亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于群體智能的分布式柔性資源有功平衡調(diào)度架構(gòu)及策略

        2022-07-20 01:47:12李亞平楊勝春毛文博高冠中陸亞楠黃展鴻
        電力自動(dòng)化設(shè)備 2022年7期
        關(guān)鍵詞:智能資源

        李亞平,楊勝春,毛文博,高冠中,陸亞楠,黃展鴻

        (1. 中國(guó)電力科學(xué)研究院有限公司(南京),江蘇南京 210003;2. 華南理工大學(xué)電力學(xué)院,廣東廣州 510641)

        0 引言

        隨著新型電力系統(tǒng)建設(shè)的不斷推進(jìn),新能源占比不斷提升,新能源出力的隨機(jī)性、波動(dòng)性給系統(tǒng)平衡和電力供應(yīng)帶來(lái)了嚴(yán)峻挑戰(zhàn)。然而,火電機(jī)組等傳統(tǒng)電源被大量替代,發(fā)電側(cè)調(diào)節(jié)能力相對(duì)下降,電力系統(tǒng)需要更多的靈活調(diào)節(jié)資源。與此同時(shí),在能源互聯(lián)網(wǎng)技術(shù)和我國(guó)能源政策的推動(dòng)下,分布式電源DG(Distributed Generation)、可控負(fù)荷、儲(chǔ)能、電動(dòng)汽車EV(Electric Vehicle)等柔性資源數(shù)量已呈爆發(fā)式增長(zhǎng)態(tài)勢(shì)。根據(jù)我國(guó)能源發(fā)展規(guī)劃,“十四五”期間,我國(guó)分布式光伏裝機(jī)有望達(dá)到130~150 GW,較“十三五”實(shí)現(xiàn)倍增。2030 年新能源汽車保有量將會(huì)超過(guò)8 000 萬(wàn)輛。柔性資源為電力網(wǎng)絡(luò)提供了額外的有功調(diào)節(jié)能力,目前已廣泛參與到調(diào)峰[1-2]、調(diào)頻[3-4]、備用[5]等輔助服務(wù)中。

        柔性資源具有數(shù)量眾多、個(gè)體容量較小、地理分布零散的特點(diǎn)。相對(duì)于傳統(tǒng)負(fù)荷和發(fā)電側(cè)資源而言,具有更強(qiáng)的時(shí)空不確定性。此外,受限于通信和數(shù)據(jù)處理能力,海量終端設(shè)備無(wú)法與電網(wǎng)調(diào)度中心實(shí)現(xiàn)及時(shí)互聯(lián)互通,直接導(dǎo)致柔性資源參與調(diào)度的規(guī)模受限、方式單一。同時(shí),柔性資源類型更為多樣化且優(yōu)化目標(biāo)各異,海量的優(yōu)化決策變量將帶來(lái)“維數(shù)災(zāi)難”的問(wèn)題。在此背景下,如何實(shí)現(xiàn)海量柔性資源的協(xié)同調(diào)度亦是亟待解決的問(wèn)題,受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。為實(shí)現(xiàn)海量中小資源的有效整合利用,在實(shí)踐應(yīng)用中多以虛擬電廠VPP(Virtual Power Plant)、負(fù)荷聚合商LA(Load Aggregator)、主動(dòng)配電網(wǎng)ADN(Active Distribution Network)等集群方式,利用分層集中優(yōu)化模式處理多資源調(diào)控問(wèn)題。文獻(xiàn)[6-7]在總結(jié)國(guó)內(nèi)外柔性資源參與調(diào)度運(yùn)行方面研究進(jìn)展的基礎(chǔ)上,針對(duì)居民負(fù)荷、商業(yè)負(fù)荷等中小資源,提出基于LA 的分層架構(gòu)。文獻(xiàn)[8-9]從調(diào)度策略角度出發(fā),提出了LA 參與調(diào)峰、調(diào)頻等輔助服務(wù)市場(chǎng)的架構(gòu)及優(yōu)化決策模型。文獻(xiàn)[10]考慮VPP與多代理結(jié)構(gòu)的兼容性,建立了基于多代理系統(tǒng)的VPP 分層控制架構(gòu),提出了多VPP 參與電力市場(chǎng)時(shí)的雙層協(xié)調(diào)機(jī)制,實(shí)現(xiàn)了收益最大化和區(qū)域內(nèi)的電能平衡。文獻(xiàn)[11-12]通過(guò)ADN、微電網(wǎng)集群等技術(shù)提高計(jì)及大量柔性資源接入后的局部電網(wǎng)調(diào)控能力或運(yùn)行可靠性水平??傮w而言,VPP、LA 等資源聚合方式對(duì)個(gè)體有較強(qiáng)約束力,一般要簽訂中長(zhǎng)期的合約(例如年度),個(gè)體相對(duì)難以靈活進(jìn)出。而負(fù)荷調(diào)節(jié)除了受到經(jīng)濟(jì)收益影響外,其背后“人”的因素更為復(fù)雜(包括人的主體意愿、心理因素、經(jīng)濟(jì)水平、行為習(xí)慣等),體現(xiàn)在資源響應(yīng)的時(shí)變性和不確定性均較為明顯,故而柔性資源的聚合應(yīng)更靈活。

