本发明提出一种基于微电网中分布式电源的精准调度控制方法，在传统的经济调度方法中嵌入对等频率控制方法，使在分布式电源出力波动或负载波动情况下功率平衡条件被满足，实现微电网中分布式电源的精准调度。在此种控制方法中，负载需求的有功功率和无功功率与发电机发出的有功功率和无功功率平衡；相比于传统集中式电力系统中周期性的经济调度方法，本方法能够保证微电网在不同的运行场景下实现经济调度的精准控制。同时在此种控制方法中，还能够应用不同的控制方法来满足特殊的控制需求。而且本发明的鲁棒经济控制方法在微电网单元出现通讯失败时，还可以保持整个系统运行在经济最优的情况下，实现了微电网经济调度的精准控制。
1.一种基于微电网中分布式电源的精准调度方法，其特征在于，所述微电网系统无中央控制器，各分布式电源地位相等，以实现不同运行场景下去中心化微电网中分布式电源的精准调度；包括以下三种不同运行场景；
场景一：当微电网稳定运行时，此时无分布式电源接入或退出，系统的通信拓扑不发生改变；
场景二：当微电网中分布式电源和负荷具有双随机特性时，即微电网中分布式电源由于天气原因出力增加或减少，并伴随有负荷的随机接入或退出时，此时微电网中分布式电源和负荷的拓扑结构发生变化，微电网中的有功功率和无功功率也发生变化；
场景三：当通讯失败时，微电网中的分布式电源分散成两部分或者更多部分，分散的系统之间不能进行通讯，此时前面所述在正常通讯情况下的一致性方法不一定能继续维持系统的精准调度；
步骤1：获得系统初始阶段的基本数据，收集系统所需要满足的功率平衡条件，判断微电网运行场景；
步骤2：当微电网系统分别运行在以下三种不同运行场景下，对微电网中的分布式电源应用不同的分布式调度方法：当微电网运行在场景一时，构造系统经济运行函数，并对经济运行函数进行求导，求得各分布式电源的拉格朗日算子；
当微电网运行在场景二时，构造微电网中分布式电源的拓扑图，在场景二中，系统中各节点只与相邻节点通信；分别得到系统的邻接矩阵A、次数矩阵D、关联矩阵I及拉普拉斯矩阵L；为满足系统功率匹配问题，对微电网中分布式电源应用图论一致性理论，并结合对等控制中的频率控制方法，把拉格朗日算子看作每个顶点的状态，构造拉格朗日算子函数，计算每个顶点拉格朗日算子的收敛性；当系统中分布式电源或负荷的变动较频繁时，为满足系统对分布式电源精准调度的更高要求，把一致性方法与神经网络算法结合，通过神经网络控制器进行自主控制，使微电网系统更快的达到精准调度；
当微电网运行在场景三时，系统中部分分布式电源通信中断，各顶点的一致性信息不能在各节点之间传输，系统不能再维持一致性；在通信失败时，当系统中的频率控制器均可以正常测量系统频率时，通过设计控制器增益的方法设计控制器参数Kpi和Kii，使系统继续保持精准调度；若部分控制器不能测量系统频率，通过“领导-跟随”控制器的方法，即微电网系统中测量频率的控制器称为“领导”控制器，相互之间进行通信；不能测量频率的控制器称为“跟随”控制器，“跟随”控制器之间不能进行通信，只能接收“领导”控制器信息，与“领导”控制器之间进行单向通信；对“领导”控制器和“跟随”控制器分别应用分布式调度控制方法并求得各分布式电源的拉格朗日算子；
步骤3：判断在当前运行场景下微电网中各分布式电源的拉格朗日算子是否相等，若相等，则系统中各分布式电源实现了精准调度，否则跳到步骤2。
2.根据权利要求1所述基于微电网中分布式电源的精准调度方法，其特征在于，步骤2中：当微电网运行在所述场景一时，即系统在稳定运行情况下，系统所需要满足的功率平衡条件为： Pimin≤Pi≤Pimax，其中PD为系统总功率，Ploss和Pload分别为线路的损耗功率和负载功率，线路的功率损耗相比于负载功率来说较小，可以忽略；Pimin和Pimax分别为第i个发电机的输出最小有功功率和最大有功功率；构造系统经济运行函数Fi(Pi)＝αi+βiPi+γiPi2，并求导求得 其中Fi(Pi)是第i个发电机的费用函数，αi，βi，γi是第i个发电机费用函数的系数； 为发电机成本微增率；当系统稳定运行时，拉格朗日算子等效为分布式发电机成本微增率，即 λ为拉格朗日算子；当所有发电机中*的拉格朗日算子相等时，整个系统能达到最优的经济调度，且有最优的功率输出Pi(k)。
