CN104967149B - 一种微电网风光储模型预测控制方法 - Google Patents
一种微电网风光储模型预测控制方法 Download PDFInfo
- Publication number
- CN104967149B CN104967149B CN201510368624.3A CN201510368624A CN104967149B CN 104967149 B CN104967149 B CN 104967149B CN 201510368624 A CN201510368624 A CN 201510368624A CN 104967149 B CN104967149 B CN 104967149B
- Authority
- CN
- China
- Prior art keywords
- wind turbines
- photovoltaic generation
- micro
- wind
- capacitance sensor
- 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
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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及一种微电网风光储模型预测控制方法。
背景技术
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(model predictive control,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***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***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。
发明内容
本发明为了解决上述问题，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，本发明采用如下技术方案：
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。
本发明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)。
本发明的有益效果为：
(1)借鉴模型预测控制的思想，本发明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是本发明提供的微电网风光储模型预测控制方法流程示意图；
图2是本发明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是本发明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是本发明实施例中风光储优化参考出力曲线示意图；
图5是本发明实施例中反馈调整后风光参考出力曲线示意图；
图6是本发明实施例中风光储实时出力曲线示意图；
图7是本发明实施例中储能电池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发明作进一步说明。
一种微电网风光储模型预测控制方法，包括如下步骤：
步骤(1)：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；
步骤(2)：将步骤(1)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；
步骤(3)：根据风电机组和光伏发电的实时可调容量，在控制瞬间对步骤(2)的风光储三者参考出力进行反馈调整。
所述步骤(1)中的预测模型：预测模型的功能是根据过程的历史信息和未来输入预测过程的未来输出值，为模型预测控制的优化提供先验知识。预测模型只注重模型的功能，而不注重模型的形式，只要具有预测***未来动态功能的模型，无论其有什么样的表现形式，均可作为预测模型。本发明中，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。
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，一般设置为1。
所述步骤(2)中的在线优化模型的求解算法：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个主要的性能评价指标：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。与此对应，带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)有3个关键技术使其成为一种优秀的多目标优化算法，即快速非支配排序、个体拥挤距离和精英策略，因此本发明采用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：在线优化阶段相对于控制时刻，其提前量较大，预测误差也较大，其优化出来的风电机组和光伏发电参考出力曲线可能高于风电机组和光伏发电的实际最大出力，导致无法准确完成参考出力曲线，增加了储能电池的功率补偿压力。为了提高风电机组和光伏发电参考出力的完成度，在控制瞬间根据风电机组和光伏发电的实时可调容量，对二者参考出力进行反馈调整，从而使储能电池尽可能按照在线优化曲线运行。
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，该估计值可通过实时光照强度以及温度等快速算出。
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。
(1)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。
(2)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。
(3)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，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。
(4)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，参考出力调整如下：
Ppv_sch＝Ppv+min(ΔPpv,-ΔPw)
Pw_sch＝Pw_est-min(ΔPpv,-ΔPw)。
按照图1所示的微电网风光储模型预测控制方法流程，编制了微电网风光储模型预测控制算法实现程序。实施例中测试参数设置如下：风机容量为66kW，光伏容量为200kW，储能为90kW/270kWh，负荷容量为120kW，配电网和微电网交换功率为60kW，储能电池初始SOC为0.5。
风电机组和光伏发电的预测最大出力和实际最大出力曲线分别如图2和图3所示。风电功率的预测值偏大，在全时段内大于实际最大出力。光伏发电的预测结果能够较好的吻合实际最大出力的变化，预测精度相对较高。
设置在线优化时段数为15，每个时段时长为1分钟，优化总时长为15分钟。采用NSGA-Ⅱ算法进行优化，种群数为400，代数为200。优化算法耗时1分钟10秒，能够满足在线控制的要求。典型的Pareto优化方案如表1所示。
表1典型Pareto优化方案
| f1/kW | f2 | |
| 方案1 | 0.1613 | 0.4907 |
| 方案2 | 2.7910 | 0.6017 |
以目标函数f1为主要偏好，目标函数f2为次要偏好，选择方案1为最优控制方案。方案1中风电机组、光伏发电以及储能电池的优化参考出力曲线如图4所示。
根据实时风速、光照以及温度等条件对风电机组和光伏发电的参考出力进行调整，调整后的参考出力曲线如图5所示，风电机组将功率过剩计划转移给光伏发电。
风电机组和光伏发电的实时出力能够较好的跟踪调整后的参考出力，如图6所示。储能电池基本能够按照在线优化给定的参考出力曲线运行，有效的降低了储能电池的功率补偿压力，储能电池放电过程如图7所示。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
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；
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>P</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>t</mi>
<mi>i</mi>
<mi>e</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>w</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>P</mi>
<mi>V</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mi>N</mi>
</mfrac>
</mrow>
min f2＝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，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。
5.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。
6.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(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。
7.如权利要求6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(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,△Ppv为光伏发电实时可调容量，Pw为风电机组参考出力，Ppv为光伏发电参考出力。
8.如权利要求6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(d)中，参考出力调整如下：
