CN112003330B - 一种基于自适应控制的微网能量优化调度方法 - Google Patents
一种基于自适应控制的微网能量优化调度方法 Download PDFInfo
- Publication number
- CN112003330B CN112003330B CN202010907625.1A CN202010907625A CN112003330B CN 112003330 B CN112003330 B CN 112003330B CN 202010907625 A CN202010907625 A CN 202010907625A CN 112003330 B CN112003330 B CN 112003330B
- Authority
- CN
- China
- Prior art keywords
- grid
- constraint
- energy storage
- adaptive
- power
- 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.)
- Active
Links
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
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于自适应控制的微网能量优化调度方法,包括:S1、获取随机线性控制系统;S2、根据步骤S1获取的随机线性控制系统构建自适应微网优化调度模型;S3、对步骤S2构建的自适应微网优化调度模型进行MPC优化调度。本发明的有益效果是:本发明提供的一种基于自适应控制的微网能量优化调度方法,在随机能源和储能系统的联合优化调度框架下,提出基于自适应随机模型预测控制的优化策略,并与基于场景构造的鲁棒模型预测控制方法进行比较,并设计不同的自适应更新策略和不同调整参数的比较模型,本发明所提方法能够有效提高系统的调度性能和模型的自适应性,降低系统的保守性。
Description
技术领域
本发明属于微网技术领域,具体涉及一种基于自适应控制的微网能量优化调度方法。
背景技术
清洁低碳已成为全球能源转型的发展趋势,以新能源和信息技术深度融合为特征的能源革命正在推动人类社会进入全新能源体系,目前,电力系统仍然存在新能源如何消纳、不确定扰动和源荷不平衡等系列问题,截至2018年底,我国太阳能风能并网装机容量达到3.6亿KW,占装机容量的19%,但是发电量仅占总量的7.8%,弃风弃光问题依然严重。能源互联网概念的提出,成为上述问题很好的解决方案和能源转型的关键,微网作为分布式发电的高级阶段,在细胞-组织的能源互联网概念架构下,被认为是未来能源互联网(Energy Interconnection System,EIS)构建的有机细胞。
微网既可以是仅含电能可实现本地能量供需平衡的独立可控系统,也可以是包含冷/热/电/气等多种能源的多能源微网,多个微网又可以组成具有完成功能的主动配电网,因此,建设微网是构建EIS的优选和先遣方案。有别于传统电网,微网的优化调度受到分布式电源、储能系统等不确定因素的影响,但是目前缺少自适应控制环境下微网的调度策略。
发明内容
本发明的目的在于克服上述不足,提供一种基于自适应控制的微网能量优化调度方法。
这种基于自适应控制的微网能量优化调度方法,包括以下步骤:
S1、获取随机线性控制系统;
S2、根据步骤S1获取的随机线性控制系统构建自适应微网优化调度模型;
S3、对步骤S2构建的自适应微网优化调度模型进行MPC优化调度;
S4、获取自适应微网优化调度模型的约束条件;所述约束条件包括:功率平衡约束条件、机组出力约束条件、购电约束条件、爬坡约束条件和电池SOC约束条件;
S5、求解满足步骤S4中约束条件的自适应微网优化调度模型。
作为优选,所述步骤S1具体包括如下步骤:
S1.1、将随机线性控制系统表述为:
xk+1=(f+Δf)(xk,uk,hk,ωk)
上式中,xk+1表示随机线性控制系统的下一阶段系统状态,xk和uk分别表示系统状态和系统输入,f和Δf分别表示随机线性控制系统的确定性部分和随机性部分,hk为确定性干扰,ωk为随机性干扰;系统约束形式可以是多种形式,可以表达为P{Ax+Bu≥0}≥1-ε的机会约束,也有AE(x)+BE(x)≥0的期望约束形式等等;其中,A和B分别表示系统模型参数,E(x)表示期望值;
S1.2、定义随机线性控制系统的随机性部分:
s.t.xk+1=Axk+Buk+Gωk
P[h(xk,ω,v)≤1]≥1-ε
上式中,表示目标函数的期望值;xk和uk分别表示系统状态和系统输入;ωk为随机性干扰;A、B和G均表示随机线性控制系统的模型参数;表示约束的误差部分,h(xk,ω,v)表示xk状态下的确定性干扰;ε表示预设的阈值;Pnom(t)表示t时刻功率值;Plim(t)表示t时刻功率上限值;是时变参量,并且能够根据优化需求不断在线更新,这就产生了约束条件不断调整以满足最大可行域的求解范围问题,可行域作为可变范围,传统的控制方法难以满足在线和时变的要求,引入时变参量后对模型的动态特性求解提出了更高的要求。
作为优选,所述步骤S2具体包括如下步骤:
S2.1、微网储能和外部电网存在机会约束条件:
上式中,Pr[F]表示事件F发生的概率情况,α∈[0,1]是允许约束违反的参数值;Ps表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;若微网储能和外部电网的机会约束满足则判定优化调度结果是比较保守的,存在一定的性能损失;若微网储能和外部电网的机会约束满足则判定调度结果获得保守性最低的情况,满足系统运行的最低要求;
