CN114884057A - 一种自适应步长双闭环mpc优化调度方法 - Google Patents

一种自适应步长双闭环mpc优化调度方法 Download PDF

Info

Publication number
CN114884057A
CN114884057A CN202210807260.4A CN202210807260A CN114884057A CN 114884057 A CN114884057 A CN 114884057A CN 202210807260 A CN202210807260 A CN 202210807260A CN 114884057 A CN114884057 A CN 114884057A
Authority
CN
China
Prior art keywords
day
time
power
ahead
cost
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
CN202210807260.4A
Other languages
English (en)
Other versions
CN114884057B (zh
Inventor
孙惠娟
杨一帆
彭春华
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.)
Hefei Minglong Electronic Technology Co ltd
Original Assignee
East China Jiaotong 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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202210807260.4A priority Critical patent/CN114884057B/zh
Publication of CN114884057A publication Critical patent/CN114884057A/zh
Application granted granted Critical
Publication of CN114884057B publication Critical patent/CN114884057B/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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及主动配电网调度技术领域，尤其涉及一种自适应步长双闭环MPC优化调度方法，包括在主动配电网的日前优化调度阶段，优化控制变量包括可控分布式电源有功出力、储能装置充放电功率、提前通知用户的可中断负荷功率以及与主网联络线交换功率，建立以主动配电网运行成本最小为优化目标的日前优化调度模型；在日内优化调度阶段，日内优化调度的控制变量包括可控分布式电源有功出力、储能装置充放电功率以及与主网联络线交换功率，建立以主动配电网运行成本最小化为优化目标的日内ASDL‑MPC调度模型；通过设置单闭环反馈、增加闭环反馈及自适应步长策略，经复合微分进化CDE算法求解得到主动配电网日运行成本最优调度方案。

