CN109765787A - 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法 - Google Patents

Abstract

本发明涉及配电网控制技术，具体涉及一种基于日内‑实时滚动控制的配电网源荷快速跟踪方法，对配电网中的负荷建立含时变参数的静态负荷模型，并运用含约束的最小二乘法对负荷模型的参数进行在线辨识，利用所建立的负荷模型推导负荷状态空间方程；以调度成本最低，在15min时间尺度内进行日内的全局优化，得出经济性最优的下网点功率；根据所建立的负荷模型以及光伏和储能出力的模型，建立配电网系统的状态空间方程；运用多变量广义预测控制对源荷两侧的出力进行控制，以经济性最优的下网点功率为参考序列，得出下一时刻的控制指令，形成滚动优化过程；以波动率指标和经济性指标对控制后的结果进行评价。该方法能提高控制的精度，抑制源荷波动的影响。

Description

一种基于日内-实时滚动控制的配电网源荷快速跟踪方法

技术领域

本发明属于配电网多时间尺度协调控制技术领域，尤其涉及一种基于日内-实时滚动控制的配电网源荷快速跟踪方法。

背景技术

随着分布式能源大量接入配电网、需求侧响应机制逐渐完善，配网运行方式趋于多样化，内部拥有了一定的自我调节能力。但分布式能源出力易受外界环境因素干扰，负荷侧由于电动汽车、储能单元的加入，也会呈现出随机性、间歇性等不友好的特点，源荷两侧的功率波动性会对配网协调控制方面带来新的挑战。若深度挖掘用户侧负荷可调节特性，使其跟踪分布式能源出力，则在分布式能源出力最大化的同时又能实现对配网主要线路功率波动进行抑制。

对于受外界因素影响较大的间歇式分布式能源，日前预测误差一般为20％～30％，而小时级的预测误差也高达15％，若仅依靠日前预测对配网区域制定调度方案，其精度会随着预测尺度的增加而大幅降低。而各分布式能源出力波动的时间尺度也不尽相同，且每一阶段用户侧拥有的可调度柔性负荷资源潜力也不同，因此许多学者不再对单一时间尺度进行研究，而是运用各时间尺度滚动优化的方法制定调度方案，在此方法中上一时间尺度优化的结果将作为下一时间尺度优化的输入量进行滚动，从而能够大幅度降低单一时间尺度预测误差对调度结果带来的影响。

滚动优化将多时间尺度优化中的各时间尺度联系在一起，常用的滚动优化算法为模型预测控制(Model Predictive Control,MPC)算法，MPC是一种运用建立预测模型对控制目标进行优化的算法，由于建模较为简便，愈发受到人们的关注。现有的多时间尺度的消纳间歇式能源的方式多属于静态的优化，即对某一个时间断面或未来某个时间点进行优化的过程，而由于模型预测控制算法拥有滚动优化的特点，其可以实现在线控制并将各时间尺度的优化过程联系在一起。已有文献运用模型预测算法将15min与5min时间尺度进行滚动优化，从而实现了主动配电网中分布式能源消纳最大化；也有文献基于虚拟储能系统，将MPC将24h与15min两个时间尺度滚动优化，实现了智能楼宇系统的可再生能源出力最大化；还有文献中将日前调度和日内调度运用MPC算法相结合，从而解决了冷热电多能联供系统的经济性调度问题。大多数文献运用MPC滚动优化时，控制目标多为频率和电压，此类指标经过一段时间会趋于平稳，因此对预测模型精度不高，但控制目标为有功功率这类不会趋于稳定的数值时，就需要预测模型具有一定的抗干扰能力和自适应性，广义预测控制(Generalized PredictiveControl，GPC)是MPC中一种算法，由于其预测模型采用受控自回归积分滑动平均模型(Controlled Auto-Regressive Integrated Moving Average,CARIMA)，且其运用递推最小二乘法在线对参数进行辨识，因此对随机性较大的系统仍具有较好的稳定性和鲁棒性。