3.根据权利要求1或2所述基于微电网中分布式电源的精准调度方法，其特征在于，步骤2中：当系统运行在所述场景二时，微电网系统中有分布式电源接入或者退出，系统的发电单元和负荷均随机变动，此时系统的通信拓扑一直在发生变化，系统具有双随机特性；此时在微电网分布式电源精准调度方法中，把每个发电机视为图论中的一个顶点；则电力系统中的通信网络看成一个无向图G＝(V,E),其中V＝{v1,v2,...vn}代表在图论中的发电机总线， 表示任何两个顶点之间的边集；图的邻接矩阵A表示为： A＝[aij]是一个n×n对称矩阵，aij代表节点i与节点j之间的连接关
系，当节点i与节点j之间有连接时，aij＝1，没有连接aij＝0；由于分布式发电单元和负荷均随机变动，则分布式单元之间的链接关系满足双随机矩阵 即矩阵A中各行各列的元素和为1；
对微电网中分布式电源应用图论一致性方法，把分布式电源的拉格朗日算子看作每个顶点的状态，则在各个控制器中的拉格朗日算子写成其中 是使λ(k)达到一致性的目标渐进函数， λi*是目标拉格朗日算子，λi是实时拉格朗日算子；当目标渐进函数 时，各分布式电源的一致性协议达到，即实现分布式电源的精准控制。
4.根据权利要求1或2所述基于微电网中分布式电源的精准调度方法，其特征在于，步骤2中：当系统运行在所述场景二时，各分布式电源的有功功率和无功功率均发生变化，为了使系统中负载和发电机的功率平衡，在频率控制器中应用离散的频率对等控制方法，提出的分布式精准控制方法写成：其中，Δf(k)是第k次迭代时的频率误差，f(k)是第k次迭代时系统的频率，frated是当负载需求功率和发电机生产功率平衡时的额定频率，Kpi是比例系数，Kii是积分系数；当得到λi*(k)后，通过对费用函数求导即可得到第i个发电机的功率参考值Pi (k)，即最优的功率输出。
5.根据权利要求1或2所述基于微电网中分布式电源的精准调度方法，其特征在于，步骤2中：当系统运行在所示场景二时，当系统中分布式电源或负荷的变动较频繁时，为满足系统对分布式电源精准调度的更高要求，在电压和频率安全约束下，通过神经网络控制器进行自主控制，即在神经网络控制器中嵌入一致性算法，所述的神经网络共有三层，其中包括输入层、隐藏层和输出层，输入层包括三个神经元，隐含层包括三个神经元，输出层包括两个神经元；神经网络的输入是频率误差Δf(k-1)、Δf(k)和频率误差的平方Δ2f(k)，神经网络的输出是拉格朗日算子λi和拉格朗日算子的变化量Δλi，对各分布式电源控制器应用的控制方法如下：O1＝Sigm(Δf(k-1)W1,1+Δf(k)W1,2+Δ2f(k)W1,3+B1)
其中，W1,1，W1,2和W1，3分别是输入层的3个权重向量；B1和B2是两层之间的偏差，O1是隐藏层的输出，S形函数的表达式为 S型函数把隐藏层的输出限制在(-1,1)之间。
6.根据权利要求1或2所述基于微电网中分布式电源的精准调度方法，其特征在于，步骤2中：当微电网系统运行在所述场景三时，即当通讯失败时，通过调节控制器的参数Kpi和Kii，令 则 即 若由于费用原因或者系统通信出错导致部分分布式电源控制器不能测量系统的频率，通过“领导-跟随”控制器形式，即控制器中能测量频率的被称为“领导”控制器，不能测量频率的控制器被称为“跟随”控制器；“领导”控制器之间相互通信，“领导”控制器中的一致性算法表示为：其中 代表一系列的领导节点；“跟随”控
制器之间不能通信，“跟随”控制器的算法是： 这种“领
导-跟随”的控制模式使领导控制器与跟随控制器之间的通信变成单向的，系统在部分控制器不能测量频率的情况下使系统达到最优的精准调度。
7.根据权利要求1或2所述基于微电网中分布式电源的精准调度方法，其特征在于，步骤3：当微电网系统运行在当前场景下时，计算各分布式电源的拉格朗日算子的收敛性，当所有拉格朗日算子相同时，即λ1(k)＝λ2(k)＝λ3(k)＝...＝λn(k)时，系统达到最优的经济调度。
一种基于微电网中分布式电源的精准调度方法
技术领域
[0001] 本发明属于微电网系统的分布式调度技术领域，具体涉及微电网中分布式电源的精准调度。
背景技术
