文蕓，周彬，杜振川，張孝順，余濤

(1. 國(guó)網(wǎng)南昌供電公司，南昌市330000；2.華南理工大學(xué)電力學(xué)院，廣州市 510640)

計(jì)及大規(guī)模電動(dòng)汽車接入的AGC功率動(dòng)態(tài)分配深度交互教學(xué)優(yōu)化算法

文蕓1，周彬1，杜振川1，張孝順2，余濤2

(1. 國(guó)網(wǎng)南昌供電公司，南昌市330000；2.華南理工大學(xué)電力學(xué)院，廣州市 510640)

為提高區(qū)域電網(wǎng)自動(dòng)發(fā)電控制(automatic generation control, AGC)的控制性能指標(biāo)，利用接入電網(wǎng)的大規(guī)模電動(dòng)汽車參與AGC。在滿足車主充電需求的前提下，建立了電動(dòng)汽車的實(shí)時(shí)上下調(diào)節(jié)容量評(píng)估模型。在此基礎(chǔ)上，構(gòu)建了電動(dòng)汽車集群與傳統(tǒng)水電、火電機(jī)組的AGC功率分層分配框架。為滿足上層不同類型機(jī)組的快速經(jīng)濟(jì)分配，提出了一種深度交互教學(xué)(deep interactive teaching-learning, DITL)優(yōu)化算法進(jìn)行求解，該算法在標(biāo)準(zhǔn)教學(xué)優(yōu)化算法的基礎(chǔ)上，將單個(gè)班級(jí)擴(kuò)展到多個(gè)班級(jí)，并采用小世界交互網(wǎng)絡(luò)構(gòu)建不同教師/學(xué)生之間的交互網(wǎng)絡(luò)，從而提升算法的全局搜索及局部搜索能力。在電動(dòng)汽車集群內(nèi)部，則根據(jù)調(diào)節(jié)成本系數(shù)實(shí)現(xiàn)第二層不同局部控制中心的AGC功率分配，然后根據(jù)充電時(shí)間裕度排序?qū)崿F(xiàn)不同電動(dòng)汽車的底層AGC功率分配。海南電網(wǎng)仿真算例表明：該文所提的上層分配框架可有效實(shí)現(xiàn)電動(dòng)汽車與傳統(tǒng)水火電機(jī)組的協(xié)調(diào)，DITL算法能有效提升AGC的動(dòng)態(tài)控制性能，降低系統(tǒng)的調(diào)節(jié)成本。

深度交互教學(xué)；功率動(dòng)態(tài)分配；電動(dòng)汽車；自動(dòng)發(fā)電控制(AGC)

0 引 言

為保證互聯(lián)區(qū)域電網(wǎng)的安全運(yùn)行，自動(dòng)發(fā)電控制[1](automatic generation control, AGC)一直承擔(dān)著區(qū)域電網(wǎng)頻率與聯(lián)絡(luò)線交換功率的理想值控制任務(wù)。一般而言，AGC可劃分為2個(gè)過(guò)程[2]：(1)基于實(shí)時(shí)采集的頻率偏差及聯(lián)絡(luò)線功率偏差，控制器根據(jù)設(shè)定的控制策略計(jì)算出總的功率指令；(2)功率分配器采用設(shè)計(jì)的算法將總功率指令分配到各個(gè)AGC機(jī)組。隨著風(fēng)光等間歇式能源的大量接入，由于傳統(tǒng)燃煤AGC機(jī)組存在調(diào)節(jié)速度慢、調(diào)頻時(shí)延長(zhǎng)等特點(diǎn)，當(dāng)存在少量的燃?xì)饧八夾GC調(diào)節(jié)容量時(shí)，系統(tǒng)就難以平衡隨機(jī)的功率擾動(dòng)，導(dǎo)致較差的控制性能指標(biāo)[3]。因此，需要從負(fù)荷側(cè)挖掘更多的調(diào)頻資源[4]，參與AGC控制，從而提高系統(tǒng)的動(dòng)態(tài)控制性能。

