CN104113085A - 一种微电网能量优化管理方法 - Google Patents

Abstract

一种微电网能量优化管理方法，该方法以微电网能量流动供求误差的数学模型为基础，考虑实际电网运行中的能量守恒和物理设备的电气限制等约束条件，以微汽轮机的可控供电、储能的充放电量、充放电时间和用户用电时间/电量的调度等为操作变量，利用基于分时分层的递阶预测控制优化算法，对各能量模块的工作状态进行优化，以改善对新能源和用户负荷引起的双向扰动并满足用户负荷对电能的需求，从而保证了微电网运行的可靠性、安全性和经济性，且适用于实际电网中的能量优化管理。

Description

一种微电网能量优化管理方法

技术领域

本发明涉及一种能量优化管理方法，尤其是一种存在多用户且具有混合动态逻辑特性电力系统的能量优化管理方法。

背景技术

微电网作为智能电网的重要组成部分，它对新能源的推广、电力生产过程中的节能降耗、降低碳排放量具有重要意义。微电网能量管理的主要目的是在满足技术条件和物理装备等约束下，以最小的操作成本实时、准确地向用户负荷提供需求质量的电能，不仅保证短期内能量的供求平衡，同时达到长期内能量的优化调度和电网的经济运行。然而，由于新能源供电的间歇性、系统结构的复杂性、控制行为的约束性等原因，使得传统的能量管理策略难以满足实际的控制需求。因此，要保证微电网安全、可靠、经济地运行，实现微电网的推广和应用，就需要对微电网能量管理问题进行研究。

与负荷被动参与电网运行的传统电网能量管理相比，微电网的能量管理更期望用户负荷主动参与电网的运行，实现对对电能的积极消费。但随着智能用户数量的增加，用户时变的用电数量和随机的用电时间将给负荷端的能量分配带来扰动。另一方面，微电网的供电端引入了大量可再生、节能环保的新能源，新能源的随机性也给微电网的能量管理带来了扰动的影响。目前，针对微电网能量优化管理时对扰动的研究主要针对供电端或从用户端。

针对新能源的随机扰动问题，国内外学者有的引入储能设备削峰填谷、平滑新能源随机性的扰动，有的通过不同类型新能源之间的集群效应来改善新能源随机性的扰动，有的用分时优化的策略实现对新能源随机性的平滑；针对负荷端的扰动问题，采用提前用电或延迟用电的能量调度策略来鼓励用户负荷低峰积极用电、高峰减少用电的方式，实现对用户端扰动的削减和平滑。但目前的研究工作大多只考虑了新能源随机性扰动问题或用户端的供求误差而引起的扰动问题，而同时考虑由新能源随机性和用户动态性引起的方向扰动的能量管理问题研究相对较少。

因此，开发一种适合于存在多用户情况下的微电网能量优化管理方法，对新能源的推广、电力生产过程中的节能降耗、降低碳排放量具有重要意义。

发明内容

本发明提供了一种微电网能量优化管理的方法，针对存在多智能用户的微电网能量优化管理问题，提出一种基于分时分层的预测控制策略。

本发明的构思如下：

根据能量在不同模块间的流动，建立系统的分层模型和基于双层控制结构的能量管理优化问题，上层的集中控制器通过优化储能的充/放电时间、充/放电量、可控供电功率以及对负荷需求的调节作用来实现能量的优化流动，下层的集合器通过优化对负荷需求的分配作用以满足负荷的实时需求。为改善能量管理所面临的双向扰动，针对不同控制层分别采取不同时间尺度进行优化。在慢采样周期内优化求解上层优化问题，实现能量在长期内的优化调度；在快速采样周期内优化求解集合器的快时间尺度优化问题，实现短期内对用户需求的实时供应。

同时，为了改善新能源的随机性，保证上层的稳定运行，并实现对底层用户需求的实时分配，这里考虑针对集中控制器的优化问题和集合器的优化问题采取多时间尺度优化策略。上层集中控制器采用慢时间尺度，优化一天24小时中每小时能量的调度，实现能量在长期内的优化调度。下层集合器在分钟级采样周期内实现对用户负荷需求的实时供应。

