基于模糊與一致性復合智能算法的“源-網(wǎng)-荷-儲”協(xié)同控制策略研究

張林垚，黃東明，王彥銘，陳垣瑋，倪識遠

（1.國網(wǎng)福建省電力有限公司經(jīng)濟技術(shù)研究院，福建 福州 350012；2.國網(wǎng)泉州供電公司，福建 泉州 362000；3.國網(wǎng)福州供電公司，福建 福州 350004）

隨著社會生產(chǎn)生活水平的不斷提高，傳統(tǒng)化石能源仍占據(jù)著能源消耗的主要地位，不僅造成了環(huán)境惡化和全球溫室效應，還導致以石油、煤炭為主的傳統(tǒng)能源耗竭，進而引發(fā)能源短缺問題[1-2]。因此，清潔能源成為了能源發(fā)展的必然趨勢，亟待通過清潔能源的發(fā)展改革現(xiàn)有能源結(jié)構(gòu)[3-4]。隨著國家層面上通過出臺一系列相關政策促進新能源發(fā)展，進一步引領電力電子技術(shù)等新興技術(shù)與產(chǎn)業(yè)發(fā)展，特高壓、儲能、抽水蓄能、綜合能源、增量配電等迎來發(fā)展關鍵窗口，電力系統(tǒng)供電模式將從單一能源供應側(cè)轉(zhuǎn)化為雙邊“源荷互動”復雜多邊系統(tǒng)，滿足可再生能源大規(guī)模并網(wǎng)、輸送以及消納，同時也給電網(wǎng)安全、可靠的運行造成了挑戰(zhàn)[5-6]。

由于可再生能源存在不確定性、間歇性特征，并網(wǎng)后將影響用電側(cè)連續(xù)、可靠用電。因此，充分發(fā)揮多種電源、電網(wǎng)平臺、負荷之間的特點，借助電網(wǎng)和負荷控制的靈活性、電源之間互補性、儲能可調(diào)性，達到“源-網(wǎng)-荷-儲”動態(tài)調(diào)節(jié)和相互協(xié)調(diào)，提升負荷和電源之間穩(wěn)定供應抵抗風險能力[7]。然而目前主要是針對其中的2～3個因素的協(xié)同作用進行了研究，例如：源-源[8]、源-網(wǎng)[9]、網(wǎng)-荷-儲[10]以及源-網(wǎng)-荷[11]等，然而目前綜合分析“源-網(wǎng)-荷-儲”4個因素的協(xié)同控制方法仍鮮有研究。

針對主動配電網(wǎng)的協(xié)同優(yōu)化方法通常采用集中優(yōu)化法、分布優(yōu)化法以及智能算法[12]。集中式優(yōu)化算法通過集中中心與主動配電網(wǎng)內(nèi)所有源、網(wǎng)、荷、儲建立聯(lián)系實現(xiàn)信息交換，如拉格朗日乘子法[13-14]。分布式算法則是通過減小模型的復雜度，提高求解效率，如拉格朗日松弛法、交替乘子迭代法等[15-16]。智能算法能夠在多目標、非線性的環(huán)境中尋找最優(yōu)解，具有較好的全局優(yōu)化能力和魯棒性，常用的有粒子群算法、遺傳算法等[17]。然而，在如今的配電網(wǎng)系統(tǒng)中可再生能源滲透率高，其傳統(tǒng)的優(yōu)化方法已經(jīng)無法滿足實際需求。因此，亟待研究一種能夠綜合考慮“源-網(wǎng)-荷-儲”協(xié)同控制策略，其對電網(wǎng)系統(tǒng)發(fā)展是至關重要的。

本文為了優(yōu)化“源-網(wǎng)-荷-儲”協(xié)同控制策略，針對基于模糊與一致性復合智能算法的“源-網(wǎng)-荷-儲”協(xié)同控制策略展開了一系列研究。首先分析“源、網(wǎng)、荷、儲”4個因素的基礎特性和互動特性，其次結(jié)合電源、儲能、負荷的反饋特征和風電的不穩(wěn)定性，從而構(gòu)建系統(tǒng)的動態(tài)協(xié)調(diào)最佳控制模型，提出通過用模糊策略改進粒子群算法再結(jié)合一致性算法的復合智能算法，然后針對相關算例進行求解，進而驗證該策略的可靠性，其結(jié)果具有一定的工程實際意義。