S2.2、自适应微网优化调度模型预测控制优化调度的目标函数为:
上式中,T表示预设的预测时域长度;i=0表示当前时刻;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;ccon表示机组运行费用系数;PGrid(t+i|t)表示t时刻对t+i时刻微网与外部电网交互功率的预测值;cGrid(t+i|t)表示t时刻对t+i时刻的电能交互价格。
作为优选,所述步骤S3具体包括如下步骤:
S3.1、为了方便把自适应约束随机MPC问题转化为MILP问题,引入0~1内的辅助变量Ich和Idisch以及连续变量Xch和Xdisch来表示储能电池SOC状态和充放电状态,在预测时域i=1,…,T内,储能电池充放电模型为:
Ps(t+i|t)=Xch(t+i|t)Ps-max+Xdisch(t+i|t)Ps-min,i=1,…,T
Xch(t+i|t)≤Ich(t+i|t),i=1,…,T
Xdisch(t+i|t)≤Idisch(t+i|t),i=1,…,T
Ich(t+i|t)+Idisch(t+i|t)≤1,i=1,…,T
上式中,Ich和Idisch均为0~1内的辅助变量;Xch和Xdisch为连续变量,T表示预设的预测时域长度;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;ηch表示充电效率;ηdisch表示放电效率;Cs表示电池容量;Ps(t+i|t)表示储能系统的充放电功率;
S3.2、通过对控制量的约束条件进行松弛化处理,并不断更新调整控制量的约束条件,不断修正控制目标直至逼近期望结果,这一动态优化的辨识过程保证系统具有更强的鲁棒性;
S3.2.1、对控制量的约束条件进行松弛化处理,微网的优化模型将自适应惩罚函数引入到约束条件的动态调整中:
s.t.PGrid+Pcon+PRES=Ps+PL
Pnom(t)≤Plim(t)-ht,j
上式中,ccon表示机组运行费用系数;Pcon表示可控发电机组出力的预测值;cGrid表示电能交互价格;PGrid表示微网与外部电网交互功率的预测值;PRES表示预测的可再生能源的随机出力;Ps表示储能系统的充放电功率,PL表示预测的用户负荷;Pnom(t)表示t时刻功率值;Plim(t)表示t时刻功率上限值;ht,j为自适应调整函数(收缩/松弛因子),是时间依赖型变量函数;T表示预设的预测时域长度;
S3.2.2、利用当前约束违反概率的闭环反馈,不断进行自适应调整参数,使约束违反概率在动态优化和静态求解过程中尽可能地逼近参考目标;在滚动优化的过程中不断统计微网储能的机会约束在每个时刻实际违反约束情况的频数,并计算出对应的频率;在足够长度的预测时域内,时间t内自适应微网优化调度模型实际约束违反的概率为:
上式中,V(i)表示每个时刻约束违反的状态量,当微网储能的机会约束打破工作限制的时候,V(i)为1,反之V(i)为0;Ps表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;
S3.2.3、自适应调整函数(收缩/松弛因子)ht,j在滚动优化过程中根据经验约束违反情况进行迭代更新;微网的优化调度问题可以转化为混合整数线性规划问题求解,并通过MATLAB/CPLEX软件进行求解:
上式中,ht,j为自适应调整函数;γ1和γ2分别表示自适应调整参数,α∈[0,1]是允许约束违反的参数值;
S3.2.4、根据储能电池的约束,在优化过程中不断调整储能电池的充放电功率和电池SOC;所述储能电池的约束为:
Ps(t+i|t)≤Ps-max-ht,1,i=1,…,T
-Ps(t+i|t)≤-Ps-min-ht,2,i=1,…,T
SOC(t+i|t)≤SOCmax-ht,3,i=1,…,T
-SOC(t+i|t)≤-SOCmin-ht,4,i=1,…,T
上式中,ht,j(j=1,…,4)为收缩/松弛因子(是一个时变量,其作用是不断进行动态调整从而满足机会约束的保守性最小);T表示预设的预测时域长度;Ps(t+i|t)表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t+i|t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;
将储能电池的约束修正为:
-Ps(t+i|t)≤min(-Ps-min-ht,2,-Ps ),i=1,…,T
-SOC(t+i|t)≤min(-SOCmin-ht,4,-SOC),i=1,…,T
上式中,Ps(t+i|t)表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t+i|t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;储能电池的荷电状态上下限约束分别为和SOC;功率输出的上下限约束分别为和Ps ;ht,j(j=1,…,4)为收缩/松弛因子;T表示预设的预测时域长度。
作为优选,所述步骤S4具体包括如下步骤:
S4.1、获取功率平衡约束条件:
PGrid(t+i|t)+Pcon(t+i|t)+PRES(t+i|t)=Ps(t+i|t)+PL(t+i|t),i=1,…,T
