CN112865174A - 基于双层模型预测控制的微能网多时间尺度优化控制方法 - Google Patents

基于双层模型预测控制的微能网多时间尺度优化控制方法 Download PDF

Info

Publication number
CN112865174A
CN112865174A CN202110016983.8A CN202110016983A CN112865174A CN 112865174 A CN112865174 A CN 112865174A CN 202110016983 A CN202110016983 A CN 202110016983A CN 112865174 A CN112865174 A CN 112865174A
Authority
CN
China
Prior art keywords
power
micro
gas
energy
energy storage
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
Application number
CN202110016983.8A
Other languages
English (en)
Other versions
CN112865174B (zh
Inventor
陈飞雄
林炜晖
邵振国
邓宏杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110016983.8A priority Critical patent/CN112865174B/zh
Publication of CN112865174A publication Critical patent/CN112865174A/zh
Application granted granted Critical
Publication of CN112865174B publication Critical patent/CN112865174B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Abstract

本发明涉及一种基于双层模型预测控制的微能网多时间尺度优化控制方法。所述微能网耦合电、热、气三种能源，并融入电转气和电池–超级电容器混合储能设备。针对风光出力和负荷需求等不确定因素导致的微能网系统优化控制结果可信度较低问题，提出了一种基于双层模型预测控制的多时间尺度优化控制方法，包含长时间尺度滚动优化的上层和短时间尺度实时滚动调整的下层。其中，上层以系统运行经济性最优为目标，结合分时电价和天然气价，通过多步滚动求解制定长时间尺度调度计划；下层以跟踪上层调度计划为目标，并引入超级电容器，应对风光和负荷的短时间尺度功率波动。该方法在保证微能网风光消纳能力的前提下，能够实现微能网经济安全运行。

