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与流程

本发明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。

背景技术：

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，作为整体参与电网运行，提升经济效益。虚拟电厂并没有改变分布式电源的并网方式，而是使用现代的技术，即首先利用通信等技术将分布式电源聚合，随后在控制中心利用某种优化方法或软件对接入的分布式电源进行控制协调，可再生的分布式能源的潜力得到充分的挖掘，分布式电源与电网间的矛盾也得到有效地解决。

虚拟电厂的能量调度问题通常归结为日前计划的离线优化、开环控制调度问题。传统的优化调度方法是根据日前的预测数值来进行优化计算，并且一次性下发各个时刻各个单元的出力参考值，这种方法应用的前提是假设预测的负荷需求与分布式能源是准确的，然而这在实际应用中通常很难达到的，这是因为负荷存在的随机性、特殊负荷存在暂时不确定性，以及可再生能源发电的自然间歇性、随机性、波动性。当生产或发电可以准确预测时，利用这些附加信息可以更好地安排运行决策以提高虚拟电厂的整体效益，因此尽可能提升预测的精度是解决问题的方向之一。另一种克服预测问题不确定性的方向是发展在线的算法来实时地进行能量调度管理。这些方法对发电和负荷预测的要求不高，但是为使得这些应用满足实时性要求，不得不在系统模型或数学处理方面做出简化，且简化后的策略虽然可以满足实时性要求，但所得运行安排无法统筹一段时期的综合效益，故而无法得到最优结果。

技术实现要素：

本发明的目的是克服现有技术中的不足，提供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。

这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，具体包括如下步骤：

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(lstm)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、考虑充分利用各可再生能源、储能设备、小型热力机组并完全满足负荷要求，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)为可利用的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、虚拟电厂优化调度目标设为虚拟电厂运行调度成本最小；在分时电价环境下，虚拟电厂目的在于发挥自己对于分布式电源的智能管理以获得最高效益，优化目标为：

mincost(pd,pess,pgrid,m)＝costd+costess+costgrid

上式中，pd(t)为可利用的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；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，要求约束在一定范围内以保证电池的使用寿命；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，其值大小会影响后续最优调度决策；为了方便调度起见，通常会在一天的调度开始前将储电量控制在储能设备最大容量的50％附近；

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，n＝96，即从第一天0时至第二天0时每隔15分钟作为一个优化调度时刻；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)为可利用的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、运用一种元启发式优化算法即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、开启新一轮滚动优化计算，令t＝t+1，重复执行步骤2.2至步骤3，直至t＝n，逐步完成整个调度区间内的小型热力机组出力、储能设备出力、从电网购电量的最优调度值下发，实现对虚拟电厂的最优化能量调度。

作为优选，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)为可利用的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，使反馈过程达成闭环。

作为优选，所述步骤2.3具体包括以下步骤：

步骤2.3.1、算法初始化：

设置算法参数，所述算法参数包括粒子总数nparticle、迭代次数niter、学习因子c1、学习因子c2、初始惯性因子ωint和终止惯性因子ωend；令单个粒子维度dim＝192-(t-1)*2，即初始时优化时刻共96个，每个时刻的两个优化变量为pd和pess，共192个,每完成一次完整的优化过程后减少两个优化变量；确定粒子的速度边界(vmin,vmax)和粒子的位置边界：[(pd,min,pd,max),[(pess,min,pess,max)]；在区间[(pd,min,pd,max),[(pess,min,pess,max)]内随机初始化粒子群中所有粒子的位置向量：xi,τ＝[pd,1,pd,2,…,pd,dim/2,pess,1,pess,2,…,pess,dim/2],i＝1,2,…,nparticle，令当前迭代次数τ＝0；利用式(1)计算得各个时刻从公共电网的购电量[pgrid,1,pgrid,2,…,pgrid,dim/2]；

步骤2.3.2、计算各个粒子的目标函数值，确定单个粒子使目标函数值取最小时的位置，即pbesti,τ，寻找全体粒子中的目标函数值最小值，将具有全体粒子中的目标函数值最小值的粒子的位置确定为当前全局最优解gbestτ；

步骤2.3.3、更新每个粒子的速度向量：

vi,τ+1＝ω*vi,τ+c1*rand1*(pbesti,τ-xi,τ)+c2*rand2*(gbestτ-xi,τ)(5)

上式中，i＝1,2,…,nparticle；τ为当前迭代次数；rand1和rand2均为0和1之间的随机值，vi,τ为当前每个粒子的速度向量；pbesti,τ为单个粒子使目标函数值取最小时的位置，xi,τ为粒子群中所有粒子的位置向量，gbestτ为当前全局最优解，c1和c2均为学习因子，ω为按照线性递减的变量：

上式中，ω为按照线性递减的变量，ωint为初始惯性因子，ωend为终止惯性因子，niter为迭代次数，τ为当前迭代次数；

步骤2.3.4、判断各个粒子的速度向量是否超过边界范围，若超出边界值则将其值取为该边界值：

上式中，vτ+1为各个粒子的速度向量的边界值，vmin为边界的最小值，vmax为边界的最大值；

步骤2.3.5、更新每个粒子的位置向量：

xτ+1＝xτ+vτ+1(8)

上式中，vτ+1为各个粒子的速度向量的边界值，xτ为当前每个粒子的位置向量，xτ+1为更新后每个粒子的位置向量；

步骤2.3.6、判断各粒子位置向量是否超过边界范围，若前半部分[pd,1,pd,2,…,pd,dim/2]超出某个边界值则将其值取为该边界值：

针对于后半部分[pess,1,pess,2,…,pess,dim/2]的值满足自身边界值并使储能设备的荷电状态满足约束：

上式(9)至式(11)中，dim为单个粒子维度，pess(t)为储能系统的输出功率，τ为当前迭代次数，ess(t)为储能设备在调度时刻t时的储电量；

步骤2.3.7、利用式(1)更新计算得出各个时刻从公共电网的购电量[pgrid,1,pgrid,2,…,pgrid,dim/2]；

步骤2.3.8、令τ＝τ+1，如果τ≤niter，转入执行步骤2.3.2至步骤2.3.8；如果τ＞niter，则输出当前时刻的最优决策序列。

作为优选，所述步骤2.3.2中计算各个粒子的目标函数值的方法为：

mincost(pd,pess,pgrid,n)＝costd+costess+costgrid

上式中，pd(t)为可利用的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；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,n)是调度总时段数为n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，n为优化时考虑的总时段数；min表示最小化这个值；cd,2和cd,1分别为小型热力机组的二次成本系数和一次成本系数，cess,2和cess,1分别为储能设备的二次成本系数和一次成本系数，ep(k)表示该时刻的分时电价。

本发明的有益效果是：本发明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。

附图说明

图1为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的流程图；

图2为含有可再生能源的虚拟电厂结构及能量流动示意图；

图3为负荷的预测值与实际值曲线图；

图4为风力发电机组出力的预测值与实际值的曲线图；

图5为光伏发电机组出力的预测值与实际值的曲线图；

图6为分时电价图；

图7为目标函数随迭代次数变化过程曲线图；

图8为小型热力机组出力图；

图9为储能设备出力图；

图10为各调度时刻调度成本图；

图11为虚拟电厂与公共电网间交换功率曲线图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

本发明针对分布式可再生电源发电存在波动性、随机性、间歇性，且难以对生产与负荷做到精确预测的特点，利用虚拟电厂管辖范围内的负荷、风电、光电等一天的预测信息，以虚拟电厂的调度成本最小为优化目标，将模型预测控制的理念加入到虚拟电厂优化调度问题建模中，通过一种改进的元启发式算法(线性权重递减的粒子群优化算法)对单次优化过程进行求解，利用模型预测控制中的反馈校正机制引入实测信息反馈进行修正，构成闭关优化，提高精度；重复上述过程，反复滚动优化完成实时调度，改善优化效果。

作为一种实施例，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，算法流程如图1所示；本方法利用预测信息，建立基于模型预测控制的虚拟电厂优化调度模型并求解；如图2所示，该虚拟电厂管辖范围内包括可再生能源，分布式发电单元，储能设备以及本地负荷，实时控制虚拟电厂能量流动，实现调度成本最小化。以某一地区虚拟电厂系统作为本发明的实施对象，对本发明方法进行详细说明：

步骤1、依据管辖范围内包含新能源的虚拟电厂建立与之对应的仿真模型，能量流动方式如图2所示；在日前调度阶段，利用长短期记忆网络(lstm)预测得出未来一天各时段的负荷需求(如图3所示)、风力涡轮机组的出力(如图4所示)及光伏发电系统的出力(如图5所示)。

步骤1.1、考虑充分利用各可再生能源、储能设备、小型热力机组并完全满足负荷要求，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)为可利用的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、电价时段分布如图6所示。优化目标如下：

mincost(pd,pess,pgrid,n)＝costd+costess+costgrid

上式中，pd(t)为可利用的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；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；min表示最小化这个值；soc(t)为储能系统的荷电状态，要求约束在一定范围内以保证电池的使用寿命；n为总的时段数；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、风电、光伏发电出力预测，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，储能设备的储电量会在每个优化调度时刻进行更新计算，其值大小会影响后续最优调度决策，为了方便调度起见，通常会在一天的调度开始前将储电量控制在储能设备最大容量的50％附近；

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(n＝96)，即从第一天0时至第二天0时每隔15分钟作为一个优化调度时刻，在第一次优化时以后续n-t个时刻总体的调度成本最小为目标，基于预测数据，经优化计算给出每个时刻的最优决策变量序列如下：

步骤2.3、运用一种元启发式优化算法—线性权重递减的粒子群优化算法完成步骤2.2中的最优化计算；

步骤2.4、将式(3)所得的最优决策变量序列的第一个值作为调度下发值；

步骤3、对储能设备的储电量进行更新：根据式(1)给出的功率平衡条件可以计算得出在下一次优化计算时刻前的储能设备储电量，如下式所示：

式(4)在步骤2.2中的优化过程中优化计算过程中也会使用，目的在于判断储能设备的荷电状态soc是否超过限制，此时式中pload(t)、pwind(t)、ppv(t)采用的是预测得到的值.在开始下次的优化计算之前，利用pload(t)、pwind(t)、ppv(t)的实测值对储能设备储电量进行修正后的更新计算，使反馈过程达成闭环；

步骤4、开启新一轮滚动优化计算，即令t＝t+1，重复步骤2.2至步骤2.4、步骤3中的计算步骤，直至t＝n，逐步完成整个调度区间内的小型热力机组出力、储能设备出力、从电网购电量的最优调度值下发，实现对虚拟电厂的最优化能量调度；

上面所述步骤2.3具体包括如下子步骤：

step1：算法初始化：设置算法参数，令粒子总数nparticle为50、迭代次数niter为500、学习因子c1、c2均为2,初始和终止惯性因子ωint、ωend分别为0.9、0.4；单个粒子维度dim＝192-(t-1)*2，即初始时优化时刻共96个，每个时刻2个优化变量--pd、pess，共192个,每完成完整的一次优化过程，会减少2个优化变量；确定粒子的速度边界(vmin,vmax)，粒子的位置边界[(pd,min,pd,max),[(pess,min,pess,max)],在此区间随机初始化粒子群中所有粒子的位置向量，粒子位置向量xi,τ＝[pd,1,pd,2,…,pd,dim/2,pess,1,pess,2,…,pess,dim/2],i＝1,2,…,nparticle，令当前迭代次数τ＝0；利用式(1)计算得各个时刻从公共电网的购电量[pgrid,1,pgrid,2,…,pgrid,dim/2]；

step2：计算各个粒子的目标函数值如式(3)，确定单个粒子使目标函数值取最小时的位置即pbesti,τ,寻找粒全体粒子中的目标函数最小值，具有该最小目标函数值的粒子的位置确定为当前全局最优解gbestτ；

step3：更新每个粒子的速度向量，如下式：

vi,τ+1＝ω*vi,τ+c1*rand1*(pbesti,τ-xi,τ)+c2*rand2*(gbestτ-xi,τ)(4)

其中rand1、rand2是0和1之间的随机值，ω是一个按照线性递减的变量，其计算式如下：

step4:判断各粒子速度向量是否超过边界范围，若超出某个边界值则将其值取为该边界值，即：

step5:更新每个粒子的位置向量，即：

xτ+1＝xτ+vτ+1(7)

step6:判断各粒子位置向量是否超过边界范围，首先是前半部分[pd,1,pd,2,…,pd,dim/2],若超出某个边界值则将其值取为该边界值，即：

针对于后半部分[pess,1,pess,2,…,pess,dim/2]，其值不仅需要满足自身边界值，还需使储能设备的荷电状态满足约束，即：

step7:利用功率平衡条件更新计算得出各个时刻从公共电网的购电量[pgrid,1,pgrid,2,…,pgrid,dim/2]；

step8:令τ＝τ+1，如果τ≤niter，转入step2；否则，输出当前时刻起的最优决策序列；

上面所述步骤(1)中计算各粒子的目标函数值具体为：

mincost(pd,pess,pgrid,n)＝costd+costess+costgrid

式中cd,2、cd,1分别为小型热力机组的二次成本系数和一次成本系数，cess,2、cess,1分别为储能设备的二次成本系数和一次成本系数，ep(k)表示该时刻的分时电价；目标函数随迭代次数变化过程曲线如图7所示。

为了显示本方法的有效性，图8、图9和图11展示了与传统开环调度方法结果的对比，可以看出经由模型预测控制改进后，虚拟电厂中小型热力机组的使用率得到提高，储能设备获得了更为合理的充放电方案，在用电的低谷期或者电价较为低的时候充电，在用电高峰期或者电价较高的时刻放电以减少从公共电网购买的电量，从而降低整体的调度成本。公共电网的供电压力得到，在本地负荷供应完全满足条件下，使得虚拟电厂调度成本最小。图10展现了虚拟电厂的调度成本，包括各时段的花费值以及累计时间花费值，(注意：初始累计时间花费值为由于储能系统在一天初始电能量不同造成，按市场最低电价计算)。所提能量优化调度方法可以使得间歇性，随机性及不确定性较强的可再生能源得以充分利用，并有效的减小对公共电网的功率波动冲击。“削峰填谷”的效果如图11所示，在两个用电高峰期(中午和晚8点左右)，明显地削减从公共电网购买的电量值，在用电的低谷期(深夜)由于电价较便宜，于是增加了购电量，从而把管辖区域的高峰低谷期与公共电网的高峰低谷期错开。