基于一致性算法的微网分布式有功均衡控制

李 阳 叶琼蔚



基于一致性算法的微网分布式有功均衡控制

李 阳 叶琼蔚

（重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆 400044）

为实现微网内可控型分布式电源（distributed generator, DG）按有功容量分配负荷以避免其过载，建立了基于一致性算法的分布式有功均衡控制模型。不依赖于中央控制器，而是通过Agent与邻居Agent之间的局部通信，根据自身信息及获取到的邻居信息来实时更新自己的信息，作为可控DG的指令以实时调整自身有功输出。此外，建立了考虑通信延时的有功均衡控制模型。基于Matlab/Simulink仿真验证了所提均衡控制策略可以达到有功均衡的效果，解决了部分DG过载的问题，且系统电压和频率稳定。另外，讨论了延时对系统的影响，验证了延时过大会使系统均衡精度变差。

微网；可控DG；有功均衡；一致性算法；延时

微网是一个包含多种DG、储能、负荷的可控、友好的小型电力网络，众多特性各异的DG常通过变流器并联运行，以提高系统的可靠性。由于多DG并联协调控制策略影响系统的稳定性，因而得到了业界的广泛关注[1-3]。

微网中多台DG的功率均衡控制，即依据DG容量比例来分配系统总负荷，可以最大程度避免单台DG过载，从而提高系统运行可靠性，已有不少文献从功率均衡控制角度进行研究。文献[4]提出了以降低有功分配的分配误差为目标，使风力发电机组按容量比例分配负荷的策略。文献[5]根据风力发电机组的运行状态和实时风速等信息，对机组进行动态分类，并按风电机组最大发电能力和运行约束条件建立有功分配模型。然而，以上模型都依赖于一个集中控制器，在微网内DG数量很多的情况下，中央控制器的通信及控制压力较大，可能无法对各台DG实施有效调度，系统可靠性及可扩展性不高。下垂控制是避免集中式控制上述问题的有效方法，其不依赖于集中式控制器，且通信依赖程度低甚至无需通信，因此在均衡控制中得到广泛的应用。但下垂控制存在诸多问题：均衡精度与稳定性存在一定的矛盾、无功分配精度不高、电压控制难度较 大[6-9]。

文献[10]提出一种包含最大功率跟踪控制（MPPT控制）、定功率跟踪控制（PQ控制）、恒压/恒频控制（V/f控制）的分布式控制模型。该模型中，风机、光伏采取MPPT控制以提高新能源渗透率；柴油机组、微型燃气轮机采取PQ控制，为系统提供稳态支撑；储能装置采取V/f控制为系统提供暂态支撑。该模型特点在于：①不依赖于集中控制器；②实现新能源最大程度消纳；③不存在下垂控制稳定性较差的问题。但该模型中可控DG按照“就地补偿”或“就近补偿”的原则来分配负荷，如果附近负荷较大或者可再生能源出力较小，就可控DG易出现过载的问题。

为解决文献[10]模型中可控DG容易过载的问题，本文在其基础上，建立了可控DG有功均衡控制模型。其实现方案如下：利用稀疏通信网络，通过邻居之间的点对点通信，实时交换可控DG的有功/容量比信息，基于一致性算法确定下一控制周期的有功/容量比指令值，本地控制器依据该指令值计算其下一时刻的有功输出。该改进模型完整保留了文献[10]不依赖于集中式控制器、新能源最大程度消纳、稳定性高这些优点；同时克服了可控DG容易过载这一问题，实现了有功的大范围互济，对减小可控DG及储能容量配置，提高系统可靠性有重要意义；最后仿真验证了本文均衡控制的有效性、以及不同大小的通信延时对均衡精度的影响。

