基于VMD-MPC法的并網型微電網多時間尺度能量協調優化調度

趙鳳展，張啟承，張 宇，杜松懷，郝 帥，蘇 娟，趙婷婷

·農業生物環境與能源工程·

基于VMD-MPC法的并網型微電網多時間尺度能量協調優化調度

趙鳳展1，張啟承1，張 宇2，杜松懷1，郝 帥1，蘇 娟1，趙婷婷2

（1. 中國農業大學信息與電氣工程學院，北京 100083； 2. 國網北京市電力公司，北京 100031）

對于含有不同類型儲能和分布式電源（Distributed Generation, DG）的并網型微電網，如何優化調度這些設備以提高設備的使用壽命同時平抑DG出力和負荷的波動性與不確定性對配電網的影響具有重要的研究意義。該研究提出一種基于變分模態分解（Variational Modal Decomposition, VMD）和模型預測控制（Model Predictive Control, MPC）相結合的、多時間尺度滾動優化兼具反饋矯正的微電網優化調控模型，該模型在調度過程中考慮了不同類型儲能和可控微電源在不同時間尺度上的運行特性，設計了1 h和15 min相結合的調度控制策略，有效解決了含多種微電源及儲能設備的微電網的經濟優化調度問題；最后，通過算例對比驗證了此模型能比較顯著地降低鉛酸蓄電池充放電頻率和系統的運行成本、改善了調度經濟性，證明了該方法的有效性和優越性。

模型；預測；控制；并網型微電網；變分模態分解；多時間尺度；可控微電源；能量優化調度

0 引 言

分布式光伏（Photovoltaic，PV）在電網中的滲透率不斷提高。PV以微電網形式接入配電網被認為是提高分布式電源（Distributed Generation，DG）消納能力的一種友好的接入方式[1-3]。并網型微電網的控制策略改善了DG的不確定性對配電網的影響[4-7]。以往并網型微電網協調優化調度采用傳統單斷面優化調度，即根據某一采樣時刻微電網各分布式單元功率進行優化計算，得到這一時刻各分布式單元最優出力值，但這種開環優化方法效率低，優化性能差，無法作為微電網最優調度結果。模型預測控制（Model Predictive Control，MPC）采用某一時刻微電網各分布式單元預測功率進行優化計算，得到各分布式單元最優出力值進行計劃控制[8-13]。隨著負荷、PV預測方法的逐漸完善及預測精度逐步提高[14-19]，采用分布式單元預測功率進行優化的微電網模型預測控制理論正越來越受到學者的關注。模型預測控制采用日前最優經濟調度、日內模型預測控制滾動優化反饋校正的思路[20-25]，在日前根據短期預測結果計算成本最低調度方案，在日內根據超短期預測結果提前計算設備出力變化量從而對出力進行調整，同時結合系統實時狀態進行閉環反饋校正，最大限度地消除了DG不確定性的影響，確保了日前計劃的合理性及系統運行的穩定性。

微電網中不同的可控微電源（Controllable Micro-Source，CMS）含有不同時間尺度的運行特性，有些CMS可以進行短時間、高強度能量調度，有些CMS只能進行長時間、緩慢能量調度，在并網型微電網協調優化調度中，應當考慮這些CMS在時間上運行特性的不同，針對性的設計多時間尺度的控制模型[26]。

變分模態分解（Variational Mode Decomposition，VMD）是一種非遞歸、變模式的信號分解方法[27]，VMD可以將負荷序列分解為一系列頻率尺度由低到高的有限帶寬子序列。在電力系統負荷預測過程中已經應用VMD方法對原始負荷值進行分解得到一系列頻率尺度由低到高的子序列并分別建立預測模型[28-29]。本文設計了一套基于變分模態分解和模型預測控制（VMD-MPC）的并網型微電網多時間尺度能量協調優化調度策略，該方法采用VMD得到不同頻率尺度的日PV、負荷子序列，并對應各CMS在不同時間尺度上的運行特性建立多個不同時間尺度的協調優化調度模型，利用各模型計算相加得到各CMS調度結果。算例證明了該策略的有效性和經濟性。

1 變分模態分解及應用

本文采用變分模態分解VMD將日負荷、光伏序列分解為一系列頻率尺度由低到高的有限帶寬子序列。VMD采用非遞歸、變模態原理將信號分解成一系列有限帶寬子序列；VMD具有更好諧波分離能力，并且每個分序列具有更好波動特性[27]。VMD具體分解步驟詳見文獻[27-28]。

