一种计及灵活性储备的含风电多微网系统分布式调控方法

本发明涉及多微网分布式优化控制技术领域，尤其是涉及一种计及灵活性储备的含风电多微网系统分布式调控方法。

背景技术：

随着大规模风电的接入以及需求响应技术的推广，对分布式架构下多微网系统实时功率平衡提出了更高的要求，电网应对分布式单元随机波动的快速调节能力成为解决系统稳定运行的关键技术手段，为了应对发电侧与负荷侧的预测误差，系统调度部门需灵活配置备用容量以应对“源-荷”的不确定性和波动性，需要评估系统对于负荷和风电接入的“源-荷”双向变化鲁棒性是否充足，将当前电力系统的备用容量和灵活性概念相结合，对灵活性储备模型进行合理定义。

目前的一些研究本质是将系统的灵活性资源等值成储能元件，因为储能元件具有功率双向流动、状态相关性等特点，可以很好的表征系统的灵活性特性。但这些研究主要都是对“负荷侧”进行灵活性聚合，对于“源侧”分布式风机都是作为不可调控单元进行处理。为了更好的利用“风能”参与系统的有功功率平衡调控，有必要扩展虚拟灵活性电池储备模型以挖掘分布式风机的“风能”中所能获取的备用容量潜力；另外，现有研究一般采用超速控制参与系统调频，由于风机是采用固定减载率参与调频，因此不能根据系统的灵活性需求实时变化调整风机的备用容量。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计及灵活性储备的含风电多微网系统分布式调控方法。

本发明的目的可以通过以下技术方案来实现：

一种计及灵活性储备的含风电多微网系统分布式调控方法，包括以下步骤：

日前调度规划阶段：通过微网下层管理智能体根据灵活性电池储备模型评估每个微网中可调控灵活性资源能力，并确定第i个微网的所有分布式单元可调节灵活性功率的总容量

日内重新调整阶段：通过微网上层全局优化智能体采用分布式一致性算法对各微网承担的负荷进行重新分配；

实时优化运行阶段：通过微网上层局部优化智能体根据日内重新分配结果，进行该时间段内的实时优化运行。

所述的日内重新调整阶段具体包括以下步骤：

1)定义可用灵活性储备作为协调各微网功率分配的指标；

2)将可用灵活性储备作为一致性变量，采用分布式一致性算法对各微网分布式单元承担的负荷进行重新分配，得到每个电网的在下一时刻的灵活性储备容量。

第i个微网的可用灵活性储备的定义式为：

其中，为在t+1时刻第i个微网承担的负荷，为第i个微网的所有分布式电源可调节灵活性功率的总容量。

对于微网中的分布式风电机组，采用可变减载率超速控制对双馈异步风电机组进行调频，将灵活性电池储备模型扩展为由实际灵活性电池储备和虚拟灵活性电池储备构成，则有：

其中，为常规电源提供的灵活性能量，即实际灵活性电池储备，为分布式风电机组提供的灵活性能量，即虚拟灵活性电池储备。

所述的虚拟灵活性电池储备的表达式为：

其中，tdel为能量输入时间段。

所述的实际灵活性电池储备的表达式为：

其中，为负荷的上、下波动变化，ls为t+1时间段负荷，α⁺、α^-为负荷误差下灵活性上、下调需求，αs为机组故障关机需求，为风速误差下灵活性上、下调需求，pw,t+1为在t+1时刻下风机出力，pw,max为风机最大出力，tdel为能量输入时间段。

微网上层全局优化智能体以一个小时为时间间隔，每日进行24次日内重新调整。

在实时优化运行阶段中，微网上层局部优化智能体根据日内重新分配结果，即，获取各微网所需的灵活性储备确定分布式风电机组的减载率d％，则有：

其中，kdel为中间参数，cpmax为mppt模式下风能利用系数，ρ为空气密度，r为叶片半径，vw为风速。

采用多智能体架构对多微网系统进行分布式调控建模实现分布式调控。

在多智能体架构中，智能体分为微网下层管理智能体、微网上层全局优化智能体和微网上层局部优化智能体三类，具体有：

(1)微网下层管理智能体：在多微网系统中，每个微网包含各种分布式单元，每个分布式单元均安装有智能体；

(2)微网上层全局优化智能体：用以实现各微网之间的协调优化；

(3)微网上层局部优化智能体：用以在进行多微网间全局优化后，对各子微网内分布式单元再次优化。

与现有技术相比，本发明具有以下优点：

一、本发明提出的灵活性电池模型能够很好的评估分布式架构下系统的可调用灵活性功率能力，对于调度层而言，只需处理一批“电池”即可了解该区域的可调用灵活性功率潜力。

二、本发明提出将可用灵活性功率作为一致性变量，使得灵活性储备大的微网承担更多的动态功率调节范围，充分挖掘多微网灵活性资源间协调优化潜力，在保障风电消纳的同时规避了微电网向外购电的需求，提高了系统的经济性。

