配电网信息智能分析与自适应控制策略研究

2022-01-25 10:25朱军飞
电子设计工程 2022年2期
关键词:适应控制损耗遗传算法

朱军飞,徐 民,李 京

(国网湖南省电力有限公司,湖南长沙 410004)

随着传统化石能源的日益枯竭,具有可持续发展特性的清洁能源已被广泛应用[1]。具有代表性的为光伏和风电等清洁能源,以分布式发电(Distributed Generation,DG)形式接入电网,实现能源结构调整和环境保护[2]。然而大量的DG 并网后,将影响电网的规划、运行和控制,尤其对于含DG 的配网负荷预测与自适应控制会带来新的挑战。针对上述情况,国际上提出了主动配电网(Active Distribution,ADN)的概念。ADN 是智能电网的高级发展阶段,与传统配电网相比,强调电网中的资源应积极参与电网的运行和控制[3]。即在除了传统的网侧设备外,电网中的分布式发电与用户侧资源也应参与电网的运行和控制。其中无功电压优化控制是电力系统的一个重要研究课题,国内外学者对此做出了大量的研究,主要集中在目标函数的构造和算法的改进上[4]。文献[5]提出了一种基于非参数估计的无功电压控制方法,通过建立分布式发电模型来分析控制效果。文献[6]以配电网购电费用、DG 运维费用和DG 补贴费用之和最小为经济性目标,同时以节点电压的稳定性指标为优化目标,采用归一化权重方法进行多目标优化。文献[7]采用遗传算法,求解带分布式电源的配电网无功优化。虽上述文献的研究对象是具有分布式电源的配电网,但并未考虑DG 在无功和电压优化等自适应控制策略中的作用。

因此,对于配电网缺乏负荷信息综合分析能力以及自适应调控能力的缺点,对配电网进行控制策略研究,提出了一种能够综合考虑负荷信息,实现配网自适应控制的综合分析系统。

1 系统设计

配电网信息智能分析与控制系统主要包括3 个部分:基础层、支撑层和应用层,如图1 所示。

图1 系统中各模块功能及关系

基础层的功能是收集配电网的相关数据信息,如PMS 系统、SCADA 系统、电能量采集系统等。上述信息大致涵盖了配电网的所有数据,这也是智能分析与实施自适应控制策略的基础[8]。

支撑层利用通信体系,将基础层收集的数据进行融合,完成数据的初步分析、存储,并建立相关的理论模型,如配电网供电能力等[9]。

应用层的功能为深入剖析配电网的数据信息,完成其供电能力分析、配电网网络重构方案辅助分析、配网快速仿真与模拟等功能。

2 配电网智能分析

配电网智能分析过程主要包括数据采集、数据预处理和大数据分析与应用3个大的过程框架,具体的处理细节如图2所示。

图2 智能分析过程

数据采集来自电力信息采集数据、外部数据等[10]。面对海量的配电网数据,在导入大数据平台数据库实现多源数据融合前,根据不同的融合需求进行关联和分类是不可缺少的数据预处理程序[11]。然后在数据融合的基础上,提取反映负荷特性的特征向量,完成信息的智能分析。

2.1 多源数据融合

数据融合可以看作是从原始数据到成熟数据的映射过程。定义映射F∶X to Y,X 为原始数据集,Y为数据融合集,映射F 为数据融合过程。对于原始数据,根据规划数据模型和数据融合维数提取特征向量。特征向量由数据的各个方面组成,代表融合维下数据的属性。然后将特征向量与数据流标准等数据处理规则融合,得到标准特征向量。标准特征向量的内容与成熟数据的相关属性相对应,可以从标准特征向量中恢复成熟数据。

2.2 特征提取

经过数据预处理,从规划需求中提取特征向量。这一向量是一个广义向量,可以是一维向量,也可以是多维向量。特征提取对象主要是反映负荷特征的指标,例如节点压降、线路损耗等[12]。为此,选取用电信息采集系统数据、气象信息系统数据、PMS 系统数据、海量历史/准实时数据平台数据和电网规划数据五类数据融合特征。另外,在特征提取后,为了便于数据聚类分析,数据预处理还应完成矢量单位、格式、精度的标准化,实现描述字段的统一。

2.3 智能分析

配电网的智能分析侧重于负荷,以提升系统的供电能力[13]。考虑一个12.66 kV、33 节点的配电网,实际与无功总需求分别为3.715 MW 和2.3 MVA,系统基本无功功率为100 MVA。采用一个与时间相关的时变负荷模型,可以表示为:

式中,Pload、Qload分别为实际有功和无功功率,PL、QL为额定电压下的有功和无功功率。V为电压幅值,pr、qr为有功和无功负荷系数。

3 自适应控制策略

结合配电网当前的负荷状态以及节点电压降、线路损耗、各个电源点的供电能力等具体情况,当配电网的供电能力无法满足所有负荷需求时,利用自适应遗传算法获得最佳的开关投切次序,以实现负荷调整,保证系统内最大的负荷供电能力[14]。

3.1 优化目标

为了最大限度地减少网络内的功率损耗、改善电压分布、提高供电能力,目标函数如下:

1)损耗最小化:

式中,N为支路数,Ri为支路电阻,Pi、Qi分别为支路有功功率和无功功率,Ui为节点i处的电压。

2)系统电压偏移最小化:

式中,i为系统节点数;Ui为节点i处的电压;Umax、Umin分别为节点电压的上限和下限。

同时,适应度函数为:

式中,W1、W2为权重,两者之和为1。

3.2 约束条件

在优化功率损耗和降低压降的同时,需要考虑其他约束:

1)配电线路容量Si的限制:

式中,Sk,max为线路容量的最大值。

2)电压限制:

3)潮流约束:

式中,Sij是各馈线潮流,Lj为总的负荷需求。

3.3 基于自适应遗传算法的控制策略

利用自适应遗传算法求解上述优化问题,其中遗传算法是一种由自然选择过程产生的元启发式算法,属于一类进化算法。在此进化算法中,优化问题的候选解(染色体)群体可进化为更优或更适合的解[15-16]。而在配电网负荷转供需求的问题中,种群染色体可以用来表示问题的候选解,若一个解满足问题的约束条件,则其是可行的;否则,不可行。根据得到的最优解控制开关的状态,从而实现配网重构,提升网络的整体供电能力。

基于自适应遗传算法的控制策略流程如图3所示。

图3 自适应遗传算法控制流程

首先定义问题的规模,并生成种群数量的候选解(染色体或个体),以初始化群体。然后评估每个染色体的适应度fitness,并选择即将进行交叉和突变的配偶或亲本个体(染色体),从当前种群中创建新的后代种群。在完成交叉和变异后,该算法根据适应度函数fitness来评价每个产生的子代染色体的适应度值。最终使用一个程序确定不可行的染色体,以及使用另一个程序惩罚其中的一些染色体。此外,该算法保留了所有产生种群中的最优染色体,即适应值最小的染色体。遗传算法会不断重复上述步骤,直到满足一些终止的条件。当迭代终止时,遗传算法会返回代表优化问题解决方案的最佳染色体。

4 实验结果与分析

为验证所提配电网信息智能分析与自适应控制策略的有效性,在Matlab/Simulink 环境下建立了相应的配电网信息智能分析与自适应控制系统,对控制策略使用前后的供电能力进行对比。

4.1 有功功率损耗

提升配电网供电能力的一个关键指标就是实际的有功功率损耗,功率损耗降低意味着有更多的电能被有效使用。优化控制前后配电网的有功损耗如图4 所示。

图4 配电网的有功损耗

从图4 中可以看出,经过自适应控制后,配电网的有功功率损耗有了明显的降低。经过每小时一次的信息分析和网络重构,网络的实际功率损耗显著下降。在14 小时,实际功率损失达到最大值344.986 4 kW。经过24 小时的系统运行,相比于优化控制前,配电网的功耗下降了53.87%,降至159.121 3 kW。

4.2 无功功率损耗

经过自适应控制,配电网的实际有功功率损耗明显降低。同样,无功损耗分量明显减小。优化控制前后配电网的无功损耗如图5 所示。

图5 配电网的无功损耗

从图5 中可以看出,优化控制前后,无功功率损失变化较为明显。因此在对配电网信息智能分析的基础上,实现自适应遗传控制有着较好的优化作用,且在特定季节,无功损耗每小时下降一次。

4.3 最小电压幅值

除了功率损耗外,提高电压幅值也是所提出系统的另一个目标。优化控制前后配电网的最小电压幅值如图6 所示。

图6 配电网的最小电压幅值

从图6 中可以看出,在优化控制后,系统的每小时最小流量均超过0.95 p.u.,且较为稳定。尤其是在第14、15小时,优化前的最小电压幅值低于0.90 p.u.,且变化较大,不利于系统的稳定运行。经过配网重构,提高到0.96 p.u.,因此所提控制策略能够较好地提高系统的供电能力。

5 结束语

该文提出了一种配电网信息智能分析与自适应控制策略。在构建的配电网信息智能分析与自适应控制系统的基础上,对基础层获得的各种信息进行融合及特征提取,以完成信息的智能分析。同时在应用层根据智能分析的结果,利用自适应遗传算法完成系统的优化控制,实现损耗最小化,改善电压分布。通过Matlab 对所提优化控制策略进行仿真论证,仿真结果表明,优化控制后系统的有功和无功功耗均明显下降,且最小电压幅值趋于稳定。由于文中仅在24 小时内进行实验论证,对长时间的系统运行效果是未知的,接下来的研究中将侧重于所提策略在长时间系统运行中的有效性。

猜你喜欢
适应控制损耗遗传算法
一种基于自适应控制技术的多台位配网高压电流互感器检定全自动接线装置
基于事件触发的船舶航向逻辑切换自适应控制
多工况下永磁电机损耗研究分析
时滞非线性复杂动态网络的牵引自适应控制同步性
基于数学模型的MMC阀损耗计算方法研究
基于遗传算法的高精度事故重建与损伤分析
基于遗传算法的智能交通灯控制研究
适用于汽车燃料电池系统中气流管理的自适应控制
定制私家影院系统中的传输损耗(上)
一种基于遗传算法的聚类分析方法在DNA序列比较中的应用