一种基于新型分布式模型预测控制的含可再生能源与混合储能的孤岛式多微电网最优能源管理方法
《Renewable Energy》:A novel distributed model predictive control-based optimal energy management of islanded multimicrogrids with renewable energies and hybrid storage
【字体:
大
中
小
】
时间:2026年07月11日
来源:Renewable Energy 9.1
编辑推荐:
卡索姆·巴加特|穆罕默德·祖拜尔·巴约
中国四川省成都市西南交通大学电气工程学院,邮编611731
摘要
以孤岛模式运行的互连多微电网在维持能量平衡、减缓电池老化以及确保相邻微电网之间的有效协调方面面临巨大挑战。在离网和偏远地区,这些挑战尤为突出,因为确保能源安全与
卡索姆·巴加特|穆罕默德·祖拜尔·巴约
中国四川省成都市西南交通大学电气工程学院,邮编611731
摘要
以孤岛模式运行的互连多微电网在维持能量平衡、减缓电池老化以及确保相邻微电网之间的有效协调方面面临巨大挑战。在离网和偏远地区,这些挑战尤为突出,因为确保能源安全与可持续性对于长期运行至关重要。现有的能源管理策略往往难以同时优化能源调度、延长电池寿命并维持多个电网的稳定供电。本研究提出了一种基于新型分布式模型预测控制框架的先进能源管理策略。该策略通过构建混合整数二次规划模型来解决模型预测控制优化问题,并引入松弛变量将电池的充电状态限制在最佳范围内,从而减少电池老化。此外,还提出了一种利用加速分布式增广拉格朗日技术的去中心化协调机制,以提高供电可靠性并优化互连微电网之间的能源交换。仿真结果表明,与传统方法相比,所提出的策略可使储能系统的健康保持程度提高48.26%,循环寿命延长76.42%。
引言
实现联合国可持续发展目标7需要广泛整合可再生能源,以减少碳排放并确保可持续的能源供应[1]。微电网已成为为偏远和孤立地区供电以及推动可再生能源整合的可行解决方案[2]。引入能源存储系统后,微电网在并网和孤岛运行模式下的运营灵活性和可靠性均得到提升。然而,可再生能源的间歇性以及负载的不确定性使得能源管理更加复杂,可能增加存储需求和运营成本。因此,先进的协调策略对于高效管理可再生能源、能源存储系统及电动汽车至关重要[3]。已有研究提出了基于边际成本的互连微电网能源协调框架[3]。
近期研究着眼于电动汽车、能源存储系统与可再生能源的协同运行,以提高智能电网和微电网的效率与可靠性。有研究提出基于市场的办法,通过电动汽车聚合商与系统运营商之间的协调来管理拥堵问题[4]。结合光伏发电与电池储能系统的削峰策略,在降低需求、节省成本以及提高预测精度方面取得了良好效果[5]–[7]。与此同时,针对不确定环境下的电动汽车充电,人们开发了去中心化的需求侧管理框架[8];此外,随机调度和最优负荷转移策略也被用于提升运营灵活性和可再生能源利用率[9]。
单个微电网的容量有限,其在受到干扰时难以保持稳定。多微电网系统通过协同能源交换,能够在负载变化和可再生能源间歇性供应的情况下改善调度性能和运营韧性[10]。多微电网可以处于并网模式或孤岛模式[11]。在并网模式下,配电公司和市场运营商负责管理微电网与公共电网之间的能源交易,而各个微电网则在监控信号指导下运行,以确保可靠性和能量平衡[12]。在孤岛模式下,微电网需依靠本地资源及其他微电网来满足能源需求。因此,不同微电网之间的协调与信息共享对于保障系统稳定以及实现本地和整体目标极为重要[13]。
在孤岛模式下的多微电网面临的最大挑战之一,就是在可再生能源间歇性发电且资源有限的条件下保持供需平衡。能源存储系统可用于弥补能量缺口,提供快速功率补偿和频率调节,从而提升系统可靠性[14]–[15]。不过,电池的性能会受到其充电状态、过度充电/放电以及容量衰减的显著影响[16]。此外,频繁的深度放电会缩短电池的可用寿命并加速其老化过程[17]。因此,最优的能源调度不仅要最大化能源存储系统的利用率,还要尽量减少电池老化,确保多微电网的经济高效运行。