1 源網(wǎng)荷儲互動特性

1.1 源-網(wǎng)-荷-儲基礎特性

“源-網(wǎng)-荷-儲”的全面互動以及協(xié)同調(diào)節(jié)是主動配電網(wǎng)協(xié)同控制的必然趨勢，通過多種技術(shù)與管理手段，促進電力系統(tǒng)動態(tài)平衡能力提升及實現(xiàn)資源最大化經(jīng)濟化調(diào)度模式[8-12]。

1.1.1 源層特性

電源層是主動配電網(wǎng)的源頭，主要有可調(diào)度同步機組、新型雙饋感應風機、傳統(tǒng)異步感應風機和交直流互相轉(zhuǎn)換的光伏發(fā)電系統(tǒng)?？烧{(diào)度同步機組包括小水電機組和燃氣輪機等，具有同步勵磁的電壓支撐和快速的有功功率調(diào)節(jié)性能，其在有功功率中對頻率變化呈現(xiàn)出負響應特征，在系統(tǒng)頻率響應中，其一次調(diào)節(jié)方式如下：

式中：P，P*分別為同步電機組的實際輸出功率及其恒輸出功率中的有功功率；α為同步燃氣輪機的頻率特性系數(shù)；Δf為系統(tǒng)實際頻率與額定頻率的偏差值。

1.1.2 網(wǎng)層特性

隨著大量的分布式能源、具有不穩(wěn)定性的風能和光能并網(wǎng)，使得系統(tǒng)的穩(wěn)態(tài)潮流分布以及電能傳輸?shù)膯我恍猿霈F(xiàn)變化，進而影響了系統(tǒng)的安全、穩(wěn)定和可靠的運行。交互成本CJ與交互功率PJ（t）關系為

式中：Cb（t），Cs（t）分別為t時段內(nèi)微電網(wǎng)和大電網(wǎng)之間交互功率的購電狀態(tài)以及售電狀態(tài)；m（t），n（t）分別為t時段內(nèi)微電網(wǎng)和大電網(wǎng)之間交互功率的購電價格以及售電價格；N為調(diào)度時段總數(shù)。

1.1.3 荷層特性

主動配電網(wǎng)中的負荷層對系統(tǒng)的電壓以及頻率呈現(xiàn)出負反饋特征，即在電力系統(tǒng)的頻率增大或者降低時將會引起負荷消耗電功率同步升高或降低，從而對系統(tǒng)頻率進行調(diào)節(jié)，阻礙其頻率再增大或減小；若其系統(tǒng)電壓增大或減小，將會引起負荷消耗電功率升高或降低，造成電壓降的升高或降低，進而阻礙電壓再升高或減小。因此，在系統(tǒng)運行優(yōu)化策略上更應注重實際。電力負荷有功功率的上述特性的靜態(tài)模型表示如下：

式中：P1，P2，P3分別為系統(tǒng)負荷的恒定阻抗、恒定電流以及恒定功率中的有功功率部分；PN為系統(tǒng)負荷的額定功率；V，V0分別為系統(tǒng)的實時電壓以及初始電壓；Lf為頻率出現(xiàn)變化時對系統(tǒng)負荷所引起的有功功率變化。

1.1.4 儲層特性

儲能在電源側(cè)可以減小可再生能源的不確定性所帶來的影響，有利于可再生新能源的消納，減小運行成本；在負荷側(cè)則可以完成負荷的削峰填谷，降低備用機組的容量以及提升供電靈活性。模型表示為

式中：Es（t），Es（t-1）分別為t時段和t-1時段的電儲能容量；δs為儲能自放電率；ηsc為儲能充電效率；ηsd為儲能放電效率；Psc（t），Psd（t）分別為充電、放電功率。

