CN103248064B - 一种复合型能源充电储能系统及其方法 - Google Patents

Abstract

本发明公开了一种复合型能源充电储能系统及其方法，系统包括监控调度模块、多个充电机，与外部电网连接的配电模块，光伏发电模块、风力发电模块以及用于储能的综合储能模块，各模块通过直流母线连接，并通过数据母线连接到监控调度模块。系统采集所需的参数，建立复合型能源充电储能系统的经济调度数学模型，并使用改进型粒子群算法得到最优的调度指令。本发明具有环保、减小对电网的冲击、运行稳定，同时具有运行效率高，实现经济运行。

Description

一种复合型能源充电储能系统及其方法

技术领域

本发明涉及一种复合型能源充电储能系统及其方法。

背景技术

电动汽车是指以车载电源为动力，用电机驱动车轮行驶，具有节能环保等优点。随着低碳经济成为我国经济发展的主旋律，电动汽车作为新能源战略和智能电网的重要组成部分，以及国务院确定的战略性新兴产业之一，必将成为今后中国汽车工业和能源产业发展的重点。然而，电动汽车产业是一项系统工程，电动汽车充电站则是主要环节之一，电动汽车充电站是指为电动汽车充电的站点，与现在的加油站相似，必须与电动汽车其他领域实现共同协调发展。目前国内已有或在建的电动汽车充电站，大多采用国家电网直接给电池充电的方法，如在白天用电高峰，大量的电动汽车需要充电，这就会对电网造成影响，同时依赖于电网供电，一旦电网出现故障，便无法继续满足电动汽车充换电服务。另外电动汽车快速充电需要瞬时强大的功率电力，常规电网也是基本无法满足，而要建专用充电网络，这涉及整个国家电网改造，国家电网大改造不是小事，耗资巨大。

发明内容

为了避免给国家电网造成严重负荷，实现电动汽车与电动汽车充电站的共同协调发展，本发明提供一种复合型能源充电储能系统及其方法的设计方案。

一种复合型能源充电储能系统，包括监控调度模块，监控调度模块连接于用于传输数据的数据总线上，还包括多个充电机，各充电机通过对应的DC/DC转换器连接到用于输电的直流母线上，DC/DC转换器通过数据总线与监控调度模块连接，并设置有与直流母线连接的用于与外部电网连接的配电模块，还包括连接到直流母线上的光伏发电模块、风力发电模块以及用于储能的综合储能模块。

具体的，所述光伏发电模块通过其对应的DC/DC转换器连接到直流母线，所述风力发电模块通过其对应的AC/DC转换器连接到直流母线，所述DC/DC转换器及AC/DC转换器均通过数据总线与监控调度模块连接。

更具体的，配电模块通过其对应的多个双向DC/AC转换器与直流母线连接；

所述多个双向DC/AC转换器均通过数据总线与监控调度模块连接。

进一步的，所述综合储能模块包括通过相对应的双向DC/DC转换器连接到直流母线的储能电池组、电动汽车换电电池组、储能及换电互用电池组以及直接连接到直流母线的超级电容器组；所述储能电池组、电动汽车换电电池组、储能及换电互用电池组一一对应的电池管理系统BMS；超级电容组设置有超级电容管理系统CMS；所述双向DC/DC转换器、池管理系统BMS及超级电容管理系统CMS均通过数据总线与监控调度模块连接。

更进一步的，还包括交流微网及直流微网，交流微网及直流微网分别通过对应的DC/AC转换器、DC/DC转换器连接到直流母线上。

一种复合型能源充电储能方法，包括以下步骤：

(1)采集当前综合储能系统实时可充放超级电容量Q_e(t)及充放电功率P_e.C(t)，次日负荷预测曲线P_Fl(t)、次日光照预测强度曲线S_F(t)、次日风速预测曲线W_F(t)、次日功率需求预测曲线P_Fv(t)，根据当前实时数据和次日预测数据，计算出t时刻，第e个储能单元可充放超级电容量Q_e(t)范围及充放电功率大小P_e.C(t)、P_e.disC(t)范围和第j台发电系统的出力P_j(t)范围，其中t＝1,2,3,…,24。

