能源互联网分布式设备协调控制软件系统平台方案设计

郑宇，程乐峰，孟科，余涛，张睿，李正佳

（1. 南方电网科学研究院，广州市 510080；2. 苏州华天国科电力科技有限公司，江苏 苏州 215000）

能源互联网分布式设备协调控制软件系统平台方案设计

郑宇1，程乐峰2，孟科1，余涛2，张睿1，李正佳2

（1. 南方电网科学研究院，广州市 510080；2. 苏州华天国科电力科技有限公司，江苏 苏州 215000）

在能源互联网背景下，研究复杂多网流系统及其多尺度精细建模问题具有重要意义，基于此，设计一种基于能源互联网技术的分布式设备协调控制软件系统平台。首先研究超大规模分布式设备与配电网的互动机制，以及含电动汽车的分布式设备协调控制，和支持海量的分布式设备协调控制的一致性算法。然后，利用JADE多智能体，设计分布式设备协调控制的软件原型技术框架，及分布式设备并网支撑平台的系统架构。所设计的分布式设备协调控制软件系统方案满足实现大规模分布式设备接入配电网的通用标准，有助于加快分布式设备的投产并网运行，实现资源的优化配置，为发展支持分布式发电、储能、可控负荷等设备即插即用的标准接口提供借鉴和参考。

能源互联网；分布式设备；协调控制；多网流系统；JADE；接入标准

Citation: ZHENG Yu, CHENG Le-feng, MENG Ke, et al. Coordinated Control Software System Platform Scheme Design for Distributed Equipment under Energy Interconnection[J]. The Journal of New Industrialization, 2016, 6(11) : 15-34.

0 引言

自20世纪80年代以来，能源行业的技术基础、组织结构与经济模式就一直在逐步地发生转变[1-3]。推动这一转变的主导性因素包括[2]：①由于化石能源广泛利用所导致的气候变化等环境危机日益深化；②随着人口众多的发展中国家的崛起，传统的依赖不可再生能源的工业与经济发展模式难以持续；③可再生能源与信息技术的快速发展。能源行业变革的最终目标是建立更加高效、安全与可持续的能源利用模式，从而解决能源利用这一人类社会面临的重大难题。能源互联网（energy interconnection）概念[2-3，4-10]一经提出，同时引发了国内外的广泛关注。可再生新能源（renewable energy）风电、光伏发电等作为分布式电源在新的智能电网体系下扮演着重要角色。以分布式可再生能源发电为基础，构建可以实现实时、高速、双向的电力数据读取和可再生能源接入的能源互联网系统。在配网侧和用户侧，能源互联网的主要组成部分包括[11]：分布式可再生能源、储能装置、智能家居和电动汽车等分布式设备。分布式可再生能源是未来世界能源技术发展的重要方向之一，具有能源利用率高、环境负面影响小、可提高能源供应可靠性等优势。

能源互联网的概念被提出后，引发了国内外的广泛关注[2，8，12，13]。作为新能源的风电、光伏发电等作为分布式电源在新的智能电网体系下扮演着重要角色[14]。以分布式可再生能源发电为基础，构建可以实现实时、高速、双向的电力数据读取和可再生能源接入的能源互联网系统[15]。在配电网和用户侧，能源互联网的主要组成部分包括，分布式可再生能源、储能装置、智能家居和电动汽车等分布式设备。分布式可再生能源是未来世界能源技术发展的重要方向之一，具有能源利用率高、环境负面影响小、可提高能源供应可靠性等优势[16]。

能源互联网发展的核心目的是利用互联网及其他前沿信息技术，促进以电力系统为核心的大能源网络内部设备的信息交互，实现能源生产与消耗的实时平衡[2]。因此，为了实现大规模可再生能源，如光伏、风电等的稳定利用，海量分布式设备的广域协调和即插即用将是能源互联网的关键技术，对于分布式设备接入的协调优化与控制是能源互联网的重要研究内容之一。分布式设备的协调与控制重点关注含分布式电源与储能设备的智能配电网或微网的能量管理、无功与电压控制等问题。从智能配电网或微网的角度出发，针对分布式电源、储能、可控负荷等设备接入的研究，文献[17]建立了电动汽车和分布式发电协调控制的多目标优化模型，可很好地匹配负荷和分布式发电的功率波动，降低分布式发电间歇性对电网的影响；文献[18]提出一种多逆变型分布式电源协调控制的微电网谐波控制方法，能够有效地协调多个逆变型电源对微电网中的谐波进行抑制；文献[16]则针对分布式电源及其接入电力系统时的若干研究课题进行了综述研究，包括：当DG在规划方案中的比重增加时，系统的复杂度成倍增加，DG的接入还会对配电系统的结构、负荷预测、变电站的选址等产生的影响；电力系统运行时，DG对电力系统原有的电网频率、电力潮流及电压振荡、高次谐波等产生影响；含DG电力系统发生故障时的特征主要表现在孤岛效应及系统可靠性、短路容量上；浙江大学赵俊华等学者则分别研究了电力信息物理融合系统的建模分析与控制研究框架[19]、从智能电网到能源互联网的基本概念和研究框架[2]及电动汽车对电力系统的影响及其调度与控制问题[20]。文献[21-24]则提出分布式电源、储能和可控负荷等设备的接入主要围绕如下几个方面进行：1）分布式设备接入对配电系统的影响分析，重点关注配电系统稳定性、保护、电能质量和可靠性等问题；2）分布式设备的规划问题，重点在于分布式电源与储能设备在配电系统内的选址与定容；3）分布式设备的协调与控制，重点在于分布式电源与储能设备的智能配电网或微网的能量管理、无功与电压控制等问题；文献[25]则对光伏发电接入智能配电网后的系统问题进行了综述研究，包括光伏电站建模、基本运行特征、光伏电站建设规划及出力预测、含光伏电源的智能配电网规划、网络潮流、电压与无功平衡、电能质量、继电保护、故障与可靠性、微网动态特性、优化调度与协调运行等内容；文献[26]则考虑到电动汽车充电负荷随机分布和局部集中分布两种方式，详细研究了其接入配电网的电压和损耗特性，并对关键因素进行了分析；文献[27]讨论了分布式电源接入配电网侧的的即插即用体系结构，论文分布式电源接入配电网的三种模式和各自的特点。

本文首先分析了大规模分布式设备计入需迫切解决的几个问题，进而研究了超大规模分布式设备与配电网的互动机制，以及含电动汽车的分布式设备协调控制，和支持海量的分布式设备协调控制的一致性算法，基于此，最终设计一种基于能源互联网技术的分布式设备协调控制软件系统平台方案，该平台为基于JADE的多智能体控制平台。同时，给出了分布式设备协调控制软件原型，并设计了分布式设备并网支撑平台的系统架构。所设计平台旨在为实现大规模分布式设备接入配电网的通用标准，优化电力资源配置，实现分布式设备的即插即用，为发展支持分布式发电、储能、可控负荷等设备即插即用的标准接口提供借鉴和参考。

1 大规模分布式设备接入需迫切解决的几个问题

分布式电源大量渗入作为未来智能电网的重要的特征，已经成为不可逆转的发展趋势[27]。尤其在配电网中，其经济、高效且绿色环保的优点将体现得更加完美。但是分布式电源的大量接入同样对已有的配电网络产生诸多不利影响，如间歇性与变化性，导致其难以体现立竿见影的优势。为了充分发挥分布式可再生能源的优点，规避其缺点，结合相关文献研究[2，11，13，27-29]，迫切需要解决如下4个问题。

1.1 适应大规模分布式设备接入配电网的技术标准的需求[2]

考虑到未来能源互联网中分布式设备，尤其是分布式发电设备和可控负荷数量庞大，其接入系统的问题完全由电网公司进行人工规划和设计显然已不现实。这要求能源互联网必须具有极强的可扩展性。未来的电网公司应当主要承担输配电系统的升级与扩容，并确保用户侧的能量管理系统与调度机构间具有足够的通信能力，而不具体干涉分布式设备的接入。这要求能源互联网具有支持分布式设备即插即用的能力。有的学者指出[2，11，27]，能源互联网的关键技术之一就是发展支持分布式发电、储能、可控负荷和电动汽车等分布式设备即插即用的标准接口。

未来的能源互联网是一个信息网络与物理网络高度结合的综合网络[11]。因此，能源互联网的即插即用接口包括物理与信息两个方面。物理接口应当支持各种符合相应电气标准的分布式设备的接入。

能源互联网的信息接口应当可以支持各种分布式设备的识别与通信[2]。实现分布式设备的协调优化与控制的前提是对于能源互联网而言，各种分布式设备是在线的。因此，信息接口需要能够在分布式设备接入后识别其身份及设备类型，而这需要有标准通信协议的支持。目前，支持分布式设备接入的标准通信协议尚不存在。而这种标准通信协议应具备类似于计算机的USB（universal service bus）接口协议，能够快速感知与识别分布式发电、分布式储能、智能家居和电动汽车等分布式设备。为此应研究支持即插即用的标准通信协议，使得即插即用技术（plug and play）能够更广泛应用，以支撑大规模分布式设备接入配电网。

1.2 高速挖掘用户用电行为特征的需求[28]

按照国家能源发展战略的调整和发展低碳经济的要求，我国正在加快建设资源节约型、环境友好型社会，今后电能等绿色能源的使用比重将不断加大，在能源互联网条件下，用电服务面临内外部环境的显著变化，利用大数据环境下有效的智能用电服务体系、基于高级量测体系的配用电信息互动平台、配用电信息之间双向互动、分时电价策略等，着重挖掘用户的用电行为特征，从而有针对性地鼓励用户参与需求响应和有序用电，改变传统的用户用能方式，提高电能在终端能源消费中的比重，从而达到削峰填谷、改善能效、节能降耗的目的。

多元异构数据环境下用户用电行为特征的挖掘，需要两大技术支撑，一个是智能用电终端，用以实时采集用户的用电信息；一个是电力数据云平台。用电信息通过互联网实时上传至电力数据云，并利用大数据平台的强大数据分析计算功能，分析各种家用电器、企业用电设备的运行情况，归纳用户的用电行为。

1.3 基于时空互补性的大规模分布式设备协调控制的需求[2]

能源互联网最重要的核心内涵是实现可再生能源，尤其是分布式可再生能源的大规模利用和共享[13]。为了平抑可再生能源的间歇性，储能设备、可控负荷和电动汽车等分布式设备将是能源互联网的重要组成部分。因此，上述分布式设备的大规模接入是能源互联网的重要研究内容之一。针对分布式电源、储能、可控负荷和电动汽车等分布式设备接入的研究，如若顺利地解决通用标准协议，则接下来可进行如下两方面的研究：1）分布式设备接入对于配电系统的影响分析，其中重点关注对配电系统安全性、经济性和环保性的影响。2）分布式设备的协调与控制。

随着配电系统内分布式电源不断增多，其对配电系统的影响将越来越显著。此时，不论从经济性还是安全性的角度看，仅仅对分布式设备进行局部协调控制是远远不够的。因此，能源互联网研究的重点之一是扩大电力系统的互联范围。这里，互联并不仅指电力一次系统之间通过输配电网络实现的物理互联，而且更应着眼于广域内大规模分布式设备之间的信息交互与协调。如果能切实地利用各区域间的信息互联，就可以更好地利用大规模分布式电源的时空互补性，并充分发挥储能和可控负荷和电动汽车等设备的调峰潜力，进一步提高系统的整体经济性与安全性。

面对已经出现或即将出现的新的问题和挑战，电网调控手段必须改变，需要加强对风电、光伏等新能源的管理，消除电网调度的盲区，解决诸如分布式储能、智能用电设备、电转气设施和电动汽车等分布式资源互补、时空关联、分布与集中的矛盾，实现智能电网调度管理平台上多资源的互补协同利用，改变电力的生产、分配和使用方式。

1.4 高速分布式并行计算引擎的需求[2，29]

能源互联网中拥有大量的用电终端，如果对海量的用电终端进行用电信息的采集、汇总并对其进行数据挖掘，以分析用户的用电行为，计算任务十分繁重；同样地，对于分布式设备的协调控制，需要协调的分布式设备数量很大，其协调优化问题可用一个维数很高的非线性优化模型来描述。对于上述两类问题，采用传统的集中式优化方法求解不太现实。

针对分布式设备数量繁多的特点，数据挖掘算法的分布化和控制方法、优化算法的分布化，为挖掘大规模智能用电终端所隐含的用户用电行为和求解大规模分布式设备的协调优化问题提供了一种新途径。以协调优化问题为例，分布式方法的基本思想是将一个全局优化目标分解为若干个相互独立的局部优化目标，在若干个可以相互通信的节点上分布式求解。每一个节点只负责优化本地决策变量；相邻节点之间通过相互通信实现信息交互。从理论上讲，由于将问题进行了分布求解，因此可取得更快的计算速度。但是针对上述提出的两个问题，目前还没有现成的分布式计算引擎，还需要进行深入研究。

2 超大规模分布式设备与配电网互动机制

为对能源互联网的大量分布式设备进行协调控制，通过激励和科学的成本收益分析，选择符合自身利益的运行特性，实现资源的优化配置，在确定用户互动类型的基础上，研究分布式设备与配电网的互动机制。

2.1 用户互动类型

根据用户互动决策与互动实施之间的时间差，将用户互动分为三种类型，即长周期互动、短周期互动及实时互动。

长周期互动立足长远规划，是用户基于历史信息及未来效益考虑所作的响应，往往通过与电网达成协议，以合同的方式确定下来，实施有利于电网与用户双方的计划及调整，同时用户本身也基于此合同调整自身互动机制。短周期互动主要基于短期历史信息，同时对系统价格信号作合理预测，用以决策目标日用电计划，其决策空间为长周期互动协议之外的用电安排。实时互动则完全基于运行日信息，动态修正日前计划，由于决策点与运行点时差很短，不确定性相比前两类互动高，也是实时调度关注的重点。如表1所示为用户互动类型统计表。图1为基于日前调度计划的用户侧互动的基本流程。

表1 用户互动类型统计表Tab.1 Statistics of user interaction types

2.2 分布式设备与配电网互动机制

主要包括如下两点：

1）基于日前调度计划的用户侧互动[30]

传统的日前调度，由于受尖峰负荷以及能源紧缺等因素的影响，仅依靠发电侧调度无法应对电力日渐紧张的局面，更无法满足节能的目标。基于用户互动响应模型，提出在合理安排发电机组的机组组合方式和出力分配之后，对分布式设备互动与电价采用联动机制，激励用户，有效实现削峰。参与互动的用户在综合考虑自身的需求之后，每日向调度中心提交可调负荷的容量以及补偿的价格，然后跟发电机组一起由调度中心进行统一调度，如上图1所示的基于日前调度计划的用户侧互动的基本流程。利用用户互动，将互动资源作为一种调峰资源，通过赋予用户一定的申请报补偿价格的权利，挖掘用户侧资源的优化潜力，实现用户侧节能优化调度。

2）基于实时调度计划的用户侧互动[31]

由于日前调度几乎在实际情况中可能会遇到天气、事故以及负荷预测的准度等意外因素的影响，而且电网的实际安全运行情况也会具有一定的波动性。为防止尖峰负荷的突然到来或者提前出现，可以将用户互动引入到实时调度计划中来。电动汽车因其负荷响应容量潜力巨大，电池可用时间比较长并且具有快速响应的能力，可以考虑在实时调度计划中利用电价补偿的方式吸引电动汽车在尖峰时刻放电的用户侧互动模型。

图1 基于日前调度计划的用户侧互动的基本流程Fig.1 the basic flowchart of user-side interaction based on dispatch schedule a few days ago

3 含电动汽车的分布式设备协调控制

电动汽车充换电站参与AGC功率分配的框架如图2所示，主要由电网调度中心、电动汽车集中控制中心、电动汽车充换电站以及电动汽车电池构成的。

电网调度中心的主要职责是采集系统的频率偏差和联络线功率偏差，计算总的发电功率指令ΔPΣ，并采用一定的优化算法将总的发电功率指令ΔPΣ分配给风光水火气等AGC电源机组和电动汽车集中控制中心。

电动汽车集中控制中心是电动汽车和电网互动的桥梁，保障了电动汽车和电网之间双向能量的流动。一方面，它将各个电动汽车充换电站的单位调整电量的价格和实时的可调节容量等信息上传给电网调度中心，另一方面，它将电网调度中心下发的总功率指令ΔPEV分配给各个电动汽车充换电站。考虑到在电力市场环境下，电动汽车充换电站分属不同的代理商，在参与系统调频时单位调整电量的价格不同。则从电网公司的利益为出发点，不同电动汽车充换电站之间应采用某种AGC功率分配策略使得电网公司调节成本最小。

图2 电动汽车充换电站参与AGC功率分配的框架Fig.2 Electric vehicle charge and discharge station involves aGC power distribution framework

电动汽车充换电站相当于一个电动汽车代理，对大规模的电动汽车电池实施集群性调度，以满足电网调频容量的需求。一方面，各个电动汽车（EV）电池将其接入电网的起始的荷电状态、额定充电功率、接入电网和离开电网的时间、当前的充电功率、当前的SOC上传到电动汽车充换电站控制中心，另一方面，电动汽车充换电站控制中心根据各EV电池的荷电状态、可调节容量等信息采取某种策略将电动汽车集中控制中心下发给它的功率指令分配给各个EV电池。在所提的电动汽车充换电站辅助调频的框架下，充换电站参与AGC功率分配过程中考虑了调节成本目标，其数学模型具体描述如下：

变量∆Piw和SOCiw的取值范围为：

式（1）～（2）中，f为电动汽车参与系统调频总的调节成本目标；ΔPEVΣ为电网调度中心下发给电动汽车集中控制中心总的发电功率指令；Ciw为电动汽车充换电站i的第w个电池的调节成本系数，且假设在同一个电动汽车充换电站内各个EV电池的调节成本系数是一样的；ΔPi是电动汽车充换电站i的发电功率指令；ΔPiw是分配给电动汽车充换电站i第w个EV电池的发电功率指令；ΔPminiw、ΔPmaxiw是电动汽车充换电站i第w个EV电池的调节容量上下限；SOCmin iw、SOCmax iw分别是电动汽车充换电站i第w个EV电池允许参与系统调频的上下限约束；i为电动汽车充换电站的个数；Wi为电动汽车充换电站i的EV电池总个数。其中，第二约束是为了避免电池反调现象，已减少不必要的调节费用和频繁调节，有利于延长电池的使用寿命。

当负荷发生扰动时，为使得调节成本更低的电动汽车充换电站承担更多的有功功率缺额或过剩，因此，本文选取调节成本作为电动汽车充换电站之间的一致性状态变量，并采用无领导者且功率偏差共享模式的功率分配算法。为了避免电池过冲或过放，减小对EV电池使用寿命的影响，电动汽车充换电站内部采用SOC的比例分摊法[2，32]将电动汽车充换电站总的发电功率指令分配给各个EV电池。

4 支持海量的分布式设备协同控制一致性算法[33-37]

协同一致性算法（collaborative consensus algorithm，CCA）就是使得各智能体基于其相邻智能体的信息状态适时更新自己的信息状态，使得网络中所有智能体的信息状态收敛于一个共同值。考虑到各个智能体之间信息传输需要一定的时间，理想情况下无领导者的离散时间一致性算法，可描述如下[35]：

式中：xi表示第i个智能体的信息状态；k表示离散时间序列；dij[k]表示行随机矩阵D=[dij]∈Rn×n在离散时刻k的第（i，j）项，定义如下：

式中：A=[aij]∈Rn×n表示图G的邻接矩阵，aij≥0表示节点vi与vj之间的连接权重。如果图G为无向图，则邻接矩阵A为对称矩阵。邻接矩阵A的非对角元素aij的物理意义为，信号直接从节点j传递至节点i传输信道的个数。在本文中，其选取原则为：对于有限简单图，邻接矩阵A为（0，1）矩阵，其中对角线元素全为0。

此外，为了满足功率平衡约束，需要选定一个领导者，其迭代规则如下[34，35，37]：

式中：ε为一致性算法的收敛系数，取值为正数；∆P为功率偏差。

简言之，这里提到的CCA算法由领导者和跟随者两个角色构成了CCA算法的基本数学表达式，如下：

从上式中可以发现CCA的物理机制是：①每个智能体通过与相邻智能体的某一状态进行信息交互，并通过加权均值计算来使得自身的状态量与相邻智能体的状态量趋于一致；② 领导者通过获取整个多智能体网络的功率偏差来实时调整自身的一致性变量，促使其他智能体趋于当前负荷断面的一致性状态量。

根据笔者在文献[34]，[35]和[37]中的研究，可得到一致性协同算法的求解流程，如图3所示。

图3 一致性协同算法流程图Fig.3 flow chart of consensus collaborative algorithm

5 基于JADE的分布式设备协调控制软件原型

5.1 JADE的基本概念[38]

JADE是一套免费开源的多Agent系统开发框架，提供了Agent赖以生存的运行时环境。Agent在JADE中是作为一种自治的具有合作能力、通信能力的实体，外部不能获得Agent的引用，即不能直接存取Agent的属性，也不能直接指定Agent的行为。创建Agent的具体任务只能由容器（Container）来完成，返回的结果也只是封装后的Agent。JADE为Agent的任务定义了一种Behaviour类，Behaviour中可以规定Agent执行时应遵循的不同协议，如合同网（FIPAContractNet）等，来实现其交互合作能力。

为支持Agent内部并行活动的高效执行，JADE引入了Behaviour的概念。一个Behaviour就代表了智能体能够执行的任务。在JADE中，行为必须从其父类jade.core.behaviours.Behaviour派生。Behaviour类有很多子类，分别对应着不同类型的behaviours，如Simple Behaviour表示简单行为，Composite Behaviour表示组合行为等。

为了使智能体具有某种行为，编程人员必须利用Agent类的addBehaviour方法向智能体中显示的加入。行为可以在任何时候加入到智能体中。每个从Behaviour派生的行为类必须实现action和done方法。Action方法定义了一系列智能体执行的操作，而done方法表明行为是否结束完毕。如果done方法返回的值为真，那表示这个行为已经执行完毕，可以从智能体的行为池删除。如图4所示为智能体行为的执行流程。

图4 Agent行为执行流程图Fig.4 agent behavior execution flow chart

通信能力是JADE中智能体具有的最重要的特征之一。通信过程中所采用的通信模式为异步消息传递。也就是说，每个智能体都有一个消息队列即mailbox，如果其他智能体需要与其通信时，JADE runtime就把相应消息投递到其mailbox中。当mailbox中出现消息时，相应的智能体被通知，再由该智能体调用Behaviour类中的action（）方法对消息作出响应。多智能体能源互联网控制框架如图5所示。

图5 多智能体能源互联网控制框架Fig.5 Multi-agent energy interconnection controlling framework

5.2 多智能体控制平台

智能体是能感应环境变化并自主寻优运行的软件实体，智能体之间通过交互协作而完成某项特定任务[38-40]。多智能体研究重点在于结合实际应用系统，具体研究任务分解、协作模型、协作控制策略以及多智能体学习方法。本项目所开发的基于JADE技术的能源互联网多智能体控制平台分为三个部分：分布式设备控制优化模型、多智能体控制算法实现模块和实时数据传输模块，多智能体控制平台如图6所示。

图6 多智能体控制平台Fig.6 Multi-agent controlling platform

基于图6，对其中的几个主要功能组件介绍如下。

1）平台服务智能体

FIPA定义了平台应提供的若干服务，包括智能体管理系统ams，目录服务df和消息传输服务。这里为实时控制平台，因此加入同步控制智能体以记录本次循环控制的时间。JADE平台实体化后总是自动生成这四类智能体，为本平台的智能体创建、运行与销毁提供各类服务。

智能体ams主要负责智能体的命名、定位和控制服务。每个智能体必须在ams中注册得到一个有效、唯一的标志AID，用于智能体生命周期的管理。

智能体df也是智能体平台必须的部分，主要提供平台内的黄页服务，例如对其它控制单元可视状态的查询、统计查询信息等。

消息传输服务是默认的跨平台的智能体消息传输机制，提供了不同智能体之间的ACL消息交互机制。在消息传输机制中，ACC是消息传输的通道，MTP是不同ACC之间的消息交互协议。

同步智能体记录了平台当前运行的时间，并根据各智能体的消息处理时间定量计算各智能体的有效同步时间。各智能体的计算结果仅在同步时段内有效。如某类智能体在同步时段内不能完成指定任务，则启动此类备用智能体继续任务。

2）状态输入/控制输出智能体

此类智能体是保证区域控制智能体正常运行的前提。状态输入智能体主要包括接收、解码来自本微电网的实时状态信号、时段信号等，并负责分配给各智能体所需要的状态信号；控制输出智能体负责信号编码，并打包发送给各分布式电源。区间内智能体主要是数据的接收、发送与数据备份。此类智能体实现机制较为简单，在给智能体注册后，即可添加行为TickerBehaviour执行周期性数据收发备份工作。时间间隔等同于AGC时间执行间隔，一般为3-5秒。

3）分布式协调算法智能体

在多智能体控制模块的分布式智能算法中，测量智能体的数据输入为该分布式电源的出力偏差与频率偏差。信息交换智能体则负责接收来自其它电源的状态信号和控制信号和发送本电源的状态控制信号给其它需要区域。随后，各分布式电源的出力信号和馈线状态信号传输到控制选择智能体，选择当前的控制方法。

JADE在处理消息发送时，会为不同的情形选择最合适的传输方法。

a）如果消息接受Agent与发送Agent处于同一容器中，将用Java对象代替ACL消息，通过一个事件对象发送给接受Agent，而不需要任何消息传输。

b）如果消息接受Agent与发送Agent处于同样的JADE平台下，但不在同一个容器中，ACL消息将使用Java RMI发送。同样，Agent也只是接受到一个Java对象。

c）如果消息接受Agent与发送Agent不在同一个平台上，JADE将根据FIPA标准，利用HOP协议和OMG IDL界面来进行消息发送。该过程包括将ACL消息对象翻译为字符串，并把HOP协议视为一个中间件协议来执行远程调用。在接受方会产生一个相应的HOP序列，并生成一个Java的String对象。该对象然后被解析成一个ACL消息对象。最后该消息对象被通过Java事件或RMI调用发送到接受Agent处。

消息的发送与监控过程可以通过Sniffer Agent来查看，其中平台消息监控界面如图7（a）所示，消息发送窗口如图7（b）所示。一般来讲，消息的发送过程由如下步骤的一步或几步组成：

a）创建代表消息内容的类；

b）创建描述这些消息类的ontology；

c）实例化代表消息内容的类；

d）创建Agent通信语言消息（ACL Message）类；

e）将消息接收者装入Agent通信语言消息类；

f）将形式语言名和ontology名装入Agent通信语言消息类；

g）创建消息内容管理器类（Content Manager）的实例；

h）用方法Content Manager. fill content （ACL Message m，Content Element content）格式化消息内容；第九，用方法send（ACL Message m）发送消息。

图7 消息的发送与监控过程Fig.7 Message sending and monitoring process

消息的发送过程在JADE平台上也可通过手动完成。JADE平台中智能体可以通过手动创建，也可通过命令行JAVA语句创建智能体类，进而创建单独智能体。

消息接收智能体虚拟类部分代码如图8所示。

图8 消息接收智能体部分实现代码Fig.8 Sectional implementation code of message receiving smart agent

基于如上图8所示的代码中，消息接收智能体在action动作函数中定义了接收消息的分类和相应的处理函数。当智能体创建完成后可以通过语句ReceiveMess myReceiveMess =new ReceiveMess（）来实现智能体的创建，或者通过对话窗口人工创建，如图9所示。

5.3 基于多智能体控制平台的算法测试[41]

随着发电方式逐渐从传统以同步电机为主导的互联大电网，转变为以分布式电源为基础的微电网结构。因此，有必要利用强化学习（reinforcement learning，RL）方法解决分布式电源、同步发电机和电网之间的协调问题，该方法在实用前需经过预学习阶段，随后在线学习而进行随机最优控制。

结合笔者在文献[41]中的研究，马尔科夫决策过程中，每个智能体在依赖其它智能体动作概率分布的情况下最大化各自的累积奖励值，此时所形成的动态平衡状态即为相关均衡，其数学描述为[41]：

式中：A-i=∏j≠iAj，π为均衡策略，Ri为智能体i的立即奖励函数。如果某一策略π对于所有智能体i、所有动作ai、a-i∈Ai（π（ai）＞0）式（1）均成立，这一策略即为相关均衡动态平衡点。

图9 智能体的创建主界面Fig.9 the agent establishment main interface

相关均衡可以通过线性规划简易求取。对于具有n个智能体、各智能体有m个动作的马尔科夫对策，其动作对总共有mn个，式（7）的线性约束总nm（m-1）个。可以证明，对于任意马尔科夫对策至少存在一个相关均衡点。当均衡点有多个时，就需要给定均衡选择函数f以确定满足选择条件的唯一均衡点。

相关均衡Q学习算法（CEQ）最先由Prof. Amy Greenwald提出，在博弈论、机器学习、无线电传输等领域已有广泛研究。CEQ以离散时间马尔科夫决策过程为数学基础，是一种基于值函数迭代的在线学习和动态优化技术。

给定所有智能体i∈N，所有状态s∈S和动作a∈A（s）在时刻t的Q值：Qit（s，a）；给定均衡策略πt+1；给定均衡选择函数f；相关均衡条件下，由马尔科夫决策规则可定义时刻（t+1）智能体i的值函数Qit+1（s，a）和Vit+1（s），其中

相关均衡策略的线性约束描述为对所有智能体i、所有动作ai、a-i∈Ai（π（ai）＞0）下式均成立：

满足上式的相关均衡策略随着智能体的增多而增多。因此，有必要设计均衡选择函数以保留各智能体相对较大Q值的均衡策略，一种常用的均衡选择函数：最大化所有智能体报酬之和（utilitarian CEQ，uCEQ），在任意状态s中

CEQ学习的物理意义为：对所有可能发生的联合动作策略赋予一定的概率，在概率不为0的动作策略中，每一个智能体对应的Q值都相对较大。因此，CEQ本身具有概率选择机制去平衡利用（Exploitation）与探索（Exploration）。从这个意义上讲，CEQ是收敛的，这与严格的数学证明结果相一致。

文献[41]在研究过程中发现，多智能体DCEQ（λ）控制器能显著减少单智能体Q（λ）控制器控制过程中ACE的“毛刺”现象。因此，DCEQ（λ）控制方法具有比单智能体Q（λ）控制器更好的控制效果，且能很好适应时滞系统。基于JADE平台的智能发电CEQ（λ）协调控制算法原理对解决机网协调问题具有很高的效果，同时文献[41]在IEEE两区域标准频率响应模型和南方电网频率偏差模型上进行了仿真，验证了CEQ（λ）协调控制算法的有效性和正确性。

6 分布式设备并网支撑平台系统架构设计

如图10所示为分布式设备管理的架构关系图，其中分布式电源接入管理系统又细分为设备间隔控制层、协调控制层、接入控制层，如图11所示。

图10 分布式设备管理的架构关系图Fig.10 the framework relationship diagram of distributed equipment management

设备间隔控制层包含光伏发电控制器、风机控制器、储能电池双向控制器及相关测控终端、其它在线监测装置等设备，设备层接受协调控制层的具体执行指令；协调控制层负责风光储等微电网的协调控制，比如调压、调频、运行模式切换策略一般由协调控制层制定，并发送相应的控制命令给设备层具体实施控制，同时负责向接入控制层上送分布式电源或微电网信息。接入控制层接受协调控制层/设备间隔层设备上送的分布式电源或微电网监控信息，并与DMS系统交换信息，主要功能包括分布式电源及微电网运行监视和控制，及相关的高级应用功能。分布式电源控制策略一般由接入控制层综合配电网运行的安全、经济等因素分析制定后下发给协调控制层，进行分解执行。

图11 分布式电源接入管理系统结构Fig.11 the architecture of distributed generation accessing management system

7 能源互联网分布式优化分析及设备协调控制系统方案

7.1 双向系统工作原理

基于前述分布式协调设备优化控制理论研究及第6章分布式设备并网支撑平台系统架构设计方案，最终设计能源互联网分布式优化分析及设备协调控制系统软件方案。该方案设计目标是以Java基础，通过调用Matlab分布式计算引擎，实现高效快速的用电信息数据挖掘和协调优化求解，如图12所示为双向系统（作业管理器Job Manager和Java分析与优化平台）的工作架构。软件设计还将结合MySQL数据库技术，满足软件平台对后台数据的读取和存储要求。此外要求软件的人机交互界面科学且友好，分析计算结果用excel、word等常用办公软件格式输出，方便使用。模型要具有良好的可读性、易维护性，便于修改、升级。

图12 双向系统的工作架构Fig.12 the working architecture of bidirectional system

基于图12，另外，用户侧移动APP采用安卓编写程序，安装于变电站的优化分析控制双向系统（以下简称双向系统）采用Java编程。软件系统的用户侧和全系统的优化控制算法采用Matlab编写，再用Java编程通过接口调用Matlab算法程序，部署于后台云端服务器，该服务器装设于变电站内。移动APP与双向系统在进行优化分析控制时，都通过发送请求由服务器对应响应动作来执行。此外，双向系统还与站内的自动化系统互联以获取电网侧潮流数据，供全系统优化计算使用。

7.2 软件系统平台总体架构

最终，能源互联网分布式优化分析及设备协调控制系统软件架构设计如图13所示，其中蓝色虚线表示数据监测采集传输，红色虚线表示优化控制动作指令传输。

针对分布式发用电管理优化和控制需求，图13所示的设计系统架构包含以下交互功能模块：用户侧APP功能模块和双向系统功能模块，简要介绍如下。

1）用户侧APP功能模块

a）信息业务模块：包括政策公告、电价变动、停电预警信息以及一些报装和抢修报障功能，有利于实现电力公司服务方式的转变，为客户创造更加友好、互动的环境，使客户方便安全、透明经济地用电。电网侧的双向互动系统信息业务模块包括用户信息、用电信息的管理、业务公告发布和提供个性服务功能，能够有效管理片区的各类型用户信息和用电信息，并及时与用户互动。

b）用电管理模块：包括可调负荷设备管理、用户内部电能质量监测、用电模式选择、能效分析、电量统计功能。可实现对用户内部的负荷设备和电源设备的实时监测和能效分析，并借由APP生成的数据图表对用电模式和用发电量一目了然，帮助用户更好地管理用电设备和主动开展节能活动。

图13 能源互联网分布式优化分析及设备协调控制系统软件总体框架设计Fig.13 Overall framework design of energy interconnection distribution optimization analysis and equipment coordinated control system software

c）电能充放管理：针对各类型用户装设的储能装置以及办公楼宇装设的充电桩服务进行管理。包括充电控制、充电状态、实时电价和储能控制功能。帮助用户便捷高效地获知实时的充电设备（如电动汽车）的充电信息和管理控制充电及储能设备，并通过实时电价科学经济地选择充放电时间策略。

2）双向系统功能模块

a）信息业务模块：包括用户信息、用电信息的管理、业务公告发布和提供个性服务功能，能够有效管理片区的各类型用户信息和用电信息，并及时与用户互动。

b）系统优化模块：涉及多目标的全局优化，包括负荷平衡、电能质量优化、无功优化和能效分析功能。系统通过与站内自动化系统相连获取电网潮流参数及区域负荷情况，并通过用户侧采集上传来的用电能效、用电模式、电压电能质量状况进行挖掘分析，综合两侧数据进行系统级的优化。

c）设备控制模块：包括对区域电网内的可调负荷、分布式电源、储能装置和充电装置的控制。结合多目标的系统全局优化结果，进行统一协调控制策略响应，以平稳用户侧负荷设备和充放电设备的波动给电网稳定运行带来的不确定性，通过引导控制使各时段的系统负荷状况比传统模式下更加趋于平衡合理，同时提高电网的电压电能质量。

系统的优化分析与协调控制关键还在电网侧的双向系统中。图12所示的双向系统架构，综合了Java编程和分布式计算技术，将主分析平台与MySQL后台数据库通过数据接口进行对接，实现对历史纪录的读取和分析优化结果的写入更新。Java分析平台可基于云计算技术实现用户用电行为的数据挖掘、能量流的实时监控、负荷需求的统计和预测、分布式设备协同优化等工作。

7.3 集中式协调与分布式控制通讯及接口协议设计

为了用户分布式设备与系统的交互，负责联系二者的监测终端不仅需要与电网调度机构进行信息交换，还能够与用户分布式设备，比如家庭光伏发电系统、智能电器、电动汽车等设备进行通信。这就要求其支持多种通信协议以及具备远距离和短距离通信的能力。远距离通信可采用GPRS、电力载波或者以太网的形式；短距离通信可以采用Zigbee、蓝牙、wifi等方式。考虑到GPRS通信的不稳定性，以及电力载波技术未广泛应用的实际情况，远距离通信采用以太网，即智能监测终端与家庭路由器绑定，直接通过Internet与电网调度机构建立连接。而监测终端与用户分布式设备的通信，如果是一户住户内的，采用wifi通信；如果是楼宇等范围相对广泛的区域，则采用Zigbee通信。

集中协调与分布控制，实际上是通过部署于云端服务器的双向系统程序和用户端的APP程序之间的请求和响应命令来实现的（如图12所示），两者间通过HTTP超文本传输协议进行双向通信的数据传送。用户端通过建立socket来提交请求，服务器端采用Servlet接口接收和响应客户端发来的请求，响应处理的计算结果采用JSON格式交互数据反送给客户端进行解析。

1）Zigbee[42]

ZigBee是基于IEEE802.15.4标准的低功耗局域网协议。根据国际标准规定，ZigBee技术是一种短距离、低功耗的无线通信技术。其特点是近距离、低复杂度、自组织、低功耗、低数据速率。主要适合用于自动控制和远程控制领域，可以嵌入各种设备。

ZigBee协议从下到上分别为物理层（PHY）、媒体访问控制层（MAC）、传输层（TL）、网络层（NWK）、应用层（APL）等，其中物理层和媒体访问控制层遵循IEEE 802.15.4标准的规定。

2）HTTP协议[43]

超文本传输协议（HTTP，HyperText Transfer Protocol）是互联网上应用最为广泛的一种网络协议。HTTP是一个客户端和服务器端请求和应答的标准（TCP）。客户端是终端用户，服务器端是网站。通过使用Web浏览器、网络爬虫或者其它的工具，客户端发起一个到服务器上指定端口的HTTP请求。HTTP服务器则在那个端口监听客户端发送过来的请求。一旦收到请求，服务器（向客户端）发回一个状态行，比如“HTTP/1.1 200 OK”，和（响应的）消息，消息的消息体可能是请求的文件、错误消息、或者其它一些信息。

3）Servlet接口[44]

Servlet（Server Applet），是用Java编写的服务器端程序。其主要功能在于交互式地浏览和修改数据，生成动态Web内容，狭义的Servlet是指Java语言实现的一个接口。Servlet运行于支持Java的应用服务器中。从原理上讲，Servlet可以响应任何类型的请求，但绝大多数情况下Servlet只用来扩展基于HTTP协议的Web服务器。

4）JSON数据[45，46]

JSON（JavaScript Object Notation） 是一种轻量级的数据交换格式，采用完全独立于语言的文本格式，但也使用了类似于C语言家族的习惯，因此具有良好的可读性且易于机器解析和生成（网络传输速度）。实际上JSON就是一种形式上类似于数组的键值对组合的数据，典型的JSON数据如下：{"firstName"："Brett"，"lastName"："McLaughlin"，"email"："aaaa"}。

7.4 多通信协议融合技术

如前文所述，系统的通信包括远程通信网和本地接入网两部分，这两部分共同构成系统架构的通信层级，下面对系统设计的多通信协议作进一步阐述。

远程通信网是电力部门的通信传输网和运营商通信网，分为电力光纤专网、230MHz无线、中压电力线载波、无线公网通信网和有线通信网等。本地接入网主要是由低压电力载波、光纤复合低压电缆（OpticalFiberCompositeLowvoltageCable，OPLC）、微功率无线、Wi-Fi、Zigbee、RS485、同轴电缆等数据传输载体实现。如图14所示，为平台与系统间组网示意图。

8 结论

本文设计了能源互联网分布式设备协同控制软件系统平台方案，在该平台下研究了超大规模分布式设备与配电网的互动机制，以及含电动汽车的分布式设备协调控制，和支持海量的分布式设备协调控制的一致性算法。同时，设计的系统架构在后续研究中，可嵌入不同的分布式设备控制模块。所设计系统支撑分布式设备即插即用的多通信协议融合及相互转换技术，在兼容现有通信协议的基础上，增强配电网对多种绿色分布式电源、储能、智能用电终端和电动汽车等分布式设备的兼容性，大幅提高分布式设备的接入规模。

图14 平台与系统间组网示意图Fig.14 Networking diagram between the platform and system

在配电网和用户侧，能源互联网的主要组成部分包括，分布式可再生能源、储能装置、智能家居和电动汽车等分布式设备。能源互联网的信息接口应当可以支持各种分布式设备的识别与通信，因此，应充分利用能源互联网技术，研究能够在分布式设备接入后识别其身份及设备类型的统一信息接口，能够快速感知与识别分布式发电、分布式储能、智能家居和电动汽车等分布式设备。为此在未来，应着力研究支持即插即用的标准通信协议，使得即插即用技术能够更广泛应用，以支撑大规模分布式设备接入配电网。

[1] 张海龙. 中国新能源发展研究[D]. 吉林大学，2014. H L Zhang. Research on the new energy development in China [D]. Jilin University，2014.

[2] 董朝阳，赵俊华，文福拴，等. 从智能电网到能源互联网：基本概念与研究框架[J]. 电力系统自动化，2014，38（15）：1-11. Z Y Dong，J H Zhao，F S Wen，et al. From smart grid to energy internet：basic concept and research framework [J]. Automation of Electric Power System，2014，38（15）：1-11.

[3] 刘振亚. 中国电力与能源[M]．北京：中国电力出版社，2012：1-3．Z Y Liu. Electric power and energy in China [M]. Beijing：China Electric Power Press，2012：1-3.

[4] J Rifkin. The third industrial revolution：how lateral power is transforming energy，the economy，and the world [M]. New York：PalgraveMacMillan，2011.

[5] 杰里米·里夫金．第三次工业革命[M]．张体伟，孙毅宁，译．北京：中信出版社，2012．Rifkin J. The third industrial revolution[M]. Zhang TW，Sun Y L，translation．Beijing：CITIC Press，2012.

[6] 查亚兵，张涛，黄卓，等. 能源互联网关键技术分析[J]. 中国科学：信息科学，2014，44（06）：702-713. Y B Zha，T Zhang，Z Huang，et al. Analysis of energy internet key technologies [J]. Science China：Information Science，2014，44（06）：702-713.

[7] 刘振亚. 全球能源互联网跨国跨洲互联研究及展望[J]. 中国电机工程学报，2016，36（19）：5103-5110. Z Y Liu. Research on global clean energy resource and power grid interconnection [J]. Proceedings of the CSEE，2016，36（19）：5103-5110.

[8] 周海明，刘广一，刘超群. 能源互联网技术框架研究[J]. 中国电力，2014，47（11）：140-144. H M Zhou，G Y Liu，C Q Liu. Study on the energy internet technology framework [J]. Electric Power，2014，47（11）：140-144.

[9] 慈松，李宏佳，陈鑫，等. 能源互联网重要基础支撑：分布式储能技术的探索与实践[J]. 中国科学：信息科学，2014，44（6）：762-773. S Ci，H J Li，X Chen，et al. The cornerstone of energy internet：research and practice of distributed energy storage technology [J]. Scientia Sinica（Informationis），2014，44（6）：762-773.

[10] 曹军威，万宇鑫，涂国煜，等. 智能电网信息系统体系结构研究[J]. 计算机学报，2013，36（01）：143-167. J W Cao，Y X Wan，G Y Tu，et al. Information systematic architecture for smart grids [J]. Chinese Journal of Computers，2013，36（01）：143-167.

[11] 田世明，栾文鹏，张东霞，等. 能源互联网技术形态与关键技术[J]. 中国电机工程学报，2015，35（14）：3482-3494. J W Cao，Y X Wan，G Y Tu，et al. Technical forms and key technologies on energy internet [J]. Proceedings of the CSEE，2015，35（14）：3482-3494.

[12] 于慎航，孙莹，牛晓娜，等. 基于分布式可再生能源发电的能源互联网系统[J]. 电力自动化设备. 2010，30（5）：104-108. S H Yu，Y Sun，X N Niu，et al. Energy internet system based on distributed renewable energy generation [J]. Electric Power Automation Equipment，2010，30（5）：104-108.

[13] 马钊，周孝信，尚宇炜，等. 能源互联网概念、关键技术及发展模式探索[J]. 电网技术，2015，39（11）：3014-3022. Z Ma，X X Zhou，Y W Shang，et al. Exploring the concept，key technologies and development model of energy internet [J]. Power System Technology，2015，39（11）：3014-3022.

[14] 杨方，王文迪，葛旭波，等. 我国智能电网发展格局及综合评价[J]. 中国电力，2012，45（12）：81-85. F Yang，W D Wang，X B Ge，et al. Comprehensive assessment on development patterns of smart grid in China [J]. Electric Power，2012，45（12）：81-85.

[15] 王继业，郭经红，曹军威，等. 能源互联网信息通信关键技术综述[J]. 智能电网，2015，3（6）：473-485. J Y Wang，J H Guo，J W Cao，et al. Review on information and communication key technologies of energy internet [J]. Smart Grid，2015，3（6）：473-485.

[16] 康龙云，郭红霞，吴捷，等. 分布式电源及其接入电力系统时若干研究课题综述[J]. 电网技术，2010，34（11）：43-47. L Y Kang，H X Guo，J Wu，et al. Characteristics of distributed generation system and related research issues caused by connecting it to power system [J]. Power System Technology，2010，34（11）：43-47.

[17] 李惠玲，白晓民，谭闻，等. 电动汽车与分布式发电入网的协调控制研究[J]. 电网技术，2013，37（8）：2108-2115. H L Li，X M Bai，W Tan，et al. Coordination control for grid-connection of plug-in hybrid electric vehicles and distributed generation[J]. Power System Technology，2013，37（8）：2108-2115.

[18] 王鹤，李国庆，李耀峰，等. 多逆变型分布式电源协调的微电网谐波控制方法[J]. 电力系统自动化，2014，38（23）：33-39. H Wang，G Q Li，Y F Li，et al. A coordination control method of harmonic in microgrid based on multiple inverter interfaced distributed generators [J]. Automation of Electric Power System，2014，38（23）：33-39.

[19] 赵俊华，文福拴，薛禹胜，等. 电力信息物理融合系统的建模分析与控制研究框架[J]. 电力系统自动化，2011，35（16）：1-8. J H Zhao，F S Wen，Y S Xue，et al. Modeling analysis and control research framework of cyber physical power systems [J]. Automation of Electric Power System，2011，35（16）：1-8.

[20] 赵俊华，文福拴，杨爱民，等．电动汽车对电力系统的影响及其调度与控制问题[J]. 电力系统自动化，2011，35（14）：2-10. J H Zhao，F S Wen，A M Yang，et al. Impacts of electric vehicles on power systems versus the versus the dispatching and control problem [J]. Automation of Electric Power System，2011，35（14）：2-10.

[21] A K Basu，S P Chowdhury，S Chowdhury，et al. Microgrids：energy management by strategic deployment of DERs—a comprehensive review [J].Renewable and Sustainable Energy Reviews，2011，15：4348-4356.

[22] J M Guerrero，M Chandorkar，T L Lee，et al. Advanced control architectures for intelligent microgrids [J]. IEEE Trans on Industrial Electronics，2013，60（4）：1254-1262.

[23] E J Coster，J M A Myrzik，B Kruimer，et al. integration issues of distributed generation in distributed grids [J]. Proceedings of the IEEE，2011，99（1）：28-39.

[24] 王成山，李鹏. 分布式发电、微网与智能配电网的发展与挑战[J]. 电力系统自动化，2010，34（2）：10-23. C S Wang，P Li. Development and challenges of distributed generation，the microgrid and smart distribution system [J]. Automation of Electric Power System，2010，34（2）：10-23.

[25] 刘伟，彭冬，卜广全，等. 光伏发电接入智能配电网后的系统问题综述[J]. 电力系统自动化，2009，33（19）：1-6. W Liu，D Peng，G Q Pu，et al. A survey on system problems in smart distribution network with grid-connected photovoltaic generation [J]. Automation of Electric Power System，2009，33（19）：1-6.

[26] 张明霞，田立亭，杨水丽，等. 考虑电动汽车充电负荷空间分布的系统特性分析[J]. 电力系统保护与控制，2014，42（21）：86-92. M X Zhang，L T Tian，S L Yang，et al. Influence of electric vehicle charging load distribution on power grid [J]. Power System Protection and Control，2014，42（21）：86-92.

[27] 郭明珠，王莹，田世明. 基于分布式电源即插即用体系结构的研究[J]. 电气应用，2013，S1：91-95. M Z Guo，Y Wang，S M Tian. Research on plug-and-play system architecture based on distributed generation [J]. Electrotechnical Application，2013，S1：91-95.

[28] 王继业，季知祥，史梦洁，等. 智能配用电大数据需求分析与应用研究[J]. 中国电机工程学报，2015，35（8）：1829-1836. J Y Wang，Z X Ji，M J Shi，et al. Scenario analysis and application research on big data in smart power distribution and consumption systems [J]. Proceedings of the CSEE，2015，35（8）：1829-1836.

[29] 宋炜炜. 基于时空信息云平台的空间大数据管理和高性能计算研究[D].昆明理工大学，2015. W W Song. Research on big spatial data management and high performance computing based on spatiotemporal cloud computing platform [D]. Kunming University of Science and Technology，2015.

[30] Y Iwafune，T Ikegami，J G da Silva Fonseca Jr，et al. Cooperative home energy management using batteries for a photovoltaic system considering the diversity of households [J]. Energy Conversion and Management，2015，96：322-329.

[31] 刘小聪，王蓓蓓，李扬，等. 智能电网下计及用户侧互动的发电日前调度计划模型[J]. 中国电机工程学报，2013，33（1）：30-38. X C Liu，B B Wang，Y Li，et al. Day-ahead generation scheduling model considering demand side interaction under smart grid paradigm [J]. Proceedings of the CSEE，2013，33（1）：30-38.

[32] 胡春泽，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. C Z Hu，X Xie，F Zhang，et al. Research on automatic generation control strategy incorporating energy storage resources [J]. Proceedings of the CSEE，2014，34（29）：5080-5087.

[33] 吕朋蓬，赵晋泉，李端超，等. 基于信息物理系统的孤岛微网实时调度的一致性协同算法[J]. 中国电机工程学报，2016，36（6）：1471-1480. P P Lv，J Q Zhao，D C Li，et al. A consensus-based collaborative algorithm for real time dispatch of island microgrid in cyber physical system [J]. Proceedings of the CSEE，2016，36（6）：1471-1480.

[34] 张孝顺，余涛. 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[J]. 中国电机工程学报，2015，35（15）：3750-3759. X S Zhang，T Yu. Virtual generation tribe based collaborative consensus algorithm for dynamic generation dispatch of AGC in interconnected power grids [J]. Proceedings of the CSEE，2015，35（15）：3750-3759.

[35] 徐豪，张孝顺，余涛. 非理想通信网络条件下的经济调度鲁棒协同一致性算法[J]. 电力系统自动化，2016，40（14）：15-24+57. H Xu，X S Zhang，T Yu. Robust collaborative consensus algorithm for economic dispatch under non-ideal communication network [J]. Automation of Electric Power Systems，2016，40（14）：15-24+57.

[36] 孟子阳. 基于一致性算法的多航天器姿态协同控制研究[D]. 清华大学，2010. Z Y Meng. Study on spacecraft attitude coordination control based on consensus algorithm [D]. Tsinghua University，2010.

[37] 张泽宇，张孝顺，余涛. 孤岛智能配电网下的快速自动发电控制机组一致性协同控制算法[J]. 控制理论与应用，2016，33（5）：599-607. Z Y Zhang，X S Zhang，T Yu. Collaborative consensus algorithm for automatic generation control in an island smart distribution grid [J]. Control Theory & Application，2016，33（5）：599-607.

[38] 席磊，张孝顺，程乐峰，等. 基于JADE多智能体动态博弈的自动发电控制仿真平台研究[J]. 新型工业化，2014，4（11）：5-17. L Xi，X S Zhang，L F Cheng，et al. Research on multi-agent simulation platform for AGC based on JADE [J]. The Journal of NewIndustrialization，2014，4（11）：5-17.

[39] 陈鑫，余涛，席磊，等. 一种新颖的智能发电控制策略[J]. 新型工业化，2015，5（5）：40-48. X Chen，T Yu，L Xi，et al. A new policy for smart generation control [J]. The Journal of New Industrialization，2015，5（5）：40-48.

[40] 席磊，余涛，张孝顺，等. 基于狼爬山快速多智能体学习策略的电力系统智能发电控制方法[J]. 电工技术学报，2015，30（23）：93-101. L Xi，T Yu，X S Zhang，et al. A fast multi-agent learning strategy based on DWoLF-PHC（λ） for smart generation control of power systems [J]. Transactions of China Electrotechnical Society，2015，30（23）：93-101.

[41] 张孝顺，余涛，唐捷. 基于CEQ（λ） 多智能体协同学习的互联电网性能标准控制指令动态分配优化算法[J]. 电工技术学报，2016，31（8）：125-133. X S Zhang，T Yu，J Tang，et al. Dynamic optimal allocation algorithm for control performance standard order of interconnected power grids using synergetic learning of multi-agent CEQ（λ） [J].Transactions of China Electrotechnical Society，2016，31（8）：125-133.

[42] 程乐峰，王克英，余涛. 基于双ATmega128L和Zigbee的电能质量智能诊断仪的设计及其应用[J].电测与仪表，2014，51（19）：92-99. L F Cheng，K Y Wang，T Yu. Design and application of power quality intelligent diagnosis instrument based on dual ATmega128L and Zigbee [J]. Electrical Measurement & Instrumentation，2014，51（19）：92-99.

[43] 戚聿娟. 路由器中基于HTTP协议的应用开发[D]. 北京邮电大学，2008. Y J Qi. The development of applications based on the HTTP protocol embedded router [D]. Beijing University of Posts and Telecommunications，2008.

[44] 曹元大，岳治宇. 基于Servlet的Web数据库接口系统的设计与实现[J]. 北京理工大学学报，2000，20（4）：452-455. Y D Cao，Z Y Yue. Design of implementation of a servlet-based Web database interface system [J].Journal of Beijing Institute of Technology，2000，20（4）：452-455.

[45] 徐志，程乐峰，余涛，等. 基于Android平台的电力节能诊断计算器APP设计与应用[J]. 广东电力，2015，28（11）：116-120. Z Xu，L F Cheng，T Yu，et al. Development and Application of a power energy conservation and diagnosis calculator based on Android platform [J]. Guangdong Electric Power，2015，28（11）：116-120.

[46] 钱哨，陈丹. 基于JSON 数据格式的飞机协同设计应用适配器[J]. 计算机与现代化，2016，23（8）：123-126. S Qian，D Chen. Applied adaptor with aircraft cooperative design based on JSON data format [J]. Jisuanji Yu Xiandaihua，2016，23（8）：123-126.

Coordinated Control Software System Platform Scheme Design for Distributed Equipment under Energy Interconnection

ZHENG Yu1, CHENG Le-feng2, MENG Ke1, YU Tao2, ZHANG Rui1, LI Zheng-jia2
(1.Electric Power Research Institute, China Southern Power Grid Co., Ltd., Guangzhou 510080, China; 2.Suzhou Huatian Power Technology Co., Ltd., Suzhou 215000, China)

It’s of great significance to study the complex multiple network flow system and its multiple-scale refined modeling problems under energy interconnection background, a scheme of distributed equipment coordinated control software system platform was designed based on energy interconnection technologies. First, the interactive mechanism between superlarge distributed equipment and distribution network, the coordinated control of distributed equipment including the electric vehicle, and the consensus algorithm of supporting mass distributed equipment coordinated control were studied. Then based on theory of JADE multi-agent, the technical architecture of distributed equipment coordination control software prototype and the system framework of distributed equipment grid-connected supporting platform were designed. The designed distribution equipment coordination and control software system scheme meets the common criteria for accessing of large-scale distributed equipment to the distribution network. The scheme accelerates the production of distributed equipment in grid-connected operation, achieves optimal allocation of electric power resources, and provides guidance and references for developing of standard interfaces which support plug-and-play of distributed generation, energy storage and controllable load.

Energy interconnection; Distributed equipment; Coordinated control; Multiple network flow system; JADE; Access standard

郑宇，程乐峰，孟科，等.能源互联网分布式设备协调控制软件系统平台方案设计[J]. 新型工业化，2016，6（11）：15-34.

10.19335/j.cnki.2095-6649.2016.11.003

中国南方电网科技项目资助（WYKJ00000027）

郑宇（1986-），男，工学博士，博士后，主要从事电力系统规划、智能电网、能源互联网等方面的研究工作；程乐峰（1990-），男，通信作者，博士研究生，主要研究方向为配网自动化、电力系统优化运行与控制等；孟科（1982-），男，讲师，工学博士，主要从事电力系统运行控制、智能电网、能源互联网等方面研究工作；余涛（1974-），男，博士，教授，主要研究领域为复杂电力系统的非线性控制理论和仿真、智能控制算法等；张睿（1983-），女，工学博士，博士后，主要从事电力系统运行和控制、数据挖掘、智能电网、能源互联网等方面的研究工作；李正佳（1972—），男，硕士，高级工程师，主要从事电力通信、电力系统行业等研究工作