智能電網的儲能調度方法和裝置與流程
2023-06-11 05:34:16 1
本發明涉及智能電網領域，特別是涉及一種智能電網的儲能調度方法和裝置。
背景技術：
：伴隨著智能電網技術的日益成熟，風力發電、電動汽車領域發展迅猛，二者的隨機性特點必然給智能電網的運行帶來諸多不確定因素，而在智能電網中接入儲能單元可以減小上述不確定性帶來的風險。隨機潮流是電力系統穩態運行的一種宏觀統計方法，用概率論來表述系統運行中的不確定性，可計算出系統穩態運行的整體樣本信息，隨著風力發電、電動汽車等隨機因素單元的大規模併入電網，電力系統的不確定性愈發明顯，因此，在隨機潮流的基礎上研究智能電網的安全運行特性更貼合實際工況。目前在計算隨機潮流與儲能優化領域已有諸多研究成果。但目前研究出的儲能調度方法其精確度和效率均較低，不利於抑制智能電網的不確定性。技術實現要素：基於此，本發明提供一種智能電網的儲能調度方法和裝置，優化智能電網中的儲能調度，抑制智能電網的不確定性。為實現上述目的，本發明實施例採用以下技術方案：一種智能電網的儲能調度方法，包括如下步驟：獲取智能電網中的風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型；所述智能電網中包含風力發電機、儲能裝置以及電動汽車充電站；根據所述風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型，採用基於四階Gram-Charlier級數展開式的兩點估計法對所述智能電網進行隨機潮流計算，並對隨機潮流計算結果進行隨機採樣，獲得期望潮流分布；依據所述期望潮流分布確定約束條件，採用基於分段慣性遞減權重的粒子群算法，對預先建立的目標函數進行求解，獲得滿足所述約束條件的最優儲能調度方案；依據所述最優儲能調度方案對所述智能電網中的所述儲能裝置進行調度。一種智能電網的儲能調度裝置，包括：不確定模型獲取模塊，用於獲取智能電網中的風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型；所述智能電網中包含風力發電機、儲能裝置以及電動汽車充電站；隨機潮流計算模塊，用於根據所述風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型，採用基於四階Gram-Charlier級數展開式的兩點估計法對所述智能電網進行隨機潮流計算，並對隨機潮流計算結果進行隨機採樣，獲得期望潮流分布；尋優模塊，用於依據所述期望潮流分布確定約束條件，採用基於分段慣性遞減權重的粒子群算法，對預先建立的目標函數進行求解，獲得滿足所述約束條件的最優儲能調度方案；優化調度模塊，用於依據所述最優儲能調度方案對所述智能電網中的所述儲能裝置進行調度。根據本發明實施例的上述技術方案，在對智慧型電話進行儲能調度時，引入風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型，並通過基於四階Gram-Charlier級數展開式的兩點估計法進行高精度、高效率的隨機潮流計算，依據隨機潮流計算的結果確定約束條件，然後採用基於分段慣性遞減權重的粒子群算法，對預先建立的目標函數進行求解，獲得滿足約束條件的最優儲能調度方案，從而依據最優儲能調度方案對智能電網中進行儲能調度。本發明實施例中採用基於四階Gram-Charlier級數展開式的兩點估計法進行隨機潮流計算，其具有高精度、高效率的優點。