李梓瑄(1998), 女, 硕士, 研究方向为电力系统的运行和调度、多智能体系统的共识控制(E-mail:
包宇庆(1987), 男, 博士, 副教授, 研究方向为电力系统的运行和调度、电力需求侧管理
宋梦(1990), 女, 博士, 副研究员, 研究方向为需求侧管理、电力经济、电力系统安全运行与优化调度
温控负荷(TCLs)作为一种重要的需求侧资源,在平抑可再生能源波动方面具有巨大的潜力。然而,传统TCLs控制策略通常不考虑控制成本以及TCLs开关频率过高导致的寿命损耗。为降低TCLs的开关寿命损耗,文中提出了一种计及开关寿命损耗的TCLs分布式协同控制策略。首先引入矫正切换时间的概念,建立计及TCLs热力学特性和开关寿命损耗的控制成本模型;然后引入多智能体一致性控制,采用分布协同式控制方法实现TCLs控制成本最优。算例结果表明,所提控制策略能够反映TCLs热力学特性,在实现控制目标的前提下大大降低开关寿命损耗。
As important demand-side resources, thermostatically controlled loads (TCLs) have great potential in suppressing fluctuations in renewable energy. However, traditional TCLs control strategy usually does not consider the control cost and the life loss caused by the high switching frequency of TCLs. In order to reduce the switch life loss of TCLs, a distributed cooperative control strategy for TCLs based on multi-agent consistency is proposed in this paper. Firstly, the concept of correcting switching time is introduced, and a control cost model that takes into account the thermodynamic characteristics of TCLs and switch life loss is established. Then, multi-agent consistency control is introduced, and the distributed cooperative control method is adopted to achieve the optimal control cost of TCLs. The results of calculation examples show that the proposed control strategy can reflect the thermodynamic characteristics of TCLs, thus greatly reducing the switch life loss under the premise of achieving the control goal.
随着我国“双碳”目标的提出,减少煤炭消费、提高新型清洁能源占比成为实现这一目标的重要途径。然而,风电、光伏等新能源发电存在波动性、间歇性等特点,一旦大规模接入电网将给电网安全稳定运行带来挑战[
文献[
根据上述文献的研究,可以发现分散式控制的控制对象不需要与调度控制中心直接通信,控制存在一定随机性;而集中式控制依赖于控制中心的信息处理能力,存在通信堵塞、延时等问题。分布式控制策略采用相邻单元间的两两通信方式,通过局部信息的交互实现全局关键信息的共享,减少受控单元对控制中心的依赖,有利于提高系统的可靠性。此外,TCLs参与电网调度具有TCLs特性各异、集群拓扑结构灵活、系统控制目标多样等特点,将TCLs加入电网调度运行十分复杂且需要协调大量控制主体。考虑分布式控制框架下的TCLs控制能够将复杂问题分解到各设备中单独求解,易于保证系统的稳定性,降低控制难度,降低建设与维护成本。
考虑分布式控制框架下的TCLs控制,文献[
尽管文献[
综上所述,现有研究成果中,考虑了开关寿命损耗的TCLs控制策略研究较少。因此,文中在现有研究的基础上,提出了一种计及开关寿命损耗的TCLs分布式协同控制策略。首先,基于等效热参数(equivalent thermal parameter,ETP)模型建立考虑开关寿命损耗的TCLs控制成本函数模型;然后,以负荷跟踪的总控制成本最低为目标,将上述控制成本函数模型引入基于多智能体一致性的分布式协同控制方法;最后,进行算例分析,提供数值结果来评估所提方法的性能。结果表明,所提的计及开关寿命损耗的TCLs分布式协同控制策略能够显著降低TCLs高频率开关切换造成的寿命损耗。
ETP模型常被用来描述建筑物室内温度与TCLs制冷(热)量的时变关系。ETP模型将室内环境、室外环境和TCLs制冷(热)量等参数等效成电路中的相关电气参数,来描述TCLs的热量在室内传递的过程。