Description

一种自适应步长双闭环MPC优化调度方法
技术领域
本发明涉及主动配电网调度技术领域，尤其涉及一种自适应步长双闭环MPC优化调度方法。
背景技术
在当前节能减排和能源可持续发展的时代背景下，含大量分布式可再生能源的主动配电网得到了迅速发展。然而，由于分布式可再生能源易受自然环境及气候影响，出力具有明显的波动性和不确定性，使得主动配电网的优化调度难度增大，易产生较大偏差。模型预测控制 (model predictive control，MPC)作为一种考虑系统动态性能的闭环反馈策略，通过采用滚动优化的思想进行在线优化，可在一定程度上降低周围气象环境突变造成的系统调控偏差。
目前已有很多学者将模型预测控制算法应用到主动配电网的优化中，并取得了较好的效果。现有研究虽然在一定程度上提升了主动配电网在应对可再生能源不确定性方面的能力，但一般是采用固定域参数（主要包括预测时域、控制时域和控制间隔）的常规模型预测控制方法，域参数不能根据跟随可再生能源预测误差灵活调整。若域参数设置过大，则会导致控制精度较低；若域参数设置过小，则又会导致计算时间过长。为此，有研究基于柔性互联配电网中的电压预测误差和越限范围，设计了一种自适应域参数的改进模型预测控制方法。 然而，由于有功优化调度并没有统一、明显的边界值作为参考，该改进模型预测控制方法并不适用于主动配电网优化调度问题。为了动态协调计算时长和调度精度之间的矛盾，以应对大量不确定性分布式可再生能源接入对主动配电网优化调度带来的挑战，亟需一种新的自适应域参数的MPC方法。
此外，现有研究均只是建立单闭环反馈。MPC单闭环反馈能使有功出力调度值更接近实际，但其反馈信息不够全面，不能反馈系统调度误差，不利于系统消纳分布式可再生能源出力不确定性，同时也降低了系统运行经济性；而且单闭环机制不能充分利用实时信息，在出现大的可再生能源出力预测误差和系统调度误差时，其不能根据反馈信息对新一轮调度指令进行调整，系统调度的可靠性和准确性不能得到保证。因此，为了提高主动配电网运行经济性和调度可靠性，有必要在MPC现有反馈机制的基础上，增加系统反馈信息，并利用反馈信息对调度指令实时调整，增强系统调度准确性，使其更有利于消纳可再生能源出力不确定性。
发明内容
为了解决上述问题，本发明提出一种自适应步长双闭环MPC优化调度方法。
本发明采用以下技术方案：一种自适应步长双闭环MPC优化调度方法，具有以下步骤：
步骤1、在主动配电网的日前优化调度阶段，优化控制变量包括可控分布式电源有功出力、储能装置充放电功率、提前通知用户的可中断负荷功率以及与主网联络线交换功率，建立以主动配电网运行成本最小为优化目标的日前优化调度模型；
步骤2、在日内优化调度阶段，日内优化调度的控制变量包括可控分布式电源有功出力、储能装置充放电功率以及与主网联络线交换功率，日内优化调度基于自适应步长双闭环模型预测控制策略建立以主动配电网运行成本最小化为优化目标的日内ASDL-MPC调度模型；
步骤3、采用复合微分进化CDE算法对日内ASDL-MPC调度模型进行求解，包括以下步骤：
步骤3.1初始化主动配电网各可控机组参数，将日前优化调度模型得到的可中断 负荷、储能装置充放电状态的调度结果导入日内ASDL-MPC调度模型作为参考，控制间隔为
Figure 663126DEST_PATH_IMAGE001
；
步骤3.2导入
Figure 521361DEST_PATH_IMAGE002
到
Figure 212236DEST_PATH_IMAGE003
时段可再生能源预测出力，其中，
Figure 890342DEST_PATH_IMAGE004
从0时刻开始，总 时段为24h，M为时域数量，采用CDE 算法，初始化第一代种群，设置最大迭代次数
Figure 308554DEST_PATH_IMAGE005
，当前 迭代次数
Figure 21295DEST_PATH_IMAGE006
从1开始；计算个体适应度值并排序，将种群分为优势种群和劣势种群，分别按照 DE/rand/1和DE/best/1变异策略更新优势种群和劣势种群，不断优化迭代直到
Figure 883072DEST_PATH_IMAGE007
，得 到
Figure 314053DEST_PATH_IMAGE008
个
Figure 145743DEST_PATH_IMAGE009
时段，即时域长度为
Figure 339089DEST_PATH_IMAGE010
内运行成本最低的最优调度方案
Figure 496401DEST_PATH_IMAGE011
和最低预测成本
Figure 758886DEST_PATH_IMAGE012
，其中
Figure 659846DEST_PATH_IMAGE013
为可控资源计划出力 值，包括可控分布式电源计划出力、储能装置计划充放电功率及与主网联络线交换功率；其 中，预测运行成本
Figure 471813DEST_PATH_IMAGE014
由预测模型得到；
步骤3.3时间向后滚动
Figure 534447DEST_PATH_IMAGE015
，判断当前时刻是否满足条件
Figure 674441DEST_PATH_IMAGE016
h,若满足则下 发
Figure 723300DEST_PATH_IMAGE017
时刻可控分布式电源计划出力
Figure 265140DEST_PATH_IMAGE018
及与主网联络线计划交换功率
Figure 390353DEST_PATH_IMAGE019
，作为可控分布式 电源实际出力
Figure 17643DEST_PATH_IMAGE020
及与主网联络线实际交换功率
Figure 994827DEST_PATH_IMAGE021
；导入
Figure 532118DEST_PATH_IMAGE022
时刻可再生能源实际出力，根 据功率平衡约束确定储能装置实际充放电功率
Figure 202134DEST_PATH_IMAGE023
，并计算各可控资源实际状态作为下一 轮时域滚动优化的初始值，形成单闭环反馈，若不满足则停止循环，日内优化调度结束；
步骤3.4利用成本函数得到t时刻的实际运行成本，利用预测模型得到t时刻的预 测运行成本，用实际运行成本对预测运行成本进行反馈校正，形成双闭环反馈；采用自适应 步长策略确定新的域参数，利用
Figure 910196DEST_PATH_IMAGE024
时刻可再生能源出力预测误差和反馈校正信息计算变步 长决策指标
Figure 222229DEST_PATH_IMAGE025
，根据
Figure 614027DEST_PATH_IMAGE025
的大小确定时间步长变化量
Figure 189365DEST_PATH_IMAGE026
，计算新的时间步长
Figure 151767DEST_PATH_IMAGE027
，进而得 到新的控制时域长度
Figure 470752DEST_PATH_IMAGE028
与预测时域长度
Figure 841691DEST_PATH_IMAGE029
；
步骤3.5主动配电网得到新的域参数后，转步骤3.2开始下一轮的时域滚动，时域 长度
Figure 728876DEST_PATH_IMAGE030
根据时间步长的大小自适应改变，然后通过复合微分进化CDE算法得到新的运行 时域内最优调度方案，如此循环直至24小时滚动优化完毕，最终得到主动配电网日运行成 本最优调度方案。
优选的，在步骤1中，所述日前优化调度模型的目标函数为：
Figure 818054DEST_PATH_IMAGE031
式中，
Figure 799786DEST_PATH_IMAGE032
为一个日前优化调度周期的总时段数；
Figure 290810DEST_PATH_IMAGE033
分别为可控分布式 电源、可中断负荷和储能装置的节点数量；
Figure 207950DEST_PATH_IMAGE034
为日前
Figure 394212DEST_PATH_IMAGE035
时刻主动配电网与主网联络线交换 功率成本；
Figure 320580DEST_PATH_IMAGE036
分别为日前
Figure 14911DEST_PATH_IMAGE035
时刻第
Figure 368532DEST_PATH_IMAGE037
处可控分布式电源发电成本和第
Figure 42090DEST_PATH_IMAGE038
处的 储能装置运行成本；
Figure 506569DEST_PATH_IMAGE039
为日前
Figure 706607DEST_PATH_IMAGE040
时刻对区域内第
Figure 355763DEST_PATH_IMAGE041
处可中断负荷进行控制所产生的成 本；
其中，日前
Figure 375671DEST_PATH_IMAGE035
时刻主动配电网与主网联络线交换功率成本为：
Figure 784787DEST_PATH_IMAGE042
式中，
Figure 839331DEST_PATH_IMAGE043
为主动配电网在日前调度阶段与主网在日前
Figure 269175DEST_PATH_IMAGE044
时刻交互功率；
Figure 668058DEST_PATH_IMAGE045
为日前
Figure 739919DEST_PATH_IMAGE046
时刻电量交易价格；
日前
Figure 258756DEST_PATH_IMAGE046
时刻第
Figure 390660DEST_PATH_IMAGE037
处可控分布式电源发电成本为：
Figure 509795DEST_PATH_IMAGE047
式中，
Figure 385347DEST_PATH_IMAGE048
为可控分布式电源的发电成本，单位为元/ kW•h；
Figure 883324DEST_PATH_IMAGE049
为日前
Figure 61496DEST_PATH_IMAGE046
时刻第
Figure 277713DEST_PATH_IMAGE037
处可控分布式电源的发电功率；
日前
Figure 317476DEST_PATH_IMAGE046
时刻第
Figure 201118DEST_PATH_IMAGE050
处可中断负荷进行控制所产生的成本为：
Figure 409246DEST_PATH_IMAGE051
式中，
Figure 253705DEST_PATH_IMAGE052
为可中断负荷控制单位负荷的补偿费用，单位为元/kW•h；
Figure 205480DEST_PATH_IMAGE053
为日前
Figure 68263DEST_PATH_IMAGE046
时刻对第
Figure 712871DEST_PATH_IMAGE050
处可中断负荷进行控制的电量；
日前
Figure 44626DEST_PATH_IMAGE046
时刻第
Figure 800093DEST_PATH_IMAGE054
处储能装置运行成本为：
Figure 392748DEST_PATH_IMAGE055
式中，
Figure 568777DEST_PATH_IMAGE056
分别为储能装置的单位容量安装成本、资本回收系数和容量因 素；
Figure 246883DEST_PATH_IMAGE057
分别为储能装置的年运行小时数和运行管理成本系数；
Figure 681406DEST_PATH_IMAGE058
为第
Figure 394147DEST_PATH_IMAGE054
处储能装 置在日前
Figure 505192DEST_PATH_IMAGE046
