人工智能赋能的主-配-微多层级电网协同运行技术探讨

人工智能赋能的主-配-微多层级电网协同运行技术探讨提纲一、

研究背景二、Al赋能的配微协同运行技术三、主配微协同运行技术四、总结展望全国

2024年上半年，分布式光状新增装机5288万干瓦2024年上半年新曾分布式光伏装机948万千瓦，居全国首位，

部分县

(市、区)

分布式光状渗透率超过50%江苏省到2025年，全省分布式光伏接近5000万千瓦，2030年达到8000万千瓦

，

最大出力超过全省负荷功率的60%随着新型电力系统建设的加速推进，分布式光伏为代表的分布式资源发展迅猛

，渗透率持续增长，含高参透率分布式资源的新型电力系统是未来发展的必然趋势。集中于东部沿海一带回

≤

100■

>400亿千瓦2.5l.50.

5201920202021

202220232024年上半年我国分布式光伏新增并网容量分布式储能发展迅猛

31

.

研究背景配储比例10%~15%10%~15%15%~20%15%~

20%√

电动汽车√

台区储能√

租赁储能√

共享储能√

虚拟储能我国分布式光伏累计装机容量配储时长2h不低于2h不低于2h/地区江苏浙江山东安徽高渗透率分布式能源场景下的新型电力系统，电网职能由单一“保供”拓展为“保供+促消纳”共存，多层级电网之间的耦合性深度加剧。□□全国江苏400个县13.7万台9866台

116台承载力红区公变功率反送反向超重载220kV主变反送“主随配动”

十

“

配随主动”4“

峡含曲线”特征凸显

，受最低出力和爬坡等约束，主网调节能力接近极限单一配电网难以自消纳和自平衡，需要借助主网形成广域消纳通道江苏省全网负荷与分布式光伏发电情况机组最天出万12000全网负荷8000机组最小出力4000

分布式光伏1

.

研究背景000:0004:0008:0012:0016:0020:0024:00调节极限调度负荷低谷亟需协同瓦干万万荷负调度负荷峰值风电16000UPFC主网VSC配电网N₄

配电网N₅UPFC

分区2分区2分区1分区1白

柔性环网控制配交流馈线交流馈线直流馈线

直流馈线分布式光储·场景切换更加频繁·配网、微网可调资

源纳入调度模型·主配微共同趋优·消纳通道和运行边界5新形势变化1:

纵向深度协同、横向广域互济，主网调度需统筹配网、微网调度变量、

目标和约束，配微网需向主网提供灵活调节边界和能力，调度模式发生巨大变化。时间尺度变化变量变化目标变化约束变化1

.

研究背景纵向深度协同日

日

8

柔性环网控制配电网N₁电网N₂分布式光储分区直流互联本地负荷本地负荷交流馈线交流馈线N₃配1

.

研究背景新形势变化2:

主配微协同复杂系统包含大量调控对象，叠加系统高维非凸非线性特征，需要在有限决策时间内实现潮流优化调度的高价值解挖掘和全局趋优。高价值解可行解数据驱动

机理引导系统变量/约束条件规模增至106

+

,

解空间维数成倍增长电网潮流非凸非线性特征迭代

Prs.1求解PDs,1

QDs.1

」0°p⁰配电网1Jl只”q)o,如何实现?传统方法：难以求解收敛性差局部最优p⁰配电网n→

初始点0最小值主网PTs.2PDs,2

QDs,21aP⁰配电网2高价值解挖掘PDs.nA

∩0

4

QPTs,nQDsn6新形势变化3:

极高渗透率分布式资源场景下的配电网，已经具备一定向主网提供支撑的能力，但在资源强随机扰动下，仅依赖本地信息的配网主动支撑控制模式与主网集中式调

空难以协同，需要构建更加适配主配微协同运行的控制方式。AGC和AVC是解耦系统秒级ACE,兼顾CPS考核变电站节点死区大UUpUowr光伏、风电

VSG三储能装置2控制和响应周期频率控制目标电压控制范围控制死区范围模式、

目标、时序不同控制容易出现冲突与反调1

.

