一种考虑冲击负荷的虚拟电厂两阶段优化调度方法

1.本发明涉及电力系统领域，特别是一种考虑冲击负荷的虚拟电厂两阶段优化调度方法
技术背景
2.大力发展和使用可再生分布式电源，提高综合能源利用效率成为当今的热点研究话题。新能源发电具有天然的间歇性和波动性，其大规模并网，必将加剧电源供给和负荷需求的不平衡。虚拟电厂(virtual power plant，vpp)技术为解决此类问题应运而生。vpp利用先进的通信技术，可将不同地域的新能源以及其它分布式电源联系在一起，通过协调优化调度策略，使得出力不稳定的新能源在电力市场竞价中保有一定的竞争力


技术实现要素：

3.本发明提供一种考虑冲击负荷的虚拟电厂两阶段优化调度方法，其有利于通过虚拟电厂优化调度应对冲击负荷，并提高虚拟电厂运行经济性。
4.本发明采用技术方案：一种考虑冲击负荷的虚拟电厂两阶段优化调度方法，其包括步骤：
5.(1)建立包括风电、燃气轮机、蓄电池储能的能源供给侧模型，设计冲击负荷下虚拟电厂优化调度的目标函数及约束条件，基于粒子群形成日前优化调度计划；
6.(2)日内调度以功率平衡为目的，基于调控时段风电功率与系统净负荷变化的一致性指标，确定日内可控资源的调控量；
7.(3)基于集合经验模态分解将日内调控量分解为高低频分量，高频分量作为蓄电池的功率指令，低频分量作为燃气轮机的功率指令；
8.(4)基于模型预测控制的日内滚动优化校正策略，应对风电及负荷预测误差带来的联络线功率波动，同时确保储能满足日运行能量平衡约束。
9.将多类型分布式资源集成为虚拟电厂，能够发挥不同类型资源的优势，实现资源的互补共济。本发明中并网型虚拟电厂资源包括：风电、燃气轮机、蓄电池储能。
10.虚拟电厂优化调度以最大化利润为目标，目标函数为：
[0011][0012]
式中：f1为虚拟电厂利润；i
l，t
、i
e、t
、i
es，t
分别为负荷、电力交易、蓄电池储能收益；c
gt，t
、c
wp，t
为燃气轮机、风机运维成本；δt为一个调度时段，日前调度为1h；α
l
为负荷电价，
p
l，t
为负荷功率；λ
e
为0
‑
1变量，1表示售电，0表示购电，α
se
、α
be
为与大电网售电、购电价格， p
se，t
、p
be，t
为与大电网售电、购电功率；λ
es
为0
‑
1变量，1表示放电，0表示充电，α
c
、α
d
为充放电电价，p
es，t
为充放电功率，放电为正，充电为负，μ
es
为蓄电池折旧补偿系数；α
gt
为燃气轮机运维成本系数，α
′
gt
为燃气轮机应对冲击负荷增发功率运维成本系数，p
gt，t
、δp
gt，t
为燃气轮机发电功率、应对冲击负荷增发功率，λ
gt
为0
‑
1变量，1表示起机，0表示停机， c
q
、c
t
为启停机费用；α
wp
为风机运维成本系数，p
wp，t
风机功率。
[0013]
虚拟电厂运行主要包括以下约束条件
[0014]
(1)虚拟电厂功率平衡约束
[0015][0016]
式中：p
gt，t
、p
wp，t
、p
l，t
分别为燃气轮机、风电、负荷功率；为蓄电池充放电功率；为虚拟电厂从大电网购入、出售功率。
[0017]
(2)燃气轮机约束
[0018][0019][0020]
其中：为燃气轮机出力上下限；为燃气轮机功率上升、下降的爬坡率。
[0021]
(3)蓄电池约束
[0022][0023]
式(5)为储能设备运行功率约束，其中为蓄电池最大充放电功率；为0
‑
1变量，表征储能设备的充放电状态。
[0024][0025]
式(6)为蓄电池剩余容量约束条件，其中，e
es，t
、e
es，t
‑
δt
分别为t时刻、t
‑
δt时刻蓄电池剩余容量；e
es，min
、e
es，max
为剩余容量上下限；为充放电功率；η
es
为充放电效率；δt为计算步长。
[0026]
虚拟电厂运行以经济性最优为目标，考虑约束条件，采用粒子群算法，完成日前优化调度，得到燃气轮机，风电，蓄电池，联络线功率出力计划。
[0027]
虚拟电厂优化日内优化调度调控策略制定的基本前提条件是：在判断有关考察指标是否超出阈值及是否进行后续优化调控的初期阶段，调控系统根据日前优化调度计划可获得未来时段风电功率整体预测值、电网负荷预测值、燃气轮机发电计划，以作为优化调控建模和调控量计算的基础信息；系统内有一定容量的燃气轮机旋转备用、储能设备资源，作为调控量再分配的具体调控措施或对象。
[0028]
定义虚拟电厂调控一致性指标，某功率信号i的变化速率为：
[0029][0030]
分别为信号i在t时刻、t
‑
1时刻的采样值；δt为计算功率变化速率周期；n为考察时窗包含的总采样点数，时窗跨度为nδt。
[0031]
功率信号i变化速率的相对值为：
[0032][0033]
式中：p
ib
为信号i功率的最大值，对待研究的风电场功率信号，该值取装机容量，对负荷功率信号，该值可取日最大负荷或更长时间级的最大负荷值。
[0034]
对功率信号i、j定义集合
[0035][0036]
一致性指标定义为：
[0037][0038]
n为考察时窗包含的总采样点数，i
b
越接近于0，说明2个功率信号在考察时窗内的变化特性越一致；反之，两信号变化的不一致性越高。
[0039]
基于功率平衡的虚拟电厂调控策略的目的是为了冲击负荷下使系统发电功率与负荷需求尽可能地保持平衡。
[0040]
调控初始阶段，利用风电功率、负荷的预测信息及燃气轮机发电计划，计算下一调控时段中第t时刻系统功率不平衡量(认为第t
‑
1时刻系统功率为平衡状态)，即：
[0041][0042]
式中：分别为负荷、联络线功率、风电出力、燃气轮机出力的变化量；为时段t相对于时段t
‑
1的待调控量，没有调控时，其值为0。
[0043]
功率变化化为相对值：
[0044][0045]
式中：p
wb
为日最大负荷值
[0046]
考虑系统功率平衡需求时，风电功率与负荷变化一致性指标阈值为
[0047][0048]
ε
pmin
为功率不平衡量限制，根据系统频率误差及待考察区域的系统功
‑
频静特性系数整定。
[0049]
该调控时段风电功率与系统净负荷变化的一致性指标为
[0050][0051]
n为考察时窗包含的总采样点数。当i
al
≤i
alcr
时，认为该调控时段风电功率的变化情况满足系统功率平衡要求。
[0052]
基于eemd的调控功率分配，大功率脉动负荷有短时的峰值，功率分布不均，使得待调控功率存在较大的功率波动。燃气轮机出力平稳，能量密度高，能很好满足电力高峰时的需求，但燃气轮机受爬坡率限制，不能实现快速的升降负荷；蓄电池储能在轻负荷时将能量存储起来，在冲击负荷到来时释放能量，蓄电池放电迅速，短时间内可以放出较大电量，可应对频繁波动的冲击负荷。
[0053]
采用基于集合经验模态分解(ensemble empirical mode decomposition，eemd)方法，实现调控功率的自适应分解，得到燃气轮机出力变化和储能系统充、放电功率指令，对原始调控功率进行eemd分解步骤如下：
[0054]
(1)在原始功率信号中加入高斯白噪声信号δ
t
，得到一个常用信号δp
t
即：
[0055][0056]
(2)对信号δp
t
进行emd分解，得到固有模态函数(imf)分量
[0057][0058]
式中，为残余信号；为第i(i＝1，2，
…
，n)层固有模态函数imf，并按照频率从高到低的顺序进行分布。
[0059]
(3)高斯白噪声信号第j次加入原始信号重复进行步骤(1)、步骤(2)
[0060][0061]
式中，为第j次加入高斯白噪声后分解得到的第i个imf分量。
[0062]
(4)根据不相关随机序列统计均值为零的原理，对进行整体平均，使得多次加入的白噪声对imf的影响相互抵消，则最终功率信号可分解为i个imf分量。
[0063][0064]
在进行eemd分解时，加入的高斯白噪声信号数量满足统计规律。
[0065][0066]
式中，ε为高斯白噪声信号的幅值；n为加入高斯白噪声信号的整体平均次数；ε
n
为原始信号与经eemd分解后重构信号之间的误差。从式(19)中可知：若高斯白噪声信号幅值ε选取一定时，整体平均次数n越大，ε
n
越小，即高斯白噪声信号对原始风功率信号的影响越小，最终分解的imf经过重构后越接近原始信号；若n不变，ε选取越小，会使信噪比变高，削弱噪声对原始信号高频部分产生的互补作用。
[0067]
(5)经eemd分解后重构信号可表示为：
[0068][0069]
固有模态函数imf本身是具有能量的，从能量熵的角度出发，根据eemd的算法，能量越大的imf分量所占权重比越大。因此在分量和余项表达式求解之后，引入能量熵的概念，将 imf能量差值最大的作为一个分界点。假设每一阶imf能量熵分别为e
i
，总的能量为e，在公式计算中一般不加入余项的能量。
[0070][0071]
式中n为采样点数。将imf能量做归一化处理得到：
[0072][0073][0074]
相邻两个imf的能量熵的差值越大，表明其能量占比也就越大，用于区别高频段和低频段。通过相邻imf能量熵的变换值作为一个标准阶次k，将熵值变化最大的阶次作为此时高、低频率对应的标准阶次k，将k之前的高频分量作为蓄电池的功率指令，k之后的低频分量作为燃气轮机的功率指令。
[0075][0076]
式中：为蓄电池功率指令；为燃气轮机功率指令；n为imf的总数。
[0077]
模型预测控制是一种基于模型的闭环优化控制方法，其算法的核心思想是滚动时域策略。该策略主要包括以下几步：
[0078]
(1)在当前时刻k和当前状态x(k)，基于一定的预测模型，预测系统未来的状态，同时考虑当前和未来的约束条件，通过解决优化问题，得到未来k+1，k+2，
…
，k+m时刻的控制指令序列；
[0079]
(2)将控制指令序列的第一个值应用于控制系统；
[0080]
(3)在k+1时刻，更新状态为x(k+1)，重复上述操作步骤。
[0081]
可见，经济模型预测控制就是不断滚动的局部优化和不断滚动实施控制作用的交替过程。
[0082]
具体到虚拟电厂日内优化调度问题，以一包含燃气轮机、蓄电池储能装置、风电机组、负荷等构成的并网型虚拟电厂为例，根据虚拟电厂每时段的功率平衡方程及储能剩余电量迭代方程，选取燃气轮机出力、储能充放电功率、储能剩余电量，以及虚拟电厂与外电网的联络线交换功率构成的向量x(k)＝[p
mt
(k)，p
es
(k)，e
es
(k)，p
e
(k)]为状态变量；以燃气轮机和蓄电池储能的出力增量构成的向量u(k)＝[δp
mt
(k)，δp
es
(k)]为控制变量；以负荷、风电机组超短期预测功率增量构成的向量r(k)＝[δ
pl
(k)，δp
wp
(k)]为扰动输入；以燃气轮机出力及联络线交换功率构成的向量y(k)＝[p
mt
(k)，p
e
(k)]为输出变量，则可建立如下的多输入、多输出状态空间模型：
[0083][0084]
其中
[0085]
基于风电和负荷的超短期功率预测数据，通过对该状态空间预测模型反复迭代，直到向前预测m步，便可得到燃气轮机和联络线功率在预测时长mδt内的预估输出值构成的向量y，表述如下式所示：
[0086]
