考虑不确定性的可再生能源集群出力分布式协调控制方法与流程

1.本发明属于电力系统优化控制领域，更具体地，涉及一种考虑不确定性的可再生能源集群出力分布式协调控制方法。


背景技术：

2.为应对能源与气候问题，风、光等可再生能源发电装机容量迅速增长。面对大型基地在消纳送出方面涌现的困难，可再生能源开发模式逐步从大规模、长距离、集中式的传统模式向基地化与分散化并举、因地制宜的新模式转变。现行调控方式往往在电网备用充足时对风光电源不作限制，而在电网备用不足时大量切除风光电源，管理较为粗放，造成的弃风、弃光现象显著。随着分散式可再生能源渗透率的不断提高，电站点多面广且数量多的特征与现行调控方式对电站数量迅速扩张适应能力不足的矛盾逐渐凸显，制约了可再生能源消纳能力的充分发挥，难以满足能源结构进一步优化的要求。面对上述挑战，基于整体封装、分层协调的思想制定可再生能源集群化调控方法，从而实现集群整体的可观可控、自治协调，对于提高电网调控的精准化与智能化水平、缓解调度人员压力有着重大意义。
3.目前针对风、光可再生能源电站集群出力控制问题的研究与应用主要立足大规模、集中式开发的基地场景，构建了机组
‑
电站
‑
集群多层级的集中式控制体系。在该框架下，将可再生能源集群作为整体参与上级调控中心的出力计划制定与调度控制，集群在接收到上级的出力指令后基于出力协调优化模型完成指令在电站间的分解，而目前现行的协调优化模型往往基于风电场或光伏电站的日前出力预测数据。具体地，将电站侧采集的出力预测数据汇集至集中式控制体系所设置的集控中心，并在其内部集中计算，求解优化模型，再将解得的出力指令下达至电站。
4.事实上，现行协调优化模型未能充分考虑可再生能源实时出力的不确定性对调控的影响。随着可再生能源渗透率的迅速提高，其不确定性所造成的出力误差已对电网造成了显著挑战，并进一步影响了风光等可再生能源的充分消纳。此外，现行集中式控制模式依赖集控中心的数据交互与集中处理，计算复杂度高、数据采集周期长、通信压力大，同时对通信网络的单点故障与数据采集的准确率非常敏感。此外，还存在难以适应风、光电站分散化、差异化以及新装机组频繁接入的问题，系统扩展灵活性不足。随着分布式网络结构的兴起，电力系统逐渐呈现源、荷端局域自治、域内协调运行的发展趋势。然而，分布式控制体系尚未在可再生能源集群的出力控制问题中得到行之有效的应用。


技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供了一种考虑不确定性的可再生能源集群出力分布式协调控制方法，其目的在于，针对可再生能源出力不确定性所造成的控制误差问题构造出力优化模型，以提高可再生能源集群控制精度，同时针对集中式优化控制的不足设计分布式算法，实现集群各电站出力的去中心化协调，提升集群控制的鲁棒性与灵活性。
6.为实现上述目的，本发明提供了一种考虑不确定性的可再生能源集群出力分布式协调控制方法，包括：
7.s1.利用tls分布模型模拟可再生能源集群出力不确定性误差；
8.s2.以风、光电站弃电功率最小为优化目标，构建集群各电站出力优化模型；所述出力优化模型用于在设定时间周期内根据不确定性误差模拟结果对电站出力指令进行修正；
9.s3.基于多智能体系统及其一致性原理对所述优化模型进行求解，得到各电站出力调节值；
10.s4.根据各电站出力调节值改变机组有功出力或启停机组，从而进行有功控制。
11.进一步地，s1包括：
12.01.对电站出力预测误差的分布建模；
13.基于电站出力预测误差的历史统计数据和预测误差的概率密度函数计算预测误差的tls分布参数，从而得到该电站出力预测误差的tls分布曲线；其中，预测误差的概率密度函数为：
[0014][0015]
f(x)和f(x)分别为tls的概率密度函数和累积分布函数，p
cap
为电站的装机容量；
[0016]
02.对电站出力的不确定性误差进行模拟；
[0017]
从分布曲线中随机生成误差模拟数据，对于第i次模拟p
err，(i)
，当p
err，(i)
∈[
‑
p
pre，(i)
,p
cap
‑
p
pre，(i)
]时接受该模拟值，否则拒绝并进行下一次模拟；
[0018]
对每个电站均进行多次模拟，直至该电站被接受的有效模拟达到设定次数后停止，取各次模拟值的均值作为其在这一时刻的误差模拟值。