Description

基于双层模型预测控制的微能网多时间尺度优化控制方法
技术领域
本发明涉及一种基于双层模型预测控制的微能网多时间尺度优化控制方法。
背景技术
微能网(Micro Energy Grid,MEG)作为能源互联网的重要组成部分，是实现多能互补，提高能源利用率和环境效益的有效技术手段之一。然而，微能网中可再生能源出力受自然因素影响较大，呈现出间歇性、波动性和随机性的特点，并且现有预测方法存在局限性，使得可再生能源出力和用户负荷需求的预测精度受限，这对微能网优化控制结果的准确度有一定的影响。因此，如何应对风光出力和负荷需求等不确定性因素对微能网优化控制结果造成的影响，保证微能网经济安全运行，是亟待解决的重要难题。
目前，针对微能网优化控制的研究主要采用日前单一时间尺度优化控制方法和基于模型预测控制(Model Predictive Control,MPC)的多时间尺度优化控制方法。其中，日前单一时间尺度优化控制方法能否准确规划出后一天的最优调度计划，大程度上取决于可再生能源出力和用户负荷需求等不确定性因素的预测精度。如果预测精度较低，则会造成微能网的实际运行情况与调度计划存在较大的差异，且难以实现微能网平稳地接入上游网络。已在工业控制领域得到广泛应用的模型预测控制方法可有效避免微能网优化控制对预测依赖性强、受环境因素影响大、实际的运行情况与日前调度计划存在较大差异的问题。但当前采用的基于MPC的多时间尺度优化控制方法通常是将日前调度与日内MPC滚动优化相结合，即在日内阶段，通过MPC滚动优化对日前调度计划进行修正。因此，滚动优化结果在一定程度上依赖于日前调度计划的准确度。
在含有不确定性因素的微能网系统中，以上两种优化控制方法都存在过度依赖预测精度和调度计划可信度低的不足。
发明内容
本发明的目的在于针对含电转气和电池–超级电容器混合储能的电–热–气联供型微能网，提供一种基于双层模型预测控制的微能网多时间尺度优化控制方法，该方法在保证微能网风光消纳能力的前提下，能够有效应对不确定性因素对系统优化控制的影响，实现微能网经济安全运行。
为实现上述目的，本发明的技术方案是：一种基于双层模型预测控制的微能网多时间尺度优化控制方法，包括如下步骤：
建立含电转气和电池–超级电容器混合储能的电热气联供型微能网模型；
建立基于双层模型预测控制的多时间尺度优化控制方法；
通过基于双层模型预测控制的多时间尺度优化控制方法，在保证微能网风光消纳能力的前提下，应对不确定性对微能网优化控制的影响，实现微能网经济安全运行。
在本发明一实施例中，所述电热气联供型微能网模型包括：
热电联供系统：
热电联供系统的能源转换模型描述如下：
Figure BDA0002887719270000021
式中：ηge、ηgh、ηrec分别为微型燃气轮机发电效率、微型燃气轮机制热效率和余热回收锅炉废热回收效率；
Figure BDA0002887719270000022
为t时段微型燃气轮机的输出电功率，
Figure BDA0002887719270000023
为经余热回收锅炉后微型燃气轮机制热功率，
Figure BDA0002887719270000024
为t时段微型燃气轮机消耗的气功率；
电转气设备：
电转气设备的能源转换模型描述如下：
Figure BDA0002887719270000025
式中：
Figure BDA0002887719270000026
为P2G设备的输入功率；ηP2G为电转气设备的转换效率；
Figure BDA0002887719270000027
为t时段P2G设备输出的天然气功率；
燃气锅炉和电锅炉：
燃气锅炉和电锅炉的能源转换模型描述如下式：
Figure BDA0002887719270000028
式中：
Figure BDA0002887719270000029
和
Figure BDA00028877192700000210
分别为t时段燃气锅炉消耗的气功率和产生的热功率；
Figure BDA00028877192700000211
和
Figure BDA00028877192700000212
分别为t时段电锅炉消耗的电功率和产生的热功率；ηGB和ηEB分别为燃气锅炉和电锅炉的能源转换效率；
储能设备：
储能设备的能源转换模型描述如下式：
Figure BDA00028877192700000213
式中：Sk(t)、Pk(t)分别表示t时段储能设备k的储能占比和充放能功率，这里的储能占比即储能设备剩余容量占额定容量的比例；Ek表示储能设备k的额定容量；Δt为单位调度时间；
Figure BDA0002887719270000031
和
Figure BDA0002887719270000032
分别表示储能设备k的充、放能效率；下标k取e、h和g分别表示电、热和气。
在本发明一实施例中，所述基于双层模型预测控制的多时间尺度优化控制方法包括上层的基于MPC的长时间尺度滚动优化层和下层的基于MPC的短时间尺度实时滚动调整层；其中，
基于MPC的长时间尺度滚动优化层：
采样时刻为tu∈{1,…,Tu}，预测时域为Tu，调度周期为TN，控制时间间隔为Δtu；在tu时刻，基于未来Tu个控制间隔内风光出力和电/热/气负荷需求的预测数据，综合考虑能源转换设备的技术特性、储能设备的容量和使用寿命及分时电价和天然气价，以最小化系统运行成本为目标，通过多步滚动优化求解获得预测时域内微能网调度计划，并下发第一个控制间隔内的调度计划值至下层作为参考值；
基于MPC的短时间尺度实时滚动调整层：
采样时刻为tl∈{1,…,Tl}，预测时域为Tl，调度周期为TS，控制时间间隔为Δtl；在tl时刻，下层遵照上层调度计划和储能设备充放电状态，基于下层预测时域内风光出力和负荷需求的超短期预测值，对上层调度计划值进行修正，降低风光出力和负荷需求预测误差对优化结果精准性的影响，并调度超级电容器出力，平抑风光出力的负荷需求的功率波动导致的联络线电功率和电池出力波动；在时间Δtu之后，下层将更新后的状态变量反馈至上层，上层开始进行下一个调度；如此重复完成上述过程，直至完成调度周期所有时段调度计划的生成。
在本发明一实施例中，所述基于MPC的长时间尺度滚动优化层具体优化模型如下：
目标函数：
上层滚动优化过程中，优化目标为预测时域内微能网运行成本最低；目标函数描述如下：
Figure BDA0002887719270000033
式中：tu为上层滚动优化的起始时刻；
Figure BDA0002887719270000034
为微能网与电网交互费用；
Figure BDA0002887719270000035
为购买天然气费用；
Figure BDA0002887719270000036
为系统设备维护成本；
Figure BDA0002887719270000037
为电池退化成本；
Figure BDA0002887719270000038
为弃风弃光惩罚成本；
①微能网与电网交互费用
Figure BDA0002887719270000039
式中：ce(tu)为购售电价格，
Figure BDA00028877192700000310
联络线电功率；
②微能网购气成本
Figure BDA00028877192700000311
式中：cg(tu)为天然气价格，
Figure BDA0002887719270000041
联络线气功率；
③设备维护成本
Figure BDA0002887719270000042
式中：RPV、RWT、RMT、RGB、REB、RP2G、RB、RH、RG分别为风机、光伏、微型燃气轮机、燃气锅炉、电锅炉、电转气设备、电池、储热装置、储气装置的单位功率维护成本；
Figure BDA0002887719270000043
Figure BDA0002887719270000044
