基于模型預(yù)測(cè)的微電網(wǎng)日內(nèi)分層調(diào)度研究

張恒，張靖，肖迎群，何宇，劉影，范璐欽

基于模型預(yù)測(cè)的微電網(wǎng)日內(nèi)分層調(diào)度研究

張恒1，張靖1，肖迎群2，何宇1，劉影3，范璐欽1

（1. 貴州大學(xué) 電氣工程學(xué)院，貴州 貴陽(yáng) 550025；2. 貴州理工學(xué)院 大數(shù)據(jù)學(xué)院，貴州 貴陽(yáng) 550003； 3. 貴州電網(wǎng)公司 電網(wǎng)規(guī)劃研究中心，貴州 貴陽(yáng) 550001）

隨著可再生能源的大規(guī)模接入，可再生能源和負(fù)荷不確定因素給微電網(wǎng)優(yōu)化調(diào)度帶來(lái)了新的挑戰(zhàn)。提出基于模型預(yù)測(cè)的微電網(wǎng)分層調(diào)度模型，采用分層模型預(yù)測(cè)控制策略實(shí)現(xiàn)“源–網(wǎng)–荷–儲(chǔ)”的日內(nèi)協(xié)調(diào)運(yùn)行。日內(nèi)優(yōu)化層以運(yùn)行成本最小為目標(biāo)函數(shù)，為日內(nèi)修正層提供參考值。日內(nèi)修正層以修正后的調(diào)度計(jì)劃與參考值偏差最小為目標(biāo)函數(shù)，并根據(jù)預(yù)測(cè)輸出與實(shí)測(cè)輸出間的誤差構(gòu)成反饋環(huán)節(jié)，以解決不確定因素對(duì)優(yōu)化調(diào)度的影響。同時(shí)，為改善計(jì)算速度和精度，在模型預(yù)測(cè)控制中引入改進(jìn)鯨魚優(yōu)化算法。算例結(jié)果表明，基于模型預(yù)測(cè)的微電網(wǎng)日內(nèi)分層調(diào)度策略具有較好的可行性和有效性。

不確定因素；分層模型預(yù)測(cè)控制；日內(nèi)協(xié)調(diào)運(yùn)行；誤差反饋；改進(jìn)鯨魚優(yōu)化算法

0 引言

微電網(wǎng)作為由分布式能源、儲(chǔ)能裝置、負(fù)荷等匯集而成的小型發(fā)配電系統(tǒng)，可以實(shí)現(xiàn)本地能源協(xié)調(diào)調(diào)度，減少能源損耗，是電網(wǎng)的重要組成部分。但可再生能源和負(fù)荷的不確定性，使微電網(wǎng)優(yōu)化調(diào)度面臨嚴(yán)峻的挑戰(zhàn)[1]。因此，如何應(yīng)對(duì)微電網(wǎng)中的不確定性成為微電網(wǎng)優(yōu)化調(diào)度亟待解決的問(wèn)題[2-5]。

模型預(yù)測(cè)控制（model predictive control，MPC）是一種基于多種形式預(yù)測(cè)模型的控制策略，可以處理多變量約束問(wèn)題，主要由模型預(yù)測(cè)、滾動(dòng)優(yōu)化和反饋校正3個(gè)環(huán)節(jié)組成。其中，滾動(dòng)優(yōu)化和反饋校正可以較好地解決含有不確定因素的微電網(wǎng)優(yōu)化調(diào)度問(wèn)題[6-8]。