[0002] 经济调度是电力系统中最重要的问题之一，经济调度能保证电力系统运行在最经济的条件之下。传统的经济调度方法主要是为了集中式的电力系统而设计的，在集中式的电力系统中，中央控制器需要为每个发电机计算功率输出参考值，平衡系统中的需求功率和发出功率，实现集中式电力系统调度的精准控制。而在近些年来，由于可再生能源的发展，越来越多的分布式电源被安装在电力系统中，形成了微电网。在微电网中，由于缺少中央控制器，且时刻会伴随有分布式电源与负荷的动态接入或退出，所以系统具有分布式电源与负荷的双随机特性，系统的功率平衡条件很难获得。当微电网中某些分布式电源退出或者接入微电网(即插即用)时，分布式电源之间的连接方式发生了变化，传统的由中央控制器为每个发电机计算功率输出来实现经济调度的方法已经不能满足分布式电源精准调度的需求，如何使微电网系统中分布式电源运行在最优的经济调度之下是一个急需解决的问题。
发明内容
[0003] 针对负载环境下分布式可再生电源并网带来的源-网-荷动态功率不平衡问题和现有方法的不足，本发明的目的在于提出一种新的针对微电网中分布式电源精准控制方法。由于微电网中电源的分布式特性，各个分布式电源的地位相等，无中央控制器，所以本发明利用在传统的经济调度方法中嵌入对等频率控制方法，使得在分布式电源出力波动或负载波动情况下功率平衡条件能够被满足，可以实现微电网中分布式电源的精准调度。在此种控制方法中，负载需求的有功功率和无功功率与发电机发出的有功功率和无功功率能够平衡；相比于传统集中式电力系统中周期性的经济调度方法，本发明所提出的经济调度的控制方法能够保证微电网在不同的运行场景下实现经济调度的精准控制。同时在此种控制方法中，还能够应用不同的控制方法来满足特殊的控制需求。而且本发明的鲁棒经济控制方法在微电网单元出现通讯失败时，还可以保持整个系统运行在经济最优的情况下，实现了微电网经济调度的精准控制。
[0004] 为达到上述要求，本发明的具体技术方案为：
[0005] 微电网是由分布式电源、能量转换装置、负荷、储能装置、监控和保护装置等汇集而成的小型发配电网络，用来向用户提供电能。在去中心化微电网中各个分布式电源的地位相等，无中央控制器。当微电网中某些分布式电源或负荷具有双随机特性(即微电网系统中分布式电源出力由于天气原因增加或减少并伴随有负荷的动态接入或退出)时，分布式电源和负荷之间的连接方式发生了变化，拓扑结构也发生变化，传统的由中央控制器为每个发电机计算功率输出来实现经济调度的方法已经不能满足分布式电源精准调度的需求。所以本发明提出了针对去中心化微电网中分布式电源的精准调度方法。
[0006] 本发明以不同运行场景下去中心化微电网中分布式电源的精准调度为目标，在三种不同运行场景下，分别给出了微电网中分布式电源精准调度方法，使系统在不同运行场景下均能实现分布式电源的精准调度。
[0007] 场景一：当微电网稳定运行时，无分布式电源的接入或退出，此时构造系统经济运行函数，并对经济运行函数进行求导，求得各分布式电源的拉格朗日算子。
[0008] 场景二：当微电网中分布式电源和负荷具有双随机特性时，即微电网中分布式电源由于天气原因随机出力增加或减少，并伴随有负荷的随机接入或退出时，此时微电网中分布式电源和负荷的拓扑结构发生变化，系统中的有功功率和无功功率也发生了变化。为了使分布式系统的功率匹配问题得到解决，本发明提出把图论中的一致性方法结合频率对等控制来解决分布式电源的调度问题。当系统中分布式电源或负荷的变动较频繁时，为满足系统对分布式电源精准调度的更高要求，本发明提出的一致性方法还可以与神经网络方法结合，通过神经网络控制器进行自主控制，来满足分布式电源精准调度的不同需求。
[0009] 场景三：当通讯失败时，微电网中的分布式电源分散成两部分或者更多部分，分散的系统之间不能进行通讯，此时前面所述在正常通讯情况下的一致性方法不一定能继续维持系统的精准调度。在通信失败时，当系统中的频率控制器均可以正常测量系统频率时，所以本发明提出了设计控制器增益Kpi和Kii的方法，使系统继续保持精准调度。若部分控制器不能测量系统频率，本发明提出设计“领导-跟随”控制器的方法，使微电网系统中可以测量频率的控制器称为“领导”控制器，相互之间可以进行通信；不能测量频率的控制器称为“跟随”控制器，“跟随”控制器之间不能进行通信，只能与“领导”控制器之间进行单向通信。对“领导”控制器和“跟随”控制器分别应用分布式调度控制方法并求得各分布式电源的拉格朗日算子。可以使系统继续保持鲁棒性，维持精准调度。