本發明實施例中使用基於分段慣性遞減權重的粒子群算法對目標函數進行求解，相較於基於單一線性遞減慣性權重或單一非線性遞減慣性權重的粒子群算法相比，一方面能夠加快前期收斂速度，另一方面在迭代後期使算法具有更好的跳出次優解的能力，因此能夠準確地找到最優解，獲得最優儲能調度方案，依據該最優儲能調度方案對智能電網進行儲能調度後能有效抑制不確定性，使智能電網能夠安全、穩定地運行。附圖說明圖1是本發明的智能電網的儲能調度方法在一個實施例中的流程示意圖；圖2為本發明實施例中風力發電機功率曲線示意圖；圖3為本發明實施例中採用基於四階Gram-Charlier級數展開式的兩點估計法以及基於分段慣性遞減權重的粒子群算法進行求解的流程示意圖；圖4為本發明實施例中智能電網的結構示意圖；圖5為本發明實施例中採用的比亞迪F3DM車型的電池參數；圖6為本發明實施例中採用不同算法模擬的節點1功率概率密度分布示意圖；圖7為本發明實施例中計算出的智能電網各元件調度期望值；圖8為本發明實施例中三種不同方案下的各子目標函數值的示意圖；圖9為本發明的智能電網的儲能調度裝置在一個實施例中的結構示意圖。具體實施方式下面將結合較佳實施例及附圖對本發明的內容作進一步詳細描述。顯然，下文所描述的實施例僅用於解釋本發明，而非對本發明的限定。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。應當說明的是，為了便於描述，附圖中僅示出了與本發明相關的部分而非全部內容。圖1是本發明的智能電網的儲能調度方法在一個實施例中的流程示意圖，如圖1所示，本實施例中的智能電網的儲能調度方法包括以下步驟：步驟S110，獲取智能電網中的風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型；本實施例中的智能電網中包含風力發電機、儲能裝置以及電動汽車充電站。風力發電、電動汽車充電的隨機性特點會給智能電網的運行帶來諸多不確定因素。對於風力發電機不確定模型，其中風速分布一般可用兩參數威布爾概率密度分布函數擬合：f(vw)=(kwcw)(vwcw)kw-1exp-(vwcw)kw---(1)]]>式(1)中，kw為威布爾分布的形狀參數，cw為尺度參數，vw為實時風速。威布爾分布的數學期望與方差可用Gamma函數求取。在現實工程中，風力發電機功率與風速可表示成如圖2所示的曲線，在數學模型中可表示成如下的分段函數：PWT=0vw≤vci,vwvcoPWT-rvw-vcivr-vcivci≤vw≤vrPWT-rvr≤vw≤vco---(2)]]>式(2)中，vr為額定風速，PWT-r為風力發電機額定功率，vco為切出風速，vci為切入風速，vw為實時風速。對於負荷不確定性模型的模擬，通過歷史負荷數據預測24小時的負荷曲線(即日負荷曲線)，再根據式3擬合出負荷的一般概率分布模型。f(Pf)=1σf2πexp-(Pf-μf)22σf2---(3)]]>式(3)中：Pf為負荷功率，σf為負荷功率的標準差，μf為負荷功率的期望值。對於電動汽車充電不確定性模型，根據美國家庭交通出行調查數據(NHTS)結果顯示，電動汽車的開始充電時刻服從一般正態分布，日行駛裡程服從對數正態分布，相應的概率密度函數表達式如下：f(Tc)=1σT2πexp-(Tc-μT)22σT2,(μT-12)<Tc≤241σT2πexp-(Tc+24-μT)22σT2,0f(D)=1DσD2πexp-(lnD-μD)22σD20≤D≤200---(5)]]>式(4)中，Tc為開始充電時刻，μT＝17.6，σT＝3.4；式(5)中，D為日行駛裡程，其單位為公裡，μD＝3.2，σD＝0.88。對於電動汽車的電池模型，本實施例中採用市面上具有代表性的比亞迪F3DM車型的電池參數進行分析計算，並假定車主最後一次出行結束後便開始為電動汽車充電。