文獻(xiàn)[9]提出考慮蓄電池充電模式和變時(shí)域MPC的微電網(wǎng)群能量管理策略，最大限度地消納可再生能源，保證系統(tǒng)經(jīng)濟(jì)性。文獻(xiàn)[10]為解決可再生能源和負(fù)荷的預(yù)測(cè)不確定性，提出了基于時(shí)序動(dòng)態(tài)約束的主動(dòng)配電網(wǎng)日內(nèi)經(jīng)濟(jì)調(diào)度。但由于微電網(wǎng)的優(yōu)化調(diào)度既要保證經(jīng)濟(jì)性又要保證穩(wěn)定性，是一類復(fù)雜的多目標(biāo)優(yōu)化問(wèn)題，且其時(shí)間尺度也不同，因此越來(lái)越多的研究采用分層架構(gòu)以期解決此類多目標(biāo)問(wèn)題[7,11]。文獻(xiàn)[7]采用日前–日內(nèi)架構(gòu)，在日前階段綜合考慮各單元的隨機(jī)性，建立最優(yōu)經(jīng)濟(jì)調(diào)度模型；在日內(nèi)階段為應(yīng)對(duì)可再生能源預(yù)測(cè)誤差而提出基于MPC的校正控制策略。文獻(xiàn)[11]采用日前–日內(nèi)–實(shí)時(shí)架構(gòu)，在日前階段根據(jù)日前預(yù)測(cè)信息，進(jìn)行主動(dòng)配電網(wǎng)有功無(wú)功優(yōu)化調(diào)度；在日內(nèi)階段根據(jù)短期預(yù)測(cè)信息，以運(yùn)行成本最小為優(yōu)化目標(biāo)確定計(jì)劃出力；在實(shí)時(shí)階段以未來(lái)輸出與參考值偏差最小為目標(biāo)函數(shù)，對(duì)出力計(jì)劃進(jìn)行反饋修正。現(xiàn)有研究多基于日前–日內(nèi)的優(yōu)化模式，在日前階段對(duì)整個(gè)優(yōu)化周期進(jìn)行一次性優(yōu)化并將解序列全部下發(fā)，作為日內(nèi)滾動(dòng)優(yōu)化的參考點(diǎn)。在可再生能源和負(fù)荷預(yù)測(cè)精度較高的情況下，這種優(yōu)化模式能得到很好的效果。但是不確定因素的預(yù)測(cè)精度與預(yù)測(cè)提前時(shí)間成反比關(guān)系[10,12-13]，且預(yù)測(cè)誤差會(huì)根據(jù)預(yù)測(cè)經(jīng)過(guò)的時(shí)間而變化，尤其在預(yù)測(cè)后期，預(yù)測(cè)不確定性較高，影響調(diào)度計(jì)劃的有效性[14]。因此為減小日前–日內(nèi)架構(gòu)對(duì)預(yù)測(cè)精度的依賴以及預(yù)測(cè)誤差對(duì)調(diào)度計(jì)劃的影響，亟需采取微電網(wǎng)日內(nèi)實(shí)時(shí)調(diào)度策略。文獻(xiàn)[15-16]為實(shí)時(shí)解決大規(guī)模風(fēng)電并網(wǎng)時(shí)出力的不確定性以及電力系統(tǒng)優(yōu)化的多目標(biāo)問(wèn)題，提出結(jié)合“分解–協(xié)調(diào)”遞階控制思想的日內(nèi)分層模型預(yù)測(cè)方法，但其研究側(cè)重于大規(guī)模風(fēng)電系統(tǒng)，對(duì)于微電網(wǎng)整體的研究以及儲(chǔ)能系統(tǒng)的作用未涉及。而文獻(xiàn)[17-19]提出基于MPC的兩層決策架構(gòu)，為微電網(wǎng)在并網(wǎng)狀態(tài)和互聯(lián)狀態(tài)下尋求經(jīng)濟(jì)性和穩(wěn)定性提供了新的解決方案,但是不確定性因素和儲(chǔ)能成本對(duì)微電網(wǎng)運(yùn)行的影響考慮不充分。

基于以上考慮，本文采用基于模型預(yù)測(cè)的微電網(wǎng)日內(nèi)分層調(diào)度策略，在日內(nèi)優(yōu)化層中以微電網(wǎng)經(jīng)濟(jì)運(yùn)行為目標(biāo)，為修正層提供參考值；在日內(nèi)修正層中根據(jù)參考值并考慮不確定因素的影響，以修正計(jì)劃與參考值偏差最小為目標(biāo)。通過(guò)所提策略實(shí)時(shí)協(xié)調(diào)電網(wǎng)、可再生能源、負(fù)荷、儲(chǔ)能電池之間的功率分配，減小不確定因素和預(yù)測(cè)誤差對(duì)微電網(wǎng)日內(nèi)優(yōu)化調(diào)度的影響。同時(shí)，為改善鯨魚優(yōu)化算法（whale optimization algorithm，WOA）在計(jì)算速度和精度上的缺陷，文中采用改進(jìn)鯨魚優(yōu)化算法（improved whale optimization algorithm，IWOA）求解所提策略中的滾動(dòng)優(yōu)化問(wèn)題。最后通過(guò)算例驗(yàn)證了所提策略的可行性和有效性。

1 微電網(wǎng)分層模型

如圖1所示，本文微電網(wǎng)結(jié)構(gòu)主要為并網(wǎng)型系統(tǒng)，由多個(gè)獨(dú)立微電網(wǎng)構(gòu)成，每個(gè)微電網(wǎng)都包含風(fēng)力發(fā)電機(jī)、柴油發(fā)電機(jī)、儲(chǔ)能電池以及負(fù)荷。而所提調(diào)度策略旨在使“源–網(wǎng)–荷–儲(chǔ)”間的功率合理分配，以滿足經(jīng)濟(jì)性的調(diào)度計(jì)劃為參考，減小不確定因素以及預(yù)測(cè)誤差對(duì)日內(nèi)優(yōu)化調(diào)度的影響。

