一種未來電網調控策略研究

陶旭嫣，郝德榮，梁中會，張學清，梁軍

（1.國網山東省電力公司煙臺供電公司，山東煙臺264000；2.山東大學電氣工程學院，濟南250061）

一種未來電網調控策略研究

陶旭嫣1，郝德榮1，梁中會1，張學清1，梁軍2

（1.國網山東省電力公司煙臺供電公司，山東煙臺264000；2.山東大學電氣工程學院，濟南250061）

未來電網將廣泛接入可再生能源發電等新能源電源，會出現電網潮流流向不清晰的問題，提出一種基于學習理論的未來電網調控策略模型。在未來電網全景可觀測的背景下，對采集的電網運行過程信息進行挖掘，建立了未來電網的一種等值分析模型。利用現代學習理論建立具有自學習的、考慮時空關聯的協調調控策略機制。最后以某實際電網運行數據為算例驗證了調控策略的可行性，為未來電網的運行調控提供有益的思考。

未來電網；極端學習機；相關性分析；學習理論

0 引言

常規化石能源大量消耗，其碳排放引起的溫室效應及霧霾等問題日益引起人們的重視，近年來環境污染的持續加劇，加速了人們對尋求可再生能源以替代常規能源的步伐。為了改善環境，可再生資源開發得到重視，其以分布或者集中等各種方式并入電網，引起電網架構悄然改變，由于可再生能源例如風力發電、光伏發電等具有明顯的間歇性、波動性以及隨機性等特點，造成大量棄風棄光，并使現有電網調控手段面臨著威脅和挑戰。所以，研究智能電網調控策略對于如何高效地進行可再生資源開發和利用具有重要意義。

文獻［1-3］對含有風電場或同時含有風光電場的電力系統動態經濟調度問題進行了研究，通過仿真驗證了所提方法的有效性。文獻［4-5］考慮能源環境效益的含風電場的電力系統多目標優化調度模型，以便在常規發電機組的經濟性以及能源的環境經濟效益之間折中取舍。以上大都是通過提高常規機組的旋轉備用容量來增加電網接納風電的能力，這有可能導致資源的浪費。文獻［6］提出，為增加風電等可再生能源的消納能力，引入電動汽車以建立多時間尺度的電動汽車—風電協同調度模型，并通過仿真驗證了通過合理調度電動汽車充電可以增加電網風電的接納能力。文獻［7］為了消納大規模風電提出了多時間尺度協調的有功調度策略，以應對可再生資源并入對電網的影響，其為增加風電等可再生資源的接納能力提供了有效的途徑。以上調度方法都是以某種或者某幾種指標最優為目標，通過考慮各種約束條件以優化目標函數來得到調度方案。實際上，自然環境是存在周期性規律的，人類的社會活動也存在周期性規律，電力系統作為人類認識自然和改造自然的產物，構成電力系統的電源、負荷等各構成要素以及寓于其中的變化趨勢或者調控手段（指具有主動調節能力的個體）等也必然存在周期性

規律；同時調控電網運行的管理者和決策者能應對這一周期性規律波動，并通過交互協調具有積累經驗和形成規則的能力。因此，利用現代學習理論把握這種周期性規律并對電網進行調控成為可能。

在考慮傳統電網調度策略的基礎上，提出了一種基于學習理論的漸進學習電網調控策略，其實質是在挖掘電網運行過程化信息規律基礎上，建立電網等值分析模型，依此演繹具有自學習的時空滾動且關聯的漸進調控機制。

