CN108512258B - 一种基于改进多智能体一致性算法的风电场有功调度方法 - Google Patents

Abstract

本发明公开了属于风电场有功调度技术领域的一种基于改进多智能体一致性算法的风电场有功调度方法。该方法针对风电场机组众多、运行工况复杂的特性，在传统变比例分配算法的基础上进行了改进，并提出了风机动态分组的有功调度方法，将多智能体一致性算法运用于风电场有功调度的分布式调度方法中，避免了集中式调度的缺陷。最后，对传统的多智能体一致性算法进行了改进，针对风机分组调度的策略，提出了分段更新的虚拟一致性调度方法，实现了对风电场风机的有功调度，能够有效实现对风电场在不同工况下风机的有功调度，充分利用风机调节裕度，减少控制系统动作次数，不仅降低了调度成本，还降低了更新算法的难度，增强了工程实践的可行性。

Description

一种基于改进多智能体一致性算法的风电场有功调度方法

技术领域

本发明属于风电场有功调度技术领域，尤其涉及一种基于改进多智能体一致性算法的风电场有功调度方法。

背景技术

近年来，不少大中型风电场相继建成并投入运行，风电在电网中的渗透率越来越大。大规模新能源发电基地集中接入电网的开发模式对电网的功率平衡和安全、经济运行带来了严峻挑战。风电场内部的优化调度将有助于减少风电对电力系统的冲击并降低风电场运行损耗。一个大型风电场往往拥有几十甚至上百台风机，由于气象和位置分布的影响，风机的运行状态各不相同，因而对于风电场的优化调度而言，在满足电网安全的前提下，合理的机组调度具有重大意义。

目前风电场中广泛采用的有功调度策略依然是与传统火电厂相似的集中控制策略，即有一个控制中心负责全场的调度指令分配，风电机组的差异也都需要由控制中心进行判断从而决定控制策略。然而，随着风电场规模日渐扩大，基于集中式控制的有功调度策略逐渐遭遇计算维度过大、复杂度过高的问题，同时，集中式控制可能在个别机组通讯中断的情况下就无法实现有效调度。

相对于集中控制，分布式控制可以很好的避免以上问题。基于分布式控制方式的多智能体系统主要涉及智能体之间的协调合作、交互通信、冲突消解等方面的问题，强调群体之间的合作，而非个体能力本身。风电场内部各风机之间既有较强的相关性，也存在一定程度的差异，且风机数量众多，采用传统的多智能体一致性算法对全场所有风机进行控制，使其控制系统频繁动作，机械损耗增加，设备寿命减短，从而间接增加风力发电成本。

发明内容

针对上述问题，本发明提出了一种基于改进多智能体一致性算法的风电场有功调度方法，包括以下步骤：

步骤1：改进变比例功率分配算法，实现风电场内风机的有功功率分配；

步骤2：依据风功率预测信息构建风电场内风机的实时动态分组方法，对场内风机进行分组，并对不同组风机进行调控；

步骤3：建立基于多智能体一致性的完全分布式实现算法，调整风机的有功出力；

步骤4：基于功率分配算法，建立一致性变量的分段虚拟更新方法，对风电场内的不同组风机进行有功调节与控制，具体包括以下子步骤：

步骤401：为各台风机的有功输出定义参考值，构造多智能体一致性算法的辅助变量，并计算辅助变量的初始值；

步骤402：建立一致性变量的分段虚拟更新规则，使不同组风机先后参与有功调节，当风机处于虚拟更新状态时，仅更新风机的辅助变量，不对其进行有功调节。

所述改进变比例功率分配算法是在变比例算法的基础上，将有功调度指令的变化量按一定比例分配给各台风机，通过对不同运行状态下的风机赋予不同比例，其计算公式如下：

式中，

为本周期调控前第i台风机有功功率，P_D,i为本周期调控中第i台风机的有功调节裕度，r_i为本次调控第i台风机的功率分配系数，在同一周期内不参与调节的机组的功率分配系数r_i均取值为0；

其中，功率分配系数r_i的计算公式为：

式中，R1、R2、R3为一个控制周期内优先级依次降低的各风机组，当电网调度指令高于全场实时功率时，R1为功率上升组；当电网调度指令低于全场实时功率时，R1为功率下降组；

