基于遺傳算法的智能變電站避峰負荷優化調控系統

吳雪，肖瑩，張旺，諸德律，盧璐

（國網江蘇省電力有限公司經濟技術研究院，江蘇南京 210008）

負荷調控是電力需求的一種體現，也是一種重要發展形式，其重點強調了分散負荷在激勵信號影響下，使得電力消納方式得到了有效改變，并以等效發電形式參與智能變電站調控，為系統削峰填谷提供重要支持。目前，智能變電站負載控制主要按照發電量來完成。當用戶超過計劃用電時，調度人員會告知用戶通過減負荷、切斷用戶電源等方法進行控制，而不能控制分支用戶。對于分支用戶，必須派人員到現場強制停電,不但造成電力系統效率低，也嚴重影響了電力系統的運行狀態。因此，有必要建立一套能夠實時調控負荷的系統。

文獻[1]提出了結合動態負載安全裕度評價指標的調控方法，在制定負荷溫度約束條件的情況下，建立了電力系統的動態載流量計算模型，并對其進行動態分析。充分考慮站間轉供，使用最大電流方法確定變電站各個母線段負荷點的供電能力，求出負荷安全裕度下的超額負荷量；文獻[2]提出了基于環電流約束的負荷調控方法，該方法充分發揮了智能變電所的分布式電源調節潛能，并分析含DG 配電饋線的調節條件，得到配電饋線的合環穩定約束。通過對變電所電力均衡約束的分析，提出了一種以最少的電力輸出為目標的調節模式。但是上述兩種方法難以克服維數災難。為了解決這一問題，提出基于遺傳算法的智能變電站避峰負荷優化調控系統。

1 基于遺傳算法的優化調控原理

為了解決智能變電站避峰負荷調控求解陷入局部最優解的問題，利用遺傳算法調節網絡參數。設計基于遺傳算法的優化調控系統網絡結構，如圖1所示。

圖1 基于遺傳算法優化調控系統網絡結構

由圖1 可知，該網絡結構主要是由輸入層、隸屬函數層和匹配層組成的。每層都具有明確的邏輯意義，其中第一層的關鍵節點分別是誤差和誤差變化率；第二層的關鍵節點分別是權值和閾值。利用高斯激勵函數歸一化處理[3-4]模糊變量，對該層的進行加權和閾值調節，調整高斯函數矢量，構建隸屬函數，該層的輸出為模糊變量從屬程度；第三層的關鍵節點是隸屬度，通過將不同隸屬度相乘，能夠獲取模糊規則強度[5-6]。由于受控對象特點比較復雜，單靠一個量化因素難以達到理想控制效果。在此基礎上，提出了一種基于歸一化模糊定量分析方法，將控制系統輸入變量從基礎論域轉換為模糊論域[7]。

2 系統硬件結構設計

基于遺傳算法的優化調控原理，利用智能變電站現有的網絡資源，搭建系統硬件結構，以滿足避峰負荷優化調控需求，如圖2 所示。

圖2 系統硬件結構

由圖2 可知，避峰負荷優化調控控制系統通過總線與主站交互，呈現分層分布式特點[8]。根據負荷調控時間維度，實時地與自動發電控制配合。

2.1 負荷數據集中器

負荷數據集中器具有多種串口、光以太網、無線通信接口以及測控、設備信息存取、轉發、管理等多種功能，構成了下層設備的I/O 總線和通信總線[9-10]。其主要作用是實時采集電力負荷、開關量、室內溫度、濕度等信息，并對電力負荷精確監控，實現了“四遙”的負載調度，即遙測、遙信、遙調、遙控，為系統提供集中處理數據。

2.2 負荷調控終端

用戶負荷調控終端具備傳統負荷控制終端的實時數據采集、本地功率控制、需求側響應等功能，防止大規模電網意外地快速卸載。在智能變電站中，充分利用已有通信資源，建立了一種能夠滿足精確負載控制要求的多級點對點通信體系[11-12]。在三級結構中，主站接收來自更高一級的穩態控制系統負荷調度，并發布相應的控制任務；控制各子站點的卸載，并將其上傳至主站，完成對主站的卸載指令；控制端實時傳輸用戶可中斷負荷，同時接收控制子站點的指令，使局部可中斷負荷迅速被切斷[13]。

