基于模型预测的微电网日内分层调度研究

第37卷第4期电力科学与工程V ol. 37, No. 4 2021年4月Electric Power Science and Engineering Apr., 2021 doi: 10.3969/j.ISSN.1672-0792.2021.04.001
基于模型预测的微电网日内分层调度研究张恒1，张靖1，肖迎群2，何宇1，刘影3，范璐钦1
（1. 贵州大学电气工程学院，贵州贵阳550025；2. 贵州理工学院大数据学院，贵州贵阳550003；
3. 贵州电网公司电网规划研究中心，贵州贵阳550001）
摘要：随着可再生能源的大规模接入，可再生能源和负荷不确定因素给微电网优化调度带来了新的挑战。

提出基于模型预测的微电网分层调度模型，采用分层模型预测控制策略实现“源–网–荷–储”的日内协调运行。

日内优化层以运行成本最小为目标函数，为日内修正层提供参考值。

日内修正层以修正后的调度计划与参考值偏差最小为目标函数，并根据预测输出与实测输出间的误差构成反馈环节，以解决不确定因素对优化调度的影响。

同时，为改善计算速度和精度，在模型预测控制中引入改进鲸鱼优化算法。

算例结果表明，基于模型预测的微电网日内分层调度策略具有较好的可行性和有效性。

关键词：不确定因素；分层模型预测控制；日内协调运行；误差反馈；改进鲸鱼优化算法
中图分类号：TM73 文献标识码：A 文章编号：1672-0792(2021)04-0001-10
Research on Intra-day Hierarchical Dispatching of Microgrid
Based on Model Prediction
ZHANG Heng1, ZHANG Jing1, XIAO Yingqun2, HE Yu1, LIU Ying3, FAN Luqin1
(1. The Electrical Engineering College, Guizhou University, Guiyang 550025, China;
2. School of Big Data, Guizhou Institute of Technology, Guiyang 550003, China;
3. Power Grid Planning Research Center, Guizhou Power Grid Corporation, Guiyang 550001, China)
Abstract: With the large-scale integration of renewable energy, renewable energy and load uncertainties have brought huge challenges to the optimal dispatching of microgrid. This paper proposes a hierarchical dispatching model for microgrid based on model prediction, and adopts predictive control strategies of the hierarchical model to realize the intra-day coordinated operation of “generation-grid-load-storage”. The
收稿日期：2020-12-15
基金项目：国家自然科学基金（51867005）；贵州省科技计划项目（[2018]5615）；贵州省科技计划项目（[2018]5781）
作者简介：张恒（1995—），男，硕士研究生，研究方向为微电网优化调度；
张靖（1979—），男，教授，研究方向为电力系统稳定、运行与控制；
肖迎群（1975—），男，副教授，研究方向为高维数据分析、机器学习；
何宇（1978—），女，副教授，研究方向为电力系统规划、电力系统稳定与运行等；
刘影（1978—），男，高级工程师，主要从事电力系统规划；
范璐钦（1995—），女，硕士研究生，研究方向为电力系统运行与控制。

通信作者：张靖
2 电力科学与工程2021年
intra-day optimization layer takes the minimum operating cost as the objective function to provide reference values for the intra-day correction layer; the intra-day correction layer takes the minimum deviation between the revised scheduling plan and the reference value as the objective function, and forms a feedback based on the error between the predictive output and the actual measured output to solve the influence of uncertain factors on optimal scheduling. At the same time, in order to improve the calculation speed and accuracy, an improved whale optimization algorithm is introduced into the model predictive control. The results of calculation examples show that the intra-day hierarchical dispatching strategy of microgrid based on model prediction is feasible and effective.
Key words: uncertain factors; hierarchical model predictive control; intra-day coordinated operation;
error feedback; improved whale optimization algorithm
0 引言
微电网作为由分布式能源、储能装置、负荷等汇集而成的小型发配电系统，可以实现本地能源协调调度，减少能源损耗，是电网的重要组成部分。