近年來(lái)，伴隨著氣候環(huán)境變化的惡化，大部分國(guó)家已不斷積極推進(jìn)電動(dòng)汽車的普及應(yīng)用。作為一個(gè)天然的儲(chǔ)能裝置，電動(dòng)汽車的有序充放電可有效提高電力系統(tǒng)調(diào)峰調(diào)頻的控制優(yōu)化效果，因此也吸引了國(guó)內(nèi)外眾多學(xué)者對(duì)其進(jìn)行深入的研究[5-7]。在滿足車主充電需求的前提下，文獻(xiàn)[8]提出了電動(dòng)汽車參與電網(wǎng)一次調(diào)頻的分散式控制方法。文獻(xiàn)[9]和[10]均利用電動(dòng)汽車的快速上下調(diào)特性，有效平抑了丹麥電網(wǎng)大規(guī)模接入風(fēng)電的隨機(jī)功率擾動(dòng)。此外，文獻(xiàn)[11]進(jìn)一步考慮與熱泵熱水器的聯(lián)合調(diào)節(jié)作用，有效實(shí)現(xiàn)了對(duì)大規(guī)模風(fēng)電場(chǎng)及光伏電站接入隨機(jī)功率擾動(dòng)的快速平衡。然而，這些研究均沒有考慮電動(dòng)汽車與傳統(tǒng)水電、火電AGC機(jī)組的聯(lián)合最優(yōu)控制。

為此，本文搭建了同時(shí)考慮電動(dòng)汽車和傳統(tǒng)水火電AGC機(jī)組的雙層動(dòng)態(tài)功率分配模型。對(duì)于AGC動(dòng)態(tài)功率分配問(wèn)題，實(shí)際電網(wǎng)中常采用按相同可調(diào)容量比例固定分配的PROP方法[12]進(jìn)行功率分配。為提高系統(tǒng)的動(dòng)態(tài)調(diào)節(jié)性能及調(diào)節(jié)經(jīng)濟(jì)性，筆者采用了一系列強(qiáng)化學(xué)習(xí)算法實(shí)現(xiàn)了AGC功率動(dòng)態(tài)分配[12-15]，包括單智能體Q、Q(λ)、分層Q學(xué)習(xí)算法以及基于多智能體博弈論的相關(guān)均衡Q學(xué)習(xí)算法。然而，當(dāng)對(duì)動(dòng)作策略的控制精度要求提高時(shí)，就容易導(dǎo)致強(qiáng)化學(xué)習(xí)算法的維數(shù)災(zāi)難，從而使算法無(wú)法滿足AGC功率動(dòng)態(tài)分配的在線優(yōu)化需求。另一方面，為實(shí)現(xiàn)AGC功率動(dòng)態(tài)分配的分散優(yōu)化，文獻(xiàn)[16]提出了虛擬發(fā)電部落的分配框架，并采用爬升時(shí)間一致性和成本一致性算法實(shí)現(xiàn)大規(guī)模區(qū)域電網(wǎng)的快速AGC功率動(dòng)態(tài)分配，但一致性算法依賴于具體的數(shù)學(xué)模型，在大多數(shù)情況下只能獲得較為滿意的次優(yōu)解，在優(yōu)化問(wèn)題數(shù)學(xué)形態(tài)復(fù)雜時(shí)甚至無(wú)法求解。

因此，本文提出一種全新的深度交互教學(xué)(deep interactive teaching-learning, DITL)優(yōu)化算法，用于求解含大規(guī)模電動(dòng)汽車接入的AGC功率動(dòng)態(tài)分配。為測(cè)試所提算法的尋優(yōu)性能及控制效果，利用海南電網(wǎng)算例進(jìn)行仿真分析。

1 計(jì)及大規(guī)模電動(dòng)汽車接入的AGC功率動(dòng)態(tài)分配模型

1.1 功率動(dòng)態(tài)分配框架

如圖1所示，在計(jì)及大規(guī)模電動(dòng)汽車參與區(qū)域電網(wǎng)AGC后，其功率動(dòng)態(tài)分配框架可劃分為3個(gè)層面。

(1)第一層功率動(dòng)態(tài)分配：根據(jù)設(shè)計(jì)的算法，以追求動(dòng)態(tài)控制性能及經(jīng)濟(jì)性為目標(biāo)，將PI控制器獲得的總功率分配到各個(gè)傳統(tǒng)水火電AGC機(jī)組及電動(dòng)汽車集群。

(2)第二層功率動(dòng)態(tài)分配：根據(jù)不同電動(dòng)汽車局部控制中心的調(diào)節(jié)成本實(shí)現(xiàn)集群的內(nèi)部功率分配，其中調(diào)節(jié)成本系數(shù)較低的局部控制中心優(yōu)先分配，而局部控制中心的引入是為了減少集群控制中心的信息采集和降低控制難度。

