摘要：提出一種基于多智能體系統(multiagentdystem，MAS)的主動配電網(activedistributionnetwork，ADN)空調負荷聚合及其降壓調溫削減方法。兼顧空調負荷電壓動態特性及溫控特性，基于多智能體技術建立空調負荷聚合模型;通過分析電壓及溫度與空調負荷有功、無功功率的關系，揭示空調聚合負荷降壓調溫削減機理;最后基于多智能體系統和最優潮流，建立主動配電網空調負荷降壓調溫削減模型并給出求解方法。IEEE33節點系統算例仿真結果表明，文中模型和方法正確有效，可實現空調負荷有功及無功功率有效削減。該成果為提升大規模空調負荷參與需求響應能力提供了理論支撐。

　　關鍵詞：主動配電網;多智能體系統;空調負荷聚合模型;電壓特性;溫控特性;負荷削減

　　0引言隨著社會經濟的發展,我國以空調負荷為主的溫控負荷占比持續增高[1]，季節性雙峰特征日趨明顯。據統計全球空調和電風扇用電量已占全世界建筑物總用電量的五分之一左右，約占當今全球總用電量的10%[2]。分析海量空調負荷電壓和溫控特性，挖掘其可調潛力，將其聚合參與電網季節性調峰意義重大。針對空調負荷的降壓節能(conservationvoltagereduction，CVR)技術已有研究[34]。

　　大規模空調負荷建模及聚合是其參與電網調峰的前提。空調負荷一般以等效熱參數(equivalentthermalparameters，ETP)建模[5]。也有文獻通過構建空調負荷動力型電池模型與容量型電池模型[6]、熱電池模型[7]等描述其儲能特性。在空調負荷聚合模型方面，有學者考慮時域特性分類聚合建立其聚合模型[8];或從居民用電舒適度入手，考慮用戶調節行為隨機性和室內外溫度差異，建立其聚合模型[9]。針對空調負荷電壓動態特性模型研究也已有報道[10]，但兼顧空調負荷電壓動態特性及溫控特性的聚合模型尚缺探討。

　　揭示空調聚合負荷電壓特性及溫控特性機理是其參與調控基礎。在溫控機理方面，學者們分別從空調聚合功率變化量與開關狀態的關系[11]、空調負荷功率頻率的轉換機理[12]、空調負荷聚合功率與開斷時間的關系[13]等方面進行研究。在其電壓機理方面，主要有靜態電壓特性模型[1415]、感應電動機特性模型及綜合負荷模型。基于潮流雅克比矩陣得到功率母線電壓的靈敏度信息[16]，進而降壓調節負荷。兼顧空調負荷電壓動態特性和溫控特性，通過降壓調溫削減負荷機理亟待揭示。基于多智能體系統的配電網調峰研究已有一定成果[1718]。

　　在空調負荷削峰方法研究方面，采用分時電價等價格激勵措施成為主要削峰手段，如文獻[19]針對居民的舒適度溫度差異進行不同的價格補償;文獻[20]以分段報價方式對空調負荷進行調度控制;文獻[21]基于區塊鏈技術，建立空調負荷削減目標進行調節。在主動配電網調壓方面，目前調壓目標主要聚焦于降低配電網損耗[2223]和防止節點電壓越限[2425]。在不影響用戶用電可靠性和系統安全性前提下，基于多智能體方法空調負荷降壓調溫削峰調控策略值得嘗試。

　　本文提出一種基于多智能體的主動配電網空調負荷聚合及其降壓調溫削減方法。兼顧空調負荷等效熱力學模型和電壓動態特性，建立空調負荷多智能體聚合模型;進而分析其電壓和溫度控制下有功負荷和無功負荷特性，揭示空調聚合負荷主動削減機理;最后基于多智能體系統和最優潮流建立主動配電網空調負荷降壓調溫多智能體削峰模型及求解算法。最后在IEEE33算例系統進行仿真，對比現有方法，驗證所提模型和方法。

　　1兼顧電壓動態特性及溫控特性的空調負荷聚合模型

　　1.1考慮電壓動態特性及溫控特性的空調負荷模型

　　本文分別采用三階感應電動機模型[26]和等效熱參數模型[27]描述空調負荷電壓及溫控特性。

　　1.2兼顧電壓動態特性及溫控特性的空調負荷多智能體聚合模型

　　為挖掘母線靈活的調節能力及實現母線之間的快速通信，本文在構建母線負荷智能體(busagent，BA)的基礎上，建立多智能體空調負荷聚合模型。當前空調負荷可分為參數相同或相近的同質負荷和參數不同的異質負荷，當式(1)中的熱阻、熱容等相互獨立但分布在一定區間內為異質負荷。