[0010] 所述精准调度的方法包括以下步骤：
[0011] 步骤1：获得系统初始阶段的基本数据，收集系统所需要满足的功率平衡条件，判断微电网运行场景；步骤1：获得系统初始阶段的基本数据，收集系统所需要满足的功率平衡条件，判断微电网运行场景；
[0012] 步骤2：当微电网系统分别运行在以下三种不同运行场景下，对微电网中的分布式电源应用不同的分布式调度方法：
[0013] 当微电网运行在场景一时，构造系统经济运行函数，并对经济运行函数进行求导，求得各分布式电源的拉格朗日算子；
[0014] 当微电网运行在场景二时，构造微电网中分布式电源的拓扑图，在场景二中，系统中各节点只与相邻节点通信；分别得到系统的邻接矩阵A、次数矩阵D、关联矩阵I及拉普拉斯矩阵L；为满足系统功率匹配问题，对微电网中分布式电源应用图论一致性理论，并结合对等控制中的频率控制方法，把拉格朗日算子看作每个顶点的状态，构造拉格朗日算子函数，计算每个顶点拉格朗日算子的收敛性；当系统中分布式电源或负荷的变动较频繁时，为满足系统对分布式电源精准调度的更高要求，把一致性方法与神经网络算法结合，通过神经网络控制器进行自主控制，使微电网系统更快的达到精准调度；
[0015] 当微电网运行在场景三时，系统中部分分布式电源通信中断，各顶点的一致性信息不能在各节点之间传输，系统不能再维持一致性；在通信失败时，当系统中的频率控制器均可以正常测量系统频率时，通过设计控制器增益的方法设计控制器参数Kpi和Kii，使系统继续保持精准调度；若部分控制器不能测量系统频率，通过“领导-跟随”控制器的方法，即微电网系统中测量频率的控制器称为“领导”控制器，相互之间进行通信；不能测量频率的控制器称为“跟随”控制器，“跟随”控制器之间不能进行通信，只能接收“领导”控制器信息，与“领导”控制器之间进行单向通信；对“领导”控制器和“跟随”控制器分别应用分布式调度控制方法并求得各分布式电源的拉格朗日算子；
[0016] 步骤3：判断在当前运行场景下微电网中各分布式电源的拉格朗日算子是否相等，若相等，则系统中各分布式电源实现了精准调度，否则跳到步骤2。
[0017] 进一步地，当系统运行在步骤2中的场景一时，即系统在稳定运行情况下，系统所需要满足的功率平衡条件为： Pimin≤Pi≤Pimax，其中PD为系统总功率，Ploss和Pload分别为线路的损耗功率和负载功率，线路的功率损耗相比于负载功率来说比较小，可以忽略；Pimin和Pimax分别为第i个发电机的输出最小有功功率和最大有功功率。构造系
2
统经济运行函数Fi(Pi)＝αi+βiPi+γiPi ，并求导求得 其中Fi(Pi)是第i个发电机的费用函数，αi，βi，γi是第i个发电机费用函数的系数； 为发电机成本微增率。当系统稳定运行时，拉格朗日算子等效为分布式发电机成本微增率，即 λ为拉格朗日算子。当所有发电机中的拉格朗日算子相等时，整个系统能达到最优的经济调度，且有最优的功率输出Pi*(k)。
[0018] 进一步地，上述当系统运行在步骤2中的场景二时，微电网系统有分布式电源接入或者退出，系统的发电单元和负荷均随机变动，此时系统的通信拓扑一直在发生变化，系统具有双随机特性。此时在分布式精准调度方法中，可以把每个发电机视为图论中的一个顶点。则电力系统中的通信网络可以看成一个无向图G＝(V,E),其中V＝{v1,v2,...vn}代表在图论中的发电机总线， 表示任何两个顶点之间的边集。图的邻接矩阵A可以表示为： A＝[aij]是一个n×n对称矩阵，aij代表节点i与
节点j之间的连接关系，当节点i与节点j之间有连接时，aij＝1，没有连接aij＝0。由于分布式发电单元和负荷均随机变动，则分布式单元之间的链接关系满足双随机矩阵
即矩阵A中各行各列的元素和为1。
[0019] 对微电网中的分布式电源应用图论一致性方法，把分布式电源的拉格朗日算子看作每个顶点的状态，在各个控制器中的拉格朗日算子可以写成其中 是使λ(k)达到一致性的目
标渐进函数， λi*是目标拉格朗日算子，λi是实时拉格朗日算子。当 时，
一致性协议可以达到，即可以实现经济调度的精准控制。
[0020] 进一步地，上述系统运行在场景二时，各分布式电源的有功功率和无功功率均发生变化，为了平衡系统中负载和分布式电源的功率平衡，在频率控制器中应用离散的频率对等控制方法，提出的分布式精准控制方法可以写成：
