一種基于分布式模型預測控制的綜合能源系統優化調度方法

王紹荃

(浙江圖盛輸變電工程有限公司溫州科技分公司,浙江,溫州 325000)

0 引言

隨著社會能源需要量的持續增加,煤炭、石油等傳統能源的短缺現象更為嚴重。為有效解決傳統能源匱乏以及環境污染等問題,需要對能源進行革命。能源革命實際是以新能源技術和信息技術作為核心,可涉及電力、通信等領域。通過能源革命可提高新能源的利用效率,并最大限度地降低傳統能源的消耗速率,有利于促進綠色低碳的發展。采用集中式模型預測控制方式對綜合能源系統進行調度,可增加模型的階數。為此,本文提出一種基于分布式模型預測控制的綜合能源系統優化調度方法,該方法可有效降低在線求解的難度。

1 基于分布式模型預測控制的綜合能源系統優化調度設計

綜合能源系統實際上是一種依靠安全高效的優化運行技術提高綜合能源利用效率的系統,該系統具有能源互補以及協調運行等優勢,若綜合能源系統的運行存在失衡現象,可直接影響該系統的經濟性和可靠性。為提高綜合能源系統的預測精度,向系統中引進可再生能源預測技術,但是該技術存在一定誤差,不利于系統的穩定運行。本文將短期綜合能源系統內部協調控制作為主要研究對象,利用模型預測控制算法(MPC)實時更新綜合能源系統的狀態,有利于最大限度地降低預測誤差對系統產生的影響[1]。

隨著綜合能源系統規模的不斷擴大,使綜合能源系統的結構越來越復雜,若仍采用MPC實時更新綜合能源系統的狀態,可使系統出現計算復雜、可靠性差等缺陷,不利于對綜合能源系統進行最優控制。為有效控制綜合能源系統,向系統中引入分布式模型預測控制(DMPC),通過該控制方法提升綜合能源系統的基本性能。分布式模型預測控制可將系統內復雜的優化問題轉換為多個子系統,并對子系統進行求解,使綜合能源系統的結構簡單化。為最大限度地降低集中式控制的求解難度,利用DMPC強化各個子系統之間通信網絡的要求,并解決系統存在的耦合效應。分布式模型預測控制的架構[2]如圖1所示。圖中S代表系統內部劃分的多個子系統,各個子系統之間為相互關聯的關系,C代表控制器,可實現各個子系統的精準調節。

圖1 分布式模型預測控制結構示意圖

該控制方式可將系統劃分為多個子系統,各個子系統之間可相互聯系,通過各個子系統之間的相互協作,有利于降低計算的復雜程度,實現綜合能源系統系統的精準調控。DMPC的控制過程為:將綜合能源系統內各個子系統作為一個智能體,通過維持各個子系統之間的信息交換,實現整體任務的劃分,有利于提升綜合能源系統的控制性。假設DMPC在k時刻對未來j時刻進行預測輸出組成的序列為

yi(k)=[y1(k+11k),y2(k+21k),…,yi(k+j1k)]

(1)

該序列對應的控制變量為

Δui(k)=[Δui(k),Δui(k+1),…,Δui(k+j-1)]

(2)

該控制變量滿足的系統約束為

(3)

式中,i=1,2,…,N,umin、umax代表的含義為控制量的上下限約束,ymin、ymax代表的含義為輸出量的上下限約束。系統的整體控制策略為

(4)

式中,ω(k+m|k)代表的含義為綜合能源系統在k+m時刻的參考軌跡,y(k+m|k)代表的含義為綜合能源系統在k+m時刻的預測輸出變量,u(k+m)代表的含義為綜合能源系統在k+m時刻的控制變量,P代表的含義為輸出變量的權重系數矩陣,Q代表的含義為控制變量的權重系數矩陣[3]。

由于整體控制策略的計算規模較大,使求解過程較為困難,本研究采用DMPC實現綜合能源系統的分布式控制。通過DMPC對綜合能源系統進行優化控制時,應預測出其他N-1個子系統的最優解,在將參考軌跡作為主要依據,以此實現綜合能源系統的優化。可由個子系統表示整體控制策略,第n個子系統的控制策略公式為:

Qi(ui(k+m)-ui(k+m-1))2]+

(5)

式中,ω(k+m|k)代表的含義為綜合能源系統第i個子系統的參考軌跡,Qi代表的含義為第i個子系統輸出變量的權重系數,Pi代表的含義為第i個子系統控制變量的權重系數,Ci和Di均為第i個子系統的權重系數[4]。