[0019]
进一步地，所述出力优化模型的目标函数为：
[0020][0021]
式中，p
pre,i
(t)是电站i在t时段的日前出力预测值；p
ord,i
(t)是电站i在t时段应当出力的指令值；n为集群域内的可再生能源电站个数。
[0022]
进一步地，所述出力优化模型的约束条件包括：
[0023]
集群有功平衡约束：p
ord,clu
(t)为集群t时段的总出力指令值；
[0024]
电站实时出力约束：0≤p
ord,i
(t)≤p
pre,i
(t)≤p
cap,i
(t)，p
cap,i
(t)为电站i的装机容量；
[0025]
电站出力调节速率约束：p
ord,i
(t)
‑
p
ord,i
(t
‑
δt)≤|α
i
p
cap,i
0，α
i
为电站i的调节速率系数。
[0026]
进一步地，步骤s3具体包括，
[0027]
将电站节点设置为协调智能体，执行如下分布式迭代计算流程，当集群内所有协调智能体的一致性变量相等时，算法收敛求得最优解，得到电站p在该控制周期的出力调节值：
[0028]
01.根据k轮迭代的状态更新k 1轮迭代节点p的一致性变量λ
p
(k 1)；
[0029][0030]
n为集群中包含的电站个数，矩阵元素a
p,q
表示任意两节点p、q之间边的权重，为一致性收敛系数，μ
p
(k)为出力调整项；
[0031]
02.根据k 1轮一致性变量计算k 1轮节点p的出力p
ord,p
(k 1)：
[0032]
p
ord,p
(k 1)＝
‑
[λ
p
(k 1)(p
pre,p
p
err,p
)2]/2 p
pre,p
p
err,p
[0033]
每轮更新后对出力作如下修正：
[0034][0035]
03.根据更新后的p
ord,p
(k 1)计算得到k 1轮迭代中出力调整项μ
p
(k 1)的值：μ
p
(k 1)＝μ
p
(k)
‑
[p
ord,p
(k 1)
‑
p
ord,p
(k)]。
[0036]
进一步地，当检测到集群出力误差越限，所述方法还包括以下步骤：
[0037]
计算各电站的出力补偿期望值δp
k
(t)＝p
pre,i
(t) p
err,i
(t)－p
ord,i
(t)，选取δp
k
(t)值最大的电站作为补偿电站i；
[0038]
若补偿电站i满足：
[0039]
p
pre,i
(t) p
err,i
(t)
‑
p
ord,i
(t)＞p
ord,clu
(t)
‑
p
real,clu
(t)
[0040]
式中，p
ord,clu
(t)为集群在周期t的出力指令值，p
real,clu
(t)为集群在周期t初始时刻的出力实际值；
[0041]
则补偿电站i在下一个控制周期的出力指令修正为
[0042][0043]
集群除补偿电站i之外的n
‑
1个电站基于
[0044][0045]
参与优化，并根据优化结果设定各自在t 1周期的出力参考值；
[0046]
若补偿电站i满足：
[0047]
p
pre,i
(t) p
err,i
(t)
‑
p
ord,i
(t)＜p
ord,clu
(t)
‑
p
real,clu
(t)
[0048]
则该补偿电站i在下一个周期的出力指令修正为：
[0049][0050]
并根据出力补偿期望值δp
k
(t)从大到小依次选取下个补偿电站k，电站k在下一个控制周期的出力指令修正为
[0051][0052]
同时，集群除补偿电站i与k之外的n
‑
2个电站基于下式参与优化，并根据优化结果设定各自在t 1周期的出力参考值：
[0053][0054]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。
[0055]
1)本发明对可再生能源电站出力的不确定性进行概率建模，并构建了考虑不确定性的集群出力优化控制策略，可以改善日前预测数据与实际数据难以准确匹配的矛盾所造成的控制误差问题，从而使得集群出力更加精准得跟踪上级调度中心的调控指令，有效降低出力波动，实现了可再生能源集群友好并网，也为集群层级的风光能源后续直接参与系统调频等问题打好基础，提升可再生能源利用深度。
[0056]