圖1 微電網(wǎng)結(jié)構(gòu)

1.1 日內(nèi)優(yōu)化層

在滿足微電網(wǎng)優(yōu)化調(diào)度等式和不等式約束的情況下，日內(nèi)優(yōu)化層根據(jù)最小化運(yùn)行成本指定各單元調(diào)度計(jì)劃。運(yùn)行成本包括儲(chǔ)能電池充放電成本、柴油發(fā)電機(jī)燃料成本以及與大電網(wǎng)功率交互成本。

微電網(wǎng)在優(yōu)化調(diào)度中需要滿足以下等式和不等式約束。

功率平衡約束：

儲(chǔ)能電池約束：

柴油發(fā)電機(jī)輸出功率上下限約束：

柴油發(fā)電機(jī)爬坡約束：

與大電網(wǎng)交互功率上下限約束：

1.2 日內(nèi)修正層

日內(nèi)修正層遵循優(yōu)化層提供的參考值，同時(shí)考慮可再生能源和負(fù)荷的不確定性，以修正后的調(diào)度計(jì)劃與參考值偏差最小為目標(biāo)函數(shù)。

2 改進(jìn)鯨魚優(yōu)化算法

鯨魚優(yōu)化算法（WOA）是模擬鯨魚泡泡網(wǎng)覓食法提出的新型群體智能算法。與其他群體智能算法相比，WOA算法在開發(fā)、搜索、避免局部最優(yōu)和收斂性方面具有較大的優(yōu)勢(shì)，但同樣存在其他群體智能算法的共性問(wèn)題，如計(jì)算精度低、收斂速度慢且易陷入局部最優(yōu)等[20]。通過(guò)引入準(zhǔn)反向?qū)W習(xí)策略、非線性收斂因子策略、自適應(yīng)權(quán)重策略和隨機(jī)差分變異策略能夠克服上述缺陷[21]。改進(jìn)鯨魚優(yōu)化算法IWOA主要包括初始化種群、包圍捕食、螺旋更新、獵物搜尋和隨機(jī)差分變異。

2.1 初始化種群

WOA算法隨機(jī)初始化的種群不能保證解的有效性，從而影響計(jì)算速度和精度。因此，通過(guò)準(zhǔn)反向?qū)W習(xí)策略形成種群，將隨機(jī)種群與準(zhǔn)反向?qū)W習(xí)種群結(jié)合形成新種群，并根據(jù)適應(yīng)度函數(shù)求取優(yōu)化種群。

最后，提出隨機(jī)解與準(zhǔn)反向解的擇優(yōu)機(jī)制，將隨機(jī)產(chǎn)生的個(gè)個(gè)體與準(zhǔn)反向?qū)W習(xí)產(chǎn)生的個(gè)個(gè)體進(jìn)行合并，并根據(jù)適應(yīng)度函數(shù)進(jìn)行擇優(yōu)處理，保證種群較快收斂到全局最優(yōu)解。

2.2 包圍捕食、螺旋更新和獵物搜尋

在IWOA算法中，引入改進(jìn)局部搜索能力的自適應(yīng)權(quán)重策略和平衡全局搜索能力與局部開發(fā)能力的非線性收斂因子策略，其詳細(xì)內(nèi)容如下。

在包圍捕食階段，假設(shè)當(dāng)前最優(yōu)鯨魚個(gè)體為獵物，其他個(gè)體均向最優(yōu)鯨魚個(gè)體逼近。則包圍捕食階段的數(shù)學(xué)模型為：

式中：為當(dāng)前迭代次數(shù)；()為當(dāng)前鯨魚個(gè)體的位置向量；()為當(dāng)前最優(yōu)鯨魚個(gè)體的位置向量；為自適應(yīng)權(quán)重；其中，、和的數(shù)學(xué)模型為：