上式中,PGrid(t+i|t)表示t时刻对t+i时刻微网与外部电网交互功率的预测值;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;PRES(t+i|t)表示预测的t+i时刻可再生能源的随机出力;Ps(t+i|t)表示储能系统的充放电功率;PL(t+i|t)表示预测的t+i时刻的用户负荷;T表示预设的预测时域长度;
S4.2、获取机组出力约束条件:
0≤Pcon(t+i|t)≤Pcon-max,i=1,…,T
上式中,T表示预设的预测时域长度;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;Pcon-max表示可控发电机组最大出力;
S4.3、获取购电约束(微网与外部电网功率交互约束)条件:
0≤PGrid(t+i|t)≤PGrid-max,i=1,…,T
上式中,PGrid(t+i|t)表示t时刻对t+i时刻微网与外部电网交互功率的预测值;PGrid-max表示与外部电网交互最大功率;T表示预设的预测时域长度;
S4.4、获取爬坡约束条件:
S4.4.1、获取发电机组的爬坡约束条件:
RDcon≤Pcon(t+i+1|t)-Pcon(t+i|t)≤RUcon,i=0,…,T-1
上式中,Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;Pcon(t+i+1|t)表示t时刻对t+i+1时刻可控发电机组出力的预测值;RDcon和RUcon分别表示发电机组爬坡约束功率的上下限;T表示预设的预测时域长度;
S4.4.2、获取微网与外部电网功率交互的爬坡约束:
RDGrid≤PGrid(t+i+1|t)-PGrid(t+i|t)≤RUGrid,i=0,…,T-1
上式中,RDGrid和RUGrid分别表示微网与外部电网交互爬坡功率约束上下限;Pcon(t+i+1|t)表示t时刻对t+i+1时刻可控发电机组出力的预测值;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;T表示预设的预测时域长度;
S4.5、获取电池SOC约束条件:
SOCmin≤SOC(t+i|t)≤SOCmax,i=0,…,T-1
上式中,T表示预设的预测时域长度;SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值。
作为优选,所述步骤S5具体包括如下步骤:
S5.1、根据模型自适应调整函数进行模型自适应辨识;所述模型自适应调整函数为:
上式中,A、B均为系数,系数A表示实际的约束违反概率与允许的约束违反概率之间的偏差,系数B表示当前时刻约束违反频率的变化率;α∈[0,1]是允许约束违反的参数值;ht,j(j=1,…,4)为收缩/松弛因子;γ1和γ2分别表示自适应调整参数;
对于系数A:当α大于Y(t)时,ht,j不断减小,储能电池的约束条件不断增大,此时ht,j作为松弛因子在发挥作用;α小于Y(t)时,ht,j不断减小,储能电池的约束条件不断增大,此时ht,j作为收缩因子在发挥作用;对于系数B:如果实际的经验约束违反概率和期望约束违反概率之间的差异增大,ht,j将会不断调整增大,储能电池的约束条件会不断紧缩,如果实际的经验约束违反概率和期望约束违反概率之间的差异不断变小,当α=Y(t)时,实际的经验约束违反概率和期望约束违反概率之间的差异为0,变化率为0,不再进行自适应动态调整;系数B影响自适应模型收敛的速率,可以有效地改变系统的动态性能;
S5.2、在自适应微网优化调度模型当前约束违反概率的闭环反馈机制中,输入量为约束违反期望概率值α,收缩/松弛因子ht,j作用于随机线性控制系统后,滚动优化更新迭代,时变量Y(t)作为负反馈输出中间量,对自适应微网优化调度模型进行修正,最终随机线性控制系统完成对控制参量不断地自适应辨识的过程,实现模型的自适应控制。
作为优选,所述步骤S2中微网包括分布式随机能源和用户负载,所述分布式随机能源包括可控的发电机组、储能装置和光伏风电;微网可以与外部电网交互。
本发明的有益效果是:本发明提供的一种基于自适应控制的微网能量优化调度方法,在随机能源和储能系统的联合优化调度框架下,提出基于自适应随机模型预测控制的优化策略,并与基于场景构造的鲁棒模型预测控制方法进行比较,并设计不同的自适应更新策略和不同调整参数的比较模型,本发明所提方法能够有效提高系统的调度性能和模型的自适应性,降低系统的保守性。
附图说明
图1为基于自适应控制的微网能量优化调度方法的流程图;
图2为自适应控制系统的原理框图;
图3为基于自适应约束随机MPC算法应用在微网优化调度的算法流程图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明建立了一个典型的微网系统模型,可以与外部电网交互,主要包括可控的发电机组、储能装置、光伏风电等分布式随机能源和用户负载等,通过对用户负荷和随机能源的预测得到负荷数据,决策者在考虑经济目标最优和各种约束条件的情况下确定最优的调度方案,同时分析了微网与外部电网的互动情况,外部电网可以根据预先得到的功率交互情况提前制定合理的调度方案,防止出现大量随机能源接入对外部电网的间接冲击。大多数情况下,尽管负荷的预测值和实际值之间存在偏差,通过对储能装置的计划调控,可以实现微网和外部电网之间的功率交互取得满足要求的调度结果。储能SOC及功率存在着上下限约束,认为在满足一定的概率条件下,调度结果能够满足系统的运行要求,将原问题转化为概率问题进行求解,即最优调度问题的解在一定概率下也就成为原优化问题的解。考虑了随机能源和储能的联合优化调度,通过自适应约束调整函数对约束条件进行自适应辨识,不断地动态调整以逼近期望约束概率,在模型预测控制的算法框架下,通过不断滚动优化,最终求解得到更大的可行域范围、保守性更小的调度结果。
