基于云平台的光伏二次调频双层控制策略

叶 凯,李 哲,程 杰,唐小棋,徐 雷

(南京邮电大学自动化学院/人工智能学院,江苏 南京 210000)

0 引言

由于新能源并网容量的增加,电网中存在着因系统惯性系数减弱、净负荷变化加大、常规机组调频能力不够大而造成的电网调频压力。其次,常规火电机组的调节时间周期较长,且水电机组的调频容量受空间和时间约束较大,使得常规发电机组在二次调频即自动发电控制(Auto matic Generation Control,AGC)中表现较弱[1]。由于光伏不确定和不稳定的发电功率,这就造成了电网的频率越来越不稳定[2-3]。

通常,配电网的AGC分配策略可分成3种:分布式、分散式和集中式[4]。分布式调频是通过相邻信息的传输交互,获取相邻对象的状态,并基于此协同实现调频[5]。分布式控制模式不仅反应快速、减少了计算信息量,而且还能够在实现电网调频全局最优化的同时,提高聚合商和用户的整体利益,但这种控制方法较为复杂、所需投建资金较大。分散控制是指各个控制器仅仅通过各自的信息,实现自身目标的趋优控制[6]。文献[7]提出了冰箱作为电网调频备用容量的可能,且在冰箱上加设了频率控制器,利用分散控制的方式来调控控制器,以此来响应电力系统的频率波动,但由于负荷个体之间通信不足,因此可能会发生“过控”或“欠控”现象。文献[8]充分考虑了电动汽车用户出行的随机性和对补偿电价响应的不确定性,建立了含电动汽车参与的AGC调频决策模型,在显著提高调频效果的同时,也能获得较高的期望净收益,但是电动汽车无法由AGC直接控制,容易出现偏差。集中控制是通过统一处理平台分析并测量全系统数据,并且基于统一平台实现数据的处理、优化以及控制。文献[9]根据集中式备用算法,使需求响应资源与旋转备用资源紧密结合,以平衡在电网应急状态时的发电需要。文献[10]提出了一种通过集群电动汽车和家庭热储能装置对电力系统进行二次调频的方法,并利用模型预测仿真实现了对各参与机组出力的分配。文献[11]考察了大量恒温调节装置的集中热负荷管理情况,指出了这些能够满足温度调节系统和设备的后续服务,同时体现了集中控制方法可靠性,且可实现系统整体最优。

云平台作为可以集中式处理大规模数据,为配电网调频提供高效的运算平台,可以有效分担其在数据处理方面的巨大压力[12]。因此,有必要开发一种新的体系结构,以确保通过电力云实现高质量和高精度的频率调节,同时保证微网的二次调频安全性和经济性。光伏发电设备类型繁杂、工作方式多变、可控程度不一,供电系统的协调控制问题也更加复杂化。如何精确稳定快速地控制光伏逆变器、响应AGC指令也成为了一大难题。因此,本文提出了一种新型的光伏二次调频双层控制策略,基于云平台实现AGC功率响应,并考虑用户侧的经济性目标,同时提出基于模型预测控制(Model Predictive Contr ol,MPC)的控制方法,实现光伏逆变器高效稳定运行。

1 含光伏的配电网二次调频控制策略

近年来,随着现代信息通信技术与计算机技术的不断进步,为了促进我国智慧电网创新事业的发展,构建电网信息云平台显得愈发重要。基础设施与平台的两层结构紧密融合,云服务中心做到了分布式服务总线、一键式部署和全链路控制[13]。运用第三方提供的云平台对数据进行存储,可以解决诸如存储、计算以及备份等与二次调频的大量数据有关的问题[14]。

本节描述的含光伏的区域电网动态模型如图1所示,其包含i台传统发电机组和j个光伏发电机组,共n(n=i+j)个调频电源。

图1 含光伏的区域配电网调频动态模型

在图1中,Δf为系统的频率偏差值;P i为第i台传统机组的二次调频出力;(i=1,2,…,i)为第i台传统机组的一次调频出力;PAGC为二次调频信号,即区域内所有调频电源需提供的二次调频出力总和;P j(1,2,…,j)为第j个光伏的二次调频出力;PLd为系统净负荷波动;K1为积分系数;R为一次调频的调差系数;M为区域电网的惯性时间常数;D为负荷阻尼系数;ΔPtie为互联电网联络线交换功率,B为二次调频频率偏差系数。

该控制策略可具体描述为,以频率偏差最小化和经济最优化(实现配电网用户侧经济利益最大化)为目标,具体的控制策略流程见图2,其中本文重点基于云平台解决计算调频电源的功率配置方案与基于MPC的更新调频电源的状态。

图2 含光伏的配电网二次调频控制策略

1.1 频率偏差最小化控制目标函数

频率稳定不仅可以反映出整个供电系统产生的全部有功功率是否与负载所需要的全部有功功率一致,还能反映出电力系统的工作是否稳定安全,所以本节的目标是实现频率偏差最小化。目标函数为