2)本发明针对传统的集群运行中集中式交互计算存在的不足，基于多智能体系统理论构建分布式协调算法，既可保持集群域内的独立自治与运行信息隐私，又可降低计算规模与通信压力，实现故障分离、风险分散，能够有效应对多变的通信拓扑结构，在不同运行场景下展现出良好的鲁棒性与灵活性，最终实现集群友好并网与自适应协调的技术目的。
[0057]
3)本发明针对极端气象条件制定补充策略，避免在某些极端气象条件下，因个别电站出力呈现强不确定性与强波动性，导致集群出力持续偏离指令，进一步提高了集群出力的控制精度。
附图说明
[0058]
图1表示了针对物理结构与信息流向层面，在机组—电站—集群的多层级关系中本方法的总体框架。
[0059]
图2表示了分布式算法的求解流程。
[0060]
图3表示了场站级有功控制系统的控制原理。
[0061]
图4表示实例验证所用系统的主接线图。
[0062]
图5中(a)为各电站有功出力的迭代收敛过程；图中5(b)为集群总出力追踪调度指令的过程。
[0063]
图6中(a)表示各电站出力的收敛过程；图6中(b)表示集群出力不平衡的变化过程。
[0064]
图7表示集群运行过程的实时出力，其中4条曲线分别表示日前功率预测、实时调控指令、本发明方法对应出力曲线、传统方法对应出力曲线。
[0065]
图8表示集群运行过程的实时出力与控制指令的差额。
具体实施方式
[0066]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0067]
本发明为应对风、光能源固有的不确定性对调控精度的不利影响，针对传统集群出力优化模型未能充分考虑其不确定性的问题，基于tsl分布(t location
‑
scale distribution，即含有尺度参数和位置参数的t分布)，构建考虑出力不确定性的优化模型与策略。同时，在协调控制依托的信息架构与实施模式方面，针对传统的集中式模式存在的计算复杂度高、数据采集周期长、通信压力大等不足，为了更好得适应所提出的考虑不确定性的优化模型数据交互频繁、通信时效性要求高等特征，基于多智能体系统理论实现分布式计算求解，以降低计算规模与通信压力，实现故障分离、风险分散。总体上，本发明能够提高可再生能源集群控制精度、鲁棒性与灵活性。
[0068]
如图1所示，本发明提出了考虑不确定性的可再生能源集群出力分布式控制方法。图1构建了一个涉及机组—电站—集群多层级关系的含风电场、光伏电站的典型可再生能源集群场景，并从物理结构与信息流向的层面，给出了本方法在该集群实例中的总体框架。在多智能体系统理论中，集群由一组物理和信息层面紧密联系的智能体构成，每个智能体都具有主动性、自适应性。在本实例中，将每个电站均建模为协调智能体，并在集群并网点增加枢纽智能体(集群域内只需设置一个枢纽智能体)，构建多智能体系统。枢纽智能体具备三个功能单元，分别为指令接收、并网点量测、电站信息采集，不需要承担计算任务。上级调度中心(省调)实时获取集群运行状态信息，对集群整体制定出力计划指令，并由枢纽智能体接收。协调智能体行使电站本地的分布式计算功能，仅需与邻接电站进行信息交互并在本地计算，就可实现优化模型的去中心化求解。图2从时间尺度层面，表示了该分布式算法在一个完整周期内的详细流程。
[0069]
在一个完整的实施案例中，包括下列步骤：
[0070]
步骤(1)，根据t location
‑
scale分布，分析可再生能源电站级出力不确定性，形成电站出力不确定性误差模拟方法。
[0071]
已经有相关研究在含可再生能源的电力系统调控问题中对可再生能源的不确定性加以考虑，但往往基于正态分布作分析。事实上，诸多前沿研究指出，风光可再生能源的电站级不确定性误差并不服从正态分布，而是与预测出力的大小相关，并且在时序特性上呈现出持续性，采用tls(t location
‑
scale)分布，即含有尺度参数和位置参数的t分布，有着更佳的拟合效果。该步骤具体如下：
[0072]
(1.1)不确定性误差概率分布建模
[0073]
对电站出力预测误差的分布进行估计，可近似地认为预测误差服从如下tls概率分布：
[0074]
p
err
～tls(k1p
pre
,k2p
pre
k3,v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0075]