1 電網運行過程化信息挖掘和等值分析

當今電力系統量測手段日益豐富，廠站的數據采集與監控系統（SCADA）以及同步相量測量技術（PMU）引導的電網廣域化系統（WAMS）日漸成型［8-9］；同時未來電網中的監測、計量手段也更富智能化，因此可實現電網運行狀況的全景化觀測。通過現代電網量測技術（發輸電元件錄波、廠站SCADA、WAMS、用戶側抄表）以各自的標準采集電網構成要素的運行狀況數據，并按時間延續的過程，周期性地采集信息并存儲，即全景過程化信息，該信息為電網等值分析的基礎。在采集到電網全景過程化運行信息的基礎上，對每個個體按照屬性進行分類，如發電機組、變壓器、輸電線路、負荷等。視每個個體的運行周期為一個過程，對其運行狀況和調控行為進行數據挖掘，建立拓撲分析下的復雜電網等值，并給出對應的過程化運行規律。以某電網的運行情況為例，即在全網實時信息數據采集的基礎上，得到電網中各構成要素的數據信息，進而可得所關注節點或區域在每個時間點的注入功率信息，實際上就是在電網數據挖掘的基礎上進行電網等值的分析。可分為源性等值、負荷等值和聯絡等值等，此處僅以源性等值進行分析。

以山東電網某年2月24日至27日實際采集的數據為算例，對采集到的電網實際運行數據進行挖掘，以得到各個時段電網支路元件的運行過程信息，以各源性節點為例，3日共72個時段部分源性節點的注入功率信息進行分析。

2 電網運行數據信息的相關性分析

由于在正常工作日每個節點的注入功率都具有較強的日相似特性，為了定量地評價這種相似性，采用相關函數來度量。

相關函數值rk是反映變量x（t，k）及其下一周期x（t，k+T）間線性相關性的函數［11］，如式（1）～（4）所示。當k取T，2T，…，mT（m為正整數）時，rk表示在不同周期的相關函數值。當相關性函數值相差不大時，可認為在一段時間內，各周期數值具有較強的相關性，且越接近于1，相關性越強。如果相關函數出現了負值，說明其不具有相關性。由于每日共24個時段，所以注入功率的周期T為24。對每個節點的注入功率進行相關性分析，計算結果如表1所示。

表1 部分節點注入功率的日周期相關性分析

從表1可以看出，各個節點在相鄰的兩個日周期的相關函數值均為正值，且接近于1，說明各節點的注入功率變化情況具有較強的日相似特性，這與本文假設工作日下的電網運行情況具有相似特性是一致的，因此驗證了電網的運行過程確實具有日周期性規律，從而為建立漸進學習型的未來電網調控理論提供了理論基礎。

3 漸進學習型的電網調控

在構建電網等值分析模型的基礎上，建立具有自學習的、時空滾動且關聯的調控機制。采用極端學習機（ELM）理論建立漸進學習的電網調控模型。由于支持向量機的訓練為二次規劃過程，文獻［12］非線性輸入變量從低維空間映射到高維特征空間進行某種運算，在映射的過程中會引起空間維數增加，為了降低計算規模需要采用核函數理論來簡化計算，

訓練復雜且占用時間較長。ELM作為一種新型的前饋神經網絡，已被證明具有優良的預測性能［13-14］，其具有訓練時間短，算法簡單，在學習理論領域得到了廣泛的應用。

3.1 ELM

極端學習機是一種新型的前饋神經網絡，其表示如下［15］：

式中：xk為輸入向量；Win為連接輸入節點和隱層節點的輸入權值；b隱含層偏置；Ok為網絡輸出；ω為連接隱含層與輸出層的輸出權值；f為隱含層激活函數，一般取為Sigmoid函數；N為樣本數［18］。

在訓練開始時，Win和b隨機生成并保持不變，僅需訓練確定輸出權值ω。假設單隱層前饋網絡以零誤差逼近訓練樣本，即。

則存在Win、b和ω使式（6）成立

由于ELM在某些情況進行訓練，如訓練樣本數小于隱層節點數等可能會導致ELM的自相關矩陣出現奇異，導致常規的偽逆算法不再適用，采用嶺回歸方法以求解輸出權值向量［16-17］，其主要思路是：