为各组风机参与调度的风机在该控制周期内的功率调节裕度之和；

基于风电场有功控制的全场有功功率平衡约束为：

|P_ref-P_M|≤ξ

式中，P_ref为调度下发的参考功率值，P_M为风电场实时功率值，ξ为风电场功率偏差阈值；

基于单台风电机组在控制周期内的有功输出约束为：

式中，P_m,i为风电场中第i台机组的有功功率，

为该风机所处风况下的最大发电能力，

为风机设计的最小发电能力；

基于风机启停时间约束为：一段时间内仅限完成一次启停状态的转换；

对于风电场，在一个控制周期内需要调节的功率为：

对于单台风机，在一个控制周期内的功率调节裕度为：

对于本周期处于停机且可开机状态的风机，其功率调节裕度为：

式中，P_ref为调度下发的参考功率值；

为本周期调控前第i台风机有功功率；

为本周期调控中第i台风机的有功增加裕度；

为本周期调控中第i台风机的有功降低裕度；P_m,i为风电场中第i台机组的有功功率；

为第i台风机所处风况下的最大发电能力；

为第i台风机所处风况下的最小发电能力。

所述风电场内风机的实时动态分组方法为：

根据风机实际运行状态和下一周期的风速预测，将全场机组分为功率上升组、功率下降组、停机可开机组和停机不可开机组；其中，功率上升组是指下一周期预测风速不低于当前周期实时风速的机组；功率下降组是指下一周期预测风速低于当前周期实时风速的机组；停机可开机组是指当前周期风机处于无故障停机状态，且实时风速大于启动风速的机组；停机不可开机组是指风机处于停机状态，且由于停机时间约束或故障原因导致当前周期无法开机的机组。

所述步骤2中对不同组风机进行调控的方法为：

当电网调度指令高于全场实时功率时，优先调节功率上升组的风机功率，如果功率上升组的风机调节容量不足，则依次调节功率下降组和停机可开机组的风机功率；

当电网调度指令低于全场实时功率时，优先调节功率下降组的风机功率，如果功率下降组的风机调节容量不足，则调节功率上升组的风机功率；

当电网调度指令低于全场可调机组最小发电量时，直接对风机进行停机处理。

所述步骤3建立的基于多智能体一致性的完全分布式实现算法需满足以下要求：

1)风机之间通讯为双向通讯，即风电场通讯系统拓扑为无向图；

2)风机通过有线或无线通讯方式获得周围风机信息，且只有部分机组获得调度指令和风电场全场有功出力信息；

3)风机具备风功率预测能力，能够进行超短期风速预测。

所述基于多智能体一致性的完全分布式实现算法是在通讯系统拓扑结构的基础上，各风机单机从通信层接收周围风机的相关信息，独立计算并更新得到控制指令，实现风电场有功的实时调度，其数学模型为：

假设网络化多智能体系统由n个独立的智能体组成，每个智能体的离散一阶积分器形式动力学方程表示为：

式中，x_i(k)是智能体i的状态，a_ij是智能体i对应图G的邻接矩阵A中的元素，ψ为控制增益，且满足

其中N_i为智能体i的邻节点集；

结合所有个体，描述整个网络特性的闭环系统动力学方程，可表示为：

X(k+1)＝PX(k)

式中，迭代矩阵P为一个随机非负矩阵，I为单位矩阵，L为对应图G的拉普拉斯矩阵；

当智能体系统组成的网络图G为平衡图时，系统收敛到平均一致性，即：

当智能体系统组成的网络图G为连通的无向图时，则对于任意初始值均能够保证闭环系统渐近收敛到平均一致性。

所述步骤401的具体步骤如下：

(1)确定各台风机的有功输出参考值，包括μ_1,i、μ_2,i、μ_3,i；

(2)定义一致性辅助变量为：

Y[k]＝{y_i[k]}，Z[k]＝{z_{p_i}[k],z_{m_i}[k]}，

当ΔP_ref≥0时，Z[k]＝z_{p_i}[k]；

当ΔP_ref＜0时，Z[k]＝z_{m_i}[k]；

式中，y_i[k]、z_{p_i}[k]、z_{m_i}[k]为第i台风机的辅助状态变量，Y[k]为由y_i[k]组成的矩阵、Z[k]为由z_{p_i}[k]、z_{m_i}[k]组成的矩阵，k为迭代次数，i为风机编号，ΔP_ref为全场有功指令变化量；

