CN213585173U - 一种基于mpc的微网能量优化调度系统 - Google Patents

一种基于mpc的微网能量优化调度系统 Download PDF

Info

Publication number
CN213585173U
CN213585173U CN202021740850.2U CN202021740850U CN213585173U CN 213585173 U CN213585173 U CN 213585173U CN 202021740850 U CN202021740850 U CN 202021740850U CN 213585173 U CN213585173 U CN 213585173U
Authority
CN
China
Prior art keywords
power
constraint
module
unit
microgrid
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
Application number
CN202021740850.2U
Other languages
English (en)
Inventor
陈忠华
俞容江
胡晨刚
徐强
杨先进
高振宇
戴攀
王才倩
陈嘉敏
石国超
董悦
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.)
Hangzhou Electric Power Design Institute Co ltd
Original Assignee
Hangzhou Electric Power Design Institute Co ltd
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 Hangzhou Electric Power Design Institute Co ltd filed Critical Hangzhou Electric Power Design Institute Co ltd
Priority to CN202021740850.2U priority Critical patent/CN213585173U/zh
Application granted granted Critical
Publication of CN213585173U publication Critical patent/CN213585173U/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于MPC的微网能量优化调度系统，包括：信息输入模块、微网模块、分布式电源模块、约束条件存储模块、最优目标输出模块和控制模块。本申请提供的一种基于MPC的微网能量优化调度系统，构建了一个典型的微网系统，基于MPC随机优化调度模型，模型以微网综合运行费用最低为目标，考虑分布式能源随机性对微网的影响，将随机优化和场景优化的思想融入到微网随机性的求解问题中，满足了系统优化运行的可靠性和经济性，提出了日前综合预测日内实时滚动优化调度两阶段优化的调度框架，采用模型预测控制滚动优化求解方法，基于模型预测控制的求解框架，有效解决了随机可再生能源和蓄电池储能在微网中联合调度的问题，实现了微网的经济运行。

Description

一种基于MPC的微网能量优化调度系统
技术领域
本实用新型属于微网技术领域，具体涉及一种基于MPC的微网能量优化调度系统。
背景技术
微网为新形势下传统电网转型升级提供了一种理想的解决方案，目前，随着具有随机性和波动性的风电等可再生能源大规模接入，微网系统运行中所呈现出的运行工况更加复杂化，系统内多种不确定量相互关联、相互耦合的特性，使微网运行中的不确定性呈现多元化，给微网优化调度带来很大的挑战，这也使得微网能量管理问题一直是学术界研究的重点和难点。微网的优化调度分为静态调度和动态调度，动态经济调度考虑了各时段之间的耦合关系，更加符合系统的实际运行要求。为保证微网运行质量，微网优化调度主要是制定未来一段时间内各发电设备的出力计划，并且能够应对发电侧和用户侧导致的不确定性问题，但是传统的确定性方法难以处理随机变量引起的复杂优化问题
实用新型内容
为解决上述问题，本实用新型提供了一种基于MPC的微网能量优化调度系统，包括：
信息输入模块，用于输入电网信息；
微网模块，用于为电气设备供电；
分布式电源模块，用于与所述微网模块进行能量交换；所述分布式电源模块与所述微网模块连接；
约束条件存储模块，用于存储约束条件；
最优目标输出模块，用于输出最优目标；
控制模块，用于控制各模块；所述控制模块分别连接所述信息输入模块、所述微网模块、所述分布式电源模块、所述约束条件存储模块和所述约束条件存储模块连接。
优选地，所述分布式电源模块包括：风电发电单元和燃气轮机发电单元，所述风电发电单元用于利用风能发电，所述燃气轮机发电单元用于利用天然气发电。
优选地，所述风电发电单元的预测输出功率与风速之间的函数关系表达式为：
Figure BDA0002640951850000021
其中，Pwind为所述风电发电单元的预测输出功率，υf为风速预测值，Pr为所述风电发电单元中风力发电机的额定功率，υr、υci和υco分别是风力发电机对应的额定风速、切入风速和切出风速。
优选地，所述燃气轮机发电单元的输出电功率和输出热功率的表达式为：
Figure BDA0002640951850000022
Figure BDA0002640951850000023
Figure BDA0002640951850000024
其中，PGT(t)和QGT(t)分别为燃气轮机发电单元中燃气轮机在t时刻的输出电功率和输出热功率，ηt和ηe分别为发电效率和发热效率系数，VGT为燃气轮机消耗天然气量，LHVgas为天然气低位热值，kGT为燃气轮机的热电效率比。
优选地，所述约束条件存储模块包括：随机规划约束单元、功率平衡约束单元、储能约束单元、爬坡能力约束单元、机组出力约束单元和购电功率约束单元，其中，所述随机规划约束单元用于存储随机规划约束公式，所述功率平衡约束单元用于存储功率平衡约束公式，所述储能约束单元用于存储储能约束公式，所述爬坡能力约束单元用于存储爬坡能力约束公式，所述机组出力约束单元用于存储机组出力约束公式，所述购电功率约束单元用于存储购电功率约束公式。
优选地，所述随机规划约束公式为：
Figure BDA0002640951850000031
其中，PBat-min和PBat-max分别表示蓄电池储能的最小值和最大值，SOCmin和SOCmax表示电池荷电状态的最小值和最大值，
Figure BDA0002640951850000032
表示满足蓄电池功率上下限和SOC约束条件发生的概率，1-α表示该事件发生的置信水平。
优选地，所述功率平衡约束公式为：
Figure BDA0002640951850000033
其中，
Figure BDA0002640951850000034
表示在场景s下t时刻提前i步预测的t+i时刻风能出力，
Figure BDA0002640951850000035
表示在场景s下t时刻提前i步预测的t+i用户负荷需求，
Figure BDA0002640951850000036
表示在场景s下t+i时刻充放电功率，当
Figure BDA0002640951850000037
表示蓄电池充电状态，
Figure BDA0002640951850000038
时，表示蓄电池放电状态，NS表示考虑优化过程的场景总数。
优选地，所述储能约束公式为：
Figure BDA0002640951850000039
Figure BDA0002640951850000041
Figure BDA0002640951850000042
其中，C表示蓄电池额定容量标称值，SOC0表示蓄电池当前时刻SOC值，SOCmin和SOCmax分别表示蓄电池SOC的最小值和最大值，PBat-min和PBat-max分别表示蓄电池最小功率值和最大功率值。
优选地，所述爬坡能力约束公式为：
RDGT≤PGT(t+i+1|t)-PGT(t+i|t)≤RUGT,(i＝0,…,T-1)，
其中，PGT(t+i+1|t)和PGT(t+i|t)表示发电机组相邻时刻的出力值，RDGT和RUGT分别表示下降、上升爬坡率。
优选地，所述机组出力约束公式为：
0≤PGT(t+i|t)≤PGT-max；
其中，PGT-max表示机组出力的最大功率；
所述购电功率约束公式为：
0≤PGrid(t+i|t)≤PGrid-max；
其中，PGrid-max表示从大电网购电的最大功率。
本申请提供的一种基于MPC的微网能量优化调度系统，构建了一个典型的微网系统，基于MPC随机优化调度模型，模型以微网综合运行费用最低为目标，考虑分布式能源随机性对微网的影响，将随机优化和场景优化的思想融入到微网随机性的求解问题中，满足了系统优化运行的可靠性和经济性，提出了日前综合预测-日内实时滚动优化调度两阶段优化的调度框架，采用模型预测控制滚动优化求解方法，基于模型预测控制的求解框架，有效解决了随机可再生能源和蓄电池储能在微网中联合调度的问题，实现了微网的经济运行。
附图说明
为了更清楚地说明本实用新型实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本实用新型提供的一种基于MPC的微网能量优化调度系统的组成示意图。
具体实施方式
为使本实用新型的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本实用新型进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本实用新型的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本实用新型的概念。
如图1，在本申请实施例中，本实用新型提供了一种基于MPC的微网能量优化调度系统，包括：
信息输入模块，用于输入电网信息；
微网模块，用于为电气设备供电；
分布式电源模块，用于与所述微网模块进行能量交换；所述分布式电源模块与所述微网模块连接；
约束条件存储模块，用于存储约束条件；
最优目标输出模块，用于输出最优目标；
控制模块，用于控制各模块；所述控制模块分别连接所述信息输入模块、所述微网模块、所述分布式电源模块、所述约束条件存储模块和所述约束条件存储模块连接。
当使用此基于MPC的微网能量优化调度系统时，信息输入模块向控制模块输入电网信息，比如电价、电网需求能量、电网输出功率等，约束条件存储模块将各约束条件公式发送给控制模块，控制模块对电网信息和约束条件公式进行分析，然后通过最优目标输出模块输出最优目标，从而控制微网模块和分布式电源模块之间的能量输出满足要求。
在本申请实施例中，所述分布式电源模块包括：风电发电单元和燃气轮机发电单元，所述风电发电单元用于利用风能发电，所述燃气轮机发电单元用于利用天然气发电。
具体地，在本申请实施例中，所述风电发电单元的预测输出功率与风速之间的函数关系表达式为：
Figure BDA0002640951850000061
其中，Pwind为所述风电发电单元的预测输出功率，υf为风速预测值，Pr为所述风电发电单元中风力发电机的额定功率，υr、υci和υco分别是风力发电机对应的额定风速、切入风速和切出风速。
具体地，在本申请实施例中，所述燃气轮机发电单元的输出电功率和输出热功率的表达式为：
Figure BDA0002640951850000062
Figure BDA0002640951850000063
Figure BDA0002640951850000064
其中，PGT(t)和QGT(t)分别为燃气轮机发电单元中燃气轮机在t时刻的输出电功率和输出热功率，ηt和ηe分别为发电效率和发热效率系数，VGT为燃气轮机消耗天然气量，LHVgas为天然气低位热值，kGT为燃气轮机的热电效率比。
在本申请实施例中，所述约束条件存储模块包括：随机规划约束单元、功率平衡约束单元、储能约束单元、爬坡能力约束单元、机组出力约束单元和购电功率约束单元，其中，所述随机规划约束单元用于存储随机规划约束公式，所述功率平衡约束单元用于存储功率平衡约束公式，所述储能约束单元用于存储储能约束公式，所述爬坡能力约束单元用于存储爬坡能力约束公式，所述机组出力约束单元用于存储机组出力约束公式，所述购电功率约束单元用于存储购电功率约束公式。
具体地，在本申请实施例中，所述随机规划约束公式为：
Figure BDA0002640951850000071
其中，PBat-min和PBat-max分别表示蓄电池储能的最小值和最大值，SOCmin和SOCmax表示电池荷电状态的最小值和最大值，
Figure BDA0002640951850000072
表示满足蓄电池功率上下限和SOC约束条件发生的概率，1-α表示该事件发生的置信水平。
具体地，在本申请实施例中，所述功率平衡约束公式为：
Figure BDA0002640951850000073
其中，
Figure BDA0002640951850000074
表示在场景s下t时刻提前i步预测的t+i时刻风能出力，
Figure BDA0002640951850000075
表示在场景s下t时刻提前i步预测的t+i用户负荷需求，
Figure BDA0002640951850000076
表示在场景s下t+i时刻充放电功率，当
Figure BDA0002640951850000077
表示蓄电池充电状态，
Figure BDA0002640951850000078
时，表示蓄电池放电状态，NS表示考虑优化过程的场景总数。
具体地，在本申请实施例中，所述储能约束公式为：
Figure BDA0002640951850000079
Figure BDA00026409518500000710
Figure BDA0002640951850000081
其中，C表示蓄电池额定容量标称值，SOC0表示蓄电池当前时刻SOC值，SOCmin和SOCmax分别表示蓄电池SOC的最小值和最大值，PBat-min和PBat-max分别表示蓄电池最小功率值和最大功率值。
具体地，在本申请实施例中，所述爬坡能力约束公式为：
RDGT≤PGT(t+i+1|t)-PGT(t+i|t)≤RUGT,(i＝0,…,T-1)，
其中，PGT(t+i+1|t)和PGT(t+i|t)表示发电机组相邻时刻的出力值，RDGT和RUGT分别表示下降、上升爬坡率。
具体地，在本申请实施例中，所述机组出力约束公式为：
0≤PGT(t+i|t)≤PGT-max；
其中，PGT-max表示机组出力的最大功率；
所述购电功率约束公式为：
0≤PGrid(t+i|t)≤PGrid-max；
其中，PGrid-max表示从大电网购电的最大功率。
本申请提供的一种基于MPC的微网能量优化调度系统，构建了一个典型的微网系统，基于MPC随机优化调度模型，模型以微网综合运行费用最低为目标，考虑分布式能源随机性对微网的影响，将随机优化和场景优化的思想融入到微网随机性的求解问题中，满足了系统优化运行的可靠性和经济性，提出了日前综合预测-日内实时滚动优化调度两阶段优化的调度框架，采用模型预测控制滚动优化求解方法，基于模型预测控制的求解框架，有效解决了随机可再生能源和蓄电池储能在微网中联合调度的问题，实现了微网的经济运行。
应当理解的是，本实用新型的上述具体实施方式仅仅用于示例性说明或解释本实用新型的原理，而不构成对本实用新型的限制。因此，在不偏离本实用新型的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。此外，本实用新型所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于MPC的微网能量优化调度系统，其特征在于，包括：
信息输入模块，用于输入电网信息；
微网模块，用于为电气设备供电；
分布式电源模块，用于与所述微网模块进行能量交换；所述分布式电源模块与所述微网模块连接；
约束条件存储模块，用于存储约束条件；
最优目标输出模块，用于输出最优目标；
控制模块，用于控制各模块；所述控制模块分别连接所述信息输入模块、所述微网模块、所述分布式电源模块、所述约束条件存储模块和所述约束条件存储模块连接。
2.根据权利要求1所述的基于MPC的微网能量优化调度系统，其特征在于，所述分布式电源模块包括：风电发电单元和燃气轮机发电单元，所述风电发电单元用于利用风能发电，所述燃气轮机发电单元用于利用天然气发电。
3.根据权利要求2所述的基于MPC的微网能量优化调度系统，其特征在于，所述风电发电单元的预测输出功率与风速之间的函数关系表达式为：
Figure FDA0002640951840000011
其中，Pwind为所述风电发电单元的预测输出功率，υf为风速预测值，Pr为所述风电发电单元中风力发电机的额定功率，υr、υci和υco分别是风力发电机对应的额定风速、切入风速和切出风速。
4.根据权利要求2所述的基于MPC的微网能量优化调度系统，其特征在于，所述燃气轮机发电单元的输出电功率和输出热功率的表达式为：
Figure FDA0002640951840000021
Figure FDA0002640951840000022
Figure FDA0002640951840000023
其中，PGT(t)和QGT(t)分别为燃气轮机发电单元中燃气轮机在t时刻的输出电功率和输出热功率，ηt和ηe分别为发电效率和发热效率系数，VGT为燃气轮机消耗天然气量，LHVgas为天然气低位热值，kGT为燃气轮机的热电效率比。
5.根据权利要求1所述的基于MPC的微网能量优化调度系统，其特征在于，所述约束条件存储模块包括：随机规划约束单元、功率平衡约束单元、储能约束单元、爬坡能力约束单元、机组出力约束单元和购电功率约束单元，其中，所述随机规划约束单元用于存储随机规划约束公式，所述功率平衡约束单元用于存储功率平衡约束公式，所述储能约束单元用于存储储能约束公式，所述爬坡能力约束单元用于存储爬坡能力约束公式，所述机组出力约束单元用于存储机组出力约束公式，所述购电功率约束单元用于存储购电功率约束公式。
6.根据权利要求5所述的基于MPC的微网能量优化调度系统，其特征在于，所述随机规划约束公式为：
Figure FDA0002640951840000024
其中，PBat-min和PBat-max分别表示蓄电池储能的最小值和最大值，SOCmin和SOCmax表示电池荷电状态的最小值和最大值，
Figure FDA0002640951840000025
表示满足蓄电池功率上下限和SOC约束条件发生的概率，1-α表示该事件发生的置信水平。
7.根据权利要求5所述的基于MPC的微网能量优化调度系统，其特征在于，所述功率平衡约束公式为：
Figure FDA0002640951840000031
其中，
Figure FDA0002640951840000032
表示在场景s下t时刻提前i步预测的t+i时刻风能出力，
Figure FDA0002640951840000033
表示在场景s下t时刻提前i步预测的t+i用户负荷需求，
Figure FDA0002640951840000034
表示在场景s下t+i时刻充放电功率，当
Figure FDA0002640951840000035
表示蓄电池充电状态，
Figure FDA0002640951840000036
时，表示蓄电池放电状态，NS表示考虑优化过程的场景总数。
8.根据权利要求5所述的基于MPC的微网能量优化调度系统，其特征在于，所述储能约束公式为：
Figure FDA0002640951840000037
Figure FDA0002640951840000038
Figure FDA0002640951840000039
其中，C表示蓄电池额定容量标称值，SOC0表示蓄电池当前时刻SOC值，SOCmin和SOCmax分别表示蓄电池SOC的最小值和最大值，PBat-min和PBat-max分别表示蓄电池最小功率值和最大功率值。
9.根据权利要求5所述的基于MPC的微网能量优化调度系统，其特征在于，所述爬坡能力约束公式为：
RDGT≤PGT(t+i+1|t)-PGT(t+i|t)≤RUGT,(i＝0,…,T-1)，
其中，PGT(t+i+1|t)和PGT(t+i|t)表示发电机组相邻时刻的出力值，RDGT和RUGT分别表示下降、上升爬坡率。
10.根据权利要求5所述的基于MPC的微网能量优化调度系统，其特征在于，所述机组出力约束公式为：
0≤PGT(t+i|t)≤PGT-max；
其中，PGT-max表示机组出力的最大功率；
所述购电功率约束公式为：
0≤PGrid(t+i|t)≤PGrid-max；
其中，PGrid-max表示从大电网购电的最大功率。
CN202021740850.2U 2020-08-19 2020-08-19 一种基于mpc的微网能量优化调度系统 Active CN213585173U (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202021740850.2U CN213585173U (zh) 2020-08-19 2020-08-19 一种基于mpc的微网能量优化调度系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202021740850.2U CN213585173U (zh) 2020-08-19 2020-08-19 一种基于mpc的微网能量优化调度系统

Publications (1)

Publication Number Publication Date
CN213585173U true CN213585173U (zh) 2021-06-29

Family

ID=76555940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202021740850.2U Active CN213585173U (zh) 2020-08-19 2020-08-19 一种基于mpc的微网能量优化调度系统

Country Status (1)

Country Link
CN (1) CN213585173U (zh)

Similar Documents

Publication Publication Date Title
Yang et al. Risk-constrained stochastic scheduling for energy hub: Integrating renewables, demand response, and electric vehicles
Chen et al. Optimal allocation of distributed generation and energy storage system in microgrids
CN111008748B (zh) 包括电动汽车充电负荷的微电网经济调度优化方法
Ming et al. Study on unit commitment problem considering wind power and pumped hydro energy storage
CN103346562A (zh) 计及需求响应的多时间尺度微网能量控制方法
Javad Kasaei et al. Optimal operational scheduling of renewable energy sources using teaching–learning based optimization algorithm by virtual power plant
CN114707289B (zh) 基于机会约束的电热耦合综合能源系统多目标优化方法
CN109473976A (zh) 一种冷热电联供型微网能量调度方法及系统
Wen et al. Stochastic optimization for security-constrained day-ahead operational planning under pv production uncertainties: Reduction analysis of operating economic costs and carbon emissions
CN114362218B (zh) 基于深度q学习的微电网内多类型储能的调度方法及装置
Shi et al. Research on energy management of hydrogen electric coupling system based on deep reinforcement learning
Liang et al. Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning
Wang et al. Flexible resource dynamic aggregation regulation method of virtual power plant to ensure more renewable energy generation
Mao et al. Economic Dispatch of Microgrid Considering Fuzzy Control Based Storage Battery Charging and Discharging.
CN213585173U (zh) 一种基于mpc的微网能量优化调度系统
Wang et al. A robust planning model for offshore microgrid considering tidal power and desalination
CN115986833A (zh) 考虑两阶段需求响应的热电联供微网低碳经济调度方法
Chen et al. Economic dispatch of hydro-thermal power system with large-scale wind power penetration
CN112561120B (zh) 一种基于微电网参考日前市场出清系统优化运行方法
Wang et al. Multi-timescale risk scheduling for transmission and distribution networks for highly proportional distributed energy access
Li et al. Multiobjective Optimization Model considering Demand Response and Uncertainty of Generation Side of Microgrid
CN114091917A (zh) 冷热电联供型微电网动态环保经济调度方法及系统
CN112583053A (zh) 一种含分布式风电的微网能量优化调度方法
Kazari et al. Predictive Utilization of Energy Storage for Wind Power Fluctuation Mitigation
Yang et al. Multi-time scale collaborative scheduling strategy of distributed energy systems for energy Internet

Legal Events

Date Code Title Description
GR01 Patent grant
GR01 Patent grant