式中，
‑
1≤k1≤0,k2＞0,k3＞0,v＞0，p
pre
为电站的日前出力预测值，p
err
为出力预测误差。通用的tls分布的概率密度函数f(x)可写为：
[0076][0077]
其中，γ(x)是伽马函数，μ是位置参数，σ是尺度参数，ν是形状参数，分别与式(1)的k1p
pre
、k2p
pre
k3、v相对应。
[0078]
在本发明应用场景中，可再生能源电站的出力是有值域限值的，各个电站出力大于0，且小于装机容量，即p
err
p
pre
∈[0,p
cap
]。而式(2)将覆盖[
‑
∞, ∞]区间的任意值，与本发明的物理背景不符，因此需要经过修正从而保证函数落在[0,p
cap
]值域内的概率为1。预测误差的概率密度函数可改写为：
[0079][0080]
式中，f(x)和f(x)分别为tls的概率密度函数和累积分布函数，p
cap
为电站的装机容量，也是电站出力的最大值。
[0081]
要得到具体的分布曲线，需要对tls分布的特征参数进行求解。
[0082]
使用极大似然估计法计算除了预测出力p
pre
之外的四个未知参数。基于统计误差数据和上述概率密度函数得到极大似然函数的对数：
[0083][0084]
式中，m为数据样本总数。当极大似然函数的对数取最大值时，四个参数取值最优，概率分布最接近实际情况。ln l无法写出具体函数表达式求解析解，可采用粒子群算法等优化算法直接求解数值解。
[0085]
(1.2)不确定性误差模拟方法
[0086]
对电站出力的不确定性误差进行模拟，该方法过程如下：
[0087]
对某一时刻的某个电站，根据(1.1)方法，基于其预测误差的历史统计数据进行计算，根据式(4)求得特征参数，从而拟合得到其tls分布曲线。然后，每次模拟就从该分布中随机生成误差模拟数据，对于第i次模拟p
err，(i)
，当p
err，(i)
∈[
‑
p
pre，(i)
,p
cap
‑
p
pre，(i)
]时即可接受该模拟值，反之则拒绝并进行下一次模拟。对每个电站均进行多次模拟，直至该电站被接受的有效模拟达到k次后停止，取各次模拟值的均值作为其在这一时刻的误差模拟值。
[0088]
步骤(2)，基于不确定性误差模拟方法，构建集群出力的协调控制策略。
[0089]
电力系统常以15min为一个调度周期，为与之适配，协调控制策略以一个不大于调度周期且成整倍关系的δt1为控制周期(在该实例中，δt1取5min)。实际运行中，电站日前预测的误差将导致集群总出力偏离于指令。如部分电站的出力预测存在较大负误差导致实际出力能力小于出力指令，进而使该电站出力不足，同时其余发电能力盈余的电站仍追踪自身指令而未能有效配合而导致额外弃风、弃光。综上，制定如下策略：
[0090]
首先，电站侧根据本电站累计的历史数据进行计算，得到不确定性误差模拟值p
err,i
(t)。以风、光电站弃电功率最小为优化目标，考虑不确定性误差p
err,i
(t)，定义t时段集群各电站出力的协调优化目标如下：
[0091][0092]
式中，p
pre,i
(t)是电站i在t时段的日前出力预测值，为已知常数；p
ord,i
(t)是电站i在t时段应当出力的指令值，为该优化问题的n个决策变量；n为集群域内的可再生能源电站个数。该优化函数的约束条件如下：
[0093]
1.集群有功平衡约束
[0094][0095]
式中，p
ord,clu
(t)为集群t时段的总出力指令值。
[0096]
2.电站实时出力约束
[0097]
0≤p
ord,i
(t)≤p
pre,i
(t)≤p
cap,i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0098]
式中，p
cap,i
(t)为电站i的装机容量。
[0099]
3.电站出力调节速率约束
[0100]
p
ord,i
(t)
‑
p
ord,i
(t
‑
δt)≤|α
i
p
cap,i
|
ꢀꢀꢀꢀꢀ
(8)
[0101]
式中，α
i
为电站i的调节速率系数，由风电场和光伏电站的实际性能决定。
[0102]
特别地，在某些极端气象条件下，采用上述优化模型时，因个别电站出力呈现强不确定性与强波动性，仍可能导致集群出力持续偏离指令，针对该类极端情况制定如下补充策略：