        為了充分發(fā)揮資源的主觀能動(dòng)性,還有一些文獻(xiàn)著眼于“重構(gòu)”電力系統(tǒng)的資源組織管理和運(yùn)行架構(gòu),提出了“去中心化”或“弱中心化”的調(diào)控模式。文獻(xiàn)[13]提出了電力系統(tǒng)“分散自律、集中協(xié)調(diào)”的能量管理系統(tǒng)族的思想,涵蓋了智能電網(wǎng)中源、網(wǎng)、荷三大環(huán)節(jié)。歐盟在2015 年提出了微元網(wǎng)WoC(Web of Cell)[14]的概念,美國(guó)可再生能源國(guó)家實(shí)驗(yàn)室提出了自治能源網(wǎng)AEG(Autonomous Energy Grids)[15]的概念,從自組織協(xié)同演化和群體智能(Collective Intelligence)決策角度,對(duì)構(gòu)建“弱中心化”的新型調(diào)控架構(gòu)進(jìn)行了初步框架設(shè)計(jì)和探討。文獻(xiàn)[16]以弱中心化WoC 為研究對(duì)象,針對(duì)電網(wǎng)調(diào)度資源呈現(xiàn)信息有限、可控性弱、容量微小、廣泛分布等特點(diǎn),開(kāi)展基于信息-物理-社會(huì)系統(tǒng)CPSS(Cyber Pysical Social System)和群體機(jī)器學(xué)習(xí)控制技術(shù)的研究。從資源組織角度出發(fā),WoC、AEG提出可擴(kuò)展、可重構(gòu)和自組織的信息及控制基礎(chǔ)架構(gòu)設(shè)想。在該框架下,個(gè)體可以自由進(jìn)出,靈活度較高,系統(tǒng)可以實(shí)時(shí)運(yùn)行,在確??焖?、經(jīng)濟(jì)、安全、可靠性能的前提下,廣泛地集成各種形式的能源。從調(diào)度模式角度出發(fā),弱中心、分散化成為主要的解決思路,傳統(tǒng)集中式調(diào)度模式向“分散決策、集中協(xié)調(diào)”模式轉(zhuǎn)變。從技術(shù)實(shí)現(xiàn)角度出發(fā),物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、復(fù)雜網(wǎng)絡(luò)、最優(yōu)控制等先進(jìn)的能源互聯(lián)網(wǎng)技術(shù)成為廣泛使用的主流技術(shù)。但總體而言,目前相關(guān)研究處于概念和技術(shù)框架階段。

        基于上述分析,本文沿著能源互聯(lián)網(wǎng)的技術(shù)思路對(duì)海量柔性資源的組織、調(diào)控模式進(jìn)行進(jìn)一步探索。引入新一代人工智能中的群體智能思想,融合多類型、分布式、柔性資源的不同運(yùn)行特征,提出基于群體智能的分布式柔性資源協(xié)同調(diào)控架構(gòu)。在分層分布集群控制架構(gòu)下,將每層資源集合看作是不同的智能體,強(qiáng)調(diào)柔性資源主體的自治決策和群間協(xié)同,整體涌現(xiàn)出群體智能的特征。在此基礎(chǔ)上,提出了群體的外特性建模方法,設(shè)計(jì)了群內(nèi)自治策略和群間交互協(xié)同策略。最后,通過(guò)算例仿真驗(yàn)證了分布式架構(gòu)的合理性和智能策略的有效性。

        1 群體智能

        群體智能是國(guó)家新一代人工智能發(fā)展規(guī)劃中的五大技術(shù)方向之一,正成為人工智能領(lǐng)域關(guān)注的焦點(diǎn)。群體智能可看作是不同于個(gè)體智力的群體型智能形態(tài),它起源于人們對(duì)自然界群居生物的行為觀察、分析和研究,該形態(tài)下群體所涌現(xiàn)出的整體智能水平往往會(huì)超越其組成個(gè)體的智能水平。

        根據(jù)組成個(gè)體的智能水平和個(gè)體類型差異,群體智能的發(fā)展可分為2 個(gè)階段[17]。第一階段(又可稱為群體智能1.0)以社會(huì)性昆蟲(chóng)/動(dòng)物等低智能體為中心,屬于傳統(tǒng)生物啟發(fā)式群體智能。常見(jiàn)算法包括蟻群算法、魚(yú)群算法、蜂群算法、粒子群優(yōu)化算法等,已廣泛應(yīng)用于電力系統(tǒng)規(guī)劃、經(jīng)濟(jì)調(diào)度、最優(yōu)潮流、無(wú)功優(yōu)化等領(lǐng)域[18-19],為優(yōu)化問(wèn)題的高效求解提供了算法支撐。

        第二階段(又可稱為群體智能2.0)是以人類等高智能體為中心、交互協(xié)同為特征的新一代群體智能,更加注重與物聯(lián)網(wǎng)、互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計(jì)算等技術(shù)的交叉融合,特別適合于在開(kāi)放環(huán)境下,通過(guò)競(jìng)爭(zhēng)與合作等多種自主協(xié)同方式來(lái)解決復(fù)雜系統(tǒng)的決策問(wèn)題,展現(xiàn)出超越個(gè)體智力的智能形態(tài),具備以下優(yōu)點(diǎn):①自組織性,群體智能全局性結(jié)構(gòu)是由各個(gè)智能體間的交互呈現(xiàn)出來(lái)的,交互規(guī)則只局限于局部信息,而非全局模式;②交互協(xié)同性,個(gè)體地位基本平等,群體間的控制是分布式的,各個(gè)智能體依靠相鄰智能體間的有限信息分享和交互實(shí)現(xiàn)協(xié)同優(yōu)化,較少依賴中心控制;③高可擴(kuò)展性,群體智能可以通過(guò)非直接通信的方式進(jìn)行信息的傳輸與合作,隨著個(gè)體數(shù)目的增加,通信開(kāi)銷的增幅較??;④自主學(xué)習(xí)性,智能體內(nèi)部控制通過(guò)反饋具有適應(yīng)和優(yōu)化能力。

        群體智能2.0 與能源互聯(lián)網(wǎng)的開(kāi)放、互聯(lián)、對(duì)等等特征十分契合??紤]到新型電力系統(tǒng)環(huán)境下終端設(shè)備的智能程度不斷增加,將群體智能的協(xié)同、共享、學(xué)習(xí)等思想與海量柔性資源的多樣化類型和優(yōu)化目標(biāo)相結(jié)合,這不僅有利于充分體現(xiàn)柔性資源自身的利益訴求,而且有利于豐富能源互聯(lián)網(wǎng)環(huán)境下的電網(wǎng)調(diào)控模式,從而實(shí)現(xiàn)電網(wǎng)安全、經(jīng)濟(jì)、高效的運(yùn)行目標(biāo)。

        2 調(diào)度框架

        2.1 柔性資源的分層組織結(jié)構(gòu)

        從海量柔性資源組織、調(diào)控的角度,自下而上分為終端、用戶、子群、群體4層,如圖1所示。

        圖1 柔性資源的4層組織結(jié)構(gòu)Fig.1 Four-layer organization structure of flexible resource

        終端,顧名思義,指的是位于電網(wǎng)最末端的單個(gè)分布式光伏單元、EV、風(fēng)電機(jī)組、儲(chǔ)能、空調(diào)等資源個(gè)體。用戶、子群、群體則是根據(jù)不同范圍對(duì)個(gè)體的集合,柔性資源個(gè)體通過(guò)不同形式的聚合方式參與電網(wǎng)調(diào)控運(yùn)行,實(shí)現(xiàn)終端最優(yōu)響應(yīng)。其中,用戶是終端元件不可再分割的利益主體;群體是能夠參與電網(wǎng)調(diào)度運(yùn)行或市場(chǎng)交易的市場(chǎng)主體;子群則由群體根據(jù)一定規(guī)則(如設(shè)備類型、地理位置、電網(wǎng)拓?fù)涞龋﹦澐侄纬伞?/p>

        設(shè)置用戶、子群、群體3 個(gè)層級(jí)的目的在于應(yīng)對(duì)一些復(fù)雜的場(chǎng)景(如元件數(shù)量繁多、類型冗雜、地理位置跨越電網(wǎng)節(jié)點(diǎn)等),通過(guò)3 個(gè)層級(jí)的劃分有助于簡(jiǎn)化分析計(jì)算的難度,而在一些簡(jiǎn)單的場(chǎng)景下(如設(shè)備數(shù)量適中、元件類型明確、利益主體單一),用戶、子群、群體可以是等價(jià)的。

        2.2 協(xié)同調(diào)控架構(gòu)設(shè)計(jì)

        柔性資源分層協(xié)同調(diào)控架構(gòu)如圖2 所示。該架構(gòu)有效整合了集中式架構(gòu)和分布式架構(gòu)的優(yōu)點(diǎn)。

        圖2 柔性資源分層協(xié)同調(diào)控架構(gòu)Fig.2 Hierarchical coordinated scheduling architecture of flexible resource

        將群體、子群、用戶每層看作是不同的智能體,該框架本質(zhì)上是基于多智能體MAS(Multi Agent System)的分布式集群控制架構(gòu),整體遵循“群內(nèi)自治、群間協(xié)調(diào)”的分層協(xié)同調(diào)控思想,核心在于“群調(diào)群控”。與現(xiàn)有的分布式協(xié)同控制架構(gòu)相比,基于群體智能的柔性資源分層協(xié)同框架的特點(diǎn)體現(xiàn)在以下3個(gè)方面:①根據(jù)參與調(diào)控的柔性資源數(shù)量和實(shí)際調(diào)控需求,群體內(nèi)部可選擇進(jìn)一步分為“子群層”和“用戶層”,減少每層調(diào)控對(duì)象的數(shù)量,從而簡(jiǎn)化優(yōu)化決策的復(fù)雜性;②在滿足電網(wǎng)安全運(yùn)行約束的前提下,更強(qiáng)調(diào)柔性資源主體的自主決策和群體協(xié)同,涌現(xiàn)出群體智能的特征,有助于激發(fā)負(fù)荷側(cè)資源參與電網(wǎng)調(diào)控運(yùn)行的意愿;③強(qiáng)調(diào)主體地位的對(duì)等性、注重主體的隱私保護(hù)需求,通過(guò)MAS 之間的分布式信息交互,解決群體控制的敏捷性和可靠性問(wèn)題。

