CN110417015A - 基于模型预测控制的微电网多目标优化调度方法及*** - Google Patents

Abstract

本发明涉及微电网技术领域，尤其涉及一种基于模型预测控制的微电网多目标优化调度方法及一种微电网多目标优化调度能量管理***。本发明采用高斯过程(GP)预测算法求解未来一定时间窗口各可再生能源最大发电功率、各级负荷功率需求和大电网购电电价预测曲线，在模型中考虑了储能单元的储能效率的变化，约束条件考虑了电网稳态约束及动态约束，求解最小化发电成本和可靠性成本的优化调度问题采用帕累托凹性消除变换(PaCcET)算法，算法在收敛性和种群多样性等方面都具有优越的性能。该能量管理***保证了微电网并网和孤岛模式下安全和经济运行。本发明在保证安全调度的前提下，提高能量存储单元和可再生能源的经济利用率。

Description

基于模型预测控制的微电网多目标优化调度方法及***

技术领域

本发明涉及微电网技术领域，尤其涉及一种基于模型预测控制的微电网多目标优化调度方法及一种微电网多目标优化调度能量管理***。

背景技术

相对于单一发电源、单一储能、负荷不可控、单一电压等级的简单结构微电网，具有含有风力发电(WT)、光伏阵列(PV)、燃气轮机(GT)等多种分布式发电单元(DER)，含有多能互补或多种蓄电池的混合储能***，可控和可投切负荷，并且分布式电源和负荷接入多电压等级的微电网，不仅能更好地提高微电网的经济性、环保性，还能提高主电网的韧性，可靠性以及电能质量，但由于微电网可再生能源的高穿透率和发电间歇性，带来了许多挑战。目前对这种微电网的能量管理研究甚少，微电网能量管理方法主要考虑***发电成本和静态安全约束，而缺乏考虑***可靠性成本以及电网的动态安全约束条件，也缺乏对储能效率与放电电流关系的分析，在可靠性、安全性以及经济性上有待提高。

为了优化分布式电源的发电调度，需要对未来某段时间内的负荷、可再生能源最大发电功率、市场电价进行预测。根据调度计划的时间尺度不同，通常有短期预测和超短期预测。GP算法被广泛地用于预测随机变量，包括光伏发电或太阳辐照度。长的预测步长相比于短的预测步长，其预测精度更低、计算负荷更小，但其预测控制更接近全局的解决方案，故预测步长的选择需要进行权衡。由于光伏或风电信息已经包含了辐照度或风速等环境信息，纳入波动较大的环境信息对预测作出的改进不大，加上计算的时间复杂度，可以考虑只用可再生能源发电的历史数据预测未来的发电功率。

传统动态约束优化算法中，考虑频率和电压瞬变等瞬态响应等问题大多采用微分代数方程约束，增加了优化算法的计算负荷。先进的三相不平衡潮流和动态分析软件DIgSILENT等，可以代替微分方程来计算动态问题，是求解微电网动态约束优化问题的一种思路，减轻计算负荷，提高优化求解的实时性。

模型预测控制(MPC)是一种通过在每个采样周期上求解有限时间控制问题来逼近无限时间最优控制的控制技术。在MPC应用中，数据存储或***模型作为约束或外部信号提供给MPC控制器，因此控制器使用数值求解器来解决受约束的优化问题。求解微电网规划设计问题，既可采用混合整数规划等数学规划方法，也可采用粒子群算法、遗传算法、人工神经网络等智能算法。数学规划方法对目标函数和约束条件的数学模型量化要求和微电网规划设计问题的复杂性，这类方法的应用常常受到一定的限制。智能算法通常不依赖于具体的应用问题，建模方式相对宽松，能够方便处理信息的不确定性，在复杂微电网规划设计问题求解中应用更为广泛。目前求解多目标优化问题大多基于多目标粒子群优化算法(MOPSO)、带精英策略的快速非支配排序遗传算法(NSGA-II)、多目标烟花算法(MOFWA)、多层人工神经网络(ANN)等智能算法，目的是寻找一组非支配的最优解，称为Pareto前沿，这些方法中的大多数都是应用在输电***中。

以上的方法或算法还存在收敛性不够，快速性不足，增加了计算复杂程度，且能量存储单元和可再生能源的经济利用率较低。

发明内容

针对现有技术的不足，本发明提供一种微电网在并网运行或孤岛运行两种模式下，含有分布式发电单元，含有多能互补或多种蓄电池等多储能单元，含有可控和可投切负荷，并且分布式电源和负荷接入多电压等级的复杂情况下微电网运行成本最小化和可靠性成本最小化优化调度方法以及能量管理***。本发明的方法在保证微电网最小化运行成本和最小化可靠性成本的同时考虑微电网的动态安全约束，在保证安全调度的前提下，提高能量存储单元和可再生能源的经济利用率。

本发明的技术方案是：一种针对微电网的多目标优化调度方法，包括以下步骤：

步骤S101，分别建立微电网并网和孤岛运行模式能量管理数学模型；

步骤S102，获取和存储微电网各电压、电流、功率、并网状态实时数据；

步骤S103，基于预测算法对可再生能源最大发电功率、关键负荷功率需求、非关键负荷功率需求以及购电价格进行滚动预测；

步骤S104，基于多目标优化算法求解最优调度问题；

步骤S105，输出最优调度参考值。

进一步的是，步骤S101所述管理数学模型包含目标函数、储能单元建模和约束条件。

可选地，根据本发明的示例实施例优化调度方法的能量管理模型的目标函数包括以下五个决策相关的变量：分布式电源的发电功率、储能单元的充电/放电功率、微电网与主电网进行电力交易的功率、切除关键负荷的功率和切除非关键负荷的功率。