自适应控制(Adaptive control)的定义在学术界并没有统一的说法,一般认为自适应最初来源于生物系统,在人们的日常生活中,自适应是指生物变更自己的习性以适应新的环境的一种特征。从自适应控制的工作机理和作用来看,可以将其描述为:通过测量输入输出信息,实时地掌握被控对象和系统误差的动态特性及其变化,并据此及时调节控制器参数,使系统的控制性能维持最优,或满足预定要求,本发明的自适应控制系统的原理框图如图2所示。
在实际的生产中,存在着各种各样的约束,过程控制中的约束一般包含输入约束、输出约束以及输入量变化率约束,模型预测控制的性能指标最优就是满足各种约束的条件下来实现的。约束量作为一个可调参数,对于系统的安全性、可行性以及系统的暂态瞬态性能有着重要的影响作用,在类型上又可分为硬约束和软约束,硬约束一般指系统的物理条件所决定的,并且具有严格的范围,变量本身不能超过约束的极值,软约束指的是在考虑系统安全性和动态性能的情况下,决策者施加到控制对象的约束,可以针对其重要性进行优先级排序,通过动态的调整以适应模型的需求。针对这些问题,系统性处理一般采用约束松弛优化法,对于可行域过小导致的问题,计算需要松弛参数的最值,通过动态的适应调整过程,满足MPC控制性能的最优,通过合适的约束松弛参数,可以有效降低优化过程的保守性。
在处理MPC优化过程的可行性问题时,一般考虑将松弛因子以参数惩罚项的形式加入性能指标或者采用最小时间软约束松弛优化方法进行最终通过增加惩罚因子项或者乘以相关约束系数对约束条件进行软化处理最终实现对控制过程中控制器约束的调整,对约束项或者相关控制量进行动态调整的过程,不断适应以达到最佳的控制要求,本发明借鉴约束软化的思想对所提控制策略进行改进,通过对控制量的约束条件进行松弛化处理,并不断更新调整,使控制目标不断修正直至逼近期望结果,这一动态优化的辨识过程保证系统具有更强的鲁棒性。
模型自适应调整函数不断更新迭代的过程也是一个系统辨识的过程,系统辨识最早是应用于工业系统,起源于控制系统设计和分析,在获得被控系统的数学模型后,以此模型为基础可以设计出比较合理的控制系统或用于分析原有控制系统的性能,以便后续改进,系统辨识方法最大的特点是应用于在线控制,基于此优点,可以和模型预测控制技术很好地结合,其基本原理是在线建立控制对象的数学模型,不断调整控制器的参数,可以获得较好的控制效果。
如图1所示,本发明提出了基于自适应约束的随机模型预测控制方法的微网优化调度策略;基于自适应约束随机MPC算法应用在微网优化调度的算法流程图如图3所示,自适应约束控制通过约束收缩/松弛因子ht,j在优化过程中不断更新迭代,微网的优化调度问题可以转化为混合整数线性规划问题求解,并通过MATLAB/CPLEX软件进行求解。
1)ht,j初始参数设置
由于收缩/松弛因子ht,j是不断在线自适应更新的,初始值设置也许并不是保证机会约束满足的最为关键因素,为方便计算,在仿真中使用了以下的初始变量设置方法,首先生成可再生能源和用户负荷的场景集{PRES (1),…,PRES (NS)}和{PL (1),…,PL (NS)},PRES表示预测的可再生能源的随机出力;PL表示预测的用户负荷;NS表示生成场景的总个数;相应地,初始参数设置为:ht,j为自适应调整函数;场景生成的方法可以自行选择,参数将在自适应控制的过程中进行收缩或者松弛进行调整。
2)算法求解步骤
基于自适应约束随机MPC算法应用在微网优化调度的算法流程如下:
S1、t=0时,在预测时域范围T内生成用户负荷和随机能源出力的场景,并初始化参数h0,j(j=1,…,4);
S2、求解自适应约束随机MPC模型,即通过CPLEX求解目标函数和约束:
目标函数:
上式中,T表示预设的预测时域长度;i=0表示当前时刻;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;ccon表示机组运行费用系数;PGrid(t+i|t)表示t时刻对t+i时刻微网与外部电网交互功率的预测值;cGrid(t+i|t)表示t时刻对t+i时刻的电能交互价格;
修正后的约束:
-Ps(t+i|t)≤min(-Ps-min-ht,2,-Ps ),i=1,…,T
-SOC(t+i|t)≤min(-SOCmin-ht,4,-SOC),i=1,…,T
将预测结果PGrid(t+1|t)(t时刻对t+i时刻微网与外部电网交互功率的预测值)和Pcon(t+1|t)(t时刻对t+i时刻可控发电机组出力的预测值)应用到t+1时刻作为初始条件重新预测系统未来输出;
S3、预测时域向前滚动,由t时刻移动到t+1时刻,由时刻t的随机能源出力和用户负荷的实际值和步骤S2中的计算结果,根据功率平衡条件计算出储能电池的功率Ps(t),并推导出储能的荷电状态SOC(t);
S4、通过公式计算出Y(t):
由公式计算出hi,j(j=1,…,4):
S5、返回步骤S2并重复。
本发明提供的一种基于自适应控制的微网能量优化调度方法,在随机能源和储能系统的联合优化调度框架下,提出基于自适应随机模型预测控制的优化策略,并与基于场景构造的鲁棒模型预测控制方法进行比较,并设计不同的自适应更新策略和不同调整参数的比较模型,本发明所提方法能够有效提高系统的调度性能和模型的自适应性,降低系统的保守性。
Claims (5)
1.一种基于自适应控制的微网能量优化调度方法,其特征在于,包括以下步骤:
S1、获取随机线性控制系统;
S1.1、将随机线性控制系统表述为:
xk+1=(f+Δf)(xk,uk,hk,ωk)