集中控制器和集合器各自功能描述如下：

(a)上层集中控制器是一个以小时为采样周期的MPC控制器，基于一天24小时内新能源供电信息、储能状态信息以及集合器A_j，j＝1,…,M反馈的用户负荷需求预估信息、优化储能的充/放电时间、充/放电量、可控供电能源供电功率的变化以及对集合器能量需求的调节作用，实现能量在长期内的优化利用；

(b)下层集合器是M个基于分钟级采样时间的MPC控制器A_j,j＝1,…,M，控制管理N个即插即用的智能用户i＝1,...,N，其中M≤N，这里简称集合器A_j，j＝1,…,M。下层集合器将用户负荷的需求信息实时向上反馈到上层集中控制器，并接收来自上层集中控制器的能量分配信息，通过对用户负荷需求的实时优化，实现能量在短期内的优化利用。

存在多用户的微电网能量管理的模型描述：在每一小时k，k＝1,...,T_k，集合器A_j采集当前时刻各组智能用户的用电需求信息预估值Eref_j(k)，并上传给集中控制器。针对用户负荷的需求，集中控制器控制可控供电、新能源供电和储能设备的工作，向负荷提供电能，于是微电网内部能量流动的动态特性可描述为：

Es(k)＝Erenew(k)+ΔEcon(k)-Ereq(k)        (1)

$\mathrm{\&Delta;}{E}_{\mathrm{con}}^{\min }<\mathrm{\&Delta;Econ}\left(k\right)\&le;\mathrm{\&Delta;}{E}_{\mathrm{con}}^{\max }---\left(2\right)$

为保证供求的实时动态平衡，减小供求误差带来的扰动，除了调节可控供电功率的变化外，同时还采取以下措施：一方面，针对智能用户采用提前供电或延时用电的能量调度策略，激励智能用户低峰用电，避开用电高峰。于是，分配给智能用户负荷的实际电量为：

Ereq_j(k)＝Eref_j(k)+a_p,jΔP_j(k)        (3)

$\mathrm{Ereq}\left(k\right)=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j{\mathrm{Ereq}}_j\left(k\right)---\left(4\right)$

ΔP_j,min≤ΔP_j(k)≤ΔP_j,max        (5)

其中，a_p,j为上层集中控制器对下层集合器A_j分配能量的调控系数，λ_j为下层集合器A_j在总负荷需求中所占的比重。

另一方面，通过调节储能设备的充/放电来存储/补充富余/缺少的能量，储能的能量流动可描述为，

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+ηEs(k)    (6)

Soc_min≤Soc(k)≤Soc_max          (7)

其中，Soc(k)为k时刻储能设备的容量状态，储能的物理损耗系数a∈(0，1)。η为储能设备的充放电效率，充电效率记为η_c、放电效率记为η_d，且它们之间满足以下关系：

$\mathrm{\&eta;}=\left\{\begin{array}{cc}{\mathrm{\&eta;}}_c,& \mathrm{if\; Es}\left(k\right)>0\\ {\mathrm{\&eta;}}_d,& \mathrm{else}.\end{array}\right.$

储能的充放电过程可以看作是一个同时包含连续变量和离散变量的动态过程，这里采用混合逻辑动态模型处理方法。通过引入二进制变量δ(k)来表示储能在当前时刻的工作状态，

Z(k)＝δ(k)Es(k)          (9)

表示当前时刻储能充/放电的电量，则储能设备的动态特性可描述为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+(η^c-η^d)Z(k)+η^dEs(k)    (10)

满足以下约束条件：

E₁δ(k)+E₂Z(k)≤E₃Es(k)+E₄          (11)

其中，系数矩阵E₁，E₂，E₃和E₄是在将逻辑命题转换为线性不等式时二进制变量和连续变量要满足的线性不等式约束，可通过数学公式的推导得到。

基于分时分层递阶预测控制优化算法：分时分层递预测控制优化(THMPC)算法是一种新型的递阶预测控制框架，针对不同控制层次的优化问题采用不同时间尺度的采样周期进行优化。分时分层递阶预测控制将控制系统划分成多个层次，为满足实际过程对控制作用采样周期的多样性，考虑在不同的层次中采取基于不同时间尺度的采样周期，以供求误差最低和储能可靠性最高为目标，获得最优的操作条件，提高控制作用的有效性和控制效果的精确度。采用二次规划来求解下层的优化问题。

