基于云平臺的光伏二次調頻雙層控制策略

葉 凱,李 哲,程 杰,唐小棋,徐 雷

(南京郵電大學自動化學院/人工智能學院,江蘇 南京 210000)

0 引言

由于新能源并網容量的增加,電網中存在著因系統慣性系數減弱、凈負荷變化加大、常規機組調頻能力不夠大而造成的電網調頻壓力。其次,常規火電機組的調節時間周期較長,且水電機組的調頻容量受空間和時間約束較大,使得常規發電機組在二次調頻即自動發電控制(Auto matic Generation Control,AGC)中表現較弱[1]。由于光伏不確定和不穩定的發電功率,這就造成了電網的頻率越來越不穩定[2-3]。

通常,配電網的AGC分配策略可分成3種:分布式、分散式和集中式[4]。分布式調頻是通過相鄰信息的傳輸交互,獲取相鄰對象的狀態,并基于此協同實現調頻[5]。分布式控制模式不僅反應快速、減少了計算信息量,而且還能夠在實現電網調頻全局最優化的同時,提高聚合商和用戶的整體利益,但這種控制方法較為復雜、所需投建資金較大。分散控制是指各個控制器僅僅通過各自的信息,實現自身目標的趨優控制[6]。文獻[7]提出了冰箱作為電網調頻備用容量的可能,且在冰箱上加設了頻率控制器,利用分散控制的方式來調控控制器,以此來響應電力系統的頻率波動,但由于負荷個體之間通信不足,因此可能會發生“過控”或“欠控”現象。文獻[8]充分考慮了電動汽車用戶出行的隨機性和對補償電價響應的不確定性,建立了含電動汽車參與的AGC調頻決策模型,在顯著提高調頻效果的同時,也能獲得較高的期望凈收益,但是電動汽車無法由AGC直接控制,容易出現偏差。集中控制是通過統一處理平臺分析并測量全系統數據,并且基于統一平臺實現數據的處理、優化以及控制。文獻[9]根據集中式備用算法,使需求響應資源與旋轉備用資源緊密結合,以平衡在電網應急狀態時的發電需要。文獻[10]提出了一種通過集群電動汽車和家庭熱儲能裝置對電力系統進行二次調頻的方法,并利用模型預測仿真實現了對各參與機組出力的分配。文獻[11]考察了大量恒溫調節裝置的集中熱負荷管理情況,指出了這些能夠滿足溫度調節系統和設備的后續服務,同時體現了集中控制方法可靠性,且可實現系統整體最優。

云平臺作為可以集中式處理大規模數據,為配電網調頻提供高效的運算平臺,可以有效分擔其在數據處理方面的巨大壓力[12]。因此,有必要開發一種新的體系結構,以確保通過電力云實現高質量和高精度的頻率調節,同時保證微網的二次調頻安全性和經濟性。光伏發電設備類型繁雜、工作方式多變、可控程度不一,供電系統的協調控制問題也更加復雜化。如何精確穩定快速地控制光伏逆變器、響應AGC指令也成為了一大難題。因此,本文提出了一種新型的光伏二次調頻雙層控制策略,基于云平臺實現AGC功率響應,并考慮用戶側的經濟性目標,同時提出基于模型預測控制(Model Predictive Contr ol,MPC)的控制方法,實現光伏逆變器高效穩定運行。

1 含光伏的配電網二次調頻控制策略

近年來,隨著現代信息通信技術與計算機技術的不斷進步,為了促進我國智慧電網創新事業的發展,構建電網信息云平臺顯得愈發重要。基礎設施與平臺的兩層結構緊密融合,云服務中心做到了分布式服務總線、一鍵式部署和全鏈路控制[13]。運用第三方提供的云平臺對數據進行存儲,可以解決諸如存儲、計算以及備份等與二次調頻的大量數據有關的問題[14]。

本節描述的含光伏的區域電網動態模型如圖1所示,其包含i臺傳統發電機組和j個光伏發電機組,共n(n=i+j)個調頻電源。

圖1 含光伏的區域配電網調頻動態模型

在圖1中,Δf為系統的頻率偏差值;P i為第i臺傳統機組的二次調頻出力;(i=1,2,…,i)為第i臺傳統機組的一次調頻出力;PAGC為二次調頻信號,即區域內所有調頻電源需提供的二次調頻出力總和;P j(1,2,…,j)為第j個光伏的二次調頻出力;PLd為系統凈負荷波動;K1為積分系數;R為一次調頻的調差系數;M為區域電網的慣性時間常數;D為負荷阻尼系數;ΔPtie為互聯電網聯絡線交換功率,B為二次調頻頻率偏差系數。

該控制策略可具體描述為,以頻率偏差最小化和經濟最優化(實現配電網用戶側經濟利益最大化)為目標,具體的控制策略流程見圖2,其中本文重點基于云平臺解決計算調頻電源的功率配置方案與基于MPC的更新調頻電源的狀態。

圖2 含光伏的配電網二次調頻控制策略

1.1 頻率偏差最小化控制目標函數

頻率穩定不僅可以反映出整個供電系統產生的全部有功功率是否與負載所需要的全部有功功率一致,還能反映出電力系統的工作是否穩定安全,所以本節的目標是實現頻率偏差最小化。目標函數為

