CN109672216A - 一种基于多因子的主动配电网分层控制方法及系统 - Google Patents

Abstract

本发明公开了一种基于多因子的主动配电网分层控制方法，对主动配电网中的光伏、风机、电池等分布式电源进行有功调度，有效提保证主动配电网运行的经济性与稳定性。本发明的分层控制方法包括日前优化调度和日内滚动优化。日前优化调度根据短期预测数据，利用遗传算法对经济性目标进行求解；日内滚动优化根据超短期预测数据，利用模型预测算法，消除日前预测误差造成的联络线功率波动。本发明为兼顾了主动配电网运行的经济性和可调度性，节约了运行成本同时使系统的运行更加问题，具有较好的实际意义。

Description

一种基于多因子的主动配电网分层控制方法及系统

技术领域

本发明属于电力系统运行分析与控制技术领域，尤其涉及一种基于多因子的主动配电网分层控制方法及系统。

技术背景

分布式电源的接入使得配电网从一个辐射式的网络变为一个遍布电源与用户互联的网络，由传统的功率单向的无源网络变成为一个功率双向流动的有源网络，配电网的电压升高，继电保护策略愈加复杂，对系统供电可靠性和电能质量造成不利影响。电力电子技术和储能技术的发展虽然解决了分布式电源在中压配电网中的并网运行的问题，但受到传统电网结构影响，可再生能源消纳能力不足、调度方式单一落后、自动化水平较低、一次网架薄弱等问题仍然存在，对可再生能源的推广和应用形成严重制约，阻碍了能源结构的优化调整。 2008年主动配电网(Active Distribution Network,ADN)的概念被提出，灵活的通讯技术和分布式电源的协调控制技术使主动配电网能够实现分布式电源接入配电网后的双向潮流的有效管理，发挥分布式电源对电力系统的支撑作用。因此，研究主动配电网中多能互补、源荷储协调优化调度具有重要的研究意义。

发明内容

本发明的目的在于提供一种基于多因子的主动配电网分层控制方法，对主动配电网中的光伏、风机、电池等分布式电源进行有功调度，包括日前优化调度和日内滚动优化，有效提保证主动配电网运行的经济性与稳定性。

本发明为了实现上述目的所采取的技术方案包括：本发明建立了一种基于多因子的主动配电网分层控制方法，该方法对主动配电网进行有功调度，包括日前调度和日内优化，综合考虑微电网运行的经济性与并网的可调度性以及分布式电源的出力特性。具体为：一种基于多因子的主动配电网分层控制方法，包括日前优化调度和日内滚动优化；

所述日前优化调度包括(1)以经济最优为目标，建立优化目标函数；

(2)建立主动配电网内各分布式电源运行的约束条件，所述约束条件包括功率平衡约束、功率上下限约束、储能设备约束；

(3)设置时间分辨率，根据已有的各类分布式储能的预测处理数据，以及所建立的优化目标函数和约束条件，使用遗传算法求解优化问题，获得日前调度计划；所述日内滚动优化包括(1)以主动配电网中的的可控出力为状态变态向量，设置滚动预测周期，建立空间状态模型；

(2)根据日前优化调度结果，取k时刻向前N步的联络线功率构成跟踪控制目标向量，建立以消除联络线功率波动为目的的优化目标函数。

(3)以所建立的空间状态模型和优化目标函数为基础，使用模型预测算法对日内有功调度进行滚动优化。

进一步的，日前优化调度中，经济影响因子包括光伏运行维护成本、风机运行维护成本、电池运行维护成本和电网交互成本，所述优化目标函数如下：

F_C＝C_P+C_W+C_B+C_grid (1)

式中，C_P、C_W、C_B分别为光伏、风机、电池运行维护成本，C_grid为电网交互成本。

进一步的，所述功率平衡约束为负荷功率与光伏、风机和电池出力之间的平衡，即

P_P(t)+P_W(t)+P_B(t)+P_grid(t)＝P_load(t) (2)

式中，P_P(t)为光伏t时刻出力，P_W(t)为风机t时刻出力，P_B(t)为电池t时刻出力，P_grid(t)为t时刻联络线功率，P_load(t)为t时刻负荷功率。

进一步的，所述日前优化调度中约束条件包括联络线功率约束，满足

P_{grid_min}≤P_grid≤P_{grid_max} (3)

