含多智能楼宇的微网示意图如图所示，包括多个智能楼宇、微网可控分布式电源 、储能系统以及通信链路。其中，每个智能楼宇系统包括制冷设备、常规用电设备以及屋顶光伏系统。各单元功能介绍如下

针对含多智能楼宇的微网系统，提出一种基于模型预测的多时间尺度调度方法。首先，为有效利用建筑围护结构蓄热特性所带来的灵活性，构建了虚拟储能系统数学模型，并将其集成到智能楼宇微网多时间尺度调度方法中。随后，提出了基于模型预测的日内滚动修正方法，通过每个控制时域内的滚动优化，实现日内微网系统运行方案的精确修正。最后，以夏季制冷场景为例，利用含智能楼宇的微网系统验证了所提方法的有效性。结果表明，该方法可在保证楼宇室内温度舒适度的前提下，在日前经济优化调度阶段降低运行成本；在日内滚动修正阶段平抑由日前预测误差导致的微网联络线功率波动。

MPC方法采用滚动优化和反馈校正，可有效避免开环优化方法下的调度对预测依赖性强、受环境因素影响大的问题 。为此，本文在上述多时间尺度优化调度方法的基础上，在日内修正阶段引入了 MPC方法进行滚动修正；同时，本文的楼宇微网多时间尺度优化调度模型中考虑了对虚拟储能系统的优化调度，从而可进一步利用楼宇用能的灵活性。

模型预测控制原理

模型预测控制由预测模型、滚动优化、反馈校正三部分组成，其流程框图见1所示；结合所建立模型、约束条件与决策变量的当前状态值，利用滚动求解方式，反复滚动求解下一时段的最优控制策略。

图1 模型预测控制流程框图

预测模型是模型预测控制的重要组成部分，其准确性直接影响调度策略的有效性，因此，对预测系统运行特性的有效表征，是预测模型建立的关键，本章节所建立的预测模型通过在当前时段状态信息，历史信息与天气等因素来预测下一时段可再生能源与负荷出力。
滚动优化是模型预测控制的主要功能，基于预测模型可预测下一时段可再生能源出力与负荷值，在未来时段内通过对系统内快速响应设备的快速调度，以紧密跟踪日前调度计划。
反馈校正是模型预测控制的核心环节，通过引入反馈环节使系统得以形成闭环控制，当系统受预测偏差与扰动影响时，所形成的反馈闭环会对系统进行修正与补偿，再求得下一时段的控制策。

2、论文算例介绍
基于日前最优调度结果，考虑在可在生能源与负荷叠加随机扰动模拟源荷预测偏差，在日内基于柔性负荷的上下可调整量以跟踪日前调度计划。
日内考虑风、光以及负荷日前预测的不确定性，利用模型预测控制(Model Predictive Control, MPC)修正日内实际运行计划与日前调度计划间的偏差。选取电网联络线功率、光伏功率、风机功率、负荷功率、储能系统充放电功率、空调聚合功率、电动汽车聚合功率等8个决策变量所构成的向量组作为状态变量，所建立状态变量为 ，以储能系统和聚合空调出力增量构成的向量作为控制变量 ，以光伏，风机，以及负荷超短期预测作为扰动输入 ，可建立预测模型，并反复迭代向前预测 时段；

4.2 日内目标函数
日内滚动优化的目标为修正日内实际运行值与日前调度值的偏差，同时使储能发挥日前削峰调谷作用；目标函数如下

集成智能楼宇的微网系统多时间尺度MPC调度方法(附带Matlab代码)
算例分析
表1 设备参数
设备 设备参数 设备功率
风力发电 2500kW –
光伏发电 1800kW –
储能系统 750kWh 80kW
电动汽车 50 kWh 5kW
空调 – 2kW 0.5kW

在日内阶段考虑风预测的不准确性，采用MPC方法修正日内实际运行计划与日前调度计划间的偏差。通过对聚合柔性负荷以及储能出力的调整以跟踪日前调峰计划。日内场景集由日前功率预测曲线叠加随机误差模拟得到，日前日内可再生能源预测对比曲线见下图；

不难发现通过对聚合柔性负荷与储能的日内调整可以使联络线紧密跟踪日前计划值，从而实现二次调峰效果，验证了日内策略的有效性，通过对联络线的二次平滑可以避免因可再生能源预测偏差导致微网联络线功率的剧烈波动，影响电网的稳定性；

图为聚合电动汽车负荷为应对可在生能源与刚性负荷的预测偏差日内调整曲线，可看出当可在生能源出力过大时，电动汽车与空调在其调整范围内进行充电以消纳富裕可再生能源，当可在生能源不足时，柔性负荷减少用电或放电以满足刚性负荷需求，聚合空调功率日前日内对比曲线与此类似。

图储能系统日前日内对比曲线
储能系统日前、日内对比曲线，为跟踪日前电网联络线功率储能系统在日前基础上进行不断调整，因目标函数中增加储能项以满足其日前削峰填谷作用，不难发下其趋势大体可跟踪日前计划，但并不紧密，可考虑增大储能占比权重。
代码：
集成智能楼宇的微网系统多时间尺度MPC调度方法(附带Matlab代码)