CN116683445A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116683445A CN116683445A CN202310711872.8A CN202310711872A CN116683445A CN 116683445 A CN116683445 A CN 116683445A CN 202310711872 A CN202310711872 A CN 202310711872A CN 116683445 A CN116683445 A CN 116683445A
- Authority
- CN
- China
- Prior art keywords
- load
- power
- model
- park
- grid
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 56
- 238000004146 energy storage Methods 0.000 claims description 51
- 238000012423 maintenance Methods 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 17
- 238000005096 rolling process Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000009423 ventilation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 14
- 229910052744 lithium Inorganic materials 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 239000000446 fuel Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010016326 Feeling cold Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- H02J3/004—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
- H02J3/38—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于模型预测控制的园区微电网多时间尺度运行模拟方法,属于微电网运行优化技术领域;解决了当园区微电网实际运行状态大范围波动时,日前运行模拟计划为考虑用户需求响应、日内无法修正运行模拟计划的问题,包括如下步骤构建园区微电网模型:所述园区微电网模型包括园区负荷模型和园区分布式电源模型;根据园区微电网模型得到园区负荷模型和园区分布式电源模型的预测功率,结合园区用户侧的用电需求,以园区微电网日前总成本最低为目标函数,建立考虑用户满意度的日前经济调度模型,利用CPLEX求解日前经济调度模型,得到园区微电网日前调度计划;在日内阶段采用MPC实时跟踪并滚动修正日前调度计划;本发明应用于园区微电网。
Description
技术领域
本发明提供了一种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,属于微电网运行优化技术领域。
背景技术
风电、光伏作为高效清洁的能源,其渗透率在近几年不断攀升,随之而来的问题是系统内风光不确定性的总量变大。而园区电网作为风光接入电网的重要形式,大量不确定性给其经济运行带来了巨大挑战。如何保证园区微网的运行经济性,减小风光不确定性与预测误差带来的影响成为研究重点。工业园区微电网作为一种典型的微电网形式,其用户的用电负荷更集中,便于管理和调度。在保障正常生产的前提下,通过工业园区运营商对工业园区微电网实施能量优化管理,可转移多类型负荷需求,挖掘和利用工业用户的可调控潜力,降低工业用户运行成本的同时,对缓解电网调峰压力也有积极意义。
目前,我国允许符合条件的高新产业园或经济开发区成立售电主体,面向园区规划建设新能源微电网,是解决城市园区能源利用不合理的手段,也是我国能源互联网建设的重要内容。
近些年,大量的微电网建立,微电网的类型主要是并网型微电网和独立型微电网。然而,各类园区微电网建设及运营过程中仍存在许多问题,具体如下:对于微电网功率控制、电能质量及继电保护已有相关国家标准,但尚无标准化、可复制与推广的微电网规划设计及运营模式参考;微电网设计方案追求可靠性与电能质量使之建设成本高,实用性与经济性不强;电力市场环境下微电网运营商缺乏合理手段与方法实现微电网内能源高效配置及合理运营从而获取长远利益途径。如何合理规划建设微电网使之获得合理的投资收益途径成为微电网运营商最为关心的问题之一。
