多智能用户微电网的分层分时能量管理

徐俊，欧阳丽，周春

（上海电气集团股份有限公司中央研究院，上海 200070）

随着微电网技术的广泛推广和互联网技术的快速发展，接入微电网负荷的类型越来越多样化，负荷的功能也越来越智能化[1-2]。微电网中主动参与电网的运行，实现对电能的积极消费的用户负荷称为智能用户[3]。智能用户以即插即用的方式接入微电网，在合适的时间进行用电，大大增加了用户的用电灵活性[4]。然而，随着智能用户在微电网中渗透率的逐渐提高，智能用户用电时间的时变性和用电量的波动性，都会对微电网能量管理带来扰动的影响[5]。另一方面，微电网的供电端引入了大量可再生、节能环保的新能源，新能源供电输出的随机性也给微电网的能量管理带来了扰动的影响[6]。因此，存在多智能用户的微电网能量管理将面临着供电端和负荷端双向的扰动问题[7]。

文献[8]针对新能源的随机扰动问题，采用储能设备削峰填谷方法来平滑新能源随机性的扰动。文献[9]采用不同类型新能源之间集群效应来改善新能源随机性带来的扰动。文献[10]采用了分时优化的策略实现对新能源随机性的平滑，在慢采样周期内优化长期能量的利用，在快速周期优化实时的供求平衡误差，实现电网的稳定运行。针对负荷端的扰动问题，针对可控用户负荷提出一种提前用电或延迟用电的能量调度策略来鼓励用户负荷低峰积极用电，高峰减少用电，从而实现对用户端扰动的削减和平滑[11]。目前的研究工作大多只考虑了新能源随机性扰动问题或用户端的供求误差问题，而针对同时考虑到新能源随机性和用户动态性的能量管理问题研究相对较少。

本文针对存在多智能用户的微电网能量优化管理问题，提出一种基于分层分时的预测控制策略。根据能量在不同模块间的流动，建立系统的分层模型和基于双层控制结构的能量管理优化问题。上层的集中控制器通过优化储能的充/放电时间、充/放电量、可控供电功率以及对负荷需求的调节作用来实现能量的优化流动，下层的集合器通过优化对负荷需求的分配作用以满足负荷的实时需求。为改善能量管理所面临的双向扰动，针对不同控制层分别采取不同时间尺度进行优化。

1 多智能用户微电网的分层分时控制架构

这里考虑的多智能用户微电网系统主要是指智能家居型家庭微电网为代表的小型微电系统，在接近家庭区域以一定的网络拓扑结构集成以光伏发电、风力发电等为代表的新能源，以微型燃气轮机供电为代表的可控能源，容量受物理约束的储能设备，以智能家电、新型的电力汽车等为代表的智能用电负荷以及一个协调以上不同能量模块工作向负荷提供需求能量的中央管理器。针对上述带有多智能用户的微电网系统，为改善由于新能源的随机性和用户负荷的波动给微电网能量管理带来的扰动影响，本文设计了如图1所示的分层管理架构，实现能量的分层分时管理[12]。

图1 多智能用户微电网分层管理架构Fig. 1 Scaled time-hierarchical structure of microgrid with multi-users

图1所示的分层分时能量管理架构主要由功率预测模块、上层集中控制器层和下层集合器层组成。功率预测模块主要功能是基于数据库中存储的历史数据，采用功率预测算法预测工作日当天负荷用电功率和分布式新能源发电功率。位于上层的集中控制器是一个以小时为采样周期的MPC控制器，主要功能是基于预测模块的预测信息，优化储能的充/放电时间、充/放电量、可控供电能源供电功率的变化以及对集合器能量需求的调节作用，实现能量长期的优化利用。为避免用户与集中控制器的直接交流，改善用户负荷的波动对集中控制器的影响，在集中控制器与用户负荷间引入多个集合器。下层是基于分钟级采样时间的MPC控制器，向上层集中控制器实时反馈负荷用电信息，并接收来自集中控制器在慢时间尺度内的能量优化分配信息，通过对智能用户用电的优化调度，实现对负荷需求的实时供应和能量在短期内的优化利用。

2 分层分时能量管理

针对存在多智能用户微电网的能量管理问题，这里首先采用基于误差前馈传播的神经网络（error back-propagation neural network ，简称BPNN，下文称为BP神经网络）算法对负荷及新能源供电功率进行预测。然后，基于能量在微电网内部各模块间的流动建立起上下各层的模型描述和能量管理优化问题，并利用分层分时预测控制算法对相应的优化问题进行求解。

