Energy control method and device

具体实施方式

能源控制装置实施例：

本发明的主要构思在于，为了实现综合能源的合理控制，本发明基于滚动优化控制的原理，根据当前时刻以及当前时刻之前第一设定时间段内的各能源的实际功率和负荷消耗功预测出当前时刻之后第二设定时间段内每个时刻的电网和分布式储能的需求功率、分布式自然能源的发电功率以及负荷需求功率；通过建立成本最低的目标函数，求解出电网和分布式储能的需求功率的最优解，下一时刻按照最优解控制电网和分布式储能的输出。

本发明的能源控制装置包括控制器，考虑控制器的硬件和接口出线顺序，控制器如图1、图2所示，控制器的硬件包括主处理单元、副处理单元和电源管理单元，主处理单元包括RS845电路、RS485/232电路、MBUS电路、看门狗电路、ESAM电路、主核心板、RTC电路(即实时时钟电路)、LED电路、4G模块电路、蓝牙模块电路、LORA模块电路、以太网模块电路。副处理单元包括副核心板、遥信电路、模拟量输入电路、继电器输出电路。电源管理单元包括6-63V转5V模块、5V转4V模块、以及5V转3.3V模块等。控制器的软件基于自主可控操作系统、Docker容器及自主编排技术，实现软硬件解耦和软件APP化。主处理单元和副处理单元通信连接，副处理单元用于对采集的数据进行预处理，主处理单元用于根据预处理后的数据进行预测、以及目标函数的求解。

主核心板基于“国网芯”SCM701主控芯片设计，该芯片采用Cortex-A7架构单芯4核处理器，主频1.2GHz，外围集成AXP221S电源管理芯片、EMMC 8G存储芯片以及两个8G DDR3-RAM随机存储芯片、两路千兆以太网等外设接口。也即主核心板由SCM701 ARM芯片、EMMC 8G存储芯片及两颗8G DDR3-RAM芯片组成。电源管理单元采用AXP221S电源管理芯片。

针对当前物联网市场各大厂商之间的产品兼容性差，物联网硬件开发难度大而且系统重复利用性差等问题，将控制器的核心板硬件平台，以功能模块的方式搭建其控制硬件系统，通过主板上的通用接口将各个功能模块连接起来，实现硬件系统“积木式”搭建、“热插拔”，增加了接入的通用性。控制器的主核心板具有统一接口定义、功能一致性技术标准的硬件平台技术。控制器的对外接口包括6-63V直流电源供电接口，RS485接口、RS485/232切换接口、MBUS接口、继电器输出接口、遥信输入接口、模拟量输入接口、以太网接口等。

控制器的软件基于APP化理念设计，针对不同的应用场景，采用不同的APP布置，各APP以实现预定功能，不同APP间相互协调，满足现场应用需求。APP开发的基本原则为：APP间除参数与数据之外不应互相关联、APP配置应尽量灵活、程序应向下兼容。

控制器整体软件架构基于数据中心实现，所有数据(采集数据及公用参数)均汇集至数据中心，各APP再从数据中心读取，如图3所示。控制器所采用的APP分为几类：一类与主站交互，包括MQTTTot、IEC104、安全代理等；一类为数据存储，主要为database；一类为采集设备，包括MODUSRTU、MODBUSTCP、MBUS188、LORA、采集器APP、联动APP、通信APP、调度APP等。APP由程序、日志文件、配置文件、数据文件4部分组成，APP间交互需遵循《配电物联〔2020〕5号》等标准文件。

当然控制器也可以采用一个处理单元，并且控制器所采用的芯片型号能够实现相应的功能即可，本发明对此不做限制。

控制器的存储器中存储有可在处理器上运行的计算机程序，处理器在执行计算机程序时实现能源控制方法。

综合能源系统的不同应用场景下包含多种分布式能源、多种类负荷形式，其运行分为对各分布式能源的控制和对整个综合能源系统供能网络的协调优化运行两个方面。通过合理的控制策略确定系统内各分布式能源、供能设备的最佳运行模式，使多种供能模式协调配合，保证系统的供能功率平衡和频率、压力稳定。综合能源系统的协调优化运行，需要计算得到系统协调优化的各控制量。由于分布式电源的渗透率和多能源耦合度在综合能源系统结构中的增高，运行过程具有明显的随机性、不确定性和能源耦合特征。

