1.一种基于负荷频率控制模型的源荷协同调频方法,其特征是应用于由微型燃气轮机组、小规模水电机组、飞轮储能系统、风力发电、光伏发电、用户负荷所构成的孤岛两区域多源微电网中,并按如下步骤进行:步骤一,将所述微型燃气轮机组、小规模水电机组、飞轮储能系统作为孤岛两区域微电网的调频机组;
步骤二,建立所述微型燃气轮机组、小规模水电机组、飞轮储能系统、风力发电、光伏发电和用户负荷相应的负荷频率控制模型;
步骤2.1、建立所述调频机组的负荷频率控制模型:
根据所述微型燃气轮机组、小规模水电机组、飞轮储能系统的动态特性分别建立相应的负荷频率控制模型;
在一个AGC决策周期内,令所述微型燃气轮机组的输出功率调节量为ΔPm,所述功率调节量ΔPm的等级为m∈Φ1={-Nm,...,-1,0,1,…,Nm};Φ1表示所述功率调节量ΔPm的等级集合,Nm表示所述功率调节量ΔPm的等级值,且为整数;
在一个AGC决策周期内,令所述小规模水电机组的输出功率调节量为ΔPh,所述输出功率调节量ΔPh的等级为h∈Φ2={-Nh,...,-1,0,1,...,Nh};Φ2表示所述输出功率调节量ΔPh的等级集合,Nh表示所述输出功率调节量ΔPh的等级值,且为整数;
在一个AGC决策周期内,令所述飞轮储能系统的输出功率调节量为ΔPe,所述输出功率调节量ΔPe的等级为e∈Φ3={-Ne,...,-1,0,1,...,Ne};Φ3表示所述输出功率调节量ΔPe的等级集合,Ne表示所述输出功率调节量ΔPe的等级值,且为整数;
步骤2.2、建立非调频机组的负荷频率控制模型:
根据所述风力发电、光伏发电的随机不确定性和时序相关性,分别将所述风力发电、光伏发电的负荷频率控制模型描述为离散时间马尔可夫过程;
在一个AGC决策周期内,令所述风力发电的功率变化量为ΔPw,所述功率变化量ΔPw的等级为w∈Φ4={-Nw,...,-1,0,1,...,Nw};Φ4表示所述功率变化量ΔPw的等级集合,Nw表示所述功率变化量ΔPw的等级值,且为整数;
在一个AGC决策周期内,令所述光伏发电的功率变化量为ΔPg,所述功率变化量ΔPg的等级为g∈Φ5={-Ng,...,-1,0,1,...,Ng};Φ5表示所述功率变化量ΔPg的等级集合,Ng表示所述功率变化量ΔPg的等级值,且为整数;
在一个AGC决策周期内,令风力发电的功率变化量ΔPw的等级w变化服从概率矩阵为Pw的马尔可夫链;
在一个AGC决策周期内,令所述光伏发电的功率变化量ΔPg的等级g变化服从概率矩阵为Ppv的马尔可夫链;
令风力发电的等级w和光伏发电的等级g从等级i转移到等级j概率分别为步骤2.3、建立用户负荷模型:
将所述用户负荷分为刚性负荷和可直接控制的柔性负荷;
将所述用户负荷的变化过程描述为离散时间马尔可夫过程;
令所述用户负荷的扰动为ΔL=ΔLr+ΔLf,其中,ΔLr表示刚性负荷扰动,所述刚性负荷扰动ΔLr的等级为r∈Φ6={-Nr,...,-1,0,1,...,Nr},Φ6表示所述刚性负荷扰动ΔLr的等级集合,Nr表示所述刚性负荷扰动ΔLr的等级值,且为整数;ΔLl表示柔性负荷扰动,l∈Φ7={-Nl,...,-1,0,1,...,Nl};Φ7表示所述柔性负荷扰动ΔLl的等级集合,Nl表示所述柔性负荷扰动ΔLl的等级值,且为整数;
在一个AGC决策周期内,令所述刚性负荷扰动ΔLr的等级r变化服从概率矩阵为Pr马尔可夫链;
在一个AGC决策周期内,令所述柔性负荷扰动ΔLl的等级l变化服从概率矩阵为Pl的马尔可夫链;
令所述刚性负荷扰动ΔLr的等级r和柔性负荷扰动ΔLl的等级l从等级i转移到等级j概率分别为步骤三,针对所述孤岛两区域多源微电网中任意区域建立孤岛两区域微电网的MDP数学模型:步骤3.1、确定所述MDP数学模型的状态量与输出动作:
将一个AGC决策周期内的区域控制偏差ACE、经济考核指标值CPS1、柔性负荷等级ΔLl作为状态量,记为状态s;
将机组出力调节量ΔP和柔性负荷虚拟机组负出力调节量ΔPl作为输出动作a=(a1,a2);其中,a1表示机组出力调节量ΔP的输出动作,a2表示柔性负荷虚拟机组负出力调节量ΔPl的输出动作;
