CN109884888B - 一种基于非合作博弈的多楼宇微网模型预测调控方法 - Google Patents

Abstract

本发明涉及一种基于非合作博弈的多楼宇微网模型预测调控方法，其技术特点在于：包括以下步骤：步骤1、建立多楼宇微网的非合作博弈模型；步骤2、构建基于非合作博弈的多微网模型预测调控模型；步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化，得到预测时域内每一时刻的富余电量，各楼宇微网以己方收益最大为原则进行博弈，得到各楼宇与配网及其他楼宇的交易电量、电价；步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列，包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率，然后下发其中第一个控制序列到各楼宇微网。本发明能够提高各楼宇自身售电收益，进一步降低楼宇运行成本。

Description

一种基于非合作博弈的多楼宇微网模型预测调控方法

技术领域

本发明属于新能源与可再生能源的优化控制技术领域，涉及多楼宇微网模型预测调控方法，尤其是一种基于非合作博弈的多楼宇微网模型预测调控方法。

背景技术

随着城市化进程的加快和人民生活水平的提高，我国能源需求快速增长，其中楼宇能耗预计到2020年将占到全国总能耗的35％。近年来，越来越多的分布式供能系统在楼宇侧集成，楼宇从原来的能源消费者转变为能源产消者，具备了能源交易的能力。以楼宇为主体的微网系统可为楼宇之间的交易提供了交易平台和管理方法。楼宇之间进行电量交易，可以减少各楼宇与配网的直接交易电量，提高可再生能源消纳。将一个区域内临近楼宇微网互联，基于交易模型形成多楼宇微网微网互动协调管理系统，在城市配电网末端具有广阔的应用前景。

当前，可再生能源出力预测精度低是单楼宇微网优化调控需要解决的关键问题。已在工业控制领域得到广泛应用的模型预测控制(model predictive con-trol，MPC)方法可有效避免传统楼宇微网调控对预测依赖性强、受环境因素影响大、日前调控方案与实际运行需求偏差较大的问题。现有文献提出融合虚拟储能系统的楼宇微网模型预测调控方法充分利用了楼宇蓄热特性，挖掘楼宇参与微网优化调控的虚拟储能潜力，降低运行成本的同时，在预测不确定环境下具有较强的鲁棒性。对楼宇微网内多类型供能单元及楼宇用能负荷进行优化调控，实现不同能源之间的优势互补是提高能源利用效率的有效途径之一。楼宇微网内部的优化调控方法从降低自身成本角度考虑，而楼宇微网间的电量交易可以提高楼宇自身的售电收益。

多微网系统非合作博弈竞争问题，已有相关研究。有些文献分析了多微网内的非合作博弈过程，将交易服务费用作为配电网的博弈策略；有些文献以智能配电网为研究对象，设计动态博弈策略，算例分析结果验证了其模型的有效性；有些文献运用非合作博弈策略，分析了负荷侧和能源侧的博弈互动关系；有些文献对冷热电联供微能源网中微能源网与用户的非合作博弈模型进行了分析，并提出兼顾用户体验与经济最优的博弈策略；有些文献针对智能电网环境下多智能楼宇微网，提出了一种基于迭代算法的纳什均衡求解策略；有些文献研究了面向信息不完全透明条件下的储能设备非合作博弈竞争模型；有些文献建立了新能源智能电网分布式定价决策模型，采用了基于Nikaido-Isoda函数的迭代优化博弈策略；有些文献中提出一种基于主-从博弈的能源互联网系统分布式能源管理模型，对所设计的博弈策略进行迭代求解。

但上述研究中提出的博弈策略存在以下问题：(1)传统多微网系统非合作博弈竞争问题采用一般的纳什优化反复迭代方法，存在求解的时间长的问题；(2)大多数研究关注的是售电方或者购电方中的某一方或关系固定的两方之间的博弈过程，然而在多楼宇微网系统中，不同时刻博弈方的角色会在售电方与购电方之间变化；(3)未考虑配网服务成本或将其设为定值。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、应用简单、快速且具有很好的实用价值的基于非合作博弈的多楼宇微网模型预测调控方法。

一种基于非合作博弈的多楼宇微网模型预测调控方法，包括以下步骤：

步骤1、建立多楼宇微网的非合作博弈模型；

步骤2、构建基于非合作博弈的多微网模型预测调控模型，具体包括电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型；并根据步骤2的多微网模型预测调控模型得到预测数据；

步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化，得到预测时域内每一时刻的富余电量，各楼宇微网以己方收益最大为原则进行博弈，得到各楼宇与配网及其他楼宇的交易电量、电价；

步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列，包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率，然后下发其中第一个控制序列到各楼宇微网。

而且，所述步骤1的具体步骤包括：

(1)确定博弈方为系统中的N个楼宇微网；

(2)确定博弈策略：非合作博弈过程中，博弈各方以己方收益最大为原则进行博弈，博弈时不因其他博弈方的收益而改变己方博弈策略；各楼宇微网的博弈策略是与其他微网的交易电量、电价；博弈过程中多电楼宇首先给出售电电价，然后少电楼宇按照楼宇编号由小到大依序与多电楼宇方进行电量交易，直至多电方富余电量为零或少电方电量缺额为零；