[0103]
定义越限系数β，如β＝1.05表示允许越限范围为5％。若时间处于控制周期t时，枢纽智能体的量测单元探测到集群出力误差越限，计算各电站的出力补偿期望值δp
k
(t)＝p
pre,i
(t) p
err,i
(t)－p
ord,i
(t)，选取δp
k
(t)的值最大的电站作为补偿电站i。如果该电站有
[0104]
p
pre,i
(t) p
err,i
(t)
‑
p
ord,i
(t)＞p
ord,clu
(t)
‑
p
real,clu
(t)
ꢀꢀꢀ
(9)
[0105]
式中，p
ord,clu
(t)为集群在周期t的出力指令值，p
real,clu
(t)为集群在周期t初始时刻的出力实际值。若式(9)成立，则电站i在下一个控制周期(t 1)的出力参考值设为表示如下：
[0106][0107]
同时，集群除电站i之外的n
‑
1个电站基于式(11)参与优化，并根据优化结果设定各自在t 1周期的出力参考值，表示如下：
[0108][0109]
式(11)的有功平衡约束修改为：
[0110][0111]
若式(9)不成立，即
[0112]
p
pre,i
(t) p
err,i
(t)
‑
p
ord,i
(t)＜p
ord,clu
(t)
‑
p
real,clu
(t)
ꢀꢀꢀꢀ
(13)
[0113]
则该补偿电站i在下一个周期的出力指令修正为
[0114][0115]
然后，根据出力补偿期望值δp
k
(t)从大到小依次选取下个补偿电站k，电站k在下一个控制周期的出力指令修正为表示如下：
[0116][0117]
同时，集群除电站i与k之外的n
‑
2个电站基于式(16)参与优化，并根据优化结果设定各自在t 1周期的出力参考值，表示如下：
[0118][0119]
式(16)的有功平衡约束修改为：
[0120][0121]
步骤(3)，构建分布式协调算法，对出力优化模型求解，实现滚动优化控制。多智能体系统理论及其一致性原理，可以有效适用于包含大量节点的集群分布式计算场景，故基于该理论构造协调算法来求解式(5)所述优化问题，集群多智能体系统中的协调及枢纽智能体如图1所示。算法的构造过程如下：
[0122]
(3.1)提取一致性变量
[0123]
多智能体系统通过定义一致性变量来表征智能体的状态，进而迭代计算一致性变量来求解优化问题，故首先需要根据优化模型提取能够反映智能体节点关键状态的一致性变量。步骤(2)中，优化目标为：
[0124][0125]
运用经典拉格朗日乘子法，令λ代表与集群功率平衡等式约束对应的拉格朗日乘子，不考虑不等式约束时，原多目标优化问题可以转化为：
[0126][0127]
式中，表示集群接收到新的出力指令后有功平衡的差额。在该优化问题中，集群内n个电站的出力p
ord,i
(t)为n个决策变量，p
pre,i
(t)、p
ord,clu
(t)、p
err,i
(t)均为已知量。
[0128]
将电站i一阶最优性条件应用于决策量和拉格朗日乘子并求偏导，得到该等价无约束优化问题的最优性条件：
[0129][0130]
以上最优性条件即为分布式计算协调方程，据方程可得，算法达到最优收敛时有：
[0131][0132]
基于式(21)给出的最优收敛等价条件，在不考虑等式约束的条件下，定义智能体节点电站i的一致性变量λ
i
为：
[0133][0134]
至此，完成了该优化问题的一致性变量提取。当所有智能体节点的λ
i
值在迭代计算中相等时，算法收敛，求得最优解。
[0135]
(3.2)构造邻接矩阵
[0136]
定义一致性变量后，还需要根据集群各智能体节点间的通信交互关系建立邻接矩阵。设集群中包含n个电站，令g表示集群内各电站的通信拓扑图。每个电站代表一个节点，即该系统含有n个节点。
[0137]
若两节点间存在通信交互的通道，则称两节点相通(节点间存在的通路称为边)。该图拓扑结构可由对称的n
×
n阶邻接矩阵a＝(a
p,q
)
n
×
n
表示，其中，任意两节点p、q之间边的权重由矩阵元素a
p,q
表示。定义邻接矩阵a的元素a
p,q
为：
[0138][0139]
式中，d
p
是与节点p存在通信通路的节点所构成的集合，该集合包括节点p自身。与节点p存在通路的节点数目之和为d