ETP模型的一阶微分方程形式如式(1)所示。
式中:
对应一阶ETP模型如
一阶ETP模型
First order ETP model
假设室外温度在[
当TCLs设定温度在
TCLs的工作周期(制冷模式)
TCLs operating cycle in refrigeration mode
根据
式中:
文中将TCLs控制成本最小作为优化目标。考虑TCLs的异质性,基于单体TCL的控制成本进行分析。TCL参与控制的成本包括以下两方面:
(1) 温度改变对用户舒适性的影响,产生舒适性成本;
(2) 频繁的开关切换对TCL使用寿命的影响,产生开关损耗成本。
考虑这两方面的成本,文中引入矫正切换时间的概念,定义为
基于控制成本的分析,目标函数如式(4)所示。
式中:
当TCL在
将
结合式(5)和式(6),当TCL处于关闭状态,需要将TCL开启时,目标函数式(4)的表达如式(7)所示。
当TCL在
将
结合式(8)和式(9),当TCL处于开启状态,需要将TCL关闭时,目标函数式(4)的表达如式(10)所示。
由式(7)、式(10)可得TCL工作状态与在该状态开启/关闭TCL相应的控制成本曲线如
TCL的控制成本及工作周期
TCL′s control cost and operating cycle
由
为进一步说明矫正切换时间与开关损耗成本和舒适性成本之间的关系,考虑关闭状态下的TCL分别在
为了实现TCLs参与电力系统调度平抑电网功率波动的目标,第2章将一致性算法引入TCLs分布式控制,将控制任务确定为TCLs的实际总充放电功率能够跟踪功率需求,在满足功率平衡约束的前提下,实现控制过程中总控制成本最小化。
控制目标为在完成控制任务的前提下最小化负载控制过程中用户的总成本,如式(11)所示。
式中:
此外还需满足功率平衡约束条件。将Δ
式中:
基于TCLs等效储能模型,
式中:
将多智能体一致性引入控制策略。多智能体系统是解决分布式控制问题的基本形式,是一个由大量存在相互作用的节点(智能体)以及这些节点之间的相互连接线组成的复杂系统。多智能体系统中的信息和资源是局部的和分散分布的,各个智能体之间的相互协作解决复杂问题。因此,可利用多智能体系统在处理复杂问题时的优越性,实现复杂系统的最优运行。
图论是研究复杂网络一致性问题的有效手段,可以基于图论知识理解多智能体之间的信息传递关系。类比于图论中的相关概念,多智能体系统中的每个智能体都可看作一个节点,连接2个智能体的通信线路就相当于边。根据图论求出通讯拓扑对应的拉普拉斯矩阵
多单元系统的拉普拉斯矩阵
式中:
稀疏迭代矩阵
选择控制成本作为信息状态,非主导节点的一致性变量更新规则如式(18)所示。
式中:
为了满足功率平衡约束(12),定义
将功率偏差量
式中:
需要注意的是,迭代得到的一致性变量不是各TCLs的实时控制成本,而是成本参考值,用于判断此刻是否控制该TCL。
控制方法流程如
控制方法流程
Flow chart of the control method
算例选择10栋楼共计360个用户作为控制对象。其中,每栋楼均为3个单元,每个单元12户(6层),共36户。结合实际考虑到窄带物联网(narrow band internet of things, NB-IoT)无线通信范围有限,每栋楼内的36个用户通信采用格子拓扑,即每个用户仅跟上下左右4个邻居用户通信。每栋楼间有3条通信线路相连,并且仅在相邻楼建立通信线路。每栋楼一楼的6个用户作为主导节点接收功率信号。
TCLs的参考控制信号曲线参考文献[
参考控制信号
Reference control signal
假设所有TCLs都工作在制冷模式下,考虑到TCLs参数具有随机性,将各项参数设置为随机的正态分布[
TCLs的参数
Parameters of the TCLs
参数 | 平均值 | 正态分布的相对标准差 |
20 | 0.1 | |
0.625 | 0.1 | |
32 | 0 | |
2 | 0.1 | |
10 | 0.1 | |
14 | 0.1 | |
2.5 | 0 |
为了进行对比分析,采用3种负荷跟踪控制方法进行比较:
(1) 方案一:开关概率控制[
(2) 方案二:功率控制。基于多智能体一致性的分布式控制方法,功率偏差量转换为功率参考值,并作为一致性变量下发给TCLs,功率大的TCL优先切换状态。
(3) 方案三:成本控制。文中提出的计及开关寿命损耗的分布式控制方法,将功率偏差量转换为成本参考值,并作为一致性变量下发给TCLs,控制成本低的TCL优先切换状态。
上述3种方案的负荷跟踪控制结果如
各方案负荷跟踪控制结果
Load tracking control results of different control schemes
不同方案的瞬时成本
Instantaneous cost of different control schemes
不同方案的累计开关次数
Cumulative switching times of different control schemes