时刻的充放电功率。
优选的，在步骤1中，包括构建日前优化调度模型的约束条件，约束条件包括：
日前
Figure 405015DEST_PATH_IMAGE046
时刻功率平衡约束，
Figure 502284DEST_PATH_IMAGE059
式中，
Figure 944897DEST_PATH_IMAGE060
分别为第
Figure 102209DEST_PATH_IMAGE061
台储能装置日前
Figure 489328DEST_PATH_IMAGE046
时刻放电、充电功率；
Figure 16387DEST_PATH_IMAGE062
分别为日前
Figure 703720DEST_PATH_IMAGE046
时刻预测的分布式风电、分布式光伏的发电功率；
Figure 907299DEST_PATH_IMAGE063
为主动配电网日前
Figure 781714DEST_PATH_IMAGE046
时刻 的负荷功率；
日前
Figure 345420DEST_PATH_IMAGE046
时刻可控分布式发电机组上下限约束，即日前
Figure 621680DEST_PATH_IMAGE046
时刻可控分布式电源上下限 约束，
Figure 120795DEST_PATH_IMAGE064
式中，
Figure 623452DEST_PATH_IMAGE065
分别为第
Figure 600635DEST_PATH_IMAGE066
台可控发电机组的最小和最大输出功率；
日前
Figure 623080DEST_PATH_IMAGE046
时刻可控分布式发电机组爬坡约束，即日前
Figure 293095DEST_PATH_IMAGE046
时刻可控分布式电源爬坡约 束，
Figure 142103DEST_PATH_IMAGE067
式中，
Figure 63922DEST_PATH_IMAGE068
分别为第
Figure 314775DEST_PATH_IMAGE069
台可控分布式发电机组的爬坡和滑坡速率；
Figure 14747DEST_PATH_IMAGE070
为调度的 时间间隔；
日前
Figure 616629DEST_PATH_IMAGE046
时刻可中断负荷约束，
Figure 76561DEST_PATH_IMAGE071
式中，
Figure 181920DEST_PATH_IMAGE072
为第
Figure 193738DEST_PATH_IMAGE073
处可中断负荷在日前
Figure 909016DEST_PATH_IMAGE046
时刻最大调度量，与日前
Figure 766113DEST_PATH_IMAGE046
时刻负荷量有 关；
日前
Figure 866924DEST_PATH_IMAGE046
时刻储能装置充放电约束，
Figure 315223DEST_PATH_IMAGE074
式中，
Figure 360540DEST_PATH_IMAGE075
为储能装置在日前
Figure 411541DEST_PATH_IMAGE046
时刻的荷电状态；
Figure 491493DEST_PATH_IMAGE076
分别为储能装 置的最大充、放电功率；
Figure 720480DEST_PATH_IMAGE077
分别为储能装置的充电效率和放电效率；
Figure 518672DEST_PATH_IMAGE078
为储能装置的 储能容量；
Figure 983151DEST_PATH_IMAGE079
分别为储能装置的最大和最小荷电状态。
优选的，在步骤2中，所述日内ASDL-MPC调度模型中的滚动优化目标函数为：
Figure 809287DEST_PATH_IMAGE080
式中，
Figure 333809DEST_PATH_IMAGE081
为当前时刻；
Figure 229084DEST_PATH_IMAGE082
分别为日内滚动优化阶段
Figure 497254DEST_PATH_IMAGE083
时刻主动 配电网与主网联络线交换功率成本、可控分布式电源发电成本以及储能装置运行成本；
在日内ASDL-MPC调度模型中，可中断负荷以及储能装置的充放电状态已在日前调度阶段确定，其他约束条件与日前优化调度阶段保持一致。
优选的，在步骤3.4中，所述日内ASDL-MPC调度模型中的预测模型为成本函数，如式所示：
Figure 676432DEST_PATH_IMAGE084
式中，
Figure 371855DEST_PATH_IMAGE085
表示
Figure 144639DEST_PATH_IMAGE086
时刻预测
Figure 560708DEST_PATH_IMAGE087
时刻的调度成本，
Figure 735337DEST_PATH_IMAGE088
分别为 与主网联络线交互、可控分布式电源发电和储能装置运行的成本函数；
Figure 239480DEST_PATH_IMAGE089
分别为 滚动优化调度下发的第一时段，即
Figure 499560DEST_PATH_IMAGE090
时段，主动配电网与主网联络线交换功率、可控分布式 电源发电功率和储能装置运行功率的计划值。
优选的，在步骤3.4中，所述变步长决策指标
Figure 843953DEST_PATH_IMAGE091
计算公式如式所示：
Figure 748455DEST_PATH_IMAGE092
Figure 51261DEST_PATH_IMAGE093
式中，
Figure 392112DEST_PATH_IMAGE094
为
Figure 805776DEST_PATH_IMAGE095
时刻预测
Figure 423839DEST_PATH_IMAGE096
时刻的可再生能源出力值，
Figure 772912DEST_PATH_IMAGE097
为
Figure 476426DEST_PATH_IMAGE098
时刻可再 生能源实际有功出力，
Figure 54300DEST_PATH_IMAGE099
为
Figure 58028DEST_PATH_IMAGE100
时刻的风光决策指标，
Figure 437057DEST_PATH_IMAGE101
为
Figure 768812DEST_PATH_IMAGE102
时刻预测
Figure 524279DEST_PATH_IMAGE103
时刻的 运行成本，
Figure 241568DEST_PATH_IMAGE104
为
Figure 791498DEST_PATH_IMAGE105
时刻的实际运行成本，
Figure 610549DEST_PATH_IMAGE106
为
Figure 169707DEST_PATH_IMAGE107
时刻的成本决策指标，
Figure 616868DEST_PATH_IMAGE108
为
Figure 963798DEST_PATH_IMAGE109
时刻的变步 长决策指标；
所述自适应步长策略中初始时间步长为
Figure 129201DEST_PATH_IMAGE110
，
Figure 101836DEST_PATH_IMAGE111
时刻时间步长为
Figure 669083DEST_PATH_IMAGE112
，根据变步长决策 指标，对
Figure 560816DEST_PATH_IMAGE113
进行自适应调整，如式所示：
Figure 603727DEST_PATH_IMAGE114
Figure 504687DEST_PATH_IMAGE115
式中，
Figure 801807DEST_PATH_IMAGE116
为时间步长变化量，根据
Figure 864441DEST_PATH_IMAGE117
的大小自适应调整；
Figure 630534DEST_PATH_IMAGE118
为时间步长基准量，
Figure 335185DEST_PATH_IMAGE119
取值范围为[-2,3]；
对时间步长基准量
Figure 752391DEST_PATH_IMAGE120
的定义如式所示：
Figure 985926DEST_PATH_IMAGE121
控制间隔
Figure 613217DEST_PATH_IMAGE122
计算公式如式所示：
Figure 980613DEST_PATH_IMAGE123
式中，
Figure 111380DEST_PATH_IMAGE124
为最小采样间隔,初始控制间隔由
Figure 656762DEST_PATH_IMAGE125
个最小采样间隔组成，
Figure 771349DEST_PATH_IMAGE126
时刻控制 间隔由
Figure 286644DEST_PATH_IMAGE127
个最小采样间隔组成；
预测时域长度的计算公式如式所示：
Figure 429174DEST_PATH_IMAGE128
Figure 270091DEST_PATH_IMAGE129
式中，
Figure 747340DEST_PATH_IMAGE130
为初始预测时域长度，
Figure 66326DEST_PATH_IMAGE131
为
Figure 561898DEST_PATH_IMAGE132
时刻预测时域长度，
Figure 573717DEST_PATH_IMAGE133
为时域数量。
本发明至少具有以下有益效果之一：
1）建立双闭环(double loop，DL)机制，在可控资源实际状态反馈的基础上，构造可再生能源预测误差和系统成本预测误差反馈双闭环，可在增强系统消纳可再生能源出力不确定性能力的同时提高系统调度的准确性和可靠性；
2）提出自适应步长(adaptive step，AS)策略，根据双闭环实时反馈的调度误差和预测误差设计变步长决策指标，自适应MPC时间步长和域参数，以协调计算时间和优化精度之间的矛盾，提高系统运行效率；
3）以日前优化调度的结果作为日内调度的参考，基于自适应步长双闭环模型预测控制建立两阶段调度模型，并利用复合微分进化算法对模型进行求解，实现快速而准确的主动配电网经济调度。
附图说明
图1为本发明优选实施例中一种自适应步长双闭环MPC优化调度方法的步骤流程图；
图2为本发明优选实施例中日内ASDL-MPC调度模型求解步骤流程图；
图3为常规MPC策略结构框图；
图4为本发明优选实施例中双闭环机制整体结构框图；
图5为本发明优选实施例中优化调度过程框图。
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。
在本发明的描述中，需要理解的是，术语“中心、纵向、横向、长度、宽度、厚度、上、下、前、后、左、右、竖直、水平、顶、底、内、外、顺时针、逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
参照图1至图5，本发明的优选实施例，一种自适应步长双闭环MPC优化调度方法，具有以下步骤：
步骤1、在主动配电网的日前优化调度阶段，优化控制变量包括可控分布式电源有功出力、储能装置充放电功率、提前通知用户的可中断负荷功率以及与主网联络线交换功率，建立以主动配电网运行成本最小为优化目标的日前优化调度模型；
步骤2、在日内优化调度阶段，日内优化调度的控制变量包括可控分布式电源有功出力、储能装置充放电功率以及与主网联络线交换功率，日内优化调度基于自适应步长双闭环模型预测控制策略建立以主动配电网运行成本最小化为优化目标的日内ASDL-MPC调度模型；
步骤3、采用复合微分进化CDE算法对日内ASDL-MPC调度模型进行求解，包括以下步骤：