(3)第三層功率動(dòng)態(tài)分配：在局部控制中心內(nèi)部，所有接入電動(dòng)汽車根據(jù)充電時(shí)間裕度排序?qū)崿F(xiàn)內(nèi)部功率分配，其中，充電時(shí)間裕度較大的電動(dòng)汽車優(yōu)先分配，而充電時(shí)間裕度主要取決于充電功率、電池荷電狀態(tài)(state of charge, SOC)、接入時(shí)間及停留時(shí)間等。

圖1 AGC功率動(dòng)態(tài)分配分層框架Fig.1 Multi-layer framework of generation command dispatch of AGC

1.2 電動(dòng)汽車調(diào)節(jié)容量

從本質(zhì)上來(lái)說(shuō)，電動(dòng)汽車相當(dāng)于一個(gè)電池儲(chǔ)能裝置，在滿足車主充電需求的前提下，完全可利用電動(dòng)汽車的接入時(shí)間參與電網(wǎng)AGC。每輛接入電網(wǎng)的電動(dòng)汽車具有期望的SOC，正常不參與AGC控制的充電過(guò)程[17]可描述如下：

(1)

(2)

當(dāng)電動(dòng)汽車接入時(shí)，由于車主參與了電網(wǎng)AGC調(diào)節(jié)，就無(wú)法立即獲知自身的實(shí)際充電結(jié)束時(shí)間，只能上傳期望的SOC及期望離開時(shí)間給局部控制中心評(píng)估，并響應(yīng)局部控制中心下發(fā)的調(diào)節(jié)功率指令。

為延長(zhǎng)電動(dòng)汽車電池壽命，本文暫不考慮電動(dòng)汽車放電的AGC。如圖2所示，假設(shè)負(fù)荷擾動(dòng)發(fā)生在時(shí)刻toff，這時(shí)電動(dòng)汽車充電狀態(tài)為eSOCoff，eSOCe代表車主的期望充電狀態(tài)，則電動(dòng)汽車在滿足以下條件時(shí)，即可參與AGC功率下調(diào)控制：

(3)

(4)

圖2 電動(dòng)汽車參與AGC功率控制原理圖Fig.2 Power control principle of AGC with electric vehicle

因此，當(dāng)有功率下調(diào)指令時(shí)，即可根據(jù)電動(dòng)汽車的充電時(shí)間裕度來(lái)實(shí)現(xiàn)AGC功率的第三層動(dòng)態(tài)分配，即充電時(shí)間裕度越大的電動(dòng)汽車優(yōu)先參與AGC下調(diào)控制，其中電動(dòng)汽車的充電時(shí)間裕度為

(5)

另外，當(dāng)電動(dòng)汽車在滿足以下條件時(shí)，即可參與AGC功率上調(diào)控制：

(toff+Δtagc)

(6)

因此，當(dāng)有功率上調(diào)指令時(shí)，也是根據(jù)電動(dòng)汽車的充電時(shí)間裕度來(lái)實(shí)現(xiàn)AGC功率的第三層動(dòng)態(tài)分配，即充電時(shí)間裕度越大的電動(dòng)汽車優(yōu)先參與AGC上調(diào)控制，其中電動(dòng)汽車的充電時(shí)間裕度可描述如下：

(7)

需要說(shuō)明的是，本文假設(shè)每個(gè)電動(dòng)汽車局部控制中心就相當(dāng)于一個(gè)代理商，代理商所管控的電動(dòng)汽車參與AGC調(diào)節(jié)成本在同一時(shí)刻內(nèi)都是一樣的，因此在局部控制中心內(nèi)部，就只需按照充電時(shí)間裕度排序執(zhí)行AGC功率分配即可。

為充分利用分散的私家充電樁，充電樁需具備與電動(dòng)汽車局部控制中心通信交互與連續(xù)功率指令響應(yīng)的能力，這必然會(huì)增加用戶的設(shè)備投資成本。然而，如果車主能在滿足充電需求的前提下，有效響應(yīng)局部控制中心下達(dá)的功率指令來(lái)獲得額外的AGC調(diào)節(jié)收益，就可以刺激車主積極增加設(shè)備投資，滿足充電樁的通信交互和連續(xù)功率指令響應(yīng)。因此，在未來(lái)“物聯(lián)網(wǎng)”背景下，本文提出的分層框架來(lái)實(shí)現(xiàn)分散的私家充電樁參與電網(wǎng)AGC調(diào)控是具有可行性的。