式中：1和2為[0,1]之間的隨機(jī)數(shù)；Max為最大迭代次數(shù)；為非線性收斂因子，其數(shù)學(xué)模型為：

在螺旋更新階段，鯨魚個(gè)體游走逼近獵物時(shí)需要先計(jì)算與獵物之間的距離，然后以螺旋方式更新位置，其數(shù)學(xué)模型為：

式中：與式（15）一致；是定義對(duì)數(shù)螺旋形狀的常數(shù)；為[–1,1]之間的隨機(jī)數(shù)。

為了描述鯨魚個(gè)體包圍捕食的同時(shí)螺旋逼近獵物，引入概率來(lái)判斷鯨魚個(gè)體所采取的位置更新方式，其數(shù)學(xué)模型為：

式中：為[0,1]之間的隨機(jī)數(shù)。

在搜尋獵物階段，鯨魚個(gè)體無(wú)法獲取獵物位置信息，需采取式（22）之外的隨機(jī)捕食方式。通過(guò)||的值判斷是搜索獵物階段還是上述捕食階段，即||≥1時(shí)，鯨魚個(gè)體需要采用隨機(jī)方式嘗試搜尋獵物的位置信息，其數(shù)學(xué)模型為：

式中：rand()為從當(dāng)前鯨魚種群中隨機(jī)選取的個(gè)體位置向量。

2.3 隨機(jī)差分變異

WOA算法在后期易陷入局部最優(yōu)，出現(xiàn)早熟收斂的情況。為此，引入避免陷入局部最優(yōu)的隨機(jī)差分變異策略，其數(shù)學(xué)模型為：

式中：′()為種群中隨機(jī)選取的鯨魚個(gè)體；3和4是[0,1]之間的隨機(jī)數(shù)。

在包圍捕食或螺旋更新時(shí)，鯨魚個(gè)體采用自適應(yīng)權(quán)重策略進(jìn)行位置更新，之后采用隨機(jī)差分變異策略再次進(jìn)行更新，取變化前后的最優(yōu)位置，加快種群收斂，防止陷入局部最優(yōu)。IWOA算法流程如圖2所示。

圖2 改進(jìn)鯨魚優(yōu)化算法

3 基于MPC的微電網(wǎng)日內(nèi)分層調(diào)度

3.1 MPC基本理論

MPC是一種基于模型的有限時(shí)域閉環(huán)控制算法，其核心思想包括模型預(yù)測(cè)、滾動(dòng)優(yōu)化、反饋校正[22]3個(gè)環(huán)節(jié)。由于MPC可以處理具有時(shí)變性、非線性和約束問(wèn)題，能夠及時(shí)修正由模型失配、干擾等引起的不確定性問(wèn)題[13]，使其實(shí)際控制性能得以提高，并且被應(yīng)用在含有不確定因素的微電網(wǎng)優(yōu)化調(diào)度中。

MPC具體過(guò)程：在當(dāng)前時(shí)刻，以當(dāng)前狀態(tài)和預(yù)測(cè)模型預(yù)測(cè)系統(tǒng)未來(lái)有限時(shí)域的狀態(tài)；在變量約束范圍內(nèi)求解優(yōu)化問(wèn)題，得到未來(lái)預(yù)測(cè)時(shí)域內(nèi)的最優(yōu)控制解序列，并將序列中第一個(gè)解作用于系統(tǒng)；下一時(shí)刻，基于當(dāng)前時(shí)刻的最新狀態(tài)重復(fù)上述過(guò)程。

3.2 基于MPC的微電網(wǎng)日內(nèi)分層調(diào)度

日內(nèi)分層調(diào)度過(guò)程如圖3所示，優(yōu)化層調(diào)度每15 min啟動(dòng)一次，每次給出未來(lái)4 h的調(diào)度計(jì)劃，但每次只執(zhí)行第一個(gè)時(shí)刻的調(diào)度計(jì)劃；而修正層每5 min啟動(dòng)一次，每次給出未來(lái)15 min的調(diào)度計(jì)劃，同理，每次只執(zhí)行第一個(gè)時(shí)刻的調(diào)度計(jì)劃[23]。所提分層決策中各層間的聯(lián)系體現(xiàn)在通過(guò)求解一層決策而影響另一層決策，以此得到每個(gè)時(shí)間區(qū)間的控制動(dòng)作，即：優(yōu)化層僅將修正層對(duì)應(yīng)時(shí)域內(nèi)的調(diào)度計(jì)劃下發(fā)，作為修正層參考值；而修正層根據(jù)參考值并考慮不確定因素影響，修正控制量，最終將微電網(wǎng)實(shí)時(shí)狀態(tài)返給修正層和優(yōu)化層，作為下一時(shí)刻的初始狀態(tài)。

圖3 日內(nèi)分層調(diào)度過(guò)程

優(yōu)化層將儲(chǔ)能電池剩余能量作為狀態(tài)變量，短期風(fēng)力發(fā)電機(jī)輸出功率和負(fù)荷功率的負(fù)值作為擾動(dòng)變量，柴油發(fā)電機(jī)輸出功率和與大電網(wǎng)交互功率作為控制變量，建立基于儲(chǔ)能電池剩余能量的狀態(tài)空間模型：

式中：a為儲(chǔ)能電池剩余能量自損耗系數(shù)；1為優(yōu)化層時(shí)間間隔。

修正層將儲(chǔ)能電池剩余能量作為狀態(tài)變量，超短期風(fēng)力發(fā)電機(jī)輸出功率和負(fù)荷功率的負(fù)值作為擾動(dòng)變量，柴油發(fā)電機(jī)輸出功率和與大電網(wǎng)交互功率作為控制變量，建立基于儲(chǔ)能電池剩余能量的狀態(tài)空間模型：

式中：2為修正層時(shí)間間隔。

由于儲(chǔ)能系統(tǒng)存儲(chǔ)和輸出的雙向功能，使其在解決微電網(wǎng)自身以及微電網(wǎng)和大電網(wǎng)之間功率不平衡問(wèn)題時(shí)被廣泛考慮，并且在MPC中，狀態(tài)變量是與上一時(shí)刻狀態(tài)值相關(guān)的變量，因此選取儲(chǔ)能剩余能量作為狀態(tài)變量。為減小不確定因素和預(yù)測(cè)誤差對(duì)微電網(wǎng)優(yōu)化調(diào)度的影響，采用風(fēng)電出力和負(fù)荷功率作為擾動(dòng)變量，從而根據(jù)目標(biāo)函數(shù)求取柴油發(fā)電機(jī)輸出功率和與大電網(wǎng)交互功率的最優(yōu)值。

將上述基于MPC的日內(nèi)分層調(diào)度策略應(yīng)用于微電網(wǎng)優(yōu)化調(diào)度中，采用IWOA算法求解優(yōu)化問(wèn)題。其具體流程如圖4所示。

圖4 基于MPC的微電網(wǎng)日內(nèi)分層調(diào)度

4 算例分析

本文以3個(gè)獨(dú)立微電網(wǎng)構(gòu)成的并網(wǎng)系統(tǒng)為例進(jìn)行分析，其中單個(gè)微電網(wǎng)的拓?fù)浣Y(jié)構(gòu)如圖1所示。各微電網(wǎng)分布式電源參數(shù)如表1所示，且微電網(wǎng)儲(chǔ)能電池剩余能量自損耗系數(shù)均為0.9。優(yōu)化層每15 min啟動(dòng)一次，1=0.25，修正層每5 min啟動(dòng)一次，2=1/12。對(duì)于偏差權(quán)重的選取參考文獻(xiàn)[17]，α=2，β=10，γ=20。采用MATLAB進(jìn)行編程，求解基于MPC的微電網(wǎng)日內(nèi)分層調(diào)度問(wèn)題。

表1 微電網(wǎng)分布式電源參數(shù)

4.1 仿真結(jié)果

文中優(yōu)化層96個(gè)時(shí)刻的調(diào)度計(jì)劃以及修正層288個(gè)時(shí)刻的調(diào)度計(jì)劃如圖5~8所示，其中，圖5是優(yōu)化層儲(chǔ)能剩余能量，圖6是修正層儲(chǔ)能剩余能量，圖7是優(yōu)化層有功出力，圖8是修正層有功出力。

圖5 優(yōu)化層儲(chǔ)能剩余能量

以MG3為例，在各變量約束范圍內(nèi)，基于修正層第141個(gè)時(shí)刻提供的最新狀態(tài)變量以及優(yōu)化層第48個(gè)時(shí)刻預(yù)測(cè)時(shí)域內(nèi)的擾動(dòng)變量數(shù)據(jù)，為滿足系統(tǒng)在預(yù)測(cè)時(shí)域內(nèi)經(jīng)濟(jì)最優(yōu)，柴油發(fā)電機(jī)輸出功率應(yīng)為213.4 kW，與大電網(wǎng)交互功率應(yīng)為50.98 kW，儲(chǔ)能剩余能量為394.4 kW·h；在各變量約束范圍內(nèi)，基于優(yōu)化層所提供的參考值和修正層第142個(gè)時(shí)刻預(yù)測(cè)時(shí)域內(nèi)的擾動(dòng)變量數(shù)據(jù)，為使考慮不確定因素后的調(diào)度計(jì)劃與參考值偏差最小，柴油發(fā)電機(jī)輸出功率應(yīng)為140.1 kW，與大電網(wǎng)交互功率應(yīng)為51.65 kW，儲(chǔ)能剩余能量應(yīng)為383.7 kW·h。