研究背景ms级50Hz局部节点死区小有功/无功耦合电压/频率耦合BAACEE₄

EEQowm

Qm

QAVC控制策略2区M₁

(O,

U))区伛AGC控制策略A'3区D,B,4区C主网同步发电机配WC一、

研究背景二、Al赋能的配微协同运行技术三、主配微协同运行技术四、总结展望82324251213141516171‘

20

22微网3微

网2M永crDgi厂d4口只古ogird3Mi

o

gird1MicΓogird2电网参数不完备

区域

的历

史运行数据训练对应的LSTM等值模型统计随机变量在各个24小

时段

的概率分布拉丁超立方抽样得到

更

多的运行场景2.1含多微网的配电网在结构参数不完备下的风险评估构造

等

效节点

，

进

行电网概率潮流计算统计概率潮流

的计算

结果

，

进行风险评估典型场景1:

含多利益主体微网群的主动配电网典型场景2:

信息不完备下的农网末端微网群模型训练

模型预测关

口等值功率预测主要思路29

30、319J262728风险评估2

3310

11微网1l8821基于点估计的风险评估流程中心矩

ZA=

H₂+5₄

C₂k=:,2点估计随机变量构造占比估计点潮流计算系数确定交直流潮

P=f(c;

…

;·

…

…

…

…)

运行控制方式

交流测流

直流流定有功控制定直流电压控制下垂控制定无功控制定交流电压控制主从控制：P∞仰

Q

ow,

P』en

Q驰下垂控制：Kcomp

Psat,

Vs

u

Pgon

Q

g

e换流站运行约束：主从控制：Σ=

↓F7正sK∈|

Sl

SE.下垂控制：

cc

灬稳定边界：来自负阻抗稳定分析等给定边界“

sQs“52.1含多微网的配电网在结构参数不完备下的风险评估交直流配电网潮流计算交流系统直流系统互联变流站

swDC/DC变换器变电站CB交替迭代的交直流潮流计算交流潮流计算sw直流潮流计第变流器损耗计算变

流站注入交流和直

流母线功率计算收敛?不同VSC控制模式下的潮流计算等效节点处理PQ节点

一一

Droc

p节点输出状态变量概率二阶矩偏度

一

Slack节点系数峰度期望方差PV节点

一0流方程P节点

1“..●

DNN+点估计——DNN+蒙特卡洛---机理模型+蒙特卡洛1.

01

10.

99

0.

98

0.

97

0.

960.95123456789101112131415161718192021222324252627282930313233节点编号空间维度各类方法的结果对比“

“.DNN+点估计——DNN+蒙塔卡洛---机理模型+蒙特卡洛深度学习+点估计的节点电压概率分布

时间维度各类方法的结果对比提出方法计算效率显著提高，计算时长约仅为传统算法的5%左右，还能有效规避参数不完备影响。30252(囚区1050147

10131619222528313437404346495255586164677073767982858891942.1含多微网的配电网在结构参数不完备下的风险评估电完备模型+蒙特卡洛仿真的节点电压概率分布深度学习+蒙特卡洛仿真的节点电压概率分布时间

(15min)11up(值均压传统数学优化J

(θ₀

,θ

lθ₁θ₀在大规模、多主体耦合

、高不确定性的微

电网群能量管理中面

临调整能力不足、求解缓慢等问题!配微协同优化现状：大多聚焦配微互动功率优化，而忽略了运行所受制的网架安全约束，存在安全风险，且随着微电网群规模增大，运行控制的复杂度显著增加。2.2基于数据驱动型MPC的配微协同运行优化调控区

域

1

区域2

区域NΔPel2

△PA

2

M随着微电网群规模扩大，

优化运行控制的复杂度显著增加基于数据驱动型MPC的配微协同运行优化调控(日前调度+日内数据驱动型MPC滚动优化)ap/x,DMPCv

ACE2“nEMPCaplzDMPCu₂2上层apfuDMPCu

₁₁分布式控制下层ACE₁2ACEN1配电网微网1薇网4微网2微电网与配网间功率和信息交换微电网群内部功率和信息交换微电网提供的调压辅助服务功率总体采用多时间尺度的协同调控方案

