现代电力系统的安全、可靠、经济、灵活运行,有赖于对电力系统进行高效、稳定的控制,高性能的控制一直是电力系统所追求的目标之一。在诸多先进控制理论中,模型预测控制作为其中的佼佼者,在许多行业中被证明在模型包容性、非线性处理、约束处理、控制性能、灵活性等方面均有很大优势。本文对模型预测控制应用于电力系统所遇到的困难和问题进行了研究,并提出了解决方法。
论文首先梳理了模型预测控制及其研究进展,并说明了现代电力系统的特征以及对控制的要求；介绍了模型预测控制目前在电力系统中的应用研究情况,分析了模型预测控制所遇到的困难,进而介绍了论文的主要工作。
论文对一类具有Lipschitz连续性的系统,对其由模型不确定性引起状态量可能在控制过程中超出约束范围的问题,采用了基于Pontryagin差集约束的鲁棒策略。对该策略导致约束集过于保守的问题,提出了预测时域内动态确定Lipschitz常数的方法。通过该方法,可以获得较小的Lipschitz常数,可以有效减小约束集的保守性,同时增加的计算量非常小。并对单机无穷大系统进行了仿真验证,结果表明,动态确定Lipschitz常数的方法不仅能对系统模型的不确定性有很好的适应性,也可使优化控制问题在约束集的作用下不可行的机率减少,有效地增加该鲁棒控制策略的可应用性。
论文针对电力系统规模大、分布广的特点,以及现有分布式模型预测控制在应用中出现子系统控制器之间独立性差,对关联量不易处理的问题,提出了一种基于Chebyshev多项式逼近关联量的分布式模型预测控制算法。该方法不仅能缩短系统达到稳定的过渡过程,还可提高各子系统之间的独立性,减少子系统控制器在设计和运行中的相互依赖性,减少子系统间的通信量,增加子系统控制器的可维护性。
论文对长期困扰模型预测控制的计算量大、实时性差的问题,采用基于GPU多轻量线程的并行方法,对模型预测控制的优化控制问题进行求解。GPU中多达上万的轻量线程对约束QP问题进行加速求解,对模型预测控制涉及到的大规模矩阵运算和大规模线性方程组反复求解的过程,设计了并行化加速方法,加速比可达到8以上,使得模型预测控制可应用于更大规模的系统或更快的过程。
电力系统中的控制器通常与其它高级控制策略相结合在一起,为了让模型预测控制能与高级控制策略保持良好的相容性,将其与应用最为广泛的PI控制进行了融合,形成了MPC—PI算法。该方法既具有模型预测控制的高性能,改善了控制效果,又可保持与原有其它策略的相容性；同时,两者的结合也提高了控制器的可靠性。
论文对模型预测控制在电力系统负荷频率控制中的应用进行了验证分析。建立了计及电力网络影响的负荷频率控制模型,使得控制可以反映网络中结点参数对系统频率的影响,在此模型的基础上,将PI控制规律融入模型预测控制中,并采用IEEE14节点系统作为仿真对象对该方法进行了仿真验证,获得了很好的控制效果。在此基础上,进一步对基于Chebyshev逼近关联量的分布式模型预测控制算法也进行仿真验证,构造了三个互联的系统,结果表明,该方法能有效地对系统的整体控制目标做出良好的协调响应,且对大扰动和冲击负荷等,系统均能快速达到稳定。同时,对采用GPU加速前后的计算方式进行了比较,表明GPU可有效地减少MPC优化控制问题的求解时间。