(2)建立复合型能源充电储能系统的经济调度数学模型：

$F=\left\{\begin{array}{c}\min \left(\mathrm{\Δ}V\right)=\underset{i=1}{\overset{n}{\Σ}}{\left(\frac{V_i-V_{i.\lim }}{V_{i.\max }-V_{i.\mathrm{mi}m}}\right)}^2\\ \max \left(E\right)=\max \left\{\begin{array}{c}\underset{t=0}{\overset{T}{\Σ}}\[\underset{j=1}{\overset{m}{\Σ}}{\∂}_j\left(t\right)\·P_j\left(t\right)\·s_j\left(t\right)\·\mathrm{\Δ}t-\underset{x=1}{\overset{y}{\Σ}}{\mathrm{\β}}_e\left(P_e\right(t\left)\right)\·P_e\left(t\right)\·s_e\left(t\right)\·\mathrm{\Δ}t\],\\ -\underset{x=1}{\overset{y}{\Σ}}{\mathrm{\ξ}}_{xB}\·{\mathrm{\γ}}_{xB}\·P_{xB}\end{array}\right\}\end{array}\right.$ ，

其中，ΔV为电压偏差，即电网某节点的电压与系统标称电压之差对系统标称电压的百分数，E为复合型能源充电储能系统运行效率，n为电网运行中的节点数，V_i为节点i的电压，V_i.lim为节点i电压偏差限制量，V_i.max、V_imin分别为节点i电压的上下限；T为运行周期；m为发电机数量，具体指光伏发电模块与风力发电模块中的发电单元总数；为第j台发电机在t时段的报价函数；P_j(t)为第j台发电机t时段的出力；s_j(t)为j台发电机t时段的状态；Δt为时间段；y为储能单元数量，即综合储能模块中的各个储能单元总数；β_e(P_e(t))为综合储能系统充放电的阶梯电价函数；P_e(t)为第e个储能单元在t时刻的出力；s_e(t)为第e个储能单元的充放电状态；ξ_xB为第x个储能单元的折旧系数；γ_xB为第x个储能单元的充放电次数，P_xB为第x个储能单元的成本；

(3)建立约束条件，利用改进型粒子群算法计算步骤2所述数学模型的最优解；

(4)根据步骤(3)得到的最优解进行相应的调度指令。

具体的，步骤(3)所述约束条件为：

(A)负荷平衡约束：

$\underset{j=1}{\overset{m}{\Σ}}{P}_j\left(t\right)\·s_j\left(t\right)-\underset{e=1}{\overset{y}{\Σ}}{P}_e\left(t\right)\·s_e\left(t\right)-P_{loss}\left(t\right)-P_l\left(t\right)=0,$

其中，P_loss(t)为t时段的损耗功率，P_l(t)为平衡电网的负荷功率，t＝1,2,3,…,T；

(B)电站负荷备用约束：

$\underset{j=1}{\overset{m}{\Σ}}{P}_{Fj}\left(t\right)+\underset{k=1}{\overset{y}{\Σ}}\mathrm{\υ}\·P_{Fe}\left(t\right)-P_{Fl}\left(t\right)-P_{Fv}\left(t\right)\≥P_S\left(t\right),$

其中，P_S(t)为在t时段的备用功率，P_Fj(t)为发电系统在次日t时段的出力，P_Fl(t)为电网在次日t时刻的负荷预测，P_Fv(t)为电动汽车在次日t时段的功率需求预测，υ为常数，1为充电，-1为放电，t＝0,1,2,…,T。

(C)发电机功率限制：

P_j.min(t)≤P_j(t)≤P_j.max(t)，

其中P_j.min(t)、P_j.max(t)分别为第j台发电机输出功率的下限和上限；

(D)储能单元容量限制：

Q_e.min(t)≤Q_e(t)≤Q_e.max(t)，

其中Q_e.min(t)、Q_e.max(t)分别为第e个储能单元的容量下限和上限；

(E)储能单元充电功率限制：

P_e.C.min(t)≤P_e.C(t)≤P_e.C.max(t)，

其中P_e.C.min(t)、P_e.C.max(t)分别为第e个储能单元充电功率的最小值和最大值；

(F)储能单元放电功率限制：

P_e.disC.min(t)≤P_e.disC(t)≤P_e.disC.max(t)，

其中P_e.disC.min(t)、P_e.disC.max(t)分别为第e个储能单元放电功率的最小值和最大值。

更具体的，所述改进型粒子群算法的实现步骤为：

(I)在整个系统允许的范围内随机产生粒子的初始位置和速度，根据约束条件，计算出相应的个体极值P_ibest和全局极值G_best，记录最好粒子的序号，将G_best设置为该最好粒子的位置。

