基于非精确交替方向乘子法的虚拟储能电厂分布式协同方法

1.本发明涉及虚拟储能领域，具体是一种基于非精确交替方向乘子法的虚拟储能电厂分布式协同方法。


背景技术：

2.在可再生能源利用背景下，储能成为智能电网、可再生能源高占比能源系统的重要组成和支撑技术，为电力系统运行提供调频、调压等多种辅助服务，有效提高风、光等可再生能源的消纳水平。传统的集中式储能受地理条件等因素的限制，装机容量增速呈逐年下降趋势，表明需求侧分布式的储能单元正得到迅速发展。2019年，国家发改委、国家能源局联合发布关于深化电力市场建设意见，明确表示鼓励储能设施等第三方参与电力系统辅助服务。
3.分布式储能具有单机容量小、数量规模巨大的特点，其有功、无功的调节也更为灵活。如何优化协调配网中数量巨大且特性各异的广义储能设备，为电网提供灵活可靠的功率来源，是分布式储能控制策略研究的主要目标。虚拟储能电厂是虚拟电厂概念的延申，是一系列多元分布式储能系统的聚合，这使得虚拟储能电厂具有与集中式储能电站相似的容量与电网支撑能力，可像独立的抽水储能一样受系统运营者调度，解决了覆盖辽阔区域储能资源的优化利用，成为配网中储能规模化并网利用的有效手段。考虑到未来电网中大量的广义分布式储能单元，传统的集中式控制将难以负担相应的通信成本，而完全分散式控制无法通过储能单元间的配合达到协同控制的效果。采用相邻通信原则的分布式控制具有抗干扰性强、扩展性好、即插即用和保护隐私等优点，更适合当前背景下分布式储能系统的聚合控制，也符合电力系统去中心化的总体趋势。
4.分布式优化算法将原有的集中优化问题分配给各智能体协同解决，能够实现系统内资源的快速优化调度，但难点是获得具有较好收敛性的优化问题分布式求解方法。大量现有研究将分布式优化方法用于电力系统的频率与电压调节中，采用如交替方向乘子算法 (alternating direction method of multiplies,admm)及对偶分解法，特殊的优化问题设计能够有效利用电力系统结构本身的稀疏性特点。虽然admm算法相比于一般一阶优化方法体现出更好的收敛性与鲁棒性，但考虑到算法每步迭代都需求解新的优化问题，利用 admm解决最优控制问题在快速性等方面仍有待提高。


