负荷及所述蓄电池在所述预测日的运行计划对各类所述柔性负荷及所述蓄电池在所述预测日的运行进行相应控制；
根据所述分布式光伏***在预测日的发电功率、所述非柔性负荷在所述预测日的用电功率、各类所述柔性负荷的响应模型及所述蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，包括：
构建所述优化模型：
Figure FDA0003661536670000021
X代表决策变量构成的集合，
Figure FDA0003661536670000022
Figure FDA0003661536670000023
和
Figure FDA0003661536670000024
分别表示蓄电池的充电功率和放电功率，
Figure FDA0003661536670000025
为第i个温控负荷设定温度，
Figure FDA0003661536670000026
为第j个可转移负荷开始运行的时间，
Figure FDA0003661536670000027
为第m个可削减负荷的功率，
Figure FDA0003661536670000028
表示第n个电池负荷的充电状态，
Figure FDA0003661536670000029
为电网购电功率或卖电功率，f(X)表示所述优化模型的目标函数，f1(X)表示用户运维费用，f2(X)表示二氧化碳排放量，f3(X)＝-SSR，SSR表示电力自满足率，h(X)表示其中的不等式约束，g(X)表示其中的等式约束及电力平衡，其中，电力平衡为：
Figure FDA00036615366700000210
Ω表示决策空间，
Figure FDA00036615366700000211
为所述分布式光伏***在预测日的发电功率，μbat为二元变量，充电为1，放电为0，
Figure FDA00036615366700000212
为所有非柔性负荷的总用电功率，
Figure FDA00036615366700000213
为第i个温控负荷在t时刻的输入功率，I为温控负荷的总量，
Figure FDA00036615366700000214
为第j个可转移负荷在t时刻的功率，J为可转移负荷的总量，M为可削减负荷的总量，
Figure FDA00036615366700000215
为第n个电池负荷的充电功率，N为电池负荷的总量。
2.根据权利要求1所述的光储柔***运行控制方法，其特征在于，根据温控负荷的用能属性信息构建所述温控负荷的响应模型，包括：
根据温控负荷的用能行为信息和用能模式信息构建所述温控负荷的热力学模型：
Figure FDA0003661536670000031
制冷模式下的功率模型：
Figure FDA0003661536670000032
制冷模式下的二元变量Zi，t为：
Figure FDA0003661536670000033
制热模式下的功率模型：
Figure FDA0003661536670000034
制热模式下的二元变量Zi，t为：
Figure FDA0003661536670000035
其中，
Figure FDA0003661536670000036
Figure FDA0003661536670000037
θi，r+1为第i个温控负荷内部在t+1时刻的温度，ai为第i个温控负荷的温度系数，θi，t为第i个温控负荷内部在t时刻的温度，θa，t为第i个负荷所处的环境温度，U为温控负荷所处的工作模式，
Figure FDA0003661536670000038
为第i个温控负荷的输出功率，EIRi，t为第i个温控负荷的制冷性能系数，
Figure FDA0003661536670000041
为第i个温控负荷在t时刻的输入功率，Zi，t为二元变量，表示温控负荷的启停状态，COPi，t为第i个温控负荷的制热性能系数，Ri为第i个温控负荷的热阻，Ci为第i个温控负荷的热容，Δt为时间间隔，
Figure FDA0003661536670000042
为第i个温控负荷设定温度，δ为第i个温控负荷设定温度的阈值，
Figure FDA0003661536670000043
和
Figure FDA0003661536670000044
分别为第i个温控负荷设定温度的最小值和最大值，
Figure FDA0003661536670000045
和
Figure FDA0003661536670000046
分别为第i个温控负荷开始运行时间和运行结束时间。
3.根据权利要求1所述的光储柔***运行控制方法，其特征在于，根据可转移负荷的用能属性信息构建所述可转移负荷的响应模型，包括：
根据可转移负荷的用能模式信息构建所述可转移负荷的能耗模型：
Figure FDA0003661536670000047
其中，
Figure FDA0003661536670000048
Figure FDA0003661536670000049
为第j个可转移负荷在t时刻的功率，
Figure FDA00036615366700000410
为第j个可转移负荷在不同运行阶段的功率，
Figure FDA00036615366700000411
为第j个可转移负荷开始运行的时间，