(3)确定博弈收益

各楼宇微网的博弈收益可以由两部分组成：与配网交易收益和与其他微网的交易收益；

对多电楼宇微网i，T时间段，多电楼宇i与配网交易收益C_DG，i，t如式(1)所示：

式中：

为t时刻配网的售电单价；

为t时刻配网的购电单价；P_DG,i,t为楼宇i与配网的交易电量，购电为正，售电为负；

T时间段，多电楼宇i与少电楼宇交易收益C_trading,i,t如式(2)所示：

式中：N_s,j,j＝1…p为t时刻p个少电楼宇微网的编号；P_ij,t为交易电量，表示t时刻多电楼宇i向少电楼宇j的售电量，其值为正；

为交易电价，表示i向j售电单价，其值为正；

综上，T时间段内，多电楼宇微网i的收益为：

C_i,t＝C_DG,i,t+C_trading,i,t (3)

对少电楼宇微网j，T时间段，少电楼宇j与配网交易收益C_DG,j,t如式(4)所示：

式中：P_DG,j,t为楼宇j与配网交易电量，购电为正，售电为负；

T时间段，少电楼宇j与多电楼宇交易收益C_trading,j,t如式(5)所示：

式中：N_d,i,i＝1…q为t时刻q个多电楼宇微网的编号；

表示t时刻楼宇j的购电单价，可以表示为：

式中：

为服务费用，若多楼宇通过博弈达成交易，配网收取一定服务费用，由购电方承担，本发明假定当少电方从多电方购电单价相同时，优先选择服务费用低的一方进行交易；

考虑到各楼宇微网之间交易电价的合理性，应当保证：a)少电楼宇方购电价格不应高于从配网购电价格；b)多电楼宇方的售电价格不应低于向配网售电价格，即：

综上，T时间段内，少电楼宇微网j的收益为：

C_j,t＝C_DG,j,t+C_trading,j,t (8)

而且，所述步骤2的具体步骤包括：

(1)构建电负荷预测模型：

P_load,n,t＝L_per,n,t×(PD_light，n+PD_equ,n)×S_n (9)

式中：P_load,n,t表示楼宇n在t时刻的电负荷预测值；L_per,n,t表示计及不确定因素的逐时用电百分比；PD_light,n表示照明功率密度值，PD_equ,n表示插座功率密度值，单位为W/m²；S_n表示楼宇n的面积；

(2)构建热负荷预测模型：

楼宇在t时刻的随机热负荷Q_in,n,t如式(10)所示：

Q_in,n,t＝Q_body,n,t+Q_equ,n,t+Q_out,n,t+Q_sun,n,t (10)

Q_body,n,t表示楼宇内人员活动产生的随机热负荷，如下所示：

式中：B_per,n,t表示计及不确定因素的人员逐时在室百分比；Q_average,n表示人体平均散热量，单位为W/人；S_body,n表示人均占有面积，单位为m²/人；

Q_equ,n,t楼宇内部设备运行时产生的随机热负荷如式(12)所示：

Q_equ,n,t＝L_per,n,t×(PD_light,n,t+PD_equ,n,t)×S_n×ε_n (12)

式中：ε_n表示设备的散热比例；

Q_out,n,t表示楼宇通过外墙、外窗与室外传递的热量：

式中：k_wall,n、k_win,n分别表示楼宇n的外墙和外窗传热系数；F_wall,n、F_win,n分别表示楼宇n的外墙和外窗面积；T_out,n,t表示楼宇n在t时刻的室外温度；T_in,n,t表示楼宇n在t时刻的室内温度；ΔT表示t时刻室内外温差；

Q_sun,n,t表示太阳热辐射传递的热量：

Q_sun,n,t＝I_s,t×F_win,n×S_c,n (14)

式中：I_s,t表示太阳辐射功率；S_c,n表示楼宇的遮阳系数；

(3)构建风机、光伏预测模型

风机和光伏预测，模型满足式(15):

式中：P_wt,t、P_pv,t分别表示风机输出功率、光伏输出功率的日前预测值；

分别表示输入变量在t时刻的短期预测值；

表示输入变量日前预测值在t时刻的预测不确定阈值；R(t)为一个服从均一分布U(1,1)的随机数；

(4)建立基于非合作博弈的多微网模型预测调控模型的目标函数：

各楼宇在基于非合作博弈的滚动优化过程中，优化目标为控制时域内各自运行成本最低；目标函数如式(16)所示：

式中：C_DG,n,t为楼宇n与配网交易的收益；C_trading,n,t为楼宇n与其他楼宇交易的收益，其计算方法如式(17)所示：

C_{maintenance,n,t}为楼宇n的设备使用维护成本，其计算方法如式(18)所示：

式中：C_{wt_om}、C_{pv_om}、C_{bt_om}和C_{ec_om}分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本；

C_{punishment,n,t}为影响用户温度舒适度而设的罚函数项，其计算方法如式(19)所示：

C_punishmen,t＝γ|T_in,t-T_set,t| (19)