步驟S120，根據所述風力發電機不確定模型、負荷不確定性模型以及電動汽車充電站不確定性模型，採用基於四階Gram-Charlier級數展開式的兩點估計法對所述智能電網進行隨機潮流計算，並對隨機潮流計算結果進行隨機採樣，獲得期望潮流分布；兩點估計法是近似法中應用最為廣泛的一種方法，即在求解隨機潮流時，從單個不確定變量的均值附近取兩個值來代替該不確定量參與潮流計算，其它不確定量取均值，分別進行確定的潮流計算。以具體數學問題為例，闡述兩點估計法計算過程如下：已知潮流方程為Z＝F(x1,x2,...,xn)，xi為服從某種隨機分布的隨機變量，其均值為標準差為在每個隨機變量xi(i＝1,2...m)的左右鄰域各取一點，記做xi,1，xi,2，選取方式滿足下式：xi,k=μxi+ξi,kσxi,k=1,2---(6)]]>式(6)中ξi,k為選取點的位置度量，滿足：ξi,k=λi,32+(-1)3-km+(λi,32)2---(7)]]>式(7)中λi,3為xi的偏度係數，滿足：λi,3=-∞∞(xi-μxi)3f(xi)dxi(σxi)3---(8)]]>式(8)中f(xi)為隨機變量xi的概率分布函數。用xi,1、xi,2代替xi，分別進行確定的潮流計算，可得潮流結果變量Zi,1、Zi,2。用wi,k表示xi,k的概率集中度，即：wi,k=1m(-1)kξi,3-kηi---(9)]]>式(9)中最終可得潮流結果變量的各階矩為：E(Zj)=Σi=1mΣk=12wi,k×(Zi,k)j---(10)]]>從上述分析可以得出，若潮流方程中有n個不確定量，則需要進行2n次確定的潮流計算。顯然，對於本實施例所提出的各不確定模型，共包含4個隨機物理量，分別是風力發電機功率PWT、負荷功率Pf、電動汽車開始充電時刻Tc、電動汽車日行駛裡程D，所需要求解的隨機潮流方程為：PG(t)＝PWT(t)-PBEV(t)-Pf(t)-PESS(t)(11)式(11)中，PG(t)為上級電網的注入功率，Pf(t)為負荷功率，PWT(t)為風力發電機功率，PESS(t)為儲能裝置的充放電功率，而PBEV(t)為電動汽車的充電功率，其受電動汽車開始充電時刻Tc、電動汽車日行駛裡程D的影響，式(11)中Pf(t)、PWT(t)以及PBEV(t)均為隨機變量，故由上述兩點估計法求解出式(11)中的待求解隨機變量PG(t)、PESS(t)，所得的結果是關於待求解隨機變量的各階矩，如式(10)所示。傳統兩點估計法只需要求解出隨機變量的一階矩(即期望)、二階矩(即方差)即可近似求得隨機變量的概率密度分布，但這種做法會影響結果的精確性，因此本實施例中採用基於四階Gram-Charlier級數展開式的兩點估計法進行隨機潮流計算，通過四階Gram-Charlier級數展開式來描述隨機變量的概率密度分布，以此提高精確度。已知某隨機變量的各階矩，由Gram-Charlier展開級數可求得該變量的概率密度函數。具體表達式如下：式(12)中：為標準正態分布的概率密度函數，C1、C2是與隨機變量各階矩相關的物理量，滿足：C0=1,C1=C2=0,C3=-E(Z3)σ3,C4=-E(Z4)σ4-3......---(13)]]>σ為所求解的隨機變量的方差，即二階矩。本實施例中取4階Gram-Charlier級數展開，既可以滿足精度要求，又能提高效率。通過基於四階Gram-Charlier級數展開式的兩點估計法求解出PG(t)、PESS(t)在某一個時刻的概率密度分布，然後進行隨機採樣，例如利用matlab進行隨機採樣，設置採樣次數為10000，求解出採樣樣本中所有數據的平均值，即可得該時刻的平均潮流結果，即期望潮流。