CN104659812B - 一种基于预测控制的多微网协调控制方法 - Google Patents

Abstract

本发明公开了一种基于预测控制的多微网协调控制方法。该方法首先利用对偶分解方法将多微网系统分解成多个动态关联的子微网系统；然后引入拉格朗日协调因子将问题转化为针对每个子微网两层递阶优化问题，分散求解；最后利用梯度迭代算法进行协调，得到各个子微网的功率参考值，经过收发信模块为各个子微网提供功率参考值信号，实现多微网协调控制。该控制方法能够充分利用多个子微网，实现多微网系统与主网的功率交换，使馈线功率满足调节要求，实现并联结构的多微网之间的群组协调控制。

Description

一种基于预测控制的多微网协调控制方法

技术领域

本发明属于多微电网控制领域，尤其涉及基于预测控制的多微网协调控制方法。

背景技术

随着微电网的快速发展与广泛应用，不同区域的微电网之间通过信息和能量交互而形成的多微网系统日益受到人们关注。多微网系统能量的管理不仅要在满足电网约束条件下实现单个微电网内能量的优化管理，同时要协调能量在多微电网间的优化流动和利用，实现能量管理的全局优化。

由于模型预测控制(Model Predictive Control,MPC)具有处理约束和系统不确定性、实现经济目标优化等特点，为微电网能量优化管理提供了可靠的控制策略。本文考虑的多微电网系统中，每个微电网均包括以光伏发电、风力发电等为代表的新能源供电，以微型燃气轮机供电为代表的传统供电，以及新型的电力汽车和家庭用电的电力负荷，这些设备通过一个集成的中央控制器协调控制。微电网中分布式电源的协调控制问题非常复杂，从已有的参考文献看，有如下几种主要的控制策略：(1)主从站控制；(2)负荷、频率二次控制；(3)联络线(tie line)控制；文献Defining control strategies for microgridsislanded operation(PECAS LOPES J A,MOREIRA C L,MADUREIRA A G.Defining controlstrategies for microgrids islanded operation[J].IEEE Transactions on PowerSystems,2006,21(2):916-924.)提出了一种主从站控制策略一个电压源变换器(VSI)作为主站，在主电网失电的时候，提供电压参考，其他逆变器运行在P-Q模式(从站)。本地微电源控制器可接收来自微电网中央控制器(MGCC)的信息，根据MGCC信息控制相应的微电源。文献Control strategies for micro grids emergency operation(LOPES J,MOREIRA C,MADUREIRA A,Control strategies for micro grids emergency operation[C]//International Conference on Future Power Systems.Amsterdam,Netherlands,2005:1-6.)提出了负荷、频率二次控制策略。孤岛时，存储单元相当于同步发电机，采用二次控制恢复电压和频率。原动机的无功功率目标值根据频率偏差来确定。文献串联和并联结构的多微网系统分层协调控制策略中提出联络线(tie line)控制策略，连络线(tie line)这里指微电网和主网之间连接馈线，联络线控制管理连接点馈线的潮流和电压，通过协调微电网中各分布式电源，如发电机、能量存储设备及可控负荷，使微电网从连接点来看，是一个可分离的整体，即微电网能管理自己内部的功率并与电网进行交换，对连接点的电压提供支持，允许微电网成为独立运行实体，可用来补偿某些新能源的间歇性。

考虑到多微电网间的能量流动和相互关联，为了降低能量管理优化问题的复杂度，同时保证系统整体性能最优，本文提出基于预测控制的多微网协调控制方法，该控制方法可以通过对多个子微网的协调控制，实现多微网系统与主网的功率交换，使功率满足调节要求。

发明内容

本发明的目的是为了改进上述控制方法存在的不足，针对并联结构的多微电网系统提供一种不仅可以实现每个子微网的供求平衡，同时减少可控供电的使用，降低供电成本的控制方法。

一种基于预测控制的多微网协调控制方法，其步骤是：

(1)建立子微网预测模型及多微网预测控制优化模型；

设定多微网由N个子微网S_i组成(i＝1,2....,N)，选取预测时域为P，优化时域为M(P≥M)。对于每个子微网S_i，预测模型描述为，

X_i(k+1)＝A_iX_i(k)+B_iU_i(k)+A_ijV_i(k)

