CN112003268A

CN112003268A - 基于模型预测控制的智能建筑群电能优化共享系统和方法

Info

Publication number: CN112003268A
Application number: CN202010733454.5A
Authority: CN
Inventors: 高红均; 杨景茜; 任文诗
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2020-07-27
Filing date: 2020-07-27
Publication date: 2020-11-27

Abstract

本发明涉及智能建筑群配电的技术领域，目的是提供基于模型预测控制的智能建筑群电能优化共享系统和方法，其中，系统内部包含风电、燃气轮机和储能等设备，考虑了风电出力的不确定性，实时优化储能和燃气轮机的出力，构建了基于模型预测控制的智能建筑群经济调度模型，与传统的基于鲁棒优化的经济调度模型相对比，运用模型预测控制策略将一些需要决策的变量从日前转移到日内，使日前计划更合理，调度计划的保守性被降低，最后运用算例来验证该模型的优势，使优化方案更合理，使系统的经济性最高，具有实际意义。

Description

基于模型预测控制的智能建筑群电能优化共享系统和方法

技术领域

本发明涉及智能建筑群领域，具体涉及基于模型预测控制的智能建筑群电能优化共享系统和方法。

背景技术

随着市场改革的逐步深入，大量社会资本涌入电力市场展开激烈竞争,未来电力市场交易中必然存在多种利益主体并存的局面。基于此背景，以智能建筑群(smartbuilding cluster,SBC)为多利益主体应用场景,构建了智能建筑群电能日前优化共享模型；搭建了包含风电、光伏(photovoltaic,PV)、储能(energystoragesystem,ESS)、电动汽车(electricvehicle,EV)以及可控负荷等多个设备的SBC系统架构，并对各个智能建筑(smart building,SB)之间及SBC与配电网之间的能量流动关系进行阐述分析。为了在SBC内合理地进行电能共享，建立以降低SBC与配电网的交易成本、ESS的运维成本为目标函数的优化共享模型。在考虑不确定性的基础上，为了更有效地消纳系统内的风电资源，运用模型预测控制的方法对其内部的电能共享问题进行研究。

发明内容

本发明目的在于提供基于模型预测控制的智能建筑群电能优化共享方法，系统内部包含风电、燃气轮机和储能等设备，考虑了风电出力的不确定性，实时优化储能和燃气轮机的出力，构建了基于模型预测控制的智能建筑群经济调度模型。与传统的基于鲁棒优化的经济调度模型相对比，运用模型预测控制策略将一些需要决策的变量从日前转移到日内，使日前计划更合理，调度计划的保守性被降低，本发明结构合理，设计巧妙，适合推广；

本发明所采用的技术方案是：基于模型预测控制的智能建筑群电能优化共享系统，系统包含有智能建筑群，所述智能建筑群包含有集群运营商和多个智能建筑；

所述智能建筑之间通过所述集群运营商进行管理，所述智能建筑群内还包含有分布式电源和电力负荷，所述集群运营商的管理系统内预存有日前调度阶段和日内调度阶段；

通过日前调度阶段中的优化调度模型得到系统的总运行成本，根据最低的系统总运行成本制定第二天的基本发电调度计划预测值，通过日内调度计划阶段中的滚动优化来对所述优化调度模型进行反馈校正，通过校正后的基于MPC的日内优化调整模型，得到短期的分布式电源的预测值，系统通过优化后的第二天的基本发电调度计划预测值实现对所述智能建筑群中电网电量分配的优化调整。