重複上述過程，即可解出如式(11)所示的隨機潮流方程，便可得出一天24個小時內，各個小時的期望潮流分布。步驟S130，依據所述期望潮流分布確定約束條件，採用基於分段慣性遞減權重的粒子群算法，對預先建立的目標函數進行求解，獲得滿足所述約束條件的最優儲能調度方案；在本實施例中，可將反映智能電網成本的函數作為目標函數，在依據期望潮流分布確定的約束條件下，通過基於分段慣性遞減權重的粒子群算法對目標函數進行尋優，從而獲得最優儲能調度方案。在一種可選的實施方式中，可綜合考慮供電側、用戶側及儲能裝置三個方面的因素，構建統一為成本量綱的目標函數，並通過層次分析法計算出各子目標函數的權重，化目標函數為單一綜合目標函數，即確定如下的目標函數：F＝min(λ1·f1+λ2·f2+λ3·f3)(14)式(14)中，f1為智能電網的運行成本函數，f2為智能電網的供缺電量成本函數，f3為智能電網的儲能裝置成本函數，λ1、λ2、λ3均為權重係數，且滿足λ1+λ2+λ3＝1。具體的，在本實施例中，智能電網的運行成本即為智能電網從上級電網的購電成本。通過合理調度儲能裝置能夠實現主動配電網實時電價響應，用電低谷時購電儲蓄，用電高峰時放電削峰，以此減小負荷的峰谷差，並能節約購電成本。因此將智能電網的運行成本函數作為儲能優化的子目標函數之一，如式(15)所示：f1=Σt=124ΣiAssPu(t)EPu-i(t)---(15)]]>式(15)中，Ass為智能電網變電站集合，Pu(t)為t時刻向上級電網購電的電價，EPu-i(t)為第i個變電站在t時刻從上級電網購買的電量。供電可靠性是考核智能電網可靠性的關鍵參考標準，代表電力系統的持續供電能力。考核供電可靠性的參數主要有期望供缺電量、用戶平均停電時間和供電可靠率等等，本實施例中要探討儲能裝置對供電可靠性的影響，因此採用期望供缺電量(EENS)來衡量智能電網的供電可靠性，並在EENS中引入儲能恢復電量。EENS指標如下所示：EENS=Σt=124ΣjAFEλjPjshed(t)-PjRES(t)×ΔTj---(16)]]>式(16)中：AFE為故障事件集合，λj為每個小時內第j種故障事件的發生概率，為發生第j種故障導致的甩負荷量，為由儲能裝置提供的恢復電量，ΔTj為第j種故障的平均恢復時間。再引入各故障事件成本FCj，將EENS轉化為智能電網的供缺電量成本函數，作為儲能優化的另一子目標函數：f2=Σt=124ΣjAFEFCjλjPjshed(t)-PjRES(t)×ΔTj---(17)]]>另外，在智能電網中投入儲能裝置需要儲能投資，儲能投資包括固定投資和電池退化成本，固定投資即為儲能裝置的建造成本和運行維護成本，主要與儲能裝置的額定功率和額定容量有關，電池退化成本由蓄電池售價和其生命周期決定。為考慮儲能裝置的利用效率，將智能電網的儲能裝置成本函數作為儲能優化的另一個子目標函數，儲能裝置成本函數表達如式(18)。f3=ΣkAESCck+CpkPEsr-k+CekEEsr-k+CPuk(1+r0)LkΔLkLk---(18)]]>式(18)中，AES為智能電網中的儲能裝置集合，Cck為第k個儲能裝置的建造成本，Cpk為第k個儲能裝置單位充放電功率的維護成本；PEsr-k為第k個儲能裝置的額定功率；Cek為第k個儲能裝置單位容量的維護成本；EEsr-k為第k個儲能裝置的額定功率；CPuk為第k個儲能裝置的購買價格；r0為銀行年利率；Lk為儲能裝置的總壽命周期；ΔLk為儲能裝置在充放電過程中的退化度，其量綱為時間量綱。上述三個子目標函數的量綱均為價格，通過加權係數法可以將這三個子目標轉化為本實施例中式(14)所示的目標函數。