编辑推荐:
为解决分布式能源(DERs)高比例接入导致电力系统惯性降低、频率动态加速等稳定性问题,研究人员开展了基于一致性算法的惯性源实时控制与优化研究。提出了一种分布式控制策略,使同步发电机和DERs通过邻域通信实现经济调度最优,并在两区域测试系统中验证了该方法在通信延迟和数据包丢失下的鲁棒性,为低惯性电网的动态管理提供了可扩展解决方案。
随着太阳能、风能等分布式能源(DERs)通过逆变器接口电源(IBRs)大规模接入电网,电力系统正经历从传统被动系统向高度主动动态系统的根本性转变。现代家庭配备屋顶光伏和电动汽车后,不再仅是惰性负荷,而是与电网产生主动交互——这种互动有时会危及电网稳定运行。与此同时,DERs的激增进一步增加了电网控制和运行的复杂性。这些发展呼唤新的系统协调与控制方法。
核心问题在于,可再生能源通过电力电子变换器接入电网,缺乏同步发电机固有的旋转惯性,而惯性是频率调节的关键。随着传统发电机逐渐被IBRs替代,系统惯性下降,导致频率动态加速、偏差加深,故障时引发暂态功率摆动,可能触发保护机制动作,破坏电网稳定。为了应对这一挑战,逆变器控制器被设计用于模拟同步发电机行为,向电网注入合成惯性(或称虚拟惯性)。惯性配置策略——即虚拟惯性的战略性布署——在文献中已被广泛讨论,主要采用优化驱动框架。这些方法通常通过最小化与虚拟惯性和阻尼参数相关的成本函数来指导线性化模型中的暂态系统性能。然而,此类离线技术难以跟踪现实电网的动态脉搏。
针对这一研究空白,本文提出了一种分布式、一致性驱动的惯性控制方案,能够实时优化运行成本,并将传统惯性配置框架与控制优化相结合。在惯性管理方面,已有研究从优化角度采用了多种性能指标,包括基于特征值的振荡阻尼以及时域特征指标:频率变化率(RoCoF)、频率最低点(频率最低点)和频率恢复时间。DERs的参与通常通过优化虚拟惯性和下垂系数来实现,有时采用算法微调。有学者认为,在低惯性场景下,故障后系统行为会偏离常规,需要转向更适合这些动态变化的替代规范——H2和H∞指标。
在控制方面,反馈控制机制通过系统状态与控制输入之间的比例关系来定义虚拟惯性,其中可调增益参数决定系统动态响应。但这些结构通常依赖于集中式计算,对于富含DERs的电网并不理想。随着这些资源的激增,可扩展性要求我们重新思考控制架构。分布式控制能够增强电网韧性,同时适应不断变化的能源结构。
为了应对这些挑战,本研究提出了一种分布式、基于一致性的控制策略,用于协调DERs的惯性响应。目标是确保扰动后的最优运行,使本地控制动作与优化性能目标保持一致。为此,我们选择了惯性相关工作中常用的Kron简化电网模型,并设计了一个使用分布式一致性算法的控制器,实现DERs的最优运行。此外,我们将该控制与传统惯性配置问题相结合,展示了其在现有框架中的兼容性,及其在低惯性电网中可扩展、动态惯性管理的潜力。本文在控制与优化的交叉点进行探索,将它们编织成一个统一框架。
研究人员为开展本研究主要采用了以下几个关键技术方法:首先建立了基于Kron简化的电网动态模型(公式(1)-(2)),将电力系统抽象为多节点微分方程;其次构建了分布式经济调度优化问题(公式(3)),通过拉格朗日法推导最优性条件(公式(4)-(5));然后设计了基于一致性算法的分布式控制律(公式(7)),使各惯性源通过邻域通信实现增量成本λ同步;最后通过数值仿真(四节点系统和两区域八节点系统)验证了算法在通信约束(数据包丢失和时延)下的鲁棒性。
在电网中,惯性体现了扰动后抵抗频率变化的能力,其根本源于同步发电机转子的动能。图1直观展示了惯性放大的效果:较高的惯性常数会减缓频率偏差的速度(黑色曲线的平缓过渡)。本研究的目标很明确:调节惯性源,确保惯性响应期间的最佳性能。
我们定义了发电机和IBRs的惯性响应框架,重点关注运行成本优化。目标是以分布式方式设计系统输入pin(公式(2))以实现最优性。该问题被表述为经济调度优化,我们推导了其拉格朗日函数和最优性条件。这些条件通过一致性算法实现,无需中央控制器即可实时执行。