式中：γ为用户敏感系数；

(5)确定约束条件：

各楼宇的模型预测调控模型约束条件为：

①电功率平衡约束

P_trading,n,t为楼宇n与其他微网的交易电量，若t时刻n为多电楼宇微网，则

若t时刻n为少电楼宇微网，则

P_DG,n,t表示楼宇n与配网的交易电量，应满足微网与外网允许交互的容量约束：

P_ec,n,t表示电制冷机消耗的电功率，其应满足的运行约束如下：

电制冷机的制冷功率Q_ec,n,t与P_ec,n,t的关系为：

Q_ec,n,t＝P_ec,n,t×COP_ec (25)

式中：COP_ec为电制冷机的能效比；

P_bt,n,t为蓄电池的充放电功率，充电为正，放电为负，蓄电池需满足以下运行条件：

S_n,1＝S_n，24 (29)

式中：S_n,t表示t时刻蓄电池的剩余电量；

分别表示其储能容量上下限；I_c、I_d分别表示蓄电池的充放电状态，为{0,1}变量；η_c、η_d为蓄电池的充放电效率；

②热平衡约束

考虑基于楼宇的蓄热特性，依据能量守恒构建了楼宇的虚拟储能模型，根据其差分方程得到楼宇虚拟储能模型的热平衡约束：

ρCV_n(T_in,n,t+1-T_in,n,t)＝ΔT×(Q_in,n,t-Q_cooling,n,t) (30)

式中：ρ、V_n、C分别表示室内空气密度、体积和空气比热容，等式左侧表示室内热量的变化量；Q_cooling,n,t表示楼宇的制冷需求，本发明假定电制冷机的制冷功率与楼宇的制冷需求相等，即：

Q_cooling,n,t＝Q_ec,n,t (31)

本发明的优点和有益效果：

1、本发明以融合虚拟储能系统的多楼宇微网研究对象，提出一种基于非合作博弈的多楼宇微网模型预测调控方法，将虚拟储能系统作为灵活可控单元集成到微网模型预测调控模型中，有效解决由预测误差导致的楼宇微网优化调控方案与实际运行场景偏差较大的问题，从优化角度提高楼宇运行经济性。

2、本发明可为楼宇之间的交易提供了一种高效的调控方法，使楼宇之间可进行电量交易，减少各楼宇与配网的直接交易电量，提高可再生能源消纳，在城市能源互联网的发展背景下具有广阔的应用前景。

3、本发明建立的非合作博弈模型不需迭代，可快速求解博弈策略，将非合作博弈模型引入到模型预测调控过程中，提高各楼宇自身售电收益，进一步降低楼宇运行成本。

附图说明

图1为本发明的基于非合作博弈的多楼宇微网模型预测调控方法处理流程图；

图2为本发明的多楼宇微网系统示意图；

图3为本发明的模型预测调控决策机制示意图；

图4为本发明的楼宇之间交易电量、电价与P_su,1,t的关系示意图

图5为本发明的

对交易电价的影响示意图；

图6为本发明的场景一下各楼宇与配网的交易电量示意图；

图7为本发明的MG1在场景二和场景三下配网的交易电量示意图；

图8(a)为本发明的00:00～06:00时间段楼宇之间的交易电价情况示意图；

图8(b)为本发明的00:00～06:00时间段楼宇之间的交易电量情况示意图；

图9为本发明的10:00～16:00时间段楼宇之间的交易电价示意图；

图10为本发明的10:00～16:00时间段内交易电量占剩余电量的比值示意图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

本发明提出一种基于非合作博弈的多楼宇微网模型预测调控方法，该方法以融合楼宇虚拟储能系统的楼宇微网为研究对象，保证楼宇室内温度舒适度前提下提高楼宇微网运行的经济性；然后运用模型预测方法，有效解决可再生能源出力预测精度随时间尺度增加而下降的问题；最后，在模型预测方法的基础上，建立快速灵活的非合作博弈模型，减小各楼宇微网与配网交易电量，提高楼宇微网自身收益，降低微网运行成本。

本发明以夏季制冷场景为例，研究基于非合作博弈的多楼宇微网协调控制方法。研究对象如图2所示，其中楼宇包括住宅和办公两种类型。住宅楼宇和办公楼宇的供能单元有配电网、光伏，办公楼宇供能单元还有风机；将楼宇虚拟储能系统作为灵活可控单元参与到微网优化调控过程，可挖掘楼参与微网优化调控的潜力，提高售电收益，降低运行成本，故多楼宇微网系统中储能系统包括电储能系统和楼宇虚拟储能系统两类。

在多楼宇微网的模型预测调控过程中，整个调控时间区域分成若干时间段，如图3所示。横轴为时间区域，其中预测时域为Np个时间段，控制时域为Nc个时间段，Np≥Nc。在t时刻，各楼宇微网利用当前时段对应Np内的预测数据，采用非合作博弈模型，以控制时域内楼宇微网运行成本最低为目标进行优化，然后得到Nc内的最优控制序列，但当前时段只执行Nc个控制序列中的第一个控制序列。模型预测调控方法可以实现有限时段内基于各楼宇微网实际运行状态的反复滚动优化，以代替一次离线全时段优化。