(3)计算风机辅助变量初始值：

假设风电场的风机总数为n，且有l，l<n台风机能够获取调度有功参考值指令和全场有功出力信息，则这部分风机的辅助变量初始值为：

y_i[0]＝ΔP_ref/l

对于不能获取调度有功参考值指令和全场有功出力信息的风机，其辅助变量初始值为：

y_i[0]＝0

式中，μ_1,i、μ_2,i、μ_3,i分别为第i台风机的可开机标识、运行标识、风速变化标识，取值为1或0，

为本周期调控中第i台风机的有功增加裕度，

为本周期调控中第i台风机的有功降低裕度；

其中，辅助变量y_i的初始值之和为当前周期所需调节的有功功率值；辅助变量z_{p_i}和z_{m_i}的初始值为当前有功控制目标下风机的功率调节裕度。

所述步骤402建立的一致性变量的分段虚拟更新规则为：

1)建立更新辅助变量的数学模型：

P＝[p_ij]_n×n

式中，y_i[k+1]为第k+1次迭代后第i台风机的辅助变量y，y_j[k]为第k次迭代后第j台风机的辅助变量y，z_{p_i}[k+1]为第k+1次迭代后第i台风机的辅助变量z_p，z_{p_j}[k]为第k次迭代后第j台风机的辅助变量z_p，P为根据风电场通讯系统拓扑图的拉普拉斯矩阵计算得到的迭代矩阵；p_ij为迭代矩阵第i行第j列的元素；η_1,i,η_2,i为分段状态信号，在进入第二阶段和第三阶段的第一次更新中取值为1，其他时间段均取值为0；

2)计算功率分配系数，其计算方法如下：

R_v[k]＝{r_{v_i}[k]}

H[k]＝{h_i[k]}

当y_i(k)≥0时，h_i[k]＝[1,0]^T

当y_i(k)＜0时，h_i[k]＝[0,1]^T

式中，R_v[k]为虚拟功率分配系数，λ为分组系数，当λ取0时风机处于虚拟更新状态，Y[k]为辅助变量y_i(k)组成的矩阵，Z[k]为辅助变量z_i(k)组成的矩阵，H[k]为根据Y[k]确定的系数矩阵；

3)依据更新结束条件判断风机是否结束更新，若满足更新结束条件，则r_{v_i}[k]＞1，表示已参加有功调节机组的功率调节裕度不能满足调度需求，需要未参加调节机组加入更新，反之结束更新；所述更新结束条件设置为：

|r_i[k+1]-r_i[k]|≤ζ

式中，r_i[k]为第k次迭代后第i台风机的功率分配系数，r_i[k+1]为第k+1次迭代后第i台风机的功率分配系数，ζ为一个大于0的定值；

4)更新完成后，各机组的功率分配系数表示为：

其中，

式中，σ_1,i和σ_2,i分别为第i台风机的辅助变量是否进入第二、第三阶段更新时的标志，当风机辅助变量进入相应更新阶段时取值为1，反之为0；

5)由更新辅助变量获得各台风机的功率参考值为：

式中，

为第i台风机本次调度获得的功率参考值；

为本周期调控前第i台风机有功功率，P_D,i为本周期调控中第i台风机的有功调节裕度。

本发明的有益效果在于：

(1)本方法省去了需要控制中心对全场所有风机进行有效控制的要求，风机仅需要通过本机和附近几台机组的有效信息即可完成有功调度，节约了控制中心调度的成本，同时提高了系统的可靠性。

(2)本发明提出的功率分配算法对风电场内风机按不同运行工况进行分组，并通过一致性算法的分段来实现分组效果，有效降低了机组的功率波动和启停机次数，减少了因为风机动作而引起的损耗。

(3)本发明在运用多智能体一致性算法实现调度的同时，创新采用虚拟更新的方式，风机是否参与调节不会影响通讯拓扑，保证通讯拓扑的稳定从而降低了更新算法的难度，增强了工程实践的可行性。

附图说明

附图1为基于改进多智能体一致性算法的风电场有功调度方法流程框图；

附图2为算法实现示意图；

附图3(a)-3(d)为调度指令为20MW时的仿真结果；

附图4(a)-4(d)为调度指令为25MW时的仿真结果；

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

附图1为基于改进多智能体一致性算法的风电场有功调度方法流程框图，如图1所示，所述方法包括如下步骤：

步骤1：改进变比例功率分配算法，实现风电场内风机的有功功率分配；

步骤2：依据风功率预测信息构建风电场内风机的实时动态分组方法，对场内风机进行分组，并对不同组风机进行调控；

步骤3：建立基于多智能体一致性的完全分布式实现算法，调整风机的有功出力；

步骤4：基于功率分配算法，建立一致性变量的分段虚拟更新方法，实现不同组风机的有功调节及控制，具体包括：

步骤401：为各台风机有功输出定义参考值，构造多智能体一致性算法的辅助变量；

步骤402：采用分段虚拟更新方法使不同组风机先后参与有功调节，对处于虚拟更新状态的风机保持辅助变量的更新但不参与有功的调节。

具体的，所述步骤1中，风电场有功控制需要达到的全场有功功率平衡约束为：

|P_ref-P_M|≤ξ (1)