但可再生能源和负荷的不确定性，使微电网优化调度面临严峻的挑战[1]。

因此，如何应对微电网中的不确定性成为微电网优化调度亟待解决的问题[2-5]。

模型预测控制（model predictive control，MPC）是一种基于多种形式预测模型的控制策略，可以处理多变量约束问题，主要由模型预测、滚动优化和反馈校正3个环节组成。

其中，滚动优化和反馈校正可以较好地解决含有不确定因素的微电网优化调度问题[6-8]。

文献[9]提出考虑蓄电池充电模式和变时域MPC的微电网群能量管理策略，最大限度地消纳可再生能源，保证系统经济性。

文献[10]为解决可再生能源和负荷的预测不确定性，提出了基于时序动态约束的主动配电网日内经济调度。

但由于微电网的优化调度既要保证经济性又要保证稳定性，是一类复杂的多目标优化问题，且其时间尺度也不同，因此越来越多的研究采用分层架构以期解决此类多目标问题[7,11]。

文献[7]采用日前–日内架构，在日前阶段综合考虑各单元的随机性，建立最优经济调度模型；在日内阶段为应对可再生能源预测误差而提出基于MPC的校正控制策略。

文献[11]采用日前–日内–实时架构，在日前阶段根据日前预测信息，进行主动配电网有功无功优化调度；在日内阶段根据短期预测信息，以运行成本最小为优化目标确定计划出力；在实时阶段以未来输出与参考值偏差最小为目标函数，对出力计划进行反馈修正。

现有研究多基于日前–日内的优化模式，在日前阶段对整个优化周期进行一次性优化并将解序列全部下发，作为日内滚动优化的参考点。

在可再生能源和负荷预测精度较高的情况下，这种优化模式能得到很好的效果。

但是不确定因素的预测精度与预测提前时间成反比关系[10,12-13]，且预测误差会根据预测经过的时间而变化，尤其在预测后期，预测不确定性较高，影响调度计划的有效性[14]。

因此为减小日前–日内架构对预测精度的依赖以及预测误差对调度计划的影响，亟需采取微电网日内实时调度策略。

文献[15-16]为实时解决大规模风电并网时出力的不确定性以及电力系统优化的多目标问题，提出结合“分解–协调”递阶控制思想的日内分层模型预测方法，但其研究侧重于大规模风电系统，对于微电网整体的研究以及储能系统的作用未涉及。

而文献[17-19]提出基于MPC的两层决策架构，为微电网在并网状态和互联状态下寻求经济性和稳定性提供了新的解决方案,但是不确定性因素和储能成本对微电网运行的影响考虑不充分。

基于以上考虑，本文采用基于模型预测的微电网日内分层调度策略，在日内优化层中以微电网经济运行为目标，为修正层提供参考值；在日内修正层中根据参考值并考虑不确定因素的影响，以修正计划与参考值偏差最小为目标。

通过所提策略实时协调电网、可再生能源、负荷、储能电池之间的功率分配，减小不确定因素和预测误差对微电网日内优化调度的影响。

同时，为改善鲸鱼优化算法（whale optimization algorithm，WOA）在计算速度和精度上的缺陷，文中采用改进鲸鱼优化算法（improved whale optimization algorithm，IWOA）
第4期
张 恒，等：基于模型预测的微电网日内分层调度研究
3
求解所提策略中的滚动优化问题。

最后通过算例验证了所提策略的可行性和有效性。

1 微电网分层模型
如图1所示，本文微电网结构主要为并网型系统，由多个独立微电网构成，每个微电网都包含风力发电机、柴油发电机、储能电池以及负荷。

而所提调度策略旨在使“源–网–荷–储”间的功率合理分配，以满足经济性的调度计划为参考，减小不确定因素以及预测误差对日内优化调度的影响。

图1 微电网结构 Fig. 1 Microgrid structure
1.1 日内优化层
在满足微电网优化调度等式和不等式约束的情况下，日内优化层根据最小化运行成本指定各单元调度计划。

