CN111092428A - 基于模型预测控制的主动配电网动态虚拟集群划分方法 - Google Patents

Abstract

本发明公开了一种基于模型预测控制的主动配电网动态虚拟集群划分方法，以滚动优化时间周期作为时间段划分依据，结合集群供电率约束和滚动优化目标函数，进行集群供电率约束校验、滚动优化，确定未来第一个滚动优化时间周期内的集群划分方案；以反馈校正时间周期作为时间段划分依据，结合反馈校正目标函数，在未来第一个滚动优化时间周期内对滚动优化得到的集群划分方案在每个反馈校正时间周期进行一次反馈校正，确定未来第一个滚动优化时间周期内每个反馈校正时间周期的集群划分方案；本发买明根据实时信息反馈构成动态的闭环集群划分优化，能有效跟踪系统实际工况变化，摆脱预测偏差与分布式能源波动对主动配电网分区控制的不利影响。

Description

基于模型预测控制的主动配电网动态虚拟集群划分方法

技术领域

本发明涉及主动配电网虚拟集群划分技术，具体涉及一种基于模型预测控制的主动配电网动态虚拟集群划分方法。

背景技术

可再生的分布式能源(Distributed Generation，DG)的大量使用，是解决能源危机的重要手段。主动配电网技术由于能够大量消纳DG，提高用户供电质量和可靠性，受到了人们的广泛重视。然而分布式能源的出力具有间歇性和不确定性，这给主动配电网的运行控制造成极大的困难。

目前常见的分布式可再生电源调控方式主要有微电网模式、集中控制及集群控制模式。其中基于集群的调控方式能够充分利用集群的自治特性，保障规模化分布式发电有序、可靠、高效地接入电网，已成为规模化可再生能源并网的重要解决方案。集群对外是一个整体，具有共同目标，接受单一指令控制，便于调度和管理；而在集群内部，各设备为完成共同目标相互协作，高效发挥设备的协作能力。目前的集群划分方法基本上均属于稳态固定的集群结果。集群划分结果不随时间变化而变化。然而主动配电网中分布式能源出力不断波动，电网状态不断变化，稳态的集群划分结果难以满足不断变化的主动配电网的运行控制。

发明内容

本发明的目的在于提供一种基于模型预测控制的主动配电网动态虚拟集群划分方法。

实现本发明目的的技术解决方案为：一种基于模型预测控制的主动配电网动态虚拟集群划分方法，包括如下步骤：

步骤1，构建基于MPC的主动配电网动态虚拟集群划分优化模型，包括集群划分优化目标函数以及优化约束，其中目标函数包括滚动优化目标函数和反馈校正目标函数，优化约束为集群供电率约束；

步骤2，基于配电网结构利用枚举法确定所有可能的集群划分方案，并剔除不可行方案；

步骤3，分别以滚动优化时间周期和反馈校正时间周期作为时间段划分依据，获取未来时间段内各时间周期的主动配电网潮流、分布式能源出力及负荷信息；

步骤4，以滚动优化时间周期作为时间段划分依据，结合集群供电率约束和滚动优化目标函数，进行集群供电率约束校验、滚动优化，确定未来第一个滚动优化时间周期内的集群划分方案；

步骤5，以反馈校正时间周期作为时间段划分依据，结合反馈校正目标函数，在未来第一个滚动优化时间周期内对滚动优化得到的集群划分方案在每个反馈校正时间周期进行一次反馈校正，确定未来第一个滚动优化时间周期内每个反馈校正时间周期的集群划分方案；

步骤6，重复步骤3-5，完成后续时间的集群划分。

本发明与现有技术相比，其显著优点在于：1)将主动配电网动态地划分为多个电源集群，所得集群划分方案节点数量适中，有利于各集群协调控制，集群划分结果较稳定，降低了集群划分结果切换带来的切换成本和计算复杂度；2)基于改进的支路切割枚举法分析比较各集群划分方案，增加预筛选环节，大大简化了动态集群划分过程，所得为全局最优解；3)设置日内集群划分滚动优化、反馈校正环节，根据实时信息反馈进行闭环集群划分优化，动态集群划分方案能够有效跟踪系统实际工况变化，降低了预测偏差与分布式能源波动对主动配电网集群控制的不利影响。

附图说明

图1为本发明基于模型预测控制的主动配电网动态虚拟集群划分方法的流程图。

图2为发明实施例采用的修改的IEEE33节点配电网图。

图3为本发明实施例中4、7号线路为分区间线路时的集群划分结果图。

图4为本发明实施例中4号线路为分区间线路时的集群划分结果图。

图5为本发明实施例中14节点光伏实际出力与预测出力曲线图。

具体实施方式

下面结合附图和具体实施例，进一步说明本发明方案。

如图1所示，基于模型预测控制的主动配电网动态虚拟集群划分方法，流程如图1所示，包括以下步骤：

步骤1：建立基于MPC的主动配电网动态虚拟集群划分优化模型

建立基于MPC的主动配电网动态虚拟集群划分优化模型，包括集群划分优化目标函数以及优化约束，其中目标函数包括滚动优化目标函数和反馈校正目标函数，优化约束为集群供电率约束，如下：

(1)滚动优化目标函数(C_roll)，可表示为：

式中，t₀为集群划分滚动优化的初始时刻，ΔT为一定时间周期，M为时间周期个数，C₁为集群供电独立性目标函数，C₂为集群间功率不平衡目标函数，C₃为控制维度目标函数，C₄为集群划分结果变化目标函数，分别描述如下：

a、集群供电独立性目标函数

每个集群都需要有分布式能源，为集群提供有功无功支撑，集群内分布式能源应能够满足集群内供电，至少保持重要负荷的电力供应。

定义供电率g如下：

式中，P_DGi为节点i的DG发电量，P_Ldi为节点i的有功负荷，N为节点个数。供电率g越接近1，集群供电独立性越强。g<1时，集群内供电不足，影响用户用电，g>1时，集群内供电能力超过了负荷需求，则造成DG供电能力的浪费。

因此，定义集群供电独立性目标函数为：

式中，N_p为集群数；g_p为第p个集群的供电率。为了能够同时考虑供电独立性和控制维度等多个目标函数，需要统一供电独立性和通信成本的量纲。因此定义供电独立性权重系数为W₁。

b、集群间功率不平衡目标函数(C₂)

为使各集群的独立性最高，各集群间应有最小的功率流动。因此，定义功率不平衡目标函数为：

式中，P_q、Q_q是第q条集群间线路上的有功还有无功；k为集群间线路数量；W_2P、W_2Q分别为集群间有功功率交换权重系数和无功功率交换权重系数。

c、控制维度目标函数

将一整个复杂程度较高的控制问题转化为多个复杂程度较小的控制问题，降低控制的难度和维度是集群控制的重要目的。因此，以集群控制节点数来量化控制集群难度和维度，以最多节点的集群的控制维度作为整个主动配电网的控制维度，定义控制维度目标函数为：

C₃＝W₃*max(n_p)p＝1,2，...，N_p 式(5)

式中，W₃为控制维度权重系数；n_p为第p个集群的节点数。

d、集群划分结果变化目标函数

集群划分结果的频繁变动不利于主动配电网的高效稳定控制，提高控制成本，这与集群控制的目的不相符。通常希望在电网状态变化的前提下，集群划分结果变化尽可能不变或变动较小。因此，定义集群划分结果变化目标函数为：

式中，W₄为集群划分结果变化权重系数；k_max为集群间线路最大可能值；num_q(t)为t时刻第q条集群间线路的编号。

(2)虚拟集群划分反馈校正目标函数(C_fd)；

日内反馈校正环节每隔Δt(＜ΔT)时间运行，针对日内滚动优化环节预测值与实际值的误差进行调节。日内反馈校正环节以当前时刻集群划分结果的变动最小为目标，在满足系统运行要求的前提下，防止集群划分结果频繁变动，因此，定义虚拟集群划分反馈校正目标函数为：

相比于式(6)，式(7)为集群划分相比于上个反馈校正周期Δt的变动，而式(6)为相比于上个滚动优化周期ΔT的变动。在各个阶段，通过对比目标函数的大小，来从各个可能的集群划分方案中选出最优的集群划分方案。