y＝[p
mt
(k+δt)，p
e
(k+δt)，
…
，p
mt
(k+mδt)，p
e
(k+mδt)](26)
[0087]
取当前时刻向前mδt时段内，燃气轮机出力和联络线功率日前计划值构成的向量g为跟踪控制目标，其中g可描述如下：
[0088][0089]
接着，以燃气轮机和联络线功率预估输出值与日前计划值之间的误差最小为目标，同时保证各机组控制调节增量尽量小，这样便可将对应的日内滚动优化调度转化为如下所示的二次规划问题：
[0090]
j＝(g
‑
y)
t
h(g
‑
y)+u
t
qu(28)
[0091]
其中为燃气轮机和联络线功率跟踪误差的权重系数矩阵；q为控制量的权重系数矩阵。
[0092]
本发明提供的技术方案具有的有益效果如下：通过引入虚拟电厂技术，将区域风电、燃气轮机与储能设备集成为虚拟电厂，设计冲击负荷下虚拟电厂日前优化调度，日内调度考虑风电功率与系统净负荷变化的一致性指标，利用集合经验模态分解分配调控量功率指令，运用模型预测制定日内调度计划，实现虚拟电厂经济运行的同时，有效的抑制了联络线的功率波动。
附图说明
[0093]
下面结合附图对本发明作进一步说明：
[0094]
图1为本发明的流程图；
[0095]
图2为集合经验模态分解算法步骤流程图；
[0096]
图3为风电负荷预测曲线图；
[0097]
图4为虚拟电厂日前优化调度曲线图；
[0098]
图5为燃气轮机日前日内出力曲线图；
[0099]
图6为联络线功率日前日内曲线图；
具体实施方案
[0100]
为了更好地理解本发明的目的、技术方案及技术效果，以下结合附图对本发明进行进一步的讲解说明。
[0101]
将多类型分布式资源集成为虚拟电厂，能够发挥不同类型资源的优势，实现资源的互补共济。本发明中并网型虚拟电厂资源包括，风电、燃气轮机、蓄电池储能。
[0102]
本发明提出了一种考虑冲击负荷的虚拟电厂两阶段优化调度方法，如图1所示，其实施流程包括如下详细步骤。
[0103]
步骤1建立包括风电、燃气轮机、蓄电池储能的能源供给侧模型，设计冲击负荷下虚拟电厂优化调度的目标函数及约束条件，基于粒子群形成日前优化调度计划；
[0104]
虚拟电厂优化调度以最大化利润为目标，目标函数为：
[0105][0106]
式中：f1为虚拟电厂利润；、i
e，t
、i
es，t
分别为负荷、电力交易、蓄电池储能收益；c
gt，t
、 c
wp，t
为燃气轮机、风机运维成本；δt为一个调度时段，日前调度为1h；α
l
为负荷电价，p
l，t
为负荷功率；λ
e
为0
‑
1变量，1表示售电，0表示购电，α
se
、α
be
为与大电网售电、购电价格， p
se，t
、p
be，t
为与大电网售电、购电功率；λ
es
为0
‑
1变量，1表示放电，0表示充电，α
c
、α
d
为充放电电价，p
es，t
为充放电功率，放电为正，充电为负，μ
es
为蓄电池折旧补偿系数；α
gt
为燃气轮机运维成本系数，α
′
gt
为燃气轮机应对冲击负荷增发功率运维成本系数，p
gt，t
、δp
gt，t
为燃气轮机发电功率、应对冲击负荷增发功率，λ
gt
为0
‑
1变量，1表示起机，0表示停机，c
q
、c
t
为启停机费用；α
wp
为风机运维成本系数，p
wp，t
风机功率。
[0107]
虚拟电厂运行主要包括以下约束条件
[0108]
(1)虚拟电厂功率平衡约束
[0109][0110]
式中：p
gt，t
、p
wp，t
、p
l，t
分别为燃气轮机、风电、负荷功率；为蓄电池充放电功率；为虚拟电厂从大电网购入、出售功率。
[0111]
(2)燃气轮机约束
[0112][0113][0114]
