[发明专利]一种基于模型预测控制的台区级充电负荷调控策略及方法

权利要求书

1.一种基于模型预测控制的台区级充电负荷调控方法，其特征在于，包括以下步骤：

步骤(1)：预测模型和场景选取；

步骤(2)：目标优化和条件约束；

步骤(3)：预测模型求解；

所述步骤(1)包括：

步骤(1-1)：日前预测和场景选取

光伏发电出力受光照强度、环境温湿度及不可预知阴影因素的影响，采用直接法进行光伏发电出力的日前短期预测，通过天气类型反映这些因素的影响，根据台区不同类型天气下光伏出力的历史信息，预测次日各时段的光伏发电新能源出力；

将天气类型分为晴天、多云、阴转多云、阴天、阴转雨、雨转阴和雨雪天7种，出现概率记为P_w1，P_w2，…，P_w7；天气类型及其出现概率由天气预报获取；如天气预报明日可能为阴天或阴转多云，概率分别为30％和70％，则根据历史数据分别生成两种场景下的光伏发电新能源出力情况，与出现概率一同作为日前优化的输入条件；

当台区位于工作场所时，日内充电行为占比较大；而当台区位于居民区时，日间充电行为则占比较大；根据历史订单信息确定充电行为比例，并取上下浮动15％，等概率的作为3组对次日充电场景的预测；

对日前的常规负荷预测进行简单化处理，取近两个相同类型日，工作日或非工作日的负荷曲线，最近1天出现概率取60％，较远1天出现概率取40％，作为次日常规负荷的两个不同场景；设日前光伏发电新能源出力、充电需求和常规负荷预测场景数分别为和则日前策略制定需要考虑的场景数为：

步骤(1-2)：日内滚动预测和场景选取

在日内滚动优化阶段，以当前量测值为基础，基于自回归滑动平均(Auto RegressiveMoving Average,ARMA)模型，对下一阶段的光伏发电新能源出力和常规负荷值进行滚动预测：

式中，x_t+i|t为t+i时刻光伏发电新能源出力和常规负荷在t时刻的预测值，φ和θ为相关系数，x_t+i-1、x_t+i-2为预测或实际值；ε为预测误差的随机变量，光伏发电新能源出力和常规负荷短期预测误差满足正态分布，其概率密度函数为：

用户通过移动终端向云平台发送预约信息，包括预计的抵达时间和预期的充电电量出于操作的可行性与便捷性，用户无需确定具体的到达时刻，而是根据平台提示选择一个到达时段，设置该时段与日内滚动优化的时间窗口重合；在滚动优化中，考虑用户实际到达时刻的随机性，设其在预约时段内均匀分布；

采用拉丁超立方抽样生成大量光伏发电新能源出力、常规负荷和电动汽车充电需求场景后，利用同步回代法进行场景削减，设削减后光伏发电新能源出力、常规负荷和充电到达时刻的场景数分别为和则日内滚动优化需要考虑的场景数为：

步骤(1-3)：实时校正BMS响应的不确定性

电动汽车k在t时刻的充电功率为电池荷电状态为充电桩向其发送的最大允许充电功率为

在实时校正环节中，考虑优化计算的速度，采用如下经验方法体现BMS响应不确定性的影响：

当或时,此时电池所能接受的最大充电功率较小，功率调节能力也较弱，

在时，有：

在时，有：

式中，为校正后的充电功率；为该电动汽车的最小充电功率，小于该功率时充电过程将终止；ω为响应深度，取ω＝0.2、ω＝0.8两个场景，并分别将其权重设置为80％和20％；

当时，此时电池充电处于稳定阶段，所能接受的最大充电功率较大，功率调节能力也较强，取ω＝0.2、ω＝0.9两个场景，并分别将其权重设置为10％和90％；

所述步骤(2)包括：

步骤(2-1)：日前预测的目标优化和条件约束

日前预测目标优化，日前策略制定以台区运行经济性最优为目标，如公式(7)、公式(8)所示：

式中，p_s为场景s的概率，C^DA为台区运行收益，T为日前优化时段数，分别为场景s下时段t向常规负荷和电动汽车的售电收益，为场景s下时段t台区向从外部购电的成本，为场景s下时段t向由于未完成调度计划而付出的惩罚成本；和分别为时段t常规负荷、电动汽车充电和外部购电的单价，c_f为惩罚因子；和分别为场景s下时段t台区常规负荷、电动汽车充电和总负荷功率；为时段t台区总功率上限或电网下发的调度负荷曲线；

台区功率平衡约束，如公式(9)、公式(10)所示：

式中，为场景s下时段t光伏发电功率，为场景s下时段t储能的充放电功率，当储能属于充电状态时取正值，而当储能属于放电状态时取负值；公式(10)确保了台区不向配网倒送功率、不超过允许功率或电网下发的调度限值；