发明内容

本发明的目的是提供一种通过建立配电网中负荷的静态模型，运用含约束的最小二乘法对负荷模型的参数进行在线辨识，推导负荷状态空间方程的方法。

为实现上述目的，本发明采用的技术方案是：一种基于日内-实时滚动控制的配电网源荷快速跟踪方法，包括以下步骤：

步骤1、建立含时变参数的静态负荷模型，并运用含约束的最小二乘法对时变参数进行拟合；

步骤2、根据负荷模型推导电压变化量和功率变化量之间的关系，确定负荷的控制系数；

步骤3、以经济性最优为指标，对配网进行15min时间尺度的优化，对潮流以及各用户的负荷上下限以及分布式能源的爬坡进行约束，进而求出15min下网点功率；

步骤4、建立配电网的状态空间方程，以15min下网点功率为参考序列，运用多变量广义预测控制算法对下网点功率进行控制，进而抑制下网点功率的波动量；

步骤5、每隔15min重复一次步骤3，每分钟执行一次步骤4，形成滚动优化过程，以控制预测数据的误差。

本发明的有益效果：通过建立滚动优化模型，不仅能够提高控制的精度，又能够在保证调度经济性的同时，抑制源荷两侧波动对配网和大网的影响。

附图说明

图1是本发明一个实施例广州某工业园区配电网模型示意图；

图2是本发明一个实施例配电网全局优化结果和超短期预测对比；

图3(a)是本发明一个实施例馈线F1负荷参数辨识和超短期预测结果对比；

图3(b)是本发明一个实施例馈线F2负荷参数辨识和超短期预测结果对比；

图3(c)是本发明一个实施例馈线F3负荷参数辨识和超短期预测结果对比；

图3(d)是本发明一个实施例馈线F4负荷参数辨识和超短期预测结果对比；

图3(e)是本发明一个实施例馈线F5负荷参数辨识和超短期预测结果对比；

图3(f)是本发明一个实施例馈线F6负荷参数辨识和超短期预测结果对比；

图4(a)是本发明一个实施例馈线F1柔性负荷控制系数；

图4(b)是本发明一个实施例馈线F2柔性负荷控制系数；

图4(c)是本发明一个实施例馈线F3柔性负荷控制系数；

图4(d)是本发明一个实施例馈线F4柔性负荷控制系数；

图4(e)是本发明一个实施例馈线F5柔性负荷控制系数；

图4(f)是本发明一个实施例馈线F6柔性负荷控制系数；

图5是本发明一个实施例多变量GPC控制前后下网点有功功率对比；

图6是本发明一个实施例多变量GPC控制前后下网点有功功率波动率对比；

图7是本发明一个实施例多变量GPC控制前后下负荷有功功率曲线对比；

图8是本发明一个实施例多变量GPC控制前后光伏有功功率出力对比；

图9是本发明一个实施例多变量GPC控制前后下网点电压对比；

图10是本发明一个实施例传统PID与MPC-PID控制对比；

图11是本发明一个实施例PID控制前后下网点功率波动对比；

图12是本发明一个实施例MPC-PID串级控制前后下网点功率波动对比；

具体实施方式

下面结合附图对本发明的实施方式进行详细描述。

本实施例提出了一种基于日内-实时滚动控制的配电网源荷快速跟踪方法。首先对配电网中的负荷建立含时变参数的静态负荷模型，并运用含约束的最小二乘法对负荷模型的参数进行在线辨识，利用所建立的负荷模型推导负荷状态空间方程；其次以调度成本最低，在15min时间尺度内进行日内的全局优化，得出经济性最优的下网点功率；其次根据所建立的负荷模型以及光伏和储能出力的模型，建立配电网系统的状态空间方程；运用多变量广义预测控制对源荷两侧的出力进行控制，以经济性最优的下网点功率为参考序列，从而得出下一时刻的控制指令，形成滚动优化过程；最终以波动率指标和经济性指标对控制后的结果进行评价。