        從調(diào)控方向而言,該架構(gòu)整體分為5 層。調(diào)控中心主站層作為最上層,通過(guò)集中優(yōu)化或引導(dǎo)協(xié)調(diào)方式向下層多個(gè)分布式柔性資源群體下發(fā)調(diào)度需求。群體層既包括同質(zhì)資源聚合而成的群體,如DG集群、EV 充電站等,也包括異質(zhì)資源聚合而成的群體,如LA、VPP、工業(yè)園區(qū)等。對(duì)應(yīng)的決策場(chǎng)景有兩大類:一是調(diào)控中心下發(fā)調(diào)度需求的全局場(chǎng)景,二是群體間存在協(xié)同互濟(jì)需求的局部場(chǎng)景。針對(duì)這2 種不同的場(chǎng)景,群體層負(fù)責(zé)分解調(diào)控中心指令和實(shí)現(xiàn)群間分布式協(xié)同。子群層是群體根據(jù)設(shè)定規(guī)則采用靜態(tài)或動(dòng)態(tài)方式劃分而成的,作用是進(jìn)一步分解群體的調(diào)控任務(wù)。對(duì)于由異質(zhì)資源組成的群體,綜合考慮資源類型、地理位置分布、所屬利益主體和從屬關(guān)系等進(jìn)行靜態(tài)分群;對(duì)于由同質(zhì)資源組成的群體,一般而言這些資源從屬于同一利益主體,不存在利益博弈問(wèn)題,根據(jù)資源地理位置分布、運(yùn)行狀態(tài)、調(diào)節(jié)能力等時(shí)空特性信息,通過(guò)聚類進(jìn)行子群動(dòng)態(tài)劃分,從而可快速實(shí)現(xiàn)群體內(nèi)部功率分配。用戶層類型分為居民用戶、商業(yè)用戶和工業(yè)用戶,對(duì)應(yīng)地指一個(gè)居民家庭、一棟商業(yè)樓宇、一家工廠等,通過(guò)用戶層能量管理系統(tǒng)EMS(Energy Management System)與位于設(shè)備層的終端控制裝置進(jìn)行信息交互和終端指令下發(fā)。

        從控制模式而言,主要有集中式、集中-分層分布式和完全分布式3 種。①集中式。當(dāng)下層決策對(duì)象較少且上層完全掌握下層個(gè)體的調(diào)節(jié)特性時(shí),可采用集中優(yōu)化模式。②集中-分層分布式。當(dāng)上層僅掌握下層的外特性調(diào)節(jié)能力時(shí),可將下層整體作為調(diào)控對(duì)象,通過(guò)集中-分層分布式迭代實(shí)現(xiàn)各層子優(yōu)化問(wèn)題的并行計(jì)算與求解。③完全分布式。對(duì)應(yīng)于群間協(xié)同互濟(jì)或群內(nèi)功率快速分配的場(chǎng)景。完全分布式協(xié)同控制基于一致性理論,通過(guò)通信關(guān)聯(lián)節(jié)點(diǎn)之間的信息交換,實(shí)現(xiàn)各節(jié)點(diǎn)間所選取的一致性變量的協(xié)同一致。

        從決策目標(biāo)而言,對(duì)于由單一利益主體構(gòu)成的同質(zhì)資源聚合群體,各資源地位對(duì)等,決策目標(biāo)由群體中心統(tǒng)一制定;對(duì)于由多利益主體構(gòu)成的異質(zhì)資源聚合群體,由于群體中心、子群/用戶存在自身利益,群體中心與子群/用戶之間有必要進(jìn)行交互和協(xié)調(diào),屬于主從框架下的多目標(biāo)協(xié)同決策。此外,柔性資源響應(yīng)具有較強(qiáng)的不確定性,如何實(shí)現(xiàn)群體中心與子群/用戶之間的隨機(jī)協(xié)同調(diào)度決策,也是策略設(shè)計(jì)需考慮的重點(diǎn)。

        3 調(diào)度策略

        與調(diào)度框架相對(duì)應(yīng),調(diào)度策略的設(shè)計(jì)分為群體的外特性建模、群內(nèi)自治策略和群間協(xié)同策略3 個(gè)部分。

        3.1 群體的外特性建模

        柔性資源類型眾多,針對(duì)如DG、EV、溫控負(fù)荷等典型資源的聚合建模,國(guó)內(nèi)外學(xué)者已開(kāi)展了一定的研究工作。考慮到EV、儲(chǔ)能、溫控負(fù)荷等“能量存儲(chǔ)型”終端資源均可用“等效儲(chǔ)能”模型描述,本文以分布式光伏和分布式儲(chǔ)能2 類典型資源為代表,推導(dǎo)柔性資源群體的外特性模型。

        1)分布式光伏群體模型。

        為提高可再生能源利用率,光伏單元往往采用最大功率點(diǎn)跟蹤MPPT(Maximum Power Point Tracking)模式。但為了參與調(diào)節(jié)控制,光伏單元需要留有一定的備用容量,即將功率輸出在低于最大功率點(diǎn)的其他運(yùn)行點(diǎn)。

        單個(gè)光伏單元的備用容量計(jì)算公式具體如式(1)所示。

        光伏群體的可調(diào)節(jié)容量等于內(nèi)部每個(gè)發(fā)電單元的可調(diào)節(jié)容量之和,即:

        2)分布式儲(chǔ)能群體模型。

        單個(gè)儲(chǔ)能裝置的荷電狀態(tài)SOC(State Of Charge)模型描述如下:

        一般情況下,同一節(jié)點(diǎn)下的分布式儲(chǔ)能裝置同步進(jìn)行充電或放電,儲(chǔ)能群體的荷電容量和充放電功率計(jì)算公式如下:

        需要指出的是,隨著分布式柔性資源的對(duì)象類型和數(shù)量海量化,柔性資源響應(yīng)的不確定性、獨(dú)立性、隱私性使得群體外特性精準(zhǔn)建模充滿挑戰(zhàn)。在具體實(shí)踐中,借鑒文獻(xiàn)[20-21]的思路,先通過(guò)采集小規(guī)模分布式柔性資源的完全信息,利用式(1)—(5)建立小規(guī)模柔性資源群體的精準(zhǔn)模型,再外推到更大規(guī)模的群體,建立近似聚合模型。所建立的柔性資源群體外特性模型能夠提供群體的上調(diào)容量、下調(diào)容量等調(diào)節(jié)潛力約束,為群內(nèi)和群間的智能決策提供模型支撐。

        3.2 群內(nèi)自治策略

        群內(nèi)智能體現(xiàn)在“智能自適應(yīng)”,即群內(nèi)自治。針對(duì)外部指令分解、群體自身利益、與其他群體之間的分布式協(xié)同等關(guān)系,群體要做到智能自適應(yīng)。對(duì)于一個(gè)群體而言,根據(jù)群體對(duì)其內(nèi)部設(shè)備特性的不同感知深度、設(shè)備之間的通信方式、群體對(duì)響應(yīng)可靠性需求的差異性等因素,自治模式可選擇主從或?qū)Φ饶J健?/p>

        主從模式下,群體內(nèi)部存在決策中心(也可由某個(gè)子群控制器承擔(dān))。在決策時(shí),決策中心作為領(lǐng)導(dǎo)者(主控制器),其余子群控制器作為跟隨者(從控制器),通過(guò)leader-follower 算法實(shí)現(xiàn)交互和協(xié)調(diào)。對(duì)等模式下,群體內(nèi)部不存在決策中心。各子群地位對(duì)等,由于其具備采集本地信息的特點(diǎn),對(duì)等模式能夠更好地適應(yīng)能源互聯(lián)網(wǎng)環(huán)境下各設(shè)備的即插即用和子群的動(dòng)態(tài)劃分。無(wú)論是采用主從或?qū)Φ饶J?,?duì)于分布式的MAS而言,一個(gè)重要問(wèn)題是MAS的一致性。一致性算法在解決MAS 協(xié)同優(yōu)化問(wèn)題,特別是功率動(dòng)態(tài)分配問(wèn)題方面有著方便、快速、實(shí)用性強(qiáng)的優(yōu)點(diǎn)。

        為了解決群體內(nèi)部功率快速分配這一問(wèn)題,為公平性起見(jiàn),選擇子群的功率調(diào)整率作為一致性狀態(tài)變量,子群s的功率調(diào)整率可表示為:

        式中:ηs(t)為t時(shí)刻子群s的功率調(diào)節(jié)率;Δds(t)為t時(shí)刻子群s的功率調(diào)節(jié)量;dmaxs(t)為t時(shí)刻子群s的最大調(diào)節(jié)容量。

        記t時(shí)刻子群s的鄰居集為NNR(s,t),ask表示子群s和子群k之間的連接關(guān)系,若?k∈NNR(s,t)則ask(t)=1,否則ask(t)=0。

        根據(jù)一致性協(xié)議,子群s的控制律us(t)可表示為:

        式中:ωsk為子群s和子群k之間的連接權(quán)重。

        在對(duì)等模式下,子群s與其鄰居集合中的所有子群地位對(duì)等,ωsk可定義為:

        上式即為子群s的一致性控制律。隨著算法的迭代,局部一致將擴(kuò)展到全局一致。

        3.3 群間協(xié)同策略

        群間智能體現(xiàn)在“智能協(xié)同”。群間協(xié)同的主要任務(wù)是實(shí)現(xiàn)調(diào)度需求在發(fā)電機(jī)和柔性資源群體間的最優(yōu)分配,并協(xié)調(diào)群體間的交換功率。在傳統(tǒng)集中式架構(gòu)下,調(diào)控中心與各群體之間需要建立通信和控制鏈路,在基于群體外特性建模精準(zhǔn)的情況下,調(diào)控中心收集所有群體的狀態(tài)信息并集中優(yōu)化,能夠快速?zèng)Q策出各群體的調(diào)節(jié)指令。然而,隨著柔性資源的海量化,調(diào)控中心需要處理的數(shù)據(jù)維度也迅速增大,受限的計(jì)算速度、負(fù)荷響應(yīng)的不確定性等因素難以保證實(shí)時(shí)決策的需要。