圖6 修正層儲(chǔ)能剩余能量

圖7 優(yōu)化層有功出力

圖8 修正層有功出力

4.2 經(jīng)濟(jì)性對(duì)比分析

為了驗(yàn)證本文調(diào)度模型中所提IWOA的優(yōu)勢(shì)，將其與WOA在經(jīng)濟(jì)性方面進(jìn)行比較。IWOA算法的改進(jìn)之處主要是自適應(yīng)權(quán)重策略和隨機(jī)差分變異策略，同時(shí)，考慮了準(zhǔn)反向?qū)W習(xí)策略和非線性收斂因子策略。其改進(jìn)既保證了計(jì)算速度，又提高了計(jì)算精度，同時(shí)避免了陷入局部最優(yōu)。從圖9中可以看出，IWOA算法在大多數(shù)時(shí)刻的運(yùn)行成本比WOA算法要低。日內(nèi)總運(yùn)行成本比WOA算法的日內(nèi)總運(yùn)行成本低19.66%。

圖9 基于IWOA和WOA的運(yùn)行成本比較

4.3 跟蹤性對(duì)比分析

為了驗(yàn)證本文所提調(diào)度模型的跟蹤性能，將修正層修正后的調(diào)度計(jì)劃與優(yōu)化層提供的調(diào)度計(jì)劃進(jìn)行比較。如圖10~12所示，所提調(diào)度模型具有較好的跟蹤性能。其中，縱軸表示各微電網(wǎng)的儲(chǔ)能剩余能量、柴油機(jī)輸出功率以及與電網(wǎng)交互功率。文中將滿足經(jīng)濟(jì)性的調(diào)度計(jì)劃作為參考值，以修正計(jì)劃與參考值偏差最小為目標(biāo)，根據(jù)偏差權(quán)重系數(shù)合理分配各單元出力。

圖10 MG1跟蹤效果對(duì)比

圖11 MG2跟蹤效果對(duì)比

圖12 MG3跟蹤效果對(duì)比

5 結(jié)論

本文提出了一種基于模型預(yù)測(cè)的微電網(wǎng)日內(nèi)分層調(diào)度策略，該策略采用優(yōu)化層和修正層的結(jié)構(gòu)，優(yōu)化層以微電網(wǎng)經(jīng)濟(jì)運(yùn)行為目標(biāo)，修正層以解決不確定因素影響為目標(biāo)，能夠減小不確定因素和預(yù)測(cè)誤差對(duì)微電網(wǎng)日內(nèi)優(yōu)化調(diào)度的影響。同時(shí)，為克服WOA算法收斂速度和計(jì)算精度低且易陷入局部最優(yōu)的缺點(diǎn)，提出基于準(zhǔn)反向?qū)W習(xí)策略、非線性收斂因子策略、自適應(yīng)權(quán)重策略和隨機(jī)差分變異策略的改進(jìn)鯨魚優(yōu)化算法。通過(guò)算例驗(yàn)證，本文提出的基于模型預(yù)測(cè)的微電網(wǎng)日內(nèi)分層調(diào)度方法具有較好的可行性和有效性。

[1] ZHANG J, FAN L Q, ZHANG Y, et al. A probabilistic assessment method for voltage stability considering large scale correlated stochastic variables[J]. IEEE Access, 2020, 8: 5407-5415.

[2] 夏超英, 苗海麗. 基于二次型最優(yōu)控制的微電網(wǎng)實(shí)時(shí)能量管理策略[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(3): 721-730. XIA CHAOYING, MIAO HAILI. Real-time energy management strategy for micro-grid based on the quadratic optimal control theory[J]. Proceedings of the CSEE, 2019, 39(3): 721-730(in Chinese).

[3] WANG J H, WANG M H, LI H P. Energy management strategy for microgrid including hybrid energy storage[C]// 2018 Asian Conference on Energy. Power and Transportation Electrification(ACEPT). Singapore: IEEE, 2018: 1-6.

[4] MONESHA S, KUMAR S G, RIVERA M. Methodologies of energy management and control in microgrid[J]. IEEE Latin America Transactions , 2018, 16(9): 2345-2353.

[5] 陳靜川, 蔡澤祥, 馬國(guó)龍. 計(jì)及不確定性耦合與負(fù)荷需求管理的孤島微電網(wǎng)電源容量?jī)?yōu)化[J]. 南方電網(wǎng)技術(shù), 2020, 14(7): 46-55. CHEN JINGCHUAN, CAI ZEXIANG, MA GUOLONG. Power capacity optimization of islanded microgrid considering uncertainty coupling and load demand management[J]. Southern Power System Technology, 2020, 14(7): 46-55(in Chinese).