步骤3.1初始化主动配电网各可控机组参数，将日前优化调度模型得到的可中断 负荷、储能装置充放电状态的调度结果导入日内ASDL-MPC调度模型作为参考，控制间隔为
Figure 131737DEST_PATH_IMAGE134
；
步骤3.2导入
Figure 395359DEST_PATH_IMAGE135
到
Figure 620804DEST_PATH_IMAGE136
时段可再生能源预测出力，其中，
Figure 164043DEST_PATH_IMAGE137
从0时刻开始，总 时段为24h，M为时域数量，采用CDE 算法，初始化第一代种群，设置最大迭代次数
Figure 740518DEST_PATH_IMAGE138
，当前 迭代次数
Figure 542252DEST_PATH_IMAGE139
从1开始；计算个体适应度值并排序，将种群分为优势种群和劣势种群，分别按 照DE/rand/1和DE/best/1变异策略更新优势种群和劣势种群，不断优化迭代直到
Figure 356624DEST_PATH_IMAGE140
， 得到
Figure 975824DEST_PATH_IMAGE141
个
Figure 898650DEST_PATH_IMAGE142
时段，即时域长度为
Figure 363129DEST_PATH_IMAGE143
内运行成本最低的最优调度方案
Figure 172953DEST_PATH_IMAGE144
和最低预测成本
Figure 963055DEST_PATH_IMAGE145
，其中
Figure 982963DEST_PATH_IMAGE146
为可控资源计划出力 值，包括可控分布式电源计划出力、储能装置计划充放电功率及与主网联络线交换功率；其 中，预测运行成本
Figure 877232DEST_PATH_IMAGE147
由预测模型得到；
步骤3.3时间向后滚动
Figure 931776DEST_PATH_IMAGE148
，判断当前时刻是否满足条件
Figure 502566DEST_PATH_IMAGE149
h,若满足则下 发
Figure 9770DEST_PATH_IMAGE150
时刻可控分布式电源计划出力
Figure 206265DEST_PATH_IMAGE151
及与主网联络线计划交换功率
Figure 115316DEST_PATH_IMAGE152
，作为可控分布式电 源实际出力
Figure 981640DEST_PATH_IMAGE153
及与主网联络线实际交换功率
Figure 648245DEST_PATH_IMAGE154
；导入
Figure 884317DEST_PATH_IMAGE155
时刻可再生能源实际出力，根据 功率平衡约束确定储能装置实际充放电功率
Figure 913453DEST_PATH_IMAGE156
，并计算各可控资源实际状态作为下一轮 时域滚动优化的初始值，形成单闭环反馈，若不满足则停止循环，日内优化调度结束；
步骤3.4利用成本函数得到t时刻的实际运行成本，利用预测模型得到t时刻的预 测运行成本，用实际运行成本对预测运行成本进行反馈校正，形成双闭环反馈；采用自适应 步长策略确定新的域参数，利用
Figure 560466DEST_PATH_IMAGE157
时刻可再生能源出力预测误差和反馈校正信息计算变步 长决策指标
Figure 307842DEST_PATH_IMAGE158
，根据
Figure 846139DEST_PATH_IMAGE158
的大小确定时间步长变化量
Figure 464203DEST_PATH_IMAGE159
，计算新的时间步长
Figure 937909DEST_PATH_IMAGE160
，进而得 到新的控制时域长度
Figure 782368DEST_PATH_IMAGE161
与预测时域长度
Figure 468565DEST_PATH_IMAGE162
；
步骤3.5主动配电网得到新的域参数后，转步骤3.2开始下一轮的时域滚动，时域 长度
Figure 86673DEST_PATH_IMAGE163
根据时间步长的大小自适应改变，然后通过复合微分进化CDE算法得到新的运行 时域内最优调度方案，如此循环直至24小时滚动优化完毕，最终得到主动配电网日运行成 本最优调度方案。
本发明的日内优化调度在常规MPC策略的基础上，建立双闭环反馈机制，主要包括单闭环反馈、自适应步长策略及增加闭环反馈环节，各环节之间协调关系如图4所示：
当滚动优化过程结束，时域向后滚动，系统得到时段内运行成本最小的调度策略， 但只下发第一个时段，即
Figure 200122DEST_PATH_IMAGE164
时段的出力计划，将与主网联络线计划交换功率
Figure 656511DEST_PATH_IMAGE165
和可控分布 式资源计划出力
Figure 287344DEST_PATH_IMAGE166
作为对应的实际功率，利用可再生能源当前时刻的实际出力和功率平 衡公式计算储能装置实际充放电功率，根据与主网联络线交换功率
Figure 879999DEST_PATH_IMAGE167
、可控分布式电源实 际出力
Figure 820142DEST_PATH_IMAGE168
和储能装置实际充放电功率
Figure 498248DEST_PATH_IMAGE169
计算其实际状态，将各可控资源的实际状态反 馈到滚动优化部分，作为新一轮滚动优化的初始，由此形成单闭环反馈；
将主动配电网的可控资源在上一时段的实际功率
Figure 791826DEST_PATH_IMAGE170
输入成本函数模 块，计算得到实际运行成本，与此同时，系统预测模型通过上一时段的调度计划，得到预测 输出，将此预测输出与实际运行成本共同输入到反馈校正部分，对运行成本进行校正，经系 统反馈校正后的信息输入自适应步长策略；
在新的采样时刻，将上一时段对运行成本反馈校正后的信息与可再生能源预测出 力、可再生能源实际出力共同输入自适应步长决策模块，通过自适应步长决策确定时间步 长变化量
Figure 379934DEST_PATH_IMAGE171
，进而计算新的预测时域
Figure 100765DEST_PATH_IMAGE172
、控制时域
Figure 157845DEST_PATH_IMAGE173
和控制间隔
Figure 255114DEST_PATH_IMAGE174
域参数，并由此得到新 的滚动优化时段，使下一轮的优化调度能根据实际运行情况和气象环境自适应动态调整时 间步长，增强调度的准确性。
作为本发明的优选实施例，其还可具有以下附加技术特征：
优选的，
在步骤1中，日前优化调度模型的目标函数为：
Figure 556782DEST_PATH_IMAGE175
式中，
Figure 589460DEST_PATH_IMAGE176
为一个日前优化调度周期的总时段数；
Figure 507738DEST_PATH_IMAGE177
分别为可控分布式 电源、可中断负荷和储能装置的节点数量；
Figure 2173DEST_PATH_IMAGE178
为日前
Figure 689506DEST_PATH_IMAGE179
时刻主动配电网与主网联络线交换 功率成本；
Figure 752140DEST_PATH_IMAGE180
分别为日前
Figure 767501DEST_PATH_IMAGE181
时刻第
Figure 472152DEST_PATH_IMAGE182
处可控分布式电源发电成本和第
Figure 640090DEST_PATH_IMAGE183
处的 储能装置运行成本；
Figure 139205DEST_PATH_IMAGE184
为日前
Figure 376282DEST_PATH_IMAGE185
时刻对区域内第
Figure 353465DEST_PATH_IMAGE186
处可中断负荷进行控制所产生的成 本；
其中，日前
Figure 405604DEST_PATH_IMAGE181
时刻主动配电网与主网联络线交换功率成本为：
Figure 75620DEST_PATH_IMAGE187
式中，
Figure 65572DEST_PATH_IMAGE188
为主动配电网在日前调度阶段与主网在日前
Figure 846447DEST_PATH_IMAGE181
时刻交互功率；
Figure 988977DEST_PATH_IMAGE189
为日前
Figure 829894DEST_PATH_IMAGE181
时刻电量交易价格；
日前
Figure 307143DEST_PATH_IMAGE181
时刻第
Figure 891708DEST_PATH_IMAGE182
处可控分布式电源发电成本为：
Figure 387280DEST_PATH_IMAGE190
式中，
Figure 399099DEST_PATH_IMAGE191
为可控分布式电源的发电成本，单位为元/ kW•h；
Figure 98064DEST_PATH_IMAGE192
为日前
Figure 486320DEST_PATH_IMAGE181
时刻 第
Figure 337864DEST_PATH_IMAGE182
处可控分布式电源的发电功率；
日前
Figure 520584DEST_PATH_IMAGE181
时刻第
Figure 972425DEST_PATH_IMAGE193
处可中断负荷进行控制所产生的成本为：
Figure 898793DEST_PATH_IMAGE194
式中，
Figure 103378DEST_PATH_IMAGE195
为可中断负荷控制单位负荷的补偿费用，单位为元/kW•h；
Figure 722578DEST_PATH_IMAGE196
为日前
Figure 396136DEST_PATH_IMAGE181
时刻对第
Figure 860615DEST_PATH_IMAGE193
处可中断负荷进行控制的电量；
日前
Figure 686751DEST_PATH_IMAGE181
时刻第
Figure 476853DEST_PATH_IMAGE197
处储能装置运行成本为：
Figure 372127DEST_PATH_IMAGE198
式中，
Figure 905877DEST_PATH_IMAGE199
分别为储能装置的单位容量安装成本、资本回收系数和容量因 素；
Figure 85054DEST_PATH_IMAGE200
分别为储能装置的年运行小时数和运行管理成本系数；
Figure 780478DEST_PATH_IMAGE201
为第
Figure 428628DEST_PATH_IMAGE197
处储能 装置在日前
Figure 500489DEST_PATH_IMAGE181
时刻的充放电功率。
本发明设置日前优化调度阶段的单位时间步长为1h。
在步骤1中，包括构建日前优化调度模型的约束条件，约束条件包括：
日前
Figure 35638DEST_PATH_IMAGE181
时刻功率平衡约束，
Figure 167542DEST_PATH_IMAGE202
式中，
Figure 37409DEST_PATH_IMAGE203
分别为第
Figure 912961DEST_PATH_IMAGE204
台储能装置日前
Figure 66731DEST_PATH_IMAGE181
时刻放电、充电功率；
Figure 838378DEST_PATH_IMAGE205
分别为日前