分别表示风机、光伏、微型燃气轮机、燃气锅炉、电锅炉、电转气设备、电池、储热装置、储气装置的输出功率；
④电池退化成本
Figure BDA0002887719270000045
式中：CB为电池置换成本，EBA为电池额定容量，ηBc、ηBd为电池充放电效率，dB为电池放电深度，LB(dB)为电池循环寿命曲线表达式，a、b、c为曲线拟合系数；
⑤弃风弃光惩罚成本
Figure BDA0002887719270000046
式中：ωAB为弃风弃光单位成本；
Figure BDA0002887719270000047
为弃风弃光功率；
约束条件：
①系统功率平衡约束
对于电、气、热耦合系统，功率平衡公式具体为：
Figure BDA0002887719270000048
Figure BDA0002887719270000049
Figure BDA00028877192700000410
式中：
Figure BDA00028877192700000411
分别表示电、热、气负荷需求功率；
②与大电网交互功率约束
微能网与大电网的交互功率需维持在一定范围内：
Figure BDA00028877192700000412
式中，
Figure BDA00028877192700000413
分别表示微能网与大电网、天然气网交互功率的上、下限；
③弃风弃光约束
Figure BDA0002887719270000051
④可控机组约束
可控机组在运行时需要满足运行功率约束和爬坡约束：
Figure BDA0002887719270000052
Figure BDA0002887719270000053
式中，
Figure BDA0002887719270000054
分别为微型燃气轮机、燃气锅炉和电锅炉的出力上下限；
Figure BDA0002887719270000055
分别为微型燃气轮机、燃气锅炉和电锅炉爬坡速率的上下限；
⑤电转气设备约束
电转气设备主要受其额定功率的约束：
Figure BDA0002887719270000056
式中，
Figure BDA0002887719270000057
为P2G设备的额定功率；
⑥储能设备约束
储能设备运行受剩余容量和最大充放能功率约束；由于同一时刻储能设备只能进行充能或放能，因此，引入0/1布尔变量用于表示储能设备充放能状态；储能设备约束如下：
Figure BDA0002887719270000058
式中：
Figure BDA0002887719270000059
和
Figure BDA00028877192700000510
分别表示储能设备k的储能占比上下限，
Figure BDA00028877192700000511
分别表示储能设备k的充、放能功率限值；
Figure BDA00028877192700000512
为储能设备的充放能状态变量，充能状态时
Figure BDA00028877192700000513
为1，放能状态时
Figure BDA00028877192700000514
为1；在上层优化模型中，当k取e时，表示电池储能。
在本发明一实施例中，所述基于MPC的短时间尺度实时滚动调整层具体优化模型如下：
目标函数：
下层以功率修正的惩罚成本和超级电容器在下层预测时域终端保持在最佳储能占比而引起的惩罚成本最小为目标；由于超级电容器的允许循环次数远大于电池，故不计超级电容器的退化成本和维护成本；目标函数如下：
Figure BDA0002887719270000061
式中：
Figure BDA0002887719270000062
和
Figure BDA0002887719270000063
分别表示功率修正的惩罚成本和在下层预测时域终端超级电容器保持最佳储能占比而引起的惩罚成本；
①功率修正惩罚成本
Figure BDA0002887719270000064
式中：i表示设备，μi l表示设备i进行功率修正的惩罚因子，Pi u(tu)和Pi l(tl)分别表示设备i的参考值和修正值；
②预测终端超级电容器惩罚成本
Figure BDA0002887719270000065
式中：
Figure BDA0002887719270000066
表示tl时刻超级电容器的储能占比；
Figure BDA0002887719270000067
表示超级电容器最佳储能占比；
约束条件：
下层关于微能网功率平衡约束，能源转换设备约束、储能设备约束以及弃风弃光值约束与上层相同；下层在功率平衡式中需增加超级电容器出力项；描述如下：
Figure BDA0002887719270000068
式中：
Figure BDA0002887719270000069
和
Figure BDA00028877192700000610
分别表示超级电容器储能占比上下限，
Figure BDA00028877192700000611
分别表示超级电容器的充、放电功率限值；
Figure BDA00028877192700000612
为超级电容器的充放电状态变量，充电状态
Figure BDA00028877192700000613
为1，放电状态
Figure BDA00028877192700000614
为1。
相较于现有技术，本发明具有以下有益效果：本发明针对含电转气和电池–超级电容器混合储能的电–热–气联供型微能网提出了一种基于双层模型预测控制的多时间尺度优化控制方法。在长时间尺度滚动优化层，基于系统状态和预测信息，结合分时电价和天然气价，通过滚动优化思想得到每小时调度计划，实现了系统经济运行。在短时间尺度实时滚动优化层，进行时间尺度细分，削减不确定性因素对优化调度的影响，通过实时滚动调整对长时间尺度计划进行修正，并实现了对上次滚动计划值的跟踪。同时模型中融入超级电容器，利用超级电容器能够频繁快速响应功率波动的特性，应对系统风光出力和用户负荷需求波动给系统带来的负面影响。该方法可以有效解决由于日前优化调度结果粗放导致的微能网优化控制方法与理想偏差较大的问题，在预测不确定性环境下具有较强的鲁棒性。
附图说明
图1为本发明微能网系统结构图。
图2为本发明双层优化框架。
图3为本发明微能网双层优化控制算法流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于双层模型预测控制的微能网多时间尺度优化控制方法，包括如下步骤：
建立含电转气和电池–超级电容器混合储能的电热气联供型微能网模型；
建立基于双层模型预测控制的多时间尺度优化控制方法；
通过基于双层模型预测控制的多时间尺度优化控制方法，在保证微能网风光消纳能力的前提下，应对不确定性对微能网优化控制的影响，实现微能网经济安全运行。
以下为本发明的具体实现过程。
本发明一种基于双层模型预测控制的微能网多时间尺度优化控制方法，实现如下：
(1)建立含电转气和电池–超级电容器混合储能的电热气联供型微能网模型；
(2)针对风光出力和负荷需求等不确定性因素导致的系统优化控制结果可信度较低问题，提出基于双层模型预测控制的多时间尺度优化控制方法；
(3)采用(2)优化控制方法，在保证微能网风光消纳能力的前提下，能够有效应对不确定性对微能网优化控制的影响，实现微能网经济安全运行。
1、微能网系统结构
本发明构建的微能网主要包含了光伏发电、风机发电、热电联供系统、电转气设备、燃气锅炉、电锅炉、电池–超级电容器混合储能装置、储热装置和储气装置，结构如图1所示。
2、微能网系统模型
(1)热电联供系统
热电联供系统能够将供热和供电二者有机结合，实现对能源的梯级利用。典型的热电联供系统包含微型燃气轮机、余热回收锅炉两个部分。热电联供系统的能源转换模型描述如下：
Figure BDA0002887719270000081