(II)根据目标函数，计算每个粒子的适应度，若优于该粒子的个体极值，则将P_ibest设置为该粒子的位置，并更新粒子的位置；如所有粒子的个体极值中最好的优于当前全局极值G_best，将G_best设置为该粒子的位置，并更新全局极值。

(III)选取一定比例在种群中对P_ibest适应度好的粒子的信息，对每个粒子的位置和速度进行更新。

(IV)检验是否符合结束条件，如果迭代次数达到预先设定的最大次数，停止迭代，输出最优解，否则转到步骤(II)。

进一步的，所述更新粒子的方法为：

$\left\{\begin{array}{c}{V}_i^{k+1}={\mathrm{\ωV}}_i^k+c_1{r}_1\×(P_{ibest}^k-X_i^k)+\frac{1}{\mathrm{\θ}}\underset{i=1}{\overset{\mathrm{\θ}}{\Σ}}{c}_{2i}\·r_2\×(G_{best}^k-X_i^k)\\ X_i^{k+1}=X_i^k+V_i^{k+1}\end{array}\right.,$ ，

上式中是第k代粒子i的速度，ω为非负常数，称为惯性因子，c₁、c₂为非负常数，称为学习因子，r₁、r₂是均匀分布在(0,1)之间的随机数，θ为一定比例的粒子数量，取0.08倍种群数并四舍五入取整。

综上所述，本发明具有以下有益效果：(1)本发明所述复合型能源充电储能系统能够充分利用电站及周边场地资源，使用风能和太阳能为主要能量来源，干净、无污染；(2)使用风能和太阳能也能够减轻电网负荷，降低了充电成本；(3)通过综合储能模块，配备若干数量的待换电池、超级电容器，不仅能满足电动汽车充换电电池的需求，对用电高峰时平衡电网负荷，减小电网冲击优势明显，充电系统不受电网短时故障影响；(4)能够利用夜间国家电网电费较低的特点，通过综合储能模块进行蓄能，从而到降低充电成本的目的；(5)利用改进型粒子群优化算法，对标准的粒子群算法在搜寻最优解的过程进行改进，加强了种群中粒子之间的信息共享，优化迭代进程，大大提高算法的精确度以及算法的收敛能力；(6)利用经济调度数学模型，在平衡电网负荷的前提下，综合考虑阶梯电价，电池循环寿命，太阳能风能最大功率跟踪，提高复合型能源充电储能系统的运行效率，实现经济运行。

附图说明

图1为本发明所述一种复合型能源充电储能系统整体结构示意图。

具体实施方式

为了让本领域的技术人员能够更好地了解本发明的技术方案，下面结合附图对本发明作进一步的阐述。

如图1所示，本发明揭示了一种复合型能源充电储能系统(下称充电系统)，包括监控调度模块，监控调度模块连接于用于传输数据的数据总线上，还包括多个充电机，各充电机通过对应的DC/DC转换器连接到用于输电的直流母线上，DC/DC转换器通过数据总线与监控调度模块连接，并设置有与直流母线连接的用于与外部电网连接的配电模块，还包括连接到直流母线(DCBUS)上的光伏发电模块、风力发电模块以及用于储能的综合储能模块。

复合型能源充电储能系统利用光伏发电模块、风力发电模块进行发电，光伏发电模块通过DC/DC转换器将电能输送到直流母线(DCBUS)，风力发电模块通过AC/DC转换器将电能输送到直流母线。并利用配电模块与外部的电网连接，配电模块通过其对应的多个双向DC/AC转换器将外部电网的电能输送到直流母线；所述与配电模块对应的多个双向DC/AC转换器均通过数据总线与监控调度模块连接。