Figure FDA0003661536670000051
为第j个可转移负荷在运行阶段w的运行时间，
Figure FDA0003661536670000052
为第j个可转移负荷允许工作的时间范围，Δhj为第j个可转移负荷的运行时长。
4.根据权利要求1所述的光储柔***运行控制方法，其特征在于，根据可削减负荷的用能属性信息构建所述可削减负荷的响应模型，包括：
根据可削减负荷中可调节照明功率的负荷的用能模式信息构建所述可调节照明功率的负荷的能耗模型：
Figure FDA0003661536670000053
其中，
Figure FDA0003661536670000054
Figure FDA0003661536670000055
为第m1个可调节照明功率的负荷在t时刻的功率，
Figure FDA0003661536670000056
为第m1个可调节照明功率的负荷在t时刻的调节因子，
Figure FDA0003661536670000057
为第m1个可调节照明功率的负荷的额定功率，
Figure FDA0003661536670000058
和
Figure FDA0003661536670000059
分别为第m1个可调节照明功率的负荷开始运行时间和运行结束时间；
根据可削减负荷中可调节工作档位的负荷的用能模式信息构建所述可调节工作档位的负荷的能耗模型：
Figure FDA00036615366700000510
其中，
Figure FDA00036615366700000511
Figure FDA00036615366700000512
为第m2个可调节工作档位的负荷在t时刻处于e档位时的功率，P1，P2，……，Pj为第m2个可调节工作档位的负荷在不同的档位D1，D2，......，Dj的功率，
Figure FDA0003661536670000061
和
Figure FDA0003661536670000062
为第m2个可调节工作档位的负荷开始运行时间和运行结束时间。
5.根据权利要求1所述的光储柔***运行控制方法，其特征在于，根据电池负荷的用能属性信息构建所述电池负荷的响应模型，包括；
根据电池负荷的用能模式信息构建所述电池负荷的能耗模型：
Figure FDA0003661536670000063
其中，
Figure FDA0003661536670000064
Figure FDA0003661536670000065
Figure FDA0003661536670000066
Figure FDA0003661536670000067
Figure FDA0003661536670000068
表示截止到t时刻第n个电池负荷存储的电量，
Figure FDA0003661536670000069
表示第n个电池负荷的充电状态，当充电时其值为1，未充电时其值为0，
Figure FDA0003661536670000071
为第n个电池负荷的充电功率，η为充电效率，Δt为时间间隔，
Figure FDA0003661536670000072
表示截止到t-1时刻第n个电池负荷存储的电量，
Figure FDA0003661536670000073
为第n个电池负荷在不同充电阶段的充电功率，
Figure FDA0003661536670000074
为第n个电池负荷开始充电的时间，
Figure FDA0003661536670000075
为第n个电池负荷充电阶段1的充电时长，
Figure FDA0003661536670000076
表示第n个电池负荷在充电阶段1的充电状态，S1表示充电阶段1根据
Figure FDA0003661536670000077
及Δt划分出的子充电节点的个数，
Figure FDA0003661536670000078
为第n个电池负荷充电阶段r的充电时长，
Figure FDA0003661536670000079
为第n个电池负荷允许充电的时间范围，
Figure FDA00036615366700000710
和
Figure FDA00036615366700000711
分别为第n个电池负荷能够储存的最小电量和最大能量，Δhn为第n个电池负荷的总充电时长。
6.根据权利要求1所述的光储柔***运行控制方法，其特征在于，根据蓄电池的信息构建蓄电池模型，包括：
构建所述蓄电池模型：
Figure FDA00036615366700000712
其中，
Figure FDA00036615366700000713
Figure FDA00036615366700000714
Figure FDA0003661536670000081
为蓄电池在t时刻内部的电量，μbat为二元变量，充电为1，放电为0，
Figure FDA0003661536670000082
和
Figure FDA0003661536670000083
分别表示蓄电池的充电功率和放电功率，
Figure FDA0003661536670000084
和
Figure FDA0003661536670000085
分别表示蓄电池的充电效率和放电效率，Δt为时间间隔，
Figure FDA0003661536670000086
