CN114037337A - 一种基于模型预测控制的微能源网优化调度方法及系统 - Google Patents

一种基于模型预测控制的微能源网优化调度方法及系统 Download PDF

Info

Publication number
CN114037337A
CN114037337A CN202111395832.4A CN202111395832A CN114037337A CN 114037337 A CN114037337 A CN 114037337A CN 202111395832 A CN202111395832 A CN 202111395832A CN 114037337 A CN114037337 A CN 114037337A
Authority
CN
China
Prior art keywords
time
energy storage
energy
power
real
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
CN202111395832.4A
Other languages
English (en)
Other versions
CN114037337B (zh
Inventor
杨波
黄旭锐
于丰源
潘军
徐钦
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111395832.4A priority Critical patent/CN114037337B/zh
Publication of CN114037337A publication Critical patent/CN114037337A/zh
Application granted granted Critical
Publication of CN114037337B publication Critical patent/CN114037337B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于模型预测控制的微能源网优化调度方法及系统。所述方法包括：对八位一体微能源网中各种设备进行建模，生成各设备的数学模型；在日前时间尺度下，采用各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到日前调度计划；在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随日前调度计划和平滑调度为目标，得到实时调度计划；根据实时调度计划对八位一体微能源网中的各种设备进行实时调度。本发明通过使用模型预测控制方法，实时再调度结果一方面跟踪日前计划，保证了实时调度的经济性；另一方面大大降低了冷热电负荷和可再生能源出力的不确定性对微能源网的影响，具有强鲁棒性。

Description

一种基于模型预测控制的微能源网优化调度方法及系统
技术领域
本发明涉及微能源网优化调度技术领域，特别是涉及一种基于模型预测控制的微能源网优化调度方法及系统。
背景技术
微能源网是一种微型综合能源系统，是微电网在“能源互联网”背景下的自然延伸。微能源网包括冷热电等不同形式能源的生产、传输、储存、转换和利用环节，其通过能源枢纽连接电网、天然气管网、供热管网和其他能源网络，满足终端用户的冷热电多元负荷需求。在因地制宜、充分利用可再生能源的同时，实现多能互补和协调运行，最终达到环境友好和可持续发展的目的。
有效的优化调度方法决定了微能源网的能量管理质量和系统的整体性能，常见的优化时间尺度分为日前和实时两个尺度。日前优化是在前一日预测未来一日各时段的可再生能源出力和负荷数据，并据此在满足未来一日负荷需求的情况下，根据一定的经济准则来安排第二天各时段各电源的发电计划。可再生能源出力的间歇性与波动性给微能源的优化调度带来了挑战，如何处理不确定性成为微能源网日前优化调度中的一个难题。现有的处理方法大致分为基于场景的随机优化和鲁棒优化，前者需要不确定因素的准确概率分布，以给出统计最优解，后者需要在预定义的不确定性集合中优化实际中很少出现的最坏情况，使得优化策略过于保守。此外，目前大多研究单一时间尺度下微能源网的日前优化调度方法，未考虑可再生能源出力不确定性引起的预测误差，按照日前预测进行决策的结果在系统的实际运行中是次优的，甚至是不可行的。因此，微能源网的能源管理需要较短时间尺度的预测和调度结果，多时间尺度的组合可以使微能源网的能源管理更加准确和实用。
两阶段优化调度方法极大地提高了可再生能源的利用率，但这种开环控制方法，没有反馈机制来修正优化控制过程。模型预测控制作为一种现代控制理论方法，在工程实践中得到了广泛应用，滚动优化和反馈校正的思想能够更好地解决不确定性问题，同时具有很强的鲁棒性。然而现有基于模型预测控制方法的研究大多针对微电网或结构简单的微能源网，微能源网中涉及的能量形式以及能量产生、转换、传输、储存和利用的各个环节没有得到充分考虑。
冷热电负荷和可再生能源发电的强随机性对微能源网优化调度的不确定性分析与优化提出了更高的要求。单一时间尺度下的日前优化方法已难以满足现阶段及未来微电网优化调度的要求，主要表现在：
1)单一时间尺度下微能源网的日前优化调度，未考虑可再生能源产出不确定性引起的预测误差，按照日前预测进行决策的结果在系统的实际运行中是次优的，甚至是不可行的；
2)现有针对日前时间尺度下不确定性的处理方法需要不确定因素的准确概率分布，以给出统计最优解，或者需要在预定义的不确定性集合中优化实际中很少出现的最坏情况，这使得其优化策略过于保守，运用于实际效果较差。
为了克服单一时间尺度得到的调度结果所存在的误差，目前采用多时间尺度的组合方法，最主要的是日前-实时两阶段调度方法。两阶段方法能够在一定程度上减少不确定性的影响，但在微能源网优化调度中仍面临如下挑战：
1)两阶段优化调度方法极大地提高了可再生能源的利用率，但这种开环控制方法，没有反馈机制来修正优化控制过程；
2)现有研究的微能源网系统内部能源种类单一，设备类型较少，难以满足复杂性日益增长的微能源网的实际需求。
发明内容
针对上述单一时间尺度和两阶段调度方法存在的缺陷与难点，本发明提出一种基于模型预测控制的微能源网优化调度方法，该方法在日前-实时两阶段优化方法的基础上，在实时时间尺度下不断进行预测模型-滚动优化-反馈校正的过程，最终得到实时调度结果，能够满足复杂性日益增长的微能源网的实际要求。
为实现上述目的，本发明提供了如下方案：
一种基于模型预测控制的微能源网优化调度方法，包括：
对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型；所述八位一体微能源网为包括风、光、岩、磁、燃、热、储、荷典型设备的微能源网；所述各种设备包括能量生产设备、能量存储设备和能量转换设备；所述能量生产设备包括分布式光伏机组、分布式风电机组、太阳能集热器、固体氧化物燃料电池；所述能量存储设备包括电储能和基岩储能；所述能量转换设备包括高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机；
在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划；
在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划；
根据所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度。
可选地，所述对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型，具体包括：
对所述分布式光伏机组进行建模，生成所述分布式光伏机组的数学模型
Figure BDA0003370303030000031
其中
Figure BDA0003370303030000032
为t时刻光伏阵列输出功率；fPV为降额系数；N为光伏电池板的数量；PRPV为单个光伏板额定功率；It为t时刻的实际光照强度；ISTC为标准测试条件下光照强度；TSTC为标准测试温度；
Figure BDA0003370303030000033
为t时刻光伏板表面温度；
对所述分布式风电机组进行建模，生成所述分布式风电机组的数学模型
Figure BDA0003370303030000034
其中
Figure BDA0003370303030000035
为t时刻风机输出功率；vt为t时刻的风速；vin和vout分别为风机的切入和切出风速；vr为风机的额定风速；PRWT为风机的额定输出功率；
对所述太阳能集热器进行建模，生成所述太阳能集热器的数学模型Qu＝ApI(τα)e-APUL(Tp-Ta)；其中Qu为单位时间内太阳能集热器得到的有效能量；Ap和Tp分别为太阳能集热器吸热板面积和平均温度；I为太阳辐照度；τ和α分别表示有效透过率和吸收率，e表示无量纲；UL为总热损系数；Ta为环境温度；
对所述固体氧化物燃料电池进行建模，生成所述固体氧化物燃料电池的数学模型
Figure BDA0003370303030000041
和
Figure BDA0003370303030000042
其中PSOFC和HSOFC分别表示固体氧化物燃料电池输出的电功率和热功率；ηh为固体氧化物燃料电池可逆热力学效率；ηv和ηg分别为电压效率和燃料利用率；
Figure BDA0003370303030000043
和FSOFC分别天然气低热值和单位时间天然气消耗量；
对所述电储能进行建模，生成所述电储能的数学模型
Figure BDA0003370303030000044
其中
Figure BDA0003370303030000045
表示电储能荷电状态；σe是电储能自放电率；
Figure BDA0003370303030000046
和
Figure BDA0003370303030000047
分别为充电功率和充电效率；
Figure BDA0003370303030000048
和
Figure BDA0003370303030000049
分别为放电功率和放电效率；EEES为电储能容量；
对所述基岩储能进行建模，生成所述基岩储能的数学模型
Figure BDA00033703030300000410
其中
Figure BDA00033703030300000411
表示基岩储能荷电状态；σh是基岩储能自放热率；
