CN116760103A - 虚拟电厂在线优化电力调度的自适应预测能量管理方法 - Google Patents

Abstract

本发明涉及电力智能调度技术领域，具体地说，涉及虚拟电厂在线优化电力调度的自适应预测能量管理方法。在每个时间间隔内使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求；使用预测信息进行优化并计算下一个时间间隔的调度；并通过监控数据更新历史数据；利用超短期预测，根据最新信息确定可再生能源和负荷需求的预测误差，并根据预测误差调整调度计划；更新t+Δt，检查t是否达到下一个时间间隔。本发明设计基于模型预测控制的自适应预测能量管理策略用于虚拟电厂在线优化运行，并通过反馈校正来补偿预测误差，可以更好地跟踪实际可用资源，并且使得能源需求和供应之间的不匹配最小。

Description

虚拟电厂在线优化电力调度的自适应预测能量管理方法

技术领域

本发明涉及电力智能调度技术领域，具体地说，涉及虚拟电厂在线优化电力调度的自适应预测能量管理方法。

背景技术

风电、光伏等可再生能源以及电网中的其他分布式资源发电具有随机性、间断性的特点。大范围、高百分比接入会增加电网峰值压力，而高比例可再生能源的接入弱化了系统转动惯量进一步为电力系统功率的平衡和电网坚强智能运行增加一系列新的挑战。此外，过去一个大中型电网只需要连接几十个或几百个发电厂，就可以将电能从生产侧输送到用户侧；随着新能源技术的发展以及能源与数字技术的集成，以后的电网将连接成千上万个功率特性各异的电能生产机组和兼具生产者与消费者双重身份的新型并网主体。

常规能源主要是依靠化石燃料燃烧供能。它采用单方向树状潮流形式拓扑架构，集中化管理和控制、垂直集成的供能用能方式，以及不同种类的能源系统供能采用互不影响、条块化分割的模式。随着用户侧分布式能源以及需求响应技术的快速发展，传统以大量消耗不可再生的化石能源来解决用能需求的方式不再可取，因此，寻找一种能够有效解决对高比例分布式能源接入和可持续能源供应需求的问题，如采用云计算技术提高电动汽车等分布式资源的利用率等国家战略新兴产业，将能源结构从根本上使之变化，提高分布式能源的整体产用能效率，已成为产、用、研各层各界人民的共识。

虚拟电厂通过基于云的访问控制系统来聚合异构分布式能源资源，提供高效的集中管理、可见性和控制。大多数虚拟电厂的操作策略都是基于日前的配置文件设计的。然而，可再生能源和负荷需求的预测误差会导致调度中的次优运行。

鉴于虚拟电厂技术在高比例可再生能源系统中，对于资源整合提高利用率和可持续运行配网调峰的重要性，虚拟电厂调度控制中心须在实际中制定合理可靠的规划策略来切实提高源网荷的经济效益，促进能源产业发展。由于多能源虚拟电厂的结构和组成与传统能源电厂存在差异，因此在不同输出功率下的调节控制能力也有所不同。此外，虚拟电厂含有大量的可再生能源，其出力波动会导致虚拟电厂输出功率性能的不确定性，因此在调度指令的响应层面上将虚拟电厂与传统的电厂相比较是没有意义的。因而，如何解决含有可再生能源和储能系统的虚拟电厂智能调度和能量管理是亟须解决的关键问题。鉴于此，我们提出了虚拟电厂在线优化电力调度的自适应预测能量管理方法。

发明内容

本发明的目的在于提供虚拟电厂在线优化电力调度的自适应预测能量管理方法，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明提供了虚拟电厂在线优化电力调度的自适应预测能量管理方法，首先提出用于虚拟电厂的在线运行的基于模型预测控制的自适应预测能量管理策略，该管理政策包括滚动时域优化和基于误差校正的反馈控制两个部分，其中：

滚动时域优化：在每个时间间隔，对不确定参数(可再生能源和负荷需求)进行预测，并将预测信息用于滚动时域优化模型，以最小化虚拟电厂在一段时间内的运行成本；之后，应用第一个时间间隔的结果，时间范围向前移动到下一个时间间隔；

基于误差校正的反馈控制：在滚动时域优化的每个时间间隔内，多次应用基于误差校正的反馈控制模型来调整虚拟电厂中的分布式能源的出力，以平衡预测值和实际值之间的不匹配；

具体包括如下步骤：

S1、在每个时间间隔内，使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求；

S2、使用步骤S1中的预测信息，进行优化并计算下一个时间间隔的调度；并通过监控数据，更新历史数据；

S3、利用超短期预测，根据最新信息确定可再生能源和负荷需求的预测误差，并根据预测误差调整调度计划；

S4、更新t+Δt，检查t是否达到下一个时间间隔；如果是，则跳到步骤S1，如果否，则跳到步骤S2。

作为本技术方案的进一步改进，所述滚动时域优化模型中：

在虚拟电厂的滚动时域优化模型中，每个时间间隔k中进行不确定参数(可再生能源发电和负荷需求)的预测和优化，优化的目标是在一个固定的未来时间范围内最小化总运营成本；

从时间间隔k开始，在时间间隔k+1之前，基于对未来时间范围(从时间间隔k+1到时间间隔k+M)内不确定参数的预测对优化问题进行求解，但只执行时间间隔k+1的调度；这里，M表示预测范围的长度；

