CN111200283A - 一种多微电网系统优化控制方法 - Google Patents
一种多微电网系统优化控制方法 Download PDFInfo
- Publication number
- CN111200283A CN111200283A CN202010005616.3A CN202010005616A CN111200283A CN 111200283 A CN111200283 A CN 111200283A CN 202010005616 A CN202010005616 A CN 202010005616A CN 111200283 A CN111200283 A CN 111200283A
- Authority
- CN
- China
- Prior art keywords
- optimization
- microgrid
- decomposition
- coordination
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 63
- 238000005096 rolling process Methods 0.000 claims abstract description 18
- 230000009977 dual effect Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000010248 power generation Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 2
- 239000002994 raw material Substances 0.000 claims 2
- 238000007726 management method Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多微电网系统优化控制方法，基于塔穆拉三级分解协调思想的递阶预测控制能量优化管理方法，由于多微电网中微电网间存在能量流动和相互关联，这使得能量管理优化问题具有很大的复杂度。为了进一步降低优化过程的计算负担，本发明引入塔穆拉分解协调思想。通过对大系统进行时空双重分解将大规模参数优化问题分解为相互独立的各时间点上的小规模参数优化问题，在每一个控制时刻，引入塔穆拉三级分解协调思想设计递阶预测控制器，实现优化时域内的性能指标最优，并且随着时间推移，反复进行基于预测控制思想的滚动优化，可以取得理想的控制效果。
Description
技术领域
本发明涉及多微电网系统能量优化管理的技术领域，尤其涉及一种基于塔 穆拉分解协调思想的多微电网系统优化控制方法。
背景技术
微电网是由多种分布式电源、储能单元、能量转换装置、负荷以及控制、 保护装置构成的系统单位。微电网是一个小型的发配用电系统，适合给分布式 电源“即插即用”提供良好的接入平台。微电网能够与大电网并网运行，作为 大电网的延续和增补；也能够处于离网模式运行，保证电力系统的稳定性和可 靠性。不同区域之间的微电网通过相互交换信息和能量形成互联系统。
随着多微电网技术的逐渐发展和日益成熟，多微电网的建设日益增多，多 微电网的优化配置成为多微电网规划、设计以及建设的核心问题之一。对多微 电网进行合理的优化配置是保证多微电网经济可靠运行的关键因素之一，能够 直接影响到多微电网内各分布式电源的利用效率，从而改善供电可靠性和电能 质量。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较 佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或 省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略 不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：考虑多微电网中微电网间由于存在能量 流动和相互关联，其能量管理优化问题具有较高的复杂度，提出一种基于塔穆 拉分解协调思想的多微电网系统优化控制方法。
为解决上述技术问题，本发明提供如下技术方案：一种多微电网系统优化 控制方法，包括描述优化问题，建立多微电网系统模型；利用对偶分解方法将 所述多微电网系统模型分解成多个动态关联的子系统；利用塔穆拉三级分解协 调方法，并引入拉格朗日协调因子将多微电网系统的能量管理优化问题转化为 针对每个所述子系统的优化子问题，实现空间上的分解；对每个所述子问题引 入动态约束，将所述子问题转化为对偶的无约束优化问题，并分散求解，实现 时间上的分解；将所述塔穆拉分解协调方法与预测控制的滚动优化方法综合； 利用梯度迭代算法进行协调，得到最优解。
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：所 述多微电网系统的优化问题描述如下式，
其中，
为微电网i(i＝1,2,…,N)在k时刻用户负荷的需求用电量；ui(k) 为微电网i(i＝1,2,…,N)在k时刻可控的传统能源供电，即系统控制量；xi(k)为微 电网在k时刻对全网全部能源发电量进行调度分配至第i(i＝1,2,…,N)个电网的 电量；Q与R分别是状态和输入的权矩阵。
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：将 所述多微电网系统模型分解成N个相互动态关联的子系统，如下式，
所述子系统之间的关联方程如下：
其中，
为微电网i在k时刻新能源的供电量局部变量，vi(k)表示子 电网系统i受其它子电网j(j≠i)影响的动态关联项。
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：将 原电网系统优化问题的目标函数进行分解，分解后的目标函数如下：
为避免奇异性，式中加入
基于强对偶原理，引入拉格朗日因子和关联约束将原优化问题转化为下列 极小极大问题，如下式：
其中L为拉格朗日算子，如下式：
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：
在对α(k)作了预估之后，其中协调变量α(k)的预估是通过下述中内容所陈 述的第一级中给定，在第二级中迭代更新的，多微电网性能指标L是按子系统 可加性可分的，按照空间分解将L分解为：
第一级为对于给定的α(k)，求解子优化问题：
第二级为通过使用梯度下降法，找出满足下式的最优的α(k)；
其中协调变量α(k)可利用迭代方法改进，如下：
αl+1(k)＝αl(k)+σl(k)dl(k).
