一种适用于光储耦合制氢系统的MPC控制器权重系数的优化方法技术方案

本发明专利技术公开了一种适用于光储耦合制氢系统的MPC控制器权重系数的优化方法，首先首先构建改进模型预测控制MPC算法模型作为内层算法以及多目标优化算法作为外层算法；将当前光储耦合制氢系统中的控制变量形成的数据集和外层多目标优化算法提供的初始控制变量增量权重系数作为内层算法首次迭代的输入参数；内层算法输出代价函数最小时对应的控制变量数据集与控制变量增量的权重系数；基于三个维度的目标函数和输入参数，经过多次迭代之后得到所述外层多目标优化算法的最优解，以及最优解所对应的控制变量增量的权重系数。该方法可根据不同的给定值，计算出各种工况下MPC控制器的最优权重系数，增加光储耦合制氢系统的动态功率平衡能力。功率平衡能力。功率平衡能力。

【技术实现步骤摘要】
一种适用于光储耦合制氢系统的MPC控制器权重系数的优化方法


[0001]本专利技术涉及光储耦合制氢系统
，尤其涉及一种适用于光储耦合制氢系统的MPC控制器权重系数的优化方法。

技术介绍

[0002]在含有碱性电解槽(Alkaline Electrolyzer，AEL)的光储耦合制氢系统中，由于AEL动态响应偏慢，且与波动电源适配性差等问题，需要利用储能电池来平滑光伏出力，提高AEL与波动电源的适配性和运行寿命，然而储能电池平抑波动的能力与储能电池运行寿命、死区时间和电池损耗等也有一定的关系。综上所述，如何针对制氢系统进行优化，将各设备功率合理分配，既在一定程度上提升AEL平滑制氢的能力、制氢效率和光伏利用率，延长AEL的运行寿命，又兼顾储能电池的平抑能力、运行寿命和电池损耗，是光储耦合制氢系统亟待突破的关键技术。
[0003]模型预测控制(Model Predictive Control，MPC)对于解决多目标、多变量、多约束系统控制问题有一定的优越性，将MPC控制方法应用于电氢耦合制氢系统中可以实现系统功率在线动态调控，并且可以通过改变MPC控制器的权重系数，在一定程度上调整其跟踪强度和预测结果。然而目前在使用MPC控制器时决策变量权重系数大小是直接给定的，缺少理论依据和计算方法。