可選的，對於目標函數中權重係數λ1、λ2、λ3的選取，可採用層次分析法確定一組以電網利益為主導的權重係數組合，本實施例中通過層次分析法確定λ1為0.55，λ2為0.22，λ3為0.23。在一種可選的實施方式中，所述約束條件包括潮流等式約束條件、節點電壓約束條件、功率約束條件、儲能裝置荷電狀態約束條件以及儲能裝置能量平衡約束條件。其中，潮流等式約束條件如下式(18)：PG(t)＝PWT(t)-Ploss(t)-Pf(t)-PESS(t)(18)式(18)中，PG(t)是t時刻上級電網的注入功率，Ploss(t)為智能電網的有功損耗；Pf(t)是負荷功率；PWT(t)風力發電機功率；PESS(t)為儲能裝置的充放電功率，充電時其為正，放電時其為負。節點電壓約束條件如下式(19)：Vimin≤Vi≤VimaxiAN---(19)]]>式(19)中，AN為智能電網中的節點集合，式(19)表明智能電網中所有節點要滿足電壓的上下限約束。功率約束條件如下式(20)：Pminu≤Pu≤PmaxuuAEQ---(20)]]>式(20)中，AEQ為智能電網中所有設備的集合，式(20)表明智能電網中所有設備要滿足其功率的上下限約束。儲能裝置荷電狀態約束條件如下式(21)：SOCnmin≤SOCn≤SOCnmax(21)式(21)中，SOCn為第n個儲能裝置的荷電狀態，本實施例中設定其荷電狀態範圍為5％～95％。儲能裝置能量平衡約束條件如下式(22)：EEss-n(0)＝EEss-n(24)(22)式(22)中，EEss-n(0)為儲能裝置儲備的初始能量，EEss-n(24)為調度周期結束時儲能裝置的剩餘能量，即在整個調度周期中，要保證儲能裝置的能量守恆。粒子群算法是一種群體智能優化算法，其實現方便、計算速度快，但也易陷入局部最優。因此，本實施例中採用基於分段慣性遞減權重的粒子群算法，對目標函數進行求解。本實施例中所使用的基於分段慣性遞減權重的粒子群算法屬於改進粒子群算法，在粒子群算法中引入分段慣性遞減權重。在一種可選的實施方式中，所述基於分段慣性遞減權重的粒子群算法的迭代次數設置為1000，在前700次迭代中採用二次非線性慣性遞減權重對目標函數進行尋優，在後300次迭代中採用線性慣性遞減權重對所述目標函數進行尋優，以此來平衡尋優前後期的搜尋範圍與速度。該方法較單一線性遞減慣性權重或單一非線性遞減慣性權重相比，一方面能夠加快前期收斂速度，另一方面在迭代後期使算法具有更好的跳出次優解的能力。改進後的粒子群更新方程如下：Vidk+1=ωkVidk+c1r1(Pidk-Xidk)+c2r2(Pgdk-Xidk)Xidk+1=Xidk+Vidk+1ωk+1=ωstart-(ωstart-ωend)(kTmax)2,(k≤700)ωk+1=ωstart-(ωstart-ωend)(kTmax),(700≤k≤1000)---(23)]]>式(23)中：Vid為粒子當前運動速度，k為迭代次數，ω為慣性權重係數，代表粒子之前速度的保持程度，c1、c2為粒子的學習因子，Pid為第i個粒子自身優解，Xid為粒子的當前位置，r1、r2為[0,1]區間內隨機數，Pgd為所有粒子當前搜索到的最優解，ωstart為初始慣性權重，ωend為迭代至最大次數時的慣性權重，Tmax為最大迭代次數。在迭代初期，粒子尋優速度較大，二次非線性遞減慣性權重可以使速度加倍，粒子趨向於大範圍搜尋最優解，在迭代後期，粒子在當前最優解的附近進行深度挖掘。通過本實施例中基於分段慣性遞減權重的粒子群算法，對預先建立的目標函數進行尋優，即可獲得滿足約束條件的最優儲能調度方案。步驟S140，依據所述最優儲能調度方案對所述智能電網中的所述儲能裝置進行調度。