配電網信息智能分析與自適應控制策略研究

朱軍飛，徐 民，李 京

（國網湖南省電力有限公司，湖南長沙 410004）

隨著傳統化石能源的日益枯竭，具有可持續發展特性的清潔能源已被廣泛應用[1]。具有代表性的為光伏和風電等清潔能源，以分布式發電（Distributed Generation，DG）形式接入電網，實現能源結構調整和環境保護[2]。然而大量的DG 并網后，將影響電網的規劃、運行和控制，尤其對于含DG 的配網負荷預測與自適應控制會帶來新的挑戰。針對上述情況，國際上提出了主動配電網（Active Distribution，ADN）的概念。ADN 是智能電網的高級發展階段，與傳統配電網相比，強調電網中的資源應積極參與電網的運行和控制[3]。即在除了傳統的網側設備外，電網中的分布式發電與用戶側資源也應參與電網的運行和控制。其中無功電壓優化控制是電力系統的一個重要研究課題，國內外學者對此做出了大量的研究，主要集中在目標函數的構造和算法的改進上[4]。文獻[5]提出了一種基于非參數估計的無功電壓控制方法，通過建立分布式發電模型來分析控制效果。文獻[6]以配電網購電費用、DG 運維費用和DG 補貼費用之和最小為經濟性目標，同時以節點電壓的穩定性指標為優化目標，采用歸一化權重方法進行多目標優化。文獻[7]采用遺傳算法，求解帶分布式電源的配電網無功優化。雖上述文獻的研究對象是具有分布式電源的配電網，但并未考慮DG 在無功和電壓優化等自適應控制策略中的作用。

因此，對于配電網缺乏負荷信息綜合分析能力以及自適應調控能力的缺點，對配電網進行控制策略研究，提出了一種能夠綜合考慮負荷信息，實現配網自適應控制的綜合分析系統。

1 系統設計

配電網信息智能分析與控制系統主要包括3 個部分：基礎層、支撐層和應用層，如圖1 所示。

圖1 系統中各模塊功能及關系

基礎層的功能是收集配電網的相關數據信息，如PMS 系統、SCADA 系統、電能量采集系統等。上述信息大致涵蓋了配電網的所有數據，這也是智能分析與實施自適應控制策略的基礎[8]。

支撐層利用通信體系，將基礎層收集的數據進行融合，完成數據的初步分析、存儲，并建立相關的理論模型，如配電網供電能力等[9]。

應用層的功能為深入剖析配電網的數據信息，完成其供電能力分析、配電網網絡重構方案輔助分析、配網快速仿真與模擬等功能。

2 配電網智能分析

配電網智能分析過程主要包括數據采集、數據預處理和大數據分析與應用3個大的過程框架，具體的處理細節如圖2所示。

圖2 智能分析過程

數據采集來自電力信息采集數據、外部數據等[10]。面對海量的配電網數據，在導入大數據平臺數據庫實現多源數據融合前，根據不同的融合需求進行關聯和分類是不可缺少的數據預處理程序[11]。然后在數據融合的基礎上，提取反映負荷特性的特征向量，完成信息的智能分析。

2.1 多源數據融合

數據融合可以看作是從原始數據到成熟數據的映射過程。定義映射F∶X to Y，X 為原始數據集，Y為數據融合集，映射F 為數據融合過程。對于原始數據，根據規劃數據模型和數據融合維數提取特征向量。特征向量由數據的各個方面組成，代表融合維下數據的屬性。然后將特征向量與數據流標準等數據處理規則融合，得到標準特征向量。標準特征向量的內容與成熟數據的相關屬性相對應，可以從標準特征向量中恢復成熟數據。

2.2 特征提取

經過數據預處理，從規劃需求中提取特征向量。這一向量是一個廣義向量，可以是一維向量，也可以是多維向量。特征提取對象主要是反映負荷特征的指標，例如節點壓降、線路損耗等[12]。為此，選取用電信息采集系統數據、氣象信息系統數據、PMS 系統數據、海量歷史/準實時數據平臺數據和電網規劃數據五類數據融合特征。另外，在特征提取后，為了便于數據聚類分析，數據預處理還應完成矢量單位、格式、精度的標準化，實現描述字段的統一。

2.3 智能分析

配電網的智能分析側重于負荷，以提升系統的供電能力[13]?？紤]一個12.66 kV、33 節點的配電網，實際與無功總需求分別為3.715 MW 和2.3 MVA，系統基本無功功率為100 MVA。采用一個與時間相關的時變負荷模型，可以表示為：

式中，Pload、Qload分別為實際有功和無功功率，PL、QL為額定電壓下的有功和無功功率。V為電壓幅值，pr、qr為有功和無功負荷系數。

3 自適應控制策略

結合配電網當前的負荷狀態以及節點電壓降、線路損耗、各個電源點的供電能力等具體情況，當配電網的供電能力無法滿足所有負荷需求時，利用自適應遺傳算法獲得最佳的開關投切次序，以實現負荷調整，保證系統內最大的負荷供電能力[14]。

