基于 EO 算法的风光并网换流器交流电压分散控制方法

中图分类号:TM761 文献标识码:A

0 引言

随着两个细则不断修订与实施，各级电网对新能源电厂运行要求日益规范化、精细化。以往粗放式的并网运行方式已无法满足新能源“两个细则”文件精神，同时粗放式的运行方式在并网运行管理细则下会给新能源场站造成大量考核，降低电厂实际电费营收。

陈波[1]等人针对缺乏通讯场景，放弃了过分依赖通讯而采取分布式控制的方式。利用预先设定的电压幅值、功率等局部观测数据，对各个光伏逆变器的电压进行独立调整，从而保证了光伏发电系统的电压稳定性。但由于缺少全局信息的交互作用，各个光伏逆变器仅依据局部信息进行决策，从而影响了系统的整体性能。此外，由于电力系统中通讯不完备或变化较大，局部量测信息会产生偏差或时延，从而影响到控制算法的精度，降低了电压控制的效率。曹敬[2]等人针对配电网中存在的分布式电源不确定因素，提出分布式发电系统，并对其进行仿真研究，通过局部信息的配电网络控制方法，以提高配电网络对 DG 不确定因素的适应性。但针对不确定因素，鲁棒优化模型通常采用保守性的控制策略，造成系统效率下降，无法最大限度地发挥分布式能源的发电潜能。同时，分布式控制模式下，节点间的信息交流受限，无法进行整体协调优化，在面对大规模复杂的配电网络时，会出现控制效果不理想的情况。

为解决现有方法的不足，本文将基于EO 算法的应用，以风光并网为例，开展换流器交流电压分散控制方法的研究。

1 风光并网换流器的集群划分

在风光并网换流器交流电压分散控制中，集群划分是实现电网内部自治和电网之间弱耦合的重要步骤[3]。通过对配电网络进行密切电连接的分簇，提高配电网络中无功的供需均衡能力，减小无功之间的相互作用，降低通信和计算的复杂性，提高系统对能源的自适应能力，保证电压控制的有效性和鲁棒性。

在此过程中，设计基于电气距离限制阈值的聚类算法，根据电压-无功灵敏度之间的关系，反映出电力系统中各节点之间的电耦合度。其中，用节点无功改变对电压幅度的影响定义电压灵敏度，其计算公式如下：

公式中：S 表示电压灵敏度； ΔU 表示电压变化幅值； ΔQ 表示系统中节点无功功率变化幅值；i 表示第 i 个节点。完成计算后，针对风光并网中两个不同节点的电气距离，可采用灵敏度的比值，对换流器等电气距离比值进行计算[4]。表达式如下。

公式中：La,b表示节点a、b 范围内的电气距离；k 表示参考节点。在此基础上，选择具有较高渗透率的时间点为典型情景，通过对节点之间的电压-无功敏感矩阵进行求解，得到电距离矩阵。将接入DG 的节点作为潜在簇中心，并按照电距离依次遍历相邻节点。

当遍历节点与中央节点之间的电间距超过预设的比较门限时，将此节点视为另一个簇的节点，并调整其电距。若电间距低于临界值，则将此节点归入当前簇中[5]。当有簇重叠区时，将重叠区划分到电距较短的簇中；当一个分布式功率节点的影响区域涵盖了其他节点时，将两个节点组成的簇进行合并。以此种方式，实现风光并网换流器的集群划分。

2 基于EO 算法的电流电压动态分配

在上述内容的基础上，应明确在风光并网中，电压和电流的动态配置是保证系统平稳运行和有效利用电能的关键[6]。以光伏、储能为主体组成的配网群为研究对象，设计基于 EO 算法的配网群电流-电压动态配置方法，以实现对分布式电源的最优出力、均衡节点电压偏差和簇间功率互扰控制，提高系统对能源的自适应能力。

利用换流器将直流电转化成交流电输入到配电网络中，系统的动态性能受到接线电阻、电感和直流电容的影响。将各变量按角频率进行分解，得到的风光并网系统的动力学模型[7]。表达式如下。

