CN116488254A - 一种电力电子设备日前优化控制方法 - Google Patents

Abstract

本发明涉及一种电力电子设备日前优化控制方法，属于能源优化控制技术领域。本发明首先构建微电网内部模型，对微电网中的发电系统和负荷系统进行短期预测，根据微电网构建拓扑结构，根据得到的拓扑结构信息、电力电子设备和负荷需求信息，形成功率最优路径集，以经济成本最低为目标建立最优出力模型，根据次日购/收电政策和对应的使用电量得到最优用电时段，根据发电的预测数据、负荷用电预测数据、最优用电时段和充放电计划，基于微电网模型的约束条件，以及功率最优路径数据集，对模型求解，得到日前最优出力计划，根据日前最优出力计划进行控制，该方法同时考虑了负荷用电和能源路由调度的情况，降低经济使用成本。

Description

一种电力电子设备日前优化控制方法

技术领域

本发明涉及一种电力电子设备日前优化控制方法，属于能源优化控制技术领域。

背景技术

电力电子设备集成源-荷-储端功率变换装置，将能源综合利用的一体化新装备，具有即插即用、集成高效、智能管理的优势，同时互联网与电力电子技术深度融合，提高新能源的利用率，实现了能源的高效利用，在可再生能源最大化消纳、智能用电、电网稳定运行等方面都具有十分重要的意义。

现有技术介绍了优化运行控制方法是根据地方分时电价、限电政策等结果，求解与大电网功率交互、储能出力计划等，其方法可以实现全局优化，但不能很好的应对新能源发电和负荷用电的不确定性，当考虑到负荷用电时，则会出现用电成本高的问题，仅考虑成本因素时，则不能很好的满足负荷用电需求；另外从电能路由的角度出发，利用多代理技术，构建基于电力电子设备拓扑结构的单输入单输出电能路由，并采用一系列理论算法求解能源路由最优路径，以实现能量的最短路径的流动，使系统运行在最优状态，但没有考虑多能量流作用下的能源路由调度情况，因此现有的优化运行控制方法无法同时满足负荷用电需求和经济最优需求，优化运行控制效果并不理想。

发明内容

本发明的目的是提供一种电力电子设备日前优化控制方法，用以解决微电网无法同时考虑负荷用电和能源路由调度导致日前优化控制效果不理想的问题。

为实现上述目的，本发明的方案包括：

本发明的一种电力电子设备日前优化控制方法，其特征在于，包括以下步骤：

1)构建微电网数学模型，所述微电网包括发电系统、储能系统和负荷系统；

2)获取历史发电数据和历史负荷数据，根据历史发电数据得到预测日的发电数据，根据历史负荷数据预测得到预测日的负荷数据；

3)根据微电网内发电系统、电力电子设备系统和负荷系统构建拓扑结构，所述拓扑结构的节点包括发电节点、电力电子设备节点和负荷节点，根据拓扑结构信息、电力电子设备、负荷需求功率，得到拓扑结构中的各节点间的功率最优路径数据，作为数据集；

4)以经济成本最低为目标建立最优出力模型，根据次日购/售电政策和对应的使用电量得到最优用电时段，根据发电的预测数据、负荷用电预测数据、最优用电时段和储能系统的充放电计划，基于微电网模型的约束条件，以及功率最优路径数据集，对最优出力模型求解，得到日前最优出力计划，根据日前最优出力计划进行控制。

有益效果：本发明的电力电子设备日前优化控制方法，结合数学模型和拓扑结构相结合的方式，考虑了次日购/售电政策和对应的使用电量得到最优用电时段，根据发电的预测数据、负荷用电预测数据、最优用电时段和储能系统的充放电计划的因素，在微电网模型约束条件下，基于构建的拓扑结构所得到的功率最优路径数据集，对经济成本最低为目标建立最优出力模型进行求解，得到日前最优出力计划，本发明的方法同时考虑了负荷用电以及能源调度的问题，在满足负荷用电的需求下，实现经济最优，即使用成本最低，获益最高。

进一步地，发电系统包括光伏发电系统和微燃机。

进一步地，光伏发电的预测过程为：获取预测日的天气信息、季节信息和发电数据，根据预测日天气信息和季节信息获取出相似日的历史发电数据，根据相似日的历史发电数据，对该光伏系统进行预测。

有益效果：本发明考虑了预测日的天气和季节因素，根据预测日的天气和季节因素从历史数据中找到相似日，根据预测日的相似日所得到的数据对预测日的发电数据进行预测，所预测的数据更加准确，符合实际需求。

