一种整合经济性模型预测控制的微电网控制器的制作方法

1.本发明属于微电网技术领域，具体是一种整合经济性模型预测控制的微电网控制器。


背景技术：

2.微电网是一种新型电网，作为对标传统大电网的微型版，整合了分布式发电、储能、负荷调控等多种子系统单元，并与主电网交互中，可切换并网与离网两种运行状态。微电网技术将是以新能源占比越来越大的新型电力系统的主要组成部分，也是未来用户侧能源系统的主要形态。
3.但是当前的模型预测控制算法(mpc)的解决方案，通常针对初次控制与二次控制，缺乏经济性优化模型，因此没有办法到达全局的经济最佳点，这些缺陷，主要体现在目标方程中的成本项。
4.电价模型不完备，仅考虑电能量电价，对需量电价无法处理，也无法针对现货交易市场的价格波动，随机发生的需求响应价格进行联动。因此即便达成经济最优，也是在输入条件缺陷的情况下所达成的最优，无法实现全局的效益最优。


技术实现要素：

5.为了解决上述方案存在的问题，本发明提供了一种整合经济性模型预测控制的微电网控制器。
6.本发明的目的可以通过以下技术方案实现：
7.一种整合经济性模型预测控制的微电网控制器，包括控制功能结构和硬件结构；
8.所述控制功能结构包括算法层模块、控制层模块和设备层模块；
9.算法层模块将负荷曲线、电价波动、电网调度指令以及光伏发电功率预测信息进行集中处理，通过运筹学优化算法求解器，得出最优的微电网内部调度策略；
10.控制层模块完成对设备层指标的上通下达，通过高通量数据采集与处理，将设备数据进行实时处理，并上传至算法层模块；
11.在控制功能结构的工作过程中需要根据不同时间尺度下的信息的采集与处理，做出对应的划分；
12.当前硬件基于不同时间尺度下，对数据采集及预测控制算法处理进行拆分，在慢速响应的情境下，对粗颗粒度数据进行分析与决策，包含获取外界信息；控制算法在基于类稳态的情况下，将外接信息进行处理，经过预测算法与稳态控制参数的优化计算，获得对实时控制算法的目标设定值，驱动实时响应的执行。
13.实时响应参数的计算，基于对scada系统的实时数据采集，在秒级维度，进行快速计算，获得对各类型子系统的控制指令，完成控制。
14.硬件结构包括控制主机、数据采集模块、拓展接口和辅助设备，所述控制主机用于协议转化，调度优化算法部署，控制指令生成等功能，控制主机包括数据采集与下位机协议
解析模块、运算处理器以及上位通信模块；运算处理器划分为瞬态控制模块与稳态控制模块，用以满足不同时序下的运算处理；
15.拓展接口用于对接设备；辅助设备根据对应的应用场景进行设置；
16.算法层模块内设有目标函数，优化目标在于每一个优化周期中，保持未来96个控制周期的总电费支出最低；目标函数为：
[0017][0018]
其中，grid
im
[i]为市电购电电量，grid
ex
[i]为市电并网电量，qg[i]为发电机的发电量，cycle为储能电池的等效充放电循环数，c
im,e
[i]为市电电价，c
ex，e
[i]为市电并网价格，c
bss
[i]为储能电池等效充放电成本，η为发电机发电效率。
[0019]
并设有电量限制条件、电价限制条件、功率限制条件、soc限制条件；
[0020]
电量限制条件：
[0021]
grid
im
[i]-grid
ex
[i]-bssc[i]+bss
dc
[i]+g[i]+pvf[i]＝loadf[i]，g[i] 为柴油发电机的输出电量，pvf[i]为光伏发电输出电量。
[0022]
电价限制条件：
[0023]cim，e
[i]＝c
im，en
[i]+c
md
[i]
[0024]cim，en
[i]为预测的波动电价中，电能量电价部分；
[0025]cmd
[i]为预测的波动电价中，需量价格所转化成的等效度电价格部分。
[0026]cmd
[i]＝(demand
charg
*md[i])/total_q
forecast
[i]
[0027]
demand
charge
为电价中需量价格部分；
[0028]
total_q
forecast
[i]为全月总用电量的预估值，需要预测。
[0029]
md[i]为当前的最大需量。注意，最大需量的计算步骤为：每15分钟计算平均功率，取当月的最大值为当月的md，因此
[0030]
md[i]＝max(md[i-1]，load[i]/15min)
[0031]
引入等效需量电价后，c
md
[i]可以用于调整策略的侧重点，以方便将需量管理的价格因素传导入调度优化算法中，可以起到动态切换需量管理、峰谷套利、动态增容等多种工作模式的作用。