和
Figure FDA0003661536670000087
分别表示蓄电池最大充电功率和最大放电功率，
Figure FDA0003661536670000088
和
Figure FDA0003661536670000089
分别表示蓄电池可以储存的最小电量和最大电量。
7.根据权利要求1所述的光储柔***运行控制方法，其特征在于，对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划包括：
利用非支配排序的遗传算法、逼近理想值的排序方法和信息熵法，对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划。
8.根据权利要求1所述的光储柔***运行控制方法，其特征在于，还包括：
接收用户发送的所述分布式光伏***所在建筑中目标柔性负荷的用能属性信息。
9.一种光储柔***运行控制装置，其特征在于，包括：
计算模块，用于根据分布式光伏***在预测日的天气数据计算所述分布式光伏***在预测日的发电功率，根据所述分布式光伏***所在建筑中非柔性负荷的历史用电数据确定所述非柔性负荷在所述预测日的用电功率；
第一构建模块，用于确定所述分布式光伏***所在建筑中各类柔性负荷的用能属性信息，根据所述用能属性信息对应构建各类所述柔性负荷的响应模型，并根据蓄电池的信息构建蓄电池模型；所述第一构建模块，具体用于根据温控负荷的用能行为信息和用能模式信息构建所述温控负荷的热力学模型、制冷模式下的功率模型及制热模型下的功率模型；根据可转移负荷的用能模式信息构建所述可转移负荷的能耗模型；根据可削减负荷中可调节照明功率的负荷的用能模式信息构建所述可调节照明功率的负荷的能耗模型，根据可削减负荷中可调节工作档位的负荷的用能模式信息构建所述可调节工作档位的负荷的能耗模型；根据电池负荷的用能模式信息构建所述电池负荷的能耗模型；
第二构建模块，用于根据所述分布式光伏***在预测日的发电功率、所述非柔性负荷在所述预测日的用电功率、各类所述柔性负荷的响应模型及所述蓄电池模型，以用户运维费用最小、二氧化碳排放量最小及电力自满足率最大为目标构建优化模型，并对所述优化模型进行求解，得到各类所述柔性负荷及所述蓄电池在预测日的运行计划；
控制模块，用于根据各类所述柔性负荷及所述蓄电池在所述预测日的运行计划对各类所述柔性负荷及所述蓄电池在所述预测日的运行进行相应控制；
所述第二构建模块包括：
第七构建单元，用于构建所述优化模型：
Figure FDA0003661536670000091
X代表决策变量构成的集合，
Figure FDA0003661536670000092
Figure FDA0003661536670000093
和
Figure FDA0003661536670000094
分别表示蓄电池的充电功率和放电功率，
Figure FDA0003661536670000095
为第i个温控负荷设定温度，
Figure FDA0003661536670000096
为第j个可转移负荷开始运行的时间，
Figure FDA0003661536670000097
为第m个可削减负荷的功率，
Figure FDA0003661536670000101
表示第n个电池负荷的充电状态，
Figure FDA0003661536670000102
为电网购电功率或卖电功率，f(X)表示所述优化模型的目标函数，f1(X)表示用户运维费用，f2(X)表示二氧化碳排放量，f3(X)＝-SSR，SSR表示电力自满足率，h(X)表示其中的不等式约束，g(X)表示其中的等式约束及电力平衡，其中，电力平衡为：
Figure FDA0003661536670000103
Ω表示决策空间，
Figure FDA0003661536670000104
为所述分布式光伏***在预测日的发电功率，μbat为二元变量，充电为1，放电为0，
Figure FDA0003661536670000105
为所有非柔性负荷的总用电功率，
Figure FDA0003661536670000106
为第i个温控负荷在t时刻的输入功率，I为温控负荷的总量，
Figure FDA0003661536670000107
为第j个可转移负荷在t时刻的功率，J为可转移负荷的总量，M为可削减负荷的总量，
Figure FDA0003661536670000108
为第n个电池负荷的充电功率，N为电池负荷的总量。
CN202210335813.0A 2022-04-01 2022-04-01 一种光储柔***运行控制方法及装置 Active CN114418249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210335813.0A CN114418249B (zh) 2022-04-01 2022-04-01 一种光储柔***运行控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210335813.0A CN114418249B (zh) 2022-04-01 2022-04-01 一种光储柔***运行控制方法及装置