p
，称为节点p的度，d
p
＝|d
p
|。要确保算法收敛，图中任意一节点必须与其他节点间存在至少一条通路。
[0140]
(3.3)分布式迭代计算流程
[0141]
一轮完整的迭代计算分为以下三步：
[0142]
1)根据k轮迭代的状态更新k 1轮迭代的λ
p
(k 1)
[0143]
设x
p
为节点p的一致性变量的值，在迭代计算过程中，各节点与存在通信关系的邻接节点进行信息交互，随后本轮一致性变量值由自身及邻接节点的上一轮状态信息迭代更新得出，过程表示如下：
[0144][0145]
式中，k为时间步数，即迭代计算的迭代步数。
[0146]
基于邻接方阵a的行随机特性，将式(24)进一步简化，得到如下结果：
[0147][0148]
具体到本优化问题上，对于电站p，若存在n个与p可相互通信的电站，电站p一致性变量更新方程可表示为：
[0149][0150]
在λ
i
建模过程中，未考虑功率平衡等式约束，这里引入一致性收敛系数及出力调整项μ
p
(k)用于满足功率平衡，将式(26)修改为：
[0151][0152]
式中，为一致性收敛系数，为正标量，影响一致性迭代计算的收敛速度；μ
p
(k)为节点p的出力调整项，表示节点对集群出力缺额的探测值，μ
p
(k)的具体更新方法见迭代的第3步。
[0153]
2)根据k 1轮一致性变量计算p
ord,p
[0154]
据式(22)可得，k 1轮节点p的出力更新为
[0155]
p
ord,p
(k 1)＝
‑
[λ
p
(k 1)(p
pre,p
p
err,p
)2]/2 p
pre,p
p
err,p
ꢀꢀꢀꢀꢀꢀꢀ
(28)
[0156]
每轮更新后均需判断是否越限，并对越限情况作如下修正：
[0157][0158]
3)更新出力调整项μ
p
(k)并反馈
[0159]
根据更新后的p
ord,p
(k 1)计算得到k 1轮迭代中出力调整项μ
p
(k 1)的值，方程如下：
[0160]
μ
p
(k 1)＝μ
p
(k)
‑
[p
ord,p
(k 1)
‑
p
ord,p
(k)]
ꢀꢀꢀꢀꢀ
(30)
[0161]
至此，一轮迭代计算结束，重新回到第1步开始下一轮迭代计算，当集群内所有协调智能体的一致性变量相等时，算法收敛求得最优解，即电站p在该控制周期的出力调节值。
[0162]
(3.4)出力指令在电站
‑
机组间的响应
[0163]
电站侧通过分布式计算得到本站出力调节值后，电站agc系统通过与机组间的通信，改变机组有功出力或启停机组，从而进行有功控制。图3给出了一种典型的电站
‑
机组间的控制框架。图3中，电站出力控制系统采用比例积分控制算法，得出区域调节功率，进而将调节功率分配到各机组。图中，k
p
和k
i
分别为比例系数和积分系数，β为控制区域的频率偏差系数。
[0164]
上述步骤1～3为本发明所述方法的完整过程，下面基于cepri算例系统构造可再生能源集群场景对本发明的方法进行算例验证分析，算例系统主接线如图4所示。在该系统中，虚线范围内表示由7个电站构成的集群。集群总装机容量为439mw，其中电站1、2、3、5、6为双馈感应机组风电场，节点4、7为集中式逆变器光伏电站。取采样步长δk＝0.01s(表示通信时延10ms)，收敛阈值ξ＝0.1mw，一致性收敛系数。
[0165]
设置集群出力初值为233mw，随后集群接收到若干次出力调整指令。通过一致性算法对实时优化模型求解，结果如表1、图5所示。图5中(a)为各电站有功出力的迭代收敛过程；图5中(b)为集群总出力追踪调度指令的过程。
[0166]
表1算法求解结果
[0167][0168]
收敛系数是影响一致性迭代收敛速度的主要参数，与功率调整项相配合调节功率平衡。通过设置不同大小的收敛系数讨论算法收敛性，同时考虑到集群规模的差异对收敛性的影响，根据现有集群的装机规模等比例扩大，分别构建14电站节点、21电站节点的验证系统，分析结果见表2。据表2可知，取值较大则迭代步数较少，算法收敛速度也更快；集群规模越大，所需迭代步数越多，收敛所需时间更长。此外，的取值并不是越大越好，更大的也意味着一致性变量每次迭代的变化量也相应扩大，使得电站出力不再平滑地接近最优解，迭代过程中振荡性加剧，最终可能导致不收敛。除了讨论方法本身的收敛性外，还有必