1.3 數(shù)學(xué)模型

本文主要是采用提出的算法求解圖1中的第一層AGC功率動(dòng)態(tài)分配。由于傳統(tǒng)水火電AGC機(jī)組的存在，因此AGC的功率動(dòng)態(tài)分配主要考慮2個(gè)目標(biāo)，包括：(1)最小化所有傳統(tǒng)機(jī)組的爬升時(shí)間最大值；(2)最小化所有機(jī)組的調(diào)節(jié)成本。在采用不同目標(biāo)的歸一化以及線性加權(quán)的多目標(biāo)處理方法后，即可建立第一層的AGC功率動(dòng)態(tài)分配數(shù)學(xué)模型[16]：

(8)

(9)

(10)

由于電動(dòng)汽車在參與AGC時(shí)不受爬坡速率的限制，即在不同的功率指令時(shí)，其爬升時(shí)間都為0，因此式(10)的目標(biāo)函數(shù)f中不含有電動(dòng)汽車集群的爬升時(shí)間，而這一快速調(diào)節(jié)特征也是區(qū)分傳統(tǒng)火電機(jī)組與電動(dòng)汽車參與AGC功率調(diào)節(jié)的最主要特征。

2 深度交互教學(xué)優(yōu)化算法

2.1 優(yōu)化算法原理框架

標(biāo)準(zhǔn)教學(xué)優(yōu)化[18](teaching-learning-based optimization, TLBO)算法啟發(fā)于不同個(gè)體之間的教與學(xué)，主要包括教與學(xué)2個(gè)操作過(guò)程。在標(biāo)準(zhǔn)TLBO算法中，群體是由1個(gè)班級(jí)的多個(gè)學(xué)生和1個(gè)教師構(gòu)成。通過(guò)教師不斷地教給學(xué)生新知識(shí)，學(xué)生之間的交互學(xué)習(xí)，最后使整個(gè)班級(jí)的知識(shí)水平顯著提高，其中知識(shí)水平最高的個(gè)體即為具有最高質(zhì)量的最優(yōu)解。

如圖3所示，在標(biāo)準(zhǔn)TLBO算法的基礎(chǔ)上，DITL將原來(lái)單個(gè)班級(jí)擴(kuò)展到多個(gè)班級(jí)，并在不同教師或?qū)W生之間構(gòu)造基于小世界理論的交互網(wǎng)絡(luò)，實(shí)現(xiàn)不同個(gè)體之間的深度交互學(xué)習(xí)，從而提高算法的全局搜索和局部搜索能力。

圖3 DITL算法原理框架圖Fig.3 Principle framework of DITL

2.2 小世界交互網(wǎng)絡(luò)

一般的遺傳算法(genetic algorithm, GA)、粒子群優(yōu)化算法(particle swarm optimization, PSO)等群智能搜索算法均假設(shè)個(gè)體之間是完全的交互網(wǎng)絡(luò)，即每個(gè)個(gè)體都根據(jù)全局信息來(lái)尋優(yōu)。然而，在現(xiàn)實(shí)社交網(wǎng)絡(luò)中，個(gè)體往往只跟相鄰個(gè)體存在交互網(wǎng)絡(luò)，而小世界交互網(wǎng)絡(luò)[19]恰好就是這種真實(shí)網(wǎng)絡(luò)的一種定義。因此，本文利用小世界理論來(lái)構(gòu)造不同教師之間或?qū)W生之間的交互網(wǎng)絡(luò)。

在小世界交互網(wǎng)絡(luò)中，個(gè)體都會(huì)以一定的概率p隨機(jī)地與任意一個(gè)個(gè)體進(jìn)行交互。其中，個(gè)體i與個(gè)體j交互的概率pij可隨迭代步數(shù)不斷改變[20]：

(11)

式中：k代表迭代步數(shù)；kmax為最大迭代步數(shù)；Cp為交互概率因子，0

2.3 教師/學(xué)生之間的教學(xué)更新模式

對(duì)于每個(gè)班級(jí)的教師來(lái)講，其主要目的就是將自己掌握的所有知識(shí)傳授給班里的學(xué)生，從而提高整個(gè)班級(jí)的平均知識(shí)水平，最后使學(xué)生的知識(shí)水平不斷逼近教師。因此，在每次迭代時(shí)，均把班級(jí)獲得最優(yōu)解的個(gè)體選為教師，剩余的個(gè)體全部設(shè)為學(xué)生。其中，教師與學(xué)生之間的教學(xué)更新模式具體可描述如下：