优选的，所述分布式电源包括有风机、燃气轮机和储能模块。

优选的，所述优化调度模型的目标函数为，

式中，N_h为智能建筑群内建筑物的总数；T为一天内的总时段数，这里取T＝24；Δt＝1h为一个调度时段；

为t时段建筑向电网买、卖电能的价格，本发明售电、购电电价均采用分时电价(time of use，TOU)；

为h建筑在t时段与电网交互的功率，购电为正，售电为负；λ^ess为储能模块运行维护成本的单价；

为h建筑的储能模块在t时段的充电功率；

为h建筑的储能模块在t时段的放电功率；

为燃气轮机的总成本。

另一方面，包括上述的基于模型预测控制的智能建筑群电能优化共享系统，包括以下步骤，

S1：获取待优化智能建筑群内现有分布式电源的储能模块中剩余容量，输入已建立好的日前优化调度模型，对风电日前发电的出力值进行预测，进入到S2；

S2：通过缩短风电日前的出力值的预测时间，基于MPC的日内优化调整模型，替换得到的风电日内发电的超短期预测值，进入到S3；

S3：根据最近一次滚动优化替换后的风电日内发电的超短期预测值，通过调节燃气轮机的出力值和储能模块的充放电功率，结合各个智能建筑内部之间交换功率的大小，制定第二天的基本发电调度计划，完成所述智能建筑群中电网电量分配的优化调整。

优选的，所述S2中，基于MPC的日内优化调整模型的滚动优化过程是通过划分一个固定的时间尺度，在每个时间尺度内保证各机组控制增量最小的前提下，得到最小化输出变量与日前计划值之间的差值，得到的最近一次滚动优化后的风电日内发电的超短期预测值。

优选的，所述日内优化调整模型中的时间尺度为15分钟。

优选的，基于MPC的日内优化调整模型为

x(k)＝[P^GT(k),P^essch(k),P^essdis(k),S^ess(k),P^grid(k)]^T

u(k)＝[ΔP^GT(k),ΔP^essch(k),ΔP^essdis(k),ΔP^buy(k),ΔP^sell(k)]^T

ζ(k)＝[ΔP^L(k),ΔP^wind(k)]^T

y(k)＝[P^grid(k),S^ess(k)]^T

式中，x(k)为状态变量，上式中，所述状态变量包含燃气轮机的出力值p^GT(k)、储能模块的充电功率p^essch(k)、储能模块的放电功率p^essdis(k)、储能(state of charge，SOC)S^ess(k)以及智能建筑群与配电网的交互功率p^grid(k)；u(k)为控制变量，所述控制变量包括燃气轮机的出力值增量Δp^GT(k)，储能模块出力值的增量Δp^essch(k)和Δp^essdis(k)、储能模块内部交换功率的增量ΔP^buy(k)和ΔP^sell(k)；ζ(k)为扰动变量，所述扰动变量包括负荷超短期预测功率增量ΔP^L(k)和风电机组超短期预测功率增量ΔP^wind(k)，y(k)为输出变量，所述输出变量包括智能建筑群与配电网之间的交换功率P^grid(k)，储能SOC构成的向量S^ess(k)；

是权重系数矩阵，W_err表示智能建筑群与配电网交互的功率跟踪误差以及储能SOC跟踪误差；Qu表示控制量的权重系数矩阵；U为控制量矩阵。

优选的，在风电和负荷预测数据的基础上反复迭代状态空间预测模型，向前预测p步之后就能够获得向量Y_f其中向量Y_f表示智能建筑群与配电网交互的功率以及储能SOC在预测时长pΔt内的预估输出值

优选的，获取智能建筑群与配电网交互功率以及储能SOC日前计划值构成的向量Y_ref为跟踪控制目标，时间尺度为当前时刻向前的pΔt时段内，向量Y_ref为

与现有技术相比，本发明的有益效果为：

1.最大化的消化智能建筑群中对可再生的风电能源的利用，节约向配电网购电成本；

2.系统的经济性最高，具有实际意义。

附图说明

图1为基于模型预测控制的智能建筑群电能优化共享方法的结构图；

图2为本发明的实施例中多时间尺度协调优化调度框架的流程图；

图3为本发明的实施例中建筑1的风电和负荷功率预测值；

图4为本发明的实施例中建筑2的风电和负荷功率预测值；

图5为本发明的实施例中建筑3的风电和负荷功率预测值；

图6为本发明的实施例中日前储能SOC；

图7为本发明的实施例中建筑1的储能优化结果；

图8为本发明的实施例中建筑2的储能优化结果；

图9为本发明的实施例中建筑3的储能优化结果；

图10为本发明的实施例中建筑1的燃气轮机优化结果；

图11为本发明的实施例中建筑2的燃气轮机优化结果；

图12为本发明的实施例中建筑3的燃气轮机优化结果；

图13为本发明的实施例中为智能建筑群内交互功率优化结果；

图14为本发明的实施例中为MPC的流程图。

具体实施方式

下面结合本发明的附图1～14，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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。

