基于智能多代理的能量协调控制在直流微网中的应用

王 晶，李瑞环，束洪春

（1.浙江工业大学 信息工程学院，浙江 杭州 310014；2.昆明理工大学 电力工程学院，云南 昆明 650051）

0 引言

近年来，微网（microgrid）成为研究热点。但微网存在微源布址分散、控制信息多样、控制方式多变等特点，使得交流微网与主网并网、孤岛及无缝切换的实现需要解决分布式电源的复杂控制，并受频率、相位的约束；此外，交流微网还存在线路损耗较大等问题[1]。相反，直流微网在各种运行模式下，不存在与主网同步的问题，大幅降低了控制要求，而且能节约电力电子器件，减少线路损耗及系统成本，并能更好地利用具有直流特性的分布式电源[1-2]。因此，直流微网逐渐受到重视。2007年美国弗吉尼亚理工大学提出了SBI（Sustainable Building Initiative）计划，准备向未来楼宇直流供电[3]；2011年韩国建立了直流微网供电系统，将对直流电分配等问题进行研究[4]；2013 年日本 SAKURA Internet公司正式在数据中心启动了采用直流供电系统的服务器机柜，估算每年能削减电费2 700万日元[5]；欧洲的超级智能电网计划也提出了以直流输电网为骨干的输电模式，并预期在2020年左右将北海地区的风电场以直流形式并网[6]。

目前，关于直流微网的理论研究主要集中在保护[7-9]、电力电子接口电路[10-12]、能量管理与电压控制[13-16]等方面。其中，文献[13]提出了一种通过控制热电联产系统运行数量的方法，保证功率平衡，维持电压稳定；文献[14]通过光伏阵列控制器、燃料电池控制器、超级电容控制器及中央控制器的合作稳定了直流母线电压；文献[15]提出微网的3种运行状态，并设计了相应的控制策略，使微网达到功率平衡；文献[16]提出了电压分层协调控制策略，根据电压的变化量采用不同的控制策略，以保证功率平衡。

多代理系统MAS（Multi Agent System）具有良好的自主性和启发性，适合微网分散而复杂的控制。文献[17]建立了由微网控制代理、局部控制代理、分布式能源代理及负荷代理构成的多代理系统，能够快速高效地恢复微网频率；文献[18]在提出的多代理系统中设计了公共通信接口实现Agent之间的通信，完成微网的能量控制；文献[19]构建的多代理系统由分布式电源层、微网层及配网层组成，能通过实现并网运行、孤岛运行、并网操作等5种情况下的控制策略对微网进行管理。

本文针对直流微网提出了一种2层的多代理控制系统，其中上层为控制中心Agent，下层包括光伏电池 Agent、燃料电池 Agent、负荷 Agent及蓄电池Agent；之后，训练了一个8输入8输出的神经网络作为控制中心Agent的决策器，该神经网络能输出13种控制命令实现对微网的管理；最后，通过MATLAB对光照变化、并网时负荷增加后断网及孤岛时负荷增加后并网这3种算例进行仿真，仿真结果表明该控制系统能够实现微源和负荷的协调控制，并维持直流母线电压的稳定。

1 直流微网模型

本文构建的直流微网结构如图1所示，由光伏电池、燃料电池、蓄电池、直流负荷和交流负荷组成，通过DC／AC逆变器与电网相连，可并网运行，也可孤岛运行。直流母线电压额定值设定为350V[20]。负荷按重要程度分为一级负荷、二级负荷和三级负荷。其中，一级负荷不可间断供电，二级负荷可以短时间断电，三级负荷可以长时间断电。

图1 直流微网结构Fig.1 Structure of DC microgrid

1.1 光伏电池建模

光伏电池的数学模型如式（1）所示[21-22]。

其中，Isc为短路电流；Uoc为开路电压；UPV、IPV分别为输出电压和电流；其余参数为相关系数，描述如式（2）—（6）所示。

其中，Im、Um为最大功率点电流和电压；Rref、Tref为光照强度和光伏电池温度的参考值；α、β为参考日照下的电流和电压变化温度系数；Rs为光伏电池的串联电阻；Tc为光伏电池温度；R为光照强度。

