一种基于平滑分布式多目标ADP的电力系统最优运行控制方法

《Sustainable Energy Technologies and Assessments》：A smooth distributed and multi-objective ADP-based power system optimal operation control method

　　陈荣军|方志昭|袁军|周嘉宇|刘群|曾贤贤|李佳文中国广东省广州市广东技术师范学院计算机科学与技术系，邮编510665

摘要
本文提出了一种用于分布式微电网能源管理系统（DMEMS）的机制-数据协作式在线最优控制方法，以应对可再生能源和负荷的波动以及多个微电网之间的实时协调问题。该方法利用滚动预测网络来预测光伏发电量和负荷需求，并将这些预测结果与充电状态等运行状态相结合，形成在线决策输入。通过采用自适应动态规划算法，可实现每个微电网中近乎最优的储能充放电控制，而具有阈值保护和区域调节功能的平滑过渡分布式共识算法则确保了电力协调。最终指令是通过加权融合ADP算法的结果与分布式协调结果得到的。仿真结果表明，该方法能够将充电状态稳定在参考值附近，提高本地光伏资源的利用率，快速将共识误差控制在较小范围内，并使调度指标保持在96.51%以上，从而证明了其有效性和工程应用价值。

引言
全球能源需求的增长使得发展可再生能源成为至关重要的方向[1]、[2]。为实现分布式可再生能源更稳定的整合并提升本地能源利用水平，微电网需要对其内的分布式电源、储能设备以及负荷进行统一协调。这就要求有高效的能源管理系统以及协调控制机制，以便在经济可行性与供电可靠性之间取得平衡[3]、[4]、[5]、[6]。然而，可再生能源和负荷模式的频繁波动以及不确定性增加，给预测和调度带来了更大挑战[7]、[8]、[9]、[10]。为减轻不确定性的影响，研究人员不断改进预测网络[11]、[12]、[13]、[14]。不过，预测信息仍需进一步整合到实时的能源管理系统和控制流程中。为满足这一需求，现有研究探索了多种方法，如多时间尺度能源管理系统架构、基于学习的控制策略以及考虑运行约束的在线决策方法[15]、[16]、[17]、[18]。总体而言，在多智能体协作和在线优化方面，虽然分布式协作调度和自适应动态规划等方法已提供了有益的思路，但仍有改进空间[19]、[20]。因此，对分布式微电网能源管理系统进行在线优化控制研究具有重要的理论意义和工程应用价值。

目前，全球范围内关于微电网最优运行和控制的研究主要集中于系统建模和优化方法。在预测和建模方面，有文章[21]利用变换器和循环神经网络实现多步光伏功率预测；文章[22]建立了基于多因素和多尺度方法的负荷预测模型；文章[23]则结合物理机制和气象预报来实现小时级屋顶光伏功率预测。然而，这类预测网络对精度较为敏感，且在面对运行状况变化时性能可能会波动。许多研究主要集中在预测模型本身，而对如何将预测结果应用于控制等下游领域关注相对较少。在优化控制算法方面，有论文指出，下垂控制仍是传统机械控制的主流框架[24]、[25]，文章[26]则在此基础上调整下垂系数以提高电力分配的准确性。不过，这类控制算法在应用于微电网这类复杂、高维且非线性的系统中时，往往会产生较大的计算开销。随着状态变量和约束条件的增加，计算复杂性会迅速上升，从而加重在线计算的负担并增加部署难度。优化算法中的自适应动态规划为实现近似最优控制提供了一条在线路径，近年来已在多种场景中得到应用[27]。文章[28]介绍了启发式动态规划及其基于动作的改进版本的结构，后者通过明确纳入动作信息提升了策略评估和迭代效率。在微电网应用中，自适应动态规划已被用于事件触发式的微电网频率控制，以提高系统的抗干扰能力[29]，同时也被用于带有虚拟同步发电机的交流微电网的最优频率控制[30]。在更一般的复杂系统中，自适应动态规划还被应用于飞机容错控制、移动机器人跟踪以及工业过程优化等任务[31]、[32]、[33]。然而，这些研究仍需与更精确的预测网络相结合，才能更好地应对DMEMS中可再生能源发电和负荷的波动，提升在线决策的稳健性。同时，现有的研究大多在集中式或单一目标系统上进行了验证，将自适应动态规划与分布式协调机制相结合以实现DMEMS的在线能源管理的研究还相对有限。

