智能电网环境下配网调度系统及关键技术研究

郭剑黎, 彭磊, 郭祥富, 许国伟, 武柯

(1. 国网河南省电力公司, 河南, 郑州 450000; 2. 河南九域腾龙信息工程有限公司, 河南, 郑州 450000)

0 引言

随着科技的发展,配网逐渐智能化,配网调度若还只是由调度员进行操作,将消耗巨大的人力以及物力资源,因此对配网调度的优化进行了研究,提高配网调度系统的运行效率,以节约能源。针对上述问题,相关文献对此也有相应的研究:文献[1]提出了一种基于图模一体化的配网调度系统,该系统采用虚拟势场的配网图形半自动维护算法,实现复杂配网的图模一体化,采用潮流计算实现配网调度支持系统的多种高级功能,但该方法对能源自动化调控与评估能力欠佳,在系统维护上做得不够完善,还需逐步优化调度的各方面工作;文献[2]提出了一种配网调度自动化系统,该系统采用故障快速隔离的方法,实现配网调度自动化检测,故障自动化隔离,该技术虽然应用人工智能的方法实现了配网数据信息的传递与交互,但数据信息评估能力较差,无法实现配网环境下不同能源模块信息的调度与计算,大大降低了能源调度能力。

基于上述文献中的不足,本文进行以下技术研究。

1 智能电网环境下配网调度系统设计

本文采用分布式网络拓扑架构实现配网数据信息的传递、分析与综合管理,利用单向物理隔离方法,通过服务器专用网络实现系统中服务器主机的物理部署,构建了基于微电流计算法(CES)的综合能源系统(IES)IES分层调度结构,基于GDL深度学习模型实现配网调度故障诊断,实现配网调度系统内深层数据挖掘与分析。

基于上述设计思路,本文构建了配网调度系统,其总体架构示意图如图1所示。

图1 配网调度系统的总体结构图

该系统的整体架构是基于Java Web技术体系进行设计的,系统的总体结构分为业务专用网络模块、数据处理模块和公用网络模块。三大模块均采用了数据服务器、应用服务器和图形服务器[3]。其中,公用网络模块是为了服务配电网外部用户,采用多个用户接入点构建光纤网进行数据交互,实现配网调度事务处理与工作需求。数据处理模块是为了对配网终端参数进行收集与分析,本文还设计了监控和数据采集(SCADA)智能报警与跨平台的故障信息传递[7]。配网调度自动化技术中利用数据采集系统对配网终端与远程终端单元(RTU)进行采集工作。采集到的配网调度数据信息,采用遥测处理方法对数据信息进行处理分类[8-9]。系统的业务专用网络模块是为了服务于配网公司内部管理用户,系统外部客户端的访问请求通过内部网络进行转发,通过配网调度管理人员进行决策与推断,下达相应指令并返回系统外部客户端的反馈建议[4]。

此外,除了三大模块之间的传递与应用,该系统中的数据传输采用了防雷技术以及通信隔离技术,实现数据传输与配网终端及RTU进行通信。该数据传输将GPS卫星式中的标准信息作为基础,通过增强配网终端及RTU等信息的监视,通过数据传输系统对配网调度的数据进行接收与发送,从而确保了配网调度数据的安全及完整性[5]。

2 基于CES的IES分层调度方法

为了提高配电网调度能力,采用CES对配电网发电能源综合分配,根据IES分层调度实现不同种类发电能源调度数据信息分类、计算与处理,结构如图2所示。

图2 基于CES的IES分层调度架构

图2整体架构总体上分为综合发电能源路径优化与IES分层调度两大部分。IES分层调度架构采用云边调度结构有效减缓IES负载侧数据量的快速增加,减轻数据传输的压力,以及调度中心计算时间和成本。而对于负荷侧信息的收集,则通过分层计算、分布计算、边缘计算等方式来实现发电(DG)、电锅炉(EB)、储能系统(ESS)、热能发电机(HG)、可再生能源发电机(REG)等不同方式的电力计量。对于负载侧能源市场的控制通过DR手段完成,另外IES调度方式能够有效解决负载或可再生能源的不确定性,主要通过随机优化或稳健优化的方式进行控制[6]。

对于综合发电能源路径优化,本文引入CES能够实现配电网供源中不同形式能量转换,能够提高配电网能源的存储与应用能力,通过能源区域划分的约束条件实现微观数据计算,例如配电网调度过程中光伏发电(PV)和地源热泵发电(HP)之间的转换发电能源计算公式[7]为

(1)

式(1)中,Q表示配电网需求侧存在的能源有效输出量,角标HP表示配电网系统地源热泵发电,t表示能源供应时间,Ω表示地缘热泵能源总量。在CES优化能源路径过程中,可以通过液态冷凝(WC)方法实现配电网调度模块内能源转移和储存,根据各阶段的耦合关系计算优化后的能源总量[8]如下:

(2)

3 基于GDL深度学习的配网调度故障诊断

本文采用深度学习GDL对配网调度系统的采集数据进行分析,并取得线路故障位置以及数据分析结果之间的对应关系,进而实现配网调度故障的精细化诊断。GDL基本原理网络结构如图3所示。

图3 GDL网络结构图

采用GDL前馈式深度学习网络,实现对配网调度系统的建模及运行状态预测。首先对配网调度系统的网络模型进行构建。在输入层,假设输入层神经元的输入数据为X,输入神经元的维数为n。通过神经元数目的输入,在模式层进行非线性变换,输入数据将被映射到模式层中的模式空间中为

(3)

式(3)中,X表示输入层的数据,Xi表示第i个输入数据所对应神经元的训练样本,σ表示径向基函数的平滑参数。根据X和Xi可以求得两者之间欧式距离的平方积[9]为

(4)

从模式层传递到求和层的神经元Pi由式(4)中计算方式,模式层输出的所有神经元直接相加求和,即:

(5)

每个模式层的神经元要乘以连接权值后,再相加求和,其结果为

(6)

式(6)中,yij表示第i个数据样本集yi中第j个元素。yi的维数k与该层中的神经元数量相同,GDL的预测结果,即:

(7)

接着对配网调度故障定位的准确率进行计算[10]为

(8)

式(8)中,Samplec表示定位准确的样本数量,Sampleall表示全部样本数量。配网调度系统故障距离定位精度计算为

(9)

(10)

式(10)中,If表示相电流,Imax表示相电流的最大值,Ist表示标准化处理后的三项电流值。由于配网调度的非对称网络,进一步对配网调度故障诊断值进行四舍五入处理,完成配网调度系统的故障诊断。

4 实验结果与分析

首先,利用LoadRunner工具对实验平台进行搭建,对系统的性能以及系统故障诊断的准确性进行测试,在搭建实验平台时,采用与实际运行环境相同的软硬件和网络环境配置,其中实验环境参数如表1所示。

表1 实验环境参数

在上述实验环境中搭建的实验架构示意图如图4所示。

图4 实验架构示意图

在实验时,假设经过6 h的实验,分别对本文的调度能力和诊断能力进行验证。本实验采用的实验数据为某电力企业的用电数据,其中关于用电量Q参数具体实验数据如表2所示。

表2 实验数据

通过上述实验前的准备,接着对实验进行测试。首先对配网调度系统故障诊断的准确性进行测试,观察该研究中智能电网环境下配网调度能力,如图5所示。

图5 数据识别示意图

在图5中,可以看到经过8 h的数据识别,在数据调度前能够看到配网调度模块混乱无章,在经过本文方法将不同调配数据信息分区处理后,最终实现了不同数据信息的识别与处理。通过图5可以看到,该数据识别具有较好的技术效果。然后将数据识别结果与其他文献进行比较,观测本文的技术效果。测试结果与文献[1]和文献[2]的测试结果进行比较,实验结果如图6所示。

图6 实验结果比较

随着实验次数的变化,系统故障诊断的准确性在90%左右波动,并且故障诊断的准确性较平稳,系统故障诊断的准确性最高为97%;文献[1]准确性在57%到80%之间波动,文献[2]准确性在47%到75%之间波动。因此,本文系统故障诊断的准确性最高,有一定的可靠性。

基于上述对配网调度系统故障诊断的准确性测试实验,接着对系统的性能进行测试,实验结果仍与文献[1]和文献[2]实验结果进行比较,实验结果如图7所示。

图7 实验结果比较

由图7可知,本文系统在进行系统性能测试时,配网调度完成所需时间最短,并且在0 s到3 s之间,在第10次和第25次实验时,配网调度所需时间最长为3 s,最短为1 s。文献[1]在7 s到14 s之间波动,在第20次实验时,配网调度完成所需时间最长为13.6 s,在第7次实验时,配网调度完成所需时间最短为7 s。文献[2]在进行系统性能测试时,配网调度完成所需时间在7 s到12 s之间波动,在第5次和第15次实验时,配网调度完成所需时间最长为12 s,在第20次实验时,配网调度完成所需时间最短为7 s。因此,本文系统具有突出的技术效果。

5 总结

为了对配网调度系统进行优化,本文设计了智能电网环境下配网调度系统,采用分布式网络拓扑架构进行搭建,利用单向物理隔离方法,实现系统中服务器主机的物理部署,通过采用配网自动化与主网电气设备一体化,实现配网调度中的数据交互,进而实现配网调度的自动化。在调度过程中,采用数据调度算法模型实现智能电网的优化配置与信息调度,本文还通过远端控制与近端控制,进而实现配网数据信息精确监控,最后通过GDL深度学习模型的配网调度故障,提高了网络故障诊断能力。本文系统还存在着一定的不足,在进行配网调度工作中,对于环境较恶劣的调度工作,可能会出现延时现象,因此还需进一步对此系统进行研究。