王 晶，李瑞環(huán)，束洪春

（1.浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310014；2.昆明理工大學(xué) 電力工程學(xué)院，云南 昆明 650051）

0 引言

近年來，微網(wǎng)（microgrid）成為研究熱點。但微網(wǎng)存在微源布址分散、控制信息多樣、控制方式多變等特點，使得交流微網(wǎng)與主網(wǎng)并網(wǎng)、孤島及無縫切換的實現(xiàn)需要解決分布式電源的復(fù)雜控制，并受頻率、相位的約束；此外，交流微網(wǎng)還存在線路損耗較大等問題[1]。相反，直流微網(wǎng)在各種運行模式下，不存在與主網(wǎng)同步的問題，大幅降低了控制要求，而且能節(jié)約電力電子器件，減少線路損耗及系統(tǒng)成本，并能更好地利用具有直流特性的分布式電源[1-2]。因此，直流微網(wǎng)逐漸受到重視。2007年美國弗吉尼亞理工大學(xué)提出了SBI（Sustainable Building Initiative）計劃，準備向未來樓宇直流供電[3]；2011年韓國建立了直流微網(wǎng)供電系統(tǒng)，將對直流電分配等問題進行研究[4]；2013 年日本 SAKURA Internet公司正式在數(shù)據(jù)中心啟動了采用直流供電系統(tǒng)的服務(wù)器機柜，估算每年能削減電費2 700萬日元[5]；歐洲的超級智能電網(wǎng)計劃也提出了以直流輸電網(wǎng)為骨干的輸電模式，并預(yù)期在2020年左右將北海地區(qū)的風(fēng)電場以直流形式并網(wǎng)[6]。

目前，關(guān)于直流微網(wǎng)的理論研究主要集中在保護[7-9]、電力電子接口電路[10-12]、能量管理與電壓控制[13-16]等方面。其中，文獻[13]提出了一種通過控制熱電聯(lián)產(chǎn)系統(tǒng)運行數(shù)量的方法，保證功率平衡，維持電壓穩(wěn)定；文獻[14]通過光伏陣列控制器、燃料電池控制器、超級電容控制器及中央控制器的合作穩(wěn)定了直流母線電壓；文獻[15]提出微網(wǎng)的3種運行狀態(tài)，并設(shè)計了相應(yīng)的控制策略，使微網(wǎng)達到功率平衡；文獻[16]提出了電壓分層協(xié)調(diào)控制策略，根據(jù)電壓的變化量采用不同的控制策略，以保證功率平衡。

多代理系統(tǒng)MAS（Multi Agent System）具有良好的自主性和啟發(fā)性，適合微網(wǎng)分散而復(fù)雜的控制。文獻[17]建立了由微網(wǎng)控制代理、局部控制代理、分布式能源代理及負荷代理構(gòu)成的多代理系統(tǒng)，能夠快速高效地恢復(fù)微網(wǎng)頻率；文獻[18]在提出的多代理系統(tǒng)中設(shè)計了公共通信接口實現(xiàn)Agent之間的通信，完成微網(wǎng)的能量控制；文獻[19]構(gòu)建的多代理系統(tǒng)由分布式電源層、微網(wǎng)層及配網(wǎng)層組成，能通過實現(xiàn)并網(wǎng)運行、孤島運行、并網(wǎng)操作等5種情況下的控制策略對微網(wǎng)進行管理。

本文針對直流微網(wǎng)提出了一種2層的多代理控制系統(tǒng)，其中上層為控制中心Agent，下層包括光伏電池 Agent、燃料電池 Agent、負荷 Agent及蓄電池Agent；之后，訓(xùn)練了一個8輸入8輸出的神經(jīng)網(wǎng)絡(luò)作為控制中心Agent的決策器，該神經(jīng)網(wǎng)絡(luò)能輸出13種控制命令實現(xiàn)對微網(wǎng)的管理；最后，通過MATLAB對光照變化、并網(wǎng)時負荷增加后斷網(wǎng)及孤島時負荷增加后并網(wǎng)這3種算例進行仿真，仿真結(jié)果表明該控制系統(tǒng)能夠?qū)崿F(xiàn)微源和負荷的協(xié)調(diào)控制，并維持直流母線電壓的穩(wěn)定。