本发明的具体技术方案如下：

一种微电网能量管理优化方法，所述优化方法包括如下步骤：

(1)采集微电网各能量模块的实时运行数据：用户负荷的需求信息、储能设备当前时刻的容量状态以及新能源供电的输出；

(2)建立微电网内部上下两层的能量平衡和上层储能容量的动态描述，其中，下层在快采样周期内的能量平衡关系为：

其中t是快速采样周期的时刻，λ_i是用户需求用电Ereq_i(t)在集合器A_j能量需求Ereq_j(t)中所占的比例系数；

上层在慢采样周期内的能量平衡关系为：

Es(k)＝Erenew(k)+ΔEcon(k)-Ereq(k)，其中，k是慢采样周期的时刻，ΔEcon(k)是可控供电能源功率的变化，Erenew(k)是新能源实时测量值，Ereq(k)是集中控制实时采集的负荷需求；

(3)基于微电网内部能量的流动关系和能量的供需关系，建立起微电网能量管理的上层各能量模块与储能设备间能量流动的函数关系：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+ηEs(k)，其中Soc(k)为k时刻储能设备的容量状态，储能的物理损耗系数a∈(0，1)；η为储能设备的充放电速率，充电效率记为η_c、放电效率记为η_d，且它们之间满足以下关系：

$\mathrm{\&eta;}=\left\{\begin{array}{cc}{\mathrm{\&eta;}}_c,& \mathrm{if\; Es}\left(k\right)>0\\ {\mathrm{\&eta;}}_d,& \mathrm{else}\end{array}\right.$

(4)以储能的充放容量、可控供电的功率变化以及对负荷需求的调节作用作为约束条件，建立微电网上下两层的能量管理的目标函数；

其中，上层的能量管理的目标函数按照如下步骤优化：利用基于混合整数二次规划带约束的预测控制优化算法，以可控供电功率、储能充放电量和充放电时间、以及对协调器需求的调节作用为操作变量，以储能设备最优容量为设定值，以上层的能量供求误差最低作为目标，在满足可控能源供电功率、储能的充放电和容量物理约束条件下，调整可控供电功率、储能充放电量和充放电时间、以及对协调器需求的调节作用，以达到上层最小的目标函数值；

下层的能量管理的目标函数按照如下步骤优化：利用基于二次规划带约束的预测控制优化算法，以协调器对用户采取的断电或提前用电而带来的能量调度作用为操作变量，以用户对能量的需求作为适应值，以协调器对负荷能量供应与负荷需求间的误差最低作为目标，在满足负荷对电能需求质量的约束条件下，调整对负荷需求的调度作用，以达到下层最小的目标函数值。

上述步骤(2)涉及一种分时分层的能量管理结构，所述上层是以小时为采样周期的慢时间尺度层次，所述下层是以分钟为采样周期的快时间尺度层次。

上述步骤(3)中采用混合逻辑动态模型来描述储能设备容量的动态特性，用二进制变量δ(k)来表示储能在当前时刻的工作状态，Z(k)＝δ(k)Es(k)表示当前时刻储能充/放电的电量，储能设备的动态特性描述为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+(η^c-η^d)Z(k)+η^dEs(k)。

其中，Soc(k+1)表示储能设备在K+1时刻的容量状态；

Soc^ref是为保证储能电池工作的可靠性而设置的一个设定值，即在储能充放电过程中的初始时刻和最终时刻储能设备的容量均保持趋近该设定值；

η^c和η^d分别表示储能设备充电效率和放电效率，使本方法更具符合实际条件，考虑储能电池在充放电过程中存在能量损耗；

Es(k)代表储能设备与其它电力设备间流动的电量。

上述步骤(4)中分别为上下两层建立了基于不同时间尺度的目标函数，其中，上层是以小时级别的采样周期内储能容量期望状态和能量供求误差作为目标函数，下层是以分钟级别的采样周期内能量分配和负荷需求间的误差作为目标函数。

上述步骤(4)中的优化和决策变量中既包含了连续型变量，即可控供电功率、对协调器需求的调度、储能充放电量，同时也包含了离散型变量，即储能设备充放电状态，通过选取新的决策变量，