可选地，该问题的第一个目标是最小化运行成本，包括分布式电源的发电成本和并网运行模式下与主电网的电力交换成本。第一个目标的目标函数为：

其中，F₁为运行成本。其中T为目标最优调度的周期，即预测步长，t是调度的周期中每个调度子区间，为最优调度控制步长。为t时微电网与主电网进行电力交易的功率，如果主电网向微电网出售电力，为正；如果电力从微电网流向主电网，为负。q_t是在时间t时微电网与主电网进行电力交易的电价，本实施例设定微电网相大电网售电价格参数为0。N_G为分布式能源的数量，为第i个分布式电源在时间t时发电功率。a_i，b_i，c_i均为第i个可调度分布式电源的有功功率成本系数。值得注意的是，风力发电和光伏发电可看做一种功率上限受环境因素影响的可调度分布式电源。

第二个目标是指通过降低用户的停电成本，即切除负荷的成本，称为可靠性成本，可以通过减少微电网和主电网之间的电力交换，以及减少孤岛模式下储能设备的使用来提高可靠性。第二个目标的目标函数为：

其中，F₂表示可靠性成本。k_grid指微电网和主电网之间每千瓦交换电能的成本系数。N_B为储能单元的数量，表示第j个储能单元与微电网之间在t时交换能量的功率，电池放电时为正，电池充电时为负。k_EL和k_NEL分别是切除关键和非关键负荷的罚款成本。在本文中，k_NEL取决于切除时段和负荷性质，例如住宅、商业和工业，而关键负荷的惩罚成本仅取决于不同的负荷的配置。和分别是t时切除的关键和非关键负荷的功率。是第j个储能单元与微电网之间在t时交换能量的成本系数，此参数取决于电池中存储的能量，在每个时间步长内求解此参数的公式为：

其中j＝1,2,...N_B

其中表示第j个储能单元完全充电时，每千瓦充电或放电功率的成本，是第j个储能单元在t时的存储能量。

综合以上两个目标函数，该问题的总目标函数为：

Min F(x)＝{F₁(x),F₂(x)}

可选地，能量存储单元可包括锂离子电池、钒液流电池等其他形式的储能单元。然而，本领域技术人员将理解，根据本发明的示例实施例的能量存储单元还可包括其他的能量存储装置。为了使能混合储能的优化调度方法具有更好的经济性，需要对每个储能单元效率进行单独分析，本发明实施例提供了一种更加准确的储能单元模型来描述其充放电过程。

可选地，微电网运行需要满足的技术要求可包括以下约束条件中的至少一个：微电网与主电网之间的电力交易的约束条件、微电网***有功功率平衡约束条件、微电网内的能量存储单元的容量和运行的约束条件、微电网内的分布式电源的容量和运行的约束条件、关键负荷和非关键负荷功率限制的约束、微电网运行的静态和动态约束条件，在优化求解步骤S104中，基于动态仿真分析结果，在每一次迭代中进行筛选。

进一步的是，步骤S103所述预测算法对可再生能源最大发电功率、关键负荷功率需求、非关键负荷功率需求以及购电价格进行滚动预测。本发明采用GP算法预测可再生能源最大发电功率、关键负荷功率需求、非关键负荷功率需求，采用平均值法求取每个时间点的预测购电价格。

可选地，本发明提供以下两种方法设计预测步长。

(1)经验试凑法：选取一定的步长T，对目标函数F₁、F₂历史数据实际值进行数学统计，采用一定的评估指标和评估函数不断调整步长T，以达到该模型的最佳预测步长。

(2)机器学习法：采用基于参数寻优的智能算法，智能化选取预测步长。

进一步的是，步骤S104所述基于多目标优化算法求解最优调度问题采用了智能算法软件、电路分析软件以及OPC通讯技术。

该优化求解方法在每次迭代中均采用PaCcET变换将多目标空间中的所有点转移到目标空间，将多个目标函数进行线性组合，然后用一个单目标优化器求解，找出所有的非支配点，作为一簇调度问题解，接着定义一个适应度函数，该适应度函数为目标空间中元素的PaCcET线性组合(PLC)，使用单目标优化器查找PLC小于1的点，这些点用于两个目的：

(1)为下一次迭代生成子节点；

(2)更新目标空间中解的边界。

本发明提供一种新的度量方法——约束值(CV)，适用于Pareto前沿的约束问题。在该方法中，在每次迭代中都使用CV来计算不可行解与可行区域的距离。

静态约束的CV定义为：

其中，prob_j是第j种故障发生的概率，N_C是各种故障的数目。此外，上述等式右边所有变量CV定义为：

其中和分别是母线电压的最大和最小限制的约束值，是线路电流的约束值。

动态约束的CV定义为：

利用电路动态仿真软件分析结果计算动态约束下的CV，对于违反给定的电压和频率动态约束的个体，在下一次迭代中将排除作为下一代个体的可能。如果所有成员都违反了动态约束，则选择CV较小的个体或客观度量指标。因此，对于违反动态约束的个体来说，其动态CV是无穷大的。动态响应可以根据不同的标准进行评估，如IEEE Std.1547–2018、IEEE Std.45–2002等，在不同的标准下，优化求解算法所得到的解会有一定的差异，应由微电网的实际运行情况而定。

在每一次PaCcET迭代中，一旦选择了不违反动态安全约束的个体，则使用计算的静态CV对这些个体进行比较，然后选择静态CV较小的个体。如果一组解均违反了动态安全约束，则直接选择静态CV较小的个体。然后，选择具有最小目标函数度量(PLC)的可行解进行下一次迭代。

