[发明专利]一种微电网风光储模型预测控制方法

说明书

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，非常适合应对系统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系统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；P_l(i)为时段i内的负荷功率；P_tie(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；P_w(i)为风电机组在时段i内的计划出力；P_PV(i)为光伏发电在时段i的计划出力；P_b(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＜P_w(i)＜P_{w_pre}(i)

0＜P_PV(i)＜P_{PV_pre}(i)

N_{ch_dis}＜N_battery