为进一步分析各控制方案的控制成本及控制效果,计算每一时刻切换状态的TCL该时刻室内温度与设定值的差值,采用积分平方误差(integrated square error,ISE)表述优化效果,并计算控制成本总和以及TCLs累计开关次数。累计ISE值和TCLs累计开关次数表达式分别为:
式中:
结果如
不同方案的负荷跟踪控制结果数据
Load tracking control result data of different schemes
性能指标 | 方案一 | 方案二 | 方案三 |
381.93 | 944.52 | 3.90 | |
587.81 | 867.04 | 6.47 | |
2 848 | 4 003 | 659 |
(1) 不同楼层数量比较。为了进一步评估文中方案的有效性,验证负荷数量对控制性能的影响,以每栋楼楼层数量为6~10层为例,比较在不同楼层数量情况下该方案的控制效果。
楼层数量不同时方案三控制性能
The control performance of scheme three under different number of floors
楼层数量/层 | |||
6 | 2.07 | 3.25 | 670 |
7 | 3.76 | 6.19 | 780 |
8 | 3.95 | 6.09 | 983 |
9 | 5.38 | 8.58 | 1 025 |
10 | 6.10 | 9.71 | 1 305 |
由
(2) 不同通信延迟比较。为了评估通信延迟对控制性能的影响,比较在不同通信延迟情况下文中方案的控制效果,
通信延迟不同时方案三控制性能
The control performance of scheme three under different communication delays
通信延迟/s | |||
0.5 | 3.70 | 5.83 | 805 |
1.0 | 5.18 | 8.10 | 958 |
1.5 | 10.41 | 16.56 | 1 040 |
2.0 | 13.22 | 20.62 | 1 179 |
TCLs在消纳可再生能源、平抑可再生能源方面具有重要的应用前景。为了更好地发挥TCLs在平抑新能源波动上的重要作用,主要开展了以下工作:
(1) 在ETP模型的基础上,建立了基于TCLs实时工作状态的控制成本模型。该模型能够反映TCLs的热力学特性和TCLs的开关(次数)损耗。
(2) 在上述控制成本模型的基础上,提出了一种基于多智能体一致的分布式协同控制方法。经仿真算例分析,计及TCL控制成本的分布式控制方法能够实现控制成本最低的控制目标。
本文得到江苏省研究生科研与实践创新计划项目“计及开关寿命损耗的温控负荷分层分布式协同控制策略研究”(1812000024572)资助,谨此致谢!
曾博, 杨雍琦, 段金辉, 等. 新能源电力系统中需求侧响应关键问题及未来研究展望[J]. 电力系统自动化, 2015, 39(17): 10-18.
ZENG Bo, YANG Yongqi, DUAN Jinhui, et al. Key issues and research prospects for demand-side response in alternate electrical power systems with renewable energy sources[J]. Automation of Electric Power Systems, 2015, 39(17): 10-18.
LI J, LIU C, ZHANG P F, et al. Difference between grid connections of large-scale wind power and conventional synchronous generation[J]. Global Energy Interconnection, 2020, 3(5): 486-493.
XIE L J, YAO L Z, CHENG F, et al. Coordinate control strategy for stability operation of offshore wind farm integrated with Diode-rectifier HVDC[J]. Global Energy Interconnection, 2020, 3(3): 205-216.
王俐英, 曾鸣, 赵嘉欣, 等. 计及电力需求响应的多能源协同系统优化运行研究[J]. 电力工程技术, 2021, 40(1): 2-9.
WANG Liying, ZENG Ming, ZHAO Jiaxin, et al. Optimal operation of multi-energy collaborative system considering electricity demand response[J]. Electric Power Engineering Technology, 2021, 40(1): 2-9.
高赐威, 梁甜甜, 李扬. 自动需求响应的理论与实践综述[J]. 电网技术, 2014, 38(2): 352-359.
