智能電網環境下配網調度系統及關鍵技術研究

郭劍黎, 彭磊, 郭祥富, 許國偉, 武柯

(1. 國網河南省電力公司, 河南, 鄭州 450000; 2. 河南九域騰龍信息工程有限公司, 河南, 鄭州 450000)

0 引言

隨著科技的發展,配網逐漸智能化,配網調度若還只是由調度員進行操作,將消耗巨大的人力以及物力資源,因此對配網調度的優化進行了研究,提高配網調度系統的運行效率,以節約能源。針對上述問題,相關文獻對此也有相應的研究:文獻[1]提出了一種基于圖模一體化的配網調度系統,該系統采用虛擬勢場的配網圖形半自動維護算法,實現復雜配網的圖模一體化,采用潮流計算實現配網調度支持系統的多種高級功能,但該方法對能源自動化調控與評估能力欠佳,在系統維護上做得不夠完善,還需逐步優化調度的各方面工作;文獻[2]提出了一種配網調度自動化系統,該系統采用故障快速隔離的方法,實現配網調度自動化檢測,故障自動化隔離,該技術雖然應用人工智能的方法實現了配網數據信息的傳遞與交互,但數據信息評估能力較差,無法實現配網環境下不同能源模塊信息的調度與計算,大大降低了能源調度能力。

基于上述文獻中的不足,本文進行以下技術研究。

1 智能電網環境下配網調度系統設計

本文采用分布式網絡拓撲架構實現配網數據信息的傳遞、分析與綜合管理,利用單向物理隔離方法,通過服務器專用網絡實現系統中服務器主機的物理部署,構建了基于微電流計算法(CES)的綜合能源系統(IES)IES分層調度結構,基于GDL深度學習模型實現配網調度故障診斷,實現配網調度系統內深層數據挖掘與分析。

基于上述設計思路,本文構建了配網調度系統,其總體架構示意圖如圖1所示。

圖1 配網調度系統的總體結構圖

該系統的整體架構是基于Java Web技術體系進行設計的,系統的總體結構分為業務專用網絡模塊、數據處理模塊和公用網絡模塊。三大模塊均采用了數據服務器、應用服務器和圖形服務器[3]。其中,公用網絡模塊是為了服務配電網外部用戶,采用多個用戶接入點構建光纖網進行數據交互,實現配網調度事務處理與工作需求。數據處理模塊是為了對配網終端參數進行收集與分析,本文還設計了監控和數據采集(SCADA)智能報警與跨平臺的故障信息傳遞[7]。配網調度自動化技術中利用數據采集系統對配網終端與遠程終端單元(RTU)進行采集工作。采集到的配網調度數據信息,采用遙測處理方法對數據信息進行處理分類[8-9]。系統的業務專用網絡模塊是為了服務于配網公司內部管理用戶,系統外部客戶端的訪問請求通過內部網絡進行轉發,通過配網調度管理人員進行決策與推斷,下達相應指令并返回系統外部客戶端的反饋建議[4]。

此外,除了三大模塊之間的傳遞與應用,該系統中的數據傳輸采用了防雷技術以及通信隔離技術,實現數據傳輸與配網終端及RTU進行通信。該數據傳輸將GPS衛星式中的標準信息作為基礎,通過增強配網終端及RTU等信息的監視,通過數據傳輸系統對配網調度的數據進行接收與發送,從而確保了配網調度數據的安全及完整性[5]。

2 基于CES的IES分層調度方法

為了提高配電網調度能力,采用CES對配電網發電能源綜合分配,根據IES分層調度實現不同種類發電能源調度數據信息分類、計算與處理,結構如圖2所示。

圖2 基于CES的IES分層調度架構

圖2整體架構總體上分為綜合發電能源路徑優化與IES分層調度兩大部分。IES分層調度架構采用云邊調度結構有效減緩IES負載側數據量的快速增加,減輕數據傳輸的壓力,以及調度中心計算時間和成本。而對于負荷側信息的收集,則通過分層計算、分布計算、邊緣計算等方式來實現發電(DG)、電鍋爐(EB)、儲能系統(ESS)、熱能發電機(HG)、可再生能源發電機(REG)等不同方式的電力計量。對于負載側能源市場的控制通過DR手段完成,另外IES調度方式能夠有效解決負載或可再生能源的不確定性,主要通過隨機優化或穩健優化的方式進行控制[6]。

對于綜合發電能源路徑優化,本文引入CES能夠實現配電網供源中不同形式能量轉換,能夠提高配電網能源的存儲與應用能力,通過能源區域劃分的約束條件實現微觀數據計算,例如配電網調度過程中光伏發電(PV)和地源熱泵發電(HP)之間的轉換發電能源計算公式[7]為

(1)

式(1)中,Q表示配電網需求側存在的能源有效輸出量,角標HP表示配電網系統地源熱泵發電,t表示能源供應時間,Ω表示地緣熱泵能源總量。在CES優化能源路徑過程中,可以通過液態冷凝(WC)方法實現配電網調度模塊內能源轉移和儲存,根據各階段的耦合關系計算優化后的能源總量[8]如下:

(2)

