面向分布式电网的多区域协同控制方法研究

针对分布式能源大规模并网所带来的随机扰动问题,从自动发电控制角度提出一种具有优先回放功能和动作空间加权寻优策略的深度强化学习方法,即PRDDQN-AWM。所提方法可以加快启发式方法在平衡“探索-利用”过程中的寻优速度,和深度强化学习的采样效率,来获取强随机环境下分布式多区域电网的最优协同,进而解决分布式能源大规模并网所带来的随机扰动问题,促进分布式能源与电力系统兼容。对改进的IEEE标准两区域LFC模型及广东电网模型进行仿真,验证所提方法能够获得多区域最优协同控制,与多种智能算法相比,具有更快的收敛速度,更优的控制性能。

基于加权果蝇优化算法的多区域频率协同控制

随着大规模可再生能源的开发和应用,电网变得越来越庞大且复杂,如何保证大量不同控制器之间的协调是最值得关注的问题之一。利用微分博弈理论可以解决协同控制的问题。然而,传统算法难以求解带约束的微分博弈问题。此外,现有研究建立的仿真模型几乎是线性的,不利于实际工程应用。针对上述问题,提出了一种基于加权果蝇优化算法(Weighting Fruit Fly Optimization Algorithm,WFOA)的协同进化算法来求解具有非线性约束的多区域频率协同控制模型。仿真结果表明,与协同进化遗传算法和协同多目标粒子群优化算法相比,该方法具有更好的控制效率,同时对系统出现的外部扰动变化及内部机组参数变动具有很好的鲁棒性。

基于改进灰狼优化算法的多区域频率协同控制

微分博弈理论可以解决多区域互联电力系统中频率的协调问题,但对于带非线性约束的微分博弈问题,传统算法难以求解。针对该问题,基于微分博弈理论,建立了多区域频率协同控制模型,考虑了电力系统中常见的非线性约束,并提出了一种基于改进灰狼优化算法的协同进化算法,用于求解该模型的反馈纳什均衡解,从而得到各区域二次调频的协同控制策略。通过仿真验证了所提方法的可行性,并与协同进化遗传算法和协同进化灰狼优化算法进行了对比,结果表明该方法的控制效果更佳。同时,所提方法对系统的功率扰动变化具有稳定的动态响应性能,对机组参数变化具有良好的鲁棒性。