對每個子系統進行優化時,最關鍵的環節是預測其他子系統的最優解。分布式預測控制的方式是將前一時刻輸出變量和控制變量的基本信息作為主要依據,在預測時域內完成預測模型的生成。該模型主要負責執行每個時刻最優解的第一列,最優解的其他序列可作為預測域內的最優解,將該解傳輸至其他子系統內部,實現每個子系統的自身優化,將優化結果與與系統要求進行對比,若優化解符合系統要求,停止該時刻的迭代。最后將最優解作為最終解傳遞給其他子系統,直至全部子系統均完成優化后,即可停止操作流程。分布式預測控制流程[5]如圖2所示。

圖2 分布式預測控制流程圖

2 基于多時間尺度滾動的綜合能源系統優化調度策略

為最大限度地減小可再生能源出力等干擾因素對綜合能源系統產生的影響,本研究將不同時間間隔作為主要依據,以此實現對綜合能源系統調度周期的劃分,該調度周期包括三個時間尺度:日前、日內以及實時。

2.1 日前調度模型

該模型的優化調度方式為:首先,獲取日前新能源出力預測信息和負荷預測信息,將多種類型的信息作為基礎,為綜合能源系統的優化調度提供有力依據;其次,將系統交互費用的最小值作為目標;最后,綜合考慮系統在運行過程中的約束條件,即可得到綜合能源系統在未來24 h之內的優化調度方案,綜合能源系統的日前調度模型為

(6)

式中,Ce(t)代表的含義為分時電價,Cg(t)代表的含義為分時氣價,Pchange(t)代表的含義為系統的購電功率,Vchange(t)代表的含義為系統購買的天然氣量,Hng代表的含義為天然氣熱值[6]。

綜合能源系統的負荷平衡約束公式為,

(7)

式中,Ppv(t)代表的含義為t時刻光伏的發電功率,Pwind(t)代表的含義為t時刻風電機組的發電功率,Le(t)、Lg(t)、Lh(t)依次為t時刻電、氣、熱負荷的需求量。

2.2 日內調度模型

該模型在系統中的主要作用是完成日前調度模型處理計劃的調整,通過對處理計劃進行調整,可為下階段的處理提供參考。該模型的優化調度方式:首先,獲取可再生能源和負荷預測信息,在預測時域內完成信息的更新;其次,為有效避免系統內各機組的頻繁啟動,充分考慮系統運行的最低費用,向優化調度計劃中加入機組啟停變化懲罰項,以此建立日內調度模型;最后為得到日內各機組的出力計劃,在滿足系統約束條件的基礎上,對綜合能源系統進行優化,該模型只執行控制時域的調度計劃;最后,綜合考慮系統在運行過程中的約束條件,按照劃分的時間間隔完成時域的更新預測,即可得到以15 min為周期的優化調度方案[7]。其目標函數公式為

(8)

式中,t0代表的含義為優化調度的起始時刻,Δt代表的含義為調度周期,n代表的含義為調度周期個數,i代表的含義為各臺機組集合,Ii代表的含義為各臺機組的啟停狀態,pi代表的含義為第i臺機組的啟停懲罰費用[8]。

2.3 實時調度模型

該優化調度模型為多時間尺度優化的最后一個步驟,其主要微調對象為日內出力計劃,通過該模型可實現前兩個階段生成計劃的修正,以此滿足綜合能源系統的實際需求[9]。調整方式為以5 min作為調整階段的時間間隔,將下一時刻的綜合能源系統輸出以及設備總調節量的最小值為目標,利用MPC算法實現日內出力計劃的優化。在日內滾動優化階段對計劃進行實時調整,多個階段均調整后,返回日內優化階段進行下一時刻的出力計劃制定,通過新的調整階段對該出力計劃進行優化,無限循環這兩個階段,以此得到最終的各機組出力計劃[10]。該系統的預測模型為

(9)

式中,ηmt代表的含義為燃氣輪機發電功率,μp2g代表的含義為p2g設備的轉化效率,Pr1(t+Δt)代表的含義為最終調度計劃值,r1={mt,p2g,eb,cha},Pr1(t)代表的含義為上階段優化計劃值,ΔPr2(t)代表的含義為實時階段修正值,r2={mt,p2g,eb},ΔPpv(t)和ΔPwind(t)代表的含義均為可再生能源擾動量,ΔLe(t)、ΔLg(t)、ΔLh(t)代表的含義為電、氣、熱負荷構成的擾動量[11]。