综合储能模块包括通过相对应的双向DC/DC转换器连接到直流母线的储能电池组、电动汽车换电电池组、储能及换电互用电池组，以及直接连接到直流母线的超级电容器组。储能电池组能够将来自复合型能源充电储能系统的富于电能进行存储、备用，在用电高峰而又有大量的电动汽车需要充电时能够提供备用电能，有利于平衡电网负荷，减少对电网的冲击；电动汽车换电电池组用于电动汽车换电池业务，对电动汽车的更换下来的电池进行充电；储能及换电互用电池组是兼具储能和电动汽车换电池业务，一般情况下储能及换电互用电池组作用与储能电池组相同，用于储能，但遇到电动汽车换电电池组的电动汽车换电池用完或不够时，此时储能及换电互用电池组可提供备用电动汽车换电电池。超级电容器组将来自复合型能源充电储能系统的电能进行存储，然后通过超级电容给电动汽车换电电池组、储能及换电互用电池组提供平稳充电电流。

储能及换电互用电池组使用的电池型号和特性应和电动汽车换电池组特性一致。储能用电池组电池型号和特性可以和电动汽车换电池组特性不一致，根据实际需求进行选择。

所述储能电池组、电动汽车换电电池组、储能及换电互用电池组分别设置有一一对应的电池管理系统BMS；超级电容组设置有超级电容管理系统CMS；所述双向DC/DC转换器、池管理系统BMS及超级电容管理系统CMS均通过数据总线与监控调度模块连接。监控调度模块根据需求，通过各个BMS与CMS，调度控制综合储能模块的储能电池组、电动汽车换电电池组、储能及换电互用电池组以及超级电容器组利用来自直流母线的电能进行蓄能。

一般情况下，充电系统充电的电能均是来自复合型能源充电储能系统，而当监控调度模块判断充电系统只依靠复合型能源充电储能系统无法提供足够的电能时，监控调度模块通过配电模块使用电网提供电能。

充电系统还包括分别为交流负载及直流负载供电的交流微网及直流微网，如为整个充电站的交流负载与直流负载供电。交流微网及直流微网分别通过对应的DC/AC转换器、DC/DC转换器连接到直流母线上。

另外，需要说明的是，如图1所示，上述所有DC/AC转换器、双向DC/DC转换器、电池管理系统BMS等都通过数据总线(DataBUS)连接于监控调度模块，并按照监控调度模块的指令工作。

一种复合型能源充电储能方法，包括以下步骤：

(1)监控调度模块采集当前综合储能系统实时可充放超级电容量Q_e(t)及充放电功率P_e.C(t)，次日负荷预测曲线P_Fl(t)、次日光照预测强度曲线S_F(t)、次日风速预测曲线W_F(t)、次日功率需求预测曲线P_Fv(t)，根据当前实时数据和次日预测数据，计算出t时刻，第e个储能单元可充放超级电容量Q_e(t)范围及充放电功率大小P_e.C(t)、P_e.disC(t)范围和第j台发电系统的出力P_j(t)范围，其中t＝1,2,3,…,24。

(2)建立复合型能源充电储能系统的经济调度数学模型：

$F=\left\{\begin{array}{c}min\left(\mathrm{\Δ}V\right)\\ max\left(E\right)\end{array}\right.;$

其中，ΔV为电压偏差，即电网某节点的电压与系统标称电压之差对系统标称电压的百分数，E为复合型能源充电储能系统运行效率。

电压偏差的目标函数就是节点的电压偏差最小化。则其目标函数为：

$min\left(\mathrm{\Δ}V\right)=\underset{i=1}{\overset{n}{\Σ}}{\left(\frac{V_i-V_{i.\lim }}{V_{i.max}-V_{i.\min }}\right)}^2;$

其中，n为电网运行中的节点数，V_i为节点i的电压，V_i.lim为节点i的电压偏差限制量，V_i.max、V_imin分别为节点i电压的上下限。

运行效率的目标函数就是符合电站获得最好的经济效益，在保证电压满足要求范围内通过对电站的风力发电模块和光伏发电模块实现MPPT最大功率点跟踪，再者根据阶梯电价相关规定，结合综合储能系统电池的寿命，合理的充放电控制，可得目标函数为：

$\max \left(E\right)=\max \left\{\begin{array}{c}\underset{t=0}{\overset{T}{\Σ}}\[\underset{j=1}{\overset{m}{\Σ}}{\∂}_j\left(t\right)\·P_j\left(t\right)\·s_j\left(t\right)\·\mathrm{\Δ}t-\underset{x=1}{\overset{y}{\Σ}}{\mathrm{\β}}_e\left(P_e\right(t\left)\right)\·P_e\left(t\right)\·s_e\left(t\right)\·\mathrm{\Δ}t\]\\ -\underset{x=1}{\overset{y}{\Σ}}{\mathrm{\ξ}}_{xB}\·{\mathrm{\γ}}_{xB}\·P_{xB}\end{array}\right\}.$ 。