DMEMS具有很强的非线性特征，可再生能源发电量和负荷需求存在较大波动，因此需要实时响应。为此，本文采用实时自适应动态规划算法，提出了一种用于储能系统充放电的在线优化控制方法。本文的创新点如下：（1）本文提出了一种适用于分布式多微电网的机制-数据协作建模框架，该框架通过多因素融合预测来支持多目标优化，以实现较高的光伏资源利用率和较低的总体成本。具体而言，我们首先采用带有查询-键值自注意力机制的滚动预测网络，来在线预测光伏发电量和负荷需求。该预测网络整合了总辐照度、散射辐照度、环境温度、气压以及实时电价等多种关键影响因素，从而提高了对光伏发电量和负荷需求的预测精度。在每个滚动预测时段内，预测得到的光伏/负荷信息会与充电状态等系统状态变量一起被整理起来，作为后续控制阶段所需的输入数据。在此基础上，我们为每个微电网建立了在线决策机制，并引入优化算法来解决多目标优化问题，进而生成储能系统的充放电指令。优化目标同时注重提高光伏资源利用率和降低总体成本，其中成本又可进一步分解为电网购买成本惩罚项以及与储能系统退化相关的成本项（通过惩罚充电状态偏离0.5的值来实现）。此外，我们还构建了一种基于分布式机制的协调机制，以实现多个微电网之间的电力协调和约束一致性。总体而言，所提出的框架将基于机制的协调方法与数据驱动的预测方法相结合，为后续的合作式最优控制策略及其工程实现提供了实用的基础。（2）本文进一步通过将一种新型的分布式共识算法与单个微电网的自适应动态规划优化相结合，发展出了的一种合作式最优控制策略。具体来说，自适应动态规划利用预测网络提供的滚动预测信息作为先验支持，从而在线为每个微电网中的电池储能系统生成最优的充放电功率，实现实时响应和自适应调节。与此同时，我们设计了一种具有平滑过渡特性的分布式共识算法；为提高安全性和工程可行性，该算法还加入了阈值保护机制和区域调节规则。在区域切换过程中，控制信号会持续变化，且始终处于规定的操作范围内。最后，通过加权组合将分布式合作控制输出与单个微电网的自适应动态规划最优输出结合起来，从而得到最终的充放电指令，使得合作约束和性能优化能够在同一个控制通道中得到体现。

本文的其余结构如下：“系统描述”部分介绍了研究问题和研究目标；“运行控制方法优化”部分详细阐述了用于最优控制方法的分布式控制算法和自适应动态规划控制算法；“实验”部分通过实验对研究成果进行了验证；“总结”部分则对全文进行了总结，并展望了未来研究方向。

问题描述
图1展示了DMEMS的架构，整个系统由四个微电网组成。这些微电网通过线路电阻roi与一个共同的直流母线相连，该直流母线具有电容Cdc和电压vdc。这个直流母线再通过转换器与三相交流主电网相连。第i个微电网MGi从直流母线侧获得输入电流ioi，具有输入电压voi，其电池储能系统BESSi则具有输出电流iLi。BESSi具有初始状态……

运行控制方法优化
DMEMS的直流母线电压是通过三相交流主电网的传统电压控制方式来稳定的。考虑到不同微电网单元中的电池储能系统容量各不相同，本文中的所有BESSi都采用相同的vbati值，以便获得准确的共享电流值。此时，每个电池储能系统的电流必须与其容量成正比。对于第i个和第j个电池储能系统，必须满足以下方程：iL……

实验
本文在MATLAB/Simulink平台上进行了实验验证，旨在检验该方法的有效性和稳健性。所有实验都在相同条件下重复进行，数据处理也遵循预定的规范，以确保结果的可重复性和可比性。仿真时间统一设置为1秒，以此模拟现实世界中的15分钟时间。因此，1天的仿真时间为96秒，1周则为672秒。微电网之间的邻接关系为……

总结
本文针对由于可再生能源发电和负荷的波动及不确定性所导致的DMEMS中的在线决策难题，开发了一种集成机制-数据协作的最优控制框架。该框架将滚动预测信息融入到单个微电网的自适应动态规划优化中，同时还与其相结合的分布式共识协调机制相配合，从而满足了实时运行、经济性能等方面的要求。