2. 国网重庆市电力公司, 重庆 400014;
3. 重庆大学 输配电装备及系统安全与新技术国家重点实验室, 重庆 400044;
4. 国网重庆市电力公司 南岸供电分公司, 重庆 401336
2. State Grid Chongqing Electrical Power Company, Chongqing 400014, P. R. China;
3. State Key Laboratory of Power Transmission Equipment & System Security and New Technology, Chongqing University, Chongqing 400044, P. R. China;
4. State Grid Chongqing Nan'an Power Supply Company, Chongqing 401336, P. R. China
化石能源的大量使用,导致全球能源危机和环境问题越来越严重,因此利用可再生能源发电,优化电力能源结构已成为世界各国能源政策发展的趋势。分布式发电技术为可再生能源的高效利用提供了技术支撑,但是,可再生能源发电具有明显的间歇性,如果分布式电源无序接入,将严重影响主网的安全稳定运行,因此微电网技术应运而生[1]。微电网作为分布式电源的一种有效管理方式,能提高可再生能源的渗透率,减小对主网稳定运行的冲击,对解决全球能源危机以及环境问题具有重大的意义[2]。
微电网的分布式特性,分散了系统运行与调度的风险,提高了供电的可靠性。但是,数量众多的分布式电源及其输出的不确定性和波动性,增加了微电网运行控制的难度,并且,微电网特有的低惯性以及双向潮流,对微电网的经济调度带来严峻的挑战[3]。微电网的控制方式正在从集中式控制[4]发展到分布式控制[5],而微电网的分布式经济调度是目前研究的热点[6]。
通常,经济调度问题可以看做是一个优化问题[7],其求解方法可以分为集中式方法和分布式方法。在集中式方法中,梯度搜索法[8]、遗传算法[9]等解析性方法已经被广泛地应用。在这种模式下,需要中央控制器搜集整个系统的信息,实现集中式处理。然而,电力系统会越来越庞大,其拓扑结构也日趋复杂,需要搜集和处理的信息不断增加,数据量的增加会使得中央控制器的响应速度下降,这将导致系统的实时控制变得更加困难[10-11]。同时,集中控制器发生单点故障的概率也会越来越高。
为了提高系统的性能,满足复杂电力系统的控制要求,分布式算法应运而生。基于多代理的分布式控制,不需要中央处理器搜集处理全局信息,所有控制单元只需与它们的邻居通信,通过与邻居交换信息,进行迭代,就可以得到全局最优解[12]。根据等微增量成本准则,在分布式控制方式下,只要增量成本达到一致,系统的运行成本就能够实现最小化[11]。但是,其中的一些方法并不是严格的分布式算法。例如,为了搜集全局信息,必须选取领导节点,而为了选取领导节点,需要添加一些集中式的测量节点。此外,在分布式算法中引入学习增益,可以提高算法的响应速度[13-14]。
针对微电网运行成本最小化,笔者提出一种微电网双层经济调度模型,其中上层是进行信息传输的通信网络层,下层为进行电力传输的微电网层。随后,给出通信网络的构建规则,提出从任意通信网络推导出分布式控制律的一般方法,通过分布式控制律使得分布式电源的增量成本达到一致,从而实现微电网运行成本最小化。最后,设计出仿真案例对所提控制律进行测试,仿真结果表明,在可再生能源和负载需求剧烈波动的情况下,提出的方法均能实现微电网的运行成本最小化。
1 经济调度模型一般的经济调度问题可以由式(1)-(3)表示:
$ {\rm{Min}}F = \sum\nolimits_{i = 1}^n {{F_{\rm{i}}}\left( {{p_{\rm{i}}}} \right)} , $ | (1) |
$ {\rm{s}}.{\rm{t}}.\sum\nolimits_{i = 1}^n {{p_{\rm{i}}}} = {P_{{\rm{load}}}}, $ | (2) |
$ p_i^{\min } \le {p_i} \le p_i^{\max }, $ | (3) |
式中:Pload为总的负载需求,满足约束
对于传统柴油发电机,成本函数通常被定义为有功输出的二次凸函数,
$ {F_i}\left( {{p_i}} \right) = {a_i}p_i^2 + {b_i}{p_i} + {c_i}, $ | (4) |
式中:ai≥0,bi>0且ci>0,均为发电机i的成本参数。
为了表示的简便性,令ρi=bi/2ai,θi=1/2ai和ψi=ci-bi2/4ai,则成本函数可表示如下:
$ {F_i}\left( {{p_i}} \right) = \frac{{{{\left( {{p_i} + {\rho _i}} \right)}^2}}}{{2{\theta _i}}} + {\psi _i}。$ | (5) |
发电机的增量成本λ可由成本函数Fi的一阶导数表示如下:
$ \lambda = \frac{{\partial {F_i}\left( {{p_i}} \right)}}{{\partial {p_i}}} = \frac{{{p_i} + {\rho _i}}}{{{\theta _i}}}。$ | (6) |
根据等微增量成本准则,如果所有DG的增量成本相等,就得到了所有DG的最优增量成本[15]。基于上述准则,对该模型进行求解。假设pimax=∞和pimin=-∞,采用拉格朗日乘子法,经济调度问题能够表示为:
$ U = \sum\nolimits_{i = 1}^n {{F_i}\left( {{p_i}} \right)} + \lambda \left( {\sum\nolimits_i^n {{p_i}} - {P_{{\rm{load}}}}} \right)。$ | (7) |
基于一阶最优解条件,可以得到:
$ {\lambda ^ * } = \frac{{\partial U}}{{\partial {p_i}}} = \frac{{p_i^ * + {\rho _i}}}{{{\theta _i}}}, $ | (8) |
式中:pi*为发电机i的最优输出;λ*为相应的增量成本。结合式(2),可以得到:
$ {\lambda ^ * } = \frac{{{P_{{\rm{load}}}} + \sum\nolimits_{i = 1}^n {{\rho _i}} }}{{\sum\nolimits_{i = 1}^n {{\theta _i}} }}。$ | (9) |
式(9)为在总负荷需求为Pload时,最优增量成本的表达式。相应地,发电机i的最优输出可表示为:
$ p_i^ * = {\theta _i}{\lambda ^ * } - {\rho _i}。$ | (10) |
笔者提出一种微电网双层调度模型,如图 1所示。图 1(#1)为包含微电网和通信网络的双层模型。微电网双层模型的下层为微电网层,其中包含的DG可分为可控DG、不可控DG和半可控DG。可以调节输出功率的DG,例如微型燃气轮机,定义为可控DG;而输出功率受环境影响的DG,如太阳能(PV)系统或风机(WT),则定义为不可控DG;在孤岛微电网正常运行时,需要一个DG,如储能系统(BESS),工作在电压和频率控制(V/F控制)模式下,从而快速地提供系统的功率缺额,这类DG定义为半可控DG。可控DG都工作在有功和无功功率控制(PQ控制)模式下,而不可控DG都工作在最大功率点跟踪(MPPT)控制模式下。
微电网双层模型的上层为通信网络层,由3种类型的agent组成。根据其与DG的连接关系,分别是可控agent、不可控agent和半可控agent。在通信网络中,不可控agent只能发送信息。与之相反,可控agent既能够发送信息也能够接收信息。此外,可控agent能够通过自环接收自己的信息。图 1(#2)为通信网络1。
3 分布式控制律的设计假设通信网络G由n个agent组成,其中子网络
在子网络
$ {w_{ij}} = \frac{1}{{{g_i}}}, $ | (11) |
式中:gi为agent i在子网络
$ \sum\nolimits_{i = 1}^n {{w_{ij}}} = 1。$ | (12) |
采用对角矩阵E=[eii]n×n描述agent的类型。若agent为可控agent,eii=1,否则eii=0。
系统中,当下一时刻t+1所有可控DG的输出等于上一时刻t总的负载需求与总的不可控DG的输出之差时,则认为该系统是平衡的。
此外,在V/F控制模式下的DG与其相连的半可控agent之间,加入参数γ。当γ=-1时,V/F控制模式下的DG的输出会被认为是负载,从而其输出能够被可控DG所分担[16]。
首先,根据子网络
$ \left. \begin{array}{l} E \cdot P\left( {t + 1} \right) = E \cdot P\left( t \right) + {W^T} \cdot \left[ {{L^p}\left( t \right) - P\left( t \right)} \right],\\ E \cdot Q\left( {t + 1} \right) = E \cdot Q\left( t \right) + {W^T} \cdot \left[ {{L^q}\left( t \right) - Q\left( t \right)} \right], \end{array} \right\} $ | (13) |
式中:P(t+1)=[pi(t+1)]n×1,Q(t+1)=[qi(t+1)]n×1,Lp(t)=[lip(t)]n×1和Lq(t)=[liq(t)]n×1,分别是有功和无功功率输出的列向量,有功和无功负载需求的列向量。I为n×n的单位矩阵,(·)T表示矩阵的转置。控制律(13)能够维持系统的功率平衡,但是不能实现所有可控DG的最小运行成本。
因此,根据子网络
$ {v_{ij}} = \frac{1}{{{d_i}}} - \frac{1}{{{d_i}}} \cdot \frac{{{\theta _i}/{d_i}}}{{{\theta _i}/{d_i} + {\theta _j}/{d_j}}}\left( {j \in {N_i},j \ne i} \right), $ | (14) |
式中:θi和θj分别为DGi和DGj的成本参量,已在章节2中定义。di和dj分别为agent i和agent j在子网络
$ {v_{ii}} = 1 - \frac{1}{{{d_i}}} \cdot \sum {\frac{{{\theta _i}/{d_i}}}{{{\theta _i}/{d_i} + {\theta _j}/{d_j}}}\left( {j \in {N_i}} \right)} 。$ | (15) |
则微电网中解决经济调度问题的第二套控制律可表示如下:
$ \tilde P'\left( {t + 1} \right) = {V^{\rm{T}}} \cdot \left[ {\tilde P\left( {t + 1} \right) + \rho } \right] - \rho , $ | (16) |
式中:
$ {{\tilde P'}^\rho }\left( {t + 1} \right) = {V^{\rm{T}}} \cdot \tilde P_i^\rho \left( {t + 1} \right)。$ | (17) |
因此,通过式(16)和式(17)两套分布式控制方法,就能够实现微电网中的经济调度。
4 仿真平台及参数设置为了测试控制算法的有效性,在Matlab/Simulink中搭建仿真平台,平台中的放射型孤岛微电网包含8个DG和8个负载,如图 2所示。在孤岛微电网中,{DGi|i=1, 3, 5, 6}全为由理想直流电源Vdc构成的可控DG。{DGi|i=2, 7, 8}均为不可控DG,其中DG7为光伏电源,DG2和DG8为风机。DG4为半可控DG,由储能电池系统构成,它将为微电网提供频率和电压的参考。DG的具体参数详见表 1。
在仿真过程中,光伏电源和风机的输出将同环境一起波动。不可控DG的输出功率如图 3所示。此外,仿真过程中负载的需求规划如下,t=1 s:有功和无功负载均增加20%;t=3 s:Load4和Load8从微电网中切除; t=5 s:有功和无功负载均减少20%。上述负载需求规划用于所有的仿真案例。
系统中,线电压设定为380 V,系统频率为50 Hz,设定系统的线阻抗为0.169+j0.07 Ω/km。在子网络
为了测试所提算法的有效性,在周围环境和负载需求同时改变时,设计出两个仿真案例。在算例1中,测试研究算法的性能;在算例2中,研究不同网络结构对算法的影响。
5.1 分布式经济调度的有效性(算例1)在本算例中,在负载需求和环境条件同时波动下,对包含DG容量限制的经济调度问题进行研究。从图 4(#1)和(#2)得出,负载在t=2 s时增加20%,所有可控DG的最优输出增加。与此同时,所有可控DG的增量成本也增加并最终趋于同一个值,即得到了最优增量成本。
图 4(#1)为可控DG的有功和无功输出,图 4(#2)为可控DG的增量成本,图 4(#3)为DG4的功率输出,图 4(#4)为微电网的系统频率,图 4(#5)为微电网的线电压。在图 4(#3)中,DG4,即储能电池系统,能迅速从系统中吸收功率或者为系统注入功率从而补偿系统功率差额实现功率平衡。根据推导出的控制律,DG4的输出又将被可控DG分担,并逐渐减少为零。图 4(#4)和(#5)显示了线电压和系统频率的波动情况,可以看出,在负载发生变化时,线电压和系统频率有一定的波动,但都能快速地恢复正常。
5.2 不同网络结构对算法的影响(算例2)如图 5所示,本研究设计出了两种不同的网络结构:网络2和网络3,测试网络结构对所提算法的影响。与网络1相比,在网络2的子网络
基于两个网络结构的仿真结果如图 6和图 7所示。每个子图表示的内容与算例1中相同。结果显示,提出的控制方法并不受网络结构的影响,因此,控制律能够很好地适用于不同的网络结构。
笔者提出了微电网经济调度双层模型,并且根据建立的模型推导出两套分布式控制律用于实现孤岛微电网的经济调度。该模型中,网络上层为由agent组成的通信网络,网络下层为微电网。通信网络由两个子网络构成,其中子网络
[1] |
周念成, 胡斌, 王强钢, 等. 含多种形式能源发电的微网状态转换协调控制策略[J]. 重庆大学学报, 2012, 35(9): 61-69. ZHOU Niancheng, HU Bin, WANG Qianggang, et al. A coordinated state transition control strategy for microgrid with multi-energy generation systems[J]. Journal of Chongqing University, 2012, 35(9): 61-69. (in Chinese) |
[2] |
龙勇, 汪谷腾, 孟卫东, 等. 微电网与大电网的竞合关系及其对社会福利效应的影响[J]. 重庆大学学报, 2014, 37(7): 147-152. LONG Yong, WANG Guteng, MENG Weidong, et al. The competing relationship of micro-grid and large-grid and its impact on social welfare effects[J]. Journal of Chongqing University, 2014, 37(7): 147-152. (in Chinese) |
[3] |
Wang Z, Wu W, Zhang B. A Fully distributed power dispatch method for fast frequency recovery and minimal generation cost in autonomous microgrids[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 19-31. |
[4] |
陈前宇, 陈维荣, 戴朝华, 等. 基于改进PSO算法的电力系统无功优化[J]. 电力系统及其自动化学报, 2014, 26(2): 8-13. CHEN Qianyu, CHEN Weirong, DAI Zhaohua, et al. Reactive power optimization based on modified particle swarm optimization algorithm for power system[J]. Proceedings of the CSU-EPSA, 2014, 26(2): 8-13. (in Chinese) DOI:10.3969/j.issn.1003-8930.2014.02.002 |