式中:F1為配電網所得到的功率缺額的最小值;P ref為配電網所需功率;為第i個節點的光伏所提供的有功功率。

1.2 經濟最優化目標函數

本節的目標是在光伏接入的情況下,實現配電網經濟最優化運行。目標函數為

其中,

式中:E為光伏發電的經濟效益;C為光伏發電的維護成本;θi為光伏發電收益系數;K i為光伏維護運行的成本系數。

1.3 多目標優化策略

根據式(1)—(3),多目標優化函數可表示為

式中:λ1和λ2為目標函數(1)和目標函數(2)對應的權重因子,且滿足λ1+λ2=1,由于電網頻率安全性遠大于經濟性,所以λ1遠遠大于λ2。

在配電網的二次調頻流程中,約束條件一般來自于電源的調頻能力[15]。本文所考慮的電源調頻能力的約束主要為光伏發電輸出功率。為了解決頻率偏差最小和經濟最優化這2個目標,應滿足以下約束條件

式中:P-PVi和P-PVi分別為光伏發電功率的上下限。式(5)表示光伏發電的功率限制。

2 基于光伏逆變器的模型預測控制

MPC是一種廣泛采用的電力系統控制方法,可用來處理受約束的多變量多目標優化問題。它是一種以預測原理為核心的算法,是基于對系統在當前時刻之前的輸入與輸出預測模型,然后再根據系統未來的輸入來預測系統在未來一段時間內的動態行為[16]。MPC算法考慮了系統的動態響應過程,并基此提出了模型預測,因此獲得的最優控制輸入比沒有預測的輸入更為有效。

2.1 基于逆變器的PV模型

考慮一般性,PV逆變器在PQ模式下運行。控制系統轉換為具有2個控制回路的dq參考框架:外部功率控制回路和內部電流控制回路。忽略q軸上的擾動,即u oq=0;這樣,基于逆變器的PV的有功功率可通過PPV=1.5u od×i od計算。

如圖3所示,時間常數T pin為有功功率內環的動態響應時間。因此,有功功率回路的狀態空間模型可以表示為

圖3 基于PV的逆變器有功功率控制回路

2.2 光伏逆變器控制模型

通過將式(6)—(8)集成到矩陣形式中,得到

因此,光伏逆變器的離散狀態空間模型可以表示為

其中,

式中:T p為系統采樣時間。

MPC控制器的優化目標可以表達為

式中:W、V為對應的權重矩陣;x r為由上層優化計算出的參考功率得到的參考值。

3 算例分析

本節將通過基于MATLAB/Si mulink的仿真驗證本文方法的有效性。圖4為某區域配電網所承擔的1 h AGC指令,協調調度中心每隔4 s更新并下發至該區域配電網中的云電力平臺,同時該區域內配有20臺光伏設備參與輔助調頻。本地MPC控制器每0.1 s實施一次計算,預測周期和控制周期均設置為Np=30。

圖4 某區域配電網所承擔的1 h AGC指令

3.1 策略有效性驗證

圖5 為多目標優化結果,從中可以看出由于各個光伏在不同時間的收益以及成本不同,所以各個光伏在不同時間承擔不同的AGC任務。圖6和圖7分別展示了在1 h內與600 s光伏逆變器1基于MPC控制策略的追蹤效果。

圖5 基于云平臺的多目標優化結構

從圖6、圖7中可以看出,基于MPC控制器下的光伏逆變器能夠跟蹤上層下發的AGC調節指令。以第628 s時AGC下發指令,光伏逆變器響應效果為例,光伏1改變當前輸出狀態,在0.5 s內由-3.14 k W轉為3.15 k W,并且能夠在AGC響應需求間隔內實現功率的追蹤,因此可以證明該方法可以使得逆變器有效跟蹤云平臺分配的AGC需求。

圖6 光伏逆變器1的1 h追蹤效果

圖7 光伏逆變器1的600 s追蹤效果

3.2 方案對比

通過有無MPC控制策略下的光伏逆變器響應仿真,對比展示該方案的優勢。通過圖8可以驗證該方案具有以下優勢:響應時間快,MPC控制策略下,光伏逆變器可以更快的響應AGC指令,光伏逆變器可以在0.5 s內實現追蹤,而無MPC情況下逆變器需要超過3 s才能實現穩定跟蹤;穩定性高,MPC控制策略下,光伏逆變器追蹤波動小于1 k W。無MPC控制情況下,光伏波動最大可達5 k W,因此MPC控制策略更具備安全穩定性。

圖8 有無MPC控制策略下光伏出力

根據仿真結果分析,該雙層控制方案可以保證在滿足AGC功率響應的同時,考慮到配電網的經濟性運行,并進一步增強頻率響應的安全性。

4 結論

云平臺可以集中式處理大規模數據,為配電網調頻提供高效的運算平臺,可以有效減輕在數據處理方面的巨大壓力。基于此,本文根據光伏系統并網參與二次調頻的問題,提出了一種新型的雙層控制策略。通過基于MATLAB/Si mulink的仿真實驗,驗證了本文方法的有效性。該控制策略不但實現了AGC的功率響應,而且兼顧到了配電網的經濟性;另外,與傳統控制策略相比,本文采用MPC控制策略的響應時間更快,穩定性更高,有效增強了頻率響應的安全性。