CN105119285B - 基于动态赋权的风储协调多目标优化控制方法 - Google Patents

Abstract

本发明涉及一种基于动态赋权的风储协调多目标优化控制方法，包括以下步骤：1)根据设定的多目标及约束条件，建立MPC控制模型；2)获取设定时间尺度内的风电功率预测值及当前储能SOC值；3)采用在线调优方法获取MPC控制模型中各目标的最优权重系数；4)在最优权重系数下对MPC控制模型进行求解，得到风电并网功率的优化值；5)采用LPF按储能控制周期进行连续控制，以所述并网功率优化值补偿LPF控制的输出，获得最终并网功率和储能输出功率设定值；6)在执行步骤5)的同时，判断一个MPC控制周期是否完成，若是，则返回步骤2)，若否，则返回步骤6)。与现有技术相比，本发明具有可适应于变化风电功率场景、显著改善对储能SOC的控制效果等优点。

Description

基于动态赋权的风储协调多目标优化控制方法

技术领域

本发明涉及一种风储协调控制方法，尤其是涉及一种基于动态赋权的风储协调多目标优化控制方法。

背景技术

在风电场就地配置储能系统(Battery Energy Storage System,BESS)是提高电网接纳风电能力的重要措施。在各种风储协调控制方法中，低通滤波器(Low Pass Filter,LPF)是一种简单而实用的控制方法。但LPF控制对未来风功率的变化缺乏预见性，这限制了其在风功率波动较大时的控制效果。此外，随着风储协调应用的深入，控制从单目标变为多目标，从初期的主要考虑减少风电场出力波动，到同时关注储能充放电效率和使用寿命，以兼顾技术性和经济性，但在LPF方法中难以直接表达多个优化目标。与之相比，模型预测控制(Model Predictive Control，MPC)能够充分利用风电功率预测信息，且能够显式表达多个优化目标和约束条件，故近年来被广泛讨论和应用。例如，文献“A model predictivecontrol approach to the problem of wind power smoothing with controlledbattery storage”(Khalid M,Savkin A V.Renewable Energy,2010,35(7):1520-1526)以减小储能充放电功率以及控制储能荷电状态(SOC,State of Charge)于理想值附近作为子目标；文献“Fast MPC-based coordination of wind power and battery energystorage systems”(XIE L,GU Y,ESKANDARI A,et al.Journal of Energy Engineering,2012,138(2):43-53)考虑了风电场收益、并网功率平滑以及储能出力等多个子目标；文献“Two-time-scale coordination control for a battery energy storage system tomitigate wind power fluctuations”(JIANG Q,WANG H.IEEE Transactions on EnergyConversion,2013,28(1):52-61)将风电场并网功率波动以及储能出力的不等式约束乘以惩罚因子加入到目标函数中，并采用粒子群算法优化LPF滤波时间常数；文献“平抑长短期风电功率波动的风储协调运行方法”(沈枢,张沛超,李中豪,张宇,方陈.电力系统自动化,2015,39(8):12-18)考虑了储能SOC控制、储能充放电功率控制以及并网功率波动控制等子目标。

事实上，不仅是风储协调控制，电力系统的诸多最优控制都需要求解多目标优化问题。考虑到控制的实时性，实用中常采用权重法将多目标优化转换为单目标优化问题进行求解。由于权重系数反映了对各子目标的偏重程度，权重系数的选择就变得至关重要。上述文献皆采用固定赋权法，即在离线状态下，通过反复试验或者某种主观赋权法(如层次分析法)来确定权重系数，该权重系数在系统运行中不再改变。

虽然在传统电网中，固定赋权法取得了很多成功的应用，但是在以风电接入作为典型应用的智能电网控制中，固定赋权法将难以适应智能电网固有的随机性特点，不能适应变化的风电功率场景。这一方面是因为，离线状态下无法穷尽系统的可能状态，从而难以依靠有限的仿真场景来决定各子目标的权重；另一方面，在一个时变的环境中，各指标的相对重要性也可能在不断变化。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可适应于变化风电功率场景的基于动态赋权的风储协调多目标优化控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于动态赋权的风储协调多目标优化控制方法，包括以下步骤：