优化公式化使用公式(2)中的系统模型,我们为每个源i定义了二次成本函数。优化问题被表述为最小化总成本,同时满足总功率平衡约束。拉格朗日函数引入了λ来强制执行功率平衡。最优性条件要求所有源共享相同的边际成本λ,确保发电成本最小。基于一致性的算法同步所有源的λ值。共识律(公式(7))驱动λ值趋于一致,其中σ是共识增益,Ni是节点i的邻域集。通过局部更新,源调整其发电量以满足功率平衡和相等的增量成本,确保达到公式(4)和(5)描述的最优性。
图2展示了系统模型概览。输入pin,i由λi参数化,使得基于一致性的策略能够最小化成本。
鉴于代理仅与直接邻居交换数据,理解通信连接性至关重要。如协同控制理论所确立的,在此类设置中实现共识要求通信图包含生成树——确保所有节点之间存在连通路径。
图3展示了一个六节点系统的不同通信结构,突出了包含和不包含生成树的情况。图4显示了相应的共识行为。其中,在相同初始条件下模拟了共识算法(公式(7)),σ=0.3。当存在生成树时,所有λ值收敛。相反,没有生成树时,节点无法同步,稳定在多个不同的值。此外,更好的通信连接性确保了更快的收敛速度。
从公式(5)中,我们观察到λ和输入功率pin之间的直接关系。这意味着在共识算法期间,λ可能会暂时取到对应于物理上不可行的输入功率值。为了解决这个问题,分布式算法必须设计为能够处理此类场景。我们的解决方案改编自文献[32]的方法。
重要的是,如果pin存在边界,它们会直接转化为λ的边界。具体来说,我们有λi(·)= βi+ 2γipin,i(·), (·) ∈ {min, max}。因此,当一个节点达到其输入功率限制时,相应的λi将固定为λimax或λimin。这个固定值会中断共识过程,因为它阻止了λi的进一步更新。
因此,当节点达到其输入功率限制时,相应的λi变为固定值。这些节点仍然通过转发来自其邻居的信息(不包括其自身的λ值)来参与算法。具体来说,这样的节点计算从其邻居(不包括当前正在接收消息的邻居)接收到的λ值的平均值,并传输此平均值。这如图5所示,并可以用数学公式(8)表示。
本节详细研究了所提出的理论。我们在多种条件下评估了其在多个系统上的性能。首先展示了一个四节点测试系统的结果,随后是一个两区域实际系统。此外,我们研究了所提出的输入如何应用于传统惯性配置问题。为选定的优化问题考虑了多个目标函数。最后,我们检查了通信信道存在噪声或受损的场景,以评估算法的韧性。
图6展示了由公式(2)动力学支配的四节点系统。该系统的参数和额外的仿真设置在附录中给出。
图7展示了时域仿真结果,假设初始条件为零,输入由pin,i= (λi- βi)/(2γi)给出。随着λi在所有节点上同步,增量成本均等化,满足了公式(4)和(5)中的最优性条件。注意,所有λi大约在2秒内达到其最终值。这个收敛时间可以通过改变共识增益σ来调整。图8显示了发电机成本函数随pin的变化,稳态运行点由点表示。注意,λ = ?Ci/?pin,i;因此,这些点的斜率——即增量成本λi——是相等的,确保了经济最优性。
为了评估所提出算法的鲁棒性,我们研究了其在实用通信限制下的性能。具体来说,我们模拟了随机数据包丢失和固定时延对预定义通信信道集上的λ共识动力学的影响。
图9展示了不同通信数据包丢失场景下增量成本变量λ的时域瞬态。省略了θ, ω和Pin的图以保持简洁(参考图7)。考虑了三种情况:(1)节点3和4之间单条丢失信道;(2)节点1-2和2-3之间两条丢失信道;(3)所有通信信道都经历数据包丢失。该图比较了10%和20%丢包率下λ的轨迹。在有一条或两条丢失信道的情况下,算法表现出很强的鲁棒性,λ在10%和20%丢包下遵循几乎相同的轨迹。当所有信道都丢失时,观察到10%和20%丢失场景之间的稳态运行条件略有偏差。尽管如此,λ值保持接近,并且同步得以维持,表明最优性条件仍然满足。
图10说明了通信信道存在时延时增量成本变量λ的时域瞬态。如前所述,考虑了三种场景:(1)仅一条通信信道(节点3和4之间)经历时延;(2)两条信道(节点1-2和2-3之间)受影响;(3)所有通信信道都受到时延影响。分析了两种不同的时延长度:10步时延和20步时延,分别对应大约1秒和2秒的时间滞后。结果表明,算法对通信时延保持鲁棒性,即使所有信道都受影响。尽管存在时延,增量成本变量λ成功实现了同步,表明了底层共识机制的有效性。然而,也观察到更长的时延导致更慢的收敛速度。