[5] |
康文发, 李强, 陈民铀, 等. 孤岛微电网多Agent分布式双层控制方法[J]. 中国电机工程学报, 2018, 38(3): 770-781. KANG Wenfa, LI Qiang, CHEN Minyou, et al. A two-layer distributed control method for islanded microgrids by using multi-agent systems[J]. Proceedings of the CSEE, 2018, 38(3): 770-781. (in Chinese) |
[6] |
Liang H, Choi B J, Abdrabou A, et al. Decentralized economic dispatch in microgrids via heterogeneous wireless networks[J]. IEEE Journal on Selected Areas in Communications, 2012, 30(6): 1061-1074. DOI:10.1109/JSAC.2012.120705 |
[7] |
Chen G, Ren J, Feng E N. Distributed finite-time economic dispatch of a network of energy resources[J]. IEEE Transactions on Smart Grid, 2017, 8(2): 822-832. |
[8] |
Lin C E, Viviani G L. Hierarchical economic dispatch for piecewise quadratic cost functions[J]. Power Apparatus & Systems IEEE Transactions on, 2007, PAS-103(6): 1170-1175. |
[9] |
Bakirtzis A, Petridis V, Kazarlis S. Genetic algorithm solution to the economic dispatch problem[J]. IEE Proceedings-Generation, Transmission and Distribution, 1994, 141(4): 377-382. DOI:10.1049/ip-gtd:19941211 |
[10] |
Ma Y, Zhang W, Liu W, et al. Fully distributed social welfare optimization with line flow constraint consideration[J]. IEEE Transactions on Industrial Informatics, 2015, 11(6): 1532-1541. DOI:10.1109/TII.2015.2475703 |
[11] |
Guo F, Wen C, Mao J, et al. Distributed economic dispatch for smart grids with random wind power[J]. IEEE Transactions on Smart Grid, 2016, 7(3): 1572-1583. DOI:10.1109/TSG.2015.2434831 |
[12] |
Chen F, Chen M, Li Q, et al. Cost based droop schemes for economic dispatch in islanded microgrids[J]. IEEE Transactions on Smart Grid, 2017, 8(1): 63-74. |
[13] |
Yang S, Tan S, Xu J X. Consensus based approach for economic dispatch problem in a smart grid[J]. IEEE Transactions on Power Systems, 2013, 28(4): 4416-4426. DOI:10.1109/TPWRS.2013.2271640 |
[14] |
Mudumbai R, Dasgupta S, Cho B B. Distributed control for optimal economic dispatch of a network of heterogeneous power generators[J]. IEEE Transactions on Power Systems, 2012, 27(4): 1750-1760. DOI:10.1109/TPWRS.2012.2188048 |
[15] |
Joye A. Power generation, operation and control[M]. Wiley, 2003.
|
[16] |
Li Q, Peng C, Chen M, et al. Networked and distributed control method with optimal power dispatch for islanded microgrids[J]. IEEE Transactions on Industrial Electronics, 2016, 64(1): 493-504. |