CN117200344A - 一种多层级优化的高比例分布式电源台区自治控制方法 - Google Patents

Abstract

本发明公开了一种多层级优化的高比例分布式电源台区自治控制方法，包括：1)分布式电源台区终端层约束条件；2)分布式电源台区层约束条件；3)分布式电源台区群优化调度约束；4)采用ADMM算法将较复杂的优化决策问题分解为多个较小以及容易求解的不同子问题，并通过子问题之间的不断迭代求解直至全局收敛，从而求解得到原有问题的全局最优解。本发明以台区群总运行成本最小为优化目标，协调台区群范围内的可调资源，通过下属代理将优化控制指令层层下发，从而实现不同层级之间的互动，实现高比例分布式电源台区在满足负荷的电能质量要求的同时获得理想运行效益。

Description

一种多层级优化的高比例分布式电源台区自治控制方法

技术领域

本发明涉及一种多层级优化的高比例分布式电源台区自治控制方法，属于新能源技术领域。

背景技术

考虑到台区中分布式渗透率较高、资源种类丰富多样的现实情况，以及未来高比例分布式电源台区互联成群的演变趋势，配电网的拓扑结构将日趋复杂，由于传统的集中式优化算法存在其固有的弊端已经无法满足优化问题求解。

首先，集中式优化算法需要一个中央控制器，该中央控制器与系统中的每一个控制单元通讯，这意味着其需要收集整个系统的信息，并对收集来的庞大数据进行运算，无疑对计算速率以及准确性提出了巨大的挑战。其次，当系统中的某点发生故障、中央控制器无法获取节点信息时，将会影响算法的优化结果。此外，在调度过程中，想要收集所有分布式能源的参数是十分困难的。因此，需要提出新的方法来解决分布式电源台区的优化运行问题。

分布式优化技术作为最主要的非集中式优化方法，近几年来逐渐兴起。在分布式约束优化问题求解机制中，不存在集中式的全局控制，而采用多求解器的分布策略，求解过程中，求解器异步自主运行，只需要了解所求解问题的局部知识，不需要知道全局信息。由于多代理系统(multi-agent system)技术匹配了分布式约束优化问题求解机制的大部分特征，因此被认为是一种有前景的解决方法。针对上述问题，希望通过采用分布式优化控制方法来解决基于局域信息的高比例分布式电源台区群系统控制，使得高比例分布式电源台区群系统做出自主反应，对分布式电源进行合理的控制和管理，以保证高比例分布式电源台区群在满足负荷的用能质量要求同时获得理想的运行效益。

为此，本发明提出一种多层级优化的高比例分布式电源台区自治控制方法，以多层级多代理优化算法为基础，通过一定方法实现分布式电源台区的高效优化运行。

发明内容

本发明的目的在于提供一种多层级优化的高比例分布式电源台区自治控制方法，以多层级多代理优化算法为基础，实现高比例分布式电源台区的高效优化运行，实现高比例分布式电源台区在满足负荷的用能质量要求的同时获得理想运行效益。

本发明的目的通过以下技术方案予以实现：

一种多层级优化的高比例分布式电源台区自治控制方法，包括：

1)分布式电源台区终端层约束条件：

(1)微型燃气轮机代理和燃料电池代理

作为分布式电源台区中的可控发电资源，微型燃气轮机代理、燃料电池代理向台区代理(TA)上报机组的参数、状态信息，并执行上级代理下发的控制指令，实现网内供需平衡；

微型燃气轮机、燃料电池的发电成本包括燃耗成本、运行维护成本和污染排放成本，即：

C_MT(P_MT(t))＝C_f(P_MT(t))+C_om(P_MT(t))+C_ev(P_MT(t)) (1)

式中，C_MT为微型燃气轮机、燃料电池的发电成本，C_f、C_om、C_ev分别为燃耗成本、运维成本和污染排放成本；P_MT(t)为燃气轮机、燃料电池在时段t的输出功率；C_ng为燃料价格，LHV_ng为天然气低热值，η_MT(t)为微型燃气轮机、燃料电池在时段t内的效率；K_om为运行维护成本比例系数；M表示排放类型，α_i表示排放类型为i的折扣系数，λ_i表示排放类型为i的排放因子；

(2)储能代理

储能具有充放电2种工作状态：当处于充电状态时，被视为负荷；当处于放电状态时，等效为可控电源；储能代理与分布式电源台区代理协调的信息包括SOC、充放电功率，通过储能代理的管理，储能装置平抑新能源出力的波动，在分时电价的环境下实现自身经济效益；

储能设备的运行成本C_B由放电维护成本C_dis以及寿命损耗成本C_cycle组成：

C_B＝δ^dis(t)C_dis(P^dis(t))+C_cycle (5)

式中，δ^dis(t)为0-1变量，表征放电状态，P^dis(t)为储能在时刻t的放电功率，为了限制储能在充、放电状态间频繁转换，充分利用其循环寿命，将储能寿命损耗对应的成本C_cycle计入运行成本中；

(3)风机代理和光伏代理

风机代理、光伏代理代表风机和光伏系统，通过分析历史数据、改进预测技术，提升风机、光伏出力的预测精度，将预测信息上报，并响应分布式电源台区下发的控制指令；

(4)负荷代理

负荷代理具有确定负荷优先级、保证重要负荷优先供电以及根据实际情况平移或中断负荷的功能，在每个时段，负荷代理采集负荷信息，并将负荷信息发送给分布式电源台区代理，请求发起能量协调；

2)分布式电源台区层约束条件：

分布式电源台区代理通过优化调度周期内可控机组出力、储能充放电功率和联络线交换功率的大小，实现分布式电源台区运行成本最小化，目标函数minC_i为：

式中，T为运行总时长，C_i表示分布式电源台区i在调度周期内的运行成本；n_MT、n_FC、n_B、n分别为分布式电源台区i中燃气轮机总数、燃料电池总数、储能装置总数、分布式电源台区总数；C_FC,j为燃料电池的发电成本；C_ex,i为分布式电源台区i的功率交换费用；P_ex,i(t)为分布式电源台区i在时段t的交换功率，正值表示分布式电源台区从外部吸收电能；

终端层和分布式电源台区层优化需满足的约束条件除了功率平衡约束、储能系统运行约束之外，还包括可控机组的运行约束，包括出力范围、爬坡速率和启停时间限制，分别如下：

式中，u^CGU _j,t为0-1变量，表征t时刻机组运行状态，分别为t及t-1时刻机组j的出力范围，P^CGU _j,max、P^CGU _j,min分别为机组出力上、下限；ΔP^CGU _j,up和ΔP^CGU _j,down分别为可控发电机组的爬坡速率上下限；TCGU on,min、TCGU off,min分别为机组开、停机状态持续的最少时段数；

3)分布式电源台区群优化调度约束：

分布式电源台区群层优化对象为整个分布式电源台区群，优化目标为总运行成本最小；分布式光伏台区群代理优先负责分布式电源台区间功率互济，对于功率仍有缺额的分布式电源台区，则向上级电网购电，上层优化的目标函数为：

式中，f为购电费用；P_grid,i(t)为分布式电源台区i在时段t从上级电网吸收的功率；

上层优化的约束条件如下：

(1)功率平衡约束

在并网运行模式下，以分布式电源台区群母线为节点，对每个分布式电源台区有：

式中，Pij ex(t)为分布式电源台区i与分布式电源台区j在时段t的交换功率，以流向分布式电源台区i为正；

(2)边界一致性约束

(3)线路传输容量约束

P_ex,i,min≤P_ex,i(t)≤P_ex,i,max (13)

式中，P_ex,i,max、P_ex,i,min分别为联络线功率传输上下限；

4)优化算法：

采用交替向乘子法，即ADMM算法的优化问题被描述为：

式中，x和z为优化变量，min f(x)+g(z)为待优化问题的目标函数，其中，x∈R^s，z∈Rⁿ，A∈R^p×x，B∈R^p×n以及C∈R^p；

ADMM算法的求解方法使用高斯-赛德尔迭代方法进行求解，其求解方法表示如下：

在每次迭代计算中，共有三步：即求解与x相关的最小化问题，并更新变量x；求解与z相关的最小化问题，并更新变量z；更新乘子y；

ADMM算法的收敛标准为：

式中，和/>分别为第k+1次迭代计算后的原始残差和对偶残差；ε_pri和ε_dual分别为原始残差和对偶残差的容忍上限。

前述一种多层级优化的高比例分布式电源台区自治控制方法，ADMM算法的分布式电源台区群优化运行问题的迭代算法步骤如下：

(1)初始化迭代计算中的所有参数，开始时定义迭代次数k＝1，设置原始残差和对偶残差及其惩罚因子，定义ADMM算法的耦合变量，设置乘子系数y初值；

(2)对分布式电源台区群优化子问题依次进行计算，并及时更新乘子系数y；

(3)根据原始残差和对偶残差的收敛判据，对其进行收敛性判断，若计算吻合收敛判据，则结束计算并输出优化运行结果；否则迭代次数自动加1返回第步骤(2)，继续更新乘子系数，并开始下一轮的迭代计算。

前述一种多层级优化的高比例分布式电源台区自治控制方法，将式(6)至式(9)、式(13)中的约束条件简化表示成不等约束集合Ω₁、Ω₂，同时，记相关优化变量为并引入指示函数g₁、g₂，定义Ω₁、Ω₂上的g₁、g₂为：

对于式(11)、(12)，也用等式约束集合Ω₃和Ω₄简化表示，则上、下层优化调度问题最终转化成：

结合前述迭代公式及收敛判据，求出优化问题的最优值。

与现有技术相比，本发明的有益效果是：本发明以台区群总运行成本最小为优化目标，协调台区群范围内的可调资源，通过下属代理将优化控制指令层层下发，从而实现不同层级之间的互动，实现高比例分布式电源台区在满足负荷的电能质量要求的同时获得理想运行效益。

附图说明

图1是本发明的高比例分布式电源台区群3层多代理系统架构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示为高比例分布式电源台区群3层多代理系统架构，即终端层、分布式电源台区层和分布式电源台区群层。其中，实线代表电气通路，虚线代表信息通路。在终端层，主要有微型燃气轮机代理(micro-turbine agent,MTA)、燃料电池代理(fuel cell agent,FCA)、储能代理(battery agent,BA)、风机代理(wind turbine agent,WTA)、光伏代理(photovoltaic agent,PVA)以及负荷代理(load agent,LA)，各代理可以由微机系统、工控机、嵌入式计算机等设备实现。各代理都具有出力预测、数据处理和与上级代理通讯的能力。台区代理(transformer agent,TA)负责协调控制本区域内的终端层代理，调整并下发相关调度计划。分布式电源台区群代理(transformer cluster agent,TCA)接收各分布式电源台区代理上传的调度信息，并与上级电网调度建立通信，以台区群总运行成本最小为优化目标，协调台区群范围内的可调资源，通过下属代理将优化控制指令层层下发，从而实现不同层级之间的互动。

一种多层级优化的高比例分布式电源台区自治控制方法，包括：

1)分布式电源台区终端层约束条件：

(1)微型燃气轮机代理和燃料电池代理

作为分布式电源台区中的可控发电资源，微型燃气轮机代理、燃料电池代理向台区代理(TA)上报机组的参数、状态信息，并执行上级代理下发的控制指令，实现网内供需平衡；

微型燃气轮机、燃料电池的发电成本包括燃耗成本、运行维护成本和污染排放成本，即：

C_MT(P_MT(t))＝C_f(P_MT(t))+C_om(P_MT(t))+C_ev(P_MT(t)) (1)

式中，C_MT为微型燃气轮机、燃料电池的发电成本，C_f、C_om、C_ev分别为燃耗成本、运维成本和污染排放成本；P_MT(t)为燃气轮机、燃料电池在时段t的输出功率；C_ng为燃料价格，单位元/m³，LHV_ng为天然气低热值，单位kWh/m³，η_MT(t)为微型燃气轮机、燃料电池在时段t内的效率；K_om为运行维护成本比例系数；M表示排放类型(NO_x、SO₂或者CO₂)，α_i表示排放类型为i的折扣系数，λ_i表示排放类型为i的排放因子；

(2)储能代理

储能具有充放电2种工作状态：当处于充电状态时，被视为负荷；当处于放电状态时，等效为可控电源；储能代理与分布式电源台区代理协调的信息包括SOC、充放电功率，通过储能代理的管理，储能装置平抑新能源出力的波动，在分时电价的环境下实现自身经济效益；

储能设备的运行成本C_B由放电维护成本C_dis以及寿命损耗成本C_cycle组成：

C_B＝δ^dis(t)C_dis(P^dis(t))+C_cycle (5)

式中，δ^dis(t)为0-1变量，表征放电状态，P^dis(t)为储能在时刻t的放电功率，为了限制储能在充、放电状态间频繁转换，充分利用其循环寿命，将储能寿命损耗对应的成本C_cycle计入运行成本中；

(3)风机代理和光伏代理

风电、光伏作为近些年来迅猛发展的新能源，显示出了巨大的经济和环境效益。但是，出力不确定的特点限制了其消纳水平。风机代理、光伏代理代表风机和光伏系统，通过分析历史数据、改进预测技术，提升风机、光伏出力的预测精度，将预测信息上报，并响应分布式电源台区下发的控制指令；

由于风机与光伏电池利用清洁能源发电，属于可再生能源，不消耗燃料、无污染，因此无需考虑其发电的燃耗成本和污染排放成本，仅需考虑运行维护成本，与工作人员工资和设备维护费用有直接的影响。

(4)负荷代理

传统上，负荷被视为被动者。随着需求响应机制的建立，负荷侧资源表现出越来越大的灵活性。负荷代理具有确定负荷优先级、保证重要负荷优先供电以及根据实际情况平移或中断负荷的功能，在每个时段，负荷代理采集负荷信息(包括负荷功率、负荷停运成本)，并将负荷信息发送给分布式电源台区代理，请求发起能量协调；

2)分布式电源台区层约束条件：

分布式电源台区代理通过优化调度周期内可控机组出力、储能充放电功率和联络线交换功率的大小，实现分布式电源台区运行成本最小化，目标函数minC_i为：

式中，T为运行总时长，C_i表示分布式电源台区i在调度周期内的运行成本；n_MT、n_FC、n_B、n分别为分布式电源台区i中燃气轮机总数、燃料电池总数、储能装置总数、分布式电源台区总数；C_FC,j为燃料电池的发电成本；C_ex,i为分布式电源台区i的功率交换费用；P_ex,i(t)为分布式电源台区i在时段t的交换功率，正值表示分布式电源台区从外部吸收电能；

终端层和分布式电源台区层优化需满足的约束条件除了功率平衡约束、储能系统运行约束之外，还包括可控机组的运行约束，包括出力范围、爬坡速率和启停时间限制，分别如下：

式中，u^CGU _j,t为0-1变量，表征t时刻机组运行状态，分别为t及t-1时刻机组j的出力范围，P^CGU _j,max、P^CGU _j,min分别为机组出力上、下限；ΔP^CGU _j,up和ΔP^CGU _j,down分别为可控发电机组的爬坡速率上下限；TCGU on,min、TCGU off,min分别为机组开、停机状态持续的最少时段数；

3)分布式电源台区群优化调度约束：

分布式电源台区群层优化对象为整个分布式电源台区群，优化目标为总运行成本最小；分布式光伏台区群代理优先负责分布式电源台区间功率互济，对于功率仍有缺额的分布式电源台区，则向上级电网购电，上层优化的目标函数为：

式中，f为购电费用；P_grid,i(t)为分布式电源台区i在时段t从上级电网吸收的功率；

上层优化的约束条件如下：

(1)功率平衡约束

在并网运行模式下，以分布式电源台区群母线为节点，对每个分布式电源台区有：

式中，Pij ex(t)为分布式电源台区i与分布式电源台区j在时段t的交换功率，以流向分布式电源台区i为正；

(2)边界一致性约束

(3)线路传输容量约束

P_ex,i,min≤P_ex,i(t)≤P_ex,i,max (13)

式中，P_ex,i,max、P_ex,i,min分别为联络线功率传输上下限；

4)优化算法：

交替向乘子法(Alternating Direction Method of Multipliers,ADMM)作为一种求解复杂优化问题的算法，适用于多主体决策的凸优化问题。通过分解协调过程，ADMM将较复杂的优化决策问题分解为多个较小以及容易求解的不同子问题，并通过子问题之间的不断迭代求解直至全局收敛，从而求解得到原有问题的全局最优解。

采用交替向乘子法，即ADMM算法的优化问题被描述为：

式中，x和z为优化变量，min f(x)+g(z)为待优化问题的目标函数，主要由与变量x相关的f(x)和与变量z相关的g(z)这两部分所构成。其中，x∈R^s，z∈Rⁿ，A∈R^p×x，B∈R^p×n以及C∈R^p。

ADMM算法的求解方法使用高斯-赛德尔迭代方法进行求解。在求解过程中，两个子问题只有一个处于运算状态，当求得耦合变量的取值时，便将其回代到另外一个子问题中进行求解。等待另一个子问题更新耦合变量的取值时，再将其回代进入前一个子问题中进行下一轮的迭代运算。在每一轮迭代计算结束时以及在进入下一轮迭代计算时，都必须对乘子进行更新。其求解方法表示如下：

在每次迭代计算中，共有三步：即求解与x相关的最小化问题，并更新变量x；求解与z相关的最小化问题，并更新变量z；更新乘子y；

ADMM算法的收敛标准为：

式中，和/>分别为第k+1次迭代计算后的原始残差和对偶残差；ε_pri和ε_dual分别为原始残差和对偶残差的容忍上限。

前述一种多层级优化的高比例分布式电源台区自治控制方法，ADMM算法的分布式电源台区群优化运行问题的迭代算法步骤如下：

(1)初始化迭代计算中的所有参数，开始时定义迭代次数k＝1，设置原始残差和对偶残差及其惩罚因子，定义ADMM算法的耦合变量，设置合理的乘子系数y初值；

(2)对分布式电源台区群优化子问题依次进行计算，并及时更新乘子系数y；

(3)根据原始残差和对偶残差的收敛判据，对其进行收敛性判断，若计算吻合收敛判据，则结束计算并输出优化运行结果；否则迭代次数自动加1返回第步骤(2)，继续更新乘子系数，并开始下一轮的迭代计算。

前述一种多层级优化的高比例分布式电源台区自治控制方法，将式(6)至式(9)、式(13)中的约束条件简化表示成不等约束集合Ω₁、Ω₂，同时，记相关优化变量为并引入指示函数g₁、g₂，定义Ω₁、Ω₂上的g₁、g₂为：

对于式(11)、(12)，也用等式约束集合Ω₃和Ω₄简化表示，则上、下层优化调度问题最终转化成：

结合前述迭代公式及收敛判据，求出优化问题的最优值。

除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (3)

1.一种多层级优化的高比例分布式电源台区自治控制方法，其特征在于，包括：

1)分布式电源台区终端层约束条件：

(1)微型燃气轮机代理和燃料电池代理

作为分布式电源台区中的可控发电资源，微型燃气轮机代理、燃料电池代理向台区代理(TA)上报机组的参数、状态信息，并执行上级代理下发的控制指令，实现网内供需平衡；

微型燃气轮机、燃料电池的发电成本包括燃耗成本、运行维护成本和污染排放成本，即：

C_MT(P_MT(t))＝C_f(P_MT(t))+C_om(P_MT(t))+C_ev(P_MT(t)) (1)

式中，C_MT为微型燃气轮机、燃料电池的发电成本，C_f、C_om、C_ev分别为燃耗成本、运维成本和污染排放成本；P_MT(t)为燃气轮机、燃料电池在时段t的输出功率；C_ng为燃料价格，LHV_ng为天然气低热值，η_MT(t)为微型燃气轮机、燃料电池在时段t内的效率；K_om为运行维护成本比例系数；M表示排放类型，α_i表示排放类型为i的折扣系数，λ_i表示排放类型为i的排放因子；

(2)储能代理

储能具有充放电2种工作状态：当处于充电状态时，被视为负荷；当处于放电状态时，等效为可控电源；储能代理与分布式电源台区代理协调的信息包括SOC、充放电功率，通过储能代理的管理，储能装置平抑新能源出力的波动，在分时电价的环境下实现自身经济效益；

储能设备的运行成本C_B由放电维护成本C_dis以及寿命损耗成本C_cycle组成：

C_B＝δ^dis(t)C_dis(P^dis(t))+C_cycle (5)

式中，δ^dis(t)为0-1变量，表征放电状态，P^dis(t)为储能在时刻t的放电功率，为了限制储能在充、放电状态间频繁转换，充分利用其循环寿命，将储能寿命损耗对应的成本C_cycle计入运行成本中；

(3)风机代理和光伏代理

风机代理、光伏代理代表风机和光伏系统，通过分析历史数据、改进预测技术，提升风机、光伏出力的预测精度，将预测信息上报，并响应分布式电源台区下发的控制指令；

(4)负荷代理

负荷代理具有确定负荷优先级、保证重要负荷优先供电以及根据实际情况平移或中断负荷的功能，在每个时段，负荷代理采集负荷信息，并将负荷信息发送给分布式电源台区代理，请求发起能量协调；

2)分布式电源台区层约束条件：

分布式电源台区代理通过优化调度周期内可控机组出力、储能充放电功率和联络线交换功率的大小，实现分布式电源台区运行成本最小化，目标函数minC_i为：

式中，T为运行总时长，C_i表示分布式电源台区i在调度周期内的运行成本；n_MT、n_FC、n_B、n分别为分布式电源台区i中燃气轮机总数、燃料电池总数、储能装置总数、分布式电源台区总数；C_FC,j为燃料电池的发电成本；C_ex,i为分布式电源台区i的功率交换费用；P_ex,i(t)为分布式电源台区i在时段t的交换功率，正值表示分布式电源台区从外部吸收电能；

终端层和分布式电源台区层优化需满足的约束条件除了功率平衡约束、储能系统运行约束之外，还包括可控机组的运行约束，包括出力范围、爬坡速率和启停时间限制，分别如下：

式中，u^CGU _j,t为0-1变量，表征t时刻机组运行状态，分别为t及t-1时刻机组j的出力范围，P^CGU _j,max、P^CGU _j,min分别为机组出力上、下限；ΔP^CGU _j,up和ΔP^CGU _j,down分别为可控发电机组的爬坡速率上下限；TCGU on,min、TCGU off,min分别为机组开、停机状态持续的最少时段数；

3)分布式电源台区群优化调度约束：

分布式电源台区群层优化对象为整个分布式电源台区群，优化目标为总运行成本最小；分布式光伏台区群代理优先负责分布式电源台区间功率互济，对于功率仍有缺额的分布式电源台区，则向上级电网购电，上层优化的目标函数为：

式中，f为购电费用；P_grid,i(t)为分布式电源台区i在时段t从上级电网吸收的功率；

上层优化的约束条件如下：

(1)功率平衡约束

在并网运行模式下，以分布式电源台区群母线为节点，对每个分布式电源台区有：

式中，Pij ex(t)为分布式电源台区i与分布式电源台区j在时段t的交换功率，以流向分布式电源台区i为正；

(2)边界一致性约束

(3)线路传输容量约束

P_ex,i,min≤P_ex,i(t)≤P_ex,i,max (13)

式中，P_ex,i,max、P_ex,i,min分别为联络线功率传输上下限；

4)优化算法：

采用交替向乘子法，即ADMM算法的优化问题被描述为：

式中，x和z为优化变量，min f(x)+g(z)为待优化问题的目标函数，其中，x∈R^s，z∈Rⁿ，A∈R^p×x，B∈R^p×n以及C∈R^p；

ADMM算法的求解方法使用高斯-赛德尔迭代方法进行求解，其求解方法表示如下：

在每次迭代计算中，共有三步：即求解与x相关的最小化问题，并更新变量x；求解与z相关的最小化问题，并更新变量z；更新乘子y；

ADMM算法的收敛标准为：

式中，和/>分别为第k+1次迭代计算后的原始残差和对偶残差；ε_pri和ε_dual分别为原始残差和对偶残差的容忍上限。

2.如权利要求1所述的一种多层级优化的高比例分布式电源台区自治控制方法，其特征在于，所述ADMM算法的分布式电源台区群优化运行问题的迭代算法步骤如下：

(1)初始化迭代计算中的所有参数，开始时定义迭代次数k＝1，设置原始残差和对偶残差及其惩罚因子，定义ADMM算法的耦合变量，设置乘子系数y初值；

(2)对分布式电源台区群优化子问题依次进行计算，并及时更新乘子系数y；

(3)根据原始残差和对偶残差的收敛判据，对其进行收敛性判断，若计算吻合收敛判据，则结束计算并输出优化运行结果；否则迭代次数自动加1返回第步骤(2)，继续更新乘子系数，并开始下一轮的迭代计算。

3.如权利要求2所述的一种多层级优化的高比例分布式电源台区自治控制方法，其特征在于，将式(6)至式(9)、式(13)中的约束条件简化表示成不等约束集合Ω₁、Ω₂，同时，记相关优化变量为并引入指示函数g₁、g₂，定义Ω₁、Ω₂上的g₁、g₂为：

对于式(11)、(12)，也用等式约束集合Ω₃和Ω₄简化表示，则上、下层优化调度问题最终转化成：

结合迭代公式及收敛判据，求出优化问题的最优值。