Figure BDA00033703030300000412
和
Figure BDA00033703030300000413
分别为充热功率和充热效率；
Figure BDA00033703030300000414
和
Figure BDA00033703030300000415
分别为放热功率和放热效率；QBES为基岩储能容量；
对所述能量转换设备进行建模，生成所述能量转换设备的数学模型
Figure BDA00033703030300000416
其中
Figure BDA00033703030300000417
和
Figure BDA00033703030300000418
分别为能量转换设备i在t时刻的输入功率和输出功率，ηi为能量转换设备i的转换效率。
可选地，所述满足约束条件，具体包括：
同时满足系统约束、设备输出功率约束、电储能元件约束、基岩储能元件约束以及电动汽车约束。
可选地，所述以优化周期内总成本最低为目标，具体包括：
使周期内总成本
Figure BDA0003370303030000051
最低；其中C表示周期内总成本；T表示日前优化调度的周期；N表示能量转换设备的数量；λi和
Figure BDA0003370303030000052
分别表示能量转换设备i单位出力维护成本和在t时段的输出功率；
Figure BDA0003370303030000053
和
Figure BDA0003370303030000054
分别表示电储能和热储能在时段t的充放电和充放热成本；
Figure BDA0003370303030000055
表示柴油发电机在时段t的发电成本；
Figure BDA0003370303030000056
表示在时段t与大电网的购售电成本；
Figure BDA0003370303030000057
表示购买天然气成本；
Figure BDA0003370303030000058
表示电动汽车充放电成本。
可选地，所述以跟随所述日前调度计划和平滑调度为目标，具体包括：
满足实时优化调度的目标函数
Figure BDA0003370303030000059
其中t为当前时刻；Ts为实时滚动优化周期；Ns为可调度设备的数量；
Figure BDA00033703030300000510
为实时可调度设备决策；
Figure BDA00033703030300000511
为日前调度计划的参考值；Werr和Wu为系数矩阵；
Figure BDA00033703030300000512
为可调度设备出力相对于上一时段的增量。
一种基于模型预测控制的微能源网优化调度系统，包括：
微能源网设备建模模块，用于对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型；所述八位一体微能源网为包括风、光、岩、磁、燃、热、储、荷典型设备的微能源网；所述各种设备包括能量生产设备、能量存储设备和能量转换设备；所述能量生产设备包括分布式光伏机组、分布式风电机组、太阳能集热器、固体氧化物燃料电池；所述能量存储设备包括电储能和基岩储能；所述能量转换设备包括高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机；
日前优化模块，用于在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划；
实时优化模块，用于在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划；
微能源网设备调度模块，用于根据所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度。
可选地，所述微能源网设备建模模块具体包括：
分布式光伏机组建模单元，用于对所述分布式光伏机组进行建模，生成所述分布式光伏机组的数学模型
Figure BDA0003370303030000061
其中
Figure BDA0003370303030000062
为t时刻光伏阵列输出功率；fPV为降额系数；N为光伏电池板的数量；PRPV为单个光伏板额定功率；It为t时刻的实际光照强度；ISTC为标准测试条件下光照强度；TSTC为标准测试温度；
Figure BDA0003370303030000063
为t时刻光伏板表面温度；
分布式风电机组建模单元，用于对所述分布式风电机组进行建模，生成所述分布式风电机组的数学模型
Figure BDA0003370303030000064
其中
Figure BDA0003370303030000065
为t时刻风机输出功率；vt为t时刻的风速；vin和vout分别为风机的切入和切出风速；vr为风机的额定风速；PRWT为风机的额定输出功率；
太阳能集热器建模单元，用于对所述太阳能集热器进行建模，生成所述太阳能集热器的数学模型Qu＝ApI(τα)e-APUL(Tp-Ta)；其中Qu为单位时间内太阳能集热器得到的有效能量；Ap和Tp分别为太阳能集热器吸热板面积和平均温度；I为太阳辐照度；τ和α分别表示有效透过率和吸收率，e表示无量纲；UL为总热损系数；Ta为环境温度；
固体氧化物燃料电池建模单元，用于对所述固体氧化物燃料电池进行建模，生成所述固体氧化物燃料电池的数学模型
Figure BDA0003370303030000066
和
Figure BDA0003370303030000067
其中PSOFC和HSOFC分别表示固体氧化物燃料电池输出的电功率和热功率；ηh为固体氧化物燃料电池可逆热力学效率；ηv和ηg分别为电压效率和燃料利用率；
Figure BDA0003370303030000068
和FSOFC分别天然气低热值和单位时间天然气消耗量；
电储能建模单元，用于对所述电储能进行建模，生成所述电储能的数学模型
Figure BDA0003370303030000071
其中
Figure BDA0003370303030000072
表示电储能荷电状态；σe是电储能自放电率；
Figure BDA0003370303030000073
和
Figure BDA0003370303030000074
分别为充电功率和充电效率；
Figure BDA0003370303030000075
和
Figure BDA0003370303030000076
分别为放电功率和放电效率；EEES为电储能容量；
基岩储能建模单元，用于对所述基岩储能进行建模，生成所述基岩储能的数学模型
Figure BDA0003370303030000077
其中
Figure BDA0003370303030000078
表示基岩储能荷电状态；σh是基岩储能自放热率；
Figure BDA0003370303030000079
和
Figure BDA00033703030300000710
分别为充热功率和充热效率；
Figure BDA00033703030300000711
和
Figure BDA00033703030300000712
分别为放热功率和放热效率；QBES为基岩储能容量；
能量转换设备建模单元，用于对所述能量转换设备进行建模，生成所述能量转换设备的数学模型
Figure BDA00033703030300000713
其中
Figure BDA00033703030300000714
和
Figure BDA00033703030300000715
分别为能量转换设备i在t时刻的输入功率和输出功率，ηi为能量转换设备i的转换效率。
可选地，所述日前优化模块和所述实时优化模块均包括：
约束条件限制单元，用于限制所述八位一体微能源网中的各种设备同时满足系统约束、设备输出功率约束、电储能元件约束、基岩储能元件约束以及电动汽车约束。
可选地，所述日前优化模块具体包括：
经济性最优单元，用于使周期内总成本
Figure BDA00033703030300000716
最低；其中C表示周期内总成本；T表示日前优化调度的周期；N表示能量转换设备的数量；λi和
Figure BDA00033703030300000717
分别表示能量转换设备i单位出力维护成本和在t时段的输出功率；
Figure BDA00033703030300000718
和
Figure BDA00033703030300000719
分别表示电储能和热储能在时段t的充放电和充放热成本；
Figure BDA00033703030300000720
表示柴油发电机在时段t的发电成本；
Figure BDA00033703030300000721
表示在时段t与大电网的购售电成本；
Figure BDA00033703030300000722
表示购买天然气成本；
Figure BDA00033703030300000723
表示电动汽车充放电成本。
可选地，所述实时优化模块具体包括：
目标函数最小单元，用于使所述八位一体微能源网中的各种设备满足实时优化调度的目标函数
Figure BDA0003370303030000081
其中t为当前时刻；Ts为实时滚动优化周期；Ns为可调度设备的数量；
Figure BDA0003370303030000082
为实时可调度设备决策；
Figure BDA0003370303030000083
为日前调度计划的参考值；Werr和Wu为系数矩阵；
Figure BDA0003370303030000084
为可调度设备出力相对于上一时段的增量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于模型预测控制的微能源网优化调度方法及系统，所述方法包括：对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型；在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划；在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划；根据所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度。本发明通过使用模型预测控制方法，实时再调度结果一方面跟踪日前计划，保证了实时调度的经济性；另一方面大大降低了冷热电负荷和可再生能源出力的不确定性对微能源网的影响，具有强鲁棒性。