1.2 燃料电池建模

燃料电池的数学模型如式（7）所示[23]：

其中，UFC为燃料电池输出电压；EFC为燃料电池的热力学电动势；Uact为活性极化损失电势；Ucon为浓度极化损失电势；Uohm为欧姆极化损失电势。对应公式如式（8）—（11）所示。

其中，N0为串联电池数量；EFC0为开路电压；RFC为通用气体常数；TFC为工作温度；F为法拉第常数；PH2、PO2、PH2O分别为氢气、氧气和水蒸气的压力；P 为电池堆系统压力；a、b为塔菲尔常数；iFC、iFCL为燃料电池的电流密度和极限电流密度；IFC为电池堆电流。

1.3 蓄电池建模

蓄电池的数学模型如式（12）所示。

其中，UBat、EBat0、iBat、RBat分别为蓄电池的输出电压、开路电压、放电电流及内阻；Edyn为浓度极化电压；ENL为活性极化电压；Exp用于拟合蓄电池充放电过程中的指数变化过程。对应公式如式（13）—（15）所示。

其中，K为极化电压；Q为蓄电池容量；A、B分别为指数曲线的峰值电压及时间常数的倒数；sBat为蓄电池的工作状态，对应公式如式（16）所示。

2 智能多代理系统的实现

2.1 多代理系统的适用性

多代理系统能够通过模拟人类社会系统的运作机制提高计算机系统解决复杂问题的能力，能够将大而复杂的系统分解成由多个代理组成的系统，各代理既能够分别执行各自不同的任务，又能够通过协调合作的方式解决单个代理不能解决的复杂问题，适合微网分散而又复杂的控制。

a.自治性：代理具有控制自身的能力，在没有外界的干扰下，能够根据自身的情况控制自身完成一定的任务。

b.协作性：各代理之间能够相互通信，一个代理可以向其他代理发送自身的状态，并协同其他代理完成一定的任务。

c.反应性：代理可以从环境或者其他代理处得到信息，并能够根据得到的信息作出合理的反应，改变自身的状态。

2.2 多代理系统结构

基于多代理系统的能量控制系统如图2所示。

图2 多代理系统结构Fig.2 Structure of MAS

系统中，上层的控制中心Agent用于收集下层各Agent的信息，并制定合理方案，同时将方案下传到下层的Agent。此外，控制中心Agent还控制着直流微网的并网及解列。下层的Agent由光伏电池、燃料电池、蓄电池及负荷4个子Agent组成。各子Agent上传各自运行参数到控制中心Agent，根据控制中心Agent下传的方案及各自情况决定运行状态。同时下层各Agent还分别具有以下不同的功能：

a.光伏电池Agent具有最大功率点跟踪（MPPT）功能，使光伏能够输出最大功率，同时还具有决定是否接入微网的功能；

b.燃料电池Agent具有监测运行状态及决定是否接入微网的功能；

c.蓄电池Agent能够监测电压、剩余容量等运行参数，且具有决定蓄电池充放电的功能，本文设定当SoC低于20%时不允许放电，当SoC高于90%时不允许充电；

d.负荷Agent能计算当前的总负荷功率，并可以根据分布式电源的总功率和总负荷功率的大小及控制中心是否下达减载信息等情况决定是否减载，同时还能根据负荷的重要程度进行合理减载。

2.3 神经网络算法

人工神经网络ANN（Artificial Neural Network）能够模拟人脑智能化处理，实现多输入多输出的非线性映射，具有信息记忆、自主学习等功能，具有很强的自适应性及容错能力[24-26]，有利于控制中心Agent对下层各Agent进行可靠的管理，所以本文选择神经网络作为控制中心Agent的决策器。

本文设计的神经网络用于实现以下目标：初始时，光伏电池工作在MPPT模式，同时经DC／DC变换恒压输出，当光伏电池最大输出大于负荷功率时，若蓄电池允许充电，则将多余电能储存到蓄电池中，否则光伏电池不实现MPPT，仅实现恒压输出；当光伏电池不足以提供足够能量时，根据燃料电池能否放电，决定燃料电池是否放电；再根据功率平衡条件是否满足及蓄电池能否放电决定蓄电池是否放电；之后，若光伏电池、燃料电池及蓄电池无法满足功率要求，根据大电网能否提供电能决定是并网还是减载。因此，该神经网络能控制系统使可再生分布式电源得到充分利用，大电网输出尽量减少，可在保证用户正常用电的基础上尽可能减少化石能源的消耗及用电支出。