在PaCcET迭代结束时，基于模糊隶属度法在所有最终最优解中选择最佳折衷方案(BCS)。采用下列公式计算位于Pareto前沿上每个点的隶属度：

其中，μ_i(s)是第s个Pareto点的第i个目标的隶属度，对于每一个点，其归一化隶属度μ_N(s)计算公式为：

其中N₀和N_P分别是多目标个数和Pareto点个数。

比较μ_N(s)，找到具有最大μ_N值的点作为最佳折衷方案(BCS)，最佳折衷方案作为下一控制周期步长内的相关参考数据，具体包括第i个分布式电源的发电功率第j个储能单元的充放电功率切除非关键负荷的功率ΔP_NEL、切除关键负荷的功率ΔP_EL，然后分别输出到微电网的集中控制器，以实现对各个分布式电源和储能单元的调度，以及对关键负荷和非关键负荷的投切控制。

在本发明的示例实施例中，能量管理模型的目标函数考虑了不同的能量存储单元的运行和维护成本、存储单元运行的效率-电流关系、不同的分布式电源的运行和维护成本、***可靠性成本、技术限制和容量限制、时变电价、微电网与主电网之间的电力交易的可能性以及电网的动态安全约束和静态安全约束。现有技术中对微电网的能量管理的策略仅考虑了单个能量存储单元、单种分布式电源、单电压等级的简单结构微电网，本发明的示例实施例进行了对含有风力发电、光伏阵列、燃机轮机等多种分布式发电单元，含有多能互补或多种蓄电池的混合储能***，可控和可投切负荷，并且分布式电源和负荷接入多电压等级的微电网的能量调度方法研究。值得注意的是，上述模型建立和参数的设计可根据微电网实际运行情况进行适当调整，例如，微电网并网运行模式下的目标更侧重于微电网经济性，孤岛运行模式下更侧重微电网供电可靠性，亦可通过步骤S104的优化求解算法进行一定的折衷设计。

本发明的有益效果：一是：根据本发明的示例实施例的优化调度方法和能量管理***能够基于GP预测算法准确预测微电网中的可再生能源发电、负荷需求，采用平均值法预测购电价格，利用PaCcET算法来提供包括多个储能单元、多种分布式电源的出力方案的优化调度方法，能够在保证微电网最小化运行成本和最小化可靠性成本的同时考虑微电网的动态安全约束，在保证安全调度的前提下，使能量存储单元和可再生能源的经济利用率最大化。二是：本发明的示例实施例的优化调度方法和能量管理***考虑了能量存储单元充放电效率，提高了能量管理模型的精确性和调度的经济性。三是：优化求解模块采用电路动态分析软件与优化算法结合的方式，用三相不平衡动态模拟法来考虑微电网动态约束问题，该方法采用先进的三相不平衡潮流和动态分析软件(如DIgSILENT)分析频率和电压瞬变等瞬态响应，来代替传统动态约束优化算法中的微分代数方程约束，够有减小优化算法的计算负荷，适用于分析情况更加复杂的微电网安全约束优化调度问题，有效提高优化算法的快速性和最优解可行性，提高能量调度的实时性，保证微电网在并网和孤岛模式下安全和经济运行。四是：采用新的PaCcET算法，PaCcET算法作为一种新方法较于MOPSO和NSGA-II在收敛性、快速性、种群多样性方面具有更优越的性能。

附图说明

图1为本发明方法流程图。

图2为微电网***结构图。

图3为锂离子电池充放电电流-效率关系图。

图4为电网动态安全约束示意图。

图5为优化求解方法架构图。

图6为本发明能量管理***结构框图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

具体实施例一：

如图1所示，本发明实施例提供了基于模型预测控制的微电网多目标优化调度方法，包括步骤：

步骤S101，分别建立微电网并网和孤岛运行模式能量管理数学模型；

步骤S102，获取和存储微电网各电压、电流、功率、并网状态实时数据；

步骤S103，基于预测算法对可再生能源最大发电功率、关键负荷功率需求、非关键负荷功率需求以及购电价格进行滚动预测；

步骤S104，基于多目标优化算法求解最优调度问题；

步骤S105，输出最优调度参考值。

图2所示的是本发明的示例实施例的一种微电网的结构框图。

参照图2，所述微电网模型可含有风力发电、光伏阵列、燃机轮机等多种分布式发电单元(对应图2中分布式电源1、分布式电源2、分布式电源N_G)；可含有多能互补或多种蓄电池的混合储能单元(对应图2中储能1、储能2、储能N_B)；可含有分布式电源控制装置和负荷投切控制装置；分布式电源和负荷可接入多种电压等级交流母线，通过PCC点接入主电网。微电网通过自身分布式电源发电或者向主电网购买电能来满足负荷需求，富余的能量通过电池储存起来，或者卖给主电网。微电网既可以与主电网并网运行，也可以离网运行。相对于主电网，微电网表现为可控单元，通过一定的调度管理可同时满足经济性运行和用户对电能质量和供电安全方面的需求。

下面将结合图2对所述微电网优化调度方法的各个步骤作进一步描述。

所述步骤S101，分别建立微电网并网和孤岛运行模式数学模型，能量管理模型包括储能单元建模和约束条件，可以具体为：

(1)目标函数

根据本发明的示例实施例优化调度方法的能量管理模型的目标函数包括以下五个决策相关的变量：分布式电源的发电功率P_DER、储能单元(锂电池或钒液流电池等储能单元)的充电/放电功率P_batt、微电网与主电网进行电力交易的功率P_grid、切除关键负荷(EL)的功率ΔP_EL和切除非关键负荷(NEL)的功率ΔP_NEL。

以下将基于运行成本最小化和可靠性成本最小化两个目标来讨论总的目标函数。

该问题的第一个目标是最小化运行成本，包括分布式电源的发电成本和并网运行模式下与主电网的电力交换成本。第一个目标的目标函数为：

其中，F₁为运行成本。其中T为目标最优调度的周期，即预测步长，t是调度的周期中每个调度子区间，为最优调度控制步长。为t时微电网与主电网进行电力交易的功率，如果主电网向微电网出售电力，为正；如果电力从微电网流向主电网，为负。q_t是在时间t时微电网与主电网进行电力交易的电价，本实施例设定微电网向大电网售电价格参数为0，即q_t维持不变，当时，令q_t＝0。N_G为分布式能源的数量，为第i个分布式电源在时间t时发电功率。a_i，b_i，c_i均为第i个可调度分布式电源的有功功率成本系数。值得注意的是，风力发电和光伏发电可看做一种功率上限受环境因素影响的可调度分布式电源。

第二个目标是指通过降低用户的停电成本，即切除负荷的成本，称为可靠性成本，可以通过减少微电网和主电网之间的电力交换，以及减少孤岛模式下储能设备的使用来提高可靠性。第二个目标的目标函数为：

其中，F₂表示可靠性成本。k_grid指微电网和主电网之间每千瓦交换电能的成本系数。N_B为储能单元的数量，表示第j个储能单元与微电网之间在t时交换能量的功率，电池放电时为正，电池充电时为负。k_EL和k_NEL分别是切除关键和非关键负荷的罚款成本。在本文中，k_NEL取决于切除时段和负荷性质，例如住宅、商业和工业，而关键负荷的惩罚成本仅取决于不同的负荷的配置。和分别是t时切除的关键和非关键负荷的功率。是第j个储能单元与微电网之间在t时交换能量的成本系数，此参数取决于电池中存储的能量，在每个时间步长内求解此参数的公式为：

其中j＝1,2,...N_B

其中表示当电池完全充电时，每千瓦充电或放电功率的成本，表示t时的存储能量，是第j个储能单元的最大存储能量。

综合以上两个目标函数，该问题的总目标函数为：

Min F(x)＝{F₁(x),F₂(x)}

(2)储能单元建模

如在图2中所述，能量存储单元可包括锂离子电池、钒液流电池等其他形式的储能单元。然而，本领域技术人员将理解，根据本发明的示例实施例的能量存储单元还可包括其他的能量存储装置。

为了使能混合储能的优化调度方法具有更好的经济性，需要对每个储能单元效率进行单独分析，本发明实施例提供了一种更加准确的储能单元模型来描述其充放电过程，具体步骤如下：

通过实验的方法检测储能单元在一定充放电电流下的电池荷电状态(SOC)变化情况；建立储能单元充放电的能量随电流变化的数学模型；计算该储能单元在该电流大小的充放电效率；根据不同电流下的实验检测效率，作出该储能单元对应的电流-效率拟合曲线，作为最终储能效率模型。

本发明实施例以一种锂离子电池储能单元为例，得到的充放电电流-效率关系模型如图3所示。同理对所有储能单元的充放电效率进行建模，用函数表示第j个储能单元的充放电电流-效率关系模型，为第j个储能单元在t时刻的电流所对应的该储能单元电流-效率关系模型中的瞬时效率。

对储能单元的充放电储能状态进行建模，具体为：

其中j＝1,2,...N_B

其中η^j,t表示第j个储能单元在t时的效率,,与分别为第j个储能单元在t-1与t时刻的能量。

(3)约束条件

微电网运行需要满足的技术要求可包括以下约束条件中的至少一个：微电网与主电网之间的电力交易的约束条件、微电网***有功功率平衡约束条件、微电网内的能量存储单元的容量和运行的约束条件、微电网内的分布式电源的容量和运行的约束条件、关键负荷和非关键负荷功率限制的约束、微电网运行的静态和动态约束条件。以下是具体约束条件的数学建模。

微电网与主电网之间的电力交易的约束公式为：

其中是微电网与主电网之间最大的交换功率，可以设置为连接微电网和主电网的变压器的相关限制的量(例如，额定容量)。在示例中，可被预先设置。

微电网***有功功率平衡约束公式为：

其中为总的线损，和分别是t时关键和非关键负荷的功率。

微电网内的能量存储单元的容量和运行的约束公式为：

其中j＝1,2,...N_B

其中和分别为第j个储能单元最大、最小储能限制，和分别表示第j个储能单元最大允许充电功率和最大放电功率限制。在示例中，和可被预先设置。

微电网内的分布式电源的容量和运行的约束公式为：

其中i＝1,2,...N_G

其中和分别是第i个分布式电源的最小功率输出和最大功率输出。在示例中，和可被预先设置，分布式电源中的可再生能源最大发电功率也受实际运行环境条件限制。

关键负荷和非关键负荷功率限制的约束公式为：

电网安全运行的静态约束公式为：

N_bus和N_line分别是微电网中母线和分线路的数量，是第k母线的电压幅值大小，是第n条线路的电流有效值。和是电压和电流幅值大小极限。在示例中， 和可被预先设置。

图4表示电网安全运行的动态约束，本实施例以标准IEEE Std.45-2002为例，包括电压和频率的动态约束，在优化求解步骤S104中，基于动态仿真解决方案的迭代约束集成。

