CN104037791A - 基于多智能体技术的风光储发电协调控制方法 - Google Patents

Abstract

本发明公开了电力系统协调控制技术领域中的一种基于多智能体技术的风光储发电协调控制方法。包括，建立用于控制发电设备的控制单元；选取用于发起能量协调任务的控制单元；用于发起能量协调任务的控制单元获取带时间戳的任务令牌，并查询当前时刻预期负荷和上网电价；用于发起能量协调任务的控制单元向其他控制单元发出能量协调任务请求；其他控制单元在设定的截止时间前向用于发起能量协调任务的控制单元提交能量协调任务回复；用于发起能量协调任务的控制单元计算各个发电设备的输出功率，再将计算结果返回各个控制单元；控制单元根据发电设备的输出功率，控制发电设备输出相应的功率。本发明实现了系统稳定运行基础上的效率最大化。

Description

基于多智能体技术的风光储发电协调控制方法

技术领域

本发明属于电力系统协调控制技术领域，尤其涉及一种基于多智能体技术的风光储发电协调控制方法。

背景技术

随着风电、光电等清洁能源的发展，越来越多的国内外专家开始研究风光储联合发电能量协调控制系统。在规模化风光储发电单元并网运行过程中，存在运行收益低、稳定性差、能量协调控制策略匮乏等问题。目前全球各国已经相继开展的多项示范工程借助储能技术改善间歇式电源可控性，并在日夜峰谷差调节、电能质量调节与改善等方面展开了试验测试。在能量协调控制方面，针对具有不同控制方法的不同发电设备制定统一的控制策略成为研究的重点。鉴于在多种发电单元(包括风力发电机、光伏发电机和储能电池等)共同工作环境中，当前的协调控制方法在灵活性和扩展性方面难以满足规模化风光储联合发电系统的需求，有必要开发一种能够智能、灵活的对工作条件的变化和需求进行响应的新方法。

发明内容

本发明的目的在于，提供一种基于多智能体技术的风光储发电协调控制方法，优化风光储输发电站各个电源的出力，保证其在满足各种约束条件的情况下，实现电力系统工作效率的最大化，同时延长蓄电池组的使用寿命。

为了实现上述目的，本发明提出的技术方案是，一种基于多智能体技术的风光储发电协调控制方法，其特征是所述方法包括：

步骤1：建立用于控制发电设备的控制单元；

所述发电设备包括风力发电机、光伏发电机和储能电池；

步骤2：选取用于发起能量协调任务的控制单元；

步骤3：用于发起能量协调任务的控制单元获取带时间戳的任务令牌，并从负荷控制器查询当前时刻预期负荷和上网电价；

步骤4：用于发起能量协调任务的控制单元向其他控制单元发出包含带时间戳的任务令牌、当前时刻预期负荷和上网电价的能量协调任务请求；

步骤5：其他控制单元收到能量协调任务请求后，在设定的截止时间前向用于发起能量协调任务的控制单元提交能量协调任务回复；

所述能量协调任务回复包含各个发电设备的参数、发电设备的输出功率、发电设备的约束条件和发电设备的运行状态；

步骤6：用于发起能量协调任务的控制单元收到能量协调任务回复后，根据能量协调控制的目标函数计算各个发电设备的输出功率，再将计算结果返回各个控制单元；

步骤7：控制单元根据发电设备的输出功率，控制发电设备输出相应的功率。

所述能量协调控制的目标函数为：

$\max F=P_{\mathrm{sub}}{\∫}_0^T\mathrm{Pdt}-[C_{\mathrm{OP}}+C_{\mathrm{DEP}}+C_{\mathrm{PUN}}];$

其中，F为电力系统的综合效率；

P_sub为上网电价；

T为协调控制周期；

P为发电设备总输出功率；

C_OP为发电设备总体运行费用且C_OP＝C_s+C_om+C_m；

C_s为发电设备总启停费用；

C_om为发电设备总运行维护费用；

C_m为发电设备总停机维护费用；

C_DEP为发电设备的总折旧费用且

为第i个发电设备的安装费用；

L_i为第i个发电设备的折损寿命；

N为发电设备的数量；

C_PUN为发电设备的总切负荷惩罚费用且

α_k为第k个时段的切负荷惩罚因子；

P_cut(t)为切负荷功率值；

m为切负荷时段数；

所述能量协调控制的目标函数的约束条件为：

$\left\{\begin{array}{c}{P}_{\mathrm{WT}}\left(t\right)+P_{\mathrm{PV}}\left(t\right)+P_{\mathrm{bat}}\left(t\right)=P_{\mathrm{ref}}\left(t\right)\\ \∀t\∈(0,T]\\ 0\≤P_{\mathrm{WT}}\left(t\right)\≤P_{\mathrm{WT}}^{\max }\\ 0\≤P_{\mathrm{PV}}\left(t\right)\≤P_{\mathrm{PV}}^{\max }\\ {\mathrm{SOC}}_{\min }\≤\mathrm{SOC}\left(t\right)\≤{\mathrm{SOC}}_{\max }\end{array}\right.;$

其中，P_WT(t)为当前时刻t风力发电机的输出功率；

P_PV(t)为当前时刻t光伏发电机的输出功率；

P_bat(t)为当前时刻t储能电池的输出功率；

P_ref(t)为当前时刻t预期负荷；

为风力发电机的最大输出功率；

为光伏发电机的最大输出功率；

SOC_max为储能电池荷电状态的最大值；

SOC_min为储能电池荷电状态的最小值。

所述步骤6中，如果根据能量协调控制的目标函数无法计算出各个发电设备的输出功率，则以各个发电设备的最大输出功率作为计算结果。

本发明利用非主从式合作机制增强发电机组系统的灵活性和扩展性，在考虑各部分自身约束和利益的前提下，通过求解系统全局最优能量分配方案，使系统在稳定运行的基础上达到最大效率。

附图说明

图1是基于多智能体技术的风光储发电协调控制方法流程图；

图2是MAS能量管理系统结构示意图；

图3是控制单元Agent结构图；

图4是本发明提供的具体实例结构图；

图5是本发明提供的具体实例的发电设备出力曲线图；

图6是本发明提供的具体实例的储能电池荷电状态曲线图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是基于多智能体技术的风光储发电协调控制方法流程图。如图1所示，本发明提供的基于多智能体技术的风光储发电协调控制方法包括：

步骤1：建立用于控制发电设备的控制单元Agent。

发电设备包括风力发电机、光伏发电机和储能电池。相应地，发电设备的控制单元分别为风力发电机控制单元WT Agent、光伏发电机控制单元PV Agent和储能电池控制单元BAT Agent。

图2是MAS能量管理系统结构示意图。如图2所示，在本实施实例中，风光储输综合发电站由风电场、光伏电站、储能电池以及风光储输综合发电站能量管理控制系统四部分组成。风电机组(WG)、光伏阵列(PV)和蓄电池装置(BAT)通过逆变器(inverter)接入直流母线，母线经过逆变器以及变电站变压器升压接入大电网。风电机组和光伏阵列主要是将风能、太阳能等可再生能源转换成电能。能量协调控制系统(LD Agent)主要依据电网需求和气象条件，安排发电装置出力，使发电单元稳定并网运行。在本实例中，将这四个部分抽象成三个智能Agent并由这三个智能体协调管理作为电站能量管理控制系统，这三个智能体分别为风力发电机控制单元WT Agent、光伏发电机PV Agent和储能电池BAT Agent。

在建立风力发电机控制单元WT Agent、光伏发电机控制单元PV Agent和储能电池控制单元BAT Agent后，还要建立与各个Agent相对应的功率输出模型，确定发电设备的优化目标及其约束条件。在本实例中，由于风力发电机和光伏发电机是发电单元功率的主要输出设备，且运行费用低，因此，在最大化利用可再生能源的原则下，设计WT Agent和PV Agent的特性是积极参与能量协调任务，直到所有可用设备运行至最大功率输出为止。同时，在功率输出发生变化时能够发起能量协调任务。