其中，U_i(k)＝[u_i(k|k)u_i(k+1|k)...u_i(k+P-1|k)]^T；

X_i(k+1)＝[x_i(k+1|k)x_i(k+2|k)...x_i(k+P|k)]^T；

V_i(k)＝[v_i(k|k)v_i(k+1|k)...v_i(k+P-1|k)]^T。

U_i(k)为k时刻预测的子微网S_i在k时刻及以后各个时刻可控的传统供电输出功率，V_i(k)为子微网S_i在k时刻及之后各个时刻受其它子微网影响的动态影响值，X_i(k+1)为基于k时刻的预测值所求出的子微网S_i在k+1时刻及之后各个时刻的新能源输出功率与负荷功率的差值，a_ij为子微网S_i在k时刻与其他子微网的能量流动比例系数，A_i表示子微网内部各状态变量之间的关联情况，B_i和A_ij表示输入变量对各状态变量的影响。

于是，多微网的预测控制优化模型如下：

其中Q_i与R_i分别是子微网S_i的状态和输入的权矩阵。

(2)设定初始的迭代步数h、迭代步长α_i，k时刻每个子微网的拉格朗日协调因子

(3)通过多微网的预测控制优化模型迭代求解拉格朗日协调因子最优值；

在预测控制优化模型J(k)中引入拉格朗日乘子组成拉格朗日函数，

其中，(i≠j,i,j＝1,...N)为拉格朗日乘子，且子微网S_i拉格朗日函数

若选取拉格朗日乘子作为协调因子(i＝1,…,N)，则

这是一个两层递阶结构形式的优化，内层是关于U_i(k)与V_i(k)的二次规划，仅与拉格朗日协调因子有关；外层是关于拉格朗日协调因子的优化。首先固定拉格朗日因子则每个子微网内层的优化L_i(k)可全分散、并行地求解。然后，利用内层优化的最优解对拉格朗日协调因子进行改进，

其中，迭代步长α_i是根据梯度上升算法收敛速度而适当选取的；h是迭代的步数；是子微网S_i迭代h步时的拉格朗日协调因子。反复迭代求解出满足条件的最优拉格朗日协调因子。在迭代求解最优拉格朗日协调因子过程中，子微网S_i的最优解仅依赖于其它子微网在当前时刻的信息，而这些信息可通过子微网间的实时通信获得，于是子微网便能独立、并行地求解各自的优化。每个子微网有一个独立的拉格朗日协调因子它受状态变量X_i(k)的影响。当状态变量X_i(k)改变时，基于拉格朗日协调因子的协调作用，通过调整U_i(k)和V_i(k)来补偿X_i(k)的变化，实现负荷与供电端的能量互动及微电网间的能量互动。

(4)根据上一步所求拉格朗日协调因子最优值求解各子微网与配电网的交换功率参考值，并根据交换功率参考值调节各子微网的功率输出；

子微网S_i与配电网的交换功率参考值为：

ΔP(k)＝P_ref(k)-P(k)

其中P(k)表示k时刻整个多微网与配电网的总交换功率，P_ref(k)表示k时刻整个多微网与配电网的总交换功率参考值，ΔP(k)表示k时刻整个多微网与配电网的总交换功率与参考值的差值，P_{i_ref}(k)表示子微网S_i与配电网的交换功率参考值，k_i表示比例积分控制器的积分系数，k_p表示比例积分控制器的比例系数。

(5)滚动移位至下一时刻k＝k+1，设定k时刻每个子微网的拉格朗日协调因子最优值为k+1时刻每个子微网的拉格朗日协调因子初始值，返回步骤(3)，重复步骤(3)和(4)。

与现有技术相比，本发明具有如下优点和技术效果：针对并联结构的多微网，提出一种基于预测控制的多微网协调控制方法，通过预测控制求得多微网协调因子的最优值，基于该最优值协调各子微网之间的功率分配，实现微网的供需平衡和供电成本最小化。