上式中,xk+1表示随机线性控制系统的下一阶段系统状态,xk和uk分别表示系统状态和系统输入,f和Δf分别表示随机线性控制系统的确定性部分和随机性部分,hk为确定性干扰,ωk为随机性干扰;
S1.2、定义随机线性控制系统的随机性部分:
s.t.xk+1=Axk+Buk+Gωk
P[h(xk,ω,v)≤1]≥1-ε
上式中,表示目标函数的期望值;xk和uk分别表示系统状态和系统输入;ωk为随机性干扰;A、B和G均表示随机线性控制系统的模型参数;表示约束的误差部分,h(xk,ω,v)表示xk状态下的确定性干扰;ε表示预设的阈值;Pnom(t)表示t时刻功率值;Plim(t)表示t时刻功率上限值;是时变参量;
S2、根据步骤S1获取的随机线性控制系统构建自适应微网优化调度模型;
S3、对步骤S2构建的自适应微网优化调度模型进行MPC优化调度;
S3.1、引入0~1内的辅助变量Ich和Idisch以及连续变量Xch和Xdisch来表示储能电池SOC状态和充放电状态,在预测时域i=1,…,T内,储能电池充放电模型为:
Ps(t+i|t)=Xch(t+i|t)Ps-max+Xdisch(t+i|t)Ps-min,i=1,…,T
Xch(t+i|t)≤Ich(t+i|t),i=1,…,T
Xdisch(t+i|t)≤Idisch(t+i|t),i=1,…,T
Ich(t+i|t)+Idisch(t+i|t)≤1,i=1,…,T
上式中,Ich和Idisch均为0~1内的辅助变量;Xch和Xdisch为连续变量,T表示预设的预测时域长度;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;ηch表示充电效率;ηdisch表示放电效率;Cs表示电池容量;Ps(t+i|t)表示储能系统的充放电功率;
S3.2、通过对控制量的约束条件进行松弛化处理,并不断更新调整控制量的约束条件,不断修正控制目标直至逼近期望结果;
S3.2.1、对控制量的约束条件进行松弛化处理:
s.t.PGrid+Pcon+PRES=Ps+PL
Pnom(t)≤Plim(t)-ht,j
上式中,ccon表示机组运行费用系数;Pcon表示可控发电机组出力的预测值;cGrid表示电能交互价格;PGrid表示微网与外部电网交互功率的预测值;PRES表示预测的可再生能源的随机出力;Ps表示储能系统的充放电功率,PL表示预测的用户负荷;Pnom(t)表示t时刻功率值;Plim(t)表示t时刻功率上限值;ht,j为自适应调整函数;T表示预设的预测时域长度;
S3.2.2、在滚动优化的过程中不断统计微网储能的机会约束在每个时刻实际违反约束情况的频数,并计算出对应的频率;时间t内自适应微网优化调度模型实际约束违反的概率为:
上式中,V(i)表示每个时刻约束违反的状态量,当微网储能的机会约束打破工作限制的时候,V(i)为1,反之V(i)为0;Ps表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;
S3.2.3、自适应调整函数ht,j在滚动优化过程中根据经验约束违反情况进行迭代更新:
上式中,ht,j为自适应调整函数;γ1和γ2分别表示自适应调整参数,α∈[0,1]是允许约束违反的参数值;
S3.2.4、根据储能电池的约束,在优化过程中不断调整储能电池的充放电功率和电池SOC;所述储能电池的约束为:
Ps(t+i|t)≤Ps-max-ht,1,i=1,…,T
-Ps(t+i|t)≤-Ps-min-ht,2,i=1,…,T
SOC(t+i|t)≤SOCmax-ht,3,i=1,…,T
-SOC(t+i|t)≤-SOCmin-ht,4,i=1,…,T
上式中,ht,j(j=1,…,4)为收缩/松弛因子;T表示预设的预测时域长度;Ps(t+i|t)表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t+i|t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;
将储能电池的约束修正为:
-SOC(t+i|t)≤min(-SOCmin-ht,4,-SOC),i=1,…,T
上式中,Ps(t+i|t)表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t+i|t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;储能电池的荷电状态上下限约束分别为和SOC;功率输出的上下限约束分别为和Ps ;ht,j(j=1,…,4)为收缩/松弛因子;T表示预设的预测时域长度;
S4、获取自适应微网优化调度模型的约束条件;所述约束条件包括:功率平衡约束条件、机组出力约束条件、购电约束条件、爬坡约束条件和电池SOC约束条件;
S5、求解满足步骤S4中约束条件的自适应微网优化调度模型。
2.根据权利要求1所述基于自适应控制的微网能量优化调度方法,其特征在于,所述步骤S2具体包括如下步骤:
S2.1、微网储能和外部电网存在机会约束条件:
上式中,Pr[F]表示事件F发生的概率情况,α∈[0,1]是允许约束违反的参数值;Ps表示储能系统的充放电功率;Ps-min表示储能系统的充放电功率的下限,Ps-max表示储能系统的充放电功率的上限;SOC(t)表示电池的荷电状态,SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值;若微网储能和外部电网的机会约束满足则判定优化调度结果存在一定的性能损失;若微网储能和外部电网的机会约束满足则判定调度结果满足系统运行的最低要求;