2.1 功率预测

由于BP经神网络预测算法具有很强的自学习和复杂的非线性函数拟合能力，很适合用来做具有间歇性的分布式能源的功率预测问题，因此，本文采用BP神经网络来对光伏发电、风机发电以及负荷用电功率进行预测。

本文采用的BP神经网络预测算法步骤如下。步骤1：数据归一化。将历史输入数据和预测结果的输出数据均归一化在[0，1]之间。

步骤2：网络初始化。根据系统输入输出序列（X，O）确定网络各层的节点数，初始化输入层和隐含层、隐含层和输出层之间的连接权值ωij，vjk，初始化隐含层a和输出层阈值b。

步骤3：隐含层输出Yj计算

步骤4：输出层预测输出计算

步骤5：误差计算。根据预测输出值O和期望值d，计算网络预测误差

步骤6：误差权值的更新。根据网络预测误差e更新网络连接权值ωij，ωjk。

步骤7：阈值更新，

步骤8：判断误差是否满足结束条件，若不满足，返回步骤3。

步骤9：用训练好的BP神经网络参数进行功率预测。

2.2 优化调度

由于分布式能源供电随机性强，智能负荷用电具有多样性和时变性，因此，针对存在多智能用户微电网分别建立起慢时间尺度优化问题和快时间尺度内外两层的优化问题。集中控制器在慢时间尺度内对微电网内部能量进行优化调度，同时在每一慢时间尺度周期内集合器对智能用户的用电进行快时间尺度的优化调度。

2.2.1 上层慢时间尺度优化调度问题

在每一小时k，k=1，2，…，24，系统采集当前时刻各组智能用户的总用电需求预测值E軒req（k）及新能源发电预测值E軒renew（k），并上传给集中控制器。为保证供求的实时动态平衡，减小供求误差带来的扰动，集中控制器一方面调节可控供电功率的变化ΔEcon（k）和储能的充放电，

式中：Es（k）为当前时刻微电网内部富余或缺少的电能；Soc（k）为k时刻储能设备的容量状态，储能的物理损耗系数a∈（0，）；η为储能设备的充放电速率，充电速率记为ηc、放电速率记为ηd，且它们之间满足以下关系[13]：

另一方面，针对智能用户采用提前供电或延时用电的能量调度策略，激励智能用户低峰用电，避开用电高峰，

式中：ap，j为集中控制器对集合器Aj分配能量的调控系数；λj为集合器Aj在总负荷需求中所占的比重。

集中控制器的主要任务是基于集合器Aj实时上传的负荷需求信息Eref（k），调节优化可控供电功率的变化ΔEcon（k）、储能的充放电时间δ（k）、充放电电量Z（k）以及对负荷需求的调度ΔPj（k），j=1，2，…，M，实现长期内对负荷的需求的供应和能量的优化利用。

同时，为了提高储能设备的可靠性，往往期望储能的实时容量接近期望值。于是，针对多智能用户微电网能量管理的上层慢时间尺度的优化问题可描述为：

式中：ε∈（0，1）；T0和Ts分别是慢采样周期内的采样起始时刻和采样时间长度；矩阵R1，R2，R3，R4和Qj（j=1，2，…，M）是均是系统的加权矩阵。

针对上述带约束的预测控制优化问题可通过混合整数二次规划的方法求解。首先，选取新的优化变量：

然后，通过求解混合整数二次规划问题，得到当前时刻的最优控制作用U*（k），从而，得到当前时刻最优的可控能源供电功率的变化ΔE軒*con（k）、储能最优的充放电量Z軌*（k）、储能的充放电时间δ軇*（k）以及对负荷需求的最优调控信息ΔP軌*（k）[14]。

2.2.2 下层快时间尺度化调度问题

根据集中控制器在每一慢采样周期内优化出对集合器Aj需求能量的调度信息ΔP*j（k），计算出集中控制器分配给集合器Aj，j=1，2，…，M的实际能量：

由于集中控制器在慢速采样周期内求解优化问题，集合器在快速采样周期内求解优化问题（记慢速采样周期为Ts，快速采样周期为Tf），即满足：

也就是说，在每一慢速采样周期内不同的快速时刻，集中控制器的信息保持不变[8]。

在每一快速采样时刻t，每个智能用户负荷的实际需求Ereqi（t），i=1，2，…，N，其估计值为

对集合器Aj而言，分组管理的用户负荷需求的能量满足以下约束条件：

式中：λi为用户需求用电Ereqi（t）在集合器Aj能量需求Ereqj（t）中所占的比例系数。

在预测时域内，每个智能用户i，i=1，2，…，N的需求预测信息为且满足如下约束条件：

集合Aj器的任务是基于集中控制器每小时内实际分配给集合器Aj的能量E*reqj（k），在快速采样时间内满足约束条件下，优化对用户负荷需求的分配作用ΔPi（t），保证对用户负荷时变需求的实时供应，实现短期内对负荷能量供求误差的最小化和能量的优化利用。于是，集合器能量管理的下层快时间尺度的优化问题可描述为

式中：T0和Tf分别为快采样周期内的采样起始时刻和采样时间长度；Pf为预测时域长度，lf=1，2，…，Pf；Qi和Ri为权矩阵。上述预测控制优化问题是一个带约束的二次规划问题，通过求解可以实时得到集合器在当前时刻对智能用户需求能量的优化分配信息E*reqi（t），i=1，2，…，N。

2.3 分层分时能量管理算法流程

针对分层的优化问题的求解，采用基于分层分时预测控制算法进行求解，具体实现流程如图2所示。

图2 分层分时能量管理算法Fig. 2 Multi-time scale hierarchical energy management strategy

3 仿真分析

本文的仿真对象是由包含可控供电能源和风光储等分布式电源、4个智能用户{c1，c2}和{c3，c4}以及2个用于分散协调控制智能用户用电的集合器A1和A2组成的多智能用户微电网系统。智能用户负荷均以即插即用的方式接入微电网系统，根据用电需求来选择接入电网的时机和时间，负荷用电量在约束范围内可调度。

首先，基于新能源和负荷用电功率的历史数据，采用BP神经网络算法预测出工作日的新能源供电功率和负荷用电功率的预估值，如图3和图4所示。（本文仿真中所有纵坐标数据均为量化后的数据）。

如图3和图4所示，各智能用户的用电需求在不同的时间段差异较大，新能源供电则具有一定的随机性。为了改善新能源的随机性和负荷用电时变性带来的扰动影响，针对文中提出的算法，首先选取以下参数：

图3 一天内各智能用户需求能量预估值Fig. 3 Profiles of demand forecast for each smart user during 24 hours

图4 一天内所有用户需求能量的预估值Fig. 4 Profiles of total demand forecast and renewable energy output during 24 hours

可控能源供电功率的调节范围为-0.5<ΔEcon（k）≤0.5，智能用户荷的用电可调度范围-0.5<ΔP（k）≤0.5。慢采样周期和快采样周期内的权矩阵分别为R1=R2=Qj=I，j=1，2，i=1，2，…，4，慢采样周期的预测时域长度Ps=4 h，一天24 h内的时域起始时刻T0=0:00，终止时刻为Ts=24:00，快采样周期内的预测时域长度Pf=10 min，Ts=Tf。储能的放电系数ηc为-0.6，充电系数ηd为0.6。取储能设备的能量损耗比例为0.2，则取储能设备的模型描述中的状态系数a=0.8。储能容量的初始状态和期望值均为2，最大容量为4，最小容量为1。将文中提出的分层分时预测控制算法应用到微电网能量管理系统后得到如图5—图8所示的仿真结果。

图5 一天内储能设备的容量状态Fig. 5 Profiles of storage capacity status during 24 hours

图6 一天内储能的充放电时间Fig. 6 Profiles charge/discharge time for the storage during 24 hours

由图5—图7所描述的一天24 h内各个时刻上层集中控制器对能量的优化分配信息。不难看出，在6:00—8:00和11:00—20:00这几个时间段内，新能源丰富功率输出足以满足负荷的需求，此时，储能设备处于充电状态（如图5和图6）、可控能源的供电功率会减少（如图7），且对智能负荷电能的供应提前或增加（如图8），以此实现对富余能量的优化利用；在其他时刻，新能源输出功率不足以满足用户负荷需求，此时储能通过放电来补充电网中缺省的电能（如图5和图7），可控供电源的供电功率也会增加，减少或延迟对智能负荷电能需求的供应，以此来补充微电网中缺少的电能量，保证微电网内部供求动态平衡。

图7 一天内可控供电功率的变化Fig. 7 Profiles of adjustment for the controllable energy during 24 hours