为实现以上目标，首先构造一个2层的BP神经网络，结构见图3，其中，P、T为输入和输出数据，W1I，1、W2，1L为权重矩阵，b1、b2为阈值，隐层和输出层分别有17和8个神经元，传递函数均使用logsig（·）。该神经网络的输入层、输出层数据如表1和表2所示。其中输入层由8个特征参数组成，这些参数由下层各Agent上传，包括光伏电池、燃料电池、蓄电池、电网及负荷的运行状况；输出层的8个输出组成了13种输出可能，代表13种协调控制命令，对燃料电池、蓄电池、电网及负荷进行控制。表3为对应的13种协调控制命令。最后，通过随机产生10 000组训练样本完成训练，并生成Simulink模块。

图3 BP神经网络结构Fig.3 Structure of BP neural network

表1 输入层特征参数Tab.1 Characteristic parameters at input layer

表2 输出层特征参数Tab.2 Characteristic parameters at output layer

表3 能量协调控制输出Tab.3 Outputs of energy coordination control

3 算例分析

本文的仿真系统包括光伏电池、燃料电池、蓄电池各1台，其中，燃料电池、蓄电池的最大输出功率分别为2 kW和2.5 kW，蓄电池初始SoC为50%。系统中还存在大电网及1 kW一级、2 kW一级、2 kW二级、2 kW三级这4种负荷。通过该系统分别对光照变化、并网运行时负荷增加后电网断电及孤岛运行时负荷增加后并网这3种情况进行仿真。

3.1 算例1

负荷保持1 kW不变，当光照如图4（a）所示变化时，直流母线电压情况见图4（b），负荷功率PL、光伏电池功率PPV、燃料电池功率PFC、蓄电池功率PBat、电网功率PGrid变化情况见图5。其中，负荷输入为正，光伏电池、燃料电池、蓄电池及电网输出为正。

图4 光照及直流母线电压情况Fig.4 Light intensity and voltage of DC bus

图5 能量协调控制结果1Fig.5 Results of energy coordination control in case 1

初始时光照强度为800 W／m2，光伏电池最大输出功率约为1 250 W，能够保证1 kW负荷的正常运行，由于蓄电池的初始SoC为50%，满足充电要求，蓄电池Agent允许蓄电池充电，控制中心Agent接收到蓄电池允许充电的信息后，发出（0，0，0，0，0，1，0，0）的命令，蓄电池充电；0.5～0.9 s，光照强度逐渐增强至1 000 W／m2并保持不变，光伏的最大输出也增至1 580 W并维持不变，此时控制中心Agent仍然发出（0，0，0，0，0，1，0，0）的命令，蓄电池保持充电状态且充电功率逐渐增至580 W并维持不变；0.9～1.2 s，光照强度逐渐减弱至600 W／m2并维持不变，光伏最大输出减小为940 W，其中1.08 s时，光伏最大输出为1 000 W，则在0.9～1.08 s过程中，控制中心Agent仍然发出（0，0，0，0，0，1，0，0）的命令，而在 1.08～1.2 s过程中，光伏电池无法满足负荷需求，由于燃料电池允许放电且与光伏的最大总输出功率能够满足负荷要求，控制中心 Agent发出（0，1，0，0，0，0，0，0）的命令，蓄电池停止充电，燃料电池开始恒压放电；在1.2 s之后，光伏输出随着光照的降低而减少，控制中心 Agent仍然发出（0，1，0，0，0，0，0，0）的命令，燃料电池继续恒压放电，且输出功率逐渐增大。

3.2 算例2

初始时微网并网运行，并带有一级负荷1 kW，0.5 s、0.75 s、1 s时分别增加二级、三级及一级负荷各2 kW，大电网在1.25 s时断开，微网进入孤岛运行状态。对应的功率变化情况如图6所示。