式中：ηge、ηgh、ηrec分别为微型燃气轮机发电效率、微型燃气轮机制热效率和余热回收锅炉废热回收效率；
Figure BDA0002887719270000082
为t时段微型燃气轮机的输出电功率，
Figure BDA0002887719270000083
为经余热回收锅炉后微型燃气轮机制热功率，
Figure BDA0002887719270000084
为t时段微型燃气轮机消耗的气功率；
(2)电转气设备：
电转气通过将电能转换为天然气，加深电气耦合程度；电转气设备的能源转换模型描述如下：
Figure BDA0002887719270000085
式中：
Figure BDA0002887719270000086
为P2G设备的输入功率；ηP2G为电转气设备的转换效率；
Figure BDA0002887719270000087
为t时段P2G设备输出的天然气功率；
(3)燃气锅炉和电锅炉：
燃气锅炉和电锅炉分别消耗天然气和电能供热，是电热气联供系统中常见耦合单元，其能源转换模型燃描述如下式：
Figure BDA0002887719270000088
式中：
Figure BDA0002887719270000089
和
Figure BDA00028877192700000810
分别为t时段燃气锅炉消耗的气功率和产生的热功率；
Figure BDA00028877192700000811
和
Figure BDA00028877192700000812
分别为t时段电锅炉消耗的电功率和产生的热功率；ηGB和ηEB分别为燃气锅炉和电锅炉的能源转换效率；
(4)储能设备：
储能设备是微能网的重要组成部分之一，能够实现能量跨时间转移，从而协调微能网能源功率的平衡，储能设备的能源转换模型描述如下式：
Figure BDA00028877192700000813
式中：Sk(t)、Pk(t)分别表示t时段储能设备k的储能占比和充放能功率，这里的储能占比即储能设备剩余容量占额定容量的比例；Ek表示储能设备k的额定容量；Δt为单位调度时间；
Figure BDA00028877192700000814
和
Figure BDA00028877192700000815
分别表示储能设备k的充、放能效率；下标k取e、h和g分别表示电、热和气。
3、微能网双层优化控制框架
依据不同控制目标，本发明所构建的优化框架包括长时间尺度滚动优化的上层和短时间尺度实时滚动调整的下层。双层优化控制框架如图2所示。
图中：上层为基于MPC的长时间尺度滚动优化层，采样时刻为tu∈{1,…,Tu}，预测时域为Tu，调度周期为TN，控制时间间隔为Δtu。在tu时刻，基于未来Tu个控制间隔内风光出力和电/热/气负荷需求的预测数据，综合考虑能源转换设备的技术特性、储能设备的容量和使用寿命及分时电价和天然气价，以最小化系统运行成本为目标，通过多步滚动优化求解获得预测时域内微能网调度计划，并下发第一个控制间隔内的调度计划值至下层作为参考值。
下层为基于MPC的短时间尺度实时滚动调整层，采样时刻为tl∈{1,…,Tl}，预测时域为Tl，调度周期为TS，控制时间间隔为Δtl。在tl时刻，下层遵照上层调度计划和储能设备充放电状态，基于下层预测时域内风光出力和负荷需求的超短期预测值，对上层调度计划值进行修正，降低风光出力和负荷需求预测误差对优化结果精准性的影响，并调度超级电容器出力，平抑风光出力的负荷需求的功率波动导致的联络线电功率和电池出力波动。在时间Δtu之后，下层将更新后的状态变量反馈至上层，上层开始进行下一个调度。如此重复完成上述过程，直至完成调度周期所有时段调度计划的生成。
4、微能网上层优化控制模型
(1)目标函数：
上层滚动优化过程中，优化目标为预测时域内微能网运行成本最低；目标函数描述如下：
Figure BDA0002887719270000091
式中：tu为上层滚动优化的起始时刻；
Figure BDA0002887719270000092
为微能网与电网交互费用；
Figure BDA0002887719270000093
为购买天然气费用；
Figure BDA0002887719270000094
为系统设备维护成本；
Figure BDA0002887719270000095
为电池退化成本；
Figure BDA0002887719270000096
为弃风弃光惩罚成本；
①微能网与电网交互费用
Figure BDA0002887719270000097
式中：ce(tu)为购售电价格，
Figure BDA0002887719270000098
联络线电功率；
②微能网购气成本
Figure BDA0002887719270000099
式中：cg(tu)为天然气价格，
Figure BDA00028877192700000910
联络线气功率；
③设备维护成本
Figure BDA0002887719270000101
式中：RPV、RWT、RMT、RGB、REB、RP2G、RB、RH、RG分别为风机、光伏、微型燃气轮机、燃气锅炉、电锅炉、电转气设备、电池、储热装置、储气装置的单位功率维护成本；
Figure BDA0002887719270000102
Figure BDA0002887719270000103
分别表示风机、光伏、微型燃气轮机、燃气锅炉、电锅炉、电转气设备、电池、储热装置、储气装置的输出功率；
④电池退化成本
Figure BDA0002887719270000104
式中：CB为电池置换成本，EBA为电池额定容量，ηBc、ηBd为电池充放电效率，dB为电池放电深度，LB(dB)为电池循环寿命曲线表达式，a、b、c为曲线拟合系数，这里取a＝4980、b＝1.98、c＝0.016；
⑤弃风弃光惩罚成本
Figure BDA0002887719270000105
式中：ωAB为弃风弃光单位成本；
Figure BDA0002887719270000106
为弃风弃光功率；
(2)约束条件：
本发明构建的微能网系统包括电/热/气三种负荷需求，因此系统要同时满足这三种负荷的平衡约束。同时，本发明还计及系统各单元的出力限制以及相应的储能约束。
①系统功率平衡约束
对于电、气、热耦合系统，功率平衡公式具体为：
Figure BDA0002887719270000107
Figure BDA0002887719270000108
Figure BDA0002887719270000109
式中：
Figure BDA00028877192700001010
分别表示电、热、气负荷需求功率；
②与大电网交互功率约束
微能网与大电网的交互功率需维持在一定范围内：
Figure BDA00028877192700001011
式中，
Figure BDA0002887719270000111
分别表示微能网与大电网、天然气网交互功率的上、下限；
③弃风弃光约束
Figure BDA0002887719270000112
④可控机组约束
可控机组在运行时需要满足运行功率约束和爬坡约束：
Figure BDA0002887719270000113
Figure BDA0002887719270000114
式中，
Figure BDA0002887719270000115
分别为微型燃气轮机、燃气锅炉和电锅炉的出力上下限；
Figure BDA0002887719270000116
分别为微型燃气轮机、燃气锅炉和电锅炉爬坡速率的上下限；
⑤电转气设备约束
电转气设备主要受其额定功率的约束：
Figure BDA0002887719270000117
式中，
Figure BDA0002887719270000118
为P2G设备的额定功率；
⑥储能设备约束
