CN107910881B - 一种基于电网负载应急管理的admm控制方法 - Google Patents

Abstract

本发明涉及一种基于电网负载应急管理的ADMM控制方法，属于电力电网领域。该方法包括以下步骤：S1：利用回溯法，根据所测有功负载频率偏差估计各负载的有功功率偏差；S2：在获得每台有功负载的初始功率偏差后，再对所有负载进行功率的重新分配，即优化调度。本发明通过回溯法预测功率偏差，在极短时间内做出调整，避免负载设备因长时间功率不稳定引起的损坏；根据所测系统频率偏差，利用分布式模拟进化论和ADMM算法，只需要相邻节点传递信息，便可求解最优调度值，使成本最低化，降低了系统复杂度及维护费用。每个负载均设有功率约束，有利于提高系统稳定性。

Description

一种基于电网负载应急管理的ADMM控制方法

技术领域

本发明属于电力电网领域，涉及一种基于电网负载应急管理的ADMM控制方法。

背景技术

在电力系统中，有时会出现突发式地发电单元功率丢失的问题，这样会导致系统中的负载功率下降，同时整个系统的运行频率也会低于正常值。如果在短时间内不能解决该问题，便会导致整个系统的不稳定甚至对设备造成巨大的损坏。应急服务解决了由于突发式发电功率下降导致的发电和负载功率不平衡问题。传统的应急服务集中在发电单元侧，即在发生功率下降后，立即增加发电单元出工功率或维修损坏单元。发电单元侧的调整成本昂贵，且调整周期长，极有可能在此期间发生负载设备的损坏或是大面积的停电，对经济效益造成极大的影响。

负载需求侧的应急调整则很好地解决了这些问题，也是最近一段时间的研究热点。通过对负载侧有功负载功率的调整，来应对突发式地发电单元功率下降，既保证了负载持续稳定运行，又不会对发电端造成影响。

目前有许多负载侧的应急控制方案，这些方案或是解决了功率负载在突发供电下降时的负载功率调整问题；或是提出了负载合理调整功率分配的控制策略；或是通过高新电子器件加快了应急时的调整速度。

但这些技术都没有考虑到如何快速地检测电网丢失下降的功率，实际系统中由于各负载种类的多样性，需求侧下降功率很难在极短时间内测算出来，而系统电压频率却是一致的，所以通过测量系统频率下降估算功率变化是一种快速可行的方法。同时这些专利没有提及负载设备间的分布式优化，以致于所有的调整都需要搜集全局信息，在一定程度上加大了系统的复杂性并加长了负载调整时间，降低了系统整体可靠性和稳定性，直接导致系统维护费用增加。

发明内容

有鉴于此，本发明的目的在于提供一种基于电网负载应急管理的ADMM控制方法，针对实际配电系统中，分布式需求侧的突发式应急问题，利用估计所得电网电压频率偏差结合分布式算法，优化功率调度。

为达到上述目的，本发明提供如下技术方案：

一种基于电网负载应急管理的ADMM控制方法，包括以下步骤：

S1：利用回溯法，根据所测有功负载频率偏差估计各负载的有功功率偏差；

S2：在获得每台有功负载的初始功率偏差后，再对所有负载进行功率的重新分配，即优化调度。

进一步，所述步骤S1具体为：

在发电侧产生突发事件时，发电功率将会下降，同时发电频率也会相应地降低；根据电网的下垂特性，即

式中，ω和E是发电端输出的频率和电压，ω^*和E^*是发电端输出的频率和电压参考值，m_p和n_q是电网的频率和电压下垂控制系数，P和Q是发电端输出的有功和无功功率，采用电压频率控制有功负载，只考虑ω＝ω^*-m_pP；发电侧产生突发事件，系统功率下降Δp，频率下降Δω，导致负载侧频率偏移初始值，功率同时也下降，对有功负载的正常运行带来了很大的不良影响；每一台有功负载都会接入一个基于回溯法的功率偏差估计器，以此得到每台负载在突发事件时的功率变化。

进一步，所述步骤S2具体为：

采用全分布式算法，即每个有功负载只需要知道自身和其相邻节点的有功负载的信息，同时保证系统的电压频率和功率达到最优解状态；采用分布式ADMM和模拟进化论算法，通过ADMM算法迭代求解最优功率分配方案，其中的信息交换环节，通过嵌入模拟进化论算法迭代求解得出。

本发明的有益效果在于：

(1)通过回溯法预测功率偏差，在极短时间内做出调整，避免负载设备因长时间功率不稳定引起的损坏；

(2)根据所测系统频率偏差，利用分布式模拟进化论和ADMM算法，只需要相邻节点传递信息，便可求解最优调度值，使成本最低化，降低了系统复杂度及维护费用。

(3)每个负载均设有功率约束，有利于提高系统稳定性。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为带估计器的分布式发电系统；