图11和图12分别说明了在不同程度的数据包丢失和通信时延下λ1的瞬态响应。在这两种场景中,假设所有三条通信信道都受损。值得注意的是,即使在这些不利条件下,仍然实现了同步,将系统引导至其最优运行点。
从图11中,我们观察到随着丢包率的增加,λ1的稳态值相对于低丢失场景略有偏离。然而,这种偏离仍然很小,并且同步仍然实现。
类似地,在图12中,我们观察到更高的通信时延导致λ1更大的峰值偏差和更长的同步时间。然而,正如预期的那样,这种情况下没有稳态误差,因为时延的影响随时间推移而减弱,并且在稳态下不会持续。
如前所述,我们假设模型(公式(2))中的惯性参数mi是已知的,并且我们的重点在于确保控制算法在执行过程中实现最优性。然而,我们可以将问题表述扩展到mi未知的场景。
电力系统中一个众所周知的问题是惯性配置——战略性地在整个网络中分配惯性以增强电网稳定性。给定输入关系pin,i= (λi- βi)/(2γi),我们可以重新表述问题,以联合优化系统性能并确定适当的惯性分配。
- •
- •最小化最大频率变化率(RoCoF)(公式(12))
我们考虑所提出的输入pin,i= (λi- βi)/(2γi),旨在确定发电机/DER惯性mi的最优分配,使得:(1)最小化所有源在扰动期间的最大频率偏差,以及(2)最小化最大RoCoF。这些优化问题使用Python的scipy.optimize包中的minimize函数求解,采用L-BFGS-B求解器。得到的mi最优值随后在我们提出的控制框架中使用,以确保最优运行和改进的系统动态。
所提出的分布式方法在一个两区域、八母线电力系统上进行了评估,如图13所示,该系统根据文献[10]中的三区域测试系统设计。在此配置中,两个区域通过一条110公里输电线路互联。为了分析目的,该系统使用Kron简化简化为一个六节点等效系统。该系统的参数和额外的仿真设置在附录中给出。
通过最小化两个不同的目标来展示最优惯性配置策略的性能:最大频率偏差(如公式(11)定义)和最大RoCoF(如公式(12)定义)。仿真结果分别显示在图14和图15中。在每种情况下,将系统响应在两种场景下进行比较:(i)优化惯性配置,(ii)未优化(基线)惯性值。优化场景在各自的成本函数上产生了显著降低,如表2所示。在两个实验中,转子角(θ)和频率(ω)的曲线表明在优化惯性配置下具有改进的稳定性特征。具体来说,图14中的最大频率偏差显著降低,图15中的RoCoF被最小化。
在图14中,惯性配置问题的目标是最小化瞬态期间ω的偏差。点线和实线分别表示非优化和优化发电机惯性值情况下每个母线的频率轨迹。通过比较ω图(见图14),可以明显看出,当惯性值被最优选择时,峰值频率偏差显著降低。此外,λ的同步值表明系统已达到最优运行。
类似地,图15展示了惯性配置目标为最小化频率变化率(RoCoF)情况下的仿真结果。在此场景下,优化的发电机惯性值导致最低的最大RoCoF,如公式(12)所定义。虽然RoCoF行为从图15中的ω图可以直观看出,但表2定量地确认了使用优化惯性值的成本函数值小于使用非优化值获得的值的50%。此外,λ值的同步表明共识算法已成功将系统引导至优化运行状态。
[25.00, 8.18, 7.84, 10.42, 13.99, 14.68] |
[25.00, 11.99, 16.57, 10.00, 25.00, 20.00] |
本文介绍了一种基于共识的分布式控制和优化框架,用于管理惯性响应期间的惯性源。我们推导了控制器公式,建立了相应的优化问题,并将传统惯性配置问题集成到此框架中。还考虑了惯性源之间的通信连接性及其发电容量限制。通过使用4母线测试系统和两区域8母线测试系统,我们证明了分布式方法在包括通信时延和数据包丢失在内的现实条件下的鲁棒性和韧性。
未来的工作将研究该方法在应用于更大规模电网时的可扩展性。此外,计划在物理电网或高保真测试平台上进行实验验证,这是关键的下一个步骤。此验证对于确认该方法的实际可行性并展示其在现实运行条件下的鲁棒性至关重要。此外,基于共识的框架将扩展到包含本地负载波动抑制以及与电网辅助服务的交互。这些扩展将能够在现实的配电级和间歇性发电条件下更全面地评估惯性协调。