主动配电系统分区分布式牵制群控技术研究
项目来源
项目主持人
项目受资助机构
项目编号
立项年度
立项时间
研究期限
项目级别
受资助金额
学科
学科代码
基金类别
关键词
参与者
参与机构
项目受资助省
项目结题报告(全文)
1.基于多时步滚动优化的主动配电网集群划分研究
- 关键词:
- 动态集群划分;主动配电网;支路切割枚举法;多时步滚动优化;两阶段同步回代缩减法
- 沈紫峰
- 指导老师:南京理工大学 杨伟
- 0年
- 学位论文
将复杂的主动配电网划分为多个规模较小,结构较简单的区域,是主动配电网降低控制难度和维度的重要方式。将主动配电网划分为多个集群,各个集群作为整体进行调控,有利于主动配电网的分层分区控制。基于此,面向主动配电网的集群划分问题进行探究,主要包括以下几个方面:(1)利用支路切割枚举法对主动配电网集群划分进行求解,包括基于二阶锥松弛规划求解系统潮流,将主动配电网抽象为一个图,并利用广度优先搜索算法对各集群划分方案的图进行搜索,获取集群划分所需信息,计算比较得到最优集群划分方案。防止出现集群内各节点不连通的现象,还可以保证各个集群内、不同集群之间没有重复的节点,并且所有节点均包含在划分的集群里。(2)提出考虑通信设施规划的主动配电网集群划分方法。基于通信投资、集群供电率、集群间功率交互以及控制维度构造主动配电网集群划分优化模型并进行求解,得到各指标综合最优的集群划分方案。同时利用仿真对不同目标函数结果以及参数灵敏性进行了研究。仿真结果表明,各目标函数权重以及参数设置对集群划分结果有着很大的影响,因此需要考虑具体情形和需求针对性确定各目标函数权重及参数设置。(3)主动配电网状态不断变化,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。基于此,针对主动配电网的动态集群划分,将多时步滚动优化的思想应用到主动配电网的动态集群划分当中,计及系统不确定性,提出基于多时步滚动优化的主动配电网动态集群划分方法。考虑集群供电率、集群间功率交互、控制维度以及集群划分结果变动构造主动配电网动态集群划分优化模型并进行求解。基于各不可控单元预测偏差概率分布模型,利用Monte Carlo抽样法获取各不可控单元初始场景集合,利用两阶段的同步回代缩减法对初始场景集合进行缩减获取主动配电网典型场景集合。系统不断滚动寻优,并以更短的时间间隔进行反馈校正,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集群划分的不利影响,抗干扰能力强。并利用仿真检验了所提动态集群划分算法的有效性。
...2.基于强化学习的孤立微电网分布式二次控制
- 关键词:
- 孤立微电网;二次控制;强化学习;牵制控制;分布式控制
- 李娜
- 指导老师:南京理工大学 张俊芳
- 0年
- 学位论文
微电网作为一种传统电网接入分布式电源(Distributed Generators,DGs)运行后的有益补充,其能够运用各种电力技术弥补DGs出力不确定性的不足,并在孤岛状态下最大程度保障用户的供电可靠性。但是由于其系统惯性时间常数较小,孤立微电网频率电压响应速度较快,因此研究微电网孤网运行时的控制问题,从而保障电网频率电压稳定性就显得十分必要。由于孤立微电网中逆变器通常采用下垂控制方式运行,本文主要研究了孤立微电网在对等运行模式下的二次控制技术,旨在解决一次控制引起的电压频率偏差问题。为了弥补传统二次控制方法在控制器设计、通信、计算等方面存在的不足,本文从分布式信息交互、微电网运行控制方式、二次控制方法等方面入手,结合人工智能领域的强化学习算法,提出了基于强化学习的孤立微电网分布式二次控制策略,智能化决策解决孤立微电网一次控制中的频率电压偏差问题。主要内容有以下几方面:(1)介绍了微源逆变器有功无功控制(Active power and reactive power control,PQ控制)、恒压恒频控制(Voltage/frequency control,V/f控制)、下垂控制(Droop control,Droop控制)的三种典型控制方式,研究了其相关控制原理和模型,并针对微电网中线路电阻不可忽略的实际情况,引入虚拟阻抗环实现下垂解耦控制。进一步研究了微电网主从、对等、分层三种运行控制方式的特点,为后续孤立微电网二次控制提供理论支撑。(2)针对集中式控制存在的缺点,本文采用分布式系统架构实现孤立微电网二次控制。首先从典型的分布式信息交互方法入手,进一步拓展采用牵制一致性算法实现分布式控制。该方法具有控制器安装数目少,通信结构简单等特点。在对等控制模式下,提出了基于牵制一致性的孤立微电网二次控制策略。通过对牵制点预设二次控制参考值,其余智能体(agent)按照通信结构向牵制点搜寻同步,不仅解决了孤立微电网一次控制中的电压频率偏差问题,同时还能够满足适应微电网结构变化的需求。(3)考虑微电网二次控制模型的多样性和问题求解的复杂性,引入强化学习方法通过智能决策实现孤立微电网二次控制的目标。分别介绍了Q学习和Q(λ)学习两种强化学习方法的相关模型,并进一步结合牵制控制方法,提出了基于QP学习(Q&Pinning learning)和QP(λ)学习(Q(λ)&Pinning learning)的孤立微电网分布式二次控制方法,将强化学习动作实施这一步骤用牵制控制方法替代,既保留了强化学习自主学习控制、智能决策的优点,又减少了强化学习控制器的数目,极大地降低了通信和计算成本。并进一步在对等控制模式的孤立微电网中对比分析了多种分布式二次控制方法的实施效果,说明本文所提的基于强化学习的孤立微电网分布式二次控制方法的改进优势。
...
