Multi-timescale Collaborative Regulation of Heterogeneous Reactive Power in Offshore Wind Power Collection Area

ZHONG Kanghua; YI Yingqi; ZHANG Yongjun; FAN Wei; YI Yang; XIAO Hongyan

doi:10.7500/AEPS20250701001

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

Multi-timescale Collaborative Regulation of Heterogeneous Reactive Power in Offshore Wind Power Collection Area

Basic Research | 更新时间：2026-10-10

- Multi-timescale Collaborative Regulation of Heterogeneous Reactive Power in Offshore Wind Power Collection Area
- Automation of Electric Power Systems Vol. 50, Issue 19, Pages: 199-212(2026)
- 作者机构：
  
  1.华南理工大学电力学院，广东省广州市 510640
  2.广东电网有限责任公司电力调度控制中心，广东省广州市 510062
- 作者简介：
- 基金信息：
  
  Guangdong Provincial Natural Science Foundation of China(2024A1515010435)
- DOI：10.7500/AEPS20250701001
  CLC：
- Received：01 July 2025，
  
  Revised：2025-11-02，
  
  Online First：15 July 2026，
  
  Published：10 October 2026
- 稿件说明：
移动端阅览
钟康骅,羿应棋,张勇军等.海上风电汇集区域异构无功多时间尺度协同调控[J].电力系统自动化,2026,50(19):199-212.

ZHONG Kanghua,YI Yingqi,ZHANG Yongjun,et al.Multi-timescale Collaborative Regulation of Heterogeneous Reactive Power in Offshore Wind Power Collection Area[J].Automation of Electric Power Systems,2026,50(19):199-212.
钟康骅,羿应棋,张勇军等.海上风电汇集区域异构无功多时间尺度协同调控[J].电力系统自动化,2026,50(19):199-212. DOI： 10.7500/AEPS20250701001.

ZHONG Kanghua,YI Yingqi,ZHANG Yongjun,et al.Multi-timescale Collaborative Regulation of Heterogeneous Reactive Power in Offshore Wind Power Collection Area[J].Automation of Electric Power Systems,2026,50(19):199-212. DOI： 10.7500/AEPS20250701001.

摘要

在海上风电弱短路比密集并网的环境下，并网点出现无功安全裕度不足、电压越限等问题。为提升汇集区域电压安全性并兼顾建设、运行经济性，文中纳入离散设备作为长期无功损耗补偿手段，辅助多智能体深度强化学习算法对连续设备的实时决策，提出一种基于域松弛控制的异构无功多时间尺度协同调控方法。首先，从运行安全与节能降损的角度，在关口无功注入空间分别定义了无功静态安全域、趋优空间两类域，并通过列与约束生成算法、最优潮流-逐点法分别得到二者的滚动搜索方法。进而，根据域的嵌套关系提出计及场站无功损耗的离散设备松弛控制模型，并设计了连续设备实时控制的多智能体深度强化学习算法分段奖励函数，形成在线协同调控体系。仿真结果表明，离散设备通过低频动作即可辅助连续设备在低出力条件完成实时电压控制与降损运行的协同任务。

Abstract

In the environment of dense grid-connection with weak short circuit ratio of offshore wind power

there are problems such as insufficient safety margin of reactive power and voltage exceeding limits at the grid-connection point. To enhance the voltage safety of the collection area while considering the construction and operation economy

this paper incorporates discrete devices as a long-term reactive power loss compensation method

assists multi-agent deep reinforcement learning algorithms in real-time decision-making of continuous devices

and proposes a multi-timesacle collaborative regulation method of heterogeneous reactive power based on region relaxation control. Firstly

from the perspectives of operation safety

energy conservation

and loss reduction

two types of regions

reactive power static security region and optimization space

are defined in the reactive power injection space at the gateway. Rolling search methods for both regions are obtained through column and constraint generation algorithm and optimal power flow-point by point method. Furthermore

based on the nested relationship of regions

a discrete device relaxation control model considering reactive power losses of stations is proposed

and a multi-agent deep reinforcement learning algorithm with segmented reward functions for real-time control of continuous devices is designed to form an online collaborative regulation system. The simulation results indicate that discrete devices can assist continuous devices in completing the collaborative task of real-time voltage control and loss reduction operation under low output conditions through low-frequency actions.

关键词

Keywords

references

李增辉，许丹，刘翔宇，等 . 新型电力系统电力平衡原理和工程模式［J/OL］. 中国电机工程学报［ 2025-05-19 ］. https：//kns.cnki.net/KCMS/detail/detail.aspx？filename=ZGDC20250516001&dbname=CJFD&dbcode=CJFQ https://kns.cnki.net/KCMS/detail/detail.aspx?filename=ZGDC20250516001&dbname=CJFD&dbcode=CJFQ .