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：所 述实现时间上的分解包括，
第一级α(k)给定时，对于按空间分解第一级中的第i个子问题，如下式：
它的对偶问题是无约束优化问题，如下：
其中α(k)给定，则有下式：
其中，
此处给定βi(k),k＝0,...,K-1，则
沿时间方向进一步分解，如下：
第二级为在时间分解的协调级，需对变量βi(k)进行修改以实现
采用梯度法实现：
其中，
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：所 述塔穆拉分解协调方法与预测控制的滚动优化方法综合，包括，
在塔穆拉三级分解协调的基础上；
综合所述预测控制的滚动优化方法和所述塔穆拉分解协调方法，定义多微 电网能量管理的递阶预测控制优化方法，设计递阶预测控制器；
在实际控制过程中的每个时刻k(k＝1,2,…)利用塔穆拉三级分解协调方法求 得控制量u(k)的最优解；
基于预测控制的滚动优化方法进行反复的滚动优化。
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：包 括，所述多微电网系统模型经过空间、时间两次分解，把优化
的任务按时间 分解为独立的子任务；在每个
的优化中，由于α(k)、βi(k)作为协调变量已经 确定，确定最优参数xi(k)、ui(k)、vi(k)的问题，根据
的二次型表达式，直接 解析求最优解；
所述最优解如下：
当k＝0，有：
xi(0)＝xi0各子系统状态初值，由对象测量直接给定，如下式：
当k＝1,…,K-1，有：
当k＝K，有：
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：梯 度迭代算法进行协调包括，起始时刻k＝0时，初始化优化时域K、权矩阵Q、 R及S、迭代步长、拉格朗日协调因子预估值；k≥0时刻，检测状态信息xi(k)， 并将该状态信息与上一时刻优化所产生的状态预估值作差，该差值作为状态预 测误差；进行第l次迭代；取最优解ui的第一项施加到被控对象；当k＝k+1， 返回检测状态信息xi(k)，重复以上步骤。
作为本发明所述的多微电网系统优化控制方法的一种优选方案，其中：所 述第l次迭代包括，根据得到的最优解求解方法计算当前α(k)、β(k)下xi、 ui、vi的最优解，并根据得到的状态预测误差对系统状态xi进行反馈校正；利 用最优解迭代求解拉格朗日协调因子α(k)、β(k)，若满足收敛条件则跳转至取 最优解ui的第一项施加到被控对象；否则返回反馈校正步骤，更新拉格朗日因 子。
本发明的有益效果：通过建立多微电网能量流动模型及其能量管理优化问 题，综合预测控制的滚动优化思想和塔穆拉分解协调思想，通过协调各子网多 余或缺少的能量，并优化各子网传统能源供电以实现各微电网能量供需平衡， 以较低的优化计算量取得了较优的控制性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的 一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它的附图。其中：
图1是本发明提供的塔穆拉三级分解协调思想原理图；
图2是本发明实施例中微电网的新能源及负荷特性曲线示意图；
图3是本发明实施例中微电网能量供求关系曲线示意图；
图4是本发明实施例中新能源发电量存在20％预测误差时，3个微电网新 能源发电量预测值与实际值的对比曲线示意图；
图5是本发明实施例中新能源发电量存在20％预测误差时，施加控制方案 后3个微电网的能量供求关系曲线示意图；
图6是本发明实施例中新能源发电量存在60％预测误差时，3个微电网新 能源发电量预测值与实际值的对比曲线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书 附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的 一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员 在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的 保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明 还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不 违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例 的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少 一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在 一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施 