一种数据驱动的微电网电压控制方法技术

本发明专利技术公开了一种数据驱动的微电网电压控制方法，涉及微电网应用技术领域，包括：将微电网基于分布式架构，划分为多个通过潮流相互连接耦合的子网络，针对每一个子网络构建对应子网络内部控制的智能体；构建光伏逆变器无功输出为主、储能系统有功输出为辅的联合控制模型，结合V型和U型电压势垒函数模型，构建桶型电压势垒函数模型；将网络总功率损耗和电压势垒函数模型为基础的电压约束作为目标控制，使用加权和算法对电压偏差和网络功率损耗进行权衡，最终建立微电网分布式VVC模型；将微电网分布式VVC模型拟合为部分可观测马尔科夫决策POMG模型，通过将状态动作方程从适应离散动作改进为适应连续动作以适应实时控制要求。改进为适应连续动作以适应实时控制要求。改进为适应连续动作以适应实时控制要求。

【技术实现步骤摘要】
一种数据驱动的微电网电压控制方法


[0001]本专利技术涉及微电网应用
，具体的是一种数据驱动的微电网电压控制方法。

技术介绍

[0002]微电网(micro
‑
grid，microgrid)，是指由分布式电源、储能装置、能量转换装置、相关负荷和监控、保护装置汇集而成的小型发配电系统，是一个能够实现自我控制、保护和管理的自治系统，既可以与外部电网并网运行，也可以孤立运行。是智能电网的重要组成部分。微网具有双重角色：对于电网，微电网作为一个大小可以改变的智能负载，为本地电力系统提供了可调度负荷，可以在数秒内做出响应以满足系统需要，适时向大电网提供有力支撑；可以在维修系统同时不影响客户的负荷；可以减轻(延长)配电网更新换代，采用IEEE1547.4标准，指导分布式电源孤岛运行，能够消除某些特殊操作要求产生的技术阻碍。对于用户，微电网作为一个可定制的电源，可以满足用户多样化的需求，例如，增强局部供电可靠性，降低馈电损耗，支持当地电压，通过利用废热提高效率，提供电压下陷的校正，或作为不可中断电源服务等。微电网不仅解决了分布式电源的大规模接入问题，充分发挥了分布式电源的各项优势，还为用户带来了其他多方面的效益。微电网将从根本上改变传统的应对负荷增长的方式，在降低能耗、提高电力系统可靠性和灵活性等方面具有巨大潜力。
[0003]面向微电网，为解决电压调节问题和降低网络功率损耗等电能管理问题，已经开发出了一些电压/无功控制(VVC)方法。其中，逆变器和储能设备由于其日益增长的可用性、灵活性和先进的电力电子技术的快速响应速度而得到了广泛的研究并用于参与微电网调节控制。针对微电网的控制框架目前主要有集中式控制、本地控制以及分布式控制3种控制框架。分布式方法由于不需要复杂的通信网络，并且能够考虑到存在的隐私、复杂性、可伸缩性以及全局性等问题得到了越来越多的研究。
[0004]分布式控制常用的研究思路是通过合理的逼近和简化将非凸问题转化为凸优化问题，然后使用分布式算法进行求解。为了应对分布式新能源和负荷需求的不确定性，基于模型的分布式控制方法通常需要预先确定最优解。然而，当出现新情况时，传统的模型控制方法必须解决优化问题，这需要大量的计算。此外，基于模型的控制方法通常需要精确而全面的电网参数，而这通常难以实现。

