电网协同下CSP-PV混合系统数据驱动随机模型预测控制优化运行研究

本文提出了一种创新的数据驱动随机模型预测控制（SMPC）框架，用于优化聚光太阳能发电（CSP）与光伏（PV）混合电站与电网的协同运行。该研究集成CNN-LSTM-Attention神经网络进行太阳辐照度和负荷预测，采用多时间尺度滚动优化机制，显著提升了系统经济性、运行灵活性与可再生能源消纳能力。

　　

主要贡献

基于文献综述，显而易见，很少有研究探讨CSP-PV混合发电系统在与电力系统协同运行的背景下，如何响应电网最优调度指令。此外，关于应用模型预测控制（MPC）于CSP-PV混合发电系统功率输出调节的研究仍然有限。这一空白阻碍了CSP-PV混合发电系统发挥其灵活调节能力的主动性。

本研究探讨了CSP-PV混合电站在电力市场环境下的协同运行范式。主要贡献如下：

• •
  开发了一个详细的CSP-PV混合电站运行模型，精确捕捉了其灵活性和调节特性。
• •
  提出了一种数据驱动的随机模型预测控制（SMPC）框架，该框架集成了一个用于太阳辐照度和负荷预测的CNN-LSTM-Attention（卷积神经网络-长短期记忆网络-注意力机制）混合神经网络回归预测模型。
• •
  设计了一种双时间尺度（日前和日内）滚动优化机制，使混合电站能够主动响应电网调度指令，并适应太阳能资源和负荷需求的不确定性。
• •
  通过案例研究，分析了三个关键敏感参数（热储能容量、太阳能场规模和电价波动）对混合电站性能的影响，为系统优化设计提供了见解。

混合电站模型

熔盐塔式（SPT）技术是中国主要的CSP技术，也是本研究中CSP-PV混合电站所考察的具体技术。CSP-PV混合发电系统主要包括三个关键部分：CSP系统、PV系统和热储能（TES）系统，如图1所示。CSP系统包含两个功能不同的子系统：a) 太阳能场子系统：包括定日镜场光学系统、中央塔结构和高温接收器；b) 动力块子系统：包含蒸汽轮机、发电机和相关辅助设备。PV系统将太阳能直接转换为电能。TES系统，通常使用熔盐作为储热介质，使得CSP部分能够将多余的热能储存起来，并在太阳能不足时（例如夜间或云遮期间）发电，从而提供至关重要的调度能力。

随机模型预测控制框架

随机模型预测控制通过两个连续的阶段运行：预测时域和控制时域，如图3所示。在预测时域内，整体框架分为三个步骤。在第一步（①）中，首先采用RIME算法优化CNN-LSTM-ATT混合神经网络的参数配置，利用历史气象和负荷数据。训练好的CNN-LSTM-ATT网络随后生成太阳辐照度和负荷需求的概率预测。在第二步（②）中，这些预测被输入到混合电站的详细运行模型中。第三步（③）涉及解决一个随机优化问题，以确定未来预测时域内的最优调度计划。只有当前控制时段的决策被实施。在下一个控制时段，整个过程使用最新的可用测量数据进行重复（滚动优化），从而实现反馈校正并适应不断变化的条件。

案例介绍

修改后的IEEE 30节点测试系统如图A.1所示（见附录A）。火电机组、CSP-PV混合电站和可再生能源设施（风电场/PV电站）的关键运行参数系统地记录在附录A的表A.1中[52,53]。CSP-PV混合电站特定的关键配置参数，包括储热容量和定日镜场规格，在表3中提供[10]。

分时电价方案基于中国某些地区的典型市场设计。假设一个高渗透率可再生能源的场景，其中CSP-PV混合电站与风电场和常规PV电站共存。研究了三种运行模式进行比较：基于规则的策略（优先夜间发电）、保证收购策略以及本研究提出的市场导向调度策略。

结论

本研究通过开发详细的运行模型和提出双时间尺度优化策略，探讨了CSP-PV混合电站的协同运行范式。为了解决太阳辐照度和负荷预测中的不确定性，开发了一个数据驱动的SMPC框架，集成了CNN-LSTM-ATT混合神经网络回归预测模型。该框架将CSP-PV混合电站的最优运行与日前和日内滚动优化相结合，实现了与电网调度的主动协同。案例研究结果表明，与基于规则的策略相比，所提出的策略表现出优越的经济性能和增强的电网兼容性，同时与保证收购策略相比，提供了更大的运行灵活性和主动调整能力。它有效降低了电力系统调度成本，并显著提高了可再生能源的利用率。