電力系統無功調度控制新方法

0控制理論在大規模風電系統中的應用隨著電氣系統規模的不斷擴大和頻繁任命的電網，電氣系統的能量管理和運營控制面臨著直接挑戰。1)風電出力具有強不確定性。風電出力不確定性大,很難預測,其預測精度也很低,而且預測提前的時間越長,其預測誤差越大。大規模風電的接入使電力系統運行的不確定性增大,迫切需要尋求能夠更好應對風電出力不確定性的調度控制模式和方法。模型預測控制(modelpredictivecontrol,MPC)是解決這一問題的有效途徑。MPC在工業過程控制中一直被廣泛采用。MPC對模型的適應性很強,非常適合應對系統模型不確定性大的問題。文獻研究了非線性MPC的具體算法及其在石油精煉、石油化工等方面的應用;文獻采用非線性模型預測自適應控制技術對氧化氮排放量進行控制;文獻將MPC滾動優化的理念引入電力系統有功調度控制中,對風電機組及傳統機組進行統一優化控制,以提高系統運行的經濟性。除了文獻,MPC用于大規模風電接入電力系統的調度控制問題的研究尚不太多。2)復雜的優化調度和快速的實時控制矛盾。大規模風電的調度控制要兼顧經濟和安全,是一類具有不確定性的復雜大系統多目標優化問題。優化調度和實時控制各自的優化目標和決策的時間尺度是不同的。大系統理論中的分解協調控制方法是解決這一類問題的有效途徑,并已在水火電優化調度中得到應用。文獻建立了考慮水流流動時間影響的梯級水電站群短期優化調度系統的分解協調模型,以三峽梯級電站應用實例證實了減少計算時間、提高模型運算效率的效果。文獻建立了一種描述跨流域梯級水庫群優化補償調節的數學模型,用大系統分解協調原理將問題分解,并通過較高一級的協調,逐次迭代實現整體最優,避免了“維數災”問題。但是,將大系統分解協調原理用于大規模風電接入電力系統優化調度控制問題的研究目前還不多。大規模風電接入電力系統的調度控制,目前已有很多實用的研究成果[7,8,9,10,11,12,13,14,15,16]。文獻給出了CaliforniaISO(CAISO)所采用的基于日前計劃(24h)、短期機組組合(5h)、實時機組組合(15min)、實時經濟調度(5min)、負荷頻率控制(LFC)(4s)模式的五級調度結構,逐級消減風電的不確定誤差。文獻分析了CAISO,NewYorkISO(NYISO),MidwestISO的調度模式,在日前計劃與實時調度之間添加一級基于短期風電預測的日內短期機組組合環節,對提高風電的利用率及系統運行的經濟性具有明顯效果。文獻[11-12]提出通過日內三級協調(6~8h,1~2h,5~15min)的有功調度模式實現風電的逐級消納。文獻分析了美國東西部的風電調度模式,認為加入控制周期更短的調度環節對風電消納的輔助作用效果明顯。文獻比較分析了美國2個風電研究項目,說明了增加日內小時級及以下周期的調度環節對消納風電有重要作用。但到目前為止,已有研究大多是針對問題提出相應的實用解決方案,尚缺乏對這種調度模式機理的分析。本文從更基礎的層面來剖析這一問題,將大系統理論中的分解—協調控制方法融入控制理論中的MPC結構中,形成適用于大規模風電控制過程的分層MPC方法。一方面利用了MPC方法應對風電強出力不確定性的優勢;另一方面又利用分層遞階控制解決了傳統MPC方法在應用中面臨的優化調度的復雜性和實時控制的快速性之間的矛盾。本文工作是對傳統有功調度控制模式的總結及在此基礎上的進一步理論提升,解釋了多級協調有功調度模式的分級機理及控制原則等問題。1理論基礎1.1基于預測模型的匹配MPC本質上是一類基于模型的有限時域閉環最優控制算法,已在工業過程控制中得到很好的應用。在每一采樣周期,控制器以當前時刻的系統狀態作為控制的初始狀態,基于預測模型對未來狀態的預測結果,通過在線滾動求解一個有限時長的最優控制問題從而獲得當前的控制行為,使得未來輸出與參考軌跡之差最小。MPC由模型預測、滾動優化、反饋校正等3部分組成。1c的優化知識預測模型的功能是根據過程的歷史信息和未來輸入預測過程的未來輸出值,為MPC的優化提供先驗知識。