Li Zenghui ， Xu Dan ， Liu Xiangyu ， et al . New-type power system’s power balancing mechanisms and its engineering methods ［J/OL］. Proceedings of the CSEE ［ 2025-05-19 ］. https：//kns.cnki.net/KCMS/detail/detail.aspx？filename=ZGDC20250516001&dbname=CJFD&dbcode=CJFQ https://kns.cnki.net/KCMS/detail/detail.aspx?filename=ZGDC20250516001&dbname=CJFD&dbcode=CJFQ .

Wu C ， Zhang X P ， Sterling M . Wind power generation variations and aggregations ［J］. CSEE Journal of Power and Energy Systems ， 2022 ， 8 （ 1 ）： 17 - 38 .

Peng H Z ， Huang S ， Liao W ， et al . A gradient correction-based decentralized optimal var/volt adaptive fault-tolerant control method for wind farms ［J］. IEEE Transactions on Sustainable Energy ， 2022 ， 13 （ 4 ）： 2264 - 2274 .

Shen Y K ， Wu W C ， Wang Q ， et al . Hierarchical coordinated automatic generation control involving distributed energy resources： an aggregation approach ［J］. IEEE Transactions on Smart Grid ， 2025 ， 16 （ 2 ）： 1379 - 1391 .

Li Q H ， Zhang Y J ， Ji T Y ， et al . Volt/var control for power grids with connections of large-scale wind farms： a review ［J］. IEEE Access ， 2018 ， 6 ： 26675 - 26692 .

Hong Y Y ， Lin F J ， Lin Y C ， et al . Chaotic PSO-based VAR control considering renewables using fast probabilistic power flow ［J］. IEEE Transactions on Power Delivery ， 2014 ， 29 （ 4 ）： 1666 - 1674 .

Deng Z M ， Liu M B ， Ouyang Y F ， et al . Multi-objective mixed-integer dynamic optimization method applied to optimal allocation of dynamic var sources of power systems ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 2 ）： 1683 - 1697 .

Colson B ， Marcotte P ， Savard G . An overview of bilevel optimization ［J］. Annals of Operations Research ， 2007 ， 153 （ 1 ）： 235 - 256 .

Jha R R ， Dubey A ， Liu C C ， et al . Bi-level volt-VAR optimization to coordinate smart inverters with voltage control devices ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 3 ）： 1801 - 1813 .

Sun X Z ， Qiu J . Two-stage volt/var control in active distribution networks with multi-agent deep reinforcement learning method ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 4 ）： 2903 - 2912 .

Li Y Y ， Wan C ， Cao Z J ， et al . Data-driven nonparametric probabilistic optimal power flow： an integrated probabilistic forecasting and analysis methodology ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 6 ）： 5820 - 5833 .

钱立群，魏卿，胡鹏飞，等 . 基于数据驱动预测控制的低感知度配电网在线无功优化方法［J］. 电力系统自动化， 2025 ， 49 （ 13 ）： 61 - 69 .

Qian Liqun ， Wei Qing ， Hu Pengfei ， et al . Online reactive power optimization method based on data-driven predictive control for distribution network with low situation awareness ［J］. Automation of Electric Power Systems ， 2025 ， 49 （ 13 ）： 61 - 69 .

苗璐，樊玮，肖红燕，等 . 基于改进FCM聚类的光伏电站出力场景特性研究［J］. 广东电力， 2024 ， 37 （ 3 ）： 1 - 11 .

Miao Lu ， Fan Wei ， Xiao Hongyan ， et al . Study on typical output scenario characteristics of photovoltaic power station based on improved FCM clustering ［J］. Guangdong Electric Power ， 2024 ， 37 （ 3 ）： 1 - 11 .

李钦豪 . 考虑模型误差的无功电压全局优化控制和松弛趋优控制［D］. 广州：华南理工大学， 2018 .

Li Qinhao . Global optimal control and slack optimal control of reactive power and voltage considering model errors ［D］. Guangzhou ： South China University of Technology ， 2018 .

Sun D W ， Yu Y X . Accurate identification of critical boundary hyperplanes of practical steady-state security region in distribution grids ［J］. IEEE Transactions on Smart Grid ， 2023 ， 14 （ 6 ）： 4312 - 4321 .

Chen S ， Wei Z N ， Sun G Q ， et al . Convex hull based robust security region for electricity-gas integrated energy systems ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 3 ）： 1740 - 1748 .

