基于自然語言處理技術的智能配電網調度優化方法研究

岳寶強, 袁森, 彭靜, 王軍, 亓富軍

(國網山東省電力公司臨沂供電公司, 山東, 臨沂 276000)

0 引言

電力系統的輸電網與終端用戶之間存在一個配電網,其作為中間層,主要負責保證城市供電安全[1]。隨著供電規模的不斷擴大,近年來配電網運行過程中頻繁出現饋線老化、負荷波動等問題[2],直接影響了城市輸供電的可靠性。智能電網投入應用后,配電網的日常運行實現了自動化,配電網可以根據實際負荷情況和饋線故障情況自動改變供電路徑。但是,在光伏等具有不確定性的新能源接入電網后,傳統的智能配電網調度運行方法無法取得預期應用效果。對此,有學者研究了配電網調度的優化方法。

文獻[3]從主動配電網的負荷需求入手,建立需求側響應分析模型,建立多時間尺度調度框架,通過深度學習生成最優調度方案。但是,該調度優化方法應用局限性較大。文獻[4]結合復雜網絡理論和潮流追蹤算法,建立能量二分模塊度指標,將整個配電網劃分為多個區,運用多目標蟻群算法求出最優解,從而得到智能配電網優化調度方案。但是,采用該方法進行調度優化后,配電網運行穩定性不符合要求。文獻[5]運用雙閉環反饋機制分析配電網數據,確定智能配電網調度要求,應用復合微分進化算法進行不斷計算,找到可以獲得最佳運行效益的配電網調度優化方案。但是,應用該方法后電網運行成本較高。

為了彌補現有的智能配電網調度優化方法的不足之處,本文提出基于自然語言處理技術的調度優化方法。依托于自然語言處理思想,分析配電網歷史運行數據,獲取負荷數據特征,以此為基礎完成電網負荷預測,從而生成更加合理的調度優化方案。

1 以自然語言處理技術為核心的智能配電網調度優化方法設計

1.1 基于自然語言處理技術預測電網負荷

在執行自然語言處理思想時,為了更好地分析智能電網數據的上下文關聯[6],建立引入注意力機制的編碼器-解碼器框架,如圖1所示。

圖1 基于Transformer結構的自然語言處理模型

通過該自然語言處理模型中的多個注意力機制層,觀察輸入電網數據文本的不同位置信息,并進行線性變換處理,得到查詢向量、鍵向量以及值向量,具體如下:

(1)

式中,i表示注意力機制層數,A表示查詢向量,B表示鍵向量,C表示值向量,η表示輸入數據樣本向量,w表示線性變換矩陣。

按照上述模式進行計算后,可以得到式(2)所示的注意力機制層的輸出結果[7]。

(2)

式中,y表示輸出結果,d表示線性變換矩陣的第一個維度值。

匯總所有注意力層的輸出結果,經過拼接和線性降維處理后得到:

H=E(y1,y2,…,ym)w

(3)

式中,H表示拼接和降維處理后的電網數據自然語言處理結果,E表示拼接操作函數,m表示自然語言處理模型中包含的注意力層數量。

自然語言處理模型中,整合歸一化計算的實現需要依托于殘差連接模塊[8],具體計算公式為

(4)

通過上述自然語言處理模型,提取出電網數據特征值,構建包含短期電網負荷、氣象條件參數的特征值矩陣,并挖掘出不同類型的電網數據與負荷預測之間的關聯性,選擇部分有效的電網數據特征。將其看作輸入信息,導入圖2所示的多層深度學習模型中,得到配電網負荷預測結果。

通過圖2所示的電網負荷預測模型不斷學習和運算后,準確預測出未來一段時間智能配電網的負荷需求,從而確定電力調度目標。

1.2 建立智能配電網優化調度模型

以滿足電網負荷需求為前提,建立有功調度成本最低為目標的多時間尺度主動配電網日前調度優化模型[9]:

(5)

(6)

式中,τ表示可中斷負荷的價格,λ表示儲能成本系數,?表示電源單位發電成本,P1、P2、P3分別表示柔性負荷、儲能、放電變化量。

1.3 設置調度優化模型約束條件

為了保證優化后配電網調度方案是合理的,需要針對式(5)所示的調度優化模型,提出一系列的約束條件。約束條件是有功平衡約束,其對應的數學公式為

(7)

式中,φ表示滿足等式約束的置信度,R表示負荷需求量,μ表示電源總出力。

考慮到可再生能源的不穩定性,因而電力系統中這部分能源的出力具有隨機性特點。對此,將平衡約束條件描述為機會約束[11],最終得到式(8)所示的轉化結果:

(8)

式中,θ-1表示反正態分布函數,μ′表示期望電源總出力,ζ表示電源出力方差。

此外,按照智能配電網運行要求,提出出力上下限爬坡約束條件和儲能約束條件,如式(9)～式(11)所示。

(9)