进一步地，最优路径为：

式中，p_ij表示从i节点到j节点的所有路径集合，f_c(p)表示节点间线路消耗度量。进一步地，当售电电价超过设定值并在用电高峰时段时，限制负荷用电，发电系统发电、储能放电，当售电电价在设定值内并在用电低谷时段时，解除负荷用电限制，储能系统充电。

进一步地，当售电电价超过设定值并在用电高峰时段时，限制负荷用电，发电系统发电、储能放电，当售电电价在设定值内并在用电低谷时段时，解除负荷用电限制，储能系统充电。

进一步地，负荷系统预测过程为：根据次日温度数据、历史负荷数据和日期数据，对预测期的负荷数据采用不同预测方式进行预测，将所有的预测结果求平均误差，选取平均误差最小的预测结果作为负荷预测结果。

有益效果：根据次日温度数据、历史负荷数据和日期数据，对预测期的负荷数据采用不同预测方式进行预测，多种预测方式预测得到的数据误差较小，采用误差最小的预测结果，使负荷预测更为准确。

进一步地，预测负荷系统的方法包括神经网络方法、时间序列方法和向量机回归方法中至少两种。

进一步地，在确定最优路径时，将所述拓扑结构简化为无向图，拓扑结构的线路为无向有权边，权重为线路流过的能量。

有益效果：将拓扑结构简化为无向图，所述拓扑结构的线路为无向有权边，将拓扑结构进行简化，使所需数据更加清晰可观，在进行后续算法计算时更加便捷。

进一步地，其特征在于，光伏系统的约束条件为：

0≤P≤P_max

储能系统的约束条件为：

|SOC_余/天-SOC_初始|≤H_SOC

微燃机的约束条件为：

0≤Q_g热≤Q_g热

0≤Q_g冷≤Q_g冷

P_max为光伏系统在理想状态的最大功率，SOC_余/天为储能系统每天的剩余电量，SOC_初始为储能系统首次使用时的电量，Q_g热为微燃机额定制热量，Q_g冷为微燃机额定制冷量。

附图说明

图1是本发明的实施例中多端口电力电子设备系统结构示意图；

图2是是本发明的实施例中多端口电力电子设备日前优化运行控制流程示意图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

方法实施例：

如图2所示的一种电力电子设备日前优化控制方法，首先构建微电网内部系统的数学模型，其次，根据获取的历史发电数据得到预测日的发电数据，根据历史负荷数据预测得到预测日的负荷数据，根据微电网内发电系统、电力电子设备系统和负荷系统构建包括有发电节点、电力电子设备节点和负荷节点的拓扑结构，根据拓扑结构信息、电力电子设备、负荷需求功率和电压，得到拓扑结构中的各节点间的功率最优路径数据，作为数据集，最后以经济成本最低为目标建立最优出力模型，根据次日购/收电政策和对应的使用电量得到最优用电时段，根据发电的预测数据、负荷用电预测数据、最优用电时段和储能系统的充放电计划，基于电力电子内部设备模型的约束条件，以及功率最优路径数据集，对模型求解，得到日前最优出力计划，根据日前最优出力计划进行控制。具体实施方式如下：

1.构建微电网内部设备的数学模型，并分别设置约束条件。如图1所示，其中微电网内部设备包括发电系统(包括有光伏系统、微燃机等)、储能系统、负荷系统，具体地：

构建的光伏系统模型为：

式中，Iz表示电池产生的光电流；V表示光伏电池端口电压；Io表示二极管饱和电流；n表示发射系数；k表示玻尔兹曼常数；q表示电子电荷常数；Tc表示以热力学温度表示的实际电池温度。

光伏系统基于光伏发电特性的不确定性和波动性，所以在进行优化时其功率采用预测功率，即光伏系统的约束条件为：

P＝P_预测

0≤P≤P_max

式中，P_max为光伏系统在理想状态下的最大功率。

根据储能设备的充电状态的变化率ΔEc，构建储能模型为：

式中，S_C表示存储设备C的充放电功率；η_c、η_D表示充、放电转换效率。

为防止储能设备释放所有的能量，本实施例使储能系统满足一定的约束条件，即每天剩余的电量(SOC)与储能系统首次使用时的初始电量(SOC)差值在一定范围内，具体地，

|SOC_余/天-SOC_初始|≤H_SOC

而H_SOC可根据运行环境设定。

微燃机是能源路由器中以燃气为燃料的可控发电设备，在运行时的成本主要有燃料成本、维护成本和启停成本组成。构建微燃机模型则需要考虑到运行成本，燃气机组有最小出力限制，故发电功率范围：

式中，P_g0是机组额定功率，是机组最小功率系数。

该微燃机模型的燃料成本为：

C_燃料(i)＝P_燃料×V(i)