在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例1：

基于模型预测控制的智能建筑群电能优化共享系统，系统包含有智能建筑群，所述智能建筑群包含有集群运营商和多个智能建筑；

值得说明的是，所述分布式电源包括有风机、燃气轮机和储能模块。

值得说明的是，所述优化调度模型的目标函数为，

为t时段建筑向电网买、卖电能的价格，本发明售电、购电电价均采用分段时价；

为h建筑的储能模块在t时段的充电功率；

为h建筑的储能模块在t时段的放电功率；

为燃气轮机的总成本。

值得说明的是，包括以下步骤，

值得说明的是，所述S1中，日前优化调度模型的目标函数以风电日前出力的预测值最小化，结合系统最小化运行成本对燃气轮机的出力值、智能建筑群的充放电功率和智能建筑内部交换功率进行约束，其中，所述系统最小化运行成本包括有燃气轮机的运行成本、燃气轮机的生产成本、燃气轮机的排放污染气体的惩罚成本和智能建筑群的运行维护成本。

值得说明的是，所述S2中，基于MPC的日内优化调整模型的滚动优化过程是通过划分一个固定的时间尺度，在每个时间尺度内保证各机组控制增量最小的前提下，得到最小化输出变量与日前计划值之间的差值，得到的最近一次滚动优化后的风电日内发电的超短期预测值。

值得说明的是，所述日内优化调整模型中的时间尺度为15分钟。

值得说明的是，基于MPC的日内优化调整模型为

x(k)＝[P^GT(k),P^essch(k),P^essdis(k),S^ess(k),P^grid(k)]^T

u(k)＝[ΔP^GT(k),ΔP^essch(k),ΔP^essdis(k),ΔP^buy(k),ΔP^sell(k)]^T

ζ(k)＝[ΔP^L(k),ΔP^wind(k)]^T

y(k)＝[P^grid(k),S^ess(k)]^T

式中，x(k)为状态变量，上式中，所述状态变量包含燃气轮机的出力值p^GT(k)、储能模块的充电功率p^essch(k)、储能模块的放电功率p^essdis(k)、S^ess(k)以及智能建筑群与配电网的交互功率p^grid(k)；u(k)为控制变量，所述控制变量包括燃气轮机的出力值增量Δp^GT(k)，储能模块出力值的增量Δp^essch(k)和Δp^essdis(k)、储能模块内部交换功率的增量ΔP^buy(k)和ΔP^sell(k)；ζ(k)为扰动变量，所述扰动变量包括负荷超短期预测功率增量ΔP^L(k)和风电机组超短期预测功率增量ΔP^wind(k)，y(k)为输出变量，所述输出变量包括智能建筑群与配电网之间的交换功率P^grid(k)，储能SOC构成的向量S^ess(k)；

是权重系数矩阵，W_err表示智能建筑群与配电网交互的功率跟踪误差以及储能SOC跟踪误差；Qu表示控制量的权重系数矩阵，U为控制量矩阵。

值得说明的是，在风电和负荷预测数据的基础上反复迭代状态空间预测模型，向前预测p步之后就能够获得向量Y_f其中向量Y_f表示智能建筑群与配电网交互的功率以及储能SOC在预测时长pΔt内的预估输出值

在Y_f基础上，获取智能建筑群与配电网交互功率以及储能SOC日前计划值构成的向量Y_ref为跟踪控制目标，时间尺度为当前时刻向前的pΔt时段内，向量Y_ref为

当预测的时间尺度缩短时，可再生能源功率的预测误差会减小，因此为了更有效地消纳系统内的风电资源，本发明将分为日前和日内两个阶段进行优化。在日前调度阶段，以最小化系统的总运行成本为目标，系统基于风电日前出力的预测值，计及燃气轮机(gasturbine，GT)的运行成本、生产成本和排放污染气体的惩罚成本，考虑储能(energystorage system，ESS)的运行维护成本，调节GT的出力和ESS的充放电功率，优化调度智能建筑(smart building，SB)内部交换功率的大小，制定第二天的基本发电调度计划。为了尽可能减小日前预测产生的误差，在日内调度阶段以15min为时间间隔进行滚动修正