1.2 源-網(wǎng)-荷-儲協(xié)調(diào)優(yōu)化

隨著能源互聯(lián)網(wǎng)的不斷深化，“源-網(wǎng)-荷-儲”協(xié)同控制被賦予更深的意義。在此背景下，“源-網(wǎng)-荷-儲”協(xié)同調(diào)節(jié)模式的主要結(jié)構(gòu)如圖1所示。“源”指能源資源，主要包括石油、電力、天然氣等；“網(wǎng)”指資源網(wǎng)絡，主要包括電網(wǎng)、石油管網(wǎng)、供熱網(wǎng)等；“荷”不僅表示電力的負荷，還表達用戶的能源要求；而“儲”則是表示能源資源的多種倉儲設施和儲備方案。通過能源互聯(lián)網(wǎng)最終將實現(xiàn)橫向多源互補以及縱向“源-網(wǎng)-荷-儲”協(xié)調(diào)[18]。

圖1 “源-網(wǎng)-荷-儲”協(xié)同調(diào)節(jié)模式Fig.1“Source-grid-load-storage”coordinated operation mode

2 源-網(wǎng)-荷-儲最佳協(xié)同優(yōu)化模型

將向電網(wǎng)系統(tǒng)輸入功率設成正，從系統(tǒng)吸收功率則設成負，則系統(tǒng)中有功功率平衡約束如下：

式中：PW，r為再生能源r的有功功率；NW為可再生能源側(cè)的索引；PB，m為儲能m的有功功率；NB為儲能側(cè)的索引；PG，k為傳統(tǒng)發(fā)電機k的有功功率；NG為發(fā)電機側(cè)的索引；PD，l為負荷l的有功功率；ND為負荷側(cè)的索引。

如果可再生能源輸送功率無法全部供給負荷，那么傳統(tǒng)發(fā)電機的成本關系定義為

式中：ak，bk，ck分別為機組k的燃料費用系數(shù)。機組出力范圍如下：

式中：PminG，k為傳統(tǒng)發(fā)電機k的有功出力下限；PmaxG，k為傳統(tǒng)發(fā)電機k的有功出力上限。

一般情況下，發(fā)電機效率與用戶所消耗電量正相關，因此，假設負荷的負利潤函數(shù)為

式中：al，bl均為負荷利潤系數(shù)。

彈性負荷具有一定的調(diào)節(jié)范圍：

式中：PminD，l為負荷 l的有功出力下限；PmaxD，l為負荷l的有功出力上限。

將損耗近似成負荷的線性函數(shù)，從而表達損耗對總成本所產(chǎn)生的影響，損耗為

式中：sl為傳輸損耗因子。

因此，負荷l實際消耗的功率則為

根據(jù)電網(wǎng)有功功率平衡約束條件，其損耗也應被考慮：

針對儲能設備的成本關系表達以及功率約束能夠定義為

式中：am為儲能成本系數(shù)。

儲能設備具有一定的調(diào)節(jié)范圍：

式中：PminB，m表示儲能m的有功出力下限；PmaxB，m為儲能m的有功出力上限。

系統(tǒng)中決策主體電源、負荷以及儲能的成本函數(shù)或者其負利潤關系如圖2所示。

圖2 電源、負荷以及儲能的成本函數(shù)和負利潤函數(shù)Fig.2 Cost function and negative profit function of power supply，load and energy storage

圖2中，參數(shù)x和y分別代表了各決策主體的輸出功率和成本。電源是電能的生產(chǎn)者，其生產(chǎn)成本和邊際成本呈現(xiàn)正相關關系；針對負荷來說，假定其功率是負數(shù)，該負利潤則隨著負荷變大而增大，最終將趨于飽和；針對儲能來說，其具有雙向性，不僅可以作為源，也是一個負荷，既具有充電功能，也能進行放電。

假設系統(tǒng)中發(fā)電機k、負荷l、可再生能源r以及儲能m各個決策部分均擁有各自獨立的本地代理。為了能夠統(tǒng)一且有效地進行分析，將代理i管理功率均用Pi進行表示，該邊際成本λi則被定義為