Ppv_sch＝Ppv+min(ΔPpv,-ΔPw)
Pw_sch＝Pw_est-min(ΔPpv,-ΔPw)
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,△Ppv为光伏发电实时可调容量，Pw为风电机组参考出力，Ppv为光伏发电参考出力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510368624.3A CN104967149B (zh) | 2015-06-29 | 2015-06-29 | 一种微电网风光储模型预测控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510368624.3A CN104967149B (zh) | 2015-06-29 | 2015-06-29 | 一种微电网风光储模型预测控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104967149A CN104967149A (zh) | 2015-10-07 |
| CN104967149B true CN104967149B (zh) | 2017-08-25 |
Family
ID=54221142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510368624.3A Active CN104967149B (zh) | 2015-06-29 | 2015-06-29 | 一种微电网风光储模型预测控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104967149B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105322534B (zh) * | 2015-10-08 | 2016-11-09 | 南京邮电大学 | 一种基于区间不确定性的微网优化调度方法 |
| CN105375479B (zh) * | 2015-12-14 | 2017-11-17 | 东南大学 | 一种基于模型预测控制的分布式能源能量管理方法 |
| EP3404497B1 (en) | 2017-05-15 | 2021-11-10 | Siemens Aktiengesellschaft | A method and system for providing an optimized control of a complex dynamical system |
| CN107609693A (zh) * | 2017-08-31 | 2018-01-19 | 安徽大学 | 基于Pareto档案粒子群算法的微电网多目标优化方法 |
| CN108964022B (zh) * | 2018-06-28 | 2021-07-27 | 南京南瑞继保电气有限公司 | 一种适用于大容量微网的功率协调控制方法 |
| CN109599879B (zh) * | 2018-12-10 | 2022-02-22 | 国网吉林省电力有限公司电力科学研究院 | 考虑储能设备充放电次数优化的配电网有功功率调度方法 |
| CN110912188A (zh) * | 2019-11-27 | 2020-03-24 | 天津瑞能电气有限公司 | 基于ai的新型微电网能源管理*** |
| CN113193553B (zh) * | 2021-04-29 | 2022-07-29 | 中国华能集团清洁能源技术研究院有限公司 | 一种结合储能控制***的新能源发电侧功率预测方法及*** |
| CN113346474B (zh) * | 2021-05-31 | 2022-10-18 | 上海电力大学 | 一种直流微电网双储能协调控制方法及存储介质 |
| CN115222298B (zh) * | 2022-09-20 | 2023-04-18 | 国网上海能源互联网研究院有限公司 | 虚拟电厂可调容量构建方法、装置、存储介质及电子设备 |
| CN117709098A (zh) * | 2023-12-14 | 2024-03-15 | 上海勘测设计研究院有限公司 | 基于遗传算法的风光水储一体化容量优化配置方法及*** |
| CN117578534B (zh) * | 2024-01-17 | 2024-05-07 | 深圳市名洋能源科技有限公司 | 光伏储能***的调度方法、装置、设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102437571B (zh) * | 2011-11-09 | 2014-08-06 | 南方电网科学研究院有限责任公司 | 一种风光储的模拟*** |
| CN102780236B (zh) * | 2012-08-11 | 2014-05-21 | 山东大学 | 一种风光储联合发电***的有功优化控制***及方法 |
| CN103138290B (zh) * | 2013-02-19 | 2014-12-03 | 广西电网公司 | 对等模式下基于改进相位控制的微网无缝切换控制方法 |
-
2015
- 2015-06-29 CN CN201510368624.3A patent/CN104967149B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104967149A (zh) | 2015-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104967149B (zh) | 一种微电网风光储模型预测控制方法 | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
| CN109088442B (zh) | 多时间尺度下考虑多种储能的微能源网优化调度模型 | |
| CN104779631B (zh) | 基于风电预测功率的储能跟踪风电出力计划方法及其*** | |
| CN104993522B (zh) | 一种基于mpc的主动配电网多时间尺度协调优化调度方法 | |
| CN104200297B (zh) | 实时电价环境下的家居混合供电***能量优化调度方法 | |
| CN102289566B (zh) | 独立运行模式下的微电网多时间尺度能量优化调度方法 | |
| CN102184475B (zh) | 基于多时间尺度协调的微网经济运行优化调度方法 | |
| CN107958300A (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
| CN109740786A (zh) | 一种多端柔性互联配电网规划方法及*** | |
| CN103346562A (zh) | 计及需求响应的多时间尺度微网能量控制方法 | |
| CN111786422B (zh) | 基于bp神经网络的微电网参与上层电网实时优化调度方法 | |
| CN105162149A (zh) | 基于模糊自适应调节的光储***跟踪发电计划出力方法 | |
| CN108596442A (zh) | 计及条件风险价值的综合能源***经济调度方法 | |
| CN103485977A (zh) | 风力发电***实时功率预测的修正方法 | |
| CN114744684A (zh) | 一种新型电力***低碳经济调控方法 | |
| CN104332985B (zh) | 基于混合控制策略的直流配网运行控制与优化调度方法 | |
| CN108448632A (zh) | 计及储能荷电状态循环的交直流微网日内滚动优化调度方法 | |
| CN104795830A (zh) | 一种利用多类型储能***跟踪发电计划出力的控制方法 | |
| CN110048438A (zh) | 一种基于模型预测控制的配电网馈线级负荷功率控制方法 | |
| CN110380405A (zh) | 考虑需求响应与储能协同优化微电网运行方法 | |
| CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及*** | |
| CN103679284A (zh) | 一种消纳风电接入的定区间滚动调度方法 | |
| CN109301817A (zh) | 一种考虑需求响应的多时间尺度源网荷协调调度方法 | |
| CN109840621A (zh) | 考虑储能***影响的并网型微电网日前多目标优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee after: SHANDONG ELECTRIC POWER Research Institute Patentee after: STATE GRID CORPORATION OF CHINA Address before: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee before: SHANDONG ELECTRIC POWER Research Institute Patentee before: State Grid Corporation of China |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220128 Address after: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID SHANDONG ELECTRIC POWER Co. Patentee after: STATE GRID CORPORATION OF CHINA Address before: 250003 No. 2000, Wang Yue Road, Shizhong District, Ji'nan, Shandong Patentee before: SHANDONG ELECTRIC POWER Research Institute Patentee before: STATE GRID CORPORATION OF CHINA |
|
| TR01 | Transfer of patent right |