实施例2：

在满足智能建筑群(smart building cluster，SBC)安全运行约束的前提下，保证日前计划中的ESS充放电状态和GT的启停状态不变，SBC与配电网的交易量与日前计划值一致是利用滚动优化和反馈校正这两个过程来保证的。在保证各机组控制调节增量最小的前提下，目标是最小化输出变量与日前计划值之间的偏差。传统鲁棒优化方法的保守性太强，并且两阶段鲁棒优化问题的模型很复杂，难以直接求解。通常采用分解算法分为主问题和子问题，然而会加速收敛，难以取得全局最优。因此本发明运用仿射可调鲁棒方法来应对不确定性问题，利用线性决策规则建立决策变量与不确定参数之间的仿射关系，从而将两阶段问题转化为单个阶段优化问题，以最小化系统的总运行成本为目标，以SB内部功率平衡、SB间的购售电平衡、SB与主网电能交易平衡、GT启停状态限制、GT出力限制以及ESS出力限制为约束条件，包括了对GT的成本、ESS的运维成本以及仿射可调鲁棒优化方法的建模，从而实现对智能建筑群的经济调度。然后在考虑风电出力不确定性的基础上，构建智能建筑群经济调度模型，整个SBC构成如图1所示。本发明将多个SB进行互联，SB之间存在功率交换和信息交互，构成的SBC由集群运营商(cluster operator，CO)进行统一协调控制管理，实现经济高效用电计划的制定。SB内部包含风机、GT和ESS等分布式电源以及电力负荷。

值得说明的是，当预测的时间尺度缩短时，可再生能源功率的预测误差会减小，因此为了更有效地消纳系统内的风电资源，本发明将分为日前和日内两个阶段进行优化，如图2所示。在日前调度阶段，系统基于风电日前出力的预测值，计及GT的运行成本、生产成本和排放污染气体的惩罚成本，考虑ESS的运行维护成本，以最小化系统的总运行成本为目标，调节GT的出力和ESS的充放电功率，优化调度SB内部交换功率的大小，制定第二天的基本发电调度计划。目标函数如下所示：

其中，N_h为SBC内建筑物的总数；T为一天内的总时段数，这里取T＝24；Δt＝1h为一个调度时段；

为t时段建筑向电网买、卖电能的价格，本发明售电、购电电价均采用分段时价TOU；

为h建筑在t时段与电网交互的功率，购电为正，售电为负；λ^ess为ESS运行维护成本的单价；

为h建筑的ESS在t时段的充电功率；

为h建筑的ESS在t时段的放电功率；

为GT的总成本，具体如下式所示。式中第一项表示SBC与配电网交易所需成本，第二项表示ESS的运行维护成本，第三项表示GT的总成本。

值得说明的是，GT的成本主要由三部分组成，包括启停GT所需要的成本、持续发电的生产成本以及排放污染气体的惩罚成本，

其中，λ^FIC为GT在运行时所需的固定成本；

为0-1变量，表示建筑h内的GT在时段t的开关机状态，1为开机，0为停机；本发明采用分段线性化的方法来表示GT的二次成本，N_n为分段的数量；b_n为GT发电出力处于第n段时的成本斜率；δ_n,t为t时刻位于第n段上的GT发电出力；λ^SUC、λ^SUD分别为GT在运行过程中的启、停成本；