1 分布式有功均衡控制模型

本文分布式有功均衡控制建立在文献[10]有功平衡控制的基础上，首先对文献[10]进行简要概述，然后提出本文的有功均衡控制律。

1.1 分布式功率平衡控制

文献[10]给出了微网电力-通信双层网络模型。其结构如图1所示。

图1 微网双层网络模型

图1中，Physical层由DG和负荷、输电线路等一次设备构成，其中：①DG包括可控DG、不可控DG和半可控DG 3种类型，可控DG包括微型燃气轮机、柴油发电机等，其功率通过调节进气量、进油量来控制，采取定功率控制（PQ控制），图1中以“菱形”表示；②不可控DG指风机、光伏板，采取最大功率跟踪控制（MPPT）以提高新能源利用率，由于风速、光强不可控，故其功率无法控制，图1中以“椭圆形”表示；③半可控DG采用蓄电池、超级电容器等响应速度快的电源，采取和恒压/恒频控制（/控制），为系统提供暂态支撑，图1中以“椭圆形”表示。Cyber层由各Agent和Agent之间的通信链路构成，Agent分为两类：①可控DG配置的Agent成为可控Agent，图1中以“菱形”表示；②不可控DG和半可控DG配置的Agent成为不可控Agent，图1中以“椭圆形”表示。Agent兼具信息采集、处理、传递信息：①虚线表示Cyber层Agent采集物理层DG和负荷的信息，并向Physical层传递指令信息；②有向实线表示Agent之间的通信链路。

依据图中的Cyber网络的拓扑结构和Physical层各DG的属性，可以确定功率平衡分布式控制律为

式中，L()和()表示各DG当前时刻的有功负荷和有功输出；L()和()表示各DG当前时刻的无功负荷和无功输出；b为平衡控制周期，即每b进行一次式（1）的功率平衡计算；(+b)和(+b)分别表示下一b的有功和无功输出指令；矩阵=[a]×n表示Agent之间连接关系，其中，表示Agent数量，若Agent向Agent向传递信息，则a=1，否则a=0；对角矩阵=[r]×n表示 Agent的属性，若Agent为可控Agent，则r=1，否则r=0；对角矩阵=[d]表示各Agent的出度，例如，Agent有两条出边，则d=2。该平衡控制律的实质是依据当前时刻的功率输出和负荷情况，按照“就地补偿”或“就近补偿”的原则，来确定可控DG下一时刻功率输出的，以维持系统功率平衡。

1.2 分布式有功均衡控制模型

均衡控制的目标是各DG功率输出与其容量之比相等，因此有功均衡的表达式为

为实现式（2）所示的有功均衡控制，在图1所示的Cyber层可控Agent之间架设双向通信线路，图中以双向箭头曲线表示，其通信网络如图2所示。

图2 有功均衡控制通信网络

（4）

由以上分析，本文有功均衡控制的思想为：在式（1）确定下一b可控DG的有功输出后，各可控Agent与邻居可控Agent每隔c交换一次一致量的信息，基于一致性算法，确定每一c，即每次迭代后可控DG的有功输出，直到下一个b来临。下一个b来临之后，重新进行上述迭代过程。

其控制框图如图3所示。

1.3 通信延时下的分布式有功均衡控制模型

微网的通信网络中，特别是无线传感网络WSN、3G通信方式等，信道抗干扰能力差，传输速率低，不可避免地引入数据延时。计及延时，式（3）中的一致量迭代式为[11-13]

2 仿真分析

2.1 仿真参数设置

以图1包含12台DG的微网为例。其中DG2、DG4、DG5、DG7、DG10、DG12采取PQ控制，为可控DG，其有功容量分别为=[60, 57, 55, 50, 42, 45]kW；DG3为蓄电池，采取/控制；其余DG为风机、光伏，采取MPPT控制。

仿真时长设为3s，=1s时刻，有功负荷突增28%，整个仿真时间内，风速、光强实时变化。设定平衡控制周期b=40ms；均衡控制周期，即一致性算法迭代周期c=0.5ms。

2.2 有功均衡控制效果

如果不采取本文1.2节中有功均衡控制策略，就可仅通过文献[10]的模型，即式（1）来确定可控DG的有功输出。6台可控DG的输出如图4所示。

由图4可知，当不采取有功均衡控制时，DG2、DG10负载过重，甚至出现短时过载现象，弱化了可控DG平抑新能源处理波动及负荷变化的能力，降低了系统可靠性。

采取本文2.2节的均衡控制策略，即依据图3所示的控制框图，6台可控DG的有功均衡效果如图5所示。

图5 有功均衡效果

如图5所示，各可控DG的有功输出与自身容量之比，即/近似相等，说明其有功按其容量成比例输出，达到了有功均衡控制的效果。各台可控DG均未出现负载过重或过轻的问题，从而提高了可靠性。且系统电压、频率稳定，如图6所示。

