基于模型预测控制算法的分布式储能电站优化运行方法与流程

本发明属于电力系统优化运行领域，具体涉及一种基于模型预测控制算法的分布式储能电站优化运行方法。

背景技术：

1、光储系统在运行过程中，为保证整体系统运行成本最低，分布式储能电站一般设定在风光出力最大时放电、用电负荷最小时充电的“一充一放”运行策略，往往固定好了每天的充电时间和放电时间，这一策略主要借鉴于抽水蓄能电站的运行策略，适合负荷变动小的情况。当分布式电化学储能系统所处区域负荷每日负荷变动较大时，储能充放电无法有效跟踪负荷的实际变化情况，无法发挥分布式储能电站的优势。

技术实现思路

1、本发明的目的在于解决上述现有技术的不足，从而提供一种基于模型预测控制算法的分布式储能电站优化运行方法，应用于提前几小时或提前几天的多步负荷预测任务下，均能保证分布式储能电站的优化运行效果。

2、一种基于模型预测控制算法的分布式储能电站优化运行方法，包括如下步骤：

3、^

4、步骤1：利用长短记忆神经网络预测该时间段的多步负荷数据pload(t)及光伏发电

5、^

6、数据ppv(t)，t代表未来的运行时刻；

7、步骤2：建立分布式储能电站预测控制模型，实现分布式储能电站优化运行时间段的充放电控制。

8、步骤1中，不失一般性，分布式储能电站优化运行时间段一般为未来的2小时。

9、步骤2中建立分布式储能电站预测控制模型，实现分布式储能电站优化运行时间段的充放电控制，具体为：

10、步骤21：建立分布式储能电站模型预测控制模型的能量管理目标和系统约束；

11、步骤22：将步骤1得到的预测数据输入到所建立的模型预测控制模型中，按模型预测控制算法，计算得到最优控制策略对应的各阶段储能soc；

12、步骤23：基于各阶段soc，结合系统模型计算得到最优策略下的各阶段储能及电网功率，从而完成成该优化运行时间段内每个优化周期的能量管理任务。

13、建立分布式储能电站模型预测控制模型能量管理目标为：

14、

15、

16、

17、

18、

19、式中，t_total为分布式储能电站优化运行时间段总时长，包含若干个能量管理优化周期；minj代表含分布式储能电站的微电网能量管理最小化目标函数；λ1为用户的用电成本jc的权重系数，λ1∈[0,1]，λ2为光伏发电的本地消耗量ja的权重系数，λ2∈[0,1]，λ3为电网吸收或提供的功率峰值jr的权重系数，λ3∈[0,1]，λ4为化储能装置的充放电功率jb的权重系数，λ4∈[0,1]，λ1、λ2、λ3、λ4四者的和为1；jc,max、ja,max、jr,max、jb,max分别对应用户的用电成本jc、光伏发电的本地消耗量ja、电网吸收或提供的功率峰值jr、化储能装置的充放电功率jb共4个指标的最大值，以标幺化其值，消除量纲的影响，其中，jc,max、ja,max、jr,max取不进行储能调节时的各指标值，jb,max则取理想情况下的储能充放电功率总值，即储能吸收掉所有光伏剩余功率，并提供所有光伏不足的负荷供电；代表分布式储能电站所在微电网向电网购电单位成本；δt代表电量结算最小单元；pgrid(t)代表t时刻分布式储能电站所在微电网与外部电网的交换功率；max(pgrid(t),0)代表分布式储能电站所在微电网向外部购电的功率；min(pgrid(t),0)代表分布式储能电站所在微电网向外部外送的功率；pbatt(t)代表t时刻分布式储能电站的充放电功率，充电为正而放电为负。

20、建立分布式储能电站模型预测控制模型系统约束为：

21、pload+ηdapbatt＝ηdaηddppv+pgrid              (6)

22、pbatt,min≤pbatt(t)≤pbatt,max                     (7)

23、socmin≤soct≤socmax                  (8)

24、

25、式中：pload、ppv、pbatt分别表示用电负荷、光伏发电功率和储能装置充放电功率；pbatt>0表示电池充电，pbatt<0表示电池放电；pgrid表示光储系统与公共电网的交互功率，大于0表示电网向光储系统供电，反之则表示光储系统向电网倒送电能；ηda表示dc/ac变换器的转换效率；ηdd表示dc/dc变换器的转换效率；qb为储能额定容量，ηb为储能装置充放电效率，socmax、socmin为允许的最大、最小荷电状态限制。考虑到光储系统能量管理的可持续运行，应设定每个能量管理周期内的储能soc起始值和最终值一致；pbatt,min和pbatt,max代表储能装置充放电功率的最小值和最大值；soct-1、soct分别代表t-1时刻和t时刻的储能装置的荷电状态。

26、步骤22中，将步骤1得到的预测数据输入到所建立的分布式储能电站模型预测控制模型中，按模型预测控制算法，计算得到最优控制策略对应的各阶段储能soc，具体为：

27、借助模型预测控制算法，建立分布式储能电站的离散化控制的状态迭代公式；

28、

29、

30、上式中pload(k)、ppv(k)为步骤1中预测的多步负荷数据及光伏发电数据pv(t)的第k个离散时刻对应的值，pgrid(k)为光储系统与公共电网的交互功率在第k个离散时刻对应的值；soc(k)代表优化运行时段中第k个离散时刻分布式储能电站的荷电状态；pbatt(k)代表优化运行时段中第k个离散时刻分布式储能电站的充放电功率；b[0]、b[1]和b[2]分别代表系数矩阵b的第1个元素、第二个元素和第三个元素；d[0]、d[1]和d[2]分别代表系数矩阵d的第1个元素、第二个元素和第三个元素；δt为两个相邻离散时刻之间的差值。

31、步骤23基于各阶段soc，结合系统模型计算得到最优策略下的各阶段储能充放电功率，从而完成该优化运行时间段内每个优化周期的能量管理任务，具体为：

32、步骤231：根据步骤1获得的多步负荷数据及光伏发电数据联立分布式储能电站的离散化控制的状态迭代公式(10)和含分布式储能电站的微电网确定能量管理目标(1)以及约束条件式(6)-式(9)，求取第k时刻的分布式储能电站的最优充放电功率pbatt(k)、光储系统与公共电网的交互功率pgrid(k)；

33、步骤232：更新第k+1个离散时刻时的含分布式储能电站的微电网系统状态，更新约束条件数值，并求取下一个离散时刻的分布式储能电站的最优充放电功率；

34、步骤233：循环步骤231)-232)，获取整个分布式储能电站优化运行时段内的最优充放电功率。

35、与现有技术相比，本发明的有益效果为：

36、本专利提出的一种基于模型预测控制算法的分布式储能电站优化运行方法，首先利用长短记忆神经网络预测该时间段的多步负荷及光伏发电数据；然后确定含分布式储能电站的微电网能量管理目标、系统约束等模型预测控制模型中，将装置本身的参数和预测得到的负荷及光伏发电数据输入所构建的模型中，计算得到最优控制策略对应的各阶段储能soc；接着基于各阶段soc，结合系统模型计算得到最优策略下的各阶段储能及电网功率，并将其用于控制光储系统的储能及逆变器等装置，从而确定每个离散时刻下的分布式储能电站的最优充放电功率，最终完成分布式储能电站的优化运行。所提方法应用于提前几小时或提前几天的多步负荷预测任务下，均能保证分布式储能电站的优化运行效果，可适用于分布式储能电站所处区域负荷和光伏出力波动大的情况。