(12)

(13)

TF=round[1+rand(0,1){2-1})

(14)

(15)

2.4 教師/學(xué)生之間的互相學(xué)習(xí)更新模式

在DITL算法中，每個(gè)個(gè)體都會(huì)與其交互網(wǎng)絡(luò)的若干個(gè)個(gè)體進(jìn)行交互學(xué)習(xí)，以提高自身的知識(shí)水平。若其交互的個(gè)體知識(shí)水平更高(適應(yīng)度函數(shù)更低)，個(gè)體則向其學(xué)習(xí)，具體可描述如下：

(16)

(17)

(18)

2.5 求解AGC功率動(dòng)態(tài)分配流程

DITL求解AGC功率動(dòng)態(tài)分配的具體流程可詳見圖4。

圖4 DITL算法求解流程圖Fig.4 Calculation flowchart of DITL

3 海南電網(wǎng)算例仿真

為測(cè)試DITL算法在求解AGC功率動(dòng)態(tài)分配的尋優(yōu)性能，本節(jié)還引入3種對(duì)比算法，包括PROP[12]、GA[21]和PSO[22]，其中所有算法均在海南電網(wǎng)算例進(jìn)行測(cè)試，對(duì)比算法的種群規(guī)模和最大迭代步數(shù)均分別設(shè)為50和150?？紤]到AGC的主要任務(wù)是快速地平衡負(fù)荷擾動(dòng)，因此式(8)中爬升時(shí)間目標(biāo)的權(quán)重μ1應(yīng)設(shè)置為較大的值，本章節(jié)將μ1和μ2分別設(shè)為0.9和0.1。算例仿真均在CPU為英特爾i5-4210M、主頻2.6 GHz、內(nèi)存8 GB的計(jì)算機(jī)運(yùn)行計(jì)算。

3.1 仿真模型

本文將海南省GDP排名前10的市縣(海口、三亞、澄邁、儋州、瓊海、萬(wàn)寧、文昌、東方、臨高、陵水)分別設(shè)一個(gè)電動(dòng)汽車局部控制中心，以控制不同區(qū)域接入電動(dòng)汽車的充電過(guò)程，具體規(guī)模按規(guī)劃數(shù)據(jù)設(shè)計(jì)，其中具體的接入車輛可用蒙特卡洛采樣進(jìn)行模擬。表1給出了傳統(tǒng)水火電機(jī)組以及電動(dòng)汽車集群的具體參數(shù)，其中Ts為二次調(diào)頻時(shí)延。

3.2 尋優(yōu)性能分析

圖5給出了不同算法在總功率指令ΔP∑=480 MW下的尋優(yōu)適應(yīng)度函數(shù)收斂曲線，其中擾動(dòng)發(fā)生在夏季典型日中午12:00，480 MW是為了模擬間歇性能源突然發(fā)生功率變化，剛好對(duì)應(yīng)目前海南電網(wǎng)投運(yùn)的風(fēng)電場(chǎng)、光伏電站總裝機(jī)容量。從圖5中可以發(fā)現(xiàn)：在引入了小世界交互網(wǎng)絡(luò)以及多班級(jí)協(xié)同尋優(yōu)后，可明顯提高DITL的全局尋優(yōu)及局部尋優(yōu)能力，在給出的3種對(duì)比算法中最優(yōu)解質(zhì)量最高，使系統(tǒng)調(diào)節(jié)的最大爬升時(shí)間及總調(diào)節(jié)成本控制在較小的值，如圖6所示。

圖5 不同算法收斂曲線對(duì)比Fig.5 Convergence comparison of different algorithms

圖6 DITL算法尋優(yōu)目標(biāo)收斂曲線Fig.6 Convergence of optimization objectives by DITL

3.3 在線優(yōu)化分析

圖7給出了不同算法在隨機(jī)階躍功率擾動(dòng) (ΔPL=480 MW)下的在線優(yōu)化曲線，其中擾動(dòng)發(fā)生在夏季典型日中午12:04。從圖7中可以發(fā)現(xiàn)：相比沒有做過(guò)尋優(yōu)處理的PROP工程方法，GA、PSO及DITL均能更好地跟蹤匹配功率擾動(dòng)，提高系統(tǒng)的動(dòng)態(tài)響應(yīng)速度，其中DITL算法的機(jī)組總功率調(diào)節(jié)輸出最貼近負(fù)荷擾動(dòng)。