由式（6）知可以轉化為如下的優化問題

式中：C為正則項系數。

基于KKT條件可以表示為

式中：αi為Lagrange乘子。

由文獻［12-18］可推得

可見，ELM與支持向量機（SVM）一樣都是將原始訓練數據映射到某一高維特征空間，但是ELM的特征空間是可知的而SVM是未知的，從而導致了SVM嚴重依賴核函數，ELM則完全獨立于核函數，是一種無核機學習方法，且經過原始嶺回歸改進算法的訓練速度比原ELM以及LSSVM訓練更方便快捷，不僅不會出現自相關矩陣奇異的現象，而且具有較好的算法穩定性。

3.2 漸進學習的電網調控思路

目前傳統的調度方式主要采用日前調度計劃和自動發電控制（AGC）等兩個尺度的調度模式［7］，由于兩個時間尺度時間跨度大，已無法適應未來電網的發展要求。同時風電機組、光發電等可再生資源由于受自身運行特性和發電不確定性影響，難以像水電、火電等常規機組一樣進行功率調節，而將可再生能源納入區域電網的有功調度和控制框架［19-21］，就可以很好地實行分布與集中的調控策略。實現時空關聯的漸進學習調控策略，分為空間上和時間上協調關系：空間協調是指集中調控與局部自治相協調的協調策略，實質體現的是集中與分布的關聯關系；時間協調是指聚合節點在多時間尺度上進行多時間級之間的協調控制，實質體現了時域關聯的關系。采用文獻［7］提出的多時間尺度分級策略，即把調控分解為4個階段：日前計劃、滾動計劃、實時計劃以及AGC等。

日前計劃。由于該時間段有充足的時間進行調度方案的制定，所以可以利用最小二乘SVM在對以前的大量歷史數據進行學習的基礎上，做出未來日24個時段的調度計劃。其在采用式（9）做出第t+1時刻的調度計劃后將其加入歷史數據中，這樣不斷地進行回歸即可得到未來24個時段的有功調度方案。

滾動計劃。以日前計劃為基礎，60 min為周期的滾動計劃也是利用極端學習機對下一時段的計劃進行回歸，不停修正剩余時段的日前計劃，同時利用最新得到的實時數據加入到原24點的ELM進行訓練，使模型總是朝著更為準確的方向改進。

實時計劃。與滾動計劃類似，但是以15 min為周期的計劃，其以每天96點的數據進行回歸學習，不停修正剩余時段的滾動計劃，在得到最新的實時數據后再送入96點的極端學習機進行實時更新訓練，改進模型的回歸性能。

AGC。AGC主要負責校正控制。調度秒級的AGC源性聚合節點，并使頻率和聯絡線功率滿足CPS考核指標［7］，可以與實時計劃不斷地協調配合。

圖1給出了漸進學習的時空關聯電網調控策略體系，由學習理論貫穿其中，并由空間和時間兩大體系構成。空間協調由集中與分布的調控構成，分布調控主要是基于就地的智能調控，而集中調控主要是

基于同步時鐘的高度自動化全局調控，實質體現的是集中與分布的關聯關系；而時間協調由日前計劃、實時計劃、滾動計劃以及AGC的調控構成。空間與時間協調是交互的關系，二者共同構成了漸進學習的電網調控體系。

圖1 電網調控體系

4 算例分析

以山東電網某年2月25日至27日的每個時段實時運行數據為算例檢驗該電網聚合調控策略的可行性。山東電網500 kV節點共25個，500節點的區域分布如圖2所示。山東電網大部分負荷位于東部，而電源主要位于西部，具有典型的“西電東輸”特征。其中1、6、45、46以及48號母線等均為源性節點，取46號源性節點為例來驗證漸進學習的電網調控策略的可行性。