一种基于非合作博弈的多楼宇微网模型预测调控方法，如图1所示，包括以下步骤：

步骤1、建立多楼宇微网的非合作博弈模型；

对于含N个相近楼宇的多微网系统，由于各楼宇建筑参数、内部发电量和负荷水平存在差异，在T时间段，微网内部发电量可能不与自身负荷相平衡。若存在富余电量，则称为“多电楼宇微网”；若存在缺额电量，则称为“少电楼宇微网”。本发明研究的多楼宇微网系统，楼宇是各自独立的，以达到自身利益最大为目的。各楼宇为追求收益最高，多电楼宇希望以尽可能高的价格将富余电量出售给少电楼宇或者配网；少电楼宇则希望以尽可能低的价格从配网或者多电楼宇购电，非合作博弈模型是解决不同利益主体之间冲突问题的有效工具。本发明考虑进行一天的优化调控，每隔15min取一个时间断面，因此需要在较短时间内得到博弈策略。基于以上考虑，在本实施例中将建立一个快速灵活的多楼宇微网的非合作博弈模型。

所述步骤1的具体步骤包括：

(1)确定博弈方为系统中的N个楼宇微网，如图1所示。

(2)确定博弈策略：非合作博弈过程中，博弈各方以己方收益最大为原则进行博弈，博弈时不因其他博弈方的收益而改变己方博弈策略；各楼宇微网的博弈策略是与其他微网的交易电量、电价；博弈过程中多电楼宇首先给出售电电价，然后少电楼宇按照楼宇编号由小到大依序与多电楼宇方进行电量交易，直至多电方富余电量为零或少电方电量缺额为零；

(3)确定博弈收益

各楼宇微网的博弈收益可以由两部分组成：与配网交易收益和与其他微网的交易收益；

对多电楼宇微网i，T时间段，多电楼宇i与配网交易收益C_DG,i,t如式(1)所示：

式中：

为t时刻配网的售电单价；

为t时刻配网的购电单价；P_DG,i,t为楼宇i与配网的交易电量，购电为正，售电为负。

T时间段，多电楼宇i与少电楼宇交易收益C_trading,i,t如式(2)所示：

式中：N_s,j,j＝1…p为t时刻p个少电楼宇微网的编号；P_ij,t为交易电量，表示t时刻多电楼宇i向少电楼宇j的售电量，其值为正；

为交易电价，表示i向j售电单价，其值为正。

综上，T时间段内，多电楼宇微网i的收益为：

C_i,t＝C_DG,i,t+C_trading,i,t (3)

对少电楼宇微网j，T时间段，少电楼宇j与配网交易收益C_DG,j,t如式(4)所示：

式中：P_DG,j,t为楼宇j与配网交易电量，购电为正，售电为负。

T时间段，少电楼宇j与多电楼宇交易收益C_trading,j,t如式(5)所示：

式中：N_d,i,i＝1…q为t时刻q个多电楼宇微网的编号；

表示t时刻楼宇j的购电单价，可以表示为：

式中：

为服务费用，若多楼宇通过博弈达成交易，配网收取一定服务费用，由购电方承担，本发明假定当少电方从多电方购电单价相同时，优先选择服务费用低的一方进行交易。

考虑到各楼宇微网之间交易电价的合理性，应当保证：a)少电楼宇方购电价格不应高于从配网购电价格；b)多电楼宇方的售电价格不应低于向配网售电价格，即：

综上，T时间段内，少电楼宇微网j的收益为：

C_j,t＝C_DG,j,t+C_trading,j,t (8)

步骤2、构建基于非合作博弈的多微网模型预测调控模型，具体包括电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型；并根据步骤2的多微网模型预测调控模型得到预测数据；

在多楼宇微网模型预测调控过程中，输入变量是各楼宇的负荷需求、风机输出功率及光伏输出功率预测值。因此预测模型主要包括：负荷预测模型、风机及光伏预测模型。其中，负荷预测模型又分为电负荷预测模型和热负荷预测模型。

所述步骤2的具体步骤包括：

(1)构建电负荷预测模型：

电负荷分为可控电负荷和不可控电负荷，电制冷机、洗衣机、热水器等可作为可控负荷参与楼宇微网的调控，所以本发明的电负荷预测模型主要指的是不可控电负荷预测模型。

楼宇微网中不可控电负荷主要包括照明及插座负荷,即楼宇中照明、插座等室内设备用电负荷的总称。针对不可控电负荷能耗的预测一般采用计及不确定因素的逐时用电百分比进行预测计算，电负荷预测模型可以表示为：

P_load,n,t＝L_per,n,t×(PD_light，n+PD_equ,n)×S_n (9)

式中：P_load,n,t表示楼宇n在t时刻的电负荷预测值；L_per,n,t表示计及不确定因素的逐时用电百分比；PD_light,n表示照明功率密度值，PD_equ,n表示插座功率密度值，单位为W/m²；S_n表示楼宇n的面积。

(2)构建热负荷预测模型：

楼宇内部的人员活动和用电设备工作时产生的随机热负荷是房间内热负荷来源的重要组成部分，本发明还考虑了楼宇与室外传递的热量和太阳辐射产生的热量。楼宇在t时刻的随机热负荷Q_in,n,t如式(10)所示：

Q_in,n,t＝Q_body,n,t+Q_equ,n,t+Q_out,n,t+Q_sun,n,t (10)

Q_body,n,t表示楼宇内人员活动产生的随机热负荷，如下所示：

式中：B_per,n,t表示计及不确定因素的人员逐时在室百分比；Q_average,n表示人体平均散热量，单位为W/人；S_body,n表示人均占有面积，单位为m²/人。

