CN115833198A - 源网荷储的分层协同控制系统及其控制方法 - Google Patents

Abstract

本发明实施例提供一种源网荷储的分层协同控制系统及其控制方法，属于配电网分布式电源控制技术领域。所述分层协同控制系统包括多个就地控制层，所述就地控制层用于采集配电网中分布式电源、储能、负荷的运行工况。本发明提供的源网荷储的分层协同控制系统及其控制方法通过多个就地控制层对的本地分布式带电源、储能、负荷的运行工况进行采集，并将该运行工况通过对应的区域控制层上传至中心控制层，中心控制层进行全局优化计算，制定协调控制指令，并通过驱动控制层下发至对应的就地控制层中执行，优化了配电网运行以及能量管理，提高了配电网运行以及能量管理的效果和灵活性，取得了良好的经济效益。

Description

源网荷储的分层协同控制系统及其控制方法

技术领域

本发明涉及配电网分布式电源控制技术领域，具体地涉及一种源网荷储的分层协同控制系统及其控制方法。

背景技术

配电网中接入了规模化的间歇式能源和可控分布式能源，由于间歇式能源功率具有间歇性、波动性的特点，如不对其产生的潮流变化进行合理管控，将限制其并网运行。因此，为了提高配电网整体对间歇式能源的消纳能力，需要对可控分布式能源、网络潮流以及网络联络开关进行协调控制。

传统的间歇式能源的控制一般都是局限在小范围内的协调控制，无法完成一条馈线上的多个可控分布式能源甚至是多条馈线间的协调控制。此外，集中式控制对通信要求高，可靠性差；而单层分布式控制对多个区域的协调能力不足。进而使得现有的配电网运行以及能量管理效果不理想，同时产生了一定的经济损失。

本申请发明人在实现本发明的过程中发现，现有技术的上述方案具有配电网运行及能量管理效果不理想的缺陷。

发明内容

本发明实施例的目的是提供一种源网荷储的分层协同控制系统及其控制方法，该源网荷储的分层协同控制系统及其控制方法能够对配电网的多个可控分布式能源进行可靠协同控制的功能。

为了实现上述目的，本发明实施例提供源网荷储的分层协同控制系统，包括：

多个就地控制层，所述就地控制层用于采集配电网中分布式电源、储能、负荷的运行工况；

多个区域控制层，每个所述区域控制层与多个所述就地控制层连接，用于上传所述就地控制层的分布式电源、储能、负荷的运行工况，并下发协调控制指令；

中心控制层，与多个所述区域控制层连接，用于制定多个所述就地控制层协调控制指令。

可选地，所述中心控制层用于：

接收每个所述就地控制层采集的分布式电源、储能、负荷的运行工况；

建立以经济效益考虑调峰减少的成本和线损减少带来的收益的目标函数以及约束条件；

采用遗传算法和蚁群算法获取目标函数的最优解；

根据最优解下发多个所述就地控制层协调控制指令。

可选地，所述目标函数包括如公式(1)所示，

其中，F为所述目标函数，C_grid为调峰成本，ΔE_grid为配电网优化后的调峰变化电量，T为优化的阶段数，C(t)为t时刻电价，ΔE_loss为各个时刻内由于优化带来的线损的变化量。

另一方面，本发明还提供一种源网荷储的分层协同控制系统的控制方法，包括：

建立配电网中分布式电源、储能、负荷的目标函数以及约束条件；

获取配电网中分布式电源、储能、负荷的运行工况；

根据公式(1)计算出所述目标函数的值；

采用遗传算法和蚁群算法获取目标函数的最优解；

根据最优解下发多个配电网中分布式电源、储能、负荷协调控制指令。

可选地，所述约束条件包括潮流约束，所述潮流约束包括如公式(2)所示，

I_i(t)≤I_i,max，

V_i,min≤V_i(t)≤V_i,max， (2)

其中，P_Gi(t)为第t时刻节点i所连接的分布式电源的有功出力，Q_Gi(t)为第t时刻节点i所连接的分布式电源的无功出力，P_Li(t)为第t时刻节点i所负荷的有功功率，Q_Li(t)为第t时刻节点i所负荷的无功功率，U_i(t)为第t时刻节点i的电压幅值，i为整数编号，G_ij为支路电导，B_ij为支路电纳，U_j(t)为第t时刻节点j的电压幅值，j为整数编号，δ_ij(t)为第t时刻节点i和节点j的相角差，I_i(t)为第t时刻节点i的电流幅值，I_i,max为节点i的电流幅值上限，V_t(t)为第t时刻节点i的电压幅值，V_i,min为节点i的电压幅值下限，V_i,max为节点i的电压幅值上限。