Figure 726699DEST_PATH_IMAGE181
时刻预测的分布式风电、分布式光伏的发电功率；
Figure 140363DEST_PATH_IMAGE206
为主动配电网日前
Figure 384525DEST_PATH_IMAGE181
时 刻的负荷功率；
日前
Figure 592652DEST_PATH_IMAGE207
时刻可控分布式发电机组上下限约束，即日前
Figure 437112DEST_PATH_IMAGE207
时刻可控分布式电源上下 限约束，
Figure 654466DEST_PATH_IMAGE208
式中，
Figure 517249DEST_PATH_IMAGE209
分别为第
Figure 161857DEST_PATH_IMAGE210
台可控发电机组的最小和最大输出功率；
日前
Figure 493612DEST_PATH_IMAGE211
时刻可控分布式发电机组爬坡约束，即日前
Figure 249079DEST_PATH_IMAGE211
时刻可控分布式电源爬坡约 束，
Figure 745131DEST_PATH_IMAGE212
式中，
Figure 560640DEST_PATH_IMAGE213
分别为第
Figure 114112DEST_PATH_IMAGE214
台可控分布式发电机组的爬坡和滑坡速率；
Figure 673270DEST_PATH_IMAGE215
为调度的 时间间隔；
日前
Figure 510644DEST_PATH_IMAGE211
时刻可中断负荷约束，
Figure 497055DEST_PATH_IMAGE216
式中，
Figure 803402DEST_PATH_IMAGE217
为第
Figure 900671DEST_PATH_IMAGE218
处可中断负荷在日前
Figure 94018DEST_PATH_IMAGE211
时刻最大调度量，与日前
Figure 251330DEST_PATH_IMAGE211
时刻负荷量 有关；
日前
Figure 779394DEST_PATH_IMAGE211
时刻储能装置充放电约束，
Figure 680354DEST_PATH_IMAGE219
式中，
Figure 492321DEST_PATH_IMAGE220
为储能装置在日前
Figure 820534DEST_PATH_IMAGE211
时刻的荷电状态；
Figure 835895DEST_PATH_IMAGE221
分别为储能装 置的最大充、放电功率；
Figure 274966DEST_PATH_IMAGE222
分别为储能装置的充电效率和放电效率；
Figure 551227DEST_PATH_IMAGE223
为储能装置的 储能容量；
Figure 942019DEST_PATH_IMAGE224
分别为储能装置的最大和最小荷电状态。
在步骤2中，所述日内ASDL-MPC调度模型中的滚动优化目标函数为：
Figure 444676DEST_PATH_IMAGE225
式中，
Figure 687438DEST_PATH_IMAGE226
为当前时刻；
Figure 473998DEST_PATH_IMAGE227
分别为日内滚动优化阶段
Figure 144013DEST_PATH_IMAGE228
时刻主动 配电网与主网联络线交换功率成本、可控分布式电源发电成本以及储能装置运行成本；
在日内滚动优化阶段，模型优化目标仍为主动配电网运行成本最小化，但求解时 长由日前24h缩短为
Figure 868387DEST_PATH_IMAGE229
时段，在日内ASDL-MPC调度模型中，可中断负荷以及储能装置的 充放电状态已在日前调度阶段确定，其他约束条件与日前优化调度阶段保持一致。
在步骤3.4中，所述日内ASDL-MPC调度模型中的预测模型为成本函数，如式所示：
Figure 914840DEST_PATH_IMAGE230
式中，
Figure 57371DEST_PATH_IMAGE231
表示
Figure 898288DEST_PATH_IMAGE232
时刻预测
Figure 969012DEST_PATH_IMAGE233
时刻的调度成本，
Figure 694523DEST_PATH_IMAGE234
分别为与 主网联络线交互、可控分布式电源发电和储能装置运行的成本函数；
Figure 986833DEST_PATH_IMAGE235
分别为滚 动优化调度下发的第一时段，即
Figure 874017DEST_PATH_IMAGE236
时段，主动配电网与主网联络线交换功率、可控分布式电 源发电功率和储能装置运行功率的计划值；预测模型指根据被控对象历史信息和未来输 入，预测系统未来的输出。形式没有严格的限定，凡是具有预测系统未来状态的模型都可以 作为预测模型。故本发明选成本函数作为MPC的预测模型。
在步骤3.4中，所述变步长决策指标
Figure 963196DEST_PATH_IMAGE237
计算公式如式所示：
Figure 711971DEST_PATH_IMAGE238
Figure 202995DEST_PATH_IMAGE239
式中，
Figure 261081DEST_PATH_IMAGE240
为
Figure 571977DEST_PATH_IMAGE241
时刻预测
Figure 622978DEST_PATH_IMAGE242
时刻的可再生能源出力值，
Figure 968509DEST_PATH_IMAGE243
为
Figure 197496DEST_PATH_IMAGE244
时刻可 再生能源实际有功出力，
Figure 995688DEST_PATH_IMAGE245
为
Figure 351845DEST_PATH_IMAGE246
时刻的风光决策指标，
Figure 551882DEST_PATH_IMAGE247
为
Figure 951771DEST_PATH_IMAGE248
时刻预测
Figure 237259DEST_PATH_IMAGE249
时刻 的运行成本，
Figure 895642DEST_PATH_IMAGE250
为
Figure 950186DEST_PATH_IMAGE251
时刻的实际运行成本，
Figure 520975DEST_PATH_IMAGE252
为
Figure 293759DEST_PATH_IMAGE253
时刻的成本决策指标，
Figure 991719DEST_PATH_IMAGE254
为
Figure 900769DEST_PATH_IMAGE255
时刻的变 步长决策指标；
自适应步长策略中初始时间步长为
Figure 908040DEST_PATH_IMAGE256
，
Figure 902541DEST_PATH_IMAGE257
时刻时间步长为
Figure 840410DEST_PATH_IMAGE258
，根据变步长决策指 标，对
Figure 495644DEST_PATH_IMAGE259
进行自适应调整，如式所示：
Figure 798449DEST_PATH_IMAGE260
Figure 155613DEST_PATH_IMAGE261
式中，
Figure 569276DEST_PATH_IMAGE262
为时间步长变化量，根据
Figure 577552DEST_PATH_IMAGE263
的大小自适应调整；
Figure 51259DEST_PATH_IMAGE264
为时间步长基准量，
Figure 895718DEST_PATH_IMAGE265
取值范围为[-2,3]；
对时间步长基准量
Figure 113073DEST_PATH_IMAGE266
的定义如式所示：
Figure 465602DEST_PATH_IMAGE267
控制间隔
Figure 110210DEST_PATH_IMAGE268
计算公式如式所示：
Figure 441965DEST_PATH_IMAGE269
式中，
Figure 197432DEST_PATH_IMAGE270
为最小采样间隔,初始控制间隔由
Figure 180300DEST_PATH_IMAGE271
个最小采样间隔组成，
Figure 730230DEST_PATH_IMAGE272
时刻控制 间隔由
Figure 549281DEST_PATH_IMAGE273
个最小采样间隔组成；
预测时域长度的计算公式如式所示：
Figure 108439DEST_PATH_IMAGE274
Figure 447278DEST_PATH_IMAGE275
式中，
Figure 433689DEST_PATH_IMAGE276
为初始预测时域长度，
Figure 474457DEST_PATH_IMAGE277
为
Figure 571726DEST_PATH_IMAGE278
时刻预测时域长度，
Figure 529187DEST_PATH_IMAGE279
为时域数量。
若变步长决策指标
Figure 686499DEST_PATH_IMAGE280
较大，则步长变化量
Figure 73618DEST_PATH_IMAGE281
会随之变大，时间步长
Figure 849944DEST_PATH_IMAGE282
随之变小， 使得控制间隔变小。即当可再生能源出力预测误差与系统调度误差较大时，自适应减小控 制间隔，对可再生能源出力突变造成的功率不平衡问题进行及时处理，减少系统在不安全 状态下运行的时间并做出调整；否则，时间步长自适应增大，控制间隔相应增大，减少滚动 优化计算频率，避免可再生能源预测精度较高情况下的冗余计算，降低滚动优化计算时长， 提高运行效率。
当变步长决策指标
Figure 537277DEST_PATH_IMAGE283
较小时，时间步长变化量
Figure 757168DEST_PATH_IMAGE284
会随之变小，时间步长
Figure 772529DEST_PATH_IMAGE285
随之增 大，进而使预测时域长度
Figure 211600DEST_PATH_IMAGE286
变大。即当可再生能源出力预测误差与系统调度误差较小时， 自适应放宽预测时域，减小计算时长，滚动时域全局性能更佳；反之，自适应缩短预测时域， 则可再生能源预测精度随时域的降低而增高，提升系统精细化水平，在降低系统调度误差 的同时增强主动配电网应对可再生能源不确定性的能力。
本发明针对常规模型预测控制应用在主动配电网有功调度中存在的问题，提出基于自适应步长双闭环模型预测控制主动配电网优化调度策略，改进了常规模型预测控制策略固定域参数及反馈机制的不足，并采用复合微分进化算法进行模型求解，算例验证结果表明：
1）与固定步长的模型预测控制相比，自适应步长策略有效提高了系统应对可再生能源不确定性方面的能力，在降低运行成本的同时提高了系统的运行效率。
2）双闭环反馈机制能充分利用系统动态预测和实时信息消纳可再生能源出力不确定性，相较于单闭环模型预测控制，可有效降低调度误差，提高系统可靠性和调度准确性。
3）对基于自适应变步长双闭环MPC的调度模型，将复合微分进化算法引入其求解部分，为基于模型预测控制的主动配电网优化调度策略提供了新思路。
在不出现冲突的前提下，本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
以上所述仅为本发明的优先实施方式，只要以基本相同手段实现本发明目的的技术方案都属于本发明的保护范围之内。