公式中：t 表示时间点；Id、Iq 表示风光并网换流器输出的d 轴、q 轴电流分量； u_dx 表示直流电容电压； u₁ 、u2 表示风光并网换流器输出的d 轴、 q 轴电压分量；R、L、C 表示并网线路电阻值、电感值与直流电容值；w 表示角频率。上述模型基于宏观角度描述了风光并网的动态响应特性，在此基础上，通过换流器，储能系统可以进行系统功率的双向流动[8]。以此种方式，建立如下计算公式的功率双向流动模型。

公式中：Id,1、Iq,1 表示系统中的储能部分输出的d 轴、q 轴电流分量；udc,1 表示开关电压； u_1,1 、u2,1 表示系统中的储能部分输出的d 轴、q 轴电压分量；R1、L1、C1 表示储能系统线路电阻值、电感值与直流电容值。由于系统的功率双向流动特性，使其在电压调节中具有显著的灵活性优势。为简化风光并网末端的高阶动态变化，采用灵敏度矩阵，基于EO 算法，进行电压交互中的集群功率交互计算。

交互过程中，算法通过对自然生物进化过程的模拟，进行系统输出电压的全局优化。同时，根据划分的集群，根据对应集群的状态向量、输入控制参数等，设定电压动态分配中的优化变量，将最小压差作为控制目标。建立如下计算公式所示的目标函数。表达式如下。

公式中：f 表示以最小压差为目标的控制函数；a 表示权重系数。算法采用迭代式的方法对最优参数进行更新，使其逐渐接近全局最优。选择运算按适合度函数选取优良个体，杂交运算以交换基因为单位产生新的个体，而突变运算则利用随机扰动提高群体的多样性。经过迭代优化，确定每一簇的最优功率分配策略，并据此进行电压和电流的动态分配。

3 基于MADDPG 的交流电压分散控制

在上述内容的基础上，将多 Agent 的深度决定策略梯度算法（MADDPG）应用于配电网络的分布式交流电压分散控制中。设计基于集中式学习和分布式运行相结合的方法，在保证全局信息利用率的同时，兼顾局部计算效率。

每个代理都装备有 Actor 和 Critic 网络。Actor 根据局部观测结果产生控制行为， Critic 网络通过观测到的全局信息评估个体的行为。在训练过程中，该网络综合了全局状态信息，建立对环境特性的整体评估模型，用于指导Actor 最优策略的制定。

配电网络的电压控制需要多个主体之间的协作，各主体之间通过信息的交互作用进行联动控制。例如，当一个地区的电压发生变化时，邻近智能体可以通过共享观测信息调节自身控制策略，实现电压的稳定性。

在训练阶段，各 Agent 共用一个时间轴，每隔一段时间就产生一系列的行为，并将其上传到控制中心，保证系统的实时性不会受到通信时延的影响。智能体将采集到的数据存储到经验重放池中，通过随机选择样本进行训练。为了防止局部最优，在学习过程中加入高斯噪 ，以提高搜索的随机性，在探索和利用之间进行权衡，提高算法的稳健性。为满足设计需求，采用递阶递增法，使作用价值函数数值达到最大，从而达到对配电网络的有效、稳定的控制。随机智能体的梯度控制方法如下计算公式所示。

公式中： ablaJ 表示策略梯度； π_z 表示全局状态观测数据其中Z 表示随机智能体；E 表示动作价值函数； abla₁ 表示随机梯度更新函数；AZ 表示高斯噪声；S 表示全局状态动作。智能体可以通过调整策略的梯度，对系统进行逐级优化，从而提高系统的电压调控性能。在此基础上，Critic 网络的损耗函数用于测量其预报值和实际值的差值。表达式如下。

公式中：Y 表示控制目标差值；E1 表示预报值；H 表示预测函数；y 表示电压分散控制目标值。上述公式中y 表示目标值。计算公式如下。

公式中：r 表示折扣因子；δ表示策略网络。通过使损失函数最小，可以对行为值进行更精确的预测，进而对电压分散控制行为进行更有效的引导。

MADDPG 采用 Actor-Critic 体系结构和中央化的分布式学习框架，实现了基于局部观测和全局信息的自适应最优控制策略。在此基础上，利用高斯白噪音、梯度增加等手段，提高算法的搜索性能和优化性能，实现交流电压的分散控制。4 对比实验

