基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法及系统

摘要

本发明公开了一种基于MPC和ADMM算法的VSC‑HVDC并网风电场分布式协调电压控制方法及系统，包括：获取系统运行状态信息，计算电压灵敏度系数，建立风电场侧换流器预测模型，风电机组的无功线性化控制预测模型以及整个系统的线性化状态空间模型；以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，建立基于MPC的VSC‑HVDC并网风电场协调电压控制的最优化数学模型；对上述最优化数学模型进行求解。本发明将大规模带约束优化问题拆解为无约束的优化问题以及多个并行的小规模带约束优化问题，减小了中央控制器的计算负担，更加适用于大规模海上风电场的优化控制。

说明书

技术领域

本发明属于电力系统运行控制领域，具体涉及一种基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法及系统。

背景技术

风力发电是新能源技术中最成熟、最具规模化商业开发前景的发电方式之一。其中，海上风力发电代表风电技术的前沿和制高点，将成为未来风电市场的发展重心。基于电压源型换流器的柔性直流输电技术(VSC-HVDC)发展迅速，其优势在于占地面积小，模块化结构易于建设施工，控制方式灵活，不存在换相失败问题，不受输送距离限制，有效隔离交流系统故障，具备黑启动能力，并易于构成多端直流系统等，现已成为海上风电场并网的主流技术方式。

海上风电场的规模不断扩大，风电机组数量的不断增多，其对电力系统的影响日趋显著，风电场的安全稳定运行对整个电力系统的安全运行有重要意义。其中，大规模风电场的电压稳定控制有利于避免大规模风机脱网事故的发生，减小风电并网对传统电力系统的冲击，提高能源的利用率。

由于系统结构和的差异，与传统交流并网风电场电压控制方法不同，基于VSC-HVDC并网风电场的控制的主要目标为稳定风电机组的机端电压，防止风电机组因机端电压过高或过低被切除。

随着海上风电场的规模不断扩大，传统集中式控制的计算负担大大增加，其可扩展性较差。因此，适用于大规模海上风电场控制的分布式控制方法亟待发展。近些年来，随着人工智能、机器学习的高速发展，分布式优化、并行计算等领域得到大力推动，这为风电场实时分布式优化控制奠定了基础。

发明内容

为了解决背景技术中指出的传统集中式控制的计算负担大大增加的问题，本发明公开了一种基于模型预测控制(MPC)和交替乘子算法(ADMM)的VSC-HVDC并网风电场分布式协调电压控制方法及系统，充分发挥风电场侧换流器(WFVSC)和风电机组的无功、电压控制能力，以实现风电场内部的电压稳定，防止大规模脱网事故发生，降低传统集中控制器的计算负担，以适应未来大规模风电场的发展需求。

为了实现上述目的，本发明采用如下技术方案：

在一个或多个实施方式中公开的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，包括：

获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；

基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；

建立风电场侧换流器预测模型；

建立风电机组的无功线性化控制预测模型；

根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；

以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；

基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。

进一步地，建立风电场侧换流器预测模型，具体为：

其中，状态变量控制变量

ΔV_Sd和分别为V_S的d轴分量增量及其参考值，为辅助变量，Δi_cd为换流器注入电流的d轴分量增量；控制变量为受控母线电压参考值增量；A_V、Β_V分别为状态方程矩阵。

进一步地，建立风电机组的无功线性化控制预测模型，具体为：

其中，状态变量Δx_w＝[ΔQ_w]，控制变量ΔQ_w和分别为风电机组的无功出力增量及其参考值；A_W、Β_W分别为状态方程矩阵。

进一步地，建立整个系统的线性化状态空间模型，具体为：

Δy＝CΔx

其中，状态变量Δx、控制变量Δu以及输出变量Δy分别为：

ΔV_C为VSC端电压增量，为第1台风机的无功增量,为第N_W台风机的无功增量，A、B、C分别为状态方程矩阵。

进一步地，将线性化状态空间模型离散化，得到离散化后的状态空间模型，具体为：

其中，A_d，B_d和C_d分别为离散化后的状态方程矩阵，k为当前控制时刻，Δx(k)为该时刻状态变量，Δu(k)为该时刻控制变量。

进一步地，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型，具体为：

其中，α_S,α_W,α_Q分别为权重系数；为风机i的端电压；V_ref为参考电压；和为第i台风电机组的无功出力的最小和最大限值；和为换流器端电压的最小和最大限值；V_S(k)和V_S(0)分别是受VSC控制母线电压的k时刻预测值和当前时刻测量值，是风机i端电压的当前时刻测量值，为第i台风电机组的无功出力，V_C(k)为k时刻的换流器端电压的预测值，ΔV_C(k)为k时刻VSC端电压增量。

进一步地，将基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型转化为标准二次规划数学模型，具体为：

s.t.x∈χ.