储能设备运行受剩余容量和最大充放能功率约束；由于同一时刻储能设备只能进行充能或放能，因此，引入0/1布尔变量用于表示储能设备充放能状态；储能设备约束如下：
Figure BDA0002887719270000119
式中：
Figure BDA00028877192700001110
和
Figure BDA00028877192700001111
分别表示储能设备k的储能占比上下限，
Figure BDA00028877192700001112
分别表示储能设备k的充、放能功率限值；
Figure BDA00028877192700001113
为储能设备的充放能状态变量，充能状态时
Figure BDA00028877192700001114
为1，放能状态时
Figure BDA00028877192700001115
为1；值得注意的是，在上层优化模型中，当k取e时，表示电池储能。
5、微能网下层优化控制模型
(1)目标函数：
下层以功率修正的惩罚成本和超级电容器在下层预测时域终端保持在最佳储能占比而引起的惩罚成本最小为目标。值得注意的是，最佳储能占比是指为了最大化储能设备平抑下一时刻功率波动的能力而设定的储能占比值，此外，由于超级电容器的允许循环次数远大于电池，故本发明不计超级电容器的退化成本和维护成本。目标函数如下：
Figure BDA0002887719270000121
式中：
Figure BDA0002887719270000122
和
Figure BDA0002887719270000123
分别表示功率修正的惩罚成本和在下层预测时域终端超级电容器保持最佳储能占比而引起的惩罚成本；
①功率修正惩罚成本
Figure BDA0002887719270000124
式中：i表示设备，μi l表示设备i进行功率修正的惩罚因子，Pi u(tu)和Pi l(tl)分别表示设备i的参考值和修正值；
②预测终端超级电容器惩罚成本
Figure BDA0002887719270000125
式中：
Figure BDA0002887719270000126
表示tl时刻超级电容器的储能占比；
Figure BDA0002887719270000127
表示超级电容器最佳储能占比；
约束条件：
下层关于微能网功率平衡约束，能源转换设备约束、储能设备约束以及弃风弃光值约束与上层相同。值得注意的是，下层在功率平衡式中需增加超级电容器出力项。本发明引入超级电容器有关约束，描述如下：
Figure BDA0002887719270000128
式中：
Figure BDA0002887719270000129
和
Figure BDA00028877192700001210
分别表示超级电容器储能占比上下限，
Figure BDA00028877192700001211
分别表示超级电容器的充、放电功率限值；
Figure BDA00028877192700001212
为超级电容器的充放电状态变量，充电状态
Figure BDA00028877192700001213
为1，放电状态
Figure BDA00028877192700001214
为1。
本发明微能网双层优化控制算法流程图如图3所示。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于双层模型预测控制的微能网多时间尺度优化控制方法，其特征在于，包括如下步骤：
建立含电转气和电池–超级电容器混合储能的电热气联供型微能网模型；
建立基于双层模型预测控制的多时间尺度优化控制方法；
通过基于双层模型预测控制的多时间尺度优化控制方法，在保证微能网风光消纳能力的前提下，应对不确定性因素对微能网优化控制的影响，实现微能网经济安全运行。
2.根据权利要求1所述的基于双层模型预测控制的微能网多时间尺度优化控制方法，其特征在于，所述电热气联供型微能网模型包括：
热电联供系统：
热电联供系统的能源转换模型描述如下：
Figure FDA0002887719260000011
式中：ηge、ηgh、ηrec分别为微型燃气轮机发电效率、微型燃气轮机制热效率和余热回收锅炉废热回收效率；
Figure FDA0002887719260000012
为t时段微型燃气轮机的输出电功率，
Figure FDA0002887719260000013
为经余热回收锅炉后微型燃气轮机制热功率，
Figure FDA0002887719260000014
为t时段微型燃气轮机消耗的气功率；
电转气设备：
电转气设备的能源转换模型描述如下：
Figure FDA0002887719260000015
式中：
Figure FDA0002887719260000016
为P2G设备的输入功率；ηP2G为电转气设备的转换效率；
Figure FDA0002887719260000017
为t时段P2G设备输出的天然气功率；
燃气锅炉和电锅炉：
燃气锅炉和电锅炉的能源转换模型描述如下式：
Figure FDA0002887719260000018
式中：
Figure FDA0002887719260000019
和
Figure FDA00028877192600000110
分别为t时段燃气锅炉消耗的气功率和产生的热功率；
Figure FDA00028877192600000111
和
Figure FDA00028877192600000112
分别为t时段电锅炉消耗的电功率和产生的热功率；ηGB和ηEB分别为燃气锅炉和电锅炉的能源转换效率；
储能设备：
储能设备的能源转换模型描述如下式：
Figure FDA0002887719260000021
式中：Sk(t)、Pk(t)分别表示t时段储能设备k的储能占比和充放能功率，这里的储能占比即储能设备剩余容量占额定容量的比例；Ek表示储能设备k的额定容量；Δt为单位调度时间；
Figure FDA0002887719260000022
和
Figure FDA0002887719260000023
分别表示储能设备k的充、放能效率；下标k取e、h和g分别表示电、热和气。
3.根据权利要求1所述的基于双层模型预测控制的微能网多时间尺度优化控制方法，其特征在于，所述基于双层模型预测控制的多时间尺度优化控制方法包括上层的基于MPC的长时间尺度滚动优化层和下层的基于MPC的短时间尺度实时滚动调整层；其中，
基于MPC的长时间尺度滚动优化层：
采样时刻为tu∈{1,…,Tu}，预测时域为Tu，调度周期为TN，控制时间间隔为Δtu；在tu时刻，基于未来Tu个控制间隔内风光出力和电/热/气负荷需求的预测数据，综合考虑能源转换设备的技术特性、储能设备的容量和使用寿命及分时电价和天然气价，以最小化系统运行成本为目标，通过多步滚动优化求解获得预测时域内微能网调度计划，并下发第一个控制间隔内的调度计划值至下层作为参考值；
基于MPC的短时间尺度实时滚动调整层：
采样时刻为tl∈{1,…,Tl}，预测时域为Tl，调度周期为TS，控制时间间隔为Δtl；在tl时刻，下层遵照上层调度计划和储能设备充放电状态，基于下层预测时域内风光出力和负荷需求的超短期预测值，对上层调度计划值进行修正，降低风光出力和负荷需求预测误差对优化结果精准性的影响，并调度超级电容器出力，平抑风光出力的负荷需求的功率波动导致的联络线电功率和电池出力波动；在时间Δtu之后，下层将更新后的状态变量反馈至上层，上层开始进行下一个调度；如此重复完成上述过程，直至完成调度周期所有时段调度计划的生成。
4.根据权利要求3所述的基于双层模型预测控制的微能网多时间尺度优化控制方法，其特征在于，所述基于MPC的长时间尺度滚动优化层具体优化模型如下：
目标函数：
上层滚动优化过程中，优化目标为预测时域内微能网运行成本最低；目标函数描述如下：