(3)集群划分优化约束

基于MPC的主动配电网动态集群划分优化约束为集群供电率约束。为使能够满足集群的供电-负荷调控要求，因此希望集群供电率能够满足一定的要求，定义供电约束如下：

g_p≥g_min,p＝1,2,...,N_p 式(8)

式中，g_p为第p个集群的供电率，g_min为集群供电率下限。

步骤2：集群划分方案预筛选

为了简化集群划分计算，可以在基于MPC的日内集群划分滚动优化过程之前，对所有可能的集群划分方案进行预筛选，

所述步骤2包含2个步骤，如下：

步骤21：基于配电网结构利用枚举法确定所有可能的集群划分方案。

步骤22：从配电网结构上预先剔除不可行方案，以减少所需计算的集群划分方案数量。

按照以下两条原则进行剔除：

(1)剔除出现单一节点集群的集群划分方案。

(2)剔除存在无分布式能源集群的集群划分方案。

对于存在N个节点的主动配电网，假设其放射状结构，那么有N-1条支路，利用支路切割枚举法所需计算的集群划分方案数目D为：

式中，f为切割线数量。式(1)表示从N-1条支路中选择f条支路进行切割。

最终支路切割枚举法所需计算的集群划分方案数目D^*为：

D^*＝D-D_so-D_nd 式(10)

式中，D_so为出现单一节点集群的集群方案；D_nd为出现无分布式能源集群的集群划分方案。

通过上式可以看出，经过预筛选，所需计算的集群划分方案大幅度减少，每一次集群划分滚动优化和反馈校正环节的计算时间和计算复杂度也大幅度减少，简化了主动配电网动态集群划分过程。

将配电网邻接矩阵中集群间线路对应的元素由“1”变为“0”，通过这种方式可以将主动配电网划分为多个集群，每个集群划分方案可以用一个邻接矩阵来表示，方便后续利用广度优先搜索算法获取集群信息。

步骤3：获取虚拟集群划分信息

虚拟集群划分所需信息包括不可控分布式能源预测出力数据、网络潮流数据，获取上述虚拟集群划分信息包含以下2个子步骤：

步骤31：设置滚动优化时间周期ΔT，利用深度神经网络算法对未来各滚动优化时间周期内不可控分布式能源及负荷出力进行预测，得到各滚动优化时间周期对应的不可控分布式能源及负荷出力的预测数据；

步骤32：根据不可控分布式能源出力及负荷预测结果，以主动配电网运行成本最低为目标，基于最优潮流算法，优化计算各滚动优化时间周期对应的主动配电网潮流、可控分布式能源出力信息；

步骤33：设置反馈校正时间周期Δt，利用深度神经网络算法对未来各反馈校正时间周期内不可控分布式能源及负荷出力进行预测，得到各反馈校正时间周期对应的不可控分布式能源及负荷出力的预测数据；

步骤32：根据不可控分布式能源出力及负荷预测结果，以主动配电网运行成本最低为目标，基于最优潮流算法，优化计算各反馈校正时间周期对应的主动配电网潮流、可控分布式能源出力信息。

步骤4：集群划分滚动优化

基于得到的主动配电网未来MΔT时间的系统信息，对主动配电网集群划分进行滚动优化，每次滚动优化过程包括以下3个子步骤：

步骤41：根据配电网网络连接关系，形成邻接矩阵，将配电网邻接矩阵中集群间线路对应的元素由“1”变为“0”，构建筛选后的每个集群划分方案的邻接矩阵表示；

步骤42：基于步骤3的各滚动优化时间周期的不可控分布式能源及负荷预测出力数据、网络潮流数据，利用广度优先搜索算法对筛选后的集群方案所对应的邻接矩阵进行搜索，获取各滚动优化时间周期的主动配电网潮流、分布式能源出力及负荷信息，计算不同集群方案不同时刻各集群供电率、控制维度，并校验集群供电率约束，如果满足则记录下此方案各集群的指标，包括网络潮流、供电率、控制维度、集群间线路编号，否则不记录；

步骤43：将满足各集群划分约束的集群方案对应的指标代入滚动优化目标函数中，取令整个滚动优化时间周期MΔT内综合集群独立性最大、控制维度最低和集群划分结果变动最小的方案，作为第一个滚动优化时间周期ΔT的集群划分执行方案。

步骤5：集群划分反馈校正

在未来第一个ΔT时间周期内，对滚动优化得到的集群划分方案每隔Δt时间进行一次反馈校正，最终得到第一个ΔT时间周期内校正后的集群划分方案。每次反馈校正步骤包括以下3个子步骤：

步骤51：根据配电网网络连接关系，形成邻接矩阵，将配电网邻接矩阵中集群间线路对应的元素由“1”变为“0”，构建筛选后的每个集群划分方案的邻接矩阵表示；

步骤52：基于步骤3的各反馈校正时间周期的不可控分布式能源及负荷预测出力数据、网络潮流数据，利用广度优先搜索算法对筛选后的集群方案所对应的邻接矩阵进行搜索，获取各反馈校正时间周期的主动配电网潮流、分布式能源出力及负荷信息，计算不同集群方案各集群供电率，并校验集群供电率约束，如果满足则记录下此方案集群间线路编号，否则不记录；

步骤53：将满足各集群划分约束的集群方案对应的集群间线路编号代入反馈校正目标函数中，获取并执行各反馈校正时间周期的集群划分结果变动最小的方案。

步骤6：基于MPC的日内集群划分滚动寻优

每隔ΔT时间重复进行步骤3至步骤5。系统集群划分不断向前滚动寻优，完成后续时间的集群划分，跟踪系统实际工况变化，保障集群控制的控制效果。

实施例

为了验证本发明方案的有效性，在图2所示的修改的IEEE33节点配电系统中进行仿真实验。实验中，设置日内集群划分滚动优化环节以30min为步长即ΔT＝30，启动周期为30min，求解时长为未来2h即M＝4；实时反馈校正环节以10min为启动周期。

1)系统参数设置

节点8和30安装的是可控分布式能源，有功和无功输出可控。节点14和节点25安装的是光伏，节点24和32安装的是风机，光伏、风机有功不可控，无功可控。

分布式能源安装节点和安装容量如表1所示。

表1 DG安装容量

根据主动配电网网络拓扑结构形成33×33阶网络邻接矩阵。

2)建立动态虚拟集群划分优化模型

如步骤1所示建立基于MPC的主动配电网动态虚拟集群划分优化模型，包括集群划分滚动优化目标函数和反馈校正目标函数以及优化约束。

其中集群划分滚动优化目标函数参数如表2所示

表2目标函数参数

基于主动配电网动态虚拟集群划分优化约束综合考虑集群控制独立性和可调节性及紧急情况下，集群内满足重要负荷需求，设置各集群最低供电率g_min为15％。

3)求解基于MPC的主动配电网动态虚拟集群划分优化模型并得到优化配置结果

如步骤2对各集群划分方案进行预筛选，从配电网结构上预先剔除不可行方案。

剩下的集群划分方案令对应的邻接矩阵元素为0。

(1)滚动优化

算例集群划分滚动优化环节以30min为步长，启动周期为30min，求解时长为未来2h。

0:00点启动滚动优化环节，对未来2h时间的光伏、风机及负荷进行预测如步骤31，并优化计算得到主动配电网潮流数据如步骤32。典型日14节点光伏预测出力与实际出力曲线如图5所示。

利用广度优先搜索筛选后各个集群方案的邻接矩阵。分析计算各个方案的目标函数，取目标函数最小的方案，如步骤4，0:00点对未来2h作出的优化方案如表3所示。

表3 0:00点滚动优化环节对未来2h作出的集群划分方案

只执行第一个半小时时间的集群划分方案即切割线路为4、7。

(2)反馈校正

反馈校正环节以10min为启动周期，0:00点启动反馈校正环节，预测未来10分钟时间的光伏、风机及负荷，并优化计算得到主动配电网潮流数据，利用广度优先搜索筛选后各个集群方案的邻接矩阵。分析计算各个方案的目标函数，取目标函数最小的方案，对原先方案进行校正，如步骤5，0:10、0:20时继续启动反馈校正环节，校正后集群划分方案如表4所示。

表4校正后的集群划分方案

(3)集群划分结果

到0:30时继续启动滚动优化环节，优化0:30-2:30的集群划分方案，但只执行0:30-1:00的集群划分方案，不断重复以上滚动优化和反馈校正过程，如步骤6，时间窗不断推移，直到优化时间结束，得到的最终的动态集群划分优化结果如表5所示，集群划分后结果如图3。

表5典型日动态分区结果

由表5典型日基于MPC的主动配电网动态集群划分结果可得：

一天中有大约84％的时间网络处于3集群结果，其中4、7切割线集群划分结果如图4所示。集群数目较合理，降低了配电网的控制维度及难度，并且每个集群基本各有11个左右的节点，各集群节点数目适中，集群划分结果较为合理。各集群均包含2个分布式能源节点，能够满足各集群供电率要求，便于参与调控。

一天里其他时间，网络处于2集群结果，其中4号切割线集群划分结果如图5所示。2集群结果均出现在夜晚时段，这是由于夜晚光伏出力为0，当负荷偏大时，仅8号节点可控分布式能源出力无法满足一个集群的供电率要求。

整个典型日中集群划分结果变动很小，集群划分结果较为稳定，有利于减小控制难度，降低集群划分结果切换带来的计算时间和计算数据增加等不利影响。

Claims (6)

1.一种基于模型预测控制的主动配电网动态虚拟集群划分方法，其特征在于，包括如下步骤：

步骤1，构建基于MPC的主动配电网动态虚拟集群划分优化模型，包括集群划分优化目标函数以及优化约束，其中目标函数包括滚动优化目标函数和反馈校正目标函数，优化约束为集群供电率约束；

步骤2，基于配电网结构利用枚举法确定所有可能的集群划分方案，并剔除不可行方案；

步骤3，分别以滚动优化时间周期和反馈校正时间周期作为时间段划分依据，获取未来时间段内各时间周期的主动配电网潮流、分布式能源出力及负荷信息；

步骤4，以滚动优化时间周期作为时间段划分依据，结合集群供电率约束和滚动优化目标函数，进行集群供电率约束校验、滚动优化，确定未来第一个滚动优化时间周期内的集群划分方案；

步骤5，以反馈校正时间周期作为时间段划分依据，结合反馈校正目标函数，在未来第一个滚动优化时间周期内对滚动优化得到的集群划分方案在每个反馈校正时间周期进行一次反馈校正，确定未来第一个滚动优化时间周期内每个反馈校正时间周期的集群划分方案；

步骤6，重复步骤3-5，完成后续时间的集群划分。

2.根据权利要求1所述的基于模型预测控制的主动配电网动态虚拟集群划分方法，其特征在于，步骤1中，基于MPC的主动配电网动态虚拟集群划分优化模型具体为：

(1)滚动优化目标函数(C_roll)，表示为：

式中，t₀为集群划分滚动优化的初始时刻，ΔT为一定时间周期，M为时间周期个数，C₁为集群供电独立性目标函数，C₂为集群间功率不平衡目标函数，C₃为控制维度目标函数，C₄为集群划分结果变化目标函数，分别描述如下：

a、集群供电独立性目标函数

首先定义供电率g如下：

式中，P_DGi为节点i的DG发电量，P_Ldi为节点i的有功负荷，N为节点个数；

然后定义集群供电独立性目标函数为：

式中，N_p为集群数；g_p为第p个集群的供电率，W₁为供电独立性权重系数，用于统一供电独立性和通信成本的量纲；

b、集群间功率不平衡目标函数(C₂)

定义功率不平衡目标函数为：

式中，P_q、Q_q是第q条集群间线路上的有功还有无功；k为集群间线路数量；W_2P、W_2Q分别为集群间有功功率交换权重系数和无功功率交换权重系数；

c、控制维度目标函数(C₃)

定义控制维度目标函数为：

C₃＝W₃*max(n_p) p＝1,2，...，N_p 式(5)

式中，W₃为控制维度权重系数；n_p为第p个集群的节点数。

d、集群划分结果变化目标函数(C₄)

定义集群划分结果变化目标函数为：

式中，W₄为集群划分结果变化权重系数；k_max为集群间线路最大可能值；num_q(t)为t时刻第q条集群间线路的编号；

(2)虚拟集群划分反馈校正目标函数(C_fd)

定义虚拟集群划分反馈校正目标函数为：

相比于式(6)，式(7)为集群划分相比于上个反馈校正周期Δt的变动，而式(6)为相比于上个滚动优化周期ΔT的变动，在各个阶段，通过对比目标函数的大小，来从各个可能的集群划分方案中选出最优的集群划分方案；

(3)集群划分优化约束

定义供电约束如下：

g_p≥g_min,p＝1,2,...,N_p 式(8)

式中，g_p为第p个集群的供电率，g_min为集群供电率下限。

3.根据权利要求1所述的基于模型预测控制的主动配电网动态虚拟集群划分方法，其特征在于，步骤2中，按照以下两条原则，从配电网结构上预先剔除不可行方案，具体为：

(1)剔除出现单一节点集群的集群划分方案；

(2)剔除存在无分布式能源集群的集群划分方案。

4.根据权利要求1所述的基于模型预测控制的主动配电网动态虚拟集群划分方法，其特征在于，步骤3中，获取未来各滚动优化时间周期内主动配电网潮流、分布式能源出力及负荷信息的具体方法为：

步骤31：设置滚动优化时间周期ΔT，利用深度神经网络算法对未来各滚动优化时间周期内不可控分布式能源及负荷出力进行预测，得到各滚动优化时间周期对应的不可控分布式能源及负荷出力的预测数据；

步骤32：根据不可控分布式能源出力及负荷预测结果，以主动配电网运行成本最低为目标，基于最优潮流算法，优化计算各滚动优化时间周期对应的主动配电网潮流、可控分布式能源出力信息；

步骤33：设置反馈校正时间周期Δt，利用深度神经网络算法对未来各反馈校正时间周期内不可控分布式能源及负荷出力进行预测，得到各反馈校正时间周期对应的不可控分布式能源及负荷出力的预测数据；

步骤32：根据不可控分布式能源出力及负荷预测结果，以主动配电网运行成本最低为目标，基于最优潮流算法，优化计算各反馈校正时间周期对应的主动配电网潮流、可控分布式能源出力信息。

5.根据权利要求1所述的基于模型预测控制的主动配电网动态虚拟集群划分方法，其特征在于，步骤4中，确定未来第一个时间周期内的集群划分方案的具体方法为：

步骤41：根据配电网网络连接关系，形成邻接矩阵，将配电网邻接矩阵中集群间线路对应的元素由“1”变为“0”，构建筛选后的每个集群划分方案的邻接矩阵表示；

步骤42：基于步骤3的各滚动优化时间周期的不可控分布式能源及负荷预测出力数据、网络潮流数据，利用广度优先搜索算法对筛选后的集群方案所对应的邻接矩阵进行搜索，获取各滚动优化时间周期的主动配电网潮流、分布式能源出力及负荷信息，计算不同集群方案不同时刻各集群供电率、控制维度，并校验集群供电率约束，如果满足则记录下此方案各集群的指标，包括网络潮流、供电率、控制维度、集群间线路编号，否则不记录；

步骤43：将满足各集群划分约束的集群方案对应的指标代入滚动优化目标函数中，取令整个滚动优化时间周期MΔT内综合集群独立性最大、控制维度最低和集群划分结果变动最小的方案，作为第一个滚动优化时间周期ΔT的集群划分执行方案。

6.根据权利要求1所述的基于模型预测控制的主动配电网动态虚拟集群划分方法，其特征在于，步骤5中，对未来第一个时间周期内的集群划分方案进行一次反馈校正具体方法为：

步骤51：根据配电网网络连接关系，形成邻接矩阵，将配电网邻接矩阵中集群间线路对应的元素由“1”变为“0”，构建筛选后的每个集群划分方案的邻接矩阵表示；

步骤52：基于步骤3的各反馈校正时间周期的不可控分布式能源及负荷预测出力数据、网络潮流数据，利用广度优先搜索算法对筛选后的集群方案所对应的邻接矩阵进行搜索，获取各反馈校正时间周期的主动配电网潮流、分布式能源出力及负荷信息，计算不同集群方案各集群供电率，并校验集群供电率约束，如果满足则记录下此方案集群间线路编号，否则不记录；

步骤53：将满足各集群划分约束的集群方案对应的集群间线路编号代入反馈校正目标函数中，获取并执行各反馈校正时间周期的集群划分结果变动最小的方案。

Images