新形势下,微电网全寿命周期的经济性实际受其初期投资规划与未来运营模式共同影响。在规划阶段,微电网配置相关决策一方面影响其投资成本,另一方面影响未来微电网市场运营资源的可调用性及可行空间。在运营阶段,市场竞争中微电网运营商通过调用可控资源,制定最优市场交易策略,以达到微电网安全运行与收益最大化相协调的目的。微电网运营结果也是对其初期规划方案技术合理性的验证。因此,微电网规划耦合其运营决策,一方面可使决策者准确把握规划方案合理性,另一方面可获得合理的投资回报途径,从而实现长效收益。
另外,园区微电网作为城市重要负荷的集中区域,上述负荷具有用电相对集中,可控柔性资源丰富,供电可靠性要求高,且对电能供给效率与环境代价更加敏感的特点,使园区微电网成为高敏感负荷富集区域。园区微电网规划过程中应针对高敏感负荷专门制定优质高效的供电运营模式及经济合理的可靠性保障措施,这也是区别于一般微电网规划需考虑的重点方面。
多时间尺度运行模拟在日内阶段多选取功率平衡度、元件特性、经济性、跟踪性等指标,采用随机优化或通过MPC滚动优化模拟。MPC是一种基于模型的有限时域闭环最优控制方法,对系统精度要求不高,可通过短时预测值与反馈校正实时修正运行模拟计划点。因此在日内采用MPC实时跟踪并滚动修正日前运行模拟计划可以满足实际运行状态。现有研究在日内运行模拟阶段只考虑模拟电源侧的需求,未同时考虑用户侧的需求响应,运行模拟较为单一。
发明内容
本发明为了解决当园区微电网实际运行状态大范围波动时,日前运行模拟计划为考虑用户需求响应、日内无法修正运行模拟计划的问题,提出了一种基于模型预测控制的园区微电网多时间尺度运行模拟方法。
为了解决上述技术问题,本发明采用的技术方案为:一种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,包括如下步骤:
S1:构建园区微电网模型:所述园区微电网模型包括园区负荷模型和园区分布式电源模型;
所述园区负荷模型包括温度控制负荷模型和电动汽车模型,所述温度控制负荷模型用于对用户的暖通及制冷空调系统HAVCR负荷进行自动控制,所述电动汽车模型用于对园区内EV负荷的出行时间与日行驶里程进行模拟,通过日行驶里程得到用户到达时荷电状态生成用户的出行信息;
所述园区分布式电源模型包括光伏、风机发电、可控分布式电源和储能单元三种模型;
S2:根据园区微电网模型得到园区负荷模型和园区分布式电源模型的预测功率,结合园区用户侧的用电需求,以园区微电网日前总成本最低为目标函数,建立考虑用户满意度的日前经济调度模型,利用CPLEX求解日前经济调度模型,得到园区微电网日前调度计划;
S3:在日内阶段采用MPC实时跟踪并滚动修正日前调度计划。
所述园区由综合能源运营商负责园区内所有居民的相关电力设备维护,并根据配网分时电价信息管理负荷,所述园区内每户居民均配备有智能用电管理系统和高级动态量测仪表,实现用户与综合能源运营商的实时能量传输。
所述温度控制负荷模型的表达式如下:
上式中:Tk,t为HVACR负荷在t时刻的温度;Δt为时间步长;Ck为HVACR负荷的热电容;Rk为HVACR负荷的耐热系数;为HVACR负荷的环境温度;/>为HVACR负荷的温度增益;ηk为HVACR负荷的工作效率;Pk,t为HVACR负荷在t时刻的功率;/>分别为HVACR负荷在t时刻的最大功率和最小功率;
根据上述公式到用户对于HVACR负荷的PMV指标与室内温度关系如下:
所述电动汽车模型是根据园区内可调整充电功率的EV负荷的相关数据,对EV负荷可调度功率的上下限进行预测,即根据t时刻可调度EV负荷的实际负荷量预测出可调度EV负荷在下一时刻的负荷最大值和最小值,计算公式如下:
上式中:表示EV负荷在下一时刻的实际负荷量,/>表示EV负荷在当前时刻的实际负荷量,/>是在t+1时必须增加的可调度EV负荷,/>表示t+1时刻增加的负荷,/>表示t+1时刻减少的负荷;Pc表示可调度EV负荷的充电功率;/>表示满足条件T0=t+1和Tb>T的可调度EV负荷数量,/>表示满足条件T0=t+1和Tb<T的可调度EV负荷数量;/>为满足条件T1=t+1或Cb=Cl的可调度EV负荷数量;T0表示EV停驶在充电桩的时间,T表示时间周期,T1表示EV离开充电桩时间,Cb表示EV停驶荷电状态,Cl表示EV离网时用户期望荷电状态。
所述园区分布式电源模型包括以下部分:
1)风机、光伏:将园区内的风机、光伏发电功率全部进行消纳;
2)储能单元:储能单元的运行和维护成本表达式为:
上式中:Cinv是储能单元初始投资;Pbat(t)是储能单元充放电功率;Elb是储能单元额定容量;Kml是储能单元的维护成本系数,Nlife是考虑损耗后储能容量剩余值,Cbat是储能单元的维护成本;
3)发电单元:可控分布式电源的运行成本表达式如下:
Cg,i(Pg,i(t)=Cf(Pg,i(t)+Com(Pg,i(t)+Ceav(Pg,i(t));
上式中:Cf是可分布式电源的燃耗成本,Com是可分布式电源的维护成本,Ceav是可分布式电源的污染排放成本,Cg,i是可控分布式电源i的运行、维护成本,Pg,i(t)是分布式电源在t时刻的功率。
所述以园区微电网日前总成本最低为目标函数的表达式如下:
上式中:C是园区微电网日前综合成本,Cg,i是可控分布式电源i的运行、维护成本,Pg,i是可控分布式电源i在时刻t的发电功率,Cbat,j是储能单元j的维护成本,Pbat,j是储能单元j在t时刻的功率,Cgrid是园区微电网与上层电网间的购售电成本,是日前运行模拟计划中微电网与配电网t时刻联络线计划功率,ηev是电动汽车充电费用,ηk是考虑用户温度舒适度的惩罚成本系数;
上述目标函数中的参数需要满足园区微电网功率平衡约束、分布式电源功率约束、储能单元功率约束和EV负荷约束。
所述步骤S3中在日内阶段采用MPC实时跟踪并滚动修正日前调度计划,其中MPC包括预测模型、滚动优化和反馈校正三个环节,所述预测模型基于当前时刻园区微电网的状态预测未来园区微电网的状态,由状态量、控制量、输出量,所述状态量包括发电机组发电功率、储能单元功率、联络线功率、HVACR负荷功率、可调度EV负荷功率;所述控制量包括发电机组、储能单元、可调度EV负荷、HVACR负荷的功率变化值;所述输出量包括联络线功率、储能SOC。
在日内阶段根据风机、光伏、常规负荷每15min短期预测数据,以日内运行模拟与日前运行模拟计划偏差最小为目标函数,进行运行模拟,得到此15min运行模拟结果,循环此步骤,直至第96个时间段,完成日内滚动优化;
以日内运行模拟与日前运行模拟计划偏差最小为目标函数的表达式如下:
min(f)=||Y(t)-Yref(t)|||2+||ΔX(T)||2;
上式中:Y(t)是预测模型的输出量,Yref(t)是,m为预测时域,在t时刻对m个时域上的性能指标进行优化,得到t至t+m预测时域内的控制序列ΔX(t),仅执行第一个时刻的控制量,并在t+1时刻重复上述步骤。
本发明相对于现有技术具备的有益效果为:本发明结合了日前优化和日内MPC滚动优化的园区电网多时间尺度运行优化方法,在日前运行模拟阶段建立以全天运行成本最小为目标,考虑用户侧需求响应、分布式电源成本的优化模型,求解日前运行模拟计划。日内运行模拟阶段,以日内运行模拟与日前运行模拟计划偏差最小为目标,采用MPC实时跟踪并滚动修正日前运行模拟计划。
附图说明
下面结合附图对本发明做进一步说明。
图1为本发明园区微电网的基本架构图。
图2为本发明方法的流程图。
图3为风机日前预测功率与日内实际功率对比图。
图4为光伏日前预测功率与日内实际功率对比图。
图5为常规负荷日前预测功率与日内实际功率对比图。
图6为可调度EV功率图。
图7为HVACR负荷功率及温度图。
图8为日前阶段分布式电源和锂电池日前优化功率图。
图9为HVACR负荷日内实际调动功率图。
图10为HVACR负荷日内实际温度图。
图11为微型燃气轮机日内实际调动功率图。
图12为可调度EV日内实际调动功率图。
图13为锂电池日内实际调动功率图。
图14为联络线功率图。
图15为HVACR负荷日内运行模拟功率和日后运行模拟功率对比图。
图16为微型燃气轮机日后运行模拟功率和日内运行模拟功率对比图。
具体实施方式
如图1至图16所示,本发明提供了一种结合日前优化和日内MPC滚动优化模型预测控制的园区微电网多时间尺度运行优化方法,包括如下步骤:
一、构建园区模型:
园区由综合能源运营商(integrated energy operator,IEO)负责园区内所有居民的相关电力设备维护,并根据配网分时电价等信息管理负荷。园区内每户均配备有智能用电管理系统(intelligent electricity management system,IEMS)和高级动态量测仪表,能够实现用户与IEO的实时能量互动,其典型结构如图1所示。本发明将园区内用电负荷划分成负荷模型和分布式电源模型两大部分进行建模。
(1)园区负荷模型
为更好的对园区负荷用电行为进行控制,将园区内用电负荷分为常规负荷、可调整负荷和EV负荷,分别建模如下:
1)温度控制负荷模型
暖通及制冷空调系统(heating ventilation and air conditioningrefrigeration,HVACR)是夏季电网负荷尖峰的“元凶”,在部分地区其负荷比重已达到40%,对其进行运行模拟意义重大,故单独讨论。由于HVACR负荷使用时间与居民热舒适度呈强相关,应在用户体感舒适温度范围内进行运行模拟,HVACR负荷启停状态受IEMS自动控制。
HVACR负荷的工作模式有制冷和制热两种模式,其负荷功率大小与设置的温度、当日天气温度相关,模型如下所示:
上式中:Tk,t为HVACR负荷在t时刻的温度;Δt为时间步长;Ck为HVACR负荷的热电容;Rk为HVACR负荷的耐热系数;为HVACR负荷的环境温度;/>为HVACR负荷的温度增益;ηk为HVACR负荷的工作效率;Pk,t为HVACR负荷在t时刻的功率;/>分别为HVACR负荷在t时刻的最大功率和最小功率。
用户舒适度由Franger提出的热舒适度评价指标方程确定,预测平均评价(Predicted Mean vote,PMV)指标,该指标代表在同一环境下大多数人的冷热感觉,考虑用户对于HVACR负荷的PMV指标与室内温度关系为:
PMV指标数值为-3~+3,分别表示冷、凉、稍凉、热中性、稍暖、暖、热七个结果,当PMV值为0时,说明此时的温度为人体最舒适温度,此时为26℃。考虑PMV指标公式较为复杂,为简单计算,设置26℃为HVACR负荷提供给用户舒适最高的温度。
2)电动汽车模型
针对EV负荷,将其分为两类,一类是正常充电的EV负荷,将其归为常规负荷内;第二类是可调整充电功率的EV负荷,为可调度EV。由于EV负荷特有的出行需要,其分布具有较强不确定性,利用蒙特卡洛法对园区内EV负荷的出行时间与日行驶里程进行模拟,通过日行驶里程得到用户到达时荷电状态(state of charge,SOC),生成用户的出行信息。假设园区内EV统一停靠在提供充电桩的停车场内,充放电行为统一受IEO控制,并可获得一定的经济收益。
根据可调度EV的相关数据对它可调度功率上下限进行预测,根据t时刻可调度EV的实际负荷量预测出可调度EV在下一时刻的负荷最大值和最小值的公式如下:
上式中:表示EV负荷在下一时刻的实际负荷量,/>表示EV负荷在当前时刻的实际负荷量,/>是在t+1时必须增加的可调度EV负荷,/>表示t+1时刻增加的负荷,/>表示t+1时刻减少的负荷;Pc表示可调度EV负荷的充电功率;/>表示满足条件T0=t+1和Tb>T的可调度EV负荷数量,/>表示满足条件T0=t+1和Tb<T的可调度EV负荷数量;/>为满足条件T1=t+1或Cb=Cl的可调度EV负荷数量;T0表示EV停驶在充电桩的时间,T表示时间周期,T1表示EV离开充电桩时间,Cb表示EV停驶荷电状态,Cl表示EV离网时用户期望荷电状态。
(2)分布式发电建模
园区内部配有分布式电源系统,其包括光伏、风机、微型燃气轮机、燃料电池等分布式电源和锂电池等储能装置。
1)风机、光伏
新能源主要考虑光伏发电、风机发电,本发明主要考虑新能源发电的功率波动问题,因此,风机、光伏发电功率主要考虑其预测功率,对其功率进行全部消纳。
2)储能单元
储能单元采用锂电池,锂电池运行和维护成本为:
上式中:Cinv是储能单元初始投资;Pbat(t)是储能单元充放电功率;Elb是储能单元额定容量;Kml是储能单元的维护成本系数,Nlife是考虑损耗后储能容量剩余值,Cbat是储能单元的维护成本。
3)发电单元
可控分布式电源主要是燃料电池和微型燃气轮机,运行成本如下:
Cg,i(Pg,i(t))=Cf(Pg,i(t))+Com(Pg,i(t))+Ceav(Pg,i(t)) (10);
上式中:Cf是可分布式电源的燃耗成本,Com是可分布式电源的维护成本,Ceav是可分布式电源的污染排放成本,Cg,i是可控分布式电源i的运行、维护成本,Pg,i(t)是分布式电源在t时刻的功率。
二、园区日前运行模拟策略
(1)日前目标函数
本发明以15min为时间尺度,将一天分为96个时段,综合考虑园区微电网内各单元的运行维护成本、园区微网购售电价成本等因素,以园区微网总成本最低为目标函数:
上式中:C是园区微电网日前综合成本,Cg,i是可控分布式电源i的运行、维护成本,Pg,i是可控分布式电源i在时刻t的发电功率,Cbat,j是储能单元j的维护成本,Pbat,j是储能单元j在t时刻的功率,Cgrid是园区微电网与上层电网间的购售电成本,是日前运行模拟计划中微电网与配电网t时刻联络线计划功率,ηev是电动汽车充电费用,ηk是考虑用户温度舒适度的惩罚成本系数。
(2)约束条件
为保证园区微电网安全、稳定运行,各分布电源需满足以下约束:
1)微电网功率平衡约束
上式中:Ppv(t)、Pwt(t)分别是光伏、风电在t时刻的功率,pload(t)是系统在t时刻常规负荷功率,Pev(t)是t时刻能调度的EV负荷值,Pk(t)是t时刻的HVACR负荷功率。
2)分布式电源功率约束
分布式电源功率上下限约束为:
上式中:分别是分布式电源i的最小、最大允许输出功率;
分布式电源的爬坡约束为:
分别是分布式电源i爬坡功率的上限值、下限值。
3)储能单元功率约束
上式中:Sbat(t)是锂电池t时刻的荷电状态(State of Charge,SOC),Pch(t)、Pdis(t)分别是锂电池t时刻的充电、放电功率,ηc、ηd分别是锂电池的充电、放电效率,Ebat是锂电池的总容量,Δt为运行模拟时间周期,分别为储能单元SOC的上下限。
4)EV负荷约束
式中:表示可调度EV总负荷量。
三、园区日内运行模拟策略
由于园区微电网实际运行状态与日前运行模拟计划必然存在一定的偏差,所以日内需修正运行模拟计划,才能确保园区微电网稳定和达到预期的经济性。而MPC具有对系统精度要求不高、可通过短时预测值与反馈校正实时修正运行模拟计划的优点,是一种跟踪性和抗干扰能力良好的闭环控制方法。因此在日内采用MPC实时跟踪并滚动修正日前运行模拟计划,MPC由预测模型、滚动优化和反馈校正三个环节组成。
预测模型可基于当前时刻状态,预测未来系统的状态,由如式(17)、(18)所示的状态量、控制量、输出量组成。其中:X(t)是t时刻状态量,即发电机组发电功率、储能单元功率、联络线功率、HVACR负荷功率、可调度EV负荷功率;ΔX(t)为t时刻控制量,即发电机组、储能单元、可调度EV、HVACR负荷的功率变化值;r(t)为系统误差,即负荷、风机、光伏波动误差;Y(t)为t时刻输出量,为联络线功率、储能SOC;A、B、C、D分别为系统矩阵、输入矩阵、输出矩阵、误差矩阵。
上式中:Pg,i(t)表示发电机组发电功率,Pbat,j(t)表示储能单元功率,Pgrid(t)表示联络线功率,SB(t)表示储能SOC,表示可调度EV负荷功率,Pk(t)表示HVACR负荷功率,ΔPg,i(t)表示发电机组发电功率变化值,ΔPbat,j(t)表示储能单元功率变化值,/>表示可调度EV负荷功率变化值,ΔPk(t)表示HVACR负荷功率变化值,ΔPload(t)表示负荷波动误差,ΔPpv(t)表示光伏波动误差,ΔPwind(t)表示风机波动误差。
为了应对风力发电、光伏发电、电力负荷在日内阶段的功率波动,确保园区联络线功率和用户HVACR负荷功率追踪日前功率,同时保证各分布式电源和需求响应负荷控制调节增量尽量小,目标函数如式(19):
min(f)=||Y(t)-Yref(t)||2+||ΔX(T)||2 (19);
滚动优化过程如式(20):
上式中:Y(t)是预测模型的输出量,Yref(t)是参考值,m为预测时域,在t时刻对m个时域上的性能指标进行优化,得到t至t+m预测时域内的控制序列ΔX(t),仅执行第一个时刻的控制量,并在t+1时刻重复上述步骤。
本发明的运行优化流程如图2所示,运行优化策略分为日前优化、日内滚动优化两个阶段。日前优化阶段:园区微电网按照风机、光伏、常规负荷预测功率,以及园区需求响应负荷的用电需求等,以日前经济成本最低为目标,对园区微电网负荷和电源优化,得到日前运行模拟计划;日内阶段根据风机、光伏、常规负荷每15min短期预测数据,以式(19)为目标函数,进行运行模拟,得到此15min运行模拟结果,循环此步骤,直至第96个时间段,完成日内滚动优化。
下面通过算例分析验证本发明所提方法的有效性。
本发明以实际示范微电网系统为例进行算例分析,微电网包含风电机组、光伏发电系统、微型燃气轮机、燃料电池和储能系统,负荷侧包括常规负荷、HVACR负荷、EV负荷。系统各分布式电源技术参数、成本参数如下表1和2所示。HVACR系统中Rk=2(℃/kW),Ck为0.2,工作效率ηk为2.5。
表1分时电价参数。
/>
表2分布式电源参数。
图3、图4和图5分别表示风机、光伏发电、常规负荷预测功率和日内实际功率,本发明在日内阶段分别以10%、20%、30%的正态分布误差模拟三种日内实际情况,对比不同情况下本发明运行优化方法的有效性和经济性。
可调度电动汽车运行模拟结果如图6所示,图6中最大充电功率、最小充电功率分别表示可调度EV在每时刻为满足EV用户需求最大、最小功率。在日前阶段,有日前充电功率曲线可知,可调度EV在0:00-9:00、21:00-24:00在最大充电功率充电,此时园区负荷较小,分布式电源空闲功率较大;在9:00-17:00、18:00-21:00最小功率充电,此时园区负荷较大,可调度EV减少充电功率;综上,可调度EV在日前运行模拟阶段基本实现调峰填谷的作用。
HVACR负荷运行功率和温度如图7所示,在预测气温的条件下,日前阶段考虑用户满意度情况下,基本可以满足用户26℃的需求,只有在14:00-16:00气温最高时刻,考虑成本因素下,HVACR负荷的温度未达到26℃,但也未超过27℃。
分布式电源和锂电池日前优化功率如图8所示,微型燃气轮机和燃料电池在9:00-21:00负荷较大时,额定功率运行,由于其成本较低,承担园区内主要负荷功率,在低谷时小功率运行;两者相比,微型燃气轮机成本更低,因此,在0:00-6:00时,微型燃气轮机运行功率较大,承担园区主要负荷功率。
图9、图10分别表示为HVACR负荷的功率和温度,三种情况下的运行模拟结果如图所示。在风机、光伏、常规负荷10%功率波动的情况下,HVACR负荷基本追踪到日前运行模拟曲线,且温度曲线最高补偿过27℃;当功率波动增大至20%、30%时,可以看出HVACR负荷功率也随之波动,但仍可以追踪日前功率曲线,且考虑用户满意度条件下,温度最高不超过28℃,基本满足用户的舒适度需求。
图11表示微型燃气轮机的日内运行模拟功率,由三种情况的运行模拟情况可知,微型燃气轮机在9:00-22:00基本满功率运行,由于其成本较低,因此在负荷较大时刻额定功率运行,在0:00-8:00时,相较于日前运行功率,可知微型燃气轮机在30%波动情况下,运行模拟功率较日前计划功率差异较大,但运行优化方法也调整运行功率,满足园区功率平衡。
可调度EV充电功率如图12所示,基本满足负荷低谷时大功率充电;负荷高峰时,小功率充电,达到用户侧需求响应运行模拟的效果。在风机、光伏、常规负荷不同情况的功率波动下,可调度EV调整充电功率,确保园区用电稳定。
图13显示锂电池装置的运行模拟功率,由图可知锂电池作为园区的储能单元,在日内阶段也满足负荷低谷时充电,高峰时放电。在三种情况下的运行模拟情况可知:10%时,每时刻功率调整较小,当功率波动较大时,锂电池运行功率也差异较大,作为承担风机、光伏和常规负荷波动的主要调整设备。
图14所示为联络线功率,考虑分时电价的影响,园区在低电价时大电量购入,高电价时低电量购入,基本符合园区低成本运行要求;在日内运行模拟阶段,通过分布式电源、HVACR负荷、可调度EV调整,降低了风机、光伏、常规负荷的功率波动的影响。
图15所示为HVACR负荷日内运行模拟功率和日后运行模拟功率对比图,由图15所示,HVACR负荷日内运行模拟功率和日后运行模拟功率基本重合,说明本文提出的运行模拟策略在HVACR负荷运行模拟上具有经济性。