Figure FDA0002887719260000024
式中：tu为上层滚动优化的起始时刻；
Figure FDA0002887719260000025
为微能网与电网交互费用；
Figure FDA0002887719260000026
为购买天然气费用；
Figure FDA0002887719260000031
为系统设备维护成本；
Figure FDA0002887719260000032
为电池退化成本；
Figure FDA0002887719260000033
为弃风弃光惩罚成本；
①微能网与电网交互费用
Figure FDA0002887719260000034
式中：ce(tu)为购售电价格，
Figure FDA0002887719260000035
联络线电功率；
②微能网购气成本
Figure FDA0002887719260000036
式中：cg(tu)为天然气价格，
Figure FDA0002887719260000037
联络线气功率；
③设备维护成本
Figure FDA0002887719260000038
式中：RPV、RWT、RMT、RGB、REB、RP2G、RB、RH、RG分别为风机、光伏、微型燃气轮机、燃气锅炉、电锅炉、电转气设备、电池、储热装置、储气装置的单位功率维护成本；
Figure FDA0002887719260000039
Figure FDA00028877192600000310
分别表示风机、光伏、微型燃气轮机、燃气锅炉、电锅炉、电转气设备、电池、储热装置、储气装置的输出功率；
④电池退化成本
Figure FDA00028877192600000311
式中：CB为电池置换成本，EBA为电池额定容量，ηBc、ηBd为电池充放电效率，dB为电池放电深度，LB(dB)为电池循环寿命曲线表达式，a、b、c为曲线拟合系数；
⑤弃风弃光惩罚成本
Figure FDA00028877192600000312
式中：ωAB为弃风弃光单位成本；
Figure FDA00028877192600000313
为弃风弃光功率；
约束条件：
①系统功率平衡约束
对于电、气、热耦合系统，功率平衡公式具体为：
Figure FDA00028877192600000314
Figure FDA00028877192600000315
Figure FDA0002887719260000041
式中：
Figure FDA0002887719260000042
分别表示电、热、气负荷需求功率；
②与大电网交互功率约束
微能网与大电网的交互功率需维持在预定范围内：
Figure FDA0002887719260000043
式中，
Figure FDA0002887719260000044
分别表示微能网与大电网、天然气网交互功率的上、下限；
③弃风弃光约束
Figure FDA0002887719260000045
④可控机组约束
可控机组在运行时需要满足运行功率约束和爬坡约束：
Figure FDA0002887719260000046
Figure FDA0002887719260000047
式中，
Figure FDA0002887719260000048
分别为微型燃气轮机、燃气锅炉和电锅炉的出力上下限；
Figure FDA0002887719260000049
分别为微型燃气轮机、燃气锅炉和电锅炉爬坡速率的上下限；
⑤电转气设备约束
电转气设备主要受其额定功率的约束：
Figure FDA00028877192600000410
式中，
Figure FDA00028877192600000411
为P2G设备的额定功率；
⑥储能设备约束
储能设备运行受剩余容量和最大充放能功率约束；由于同一时刻储能设备只能进行充能或放能，因此，引入0/1布尔变量用于表示储能设备充放能状态；储能设备约束如下：
Figure FDA0002887719260000051
式中：
Figure FDA0002887719260000052
和
Figure FDA0002887719260000053
分别表示储能设备k的储能占比上下限，
Figure FDA0002887719260000054
分别表示储能设备k的充、放能功率限值；
Figure FDA0002887719260000055
为储能设备的充放能状态变量，充能状态时
Figure FDA0002887719260000056
为1，放能状态时
Figure FDA0002887719260000057
为1；在上层优化模型中，当k取e时，表示电池储能。
5.根据权利要求4所述的基于双层模型预测控制的微能网多时间尺度优化控制方法，其特征在于，所述基于MPC的短时间尺度实时滚动调整层具体优化模型如下：
目标函数：
下层以功率修正的惩罚成本和超级电容器在下层预测时域终端保持在最佳储能占比而引起的惩罚成本最小为目标；由于超级电容器的允许循环次数远大于电池，故不计超级电容器的退化成本和维护成本；目标函数如下：
Figure FDA0002887719260000058
式中：
Figure FDA0002887719260000059
和
Figure FDA00028877192600000510
分别表示功率修正的惩罚成本和在下层预测时域终端超级电容器保持最佳储能占比而引起的惩罚成本；
①功率修正惩罚成本
Figure FDA00028877192600000511
式中：i表示设备，
Figure FDA00028877192600000512
表示设备i进行功率修正的惩罚因子，
Figure FDA00028877192600000513
和
Figure FDA00028877192600000514
分别表示设备i的参考值和修正值；
②预测终端超级电容器惩罚成本
Figure FDA00028877192600000515
式中：
Figure FDA00028877192600000516
表示tl时刻超级电容器的储能占比；
Figure FDA00028877192600000517
表示超级电容器最佳储能占比；
约束条件：
下层关于微能网功率平衡约束，能源转换设备约束、储能设备约束以及弃风弃光值约束与上层相同；下层在功率平衡式中需增加超级电容器出力项；描述如下：
Figure FDA0002887719260000061
式中：
Figure FDA0002887719260000062
和
Figure FDA0002887719260000063
分别表示超级电容器储能占比上下限，
Figure FDA0002887719260000064
分别表示超级电容器的充、放电功率限值；
Figure FDA0002887719260000065
为超级电容器的充放电状态变量，充电状态
Figure FDA0002887719260000066
为1，放电状态
Figure FDA0002887719260000067
为1。
CN202110016983.8A 2021-01-07 2021-01-07 基于双层模型预测控制的微能网多时间尺度优化控制方法 Active CN112865174B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110016983.8A CN112865174B (zh) 2021-01-07 2021-01-07 基于双层模型预测控制的微能网多时间尺度优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110016983.8A CN112865174B (zh) 2021-01-07 2021-01-07 基于双层模型预测控制的微能网多时间尺度优化控制方法