类似地，在下一个时间间隔，时间范围向前移动一个时间间隔，并根据最新信息再次重复预测和优化；

优化过程会考虑未来的时间间隔，以便控制实施保持最佳状态。

作为本技术方案的进一步改进，所述滚动时域优化模型中，对不确定参数进行预测的方法包括如下步骤：

A1、根据太阳辐照度数据计算的净度指数确定太阳能光伏的功率；太阳辐照度不确定性的主要原因是多云天气条件的变化；光伏能源系统吸收的太阳辐照度h_pv,t(kWm^-2)可以准确地计算地外太阳辐照度h_ex,t(kWm^-2)和净度指数s_t估算：

h_pv,t＝s_th_ex,t

根据场地的地理信息和地球轨道可得出h_ex,t，使用格雷厄姆算法可生成清晰度指数s_t；一旦模拟了太阳辐照度，额定容量P_pv,r(kW)和额定太阳辐照度h_r(kWm^-2)的光伏能源系统产生的功率可计算为：

由于太阳辐照度数据是一维的，因此根据Akaike准则可确定时间序列模型ARIMA(自回归积分移动平均)，模型的方程可以得到为：

h(k)＝α₁h(k-1)+α₂h(k-2)+...+α_mh(k-m)+α_m+1h(k-m-1)+β_k

其中，h(k)表示间隔k处的太阳辐照度，α₁,...,α_m+1是系数，β_k是ARIMA模型中的残差；

A2、利用模型方程和状态方程，卡尔曼滤波器的观测方程如下：

令h₁(k)＝h(k),h₂(k)＝h(k-1),...,h_m+1(k)＝h(k-m)，这样模型方程可以改写为：

h(k+1)＝α₁h(k)+α₂h(k-1)+...+α_m+1h(k-m)+β_k+1

通过设置h₂(k)＝h(k+1),...,h_m+1(k)＝h(k+m)，状态方程变为：

其中，w(k)是卡尔曼滤波器中的系统噪声向量；则上式可以进一步写为：

H(k+1)＝φ(k+1,k)H(k)+Γ(k+1,k)w(k)

其中，H(k)是状态向量，φ(k+1,k)是状态转移矩阵，Γ(k+1,k)是卡尔曼滤波器中的激励转移矩阵；此外，观测方程还可以表示为：

Z(k+1)＝ψ(k+1)H(k+1)+n(k+1)

其中，Z(k+1)是观测向量，ψ(k+1)是预测输出转移矩阵，n(k+1)是卡尔曼滤波器中的测量噪声；

A3、太阳辐照度预测由卡尔曼预测递推方程确定，光伏能源系统产生的输出功率如步骤A1所示；相同的方法用于预测负荷需求，并可应用于更多的可再生能源。

作为本技术方案的进一步改进，所述滚动时域优化模型的实现方法包括如下：

一旦在特定的有限时间范围内获得预测结果，就会执行滚动时域优化；虚拟电厂包含分布式光伏发电、负荷和储能，其连接到配电系统并通过通信网络运行，虚拟电厂中存在双向的能量流动；该优化问题被表述为混合整数线性规划问题；

优化的目标是使虚拟电厂的运行成本最小化；其公式为：

其中，J_c(t)表示虚拟电厂的运行成本，而J_p表示电池储能系统充电和放电的潜在利润；具体如下：

J_c(t)＝π_g(t)P_g,i(t)-π_d(t)P_d,i(t)·T_s

J_p＝(S_b,i(k+M)-S_b,i(k))π_g,avg(k)

其中，π_g表示第i条母线上与电网进行电力交换P_g,i的能源价格，π_d表示在第i条母线上负载需求P_d,i的电价，T_s是采样时间，S_b,i表示第i条母线上储能的电荷状态(SoC)，π_g,avg是预测范围内能源价格的平均值。

作为本技术方案的进一步改进，所述滚动时域优化模型中，所提出的优化问题中涉及的约束表述如下：

a)光伏能源系统的约束：

来自光伏能源系统的发电功率P_pv,T(t)是采样时间T内第i条母线上的光伏利用功率P_pv(t)和弃光功率P_pv,c之和，例如：

P_pv,Ti(t)＝P_pv,i(t)+P_pv,ci(t)