本发明运用模型预测控制方法对含风、光、岩、磁、燃、热、储、荷“八位一体”的微能源网进行日前—实时两阶段优化调度，“八位一体”的微能源网系统中包含能量生产设备(包括分布式光伏/风电机组/柴油发电机/太阳能集热系统/固体氧化物燃料电池)、能量存储设备(包括电储能/基岩储能)、能量转换设备(包括高温水罐/电热泵/溴化锂制冷机/磁悬浮制冷机)，其中日前优化以经济性最优为目标得到日前调度计划，实时优化过程中每15min重新预测未来1h内的冷热电负荷和可再生能源出力，以与日前计划偏差最小和调度结果平滑性最优为目标，经过预测模型、滚动优化和反馈校正三个步骤，最终得到实时调度结果，能够满足复杂性日益增长的微能源网的实际要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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他的附图。
图1为本发明一种基于模型预测控制的微能源网优化调度方法的流程图；
图2为本发明一种基于模型预测控制的微能源网优化调度方法的原理示意图；
图3为本发明实施例提供的八位一体微能源网示意图；
图4为本发明实施例提供的实时优化流程示意图；
图5为本发明一种基于模型预测控制的微能源网优化调度系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
本发明的目的是提供一种基于模型预测控制的微能源网优化调度方法，该方法在日前-实时两阶段优化方法的基础上，在实时时间尺度下不断进行预测模型-滚动优化-反馈校正的过程，最终得到24h完整的实时调度结果，能够满足复杂性日益增长的微能源网的实际要求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种基于模型预测控制的微能源网优化调度方法的流程图；图2为本发明一种基于模型预测控制的微能源网优化调度方法的原理示意图。如图1和图2所示，本发明本发明一种基于模型预测控制的微能源网优化调度方法包括：
步骤101：对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型。
首先，对微能源网内部的各个设备建立数学模型。所述八位一体微能源网为包括风、光、岩、磁、燃、热、储、荷典型设备的微能源网。所述各种设备包括能量生产设备、能量存储设备和能量转换设备。所述能量生产设备包括分布式光伏机组、分布式风电机组、太阳能集热器、固体氧化物燃料电池。所述能量存储设备包括电储能和基岩储能。所述能量转换设备包括高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机。
图3为本发明实施例提供的八位一体微能源网示意图。参见图3，本发明“八位一体”微能源网即含“风、光、岩、磁、燃、热、储、荷”典型设备的微能源网，八种设备分别对应分布式风电机组、分布式光伏机组、基岩储能、磁悬浮制冷机、固体氧化物燃料电池、太阳能集热系统、电储能和电动汽车。
微能源网涉及的能量生产设备有分布式光伏、风电机组、柴油发电机、太阳能集热系统和固体氧化物燃料电池；能量存储设备有电储能和基岩储能；能量转换设备有中高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机；用户的负荷需求有电、热、冷负荷和电动汽车。
微能源网示意图中各个设备具体建模方法如下。
1.1.能量生产设备
1.1.1)分布式光伏机组
光伏发电系统的输出功率主要受光照强度、环境温度及自身物理参数等影响，可表示为：
Figure BDA0003370303030000101
其中，
Figure BDA0003370303030000102
为t时刻光伏阵列输出功率；fPV为降额系数，用于描述光伏板因老化、灰尘、损耗等引起的功率下降，一般可取0.9；N为光伏电池板的数量；It为t时刻的实际光照强度；ISTC为标准测试条件下光照强度；PRPV为单个光伏板额定功率；TSTC为标准测试温度，取25℃；
Figure BDA0003370303030000103
为t时刻光伏板表面温度，可表示为：
Figure BDA0003370303030000104
其中，
Figure BDA0003370303030000111
为t时刻周围环境温度；vt为t时刻风速。在本发明中，参数的上标或下标t均表示t时段或t时刻该参数的值，后文将不再赘述。
1.1.2)分布式风电机组
并网型风力发电机的输出功率可以表示为风速的函数：
Figure BDA0003370303030000112
其中
Figure BDA0003370303030000113
为t时刻风机输出功率；vt为t时刻的风速，vin和vout分别为风机的切入和切出风速；vr为风机的额定风速，PRWT为风机的额定输出功率。
1.1.3)太阳能集热器
太阳能集热器是一种将太阳的辐射能转换为热能的设备，利用涂层将平行分散的阳光聚焦，达到集热的目的。根据能量守恒定律，单位时间内集热器得到的有效能量Qu等于集热器吸收的太阳辐射能量S减去集热器向周围环境散失的能量Ql：
Qu＝S-Ql (4)
S和Ql与太阳辐射度、集热器吸热板参数和环境温度等因素有关，有效能量Qu可表示为：
Qu＝ApI(τα)e-APUL(Tp-Ta) (5)
Ap和Tp分别为集热器吸热板面积和平均温度；I为太阳辐照度；UL为总热损系数；Ta为环境温度；τ和α分别表示有效透过率和吸收率，e表示无量纲，即(τα)e表示有效透过率和吸收率的乘积，且括号里的量无量纲。
以真空管集热器为例，总热损系数为真空管热损系数和保温盒热损系数之和。
UL＝Ut+Ub (6)
Figure BDA0003370303030000121
Ub＝Kb-a (8)
式中，Ut和Ub分别为真空管热损系数和保温盒热损系数；Kp-g和Kg-a分别为吸热板和玻璃管传热系数、玻璃管与周围环境传热系数；Kb-a表示保温盒热损系数，由隔热材料的导热系数、厚度和保温盒表面积等因素决定。
1.1.4)固体氧化物燃料电池
固体氧化物燃料电池(Solid Oxide Fuel Cell，SOFC)是一种直接将燃料气和氧化气中的化学能转换成电能的全固态能量转换装置，具有一般燃料电池的结构。输入燃料为天然气，其输出的电功率和和热功率由如下式子给出：
Figure BDA0003370303030000122
Figure BDA0003370303030000123
式中，PSOFC和HSOFC分别表示SOFC输出的电功率和热功率；ηh为燃料电池可逆热力学效率，是单位燃料的吉布斯自由能与燃料所含热量比值；
Figure BDA0003370303030000124
和FSOFC分别天然气低热值和单位时间天然气消耗量。实际效率显然比可逆热力学效率低，主要原因是燃料电池反应过程存在电压损耗和燃料利用损耗，因此输出的电功率和热功率可以更新为：
Figure BDA0003370303030000125
Figure BDA0003370303030000126
式中，ηv和ηg分别为电压效率和燃料利用率。
1.2.能量存储设备
1.2.1)电储能
电储能SOC(state of charge，荷电状态)可以表示为：
Figure BDA0003370303030000127
式中，
Figure BDA0003370303030000131
和
Figure BDA0003370303030000132
别表示t时刻和t-1时刻的电储能荷电状态；σe是电储能自放电率；
Figure BDA0003370303030000133
和
Figure BDA0003370303030000134
分别为充电功率和充电效率，
Figure BDA0003370303030000135
和
Figure BDA0003370303030000136
分别为放电功率和放电效率；EEES为储能电池容量。
1.2.2)基岩储能
基岩储能是利用在地下的基岩上打孔，将热量存储在基岩中，待需要时再将热量放出，能量转换过程损耗较少，转换效率高。类比电储能SOC公式，基岩储能SOC可以表示为：
Figure BDA0003370303030000137
式中，
Figure BDA0003370303030000138
和
Figure BDA0003370303030000139
分别表示t时刻和t-1时刻的基岩储能荷电状态；σh是基岩储能自放热率；
Figure BDA00033703030300001310
和
Figure BDA00033703030300001311
分别为充热功率和充热效率，
Figure BDA00033703030300001312
和
Figure BDA00033703030300001313
分别为放热功率和放热效率；QBES为基岩储能容量。
1.3.能量转换设备
能量转换设备包括高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机，转换流程为：燃料电池和太阳能集热系统的热能通过高温水罐使得热水温度达到溴化锂机组利用要求，制冷供应冷用户。未能用于制冷的热水优先进入低温水罐，输出达到规定温度的热水满足热水用户需求；若热水仍有富余，则进入基岩储能系统存储；若热水尚不能满足用户需求，则用基岩储能系统中存储的热量进行补供。当仍然无法满足的冷热负荷需求时，由电热泵和磁悬浮制冷机供应。
能量转换设备可以用统一的模型表示：
Figure BDA00033703030300001314
式中，
Figure BDA00033703030300001315
和
Figure BDA00033703030300001316
分别为能量转换设备i在t时刻的输入功率和输出功率，ηi为能量转换设备i的转换效率。
1.4.用户负荷需求
用户负荷包括电、热、冷负荷和电动汽车，其中电热冷负荷由预测得到。电动汽车是微能源网的重要组成部分，在系统削峰填谷、需求侧响应以及减少化石能源消耗、缓解气候变化等方面起着重要作用。考虑电动汽车与微能源网的能源交互作用，一旦接入，微能源网将电动汽车看作一种特殊的移动储能装置，充放电功率、充放电时间受微能源网的调度控制。
考虑用户出行习惯和用电需求差异，各电动汽车参数不尽相同。对于任意一辆电动汽车，其相关参数可以用矩阵
Figure BDA0003370303030000141
表示，其中