图2为有功负载网络拓扑图；

图3为系统硬件图；

图4为算法流程图；

图5系统运行流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本部分主要包含模拟负载侧示意图、负载节点通讯、系统硬件图及控制算法和系统流程图。

1、系统总体示意图

图中画出6个有功负载群组和两个发电单元组，如图1所示，虚线代表可通讯，实线则表示母线连接。实际运行中可根据具体情况增减负载，本方案系统结构上分为两层，上层为通讯控制层，下层为实际物理层。

如图1所示，当发电单元k发生突发事故，输出功率瞬间下降时，连接在其母线上的有功负载i和j便做出相应的调整。在具体偏差功率未知的情况下，有功负载根据各自母线端的估计器，通过采集频率信息，利用回溯算法估计各自的功率偏差，进而通过自身的状态信息和邻居节点的信息交换即分布式ADMM和模拟进化论算法，求解全局最优解。最终，只要测得各个有功负载的频率偏差信息，通过算法可实现各负载调度至最优解，应对了突发式的发电功率下降问题。

2、相关理论知识

如图2所示。

①图论知识

定义节点协议：

式中V＝[v₁,…,v_n]为有限非空节点的集合，

是拓扑图中有向边的集合。边(v_j,v_i)∈ε代表的是节点i能够获取节点j的信息。若结点i不能获取其他任意节点信息，但有节点j可以接受到它的信息，则将其称为源结点。当且仅当结点i能获得结点j的信息，则称结点j是结点i的邻居。A＝[a_ij]为权重矩阵，a_ij是描述边(i,j)的权重，当(v_j,v_i)∈ε时，a_ij＞0，否则，a_ij＝0。节点i的入度和出度分别定义为

和

L＝D-A是描述系统拓扑结构的拉普拉斯矩阵，其中A＝[a_ij]为邻接矩阵，

为入度矩阵。拉普拉斯矩阵L满足：

②ADMM算法

考虑如下优化问题：

式中变量

通过对(1)求取拉格朗日方程，得：

式中y为拉格朗日乘子，惩罚因子ρ是一个正标量。

采用ADMM算法求解优化问题(1)的迭代流程如下：

y^k+1:＝y^k+ρ(Ax^k+1+Bz^k+1-c)

ADMM算法的初始残差为r^k+1＝Ax^k+1+Bz^k+1-c，对偶残差为s^k+1＝ρA^TB(z^k+1-z^k)，当满足条件：

ADMM算法收敛到最优解(x^*,z^*)和最优拉格朗日乘子y^*。

③分布式遗传因子模型算法

分布式遗传因子模型算法的离散时间迭代模型为

式中，π_i和π_j分别为第i和j个有功负载的成本函数。a为基于模型背景的生长常数，且满足a＞0。

3、系统硬件图

系统总体硬件框图如图3所示，为了方便交换信息和处理算法信息，利用聚合器来执行处理这些操作。图中有功负载个数没有限制，为了简便，只画出3个。发电单元发电功率下降Δp，功率相应变化Δω，每个有功负载对应的聚合器检测到频率偏差信息后计算出功率偏差信息，再和相邻节点交互信息并通过分布式ADMM算法计算出最优调整解，作出相应有功负载调整。

4、回溯法估计功率偏差

对于电网模型，可以通过将每个部件的信息流的方向倒转，即输入与输出互换，并倒转时间的方向(包括运算时间的起点和终点互换)，将有功负载的频率偏差为输出，相对应的功率偏差为输入，通过公式求取输入。

在考虑随机扰动对电网造成干扰的情况下，根据偏差频率与偏差功率的输入输出关系，建立电网的线性时不变系统状态方程：

式中，

为系统在t时刻的状态方程，t＝0,1,2,3...，p(t)为t时刻的功率偏差且为p维输入。ψ(t)模拟了t时刻的随机扰动，该扰动可能由外部环境因素引起，例如温差等。每一个负载的频率测量随机噪声由θ_i表示，

表示单个负载的实际频率偏差。A、B、C为系统状态矩阵，

且因为系统频率偏差Δω是x(t)中的一个元素，所以C是标准的单位矩阵，同时满足CB≠0。

在输入估计器中，每个负载利用自身所测得的频率信息

来估计p(0),...,p(t-1)。定义x(t)和p(t)在t-1时刻经过频率估计器估计下一时刻估计值为

和

t-1时刻的最优状态估计值为

根据回溯法，从

开始，具体算法如下：

根据(2)、(3)，在已测出状态方程输出Δω的情况下，利用卡尔曼滤波原理，通过估计器将系统下降频率和负载噪声相加得到第i个有功负载的实际估计下降频率

通过(3)式最后一步的推导，可以得出离散时间下的系统整体状态模型。因此(1)式中的未知量只有p(t)，可对其进行求解，继而再带回(3)，得到各有功负载在t时刻的功率偏差

