智能電網(wǎng)環(huán)境下配網(wǎng)調(diào)度系統(tǒng)及關(guān)鍵技術(shù)研究

郭劍黎, 彭磊, 郭祥富, 許國偉, 武柯

(1. 國網(wǎng)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(fā)展,配網(wǎng)逐漸智能化,配網(wǎng)調(diào)度若還只是由調(diào)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(wǎng)調(diào)度的優(yōu)化進行了研究,提高配網(wǎng)調(diào)度系統(tǒng)的運行效率,以節(jié)約能源。針對上述問題,相關(guān)文獻對此也有相應(yīng)的研究:文獻[1]提出了一種基于圖模一體化的配網(wǎng)調(diào)度系統(tǒng),該系統(tǒng)采用虛擬勢場的配網(wǎng)圖形半自動維護算法,實現(xiàn)復(fù)雜配網(wǎng)的圖模一體化,采用潮流計算實現(xiàn)配網(wǎng)調(diào)度支持系統(tǒng)的多種高級功能,但該方法對能源自動化調(diào)控與評估能力欠佳,在系統(tǒng)維護上做得不夠完善,還需逐步優(yōu)化調(diào)度的各方面工作;文獻[2]提出了一種配網(wǎng)調(diào)度自動化系統(tǒng),該系統(tǒng)采用故障快速隔離的方法,實現(xiàn)配網(wǎng)調(diào)度自動化檢測,故障自動化隔離,該技術(shù)雖然應(yīng)用人工智能的方法實現(xiàn)了配網(wǎng)數(shù)據(jù)信息的傳遞與交互,但數(shù)據(jù)信息評估能力較差,無法實現(xiàn)配網(wǎng)環(huán)境下不同能源模塊信息的調(diào)度與計算,大大降低了能源調(diào)度能力。

基于上述文獻中的不足,本文進行以下技術(shù)研究。

1 智能電網(wǎng)環(huán)境下配網(wǎng)調(diào)度系統(tǒng)設(shè)計

本文采用分布式網(wǎng)絡(luò)拓撲架構(gòu)實現(xiàn)配網(wǎng)數(shù)據(jù)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(wù)器專用網(wǎng)絡(luò)實現(xiàn)系統(tǒng)中服務(wù)器主機的物理部署,構(gòu)建了基于微電流計算法(CES)的綜合能源系統(tǒng)(IES)IES分層調(diào)度結(jié)構(gòu),基于GDL深度學習模型實現(xiàn)配網(wǎng)調(diào)度故障診斷,實現(xiàn)配網(wǎng)調(diào)度系統(tǒng)內(nèi)深層數(shù)據(jù)挖掘與分析。

基于上述設(shè)計思路,本文構(gòu)建了配網(wǎng)調(diào)度系統(tǒng),其總體架構(gòu)示意圖如圖1所示。

圖1 配網(wǎng)調(diào)度系統(tǒng)的總體結(jié)構(gòu)圖

該系統(tǒng)的整體架構(gòu)是基于Java Web技術(shù)體系進行設(shè)計的,系統(tǒng)的總體結(jié)構(gòu)分為業(yè)務(wù)專用網(wǎng)絡(luò)模塊、數(shù)據(jù)處理模塊和公用網(wǎng)絡(luò)模塊。三大模塊均采用了數(shù)據(jù)服務(wù)器、應(yīng)用服務(wù)器和圖形服務(wù)器[3]。其中,公用網(wǎng)絡(luò)模塊是為了服務(wù)配電網(wǎng)外部用戶,采用多個用戶接入點構(gòu)建光纖網(wǎng)進行數(shù)據(jù)交互,實現(xiàn)配網(wǎng)調(diào)度事務(wù)處理與工作需求。數(shù)據(jù)處理模塊是為了對配網(wǎng)終端參數(shù)進行收集與分析,本文還設(shè)計了監(jiān)控和數(shù)據(jù)采集(SCADA)智能報警與跨平臺的故障信息傳遞[7]。配網(wǎng)調(diào)度自動化技術(shù)中利用數(shù)據(jù)采集系統(tǒng)對配網(wǎng)終端與遠程終端單元(RTU)進行采集工作。采集到的配網(wǎng)調(diào)度數(shù)據(jù)信息,采用遙測處理方法對數(shù)據(jù)信息進行處理分類[8-9]。系統(tǒng)的業(yè)務(wù)專用網(wǎng)絡(luò)模塊是為了服務(wù)于配網(wǎng)公司內(nèi)部管理用戶,系統(tǒng)外部客戶端的訪問請求通過內(nèi)部網(wǎng)絡(luò)進行轉(zhuǎn)發(fā),通過配網(wǎng)調(diào)度管理人員進行決策與推斷,下達相應(yīng)指令并返回系統(tǒng)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(yīng)用,該系統(tǒng)中的數(shù)據(jù)傳輸采用了防雷技術(shù)以及通信隔離技術(shù),實現(xiàn)數(shù)據(jù)傳輸與配網(wǎng)終端及RTU進行通信。該數(shù)據(jù)傳輸將GPS衛(wèi)星式中的標準信息作為基礎(chǔ),通過增強配網(wǎng)終端及RTU等信息的監(jiān)視,通過數(shù)據(jù)傳輸系統(tǒng)對配網(wǎng)調(diào)度的數(shù)據(jù)進行接收與發(fā)送,從而確保了配網(wǎng)調(diào)度數(shù)據(jù)的安全及完整性[5]。