均为二进制的变量，h建筑中的GT机组在t时刻的启、停状态均通过二者来表示；

等于h建筑中GT在t时刻各分段出力之和；

为h建筑中GT在t时刻排放的第k类污染气体的排放量，Y_k、V_k则分别对应h建筑中GT在t时刻排放的第k类污染气体单位排放量所对应的罚款和环境价值。

日前优化调度中的约束条件如下所示：

(1)SB内部功率平衡约束

其中，

为t时段h建筑从k建筑购买量；

为t时段h建筑给k建筑售电量；

为h建筑的风电设备在t时段的预测出力；

为h建筑在t时段的负荷需求。

(2)SB间的购售电平衡

本式表示t时段h建筑从k建筑买的电量值与同一时段k建筑卖给h建筑的电量值相等。

其中，

和

为0-1变量；上面两个式子保证同一时间段h与k建筑交互的功率必须小于线路允许的最大功率值

(3)SB与主网电能交易约束

其中，

和

分别表示在t时段，h建筑与配电网之间买卖的最小、最大功率。

(4)燃气轮机启停状态约束

1)最小开机时间约束

其中，

为建筑h内燃气轮机的最小开机时间。

2)最小停机时间约束

其中，

为建筑h内燃气轮机的最小停机时间。

3)状态转换的逻辑约束

(5)燃气轮机出力约束

1)出力限值约束

其中，

和

分别为建筑h内燃气轮机的最小、最大出力值。

2)爬坡率约束

其中，

和

分别为建筑h内燃气轮机的上、下爬坡率。

(6)储能设备约束

其中，

和

为h建筑的ESS在时段t和t-1的储能容量；η^essch为ESS的充电效率；η^essdis为ESS的放电效率；

分别h建筑的ESS储能容量的最小值、最大值；S_h,0、S_h,T分别为h建筑的ESS的初始状态和终止状态；

和

分别是h建筑的ESS在t时段处于充电和放电状态的0-1变量，

取1表示充电，

取1表示放电；

和

分别是h建筑的ESS的最大充电、放电功率。

S_h,0＝S_h,T

上式说明调度周期首末两个时段的储能设备容量保持一致是为了保证调度的连续性。

上式保证ESS不能同时进行充放电。

为了尽可能减小日前预测产生的误差，在日内调度阶段以15min为时间间隔进行滚动修正。在满足SBC安全运行约束的前提下，保证日前计划中的ESS充放电状态和GT的启停状态不变，SBC与配电网的交易量与日前计划值一致是利用滚动优化和反馈校正这两个过程来保证的。在保证各机组控制调节增量最小的前提下，目标是最小化输出变量与日前计划值之间的偏差，MPC可以用以下最优控制模型表示：

x(k)＝[P^GT(k),P^essch(k),P^essdis(k),S^ess(k),P^grid(k)]^T

u(k)＝[ΔP^GT(k),ΔP^essch(k),ΔP^essdis(k),ΔP^buy(k),ΔP^sell(k)]^T

ζ(k)＝[ΔP^L(k),ΔP^wind(k)]^T

y(k)＝[P^grid(k),S^ess(k)]^T

其中，x(k)为状态变量，状态变量的获得需要先于不确定参数的获得，也就是说x(k)的取值和不确定参数的实际值没有关联关系，本发明中的状态变量包含GT的出力、ESS的充放电功率、储能SOC以及SBC与配电网的交互功率；在获得了部分不确定参数后可以对控制变量进行调整，因此控制变量u(k)是与不确定参数ζ相关的函数，控制变量为GT和ESS的出力增量、SBC内部交换功率的增量；扰动变量ζ(k)为负荷、风电机组的超短期预测功率增量；输出变量y(k)为SBC与配电网之间的交换功率以及储能SOC构成的向量。

是权重系数矩阵，表示SBC与配电网交互的功率跟踪误差以及储能SOC跟踪误差；Q_u表示控制量的权重系数矩阵；U为控制量矩阵。

从以上分析可以得知，在风电和负荷预测数据的基础上反复迭代状态空间预测模型，向前预测p步之后就能够获得向量Y_f，其中向量Y_f表示SBC与配电网交互的功率以及储能SOC在预测时长pΔt内的预估输出值，Y_f如下式所示：