运行成本包括储能电池充放电成本、柴油发电机燃料成本以及与大电网功率交互成本。

1bat g ex
,,,01
min ()U N n
i t i t i t t i f C C C -===
++∑∑ （1） 式中：bat ,i t C 表示储能电池充放电成本；g
,i t
C 表示柴
油发电机燃料成本；ex ,i t C 表示微电网与大电网功率 交互成本。

bat ch ch 2
ch ch ch
,,,,,,dis dis 2dis dis dis ,,,,,()()()
()i t i t i t i t i t i t
i t i t i t i t i t
C a P b P c a P b P c =
+++++ （2）
g g g 2
g g g
,,,,,,()()i t
i t i t i t i t i t
C a P b P c =
++ （3）
ex ex ex
,,,()i t i t i t C b P = （4）
式中：ch ,i t P 、dis ,i t P 、g ,i t P 、ex
,i t P 分别是第i 个微电网
在t 时刻的储能电池充电功率、放电功率、柴油发 电机输出功率、与大电网交互功率；ch ,i t a 、dis ,i t a 、g ,i t a 分别表示储能电池充电、放电、柴油发电机燃料
的成本二次项系数；ch ,i t b 、dis ,i t b 、g ,i t b 分别表示储能
电池充电、放电、柴油发电机燃料的成本一次项
系数；ch ,i t c 、dis ,i t c 、g
,i t c 分别表示储能电池充电、放
电、柴油发电机燃料的成本常数项系数；ex ,i t b 是微 电网与大电网交互的成本价格。

微电网在优化调度中需要满足以下等式和不等式约束。

功率平衡约束：
w g ex l ch dis
,,,,,,i t i t i t i t i t i t P P P P P P ++-=- （5）
储能电池约束：
ch,min ch ch,max
,,,i t i t i t P P P ≤≤ （6） dis,min dis dis,max
,,,i t i t i t
P P P ≤≤ （7） ch dis
,,0i t i t P P ⋅= （8）
式中：ch,min ,i t P 、ch,max ,i t P 分别是储能电池充电功率的下限和上限；dis,min ,i t P 、dis,max ,i t
P 分别是储能电池 放电功率的下限和上限；式（8）表示储能电池不能同时工作在充电状态和放电状态。

柴油发电机输出功率上下限约束：
g,min g g,max
,,,i t i t i t
P P P ≤≤ （9） 式中：g,min ,i t P 、g,max ,i t P 分别是柴油发电机输出功率 的下限和上限。

柴油发电机爬坡约束：
g,min g g g,max
,,1i i t i i t P P P P
-∆-∆≤≤ （10） 式中：g,min i P ∆、g,max i P ∆分别是柴油发电机输出功 率的下限和上限。

与大电网交互功率上下限约束：
ex,min ex ex,max
,,,i t i t i t
P P P ≤≤ （11） 式中：ex,min ,i t P 、ex,max ,i t P 分别是与大电网交互功率 的下限和上限。

1.2 日内修正层
日内修正层遵循优化层提供的参考值，同时考虑可再生能源和负荷的不确定性，以修正后的调度计划与参考值偏差最小为目标函数。

L
1L 2
,ref 0
g,L g 2ex,L ex 2
,,ref ref 1[()2()()]N i i t t i i t i i t J P P P P P
P αβγ-==-+
-+-∑（12） 式中：L ,i t P 、g,L ,i t P 、ex,L
,i t
P 分别是第i 个微电网在t 时刻的储能电池剩余能量、柴油发电机输出功率、
与大电网交互功率；ref P 、g ref P 、ex
ref P 分别是优化
4
电 力 科 学 与 工 程
2021年
层提供给修正层的储能电池剩余能量参考值、柴油发电机输出功率参考值、与大电网交互功率参 考值；i α、i β、i γ分别是第i 个微电网对应变量 的偏差权重系数[17]。

约束条件参考优化层所示，包括功率平衡约束、储能电池约束、柴油发电机输出功率上下限约束、柴油发电机爬坡约束、与大电网交互功率上下限约束。

2 改进鲸鱼优化算法
鲸鱼优化算法（WOA ）是模拟鲸鱼泡泡网觅食法提出的新型群体智能算法。

与其他群体智能算法相比，WOA 算法在开发、搜索、避免局部最优和收敛性方面具有较大的优势，但同样存在其他群体智能算法的共性问题，如计算精度低、收敛速度慢且易陷入局部最优等[20]。