可选地，所述约束条件还包括可控分布式电源功率约束，所述可控分布式电源功率约束包括如公式(3)至公式(5)所示，

P_min（t)≤P_i(t)≤P_max（t)，i∈C_CCPH， (3)

其中，P_max(t)为冷热电三联供在第t时刻的最优调节上限，P_min(t)为冷热电三联供在第t时刻的最优调节下限，P_i(t)为第t时刻节点i所连接的分布式电源的有功出力，C_CCPH为冷热电三联供的节点集合；

其中，P_min为小水电的最优调节下限，P_max为小水电的最优调节上限，

为小水电的振动不稳定区间下限，

为小水电的振动不稳定区间上限，C_H为小水电的节点集合；

其中，P_j(t+Δt)为第j个可控分布式电源在t+Δt时刻的功率，P_j(t)为第j个可控分布式电源在t时刻的功率，λ_j为第j个可控分布式电源的爬坡率，C_ctrl为所有可控分布式电源的集合。

可选地，所述约束条件还包括储能约束，所述储能约束包括如公式(6)所示，

其中，P_d,i,max(t)为第i个储能的t时刻蓄电的最大值，P_c,i,max(t)为第i个储能的t时刻供电的最大值，soc_i(0)为储能系统0时刻的电池剩余容量值，soc_i(T)为为储能系统T时刻的电池剩余容量值，C_ESS为储能系统。

可选地，所述约束条件还包括柔性负荷调节能力约束，所述柔性负荷调节能力约束包括如公式(7)所示，

P_FL,min,k≤P_k≤P_FL,max,kk∈C_FL， (7)

其中，P_FL,,为柔性负荷的可调节能力最小值，P_FL,,为柔性负荷的可调节能力最大值，P_k为柔性负荷系统的总功率，C_FL为柔性负荷系统集合，k为整数编号。

可选地，所述约束条件还包括可控区域调节能力限值约束，所述可控区域调节能力限值约束如公式(8)所示，

P_car,min,j≤P_j≤P_car,max,jj∈C_A， (8)

其中，P_car,min,j为可控区域调节能力的最小值，P_car,max,j为可控区域调节能力的最大值，P_j为区域可调节功率，C_A为所有可控区域的集合。

可选地，采用遗传算法和蚁群算法获取目标函数的最优解包括：

初始化所述目标函数的值并随机生成二进制编码以形成种群；

计算所述种群中每个个体适应度；

对所述种群中每个个体适应度进行选择、交叉、变异运算以形成新的种群；

判断所述新的种群是否满足遗传结束要求；

在判断所述新的种群满足遗传结束要求的情况下，生成若干组优化解；

在判断判断所述新的种群不满足遗传结束要求的情况下，返回执行计算所述种群中每个个体适应度的步骤；

根据优化解生成蚁群算法的每个节点的初始信息素分布；

将所述优化解作为蚂蚁放置到第一个节点；

计算每个蚂蚁移动到下一个节点的概率，根据选择概率将每个蚂蚁移动到下个节点；

应用局部更新规则，其中，所述局部更新规则包括：

判断当前迭代次数下的当前最优解的适应度是否大于前一次迭代次数下的当前最优解的适应度；

在判断当前迭代次数下的当前最优解的适应度大于前一次迭代次数下的当前最优解的适应度的情况下，更新当前最优解；

全局更新，其中，所述全局更新包括：

判断当前迭代次数下的历史最优解的适应度是否大于前一次迭代次数下的历史最优解的适应度；

在判断当前迭代次数下的历史最优解的适应度大于前一次迭代次数下的历史最优解的适应度的情况下，更新历史最优解；

判断迭代次数是否大于或等于预设值；

在判断所述迭代次数大于或等于预设值时，输出最优解。

通过上述技术方案，本发明提供的源网荷储的分层协同控制系统及其控制方法通过多个就地控制层对的本地分布式带电源、储能、负荷的运行工况进行采集，并将该运行工况通过对应的区域控制层上传至中心控制层，中心控制层进行全局优化计算，制定协调控制指令，并通过驱动控制层下发至对应的就地控制层中执行，优化了配电网运行以及能量管理，提高了配电网运行以及能量管理的效果和灵活性，取得了良好的经济效益。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是根据本发明的一个实施方式的源网荷储的分层协同控制系统的结构示意图；