在本发明的示例实施例中，能量管理模型的目标函数考虑了不同的能量存储单元的运行和维护成本、存储单元运行的效率-电流关系、不同的分布式电源的运行和维护成本、***可靠性成本、技术限制和容量限制、时变电价、微电网与主电网之间的电力交易的可能性以及电网的动态安全约束和静态安全约束。现有技术中对微电网的能量管理的策略仅考虑了单个能量存储单元、单种分布式电源、单电压等级的简单结构微电网，本发明的示例实施例进行了对含有风力发电、光伏阵列、燃机轮机等多种分布式发电单元，含有多能互补或多种蓄电池的混合储能***，可控和可投切负荷，并且分布式电源和负荷接入多电压等级的微电网的能量调度方法研究。值得注意的是，上述模型建立和参数的设计可根据微电网实际运行情况进行适当调整，例如，微电网并网运行模式下的目标更侧重于微电网经济性，孤岛运行模式下更侧重微电网供电可靠性，本发明实施例通过步骤S104的优化求解算法进行折衷设计。

所述步骤S102，获取和存储微电网各电压、电流、功率、并网状态实时数据，可以具体为：

实时获取关于储能单元、分布式电源、电网线路的相关电压、电流、功率、储能状态等数据，具体包括和以及电网的并网状态。存储以上数据，以供调用和查看。

所述步骤S103，基于预测算法对分布式电源中的可再生能源最大发电功率、关键负荷需求、非关键负荷需求以及购电价格进行滚动预测，可以具体为：

将发电和负荷需求建模为连续时间依赖过程，假设这些过程在时间上仅与自身相关，而每一个过程之间互相独立。每一个过程中的时间相关性程度随着观测时间间隔的减小而增大，以致于可以精确地模拟为一个高斯随机场。高斯过程可以指定函数在空间上的分布，通过充分的统计数据，该分布可以由均值函数μ(·)和协方差函数K(·，·)确切表示。

高斯过程的具体定义^[1,2]：设是d维实数向量空间的有界区域，由x∈X为参数的随机过程用f(x)：表示，如果其所有有限维分布都是高斯分布，那么随机函数f(x)是高斯过程，其中对于任意m∈N，随机变量(f(x₁),...,f(x_m))都是正态分布。

[1]C.E.Rasmussen and C.K.I.Williams,Gaussian Processes for MachineLearning(Adaptive Computation and Machine Learning).Cambridge,MA,USA:MITPress,2005.

[2]R.J.Adler and J.E.Taylor,Random Fields and Geometry.New York,NY,USA:Springer-Verlag,2007.

如果给定在x_1：n＝[x₁,...,x_N]处一组N维观测值Y：＝[Y(x₁),...,Y(x_N)]^T，我们可以在未观测时间x_*对未知区间进行预测，其估计值记为表达式如下：

不确定性，即统计误差表达式为：

由于光伏数据和风力发电数据已经包含了环境信息，故纳入波动较大的环境信息对预测作出的改进可能不明显，加上计算的时间复杂度，即要求每个控制周期步长内进行一次高斯过程预测计算，在本实施例中，只考虑使用历史光伏数据和风电信息来预测未来的光伏发电和风力发电。关键负荷和非关键负荷的需求亦使用历史负荷数据进行预测。表达式为：

其中T为目标最优调度的周期，即预测步长，t*是调度的周期中每个调度子区间，为最优调度控制步长。表示相关分布式电源中的可再生能源最大发电功率、关键负荷需求、非关键负荷需求以及购电价格变量的预测平均值，ω·表示未知预测误差。该高斯过程的预测结果是以均值和标准偏差表示的，实施例采用预测平均值作为预测结果。

微电网与大电网之间的电力交换价格具有典型特征，有很多国家都实行峰、谷电价制度或者峰、谷、平电价制度，是一种按高峰用电和低谷用电分别计算电费的一种电价制度，也称“分时电价”，具有较强的稳定性和较好的周期特性。由于上述特征，本实施例采用平均值法求取每个时间点的预测购电价格，表示式为：

其中t*＝1,2,...,T

其中n表示历史数据采样点个数，此处n根据实际情况选取，若电价在每一个采样点变化不大,则n可适当取小。T₀表示所用计算预测电价的采样步长，通常选取一天或一周。表示t*时刻预测平均值，ω_t*表示未知预测误差，实施例主要采用预测平均值作为预测结果。

预测步长T的设计：

对于本实施例，可以基于以下两种方法设计预测步长。

(1)经验试凑法：选取一定的步长T，对目标函数F₁、F₂历史数据实际值进行数学统计，采用一定的评估指标和评估函数不断调整步长T，以达到该模型的最佳预测步长。

(2)机器学习法：采用基于参数寻优的智能算法，智能化选取预测步长。

所述步骤S104，基于多目标优化算法求解最优调度问题，可以具体为：

如图5所示，本实施例的微电网多目标最优调度问题所应用的优化求解方法架构图，采用了智能算法软件、电路分析软件以及OPC通讯技术。

该优化求解方法具体实施步骤如下：

获取步骤S101微电网能量管理模型所对应的微电网并网或孤岛运行电路模型，在电路分析软件中搭建仿真模型。

获取步骤S101所建立的微电网能量管理数学模型参数，具体包括以下函数或常数：a_i、b_i、c_i、k_grid、k_EL、k_NEL、和

实时获取步骤S103所得到的预测曲线结果，具体包含以下预测信息：

分布式电源中的可再生能源最大发电功率关键负荷需求非关键负荷需求以及购电价格其中t*＝1,2,...,T。

实时获取步骤S102收到的微电网运行状态相关参数，具体包含以下变量的实时数据：

和

该优化求解方法在每次迭代中均采用PaCcET变换将多目标空间中的所有点转移到目标空间，将多个目标函数进行线性组合，然后用一个单目标优化器求解，找出所有的非支配点，作为一簇调度问题解。