通过引入准反向学习策略、非线性收敛因子策略、自适应权重策略和随机差分变异策略能够克服上述缺陷
[21]。

改进鲸鱼优化算法IWOA 主要包括初始化种群、包围捕食、螺旋更新、猎物搜寻和随机差分变异。

2.1 初始化种群
WOA 算法随机初始化的种群不能保证解的
有效性，从而影响计算速度和精度。

因此，通过准反向学习策略形成种群，将随机种群与准反向学习种群结合形成新种群，并根据适应度函数求取优化种群。

在IWOA 算法中，假设鲸鱼种群规模为N ，搜索空间为d ，第j 只鲸鱼个体在d 维空间中
的位置向量可以表示为12(,,,)d
j j j j x x x = X ，
其中， j =1,2,···,N 。

而第j 只鲸鱼个体在第d 维空间中的位置反向解可以表示为：
d d d d j j j j x a b x =+- （13） 式中：[,]d d d j
j j x a b ∈，d
j
a 和d j
b 分别是
d j
x 的下限和
上限。

并且为提高反向解的高质量性，引入准反向解，则第j 只鲸鱼个体在第d 维空间中的准反向解可以表示为：
rand(avg ,),avg ˆrand(,avg ),avg d d d d j j j j d
j d d d d
j j j j x x x x x ⎧⎪=⎨>⎪⎩
≤ （14） 式中：avg 2
d d
j j
d j b a -=。

最后，提出随机解与准反向解的择优机制，
将随机产生的N 个个体与准反向学习产生的N 个个体进行合并，并根据适应度函数进行择优处理，保证种群较快收敛到全局最优解。

2.2 包围捕食、螺旋更新和猎物搜寻
在IWOA 算法中，引入改进局部搜索能力的自适应权重策略和平衡全局搜索能力与局部开发能力的非线性收敛因子策略，其详细内容如下。

在包围捕食阶段，假设当前最优鲸鱼个体为猎物，其他个体均向最优鲸鱼个体逼近。

则包围捕食阶段的数学模型为：
|()()|p D C k k =⋅-X X （15）
(1)()p k k A D ω+=⋅-⋅X X （16）
式中：k 为当前迭代次数；X (k )为当前鲸鱼个体的位置向量；
X p (k )为当前最优鲸鱼个体的位置向量；ω为自适应权重；其中，ω、A 和C 的数学模型为：
Max
e
1
1e 1
k
ω-=-
- （17） 12A ar a =- （18）
22C r = （19）
式中：r 1和r 2为[0,1]之间的随机数；Max 为最大
迭代次数；a 为非线性收敛因子，其数学模型为：
22sin(π)Max
k
a μϕ=-+ （20）
式中：1
2
μ=；0ϕ=。

在螺旋更新阶段，鲸鱼个体游走逼近猎物时需要先计算与猎物之间的距离，然后以螺旋方式更新位置，其数学模型为：
(1)e cos(2π)()bl p k D l k ω+=⋅⋅+⋅X X （21）
式中：D 与式（15）一致；b 是定义对数螺旋形状的常数；l 为[–1,1]之间的随机数。

为了描述鲸鱼个体包围捕食的同时螺旋逼近猎物，引入概率p 来判断鲸鱼个体所采取的位置更新方式，其数学模型为：
(),0.5(1)e cos(2π)(),0.5p bl
p k A D
p k D l k p ωω⋅-⋅<⎧⎪+=⎨⋅⋅+⋅⎪⎩
≥X X X （22）
式中：p 为[0,1]之间的随机数。

在搜寻猎物阶段，鲸鱼个体无法获取猎物位置信息，需采取式（22）之外的随机捕食方式。

第4期
张 恒，等：基于模型预测的微电网日内分层调度研究
5
通过|A |的值判断是搜索猎物阶段还是上述捕食阶段，即|A |≥1时，鲸鱼个体需要采用随机方式尝试搜寻猎物的位置信息，其数学模型为：
rand ()()D C k k =⋅-X X （23）
rand (1)()k k A D +=-⋅X X （24）
式中：X rand (k )为从当前鲸鱼种群中随机选取的个体位置向量。