例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明， 表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例， 其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及 深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等 指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述 本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、 以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第 一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广 义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械 连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件 内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在 本发明中的具体含义。
实施例1
本实施例中考虑多微电网中微电网间由于存在能量流动和相互关联，其能 量管理优化问题具有较高的复杂度，提出一种基于塔穆拉分解协调思想的多微 电网系统优化控制方法，将大规模参数优化问题分解为相互独立的各时间点上 的小规模参数优化问题，以较低的优化计算量取得了较优的控制性能，为多微 电网的运行控制提供了一种新思路。具体是基于塔穆拉三级分解协调思想的递 阶预测控制能量优化管理方法。由于多微电网中微电网间存在能量流动和相互 关联，这使得能量管理优化问题具有很大的复杂度。为了进一步降低优化过程 的计算负担，本实施例引入塔穆拉分解协调思想。通过对大系统进行时空双重 分解将大规模参数优化问题分解为相互独立的各时间点上的小规模参数优化问题，通过进一步综合预测控制的滚动优化思想和塔穆拉三级分解协调思想， 设计了多微电网能量管理的递阶预测控制优化算法。在每一个控制时刻，引入 塔穆拉三级分解协调思想设计递阶预测控制器，实现优化时域内的性能指标最 优，并且随着时间推移，反复进行基于预测控制思想的滚动优化，可以取得理 想的控制效果。
下面结合附图和实施例对本发明作进一步说明。
基于塔穆拉分解协调思想的多微电网系统优化控制方法，包括如下步骤：
S1：建立多微电网能量流动模型及其能量管理优化问题，利用对偶分解方 法将多微电网系统分解成多个动态关联的子系统，本步骤参照图1的示意。
S2：基于关联平衡原理将大型多微电网能量管理的整体优化问题按空间分 解为多个子问题。
S3：将S2的空间分解后的子问题按照时间分解，分解为各时间点上的独 立的小规模参数优化问题。
S4：综合预测控制的滚动优化思想和塔穆拉三级分解协调思想，设计多微 电网能量管理的递阶预测控制优化算法。在每一个控制时刻，引入塔穆拉三级 分解协调思想设计递阶预测控制器，实现优化时域内的性能指标最优，并且随 着时间推移，反复进行基于预测控制思想的滚动优化。
S1步骤中的多微电网系统由多个典型微电网互联组成，一个典型的微电网 包括光伏发电、风力发电等新能源供电，微型燃气轮机等传统供电，储能设备， 以及各种不同的电力负荷，这些设备通过各微电网内部的控制器及一个集成的 中央控制器协调控制。
S1步骤中的能量管理优化问题考虑在某时刻微电网i(i＝1,2,…,N)自身的新 能源供电不能满足自身用户负荷需求(即
其中
为微电 网i在k时刻用户负荷的需求用电量,
为微电网i在k时刻新能源的供电 量)，采用如下供电策略：一方面通过从其它新能源供电有富余的微电网购买 电能，另一方面，通过增加自身的传统能源供电输出ui(k)，达到对负荷需求的 跟踪，使得第i个微电网的需求用电量
与该微电网所分配到的电量xi(k) 形成的用电缺口最小：
所述步骤S1中的多微电网系统优化问题：
其中，Q与R分别是状态和输出的权矩阵。
此指标的物理意义：等式右边第一项
是终端指标函数，反映 了对终端性能的要求；第二项
是系统动态跟踪误差和控 制能量的消耗，反映了在整个控制过程中对动态性能的要求。等式左边表示以 传统能源供电ui(k)作为优化变量，通过最小化性能指标。
求解计算传统能源供电ui(k)的最优值。
S2步骤中将多微电网能量管理优化问题转化为针对每个子系统的优化问 题，实现空间上的二级分解，第一级分解对于给定的α(k)，求解子优化问题：
其动态约束如下(其中Ai,Bi,Ci,Di,Gij分别为系统经分解后得到的相应系 数矩阵)：
其中，子系统之间的关联方程
局部变量vi(k)表示子电网系统i受其它子电网j(j≠i)影响的动态关联项。
第二级分解通过使用梯度下降法，找出满足下式的最优协调变量α(k)，
协调变量α(k)可利用迭代方法改进：
αl+1(k)＝αl(k)+σl(k)dl(k).