圖7 不同算法的在線優(yōu)化對(duì)比Fig.7 Comparison of online optimization obtained by different algorithms

圖8給出了DITL算法下不同機(jī)組的功率偏差調(diào)節(jié)曲線。從圖8中可發(fā)現(xiàn)：由于水電機(jī)組及電動(dòng)汽車具有快速的調(diào)節(jié)特性，因此承擔(dān)了大部分的功率擾動(dòng)；另外，由于響應(yīng)速度的需求，燃煤機(jī)組和燃?xì)鈾C(jī)組也承擔(dān)了部分功率擾動(dòng)。這也說(shuō)明了DITL算法能有效權(quán)衡最大爬升時(shí)間和總調(diào)節(jié)成本2個(gè)帶有沖突的目標(biāo)。

1—燃煤1號(hào)；2—燃煤2號(hào)；3—燃煤3號(hào)；4—水電1號(hào)；5—水電2號(hào)；6—水電3號(hào)；7—燃?xì)?號(hào)；8—燃?xì)?號(hào)；9—電動(dòng)汽車集群。

圖8 DITL算法下不同機(jī)組的功率偏差調(diào)節(jié)曲線
Fig.8 Power deviation regulation curves of different units obtained by DITL

從表2的不同算法下的AGC控制性能對(duì)比也可看出：由于DITL算法下的AGC調(diào)節(jié)動(dòng)態(tài)響應(yīng)速度最快，因此區(qū)域控制偏差(area control error, ACE)、頻率偏差均能控制到較小的值，控制性能指標(biāo)CPS1、CPS2及CPS也均能較好地滿足控制要求，同時(shí)，累積的總調(diào)節(jié)成本也可明顯減少。

表2 海南電網(wǎng)在不同算法下的AGC性能指標(biāo)對(duì)比表
Table 2 Comparison of AGC indices obtained by different algorithms in Hainan power grid

4 結(jié) 論

(1)首次在AGC功率動(dòng)態(tài)分配過(guò)程中考慮了電動(dòng)汽車與傳統(tǒng)水火電AGC機(jī)組的聯(lián)合調(diào)節(jié)，并在電動(dòng)汽車集群內(nèi)部功率分配過(guò)程中，提出了滿足車主充電需求的充電時(shí)間裕度分配方法。

(2)提出了一種全新的DITL算法，將標(biāo)準(zhǔn)TLBO算法的單個(gè)班級(jí)擴(kuò)展到多班級(jí)聯(lián)合尋優(yōu)，并在不同教師/學(xué)生之間構(gòu)建了深度交互的小世界動(dòng)態(tài)網(wǎng)絡(luò)，有效實(shí)現(xiàn)了全局搜索和局部搜索之間的權(quán)衡。

(3)海南電網(wǎng)算例表明：本文所提算法能有效滿足AGC功率動(dòng)態(tài)分配的在線優(yōu)化需求，在提高動(dòng)態(tài)性能指標(biāo)的同時(shí)，可有效降低系統(tǒng)的總調(diào)節(jié)費(fèi)用。

[1]劉維烈.電力系統(tǒng)調(diào)頻與自動(dòng)發(fā)電控制[M].北京：中國(guó)電力出版社，2006：137-138. LIU Weilie. Frequency control in power system and automatic generation control[M]. Beijing：China Electric Power Press，2006：137-138.

[2]余濤，王宇名，劉前進(jìn).互聯(lián)電網(wǎng)CPS調(diào)節(jié)指令動(dòng)態(tài)最優(yōu)分配Q-學(xué)習(xí)算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010，30(7)：62-69. YU Tao, WANG Yuming, LIU Qianjin.Q-learning-based dynamic optimal allocation algorithm for CPS order of interconnected power grids[J]. Proceedings of CSEE，2010，30(7)：62-69.

[3]DOHERTY R, MULLANE A, NOLAN G, et al. An assessment of the impact of wind generation on system frequency control[J]. IEEE Transactions on Power Systems, 2010, 25(1): 452-460.