本实施例是通过以下技术方案来实现的，一种基于日内-实时滚动控制的配电网源荷快速跟踪方法，包括以下步骤：

步骤1，深度挖掘负荷模型，建立含时变参数的静态负荷模型，并运用含约束的最小二乘法对时变参数进行拟合。

步骤2，根据负荷模型推导电压变化量和功率变化量之间的关系，确定负荷的控制系数。

步骤3，以经济性最优为指标，对配网进行15min时间尺度的优化，对潮流以及各用户的负荷上下限以及分布式能源的爬坡等进行约束，进而求出经济性最优的下网点功率。

步骤4，建立配电网的状态空间方程，以15min下网点功率为参考序列，运用多变量广义预测控制算法对下网点功率进行控制，进而抑制下网点功率的波动量。

步骤5，每隔15min重复一次步骤3，每分钟执行一次步骤4，从而形成滚动优化过程，对预测数据的误差进行了控制，提高了控制的精度。

具体实施时：

1.建立电压—有功负荷调节特性模型

1.1负荷模型时变参数识别

常用的负荷建模方式主要为基于量测量的建模方法，本实施例基于多项式静态负荷模型运用配电网的量测信息对模型参数进行辨识。本实施例忽略频率对负荷的影响，只考虑电压对负荷的影响。配电网中的馈线最靠近用户侧，用户侧的各种随机性行为均会对馈线功率产生影响，为了增加拟合的精度，建立了时变系数的静态负荷模型，表达式如下所示。

上式中A_i(t)、B_i(t)、C_i(t)分别为各馈线恒阻抗、恒电流和恒功率负荷的占比，p_iN为各馈线负荷的额定有功功率，u_iN为第i条馈线负荷的额定电压，u_i(t)为第i条馈线t时刻电压，p_i(t)为第i条馈线t时刻有功功率。

运用最小二乘法对式(1)中参数进行拟合，假设输出量y与一个n维度的变量X＝(x₁,x₂,…x_n)为线性关系，即：y＝θ₁x₁+θ₂x₂+…θ_nx_n。其中θ＝(θ₁,θ₂,…θ_n)为待识别的参数，需要通过不同时刻的y和x的量测值确定，因此静态负荷模型中的变量和待辨识参数如下式所示。

最小二乘法采用残差的平方和最小为优化目标，由于A、B和C为各类负荷占总负荷的比重，因此需要对辨识的参数进行约束，即转化为求解含约束的二次型优化问题，优化模型如下所示。

上式中为真值θ(t)的估计值，e(t)为估计值和实际值的差值。日内长时间尺度优化的时间间隔15min，在保证拟合精度的前提下，启动最小二乘法的时间也为15min一次，从而使得全局优化的结果更加准确。

1.2柔性负荷控制系数推导

从式(1)可以看出，负荷的大小会随负荷端点的电压而改变，本实施例运用控制负荷端电压对负荷的大小进行控制，能够实现电压快速控制的手段有很多，如有载调压变压器、DVR和投切电容器等方式。为了更准确的建立滚动优化过程中所需要的状态空间模型，下面推导电压变化量与有ZIP负荷有功功率变化量之间的关系。

当负荷端电压变化_Δu(t)后，负荷的有功功率如下所示。

进而求导出电压变化量与有功功率变化量ΔP(_t)之间的关系，推导过程如下所示。

定义上式中的λ_i(t)为柔性负荷的控制系数，控制系数不仅与负荷模型的A、B系数有关，而且和负荷的额定功率和电压有关。当负荷的额定容量越大时，其控制系数越大。控制系数表明了电压变化量和功率变化量之间的关系，当电压调整时，控制系数越大，则有功功率变化的范围也就越大，其调节性能越大。时变负荷控制系数揭示了每条馈线负荷的调节裕度及爬坡能力，为日内-实时滚动优化过程中柔性负荷控制提供了理论基础。

2.基于GPC的日内-实时滚动模型

2.1日内全局优化模型

日内全局优化过程以配电网运行成本最低为目标，根据间歇式分布能源以及负荷的超短期预测功率，结合峰谷电价，列写出目标函数。约束条件中除了常规的等式、不等式约束，利用上节所推导的柔性负荷控制系数对负荷的可调节能力上下限以及爬坡进行约束，从而增加了日内调度结果的精确性。目标函数和约束条件如下所示。

