CN105375479A - 一种基于模型预测控制的分布式能源能量管理方法 - Google Patents

Abstract

本发明公开了一种基于模型预测控制的分布式能源能量管理方法，首先建立系统模型，并对系统模型进行初始化；实时采集外部信息，根据建立的分布式电源出力预测模型与电、热负荷需求预测模型，结合实时数据与前一时刻的反馈误差，预测从t＝k时刻起的预测域P内分布式电源出力与电、热负荷需求曲线；采用线性规划算法求解k时刻起的控制域M内满足系统约束条件的最优目标函数，输出最优控制策略；执行计算出的控制域M内首个控制策略；实时监控系统信息，将控制结果反馈给本地预测模块，对下一次的预测值进行校正；在t＝k+1时刻重复上述控制过程直到控制结束。本发明能够有效消除预测误差，保持系统一直工作在最优状态。

Description

一种基于模型预测控制的分布式能源能量管理方法

技术领域

本发明涉及一种含分布式电源的配电网能量最优运行策略，特别涉及一种基于模型预测控制的分布式能源能量管理方法。

背景技术

模型预测控制是一种有限时域滚动且反馈校正的控制方法，与模型预测控制结合的线性规划能很好地将短期预测与系统当前状态耦合，为解决运行控制中预测误差带来的准确性问题提供了较优的应对机理，目前这一方法已经在储能系统优化运行、电动汽车优化调度等领域获得了一些探索与应用，有望成为分布式能源系统中的新型优化控制策略。经济性是分布式能源系统发展过程中需要考虑的重要因素之一。分布式能源系统的生命周期中，涉及经济性的建设费用与运行费用主要包括两类，一是包含系统各模块安装与运行维护的总费用，一次性或按年度投资，是系统规划阶段需考虑的确定性价格函数；二是系统日常运行费用，通过设定的价格目标需求函数与约束条件，将满足条件的系统参数反馈到系统运行控制中，实现对系统运行时段的动态即时控制，相应的费用函数组成具有不确定性特征。同时分布式能源系统的运行设计应充分考虑经济、环保、节能等多种需求，通过实时掌握能源价格、分布式能源出力等特征，利用分布式能源系统管理策略，结合用户负荷管理、储能系统控制等手段，动态实现系统的多目标组合优化。

分布式能源系统的能量管理涉及可再生能源输出功率、能源价格波动和负荷预测误差带来的影响，且储能系统能量状态的改变、可控负荷的转移是动态变化的过程，如果仅从当前时间尺度来控制管理，能量管理的优化性能受到限制。模型预测控制方法根据掌握的系统行为，对系统在未来有限时间域内的行为进行预测，通过过程控制使目标方程的输出获得优化。MPC对时间尺度上的控制行为具有原理上的优势，控制效果好、鲁棒性强，且能与多输入-多输出系统快速方便地结合，在控制过程中同时考虑输入与输出约束条件。

发明内容

本发明的目的是提供一种基于模型预测控制的分布式能源能量管理方法，通过建立动态的优化控制过程，利用滚动优化与反馈校正，调整未来时段分布式能源系统的工作状态，能够有效消除预测误差，保持系统一直工作在最优状态。

为实现上述目的，本发明采用以下技术方案：

一种基于模型预测控制的分布式能源能量管理方法，其特征在于：包括如下步骤：

步骤1，建立系统模型，具体包括分布式可再生能源发电系统模型，热电联供系统模型，热泵模型，燃气锅炉模型，灵活负荷模型，储能单元模型，储热单元模型，并对系统模型进行初始化；

步骤2，实时采集外部信息，包括气象数据与实时电负荷与热负荷数据，根据分布式电源出力预测模型与电、热负荷需求预测模型，结合实时数据与前一时刻的反馈误差，预测从t＝k时刻起的预测域P内分布式电源出力与电、热负荷需求曲线；

步骤3，采用基于线性规划的模型预测控制算法滚动优化求解k时刻起的控制域M内满足系统约束条件的最优目标函数，输出最优控制策略；

步骤4，执行计算出的控制域M内首个控制策略，将预测变量的实际测量结果反馈给本地预测模块，对下一时刻的预测值进行校正；

步骤5，在t＝k+1时刻重复上述控制过程直到控制结束。

步骤1中，所述的系统模型具体表示为：

(1)分布式可再生能源发电系统模型表示为：

$\underset{m=1}{\overset{M}{\Σ}}{P}_{RES,m}\left(t\right)=\underset{m=1}{\overset{M}{\Σ}}{C}_{RES,m}\·{\mathrm{\χ}}_{RES,m}\left(t\right)$

