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技术方案

本发明专利技术涉及一种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，包括：步骤1、依据管辖范围内包含新能源的虚拟电厂建立负荷、风电和光电出力预测模型；步骤2、将模型预测控制引入到虚拟电厂优化调度中。本发明专利技术的有益效果是：本发明专利技术一方面考虑到了未来一段时间的运行信息，既满足电网潮流指标要求，同时更好地解决了实时的能量调度优化问题，可以实现全局时间尺度上的最优调度；另一方面，由于模型预测控制存在滚动优化和反馈校正环节，本发明专利技术可以有效避免预测误差对优化结果的不确定性干扰；充分利用储能设备、各时段可再生能源，既满足本地负荷需求，又减小与电网间交换功率波动，实现虚拟电厂运行花费最小化。

Model predictive control based energy collaborative optimal control method for virtual power plant energy storage system

【技术实现步骤摘要】
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
本专利技术涉及虚拟电厂运行控制与能量调度领域，尤其包括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。
技术介绍
近年来全球能源需求量在稳步增长，化石能源的有限储量以及其对环境产生的负面影响，使许多国家解决此能源生产危机的战略是发展可再生能源，增加大量分布式发电装置，例如风力涡轮机，太阳能光伏发电板等。这使得在现有电力系统中可再生能源(RES)占有较高的渗透率，在电力系统中大规模、高比例接入会在能量控制和系统运行等方面带来一系列挑战。同时可再生能源一般具有自然地间歇性、随机性、波动性等特点，难以对其直接安排生产计划，这对电网的运行产生不利影响。随着智能电网技术的快速发展，世界范围内的学术、工业界逐步提出虚拟电厂(VirtualPowerPlant，VPP)的概念，虚拟电厂是一个虚拟系统，有效整合了其管辖范围内的分布式发电电源(DG)、储能系统(ESS)及可控负荷，它能够有效协调其管辖范围内的各个分布式单元，对外实现有效控制输电功率，对内实现合理配置及优化利用资源，作为整本文档来自技高网...

【技术保护点】
1.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，其特征在于，包括以下步骤：/n步骤1、依据管辖范围内包含新能源的虚拟电厂建立负荷、风电和光电出力预测模型，在日前调度阶段，利用长短期记忆网络预测得出未来一天各时段的负荷需求、风力涡轮机组的出力和光伏发电系统的出力；/n步骤1.1、建立功率平衡关系：/nP

【技术特征摘要】
1.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，其特征在于，包括以下步骤：
步骤1、依据管辖范围内包含新能源的虚拟电厂建立负荷、风电和光电出力预测模型，在日前调度阶段，利用长短期记忆网络预测得出未来一天各时段的负荷需求、风力涡轮机组的出力和光伏发电系统的出力；
步骤1.1、建立功率平衡关系：
Pwind(t)+Ppv(t)+Pd(t)+Pess(t)+Pgrid(t)＝Pload(t)(1)
上式中，Pwind(t)与Ppv(t)分别为风力涡轮机组与光伏发电系统在t时段的输出功率；Pload(t)为负荷在t时段的功率需求；Pd(t)为小型热力机组的输出功率；Pess(t)为储能系统的输出功率，由虚拟电厂的调度控制中心控制其大小，Pess(t)值为正代表放电，Pess(t)值为负代表充电；Pgrid(t)为虚拟电厂与公共电网之间的交换功率，Pgrid(t)值为正时从公共电网购电，Pgrid(t)值为负时向公共电网售卖电能；
步骤1.2、在分时电价环境下，虚拟电厂优化目标为：
minCost(Pd,Pess,Pgrid,M)＝Costd+Costess+Costgrid



上式中，Pd(t)为小型热力机组的输出功率；Pess(t)为储能系统的输出功率，Pess(t)值为正代表放电，Pess(t)值为负代表充电；Pgrid(t)为虚拟电厂与公共电网之间的交换功率，Pgrid(t)值为正时从公共电网购电，Pgrid(t)值为负时向公共电网售卖电能；Costd、Costess和Costgrid分别是小型热力机组出力成本、储能设备调度成本和从公共电网购电的费用；Cost(Pd,Pess,Pgrid,M)是调度总时段数为M时小型热力机组出力成本、储能设备调度成本及从公共电网购电的费用的和，M为优化时考虑的总时段数；min表示最小化这个值；SoC(t)为储能系统的荷电状态；Pd,min和Pd,max分别为小型热力机组出力的下限和上限；Pess,min和Pess,max分别为储能设备出力的下限和上限；SoCmin和SoCmax分别为荷电状态的下限和上限；
步骤2、将模型预测控制引入到虚拟电厂优化调度中：
步骤2.1、获取负荷需求预测、风力涡轮机组的出力预测和光伏发电系统的出力预测值，对储能设备的储电量进行初始化：利用循环神经网络中的长短期记忆网络得到预测数据，在每个优化调度时刻进行更新计算储能设备的储电量；
步骤2.2、进行第一次全局优化：令调度时刻t＝1，将一天的时间分为N个调度时刻；在第一次优化时将后续N-t个时刻总体的最小调度成本作为目标；基于预测数据，进行优化计算给出每个时刻的最优决策序列下：



上式中Pd,best、Pess,best和Pgrid,best分别为从调度时刻t起到调度时刻N，小型热力机组出力的最优决策序列、储能设备输出的最优决策序列和从电网购电量的最优决策序列；Pd(t)为小型热力机组的输出功率；Pess(t)为储能系统的输出功率；Pgrid(t)为虚拟电厂与公共电网之间的交换功率；
步骤2.3、运用线性权重递减的粒子群优化算法完成步骤2.2中的全局优化计算；
步骤2.4、将式(3)所得的最优决策序列的第一个值作为调度下发值；
步骤3、对储能设备储电量进行更新：根据式(1)给出的功率平衡关系计算得出下一次优化计算时刻前的储能设备储电量：



上式中ESS(t)为储能设备在调度时刻t时的储电量；
步骤4、令t＝t+1，重复执行步骤2.2至步骤3，直至t＝N。


2.根据权利要求1所述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，其特征在于，所述步骤2.2中还使用式(4)判断储能设备的荷电状态SoC是否超过限制：



上式中，ESS(t)为储能设备在调度时刻t时的储电量；Pd(t)为小型热力机组的输出功率；Pess(t)为储能系统的输出功率；Pgrid(t)为虚拟电厂与公共电网之间的交换功率；Pwind(t)与Ppv(t)分别为风力涡轮机组与光伏发电系统在t时段的输出功率；Pload(t)为负荷在t时段的功率需求；Pload(t)、Pwind(t)和Ppv(t)均采用预测得到的值，在开始下次的优化计算之前，利用Pload(t)、Pwind(t)和Ppv(t)的实测值对储能设备储电量进行修正后的更新计算。


3.根据权利要求1所述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，其特征在于，所述...

【专利技术属性】
技术研发人员：杨敏，赵力航，常伟光，杨强，董伟，张浙波，陈新琪，
申请(专利权)人：浙江浙能技术研究院有限公司，浙江大学，
类型：发明
国别省市：浙江;33