为了减小由于风电和负荷的日前预测值与实际值产生的偏差而引起的SBC与配电网交互功率的波动，同时为了在日内调度中满足储能设备的各项约束，取SBC与配电网交互功率以及储能SOC日前计划值构成的向量Y_ref为跟踪控制目标，时间尺度为当前时刻向前的pΔt时段内，向量Y_ref可描述如下：

需要注意的是，由于MPC实时采样系统状态，并且每次进行滚动优化时都会更新超短期预测功率值，这相当于发挥了反馈校正的作用。

传统鲁棒优化方法的保守性太强，并且两阶段鲁棒优化问题的模型很复杂，难以直接求解。通常采用分解算法分为主问题和子问题，然而会加速收敛，难以取得全局最优。因此本发明运用仿射可调鲁棒方法来应对不确定性问题，降低解空间的保守性。

下面介绍仿射可调鲁棒的简略模型，仿射可调鲁棒的模型可以表示为：

其中，F为目标函数；A、B、

和

为常量矩阵；x为状态变量；ζ为扰动变量，取值限定在不确定集Z中；y_ζ为控制变量，控制变量所依赖的数据集合称为信息基础。

由于MPC是一个含参数ζ的标准二次优化模型，在这类模型中决策变量的值取决于参数的分段线性函数，所以MPC的控制量又可以表示成：

其中，x_l是0-1变量；w_l、v_lk表示分段线性函数的系数；ζ_l(k)表示不确定参数在第l分段在k时段的值。上式可以转化为线性表达式。

在上式中能够假设当状态变量x不变时，不确定参数ζ与控制变量y_ζ存在线性关系：

y＝w+Wζ

其中，w、W表示重新引入的不可调变量，w表示燃气轮机出力的基础值，W表示燃气轮机抑制风电出力波动的参与因子。

运用上式可以把模型预测控制的最优控制模型成功转化为：

上式是一个标准的鲁棒优化问题，可以用以下方法将它消去双线性项Wζ：

(1)

(2)用

代替各项w_ijζ_j；

(3)引入松弛变量t_ij代替|w_ij|，并添加约束t_ij≥w_ij，t_ij≥-w_ij。

通过以上转化，仿射可调鲁棒模型可以转化为一个混合整数线性优化模型，该模型能够使用CPLEX求解器进行求解。

下面介绍仿射可调鲁棒的详细模型：

(1)变量

1)状态变量

x(k)＝[P^GT(k),P^essch(k),P^essdis(k),S^ess(k),P^grid(k)]^T

2)扰动变量

扰动参数指的是负荷预测的不确定性L(t)、可再生能源预测的不确定性P^max,wind(t)。

L(t)＝P^L(t)+L_ζ(t)

其中，L_ζ(t)为负荷预测的误差，

为风电预测的误差。

3)控制变量

u(k)＝[ΔP^GT(k),ΔP^essch(k),ΔP^essdis(k),ΔP^buy(k),ΔP^sell(k)]^T

4)控制变量的调整策略

I(λ,t)＝{0,...,max(T,t+l)}

其中，λ表示任意一个可调变量；w_λ为控制变量的基准值；W_λ和V_λ分别为应对负荷波动和风电出力波动的参与因子；I(λ,t)表示λ在t时段的信息基础，意味着λ只与一部分得到观测的不确定参数有关联关系；l表示超短期预测的有效时长。

所述考虑风电消纳、多个智能建筑电能共享以及考虑风电不确定性的基于模型预测控制的智能建筑群电能优化共享的模型搭建和求解，通过建立多智能建筑系统对所提方法进行模拟验证。

本实施例中进行了实际验算：1)SBC内有三个建筑，包含两个居民楼以及一个商业大厦，每个建筑的不可控负荷类型相同。2)忽略SBC内负荷节点电压、网损问题。3)本实施例中参与联盟的用户均是同意进行负荷调整的，并且能够接受一定程度上舒适度的降低。

本算例是根据上述模型来展示的，但当智能建筑群的参数不同时，系统会根据新的参数重新进行计算。以某夏季某典型日的用电情况为例，建筑内ESS参数见表1；燃气轮机型号为TAU5670，其参数见表2和表3；