Q_equ,n,t楼宇内部设备运行时产生的随机热负荷如式(12)所示：

Q_equ,n,t＝L_per,n,t×(PD_light,n,t+PD_equ,n,t)×S_n×ε_n (12)

式中：ε_n表示设备的散热比例。

Q_out,n,t表示楼宇通过外墙、外窗与室外传递的热量：

式中：k_wall,n、k_win,n分别表示楼宇n的外墙和外窗传热系数；F_wall,n、F_win,n分别表示楼宇n的外墙和外窗面积；T_out,n,t表示楼宇n在t时刻的室外温度；T_in,n,t表示楼宇n在t时刻的室内温度；ΔT表示t时刻室内外温差；

Q_sun,n,t表示太阳热辐射传递的热量：

Q_sun,n,t＝I_s,t×F_win,n×S_c,n (14)

式中：I_s,t表示太阳辐射功率；S_c,n表示楼宇的遮阳系数。

(3)构建风机、光伏预测模型

风机和光伏预测，模型满足式(15):

式中：P_wt,t、P_pv,t分别表示风机输出功率、光伏输出功率的日前预测值；

分别表示输入变量在t时刻的短期预测值；

表示输入变量日前预测值在t时刻的预测不确定阈值；R(t)为一个服从均一分布U(1,1)的随机数。

(4)建立目标函数：

各楼宇在基于非合作博弈的滚动优化过程中，优化目标为控制时域内各自运行成本最低；目标函数如式(16)所示：

式中：C_DG,n,t为楼宇n与配网交易的收益；C_trading,n,t为楼宇n与其他楼宇交易的收益，其计算方法如式(17)所示：

C_{maintenance,n,t}为楼宇n的设备使用维护成本，其计算方法如式(18)所示：

式中：C_{wt_om}、C_{pv_om}、C_{bt_om}和C_{ec_om}分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本；P_bt,t为t时刻电池充放电功率；P_ec,t为t时刻电制冷机功率。

C_{punishment,n,t}为影响用户温度舒适度而设的罚函数项，其计算方法如式(19)所示：

C_punishmen,t＝γ|T_in,t-T_set,t| (19)

式中：γ为用户敏感系数；T_set,t为t时刻用户温度设定值；T_in,t为t时刻室内温度。

(5)确定约束条件：

各楼宇的模型预测调控模型约束条件为：

①电功率平衡约束

P_trading,n,t为楼宇n与其他微网的交易电量，若t时刻n为多电楼宇微网，则

若t时刻n为少电楼宇微网，则

P_DG,n,t表示楼宇n与配网的交易电量，应满足微网与外网允许交互的容量约束：

是微网与外网允许交互功率的下限；

是微网与外网允许交互功率的上限。

P_ec,n,t表示电制冷机消耗的电功率，其应满足的运行约束如下：

电制冷机的制冷功率Q_ec,n,t与P_ec,n,t的关系为：

Q_ec,n,t＝P_ec,n,t×COP_ec (25)

式中：COP_ec为电制冷机的能效比。

P_bt,n,t为蓄电池的充放电功率，充电为正，放电为负，蓄电池需满足以下运行条件：

S_n,1＝S_n，24 (29)

式中：S_n,t表示t时刻蓄电池的剩余电量；

分别表示其储能容量上下限；I_c、I_d分别表示蓄电池的充放电状态，为{0,1}变量；η_c、η_d为蓄电池的充放电效率。

②热平衡约束

考虑基于楼宇的蓄热特性，依据能量守恒构建了楼宇的虚拟储能模型，根据其差分方程得到楼宇虚拟储能模型的热平衡约束：

ρCV_n(T_in,n,t+1-T_in,n,t)＝ΔT×(Q_in,n,t-Q_cooling,n,t) (30)

式中：ρ、V_n、C分别表示室内空气密度、体积和空气比热容，等式左侧表示室内热量的变化量；Q_cooling,n,t表示楼宇的制冷需求，本发明假定电制冷机的制冷功率与楼宇的制冷需求相等，即：

Q_cooling,n,t＝Q_ec,n,t (31)

步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化，得到预测时域内每一时刻的富余电量，各楼宇微网以己方收益最大为原则进行博弈，得到各楼宇与配网及其他楼宇的交易电量、电价；

步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列，包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率，然后下发其中第一个控制序列到各楼宇微网。

在本实施例中，以图1中的多楼宇微网为例进行分析，本发明中选择三个楼宇作为研究对象，其中楼宇微网1(以下简称为MG1)为商务办公楼，有光伏和风机；楼宇2(以下简称为MG2)和3(以下简称为MG3)为公寓住宅楼，有光伏无风机。算例选取我国北方夏季某一典型日。在融合虚拟储能系统的楼宇微网中，设用户的设定温度为22.5℃，用户在工作时间内可以接受温度在设定温度的±2.5℃范围内波动，用户的敏感系数设定为0.1。