Figure BDA0003370303030000142
和
Figure BDA0003370303030000143
分别表示电动汽车离开和接入微能源网的时间，
Figure BDA0003370303030000144
和
Figure BDA0003370303030000145
分别表示电动汽车离开和接入时的荷电状态，可用蒙特卡罗法得到：
Figure BDA0003370303030000146
Figure BDA0003370303030000147
式(16-17)表示离开和接入时荷电状态满足正态分布，
Figure BDA0003370303030000148
和
Figure BDA0003370303030000149
分别表示离开和接入时电动汽车群的平均值，σ和
Figure BDA00033703030300001410
分别表示离开和接入时电动汽车群的标准差。x表示正态分布函数的横坐标，
Figure BDA00033703030300001411
和
Figure BDA00033703030300001412
表示离开和接入时所有电动汽车荷电状态满足的分布规律，在此分布中随机抽样，得到离开和接入时荷电状态的具体值。
在电动汽车从接入电网到离开电网的时间段内，荷电状态可以类比储能表示：
Figure BDA00033703030300001413
式中，
Figure BDA00033703030300001414
和
Figure BDA00033703030300001415
分别表示t时刻和t-1时刻电动汽车荷电状态；σev是电动汽车自放电率；
Figure BDA00033703030300001416
和
Figure BDA00033703030300001417
分别为充电功率和充电效率，
Figure BDA00033703030300001418
和
Figure BDA00033703030300001419
分别为放电功率和放电效率；EEV为电动汽车电池容量。
步骤102：在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划。
日前优化调度是确保微能源网安全经济运行的重要环节，日前优化调度周期为24h，时间尺度为1h。在得到第二天可再生能源出力与冷热电负荷24h预测序列的基础上，运用步骤101建立的设备模型，在满足冷热电功率平衡、设备爬坡、安全等约束的同时，以优化周期内总成本最低为目标，得到第二天微能源网的调度方案。
总成本包括储能、储热、电动汽车充放电成本、能量转换设备维护成本、柴油发电机发电成本、与大电网交互购售电成本和购买天然气费用。微能源网的优化调度方案包括对电能侧、热能侧和耦合设备的出力进行调度，电能侧调度对象为电储能和电动汽车充放电功率、柴油发电机发电功率和固体氧化物燃料电池发电功率；热能侧调度对象为基岩储能充放热功率；耦合设备调度对象为电热泵、磁悬浮制冷机、溴化锂制冷机的冷热功率。日前优化调度结果(日前调度计划)作为实时优化调度的参照，对实时优化调度起指导作用。
目标函数和约束条件介绍如下。
2.1.目标函数
日前优化调度的目标函数为经济性最优。经济性指优化周期总成本最低，包括储能成本
Figure BDA0003370303030000151
储热成本
Figure BDA0003370303030000152
电动汽车充放电成本CEV、能量转换设备维护成本、柴油发电机发电成本
Figure BDA0003370303030000153
与大电网交互购售电成本
Figure BDA0003370303030000154
和购买天然气费用
Figure BDA0003370303030000155
经济成本C可以表示为：
Figure BDA0003370303030000156
其中，
Figure BDA0003370303030000161
式中，C表示周期内总成本；T表示日前优化调度的周期；N表示能量转换设备的数量；λi和
Figure BDA0003370303030000162
分别表示能量转换设备i单位出力维护成本和在t时段的输出功率；
Figure BDA0003370303030000163
和
Figure BDA0003370303030000164
分别表示电储能和热储能在时段t的充放电和充放热成本；
Figure BDA0003370303030000165
表示柴油发电机在时段t的发电成本；
Figure BDA0003370303030000166
表示在时段t与大电网的购售电成本；
Figure BDA0003370303030000167
表示时段t购买天然气成本；
Figure BDA0003370303030000168
表示时段t电动汽车充放电成本。KEES、KBES和KEV分别为电储能、热储能和EV(electric vehicle，电动汽车)单位充放电和单位充放热成本。a、b、c为柴油发电机的燃料成本系数；
Figure BDA0003370303030000169
表示柴油发电机在时段t的出力。
Figure BDA00033703030300001610
表示在时段t与大电网的交换功率，其中，
Figure BDA00033703030300001611
表示从大电网买电，反之表示向大电网卖电；
Figure BDA00033703030300001612
和
Figure BDA00033703030300001613
分别为时段t的购售电价。ht为时段t的天然气价格。m表示电动汽车数量，
Figure BDA00033703030300001614
和
Figure BDA00033703030300001615
分别表示时段t电动汽车j的充电功率和放电功率，
Figure BDA00033703030300001616
和
Figure BDA00033703030300001617
分别表示电动汽车j的充电效率和放电效率。
2.2.约束条件
2.2.1)系统约束
Figure BDA00033703030300001618
Figure BDA00033703030300001619
Figure BDA00033703030300001620
Figure BDA00033703030300001621
其中，式(21)是微能源网与外部电网联络线功率约束，式(22)-(24)分别是电负荷、热负荷和冷负荷功率守恒。
Figure BDA0003370303030000171
是微能源网与大电网联络线允许交换的最大功率；
Figure BDA0003370303030000172
为燃料电池输出电功率；
Figure BDA0003370303030000173
和
Figure BDA0003370303030000174
分别为磁悬浮高效制冷机和电热泵的输入电功率；
Figure BDA0003370303030000175
和
Figure BDA0003370303030000176
分别为光伏和风机出力。
Figure BDA0003370303030000177
Figure BDA0003370303030000178
和
Figure BDA0003370303030000179
分别表示电热泵的输出热功率、太阳能集电系统的输出热功率和溴化锂制冷机组的输入热功率。
Figure BDA00033703030300001710
和
Figure BDA00033703030300001711
分别为磁悬浮高效制冷机和溴化锂制冷机的输出冷功率；
Figure BDA00033703030300001712
和
Figure BDA00033703030300001713
分别为电负荷、热负荷和冷负荷。
2.2.2)设备输出功率约束
Figure BDA00033703030300001714
Figure BDA00033703030300001715
Figure BDA00033703030300001716
Figure BDA00033703030300001717
Figure BDA00033703030300001718
其中，式(25-29)分别是柴油发电机输出电功率、燃料电池输出电功率、电热泵输出热功率、离心式冷水机组输出冷功率、吸收式制冷机输出冷功率的功率约束。
Figure BDA00033703030300001719
分别是柴油发电机输出电功率、燃料电池输出电功率、电热泵输出热功率、离心式冷水机组输出冷功率、吸收式制冷机输出冷功率的最大值。由于燃料电池输出的电功率和热功率相关，输出电功率满足约束时，输出的热功率自动满足约束。
2.2.3)电储能元件约束
Figure BDA00033703030300001720
Figure BDA00033703030300001721
Figure BDA00033703030300001722
Figure BDA00033703030300001723
其中，式(30)是储能电池充放电状态约束，式(31)和(32)分别是储能电池充放电功率的上下限约束，式(33)是储能电池的容量约束。
Figure BDA00033703030300001724
和
Figure BDA00033703030300001725
表示储能电池充放电状态的二进制变量，
Figure BDA0003370303030000181
表示当前时刻t储能电池充电，反之
Figure BDA0003370303030000182
表示当前时刻t储能电池未充电，
Figure BDA0003370303030000183
同理。
Figure BDA0003370303030000184
和
Figure BDA0003370303030000185
分别表示储能电池的最小、最大充电功率；
Figure BDA0003370303030000186
和
Figure BDA0003370303030000187
分别表示储能电池的最小、最大放电功率；
Figure BDA0003370303030000188
和
Figure BDA0003370303030000189
分别为电储能元件(储能电池)的最小、最大荷电状态。
Figure BDA00033703030300001810
表示储能电池当前时刻t的荷电状态。
2.2.4)基岩储能元件约束
Figure BDA00033703030300001811