ΔPmin,3k(t)≤P3k(t)-P3k(t-1)≤Pmax,3k(t)

(10)

(11)

式中,max表示最大值,Pmax,3k(t)、ΔPmin,3k(t)表示電源的爬坡上下限參數,O表示儲能裝置的荷電狀態。

1.4 生成配電網調度優化方案

針對智能配電網調度優化模型進行求解時,采用改進和聲搜索算法,模擬音樂演奏中和聲創作過程進行啟發式全局搜索,找到符合要求的最優配電網調度方案。求解過程中初始和聲記憶庫可以表示為

(12)

式中,ψ表示初始和聲庫,ρ表示調度方案,U表示調度方案總數量,s表示調度階段數量。

以式(12)所示的初始和聲庫為基礎,運用改進和聲搜索算法進行最優解分析,具體的求解流程如圖3所示。

圖3 基于和聲搜索算法的優化調度方案求解流程

如圖3所示,初始和聲記憶庫中每個和聲向量都需要計算滿意度,并通過記憶庫搜索、局部擾動和隨機選擇處理,刪除不符合要求的和聲并產生新的和聲,在達到迭代終止條件后得到最優解,該解對應的調度方案即為最優調度方案。

2 算例測試

2.1 算例概況

為了驗證本文調度優化方法的實踐應用效果,選擇IEEE33節點配電系統作為目標算例,并向其中適當添加幾個分布式電源,形成圖4所示的改進配電網結構。將本文方法應用到算例結構中,觀察該方法的具體調度優化效果。

圖4 IEEE33節點配電網示意圖

針對圖4中包含的分布式發電單元和儲能裝置進行設置,其參數如表1所示。

表1 分布式發電單元及儲能裝置參數

2.2 負荷預測

針對IEEE33節點配電系統的歷史數據進行采集,運用自然語言處理技術挖掘數據特征后,預測未來24小時內的配電系統負荷情況,最終得到圖5所示的預測結果。

圖5 配電網負荷預測結果

根據圖5可知,運用基于自然語言處理技術的預測方法進行分析后,預測出配電網在一天中不同時段的負荷值,以此為基礎進行后續調度優化處理。

2.3 優化調度方案

按照上文提出的方法建立優化調度模型,并通過改進和聲搜索算法進行求解,得到最優配電網調度方案。該調度方案涉及搭配光伏發電無功出力、風機發電無功出力、燃氣輪機有功出力和儲能單元充放電等4個部分,如圖6所示。

(a) 風機無功出力優化調度結果

(b) 光伏無功出力優化調度結果

(c) 燃氣輪機出力優化調度結果

(d) 儲能單元出力優化調度結果圖6 配電網優化調度方案

按照圖6所示的最優調度方案進行處理后,相比風電1和風電2,風電3的無功普遍較低,在15:00-20:00時段,風電1和風電2可達到0.47 kVar;在10:00時,光伏2可達到0.3 kVar;燃氣輪機1和燃氣輪機2基本一致,僅在13:00-14:00時段相差較大;相比儲能1和儲能3,儲能2的儲能容量較大,最高可達到0.36 MW/h。

控制配電網中分布式能源出力不斷變化,但總發電量滿足負荷需求,并將剩余能源放置在儲能裝置中,保證了配電系統的經濟運行。

2.4 算法性能測試分析

考慮到電壓質量的提升是當前智能配電網調度優化面臨的一大挑戰,本次算例分析過程中,觀察優化前后系統典型節點電壓變化情況,以此來了解調度優化方法的電壓質量提升效果。以系統典型節點18為例,其在優化前后電壓分布情況,如圖7所示。

圖7 優化前后節點18電壓分布示意圖

根據圖7可知:在優化前該節點出現明顯的電壓越限情況,影響了供電穩定性;而運用所提方法進行優化處理后,節點的電壓越上限情況完全消失,而且節點電壓始終處于0.95～1.05 pu,屬于優質電壓范圍。

3 總結

在智能電網調度優化發展過程中,為了更好地保證電力系統穩定運行,提出基于自然語言處理技術的新型調度優化方法。構建一個包含注意力機制的編碼器-解碼器框架,利用自然語言處理技術來深入挖掘電網歷史運行數據,并獲取負荷參數特征。基于這些特征,建立一個考慮有功調度成本最低的優化調度模型。為了求解這個優化調度模型,采用改進的隨機搜索算法和啟發式搜索算法。通過這些方法,得到一個最優的智能配電網調度方案。經過測試可知,運用所提方法進行優化處理后,節點的電壓越上限情況完全消失,而且節點電壓始終處于0.95～1.05 pu,儲能2的儲能容量較大,最高可達到0.36 MW/h,可以充分提升每個節點的電壓質量水平,從而促進智能配電網的安全發展。