接着定义一个适应度函数，该适应度函数为目标空间中元素的PaCcET线性组合(PLC)，使用单目标优化器查找PLC小于1的点，这些点用于两个目的：

(1)为下一次迭代生成子节点；

(2)更新目标空间中解的边界。

所有的多目标优化方法都使用预先定义的度量来比较每次迭代中的两个或多个解，例如，PaCcET算法的PLC和NSGA-Ⅱ的层和拥挤距离。这些指标根据它们的目标值来对多个解决方案进行比较，然而，它们通常没有考虑到***故障时的静态和动态安全约束，这些故障包括若干可能情况，例如不同地点的短路故障。

本发明提供一种新的度量方法——约束值(CV)，适用于Pareto前沿的约束问题。在该方法中，在每次迭代中都使用CV来计算不可行解与可行区域的距离。

静态约束的CV定义为：

其中，prob_j是第j种故障发生的概率，N_C是各种故障的数目。此外，上述等式右边所有变量CV定义为：

其中和分别是母线电压的最大和最小限制的约束值，是线路电流的约束值。

动态约束的CV定义为：

利用电路动态仿真软件分析结果计算动态约束下的CV，对于违反给定的电压和频率动态约束的个体，在下一次迭代中将排除作为下一代个体的可能。如果所有成员都违反了动态约束，则选择CV较小的个体或客观度量指标。因此，对于违反动态约束的个体来说，其动态CV是无穷大的。动态响应可以根据不同的标准进行评估，如EEE Std.1547–2018、IEEE Std.45–2002等，在不同的标准下，优化求解算法所得到的解会有一定的差异，应由微电网的实际运行情况而定。本实施例以IEEE Std.45–2002标准为例，其动态响应时间约束示意图如图4所示。

在每一次PaCcET迭代中，一旦选择了不违反动态安全约束的个体，则使用计算的静态CV对这些个体进行比较，然后选择静态CV较小的个体。如果一组解均违反了动态安全约束，则直接选择静态CV较小的个体。然后，选择具有最小目标函数度量(PLC)的可行解进行下一次迭代。

在PaCcET迭代结束时，基于模糊隶属度法在所有最终最优解中选择最佳折衷方案(BCS)。采用下列公式计算位于Pareto前沿上每个点的隶属度^[3]：

[3]B.Panigrahi,V.R.Pandi,S.Das,and S.Das,“Multiobjective fuzzydominance based bacterial foraging algorithm to solve economic emissiondispatch problem,”Energy,vol.35,no.12,pp.4761–4770,2010.

其中，μ_i(s)是第s个Pareto点的第i个目标的隶属度，对于每一个点，其归一化隶属度μ_N(s)计算公式为：

其中N₀和N_P分别是多目标个数和Pareto点个数。

比较μ_N(s)，找到具有最大μ_N值的点作为最佳折衷解(BCS)。

所述步骤S105，输出最优调度参考值，可以具体为：

获取步骤S104输出的最佳折衷方案作为下一控制周期步长内的相关参考数据，具体包括第i个分布式电源的发电功率第j个储能单元的充放电功率切除非关键负荷的功率ΔP_NEL、切除关键负荷的功率ΔP_EL，然后分别输出到微电网的集中控制器，以实现对各个分布式电源和储能单元的调度，以及对关键负荷和非关键负荷的投切控制。

在上述的具体实施例一中，提供了基于模型预测控制的微电网多目标优化调度方法，与之相对应的，本申请还提供基于模型预测控制的微电网多目标优化调度能量管理***。由于该微电网能量管理***实施例基本相似于方法实施例，相关之处也可参见方法实施例的部分说明。

具体实施例二：

如图6所示，本发明实施例提供了一种基于模型预测控制的微电网能量管理***20，箭头表示数据传输的方向。可包括模型建立模块201、数据传输及存储模块202、预测模块203、优化求解模块204。

模型建立模块201可基于运行成本、可靠性成本、以及微电网正常供电需要满足的技术要求，建立微电网的能量管理模型。

在示例实施例中，运行成本包括分布式电源的发电成本和并网运行模式下与主电网的电力交换成本。微电网的分布式电源发电成本是指微电网中分布式电源发电所耗费的资源成本和装置运行维护成本。可靠性成本是指用户的停电成本，即切除负荷的成本，可以通过微电网和主电网之间的电力交换，以及孤岛模式下储能设备的使用等指标约束来提高可靠性。应理解，示例实施例不限于此。

在示例实施例中，微电网正常供电需要满足的技术要求可包括以下约束条件中的至少一个：微电网与主电网之间的电力交易的约束条件、微电网***有功功率平衡约束条件、微电网内的能量存储单元的容量和运行的约束条件、微电网内的分布式电源的容量和运行的约束条件、关键负荷和非关键负荷功率限制的约束、微电网运行的静态和动态约束条件。应理解，示例实施例不限于此。

示例实施例可包含并网模式模型单元2011、孤岛模式模型单元2012。建立的能量管理模型旨在实现以下目标：当微电网并网模式或孤岛模式运行时，微电网可在满足正常供电所需的所有技术要求的将运行成本和可靠性成本最小化。