3 優化調控技術

采用遺傳算法在非連續、無規則或有噪音的情況下，得到更好的全局優化效果。在最優負載分配問題上，考慮到電站通常存在多個機組，而且每個機組的負載都是連續的，這是一種高精度多維連續負荷調控問題。在該問題中，采用兩次避峰調控方式確定避峰時段。

3.1 初次避峰時段分組

在確保收斂性的前提下，運用平行搜索技術，通過自適應優化方法，獲得最優個體[14]。盡管最初群體是隨機產生的，但是最好的方法是使其能夠滿足限制條件，需要計算第k個用戶組的第t時刻，可用于參與避峰調控的可中斷負荷，公式為：

式中，min{qk(t)}表示用戶在前一天的最小負荷值；qk(t)表示t時段的用戶負荷。第t時刻避峰負荷總量按照式（2）進行計算。

式中，β表示所有用戶組電量缺口占當前最大用電需求比例系數，基于此，對于初次分組的避峰選取在8:00-11:00、19:00-22:00 時段內[15]。

3.2 二次避峰時段分組

在遺傳算法迭代時，要剔除優選者，其優劣評估函數就顯得尤為重要。一個適當的評估值越高，越能夠突出個體的優勢，從而增加其遺傳到下一代的概率，從而更有可能將其遺傳到下一代。在求解過程中，使用遺傳算法構建目標函數[16]。負荷最優問題是最小化問題，目標函數數值越小，個體越優秀，越有可能遺傳到下一代。所以，不能簡單地將目標函數視為適應度函數，而應將其倒數視為適應度函數，如下：

式中，fi(ai)表示第i個變電站的耗能；N表示變電站數量；ε表示懲罰系數。按照個人的適配性和被選概率的大小，計算當前個人被選出的概率為：

式中，qD表示指令負荷，能夠將負荷約束問題轉化為無約束問題：

在無約束問題支持下，整個調峰過程：當客戶接到需求時，可以根據實際情況預處理負荷容量。生成二次分組，即控制組和后備組。最初的控制組是在主組之后，而后備組是空白的；根據二次分組的補充控制機制監督任務，每次分配完成后，查看用戶是否配合；如果配合，就需查看調控情況。否則，繼續發送避峰請求；查看調控是否結束，如果結束，則需終止，否則，繼續發送避峰請求。基于此，對于二次分組的避峰選取在8:00-9:00、11:00-13:00、16:30-18:30、19:00-22:00 時段內。

4 系統測試

實驗選取了100 個用戶，采集這100 個用戶的負荷數據，根據用戶負荷頻次特性，驗證基于遺傳算法的智能變電站避峰負荷優化調控系統設計的合理性。

4.1 測試裝置

測試裝置將MCU 電路模塊作為整個電路核心，經過三個三端穩壓器，可降低直流電源電壓，實現對各種信息的處理和控制，其結構如圖3 所示。

圖3 測試裝置

由圖3 可知，通過實時檢測智能變電站避峰負荷，獲取相關負荷信息，并通過RS485 傳輸給單片機，再由單片機處理和存儲獲取的信息。

4.2 測試數據分析

測試數據來自某市電力公司2020 年11 月20 日每隔1 h 統計的負荷數據，實際負荷走向曲線如圖4所示。

圖4 實際負荷走向曲線

由圖4 可知，用電高峰期分別為08:00-10:00、11:00-13:00、17:00-20:00，對于這些高峰期需要進行避峰負荷調控處理。理想情況下的避峰負荷調控結果如表1 所示。

表1 理想避峰調控結果

由表1 可知，將原始負荷調控到理想負荷變化范圍內，即為最優調控結果。

4.3 實驗結果與分析

對比文獻[1]、文獻[2]和所設計系統的避峰負荷理想調控結果，如圖5 所示。

圖5 三種方法避峰負荷理想調控結果

由圖5 可知，使用文獻[1]三個時間段的負荷調控范圍分別為800～1 500 kW、800～1 257 kW、800～1 502 kW；文獻[2]三個時間段的負荷調控范圍分別為800～1 480 kW、800～1 200 kW、800～1 420 kW；設計系統三個時間段的負荷調控范圍分別為800～1 250 kW、800～1 000 kW、900～1 250 kW。由此可知，設計系統負荷優化調控結果與理想結果一致。

5 結束語

通過二次分組，可以有效地解決大容量的智能變電站用戶過度介入電網的避峰調節問題，實現不同調控方式下負荷調控效果滿足用戶需求。所設計系統解決了收斂性差的問題，具有較好的避峰負荷優化調控效果。