图2是根据本发明的一个实施方式的源网荷储的分层协同控制系统的中心控制层的控制流程图；

图3是根据本发明的一个实施方式的源网荷储的分层协同控制系统的控制方法的流程图；

图4是根据本发明的一个实施方式的源网荷储的分层协同控制系统的控制方法中获取目标函数最优解的流程图；

图5是根据本发明的一个实施方式的源网荷储的分层协同控制系统中区域控制层的控制方法；

图6是根据本发明的一个实施方式的源网荷储的分层协同控制系统的示例图。

附图标记说明

01、中心控制层02、区域控制层

03、就地控制层

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是根据本发明的一个实施方式的源网荷储的分层协同控制系统的结构示意图。在图1中，该分层协同控制系统可以包括多个就地控制层03、多个驱区域控制层02以及中心控制层01。

多个就地控制层03采集配电网中分布式电源、储能、负荷的运行工况。每个区域控制层02与多个就地控制层03连接，用于上传就地控制层03的分布式电源、储能、负荷的运行工况，并下发协调控制指令。中心控制层01与多个区域控制层02连接，用于制定多个就地控制层03协调控制指令。

该就地控制层03属于短时间尺度功率控制，其时间响应宜为秒级及以下，且以分布式电源控制单元为核心，对同一配电节点上同类型分布式电源进行调度。具体地，该就地控制层03可以包括分布式电源控制单元、储能控制单元、充电桩控制单元以及外围相关通信设备，此外还包括运行在分布式电源控制单元、储能控制单元、充电桩控制单元以及外围相关通信设备之上的软件控制单元。具体地，该软件控制单元能够对分布式电源、储能、负荷等的运行工况进行数据采集，同时还能够预测超短期内的分布式能源处理或负荷变化等决策数据；该软件控制还能够进行信息交互，以传输相关数据给区域控制层02或者中心控制层01，以及接收区域控制层02的指令信息并执行调整分配操作等。该就地控制层03还能够根据分布式电源、储能、负荷等的运行状态，自适应切换相应目标的控制模式并反馈到区域控制层02或中心控制层01，并能够在根据接收到的指令执行相关调整后，对控制目标进行持续跟踪以及控制状态的反馈。区域控制层02负责短时间尺度的区域功率统筹，以分钟级/秒级时间计算优化功率，且以区域系统控制器为核心。该区域控制层02可以根据中心控制层01的指令对分布式电源进行自治优化控制，即进行相应控制量的下发，也可以通过自主决策与其区域的多个就地控制层03配合对自身区域进行控制和管理。此外，该区域控制层02也可以进行不同区域控制层02之间的信息交互。该区域控制层02的控制算法能够兼顾有功功率策略和无功功率策略，保证区域内功率平衡以及电压稳定，且不会对全局系统稳定产生不利影响。具体地，该区域控制层02可以包括风光储、冷热电等各类型协同控制器及外围相关通信设备。中心控制层01属于长时间尺度的优化控制，其时间响应为分钟级及以上，该层次以主动配电网能量管理系统为核心，通过就地控制层03和驱动控制层02的配合采集整个配电网的运行信息，并通过全局控制计算出目标函数的最优解，来优化就地控制层03和驱动控制层02的目标。具体地，中心控制层01结合分布式电源发电预测结果、负荷预测结果，能够实现日前或小时级全局优化计算，通过与区域控制层02、就地控制层03配合对含有分布式电源、储能设备、柔性负荷等的配电网络进行优化以及主动管理，包含配网和分布式电源监控、负荷预测、风电预测、光伏预测、运行方式优化、全局运行决策优化、孤岛运行等多个应用模块。具体地源网荷储的分层协同控制系统的示例可以如图6所示。

传统的间歇式能源的控制一般都是局限在小范围内的协调控制，无法完成一条馈线上的多个可控分布式能源甚至是多条馈线间的协调控制。此外，集中式控制对通信要求高，可靠性差；而单层分布式控制对多个区域的协调能力不足。在本发明的该实施方式中，采用中心控制层1接收分布式电源、储能、负荷的运行工况并指令下发协调控制指令以实现对配电网全局优化的方式，对类分布式电源信息监控，实现“源-网-荷-储”的主动配电网区域协同交互控制与智能用户集成优化运行，提高了网运行的经济性；同时提高了配电网运行以及能量管理的效果和灵活性，取得了良好的经济效益。且采用多层控制的方式，协调性更好更可靠。

在本发明的该实施方式中，对于该中心控制层01的具体执行的全局优化算法的具体步骤，可以包括如图2所示的步骤。具体地，在图2中，该中心控制层01用于执行以下步骤：

在步骤S10中，接收每个就地控制层03采集的分布式电源、储能、负荷的运行工况。其中，分布式电源、储能、负荷分别通过对应的分布式电源控制单元、储能控制单元、精确控制负荷管理单元进行控制连接。此外，就地控制层03还可以包括电动汽车充电桩以及控制其的充电桩控制单元。

在步骤S11中，建立以经济效益考虑调峰减少的成本和线损减少带来的收益的目标函数以及约束条件。其中，该目标函数即为全局优化算法，通过获取该目标函数的最优值，即可获得对配电网中分布式电源、负荷等调整的策略。

在步骤S12中，采用遗传算法和蚁群算法获取目标函数的最优解。

在步骤S13中，根据最优解下发多个就地控制层03协调控制指令。其中，目标函数的最优解，即为对配电网中分布式电源、负荷等调整的策略，进而可将该策略下发至对应需要调整的区域控制层02，并由区域控制层02下方至对应的分布式电源、负荷等，以实现对配电网全局的可靠优化调整。

在步骤S10至步骤S13中，通过建立中心控制层01全局优化的目标函数，再采集就地控制层中分布式电源、储能、负荷的运行工况以及相关数据，计算出目标函数的值，通过遗传算法和蚁群算法获取该值的最优解，即可获取配电网全局优化的策略，最后通过该策略调整相应的目标即可。采用获取该目标函数的最优解的方式，能够准确且可靠地获取全局调整策略，且多层控制，使得协调更加地准确快捷。

在本发明的该实施方式中，对于所述目标函数的具体形式，可以包括如公式(1)所示，

其中，F为所述目标函数，C_grid为调峰成本，ΔE_grid为配电网优化后的调峰变化电量；T为优化的阶段数，一般优化的周期为24小时，全局的运行优化会每15分钟向控制器发送优化目标，因此优化有96个阶段，在每一个阶段中可以认为分布式发电的功率是不变的；C9t)为t时刻电价，ΔE_loss为各个时刻内由于优化带来的线损的变化量。具体地，该目标函数是以经济效益考虑调峰减少的成本和线损减少带来的收益，因此该目标函数越大越好。

另一方面，本发明还提供一种源网荷储的分层协同控制系统的控制方法，该控制方法可以如图3所示。具体地，在图3中，该控制方法可以包括：

在步骤S20中，建立配电网中分布式电源、储能、负荷的目标函数以及约束条件。其中，该目标函数即为公式(1)所示，该目标函数的目标包括电源、储能、负荷等。

在步骤S21中，获取配电网中分布式电源、储能、负荷的运行工况。其中，配电网中分布式电源、储能、负荷的运行工况即可通过多个就地控制层03采集其对应的分布式电源、储能、负荷的运行工况，并通过相应的区域控制层02输送至中心控制层01。

在步骤S22中，根据公式(1)计算出目标函数的值。

在步骤S23中，采用遗传算法和蚁群算法获取目标函数的最优解。

在步骤S24中，根据最优解下发多个配电网中分布式电源、储能、负荷协调控制指令。其中，最优解即对应配电网的调整策略，因此可根据该调整策略制定协调控制指令，下发至相应的就地控制层03中的分布式电源、储能或负荷并执行。

在步骤S20至步骤S24中，建立公式(1)所示的目标函数以及相应的约束调节，再根据采集的配电网中分布式电源、储能、负荷的运行工况计算出目标函数的值，遗传函数以及蚁群算法获取最优解。最后该最优解获取相应的就地控制层03中的分布式电源、储能或负荷的调整策略，并下方协调控制指令，即可实现对配电网的全局优化控制，具有良好的经济效益，且协调更加可靠准确。

在本发明的该实施方式中，对于约束条件的具体内容，还可以包括潮流约束、可控分布式电源功率约束、储能约束、柔性负荷调节能力约束以及可控区域调节能力限值约束。具体地，该潮流约束可以包括如公式(2)所示，

I_i(t)≤I_i,max，

V_i,min≤V_i(t)≤V_i,max， (2)

其中，P_Gi(t)为第t时刻节点i所连接的分布式电源的有功出力，Q_Gi(t)为第t时刻节点i所连接的分布式电源的无功出力，U_i(t)为第t时刻节点i的电压幅值，P_Li(t)为第t时刻节点i所负荷的有功功率，Q_Li(t)为第t时刻节点i所负荷的无功功率，i为整数编号，G_ij为支路电导，B_ij为支路电纳，U_j(t)为第t时刻节点j的电压幅值，j为整数编号，δ_ij(t)为第t时刻节点i和节点j的相角差，I_i(t)为第t时刻节点i的电流幅值，I_i,max为节点i的电流幅值上限，V_i(t)为第t时刻节点i的电压幅值，V_i,min为节点i的电压幅值下限，V_i,max为节点i的电压幅值上限。具体地，潮流约束为约束运行优化的最基本的约束条件，公式(2)中后两个公式分别为对线路电路电流约束和节点电压约束。

具体地，该可控分布式电源(DG)功率约束可以包括如公式(3)所示，

P_min(t)≤P_i(t)≤P_max(t)，i∈C_CCPH， (3)

其中，P_max(t)为冷热电三联供在第t时刻的最优调节上限，P_min(t)为冷热电三联供在第t时刻的最优调节下限，P_i(t)为第t时刻节点i所连接的分布式电源的有功出力，C_CCPH为冷热电三联供的节点集合。具体地，P_i(t)与P_Gi(t)所要表达的含义相同。具体地，P_max(t)和P_min(t)与热负荷和冷负荷有关，可以通过冷热负荷的预测及热泵调节范围求得。

具体地，该可控分布式电源(DG)功率约束还可以包括如公式(4)所示，

其中，P_min为小水电的最优调节下限，P_max为小水电的最优调节上限，

为小水电的振动不稳定区间下限，

为小水电的振动不稳定区间上限，C_H为小水电的节点集合。具体地，由于小水电存在振动不稳定区间，输出功率难以稳定在该区间内，因此在水电的功率调节范围中排出掉振动区间。

具体地，该可控分布式电源(DG)功率约束还可以包括如公式(5)所示，

其中，P_j(t+Δt)为第j个可控分布式电源在t+Δt时刻的功率，P_j(t)为第j个可控分布式电源在t时刻的功率，λ_j为第j个可控分布式电源的爬坡率，C_ctrl为所有可控分布式电源的集合。具体地，由于可控DG的有功出力调节具有一定的时间，因此存在如公式(5)所示的爬坡率的约束。

具体地，该储能约束可以包括如公式(6)所示，

其中，P_d,i,max(t)为第i个储能的t时刻蓄电的最大值，P_c,i,max(t)为第i个储能的t时刻供电的最大值，soc_i(0)为储能系统0时刻的电池剩余容量值，soc_i(T)为储能系统T时刻的电池剩余容量值，C_ESS为储能系统。具体地，根据储能的模型，供电和蓄电的最大值中包含了储能容量的限制，因此约束中不需要再添加储能的约束。由于希望储能能够循环利用，每一个调度周期中的初始和结束时刻容量能用相同，否则必然会有能量的浪费。

具体地，该柔性负荷调节能力约束可以包括如公式(7)所示，

P_FL,min,k≤P_k≤P_FL,max,kk∈C_FL， (7)

其中，P_FL,,为柔性负荷的可调节能力最小值，P_FL,,为柔性负荷的可调节能力最大值，P_k为柔性负荷系统的总功率，C_FL为柔性负荷系统集合，k为整数编号。具体地，柔性负荷调节能力表征了节点上所有柔性负荷出力的总功率限制。

具体地，该可控区域调节能力限值约束可以包括如公式(8)所示，

P_Car,min,j≤P_j≤P_car,max,jj∈C_A， (8)

其中，P_car,min,j为可控区域调节能力的最小值，P_car,max,j为可控区域调节能力的最大值，P_j为区域可调节功率，C_A为所有可控区域的集合。具体地，区域调节能力表示区域的出口功率调节范围，区域调节能力定量化了区域功率外特性，可以限制区域中设备有功的调节范围，因此从优化的角度可以提高优化效率。

在本发明的该实施方式中，对于约束模型还可以包括态度感知指标，态势感知指标作为约束条件可以限制其他优化变量的可行解范围，并且减少优化变量的个数，提高了优化效率。

在本发明的该实施方式中，目标函数会在对配电网中的可控分布式能源和储能的功率进行优化，并且会对优化周期中的各个时刻的功率进行优化，因此优化变量可以包括如公式(9)所示，

其中，P_DG,为第x个DG的功率，n为所有DG的个数，P_ESS,y为第y个储能的功率，m为所有储能的个数，P_FL,为第k个柔性负荷系统的功率，l为所有柔性负荷系统的个数。由于全局优化是对整个调度周期内的功率进行优化，P_DG,、P_ESS,y、P_FL,是向量，包含了一个周期中所有阶段的有功值。

在本发明的该实施方式中，为了获取目标函数的最优解，还需要对目标函数的值进行函数优化，具体地函数优化步骤可以如图4所示。具体地，在图4中，该控制方法还可以包括：

在步骤S30中，初始化目标函数的值并随机生成二进制编码以形成种群。

在步骤S31中，计算种群中每个个体适应度。

在步骤S32中，对种群中每个个体适应度进行选择、交叉、变异运算以形成新的种群。其中，选择、交叉、变异运算包括本领域人员所知的常规形式。

在步骤S33中，判断新的种群是否满足遗传结束要求。其中，新的种群是否满足遗传结束要求，一般包括适应度达到预设值且收敛或者完成预设遗传次数后等。

在步骤S34中，在判断新的种群满足遗传结束要求的情况下，生成若干组优化解。若新的种群满足遗传结束要求，则说明遗传结束，此时生成若干组优化解不能够输入至后续的蚁群算法中。

在步骤S35中，在判断判断新的种群不满足遗传结束要求的情况下，返回执行计算种群中每个个体适应度的步骤。其中，若不满足遗传结束要求，则需要继续进行选择、交叉、变异运算循环，直至完成遗传结束要求。

在步骤S36中，根据优化解生成蚁群算法的每个节点的初始信息素分布。

在步骤S37中，将优化解作为蚂蚁放置到第一个节点。

在步骤S38中，计算每个蚂蚁移动到下一个节点的概率，根据选择概率将每个蚂蚁移动到下个节点。其中，概率越大，则说明蚂蚁对应的优化解越靠近最优解。

在步骤S39中，应用局部更新规则，其中，局部更新规则包括：判断当前迭代次数下的当前最优解的适应度是否大于前一次迭代次数下的当前最优解的适应度。

在步骤S40中，在判断当前迭代次数下的当前最优解的适应度大于前一次迭代次数下的当前最优解的适应度的情况下，更新当前最优解。其中，若当前迭代次数下的最优解的适应度大于前一次迭代次数下的当前最优解的适应度，则说明当前最优解为当前情况下最优的解，可以保留并更新最优解。若当前迭代次数下的最优解的适应度小于或等于前一次迭代次数下的当前最优解的适应度，则说明该当前最优解并不是最终要求解的值，因此需要返回继续迭代。

在步骤S41中，全局更新，其中，全局更新包括：判断当前迭代次数下的历史最优解的适应度是否大于前一次迭代次数下的历史最优解的适应度。

在步骤S42中，在判断当前迭代次数下的历史最优解的适应度大于前一次迭代次数下的历史最优解的适应度的情况下，更新历史最优解。其中，若当前迭代次数下的历史最优解的适应度大于前一次迭代次数下的历史最优解的适应度，则说明当前迭代次数下的历史最优解为历史迭代中最优的解，更新该历史最优解。若当前迭代次数下的历史最优解的适应度小于或等于前一次迭代次数下的历史最优解的适应度，则说明该历史最优解并不是最终要求解的值，因此需要返回继续迭代。

在步骤S43中，判断迭代次数是否大于或等于预设值。其中，对于迭代结束的条件包括最优解达到预设值并收敛，或者是否完成预设迭代次数的迭代等。

在步骤S44中，在判断迭代次数大于或等于预设值时，输出最优解。其中，若迭代次数大于或等于预设值，说明迭代完成，此时输出历史最优解。若迭代次数小于预设值，则说明迭代未结束，还需要继续迭代直至完成。