2.3 延时对控制效果的影响

图6 系统电压与频率

（a）=1

（b）=3

图7 不同延时对有功均衡效果的影响

对比图7（a）和图7（b），可知随着延时增大，有功均衡效果逐渐变差。当延时时，各个可控DG有功输出与容量之比不再一致，即不再均衡。这是因为随着延时增大，一致量收敛速度减慢，或者不收敛，以此一致量来计算有功输出，必然导致有功均衡效果较差。

3 结论

为避免微网内DG过载的现象，提高可靠性，本文提出了一种DG有功输出按自身有功容量来分配负荷的方案。不依赖于中央控制器，而是通过局部通信，根据自身信息及获取到的邻居信息来实时更新自身状态，作为可控DG的指令以实时调整有功输出。由于采用分布式控制方法，从而不存在因中央控制器“单点故障”导致全局崩溃的风险。仿真验证了所提均衡控制策略可以达到有功均衡的效果，解决了部分DG过载的问题，且系统电压和频率稳定。另外，讨论了延时对系统的影响，延时较小对系统影响基本可以忽略，而延时过大会使系统性能变差。

本方法不足之处在于通信量较大。后续将在本文基础上，减少通信量，增强控制策略对通信延时的鲁棒性。

[1] 杨琦, 张建华. 微型电网运行及保护设计[J]. 陕西电力, 2011, 39(1): 1-5.

[2] 田军,吴建东. 风光储微网系统一体化解决方案[J]. 电气技术, 2014(S1): 9-14.

[3] 夏向阳, 万成. 配电网中光伏微网系统的新型控制策略[J]. 电气技术, 2012(8): 28-31, 50.

[4] Rodriguez-Amenedo J L. Arnalte S, Burgos J C. Automatic generation control of a wind farm with variable speed wind turbines[J]. IEEE Transactions on Energy Conversion, 2002, 17(2): 279-284.

[5] 梅华威, 米增强, 李聪, 等. 采用机组风速信息动态分类的风电场有功控制策略[J]. 中国电机工程学报, 2014, 34(34): 6058-6065.

[6] He Jinwei, Li Yunwei, Guerrero J M, et al. An islanding microgrid power sharing approach using enhanced virtual impedance control scheme[J]. IEEE Transactions on Power Electronics, 2013, 28(11): 5272-5282.

[7] Yao Wei, Chen Min, Matas J, et al. Design and analysis of the droop control method for parallel inverters considering the impact of the complex impedance on the power sharing[J]. IEEE Transactions on Industrial Electronics, 2011, 58(2): 576-588.

[8] 张庆海, 罗安, 陈燕东, 等. 并联逆变器输出阻抗分析及电压控制策略[J]. 电工技术学报, 2014, 29(6): 98-105.

[9] Olivares D E, Mehrizi-Sani A, Etemadi A H, et al. Trends in microgrid control[J]. IEEE Transactions on Smart Grid, 2014, 5(4): 1905-1919.

[10] Li Qiang, Chen Feixiong, Chen Minyou, et al. Agent-Based decentralized control method for islanded microgrids[J]. IEEE Transactions on Smart Grid, 2016, 7(2, SI): 637-649.

[11] Olfati-Saber R, Murray R M. Consensus problems in networks of agents with switching topology and time- delays[J]. IEEE Transactions on Automatic Control, 2004, 49(9): 1520-1533.

[12] Meng L, Dragicevic T, Vasquez J C, et al. Modeling and sensitivity analysis of consensus algorithm based distributed hierarchical control for DC microgrids[J]. IEEE Transactions on Smart Grid, 2015(3): 342-349.

Distributed Active Power Sharing Control for Microgrid based on Consensus Algorithm

Li Yang Ye Qiongwei

(Chongqing University, the State Key Laboratory of Power Transmission Equipment, and System Security and New Technology, School of Electrical Engineering, Chongqing 400044)

Aiming at the accurate active power of the controllable distributed generator (DG) proportional to their rated capacity, a consensus-based distributed active power sharing control scheme is proposed. No centralized controller is required, each agent only communicates with it’s neighbors, and updates consensus state according to own information and neighbor information, which provides the active power reference for the controllable DG. Furthermore, the above model considering communication delays is established. Simulation results are presented to validate the correctness of the proposed control method, overcome the overload problem of the controllable DG, and investigate the impacts of communication delays to system performance.

microgird; controllable DG; active power sharing; consensus algorithm; delay

李 阳（1991-），男，硕士研究生在读，研究方向为新能源微网的优化与控制、微网的通信系统容错策略。