充电需求约束，在日前策略制定过程中，根据电动汽车充电需求预测，优化电动汽车各时段的充电总功率，不对各充电桩的功率进行分配；

储能状态约束，根据日前优化调度的实际需要，有：

式中，为储能的最大充放电功率，和分别为储能容量的初始值和最大值；

新能源出力约束，如公式(13)所示：

式中，为场景s下时段t光伏发电的最大出力；

步骤(2-2)：日内滚动的目标优化和条件约束

日内滚动目标优化，如公式(14)所示：

日内滚动优化的目标和日前策略制定相同，优化时段为K，场景数为n_s，采用充电桩最大允许输出功率代替电动汽车的实际充电功率进行基于预测的日内滚动优化；

充电桩功率约束，如公式(15)—(17)所示：

式中，为台区充电桩i场景s下时段t输出的最大允许充电功率，N为台区充电桩总数，为场景s下时段t充电桩与电动汽车的连接状态；充电桩的编号i不是固定的，而是根据用户预约和优先到达的情况进行动态编码；

台区功率平衡约束，电动汽车充电可能会加剧台区三相不平衡问题，在日内滚动优化中，需考虑台区三相不平衡度的约束：

式中，x＝a,b,c，分别代表各相的功率，ρ为最大三相不平衡度；

新能源和储能约束，分布式新能源和储能装置采用单相安装方式，对各相情况进行分别考虑，如公式(22)所示：

式中为各相光伏发电的有功约束，储能各时段的运行策略在日前优化中已经确定，此时不再调整，若储能采用单相安装方式，则将总的功率和能量平均到各相即可；

步骤(2-3)：实时反馈校正的目标优化和条件约束

实时反馈校正目标优化，保证各相功率实际执行量与日内滚动优化结果的偏差最小：

式中，为时段t日内滚动优化的结果，为场景s下根据实测值对t时段的控制变量各充电桩最大允许输出功率进行调整后得到的各相功率；

实时反馈校正约束，如公式(24)—(26)所示：

式中，和为时刻t负荷、储能和光伏发电新能源出的量测值，为场景s下t时刻电动汽车k调节后的充电功率，其与充电桩k输出的最大允许充电功率之间关系如公式(5)、公式(6)所示；

所述步骤(3)包括：

日前策略制定为线性优化问题，台区管理规模有限，控制变量数量规模不大，采用成熟的优化算法求解；

日内滚动优化中考虑了三相平衡问题，为模型引入了非线性约束条件，对约束条件进行线性化处理；

将A、B、C三相功率分别记为P_a、P_b和P_c，将公式(19)转化成A相的平衡条件：

公式(27)线性化处理，令P_b＝P_a+Δx₁，P_c＝P_a+Δx₂，公式(27)转化为：

若Δx₁+Δx₂≥0，公式(28)等价于：

ρ(3P_a+Δx₁+Δx₂)-(Δx₁+Δx₂)≥0 公式(29)

ρ(3P_a+Δx₁+Δx₂)≥0，公式(29)在Δx₁+Δx₂≤0时仍然成立；

若Δx₁+Δx₂≤0，公式(28)等价于：

ρ(3P_a+Δx₁+Δx₂)+(Δx₁+Δx₂)≥0 公式(30)

ρ(3P_a+Δx₁+Δx₂)≥0，公式(29)在Δx₁+Δx₂≥0时仍然成立；

根据公式(29)、公式(30)，可将公式(19)所述非线性的三相平衡条件线性化求解；

实时反馈校正实现负荷跟随，校正的对象为各充电桩输出的最大允许充电功率，目标函数为控制变量的二次函数，约束条件均为线性；

所述一种基于模型预测控制的台区级充电负荷调控方法包括台区级充电负荷调控策略：

日前策略制定，根据台区所处位置历史电动汽车充电信息进行分析，调整日内/日间充电行为比例，生成电动汽车充电需求若干场景，并对分布式新能源出力、常规负荷进行日前多场景预测，生成典型场景集，构造目标函数和约束条件；在此基础上，以小时为间隔对次日台区各设备的运行情况进行日前优化，并确定部分设备的控制策略；

日内滚动优化，根据电动汽车用户的实时预约充电订单信息及短时间尺度的预测情况，利用滚动非线性优化方法，以ΔT为间隔，对KΔT时段内分配给各充电桩的最大允许充电功率和分布式新能源出力进行优化，并执行第一个时段的控制策略，在下一时间窗口根据最新量测值更新预测值并重复执行上述过程；

实时反馈校正，以Δt为更短的时间间隔启动，在充电功率、车载电池荷电状态(Stateof Charge,SoC)、常规负荷及分布式新能源出力实时量测值的基础上，考虑电池管理系统(Battery Management System,BMS)响应的随机性，对分配给各充电桩的最大允许充电功率进行修正，构成闭环优化控制。