Figure BDA00033703030300001812
Figure BDA00033703030300001813
Figure BDA00033703030300001814
其中，式(34)是基岩储能充放热状态约束，式(35)和(36)分别是基岩储能充放热功率的上下限约束，式(37)是基岩储能的容量约束，参数意义同电储能。本发明中参数的相同上标或下标均表示相同的含义，参数含义可互相推导得到，在此不再赘述。
例如，
Figure BDA00033703030300001815
和
Figure BDA00033703030300001816
表示基岩储能元件充放电状态的二进制变量，
Figure BDA00033703030300001817
表示当前时刻t基岩储能元件充电，反之，
Figure BDA00033703030300001818
表示当前时刻t基岩储能元件未充电；
Figure BDA00033703030300001819
表示当前时刻t基岩储能元件放电，反之，
Figure BDA00033703030300001820
表示当前时刻t基岩储能元件未放电。
Figure BDA00033703030300001821
和
Figure BDA00033703030300001822
分别表示基岩储能元件的最小、最大充电功率；
Figure BDA00033703030300001823
和
Figure BDA00033703030300001824
分别表示基岩储能元件的最小、最大放电功率；
Figure BDA00033703030300001825
和
Figure BDA00033703030300001826
分别为基岩储能元件的最小、最大荷电状态；
Figure BDA00033703030300001827
表示基岩储能元件当前时刻t的荷电状态。
2.2.5)电动汽车约束
Figure BDA00033703030300001828
Figure BDA00033703030300001829
Figure BDA00033703030300001830
Figure BDA0003370303030000191
式(38-41)含义同储能约束。电动汽车还应有如下约束：
Figure BDA0003370303030000192
Figure BDA0003370303030000193
Figure BDA0003370303030000194
式中，
Figure BDA0003370303030000195
和
Figure BDA0003370303030000196
分别表示电动汽车充转放和放转充的状态转换变量，为二进制变量，式(42)表示同一时段内不能既由充电转放电又由放电转充电；式(43)表示某一时段的充放电转换状态值与相邻时段放电状态有关；tc和td分别为电动汽车接入电网和离开电网的时段，NEV为给定整数，用于约束EV接入微能源网后充放电次数。
所述步骤102在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划。该日前调度计划以经济成本为目标，各设备满足设备约束的情况下，根据设备模型求出的各设备出力，具体是以小时为尺度的日前调度方案，包括柴油发电机电功率PDG、固体氧化物燃料电池电功率PSOFC、电储能元件充放电功率Pch和Pdis、电动汽车充放电功率Ech和Edis、与大电网交互功率Pgrid、磁悬浮制冷机耗电功率PMLBR、电热泵耗电功率PEHP；电热泵热功率HEHP、固体氧化物燃料电池热功率HSOFC、基岩储能充放热功率Hch和Hdis、溴化锂制冷机耗热功率HLBR；磁悬浮制冷机冷功率FMLER、溴化锂制冷机冷功率FLBR。
步骤103：在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划。
实时优化调度面临的问题是可再生能源出力和冷热电负荷的不确定性，实时预测较之日前预测更加精准，日前调度计划存在误差，无法匹配实时系统状态，需要在日前计划的基础上进行实时再调度。模型预测控制能够根据微能源网的最新状态对调度决策进行实时更新。实时优化调度的单次滚动周期为1h，时间尺度为15min。每15min预测未来一小时内4个时段(每个时段15min)的冷热电负荷和可再生能源出力，将上一时段的调度结果作为反馈信息与预测序列和该时段日前计划调度结果共同输入实时优化模型，根据约束条件求解目标函数得到周期内的四个时段的输出。然后，将得到的四个时段输出结果中第一个时段的输出作为该时段调度结果，忽略剩余时段的结果，在下一个时段到来时重复上述操作，最终得到24h(共96时段)的实时优化调度结果(实时调度计划)。实时优化调度的约束条件同日前优化相比，目标函数分为两部分，第一部分为实时优化周期内可调度设备出力和储能出力相对日前计划参考值的偏差最小；第二部分为实时优化周期内相邻时段间可调度设备出力和储能出力调整量之和最小。模型预测控制方法的原理如下。
模型预测控制是一类基于模型的考虑未来时间步有限时域闭环最优控制方法，包含预测模型、滚动优化和反馈校正三部分。
3.1预测模型
预测模型的功能是根据日前计划和预测得到的未来一个周期内四个时段的可再生能源出力、冷热电负荷，在满足一定的约束条件下，最小化目标函数得到周期内的调度结果。
日前优化调度保证了微能源网运行的经济性，对日内调度起指导作用。为保证调度结果跟踪日前计划，实时优化调度的目标函数分为两部分。第一部分为实时优化周期内可调度设备出力和储能出力相对日前计划参考值的偏差最小；第二部分为实时优化周期内相邻时间步间可调度设备出力和储能出力调整量之和最小。
Figure BDA0003370303030000201
式中，t为当前时刻；Ts为实时滚动优化周期；Ns为可调度设备的数量；Werr和Wu为系数矩阵；
Figure BDA0003370303030000202
为实时可调度设备决策，包含各机组出力、储能荷电状态；
Figure BDA0003370303030000203
为日前调度计划的参考值；
Figure BDA0003370303030000204
为可调度设备出力相对于上一时段的增量。与大电网交互功率保持日前计划，约束条件同日前优化。
3.2滚动优化
滚动优化和反馈校正使模型预测控制方法区别于传统优化方法。每一次优化过程都是对从当前时段起到周期结束共四个时段进行优化，到达下一时段时，重复优化过程，不断向前推移形成了滚动优化。这要求在每个时段都进行一次从当前时段起对周期内可再生能源出力和冷热电负荷的预测，预测也是滚动更新的。因此模型预测控制的优化过程不同于传统优化方法的一次离线进行，而是反复在线滚动优化。有限时段的滚动优化可能无法得到全局最优，但能够不断顾及不确定性的影响并及时加以校正，比只依靠模型的一次优化更能适应实际过程，有更强的鲁棒性。
3.3反馈校正
通过将未来一个周期的预测信息和历史调度信息输入实时优化方法，能够得到一个周期内的调度结果，为防止不确定性干扰引起调度结果偏离理想状态，只采用当前时段的调度结果，放弃周期内未来时段的调度结果。到下一时段，利用更新的实时预测信息对基于模型的预测进行修正，并将得到的上一时段15min的优化结果反馈到输入端使调度结果更加稳定、平滑。重复以上步骤进行新一轮的优化。
图4为本发明实施例提供的实时优化流程示意图。如图4所示，其中
Figure BDA0003370303030000211
表示t时刻日前预测集合，由两部分组成，一部分是电热冷负荷预测，一部分是可再生能源出力预测，表示为
Figure BDA0003370303030000212
所述步骤103在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划。该实时调度计划是以15分钟为尺度的实时调度方案，包括柴油发电机电功率PDG、固体氧化物燃料电池电功率PSOFC、电储能元件充放电功率Pch和Pdis、电动汽车充放电功率Ech和Edis、磁悬浮制冷机耗电功率PMLBR、电热泵耗电功率PEHP、电热泵热功率HEHP、固体氧化物燃料电池热功率HSOFC、基岩储能充放热功率Hch和Hdis、溴化锂制冷机耗热功率HLBR；磁悬浮制冷机冷功率FMLER、溴化锂制冷机冷功率FLBR。实时调度方案不包括与大电网交互功率，与大电网交互功率直接遵循日前计划。
模型预测控制中的优化不仅基于模型，而且利用了反馈信息，因而构成了闭环优化。通过模型预测控制方法，微能源网实时运行尽可能跟随日前计划，同时平滑地控制各设备由不确定性带来的增减出力。
步骤104：根据所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度。
本发明对八位一体微能源网系统内的发电、转换和储存设备提出了详细的分析和建模，除传统的设备建模外，增加了对太阳能集热系统和基岩储能等新兴的微能源网设备的建模；并且提出了一种基于模型预测控制的两阶段优化调度方法。根据本发明方法获得的所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度，可以提高微能源网优化控制精度，并对冷热电负荷和可再生能源的不确定性具有良好的鲁棒性。
综上所述，本发明一种基于模型预测控制的微能源网优化调度方法，首先对“八位一体”的微能源网中各个能源设备进行详细建模，以满足复杂性日益增长的微能源网的实际要求；接着在日前时间尺度下，根据第二天各时段的可再生能源出力和负荷的预测数据，以经济最优为目标得到日前优化结果；然后在实时时间尺度下，基于模型预测方法，每15min预测未来1h的冷热电负荷和可再生能源出力，以跟随日前计划和平滑调度为目标，重复“预测模型-滚动优化-反馈校正”过程，最终得到实时调度结果。本发明通过使用模型预测控制方法，实时再调度结果一方面跟踪日前计划，保证了实时调度的经济性；另一方面大大降低了冷热电负荷和可再生能源出力的不确定性对微能源网的影响，具有强鲁棒性。
基于本发明提供的一种基于模型预测控制的微能源网优化调度方法，本发明还提供一种基于模型预测控制的微能源网优化调度系统。图5为本发明一种基于模型预测控制的微能源网优化调度系统的结构图，如图5所示，所述系统包括：