风力发电机的输出功率模型及约束条件分别为：

$0\≤P_{\mathrm{WT}}\left(t\right)\≤P_{\mathrm{WT}}^{\max }---\left(2\right)$

公式(1)中，P_WT(t)为时刻t的风力发电机的输出功率，v(t)为时刻t的风速，P_rated为机组额定功率，v_min、v_max和v_rated分别为风电机组运行的最小启动风速、切出风速和最小额定风速。公式(2)中，为风力发电机的最大输出功率。

光伏发电机的输出功率模型及约束条件分别为：

P_PV(t)＝A_PVG(t)η_PV(t)η_inv (3)

$0\≤P_{\mathrm{PV}}\left(t\right)\≤P_{\mathrm{PV}}^{\max }---\left(4\right)$ 公式(3)中，P_PV(t)为时刻t的光伏发电机的输出功率，A_PV为光伏面板接收太阳光照辐射的面积(单位：m²)，G(t)为时刻t的光照辐射数值(单位：W/m²)，η_PV(t)为时刻t的光伏组件能量转换效率，η_inv为逆变器转换效率。公式(4)中，为光伏发电机的最大输出功率。

环境温度对光伏组件能量转换效率的影响如下式：

${\mathrm{\η}}_{\mathrm{pv}}\left(t\right)={\mathrm{\η}}_{\mathrm{ref}}[1-\mathrm{\β}(T_C\left(t\right)-T_{C_{\mathrm{ref}}})]---\left(5\right)$

$T_C\left(t\right)-T_{\mathrm{ambient}}=\frac{T_{\mathrm{rated}}}{800}G\left(t\right)---\left(6\right)$

公式(5)中，η_ref为光伏组件标准温度下测试的参考能量转换效率，β为温度对能量转换效率的影响系数，T_C(t)为时刻t的光伏组件的温度值，为光伏组件参考标准温度值，T_ambient为周围的环境温度，T_rated光伏组件运行的额定温度。

当WT Agent和PV Agent收到能量协调任务请求后，首先查询当前监测点相关气象信息以及自身功率输出，依据式(1)-(6)计算该时刻最大功率输出。当机组出现故障或进行例行停机维护时，WT Agent和PV Agent可以在保证自身安全运行的基础上关闭设备。

系统中的储能电池BAT Agent能够监测储能电池荷电状态SOC，管理蓄电池组充放电。按储能电池的响应特性，可以将其分为两种类型：第一种是ECO-BAT Agent，在发起的能量协调任务时，ECO-BAT Agent会充分考虑当前负荷需求的价格信息，并依据自身的SOC状态确定输出功率，并且ECO-BATAgent不接收Task Agent的更改。第二种是EME-BAT Agent，其控制目标是供电可靠性最大化，在应答能量协调任务时会考虑当前的SOC状态后，确定最大的充放电区间作为输出功率，并接收Task Agent协调的在该区间中的任意有效值。

储能电池的充电模型和放电模型分别如公式(7)和(8)：

$\mathrm{SOC}(t+1)\mathrm{SOC}\left(t\right)\·(1-\mathrm{\σ})+\frac{P_{\mathrm{CH}}\left(t\right)\·\mathrm{\Δt}\·{\mathrm{\η}}_{\mathrm{ch}}}{E_{\mathrm{bat}}}---\left(7\right)$

$\mathrm{SOC}(t+1)\mathrm{SOC}\left(t\right)\·(1-\mathrm{\σ})-\frac{P_{\mathrm{DIS}}\left(t\right)\·\mathrm{\Δt}}{E_{\mathrm{bat}}{\mathrm{\η}}_{\mathrm{DIS}}}---\left(8\right)$

公式(7)和(8)中，SOC(t)为时刻t的储能电池荷电容量，P_CH(t)为时刻t的储能电池充电功率，Δt为时间长度，σ为每小时储能电池自放电率，η_ch为储能电池的充电效率，E_bat为储能电池的额定存储能量。P_DIS(t)为时刻t的储能电池放电功率，η_DIS为储能电池放电效率。

储能电池荷电容量必须保持在一定的范围之内，即：

SOC_min≤SOC(t)≤SOC_max (9)