采用VMD將當日24 h的96個時刻的負荷值（每15 min一個測量值）、PV預測功率值分解為一系列頻率尺度由低到高的有限帶寬子序列。以日負荷為例說明，將日負荷序列通過VMD分解為負荷子序列1、2、3、4，其結果如圖1所示。

由圖1可見，4個子序列反映了不同頻率尺度上的日負荷曲線變化情況。子序列1、2為變化分量，子序列1反映了曲線的總體變化趨勢，子序列2反映了曲線的變化形狀；子序列3、4為波動分量，反映了曲線不同頻率尺度的隨機波動細節。

2 模型預測控制

模型預測控制（Model Predictive Control，MPC）是一種基于滾動優化和反饋校正方法的有限時域內閉環優化控制模型。MPC在日前進行最優經濟調度，得到下一日的基本調度計劃，并將該調度計劃提前下達至各CMS，并在下一日對其進行實時反饋校正。MPC日內反饋校正的機理為：在每一采樣時刻，考慮當前系統的運行狀態，以負荷和PV的超短期預測功率為輸入量，在線求解一個有限時長內微電網的最優調度問題，得到當前時刻及一個有限時長內各CMS的調度結果，并只執行當前時刻調度結果，在下一個采樣時刻，根據前一時刻調度后的系統狀態，重復上述過程。本文參考文獻[22]的MPC日內滾動優化調度模型，以文獻[14]及文獻[17]的負荷、PV超短期功率預測方法為基礎，以負荷、PV的日前短期預測功率值與日內超短期預測功率值的差值作為擾動輸入，以各CMS的功率增量作為控制變量，進行了MPC日內滾動優化調度。MPC流程圖如圖2所示。

3 多時間尺度日前優化調度模型

本文基于含有多種DG、儲能裝置和負荷的并網型微電網設計日前優化調度模型，微電網結構示意圖如圖3所示。

微電網內不同CMS在不同時間尺度上存在不同的運行特性：鉛酸蓄電池（Lead-Acid Battery，LAB）適合功率的慢速調控，超級電容器（Supercapacitor，SC）適合功率的快速調控[30]，兩種儲能優先向負荷進行供電，剩余電量輸送至配電網，這部分剩余電量產生的利潤納入微電網-配電網的售電利潤中；微型燃氣輪機（Micro-Turbine，MT，常用于冷熱電聯供系統）；小型生物質發電機（Biomass Power Generation，BPG，裝設于城市垃圾處理廠或農村秸稈處理廠中，采用環保燃燒發電模式）功率較小，既適應于功率快速調控、又適應于功率慢速調控，本文采用線性模型實現機組的簡化計算。

為了實現微電網各CMS的高效調控和系統整體的經濟運行，本文設計了考慮不同儲能調控特性與多CMS協調優化調控的多時間尺度日前優化調度模型，具體設計如下：首先輸入日前短期預測得到的負荷和PV功率序列，并經VMD分解得到表征不同頻率尺度的4個子序列：子序列1、2代表序列的趨勢和形狀分量，將用于微電網內功率的緩慢調度，即長時間尺度協調優化調度模型；子序列3、4代表序列變化的波動分量，將用于微電網內功率的快速調度，即短時間尺度協調優化調度模型。由此，對應設計了兩個時間尺度的4個協調優化調度模型：長時間尺度調度模型每隔1 h優化一次，即執行時長為1 h；短時間尺度調度模型每隔15 min優化一次，即執行時長為15 min。

3.1 長時間尺度日前優化調度模型

長時間尺度優化控制模型以1 h作為時間間隔，設計思路為：從負荷、PV的子序列1、2的96個采樣時刻值中抽取24個整點時刻值作為輸入值，以LAB、MT、BPG出力/充放電功率為控制變量，構建2個長時間尺度成本模型，滾動求解微電網未來24個整點時刻LAB、MT、BPG出力/充放電功率及公共耦合點電網聯絡功率PCC(Point of Common Coupling)。

3.1.1 優化目標

為保證并網型微電網系統的運行經濟性，長時間尺度優化控制模型的優化目標為系統調度成本最小，調度成本包括運行成本和環境成本，即

式中()為時刻并網型微電網調度成本，單位為美元（$），()為時刻運行成本函數，()為時刻環境成本函數，、是多目標的權重系數。運行成本和環境成本具體如下：

1）運行成本函數，包括各DG發電成本函數、LAB運行成本、微電網與配電網之間交易成本，具體為

2）環境成本函數，包括各DG及LAB 的污染排放總成本，具體為

表1 DG及LAB、SC污染排放總成本系數

注: PV, Photovoltaic; MT, Micro-Turbine; BPG, Biomass Power Generation; LAB, Lead-Acid Battery; SC, Supercapacitor.

3.1.2 約束條件

1）功率平衡約束[5]

2）聯絡線傳輸功率約束[6]

3）DG出力上下限約束[5]

4）DG出力爬坡約束[6]

5）LAB充放電功率限值約束[22]

6）LAB剩余容量約束[22]

由于LAB充放電效率及漏電等限制，在[-1，]()時段內向LAB進行充放電電量并不能完全轉化為儲能容量。LAB充電時，時刻的剩余容量為

LAB放電時，時刻的剩余容量為

則LAB剩余容量約束為

7）LAB周期性電量約束

為了保證一日內第個LAB調度的周期性，當日LAB的充電電量應等于當日LAB的放電電量，即

3.2 短時間尺度日前優化調度模型

短時間尺度優化控制模型以15 min作為時間間隔，設計思路為：以負荷、PV的子序列3、4做為輸入值，以SC、MT、BPG出力/充放電功率為控制變量，構建2個短時間尺度成本模型，滾動求解微電網未來96個時刻的SC、MT、BPG出力/充放電功率及PCC聯絡功率。

3.2.1 優化目標

短時間尺度優化控制模型的優化目標同樣為系統調度成本最小，系統調度成本同樣包括運行成本和環境成本，具體如下：

1）運行成本函數，包括各DG發電成本函數、SC運行成本、微電網與配電網之間交易成本，具體為

2）環境成本函數，包括各DG及SC的污染排放總成本，具體為

3.2.2 約束條件

短時間尺度優化控制的約束條件與長時間尺度優化控制的約束條件基本相同，不同之處如下：

1）功率平衡約束[5]

2）SC充放電功率限值約束[22]

3）SC剩余容量約束[22]

SC充電時，時刻的剩余容量為

SC放電時，時刻的剩余容量為

SC剩余容量約束為

4）SC周期性電量約束

4 基于變分模態分解-模型預測控制的多時間尺度能量協調優化調度策略

本文設計一套基于VMD-MPC的并網型微電網多時間尺度能量協調優化調度策略，其主要思路為：采用VMD將日前負荷和PV的預測功率分別分解為4個不同頻率尺度的子序列，并對應各子序列設計2個長時間尺度優化控制模型和2個短時間尺度優化控制模型，各控制模型針對含不同時間尺度運行特性的CMS及各自的控制目標分別執行單獨的模型預測控制，各CMS功率相加得到微電網日前調度計劃；在日內對各CMS的功率進行反饋校正。該策略流程圖如圖4所示。該策略具體步驟如下：

步驟1：將日前負荷、PV的96個時刻的短期預測數據進行VMD分解，得到4個子分量。

步驟2：從負荷、PV的子序列1、2的96個采樣時刻值中抽取24個整點時刻值作為長時間尺度協調優化調度模型的輸入數據。

步驟3：以1h為時間間隔的子序列1和子序列2分別輸入長時間尺度協調優化調度模型1、模型2，以15 min為時間間隔的子序列3和子序列4分別輸入短時間尺度協調優化調度模型3、模型4，4個優化模型根據不同負荷、PV子序列計算得到時刻LAB、SC、MT、BPG的出力/充放電功率及PCC聯絡功率結果。

步驟4：若為整點時刻，則最終各CMS有功功率為4個優化模型計算的各CMS有功功率相加；若不為整點時刻，則最終各CMS有功功率為優化模型3、模型4計算的各CMS有功功率加時刻之前最近整點時刻的優化模型1、模型2計算的各CMS有功功率。

步驟5：在日內每時刻對各CMS的功率進行反饋校正。

步驟6：調度時刻更新為下一15 min，根據調度后的系統狀態及下一時刻PV、負荷的超短期預測數據，重復上述過程。

5 算例分析

5.1 算例設計

1）實例介紹：本文采用中國北方某地電網一實際光伏發電微電網進行基于VMD-MPC的并網型微電網多時間尺度協調優化調度仿真，微電網LAB、SC、MT、BPG設備數量均為1，其參數如表2所示，當日各時段電力市場單位能量交易價格見文獻[20]。

2）起始數據：微電網內各設備起始功率如表3所示，LAB、SC起始容量分別為40、20 kW·h。

3）輸入數據：本算例輸入數據為2019年2月25日典型日的PV、負荷96個時刻的預測功率。

4）輸出數據：當日96個時刻MT、BPG、LAB、SC、PCC的出力/充放電功率/聯絡功率。

表2 微電網內各設備參數

注：PCC, Point of Common Coupling.

表3 微電網內各設備起始功率

5.2 計算結果及分析

5.2.1 功率調度效果分析

圖5給出了當日96個時刻PV、負荷預測功率及LAB、SC、MT、BPG的出力/充放電功率及PCC聯絡功率計算結果。由圖5可以看出：

1）PV：在7:00－18:00期間PV面板接受光照，因此該時段PV出力。

2）負荷LOAD：負荷在當日波動較大，由于工作生產及居家生活需要，負荷在上午及傍晚增長較大。

3）LAB：LAB進行長時間尺度優化調度，相鄰1h時段充放電功率變化緩慢，沒有出現突變情況；同時可以看出，凌晨至早晨負荷變化較小，LAB基本不工作；7:00－16:00期間PV出力，微電網電量充足，LAB存儲電量；16:00－24:00期間PV出力降低，LAB放電。

4）SC：SC進行短時間尺度優化調度，相鄰15 min時段充放電功率變化迅速，與負荷功率曲線對比可知SC對負荷突增有很好的跟蹤性能；在12:30時刻，SC放電功率為7.73 kW，微電網向配電網售電功率為11.46 kW，說明SC在向負荷供電后仍有多余電量通過PCC輸入配電網中，產生的利潤納入微電網-配電網的售電利潤中，減小了微電網運行成本。

5）MT、BPG：由于MT、BPG成本及污染較高，MT、BPG一天內出力基本穩定，無較大波動，說明該策略能最大限度地采用可再生能源供電。

6）PCC：凌晨至早晨負荷較小，微電網向配電網購電；白天PV出力，微電網電量充足，微電網向配電網售電；傍晚至凌晨微電網負荷升高，微電網電量不足，但電價較高，微電網購電量較少，負荷缺額主要由LAB供給。

5.2.2 2種儲能運行效果分析

LAB、SC的荷電狀態即剩余容量如圖6所示。由圖5、圖6結合看出，0:00－7:00期間LAB剩余容量變化較小；以16:00為分界線，LAB在7:00－16:00期間充電，剩余容量增大，在16:00－24:00期間放電，剩余容量減小；而SC則根據負荷波動進行充放電，剩余容量變化頻率較大，但變化量較小。由此再一次證明LAB具有長時間尺度功率調度的作用，SC具有短時間尺度功率調度的作用。

5.3 方法對比及分析

分別采用策略1：沒有VMD且非預測控制的傳統有功調度策略（Traditional strategy）；策略2：文獻[22]的MPC多時間尺度調度策略（MPC）；策略3：本文所提的VMD-MPC多時間尺度調度策略（VMD-MPC）進行仿真，并對功率調度效果、運行成本進行對比，以驗證本文所提調度策略具有更高的實用性及經濟性。其中策略1、策略2的時間間隔均為15min。

5.3.1 功率調度效果對比分析

通過分析3種策略每時刻的LAB充放電功率，驗證各策略的功率調度效果優劣。采用3種策略得到的LAB充放電功率如圖7所示。由圖7看出，由于采用了低頻率尺度的負荷、PV子分量進行1h尺度的優化調度，策略3的LAB充放電功率較前兩者相比變化更緩慢，說明本文所提的VMD-MPC調度策略更具可行性。

5.3.2 運行成本對比分析

采用3種策略得到的每時段系統運行成本如圖8所示。可以看出圖8的3條成本曲線呈現出的相同趨勢為：凌晨負荷需求較低，成本較小；白天微電網向配電網售電，成本較小；傍晚微電網從配電網購入電量，期間電力交易價格較高，因此成本較大。同時，比較這3條成本曲線可見，由策略3得到的運行成本曲線在當日各時段都為最低值。將3種策略當日96個時刻的系統運行成本分別相加，得到當日總成本依次為：192 272、174 388、155 031美元。策略3當日總成本與前2種策略相比分別下降了19.37%、11.10%，由此可見，本文所提的VMD-MPC調度策略可以有效降低微電網運行成本，更具經濟性優勢。

6 結 論

本文采用VMD將原始PV和負荷預測功率序列分解為不同頻率尺度的子序列，并考慮微電網中各CMS在不同時間尺度上的運行特性，設計了以成本最低為目標的多個不同時間尺度的協調優化調度模型及一套基于VMD-MPC的多時間尺度協調優化調度策略。該策略利用由VMD分解得到的不同頻率尺度的PV、負荷子序列分別控制不同時間尺度運行特性的CMS，實現了微電網各CMS的差異化控制。

算例分析及對比表明，本文所提的VMD-MPC多時間尺度協調優化調度策略具有2個方面的特點及優勢：1）實現了儲能設備的優化利用。本策略考慮了不同類型儲能（鉛酸蓄電池和超級電容器）的運行特性，設計了長、短時間尺度能量協調優化調度策略，更有利于儲能運行及延長壽命。2）算例當日總成本較對比策略分別下降了19.37%和11.10%，此策略顯著降低了系統的運行成本、改善了調度經濟性。

在本文提出的微電網多時間尺度協調優化調度策略的基礎上，可以進一步研究包含更多能源類型、更多場景的綜合能源系統的多時間尺度協調優化調度問題。

[1] 王成山，王瑞，于浩，等. 配電網形態演變下的協調規劃問題與挑戰[J]. 中國電機工程學報，2020，40(8)：2385-2396.

Wang Chengshan, Wang Rui, Yu Hao, et al. Problems and challenges of coordinated planning in distribution network configuration evolution[J]. Chinese Journal of Electrical Engineering, 2020, 40(8): 2385-2396. (in Chinese with English abstract)

[2] Danish M S S, Matayoshi H, Howlader H R, et al. Microgrid planning and design: resilience to sustainability[C]//2019 IEEE PES GTD Grand International Conference and Exposition Asia (GTD Asia), Bangkok, Thailand, 2019: 253-258.

[3] 李軍徽，張嘉輝，穆鋼，等. 計及負荷峰谷特性的儲能調峰日前優化調度策略[J]. 電力自動化設備，2020，40(7)：128-133，140.

Li Junhui, Zhang Jiahui, Mu Gang, et al. Optimal scheduling strategy for energy storage before peak and valley load characteristics[J]. Electric Power Automation Equipment, 2020, 40(7): 128-133, 140. (in Chinese with English abstract)

[4] 嚴干貴，蔡長興，段雙明，等. 考慮電池儲能單元分組優化的微電網運行控制策略[J]. 電力系統自動化，2020，44(23)：38-46.

Yan Gangui, Cai Changxing, Duan Shuangming, et al. Microgrid operation Control Strategy considering grouping optimization of battery energy storage units[J]. Power System Automation, 2020, 44(23): 38-46. (in Chinese with English abstract)

[5] 劉峪涵，汪沨，譚陽紅. 并網型微電網多目標容量優化配置及減排效益分析[J]. 電力系統及其自動化學報，2017，29(9)：70-75.

Liu Yuhan, Wang Feng, Tan Yanghong. Multi-objective optimal capacity configuration and emission reduction benefit analysis of grid-connected microgrid[J]. Proceedings of the CSU-EPSA, 2017, 29(9): 70-75. (in Chinese with English abstract)

[6] 徐意婷，艾芊. 含微電網的主動配電網協調優化調度方法[J]. 電力自動化設備，2016，36(11)：18-26.

Xu Yiting, Ai Qian. Coordinated optimal dispatch of active distribution network with microgrids[J]. Electric Power Automation Equipment, 2016, 36(11): 18-26. (in Chinese with English abstract)

[7] 周燁，汪可友，李國杰，等. 基于多智能體一致性算法的微電網分布式分層控制策略[J]. 電力系統自動化，2017，41(11)：142-149.

Zhou Ye, Wang Keyou, Li Guojie, et al. Distributed hierarchical control strategy for micro grid based on multi-agent consistency algorithm[J]. Power System Automation, 2017, 41(11): 142-149. (in Chinese with English abstract)

[8] Batiyah S, Zohrabi N, Abdelwahed S, et al. An MPC-based power management of a PV/battery system in an islanded DC microgrid[C]//2018 IEEE Transportation Electrification Conference and Expo (ITEC), Long Beach, CA, 2018: 231-236.

[9] 樂健，廖小兵，章琰天，等. 電力系統分布式模型預測控制方法綜述與展望[J]. 電力系統自動化，2020，44(23)：179-191.