微能源网设备建模模块501，用于对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型；所述八位一体微能源网为包括风、光、岩、磁、燃、热、储、荷典型设备的微能源网；所述各种设备包括能量生产设备、能量存储设备和能量转换设备；所述能量生产设备包括分布式光伏机组、分布式风电机组、太阳能集热器、固体氧化物燃料电池；所述能量存储设备包括电储能和基岩储能；所述能量转换设备包括高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机；
日前优化模块502，用于在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划；
实时优化模块503，用于在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划；
微能源网设备调度模块504，用于根据所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度。
其中，所述微能源网设备建模模块501具体包括：
分布式光伏机组建模单元，用于对所述分布式光伏机组进行建模，生成所述分布式光伏机组的数学模型
Figure BDA0003370303030000231
其中
Figure BDA0003370303030000232
为t时刻光伏阵列输出功率；fPV为降额系数；N为光伏电池板的数量；PRPV为单个光伏板额定功率；It为t时刻的实际光照强度；ISTC为标准测试条件下光照强度；TSTC为标准测试温度；
Figure BDA0003370303030000233
为t时刻光伏板表面温度；
分布式风电机组建模单元，用于对所述分布式风电机组进行建模，生成所述分布式风电机组的数学模型
Figure BDA0003370303030000234
其中
Figure BDA0003370303030000235
为t时刻风机输出功率；vt为t时刻的风速；vin和vout分别为风机的切入和切出风速；vr为风机的额定风速；PRWT为风机的额定输出功率；
太阳能集热器建模单元，用于对所述太阳能集热器进行建模，生成所述太阳能集热器的数学模型Qu＝ApI(τα)e-APUL(Tp-Ta)；其中Qu为单位时间内太阳能集热器得到的有效能量；Ap和Tp分别为太阳能集热器吸热板面积和平均温度；I为太阳辐照度；τ和α分别表示有效透过率和吸收率，e表示无量纲；UL为总热损系数；Ta为环境温度；
固体氧化物燃料电池建模单元，用于对所述固体氧化物燃料电池进行建模，生成所述固体氧化物燃料电池的数学模型
Figure BDA0003370303030000241
和
Figure BDA0003370303030000242
其中PSOFC和HSOFC分别表示固体氧化物燃料电池输出的电功率和热功率；ηh为固体氧化物燃料电池可逆热力学效率；ηv和ηg分别为电压效率和燃料利用率；
Figure BDA00033703030300002418
和FSOFC分别天然气低热值和单位时间天然气消耗量；
电储能建模单元，用于对所述电储能进行建模，生成所述电储能的数学模型
Figure BDA0003370303030000243
其中
Figure BDA0003370303030000244
表示电储能荷电状态；σe是电储能自放电率；
Figure BDA0003370303030000245
和
Figure BDA0003370303030000246
分别为充电功率和充电效率；
Figure BDA0003370303030000247
和
Figure BDA0003370303030000248
分别为放电功率和放电效率；EEES为电储能容量；
基岩储能建模单元，用于对所述基岩储能进行建模，生成所述基岩储能的数学模型
Figure BDA0003370303030000249
其中
Figure BDA00033703030300002410
表示基岩储能荷电状态；σh是基岩储能自放热率；
Figure BDA00033703030300002411
和
Figure BDA00033703030300002412
分别为充热功率和充热效率；
Figure BDA00033703030300002413
和
Figure BDA00033703030300002414
分别为放热功率和放热效率；QBES为基岩储能容量；
能量转换设备建模单元，用于对所述能量转换设备进行建模，生成所述能量转换设备的数学模型
Figure BDA00033703030300002415
其中
Figure BDA00033703030300002416
和
Figure BDA00033703030300002417
分别为能量转换设备i在t时刻的输入功率和输出功率，ηi为能量转换设备i的转换效率。
所述日前优化模块502和所述实时优化模块503均包括：
约束条件限制单元，用于限制所述八位一体微能源网中的各种设备同时满足系统约束、设备输出功率约束、电储能元件约束、基岩储能元件约束以及电动汽车约束。
所述日前优化模块502具体包括：
经济性最优单元，用于使周期内总成本
Figure BDA0003370303030000251
最低；其中C表示周期内总成本；T表示日前优化调度的周期；N表示能量转换设备的数量；λi和
Figure BDA0003370303030000252
分别表示能量转换设备i单位出力维护成本和在t时段的输出功率；
Figure BDA0003370303030000253
和
Figure BDA0003370303030000254
分别表示电储能和热储能在时段t的充放电和充放热成本；
Figure BDA0003370303030000255
表示柴油发电机在时段t的发电成本；
Figure BDA0003370303030000256
表示在时段t与大电网的购售电成本；
Figure BDA0003370303030000257
表示购买天然气成本；
Figure BDA0003370303030000258
表示电动汽车充放电成本。
所述实时优化模块503具体包括：
目标函数最小单元，用于使所述八位一体微能源网中的各种设备满足实时优化调度的目标函数
Figure BDA0003370303030000259
其中t为当前时刻；Ts为实时滚动优化周期；Ns为可调度设备的数量；
Figure BDA00033703030300002510
为实时可调度设备决策；
Figure BDA00033703030300002511
为日前调度计划的参考值；Werr和Wu为系数矩阵；
Figure BDA00033703030300002512
为可调度设备出力相对于上一时段的增量。
微能源网优化调度问题主要从设备模型建立和优化求解两个角度研究。现有研究中，单一时间尺度的日前优化调度，未考虑可再生能源产出不确定性引起的预测误差，实际运行时难以解决对负荷和可再生能源的不确定性，按照日前策略进行决策的结果在系统的实际运行缺乏经济性，甚至不可行。而现有日前-实时两阶段的优化调度方法多为开环控制方法，没有反馈机制来修正优化控制过程。即使少数两阶段优化调度方法中采用滚动优化措施，也是简单的微能源网，对于能源种类和设备的建模较为简单，难以满足现阶段和未来复杂性日益增长的微能源网系统优化调度的需要。
针对上述单一时间尺度和两阶段优化方法存在的缺陷与难点，本发明提出一种基于模型预测控制的微能源网优化调度方法，该方法通过日前—实时两个时间尺度组合优化，日前优化以经济性最优为目标，得出日前调度计划，对实时调度起指导作用；实时优化经过预测模型-滚动优化-反馈校正三个步骤，跟随日前计划满足了实时调度的经济性要求，反馈校正将当前的调度结果送到输入端，大大减少了由不确定性引起的相邻出力的波动，使得调度结果较为平滑和稳定。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于模型预测控制的微能源网优化调度方法，其特征在于，包括：
对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型；所述八位一体微能源网为包括风、光、岩、磁、燃、热、储、荷典型设备的微能源网；所述各种设备包括能量生产设备、能量存储设备和能量转换设备；所述能量生产设备包括分布式光伏机组、分布式风电机组、太阳能集热器、固体氧化物燃料电池；所述能量存储设备包括电储能和基岩储能；所述能量转换设备包括高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机；
在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划；
在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划；
根据所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度。
2.根据权利要求1所述的方法，其特征在于，所述对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型，具体包括：
对所述分布式光伏机组进行建模，生成所述分布式光伏机组的数学模型
Figure FDA0003370303020000011
其中
Figure FDA0003370303020000012
为t时刻光伏阵列输出功率；fPV为降额系数；N为光伏电池板的数量；PRPV为单个光伏板额定功率；It为t时刻的实际光照强度；ISTC为标准测试条件下光照强度；TSTC为标准测试温度；
Figure FDA0003370303020000013
为t时刻光伏板表面温度；
对所述分布式风电机组进行建模，生成所述分布式风电机组的数学模型
Figure FDA0003370303020000021
其中
Figure FDA0003370303020000022
为t时刻风机输出功率；vt为t时刻的风速；vin和vout分别为风机的切入和切出风速；vr为风机的额定风速；PRWT为风机的额定输出功率；
对所述太阳能集热器进行建模，生成所述太阳能集热器的数学模型Qu＝ApI(τα)e-APUL(Tp-Ta)；其中Qu为单位时间内太阳能集热器得到的有效能量；Ap和Tp分别为太阳能集热器吸热板面积和平均温度；I为太阳辐照度；τ和α分别表示有效透过率和吸收率，e表示无量纲；UL为总热损系数；Ta为环境温度；
对所述固体氧化物燃料电池进行建模，生成所述固体氧化物燃料电池的数学模型
