CN109120003A - 一种基于mpc算法的分布式光伏储能系统优化控制方法 - Google Patents

Abstract

本发明公开一种基于MPC算法的分布式光伏储能系统优化控制方法，包括如下步骤：步骤S1，建立系统各组成元素的物理模型；步骤S2，建立优化控制模型的目标函数；步骤S3，根据历史数据对光伏电源的出力进行预测；步骤S4，采用MPC控制算法对该模型进行滚动优化和反馈校正。此种方法可有效地对分布式光伏的出力进行优化控制，从而达到平抑功率波动，提高电能质量的目的。

Description

一种基于MPC算法的分布式光伏储能系统优化控制方法

技术领域

本发明属于电力系统优化控制领域，特别涉及一种并网型分布式光伏储能系统的优化控制方法。

背景技术

近年来，随着分布式光伏被广泛接入电力系统配电网中，由于其出力的波动性和间歇性所带来的配电网电压的扰动和闪变从而导致的电网电压的骤降和跌落，严重影响了配电网的电能质量。此外，由于光伏的接入会减少线路上的实际传输功率，从而改变馈线的潮流分布，使得线路负荷节点处的电压过高或过低。

另一方面，储能在平衡有功输出方面有着其独特的优势，针对分布式光伏所带来的电能质量问题，将储能广泛地接入配电网，可以有效地调节光伏并网点的电压。因而，将并网型光伏和储能综合进行管理，不仅可以对清洁的光伏电能进行充分利用，也有利于减少其对电网的不利影响。而对于并网型光伏及储能系统的优化控制是与之相关的具有重要意义和具有研究价值的课题之一。

模型预测控制是一种近年来逐渐发展并日趋完善的现代控制理论，其基本思想为将控制算法直接嵌入过程模型中，从而直接对被控过程的输入和输出的稳定性及约束条件进行考虑。MPC的本质是利用滚动对模型进行局部优化，以得到模型预测的控制策略，并通过滚动对控制策略进行实施。MPC为了更好地处理系统中的不确定因素以及诸多的外部干扰，采用了三种机制，即：预测优化、滚动优化、反馈校正，以此让系统达到最优性能指标。

发明内容

本发明的目的，在于提供一种基于MPC算法的分布式光伏储能系统优化控制方法，其可有效地对分布式光伏的出力进行优化控制，从而达到平抑功率波动，提高电能质量的目的。

为了达成上述目的，本发明的解决方案是：

一种基于MPC算法的分布式光伏储能系统优化控制方法，包括如下步骤：

步骤S1，建立系统各组成元素的物理模型；

步骤S2，建立优化控制模型的目标函数；

步骤S3，根据历史数据对光伏电源的出力进行预测；

步骤S4，采用MPC控制算法对该模型进行滚动优化和反馈校正。

上述步骤S1中，建立系统各组成元素的物理模型包括：

(11)光伏阵列

光伏阵列的功率为负值，在优化控制模型中，P_PV的值通过历史数据来进行预测，据此对储能单元进行调度；

(12)蓄电池储能系统

蓄电池储能系统的荷电量约束由以下的动态方程确定：

其中，P_BES(t)为BES单元的充电速率向量，分别为BES的存储和充电效率，取值范围为[0,1]；

其中，和分别为BES单元的荷电状态上下限，取值范围为[0,1]，为BES的最大容量；

储能系统的充放电受其容量的大小约束，其表达式如下：

其中，和分别为放电和充电率的上下限，为储能充放电量的预测值；

(13)电网

并网型分布式光伏储能系统发出的直流电先经过DC-AC逆变器逆变为交流电，再通过升压变压器升压，反馈至与电网相连的公共连接点PCC相联，PCC点的功率平衡方程为：

P_GD(t)＝P_PV(t)+1^T·P_BES(t)