0≤χ_RES,m(t)≤1m＝1,2,...,M

式中，P_RES,m(t)表示第m台可再生能源发电系统的功率，由第m台设备的额定功率C_RES,m与规格化输入条件χ_RES,m(t)的乘积来表示；χ_{RES_m}(t)根据外部气象数据与发电模块效率测算；

(2)热电联供系统模型表示为：

η_n(t)＝η_e,n(t)+η_t,n(t)

${\mathrm{\η}}_{e,n}\left(t\right)=\frac{P_{CHP,n}\left(t\right)\·{\mathrm{\η}}_n\left(t\right)}{P_{CHP,n}\left(t\right)+H_{CHP,n}\left(t\right)},n=1,2,...,N$

式中，η_e(t)，η_t(t)，η_n(t)分别表示第n台微型燃气轮机的发电效率、热效率与总效率；P_CHP,n(t)表示第n台微型燃气轮机的输出电功率；H_CHP,n(t)表示第n台微型燃气轮机的输出热功率；

输出电功率P_CHP,n(t)的约束条件和Δt时段内的气体消耗量G_CHP(t)表示为：

X_CHP,n·P_{CHP_min,n}(t)≤P_CHP,n(t)≤X_CHP,n·P_{CHP_max,n}(t)

$G_{CHP}\left(t\right)=\underset{n=1}{\overset{N}{\Σ}}\frac{P_{CHP,n}\left(t\right)\·\mathrm{\Δ}t}{{\mathrm{\η}}_e\left(t\right)}$

式中：P_{CHP_min,n}(t)，P_{CHP_max,n}(t)分别是第n台微型燃气轮机的最小和最大输出电功率。

(3)热泵模型表示为：

H_{EHP_min,i}(t)≤H_EHP,i(t)≤H_{EHP_max,i}(t)i＝1,2,...,I

$E_{EHP}\left(t\right)=\underset{i=1}{\overset{I}{\Σ}}\frac{H_{EHP,i}\left(t\right)\·\mathrm{\Δ}t}{{\mathrm{COP}}_i\left(t\right)}$

式中，COP_i(t)是第i台EHP的性能系数，是输出热量与耗电量之比，与空气温度有关；H_{EHP_min,i}(t)，H_{EHP_max,i}(t)分别是第i台EHP的最小和最大输出热功率；

(4)燃气锅炉表示为：

0≤H_BL,j(t)≤H_{BL_max,j}(t)j＝1,2,...,J

$G_{BL}\left(t\right)=\underset{j=1}{\overset{I}{\Σ}}\frac{H_{BL,j}\left(t\right)\·\mathrm{\Δ}t}{{\mathrm{\η}}_{BL,j}\left(t\right)}$

式中，H_{BL_max,j}(t)表示第j台燃气锅炉最大输出热功率；G_BL(t)表示Δt时段内的燃气消耗量；η_BL,j表示第j台燃气锅炉的转换效率；

(5)灵活负荷模型表示为：

$P_d\left(t\right)=P_{fix}\left(t\right)+\underset{k=1}{\overset{K}{\Σ}}{P}_{cur,k}\left(t\right),k=1,2,...,K$

P_{cur_min,k}(t)≤P_cur,k(t)≤P_{cur_max,k}(t)

式中，P_d(t)为t时刻的总用电负荷，P_fix(t)为用户用电固定负荷，P_cur(t)为用户用电灵活负荷；P_{cur_max,k}(t)，P_{cur_min,k}(t)分别表示第k个灵活负荷被调控前的所需功率与接受调控后、不影响用户满意度的基本功率；

相应地，在Δt时段内电力供应商需提供经济补偿的切除电量E_cur(t)为：

$E_{cur}\left(t\right)=\underset{k=1}{\overset{K}{\Σ}}\[P_{cur\_max,k}\left(t\right)-P_{cur,k}\left(t\right)\]\·\mathrm{\Δ}t;$

