新能源知识库（108）AGC/AVC调度算法介绍
AGC/AVC调度系统是现代电网稳定、高效运行的“大脑和神经”。
一、核心概念速览
AGC（自动发电控制）和AVC（自动电压控制）是电网两大核心自动控制系统，它们分工协作：
控制维度 | AGC (自动发电控制) | AVC (自动电压控制) |
控制目标 | 控制有功功率，维持系统频率稳定 | 控制无功功率，维持系统电压稳定 |
核心任务 | 频率调节、跟踪负荷变化、经济调度、联络线功率控制 | 电压调节、降低网损、无功优化、提高稳定性 |
响应对象 | 系统频率偏差、负荷波动 | 节点电压偏差、无功需求 |
调节设备 | 发电机的有功出力（调速器） | 发电机无功、电容/抗器、变压器分接头、SVG/SVC |
AGC调度算法
AGC的核心目标是确保发电与用电实时平衡，维持额定频率（如50Hz）。其算法通常采用分层控制结构：
1.一级控制（一次调频）：由发电机本身的调速器完成。响应速度快（秒级），但是有差调节，且不能恢复频率至额定值。
2.二级控制（二次调频/AGC核心）：
核心输入：区域控制误差（ACE, Area Control Error）。ACE是AGC的关键控制信号，其计算公式通常为：ACE = ΔP_tie + B * Δf。其中 ΔP_tie 是联络线功率偏差，B 是频率偏差系数，Δf 是频率偏差。
控制目标：驱动ACE趋于零。
经典算法：广泛采用 PI控制器（比例-积分控制）。比例环节快速响应偏差，积分环节消除静差，确保频率精确恢复到额定值。
经济分配（EDC）：在满足ACE控制目标的前提下，以等微增率准则或容量成比例等方式，在各参与AGC调节的机组间经济分配有功负荷，追求系统总发电成本或耗量最小。
3.三级控制（经济调度）：时间尺度更长（15分钟以上），基于超短期负荷预测，制定未来一段时间内最经济的机组组合和出力计划，并为AGC提供设定基点。
面临的挑战：随着新能源占比提高，其波动性和不确定性给传统AGC带来了巨大压力。因此，模型预测控制（MPC）等更前瞻的算法开始被应用，通过预测未来时段的负荷和新能源出力，优化当前的控制指令。
AVC调度算法
AVC的核心目标是在确保电压合格的前提下，优化无功流动，降低网损。其核心是求解一个安全约束的无功优化问题。
1.优化模型：
目标函数：通常追求系统总网损最小。
等式约束：电力系统潮流方程。
不等式约束：包括节点电压上下限、发电机无功出力限制、变压器分接头档位限制、无功补偿设备投切组数等。
求解算法：由于问题复杂且非线性，常采用原对偶内点法、线性规划（LP）、二次规划（QP） 或智能算法进行求解。
分级控制结构：
一级控制：设备本地控制（如发电机自动励磁调节器）。
二级控制：AVC核心。省调或区域级AVC主站通过灵敏度分析（如雅可比矩阵）计算无功电压的控制范围和影响，并向下层子站发送中枢母线电压目标值或无功总量目标。
三级控制：厂站AVC子站接收主站指令后，根据本地控制策略（如等功率因数、等无功裕度、灵敏度优先等）将指令分解到单个无功调节设备（如调节发电机无功、投切电容器）。
常见策略：在变电站层面，传统AVC子站常采用基于“九区图”的规则控制，但可能难以兼顾全局最优。现代AVC更倾向于采用基于优化算法的在线实时优化控制。
AGC与AVC的协调优化
虽然传统上AGC和AVC独立设计（基于有功/无功近似解耦的假设），但在系统重载或故障等情况下，两者耦合性会增强，独立控制可能导致：
反复调节：AVC调整无功影响了有功网损，导致AGC重新动作；AGC调整有功改变了系统潮流和电压，又引发AVC动作。
安全隐患：可能引发设备频繁动作或振荡。
因此，协调优化至关重要。先进的协调策略包括：
交叉迭代优化：在一个控制周期内，交替求解AGC和AVC优化问题，并将对方的优化结果作为自身优化问题的边界条件，迭代直至收敛，最终形成综合协调控制指令。
联合优化：建立同时包含有功和无功变量的统一优化模型，但计算复杂度和维度很高。
目标协调：在高层优化模型中，同时考虑有功网损和发电成本，追求综合经济性最优（例如总成本最低），并向底层控制系统同时下发有功和无功参考指令。
- AI算法在AGC/AVC调度中的应用
主要是为了提升电网在面对新型能源接入和复杂运行状态时的稳定性、经济性和自动化水平。下面这张表格汇总了主要的AI算法及其应用场景，希望能帮你快速了解概况。
算法类型 | 具体算法/模型 | 在AGC/AVC中的主要应用 | 核心价值 |
深度学习 | LSTM（长短期记忆网络） | 超短期负荷预测、风光功率预测 | 为AGC提供更精确的未来负荷和新能源出力预测，减少不确定性 |
CNN（卷积神经网络）、VAE（变分自编码器） | 处理高维输入数据，特征提取，提升模型精度和收敛性 | 提升状态感知和数据预处理能力，为优化控制打下基础 | |
强化学习 | Q-Learning、深度Q网络（DQN） | AGC动态优化控制、多机组间的功率分配 | 通过与环境交互试错，自主学习在复杂环境下最优控制策略 |
多智能体强化学习（MARL） | 多区域电网的协同优化调度 | 解决分布式、多主体间的协调问题，实现全局优化 | |
其他机器学习算法 | 原-对偶内点法 | 求解最优潮流（OPF） 问题 |
如何选择适合的AI算法
选择哪种AI算法，取决于你想要解决的具体问题、拥有的数据基础以及现有的系统架构：
数据基础与质量：深度学习需要大量高质量的历史数据进行训练。如果你有丰富的负荷、新能源出力、电网运行状态数据，LSTM等模型会是不错的选择。
问题特性与目标：
如果你的核心痛点是对未来状态的准确预测（如明天风有多大，负荷有多高），那么深度学习是首选。
如果你需要解决的是复杂环境下的实时决策优化（如如何分配功率才能使频率稳定且成本最低），强化学习可能更合适。
如果你要协调多个目标或多个区域，可能需要结合优化算法和多智能体强化学习。
系统集成与实时性：考虑算法的计算复杂度和实时性要求。一些复杂的深度学习或强化学习模型可能需要较长的训练和计算时间，需评估是否能满足电网调度的在线应用需求。
可解释性与可靠性：电网调度对安全性和可靠性要求极高。与传统方法相比，一些AI模型（尤其是深度学习）有时被视为“黑箱”，其决策过程不够透明。这就需要我们在模型设计中注重可解释性，并通过大量测试验证其可靠性。
三、未来发展趋势
高比例新能源接入：风电、光伏的随机波动性对AGC的调节速率和容量提出了更高要求，AVC则需要应对其并网带来的电压波动问题。预测控制和多时间尺度协调变得更为关键。
市场化：在电力市场环境下，AGC/AVC辅助服务可能通过竞价交易方式提供。AGC机组通过市场竞价获取参调资格，其补偿费用可能包括辅助容量费用和实际调节费用两部分。
协同控制：随着光储充一体化项目、虚拟电厂（VPP） 和主动配电网的发展，AGC和AVC的控制对象将更加分散化，需要协同优化调度海量的分布式资源。
希望以上信息能帮助你更全面地理解AGC/AVC调度算法。电力系统的智能化升级正持续进行，这些核心控制算法也将不断演进。