1. 项目概述：光储联合系统削峰填谷仿真
在电力系统运行中，光伏发电的间歇性和负荷需求的波动性常常导致供需不平衡。这个问题在工商业用电场景尤为突出——白天光伏发电高峰时电价较低，而傍晚负荷高峰时电价飙升。我最近用Simulink搭建了一个光储联合系统模型，通过储能装置的充放电实现"低储高放"，验证了削峰填谷策略的经济价值。
这个仿真项目完整还原了光伏发电、负荷需求、储能系统和电网之间的能量流动。核心在于设计了一套基于规则的能量管理策略（EMS），根据分时电价信号自动调度储能充放电。实测数据显示，该系统能使电费支出降低15%-20%，同时将光伏自发自用率提升至80%以上。下面我将从系统架构到实现细节逐步拆解这个仿真案例。
2. 系统整体架构与能量流逻辑
2.1 系统组成模块
光储联合系统包含四个核心组件：
- 光伏阵列：采用单二极管模型，输入参数包括日照强度、环境温度和光伏板规格参数
- 蓄电池储能：选用锂离子电池模型，需设置额定容量、SOC上下限、充放电效率
- 交流负载：模拟典型工商业日负荷曲线，峰值通常出现在上午10点和傍晚7点
- 电网连接点：实现余电上网和缺电购入，电价随分时电价政策波动
关键设计要点：光伏和负载模型需要基于实际场地数据校准，储能容量需通过能量平衡计算确定
2.2 能量流动路径
系统能量流遵循以下优先级：
- 光伏发电优先供给本地负载
- 剩余光伏电力给电池充电（SOC<90%时）
- 电池放电供给负载（高电价时段且SOC>30%）
- 最后才从电网购电或向电网售电
这种设计确保了光伏电力的最大化利用，同时通过储能平移用电时段降低电费支出。在Simulink中，我用Switch模块和Relational Operator模块实现了这套逻辑判断。
3. 能量管理策略设计
3.1 基于规则的策略框架
核心控制逻辑按优先级排序如下：
- 安全约束：电池SOC始终保持在20%-90%区间
- 经济性调度：
- 低谷电价时段（0:00-8:00）：电网给电池充电
- 高峰电价时段（18:00-22:00）：电池优先放电
- 平时段：光伏余电充电，缺电由电网补充
- 光伏消纳：任何时候光伏发电都优先本地消纳
matlab复制% 伪代码示例
if 光伏功率 > 负载功率
if SOC < 0.9
电池充电 = 光伏功率 - 负载功率
else
余电上网 = 光伏功率 - 负载功率
end
elseif 当前电价 == 高峰电价 && SOC > 0.3
电池放电 = 负载功率 - 光伏功率
else
电网购电 = 负载功率 - 光伏功率
end
3.2 分时电价参数设置
采用某省工商业分时电价政策：
- 高峰时段（2小时）：1.2元/kWh
- 平时段（6小时）：0.7元/kWh
- 低谷时段（4小时）：0.3元/kWh
电价信号通过Repeating Sequence模块生成，需注意设置时间-电价对应关系时考虑仿真步长的影响。建议采用1秒步长以保证控制响应速度。
4. Simulink建模全流程
4.1 光伏发电模型搭建
使用Simulink的Solar Cell模块时需要配置：
- 标准测试条件(STC)下的最大功率点(Pmax)
- 开路电压(Voc)和短路电流(Isc)
- 温度系数(α, β)
- 串联/并联电阻参数
实测技巧：先用PV Array模块快速验证系统，再替换为更精确的单二极管模型。记得添加Irradiance输入口模拟日照变化。
4.2 负荷模型构建
推荐两种方法：
- From Workspace模块：导入实测的24小时负荷曲线数据
- 自定义函数：用MATLAB Function模块生成典型负荷曲线
matlab复制function P_load = fcn(t)
% 生成双峰负荷曲线
P_base = 50; % kW
P_morning = 20*sin(2*pi*(t-8)/12);
P_evening = 30*sin(2*pi*(t-18)/8);
P_load = P_base + P_morning + P_evening;
end
4.3 储能系统建模要点
-
电池选型：建议使用Generic Battery模块，设置：
- 额定容量：根据负载需求计算（通常按日均用电量的20%-30%）