其中，參數(shù)i根據(jù)需求可取k，l，r以及m。

根據(jù)等耗量微增量的規(guī)律，各參數(shù)的可出力功率被定義為

式中：λ*為邊際成本最佳結(jié)果。

3 模糊與一致性復合算法控制策略

3.1 模糊化量子行為粒子群算法

在量子行為粒子群算法里，其粒子情況則利用薛定諤方程中的波函數(shù)φ（x，t）進行變現(xiàn)，各個粒子均能用各自的吸引子 pi=[pi1，pi2，…，pin]來收斂到一定區(qū)域，吸引子可由下式計算得到：

式中：pi，j，Pi，j分別為第 i個粒子所對應的吸引子的第j維以及第i個粒子個體最好位置的第j維；φi，j為一個在[0，1]的范圍內(nèi)，且服從均勻分布的隨機數(shù)；Gj為全部粒子在整體中最佳位置的第j維。

粒子不斷變化位置，其更新公式為

式中：Xi，j為第i個粒子的第j維；u，k均為在[0，1]范圍內(nèi)且服從均勻分布的隨機數(shù)；α為收縮擴張因子，該值一般能夠通過固定取值方法或者線性下降取值方法進行確定；Cj為全部粒子里個體平均最佳位置。

Cj的計算公式為

式中：M為粒子的個數(shù)。

針對較為復雜的系統(tǒng)網(wǎng)絡，在對同一個位置進行解空間時，可能造成出現(xiàn)并列的兩類或者多類的優(yōu)化對象，則一些特別的情況下，需要對全局最優(yōu)值展開同步搜索。比如，針對主動配電網(wǎng)的優(yōu)化控制中，由于其網(wǎng)絡節(jié)點數(shù)量多，并可能還包含有功設備以及無功設備，因此在通過粒子群算法進行協(xié)同作用時，將造成該算法過程更加繁瑣、迭代速度緩慢、迭代次數(shù)多以及編寫復雜等問題，此時無法符合全局優(yōu)化的基本條件。

結(jié)合模糊算法對其進行改進，把相同系統(tǒng)中相同位置需要同步展開協(xié)調(diào)優(yōu)化的不同類別的控制對象用向量的方式整合成一個粒子。針對n維K個類別的分類，其模糊分類規(guī)則的形式如下：

式中：x1，x2，…，xn為 n維模式的向量；Aq1，Aq2，…，Aqn為模糊集對應的語言變量；cs，w分別分數(shù)據(jù)項的支持度和信任度；CFq為規(guī)則的置信度；Cq為決策的分類編碼，取值為1，2，…，K。

針對各種基礎數(shù)據(jù)展開模糊化處理后，將其輸入模糊分類系統(tǒng)，且隸屬關系如圖3所示。

圖3 隸屬函數(shù)Fig.3 Membership degree

圖3中，模糊子集的隸屬度等級共分為5級，從左至右依次為極低、低、正常、高、極高。

令一個m維空間中，相同位置的多個不同類別的粒子同步進行更新，則其改進型的粒子定義為

式中：aim，bim，cim分別為解空間內(nèi)同一位置不同類別的粒子。

若第i個粒子處于目前搜索到的最佳位置，則叫作個體極值；若全部粒子均處于搜索到的最佳位置，則叫作分類位置。根據(jù)分類的結(jié)果，利用一致性算法進一步改進協(xié)同優(yōu)化策略。

3.2 一致性算法的協(xié)同優(yōu)化策略

一致性算法表示各個代理自行獲取本地數(shù)據(jù)，且與相鄰的代理進行邊界信息互通，從而進行分布解析。依據(jù)一致性算法，每個代理只使用本地及相連空間代理共享信息，代理i的信息更新過程能夠被定義為

式中：ξi（t），ξi（t+1）分別為代理j在第t次迭代后的局部信息以及代理i在第t+1次迭代后的局部信息；Ω為在整個信息交互過程中所涉及的總代理數(shù)；wij為代理i與代理j間的通信系數(shù)。

