基于分布式發(fā)電的微網(wǎng)智能優(yōu)化控制策略研究.pdf

1、基于分布式發(fā)電的微網(wǎng)運行控制是智能電網(wǎng)技術的重要發(fā)展方向。由于分布式發(fā)電類型多樣、運行特性差異大、實時波動明顯，使得含多種分布式發(fā)電單元、負荷和儲能元件的微網(wǎng)運行環(huán)境的復雜性和動態(tài)性大大增加，帶來系統(tǒng)運行和控制方面的諸多技術難題。因此，深入了解分布式發(fā)電特性和微網(wǎng)內部各單元的關系，研究微網(wǎng)不同運行狀態(tài)下的有效控制方法，是實現(xiàn)基于分布式發(fā)電的微網(wǎng)穩(wěn)定運行和大規(guī)模應用需要解決的關鍵技術之一。
　　本文圍繞基于分布式發(fā)電的微網(wǎng)運行控制問

2、題開展相關研究。緊密結合實際應用需求，開展分布式發(fā)電功率變化趨勢特征分析和功率預測方法研究;針對微網(wǎng)孤島模式下的優(yōu)化控制問題，研究在微網(wǎng)內部分布式電源和負荷變化時，實現(xiàn)各電源對負荷分配的優(yōu)化方法;針對市場實時電價的發(fā)展趨勢，設計微網(wǎng)聯(lián)網(wǎng)模式下的多智能體系統(tǒng)，提出基于關鍵變量變化率的動態(tài)分層強化學習方法，完成微網(wǎng)智能體系統(tǒng)的最優(yōu)策略搜索，實現(xiàn)聯(lián)網(wǎng)模式下微網(wǎng)的優(yōu)化控制目標。具體而言，本文的主要研究成果包括以下幾個方面:
　　(1)提出

3、綜合功率坡度事件預測和風速預測的風電功率智能預測方法
　　針對風電功率預測誤差較大，難以滿足調度時長要求的問題，提出能兼顧預測時長和預測精度的風電功率智能預測方法?；诂F(xiàn)場數(shù)據(jù)進行統(tǒng)計分析，研究風電功率坡度事件及其變化特性，運用多支持向量機方法實現(xiàn)風電功率坡度事件的前向多步預測。運用自適應小波神經(jīng)網(wǎng)絡實現(xiàn)前向30小時為周期的風速預測。綜合風電功率坡度事件預測和風速預測，運用改進的徑向基神經(jīng)網(wǎng)絡建立風電功率的智能預測模型，通過網(wǎng)絡輸

4、入變量權重調整和參數(shù)在線學習更新，有效識別風電功率變化的動態(tài)性和非線性。運用現(xiàn)場風電數(shù)據(jù)開展仿真，通過與FFNN、PER、NR模型的對比實驗表明，本文提出的智能預測方法兼顧風電功率預測的時長和精度要求，實現(xiàn)30小時范圍內的風電功率有效預測，為提前1天優(yōu)化調度提供可靠的技術途徑。
　　(2)提出一種微網(wǎng)孤島模式下負荷分配的改進控制策略
　　以含多個分布式電源的微網(wǎng)為對象，分析傳統(tǒng)電壓/頻率（V/f）下垂特性控制方法的不足，本文

5、基于電壓/相角(V/δ)下垂特性控制思想，并在基本公式中增加有功/相角(P-δ)下垂控制修正項和無功/電壓(Q-V)下垂控制修正項，以有效跟蹤功率變化的動態(tài)特性，使控制參數(shù)能隨著負荷變化的幅度而動態(tài)調整，優(yōu)化微網(wǎng)內部的負荷分配。同時，設計輔助控制器，對每個逆變器參考電壓的d軸分量進行修正。在孤島模式下，設計微網(wǎng)平穩(wěn)運行和急劇變化兩種情形，分別采用低P-δ下垂因子和高P-δ下垂控制因子進行對比實驗，結果表明，本文的控制策略可有效防止當負荷

6、或電源顯著變化時系統(tǒng)發(fā)生震蕩，并能明顯優(yōu)化負荷的分配，保證系統(tǒng)穩(wěn)定。
　　(3)設計聯(lián)網(wǎng)模式和實時電價環(huán)境下的微網(wǎng)多智能體系統(tǒng)
　　針對分布式發(fā)電的廣泛應用和電力市場化發(fā)展的趨勢，建立含本地控制器、微網(wǎng)管理器和分布式管理系統(tǒng)的微網(wǎng)分層控制結構。在分層控制架構下，突出微網(wǎng)分散控制特點，綜合考慮實時電價和微網(wǎng)內部運行成本，確立微網(wǎng)優(yōu)化控制目標函數(shù)。設計聯(lián)網(wǎng)模式下微網(wǎng)的多智能體系統(tǒng)結構，完成智能體系統(tǒng)中各類智能體和變量的定義，確定

7、智能體學習中的立即獎賞值函數(shù)，提出反映微網(wǎng)系統(tǒng)整體變化特征的“趨勢”變量，以實現(xiàn)狀態(tài)簡化，確定了微網(wǎng)多智能體系統(tǒng)的具體工作流程。設計的微網(wǎng)多智能體系統(tǒng)不依賴各智能體之間的實時通信，能適應實時電價環(huán)境，符合微網(wǎng)應用的現(xiàn)實特點，為微網(wǎng)聯(lián)網(wǎng)模式下的優(yōu)化控制提供基礎。
　　(4)提出多智能體DHRL-RCSV算法，實現(xiàn)微網(wǎng)聯(lián)網(wǎng)模式下的優(yōu)化控制
　　為緩解微網(wǎng)復雜未知環(huán)境下應用強化學習帶來的“維度災難”問題，本文提出基于關鍵變量變化率

8、的動態(tài)分層強化學習(DHRL-RCSV)方法，提高聯(lián)網(wǎng)模式下多智能體系統(tǒng)的學習效率，實現(xiàn)微網(wǎng)優(yōu)化控制。以市場電價為關鍵變量，通過識別電價信息中的瓶頸狀態(tài)點，實現(xiàn)學習任務的自動分層，生成微網(wǎng)優(yōu)化控制的類MAXQ分層結構。基于新的分層結構，采用貝葉斯-MAXQ算法來學習遞歸最優(yōu)策略。通過實驗分析表明，本文提出的DHRL-RCSV算法可顯著提高未知環(huán)境下智能體的自學習效率，使微網(wǎng)內部負荷、分布式電源和儲能單元的行為動作能根據(jù)市場電價波動不斷優(yōu)