4.1 实验准备

完成上述设计后，为实现对该方法在应用中的检验，选择某风光并网作为测试对象。根据相关工作的具体需求，搭建如下图 1 所示的风光并网换流器交流电压分散控制测试现场。

图1 风光并网换流器交流电压分散控制测试现场

在测试机中搭建仿真系统，按照下述表1，进行系统规格与参数的模拟。

表1 风光并网参数的模拟

完成上述准备工作的基础上，引进文献[1]、[2]提出的方法，将其作为对照，按照对应方法的具体标准，进行风光并网换流器交流电压分散控制。

4.2 风光并网换流器交流电压分散控制效果检验

在风光并网中，换流器的交流电压中会含有大量的谐波，从而对电网的电能质量产生不利的影响。实验中，采用谱分析方法，观测不同频段的电压信号幅度分布，比较调控前、后三阶谐波分量的变化，着重研究低、高阶谐波的衰减程度。

在此基础上，通过对谐波信号的频谱特征进行分析，包括谐波频率是否发生偏移，谐波分布是否更为均匀，从而综合评价分散控制对谐波噪声的改善作用。以此为依据，对该指标的检验结果进行分析，如下图2 所示。

图2 风光并网换流器交流电压分散控制效果

从上述图2 所示的结果可以看出，设计的方法应用后，可以有效控制电压中的谐波信号，输出电压的平滑度显著提升。4.3 电压异常波动控制效果检验

风电、光伏发电接入电网后，其交流电压极有可能发生不正常的变化，对电网的稳定性构成威胁。为了验证分散控制在应对市场异常波动时的有效性，对系统在异常工况下的电压偏差进行分析，全面评价分散控制在抑制电网异常波动中的作用，保证电网电压稳定运行。实验结果如下图3 所示。

图3 电压异常波动控制效果

从上述图 3 可以看出，在相同的测试条件下，应用本文方法进行风光并网换流器交流电压分散控制，控制后电压异常波形幅度显著下降，说明该方法的控制效果良好。

5 结束语

为进一步减少并网运行考核、提质增效，提高电力企业生产管理和设备运行水平，本文通过风光并网换流器的集群划分、基于EO 算法的电流电压动态分配、基于MADDPG 的交流电压分散控制，完成了此次设计。在后续的工作中，可以将此方法与基于信息技术和专业分析能力的信息化系统相互结合，为新能源场站提供实时、精准的运行数据监控告警，全方位实时掌握并网运行指标达标及被考核情况，及时做出运行调整，从而达到降低电厂并网运行考核金额的目标，提高电厂数字化管理水平。为企业构建新型电力系统下涉网性能优良的新能源并网主体提供技术支持，旨在持续优化营销与生产一体协同管控水平、持续提升新能源并网考核管理效益水平。

参考文献

[1] 陈波,贾亦真,汪硕承,等.考虑通信缺失情景的光伏集群分散式电压控制方法[J].电力自动化设备, 2023, 43(4):152-158.

[2] 曹敬,金玉龙,郑涛,等.计及分布式电源集群不确定性的配电网分散鲁棒电压控制[J].电力系统保护与控制, 2023, 51(22):155-166.

[3] 全欢,彭显刚,刘涵予,等.基于深度强化学习的配电网实时电压优化控制方法[J].电网技术, 2023, 47(5):2029-2038.

[4] 赵东君,郭春义,叶全,等.抑制风电场经 LCC-HVDC 并网系统交流过电压的无功功率分散协同控制方法[J].电力自动化设备, 204(1):88-94.

[5] 路小俊,吴在军,李培帅,等 电力系统自动化, 2024, 48(9):97-106

[6] 陈厚合,王子琦,王长 网技术, 2023, 47(12):4906-4915.

[7] 王干,汤茂东,曲小慧,等.一 种含高 调控制[J].电网技术, 2023, 47(5):2089-2097.

[8] 秦晓辉,倪丰毅,张媛媛,等.基于无功就地平衡的风电场内部分散决策式精细化无功电压控制策略[J].电网技术, 2024, 48(1):272-281.