技术实现思路

[0004]本专利技术的目的是提供一种适用于光储耦合制氢系统的MPC控制器权重系数的优化方法，该方法可根据不同的给定值，计算出各种工况下MPC控制器的最优权重系数，增加光储耦合制氢系统的动态功率平衡能力。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种适用于光储耦合制氢系统的MPC控制器权重系数的优化方法，所述方法包括：
[0007]步骤1、首先构建改进模型预测控制MPC算法模型作为内层算法以及多目标优化算法作为外层算法，并设置内层算法和外层算法的初始参数；
[0008]步骤2、将当前光储耦合制氢系统中的控制变量P
el
、P
bat
形成的数据集和外层多目标优化算法提供的初始控制变量增量权重系数λ
11
、λ
12
作为所述内层算法首次迭代的输入参数；
[0009]步骤3、所述内层算法输出代价函数最小时对应的控制变量P
el
、P
bat
数据集与控制变量增量的权重系数，并将其作为外层多目标优化算法的输入参数；
[0010]步骤4、所述外层多目标优化算法将储能电池充/放电总能量、储能电池进入死区时间和AEL功率波动均值作为三个维度的目标函数；
[0011]步骤5、基于所述三个维度的目标函数和步骤3的输入参数，经过多次迭代之后得到所述外层多目标优化算法的最优解，以及最优解所对应的控制变量增量的权重系数，并
作为最优控制变量增量的权重系数输出。
[0012]由上述本专利技术提供的技术方案可以看出，上述方法可根据不同的给定值，计算出各种工况下MPC控制器的最优权重系数，增加光储耦合制氢系统的动态功率平衡能力，使光储耦合制氢系统能根据不同的运行工况实时调整功率在各设备之间的合理分配，提高自身控制精度。
附图说明
[0013]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
[0014]图1为本专利技术实施例提供的适用于光储耦合制氢系统的MPC控制器权重系数的优化方法流程示意图；
[0015]图2为本专利技术实施例所述光储耦合制氢系统的结构示意图。
具体实施方式
[0016]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例，这并不构成对本专利技术的限制。基于本专利技术的实施例，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，都属于本专利技术的保护范围。
[0017]本专利技术实施例所述方法采用复合算法来计算光储耦合制氢系统中MPC控制器的权重系数，其中外层算法为多目标优化算法，内层算法为改进MPC算法。如图1所示为本专利技术实施例提供的适用于光储耦合制氢系统的MPC控制器权重系数的优化方法流程示意图，所述方法包括：
[0018]步骤1、首先构建改进模型预测控制MPC算法模型作为内层算法以及多目标优化算法作为外层算法，并设置内层算法和外层算法的初始参数；
[0019]在该步骤中，外层算法的初始参数包括：迭代次数N、初始迭代次数n＝1、初始控制变量增量权重系数λ
11
和λ
12
、数值区间S、控制周期Δt、离散间隔时长σ、储能电池的额定容量E
N
、约束条件参数；
[0020]内层算法初始参数包括：计算时长T、控制周期Δt、预测时域N
p
、控制时域N
c
、当前光储耦合制氢系统中的控制变量P
el
波动域Q1、P
bat
波动域Q2。
[0021]步骤2、将当前光储耦合制氢系统中的控制变量P
el
、P
bat
形成的数据集和外层多目标优化算法提供的初始控制变量增量权重系数λ
11
、λ
12
作为所述内层算法首次迭代的输入参数；
[0022]在该步骤中，如图2所示为本专利技术实施例所述光储耦合制氢系统的结构示意图，所述光储耦合制氢系统一般由光伏电池阵列、碱性电解槽(Alkaline Electrolyzer，AEL)、储氢罐、储能电池、负荷及电网构成，基于光储耦合制氢系统的实时工况，计算出与之相匹配的MPC控制器权重系数，进而通过MPC控制器将电网供电功率、储能电池充/放功率和AEL阵列需求功率进行在线调控分配，直流母线电压由电网维持稳定，光伏电池阵列为制氢系统
的主要能量来源。
[0023]其中，光储耦合制氢系统所满足的功率平衡关系如式(1)所示：
[0024]P
grid
(k)+P
V
(k)
‑
P
load
(k)＝P
el
(k)
‑
P
bat
(k)(1)
[0025]式(1)中，P
grid
(k)表示k时刻电网向光储耦合制氢系统提供的功率；P
V
(k)表示k时刻光伏电池的输出功率；P
bat
(k)表示k时刻储能电池的充/放电功率，P
bat
(k)＞0表示储能电池放电，P
bat
(k)＜0表示储能电池充电；P
el
(k)表示k时刻AEL的输入功率；P
lo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于光储耦合制氢系统的MPC控制器权重系数的优化方法，其特征在于，所述方法包括：步骤1、首先构建改进模型预测控制MPC算法模型作为内层算法以及多目标优化算法作为外层算法，并设置内层算法和外层算法的初始参数；步骤2、将当前光储耦合制氢系统中的控制变量P
el
、P
bat
形成的数据集和外层多目标优化算法提供的初始控制变量增量权重系数λ
11
、λ
12
作为所述内层算法首次迭代的输入参数；步骤3、所述内层算法输出代价函数最小时对应的控制变量P
el
、P
bat
数据集与控制变量增量的权重系数，并将其作为外层多目标优化算法的输入参数；步骤4、所述外层多目标优化算法将储能电池充/放电总能量、储能电池进入死区时间和AEL功率波动均值作为三个维度的目标函数；步骤5、基于所述三个维度的目标函数和步骤3的输入参数，经过多次迭代之后得到所述外层多目标优化算法的最优解，以及最优解所对应的控制变量增量的权重系数，并作为最优控制变量增量的权重系数输出。2.根据权利要求1所述适用于光储耦合制氢系统的MPC控制器权重系数的优化方法，其特征在于，在步骤1中，外层算法的初始参数包括：迭代次数N、初始迭代次数n＝1、初始控制变量增量权重系数λ
11
和λ
12
、数值区间S、控制周期Δt、离散间隔时长σ、储能电池的额定容量E
N
、约束条件参数；内层算法初始参数包括：计算时长T、控制周期Δt、预测时域N
p
、控制时域N
c
、当前光储耦合制氢系统中的控制变量P
el
波动域Q1、P
bat
波动域Q2。3.根据权利要求1所述适用于光储耦合制氢系统的MPC控制器权重系数的优化方法，其特征在于，在步骤2中，所构建的改进模型预测控制MPC算法模型的线性离散系统状态空间表达式如式(2)所示：式(2)中，k为当前采样时刻；x为状态变量；u为控制变量；y为被控输出变量；A为状态矩阵；B为控制矩阵；C为被控输出矩阵，具体为：x(k)＝P
el
(k)
‑
P
bat
(k)，A＝0，B＝[1
ꢀ‑
1]，C＝1，从而y(k)＝P
el
(k)
‑
P
bat
(k)；其中，当前光储耦合制氢系统中的数据P
el
、P
bat
形成的数据组合，生成控制变量并以该控制变量u(k)为数据中心点，在区间(P
el
(k)
‑
Q1,P
el
(k)+Q1)和区间(P
bat
(k)
‑
Q2,P
bat
(k)+Q2)中，随机生成数据组合，其中T/Δt＝n，并赋予给n个数据集[u(k),u(k+1),
···
,u(k+N
c
)]，记为：[u(k),u(k+1),
···
,u(k+N
c
)]1,[u(k),u(k+1),
···
,u(k+N
c
)]2,
···
，[u(k),u(k+1),
···
,u(k+N
c
)]
n
；
然后向所述内层算法输入由外层多目标优化算法随机给定的初始控制变量增量的权重系数λ
11
、λ
12
。4.根据权利要求1所述适用于光储耦合制氢系统的MPC控制器权重系数的优化方法，其特征在于，在步骤3中，利用n个数据集[u(k),u(k+1),
···
,u(k+N
c
)]和初始控制变量增量的权重系数λ
11
、λ
12
，在整个计算时长T中计算得到n个代价函数J(Δy(k),Δu(k))，表示为：式(3)中，式(4)中，设定y
ref
(k+j|k)＝P
V
‑
P
load
作为被控输出变量的参考值，目的是减小每时刻光储耦合制氢系统与电网的交互功率；N
p
为预测时域；N
c
为控制时域；α为输出误差的权重系数；R为控制变量增量的权重矩阵；λ1、λ2为控制变量增量的权重系数；令输出误差的权重系数α为极小常数；所设立的改进MPC算法约束条件为：式(5)中，P
el_min
和P
el_max
分别为AEL的输入功率的下限和上限；P
bat,min
和P
bat,max
分别为储能电池的充/放电功率的...

【专利技术属性】
技术研发人员：李建林，梁策，梁忠豪，赵文鼎，张则栋，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：