其中：为燃气轮机出力上下限；为燃气轮机功率上升、下降的爬坡率。
[0115]
(3)蓄电池约束
[0116][0117]
式(5)为储能设备运行功率约束，其中为蓄电池最大充放电功率；
为0
‑
1变量，表征储能设备的充放电状态。
[0118][0119]
式(6)为蓄电池剩余容量约束条件，其中，e
es，t
、e
es，t
‑
δt
分别为t时刻、t
‑
δt时刻蓄电池剩余容量；e
es，min
、e
es，max
为剩余容量上下限；为充放电功率；η
es
为充放电效率；δt为计算步长。
[0120]
虚拟电厂运行以经济性最优为目标，考虑约束条件，采用粒子群算法，完成日前优化调度，得到燃气轮机，风电，蓄电池，联络线功率出力计划。
[0121]
步骤2日内调度以功率平衡为目的，基于调控时段风电功率与系统净负荷变化的一致性指标，确定日内可控资源的调控量；
[0122]
虚拟电厂优化日内优化调度调控策略制定的基本前提条件是：在判断有关考察指标是否超出阈值及是否进行后续优化调控的初期阶段，调控系统根据日前优化调度计划可获得未来时段风电功率整体预测值、电网负荷预测值、燃气轮机发电计划，以作为优化调控建模和调控量计算的基础信息；系统内有一定容量的燃气轮机旋转备用、储能设备资源，作为调控量再分配的具体调控措施或对象。
[0123]
定义虚拟电厂调控一致性指标，某功率信号i的变化速率为：
[0124][0125]
分别为信号i在t时刻、t
‑
1时刻的采样值；δt为计算功率变化速率周期；n为考察时窗包含的总采样点数，时窗跨度为nδt。
[0126]
功率信号i变化速率的相对值为：
[0127][0128]
式中：p
ib
为信号i功率的最大值，对待研究的风电场功率信号，该值取装机容量，对负荷功率信号，该值可取日最大负荷或更长时间级的最大负荷值。
[0129]
对功率信号i、j定义集合
[0130][0131]
一致性指标定义为：
[0132][0133]
n为考察时窗包含的总采样点数，i
b
越接近于0，说明2个功率信号在考察时窗内的变化特性越一致；反之，两信号变化的不一致性越高。
[0134]
基于功率平衡的虚拟电厂调控策略的目的是为了冲击负荷下使系统发电功率与负荷需求尽可能地保持平衡。
[0135]
调控初始阶段，利用风电功率、负荷的预测信息及燃气轮机发电计划，计算下一调控时段中第t时刻系统功率不平衡量(认为第t
‑
1时刻系统功率为平衡状态)，即：
[0136][0137]
式中：分别为负荷、联络线功率、风电出力、燃气轮机出力的变化量；为时段t相对于时段t
‑
1的待调控量，没有调控时，其值为0。
[0138]
功率变化化为相对值：
[0139][0140]
式中：p
wb
为日最大负荷值
[0141]
考虑系统功率平衡需求时，风电功率与负荷变化一致性指标阈值为
[0142][0143]
ε
pmin
为功率不平衡量限制，根据系统频率误差及待考察区域的系统功
‑
频静特性系数整定。
[0144]
该调控时段风电功率与系统净负荷变化的一致性指标为
[0145][0146]
n为考察时窗包含的总采样点数。当i
al
≤i
aler
时，认为该调控时段风电功率的变化情况满足系统功率平衡要求。
[0147]
步骤3基于集合经验模态分解将日内调控量分解为高低频分量，高频分量作为蓄电池的功率指令，低频分量作为燃气轮机的功率指令；
[0148]
基于集合经验模态分解(ensemble empirical mode decomposition，eemd)的调控功率分解流程图如图2，大功率脉动负荷有短时的峰值，功率分布不均，使得待调控功率存在较大的功率波动。燃气轮机出力平稳，能量密度高，能很好满足电力高峰时的需求，但燃气轮机受爬坡率限制，不能实现快速的升降负荷；蓄电池储能在轻负荷时将能量存储起来，在冲击负荷到来时释放能量，蓄电池放电迅速，短时间内可以放出较大电量，可应对频繁波动的冲击负荷。