[6] 靳小龍, 穆云飛, 賈宏杰, 等. 集成智能樓宇的微網(wǎng)系統(tǒng)多時(shí)間尺度模型預(yù)測(cè)調(diào)度方法[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(16): 25-33. JIN XIAOLONG, MU YUNFEI, JIA HONGJIE, et al. Model predictive control based multiple-time- scheduling method for microgrid system with smart buildings integrated[J]. Automation of Electric Power Systems, 2019, 43(16): 25-33(in Chinese).

[7] 肖浩, 裴瑋, 孔力. 基于模型預(yù)測(cè)控制的微電網(wǎng)多時(shí)間尺度協(xié)調(diào)優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(18): 7-14. XIAO HAO, PEI WEI, KONG LI. Multi-time scale coordinated optimal dispatch of microgrid based on model predictive control[J]. Automation of Electric Power Systems, 2016, 40(18): 7-14(in Chinese).

[8] BIFARETTI S, BONAIUTO V, BRUNI G, et al. Domestic microgrid energy management: model predictive control strategies ex-perimental validation[C]// 2015 IEEE 15th International Conference on Environment and Electrical Engineering(EEEIC). Rome, Italy: IEEE, 2015: 2221-2225.

[9] 孟洪民, 劉迪, 李強(qiáng), 等. 考慮蓄電池健康的微電網(wǎng)群模型預(yù)測(cè)控制能量管理策略[J]. 電力自動(dòng)化設(shè)備, 2019, 39(6): 88-95. MENG HONGMIN, LIU DI, LI QIANG, et al. Energy management strategy based on model predictive control of microgrid cluster considering battery health[J]. Electric Power Automation Equipment, 2019, 39(6): 88-95(in Chinese).

[10] 李振坤, 崔靜, 路群, 等. 基于時(shí)序動(dòng)態(tài)約束的主動(dòng)配電網(wǎng)滾動(dòng)優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(16): 17-24. LI ZHENKUN, CUI JING, LU QUN, et al. Rolling optimal scheduling of active distribution network based on sequential dynamic constraints[J]. Automation of Electric Power Systems, 2019, 43(16): 17-24(in Chinese).

[11] 任佳依, 顧偉, 王勇, 等. 基于模型預(yù)測(cè)控制的主動(dòng)配電網(wǎng)多時(shí)間尺度有功無(wú)功協(xié)調(diào)調(diào)度[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(5): 1397-1407. REN JIAYI, GU WEI, WANG YONG, et al. Multi-time scale active and reactive power coordinated optimal dispatch in active distribution network based on model predictive control[J]. Proceedings of the CSEE, 2018, 38(5): 1397-1407(in Chinese).

[12] 董雷, 陳卉, 蒲天驕, 等. 基于模型預(yù)測(cè)控制的主動(dòng)配電網(wǎng)多時(shí)間尺度動(dòng)態(tài)優(yōu)化調(diào)度[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(17): 4609-4616. DONG LEI, CHEN HUI, PU TIANJIAO, et al. Multi-time scale dynamic optimal dispatch in active distribution network based on model predictive control[J]. Proceedings of the CSEE, 2016, 36(17): 4609-4616(in Chinese).

[13] YANG H Q, PU Y C, QIU Y B. Multi-time scale integration of robust optimization with MPC for islanded hydrogen-based microgrid[C]// 2019 IEEE Sustainable Power and Energy Conference(ISPEC). Beijing, China: IEEE, 2019: 1163-1168.

[14] RUIZ-CORTéS M, GONZáLEZ-ROMERA E, LOPES R A. Improved forecasting-based battery energy management strategy for prosumer systems[C]// IECON 2018 - 44th Annual Conference of the IEEE Industrial Electronics Society. WashingtonD.C., USA: IEEE, 2018: 6077-6082.

[15] 張伯明, 陳建華, 吳文傳. 大規(guī)模風(fēng)電接入電網(wǎng)的有功分層模型預(yù)測(cè)控制方法[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(9): 6-14. ZHANG BOMING, CHEN JIANHUA, WU WENCHUAN. A hierarchical model predictive control method of active power for accommodating large-scale wind power integration[J]. Automation of Electric Power Systems, 2014, 38(9): 6-14(in Chinese).

[16] 朱廣偉, 藺紅. 基于分層模型預(yù)測(cè)控制的源荷協(xié)調(diào)控制策略研究[J]. 可再生能源, 2019, 37(10): 1453-1458. ZHU GUANGWEI, LIN HONG. Study on source-load coordination control strategy based on hierarchical model predictive control[J]. Renewable Energy Resources, 2019, 37(10): 1453-1458(in Chinese).

[17] MINCIARDI R, ROBBA M. A bilevel approach for the stochastic optimal operation of interconnected microgrids[J]. IEEE Transactions on Automation Science and Engineering, 2017, 14(2): 482-493.