1 直流微網(wǎng)模型

本文構(gòu)建的直流微網(wǎng)結(jié)構(gòu)如圖1所示，由光伏電池、燃料電池、蓄電池、直流負荷和交流負荷組成，通過DC／AC逆變器與電網(wǎng)相連，可并網(wǎng)運行，也可孤島運行。直流母線電壓額定值設(shè)定為350V[20]。負荷按重要程度分為一級負荷、二級負荷和三級負荷。其中，一級負荷不可間斷供電，二級負荷可以短時間斷電，三級負荷可以長時間斷電。

圖1 直流微網(wǎng)結(jié)構(gòu)Fig.1 Structure of DC microgrid

1.1 光伏電池建模

光伏電池的數(shù)學(xué)模型如式（1）所示[21-22]。

其中，Isc為短路電流；Uoc為開路電壓；UPV、IPV分別為輸出電壓和電流；其余參數(shù)為相關(guān)系數(shù)，描述如式（2）—（6）所示。

其中，Im、Um為最大功率點電流和電壓；Rref、Tref為光照強度和光伏電池溫度的參考值；α、β為參考日照下的電流和電壓變化溫度系數(shù)；Rs為光伏電池的串聯(lián)電阻；Tc為光伏電池溫度；R為光照強度。

1.2 燃料電池建模

燃料電池的數(shù)學(xué)模型如式（7）所示[23]：

其中，UFC為燃料電池輸出電壓；EFC為燃料電池的熱力學(xué)電動勢；Uact為活性極化損失電勢；Ucon為濃度極化損失電勢；Uohm為歐姆極化損失電勢。對應(yīng)公式如式（8）—（11）所示。

其中，N0為串聯(lián)電池數(shù)量；EFC0為開路電壓；RFC為通用氣體常數(shù)；TFC為工作溫度；F為法拉第常數(shù)；PH2、PO2、PH2O分別為氫氣、氧氣和水蒸氣的壓力；P 為電池堆系統(tǒng)壓力；a、b為塔菲爾常數(shù)；iFC、iFCL為燃料電池的電流密度和極限電流密度；IFC為電池堆電流。

1.3 蓄電池建模

蓄電池的數(shù)學(xué)模型如式（12）所示。

其中，UBat、EBat0、iBat、RBat分別為蓄電池的輸出電壓、開路電壓、放電電流及內(nèi)阻；Edyn為濃度極化電壓；ENL為活性極化電壓；Exp用于擬合蓄電池充放電過程中的指數(shù)變化過程。對應(yīng)公式如式（13）—（15）所示。

其中，K為極化電壓；Q為蓄電池容量；A、B分別為指數(shù)曲線的峰值電壓及時間常數(shù)的倒數(shù)；sBat為蓄電池的工作狀態(tài)，對應(yīng)公式如式（16）所示。

2 智能多代理系統(tǒng)的實現(xiàn)

2.1 多代理系統(tǒng)的適用性

多代理系統(tǒng)能夠通過模擬人類社會系統(tǒng)的運作機制提高計算機系統(tǒng)解決復(fù)雜問題的能力，能夠?qū)⒋蠖鴱?fù)雜的系統(tǒng)分解成由多個代理組成的系統(tǒng)，各代理既能夠分別執(zhí)行各自不同的任務(wù)，又能夠通過協(xié)調(diào)合作的方式解決單個代理不能解決的復(fù)雜問題，適合微網(wǎng)分散而又復(fù)雜的控制。

a.自治性：代理具有控制自身的能力，在沒有外界的干擾下，能夠根據(jù)自身的情況控制自身完成一定的任務(wù)。

b.協(xié)作性：各代理之間能夠相互通信，一個代理可以向其他代理發(fā)送自身的狀態(tài)，并協(xié)同其他代理完成一定的任務(wù)。

c.反應(yīng)性：代理可以從環(huán)境或者其他代理處得到信息，并能夠根據(jù)得到的信息作出合理的反應(yīng)，改變自身的狀態(tài)。

2.2 多代理系統(tǒng)結(jié)構(gòu)