数据传输及存储模块202可获取和存储来自微电网的历史运行数据和实时运行状态信息，将这些信息调用并传输到能量管理***各个模块，也可以获取来自优化求解模块的优化调度解，输出到微电网的集中控制器，继而实现对各个分布式电源和储能单元的调度，以及对关键负荷和非关键负荷的投切控制。

预测模块203可基于相关历史数据，采用一定的预测算法或统计学方法，预测可再生能源的最大发电功率、各级负荷功率需求、与主网进行电力交易的购电价。可包含可再生能源发电预测单元2031、各级负荷需求预测单元2032、主网购电价格预测单元2033。

优化求解模块204包含电路仿真单元2041、OPC通讯单元2042、优化算法单元2043。

电路仿真单元2041采用电路动态分析软件(例如DIgSILENT)分析频率和电压瞬变等瞬态响应，取代传统动态约束优化算法中的微分代数方程约束，减轻了优化算法的计算负荷，适用于结构更加复杂的微电网的安全约束优化调度问题。

OPC通讯单元2042可实现优化求解模块中电路仿真单元和优化算法单元基于不同软件平台之间的数据交换

优化算法单元2043采用人工智能算法开发平台(例如MATLAB)，基于一定优化求解算法(例如PaCcET算法)，可根据能量管理***的建模、预测信息以及微电网运行状态，找到满足微电网安全约束条件的多目标优化调度问题最佳折衷方案；

根据本发明的示例实施例的优化调度方法和能量管理***能够基于预测算法准确预测微电网中的可再生能源发电、负荷需求和购电价格，利用PaCcET算法来提供包括多个储能单元、多种分布式电源的出力方案的优化调度方法，能够在保证微电网最小化运行成本和最小化可靠性成本的同时考虑微电网的动态安全约束，在保证安全调度的前提下，提高能量存储单元和可再生能源的经济利用率。此外，优化求解模块采用电路动态分析软件与优化算法结合的方式能够有减小优化算法的计算负荷，适用于分析情况更加复杂的微电网安全约束优化调度问题，有效提高优化算法的快速性和最优解可行性，提高能量调度的实时性，保证微电网在并网和孤岛模式下安全和经济运行。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述，明显地，在不脱离本发明的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本发明不限于所述实施方案，而归于权利要求的范围，其包括所述每个因素的等同替换。对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种针对微电网的多目标优化调度方法，其特征在于，包括以下步骤：

步骤S101：基于微电网运行成本最小化和可靠性成本最小化的多目标优化调度问题，建立并网和孤岛模式能量管理模型；

步骤S102：获取和存储微电网各电压、电流、功率、并网状态实时数据的步骤；

步骤S103：计算预测曲线结果，预测信息包括：分布式电源中的可再生能源最大发电功率、关键负荷需求、非关键负荷需求以及购电价格；

步骤S104：基于预测的可再生能源的最大发电功率、各级负荷功率需求、与主网进行电力交易的购电价，使用PaCcET算法，以预定时间间隔为单位，确定多目标优化调度的最优折衷方案的步骤。

2.根据权利要求1所述的一种针对微电网的多目标优化调度方法，其特征在于，在步骤S101中，多目标优化包括电网运行成本和可靠性成本最小化，电网运行成本最小化函数为：

其中，F₁为运行成本，T为目标最优调度的周期，t表示调度的周期中每个调度子区间，为t时微电网与主电网进行电力交易的功率，q_t是在时间t时微电网与主电网进行电力交易的电价，N_G分布式能源的数量，为第i个分布式电源在时间t时发电功率，a_i，b_i，c_i均为第i个可调度分布式电源的有功功率成本系数；

可靠性成本最小化函数为：

其中，F₂表示可靠性成本，k_grid指微电网和主电网之间每千瓦交换电能的成本系数，N_B为储能单元的数量，表示第j个储能单元与微电网之间在t时交换能量的功率，k_EL和k_NEL分别是切除关键和非关键负荷的罚款成本，和分别是t时切除的关键和非关键负荷的功率，是第j个储能单元与微电网之间在t时交换能量的成本系数，

其中j＝1,2,...N_B

其中表示当电池完全充电时，每千瓦充电或放电功率的成本，是t时的存储能量，是第j个储能单元最大存储能量；

总目标函数为：

Min F(x)＝{F₁(x),F₂(x)}。

3.根据权利要求1所述的一种针对微电网的多目标优化调度方法，其特征在于，在步骤S101中，能量管理模型包括储能单元建模和约束条件，具体为：

对储能单元的充放电效率进行建模，用函数表示第j个储能单元的充放电电流-效率关系模型，为第j个储能单元在t时刻的电流所对应的该储能单元电流-效率关系模型中的瞬时效率；

对储能单元的充放电储能状态进行建模，具体为：

其中j＝1,2,...N_B

其中η^j,t表示第j个储能单元在t时的效率,与分别为第j个储能单元在t-1与t时刻的能量；

约束条件至少包括以下一个约束条件：微电网与主电网之间的电力交易的约束条件、微电网***有功功率平衡约束条件、微电网内的能量存储单元的容量和运行的约束条件、微电网内的分布式电源的容量和运行的约束条件、关键负荷和非关键负荷功率限制的约束、微电网运行的静态或动态约束条件。