2.3 随机差分变异
WOA 算法在后期易陷入局部最优，出现早熟收敛的情况。

为此，引入避免陷入局部最优的随机差分变异策略，其数学模型为：
34(1)()(()())(()())
p p k k r k k ar k k '+=+-+
'-X X X X X X （25）
式中：X ′(k )为种群中随机选取的鲸鱼个体；r 3和
r 4是[0,1]之间的随机数。

在包围捕食或螺旋更新时，鲸鱼个体采用自适应权重策略进行位置更新，之后采用随机差分变异策略再次进行更新，取变化前后的最优位置，加快种群收敛，防止陷入局部最优。

IWOA 算法流程如图2所示。

图2 改进鲸鱼优化算法
Fig. 2 Improved whale optimization algorithm 3 基于MPC 的微电网日内分层调度
3.1 MPC 基本理论
MPC 是一种基于模型的有限时域闭环控制算法，其核心思想包括模型预测、滚动优化、反馈校正[22] 3个环节。

由于MPC 可以处理具有时变性、非线性和约束问题，能够及时修正由模型失配、干扰等引起的不确定性问题[13]，使其实际控制性能得以提高，并且被应用在含有不确定因素的微电网优化调度中。

MPC 具体过程：在当前时刻，以当前状态和预
测模型预测系统未来有限时域的状态；在变量约束范围内求解优化问题，得到未来预测时域内的最优控制解序列，并将序列中第一个解作用于系统；下一时刻，基于当前时刻的最新状态重复上述过程。

3.2 基于MPC 的微电网日内分层调度
日内分层调度过程如图3所示，优化层调度每15 min 启动一次，每次给出未来4 h 的调度计划，但每次只执行第一个时刻的调度计划；而修正层每5 min 启动一次，每次给出未来15 min 的调度计划，同理，每次只执行第一个时刻的调度计划[23]。

所提分层决策中各层间的联系体现在通过求解一层决策而影响另一层决策，以此得到每个时间区间的控制动作，即：优化层仅将修正层对应时域内的调度计划下发，作为修正层参考值；而修正层根据参考值并考虑不确定因素影响，修正控制量，最终将微电网实时状态返给修正层和优化层，作为下一时刻的初始状态。

图3 日内分层调度过程
Fig. 3 Intra-day hierarchical dispatching process
优化层将储能电池剩余能量作为状态变量，
短期风力发电机输出功率和负荷功率的负值作为扰动变量，柴油发电机输出功率和与大电网交互功率作为控制变量，建立基于储能电池剩余能量的状态空间模型：
6
电 力 科 学 与 工 程
2021年
w g ex l
,1,,,,,1,g ex T
w l T
11,,11,,()[][][][]i t i i t i t i t i t i t i i t i t i t i t i t P a P P P P P a P
P P P P ∆∆∆∆∆+=+++-=++-（26）
式中：a i 为储能电池剩余能量自损耗系数；Δ1为优化层时间间隔。

修正层将储能电池剩余能量作为状态变量，超短期风力发电机输出功率和负荷功率的负值作为扰动变量，柴油发电机输出功率和与大电网交互功率作为控制变量，建立基于储能电池剩余能量的状态空间模型：
L
L
w,L g,L ex,L l,L L ,1
,,,,,2
,g,L ex,L T w,L l,L T 22,,22,,()[][][][]
i t i i t
i t
i t
i t i t i i t
i t i t i t i t P a P P P P P a P P P P P ∆∆∆∆∆+=++
+
-=
+
+-（27）
式中：Δ2为修正层时间间隔。

由于储能系统存储和输出的双向功能，使其在解决微电网自身以及微电网和大电网之间功率不平衡问题时被广泛考虑，并且在MPC 中，状态变量是与上一时刻状态值相关的变量，因此选取储能剩余能量作为状态变量。

为减小不确定因素和预测误差对微电网优化调度的影响，采用风电出力和负荷功率作为扰动变量，从而根据目标函数求取柴油发电机输出功率和与大电网交互功率的最优值。

将上述基于MPC 的日内分层调度策略应用于微电网优化调度中，采用IWOA 算法求解优化问题。

其具体流程如图4所示。

图4 基于MPC 的微电网日内分层调度
Fig. 4 Intra-day hierarchical dispatching of microgrid based
on MPC
4 算例分析
本文以3个独立微电网构成的并网系统为例进行分析，其中单个微电网的拓扑结构如图1所示。