基于多代理系統(tǒng)的能量控制系統(tǒng)如圖2所示。

圖2 多代理系統(tǒng)結(jié)構(gòu)Fig.2 Structure of MAS

系統(tǒng)中，上層的控制中心Agent用于收集下層各Agent的信息，并制定合理方案，同時將方案下傳到下層的Agent。此外，控制中心Agent還控制著直流微網(wǎng)的并網(wǎng)及解列。下層的Agent由光伏電池、燃料電池、蓄電池及負荷4個子Agent組成。各子Agent上傳各自運行參數(shù)到控制中心Agent，根據(jù)控制中心Agent下傳的方案及各自情況決定運行狀態(tài)。同時下層各Agent還分別具有以下不同的功能：

a.光伏電池Agent具有最大功率點跟蹤（MPPT）功能，使光伏能夠輸出最大功率，同時還具有決定是否接入微網(wǎng)的功能；

b.燃料電池Agent具有監(jiān)測運行狀態(tài)及決定是否接入微網(wǎng)的功能；

c.蓄電池Agent能夠監(jiān)測電壓、剩余容量等運行參數(shù)，且具有決定蓄電池充放電的功能，本文設(shè)定當(dāng)SoC低于20%時不允許放電，當(dāng)SoC高于90%時不允許充電；

d.負荷Agent能計算當(dāng)前的總負荷功率，并可以根據(jù)分布式電源的總功率和總負荷功率的大小及控制中心是否下達減載信息等情況決定是否減載，同時還能根據(jù)負荷的重要程度進行合理減載。

2.3 神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）能夠模擬人腦智能化處理，實現(xiàn)多輸入多輸出的非線性映射，具有信息記憶、自主學(xué)習(xí)等功能，具有很強的自適應(yīng)性及容錯能力[24-26]，有利于控制中心Agent對下層各Agent進行可靠的管理，所以本文選擇神經(jīng)網(wǎng)絡(luò)作為控制中心Agent的決策器。

本文設(shè)計的神經(jīng)網(wǎng)絡(luò)用于實現(xiàn)以下目標：初始時，光伏電池工作在MPPT模式，同時經(jīng)DC／DC變換恒壓輸出，當(dāng)光伏電池最大輸出大于負荷功率時，若蓄電池允許充電，則將多余電能儲存到蓄電池中，否則光伏電池不實現(xiàn)MPPT，僅實現(xiàn)恒壓輸出；當(dāng)光伏電池不足以提供足夠能量時，根據(jù)燃料電池能否放電，決定燃料電池是否放電；再根據(jù)功率平衡條件是否滿足及蓄電池能否放電決定蓄電池是否放電；之后，若光伏電池、燃料電池及蓄電池?zé)o法滿足功率要求，根據(jù)大電網(wǎng)能否提供電能決定是并網(wǎng)還是減載。因此，該神經(jīng)網(wǎng)絡(luò)能控制系統(tǒng)使可再生分布式電源得到充分利用，大電網(wǎng)輸出盡量減少，可在保證用戶正常用電的基礎(chǔ)上盡可能減少化石能源的消耗及用電支出。

為實現(xiàn)以上目標，首先構(gòu)造一個2層的BP神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)見圖3，其中，P、T為輸入和輸出數(shù)據(jù)，W1I，1、W2，1L為權(quán)重矩陣，b1、b2為閾值，隱層和輸出層分別有17和8個神經(jīng)元，傳遞函數(shù)均使用logsig（·）。該神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層數(shù)據(jù)如表1和表2所示。其中輸入層由8個特征參數(shù)組成，這些參數(shù)由下層各Agent上傳，包括光伏電池、燃料電池、蓄電池、電網(wǎng)及負荷的運行狀況；輸出層的8個輸出組成了13種輸出可能，代表13種協(xié)調(diào)控制命令，對燃料電池、蓄電池、電網(wǎng)及負荷進行控制。表3為對應(yīng)的13種協(xié)調(diào)控制命令。最后，通過隨機產(chǎn)生10 000組訓(xùn)練樣本完成訓(xùn)練，并生成Simulink模塊。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of BP neural network

表1 輸入層特征參數(shù)Tab.1 Characteristic parameters at input layer

表2 輸出層特征參數(shù)Tab.2 Characteristic parameters at output layer

表3 能量協(xié)調(diào)控制輸出Tab.3 Outputs of energy coordination control

3 算例分析

本文的仿真系統(tǒng)包括光伏電池、燃料電池、蓄電池各1臺，其中，燃料電池、蓄電池的最大輸出功率分別為2 kW和2.5 kW，蓄電池初始SoC為50%。系統(tǒng)中還存在大電網(wǎng)及1 kW一級、2 kW一級、2 kW二級、2 kW三級這4種負荷。通過該系統(tǒng)分別對光照變化、并網(wǎng)運行時負荷增加后電網(wǎng)斷電及孤島運行時負荷增加后并網(wǎng)這3種情況進行仿真。

