[发明专利]基于虚拟狼群策略的分层分布式智能发电控制方法

说明书

基于虚拟狼群策略的分层分布式智能发电控制方法，具体步骤如下：确定状态离散集S；确定联合动作离散集A；采集各个电网的实时运行数据；在当前状态s，某区域电网i获得一个短期的奖励函数信号Ri(k)；对所有区域电网，更新所有状态‑动作(s,a)对应的Q函数表格和资格迹矩阵e(sk,ak)；更新当前状态s下的混合策略合策略π(sk,ak)；选择变学习率δ；更新决策变化率Δ(sk,ak)和决策空间斜率值Δ2(sk,ak)；输出总功率参考值△P∑i，应用一致性算法；根据AGC的目标函数，计算区域电网i中机组u的调节功率△Pi；计算一致性变量ψi和区域电网i中机组u的调节功率△Pi；计算功率偏差△Perror‑i；输出区域电网i中机组u的调节功率△Piu；令k＝k+1。本发明能解决多智能体大规模激增时产生的多解问题，解决新能源大规模接入所带来的随机扰动问题。

技术领域

本发明涉及电力系统智能发电控制技术，特别涉及一种基于虚拟狼群策略的分层分布式智能发电控制方法。

背景技术

目前由主要以煤炭为原料生产的电能在社会生产中占据主导地位，使得环境污染问题日益严重，特别是大气污染，于是越来越多的风、光等大规模清洁能源不断并入强耦合的互联电网，给互联电网带来电压越限、功率波动、频率失稳等问题，影响电网的安全运行。特别是这些能源分布较为分散，传统集中式自动发电控制(automation generationcontrol,AGC)已无法满足电力系统能源管理系统(energy management system,EMS)的要求，因而研究分布式AGC来进行最优控制是未来智能电网发展的必然趋势。

近来，许多学者致力于电网分布式控制。有文献提出了多智能体的分布式相关均衡Q(λ)方法(decentralized correlated equilibrium Q(λ)-learning，DCEQ(λ))来解决分布式能源接入后智能发电控制(smart generation control，SGC)的复杂随机动态特性和最优协调控制问题。然而，当多智能体个数增加时，DCEQ(λ)在搜索多智能体均衡解时间呈几何数增加，限制了其在更大规模系统里的应用。

因此，基于多智能体的分散式赢与快速学习爬山方法(decentralized win orlearn fast policy hill-climbing(λ)，DWoLF-PHC(λ))被提出，它利用平均混合策略取代了均衡，解决了多智能体个数增加时的多解问题，有效提高了系统动态特性，实现了对总功率指令动态优化控制。然而并没有对机组功率指令进行动态优化分配；且当多智能体大规模激增时，仍会出现多解，导致系统不稳定。因此需要探索新方法，解决多解问题的同时，对机组功率进行动态优化分配，以获得分布式控制系统的协同一致性。

在一个多智能体系统(multi-agent system，MAS)中，当智能体与临近智能体进行信息交互而取得相同目标，称为达到一致。有文献采用多智能系统协同一致性(multi-agent system collaborative consensus，MAS-CC)的理论对机组功率进行动态分配，有效地解决了多智能体个数大规模激增所带来多解问题，同时能够对机组功率进行动态优化分配。然而在追求机组功率分配具有协同一致性的同时，忽略了AGC总功率指令动态优化控制。国内外可查文献都没有对AGC总功率动态优化控制的同时对机组功率指令进行了动态优化分配，即没能从整体到分支自上而下实现真正意义的智能化。