图8中给出了4个智能用户一天24 h内在快速采样周期的各个时刻和慢速采样周期各个时刻的需求曲线和实际能量供应曲线。当能量供应紧张时，实时电力供应曲线紧紧跟随负荷需求曲线，说明实时能量供应能满足负荷需求；当新能源充足时，集合器考虑针对负荷采用提前用电或过量供电的策略，实现对富余能量的利用，起到削峰填谷的作用。针对每组集合器下的用户而言，不仅在慢速采样周期内能量供应曲线能很好地跟踪能量需求曲线，而且在快速采样周期内能量供应曲线也能实时地跟踪能量需求曲线，即不仅满足用户负荷在慢采样周期内的需求，而且实现了在快速采样周期内对负荷需求的实时供应。

图8 一天内各用户能量需求与能量实时供应Fig. 8 Profiles of energy demand and supply in real for each load during 24 hours

4 结语

本文针对存在多智能用户微电网系统能量管理问题提出一种基于分层分时预测控制的控制策略。分别建立起集成控制层和协调控制层相应的能量管理优化问题，并在不同的时间尺度内进行优化求解。最后，通过仿真证明了算法的有效性。

[1] 王伟，何光宇，万钧力，等.用户侧能量管理系统初探[J].电力系统自动化，2012，36（3）: 10-15.WANG Wei，HE Guangyu，WAN Junli，et al. Preliminary investigation on user energy management system[J]. Automation of Electric Power Systems，2012，36（3）: 10-15（in Chinese）.

[2] 王成山，李鹏. 分布式发电、微电网与智能配电网的发展与挑战[J]. 电力系统自动化，2010，34（2）: 10-14.WANG Chengshan，LI Peng. The impact of AMI on the future power system[J]. Automation of Electric Power Systems，2010，34（2）: 10-14（in Chinese）.

[3] PEDRASA A，SPOONER D，MACGILL I F. Coordinated scheduling of residential distributed energy resources to optimize smart home energy services[J]. IEEE Trans on Smart Grid，2010，1（2）: 161-168.

[4] SORTOMME E，SHARKAWI M A. Optimal power flow for a system of microgrids with controllable loads and battery storage[C]// IEEE Conference on 2009 Power Systems Conference and Exposition，Seattle，American，2009:1-5.

[5] BIEGEL B，STOUSTRUP J，BENDTSEN J，et al. Model predictive control for power flows in networks with limited capacity[C]// American Control Conference， Montreal，Canada，2012：2959-2964.

[6] 侯玉强，李威. 大规模光伏接纳对电网安全稳定的影响及相关制约因素分析[J]. 电网与清洁能源，2013，29（4）: 73-77，84.HOU Yuqiang，LI Wei. Influence of integration of largescale photovoltaic on grid and key factors restricting its accepted capacity[J]. Power System and Clean Energy，2013，29（4）: 73-77，84（in Chinese）.

[7] BENDTSEN J，TRANGBAEK K，AALBORG J S. Hierarchical model predictive control for resource distribution[C]//The 49th IEEE Conference on Decision and Control，Atlanta，American，2010: 2468-2473.

[8] DIVYA K C，OSTERGAARD J. Battery energy storage technology for power systems-an overview[J]. Electric Power Systems Research，2009，79（4）: 511-520.

[9] 梅生伟，朱建全. 智能电网中的若干数学与控制科学问题及其展望[J]. 自动化学报，2013，39（2）: 119-131.MEI Shengwei，ZHU Jianquan. Mathematical and control scientific issues of smart grid and its prospects[J]. ACTA Automatic Sinica，2013，39（2）: 119-131（in Chinese）.

[10] XIE L，LLIC M D. Model predictive economic/environmental dispatch of power systems with intermittent resources[C]// 2009 IEEE Meeting on Power and Energy Society General，Calgary，2009: 1-6.

[11] ZHE Y，LINDA M，LI L Y，et al. Modeling and stochastic control for home energy management[C]// Power and Energy Society General Meeting，San Diego，American，1-9: 2012.

[12] 李碧君，徐泰山，鲍颜红，等. 具有智能化特征的安全稳定分析与控制决策技术[J]. 电网与清洁能源，2012，28（6）: 55-60.LI Bijun，XU Taishan，BAO Yanhong，et al. Intelligent safety and stability analysis control decision-making support technology[J]. Power System and Clean Energy，2012，28（6）: 55-60（in Chinese）.

[13] PARISIO A，GLIELMO L. A mixed integer linear formulation for microgrid economic scheduling[C]// 2011 IEEE International Conference on Smart Grid Communications，Brussels，Belgium，2011: 505-510.

[14] BEMPORAD A，MORARI M. Control of systems integrating logic，dynamics，and constraints[J]. Automatic，1999，35（3）: 407-427.