CN109245178A - 一种基于分布式协同mpc的风电场功率协同调度 - Google Patents

Abstract

本发明属于风电场功率调度领域。针对集中式模型预测控制中心控制器的计算负担大、容错性不强、扩展能力差等问题，引入分布式控制框架予以改进，分别以每台风电机组作为单独的智能体，提出多智能体分布式预测控制，以风电机组线路的连接情况进行分组，提出基于线路拓扑的分组‑分布式模型预测，构建子模型预测控制问题，制定子系统之间的协同控制策略。

Description

一种基于分布式协同MPC的风电场功率协同调度

背景技术

本发明属于风电场内状态估计领域，涉及一种风电场内状态估计的分布式方法。

发明内容

在基于集中式MPC的风电场功率调度方法，风电场的所有风电机组和SVC被视作一个广义控制对象，整个风电场系统共用一个MPC控制器。这样集中式结构框架简单、实现比较容易。但是集中控制器承担了整个风电场的任务分配，计算负担比较大；并且，系统中的某个小环节出现故障都有可能导致整个控制器失效，使得风电场无法正常运作；同时，基于集中式MPC的风电场功率调度方法的可扩展性不强，风电场中风电机组的数量的变动会导致控制器的失效，需要重新根据风电场的规模设计控制器。事实上，风电场内的设备需要定期维护，投入运行的风电机组存在变数，这对于集中式模型预测控制的应用是一个不小的挑战。总之，集中式模型预测控制的计算负担大、容错性不强、扩展能力差等缺陷^[62]阻碍了其在大规模风电场内功率调度问题应用。因此，有必要在控制框架上对基于模型预测控制的风电调度算法予以改进。

考虑到风电场设备地理位置相对分散，风电机组的空间布局相对较广，这与分布式控制的特点相吻合，考虑引入分布式控制框架改进控制效果。分布式模型预测控制将整体系统划分为多个子系统，单独设计各子系统的模型预测控制问题，并且考虑了子系统之间的耦合关系。通过通信网络，实现子系统之间的控制输入和状态信息共享，然后各子系统基于整体系统的信息分别求解各自的优化问题。分布式模型预测控制算法将系统的计算任务分摊到多个分散的控制器，以此降低控制器的计算复杂度；同时子系统基于整个大系统的状态信息完成优化目标，以保证控制效果和稳定性。

根据子系统目标函数的优化范围，分布式模型预测控制分为非协作式分布式模型预测控制和协作式分布式模型预测控制。前者子系统只考虑局部优化目标，后者子系统考虑全局优化目标。协作式分布式模型预测控制算法经过多次迭代后，系统最终会达到帕累托均衡，其控制效果与CMPC相近。考虑引入协作式分布式控制框架改进基于MPC的风电场调度问题。

在基于多智能体的分布式预测控制结构框架中，每一台风电机组和SVC都被视作一个独立的智能体，每个智能体配置一个单独的MPC，各MPC分别完成智能体的有功和无功优化，各智能体MPC之间通过通信线路建立彼此的通信实现智能体之间的协同控制。基于多智能体分布式预测控制的风电场功率调度算法，系统整体的优化目标是减小风电场有功输出和调度指令之间的偏差，减小并网点电压偏差以及风电场内节点电压偏差。

风电机组智能体

1)模型构建

一个风电机组子系统由连接在同一集电线支路上的所有风电机组构成，在单台风电机组模型地基础上构建风电机组子系统的状态空间模型。风电机组的有功控制回路和无功回路等效线性模型如下式所示。

整理得到单个风电机组的等效状态空间模型如下所示：

其中x_wt@[β ω_r ω_g Q_wt]′，并且相应的状态空间描述为：

对下式做离散化处理，并将风电机组视作一个智能体，得到风电机组智能体的离散状态空间如下式(5)所示，每个采样时刻根据风电机组的采样信息更新状态空间模型，在整个控制周期内保持不变。

2)约束处理

风电机组智能体的约束条件主要包括风电机组的约束条件、采样约束、功率平衡约束，其中风电机组约束和采样约束条件与基于集中式MPC控制算法所考虑的相同。而对于功率平衡约束条件，需要所有风电机组智能体协调完成调度中心的指令，需要在每次通信时刻后根据其他风电机组智能体的优化情况进行调整，风电机组智能体l的在第m次通信后，功率平衡约束应该满足，详细描述功率平衡约束的变化规则。

3)优化目标

风电机组智能体得MPC中，在风电功率跟踪上调度指令的基础上，优化目标考虑减小该风电机组连接点的电压偏差和风电场并网点的电压偏差，风电机组智能体j的目标函数公式描述如下(7)所示。