Publications (2)

Publication Number Publication Date
CN112865174A true CN112865174A (zh) 2021-05-28
CN112865174B CN112865174B (zh) 2022-06-07

Family

ID=76004632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110016983.8A Active CN112865174B (zh) 2021-01-07 2021-01-07 基于双层模型预测控制的微能网多时间尺度优化控制方法

Country Status (1)

Country Link
CN (1) CN112865174B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609778A (zh) * 2021-08-11 2021-11-05 山东大学 一种综合能源系统多目标优化方法及系统
CN113783226A (zh) * 2021-08-27 2021-12-10 中国科学院广州能源研究所 一种海上风电制氢并网发电系统的分层预测能量管理方法
CN114172180A (zh) * 2021-11-25 2022-03-11 国网福建省电力有限公司电力科学研究院 考虑退化成本的电池储能参与调峰双层滚动优化控制方法
CN114498639A (zh) * 2022-04-15 2022-05-13 国网湖北省电力有限公司经济技术研究院 一种考虑需求响应的多微电网联合互济的日前调度方法
CN116054241A (zh) * 2022-12-13 2023-05-02 广东工业大学 一种新能源微电网群系统鲁棒能量管理方法
CN116488223A (zh) * 2023-06-26 2023-07-25 湖南大学 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181895A (zh) * 2014-08-28 2014-12-03 国家电网公司 适应新能源接入的短期与超短期协调滚动调度优化策略
CN108964087A (zh) * 2018-07-23 2018-12-07 国网甘肃省电力公司风电技术中心 基于双层模型预测结构的多区域协同联合调频控制方法
CN109088442A (zh) * 2018-10-29 2018-12-25 国网山东省电力公司日照供电公司 多时间尺度下考虑多种储能的微能源网优化调度模型
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
US20200033933A1 (en) * 2015-06-30 2020-01-30 China Electric Power Research Institute Company Limited Active power distribution network multi-time scale coordinated optimization scheduling method and storage medium