技术实现要素：

5.本发明提供一种基于非精确交替方向乘子法的虚拟储能电厂分布式协同方法，主要解决虚拟储能电厂内部大规模的储能设备协同优化运行，采用非精确对偶优化方法降低各储能智能体的计算复杂度，提升储能设备间的协同效率，满足负荷跟随时，电网对储能聚合体响应速度的要求。
6.一种基于非精确交替方向乘子法的虚拟储能电厂分布式协同方法，包括如下步骤：
7.步骤1：确定配电网系统中的分布式储能接入位置，获取配电网系统的拓扑与结构参数，进而获得系统配电线路的电阻、电抗矩阵；
8.步骤2：根据步骤1获取的配电网系统的拓扑与结构参数，确定电网的电压安全约束与储能设备的运行约束，建立虚拟储能电厂的优化调度模型，所述优化调度模型以实现目标负荷曲线跟随、降低设备使用成本为目标；
9.步骤3：针对虚拟储能电厂内的各分布式储能智能体，将步骤 2建立的虚拟储能电厂的优化调度模型转化为标准优化模型，采用向量化的表征方法突出标准优化模型中的耦合与非耦合约束条件；
10.步骤4：将步骤3得到的标准优化模型转化成对偶问题的形式，在对偶问题中确定标准优化模型的分布式求解方法：构建标准优化模型的增广拉格朗日函数，利用非精确交替方向乘子法推导原始、对偶变量的迭代更新方法，并分配给各储能智能体进行计算，进而实现标准优化模型的分布式求解，当算法达到给定的最大循环次数时，利用原始变量的迭代结果作为分布式储能设备的最优功率设定，以指导实际设备的充放电管理。
11.进一步的，针对所述步骤1中的配电网系统，获取其拓扑与结构参数以及系统配电线路的电阻、电抗矩阵，以此为基础，得到系统的distflow潮流模型：
12.v＝r
l
pn+x
lqn
+v0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
13.r
l
＝m-tdr
m-1
,x
l
＝m-tdx
m-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
14.式中式(1)中v表示由所有节点电压构成的列向量，pn,qn表示由所有节点注入功率构成的列向量，即构成的列向量，即系统中的所有节点由集合表示，v0＝1nv0，v0为配网公共连接点处的电压，1n表示长度为n所有元素为1的列向量；式(2)给出了配电网的电阻、电抗矩阵m为系统图描述的关联矩阵，由系统拓扑结构得到，dr、d
x
分别为ε中所有线路电阻、电抗组成的对角矩阵，m-t
表示m的逆并转置。
15.进一步的，所述步骤2中的优化调度模型表示为：
[0016][0017][0018]
[0019][0020][0021][0022]
式(3)中：为第i个储能设备t时刻的有功和无功功率；储能的运行成本采用二次型表示，其参数为其中表示第i个储能设备t时刻有功使用成本的二次项系数，表示第 i个储能设备t时刻有功使用成本的一次项系数，分别表示第i个储能设备t时刻无功使用成本的一次、二次项系数；
[0023]
根据式(4)中系统的distflow潮流模型中，w潮流模型中，分别表示系统电阻、电抗矩阵r
l
,x
l
的第i列，分别节点i的负荷功率，表示不存在储能的纯负荷节点的集合；
[0024]
式(5)中，为目标负荷曲线，表示储能聚合体具有跟随指令参与电网调度的能力；
[0025]
式(6)表示储能设备的容量限制，为储能设备的无功功率，为储能变流器的视在功率容量；
[0026]
式(7)表示储能设备的有功功率约束，其中为储能的最小、最大有功容量；
[0027]
式(8)表示储能的荷电容量约束，其中soc
min
,soc
max
为储能的最小、最大荷电容量限制，为第i个储能t时刻的荷电容量，η为储能的充放电效率。
[0028]
进一步的，所述步骤2中的优化调度模型，将式(6)的二次型约束转化为线性约束，以方便后续求解：
[0029][0030]
其中参数κ取8。
[0031]
进一步的，所述步骤3令其中x
i,t
是第i个储能t时刻的决策变量，δx
i,t
表示各储能单元的决策变量，表示为上一时刻功率输出与下一时刻功率偏移量之和的形式，所述标准优化模型表示为：
[0032][0033][0034][0035]
式(11)为耦合约束条件，式(12)为非耦合约束条件，式(12)中的δr
i,t
为引入的松弛变量，实现不等式约束到等式约束的转化；
[0036]
式(10)-(12)的参数矩阵与向量ai、e、c、b0、e0、di根据优化模型(3)-(9)得到，即
[0037][0038][0039][0040][0041]
其中
[0042]
[0043]
进一步的，所述步骤4中首先对虚拟储能电厂的标准优化模型进行处理，引入人工约束，以实现分布式求解：
[0044][0045][0046][0047]
式中(18)中，g
i,t
(δx
i,t
)和 h
i,t
(δx
i,t
)分别为目标函数(10)中的平滑与非平滑部分，y
i,t
,z
i,t
分别为式(11)和式(12)约束条件的拉格朗日乘子；t
ij
为辅助变量，表示相邻节点的y
i,t
相等；li为引入的辅助变量，用于确保后续模型的凸性。
[0048]
进一步的，所述步骤4中对于式(18)-(20)得到的标准优化模型可分布式求解形式，构建其增广拉格朗日函数如下：
[0049][0050]
其中为(19)、(20)约束条件的拉格朗日乘子；
[0051]
针对式(21)的增广拉格朗日函数，利用如下的非精确交替方向乘子法，实现优化模型的完全分布式求解：
[0052]
[0053][0054][0055][0056]
其中，k表示迭代次数，[
■
]
+
＝max(0,
■
)，算法的给定参数为σ、τ、c，为引入的算法状态变量。
[0057]
进一步的，针对式(21)描述的原始变量更新，根据非精确最小化思想，推导各储能智能体本地优化问题的解析解，将式(21) 转化为：
[0058][0059]
其中表示对x且在处的梯度值，且
[0060][0061]
式(26)的最优解为：
[0062][0063][0064]
由此，根据得到的得到各储能设备当前时刻的最优功率设定。
[0065]
本发明使得储能聚合体在跟随目标负荷曲线的同时，能够避免电网电压越限，该发明基于非精确交替方向乘子法，在原始变量更新中能够得到储能本地优化问题的闭式解析解，显著降低了优化计算的复杂度，提升了储能设备的协同效率。
附图说明
[0066]
图1是本发明中非精确交替方向乘子法的流程示意图；
[0067]
图2是本发明ieee 33节点配电网中虚拟储能电厂的分布式控制结构图；
[0068]
图3是ieee33节点系统中基于非精确交替方向乘子法的虚拟储能电厂控制效果图；
[0069]
图4是ieee69节点系统中基于非精确交替方向乘子法的虚拟储能电厂控制效果图。
具体实施方式
[0070]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
本发明实施例提供基于非精确交替方向乘子法的虚拟储能电厂分布式协同方法，包括如下步骤：
[0072]
步骤1：所需实施储能分布式电压支撑的配电网结构如图2所示，获取该配电网系统的拓扑与结构参数，根据式(1)-(2)得到配电网系统的电阻、电抗矩阵。
[0073]
步骤2：明确实际电网的电压安全约束、储能系统设备的运行约束，根据式(3)-(8)构建虚拟储能电厂的优化调度模型；
[0074]
步骤3：明确虚拟储能电厂内各储能智能体的耦合与非耦合约束条件，将步骤2中构建的优化调度模型转化为式(10)-(12)中的标准优化模型，根据式(14)-(16)确定其参数矩阵。
[0075]
步骤4：利用非精确交替方向乘子法(如图1所示)对标准优化模型进行分布式求解，选取配电网允许的电压范围设为0.95～1.05 p.u.，配电网公共连接点处的电压设为1p.u.，配电网中共接入20 个储能设备、4个光伏设备，对于本发明所采用的分布式优化算法，取σ＝0.01,τ＝0.05,β＝2e3，c＝1,法，取σ＝0.01,τ＝0.05,β＝2e3，c＝1,储能的额定功率在0.5mw
–ꢀ
1mw的范围随机选择。
[0076]
最终本例中分布式储能的电压支撑效果如图3所示，图3(a) 表示虚拟储能电厂的聚合功率，可见分布式和集中式控制框架下，虚拟储能电厂均能够精准跟随目标负荷曲线；图3(b)给出了集中式与分布式框架下的虚拟储能电厂运行成本，可见分布式控制下虚拟储能电厂的运行成本略高于集中式控制；图3(c)与图3(d) 比较了集中式与分布式控制的电压支撑效果，可见在两种控制方式下，虚拟储能电厂在跟随目标负荷曲线的同时，成功避免了电压越限。图4表示ieee 69节点系统内的虚拟储能电厂取得了与ieee33 节点系统相似的控制效果，其中集中控制策略能够在1分钟内给出储能设备的最优功率设定，而提出的分布式控制在10秒内即可得到相似的储能协同效果。
[0077]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。