- 初始SOC：建议设为50%
- 充放电效率：典型值90%-95%
-
功率转换系统(PCS)：
- 需要包含DC/AC逆变器效率模型（约97%）
- 添加充放电功率限制约束（C-rate通常取0.5C）
常见错误：忘记考虑电池老化导致的容量衰减，长期仿真需添加容量衰减因子
4.4 能量管理控制器实现
核心采用Stateflow设计有限状态机：
- 状态包括：充电模式、放电模式、待机模式
- 转移条件：基于电价信号和SOC阈值
- 输出动作：控制PCS的功率指令
matlab复制% Stateflow示例
state Charging:
when (SOC >= 0.9 || 当前电价 != 低谷电价)
exit(Discharging);
when (光伏功率 > 负载功率 && SOC < 0.9)
exit(Charging);
end
5. 关键参数设置指南
5.1 容量配置原则
-
光伏容量：
- 按年用电量和当地光照条件计算
- 简单估算：峰值功率 ≈ 最大负载功率 × 1.2
-
储能容量：
- 计算公式：E_bat = (P_load_peak × Δt) / (η × DOD)
- 其中Δt为需覆盖的时段长度（如4小时）
- DOD为放电深度（建议取80%）
5.2 效率参数设置
| 组件 | 效率参数 | 典型值 |
|---|---|---|
| 光伏逆变器 | 转换效率 | 97%-98% |
| 电池系统 | 往返效率 | 85%-90% |
| PCS | AC/DC转换效率 | 95%-97% |
建议在仿真中为每个效率环节添加Gain模块，避免理想化假设。
6. 仿真场景设计与分析
6.1 典型日仿真结果
晴天场景下的功率流动：
- 上午9-11点：光伏出力超过负载，电池开始充电
- 傍晚18-20点：电池放电满足高峰负荷
- 夜间0-6点：电网以低谷电价给电池充电
6.2 经济性评估方法
-
成本计算：
- 基准电费：无储能时的总购电费用
- 优化电费：含储能时的净支出（购电-售电）
-
关键指标：
- 电费节省率 = (基准电费 - 优化电费)/基准电费
- 光伏自用率 = 本地消纳光伏量/总光伏发电量
实测数据示例：
- 电费节省：18.7%
- 自用率提升：从65%到82%
- 投资回收期：约6-8年（需考虑具体造价）
7. 工程实践优化建议
7.1 预测信息引入
实际系统中建议：
- 集成光伏功率预测（基于天气预报）
- 加载负荷预测算法（如LSTM）
- 在Stateflow中增加预测调整逻辑
7.2 效率精细化建模
进阶改进方向：
- 考虑温度对光伏效率的影响
- 添加电池老化模型（循环次数与容量衰减关系）
- 线损建模（特别是大容量系统）
7.3 需量管理扩展
工商业用户可增加：
- 需量电费计算模块
- 功率爬坡率限制
- 需量峰值削减控制逻辑
8. 常见问题排查
8.1 仿真不收敛问题
可能原因及解决：
- 代数环：添加Memory模块打破环路
- 步长过大：改用变步长求解器(ode23t)
- 初始值冲突：检查各模块初始状态一致性
8.2 电池SOC异常波动
检查要点：
- 充放电效率参数是否设置正确
- 采样时间是否与仿真步长匹配
- 功率指令是否超出电池额定值
8.3 经济性结果不合理
验证步骤：
- 检查电价信号时间对齐是否正确
- 确认电费计算公式符号（购电为正，售电为负）
- 核对各时段功率流向是否符合预期
9. 模型扩展方向
9.1 模型预测控制(MPC)
升级步骤：
- 建立预测模型（状态空间方程）
- 设计优化目标函数（最小化电费）
- 用MATLAB MPC工具箱替换规则控制
9.2 多目标优化
可考虑：
- 经济性与电池寿命的权衡
- 碳排放最小化目标
- 电网辅助服务收益
9.3 硬件在环测试
进阶开发：
- 通过OPC UA连接实际BMS
- 使用Speedgoat实时目标机
- 添加通信延迟模拟
这个仿真项目让我深刻体会到，好的能量管理策略需要在多个约束条件中找到平衡点。实际部署时，建议先用仿真验证不同策略效果，再逐步过渡到物理系统。对于想深入研究的同学，可以从修改控制策略入手，比如尝试加入天气预报数据或机器学习算法，这些都能显著提升系统性能。