遗传算法(Genetic Algorithm，GA)和蚁群算法(Ant Colony Algorithm，AA)是近年来在函数优化、组合优化中被广泛运用的算法，他们具备良好的求解性能，本方案为最大程度发挥遗传算法和蚁群算法的优势，我们将两种算法的优势进行结合，形成遗传蚁群算法(Genetic Ant Colony Algorithm，GAAA)。在算法的前半部分，充分利用遗传算法随机性强、全局搜索能力强、收敛性好等优点，形成初步信息分布结果；在算法的后半部分，充分利用蚁群算法的并行运算、正反馈和高效率等优点，形成精确的最优解方案。具体地，首先通过整理配电网拓扑结构的提出不可行解的规则，这样在遗传算法编码过程中就可以通过拓扑、潮流等约束排除不可行解，提高编码效率。同时在遗传算法迭代计算过程中通过设置最大迭代次数与迭代精度进行收敛条件的改进，达到“粗”颗粒的优化并控制相应计算时间的效果，为后续与蚁群算法的结合提供了信息素优化的条件。最后蚁群算法在已经优化的初始信息素基础上，通过限制每个开关变化最多1次的要求，结合自身局部收敛的特性，快速得到最终的优化结果，实现改进的“粗细”协同优化。

在本发明的该实施方式中，对于区域控制层02的具体控制方法，可以包括如图5所示的步骤。具体地，在图5中，该区域控制层02的控制方法可以包括：

在步骤S50中，全局优化，主站进行具体区域范围划分。其中，区域范围划分，即区域控制层02的划分。

在步骤S51中，全局确定区域范围并下发。

在步骤S52中，协同交互控制器进行区域内负荷、光伏、风机预测。其中，在获取到区域内就地控制层01采集的分布式电源、储能、负荷等的运行工况后，可根据该数据进行相应的预测。

在步骤S53中，判断协同交互控制器是否越限。

在步骤S54中，在判断协同交互控制器没有越限的情况下，判断是否达到全局优化间隔。其中，若协同交互控制器没有越限，则说明最优解计算正确，指令正确。

在步骤S55中，在判断达到全局优化间隔的情况下，返回全局优化，主站进行具体区域范围划分步骤。其中，若达到全局优化间隔，则说明当前优化结束，需要进行下一次的优化。

在步骤S56中，在判断协同交互控制器越限的情况下，向主站反馈，主站进行修正，重新计算。其中，若协同交互控制器越限，则说明最优解计算有误，需要向中心控制层01反馈，并进行修正，再重新进行计算，最后返回全局确定区域范围并下发。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种源网荷储的分层协同控制系统，其特征在于，包括：

多个就地控制层(03)，所述就地控制层(03)用于采集配电网中分布式电源、储能、负荷的运行工况；

多个区域控制层(02)，每个所述区域控制层(02)与多个所述就地控制层(03)连接，用于上传所述就地控制层(03)的分布式电源、储能、负荷的运行工况，并下发协调控制指令；

中心控制层(01)，与多个所述区域控制层(02)连接，用于制定多个所述就地控制层(03)协调控制指令。

2.根据权利要求1所述的分层协同控制系统，其特征在于，所述中心控制层(01)用于：

接收每个所述就地控制层(03)采集的分布式电源、储能、负荷的运行工况；

建立以经济效益考虑调峰减少的成本和线损减少带来的收益的目标函数以及约束条件；

采用遗传算法和蚁群算法获取目标函数的最优解；

根据最优解下发多个所述就地控制层(03)协调控制指令。

3.根据权利要求2所述的分层系统控制系统，其特征在于，所述目标函数包括如公式(1)所示，

其中，F为所述目标函数，C_grid为调峰成本，ΔE_grid为配电网优化后的调峰变化电量，T为优化的阶段数，C(t)为t时刻电价，ΔE_loss为各个时刻内由于优化带来的线损的变化量。

4.一种源网荷储的分层协同控制系统的控制方法，其特征在于，包括：

建立配电网中分布式电源、储能、负荷的目标函数以及约束条件；

获取配电网中分布式电源、储能、负荷的运行工况；

根据公式(1)计算出所述目标函数的值；

采用遗传算法和蚁群算法获取目标函数的最优解；

根据最优解下发多个配电网中分布式电源、储能、负荷协调控制指令。

5.根据权利要求4所述的控制方法，其特征在于，所述约束条件包括潮流约束，所述潮流约束包括如公式(2)所示，

I_i(t)≤I_i，max，

V_i，min≤V_i(t)≤V_i，max， (2)

其中，P_Gi(t)为第t时刻节点i所连接的分布式电源的有功出力，Q_Gi(t)为第t时刻节点i所连接的分布式电源的无功出力，U_i(t)为第t时刻节点i的电压幅值，i为整数编号，G_ij为支路电导，B_ij为支路电纳，U_j(t)为第t时刻节点j的电压幅值，j为整数编号，δ_ij(t)为第t时刻节点i和节点j的相角差，I_i(t)为第t时刻节点i的电流幅值，I_i，max为节点i的电流幅值上限，V_i(t)为第t时刻节点i的电压幅值，V_i，min为节点i的电压幅值下限，V_i，max为节点i的电压幅值上限。

6.根据权利要求4所述的控制方法，其特征在于，所述约束条件还包括可控分布式电源功率约束，所述可控分布式电源功率约束包括如公式(3)至公式(5)所示，

P_min(t)≤P_i(t)≤P_max(t)，i∈C_CCPH， (3)

其中，P_max(t)为冷热电三联供在第t时刻的最优调节上限，P_min(t)为冷热电三联供在第t时刻的最优调节下限，P_i(t)为第t时刻节点i所连接的分布式电源的有功出力，C_CCPH为冷热电三联供的节点集合；

其中，P_min为小水电的最优调节下限，P_max为小水电的最优调节上限，

为小水电的振动不稳定区间下限，

为小水电的振动不稳定区间上限，C_H为小水电的节点集合；

其中，P_j(t+Δt)为第j个可控分布式电源在t+Δt时刻的功率，P_j(t)为第j个可控分布式电源在t时刻的功率，λ_j为第j个可控分布式电源的爬坡率，C_ctrl为所有可控分布式电源的集合。

7.根据权利要求4所述的控制方法，其特征在于，所述约束条件还包括储能约束，所述储能约束包括如公式(6)所示，

其中，P_d，i，max(t)为第i个储能的t时刻蓄电的最大值，P_c，i，max(t)为第i个储能的t时刻供电的最大值，soc_i(0)为储能系统0时刻的电池剩余容量值，soc_i(T)为为储能系统T时刻的电池剩余容量值，C_ESS为储能系统。

8.根据权利要求4所述的控制方法，其特征在于，所述约束条件还包括柔性负荷调节能力约束，所述柔性负荷调节能力约束包括如公式(7)所示，

P_FL，min，k≤P_k≤P_FL，max，k k∈C_FL， (7)

其中，P_FL，min，k为柔性负荷的可调节能力最小值，P_FL，max，k为柔性负荷的可调节能力最大值，P_k为柔性负荷系统的总功率，C_FL为柔性负荷系统集合，k为整数编号。

9.根据权利要求4所述的控制方法，其特征在于，所述约束条件还包括可控区域调节能力限值约束，所述可控区域调节能力限值约束如公式(8)所示，

P_{car，min，j}≤P_j≤P_{car，max，j} j∈C_A， (8)

其中，P_{car，min，j}为可控区域调节能力的最小值，P_{car，max，j}为可控区域调节能力的最大值，P_j为区域可调节功率，C_A为所有可控区域的集合。

10.根据权利要求9所述的控制方法，其特征在于，采用遗传算法和蚁群算法获取目标函数的最优解包括：

初始化所述目标函数的值并随机生成二进制编码以形成种群；

计算所述种群中每个个体适应度；

对所述种群中每个个体适应度进行选择、交叉、变异运算以形成新的种群；

判断所述新的种群是否满足遗传结束要求；

在判断所述新的种群满足遗传结束要求的情况下，生成若干组优化解；

在判断判断所述新的种群不满足遗传结束要求的情况下，返回执行计算所述种群中每个个体适应度的步骤；

根据优化解生成蚁群算法的每个节点的初始信息素分布；

将所述优化解作为蚂蚁放置到第一个节点；

计算每个蚂蚁移动到下一个节点的概率，根据选择概率将每个蚂蚁移动到下个节点；

应用局部更新规则，其中，所述局部更新规则包括：

判断当前迭代次数下的当前最优解的适应度是否大于前一次迭代次数下的当前最优解的适应度；

在判断当前迭代次数下的当前最优解的适应度大于前一次迭代次数下的当前最优解的适应度的情况下，更新当前最优解；

全局更新，其中，所述全局更新包括：

判断当前迭代次数下的历史最优解的适应度是否大于前一次迭代次数下的历史最优解的适应度；

在判断当前迭代次数下的历史最优解的适应度大于前一次迭代次数下的历史最优解的适应度的情况下，更新历史最优解；

判断迭代次数是否大于或等于预设值；

在判断所述迭代次数大于或等于预设值时，输出最优解。

Images