在间隔t期间，第i条母线的光伏能源系统具有由逆变器施加的最大功率限制为：

其中，u_pv,i是光伏能源系统在第i条母线上的运行状态的二元决策变量；

b)电池储能系统的约束：

第i条母线上储能系统的电荷状态可以通过一个简化的离散动态方程来估计：

式中，σ_bi为自放电能量损失，P_ch,i为充电功率，P_dch,i为放电功率，η_ch,i为充电效率，η_dch,i为储能系统在第i条母线的放电效率；第i条母线上电池储能的电荷状态约束可以表示为：

电池储能的充放电功率的限值可表示为：

其中，u_ch，,i和u_dcg,i是第i条母线充电和放电决策的二元决策变量；此外，充电和放电速率的约束可以表示为：

其中，R_ch,i和R_dch,i是储能系统在第i条母线上的充电和放电率；电池储能的电荷状态的时域终点可以表示为：

S_bi(t+(M-1))＝S_bi,ini

其中，S_bi,ini是电池储能的电荷状态的时域起点；

c)虚拟电厂运行的约束：

虚拟电厂系统的约束包括电网功率交换约束、线路载流约束和功率平衡；虚拟电厂的功率平衡约束公式为：

其中，P_d,i表示母线i处的负载需求，l_i,j表示连接母线i和j的输电线路的直流功率流；通过该线路的功率流可计算为：

l_i,j(t)＝B_i,j(θ_i(t)-θ_j(t))

其中，B_i,j是母线i和j之间的线路电纳；此外，θ_i和θ_j是母线i与j的电压相量角；每条线路上的功率流必须在该线路的承载能力范围内，以便：

-l_i,j,max≤l_i,j(t)≤l_i,j,max

其中，l_i,j,max表示连接总线i至j的线路的最大容量限制；

虚拟电厂和电网之间的电力交换受到接触器容量的限制，即：

P_g,i,min≤P_g,i(t)≤P_g,i,max

其中，P_g,i,min和P_g,i,max是母线i与电网的最小和最大功率交换的约束；此外，斜坡速率约束R_g,i也可以施加在母线i到电网的电力交换上，即：

-T_sR_g,i≤P_g,i(t)-P_g,i(t-1)≤T_sR_g,i

其中，R_g,i为斜坡速率约束。

作为本技术方案的进一步改进，所述基于误差校正的反馈控制模型中：

在实时运行中，由于可再生能源和负荷的不确定性，参数的预测值和实际值总是存在偏差；预测中的误差会对虚拟电厂的运行产生重大影响，使用超短期误差预测模型进行超短期误差预测，可以对超短期预测的误差进行校正，并根据这个预测误差通过反馈修正来进行快速的调整。

作为本技术方案的进一步改进，所述基于误差校正的反馈控制模型中，超短期误差预测模型的实现方法包括如下：

B1、根据母线i处光伏功率的预测和测量数据更新误差序列使得：

其中，和/>是光伏功率的预测值和实际值，N_t是观测数据的时间；

B2、将误差序列进行累加形成一个新的序列，使得：

其中，N_t同上；

B3、将GM(1,1)模型表示为一阶常微分方程和对应的向量A_i：

通过使用最小二乘法计算c_i和d_i，即A_i：

其中，λ_i和Y_i可以定义为：

此外，可以估计为：

其中，为母线i处光伏功率的预测和测量数据更新误差序列平均值；

B4、计算预测误差和所需的误差校正，使得：

其中，和/>分别是预测误差和所需的校正；

B5、对于反馈控制的下一个间隔，转到步骤B1；

对虚拟电厂的所有母线上的负载需求执行相同的程序。

作为本技术方案的进一步改进，所述基于误差校正的反馈控制模型的实现方法包括如下：

具有校正功能的反馈控制不会中断调度，而是根据超短期预测误差调整发电机组的出力；该反馈控制模型是静态模型，仅在下一个区间(k+1)调整发电机组的出力，该模型被表述为线性规划问题；

