基于Agent建模的多微电网系统智能调度及其实验平台研究

本项目将以包含冷热电联供（CCHP）、太阳能光伏发电（PV）、风力发电、燃料电池、蓄电池、超级电容等分布式发电设备构成的多能源微网系统（MEMGS）及其在配电系统构成多微网（MMMGS）架构作为研究背景，在研究太阳能和风能发电单元能量预测、多微网系统能量控制规律, 基于智能agent理论的多微网系统能量分层、分布控制与集中管理模型及其在线能量控制策略优化算法的基础上，进一步研究基于智能Agent理论的多微网能量管理体系中Agent的体系结构，包括Agent个体的划分、组织以及实现；研究不同Agent个体之间的协同机制，智能Agent的学习算法，以集成发电单元实时功率预测、单元能量控制、微网及多微网能量控制与调度管理等功能，并适应微网的复杂性以及规模的变换，最终研制出基于智能Agent理论的多微网数字、物理一体化智能能量调度实验平台。

本项目以包含冷热电联供、太阳能光伏发电、风力发电、燃料电池、蓄电池、超级电容等分布式发电设备构成的多能源微网系统（MEMGS）及其在配电系统构成多微网（MMGS）架构作为研究背景，围绕基于多Agent模型的多微网能量管理模型及其实验平台主题，重点展开了微网内部各发电单元的能量控制模型、可再生能源发电单元的能量预测模型、多微网系统能量调度模型、多微网能量管理系统的Agent体系结构和微网智能调度实验验证系统等方面的研究。.首先在对比分析了现有预测太阳能、风能发电单元输出功率方法的基础上，提出了基于集合经验模态分解(ensemble empirical mode decomposition，EEMD)和支持向量机(support vector machines，SVM)的EEMD-SVM组合模型预测方法，以解决光伏电站日前小时短期出力预测精度问题, 采用某实际100MW光伏电站的7个月的运行数据对所提出的方法验证，计算结果表明与现有方法相比，平均绝对百分比误差减少5%；针对短期风电功率预测问题，提出了基于脊波神经网络的风电功率预测方法，并进一步创新性地提出了不依赖于方法本身的预测误差修真方法，可减少风电短期预测功率的误差达8%；首次提出了同时考虑风电和光伏发系统随机性的微网联合概率分布潮流计算模型，在风力发电和光伏发电功率预测的基础上，先对微电网潮流进行确定性预测，再将马尔科夫链和拉丁超立方抽样相结合，分别对微电网潮流的条件联合概率分布和非条件联合概率分布进行预测。计算结果表明，条件联合概率分布计算方法得到的置信区间更具有参考价值，所得结论为微网的实时能量优化管理提供了理论依据；针对微网本地控制器输出功率精确控制，提出了适应于多逆变器系统的基于本地测量和自适应下垂控制方法以及风能太阳能主动控制输出功率的能量平衡控制方法，为微网内部的能量分层控制打下了基础。.基于上述基础工作，首次提出了基于多Agent 模型的微网本地层发电单元自主控制与中央层多单元间主动能量协调控制相结合的微网系统混合能量协调控制框架 (Hybrid EMS-MG, HEMS-MG)，并通过合同网方法，提出了MAS下微网内Agent协作的多因子评价决策机制，并设计了相应的Agent协作通信协议，并将所得出的方法集成为基于智能Agent 理论的多微网数字、物理一体化智能能量调度实验平台。