令行动集用D=D1×D2表示,其中,D1表示机组出力调节量ΔP的行动集,D2表示柔性负荷虚拟机组负出力调节量ΔPl的行动集;
将所述机组出力调节量ΔP离散化为有限的出力等级集合,则行动集D1离散为2Np+1个等级,即a1∈D1={-Np,...,-1,0,1,...,Np},其中,Np表示所述机组出力调节量ΔP的等级值,且Np=ΔPmax/ΔPmin,ΔPmin为最小调节量,ΔPmax为最大调节量;
将所述柔性负荷虚拟机组负出力调节量ΔPl离散化为有限的出力等级集合,则行动集D2离散为2Nl+1个等级,即a2∈D2={-Nl,...,-1,0,1,...,Nl};
步骤3.2、确定所述MDP数学模型的代价函数:
利用式(1)获得第k个AGC决策周期内,所述MDP数学模型的代价函数C(k):式(1)中,δ为任意非负数,KCPS1(k)与ACE(k)分别表示为经济考核指标值CPS1和区域控制偏差ACE在第k个AGC周期内的均值,λ1和λ2表示相应状态量的优化权值, 是经济考核指标值CPS1的控制期望值,εACE为区域控制偏差ACE的调节死区值;
步骤3.3、确定所述MDP数学模型的优化目标:
利用式(2)建立以孤岛两区域微电网系统的总运行代价最小为目标的微电网无穷时段折扣代价函数ηπ:式(2)中,γ为折扣值,c(sk,ak)表示所述MDP数学模型在k个AGC决策周期时状态sk下采取行动ak所获得的代价;π*表示为贪婪策略,并有:π*=argminηπ (3)
步骤四,获取所述孤岛两区域微网的源荷协同调频所需数据,包括:区域控制偏差ACE、频率偏差Δf、联络线功率偏差ΔPt、柔性负荷变化量ΔL;
步骤五,以所述源荷协同调频所需数据作为输入,采用基于模拟退火的Q学习理论算法对所述MDP数学模型的进行求解,得到AGC决策周期内所述微型燃气轮机组的功率调节量ΔPm、小规模水电机组的输出功率调节量ΔPh和柔性负荷虚拟机组出力调节量ΔPl,从而实现对所述孤岛两区域微电网的源荷协同调频。
2.根据权利要求1所述的源荷协同调频方法,其特征在于,所述MDP数学模型的优化目标的约束条件为:Pm+Ph=(-Pw)+Lr+Ll (4)
ΔPm_min≤ΔPm≤ΔPm_max (5)
ΔPh_min≤ΔPh≤ΔPh_max (6)
ΔPw_min≤ΔPw≤ΔPw_max (7)
ΔP=ΔPm+ΔPh (8)
式(4)中,Pm表示所述微型燃气轮机组的有功功率出力,Ph表示所述小规模水电机组的有功功率出力,Pw表示所述风力发电的有功功率,Lr表示所述刚性负荷的功率,Ll表示所述柔性负荷的功率;
式(5)中,ΔPm_min和ΔPm_max分别表示一个AGC决策周期内,所述微型燃气轮机组允许的最小输出功率调节量和最大输出功率调节量;
式(6)中,ΔPh_min和ΔPh_max分别表示一个AGC决策周期内,所述小规模水电机组允许的最小输出功率调节量和最大输出功率调节量;
式(7)中,ΔPw_min和ΔPw_max分别表示一个AGC周期内,所述风力发电功率变化量ΔPw的最小有功功率变化量和最大有功功率变化量;
式(8)中,ΔP表示给定的调频机组功率调节量,ΔPm表示所述微型燃气轮机组的功率调节量,ΔPh表示所述小规模水电机组的输出功率调节量;
式(9)中,ΔPk表示第k个AGC决策周期时,给定的调频机组功率调节量,-ΔGmax和ΔGmax分别为调频机组的可出力上下限;
式(10)中, 表示第k个AGC决策周期时的柔性负荷功率量, 表示初始时柔性负荷功率量, 表示第k个AGC决策周期时的柔性负荷变化量;
式(11)中, 表示第k个AGC决策周期时柔性负荷虚拟机组出力, 表示初始时柔性负荷虚拟机组出力, 表示第k个AGC决策周期时柔性负荷虚拟机组出力调节量。
3.根据权利要求1所述的源荷协同调频方法,其特征在于步骤五中所述Q学习算法的公式如式(13)所示:式(13)中,η为平均代价,α为学习步长,sk+1为状态sk采取行动ak后转移到的下一状态。