數字孿生架構下的智慧微電網多智能體協調優化控制技術研究

向 輝,何安明

(國網信通股份公司安徽繼遠軟件有限公司,安徽 合肥 230088)

在現代社會,人們依靠各種能源與資源才能持續生存和發展,因此對能源與資源的需求一直在不斷增加,能源的重要性不言而喻。在各種能源、資源中,電力作為最清潔和便利的一種,應用最為廣泛,需求量也最多,僅依靠電力公司集中供電已經無法滿足持續增長需求,導致經常發生停電事故[1]。在此背景下,由各種分布式電源組成的微電網成為一種有效的解決方式。微電網中包含多種智能體,如燃料電池、光伏電池、蓄電池、燃氣輪機等。這些電力供應智能體可以并入大電網,也可以獨立供電。前者主要發生在大電網正常運行情況下,并入大電網后,可以極大緩解大電網供電壓力,提高電力供應效率。后者主要是在大電網發生故障時,電力供應智能體斷開與大電網的連接后進入孤島模型獨立進行供電,以達到持續供電而不斷電的目的[2]。然而,無論是何種模式,隨著智能體微源數量、微電網規模越來越大,結構也越來越復雜,微電網控制難度變得越來越大,給微電網運行經濟性、穩定性、安全性等帶來了極大的影響。

基于上述背景,如何實現對智慧微電網多智能體協調優化控制成為研究的重點。針對該問題,在很多文獻中都進行了相關研究。例如,翟雨稼等[3]考慮到氣候變化對微電網供電的影響,以微電網電壓平衡穩定為目標,建立微電網互聯控制模型,并在功率約束條件下求出模型最優解。周成等[4]針對微電網電壓不穩定的問題,借助未來時段的預測模型預測微電網電壓值,并以電壓偏差最小為目標,在3種約束條件下借助CPLEX 進行求解,得出最佳控制方案。潘晨等[5]為了實現用戶側與微電網供電潛力之間的最大互動,建立包含經濟性和自治性的雙重目標,最后通過尋優算法進行求解,得出控制方案,并通過評價指標對控制策略進行評估,驗證方案的有效性。

數字孿生類似一種仿真技術,借助該技術,能夠實現操作過程的模擬。結合前人研究經驗,本文提出一種數字孿生架構下的協調優化控制技術,以期能夠有效控制智慧微電網多智能體,提高微電網運行的安全性、經濟性、穩定性。

1 數字孿生下的智慧微電網多智能體協調優化控制研究

近年來,電力企業大電網已經無法滿足需要,經常發生停電事故,給經濟活動和生產活動都帶來了很多的影響和干擾。為解決此問題,將微電網逐漸接入大電網中,極大緩解了大電網的供電壓力,提高了電力供應質量。然而,隨著微源智能體的不斷增加,微電網規模逐漸擴大,結構更加復雜,使得智慧微電網控制很難達到最佳效果,經濟目標、穩定性目標、安全性目標等都與預期結果存在一定的差異[6]。針對這一問題,本文提出一種數字孿生下的智慧微電網多智能體協調優化控制技術。數字孿生類似一種仿真技術,將其應用到研究中,能夠進行智慧微電網多智能體協調優化控制模擬,從而求出最佳協調優化控制方案。本文對協調優化控制方案的設計主要分成4步執行,即數字孿生架構下的技術框架設計、協調優化控制模型構建、約束條件設置以及模型求解。

1.1 數字孿生架構下的技術框架設計

借助數字孿生架構,設計智慧微電網多智能體協調優化控制技術框架,如圖1所示。

圖1 數字孿生下微電網多智能體協調優化控制技術框架

借助數字孿生技術,將協調優化控制方案與微電網中各個智能體同步聯系到一起,通過計算機模擬得出的最佳方案在遠程通信技術支持下實時、同步控制各個微源運行。

數字孿生下微電網多智能體協調優化控制技術中最關鍵的環節是建立協調控制策略,即通過求解協調控制模型,得出最優化協調控制方案[7]。下面針對優化協調控制方案的求解過程進行具體分析。

1.2 協調優化控制模型構建

智慧微電網多智能體協調優化控制模型,即建立智慧微電網多智能體協調優化控制后所要達到的目標。本文以經濟性指標——經濟支出最少作為目標函數[8],建立協調優化控制模型。模型表達式如下:

minF=w1f1+w2f2

(1)

式中:minF表示經濟支出最少;f1為微電網運行成本支出;f2為環境維護成本支出;w1、w2為加權系數,w1+w2=1[9]。

1)微電網運行成本支出。

為了分析微電網的運行成本支出,考慮了不同方面的費用,并將其整合到控制模型中。首先,關注微電網的運營時間段T,并將其劃分為具體的作業時間t。在每個作業時間內的微電網運行成本支出是由該時間段內智能體的燃料費用、維護費用、折舊費用、停電賠償費用和電能交易費用組成。微電網運行成本支出最少的表達式為:

(2)

其中:

(3)

(4)

(5)

(6)

(7)

2)環境維護成本支出。

在微電網協調優化控制模型中,考慮到微電網運行過程中產生的污染物所帶來的環境負擔,將環境維護成本支出作為考慮因素之一,旨在減少微電網對環境的負面影響。環境維護成本支出由兩部分組成,分別為智能體運行時產生的污染物罰款費用和主網運行時產生的污染物罰款費用。在計算環境維護成本支出時,引入了微電網的考慮系數ζ,用于調整微電網中智能體和主網對環境維護成本支出的權重比例。環境維護成本支出最少的表達式為:

(8)

式中:minf2表示環境維護成本支出最少,M為污染物的總類別數,Rk為治理每千克污染物所花費的成本,αik為智能體i運行時所產生污染物k的罰款費用率,βk為主網運行時產生污染物k的罰款費用率。

本文所構建的協調優化控制模型由兩部分組成,即微電網運行成本和環境維護成本[10]。在考慮微電網運行成本和環境維護成本的同時,還應追求它們的最小化,以實現經濟效益的最大化。

1.3 約束條件設置

本文所構建的目標模型只有在特定的限制條件下才能求解出結果。這些特定的限制條件被稱為約束條件。本章節給公式(1)設置的約束條件有5個,具體如下:

1)供需平衡約束。

供需平衡約束是指微電網的有效負載需求與多個智能體輸出的有功功率之和相等,即二者相減等于0[11]。供需平衡約束描述如下:

(9)

式中:S為微電網的有效負載需求。

2)智能體電壓約束。

智能體電壓約束是指智能體的運行電壓要在限定的范圍內[12]。電壓約束描述如下:

(10)

3)爬坡約束。

爬坡約束是指單位時間內智能體能增加或減少的功率情況約束[13]。爬坡約束描述如下:

(11)

4)運行容量約束。

運行容量約束是指智能體發出功率要在上限與下限之間[14]。運行容量約束描述如下:

(12)

5)交易功率約束。

交易功率約束是指微電網和大電網允許交換功率的范圍[15]。交換功率約束描述如下:

(13)

1.4 模型求解

模型求解是協調優化控制策略的最后一步,主要是在約束條件下,利用尋優算法求取滿足模型的最優解。本文利用改進粒子群算法進行求解,具體過程如圖2所示。

圖2 改進粒子群算法求解流程

傳統粒子群存在容易陷入局部最優的問題,而這一問題主要是慣性權重系數導致的[9]。為此對慣性權重系數進行改進,改進公式為:

(14)

式中:w為慣性權重系數;w3為初始權重,取值0.9;w4為結束權重,取值0.4;W為最大迭代次數。

基于改進粒子群算法完成模型求解,即可得出最優智慧微電網多智能體協調優化控制方案。

2 算例分析

2.1 數字孿生微電網仿真模型構建

借助數字孿生技術構建數字孿生微電網仿真模型,如圖3所示。

圖3 數字孿生微電網仿真模型

圖3中微電網主要由4個智能體(微源)組成,這4個智能體相關參數見表1。

表1 智能體(微源)相關參數

2.2 模型求解初始化參數設置

利用改進粒子群算法對構建的智慧微電網多智能體協調優化控制模型進行求解,所設置的初始化參數如下:種群大小為50;最大迭代次數為200;學習因子c1=0.23,c2=0.15;慣性權重w3=0.9,w4=0.4;均勻分布參數r1=0.05,r2=0.10。

2.3 各智能體運行方案

應用本文研發的協調優化控制技術后,各智能體運行方案如圖4所示。

圖4 各智能體運行方案

從圖4可以看出,協調優化控制技術應用后,風力智能體被配置為具有最高功率的智能體。這表明系統在滿足電力需求的同時,充分利用了風能資源,實現了風力發電的最大化。光伏智能體和燃氣輪機智能體相對于風力智能體的功率較低,這是因為系統更傾向于優先使用風能資源,并在需要時才使用光伏和燃氣輪機補充。蓄電池智能體的出力較低,這是因為蓄電池以儲存和釋放電能的方式來應對電網波動需求,通常作為儲備能量和調峰的措施,因此在協調優化控制技術下,蓄電池智能體的使用被最小化。綜上所述,應用協調優化控制技術后,系統能夠合理分配各種能源,最大限度地利用可再生能源,并滿足電力需求,實現了經濟性和可持續性的平衡。

2.4 經濟效益對比分析

按照提出的方案,計算各智能體運行24 h的支出費用,并將這些數據與技術應用前的原始支出費用進行對比,結果見表2。

從表2可以看出,協調優化控制技術應用后較應用前,費用支出更少,由此證明本文所研發的技術達到了協調控制效果。

3 結束語

本文提出了一種應用于智慧微電網系統的協調優化控制技術,實驗結果證明該技術在經濟效益和環境保護方面取得了顯著成果,但是仍存在一些待解決的問題,例如在不同季節和天氣條件下的運行策略。與以前的研究相比,本文著重于多個智能體間的協調和多目標優化,并對經濟支出和環境維護成本進行了綜合分析。在理論上,本文構建了基于協調優化控制技術的智慧微電網運行模型,并采用了經濟支出最小和環境維護成本最小作為目標函數,實現了經濟效益和環境友好性的平衡。在應用上,該技術為智慧微電網系統的設計和運行提供了重要參考,并具有實際應用的潛力。當然,還需要進一步深入研究,探索更準確和全面的模型,并加強與實際微電網系統的結合,以驗證其可行性和有效性。未來的研究應該擴大應用場景和優化策略,推動智慧微電網技術的進一步發展。