在得出最優儲能調度方案後，對智能電網中的儲能裝置進行調度，抑制因風力發電和電動汽車充電的隨機性特點給智能電網的運行帶來的不確定性。本實施例中採用基於四階Gram-Charlier級數展開式的兩點估計法以及基於分段慣性遞減權重的粒子群算法進行求解的流程可參照圖3所示。為了進一步驗證本實施例中的智能電網的儲能調度方法，下面結合某地區一個包含11個節點的智能電網來進行說明。參照圖4所示，其中G表示上級電網，WT為風力發電機，EVCS為電動汽車充電站，圖4所示的智能電網包含11個節點，且該智能電網為10kV電壓等級配電網，其中包含一個風力發電機(圖4中標記為WT)，其出力極限為0.5MW；兩個蓄電池儲能，最大功率均為0.4MW，容量為800kW·h，初始荷電狀態為5％；變壓器功率極限為1MW；網絡中阻抗參數及負荷位置如圖4所示。對某地區實測風速數據進行採樣記錄，採樣間隔為1h，採樣時間為8760h，用所得數據生成風速的概率密度函數，得到cw＝14.12，kw＝2.02。風力發電機的額定風速、切入風速及切出風速分別為15m/s，3m/s，30m/s，風力發電機額定功率為0.5MW。根據該地區的歷史負荷數據進行負荷預測，擬合出日負荷曲線，並計算出負荷功率的期望值μf＝0.475，負荷功率的標準差σf＝0.193，單位均為MW。設定該地區的電動汽車數量為1000臺，採用比亞迪F3DM車型的電池參數(電池參數如圖5所示)。智能電網故障事件的發生概率取平均值0.05次/h，故障的平均修復時間為8h，故障事件成本取平均值0.8元/kW·h，故障導致的甩負荷量取平均值為總負荷的10％。儲能裝置的購買價格為5萬元，儲能裝置的建造成本為5000元，銀行年利率為7％，儲能裝置的總壽命周期為5年，儲能裝置單位充放電功率的維護成本Cpk＝0.05元/kW，儲能裝置單位容量的維護成本為Cek＝0.04元/kW·h。蒙特卡洛模擬法是求解隨機潮流的方法之一，即通過產生大量滿足隨機變量分布特點樣本進行模擬統計，在樣本量足夠大的情況其精確程度很高，但是求解速度很慢，一般只將其作為評價各種算法優劣的標準。為檢驗本實施例中所提出的基於四階Gram-Charlier級數展開式的兩點估計法在求解含多不確定變量方程問題上的誤差，將用蒙特卡洛模擬法模擬的節點1功率密度分布與基於四階Gram-Charlier級數展開式的兩點估計法求得的結果進行對比，結果如圖6所示。從圖6可以看出，基於四階Gram-Charlier級數展開式的兩點估計法與蒙特卡洛模擬法求解的結果基本吻合，偏差較小，驗證了基於四階Gram-Charlier級數展開式的兩點估計法計算結果的精確性。根據本實施例中所提供的目標函數以及基於分段慣性遞減權重的粒子群算法，可以求解出圖4所示的智能電網的最優儲能調度方案。具體的，設置粒子的學習因子均為0.2，初始慣性權重為0.9，迭代至最大次數時慣性權重為0.4，最大迭代次數為1000，對所提出的目標函數進行求解。本實例利用層次分析法確定了一組以電網利益為主導的權重係數組合，即λ1＝0.55，λ2＝0.22，λ3＝0.23，在此權重組合的基礎上對儲能裝置的出力進行調度優化，智能電網各元件調度期望值如圖7所示，通過引入儲能裝置並進行優化調度，可以抑制智能電網的不確定性。另外，為分析多不確定性與儲能裝置對配電網經濟運行的影響，制定了三種方案，參照圖8所示，方案1為智能電網不包含不確定性(即不考慮風力發電和電動汽車充電的不確定性)和儲能裝置；方案2為智能電網包含不確定性(即考慮風力發電和電動汽車充電的不確定性)，但不包含儲能裝置；方案3為智能電網包含不確定性和儲能裝置。