基于模糊與一致性復合智能算法的“源-網-荷-儲”協同控制策略研究

張林垚，黃東明，王彥銘，陳垣瑋，倪識遠

（1.國網福建省電力有限公司經濟技術研究院，福建 福州 350012；2.國網泉州供電公司，福建 泉州 362000；3.國網福州供電公司，福建 福州 350004）

隨著社會生產生活水平的不斷提高，傳統化石能源仍占據著能源消耗的主要地位，不僅造成了環境惡化和全球溫室效應，還導致以石油、煤炭為主的傳統能源耗竭，進而引發能源短缺問題[1-2]。因此，清潔能源成為了能源發展的必然趨勢，亟待通過清潔能源的發展改革現有能源結構[3-4]。隨著國家層面上通過出臺一系列相關政策促進新能源發展，進一步引領電力電子技術等新興技術與產業發展，特高壓、儲能、抽水蓄能、綜合能源、增量配電等迎來發展關鍵窗口，電力系統供電模式將從單一能源供應側轉化為雙邊“源荷互動”復雜多邊系統，滿足可再生能源大規模并網、輸送以及消納，同時也給電網安全、可靠的運行造成了挑戰[5-6]。

由于可再生能源存在不確定性、間歇性特征，并網后將影響用電側連續、可靠用電。因此，充分發揮多種電源、電網平臺、負荷之間的特點，借助電網和負荷控制的靈活性、電源之間互補性、儲能可調性，達到“源-網-荷-儲”動態調節和相互協調，提升負荷和電源之間穩定供應抵抗風險能力[7]。然而目前主要是針對其中的2～3個因素的協同作用進行了研究，例如：源-源[8]、源-網[9]、網-荷-儲[10]以及源-網-荷[11]等，然而目前綜合分析“源-網-荷-儲”4個因素的協同控制方法仍鮮有研究。

針對主動配電網的協同優化方法通常采用集中優化法、分布優化法以及智能算法[12]。集中式優化算法通過集中中心與主動配電網內所有源、網、荷、儲建立聯系實現信息交換，如拉格朗日乘子法[13-14]。分布式算法則是通過減小模型的復雜度，提高求解效率，如拉格朗日松弛法、交替乘子迭代法等[15-16]。智能算法能夠在多目標、非線性的環境中尋找最優解，具有較好的全局優化能力和魯棒性，常用的有粒子群算法、遺傳算法等[17]。然而，在如今的配電網系統中可再生能源滲透率高，其傳統的優化方法已經無法滿足實際需求。因此，亟待研究一種能夠綜合考慮“源-網-荷-儲”協同控制策略，其對電網系統發展是至關重要的。

本文為了優化“源-網-荷-儲”協同控制策略，針對基于模糊與一致性復合智能算法的“源-網-荷-儲”協同控制策略展開了一系列研究。首先分析“源、網、荷、儲”4個因素的基礎特性和互動特性，其次結合電源、儲能、負荷的反饋特征和風電的不穩定性，從而構建系統的動態協調最佳控制模型，提出通過用模糊策略改進粒子群算法再結合一致性算法的復合智能算法，然后針對相關算例進行求解，進而驗證該策略的可靠性，其結果具有一定的工程實際意義。

1 源網荷儲互動特性

1.1 源-網-荷-儲基礎特性

“源-網-荷-儲”的全面互動以及協同調節是主動配電網協同控制的必然趨勢，通過多種技術與管理手段，促進電力系統動態平衡能力提升及實現資源最大化經濟化調度模式[8-12]。

1.1.1 源層特性

電源層是主動配電網的源頭，主要有可調度同步機組、新型雙饋感應風機、傳統異步感應風機和交直流互相轉換的光伏發電系統。可調度同步機組包括小水電機組和燃氣輪機等，具有同步勵磁的電壓支撐和快速的有功功率調節性能，其在有功功率中對頻率變化呈現出負響應特征，在系統頻率響應中，其一次調節方式如下：

式中：P，P*分別為同步電機組的實際輸出功率及其恒輸出功率中的有功功率；α為同步燃氣輪機的頻率特性系數；Δf為系統實際頻率與額定頻率的偏差值。

1.1.2 網層特性

隨著大量的分布式能源、具有不穩定性的風能和光能并網，使得系統的穩態潮流分布以及電能傳輸的單一性出現變化，進而影響了系統的安全、穩定和可靠的運行。交互成本CJ與交互功率PJ（t）關系為

式中：Cb（t），Cs（t）分別為t時段內微電網和大電網之間交互功率的購電狀態以及售電狀態；m（t），n（t）分別為t時段內微電網和大電網之間交互功率的購電價格以及售電價格；N為調度時段總數。

