大规模可再生能源接入背景下自动发电控制研究现状与展望

胡泽春, 罗浩成

(1. 清华大学电机工程与应用电子技术系, 北京市 100084; 2. 电力系统及发电设备控制和仿真国家重点实验室, 清华大学, 北京市 100084)

0 引言

为应对化石能源危机和环境污染问题,世界各国大力推动以风电和光伏为代表的可再生能源发展,促进电能生产的清洁化转型[1]。然而,风电、光伏的发电出力具有随机性、间歇性和难以准确预测等特点,其装机容量的迅猛增长已给电力系统安全稳定和经济运行带来了巨大挑战。

电力系统自动发电控制(automatic generation control,AGC)是实现发电功率和负荷功率平衡,保持电网频率为规定值和联络线交换功率为计划值的重要手段。传统意义上, AGC是通过调节发电功率跟随负荷功率的随机扰动。随着以风电和光伏大规模接入电网,传统的电力系统频率控制问题面临新的挑战和机遇。一方面,随着风电机组和光伏发电系统替代传统机组发电,使得在线机组的总转动惯量减小,维持频率质量的能力降低,而可再生能源发电出力的随机波动又加重了系统对调频资源的需求;另一方面,风电和光伏发电出力可通过电力电子设备快速调节,具备维持电力系统频率水平的巨大潜力。此外,电网中正在接入越来越多的新型储能资源和需求侧灵活资源,如化学电池储能、电动汽车、蓄冷/蓄热负荷等。相比火力发电机组,新型储能和灵活资源通常具有较快的功率调节速度,能够对系统的频率变化做出快速响应,适合参与电力系统的频率调节,因而受到了越来越多的关注。

在新的形势下,AGC的系统构架、控制模型将日趋复杂,模型与参数的不确定性增加,对AGC控制提出了更高要求[2]。理论研究如何与工程实际相结合,在AGC中实现先进控制方法的应用至关重要。

本文在简单概述AGC基本原理的基础上,首先总结了可再生能源接入对电力系统频率响应性能和调频需求的影响。然后,分别对可再生能源发电、需求侧灵活资源、储能资源等新型调频资源参与AGC的关键问题和研究动态进行了总结和分析。接着,归纳并讨论了几类先进控制技术应用于AGC的研究现状与前景。最后,展望了大规模可再生能源接入下AGC的主要挑战与研究方向。

1 AGC的基本原理

AGC的基本原理如图1所示,其调节的典型流程如下。

1)负荷出现扰动或发电机组出力出现偏差,导致系统频率偏离基准值,联络线交换功率偏离预定的计划值。

2)AGC控制系统根据量测信息和频率偏差系数计算区域控制偏差(area control error,ACE),并经AGC控制器计算区域控制需求(area regulation requirement,ARR),然后分配至各调频机组。

图1 AGC基本原理图Fig.1 Block diagram of AGC

3)调频机组调节出力以跟踪AGC控制指令,补偿负荷扰动和出力偏差,促使系统频率恢复至基准值、联络线交换功率恢复至计划值。

考虑可再生能源发电的接入,系统频率偏差的响应方程为:

(1)

式中:M为电力系统转动惯量;D为阻尼系数;Δf为频率偏差量;ΔPG为调频资源功率调整量;ΔPL为负荷偏差量;ΔPT为联络线交换功率偏差量;ΔPR为可再生能源发电出力预测偏差。

可再生能源渗透率的不断提升将导致系统转动惯量M的显著变化,同时给电网的有功功率实时平衡带来更大的扰动ΔPR,改变电力系统的频率响应性能和调频容量需求,从而影响电力系统频率控制性能。因此,本文将首先对这一问题的研究现状进行总结。另一方面,新型调频资源是应对可再生能源接入对AGC造成不利影响的重要手段。新型调频资源复杂多样,不同类型调频资源具有不同的调节性能、控制架构及经济性特点,因此本文将从新型调频资源参与AGC的经济性、本地控制技术与建模、AGC控制策略等多个角度总结相关研究进展。为应对可再生能源接入和新型调频资源参与后AGC控制的复杂性,一些先进控制理论被应用于AGC控制器设计,以对功率调节量更优地估计和分配,本文也将对几种典型AGC控制方法的相关研究进行综述。

2 可再生能源接入对AGC的影响

2.1 可再生能源接入对系统频率响应性能的影响

以风电、光伏为代表的可再生能源通常通过电力电子变换器接入电网,对系统转动惯量没有贡献[3]。而随着可再生能源装机容量和渗透率的不断提升并逐步替代传统机组发电,电网在线机组的总惯量减小,有功功率扰动情况下电网的频率响应性能将随之恶化,根据式(1)可知,在相同的有功功率扰动下,由于转动惯量M的下降,频率偏差Δf将随之上升。文献[4]结合实际电网运行数据,仿真分析了不同可再生能源发电占比下电网的频率响应过程。仿真结果表明,更高的可再生能源占比下,电网在相同有功功率扰动下的频率变化率、频率最低点、稳态频率偏差等指标表现更差。文献[5]通过对美国德克萨斯州(简称“德州”)电网两次频率跌落过程的分析指出,可再生能源接入带来的系统惯性下降是造成电网更大频率跌落的主要原因。另一方面,由于可再生能源表现出一定的“反调峰”特性(主要是风电),电网总惯量在峰谷时段的差异进一步增大,导致电网频率响应性能评估和参数整定难度增加[6]。

为了降低可再生能源接入对频率响应性能的影响,一些国家出台了针对改善可再生能源频率响应能力的导则或规定,期望可再生能源能够像传统机组一样提供惯性响应和频率支撑等能力[7]。特别地,对于投运更早的风电机组,相关规定对其有功备用能力、频率调节能力和应急有功支撑能力提出了具体要求,相关规定整理见文献[8]。工业界和学术界也针对这一问题展开了一系列研究与尝试。GE和Vestas等风机制造商在风力发电机控制器内附加频率控制和有功功率控制模块[9-10],以实现可再生能源出力对电网频率变化的响应。在此基础上,风电场内的有功功率控制系统也被改造,以满足电网运营商对于并网风电的性能要求[11-12]。学术界的相关研究则尝试通过事前评估、控制器和控制参数优化等方法更进一步挖掘可再生能源发电提供频率支撑的潜力。文献[13-15]对可再生能源的频率支撑能力评估展开了研究,以指导可再生能源场站侧频率控制器的设计与优化。为在提升可再生能源频率响应性能的同时保证其运行稳定性,文献[16-19]在现有控制器设计基础上研究了控制器参数优化方法,可应用于现有控制器的改造。文献[20-24]则尝试改进可再生能源频率控制器的构架和控制逻辑,以提升可再生能源在响应频率变化过程中的性能表现。

尽管通过对可再生能源发电设备和系统的改进可降低可再生能源接入对电网频率响应性能的影响,但是,可再生能源提供惯性响应和频率支撑的能力有限,无法在所有运行状态下均提供充足的频率响应能力。可再生能源提供惯性响应和频率支撑的能力难以保证高可靠性,即便在单次调频响应过程中,可再生能源出力的变化也存在不确定性,增加了电网频率控制的复杂度。

2.2 可再生能源出力波动对调频需求的影响

可再生能源发电出力的随机波动给电网发用电的实时平衡带来了新的有功功率扰动,因而随着可再生能源发电渗透率的提升,电力系统对调频容量也将随之增长:根据式(1),可再生能源出力偏差ΔPR的增大需要由容量更大、响应速率更快的调频资源提供偏差补偿,以消除有功功率不平衡。文献[25]总结了包括挪威、芬兰、瑞士、爱尔兰、英格兰、德国、美国明尼苏达州和加利福尼亚州在内的多个国家和地区对可再生能源接入造成短期备用需求上升的研究成果。由于各国电网运行方式、市场机制的不同,相同比例的可再生能源接入对短期备用造成的上升需求不尽相同。可再生能源的预测精度提升将有助于降低其对短期备用需求的影响。该文献还指出,由于可再生能源出力变化较为迅速,爬坡速率较慢的现有传统机组在部分时段难以满足调节需求,新型快速调节资源亟待引入。文献[26]通过对风电随机波动的估计,测算大规模风电接入后中国西北各省级电网调频容量需求的变化情况,计算结果指出甘肃和宁夏两个省级电网所需增加的调频需求达到风电装机容量的18.99%和8.35%。

可再生能源接入对调频需求的影响与电网内的可再生能源出力特性、调频机组性能、调频控制策略等因素密切相关。文献[27]对调频机组调节速率和风电波动的匹配关系进行了分析,测算了中国华北某省级电网在高比例风电场景下对调频容量的需求,计算结果表明,电网在峰荷时段的调频需求大于谷荷时段,上调频备用比下调频备用更易出现不足。文献[28]则利用美国德州电网实际运行数据对其不同风电接入比例下的调频需求进行仿真,指出该电网对下调频容量的需求大于对上调频容量的需求。文献[29]进一步指出,德州电网在夜间谷荷时段的调频需求更大,主要原因之一是该电网夜间风电大发将带来更大的预测误差。文献[30]则发现,德州电网的风电在早上06:00和晚上22:00较易出现爬坡事件,在这些时段电网对调频容量的需求最大;极端天气条件下的调频需求可能是一般条件下的两倍。文献[31]通过仿真发现,大规模光伏接入后美国南内华达州电网在冬季的调频需求变化量大于其在夏季的调频需求变化量。

为保证大规模可再生能源接入下AGC的控制效果,并尽可能降低因调频需求上升而导致运行成本的上升,将调节性能好、调节成本低的新型调频资源纳入AGC是有效的解决方案。下文将对可再生能源发电、需求侧灵活资源和储能资源这三类新型调频资源参与AGC的关键问题和研究动态分别进行了梳理和分析。

3 可再生能源参与AGC

可再生能源高占比的电力系统中,不受控的可再生能源出力对电网调频容量和有功功率平衡控制均提出了更高要求。传统机组需要预留更多的备用容量,可能导致其偏离经济运行点,从而降低了系统的经济性。

为了减小可再生能源出力随机性的影响,将可再生能源纳入电网有功功率控制已成为电网企业的共识[8]。中国于2011年颁布的国家标准GB/T 19963—2011《风电场接入电力系统技术规定》中明确指出:风电场应配置有功功率控制系统,具备有功功率调节能力;风电场应能够接收并自动执行电力系统调度机构下达的有功功率及其变化的控制指令,风电场有功功率及其变化应与电力系统调度机构下达的给定值一致[32]。文献[33]认为,未来应使风电场的运行方式与现有传统电厂的运行方式一致,可为电网提供备用并参与AGC。

在可再生能源参与AGC的研究中,除经济性评估、控制策略优化等热点问题外,如何保证不确定性可再生能源的有功功率调节能力和调节空间也是一个关键问题。

3.1 可再生能源发电的有功功率控制技术

为实现可再生能源参与AGC,可再生能源发电两个层面的有功功率控制能力不可或缺:在机组层面,应具备在可用功率水平下减载运行并跟踪指令的能力;在场站层面,应具备调节指令合理分配和反馈跟踪的能力。

在机组层面的有功功率控制技术研究中,提升有功功率控制性能和降低调节损耗是主要的研究目标。目前,为满足电网公司对风电接入的规定,一些商用风机已具备基本的减载运行和指令跟踪能力[9,34]。典型商用风机的有功功率控制系统模型见图2。

图2 典型商用风机的有功功率控制系统模型Fig.2 Active power control system model of a typical commercial wind turbine

为延长风机变桨距机构的使用寿命,文献[35]提出了一种全风速下风机有功功率控制策略,在桨距角控制启动前尽可能使用转速控制进行风机有功功率控制,在降低变桨距机构动作频率和幅度的同时,利用风机转动惯量提升发电量。文献[36]利用泰勒展开得到了风机在当前运行点附近的线性化模型,考虑风速的不确定性,提出了一种控制参数自适应调整的风机桨距角控制策略,以减小变风速下风机的疲劳损耗。文献[37]指出,可通过改进光伏逆变器控制策略,使其具备减载运行和参与电网有功功率调节的能力。文献[38]通过引入逆变器内部参数的估计技术和最大可用出力评估技术,提升了逆变器在天气变化条件下有功功率控制的响应速度。

在场站层面,合理协调多个可再生能源发电机组以实现控制指令的有效跟踪和合理分配是主要研究目标。文献[33,39]分别根据风速和风机可用出力按比例分配调节指令,以保证分配到各风机的调节指令可被有效执行。文献[40]则引入了风机调节损耗,在线性化风机模型的基础上,提出了一种基于模型预测控制的风电场有功功率控制策略,在实现控制指令有效跟踪的同时尽可能地降低风机的疲劳损耗。对于多个光伏逆变器间的协调,根据可用出力按比例分配调节指令是一种简单、有效的手段[41]。文献[42]提出了一种基于一致性理论的多光伏机组分布式有功功率控制策略,以削除控制实现对集中控制器的依赖性。

上述研究假设风速或光照强度等可再生能源发电的重要参数可被较好估计或预测,忽略了其中的不确定性因素,因此控制方法的鲁棒性能难以保证。同时,上述研究多采用在当前运行点线性化可再生能源的能量转换过程及控制系统中包含的非线性环节,对于大扰动下的系统动态无法准确描述。

3.2 可再生能源参与AGC的经济性评估

一般而言,可再生能源减载运行参与AGC不具有经济性,这是因为可再生能源发电的边际成本很低,其减载运行将降低电力供给的经济性,可能会降低可再生能源发电商的收益。然而,近年来的一些研究和分析表明,在特定的场景下,可再生能源参与AGC对电网和可再生能源发电商都具有经济性。

对于电网而言,可再生能源参与AGC可降低其出力不确定性对电网调频的需求,从而减少整个系统的调频服务费用支出[43]。同时,随着可再生源预测和控制技术的不断提升,部分可再生能源的有功功率控制性能已优于传统机组[44],其参与AGC可减少对其他机组的调频容量需求和调频负担。文献[41]指出,在一些场景下,采用光伏减载运行提供AGC服务甚至比投资储能提供AGC服务具有更好的经济性。

对于可再生能源发电商而言,可再生能源减载运行并参与AGC可使其同时参与能量市场及收益更高的辅助服务市场,从而总收益得到提升。文献[45]通过分析西班牙电力市场的历史数据指出:即便在当前的市场环境下,风电减载运行并参与AGC的收益也略高于风电仅参与能量市场的收益;而在未来风力发电补贴降低的预期下,参与AGC带来的额外收益将更多。

3.3 可再生能源参与AGC的控制策略

由于可再生能源发电的出力具有不确定性,其参与AGC时有功功率调节能力的可靠性低于传统机组。因此,应在研究可再生能源与传统调频资源协调控制时,考虑可再生能源的实时调节能力,以避免可再生能源参与AGC时因实时调节能力不足导致调频性能的下降。

文献[46]结合滑动平均和偏差估计动态设置风电在AGC中的基点值,以保证风电参与频率调节时的可用能力。文献[47-48]基于风机有功功率控制系统模型和模型预测控制技术,提出了含风电参与的AGC控制器,利用预测信息优化控制指令生成和分配。文献[49]进一步采用分布式算法,实现了含风电参与和基于模型预测的AGC控制器,提高了控制器的计算效率和实用性。文献[50]则指出,基于模型预测控制和含风电参与的AGC控制策略性能受风机状态量估计精度的影响,因此引入了用于风机状态量估计的卡尔曼滤波器以提升AGC控制性能。为了应对输入量的不确定性和控制模型的非线性,文献[51]结合积分滑模控制和神经网络算法,提出了一种含风电的AGC控制策略,并通过理论推导和仿真分析证明了所提控制策略的稳定性。

在可再生能源参与AGC时,其不确定性将给电网的频率控制带来额外风险(例如,在需要可再生能源上调出力时出现风速或光照强度的快速跌落),而现有研究尚未有效处理这种风险。同时,部分研究假设可再生能源在参与单次频率控制过程中最大出力不发生变化[47,49-50],这与现实情况不符。另一方面,目前对于可再生能源参与AGC时的建模通常采用单机等值的确定性模型,未能考虑可再生能源的集群响应和不确定性因素对于可再生能源调节能力的影响。