这样就完成了突发状况下通过频率偏差对有功负载功率偏差的估计。

5、算法

①问题变换

本方案所要解决的是遇到突发状态即发电单元发电功率突然下降的情况下，合理调度再分配有功负载功率的问题。该带约束的优化问题具有如下的数学表达式：

s.t.u^min≤u≤u^max (4b)

式中，f_i(u_i)为第i个有功负载的成本函数，可以表示为二次函数

u_i则为第i个有功负载的调整功率，

p为发电单元下降的功率值。

为了更好地使用(1)式的ADMM求解法，对问题(4)进行变换。定义两个凸集V₁和V₂，分别表示(4b)和(4c)：

同时分别定义V₁和V₂两个指标函数h₁和h₂：

因此问题(4)可以转换为如下形式：

minf(u)+h₁(u)+h₂(Γ)

s.t.u＝Γ

该问题的拉格朗日方程表示为：

通过如下迭代可求解优化问题(4)：

λ^k+1＝λ^k+ρ(u^k+1+Γ^k+1) (5c)

②分布式算法

通过(5)式中的迭代，需要利用全局变量，影响了系统响应速度，因此本方案采用全分布式方法。通过对(5)式中的子问题u^k+1采用分布式遗传因子模型算法求解，只需要相邻两个节点互相传递信息，不需要搜集全集信息就能计算出最优解。将拉格朗日方程带入(5a)：

假设α′_i＝α_i+ρ/2

这样，可以进一步将问题转化为如下的形式：

在此引入分布式遗传因子模型算法来求解该问题，即

其中，π_j＝-2α′_ju_j-β′_j，π_i＝-2α′_iu_i-β′_i，a为基于模型选定的正常数。由此可见，采用分布式遗传因子模型算法只需要相邻节点之间传递信息，不需要搜集全局变量，加快了系统响应速度，且有功负载间互不影响。当满足条件：

||u_i[t+1]-u_i[t]||₂≤ε (7)

式中ε为一小常数，迭代结束。

接着进行ADMM循环，对Γ^k+1求解：

在满足

的约束下可得出：

将

和

带入(5c)，得到

完整的迭代步骤如上所述，直到满足先前所述的迭代条件为止。

6、流程图

①算法流程图

如图4所示，每个聚合器分别执行该ADMM算法，通过相邻节点交换信息，获取局部信息，再通过迭代，求取使全局最优的每个负载的调整功率值。该算法有两个循环，外循环是ADMM主算法，内循环是基于分布式遗传因子模型算法，最后循环迭代到全局收敛，即求解出最优解。

②系统流程图

如图5所示，在发电侧产生突发事件时，发电功率将会下降，同时发电频率也会相应地降低，通过各负载的聚合器检测出各自的下降频率，继而推算出各自的下降功率。再利用先前所述的算法，对下降后的负载功率进行合理地再分配，使系统在最低各负载正常运行地情况下，满足成本最低化。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (1)

1.一种基于电网负载应急管理ADMM算法的控制方法，其特征在于：该方法包括以下步骤：

S1：利用回溯法，根据所测有功负载频率偏差估计各有功负载的有功功率偏差；

S2：在获得每台有功负载的有功功率偏差后，再对所有有功负载进行有功功率的重新分配，即优化调度；

所述步骤S1具体为：

在发电侧产生突发事件时，发电有功功率将会下降，同时发电频率也会相应地降低；根据电网的下垂特性，即

式中，ω和E是发电端输出的角频率和电压，ω^*和E^*是发电端输出的角频率和电压参考值，m_p和n_q是电网的角频率和电压下垂控制系数，P和Q是发电端输出的有功功率和无功功率，采用电压角频率控制有功负载，只考虑ω＝ω^*-m_pP；发电侧产生突发事件，系统有功功率下降ΔP，角频率下降Δω，导致负载侧角频率偏移初始值，有功功率同时也下降，对有功负载的正常运行带来了不良影响；每一台有功负载都会接入一个基于回溯法的有功功率偏差估计器，以此得到每台有功负载在突发事件时的有功功率变化；

所述步骤S2具体为：

采用全分布式算法，即每个有功负载只需要知道自身和其相邻节点的有功负载的信息，同时保证系统的电压频率和有功功率达到最优解状态；采用ADMM算法和模拟进化论算法，通过ADMM算法迭代求解最优有功功率分配方案，其中的信息交换环节，通过嵌入模拟进化论算法迭代求解得出。

Images