Publications (2)

Publication Number Publication Date
CN114418249A CN114418249A (zh) 2022-04-29
CN114418249B true CN114418249B (zh) 2022-07-08

Family

ID=81263761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210335813.0A Active CN114418249B (zh) 2022-04-01 2022-04-01 一种光储柔***运行控制方法及装置

Country Status (1)

Country Link
CN (1) CN114418249B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115051415B (zh) * 2022-08-15 2022-10-28 苏州思萃融合基建技术研究所有限公司 基于ai预测的光储直柔***配电策略决策方法及装置
CN115994627B (zh) * 2023-03-22 2023-07-14 湖南大学 住宅建筑柔性负荷日前优化调度方法、装置、设备、介质
CN116151032B (zh) * 2023-04-17 2023-07-14 湖南大学 住宅建筑动态负荷柔性潜力计算方法、装置、设备及介质
CN116365592B (zh) * 2023-06-01 2023-08-15 湖南大学 一种光储柔***设计与运行协同优化方法、装置、介质
CN116488223A (zh) * 2023-06-26 2023-07-25 湖南大学 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质
CN116901774B (zh) * 2023-09-11 2023-11-14 南京安充智能科技有限公司 基于全网通充电桩的柔性配电方法、***及存储介质
CN117892982B (zh) * 2024-03-14 2024-06-21 国家电投集团云南国际电力投资有限公司 光储直柔建筑的用电调度方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109861290A (zh) * 2019-03-14 2019-06-07 国网上海市电力公司 一种考虑多种柔性负荷的综合能源***优化调度方法
CN111224393A (zh) * 2018-11-27 2020-06-02 青岛海尔智能技术研发有限公司 智能家居电能调度优化方法、装置及存储介质
CN112186755A (zh) * 2020-09-25 2021-01-05 东南大学 一种区域综合能源***柔性负荷储能化建模方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能***优化运行方法
CN113690879A (zh) * 2021-08-05 2021-11-23 燕山大学 考虑电-热柔性负荷的区域综合能源***容量配置方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104505864B (zh) * 2014-12-12 2016-09-21 国家电网公司 用于消纳分布式发电的需求响应控制策略仿真***和方法
CN109462256B (zh) * 2018-11-28 2020-11-24 燕山大学 一种基于柔性负荷的光伏电力***优化调度方法及***
CN112733236B (zh) * 2021-01-08 2024-03-26 国网北京市电力公司 面向综合舒适度的建筑内温控负荷优化方法及***
CN112874373B (zh) * 2021-04-08 2022-06-21 湖南大学 基于充电站负荷调度的有序充电控制方法、***及介质
CN113869793A (zh) * 2021-10-21 2021-12-31 国网四川省电力公司经济技术研究院 一种基于需求响应和经济运行的多能微网调控方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111224393A (zh) * 2018-11-27 2020-06-02 青岛海尔智能技术研发有限公司 智能家居电能调度优化方法、装置及存储介质
CN109861290A (zh) * 2019-03-14 2019-06-07 国网上海市电力公司 一种考虑多种柔性负荷的综合能源***优化调度方法
CN112186755A (zh) * 2020-09-25 2021-01-05 东南大学 一种区域综合能源***柔性负荷储能化建模方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能***优化运行方法
CN113690879A (zh) * 2021-08-05 2021-11-23 燕山大学 考虑电-热柔性负荷的区域综合能源***容量配置方法

Also Published As

Publication number Publication date
CN114418249A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114418249B (zh) 一种光储柔***运行控制方法及装置
CN110866641B (zh) 计及源储荷协同的多能互补***两级优化调度方法及***
Fanti et al. A simulation and control model for building energy management
CN110009122B (zh) 户用多能互补综合能源利用***能量优化调度方法及***
TWI441407B (zh) 用以分配電能之方法及裝置以及電腦可讀取媒體
US11971185B2 (en) Method for improving the performance of the energy management in a nearly zero energy building
CN110705776A (zh) 能源优化调度方法
CN111339689B (zh) 建筑综合能源调度方法、***、存储介质及计算机设备
Zhang et al. Optimization algorithm for home energy management system based on artificial bee colony in smart grid
CN112419087B (zh) 一种聚合综合能源楼宇的虚拟电厂日前优化调度方法
Abdulaal et al. Two-stage discrete-continuous multi-objective load optimization: An industrial consumer utility approach to demand response
CN111340270B (zh) 基于信息交互的家庭能量智能优化方法
CN110474370B (zh) 一种空调可控负荷、光伏储能***的协同控制***及方法
CN114841409A (zh) 联合lstm和深度强化学习的家庭能源管理方法及介质
CN111027747A (zh) 一种考虑用户舒适度风险偏好的家庭能量控制方法
Chellaswamy et al. A framework for building energy management system with residence mounted photovoltaic
CN113328432A (zh) 一种家庭能量管理优化调度方法及***
CN115241927B (zh) 家庭智慧能源***运行控制方法、装置、设备及介质
Bai et al. Flexibility quantification and enhancement of flexible electric energy systems in buildings
CN116365592B (zh) 一种光储柔***设计与运行协同优化方法、装置、介质
JP5847650B2 (ja) エネルギー管理システム、サーバ装置、エネルギー管理方法およびプログラム
Chitsuphaphan et al. Stochastic Programming for Residential Energy Management with Electric Vehicle under Photovoltaic Power Generation Uncertainty
CN116934115B (zh) 一种考虑时变虚拟储能的实时端对端能量交易方法
Ren et al. A Home Energy Management System Optimization Model Based on DNN and RL Adapting to Users’ Uncertain Behaviors
Athanasiadis et al. Energy Management for Building-Integrated Microgrids Using Reinforcement Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant