互联电网AGC功率动态分配的虚拟发电部落协同一致性算法

合集下载

电力系统综合节能的AGC与AVC协调控制策略

ｆｕｎｃｔｉｏｎｏｆｏｂｊｅｃｔｉｖｅｓａｎｄｃｏｒｒｅｓｐｏｎｄｉｎｇｃｏｎｓｔｒａｉｎｔｆｒｏｍｔｈｅＡＧＣａｎｄＡＶＣｃｏｎｔｒｏｌｆｕｎｃｔｉｏｎｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｖａｌｕｅｃｏｎｓｉｄｅｉｒｎｇｉｎｔｅｇｒａｔｅｄｅｃｏｎｏｍｙ．Ｉｎｔｈｅｐｒｅｄｉｃｔｉｖｅｃｏｎｔｒｏｌｍｏｄｅ，ｔｈｅｒｅａｃｔｉｖｅａｄｊｕｓｔｉｎｇｉｎｓｔｒｕｃｔｉｏｎｓｏｒｆａｄｖａｎｃｅｄＡＧＣｇｅｎｅｒａｔｉｏｎｓｗｉｌｌｂｅ
ｐａｎｓ：ｉｎｔｅｇｒａｔｅｄｏｐｔｉｍａｌｃｏｎｔｒｏｌｍｏｄｅｌａｎｄｔｈｅｐｒｅｄｉｃｔｉｖｅｃｏｎｔｒｏｌｍｏｄｅ１．Ｉｎｔｅｇｒａｔｅｄｏｐｔｉｍａｌｃｏｎｔｒｏｌｍｏｄｅｌｃｏｏｒｄｉｎａｔｅａｎｄｕｓｅｔｈｅ
姜凯，丁晓群，许贤杰，陈光宇，李林ｚ
（１．河海大学能源与电气学院，江苏南京２１１１００：
０７１０００）２．华北电力大学电气与电子工程学院，河北保定

自动发电控制( AGC)的结构分析及实际应用

自动发电控制( AGC)的结构分析及实际应用摘要：现代电网已发展成为在电力市场机制的基础上多控制区域的互联系统，自动发电控制(AGC)作为互联电网实现功率和频率控制的主要手段，其控制效果直接影响着电网品质。

因此，跨大区互联电网通过什么样的标准对其控制质量进行评价，电网AGC采用什么样的控制方法是近年来调度自动化关注的一个热点问题。

本论文紧紧围绕这一具有重要现实意义的课题展开了研究和讨论，介绍了电网AGC技术的实现与发展，AGC实施中的NERC标准、火电厂实施AGC的控制方案，及电网和电厂之间相互联系的协同控制策略。

指出互联电网 AGC采用 CPS 标准进行控制考核是必然趋势，建议国内有关电力系统和热控专业科研部门加紧这方面的研究工作。

关键词：自动发电控制，电力系统，互联电网，发展第一章绪论自动发电控制(Automatic Generation Control)简称AGC，作为现代电网控制的一项基本功能，它是通过控制发电机有功出力来跟踪电力系统的负荷变化，从而维持频率等于额定值，同时满足互联电力系统间按计划要求交换功率的一种控制技术。

它的投入将提高电网频率质量，提高经济效益和管理水平。

自动发电控制技术在“当今世界已是普遍应用的成熟技术，是一项综合技术”。

自动发电控制在我国的研究和开发虽然起步较早，但真正在电网运行中发挥效能，还是在最近几年。

60年代初，我国几个主要电力系统都曾试验过自动频率调整(AFC)，而直到90年代，自动发电控制却还未能全部正常运行。

近些年来，随着我国经济的高速发展，对安全、可靠、优质和经济运行，各大区电网都对频率的调整非常重视，并实行了严格的考核。

为实现这一目标，全国各大电网均不同程度地采用了AGC技术。

随着计算机技术、自动控制理论、网络通讯等技术的发展，电厂、电网自动化运行水平的不断提高，自动发电控制逐步得到广泛的应用。

现代的AGC是一个闭环反馈控制系统，主要由两大部分构成，如图1所示：（1）负荷分配器：根据测得的发电机实际出力、频率偏差和其它有关信号，按一定的调节准则分配各机组应承担的机组有功出力设定值。

自动发电控制(AGC)的基本理论

自动发电控制(AGC)的基本理论自动发电控(Automatic Generation Control)简称AGC ，作为现代电网控制的一项基本功能，它是通过控制发电机有功出力来跟踪电力系统的负荷变化，从而维持频率等于额定值，同时满足互联电力系统间按计划要求交换功率的一种控制技术。

它的投入将提高电网频率质量，提高经济效益和管理水平。

自动发电控制有四个基本目标：（1）使全系统的发电出力和负荷功率相匹配；（2）将电力系统的频率偏差调节到零，保持系统频率为额定值；（3）控制区域问联络线交换功率与计划值相等，实现各区域内有功功率的平衡；（4）在区域内各发电厂间进行负荷的经济分配。

上述第一个目标与所有发电机的调速器有关，即与频率的一次调整有关。

第二和第三个目标与频率的二次调整有关，也称为负荷频率控制LFC(LoadFrequency Control)。

通常所说的AGC 是指前三项目标，包括第四项目标时，往往称为AGC 但DC(经济调度控制，即Economic Dispatching Control)，但也有把EDC 功能包括在AGC 功能之中的。

负荷频率控制通过对区域控制偏差(ACE)调整到正常区域或零来实现系统频率和网间的联络线交换功率的调整。

ACE 表达式如下：()()()[]S A T S A S A T T K f f B P P ACE -+---=10 (1．1) 试中：A P ,S P 分别表示实际、预定联络线线功率；A T 、S T 分别表示实际电钟时间和标准时间；A f 、S f 分别表示实际、预定系统频率；B 表示系统频率偏差系数；T K 表示电钟偏差系数。

联络线频率偏差控制方式，TBC(Tie Line Bias Control)，ACE 按上式形成；定频控制方式，。

CFC(Constant FrequencyControl)，ACE 不含(S A P P -)；定净交换功率控制方式CNIC(Constant Net Interchange Control)，ACE 不含(S A f f -)。

虚拟同步发电机转动惯量和阻尼系数协同自适应控制策略

虚拟同步发电机转动惯量和阻尼系数协同自适应控制
策略
虚拟同步发电机（VSG）是一种新型的电力调节设备，它能够实现多种功能，如电力质量改善、电力稳定性提升等。

在利用VSG进行能量调节时，实现VSG系统的自适应控制是至关重要的。

VSG的转动惯量和阻尼系数是VSG系统的重要参数，对系统的运行稳定性和响应速度起着非常重要的作用。

因此，如何实现VSG的转动惯量和阻尼系数协同自适应控制成为了当前的研究热点。

本文研究了一种基于转动惯量和阻尼系数协同自适应控制的VSG系统控制策略。

该策略通过对VSG系统的电流、电压和转速进行实时监控，通过VSG逆变器的电流控制器和动态电压调节器对电力进行调节。

通过对VSG的转动惯量和阻尼系数进行估算，可以在实时的调节过程中实现VSG的自适应控制，从而提高VSG 系统的运行效率和稳定性。

在该策略中，首先通过传感器对VSG系统的电流、电压和转速进行实时监控，得到实时的电力参数。

然后通过VSG逆变器的电流控制器和动态电压调节器对电力进行调节，保持系统的运行稳定。

接着，通过对VSG的转动惯量和阻尼系数进行估算，可以更精确地控制VSG系统的响应速度和稳定性。

最后，在系统稳定后，VSG的转动惯量和阻尼系数可以通过在线学习算法进行自适应调整，从而使VSG系统的控制更加灵活和高效。

该策略在仿真实验中进行了验证，并与传统的VSG系统控制策略进行了比较。

结果表明，基于转动惯量和阻尼系数协同自适应控制的VSG系统具有更好的控制效果和响应速度，能够更好地实现VSG系统的稳定运行。

因此，该策略具有较好的应用前景，可以为VSG系统的控制和优化提供有益的参考。

自动发电控制(AGC)的原理及应用

自动发电控制（AGC）的原理及应用编写：黄文伟贵州电力调度通信局2005年9月目录1. 概述 (3)1.1.AGC的作用 (3)1.2.AGC的目的 (3)1.3.AGC的意义 (4)1.4.AGC的地位 (4)2. AGC的基本原理 (4)2.1.负荷频率特性 (6)2.2.机组功频特性 (6)2.3.系统频率特性 (8)2.4.独立系统调频 (9)2.5.自动调频方法 (11)2.6.联合系统调频 (12)3. AGC的系统体系 (14)3.1.系统构成 (14)3.2.控制回路 (15)3.3.与能量管理系统的关系 (15)3.4.与其他应用软件的关系 (15)4. AGC的控制原理 (16)4.1.控制量测 (16)4.2.净交换功率计划 (17)4.3.区域控制偏差 (17)4.4.区域控制方式 (19)4.5.ACE滤波、补偿及趋势预测 (19)4.6.负荷频率控制 (20)4.7.在线经济调度 (20)5. AGC的控制方法 (21)5.1.机组控制方式 (21)5.2.控制区段与策略 (22)5.3.区域需求 (23)5.4.机组功率分配 (24)5.5.机组期望功率 (25)5.6.机组控制校验 (27)5.7.基点功率计划 (28)5.8.AGC工作流程 (29)6. AGC的控制性能标准 (30)6.1.区域控制标准（A／B） (30)6.2.控制性能标准（CPS） (32)7. AGC的控制对象 (33)7.1.电厂控制器 (34)7.2.机组控制单元 (34)7.3.RTU控制装置 (35)7.4.机组运行状态 (35)7.5.控制器信号接口 (36)8. AGC的操作与监视 (37)8.1.运行操作方式 (37)8.2.运行监视状态 (37)8.3.备用容量监视 (38)8.4.控制性能监视 (39)8.5.运行状态监视及告警 (40)8.6.人机交互界面 (41)1.概述自动发电控制(Automatic Generation Control，AGC)，通常简称为AGC，是建立在以计算机为核心的能量管理系统（或调度自动化系统）及发电机组协调控制系统之上并通过高可靠信息传输系统联系起来的远程闭环控制系统。

电网AGC与AVC协调控制方法

第43卷第15期电力系统保护与控制V ol.43 No.15 2015年8月1日Power System Protection and Control Aug. 1, 2015 电网AGC与A VC协调控制方法于汀1,2，蒲天骄2，刘广一2，李时光2，赵聪3，田爱忠4(1.四川大学电气信息学院，四川成都 610065；2.中国电力科学研究院，北京 100192；3.智能电网教育部重点实验室(天津大学)，天津 300072；4.新能源电力系统国家重点实验室(华北电力大学)，北京 102206)摘要：电力系统有功功率与无功功率耦合日益紧密，自动发电控制(AGC)与自动电压控制(A VC)相互解耦的模式会影响电网的运行控制效果。

基于AGC与A VC不同的控制周期，在时间尺度上建立了分钟层和秒层两级衔接的AGC与A VC协调控制模式，提出了控制方法。

在分钟层级上，建立有功功率与无功功率联合的最优潮流模型，提出AGC与A VC的联合优化控制方法；在秒层级上，完善AGC与A VC各自的控制策略，提出AGC与A VC的协调校正控制方法。

通过算例验证表明，所提方法在满足AGC与A VC各自控制目标的同时，实现了电网的经济运行，抑制了AGC与A VC的相互影响，促进了AGC与A VC的相互支撑。

关键词：有功功率；无功功率；自动发电控制；自动电压控制；联合优化；协调校正Coordinated control method of AGC and A VC in power gridYU Ting1, 2, PU Tianjiao2, LIU Guangyi2, LI Shiguang2, ZHAO Cong3, TIAN Aizhong4(1. School of Electrical Engineering and Information, Sichuan University, Chengdu 610065, China; 2. China ElectricPower Research Institute, Beijing 100192, China; 3. Key Laboratory of Smart Grid, Tianjin University, Ministry of Education, Tianjin 300072, China; 4. State Key Laboratory for Alternate Electrical Power System withRenewable Energy Sources, North China Electric Power University, Beijing 102206, China)Abstract: With the coupling relationship between active power and reactive power in power system becoming stronger, the control mode that automatic generation control (AGC) and automatic voltage control (A VC) operate separately may influence the control effect. Considering of the different control periods of AGC and A VC, this paper proposes a coordinated control method of AGC and A VC with a connection on the time scale of minute level and second level. On the minute level, an optimal power flow model of active power and reactive power associated together is established, a AGC and A VC associated optimization control method is proposed. On the second level, the respective control strategy of AGC and A VC is improved and a coordinated correction control method of AGC and A VC is proposed. Simulation is made to verify that the method proposed meets the respective control objective of AGC and A VC. At the same time, it can realize the economic operation of power system, restrain the mutual influence of AGC and A VC, and promote the mutual support between AGC and A VC.Key words: active power; reactive power; automatic generation control (AGC); automatic voltage control (A VC);associated optimization; coordinated correction中图分类号：TM77 文献标识码：A 文章编号：1674-3415(2015)15-0042-060 引言自动发电控制(Automatic Generation Control，AGC)和自动电压控制(Automatic V oltage Control，A VC)是电网调度自动化系统的两大核心应用。

AGC与一次调频讲义

自动发电控制AGC和一次调频0 前言根据电监会发布的《发电厂并网运行管理规定》（电监市场[2006]42号）和《并网发电厂辅助服务管理暂行办法》（电监市场[2006]43号）分别制定了两个文件：《××区域发电厂并网运行管理实施细则》和《××区域并网发电厂辅助服务管理实施细则》（其中的××代表区域，如“华北”、“华东”），简称“两个细则”。

其中对AGC和一次调频的投入率、调节指标的考核标准进行了严格的规定。

1 定义电力系统频率和有功功率自动控制统称为自动发电控制（AUTO GENERATOR CONTROL简称AGC）。

AGC是通过控制发电机有功出力来跟踪电力系统负荷变化，从而维持频率等于额定值，同时满足互联电力系统间按计划要求交换功率的一种控制技术。

基本目标包括使全系统的发电出力和负荷功率相匹配；将电力系统的频率偏差调节到零，保持系统频率为额定值；及控制区域间联络线的交换功率与计划值相等，实现各区域内有功功率的平衡。

图1 AGC总体结构示意图主要有三个闭环控制：机组控制环、区域调节控制环和计划跟踪环，机组控制环由DC S自动实现；区域调节控制的目的是使区域控制误差调到零，这是AGC的核心；区域计划跟踪控制的目的是按计划提供发电基点功率。

2 简介AGC作为能量管理系统（EMS）的子系统与数据采集系统（SCADA）结合，以AGC/EDC软件包的形式成为SCADA/AGC-EDC系统，实现电网自动调频和有功功率经济分配等功能。

SC ADA软件系统是AGC软件系统的“工作平台”，其信号主要有三类：遥测信号是被控发电机和区域联络线的有功功率信号经电厂远动终端装置（RTU）、A/D转换送调度中心作为模拟量测量信号；遥信信号指AGC投/切和发电机开/停状态的开关量信号，该类信号经RTU 按5us周期扫查送调度中心；遥控信号即中调遥调指令（ADS），该指令由AGC程序运算产生。

分布式多区域多能微网群协同AGC算法

分布式多区域多能微网群协同AGC 算法席磊 1周礼鹏1σσ,λ摘要综合能源多区域协同是电网发展趋势, 而核心问题是采用何种方法对多区域进行协同. 本文基于Q ( )融入了资格迹及双重Q 学习, 提出一种面向多区域多能微网群的多智能体协同控制算法, 即DQ ( ), 避免传统强化学习动作探索值高估的同时, 来获取分布式多区域的协同. 通过对改进的IEEE 两区域负荷频率控制模型及三区域多能微网群自动发电控制(Automatic generation control, AGC)模型仿真, 结果表明, 与传统方法相比, 所提算法具有快速收敛性和更优动态性能, 能获得分布式多区域多能微网群的协同.关键词综合能源, 多能微网, 自动发电控制, 强化学习, 双重Q 学习引用格式席磊, 周礼鹏. 分布式多区域多能微网群协同AGC 算法. 自动化学报, 2020, 46(9): 1818−1830DOI 10.16383/j.aas.c200105Coordinated AGC Algorithm for Distributed Multi-region Multi-energyMicro-network GroupXI Lei 1 ZHOU Li-Peng 1σσ,λAbstract Comprehensive energy multi-region coordination is the development trend of the power grid, and the core question is what method to use for multi-region coordination. Based on the integration of the qualification trace and dual Q-learning in Q ( ), this paper proposes a multi-agent collaborative control algorithm for multi-re-gion and multi-energy micro-grid group, named DQ ( ), to avoid high exploration value of traditional reinforce-ment learning actions. At the same time of evaluation, the distributed multi-region collaboration is obtained. Simu-lations of the improved IEEE two area load frequency control model and the three area multi-energy microgrid group automatic generation control (AGC) model show that the proposed algorithm has fast convergence and bet-ter dynamic performance than traditional methods, and can achieve distributed Synergy of regional multi-energy microgrid groups.Key words Comprehensive energy, multi-energy microgrid, automatic generation control (AGC), reinforcement learning, double Q-learningCitation Xi Lei, Zhou Li-Peng. Coordinated AGC algorithm for distributed multi-region multi-energy micro-net-work group. Acta Automatica Sinica , 2020, 46(9): 1818−1830发展新能源能够解决化石燃料燃烧引起的环境恶化问题, 集成了源、荷、气、热、储等多种分布式能源[1]的综合能源系统[2−3]势在必行, 但规模化的分布式新能源并网将带来强随机扰动, 以及由于传统机组惯性降低、缺乏辅助频率支持、调频容量不足等引起的频率失稳问题[4], 给现代电力系统的运行和控制提出了新的挑战. 因此, 本文从自动发电控制(Automatic generation control, AGC)角度面向多区域多能微网群提出一种新的频率控制方法以实现多区域协同控制.当前AGC 控制方法主要分为传统解析式和机器学习两大类. 基于传统解析式的控制方法, 以PID 控制方法为代表[5−6]. 文献[7]提出了基于灰狼优化算法的分数阶PID 控制器参数优化整定方案, 解决了网络化时滞互联电网的负荷频率控制(Load frequ-ency control, LFC)问题. 文献[8]提出了一种基于社会学习自适应细菌觅食算法的最优PI/PID 控制器设计方法, 以解决互联电网AGC 控制器参数优化整定问题. 文献[9]提出了基于随机帝国竞争算法的级联模糊分数阶CFFOPI–FOPID 控制器, 以解决AGC 问题. 传统控制方法主要根据区域控制偏差误差(Area control error, ACE)单一化地确定总调节功率, 控制机组出力. 然而电力系统新形态下区域间互动变化灵活, 需要根据长期历史数据进行学习、分析、存储, 以对多区域进行协同控制[10].收稿日期 2020-03-05 录用日期 2020-04-27Manuscript received March 5, 2020; accepted April 27, 2020国家自然科学基金(51707102)资助Supported by National Natural Science Foundation of China (51707102)本文责任编委孙秋野Recommended by Associate Editor SUN Qiu-Ye 1. 三峡大学电气与新能源学院宜昌 4430021. College of Electrical Engineering and New Energy, China Three Gorges University, Yichang 443002第 46 卷第 9 期自动化学报Vol. 46, No. 92020 年 9 月ACTA AUTOMATICA SINICASeptember, 2020λ随着人工智能的崛起, 一些学者将人工智能方法应用于AGC, 试图解决上述问题. 基于人工智能的强化学习能够通过与环境探索试错积累经验分析获取最优策略, 机器学习体系应用在AGC, 尤以基于强化学习的Q 学习应用最为广泛. 文献[11]基于Q 学习提出了一种改进的极限Q 学习算法, 对微电网的下垂控制进行参数整定, 从而实现频率调节与经济调度的一体化. 文献[12]提出了一种孤岛运行模式下基于平均报酬模型的多步R( )算法的AGC 控制器, 以实现对微电网的智能发电控制与频率调整. 文献[13]提出了一种基于模型预测控制的孤岛微电网频率二次控制策略, 以解决不确定延时对系统频率的影响, 并采用小信号模型和参与因子分析系统的稳定性. 然而上述文献为单区域模型, 同样算法也为单智能体算法, 这种无多区域协同的模式, 可等效看作 “集中式” 控制, 无法满足日益发展的综合能源模式下分布式多区域协同发展趋势.λ多智能体强化学习是解决多智能体系统问题的一种有效方法, 而协作多智能体强化学习专注于解决协作问题. 协作多智能体强化学习与分布式优化有非常密切的联系, 因此求解分布式优化的高效最优化方法可以引入求解协作多智能体强化学习问题[14].文献[15]针对多区域互联微网系统, 结合线性自抗扰控制算法和基于原对偶梯度算法的多智能体系统, 提出了一种新的分布式优化控制算法, 有效地结合系统动态特性与优化过程解决负荷频率控制问题. 文献[16]在微网分层控制结构的框架下, 提出多智能体自适应控制算法, 使频率恢复额定值, 且有功功率按各分布式电源的额定功率比例分配. 文献[17]在Q 学习基础上提出了一种面向混合交互环境的基于多智能体系统（Multi-agent system,MAS ）和元胞自动机的微网分布式协调自趋优控制策略, 调节微源的有功和无功出力及系统频率. 文献[18]提出一种基于多智能体微电网控制框架的多智能体协作学习算法, 有效管理微网中的微电源促使微网协调控制. 文献[19]面向分布式能源提出一种基于虚拟狼群控制策略的分层分布式控制—PDWoLF-PHC ( ), 算法中融入资格迹[20], 能够解决算法的时间信度分配问题, 以提高算法收敛速度, 进而来获得区域的最优控制. 然而上述的控制算法均为基于传统强化学习算法, 此类算法在随机环境中容易出现动作值在探索过程中的 “高估” 现象, 会导致决策质量低. 且上述算法均属于离策略,其面临的主要问题是离策略算法难以收敛、收敛速度慢以及收敛精度低.σ因此, 为解决上述问题, 通过引入参数统一(σ)(σ)(σ,λ)σ,σ=0(σ,λ)(λ)σ=1(σ,λ)(λ)σ=0.5(σ,λ)离策略与在策略的优缺点, 提出了基于 “将各种看似不同的算法思想联合统一以产生更好的算法” 思想的Q 算法[21]. 为解决随机环境中传统强化学习算法的高估动作值, 提高算法收敛速度, 以实现多区域电力系统协同控制, 本文根据协作多智能体强化学习在Q 算法基础上融入资格迹与双重学习[22],提出了一种基于多步统一强化学习的多智能体协同DQ 控制算法. 算法中固有的偏差与方差权衡主要取决于参数当时, DQ 处于全采样Double Q 算法; 当时, DQ 处于纯期望Double Expected-Sarsa 算法; 当时, DQ 处于采样和期望的混合算法. 通过对改进的IEEE 标准两区域负荷频率控制模型以及分布式三区域多能微网AGC 模型进行仿真, 验证所提算法的有效性.σ,λ1 DQ ( )算法σσ,λ由于传统强化学习过度追求长期折扣回报奖励最大, 在策略往往选择对应最大Q 值的动作, 使策略探索过程出现动作值的高估, 进而产生累积高偏差, 影响智能体学习到最优策略. 为此, 本文根据协作多智能体强化学习在Q( )算法基础上, 融入了资格迹及双重学习, 进而提出一种新型DQ( ),通过解决传统强化学探索过程中动作值高估问题,进而获得分布式多区域多能微网群的协同控制.σ1.1 Q ( )学习算法σσεε时间差分学习(Temporal-difference learning,TD)[23]是无模型强化学习中最重要的策略之一,TD 方法结合了蒙特卡罗方法和动态规划的优点,适用于无模型、持续进行的任务. 常见TD 有Q 、Sa-rsa 、Expected-Sarsa [24]等, 其中Q 学习应用最广泛.同样, 文献[21]通过引入采样参数 , 统一了Sarsa 算法(全采样)和Expected-Sarsa 算法(纯期望),提出了一种统一在策略与离策略的TD 算法, 即Q ( ).其中, 离策略和在策略主要区别是在策略一般只有一个策略(常用贪婪策略). 而离策略一般有两个策略, 行为策略(常用贪婪策略)用于选择新的动作, 目标策略(常用Max 贪婪法)用于更新价值函数. 本文所有提及算法所涉及策略均为上述常用策略.εSarsa 是一种经典的在策略TD 算法, 它将动作值函数作为其估计值, 而非状态值函数. 特别地,对于在策略算法, 其必须根据当前行为策略与所有状态动作估算最优Q 值. Sarsa 算法至始至终只使用贪婪策略更新价值函数和选择新的动作, 其更新方式如下:Q k +1(s,a )=Q k (s,a )+αδsk(1)9 期席磊等: 分布式多区域多能微网群协同AGC 算法1819R k +1+γQ k (s k +1,a k +1)其中, 称为TD 目标, 奖励加上下一个状态和下一个动作的折扣值组成.Expected-Sarsa 作为一种离策略学习算法, 可将Q学习算法推广到任意目标政策, 根据目标策略利用下一个状态−动作值对的期望值进行Q 值估算:δesk α其中, 是第k 个预期TD 误差. 虽然Expected-Sarsa 在计算上比Sarsa 更复杂, 但作为回报, 它消除了由于下一个动作随机选择而产生的方差. 当经历相同的探索经验, Expected-Sarsa 的表现优于Sarsa. 此外, 在步长参数的取值范围内, Expec-ted-Sarsa 表现比Sarsa 有显著改善.0<σ<1σ=0σσσ=1σ=0,当时, 性能优于或1极端情况,故Q ()算法是通过采样参数在Sarsa ( ,全采样)更新和Expected-Sarsa ( 纯期望)更新之间进行线性加权:δσk σ式中, 是经参数加权后的TD 误差.σ,λ1.2 DQ( )算法σσ,λσσσ=0σ,λλσ=1σ,λλ以离散时间马尔科夫决策过程为数学基础, 基于Q ( )算法并融入资格迹, 提出了一种新颖的快速多步算法Q ( ), 以解决Q ( )的时间信度分配问题, 进而可提高AGC 机组功率调节快速性.其TD 目标是Sarsa 和Expected-Sarsa 的加权, 其中参数为控制权重. 当时, Q ( )的目标等于Q ( )目标, 因此资格迹更新减少到标准累积资格迹更新. 当时, Q ( )的目标等于Ex-pected-Sarsa ( )目标, 资格迹是目标策略当前动作概率的线性加权. 资格迹更新方式为σ,λQ( )的迭代更新式为σ,λσ,λσ,λQ A Q B Q Q A +Q B Q A Q B 同时, 为了解决本文的核心问题, 即策略探索过程中动作值高估问题, 在Q ( )的基础上采用去耦 “动作选择” 和 “动作评估” 相结合的双重学习, 进而形成Double Q (), 下面简称DQ ( ).本文中使用两个不同的值函数和替代单一值函数 , 对使用行为策略并对动作进行采样, 在每次迭代中随机更新值函数与 :Q A Q B σ,λ当更新或时, DQ ()的TD 误差则按以下方式进行更新:δA k Q A δBk Q B γπ(a |s k +1)其中, 为更新时产生的TD 误差, 为更新时产生的TD 误差, 为折扣因子是将状态映射到动作概率的动作函数.σ,λ2 基于DQ( )算法的AGC 设计σ,λ基于DQ ( )的多能微网群分布式多区域多智能体协同控制架构如图1所示, 智能体全面感知源−网−荷−储设备运行信息. 对于多区域互联电网联络线和频率偏差模式下的AGC, 国内外常用的评估方法是北美电力可靠性委员会提出的CPS 标准[25].2.1 AGC 奖励函数σ,λ本文将以CPS 、ACE 、频率偏差作为综合目标函数以获取最优AGC 机组出力, 进而在最优AGC 控制策略下达到系统功率平衡. 基于DQ ( )的AGC 控制器某i 区域的综合奖励函数表示为1820自动化学报46 卷τi C CPS 1i (k )E ACE i (k )a ord −i (k )a ∗ord −i ω1i ,ω2i µ1i ,µ2i C ∗CPS 1i E ∗ACE i 其中, 为任意非负数, 本文取0; 与分别为CPS1和ACE 在第k 步迭代时刻的瞬时值; 为k 时刻的控制动作集A 的指针; 即功率控制动作为0时的指针, 引入动作变化项, 是为了限制控制器输出功率指令频繁大幅度升降引起的系统振荡和经济代价; 和分别为状态输入和控制动作的优化权值, 相当于线性二次型调节器控制性能指标中的Q 和R 权值参数[26]; 为CPS1指标控制期望值; 为ACE 控制期望值.2.2 参数设置及算法流程AGC 控制系统的设计需要对系统参数进行合理的设置, 其中:α(0<α<1),α1)学习率表示要给改善的算α(σ,λ)ασ,λα法更新部分多少信任度, 较大的值会加快DQ 算法的收敛速度, 而较小的值能保证控制器的搜索空间, 从而提高DQ ( )算法收敛的稳定性,本文取为0.1.γγγγγ2)折扣因子 (0< <1), 函数的未来奖励的衰减值, 当趋向于1时, 考虑长期奖励, 当趋近于零时, 只能看到当前奖励. 本文取为0.9.λλλ3)资格迹衰退系数 (0< <1), 其主要作用是在状态−动作对中分配信誉, 影响收敛速度, 本文取为0.95.σσσσλλλσ4)控制采样权重 (0< <1), 具有中等的Q ( )可以胜过Double Q ( )、Double Expected Sarsa ( )和Double Sarsa ( )算法. 本文参数取为0.5.ACE/D f /CPS 实时监测系统及长期历史数据库1ACE/D f /CPS 实时监测系统及长期历史数据库2状态量状态量奖励值奖励值DQ(s , l )控制器 1DQ(s , l )控制器 iDQ(s , l )控制器 2实时数据实时数据实时数据工厂区域 1光伏发电风能发电D P ord −1D P T−12D P T −2iD P T −i 1D P ord −2D P ord −i电动汽车城市核电站物理连接信息连接ACE/D f /CPS 实时监测系统及长期历史数据库 i状态量奖励值燃料电池柴油发电厂生物质能小水电微型燃气轮机风能发电光伏发电飞轮储能区域 2区域 i家庭城市电动汽车风能发电光伏发电水电站火电厂核电站工厂图 1 多能微网群多区域协同控制架构Fig. 1 multi-energy microgrid group multi-regioncooperative control architecture9 期席磊等: 分布式多区域多能微网群协同AGC 算法1821εεεεεεσ,λ5)探索率 (0< <1), 策略以1− 的概率选择当前最大值的动作, 以的概率随机选择新动作.本文仿真预学习时取0.5, 在线运行时取0.9.DQ ( )的算法流程如图2所示.3 仿真研究3.1 改进的IEEE 标准两区域负荷频率控制模型∆P G 将电池储能系统(Battery energy storage sys-tem, BESS)[27−28] (如图3)融入IEEE 标准两区域负荷频率控制模型[29], 改进后的模型如图4所示. 其中, P ref 为储能系统目标指令; P req 为经过并网能量转换系统和响应延时后的功率需求; T PCS 、T DB 分别为并网能量转换环节和响应延时−时间转换环节的时间常数; Ts 为仿真时间与实际时间关系的转换系数; , P BESS , S SOC 分别为经过电池储能电源∆P G ∆P tie 后的有功功率、实际的有功功率、荷电状态; K T 为积分电量计算时间常数, 其值与仿真时间步长相关;E B 为储能系统额定容量; S SOCinit 为储能荷电状态初始值; f (S SOC )描述了储能输出功率与荷电状态的映射关系. B i 为各区域的频率偏差因子, 为发电机输出功率, T g 为调速器时间常数, T t 为汽轮机组时间常数, T p 为频率响应等效函数系数, T s 为二次时间延时, K p 为频率响应等效函数系数,T 12为联络线时间常数, 为联络线交换功率.采样周期为4 s, T PCS = 0.01 s, T DB = 0 s, Ts = 1s; 荷电状态限幅环节的控制区间为(10, 90); 荷电状态理想运行区间设定为[30, 70], 仿真初始储能荷电状态为50%.σ,λπ∗∆f 0.05∼0.2在线运行之前, DQ ( )需进行充分的预学习, 即通过随机探索试错训练, 使控制器收敛于最优策略 , 再投入到真实仿真环境参与在线优化运行. 而对于多能微网群的控制性能, 可通过CPS 、联络线交换功率偏差P tie 、频率偏差 (合格范围±( ) Hz)进行评估. 为兼顾互联区域的频率稳定性和本区域的经济性, 取CPS1接近而不是大于200%为最优. CPS 标准具体如下:1) 若CPS1≥ 200%, 且CPS2为任意值,CPS 指标合格;2) 若100% ≤ CPS1< 200%, 且CPS2 ≥ 90%,CPS 指标合格;3) 若CPS1< 100%, CPS 指标不合格.3.1.1 正弦负荷离线预学习(σ,λ)(σ,λ)(σ,λ)∆f max 在预学习阶段, 引入正弦负荷扰动(周期1 200 s,幅值1 000 kW, 时长10 000 s), 对DQ 进行训练探索使其收敛于最优策略. 图5给出了DQ 控制器负荷扰动下两区域预学习性能指标, 由图5(a)可见两区域DQ 控制器在2 000 s 以内基本可以跟踪负荷扰动曲线. 图5(b)为联络线交换功率偏差变化曲线, 两区域P tie (交换功率偏差绝对值的平均值)为1.2255 kW. 图5(c)是扰动下的频率变化曲线, 两区域的 (最大频率偏差)分别为0.049 Hz 和0.055 Hz, 远小于实际工程要求0.2 Hz,可见控制器具有较强的稳定性. 图5(d)为两区域E AVE-10-min (10 min ACE 的平均值)的学习曲线,其值分别为1.7214 kW 、1.9864 kW, ACE 的10 min 考核指标值始终保持在2 kW (2‰)以内. 图5(e)为A 、B 两区域CPS1AVE-10-min (10 min CPS1的平均值)在学习过程的变化曲线, A 、B 区域的CPS1AVE-10-min 分别是199.4934%、199.2681%,CPS1的10 min 考核指标值保持在185%以上.σ,λ图 2 DQ ( )的算法流程σ,λFig. 2 Algorithm flow of DQ ( )1822自动化学报46 卷||Q k (s,a )−Q k −1(s,a )||2≤ς(ς=0.0001σ,λ(λ),(σ),(λ)σ,λ∼σ,λσ,λ另外, 在最优策略中, 选择2范数为指定标准)作为预学习达到最优策略的终止标准[30], 图5(f)中为预学习期间A 区域Q 函数差分的收敛结果. DQ ( )收敛于第255步(仿真步长为4, 即预学习需1 004 s).基于全球微波互联无线通信技术, 每次信息传输和迭代计算所需时间为1 ms, 即系统的调节时间为1.004 s, 满足实际电网AGC 系统4 s 的时间尺度要求. 图5(g)为引入Q, Q Q PDWoLF-PHC 智能算法的对比收敛效果, 由图可知DQ ( )算法可提高收敛速度93.92% 98.98%. 综上表明,在经过大量的训练探索后, DQ ( )控制器已逼近确定性最优CPS 控制策略, 可将DQ( )控制器投入真实环境运行.3.1.2 阶跃、随机白噪声负荷在线运行λσλσ,λσ,λ∆f |σ,λ∆f |∼在线运行时, 对两区域模型引入阶跃负荷扰动,模拟大规模随机扰动情况. 对Q, Q ( ), Q ( ),PDWoLF-PHC( ), DQ ( )五种算法的控制器引入了时长9 000 s 、幅值1 000 kW 的阶跃负荷扰动进行仿真对比分析. 图6为A 区域分别基于5种智能算法的AGC 控制器的控制性能指标, 图6(a)是联络线交换功率偏差变化曲线, 各算法P tie 分别为9.7430 kW 、1.5367 kW 、0.6725 kW 、0.6296 kW 、0.4514 kW, DQ ( )控制器所产生的交换功率偏差最小. 图6(b)是5种算法频率变化曲线对比效果图, 各算法| 分别为0.0047 Hz 、0.0016 Hz 、0.0014 Hz 、0.0014 Hz 、0.0008 Hz, 相较于其他算法,DQ ( )的| 降低了42.85% 82.97%. 图6(c)图 3 BESS 仿真模型Fig. 3 BESS simulation model图 4 改进的IEEE 标准两区域负荷频率控制模型Fig. 4 Improved IEEE standard two-area load frequency control model9 期席磊等: 分布式多区域多能微网群协同AGC 算法1823σ,λ∼为10 m i n A C E 的平均值, 各算法值分别为19.8983 kW 、4.4539 kW 、3.3934 kW 、3.4009 kW 、2.5961 kW, DQ ( )的ACE 降低了23.66% 86.95%. 图6(d)为10 min CPS1的平均值变化曲σ,λ∼线, 5种算法值分别是199.4404%、199.8431%、199.8849%、199.8998%、199.9122%, DQ ( )的CPS1提高了0.0062% 0.2365%.为考虑更加实际的运行情况, 进一步验证所提Time /sTime /sTime /sTime /s 04 000 6 0002 5002 0001 5001 000500Q(l )2 00005001 0001 500Q10 00020 00030 00001 0005001 50005 00010 0002 0001 0004 0005 0003 000PDWoLF-PHC(l )0 2 000 4 000 6 000(g) 对比算法预学习收敛效果(g) Contrast effect of algorithm pre-learning函数差分函数差分函数差分图 5 两区域预学习效果及收敛效果Fig. 5 Pre-learning and convergence effect in two area1824自动化学报46 卷σ,λλσλσ,λ∼∼σ,λ算法的控制性能. 通过引入随机白噪声(噪声功率:10 000 kW; 检测周期: 60 s; seed: 23 341)作为负荷扰动, 模拟接入未知的分布式新能源的随机负荷扰动情况, 以5小时的负荷扰动为考核周期, 测试DQ ( )、PDWoLF-PHC ( )、Q ( )、Q ( )、Q 等5种控制器的性能. 图7为上述5种智能算法在A 区域的各项性能考核指标, DQ ( )能降低|Δf | 28.17% 57.73%, 减少|ACE| 6.63% 33.85%. 仿真结果表明, DQ ( )在能源出力不确定、负荷随机波动的情况下仍然能保持稳定的控制效果.3.2 分布式多区域多能微网群协同AGC 模型综合能源系统作为能源互联网的物理载体, 能够利用其多能互补的优势, 对不同类型的能源进行协调管理和分配, 在满足用户多种能源需求的同时,进一步减少温室气体排放、提高能源综合利用率和降低能源供应成本. 在传统模式下, 多区域综合能源系统由于地理位置分散, 往往都是独立运行,彼此间缺乏协调控制, 容易存在资源配置不合理等问题.σ,λ因此, 本文搭建了融入大量新能源的分布式多区域(以3区域为例)多能微网群协同AGC 模型,以验证DQ ( )的实际工程应用效果. 模型中包括光伏、风电、小水电、微型燃气轮机、柴油发电机储、生物质能、燃料电池[31−33], 其拓扑结构如图8, 模型参数如表1. 其中Area 1和Area 3模型参数和机组参数相同, 3区域的调节功率分别为2 350 kW 、2 590 kW 和1 840 kW, 表2为AGC 机组的参数.其中, 光伏发电、风电和电动汽车不参与系统调频,仅作负荷扰动处理.σ,λσ,λλσλσ,λ考虑到众多新能源的间歇性和强随机性, 再通过引入随机负荷(幅值1 000 kW, 周期300 s)信号模拟真实电网环境中所面临的不确定性, 进行24小时实时仿真, 验证DQ ( )的实际工程应用效果. 分别针对嵌入了DQ ( ), PDWoLF-PHC ( ), Q ( ), Q ( ), Q 等5种算法的控制器进行仿真. 图9为各控制器输出曲线(方便效果对比, 仅截取前2 000 s). 相较其他算法, DQ ( )控制器仿真曲线更加平滑、收敛速度更快; 图10为频率曲线, 上述5种算法最大频率偏差分别为0.17 Hz 、0.12 Hz 、0.18 Hz 、0.17 Hz 、0.06 Hz 均满足实际工程要求, 可各控制器A 区域24小时|Δf |分别为0.0005 Hz 、0.0013 Hz 、0.0017 Hz 、0.0027 Hz 、图 6 阶跃负荷扰动下不同算法的性能指标Fig. 6 Performance index of different algorithms understep load disturbance109876543210200.00199.99199.98199.97199.96199.95199.94199.93199.92199.91QQ (l )Q (s )PDWOLF-PHC (l )DQ (s , l )ACE CPS8.794 26.508 45.060 3 5.175 1 3.717 2199.989 5199.94199.992 8199.992 9199.995 11.871 31.639 91.285 1 1.325 8 1.237 8f 值 (×10−4)图 7 随机白噪声扰动下不同算法的控制性能Fig. 7 control performance of different algorithms understochastic white noise disturbance9 期席磊等: 分布式多区域多能微网群协同AGC 算法1825σ0.0045 Hz, 对比可知所提算法频率调整效果最优调整时间更短; 图11为区域联络线功率偏差曲线,P tie-max (最大联络线交换功率偏差)分别为22 kW 、108 kW 、18 kW 、27 kW 、99 kW, 除Q ( )算法, 均能在之后保持在3 kW 的范围内. 此外, A 区域24小时的CPS1分别为199.9807%、199.9338%、199.9201%、199.7749%、199.4645%, ACE 分别为0.8673 kW 、1.6622 kW 、2.5792 kW 、4.6971 kW 、1/1+PK s TurbineInverter图 8 分布式3区域多能微网群协同AGC 模型Fig. 8 Coordinated AGC model of a distributed three-area multi-energy microgrid group1826自动化学报46 卷(σ,λ)5.6927 kW. 上述指标进一步证明, 相较于其他传统算法, DQ 算法不仅均满足控制性能标准(如第3.1.1节所述), 能实现各自区域内的电热功率平衡, 具有最优控制性能, 进而能够对分布式多区域多能微网群进行协同控制. 同时, 多区域协同控制能够使区域间能量互补, 有效地缓和储能设备的运行压力, 提高了多区域综合能源系统的灵活性和可靠性, 提高资源的利用率.4 结论σ,λ为了对综合能源模式下的分布式多区域进行协同控制, 本文搭建了融入大量分布式能源的分布式多区域多能微网群协同的AGC 模型, 并针对该模型提出了一种多智能体协同的DQ ( )控制算法.所提算法融入了资格迹, 不仅用于解决强化学习的时间信度分配问题, 而且 “后向估计” 机理提供了一个逼近最优值函数Q *的渐进机制, 可提高σ,λAGC 机组功率调节快速性; 同时为解决策略探索过程中动作值的高估, 所提算法在Q( )的基础上采用去耦 “动作选择” 和 “动作评估” 相结合的双重学习.∼σ,λ∼∼∼∼通过对改进的IEEE 标准两区域负荷频率控制模型以及分布式3区域多能微网AGC 模型进行仿真, 结果显示, 与其他智能算法相比, 所提算法能提高收敛速度93.92% 98.98%; 在能源出力不确定、负荷随机波动的情况下, DQ ( ) 仍能保持稳定的控制效果, 区域|Δf |降低61.54% 88.89%、区域联络线功率偏差降低18.51% 79.62%、CPS1提高0.023% 0.25%、ACE 降低47.82% 84.76%,能获得综合能源模式下分布式多区域协同.表 1 模型传递函数的参数Table 1 Parameters of the model transfer function机组参数数值小水电机组二次时延T SH3伺机电动机时间常数T P0.04伺机增益K S 5永态转差系数R P1复位时间T R 0.3暂态转差系数R T1闸门最大开启率R maxopen /(pu/s)0.16闸门最大关闭率R maxclose /(pu/s)0.16机组启动时间T WH1生物发电机组二次时延T SB10调速器的时间常数T GB 0.08蒸汽启动时间T WB 5机械启动时间T MB0.3微型燃气轮机机组二次时延T SM5燃油系统滞后时间常数T 10.8燃油系统滞后时间常数T 20.3负荷限制时间常数T 33温度控制环路增益K T1负荷限制L max 1.2燃料电池机组二次时延T SF2调速器的时间常数T F10.056逆变器增益K F 9.205柴油发电储能机组二次时延T SD7调速器的时间常数T GD 2蒸汽启动时间T WF 1机械启动时间T MD3表 2 AGC 机组参数Table 2 AGC unit parameters区域类型机组序号∆P max in (kW/s)∆P min in (kW/s)∆P rate +in (kW/s)∆P rate −in (kW/s)区域1和区域3小水电G1250− 25015− 15G2250− 25015− 15G3150− 1508− 8G4150− 1508− 8G5150− 1508− 8G6100− 1007− 7G7100− 1007− 7微型燃气轮机G8100− 100 1.2− 1.2G9100− 100 1.2− 1.2G10150− 150 1.8− 1.8G11150− 150 1.8− 1.8燃料电池G12200− 2007− 7G13200− 2007− 7G14150− 1506− 6G15150− 1506− 6区域2小水电G1250− 25015− 15G2250− 25015− 15G3150− 1508− 8G4150− 1508− 8G5150− 1508− 8G6100− 1007− 7柴油发电机储G7250− 2502− 2G8250− 2502− 2G9120− 1201− 1G10120− 1201− 1生物质能G11200− 2003− 3G12200− 2003− 3G13200− 2003− 3G14200− 2003− 39 期席磊等: 分布式多区域多能微网群协同AGC 算法1827图 10 多算法频率曲线Fig. 10 Multi algorithm frequency curve图 9 多算法输出效果1828自动化学报46 卷References1 Meng L X, Savaghebi M, Andrad F, Vasquez J C, Guerrero JM, Graells M. Microgrid central controller development and hierarchical control implementation in the intelligent microgrid lab of Aalborg University. In: Proceedings of the 2015 IEEE Ap-plied Power Electronics Conference and Exposition (APEC), Charlotte, NC, USA: IEEE, 2015. 2585−25922 Brijesh P, Jiju K, Dhanesh P R, Joseph A. Microgrid for sus-tainable development of remote villages. In: Proceedings of the 2019 IEEE Region 10 Conference, Kochi, India: IEEE, 2019.2433−24383 Wang J, Cisse B M, Brown D, Crabb A. Development of a mi-crogrid control system for a solar-plus-battery microgrid to sup-port a critical facility. In: Proceedings of the 2017 IEEE Power and Energy Society Innovative Smart Grid Technologies Confer-ence (ISGT), Washington, DC, USA: IEEE, 2017. 1−54 Suyanto H, Irawati R. Study trends and challenges of the devel-opment of microgrids. In: Proceedings of the 6th IEEE Interna-tional Conference on Advanced Logistics and Transport (IC-ALT), Bali, Indonesia: IEEE, 2017. 160−1645 Behera A, Panigrahi T K, Ray P K, Sahoo A K. A novel cas-caded PID controller for automatic generation control analysis with renewable sources. IEEE/CAA Journal of Automatica Sin-ica, 2019, 6(6): 1438−14516 Jagatheesan K, Anand B, Samanta S, Dey N, Ashour A S,Balas V E. Design of a proportional-integral-derivative control-ler for an automatic generation control of multi-area power thermal systems using firefly algorithm. IEEE/CAA Journal of Automatica Sinica, 2019, 6(2): 503−5157 Zhao Xi- Lin, Lin Zhen-Yu, Fu Bo, He Li, Xu Guang-Hui. Ap-plication of predictive optimization PID method to AGC of power system with windy power. Journal of Power System andAutomation, 2019, 31: 16−22(赵熙临, 林震宇, 付波, 何莉, 徐光辉. 预测优化PID方法在含风电电力系统AGC中的应用. 电力系统及其自动化学报, 2019, 31: 16−22)8 Xie Ping-Ping, Li Yin-Hong, Liu Xiao-Juan, Shi Dong-Yuan,Duan Xian-Zhong. Optimal PI/PID controller design of AGC based on social learning adaptive bacteria foraging algorithm for interconnected power grids. Proceedings of the Chinese Society of Electrical Engineering, 2016, 36(20): 5440−5448(谢平平, 李银红, 刘晓娟, 石东源, 段献忠. 基于社会学习自适应细菌觅食算法的互联电网AGC最优PI/PID控制器设计. 中国电机工程学报, 2016, 36(20): 5440−5448)9 Arya Y. A novel CFFOPI-FOPID controller for AGC perform-ance enhancement of single and multi-area electric power sys-tems. ISA Transactions, 2020, 100: 126−13510 Xi L, Yu L, Xu Y C, Wang S X, Chen X. A novel multi-agentDDQN-AD method-based distributed strategy for automatic generation control of integrated energy systems. IEEE Transac-tions on Sustainable Energy, 2019, DOI: 10.1109/TSTE.2019.295836111 Wu Xin, Shi Jun, Ma Wei-Zhe, Chen Jun-Bin. Automatic gener-ation control of micro grid based on extreme Q-learning al-gorithm. The Journal of New Industrialization, 2019, 9(4): 22−26 (吴新, 史军, 马伟哲, 陈俊斌. 基于极限Q学习算法的微电网自动发电控制. 新型工业化, 2019, 9(4): 22−26)12 Yu Tao, Liang Hai-Hua, Zhou Bin. Smart power generation con-trol for microgrids islanded operation based on R(λ) learning.Power System Protection and Control, 2012, 40(13): 7−13(余涛, 梁海华, 周斌. 基于R(λ) 学习的孤岛微电网智能发电控制.电力系统保护与控制, 2012, 40(13): 7−13)13 Wu Li-Zhen, Lei Ai-Hu, Hao Xiao-Hong. Secondary controlstrategy of microgrid frequency of isolated island based on mod-el predictive control. Journal of Lanzhou University of Techno-logy, 2019, 45(6): 99−107图 11 联络线交换功率偏差Fig. 11 Exchange power deviation of tie line9 期席磊等: 分布式多区域多能微网群协同AGC算法1829。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ＤＯＩ：１０．１３３３４８．０２５８－８０１３．ｐｃｓｅｅ．２０１５．１５．００２
文章编号：０２５８ — ８０１３（２０１５）１５－３７５０．１０
中图分类号：ＴＭ７１
ｄｅｃｅｎｔｒａｌｉｚｅｄａｎｄａｕｔｏｎｏｍｏｕｓｆｒａｍｅｗｏｒｋｏｆａｕｔｏｍａｔｉｃ
ｇｅｎｅｒａｔｉｏｎｃｏｎｒｔｏｌ（ＡＧＣ）ｆｏｒｇｅｎｅｒａｔｉｏｎｄｉｓｐａｔｃFra bibliotekｈｗａｓ
控制器跟踪到一个总的发电指令时，实际电网调度人员往往采用按可调容量平均分配法把功率指令分配到各台机组［２１。笔者之前也对ＡＧＣ功率分配优化进行了一系列研究，采用Ｑ学习［３１、多步回溯
ＡＢＳＴＲＡＣＴ：Ｔｏａｄａｐｔｔｈｅｔｒｅｎｄｉｎｄｅｖｅｌｏｐｍｅｎｔｏｆｅｎｅｒｇｙ
关键词：能源互联网；虚拟发电部落； ’ 协同一致性；自动发
电控制：分散自治
ｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍ（ＥＭＳ）ｒｆｏｍｃｅｎｔｒａｌｉｚｅｄｔｏｄｅｃｅｎｒｔａｌｉｚｅｄ，ａ
０引言
自动发电控制（ａｕｔｏｍａｔｉｃｇｅｎｅｒａｔｉｏｎｃｏｎｔｒｏｌ，ＡＧＣ）是能量管理系统（ｅｎｅｒｇｙｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍ，
ＥＭＳ）中的核心环节，自诞生至今仍保持着 “ 调度中心一各个发电厂／机组 ”的集中控制结构 ¨ 】。当ＡＧＣ
互联电网ＡＧＣ功率动态分配的
虚拟发电部落协同一致性算法
张孝顺，余涛
（华南理工大学电力学院，广东省广州市５１０６４０）
ＶｉｒｔｕａｌＧｅｎｅｒａｔｉｏｎＴｒｉｂｅＢａｓｅｄＣｏｌｌａｂｏｒａｔｉｖｅＣｏｎｓｅｎｓｕｓＡｌｇｏｒｉｔｈｍｆｏｒＤｙｎａｍｉｃ
ＧｅｎｅｒａｔｉｏｎＤｉｓｐａｔｃｈＯｆＡＧＣｉｎＩｎｔｅｒｃｏｎｎｅｃｔｅｄＰｏｗｅｒＧｒｉｄｓ
ＺＨＡＮＧＸｉａｏｓｈｕｎ．ＹＵＴａｏ
（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０６４０，ＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ，Ｃｈｉｎａ）
ｒｅｓｐｅｃｔｉｖｅｌｙ，ｔｈｅｖｉｒｔｕａｌｇｅｎｅｒａｔｉｏｎｔｒｉｂｅ（ＶＧＴ）ｂａｓｅｄ
ｃｏｎｓｅｎｓｕｓａｌｇｏｒｉｔｈｍｆｏｒｄｙｎｍｉａｃｇｅｎｅｒａｔｉｏｎｄｉｓｐａｔｃｈｗａｓｐｒｏｐｏｓｅｄ．Ｓｉｍｕｌａｔｉｏｎｏｆｔｈｅｔｗｏ－ａｒｅａｌｏａｄｒｅｆｑｕｅｎｃｙｃｏｎｒｏｔｌｍｏｄｅｌｓｈｏｗｓｔｈａｔｔｈｅｃｏｎｓｅｎｓｕｓａｌｇｏｉｒｔｈｍｂａｓｅｄＶＧＴＣｎａｅｆｅｃｔｉｖｅｌｙｓｏｌｖｅｔｈｅｄｅｃｅｎｒａｔｌｉｚｅｄａｕｔｏｎｏｍｏｕｓｐｒｏｂｌｅｍｏｆｇｅｎｅｒａｔｉｏｎｃｏｍｍａｎｄｄｉｓｐａｔｃｈｏｒｆｆｕｔｕｒｅＡＧＣｉｎｓｍａｒｔｒｉｇｄ．ＫＥＹＷＯＲＤＳ：ｅｎｅｒｇｙｉｎｔｅｒｎｅｔ；ｖｉｒｔｕａｌｇｅｎｅｒａｔｉｏｎｔｒｉｂｅ；ｃｏｌｌａｂｏｒａｔｉｖｅｃｏｎｓｅｎｓｕｓ；ａｕｔｏｍａｔｉｃｇｅｎｅｒａｔｉｏｎｃｏｎｔｒｏｌ；ｄｅｃｅｎｔｒａｌｊｚｅｄａｕｔｏｎｏｍｏｕｓ
第３５卷第１５期３７５０２０１５年８月５日
中
国
电
机
工
程
学
报
Ｖｏ１．３５Ｎｏ．１５Ａｕｇ．５，２０１５￣２０１５Ｃｈｉｎ．Ｓｏｃ．ｆｏｒＥｌｅｃ．Ｅｎｇ
ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ
ｃｏｎｓｔｒｕｃｔｅｄ．Ｔｈｅａｒｅａｐｏｗｅｒｇｒｉｄｗａｓｄｉｖｉｄｅｄｉｎｔｏｓｅｖｅｒａｌ
ｔｅｒｒｉｔｏｒｙｇｉｄｒｓ，ａｎｄｂｙｓｅｌｅｃｔｉｎｇｔｈｅｒｅｇｕｌａｔｉｏｎｃｏｓｔｏｆｅａｃｈｔｅｒｒｉｔｏｙｒａｎｄｒａｍｐｔｉｍｅｏｆｅａｃｈｕｎｉｔａｓｔｈｅＣＯＮｓｅｎｓｕｓｖａｒｉａｂｌｅｓ