水電站設備運行調度系統模型優化設計及應用測試研究

伍英偉

(廣西桂冠電力股份有限公司,廣西 南寧 530028)

當前有些水利發電站的智能化和自動化程度不高,部分自動控制裝置都是獨立運行的,水電站系統數據無法共享,對水利發電裝置的監控不全面,水輪發電機可能出現缺陷[1]。

針對上述存在的問題,據報道,選擇Unix操作系統建立水電站監控系統,對相應的水文信息進行監測,并實現了對水力發電設備的集中控制[2]。開發出TELLEXT水利發電監控系統,自動監控讀取水電站運行各項數據,根據發電設備運行參數自動報警并診斷原因[3]。引入周期性模型,解決水電系統內短期調度問題,計算水電站在調度周期內每個時段的出力運行[4]。基于改進遺傳算法,并結合實際運行經驗與發電出力真實影響因素,對滯時問題產生的影響進行了分析,使水電站自動控制性能得到提升[5]。為此,本研究提出中長期發電優化調度策略,在調度周期內使水利發電機組的發電量最大,制定水電站的最優運行策略;應用蟻群算法模型實現水利資源數據信息的最優數據分配更加充分利用水力資源,解決電力分配不均勻的問題。

1 優化調度模型架構設計

(1)為更加有效地利用水利資源,使水利發電取得更多的綜合效益,本研究提出中長期發電優化調度策略,在調度周期內使水利發電機組的發電量最大,制定水電站的最優運行策略;

(2)應用蟻群算法模型實現水利資源數據信息的最優數據分配,能夠從中長期水利調度數據信息中,比如月度、季度等時間段內提取最佳運行調度方式,更加充分利用水力資源,解決電力分配不均勻的問題。

基于上述設計思路,本研究對遺傳算法進行改進,保證種群始終朝著最優方向,不斷優化群體獲取全局最優解。在進行Selection操作時,從當前群體中篩選適應值較高的個體,然后進行Crossover操作,生成更為復雜的新個體,通過Mutation保證群體多樣性[6]。下面將本研究方法進行以下描述:

步驟1:初始化,將水利資源數據信息進行初始化處理,所有水利數據信息被初始化后,以提高數據信息,假設y(t)=ymax,y(t)表示優化化處理后的水利數據信息,ymax表示最佳水利數據信息,則將所有螞蟻元素矩陣的所有元素被初始化為0,然后隨機選擇它們的起始位置,為每一只螞蟻元素選擇節點以及下一個節點。

步驟2:設置電量效益模型的目標函數,水利發電的綜合效益可分為電量效益和容量效益,水利發電機組的發電量越大則電量效益就越高。為進行水利發電的優化調度,建立電量效益模型和容量效益模型,電量效益模型需考慮各水電站之間存在的電力聯系,為水電站的實際運行參數提供依據,使整體的發電量最大化,電量效益模型的目標函數為:

(1)

通過上述步驟,將m只螞蟻隨機放置在n個水利數據檢索路徑上,為了提高檢索效率,設置循環次數為Nc,則根據Nc+1順序反復在水利發電數據信息中的經濟運行情況、采購情況、生產情況、銷售情況、行業投資情況等各種數據信息中獲取目標數據信息。

步驟3:在諸多多種水利數據信息中設置螞蟻元素,分別將螞蟻元素禁忌表索引號設置為k=1,然后不斷地進行循環運算,假設在優化調度中需提高水電站的最小出力值,使水利發電機組更加安全可靠地運行,盡可能提高調度期的最小出力值,容量效益模型的目標函數為:

(2)

其中,N表示水電站的總容量。在對水利發電機組優化調度過程中,需要對水電站出力和機組發電引用流量進行約束,約束條件為:

(3)

式中:P(m,t)表示水電站出力;QF(m,t)表示機組的發電引用流量。當螞蟻元素搜索到上述數據信息后,則輸出水電站出力數據信息,通過蟻群算法的迭代運算搜索最優解。最佳算法輸出:

(4)

式中:δ表示螞蟻元素在搜索水利發電數據信息中,路徑可見度因數;α表示螞蟻元素在不斷數據計算過程中,其信息素濃度逐步流失的程度;β表示螞蟻元素在逐步檢索過程中能見度因數在檢索過程中檢索最優路徑的重要指數。Node表示蟻群算法模型中不同數據節點;j表示不同數據節點螞蟻元素選擇選擇最佳路徑的概率。

步驟4:本研究使用權重法對目標函數進行處理,并使用改進后的遺傳算法求解優化調度模型的最優解[7]。為每個目標函數設置相應的權重,將模型中的多個目標轉化為單一目標,電量容量綜合效益模型的目標函數:

(5)

式中:F表示綜合效益最大的目標函數;w1表示電路效益的權重系數;w2表示容量效益最大的權重系統。使用改進后的遺傳算法對優化調度模型的目標函數進行求解,借助其全局搜索能力和擴展性較好的特點,輸出模型的優化調度結果。

步驟5:輸出當前群體中的最優解并存儲。

在上述步驟中,通過蟻群算法的迭代運算搜索最優解,在應用蟻群算法時,最優的個體適應值結合最大的迭代次數能夠在已知范圍內進行自適應地尋找。在不斷的迭代計算過程中,假設仍舊未找出合適的功率輸出路徑,本系統能夠保留較小的解;而此時的輸出,即為當前蟻群計算的最優解。

2 水利發電運行評價系統設計

基于上述大數據算法模型,下面對水電站的實際運行情況進行以下分析,考慮到水利發電裝置的監控要求,本研究應用大數據分析和數據挖掘技術,建立水利發電運行評價系統,對水電站當前整體運行狀態進行評估,實現水電設備的全面監控。

2.1 評價系統總體架構設計

該研究系統使用Visual Studio 2015軟件采用.NET平臺進行WEB客戶端的設計開發,使用C#編程語言開發基于C/S和B/S模式混合架構的系統[8]。為滿足系統中水利發電設備實時產生的海量運行參數的存儲需求,開發DFS分布式文件系統,滿足半結構化和非結構化的水電大數據管理。調度中心的操作系統中,具有多任務處理、多用戶登錄的功能,并加入優先選擇機制,使系統能夠合理高效地進行資源分配、執行任務;水利發電運行評價系統架構如圖1所示。

圖1 水利發電運行評價系統架構

水利發電運行評價系統采用層次化架構設計,主要劃分為感知層、數據層和網絡層。感知層中各類傳感器設備主要負責采集狀態參數,感知層的狀態數據通過RS485通信傳輸到數據層,遵守MODBUS通訊規則[9]。數據層負責對大量水電站數據進行存儲和處理,其中關系型數據庫主要存儲歷史監控數據和設備故障數據,支持歷史數據的統計查詢。內存數據庫和列式數據庫用來存儲按照時間間隔采集的傳感器測量數據,包括機組的實時監控數據和在線監測數據,支持流式計算和實時分析[10]。利用數據傳輸加密技術以及非對稱算法進行密鑰協商,并對接入系統的報文進行加密,再通過策略配置來過濾應用主機直接的報文,在100 M LAN環境下,加密隧道建立延遲為0 ms[11]。網絡層由無線分組業務、交換機、路由器等組成,使用快速以太網H3CS5560-EI系列交換機實現自動尋址和交換的作用,從而避免出現端口沖突的問題。

2.2 基于數字簽名加密的系統控制器硬件結構設計

大多數水利發電設備監控系統的控制器通過RS485接口直接與監控中心進行通信,當系統總線同時接收到多個設備的請求信息,使控制器的控制精度下降。本研究設計出一種能夠進行數據加密的系統控制器,增加了GPRS模塊電路,對水利發電機組進行精確的控制。

本研究控制器使用STM32F103單片機,具有240個物理中斷,ISA支持Thumb和Thumb-2。控制器能夠進行加密操作,實現與調度中心和控制中心的數據透明傳輸,處理器把程序加密后通過SPI接口將其存儲在片外FLASH中[12]。電源模塊使用了高效率線性穩壓電源AMS1117-3.3進行電壓轉換,能夠將基準電壓誤差控制在1.5%之內,使電源電路的超載壓力降低;系統控制器硬件結構如圖2所示。

圖2 系統控制器硬件結構

控制器包括RS485模塊、電源模塊、處理器、GPRS模塊和WIFI模塊,控制單元與GPRS模塊通過串行接口相連。并在控制器電路中加入了模擬開關,控制器能夠根據網絡實際情況選擇通信方式[13],添加了電平轉換模塊匹配GRPS模塊與控制單元的電平,控制單元使用AT指令驅動其他模塊。

控制器在與調度中心進行數據傳輸交換之前,進行雙向的身份認證,獲得臨時會話密鑰(SK)。控制器與調度中心經過密鑰協商獲得密鑰(SK)數據的長度為klen,發起者為控制器,響應者為調度中心[14]。控制器生成密鑰協商請求報文,并發送到調度中心;密鑰協商請求報文如表1所示。