各微电网分布式电源参数如表1所示，且微电网储能电池剩余能量自损耗系数均为0.9。

优化层每15 min 启动一次，Δ1=0.25，修正层每5 min 启动一次，Δ2=1/12。

对于偏差权重的选取参考文献[17]，αi =2，βi =10，γi =20。

采用MATLAB 进行
编程，求解基于MPC 的微电网日内分层调度问题。

表1 微电网分布式电源参数
Tab. 1 Parameters of distributed grid for microgrid
微网
风机额定
功率/kW
柴油机额定
功率/kW 储能电池额定功率/kW
额定容量/（kW·h ）
MG1 600 500 2 501/500 MG2 650 500 2 501/500 MG3
550
400
2 201/200
4.1 仿真结果
文中优化层96个时刻的调度计划以及修正层
288个时刻的调度计划如图5~8所示，其中，图5是优化层储能剩余能量，图6是修正层储能剩余能量，图7是优化层有功出力，
图8是修正层有功出力。

图5 优化层储能剩余能量
Fig. 5 Remaining energy of optimized layer energy storage
以MG3为例，在各变量约束范围内，基于修正层第141个时刻提供的最新状态变量以及优化层第48个时刻预测时域内的扰动变量数据，
为满足
第4期张恒，等：基于模型预测的微电网日内分层调度研究7
图6 修正层储能剩余能量
Fig. 6 Remaining energy of correction layer energy storage
图7 优化层有功出力
Fig. 7
Active output of optimization layer
图8 修正层有功出力
Fig. 8 Active output of correction layer
系统在预测时域内经济最优，柴油发电机输出功率应为213.4 kW，与大电网交互功率应为50.98 kW，储能剩余能量为394.4 kW·h；在各变量约束范围内，基于优化层所提供的参考值和修正层第142个时刻预测时域内的扰动变量数据，为使考虑不确定因素后的调度计划与参考值偏差最小，柴油发电机输出功率应为140.1 kW，与大电网交互功率应为51.65 kW，储能剩余能量应为383.7 kW·h。

4.2 经济性对比分析
为了验证本文调度模型中所提IWOA的优
8 电力科学与工程2021年
势，将其与WOA在经济性方面进行比较。

IWOA 算法的改进之处主要是自适应权重策略和随机差分变异策略，同时，考虑了准反向学习策略和非线性收敛因子策略。

其改进既保证了计算速度，又提高了计算精度，同时避免了陷入局部最优。

从图9中可以看出，IWOA算法在大多数时刻的运行成本比WOA算法要低。

日内总运行成本比WOA算法的日内总运行成本低19.66%。

图9 基于IWOA和WOA的运行成本比较
Fig. 9 Comparison of operating costs based on
IWOA and WOA
4.3跟踪性对比分析
为了验证本文所提调度模型的跟踪性能，将修正层修正后的调度计划与优化层提供的调度计划进行比较。

如图10~12所示，所提调度模型具有较好的跟踪性能。

其中，纵轴表示各微电网的储能剩余能量、柴油机输出功率以及与电网交互功率。

文中将满足经济性的调度计划作为参考值，以修正计划与参考值偏差最小为目标，根据偏差权重系数合理分配各单元出力。

图10 MG1跟踪效果对比
Fig. 10
Comparison of tracking effect of MG1
图11 MG2跟踪效果对比
Fig. 11
Comparison of tracking effect of MG2
图12 MG3跟踪效果对比
Fig. 12 Comparison of tracking effect of MG3
5 结论
本文提出了一种基于模型预测的微电网日内分层调度策略，该策略采用优化层和修正层的结构，优化层以微电网经济运行为目标，修正层以解决不确定因素影响为目标，能够减小不确定因素和预测误差对微电网日内优化调度的影响。

同时，为克服WOA算法收敛速度和计算精度低且易陷入局部最优的缺点，提出基于准反向学习策略、非线性收敛因子策略、自适应权重策略和随机差分变异策略的改进鲸鱼优化算法。

