CN117057491B - 基于mpc与储能系统结合的农村地区电力供应优化管理方法 - Google Patents
基于mpc与储能系统结合的农村地区电力供应优化管理方法 Download PDFInfo
- Publication number
- CN117057491B CN117057491B CN202311322972.8A CN202311322972A CN117057491B CN 117057491 B CN117057491 B CN 117057491B CN 202311322972 A CN202311322972 A CN 202311322972A CN 117057491 B CN117057491 B CN 117057491B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- load
- storage system
- prediction model
- charge
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 142
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000007726 management method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000007599 discharging Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000008878 coupling Effects 0.000 claims abstract description 7
- 238000010168 coupling process Methods 0.000 claims abstract description 7
- 238000005859 coupling reaction Methods 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000008713 feedback mechanism Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于MPC与储能系统结合的农村地区电力供应优化管理方法,以解决农村地区低电压负荷问题,属于储能能量管理技术领域;包括以下步骤:建立考虑农村电压负荷变化和电网特性对电压水平影响的数学预测模型;将分布于农村地区的储能系统划分为相互联系的子系统;优化针对分布式储能子系统的充放电策略;将建立的预测模型与分布式储能子系统相耦合;不断更新和修正预测模型提高控制的精度和性能。本发明方法中利用MPC方法实现对储能系统的实时监测、调度控制以及农村电压负荷的预测模型,建立考虑农村电压负荷变化和电网特性对电压水平影响的数学预测模型,以准确预测低电压负荷情况,从而提高低电压地区的电压水平并确保可靠的电力供应。
Description
技术领域
本发明属于储能能量管理技术领域,具体涉及一种基于MPC与储能系统结合的农村地区电力供应优化管理方法。
背景技术
随着农村地区电力需求的不断增长,低电压负荷成为一个普遍存在的问题。储能技术的发展为解决低电压负荷问题提供了新的机会。然而传统的储能系统在农村地区往往受限于输电线路的损耗和电力供应的不稳定性,导致电压水平下降,进而影响电力供应的可靠性和质量。此外,由于农村地区的用电负荷通常具有较大的波动性和季节性变化,传统的储能系统往往无法灵活应对。传统的储能系统往往无法满足农村地区的需求,因而需要寻找创新的解决方案来解决这一问题。
目前,模型预测控制MPC作为一种先进的控制方法,可以结合储能系统应用于解决低电压负荷问题,储能系统可以在低电压时段进行充电,而在高电压需求时段释放储能以提供稳定的电力供应。例如授权公告号为CN108539798B的发明专利,公开了基于模型预测控制的储能系统二次调节策略,该方法建立了电网负荷预测模型,并以预测结果作为储能系统调度的输入,但是其模型预测不够精确,难以适应农村负荷的大幅波动。又如申请公布号为CN107453380A的发明专利,公开了一种基于分布式控制模式的储能能量管理系统及方法,具体公开了一种分布式储能管理系统,该系统可以协调多储能站,但没有考虑到农村电网的供电范围分割,不同区域的电压调节需求。综上现有基于MPC的储能系统还存在着以下待解决的问题:负荷预测模型不够精确,无法反映农村负荷的时序性、周期性和突发性变化;储能系统调度和控制还不够智能和主动,无法根据负荷预测进行优化规划;分布式储能系统管理缺乏对农村电网分割供电区域的考虑,不同区域的电压调控需求无法有针对性满足。