表1 密鑰協商請求報文Tab.1 Key negotiation request packets

控制器A隨機選擇一個隨機數rA,隨機數范圍在[1,N-1];控制器根據調度中心B的身份標識IDB計算QB,發送m1‖IDA‖RA報文到調度中心B。調度中心接收到后生成密鑰協商應答報文,調度中心選擇一個隨機數rB,根據控制器的身份標識IDA計算QA,獲得SKB和消息RA的數字簽名SB,調度中心發送m2‖IDB‖RB到控制器[15-16]。控制器接收到后對消息和簽名進行驗證,生成密鑰協商確認報文,通過數字簽名驗證S1是否等于SB。驗證成功后表示控制器與調度中心通過了身份驗證,雙方持有臨時會話密鑰SKB,在數據傳輸過程中可抵抗消息重放攻擊和消息偽造攻擊,增加了水利發電系統數據的安全性[17]。

3 應用測試實驗

本研究水利發電運行評價系統能夠將水電站主線以組態的方式反映在監控中心的監控軟件上,可以直觀感知到水電站中各水利發電設備的運行情況。

通過系統的監控界面顯示水利發電機組的有功負荷、系統電流等運行參數,通過監控各水利設備的狀態信息,運行人員能夠對水電站的運行水平做出整體評價,水利發電機組的實驗環境架構如圖3所示。

圖3 水利發電機組的實驗環境架構

為驗證本研究水利發電運行評價系統的性能,分別使用文獻[3]系統、文獻[4]系統和本研究系統進行實驗;本研究實驗環境配置參數如表2所示。

表2 實驗環境配置參數Tab.2 Experimental environment configuration parameters

為驗證本研究系統大數據模型在處理水利發電數據的性能,進行數據分析實驗并記錄各系統的執行時間。從系統數據層中選擇部分歷史監控數據和水電設備運行數據作為實驗數據,數據集的采集頻率設定為1 min,并在數據集中加入了公開數據的6條時序數據。為保證數據集中各類型參數的一致性,進行實驗前對數據集進行預處理,實驗數據集如表3所示。

表3 實驗數據集Tab.3 Experimental data sets

為測試不同數據量對系統數據模型的影響,對數據集進行擴充,原始數據集為T1,將T1數據集擴充為2、3、4和5倍分為T2、T3、T4、T5數據集,在數據分析實驗過程中記錄數據模型的執行時間,實驗結果如圖4所示。

圖4 數據分析結果

由圖4可以看出,在數據量較小時各系統數據模型的執行時間不超過15 000 ms,隨著數據集中數據量的增加,文獻[3]系統數據模型的執行時間增加速率加快,算法執行耗時增加,分析處理T3數據集的執行時間超過了20 000 ms,在T5數據集的耗時高達40 752 ms;文獻[3]系統模型需要在數據集群中通信,增加了數據分析時間,影響了算法的執行效率。文獻[4]系統模型在處理3倍原始數據集的數據量時,模型的執行時間不超過20 000 ms,在對數據集T4、T5進行處理分析時,系統耗時高達22 000 ms以上,其中執行時間最大為26 150 ms,文獻[4]系統在處理數據量較大的數據集時,掃描數據庫花費的時間影響了整體的執行效率。

本研究的數據模型的整體執行時間不超過15 000 ms,對前3個數據集進行處理分析的執行時間小于10 000 ms,處理數據量較大的T5數據集使用的時間為12 850 ms。本研究數據模型采用了并行分布式的計算方式,減少了數據庫的掃描時間,進行數據分析時對數據量進行估算,對數據量較大的數據集能夠進行關聯規則的挖掘,加快了系統處理水利信息的速度。

本研究優化調度模型以電量容量綜合效益最大為目標,調度周期選擇6月為起始月份,調度周期設定為6個月,文獻[3]系統作為對比實驗,水電站出力和引用流量作為約束條件,水利發電優化調度結果,具體數據如表4所示。

表4 發電量數據Tab.4 Power generation data

由水電站各月份的發電優化調度結果可知,水電站在9、10月份的發電量較大,文獻[3]系統的優化調度結果在9月份的發電量最大為83.24億kW·h,在7月份發電量最小為62.58億kW·h。

本研究優化調度模型在總發電量最大目標的基礎上,考慮到了水利發電機組的時段最小出力,在9、10月份的發電量分別為93.12、90.98億kW·h,9月份比文獻[3]系統多出9.88億kW·h。在7月份的發電量為74.08億kW·h,這說明本研究優化調度模型能夠有效提高水利發電量,增加了水電站的容量效益,從而提高了系統的供電可靠性。

4 結語

本研究建立水利發電運行評價系統,并提出一種水利發電機組的中長期發電優化調度策略,建立優化調度模型,使用權重法將多目標問題轉化為單目標問題,利用改進后的遺傳算法對模型的目標函數進行求解。在移動通信技術和大數據技術的輔助下,實現隨時隨地獲取水利發電設備的遠程監控數據信息,并評價水電站當前運行整體水平。水電站的全自動智能運維將成為以后的發展趨勢,應用自動化元件或者控制部件,并將復雜的智能控制回路化繁為簡,在以后的工作中還需進一步研究。