式中，P_ref为调度下发的参考功率值，P_M为风电场实时功率值，ξ为风电场功率偏差阈值。

对于单台风电机组而言，控制周期内的有功输出需满足约束为：

式中，P_m,i为风电场中第i台机组的有功功率，

为该风机所处风况下的最大发电能力，

为风机设计的最小发电能力。

由于风机频繁启停对电网以及风机本身寿命均有影响。为了避免风机频繁启停，本发明对风机启停做出时间上的约束，即在一定时间内仅限完成一次启停状态的转换。风电场现有的有功调度算法主要为变比例分配算法，该算法根据实时风速预测风电机组最大输出功率，按照最大输出功率大的机组分配有功多的原则进行指令分配，其分配方法如下：

式中，

为变比例分配算法中第i台风机有功功率指令，n为风电场内风机台数，P_ref为调度下发的参考功率值。

由于变比例分配算法未考虑风电功率预测值，如公式(3)并未考虑风电功率预测值，在风速大幅波动的情况下，单台机组通过其得到的风电有功调控指令也会发生大幅波动，使其控制系统频繁动作，机械损耗增加，设备寿命减短，从而间接增加风力发电成本。因此本发明对现有的变比例分配算法进行了改进，改进的变比例分配算法是在现有的变比例分配算法的基础上，将有功调度指令的变化量按一定比例分配给各台风机，通过对不同运行状态下的风机赋予不同比例，充的分利用每台机组的调节裕度，使得调度指令尽可能符合机组所处风况，减少风机控制系统动作的次数。改进后的变比例分配算法的计算公式如下：

式中，

为变比例分配算法中第i台风机有功功率指令，

为本周期调控前第i台风机有功功率，P_D,i为本周期调控中第i台风机的有功调节裕度，r_i为本次调控第i台风机的功率分配系数，在同一周期内不参与调节的机组的功率分配系数r_i均取值为0。

所述功率分配系数r_i的计算公式为：

式中，R1、R2、R3为一个控制周期内优先级依次降低的各风机组，当电网调度指令高于全场实时功率时，R1为功率上升组；当电网调度指令低于全场实时功率时，R1为功率下降组；

为各组风机参与调度的风机在该控制周期内的功率调节裕度之和。

对于风电场，在一个控制周期内需要调节的功率为：

对于单台风机，在一个控制周期内的功率调节裕度为：

对于本周期处于停机且可开机状态的风机，其功率调节裕度为：

式中，P_ref为调度下发的参考功率值；

为本周期调控前第i台风机有功功率；

为本周期调控中第i台风机的有功增加裕度；

为本周期调控中第i台风机的有功降低裕度；P_m,i为风电场中第i台机组的有功功率；

为第i台风机所处风况下的最大发电能力；

为第i台风机所处风况下的最小发电能力。

具体的，所述步骤2中，为了充分利用每台机组的调节裕度并使得调度指令尽可能符合机组所处风况，减少风机控制系统动作的次数，本发明提出一种风电场内风机的实时动态分组方法对场内风机进行分组处理。所述分组方法根据风机实际运行状态和下一周期的风速预测，将全场机组分为功率上升组、功率下降组、停机可开机组和停机不可开机组；其中，功率上升组是指下一周期预测风速不低于当前周期实时风速的机组；功率下降组是指下一周期预测风速低于当前周期实时风速的机组；停机可开机组是指当前周期风机处于无故障停机状态，且实时风速大于启动风速的机组；停机不可开机组是指风机处于停机状态，且由于停机时间约束或故障原因导致当前周期无法开机的机组。

当电网调度指令高于全场实时功率时，优先调节功率上升组的风机功率，如果功率上升组的风机调节容量不足，则依次调节功率下降组和停机可开机组的风机功率；当电网调度指令低于全场实时功率时，优先调节功率下降组的风机功率，如果功率下降组的风机调节容量不足，则调节功率上升组的风机功率；另外，对于电网调度指令过低，低于全场可调机组最小发电量的情况，一般通过直接对风机停机进行处理，本发明中不再考虑。