图16所示为微型燃气轮机日后运行模拟功率和日内运行模拟功率对比图,由图像可知,日内运行模拟功率和日后运行模拟功率基本重合,说明本发明提出的运行模拟策略在微型燃气轮机运行模拟上具有经济性。
通过算例证明,本发明提出的日前优化、日内滚动优化的园区多时间尺度运行模拟策略在源荷功率波动情况下具有可行性和经济性。
关于本发明具体结构需要说明的是,本发明采用的各部件模块相互之间的连接关系是确定的、可实现的,除实施例中特殊说明的以外,其特定的连接关系可以带来相应的技术效果,并基于不依赖相应软件程序执行的前提下,解决本发明提出的技术问题,本发明中出现的部件、模块、具体元器件的型号、相互间连接方式以及,由上述技术特征带来的常规使用方法、可预期技术效果,除具体说明的以外,均属于本领域技术人员在申请日前可以获取到的专利、期刊论文、技术手册、技术词典、教科书中已公开内容,或属于本领域常规技术、公知常识等现有技术,无需赘述,使得本案提供的技术方案是清楚、完整、可实现的,并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种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,其特征在于:包括如下步骤:
S1:构建园区微电网模型:所述园区微电网模型包括园区负荷模型和园区分布式电源模型;所述园区负荷模型包括温度控制负荷模型和电动汽车模型,所述温度控制负荷模型用于对用户的暖通及制冷空调系统HAVCR负荷进行自动控制,所述电动汽车模型用于对园区内EV负荷的出行时间与日行驶里程进行模拟,通过日行驶里程得到用户到达时荷电状态生成用户的出行信息;
所述园区分布式电源模型包括光伏、风机发电、可控分布式电源和储能单元三种模型;
S2:根据园区微电网模型得到园区负荷模型和园区分布式电源模型的预测功率,结合园区用户侧的用电需求,以园区微电网日前总成本最低为目标函数,建立考虑用户满意度的日前经济调度模型,利用CPLEX求解日前经济调度模型,得到园区微电网日前调度计划;
S3:在日内阶段采用MPC实时跟踪并滚动修正日前调度计划。
2.根据权利要求1所述的一种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,其特征在于:所述园区由综合能源运营商负责园区内所有居民的相关电力设备维护,并根据配网分时电价信息管理负荷,所述园区内每户居民均配备有智能用电管理系统和高级动态量测仪表,实现用户与综合能源运营商的实时能量传输。
3.根据权利要求2所述的一种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,其特征在于:所述温度控制负荷模型的表达式如下:
上式中:Tk,t为HVACR负荷在t时刻的温度;Δt为时间步长;Ck为HVACR负荷的热电容;Rk为HVACR负荷的耐热系数;为HVACR负荷的环境温度;/>为HVACR负荷的温度增益;ηk为HVACR负荷的工作效率;Pk,t为HVACR负荷在t时刻的功率;/>分别为HVACR负荷在t时刻的最大功率和最小功率;
根据上述公式到用户对于HVACR负荷的PMV指标与室内温度关系如下:
4.根据权利要求3所述的一种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,其特征在于:所述电动汽车模型是根据园区内可调整充电功率的EV负荷的相关数据,对EV负荷可调度功率的上下限进行预测,即根据t时刻可调度EV负荷的实际负荷量预测出可调度EV负荷在下一时刻的负荷最大值和最小值,计算公式如下:
上式中:表示EV负荷在下一时刻的实际负荷量,/>表示EV负荷在当前时刻的实际负荷量,/>是在t+1时必须增加的可调度EV负荷,/>表示t+1时刻增加的负荷,/>表示t+1时刻减少的负荷;Pc表示可调度EV负荷的充电功率;/>表示满足条件T0=t+1和Tb>T的可调度EV负荷数量,/>表示满足条件T0=t+1和Tb<T的可调度EV负荷数量;为满足条件T1=t+1或Cb=Cl的可调度EV负荷数量;T0表示EV停驶在充电桩的时间,T表示时间周期,T1表示EV离开充电桩的时间,Cb表示EV停驶荷电状态,Cl表示EV离网时用户期望荷电状态。
5.根据权利要求4所述的一种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,其特征在于:所述园区分布式电源模型包括以下部分:
1)风机、光伏:将园区内的风机、光伏发电功率全部进行消纳;
2)储能单元:储能单元的运行和维护成本表达式为:
上式中:Cinv是储能单元初始投资;Pbat(t)是储能单元充放电功率;Elb是储能单元额定容量;Kml是储能单元的维护成本系数,Nlife是考虑损耗后储能容量剩余值,Cbat是储能单元的维护成本;
3)发电单元:可控分布式电源的运行成本表达式如下:
Cg,i(Pg,i(t))=Cf(Pg,i(t))+Com(Pg,i(t))+Ceav(Pg,i(t));
上式中:Cf是可分布式电源的燃耗成本,Com是可分布式电源的维护成本,Ceav是可分布式电源的污染排放成本,Cg,i是可控分布式电源i的运行、维护成本,Pg,i(t)是分布式电源在t时刻的功率。