2 基于CES的IES分層調(diào)度方法

為了提高配電網(wǎng)調(diào)度能力,采用CES對配電網(wǎng)發(fā)電能源綜合分配,根據(jù)IES分層調(diào)度實現(xiàn)不同種類發(fā)電能源調(diào)度數(shù)據(jù)信息分類、計算與處理,結(jié)構(gòu)如圖2所示。

圖2 基于CES的IES分層調(diào)度架構(gòu)

圖2整體架構(gòu)總體上分為綜合發(fā)電能源路徑優(yōu)化與IES分層調(diào)度兩大部分。IES分層調(diào)度架構(gòu)采用云邊調(diào)度結(jié)構(gòu)有效減緩IES負載側(cè)數(shù)據(jù)量的快速增加,減輕數(shù)據(jù)傳輸?shù)膲毫?以及調(diào)度中心計算時間和成本。而對于負荷側(cè)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(xiàn)發(fā)電(DG)、電鍋爐(EB)、儲能系統(tǒng)(ESS)、熱能發(fā)電機(HG)、可再生能源發(fā)電機(REG)等不同方式的電力計量。對于負載側(cè)能源市場的控制通過DR手段完成,另外IES調(diào)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(yōu)化或穩(wěn)健優(yōu)化的方式進行控制[6]。

對于綜合發(fā)電能源路徑優(yōu)化,本文引入CES能夠?qū)崿F(xiàn)配電網(wǎng)供源中不同形式能量轉(zhuǎn)換,能夠提高配電網(wǎng)能源的存儲與應(yīng)用能力,通過能源區(qū)域劃分的約束條件實現(xiàn)微觀數(shù)據(jù)計算,例如配電網(wǎng)調(diào)度過程中光伏發(fā)電(PV)和地源熱泵發(fā)電(HP)之間的轉(zhuǎn)換發(fā)電能源計算公式[7]為

(1)

式(1)中,Q表示配電網(wǎng)需求側(cè)存在的能源有效輸出量,角標HP表示配電網(wǎng)系統(tǒng)地源熱泵發(fā)電,t表示能源供應(yīng)時間,Ω表示地緣熱泵能源總量。在CES優(yōu)化能源路徑過程中,可以通過液態(tài)冷凝(WC)方法實現(xiàn)配電網(wǎng)調(diào)度模塊內(nèi)能源轉(zhuǎn)移和儲存,根據(jù)各階段的耦合關(guān)系計算優(yōu)化后的能源總量[8]如下:

(2)

3 基于GDL深度學習的配網(wǎng)調(diào)度故障診斷

本文采用深度學習GDL對配網(wǎng)調(diào)度系統(tǒng)的采集數(shù)據(jù)進行分析,并取得線路故障位置以及數(shù)據(jù)分析結(jié)果之間的對應(yīng)關(guān)系,進而實現(xiàn)配網(wǎng)調(diào)度故障的精細化診斷。GDL基本原理網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 GDL網(wǎng)絡(luò)結(jié)構(gòu)圖

采用GDL前饋式深度學習網(wǎng)絡(luò),實現(xiàn)對配網(wǎng)調(diào)度系統(tǒng)的建模及運行狀態(tài)預(yù)測。首先對配網(wǎng)調(diào)度系統(tǒng)的網(wǎng)絡(luò)模型進行構(gòu)建。在輸入層,假設(shè)輸入層神經(jīng)元的輸入數(shù)據(jù)為X,輸入神經(jīng)元的維數(shù)為n。通過神經(jīng)元數(shù)目的輸入,在模式層進行非線性變換,輸入數(shù)據(jù)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(shù)據(jù),Xi表示第i個輸入數(shù)據(jù)所對應(yīng)神經(jīng)元的訓練樣本,σ表示徑向基函數(shù)的平滑參數(shù)。根據(jù)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(jīng)元Pi由式(4)中計算方式,模式層輸出的所有神經(jīng)元直接相加求和,即:

(5)

每個模式層的神經(jīng)元要乘以連接權(quán)值后,再相加求和,其結(jié)果為

(6)

式(6)中,yij表示第i個數(shù)據(jù)樣本集yi中第j個元素。yi的維數(shù)k與該層中的神經(jīng)元數(shù)量相同,GDL的預(yù)測結(jié)果,即:

(7)