其中，P_GD(t)为PCC点在时刻t的功率值，P_PV(t)为光伏阵列在时刻t的输出功率值，1^T·P_BES(t)为所有BES单元的功率之和；

|P_GD(t)|≤P_PCC

其中，P_PCC为光伏与电网交互功率的上限。

上述光伏阵列出力的预测值的计算流程如下：

步骤A1，在MPC算法运行的时间段内，使用PV的历史数据来求解下式，从而求得

τ＝t-T_hist+1,…,t-1

式中，m、n分别为各项的系数，T_hist为光伏历史发电时长，可取24h的整数倍，T_period为时间周期长度，可取24h；

步骤A2，计算残差

步骤A3，通过求解如下的最小二乘问题，求得权重向量a：

其中，为残差预测误差，a为n维向量；

a为上述最小二乘问题的解析解，a＝M⁺b，M⁺为摩尔－彭若斯广义逆；

步骤A4，计算MPC算法运行时间段内的预测残差

其中，λ为收敛因子，且0＜λ＜1；

步骤A5，计算光伏出力的预测值其中，

上述步骤S2中，建立优化控制模型的目标函数为：

其中，为t时刻系统与电网交换功率的预测值，为储能充放电量的预测值；

为功率波动的惩罚函数；其中，α、β、γ分别为交换功率的范围、斜率和曲率的惩罚系数。

为与电网交换功率所产生的费用函数；c(t)为t时刻的电价；

为BES一次充放电量约束，λ为储能充放电循环的惩罚系数；

优化控制的模型为：

|P_GD(τ)|≤P_PCC

τ＝t,…,t+T-1

τ＝t-T_hist+1,…,t-1。

其中，P_PCC为公共连接点(PCC)处允许通过的最大功率。Q_final为BES单元最后时刻的荷电量下限，可取 为BESS的存储效率，为BESS的充电效率，为BESS的放电效率。和分别为BESS的充电和放电电量。

上述步骤S4中，采用MPC控制算法对该模型进行优化控制的流程如下：

步骤B1，建立预测模型

MPC所采用的系统是以离散模型来表示的，其公式为：

x(k+1)＝f(x(k),u(k))

y(k)＝g(x(k))

式中，x(k)为全部子系统状态量所构成的向量；u(k)为由全部子系统控制输入量构成的控制输入向量；f(x(k),u(k))为非线性函数向量，且必须满足f(0,0)＝0；

对于MPC的优化控制问题，对其描述为：

s.t.x(k+1)＝f(x(k),u(k))

y(k)＝g(x(k))

x_min≤x(k)≤x_max

u_min≤u(k)≤u_max

x(k₀)＝x₀

步骤B2，进行滚动优化

滚动优化是指在每个采样周期范围内，通过系统初始状态和预测模型，对系统进行优化处理，从中找出最优控制序列，并将最优序列的第一个元素加到被控对象上；在每一个采样时间内，对于性能指标的优化只能对有限的时间段来进行，超过该时间段，则不能对其进行优化，对于下一时刻的采样，优化时间会继续向前推移；

步骤B3，进行反馈校正

反馈校正用于对模型预测所产生的误差进行补偿和一些扰动的反馈，对于时变、非线性系统以及干扰因素，通过反馈来对其进行校正。

采用上述方案后，本发明通过MPC优化控制算法，实现对分布式光伏储能系统的优化控制。

附图说明

图1是本发明的流程图；

图2是本发明提供的并网型光伏储能系统结构图；

图3是本发明提供的MPC模型预测控制系统结构图；

图4是本发明提供的光伏功率预测流程图。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图1所示，本发明提供一种基于MPC算法的分布式光伏储能系统优化控制方法，包括如下步骤：

步骤S1，建立系统各组成元素的物理模型；

步骤S2，建立优化控制模型的目标函数；

步骤S3，根据历史数据对光伏电源的出力进行预测；

步骤S4，采用MPC控制算法对该模型进行滚动优化和反馈校正。

其中，配合图2所示，所述步骤S1中，建立系统各组成元素的物理模型包括：

(1)光伏阵列

光伏阵列的功率为负值，因为其总是发出电能而不会消耗电能，其输出功率P_PV会随着天气的变化而变动，且不可控。在优化控制模型中，P_PV的值通过历史数据来进行预测，据此对储能单元进行调度。

(2)蓄电池储能系统

蓄电池储能系统的荷电量约束由以下的动态方程确定：

其中，P_BES(t)为BES单元的充电速率向量，分别为BES的存储和充电效率，取值范围为[0,1]。

其中，和分别为BES单元的荷电状态上下限，取值范围为[0,1]。为BES的最大容量。

储能系统的充放电受其容量的大小约束，其表达式如下：

其中，和分别为放电和充电率的上下限，为储能充放电量的预测值。

(3)电网

并网型分布式光伏储能系统发出的直流电先经过DC-AC逆变器逆变为交流电，再通过升压变压器升压，反馈至与电网相连的公共连接点(PCC)相联。PCC点的功率平衡方程为：