各代理i的優(yōu)化步驟如下：

式中：Pmin，i（t）表示整體供給和需求失配量的局部估計；λi（t+1）為在進行第t+1次迭代時，代理i的邊際成本；Ωi為和代理i之間相連接的代理索引；σ為能夠調(diào)整收斂速度的步長。

如果σ的值足夠小，通過該一致性算法建立的系統(tǒng)能夠不斷調(diào)整，直至收斂。當在λi（t）收斂至最佳結(jié)果λ*，局部估計值Pmin，i（t）將降為0，從而達到功率平衡約束條件，該算法框圖如圖4所示。

圖4 代理算法的框圖Fig.4 Block diagram of agent algorithm

4 算例仿真及其分析

4.1 構(gòu)建仿真模型

針對IEEE-14節(jié)點系統(tǒng)進行調(diào)整，作為算例的仿真系統(tǒng)，具體如圖5所示。其中，設立了9個負荷節(jié)點、1個儲能節(jié)點、1個風力發(fā)電機以及4個傳統(tǒng)發(fā)電機。

圖5 仿真系統(tǒng)及其通信拓撲Fig.5 Simulation system and its communication topology

系統(tǒng)中的風力發(fā)電機的可用功率曲線如圖6所示。從圖6中可以看出，當時間在650～900 min時間段內(nèi)，其可用功率最低。

圖6 風電功率曲線Fig.6 Wind power generation

系統(tǒng)中的各個電源、負荷、儲能等參與主體的詳細參數(shù)如表1所示。表1中，參數(shù)G表示傳統(tǒng)發(fā)電機；參數(shù)B表示儲能裝置；參數(shù)L表示負荷；參數(shù)W表示風力發(fā)電機；參數(shù)a，b，c則對應第2節(jié)所述的各成本函數(shù)中數(shù)值。

表1 仿真系統(tǒng)的參數(shù)設定Tab.1 Parameter setting of simulation system

4.2 彈性負荷進行協(xié)同控制

在系統(tǒng)的系統(tǒng)控制中有彈性負荷參與，能夠利用負荷的響應特性，根據(jù)系統(tǒng)邊際成本的改變對用電狀態(tài)進行相應調(diào)節(jié)，進而提高風電的消納，增大整體效率。負荷參與協(xié)同時系統(tǒng)中各發(fā)電的及儲能裝置的出力情況如圖7所示，系統(tǒng)中各節(jié)點邊際成本如圖8所示。

圖7 負荷進行協(xié)同控制時系統(tǒng)出力情況Fig.7 System output during load cooperative control

圖8 負荷進行協(xié)同控制時節(jié)點邊際成本Fig.8 Marginal cost of nodes during load cooperative control

通過對比圖7、圖8可以發(fā)現(xiàn)，風電出力與系統(tǒng)邊際成本呈負相關，傳統(tǒng)發(fā)電機組則在系統(tǒng)邊際成本比較高的時候加強對應的電出力，從而得到最多的收益，所以傳統(tǒng)機組出力變化和邊際成本變化情況變動趨勢基本一致。

對負荷側(cè)進行分析，其負荷的功率變化情況如圖9所示，其中負荷值取數(shù)值的絕對值。

圖9 負荷的功率變化情況Fig.9 Power variation of load

從圖9中能夠看出，系統(tǒng)邊際成本對用戶用電成本造成直接影響，在邊際成本較低的階段內(nèi)，可調(diào)負荷會有所增大，進而補償在高邊際成本階段所降低的負荷。即當邊際成本降低的情況下，負荷將會加大消耗量，反之，在邊際成本上升的情況下，負荷將會降低使用量。負荷參與協(xié)同作用下，系統(tǒng)供求不平衡量估計如圖10所示。

圖10 負荷進行協(xié)同控制時系統(tǒng)功率不平衡量Fig.10 System power unbalance during load cooperative control