则有：

$F=\left\{\begin{array}{c}\min \left(\mathrm{\Δ}V\right)=\underset{i=1}{\overset{n}{\Σ}}{\left(\frac{V_i-V_{i.\lim }}{V_{i.\max }-V_{i.\mathrm{mi}m}}\right)}^2\\ \max \left(E\right)=\max \left\{\begin{array}{c}\underset{t=0}{\overset{T}{\Σ}}\[\underset{j=1}{\overset{m}{\Σ}}{\∂}_j\left(t\right)\·P_j\left(t\right)\·s_j\left(t\right)\·\mathrm{\Δ}t-\underset{x=1}{\overset{y}{\Σ}}{\mathrm{\β}}_e\left(P_e\right(t\left)\right)\·P_e\left(t\right)\·s_e\left(t\right)\·\mathrm{\Δ}t\]\\ -\underset{x=1}{\overset{y}{\Σ}}{\mathrm{\ξ}}_{xB}\·{\mathrm{\γ}}_{xB}\·P_{xB}\end{array}\right\}\end{array}\right.,$ ，

其中，T为运行周期，本实施例为24(小时)；m为发电机数量，具体指光伏发电模块与风力发电模块中的发电单元总数；为第j台发电机在t时段的报价函数；P_j(t)为第j台发电机t时段的出力；s_j(t)为j台发电机t时段的状态，0为停机状态，1为最大发电状态；Δt为时间段，本实施例为0.5小时；y为储能单元数量；β_e(P_e(t))为综合储能系统充放电的阶梯电价函数；P_e(t)为第e个储能单元在t时刻的出力；s_e(t)为第e个储能单元的充放电状态；ξ_xB为第x个储能单元的折旧系数；γ_xB为第x个储能单元的充放电次数，P_xB为第x个储能单元的成本。

(3)建立约束条件：

(A)负荷平衡约束：

$\underset{j=1}{\overset{m}{\Σ}}{P}_j\left(t\right)\·s_j\left(t\right)-\underset{e=1}{\overset{y}{\Σ}}{P}_e\left(t\right)\·s_e\left(t\right)-P_{loss}\left(t\right)-P_l\left(t\right)=0,$

其中，P_loss(t)为t时段的损耗功率，P_l(t)为平衡电网的负荷功率，t＝1,2,3,…,T；

(B)电站负荷备用约束：

$\underset{j=1}{\overset{m}{\Σ}}{P}_{Fj}\left(t\right)+\underset{k=1}{\overset{y}{\Σ}}\mathrm{\υ}\·P_{Fe}\left(t\right)-P_{Fl}\left(t\right)-P_{Fv}\left(t\right)\≥P_S\left(t\right),$

其中，P_S(t)为在t时段的备用功率，P_Fj(t)为发电系统在次日t时段的出力，P_Fl(t)为电网在次日t时刻的负荷预测，P_Fv(t)为电动汽车在次日t时段的功率需求预测，υ为常数，1为充电，-1为放电，t＝0,1,2,…,T。

(C)发电机功率限制：

P_j.min(t)≤P_j(t)≤P_j.max(t)，

其中P_j.min(t)、P_j.max(t)分别为第j台发电机输出功率的下限和上限；

(D)储能单元容量限制：

Q_e.min(t)≤Q_e(t)≤Q_e.max(t)，

其中Q_e.min(t)、Q_e.max(t)分别为第e个储能单元的容量下限和上限；

(E)储能单元充电功率限制：

P_e.C.min(t)≤P_e.C(t)≤P_e.C.max(t)，

其中P_e.C.min(t)、P_e.C.max(t)分别为第e个储能单元充电功率的最小值和最大值；

(F)储能单元放电功率限制：

P_e.disC.min(t)≤P_e.disC(t)≤P_e.disC.max(t)，

其中P_e.disC.min(t)、P_e.disC.max(t)分别为第e个储能单元放电功率的最小值和最大值。

利用改进型粒子群算法计算步骤2所述数学模型的最优解，实现步骤为：

(I)在整个系统允许的范围内随机产生粒子的初始位置和速度，根据约束条件，计算出相应的个体极值P_ibest和全局极值G_best，记录最好粒子的序号，将G_best设置为该最好粒子的位置；对于本系统来说，其实际意义为对第m-1个发电机组和y-1个储能单元，在满足各节点电压允许的范围内，随即产生各发电机组的发电状态和储能单元的充放电状态，利用约束条件，求解第m台发电机发电状态和第y个储能单元的充放电状态。