首先在電網等值分析的基礎上，得到每個節點的實際注入功率。取46號源性節點的25和26日的注入功率數據對24點的ELM進行學習訓練。其中輸入向量維數為7，第1項為待訓練時刻的全網總負荷，2～7項為待訓練時刻之前6個時刻的源性節點的實際注入功率值。通過反復驗證隱層節點數和正則項系數C取為240和54.2。訓練完畢之后，以27日00∶00的500 kV節點總的負荷注入功率以及26日18∶00—24∶00時的山東電網46號節點注入功率為輸入向量，輸入到極端學習機得到27日00∶00計劃功率，再把得到的功率加入到歷史數據中去，不斷地進行功率回歸就可得到27日24個時段的日前計劃功率曲線，日計劃功率曲線與27日實際的發出功率曲線如圖3所示。滾動計劃有兩種方案：一種稱為原始滾動計劃，即保持之前日計劃訓練好的ELM模型不變，分別把23日每一時段實際的注入功率加入歷史數據回歸得到24個時段的滾動計劃；另一種稱為漸進學習的滾動計劃，即將每一時段實際的注入功率加入樣本集之前進行KKT條件判斷，如果新增實際數據滿足KKT條件，說明原日計劃ELM模型仍可以很好地擬合數據，不必將其送入模型訓練。若不能滿足KKT條件，則需將其送入原模型進行訓練后再繼續回歸下一個時段的注入功率。兩種方案的曲線如圖3所示。

圖2 電網節點接線示意

表2 各調度計劃誤差指標

圖3 各調度計劃曲線

從圖3可以看出，從日計劃曲線、原始滾動計劃以及漸進學習的滾動計劃曲線可以看出，滾動計劃曲線明顯比原始的日計劃曲線更接近實際的運行情況，而且具有漸進學習調節功能的滾動計劃比原始滾動計劃更接近實際情況，說明了漸進學習的電網調控策略是可行的。而漸進學習的滾動計劃與實際的運行誤差則可由實時計劃和AGC聯合協調解決。3種計劃曲線與實際的運行曲線的偏離程度采用絕對平均誤差Emae和均方根誤差Ermse進行衡量，對比結果如表2所示。從表2知，漸進學習的滾動計劃與

實際值絕對平均誤差和均方根誤差最小，分別為3.11%和4.85%，其余的誤差再由實時計劃和AGC聯合平滑解決。綜上所述，所提出的調控策略可有效解決可再生資源接入未來電網出現的問題，可為未來電網的調控提供了新的有效的研究和解決思路。

5 結語

針對未來可再生能源發電等廣泛接入電網引起電網潮流流向不清晰的問題，在考慮傳統電網調度策略的基礎上，提出了一種漸進學習的未來電網調控策略。其在電網全景可觀測的前提下，通過對電網全景過程化運行的信息規律挖掘，進行電網等值分析的基礎上建立了漸進學習的電網調控策略。其與傳統電網調控手段是兼容的，并能在漸進學習中不斷改進，體現了智能化，為電網的調控提供了新的有益參考。

［1］孫元章，吳俊，李國杰.基于風速預測和隨機規劃的含風電場電力系統動態經濟調度［J］.中國電機工程學報，2009，29（4）：41-47.

［2］YANG H，LU L，ZHOU W.A novel optimization sizing model for hybrid solar wind power generation system［J］.Solar Energy，2007，81（1）：76-84.

［3］LIANG R H，LIAO Jianliao.A fuzzy-optimization approach for generation scheduling with wind and solar energy systems［J］. IEEE Trans on Power Systems，2007，22（4）：1 665-1 674.

［4］邱威，張建華，劉念.含大型風電場的環境經濟調度模型與解法［J］.中國電機工程學報，2011，31（19）：8-16.

［5］陳道君，龔慶武，張茂林，等.考慮能源環境效益的含風電場多目標優化調度［J］.中國電機工程學報，2011，31（13）：10-17.

［6］于大洋，宋曙光，張波，等.區域電網電動汽車充電與風電協同調度的分析［J］.電力系統自動化，2011，35（14）：2 429.

［7］張伯明，吳文傳，鄭太一，等.消納大規模風電的多時間尺度協調的有功調度系統設計［J］.電力系統自動化，2011，35（1）：1-6.