1.1.3 荷層特性

主動配電網中的負荷層對系統的電壓以及頻率呈現出負反饋特征，即在電力系統的頻率增大或者降低時將會引起負荷消耗電功率同步升高或降低，從而對系統頻率進行調節，阻礙其頻率再增大或減小；若其系統電壓增大或減小，將會引起負荷消耗電功率升高或降低，造成電壓降的升高或降低，進而阻礙電壓再升高或減小。因此，在系統運行優化策略上更應注重實際。電力負荷有功功率的上述特性的靜態模型表示如下：

式中：P1，P2，P3分別為系統負荷的恒定阻抗、恒定電流以及恒定功率中的有功功率部分；PN為系統負荷的額定功率；V，V0分別為系統的實時電壓以及初始電壓；Lf為頻率出現變化時對系統負荷所引起的有功功率變化。

1.1.4 儲層特性

儲能在電源側可以減小可再生能源的不確定性所帶來的影響，有利于可再生新能源的消納，減小運行成本；在負荷側則可以完成負荷的削峰填谷，降低備用機組的容量以及提升供電靈活性。模型表示為

式中：Es（t），Es（t-1）分別為t時段和t-1時段的電儲能容量；δs為儲能自放電率；ηsc為儲能充電效率；ηsd為儲能放電效率；Psc（t），Psd（t）分別為充電、放電功率。

1.2 源-網-荷-儲協調優化

隨著能源互聯網的不斷深化，“源-網-荷-儲”協同控制被賦予更深的意義。在此背景下，“源-網-荷-儲”協同調節模式的主要結構如圖1所示。“源”指能源資源，主要包括石油、電力、天然氣等；“網”指資源網絡，主要包括電網、石油管網、供熱網等；“荷”不僅表示電力的負荷，還表達用戶的能源要求；而“儲”則是表示能源資源的多種倉儲設施和儲備方案。通過能源互聯網最終將實現橫向多源互補以及縱向“源-網-荷-儲”協調[18]。

圖1 “源-網-荷-儲”協同調節模式Fig.1“Source-grid-load-storage”coordinated operation mode

2 源-網-荷-儲最佳協同優化模型

將向電網系統輸入功率設成正，從系統吸收功率則設成負，則系統中有功功率平衡約束如下：

式中：PW，r為再生能源r的有功功率；NW為可再生能源側的索引；PB，m為儲能m的有功功率；NB為儲能側的索引；PG，k為傳統發電機k的有功功率；NG為發電機側的索引；PD，l為負荷l的有功功率；ND為負荷側的索引。

如果可再生能源輸送功率無法全部供給負荷，那么傳統發電機的成本關系定義為

式中：ak，bk，ck分別為機組k的燃料費用系數。機組出力范圍如下：

式中：PminG，k為傳統發電機k的有功出力下限；PmaxG，k為傳統發電機k的有功出力上限。

一般情況下，發電機效率與用戶所消耗電量正相關，因此，假設負荷的負利潤函數為

式中：al，bl均為負荷利潤系數。

彈性負荷具有一定的調節范圍：

式中：PminD，l為負荷 l的有功出力下限；PmaxD，l為負荷l的有功出力上限。

將損耗近似成負荷的線性函數，從而表達損耗對總成本所產生的影響，損耗為

式中：sl為傳輸損耗因子。

因此，負荷l實際消耗的功率則為

根據電網有功功率平衡約束條件，其損耗也應被考慮：

針對儲能設備的成本關系表達以及功率約束能夠定義為

式中：am為儲能成本系數。

儲能設備具有一定的調節范圍：

式中：PminB，m表示儲能m的有功出力下限；PmaxB，m為儲能m的有功出力上限。

系統中決策主體電源、負荷以及儲能的成本函數或者其負利潤關系如圖2所示。

圖2 電源、負荷以及儲能的成本函數和負利潤函數Fig.2 Cost function and negative profit function of power supply，load and energy storage

圖2中，參數x和y分別代表了各決策主體的輸出功率和成本。電源是電能的生產者，其生產成本和邊際成本呈現正相關關系；針對負荷來說，假定其功率是負數，該負利潤則隨著負荷變大而增大，最終將趨于飽和；針對儲能來說，其具有雙向性，不僅可以作為源，也是一個負荷，既具有充電功能，也能進行放電。

假設系統中發電機k、負荷l、可再生能源r以及儲能m各個決策部分均擁有各自獨立的本地代理。為了能夠統一且有效地進行分析，將代理i管理功率均用Pi進行表示，該邊際成本λi則被定義為

其中，參數i根據需求可取k，l，r以及m。

根據等耗量微增量的規律，各參數的可出力功率被定義為

式中：λ*為邊際成本最佳結果。

3 模糊與一致性復合算法控制策略

3.1 模糊化量子行為粒子群算法

在量子行為粒子群算法里，其粒子情況則利用薛定諤方程中的波函數φ（x，t）進行變現，各個粒子均能用各自的吸引子 pi=[pi1，pi2，…，pin]來收斂到一定區域，吸引子可由下式計算得到：