表1 SBC内ESS参数设置

楼宇	SB1	SB2	SB3
				电池容量(kW·h)	1500	1500	1500
最大充放电速度(kW)	250	250	250
				初始容量(kW·h)	750	750	750
最小容量(kW·h)	675	675	675
				最大容量(kW·h)	1350	1350	1350
充放电效率	0.92	0.92	0.92

表2燃气轮机参数

表3燃气轮机气体排放参数

(1)日前优化调度结果分析

给定3个智能建筑24h内的风电和负荷的实际数据分别如图3、图4和图5所示，其中建筑1和建筑2为居民楼，建筑3为商业大厦。风电和负荷的预测数据在实际数据中加入随机的预测误差。结合图3、图4和图5可以看出，在不同时段，建筑1、2和建筑3的负荷大小以及风电的输出大小存在明显差异，因而在该SBC内可以实现有效的建筑物电能共享。从图6可以看出，在电价较低负荷较少的时段，例如晚上22点-早上6点间ESS会进行充电，补充缺失的电能；在电价较高或者负荷较多时，例如下午17点-22点ESS会放电来满足建筑物的用电需求。可以看出ESS发挥出了削峰填谷的良好作用，也满足了其SOC的日运行平衡，系统减少在高电价时期买电，因此降低了系统成本。

(2)日内滚动优化调度结果分析

以长时间尺度1h为间隔进行调控，对于日内储能调控来说略微粗糙，而对于短时间尺度1min来说虽然结果更加精确，单次求解时间短，但数据量大，对运算能力要求过高。所以本发明以15min作为一个控制时域，将24h划分成96个时刻，MPC的预测时域数p＝16。滚动优化后的结果分ESS、GT和SBC内部的交互功率三部分展示。

由图7、图8可以看出，建筑1和建筑2的ESS在时段32、时段40-56和68-80这几个负荷高峰时段、高电价时段向SB供电，可以减少建筑在这些时段在外购电量，从而节约建筑成本。由图9可以看出，建筑3的ESS在时段75-85放电供给高峰负荷，而在电价低谷时段60-68进行充电。

由图13可知，由于建筑3没有夜间负荷，因此在夜间将电能共享给建筑1和建筑2使用，相较于从电网买电，这种方式降低了外部购电成本，因此获利更多。集群内的建筑之间进行功率的交换，这些多余电能不仅能满足其他建筑的功率需求，还能在满足了SBC整体的功率缺额之后再卖给电网获利。一天内整个SBC内部也都进行着电能共享，若集群内的建筑足够多，则整个SBC与电网的交易量会更少，用户们会优先选择在集群内部进行交易。

(3)经济性分析

为了比较不同调度方法的成本，进一步将本发明所提出的调度策略的经济性优势展现出来，在表4中对比了三种不同策略的用电成本。将仿射可调鲁棒调度模型转换为确定性调度，只需要将不确定区间设为0；而转换为鲁棒优化调度只需将可调变量v设为0即可。

由表4可以看出，本发明所提出的模型具有更明显的经济性优势，而鲁棒优化调度相较于确定性调度优势较小。

综上所述，本实施例的实施原理为：本发明的创新点在于运用模型预测控制策略将一些需要决策的变量从日前转移到日内，使日前计划更合理，并且考虑了风电的不确定性，介于传统鲁棒优化方法模型复杂难以求解的问题，运用仿射可调鲁棒方法来应对不确定性问题，降低解空间的保守性；通过宏观上对智能建筑群的能源进行分配，在实际中为了优化可再生能源的利用率，通过优化模型首先将智能建筑群中的风电发电计划值进行确定，通过短期预测模型，不断的根据系统内各部分的发电和储量进行计算，得到短期风电出力的计划值，根据此值再反馈进行调配智能建筑群对配电网的购电量以及对群内各个智能建筑的分配，保证在不降低过多用户舒适性的前提下，对智能建筑群的资源进行分配，本发明结构合理，设计巧妙，适合推广。