        深度強(qiáng)化學(xué)習(xí)DRL(Deep Reinforcement Learning)通過(guò)智能體與環(huán)境交互試錯(cuò)的方式進(jìn)行學(xué)習(xí),已被證明是解決無(wú)精確模型優(yōu)化決策問(wèn)題的有效方法。因此,本文引入多智能體深度強(qiáng)化學(xué)習(xí)MADRL(Multi-Agent Deep Reinforcement Learning),將DRL的思想和算法用于多個(gè)柔性資源群體之間的交互與協(xié)同中。

        3.3.1 計(jì)及多群體的優(yōu)化調(diào)度模型

        對(duì)于調(diào)控中心而言,以全網(wǎng)運(yùn)行成本最小為目標(biāo),計(jì)及多個(gè)分布式柔性資源群體的地區(qū)電網(wǎng)優(yōu)化調(diào)度問(wèn)題可表示為:

        式中:Cg和Cc分別為發(fā)電機(jī)組g和柔性資源群體c的調(diào)節(jié)成本;m和n分別為發(fā)電機(jī)組和柔性資源群體的數(shù)量;ΔPg為發(fā)電機(jī)組g的功率調(diào)節(jié)量;ΔPc為柔性資源群體c的功率調(diào)節(jié)量。

        發(fā)電機(jī)組的運(yùn)行成本用二次函數(shù)可表示為如式(11)所示。

        式中:ag和bg為發(fā)電機(jī)組g的成本系數(shù)。

        根據(jù)上文,EV、儲(chǔ)能、溫控負(fù)荷等“能量存儲(chǔ)型”資源均能建模成“等效儲(chǔ)能”模型。故而,群體內(nèi)部資源可等值為DG 和“等效儲(chǔ)能”兩大類。對(duì)應(yīng)地,群體的運(yùn)行成本分為“等效儲(chǔ)能”部分的運(yùn)行成本和DG的棄風(fēng)棄光成本,具體如下:

        需要說(shuō)明的是,式(14)僅列寫了分布式光伏電站的棄光成本,分布式風(fēng)電場(chǎng)的棄風(fēng)成本的計(jì)算過(guò)程與之類似。

        約束條件包括網(wǎng)絡(luò)的潮流約束、發(fā)電機(jī)出力上下限約束、群體調(diào)節(jié)容量上下限約束等,不再贅述。其中,群體調(diào)節(jié)容量上下限約束可根據(jù)3.1節(jié)群體的外特性建模計(jì)算得到。

        3.3.2 MADRL優(yōu)化模型

        將MADRL 應(yīng)用到上述的優(yōu)化決策問(wèn)題中。MADRL 以多智能體馬爾可夫決策過(guò)程MAMDP(Multi-Agent Markov Decision Process)為基本框架,博弈模型包括各智能體的狀態(tài)空間、動(dòng)作空間以及獎(jiǎng)勵(lì)函數(shù),用元組N,S,A,P,R,γ表示。其中:N為智能體數(shù)量;S為N個(gè)智能體的狀態(tài)聯(lián)合在一起組成的聯(lián)合狀態(tài)向量,每個(gè)智能體i的狀態(tài)為Si,故S=S1×S2×…×SN;A為N個(gè)智能體的動(dòng)作聯(lián)合在一起組成的聯(lián)合動(dòng)作向量,每個(gè)智能體i的動(dòng)作為Ai,故A=A1×A2×…×AN;P:S×A×S→[0,1] 為狀態(tài)轉(zhuǎn)移概率;R為獎(jiǎng)勵(lì)函數(shù)的定義空間,滿足S×A→R;γ為折扣因子。每個(gè)時(shí)間步t,各智能體根據(jù)觀測(cè)到的狀態(tài)st(st∈Si)執(zhí)行動(dòng)作at(at∈Ai)并作用于環(huán)境,獲得環(huán)境的獎(jiǎng)勵(lì)rt(rt∈R),并使環(huán)境狀態(tài)轉(zhuǎn)變?yōu)閟t+1,至此完成一個(gè)訓(xùn)練回合。通過(guò)與環(huán)境循環(huán)交互,智能體在訓(xùn)練過(guò)程中會(huì)對(duì)自身策略進(jìn)行優(yōu)化,使獲得的累積獎(jiǎng)勵(lì)逐漸增加直至趨于穩(wěn)定。

        1)狀態(tài)空間。

        2)動(dòng)作空間。

        動(dòng)作空間是群體的調(diào)節(jié)功率指令。群體接到調(diào)節(jié)功率指令后,再進(jìn)一步利用3.2節(jié)的一致性算法進(jìn)行群內(nèi)功率分解,實(shí)現(xiàn)群內(nèi)自治。

        3)獎(jiǎng)勵(lì)函數(shù)。

        為了實(shí)現(xiàn)式(10)—(14)所示的含約束最小化問(wèn)題,將式中的目標(biāo)函數(shù)和約束條件設(shè)計(jì)到獎(jiǎng)勵(lì)函數(shù)中。獎(jiǎng)勵(lì)函數(shù)包括系統(tǒng)調(diào)節(jié)成本以及約束越限懲罰,分別表示為:

        式中:r1為系統(tǒng)調(diào)節(jié)成本;r2—r4分別為對(duì)發(fā)電機(jī)組越限、柔性資源群體調(diào)節(jié)功率越限、支路潮流越限的懲罰;λ2—λ4分別為發(fā)電機(jī)組越限、柔性資源群體調(diào)節(jié)功率越限、支路潮流越限場(chǎng)景下的懲罰因子;Pij、Pmaxij分別為支路ij潮流及其上限;Nline為支路集合;max(·,0)表示取數(shù)值(·)和0之間的最大值。