式中，P_{grid_max}、P_{grid_min}分别为联络线功率的上限和下限。

进一步的，所述日前优化调度的约束条件包括分布式电源出力约束，满足

P_{DGi_min}≤P_DGi(t)≤P_{DGi_max} (4)

式中，P_{DGi_max}、P_{Dgi_min}分别为第i个分布式电源出力的上限和下限。

进一步的，所述日前优化调度的约束条件包括蓄电池约束，满足

P_{B_min}≤P_B(t)≤P_{B_max} (5)

SOC_min≤SOC(t)≤SOC_max (6)

式中，P_{B_max}、P_{B_min}分别为蓄电池功率的上限和下限，SOC_max、SOC_min分别为蓄电池荷电量的上限和下限。

进一步的，所述日前优化调度中，遗传算法包括以下步骤：

(1)初始化，产生初始种群；

(2)计算个体适应度值；

(3)终止条件判断，达到最大进化代数或两代最优个体的适应度值差距小于阈值ε的情况连续出现多次，则计算终止，输出结果；

(4)否则将选择算子、交叉算子、变异算子作用于种群，产生新种群；

(5)重复(2)-(4)，直至满足终止条件。

进一步的，所述日内滚动优化中，空间模型如下：

式中，x(k)＝[SOC(k),P_grid(k),P_B(k-1)]^T为状态变量向量，由蓄电池SOC、联络线功率、蓄电池出力构成；Δu(k)＝ΔP_B(k)是控制变量向量，由蓄电池出力增量构成； r(k)＝[P_load(k),P_P(k),P_W(k)]^T为超短期预测数据构成的扰动向量； y(k)＝[SOC(k),P_grid(k),0]^T为输出变量，由蓄电池SOC和联络线交换功率构成；

联立上两式，即可求出k+1～k+N时刻的输出向量Y_f(k)：

进一步的，所述日内滚动优化中，优化目标函数如下：

根据日前优化结果，取k时刻之后k+1～k+N时刻的联络线功率以及蓄电池SOC 的日前优化值构成跟踪控制目标向量Y_r(k)：

在日内滚动优化调度阶段，以尽力消除日前预测误差造成的联络线功率波动为目标，设置日内优化目标函数：

进一步的，所述日内滚动优化中，模型预测算法包括以下步骤：

(1)在当前时刻k，根据当前状态x(k)，考虑当前和未来的约束条件，通过解决优化问题，得到未来k+1，k+2，…，k+N时刻的控制指令序列；

(2)将控制指令序列的第一个值应用于控制系统；

(3)在k+1时刻，更新状态为x(k+1)，重复上述操作步骤。

本发明还提供了一种基于多因子的主动配电网分层控制系统，包括日前优化调度装置和日内滚动优化装置；

所述日前优化调度装置包括优化目标函数建立模块、约束条件建立模块和遗传算法模块，所述优化目标函数建立模块以经济最优为目标，建立优化目标函数，所述约束条件建立模块用于建立主动配电网内各分布式电源运行的约束条件，所述约束条件包括功率平衡约束、功率上下限约束、储能设备约束；所述遗传算法模块用于设置时间分辨率，根据已有的各类分布式储能的预测处理数据，以及所建立的优化目标函数和约束条件，使用遗传算法求解优化问题，获得日前优化调度计划；

所述日内滚动优化装置包括空间状态模型建立模块、优化目标函数建立模块和模型预测算法模块，所述空间状态模型建立模块用于以主动配电网中的可控出力为状态变态向量，设置滚动预测周期，建立空间状态模型，优化目标函数建立模块用于根据日前优化调度结果，取一个滚动预测周期内的联络线功率构成跟踪控制目标向量，建立以消除联络线功率波动为目的的优化目标函数，所述模型预测算法模块用于以所建立的空间状态模型和优化目标函数为基础，使用模型预测算法对日内有功调度进行滚动优化。

有益效果：本发明具有如下优点和技术效果：

本发明建立一种基于多因子的主动配电网分层控制方法，对主动配电网中的光伏、风机、电池等分布式电源进行有功调度，包括日前优化调度和日内滚动优化，有效提保证主动配电网运行的经济性与稳定性。本发明的分层控制方法包括日前优化调度和日内滚动优化。日前优化调度根据短期预测数据，利用遗传算法对经济性目标进行求解；日内滚动优化根据超短期预测数据，利用模型预测算法，消除日前预测误差造成的联络线功率波动。本发明为兼顾了主动配电网运行的经济性和可调度性，节约了运行成本同时使系统的运行更加问题，具有较好的实际意义。

附图说明

图1分层控制方法框架图。

具体实施方式

以下结合附图和实例对本发明的实施作进一步说明，但但应当理解为本发明的保护范围并不受具体实施方式的限制。

本发明涉及一种基于多因子的主动配电网分层控制方法包括以下步骤：

步骤1：日前优化调度，以经济最优为目标，建立综合考虑主动配电网中各类影响成本的因子的优化目标函数:

F_C＝C_P+C_W+C_B+C_grid (12)

式中，C_P、C_W、C_B分别为光伏、风机、电池运行维护成本，C_grid为电网交互成本。

步骤2：日前优化调度，建立主动配电网内各分布式电源运行的约束条件，包括功率平衡约束、功率上下限约束、储能设备约束等约束条件：

(1)功率平衡约束

P_P(t)+P_W(t)+P_B(t)+P_grid(t)＝P_load(t) (13)

式中，P_P(t)为光伏t时刻出力，P_W(t)为风机t时刻出力，P_B(t)为电池t时刻出力，P_grid(t)为t时刻联络线功率，P_load(t)为t时刻负荷功率。

(2)联络线功率约束

P_{grid_min}≤P_grid≤P_{grid_max} (14)

式中，P_{grid_max}、P_{grid_min}分别为联络线功率的上限和下限。

(3)分布式电源出力约束

P_{DGi_min}≤P_DGi(t)≤P_{DGi_max} (15)

式中，P_{DGi_max}、P_{DGi_min}分别为第i个分布式电源出力的上限和下限。

(4)蓄电池约束

P_{B_min}≤P_B(t)≤P_{B_max} (16)

SOC_min≤SOC(t)≤SOC_max (17)

式中，P_{B_max}、P_{B_min}分别为蓄电池功率上下限，SOC_max、SOC_min分别为蓄电池功率的上限和下限。

步骤3：日前优化调度，设置时间分辨率为1小时，根据已有的各类分布式储能的预测处理数据，以及步骤1、步骤2中所建立的优化目标函数和约束条件，使用遗传算法求解优化问题，获得日前调度计划。

微电网中各基本数据如下

表1技术参数

表2维护费用信息

(1)初始化，产生初始种群；

(2)计算个体适应度值。本文采用轮盘赌选择，设定种群大小为M，具体操作如下：

首先计算群体中每个个体的适应度f(i),i＝1,2,L,M，计算每个个体被遗传到下一代群体中的概率

计算其累计概率，第k个个体的累计概率为

(3)终止条件判断，达到最大进化代数或两代最优个体的适应度值差距小于阈值ε的情况连续出现多次，则计算终止，输出结果；

(4)否则将选择算子、交叉算子、变异算子作用于种群，产生新种群；

(5)重复(2)～(4)，直至满足终止条件。

约束条件处理：对于经济优化调度问题，采用搜索空间限定法与罚函数结合的方式对约束条件进行处理。对于各微源出力上下限的约束采用搜索空间限定法实现。对于蓄电池SOC约束采用罚函数处理，在目标函数中加入如下算子作为惩罚项：

式中，ΔSOCk为蓄电池SOC约束条件偏差量，wk为惩罚因子。

步骤4：日内滚动优化，以主动配电网中的的可控出力为状态变态向量，设置滚动预测周期为5min，建立空间状态模型：

式中，x(k)＝[SOC(k),P_grid(k),P_B(k-1)]^T为状态变量向量，由蓄电池SOC、联络线功率、蓄电池出力构成，SOC(k)表示k时刻的蓄电池SOC、P_grid(k)表示k时刻的联络线功率、P_B(k-1)表示k-1时刻的蓄电池出力构成；Δu(k)＝ΔP_B(k)是控制变量向量，由蓄电池出力增量构成，P_B(k)表示k时刻的蓄电池出力增量； r(k)＝[P_load(k),P_P(k),P_W(k)]^T为超短期预测数据构成的扰动向量，P_load(k)表示k时刻的超短期负荷预测数据，P_P(k)表示k时刻的光伏出力超短期预测数据，P_W(k)示k 时刻的风机出力超短期预测数据；y(k)＝[SOC(k),P_grid(k),0]^T为输出变量，由蓄电池SOC和联络线交换功率构成，SOC(k)表示k时刻的蓄电池SOC，P_grid(k)表示 k时刻的联络线交换功率；状态转移矩阵中，σ表示电池损耗系数，T_s表示时间间隔，E_B表示蓄电池容量。

联立上两式，即可求出k+1～k+N时刻的预测输出向量Y_f(k)：

步骤5：日内滚动优化，根据日前优化调度结果，取k时刻向前N步的寥落线功率构成跟踪控制目标向量，建立以消除联络线功率波动为目的的优化目标函数：

根据日前优化结果，取k时刻之后k+1～k+N时刻的联络线功率以及蓄电池 SOC的日前优化值构成跟踪控制目标向量Y_r(k)：

在日内滚动优化调度阶段，以尽力消除日前预测误差造成的联络线功率波动为目标，设置日内优化目标函数：

其中，J(k)为优化目标函数，Y_f(k)为预测输出向量，Y_r(k)为跟踪控制目标向量，ΔU(k)为控制变量向量，Q、R为归一化矩阵。

步骤6：日内滚动优化，设置时间分辨率为5分钟，以步骤4、步骤5中所建立的空间状态模型和优化目标函数为基础，使用模型预测算法对日内有功调度进行滚动优化。

(1)在当前时刻k，根据当前状态x(k)，考虑当前和未来的约束条件，通过解决优化问题，得到未来k+1，k+2，…，k+N时刻的控制指令序列；

(2)将控制指令序列的第一个值应用于控制系统；

(3)在k+1时刻，更新状态为x(k+1)，重复上述操作步骤。

反馈校正：为避免模型失配和环境干扰对引起的控制对理想状态的偏移，在线测量系统当前的实际有功出力状态，作为当前时刻滚动优化的初始值，形成闭环控制，使预测模型更加准确。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种基于多因子的主动配电网分层控制方法，其特征在于，包括日前优化调度和日内滚动优化；

所述日前优化调度包括(1)以经济最优为目标，建立优化目标函数；

(2)建立主动配电网内各分布式电源运行的约束条件，所述约束条件包括功率平衡约束、功率上下限约束、储能设备约束；

(3)设置时间分辨率，根据已有的各类分布式储能的预测处理数据，以及所建立的优化目标函数和约束条件，使用遗传算法求解优化问题，获得日前优化调度计划；

所述日内滚动优化包括(1)以主动配电网中的可控出力为状态变态向量，设置滚动预测周期，建立空间状态模型；

(2)根据日前优化调度结果，取一个滚动预测周期内的联络线功率构成跟踪控制目标向量，建立以消除联络线功率波动为目的的优化目标函数；

(3)以所建立的空间状态模型和优化目标函数为基础，使用模型预测算法对日内有功调度进行滚动优化。

2.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，日前优化调度中，经济最优影响因子包括光伏运行维护成本、风机运行维护成本、电池运行维护成本和电网交互成本，所述优化目标函数如下：

F_C＝C_P+C_W+C_B+C_grid (1)

式中，C_P、C_W、C_B分别为光伏、风机、电池运行维护成本，C_grid为电网交互成本。

3.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述功率平衡约束为负荷功率与光伏、风机和电池出力之间的平衡，即

P_P(t)+P_W(t)+P_B(t)+P_grid(t)＝P_load(t) (2)

式中，P_P(t)为光伏t时刻出力，P_W(t)为风机t时刻出力，P_B(t)为电池t时刻出力，P_grid(t)为t时刻联络线功率，P_load(t)为t时刻负荷功率。

4.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述日前优化调度中约束条件包括联络线功率约束，满足

P_{grid_min}≤P_grid≤P_{grid_max} (3)

式中，P_{grid_max}、P_{grid_min}分别为联络线功率上下限。

5.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述日前优化调度的约束条件包括分布式电源出力约束，满足

P_{DGi_min}≤P_DGi(t)≤P_{DGi_max} (4)

式中，P_{DGi_max}、P_{Dgi_min}分别为第i个分布式电源出力的上限和下限。

6.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述日前优化调度的约束条件包括蓄电池约束，满足

P_{B_min}≤P_B(t)≤P_{B_max} (5)

SOC_min≤SOC(t)≤SOC_max (6)

式中，P_{B_max}、P_{B_min}分别为蓄电池功率的上限和下限，SOC_max、SOC_min分别为蓄电池荷电量的上限和下限。

7.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述日前优化调度中，遗传算法包括以下步骤：

(1)初始化，产生初始种群；

(2)计算个体适应度值；

(3)终止条件判断，达到最大进化代数或两代最优个体的适应度值差距小于阈值ε的情况连续出现多次，则计算终止，输出结果；

(4)否则将选择算子、交叉算子、变异算子作用于种群，产生新种群；

(5)重复(2)-(4)，直至满足终止条件。

8.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述日内滚动优化中，空间状态模型如下：

式中，x(k)＝[SOC(k),P_grid(k),P_B(k-1)]^T为状态变量向量，由蓄电池SOC、联络线功率、蓄电池出力构成；Δu(k)＝ΔP_B(k)是控制变量向量，由蓄电池出力增量构成；r(k)＝[P_load(k),P_P(k),P_W(k)]^T为超短期预测数据构成的扰动向量；y(k)＝[SOC(k),P_grid(k),0]^T为输出变量，由蓄电池SOC和联络线交换功率构成；状态转移矩阵中，σ表示电池损耗系数，T_s表示时间间隔，E_B表示蓄电池容量；

联立上两式，即可求出k+1～k+N时刻的预测输出向量Y_f(k)：

其中，为k+1～k+N时刻的预测联络线功率，SOC^f(k+1)～SOC^f(k+N)为k+1～k+N时刻的预测蓄电池SOC。

9.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述日内滚动优化中，优化目标函数如下：

根据日前优化结果，取k时刻之后k+1～k+N时刻的联络线功率以及蓄电池SOC的日前优化值构成跟踪控制目标向量Y_r(k)：

其中，为k+1～k+N时刻的日前优化联络线功率，SOC^f(k+1)～SOC^f(k+N)为k+1～k+N时刻的日前优化蓄电池SOC；

在日内滚动优化调度阶段，以尽力消除日前预测误差造成的联络线功率波动为目标，设置日内优化目标函数：

其中，J(k)为优化目标函数，Y_f(k)为预测输出向量，Y_r(k)为跟踪控制目标向量，ΔU(k)为控制变量向量，Q、R为归一化矩阵。

10.根据权利要求1所述的基于多因子的主动配电网分层控制方法，其特征在于，所述日内滚动优化中，模型预测算法包括以下步骤：

(1)在当前时刻k，根据当前状态x(k)，考虑当前和未来的约束条件，通过解决优化问题，得到未来k+1，k+2，…，k+N时刻的控制指令序列；

(2)将控制指令序列的第一个值应用于控制系统；

(3)在k+1时刻，更新状态为x(k+1)，重复上述操作步骤。

11.一种基于多因子的主动配电网分层控制系统，其特征在于，包括日前优化调度装置和日内滚动优化装置；

所述日前优化调度装置包括优化目标函数建立模块、约束条件建立模块和遗传算法模块，所述优化目标函数建立模块以经济最优为目标，建立优化目标函数，所述约束条件建立模块用于建立主动配电网内各分布式电源运行的约束条件，所述约束条件包括功率平衡约束、功率上下限约束、储能设备约束；所述遗传算法模块用于设置时间分辨率，根据已有的各类分布式储能的预测处理数据，以及所建立的优化目标函数和约束条件，使用遗传算法求解优化问题，获得日前优化调度计划；

所述日内滚动优化装置包括空间状态模型建立模块、优化目标函数建立模块和模型预测算法模块，所述空间状态模型建立模块用于以主动配电网中的可控出力为状态变态向量，设置滚动预测周期，建立空间状态模型，优化目标函数建立模块用于根据日前优化调度结果，取一个滚动预测周期内的联络线功率构成跟踪控制目标向量，建立以消除联络线功率波动为目的的优化目标函数，所述模型预测算法模块用于以所建立的空间状态模型和优化目标函数为基础，使用模型预测算法对日内有功调度进行滚动优化。