技术实现思路

[0005]为解决上述
技术介绍
中提到的不足，本专利技术的目的在于提供一种数据驱动的微电网电压控制方法。
[0006]本专利技术的目的可以通过以下技术方案实现：一种数据驱动的微电网电压控制方法，方法包括以下步骤：
[0007]将微电网基于分布式架构，划分为多个通过潮流相互连接耦合的子网络，针对每一个子网络构建对应子网络内部控制的智能体；
[0008]构建光伏逆变器无功输出为主、储能系统有功输出为辅的联合控制模型，每一个子网络对应的单个智能体控制子网络内的所有光伏逆变器与储能设备，通过控制光伏逆变器无功输出与储能系统有功输出实现对微电网电压的有效控制；
[0009]结合V型和U型电压势垒函数模型，构建桶型电压势垒函数模型；
[0010]将网络总功率损耗和电压势垒函数模型为基础的电压约束作为目标控制，使用加权和算法对电压偏差和网络功率损耗进行权衡，建立基于光伏和负载预测间隔的时空不确定性模型，建立基于牛顿拉夫逊法求解的网络潮流约束模型，综合基于光伏和负载预测间隔的时空不确定性模型，光伏逆变器无功输出为主、储能系统有功输出为辅的联合控制模型，权衡电压偏差和网络功率损耗后的控制目标以及网络潮流约束模型，建立微电网分布式VVC模型；
[0011]将微电网分布式VVC模型拟合为部分可观测马尔科夫决策POMG模型，通过将状态动作方程从适应离散动作改进为适应连续动作以适应实时控制要求；
[0012]将构建好的基于光伏和负载预测间隔的时空不确定性模型转化为随机规划模型，在每一训练集的返回奖励中添加网络求解失败惩罚以提升网络求解成功率；
[0013]使用多智能体深度确定性策略梯度MADDPG算法，设计算法流程，应用于微电网。
[0014]优选地，所述分布式架构不需要在一个中央协调器收集网络中产生的所有信息，需要考虑全局的协调问题；在分布式优化中，每个构建的智能体所代表的子网络仅和他相邻的子网络交换有限的边界物理信息和全局的奖励回报，集体寻求全局最优解决方案，在每个操作期间，训练过的控制器在相应的子网络内实现局部测量的VVC。
[0015]优选地，所述光伏逆变器无功输出为主、储能系统有功输出为辅的联合控制模型如下：
[0016][0017][0018][0019][0020][0021]表示光伏输出的实时有功功率，表示光伏逆变器输出的实时无功功率，表示光伏逆变器的复功率，表示t时的光伏有功功率输出边界，δ光伏逆变器无功功率容量因数，和表示储能系统可以发出和吸收的最小和最大有功功率，表示在t时储能的有功功率输出值，表示t时储能的实时容量，表示储能的最大容量。
[0022]光伏逆变器在需要时优先提供无功功率，当无功功率补偿能力不足时，储能系统就会发生动作，各光伏逆变器输出的无功功率也限定在其视在功率容量的预设比例内，正值表示向电网注入无功功率，负值表示吸收电网无功功率；储能系统的设置与逆变器相类似，正值表示向电网注入有功功率，负值表示吸收电网有功功率，储能系统的剩余电量一直为正。
[0023]优选地，所述桶型电压势垒函数模型如下：
[0024][0025]式中，v
a
为节点实时的电压大小；v
ref
为网络电压基准值，取1.00p.u.；l
v
(v
a
)为该节点电压的实时奖励；
[0026]且电压势垒函数模型结合V型和U型的优点：一方面，它在安全范围内具有缓慢的梯度，获得更好的电压条件；另一方面，安全范围之外的较大梯度确保更快的策略引导。
[0027]优选地，权衡电压偏差和网络功率损耗后的控制目标：
[0028][0029][0030][0031]式中，lv(vi,t)为t时刻i节点的实时电压势垒函数值；N为网络节点数目；N
m
为网络节点集合；为网络支路集合；r
ij
和x
ij
分别表示i和j节点之间支路的电阻和电抗；v
i,t
和v
j,t
分别表示t时刻i节点和j节点的电压幅值；
[0032]后采用加权和算法，将多目标函数转化为具有加权因子的等价单目标函数，使用乌托邦点和纳迪尔点将目标规范化，对于任意子网络m，得到归一化目标的加权和表示为：
[0033]式中，表示归一化后m网络t时刻的电压偏差，表示归一化后m网络t时刻的网络有功损耗，α和β表示归一化的系数。