其中σl(k)为第l次迭代的步长，dl(k)为
在α(k)处的梯度，定义如下：
S3步骤中将子问题转化为对偶的无约束优化问题，分散求解，实现时间上 的二级分解。第一级分解α(k)给定时，对于按空间分解第一级中的第i个子问 题：
其动态约束如下(其中Ai,Bi,Ci,Di,Gij分别为系统经分解后得到的相应系 数矩阵)：
它的对偶问题是无约束优化问题，如下式所示，其中βi为引入的协调变量，
其中α(k)给定
这里给定βi(k),k＝0,...,K-1，则
可以沿时间方向进一步分解：
其中
第二级在时间分解的协调级，需对协调变量βi(k)进行修改以实现
可采用梯度法实现。
其中δl为第l次迭代的步长，
为βi(k)处的梯度，定义如下：
步骤S2、S3采用的塔穆拉三级分解协调算法本身是一种整体优化算法， 为能够根据对象及状态随时间的变化实时调整优化解，本发明考虑在每一个控 制周期都完整计算一次分解协调算法得到一段时间内的最优解序列，但只将解 的第一项作为控制量实际施加到被控对象上，下一时刻重复运行分解协调算法 计算最优解，并根据实际状态信息修正预测误差，由此既可利用塔穆拉三级分 解协调算法解析解的计算简单的优点，又可保证算法具有一定鲁棒性。
步骤S4，经过上述步骤S2、S3空间、时间先后两次分解，把优化时域内 子系统性能指标
的优化任务按时间分解为独立的子任务。在每个
的优化 中，由于α(k)、βi(k)作为协调变量已经确定，就只是确定传统能源发电量ui(k)和 子系统关联项vi(k)最优参数值的问题，而根据
的二次型表达式，它们可以 直接解析求解。最优解如下：
当k＝0，有：
xi(0)＝xi0各子系统状态初值，由对象测量直接给定，如下式：
k＝1,…,K-1，有：
k＝K，有：
其中Qi与Ri分别是性能指标中状态和输出的权矩阵，Si是性能指标中关 联变量的权矩阵。
由此，我们实现了在α(k)、βi(k)相对固定时对性能指标L*i的优化。
S4步骤中综合预测控制的滚动优化思想和塔穆拉分解协调思想,在每一 个控制时刻，引入塔穆拉三级分解协调思想设计递阶预测控制器，实现优化时 域内的性能指标最优，并且随着时间推移，进行基于预测控制思想的滚动优化。
具体过程包含以下四个步骤：
S4.1：起始时刻k＝0时，初始化优化时域K、权矩阵Q、R及S、迭代步 长、拉格朗日协调因子预估值。
S4.2：k≥0时刻，检测状态信息xi(k)，并将该状态信息与上一时刻优化所 产生的状态预估值作差，该差值作为状态预测误差。
S4.3：对第l次迭代包括，
S4.1.1：按照根据步骤S2、S3得到的最优解求解方法计算当前α(k)、β(k) 下xi、ui、vi的最优解，并根据S4.2步骤得到的状态预测误差对系统状态xi进 行反馈校正；
S4.1.2：利用最优解迭代求解拉格朗日协调因子α(k)、β(k)，若满足收敛 条件则跳转步骤S4.4，否则返回步骤S4.1.1，更新拉格朗日因子；
S4.4：取最优解ui的第一项施加到被控对象。k＝k+1，返回步骤S4.2，重 复以上步骤。
按照上述对本发明的一种多微电网系统能量优化管理方法的阐述，对基于 塔穆拉分解协调思想的多微电网系统优化控制方法进行编程并仿真。实施例中 测试参数设置如下：
本发明实施例考虑由三个微电网构成的多微电网系统，系统模型描述为如 下形式：
x(k+1)＝Ax(k)+Bu(k)+CErenew(k),
其中，x(k)＝[x1(k),x2(k),...,xN(k)]T,u(k)＝[u1(k),u2(k),...,uN(k)]T,
本实施例中，多微电网系统的模型参数分别为：
每个微电网内部包括可预测的新能源供电，可控的微型燃气轮机供电及用 户用电负荷。采样并量化的一天24小时内三个微电网数据如图2所示，采样 时间为5分钟。
图2分别给出了微电网1、微电网2和微电网3的负荷电能需求及新能源 供电量，从中可以看出随着时间推移新能源发电量不断变化，当某个子网新能 源发电量大于需求时可以将多余电量售卖给其它子网，从而提高能源利用效率。
取加权矩阵Q＝300×I，R＝I，S＝I(I为单位阵)，迭代步长均为0.4， 拉格朗日协调因子初始值均为1，收敛误差均为10-8，得到如图3所示的仿 真结果。
图3中，微电网1、微电网2和微电网3的供电量均较快地跟踪上了其负 荷需求，可见该控制算法可以迅速将各子网的能量供求调整至平衡状态(图3 中示意出，微电网1、微电网2和微电网3的供电量均较快地跟踪上了其负荷 需求，因此可看出达到平衡状态)，电力输出能够实时跟踪负荷需求，具有良 好的负荷跟踪效果；经多次仿真统计，对优化计算时间计算其平均值，该算法 平均每次优化用时0.003s，可以满足在线优化控制的实时性要求。
由于新能源发电量预测与实际发电量有时存在一定的偏差，因此进一步考 虑该情形下的能量管理优化问题。图4与图6两图所示分别为当新能源发电量 存在20％及60％预测误差时，微电网1、微电网2和微电网3的新能源发电量 预测值与实际值在每个时刻上的具体数值。通过在控制器中引入预测控制思想 中的误差反馈校正，并进行仿真。图5与图7两图分别给出了新能源发电量存 在20％及60％预测误差时，该控制方案的控制效果，即该控制算法可以实时跟 踪负荷需求，具有良好的跟踪效果；另外，算法平均优化用时0.004s，并且对 存在预测误差情形与无预测误差情形的优化时间相比，其计算时间并未有大幅 度的增加，其优化同样可以满足在线优化控制的实时性要求。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或 者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述 方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存 储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预 定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以 高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要， 该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释 的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外 