提出了一种基于双层模型预测控制(model predictive control,MPC)的建筑与社区综合能源系统(integrated community energy system,ICES)主从博弈协调优化方法。首先,采用热阻-热容网络对建筑用户采暖负荷的热动态特性进行了建模。其次,...提出了一种基于双层模型预测控制(model predictive control,MPC)的建筑与社区综合能源系统(integrated community energy system,ICES)主从博弈协调优化方法。首先,采用热阻-热容网络对建筑用户采暖负荷的热动态特性进行了建模。其次,提出了基于双层MPC的建筑与ICES协调优化模型,在兼顾ICES运营商和建筑用户的差异化利益诉求的基础上,进一步考虑了在协调优化过程中面临的风电和光伏出力、ICES运营商向上级能源系统购买能源的价格、室外温度和光照强度等预测数据的不确定性。最后,通过算例验证了所提方法可合理平衡ICES和建筑用户的差异化利益诉求并有效应对协调优化中所面临的不确定性。展开更多
要:针对含电动汽车的综合能源系统(integrated energy system,IES)需要考虑可再生能源和需求侧的随机性和不确定性的问题,设计了一种基于经济模型预测控制(economic model predictive control,EMPC)的分层实时优化调度策略(hierarchical...要:针对含电动汽车的综合能源系统(integrated energy system,IES)需要考虑可再生能源和需求侧的随机性和不确定性的问题,设计了一种基于经济模型预测控制(economic model predictive control,EMPC)的分层实时优化调度策略(hierarchical real-time optimization strategy,HRTO),将整个系统的运行优化问题分为日前滚动优化,实时滚动优化和跟踪控制三个子问题。建立基于经济模型预测控制的日前优化策略,在保证经济性的同时确保启动的运行单元能够满足用户的需求,通过实时优化层优化整个IES的最优稳态操作点,设计跟踪模型预测控制器,跟踪上层传递的最优参考值。同时该策略通过引入电动汽车参与综合能源系统优化调度,充分发挥电动汽车的储能特性和灵活性,实现了电动汽车和各能源系统的协同优化。仿真分析表明,所提出的HRTO可以实现对电力负荷和建筑物温度设定点的跟踪。展开更多
针对现代电力系统中设施庞杂、多源异构海量数据难以有效处理、“信息孤岛”长期存在以及整体优化调度管理能力不足等问题,基于云控制系统理论,以智能电厂为研究对象,本文提出了智能电厂云控制系统(Intelligent power plant cloud contr...针对现代电力系统中设施庞杂、多源异构海量数据难以有效处理、“信息孤岛”长期存在以及整体优化调度管理能力不足等问题,基于云控制系统理论,以智能电厂为研究对象,本文提出了智能电厂云控制系统(Intelligent power plant cloud control system,IPPCCS)解决方案.基于智能电厂云控制系统,针对绿色能源发电波动性强、抗扰能力差的问题,利用机器学习算法对采集到的风电、光伏输出功率进行短时预测,获知未来风、光机组功率输出情况.在云端使用经济模型预测控制(Economic model predictive control,EMPC)算法,通过实时滚动优化得到水轮机组的功率预测调度策略,保证绿色能源互补发电的鲁棒性,充分消纳风、光两种能源,减少水轮机组启停和穿越振动区次数,在为用户清洁、稳定供电的同时降低了机组寿命损耗.最后,一个区域云数据中心的供电算例表明了本文方法的有效性.展开更多
文摘提出了一种基于双层模型预测控制(model predictive control,MPC)的建筑与社区综合能源系统(integrated community energy system,ICES)主从博弈协调优化方法。首先,采用热阻-热容网络对建筑用户采暖负荷的热动态特性进行了建模。其次,提出了基于双层MPC的建筑与ICES协调优化模型,在兼顾ICES运营商和建筑用户的差异化利益诉求的基础上,进一步考虑了在协调优化过程中面临的风电和光伏出力、ICES运营商向上级能源系统购买能源的价格、室外温度和光照强度等预测数据的不确定性。最后,通过算例验证了所提方法可合理平衡ICES和建筑用户的差异化利益诉求并有效应对协调优化中所面临的不确定性。
文摘要:针对含电动汽车的综合能源系统(integrated energy system,IES)需要考虑可再生能源和需求侧的随机性和不确定性的问题,设计了一种基于经济模型预测控制(economic model predictive control,EMPC)的分层实时优化调度策略(hierarchical real-time optimization strategy,HRTO),将整个系统的运行优化问题分为日前滚动优化,实时滚动优化和跟踪控制三个子问题。建立基于经济模型预测控制的日前优化策略,在保证经济性的同时确保启动的运行单元能够满足用户的需求,通过实时优化层优化整个IES的最优稳态操作点,设计跟踪模型预测控制器,跟踪上层传递的最优参考值。同时该策略通过引入电动汽车参与综合能源系统优化调度,充分发挥电动汽车的储能特性和灵活性,实现了电动汽车和各能源系统的协同优化。仿真分析表明,所提出的HRTO可以实现对电力负荷和建筑物温度设定点的跟踪。
文摘针对现代电力系统中设施庞杂、多源异构海量数据难以有效处理、“信息孤岛”长期存在以及整体优化调度管理能力不足等问题,基于云控制系统理论,以智能电厂为研究对象,本文提出了智能电厂云控制系统(Intelligent power plant cloud control system,IPPCCS)解决方案.基于智能电厂云控制系统,针对绿色能源发电波动性强、抗扰能力差的问题,利用机器学习算法对采集到的风电、光伏输出功率进行短时预测,获知未来风、光机组功率输出情况.在云端使用经济模型预测控制(Economic model predictive control,EMPC)算法,通过实时滚动优化得到水轮机组的功率预测调度策略,保证绿色能源互补发电的鲁棒性,充分消纳风、光两种能源,减少水轮机组启停和穿越振动区次数,在为用户清洁、稳定供电的同时降低了机组寿命损耗.最后,一个区域云数据中心的供电算例表明了本文方法的有效性.