Claims (6)

1.一种自适应步长双闭环MPC优化调度方法，其特征在于，具有以下步骤：
步骤1、在主动配电网的日前优化调度阶段，优化控制变量包括可控分布式电源有功出力、储能装置充放电功率、提前通知用户的可中断负荷功率以及与主网联络线交换功率，建立以主动配电网运行成本最小为优化目标的日前优化调度模型；
步骤2、在日内优化调度阶段，日内优化调度的控制变量包括可控分布式电源有功出力、储能装置充放电功率以及与主网联络线交换功率，日内优化调度基于自适应步长双闭环模型预测控制策略建立以主动配电网运行成本最小化为优化目标的日内ASDL-MPC调度模型；
步骤3、采用复合微分进化CDE算法对日内ASDL-MPC调度模型进行求解，包括以下步骤：
步骤3.1初始化主动配电网各可控机组参数，将日前优化调度模型得到的可中断负荷、 储能装置充放电状态的调度结果导入日内ASDL-MPC调度模型作为参考，控制间隔为
Figure 168392DEST_PATH_IMAGE001
；
步骤3.2导入
Figure 616691DEST_PATH_IMAGE002
到
Figure 786641DEST_PATH_IMAGE003
时段可再生能源预测出力，其中，
Figure 713009DEST_PATH_IMAGE004
从0时刻开始，总时段 为24h，M为时域数量，采用CDE 算法，初始化第一代种群，设置最大迭代次数
Figure 933906DEST_PATH_IMAGE005
，当前迭代 次数
Figure 21948DEST_PATH_IMAGE006
从1开始；计算个体适应度值并排序，将种群分为优势种群和劣势种群，分别按照DE/ rand/1和DE/best/1变异策略更新优势种群和劣势种群，不断优化迭代直到
Figure 820139DEST_PATH_IMAGE007
，得到
Figure 188015DEST_PATH_IMAGE008
个
Figure 122473DEST_PATH_IMAGE009
时段，即时域长度为
Figure 522362DEST_PATH_IMAGE010
内运行成本最低的最优调度方案
Figure 542270DEST_PATH_IMAGE011
和最低预测成本
Figure 810441DEST_PATH_IMAGE012
，其中
Figure 989618DEST_PATH_IMAGE013
为可控资源计划出力 值，包括可控分布式电源计划出力、储能装置计划充放电功率及与主网联络线交换功率；其 中，预测运行成本
Figure 685042DEST_PATH_IMAGE014
由预测模型得到；
步骤3.3时间向后滚动
Figure 333192DEST_PATH_IMAGE015
，判断当前时刻是否满足条件
Figure 139474DEST_PATH_IMAGE016
h,若满足则下发
Figure 48524DEST_PATH_IMAGE017
时刻可控分布式电源计划出力
Figure 540948DEST_PATH_IMAGE018
及与主网联络线计划交换功率
Figure 535448DEST_PATH_IMAGE019
，作为可控分布式电源 实际出力
Figure 20787DEST_PATH_IMAGE020
及与主网联络线实际交换功率
Figure 49923DEST_PATH_IMAGE021
；导入
Figure 87150DEST_PATH_IMAGE022
时刻可再生能源实际出力，根据功率 平衡约束确定储能装置实际充放电功率
Figure 693580DEST_PATH_IMAGE023
，并计算各可控资源实际状态作为下一轮时域 滚动优化的初始值，形成单闭环反馈，若不满足则停止循环，日内优化调度结束；
步骤3.4利用成本函数得到t时刻的实际运行成本，利用预测模型得到t时刻的预测运 行成本，用实际运行成本对预测运行成本进行反馈校正，形成双闭环反馈；采用自适应步长 策略确定新的域参数，利用
Figure 107244DEST_PATH_IMAGE024
时刻可再生能源出力预测误差和反馈校正信息计算变步长决 策指标
Figure 866253DEST_PATH_IMAGE025
，根据
Figure 339959DEST_PATH_IMAGE025
的大小确定时间步长变化量
Figure 935151DEST_PATH_IMAGE026
，计算新的时间步长
Figure 886926DEST_PATH_IMAGE027
，进而得到新 的控制时域
Figure 766021DEST_PATH_IMAGE028
与预测时域长度
Figure 410629DEST_PATH_IMAGE029
；
步骤3.5主动配电网得到新的域参数后，转步骤3.2开始下一轮的时域滚动，时域长度
Figure 991652DEST_PATH_IMAGE030
根据时间步长的大小自适应改变，然后通过复合微分进化CDE算法得到新的运行时域 内最优调度方案，如此循环直至24小时滚动优化完毕，最终得到主动配电网日运行成本最 优调度方案。
2.根据权利要求1所述的一种自适应步长双闭环MPC优化调度方法，其特征在于，在步骤1中，所述日前优化调度模型的目标函数为：
Figure 747118DEST_PATH_IMAGE031
式中，
Figure 215140DEST_PATH_IMAGE032
为一个日前优化调度周期的总时段数；
Figure 30649DEST_PATH_IMAGE033
分别为可控分布式电 源、可中断负荷和储能装置的节点数量；
Figure 600433DEST_PATH_IMAGE034
为日前
Figure 159590DEST_PATH_IMAGE035
时刻主动配电网与主网联络线交换功 率成本；
Figure 747697DEST_PATH_IMAGE036
分别为日前
Figure 468529DEST_PATH_IMAGE037
时刻第
Figure 24144DEST_PATH_IMAGE038
处可控分布式电源发电成本和第
Figure 121413DEST_PATH_IMAGE039
处的储能装 置运行成本；
Figure 829606DEST_PATH_IMAGE040
为日前
Figure 721338DEST_PATH_IMAGE041
时刻对区域内第
Figure 265714DEST_PATH_IMAGE042
处可中断负荷进行控制所产生的成本；
其中，日前
Figure 166674DEST_PATH_IMAGE043
时刻主动配电网与主网联络线交换功率成本为：
Figure 463795DEST_PATH_IMAGE044
式中，
Figure 792008DEST_PATH_IMAGE045
为主动配电网在日前调度阶段与主网在日前
Figure 791057DEST_PATH_IMAGE046
时刻交互功率；
Figure 495708DEST_PATH_IMAGE047
为日前
Figure 912914DEST_PATH_IMAGE048
时刻 电量交易价格；
日前
Figure 412028DEST_PATH_IMAGE043
时刻第
Figure 665417DEST_PATH_IMAGE038
处可控分布式电源发电成本为：
Figure 908180DEST_PATH_IMAGE049
式中，
Figure 179892DEST_PATH_IMAGE050
为可控分布式电源的发电成本，单位为元/ kW•h；
Figure 849908DEST_PATH_IMAGE051
为日前
Figure 89128DEST_PATH_IMAGE043
时刻第
Figure 870002DEST_PATH_IMAGE038
处可控分布式电源的发电功率；
日前
Figure 261800DEST_PATH_IMAGE043
时刻第
Figure 102718DEST_PATH_IMAGE052
处可中断负荷进行控制所产生的成本为：
Figure 330699DEST_PATH_IMAGE053
式中，
Figure 915264DEST_PATH_IMAGE054
为可中断负荷控制单位负荷的补偿费用，单位为元/kW•h；
Figure 161569DEST_PATH_IMAGE055
为日前
Figure 173387DEST_PATH_IMAGE056
时 刻对第
Figure 731407DEST_PATH_IMAGE052
处可中断负荷进行控制的电量；
日前
Figure 509876DEST_PATH_IMAGE043
时刻第
Figure 610687DEST_PATH_IMAGE057
处储能装置运行成本为：
Figure 793407DEST_PATH_IMAGE058
式中，
Figure 995981DEST_PATH_IMAGE059
分别为储能装置的单位容量安装成本、资本回收系数和容量因素；
Figure 922348DEST_PATH_IMAGE060
分别为储能装置的年运行小时数和运行管理成本系数；
Figure 877666DEST_PATH_IMAGE061
为第
Figure 762445DEST_PATH_IMAGE057
处储能装置 在日前
Figure 419692DEST_PATH_IMAGE062
时刻的充放电功率。
3.根据权利要求2所述的一种自适应步长双闭环MPC优化调度方法，其特征在于，在步骤1中，包括构建日前优化调度模型的约束条件，约束条件包括：
日前
Figure 149750DEST_PATH_IMAGE043
时刻功率平衡约束，
Figure 959574DEST_PATH_IMAGE063
式中，
Figure 749676DEST_PATH_IMAGE064
分别为第
Figure 649544DEST_PATH_IMAGE065