其中，H和g分别为海森矩阵和系数矩阵；χ表示决策变量x的定义域，Φ(x)为目标函数。

进一步地，基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解，具体为：

通过中央控制器以及本地控制器的交替计算迭代实现，将大规模带约束优化问题拆解为一个无约束的优化问题以及多个并行的小规模带约束优化问题；其中，大规模的无约束优化需要全局信息，在中央控制器中完成，用于更新原变量x；小规模的带约束优化问题在每个本地控制器中完成，用于更新辅助变量z；同时，对偶变量y更新在本地控制器中完成。

在一个或多个实施方式中公开的基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；

基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；

建立风电场侧换流器预测模型；

建立风电机组的无功线性化控制预测模型；

根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；

以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；

基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。

在一个或多个实施方式中公开的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：

获取系统运行状态信息，包括风电机组的无功出力测量值，风电场侧换流器控制母线电压测量值；

基于获取的系统运行状态信息，计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数，以及节点电压对风电场侧换流器端电压的灵敏度系数；

建立风电场侧换流器预测模型；

建立风电机组的无功线性化控制预测模型；

根据风电场侧换流器预测模型以及风电机组的无功线性化控制预测模型得到的预测结果，建立整个系统的线性化状态空间模型；

以电压偏移量和风电机组无功出力波动最小为目标，以风电机组的无功功率，风电场侧换流器的电压参考值为决策变量，以风电机组的无功出力以及风电场侧换流器电压控制为约束条件，建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型；

基于交替乘子算法的分布式优化求解方法，对上述最优化数学模型进行求解。

本发明有益效果：

1.将WFVSC和风电机组的无功-电压调节能力充分发挥，协调优化控制。

2.相比于传统集中式优化控制，本发明将大规模带约束优化问题拆解为无约束的优化问题以及多个并行的小规模带约束优化问题，该设计大大减小了中央控制器的计算负担，更加适用于大规模海上风电场的优化控制。

3.本发明基于MPC考虑了系统的动态过程的多步优化，进一步改善系统电压控制效果。

附图说明

图1为本发明的基于VSC-HVDC并网风电场结构示意图；

图2为本发明的基于VSC-HVDC并网风电场协调电压控制方法流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步的说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本方案公开了一种基于MPC和ADMM算法的VSC-HVDC并网风电场分布式协调电压控制方法，如图2所示，包括以下步骤：

步骤(1)：计算电压灵敏度系数，包括节点电压对风电机组无功灵敏度系数以及对WFVSC端电压V_C的灵敏度系数

风电场内部任意节点i对于节点l注入无功功率的灵敏度以及对于WFVSC的灵敏度可由解析方法直接获得。

步骤(2)：建立风电场侧换流器预测模型(线性化增量状态方程)：

WFVSC的线性化增量状态方程如(1)所示，

其中，状态变量和控制变量分别为

其中，ΔV_Sd和为V_S的d轴分量增量及其参考值，为辅助变量，Δi_cd为换流器注入电流的d轴分量增量。控制变量为受控母线电压参考值增量。

状态方程中矩阵为

其中，τ_d为通信延时，C_f为滤波器电容，和为外环PI控制器参数，τ_inr为内环控制等效一阶惯性时间。

WFVSC采用典型的级联双闭环控制结构。外环控制中，有功控制环控制直流电压，无功环控制电压幅值；内环控制分别控制d轴和q轴电流。

步骤(3)：建立风电机组的无功线性化控制预测模型：

为避免复杂性，风电机组的无功功率控制环可以利用一阶惯性环节来等效建模；

风电机组的无功控制环的增量状态空间方程为，

其中，状态变量和控制变量分别为风电机组的无功出力增量ΔQ_W以及其参考值即，

状态方程中矩阵为，

A_W＝[-1/τ_W],B_W＝[1/τ_W](6)