4 需求侧资源参与AGC

随着电网中需求侧资源管理能力和可控水平的不断提升,需求侧资源参与电网调控、实现电力系统需求与供给良性互动作为一种有效提升可再生能源消纳能力、实现电网安全经济运行的重要手段得到了广泛关注。同时,由于一些需求侧资源的响应速度和爬坡能力优于传统机组[52-55],其在AGC中具有较好的应用潜力。

电网中的需求侧资源广泛分布在工业用户、商业用户和居民用户中,部分可参与AGC服务的需求侧资源见表1。由于不同类型需求侧资源具有不同的规模和调节特性,其参与到AGC服务中将给电网调度部门的管理和运行带来极大挑战。为了鼓励需求侧资源参与到AGC中,需要对AGC的相关规定和调控规则进行修改或调整。例如,由于一些需求侧资源容量相对较小,即便在经由集成商集总后,其可调容量仍小于提供AGC服务的准入门槛。为了将这部分需求侧资源也纳入AGC服务中,美国PJM电网和德州电网均下调了调频资源的最低容量要求[56-57]。一些需求侧资源的上调能力和下调能力并不对称,为了在AGC中充分利用这些资源,调度部门不应强制要求调频资源具有完全相同的上下调能力[58]。考虑到部分需求侧资源是“开关性负荷”,即其通过控制负荷的投入或切除实现用电功率控制,无法实现功率的连续调节,美国和新英格兰调度引入了适应该类调频资源的调节信号,其仅包含零、满额用电、满额放电三种控制信号[59]。

表1 可参与AGC服务的需求侧资源示例Table 1 Examples of demand side resources that can participate in AGC

相比于传统调频资源,需求侧资源模型受其运行状态、外部环境等因素影响,因此在经济性评估、控制策略设计以外,刻画其特征的模型也是一个研究热点。由于需求侧资源类型众多,以下主要对具有代表性的工业电解铝负荷、商业居民蓄冷/蓄热负荷、电动汽车等需求侧资源的相关研究进行讨论。

4.1 需求侧资源参与AGC的建模

需求侧资源建模是研究其参与AGC控制策略的基础,因此建立有效、简洁的需求侧资源模型至关重要。

对于用户需求确定性较高、单体用电功率较大的工业负荷,相关研究主要对单个工业负荷的调节特性和运行约束进行建模。文献[55,60]基于理论分析和实验数据,建立了电解铝负荷的静态模型和基于传递函数的动态线性非机理模型,以有效描述电解铝负荷的调节特性。文献[61]结合理论推导和运行经验指出,采用饱和电抗器调节电解铝负荷的调节范围为总负荷的6%左右,而采用调节变压器侧电压改变负荷的调节范围为总负荷的12%左右。

对于用户需求存在一定不确定性、单个用电功率较小的商业、居民负荷,可先对单个负荷采用统一、简洁的形式进行建模,然后再对大规模需求侧资源进行集总,为其参与AGC的控制策略研究奠定基础。文献[62-63]分别采用一阶和二阶热力学模型描述大型商业楼宇内用电负荷与温度间的数学关系,并考虑用户对温度的体验给出了大型商业楼宇参与AGC的运行约束和可用能力。文献[64-65]则采用能量和功率上下限描述需求侧资源的调节范围,建立了多类型需求侧资源的能量和功率集总模型,可方便地应用于需求侧资源调度和控制。即

(2)

文献[66]在电动汽车充电负荷集总过程中考虑了充放电效率,可更为准确地评估电动车集群在电网调度中的可用能力。

尽管现有研究尝试通过需求侧资源的集总以消除个体不确定性对于整体调节能力的影响,但这类确定性集总模型仍未能描述需求侧资源整体的不确定性特征。另一方面,需求侧资源往往分散于电网的不同节点,其调节能力除受到自身特性的约束外,还受到电力系统运行约束的影响。已发表的文献尚未充分考虑此因素。

4.2 需求侧资源参与AGC的经济性评估

需求侧资源参与调频的一个原则是尽可能减小对用户的影响。需求侧资源参与调频时可能会给用户带来一定的额外投资和经济损失,而用户获得的补偿应足以弥补其损失。例如,商业居民蓄冷/蓄热负荷(如空调、冰箱等)参与AGC时,用户需要付出包括设备操作成本和负荷非最优运行增加的电力需求支出在内的运行成本[54],但其优良调节性能带来的调频收益明显超出这些成本支出[67-68]。

由于电动汽车经集成商汇集后是一种“类储能”资源[66],同时其电能存储于锂离子电池中,因此对其参与AGC的经济性分析与对锂离子电池储能系统的分析结论相似,即参与AGC可帮助电动汽车集成商获得收益[69],而不会对电动汽车电池的使用寿命造成显著影响[70]。

对于工业电解铝负荷,可通过改变直流侧电压从而改变负荷消耗的有功功率。尽管电解池是一个惯性较大的热力系统,有功功率输入的改变仍将对其铝产量造成一些影响。但是,由于电解铝负荷通常处于电源富集、电价相对较低的地区,如中国内蒙古、甘肃等地,电解铝负荷参与AGC将有助于降低频率控制成本,提高可再生能源发电的消纳能力[55,61]。

4.3 需求侧资源参与AGC的控制策略

需求侧资源参与AGC的控制策略可分为两个层级:需求侧资源总控制指令的生成(调度机构侧)和多个需求侧资源间控制指令的分配(集成商侧)。

单个用电功率较大的工业负荷在参与AGC时可直接接受调度机构下发的调节指令,不涉及多个个体间控制指令的分配,因此调节指令的生成是其研究重点。文献[55]基于电解铝负荷的动态模型,提出了一种基于模型预测控制的AGC控制策略,可较好地考虑传统机组和电解铝负荷在调节过程中的特性和约束。文献[71]在此基础上提出了显式模型预测控制应用于AGC的具体方法,可方便运行人员了解系统当前运行状态,并避免了优化问题的在线求解,节省了计算时间。

蓄冷/蓄热负荷、电动汽车等需求侧资源,通常由集成商接受调度机构下发的调节指令后在多个需求侧资源间分配控制指令。在调度机构侧,一些文献沿用了现有的AGC控制策略,并采用比例分配的方式在传统机组和需求侧资源间分配调节指令[72-73]。但这种控制策略未能充分考虑需求侧资源的调节特性,控制效果趋于保守,因此一些研究对需求侧资源参与下调度机构侧的AGC控制策略进行了改进。文献[74]考虑电动汽车参与AGC时存在的响应延迟可能导致系统失稳,提出了一种调度机构侧控制参数的整定方法。文献[75]则借鉴了储能参与AGC的控制策略,对电动汽车参与AGC的调度侧控制策略进行了优化。

在集成商侧,其调节指令分配策略的主要目标是在保证用户需求的同时尽可能地响应调度机构下发的调节指令。文献[72]在模型中引入热泵爬坡能力和人体舒适的温度范围约束,提出了一种蓄冷/蓄热负荷集成商分配调频指令的实时控制策略。文献[76]则提出了一种基于卡尔曼滤波器和模型预测控制的蓄冷/蓄热负荷集成商控制策略,以提升在响应存在延迟的情况下，跟踪调频指令的性能。文献[75]提出了一种电动汽车实时指令分配策略,以保证在随机调频指令下满足电动汽车用户的充电需求。

需要指出的是,上述控制策略均以控制性能最优为目标,但对于需求侧资源而言,其参与AGC依赖于电力市场环境,因此经济性最优应是不容忽视的控制策略目标之一。

与此同时,需求侧资源的有效控制依赖于信息物理系统的融合发展,如何实现需求侧资源可靠、安全、私密和低成本的通信与调度是目前的研究热点,也是未来的重要研究方向。

5 储能系统参与AGC

以电池、飞轮为代表新兴储能资源具有爬坡能力强、响应速度快、调节精度高等特点,参与调频服务时可以快速响应调频指令,跟随负荷与可再生能源出力的变化。由于储能资源在参与调频时跟踪的是波动速度快、均值接近零的信号,因而对电量的要求并不高。这些特点使得储能系统在AGC应用中具有天然的性能优势,在调频辅助服务市场中具有一定竞争力,在近几年来得到了广泛关注。

为了提升储能系统在AGC中的利用效率,降低调频辅助服务的费用,一些调度部门已引入了适应储能系统特性的AGC控制策略和调度机制[56,59,77-80]。例如,美国PJM电网和新英格兰电网引入了适应储能系统等快速调频资源的快速调节信号(如图3所示),在充分发挥储能性能优势的同时规避其总电量有限的缺点[56,59];美国加利福尼亚州电网、纽约州电网和中部电网则通过实时市场和实时调度机制的设计,对储能系统在参与调频服务后出现的电量偏差进行补偿,以将储能系统的电量维持在其额定容量的中值附近,可有效提高其利用率[77-80]。中国华北电网也在近年针对储能系统参与AGC服务的控制策略、控制效果和性能评价进行了一系列的研究和试验工作[81-83]。

为了进一步提升储能系统参与AGC的可行性,储能系统参与AGC的效用评估、经济性评估和控制策略设计是当前的研究热点。

图3 快速与常规调节信号分配的示意图Fig.3 Schematic illustration of fast and normal regulation signal allocation

5.1 储能系统参与AGC的效用评估

由于储能系统的电量配置、储能系统的容量在总调频容量中的占比等因素对AGC的调节性能和经济性均有较大影响,有效评估储能系统参与AGC的效用可辅助调度部分的市场决策,减少调频资源的浪费和调频服务的支出。

5.2 储能系统参与AGC的经济性评估

尽管储能系统具有非常优异的调节性能,但其循环次数有限且受到充放电深度的显著影响,参与AGC服务可能加速储能系统的折损,因此,对储能系统参与AGC服务在经济性上是否可行的分析至关重要。

文献[70]分析认为,由于实际的调频信号多为折返频繁的小幅信号,在参与调频过程中电池储能系统的电量变化幅度不会太大,这样的“浅充浅放”对电池储能系统的寿命影响不大,电池储能系统在辅助服务市场中获得的收益高于其成本,电池储能系统参与AGC服务前景广阔。文献[86]比较了储能系统参与美国PJM电力市场不同类型辅助服务的收益情况,指出储能系统参与调频服务所获得的综合收益最高;同时,该文献还指出储能系统参与调频服务可帮助电网降低调频服务的采购成本。文献[87-88]对飞轮储能系统参与AGC服务的收益和全生命周期成本进行了测算,发现其投资收益较高,具有推广价值。文献[89-91]则分析了储能系统在美国多个电力市场中参与调频服务的收益,研究结果表明,储能系统在不同市场的AGC服务中均具有较强的竞争力和盈利能力。

图4 不同储能占比和不同频率控制标准下的调频需求Fig.4 Regulation requirements under different proportions of energy storage and frequency regulation standards

5.3 储能系统参与AGC的控制策略

为了在充分利用储能系统优异性能的同时避免其因电量越限而退出AGC运行,储能系统参与AGC的控制策略通常包括两个目标[81]:①通过与传统机组间的协调控制,实现调节指令的最优响应;②将储能系统电量维持在中值附近,以保证其可用率。

围绕以上两个目标,相关文献展开了一系列控制策略设计与讨论。文献[92]提出了一种保证储能系统电量不越限的启发式控制策略,并通过仿真给出了大规模光伏接入条件下该控制策略对应最优的储能占比。文献[93]则在通过电量、功率约束确定储能系统可用功率的基础上,比较了储能系统和传统机组采用三种不同方式进行协调的控制效果,指出不同协调方式在不同场景下表现排序不同,不存在一种在所有场景下均最优的协调方式。文献[94]提出了两种适应AGC服务不同发展阶段的控制策略,并通过仿真就不同储能占比下的AGC性能和经济性进行了比较分析。文献[95]提出了一种在多个发电机和储能系统间分配调频指令的控制算法,将调频指令分配问题描述为一个优化问题,通过对目标函数的合理设置,以在调频过程中尽量维持储能系统的剩余电量。该论文进一步考虑了储能系统的充放电效率和分布式算法的实现,以提升该算法在大规模实际问题中的适用性。文献[96]提出了一种在多个储能系统间分配调节指令的控制策略,通过考虑储能系统当前状态和未来可用能力,所提控制策略可在尽可能地响应调节指令的同时保证储能系统的利用率。

值得一提的是,上述控制策略均建立在储能系统作为一种独立调频资源参与AGC的基础上。但在许多实际电网中,仅有传统机组被认定为调频资源,储能系统尚无法作为独立调频资源直接参与到AGC中。将储能系统安装在火电厂内,通过与火电机组的出力配合可提高“储能系统—火电机组”联合体的调频性能、增加机组的调频服务收益。文献[97]提出了发电厂内储能系统与传统机组相互配合响应AGC指令的控制策略。

由于储能系统的调节将影响其使用寿命,因此储能系统所有者在储能参与AGC时可能会附加本地控制策略,以优化储能对于调度指令的响应决策,平衡其参与AGC的收益和储能的调节损耗,最大化经济收益[98]。由于本地控制策略的存在,调度侧控制策略的最优性和调频效果将受到影响。

5.4 对比分析

表2对储能系统、需求侧资源、可再生能源这三类新型调频资源参与AGC的调节性能、经济性、控制模式及控制策略需解决的主要问题进行了归纳。值得注意的是,调频资源的运行控制和经济性均与能量市场耦合,因此应加强AGC与经济调度问题的联合优化研究。

表2 新型调频资源参与AGC的主要特点Table 2 Main features of new types of regulation resources in AGC

6 新理论与方法在AGC中的应用

随着可再生能源发电的接入和新型调频资源的参与,电力系统AGC将面临更多输入和模型参数上的不确定因素,一些新的控制理论和方法被应用于AGC。本节主要对较受关注的鲁棒控制、模型预测控制和分布式控制的相关研究进行综述。

6.1 鲁棒控制

可再生能源出力具有显著的波动性,因此其大规模接入将使得电力系统的运行点在更大幅度内变化。同时,引入含不确定性的新型调频资源(如可再生能源、需求侧资源)后,系统参数的不确定性有所提升,根据单一运行点整定的AGC控制器难以保证电网的频率控制性能。因此,具有良好抗扰性的鲁棒控制在AGC中的应用受到了广泛关注。

文献[99]提出了基于Riccati等式的AGC鲁棒控制器设计方法,但该方法对系统参数有特定的要求,且需通过试错法确定部分参数,因此其应用受到限制。文献[100]研究了基于线性矩阵不等式的H∞控制在AGC中的应用,并进一步考虑实际AGC控制器通常采用比例—积分(PI)控制器,提出了满足系统鲁棒性能要求的PI参数整定方法。文献[101-102]分别采用基于线性矩阵不等式和基于回路成型法的H∞鲁棒控制方法研究了含储能资源参与的AGC控制器设计。

除参数不确定性外,未建模动态也是系统不确定性的重要组成部分。在AGC中,对一些新型调频资源通常难以进行准确建模,因此这部分未建模动态将影响AGC的控制性能。文献[103]通过基于结构奇异值理论的分析指出,相比于参数不确定性,未建模动态对AGC的控制性能具有更大影响,并进一步研究了考虑未建模动态的AGC鲁棒控制器设计方法。

6.2 模型预测控制

模型预测控制是近年来AGC领域的研究热点。与传统控制技术相比,模型预测控制可以利用系统状态方程构建预测模型,从而预测系统未来动态,并根据预测信息进行控制决策。模型预测控制的另一个特点是其将控制问题转换为优化问题,可以考虑系统中的约束条件,适用于需考虑多种约束条件的调频控制。

模型预测控制的基本思想见图5。在当前控制时刻t依据系统状态量采样信息和预测模型,求解有限步长内开环最优问题,并将得到的最优控制序列的第一个控制量u(t)作用于系统。在下一控制时刻t+1更新系统状态量采样信息,并再次求解开环最优问题并实施控制,如此重复直至t→+∞[104]。