(II)根据目标函数，计算每个粒子的适应度，若优于该粒子的个体极值，则将P_ibest设置为该粒子的位置，并更新粒子的位置；如所有粒子的个体极值中最好的优于当前全局极值G_best，将G_best设置为该粒子的位置，并更新全局极值。

(III)更新粒子，对每个粒子的位置和速度进行更新。标准的粒子群算法中每个粒子只根据个体极值P_ibest和全局极值G_best两个信息来更新粒子自身的位置和速度，没有考虑其它粒子的信息。本发明利用改进型粒子群算法，选取一定比例在种群中对P_ibest适应度好的粒子的信息，修正下一次迭代各粒子的策略，这种改进型粒子群算法能提高算法的准确度和算法的收敛性。方法如下：

$\left\{\begin{array}{c}{V}_i^{k+1}={\mathrm{\ωV}}_i^k+c_1{r}_1\×(P_{ibest}^k-X_i^k)+\frac{1}{\mathrm{\θ}}\underset{i=1}{\overset{\mathrm{\θ}}{\Σ}}{c}_{2i}\·r_2\×(G_{best}^k-X_i^k)\\ X_i^{k+1}=X_i^k+V_i^{k+1}\end{array}\right.;$ ；

其中是第k代粒子i的速度，ω为非负常数，称为惯性因子，c₁、c₂为非负常数，称为学习因子，r₁、r₂是均匀分布在(0,1)之间的随机数，θ为一定比例的粒子数量，取0.08倍种群数并四舍五入取整。

(IV)检查是否符合结束条件，如果迭代次数达到预先设定的最大次数，停止迭代，输出最优解，否则转到步骤(II)。

(4)根据步骤(3)得到的最优解进行相应的调度指令，根据电网稳定性和经济效益运行原则进行合理的能量调度。

本实施例只是本发明的较优实施方式，需要说明的是，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种复合型能源充电储能系统，包括监控调度模块，监控调度模块连接于用于传输数据的数据总线上，还包括多个充电机，各充电机通过对应的DC/DC转换器连接到用于输电的直流母线上，DC/DC转换器通过数据总线与监控调度模块连接，并设置有与直流母线连接的用于与外部电网连接的配电模块，其特征在于，还包括连接到直流母线上的光伏发电模块、风力发电模块以及用于储能的综合储能模块；所述光伏发电模块通过其对应的DC/DC转换器连接到直流母线，所述风力发电模块通过其对应的AC/DC转换器连接到直流母线；所述DC/DC转换器及AC/DC转换器均通过数据总线与监控调度模块连接；

配电模块通过其对应的多个双向DC/AC转换器与直流母线连接；所述多个双向DC/AC转换器均通过数据总线与监控调度模块连接；

所述综合储能模块包括通过相对应的双向DC/DC转换器连接到直流母线的储能电池组、电动汽车换电电池组、储能及换电互用电池组，以及直接连接到直流母线的超级电容器组；所述储能电池组、电动汽车换电电池组、储能及换电互用电池组分别设置有一一对应的电池管理系统BMS；超级电容组设置有超级电容管理系统CMS；

所述双向DC/DC转换器、电池管理系统BMS及超级电容管理系统CMS均通过数据总线与监控调度模块连接。

2.根据权利要求1所述复合型能源充电储能系统，其特征在于：还包括分别为整个系统内的交流负载和直流负载提供电能的交流微网及直流微网，交流微网及直流微网分别通过对应的DC/AC转换器、DC/DC转换器连接到直流母线上；所述DC/AC转换器、DC/DC转换器均通过数据总线与监控调度模块连接。