[18] DELFINO F, MINCIARDI R, PAMPARARO F, et al. A multilevel approach for the optimal control of distributed energy resources and storage[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 2155-2162.

[19] LEGRY M, COLAS F, SAUDEMONT C, et al. A two-layer model predictive control based secondary control with economic performance tracking for islanded microgrids [C]// IECON 2018 - 44th Annual Conference of the IEEE Industrial Electronics Society. WashingtonD.C., USA: IEEE, 2018: 77-82.

[20] HOU G L, GONG L J, YANG Z L, et al. Multi-objective economic model predictive control for gas turbine system based on quantum simultaneous whale optimization algorithm[J]. Energy Conversion and Management, 2020, 207: 112498.

[21] 武澤權(quán), 牟永敏. 一種改進(jìn)的鯨魚優(yōu)化算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2020, 37(12): 3618-3621. WU ZEQUAN, MU YONGMIN. Improved whale optimization algorithm[J]. Application Research of Computers, 2020, 37(12): 3618-3621(in Chinese).

[22] 竇曉波, 曉宇, 袁曉冬, 等. 基于改進(jìn)模型預(yù)測(cè)控制的微電網(wǎng)能量管理策略[J]. 電力系統(tǒng)自動(dòng)化, 2017, 41(22): 56-65. DOU XIAOBO, XIAO YU, YUAN XIAODONG, et al. Energy management strategy based on improved model predictive control for microgrid[J]. Automation of Electric Power Systems, 2017, 41(22): 56-65(in Chinese).

[23] 吳成輝, 林聲宏, 夏成軍, 等. 基于模型預(yù)測(cè)控制的微電網(wǎng)群分布式優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2020, 44(2): 530-538. WU CHENGHUI, LIN SHENGHONG, XIA CHENGJUN, et al. Distributed optimal dispatch of microgrid cluster based on model predictive control[J]. Power System Technology, 2020, 44(2): 530-538(in Chinese).

Research on Intra-day Hierarchical Dispatching of Microgrid Based on Model Prediction

ZHANG Heng1, ZHANG Jing1, XIAO Yingqun2, HE Yu1, LIU Ying3, FAN Luqin1

(1. The Electrical Engineering College, Guizhou University, Guiyang 550025, China; 2. School of Big Data, Guizhou Institute of Technology, Guiyang 550003, China; 3. Power Grid Planning Research Center, Guizhou Power Grid Corporation, Guiyang 550001, China)

With the large-scale integration of renewable energy, renewable energy and load uncertainties have brought huge challenges to the optimal dispatching of microgrid. This paper proposes a hierarchical dispatching model for microgrid based on model prediction, and adopts predictive control strategies of the hierarchical model to realize the intra-day coordinated operation of “generation-grid-load-storage”. The intra-day optimization layer takes the minimum operating cost as the objective function to provide reference values for the intra-day correction layer; the intra-day correction layer takes the minimum deviation between the revised scheduling plan and the reference value as the objective function, and forms a feedback based on the error between the predictive output and the actual measured output to solve the influence of uncertain factors on optimal scheduling. At the same time, in order to improve the calculation speed and accuracy, an improved whale optimization algorithm is introduced into the model predictive control. The results of calculation examples show that the intra-day hierarchical dispatching strategy of microgrid based on model prediction is feasible and effective.

uncertain factors; hierarchical model predictive control; intra-day coordinated operation; error feedback; improved whale optimization algorithm

TM73

A

1672-0792(2021)04-0001-10

10.3969/j.ISSN.1672-0792.2021.04.001

2020-12-15

國(guó)家自然科學(xué)基金（51867005）；貴州省科技計(jì)劃項(xiàng)目（[2018]5615）；貴州省科技計(jì)劃項(xiàng)目（[2018]5781）

張 恒（1995—），男，碩士研究生，研究方向?yàn)槲㈦娋W(wǎng)優(yōu)化調(diào)度；

張 靖（1979—），男，教授，研究方向?yàn)殡娏ο到y(tǒng)穩(wěn)定、運(yùn)行與控制；

肖迎群（1975—），男，副教授，研究方向?yàn)楦呔S數(shù)據(jù)分析、機(jī)器學(xué)習(xí)；

何 宇（1978—），女，副教授，研究方向?yàn)殡娏ο到y(tǒng)規(guī)劃、電力系統(tǒng)穩(wěn)定與運(yùn)行等；

劉 影（1978—），男，高級(jí)工程師，主要從事電力系統(tǒng)規(guī)劃；

范璐欽（1995—），女，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制。

張 靖