Figure FDA0003370303020000023
和
Figure FDA0003370303020000024
其中PSOFC和HSOFC分别表示固体氧化物燃料电池输出的电功率和热功率；ηh为固体氧化物燃料电池可逆热力学效率；ηv和ηg分别为电压效率和燃料利用率；
Figure FDA0003370303020000025
和FSOFC分别天然气低热值和单位时间天然气消耗量；
对所述电储能进行建模，生成所述电储能的数学模型
Figure FDA0003370303020000026
其中
Figure FDA0003370303020000027
表示电储能荷电状态；σe是电储能自放电率；
Figure FDA0003370303020000028
和
Figure FDA0003370303020000029
分别为充电功率和充电效率；
Figure FDA00033703030200000210
和
Figure FDA00033703030200000211
分别为放电功率和放电效率；EEES为电储能容量；
对所述基岩储能进行建模，生成所述基岩储能的数学模型
Figure FDA00033703030200000212
其中
Figure FDA00033703030200000213
表示基岩储能荷电状态；σh是基岩储能自放热率；
Figure FDA00033703030200000214
和
Figure FDA00033703030200000215
分别为充热功率和充热效率；
Figure FDA00033703030200000216
和
Figure FDA00033703030200000217
分别为放热功率和放热效率；QBES为基岩储能容量；
对所述能量转换设备进行建模，生成所述能量转换设备的数学模型
Figure FDA0003370303020000031
其中
Figure FDA0003370303020000032
和
Figure FDA0003370303020000033
分别为能量转换设备i在t时刻的输入功率和输出功率，ηi为能量转换设备i的转换效率。
3.根据权利要求1所述的方法，其特征在于，所述满足约束条件，具体包括：
同时满足系统约束、设备输出功率约束、电储能元件约束、基岩储能元件约束以及电动汽车约束。
4.根据权利要求1所述的方法，其特征在于，所述以优化周期内总成本最低为目标，具体包括：
使周期内总成本
Figure FDA0003370303020000034
最低；其中C表示周期内总成本；T表示日前优化调度的周期；N表示能量转换设备的数量；λi和
Figure FDA0003370303020000035
分别表示能量转换设备i单位出力维护成本和在t时段的输出功率；
Figure FDA0003370303020000036
和
Figure FDA0003370303020000037
分别表示电储能和热储能在时段t的充放电和充放热成本；
Figure FDA0003370303020000038
表示柴油发电机在时段t的发电成本；
Figure FDA0003370303020000039
表示在时段t与大电网的购售电成本；
Figure FDA00033703030200000310
表示购买天然气成本；
Figure FDA00033703030200000311
表示电动汽车充放电成本。
5.根据权利要求1所述的方法，其特征在于，所述以跟随所述日前调度计划和平滑调度为目标，具体包括：
满足实时优化调度的目标函数
Figure FDA00033703030200000312
其中t为当前时刻；Ts为实时滚动优化周期；Ns为可调度设备的数量；
Figure FDA00033703030200000313
为实时可调度设备决策；
Figure FDA00033703030200000314
为日前调度计划的参考值；Werr和Wu为系数矩阵；
Figure FDA00033703030200000315
为可调度设备出力相对于上一时段的增量。
6.一种基于模型预测控制的微能源网优化调度系统，其特征在于，包括：
微能源网设备建模模块，用于对八位一体微能源网中的各种设备进行建模，生成各种设备的数学模型；所述八位一体微能源网为包括风、光、岩、磁、燃、热、储、荷典型设备的微能源网；所述各种设备包括能量生产设备、能量存储设备和能量转换设备；所述能量生产设备包括分布式光伏机组、分布式风电机组、太阳能集热器、固体氧化物燃料电池；所述能量存储设备包括电储能和基岩储能；所述能量转换设备包括高温水罐、电热泵、溴化锂制冷机和磁悬浮制冷机；
日前优化模块，用于在日前时间尺度下，采用所述各种设备的数学模型，在满足约束条件的同时，以优化周期内总成本最低为目标，得到所述八位一体微能源网的日前调度计划；
实时优化模块，用于在实时时间尺度下，基于模型预测控制方法，在满足约束条件的同时，以跟随所述日前调度计划和平滑调度为目标，得到所述八位一体微能源网的实时调度计划；
微能源网设备调度模块，用于根据所述实时调度计划对所述八位一体微能源网中的各种设备进行实时调度。
7.根据权利要求6所述的系统，其特征在于，所述微能源网设备建模模块具体包括：
分布式光伏机组建模单元，用于对所述分布式光伏机组进行建模，生成所述分布式光伏机组的数学模型
Figure FDA0003370303020000041
其中
Figure FDA0003370303020000042
为t时刻光伏阵列输出功率；fPV为降额系数；N为光伏电池板的数量；PRPV为单个光伏板额定功率；It为t时刻的实际光照强度；ISTC为标准测试条件下光照强度；TSTC为标准测试温度；
Figure FDA0003370303020000043
为t时刻光伏板表面温度；
分布式风电机组建模单元，用于对所述分布式风电机组进行建模，生成所述分布式风电机组的数学模型
Figure FDA0003370303020000044
其中
Figure FDA0003370303020000045
为t时刻风机输出功率；vt为t时刻的风速；vin和vout分别为风机的切入和切出风速；vr为风机的额定风速；PRWT为风机的额定输出功率；
太阳能集热器建模单元，用于对所述太阳能集热器进行建模，生成所述太阳能集热器的数学模型Qu＝ApI(τα)e-APUL(Tp-Ta)；其中Qu为单位时间内太阳能集热器得到的有效能量；Ap和Tp分别为太阳能集热器吸热板面积和平均温度；I为太阳辐照度；τ和α分别表示有效透过率和吸收率，e表示无量纲；UL为总热损系数；Ta为环境温度；
固体氧化物燃料电池建模单元，用于对所述固体氧化物燃料电池进行建模，生成所述固体氧化物燃料电池的数学模型PSOFC＝ηhηvηgVCH4FSOFC和HSOFC＝(1-ηhηvηg)VCH4FSOFC；其中PSOFC和HSOFC分别表示固体氧化物燃料电池输出的电功率和热功率；ηh为固体氧化物燃料电池可逆热力学效率；ηv和ηg分别为电压效率和燃料利用率；VCH4和FSOFC分别天然气低热值和单位时间天然气消耗量；
电储能建模单元，用于对所述电储能进行建模，生成所述电储能的数学模型
Figure FDA0003370303020000051
其中
Figure FDA0003370303020000052
表示电储能荷电状态；σe是电储能自放电率；
Figure FDA0003370303020000053
和
Figure FDA0003370303020000054
分别为充电功率和充电效率；
Figure FDA0003370303020000055
和
Figure FDA0003370303020000056
分别为放电功率和放电效率；EEES为电储能容量；
基岩储能建模单元，用于对所述基岩储能进行建模，生成所述基岩储能的数学模型
Figure FDA0003370303020000057
其中
Figure FDA0003370303020000058
表示基岩储能荷电状态；σh是基岩储能自放热率；
Figure FDA0003370303020000059
和
Figure FDA00033703030200000510
分别为充热功率和充热效率；
Figure FDA00033703030200000511
和
Figure FDA00033703030200000512
分别为放热功率和放热效率；QBES为基岩储能容量；
能量转换设备建模单元，用于对所述能量转换设备进行建模，生成所述能量转换设备的数学模型
Figure FDA00033703030200000513
其中
Figure FDA00033703030200000514
和
Figure FDA00033703030200000515
分别为能量转换设备i在t时刻的输入功率和输出功率，ηi为能量转换设备i的转换效率。
8.根据权利要求6所述的系统，其特征在于，所述日前优化模块和所述实时优化模块均包括：
约束条件限制单元，用于限制所述八位一体微能源网中的各种设备同时满足系统约束、设备输出功率约束、电储能元件约束、基岩储能元件约束以及电动汽车约束。
9.根据权利要求6所述的系统，其特征在于，所述日前优化模块具体包括：
经济性最优单元，用于使周期内总成本
Figure FDA0003370303020000061
最低；其中C表示周期内总成本；T表示日前优化调度的周期；N表示能量转换设备的数量；λi和
Figure FDA0003370303020000062
分别表示能量转换设备i单位出力维护成本和在t时段的输出功率；
Figure FDA0003370303020000063
和
Figure FDA0003370303020000064
分别表示电储能和热储能在时段t的充放电和充放热成本；
Figure FDA0003370303020000065
表示柴油发电机在时段t的发电成本；
Figure FDA0003370303020000066
表示在时段t与大电网的购售电成本；
Figure FDA0003370303020000067
表示购买天然气成本；
Figure FDA0003370303020000068
表示电动汽车充放电成本。
10.根据权利要求6所述的系统，其特征在于，所述实时优化模块具体包括：
目标函数最小单元，用于使所述八位一体微能源网中的各种设备满足实时优化调度的目标函数
