基于模型预测控制技术的电厂优化运行研究

陈 辉

（浙江物产金义生物质热电有限公司）

0 引言

分布式发电正在塑造能源的未来。分布式能源（DER）支持能源独立性，促进可持续性，并为生产消费者提供成本节约和令人兴奋的新服务［1-2］。然而，由于隐藏的负载、反馈和电压波动问题，DER正在扰乱配电系统运营商（DSO）的商业模式和运营。DSO需要一个端到端的解决方案来管理DER，包括模型、预测监控以及所有内部和外部系统和利益相关者的最终控制和调度。现在，在一个DER以指数级速度增长的世界里，解决方案变得更加具有挑战性。为了应对这些挑战，在有源配电网中对DER进行高效且具有成本效益的能源管理尤为必要。

1 基于MPC的自适应预测能源管理策略

MPC是一种优化控制技术，它使用后退视界方法，在每个时间步长将无限长的开环优化转化为有限的长闭环优化，同时考虑到系统的动力学、控制目标，以及约束条件。它与接近实时的FC相结合，进一步提高了控制效率。

1.1 后时域优化(RHO)

在每个时间步长中，对不确定的RES（可再生能源）和负载进行预测，并基于预测值，优化模型在给定的时间范围（预测范围）内使电厂的运行成本最小化。然后只执行第一个时间步长的结果，并且时间范围向前移动到下一个时间步长。

1.2 反馈校正(FC)

在RHO（后时域优化）的每个时间步长期间，多次应用FC来调整电厂系统的DER的输出，以平衡由于预测误差引起的失配。所需的误差校正是基于超短项误差预测来计算的。所提出的RHO的实施总是使用最新的信息，并且仅实施调度计划的第一个时间步骤的结果。接下来，根据监测数据，通过FC 模型重新调整VPP的所有DER的输出，以保持控制最优，同时容忍RES和负载的不确定性。

2 RHO及FC模型分析

在所提出的能源管理策略的这一部分中，在每个时间步长k中进行不确定参数（RES和负载）的预测和优化。该优化的目标是在固定的未来时间范围内最小化总运营成本。从时间步长k开始，在时间步长k+1之前，基于对未来时间范围（从时间步长k+1到时间步长k+M）上的不确定参数的预测来求解优化，但仅实现时间步长k+0的调度。这里，M表示预测范围的长度。类似地，在下一个时间步长中，时间范围向前移动一个一次性步长，如图1所示，基于最新信息重复预测和优化。优化过程考虑了实现最优控制的未来时间步长。

图1 RHO中的后时域时间范围

2.1 RHO模型制定

在获得特定有限时间范围内的预测后，执行RHO。本文中考虑的VPP包括分布式光伏发电、负载和电池储能系统（BESS），它们连接到配电系统并通过通信网络运行。将优化公式化为MILP问题，如下所示。

目标函数：优化的目标是最大限度地降低VPP的运营成本。它被制定为

式中，Jc(t) 为电厂的操作成本，Jp为来自电池储能系统的充电和放电的潜在利润。具体如下：

式中，πg是与电网的电力交换价格Pg，i，Pch，i是充电功率，Pdh，i为放电功率，Sb，i是BESS在第i条总线上的充电状态（SoC）。此外，πg，avg是预测范围内的平均价格。（1）中的目标函数强制执行BESS的充电和放电必须盈利的标准。

来自光伏能源系统的发电功率Ppv，T是在采样时间T期间在第i个总线处使用的PV功率Ppv和PV功率削减Ppv，c的总和，如下

在时间步长t期间，第i个总线处的PV能量系统具有由逆变器施加的最大功率极限，如下

式中，upv，i是第i条总线上光伏能源系统运行状态的二进制决策变量。

BESS在第i个总线上的SoC可以通过简化的离散动力学方程来估计

式中，σbi表示自放电能量损失，ηch，i是BESS在第i条母线上的充电效率，ηdch，i是放电效率。可以强制执行BESS在第i条总线上的SoC限制，以便

BESS的充电和放电功率极限可以表示为

式中，uch，i和udch，i分别是第i条总线上充电和放电决策的二进制决策变量。

3 实例分析

为了验证所提出的能源管理策略的性能，对某地区实际配电系统中的一个可运行的商业电厂进行了案例分析。地理上分散的DER通过配电系统中的输电线路连接。为了保持适当的通信，独立的对称数字用户线用于上行和下行通信。本文中的分析是基于从电厂聚合器获得的真实数据进行的。

3.1 使用RHO+FC的VPP实时最优电力调度

使用所提出的能量管理策略（RHO+FC）在同一天对VPP 进行实时最优功率调度的结果如图所示。图2（a）-（b）段，功率流也如图3（a）-（f）所示。在每个RHO周期中，FC被应用六次，这需要对预测误差进行短期预测，然后进行调整。如图2（a）-（b）所示，FC通过近实时的短期预测，在RES和负载的输出中捕捉到了更多的不确定性，这反映在净负载变化中。从图中可以看出，2（a）-（b）从08：00到11：00和17：00到21：00，住宅（1-4）的设置点通过所提出的策略进行了广泛调整，以消除VPP实时操作中可能出现的不匹配。

图3 RHO+FC在VPP分支中的功率流

此外，在图2（c），对于行业（1-3），所提出的策略通过根据每个时间步长的预测误差调整调度设定点来应对意外干扰。

3.2 RHO与拟建RHO+FC的比较

为了评估拟议的能源管理策略，对RHO 和拟议的RHO+FC策略进行了比较，结果如表1所示。电厂系统的总负荷需求为1565.5 kW。与RHO 的1988 元相比，拟议能源管理RHO+FC 策略将当天的总成本降至1953 元。与RHO 的14.83%相比，拟议的能源管理RHO+FC 策略将平均相对失配率降至7.86%。负失配和正失配分别表示预测调度设定点高于或低于实际参考设定点。尽管与RHO 的1.8743 s 相比，所提出的能量管理RHO+FC 策略的平均计算时间略高达2.9772 s，但VPP 的实时操作是可以接受的，因为实时操作间隔为5min。

表1 RHO与所提出的RHO+FC的比较

实时地，VPP试图基于预测值来匹配激活的出价或报价，而实际可用功率与系统计算的预测值不同，因此，在预测功率和实际可用功率之间存在波动。图4（a）显示了VPP 使用RHO 与总线2 处电网的总功率交换，图4（b）显示了使用所提出的策略（RHO+FC）的净功率交换。图4（a）和（b）表明，所提出的策略在跟踪实际可用功率方面表现更好，因此，与RHO相比，需求和供应之间的总体不匹配减少了。

图4 总线2处与电网的净功率交换。（a）使用RHO（b）使用拟议的RHO+FC

4 结论

本文提出了一种自适应和预测的能量管理策略，用于VPP 的实时最优功率调度，该策略基于MPC 技术，带有FC 来补偿预测误差。拟议的战略包括两部分：1）RHO和2）FC。在RHO中，提出了一种混合SARIMA 模型和KF 算法来提高后退视界的预测精度。在FC 中，提出了一种快速滚动灰色短期预测模型来预测预测误差，以响应预测误差对调度进行自适应调整。利用RHO 和FC 技术，所提出的能量管理策略可以处理RES 和负载输出中的不确定性，并可以提高控制精度。仿真结果表明，与RHO 相比，该策略性能更好，在处理不确定扰动时降低了相对失配和运行成本。此外，该策略通过简化最优电力调度模型，在可接受的计算时间内计算出实时运行的解。