(6)储能单元模型表示为：

${\mathrm{SOE}}_y\left(t\right)=\left\{\begin{array}{c}SO{E}_y(t-1)+P_{ch,y}\left(t\right)\·{\mathrm{\η}}_{i,y}\\ {\mathrm{SOE}}_y(t-1)-\frac{P_{disch,y}\left(t\right)}{{\mathrm{\η}}_{o,y}}\·\mathrm{\Δ}t\end{array}\right.$

SOE_min≤SOE_y(t)≤SOE_maxy＝1,2,…,Y

P_{ES_min,y}≤P_ES,y(t)≤P_{ES_max,y}

式中，SOE_y(t)表示t时刻第y套电池储能系统(BESS)的能量状态，分别设定电池储能系统(BESS)的最小与最大能量状态SOE_min和SOE_max；η_i,y，η_o,y分别是充放电效率；P_ch,y，P_disch,y分别表示额定充放电功率；P_{ES_min,y}，P_{ES_max,y}表示最大放电功率与最大充电功率；

相应地，在Δt时段内储能单元提供的电量E_ES(t)为：

E_ES(t)＝|P_ES(t)|·△t；

(7)储热单元模型表示为：

C_tank,z(t)＝η_tank,z·C_tank,z(t-1)-H_tank,z(t)

C_{tank_min,z}≤C_tank,z(t)≤C_{tank_max,z}

H_tank,z(t)≤C_{tank_max,z}(t)·△ty＝1,2,…,Y

式中，C_tank,z(t)表示t时刻第z套储热水箱的能量状态，C_{tank_max,z}，C_{tank_min,z}分别表示其储能的上下限额；H_tank,z(t)表示储热功率；η_tank,z表示考虑考虑热能耗散时的储热效率。

步骤2中，所述气象数据包括风速、日照辐射度、温度、湿度。

步骤3中，所述的基于线性规划的模型预测控制算法，其模型表示为：

$\begin{array}{cc}\min & COST(t=k)=\underset{j=1}{\overset{M-1}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}\left({\mathrm{cost}}_1\right(k+j-i)+{\mathrm{cost}}_2(k+j-i\left)\right)+\\ & \underset{j=M}{\overset{P}{\Σ}}\left(\underset{i=1}{\overset{j-M+1}{\Σ}}{\mathrm{cost}}_1\right(k+j-i)+\underset{i=j-M+2}{\overset{N}{\Σ}}{\mathrm{cost}}_2(k+M-1\left)\right)\end{array}$

s.t.∑P_RES(t)+∑P_CHP(t)+P_G(t)+∑P_ES(t)＝P_d(t)+∑P_EHP(t)

∑H_CHP(t)+∑H_BL(t)+∑H_EHP(t)+∑H_HS(t)＝H_d(t)

其中cost₁(t)＝E_G(t)·p_e(t)

cost₂(t)＝E_EHP(t)·p_e(t)+G_CHP(t)·p_g(t)+

G_BL(t)·p_g(t)+E_ES(t)·p_d-E_cur(t)·p_cur(t)

式中，M为控制域；P为预测域，通常M<P；N为建模域；p_e、p_g、p_cur分为电价、天然气价格和可控负荷补贴系数；p_d为储能单元罚因子；P_RES(t)、P_CHP(t)、P_G(t)、P_ES(t)、P_d(t)、P_EHP(t)分别表示分布式电源、热电联供系统、电网、储能单元、电负荷、热泵在t时刻的电功率；H_CHP(t)、H_BL(t)、H_EHP(t)、H_HS(t)、H_d(t)分别表示热电联供系统、燃气锅炉、热泵、储热单元、热负荷在t时刻的热功率；E_G(t)、E_EHP(t)、E_ES(t)、E_cur(t)分别表示外电网、热电联供系统、储能单元，灵活负荷在t-1到t时间段内电能变化量；G_CHP(t)、G_BL(t)分别表示热电联供系统、燃气锅炉在t-1到t时间段消耗的燃气量。

所述电价、天然气价格随时间波动或者取恒定值。

本发明的有益效果是：本发明的一种基于模型预测控制的分布式能源能量管理方法，包含用户用电与用热等综合用能需求，通过将模型预测控制与系统短期运行经济最优的线性规划函数相结合，对可控负荷、分布式电源出力预测及控制、能耗损失等关键组成分别建模，建立目标函数约束条件，通过求解，制定能量管理策略。本发明在模型预测控制过程中使用线性优化模型代替二次优化模型，方便系统建模，同时大大降低了求解目标函数的计算量，提高计算速度，能快速响应系统动态变化。通过建立动态的优化控制过程，利用滚动优化与反馈校正，调整未来时段分布式能源系统的工作状态，可以有效消除预测误差，保持系统一直工作在最优状态。