[0021]
[0022] 其中，Δf(k)是第k次迭代时的频率误差，f(k)是第k次迭代时系统的频率，frated是当负载需求功率和发电机生产功率平衡时的额定频率，Kpi是比例系数，Kii是积分系数。当得到λi(k)后，通过对步骤4中的费用函数求导即可得到第i个发电机的功率参考值Pi*(k)，即最优的功率输出。
[0023] 进一步地，上述当系统运行在场景二时，若系统中分布式电源或负荷的变动较频繁时，为满足系统对分布式电源精准调度的更高要求，在电压和频率安全约束下，本发明提出通过神经网络控制器进行自主控制。本发明中的神经网络共有三层，其中包括输入层、隐藏层和输出层，输入层包括三个神经元，隐含层包括三个神经元，输出层包括两个神经元。神经网络的输入是频率误差Δf(k-1)、Δf(k)和频率误差的平方Δ2f(k)，神经网络的输出是拉格朗日算子λi和拉格朗日算子的变化量Δλi，神经网络控制器可以解决系统中分布式发电单元与分布式负荷间的功率分配，实现微电网中分布式电源的优化分配。
[0024] 当系统运行在步骤2中的场景三时，即当通讯失败时，去中心化微电网中的分布式电源分成了两部分甚至更多部分，此时一致性信息不能在各个节点之间传输，则上述基本的分布式经济调度控制方法不能再维持系统的一致性，不能实现系统的实时经济调度。若通信失败时，系统中分布式电源控制器仍可以测量系统频率，本发明提出通过调节控制器的参数Kpi和Kii，设计令 则可以使 即在设置新的控制器参数以后，由于所有的拉格朗日算子相等，所以即使在通信
失败的情况下，系统仍然能保持一致性，达到精准调度。但在微电网中，当由于费用原因或者系统通信出错，部分控制器不能测量系统的频率，则目标渐进函数Δλi(k)＝2γi[Kpi(Δf(k)-Δf(k-1)+τKiiΔf(k)]就不能由频率计算出来。为了解决这个问题，本发明又提出了“领导-跟随”控制器形式，即控制器中能测量频率的被称为“领导”控制器，不能测量频率的控制器被称为“跟随”控制器。这种“领导-跟随”的控制模式主要是使领导控制器与跟随控制器之间的通信变成单向的，所以跟随控制器中缺少Δλi(k)不会影响系统的一致性。则“领导”控制器中的一致性算法可以表示为：
其中 代表一系列的领导节点。跟随控制器的算法是：
由于缺少频率测量功能，则缺少目标渐进函数Δλi(k)。但是跟随控制器能单向接收来自领导节点的拉格朗日算子，使跟随控制器也达到一致性，使系统在部分控制器不能测量频率的情况下也可以使系统达到最优的精准调度。
[0025] 进一步地，上述步骤3：当微电网系统运行在当前场景下时，计算各分布式电源的拉格朗日算子的收敛性，当所有拉格朗日算子相同时，即λ1(k)＝λ2(k)＝λ3(k)＝...＝λn(k)时，系统达到最优的经济调度。
[0026] 本发明的有益效果在于：
[0027] (1)功率平衡限制条件能够被严格满足；
[0028] (2)与传统的集中式电力系统中周期性经济调度相比，本文提出的控制方法能够满足分布式电源实时的精准经济调度。
[0029] (3)微电网中控制采用完全分布式对等结构，无需中央控制器，支持微电网单元可独立运行而具有即插即用特点。当有分布式单元接入或退出系统时，不影响整体微电网集群优化调度，提高了整个微电网的稳定性和鲁棒性。
[0030] (4)因地制宜，利用已有的互联网通信资源，避免建立微电网集群控制中心的大量通信建设投资。
附图说明
[0031] 图1为带四个分布式电源的系统图。
[0032] 图2为23节点分布式系统图。
[0033] 图3为分布式算法流程图。
[0034] 图4为神经网络结构示意图。
[0035] 图5为通讯失败时采用的分布式单元“领导-跟随”控制示意图。
[0036] 图6为在场景二下应用频率对等控制方法23节点系统的频率仿真波形图。
[0037] 图7为在场景二下应用频率对等控制方法23节点系统中拉格朗日算子仿真波形图。
[0038] 图8为在场景二下应用神经网络控制方法23节点系统中各分布式电源拉格朗日算子的仿真收敛波形图。
[0039] 图9为在通信失败时仿真的系统的频率波形图。
[0040] 图10为在通信失败时仿真的拉格朗日算子的波形图。
具体实施方式
[0041] 下面结合本附图，对本发明具体实施方式进行说明：