[0149]
采用基于eemd方法，实现调控功率的自适应分解，得到燃气轮机出力变化和储能系统充、放电功率指令，对原始调控功率进行eemd分解步骤如下：
[0150]
(1)在原始功率信号中加入高斯白噪声信号δ
t
，得到一个常用信号δp
t
即：
[0151][0152]
(2)对信号δp
t
进行emd分解，得到固有模态函数(imf)分量
[0153]
[0154]
式中，为残余信号；为第i(i＝1，2，
…
，n)层固有模态函数imf，并按照频率从高到低的顺序进行分布。
[0155]
(3)高斯白噪声信号第j次加入原始信号重复进行步骤(1)、步骤(2)
[0156][0157]
式中，为第j次加入高斯白噪声后分解得到的第i个imf分量。
[0158]
(4)根据不相关随机序列统计均值为零的原理，对进行整体平均，使得多次加入的白噪声对imf的影响相互抵消，则最终功率信号可分解为i个imf分量。
[0159][0160]
在进行eemd分解时，加入的高斯白噪声信号数量满足统计规律。
[0161][0162]
式中，ε为高斯白噪声信号的幅值；n为加入高斯白噪声信号的整体平均次数；ε
n
为原始信号与经eemd分解后重构信号之间的误差。从式(19)中可知：若高斯白噪声信号幅值ε选取一定时，整体平均次数n越大，ε
n
越小，即高斯白噪声信号对原始风功率信号的影响越小，最终分解的imf经过重构后越接近原始信号；若n不变，ε选取越小，会使信噪比变高，削弱噪声对原始信号高频部分产生的互补作用。
[0163]
(5)经eemd分解后重构信号可表示为：
[0164][0165]
固有模态函数imf本身是具有能量的，从能量熵的角度出发，根据eemd的算法，能量越大的imf分量所占权重比越大。因此在分量和余项表达式求解之后，引入能量熵的概念，将imf能量差值最大的作为一个分界点。假设每一阶imf能量熵分别为e
i
，总的能量为e，在公式计算中一般不加入余项的能量。
[0166][0167]
式中n为采样点数。将imf能量做归一化处理得到：
[0168][0169][0170]
相邻两个imf的能量熵的差值越大，表明其能量占比也就越大，用于区别高频段和低频段。通过相邻imf能量熵的变换值作为一个标准阶次k，将熵值变化最大的阶次作为此时高、低频率对应的标准阶次k，将k之前的高频分量作为蓄电池的功率指令，k之后的低频分量作为燃气轮机的功率指令。
[0171][0172]
式中：为蓄电池功率指令；为燃气轮机功率指令；n为imf的总数。
[0173]
步骤4基于模型预测控制的日内滚动优化校正策略，应对风电及负荷预测误差带来的联络线功率波动，同时确保储能满足日运行能量平衡约束：
[0174]
模型预测控制是一种基于模型的闭环优化控制方法，其算法的核心思想是滚动时域策略。该策略主要包括以下几步：
[0175]
(1)在当前时刻k和当前状态x(k)，基于一定的预测模型，预测系统未来的状态，同时考虑当前和未来的约束条件，通过解决优化问题，得到未来k+1，k+2，
…
，k+m时刻的控制指令序列；
[0176]
(2)将控制指令序列的第一个值应用于控制系统；
[0177]
(3)在k+1时刻，更新状态为x(k+1)，重复上述操作步骤。
[0178]
可见，经济模型预测控制就是不断滚动的局部优化和不断滚动实施控制作用的交替过程。
[0179]