從圖10中得到，通過協(xié)同控制，系統(tǒng)的源功率和負荷功率最終能夠達到平衡狀態(tài)。

4.3 彈性負荷不參與協(xié)同控制

彈性負荷不參與協(xié)同時各機組和儲能的出力變化如圖11所示。

圖11 負荷不參與協(xié)同控制時各機組和儲能的出力變化Fig.11 Output change of each unit and energy storage without load cooperative control

從圖11中可以看出，在60～300 min和1 320～1 440 min的時間段內(nèi)，各機組和儲能的出力達到下限，此時系統(tǒng)需要采取棄風限電措施，系統(tǒng)總體靈活性降低，造成棄風現(xiàn)象，能源有效使用率降低。

相對應的負荷不參與協(xié)同控制時的風電功率輸出變化如圖12所示。從圖12中能夠看出，在，60～300 min和1 320～1 440 min的時間段內(nèi)，其風電功率輸出均未達到其輸出上限。由此表明了負荷不參與需求響應情況下，系統(tǒng)吸納風電的能力大大降低。

圖12 負荷不參與協(xié)同情況下風電功率輸出情況Fig.12 Wind power output without load cooperative control

負荷不參與協(xié)同時的節(jié)點邊際成本如圖13所示，從圖13中能夠看出，一旦系統(tǒng)出現(xiàn)了棄風限電措施，其傳統(tǒng)發(fā)電機和儲能裝置各節(jié)點的邊際成本就出現(xiàn)了變化，不再是完全一樣的了。

圖13 負荷不參與協(xié)同控制時節(jié)點邊際成本Fig.13 Parginal cost of modes without load cooperative control

負荷不參與協(xié)同情況下系統(tǒng)供求不平衡量估計如圖14所示。圖14中表明了該系統(tǒng)的供求達到平衡，其算法收斂。

圖14 負荷不進行協(xié)同控制時系統(tǒng)功率不平衡量Fig.14 System power imbalance without load cooperative control

4.4 復合算法與傳統(tǒng)算法對比分析

為了驗證該所提的復合算法方法的有效性，將其結(jié)果與傳統(tǒng)的粒子群算法的結(jié)果進行對比分析，如表2所示。從結(jié)果可以看出，兩種算法的結(jié)果十分接近，最大誤差僅0.0645%，從而表明該復合算法的計算結(jié)果具有一定可靠性。

表2 計算結(jié)果對比Tab.2 Comparison of calculation results

將該復合算法與傳統(tǒng)的粒子群算法收斂速度展開比較，其迭代次數(shù)如圖15所示。從圖15中可以得到，兩種方法的最終收斂結(jié)果一致，然而傳統(tǒng)算法在迭代30次后收斂為穩(wěn)定，而復合算法僅用18次就達到了穩(wěn)定狀態(tài)。從而得出兩種方法收斂精度一樣，復合算法的收斂性能更佳，速度更快。

圖15 復合算法與傳統(tǒng)算法的收斂情況Fig.15 Convergence of compound algorithm and traditional algorithm

5 結(jié)論

本文研究了基于模糊智能算法和一致性算法的“源-網(wǎng)-荷-儲”協(xié)同控制策略。通過考慮可再生能源輸出的不穩(wěn)定性以及彈性負荷反饋特征，構(gòu)建了“源-網(wǎng)-荷-儲”系統(tǒng)的最佳協(xié)同優(yōu)化模型。利用將模糊算法引入粒子群算法中，再與一致性算法相結(jié)合的混合策略對系統(tǒng)的最佳協(xié)同優(yōu)化模型展開解析。其結(jié)果表明，通過利用該復合智能算法對系統(tǒng)協(xié)同控制，不僅能夠顯著增大可再生能源的消納率，還能根據(jù)成本信號有效提高負荷進行需求響應。此外，所提出的基于模糊與一致性復合智能算法具有跟傳統(tǒng)粒子群算法一樣高的計算精度，且比傳統(tǒng)的粒子群算法具有更快的計算速度，其收斂次數(shù)僅僅約為傳統(tǒng)粒子群算法的1/2，大大提高了運算效率。該方法在實時性要求較高的動態(tài)電力系統(tǒng)控制中具有一定普適性。