$U\left(k\right)={\left[\begin{array}{cccc}\mathrm{\&Delta;}\tilde{E}\mathrm{con}\left(k\right)& \tilde{Z}\left(k\right)& \widetilde{\mathrm{\&delta;}}\left(k\right)& \mathrm{\&Delta;}\tilde{P}\left(k\right)\end{array}\right]}^T$

其中，表示可控能源供电功率在K时刻的预测变化值，可控能源主要是指向微型燃气轮机这种功率可控的供电设备；

表示储能设备与外界交换的能量的预测值；

表示储能设备工作状态(充电或放电)的预测值；

是针对智能用户的采取延时或提前供电的智能用电调度策略，这里是指上层控制器对下层集合器采取调度策略后而引起用电功率变化量预测值。

注：由于本申请是基于模型预测控制算法的思想，因此各变量顶上有一波浪线，表示此变量为k时刻的预测估计值。

并采用基于混合整数二次规范带约束的预测控制优化算法进行求解优化问题。

上述步骤(4)中在分钟级别的快速采样周期内采取提前用电或暂时断电的措施来改善微电网能量的波动，保证微电网运行的稳定性，Ereq_i(t)＝Eref_i(t)+a_p,iΔP_i(t)，Ereq_i(t)表示t时刻的用户需求用电，Eref_i(t)表示用户i在t时刻实时反馈给集合器的用电需求信息。

本申请考虑了集合器对负荷用电采取延时或提前供电的智能用电调度策略，改善负荷端给电网带来的波动,从而提微电网运行稳定性，ΔP_i(t)表示集合器针对第i个用户负荷需求的调节作用；集合器对负荷的调节作用会给负荷用电带来影响，针对不同的负荷可能会采取不同的调节力度，因此a_p,i是指集合器p针对第i个用户负荷调节作用的权系数。

本发明提供了一种微电网能量管理的优化算法，此方法利用分时分层的递阶预测控制优化算法对微电网中操作参加进行优化，不仅满足了用户对能量的需求，而且实现了微电网内部能量的优化分配和流动，为微电网对得起的安全性、可靠性、经济性提供了保障，且此方法适用于包含大量用户的微电网能量优化管理问题，有着广泛的适用性。

附图说明

图1是存在多用户的微电网能量管理结构示意图；

图2是微电网能量管理的分时分层递阶结构示意图；

图3是基于分时分层递阶预测控制的微电网能量优化管理算法的流程图；

图4的(a)至(j)分别表示5组集合所管理的10个智能用户负荷在一天24小时内每个时间段需求的预估值；

图5是5组集合所管理的10个智能用户负荷在一天内所有用户总需求能量的预估值；

图6是一天内新能源的发电量示意图；

图7的(a)至(e)分别表示一天内集合器A1～A5对用户需求的调度值；

图8是一天内储能设备的容量状态；

图9是一天内储能的充放电时间；

图10是一天内可控供电功率的变化；

图11的(a)至(j)分别表示一天内用户1～用户10的能量需求与能量实时供应示意图。

具体实施方式

以下结合附图并通过实例对本发明进一步说明。

实施例1

图2中，Erenew为新能源供电量，Econ为可控能源供电量，ΔEcon可控供电功率的变化，Soc为储能设备的存储电量，Z为储能的充放电量，η为储能设备的充放电速率，Ereq_j为分配给集合器j的电量，ΔP_j集中控制器对集合器j需求的调节作用，Eref_j为集合器向上层集中控制器反馈的实时需求信息，Eref_i为用户i实时反馈给集合器的需求信息，为集合器j分配给用户i的电量，ΔP_i ^j为集合器j分配给用户i的需求的调度作用。

图3中，t是快采样周期时刻，k是慢采样周期时刻。

如图1和图2所示，本发明所优化的微电网对象，即考虑多用户负荷的微电网系统，包含一个可控供电能源、一组新能源供电能源、一个容量和充/放电速率受限制的储能设备、5组位于控制架构下层的集合器、10个位于底层的不同用电特性的智能用户{c1,c2}，{c3,c4}，{c5,c6}，{c7,c8}，{c9,c10}以及一个协调这些能量模块工作的集中控制器。10个智能用户负荷以即插即用的方式接入微电网系统，并由5个集合器A_j,j＝1,…,5来分组管理。这里考虑每个集合器分组管理2个智能用户的需求能量分配(也可以扩展到多个用户且每组集合器分组管理的用户不均等的情况)，且集合器A_j(j＝1,…,5)与集合器A_k(k＝1,…,5)间对用户的管理没有交集，即对于任意两个集合器A_j和A_k，j,k＝1,…,5，相应的智能用户为和总有