S2.2、自适应微网优化调度模型预测控制优化调度的目标函数为:
上式中,T表示预设的预测时域长度;i=0表示当前时刻;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;ccon表示机组运行费用系数;PGrid(t+i|t)表示t时刻对t+i时刻微网与外部电网交互功率的预测值;cGrid(t+i|t)表示t时刻对t+i时刻的电能交互价格。
3.根据权利要求1所述基于自适应控制的微网能量优化调度方法,其特征在于,所述步骤S4具体包括如下步骤:
S4.1、获取功率平衡约束条件:
PGrid(t+i|t)+Pcon(t+i|t)+PRES(t+i|t)=Ps(t+i|t)+PL(t+i|t),i=1,…,T
上式中,PGrid(t+i|t)表示t时刻对t+i时刻微网与外部电网交互功率的预测值;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;PRES(t+i|t)表示预测的t+i时刻可再生能源的随机出力;Ps(t+i|t)表示储能系统的充放电功率;PL(t+i|t)表示预测的t+i时刻的用户负荷;T表示预设的预测时域长度;
S4.2、获取机组出力约束条件:
0≤Pcon(t+i|t)≤Pcon-max,i=1,…,T
上式中,T表示预设的预测时域长度;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;Pcon-max表示可控发电机组最大出力;
S4.3、获取购电约束条件:
0≤PGrid(t+i|t)≤PGrid-max,i=1,…,T
上式中,PGrid(t+i|t)表示t时刻对t+i时刻微网与外部电网交互功率的预测值;PGrid-max表示与外部电网交互最大功率;T表示预设的预测时域长度;
S4.4、获取爬坡约束条件:
S4.4.1、获取发电机组的爬坡约束条件:
RDcon≤Pcon(t+i+1|t)-Pcon(t+i|t)≤RUcon,i=0,…,T-1
上式中,Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;Pcon(t+i+1|t)表示t时刻对t+i+1时刻可控发电机组出力的预测值;RDcon和RUcon分别表示发电机组爬坡约束功率的上下限;T表示预设的预测时域长度;
S4.4.2、获取微网与外部电网功率交互的爬坡约束:
RDGrid≤PGrid(t+i+1|t)-PGrid(t+i|t)≤RUGrid,i=0,…,T-1
上式中,RDGrid和RUGrid分别表示微网与外部电网交互爬坡功率约束上下限;Pcon(t+i+1|t)表示t时刻对t+i+1时刻可控发电机组出力的预测值;Pcon(t+i|t)表示t时刻对t+i时刻可控发电机组出力的预测值;T表示预设的预测时域长度;
S4.5、获取电池SOC约束条件:
SOCmin≤SOC(t+i|t)≤SOCmax,i=0,…,T-1
上式中,T表示预设的预测时域长度;SOCmin和SOCmax分别表示电池所允许荷电状态的最大值和最小值。
4.根据权利要求1所述基于自适应控制的微网能量优化调度方法,其特征在于,所述步骤S5具体包括如下步骤:
S5.1、根据模型自适应调整函数进行模型自适应辨识;所述模型自适应调整函数为:
上式中,A、B均为系数,系数A表示实际的约束违反概率与允许的约束违反概率之间的偏差,系数B表示当前时刻约束违反频率的变化率;α∈[0,1]是允许约束违反的参数值;ht,j(j=1,…,4)为收缩/松弛因子;γ1和γ2分别表示自适应调整参数;
对于系数A:当α大于Y(t)时,ht,j不断减小,储能电池的约束条件不断增大,此时ht,j作为松弛因子在发挥作用;α小于Y(t)时,ht,j不断减小,储能电池的约束条件不断增大,此时ht,j作为收缩因子在发挥作用;对于系数B:如果实际的经验约束违反概率和期望约束违反概率之间的差异增大,ht,j将会不断调整增大,储能电池的约束条件会不断紧缩,如果实际的经验约束违反概率和期望约束违反概率之间的差异不断变小,当α=Y(t)时,实际的经验约束违反概率和期望约束违反概率之间的差异为0,变化率为0,不再进行自适应动态调整;
S5.2、在自适应微网优化调度模型当前约束违反概率的闭环反馈机制中,输入量为约束违反期望概率值α,收缩/松弛因子ht,j作用于随机线性控制系统后,滚动优化更新迭代,时变量Y(t)作为负反馈输出中间量,对自适应微网优化调度模型进行修正。
5.根据权利要求1所述基于自适应控制的微网能量优化调度方法,其特征在于:所述步骤S2中微网包括分布式随机能源和用户负载,所述分布式随机能源包括发电机组、储能装置和光伏风电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907625.1A CN112003330B (zh) | 2020-09-02 | 2020-09-02 | 一种基于自适应控制的微网能量优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907625.1A CN112003330B (zh) | 2020-09-02 | 2020-09-02 | 一种基于自适应控制的微网能量优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112003330A CN112003330A (zh) | 2020-11-27 |