式中:F1为配电网所得到的功率缺额的最小值;P ref为配电网所需功率;为第i个节点的光伏所提供的有功功率。

1.2 经济最优化目标函数

本节的目标是在光伏接入的情况下,实现配电网经济最优化运行。目标函数为

其中,

式中:E为光伏发电的经济效益;C为光伏发电的维护成本;θi为光伏发电收益系数;K i为光伏维护运行的成本系数。

1.3 多目标优化策略

根据式(1)—(3),多目标优化函数可表示为

式中:λ1和λ2为目标函数(1)和目标函数(2)对应的权重因子,且满足λ1+λ2=1,由于电网频率安全性远大于经济性,所以λ1远远大于λ2。

在配电网的二次调频流程中,约束条件一般来自于电源的调频能力[15]。本文所考虑的电源调频能力的约束主要为光伏发电输出功率。为了解决频率偏差最小和经济最优化这2个目标,应满足以下约束条件

式中:P-PVi和P-PVi分别为光伏发电功率的上下限。式(5)表示光伏发电的功率限制。

2 基于光伏逆变器的模型预测控制

MPC是一种广泛采用的电力系统控制方法,可用来处理受约束的多变量多目标优化问题。它是一种以预测原理为核心的算法,是基于对系统在当前时刻之前的输入与输出预测模型,然后再根据系统未来的输入来预测系统在未来一段时间内的动态行为[16]。MPC算法考虑了系统的动态响应过程,并基此提出了模型预测,因此获得的最优控制输入比没有预测的输入更为有效。

2.1 基于逆变器的PV模型

考虑一般性,PV逆变器在PQ模式下运行。控制系统转换为具有2个控制回路的dq参考框架:外部功率控制回路和内部电流控制回路。忽略q轴上的扰动,即u oq=0;这样,基于逆变器的PV的有功功率可通过PPV=1.5u od×i od计算。

如图3所示,时间常数T pin为有功功率内环的动态响应时间。因此,有功功率回路的状态空间模型可以表示为

图3 基于PV的逆变器有功功率控制回路

2.2 光伏逆变器控制模型

通过将式(6)—(8)集成到矩阵形式中,得到

因此,光伏逆变器的离散状态空间模型可以表示为

其中,

式中:T p为系统采样时间。

MPC控制器的优化目标可以表达为

式中:W、V为对应的权重矩阵;x r为由上层优化计算出的参考功率得到的参考值。

3 算例分析

本节将通过基于MATLAB/Si mulink的仿真验证本文方法的有效性。图4为某区域配电网所承担的1 h AGC指令,协调调度中心每隔4 s更新并下发至该区域配电网中的云电力平台,同时该区域内配有20台光伏设备参与辅助调频。本地MPC控制器每0.1 s实施一次计算,预测周期和控制周期均设置为Np=30。

图4 某区域配电网所承担的1 h AGC指令

3.1 策略有效性验证

图5 为多目标优化结果,从中可以看出由于各个光伏在不同时间的收益以及成本不同,所以各个光伏在不同时间承担不同的AGC任务。图6和图7分别展示了在1 h内与600 s光伏逆变器1基于MPC控制策略的追踪效果。

图5 基于云平台的多目标优化结构

从图6、图7中可以看出,基于MPC控制器下的光伏逆变器能够跟踪上层下发的AGC调节指令。以第628 s时AGC下发指令,光伏逆变器响应效果为例,光伏1改变当前输出状态,在0.5 s内由-3.14 k W转为3.15 k W,并且能够在AGC响应需求间隔内实现功率的追踪,因此可以证明该方法可以使得逆变器有效跟踪云平台分配的AGC需求。

图6 光伏逆变器1的1 h追踪效果

图7 光伏逆变器1的600 s追踪效果

3.2 方案对比

通过有无MPC控制策略下的光伏逆变器响应仿真,对比展示该方案的优势。通过图8可以验证该方案具有以下优势:响应时间快,MPC控制策略下,光伏逆变器可以更快的响应AGC指令,光伏逆变器可以在0.5 s内实现追踪,而无MPC情况下逆变器需要超过3 s才能实现稳定跟踪;稳定性高,MPC控制策略下,光伏逆变器追踪波动小于1 k W。无MPC控制情况下,光伏波动最大可达5 k W,因此MPC控制策略更具备安全稳定性。

图8 有无MPC控制策略下光伏出力

根据仿真结果分析,该双层控制方案可以保证在满足AGC功率响应的同时,考虑到配电网的经济性运行,并进一步增强频率响应的安全性。

4 结论

云平台可以集中式处理大规模数据,为配电网调频提供高效的运算平台,可以有效减轻在数据处理方面的巨大压力。基于此,本文根据光伏系统并网参与二次调频的问题,提出了一种新型的双层控制策略。通过基于MATLAB/Si mulink的仿真实验,验证了本文方法的有效性。该控制策略不但实现了AGC的功率响应,而且兼顾到了配电网的经济性;另外,与传统控制策略相比,本文采用MPC控制策略的响应时间更快,稳定性更高,有效增强了频率响应的安全性。