为了向10个可控的智能用户提供实时的能量需求，集中控制器首先采集到的一天24小时内所有用户的负荷总需求预估值(如图5所示)，以及可再生能源供电的预测值(如图6所示)。在图5中，用户需求在每个时刻各不相同，在11:00至22:00间，负荷的需求量比较大；而其它时刻，负荷需求则相对较小。在图6中，新能源在8:00-22:00间比较丰富，且供电量存在较大的波动性。因此，为了改善新能源的随机性从而保证上层的稳定运行，并实现对智能用户需求的实时分配，这里考虑针对集中控制器的优化问题和集合器的优化问题采取多时间尺度优化策略。

采集微电网内部实时的储能容量、5组集合所管理的10个智能用户负荷在一天24小时内每个时间段需求的预估值(如图4所述)，根据前述的(3)式和(4)式，计算得到初始时刻协调器上传的需求信息关系式的参数λ：

λ₁＝0.2063，λ₂＝0.0288，λ₃＝0.3717，λ₄＝0.0205，λ₅＝0.3888；

实时采集储能设备初始时刻的容量和充放电速率，建立起储能的逻辑命题并将其转化成(10)式，其中δ(k)和Z(k)的表达式为：

在将逻辑命题转换为线性不等式时二进制变量和连续变量过程中，要满足的线性不等式约束(11)，其中系数矩阵E₁，E₂，E₃和E₄分别为：

$\left\{\begin{array}{c}{E}_1={\left[\begin{array}{cccccc}{\mathrm{Soc}}^{\mathrm{ref}}& -({\mathrm{Soc}}^{\mathrm{ref}}+\mathrm{\&epsiv;})& {\mathrm{Soc}}^{\mathrm{ref}}& {\mathrm{Soc}}^{\mathrm{ref}}& -{\mathrm{Soc}}^{\mathrm{ref}}& -{\mathrm{Soc}}^{\mathrm{ref}}\end{array}\right]}^T\\ E_2={\left[\begin{array}{cccccc}0& 0& 1& -1& 1& -1\end{array}\right]}^T\\ E_3={\left[\begin{array}{cccccc}1& -1& 1& -1& 0& 0\end{array}\right]}^T\\ E_4={\left[\begin{array}{cccccc}{\mathrm{Soc}}^{\mathrm{ref}}& -\mathrm{\&epsiv;}& {\mathrm{Soc}}^{\mathrm{ref}}& {\mathrm{Soc}}^{\mathrm{ref}}& 0& 0\end{array}\right]}^T\end{array}\right..$

上层采用慢时间尺度，即以小时为采样周期，基于一天24小时内新能源供电信息(如图6所示)、储能状态信息以及集合器A_j，反馈的用户负荷需求预估信息，优化一天24小时中每小时储能的充/放电时间、充/放电量、可控供电能源供电功率的变化以及对集合器能量需求的调节作用，实现能量在长期内的优化利用。基于上层慢时间尺度的优化信息，下层集合器采用慢时间尺度，在每6分钟内优化对用户负荷需求能量的调度，实现对负荷需求的实时供应和能量的优化利用。在优化过程中，微电网内部和储能内部能量是动态平衡的，微电网内部应满足以下约束：-0.5＜ΔEcon(k)≤0.5，-0.5＜ΔP(k)≤0.5。选取慢采样周期和快采样周期内的权矩阵分别为R₁＝R₂＝R₃＝R₄＝Q_j＝R_i＝Q_j＝I，j＝1,…,5，i＝1,…,10，慢采样周期的预测时域长度P_s＝4(小时)，一天24小时内的时域起始时刻T₀＝0:00，终止时刻为T_s＝24:00，快采样周期内的预测时域长度P_f＝10(分钟)，T_s＝T_f。储能的放电系数η^c为-0.6，充电系数η^d为0.6。取储能设备的能量损耗比例为0.2，则取储能设备的模型描述中的状态系数a＝0.8。设置储能容量的初始状态和期望值均为2，最大容量为4，最小容量为1。应用文中提出的算法优化求解慢采样周期的优化问题:

$\min J\left(k\right)=\underset{\widetilde{\mathrm{\&delta;}}\left(k\right),\mathrm{\&Delta;}{\tilde{P}}_j\left(k\right)}{\underset{\mathrm{\&Delta;Econ}\left(k\right),\tilde{Z}\left(k\right),}{\min }}\underset{k=T_0}{\overset{T_s}{\mathrm{\&Sigma;}}}({\left|\right|X(k+1)\left|\right|}_{R_1}^2+{\left|\right|\mathrm{\&Delta;}\tilde{E}\mathrm{con}\left(k\right)\left|\right|}_{R_2}^2+{\left|\right|\tilde{Z}\left(k\right)\left|\right|}_{R_3}^2+{\left|\right|\widetilde{\mathrm{\&delta;}}\left(k\right)\left|\right|}_{R_4}^2+\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\left|\right|\mathrm{\&Delta;}{\tilde{P}}_j\left(k\right)\left|\right|}_{Q_j}^2)$

s.t.

$\left\{\begin{array}{c}X(k+1)=\mathrm{Ax}\left(k\right)+B_z\tilde{Z}\left(k\right)+B_c\mathrm{\&Delta;}\tilde{E}\mathrm{con}\left(k\right)+\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{B}_{p_j}\mathrm{\&Delta;}{\tilde{P}}_j\left(k\right)+B_w\tilde{E}w\left(k\right)\\ E_1\mathrm{\&delta;}(k+l_s|k)+E_{2}Z(k+l_s|k)\&le;E_3\mathrm{Es}(k+l_s|k)+E_4\\ x_{\min }\&le;x(k+l_s|k)\&le;x_{\max }\\ -0.5\&le;\mathrm{\&Delta;}\tilde{E}\mathrm{con}(k+l_s|k)\&le;0.5\\ -0.5\&le;\mathrm{\&Delta;}{\tilde{P}}_j(k+l_s|k)\&le;0.5\\ l_s=1,...,P_s,j=1,...,M\end{array}\right.$

得到如图7至图10所示的仿真结果。

由图7至图10所描述的一天24小时内各个时刻能量的优化分配信息不难看出，在2:00-4:00、6:00-8:00和22:00这几个时间段内，图6中新能源稀少而图5中用户需求多时，能量供应不足以满足负荷需求，此时，储能设备处于放电状态(如图8和图9)、可控能源的供电功率会增加(如图10)、对负荷需求的供应会削减(如图7)，以此来补偿电网中缺省的电能；在其它时刻，新能源丰富足以满足用户负荷需求(如图5和图6)，此时储能通过充电来吸收电网中富余的能量(如图8和图9)，可控能源的供电功率下降(如图10)并增加了对负荷需求的供应(如图7)，以此来减少微电网中富余的能量，最终实现对富余能量的优化利用。

基于上层慢时间尺度优化问题求解出的在一天24小时内各个时刻能量分配的优化信息，集合器A_j，j＝1,…,5在快速采样周期内优化对用户负荷需求的分配，通过对集合器A_j下层快时间尺度的优化问题式的求解，得到当前时刻对用户负荷需求的优化分配信息，如图11所示。图11中分别给出了10个可控的智能用户一天24小时内在快速采样周期的各个时刻和慢速采样周期各个时刻的需求曲线和实际能量供应曲线。在如图11所示的仿真结果中，当能量供应紧张时，实时电力供应曲线紧紧跟随负荷需求曲线，说明实时能量供应能满足负荷需求；当新能源充足时，集合器考虑针对负荷采用提前用电或过量供电的策略，实现对富余能量的利用，起到削峰填谷的作用。针对每组集合器下的用户而言，不仅在慢速采样周期内能量供应曲线能很好地跟踪能量需求曲线，而且在快速采样周期内能量供应曲线也能实时地跟踪能量需求曲线。即不仅满足用户负荷在慢采样周期内的需求，而且实现了在快速采样周期内对负荷需求的实时供应。

集合器A_j的任务是基于集中控制器每小时内实际分配给集合器A_j的能量在快速采样时间内满足约束条件下，优化对用户负荷需求的分配作用ΔP_i(t)，保证对用户负荷时变需求的实时供应，实现短期内对负荷能量供求误差的最小化和能量的优化利用。于是，集合器A_j能量管理的下层快时间尺度的优化问题可描述为，