各能源包括电网、分布式自然能源、以及分布式储能，本实施例中以分布式自然能源为风机，分布式储能为蓄电池为例对本发明的能源控制方法进行详细说明，本发明针对综合能源系统协调运行的最优经济，成本最低的要求，采用如图4所示的滚动优化方法，并且采用支持向量机预测电网、蓄电池的需求功率、风机的发电功率、和负荷需求功率。

本发明以成本最低建立目标函数，并且提出一种全局优化进化算法对目标函数进行求解。该算法在通用框架内嵌入具有搜索机制的各类子方法，在充分考虑风力发电机和蓄电池的外特性数学模型以及约束条件的前提下，采用无限折射映射混沌模型改进初始多样种群的生成，并应用局部搜索法对“超越策略”产生的超矩形区域进行深度搜索，提高局部最优解的求解效率。结果表明改进的复杂过程全局优化进化方法能够使用较少的调节参数完成综合能源系统能量协调优化的可行解搜索。采用全局优化进化算法，对综合能源系统能量协调进行优化，并形成相应的软件APP，实现对能量的协调控制。

具体地，滚动优化是一种预测控制方法，是随着采样时刻的前进一步一步地滚动进行。这种滚动优化虽然得不到理想的全局最优解，但是反复对每一采样时刻的偏差进行优化计算可及时地校正控制过程中出现的各种复杂情况。预测控制是一种在线优化控制算法，通过某一性能指标的最优来确定未来的控制作用。由于预测控制中的优化是一种有限时段的滚动优化，所以预测控制优化与传统的离散最优控制有很大差别。在每一采样时刻，优化性能指标只涉及到从该时刻起到未来的有限时间，而到下一采样时刻，这一优化时段同时向前推移。因此预测控制不是用一个对全局相同的优化性能指标，而是在每一时刻有一个相对于该时刻的优化性能指标。不同时刻性能指标的表达形式相同，但具体内容(即所包含的时间区域)则是不同的。因此，在预测控制中，优化不是一次离线进行的，而是反复在线进行，这就是滚动优化的基本含义。

对有限时域滚动优化问题加入终端等式约束，在优化时域结束时将状态量或输出误差量人为强制为零，一类基于状态空间描述，当前时刻t时刻(也即图4中的k时刻)优化问题要求x(k+t_p)＝0(t_p也即图4中的t_r)。另一类基于输入输出模型，t时刻优化问题要求输出误差在t_p之后一段时域内为零。总的来讲，加入终端等式约束后的稳定性多是利用最优性能指标值，其主要思路为：在t时刻，设满足系统输入输出约束的最优解U*(t)＝{u*(tt),...u*(t+N-1t)}将第1个最优向量输入，在下1个采样周期相应的时域向前平移，重复以上过程，使系统状态t+N时刻转移到原点，即x(t+N)＝0。滚动优化过程，如图4所示。相应的最优二次性能指标值为则对于无干扰的标称系统，U_k+1＝{u(k+1),u(k+2),...,u(k+N-1),0}为k+1时刻满足约束的一个可行解，其对应的性能指标值为J_k+1，记该时刻的最优性能指标值为于是有其中，Q(k)为k时刻误差加权矩阵；R(k)为k时刻控制增量加权矩阵。若系统不在原点，最优性能指标值随时间单调递减，由此可导出控制系统的渐近稳定，同时表明稳定性仅要求约束优化问题的可行性而非最优性，从而可在保持稳定性的前提下，以降低最优性为代价，提高算法的实时性。

