基于多模式激励与PD-ILMPC的可再生能源充电站电动汽车有序充电预测调度研究

本文针对可再生能源充电站（RECS）参与辅助服务时因电动汽车（EV）与可再生能源不确定性导致的控制精度低、盈利性差问题，提出融合多充电模式价格激励与PD-迭代学习模型预测控制（PD-ILMPC）的两阶段优化调度方法。通过建立充放电能量边界模型和Logistic激励函数设计日前优化目标，结合PD-ILMPC的动态跟踪控制，显著提升了RECS的经济效益与控制精度。

　　

Highlight

1. 1.

   提出多充电模式价格激励机制，基于充放电能量边界和激励响应分析，降低RECS参与辅助服务的调度成本并提升不同类型EV的参与积极性。

2. 2.

   提出PD-迭代学习模型预测控制（PD-ILMPC）动态跟踪方法，结合迭代学习（IL）的经验积累能力和模型预测控制（MPC）的时域鲁棒性，实现日前目标的高精度跟踪。

3. 3.

   针对传统IL误差波动大、收敛慢的问题，采用收敛更快的PD-迭代学习律，并在MPC优化函数中引入控制优先级系数以增强EV功率控制的稳定性。

Two-stage optimal scheduling of the RECS

RECS两阶段优化调度包含日前优化模型和日内控制（图5）。当RECS参与电网调峰辅助服务时，日前模型计算24小时最优响应作为日内跟踪目标，PD-ILMPC通过控制EV功率实现动态跟踪。

Parameter configuration

测试对象为含风电（WP）、光伏（PV）、快充桩和电池储能系统（BESS）的RECS，其中快充桩20个。WP/PV功率基于实际风电场和光伏电站历史典型数据，案例参数见表1，分时电价见表2。

Analysis of result

日前阶段通过优化模型求解跟踪目标，仿真显示...（后续内容按原文结构延续，此处省略）

Conclusion

本文提出的融合多激励机制与PD-ILMPC的优化调度方法，有效解决了RECS参与调峰辅助服务时的控制精度与盈利性问题。通过多充电模式价格激励设计和PD-ILMPC动态跟踪，显著提升了RECS的经济效益和运行稳定性。