三、风机采用变减载率的超速控制方法设置其出力，使其留有一定的备用容量可以挖掘风机的灵活性调控潜力，在此情况下，可以将风机视为具备一定可控性的单元，更好的实现含风电多微网系统功率的灵活性动态平衡。

附图说明

图1为多微网分布式协调调控流程图。

图2为考虑灵活性储备的风机超速控制策略。

图3为灵活性电池储备模型灵活性评估，其中，图(3a)为可调灵活性功率示意图，图(3b)为灵活性功率包络线示意图。

图4为多微网可调用灵活性功率示意图，其中，图(4a)为各微网可调用灵活性功率比率，图(4b)为各微网负荷承担量。

图5为基于变减载率超速控制调频效应图，其中，图(5a)为变减载下微网动态频率偏差，图(5b)为变减载下微网有功功率变化。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

如图1所示，本发明提供一种计及灵活性储备的含风电多微网系统分布式协调调控方法，根据时间尺度分为三个阶段：日前调度规划阶段，日内重新调整阶段和实时优化运行阶段。其中，日前调度规划阶段由微网下层管理智能体执行，日内重新调整阶段由微网上层全局优化智能体决定，实时优化运行阶段由微网上层局部优化智能体实施，具体为：

阶段1、日前调度规划：通过微网下层管理智能体，对于单个区域微网中所有可调控灵活性资源进行整合与评估，确定灵活性电池储备模型的参数。

阶段2、日内重新调整：由于风功率的波动以及负荷的变化特性可以理解为一个随机的过程，根据需求侧响应的负荷变化数据，运用分布式一致性算法对各微网分布式单元承担负荷变化量进行重新分配。该阶段由微网上层全局优化智能体执行并在一天更新几次，本发明选取一个小时为时间间隔，进行24次日内重新调整。

阶段3、实时优化运行：微网上层局部优化智能体根据日内重新安排的结果，进行该时间段内的实时优化运行。其中实时功率的不平衡可能是由于负荷和间歇性发电机的连续变化、预测的误差或常规能源发电机在计划外的启停以及在运行点的爬坡率不协调所造成。

1、多智能体系统建模

本发明采用多智能体架构(mas)对多微网(mmg)系统进行分布式调控建模。在多智能体架构中可将智能体分为微网下层管理智能体、微网上层全局优化智能体和微网上层局部优化智能体三类，对应的具体功能如下：

(1)微网下层管理智能体：在多微网系统中，每个微网包含各种分布式单元(distributedunit，du)，每个分布式单元都安装有智能体。

(2)微网上层全局优化智能体：该智能体负责多微网之间的协调优化。

(3)微网上层局部优化智能体：在进行多微网间全局优化后，对各子微网内分布式单元再次优化。

2、灵活性电池储备模型

本发明从能量维度定义灵活性电池储备模型(flexibilitybatteryreserve,fbr)，评估分布式架构下微网i中可调节灵活性功率的能力。

定义多微网系统的功率状态变量{pk}k∈k满足：

式中，为微网i在t时刻的运行状态；为微网i的灵活性电池储备模型在时间δt内可调节灵活性功率；为在t+1时刻，第i个mg中灵活性储备能量；为第i个微网灵活性能量下调、上调约束；η+、η-为其充、放电效率。严格地说充放电效率并不是一个常数，而是和微网运行状态相关。

3、考虑灵活性储备分布式风电机组超速控制策略

为了充分挖掘分布式风电机组提供的灵活性备用容量，本发明采用可变减载率超速控制对双馈异步风电机组进行调频，将风电机组所能提供的灵活性储备定义为虚拟灵活性电池储备模型。