台储能装置日前
Figure 917714DEST_PATH_IMAGE066
时刻放电、充电功率；
Figure 847624DEST_PATH_IMAGE067
分 别为日前
Figure 808627DEST_PATH_IMAGE068
时刻预测的分布式风电、分布式光伏的发电功率；
Figure 440465DEST_PATH_IMAGE069
为主动配电网日前
Figure 512326DEST_PATH_IMAGE070
时刻 的负荷功率；
日前
Figure 562322DEST_PATH_IMAGE070
时刻可控分布式发电机组上下限约束，即日前
Figure 428647DEST_PATH_IMAGE070
时刻可控分布式电源上下限约 束，
Figure 314825DEST_PATH_IMAGE071
式中，
Figure 924798DEST_PATH_IMAGE072
分别为第
Figure 829300DEST_PATH_IMAGE073
台可控发电机组的最小和最大输出功率；
日前
Figure 866526DEST_PATH_IMAGE070
时刻可控分布式发电机组爬坡约束，即日前
Figure 738536DEST_PATH_IMAGE070
时刻可控分布式电源爬坡约束，
Figure 152200DEST_PATH_IMAGE074
式中，
Figure 911209DEST_PATH_IMAGE075
分别为第
Figure 384915DEST_PATH_IMAGE076
台可控分布式发电机组的爬坡和滑坡速率；
Figure 88429DEST_PATH_IMAGE077
为调度的时间 间隔；
日前
Figure 931883DEST_PATH_IMAGE070
时刻可中断负荷约束，
Figure 670031DEST_PATH_IMAGE078
式中，
Figure 190006DEST_PATH_IMAGE079
为第
Figure 380816DEST_PATH_IMAGE080
处可中断负荷在日前
Figure 260916DEST_PATH_IMAGE081
时刻最大调度量，与日前
Figure 119150DEST_PATH_IMAGE082
时刻负荷量有 关；
日前
Figure 810026DEST_PATH_IMAGE070
时刻储能装置充放电约束，
Figure 753711DEST_PATH_IMAGE083
式中，
Figure 673388DEST_PATH_IMAGE084
为储能装置在
Figure 386129DEST_PATH_IMAGE085
时段的荷电状态；
Figure 247906DEST_PATH_IMAGE086
分别为储能装置的最大 充、放电功率；
Figure 678887DEST_PATH_IMAGE087
分别为储能装置的充电效率和放电效率；
Figure 900790DEST_PATH_IMAGE088
为储能装置的储能容 量；
Figure 468037DEST_PATH_IMAGE089
分别为储能装置的最大和最小荷电状态。
4.根据权利要求2所述的一种自适应步长双闭环MPC优化调度方法，其特征在于，在步骤2中，所述日内ASDL-MPC调度模型中的滚动优化目标函数为：
Figure 500715DEST_PATH_IMAGE090
式中，
Figure 418993DEST_PATH_IMAGE091
为当前时刻；
Figure 680472DEST_PATH_IMAGE092
分别为日内滚动优化阶段
Figure 367805DEST_PATH_IMAGE093
时刻主动配电 网与主网联络线交换功率成本、可控分布式电源发电成本以及储能装置运行成本；
在日内ASDL-MPC调度模型中，可中断负荷以及储能装置的充放电状态已在日前调度阶段确定，其他约束条件与日前优化调度阶段保持一致。
5.根据权利要求1所述的一种自适应步长双闭环MPC优化调度方法，其特征在于，在步骤3.4中，所述日内ASDL-MPC调度模型中的预测模型为成本函数，如式所示：
Figure 571385DEST_PATH_IMAGE094
式中，
Figure 711379DEST_PATH_IMAGE095
表示
Figure 540664DEST_PATH_IMAGE096
时刻预测
Figure 816924DEST_PATH_IMAGE097
时刻的调度成本，
Figure 456984DEST_PATH_IMAGE098
分别为与 主网联络线交互、可控分布式电源发电和储能装置运行的成本函数；
Figure 84275DEST_PATH_IMAGE099
分别为 滚动优化调度下发的第一时段，即
Figure 421977DEST_PATH_IMAGE100
时段，主动配电网与主网联络线交换功率、可控分布式 电源发电功率和储能装置运行功率的计划值。
6.根据权利要求1所述的一种自适应步长双闭环MPC优化调度方法，其特征在于，在步 骤3.4中，所述变步长决策指标
Figure 83903DEST_PATH_IMAGE101
计算公式如式所示：
Figure 629285DEST_PATH_IMAGE102
Figure 9450DEST_PATH_IMAGE103
式中，
Figure 914958DEST_PATH_IMAGE104
为
Figure 431390DEST_PATH_IMAGE105
时刻预测
Figure 147674DEST_PATH_IMAGE106
时刻的可再生能源出力值，
Figure 749556DEST_PATH_IMAGE107
为
Figure 960220DEST_PATH_IMAGE108
时刻可再 生能源实际有功出力，
Figure 331159DEST_PATH_IMAGE109
为
Figure 218343DEST_PATH_IMAGE110
时刻的风光决策指标，
Figure 41943DEST_PATH_IMAGE111
为
Figure 554832DEST_PATH_IMAGE112
时刻预测
Figure 780277DEST_PATH_IMAGE113
时刻 的运行成本，
Figure 838363DEST_PATH_IMAGE114
为
Figure 414838DEST_PATH_IMAGE115
时刻的实际运行成本，
Figure 967304DEST_PATH_IMAGE116
为
Figure 47256DEST_PATH_IMAGE117
时刻的成本决策指标，
Figure 541822DEST_PATH_IMAGE118
为
Figure 340014DEST_PATH_IMAGE119
时刻的变步 长决策指标；
所述自适应步长策略中初始时间步长为
Figure 929127DEST_PATH_IMAGE120
，
Figure 129164DEST_PATH_IMAGE121
时刻时间步长为
Figure 794632DEST_PATH_IMAGE122
，根据变步长决策指 标，对
Figure 814541DEST_PATH_IMAGE123
进行自适应调整，如式所示：
Figure 798608DEST_PATH_IMAGE124
Figure 853151DEST_PATH_IMAGE125
式中，
Figure 423941DEST_PATH_IMAGE126
为时间步长变化量，
Figure 196725DEST_PATH_IMAGE127
根据的大小自适应调整；
Figure 393220DEST_PATH_IMAGE128
为时间步长基准量，
Figure 302270DEST_PATH_IMAGE129
取值 范围为[-2,3]；
对时间步长基准量
Figure 309540DEST_PATH_IMAGE130
的定义如式所示：
Figure 304041DEST_PATH_IMAGE131
控制间隔
Figure 805692DEST_PATH_IMAGE132
计算公式如式所示：
Figure 834828DEST_PATH_IMAGE133
式中，
Figure 747420DEST_PATH_IMAGE134
为最小采样间隔,初始控制间隔由
Figure 494796DEST_PATH_IMAGE135
个最小采样间隔组成，
Figure 33094DEST_PATH_IMAGE136
时刻控制间隔 由
Figure 916736DEST_PATH_IMAGE137
个最小采样间隔组成；
预测时域长度的计算公式如式所示：
Figure 230DEST_PATH_IMAGE138
Figure 969323DEST_PATH_IMAGE139
式中，
Figure 78356DEST_PATH_IMAGE140
为初始预测时域长度，
Figure 550925DEST_PATH_IMAGE141
为
Figure 336479DEST_PATH_IMAGE142
时刻预测时域长度，
Figure 917502DEST_PATH_IMAGE143
为时域数量。
CN202210807260.4A 2022-07-11 2022-07-11 一种自适应步长双闭环mpc优化调度方法 Active CN114884057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210807260.4A CN114884057B (zh) 2022-07-11 2022-07-11 一种自适应步长双闭环mpc优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210807260.4A CN114884057B (zh) 2022-07-11 2022-07-11 一种自适应步长双闭环mpc优化调度方法