[0042] 图1为带四个分布式电源的分布式系统图，在系统中有四个DG(分布式电源)，每个DG可以是太阳能发电、风力发电、燃料电池或燃气轮机等。每个DG均有一个控制器，控制器可以与相邻节点进行通信并且只能与相邻节点通信。在图1的分布式系统中，无中央控制器，各个分布式电源之间地位相等，无主从关系。
[0043] 步骤1：当微电网运行在场景一时，以附图1为例进行说明：
[0044] 步骤1-1：系统中无分布式电源接入或退出，系统处于稳定状态，构造经济函数Fi(Pi)＝αi+βiPi+γiPi2，其中Fi(Pi)是第i个发电机的费用函数，αi，βi，γi是第i个发电机费用函数的系数；系统需要满足的功率平衡条件为： Pimin≤Pi≤Pimax，其中PD为系统总功率，Ploss和Pload分别为线路的损耗功率和负载功率，线路的功率损耗相比于负min max
载来说比较小，可以忽略；Pi 和Pi 分别为第i个发电机的输出最小有功功率和最大有功功率。
[0045] 步骤1-2：对Fi(Pi)求导，即 其中 为系统发电机经济函数的微增率。当系统稳定时，各分布式电源的微增率等于各分布式电源的拉格朗日算子λ。
当所有发电机中的经济函数微增率相等时，即当各分布式电源的拉格朗日算子相等时，整个系统能达到最优的经济调度。此时系统最优的功率输出①当Pimin(k)
[0046] 步骤2：当微电网系统运行在场景二时，结合附图2进行说明，如图2所示的23节点的分布式系统，在系统中有4个分布式电源，这4个分布式电源可以是光伏发电、风力发电或者柴油发电等，各分布式电源的控制器之间可以相互通信。此时系统中有负荷和发电机的接入和退出，所以系统的通信拓扑也一直在发生变化，系统中的有功和无功功率也一直在变化，此时系统具有双随机特性。
[0047] 步骤3：对系统中的分布式电源应用图论中的一致性方法，把每个发电机视为图论中的一个顶点。电力系统中的通信网络可以看成一个无向图G＝(V,E),其中V＝{v1,v2,...vn}代表在图论中的发电机总线， 表示任何两个顶点之间的边集。则分布式电源构成的图的邻接矩阵A可以表示为： A＝[aij]是
一个n×n对称矩阵，aij代表节点i与节点j之间的连接关系，当节点i与节点j之间有连接时，aij＝1，没有连接aij＝0。由于分布式发电单元和负荷均随机变动，则分布式单元之间的链接关系应满足双随机矩阵，即矩阵A中各行各列的元素和为1。次数矩阵D可以表示为：
其中，次数矩阵D中的对角元素d(vi)表示与顶点vi相连的顶点的
数量；关联矩阵I以及拉普拉斯矩阵L可以分别表示为：
L＝D-A＝I·IT，L是拉普拉斯矩阵。在图2的23节点系统中，采用的是分布式电源，不需要中央控制器来统一调配，所以当其中一个分布式电源发生故障时，并不影响其余电源供电，实现了分布式电源即插即用的功能。
[0048] 步骤4：为了达到分布式电源的精准调度，应用图论中一致性方法，把拉格朗日算子看作每个顶点的状态，对其应用频率对等控制方法。当各个顶点的拉格朗日算子相等时，系统达到最优的经济调度。
[0049] 根据附图3的流程图可以看出，对微电网中分布式电源应用一致性方法的步骤如下：
[0050] 步骤4-1：初始化λi(0)；
[0051] 步骤4-2：设置顶点vi和vj之间的权重系数wij，频率比例系数Kpi和频率积分系数Kii；
[0052] 步骤4-3：测量电网频率fi(k)；
[0053] 步骤4-4：从相邻节点获得拉普拉斯算子λj(k-1)，同时把本地拉普拉斯算子λi(k-1)送给相邻节点，并根据图论一致性算法计算拉格朗日算子λi(k)；
[0054] 步骤4-5：根据图论一致性方法，可以把拉格朗日算子λ看作各个顶点的状态。构造拉格朗日算子函数λi(k)，在经过多次迭代之后计算λ1(k)，λ2(k)…λn(k)是否相等。如果相等则转到步骤4-6，否则转到步骤4-7。
[0055] 步骤4-6：当所有拉格朗日算子相同时，即λ1(k)＝λ2(k)＝λ3(k)＝...＝λn(k)时，系统达到分布式电源的精准控制，经济调度目标实现。
[0056] 步骤4-7：若λ1(k)≠λ2(k)...≠λn(k)，则令k＝k+1，继续步骤4-1到步骤4-5，直到λ1(k)＝λ2(k)＝λ3(k)＝...＝λn(k)为止，系统的经济调度目标再次实现。