其中，τ_W为风电机组无功环惯性时间常数。

步骤(4)：根据步骤(2)和步骤(3)结果得到整个系统的线性化状态空间模型。

根据步骤(2)和步骤(3)的结果，建立整个系统(包括WFVSC和N_W台风机)增量状态空间模型，

该状态方程中，状态变量Δx、控制变量Δu以及输出变量Δy分别为

该状态方程中，矩阵A,B以及C分别为，

其中，矩阵C中的子矩阵分别为，

将式(7)中的连续时间状态方程离散化，得到如下离散状态方程，

其中，A_d，B_d和C_d分别为离散化后的状态方程矩阵。

步骤(5)：建立基于MPC的VSC-HVDC并网风电场协调电压控制的最优化数学模型(全局集中数学模型)，包括决策变量(风电机组的无功功率，WFVSC的电压参考值)，目标函数(减小电压偏移，减小风电机组无功出力波动)，约束(风电机组的无功出力约束，WFVSC电压控制约束)等；

基于MPC的协调电压控制问题的最优化数学模型如下所示：

其中，α_S,α_W,α_Q为权重系数；为风机i的端电压；V_ref为参考电压；和为风电机组的无功出力限制；和为换流器端电压限制。

步骤(6)：将步骤(5)中所述数学模型整理为标准的二次规划数学形式；将式(11)转化为式(12)所示的标准二次规划数学模型，

其中，H和g分别为海森矩阵和系数矩阵；χ表示决策变量x的定义域。

步骤(7)：根据步骤(6)中数学模型的结构，建立基于ADMM框架的分布式优化求解方法。

对于式(12)所示最优化问题，基于ADMM的分布式求解方法为通过中央控制器与风电机组以及WFVSC本地控制器的交替计算迭代实现，将大规模带约束优化问题拆解为一个无约束的优化问题以及多个并行的小规模带约束优化问题。其中，大规模的无约束优化需要全局信息，在中央控制器中完成，用于更新原变量x；小规模的带约束优化问题在每个本地控制器中完成，用于更新辅助变量z；同时，对偶变量y更新在本地控制器中完成。

本发明给出了一种具体实施方式，其中，典型的基于VSC-HVDC并网风电场的结构图，相应的VSC-HVDC并网风电场分布式协调电压控制方法如下：

步骤(1)：当时间处于控制点时(离散控制，通常以几秒为间隔)，触发控制器，风电场中央控制器获取系统运行状态信息。包括风电机组的无功出力测量值，WFVSC控制母线电压测量值。

步骤(2)：根据步骤1所得电压量测信息，采用如下解析方法计算电压灵敏度系数。

对于节点l列写关于节点i下列方程，

其中，S_i＝P_i-jQ_i为注入节点i注入复功率的共轭复数；为风电场集电系统导纳矩阵；和V_i分别表示节点i电压相量及其共轭；和分别表示系统平衡节点和PQ节点的集合。得到所有l对应的方程(13)后联立方程组，可解出，

对于节点i列写关于V_C的关系式，

其中，θ_C为电压相量相角值；同理，得到所有节点i对于V_C的方程组后，可解得，

灵敏度系数在每个控制周期都进行更新，并传送给风电场中央控制器。

步骤(3)：根据系统参数值和量测信息，建立WFVSC和风电机组的预测模型，并结合步骤2所求灵敏度系数，最终建立式(10)所示的系统增量状态空间模型。

步骤(4)：在中央控制器中，建立式(11)所示的基于VSC-HVDC系统风电场协调电压控制的最优化数学模型并将该模型整理为如式(12)所示的标准二次规划数学模型。

步骤(5)：中央控制器初始化变量z^[0]＝0，y^[0]＝0，k＝0。各本地控制器初始化k＝0。

步骤(6)：如果k＞1并根据下式判断是否已达到收敛，

||r^[k]||²＜∈，||s^[k]||＜∈(17)

其中，r^[k]＝x^[k]-z^[k]，s^[k]＝ρ(z^[k+1]-z^[k]),ρ为惩罚因子，∈为收敛精度要求。

如果满足收敛条件直接跳转到步骤(8)，否则，k←k+1,中央控制器通过求解式(18)更新x^[k+1]，

x^[k+1]＝-(H+ρI)^-1(g-ρz^[k]+y^[k])(18)

并将发送至对应各风电机组和WFVSC的本地控制器。

步骤(7)：WFVSC和风电机组的本地控制器接收来自中央控制器i的更新值并通过求解式(19)和(20)来更新辅助变量和

更新完毕后，本地控制器将更新后的和传送至中央控制器，并跳转回步骤(6)。

步骤(8)：中央控制器发出结束迭代指令，本地控制器将最后一次更新的z_i作为控制指令发送给风机和WFVSC，风机和WFVSC根据控制指令响应。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。