式中：pi，j，Pi，j分別為第 i個粒子所對應的吸引子的第j維以及第i個粒子個體最好位置的第j維；φi，j為一個在[0，1]的范圍內，且服從均勻分布的隨機數；Gj為全部粒子在整體中最佳位置的第j維。

粒子不斷變化位置，其更新公式為

式中：Xi，j為第i個粒子的第j維；u，k均為在[0，1]范圍內且服從均勻分布的隨機數；α為收縮擴張因子，該值一般能夠通過固定取值方法或者線性下降取值方法進行確定；Cj為全部粒子里個體平均最佳位置。

Cj的計算公式為

式中：M為粒子的個數。

針對較為復雜的系統網絡，在對同一個位置進行解空間時，可能造成出現并列的兩類或者多類的優化對象，則一些特別的情況下，需要對全局最優值展開同步搜索。比如，針對主動配電網的優化控制中，由于其網絡節點數量多，并可能還包含有功設備以及無功設備，因此在通過粒子群算法進行協同作用時，將造成該算法過程更加繁瑣、迭代速度緩慢、迭代次數多以及編寫復雜等問題，此時無法符合全局優化的基本條件。

結合模糊算法對其進行改進，把相同系統中相同位置需要同步展開協調優化的不同類別的控制對象用向量的方式整合成一個粒子。針對n維K個類別的分類，其模糊分類規則的形式如下：

式中：x1，x2，…，xn為 n維模式的向量；Aq1，Aq2，…，Aqn為模糊集對應的語言變量；cs，w分別分數據項的支持度和信任度；CFq為規則的置信度；Cq為決策的分類編碼，取值為1，2，…，K。

針對各種基礎數據展開模糊化處理后，將其輸入模糊分類系統，且隸屬關系如圖3所示。

圖3 隸屬函數Fig.3 Membership degree

圖3中，模糊子集的隸屬度等級共分為5級，從左至右依次為極低、低、正常、高、極高。

令一個m維空間中，相同位置的多個不同類別的粒子同步進行更新，則其改進型的粒子定義為

式中：aim，bim，cim分別為解空間內同一位置不同類別的粒子。

若第i個粒子處于目前搜索到的最佳位置，則叫作個體極值；若全部粒子均處于搜索到的最佳位置，則叫作分類位置。根據分類的結果，利用一致性算法進一步改進協同優化策略。

3.2 一致性算法的協同優化策略

一致性算法表示各個代理自行獲取本地數據，且與相鄰的代理進行邊界信息互通，從而進行分布解析。依據一致性算法，每個代理只使用本地及相連空間代理共享信息，代理i的信息更新過程能夠被定義為

式中：ξi（t），ξi（t+1）分別為代理j在第t次迭代后的局部信息以及代理i在第t+1次迭代后的局部信息；Ω為在整個信息交互過程中所涉及的總代理數；wij為代理i與代理j間的通信系數。

各代理i的優化步驟如下：

式中：Pmin，i（t）表示整體供給和需求失配量的局部估計；λi（t+1）為在進行第t+1次迭代時，代理i的邊際成本；Ωi為和代理i之間相連接的代理索引；σ為能夠調整收斂速度的步長。

如果σ的值足夠小，通過該一致性算法建立的系統能夠不斷調整，直至收斂。當在λi（t）收斂至最佳結果λ*，局部估計值Pmin，i（t）將降為0，從而達到功率平衡約束條件，該算法框圖如圖4所示。

圖4 代理算法的框圖Fig.4 Block diagram of agent algorithm

4 算例仿真及其分析

4.1 構建仿真模型

針對IEEE-14節點系統進行調整，作為算例的仿真系統，具體如圖5所示。其中，設立了9個負荷節點、1個儲能節點、1個風力發電機以及4個傳統發電機。

圖5 仿真系統及其通信拓撲Fig.5 Simulation system and its communication topology

系統中的風力發電機的可用功率曲線如圖6所示。從圖6中可以看出，當時間在650～900 min時間段內，其可用功率最低。

圖6 風電功率曲線Fig.6 Wind power generation

系統中的各個電源、負荷、儲能等參與主體的詳細參數如表1所示。表1中，參數G表示傳統發電機；參數B表示儲能裝置；參數L表示負荷；參數W表示風力發電機；參數a，b，c則對應第2節所述的各成本函數中數值。