通过算例验证，本文提出的基于模型预测的微电网日内分层调度方法具有较好的可行性和有效性。

参考文献：
[1] ZHANG J, FAN L Q, ZHANG Y, et al. A probabilistic
assessment method for voltage stability considering
第4期张恒，等：基于模型预测的微电网日内分层调度研究9
large scale correlated stochastic variables[J]. IEEE Access, 2020, 8: 5407-5415.
[2] 夏超英, 苗海丽. 基于二次型最优控制的微电网实时
能量管理策略[J]. 中国电机工程学报, 2019, 39(3): 721-730.
XIA CHAOYING, MIAO HAILI. Real-time energy management strategy for micro-grid based on the quadratic optimal control theory[J]. Proceedings of the CSEE, 2019, 39(3): 721-730(in Chinese).
[3] WANG J H, WANG M H, LI H P. Energy management
strategy for microgrid including hybrid energy storage[C]// 2018 Asian Conference on Energy. Power and Transportation Electrification(ACEPT). Singapore: IEEE, 2018: 1-6.
[4] MONESHA S, KUMAR S G, RIVERA M.
Methodologies of energy management and control in microgrid[J]. IEEE Latin America Transactions , 2018, 16(9): 2345-2353.
[5] 陈静川, 蔡泽祥, 马国龙. 计及不确定性耦合与负荷
需求管理的孤岛微电网电源容量优化[J]. 南方电网技术, 2020, 14(7): 46-55.
CHEN JINGCHUAN, CAI ZEXIANG, MA GUOLONG. Power capacity optimization of islanded microgrid considering uncertainty coupling and load demand management[J]. Southern Power System Technology, 2020, 14(7): 46-55(in Chinese).
[6] 靳小龙, 穆云飞, 贾宏杰, 等. 集成智能楼宇的微网
系统多时间尺度模型预测调度方法[J]. 电力系统自动化, 2019, 43(16): 25-33.
JIN XIAOLONG, MU YUNFEI, JIA HONGJIE, et al.
Model predictive control based multiple-time- scheduling method for microgrid system with smart buildings integrated[J]. Automation of Electric Power Systems, 2019, 43(16): 25-33(in Chinese).
[7] 肖浩, 裴玮, 孔力. 基于模型预测控制的微电网多时
间尺度协调优化调度[J]. 电力系统自动化, 2016, 40(18): 7-14.
XIAO HAO, PEI WEI, KONG LI. Multi-time scale coordinated optimal dispatch of microgrid based on model predictive control[J]. Automation of Electric Power Systems, 2016, 40(18): 7-14(in Chinese).
[8] BIFARETTI S, BONAIUTO V, BRUNI G, et al.
Domestic microgrid energy management: model predictive control strategies ex-perimental validation[C]// 2015 IEEE 15th International Conference on Environment and Electrical Engineering(EEEIC).
Rome, Italy: IEEE, 2015: 2221-2225.
[9] 孟洪民, 刘迪, 李强, 等. 考虑蓄电池健康的微电网
群模型预测控制能量管理策略[J]. 电力自动化设备,
2019, 39(6): 88-95.
MENG HONGMIN, LIU DI, LI QIANG, et al. Energy management strategy based on model predictive control of microgrid cluster considering battery health[J].
Electric Power Automation Equipment, 2019, 39(6): 88-95(in Chinese).
[10] 李振坤, 崔静, 路群, 等. 基于时序动态约束的主动
配电网滚动优化调度[J]. 电力系统自动化, 2019, 43(16): 17-24.
LI ZHENKUN, CUI JING, LU QUN, et al. Rolling optimal scheduling of active distribution network based on sequential dynamic constraints[J]. Automation of Electric Power Systems, 2019, 43(16): 17-24(in Chinese).
[11] 任佳依, 顾伟, 王勇, 等. 基于模型预测控制的主动
配电网多时间尺度有功无功协调调度[J]. 中国电机工程学报, 2018, 38(5): 1397-1407.
REN JIAYI, GU WEI, WANG YONG, et al. Multi-time scale active and reactive power coordinated optimal dispatch in active distribution network based on model predictive control[J]. Proceedings of the CSEE, 2018, 38(5): 1397-1407(in Chinese).
[12] 董雷, 陈卉, 蒲天骄, 等. 基于模型预测控制的主动