Le Jian, Liao Xiaobing, Zhang Yantian, et al. Review and prospect of distributed model predictive control methods for power systems[J]. Automation of Electric Power Systems, 2020, 44(23): 179-191. (in Chinese with English abstract)

[10] Zhang W, Zhang F, Zhang J, et al. Parameter optimization and model identification of identification model control based on improved generalized predictive control[C]//Proceedings of 2018 International Computers, Signals and Systems Conference (ICOMSSC 2018), Dalian, China, 2018: 732-736.

[11] 曾宇，劉友波，高紅均，等. 基于模型預測控制的高壓配電網負荷轉供與儲能電站協同運行[J/OL]. 電網技術：1-11. https://doi.org/10.13335/j.1000-3673.pst. 2020. 1575.

Zeng Yu, Liu Youbo, Gao Hongjun, et al. Model predictive control based collaborative operation of high voltage distribution network load transfer and energy storage power station[J/OL]. Grid Technology: 1-11. https://doi.org/ 10.13335/j.1000-3673.pst.2020.1575. (in Chinese with English abstract)

[12] 劉穎明，王曉東，彭朝陽. 計及儲能出力水平的平滑風電功率模型預測控制策略[J]. 電網技術，2020，44(5)：1723-1731.

Liu Yingming, Wang Xiaodong, Peng Chaoyang. Smooth wind power model predictive control strategy considering storage output level[J]. Power Grid Technology, 2020, 44(5): 1723-1731. (in Chinese with English abstract)

[13] 葛樂，張偉，嚴鋒，等. 基于自適應模型預測控制的柔性互聯配電網優化調度[J]. 電力自動化設備，2020，40(6)：15-23.

Ge Le, Zhang Wei, Yan Feng, et al. Optimal scheduling of flexible interconnected distribution network based on adaptive model predictive control[J]. Electric Power Automation Equipment, 2020, 40(6): 15-23. (in Chinese with English abstract)

[14] 姚程文，楊蘋，劉澤健. 基于CNN-GRU混合神經網絡的負荷預測方法[J]. 電網技術，2020，44(9)：3416-3424.

Yao Chengwen, Yang Ping, Liu Zejian. Load forecasting method based on CNN-GRU hybrid neural network[J]. Power System Technology, 2020, 44(9): 3416-3424. (in Chinese with English abstract)

[15] 陸繼翔，張琪培，楊志宏，等. 基于CNN-LSTM混合神經網絡模型的短期負荷預測方法[J]. 電力系統自動化，2019，43(8)：131-137.

Lu Jixiang, Zhang Qipei, Yang Zhihong, et al. Short-term load forecasting method based on CNN-LSTM hybrid neural network model[J]. Automation of Electric Power Systems, 2019, 43(8): 131-137. (in Chinese with English abstract)

[16] 王育飛，楊啟星，薛花. 考慮混沌特征的增強型大腦情緒神經網絡光伏發電功率超短期預測模型[J/OL]. 高電壓技術，1-15. https://doi.org/10. 13336/j.1003- 6520.hve. 20201811.

Wang Yufei, Yang Qixing, Xue Hua. Ultra-short term prediction model of photovoltaic power generation based on enhanced brain emotional neural network considering chaotic characteristics [J/OL].High Voltage Technology, 1-15. https://doi.org/10.13336/j.1003-6520. hve. 20201811. (in Chinese with English abstract)

[17] 肖白，劉慶永，牛強，等. 基于元胞負荷特性分析的RBF神經網絡空間負荷預測方法[J]. 電網技術，2018，42(1)：301-307．

Xiao Bai, Liu Qingyong, Niu Qiang, et al. Spatial load prediction method based on RBF neural network based on cellular load characteristics analysis[J]. Power Grid Technology, 2018, 42(1): 301-307. (in Chinese with English abstract)

[18] 張金金，張倩，馬愿，等. 基于改進的隨機森林和密度聚類的短期負荷頻域預測方法[J]. 控制理論與應用，2020，37(10)：2257-2265.

Zhang Jinjin, Zhang Qian, Ma Yuan, et al. Short-term load frequency domain prediction method based on improved random forest and density clustering[J]. Control Theory and Application, 2020, 37(10): 2257-2265. (in Chinese with English abstract)

[19] 王小楊，羅多，孫韻琳，等. 基于ABC-SVM和PSO-RF的光伏微電網日發電功率組合預測方法研究[J]. 太陽能學報，2020，41(3)：177-183.

