基于多智能体的主动配电网空调负荷聚合及其降压调温削减方法

　　摘要：提出一种基于多智能体系统(multiagentdystem，MAS)的主动配电网(activedistributionnetwork，ADN)空调负荷聚合及其降压调温削减方法。兼顾空调负荷电压动态特性及温控特性，基于多智能体技术建立空调负荷聚合模型;通过分析电压及温度与空调负荷有功、无功功率的关系，揭示空调聚合负荷降压调温削减机理;最后基于多智能体系统和最优潮流，建立主动配电网空调负荷降压调温削减模型并给出求解方法。IEEE33节点系统算例仿真结果表明，文中模型和方法正确有效，可实现空调负荷有功及无功功率有效削减。该成果为提升大规模空调负荷参与需求响应能力提供了理论支撑。

　　关键词：主动配电网;多智能体系统;空调负荷聚合模型;电压特性;温控特性;负荷削减

　　0引言随着社会经济的发展,我国以空调负荷为主的温控负荷占比持续增高[1]，季节性双峰特征日趋明显。据统计全球空调和电风扇用电量已占全世界建筑物总用电量的五分之一左右，约占当今全球总用电量的10%[2]。分析海量空调负荷电压和温控特性，挖掘其可调潜力，将其聚合参与电网季节性调峰意义重大。针对空调负荷的降压节能(conservationvoltagereduction，CVR)技术已有研究[34]。

　　大规模空调负荷建模及聚合是其参与电网调峰的前提。空调负荷一般以等效热参数(equivalentthermalparameters，ETP)建模[5]。也有文献通过构建空调负荷动力型电池模型与容量型电池模型[6]、热电池模型[7]等描述其储能特性。在空调负荷聚合模型方面，有学者考虑时域特性分类聚合建立其聚合模型[8];或从居民用电舒适度入手，考虑用户调节行为随机性和室内外温度差异，建立其聚合模型[9]。针对空调负荷电压动态特性模型研究也已有报道[10]，但兼顾空调负荷电压动态特性及温控特性的聚合模型尚缺探讨。

　　揭示空调聚合负荷电压特性及温控特性机理是其参与调控基础。在温控机理方面，学者们分别从空调聚合功率变化量与开关状态的关系[11]、空调负荷功率频率的转换机理[12]、空调负荷聚合功率与开断时间的关系[13]等方面进行研究。在其电压机理方面，主要有静态电压特性模型[1415]、感应电动机特性模型及综合负荷模型。基于潮流雅克比矩阵得到功率母线电压的灵敏度信息[16]，进而降压调节负荷。兼顾空调负荷电压动态特性和温控特性，通过降压调温削减负荷机理亟待揭示。基于多智能体系统的配电网调峰研究已有一定成果[1718]。

　　在空调负荷削峰方法研究方面，采用分时电价等价格激励措施成为主要削峰手段，如文献[19]针对居民的舒适度温度差异进行不同的价格补偿;文献[20]以分段报价方式对空调负荷进行调度控制;文献[21]基于区块链技术，建立空调负荷削减目标进行调节。在主动配电网调压方面，目前调压目标主要聚焦于降低配电网损耗[2223]和防止节点电压越限[2425]。在不影响用户用电可靠性和系统安全性前提下，基于多智能体方法空调负荷降压调温削峰调控策略值得尝试。

　　本文提出一种基于多智能体的主动配电网空调负荷聚合及其降压调温削减方法。兼顾空调负荷等效热力学模型和电压动态特性，建立空调负荷多智能体聚合模型;进而分析其电压和温度控制下有功负荷和无功负荷特性，揭示空调聚合负荷主动削减机理;最后基于多智能体系统和最优潮流建立主动配电网空调负荷降压调温多智能体削峰模型及求解算法。最后在IEEE33算例系统进行仿真，对比现有方法，验证所提模型和方法。

　　1兼顾电压动态特性及温控特性的空调负荷聚合模型

　　1.1考虑电压动态特性及温控特性的空调负荷模型

　　本文分别采用三阶感应电动机模型[26]和等效热参数模型[27]描述空调负荷电压及温控特性。

　　1.2兼顾电压动态特性及温控特性的空调负荷多智能体聚合模型

　　为挖掘母线灵活的调节能力及实现母线之间的快速通信，本文在构建母线负荷智能体(busagent，BA)的基础上，建立多智能体空调负荷聚合模型。当前空调负荷可分为参数相同或相近的同质负荷和参数不同的异质负荷，当式(1)中的热阻、热容等相互独立但分布在一定区间内为异质负荷。

　　2空调聚合负荷降压调温削减机理

　　2.1空调聚合负荷降压削减机理

　　2.2空调聚合负荷调温削减机理

　　3主动配电网空调负荷降压调温多智能体削减模型及求解方法

　　3.1降压调温多智能体系统

　　采用信息通信是实现灵活复杂协调策略的基础，合同网协议(contractnetprotocol，CNP)广泛用于多智能体系统的通信中，结合合同网协议，为实现智能体的集中分布式管理。

　　1)联络变电站智能体(substationagent，SA)。实时监视节点电压，同时向主导智能体发送有载调压变压器(onloadtapchanger，OLTC)补偿量信息。2)母线智能体(BA)。获取节点负荷及支路功率信息;主导智能体获取无功补偿装置调压能力及各BA的空调负荷最大削减容量，计算各调压元件的无功补偿量，将无功补偿量及温度调节量发送给各响应智能体。