指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合) 可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共 同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算 机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可 由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实 现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计 算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通 信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读 代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或 写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质 或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此 外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括 结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述 的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发 明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用 于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性 存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在 本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产 生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算 机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件 或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、 处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例， 在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存 在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分 布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结 构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个 数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的 另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系 统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参 照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可 以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精 神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种多微电网系统优化控制方法，其特征在于：包括，
描述优化问题，建立多微电网系统模型；
利用对偶分解方法将所述多微电网系统模型分解成多个动态关联的子系统；
利用塔穆拉三级分解协调方法，并引入拉格朗日协调因子将多微电网系统的能量管理优化问题转化为针对每个所述子系统的优化子问题，实现空间上的分解；
对每个所述子问题引入动态约束，将所述子问题转化为对偶的无约束优化问题，并分散求解，实现时间上的分解；
将所述塔穆拉分解协调方法与预测控制的滚动优化方法综合；
利用梯度迭代算法进行协调，得到最优解，按照最优解调度传统能源发电功率，保证微电网系统的经济运行。
2.如权利要求1所述的多微电网系统优化控制方法，其特征在于：所述多微电网系统的优化问题描述如下式，
其中，
为微电网i(i＝1,2,…,N)在k时刻用户负荷的需求用电量；ui(k)为微电网i(i＝1,2,…,N)在k时刻可控的传统能源供电，即系统控制量；xi(k)为微电网在k时刻对全网全部能源发电量进行调度分配至第i(i＝1,2,…,N)个电网的电量；Q与R分别是状态和输入的权矩阵。
3.如权利要求1或2所述的多微电网系统优化控制方法，其特征在于：将所述多微电网系统模型分解成N个相互动态关联的子系统，如下式，
所述子系统之间的关联方程如下：
其中，
为微电网i在k时刻新能源的供电量局部变量，vi(k)表示子电网系统i受其它子电网j(j≠i)影响的动态关联项。
4.如权利要求3所述的多微电网系统优化控制方法，其特征在于：将原电网系统优化问题的目标函数进行分解，分解后的目标函数如下：
为避免奇异性，式中加入
基于强对偶原理，引入拉格朗日因子和关联约束将原优化问题转化为下列极小极大问题，如下式：
其中L为拉格朗日算子，如下式：
5.如权利要求1～2或4任一所述的多微电网系统优化控制方法，其特征在于：
在对协调变量α(k)作了预估之后，多微电网性能指标L是按子系统可加性可分的，按照空间分解将L分解为：
第一级为对于给定的α(k)，求解子优化问题：
第二级为通过使用梯度下降法，找出满足下式的最优的α(k)；
其中协调变量α(k)可利用迭代方法更新，如下：
αl+1(k)＝αl(k)+σl(k)dl(k).