，

日前调度阶段，构建考虑微网群参与调压辅助服务与去中心化P2P交易的配-微协同运行优化模型。配电网侧优化模型配电网-微电网群示意图P

≤

PM

+

P

≤

P

日前运行裕度保留δr132.2基于数据驱动型MPC的配微协同运行优化调控

非线性约束二阶锥松弛Distflow线性潮流模型微网3日前优化结果：各微电网在0-6及18-24时段增加机组出力，同咐高效利用储能系统在时间上进行能量转移，以消纳更多的光伏发电，实现了对配电网电压支撑以及缓解电压波动的目的。MG2Wp(rer(PMG1

MG2VW(rew(P2.2基于数据驱动型MPC的配微协同运行优化调控MT

WT

PV

P2P

Grid

ESs

→—load

MT

WT

PV

P2P

Grid

ESS

+—丨oad

*—AS含辅助服务的分布式优化后微电网群能量管理策略未经含辅助服务的分布式优化能量管理策略Time(h)

Time(h)MG3

MG417Time(h)≥≤一Ψ∞QTime(h)MG4MG3≥

工

如w≥o□k求解效率提高(约40

%)迭代次数计算场景无辅助服务仅辅助服务辅助服务+二次分配配电网58956520467微电网122636952341总成本(元)微电网2395724793875微电网?337717333758微电网4239414662452社会总成本1788612893128932.2基于数据驱动型MPC的配微协同运行优化调控优化前后电压对比示意图微电网群

日前计划运行成本AVP-ADMM加速分布式求解调压辅助服务结果对比AVP-ADMM与传统ADMM收敛曲线对比衽会总成本降低28%)81CNN-BiLSTM-XGBoost模型通过决策树的引入与权重分配，可对互动特性深入刻画挖掘，以较高的精度精准分类刻画不同状态下的互动特性。其预测精度相比GRU-TCN

、CNN-LSTM和LSTM网络分别提升了4.55%

,8.89%

,

14.49%。LSTMGRUCNN-LSTMGRU-TCNCNN-BiLSTM-XGBoost52.2554.2136.5724.4211

.6761.5877.

3151

.3238.6421

.632.2基于数据驱动型MPC的配微协同运行优化调控不同算法预测指标对比深度网络

MAE/kW

RESE/kWCNN

75.4895.27X

X19不同算法交互功率预测对比具有最高的预测精度>>>>XXSvc调整+内部机组调整+深度学习预测P2P功率MG1

MG2800

800600

600400

400200200

0-200

-200有4001216

20

24MG4800600AAhtMM*200-200-4004

8

12162024Time(h)

Time(h)一储能

一

一微燃机

——配-微交互功率日内滚动优化环节，通过配电网侧的SVC与微电网侧微燃机和储能机组的协同控制，以及深度预测模型的

P2P功率预测，实现了满足日内电压鲁棒性与系统经济性的协同运行。2.2基于数据驱动型MPC的配微协同运行优化调控日前

计划

值6004002000-200-400MG1

-

MG2

-MG304812

1620深度学习互动特性模型预测值

400d2000-200口-400-600MG1

MG2

MG3

MG40

48

1216

20

24一工DDMPC调整后SVC出力曲线微电网群机组出力与配-微交互功率电压鲁棒性提升1.68%调整前后关键节点电压变化曲线

C无功出力(kvar)48

12

20

240增加

DDMPC后

节

点电

压曲

线无日

内控

制

节

点电

压曲

线-

-MG4

24一>d一刁口一—a

>lpu乙—Time(h)80060040020020Times(h)Time(h)-200-400功≤率(kW)彐d一可o∞口δ)

-600-400MG3400

一P2

=∩ging叨w00P与分布式经济型MPC方案相比，所提方法则可以满足较短时间内的快速优化求解，高效实现日前计划值的跟踪以及控制目标的调整，在运行成本相当的前提下，具有更好的跟踪效果与可靠性