附图说明

图1是分布式能源系统示意图；

图2是基于模型预测控制的分布式能源能量管理系统流程图；

图3模型预测控制算法示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明的一种基于模型预测控制的分布式能源能量管理方法，用于分布式能源系统的能量最优管理，如图1所示是分布式能源系统示意图，分布式能源系统组成模块包括：可再生能源发电系统，储电单元，电动热泵，微型燃气轮机，燃气锅炉，储热单元。

本发明的基于模型预测控制的分布式能源能量管理方法，如图2所示，包括以下步骤：

步骤1)建立系统模型，具体包括分布式可再生能源发电系统模型，热电联供系统模型，热泵模型，燃气锅炉模型，灵活负荷模型，储能单元模型，储热单元模型，并对系统模型进行初始化；

其中，分布式可再生能源发电系统模型发电总功率表示为：

$\underset{m=1}{\overset{M}{\&Sigma;}}{P}_{RES,m}\left(t\right)=\underset{m=1}{\overset{M}{\&Sigma;}}{C}_{RES,m}\&CenterDot;{\mathrm{\&chi;}}_{RES,m}\left(t\right)---\left(1\right)$

0≤χ_RES,m(t)≤1m＝1,2,...,M

式中：P_RES,m(t)表示第m台可再生能源发电系统的功率，由第m台设备的额定功率C_RES,m与规格化输入条件χ_RES,m(t)的乘积来表示；χ_{RES_m}(t)根据外部气象数据与发电模块效率测算，减少了运行管理中相似参数与工作条件的RES设定与计算的工作量，便于与预测模型统一，加快计算速度，并使系统新增RES模块的操作更为快捷。光伏、风力发电系统的实际出力受太阳辐照、温度、风速等外界条件的影响，具有统计学特征，具有一定的可预测性。在能量管理策略中，为使所在的分布式能源系统能获得最优经济性，不考虑对其功率进行主动限制，即可以按实际环境条件下能发出的最大功率向外输出。

热电联供系统模型表示为：

η_n(t)＝η_e,n(t)+η_t,n(t)

${\mathrm{\&eta;}}_{e,n}\left(t\right)=\frac{P_{CHP,n}\left(t\right)\&CenterDot;{\mathrm{\&eta;}}_n\left(t\right)}{P_{CHP,n}\left(t\right)+H_{CHP,n}\left(t\right)},n=1,2,...,N---\left(2\right)$

式中：η_e(t)，η_t(t)，η_n(t)分别表示第n台微型燃气轮机的发电效率、热效率与总效率，一般η_e(t)在0.25～0.33之间；P_CHP,n(t)表示第n台微型燃气轮机的输出电功率；H_CHP,n(t)表示第n台微型燃气轮机的输出热功率；

考虑到微型燃气轮机效率随负荷降低而降低的变化特性，要求尽量避免其工作在低负荷状态。在能量管理中不考虑其爬坡约束过程，输出电功率P_CHP,n(t)的约束条件和Δt时段内的气体消耗量G_CHP(t)表示为：

X_CHP,n·P_{CHP_min,n}(t)≤P_CHP,n(t)≤X_CHP,n·P_{CHP_max,n}(t)

$G_{CHP}\left(t\right)=\underset{n=1}{\overset{N}{\&Sigma;}}\frac{P_{CHP,n}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t}{{\mathrm{\&eta;}}_e\left(t\right)}---\left(3\right)$

式中：P_{CHP_min,n}(t)，P_{CHP_max,n}(t)分别是第n台微型燃气轮机的最小和最大输出电功率。考虑到微型燃气轮机效率随负荷降低而降低的变化特性，要求尽量避免其工作在低负荷状态，因此在能量管理中不考虑其爬坡约束过程。

热泵模型表示为：

H_{EHP_min,i}(t)≤H_EHP,i(t)≤H_{EHP_max,i}(t)i＝1,2,…,I

$E_{EHP}\left(t\right)=\underset{i=1}{\overset{I}{\&Sigma;}}\frac{H_{EHP,i}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t}{{\mathrm{COP}}_i\left(t\right)}---\left(4\right)$