Wang Xiaoyang, Luo Duo, Sun Yunlin, et al. Research on the combination prediction method of daily power generation of PV micro-grid based on ABC-SVM and PSO-RF[J]. Journal of Solar Energy, 2020, 41(3): 177-183. (in Chinese with English abstract)

[20] 孫惠娟，張樂樂，彭春華. 基于差異化需求響應模型預測控制的微網時域滾動優化調度[J/OL]. 電網技術：1-10. http://kns.cnki.net/kcms/detail/11.2410.tm.20210107.1548.005.html.

Sun Huijuan, Zhang Lele, Peng Chunhua. Time-domain rolling optimal scheduling of micro-grid based on differential demand response model predictive control [J/OL]. Grid technology: 1-10. http://kns.cnki.net/kcms/detail/11.2410.tm. 20210107.1548.005.html. (in Chinese with English abstract)

[21] 王磊，周建平，朱劉柱，等. 基于分布式模型預測控制的綜合能源系統多時間尺度優化調度[J/OL]. 電力系統自動化：1-13. http://kns.cnki.net/kcms/detail/ 32.1180.TP. 20210315.1837.004.html.

Wang Lei, Zhou Jianping, Zhu Liuzhu, et al. Multi-time scale optimal scheduling of integrated energy system based on distributed model predictive control [J/OL]. Automation of Electric Power Systems: 1-13. http://kns.cnki.net/kcms/detail/ 32.1180.TP.20210315.1837. 004.html. (in Chinese with English abstract)

[22] 肖浩，裴瑋，孔力. 基于模型預測控制的微電網多時間尺度協調優化調度[J]. 電力系統自動化，2016，40(18)：7-14，55.

Xiao Hao, Pei Wei, Kong Li. Multi-time scale coordinated optimal dispatch of microgrid based on model predictive control[J]. Automation of Electric Power Systems, 2016, 40(18): 7-14, 55. (in Chinese with English abstract)

[23] 董雷，陳卉，蒲天驕，等. 基于模型預測控制的主動配電網多時間尺度動態優化調度[J]. 中國電機工程學報，2016，36(17)：4609-4617.

Dong Lei, Chen Hui, Pu Tianjiao, et al. Multi-time scale dynamic optimal dispatch in active distribution network based on model predictive control[J]. Proceedings of the CSEE, 2016, 36(17): 4609-4617. (in Chinese with English abstract)

[24] 竇曉波，曉宇，袁曉冬，等. 基于改進模型預測控制的微電網能量管理策略[J]. 電力系統自動化，2017，41(22)：56-65.

Dou Xiaobo, Xiao Yu, Yuan Xiaodong, et al. Energy management strategy based on improved model predictive control for microgrid[J]. Automation of Electric Power Systems, 2017, 41(22): 56-65. (in Chinese with English abstract)

[25] 張哲，王成福，董曉明，等. 基于分層模型預測控制的風電場電壓協調控制策略[J]. 電力系統自動化，2019，43(11)：34-42，94.

Zhang Zhe, Wang Chengfu, Dong Xiaoming, et al. Wind farm voltage coordination control strategy based on hierarchical model predictive control[J]. Power System Automation, 2019, 43(11): 34-42, 94. (in Chinese with English abstract)

[26] 張穎，季宇，唐云峰. 基于MPC含分布式光伏配電網有功功率—無功功率協調控制[J]. 電力系統自動化，2017，41(21)：140-146.

Zhang Ying, Ji Yu, Tang Yunfeng. Coordinated control of active and reactive power for distribution network with distributed photovoltaic based on model predictive control[J]. Automation of Electric Power Systems, 2017, 41(21): 140-146. (in Chinese with English abstract)

[27] Abdoos A A. A new intelligent method based on combination of VMD and ELM for short term wind power forecasting[J]. Neurocomputing, 2016, 203: 111-120.

[28] 趙鳳展，郝帥，張宇，等. 基于變分模態分解BA-LSSVM算法的配電網短期負荷預測[J]. 農業工程學報，2019，35(14)：190-197.

Zhao Fengzhan, Hao Shuai, Zhang Yu. et al. Short-term load forecasting for distribution transformer based on VMD-BA-LSSVM algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(14): 190-197. (in Chinese with English abstract)

[29] 梁智，孫國強，李虎成，等. 基于VMD與PSO優化深度信念網絡的短期負荷預測[J]. 電網技術，2018，42(2)：598-606.

Liang Zhi, Sun Guoqiang, Li Hucheng, et al. Short-term load forecasting based on VMD and PSO optimized deep belief network[J]. Power System Technology, 2018, 42(2): 598-606. (in Chinese with English abstract)

[30] Yao Liangzhong, Yang Bo, Cui Hongfen, et al. Challenges and progresses of energy storage technology and its application in power systems[J]. Journal of Modern Power Systems and Clean Energy, 2016, 4(4): 519-528.