[4]XU Z, ?STERGAARD J, TOGEBY M. Demand as frequency controlled reserve[J]. IEEE Transactions on Power Systems, 2011, 26(3): 1062-1071.

[5]劉文霞, 趙天陽(yáng), 邱威,等. 規(guī)?；疎V充電與風(fēng)力/火電發(fā)電系統(tǒng)協(xié)調(diào)運(yùn)行[J]. 電工技術(shù)學(xué)報(bào), 2013, 28(5): 49-57. LIU Wenxia, ZHAO Tianyang, QIU Wei, et al. Coordinated operation of large scale electric vehicle charging with wind-thermal power system[J]. Transactions on China Electrotechnical Society, 2013, 28(5): 49-57.

[6]姚偉鋒, 趙俊華, 文福拴, 等. 集中充電模式下的電動(dòng)汽車調(diào)頻策略[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(9): 69-76. YAO Weifeng, ZHAO Junhua, WEN Fushuan, et al. Frequency regulation strategy for electric vehicles with centralized charging[J]. Automation of Electric Power Systems, 2014, 38(9): 69-76.

[7]張聰, 張祥文, 夏俊榮, 等. 電動(dòng)汽車實(shí)時(shí)可調(diào)度容量評(píng)估方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(22): 99-106. ZHANG Cong, ZHANG Xiangwen, XIA Junrong, et al. Research on estimation of electric vehicles real-time schedulable capacity[J]. Power System Protection and Control, 2015, 43(22): 99-106.

[8]LIU H, HU Z, SONG Y, et al. Decentralized vehicle-to-grid control for primary frequency regulation considering charging demands[J]. IEEE Transactions on Power Systems, 2013, 28(3): 3480-3489.

[9]PILLAI J R, BAK-JENSEN B. Integration of vehicle-to-grid in the western Danish power system[J]. IEEE Transactions on Sustainable Energy, 2011, 2(1): 12-19.

[10]HU W, SU C, CHEN Z, et al. Optimal operation of plug-in electric vehicles in power systems with high wind power penetrations[J]. IEEE Transactions on Sustainable Energy, 2013, 4(3): 577-585.

[11]MASUTA T, YOKOYAMA A. Supplementary load frequency control by use of a number of both electric vehicles and heat pump water heaters[J]. IEEE Transactions on Smart Grid, 2012, 3(3): 1253-1262.

[12]余濤，王宇名，甄衛(wèi)國(guó)，等.基于多步回溯Q學(xué)習(xí)的自動(dòng)發(fā)電控制指令動(dòng)態(tài)優(yōu)化分配算法[J].控制理論與應(yīng)用，2011，28(1)：58-69. YU Tao，WANG Yuming，ZHEN Weiguo，et al.Multi-step backtrackQ-learning based dynamic optimal algorithm for auto generation control order dispatch[J].Control Theory & Applications，2011，28(1)：58-69.

[13]YU T，WANG Y M，YE W J，et.al.Stochastic optimal generation command dispatch based on improved hierarchical reinforcement learning approach[J].IET Generation，Transmission & Distribution，2011，5(8)：789-797.

[14]YU T, ZHANG X S, ZHOU B,et al. Hierarchical correlatedQ-learning for multi-layer optimal generation command dispatch[J]. International Journal of Electrical Power & Energy Systems, 2015(78): 1-12.

[15]張孝順, 余濤, 唐捷. 基于CEQ(λ)多智能體協(xié)同學(xué)習(xí)的互聯(lián)電網(wǎng)性能標(biāo)準(zhǔn)控制指令動(dòng)態(tài)分配優(yōu)化算法[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(8): 125-133. ZHANG Xiaoshun, YU Tao, TANG Jie. Dynamic optimal allocation algorithm for control performance standard order of interconnected power grids using synergetic learning of multi-agent CEQ(λ)[J]. Transactions on China Electrotechnical Society, 2016, 31(8): 125-133.

[16]張孝順，余濤.互聯(lián)電網(wǎng)AGC功率動(dòng)態(tài)分配的虛擬發(fā)電部落協(xié)同一致性算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(15)：3750-3759. ZHANG Xiaoshun，YU Tao.Virtual generation tribe based collaborative consensus algorithm for dynamic generation dispatch of AGC in interconnected power grids[J].Proceedings of CSEE，2015，35(15)：3750-3759.