[0032]cim，en
[i]的波动预测，同时考虑现货价格以及邀约需求响应所带来的电度价格波动。在发生需求响应邀约的时段；
[0033]cim，en
[i]＝c
im，en
[i]-c
dr
[i]*(grid
im
[i]-q
base
[i])/grid
im
[i]
[0034]
储能充放电的限制包括功率限制和soc限制；
[0035]
功率限制条件：
[0036]
bssc[i]与bss
dc
[i]分别代表储能系统的充放电电量。在采用时间段内，充放电电量所对应的平均功率需要满足储能自身的功率限制。
[0037][0038]
soc限制条件：
[0039][0040]
与现有技术相比，本发明的有益效果是：结合日内峰、谷、平电价机制不储能系统全寿命周期内的度电成本，确定最优化的峰谷平充放电策略，实现经济性最佳；按照需求侧响应平台指令进行充放电控制与柔性负荷管理，依据相关政策，实现参与需求侧响应获得经济补贴最优；考虑分布式发电、用户用电成本，结合光伏-储能联合收益因素的储能优化控制，并在合适的条件下接入柔性负荷响应；同时，优化调度结果完全由电价驱动，当前系统也适配于现货交易的场景，在执行电力现货交易的场合，采用预测的现货交易的价格以替代峰谷平电价机制，可以实现优化策略的无缝切换。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
[0042]
图1为本发明调度算法信息与指令流程示意图；
[0043]
图2为本发明微电网结构图；
[0044]
图3为本发明控制功能结构示意图；
[0045]
图4为本发明微电网控制器硬件的主要功能模块架构图；
[0046]
图5为本发明微电网控制器硬件架构图；
[0047]
图6为本发明模型预测控制框架图。
具体实施方式
[0048]
下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0049]
如图1至图6所示，一种整合经济性模型预测控制的微电网控制器，对于微电网系统的控制，涉及到多种类型的能源子系统，包括分布式发电、储能、以及用户负荷等。其中分布式发电设备包括用户侧分布式光伏与备用柴油发电机、天然气发电机等设备。用户负荷中，也分为重点负载设备与柔性负荷，如充电桩、暖通设备等。由于光伏发电的随机性，以及在新型电力系统建设的不断推进下，电价的波动也存在着各种不可预知性。因此微电网中的各个子系统的调度使用必须被统一协调，才可以实现整体效率最优，达成微电网的设计指标。
[0050]
如图2所示，为典型的微电网结构图；微电网与市电电网经过变压器接入。由于同时存在市电电源与本地发电电源，在耦合储能设备作用的情况下，本地控制需要考虑不同类型电源的特性，以保障系统的稳定运行。光伏发电与电化学储能设备均为电力电子设备，为直流电，通过逆变器，转化为交流电，并入微电网。而柴油发电机机与市电为交流电。因此微电网控制的首要挑战为保证稳定频率与电压的需求，以保证用电设备及负荷的正常工
作。目前频率与电压稳定的控制由微电网控制器的初级与二级控制功能完成。微电网控制器的初级控制、二级控制，本质上是满足微电网与市电从100％的依赖度到0％依赖度的灵活切换，而不影响本地负荷设备的正常工作。甚至在不依赖市电供电的情况下，在光伏、储能设备尚有余量的情况下，能够反哺电网，提供电网调峰、调频等电力辅助服务支持的服务。而依据效益指标，来动态调整与电网交互程度的控制目标值的过程，则是微电网控制器的三级控制部分。
[0051]
控制功能结构：
[0052]
如图3所示，分为三层，分别为算法层模块、控制层模块和设备层模块。
[0053]
算法层模块为高层调度算法的运行的模块，将负荷曲线，电价波动，电网调度指令以及光伏发电功率预测等信息进行集中处理，通过运筹学优化算法求解器，得出最优的微电网内部调度策略，实现系统在峰谷套利、需量管理、动态增容、光伏最大消纳等多种模式下的自动切换，以达到系统的最优运行效益。
[0054]
控制层模块，完成对设备层指标的上通下达，通过高通量数据采集与处理，将设备数据进行实时处理，并上传至调度算法层。同时，将优化调度指令，通过协议转化，形成设备层管理调度控制指令，实现对设备层的交互。
[0055]
设备层模块，指各个子系统模块的独立控制管理单元，属于子系统的控制系统，因此不属于微电网控制系统的组成部分。
[0056]
