CN112213945B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112213945B CN112213945B CN202011078696.1A CN202011078696A CN112213945B CN 112213945 B CN112213945 B CN 112213945B CN 202011078696 A CN202011078696 A CN 202011078696A CN 112213945 B CN112213945 B CN 112213945B
- Authority
- CN
- China
- Prior art keywords
- control
- microgrid
- robust
- input
- output
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种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,包括建立多微网群对应的频率控制模型;构建鲁棒模型预测控制器及其控制目标优化函数;构建线性二次调节器;求解控制目标优化函数,优化求解得到的多微网群的控制量,输出实际的多微网群的控制量。本申请利用鲁棒模型预测控制方法对多微网群的频率进行控制,设计的状态反馈增益随多微网群信息动态变化,能够更加迅速的对微电网发生的扰动做出响应,进而设计线性二次调节器,解决鲁棒模型预测控制过程中存在的无解或约束条件无法满足的问题,进一步提高了控制的稳定性,对比传统的控制方法,本申请的控制效果更好,控制效率更高。
Description
技术领域
本发明属于电力系统自动化技术领域,涉及一种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。
背景技术
随着经济的快速发展,能源紧缺等环境问题逐渐引起各国的广泛关注,清洁能源也逐步得到了越来越多的应用,电动汽车的应用也得到广泛的关注。随着分布式能源的发展,许多有关子微电网的相关研究也在开展。分布式电源具有随机性与波动性,这给维持微网的稳定运行带来了挑战,其中维持系统频率的稳定是一个重要环节。微网在孤岛运行的模式下抗干扰能力弱,微网之间建立互联能够提高微网的稳定性,而电动汽车作为一种新型移动式储能终端也能够参与微网调频,承担一部分维持微网稳定运行的工作。
传统的用于电动汽车参与微网群调频的控制方法在不确定性的实际应用场景中难以得到很好的控制效果,模型预测控制技术在处理多变量系统的控制问题时更具优势,但传统的模型预测控制方法存在如下问题:(1)对于微网频率控制问题,模型预测控制在动态变化的系统中的控制效果难以得到保证;(2)控制效果依赖描述系统的状态空间方程的准确性。如何克服这些缺点是模型预测控制技术应用于微网调频亟待解决的问题。
发明内容
为解决现有技术中的不足,本申请提供一种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,建立多微网群互联系统,对控制的目标函数进行变换,从而转化为求解一系列的线性矩阵不等式的优化问题,通过线性二次调节器对不满足约束条件的控制量进一步优化,对输出约束适当松弛,从而保证系统的稳定输出,维持微网系统频率的稳定。能够应用于存在参数不确定性的系统,调频效果好,具有较强的鲁棒性与稳定性,在极端约束下能够保证系统算法可解,不发生振荡,适用于微网的频率控制。
为了实现上述目标,本发明采用如下技术方案:
一种电动汽车参与微网群调频的改进鲁棒预测控制方法,其特征在于:
所述方法包括以下步骤:
步骤1:建立多微网群对应的频率控制模型;
步骤2:根据步骤1建立的频率控制模型的状态空间方程,构建鲁棒模型预测控制器;
步骤3:根据鲁棒模型预测控制器的控制目标函数和约束条件,得到鲁棒模型预测控制器的控制目标优化函数;
步骤4:针对步骤2构建的鲁棒模型预测控制器,构建线性二次调节器;
步骤5:利用鲁棒模型预测控制器求解步骤3的控制目标优化函数,得到多微网群的控制量,利用线性二次调节器对得到的多微网群的控制量进行优化,输出实际的多微网群的控制量。
本发明进一步包括以下优选方案:
优选地,步骤1中建立的多微网群对应的频率控制模型包括电动汽车、分布式储能、分布式风电、分布式光伏、燃气轮机以及负荷的频率控制模型;
所述频率控制模型组合搭建成子微电网,子微电网通过耦合环节互联组成多微网群。
优选地,步骤2中,根据步骤1建立的频率控制模型的状态空间方程构建鲁棒模型预测控制器,其控制目标函数为:
其中Qx、Qu分别代表状态变量x与输入量u的权重矩阵,均为正定阵;n为预测长度,k表示时刻,{x1,x2,...,xN}为状态变量,N为子微电网总数量,xi=[Δfi ΔPti ΔPMTi ΔXMTiΔPEVi1 ΔPEVi2]T,分别代表频率偏差、联络线功率变化量、燃气轮机功率变化量、燃料系统阀门位置变化量、第一电动汽车充电站功率变化量和第二电动汽车充电站功率变化量;i、j代表子微电网的标号;输入量ui=[ΔuMTi ΔuEVi1 ΔuEVi2]T,分别代表输入燃气轮机的控制量、输入第一电动汽车充电站的控制量、输入第二电动汽车充电站的控制量。
优选地,设置所述控制目标函数的上界为Si(X(k|k)),且满足Ji(k)≤Si(X(k|k))≤γi,控制目标函数的上界满足如下约束条件:
其中Si表示目标函数Ji(k)的上界,Si(x)=xTRix,γi表示上确界的数值,Ri表示状态变量x的系数矩阵。
优选地,所述控制目标函数中的状态变量,满足如下状态反馈机制:
其中,li表示状态反馈增益,反映状态变量与输入量的关系,lij、lii分别表示第i个子微电网与第j个子微电网之间的状态反馈增益,第i个子微电网自身的状态反馈增益。
优选地,步骤3中,将鲁棒模型预测控制器的约束条件与输入输出上下限通过舒尔补定理转化为线性矩阵不等式,得到的鲁棒模型预测控制器的控制目标优化函数为:
其中*表示矩阵中的对称元素,Ri表示状态变量x的系数矩阵,A、B、C表示状态方程中的状态矩阵,Qi表示反馈增益的权重矩阵,Ki表示反馈增益的系数矩阵,I表示单位矩阵,umax表示输入量上限,ymax表示输出量上限。
优选地,步骤4中,构建的线性二次调节器,用如下优化目标函数与约束条件表示:
其中:
n为预测长度,k表示时刻,y表示输出量,Hu、Hy、Rβ、Rα分别代表输入量、输出量、输入松弛量、输出松弛量的权重矩阵,β、α为非负的优化标量;ug、ysp分别表示输入和输出的优化目标,表示优化后的输出量;
ymax和ymin分别为输出量的上下限。
优选地,步骤5中,利用鲁棒模型预测控制器求解步骤3的控制目标优化函数,得到动态状态反馈增益,从而计算出多微网群的控制量;
对得到的多微网群的输入控制量与输出量中不满足鲁棒模型预测控制器的约束条件的控制量或优化过程中无可行解,利用线性二次调节器进行优化,输出实际的多微网群的控制量。
优选地,步骤5具体包括以下步骤:
步骤5.1:初始化多微网群对应的频率控制模型的状态变量,输入权重矩阵Qx、Qu、Ri、Hu、Hy、Rβ、Rα与初始状态反馈增益,k=0,k为当前时刻;
Qx、Qu、Hu、Hy、Rβ、Rα分别代表状态变量x、输入量u、输出量y、输入松弛量、输出松弛量的权重矩阵,β、α为非负的优化标量,Ri表示状态变量x的系数矩阵,i表示子微电网的标号;
步骤5.2:开始执行循环,p=0,p为迭代计数标量;
步骤5.3:更新多微网群中各子微电网的状态变量信息并进行信息交换,为下一时刻的鲁棒模型预测控制器的计算提供数据;
步骤5.4:将状态变量和状态矩阵输入鲁棒模型预测控制器,求解步骤3的控制目标优化函数,得到动态状态反馈增益li;若步骤3的控制目标优化函数未求出可行解,则转入步骤5.6;
步骤5.5:根据状态反馈增益li计算得到下一时刻多微网群的输入控制量{Δu1,Δu2,...,ΔuN}和预测输出量{y1,y2,...,yN};
判断状态变量、输入控制量与输出量是否满足鲁棒模型预测控制器的约束条件,若存在约束条件不满足的情况,则转入步骤5.6,若满足约束条件则转入步骤5.7;
步骤5.6:将控制量与预测输出量输入到线性二次调节器进行输出约束松弛与控制量优化;
步骤5.7:判断动态状态反馈增益是否满足误差允许量|li (p)-li (p-1)|≤ε,li (p)与li (p-1)分别为迭代计数p次和p-1次的状态反馈增益,若是则转入步骤5.8,输出控制增量到实际多微网群进行控制,否则返回步骤5.3,p=p+1直到p=pmax,pmax为计数标量上限值,ε为允许的最大误差;
步骤5.8:k=k+1,执行步骤5.2到步骤5.7直到k=kmax,kmax为结束时刻。
本发明还公开了一种电动汽车参与微网群调频的改进鲁棒预测控制系统,所述系统包括:
建模模块,用于建立多微网群对应的频率控制模型;
第一构建模块,用于根据建模模块建立的频率控制模型的状态空间方程,构建鲁棒模型预测控制器;
控制目标优化函数模块,用于根据鲁棒模型预测控制器的控制目标函数和约束条件,得到鲁棒模型预测控制器的控制目标优化函数;
第二构建模块,用于针对第一构建模块构建的鲁棒模型预测控制器,构建线性二次调节器;
优化模块,用于利用鲁棒模型预测控制器求解鲁棒模型预测控制器的控制目标优化函数,得到多微网群的控制量,利用线性二次调节器对得到的多微网群的控制量进行优化,输出实际的多微网群的控制量。
本申请所达到的有益效果:
1.本申请利用鲁棒模型预测控制方法对多微网群的频率进行控制,设计的状态反馈增益随多微网群信息动态变化,能够更加迅速的对微电网发生的扰动做出响应,进而设计线性二次调节器,解决鲁棒模型预测控制过程中存在的无解或约束条件无法满足的问题,进一步提高了控制的稳定性,对维持微电网稳定运行具有重要意义,对比传统的控制方法,本申请的控制效果更好,控制效率更高;