考虑进行一天的优化调控，每隔15min取一个时间断面，即滚动优化每隔15min启动一次，仿真过程中选择预测时域和控制时域为4h，即N_p＝N_c＝16进行仿真。

1.非合作博弈分析

(1)博弈过程分析

一天的调控时间内，当某一时刻存在两个多电楼宇时，其在博弈过程中，均面临如下两种策略：

策略一：将售电电价设置为最高电价，放弃与另一楼宇的竞争。若另一楼宇将富余电量全部售完之后，少电楼宇的用电需求仍不能满足，则该多电楼宇首先以较高的电价将电量售卖给少电楼宇，若满足少电楼宇的需求后仍有剩余电量，则售卖给配网，计算收益函数C_celuel，i；

策略二：降低售电电价，价格为可以优先将自身富余电量售出的最高定价，计算此时的收益函数C_celue2，i。

博弈过程中，根据C_celue2，i＝C_celue1，i，得到该楼宇可以接受的最低定价

多电方需要判断己方给出的最低定价

是否可以在竞争中胜出，若可以胜出，则选择策略二；若无法胜出，则选择策略一。

为验证该算法的有效性，假设某一时刻，MG1为少电楼宇，MG2和MG3为多电楼宇，富余电量分别为

P_su，2，t＝50kW，P_su，3，t＝150kW；配网收取的服务费单价为分别为

设配网售电、购电单价分别为

P_su，1，t变化过程中，各楼宇之间的交易电量及交易单价变化如图4所示，对博弈过程的影响进行具体分析：

情况a：当|P_su，1，t|≥P_su，2，t+P_su，3，t时，即

MG2和MG3之间不存在竞争关系，C_celue1≥C_celue2恒成立，MG2和MG3均选择策略一，将售电电价提高到少电方所能接受的最高定价。

情况b：当P_su，2，t≤|P_su，1，t|≤P_su，2，t+P_su，3，t时，即

如图所示：在第一阶段，c_cehte1，2≤C_cehte2，2，MG2选择策略2，且其制定的售电电价促使MG3选择策略一退出竞争；在第二阶段，MG2给出的售电电价稳定在最低电价

此时对于MG3存在C_cehue1，3≤C_cetue2，3，故MG3选择策略二，给出最低定价

情况c：当|P_su，1，t|≤P_su，2，t，|P_su，1，t|≤P_su，3，t时，即

此时对于MG2和MG3，策略二的收益均高于策略一，均选择策略二给出最低定价。在该情况下，MG1分别从MG2和MG3购电价格相同，但是因为

故MG1选择MG3进行交易。

(2)灵敏度分析

以某一时刻为例，分析

对交易电价的影响。假设MG2和MG3为多电方，MG1为少电方，结果如图5所示。图中深色曲面表示博弈过程中MG2的售电电价，浅色曲面表示MG3的售电电价，观察结果可知：服务费用较低的一方为竞争优势方，通过降低售电电价促使另一多电方退出竞争；竞争优势方售电电价

和

的差值与其自身服务费用成反比，与竞争劣势方成正比。

2.不同场景下楼宇调控结果分析

为了分析多楼宇微网基于非合作博弈的模型预测调控结果。本发明设置了以下三种运行场景：

1)场景一：楼宇以各自运行成本最低为目标，基于预测数据进行日前优化调度，得到日前调度计划，楼宇微网间不存在功率交互；

2)场景二：楼宇以各自运行成本最低为目标，基于模型预测控制方法进行优化调控，楼宇微网间不存在功率交互；

3)场景三：楼宇以各自运行成本最低为目标，楼宇微网间存在功率交互，基于非合作博弈的模型预测控制方法进行优化调控，假定

场景一和场景二下，各楼宇微网与配网的交易电量如图6所示(从配网购电为正，向配网售电为负)。由于MG1接入了风机，其负荷在一天中波动较大，所以与MG2和MG3相比，MG1与配网间的联络线功率波动较大。MG2与MG3都是住宅楼宇，本发明假定同一类型楼宇，在一天中的设备逐时用电百分比和人员逐时在室百分比相同和人员活动情况相同，所以MG2和MG3与配网联络线功率变化趋势相同。

从图中可以看出，两种场景下各楼宇与配网的交易电量虽存在差异，但各楼宇存在富余电量的时刻相同：a)在夜间，如0:00～7:00时间段，办公楼宇1属于非工作时间段，用电负荷低，但是风电资源丰富，楼宇存在富余电量，向配网输送电量；而住宅楼宇2和3因不含风机，且光照强度为零，因此存在电量缺额，需从配网购电。b)在白天，光照强度最大时，如10:00～16:00时间段，楼宇1的用电负荷达到高峰，即使光伏输出功率大，仍存在电量缺额，需从配网购电；而楼宇2和3因为用电负荷水平远低于楼宇1，存在富余电量，向配网输送电量。由此可见，在一天的调控过程中，三个楼宇微网的对外供电能力存在明显差异。若楼宇微网间可以进行电量交易，各楼宇以非合作博弈模型进行竞价，则可在降低从配网购售电量产生网络损耗的同时，提高各楼宇微网收益。

场景三下，各楼宇微网之间存在功率交互，MG1在场景二和场景三下与配网间的交易电量如图7所示。

结果表明，场景三下，各楼宇与配网交易的总电量减少，两种场景下交易电量存在差值的时刻即为楼宇间存在交易电量的时刻，当楼宇之间存在功率交互时，各楼宇与配网之间的联络线功率减少，降低了与配网联络线上的网络损耗。