$\underset{\mathrm{\&Delta;}{P}_i\left(t\right),i\&Element;C_i^{N_j}}{\min }{J}_j\left(t\right)=\underset{\mathrm{\&Delta;}{P}_i\left(t\right)}{\min }\underset{t=T_0}{\overset{T_f}{\mathrm{\&Sigma;}}}[\underset{i=1}{\overset{C_i^{N_j}}{\mathrm{\&Sigma;}}}\left({\left|\right|{\widetilde{\mathrm{Ereq}}}_i\left(t\right)\left|\right|}_{Q_i}^2\right)-{\mathrm{Ereq}}_j^{*}\left(t\right)+\underset{i=1}{\overset{C_i^{N_j}}{\mathrm{\&Sigma;}}}{\left|\right|\mathrm{\&Delta;}{\tilde{P}}_i\left(t\right)\left|\right|}_{R_i}^2]$

s.t.

$\left\{\begin{array}{c}{\mathrm{Ereq}}_i(t+l_f|t)={\mathrm{Eref}}_i(t+l_f|t)+a_{p,i}\mathrm{\&Delta;}{P}_i(t+l_f|t)\\ \underset{i\&Element;C_i^{N_j}}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_i{\mathrm{Ereq}}_i(t+l_f|t)={\mathrm{Ereq}}_j(t+l_f|t)\\ -0.05\&le;\mathrm{\&Delta;}{P}_i(k+l_f)\&le;0.05,l_f=1,...,P_f,i=1,...,N\end{array}\right.$

SHMPC优化算求解能量管理问题的具体法流程如图3所示，包括以下步骤：

在当前k，k＝1h,...,24h时刻，集合器A_j，j＝1,…,5采集各组用户在未来一段时间内用户负荷的预估需求Eref_j(k)，j＝1,…,5并传递给集中控制器；集中控制器采样k时刻储能的容量信息Soc(k)和可再生能源信息Erenew(k)，设定当前采样时刻储能的充/放电速率和储能能量损耗系数，在满足储能设备容量限制和可控供电功率的变化等约束条件下，求解上层慢时间尺度的优化问题，得到最优可控能源供电功率的变化ΔEcon^*(k)、储能的充放电时间、对智能用户负荷需求的调控作用并发送给集合器A_j；

基于集中控制器优化求解出k时刻能量的优化分配信息和集合器A_j在快采样时刻t＝k+L_f,L_f＝0,…,(T_s/T_f)-1分别求解下层快时间尺度的优化问题，得到对用户负荷需求的优化分配和ΔP_i ^*(t)。

滚动移位到下一时刻k＝k+1，并返回步骤1，重复以上步骤。

综上所述仅为发明的较佳实例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应该为本发明的技术范畴。

Claims (6)

1.一种微电网能量管理优化方法，其特征在于，所述优化方法包括如下步骤：

(1)采集微电网各能量模块的实时运行数据：用户负荷的需求信息、储能设备当前时刻的容量状态以及新能源供电的输出；

(2)建立微电网内部上下两层的能量平衡和上层储能容量的动态描述，其中，下层在快采样周期内的能量平衡关系为：

其中t是快速采样周期的时刻，λ_i是用户需求用电Ereq_i(t)在集合器A_j能量需求Ereq_j(t)中所占的比例系数；

上层在慢采样周期内的能量平衡关系为：

Es(k)＝Erenew(k)+ΔEcon(k)-Ereq(k)，其中，k是慢采样周期的时刻，ΔEcon(k)是可控供电能源功率的变化，Erenew(k)是新能源实时测量值，Ereq(k)是集中控制实时采集的负荷需求；

(3)基于微电网内部能量的流动关系和能量的供需关系，建立起微电网能量管理的上层各能量模块与储能设备间能量流动的函数关系：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+ηEs(k)，其中Soc(k)为k时刻储能设备的容量状态，储能的物理损耗系数a∈(0，1)；η为储能设备的充放电效率，充电效率记为η_c、放电效率记为η_d，且它们之间满足以下关系：