預測模型只注重模型的功能,而不注重模型的形式,只要具有預測系統未來動態功能的模型,無論其有什么樣的表現形式,均可作為預測模型。因此,預測模型可以是機理或實驗的,時間連續或離散的,確定性或隨機性的。22滾動優化基于實際系統的輸出反饋結果,通過對控制目標的反復滾動尋優,獲得將來一段時段的最優控制措施。基于mpc的滾動式動態調度優化方法3)反饋校正雖然MPC在進行滾動優化時,優化的基點與系統實際情況一致,但由于系統真實數學模型未知,預測產生的誤差只有在其反映到測量值后才能進行調整,而滾動優化算法提供的是超前控制策略,無法補償這種誤差。因此,需要采用反饋的方式,用實際系統穩態輸出量的量測值來校正。這種反饋作用體現在2個方面:①在優化過程的每一采樣時刻,以對象的實際狀況為基點,修正預測模型,重新進行滾動優化,并循環進行;②控制后,實時檢測對象的實際輸出,當發生干擾時,通過各種反饋策略加以補償。MPC的典型控制結構如圖1所示。其中,反饋校正作用于被控系統,其控制效果會通過量測反映到滾動優化中。為后文敘述方便,這里將模型預測與滾動優化2個功能合稱為滾動優化層。具體到風電有功調度控制過程,傳統的開環動態調度模式在優化初始階段對整個優化周期進行一次優化并將解序列全部下發執行,對于負荷預測精度較高的情況,這種調度模式應用效果較好。大規模風電接入后,風電預測精度遠低于傳統負荷的預測精度,且隨優化時間的延長,風電預測誤差顯著增大,這使得依賴于日前風電預測的傳統開環動態調度模式的結果與實際電網需求偏差較大,亟須對這種調度模式進行改進。一種較為可行的辦法是采用MPC的滾動時域自校正控制策略。以風電輸出功率滾動預測為基礎,在每一采樣周期根據最新的風電預測結果進行優化控制,以有限時段的基于系統實際運行狀態的反復滾動優化代替傳統最優控制的一次離線全局優化,以時段最優代替全局最優,以降低風電預測的不準確性對控制過程的影響,提高控制的魯棒性。具體的優化模型如式(1)所示,其中優化模型的控制變量包括第k個時段的常規機組出力pi(k)及風電機組出力pjw(k);狀態變量包括未來時段的負荷預測需求及未來時段的風電最大出力預測值式中:f1和f2分別為未來負荷需求及風電最大出力預測模型,預測模型以為輸出狀態變量,以風電、負荷歷史出力及數值天氣預報結果為輸入變量;Δpd,i和Δpu,i分別為發電機i的下調和上調步長約束;g(·)≤0表示系統其他安全約束。優化過程每次只將前一個或若干個時段的計劃值下發,并采用滾動預測模式不斷修正其后計劃序列的偏差。由式(1)可知,控制過程中狀態變量與控制變量之間的關系主要有2個:①發電負荷平衡的等式約束,即要求傳統機組和風電場出力之和等于預測的負荷需求結果;②風電場出力的限值約束,即要求風電場每一時刻的計劃出力值必須小于該風電場預測的最大出力值。其中狀態變量———負荷預測需求及風電場預測最大出力值,不斷采用最新采集的數據進行滾動預測修正,因此以上兩式中的控制變量也將隨著狀態量的滾動刷新而不斷修正,從而達到實時反饋校正的目的。可見,由于控制過程采用了MPC建立在實際輸出反饋基礎上的滾動優化策略,使得控制過程能夠及時對預測誤差的影響做出修正。與傳統的最優控制相比,降低了對不確定過程的預測模型精度的要求并提高了控制的魯棒性,彌補了傳統最優控制過程難以解決的風電預測模型精度低、出力不確定性強的缺陷,改善了控制效果。1.2按控制區域劃分的控制結構工業大系統有3種基本的控制結構:集中控制結構、分散控制結構、遞階控制結構。其中,遞階控制結構兼有集中控制和分散控制的優點,同時克服了兩者的缺點,控制性能優異,因而獲得了較廣泛的應用。遞階控制也稱分層遞階控制或簡稱分層控制。其基本思想是采用“分解—協調”原則將復雜大系統最優控制問題分兩步來解決,以降低控制決策的計算量:①把一個復雜的大系統分解成若干個各自獨立但又相互關聯的子系統,由分散的局部控制器實施局部觀測和控制,實現子系統自身的優化目標(自治);②設置高一級的協調器,對各局部控制器實施觀測和控制,協調子系統之間的約束,間接實現大系統的集中式的全局觀測和控制(協調),如圖2所示。