　　2空調聚合負荷降壓調溫削減機理

　　2.1空調聚合負荷降壓削減機理

　　2.2空調聚合負荷調溫削減機理

　　3主動配電網空調負荷降壓調溫多智能體削減模型及求解方法

　　3.1降壓調溫多智能體系統

　　采用信息通信是實現靈活復雜協調策略的基礎，合同網協議(contractnetprotocol，CNP)廣泛用于多智能體系統的通信中，結合合同網協議，為實現智能體的集中分布式管理。

　　1)聯絡變電站智能體(substationagent，SA)。實時監視節點電壓，同時向主導智能體發送有載調壓變壓器(onloadtapchanger，OLTC)補償量信息。2)母線智能體(BA)。獲取節點負荷及支路功率信息;主導智能體獲取無功補償裝置調壓能力及各BA的空調負荷最大削減容量，計算各調壓元件的無功補償量，將無功補償量及溫度調節量發送給各響應智能體。

　　3)調壓智能體(voltageregulatoragent，VRA)。包括OLTC、并聯電容器及靜止無功補償器(staticvarcompensation，SVC)。由于OLTC安裝在聯絡變電站內，其智能體可由SA充當，并聯電容器智能體(shuntcapacitoragent，SCA)與靜止無功補償器智能體分別用SCA和SVCA表示。調壓智能體主要任務為響應主導智能體的服務請求，將補償量轉化為相應控制信號給無功補償裝置。

　　4)溫度控制智能體(temperaturecontrolagent，TCA)。溫度控制智能體接受主導智能體的溫度控制指令，向各臺區分控制智能體發送“服務請求”。5)分布式電源智能體(distributedgenerationagent，DGA)。分布式電源智能體與分布式電源(distributedgeneration，DG)相連。

　　3.2空調負荷降壓調溫削減最優潮流模型考慮溫度和電壓兩種控制方法，以空調有功負荷削減量最大為目標。

　　3.3基于多智能體的降壓調溫負荷削減模型求解方法本文針對節點高峰負荷場景，基于多智能體系統對空調負荷降壓調溫削減最優潮流模型進行求解，具體步驟如下：

　　步驟1：輸入主動配電網參數，包括空調負荷感應電動機參數、等效熱力學參數、節點母線初始電壓及相角、分布式電源參數等。步驟2：通過龍格庫塔求解空調負荷模型，得到單臺空調的復功率。步驟3：聚合空調負荷功率，得到空調負荷節點初始功率并代入潮流計算模型。步驟4：通過牛頓拉夫遜法計算主動配電網潮流，得到節點電壓、線路功率。步驟5：確定需要削減負荷的節點為主導智能體節點，將空調有功負荷削減最大目標轉換為求電壓降低最大或溫度調節最大，考慮電壓及溫度約束條件，計算最大溫度調節量或電壓降低量。

　　4算例仿真分析

　　4.1算例系統參數

　　為分析所提方法的有效性，本文在IEEE33節點主動配電網系統上建立仿真模型。基準容量為10MVA，基準額定電壓為12.66kV。分別在節點29和節點31上添加電容器組和SVC元件來作為離散型與連續型的無功補償裝置，OLTC添加在根節點33節點上。

　　4.2算例結果分析

　　4.2.1空調負荷聚合分析

　　空調負荷聚合功率相對誤差分布，在絕大多數情況下，相對誤差的絕對值不超過0.5%，估計精度可滿足實際決策需求。基于文章篇幅問題，空調無功功率聚合與有功功率聚合方法相同，此處不再贅述。所有的無功補償裝置均發生動作。OLTC優先動作影響所有節點電壓，t=5s時，部分節點電壓降低到0.95pu以下，如節點31電壓跌落到0.9428pu，此時為滿足電壓安全性約束，以節點電壓越限量作為新的目標值，確定新的主導智能體節點，并制定電壓策略。考慮此時OLTC不再重復動作，僅通過并聯電容器及靜止無功補償裝置進行電壓調整，直至電壓剩余調節量滿足允許誤差要求，此時節點16電壓為0.9502pu，即完成降壓削減負荷。除根節點外其他節點電壓幅值相角變化。

　　5結論

　　本文提出一種基于多智能體的主動配電網空調負荷聚合及其降壓調溫削減方法，得到的主要結論如下：

　　1)通過建立兼顧電壓動態特性及溫控特性的空調負荷模型，揭示降壓調溫空調負荷削減機理，反應了空調負荷功率電壓及功率溫度的變化關系。

　　2)基于電壓安全性及潮流約束，提出降壓調溫削減空調負荷方法，能夠有效削減空調負荷，同時對比溫度頻率控制方法，驗證了降壓調溫削減空調有功及無功功率的能力。3)降壓調溫多智能體系統結合集中式控制與分布式控制，能夠有效實現空調負荷快速聚合及其削減。基于實際電網的工程案例分析后續將深入探討與研究。

　　參考文獻

　　[1]王永權，張沛超，姚垚.聚合大規模空調負荷的信息物理建模與控制方法[J].中國電機工程學報，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，馬瑞1*，王鐵強2，魯鵬2，馮春賢2，武偉鳴2