图5 模型预测控制基本思想示意图Fig.5 Illustration of basic rule for model predictive control

为进一步利用系统预测信息,文献[105]将负荷和新能源扰动预测信息引入预测模型,以构建用于AGC的模型预测控制器。仿真结果表明,在预测误差不超过预测幅值50%的条件下,引入预测信息可以提升AGC的控制性能。

为了提升模型预测控制在AGC中的工程应用价值,一些研究对实际部署中可能遇到的问题进行了分析并提出了解决方案。例如,模型预测控制在决策阶段需要大量的系统状态量信息,但这些信息的量测可能并非完整、准确,因此对状态量的估计至关重要,文献[106-107]均采用了卡尔曼滤波器以尽可能完整、准确地估计AGC的相关状态量信息;模型参数的不确定性和控制延迟的不确定性也是显著影响模型预测控制器性能的重要因素,文献[108]在控制器设计中引入了Lyapunov稳定判据,以提升控制器的鲁棒性能;由于模型预测控制器需要求解优化问题,其在大规模电网中的应用对控制中心的计算能力提出了较高要求,因此一些分散式和分布式算法也是研究热点[49]。

6.3 分布式控制

对于大电网和互联电网,AGC采用集中式控制模式,由调度中心计算并分发调节指令。但随着分布式资源的大规模发展和电网结构、调频资源类型的日益复杂,集中控制模式在通信、计算需求、数据安全与隐私等方面面临新的挑战。因此,一些研究将近年来发展迅速的分布式控制技术应用到AGC中,以期通过邻域通信、并行计算、有限数据交互等方式推动AGC控制模式的革新[109]。

文献[110]尝试将AGC与电网的经济调度相结合,通过邻近节点间边际电价的相互传递,在实现频率调节的同时保证所有调频资源的边际电价一致。文献[111]通过对传统AGC的逆向工程分析发现,集中AGC控制下的电网动态恰与采用改进原—对偶梯度法求解特定优化问题的迭代过程一致,因此其对传统AGC进行了适当改进与分布式实现,以使得AGC控制对应的稳态解恰为经济调度问题的最优解。在此基础上,文献[112]进一步讨论了在考虑机组和线路运行约束的情况下,如何利用原—对偶梯度法设计分布式AGC控制器。文献[113-114]分别研究微电网和多端直流互联电力系统中采用分布式控制方法以同时实现频率恢复和经济调度。

6.4 其他控制方法

除以上提到的控制方法外,滑模控制[115]和一些智能控制方法[116-117]也在近年来的AGC研究中受到关注。这些方法的研究和应用都旨在应对新能源大规模接入带来的扰动和模型不确定性的增加及新型调频资源参与带来模型复杂度的提升。各类控制技术的结合与交叉优化,也正逐渐成为趋势。

7 结论与展望

本文对大规模可再生能源接入对AGC的影响、新型调频资源参与AGC的关键问题和新形势下的AGC控制技术三大方面的研究进行了综述和讨论,现有的主要研究内容和成果可概括如下。

1)大规模可再生能源接入对AGC的影响。结合运行数据分析、仿真测试、理论推导等手段,对大规模可再生能源接入带来的响应性能恶化和调频需求上升进行了定量分析与评估,并对通过改进可再生能源控制技术以降低其对于AGC的影响进行了探索和尝试。

2)多类型调频资源参与AGC。分析了不同类型调频资源参与AGC的经济性,并针对调频资源的不同特点,展开了效用评估、模型建立和控制技术改进等方向的研究。以充分发挥调频资源调节能力和保证其可用能力为目标,研究提出了适应不同类型调频资源的AGC控制策略。

3)多种控制理论与方法的应用研究。对PI控制器研究的核心问题是控制参数的整定。随着可再生能源的接入和新型调频资源的参与,模糊控制、模型预测控制及人工神经网络等理论与方法被应用于AGC以提升其控制性能,鲁棒控制等则主要被用来应对不确定性因素。这些控制方法尚未在调度中心获得实际应用。

在可再生能源大规模接入和更多新型调频资源参与的新形势下,AGC的研究可以从以下方向加强。

1)调频需求的评估与优化。大规模可再生能源的接入和负荷类型的变化导致电力系统对调频需求的变化。已发表的文献从不同角度、根据不同评判标准对系统调频需求进行了分析,得出的结果和结论有一定的差异。而实际电力系统的调频容量需求多基于经验或固定的负荷功率比例确定。除研究基本的调频容量需求之外,还应研究调频需求在日内随负荷和新能源出力的变化,以及对不同响应速度(即不同类型)调频资源的需求。

2)调频资源的建模与控制。不同类型调频资源的控制性能和运行约束不同,建立有效的调频资源模型是控制策略研究和校验的基础。对于需求侧资源和可再生能源的建模,应考虑不确定性因素对其调节能力和跟踪调频信号准确性的影响。此外,还应加强对需求侧灵活资源、储能和可再生能源发电参与调频的个体与集群的优化控制研究,并需考虑调频资源内部多主体的相互协调、信息物理系统的融合与隐私安全等问题。

3)调度中心AGC控制机制与方法。在线机组和调频资源的变化将导致系统频率响应特性的变化,对调度中心应进行自适应和变参数(如考虑系统频率偏差系数的变化)的AGC控制策略研究。为提升大规模可再生能源接入条件下多类型调频资源参与AGC的经济性,考虑控制区之间的调频资源共享及AGC与经济调度的多时间尺度联合优化有待深入研究。此外,大电网的频率控制与微电网及主动配电网层面的有功功率控制协调也是需要加强的研究方向。

4)AGC辅助市场设计与调频资源的市场竞争。AGC辅助服务市场的研究主要涉及调频容量需求优化、多类型调频资源的准入条件、报价与出清机制、考核与补偿标准等方面。从市场组织者和社会效益的角度,应研究调频市场的组织时序、与能量及其他辅助服务市场的配合、对不同类型调频资源的容量约束等。对调频资源而言,其参与市场的竞价、容量分配和能量与调频联合优化策略等是值得研究的内容。

参考文献

[1] 鲁宗相,黄瀚,单葆国,等.高比例可再生能源电力系统结构形态演化及电力预测展望[J].电力系统自动化,2017,41(9):12-18.DOI:10.7500/AEPS20170109001.

LU Zongxiang, HUANG Han, SHAN Baoguo, et al. Morphological evolution model and power forecasting prospect of future electric power systems with high proportion of renewable energy[J]. Automation of Electric Power Systems, 2017, 41(9): 12-18. DOI: 10.7500/AEPS20170109001.

[2] SHANKAR R, PRADHAN S R, CHATTERJEE K, et al. A comprehensive state of the art literature survey on LFC mechanism for power system[J]. Renewable and Sustainable Energy Reviews, 2017, 76: 1185-1207.

[3] DREIDY M, MOKHLIS H, MEKHILEF S. Inertia response and frequency control techniques for renewable energy sources: a review[J]. Renewable and Sustainable Energy Reviews, 2017, 69: 144-155.

[4] MILLER N W, SHAO M, VENKATARAMAN S, et al. Frequency response of California and WECC under high wind and solar conditions[C]// IEEE Power and Energy Society General Meeting, July 22-26, 2012, San Diego, CA, USA: 1-8.

[5] CONTO J. Grid challenges on high penetration levels of wind power[C]// IEEE Power and Energy Society General Meeting, July 22-26, 2012, San Diego, USA: 1-3.

[6] SHARMA S, HUANG S H, SARMA N. System inertial frequency response estimation and impact of renewable resources in ERCOT interconnection[C]// IEEE Power and Energy Society General Meeting, July 24-29, 2011, Detroit, USA: 1-6.

[7] BEVRANI H, GHOSH A, LEDWICH G. Renewable energy sources and frequency regulation: survey and new perspectives[J]. IET Renewable Power Generation, 2010, 4(5): 438-457.

[8] 唐西胜,苗福丰,齐智平,等.风力发电的调频技术研究综述[J].中国电机工程学报,2014,34(25):4304-4314.