要与集中式计算方法作对比分析以验证本发明的应用价值。
[0169]
表2收敛性分析结果
[0170][0171]
分别采用遗传算法(ga)以及cplex12.5求解器(内点法)作为集中式计算方法对上文相同问题求解，指令取较大值，参数，计算结果对比见表3。从结果来看，在收敛阈值ξ＝0.1mw条件下，每种计算方法均能收敛，但是随着集群规模的扩大，分布式一致性算法在计算速度上具备一定优势。
[0172]
表3集中式与分布式对比
[0173][0174]
为验证算法的鲁棒性，本节仿真场景主要作两点改动：1)集群内若干通信信道出现故障导致系统通信拓扑发生变化，但仍是连通的；2)在运行过程中模拟“即插即用”场景，即运行过程中有电站中途退出或加入。仍设定集群初始功率为233mw，集群初始调度指令为310mw；第8s时电站7因故障退出运行，第18s时重新并网；仿真结果如图6所示。图6中(a)表示各电站出力的收敛过程；图6中(b)表示集群出力不平衡的变化过程。分析结果可知，一方面，尽管通信拓扑发生改变，通信条件变恶劣，算法仍能有效快速收敛，收敛所需迭代次数并未明显增大；另一方面，分布式一致性算法可以有效适应智能体动态退出或加入的“即插即用”情况，具备良好的实时运行鲁棒性。
[0175]
为检验本发明所提方法在实际应用的有效性，根据中国西北地区某可再生能源集群某日11:00～15:00的实际数据，进行仿真验证。以5min为分辨率将该时段划分为48个时间点，其中当天12:20～13:25出现明显限电弃风弃光现象。分别采用本文所提方法模型以及不考虑不确定性的传统方法进行计算，作为对比验证，结果见图7、图8。图7表示集群运行过程的实时出力，其中4条曲线分别表示日前功率预测、实时调控指令、本发明方法对应出力曲线、传统方法对应出力曲线。图8表示集群运行过程的实时出力与控制指令的差额。对出力控制缺额作量化，定义平均相对误差δ为：
[0176]
[0177]
经计算得11：00
‑
15：00时段内，对于该集群的总体出力，两种策略的平均相对误差δ分别为0.37％与1.78％。分析表明，应用本方法后，由于可再生能源日前预测的固有误差对各个电站实时出力的影响被削弱，集群整体运行过程中的出力误差相比不考虑不确定性的传统模型要明显更小，可以更好地平抑电站出力不确定性导致的功率波动。
[0178]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种考虑不确定性的可再生能源集群出力分布式协调控制方法，其特征在于，包括：s1.利用tls分布模型模拟可再生能源集群出力不确定性误差；s2.以风、光电站弃电功率最小为优化目标，构建集群各电站出力优化模型；所述出力优化模型用于在设定时间周期内根据不确定性误差模拟结果对电站出力指令进行修正；s3.基于多智能体系统及其一致性原理对所述优化模型进行求解，得到各电站出力调节值；s4.根据各电站出力调节值改变机组有功出力或启停机组，从而进行有功控制。2.根据权利要求1所述的一种考虑不确定性的可再生能源集群出力分布式协调控制方法，其特征在于，s1包括：01.对电站出力预测误差的分布建模；基于电站出力预测误差的历史统计数据和预测误差的概率密度函数计算预测误差的tls分布参数，从而得到该电站出力预测误差的tls分布曲线；其中，预测误差的概率密度函数为：f(x)和f(x)分别为tls的概率密度函数和累积分布函数，p
cap
为电站的装机容量；02.对电站出力的不确定性误差进行模拟；从分布曲线中随机生成误差模拟数据，对于第i次模拟p
err，(i)
，当p
err，(i)
∈[
‑
p
pre，(i)
,p
cap
‑
p
pre，(i)
]时接受该模拟值，否则拒绝并进行下一次模拟；对每个电站均进行多次模拟，直至该电站被接受的有效模拟达到设定次数后停止，取各次模拟值的均值作为电站在这一时刻的误差模拟值。3.根据权利要求2所述的一种考虑不确定性的可再生能源集群出力分布式协调控制方法，其特征在于，所述出力优化模型的目标函数为：式中，p
pre,i
(t)是电站i在t时段的日前出力预测值；p
ord,i