式中，COP_i(t)是第i台EHP的性能系数，是输出热量与耗电量之比，与空气温度有关；H_{EHP_min,i}(t)，H_{EHP_max,i}(t)分别是第i台EHP的最小和最大输出热功率；

燃气锅炉表示为：

0≤H_BL,j(t)≤H_{BL_max,j}(t)j＝1,2,…,J

$G_{BL}\left(t\right)=\underset{j=1}{\overset{I}{\&Sigma;}}\frac{H_{BL,j}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t}{{\mathrm{\&eta;}}_{BL,j}\left(t\right)}---\left(5\right)$

式中，H_{BL_max,j}(t)表示第j台燃气锅炉最大输出热功率；G_BL(t)表示Δt时段内的燃气消耗量；η_BL,j表示第j台燃气锅炉的转换效率；小型分布式能源系统(如家庭单位)不安装微型燃气轮机，但一般都配置有燃气锅炉；对安装有微型燃气轮机的分布式能源系统，也可以起到补充供热不足或实现供能优化的作用。

灵活负荷模型表示为：

$P_d\left(t\right)=P_{fix}\left(t\right)+\underset{k=1}{\overset{K}{\&Sigma;}}{P}_{cur,k}\left(t\right),k=1,2,...,K---\left(6\right)$

P_{cur_min,k}(t)≤P_cur,k(t)≤P_{cur_max,k}(t)

式中：P_d(t)为t时刻的总用电负荷，P_fix(t)为用户用电固定负荷，P_cur(t)为用户用电灵活负荷；P_{cur_max,k}(t)，P_{cur_min,k}(t)分别表示第k个灵活负荷被调控前的所需功率与接受调控后、不影响用户满意度的基本功率。

相应地，在Δt时段内电力供应商需提供经济补偿的切除电量E_cur(t)为：

$E_{cur}\left(t\right)=\underset{k=1}{\overset{K}{\&Sigma;}}\&lsqb;P_{cur\_max,k}\left(t\right)-P_{cur,k}\left(t\right)\&rsqb;\&CenterDot;\mathrm{\&Delta;}t---\left(7\right)$

储能单元模型表示为：

${\mathrm{SOE}}_y\left(t\right)=\left\{\begin{array}{c}SO{E}_y(t-1)+P_{ch,y}\left(t\right)\&CenterDot;{\mathrm{\&eta;}}_{i,y}\\ {\mathrm{SOE}}_y(t-1)-\frac{P_{disch,y}\left(t\right)}{{\mathrm{\&eta;}}_{o,y}}\&CenterDot;\mathrm{\&Delta;}t\end{array}\right.$

SOE_min≤SOE_y(t)≤SOE_maxy＝1,2,…,Y(8)

P_{ES_min,y}≤P_ES,y(t)≤P_{ES_max,y}

式中，SOE_y(t)表示t时刻第y套电池储能系统(BESS)的能量状态，分别设定电池储能系统(BESS)的最小与最大能量状态SOE_min和SOE_max；η_i,y，η_o,y分别是充放电效率；P_ch,y，P_disch,y分别表示额定充放电功率；P_{ES_min,y}，P_{ES_max,y}表示最大放电功率与最大充电功率；

相应地，在Δt时段内储能单元提供的电量E_ES(t)为：

E_ES(t)＝|P_ES(t)|·△t(9)

储热单元模型表示为：

C_tank,z(t)＝η_tank,z·C_tank,z(t-1)-H_tank,z(t)

C_{tank_min,z}≤C_tank,z(t)≤C_{tank_max,z}(10)

H_tank,z(t)≤C_{tank_max,z}(t)·△ty＝1,2,…,Y

式中，C_tank,z(t)表示t时刻第z套储热水箱的能量状态，C_{tank_max,z}，C_{tank_min,z}分别表示其储能的上下限额；H_tank,z(t)表示储热功率；η_tank,z表示考虑考虑热能耗散时的储热效率。

步骤2)实时采集外部信息，包括风速、日照辐射度、温度、湿度等气象数据与实时电负荷与热负荷数据，根据分布式电源出力预测模型与电、热负荷需求预测模型，结合实时数据与前一时刻的反馈误差，预测从t＝k时刻起的预测域P内分布式电源出力与电、热负荷需求曲线；

步骤3)采用线性规划算法滚动优化求解k时刻起的控制域M内满足系统约束条件的最优目标函数，输出最优控制策略；

线性规划算法其目标函数与约束条件可表示为：

$\begin{array}{cc}\min & COST(t=k)=\underset{j=1}{\overset{M-1}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}\left({\mathrm{cost}}_1\right(k+j-i)+{\mathrm{cost}}_2(k+j-i\left)\right)+\\ & \underset{j=M}{\overset{P}{\&Sigma;}}\left(\underset{i=1}{\overset{j-M+1}{\&Sigma;}}{\mathrm{cost}}_1\right(k+j-i)+\underset{i=j-M+2}{\overset{N}{\&Sigma;}}{\mathrm{cost}}_2(k+M-1\left)\right)\end{array}$

s.t.∑P_RES(t)+∑P_CHP(t)+P_G(t)+∑P_ES(t)＝P_d(t)+∑P_EHP(t)(11)

∑H_CHP(t)+∑H_BL(t)+∑H_EHP(t)+∑H_HS(t)＝H_d(t)

其中cost₁(t)＝E_G(t)·p_e(t)

cost₂(t)＝E_EHP(t)·p_e(t)+G_CHP(t)·p_g(t)+

G_BL(t)·p_g(t)+E_ES(t)·p_d-E_cur(t)·p_cur(t)

式中，M为控制域；P为预测域，通常M<P；N为建模域；p_e、p_g、p_cur分为电价、天然气价格和可控负荷补贴系数；p_d为储能单元罚因子；P_RES(t)、P_CHP(t)、P_G(t)、P_ES(t)、P_d(t)、P_EHP(t)分别表示分布式电源、热电联供系统、电网、储能单元、电负荷、热泵在t时刻的电功率；H_CHP(t)、H_BL(t)、H_EHP(t)、H_HS(t)、H_d(t)分别表示热电联供系统、燃气锅炉、热泵、储热单元、热负荷在t时刻的热功率；E_G(t)、E_EHP(t)、E_ES(t)、E_cur(t)分别表示外电网、热电联供系统、储能单元，灵活负荷在t-1到t时间段内电能变化量；G_CHP(t)、G_BL(t)分别表示热电联供系统、燃气锅炉在t-1到t时间段消耗的燃气量。

步骤4)执行计算出的控制域M内首个控制策略，实时监控系统信息，将控制结果反馈给本地预测模块，对下一次的预测值进行校正；

步骤5)在t＝k+1时刻重复上述控制过程直到控制结束。

本发明的一种基于模型预测控制的分布式能源能量管理方法，包含用户用电与用热等综合用能需求，通过将模型预测控制与系统短期运行经济最优的线性规划函数相结合，对可控负荷、分布式电源出力预测及控制、能耗损失等关键组成分别建模，建立目标函数约束条件，通过求解，制定能量管理策略。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于模型预测控制的分布式能源能量管理方法，其特征在于：包括如下步骤：

步骤1，建立系统模型，具体包括分布式可再生能源发电系统模型，热电联供系统模型，热泵模型，燃气锅炉模型，灵活负荷模型，储能单元模型，储热单元模型，并对系统模型进行初始化；

步骤2，实时采集外部信息，包括气象数据与实时电负荷与热负荷数据，根据分布式电源出力预测模型与电、热负荷需求预测模型，结合实时数据与前一时刻的反馈误差，预测从t＝k时刻起的预测域P内分布式电源出力与电、热负荷需求曲线；

步骤3，采用基于线性规划的模型预测控制算法滚动优化求解k时刻起的控制域M内满足系统约束条件的最优目标函数，输出最优控制策略；

步骤4，执行计算出的控制域M内首个控制策略，将预测变量的实际测量结果反馈给本地预测模块，对下一时刻的预测值进行校正；

步骤5，在t＝k+1时刻重复上述控制过程直到控制结束。

2.如权利要求1所述的基于模型预测控制的分布式能源能量管理方法，其特征在于：步骤1中，所述的系统模型具体表示为：

(1)分布式可再生能源发电系统模型表示为：

$\underset{m=1}{\overset{M}{\&Sigma;}}{P}_{RES,m}\left(t\right)=\underset{m=1}{\overset{M}{\&Sigma;}}{C}_{RES,m}\&CenterDot;{\mathrm{\&chi;}}_{RES,m}\left(t\right)$

0≤χ_RES,m(t)≤1m＝1,2,...,M

式中，P_RES,m(t)表示第m台可再生能源发电系统的功率，由第m台设备的额定功率C_RES,m与规格化输入条件χ_RES,m(t)的乘积来表示；χ_{RES_m}(t)根据外部气象数据与发电模块效率测算；

(2)热电联供系统模型表示为：

$\begin{array}{c}{\mathrm{\&eta;}}_n\left(t\right)={\mathrm{\&eta;}}_{e,n}\left(t\right)+{\mathrm{\&eta;}}_{t,n}\left(t\right)\\ {\mathrm{\&eta;}}_{e,n}\left(t\right)=\frac{P_{CHP,n}\left(t\right)\&CenterDot;{\mathrm{\&eta;}}_n\left(t\right)}{P_{CHP,n}\left(t\right)+H_{CHP,n}\left(t\right)}\end{array},n=1,2,...,N$

式中，η_e(t)，η_t(t)，η_n(t)分别表示第n台微型燃气轮机的发电效率、热效率与总效率；P_CHP,n(t)表示第n台微型燃气轮机的输出电功率；H_CHP,n(t)表示第n台微型燃气轮机的输出热功率；

输出电功率P_CHP,n(t)的约束条件和Δt时段内的气体消耗量G_CHP(t)表示为：

X_CHP,n·P_{CHP_min,n}(t)≤P_CHP,n(t)≤X_CHP,n·P_{CHP_max,n}(t)

$G_{CHP}\left(t\right)=\underset{n=1}{\overset{N}{\&Sigma;}}\frac{P_{CHP,n}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t}{{\mathrm{\&eta;}}_e\left(t\right)}$

式中：P_{CHP_min,n}(t)，P_{CHP_max,n}(t)分别是第n台微型燃气轮机的最小和最大输出电功率。

(3)热泵模型表示为：

H_{EHP_min,i}(t)≤H_EHP,i(t)≤H_{EHP_max,i}(t)i＝1,2,…,I

$E_{EHP}\left(t\right)=\underset{i=1}{\overset{I}{\&Sigma;}}\frac{H_{EHP,i}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t}{{\mathrm{COP}}_i\left(t\right)}$

式中，COP_i(t)是第i台EHP的性能系数，是输出热量与耗电量之比，与空气温度有关；H_{EHP_min,i}(t)，H_{EHP_max,i}(t)分别是第i台EHP的最小和最大输出热功率；

(4)燃气锅炉表示为：

0≤H_BL,j(t)≤H_{BL_max,j}(t)j＝1,2,…,J

$G_{BL}\left(t\right)=\underset{j=1}{\overset{I}{\&Sigma;}}\frac{H_{BL,j}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t}{{\mathrm{\&eta;}}_{BL,j}\left(t\right)}$

式中，H_{BL_max,j}(t)表示第j台燃气锅炉最大输出热功率；G_BL(t)表示Δt时段内的燃气消耗量；η_BL,j表示第j台燃气锅炉的转换效率；

(5)灵活负荷模型表示为：

$P_d\left(t\right)=P_{fix}\left(t\right)+\underset{k=1}{\overset{K}{\&Sigma;}}{P}_{cur,k}\left(t\right),k=1,2,...,K$

P_{cur_min,k}(t)≤P_cur,k(t)≤P_{cur_max,k}(t)

式中，P_d(t)为t时刻的总用电负荷，P_fix(t)为用户用电固定负荷，P_cur(t)为用户用电灵活负荷；P_{cur_max,k}(t)，P_{cur_min,k}(t)分别表示第k个灵活负荷被调控前的所需功率与接受调控后、不影响用户满意度的基本功率；

相应地，在Δt时段内电力供应商需提供经济补偿的切除电量E_cur(t)为：

$E_{cur}\left(t\right)=\underset{k=1}{\overset{K}{\&Sigma;}}\&lsqb;P_{cur\_max,k}\left(t\right)-P_{cur,k}\left(t\right)\&rsqb;\&CenterDot;\mathrm{\&Delta;}t;$

