基于离散猴群算法的AGC多目标协调控制策略

魏超， 储召云， 张明星， 孙保功， 庞涛

(1. 国网安徽省电力有限公司六安供电公司， 安徽， 六安 237006；2. 国网南京南瑞集团公司(国网电力科学研究院)， 江苏， 南京 211106；3. 国电南瑞南京控制系统有限公司， 江苏， 南京 211106)

0 引言

在电网技术技术中，自动发电控制(Automatic Generation Control,AGC)是实现发电机组调度与控制的关键技术之一，该技术能够对电网中的有功功率进行合理的控制，对于电网中不同设备应用电功率提供有效的技术保证。由于配电网分布比较分散，AGC系统具有非线性的特点，其耦合性较强，但时变性能力较差，常规技术采用的PID控制很难满足现有技术的应用需求。

针对上述技术的不足，相关学者对不同配电网出现的AGC系统的协调控制进行了相关技术研究。文献[1]提出了一种基于模拟退火粒子群寻优算法的闭环反馈自动发电控制方法，该方法结合了模拟退火和粒子群算法等多方面的优点，通过对控制器关键参数进行寻优最终实现了所控制区域偏差值最小，但该方法在面对配电网中多种数据信息就显得无能为力。文献[2] 通过对自动发电控制系统(Automatic Generation Control,AGC)控制区设置不同的数据条件，对控制策略进行优化，进而满足新能源消纳等电网调度运行要求，实现了联络线的功率控制，这种方法局限性强，适用于新疆电网实际情况，不具有普遍适用性。

针对上述技术不足，本研究采用基于离散猴群算法的AGC多目标协调控制方案，实现多种网配区域的检索和控制。

1 基于离散猴群算法的AGC多目标协调控制方案

假设配电网中存在多种配电节点，每个配电节点都有对应的控制方式，如果选择不同的网配节点[3]并实施相应的协调控制措施就是本研究的重点。基于分布式区域的考虑，本研究构建离散猴群算法进行最优解求解。离散猴群算法在检索AGC多目标网配节点[4]时通过如图1所示的方法进行。

图1 离散猴群算法架构示意图

在图1中，离散猴群算法主要包括迭代计算、控制区域检索和重新确定控制区域[5]3个过程。下面对该步骤进行详细说明。

(1) 输入配电网控制参数和控制节点，对每个配电网控制节点编码。由于分布式配电网节点比较零散，在网源控制[6-7]时，就需要对每个不同的网配节点进行编号。设网配节点的数据集集合为M，将该网配节点类比为猴群，则对具有编号的网配节点猴群中控制节点记作为i节点。网配节点检索出的位置可以通过式(1)进行：

(1)

然后对数据集合进行初始化，则有k=0。

(2) 构建控制目标检索模型，主要包括以下步骤；

(a) 对设置的网配节点进行迭代计算，以查找多种网配节点中需要控制的局部最优解[8-9]，假设检索尺度记作为l。动态检索尺度通过数据集合l=[l1,l2,…,lN]表示，通过调整步长，以动态计算检索尺度，最终提高全局寻优能力，则动态检索尺度可以记作为

li=l0w=l0cos(s/sM)，i=1,2,…,N

(2)

式中，l0表示网配检索尺度的初始尺度，s表示对多个网配节点进行检索时的迭代次数，sM表示检索过程中的最大迭代次数，w=cos(s/sM)表示在不断的数据检索过程中出现的能量衰减值。

(3)

当式(4)成立时，则存在以下关系式：

(4)

通过这种方式不停地进行迭代[11-12]计算，将式(3)和式(4)联立起来，直到检索到的值达到最大为止。

Bi=[Bi(1),Bi(2),…,Bi(N)]

(5)

2 网源控制网配调度

2.1 供应端调度模型

首先进行目标函数构建，以发电站的输出成本效益为最终表示式，即所花费的成本为最低。将该目标函数通过随机变量的最大数学期望值表示，则目标函数表达式如式(6)：

(6)

其中的发电约束条件可以通过以下公式表示：

(1) 配网端发电站输出的发电量平衡约束条件:

(7)

(2) 发电厂实现发电量约束的条件为

(8)

(3) 其中的标准值约束条件为

(9)

在配电网中的储能部件内，释放电量的约束条件为

(10)

2.2 需求端调度模型

在需求端同样以用户输出的最大经济效益为电能调度研究优化目标，用户支付电能的最少值为

fall=fPV,sub+fPV,s+fload

(11)

式中，fall为输送到用户的总电能收益值[16]，fPV,sub为政府对用电用户的补贴收入，fPV,s为在配电网系统中通过电网馈电的收入，fload为通过电网发电的购买电费量。在时间t下，用户的总经济效益目标函数可以表示为

(12)

3 试验结果与仿真

下面对上文所提的方法进行验证，采用的试验条件如表1所示。

表1 试验环境条件

通过表1的试验环境条件，构建配电网拓扑结构，配电网架构示意图如图2所示，并将本研究的方法与对比文献[1]和文献[2]的方法进行对比。

图2 配电网拓扑结构

通过图2的配电网拓扑结构图，设置的配电网设备参数如表2所示。

表2 配电网拓扑结构硬件结构示意图

通过上述硬件条件，对配电网的不同的数据参数如表3所示。

表3 节点配置的负荷数据

在本研究离散猴群算法的AGC多目标协调控制方案中设置的参数如表4所示。

采用不同的猴群规模进行计算，通过文献[1]和文献[2]的方式与本研究的方法进行对比分析，则控制后的节点功率值如表5所示。

表5 节点功率值

通过上述试验，本研究方法在进行AGC多目标协调控制后，电力溢出的数据指数得到大幅度降低，输出的平均电力溢出指数达到0.08，提高了能源利用率，减少了能源浪费。

下面对离散猴群算法检索控制区域的能力进行验证，对比算法模型为BP神经网络模型[18]、DBN算法模型和EMD-DBN算法模型。采用平均绝对百分比误差MAPE和均方根误差RMSE实现误差数据的衡量，通过18小时的控制，检索AGC多目标协调控制的误差通过MAPE计算，则如式(13)：

(13)

RMSE误差公式如式(14)：

(14)

图3 不同模型的预测曲线对比示意图

通过图3可以看到，本研究散猴群算法更精确，在真实值逼近上比BP神经网络模型和DBN算法模型更真实。本研究的方法通过MAPE算法模型计算后误差降低了25.43%左右，通过RMSE算法模型计算后降低了30.37%左右。通过试验可以看到，本研究的方法提高了网配区域控制的精确度。

4 总结

在配电网中，随着能源互联网技术的飞速发展，对于不同配电网网络节点的控制进行了以下技术研究。

(1) 构建出基于离散猴群算法的AGC多目标协调控制方案，实现了不同区域配电网节点的快速检索，克服了网源协调系统中不同系统数据信息协调不灵敏、数据传输不及时等问题。

(2) 通过对供应端调度和需求端调度，能从用户的切身利益出发，解决配电网中不同网配节点的供需不平衡问题，提高了各系统协调、供需能力。

本研究通过试验，虽然在一定程度上具有进步意义，在本研究在进一步的研究中仍旧会存在一些问题，这需要进一步的探索和挖掘。本研究为下一步技术的研究奠定技术基础。