具体的，所述步骤3中，针对风电场有功的实时调度，本发明提出了基于多智能体一致性的完全分布式实现算法。附图2为算法实现示意图，如图2所示，各风机单机基于通讯系统拓扑从通信层接收周围风机的相关信息，独立计算并更新得到控制指令，进而调整风机的有功出力。

为保证算法的实现，该算法需满足以下要求：

1)风机之间通讯为双向通讯，即风电场通讯系统拓扑为无向图；

2)风机通过有线或无线通讯方式获得周围风机信息，且只有部分机组获得调度指令和风电场全场有功出力信息；

3)风机具备风功率预测能力，能够进行超短期风速预测。

所述基于多智能体一致性的完全分布式实现算法的数学模型建立过程如下：

假设网络化多智能体系统由n个独立的智能体组成，每个智能体的离散一阶积分器形式动力学方程表示为：

式中，x_i(k)是智能体i的状态，a_ij是智能体i对应图G的邻接矩阵A中的元素，ψ为控制增益，且满足

其中N_i为智能体i的邻节点集；

结合所有个体，描述整个网络特性的闭环系统动力学方程，可表示为：

X(k+1)＝PX(k) (10)

式中，迭代矩阵P为一个随机非负矩阵，I为单位矩阵，L为对应图G的拉普拉斯矩阵；

当智能体系统组成的网络图G为平衡图(或P为双随机矩阵)时，系统最终收敛到平均一致性，即：

我们称这种能够收敛到算术平均值的特定算法为平均一致性算法。当智能体系统组成的网络图G为连通的无向图时，则分布式一致性算法对于任意初始值均能够保证闭环系统渐近收敛到平均一致性。

具体的，所属步骤4中，由于传统的一致性算法没有对分组进行处理的能力，为了实现风机分组控制，同时避免分组带来的风电场通讯拓扑的频繁变化，本发明在功率分配算法的基础上提出一种一致性变量的分段虚拟更新方法，以实现不同组风机的有功调节及控制；该方法采用分段更新的策略使得不同组风机可以先后分别参与有功调节，特别的，对于虚拟更新状态的风机保持辅助变量的更新但不参与有功的调节。所述一致性变量的分段虚拟更新方法包括：

步骤401分别为各台风机有功输出定义参考值，为了使每台风机均能按照本发明所提算法获得合理的功率参考值，本发明构造了多智能体一致性算法的辅助变量，具体构造方法如下所述：

定义一致性辅助变量为：

Y[k]＝{y_i[k]}，Z[k]＝{z_{p_i}[k],z_{m_i}[k]} (13)

当ΔP_ref≥0时，Z[k]＝z_{p_i}[k] (14)

当ΔP_ref＜0时，Z[k]＝z_{m_i}[k] (15)

式中，k为迭代次数，i为风机编号，ΔP_ref为全场有功指令变化量，且在同一控制周期中，所有风机的y_i(k)与ΔP_ref具有相同符号；

假设风电场的风机总数为n，且有l，l<n台风机能够获取调度有功参考值指令和全场有功出力信息，则这部分风机的辅助变量初始值为：

y_i[0]＝ΔP_ref/l (16)

对于不能获取调度有功参考值指令和全场有功出力信息的风机，其辅助变量初始值为：

y_i[0]＝0 (19)

式中，μ_1,i、μ_2,i、μ_3,i分别为第i台风机的可开机标识、运行标识、风速变化标识，取值为1或0，其取值意义如表1所示。

表1风机标识意义

辅助变量y_i的初始值之和为当前周期所需调节的有功功率值；辅助变量z_{p_i}和z_{m_i}的初始值为当前有功控制目标下风机的功率调节裕度。经分析可知，由于同一控制周期中所有风机的y_i(k)均与ΔP_ref同号，因而风机通过更新得到的y_i(k)的正负可以反映ΔP_ref的取值，特别的，需要先对两种P_D,i取值下的z_{p_i}和z_{m_i}同时更新。

步骤402：采用分段虚拟更新方法使不同组风机先后参与有功调节，对处于虚拟更新状态的风机保持辅助变量的更新但不参与有功的调节。具体包括：

设定辅助变量的更新规则为：

式中，P＝[p_ij]_n×n为根据风电场通讯系统拓扑图的拉普拉斯矩阵计算得到的迭代矩阵；η_1,i,η_2,i为分段状态信号，在进入第二阶段和第三阶段的第一次更新中取值为1，其他时间段均取值为0；

计算功率分配系数，其计算公式为：

R_v[k]＝{r_{v_i}[k]} (26)