对分布式风机所能调控的灵活性功率进行定量分析，将定义的fbr模型扩展成由实际灵活性电池储备(realflexibilitybatteryreserve，rfbr)和虚拟灵活性电池储备(virtualflexibilitybatteryreserve，vfbr)构成：

式中，为常规电源提供的灵活性能量；为分布式风机提供的灵活性能量。

通过虚拟灵活性电池储备模型计算出在不同风速下，dfig所能提供的灵活性储备，将得到的数值保存在查找表中。在实时优化阶段dfig通过在不同风速下在线选择查找表格中对应的灵活性储备数值以确定difg减载率，修正风机功率基准值。考虑灵活性储备的风机超速控制策略框图如图2所示。注入信号可以通过rocof或频率偏差，或者设定的转子转速偏差对有功功率参考值进行修改。

一致性变量设计

为了量化每个微电网所能提供的灵活性功率，结合上述的灵活性电池储备模型概念，定义每个微电网的可用灵活性储备。将每个微电网的可用灵活性储备作为一致性变量，定义

式中，为第i个微网可用的灵活性储备；通过可用灵活性储备的概念使得灵活性储备容量大的微网承担更多的“源荷”不确定性波动，更好的利用微网中可调控灵活性资源。

实施例

对于含有分布式风机的多微网系统进行可调用灵活性功率的协调优化，根据时间尺度分为三个阶段：日前调度规划阶段，日内重新调整阶段和实时优化运行阶段。其中日前调度规划阶段由微网下层管理智能体执行，日内重新调整阶段由微网上层全局优化智能体决定，实时优化运行阶段由微网上层局部优化智能体实施。

为了验证本发明所提的多微网分布式协调调控策略的有效性，通过华东某地区实际数据对微网进行相关仿真验证。

日前调度规划

将需求响应下的负荷功率曲线作为各微网所应承担的负荷量，同时基于灵活性电池储备模型，对微网灵活性进行评估。

从图(3a)可以看出，当不考虑风机的虚拟灵活性电池储备模型时，微网1的最大出力为蓝色曲线gmax，最小出力为红色曲线gmin，虚线阴影部分为微网1的出力调节范围，在采用需求响应技术后负荷曲线由原先的紫色曲线load变为橙色曲线lde。lmin、lmax、lav分别为微网1的最小负荷承担量、最大负荷承担量和平均负荷承担量。在部分时间段内lde曲线不在gmax与gmin所形成的功率包络线范围内(橙色虚线部分)，无法实现源-荷的动态功率平衡。

如图(3b)所示，其中绿色曲线为考虑风机备用容量的灵活性可调用功率g′max，蓝色曲线为需求响应下负荷曲线lde，“源-荷”间功率缺额为图中红色面积部分。当考虑风机的虚拟灵活性电池储备模型时，虚拟灵活性电池模型估计的dfig可调备用容量为此时微网1在大部分时间段内lde都在新的最大出力g′max功率包络线范围内，即大部分时间均可以实现源-荷动态平衡。

日内重新调整

以1个小时为时间间隔估算各微网的负荷承担功率，微网上层全局优化智能体根据可用灵活性储备指标安排各微网分布式单元所应承担的负荷需求变化量。将mg中日前调度规划阶段微网下层管理智能体计算得到的灵活性储备容量值作为灵活性可调用功率指标，在应对负荷侧总需求的变化时，实现多微网内灵活性资源的协调优化。以图(4a)为例，根据各微网可用灵活性功率比率所得的一致性变量变化图，可以看到当发生负荷需求量变化时，各微网可用灵活性功率比率仍然可以收敛到新的最优可用灵活性功率比率。图(4b)为此时4个微网的负荷承担量。

实时优化运行

在此阶段仿真对比了固定10％减载率、考虑灵活性储备的可变减载率及未加超速控制三种方法下微电网频率及有功功率变化。图(5a)为风机实测的一组风速数据，并在45s时发生2mw的负荷变化，仿真时长为100s。相应的微电网频率、dfig有功功率以及减载率取值分别如图5所示。从图(5b)可得，在45s时发生负荷扰动时，变减载率控制下的微网动态频率偏差远小于固定减载率情况。由图(5c)可得可变减载率控制方法dfig输出的有功功率稍低于固定减载率情况，这部分有功功率为dfig参与微网频率控制提供了更多的备用容量。通过灵活调控风机转子侧隐藏的动能可以更好的实现“源-荷”间实时功率平衡，提高系统动态调频能力。