6.根据权利要求5所述的一种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,其特征在于:所述以园区微电网日前总成本最低为目标函数的表达式如下:
上式中:C是园区微电网日前综合成本,Cg,i是可控分布式电源i的运行、维护成本,Pg,i是可控分布式电源i在时刻t的发电功率,Cbat,j是储能单元j的维护成本,Pbat,j是储能单元j在t时刻的功率,Cgrid是园区微电网与上层电网间的购售电成本,是日前运行模拟计划中微电网与配电网t时刻联络线计划功率,ηev是电动汽车充电费用,ηk是考虑用户温度舒适度的惩罚成本系数;
上述目标函数中的参数需要满足园区微电网功率平衡约束、分布式电源功率约束、储能单元功率约束和EV负荷约束。
7.根据权利要求6所述的一种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,其特征在于:所述步骤S3中在日内阶段采用MPC实时跟踪并滚动修正日前调度计划,其中MPC包括预测模型、滚动优化和反馈校正三个环节,所述预测模型基于当前时刻园区微电网的状态预测未来园区微电网的状态,由状态量、控制量、输出量,所述状态量包括发电机组发电功率、储能单元功率、联络线功率、HVACR负荷功率、可调度EV负荷功率;所述控制量包括发电机组、储能单元、可调度EV负荷、HVACR负荷的功率变化值;所述输出量包括联络线功率、储能SOC。
8.根据权利要求7所述的一种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,其特征在于:在日内阶段根据风机、光伏、常规负荷每15min短期预测数据,以日内运行模拟与日前运行模拟计划偏差最小为目标函数,进行运行模拟,得到此15min运行模拟结果,循环此步骤,直至第96个时间段,完成日内滚动优化;
以日内运行模拟与日前运行模拟计划偏差最小为目标函数的表达式如下:
min(f)=||Y(t)-Yref(t)||2+||ΔX(T)||2;
上式中:Y(t)是预测模型的输出量,Yref(t)是,m为预测时域,在t时刻对m个时域上的性能指标进行优化,得到t至t+m预测时域内的控制序列ΔX(t),仅执行第一个时刻的控制量,并在t+1时刻重复上述步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310711872.8A CN116683445A (zh) | 2023-06-15 | 2023-06-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310711872.8A CN116683445A (zh) | 2023-06-15 | 2023-06-15 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116683445A true CN116683445A (zh) | 2023-09-01 |
Family
ID=87790637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310711872.8A Pending CN116683445A (zh) | 2023-06-15 | 2023-06-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116683445A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117477673A (zh) * | 2023-12-25 | 2024-01-30 | 武汉市豪迈电力自动化技术有限责任公司 | 一种动态适应型工业园区负荷建模与智能调控系统 |
-
2023
- 2023-06-15 CN CN202310711872.8A patent/CN116683445A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117477673A (zh) * | 2023-12-25 | 2024-01-30 | 武汉市豪迈电力自动化技术有限责任公司 | 一种动态适应型工业园区负荷建模与智能调控系统 |
CN117477673B (zh) * | 2023-12-25 | 2024-05-07 | 武汉市豪迈电力自动化技术有限责任公司 | 一种动态适应型工业园区负荷建模与智能调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Optimal sizing of battery energy storage system in smart microgrid considering virtual energy storage system and high photovoltaic penetration | |
Zhu et al. | Optimal scheduling method for a regional integrated energy system considering joint virtual energy storage | |