配电网多时间尺度动态优化调度[J]. 中国电机工程学报, 2016, 36(17): 4609-4616.
DONG LEI, CHEN HUI, PU TIANJIAO, et al.
Multi-time scale dynamic optimal dispatch in active distribution network based on model predictive control[J]. Proceedings of the CSEE, 2016, 36(17): 4609-4616(in Chinese).
[13] YANG H Q, PU Y C, QIU Y B. Multi-time scale
integration of robust optimization with MPC for islanded hydrogen-based microgrid[C]// 2019 IEEE Sustainable Power and Energy Conference(ISPEC).
Beijing, China: IEEE, 2019: 1163-1168.
[14] RUIZ-CORTÉS M, GONZÁLEZ-ROMERA E, LOPES
R A. Improved forecasting-based battery energy management strategy for prosumer systems[C]// IECON 2018 - 44th Annual Conference of the IEEE Industrial Electronics Society. Washington D.C., USA: IEEE, 2018: 6077-6082.
[15] 张伯明, 陈建华, 吴文传. 大规模风电接入电网的有
功分层模型预测控制方法[J]. 电力系统自动化, 2014, 38(9): 6-14.
ZHANG BOMING, CHEN JIANHUA, WU WENCHUAN. A hierarchical model predictive control method of active power for accommodating large-scale wind power integration[J]. Automation of Electric Power Systems, 2014, 38(9): 6-14(in Chinese).
[16] 朱广伟, 蔺红. 基于分层模型预测控制的源荷协调控
10 电力科学与工程2021年
制策略研究[J]. 可再生能源, 2019, 37(10): 1453-1458.
ZHU GUANGWEI, LIN HONG. Study on source-load coordination control strategy based on hierarchical model predictive control[J]. Renewable Energy Resources, 2019, 37(10): 1453-1458(in Chinese). [17] MINCIARDI R, ROBBA M. A bilevel approach for the
stochastic optimal operation of interconnected microgrids[J]. IEEE Transactions on Automation Science and Engineering, 2017, 14(2): 482-493.
[18] DELFINO F, MINCIARDI R, PAMPARARO F, et al.
A multilevel approach for the optimal control of
distributed energy resources and storage[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 2155-2162. [19] LEGRY M, COLAS F, SAUDEMONT C, et al. A
two-layer model predictive control based secondary control with economic performance tracking for islanded microgrids [C]// IECON 2018 - 44th Annual Conference of the IEEE Industrial Electronics Society.
Washington D.C., USA: IEEE, 2018: 77-82.
[20] HOU G L, GONG L J, YANG Z L, et al.
Multi-objective economic model predictive control for gas turbine system based on quantum simultaneous
whale optimization algorithm[J]. Energy Conversion and Management, 2020, 207: 112498.
[21] 武泽权, 牟永敏. 一种改进的鲸鱼优化算法[J]. 计算
机应用研究, 2020, 37(12): 3618-3621.
WU ZEQUAN, MU YONGMIN. Improved whale optimization algorithm[J]. Application Research of Computers, 2020, 37(12): 3618-3621(in Chinese). [22] 窦晓波, 晓宇, 袁晓冬, 等. 基于改进模型预测控制
的微电网能量管理策略[J]. 电力系统自动化, 2017, 41(22): 56-65.
DOU XIAOBO, XIAO YU, YUAN XIAODONG, et al.
Energy management strategy based on improved model predictive control for microgrid[J]. Automation of Electric Power Systems, 2017, 41(22): 56-65(in Chinese).
[23] 吴成辉, 林声宏, 夏成军, 等. 基于模型预测控制的
微电网群分布式优化调度[J]. 电网技术, 2020, 44(2): 530-538.
WU CHENGHUI, LIN SHENGHONG, XIA CHENGJUN, et al. Distributed optimal dispatch of microgrid cluster based on model predictive control[J].
Power System Technology, 2020, 44(2): 530-538(in Chinese).。