Publications (2)

Publication Number Publication Date
CN114884057A true CN114884057A (zh) 2022-08-09
CN114884057B CN114884057B (zh) 2022-09-09

Family

ID=82683463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210807260.4A Active CN114884057B (zh) 2022-07-11 2022-07-11 一种自适应步长双闭环mpc优化调度方法

Country Status (1)

Country Link
CN (1) CN114884057B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101786904B1 (ko) * 2016-08-17 2017-11-15 인천대학교 산학협력단 마이크로그리드 제어를 위한 bess에의 모델 예측 제어 장치 및 방법
CN107732982A (zh) * 2017-10-20 2018-02-23 河海大学 考虑模型预测控制的综合能源系统多时间尺度调度方法
CN110137942A (zh) * 2019-04-23 2019-08-16 河海大学 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和系统
CN110854932A (zh) * 2019-11-21 2020-02-28 国网山东省电力公司青岛供电公司 一种交直流配电网多时间尺度优化调度方法及系统
CN112003330A (zh) * 2020-09-02 2020-11-27 浙江浙能技术研究院有限公司 一种基于自适应控制的微网能量优化调度方法
CN112234658A (zh) * 2020-12-10 2021-01-15 华东交通大学 一种基于ddr-mpc的微网时域滚动优化调度方法
CN112688307A (zh) * 2020-12-04 2021-04-20 国网江苏省电力有限公司连云港供电分公司 一种交直流混合微电网控制器及控制方法
CN113408962A (zh) * 2021-07-28 2021-09-17 贵州大学 一种电网多时间尺度多目标能量优化调度方法
CN113937752A (zh) * 2021-09-02 2022-01-14 国网山东省电力公司济南供电公司 基于随机模型预测控制的主动配电网优化调度方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101786904B1 (ko) * 2016-08-17 2017-11-15 인천대학교 산학협력단 마이크로그리드 제어를 위한 bess에의 모델 예측 제어 장치 및 방법
CN107732982A (zh) * 2017-10-20 2018-02-23 河海大学 考虑模型预测控制的综合能源系统多时间尺度调度方法
CN110137942A (zh) * 2019-04-23 2019-08-16 河海大学 基于模型预测控制的多时间尺度柔性负荷滚动调度方法和系统
CN110854932A (zh) * 2019-11-21 2020-02-28 国网山东省电力公司青岛供电公司 一种交直流配电网多时间尺度优化调度方法及系统
CN112003330A (zh) * 2020-09-02 2020-11-27 浙江浙能技术研究院有限公司 一种基于自适应控制的微网能量优化调度方法
CN112688307A (zh) * 2020-12-04 2021-04-20 国网江苏省电力有限公司连云港供电分公司 一种交直流混合微电网控制器及控制方法
CN112234658A (zh) * 2020-12-10 2021-01-15 华东交通大学 一种基于ddr-mpc的微网时域滚动优化调度方法
CN113408962A (zh) * 2021-07-28 2021-09-17 贵州大学 一种电网多时间尺度多目标能量优化调度方法
CN113937752A (zh) * 2021-09-02 2022-01-14 国网山东省电力公司济南供电公司 基于随机模型预测控制的主动配电网优化调度方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M.NASSOUROU等: "robust economic model predictive control for energy dispatch in smart micro-grids considering demand uncertainty", 《2019 24TH IEEE INTERNATIONAL CONFERENCE ON EMERGING TECHONOLOGIES AND FACTORY AUTOMATION》 *
孙惠娟等: "基于差异化需求响应模型预测控制的微网时域滚动优化调度", 《电网技术》 *

Also Published As

Publication number Publication date
CN114884057B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN112072712B (zh) 综合能源系统多时间尺度优化调度方法、系统及存储介质
CN104993522B (zh) 一种基于mpc的主动配电网多时间尺度协调优化调度方法
CN112529256B (zh) 考虑多重不确定性的分布式电源集群日前调度方法和系统
CN110311421A (zh) 基于需求侧响应的微电网多时间尺度能量管理方法
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
CN116345577B (zh) 风-光-储微电网能量调控优化方法、设备及存储介质
CN113258581B (zh) 一种基于多智能体的源荷协调电压控制方法及装置
CN105006843A (zh) 一种应对风电不确定性的多时间尺度柔性负荷调度方法
CN111786422B (zh) 基于bp神经网络的微电网参与上层电网实时优化调度方法
CN111293682B (zh) 一种基于协同模型预测控制的多微网能量管理方法
CN108039737A (zh) 一种源网荷协调运行模拟系统
CN111245024B (zh) 基于模型预测控制的综合能源系统鲁棒优化运行方法
CN116050637A (zh) 基于分时电价的综合能源虚拟电厂优化调度方法及系统
CN115776125A (zh) 一种储能与新能源场站的协同运行优化方法及装置
CN111817296A (zh) 一种微电网用电能调度方法及系统
CN112001523A (zh) 考虑多种储能的综合能源多尺度优化调度控制方法及系统
CN117791643A (zh) 风光水火储协同博弈的电网智能调频方法及系统
CN103679284A (zh) 一种消纳风电接入的定区间滚动调度方法
CN117767349A (zh) 风光储新能源电站的优化调度与协调控制方法及系统
CN113836689A (zh) 新能源冷热电联供系统分时间尺度运行优化方法及系统
CN114884057B (zh) 一种自适应步长双闭环mpc优化调度方法
CN106251074A (zh) 一种协同的电网超前调度模型的建立方法及其计算方法
CN115411776A (zh) 住宅综合能源系统的热电协同调度方法及装置
CN116107206A (zh) 温室设备控制方法
CN113919131A (zh) 一种基于模型预测控制的含光热电站系统优化调度框架

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
TR01 Transfer of patent right

Effective date of registration: 20240718

Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: No. 808, Shuanggang East Street, Nanchang Economic and Technological Development Zone, Jiangxi Province

Patentee before: East China Jiaotong University

Country or region before: China

TR01 Transfer of patent right