该模型的目标函数是最大限度地减少发电机组的调整以提高虚拟电厂的灵活性和弹性。

其中，F代表虚拟电厂在调度设定点的总调整量，ω₁和ω₂是权重系数，同时使得ω₁远大于ω₂，因为线路流量的小幅波动不会太大影响虚拟电厂的客户消费和运营成本；

虚拟电厂的系统约束根据预测误差的调整进行更新，调整光伏发电和弃电使得约束变为：

与储能系统相关的约束也根据预测误差进行了调整，如下：

其中，t′表示反馈控制模型中的时间间隔。

功率平衡约束被调整为：

其中，ΔP_ch,i，ΔP_pv,c,i，Δl_i,j，ΔP_dch,i和ΔP_g,i是响应误差和/>的调整，功率流约束保持不变，使得：

-l_i,j,max≤l_i,j(t)+Δl_i,j≤l_i,j,max

由于响应预测误差而导致的注入或吸取的电网功率调整可以并入约束中：

反馈校正(ΔP_ch,i，ΔP_pv,c,i，Δl_i,j，ΔP_dch,i和ΔP_g,i)作为该误差校正模型的结果用于执行所需的调整。

与现有技术相比，本发明的有益效果：

1.该虚拟电厂在线优化电力调度的自适应预测能量管理方法中，基于模型预测控制的自适应预测能量管理策略用于虚拟电厂在线优化运行，并通过反馈校正来补偿预测误差，该策略分为滚动时域优化和基于反馈控制的误差校正两个部分；该策略可以更好地跟踪实际可用资源，并且使得能源需求和供应之间的不匹配最小；

2.该虚拟电厂在线优化电力调度的自适应预测能量管理方法中，在滚动时域优化中，基于时间序列分析和卡尔曼滤波器的混合预测算法用于预测可再生能源的输出功率和负荷需求；滚动时域优化模型以混合整数线性规划的形式实现，以根据最新的预测信息实施调度操作，然后根据超短期误差预测调整电力调度的计划；同时，应用基于反馈控制的误差校正以最小化地调整修正预测误差，并以线性规划的形式实现。

附图说明

图1为本发明中示例性的虚拟电厂的电气单线接线图；

图2为本发明中示例性的基于虚拟电厂的自适应预测能源管理策略流程图；

图3为本发明中示例性的滚动时域优化算法的执行框图；

图4为本发明中示例性的基于虚拟电厂的自适应预测能源管理策略的执行框图。

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、完整的描述，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。

实施例1

如图1-图4所示，本实施例提供了虚拟电厂在线优化电力调度的自适应预测能量管理方法，具体包括如下步骤，如图2：

S1、在每个时间间隔内，使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求；

S2、使用步骤S1中的预测信息，进行优化并计算下一个时间间隔的调度；并通过监控数据，更新历史数据；

S3、利用超短期预测，根据最新信息确定可再生能源和负荷需求的预测误差，并根据预测误差调整调度计划；

S4、更新t+Δt，检查t是否达到下一个时间间隔；如果是，则跳到步骤S1，如果否，则跳到步骤S2。

本实施例中，在实施上述的虚拟电厂在线优化电力调度的自适应预测能量管理方法之前，首先提出用于虚拟电厂的在线运行的基于模型预测控制的自适应预测能量管理策略，本实施例根据图1所示的含有可再生能源和储能系统的虚拟电厂的电气单线图，分析基于模型预测控制的自适应预测能量管理策略；该管理政策包括滚动时域优化和基于误差校正的反馈控制两个部分。

其一，如图3所示，滚动时域优化：在每个时间间隔，对不确定参数(可再生能源和负荷需求)进行预测，并将预测信息用于滚动时域优化模型，以最小化虚拟电厂在一段时间内的运行成本；之后，应用第一个时间间隔的结果，时间范围向前移动到下一个时间间隔；

其中，在虚拟电厂的滚动时域优化模型中，每个时间间隔k中进行不确定参数(可再生能源发电和负荷需求)的预测和优化，优化的目标是在一个固定的未来时间范围内最小化总运营成本；

从时间间隔k开始，在时间间隔k+1之前，基于对未来时间范围(从时间间隔k+1到时间间隔k+M)内不确定参数的预测对优化问题进行求解，但只执行时间间隔k+1的调度；这里，M表示预测范围的长度；

类似地，在下一个时间间隔，时间范围向前移动一个时间间隔，并根据最新信息再次重复预测和优化；

优化过程会考虑未来的时间间隔，以便控制实施保持最佳状态。

进一步地，滚动时域优化模型中，对不确定参数进行预测的方法包括如下步骤：

A1、根据太阳辐照度数据计算的净度指数确定太阳能光伏的功率。太阳辐照度不确定性的主要原因是多云天气条件的变化。光伏能源系统吸收的太阳辐照度h_pv,t(kWm^-2)可以准确地计算地外太阳辐照度h_ex,t(kWm^-2)和净度指数s_t估算：

h_pv,t＝s_th_ex,t

根据场地的地理信息和地球轨道可得出h_ex,t，使用格雷厄姆算法可生成清晰度指数s_t；一旦模拟了太阳辐照度，额定容量P_pv,r(kW)和额定太阳辐照度h_r(kWm^-2)的光伏能源系统产生的功率可计算为：

由于太阳辐照度数据是一维的，因此根据Akaike准则可确定时间序列模型ARIMA(自回归积分移动平均)，模型的方程可以得到为：

h(k)＝α₁h(k-1)+α₂h(k-2)+...+α_mh(k-m)+α_m+1h(k-m-1)+β_k

其中，h(k)表示间隔k处的太阳辐照度，α₁,...,α_m+1是系数，β_k是ARIMA模型中的残差；

A2、利用模型方程和状态方程，卡尔曼滤波器的观测方程如下：

令h₁(k)＝h(k),h₂(k)＝h(k-1),...,h_m+1(k)＝h(k-m)，这样模型方程可以改写为：

h(k+1)＝α₁h(k)+α₂h(k-1)+...+α_m+1h(k-m)+β_k+1

通过设置h₂(k)＝h(k+1),...,h_m+1(k)＝h(k+m)，状态方程变为：

其中，w(k)是卡尔曼滤波器中的系统噪声向量；则上式可以进一步写为：

H(k+1)＝φ(k+1,k)H(k)+Γ(k+1,k)w(k)

其中，H(k)是状态向量，φ(k+1,k)是状态转移矩阵，Γ(k+1,k)是卡尔曼滤波器中的激励转移矩阵；此外，观测方程还可以表示为：

Z(k+1)＝ψ(k+1)H(k+1)+n(k+1)

其中，Z(k+1)是观测向量，ψ(k+1)是预测输出转移矩阵，n(k+1)是卡尔曼滤波器中的测量噪声；

A3、太阳辐照度预测由卡尔曼预测递推方程确定，光伏能源系统产生的输出功率如步骤A1所示；相同的方法用于预测负荷需求，并可应用于更多的可再生能源。

具体地，滚动时域优化模型的实现方法包括如下：

一旦在特定的有限时间范围内获得预测结果，就会执行滚动时域优化；虚拟电厂包含分布式光伏发电、负荷和储能，其连接到配电系统并通过通信网络运行，虚拟电厂中存在双向的能量流动；该优化问题被表述为混合整数线性规划问题；

优化的目标是使虚拟电厂的运行成本最小化。其公式为：

其中，J_c(t)表示虚拟电厂的运行成本，而J_p表示电池储能系统充电和放电的潜在利润；具体如下：

J_c(t)＝π_g(t)P_g,i(t)-π_d(t)P_d,i(t)·T_s

J_p＝(S_b,i(k+M)-S_b,i(k))π_g,avg(k)

其中，π_g表示第i条母线上与电网进行电力交换P_g,i的能源价格，π_d表示在第i条母线上负载需求P_d,i的电价，T_s是采样时间，S_b,i表示第i条母线上储能的电荷状态(SoC)，π_g,avg是预测范围内能源价格的平均值。

具体地，滚动时域优化模型中，所提出的优化问题中涉及的约束表述如下：

a)光伏能源系统的约束：

来自光伏能源系统的发电功率P_pv,T(t)是采样时间T内第i条母线上的光伏利用功率P_pv(t)和弃光功率P_pv,c之和，例如：

P_pv,Ti(t)＝P_pv,i(t)+P_pv,ci(t)

在间隔t期间，第i条母线的光伏能源系统具有由逆变器施加的最大功率限制为：

其中，u_pv,i是光伏能源系统在第i条母线上的运行状态的二元决策变量；

b)电池储能系统的约束：

第i条母线上储能系统的电荷状态可以通过一个简化的离散动态方程来估计：

式中，σ_bi为自放电能量损失，P_ch,i为充电功率，P_dch,i为放电功率，η_ch,i为充电效率，η_dch,i为储能系统在第i条母线的放电效率。第i条母线上电池储能的电荷状态约束可以表示为：

电池储能的充放电功率的限值可表示为：

其中，u_ch,i和u_dcg,i是第i条母线充电和放电决策的二元决策变量；此外，充电和放电速率的约束可以表示为：

其中，P_ch,i和R_dch,i是储能系统在第i条母线上的充电和放电率；电池储能的电荷状态的时域终点可以表示为：

S_bi(t+(M-1))＝S_bi,ini

其中，S_bi,ini是电池储能的电荷状态的时域起点；

c)虚拟电厂运行的约束：

虚拟电厂系统的约束包括电网功率交换约束、线路载流约束和功率平衡；虚拟电厂的功率平衡约束公式为：

其中，P_d,i表示母线i处的负载需求，l_i,j表示连接母线i和j的输电线路的直流功率流；通过该线路的功率流可计算为：

l_i,j(t)＝B_i,j(θ_i(t)-θ_j(t))

其中，B_i,j是母线i和j之间的线路电纳；此外，θ_i和θ_j是母线i与j的电压相量角；每条线路上的功率流必须在该线路的承载能力范围内，以便：

-l_i,j,max≤l_i,j(t)≤l_i,j,max

其中，l_i,j,max表示连接总线i至j的线路的最大容量限制；

虚拟电厂和电网之间的电力交换受到接触器容量的限制，例如：

P_g,i,min≤P_g,i(t)≤P_g,i,max

其中，P_g,i,min和P_g,i,max是母线i与电网的最小和最大功率交换的约束；此外，斜坡速率约束R_g,i也可以施加在母线i到电网的电力交换上，例如：

-T_sR_g,i≤P_g,i(t)-P_g,i(t-1)≤T_sR_g,i

其中，R_g,i为斜坡速率约束。

其二，如图4所示，基于误差校正的反馈控制：在滚动时域优化的每个时间间隔内，多次应用带有基于误差校正的反馈控制来调整虚拟电厂中的分布式能源的出力，以平衡预测值和实际值之间的不匹配。

其中，在实时运行中，由于可再生能源和负荷的不确定性，参数的预测值和实际值总是存在偏差；预测中的误差会对虚拟电厂的运行产生重大影响，因此使用超短期误差预测模型进行了超短期误差预测，可以对超短期预测的误差进行校正，并根据这个预测误差通过反馈修正来进行快速的调整。

进一步地，基于误差校正的反馈控制模型中，超短期误差预测模型的实现方法包括如下：

B1、根据母线i处光伏功率的预测和测量数据更新误差序列使得：

其中，和/>是光伏功率的预测值和实际值，N_t是观测数据的时间；

B2、将误差序列进行累加形成一个新的序列，使得：

其中，N_t同上；

B3、将GM(1,1)模型表示为一阶常微分方程和对应的向量A_i：

通过使用最小二乘法计算c_i和d_i，即A_i：

其中，λ_i和Y_i可以定义为：

此外，可以估计为：

其中，为母线i处光伏功率的预测和测量数据更新误差序列平均值；

B4、计算预测误差和所需的误差校正，使得：

其中，和/>分别是预测误差和所需的校正；

B5、对于反馈控制的下一个间隔，转到步骤B1。

对虚拟电厂的所有母线上的负载需求执行相同的程序。

进一步地，基于误差校正的反馈控制模型的实现方法包括如下：

具有校正功能的反馈控制不会中断调度，而是根据超短期预测误差调整发电机组的出力；该反馈控制模型是静态模型，仅在下一个区间(k+1)调整发电机组的出力，该模型被表述为线性规划问题；

该模型的目标函数是最大限度地减少发电机组的调整以提高虚拟电厂的灵活性和弹性；

其中，F代表虚拟电厂在调度设定点的总调整量，ω₁和ω₂是权重系数，同时使得ω₁远大于ω₂，因为线路流量的小幅波动不会太大影响虚拟电厂的客户消费和运营成本；

虚拟电厂的系统约束根据预测误差的调整进行更新，调整光伏发电和弃电使得约束变为：

与储能系统相关的约束也根据预测误差进行了调整，如下：

其中，t′表示反馈控制模型中的时间间隔；

功率平衡约束被调整为：

其中，ΔP_ch,i，ΔP_pv,c,i，Δl_i,j，ΔP_dch,i和ΔP_g,i是响应误差和/>的调整，功率流约束保持不变，使得：

-l_i,j,max≤l_i,j(t)+Δl_i,j≤l_i,j,max

由于响应预测误差而导致的注入或吸取的电网功率调整可以并入约束中：

反馈校正(ΔP_ch,i，ΔP_pv,c,i，Δl_i,j，ΔP_dch,i和ΔP_g,i)作为该误差校正模型的结果用于执行所需的调整，如图3所示。

图3中，X_k是对未来时间范围内(从k+1到k+M)的光伏功率和负荷的预测。另外，ξ_k+1表示下一个时间间隔的调度计划。光伏功率和负载的预测误差用表示，Δξ是误差校正反馈控制的调整值，/>是修正后的出力。

本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤的过程可以通过硬件来完成，也可以通过程序来指令相关的硬件完成。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，首先提出用于虚拟电厂的在线运行的基于模型预测控制的自适应预测能量管理策略，该管理政策包括滚动时域优化和基于误差校正的反馈控制两个部分，其中：

滚动时域优化：在每个时间间隔，对不确定参数进行预测，并将预测信息用于滚动时域优化模型，以最小化虚拟电厂在一段时间内的运行成本；其中，不确定参数包括可再生能源和负荷需求；

基于误差校正的反馈控制：在滚动时域优化的每个时间间隔内，多次应用基于误差校正的反馈控制来调整虚拟电厂中的分布式能源的出力，以平衡预测值和实际值之间的不匹配；

具体包括如下步骤：

S1、在每个时间间隔内，使用更新的历史数据来预测未来时间范围(t+Δt,t+M*Δt)内的可再生能源和负荷需求；

S2、使用步骤S1中的预测信息，进行优化并计算下一个时间间隔的调度；并通过监控数据，更新历史数据；

S3、利用超短期预测，根据最新信息确定可再生能源和负荷需求的预测误差，并根据预测误差调整调度计划；

S4、更新t+Δt，检查t是否达到下一个时间间隔；如果是，则跳到步骤S1，如果否，则跳到步骤S2。

2.根据权利要求1所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，所述滚动时域优化模型中：

在虚拟电厂的滚动时域优化模型中，每个时间间隔k中进行不确定参数的预测和优化，优化的目标是在一个固定的未来时间范围内最小化总运营成本；

从时间间隔k开始，在时间间隔k+1之前，基于对未来时间范围内不确定参数的预测对优化问题进行求解，但只执行时间间隔k+1的调度；其中，未来时间范围为从时间间隔k+1到时间间隔k+M；这里，M表示预测范围的长度；

类似地，在下一个时间间隔，时间范围向前移动一个时间间隔，并根据最新信息再次重复预测和优化。

3.根据权利要求2所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，所述滚动时域优化模型中，对不确定参数进行预测的方法包括如下步骤：

A1、根据太阳辐照度数据计算的净度指数确定太阳能光伏的功率；光伏能源系统吸收的太阳辐照度h_pv,t(kWm^-2)可以准确地计算地外太阳辐照度h_ex,t(kWm^-2)和净度指数s_t估算：

h_pv,t＝s_th_ex,t

根据场地的地理信息和地球轨道可得出h_ex,t，使用格雷厄姆算法可生成清晰度指数s_t；一旦模拟了太阳辐照度，额定容量P_pv,r(kW)和额定太阳辐照度h_r(kWm^-2)的光伏能源系统产生的功率可计算为：

由于太阳辐照度数据是一维的，因此根据Akaike准则可确定时间序列模型ARIMA，模型的方程可以得到为：

h(k)＝α₁h(k-1)+α₂h(k-2)+...+α_mh(k-m)+α_m+1h(k-m-1)+β_k

其中，h(k)表示间隔k处的太阳辐照度，α₁,...,α_m+1是系数，β_k是ARIMA模型中的残差；

A2、利用模型方程和状态方程，卡尔曼滤波器的观测方程如下：

令h₁(k)＝h(k),h₂(k)＝h(k-1),...,h_m+1(k)＝h(k-m)，这样模型方程可以改写为：

h(k+1)＝α₁h(k)+α₂h(k-1)+...+α_m+1h(k-m)+β_k+1

通过设置h₂(k)＝h(k+1),...,h_m+1(k)＝h(k+m)，状态方程变为：

其中，w(k)是卡尔曼滤波器中的系统噪声向量；则上式可以进一步写为：

H(k+1)＝φ(k+1,k)H(k)+Γ(k+1,k)w(k)

其中，H(k)是状态向量，φ(k+1,k)是状态转移矩阵，Γ(k+1,k)是卡尔曼滤波器中的激励转移矩阵；此外，观测方程还可以表示为：

Z(k+1)＝ψ(k+1)H(k+1)+n(k+1)

其中，Z(k+1)是观测向量，ψ(k+1)是预测输出转移矩阵，n(k+1)是卡尔曼滤波器中的测量噪声；

A3、太阳辐照度预测由卡尔曼预测递推方程确定，光伏能源系统产生的输出功率如步骤A1所示。

4.根据权利要求3所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，所述滚动时域优化模型的实现方法包括如下：

一旦在特定的有限时间范围内获得预测结果，就会执行滚动时域优化；该优化问题被表述为混合整数线性规划问题；优化的目标是使虚拟电厂的运行成本最小化；其公式为：

其中，J_c(t)表示虚拟电厂的运行成本，而J_p表示电池储能系统充电和放电的潜在利润；具体如下：

J_c(t)＝π_g(t)P_g,i(t)-π_d(t)P_d,i(t)·T_s

J_p＝(S_b,i(k+M)-S_b,i(k))π_g,avg(k)

其中，π_g表示第i条母线上与电网进行电力交换P_g,i的能源价格，π_d表示在第i条母线上负载需求P_d,i的电价，T_s是采样时间，S_b,i表示第i条母线上储能的电荷状态，π_g,avg是预测范围内能源价格的平均值。

5.根据权利要求4所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，所述滚动时域优化模型中，所提出的优化问题中涉及的约束表述如下：

a)光伏能源系统的约束：

来自光伏能源系统的发电功率P_pv,T(t)是采样时间T内第i条母线上的光伏利用功率P_pv(t)和弃光功率P_pv,c之和，即：

P_pv,Ti(t)＝P_pv,i(t)+P_pv,ci(t)