將三種方案的子目標函數值(即智能電網的運行成本、供缺電量成本以及儲能裝置成本)進行對比，從如圖8可以看出，大規模風力發電機與電動汽車的接入伴隨的不確定性會增加智能電網的運行成本，相比於傳統運行方式運行成本增加7.25％，而且會降低智能電網的供電可靠性，供缺電量成本增加了50.52％。引入儲能裝置後，該地區智能電網的運行成本與供缺電量成本均有所下降，但要額外支出儲能裝置成本，從圖8可以看出，引入儲能裝置即方案3的總成本最小，儲能優化的優越性得以顯現。需要說明的是，對於前述的各方法實施例，為了簡便描述，將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明並不受所描述的動作順序的限制，因為依據本發明，某些步驟可以採用其它順序或者同時進行。根據上述本發明的智能電網的儲能調度方法，本發明還提供一種智能電網的儲能調度裝置，下面結合附圖及較佳實施例對本發明的智能電網的儲能調度裝置進行詳細說明。圖9為本發明的智能電網的儲能調度裝置在一個實施例中的結構示意圖。如圖9所示，該實施例中的智能電網的儲能調度裝置包括：不確定模型獲取模塊1，用於獲取智能電網中的風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型；所述智能電網中包含風力發電機、儲能裝置以及電動汽車充電站；隨機潮流計算模塊2，用於根據所述風力發電機不確定模型、負荷不確定性模型以及電動汽車充電不確定性模型，採用基於四階Gram-Charlier級數展開式的兩點估計法對所述智能電網進行隨機潮流計算，並對隨機潮流計算結果進行隨機採樣，獲得期望潮流分布；尋優模塊3，用於依據所述期望潮流分布確定約束條件，採用基於分段慣性遞減權重的粒子群算法，對預先建立的目標函數進行求解，獲得滿足所述約束條件的最優儲能調度方案；優化調度模塊4，用於依據所述最優儲能調度方案對所述智能電網中的所述儲能裝置進行調度。在一種可選的實施方式中，所述基於分段慣性遞減權重的粒子群算法的迭代次數為1000，在前700次迭代中所述尋優模塊採用二次非線性慣性遞減權重對所述目標函數進行尋優，在後300次迭代中所述尋優模塊採用線性慣性遞減權重對所述目標函數進行尋優。在一種可選的實施方式中，所述目標函數為：F＝min(λ1·f1+λ2·f2+λ3·f3)其中，f1為所述智能電網的運行成本函數，f2為所述智能電網的供缺電量成本函數，f3為所述智能電網的儲能裝置成本函數，λ1、λ2、λ3均為權重係數，且滿足λ1+λ2+λ3＝1。在一種可選的實施方式中，根據層次分析法確定λ1為0.55，λ2為0.22，λ3為0.23。在一種可選的實施方式中，所述約束條件包括潮流等式約束條件、節點電壓約束條件、功率約束條件、儲能裝置荷電狀態約束條件以及儲能裝置能量平衡約束條件。上述智能電網的儲能調度裝置可執行本發明實施例所提供的智能電網的儲能調度方法，具備執行方法相應的功能模塊和有益效果，此處不再予以贅述。以上所述實施例的各技術特徵可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特徵所有可能的組合都進行描述，然而，只要這些技術特徵的組合不存在矛盾，都應當認為是本說明書記載的範圍。以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但並不能因此而理解為對發明專利範圍的限制。應當指出的是，對於本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬於本發明的保護範圍。因此，本發明專利的保護範圍應以所附權利要求為準。當前第1頁1 2 3