$\mathrm{\&eta;}=\left\{\begin{array}{cc}{\mathrm{\&eta;}}_c,& \mathrm{if\; Es}\left(k\right)>0\\ {\mathrm{\&eta;}}_d,& \mathrm{else}\end{array}\right.$

(4)以储能的充放容量、可控供电的功率变化以及对负荷需求的调节作用作为约束条件，建立微电网上下两层的能量管理的目标函数；

其中，上层的能量管理的目标函数按照如下步骤优化：利用基于混合整数二次规划带约束的预测控制优化算法，以可控供电功率、储能充放电量和充放电时间、以及对协调器需求的调节作用为操作变量，以储能设备最优容量为设定值，以上层的能量供求误差最低作为目标，在满足可控能源供电功率、储能的充放电和容量物理约束条件下，调整可控供电功率、储能充放电量和充放电时间、以及对协调器需求的调节作用，以达到上层最小的目标函数值；

下层的能量管理的目标函数按照如下步骤优化：利用基于二次规划带约束的预测控制优化算法，以协调器对用户采取的断电或提前用电而带来的能量调度作用为操作变量，以用户对能量的需求作为适应值，以协调器对负荷能量供应与负荷需求间的误差最低作为目标，在满足负荷对电能需求质量的约束条件下，调整对负荷需求的调度作用，以达到下层最小的目标函数值。

2.根据权利要求1所述的微电网能量优化管理方法，其特征在于，步骤(2)涉及一种分时分层的能量管理结构，所述上层是以小时为采样周期的慢时间尺度层次，所述下层是以分钟为采样周期的快时间尺度层次。

3.根据权利要求1所述的微电网能量优化管理方法，其特征在于，步骤(3)中采用混合逻辑动态模型来描述储能设备容量的动态特性，用二进制变量δ(k)来表示储能在当前时刻的工作状态，Z(k)＝δ(k)Es(k)表示当前时刻储能充/放电的电量，储能设备的动态特性描述为：

[Soc^ref-Soc(k+1)]＝a[Soc^ref-Soc(k)]+(η^c-η^d)Z(k)+η^dEs(k)；

其中，Soc(k+1)表示储能设备在K+1时刻的容量状态；

Soc^ref是为保证储能电池工作的可靠性而设置的一个设定值，即在储能充放电过程中的初始时刻和最终时刻储能设备的容量均保持趋近该设定值；

η^c和η^d分别表示储能设备充电效率和放电效率；

Es(k)代表储能设备与其它电力设备间流动的电量。

4.根据权利要求1所述的微电网能量优化管理方法，其特征在于，步骤(4)中分别为上下两层建立了基于不同时间尺度的目标函数，其中，上层是以小时级别的采样周期内储能容量期望状态和能量供求误差作为目标函数，下层是以分钟级别的采样周期内能量分配和负荷需求间的误差作为目标函数。

5.根据权利要求1所述的微电网能量优化管理方法，其特征在于，步骤(4)中的优化和决策变量中既包含了连续型变量，即可控供电功率、对协调器需求的调度、储能充放电量，同时也包含了离散型变量，即储能设备充放电状态，通过选取新的决策变量，

$U\left(k\right)={\left[\begin{array}{cccc}\mathrm{\&Delta;}\tilde{E}\mathrm{con}\left(k\right)& \tilde{Z}\left(k\right)& \widetilde{\mathrm{\&delta;}}\left(k\right)& \mathrm{\&Delta;}\tilde{P}\left(k\right)\end{array}\right]}^T,$ 并采用基于混合整数二次规范带约束的预测控制优化算法进行求解优化问题；

表示可控能源供电功率在k时刻的预测变化值；

表示储能设备与外界交换的能量的预测值；

表示储能设备工作状态充电或放电的预测值；

是针对智能用户采取延时或提前供电的智能用电调度策略，这里是指上层控制器对下层集合器采取调度策略后而引起用电功率变化量的预测值。

6.根据权利要求1所述的微电网能量优化管理方法，其特征在于，步骤(4)中在分钟级别的快速采样周期内采取提前用电或暂时断电的措施来改善微电网能量的波动，保证微电网运行的稳定性，Ereq_i(t)＝Eref_i(t)+a_p,iΔP_i(t)；

其中，ΔP_i(t)表示集合器针对第i个用户负荷需求的调节作用，a_p,i表示集合器p针对第i个用户负荷调节作用的权系数。