图6 能量协调控制结果2Fig.6 Results of energy coordination control in case 2

开始时，光伏最大输出功率约为1.58 kW，系统中只存在1 kW一级负荷，由于蓄电池SoC为50%，蓄电池Agent允许蓄电池充电，控制中心Agent接收到蓄电池允许充电的信息后，发出（0，0，0，0，0，1，0，0）的命令，蓄电池充电；0.5 s时增加2 kW二级负荷，光伏不足以提供所需电能，将由其他电源提供缺额电能。此时燃料电池允许放电且与光伏的最大总输出功率为3.58 kW，能够满足负荷需求，控制中心Agent下达（0，1，0，0，0，0，0，0）的控制任务，蓄电池停止充电，燃料电池恒压放电；0.75 s时增加2 kW三级负荷，光伏及燃料电池无法满足负荷要求，但蓄电池的SoC允许其放电且光伏、燃料电池及蓄电池的最大总输出功率为6.08 kW，能够满足负荷要求，控制中心 Agent发出（0，0，1，1，0，0，0，0）的命令，燃料电池最大功率放电，蓄电池恒压放电；1 s时增加2 kW一级负荷，光伏、燃料电池及蓄电池无法满足负荷要求，控制中心 Agent将发出（0，0，1，0，1，0，1，0）的命令，燃料电池及蓄电池最大功率放电，大电网开始向微网提供电能；1.25 s时，大电网断电，此时，系统微源发出的功率无法满足负荷，控制中心将发出（0，0，1，0，1，0，0，1）的命令，通知负荷 Agent减载。负荷Agent接收到减载信息后，将根据从光伏电池 Agent、燃料电池 Agent、蓄电池 Agent得到的最大输出功率之和与此时的负荷情况进行比较，选择合理的减载方式。本算例中，负荷Agent选择断开2 kW三级负荷，对应的负荷投入及减载情况如图7所示。减载完成后，控制中心Agent经过决策，再次发出（0，0，1，1，0，0，0，0）的命令，要求燃料电池最大功率放电，蓄电池恒压放电。对应的直流母线电压如图8所示。可见，该能量协调控制能较好地恢复并维持直流母线电压在350 V左右。

图7 负荷Agent对负荷的控制结果1Fig.7 Results of load control by load Agent in case 1

图8 直流母线电压Fig.8 Voltage of DC bus

3.3 算例3

初始时微网孤岛运行，并带有一级负荷1 kW，在0.5 s、0.75 s、1 s时分别增加二级、三级及一级负荷各2 kW，1.25 s时微网与大电网连接，进入并网运行状态。功率变化情况如图9所示。

图9 能量协调控制结果3Fig.9 Results of energy coordination control in case 3

1 s前，光伏电池、燃料电池及蓄电池的最大功率能够满足负荷要求，能量协调控制决策与算例2前1 s的情况相同。1 s时，增加2 kW一级负荷，由于此时大电网不允许放电，而光伏电池、燃料电池及蓄电池不足以提供所需电能，控制中心Agent发出（0，0，1，0，1，0，0，1）的命令，通知负荷 Agent减载，负荷Agent接收到减载信息后，针对该情况决定连接2 kW一级负荷的同时，断开2 kW三级负荷，确保电压稳定的同时使重要负荷能够正常运行，断开三级负荷后，控制中心 Agent将发出（0，0，1，1，0，0，0，0）的命令；1.25 s时，微网与大电网并网，负荷Agent确认大电网能够向微网提供电能后，将重新连接之前被断开的三级负荷，从而控制中心Agent将发出（0，0，1，0，1，0，1，0）的命令，使蓄电池最大功率放电，大电网向微网提供电能，保证功率平衡，维持电压稳定。对应的负荷变化情况以及直流母线电压分别如图10和图11所示。

图10 负荷Agent对负荷的控制结果2Fig.10 Results of load control by load Agent in case 2

图11 直流母线电压Fig.11 Voltage of DC bus

4 结论

本文提出了一种基于智能多代理技术的直流微网控制系统，主要有以下特点：

a.下层各Agent既能根据自身情况自主运行，又能彼此协作，充分发挥了代理的自治性和协作性；

b.上层的控制中心Agent以神经网络作为决策器，能够根据下层各Agent上传的信息作出合理的响应，实现了分层控制，保证了能量的合理流动；

c.通过多代理系统，在发生负荷增加及孤岛和并网的状态转换等情况下，能有效维持直流母线电压的稳定。

此外，JADE平台为多代理系统提供了一个很好的开发平台，对于本文提出的控制系统在JADE平台上的开发将是下一步的主要工作。