基于模型预测控制的并网纳米电网能量管理策略

《Scientific Reports》：A model predictive control-based energy management strategy for grid-connected nanogrids

　　

纳米电网已成为当代住宅电力系统的关键解决方案，为整合分布式能源（DERs），包括太阳能光伏（PVs）、风力发电机（WTs）、储能系统（ESSs）和柴油发电机（DGs），提供了稳健的框架。然而，消费者需求的不确定性以及可再生能源固有的间歇性，对维持稳定性、电能质量和经济高效运行提出了重大挑战。本研究提出了一种有效的两层能量管理策略（EMS），以降低运行成本，同时考虑系统限制以及能源需求、电网成本和可再生能源的不确定性。在第一层，利用负荷需求预测、可再生能源预测和电网电价，提前一天调度发电机组和储能系统。使用山羊优化算法（GOA）——一种受生物启发的元启发式优化算法——求解由此产生的有约束非线性优化问题。在所提出的EMS的第二层，模型预测控制（MPC）策略反复求解一个滚动时域优化问题，实时更新可用能源资源的功率设定值，以解决太阳辐照度、风速和需求方面的预测不准确性。通过两个测试案例场景对所提出的GOA-MPC-EMS进行评估：单个纳米电网运行，以及并网环境下的集成多纳米电网集群。结果表明，所提出的GOA-MPC-EMS在电价、天气状况和负荷需求的不确定性下，实现了并网纳米电网的经济且稳健的运行。为评估GOA在柴油发电机和电池最优日前调度中的有效性，将其与三种其他优化技术进行了比较，即梦想优化算法（DOA）、哈里斯鹰优化（HHO）和粒子群优化（PSO）。根据仿真结果，与无需求侧管理（DSM）的情景相比，使用GOA的日前运行成本降低了约23.85美元，使用DOA降低22.83美元，使用HHO降低18.30美元，使用PSO降低16.88美元，分别对应约8.16%、7.81%、6.26%和5.78%的成本节约。同时，实时EMS实现了每日额外节省16.39美元，相当于运行成本进一步降低约6.11%。

本研究针对并网纳米电网的能量管理问题展开。随着可再生能源在电力系统中的占比不断提高，传统集中式发电模式正向分布式发电转变。纳米电网（nanogrid, NG）作为小型微电网，可有效集成光伏（PV）、风电（WT）、储能系统（ESS）和柴油发电机（DG）等分布式能源（DERs），并在并网模式下与主电网进行功率交换，以保障本地负荷的可靠供电。然而，可再生能源出力具有强烈间歇性，负荷需求也呈现随机波动