滚动优化的具体过程如下：

1)获取当前时刻以及当前时刻之前第一设定时间段内的各能源的实际输出功率以及负荷消耗功率，各能源包括电网、风机、以及蓄电池。

2)根据当前时刻以及当前时刻之前第一设定时间段内的各能源的实际输出功率以及负荷消耗功率，结合当前时刻之后第二设定时间段内的天气数据预测当前时刻之后第二设定时间段内每个时刻的电网和蓄电池的需求功率、风机的发电功率以及负荷需求功率。

图4中，在t时刻，控制输入u_k为t时刻以及t时刻之前第一设定时间段内的数据。在t+1时刻，控制输入u_k+1为t+1时刻以及t+1时刻之前第一设定时间段内的数据。

本发明为克服风能所发能量的波动性和不可控性，就需要风机和负荷都具有控制能力，允许他们参与系统的能量平衡，并且其中供与需的能量差别可以通过短期储能蓄电池平衡，实现需求侧能量优化管理。由于综合能系统中能量是多变量的，受到各种约束，而今后的基准估计往往是事先知道的，例如24h用电曲线、天气预报等，实现能源管理的预测控制的能力。

3)当前时刻之后第二设定时间段内每个时刻的电网和蓄电池的需求功率、风机的发电功率、负荷需求功率，以及第二设定时间段内电网的售电价与购电价建立成本最低的目标函数和约束条件。

目标函数C为：

其中，e_Sell(t+s|t)为当前时刻t后t+s时刻电网的购电价；t_p为第二设定时间段的时长；P_g(t+s|t)为当前时刻t后t+s时刻电网的需求功率；e_Buy(t+s|t)为当前时刻t后t+s时刻电网的售电价；e_bat(t+s|t)为当前时刻t后t+s时刻蓄电池的管理成本；P_b(t+s|t)为当前时刻t后t+s时刻蓄电池的需求功率；△t为系统运行时间间隔，取值为1h。

约束条件为：

其中，P_w(t+s|t)为当前时刻t后t+s时刻风机的发电功率；P_g(t+s|t)为当前时刻t后t+s时刻电网的需求功率；P_b(t+s|t)为当前时刻t后t+s时刻蓄电池的需求功率；P₁(t+s|t)为当前时刻t后t+s时刻负荷需求功率；为电网的输出下限功率；为电网的输出上限功率；为蓄电池的最小输出功率；为蓄电池的最大输出功率；E(t+s|t)为当前时刻t后t+s时刻蓄电池的SOC；τ为蓄电池单位时间内的衰减比例；△E(t+s|t)为当前时刻t后t+s时刻蓄电池的充放电速率；△E^min为蓄电池的充放电速率的最小值；△E^max为蓄电池的充放电速率的最大值；E^min为蓄电池的SOC最小值；E^max为蓄电池的SOC最大值。

4)根据并行粒子群算法求解目标函数得到电网和蓄电池的需求功率的最优解；

5)下一时刻根据电网和分布式储能的需求功率的最优解控制电网和蓄电池进行输出。

6)下一时刻到来时，如果风机的发电功率、电网和分布式储能的需求功率的最优解与负荷的实际需求功率不符，则对电网和分布式储能的功率进行调整，以满足负荷的实际需求功率。

上述电网和蓄电池的需求功率如果为正，代表风机的发电功率不满足负荷的需求，需要借助电网和蓄电池的输出功率，电网和蓄电池的需求功率如果为负，代表风机的发电功率充足，还可以售出电量至电网并对蓄电池充电。综合能源系统经过优化控制后，在电价较低的时段系统从电网购电较多，而在电价较高的时段系统主要靠蓄电池和风机的输出来满足负载，并且尽可能多地向电网售电。该算法随预测步长增加可以有效减少从外部电网购电的电力成本，更大的时域意味着求解过程有更多的数据去寻找最优方案，使综合能源系统可以在更长时间内分析能源间的功率走向。加大步长结果逐渐趋于稳定，因在特定时域内对系统运行费用优化，所以在系统的寻优过程中，蓄电池的充放电量以及系统与外网之间的能量交互，不能单一的考虑某一点的成本值，而是需要在整个时间决策序列中考虑他们的运行方式。