CN112003330B true CN112003330B (zh) | 2022-05-17 |
Family
ID=73466343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010907625.1A Active CN112003330B (zh) | 2020-09-02 | 2020-09-02 | 一种基于自适应控制的微网能量优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112003330B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112583053A (zh) * | 2020-12-02 | 2021-03-30 | 中国电建集团华东勘测设计研究院有限公司 | 一种含分布式风电的微网能量优化调度方法 |
CN112764347B (zh) * | 2021-01-07 | 2023-08-22 | 成都信息工程大学 | 一种基于最大相关熵准则的智能车辆路径跟踪方法 |
CN112949976A (zh) * | 2021-01-14 | 2021-06-11 | 台州宏远电力设计院有限公司 | 一种商业园区微网能量优化调度方法 |
CN114156867B (zh) * | 2021-11-11 | 2024-04-09 | 国网北京市电力公司 | 一种配电网区间网络重构模型优化方法及装置 |
CN114884101B (zh) * | 2022-07-04 | 2022-09-30 | 华中科技大学 | 一种基于自适应模型控制预测的抽水蓄能调度方法 |
CN114884057B (zh) * | 2022-07-11 | 2022-09-09 | 华东交通大学 | 一种自适应步长双闭环mpc优化调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159093A (zh) * | 2015-10-08 | 2015-12-16 | 国电南京自动化股份有限公司 | 基于模型自适应的微电网能量优化控制系统及其设计方法 |
CN105162149A (zh) * | 2015-09-07 | 2015-12-16 | 中国电力科学研究院 | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 |
CN107706932A (zh) * | 2017-09-18 | 2018-02-16 | 浙江大学 | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 |
CN108923435A (zh) * | 2018-07-04 | 2018-11-30 | 山东大学 | 一种基于分层mpc的风电无功电压协调控制系统 |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
-
2020
- 2020-09-02 CN CN202010907625.1A patent/CN112003330B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105162149A (zh) * | 2015-09-07 | 2015-12-16 | 中国电力科学研究院 | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 |
CN105159093A (zh) * | 2015-10-08 | 2015-12-16 | 国电南京自动化股份有限公司 | 基于模型自适应的微电网能量优化控制系统及其设计方法 |
CN107706932A (zh) * | 2017-09-18 | 2018-02-16 | 浙江大学 | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 |
CN108923435A (zh) * | 2018-07-04 | 2018-11-30 | 山东大学 | 一种基于分层mpc的风电无功电压协调控制系统 |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
Non-Patent Citations (2)
Title |
---|
An MPC-Based ESS Control Method for PV Power Smoothing Applications;Mingyu Lei;《IEEE TRANSACTIONS ON POWER ELECTRONICS》;20180331;第33卷(第3期);全文 * |
基于改进模型预测控制的微电网能量管理策略;窦晓波;《电力系统自动化》;20171125;第41卷(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112003330A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112003330B (zh) | 一种基于自适应控制的微网能量优化调度方法 | |
Shuai et al. | Stochastic optimization of economic dispatch for microgrid based on approximate dynamic programming | |