针对上述问题,亟需设计一种新型的MPC预测模型与分布式储能管理方法,通过建立神经网络预测模型、划分储能子系统、优化充放电策略等方式进行改进,以提高农村电网电压控制的性能。
发明内容
本发明的目的是:克服现有技术中存在的问题,提供一种基于MPC与储能系统结合的农村地区电力供应优化管理方法,通过建立预测模型对农村电网负荷进行预测,同时将分布式储能系统与预测模型相耦合,采用闭环控制对预测模型进行修正与优化,根据预测结果进行充放电调度,从而满足时变的电网需求;并通过实时监测和反馈控制不断更新预测模型,可以持续提高预测结果的准确性和控制性能。
为实现上述目的,本发明采用了以下技术方案:基于MPC与储能系统结合的农村地区电力供应优化管理方法,包括以下步骤:
S1、建立考虑农村电压负荷变化规律和电网特性并对电压水平影响的数学预测模型:
采用长短期记忆LSTM神经网络模型建立农村电压负荷的LSTM预测模型,该模型基于农村地区过去n年的历史电压负荷数据进行训练,并考虑影响电压负荷的特征变量,包括农村生产用电负荷/>,家庭用电负荷/>和天气温度/>,LSTM预测模型的表达式为:
,
式中,为下一时刻/>的电压负荷预测值;
S2、将分布于农村地区的储能系统划分为相互联系的子系统:
根据农村电网的供电范围和传输线路,将连通配电网的储能系统划分成多个相对独立但相互关联的子系统进行分布式管理,每个子系统负责对应区域的电压调节,其内部包含有多个储能点,子系统之间通过传输线路相连电力互通,设储能系统共划分为m个子系统,编号为1~m,第i个子系统的储能容量为Ei,最大充放电功率为,子系统间传输线路的容量为Lij(i≠j);
S3、针对储能子系统制定充放电策略:
采用步骤S1中构建的LSTM预测模型对步骤S2中划分的子系统进行实时监测和优化调度控制,针对每个时刻t,根据LSTM模型预测结果,计算各储能子系统i在不同时段t的充电量/>和放电量/>,优化目标为最小化充放电运维成本,约束条件为子系统容量限制,通过求解优化目标获得每个时刻t下各储能子系统i的最优充放电计划;
最小化充放电运维成本的表达式为:
,
,
式中,为第i个储能子系统在时刻t的充电成本,/>为第i个储能子系统在时刻t的放电成本,它们与相应的充放电量/>和/>的乘积之和构成了充放电运维成本,在优化目标函数中进行最小化,/>为最大充电功率,/>为最大放电功率;
S4、LSTM预测模型与储能系统联合控制:
将建立的LSTM预测模型与储能系统相耦合,建立LSTM模型与储能系统的通信接口,利用储能系统的电力调节和储存功能,实时传输预测负荷值,储能系统根据该预测结果制定充放电计划,同时将实际负荷反馈/>输入LSTM预测模型不断修正模型参数,实现预测的滚动优化;
S5、LSTM预测模型的修正:
基于步骤S4中的联合控制,通过对农村电网的实时监测和反馈控制,不断更新和修正LSTM预测模型,并计算每次预测的误差误差,/>,当/>大于设置阈值时表示预测模型偏差过大,需要对模型参数进行修正,通过卷积神经网络对参数进行微调,优化LSTM预测模型减小预测误差。
所述步骤S3中,通过求解优化目标获得每个时刻t下各储能子系统i的最优充放电计划,具体包括以下步骤:
S31、根据优化目标函数,以每个储能子系统的容量限制SOC、充放电效率和最大充放电功率/>为约束条件,制定充放电计划,表达式为:
,
,
式中,为第i个储能子系统在时刻t的状态电荷量,SOC反映了储能系统的剩余电荷量或电池电量状态,其取值范围通常在0-100%之间,/>为每个储能子系统的最小容量限制,/>为每个储能子系统的最大容量限制;
S32、通过多目标规划算法,确定各储能子系统的优先级和充放电比例,表达式分别为:
,
,
式中,为第i个储能子系统在时刻t的优先级权重,在制定充放电计划时需要确定各储能子系统的优先级,以决定先对哪些子系统进行充放电;
S33、根据电价差异和负荷预测,选择低谷电价时段对储能系统进行充电,选择高峰时段进行放电,降低操作成本;
S34、建立储能系统的充放电模拟环境,测试不同策略的效果,选择综合收益最优的充放电策略;
S35、采用闭环反馈机制,根据执行效果调整充放电策略,实现对系统的动态优化。
所述步骤S33中,根据电价差异和负荷预测进行充放电的具体操作过程为:
S331、建立不同时段电价的预测模型,根据历史电价数据、负荷水平和发电成本因素,预测出未来一段时间内不同时段的电价,并根据负荷预测结果确定出低电压时段/高负荷时段、低电压时段/低负荷时段;
S332、将低谷电价时段确定为储能系统的充电时段,将高峰电价时段确定为储能系统的放电时段,在充电时段内最大限度地利用电网中较低的电价进行储能系统的充电;在放电时段内利用储能系统放电部分满足负荷需求,减少从电网中高价电量的购买;
S333、通过模拟仿真测试不同划分电价时段的充放电策略,确定在考虑运行成本最小的情况下的最佳时段划分方案;
S334、在实际运行中,根据电价和负荷的实时情况,动态调整充放电时段的划分,实现系统的经济运行。
所述步骤S4中,LSTM预测模型与储能系统的耦合具体包括以下过程:
S41、建立预测模型与储能系统的联动接口,实现两者的数据交互,其中预测模型的输出结果将作为储能系统充放电调度的输入信号,预测模型的输出包括未来时间段内不同时段t的负荷预估值/>;
S42、根据预测负荷,储能系统计算充电需求和放电需求/>:
,
式中,为表示时刻t光伏发电的输出功率;
S43、通过负荷反馈数据不断校正预测模型,实现滚动优化,滚动优化的表达式为:
,
式中,k为滚动优化中预测模型的校正系数,即为调整的比例系数,取值在0到1之间,它反映了对预测进行修正的程度;
当k取较小值时,表示对原预测值的信任较高,调整幅度小;当k取较大值时,表示对反馈值的信任较高,进行较大幅度修正;一般k的取值需要结合实际情况测试确定,以平衡预测的连续性和对反馈的灵敏度;
S44、评估预测误差的成本风险,表达式为:
,
式中,为预测值和反馈值的均方误差,/>为预测值的方差,表示利用预测值和反馈值的偏差程度来评估误差风险,/>越大表示预测误差越大,/>表示利用预测值本身的波动程度来评估误差风险,/>越大表示预测波动性越大;;
、/>为权重系数,反映了上述两项在计算风险中的重要性,其中/>与预测偏差有关,/>与预测稳定性有关,根据实际需要确定两者的相对重要性;如果想强调预测误差,可以设定/>较大,如果想强调预测稳定性,可以设定/>较大,因此/>和/>可以平衡预测误差和稳定性这两方面的考虑,更全面地评估风险;
S45、建立储能系统与电网的二级控制系统,在预测模型失效时快速应急控制。
本发明的有益效果是:
1)本发明方法中采用MPC方法进行实时监测和提出预测模型的优化调度,通过针对这些分布式储能系统的充放电策略进行优化,实现对能源的精确控制;建立农村电压负荷预测模型,可以对未来一段时间内的负荷情况进行准确预测,并基于MPC模型的储能系统作为柔性资源,在多方面约束条件下(如成本,容值),可以根据预测结果实时调整充放电策略,以满足电网需求并优化能量利用。
2)本发明方法中将储能系统与建立的预测模型相耦合,以利用储能系统的电力调节和能量储存功能,通过实时监测农村地区电网的电压水平,储能系统可以根据预测模型提前进行充电或放电操作,以调整电网电压并满足低电压负荷需求;并通过实时监测和反馈控制,不断修正预测模型,提高控制精度和性能,进而实现对储能系统的准确控制,并根据实际情况不断优化预测模型确保可靠的电力供应。
附图说明
图1为本发明方法的流程图;
图2为本发明方法的分布式储能结构图;
图3为本发明实施例中的仿真模型图;
图4为本发明实施例中一个周期内储能子系统的电压负荷预测结果图;
图5为本发明实施例中预测负荷和实际负荷的对比仿真结果图;
图6为本发明实施例中多周预测误差分析的仿真结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的解释说明。
实施例:如图1-3所示,本发明提供一种基于MPC与储能系统结合的农村地区电力供应优化管理方法,包括以下步骤:
S1、建立考虑农村电压负荷变化规律和电网特性并对电压水平影响的数学预测模型:
收集某农村区域最近3年的电压负荷数据,时间步长为1小时,共获得了26280组样本,每个样本包含历史电压负荷数据以及特征变量值,包括农业生产用电负荷/>,家庭用电负荷/>和天气温度/>。
使用K折交叉验证方法训练LSTM网络模型,将数据切分为K份,每次使用K-1份作为训练集,1份作为验证集。重复K次对模型参数进行调优,选择误差最小的一组参数作为最终模型。
LSTM模型结构为:输入层(4节点)、LSTM层(100节点)、全连接层(50节点)、输出层(1节点),激活函数采用SIGMOID,优化器选择RMSprop,学习率设置为0.001。
训练100轮后,在验证集上获得最小均方根误差(RMSE)为15,得到最终模型权重参数w和b。建立的LSTM预测模型为:
,
式中,为下一时刻/>的电压负荷预测值;通过LSTM模型进行序列建模,可以捕捉电压负荷数据的时序相关性和趋势性,加入特征变量可以提高对电压负荷影响因素的考虑。
S2、将分布于农村地区的储能系统划分为相互联系的子系统:
根据某县城及周边农村地区电网布局划分,将区域总面积720平方公里划分为6个供电分区,分别设置编号为1-6的储能子系统,各自承担120平方公里的供电责任。
S3、针对储能子系统制定充放电策略:
基于构建的LSTM预测模型,预测接下来168小时(一周)内的电压负荷值,获得{P'(1),P'(2),...,P'(168)}。
对每个时刻t,求解优化目标函数,获得每个时刻t下各储能子系统的充电量和放电量/>,作为充放电计划;
为验证该策略的有效性,进行了储能子系统负荷预测的仿真测试,结果如图4所示。
图4为针对4个储能子系统在一周内的电压负荷预测结果,显示的是一个周期内储能子系统的电压负荷预测结果,通过不同曲线表示每个子系统负荷的时序变化趋势。
其中,储能子系统1,2,4代表3个负荷曲线较为相似的储能子系统。这3条曲线形状特征为:在周期开始阶段呈现上升趋势,表示这一时段负荷较轻;到了周中时段,负荷需求增加,3条曲线均出现了下降的趋势;在周末时段,这3个子系统的负荷又开始上升,进入下一个周期。该变化趋势符合农村居民在工作日和休息日用电模式的差异。3条曲线最终都趋于平稳,达到相对稳定的负荷水平,为下一周期做好准备。
储能子系统3代表另一个负荷模式不同的储能子系统,该曲线从最初的负荷较轻逐步上升,并在周期后半段基本达到平稳。这可能是该区域主要供电对象为农产品储藏库这类负荷稳定的设施。
通过不同曲线的对比,充分体现出本方法中考虑到的储能子系统负荷具有明显的时序特征和周期性规律。例如工作日和节假日的差异,会导致负荷模式出现差异。同时不同区域因供电对象和用电习惯不同,负荷模式也不相同。考虑到这些负荷变化规律,建立准确的预测模型尤为重要。
该仿真验证了基于LSTM模型可以进行准确的负荷预测,为制定充放电策略提供重要依据。
S4、LSTM预测模型与储能系统联合控制:
将建立的LSTM预测模型与储能系统相耦合,建立LSTM模型与储能系统的通信接口,将预测结果{P'(1),P'(2),...,P'(168)}传输给每个储能子系统,子系统根据预测结果确定168小时内的充放电计划,同时反馈实际负荷值{P(1),P(2),...,P(168)}到LSTM模型中用于训练模型的参数调优。
为验证预测模型与储能系统联合控制的效果,进行了预测负荷和实际负荷的对比仿真,结果如图5所示。
图5显示的是储能子系统的实际负荷反馈值和预测负荷值的对比,预测负荷曲线代表根据LSTM模型预测得到的负荷值,该曲线从最初值开始上升,进入到负荷较高的状态,然后出现了一些微小的波动,波动范围逐渐减小,最终曲线趋于平稳。这反映出预测模型捕捉到了负荷整体的变化趋势,即从低谷逐渐进入高峰的过程。但预测不可能百分之百精确,所以出现了一些小范围的波动,这是正常的。随着时间推移,预测值会越来越接近实际情况,最终基本稳定在一个较准确的水平。
实际负荷曲线代表储能子系统实际遇到的负荷大小,这些是反馈回预测模型进行比较和校正的参数。从曲线的形状可以看出,除了细微起伏外,其变化趋势与预测负荷基本一致,先上升后趋于平稳。这验证了所建立的LSTM预测模型能够对农村负荷进行有效的预测。
将预测负荷曲线和实际负荷曲线画在一张图上进行对比是一种直观有效的方式,可以清楚地展示预测结果的准确性和可靠性。如果两条曲线重合度越高,则表示预测模型精度越高。本例中两条曲线基本一致的结果,说明所构建的LSTM负荷预测模型经过训练和调优,已经能够较好地完成对农村负荷变化的建模,为储能系统的调度决策提供了可靠的基础。该仿真验证了LSTM模型能够进行有效的负荷预测,为储能系统的调度控制提供参考。
S5、LSTM预测模型的修正:
基于步骤S4中的联合控制,通过对农村电网的实时监测和反馈控制,不断更新和修正LSTM预测模型,并计算每次预测的误差,/>,
统计168小时的平均误差Eavg和最大误差Emax,如果Emax超过要求阈值,则需要调整LSTM模型,重新训练以减小误差。
为验证模型修正优化的效果,进行了多周预测误差分析的仿真,结果如图6所示。