6.如权利要求5所述的多微电网系统优化控制方法，其特征在于：所述实现时间上的分解包括，
第一级α(k)给定时，对于按空间分解第一级中的第i个子问题，如下式：
它的对偶问题是无约束优化问题，如下：
其中α(k)给定，则有下式：
其中，
此处给定βi(k),k＝0,...,K-1，则
沿时间方向进一步分解，如下：
第二级为在时间分解的协调级，需对变量βi(k)进行修改以实现
采用梯度法实现：
其中，
7.如权利要求6所述的多微电网系统优化控制方法，其特征在于：所述塔穆拉分解协调方法与预测控制的滚动优化方法综合，包括，
在塔穆拉三级分解协调的基础上；
综合所述预测控制的滚动优化方法和所述塔穆拉分解协调方法，定义多微电网能量管理的递阶预测控制优化方法，设计递阶预测控制器；
在实际控制过程中的每个时刻k(k＝1,2,…)利用塔穆拉三级分解协调方法求得控制量u(k)的最优解；
基于预测控制的滚动优化方法进行反复的滚动优化。
8.如权利要求6或7所述的多微电网系统优化控制方法，其特征在于：包括，
所述多微电网系统模型经过空间、时间两次分解，把优化
的任务按时间分解为独立的子任务；
在每个
的优化中，由于α(k)、βi(k)作为协调变量已经确定，确定最优参数xi(k)、ui(k)、vi(k)的问题，根据
的二次型表达式，直接解析求最优解；
所述最优解如下：
当k＝0，有：
xi(0)＝xi0各子系统状态初值，由对象测量直接给定，如下式：
当k＝1,…,K-1，有：
当k＝K，有：
9.如权利要求8所述的多微电网系统优化控制方法，其特征在于：梯度迭代算法进行协调包括，
起始时刻k＝0时，初始化优化时域K、权矩阵Q、R及S、迭代步长、拉格朗日协调因子预估值；
k≥0时刻，检测状态信息xi(k)，并将该状态信息与上一时刻优化所产生的状态预估值作差，该差值作为状态预测误差；
进行第l次迭代；
取最优解ui的第一项施加到被控对象；
当k＝k+1，返回检测状态信息xi(k)，重复以上步骤。
10.如权利要求9所述的多微电网系统优化控制方法，其特征在于：所述第l次迭代包括，
根据得到的最优解求解方法计算当前α(k)、β(k)下xi、ui、vi的最优解，并根据得到的状态预测误差对系统状态xi进行反馈校正；
利用最优解迭代求解拉格朗日协调因子α(k)、β(k)，若满足收敛条件则跳转至取最优解ui的第一项施加到被控对象；
否则返回反馈校正步骤，更新拉格朗日因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010005616.3A CN111200283B (zh) | 2020-01-03 | 2020-01-03 | 一种多微电网系统优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010005616.3A CN111200283B (zh) | 2020-01-03 | 2020-01-03 | 一种多微电网系统优化控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111200283A true CN111200283A (zh) | 2020-05-26 |
| CN111200283B CN111200283B (zh) | 2022-04-01 |
Family
ID=70746752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010005616.3A Active CN111200283B (zh) | 2020-01-03 | 2020-01-03 | 一种多微电网系统优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111200283B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111817296A (zh) * | 2020-07-08 | 2020-10-23 | 国网综合能源服务集团有限公司 | 一种微电网用电能调度方法及系统 |
| CN112213945A (zh) * | 2020-10-10 | 2021-01-12 | 国网河南省电力公司电力科学研究院 | 电动汽车参与微网群调频的改进鲁棒预测控制方法和系统 |
| CN114374231A (zh) * | 2021-12-07 | 2022-04-19 | 东南大学 | 离网型多能源系统的配置、控制一体优化方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104659812A (zh) * | 2015-01-31 | 2015-05-27 | 华南理工大学 | 一种基于预测控制的多微网协调控制方法 |
-
2020
- 2020-01-03 CN CN202010005616.3A patent/CN111200283B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104659812A (zh) * | 2015-01-31 | 2015-05-27 | 华南理工大学 | 一种基于预测控制的多微网协调控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐俊等: "基于递阶预测控制的多微电网系统能量管理", 《系统仿真学报》 * |
| 熊雄等: "主动配电网下多微电网间功率协调优化", 《电力自动化设备》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111817296A (zh) * | 2020-07-08 | 2020-10-23 | 国网综合能源服务集团有限公司 | 一种微电网用电能调度方法及系统 |
| CN112213945A (zh) * | 2020-10-10 | 2021-01-12 | 国网河南省电力公司电力科学研究院 | 电动汽车参与微网群调频的改进鲁棒预测控制方法和系统 |
| CN114374231A (zh) * | 2021-12-07 | 2022-04-19 | 东南大学 | 离网型多能源系统的配置、控制一体优化方法 |
| CN114374231B (zh) * | 2021-12-07 | 2023-10-24 | 东南大学 | 离网型多能源系统的配置、控制一体优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111200283B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Multistage stochastic investment planning with multiscale representation of uncertainties and decisions | |