式中C_燃料(i)为i时刻的燃料成本，P_燃料为每立方米燃气的价格，V(i)为i时刻燃烧的燃料体积。

维护成本为：

C_维护(i)＝c_维护×P(i)

式中C_维护(i)为i时刻的运维成本，c_维护为运维成本系数。

启停成本为：

C_启停(i)＝c_启停×U(i)

式中C_启停(i)为i时刻的启停成本，c_启停为启停成本系数。

微燃机的制热约束条件为：0≤Q_g热≤Q_g热，其中Q_g热为微燃机的额定制热量；

微燃机的制冷约束条件为：0≤Q_g冷≤Q_g冷，其中Q_g冷为微燃机的额定制冷量，微燃机的制冷系数和制热系数满足：

构建负荷系统模型，其中负荷分为两类：可调负荷(也成为柔性负荷)和不可调负荷(也可成为刚性负荷)。可调负荷能够进行功率的调整，及按照分级依次进行投切调整负荷功率；不可调负荷则不可进行功率调节。而负荷系统需满足负荷用电需求。

2.获取历史发电数据和历史负荷数据，根据历史发电数据得到预测期内的光伏发电数据，根据历史负荷数据预测得到预测期内的负荷数据。

本实施例对光伏发电预测和负荷预测都为短期预测。短期光伏发电预测采用相似日与神经网络结合的预测方法，通过相似日，对预测日的天气信息进行分析，根据天气信息、季节等数据，在历史数据中筛选出与预测日特征相似的历史发电数据和天气数据，作为预测模型的训练样本，并采用神经网络对系统进行建模以及光伏发电预测。对于相似日来说没有固定的评价标准，主要根据实际侧重的信息来找相似日，本实施例是根据预测日天气信息(气象数据信息)、季节信息去气象信息的历史数据中进行比对，进而找出相似日。例如，根据次日的温度数据、日期数据、历史负荷数据，将获取的数据分别采用神经网络方法、时间序列方法、支持向量机回归方法中的至少两种方法进行预测，数次预测结果求平均误差，采用平均误差小的方法。

3.根据微电网内发电系统、电力电子设备系统和负荷系统构建包括有发电节点、电力电子设备节点和负荷节点的拓扑结构，根据拓扑结构信息、电力电子设备、负荷需求功率和电压，得到拓扑结构中的各节点间的功率最优路径数据，作为数据集。

根据电力电子内部设备和主接线构建全局的拓扑结构，拓扑结构的节点包括有：发电节点、多端口电力电子设备节点和负荷节点，其中为方便计算功率最优路径，将拓扑结构简化为无向图，将拓扑结构的电力路线简化为无向有权边，权重为线路中的能量流，如各线路中的供电能量流、用电能量流、流过的热量等。该拓扑结构将多端口电力电子设备网络简化为具有m节点n条边的结构。

根据拓扑结构信息、以及结构中的多端口电力电子设备或负荷的需求功率、电压等信息，计算出各节点间的功率最优路径，通过计算不同能源路由的负荷的需求功率、电压等信息，得到多个功率最优路径，形成最优路径数据集。具体地，将拓扑结构信息输入至蚁群算法中，按照各节点之间的能量流等约束条件计算出各个节点的最优路径。

其中最优路径的计算表达式为：

式中，p_ij表示从i节点到j节点的所有路径集合；f_c(p)表示节点间线路消耗度量。

其中最优路径数据作为后续求解日前最优出力计划的基础，本实施例的最优路径仅为能量流的最优路径，对于经济最优路径，还需要考虑购/售电政策、光伏发电预测和负荷用电预测等约束条件。4.以经济成本最低为目标建立最优出力模型(通过最优出力模型即可求得日前最优出力计划)，根据次日每小时的购/售电政策和相应的电量，计算出最优用电时段。根据光伏发电预测和负荷用电预测，获取到发/用电高峰期，根据最优用电时段、发/用电高峰期、储能系统的充放电规划，基于电力电子内部设备模型的约束条件，以及功率最优路径数据集，对模型求解，得到日前最优出力计划，根据日前最优出力计划进行控制。对日前最优出力计划进行分析、仿真验证通过后执行计划控制操作，若未通过分析、仿真验证，则生成过程报告。

根据用电时段以及对应时段的售电价格，确定发电系统是否发电，储能系统的充放电状态以及是否限制负荷用电，其中，用电时段分为尖峰时段(用电最多时)、高分时段、平峰时段以及低谷时段。当用电时段处于高峰时段和尖峰时段，则少用电多发电，当用电时段处于低谷时段或平段时，则多用电。例如当地日购/售电政策包括：尖峰时段：18：00-22：00，高峰时段：8：00-12：00，低谷时段：0：00-8：00，平段：12：00-18：00，22：00-24：00，尖峰系数：1.77，高峰系数：1.57，平段1.00，低谷系数：0.5。