模型预测控制是一种备受青睐的技术,因其具备预测能力、滚动时域优化功能以及能够明确表达运营约束,而被越来越多地应用于多微电网的能源管理中[18]–[19]。集中式模型预测控制方法已被广泛用于能源存储系统的调度以及微电网间的协同电力管理,但其存在可扩展性差、结构复杂以及单点故障风险等问题[20]。为解决这些问题,人们提出了分层式和基于随机模型预测控制的能源管理框架,用以协调各微电网的运行,提高可再生能源的利用率,并在存在不确定性的情况下降低运营成本[21]–[22]。此外,还有研究探讨了利用智能控制、混合优化和预测控制技术来提升系统的效率、稳定性以及可再生能源的整合水平[23]–[24]。最近的研究还发现,合作型分布式模型预测控制框架在实现经济高效的调度、能源存储系统管理以及互连多微电网间的协同电力交换方面具有潜力[25]–[26]。然而,如表1所示,现有的分布式能源管理系统架构依赖于不完善的分布式信息交换,同时也没有兼顾电池寿命、运营效率以及微电网间全面协同之间的平衡。
本研究采用基于区域划分的模型预测控制方法来解决多微电网的能源调度问题,通过将电池的充电状态限制在规定的安全范围内,从而延长其循环寿命。所提出的方法对充电/放电过程设置惩罚机制,以减少能源存储系统的老化并延长电池使用寿命。在指定区域内限制电池充电状态,有助于减少电池损耗并维持其长期性能。此外,还采用了加速分布式增广拉格朗日协调机制,以确保局部和整体的供需平衡。本研究的主要贡献如下:
1. 提出了一种适用于孤岛模式多微电网的新型分布式模型预测控制方法,强调在能源调度和成本最小化方面的全面协作,以应对供需平衡方面的挑战。
2. 构建了一种区域控制优化框架,通过将能源存储系统的充电状态限制在最佳范围内,有效减缓电池老化并延长其使用寿命。
3. 采用基于加速分布式增广拉格朗日技术的协调策略,提升供电可靠性,并促进在分布式环境下互连多微电网之间的协同能源交换。
章节节选
系统概述与数学建模
本节介绍了互连微电网的整体架构,并对其各组成部件的动态建模进行了阐述,同时明确了每部分的相关约束条件。
模型预测控制
考虑到微电网的动态建模以及能量平衡约束和与互连微电网之间的交互作用,其模型表示如下:详细证明见附录中的引理1。
基于分布式模型预测控制的区域控制
在时间t时,模型预测控制的目标是在将电池充电状态保持在[20%,80%]这一理想范围的前提下,实现供需平衡。为此,引入了优化变量,以便根据供需目标来约束电池充电状态。其中,代表预测出的电池充电状态值,而的局部性能指标则定义为如下形式:在此架构中,电池的更新后预测充电状态上限由表示,相关约束则确保电池充电状态始终处于规定范围内。
结果与讨论
本研究采用一个由三个互连微电网组成的孤岛模式多微电网系统作为验证对象,每个微电网都配备了风力涡轮机、光伏发电装置、能源存储系统(包括电动汽车电池和固定式电池)以及动态负载。模型预测控制的预测和控制时间跨度分别设为P和M,系统参数详见表2[32]。为减缓电池老化,电池充电状态被限制在30%至80%之间,初始充电状态为70%。仿真是在MATLAB 2021a环境中进行的。
结论
本文提出了一种基于模型预测控制的孤岛模式多微电网能源管理框架。该框架通过基于区域划分的模型预测控制策略,将电池充电状态控制在预定的操作范围内,从而减缓电池老化并延长其使用寿命。此外,还采用了基于加速分布式增广拉格朗日技术的协调机制,以促进微电网间的能源交换,并在可再生能源发电量波动的情况下维持供需平衡。实验结果表明,所提出的方法具有较好的效果。
作者贡献说明
卡索姆·巴加特:软件工具应用、研究方法设计、数据收集与分析、概念构思。
穆罕默德·祖拜尔·巴约:论文撰写与修订、原始稿撰写、软件工具应用、研究方法设计、数据整理。
利益冲突声明
? 作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
术语表
MPC:模型预测控制
DMPC:分布式模型预测控制
ADAL:加速分布式增广拉格朗日技术
RES:可再生能源
MGM:微电网
MMGs:多微电网
ESS:能源存储系统
EMS:能源管理系统
EVs:电动汽车
SO:系统运营商
BESS:电池储能系统
DSM:需求侧管理
SoC:充电状态
DoD:深度放电
SoH:健康状态
PV:光伏发电
WT:风力涡轮机
MIQPM:混合整数二次规划
变量说明
Mi在时间步k时的关键负载
Mi在时间步k时的灵活负载
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号