［8］劉新東，江全元，曹一家.N-1條件下不失去可觀測性的PMU優化配置方法［J］.中國電機工程學報，2009，29（10）：47-51.

［9］Askounis D T，Kalfaoglou E.The Greek EMS-SCADA：From the Contractor to the User［J］.IEEE Transactions on Power Systems，2000，15（4）：1 423-1 427.

［10］梁軍，贠志皓，任姝霏，等.小波變換的二抽取環節對行波測距精度的影響［J］.電力自動化設備，2006，26（10）：28-31.

［11］周云龍，張學清，孫斌.應用電導探針技術識別氣液兩相流流行方法及電導波動信號噪聲的辨識［J］.傳感技術學報，2008，21（10）：1 708-1 712.

［12］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine：Theory and application［J］.Neurocomputing，2006，70（1-3）：489-501.

［13］HUANG G B，DING X J，ZHOU H M.Optimization method based extreme learning machine for classification［J］. Neurocomputing，2010，74：155-163.

［14］HUANG G B，ZHOU H M，DING X J，et al.Extreme learning machine for regression and multiclass classification［J］.IEEE Trans.On System，Man and Cybernetics-Part B：Cybernetics，2012，42（2）：513-529

［15］袁琦，周衛東，李淑芳，等.基于ELM和近似熵的腦電信號檢測方法［J］.儀器儀表學報，2012，33（3）：514-519.

［16］HOERL A E，KENNARD R W.Ridge regression：Biased esti mation for nonorthogonal problems［J］.Technometrics，1970，12（1），55-67.

［17］HUANG N E，SHEN Z，LONG S R.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［J］.Proceedings of The Royal Society Soc Lond.，1998，454（1971）：903-995.

［18］張學清，梁軍，張熙，等.基于樣本熵和極端學習機的超短期風電功率組合預測模型［J］.中國電機工程學報，2013，33（25）：33-40.

［19］李智，韓學山，韓力，等.地區電網風電場功率超短期預測方法［J］.電力系統自動化，2010，34（7）：90-94.

［20］LIANG R H，LIAO Jianliao.A fuzzy-optimization approach for generation scheduling with wind and solar energy systems［J］. IEEE Trans.on Power Systems，2007，22（4）：1 665-1 674.

［21］高宗和，滕賢亮，張小白.適應大規模風電接入的互聯電網有功調度與控制方案［J］.電力系統自動化，2010，34（17）：37-41，96.

Study on One Control Strategy of the Future Power Grids

TAO Xuyan1，HAO Derong1，LIANG Zhonghui1，ZHANG Xueqing1，LIANG Jun2
（1.State Grid Yantai Power Supply Company，Yantai 264000，China；2.School of Electrical Engineering，Shandong University，Jinan 250061，China）

In order to solve the problem of the ambiguity on power flow caused by the wide access of renewable power，a control strategy model for future power grids based on learning theory was proposed.Under the background of the panoramic observation of the future power grid，the equivalent model of power grid was established by mining the operation process information of power grids.Thereby，the coordination mechanism of control strategy with self-learning and space time correlation was constructed by using modern learning theory.Finally，the feasibility of the proposed control strategy was identified by taking a real operation data example of power grids，which provided effective

to the running and the controlling of the future power grids.

future power grid；extreme learning machine；correlation analysis association；learning theory

TM73

A

1007－9904（2016）10－0007－05

2016-04-22

陶旭嫣（1967），女，高級工程師，主要研究方向為電力系統運行與控制；

郝德榮（1969），男，高級技師，主要研究方向為電力系統運行與控制；

梁中會（1969），男，高級工程師，主要研究方向為電力系統運行與控制；

張學清（1982），男，博士，工程師，主要研究方向為電力系統運行與控制；

梁軍（1956），男，教授，博士生導師，主要研究方向為電力系統運行與控制。