H[k]＝{h_i[k]} (27)

当y_i(k)≥0时，h_i[k]＝[1,0]^T (28)

当y_i(k)＜0时，h_i[k]＝[0,1]^T (29)

式中，R_v[k]为虚拟功率分配系数，H[k]为根据Y[k]确定的系数矩阵，根据y_i(k)的正负确定，λ为分组系数，其取值规则如表2所示，当λ取0时风机处于虚拟更新状态；

表2λ的取值规则

由辅助变量初始值和更新规则可知，如果仅R1组风机的有功调节裕度满足调度需求，且更新过程仅有第一阶段，则由离散时间一致性算法可知：

进而求得R1组风机的功率分配系数为：

为了约束更新所需时间，本发明将参与调节的风机一个阶段的更新结束条件设置为：

|r_i[k+1]-r_i[k]|≤ζ (34)

式中，ζ为一个大于0的定值；

若满足更新结束条件，则r_{v_i}[k]＞1，表示已参加有功调节机组的功率调节裕度不能满足调度需求，需要未参加调节机组加入更新，反之结束更新；

由于各台风机在更新过程中收敛速度不同，进入新阶段的时间也各不相同，假设第i台风机进入第τ次的第二阶段更新，且y_i(k)≥0，则：

对于其他风机则更新为：

在τ+1时刻之后，所有风机均更新为：

因此，可认为第τ次的更新等同于在第一阶段z_{p_i}[k]更新规则不变的情况下增加了一个新的辅助变量

其初值为

更新规则为：

故式(36)可改写为：

式中，

为第一阶段中z_{p_i}(k)初值下的更新值。

由于式(39)中加号前后分别满足离散时间一致性算法，因此有：

以此类推，一台或多台风机有限次的改变辅助变量取值不会影响最终实现全场平均一致性。因此，本发明所提分段虚拟一致性算法有效，风机可按照分组情况有序参与有功调节并最终均能稳定至分配算法设定的参考值。

对风电场内的单台风机而言，基于本发明所定义风电场风机分组策略，首先确定风机分组，按照式(16)-(19)计算辅助变量的初始值，并按式(22)-(24)的更新规则进行更新。更新过程如图1所示。

算法更新完成后，各机组的功率分配系数可表示为：

其中，

式中，σ_1,i和σ_2,i分别为第i台风机的辅助变量是否进入第二、第三阶段更新时的标志，在该风机辅助变量进入相应更新阶段时取值为1，反之为0。通过这两个信号表征风机以不同顺序参与有功调节的效果。

最终，各台风机借助辅助变量的更新可以获得功率参考值为：

实施例1

本实施例以某一风电场为例对本发明进行试验仿真，该风电场拥有24台2.0MW的风电机组，采样周期为15min/点，风机之间的通讯周期取为0.2s，有功调度指令更新周期为15min/次，其中各台风机运行状态如表3所示。本实施例以风电场SCADA系统记录的数据为基础，依据风机的实际记录出力，采用本发明所提出的基于改进多智能体一致性算法的风电场有功调度方法，实现风电场有功调度指令的有效分配。

表3风机运行状态表

附图3(a)-3(d)为调度指令为20MW时的仿真结果，显示了只有一组风机参与有功调度时辅助变量、单机有功和全场有功出力指令的变化情况。由于风机数较多，图3(a)、3(b)、3(c)中只显示了6台风机的更新状态，且6台风机之间均无直接通讯连接。由图3(a)、3(b)可知，所有6台风机均在一致性算法更新下完成了辅助变量的更新，并最终达到了预期的平均值。但由于只有WT82、WT83和WT105三台机组属于R1组风机，对应功率分配系数的变化而得到的功率参考值如图3(c)中所示，只有属于R1组风机的3台风机做出了调整，另外3台风机由于本发明算法中所设置的虚拟更新状态均不调整，最终全场功率参考值达到调度指令所要求的20MW。

附图4(a)-4(d)为调度指令为25MW时的仿真结果，显示了需要多组风机参与有功调度时辅助变量、单机有功和全场有功出力指令的变化情况。R2组风机在加入功率调节前处于虚拟更新状态，从而在满足条件加入调节之后辅助变量可以迅速更新至新的平衡点，保证系统更新速度不会因为风机分组导致与不分组相比有太大差异。

此实施例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 (5)