其中目标函数中电压受风电场内所有风电机组智能体有功和无功出力状况的影响，也受SVC无功出力的影响，因此，优化目标为全局优化目标，在每个通信时刻，获得其他智能体MPC上一个子优化过程的最优序列，然后根据所有的优化序列更新目标函数。

综合上述分析，在第m次通信后，风电机组智能体的MPC问题描述为二次优化问题，描述如下式(8)所示。

②SVC智能体

1)模型构建

每个采样时刻根据采样信息更新矩阵整个控制周期内保持不变。从SVC的状态空间模型可知，SVC的控制输入受到其他风电机组的控制输入和状态变量的影响，具有很强的输入耦合，整理后得到SVC智能体的状态空间描述如下：

其中A_s和B_s被看作是SVC智能体的状态转移矩阵和输入矩阵，和由上一优化子过程所有风电机组智能体MPC的优化后的有功序列和无功序列，需要在每个通信时刻从其他智能体获取。在一个控制周期内的采样时刻，SVC系统由通信网络获得其他子系统的信息，更新矩阵G_s0，在整个控制周期内，G_s0保持不变。

2)约束处理

SVC中的约束条件只需考虑SVC的无功出力最大值约束、最小值约束、SVC的参考电压约束，以及采样约束条件即可。

3)优化目标

SVC的目标函数只考虑无功优化目标，在结合其他风电机组子系统的有功和无功出力情况的基础上，预估SVC的无功出力，从而确定SVC的参考电压值。SVC的参考电压的确定即要保证风电场并网点处电压的稳定性，又要使得快速无功备用量尽可能的增大，因此，该子系统的优化目标函数为：

综合上述分析，可以得到SVC子系统的模型预测控制问题描述为二次优化问题，描述如下式(12)所示。

协同控制策略

在多智能体分布式控制算法中，各智能体MPC之间协同控制策略的制定决定了算法的控制效果，智能体之间的协同控制策略体现在初始化过程和通信过程中。各智能体MPC每隔时间t_c通信一次，每次通信后智能体MPC优化求解一次，整个优化过程通信b次，a次通信构成一个优化周期，整个优化过程分为个优化周期，并且必须满足b*t_c≤t_s，以确保在一个控制周期内，底层控制器能够得到控制命令。

初始化时，风电机组智能体MPC获得其他风电机组智能体在采样时刻的有功和无功输出功率以及SVC智能体在采样时刻的无功输出功率，更新目标函数；SVC智能体MPC根据获取风电机组智能体有功和无功输出，更新目标函数；风电机组智能体MPC获得其他智能体未来t_p时间段内的功率预测值，根据预测功率的大小按比例初始化参考功率应该满足下式：

在循环优化过程中，每个通信时刻i，MPC_{age_SVC}通过通信网络获得风电机组智能体MPC_{age_n}(n＝1，...，N_wt)在上一个优化过程最优输入序列并且基于此更新优化目标函数风电机组智能体MPC_{age_m}获得其他风电机组智能体MPC_{age_n}(n＝1，...，m-1，m+1，N_wt)上一子优化过程的最优输入序列 以及MPC_{age_SVC}的无功输出序列并更新目标函数F_{age_j}；从而完成SVC智能体MPC与风电机组智能体MPC之间的协调，这两种类智能体之间通过协调完成系统的无功优化目标。

在任意通信时刻，各风电机组智能体MPC通过调整发电任务来优化整个系统任务分配，完成风电机组智能体MPC之间的协调，通信时刻i对风电机组智能体MPC_{age_m}的有功参考值调整量满足如下公式(15)：

在优化周期内的第i次通信n*a+1≤i≤(n+1)*a+1，风电机组智能体共享上一次优化的最优输入序列以及对应的目标函数值，根据上一个优化过程中，优化目标函数值得大小调整有功参考值，如果智能体的目标函数值小于系统平均目标函数值说明该智能体能轻松的完成上一阶段的控制命令，可以适当地增加有功功率参考量，此时如果智能体的目标函数值大于系统平均目标函数值说明应该适当地减小该智能体有功功率参考量，此时并且在一个优化周期中，随着通信次数地增加，逐渐减小，从而实现从粗调到细调的过渡。

在一个优化周期内，随着通信次数地增加，风电机组智能体地有功参考值调整可能会导致整体地有功参考值之和与电网调度任务之间的偏差增大。在每个优化周期的第一次通信时刻，对所有的风电机组智能体做整体调整以减小与调度任务之间的偏差，根据预测功率的大小来按比例分配有功参考功率的差值。此时应该满足下述等式。

在循环优化过程中，每个通信时刻i，MPC_{age_SVC}通过通信网络获得风电机组智能体MPC_{age_n}(n＝1,…,N_wt)在上一个优化过程最优输入序列并且基于此更新优化目标函数风电机组智能体MPC_{age_m}获得其他风电机组智能体MPC_{age_n}(n＝1,…,m-1,m+1,N_wt)上一子优化过程的最优输入序列 以及MPC_{age_SVC}的无功输出序列并更新目标函数F_{age_j}；从而完成SVC智能体MPC与风电机组智能体MPC之间的协调，这两种类智能体之间通过协调完成系统的无功优化目标。

经过b次通信的调整，各风电机组智能体得到优化序列取优化序列的第一项作为下一控制时刻底层控制器的控制命令。

附图说明

图1为风电机组发电机组协作式DMPC的风电调度算法流程图。

图2多智能体MPC之间的协同控制策略

具体实施方式

基于协作式DMPC的风电调度算法流程如图1所示。需要说明的是，在多智能体分布式预测控制算法中，每个智能体也构成一个子系统，该算法流程适应于多智能体分布式预测控制算法，算法具体流程描述如下。

Step1：初始化。各子系统在k时刻通过监测系统获得风电机组和SVC的运行状态的采样信息，根据采样信息初始化状态变量以及更新预测模型；接收其他子系统的功率预测，并将总发电任务按预测功率大小的比例进行分配，按下式(18)初始化

Step2：初步求解。各风电机组子系统分别并行求解所构建的MPC问题，初次优化分配 得到初始最优控制序列和对应的状态信息若所求无解，则维持上一时刻的最优控制序列

Step3：子系统之间的通信。在通信时刻p(p＝1，2，...，p_max)，各子系统接收在上一个优化周期内的最优输入和状态向量并基于此更新自身子系统的MPC问题的优化函数和约束条件；

Step4：并行求解。基于通信所构建的子系统MPC问题，各子系统分别并行优化求解，若所求有解则得到本次优化周期内的最优输入和状态向量如果所求无解，则保留上一时刻的最有输入和状态向量，即

Step5：判断迭代终止。为了确保下一个采样时刻，底层控制器能得到控制命令，设置了最大迭代次数。如果迭代次数还未达到最大迭代次数，并且连续两次迭代的优化目标函数值之间的偏差小于阈值，则说明已经收敛，完成迭代过程，将指令下达底层控制器；如果迭代次数还未达到最大迭代次数并且判断未收敛，则继续子系统之间继续通信交流，返回Step3，进行下一步迭代操作：如果迭代次数完成，则将控制输入命令下达底层控制器。

Claims (3)

1.一种关于风电场有功功率和无功功率协同调度分配方法，其特征在于：

引入多智能体分布式预测控制策略中，每个智能体也构成一个子系统，该算法流程适应于多智能体分布式框架，算法具体流程描述如下。

Step1：初始化。各子系统在k时刻通过监测系统获得风电机组和SVC的运行状态的采样信息，根据采样信息初始化状态变量以及更新预测模型；接收其他子系统的功率预测，并将总发电任务按预测功率大小的比例进行分配，初始化

Step2：初步求解。各风电机组子系统分别并行求解所构建的MPC问题，初次优化分配得到初始最优控制序列和对应的状态信息若所求无解，则维持上一时刻的最优控制序列

Step3：子系统之间的通信。在通信时刻p(p＝1,2,...,p_max)，各子系统接收在上一个优化周期内的最优输入和状态向量并基于此更新自身子系统的MPC问题的优化函数和约束条件；

Step4：并行求解。基于通信所构建的子系统MPC问题，各子系统分别并行优化求解，若所求有解则得到本次优化周期内的最优输入和状态向量如果所求无解，则保留上一时刻的最有输入和状态向量，即

Step5：判断迭代终止。为了确保下一个采样时刻，底层控制器能得到控制命令，设置了最大迭代次数。如果迭代次数还未达到最大迭代次数，并且连续两次迭代的优化目标函数值之间的偏差小于阈值，则说明已经收敛，完成迭代过程，将指令下达底层控制器；如果迭代次数还未达到最大迭代次数并且判断未收敛，则继续子系统之间继续通信交流，返回Step3，进行下一步迭代操作：如果迭代次数完成，则将控制输入命令下达底层控制器。

2.引入分布式框架予以改进，分别以每台风电机组作为单独的智能体，引入多智能体分布式预测控制，实现风电场有功功率和无功功率协同调度。

3.采用模型预测控制对风电场内有功和无功协同调度，将有功调度和无功调度在统一的解决框架内实现。