附图说明

图1基于预测控制的多微网协调控制方法流程框图。

图2并联结构多微网系统。

图3基于预测控制的功率协调控制策略结构图。

图4子微网中央控制器配合时联络线L1功率曲线图。

图5子微网中央控制器协调配合时储能1和2的功率曲线图。

具体实施方式

下面结合实施例及附图，对本发明做进一步地详细说明，但本发明的实施方式不限于此。

图1是基于预测控制的多微网协调控制方法流程框图，基于预测控制的多微网协调控制方法的具体步骤：

(1)建立子微网预测模型：

X_i(k+1)＝A_iX_i(k)+B_iU_i(k)+A_ijV_i(k)

其中，多微网由2个子微网S₁和S₂组成，选取预测时域为P＝4，优化时域为M＝4；

子微网S₁参数：

子微网S₂参数：

多微网预测控制优化模型；

其中，Q_i＝R_i＝1，i＝1,2；

(2)设定初始迭代步数h＝1000、迭代步长α₁＝0.8，α₂＝0.5，k时刻每个子微网的拉格朗日协调因子

(3)通过多微网的预测控制优化模型迭代求解拉格朗日协调因子最优值；

(4)根据上一步所求拉格朗日协调因子最优值求解各子微网与配电网的交换功率参考值，并根据交换功率参考值调节各子微网的功率输出；

(5)滚动移位至下一时刻k＝k+1，设定k时刻每个子微网的拉格朗日协调因子最优值为k+1时刻每个子微网的拉格朗日协调因子初始值，返回步骤(3)，重复步骤(3)和(4)。

图2是并联结构多微网。

并联结构多微网如图2所示。子微网并联至电网上，当开关K1断开、K2闭合，子微网1进入孤网运行状态，子微网2仍为并网运行状态；当开关K1闭合、K2断开，子微网2进入孤网运行状态，子微网1仍为并网运行状态；开K1断开、K2断开，子微网都进入孤网运行状态。当微网进入孤网运行状态时，子微网输出功率的大小和方向将重新分配，两个子微网是并列关系。

图3是基于预测控制的功率协调控制策略结构图。

并联结构多微网联络线功率控制时，子微网1是主控单元，子微网1测量多微网与配电网的交换功率P、子微网1的交换功率P₁，P与功率设定值比较经比例积分控制环节得到联络线交换功率的调节信号。该信号经过拉格朗日协调因子得到各个子微网的功率参考值，经过收发信模块为各个子网提供功率参考值信号。

子微网1和2的联络线功率P₁、P₂分别与子微网1的中央控制器提供的预测功率参考值比较后，得到子微网1和2的功率调节信号，实现联络线功率控制。子微网的协调因子是根据控制策略决定的，协调因子能够决定两个子网之间的功率分配比例，以决定每个子网与微网的交互功率，实现子微网之间的协调控制。经过联络线控制能够充分利用多个子微网，满足多微网系统与主网的功率交换，使馈线功率满足调节要求。

图4是子微网中央控制器配合时联络线L1功率曲线图。

多微网系统子微网1和2处于并联并网状态，在t＝7s从配网注入微网的联络线功率控制指令从20kW降低至10kW，图4为并联结构微网联络线的有功功率和无功功率的变化曲线图。

图5是子微网中央控制器协调配合时储能1和2的功率曲线图。

如图5所示，当子微网中央控制器采用协调控制策略时，联络线L1的功率从20kW降到10kW，由于短时间内预测的其他微源功率输出变化较小，子微网1和2的储能功率输出均相应的增加，以应对联络线功率的变化，这验证了所提出的并联结构多微网系统的基于预测控制的功率协调控制策略的正确性。多微网系统与配电网的交换功率，经过协调因子得到各个子微网与配电网的交换功率的参考值，进而产生各子微网中微源的功率调节信号。因此图5中随着联络线功率减小，储能装置1和2的输出有功功率都增大。

Claims (1)

1.一种基于预测控制的多微网协调控制方法，其特征在于包括如下步骤：

(1)建立子微网预测模型及多微网预测控制优化模型；设定多微网由N个子微网S_i组成，i＝1～N，选取预测时域为P，优化时域为M，P≥M，对于每个子微网S_i，预测模型描述为，