1.一种基于改进多智能体一致性算法的风电场有功调度方法，其特征在于，包括以下步骤：

步骤1：改进变比例功率分配算法，实现风电场内风机的有功功率分配；

步骤2：依据风功率预测信息构建风电场内风机的实时动态分组方法，对场内风机进行分组，并对不同组风机进行调控；

步骤3：建立基于多智能体一致性的完全分布式实现算法，调整风机的有功出力；

步骤4：基于功率分配算法，建立一致性变量的分段虚拟更新方法，对风电场内的不同组风机进行有功调节与控制，具体包括以下子步骤：

步骤401：为各台风机的有功输出定义参考值，构造多智能体一致性算法的辅助变量，并计算辅助变量的初始值；

步骤402：建立一致性变量的分段虚拟更新规则，使不同组风机先后参与有功调节，当风机处于虚拟更新状态时，仅更新风机的辅助变量，不对其进行有功调节；

所述改进变比例功率分配算法是在变比例算法的基础上，将有功调度指令的变化量按一定比例分配给各台风机，通过对不同运行状态下的风机赋予不同比例，其计算公式如下：

式中，

为本周期调控前第i台风机有功功率，P_D,i为本周期调控中第i台风机的有功调节裕度，r_i为本次调控第i台风机的功率分配系数，在同一周期内不参与调节的机组的功率分配系数r_i均取值为0；

为改进变比例分配算法中第i台风机有功功率指令；

其中，功率分配系数r_i的计算公式为：

式中，R1、R2、R3为一个控制周期内优先级依次降低的各风机组，当电网调度指令高于全场实时功率时，R1为功率上升组；当电网调度指令低于全场实时功率时，R1为功率下降组；

为各组参与调度的风机在该控制周期内的功率调节裕度之和；

为第Ri组参与调度的风机在该控制周期内的功率调节裕度之和；

基于风电场有功控制的全场有功功率平衡约束为：

|P_ref-P_M|≤ξ

式中，P_ref为调度下发的参考功率值，P_M为风电场实时功率值，ξ为风电场功率偏差阈值；

基于单台风电机组在控制周期内的有功输出约束为：

式中，P_m,i为风电场中第i台机组的有功功率，

为该风机所处风况下的最大发电能力，

为该风机所处风况下的最小发电能力；

基于风机启停时间约束为：一段时间内仅限完成一次启停状态的转换；

对于风电场，在一个控制周期内需要调节的功率为：

对于单台风机，在一个控制周期内的功率调节裕度为：

对于本周期处于停机且可开机状态的风机，其功率调节裕度为：

式中，P_ref为调度下发的参考功率值；

为本周期调控前第i台风机有功功率；

为本周期调控中第i台风机的有功增加裕度；

为本周期调控中第i台风机的有功降低裕度；P_m,i为风电场中第i台机组的有功功率；

为第i台风机所处风况下的最大发电能力；

为第i台风机所处风况下的最小发电能力；

所述步骤401的具体步骤如下：

(1)确定各台风机的有功输出参考值，包括μ_1,i、μ_2,i、μ_3,i；

(2)定义一致性辅助变量为：

当ΔP_ref≥0时，

当ΔP_ref＜0时，

式中，y_i[k]、z_{p_i}[k]、z_{m_i}[k]为第i台风机的辅助状态变量，

为由y_i[k]组成的矩阵、

为由z_{p_i}[k]、z_{m_i}[k]组成的矩阵，k为迭代次数，i为风机编号；

(3)计算风机辅助变量初始值：

假设风电场的风机总数为n，且有l台风机能够获取调度有功参考值指令和全场有功出力信息，l<n，则这部分风机的辅助变量初始值为：

y_i[0]＝ΔP_ref/l

对于不能获取调度有功参考值指令和全场有功出力信息的风机，其辅助变量初始值为：

y_i[0]＝0

式中，μ_1,i、μ_2,i、μ_3,i分别为第i台风机的可开机标识、运行标识、风速变化标识，取值为1或0，

为本周期调控中第i台风机的有功增加裕度，

为本周期调控中第i台风机的有功降低裕度；

其中，辅助变量y_i的初始值之和为当前周期所需调节的有功功率值；辅助变量z_{p_i}和z_{m_i}的初始值为当前有功控制目标下风机的功率调节裕度；

所述步骤402建立的一致性变量的分段虚拟更新规则为：

1)建立更新辅助变量的数学模型：

式中，y_i[k+1]为第k+1次迭代后第i台风机的辅助变量y，y_j[k]为第k次迭代后第j台风机的辅助变量y，z_{p_i}[k+1]为第k+1次迭代后第i台风机的辅助变量z_p，z_{p_j}[k]为第k次迭代后第j台风机的辅助变量z_p，