选取楼宇微网之间存在功率交互的两个典型时间段进行分析。图8(a)和图8(b)为0:00～6:00时间段内，楼宇之间的交易电价和交易电量。在该时间段，MG2和MG3从MG1购电。观察仿真结果可知，大多数时间段，MG1的富余电量同时满足MG2和MG3的需求电量，因此，MG1可以将售电电价定为MG2和MG3可以接受的最高电价，即

此时少电方从配网购电和从多电方购电价格相同，

但是多电方(MG1)的售电电价高于其向配网售电电价，即

能够提高多电方的收益。

当MG1的富余电量不能同时满足MG2和MG3的需求电量时，MG1将富余电量售卖给使自己收益最大的少电方，可将对另一少电方的售电电价定为

则另一少电方因为还要支付服务费用，故放弃与多电方的交易。以图中01：15时刻为例，MG1选择了与MG3交易，即此时C₁₂＝C_sell，P₁₂＝0。

图9为10：00～16：00时间段内，楼宇之间的交易电价，MG2、MG3与MG1的交易电量占各自剩余电量的百分比P_per，2、P_per，3如图10所示。当P_per，2、P_per，3均为100％时(以11：30时刻为例)，各楼宇微网富余电量情况满足情况a，MG2和MG3均选择策略一，将售电电价提高到少电方所能接受的最高定价；当MG1只与其中一方进行交易时(以12：15时刻为例)，各楼宇微网富余电量情况满足情况c，因为

MG3为竞争优势方，故MG1选择与MG3进行交易，P_per，2＝0；其余则均属于情况b。

三种场景下，各楼宇的运行成本如表1所示。基于MPC的优化调控采用反复滚动优化的方式，利用系统的反馈信息构成闭环优化，有效降低了预测误差对调控策略的影响；在模型预测调控的基础上，各楼宇之间采用非合作博弈方式进行电量交易，可以在微网内部存在富余电量时提高售电收益，观察结果可知，各楼宇均通过非合作博弈方式降低了整体运行成本。

表1三种场景下各楼宇微网费用

本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.一种基于非合作博弈的多楼宇微网模型预测调控方法，其特征在于：包括以下步骤：

步骤1、建立多楼宇微网的非合作博弈模型；

步骤2、构建基于非合作博弈的多楼宇微网模型预测调控模型，具体包括电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型；并根据步骤2的多微网模型预测调控模型得到预测数据；

步骤3、各楼宇基于步骤2获得的预测数据进行内部功率优化，得到预测时域内每一时刻的富余电量，各楼宇微网以己方收益最大为原则进行博弈，得到各楼宇与配网及其他楼宇的交易电量、电价；

步骤4、通过模型预测和非合作博弈获得控制时域内各楼宇微网的最优控制序列，包括与配网的联络线功率、与其他微网的交易电量、电价和制冷功率，然后下发其中第一个控制序列到各楼宇微网；

所述步骤2的电负荷预测模型、热负荷预测模型、光伏及风机输出功率预测模型分别为：

(1)电负荷预测模型：

P_load,n,t＝L_per,n,t×(PD_light，n+PD_equ,n)×S_n (9)

式中：P_load,n,t表示楼宇n在t时刻的电负荷预测值；L_per,n,t表示计及不确定因素的逐时用电百分比；PD_light,n表示照明功率密度值，PD_equ,n表示插座功率密度值，单位为W/m²；S_n表示楼宇n的面积；

(2)热负荷预测模型：

楼宇在t时刻的随机热负荷Q_in,n,t如式(10)所示：

Q_in,n,t＝Q_body,n,t+Q_equ,n,t+Q_out,n,t+Q_sun,n,t (10)

Q_body,n,t表示楼宇内人员活动产生的随机热负荷，如下所示：

式中：B_per,n,t表示计及不确定因素的人员逐时在室百分比；Q_average,n表示人体平均散热量，单位为W/人；S_body,n表示人均占有面积，单位为m²/人；

Q_equ,n,t楼宇内部设备运行时产生的随机热负荷如式(12)所示：

Q_equ,n,t＝L_per,n,t×(PD_light,n,t+PD_equ,n,t)×S_n×ε_n (12)

式中：ε_n表示设备的散热比例；

Q_out,n,t表示楼宇通过外墙、外窗与室外传递的热量：

式中：k_wall,n、k_win,n分别表示楼宇n的外墙和外窗传热系数；F_wall,n、F_win,n分别表示楼宇n的外墙和外窗面积；T_out,n,t表示楼宇n在t时刻的室外温度；T_in,n,t表示楼宇n在t时刻的室内温度；ΔT表示t时刻室内外温差；

Q_sun,n,t表示太阳热辐射传递的热量：

Q_sun,n,t＝I_s,t×F_win,n×S_c,n (14)

式中：I_s,t表示太阳辐射功率；S_c,n表示楼宇的遮阳系数；

(3)风机、光伏预测模型

风机和光伏预测，模型满足式(15):