X_i(k+1)＝A_iX_i(k)+B_iU_i(k)+A_ijV_i(k)

$V_i\left(k\right)=\underset{j=1,j\≠i}{\overset{N}{\Σ}}{a}_{ij}{X}_j\left(k\right)$

其中，U_i(k)＝[u_i(k|k)u_i(k+1|k)...u_i(k+P-1|k)]^T；

X_i(k+1)＝[x_i(k+1|k)x_i(k+2|k)...x_i(k+P|k)]^T；

V_i(k)＝[v_i(k|k)v_i(k+1|k)...v_i(k+P-1|k)]^T；

U_i(k)为k时刻预测的子微网S_i在k时刻及以后各个时刻可控的传统供电输出功率，V_i(k)为子微网S_i在k时刻及之后各个时刻受其它子微网影响的动态影响值，X_i(k+1)为基于k时刻的预测值所求出的子微网S_i在k+1时刻及之后各个时刻的新能源输出功率与负荷功率的差值，a_ij为子微网S_i在k时刻与其他子微网的能量流动比例系数，A_i表示子微网内部各状态变量之间的关联情况，B_i和A_ij表示输入变量对各状态变量的影响；

于是，多微网的预测控制优化模型如下：

$\min J\left(k\right)=\underset{U_i\left(k\right),V_i\left(k\right)}{\min }\underset{i=1}{\overset{N}{\Σ}}\[\left|\right|X_i(k+1)|{|}_{Q_i}^2+|\left|U_i\left(k\right)\right|{|}_{R_i}^2\]$

其中Q_i与R_i分别是子微网S_i的状态和输入的权矩阵；

(2)设定初始的迭代步数h、迭代步长α_i，k时刻每个子微网的拉格朗日协调因子i＝1～N，N为子微网个数；

(3)通过多微网的预测控制优化模型迭代求解拉格朗日协调因子最优值；在预测控制优化模型J(k)中引入拉格朗日乘子组成拉格朗日函数，

其中，(i≠j,i,j＝1,...N)为拉格朗日乘子，且子微网S_i拉格朗日函数

若选取拉格朗日乘子作为协调因子，则该式表示两层递阶结构形式的优化，内层是关于U_i(k)与V_i(k)的二次规划，仅与拉格朗日协调因子有关；外层是关于拉格朗日协调因子的优化，首先固定拉格朗日因子i＝1～N，则每个子微网内层的优化L_i(k)可全分散、并行地求解；然后，利用内层优化的最优解对拉格朗日协调因子进行改进，

其中，迭代步长α_i是根据梯度上升算法收敛速度而适当选取的；h是迭代的步数；是子微网S_i迭代h步时的拉格朗日协调因子；反复迭代求解出满足条件的最优拉格朗日协调因子；在迭代求解最优拉格朗日协调因子过程中，子微网S_i的最优解仅依赖于其它子微网在当前时刻的信息，而这些信息可通过子微网间的实时通信获得，于是子微网便能独立、并行地求解各自的优化；每个子微网有一个独立的拉格朗日协调因子它受状态变量X_i(k)的影响；当状态变量X_i(k)改变时，基于拉格朗日协调因子的协调作用，通过调整U_i(k)和V_i(k)来补偿X_i(k)的变化，实现负荷与供电端的能量互动及微电网间的能量互动；

(4)根据上一步所求拉格朗日协调因子最优值求解各子微网与配电网的交换功率参考值，并根据交换功率参考值调节各子微网的功率输出；子微网S_i与配电网的交换功率参考值为：

其中P(k)表示k时刻整个多微网与配电网的总交换功率，P_ref(k)表示k时刻整个多微网与配电网的总交换功率参考值，ΔP(k)表示k时刻整个多微网与配电网的总交换功率与参考值的差值，P_{i_ref}(k)表示子微网S_i与配电网的交换功率参考值，k_i表示比例积分控制器的积分系数，k_p表示比例积分控制器的比例系数；

(5)滚动移位至下一时刻k＝k+1，设定k时刻每个子微网的拉格朗日协调因子最优值为k+1时刻每个子微网的拉格朗日协调因子初始值，返回步骤(3)，重复步骤(3)和(4)。