根据售电价政策，在求解最优出力模型，若用电在尖峰时段、高峰时段，少用电(仅保留重要负荷用电)，多发电(新能源发电系统满发，储能系统放电)；在低谷时段，多用电(不限制负荷用电，储能系统充电)。

根据发电预测数据，可以得到发电高峰期；根据负荷用电预测数据，可以得到用电高峰期；两者拟合计算得到并网点的交互功率。根据当地电网对上网电量的要求包括：

对上网电量不做限制：新能源满发；储能在能力范围内，在尖峰时段、高峰时段，对外放电；

电量尽量不上网，减少对电网的干扰：当往电网返送功率较大时，增加储能充电，增加负荷用电，进而减少返送功率。

根据上述过程，本实施例结合数学模型和拓扑结构相结合的方式，考虑了次日购/售电政策和对应的使用电量得到最优用电时段，根据发电的预测数据、负荷用电预测数据、最优用电时段和储能系统的充放电计划的因素，在微电网模型约束条件下，基于构建的拓扑结构所得到的功率最优路径数据集，对经济成本最低为目标建立最优出力模型进行求解，得到日前最优出力计划，本发明的方法同时考虑了负荷用电以及能源调度的问题，在满足负荷用电的需求下，实现经济最优，即使用成本最低，获益最高。

Claims (9)

1.一种电力电子设备日前优化控制方法，其特征在于，包括以下步骤：

1)构建微电网数学模型，所述微电网包括发电系统、储能系统和负荷系统；

2)获取历史发电数据和历史负荷数据，根据历史发电数据得到预测日的发电数据，根据历史负荷数据预测得到预测日的负荷数据；

3)根据微电网内发电系统、电力电子设备系统和负荷系统构建拓扑结构，所述拓扑结构的节点包括发电节点、电力电子设备节点和负荷节点，根据拓扑结构信息、电力电子设备、负荷需求功率，得到拓扑结构中的各节点间的功率最优路径数据，作为数据集；

4)以经济成本最低为目标建立最优出力模型，根据次日购/售电政策和对应的使用电量得到最优用电时段，根据发电的预测数据、负荷用电预测数据、最优用电时段和储能系统的充放电计划，基于微电网模型的约束条件，以及功率最优路径数据集，对最优出力模型求解得到日前最优出力计划，根据日前最优出力计划进行控制。

2.根据权利要求1所述的电力电子设备日前优化控制方法，其特征在于，发电系统包括光伏发电系统和微燃机。

3.根据权利要求2所述的电力电子设备日前优化控制方法，其特征在于，光伏发电的预测过程为：获取预测日的天气信息、季节信息和发电数据，根据预测日天气信息和季节信息获取出相似日的历史发电数据，根据相似日的历史发电数据，对该光伏系统进行预测。

4.根据权利要求2所述的电力电子设备日前优化控制方法，其特征在于，最优路径为：

式中，p_ij表示从i节点到j节点的所有路径集合，f_c(p)表示节点间线路消耗度量。

5.根据权利要求1所述的电力电子设备日前优化控制方法，其特征在于，当售电电价超过设定值并在用电高峰时段时，限制负荷用电，发电系统发电、储能放电，当售电电价在设定值内并在用电低谷时段时，解除负荷用电限制，储能系统充电。

6.根据权利要求1所述的电力电子设备日前优化控制方法，其特征在于，负荷系统预测过程为：根据次日温度数据、历史负荷数据和日期数据，对预测期的负荷数据采用不同预测方式进行预测，将所有的预测结果求平均误差，选取平均误差最小的预测结果作为负荷预测结果。

7.根据权利要求6所述的电力电子设备日前优化控制方法，其特征在于，预测负荷系统的方法包括神经网络方法、时间序列方法和向量机回归方法中至少两种。

8.根据权利要求4所述的电力电子设备日前优化控制方法，其特征在于，在确定最优路径时，将所述拓扑结构简化为无向图，拓扑结构的线路为无向有权边，权重为线路流过的能量。

9.根据权利要求2所述的电力电子设备日前优化控制方法，其特征在于，光伏系统的约束条件为：

0≤P≤P_max

储能系统的约束条件为：

|SOC_余/天-SOC_初始|≤H_SOC

微燃机的约束条件为：

0≤Q_g热≤Q_g热

0≤Q_g冷≤Q_g冷

P_max为光伏系统在理想状态的最大功率，SOC_余/天为储能系统每天的剩余电量，SOC_初始为储能系统首次使用时的电量，Q_g热为微燃机额定制热量，Q_g冷为微燃机额定制冷量。