为根据风电场通讯系统拓扑图的拉普拉斯矩阵计算得到的迭代矩阵；p_ij为迭代矩阵第i行第j列的元素；η_1,i,η_2,i为分段状态信号，在进入第二阶段和第三阶段的第一次更新中取值为1，其他时间段均取值为0；

2)计算功率分配系数，其计算方法如下：

当y_i(k)≥0时，h_i[k]＝[1,0]^T

当y_i(k)＜0时，h_i[k]＝[0,1]^T

式中，

为虚拟功率分配系数，λ为分组系数，当λ取0时风机处于虚拟更新状态，

为辅助变量y_i(k)组成的矩阵，

为辅助变量z_i(k)组成的矩阵，

为根据

确定的系数矩阵；

3)依据更新结束条件判断风机是否结束更新，若满足更新结束条件，则r_{v_i}[k]＞1，表示已参加有功调节机组的功率调节裕度不能满足调度需求，需要未参加调节机组加入更新，反之结束更新；所述更新结束条件设置为：

|r_i[k+1]-r_i[k]|≤ζ

式中，r_i[k]为第k次迭代后第i台风机的功率分配系数，r_i[k+1]为第k+1次迭代后第i台风机的功率分配系数，ζ为一个大于0的定值；

4)更新完成后，各机组的功率分配系数表示为：

其中，

式中，σ_1,i和σ_2,i分别为第i台风机的辅助变量是否进入第二、第三阶段更新时的标志，当风机辅助变量进入相应更新阶段时取值为1，反之为0；

5)由更新辅助变量获得各台风机的功率参考值为：

2.根据权利要求1所述的一种基于改进多智能体一致性算法的风电场有功调度方法，其特征在于，所述风电场内风机的实时动态分组方法为：

根据风机实际运行状态和下一周期的风速预测，将全场机组分为功率上升组、功率下降组、停机可开机组和停机不可开机组；其中，功率上升组是指下一周期预测风速不低于当前周期实时风速的机组；功率下降组是指下一周期预测风速低于当前周期实时风速的机组；停机可开机组是指当前周期风机处于无故障停机状态，且实时风速大于启动风速的机组；停机不可开机组是指风机处于停机状态，且由于停机时间约束或故障原因导致当前周期无法开机的机组。

3.根据权利要求2所述的一种基于改进多智能体一致性算法的风电场有功调度方法，其特征在于，所述步骤2中对不同组风机进行调控的方法为：

当电网调度指令高于全场实时功率时，优先调节功率上升组的风机功率，如果功率上升组的风机调节容量不足，则依次调节功率下降组和停机可开机组的风机功率；

当电网调度指令低于全场实时功率时，优先调节功率下降组的风机功率，如果功率下降组的风机调节容量不足，则调节功率上升组的风机功率；

当电网调度指令低于全场可调机组最小发电量时，直接对风机进行停机处理。

4.根据权利要求1所述的一种基于改进多智能体一致性算法的风电场有功调度方法，其特征在于，所述步骤3建立的基于多智能体一致性的完全分布式实现算法需满足以下要求：

1)风机之间通讯为双向通讯，即风电场通讯系统拓扑为无向图；

2)风机通过有线或无线通讯方式获得周围风机信息，且只有部分机组获得调度指令和风电场全场有功出力信息；

3)风机具备风功率预测能力，能够进行超短期风速预测。

5.根据权利要求1所述的一种基于改进多智能体一致性算法的风电场有功调度方法，其特征在于，所述基于多智能体一致性的完全分布式实现算法是在通讯系统拓扑结构的基础上，各风机单机从通信层接收周围风机的相关信息，独立计算并更新得到控制指令，实现风电场有功的实时调度，其数学模型为：

假设网络化多智能体系统由n个独立的智能体组成，每个智能体的离散一阶积分器形式动力学方程表示为：

式中，x_i(k)是智能体i的状态，a_ij是智能体i对应网络图G的邻接矩阵A中的元素，ψ为控制增益，且满足

其中N_i为智能体i的邻节点集；

结合所有个体，描述整个网络特性的闭环系统动力学方程，可表示为：

式中，迭代矩阵

为一个随机非负矩阵，

为单位矩阵，

为对应网络图G的拉普拉斯矩阵；

当智能体系统组成的网络图G为平衡图时，系统收敛到平均一致性，即：

当智能体系统组成的网络图G为连通的无向图时，则对于任意初始值均能够保证闭环系统渐近收敛到平均一致性。

Images