1)根据设定的多目标及约束条件，建立MPC控制模型；

2)获取设定时间尺度内的风电功率预测值及当前储能SOC值；

3)采用在线调优方法获取MPC控制模型中各目标的最优权重系数；

4)在最优权重系数下对MPC控制模型进行求解，得到风电并网功率的优化值；

5)采用LPF按储能控制周期进行连续控制，以所述并网功率优化值补偿LPF控制的输出，获得最终并网功率和储能输出功率设定值；

6)在执行步骤5)的同时，判断一个MPC控制周期是否完成，若是，则返回步骤2)，若否，则返回步骤6)。

所述MPC控制模型的目标函数为：

其中，J_i为第i个目标，α_i为第i个目标对应的权重系数，n为目标个数。

所述在线调优方法获取MPC控制模型中各目标的最优权重系数具体为：

31)设置各权重系数的初始值；

32)以Δα_i为权重系数α_i的搜索步长将各权重系数离散化为5个水平；

33)对离散化后的权重系数进行组合，以全试验法或正交试验法将组合后权重系数求解MPC控制模型的目标函数，获得每一权重系数组合对应的各目标值，生成评价矩阵J_p×q：

其中，p为试验次数，q为目标个数；

34)根据评价矩阵J_p×q获得最优试验组；

35)以最优试验组中的权重系数替代初始值，重复步骤32)-34)，直至满足结束条件。

所述权重系数α_i的取值范围为[0.1,9]。

所述搜索步长Δα_i为0.2。

所述步骤34)具体为：

341)基于隶属度函数对评价矩阵J_p×q进行无量纲化处理，获得隶属度矩阵μ：

所述隶属度函数表达式为：

其中，J_ij为评价矩阵J_p×q中第i行第j列的元素值，μ_ij为对应的无量纲化结果，μ_ij∈[0,1]，J_{j_1}、J_{j_2}分别为第j个目标的满意值上限和允许值上限；

342)建立基于熵权法的评价函数f：

其中，w_j为第j个目标对应的熵权，H_j为第j个目标的熵值，当f_ij＝0时，令f_ij ln f_ij＝0；

343)计算并比较每一权重系数组合对应的综合评价指标X_i，获得最优试验组，综合评价指标X_i计算公式为：

X_i＝f，i＝1,...,p。

所述步骤35)中，满足以下任一条件时，循环结束：

a)相邻两次的调优结果相同；b)循环次数达到10次。

与现有技术相比，本发明具有以下优点：

1)本发明基于权重系数在线调优原理，采用动态赋权的MPC控制模型进行优化求解，与已有的固定赋权法相比，本方法能够根据未来风功率的场景自适应地调整各子目标的权重系数，能适应变化的风电功率场景。

2)本发明采用隶属度对权重系数评价矩阵进行处理，不但达到了无量纲化处理的目的，而且具有模糊评价特性，能够更为客观地反映风储协调控制的实际需求。

3)本发明采用熵权法对权重系数进行寻优，属于客观赋权法，无需主观参与，仅需设定各权重系数的离散化水平以及各子目标的隶属度函数，对其他领域知识依赖较少，故也可适应于智能电网中其他的多目标优化控制问题，具有较广的适用性。

4)本发明能够根据风电功率波动情况、储能荷电状态(SOC)以及储能出力情况，自适应地改变各子目标的权重系数，从而在平抑风电功率波动的同时，提高储能充放电效率，并显著改善对储能SOC的控制效果。

附图说明

图1为权重系数对各优化目标的影响，其中，(a)、(c)、(e)、(g)分别为风电功率波动场景下的功率、J₁、J₂、J₃的影响示意图，(b)、(d)、(f)、(h)分别为风电功率连续下降场景下的功率、J₁、J₂、J₃的影响示意图；

图2为本发明在线权重系数调优法示意图；

图3本发明评价指标对应的隶属度函数示意图；

图4本发明方法示意图；

图5为本发明实施例1中15h风电功率曲线；

图6为实施例1中不同方法SOC变化对比示意图；

图7为实施例1中储能充放电功率累计概率分布图；

图8为实施例1中10min风电功率波动累计概率分布图；

图9为实施例1中1min风电功率波动累计概率分布图；

图10为实施例1中权重系数变化曲线图；

图11为不同初值情况下权重系数变化曲线图；

图12为实施例2中SOC初值80％，α、β初值(8,8)时SOC曲线对比示意图；

图13为实施例2中储能充放电功率累计概率分布图；

图14为实施例2中10min风电功率波动累计概率分布图；

图15为实施例2中1min风电功率波动累计概率分布图；

图16为实施例3中储能容量5MWh时SOC控制对比图；

图17为实施例3中储能容量5MW时储能充放电功率概率分布图；

图18为实施例3中储能容量5MW时10min风电功率波动累计概率分布图；

图19为实施例3中储能容量5MW时1min风电功率波动累计概率分布图；

图20为实施例3中储能容量5MW时权重系数变化曲线；

图21本发明中MPC运算时间图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

1基于固定赋权的风储协调多目标控制

1.1风储协调控制中的优化目标

考虑以下三个优化目标：

1)储能SOC控制受到了已有研究的普遍重视。从储能自身角度，避免过充过放是延长储能使用寿命、提高储能应用经济性的重要措施；从控制角度，将储能的SOC控制在理想值附近，有利于储能系统的安全、持续运行。为此，设计了子目标函数J₁：

其中，L为储能处于理想荷电状态时的荷电能量；y(k)为储能剩余能量，单位为MW·h；k代表当前MPC控制时域内的采样序列。根据国家标准，风电场每隔15min向调度中心上报未来15min～4h的风电功率预测值，所以MPC采样周期(即执行周期)取15min，则M＝4h/15min＝16。

2)由于储能内阻的存在，储能充放电效率与其充放电功率有关，为此，应控制储能的充放电功率。因此设计子目标函数J₂：

其中，x(k)为储能输出功率，单位为MW。

3)风储联合发电系统的并网功率的波动程度应受到限制，因此设计子目标函数J₃：

其中，u(k)为并网功率，单位为MW；Δu(k)＝u(k)-u(k-1)为并网功率波动值。

令r(k)表示风电场的原始出力，则x(k)，y(k)，u(k)应满足如下状态方程：

在对储能充放电功率实施有效控制的情况下，上述状态方程假设储能效率为100％。又由于MPC采样周期为1/4h，故式中以x(k)/4表示每个采样周期的储能容量变化。MPC利用在有限时域内的滚动优化来修正预测误差和模型误差。

通过引入权重系数α和β，将上述多目标优化问题转化为单目标优化问题，目标函数如下：

min J＝J₁+αJ₂+βJ₃ (5)

上述优化问题还应满足如下约束条件：

1)并网功率应小于风电场的额定功率。

0≤u(k)≤P_rated,k＝0,1,…,M-1 (6)

2)储能输出功率约束。

-P_ch≤x(k)≤P_dch,k＝0，1，…，M-1 (7)

3)储能SOC应控制在一定的安全范围之内。

S_min≤y(k)/C_B≤S_max,k＝1，2，…，M-1 (8)

其中，P_rated为风电场额定容量；P_ch和P_dch为储能最大充、放电功率；C_B为储能系统总容量；S_min和S_max为储能系统SOC的上下限。

以上为带约束的二次规划问题，基于MPC原理，可以在有限时域内滚动求解上述问题，形成最优并网功率的控制轨迹，并据此指导LPF方法，使之能够兼顾对长短期风电功率波动的平抑。

1.2权重系数对多目标优化结果的影响

在式(5)中，权重系数α,β的选择体现了MPC优化对三个子目标的偏重程度，会对优化结果起到决定性作用。为说明这点，在储能初始SOC＝20％的情况下，选择风电功率随机波动和连续下降两个场景，分析α,β的变化对各子目标的影响，结果如图1所示。分析图1，不难得出如下几点结论：

1)权重系数会直接影响各子目标的优化结果。当增大其中一个权重时，对应的子目标值将减小。

2)不存在一组权重系数，能使各子目标同时取得最小值，即子目标之间存在一定的冲突。这是多目标优化问题的普遍特点。由图1可见，子目标J₂与J₃存在明显的冲突，即储能出力的减小会导致风电并网功率波动的增大。而子目标J₁与J₂、J₃的关系并不固定。分析表明，它们的关系不但受风功率变化场景的影响，而且与初始SOC值有关。例如在图1中，J₁与J₂总体上表现为冲突关系。但如果将SOC初值设为60％并重新仿真，则发现J₁与J₂具有趋同性，即两者都随着α的增大而减小。这是因为此时SOC已经位于理想值附近，α的增大会减小储能出力，在有利于J₂的同时，又不至于对J₁产生明显影响。

3)不存在一组固定的权重系数，能够适应不断变化的风电功率场景。这是因为随着α,β的变化，子目标J₁与J₂、J₃的变化规律与风电功率场景有关。以J₁为例，在风电功率呈波动特性时，J₁会随着α的增大而增大；而在风电功率连续下降场景中，J₁随着α的增大而先减小后增大。

可见，对于风储协调中的多目标优化控制问题，固定赋权法不具备对变化的风功率场景和储能状态的自适应能力。当权重系数不再适合当前系统状况时，控制器的性能就会下降。而如果MPC能够根据系统状态动态调整权重系数，则可以始终将风储协调控制器保持在最佳状态。

2权重系数在线调优原理

本发明提供的权重在线调优包含如下步骤：

1)将各权重系数做离散化处理，将各权重系数离散化为5个水平，如表1所示，其中，α₀和β₀为当前(初始)权重，Δα和Δβ为搜索步长。

表1

2)通过全试验法形成评价矩阵。对于含有2个因素(即两个权重系数)、5个水平的试验，其全试验数p＝5²＝25。将每组试验对应的权重系数组合(α_i,β_j)|_{i,j＝1,…,5}代入式(5)，可求得J₁～J₃三个子目标值，从而得到评价矩阵J_p×q，如表2，其中q＝3。

表2

3)找出最优试验组。设有评价函数f，可以计算出各组试验的综合评价指标X_i：

X_i＝f(J_i1,J_i2,J_i3),i＝1,...,p (9)

如果评价指标以大者为优，则最优试验组为：

4)将表1中的α₀和β₀更新为最优试验组所对应的权重系数α_k和β_k。重新执行步骤1)～4)。

如果将上述试验中的每一组权重系数(α,β)看作α-β平面上的一个点，那么上述步骤可视为在该平面中进行网格化寻优的过程，如图2所示。设初始权重系数位于W₀(α₀,β₀)点。以W₀点为中心，根据表2构造含25个点的区域A。在区域A中找到最优的权重系数组，设为W₁(α₁,β₁)点。然后以W₁点为中心构造区域B，重复上述过程。在图2中，点W₀～W₃的变化轨迹反映了权重系数自动调优的过程。

下面对上述过程做出几点讨论。

1)寻优区域与搜索步长。当各子目标的权重系数相差超过2个数量级时，某个子目标就会被极度忽视。为避免这种情况，将α、β的搜索范围限定在[0.1,9]区间内，搜索步长Δα和Δβ皆设置为0.2。

2)优化周期和结束条件。由于是为MPC问题寻找最优权重系数，故权重系数调优周期与MPC的采样周期一致，即每15min执行一次。当满足如下任一条件时，本优化周期内的调优过程即结束：(1)如果相邻两次的调优结果对应α-β平面上的同一个点；(2)如果在α-β平面上的轨迹已经移动了10次。

3)一般情况下，如果需要优化的权重系数较多，例如有α,β,γ三个参数，则需要在α-β-γ三维空间内寻优。此时，如仍采用全试验法就会产生组合爆炸问题。此时，可以采用正交试验设计(Orthogonal experimental design)方法[减少试验次数。正交试验根据正交数组(Orthogonal Array)从全试验中选出部分有代表性的试验。表3为5水平时全试验与正交试验对比表，由表3可见，当权重系数(因素数)≤6个时，皆使用正交数组L₂₅(5⁶)，正交试验次数皆为25次。

表3

下面的问题是如何定义式(9)中的评价函数f。需要说明的是，对于多目标优化问题，由于各子目标之间具有不可公度性和矛盾性，以式(5)定义的多目标函数值J＝J₁+αJ₂+βJ₃作为评价函数是不合适的。本发明引入信息熵的概念来定义评价函数。

3基于隶属度与熵权法的评价方法

本发明将表2的评价矩阵J_p×q视为一个含有p个评价对象、q个评价指标的多指标综合评价问题。为了解决各评价指标间的不可公度性，首先要对指标值做无量纲化处理。

3.1基于隶属度函数的指标无量纲化处理方法

常用的无量纲化处理方法有极差法、比重法等。本发明提出了基于隶属度函数的无量纲化处理方法。隶属度函数表达式为：

隶属度函数如图3所示。其中，J_ij为表3中的评价数据(指标值)，μ_ij为对应的无量纲化结果，代表决策者对该指标值的满意度，μ_ij∈[0,1]。由于J_ij以小者为优，故隶属度函数选用降半梯形分布。J_{j_1}、J_{j_2}分别为评价指标Jj的满意值上限和允许值上限。当某评价数据J_ij小于J_{j_1}时，就认为该指标值非常满意，进一步减小该指标值已无必要。根据风储协调应用的特点，表4给出了各指标J_{j_1}、J_{j_2}值的计算方法。

表4

可见，上述隶属度函数方法不但达到了无量纲化处理的目的，而且具有模糊评价特性，能够更为客观地反映风储协调控制的实际需求。

3.2基于熵权法的评价函数

经过上述处理后，原始评价矩阵J_p×q被转换为隶属度矩阵：

在上述矩阵中，某一项指标在不同评价对象间的差异性越大，说明其所提供的信息量或区分度越大，那么在综合评价中，该指标应被赋予更大的权重。根据信息论的基本原理，熵是系统无序程度的一个度量，故利用信息熵来定义指标的差异性。

对矩阵μ做标准化处理后，第j个指标的熵值定义为：

式中，当f_ij＝0时，令f_ij ln f_ij＝0。根据上述定义，某项指标在不同评价对象间的差异性越大，则熵值越小。

由指标的熵值可得到该指标的熵权：

显然有0≤w_j≤1，

考虑一个极端情况。假设某项指标在不同评价对象上的值完全相同，那么根据式(13)，其熵值达到最大值1，对应的熵权为0。这表明该指标在决策中未能提供任何有用的信息，应该从多指标综合评价体系中去除。这样，可以利用熵权定义如下的评价函数f：

将上述评价函数代入式(9)，即可得到综合评价指标X_i；由于μ_ij以大者为优，故利用式(10)即可确定最满意的一组试验，进而确定最优的权重系数。

需说明的是，式(5)的权重系数与式(14)的熵权具有本质的区别。前者代表某指标实际意义上的重要性，而后者则仅是从信息角度考虑，表示该指标在当前问题中对评价对象的区分度。权重法是对具有不同量纲的物理量做加权和，具有不可公度性，使得针对不同的(α,β)组合，不能利用J＝J₁+αJ₂+βJ₃的值去比较不同权重系数间的优劣。而本发明利用熵权法，首先将各评价指标转换为可以同度量的满意度，然后利用式(15)找出具有最大满意度的试验组，从而间接确定最优的(α,β)组合。由于熵权法属于客观赋权法，无需主观参与，故适合在线优化问题。

本发明基于动态赋权法的MPC-LPC方法如图4所示。由于本方法仅需在表1、表4中设定各权重系数的离散化水平和各子目标的隶属度函数，而对其他领域知识依赖较少，故对原方法的改动很少，且可适应于智能电网中其他的多目标优化控制问题。

4算例分析

实施例1

以上海崇明岛某48MW风电场为研究对象，在MATLAB中建立算例模型，比较采用固定赋权法与动态赋权法的风储协调控制效果。固定权重系数值取自文献，即α＝1，β＝2。风电场配置的储能容量为10MWh，约占风电场容量的20％，额定充放电功率为10MW。理想SOC设为60％，SOC允许变化范围为[0.1,0.9]。LPF滤波时间常数为200s，储能控制周期为20s。风电场爬坡率的限制参考文献：10min和1min的有功功率变化限值分别为16MW和4.8MW。选择风电功率仿真场景如图5所示。

将动态赋权法的(α,β)初始值设定为(1,1)，设初始SOC为20％，迫近其下限，得到SOC的变化曲线、储能出力的累计概率分布曲线，以及风电并网功率波动的累计概率分布曲线，分别如图6～图9所示。

A、SOC控制

结合图5与图6可见，无论是固定赋权法还是动态赋权法，由于引入了MPC，都可以根据未来风电功率的变化对储能SOC实施智能的调控，使之尽快恢复并维持在理想值附近。两者比较，动态赋权法对SOC的控制能力明显优于固定赋权法。在实际工程中，BESS是由大量电池组构成的。经过一段时间后，电池组之间的离散性会不断增加。此时，整个BESS的SOC的上下限是由性能最差的电池组决定的。所以，将SOC控制在中值附近，有利于储能系统长期安全、可靠运行，具有重要的实践意义。

作为对比，图6还给出了常规LPF方法的控制效果，其对SOC的调控能力明显较差，且在3h附近发生了SOC越限，这降低了储能系统持续平滑功率波动的能力。

B、储能输出功率

由图7可见，在储能出力控制方面，动态赋权法优于固定赋权法。例如，采用固定赋权法时，储能出力小于3.8MW的概率为80％；而采用动态赋权法时，相应的储能出力减少为3.3MW。

C、并网功率波动性

由图8、9可见，动态赋权法和固定赋权法在平抑功率波动方面的差别很小，且皆满足并网要求。

D、权重系数的动态变化

采用动态赋权法时，权重系数随时间的变化情况如图10所示。由图10可见，在0～4h以及10～15h这两个阶段，动态赋权法将重点放在了储能SOC的控制上，这表现在α、β均取较小的值，从而加大了子目标J₁的相对权重；在6～10h阶段，由于SOC已回到理想区间，而此阶段风电功率波动较大，因此动态赋权法将关注重点转向了子目标J₃，这表现在显著增大了权重系数β。同时，为了控制储能出力，权重系数α也取了较大的值。

实施例2

在风储协调控制中，控制策略不但要面对不同的风功率波动场景，还要面对不同的储能容量配置、SOC初始值以及不同的权重系数初值设置。下面进一步测试动态赋权法对这些情况的鲁棒性。

A、对SOC初始情况和权重系数初值的敏感性

SOC初值分别选取20％、60％、80％，权重系数初值分别选取(1,1)，(5,5)，(8,8)，共3×3＝9种不同的初值情况。权重系数变化曲线如图11所示。图中，各子图纵横坐标的定义与图10相同。

由图11可见，动态赋权法基本不受SOC初始情况以及权重系数初置的影响，各子图中权重系数很快趋于一致。

限于篇幅，本实施例仅以SOC初值为80％、权重系数初值为(8,8)为例，给出动态赋权法的仿真结果，详见图12-图15。由结果可见，无论SOC初值迫近下限(20％)或上限(80％)，本方法都能使其恢复到理想值附近。

实施例3

本实施例将储能容量减少至5MWh，仅为风电场容量的10％左右，储能额定充放电功率也相应减小至5MW。设SOC初值为20％、权重系数初值为(1,1)。

由图16可见，随着储能容量的减小，固定赋权法对SOC的控制能力明显下降，SOC在3h处发生了越限。与之相比，动态赋权法依然保持了对SOC很好的控制效果。

此时，储能出力、风电并网功率波动以及权重系数α、β的动态变化情况见图17-图20所示。在储能出力方面，动态赋权法仍然优于固定赋权法。在风电并网功率波动方面，由于受到储能最大充放电功率的物理限制，两种方法均出现了轻微的越限情况。其中，固定赋权法和动态赋权法的10min并网功率不合格概率分别为0.52％和0.41％，1min并网功率不合格概率分别为0.79％和0.52％。

上述实施例中，仿真使用的电脑配置为：Inter(R)core(TM)i5-2400，3.10GHz，仿真软件为MATLAB 2013a。由于MPC的采样周期为15min，故在15h内，MPC共执行了60次，其耗时柱状图如图21所示，其中包含了权重系数的调优计算过程。

由权重系数在线调优原理可知，在每个MPC采样周期内的搜索步数是不同的，因而计算时间也并不固定，可以发现：在权重系数变化小时用时较少，反之则用时较多。每次平均用时为1.01s，这相对于MPC的采样周期(15min)而言，运算速度足以满足应用的实时性要求。

可以证明，式(5)的二次规划问题属于凸优化，故收敛速度很快。一般情况下，如果优化问题求解速度较慢，那么形成表2的评价矩阵就耗时较多。注意到表2的25组试验是可以并行进行的，故可以通过并行计算保证控制的实时性。

风储协调控制需要处理多个不一致的优化目标。利用固定赋权法将多目标优化问题转换为单目标优化问题虽然简单易行，但对于风储协调控制问题，该方法并不能适应风电出力随机性的特点。基于权重系数在线调优的动态赋权法能够根据风电功率波动情况、储能SOC以及储能出力情况，自适应的改变各子目标的权重。较之固定赋权法，动态赋权法能够减少储能出力，从而提高储能充放电效率。同时，能够显著改善对储能SOC的控制效果，从而提高在恶劣工况下控制策略的可持续性，并延长储能的使用寿命，提高储能应用的经济性。本发明方法属于客观赋权法，仅需设定各权重系数的离散化水平以及各子目标的隶属度函数，对其他领域知识依赖较少，故也可适应于智能电网中其他的多目标优化控制问题。

Claims (7)

1.一种基于动态赋权的风储协调多目标优化控制方法，其特征在于，包括以下步骤：

1)根据设定的多目标及约束条件，建立MPC控制模型；

2)获取设定时间尺度内的风电功率预测值及当前储能SOC值；

3)采用在线调优方法获取MPC控制模型中各目标的最优权重系数；

4)在最优权重系数下对MPC控制模型进行求解，得到风电并网功率的优化值；

5)采用LPF按储能控制周期进行连续控制，以所述并网功率优化值补偿LPF控制的输出，获得最终并网功率和储能输出功率设定值；

6)在执行步骤5)的同时，判断一个MPC控制周期是否完成，若是，则返回步骤2)，若否，则返回步骤6)。

2.根据权利要求1所述的基于动态赋权的风储协调多目标优化控制方法，其特征在于，所述MPC控制模型的目标函数为：

$\min J=\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\α}}_j{J}_j$

其中，J_j为第j个目标，α_j为第j个目标对应的权重系数，n为目标总数。

3.根据权利要求2所述的基于动态赋权的风储协调多目标优化控制方法，其特征在于，所述在线调优方法获取MPC控制模型中各目标的最优权重系数具体为：

31)设置各权重系数的初始值；

32)以Δα_j为权重系数α_j的搜索步长将各权重系数离散化为5个水平；

33)对离散化后的权重系数进行组合，以全试验法或正交试验法将组合后权重系数求解MPC控制模型的目标函数，获得每一权重系数组合对应的各目标值，生成评价矩阵J_p×q：

其中，p为试验总次数，q为目标总数，q＝n，J_ij为评价矩阵J_p×q中第i行第j列的元素值；

34)根据评价矩阵J_p×q获得最优试验组；

35)以最优试验组中的权重系数替代初始值，重复步骤32)-34)，直至满足结束条件。

4.根据权利要求3所述的基于动态赋权的风储协调多目标优化控制方法，其特征在于，所述权重系数α_j的取值范围为[0.1,9]。

5.根据权利要求3所述的基于动态赋权的风储协调多目标优化控制方法，其特征在于，所述搜索步长Δα_j为0.2。

6.根据权利要求3所述的基于动态赋权的风储协调多目标优化控制方法，其特征在于，所述步骤34)具体为：

341)基于隶属度函数对评价矩阵J_p×q进行无量纲化处理，获得隶属度矩阵μ：

所述隶属度函数表达式为：

${\mathrm{\μ}}_{ij}=\left\{\begin{array}{cc}1& J_{ij}\≤J_{j\_1}\\ (J_{j\_2}-J_{ij})/(J_{j\_2}-J_{j\_1})& J_{j\_1}\≤J_{ij}\≤J_{j\_2}\\ 0& J_{ij}\≥J_{j\_2}\end{array}\right.$

其中，μ_ij为对应的无量纲化结果，μ_ij∈[0,1]，J_{j_1}、J_{j_2}分别为第j个目标的满意值上限和允许值上限；

342)建立基于熵权法的评价函数f：

$f=\underset{j=1}{\overset{q}{\Σ}}{w}_j\×{\mathrm{\μ}}_{ij}$

其中，w_j为第j个目标对应的熵权，H_j为第j个目标的熵值，k＝1/ln p，当f_ij＝0时，令f_ijlnf_ij＝0；

343)计算并比较每一权重系数组合对应的综合评价指标X_i，获得最优试验组，综合评价指标X_i计算公式为：

X_i＝f，i＝1,...,p。

7.根据权利要求3所述的基于动态赋权的风储协调多目标优化控制方法，其特征在于，所述步骤35)中，满足以下任一条件时，循环结束：

a)相邻两次的调优结果相同；b)循环次数达到10次。