3.一种复合型能源充电储能方法，其特征在于：包括以下步骤：

(1)采集当前综合储能系统实时可充放超级电容量Q_e(t)及充放电功率P_e.C(t)，次日负荷预测曲线P_Fl(t)、次日光照预测强度曲线S_F(t)、次日风速预测曲线W_F(t)、次日功率需求预测曲线P_Fv(t)，根据当前实时数据和次日预测数据，计算出t时刻，第e个储能单元可充放超级电容量Q_e(t)范围及充放电功率大小P_e.C(t)、P_e.disC(t)范围和第j台发电系统的出力P_j(t)范围，其中t＝1,2,3,…,24；

(2)建立复合型能源充电储能系统的经济调度数学模型：

其中，ΔV为电压偏差，E为复合型能源充电储能系统运行效率，n为节点数，V_i为节点i的电压，V_i.lim为电压偏差限制量，V_i.maxV_imin分别为节点i电压的上下限；

T为运行周期；m为发电机数量；为第j台发电机在t时段的报价函数；P_j(t)为第j台发电机t时段的出力；s_j(t)为j台发电机t时段的状态；Δt为时间段；y为储能单元数量；β_e(P_e(t))为综合储能系统充放电的阶梯电价函数；P_e(t)为第e个储能单元在t时刻的出力；s_e(t)为第e个储能单元的充放电状态；ξ_xB为第x个储能单元的折旧系数；γ_xB为第x个储能单元的充放电次数，P_xB为第x个储能单元的成本；

(3)建立约束条件，利用改进型粒子群算法计算步骤2所述数学模型的最优解；

(4)根据步骤(3)得到的最优解进行相应的调度指令。

4.根据权利要求3所述的一种复合型能源充电储能方法，其特征在于：步骤(3)所述约束条件为：

(A)负荷平衡约束：其中，P_loss(t)为t时段的损耗功率，P_l(t)为平衡电网的负荷功率，t＝1,2,3,…,T；

(B)电站负荷备用约束：其中，P_S(t)为在t时段的备用功率，P_Fj(t)为发电系统在次日t时段的出力，P_Fl(t)为电网在次日t时刻的负荷预测，P_Fv(t)为电动汽车在次日t时段的功率需求预测，υ为常数，1为充电，-1为放电，t＝0,1,2,…,T；

(C)发电机功率限制：P_j.min(t)≤P_j(t)≤P_j.max(t)，其中P_j.min(t)、P_j.max(t)分别为第j台发电机输出功率的下限和上限；

(D)储能单元容量限制：Q_e.min(t)≤Q_e(t)≤Q_e.max(t)，其中Q_e.min(t)、Q_e.max(t)分别为第e个储能单元的容量下限和上限；

(E)储能单元充电功率限制：P_e.C.min(t)≤P_e.C(t)≤P_e.C.max(t)，其中P_e.C.min(t)、P_e.C.max(t)分别为第e个储能单元充电功率的最小值和最大值；

(F)储能单元放电功率限制：P_e.disC.min(t)≤P_e.disC(t)≤P_e.disC.max(t)，其中P_e.disC.min(t)、P_e.disC.max(t)分别为第e个储能单元放电功率的最小值和最大值。

5.根据权利要求3所述的一种复合型能源充电储能方法，其特征在于：所述改进型粒子群算法的实现步骤为：

(I)在整个系统允许的范围内随机产生粒子的初始位置和速度，根据约束条件，计算出相应的个体极值P_ibest和全局极值G_best，记录最好粒子的序号，将G_best设置为该最好粒子的位置；

(II)根据目标函数，计算每个粒子的适应度，若优于该粒子的个体极值，则将P_ibest设置为该粒子的位置，并更新粒子的位置；如所有粒子的个体极值中最好的优于当前全局极值G_best，将G_best设置为该粒子的位置，并更新全局极值；

(III)选取一定比例在种群中对P_ibest适应度好的粒子的信息，对每个粒子的位置和速度进行更新；

(IV)检验是否符合结束条件，如果迭代次数达到预先设定的最大次数，停止迭代，输出最优解，否则转到步骤(II)。

6.根据权利要求5所述的一种复合型能源充电储能方法，其特征在于：所述更新粒子的方法为：

上式中是第k代粒子i的速度，ω为非负常数，称为惯性因子，c₁、c₂为非负常数，称为学习因子，r₁、r₂是均匀分布在(0,1)之间的随机数，θ为一定比例的粒子数量，取0.08倍种群数并四舍五入取整。