图6展示了连续4周的负荷预测误差统计结果。周负荷预测的平均绝对误差Eavg,该曲线表明,在第一周时,预测模型的平均误差较大,此后进入第二周,平均误差有所下降。这可能是由于模型刚投入使用时,预测效果不佳。但通过第一周的实际负荷反馈,模型进行了进一步训练和调整参数,因此第二周的预测效果有所提升,平均误差下降。到第三周时,平均误差又有所上升,这可能是由于负荷模式发生变化,模型需要重新适应。最终在第四周,模型经过不断学习和优化,平均误差降到了很小的水平,说明模型预测精度得到显著改善。
周负荷预测的最大绝对误差Emax,该曲线的变化趋势与平均误差曲线类似,也呈现先升后降再升的特征。第三周时出现了一个预测误差的突刺,最大误差临时上升。这可能是由于负荷发生了突发变动,模型未能及时适应。但在第四周,通过模型优化调整,例如修改模型结构、调整参数等,最大误差得以迅速降低,预测性能提升。
综上可见,预测模型表现出良好的自适应和在线学习能力。当实际情况与模型预测出现偏差时,它可以利用反馈的数据进行参数修正,使得预测误差降低,从而保证模型的准确性。这验证了本方法中建立的预测模型和优化机制是科学有效的。该过程遵循预测误差评估、模型调整优化、再次验证的流程,可以持续改进模型,增强农村电网的可控性和稳定性。该仿真验证了修正后的模型确实提高了预测精度和稳定性。
MPC模型预测能够提供关于电压负荷的准确预测结果。通过分析历史数据和实时监测数据,预测模型可以捕捉到负荷的变化趋势、周期性和季节性变化等特征。这些预测结果为储能系统的调度提供了可靠的参考,使其能够提前做出合理的充放电决策。
结合MPC的储能系统可以实现动态调度和优化控制。根据预测模型的结果,储能系统可以根据需求情况灵活调整充放电策略,以实现对电力供应的精确控制。例如,在预测到正常负荷时段的情况下,储能系统可以提前进行充电以储存电能;而在低压负荷时段,可以调度储能以满足电网需求。这种动态调度和优化控制的策略能够提高电网的稳定性和可靠性,减少低电压负荷情况的发生。
MPC模型预测与储能系统结合还具有适应性和可持续性的优势。预测模型可以根据实时监测数据进行修正和更新,以提高预测精度和模型的准确性。MPC模型预测与储能系统的结合为解决低电压负荷问题提供了一种有效的解决方案,通过精确的负荷预测和储能的优化调度,可以实现对电力供应的精确控制和优化能量利用。这种结合能够提高电网的稳定性和可靠性,并为农村地区的电力供应问题提供了一种可行的解决策略。
本发明方法通过建立预测模型对农村电网负荷进行预测,同时将分布式储能系统与预测模型相耦合,采用闭环控制对预测模型进行修正与优化,根据预测结果进行充放电调度,从而满足时变的电网需求;并通过实时监测和反馈控制不断更新预测模型,可以持续提高预测结果的准确性和控制性能。
以上所述,仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.基于MPC与储能系统结合的农村地区电力供应优化管理方法,其特征在于:包括以下步骤:
S1、建立考虑农村电压负荷变化规律和电网特性并对电压水平影响的数学预测模型:
采用长短期记忆LSTM神经网络模型建立农村电压负荷的LSTM预测模型,该模型基于农村地区过去n年的历史电压负荷数据P(t)进行训练,并考虑影响电压负荷的特征变量,包括农村生产用电负荷L(t),家庭用电负荷H(t)和天气温度T(t),LSTM预测模型的表达式为:
P′(t+1)=LSTM(P(t),P(t-1),...,P(t-n),L(t),H(t),T(t)),
式中,P′(t+1)为下一时刻t+1的电压负荷预测值;
S2、将分布于农村地区的储能系统划分为相互联系的子系统:
根据农村电网的供电范围和传输线路,将连通配电网的储能系统划分成多个相对独立但相互关联的子系统进行分布式管理,每个子系统负责对应区域的电压调节,其内部包含有多个储能点,子系统之间通过传输线路相连电力互通,设储能系统共划分为m个子系统,编号为1~m,第i个子系统的储能容量为Ei,最大充放电功率为P_max(i),子系统间传输线路的容量为Lij(i≠j);
S3、针对储能子系统制定充放电策略:
采用步骤S1中构建的LSTM预测模型对步骤S2中划分的子系统进行实时监测和优化调度控制,针对每个时刻t,根据LSTM模型预测结果P′(t),计算各储能子系统i在不同时段t的充电量P_c(i,t)和放电量P_d(i,t),优化目标为最小化充放电运维成本,约束条件为子系统容量限制,通过求解优化目标获得每个时刻t下各储能子系统i的最优充放电计划;
最小化充放电运维成本的表达式为:
min∑_i∑_t(C_c(i,t)P_c(i,t)+C_d(i,t)P_d(i,t)),
s.t.P_c(i,t)≤P_c_max(i),P_d(i,t)≤P_d_max(i),