Claims

1.基于模型预测控制的智能建筑群电能优化共享系统，其特征在于，系统包含有智能建筑群，所述智能建筑群包含有集群运营商和多个智能建筑；

2.根据权利要求1所述的基于模型预测控制的智能建筑群电能优化共享系统，其特征在于，所述分布式电源包括有风机、燃气轮机和储能模块。

3.根据权利要求2所述的基于模型预测控制的智能建筑群电能优化共享系统，其特征在于，所述优化调度模型的目标函数为，

为t时段建筑向电网买、卖电能的价格，本发明售电、购电电价均采用分时电价；

为h建筑的储能模块在t时段的充电功率；

为h建筑的储能模块在t时段的放电功率；

为燃气轮机的总成本。

4.基于模型预测控制的智能建筑群电能优化共享方法，包括权利要求3所述的基于模型预测控制的智能建筑群电能优化共享系统，其特征在于，包括以下步骤，

5.根据权利要求4所述的基于模型预测控制的智能建筑群电能优化共享方法，其特征在于，所述S1中，日前优化调度模型的目标函数以风电日前出力的预测值最小化，结合系统最小化运行成本对燃气轮机的出力值、智能建筑群的充放电功率和智能建筑内部交换功率进行约束，其中，所述系统最小化运行成本包括有燃气轮机的运行成本、燃气轮机的生产成本、燃气轮机的排放污染气体的惩罚成本和智能建筑群的运行维护成本。

6.根据权利要求5所述的基于模型预测控制的智能建筑群电能优化共享方法，其特征在于，所述S2中，基于MPC的日内优化调整模型的滚动优化过程是通过划分一个固定的时间尺度，在每个时间尺度内保证各机组控制增量最小的前提下，得到最小化输出变量与日前计划值之间的差值，得到的最近一次滚动优化后的风电日内发电的超短期预测值。

7.根据权利要求6所述的基于模型预测控制的智能建筑群电能优化共享方法，其特征在于，所述日内优化调整模型中的时间尺度为15分钟。

8.根据权利要求5所述的基于模型预测控制的智能建筑群电能优化共享方法，其特征在于，基于MPC的日内优化调整模型为

x(k)＝[P^GT(k),P^essch(k),P^essdis(k),S^ess(k),P^grid(k)]^T

u(k)＝[ΔP^GT(k),ΔP^essch(k),ΔP^essdis(k),ΔP^buy(k),ΔP^sell(k)]^T

ζ(k)＝[ΔP^L(k),ΔP^wind(k)]^T

y(k)＝[P^grid(k),S^ess(k)]^T

式中，x(k)为状态变量，上式中，所述状态变量包含燃气轮机的出力值p^GT(k)、储能模块的充电功率p^essch(k)、储能模块的放电功率p^essdis(k)、储能荷电状态S^ess(k)以及智能建筑群与配电网的交互功率p^grid(k)，其中储能荷电状态可以理解为储能现有电量与总电量的比值；u(k)为控制变量，所述控制变量包括燃气轮机的出力值增量Δp^GT(k)，储能模块出力值的增量Δp^essch(k)和Δp^essdis(k)、储能模块内部交换功率的增量ΔP^buy(k)和ΔP^sell(k)；ζ(k)为扰动变量，所述扰动变量包括负荷超短期预测功率增量ΔP^L(k)和风电机组超短期预测功率增量ΔP^wind(k)，y(k)为输出变量，所述输出变量包括智能建筑群与配电网之间的交换功率P^grid(k)，储能荷电状态构成的向量S^ess(k)；

9.根据权利要求8所述的基于模型预测控制的智能建筑群电能优化共享方法，其特征在于，在风电和负荷预测数据的基础上反复迭代状态空间预测模型，向前预测p步之后就能够获得向量Y_f其中向量Y_f表示智能建筑群与配电网交互的功率以及储能SOC在预测时长pΔt内的预估输出值

10.根据权利要求9所述的基于模型预测控制的智能建筑群电能优化共享方法，其特征在于，在Y_f基础上，获取智能建筑群与配电网交互功率以及储能SOC日前计划值构成的向量Y_ref为跟踪控制目标，时间尺度为当前时刻向前的pΔt时段内，向量Y_ref为