| Abedinia et al. | Optimal offering and bidding strategies of renewable energy based large consumer using a novel hybrid robust-stochastic approach | |
| Zhuo et al. | Incorporating massive scenarios in transmission expansion planning with high renewable energy penetration | |
| Luo et al. | Short‐term operational planning framework for virtual power plants with high renewable penetrations | |
| CN111200283B (zh) | 一种多微电网系统优化控制方法 | |
| Jithendranath et al. | Probabilistic optimal power flow in islanded microgrids with load, wind and solar uncertainties including intermittent generation spatial correlation | |
| Yang et al. | Fluctuation reduction of wind power and sizing of battery energy storage systems in microgrids | |
| Wang et al. | Stochastic co-optimization of midterm and short-term maintenance outage scheduling considering covariates in power systems | |
| Edlund et al. | Hierarchical model-based predictive control of a power plant portfolio | |
| Umeozor et al. | Operational scheduling of microgrids via parametric programming | |
| Fatouros et al. | Stochastic dual dynamic programming for operation of der aggregators under multi-dimensional uncertainty | |
| Petrelli et al. | Multi-year planning of a rural microgrid considering storage degradation | |
| Shi et al. | Multistage robust energy management for microgrids considering uncertainty | |
| Martínez et al. | Optimal sizing method of vanadium redox flow battery to provide load frequency control in power systems with intermittent renewable generation | |
| Sayfutdinov et al. | Incorporating variable lifetime and self‐discharge into optimal sizing and technology selection of energy storage systems | |
| Wang et al. | Optimizing probabilistic spinning reserve by an umbrella contingencies constrained unit commitment | |
| Abdalla et al. | Generation expansion planning under correlated uncertainty of mass penetration renewable energy sources | |
| Wang et al. | Equilibrium allocation strategy of multiple ESSs considering the economics and restoration capability in DNs | |
| Nikoobakht et al. | Integrated transmission and storage systems investment planning hosting wind power generation: continuous‐time hybrid stochastic/robust optimisation | |
| Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
| CN115496273A (zh) | 一种可再生能源集群分布鲁棒优化配置方法及系统 | |
| Pinto et al. | Reliability‐constrained robust expansion planning of active distribution networks | |
| Aghajani et al. | Optimal energy storage sizing and offering strategy for the presence of wind power plant with energy storage in the electricity market | |
| Qiu et al. | Multi‐objective generation dispatch considering the trade‐off between economy and security | |
| Rodríguez del Nozal et al. | Application of genetic algorithms for unit commitment and economic dispatch problems in microgrids |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |