一种微电网风光储模型预测控制方法技术

本发明专利技术公开了一种微电网风光储模型预测控制方法，包括以下步骤：建立预测模型，通过预测模型预测未来设定时段内微电网中风电机组和光伏发电的最大出力；以预测到的风电和光伏最大出力作为约束条件，对微电网中风电机组、光伏发电以及储能电池三者出力进行在线优化，给出三者的参考出力；根据风电机组和光伏发电的实时可调容量，对风电机组、光伏发电以及储能电池三者参考出力进行反馈调整。与传统的微电网控制方法相比，该控制方法降低了对不确定过程的预测模型精度的要求，弥补了传统的控制方法难以解决的风电和光伏预测模型精度低、出力不确定性强的缺陷，有效改善了微电网的运行特性。

【技术实现步骤摘要】
一种微电网风光储模型预测控制方法
本专利技术涉及一种微电网风光储模型预测控制方法。
技术介绍
分布式发电具有资源和环境友好、供电灵活等优点，在集中式发电和大电网的基础上发展分布式发电，已经成为国内外智能电网发展的必然趋势。根据国家能源发展规划，到2020年我国分布式发电装机容量占比将达到9％，是电力供应体系中的重要组成部分。为解决分布式发电并网带来的问题，微电网的概念得以提出。综合国内外的研究成果，微电网是指以分布式发电技术为基础，以可再生能源为主，利用储能和控制装置，实现网络内部电力电量平衡的微型供电网络。风电和光伏出力的不确定性大，很难预测，其预测精度也很低，而且预测提前的时间越长，其预测误差越大。风电和光伏的接入使微电网运行的不确定性增大，现有的微电网控制方法对不确定过程的预测模型精度要求较高，因此迫切需要寻求能够更好应对不确定性的控制方法。模型预测控制(modelpredictivecontrol,MPC)是解决这一问题的有效途径。模型预测控制在工业过程控制中一直被广泛应用，它对模型的适应性和鲁棒性较强，非常适合应对系统模型不确定性大的问题。模型预测控制本质上是一类基于模型的有限时域闭环最优控制算法，在每一采样周期，控制器以当前时刻的系统状态作为控制的初始状态，基于预测模型对未来状态的预测结果，通过在线滚动求解一个有限时长的最优控制问题从而获得当前的控制行为，使得未来输出与参考轨迹之差最小。
技术实现思路
本专利技术为了解决上述问题，提出了一种微电网风光储模型预测控制方法，本方法借鉴模型预测控制的思想，建立了预测—在线优化—反馈的控制模型，通过预测模型预测未来一定时段内微电网中风电机组和光伏发电的最大出力；将预测模型预测到的风电和光伏最大出力作为约束条件，对微电网中风电机组、光伏发电以及储能电池三者出力进行在线优化，给出未来一定时段内三者的参考出力；根据风电机组和光伏发电的实时可调容量，在控制瞬间对风光储三者参考出力进行反馈调整。实施例分析表明，该方法能够较好的应对风电和光伏出力的不确定性，有效改善微电网的运行特性。为了实现上述目的，本专利技术采用如下技术方案：一种微电网风光储模型预测控制方法，包括以下步骤：(1)建立预测模型，通过预测模型预测未来设定时段内微电网中风电机组和光伏发电的最大出力；(2)以预测到的风电和光伏最大出力作为约束条件，对微电网中风电机组、光伏发电以及储能电池三者出力进行在线优化，给出三者的参考出力；(3)根据风电机组和光伏发电的实时可调容量，对风电机组、光伏发电以及储能电池三者参考出力进行反馈调整。所述步骤(1)中，预测模型通过神经网络预测技术实现风电机组和光伏发电的功率预测，根据过程的历史信息和未来输入预测过程的未来输出值。本专利技术中预测模型的建立方法即为神经网络预测技术，该方法过程为业内所熟知。所述步骤(2)中的在线优化模型的目标函数：目标函数f1为微电网与配电网交换功率偏差最小，以保证微电网成为配电网稳定的电源或者负荷，降低配电网的控制难度，在微电网离网状态下，设置微电网与配电网交换功率为0，目标函数f2为储能电池初末时段荷电状态之差最小，以保证储能电池具有较高的电量；minf2＝SOC(1)-SOC(N)其中，N为优化时域内总的时段数；Pl(i)为时段i内的负荷功率；Ptie(i)为时段i内微电网与配电网的交换功率，正值表示微电网向配电网注入功率，负值表示配电网向微电网注入功率；Pw(i)为风电机组在时段i内的计划出力；PPV(i)为光伏发电在时段i的计划出力；Pb(i)为储能电池在时段i内的计划出力，充电时该值为正值，放电时该值为负值；SOC(1)、SOC(N)为第1时段、第N时段的储能电池荷电状态。所述步骤(2)中的在线优化模型的约束条件：包括风电机组出力、光伏发电出力以及储能电池充放电次数约束：0＜Pw(i)＜Pw_pre(i)0＜PPV(i)＜PPV_pre(i)Nch_dis＜Nbattery其中，Pw_pre(i)为时段i内的风电机组出力预测值；Ppv_pre(i)为时段i内的光伏发电出力预测值；Nch_dis为储能电池充放电次数；Nbattery为储能电池最大允许充放电次数。所述步骤(2)中的在线优化模型的求解算法具体方法为：该优化模型包含2个目标函数，属于多目标优化问题，多目标优化算法有3个性能评价指标：①所求得的解要尽量接近Pareto最优解；②要尽量保持解群体的分布性和多样性；③求解过程中要防止获得的Pareto最优解丢失，采用NSGA-Ⅱ算法求解在线优化模型。所述步骤(3)中的实时可调容量的具体方法为：风电机组实时可调容量△Pw为：ΔPw＝Pw_est-Pw其中，Pw为风电机组参考出力；Pw_est为风电机组实时出力估计值，该估计值可通过实时风速以及风机运行状态快速算出；光伏发电实时可调容量△Ppv为：ΔPpv＝Ppv_est-Ppv其中，Ppv为光伏发电参考出力；Ppv_est为光伏发电实时出力估计值，该估计值通过实时光照强度以及温度计算出来。所述步骤(3)中的反馈调整：根据风电机组和光伏发电有无可调容量，反馈调整环节具体包括以下4种情形：(a)风电机组和光伏发电均具有可调容量，即可调容量为正，此时将参考出力直接下发给风电机组、光伏发电以及储能电池；(b)风电机组和光伏发电均无可调容量，即可调容量为负，此时将参考出力直接下发给风电机组和光伏发电，储能电池补偿功率缺额；(c)风电机组具有可调容量，光伏发电无可调容量，光伏发电具有过剩计划，此时将光伏发电过剩计划转移给风电机组；(d)光伏发电具有可调容量，风电机组无可调容量，风电机组具有过剩计划，此时将风电机组过剩计划转移给光伏发电。所述步骤(c)中，参考出力调整如下：Pw_sch＝Pw+min(ΔPw,-ΔPpv)Ppv_sch＝Ppv-min(ΔPw,-ΔPpv)其中，Pw_sch为风电机组最终计划出力；Ppv_sch为光伏发电最终计划出力。所述步骤(d)中，参考出力调整如下：Ppv_sch＝Ppv+min(ΔPpv,-ΔPw)Pw_sch＝Pw_est-min(ΔPpv,-ΔPw)。本专利技术的有益效果为：(1)借鉴模型预测控制的思想，本专利技术提供了一种微电网风光储模型预测控制方法，建立了预测—在线优化—反馈的控制模型；(2)该控制方法采用了建立在实际输出反馈基础上的在线优化策略，使得控制过程能够及时对预测误差的影响做出修正；(3)与传统的微电网控制方法相比，该控制方法降低了对不确定过程的预测模型精度的要求，弥补了传统的控制方法难以解决的风电和光伏预测模型精度低、出力不确定性强的缺陷，有效改善了微电网的运行特性。附图说明图1是本专利技术提供的微电网风光储模型预测控制方法流程示意图；图2是本专利技术实施例中风电预测最大出力与实际最大出力曲线示意图；图3是本专利技术实施例中光伏预测最大出力与实际最大出力曲线示意图；图4是本专利技术实施例中风光储优化参考出力曲线示意图；图5是本专利技术实施例中反馈调整后风光参考出力曲线示意图；图6是本专利技术实施例中风光储实时出力曲线示意图；图7是本专利技术实施例中储能电池SOC变化曲线示意图。具体实施方式：下面结合附图与实施例对本专利技术作进一步说明。一种微电网风光储模型预测控制方法，包括如下步骤：本文档来自技高网...

【技术保护点】
一种微电网风光储模型预测控制方法，其特征是：包括以下步骤：(1)建立预测模型，通过预测模型预测未来设定时段内微电网中风电机组和光伏发电的最大出力；(2)以预测到的风电和光伏最大出力作为约束条件，对微电网中风电机组、光伏发电以及储能电池三者出力进行在线优化，给出三者的参考出力；(3)根据风电机组和光伏发电的实时可调容量，对风电机组、光伏发电以及储能电池三者参考出力进行反馈调整。

【技术特征摘要】
1.一种微电网风光储模型预测控制方法，其特征是：包括以下步骤：(1)建立预测模型，通过预测模型预测未来设定时段内微电网中风电机组和光伏发电的最大出力；(2)以预测到的风电和光伏最大出力作为约束条件，对微电网中风电机组、光伏发电以及储能电池三者出力进行在线优化，给出三者的参考出力；(3)根据风电机组和光伏发电的实时可调容量，对风电机组、光伏发电以及储能电池三者参考出力进行反馈调整；所述步骤(3)中的反馈调整：根据风电机组和光伏发电有无可调容量，反馈调整环节具体包括以下4种情形：(a)风电机组和光伏发电均具有可调容量，即可调容量为正，此时将参考出力直接下发给风电机组、光伏发电以及储能电池；(b)风电机组和光伏发电均无可调容量，即可调容量为负，此时将参考出力直接下发给风电机组和光伏发电，储能电池补偿功率缺额；(c)风电机组具有可调容量，光伏发电无可调容量，光伏发电具有过剩计划，此时将光伏发电过剩计划转移给风电机组；(d)光伏发电具有可调容量，风电机组无可调容量，风电机组具有过剩计划，此时将风电机组过剩计划转移给光伏发电。2.如权利要求1所述的一种微电网风光储模型预测控制方法，其特征是：所述步骤(1)中，预测模型通过神经网络预测技术实现风电机组和光伏发电的功率预测，根据过程的历史信息和未来输入预测过程的未来输出值。3.如权利要求1所述的一种微电网风光储模型预测控制方法，其特征是：所述步骤(2)中的在线优化模型的目标函数：目标函数f1为微电网与配电网交换功率偏差最小，以保证微电网成为配电网稳定的电源或者负荷，降低配电网的控制难度，在微电网离网状态下，设置微电网与配电网交换功率为0，目标函数f2为储能电池初末时段荷电状态之差最小，以保证储能电池具有较高的电量；minf2＝SOC(1)-SOC(N)其中，N为优化时域内总的时段数；Pl(i)为时段i内的负荷功率；Ptie(i)为时段i内微电网与配电网的交换功率，正值表示微电网向配电网注入功率，负值表示配电网向微电网注入功率；Pw(i)为风电机组在时段i内的计划出力；PPV(i)为光伏发电在时段i的计划出力；Pb(i)为储能电池在时段i内的计划出力，充电时该值为正值，放电时该值为负值；SOC(1)、SOC(N)为第1时段、第N时段的储能电池荷电状态。4.如权利要求1所...

【专利技术属性】
技术研发人员：杨冬，苏欣，麻常辉，陈璇，慈文斌，张鹏飞，潘志远，刘超男，王亮，周春生，武乃虎，张丹丹，邢鲁华，李文博，蒋哲，
申请(专利权)人：山东电力研究院，国家电网公司，
类型：发明
国别省市：山东;37