基于双层分布式通讯网络的温控负荷集群灵活调度与优化控制

gzhaiwu

今天海悟小编为大家整理带来，基于双层分布式通讯网络的温控负荷集群灵活调度与优化控制，分布式的温控负荷集群负荷跟随控制
1、研究背景
全球能源正朝着绿色、低碳、清洁、高效、智能、多元的方向迅速演变。然而，这种变化给电网的电力平衡和可靠性带来了重大挑战。温控负荷作为灵活的需求侧可调度资源，为促进电网经济运行和稳定恢复提供关键支持。然而，由于其单体功率小、分散位置和参数异质性，调度上面临着巨大的困难。为了更有效地利用庞大的负荷资源，本研究建立了温控负荷的虚拟电池和聚合模型，并提出了基于双层分布式通讯网络的温控负荷集群跟随控制策略。这一策略通过分布式交替方向乘子法求解跟随问题，同时利用深度神经网络实现虚拟电池状态的一致性，以确保在实现快速负荷跟随的同时最大化用户的效益。不同时间尺度的仿真算例结果表明，本研究所提出的控制策略在负荷跟随控制方面表现出高效性，这使得需求侧资源在为新能源电力系统提供多样辅助服务方面扮演更为关键的角色成为可能。

2、论文所解决的问题及意义　
（1）整体框架

图1展示了本文提出的双层分布式结构的负荷跟随控制框架。

在上层控制中，考虑到用户的舒适性，引入用电成本函数和负荷跟随效用函数构建效益函数。通过综合这两个函数，得到负荷聚合器的最大化效益模型。然后，本文采用了一阶平均一致性算法解耦约束条件，使得最大化效益模型能够以分布式形式并行求解最优负荷调度值。

在下层控制中，为确保内部负荷的公平分配，提出了一种基于舒适性体验的方法，使用相同的温控负荷虚拟储能状态分配负荷跟随调度值。为防止涉及到用户隐私问题，采用基于分布式结构的深度神经网络DNN方法进行虚拟储能状态的一致性控制。

在数据采集阶段，为了规避涉及用户隐私问题的集中式参数获取方法，本文选择采用分布式方法。考虑到温控负荷数量较为庞大，采用传统的一阶一致性算法在达到最终值需要相当长的时间。因此，提出了一种快速平均一致性算法，以便在训练阶段迅速获取初始数据。

在训练过程中，本文使用虚拟储能状态值SoC和DNN输出的差值均方差作为成本函数，并采用Adam作为优化算法。训练完成后，使用DNN进行在线预测虚拟SoC参考值，同时利用快速平均一致性算法将该数值通过分布式网络传递给聚合器内的所有温控负荷。这种结合了DNN和快速一致性算法的控制方法能够将负荷跟随控制所需的通讯次数和通讯数据量减少一半。

图 1 双层分布式结构的负荷跟随控制框架

（2）仿真分析

为了找到适合的DNN的参数，以聚合器1内的温控负荷为例，研究批量大小和学习率对MSE的影响。如图2(a)所示，较大的批处理量会增大单次训练的耗时；而较小的批处理量耗时较短但易产生非收敛行为，且预测误差较大。同时，我们也可以看出，当学习率设置在[1e-3, 1e-5]之间时，算法的收敛性没有太大变化。综合考虑后，我们将批次选择为12000，学习率为1e-3。任意取了100个点对训练效果进行测试，结果如图2(b)所示。从图中可以看出，本文提出的方法能够达到良好的近似精度，相较于完全分布式方法，显著减少了通讯时间，同时避免了通讯噪声和延迟等因素的影响。

图2 DNN离线训练结果

为充分发挥温控负荷集群在负荷跟随方面的潜力，本文采用直接控制温控负荷功率的方法进行负荷跟随控制，其结果如图3所示。每个温控负荷的功率范围假设在[0.01Pe, Pe]之间，因此总的功率变化范围大幅度提高，如图3(a)的中的浅紫色区域，功率跟随指令的变化趋势用蓝色线表示，其负荷跟随结果则以橙色线表示。

各聚合器在上层ADMM算法的引导下，通过满足效益最大化进行功率调整，计算各自的功率调整参考。从图中可以看出，尽管只参与了一个小时的跟随控制，由于提供的功率调度值较高，能够为聚合商带来相当可观的收益。

在获得功率调整参考值之后，各聚合器内的温控负荷按照相同的虚拟SoC调整各自的功率，如图3(b)所示。图中可观察到，聚合器内每个温控负荷的功率在各自的最小值和最大值之间波动，导致室内温度的相应变化。然而，由于温度变化相对于功率的变化是一个较为缓慢的过程，在一个周期内的变化并不显著，同时满足舒适性的要求。

图3 直接功率控制的负荷跟随结果(5分钟时间尺度)

3、结论　　
本文探讨了一种双层分布式的温控负荷集群管理方法，用于多个时间尺度的负荷跟随控制。在该算法中，上层采用了分布式的ADMM算法，以确定多个温控负荷聚合器的最佳跟随负荷。而在下层，利用基于快速平均值一致性算法的分布式深度神经网络方法来计算每个温控负荷的最佳功耗值，以确保温控负荷的公平利用。

为验证所提算法的效果，我们设计了多个仿真算例，结果显示我们提出的快速分布式算法和基于学习的方法具有以下显著优势：

1) 收敛速度和通讯成本方面： 与一阶分布式一致性算法相比，本研究的算法能够将收敛速度提高65%以上，并且减少50%的通讯数据量。这意味着本文所提出的方法能够在保证温控负荷虚拟储能状态一致的前提下，仅需较少的信息即可实现快速而有效的负荷跟随控制，并有效降低了通讯成本。这种优势使其特别适用于大规模温控负荷系统。

2) 隐私保护方面：相较于集中式结构，本研究所提出的分布式控制结构无需获取温控负荷的详细参数，因此避免了涉及用户隐私的问题，并且在跟随控制过程中不会影响用户的舒适性体验。

3) 多时间尺度适用性与用户效益保障方面：所提出的算法不仅适用于不同时间尺度的控制，而且能够确保提供辅助服务的用户获得最大效益。

本文所提出的温控负荷管理方法为需求侧辅助服务方面提供了一种高效而可行的解决方案，将分布式算法和深度学习方法融合，以实现在复杂环境下的智能控制。