2.本申请建立了多个微电网互联的多微网群,相对于单个微电网的孤岛运行,提高了系统的抗干扰能力;
3.本申请建立的鲁棒模型预测频率控制器状态反馈增益不是常数,而是一个随时刻变化的动态值,能够根据多微网群的实时扰动快速作出调整,提高了系统的响应速度;
4.本申请建立的线性二次调节器解决了鲁棒模型预测控制过程中存在的无解或约束未满足的问题,进一步优化了控制量,提高了多微网群的稳定性;
5.本申请提出的多微网群对应的频率控制模型与含线性二次调节器的鲁棒模型预测控制方法可以实用于多微网群的频率控制,对维持电网的稳定运行具有重要作用。
附图说明
图1是本申请方法的流程示意图;
图2是多微网群对应的频率控制模型示意图;
图3是本申请方法的实施例流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
本发明通过设计状态反馈增益为动态的鲁棒模型预测控制器,与线性二次调节器相结合,从而组成响应迅速,控制效果稳定的微电网频率控制器,并建立多个微电网互联的多微网群,实现频率的快速稳定控制。
如图1-3所示,本申请的一种电动汽车参与微网群调频的改进鲁棒预测控制方法,所述方法包括以下步骤:
步骤1:建立多微网群对应的频率控制模型;
本申请实施例中建立的多微网群对应的频率控制模型包括电动汽车、分布式储能、分布式风电、分布式光伏、单机功率范围为25~300kW的微型燃气轮机以及负荷的频率控制模型;
所述频率控制模型组合搭建成子微电网,子微电网通过耦合环节互联组成多微网群。
步骤2:根据步骤1建立的频率控制模型的状态空间方程,构建鲁棒模型预测控制器,其控制目标函数为:
其中Qx、Qu分别代表状态变量x与输入量u的权重矩阵,均为正定阵;n为预测长度,k表示时刻,{x1,x2,...,xN}为状态变量,N为子微电网总数量,xi=[Δfi ΔPti ΔPMTi ΔXMTiΔPEVi1 ΔPEVi2]T,分别代表频率偏差、联络线功率变化量、燃气轮机功率变化量、燃料系统阀门位置变化量、第一电动汽车充电站功率变化量和第二电动汽车充电站功率变化量;i、j代表子微电网的标号;输入量ui=[ΔuMTi ΔuEVi1 ΔuEVi2]T,分别代表输入燃气轮机的控制量、输入第一电动汽车充电站的控制量、输入第二电动汽车充电站的控制量。
设置所述控制目标函数的上界为Si(X(k|k)),且满足Ji(k)≤Si(X(k|k))≤γi,控制目标函数的上界满足如下约束条件:
其中Si表示目标函数Ji(k)的上界,Si(x)=xTRix,γi表示上确界的数值,Ri表示状态变量x的系数矩阵。
所述控制目标函数中的状态变量,满足如下状态反馈机制:
其中,li表示状态反馈增益,反映状态变量与输入量的关系,lij、lii分别表示第i个子微电网与第j个子微电网之间的状态反馈增益,第i个子微电网自身的状态反馈增益。
步骤3:根据鲁棒模型预测控制器的控制目标函数和约束条件,得到鲁棒模型预测控制器的控制目标优化函数,具体的:
将鲁棒模型预测控制器的约束条件与输入输出上下限通过舒尔补定理转化为线性矩阵不等式,得到的鲁棒模型预测控制器的控制目标优化函数为:
其中*表示矩阵中的对称元素,Ri表示状态变量x的系数矩阵,A、B、C表示状态方程中的状态矩阵,优化控制的目标函数目的是在满足约束的条件下使得状态变量与输入的控制变量达到最小值,即微网的频率偏差与各设备的功率偏差最小,Qi表示反馈增益的权重矩阵,Ki表示反馈增益的系数矩阵,I表示单位矩阵,umax表示输入量上限,ymax表示输出量上限。
步骤4:针对步骤2构建的鲁棒模型预测控制器,构建线性二次调节器;
构建的线性二次调节器,用如下优化目标函数与约束条件表示:
其中:
n为预测长度,k表示时刻,y表示输出量,Hu、Hy、Rβ、Rα分别代表输入量、输出量、输入松弛量、输出松弛量的权重矩阵,β、α为非负的优化标量;ug、ysp分别表示输入和输出的优化目标,表示优化后的输出量;
ymax和ymin分别为输出量的上下限。
优化目标函数与约束条件的意义在于当输入输出约束在优化过程中无法同时满足时,将输出的约束适当松弛,优先满足输入量的约束,即适当放宽频率偏差量的约束范围,优先满足功率偏差量的约束,保证子微电网系统的稳定性。
步骤5:利用鲁棒模型预测控制器求解步骤3的控制目标优化函数,得到多微网群的控制量,利用线性二次调节器对得到的多微网群的控制量进行优化,输出实际的多微网群的控制量,即:
利用鲁棒模型预测控制器求解步骤3的控制目标优化函数,得到动态状态反馈增益,从而计算出多微网群的控制量;
即求解:
对得到的多微网群的输入控制量与输出量中不满足鲁棒模型预测控制器的约束条件的控制量或优化过程中无可行解,利用线性二次调节器进行优化,输出实际的多微网群的控制量。
步骤5具体包括以下步骤:
步骤5.1:初始化多微网群对应的频率控制模型的状态变量,输入权重矩阵Qx、Qu、Ri、Hu、Hy、Rβ、Rα与初始状态反馈增益,k=0,k为当前时刻;
Qx、Qu、Hu、Hy、Rβ、Rα分别代表状态变量x、输入量u、输出量y、输入松弛量、输出松弛量的权重矩阵,β、α为非负的优化标量,Ri表示状态变量x的系数矩阵,i表示子微电网的标号;
步骤5.2:开始执行循环,p=0,p为迭代计数标量;
步骤5.3:更新多微网群中各子微电网的状态变量信息并进行信息交换,为下一时刻的鲁棒模型预测控制器的计算提供数据;
步骤5.4:将状态变量和状态矩阵输入鲁棒模型预测控制器,求解步骤3的控制目标优化函数,即线性矩阵不等式组成的优化问题,得到动态状态反馈增益li;若步骤3的控制目标优化函数未求出可行解,则转入步骤5.6,若满足约束条件则转入步骤5.7;
步骤5.5:根据状态反馈增益li计算得到下一时刻多微网群的输入控制量{Δu1,Δu2,...,ΔuN}和预测输出量{y1,y2,...,yN};
判断状态变量、输入控制量与输出量是否满足鲁棒模型预测控制器的约束条件,若存在约束条件不满足的情况,则转入步骤5.6;
步骤5.6:将控制量与预测输出量输入到线性二次调节器进行输出约束松弛与控制量优化;
步骤5.7:判断动态状态反馈增益是否满足误差允许量|li (p)-li (p-1)|≤ε,li (p)与li (p-1)分别为迭代计数p次和p-1次的状态反馈增益,若是则转入步骤5.8,输出控制增量到实际多微网群进行控制,否则返回步骤5.3,p=p+1直到p=pmax,pmax为计数标量上限值,ε为允许的最大误差;
步骤5.8:k=k+1,执行步骤5.2到步骤5.7直到k=kmax,kmax为结束时刻。
本申请的一种电动汽车参与微网群调频的改进鲁棒预测控制系统,所述系统包括:
建模模块,用于建立多微网群对应的频率控制模型;
第一构建模块,用于根据建模模块建立的频率控制模型的状态空间方程,构建鲁棒模型预测控制器;
控制目标优化函数模块,用于根据鲁棒模型预测控制器的控制目标函数和约束条件,得到鲁棒模型预测控制器的控制目标优化函数;
第二构建模块,用于针对第一构建模块构建的鲁棒模型预测控制器,构建线性二次调节器;
优化模块,用于利用鲁棒模型预测控制器求解鲁棒模型预测控制器的控制目标优化函数,得到多微网群的控制量,利用线性二次调节器对得到的多微网群的控制量进行优化,输出实际的多微网群的控制量。
本申请首先建立多微网群对应的频率控制模型,根据模型对控制的目标函数进行变换,从而转化为求解一系列的线性矩阵不等式的优化问题,然后通过线性二次调节器对不满足约束条件的控制量进一步优化,对输出约束适当松弛,从而保证系统的稳定输出,维持微电网系统频率的稳定。
本发明利用鲁棒模型预测控制方法对多微网群的频率进行控制,设计的状态反馈增益随多微网群信息动态变化,能够更加迅速的对微网发生的扰动做出响应,进而设计线性二次调节器,解决鲁棒模型预测控制过程中存在的无解或约束条件无法满足的问题,进一步提高了控制的稳定性,对维持微电网稳定运行具有重要意义。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (7)
1.一种电动汽车参与微网群调频的改进鲁棒预测控制方法,其特征在于:
所述方法包括以下步骤:
步骤1:建立多微网群对应的频率控制模型;
步骤2:根据步骤1建立的频率控制模型的状态空间方程,构建鲁棒模型预测控制器;
步骤3:根据鲁棒模型预测控制器的控制目标函数和约束条件,得到鲁棒模型预测控制器的控制目标优化函数;
步骤4:针对步骤2构建的鲁棒模型预测控制器,构建线性二次调节器;
步骤5:利用鲁棒模型预测控制器求解步骤3的控制目标优化函数,得到多微网群的控制量,利用线性二次调节器对得到的多微网群的控制量进行优化,输出实际的多微网群的控制量;
步骤1中建立的多微网群对应的频率控制模型包括电动汽车、分布式储能、分布式风电、分布式光伏、燃气轮机以及负荷的频率控制模型;
所述频率控制模型组合搭建成子微电网,子微电网通过耦合环节互联组成多微网群;
步骤2中,根据步骤1建立的频率控制模型的状态空间方程构建鲁棒模型预测控制器,其控制目标函数为:
其中Qx、Qu分别代表状态变量x与输入量u的权重矩阵,均为正定阵;n为预测长度,k表示时刻,{x1,x2,...,xN}为状态变量,N为子微电网总数量,xi=[ΔfiΔPtiΔPMTiΔXMTiΔPEVi1ΔPEVi2]T,分别代表频率偏差、联络线功率变化量、燃气轮机功率变化量、燃料系统阀门位置变化量、第一电动汽车充电站功率变化量和第二电动汽车充电站功率变化量;i、j代表子微电网的标号;输入量ui=[ΔuMTiΔuEVi1ΔuEVi2]T,分别代表输入燃气轮机的控制量、输入第一电动汽车充电站的控制量、输入第二电动汽车充电站的控制量;
步骤4中,构建的线性二次调节器,用如下优化目标函数与约束条件表示:
其中:
n为预测长度,k表示时刻,y表示输出量,Hu、Hy、Rβ、Rα分别代表输入量、输出量、输入松弛量、输出松弛量的权重矩阵,β、α为非负的优化标量;ug、ysp分别表示输入和输出的优化目标,表示优化后的输出量;
ymax和ymin分别为输出量的上下限。
5.根据权利要求1所述的一种电动汽车参与微网群调频的改进鲁棒预测控制方法,其特征在于:
步骤5中,利用鲁棒模型预测控制器求解步骤3的控制目标优化函数,得到动态状态反馈增益,从而计算出多微网群的控制量;
对得到的多微网群的输入控制量与输出量中不满足鲁棒模型预测控制器的约束条件的控制量或优化过程中无可行解,利用线性二次调节器进行优化,输出实际的多微网群的控制量。
6.根据权利要求5所述的一种电动汽车参与微网群调频的改进鲁棒预测控制方法,其特征在于:
步骤5具体包括以下步骤:
步骤5.1:初始化多微网群对应的频率控制模型的状态变量,输入权重矩阵Qx、Qu、Ri、Hu、Hy、Rβ、Rα与初始状态反馈增益,k=0,k表示时刻;
Qx、Qu、Hu、Hy、Rβ、Rα分别代表状态变量x、输入量u、输出量y、输入松弛量、输出松弛量的权重矩阵,β、α为非负的优化标量,Ri表示状态变量x的系数矩阵,i表示子微电网的标号;
步骤5.2:开始执行循环,p=0,p为迭代计数标量;
步骤5.3:更新多微网群中各子微电网的状态变量信息并进行信息交换,为下一时刻的鲁棒模型预测控制器的计算提供数据;
步骤5.4:将状态变量和状态矩阵输入鲁棒模型预测控制器,求解步骤3的控制目标优化函数,得到动态状态反馈增益li;若步骤3的控制目标优化函数未求出可行解,则转入步骤5.6;
步骤5.5:根据动态状态反馈增益li计算得到下一时刻多微网群的输入控制量{Δu1,Δu2,...,ΔuN}和预测输出量{y1,y2,...,yN};
判断状态变量、输入控制量与输出量是否满足鲁棒模型预测控制器的约束条件,若存在约束条件不满足的情况,则转入步骤5.6,若满足约束条件则转入步骤5.7;
步骤5.6:将控制量与预测输出量输入到线性二次调节器进行输出约束松弛与控制量优化;
步骤5.7:判断动态状态反馈增益是否满足误差允许量|li (p)-li (p-1)|≤ε,li (p)与li (p-1)分别为迭代计数p次和p-1次的状态反馈增益,若是则转入步骤5.8,输出控制增量到实际多微网群进行控制,否则返回步骤5.3,p=p+1直到p=pmax,pmax为计数标量上限值,ε为允许的最大误差;
步骤5.8:k=k+1,执行步骤5.2到步骤5.7直到k=kmax,kmax为结束时刻。
7.一种电动汽车参与微网群调频的改进鲁棒预测控制系统,其特征在于:
所述系统包括:
建模模块,用于建立多微网群对应的频率控制模型;
第一构建模块,用于根据建模模块建立的频率控制模型的状态空间方程,构建鲁棒模型预测控制器;
控制目标优化函数模块,用于根据鲁棒模型预测控制器的控制目标函数和约束条件,得到鲁棒模型预测控制器的控制目标优化函数;
第二构建模块,用于针对第一构建模块构建的鲁棒模型预测控制器,构建线性二次调节器;
优化模块,用于利用鲁棒模型预测控制器求解鲁棒模型预测控制器的控制目标优化函数,得到多微网群的控制量,利用线性二次调节器对得到的多微网群的控制量进行优化,输出实际的多微网群的控制量;
建模模块中建立的多微网群对应的频率控制模型包括电动汽车、分布式储能、分布式风电、分布式光伏、燃气轮机以及负荷的频率控制模型;
所述频率控制模型组合搭建成子微电网,子微电网通过耦合环节互联组成多微网群;
第一构建模块中,根据建模模块建立的频率控制模型的状态空间方程构建鲁棒模型预测控制器,其控制目标函数为:
其中Qx、Qu分别代表状态变量x与输入量u的权重矩阵,均为正定阵;n为预测长度,k表示时刻,{x1,x2,...,xN}为状态变量,N为子微电网总数量,xi=[ΔfiΔPtiΔPMTiΔXMTiΔPEVi1ΔPEVi2]T,分别代表频率偏差、联络线功率变化量、燃气轮机功率变化量、燃料系统阀门位置变化量、第一电动汽车充电站功率变化量和第二电动汽车充电站功率变化量;i、j代表子微电网的标号;输入量ui=[ΔuMTiΔuEVi1ΔuEVi2]T,分别代表输入燃气轮机的控制量、输入第一电动汽车充电站的控制量、输入第二电动汽车充电站的控制量;
第二构建模块中,构建的线性二次调节器,用如下优化目标函数与约束条件表示:
其中:
n为预测长度,k表示时刻,y表示输出量,Hu、Hy、Rβ、Rα分别代表输入量、输出量、输入松弛量、输出松弛量的权重矩阵,β、α为非负的优化标量;ug、ysp分别表示输入和输出的优化目标,表示优化后的输出量;