Hafiz et al. | Real-time stochastic optimization of energy storage management using deep learning-based forecasts for residential PV applications | |
Wang et al. | Optimal bidding strategy for microgrids in joint energy and ancillary service markets considering flexible ramping products | |
Khodabakhsh et al. | Optimal control of energy storage in a microgrid by minimizing conditional value-at-risk | |
Yuan et al. | An extended NSGA-III for solution multi-objective hydro-thermal-wind scheduling considering wind power cost | |
Wu et al. | Deep learning adaptive dynamic programming for real time energy management and control strategy of micro-grid | |
CN110298138B (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
Umeozor et al. | Operational scheduling of microgrids via parametric programming | |
Xie et al. | Mixed-stage energy management for decentralized microgrid cluster based on enhanced tube model predictive control | |
Pan et al. | Stochastic transactive control for electric vehicle aggregators coordination: A decentralized approximate dynamic programming approach | |
CN110854932B (zh) | 一种交直流配电网多时间尺度优化调度方法及系统 | |
Zhang et al. | MOEA/D-based probabilistic PBI approach for risk-based optimal operation of hybrid energy system with intermittent power uncertainty | |
CN114725936A (zh) | 基于多智能体深度强化学习的配电网优化方法 | |
Mahari et al. | A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA | |
CN105896575B (zh) | 基于自适应动态规划的百兆瓦储能功率控制方法及系统 | |
CN112508325B (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
Yin et al. | Expandable depth and width adaptive dynamic programming for economic smart generation control of smart grids | |
Rodriguez et al. | Energy management system for an isolated microgrid based on Fuzzy logic control and meta-heuristic algorithms | |
Petrusev et al. | Reinforcement learning for robust voltage control in distribution grids under uncertainties | |
Zhang et al. | A holistic robust method for optimizing multi-timescale operations of a wind farm with energy storages | |
CN114462696A (zh) | 基于td3的综合能源系统源荷协同运行优化方法 | |
Guo et al. | Long-term operation of isolated microgrids with renewables and hybrid seasonal-battery storage | |
Xiong et al. | Coordinated volt/VAR control for photovoltaic inverters: a soft actor-critic enhanced droop control approach |
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 |