(6)储能单元模型表示为：

${\mathrm{SOE}}_y\left(t\right)=\left\{\begin{array}{c}SO{E}_y(t-1)+P_{ch,y}\left(t\right)\&CenterDot;{\mathrm{\&eta;}}_{i,y}\\ {\mathrm{SOE}}_y(t-1)-\frac{P_{disch,y}\left(t\right)}{{\mathrm{\&eta;}}_{o,y}}\&CenterDot;\mathrm{\&Delta;}t\end{array}\right.$

SOE_min≤SOE_y(t)≤SOE_maxy＝1,2,…,Y

P_{ES_min,y}≤P_ES,y(t)≤P_{ES_max,y}

式中，SOE_y(t)表示t时刻第y套电池储能系统(BESS)的能量状态，分别设定电池储能系统(BESS)的最小与最大能量状态SOE_min和SOE_max；η_i,y，η_o,y分别是充放电效率；P_ch,y，P_disch,y分别表示额定充放电功率；P_{ES_min,y}，P_{ES_max,y}表示最大放电功率与最大充电功率；

相应地，在Δt时段内储能单元提供的电量E_ES(t)为：

E_ES(t)＝|P_ES(t)|·△t；

(7)储热单元模型表示为：

C_tank,z(t)＝η_tank,z·C_tank,z(t-1)-H_tank,z(t)

C_{tank_min,z}≤C_tank,z(t)≤C_{tank_max,z}

H_tank,z(t)≤C_{tank_max,z}(t)·△ty＝1,2,…,Y

式中，C_tank,z(t)表示t时刻第z套储热水箱的能量状态，C_{tank_max,z}，C_{tank_min,z}分别表示其储能的上下限额；H_tank,z(t)表示储热功率；η_tank,z表示考虑考虑热能耗散时的储热效率。

3.如权利要求1所述的基于模型预测控制的分布式能源能量管理方法，其特征在于：步骤2中，所述气象数据包括风速、日照辐射度、温度、湿度。

4.如权利要求1所述的基于模型预测控制的分布式能源能量管理方法，其特征在于：步骤3中，所述的基于线性规划的模型预测控制算法，其模型表示为：

$\begin{array}{cc}\min & COST(t=k)=\underset{j=1}{\overset{M-1}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}\left({\mathrm{cost}}_1\right(k+j-i)+{\mathrm{cost}}_2(k+j-i\left)\right)+\\ & \underset{j=M}{\overset{P}{\&Sigma;}}\left(\underset{i=1}{\overset{j-M+1}{\&Sigma;}}{\mathrm{cost}}_1\right(k+j-i)+\underset{i=j-M+2}{\overset{N}{\&Sigma;}}{\mathrm{cost}}_2(k+M-1\left)\right)\end{array}$

s.t.∑P_RES(t)+∑P_CHP(t)+P_G(t)+∑P_ES(t)＝P_d(t)+∑P_EHP(t)

∑H_CHP(t)+∑H_BL(t)+∑H_EHP(t)+∑H_HS(t)＝H_d(t)

其中cost₁(t)＝E_G(t)·p_e(t)

cost₂(t)＝E_EHP(t)·p_e(t)+G_CHP(t)·p_g(t)+

G_BL(t)·p_g(t)+E_ES(t)·p_d-E_cur(t)·p_cur(t)

式中，M为控制域；P为预测域，通常M<P；N为建模域；p_e、p_g、p_cur分为电价、天然气价格和可控负荷补贴系数；p_d为储能单元罚因子；P_RES(t)、P_CHP(t)、P_G(t)、P_ES(t)、P_d(t)、P_EHP(t)分别表示分布式电源、热电联供系统、电网、储能单元、电负荷、热泵在t时刻的电功率；H_CHP(t)、H_BL(t)、H_EHP(t)、H_HS(t)、H_d(t)分别表示热电联供系统、燃气锅炉、热泵、储热单元、热负荷在t时刻的热功率；E_G(t)、E_EHP(t)、E_ES(t)、E_cur(t)分别表示外电网、热电联供系统、储能单元，灵活负荷在t-1到t时间段内电能变化量；G_CHP(t)、G_BL(t)分别表示热电联供系统、燃气锅炉在t-1到t时间段消耗的燃气量。

5.如权利要求4所述的基于模型预测控制的分布式能源能量管理方法，其特征在于：所述电价、天然气价格随时间波动或者取恒定值。