[0057] 步骤5：在上述步骤4-5中，需构造拉格朗日算子函数λi(k)，根据图论中一致性算法，在各个控制器中的拉格朗日算子可以写成其中 是使λ(k)达到一致性的目标渐进函数， λi*是目标拉格朗日算子，λi
是实时拉格朗日算子。在经过多次迭代之后，一致项 趋于0。则步骤
5中等式变为 不难看出式中Gi*(k)相当于拉格朗日算子变化量Δλi
(k)，则 ΔPi(k)是第i个发电机有功功率输出的变化量。
则当 时，λi(k)＝λi(k-1)，一致性协议可以达到，即λ1(k)＝λ2(k)＝λ3(k)＝...＝λn(k)，此时即实现分布式电源的精准控制，系统的经济调度目标实现。
[0058] 步骤6：为了平衡系统中负载和发电机的有功及无功功率平衡，用频率控制器来计算每个发电机的功率变化量ΔPi(k)，由于算法的迭代是以离散的方式进行的，所以频率控制器中可以应用离散的频率对等控制方法，提出的分布式经济调度控制方法可以写成：
[0059]
[0060] 其中，Δf(k)是第k次迭代时的频率误差，f(k)是第k次迭代时系统的频率，frated是当负载需求功率和发电机生产功率平衡时的额定频率，Kpi是比例系数，Kii是积分系数。当得到λi(k)后，通过步骤1-2可以得到第i个发电机的功率参考值Pi*(k)，即最优的功率输出。
[0061] 步骤7：当微电网系统拓扑结构发生变化，为了使系统中的功率能够平衡，可以通过本发明前面所述的在PI频率控制器中嵌入一致性算法实现。但是当系统中分布式电源或负荷的变动较多时，为满足系统对分布式电源精准调度的更高要求，在电压和频率安全约束下，本发明提出通过神经网络控制器进行自主控制，即在神经网络控制器中嵌入一致性算法，解决通信网络不确定时电力系统中分布式发电单元与分布式负荷间的动态功率均衡分配，实现电力系统不同层级动态功率的分布式优化分配。本发明中的神经网络共有三层，其中包括一个输入层，一个隐藏层和一个输出层。输入层有3个神经元，隐藏层有3个神经元，输出层有2个神经元，如果需要神经网络还可以扩展到多层结构。神经网络的输入是频率误差Δf(k-1)Δf(k)和频率误差的平方Δ2f(k)，其中Δ2f(k)＝Δf(k)-Δf(k-1)，神经网络的输出是拉格朗日算子λi和拉格朗日算子的变换量Δλi，三层的神经网络如附图4所示。
[0062] 步骤8：通过图4所示的神经网络的结构，提出的控制方法如下所示：
[0063]
[0064] O1＝Sigm(Δf(k-1)W1,1+Δf(k)W1,2+Δ2f(k)W1,3+B1)
[0065] Δf(k)＝frated-f(k)
[0066] Δ2f(k)＝Δf(k)-Δf(k-1)
[0067] 其中，W1,1，W1,2和W1，3分别是输入层的3个权重向量；B1和B2是两层之间的偏差，O1是隐藏层的输出，S形函数的表达式为 S型函数把隐藏层的输出限制在(-1,1)之间。神经网络控制器可以解决系统中分布式发电单元与分布式负荷间的功率分配，使各分布式电源的拉格朗日算子更快收敛，使微电网系统在拓扑改变时更快实现分布式电源的精准调度。但是由于神经网络控制方法计算的复杂性，仅在当微电网中分布式电源及负荷变动比较频繁时才适合应用。
[0068] 步骤9：当系统中通信失败时，系统分成两部分或者更多部分。由前面步骤所知，在各个控制器中的拉格朗日函数需要保持通信使拉格朗日算子收敛保持一致。但当通讯失败时，一致性信息不能在各个节点之间传输，则上述基本的分布式经济调度控制方法不能再维持系统的一致性，不能实现系统的实时经济调度。
[0069] 步骤10：本发明提出的鲁棒控制方法可以解决通信失败时系统的实时调度问题，使系统在通信失败过程中仍然能保持实时的经济调度。本发明提出的在部分通信失败时的鲁棒性分布式经济调度方法主要包括两个部分：控制器增益设计和“领导-跟随”控制器模式。
[0070] 步骤10-1：由上面步骤5可知，本发明所提出的基本的分布式经济调度方法包括两部分：包括一致项部分 和目标渐进函数部分Δλi(k)。由于在系统中各节点的参数不同，所以各节点目标渐进函数的值也不同。在正常通信情况下，通过一致性协议，目标渐进函数的误差可以被消除，各个节点的拉格朗日算子相等，系统达到最优的经济调度。但在通信失败的情况下，拉格朗日算子不能在各个节点之间传输，系统不能达到一致性，即不能实现实时的经济调度。
