北极星智能电网在线讯:1项目背景
关于微电网能量优化的研究，目前主要有确定性优化与不确定性优化两种技术路线。确定性优化，主要采取多时间尺度优化方法，但多时间尺度优化依赖于可再生能源预测精度，且不同时间尺度的划分会对优化结果产生较大影响。不确定优化，主要采取鲁棒优化和随机优化，但鲁棒优化结果具有一定保守性，且计算量大、难收敛，而随机优化依赖于随机变量的概率分布，场景选取与设计工作量较大。针对不确定优化存在的问题，学者提出了采用具有滚动优化环节的模型预测控制（MPC）方法，并成功应用于微电网能量优化管理。但目前将MPC应用于微电网能量优化的研究存在以下不足：①模型中某些参数固定，难以适应微电网中突发的扰动，如可再生能源发电功率的激增或骤降；②只能在有限时长内预测和优化相关变量，难以处理一些具有长优化周期的变量的复杂约束；③较少设计反馈环节，无法充分发挥MPC的优化效果。
因此，本文针对上述问题，对传统MPC进行了改进：①针对MPC模型参数固定的问题，根据不可控输入量的预测信息对MPC的控制时长、预测时长进行自适应调整；②针对难以获得全周期最优解的复杂约束，对相关复杂约束进行“软化”，使优化过程更具有弹性、灵活性；③针对微电网能量优化中较少设计反馈环节，根据系统历史预测输出与实际输出间的误差设计反馈环节，对预测模型进行修正，使控制结果精度更高。基于上述改进设计了双层多时间尺度微电网能量优化模型，有机结合了日前调度和日内优化，解决了多时间尺度优化中难以及时修正计划指令误差的问题，避免了鲁棒优化难收敛、结果保守的问题和随机优化计算量大的问题。
2改进部分之域参数的自适应调整
针对传统MPC对于处理突发的扰动存在不足，在MPC优化中对域的参数进行自适应调整，如图1所示。具体包括：①对于预测域或控制域，若选取得过长，会增加预测的不确定性对系统的影响且增长计算时间；若选取得过短，优化时便无法更好的考虑系统的全局状态。因此，本文根据预测误差对控制域及预测域的长度进行自适应调整，即应用枚举法将不同误差区间的不可控输入量（如光伏发电功率）代入具体场景，从而将原预测域步长调整至适宜步长；②对于控制间隔，若选取得过长会导致系统无法对干扰进行及时的处理，若选得过短则会增加计算的频率，增大计算量。本文根据不可控输入量预测值在该控制间隔内的波动幅度和采样间隔，将原采样间隔数m0调整至m0-h2。
图1自适应域的参数
3改进部分之复杂约束的处理
①针对在单个MPC预测时间范围内难以获得可行解的复杂约束，如可平移负荷约束的问题，本文提出了在进行MPC优化前应用预处理优化算法来处理该类约束，并且将相关优化结果将作为不可控输入量参与MPC优化。预处理算法能够确保线性或非线性规划在约束内能够得到可行解，进而提升系统鲁棒性；②针对在单个MPC预测时间范围内难以获得全周期最优解的复杂约束，如储能SOC约束，将其预处理中的优化结果作为参考信息参与MPC优化，并嵌套于MPC中的动态约束调整算法“软化”该类约束，例如Sf-ε≤Sf≤Sf+ε，Sf是由预处理算法得到输入量S的参考值，ε是松弛因子。
软约束不仅能够参考预处理中的全周期计划指令，而且能够保证系统在MPC优化中的灵活调度，进而在考虑系统全周期运行状态的情况下得到该输入量最优优化结果，流程如图2所示。
图2自适应调整松弛因子步骤
4根据历史预测输出误差设计反馈环节
针对传统MPC优化中的反馈环节难以设计问题，本文提出通过历史预测输出误差来校正模型预测中的状态量，以保证优化结果的精确性，即根据前一时刻预测的该时刻输出量与实测量之间的偏差，求得对应状态量的修正，来消除当前时刻优化中的预测偏差，公式如下：
其中：yk|k-1是MPC在k-1时刻预测得到的k时刻的输出量；
是k时刻实际输出；
ek为输出误差；
xk+i|k、分别为MPC在k时刻预测其他时刻有反馈校正、无反馈校正的状态量；
BC-1ek用来校正模型预测中其他时刻状态量，进而使预测输出量更接近实际值。
5算例
试验微电网系统包括10kW光伏发电系统、10kW˙h磷酸铁锂电池储能，储能最大充放电功率分别是5kW、8kW；日内MPC优化初始控制间隔为20min，初始预测域为3h，最小采样间隔为10min，改进部分优化结果如下：
图3优化结果
6总结
本文采用了基于改进MPC的双层多时间尺度优化算法，对传统MPC算法提出域的参数自适应改进，在不可控输入量预测误差较大时，能够更大程度上消除该误差给系统带来的干扰；对传统MPC算法提出复杂约束处理方法，解决了MPC难以处理与时间相关或与全局性相关的问题；对传统MPC反馈环节提出根据历史预测输出校正误差，能够使控制结果更接近控制目标。
相关阅读：