式中,C_c(i,t)为第i个储能子系统在时刻t的充电成本,C_d(i,t)为第i个储能子系统在时刻t的放电成本,P_c_max(i)为最大充电功率,P_d_max(i)为最大放电功率;
通过求解优化目标获得每个时刻t下各储能子系统i的最优充放电计划,具体包括以下步骤:
S31、根据优化目标函数,以每个储能子系统的容量限制SOC、充放电效率η和最大充放电功率P_max为约束条件,制定充放电计划,表达式为:
SOC_min≤SOC(i,t)≤SOC_max,
0≤P_c(i,t)≤ηP_max,0≤P_d(i,t)≤ηP_max,
式中,SOC(i,t)为第i个储能子系统在时刻t的状态电荷量,SOC反映了储能系统的剩余电荷量或电池电量状态,其取值范围通常在0-100%之间,SOC_min为每个储能子系统的最小容量限制,SOC_max为每个储能子系统的最大容量限制;
S32、通过多目标规划算法,确定各储能子系统的优先级和充放电比例,表达式分别为:
mmax:∑_t∑_i W_i(t)SOC(i,t),max:min_i SOC(i,t),
s.t.SOC(i,t+1)-SOC(i,t)=η*P_c(i,t)-P_d(i,t)/η,
式中,W_i(t)为第i个储能子系统在时刻t的优先级权重,在制定充放电计划时需要确定各储能子系统的优先级,以决定先对哪些子系统进行充放电;
S33、根据电价差异和负荷预测,选择低谷电价时段对储能系统进行充电,选择高峰时段进行放电,降低操作成本;
S34、建立储能系统的充放电模拟环境,测试不同策略的效果,选择综合收益最优的充放电策略;
S35、采用闭环反馈机制,根据执行效果调整充放电策略,实现对系统的动态优化;
S4、LSTM预测模型与储能系统联合控制:
将建立的LSTM预测模型与储能系统相耦合,建立LSTM模型与储能系统的通信接口,利用储能系统的电力调节和储存功能,实时传输预测负荷值P′(t),储能系统根据该预测结果制定充放电计划,同时将实际负荷反馈P(t)输入LSTM预测模型不断修正模型参数,实现预测的滚动优化;
LSTM预测模型与储能系统的耦合具体包括以下过程:
S41、建立预测模型与储能系统的联动接口,实现两者的数据交互,其中预测模型的输出结果将作为储能系统充放电调度的输入信号,预测模型的输出包括未来时间段[t,t+N]内不同时段t的负荷预估值P_load(t);
S42、根据预测负荷,储能系统计算充电需求P_c(t)和放电需求P_d(t):
P_c(t)=P_load(t)-P_PV(t),P_d(t)=P_load(t)-P_PV(t),
式中,P_PV(t)为表示时刻t光伏发电的输出功率;
S43、通过负荷反馈数据P_load_feedback(t)不断校正预测模型,实现滚动优化,滚动优化的表达式为:
P_load(t+1)=P_load(t)+k*(P_load_feedback(t)-P_load(t)),
式中,k为滚动优化中预测模型的校正系数,即为调整的比例系数,取值在0到1之间,它反映了对预测进行修正的程度;
S44、评估预测误差的成本风险R(t),表达式为:
R(t)=c1MSE(P_load(t),P_load_feedback(t))+c2Var(P_load(t)),
式中,MSE为预测值和反馈值的均方误差,Var为预测值的方差,c1MSE(P_load(t),P_load_feedback(t))表示利用预测值和反馈值的偏差程度来评估误差风险,MSE越大表示预测误差越大,c2Var(P_load(t))表示利用预测值本身的波动程度来评估误差风险,Var越大表示预测波动性越大;
c1、c2为权重系数,反映了上述均方误差MSE和预测值的方差Var在计算风险中的重要性,其中c1与预测偏差有关,c2与预测稳定性有关,根据实际需要确定两者的相对重要性;
S45、建立储能系统与电网的二级控制系统,在预测模型失效时快速应急控制;
S5、LSTM预测模型的修正:
基于步骤S4中的联合控制,通过对农村电网的实时监测和反馈控制,不断更新和修正LSTM预测模型,并计算每次预测的误差e(t),e(t)=P′(t)-P(t),当|e(t)|大于设置阈值时表示预测模型偏差过大,需要对模型参数进行修正,通过卷积神经网络对参数进行微调,优化LSTM预测模型减小预测误差。
2.根据权利要求1所述的基于MPC与储能系统结合的农村地区电力供应优化管理方法,其特征在于:所述步骤S33中,根据电价差异和负荷预测进行充放电的具体操作过程为:
S331、建立不同时段电价的预测模型,根据历史电价数据、负荷水平和发电成本因素,预测出未来一段时间内不同时段的电价,并根据负荷预测结果确定出低电压时段/高负荷时段、低电压时段/低负荷时段;
S332、将低谷电价时段确定为储能系统的充电时段,将高峰电价时段确定为储能系统的放电时段,在充电时段内最大限度地利用电网中较低的电价进行储能系统的充电;在放电时段内利用储能系统放电部分满足负荷需求,减少从电网中高价电量的购买;
S333、通过模拟仿真测试不同划分电价时段的充放电策略,确定在考虑运行成本最小的情况下的最佳时段划分方案;
S334、在实际运行中,根据电价和负荷的实时情况,动态调整充放电时段的划分,实现系统的经济运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322972.8A CN117057491B (zh) | 2023-10-13 | 2023-10-13 | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322972.8A CN117057491B (zh) | 2023-10-13 | 2023-10-13 | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057491A CN117057491A (zh) | 2023-11-14 |
CN117057491B true CN117057491B (zh) | 2024-02-02 |
Family
ID=88666741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322972.8A Active CN117057491B (zh) | 2023-10-13 | 2023-10-13 | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057491B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN110429653A (zh) * | 2019-08-28 | 2019-11-08 | 国网河北省电力有限公司邢台供电分公司 | 考虑储能和dr的农网分布式光伏消纳方法及终端设备 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN111934360A (zh) * | 2020-07-09 | 2020-11-13 | 浙江浙能技术研究院有限公司 | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 |
CN114266382A (zh) * | 2021-11-25 | 2022-04-01 | 云南电网有限责任公司电力科学研究院 | 一种考虑热惯性的热电联产系统两阶段优化调度方法 |
CN115409347A (zh) * | 2022-08-22 | 2022-11-29 | 东南大学 | 一种考虑新能源接入的共享储能在日内市场的优化调度策略 |
CN115566741A (zh) * | 2022-09-26 | 2023-01-03 | 南京理工大学 | 基于lstm预测校正的储能多时间尺度优化控制方法 |
CN116247648A (zh) * | 2022-12-12 | 2023-06-09 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑源荷不确定性下微电网能量调度的深度强化学习方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111064210B (zh) * | 2019-12-12 | 2021-09-14 | 国网浙江省电力有限公司台州供电公司 | 增加新能源发电波动的海岛电网储能系统分层控制方法 |
-
2023
- 2023-10-13 CN CN202311322972.8A patent/CN117057491B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
WO2020143104A1 (zh) * | 2019-01-08 | 2020-07-16 | 南京工程学院 | 一种考虑阻塞和储能分时电价的电网混合滚动调度方法 |
CN110429653A (zh) * | 2019-08-28 | 2019-11-08 | 国网河北省电力有限公司邢台供电分公司 | 考虑储能和dr的农网分布式光伏消纳方法及终端设备 |