P_GD(t)＝P_PV(t)+1^T·P_BES(t)

其中，P_GD(t)为PCC点在时刻t的功率值。1^T·P_BES(t)为所有BES单元的功率之和。P_PV(t)表示光伏阵列在t时刻的输出功率值。

|P_GD(t)|≤P_PCC

其中，P_PCC为光伏与电网交互功率的上限。

对于光伏阵列出力的预测值的计算流程如下：

(1)在MPC算法运行的时间段内，使用PV的历史数据来求解下式，从而求得

τ＝t-T_hist+1,…,t-1

式中，m、n分别为各项的系数，T_hist为光伏历史发电时长，可取24h的整数倍，T_period为时间周期长度，可取24h；

(2)计算残差

(3)通过求解如下的最小二乘问题，求得权重向量a：

其中，为残差预测误差，a为n维向量。

a为上述最小二乘问题的解析解，a＝M⁺b，M⁺为摩尔－彭若斯广义逆。

(4)计算MPC算法运行时间段内的预测残差

其中，λ为收敛因子，且0＜λ＜1；

(5)计算光伏出力的预测值其中，

配合图3所示，所述步骤S2中，建立优化控制模型的目标函数为：

其中，为t时刻系统与电网交换功率的预测值，为储能充放电量的预测值；

为与电网交换功率所产生的费用函数，c(t)为t时刻的电价。

为功率波动的惩罚函数。

其中，α、β、γ分别为交换功率的范围、斜率和曲率的惩罚系数。

为BES一次充放电量约束。

其中，λ为储能充放电循环的惩罚系数。

优化控制的模型为：

|P_GD(τ)|≤P_PCC

τ＝t,…,t+T-1

τ＝t-T_hist+1,…,t-1

其中，P_PCC为公共连接点(PCC)处允许通过的最大功率。Q_final为BES单元最后时刻的荷电量下限，可取 为BESS的存储效率，为BESS的充电效率，为BESS的放电效率。和分别为BESS的充电和放电电量。

如图4所示，所述步骤S4中，采用MPC控制算法对该模型进行优化控制的流程如下：

(1)建立预测模型

预测模型将系统过程的未来动态行为展示出来，包括系统的传递函数和状态方程。该方法可以极大程度地预测出系统未来的响应，并获取一些信息。

MPC所采用的系统是以离散模型来表示的，其公式为：

x(k+1)＝f(x(k),u(k))

y(k)＝g(x(k))

式中，x(k)为全部子系统状态量所构成的向量；u(k)为由全部子系统控制输入量构成的控制输入向量；f(x(k),u(k))为非线性函数向量，且必须满足f(0,0)＝0。

对于MPC的优化控制问题，可以对其描述为：

s.t.x(k+1)＝f(x(k),u(k))

y(k)＝g(x(k))

x_min≤x(k)≤x_max

u_min≤u(k)≤u_max

x(k₀)＝x₀

(2)进行滚动优化

滚动优化是指在每个采样周期范围内，通过系统初始状态和预测模型，对系统进行优化处理，从中找出最优控制序列，并将最优序列的第一个元素加到被控对象上。在每一个采样时间内，对于性能指标的优化只能对有限的时间段来进行，超过该时间段，则不能对其进行优化。对于下一时刻的采样，优化时间会继续向前推移。

(3)进行反馈校正

反馈校正主要被用于对模型预测所产生的误差进行补偿和一些扰动的反馈。预测模型只能对一般的描述系统进行动态的描述。对于一些时变、非线性系统以及其他的干扰因素，只能通过后续的反馈来对其进行校正。对于模型预测的反馈校正只能建立在滚动优化的基础之上，才能充分实现其有效性。反馈校正是基于控制变量的偏差和信号干扰对控制变量进行补偿。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于MPC算法的分布式光伏储能系统优化控制方法，其特征在于包括如下步骤：

步骤S1，建立系统各组成元素的物理模型；

步骤S2，建立优化控制模型的目标函数；

步骤S3，根据历史数据对光伏电源的出力进行预测；

步骤S4，采用MPC控制算法对该模型进行滚动优化和反馈校正。

2.如权利要求1所述的一种基于MPC算法的分布式光伏储能系统优化控制方法，其特征在于：所述步骤S1中，建立系统各组成元素的物理模型包括：

(11)光伏阵列

光伏阵列的功率为负值，在优化控制模型中，P_PV的值通过历史数据来进行预测，据此对储能单元进行调度；

(12)蓄电池储能系统

蓄电池储能系统的荷电量约束由以下的动态方程确定：

其中，P_BES(t)为BES单元的充电速率向量，分别为BES的存储和充电效率，取值范围为[0,1]；

其中，和分别为BES单元的荷电状态上下限，取值范围为[0,1]，为BES的最大容量；

储能系统的充放电受其容量的大小约束，其表达式如下：

其中，和分别为放电和充电率的上下限，为储能充放电量的预测值；

(13)电网

并网型分布式光伏储能系统发出的直流电先经过DC-AC逆变器逆变为交流电，再通过升压变压器升压，反馈至与电网相连的公共连接点PCC相联，PCC点的功率平衡方程为：

P_GD(t)＝P_PV(t)+1^T·P_BES(t)

其中，P_GD(t)为PCC点在时刻t的功率值，P_PV(t)为光伏阵列在时刻t的输出功率值，1^T·P_BES(t)为所有BES单元的功率之和；

|P_GD(t)|≤P_PCC

其中，P_PCC为光伏与电网交互功率的上限。

3.如权利要求2所述的一种基于MPC算法的分布式光伏储能系统优化控制方法，其特征在于：所述光伏阵列出力的预测值的计算流程如下：

步骤A1，在MPC算法运行的时间段内，使用PV的历史数据来求解下式，从而求得

τ＝t-T_hist+1,…,t-1

式中，m、n分别为各项的系数，T_hist为光伏历史发电时长，T_period为时间周期长度；

步骤A2，计算残差

步骤A3，通过求解如下的最小二乘问题，求得权重向量a：

其中，为残差预测误差，a为n维向量；

a为上述最小二乘问题的解析解，a＝M⁺b，M⁺为摩尔－彭若斯广义逆；

步骤A4，计算MPC算法运行时间段内的预测残差

其中，λ为收敛因子，且0＜λ＜1；

步骤A5，计算光伏出力的预测值其中，

4.如权利要求1所述的一种基于MPC算法的分布式光伏储能系统优化控制方法，其特征在于：所述步骤S2中，建立优化控制模型的目标函数为：

其中，为t时刻系统与电网交换功率的预测值，为储能充放电量的预测值；

为功率波动的惩罚函数；其中，α、β、γ分别为交换功率的范围、斜率和曲率的惩罚系数；

为与电网交换功率所产生的费用函数；c(t)为t时刻的电价；

为BES一次充放电量约束，λ为储能充放电循环的惩罚系数；

优化控制的模型为：

|P_GD(τ)|≤P_PCC

τ＝t,…,t+T-1

τ＝t-T_hist+1,…,t-1

其中，P_PCC为公共连接点(PCC)处允许通过的最大功率，Q_final为BES单元最后时刻的荷电量下限，为BESS的存储效率，为BESS的充电效率，为BESS的放电效率，和分别为BESS的充电和放电电量。

5.如权利要求1所述的一种基于MPC算法的分布式光伏储能系统优化控制方法，其特征在于：所述步骤S4中，采用MPC控制算法对该模型进行优化控制的流程如下：

步骤B1，建立预测模型

MPC所采用的系统是以离散模型来表示的，其公式为：

x(k+1)＝f(x(k),u(k))

y(k)＝g(x(k))

式中，x(k)为全部子系统状态量所构成的向量；u(k)为由全部子系统控制输入量构成的控制输入向量；f(x(k),u(k))为非线性函数向量，且必须满足f(0,0)＝0；

对于MPC的优化控制问题，对其描述为：

s.t.x(k+1)＝f(x(k),u(k))

y(k)＝g(x(k))

x_min≤x(k)≤x_max

u_min≤u(k)≤u_max

x(k₀)＝x₀

步骤B2，进行滚动优化

滚动优化是指在每个采样周期范围内，通过系统初始状态和预测模型，对系统进行优化处理，从中找出最优控制序列，并将最优序列的第一个元素加到被控对象上；在每一个采样时间内，对于性能指标的优化只能对有限的时间段来进行，超过该时间段，则不能对其进行优化，对于下一时刻的采样，优化时间会继续向前推移；

步骤B3，进行反馈校正

反馈校正用于对模型预测所产生的误差进行补偿和一些扰动的反馈，对于时变、非线性系统以及干扰因素，通过反馈来对其进行校正。