如图1所示，调度算法信息与指令流程示意图；由ems发出的调度指令分为两类，一类为瞬态控制，另一类为稳态控制；前者对时效性要求更高，用于满足临时性电网暂态辅助服务的要求，保证微电网内部的频率及电压的稳定，以保障系统的安全稳定与供电质量的可靠，属于初次控制与二次控制内容；该层控制通常以秒为单位；后者，则为最优目标下的调度，通常以小时为单位，以达成整体系统的效益最优，属于三次控制的范畴。
[0057]
目前储能设备供应商在瞬态控制方面，有较为成熟的控制算法与解决方案，通常通过结合下垂速度控制与pid标准控制等方法达成；在稳态控制范畴，则缺乏具有完整的解决方案。主要挑战在于软硬件层面，需要根据不同时间尺度下的信息的采集与处理，做出对应的划分。
[0058]
如图5所示，当前硬件基于不同时间尺度下，对数据采集及预测控制算法处理进行拆分。在慢速响应的情境下，对粗颗粒度数据进行分析与决策，包含获取外界信息，比如天气预报数据，电网调度指令等；控制算法在基于类稳态的情况下，将外接信息进行处理，经过预测算法与稳态控制参数的优化计算，获得对实时控制算法的目标设定值，驱动实时响应的执行。实时响应参数的计算，基于对scada系统的实时数据采集，在秒级维度，进行快速计算，获得对各类型子系统的控制指令，完成控制。
[0059]
硬件结构：
[0060]
如图4所示，为微电网控制器硬件的主要功能模块架构图，其中，硬件模块的主体部分为独立的控制主机以及具有拓展性的数据采集模块。
[0061]
控制主机用于协议转化，调度优化算法部署，控制指令生成等功能。根据控制分层，控制主机分为数据采集与下位机协议解析模块，运算处理器以及上位通信模块；运算处理器则进一步划分为瞬态控制模块与稳态控制模块以满足不同时序下的运算处理。
[0062]
拓展接口用于对接设备；现场的设备数量及复杂度并不相同，对接口的需求也大
不相同，因此需要通信接口为标准且灵活拓展；当前适配的通信接口包括，can通信、以太网、rs-485，并适用于modbus rtu/tcp、dnp3 serial、dnp3 lan/wan、iec 61850goose、iec 60870-5-101/104、iec 61850 mms、sunspec/mesa modbus api等通信协议。
[0063]
除控制主机之外，可配置多种辅助设备，如：
[0064]
在控制主机与外网交互的关口，可配置纵向加密认证网关，保证控制主机与外网交互时的信息安全。其余可选配件包括电力载波协议转化设备，人机交互组态屏，ups备用电源，热管理系统。
[0065]
在设备离散度较高的场合，采用宽带电力线载波通信(hd-plc)技术进行本地组网。该技术依托电力线网络，不需要重新布线，相对于窄带电力线通信其最大优势是通信速率高、双向传输、传输稳定性高，可扩展性强。
[0066]
人机交互组态屏用于现场调试与参数设置；可灵活配置相关界面。
[0067]
备用电源以供停电或临时供电调试使用；为控制主机、ups备用电源，纵向加密认证网关提供防护，并整合热管理系统，人机交互组态屏、通信拓展接口。
[0068]
优化算法：
[0069]
模型预测控制(mpc)主要是以针对受控体模型的迭代式、有限时域滚动最佳化为基础，在时间t时针对受控体的状态取样，对未来时段[t+n] (预测时域)的参数变化进行预测，并且针对未来一段很短的滚动时域[t, t+1](控制时域)，计算使[t+n]费用最小化的控制策略(数值最小化演算化)。
[0070]
如图6所示，模型预测控制框架图，微电网涉及到三级控制的典型 mpc控制器中，每15分钟(控制时域)，针对未来的一段时间的预测时域(通常定为24小时，未来96个控制周期)进行优化决策，以达成效益最优的运行策略，并发送未来15分钟的调度策略；预测模型通常包括光伏发电功率预测与负荷预测；优化调度模型的目标方程为未来24小时的收益最高；状态估计器在微电网的实际场景中，主要基于采集实时状态，对储能、光伏等设备的内部状态进行估计，并作用于下一预测周期中的约束条件当中。
[0071]
经济模型预测控制(empc)在模型预测控制(mpc)的基础上发展起来。 empc的一个显著特点是它的性能指标是包含经济因素的影响；实现了在同一模型和同一计算频率的环境下，将过程经济性优化指标和控制性能指标结合在一起，达成了对不同场景和时域下的经济性最优控制；预测算法与优化控制算法的划分，体现了mpc的主要特性。而电价波动预测与储能寿命预测的输入，则体现了empc对系统的改造。
[0072]