在间隔t期间，第i条母线的光伏能源系统具有由逆变器施加的最大功率限制为：

其中，u_pv,i是光伏能源系统在第i条母线上的运行状态的二元决策变量；

b)电池储能系统的约束：

第i条母线上储能系统的电荷状态可以通过一个简化的离散动态方程来估计：

式中，σ_bi为自放电能量损失，P_ch,i为充电功率，P_dch,i为放电功率，η_ch,i为充电效率，η_dch,ii为储能系统在第i条母线的放电效率；第i条母线上电池储能的电荷状态约束可以表示为：

电池储能的充放电功率的限值可表示为：

其中，u_ch,i和u_dcg,i是第i条母线充电和放电决策的二元决策变量；此外，充电和放电速率的约束可以表示为：

其中，P_ch,i和R_dch，,i是储能系统在第i条母线上的充电和放电率；电池储能的电荷状态的时域终点可以表示为：

S_bi(t+(M-1))＝S_bi,ini

其中，S_bi,ini是电池储能的电荷状态的时域起点；

c)虚拟电厂运行的约束：

虚拟电厂系统的约束包括电网功率交换约束、线路载流约束和功率平衡；虚拟电厂的功率平衡约束公式为：

其中，P_d,i表示母线i处的负载需求，l_i,j表示连接母线i和j的输电线路的直流功率流；通过该线路的功率流可计算为：

l_i,j(t)＝B_i,j(θ_i(t)-θj₍t))

其中，B_i,j是母线i和j之间的线路电纳；此外，θi和θ_j是母线i与j的电压相量角；每条线路上的功率流必须在该线路的承载能力范围内，以便：

-l_i,j,max≤l_i,j(t)≤li_,j,max

其中，li_,j,max表示连接总线i至j的线路的最大容量限制；

虚拟电厂和电网之间的电力交换受到接触器容量的限制，即：

Pg_,i,min≤Pg_,i(t)≤P_g,i,max

其中，P_g,i,min和P_g,i,max是母线i与电网的最小和最大功率交换的约束；此外，斜坡速率约束R_g,i也可以施加在母线i到电网的电力交换上，即：

-T_sR_g,i≤P_g,i(t)-P_g,i(t-1)≤TsR_g,i

其中，R_g,i为斜坡速率约束。

6.根据权利要求1所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，所述基于误差校正的反馈控制模型中：

在实时运行中，由于可再生能源和负荷的不确定性，参数的预测值和实际值总是存在偏差；预测中的误差会对虚拟电厂的运行产生重大影响，使用超短期误差预测模型进行超短期误差预测，可以对超短期预测的误差进行校正，并根据这个预测误差通过反馈修正来进行快速的调整。

7.根据权利要求6所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，所述基于误差校正的反馈控制模型中，超短期误差预测模型的实现方法包括如下：

B1、根据母线i处光伏功率的预测和测量数据更新误差序列使得：

其中，和/>是光伏功率的预测值和实际值，N_t是观测数据的时间；

B2、将误差序列进行累加形成一个新的序列，使得：

其中，N_t同上；

B3、将GM(1,1)模型表示为一阶常微分方程和对应的向量A_i：

通过使用最小二乘法计算c_i和d_i，即A_i：

其中，λ_i和Y_i可以定义为：

此外，可以估计为：

其中，为母线i处光伏功率的预测和测量数据更新误差序列平均值；

B4、计算预测误差和所需的误差校正，使得：

其中，和/>分别是预测误差和所需的校正；

B5、对于反馈控制的下一个间隔，转到步骤B1。

8.根据权利要求7所述的虚拟电厂在线优化电力调度的自适应预测能量管理方法，其特征在于，所述基于误差校正的反馈控制模型的实现方法包括如下：

该反馈控制模型是静态模型，仅在下一个区间(k+1)调整发电机组的出力，该模型被表述为线性规划问题；

该模型的目标函数是最大限度地减少发电机组的调整以提高虚拟电厂的灵活性和弹性，如下：

其中，F代表虚拟电厂在调度设定点的总调整量，ω₁和ω₂是权重系数，同时使得ω₁远大于ω₂，因为线路流量的小幅波动不会太大影响虚拟电厂的客户消费和运营成本；

虚拟电厂的系统约束根据预测误差的调整进行更新，调整光伏发电和弃电使得约束变为：

与储能系统相关的约束也根据预测误差进行了调整，如下：

其中，t′表示反馈控制模型中的时间间隔；

功率平衡约束被调整为：

其中，ΔP_ch,i，ΔP_pv,c,i，Δl_i,j，ΔP_dch,i和ΔP_g,i是响应误差和/>的调整，功率流约束保持不变，使得：

-l_i,j,max≤l_i,j(t)+Δl_i,j≤l_i,j,max

由于响应预测误差而导致的注入或吸取的电网功率调整可以并入约束中：

则将上述的ΔP_ch,i，ΔP_pv,c,i，Δl_i,j，ΔP_dch,i和ΔP_g,i作为该误差校正模型的结果用于执行所需的调整。