表1 仿真系統的參數設定Tab.1 Parameter setting of simulation system

4.2 彈性負荷進行協同控制

在系統的系統控制中有彈性負荷參與，能夠利用負荷的響應特性，根據系統邊際成本的改變對用電狀態進行相應調節，進而提高風電的消納，增大整體效率。負荷參與協同時系統中各發電的及儲能裝置的出力情況如圖7所示，系統中各節點邊際成本如圖8所示。

圖7 負荷進行協同控制時系統出力情況Fig.7 System output during load cooperative control

圖8 負荷進行協同控制時節點邊際成本Fig.8 Marginal cost of nodes during load cooperative control

通過對比圖7、圖8可以發現，風電出力與系統邊際成本呈負相關，傳統發電機組則在系統邊際成本比較高的時候加強對應的電出力，從而得到最多的收益，所以傳統機組出力變化和邊際成本變化情況變動趨勢基本一致。

對負荷側進行分析，其負荷的功率變化情況如圖9所示，其中負荷值取數值的絕對值。

圖9 負荷的功率變化情況Fig.9 Power variation of load

從圖9中能夠看出，系統邊際成本對用戶用電成本造成直接影響，在邊際成本較低的階段內，可調負荷會有所增大，進而補償在高邊際成本階段所降低的負荷。即當邊際成本降低的情況下，負荷將會加大消耗量，反之，在邊際成本上升的情況下，負荷將會降低使用量。負荷參與協同作用下，系統供求不平衡量估計如圖10所示。

圖10 負荷進行協同控制時系統功率不平衡量Fig.10 System power unbalance during load cooperative control

從圖10中得到，通過協同控制，系統的源功率和負荷功率最終能夠達到平衡狀態。

4.3 彈性負荷不參與協同控制

彈性負荷不參與協同時各機組和儲能的出力變化如圖11所示。

圖11 負荷不參與協同控制時各機組和儲能的出力變化Fig.11 Output change of each unit and energy storage without load cooperative control

從圖11中可以看出，在60～300 min和1 320～1 440 min的時間段內，各機組和儲能的出力達到下限，此時系統需要采取棄風限電措施，系統總體靈活性降低，造成棄風現象，能源有效使用率降低。

相對應的負荷不參與協同控制時的風電功率輸出變化如圖12所示。從圖12中能夠看出，在，60～300 min和1 320～1 440 min的時間段內，其風電功率輸出均未達到其輸出上限。由此表明了負荷不參與需求響應情況下，系統吸納風電的能力大大降低。

圖12 負荷不參與協同情況下風電功率輸出情況Fig.12 Wind power output without load cooperative control

負荷不參與協同時的節點邊際成本如圖13所示，從圖13中能夠看出，一旦系統出現了棄風限電措施，其傳統發電機和儲能裝置各節點的邊際成本就出現了變化，不再是完全一樣的了。

圖13 負荷不參與協同控制時節點邊際成本Fig.13 Parginal cost of modes without load cooperative control

負荷不參與協同情況下系統供求不平衡量估計如圖14所示。圖14中表明了該系統的供求達到平衡，其算法收斂。

圖14 負荷不進行協同控制時系統功率不平衡量Fig.14 System power imbalance without load cooperative control

4.4 復合算法與傳統算法對比分析

為了驗證該所提的復合算法方法的有效性，將其結果與傳統的粒子群算法的結果進行對比分析，如表2所示。從結果可以看出，兩種算法的結果十分接近，最大誤差僅0.0645%，從而表明該復合算法的計算結果具有一定可靠性。

表2 計算結果對比Tab.2 Comparison of calculation results

將該復合算法與傳統的粒子群算法收斂速度展開比較，其迭代次數如圖15所示。從圖15中可以得到，兩種方法的最終收斂結果一致，然而傳統算法在迭代30次后收斂為穩定，而復合算法僅用18次就達到了穩定狀態。從而得出兩種方法收斂精度一樣，復合算法的收斂性能更佳，速度更快。

圖15 復合算法與傳統算法的收斂情況Fig.15 Convergence of compound algorithm and traditional algorithm

5 結論

本文研究了基于模糊智能算法和一致性算法的“源-網-荷-儲”協同控制策略。通過考慮可再生能源輸出的不穩定性以及彈性負荷反饋特征，構建了“源-網-荷-儲”系統的最佳協同優化模型。利用將模糊算法引入粒子群算法中，再與一致性算法相結合的混合策略對系統的最佳協同優化模型展開解析。其結果表明，通過利用該復合智能算法對系統協同控制，不僅能夠顯著增大可再生能源的消納率，還能根據成本信號有效提高負荷進行需求響應。此外，所提出的基于模糊與一致性復合智能算法具有跟傳統粒子群算法一樣高的計算精度，且比傳統的粒子群算法具有更快的計算速度，其收斂次數僅僅約為傳統粒子群算法的1/2，大大提高了運算效率。該方法在實時性要求較高的動態電力系統控制中具有一定普適性。