[0034]优选地，所述建立基于光伏和负载预测间隔的时空不确定性模型的过程如下：
[0035]在每个操作时段之前，通过蒙特卡罗抽样，在给出的预测区间内随机生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的微电网电压控制方法，其特征在于，方法包括以下步骤：将微电网基于分布式架构，划分为多个通过潮流相互连接耦合的子网络，针对每一个子网络构建对应子网络内部控制的智能体；构建光伏逆变器无功输出为主、储能系统有功输出为辅的联合控制模型，每一个子网络对应的单个智能体控制子网络内的所有光伏逆变器与储能设备，通过控制光伏逆变器无功输出与储能系统有功输出实现对微电网电压的有效控制；结合V型和U型电压势垒函数模型，构建桶型电压势垒函数模型；将网络总功率损耗和电压势垒函数模型为基础的电压约束作为目标控制，使用加权和算法对电压偏差和网络功率损耗进行权衡，建立基于光伏和负载预测间隔的时空不确定性模型，建立基于牛顿拉夫逊法求解的网络潮流约束模型，综合基于光伏和负载预测间隔的时空不确定性模型，光伏逆变器无功输出为主、储能系统有功输出为辅的联合控制模型，权衡电压偏差和网络功率损耗后的控制目标以及网络潮流约束模型，建立微电网分布式VVC模型；将微电网分布式VVC模型拟合为部分可观测马尔科夫决策POMG模型，通过将状态动作方程从适应离散动作改进为适应连续动作以适应实时控制要求；将构建好的基于光伏和负载预测间隔的时空不确定性模型转化为随机规划模型，在每一训练集的返回奖励中添加网络求解失败惩罚以提升网络求解成功率；使用多智能体深度确定性策略梯度MADDPG算法，设计算法流程，应用于微电网。2.根据权利要求1所述的一种数据驱动的微电网电压控制方法，其特征在于，所述分布式架构不需要在一个中央协调器收集网络中产生的所有信息，需要考虑全局的协调问题；在分布式优化中，每个构建的智能体所代表的子网络仅和他相邻的子网络交换有限的边界物理信息和全局的奖励回报，集体寻求全局最优解决方案，在每个操作期间，训练过的控制器在相应的子网络内实现局部测量的VVC。3.根据权利要求1所述的一种数据驱动的微电网电压控制方法，其特征在于，所述光伏逆变器无功输出为主、储能系统有功输出为辅的联合控制模型如下：逆变器无功输出为主、储能系统有功输出为辅的联合控制模型如下：逆变器无功输出为主、储能系统有功输出为辅的联合控制模型如下：逆变器无功输出为主、储能系统有功输出为辅的联合控制模型如下：逆变器无功输出为主、储能系统有功输出为辅的联合控制模型如下：逆变器无功输出为主、储能系统有功输出为辅的联合控制模型如下：表示光伏输出的实时有功功率，表示光伏逆变器输出的实时无功功率，表示光伏逆变器的复功率，表示t时的光伏有功功率输出边界，δ光伏逆变器无功功率容量因数，和表示储能系统可以发出和吸收的最小和最大有功功率，表示在t时储能的有功功率输出值，表示t时储能的实时容量，表示储能的最大容量；光伏逆变器在需要时优先提供无功功率，当无功功率补偿能力不足时，储能系统就会
发生动作，各光伏逆变器输出的无功功率也限定在其视在功率容量的预设比例内，正值表示向电网注入无功功率，负值表示吸收电网无功功率；储能系统的设置与逆变器相类似，正值表示向电网注入有功功率，负值表示吸收电网有功功率，储能系统的剩余电量一直为正。4.根据权利要求1所述的一种数据驱动的微电网电压控制方法，其特征在于，所述桶型电压势垒函数模型如下：式中，v
a
为节点实时的电压大小；v
ref
为网络电压基准值，取1.00p.u.；l
v
(v
a
)为节点电压的实时奖励；且电压势垒函数模型结合V型和U型的优点：一方面，它在安全范围内具有缓慢的梯度，获得更好的电压条件；另一方面，安全范围之外的较大梯度确保更快的策略引导。5.根据权利要求1所述的一种数据驱动的微电网电压控制方法，其特征在于，权衡电压偏差和网络功率损耗后的控制目标：偏差和网络功率损耗后的控制目标：偏差和网络功率损耗后的控制目标：式中，l...

【专利技术属性】
技术研发人员：沈嘉伟，李培帅，韩静，董彦昊，陈敏强，王艺涵，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：