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181895A (zh) * 2014-08-28 2014-12-03 国家电网公司 适应新能源接入的短期与超短期协调滚动调度优化策略
US20200033933A1 (en) * 2015-06-30 2020-01-30 China Electric Power Research Institute Company Limited Active power distribution network multi-time scale coordinated optimization scheduling method and storage medium
CN108964087A (zh) * 2018-07-23 2018-12-07 国网甘肃省电力公司风电技术中心 基于双层模型预测结构的多区域协同联合调频控制方法
CN109088442A (zh) * 2018-10-29 2018-12-25 国网山东省电力公司日照供电公司 多时间尺度下考虑多种储能的微能源网优化调度模型
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕振华 等: ""区域综合能源系统双层多目标模糊优化模型预测控制方法"", 《电力建设》 *
董雷 等: ""基于模型预测控制的主动配电网多时间尺度动态优化调度"", 《中国电机工程学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113609778A (zh) * 2021-08-11 2021-11-05 山东大学 一种综合能源系统多目标优化方法及系统
CN113609778B (zh) * 2021-08-11 2023-08-22 山东大学 一种综合能源系统多目标优化方法及系统
CN113783226A (zh) * 2021-08-27 2021-12-10 中国科学院广州能源研究所 一种海上风电制氢并网发电系统的分层预测能量管理方法
CN113783226B (zh) * 2021-08-27 2023-07-25 中国科学院广州能源研究所 一种海上风电制氢并网发电系统的分层预测能量管理方法
CN114172180A (zh) * 2021-11-25 2022-03-11 国网福建省电力有限公司电力科学研究院 考虑退化成本的电池储能参与调峰双层滚动优化控制方法
CN114172180B (zh) * 2021-11-25 2024-04-05 国网福建省电力有限公司电力科学研究院 考虑退化成本的电池储能参与调峰双层滚动优化控制方法
CN114498639A (zh) * 2022-04-15 2022-05-13 国网湖北省电力有限公司经济技术研究院 一种考虑需求响应的多微电网联合互济的日前调度方法
CN114498639B (zh) * 2022-04-15 2022-06-24 国网湖北省电力有限公司经济技术研究院 一种考虑需求响应的多微电网联合互济的日前调度方法
CN116054241A (zh) * 2022-12-13 2023-05-02 广东工业大学 一种新能源微电网群系统鲁棒能量管理方法
CN116054241B (zh) * 2022-12-13 2023-09-15 广东工业大学 一种新能源微电网群系统鲁棒能量管理方法
CN116488223A (zh) * 2023-06-26 2023-07-25 湖南大学 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质

Also Published As

Publication number Publication date
CN112865174B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN112865174B (zh) 基于双层模型预测控制的微能网多时间尺度优化控制方法
CN107895971B (zh) 基于随机规划和模型预测控制的区域能源互联网调度方法
WO2022100091A1 (zh) 一种广义源储系统调度的集中控制方法
CN111293691A (zh) 基于模型预测控制的微电网多时间尺度优化调度方法
CN111969593B (zh) 基于混合储能的热电联供微网模型预测控制优化调度方法
CN112990523B (zh) 区域综合能源系统分层优化运行方法
CN113408962A (zh) 一种电网多时间尺度多目标能量优化调度方法
CN113659627A (zh) 一种含光伏发电和液态空气储能的微电网优化调度方法
Xiao et al. A multi‐energy complementary coordinated dispatch method for integrated system of wind‐photovoltaic‐hydro‐thermal‐energy storage
Song et al. A fuzzy‐based multi‐objective robust optimization model for a regional hybrid energy system considering uncertainty
CN117436773B (zh) 一种含可中断负荷的独立微网资源规划方法和系统
CN114676991A (zh) 基于源荷双侧不确定的多能互补系统优化调度方法
Roy et al. Economic dispatch for grid-connected wind power with battery-supercapacitor hybrid energy storage system
CN114037337A (zh) 一种基于模型预测控制的微能源网优化调度方法及系统
CN117350419A (zh) 计及柔性负荷和碳流的园区综合能源系统优化运行方法
Zhang et al. Coordinated voltage control of active distribution networks with photovoltaic and power to hydrogen
CN117081143A (zh) 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
CN115907393A (zh) 一种含长时储能虚拟电厂的多时间尺度调度方法
CN115081838A (zh) 基于动态电价的蓄热式电采暖消纳风光的源荷协调调度方法
Yu et al. A Two-stage Model Predictive Control Strategy for Economical Operation of Microgrid
Kazari et al. Predictive Utilization of Energy Storage for Wind Power Fluctuation Mitigation
Lu et al. Optimization of Multi-source Complementary Heating System Based on Model Predictive Control
Fu et al. Multi-time Scale Low-Carbon Economic Dispatch of Power System Considering the Time-Shift Characteristics of Energy Consumption of Carbon Capture Power Plant
Yin et al. Multi-timescale Optimal Scheduling of Integrated Energy Systems Based on Wind/Light to Hydrogen

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