由于遞階控制中每個局部控制器處理的信息量不大,可保證局部控制的快速性,而且大系統的分解使得故障分離、風險分散,提高了整個系統的可靠性。通過高一級協調器的協調可以消除分散控制器間的調整動作沖突,實現全局優化目標。分層遞階控制結構按控制功能通常有2種劃分方法:水平劃分和垂直劃分。水平劃分是一種按控制區域分層的空間層面劃分方法,即圖2所示的遞階控制結構。垂直劃分是一種按控制時間周期長短分層的時間層面劃分方法,如圖3所示。大系統處于不確定環境中,在決策時往往需要通過較長時間積累資料和經驗,不斷修正控制過程的目標函數、約束條件和數學模型的不確定參數,以保持系統的最優運行狀態,但是決策的制定和執行卻要求及時、迅速,否則控制就不能適應系統的實時變化。為了解決這一矛盾,一般采取“變粒度”方法將大系統總的復雜決策問題按控制功能或決策性質的分解來分層,垂直地劃分為一些基本的子決策問題,形成多層控制結構。在這種控制結構中,各層在不同時間段內工作,越到上層,時間段越長。每層的決策輸出是下一決策單元的輸入。較高層的功能較復雜,面對較慢擾動,允許的決策時間較長,決策權較大;較低層的功能較簡單,面對較快擾動,允許決策時間短,決策權較小。這種“變粒度”結構有利于任務均衡。具體到風電的實際控制過程,為了實時應對大規模風電出力隨機波動的干擾,要求控制過程響應及時快速,需要較小的采樣周期;另一方面,有功調度控制的經濟性體現在一個長時間的累積過程,需要控制有較長的采樣和控制周期。這種對于采樣周期和校正策略相互矛盾的多目標要求,在傳統的單層控制結構中是很難協調的,因此,需要引入分層的控制結構,在不同的層中采用不同的設計參數分別實現不同的目的,以實現多個控制目標的協調。一般來說,對于控制效果要求較高的控制過程,優化過程應取較大的優化周期,以擴大反映過程未來變化趨勢的信息量,覆蓋被控對象的主要動態響應,如負荷爬坡過程,保證優化結果的連續性,增強克服各種不確定性和復雜變化影響的能力,使閉環系統具有所期望的穩定性。同時,有功調度的經濟性要求也需要一個較長時間的積累過程,要求控制有較長的采樣周期。因此,最優化層的優化周期取為目前風電場風電超短期預測的最大周期4h。同時,從抗干擾性角度,要求控制過程的采樣步長取值越小越好。但在實際的風電有功調度過程中,受機組調整速率的影響,采樣步長取值越小,則越難保證機組出力對計劃值的跟蹤能力,控制效果也越差。因此,采樣步長的選擇應考慮被控機組的時滯響應,使得采樣步長至少應大于機組的反應動作時間,由于一般機組響應時間在2min以上,因此,直接控制層至少要保證采樣步長在2min以上,考慮控制的方便性,本文取值為5min以保證不同響應速度機組對基點追蹤計劃的執行效果。2分層mpc控制原理為了實現對大規模風電接入后在線實時可靠的調度控制目的,本文將分解—協調遞階控制的縱向結構融入傳統MPC方法中,形成如圖4所示的分層MPC的控制架構,以達到多個控制目標互補協調的目的。圖4中,pit為傳統機組及風電場的實時出力值;pijTh,pikTl,pimTs分別為最優計劃層、基點追蹤層及反饋校正層的傳統機組及風電場實時出力反饋值,其采樣間隔分別用Th,Tl,Ts表示;AGC表示自動發電控制。具體含義分析如下。1分層mpc結構的應用在圖1所示的傳統MPC結構的基礎上,對其滾動優化層按“變粒度”方法進一步地分層,將控制過程分解為基于粗粒度模型的滾動最優計劃層和基于細粒度模型的實時基點追蹤層兩層,前者側重經濟性,后者側重安全性,形成內層—外層相嵌套的多級遞階控制結構,如圖4所示。圖4的這兩層,每層內部都包含完整MPC超前控制過程的模型預測及滾動優化環節,針對不同的控制目標(經濟性、安全性)分別執行單獨的MPC優化控制,保證每層各自控制目標的實現。進一步通過不同層之間的經濟性與安全性的協調優化,實現整體的控制效果。