　　3)调压智能体(voltageregulatoragent，VRA)。包括OLTC、并联电容器及静止无功补偿器(staticvarcompensation，SVC)。由于OLTC安装在联络变电站内，其智能体可由SA充当，并联电容器智能体(shuntcapacitoragent，SCA)与静止无功补偿器智能体分别用SCA和SVCA表示。调压智能体主要任务为响应主导智能体的服务请求，将补偿量转化为相应控制信号给无功补偿装置。

　　4)温度控制智能体(temperaturecontrolagent，TCA)。温度控制智能体接受主导智能体的温度控制指令，向各台区分控制智能体发送“服务请求”。5)分布式电源智能体(distributedgenerationagent，DGA)。分布式电源智能体与分布式电源(distributedgeneration，DG)相连。

　　3.2空调负荷降压调温削减最优潮流模型考虑温度和电压两种控制方法，以空调有功负荷削减量最大为目标。

　　3.3基于多智能体的降压调温负荷削减模型求解方法本文针对节点高峰负荷场景，基于多智能体系统对空调负荷降压调温削减最优潮流模型进行求解，具体步骤如下：

　　步骤1：输入主动配电网参数，包括空调负荷感应电动机参数、等效热力学参数、节点母线初始电压及相角、分布式电源参数等。步骤2：通过龙格库塔求解空调负荷模型，得到单台空调的复功率。步骤3：聚合空调负荷功率，得到空调负荷节点初始功率并代入潮流计算模型。步骤4：通过牛顿拉夫逊法计算主动配电网潮流，得到节点电压、线路功率。步骤5：确定需要削减负荷的节点为主导智能体节点，将空调有功负荷削减最大目标转换为求电压降低最大或温度调节最大，考虑电压及温度约束条件，计算最大温度调节量或电压降低量。

　　4算例仿真分析

　　4.1算例系统参数

　　为分析所提方法的有效性，本文在IEEE33节点主动配电网系统上建立仿真模型。基准容量为10MVA，基准额定电压为12.66kV。分别在节点29和节点31上添加电容器组和SVC元件来作为离散型与连续型的无功补偿装置，OLTC添加在根节点33节点上。

　　4.2算例结果分析

　　4.2.1空调负荷聚合分析

　　空调负荷聚合功率相对误差分布，在绝大多数情况下，相对误差的绝对值不超过0.5%，估计精度可满足实际决策需求。基于文章篇幅问题，空调无功功率聚合与有功功率聚合方法相同，此处不再赘述。所有的无功补偿装置均发生动作。OLTC优先动作影响所有节点电压，t=5s时，部分节点电压降低到0.95pu以下，如节点31电压跌落到0.9428pu，此时为满足电压安全性约束，以节点电压越限量作为新的目标值，确定新的主导智能体节点，并制定电压策略。考虑此时OLTC不再重复动作，仅通过并联电容器及静止无功补偿装置进行电压调整，直至电压剩余调节量满足允许误差要求，此时节点16电压为0.9502pu，即完成降压削减负荷。除根节点外其他节点电压幅值相角变化。

　　5结论

　　本文提出一种基于多智能体的主动配电网空调负荷聚合及其降压调温削减方法，得到的主要结论如下：

　　1)通过建立兼顾电压动态特性及温控特性的空调负荷模型，揭示降压调温空调负荷削减机理，反应了空调负荷功率电压及功率温度的变化关系。

　　2)基于电压安全性及潮流约束，提出降压调温削减空调负荷方法，能够有效削减空调负荷，同时对比温度频率控制方法，验证了降压调温削减空调有功及无功功率的能力。3)降压调温多智能体系统结合集中式控制与分布式控制，能够有效实现空调负荷快速聚合及其削减。基于实际电网的工程案例分析后续将深入探讨与研究。

　　参考文献

　　[1]王永权，张沛超，姚垚.聚合大规模空调负荷的信息物理建模与控制方法[J].中国电机工程学报，2019，39(22):65096521.WangYongquan,ZhangPeichao,YaoYao.Cyberphysicalmodelingandcontrolmethodofaggregatedlargescaleairconditioningload[J].ProceedingsoftheChineseSocietyforElectricalEngineering,2019,39(22):65096521.

　　[2]InternationalEnergyAgency.Airconditioninguseemergesasoneofthekeydriversofglobalelectricitydemandgrowth[EB/OL].2018[20180813].

　　[3]A.ElShahat,R.J.Haddad,R.AlbaFlores,etal."ConservationVoltageReductionCaseStudy,"inIEEEAccess,vol.8,pp.5538355397,2020,doi:10.1109/ACCESS.2020.2981694.

　　[4]L.GutierrezLagosandL.F.Ochoa,"OPFBasedCVROperationinPVRichMV–LVDistributionNetworks,"inIEEETransactionsonPowerSystems,vol.34,no.4,pp.27782789,July2019,doi:10.1109/TPWRS.2019.2894795.

　　[5]H.Hao,B.M.Sanandaji,K.Poolla,etal."AggregateFlexibilityofThermostaticallyControlledLoads,"inIEEETransactionsonPowerSystems,vol.30,no.1,pp.189198,Jan.2015,doi:10.1109/TPWRS.2014.2328865.

　　[6]M.Song,C.Gao,J.Yang,etal."Energystoragemodelingofinverterairconditioningforoutputoptimizingofwindgenerationintheelectricitymarket,"inCSEEJournalofPowerandEnergySystems,vol.4,no.3,pp.305315,September2018,doi:10.17775/CSEEJPES.2016.01480

　　作者：周奇1，马瑞1*，王铁强2，鲁鹏2，冯春贤2，武伟鸣2