分布式園區綜合能源系統經濟調度監測與分析

李時, 王斌, 齊紅濤, 王華偉

(國網安徽省電力有限公司 滁州供電公司,安徽 滁州 239000)

0 引 言

國網營銷部印發《2020年綜合能源服務工作安排通知》,提出全面推進綜合能效、多能供應、清潔能源和新興用能業務。國家電網公司計劃到2021年建成以客戶側用能優化系統為基礎,以構建綜合能效服務生態圈為導向,以客戶服務業務中臺為樞紐的智慧能源服務平臺。

在此背景下,為打破供電、供氣、供冷和供熱等各種能源供應系統的有機協調與優化的壁壘,充分利用可再生能源,滿足客戶端多元化能源生產與消費,就需要發展智慧綜合能源,特別是用戶側園區級新能源的消納以及能源的高效利用。在上述背景下,本文將實現園區級智慧能源作為本文研究的重點。

1 智慧型“源-網-荷-儲”整體方案設計

本文結合綜合能源電廠智慧園區提出了綜合能源服務系統,采用融合型專網物聯網調度技術作為優化調度系統的核心結構。通過改進傳統多時間尺度系統的調度方案和管控方式,實現綜合能源的高效率低損耗調度過程。綜合能源服務系統架構如圖1所示。

圖1 綜合能源服務系統架構

由圖1可知,綜合能耗通過“多表抄表”的能源計量裝置完成,包括了風力發電、光伏發電和火力發電等不同能源子系統。通過在負載側設立能源表,根據讀數顯示基礎設施能源子系統的分級調度,能夠更加充分地利用云邊結構和負荷側多能信息[1]。通過控制調度設備負載和設備可實現對上級信號的響應,由控制標簽負載獲取設備信息。由終端控制器中的風力渦輪機和光伏設備進行外場采集,實現全息感知和需求側的優化控制,而其感知信息通過以太網/PLC/RS-485三種方式輸入邊緣計算終端[2-3]。

2 多種形式能源的耦合機理

本文完整構建包含源、網、荷、儲等各個環節的關鍵技術,如電、氣、熱、風、光等。能源轉換(energy converter,EC)設備將外部供應的能源形式轉換為終端需求的能源形式,并通過能源網絡(energy network,EN)傳輸給分散于區域內的各用戶。此外,區域內還可能存在多種形式的儲能設備(energy storage,ES)實現能源存儲。

從能源轉換角度,外部供應能源對應于EN 的輸入Pα,Pβ,…,Pχ,而EN的輸出Lα,Lβ,…,Lχ則對應于終端需求。通過構建耦合矩陣來描述EN的轉換關系如下:

(1)

式中:α～χ分別為能源形式,如電、氣、熱、冷等;ηαβ為能源α轉換至β的效率;υ為分配系數,表征某一種能源在多個EC之間的分配比例。

在式(1)中,假設轉換效率η為常數,則此模型為線性模型。υ作為變量,可為多種形式能源之間的互補優勢與經濟調度提供優化空間。顯然,υ應滿足如下約束:

(2)

進一步定義耦合系數c:

(3)

用P,L,C分別表示式(1)中的輸入矢量、輸出矢量和耦合矩陣,則式(1)模型可表示為:

L=CP

(4)

如考慮ES,則式(4)可改寫為:

(5)

3 基于蝙蝠算法(bat alogrithm, BA)的經濟調度異常信息監測

本文提出一種基于BA,實現系統網絡安全的經濟調度異常信息監測。采用基于隨機子空間的投票極限學習機作為待優化集成框架,BA選擇合適的子分類器進行集成,用準確率和子分類器差異度相結合的方式定義BA算法的適應函數。異常數據信息監測模型如圖2所示。

圖2 經濟調度異常信息監測模型流程示意圖

結合上述流程示意圖,將能源異常數據信息設定A={A1,A2,…,AL},AL為對不同的能源數據信息運用分類器的數據集合。計算多樣性度量時生成差異性矩陣,兩個分類器的差異性可表示為:

(6)

式中:N為樣本總數;N11、N00、N01、N10為差異性矩陣。Qij的值域為[-1,1],分類器之間的差異度由Qij的絕對值決定。在集成設計階段,為了增加分類器的多樣性,基于不同特征子集訓練生產的ELM1模型到ELM模型K作為系統的基分類器,采用BA從分類器池中刪除冗余的模型,減少分類器池的規模?；贐A的集成剪枝框架如圖3所示。

圖3 基于BA的集成剪枝框架

在設計BA的適應度函數時,考慮到集成的分類準確率和多樣性度量雙重因素,將兩者結合起來采用錯誤率和難度設計適應度函數。適應度函數可表示為:

(7)

式中:n為分類器的數量;acci為子模型的準確率;var為隨機變量方差;w1為平均誤差的權重;w2為多樣性度量的權重。

通過Moore-Penrose矩陣對輸出權重的計算,采用Oc(train)來表示訓練階段ELM的復雜度?；贐A的集成剪枝訓練階段,評估子模型子集算法的計算復雜度Oeval,模型子集的計算復雜度可表示為:

OZ=Oeval×K×N

(8)