具体到虚拟电厂日内优化调度问题，以一包含燃气轮机、蓄电池储能装置、风电机组、负荷等构成的并网型虚拟电厂为例，根据虚拟电厂每时段的功率平衡方程及储能剩余电量迭代方程，选取燃气轮机出力、储能充放电功率、储能剩余电量，以及虚拟电厂与外电网的联络线交换功率构成的向量x(k)＝[p
mt
(k)，p
es
(k)，e
es
(k)，p
e
(k)]为状态变量；以燃气轮机和蓄电池储能的出力增量构成的向量u(k)＝[δp
mt
(k)，δp
es
(k)]为控制变量；以负荷、风电机组超短期预测功率增量构成的向量r(k)＝[δp
l
(k)，δp
wp
(k)]为扰动输入；以燃气轮机出力及联络线交换功率构成的向量y(k)＝[p
mt
(k)，p
e
(k)]为输出变量，则可建立如下的多输入、多输出状态空间模型：
[0180][0181]
其中
[0182]
基于风电和负荷的超短期功率预测数据，通过对该状态空间预测模型反复迭代，直到向前预测m步，便可得到燃气轮机和联络线功率在预测时长mδt内的预估输出值构成的向量y，表述如下式所示：
[0183]
y＝[p
mt
(k+δt)，p
e
(k+δt)，
…
，p
mt
(k+mδt)，p
e
(k+mδt)] (26)
[0184]
取当前时刻向前mδt时段内，燃气轮机出力和联络线功率日前计划值构成的向量g为跟踪控制目标，其中g可描述如下：
[0185][0186]
接着，以燃气轮机和联络线功率预估输出值与日前计划值之间的误差最小为目
标，同时保证各机组控制调节增量尽量小，这样便可将对应的日内滚动优化调度转化为如下所示的二次规划问题：
[0187]
j＝(g
‑
y)
t
h(g
‑
y)+u
t
qu (28)
[0188]
其中为燃气轮机和联络线功率跟踪误差的权重系数矩阵；q为控制量的权重系数矩阵。
[0189]
为了进一步理解本发明，以某开发区能源系统作为算例。
[0190]
系统内包括30mw风电装机，蓄电池储能为20mw
·
h，燃气轮机50mw；将负荷端用电情况分为峰平谷3个时段，总时间段为一天24小时。其中峰时段为10至15和18至21时段、平时段为7至10时段、15至18时段和21至24时段、谷时段为0至7时段，峰平谷3 个时段电价分别为1.055、0.633、0.291元/kw
·
h。虚拟电厂单元其它参数如表1。
[0191][0192][0193]
图3为虚拟电厂负荷及风电预测曲线，根据其预测结果，运用粒子群算法得到的日前优化调度结果如图4描述。
[0194]
根据图4可知，储能装置主要在低电价和低负荷时段进行充电，在高电价或高负荷时段则进行放电，既保证了储能日运行soc的平衡，又有效发挥了储能的“削峰填谷”作用，提高了系统运行的经济性；微型燃气轮机的运行成本较低，故微型燃气轮机在大部分时段保持较高的出力水平；同时通过与大电网进行交易，合理利用储能进行“套利”，提高系统运行经济性。
[0195]
日内模型预测控制取预测时长为1h，控制时长为30min，滚动优化调度执行周期为5min 一次，在日内一共滚动优化288次，滚动优化调整后得到的燃气轮机、联络线优化出力计划日前日内对比如图5、图6所示。
[0196]
由于日前计划以小时为时间尺度，调度粗放，系统不能及时响应可再生能源及负荷波动。施加mpc滚动优化调度后，联络线功率与日前计划值基本吻合，率波动较小，实现微电网接入配电网的平稳、可控调度。由图6燃气轮机日前日内功率曲线可知，受燃气轮机爬坡率约束，日内调度计划难以较好跟踪日前计划，存在一定的功率偏差，而储能蓄电池能够很好的弥补这一不足，各能源转换设备能更快速响应系统功率波动，系统协调能力加强，更容易达到平衡。且对每次滚动优化的计算时长进行统计发现，基于mpc的单次优化计算时长仅为 0.2s左右，完全可满足在线应用的需求，也充分说明了本文协调优化调度方案的有效性。