接著對配網(wǎng)調(diào)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(shù)量,Sampleall表示全部樣本數(shù)量。配網(wǎng)調(diào)度系統(tǒng)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(wǎng)調(diào)度的非對稱網(wǎng)絡(luò),進一步對配網(wǎng)調(diào)度故障診斷值進行四舍五入處理,完成配網(wǎng)調(diào)度系統(tǒng)的故障診斷。

4 實驗結(jié)果與分析

首先,利用LoadRunner工具對實驗平臺進行搭建,對系統(tǒng)的性能以及系統(tǒng)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(huán)境相同的軟硬件和網(wǎng)絡(luò)環(huán)境配置,其中實驗環(huán)境參數(shù)如表1所示。

表1 實驗環(huán)境參數(shù)

在上述實驗環(huán)境中搭建的實驗架構(gòu)示意圖如圖4所示。

圖4 實驗架構(gòu)示意圖

在實驗時,假設(shè)經(jīng)過6 h的實驗,分別對本文的調(diào)度能力和診斷能力進行驗證。本實驗采用的實驗數(shù)據(jù)為某電力企業(yè)的用電數(shù)據(jù),其中關(guān)于用電量Q參數(shù)具體實驗數(shù)據(jù)如表2所示。

表2 實驗數(shù)據(jù)

通過上述實驗前的準備,接著對實驗進行測試。首先對配網(wǎng)調(diào)度系統(tǒng)故障診斷的準確性進行測試,觀察該研究中智能電網(wǎng)環(huán)境下配網(wǎng)調(diào)度能力,如圖5所示。

圖5 數(shù)據(jù)識別示意圖

在圖5中,可以看到經(jīng)過8 h的數(shù)據(jù)識別,在數(shù)據(jù)調(diào)度前能夠看到配網(wǎng)調(diào)度模塊混亂無章,在經(jīng)過本文方法將不同調(diào)配數(shù)據(jù)信息分區(qū)處理后,最終實現(xiàn)了不同數(shù)據(jù)信息的識別與處理。通過圖5可以看到,該數(shù)據(jù)識別具有較好的技術(shù)效果。然后將數(shù)據(jù)識別結(jié)果與其他文獻進行比較,觀測本文的技術(shù)效果。測試結(jié)果與文獻[1]和文獻[2]的測試結(jié)果進行比較,實驗結(jié)果如圖6所示。

圖6 實驗結(jié)果比較

隨著實驗次數(shù)的變化,系統(tǒng)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(wěn),系統(tǒng)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(tǒng)故障診斷的準確性最高,有一定的可靠性。

基于上述對配網(wǎng)調(diào)度系統(tǒng)故障診斷的準確性測試實驗,接著對系統(tǒng)的性能進行測試,實驗結(jié)果仍與文獻[1]和文獻[2]實驗結(jié)果進行比較,實驗結(jié)果如圖7所示。

圖7 實驗結(jié)果比較

由圖7可知,本文系統(tǒng)在進行系統(tǒng)性能測試時,配網(wǎng)調(diào)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(wǎng)調(diào)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(wǎng)調(diào)度完成所需時間最長為13.6 s,在第7次實驗時,配網(wǎng)調(diào)度完成所需時間最短為7 s。文獻[2]在進行系統(tǒng)性能測試時,配網(wǎng)調(diào)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(wǎng)調(diào)度完成所需時間最長為12 s,在第20次實驗時,配網(wǎng)調(diào)度完成所需時間最短為7 s。因此,本文系統(tǒng)具有突出的技術(shù)效果。

5 總結(jié)

為了對配網(wǎng)調(diào)度系統(tǒng)進行優(yōu)化,本文設(shè)計了智能電網(wǎng)環(huán)境下配網(wǎng)調(diào)度系統(tǒng),采用分布式網(wǎng)絡(luò)拓撲架構(gòu)進行搭建,利用單向物理隔離方法,實現(xiàn)系統(tǒng)中服務(wù)器主機的物理部署,通過采用配網(wǎng)自動化與主網(wǎng)電氣設(shè)備一體化,實現(xiàn)配網(wǎng)調(diào)度中的數(shù)據(jù)交互,進而實現(xiàn)配網(wǎng)調(diào)度的自動化。在調(diào)度過程中,采用數(shù)據(jù)調(diào)度算法模型實現(xiàn)智能電網(wǎng)的優(yōu)化配置與信息調(diào)度,本文還通過遠端控制與近端控制,進而實現(xiàn)配網(wǎng)數(shù)據(jù)信息精確監(jiān)控,最后通過GDL深度學習模型的配網(wǎng)調(diào)度故障,提高了網(wǎng)絡(luò)故障診斷能力。本文系統(tǒng)還存在著一定的不足,在進行配網(wǎng)調(diào)度工作中,對于環(huán)境較惡劣的調(diào)度工作,可能會出現(xiàn)延時現(xiàn)象,因此還需進一步對此系統(tǒng)進行研究。