TANG Xisheng, MIAO Fufeng, QI Zhiping, et al. Survey on frequency control of wind power[J]. Proceedings of the CSEE, 2014, 34(25): 4304-4314.

[9] CLARK K, MILLER N W, SANCHEZ G J. Modeling of GE wind turbine-generators for grid studies[R]. New York, USA: General Electric International Inc., 2010.

[10] MARTINEZ A, NAYEBI K, GUPTA M, et al. Wind power plant frequency control to support the penetration of high levels of renewable sources[R]. Melbourne, Australia: Vestas Wind Systems A/S, 2016.

[11] TARNOWSKI G C. Wind power plant frequency control: Denmark, 2013/050139[P]. 2018-01-05.

[12] 孙骁强,刘鑫,程松,等.光伏逆变器参与西北送端大电网快速频率响应能力实测分析[J].电网技术,2017,41(9):2792-2798.

SUN Xiaoqiang, LIU Xin, CHENG Song, et al. Actual measurement and analysis of fast frequency response capability of PV inverters in northwest power grid[J]. Power System Technology, 2017, 41(9): 2792-2798.

[13] KANG M, KIM K, MULJADI E, et al. Frequency control support of a doubly-fed induction generator based on the torque limit[J]. IEEE Transactions on Power Systems, 2016, 31(6): 4575-4583.

[14] WU L, INFIELD D G. Towards an assessment of power system frequency support from wind plant-modeling aggregate inertial response[J]. IEEE Transactions on Power Systems, 2013, 28(3): 2283-2291.

[15] HANSEN A D, ALTIN M, MARGARIS I D, et al. Analysis of the short-term overproduction capability of variable speed wind turbines[J]. Renewable Energy, 2014, 68(7): 326-336.

[16] WILCHES-BERNAL F, CHOW J H, SANCHEZ-GASCA J J. A fundamental study of applying wind turbines for power system frequency control[J]. IEEE Transactions on Power Systems, 2016, 31(2): 1496-1505.

[17] HUANG Linbin, XIN Huanhai, ZHANG Leiqi, et al. Synchronization and frequency regulation of DFIG-based wind turbine generators with synchronized control[J]. IEEE Transactions on Energy Conversion, 2017, 32(3): 1251-1262.

[18] VIDYANANDAN K V, SENROY N. Primary frequency regulation by de-loaded wind turbines using variable droop[J]. IEEE Transactions on Power Systems, 2013, 28(2): 837-846.

[19] HU Jiabing, SUN Li, YUAN Xiaoming, et al. Modeling of type 3 wind turbines with df/dtinertia control for system frequency response study[J]. IEEE Transactions on Power Systems, 2017, 32(4): 2799-2809.

[20] MIN H, MULJADI E, PARK J W, et al. Dynamic droop-based inertial control of a doubly-fed induction generator[J]. IEEE Transactions on Sustainable Energy, 2016, 7(3): 924-933.

[21] AHO J, PAO L, FLEMING P. An active power control system for wind turbines capable of primary and secondary frequency control for supporting grid reliability[C]// AIAA Aerospace Sciences Meeting including the New Horizons Forum and Aerospace Exposition, January 7-10, 2013, Grapevine, USA: 1-13.

[22] GHOSH S, KAMALASADAN S, SENROY N, et al. Doubly fed induction generator(DFIG)-based wind farm control framework for primary frequency and inertial response application[J]. IEEE Transactions on Power Systems, 2016, 31(3): 1861-1871.

[23] AHMADYAR A S, VERBIC G. Control strategy for optimal participation of wind farms in primary frequency control[C]// IEEE Eindhoven PowerTech, June 29-July 2, 2015, Eindhoven, Netherlands: 1-6.

[24] VARIANI M H, TOMSOVIC K. Two-level control of doubly fed induction generator using flatness-based approach[J]. IEEE Transactions on Power Systems, 2016, 31(1): 518-525.

[25] HOLTTINEN H, MEIBOM P, ORTHS A, et al. Impacts of large amounts of wind power on design and operation of power systems, results of IEA collaboration[J]. Wind Energy, 2011, 14(2): 179-192.

[26] 白兴忠,江国琪,王建学,等.风电接入对西北电网辅助服务的影响[J].中国电力,2009,42(12):73-76.

BAI Xingzhong, JIANG Guoqi, WANG Jianxue, et al. Influences of wind power connecting on ancillary services of Northwest China grid[J]. Electric Power, 2009, 42(12): 73-76.

[27] 丁立,乔颖,鲁宗相,等.高比例风电对电力系统调频指标影响的定量分析[J].电力系统自动化,2014,38(14):1-8.DOI:10.7500/AEPS20130810001.

DING Li, QIAO Ying, LU Zongxiang, et al. Impact on frequency regulation of power system from wind power with high penetration[J]. Automation of Electric Power Systems, 2014, 38(14): 1-8. DOI: 10.7500/AEPS20130810001.

[28] WALLING R A, FREEMAN L A, LASHER W P. Regulation requirements with high wind generation penetration in the ERCOT market[C]// Power Systems Conference and Exposition, March 15-18, Seattle, USA: 1-7.

[29] HUANG S H, MAGGIO D, MCINTYRE K A, et al. Impact of wind generation on system operations in the deregulated environment: ERCOT experience[C]// IEEE Power and Energy Society General Meeting, July 26-30, 2009, Calgary, Canada: 4765-4772.

[30] CHAVEZ H, BALDICK R, SHARMA S. Regulation adequacy analysis under high wind penetration scenarios in ERCOT nodal[J]. IEEE Transactions on Sustainable Energy, 2012, 3(4): 743-750.

[31] MA Jian, LU Shuai, HAFEN R P, et al. The impact of solar photovoltaic Generation on balancing requirements in the southern Nevada system[C]// IEEE PES Transmission and Distribution Conference and Exposition, May 7-10, 2012, Orlando, USA: 1-9.

[32] 中国电力科学研究院.风电场接入电力系统技术规定:GB/T 19963—2011[S].北京:中国标准出版社,2011.

[33] CHANG-CHIEN L R. YIN Y C. Strategies for operating wind power in a similar manner of conventional power plant[J]. IEEE Transactions on Energy Conversion, 2009, 24(4): 926-934.

[34] JONKMAN J, BUTTERFIELD S, MUSIAL W, et al. Definition of a 5 MW reference wind turbine for offshore system development[R]. USA: National Renewable Energy Laboratory (NREL), 2009.

[35] 周志超,王成山,郭力,等.变速变桨距风电机组的全风速限功率优化控制[J].中国电机工程学报,2015,35(8):1837-1844.

ZHOU Zhichao, WANG Chengshan, GUO Li, et al. Output power curtailment control of variable-speed variable-pitch wind turbine generator at all wind speed regions[J]. Proceedings of the CSEE, 2015, 35(8): 1837-1844.

[36] YUAN Y, TANG J. Adaptive pitch control of wind turbine for load mitigation under structural uncertainties[J]. Renewable Energy, 2017, 71(105): 483-494.

[38] HOKE A F, SHIRAZI M, CHAKRABORTY S A, et al. Rapid active power control of photovoltaic systems for grid frequency support[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2017, 5(3): 1154-1163.

[39] HANSEN A D, SORENSEN P, IOV F, et al. Centralised power control of wind farm, with doubly fed induction generators[J]. Renewable Energy, 2006, 31(7): 935-951.

[40] ZHAO Haoran, WU Qiuwei, HUANG Shaojun, et al. Fatigue load sensitivity-based optimal active power dispatch for wind farms[J]. IEEE Transactions on Sustainable Energy, 2017, 8(3): 1247-1259.

[41] ZARINA P P, MISHRA S, SEKHAR P C. Exploring frequency control capability of a PV system in a hybrid PV-rotating machine-without storage system[J]. International Journal of Electrical Power and Energy Systems, 2014, 60(60): 258-267.

[42] XIN Huanhai, LU Zehan, LIU Yun, et al. A center-free control strategy for the coordination of multiple photovoltaic generators[J]. IEEE Transactions on Smart Grid, 2014, 5(3): 1262-1269.