ymax和ymin分别为输出量的上下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078696.1A CN112213945B (zh) | 2020-10-10 | 2020-10-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011078696.1A CN112213945B (zh) | 2020-10-10 | 2020-10-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213945A CN112213945A (zh) | 2021-01-12 |
CN112213945B true CN112213945B (zh) | 2023-01-20 |
Family
ID=74053434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011078696.1A Active CN112213945B (zh) | 2020-10-10 | 2020-10-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213945B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113258588A (zh) * | 2021-03-31 | 2021-08-13 | 武汉大学 | 一种考虑能量梯级利用的工业综合能源系统频率控制方法 |
CN114188955B (zh) * | 2021-12-01 | 2023-08-01 | 天津大学 | 基于自适应学习的互联微电网复合频率控制方法及装置 |
CN115065070B (zh) * | 2022-06-09 | 2023-11-21 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于鲁棒h∞控制的微电网频率控制方法 |
CN115333160A (zh) * | 2022-09-13 | 2022-11-11 | 国网福建省电力有限公司 | 一种基于风电机组和电动汽车的微电网鲁棒频率控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10156197B1 (en) * | 2017-06-16 | 2018-12-18 | GM Global Technology Operations LLC | Model predictive control systems and methods for increasing computational efficiency |
CN107887903B (zh) * | 2017-10-31 | 2020-12-04 | 深圳供电局有限公司 | 考虑元件频率特性的微电网鲁棒优化调度方法 |
CN109085755A (zh) * | 2018-08-14 | 2018-12-25 | 中国电力科学研究院有限公司 | 基于分布式模型预测控制的风电集群系统超前频率控制方法及系统 |
CN111200283B (zh) * | 2020-01-03 | 2022-04-01 | 上海电力大学 | 一种多微电网系统优化控制方法 |
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
- 2020-10-10 CN CN202011078696.1A patent/CN112213945B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112213945A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213945B (zh) | 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 | |
Hafiz et al. | Real-time stochastic optimization of energy storage management using deep learning-based forecasts for residential PV applications | |
CN111523249B (zh) | 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法 | |
Heidary et al. | Survey on microgrids frequency regulation: Modeling and control systems | |
Veerasamy et al. | Design of single-and multi-loop self-adaptive PID controller using heuristic based recurrent neural network for ALFC of hybrid power system | |