        在算法選擇方面,考慮到軟演員-評(píng)論家SAC(Soft Actor-Critic)算法使用最大熵值為優(yōu)化目標(biāo),同時(shí)最大化智能體獎(jiǎng)勵(lì)和動(dòng)作的熵值,算法更加穩(wěn)定。因此,在本文環(huán)境下,將SAC 算法進(jìn)一步擴(kuò)展到多智能體軟演員-評(píng)論家(MASAC)算法對(duì)上述優(yōu)化模型進(jìn)行離線訓(xùn)練。MASAC 算法利用集中訓(xùn)練和分散執(zhí)行框架,智能體共享觀察信息和歷史經(jīng)驗(yàn)。SAC算法的優(yōu)化目標(biāo)J(π)如式(21)所示。

        4 算例分析

        為驗(yàn)證多類型柔性資源協(xié)同調(diào)度框架和群體智能決策方法的有效性,本文算例采用IEEE 10機(jī)39節(jié)點(diǎn)系統(tǒng)模擬某柔性資源高滲透地區(qū)電網(wǎng)環(huán)境,其拓?fù)浣Y(jié)構(gòu)示意圖如附錄A 圖A1所示。選取節(jié)點(diǎn)8、15、25分別模擬分布式光伏電站、EV充電站、溫控LA群體。

        光伏電站群體內(nèi)部包括1 000 個(gè)光伏單元,EV充電站內(nèi)有100臺(tái)EV充電樁,溫控LA包括超過(guò)1萬(wàn)臺(tái)的居民空調(diào)設(shè)備。調(diào)度任務(wù)是通過(guò)調(diào)度系統(tǒng)內(nèi)發(fā)電機(jī)組和分布式光伏群體、EV 充電站群體、溫控負(fù)荷群體等全網(wǎng)可調(diào)資源,維持地區(qū)電網(wǎng)內(nèi)部發(fā)用電功率平衡,促進(jìn)分布式可再生能源就地消納。系統(tǒng)初始負(fù)荷如附錄A圖A2所示。

        本文設(shè)計(jì)的MASAC 智能體每輪訓(xùn)練所獲得的累積獎(jiǎng)勵(lì)如附錄A 圖A3 所示??梢钥闯龃蟾庞?xùn)練800 輪之后智能體所獲得的累積獎(jiǎng)勵(lì)趨于穩(wěn)定,此時(shí)智能體的動(dòng)作將被限制在合理的區(qū)間內(nèi)。

        群體層將訓(xùn)練穩(wěn)定后的智能體用于全網(wǎng)資源優(yōu)化決策。圖3 選取了節(jié)點(diǎn)36、38、39 處的3 臺(tái)發(fā)電機(jī)組,展示了典型機(jī)組出力分配。圖4 展示了分布式光伏、EV 和溫控負(fù)荷3 個(gè)柔性資源群體的可調(diào)功率分配。圖3和圖4所示的結(jié)果表明,通過(guò)分布式強(qiáng)化學(xué)習(xí)算法實(shí)現(xiàn)了發(fā)電機(jī)組和分布式光伏、EV、溫控負(fù)荷等多元群體之間功率的最優(yōu)分配。同時(shí)也可以看出在一個(gè)地區(qū)電網(wǎng)內(nèi)部,1000個(gè)光伏單元、100臺(tái)EV 充電樁以及1 萬(wàn)臺(tái)居民空調(diào)設(shè)備這一分布式柔性資源仿真規(guī)模仍然較小,難以與發(fā)電機(jī)組的調(diào)節(jié)能力相匹配,因此電網(wǎng)中發(fā)用電平衡的任務(wù)仍大多由發(fā)電側(cè)承擔(dān),這一結(jié)果與當(dāng)前柔性資源參與電網(wǎng)調(diào)節(jié)運(yùn)行現(xiàn)狀相吻合。但若推算未來(lái)每戶家庭有約3臺(tái)空調(diào)、1輛EV、1個(gè)電池儲(chǔ)能系統(tǒng)以及其他具有調(diào)節(jié)能力的電器,再加上工業(yè)園區(qū)、屋頂光伏等,一個(gè)地區(qū)電網(wǎng)中柔性資源數(shù)量將可達(dá)數(shù)千萬(wàn)以上,則分布式柔性資源的可調(diào)能力不容忽略,而在這種海量場(chǎng)景下,更加有必要采用“終端→用戶→子群→群體”的分層分布集群控制架構(gòu),簡(jiǎn)化各層計(jì)算分析的難度。

        圖3 發(fā)電側(cè)功率分配Fig.3 Power distribution of generation side

        圖4 柔性資源群體功率分配Fig.4 Power distribution of flexible resource cluster

        在群體內(nèi)部,基于主從框架的一致性算法進(jìn)一步將功率調(diào)整量下發(fā)到用戶層直至終端設(shè)備。以溫控負(fù)荷群體為例,群體內(nèi)部用戶層經(jīng)過(guò)一致性協(xié)同后,各用戶的功率調(diào)整率趨于一致。然后,每個(gè)用戶根據(jù)自身要調(diào)整的功率值直接控制其終端空調(diào)設(shè)備完成設(shè)備的啟停。群體內(nèi)部最終響應(yīng)結(jié)果與該群體接收到的外部調(diào)節(jié)指令對(duì)比結(jié)果如圖5所示。