(1)目标函数：

式中：T为日内优化周期，P_grid(t)为配电网与大网连接处主变的下网点功率；为配电网向大网购电的价钱；为配网向大网输电时的售电价；C_loadi(t)为调度柔性负荷的成本，也是需求侧响应时电网向用户群提供的补助；C_pvi(t)为光伏调度成本；C_bati(t)为储能装置的调度成本；σ(t)为主变下网点的电压以及各馈线电压标幺值的平均值，作为目标函数的惩罚因子，即在调整有功功率的同时，保证系统无功功率和电压的稳定性。由于考虑分时电价对成本的影响，因此需要求解整个周期内的经济性最优调度值。

(2)约束条件：

①下网点有功功率平衡约束

式中当储能发出电能，即作为电源侧时，P_bati(t)＞0，储存能量时作为负荷，P_bati(t)≤0，P_loadi(t)为第i条馈线t时刻有功功率，P_pvi(t)为第i个光伏电站有功功率。

②基本潮流方程的等式约束

上式中等式左边为注入节点的有功和无功功率，N_B为系统节点的数量，U_i为线路首段电压幅值，U_j为线路末端的电压幅值，G_ij为线路电导，B_ij为线路电纳，θ_ij为线路首末段的相角差，P_Gi(t)为第i个节点的注入有功功率，P_Di(t)为第i个节点的输出有功功率，Q_Gi(t)为第i个节点的注入无功功率，Q_Di(t)为第i个节点的输出无功功率。

③下网点传输有功功率限制

配电网中存在分布式电源，因此存在功率外送的现象，所以对有功功率的绝对值进行限制。和分别为下网点有功功率传输的最小和最大极限功率。

④分布式电源有功出力约束

式中为分布式电源有功出力预测数值，分布式电源修正量的上限，和为分布式电源出力的最大和最小值。

⑤储能单元约束

充放电功率约束：

储能单元剩余容量约束：

SOC_min(t)≤SOC(t)≤SOC_max(t)(12)

电荷量周期性约束：

SOC_t＝0＝SOC_t＝T(13)

式中，和为储能单元出力预测值，和为储能充放电调整量上限，SOC_max(t)和SOC_min(t)为储能单位电荷量上下限，调度呈现周期性，因此每个周期的起始时刻的电荷量应相等，从而保证调度的连续性。

⑥柔性负荷有功出力约束：

柔性负荷控制系数揭示了电压变化量和功率变化量之间的关系，因此运用柔性负荷可对柔性负荷某时刻最大调节量进行表示，进而对柔性负荷功率进行限制。

式中，为负荷预测数据，和分别为柔性负荷功率最大和最小值。

⑦节点电压幅值上下限约束

U_min≤U_i(t)≤U_max(15)

式中，U_max和U_min为系统节点电压的最大和最小值。

由上述建立的全局优化模型可知，其本质上是一个混合整数非线性规划的问题，可以运用YALMIP和CPLEX对模型求解，进而得到下网点功率P_grid(t)入内15min优化调度结果。在实时控制过程中将用户侧负荷跟踪分布式能源出力，并以P_grid(t)作为输出目标的参考序列，从而实现了源-荷跟踪得到的下网点功率对日内优化结果的跟随，保证了在配电网经济运行基础上，对下网点功率波动的抑制。下面就对分钟级的实时控制过程进行分析。

2.2基于GPC的分钟级实时控制

传统的控制手段多为离线整定参数的单步控制，如PID控制、模糊控制等。由于离线控制算法自适应性较差，对于含随机性干扰的系统控制效果并不好，广义预测控制算法拥有良好的自适应性以及多步预测等优势，能够应对随机性波动且目标量不趋于平稳的系统。以下基于多变量的GPC算法从状态方程建立、预测模型、滚动优化以及校正反馈四个方面对配电网的实时控制过程进行分析。

(1)配电网多输入单输出状态方程建立

对配网中各设备列写状态方程，现将柔性负荷模型转换为状态方程，如下式所示。

上式中对式(5)进行了部分的化简，其中Δλ_i(t)为控制系数变化量，ΔU_i(t)为馈线端电压的变化量。

储能单元出力与自身的电荷量有关，对电荷量进行状态方程列写。

上式中，P_bat(t)为储能单元充放电功率，η_ch和η_dis分别为充放电效率，σ为储能单元自放电率，E_bat为储能单元容量，SOC(t)为电荷量。

配电网状态空间方程的精确建模是实时控制的基础，基于以上分析，建立以柔性负荷、储能电荷量、储能功率以及分布式出力为状态量，以电压变化量、储能出力变化量以及分布式出力调节量为控制量，以配电网下网点有功功率为输出量的多输入单输出状态空间方程。

输入方程：

输出状态方程如下所示。

在上述状态方程中，由于储能单元充放电表达式不同，为了将其统一，默认充放电效率均为100％。

(2)预测模型建立

广义预测控制算法采用受控自回归积分滑动平均模型(CARIMA)作为预测模型来描述对象，如下式所示：

上式中，A、B和C分别为输出、输入和扰动量的系数矩阵，d为输入时延，y(t)为输出序列，_u(t)为输入序列，ξ(t)为扰动序列，Δ为滞后环节。

通过Diophantine方程对各时间断面进行解耦，从而确定多输入单输出预测模型。

P_grid(t+j|t)＝^G(Z^-1)Δu(t+j-1|t)+H(Z^-1)Δu(t-1)+F(Z^-1)P_grid(t)(21)

其中

Δu^T(t+j-1|t)＝[Δu(t)Δu(t+1)…Δu(t+N_u-1)]。N₁为滚动优化过程中的预测时域，N_u为控制时域，G、H、F矩阵为由Diophantine方程计算得到。

(3)滚动优化

滚动优化过程是多时间尺度调度的核心，为了将输出值按一定响应速度平滑地过渡到由参数轨迹确定的期望值上，将15min时间尺度的优化结果经过一阶时滞环节转变为1min实时控制的参考量，参考序列如下式所示。

其中，为1min实时控制参考序列，p_grid(t)为本时刻下网点有功功率，为15min时间尺度优化得到的经济性最优下网点有功功率，j为预测步数，α∈[0,1]为输出柔化系数。

滚动优化的是一个在线优化的过程，求解从当前状态到一个有限时域的指标的最优解，并执行最优解矩阵中的第一个值，在下一时刻再重复以上过程，这一滚动过程能够使得模型的失配、时变或外界因素产生的不确定性及时得到弥补。GPC的优化性能指标为对输出误差和控制增量加权的二次型性能指标，优化模型下式所示。

上式中Ψ为联络线有功功率的跟踪误差，ΔU为控制量列矩阵，ξ＝diag[ξ₁…ξ_i]为控制量加权矩阵，加权矩阵与控制矩阵中的控制量一一对应。

(4)反馈校正

配电网中分布式电源以及负荷的波动都会对系统带来不确定性，从而导致预测的输出值不可能与系统实际输出值保持一致，反馈校正的作用就是在系统模型和预测模型存在偏差的时候改善预测模型的准确性。GPC中预测模型参数的在线辨识就是对预测模型的准确性进行提高的过程，在线辨识与校正环节主要是运用渐消记忆的递推最小二乘法对CARIMA的系数进行计算，如下式所示。

其中0<μ<1为遗忘因子，一般选择0.95<μ<1。P为正定的协方差阵，一般初值选择为较大的单位阵，θ为估计状态变量，φ为输出状态量，K为中间过程量。通过上式即可对各时刻CARIMA模型中的时变参数进行估计。

实时控制的目标为运用负荷跟踪分布式能源出力从而抑制下网点有功功率p_grid(t)，由于配电网能够调度的资源有限，平抑程度会收到柔性负荷、分布式能源出力边界的限制，本实施例引入功率波动率作为源荷跟踪的指标。其表达式如下所示。

在配电网电压等级下，根据《风电场接入电力系统技术规定》中的要求，风电场1min有功功率变化最大值为装机容量的10％，根据《光伏电站接入电网技术规定》中的要求，光伏电站1min有功功率变化最大值为装机容量的20％。在保证分布式能源出力满足此要求下，本实施例将含有分布式能源以及负荷的配电网作为整体的波动源，配网与外界的联络点即为配网主变的下网点，因此对下网点有功功率p_grid(t)的波动进行抑制，选择1min配电网下网点有功功率波动R(t)小于10％为评价指标对多时间尺度滚动优化结果进行评价。

3.算例分析

3.1基本数据

本实施例以某工业园区为例进行算例分析，图1中仅绘出含有柔性负荷、光伏以及储能单元的馈线，其中馈线F3和馈线F4含有光伏，馈线F6含有储能单元，每条馈线中均含有可调度的柔性日负荷。本算例仅考虑运用电压对柔性负荷功率进行控制，由于动态电压调节器(DVR)拥有毫秒级的连续调压功能，能够满足快速的电压控制，因此本算例运用串联DVR对馈线电压进行调节。

各馈线负荷及其电压参数如表1所示。

表1

根据GB/T 19964-2012《光伏发电站接入电力系统技术规定》中的要求，通过110kV等级及以下接入电网的光伏发电站应能够控制并网点电压在标称电压的97％～107％范围内，因此控制过程中需要保证分布式电源并网点的电压要求。

分布式电源和储能参数如表2所示。

表2

分布式电源	出力下限	出力上限	爬坡	调节上限
					F3馈线光伏	0MW	5MW	-1MW～1MW	-3％
F4馈线光伏	0MW	5MW	-1MW～1MW	-3％
					储能单元	-2MW	2MW	1MW/min	0.2E～0.8E

工业园区储能单元大部分来自于随机性较强的电动汽车充电站，为保证储能单元充放电正常，需要维持电荷量在20％～80％额定容量内波动。根据国家能源局发布的清洁能源消纳行动计划(2018-2020年)中对弃光量低于5％的要求，因此本实施例要求每时刻弃光量的上限为预测值的3％。

4.2基于GPC的日内-实时滚动优化控制

光伏在8:30～16:30这一时段内波动较大，其余时段出力几乎为零，仅在这八个小时内进行源荷跟踪控制。首先根据光伏和负荷预测数据，对配网进行15min一次的日内优化，其下网点功率预测曲线和日内优化结果如图2所示。

图2实线为下网点有功功率超短期预测数据，虚线为15min一次全局优化结果。

每条馈线负荷类型不尽相同，因此负荷参数在线识别过程需要与全局优化求解过程并行进行求解，时间间隔也为15min，最终将负荷模型参数与日内优化下网点功率参考值数据共同输出至实时控制过程。馈线F1～馈线F6负荷参数在线识别结果如图3(a)、图3(b)、图3(c)、图3(d)、图3(e)图3(f)所示。

启动GPC优化前，先对模型参数进行整定。CARIMA预测模型中输出时间序列系数的阶数为15，输入时间序列系数的阶数的阶数为8，预测时域为10min，控制时域为6min。输出柔化系数α代表控制算法跟随参考序列的程度，柔化系数越小，代表实时控制输出量过渡到全局优化参考值所需要的时间越长，反之则越短，本算例选择柔化系数为0.68。

原始GPC算法对于求解多输入多输出问题时速度较慢，且在求解Diophantine方程过程中会消耗较多的时间，因此本算例运用文献中所提出的改进多变量广义预测控制算法，该方法计算量小，易于编程。

馈线F1～馈线F6各的控制系数如图4(a)图4(b)图4(c)图4(d)图4(e)图4(f)所示，下网点有功功率控制效果如图5所示，控制前后下网点有功功率对比如图6所示，系统负荷有功功率曲线对比如图7所示，光伏出力对比如图8所示，电压控制前后对比如图9所示，

对上述结果进行分析得出如下的结论：

(1)由图4(a)图4(b)图4(c)图4(d)图4(e)图4(f)可见，柔性负荷的控制系数和负荷的大小有着密切的联系，负荷越大控制系数越大，则具有可调节的潜能越大，对实时控制过程抑制下网点功率波动更有利。控制系数受电压影响也较大，即在15min中内若电压发生波动，则负荷控制系数也会产生相应的改变。

(2)由于需要对功率波动进行抑制，因此选择的参考值的柔化系数较小，即表明容许系统通过一段时间过渡到全局优化值附近，这种平滑的过渡能够较好的平抑波动系数较大的时刻。由图5和图6可以看出，在预测数据较为平滑的时刻，功率波动率几乎为零，对于这些功率波动较小的时刻，GPC控制不会将其迅速控制到参考值附近，因此控制后的曲线几乎和预测数据重合，从而节省了部分调度资源。而对于波动较为明显的时刻，GPC控制能够在预测数据的基础上将功率逐渐调控致参考值附近，在抑制了原有的功率波动的同时，又不会引起由GPC控制带来的波动。

由于此时刻系统可调度资源较多，因此控制后下网点功率波动的最大值由35％下降到9％，控制前共有21个时刻波动超过10％，控制后全部时刻均小于10％。但有在有些场景中，分布式能源出力骤降，且此刻没有足够的可调度资源时，就会出现不能够完全将其抑制到10％的情况。

(3)抑制下网点有功功率波动的主是通过调节电压、光伏以及储能出力大小实现的。图7为调节前后负荷大小的对比，由于储能单元容量较少，因此和柔性负荷共同进行分析，从图中看出控制后将负荷波动大和爬坡大的时刻均进行了抑制。图8为光伏出力控制前后对比，由于需要尽量增加光伏的消纳能力，控制后曲线和预测曲线大体重合，弃光量仅为1.8％。图9为负荷端的电压情况，控制前电压偏高，控制后再保证±7％的波动范围内，除控制时刻，其余时刻基本使电压稳定至10.2kV附近。

4.3基于MPC-PID串级模型的日内-实时滚动优化控制

国内现有控制器80％均为PID控制模块，PID控制参数整定较为简单且能够较快将系统控制到参考值附近。但对于随机性较大的系统且需要考虑波动性指标时，PID的控制效果并不是很理想。GPC算法由于引入递推最小二乘法和输出柔化系数概念，能够在线辨识系统参数且在抑制波动性方面有了较好的表现，因此本专利将MPC算法与PID控制串级结合，即首先运用MPC对模型进行在线识别，保证控制具有自适应性后，将柔化系数引入PID系数计算中，从而得出最终结果。传统PID控制和MPC-PID串级控制下网点功率对比如图10所示，PID控制后功率波动如图11所示，MPC-PID控制后功率波动如图12所示。

从图10可以看出，传统PID控制跟随参考值的能力很强，能够很快的将下网点功率控制到全局优化值附近，但从图11能够看出，快速的响应和动作，不仅不能改善下网点的波动情况，而且大幅度增加了波动量，因此传统PID控制只实现了长时间尺度的经济性目标，并没有实现源荷跟踪。而MPC-PID控制跟随参考值效果没有PID理想，但是在源荷跟踪层面，其能够抑制大部分的功率波动，效果比较理想。

对多变量GPC控制、PID控制和MPC-PID串级控制算法的源荷跟踪情况进行对比，如表3所示。

表3

对表3进行分析，从波动率R(t)指标可以看出，多变量GPC控制方式在源荷跟踪方面表现最佳，能够抑制所有波动超过10％的点，MPC-PID串级控制次之，传统PID控制效果最差；平均控制误差指标为控制后曲线与全局最优指标差值平方的平均数，能够对控制后经济性进行评价，PID误差最小，经济性最好，GPC略好于串级控制；虽然MPC-PID控制在源荷跟踪和经济性方面表现均不是最优，但是在PID控制器广泛运用的今天，只要对其控制器内部加装MPC模块，就能够使系统拥有一定的源荷跟踪特性，相比于多变量GPC控制，此种串级方式较为容易实现，因此将PID控制改造为MPC-PID串级控制拥有较为广阔的前景。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (1)

1.一种基于日内-实时滚动控制的配电网源荷快速跟踪方法，其特征是，包括以下步骤：

步骤1、建立含时变参数的静态负荷模型，并运用含约束的最小二乘法对时变参数进行拟合；

步骤2、根据负荷模型推导电压变化量和功率变化量之间的关系，确定负荷的控制系数；

步骤3、以经济性最优为指标，对配网进行15min时间尺度的优化，对潮流以及各用户的负荷上下限以及分布式能源的爬坡进行约束，进而求出15min下网点功率；

步骤4、建立配电网的状态空间方程，以15min下网点功率为参考序列，运用多变量广义预测控制算法对下网点功率进行控制，进而抑制下网点功率的波动量；

步骤5、每隔15min重复一次步骤3，每分钟执行一次步骤4，形成滚动优化过程，以控制预测数据的误差。