式中:K為最大迭代次數;N為種群的大小。由于評估模型子集所需要的時間涉及到方差的計算,還需考慮到訓練實際的總數和模型子集數目。最后采用多數投票法將獨立的ELM輸出進行組合做出最終的預測,預測結果可表示為:

(9)

式中:H(xt)為樣本xt的預測類別;pij(xt)為樣本xt被分類器判斷為ωj的概率;K為分類器總數。

4 試驗結果及分析

本文采用的硬件配置為CPU為Inter Core i7-9700H,運行內存為3 200 MHz 8×2 GB,硬盤大小為1 TB。將源側、網側、儲側和荷側融為一體的微網,通過MATLAB形式虛擬仿真。試驗架構示意圖如圖4所示。

圖4 試驗模擬簡圖

假設本文試驗采用微網儲能數據來自于風能、太陽能、氣體發電和光伏發電等多種不同形式的能源輸出的數據信息。為了試驗的方便,將不同形式的能源信息通過發電過程中的數據庫信息采集獲取。則輸入的微網儲能數據樣本信息如表1所示。

表1 多能源數據輸入參數設置

將采集到的數據信息用本文技術方法與MMPC算法進行計算。經過12 h反復模擬和試驗仿真曲線,如圖5所示。

圖5 試驗對比示意圖

通過圖5的試驗可知,本文方法園區級智慧型運營時,通過采集相同數據量時,采集時間短。在運用相同時間時,本文的方法園區級智慧型運營效率最高。使用本文方法的用電分析法進行驗證。從多種不同能源數據庫中抽取數據信息,如表2所示。

表2 試驗數據信息表

將抽取的信息用本文研究的方法分別與文獻[4]和文獻[5]的方法進行對比分析。通過多種形式能源的耦合機理對包含源、網、荷和儲等各個環節數據信息進行分析。經過100 min試驗輸出的誤差繪成對比曲線如圖6所示。

圖6 誤差對比曲線圖

經過100 min試驗和不同能源信息發電后,隨機抽取的大量數據信息,發現本文方法在進行用戶消費行為數據分析時,準確度遠遠大于文獻[4]和文獻[5]方法。因此本文方法在誤差對比分析上,具有突出的技術優勢。綜上所述,本文方法具有突出的技術效果。

試驗過程中再選取100組能源網絡安全態勢指數,取90組為訓練樣本,10組為測試樣本。試驗環境中攻擊者對其他三個主機發起多次Ddos攻擊和XXs攻擊,調用MATLAB工具箱將數據融合到評估模型中,使用三種系統對攻擊后的網絡安全態勢值進行評估,得到EN態勢評估值如圖7所示。

圖7 EN安全態勢評估值

由EN安全態勢評估值變化可知:0～3 s時系統由于沒有受到攻擊的危險,EN數據信息態勢評估值較低,在15左右,當前系統的各項指標狀態良好;在3 s時系統受到攻擊,系統的EN安全面臨風險,EN態勢評估值增長速度較快,最高達到89.2。

文獻[6]系統在受到網絡攻擊后網絡態勢評估值增長較慢,到6 s時網絡態勢評估值僅為34.8,10 s時的網絡態勢評估值達到52.3。文獻[6]系統的評估值整體較小,不能真實反映系統當前的網絡安全狀態,未考慮到物理節點受到攻擊之后的系統運行危險等級。文獻[7]系統的網絡態勢評估值變化存在滯后,在6 s之后才開始迅速增長,在10 s的網絡態勢評估值為64.2,不能較好地判斷系統的危險等級。

為了體現采用的網絡架構的性能優勢,以文獻[8]所采用的變換域通信系統作為參照對象。在24 h內通過檢測點傳感器收集得到多個時刻監測數據,總計數據樣本50個通信節點參數并將其作為試驗數據集輸入到通信架構算法中,分別得到噪聲離散點圖如圖8、圖9所示。

圖8 本文研究通信節點離散圖

圖9 文獻[5]通信節點離散圖

圖8、圖9中:粒子的標識代表一種樣本數據類別,白色點代表通信節點噪聲粒子群,粒子越緊湊,通信節點配置越具有能量,傳輸綜合能源數據負荷越低,丟包現象越少。從圖8與圖9不難看出,本文研究所搭建的建立的網絡架構通信節點更加緊湊。這是因為采用BA的經濟調度異常信息監測,提高了數據信息檢測出能力,配合插入特殊寄存器減少了網絡數據的丟包現象?？梢姳疚难芯康耐ㄐ啪W絡架構更加適用于綜合能源電廠智慧園區。

5 結束語

企業級綜合能源應用是綜合能源體系的最基礎環節,企業級用能需求量巨大,但企業以電為核心實現多能源綜合應用的適應性技術研究尚在起步階段。從國內外研究情況分析,在企業級多能源規劃、多能源管理、基于物聯網的企業通信傳感網絡以及管控手段尚無系統性研究,導致企業多能源建設過程中無據可依,以電為核心多能互補效果體現不充分。作為企業級綜合能源應用核心技術的多能綜合利用關鍵技術的研究可以為園區綜合能源建設提供靈活性用能解決方案,內部靈活性可以幫助企業盈利,外部靈活性可以提高國家能源供應安全穩定。本文研究技術為下一步技術研究奠定基礎。