[0071] 步骤10-2：若通信失败时，系统中分布式电源控制器仍可以测量系统频率，本发明提出可以通过设计PI控制器的参数Kpi和Kii，使系统在通信失败期间仍然可以保持一致性，实现系统的经济调度。由前面可知，系统的误差是由于各节点的参数不同导致的，所以通过设计控制器参数使目标渐进函数Δλi(k)相同，系统即可达到一致性。在通信失败时，如果通过调节控制器参数使 即使 则系统仍然可以保持一致性，达到最优经济调度。通过计算可得调整后的拉格朗日算子平均值
与步骤6中的Δλi(k)相比，则新的Kpi*
和Kpi*可以分别设置成： 在设置新的控制器参数以后，
由于所有的拉格朗日算子相等，所以即使在通信失败的情况下，系统仍然能保持一致性，使系统达到最优的经济调度。
[0072] 步骤10-3：当通信失败时，若由于费用原因或者系统通信出错，部分控制器不能测量系统的频率，则目标渐进函数Δλi(k)＝2γi[Kpi(Δf(k)-Δf(k-1)+τKiiΔf(k)]就不能由频率计算出来，所以修改控制器增益的方法就不能直接应用，为了解决这个问题，本发明又提出了“领导-跟随”模式，即控制器中能测量频率的被称为领导控制器，不能测量频率的控制器被称为跟随控制器，如附图5所示。这种“领导-跟随”的控制模式主要是使“领导”控制器与“跟随”控制器之间的通信变成单向的，所以跟随节点中缺少Δλi(k)不会影响系统的一致性。“跟随”控制器可以跟随着“领导”控制器通过一致性协议使系统达到一致。则“领导”控制器中的一致性算法可以表示为： 其中 代表一系列的领导节点，目标渐进函数Δλi(k)可以通过上述的PI控制器或者神经网络控制器计算。在“领导-跟随”控制器模式中与前面所述基本的一致性算法的区别是：“领导”控制器只与各“领导”控制器间通信，各“跟随”控制器之间不能进行通信，但“跟随”控制器可以接收“领导”控制器发出的信息而不能向“领导”控制器发送信息，所以如果跟随控制器出现错误不会影响领导控制器。跟随控制器的算法是： 由
于缺少频率测量功能，则缺少目标渐进函数Δλi(k)。但是跟随控制器能单向接收来自领导控制器的拉格朗日算子，使跟随控制器也达到一致性，也可以使系统达到经济调度的精准控制。
[0073] 当系统在不同运行情况下，以附图2中23节点系统为例进行MATLAB仿真。附图2中各个发电机的参数如表1所示，各个负载的参数如表2所示：
[0074] 表1发电机参数表
[0075]
[0076] 表2负载参数表
[0077]
[0078]
[0079] 情况一：在6s时，DG4的功率由额定功率100MW变为90MW,在14s时，负载17由60MW变为66MW，可以看到系统仿真的频率波形图如图6所示，在经过两次轻微波动后，系统的频率仍保持在稳定的范围内，最后稳定在50Hz，说明本发明提出的频率对等控制方法可行并且系统的功率条件得到满足。各分布式电源的拉格朗日算子波形如图7所示，可以看出各个发电机控制器的拉格朗日算子在系统额定运行时相等，当系统出现发电机出力的随机波动或者负载的接入或退出时，拉格朗日算子在经过短时间的经过轻微波动后，均又重新相等。说明本发明提出的频率对等控制方法可以保持各控制器的拉格朗如算子相等，即可以实现系统的精准调度。
[0080] 情况二：当微电网中分布式电源或负荷变动较频繁时，即：在3s时系统中DG1的功率由额定功率95MW变为90MW，DG2的功率由额定功率120MW变为130MW，同时DG3的功率由额定功率90MW变为85MW，负载11由60MW变为65MW，负载13无功功率由90MW变为95MW。此时由于微电网系统中电源和负荷变化频繁，对微电网系统应用神经网络控制方法，得到各个分布式电源的拉格朗日算子收敛波形图如图8所示，可以看出拉格朗日算子在很短的时间(2s内)即收敛至相同值，说明神经网络控制算法的快速性与准确性。
[0081] 假设在5s时DG1与DG3之间通信失败，从仿真频率波形图9中可以看出，系统经过一段波动稳定后频率仍保持在正常的范围内，且最后稳定值也在频率稳定范围内。从仿真图10中可以看出，在通信失败后各控制器的拉格朗日算子有一定的波动后重新稳定，且稳定后的值仍相等，说明本发明提出的控制方法在通信失败时仍能实现系统的精准控制。