根據DMPC算法的要求,將能源轉換設備和控制器作為一個子系統,每5 min對系統進行一次優化,在各子系統進行相互交換之前,需要對最優控制序列進行優化,結合式(5)得到最優解,該解的數值即為控制變量,將其優化為輸出變量,實現最終出力計劃的確定[12]。實時調度模型的目標函數公式為

minFi=(Yi,r-Yi,f)TPi(Yi,r-Yi,f)+(Δui)TQiΔui

(10)

(11)

(12)

Δui=(ui(k+nΔt|k)-ui(k+(n-1)Δt|k)

(13)

3 基于分布式模型預測控制的綜合能源系統算例分析

為驗證該系統的優化調度性能,本文對綜合能源系統進行仿真分析。仿真過程中采用神經網絡法獲取新能源出力和負荷預測信息,該過需要考慮新能源和負荷預測存在的不確定性。假設日前預測階段可為其余兩個優化階段提供數據和各預測誤差分布,系統內風電/光伏機組均遵循正態分布。其中日內滾動優化階段的時域時間為2 h,控制時域可取1 h。分時電價如表1所示。

表1 分時電價

通過對系統的優化調度結果進行分析可知,綜合能源系統經過MPC和DMPC算法控制后,內部各個設備輸出功率的變化趨勢基本一致。但采用MPC算法對綜合能源系統內部設備進行控制時,各種類型的設備均出現功率波動幅度較大的現象,并且綜合能源系統優化過程中存在多個尖峰,而采用DMPC算法對綜合能源系統進行控制時,其內部設備功率變化更加平穩。產生該現象的主要原因為綜合能源系統經過MPC算法優化后,系統無法精準控制內部設備,將DMPC算法作為核心時,該算法可對調度任務進行分解,并分發給各個子系統。為滿足綜合能源系統的優化調度需求,需要建立系統內部設備與其他能源設備之間的聯系。在DMPC算法的支持下,可使綜合能源系統內部各能源耦合設備的出力情況處于穩定狀態。采用對比分析的方式比較DMPC算法和MPC算法可知,DPMC算法控制下的綜合能源系統內部設備的功率變化更加平滑,有利于提高各種類型設備的利用率,并降低系統內部各設備的功率損耗情況。基于分布式模型預測控制的綜合能源系統結構[14]如圖3所示。

圖3 基于分布式模型預測控制的綜合能源系統結構圖

通過比較MPC算法和DMPC算法的仿真時間可知,采用MPC算法對綜合能源系統進行優化時,該算法所需時間為61.501 s。采用DMPC算法對綜合能源系統進行優化時,該算法所需時間為53.447 s。DMPC算法比MPC算法需要的仿真時間減少了13%。采用DMPC算法對綜合能源系統進行優化求解時,可有效降低優化模型的階數,便于優化模型的求解。

本研究為計算不同調度策略下綜合能源系統的調度成本,采用日前調度、MPC、DMPC三種調度策略對綜合能源系統進行優化。其中日前調度策略消耗的成本僅為日運行費用,其余兩種策略中包含的費用為日運行費用和機組啟停懲罰費用。日前調度策略需要消耗的成本最少,但是該方法未考慮預測過程中存在的誤差,該調度策略可降低綜合能源系統的精度。采用對比分析的方式比較MPC控制策略和DMPC控制策略,DMPC策略控制下綜合能源系統的調度成本為2368.94,MPC策略控制下綜合能源系統的調度成本為2333.67,DMPC控制策略較MPC控制策略消耗的總費用下降了1.5%左右。產生該現象的主要原因為采用DMPC策略對綜合能源系統進行控制時,綜合能源系統的性能更優,符合系統對經濟性的要求,從而降低了綜合能源系統主要的總費用。不同控制策略下的調度成本如表2所示。

表2 不同控制策略下的調度成本

4 總結

本文將短期綜合能源系統內部協調控制作為主要研究對象,利用模型預測控制算法實時更新綜合能源系統的狀態,有利于最大限度地降低預測誤差對系統產生的影響。為有效控制綜合能源系統,向系統中引入分布式模型預測控制,通過該控制方法提升綜合能源系統的基本性能。采用對比分析的方式比較MPC控制策略和DMPC控制策略,DMPC控制策略的控制性能更優,符合系統對經濟性的要求。