Multi-time scale coordinated optimal energy dispatch of grid-connected microgrid using VMD-MPC

Zhao Fengzhan1, Zhang Qicheng1, Zhang Yu2, Du Songhuai1, Hao Shuai1, Su Juan1, Zhao Tingting2

(1. College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China;2. State Grid Beijing Electronic Power Company, Beijing 100031, China)

Distributed Photovoltaic (PV) is ever increasing in the power grid, as the current PV generation rapidly developed. However, it is difficult to directly coordinate the PV into the conventional power grid, due mainly to the intermittent and uncertain nature of PV power generation. As such, there is a great impact on the power flow of a system, particularly the volatility and uncertainty of the output and load demands of Distributed Generation (DG) power in grid-connected microgrids. A friendly way is widely expected that the PV can access the distribution network in the form of a microgrid for the enhanced DG absorption capacity. It is highly urgent to reduce the impact of such volatility and randomness on the energy transmission between microgrids and distribution networks. In this study, a multi-time scale coordinated optimization was performed on energy scheduling strategies using a Variational Modal Decommission-Model Predictive Control (VMD-MPC). Specifically, an MPC was a sort of optimal control with a closed-loop over a finite time domain, suitable for the nonlinear, time-varying, and uncertainty of the system. There was no differentiation scheduling on the forecast of PV power for each Controllable Micropower (CMS)in the microgrid operation because the load was directly applied in the previous multiple-time scale scheduling using MPC optimization. Consequently, some CMS (such as a Lead-Acid Battery, LAB) was run in a short time, high strength, and energy scheduling, whereas, some CMS (such as a Super Capacitor, SC) was only for a long and slow energy scheduling. Thus, the operating characteristics of CMS in different time scales should be considered in the optimization of scheduling. A VMD was utilized to acquire the different loads and subsequence in the PV series of frequency scales, thereby achieving the multiple coordinated optimization scheduling CMS models in different time scales. The scheduling model included a longtime scale of 1 hour and 15 min interval time for a short scale. Dispatching LAB, Micro gas Turbine (MT), and small Biomass Generator (BPG) were usually responded to the signals of a long-time scale. Scheduling SC, MT and BPG were responded to the signals of a short-time scale. The final scheduling was achieved for each CMS to realize the differentiated optimal processing of signals on different time scales, where the calculated values of each model were summed up. Then a feedback correction model was constructed to form a closed-loop control using the day-ahead scheduling, where the difference between the ultra-short-term forecast within the day and the day-ahead forecast was taken as the disturbance input, while the current operating state of the system was taken as the parameter, and the power increment of each CMS was taken as the control variable. The feedback correction effectively enhanced the robustness, while reduced the impact of the system that resulted from the uncertainty of load and PV output. As such, the optimal energy scheduling strategy effectively coordinated the grid-connected microgrids with multiple micro power sources and time scales. Taking a PV microgrid in North China as an example, an MATLAB software was used to simulate and verify the model, indicating optimal scheduling. Better feasibility, effectiveness, and economy of strategy were achieved from the perspectives of power scheduling and operating cost, compared with the traditional active power and MPC multi-time scale scheduling strategy. Accordingly, this finding can provide a practical and effective technical approach for high-permeability microgrids in energy trading under the environment of multiple renewable energy consumption and electricity market.

models; prediction; control; grid-connected microgrid; variational mode decomposition; multi-time scale; controllable micro-source; optimal energy dispatch

2020-12-07

2021-03-23

國家重點研發計劃項目（2016YFB0900101）；國家電網公司總部科技項目（52272216002N）

趙鳳展，博士，副教授，研究方向為智能配電網與微網分析、控制與評價。Email：zhaofz@cau.edu.cn

10.11975/j.issn.1002-6819.2021.07.023

TM 731

A

1002-6819(2021)-07-0190-09

趙鳳展，張啟承，張宇，等. 基于VMD-MPC法的并網型微電網多時間尺度能量協調優化調度[J]. 農業工程學報，2021，37(7)：190-198. doi：10.11975/j.issn.1002-6819.2021.07.023 http://www.tcsae.org

Zhao Fengzhan, Zhang Qicheng, Zhang Yu, et al. Multi-time scale coordinated optimal energy dispatch of grid-connected microgrid using VMD-MPC[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(7): 190-198. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.07.023 http://www.tcsae.org