GAO Ciwei, LIANG Tiantian, LI Yang. A survey on theory and practice of automated demand response[J]. Power System Technology, 2014, 38(2): 352-359.
ZHAO H R, WU Q W, HUANG S J, et al. Hierarchical control of thermostatically controlled loads for primary frequency support[J]. IEEE Transactions on Smart Grid, 2018, 9(4): 2986- 2998.
王东, 曾沅, 穆云飞, 等. 基于温控负荷控制技术的新能源优化利用方法[J]. 电网技术, 2015, 39(12): 3457-3462.
WANG Dong, ZENG Yuan, MU Yunfei, et al. An optimization method for new energy utilization using thermostatically controlled appliances[J]. Power System Technology, 2015, 39(12): 3457-3462.
TINDEMANS S H, TROVATO V, STRBAC G. Decentralized control of thermostatic loads for flexible demand response[J]. IEEE Transactions on Control Systems Technology, 2015, 23(5): 1685-1700.
MOLINA-GARCÍA A, BOUFFARD F, KIRSCHEN D S. Decentralized demand-side contribution to primary frequency control[J]. IEEE Transactions on Power Systems, 2011, 26(1): 411- 419.
周磊, 李扬, 高赐威. 聚合空调负荷的温度调节方法改进及控制策略[J]. 中国电机工程学报, 2014, 34(31): 5579- 5589.
ZHOU Lei, LI Yang, GAO Ciwei. Improvement of temperature adjusting method for aggregated air-conditioning loads and its control strategy[J]. Proceedings of the CSEE, 2014, 34(31): 5579-5589.
CALLAWAY D S. Tapping the energy storage potential in electric loads to deliver load following and regulation, with application to wind energy[J]. Energy Conversion and Management, 2009, 50(5): 1389-1400.
ZHANG Y, LU N. Parameter selection for a centralized thermostatically controlled appliances load controller used for intra-hour load balancing[J]. IEEE Transactions on Smart Grid, 2013, 4(4): 2100-2108.
张青. 温控负荷聚合建模及其功率控制[D]. 南京: 东南大学, 2016.
ZHANG Qing. Aggregated modeling and control of thermostatically controlled loads[D]. Nanjing: Southeast University, 2016.
CHEN Z Y, YU X H, WEN G H, et al. Multilayered self-triggered control for thermostatically controlled loads[C]//IECON 2019-45th Annual Conference of the IEEE Industrial Electronics Society. Lisbon, Portugal. IEEE, 2019: 6532-6537.
MENG K, WANG D X, DONG Z Y, et al. Distributed control of thermostatically controlled loads in distribution network with high penetration of solar PV[J]. CSEE Journal of Power and Energy Systems, 2017, 3(1): 53-62.
FRANCESCHELLI M, PILLONI A, GASPARRI A. Multi-agent coordination of thermostatically controlled loads by smart power sockets for electric demand side management[J]. IEEE Transactions on Control Systems Technology, 2020, 29(2): 731-743.
王蓓蓓, 胡晓青, 顾伟扬, 等. 分层控制架构下大规模空调负荷参与调峰的分散式协同控制策略[J]. 中国电机工程学报, 2019, 39(12): 3514-3528.
WANG Beibei, HU Xiaoqing, GU Weiyang, et al. Hierarchical control architecture and decentralized cooperative control strategy for large scale air conditioning load participating in peak load regulation[J]. Proceedings of the CSEE, 2019, 39(12): 3514-3528.
刘凤鸣, 杨秀媛, 陈麒宇. 一种平抑反弹效应的集群空调负荷控制方法[J]. 电网技术, 2021, 45(12): 4759-4767.
LIU Fengming, YANG Xiuyuan, CHEN Qiyu. Control method for suppressing rebound effect of air conditioning loads[J]. Power System Technology, 2021, 45(12): 4759-4767.
DAS K, GHOSE D. Broadcast control mechanism for positional consensus in multiagent systems[J]. IEEE Transactions on Control Systems Technology, 2015, 23(5): 1807-1826.
BAO Y Q, CHEN P P, HU M Q, et al. Control parameter optimization of thermostatically controlled loads using a modified state-queuing model[J]. CSEE Journal of Power and Energy Systems, 2019, 6(2): 394-401.