        由圖5 可知,通過(guò)群體間的協(xié)同→群內(nèi)的自治分解,基于分層分布架構(gòu)以及多智能決策方法,分布式柔性資源群體能夠快速完成電網(wǎng)調(diào)控中心的功率分配指令,有效減輕了集中決策的計(jì)算壓力。

        圖5 群體一致性響應(yīng)結(jié)果Fig.5 Consensus response results of cluster

        需要說(shuō)明的是,本文僅對(duì)海量分布式柔性資源分層組織和調(diào)控架構(gòu)中涉及的集中優(yōu)化和分布自治的智能算法的有效性進(jìn)行了初步驗(yàn)證,在分布式柔性資源群體等值建模、終端用戶最優(yōu)響應(yīng)、群間及群內(nèi)的隨機(jī)智能決策等方面還有大量的工作亟待開(kāi)展。

        5 結(jié)論

        針對(duì)DG、可控負(fù)荷、儲(chǔ)能等柔性資源海量化所帶來(lái)的組織和調(diào)度難題,提出基于群體智能的柔性資源分層協(xié)同框架。

        在調(diào)控架構(gòu)方面,遵循分層分布集群調(diào)控模式,將海量資源分為終端→用戶→子群→群體4 層。在技術(shù)方法方面,引入新一代人工智能規(guī)劃中的群體智能思想,建立了柔性資源群體的外特性模型,為群內(nèi)和群間的智能決策提供模型支撐;提出了群體內(nèi)部基于一致性理論的功率快速分配算法,實(shí)現(xiàn)群內(nèi)自治決策;提出了基于MAS 強(qiáng)化學(xué)習(xí)的優(yōu)化決策方法,實(shí)現(xiàn)群間交互與協(xié)同。通過(guò)算例分析對(duì)智能方法的有效性進(jìn)行了驗(yàn)證。本文研究成果旨在利用柔性資源背后“人”的主體所涌現(xiàn)出的群體智能特征為地區(qū)電網(wǎng)中各類型可調(diào)資源的充分利用和優(yōu)化運(yùn)行提供理論和方法參考,從而提升新型電力系統(tǒng)的靈活調(diào)節(jié)能力。

        可以預(yù)見(jiàn),在能源互聯(lián)網(wǎng)技術(shù)的發(fā)展和能源政策的推動(dòng)下,海量柔性資源將在電力系統(tǒng)電力電量平衡中發(fā)揮更加重大的作用。將分布式調(diào)控架構(gòu)和新一代人工智能技術(shù)相互融合,是充分發(fā)揮柔性資源潛力,實(shí)現(xiàn)海量柔性資源“群調(diào)群控”的有效手段之一。

        附錄見(jiàn)本刊網(wǎng)絡(luò)版(http://www.epae.cn)。

        猜你喜歡
        智能資源
        讓有限的“資源”更有效
        基礎(chǔ)教育資源展示
        一樣的資源,不一樣的收獲
        智能制造 反思與期望
        智能前沿
        文苑(2018年23期)2018-12-14 01:06:06
        資源回收
        智能前沿
        文苑(2018年19期)2018-11-09 01:30:14
        智能前沿
        文苑(2018年17期)2018-11-09 01:29:26
        智能前沿
        文苑(2018年21期)2018-11-09 01:22:32
        智能制造·AI未來(lái)
        商周刊(2018年18期)2018-09-21 09:14:46
        人人妻人人澡人人爽人人精品97| 国产免费人成视频在线观看| 插插射啊爱视频日a级| 国产免费av片无码永久免费| 性做久久久久久免费观看| 国产精品久线在线观看| 国产精品麻豆aⅴ人妻| 久久精品国产亚洲AV高清特级 | 蜜桃在线观看视频在线观看| 加勒比东京热中文字幕| 少妇av射精精品蜜桃专区| 精品免费福利视频| 国产精品av网站在线| 日韩美女人妻一区二区三区| 无码人妻少妇久久中文字幕蜜桃| 本道无码一区二区久久激情| 一区二区三区国产亚洲网站| 亚洲熟妇AV一区二区三区宅男| 久久精品中文字幕久久| 手机av在线播放网站| 日韩在线观看入口一二三四| 日韩欧美人妻一区二区三区| 亚洲视频1区| 午夜精品人妻中字字幕| 午夜性刺激免费看视频| 国产亚洲精品久久久久久| 92精品国产自产在线观看48页| 国产精品自拍盗摄自拍| 国产乱人伦av在线a麻豆| 色狠狠av老熟女| 国产精品一卡二卡三卡| 日本在线一区二区在线| 中文字幕有码人妻在线| 久久久久亚洲av无码专区首jn| 亚洲AV毛片无码成人区httP| 亚洲av手机在线一区| 亚洲男人天堂一区二区| 日日澡夜夜澡人人高潮| 在线观看国产三级av| 青青草绿色华人播放在线视频| 无码毛片内射白浆视频|