(t)是电站i在t时段应当出力的指令值；n为集群域内的可再生能源电站个数。4.根据权利要求3所述的一种考虑不确定性的可再生能源集群出力分布式协调控制方法，其特征在于，所述出力优化模型的约束条件包括：集群有功平衡约束：p
ord,clu
(t)为集群t时段的总出力指令值；电站实时出力约束：0≤p
ord,i
(t)≤p
pre,i
(t)≤p
cap,i
(t)，p
cap,i
(t)为电站i的装机容量；电站出力调节速率约束：p
ord,i
(t)
‑
p
ord,i
(t
‑
δt)≤|α
i
p
cap,i
|，α
i
为电站i的调节速率系数。5.根据权利要求1所述的一种考虑不确定性的可再生能源集群出力分布式协调控制方法，其特征在于，步骤s3具体包括，将电站节点设置为协调智能体，执行如下分布式迭代计算流程，当集群内所有协调智能体的一致性变量相等时，算法收敛求得最优解，得到电站p在该控制周期的出力调节值：
01.根据k轮迭代的状态更新k 1轮迭代节点p的一致性变量λ
p
(k 1)；n为集群中包含的电站个数，矩阵元素a
p,q
表示任意两节点p、q之间边的权重，为一致性收敛系数，μ
p
(k)为出力调整项；02.根据k 1轮一致性变量计算k 1轮节点p的出力p
ord,p
(k 1)：p
ord,p
(k 1)＝
‑
[λ
p
(k 1)(p
pre,p
p
err,p
)2]/2 p
pre,p
p
err,p
每轮更新后对出力作如下修正：03.根据更新后的p
ord,p
(k 1)计算得到k 1轮迭代中出力调整项μ
p
(k 1)的值：μ
p
(k 1)＝μ
p
(k)
‑
[p
ord,p
(k 1)
‑
p
ord,p
(k)]。6.根据权利要求1
‑
5任一项所述的一种考虑不确定性的可再生能源集群出力分布式协调控制方法，其特征在于，当检测到集群出力误差越限，所述方法还包括以下步骤：计算各电站的出力补偿期望值δp
k
(t)＝p
pre,i
(t) p
err,i
(t)－p
ord,i
(t)，选取δp
k
(t)值最大的电站作为补偿电站i；若补偿电站i满足：p
pre,i
(t) p
err,i
(t)
‑
p
ord,i
(t)＞p
ord,clu
(t)
‑
p
real,clu
(t)式中，p
ord,clu
(t)为集群在周期t的出力指令值，p
real,clu
(t)为集群在周期t初始时刻的出力实际值；则补偿电站i在下一个控制周期的出力指令修正为正为集群除补偿电站i之外的n
‑
1个电站基于式：参与优化，并根据优化结果设定各自在t 1周期的出力参考值；若补偿电站i满足：p
pre,i
(t) p
err,i
(t)
‑
p
ord,i
(t)＜p
ord,clu
(t)
‑
p
real,clu
(t)则该补偿电站i在下一个周期的出力指令修正为：并根据出力补偿期望值δp
k
(t)从大到小依次选取下个补偿电站k，电站k在下一个控制周期的出力指令修正为周期的出力指令修正为
同时，集群除补偿电站i与k之外的n
‑
2个电站基于下式参与优化，并根据优化结果设定各自在t 1周期的出力参考值：7.一种考虑不确定性的可再生能源集群出力分布式协调控制系统，其特征在于，包括：计算机可读存储介质和处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至6任一项所述的考虑不确定性的可再生能源集群出力分布式协调控制方法。
技术总结
本发明公开了一种考虑不确定性的可再生能源集群出力分布式协调控制方法，属于电力系统优化控制领域。本发明为应对风、光能源不确定性对调控精度的不利影响，针对传统集群出力优化模型未能充分考虑其不确定性问题，基于TSL分布构建考虑出力不确定性的优化模型与策略；同时，在协调控制依托的信息架构与实施模式方面，针对传统集中式模式存在的计算复杂度高、数据采集周期长、通信压力大等不足，为了更好得适应所提出的考虑不确定性的优化模型数据交互频繁、通信时效性要求高等特征，基于多智能体系统理论实现分布式计算求解，以降低计算规模与通信压力，实现故障分离、风险分散。总体上，本发明能够提高可再生能源集群控制精度、鲁棒性与灵活性。鲁棒性与灵活性。鲁棒性与灵活性。


技术研发人员：罗毅 韩越 钱敏慧
受保护的技术使用者：中国电力科学研究院有限公司
技术研发日：2021.04.06
技术公布日：2021/6/29