《Results in Engineering》:Model-Free Online Feedback Optimization for Multi-Converter Hybrid AC/DC Low-Voltage Distribution Networks
编辑推荐:
无模型在线反馈优化(Model-Free OFO)协调多变换器混合AC/DC网络。免雅可比(Jacobian-free)、测量驱动的更新无需详细电网模型。将母线电压维持在±5%范围内,并消除馈线过流越限。在三种24小时案例下,于混合CIGRE低压(LV)基准网
无模型在线反馈优化(Model-Free OFO)协调多变换器混合AC/DC网络。免雅可比(Jacobian-free)、测量驱动的更新无需详细电网模型。将母线电压维持在±5%范围内,并消除馈线过流越限。在三种24小时案例下,于混合CIGRE低压(LV)基准网络上进行了验证。
多变换器混合交直流低压配电网的无模型在线反馈优化研究解读
随着分布式能源(Distributed Energy Resources, DERs)和高比例电力电子负荷的接入,现代低压(Low-Voltage, LV)配电网呈现出高交流负荷、直流充电器和直流负荷混合的快速演变趋势。可再生能源(Renewable Energy Sources, RESs)的利用虽然支持脱碳目标,却带来了谐波畸变、电压越限、稳定性下降、网络安全风险以及电能质量问题,馈线过载和高功率损耗也显著增加了电网管理难度。传统电网运行管理以最优潮流(Optimal Power Flow, OPF)等模型驱动方法为基础,需要精确的系统参数和大量实测数据,而在混合交流/直流(AC/DC)LV网络中,这些信息常常不完整或过时。尽管基于人工智能的优化、元启发式控制等方法已有进展,大多数方法仍依赖精确模型或离线训练;已有的反馈式与无模型优化框架主要在单一交流或直流微电网中验证,尚未扩展到带多变换器协调的混合AC/DC低压配电网。因此,亟需一种计算高效、不依赖详细模型、仅基于实时测量即可运行的优化框架。
针对上述缺口,研究人员提出了一种测量驱动的无模型在线反馈优化(Model-Free Online Feedback Optimization, OFO)框架。该框架将耦合的混合AC/DC低压配电网视为未知非线性映射,仅通过实时测量数据在线估计输入-输出灵敏度,避免在优化器内部使用解析潮流方程、线路参数或网络雅可比矩阵。研究中以CIGRE欧洲LV基准网络为基础,构建了包含800 V直流电网和八个电压源变换器(Voltage Source Converter, VSC)的混合AC/DC试验平台,并在三个24小时负荷场景(Case-0基准交流网络、Case-1交流过载、Case-2 40%直流负载)下对OFO进行了全面验证,同时与基于模型的粒子群优化(Particle Swarm Optimization, PSO)进行对比。结果表明,OFO在所有场景下均能将交流母线电压维持在额定值的±5%以内,并消除馈线过流越限;在相同迭代预算下,OFO的电压与电流调节能力显著优于PSO(2×15),且不需要任何网络模型。该工作为混合AC/DC配电网提供了一种实用、可持续且具备在线监督可行性的无模型优化途径。
在技术方法上,研究人员采用Python/PyDAE动态仿真环境对混合AC/DC网络进行微分代数方程(Differential Algebraic Equation, DAE)建模,并以1 ms固定步长进行隐式梯形积分,代数子系统由稀疏牛顿-拉夫逊法求解。OFO的核心步骤包括:通过有限差分扰动(δ=0.01 pu)对VSC有功通道进行逐列灵敏度估计,构造降阶灵敏度矩阵;采用投影梯度更新计算新的VSC设定值;引入增强拉格朗日(Augmented Lagrangian)方法处理多母线电压和馈线电流不等式约束,通过更新对偶变量和松弛变量实现约束感知。PSO基准在相同15次迭代预算下运行,额外配置PSO(15×50)作为模型依赖上界参考。
结果部分,按原文小标题简述如下:
Case-0 (Base Case):在基准负荷下,无控制时存在一个AC母线电压在约第16小时低于0.95 pu;PSO减小了电压偏差,而OFO使所有母线电压和馈线电流均保持在限值内。
Case-1 (AC Overload):交流过载条件下,无控制时出现多处电压越限和电流压力,PSO仅部分改善,商业馈线仍超过限值16.6 A;OFO完全消除了这些越限,保持电压和电流在安全范围内。
Case-2 (40% DC Loads):高直流渗透场景下,无控制时工业馈线严重超限,PSO控制的商业馈线仍超过26.1 A;OFO使所有AC母线电压保持在0.95–1.05 pu内,所有馈线电流均低于最大限值。
Active and Reactive Power Results:相比无控制情况,OFO在Case-0、Case-1和Case-2中的24小时有功能量节约分别为125.5 kWh(1.2%)、161.2 kWh(1.1%)和121.0 kWh(0.8%),这些节约源于协调VSC设定值降低网络损耗,而非削减负荷需求。OFO在24小时净无功能量交换上分别减少118.2 kvarh(2.5%)、4437.2 kvarh(68.2%)和1304.6 kvarh(26.0%),其机理是VSC在电压敏感点就近提供无功支持,从而减轻了上游馈线的无功传输。
PSO Refined Settings for Optimal Performance – Case-2:当PSO采用50次迭代、15个粒子时,在Case-2下获得了与OFO接近的电压/电流调节和节能效果(122.68 kWh,0.8%),并能向主网输出无功,但其需要完整网络模型和约975 s计算时间,不适合在线无模型监督场景。
Computational Performance and Supervisory-Timescale Feasibility:OFO每次控制步需要约150次模型评估,执行时间约165 s,占1小时控制间隔(3600 s)的4.6%,表明其满足在线监督运行的时间约束;增强PSO(15×50)则需要975 s(27.1%)且依赖模型。
Convergence Characteristics and Comparative Evaluation:在Case-1中,OFO的约束违反指标在8次迭代内单调降至10
?3以下,P
MV0同步稳定;20次随机初始化下收敛成功率为100%,平均8.6±1.1次迭代收敛。与经典OFO、PSO(2×15)和PSO(15×50)相比,OFO以约150次模型评估达到归一化目标值0.09,接近PSO(15×50)的0.06,显著优于经典OFO(0.14)和PSO(2×15)的0.23。
讨论部分指出,OFO与PSO的性能差异主要源于在线监督计算预算和约束处理机制的不同,而非PSO算法本身的能力限制。增强PSO(15×50)在充分计算预算下能达到接近或优于OFO的结果,但需要显式网络模型。OFO的核心优势在于完全无模型运行,仅依赖实时测量,同时具备良好的可扩展性和约束处理能力。该研究结论可概括为:面向混合AC/DC低压配电网提出的无模型OFO框架,能够在无需详细网络模型的前提下,通过在线测量驱动优化VSC设定值,在所有测试负荷场景下满足电压和馈线电流安全约束,并带来降低网损和减少无功交换的附加效益;其计算效率和鲁棒性使其适用于实际在线监督运行。未来工作将扩展到与储能系统协调、更大规模高压AC/DC网络,以及故障条件下的性能评估。