，

Soc跟踪精度提高了4.34%

,

滚动优化控制求解时间从百秒级别缩短至10秒左右。总成本(元)方案配网微电网

1微电网

2微电网

3微电网

4社会总成本无MPC2867234138753758245215294DEMPC1530214535963481217712929DDMPC19072041353534092082129742.2基于数据驱动型MPC的配微协同运行优化调控方案SOc

跟踪误差每轮平均求解速度三种方案下各子系统运行成本与效果对比微电网群SOC跟踪效果对比无

MPCDEMPCDDMPC242.48s11

.31s8

.06%3.72%SOC能储网电微表现21提纲一、

研究背景二、Al赋能的配微协同运行技术三、主配微协同运行技术四、总结展望22针对主-配-微复杂网络中潮流控制器、柔性互联装置、柔性有载调压等多层级电网的新型可控装备，量化分析各装备的调节能力与可控边界，构建各装备参与主-配

.微复杂网络电压控制的数学模型。·

可投切电容：

·储能装置：戈√碰n舀form

TransfoΓmeΓ2二sC-口-巳+D-O卜O-0-0-0S心lar

PBa』teryE□ergy

Storage·

约束条件：

PFFc

+PYrc

+Pyp『℃

+叫k

=

0m

≤

y

≤

m吐Q〓℃

≤

Q监匹

Q〓

0

≤

r

≤

rmax二二

二

二

二

二二

二

二

二

二

二

二

二

二二二

二

二

二

二二

二

二二二

二

二二

二二

二

二

二

二

二

二二

二

二柔性有载调压变压器：主变压器TR3.1

基于分布式优化的主配微协同电压控制u

wi

=

kuz

u

=uwi

+ucSe

=

P

+jQc

=

usI·

约束条件：lQ9uTc|

≤

Qma、

P≥+Q²≤

(S

ax)2s约束条件：

V

m讥

≤V如i

I

dem≤

k

晔

+P

+P

=0二二储能装置与可投切电容：AC

MCR

:X么

DC

DC

jXi2

R₂BTB-VSC专

专一次侧主绕组L。)0V有载分接开关(SW)电力电子变流器装置(PEC)潮流控制器(UPFC):王

7ShuntConverteΓ

SenesCoⅢv呢rteTRUPFc

=

rbs

V?

sin√Q

¥PFC

=rbs

V²

cos

γpf"F"=-rb,.VVy

sin(Q:-θj

+7)qHFFc

=

-Tbs

V

V;cos(0₁

-0

+

7)F₁

=

B

Vaci

=

Vac淝tQfomv

=

Qiet

|Sf叫

≤

S器柔性互联装置

(SOP)

:·

模型等效：23分接绕组I、取能绕组L负载iid1.

H.Xiao,

X.

Pu,

W.

Pei,L.

Ma,

andT:Ma,“ANovelEnergyManagement

Method

for

Networked

Multi-Energy

Micro

grids

Based

onImprovedDQN,”IEEE

Trunsact讠onsonSmart

Grid;vol.

14,

no.

6,

pp.

4912-4926,

2023.3.

H.

Xiao,

W:

Pei,D.

Han,

X.

Pu,

andJ.

Wang,“IntegratedEnergyMicro

gridsPar亻jc

ipatin

ginVoltageRegulationAncillary

Services:

An

Improved

ADMMBasedDis汁ributed

OpimizationApproach,”IETRenewablePowerGeneration,

vol.

18,

no.

16,

pp.

4069-

4083,

2024.5.

X.Pu,H.Xiao*

,

W.

Pei,

Y.Yang,

L.

Ma,

T.

Ma,

and

S.Zhang,“Optimal

Energy

Management

of

Networked

Multi-Energy

Micro

grids

Based

onImproved

Multi-agent

Federated

ReinforcementLearning,"CSEE

Journal

ofPowerand

EnergySystems,

EarlyAccess,

2024.6.

C.

Ji,H.

Xiao六,

W.

Pei,

X.

Wang,and

X.

Pu.“Coordinatedvoltage

controlfordistributionnetwork

and

multi-micro

grids

based

on

improvedEM-RACEmulti-agentreinforcementlearning,"InternationalJournalofElectricalPower

&

EnergySystems,vol.7.

D.

Han,

W.