3.1 優化目標

為了最大限度地減少網絡內的功率損耗、改善電壓分布、提高供電能力，目標函數如下：

1）損耗最小化：

式中，N為支路數，Ri為支路電阻，Pi、Qi分別為支路有功功率和無功功率，Ui為節點i處的電壓。

2）系統電壓偏移最小化：

式中，i為系統節點數；Ui為節點i處的電壓；Umax、Umin分別為節點電壓的上限和下限。

同時，適應度函數為：

式中，W1、W2為權重，兩者之和為1。

3.2 約束條件

在優化功率損耗和降低壓降的同時，需要考慮其他約束：

1）配電線路容量Si的限制：

式中，Sk,max為線路容量的最大值。

2）電壓限制：

3）潮流約束：

式中，Sij是各饋線潮流，Lj為總的負荷需求。

3.3 基于自適應遺傳算法的控制策略

利用自適應遺傳算法求解上述優化問題，其中遺傳算法是一種由自然選擇過程產生的元啟發式算法，屬于一類進化算法。在此進化算法中，優化問題的候選解（染色體）群體可進化為更優或更適合的解[15-16]。而在配電網負荷轉供需求的問題中，種群染色體可以用來表示問題的候選解，若一個解滿足問題的約束條件，則其是可行的；否則，不可行。根據得到的最優解控制開關的狀態，從而實現配網重構，提升網絡的整體供電能力。

基于自適應遺傳算法的控制策略流程如圖3所示。

圖3 自適應遺傳算法控制流程

首先定義問題的規模，并生成種群數量的候選解（染色體或個體），以初始化群體。然后評估每個染色體的適應度fitness，并選擇即將進行交叉和突變的配偶或親本個體（染色體），從當前種群中創建新的后代種群。在完成交叉和變異后，該算法根據適應度函數fitness來評價每個產生的子代染色體的適應度值。最終使用一個程序確定不可行的染色體，以及使用另一個程序懲罰其中的一些染色體。此外，該算法保留了所有產生種群中的最優染色體，即適應值最小的染色體。遺傳算法會不斷重復上述步驟，直到滿足一些終止的條件。當迭代終止時，遺傳算法會返回代表優化問題解決方案的最佳染色體。

4 實驗結果與分析

為驗證所提配電網信息智能分析與自適應控制策略的有效性，在Matlab/Simulink 環境下建立了相應的配電網信息智能分析與自適應控制系統，對控制策略使用前后的供電能力進行對比。

4.1 有功功率損耗

提升配電網供電能力的一個關鍵指標就是實際的有功功率損耗，功率損耗降低意味著有更多的電能被有效使用。優化控制前后配電網的有功損耗如圖4 所示。

圖4 配電網的有功損耗

從圖4 中可以看出，經過自適應控制后，配電網的有功功率損耗有了明顯的降低。經過每小時一次的信息分析和網絡重構，網絡的實際功率損耗顯著下降。在14 小時，實際功率損失達到最大值344.986 4 kW。經過24 小時的系統運行，相比于優化控制前，配電網的功耗下降了53.87%，降至159.121 3 kW。

4.2 無功功率損耗

經過自適應控制，配電網的實際有功功率損耗明顯降低。同樣，無功損耗分量明顯減小。優化控制前后配電網的無功損耗如圖5 所示。

圖5 配電網的無功損耗

從圖5 中可以看出，優化控制前后，無功功率損失變化較為明顯。因此在對配電網信息智能分析的基礎上，實現自適應遺傳控制有著較好的優化作用，且在特定季節，無功損耗每小時下降一次。

4.3 最小電壓幅值

除了功率損耗外，提高電壓幅值也是所提出系統的另一個目標。優化控制前后配電網的最小電壓幅值如圖6 所示。

圖6 配電網的最小電壓幅值

從圖6 中可以看出，在優化控制后，系統的每小時最小流量均超過0.95 p.u.，且較為穩定。尤其是在第14、15小時，優化前的最小電壓幅值低于0.90 p.u.，且變化較大，不利于系統的穩定運行。經過配網重構，提高到0.96 p.u.，因此所提控制策略能夠較好地提高系統的供電能力。

5 結束語

該文提出了一種配電網信息智能分析與自適應控制策略。在構建的配電網信息智能分析與自適應控制系統的基礎上，對基礎層獲得的各種信息進行融合及特征提取，以完成信息的智能分析。同時在應用層根據智能分析的結果，利用自適應遺傳算法完成系統的優化控制，實現損耗最小化，改善電壓分布。通過Matlab 對所提優化控制策略進行仿真論證，仿真結果表明，優化控制后系統的有功和無功功耗均明顯下降，且最小電壓幅值趨于穩定。由于文中僅在24 小時內進行實驗論證，對長時間的系統運行效果是未知的，接下來的研究中將側重于所提策略在長時間系統運行中的有效性。