滚动优化过程中，根据并行粒子群算法求解目标函数时，首先利用无限折射映射的混沌模型生成多样性初始种群，按照规则选取一定数量个体，构建参考集；其次为了保证参考集多样性，利用欧几里得距离判别解的相似程度，判断后对解采用改善后的路径进行重连，在超矩形内确立新解；在新解中挑出合适解，进一步解析适应度最小的解以求得最优。反复执行以上过程，直到满足条件为止。

具体过程如图5所示，考虑综合能源系统内的多变量，约束问题，对抽样方法进行改进，将所预测的当前时刻后第二设定时间段内每个时刻的电网和蓄电池的需求功率、风机的发电功率、负荷需求功率，采用混沌模型来产生初始种群，混沌模型具有对初值敏感、遍历性、随机性特点。混沌理论重复运用某种简单而确定的方法，得到乱而有章的复杂图形。混沌模型中，采用映射公式，并无限次折叠：x_n+1＝sin(2/x_n)n＝0,1,2,...N,x_n∈[-1,1]。产生一个-1到1的任意数，代入正弦函数中，无限次折叠代入，在一个范畴内按照规律不重复的遍历所有状况。

为防止优化过程过早收敛或陷入最优区域，在合并之前需要根据欧几里得公式判断参考集中解的相似性(欧几里得公式是求解向量的模值，也可以理解为：m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)，在二维和三维空间中的欧氏距离就是两点之间的实际距离，一般作为距离度量，衡量的是多维空间中两个点之间的绝对距离)。参考解集的合并法则实现方式多样，子集的合并和解的表现方式有关，本发明中参考集里的每个解与其余b-1个解执行合并，在合并中，为使合并得到的新解具有多样性和有效性，以多样性解和高质量解为顶点定义一个超矩形范围包围种群成员，在超矩形内产生新解。

参考解集经过合并计算后，产生b-1个新解，在这些新解中选择质量最好的解x_new，与父代x_parent相比较，如果其值更优，则进行种群更新。依据种群更新策略，产生一个超矩形环绕的新种群个体，由于最优解相邻的各点能量较低，为了进一步探测最优值的位置，需要采用“超越策略”对适应度值较高的部分进行局部搜索。“超越策略”是指父代x_parent与子代x_child的距离重新构建新解。

本发明中应用滚动优化算法对新解进行替换，提高全局最优求解效率。滚动优化算法主要包含映射、压缩和扩张3个操作，无需函数梯度的信息就可进行计算，是解决目标函数不连续问题的有效方法。综合能源系统中的分布式能源具有随机性和间歇性的特点，配置相应容量储能装置实现系统能量的优化运行，保证了综合能源供能的连续性。

本发明以经济优化运行为目标，根据实时电价、风机的发电功率以及负荷的运行状态、蓄电池剩余电量等信息，运用柔性框架结构的改进型复杂过程全局优化进化算法对综合能源系统预测时域内的最优求解，确定各分布式能源承担的功率波动比例，并通过综合能源能量管理系统作出决策，负荷侧和能源侧以最优的经济成本，稳定、可靠地向负载提供所需求的能量，实现综合能源系统的经济运行。

本发明基于“硬件平台化、软件APP化”的开发理念，硬件采用平台化开发理念，采用统一信道、数据模型、接入方式等模块化的设计，通过模块的组合配置，可面向不同的应用场景进行扩展和定制，以实现各类模块设备的即插即用，单元模块可为实现某一功能的设备进行独立开发制造、单独采购和管理，避免资源浪费；软件采用APP设计理念，进行容器化部署，个性化定制，满足用户多样性要求，提高用户体验。基于能源管理滚动优化预测控制方法，可以建立基于能效、经济、环境的多目标优化控制策略，实现场景下多种能源成本之和最少和环境污染成本最小。

能源控制方法实施例：

能源控制方法的具体实施过程在上述能源控制装置实施例中已经介绍，这里不做赘述。