3 基于GDL深度學習的配網調度故障診斷

本文采用深度學習GDL對配網調度系統的采集數據進行分析,并取得線路故障位置以及數據分析結果之間的對應關系,進而實現配網調度故障的精細化診斷。GDL基本原理網絡結構如圖3所示。

圖3 GDL網絡結構圖

采用GDL前饋式深度學習網絡,實現對配網調度系統的建模及運行狀態預測。首先對配網調度系統的網絡模型進行構建。在輸入層,假設輸入層神經元的輸入數據為X,輸入神經元的維數為n。通過神經元數目的輸入,在模式層進行非線性變換,輸入數據將被映射到模式層中的模式空間中為

(3)

式(3)中,X表示輸入層的數據,Xi表示第i個輸入數據所對應神經元的訓練樣本,σ表示徑向基函數的平滑參數。根據X和Xi可以求得兩者之間歐式距離的平方積[9]為

(4)

從模式層傳遞到求和層的神經元Pi由式(4)中計算方式,模式層輸出的所有神經元直接相加求和,即:

(5)

每個模式層的神經元要乘以連接權值后,再相加求和,其結果為

(6)

式(6)中,yij表示第i個數據樣本集yi中第j個元素。yi的維數k與該層中的神經元數量相同,GDL的預測結果,即:

(7)

接著對配網調度故障定位的準確率進行計算[10]為

(8)

式(8)中,Samplec表示定位準確的樣本數量,Sampleall表示全部樣本數量。配網調度系統故障距離定位精度計算為

(9)

(10)

式(10)中,If表示相電流,Imax表示相電流的最大值,Ist表示標準化處理后的三項電流值。由于配網調度的非對稱網絡,進一步對配網調度故障診斷值進行四舍五入處理,完成配網調度系統的故障診斷。

4 實驗結果與分析

首先,利用LoadRunner工具對實驗平臺進行搭建,對系統的性能以及系統故障診斷的準確性進行測試,在搭建實驗平臺時,采用與實際運行環境相同的軟硬件和網絡環境配置,其中實驗環境參數如表1所示。

表1 實驗環境參數

在上述實驗環境中搭建的實驗架構示意圖如圖4所示。

圖4 實驗架構示意圖

在實驗時,假設經過6 h的實驗,分別對本文的調度能力和診斷能力進行驗證。本實驗采用的實驗數據為某電力企業的用電數據,其中關于用電量Q參數具體實驗數據如表2所示。

表2 實驗數據

通過上述實驗前的準備,接著對實驗進行測試。首先對配網調度系統故障診斷的準確性進行測試,觀察該研究中智能電網環境下配網調度能力,如圖5所示。

圖5 數據識別示意圖

在圖5中,可以看到經過8 h的數據識別,在數據調度前能夠看到配網調度模塊混亂無章,在經過本文方法將不同調配數據信息分區處理后,最終實現了不同數據信息的識別與處理。通過圖5可以看到,該數據識別具有較好的技術效果。然后將數據識別結果與其他文獻進行比較,觀測本文的技術效果。測試結果與文獻[1]和文獻[2]的測試結果進行比較,實驗結果如圖6所示。

圖6 實驗結果比較

隨著實驗次數的變化,系統故障診斷的準確性在90%左右波動,并且故障診斷的準確性較平穩,系統故障診斷的準確性最高為97%;文獻[1]準確性在57%到80%之間波動,文獻[2]準確性在47%到75%之間波動。因此,本文系統故障診斷的準確性最高,有一定的可靠性。

基于上述對配網調度系統故障診斷的準確性測試實驗,接著對系統的性能進行測試,實驗結果仍與文獻[1]和文獻[2]實驗結果進行比較,實驗結果如圖7所示。

圖7 實驗結果比較

由圖7可知,本文系統在進行系統性能測試時,配網調度完成所需時間最短,并且在0 s到3 s之間,在第10次和第25次實驗時,配網調度所需時間最長為3 s,最短為1 s。文獻[1]在7 s到14 s之間波動,在第20次實驗時,配網調度完成所需時間最長為13.6 s,在第7次實驗時,配網調度完成所需時間最短為7 s。文獻[2]在進行系統性能測試時,配網調度完成所需時間在7 s到12 s之間波動,在第5次和第15次實驗時,配網調度完成所需時間最長為12 s,在第20次實驗時,配網調度完成所需時間最短為7 s。因此,本文系統具有突出的技術效果。

5 總結

為了對配網調度系統進行優化,本文設計了智能電網環境下配網調度系統,采用分布式網絡拓撲架構進行搭建,利用單向物理隔離方法,實現系統中服務器主機的物理部署,通過采用配網自動化與主網電氣設備一體化,實現配網調度中的數據交互,進而實現配網調度的自動化。在調度過程中,采用數據調度算法模型實現智能電網的優化配置與信息調度,本文還通過遠端控制與近端控制,進而實現配網數據信息精確監控,最后通過GDL深度學習模型的配網調度故障,提高了網絡故障診斷能力。本文系統還存在著一定的不足,在進行配網調度工作中,對于環境較惡劣的調度工作,可能會出現延時現象,因此還需進一步對此系統進行研究。