公式(9)中，SOC_max为储能电池荷电状态的最大值，SOC_min为储能电池荷电状态的最小值，公式(9)也是储能电池的约束条件。

对于储能电池的寿命，采用rainflow模型计算。通过统计储能电池在不同放电深度区间的充放电次数，得到蓄电池失效周期，其计算公式为：

${\mathrm{Life}}_{\mathrm{bat}}=\frac{n_T\mathrm{\Δt}}{8760\×\underset{t=1}{\overset{N_T}{\mathrm{\Σ}}}\underset{m=1}{\overset{M}{\mathrm{\Σ}}}(N_m\left(t\right)/{\mathrm{CF}}_m)}---\left(10\right)$

公式(10)中，Life_bat为储能电池年失效周期(单位：年)，Δt为统计周期长度(单位：小时)，n_T为仿真总时段数，M为放电深度区间间隔数，N_m(t)为蓄电池在第t个统计周期时第m个深度区间充放电次数，CF_m为在第m个深度区间充放电总循环次数。由此得到储能电池使用周期CF_bat不大于其寿命周期CTF_bat：

CF_bat≤CTF_bat＝min{Life_bat，Life_float} (11)

公式(11)中，Life_float为储能电池浮充周期，由厂家提供。

步骤2：选取用于发起能量协调任务的控制单元。

如图3所示，本实例中的控制单元Agent主要包括感知器，动作器，推理与决策器三个部分组成。控制单元Agent通过感知器模块感知环境的变化，并通过动作器模块对环境做出回应。推理与决策器是控制单元Agent的核心模块，其依据来源于本地模型库/算法库、知识库，在推理过程中会结合约束条件、任务标准、当前令牌位置、其他Agent的能力做出决策或其他Agent协商做出决策。在决策过程中实现经验的积累和组织，达到自主学习的目的。

在发电设备原有的电量供求平衡被打破时，任何状态改变的控制单元Agent均可申请成为用于发起能量协调任务的控制单元Task Agent，并发起能量协调任务。

步骤3：用于发起能量协调任务的控制单元Task Agent获取带时间戳的任务令牌Task Token，并从负荷控制器查询当前时刻预期负荷和上网电价。

Task Token是用来避免同一时刻多个Agent发起能量协调任务引起冲突，设置带时间戳的任务令牌Task Token作为Task Agent的象征，只有在有效时间段内具有Task Token的Task Agent才能发起能量协调任务。

步骤4：用于发起能量协调任务的控制单元向其他控制单元发出包含带时间戳的任务令牌、当前时刻预期负荷和上网电价的能量协调任务请求。

步骤5：其他控制单元收到能量协调任务请求后，在设定的截止时间前向用于发起能量协调任务的控制单元提交能量协调任务回复。

能量协调任务回复包含各个发电设备的参数、发电设备的输出功率、发电设备的约束条件和发电设备的运行状态。

其中，发电设备的参数包括发电设备的启停费用、发电设备的运行维护费用、发电设备的停机维护费用、发电设备的安装费用、发电设备的折损寿命、发电设备的切负荷因子和发电设备的切负荷功率值。

当发电设备为风力发电机和光伏发电机时，发电设备的输出功率为分别根据公式(1)和(3)确定的各个风力发电机和光伏发电机的输出功率。当发电设备为储能电池时，发电设备的输出功率为充放电区间[-P_{CH_MAX}(t),P_{DIS_MAX}(t)]。其中，P_{CH_MAX}(t)为时刻t储能电池最大充电功率，P_{DIS_MAX}(t)为时刻t储能电池最大放电功率，二者分别通过公式(7)和(8)确定。

发电设备的约束条件为公式(2)、(4)和(9)给出的约束条件，发电设备的运行状态包括运行、热备用、冷备用和停机。

步骤6：用于发起能量协调任务的控制单元收到能量协调任务回复后，根据能量协调控制的目标函数计算各个发电设备的输出功率，再将计算结果返回控制单元。

其中，能量协调控制的目标函数为：

$\max F=P_{\mathrm{sub}}{\∫}_0^T\mathrm{Pdt}-[C_{\mathrm{OP}}+C_{\mathrm{DEP}}+C_{\mathrm{PUN}}]---\left(12\right)$

约束条件为：

$\left\{\begin{array}{c}{P}_{\mathrm{WT}}\left(t\right)+P_{\mathrm{PV}}\left(t\right)+P_{\mathrm{bat}}\left(t\right)=P_{\mathrm{ref}}\left(t\right)\\ \∀t\∈(0,T]\\ 0\≤P_{\mathrm{WT}}\left(t\right)\≤P_{\mathrm{WT}}^{\max }\\ 0\≤P_{\mathrm{PV}}\left(t\right)\≤P_{\mathrm{PV}}^{\max }\\ {\mathrm{SOC}}_{\min }\≤\mathrm{SOC}\left(t\right)\≤{\mathrm{SOC}}_{\max }\end{array}\right.---\left(13\right)$

公式(12)中，F为电力系统的综合效率，P_sub为上网电价，T为协调控制周期，P为发电设备总输出功率。C_OP为发电设备总体运行费用且C_OP＝C_s+C_om+C_m；C_s为发电设备总启停费用，即各个发电设备启停费用之和；C_om为发电设备总运行维护费用，即各个发电设备运行维护费用之和；C_m为发电设备总停机维护费用，即各个发电设备停机维护费用之和。C_DEP为发电设备的总折旧费用且 为第i个发电设备的安装费用，L_i为第i个发电设备的折损寿命，N为发电设备的数量。C_PUN为发电设备的总切负荷惩罚费用且α_k为第k个时段的切负荷惩罚因子，P_cut(t)为切负荷功率值，m为切负荷时段数。

公式(13)中，P_WT(t)为当前时刻t风力发电机的输出功率，P_PV(t)为当前时刻t光伏发电机的输出功率，P_bat(t)为当前时刻t储能电池的输出功率，P_ref(t)为当前时刻t预期负荷，为风力发电机的最大输出功率，为光伏发电机的最大输出功率，SOC_max为储能电池荷电状态的最大值，SOC_min为储能电池荷电状态的最小值。

对于上述公式(12)给出的目标函数，本实施例通过修改传统粒子群算法的惯性权重、学习因子、变异粒子等方面来提高算法的搜索效率和全局寻优能力。其求解过程大致为：

子步骤A1：定义每个粒子为k维空间向量，表示参与能量协调的Agent数量，数学表示为：X＝[x₁,x₂,...x_k]^T。式中，x_k表示粒子在第k维空间的分量，代表Agent出力值。

子步骤A2：以各Agent提交的约束条件为输出功率的约束，随机均匀生成m组粒子，如下式：

$P=\left\{\begin{array}{c}{X}_1={[x_{11},x_{12},...,x_{1k}]}^T\\ \·\\ \·\\ \·\\ X_m={[x_{m1},x_{m2},...,x_{\mathrm{mk}}]}^T\end{array}\right.---\left(13\right)$

公式(13)中，x_mk表示第m个粒子X_m的第k维位置分量，得到初始种群P。

若无法生成粒子满足式(13)，则向各Agent返回最大输出功率协调控制通知，计算负荷需求和各Agent最大输出功率总和的差值，作为负荷切除量发送至负荷控制器LD Agent。

步骤7：控制单元根据发电设备的输出功率，控制发电设备输出相应的功率。

通过对能量协调控制的目标函数进行优化求解计算，即可得到每个发电设备的输出功率。将解算结果发送的各个控制单元，控制单元根据每个发电设备的输出功率，控制与自身相连的发电设备，输出相应的功率，近而实现系统的效率最大化。

图4是本发明提供的具体实例结构图。将本发明应用于某风力发电装机容量为9MW、光伏发电装机容量为8.14MW、储能容量为5MW的风光储输综合发电站并进行模拟仿真。

图5是本发明提供的具体实例的发电设备出力曲线图。图6中，RE表示风力发电和光伏发电联合出力曲线，在本发明中考虑到了储能电池寿命折损。

图6是本发明提供的具体实例的储能电池荷电状态曲线图。由图中可以看出，两类储能电池容量曲线并不相同，ECO-BAT的容量趋向于稳定在某一范围之内，这是由于负荷的高峰和低谷时段较短，并且不会出现频繁的极端情况需要蓄电池充满电或耗完电，EME-BAT的容量变化较大，这是由于其储能电池容量基数较小，充放电过程中每台储能电池组平均分摊量较大，因此频繁充放电对其容量影响较大。

经过仿真实验表明，本发明有效地增强了系统的灵活性和扩展性，提高了风光储集中式发电系统的稳定性，并起到了较好的经济收益优化效果。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于多智能体技术的风光储发电协调控制方法，其特征是所述方法包括：

步骤1：建立用于控制发电设备的控制单元；

所述发电设备包括风力发电机、光伏发电机和储能电池；

步骤2：选取用于发起能量协调任务的控制单元；

步骤3：用于发起能量协调任务的控制单元获取带时间戳的任务令牌，并从负荷控制器查询当前时刻预期负荷和上网电价；

步骤4：用于发起能量协调任务的控制单元向其他控制单元发出包含带时间戳的任务令牌、当前时刻预期负荷和上网电价的能量协调任务请求；

步骤5：其他控制单元收到能量协调任务请求后，在设定的截止时间前向用于发起能量协调任务的控制单元提交能量协调任务回复；

所述能量协调任务回复包含各个发电设备的参数、发电设备的输出功率、发电设备的约束条件和发电设备的运行状态；

步骤6：用于发起能量协调任务的控制单元收到能量协调任务回复后，根据能量协调控制的目标函数计算各个发电设备的输出功率，再将计算结果返回各个控制单元；

步骤7：控制单元根据发电设备的输出功率，控制发电设备输出相应的功率。

2.根据权利要求1所述的控制方法，其特征是所述能量协调控制的目标函数为：

$\max F=P_{\mathrm{sub}}{\∫}_0^T\mathrm{Pdt}-[C_{\mathrm{OP}}+C_{\mathrm{DEP}}+C_{\mathrm{PUN}}];$

其中，F为电力系统的综合效率；

P_sub为上网电价；

T为协调控制周期；

P为发电设备总输出功率；

C_OP为发电设备总体运行费用且C_OP＝C_s+C_om+C_m；

C_s为发电设备总启停费用；

C_om为发电设备总运行维护费用；

C_m为发电设备总停机维护费用；

C_DEP为发电设备的总折旧费用且

为第i个发电设备的安装费用；

L_i为第i个发电设备的折损寿命；

N为发电设备的数量；

C_PUN为发电设备的总切负荷惩罚费用且

α_k为第k个时段的切负荷惩罚因子；

P_cut(t)为切负荷功率值；

m为切负荷时段数；

所述能量协调控制的目标函数的约束条件为：

$\left\{\begin{array}{c}{P}_{\mathrm{WT}}\left(t\right)+P_{\mathrm{PV}}\left(t\right)+P_{\mathrm{bat}}\left(t\right)=P_{\mathrm{ref}}\left(t\right)\\ \∀t\∈(0,T]\\ 0\≤P_{\mathrm{WT}}\left(t\right)\≤P_{\mathrm{WT}}^{\max }\\ 0\≤P_{\mathrm{PV}}\left(t\right)\≤P_{\mathrm{PV}}^{\max }\\ {\mathrm{SOC}}_{\min }\≤\mathrm{SOC}\left(t\right)\≤{\mathrm{SOC}}_{\max }\end{array}\right.;$

其中，P_WT(t)为当前时刻t风力发电机的输出功率；

P_PV(t)为当前时刻t光伏发电机的输出功率；

P_bat(t)为当前时刻t储能电池的输出功率；

P_ref(t)为当前时刻t预期负荷；

为风力发电机的最大输出功率；

为光伏发电机的最大输出功率；

SOC_max为储能电池荷电状态的最大值；

SOC_min为储能电池荷电状态的最小值。

3.根据权利要求1或2所述的控制方法，其特征是所述步骤6中，如果根据能量协调控制的目标函数无法计算出各个发电设备的输出功率，则以各个发电设备的最大输出功率作为计算结果。