微电网与主电网之间的电力交易的约束公式为：

其中是微电网与主电网之间最大的交换功率；

微电网***有功功率平衡约束公式为：

其中为总的线损，和分别是t时关键和非关键负荷的功率；

微电网内的能量存储单元的容量和运行的约束公式为：

其中j＝1,2,...N_B

其中和分别为第j个储能单元最大、最小储能限制，和分别表示第j个储能单元最大允许充电功率和最大放电功率限；

微电网内的分布式电源的容量和运行的约束公式为：

其中i＝1,2,...N_G

其中和分别是第i个分布式电源的最小功率输出和最大功率输出；

关键负荷和非关键负荷功率限制的约束公式为：

电网安全运行的静态约束公式为：

N_bus和N_line分别是微电网中母线和分线路的数量，是第k母线的电压幅值大小，是第n条线路的电流有效值，和是电压和电流幅值大小极限。

4.根据权利要求1所述的一种针对微电网的多目标优化调度方法，其特征在于，在步骤S103中预测曲线具体产生过程如下：

将未观测时间x_*对未知区间进行预测，其估计值记为表达式如下：

不确定性，即统计误差表达式为：

关键负荷和非关键负荷的需求负荷数据进行预测，表达式为：

其中T为目标最优调度的周期，t*是调度的周期中每个调度子区间，表示相关分布式电源中的可再生能源最大发电功率、关键负荷需求、非关键负荷需求以及购电价格变量的预测平均值，ω·表示未知预测误差；

采用平均值法求取每个时间点的预测购电价格，表示式为：

其中t*＝1,2,...,T

其中n表示历史数据采样点个数，T₀表示所用计算预测电价的采样步长，表示t*时刻预测平均值，表示未知预测误差。

5.根据权利要求1所述的一种针对微电网的多目标优化调度方法，其特征在于，预测步长T基于以下两种方法预测步长：方式一经验试凑法：选取一定的步长T，对目标函数F₁、F₂历史数据实际值进行数学统计，采用一定的评估指标和评估函数不断调整步长T，以达到该模型的最佳预测步长或方式二机器学习法：采用基于参数寻优的智能算法，智能化选取预测步长。

6.根据权利要求1所述的一种针对微电网的多目标优化调度方法，其特征在于，在步骤S104中，确定多目标优化调度的最优折衷方案的步骤具体过程为：

获取步骤S101微电网能量管理模型所对应的微电网并网或孤岛运行电路模型，获取以下数据信息：a_i、b_i、c_i、k_grid、k_EL、k_NEL、 和

实时获取步骤S103所得到的预测曲线结果，包含以下预测信息，分布式电源中的可再生能源最大发电功率关键负荷需求非关键负荷需求以及购电价格其中t*＝1,2,...,T；

实时获取步骤S102收到的微电网运行状态相关参数，包含以下变量的实时数据： 和

每次迭代中采用PaCcET变换将多目标空间中的所有点转移到目标空间，将多个目标函数进行线性组合，然后用一个单目标优化器求解，找出所有的非支配点，作为一簇调度问题解；

每次迭代中使用CV来计算不可行解与可行区域的距离，

静态约束的CV定义为：

其中，prob_j是第j种故障发生的概率，N_C是各种故障的数目；等式右边所有变量CV定义为：

其中和分别是母线电压的最大和最小限制的约束值，是线路电流的约束值；

动态约束的CV定义为：利用电路动态仿真软件分析结果计算动态约束下的CV，对于违反给定的电压和频率动态约束的个体，在下一次迭代中将排除作为下一代个体的可能；

在PaCcET迭代结束时，基于模糊隶属度法在所有最终最优解中选择最佳折衷方案，采用下列公式计算位于Pareto前沿上每个点的隶属度：

其中，μ_i(s)是第s个Pareto点的第i个目标的隶属度，对于每一个点，其归一化隶属度μ_N(s)计算公式为：

其中N₀和N_P分别是多目标个数和Pareto点个数，

比较μ_N(s)，找到具有最大μ_N值的点作为最佳折衷解。

7.根据权利要求1所述的一种针对微电网的多目标优化调度方法，其特征在于，还包括步骤S105：将具有最大μ_N值的点输出给微电网集中控制器，对微电网分布式电源和储能***各储能单元动态能量调度。

8.基于模型预测控制的微电网能量管理***，包括模型建立模块、数据传输及存储模块、预测模块和优化求解模块：其特征在于，

模型建立模块，其用于运行成本、可靠性成本以及微电网正常供电需要满足的技术要求，建立微电网的能量管理模型；

数据传输及存储模块，其用于获取和存储来自微电网的历史运行数据和实时运行状态信息，将信息调用并传输到模型建立模块、预测模块和优化求解模块，同时用于获取来自优化求解模块的优化调度解，输出到微电网的集中控制器，实现对各个分布式电源和储能单元的调度，以及对关键负荷和非关键负荷的投切控制；

预测模块，其用于基于相关历史数据，采用一定的预测算法或统计学方法，预测可再生能源的最大发电功率、各级负荷功率需求、与主网进行电力交易的购电价；

优化求解模块，其用于采用人工智能算法开发平台和电路动态仿真分析软件，基于优化求解算法获得优化调度解，找到满足微电网安全约束条件的多目标优化调度问题最佳折衷方案。

9.如权利要求8所述的基于模型预测控制的微电网能量管理***，其特征在于，微电网正常供电需要满足的技术要求包括以下约束条件中至少一个：微电网与主电网之间的电力交易的约束条件、微电网***有功功率平衡约束条件、微电网内的能量存储单元的容量和运行的约束条件、微电网内的分布式电源的容量和运行的约束条件、关键负荷和非关键负荷功率限制的约束、微电网运行的静态和动态约束条件。

10.如权利要求8所述的基于模型预测控制的微电网能量管理***，其特征在于，优化求解模块包括决策变量，决策变量包括：分布式电源的发电功率、储能单元的充电/放电功率、微电网与主电网进行电力交易的功率、切除关键负荷的功率和切除非关键负荷的功率。