Dai Y X ， Zhang J ， Xu P D ， et al . High-dimensional steady-state security region boundary approximation in power systems using feature non-linear converter and improved oblique decision tree ［J］. Journal of Modern Power Systems and Clean Energy ， 2024 ， 12 （ 6 ）： 1786 - 1797 .

羿应棋 . 省地电网无功电压实时趋优控制方法研究［D］. 广州：华南理工大学， 2016 .

Yi Yingqi . Real-time slack optimal method for volt/var control between provincial and district power networks ［D］. Guangzhou ： South China University of Technology ， 2016 .

Chen X ， Yi Y Q ， Zhang Y J ， et al . Approach to setting gateway reactive power control band for distribution networks with wind power ［J］. IET Generation ， Transmission & Distribution， 2017 ， 11 （ 3 ）： 596 - 604 .

肖红燕，钟康骅，樊玮，等 . 海上风电场并网点无功趋优控制区间整定［J］. 电力系统保护与控制， 2025 ， 53 （ 10 ）： 23 - 32 .

Xiao Hongyan ， Zhong Kanghua ， Fan Wei ， et al . Interval setting of reactive power optimization control for offshore wind farm grid connection points ［J］. Power System Protection and Control ， 2025 ， 53 （ 10 ）： 23 - 32 .

Shao C C ， Wang X F ， Shahidehpour M ， et al . Power system economic dispatch considering steady-state secure region for wind power ［J］. IEEE Transactions on Sustainable Energy ， 2017 ， 8 （ 1 ）： 268 - 278 .

Yang T K ， Yu Y X . Steady-state security region-based voltage/var optimization considering power injection uncertainties in distribution grids ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 3 ）： 2904 - 2911 .

刘石川，雷轲，刘紫玉，等 . 基于静态安全域的含新能源输电网随机最优潮流［J］. 电力系统及其自动化学报， 2023 ， 35 （ 3 ）： 94 - 101 .

Liu Shichuan ， Lei Ke ， Liu Ziyu ， et al . Stochastic optimal power flow of transmission networks with new energy sources based on static security region ［J］. Proceedings of the CSU-EPSA ， 2023 ， 35 （ 3 ）： 94 - 101 .

Du B J ， Narusue Y ， Furusawa Y ， et al . Clustering wind turbines for SCADA data-based fault detection ［J］. IEEE Transactions on Sustainable Energy ， 2023 ， 14 （ 1 ）： 442 - 452 .

孙华鹏，丁孝华，吴志，等 . 计及自动电压控制系统限值优化调整的配电网调压策略［J］. 电力系统自动化， 2025 ， 49 （ 12 ）： 184 - 193 .

Sun Huapeng ， Ding Xiaohua ， Wu Zhi ， et al . Voltage regulation strategy for distribution network considering optimal adjustment of automatic voltage control system limits ［J］. Automation of Electric Power Systems ， 2025 ， 49 （ 12 ）： 184 - 193 .

Abid M S ， Apon H J ， Hossain S ， et al . A novel multi-objective optimization based multi-agent deep reinforcement learning approach for microgrid resources planning ［J］. Applied Energy ， 2024 ， 353 ： 122029 .

Fu Y ， Ren Z X ， Wei S R ， et al . Dynamic optimal power flow method based on reinforcement learning for offshore wind farms considering multiple points of common coupling ［J］. Journal of Modern Power Systems and Clean Energy ， 2024 ， 12 （ 6 ）： 1749 - 1759 .

胡丹尔，彭勇刚，韦巍，等 . 多时间尺度的配电网深度强化学习无功优化策略［J］. 中国电机工程学报， 2022 ， 42 （ 14 ）： 5034 - 5045 .

Hu Daner ， Peng Yonggang ， Wei Wei ， et al . Multi-timescale deep reinforcement learning for reactive power optimization of distribution network ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 14 ）： 5034 - 5045 .

刘生 . 海上风电多风场集中送出方式优选方法［J］. 南方能源建设， 2025 ， 12 （ 1 ）： 100 - 108 .

Liu Sheng . Optimization method for centralized transmission of offshore wind power from multiple wind farms ［J］. Southern Energy Construction ， 2025 ， 12 （ 1 ）： 100 - 108 .

GB/T 19963.2—2024 风电场接入电力系统技术规定第2部分：海上风电［S］.

GB/T 19963.2—2024 Technical specification for connecting wind power plant to power system part 2： offshore wind power ［S］.

姜涛，李晓辉，李雪，等 . 电力系统安全域边界通用搜索模型与近似方法［J］. 中国电机工程学报， 2020 ， 40 （ 14 ）： 4411 - 4429 .