3.1 算例1

負荷保持1 kW不變，當(dāng)光照如圖4（a）所示變化時，直流母線電壓情況見圖4（b），負荷功率PL、光伏電池功率PPV、燃料電池功率PFC、蓄電池功率PBat、電網(wǎng)功率PGrid變化情況見圖5。其中，負荷輸入為正，光伏電池、燃料電池、蓄電池及電網(wǎng)輸出為正。

圖4 光照及直流母線電壓情況Fig.4 Light intensity and voltage of DC bus

圖5 能量協(xié)調(diào)控制結(jié)果1Fig.5 Results of energy coordination control in case 1

初始時光照強度為800 W／m2，光伏電池最大輸出功率約為1 250 W，能夠保證1 kW負荷的正常運行，由于蓄電池的初始SoC為50%，滿足充電要求，蓄電池Agent允許蓄電池充電，控制中心Agent接收到蓄電池允許充電的信息后，發(fā)出（0，0，0，0，0，1，0，0）的命令，蓄電池充電；0.5～0.9 s，光照強度逐漸增強至1 000 W／m2并保持不變，光伏的最大輸出也增至1 580 W并維持不變，此時控制中心Agent仍然發(fā)出（0，0，0，0，0，1，0，0）的命令，蓄電池保持充電狀態(tài)且充電功率逐漸增至580 W并維持不變；0.9～1.2 s，光照強度逐漸減弱至600 W／m2并維持不變，光伏最大輸出減小為940 W，其中1.08 s時，光伏最大輸出為1 000 W，則在0.9～1.08 s過程中，控制中心Agent仍然發(fā)出（0，0，0，0，0，1，0，0）的命令，而在 1.08～1.2 s過程中，光伏電池?zé)o法滿足負荷需求，由于燃料電池允許放電且與光伏的最大總輸出功率能夠滿足負荷要求，控制中心 Agent發(fā)出（0，1，0，0，0，0，0，0）的命令，蓄電池停止充電，燃料電池開始恒壓放電；在1.2 s之后，光伏輸出隨著光照的降低而減少，控制中心 Agent仍然發(fā)出（0，1，0，0，0，0，0，0）的命令，燃料電池繼續(xù)恒壓放電，且輸出功率逐漸增大。

3.2 算例2

初始時微網(wǎng)并網(wǎng)運行，并帶有一級負荷1 kW，0.5 s、0.75 s、1 s時分別增加二級、三級及一級負荷各2 kW，大電網(wǎng)在1.25 s時斷開，微網(wǎng)進入孤島運行狀態(tài)。對應(yīng)的功率變化情況如圖6所示。

圖6 能量協(xié)調(diào)控制結(jié)果2Fig.6 Results of energy coordination control in case 2

開始時，光伏最大輸出功率約為1.58 kW，系統(tǒng)中只存在1 kW一級負荷，由于蓄電池SoC為50%，蓄電池Agent允許蓄電池充電，控制中心Agent接收到蓄電池允許充電的信息后，發(fā)出（0，0，0，0，0，1，0，0）的命令，蓄電池充電；0.5 s時增加2 kW二級負荷，光伏不足以提供所需電能，將由其他電源提供缺額電能。此時燃料電池允許放電且與光伏的最大總輸出功率為3.58 kW，能夠滿足負荷需求，控制中心Agent下達（0，1，0，0，0，0，0，0）的控制任務(wù)，蓄電池停止充電，燃料電池恒壓放電；0.75 s時增加2 kW三級負荷，光伏及燃料電池?zé)o法滿足負荷要求，但蓄電池的SoC允許其放電且光伏、燃料電池及蓄電池的最大總輸出功率為6.08 kW，能夠滿足負荷要求，控制中心 Agent發(fā)出（0，0，1，1，0，0，0，0）的命令，燃料電池最大功率放電，蓄電池恒壓放電；1 s時增加2 kW一級負荷，光伏、燃料電池及蓄電池?zé)o法滿足負荷要求，控制中心 Agent將發(fā)出（0，0，1，0，1，0，1，0）的命令，燃料電池及蓄電池最大功率放電，大電網(wǎng)開始向微網(wǎng)提供電能；1.25 s時，大電網(wǎng)斷電，此時，系統(tǒng)微源發(fā)出的功率無法滿足負荷，控制中心將發(fā)出（0，0，1，0，1，0，0，1）的命令，通知負荷 Agent減載。負荷Agent接收到減載信息后，將根據(jù)從光伏電池 Agent、燃料電池 Agent、蓄電池 Agent得到的最大輸出功率之和與此時的負荷情況進行比較，選擇合理的減載方式。本算例中，負荷Agent選擇斷開2 kW三級負荷，對應(yīng)的負荷投入及減載情況如圖7所示。減載完成后，控制中心Agent經(jīng)過決策，再次發(fā)出（0，0，1，1，0，0，0，0）的命令，要求燃料電池最大功率放電，蓄電池恒壓放電。對應(yīng)的直流母線電壓如圖8所示?？梢?，該能量協(xié)調(diào)控制能較好地恢復(fù)并維持直流母線電壓在350 V左右。

圖7 負荷Agent對負荷的控制結(jié)果1Fig.7 Results of load control by load Agent in case 1

圖8 直流母線電壓Fig.8 Voltage of DC bus

3.3 算例3

初始時微網(wǎng)孤島運行，并帶有一級負荷1 kW，在0.5 s、0.75 s、1 s時分別增加二級、三級及一級負荷各2 kW，1.25 s時微網(wǎng)與大電網(wǎng)連接，進入并網(wǎng)運行狀態(tài)。功率變化情況如圖9所示。

圖9 能量協(xié)調(diào)控制結(jié)果3Fig.9 Results of energy coordination control in case 3

1 s前，光伏電池、燃料電池及蓄電池的最大功率能夠滿足負荷要求，能量協(xié)調(diào)控制決策與算例2前1 s的情況相同。1 s時，增加2 kW一級負荷，由于此時大電網(wǎng)不允許放電，而光伏電池、燃料電池及蓄電池不足以提供所需電能，控制中心Agent發(fā)出（0，0，1，0，1，0，0，1）的命令，通知負荷 Agent減載，負荷Agent接收到減載信息后，針對該情況決定連接2 kW一級負荷的同時，斷開2 kW三級負荷，確保電壓穩(wěn)定的同時使重要負荷能夠正常運行，斷開三級負荷后，控制中心 Agent將發(fā)出（0，0，1，1，0，0，0，0）的命令；1.25 s時，微網(wǎng)與大電網(wǎng)并網(wǎng)，負荷Agent確認大電網(wǎng)能夠向微網(wǎng)提供電能后，將重新連接之前被斷開的三級負荷，從而控制中心Agent將發(fā)出（0，0，1，0，1，0，1，0）的命令，使蓄電池最大功率放電，大電網(wǎng)向微網(wǎng)提供電能，保證功率平衡，維持電壓穩(wěn)定。對應(yīng)的負荷變化情況以及直流母線電壓分別如圖10和圖11所示。

圖10 負荷Agent對負荷的控制結(jié)果2Fig.10 Results of load control by load Agent in case 2

圖11 直流母線電壓Fig.11 Voltage of DC bus

4 結(jié)論

本文提出了一種基于智能多代理技術(shù)的直流微網(wǎng)控制系統(tǒng)，主要有以下特點：

a.下層各Agent既能根據(jù)自身情況自主運行，又能彼此協(xié)作，充分發(fā)揮了代理的自治性和協(xié)作性；

b.上層的控制中心Agent以神經(jīng)網(wǎng)絡(luò)作為決策器，能夠根據(jù)下層各Agent上傳的信息作出合理的響應(yīng)，實現(xiàn)了分層控制，保證了能量的合理流動；

c.通過多代理系統(tǒng)，在發(fā)生負荷增加及孤島和并網(wǎng)的狀態(tài)轉(zhuǎn)換等情況下，能有效維持直流母線電壓的穩(wěn)定。

此外，JADE平臺為多代理系統(tǒng)提供了一個很好的開發(fā)平臺，對于本文提出的控制系統(tǒng)在JADE平臺上的開發(fā)將是下一步的主要工作。