CN109034587B (zh) | 一种协调多种可控单元的主动配电系统优化调度方法 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
CN113241759A (zh) | 一种配电网与多微网鲁棒调度方法、电子设备及存储介质 | |
Jasmin et al. | A function approximation approach to reinforcement learning for solving unit commitment problem with photo voltaic sources | |
Alamaniotis | Synergism of deep neural network and elm for smart very-short-term load forecasting | |
Zhao et al. | A fast and optimal smart home energy management system: State-space approximate dynamic programming | |
Basu | An interactive fuzzy satisfying-based simulated annealing technique for economic emission load dispatch with nonsmooth fuel cost and emission level functions | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
Castaño et al. | Short-term hydrothermal scheduling with solar and wind farms using second-order cone optimization with chance-box constraints | |
CN114400713A (zh) | 综合能源系统区间优化调度方法 | |
Guo et al. | Robust optimal dispatch of power grid considering wind/pv power uncertainties | |
CN114091767A (zh) | 数据驱动的综合能源系统鲁棒随机规划的方法及系统 | |
Dolatabadi et al. | SFNAS-DDPG: A Biomass-based Energy Hub Dynamic Scheduling Approach via Connecting Supervised Federated Neural Architecture Search and Deep Deterministic Policy Gradient | |
Kanaan et al. | Optimal energy dispatch engine for PV-DG-ESS hybrid power plants considering battery degradation and carbon emissions | |
D’Amore et al. | Integrating model predictive control and deep learning for the management of an EV charging station | |
Yang et al. | Intelligent Forecasting System Using Grey Model Combined with Neural Network. | |
Singh et al. | Optimal design of fractional order PID controllers for solid oxide fuel cell system employing PSO algorithm | |
Chaer et al. | Teaching a Robot the optimal operation of an Electrical Energy System with high integration of renewable energies | |
Liang et al. | Multi-objective stochastic optimal day-ahead scheduling for micro-grid based on scenario and PSO | |
CN115459340B (zh) | 一种风光储混合系统的有功控制方法、系统及电子设备 |
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 |