Jiang Tao ， Li Xiaohui ， Li Xue ， et al . General optimization model and piecewise approach for approximating security region boundary in bulk power systems ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 14 ）： 4411 - 4429 .

Yang J W ， Zhang N ， Kang C Q ， et al . A state-independent linear power flow model with accurate estimation of voltage magnitude ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 5 ）： 3607 - 3617 .

苏向敬，程子凡，聂良钊，等 . 基于AGCN-LSTM模型的海上风电场功率概率预测［J］. 电力系统自动化， 2024 ， 48 （ 22 ）： 140 - 149 .

Su Xiangjing ， Cheng Zifan ， Nie Liangzhao ， et al . Power probability prediction for offshore wind farm based on AGCN-LSTM model ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 22 ）： 140 - 149 .

龙寰，杨婷，徐劭辉，等 . 基于数据驱动的风电机组状态监测与故障诊断技术综述［J］. 电力系统自动化， 2023 ， 47 （ 23 ）： 55 - 69 .

Long Huan ， Yang Ting ， Xu Shaohui ， et al . Review of data-driven condition monitoring and fault diagnosis technologies for wind turbines ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 23 ）： 55 - 69 .

Barber C B ， Dobkin D P ， Huhdanpaa H . The quickhull algorithm for convex hulls ［J］. ACM Transactions on Mathematical Software ， 1996 ， 22 （ 4 ）： 469 - 483 .

刘雨濛，顾雪平，王涛 . 考虑静态安全距离的含风电电网安全优化调度［J］. 电力系统保护与控制， 2021 ， 49 （ 15 ）： 93 - 99 .

Liu Yumeng ， Gu Xueping ， Wang Tao . Optimal security dispatching of power grid with wind power considering static safe distance ［J］. Power System Protection and Control ， 2021 ， 49 （ 15 ）： 93 - 99 .

周良才，周毅，沈维健，等 . 基于深度强化学习的新型电力系统无功电压优化控制［J］. 电测与仪表， 2024 ， 61 （ 9 ）： 182 - 189 .

Zhou Liangcai ， Zhou Yi ， Shen Weijian ， et al . Reactive voltage optimization control of novel power system based on deep reinforcement learning ［J］. Electrical Measurement & Instrumentation ， 2024 ， 61 （ 9 ）： 182 - 189 .

Chen P C ， Liu S C ， Wang X Z ， et al . Physics-shielded multi-agent deep reinforcement learning for safe active voltage control with photovoltaic/battery energy storage systems ［J］. IEEE Transactions on Smart Grid ， 2023 ， 14 （ 4 ）： 2656 - 2667 .

张磊，晁璞璞，金泳霖，等 . 适用于电网频率响应分析的直驱型风电场实用化等值方法［J］. 电力系统自动化， 2025 ， 49 （ 14 ）： 200 - 207 .

Zhang Lei ， Chao Pupu ， Jin Yonglin ， et al . Practical equivalent method of direct-driven wind farm suitable for frequency response analysis of power grid ［J］. Automation of Electric Power Systems ， 2025 ， 49 （ 14 ）： 200 - 207 .

李琦，乔颖，张宇精 . 配电网持续无功优化的深度强化学习方法［J］. 电网技术， 2020 ， 44 （ 4 ）： 1473 - 1480 .

Li Qi ， Qiao Ying ， Zhang Yujing . Continuous reactive power optimization of distribution network using deep reinforcement learning ［J］. Power System Technology ， 2020 ， 44 （ 4 ）： 1473 - 1480 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Multi-agent Deep Reinforcement Learning-driven Economic Optimal Scheduling Strategy for Data Centers

Multi-objective Optimal Scheduling Strategy for Energy Storage System Based on Improved Multi-agent Deep Deterministic Policy Gradient Algorithm

Voltage Control for Active Distribution Network Based on Bayesian Deep Reinforcement Learning

Hierarchical Coordinated Optimal Scheduling of Transmission-Distribution Networks and Electric Vehicle Aggregators Based on Feasible Region Aggregation and Projection

Parameterized Estimation of Price-response Regulation Willingness of Demand-side Flexibility Resources

Related Author

ZHANG Ziquan

YANG Lingfang

CHEN Yu

ZHAO Hanshu

YANG Qiang

HUANG Yu

ZHANG Xiaoxiao

YUE Dong

Related Institution

College of Electrical Engineering, Zhejiang University

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Group Corporation (State Grid Electric Power Research Institute)

College of Electrical Engineering, Shanghai University of Electric Power

School of Electrical Engineering, Southeast University

AI问答

⁰