式中：P_wt,t、P_pv,t分别表示风机输出功率、光伏输出功率的日前预测值；

分别表示输入变量在t时刻的短期预测值；

表示输入变量日前预测值在t时刻的预测不确定阈值；R(t)为一个服从均一分布U(1,1)的随机数。

2.根据权利要求1所述的一种基于非合作博弈的多楼宇微网模型预测调控方法，其特征在于：所述步骤1的具体步骤包括：

(1)确定博弈方为系统中的N个楼宇微网；

(2)确定博弈策略：非合作博弈过程中，博弈各方以己方收益最大为原则进行博弈，博弈时不因其他博弈方的收益而改变己方博弈策略；各楼宇微网的博弈策略是与其他微网的交易电量、电价；博弈过程中多电楼宇首先给出售电电价，然后少电楼宇按照楼宇编号由小到大依序与多电楼宇方进行电量交易，直至多电方富余电量为零或少电方电量缺额为零；

(3)确定博弈收益

各楼宇微网的博弈收益可以由两部分组成：与配网交易收益和与其他微网的交易收益；

对多电楼宇微网i，T时间段，多电楼宇i与配网交易收益C_DG,i,t如式(1)所示：

式中：

为t时刻配网的售电单价；

为t时刻配网的购电单价；P_DG,i,t为楼宇i与配网的交易电量，购电为正，售电为负；

T时间段，多电楼宇i与少电楼宇交易收益C_trading,i,t如式(2)所示：

式中：N_s，j，j＝1，…，p为t时刻p个少电楼宇微网的编号；P_ij,t为交易电量，表示t时刻多电楼宇i向少电楼宇j的售电量，其值为正；

为交易电价，表示i向j售电单价，其值为正；

综上，T时间段内，多电楼宇微网i的收益为：

C_i,t＝C_DG,i,t+C_trading,i,t (3)

对少电楼宇微网j，T时间段，少电楼宇j与配网交易收益C_DG,j,t如式(4)所示：

式中：P_DG,j,t为楼宇j与配网交易电量，购电为正，售电为负；

T时间段，少电楼宇j与多电楼宇交易收益C_trading,j,t如式(5)所示：

式中：N_d，i，i＝1，…，q为t时刻q个多电楼宇微网的编号；

表示t时刻楼宇j的购电单价，可以表示为：

式中：

为服务费用，若多楼宇通过博弈达成交易，配网收取一定服务费用，由购电方承担，本发明假定当少电方从多电方购电单价相同时，优先选择服务费用低的一方进行交易；

考虑到各楼宇微网之间交易电价的合理性，应当保证：a)少电楼宇方购电价格不应高于从配网购电价格；b)多电楼宇方的售电价格不应低于向配网售电价格，即：

综上，T时间段内，少电楼宇微网j的收益为：

C_j,t＝C_DG,j,t+C_trading,j,t (8)。

3.根据权利要求2所述的一种基于非合作博弈的多楼宇微网模型预测调控方法，其特征在于：所述步骤2的基于非合作博弈的多微网模型预测调控模型的目标函数为：

各楼宇在基于非合作博弈的滚动优化过程中，优化目标为控制时域内各自运行成本最低；目标函数如式(16)所示：

式中：C_DG,n,t为楼宇n与配网交易的收益；C_trading,n,t为楼宇n与其他楼宇交易的收益，其计算方法如式(17)所示：

C_{maintenance,n,t}为楼宇n的设备使用维护成本，其计算方法如式(18)所示：

式中：C_{wt_om}、C_{pv_om}、C_{bt_om}和C_{ec_om}分别代表风机、光伏、蓄电池和电制冷机单位时间单位功率的使用维护成本；

C_{punishment,n,t}为影响用户温度舒适度而设的罚函数项，其计算方法如式(19)所示：

C_punishmen,t＝γ|T_in,t-T_set,t| (19)

式中：γ为用户敏感系数；

确定约束条件为：

各楼宇的模型预测调控模型约束条件为：

①电功率平衡约束

P_trading,n,t为楼宇n与其他微网的交易电量，若t时刻n为多电楼宇微网，则

若t时刻n为少电楼宇微网，则

P_DG,n,t表示楼宇n与配网的交易电量，应满足微网与外网允许交互的容量约束：

P_ec,n,t表示电制冷机消耗的电功率，其应满足的运行约束如下：

电制冷机的制冷功率Q_ec,n,t与P_ec,n,t的关系为：

Q_ec,n,t＝P_ec,n,t×COP_ec (25)

式中：COP_ec为电制冷机的能效比；

P_bt,n,t为蓄电池的充放电功率，充电为正，放电为负，蓄电池需满足以下运行条件：

S_n,1＝S_n，24 (29)

式中：S_n,t表示t时刻蓄电池的剩余电量；

分别表示其储能容量上下限；I_c、I_d分别表示蓄电池的充放电状态，为{0,1}变量；η_c、η_d为蓄电池的充放电效率；

②热平衡约束

考虑基于楼宇的蓄热特性，依据能量守恒构建了楼宇的虚拟储能模型，根据其差分方程得到楼宇虚拟储能模型的热平衡约束：

ρCV_n(T_in,n,t+1-T_in,n,t)＝ΔT×(Q_in,n,t-Q_cooling,n,t) (30)

式中：ρ、V_n、C分别表示室内空气密度、体积和空气比热容，等式左侧表示室内热量的变化量；Q_cooling,n,t表示楼宇的制冷需求，假定电制冷机的制冷功率与楼宇的制冷需求相等，即：

Q_cooling,n,t＝Q_ec,n,t(31)。

Images