Solano et al. | Assessing the potential of PV hybrid systems to cover HVAC loads in a grid-connected residential building through intelligent control | |
CN109617142B (zh) | 一种cchp型微电网多时间尺度优化调度方法及系统 | |
CN107039975B (zh) | 一种分布式能源系统能量管理方法 | |
CN110807588B (zh) | 一种多能源耦合综合能源系统的优化调度方法 | |
Deng et al. | System modeling and optimization of microgrid using genetic algorithm | |
McLarty et al. | Micro-grid energy dispatch optimization and predictive control algorithms; A UC Irvine case study | |
CN105162149A (zh) | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 | |
Li et al. | Model-based multi-objective predictive scheduling and real-time optimal control of energy systems in zero/low energy buildings using a game theory approach | |
CN111339689A (zh) | 建筑综合能源调度方法、系统、存储介质及计算机设备 | |
Fan et al. | Two-layer collaborative optimization for a renewable energy system combining electricity storage, hydrogen storage, and heat storage | |
CN110474370B (zh) | 一种空调可控负荷、光伏储能系统的协同控制系统及方法 | |
CN116663820A (zh) | 一种需求响应下的综合能源系统能量管理方法 | |
Wang et al. | Study on the multitime scale rolling optimization operation of a near-zero energy building energy supply system | |
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 | |
CN112580897A (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
Jintao et al. | Optimized operation of multi-energy system in the industrial park based on integrated demand response strategy | |
CN112329260A (zh) | 一种多能互补微网多元多目标优化配置与优化运行方法 | |
Bai et al. | Flexibility quantification and enhancement of flexible electric energy systems in buildings | |
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 | |
Tang et al. | Multi-objective optimal dispatch for integrated energy systems based on a device value tag | |
Rocha et al. | Net zero energy cost building system design based on artificial intelligence | |
Gan-yun et al. | Optimal scheduling of regional integrated energy system considering integrated demand response | |
Liu | Multiple time‐scale economic dispatching strategy for commercial building with virtual energy storage under demand response mechanism |
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 |