电价的波动，同时包含了电能量的价格波动，以及容量电费的波动。电能量价格的波动，即电力现货价格，是时间和地点的函数，在新型电力系统下，电力现货价格将具有极强的波动性，是保证目前微电网系统运营收益必须要考虑的因素。容量电费的波动，同时考虑了用户需量电费、需求响应收益的场景；而用户用于扩容的成本，也被换算成需量价格的一部分引入目标方程；上述参数中，现货价格为15分钟变化一次，需量电费影响的一个月的平均值，而需求响应的收益则是随机性的；扩容成本，则是由用户生产行为变化所触发的场景。因此，目前的电价预测模型，统一了不同时间尺度下用户行为与收益的关系。
[0073]
储能寿命随着充放电循环次数的增加，而发生衰减。由于储能设备往往是微电网系统中最核心的资产，因此调用储能所发生的设备折旧费用，也应当被计入到体现系统收益的目标方程当中。当前系统接入了储能soh 的实时计算模型，可以根据储能系统的状态
参数，提供高精度的充放电成本核算。
[0074]
储能寿命随着充放电循环次数的增加，而发生衰减。由于储能设备往往是微电网系统中最核心的资产，因此调用储能所发生的设备折旧费用，也应当被计入到体现系统收益的目标方程当中。当前系统接入了储能soh 的实时计算模型，可以根据储能系统的状态参数，提供高精度的充放电成本核算。
[0075]
目标函数如下：
[0076][0077]
其中，grid
im
[i]为市电购电电量，grid
ex
[i]为市电并网电量，qg[i]为发电机的发电量，cycle为储能电池的等效充放电循环数，c
im,e
[i]为市电电价，c
ex，e
[i]为市电并网价格，c
bss
[i]为储能电池等效充放电成本，η为发电机发电效率。
[0078]
优化目标在于每一个优化周期中，保持未来96个控制周期的总电费支出最低。
[0079]
限制条件中，多个参数将与预测分析耦合在一起，包括：
[0080]
电量的限制条件：
[0081]
grid
im
[i]-grid
ex
[i]-bssc[i]+bss
dc
[i]+g[i]+pvf[i]＝loadf[i]
[0082]
bssc[i]与bss
dc
[i]分别代表储能系统的充放电电量。
[0083]
电价的条件：
[0084]cim，e
[i]＝c
im，en
[i]+c
md
[i]
[0085]cim，en
[i]为预测的波动电价中，电能量电价部分；
[0086]cmd
[i]为预测的波动电价中，需量价格所转化成的等效度电价格部分。
[0087]cmd
[i]＝(demand
charge
*md[i])/total_q
forecast
[i]
[0088]
demand
charge
为电价中需量价格部分；
[0089]
total_q
forecast
[i]为全月总用电量的预估值，需要预测。
[0090]
md[i]为当前的最大需量；注意，最大需量的计算步骤为：每15分钟计算平均功率，取当月的最大值为当月的md，因此
[0091]
md[i]＝max(md[i-1]，load[i]/15min)
[0092]
引入等效需量电价后，c
md
[i]可以用于调整策略的侧重点，以方便将需量管理的价格因素传导入调度优化算法中，可以起到动态切换需量管理、峰谷套利、动态增容等多种工作模式的作用。
[0093]cim，en
[i]的波动预测，同时考虑现货价格以及邀约需求响应所带来的电度价格波动。在发生需求响应邀约的时段；
[0094]cim，en
[i]＝c
im，en
[i]-c
dr
[i]*(grid
im
[i]-q
base
[i])/grid
im
[i]
[0095]
储能充放电的限制包括功率限制和soc限制；
[0096]
功率限制：
[0097]
bssc[i]与bss
dc
[i]分别代表储能系统的充放电电量。在采用时间段内，充放电电量所对应的平均功率需要满足储能自身的功率限制。
[0098]
[0099]
soc限制：
[0100][0101]
光伏预测：
[0102]
光伏发电预测，基于天气预报与设备历史发电数据，进行拟合。
[0103]
负荷预测：
[0104]
负荷预测，根据实际负荷状态与历史数据，进行拟合。
[0105]
在其他实施例中还可通过手动切换工作模式，但是无法达到最优。
[0106]
在其他实施例中，不通过优化调度算法模型(运筹学)，而是通过大数据算法(统计学)中的遗传算法，也可以拟合出系统的优化调度方案；但该方法对算力要求过高，不适合进行大面积推广。
[0107]
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
[0108]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。