[17]GHOFRANI M，ARABALI A，ETEZADI-AMOLI M，et al.Smart scheduling and cost-benefit analysis of grid-enabled electric vehicles for wind power integration[J].IEEE Transactions on Smart Grid，2014，5(5)：2306-2313.

[18]RAO R V, SAVSANI V J, VAKHARIA D P. Teaching-learning-based optimization: A novel method for constrained mechanical design optimization problems[J]. Computer-Aided Design, 2011(43): 303-315.

[19]WATTS D J, STROGATZ S H. Collective dynamics of ‘small-world’ networks[J]. Nature, 1998, 393(6684):440- 442.

[20]黃剛, 李晉航, 賈艷. SWO:基于小世界效應(yīng)的快速搜索算法[J]. 計(jì)算機(jī)科學(xué), 2011, 38(7): 255-260. HUANG Gang, LI Jinhang, JIA Yan. SWO: A fast search algorithm based on small world effect[J]. Computer Science, 2011, 38(7): 255-260.

[21]IBA K. Reactive power optimization by genetic algorithm[J]. IEEE Transactions on Power Systems, 1994, 9(2): 685-692.

[22]CLERC M, KENNEDY J. The particle swarm: Explosion, stability, and convergence in a multidimensional complex space[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(1): 58-73.

(編輯 張媛媛)

Deep Interactive Teaching-Learning Optimization Algorithm for Generation Command Dispatch of AGC with High-Penetration Electric Vehicles

WEN Yun1, ZHOU Bin1, DU Zhenchuan1, ZHANG Xiaoshun2, YU Tao2

(1. State Grid Nanchang Power Supply Company, Nanchang 330000, Jiangxi Province, China;2. College of Electric Power, South China University of Technology, Guangzhou 510640, China)

To improve the control standard performance of automatic generation control (AGC) in an area power grid, the massive plug-in electric vehicles are employed for participating in AGC. The evaluation model of real-time up/down regulation capacity of electric vehicle is constructed by satisfying the charging demand of the owners. Based on this, a multi-layer framework of generation command dispatch of AGC is presented for a coordinated regulation between a cluster of electric vehicles and conventional hydro, thermal units. In order to meet the rapid economic allocation of different types of upper units, this paper proposes a novel optimization algorithm of deep interactive teaching-learning (DITL), in which a single class of the standard teaching-learning-based optimization is extended to multiple classes, while the small world networks is adopted for constructing the interactive networks among different teachers/students, thus the global search ability and local search ability can be enhanced. In the cluster of electric vehicles, the second-layer generation command dispatch of AGC is executed based on the regulation cost coefficients of different local control center, then the bottom-layer generation command dispatch of AGC is achieved according to the charging time margin of each electric vehicle. The simulations of Hainan power grid indicate that the coordinated regulation between a cluster of electric vehicles and conventional hydro and thermal units can be effectively achieved by the proposed upper generation command dispatch, and DITL algorithm can efficiently improve the dynamic control performance of AGC and reduce the regulation cost of the system.

deep interactive teaching-learning; generation command dispatch; electric vehicle; automatic generation control (AGC)

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃項(xiàng)目(973計(jì)劃) (2013CB228205)；國(guó)家自然科學(xué)基金項(xiàng)目(51477055)

TM 71

A

1000-7229(2017)07-0106-08

10.3969/j.issn.1000-7229.2017.07.013

2017-03-04

文蕓(1979)，女，大學(xué)本科，高級(jí)工程師，主要從事電力系統(tǒng)優(yōu)化與控制及繼電保護(hù)等方面的工作；

周彬(1990)，男，工程碩士，工程師，主要從事電力系統(tǒng)優(yōu)化與控制及繼電保護(hù)等方面的工作；

杜振川(1989)，男，工學(xué)碩士，工程師，主要從事電力系統(tǒng)優(yōu)化與控制及繼電保護(hù)等方面的工作；

張孝順(1990)，男，博士，研究方向?yàn)槿斯ぶ悄?、機(jī)器學(xué)習(xí)及博弈論在電力系統(tǒng)優(yōu)化與控制中的應(yīng)用；

余濤(1974)，男，博士，教授，研究方向?yàn)槿斯ぶ悄?、機(jī)器學(xué)習(xí)及博弈論在電力系統(tǒng)優(yōu)化與控制中的應(yīng)用。

Project supported by the National Basic Research Program of China (973 Program) (2013CB228205)； National Natural Science Foundation of China (51477055)