CN111934360A (zh) * | 2020-07-09 | 2020-11-13 | 浙江浙能技术研究院有限公司 | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 |
CN114266382A (zh) * | 2021-11-25 | 2022-04-01 | 云南电网有限责任公司电力科学研究院 | 一种考虑热惯性的热电联产系统两阶段优化调度方法 |
CN115409347A (zh) * | 2022-08-22 | 2022-11-29 | 东南大学 | 一种考虑新能源接入的共享储能在日内市场的优化调度策略 |
CN115566741A (zh) * | 2022-09-26 | 2023-01-03 | 南京理工大学 | 基于lstm预测校正的储能多时间尺度优化控制方法 |
CN116247648A (zh) * | 2022-12-12 | 2023-06-09 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑源荷不确定性下微电网能量调度的深度强化学习方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
Non-Patent Citations (1)
Title |
---|
用户侧电化学储能装置最优系统配置与充放电策略研究;曹锐鑫;张瑾;朱嘉坤;;储能科学与技术(06);第1890-11896页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117057491A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN111030188B (zh) | 一种含分布式和储能的分层分级控制策略 | |
CN112186811B (zh) | 一种基于深度强化学习的agc机组动态优化方法 | |
CN110518580B (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
CN112838604B (zh) | 一种储能电站群参与电力系统agc的优化方法及系统 | |
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 | |
CN105207253B (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN109765787B (zh) | 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法 | |
CN112003330B (zh) | 一种基于自适应控制的微网能量优化调度方法 | |
CN108985524B (zh) | 一种多能互补系统的协调控制方法 | |
CN110165714B (zh) | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN110752626B (zh) | 一种主动配电网滚动优化调度方法 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN114037191A (zh) | 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN114444256A (zh) | 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 | |
CN117057491B (zh) | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
CN115347556A (zh) | 一种促进新能源消纳的储能电站容量配置方法 | |
CN114792981A (zh) | 一种基于lssvm负荷预测的电力系统无功优化方法及终端 | |
CN114204546A (zh) | 一种考虑新能源消纳的机组组合优化方法 | |
CN110599032A (zh) | 一种灵活电源的深度斯坦伯格自适应动态博弈方法 |
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 |