如果將圖4中的滾動最優計劃層與實時基點追蹤層兩層作為一個整體看待,則可以看出,分層MPC結構雖然針對電力系統實際應用過程的特點對傳統MPC滾動優化層的求解策略進行了轉變,但仍然沿用的是基于模型預測基礎上的滾動優化求解模式,求解原理并未發生變化。因此,分層MPC可以看做是MPC的一個變種,本質上仍然屬于MPC。滾動最優計劃層采用粗粒度模型,基于對風電出力及負荷需求的擴展短期預測結果對較長時段的過程進行優化,給出的是理想情況下的系統經濟最優計劃,該計劃作為下一級實時基點追蹤層的計劃調整基點來執行,從而使級別高的目標比級別低的目標優先滿足。由于風電的隨機波動及計劃追蹤偏差等原因,系統的最優控制目標將不斷發生變化。基點追蹤層采用細粒度滾動優化模型,基于風電出力及負荷需求的超短期預測結果對計劃做進一步細化,以保證控制過程的抗干擾性。同時,為保證系統的經濟性,基點追蹤層的發電機出力調整應緊跟上一層給出的最優計劃,出現擾動時,采取偏差最小的控制模式。2風電出力偏差的修正:mpc滯后反饋校正以上滾動最優計劃層及實時基點追蹤層兩層執行的都是基于預測的超前控制,風電預測是實現分層MPC的基礎。但在目前的風電預測精度下,超前的MPC的控制過程無法避免風電出力計劃與實際發電能力之間存在偏差,棄風及系統安全問題時有發生。因此,需要滯后的反饋校正環節對這種控制偏差進行修正,保證閉環控制的穩定性。而傳統的AGC過程無法實現風電出力偏差自動修正及風火安全經濟對調及分配的目的。本文通過在傳統的MPC滯后時間環節的反饋校正中引入風電實時出力偏差修正環節(簡稱實時控制環節),采用基于風火聯調或下旋轉備用追蹤等控制策略,實現系統安全裕度實時監視及風電出力實時調整的目的,彌補了風電計劃偏差,形成對風電控制過程的前饋補償—反饋校正的雙層控制結構,并構成閉環,實現對風電預測誤差的超前補償和滯后修正,達到克服風電不確定性的影響、最大程度消納風電的目的。據此,充實反饋校正層后的分層MPC的控制結構如圖4所示。3基于反饋校正層的動態協調由圖1可以看出,在傳統MPC的控制結構中,反饋校正層作為一個單獨的控制環節,其與超前的滾動優化層是分離的,兩者按自身的功能要求各自單獨執行,沒有關聯。由于不同領域的工業控制過程所采用的反饋校正模式各不相同,因此,這代表的是一種泛化的MPC模式。具體到電力系統的實際有功控制過程,圖1的反饋校正層與滾動優化層均采用發電機有功出力作為控制對象,受發電機容量及實時發電負荷平衡約束的限制,兩層的發電機出力計劃之間勢必存在相互影響,某一功能環節的調整不當將直接影響到另一功能環節的正常運作。因此,需要考慮這種超前—滯后時間環節間的協調問題。首先,大規模風電的接入使得電網各調度時間級的可調節資源趨于緊張,時間上超前的滾動最優計劃層及實時基點追蹤層能夠根據風電負荷預測結果提前安排機組計劃,預留調整空間,而時間上滯后的反饋校正層不具有這種前瞻能力。因此,反饋校正層功能的順利執行依賴于與上一層實時基點追蹤層的動態協調,需要在基點追蹤層決策制定的過程中,為反饋校正層留有足夠的備用裕度。其次,為保證控制過程的經濟性,反饋校正層需要以基點追蹤層給出的控制指令作為控制基點,在調整過程中,始終圍繞控制基點進行調整。考慮這種超前—滯后時間環節的協調因素后,形成如圖4所示的多級協調的MPC的控制結構。圖4是用分層MPC的控制結構實現大規模風電接入電網的有功調度控制的框架。通過如圖4所示的分層MPC可以實現控制的最優性和快速性兩者之間的協調,達到系統經濟性和安全性兼顧的目的。3層模型評價和預測決策機制3.1控制層的控制最優計劃、基點追蹤、反饋校正三者控制的時間尺度要求不同,對機組控制性能的要求也不同,需要按照可用機組的性能分類,納入不同的控制層中。機組分類的基本原則是:調整速度最慢的機組受調整能力限制跟蹤調整速率最慢的滾動最優計劃層計劃,以保證全局經濟性為目標;調整速度稍快的機組負責修正最優控制計劃偏差,平衡變化周期較慢的系統干擾,以安全基礎上的經濟最優出力調整為目標,跟蹤基點追蹤層的實時修正計劃;調整速度最快的AGC機組執行反饋校正層的反饋校正指令,主要考慮安全性,負責平衡高頻擾動。3.2系統優化設計分層MPC架構中的最優計劃層和基點追蹤層的控制都采用MPC,都有預測和滾動優化環節,其各自控制策略如下。最優計劃層要保證計劃的經濟最優性及閉環控制的平穩性,預測環節采用對風電的擴展短期預測,采用基于最小棄風的經濟調度模型,如式(2)所示。式中:N為常規機組數;t0為優化起始時段;Th為優化時段長度,例如4h;ai,bi,ci為常規機組i的煤耗系數;pit為常規機組i在第t個時段的有功出力計劃值;λj為棄風成本因子;pfjt為風電擴展短期預測出力;pwjt為風電機組j在第t個時段的有功出力計劃值;NGwind為風電機組集合。基點追蹤層的預測環節采用對風電的超短期預測,通過式(3)對計劃時段內的系統狀態進行最小調整以跟蹤全局穩態優化結果,保證系統運行的安全性:式中:Tl為基點追蹤層優化時段長度;pitroll為第i臺機組在第t個時段的滾動最優計劃層計劃值;Δpit為常規機組i在第t個時段的有功出力計劃調整量。優化過程中,需要滿足實時的發電負荷平衡、機組物理調節性能及系統安全約束等。最優計劃層及基點追蹤層都是基于MPC原理進行滾動優化,它們的決策配合如圖5所示。可以看出,最優計劃層每隔15min啟動一次,給出未來4h時段長度的計劃指令,但每次實際執行的只是第1個時段的計劃指令。而基點追蹤層每5min啟動一次,每次給出未來15min長度的計劃指令,同理,每次執行的也只是第1個時段的調度指令。最優計劃層與基點追蹤層兩者控制周期不同,優化目標也不同,實現功能互補。按照圖4的分層MPC結構,最優計劃層的輸出值作為基點追蹤層調度的調整基點,以基點追蹤層調整后的調度指令作為反饋校正層的修正基點。最后,反饋校正層將修正后的控制指令下發給機組,構成前向的計劃下發數據流程。每一層負責修正上一層的偏差,遺留的偏差由下一層來修正,體現了一種“多級協調、逐級細化”的思想。同時,基點追蹤層的調整為反饋校正層預留調整裕度,其給AGC機組下達的計劃出力按式(4)求取:式中:pitAGC為第t個時段第i臺AGC機組的計劃出力;kmax,kmin分別為AGC機組調整裕度的上、下限系數,根據備用容量需求環節確定;CAGC為AGC機組的容量。如圖4所示,反饋校正層實時控制環節的主要作用是實現風電出力偏差的實時修正:一方面,需要盡可能最大消納風電;另一方面,需要保證系統實時安全裕度的滿足。根據系統AGC下旋轉備用的情況,實時控制運行在2種狀態:增風態和棄風態。當系統下旋轉備用充足時,運行在增風態,釋放被限制的風電出力;當下旋轉備用裕度不足時,處于棄風態,強制棄風以恢復AGC備用。具體決策模型如下。1出力調整量及約束式中:Mint為內網安全約束斷面的集合;NGAGC為AGC機組的集合;NGwind為風電機組的集合;ΔPi為第i個風電場的計劃調整量;Sij為第i個風電場對第j個斷面的靈敏度;ΔPg為第g臺AGC機組的出力調整量,按每臺機組的可調容量按比例分配總調整量的辦法計算;分別為第j個斷面的傳輸功率上、下限及當前的斷面傳輸功率;c1,c2為權重系數;Pmax,分別為風電場當前最大發電能力向量、風電場容量向量、風電場當前出力向量及其調整量;Drs和T2分別為系統實時下旋轉備用及增風態備用閾值。增風態模型以風電場出力調整量ΔPi為控制變量,目標函數中的第1項表示通過增加風電出力獲得的效益,第2項為風電增量在不同風電場間的分配項。根據目標優先級的不同,一般應使得c1>c2。約束條件1表示風電增加量的限值約束;約束條件2表示系統安全約束;約束條件3表示單個風電場的風電增加量約束。2目標函數和約束條件式中:T1為棄風態備用閾值。棄風態下對每個風電場均需要規定一個風電出力下限Pi,min,以防止風電場出力過低造成的大面積風電機組啟停機問題,避免造成對風電機組性能的影響,一般取為風電場裝機容量的1/4~1/3。目標函數中的第1項表示棄風造成的經濟損失,第2項表示棄風分配項。約束條件1表示總棄風量