Figure FDA0003370303020000069
其中t为当前时刻；Ts为实时滚动优化周期；Ns为可调度设备的数量；
Figure FDA00033703030200000610
为实时可调度设备决策；
Figure FDA00033703030200000611
为日前调度计划的参考值；Werr和Wu为系数矩阵；
Figure FDA00033703030200000612
为可调度设备出力相对于上一时段的增量。
CN202111395832.4A 2021-11-23 2021-11-23 一种基于模型预测控制的微能源网优化调度方法及系统 Active CN114037337B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111395832.4A CN114037337B (zh) 2021-11-23 2021-11-23 一种基于模型预测控制的微能源网优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111395832.4A CN114037337B (zh) 2021-11-23 2021-11-23 一种基于模型预测控制的微能源网优化调度方法及系统

Publications (2)

Publication Number Publication Date
CN114037337A true CN114037337A (zh) 2022-02-11
CN114037337B CN114037337B (zh) 2025-05-13

Family

ID=80138498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111395832.4A Active CN114037337B (zh) 2021-11-23 2021-11-23 一种基于模型预测控制的微能源网优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN114037337B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611793A (zh) * 2022-03-11 2022-06-10 中国地质大学（武汉） 考虑短期负荷预测的综合能源系统优化方法及装置
CN115063003A (zh) * 2022-06-30 2022-09-16 华北电力大学（保定） 基于多元负荷时序分析的综合能源系统分时段调度方法
CN119482683A (zh) * 2025-01-10 2025-02-18 太重(深圳)国际重型装备技术有限公司 微网电站的控制方法、装置、电子设备和计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140058571A1 (en) * 2012-08-27 2014-02-27 Nec Laboratories America, Inc. Multi-objective energy management methods for micro-grids
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 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
CN108631368A (zh) * 2018-05-17 2018-10-09 东南大学 计及储能运行损耗下风储系统联合调度的储能配置方法
CN109004686A (zh) * 2018-08-29 2018-12-14 三峡大学 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140058571A1 (en) * 2012-08-27 2014-02-27 Nec Laboratories America, Inc. Multi-objective energy management methods for micro-grids
CN107895971A (zh) * 2017-11-28 2018-04-10 国网山东省电力公司德州供电公司 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
CN108631368A (zh) * 2018-05-17 2018-10-09 东南大学 计及储能运行损耗下风储系统联合调度的储能配置方法
CN109004686A (zh) * 2018-08-29 2018-12-14 三峡大学 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张彦;张涛;刘亚杰;郭波;: "基于随机模型预测控制的能源局域网优化调度研究", 中国电机工程学报, no. 13, 5 July 2016 (2016-07-05) *
施林全;孙文东;: "居甫渡水电站机组调试管理", 云南水力发电, no. 04, 15 August 2009 (2009-08-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611793A (zh) * 2022-03-11 2022-06-10 中国地质大学（武汉） 考虑短期负荷预测的综合能源系统优化方法及装置
CN115063003A (zh) * 2022-06-30 2022-09-16 华北电力大学（保定） 基于多元负荷时序分析的综合能源系统分时段调度方法
CN115063003B (zh) * 2022-06-30 2023-01-24 华北电力大学（保定） 基于多元负荷时序分析的综合能源系统分时段调度方法
CN119482683A (zh) * 2025-01-10 2025-02-18 太重(深圳)国际重型装备技术有限公司 微网电站的控制方法、装置、电子设备和计算机存储介质

Also Published As

Publication number Publication date
CN114037337B (zh) 2025-05-13

Similar Documents

Publication Publication Date Title
CN110417006B (zh) 一种综合能源系统多时间尺度能量调度方法
CN109004686B (zh) 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统
CN113344736B (zh) 一种园区级综合能源系统及其控制方法
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
CN104269849B (zh) 基于建筑光伏微电网的能量管理方法及系统
CN109859071B (zh) 虚拟电厂多能互补的源荷储优化配置方法
CN114037337B (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
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
CN112785065A (zh) 基于混合人工鱼群算法的综合能源系统规划方法及系统
CN112990523A (zh) 基于多目标模型预测控制的区域综合能源系统分层优化运行方法
CN110807588A (zh) 一种多能源耦合综合能源系统的优化调度方法
CN115912351A (zh) 光伏日内日前模型预测方法、系统、设备及介质
CN115204705A (zh) 考虑电转气存储的区域综合能源系统运行优化方法及应用
CN111934360A (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
Wang et al. Optimization study of wind, solar, hydro and hydrogen storage based on improved multi-objective particle swarm optimization
CN116683445A (zh) 基于模型预测控制的园区微电网多时间尺度运行优化方法
CN117254491A (zh) 一种风光氢储微网系统时域滚动优化方法及系统
Niaz et al. Environment Friendly Hybrid Solar-Hydro Power Distribution Scheduling on Demand Side.
Huang et al. Economic optimization scheduling strategy for offshore fishing raft microgrid clusters
Zhang et al. Optimal operation regulation strategy of multi-energy complementary system considering source load storage dynamic characteristics in oilfield well sites
CN115933548A (zh) 一种考虑管网模型的电热综合能源系统模型预测控制方法
Wei et al. Two-Stage Optimal Dispatch for AC/DC Hybrid Microgrid Based on Model Predictive Control
Cai et al. Optimal System Analysis for Hybrid Wind-Solar-Pumped Storage Systems under Renewable Output Uncertainty
CN113872192B (zh) 医院电网负荷优化控制系统及控制方法
Shihab et al. Optimal resources planning algorithm for a coordinated multi-energy system with industrial loads

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