[43] DVORKIN Y. ORTEGA-VAZUQEZ M A, KIRSCHEN D S. Wind generation as a reserve provider[J]. IET Generation Transmission and Distribution, 2015, 9(8): 779-787.

[44] AHO J, FLEMING P, PAO L Y. Active power control of wind turbines for ancillary services: a comparison of pitch and torque control methodologies[C]// American Control Conference (ACC), July 6-8, 2016, Boston, USA: 1407-1412.

[45] SAIZ-MARIN E, GARCIA-GONZALEZ J, BARQUIN J A. Economic assessment of the participation of wind generation in the secondary regulation market[J]. IEEE Transactions on Power Systems, 2012, 27(2): 866-874.

[46] CHANG-CHIEN L R. LIN W T,YIN Y C. Enhancing frequency response control by DFIGs in the high wind penetrated power systems[J]. IEEE Transactions on Power Systems, 2011, 26(2): 710-718.

[47] MOHAMED T H, MOREL J, BEVRANI H, et al. Model predictive based load frequency control design concerning wind turbines[J]. International Journal of Electrical Power and Energy Systems, 2012, 43(1): 859-867.

[48] LUO H, HU Z, XIE X. Model predictive based automatic generation control with participation of the output-constrained wind farms[C]// IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), October 25-28, 2016, Xi’an, China: 1584-1588.

[49] MA Miaomiao, LIU Xiangjie, ZHANG Chunyu. LFC for multi-area interconnected power system concerning wind turbines based on DMPC[J]. IET Generation Transmission and Distribution, 2017, 11(10): 2689-2696.

[50] BACCINO F, CONTE F, GRILLO S A, et al. An optimal model-based control technique to improve wind farm participation to frequency regulation[J]. IEEE Transactions on Sustainable Energy, 2015, 6(3): 993-1003.

[51] QIAN Dianwei, TONG Shiwen, LIU Hong, et al. Load frequency control by neural-network-based integral sliding mode for nonlinear power systems with wind turbines[J]. Neurocomputing, 2016, 173: 875-885.

[52] LIN Yashen, BAROOAH P, MEYN S, et al. Experimental evaluation of frequency regulation from commercial building HVAC systems[J]. IEEE Transactions on Smart Grid, 2015, 6(2): 776-783.

[53] LAKSHMANAN V, MARINELLI M, HU J, et al. Provision of secondary frequency control via demand response activation on thermostatically controlled loads: solutions and experiences from Denmark[J]. Applied Energy, 2016, 173: 470-480.

[54] BEIL I, HISKENS I, BACKHAUS S. Frequency regulation from commercial building HVAC demand response[J]. Proceedings of the IEEE, 2016, 104(4): 745-757.

[55] JIANG Hao, LIN Jin, SONG Yonghua, et al. MPC-based frequency control with demand-side participation: a case study in an isolated wind-aluminum power system[J]. IEEE Transactions on Power Systems, 2015, 30(6): 3327-3337.

[56] PILONG C. PJM manual 12: balancing operation[R/OL]. [2017-12-03]. https://www.mendeley.com/research-papers/pjm-manual-12-balancing-operations/.

[57] ERCOT. ERCOT nodal protocols section 6:adjustment period and real-time operations[R/OL]. [2017-12-04]. http://www.doc88.com/p-9932181500559.html.

[58] CAPPERS P, MACDONALD J, GOLDMAN C, et al. An assessment of market and policy barriers for demand response providing ancillary services in US electricity markets[J]. Energy Policy, 2013, 62(7): 1031-1039.

[59] ISO N E. Description of the energy neutral AGC dispatch algorithm[R]. USA: ISO-NE, 2015.

[60] JIANG Hao, LIN Jin, SONG Yonghua, et al. Demand side frequency control scheme in an isolated wind power system for industrial aluminum smelting production[J]. IEEE Transactions on Power Systems, 2014, 29(2): 844-853.

[61] XU J, LIAO S, SUN Y, et al. An isolated industrial power system driven by wind-coal power for aluminum productions: a case study of frequency control[J]. IEEE Transactions on Power Systems, 2014, 30(1): 471-483.

[62] YIN Rongxin, KARA E C, LI Yaping, et al. Quantifying flexibility of commercial and residential loads for demand response using setpoint changes[J]. Applied Energy, 2016, 177: 149-164.

[63] LIN Yashen, BAROOAH P, MATHIEU J L. Ancillary services through demand scheduling and control of commercial buildings[J]. IEEE Transactions on Power Systems, 2017, 32(1): 186-197.

[64] HAO He, SANANDAJI B M, POOLLA K, et al. Aggregate flexibility of thermostatically controlled loads[J]. IEEE Transactions on Power Systems, 2015, 30(1): 189-198.

[65] XU Z, CALLAWAY D S, HU Z, et al. Hierarchical coordination of heterogeneous flexible loads[J]. IEEE Transactions on Power Systems, 2016, 31(6): 4206-4216.

[66] ZHANG Hongcai, HU Zechun, XU Zhiwei, et al. Evaluation of achievable vehicle-to-grid capacity using aggregate PEV model[J]. IEEE Transactions on Power Systems, 2017, 32(1): 784-794.

[67] LIN Yashen, BAROOAH P, MEYN S, et al. Experimental evaluation of frequency regulation from commercial building HVAC systems[J]. IEEE Transactions on Smart Grid, 2015, 6(2): 776-783.

[68] AUNEDI M, KOUNTOURIOTIS P A, CALDERON J O, et al. Economic and environmental benefits of dynamic demand in providing frequency regulation[J]. IEEE Transactions on Smart Grid, 2013, 4(4): 2036-2048.

[69] LUO Z, HU Z, SONG Y, et al. Economic analyses of plug-in electric vehicle battery providing ancillary services[C]// IEEE International Electric Vehicle Conference (IEVC), March 4-8, 2012, Greenville, USA: 1-5.

[70] HAN S, HAN S, SEZAKI K. Economic assessment on V2G frequency regulation regarding the battery degradation[C]// IEEE PES Innovative Smart Grid Technologies (ISGT), January 16-20, 2012, Washington, USA: 1-6.

[71] JIANG Hao, LIN Jin, SONG Yonghua, et al. Explicit model predictive control applications in power systems: an AGC study for an isolated industrial system[J]. IET Generation Transmission and Distribution, 2016, 10(4): 964-971.

[72] VRETTOS E, ANDERSSON G. Scheduling and provision of secondary frequency reserves by aggregations of commercial buildings[J]. IEEE Transactions on Sustainable Energy, 2016, 7(2): 850-864.

[73] KIM Y J, FUENTES E, NORFORD L K. Experimental study of grid frequency regulation ancillary service of a variable speed heat pump[J]. IEEE Transactions on Power Systems, 2016, 31(4): 3090-3099.

[74] KO K S, SUNG D K. The effect of EV aggregators with time-varying delays on the stability of a load frequency control system[J]. IEEE Transactions on Power Systems, 2018, 33(1): 669-680.

[75] LIU H, QI J, WANG J, et al. EV dispatch control for supplementary frequency regulation considering the expectation of EV owners[J/OL]. IEEE Transactions on Smart Grid[2018-01-05]. http://ieeexplore.ieee.org/document/7790841/.

[76] LEDVA G S, VRETTOS E, MASTELLONE S, et al. Managing communication delays and model error in demand response for frequency regulation[J]. IEEE Transactions on Power Systems, 2018, 33(2): 1299-1308.

[77] JIANG Y. Business practices manual:energy and operating reserve market[R]. USA: MISO, 2016.

[78] MALEKOS J. Non-generator resource and regulation energy management project[R]. USA: CAISO, 2012.

[79] NYISO. Operation engineering.ancillary services manual[R]. USA: NYISO, 2016.

[80] HICKEY J. Limited energy storage resource market integration update[R]. USA: NYISO, 2009.

[81] XIE X, LUO H, NIU S, et al. Optimal control strategy for energy storage system participating in automatic generation control[C]// 21st Conference of Electric Power Supply Industry, February 26, Bangkok, Thailand: 1-6.

[82] ZHANG Fang, HU Zechun, XIE Xu, et al. Assessment of the effectiveness of energy storage resources in the frequency regulation of a single-area power system[J]. IEEE Transactions on Power Systems, 2017, 32(5): 3373-3380.

[83] 吴继平,谢旭,郭磊,等.基于实际跟踪数据统计分析的机组调节性能评价指标[J].电力系统自动化,2017,41(4):163-169.DOI:10.7500/AEPS20160522009.

WU Jiping, XIE Xu, GUO Lei, et al. Unit regulation performance indices based on statistical analysis of real tracking data[J]. Automation of Electric Power Systems, 2017, 41(4): 163-169. DOI: 10.7500/AEPS20160522009.

[84] MAKAROV Y V, LU S, MA J, et al. Assessing the value of regulation resources based on their time response characteristics[R]. USA: Pacific Northwest National Laboratory (PNNL), 2008.

[85] KEMA. To determine the effectiveness of the AGC in controlling fast and conventional resources in the PJM frequency regulation market[R]. USA: KEMA, 2011.

[86] WALAWALKAR R, APT J. Market analysis of emerging electric energy storage systems[R]. USA: NETL, 2008.

[87] 吴晋波.飞轮储能技术及其在电力系统控制中的应用研究[D].武汉:华中科技大学,2011.

[88] 薛金花,叶季蕾,汪春,等.飞轮储能在区域电网中的调频应用及经济性分析[J].电网与清洁能源,2013,29(12):113-118.

XUE Jinhua, YE Jilei, WANG Chun, et al. Frequency regulation application and economic analysis of flywheel energy storage in a regional power grid[J]. Power System and Clean Energy, 2013, 29(12): 113-118.

[89] BYRNE R H, SILVA M A. Potential revenue from electrical energy storage in the electricity reliability council of Texas(ERCOT)[C]// PES General Meeting Conference and Exposition, July 27-31, National Harbor, USA: 1-5.

[90] BYRNE R H, SILVA M A. Estimating the maximum potential revenue for grid connected electricity storage: arbitrage and regulation[R]. USA: Sandia National Laboratories, 2012.

[91] WALAWALKAR R, APT J, MANCINI R. Economics of electric energy storage for energy arbitrage and regulation in New York[J]. Energy Policy, 2007, 35(4): 2558-2568.

[92] CHEN Shuaixun, ZHANG Tian, GOOI H B, et al. Penetration rate and effectiveness studies of aggregated BESS for frequency regulation[J]. IEEE Transactions on Smart Grid, 2016, 7(1): 167-177.

[93] CHENG Y, TABRIZI M, SAHNI M, et al. Dynamic available AGC based approach for enhancing utility scale energy storage performance[J]. IEEE Transactions on Smart Grid, 2014, 5(2): 1070-1078.

[94] 胡泽春,谢旭,张放,等.含储能资源参与的自动发电控制策略研究[J].中国电机工程学报,2014,34(29):5080-5087.

HU Zechun, XIE Xu, ZHANG Fang, et al. Research on automatic generation control strategy incorporating energy storage resources[J]. Proceedings of the CSEE, 2014, 34(29): 5080-5087.

[95] MEGEL O, LIU T, HILL D J, et al. Distributed secondary frequency control algorithm considering storage efficiency[J/OL]. IEEE Transactions on Smart Grid[2018-01-05]. http://ieeexplore.ieee.org/document/7932464/.

[96] KIM W W, SHIN J S, KIM J O. Operation strategy of multi-energy storage system for ancillary services[J]. IEEE Transactions on Power Systems, 2017, 32(6): 4409-4417.

[97] XIE X, GUO Y, WANG B, et al. Improving AGC performance of coal-fueled thermal generators using multi-MW scale BESS: a practical application[J/OL]. IEEE Transactions on Smart Grid[2018-01-05]. http://ieeexplore.ieee.org/document/7542188/.

[98] XU B, SHI Y, KIRSCHEN D S, et al. Optimal battery participation in frequency regulation markets[J/OL]. [2018-01-08]. https://arxiv.org/abs/1710.10514.

[99] RAY G, PRASAD A N, PRASAD G D. A new approach to the design of robust load-frequency controller for large scale power systems[J]. Electric Power Systems Research, 1999, 51(1): 13-22.

[100] RERKPREEDAPONG D, HASANOVIC A, FELIACHI A. Robust load frequency control using genetic algorithms and linear matrix inequalities[J]. IEEE Transactions on Power Systems, 2003, 18(2): 855-861.

[101] ZHU Dinghuan, HUG-GLANZMANN G. Coordination of storage and generation in power system frequency control using an H-infinity approach[J]. IET Generation Transmission and Distribution, 2013, 7(11): 1263-1271.

[102] SINGH V P, MOHANTY S R, KISHOR N, et al. Robust H-infinity load frequency control in hybrid distributed generation system[J]. International Journal of Electrical Power and Energy Systems, 2013, 46(1): 294-305.

[103] TAN W, SUI L, XU Z. Robust analysis and design of load frequency controller for power systems[J]. Electric Power Systems Research, 2009, 79(5): 846-853.

[104] MACIEJOWKI J M, Predictive control: with constraints [M]. US: Pearson Education, 2002.

[105] GANGER D, ZHANG Junshan, VITTAL V. Forecast-based anticipatory frequency control in power systems[J]. IEEE Transactions on Power Systems, 2018, 33(1): 1004-1012.

[106] ERSDAL A M, IMSLAND L, UHLEN K. Model predictive load-frequency control[J]. IEEE Transactions on Power Systems, 2015, 31(1): 777-785.

[107] MCNAMARA P, MILANO F. Model predictive control-based AGC for multi-terminal HVDC-connected AC grids[J]. IEEE Transactions on Power Systems, 2018, 33(1): 1036-1048.

[108] OJAGHI P, RAHMANI M. LMI-based robust predictive load frequency control for power systems with communication delays[J]. IEEE Transactions on Power Systems, 2017, 32(5): 4091-4100.

[109] MOLZAHN D K, DORFLER F, SANDBERG H, et al. A survey of distributed optimization and control algorithms for electric power systems[J]. IEEE Transactions on Smart Grid, 2017, 8(6): 2941-2962.

[110] ZHAO Changhong, MALLADA E, DOERFLER F. Distributed frequency control for stability and economic dispatch in power networks[C]// American Control Conference (ACC), July 1-3, 2015, Chicago, USA: 2359-2364.

[111] LI N, ZHAO C, CHEN L. Connecting automatic generation control and economic dispatch from an optimization view[J]. IEEE Transactions on Control of Network Systems, 2016, 3(3): 254-264.

[112] WANG Z, LIU F, LOW S H, et al. Distributed frequency control with operational constraints,part II:network power balance[J/OL]. IEEE Transactions on Smart Grid[2018-01-05]. http://ieeexplore.ieee.org/document/7990367/.

[113] DÖRFLER F. SIMPSON-PORCO J W,BULLO F.breaking the hierarchy:distributed control and economic optimality in microgrids[J]. IEEE Transactions on Control of Network Systems, 2016, 3(3): 241-253.

[114] ANDREASSON M, WIGET R, DIMAROGONAS D V, et al. Distributed frequency control through MTDC transmission systems[J]. IEEE Transactions on Power Systems, 2017, 32(1): 250-260.

[115] MU Chaoxu, TANG Yufei, HE Haibo. Improved sliding mode design for load frequency control of power system integrated an adaptive learning strategy[J]. IEEE Transactions on Industrial Electronics, 2017, 64(8): 6742-6751.

[116] 殷林飞,郑宝敏,余涛.人工情感Q学习的互联电网自动发电控制算法[J].控制理论与应用,2016,33(12):1650-1657.

YAN Linfei, ZHENG Baomin, YU Tao. Artificial emotional Q-learning for automatic generation control of interconnected power grids[J]. Control Theory and Applications, 2016, 33(12): 1650-1657.

[117] FARHANGI R, BOROUSHAKI M, HOSSEINI S H. Load-frequency control of interconnected power system using emotional learning-based intelligent controller[J]. International Journal of Electrical Power and Energy Systems, 2012, 36(1): 76-83.