基于可視化技術的電力系統多源協同優化調度研究

陳飛

(云南電力調度控制中心， 云南， 昆明 650011)

0 引言

近年來，由于不可再生能源的日益枯竭，國家大力推行風能、太陽能等可再生能源[1]。這些大容量的可再生能源并網造成電網的穩定性、兼容性及安全性受到較大影響，因此在電網中新能源的消納問題變得尤為重要[2]。由于可再生能源大多屬于不確定能源，產生的電量根據環境實時變化，在并網時會影響到電力系統電網的穩定性，甚至造成電網崩潰，發生大面積停電事故，需要通過火電、水電等可以快速調控的能源來協同調度[3]。

將智能電網可視化技術與能源調度優化算法相結合，在電力系統多源協同調度中，可對電力生產進行動態實時監控[4]。電力系統全網運行過程中的狀態和屬性可以通過獨特的技術和計算方法進行有效處理，把這些狀態和屬性通過圖表、圖像等形式表達出來[5]。有助于電力系統操作人員及時掌握電力系統的綜合情況，使得參數在配置上更加合理和科學，從而提高電力資源配置的工作效率[6]。

本文在等高線模型的基礎上，構建了含有大規模風電、光伏太陽能等新能源協同優化的多目標模型[7]。采用將多目標遺傳算法和粒子群優化算法相結合的協同優化(HCOS)調度計算方法。在確保電力系統安全穩定運行的前提下，通過合理的調峰、調頻、儲能工作來調整能源匹配，實現風光火儲發電的經濟性[8]。有效克服了風能、太陽能等不確定性，能源的隨機性、波動性和間歇性等給電網帶來的不利影響[9]。

1 基于可視化技術的電力系統多源協同優化調度

1.1 電力系統等值線可視化

隨著科學技術的不斷發展和進步，在電力系統實時監控中，電力系統實時運行數據更多的是潮流圖上實時顯示的[10]。顯示在潮流圖上的動態實時數據雖然非常準確，但對于整個電網而言，要實時監控全網所有信息，并要對信息做出相應的反應[11]。僅僅依靠顯示數字不但繁瑣復雜而且單調，缺乏直觀性和全局性，數據間的相互關系也不明確[12]。急需一些方法和工具能夠全面、快速、直觀監控電網運行狀況。可視化技術的出現為這些需求提供了解決方法，該方法反映數據更具體、直觀且可以用于配電數據的預測，因而受到研究人員的重視[13]。

本文采用等值高線法構建電力系統模型，利用地圖上任一點P(x，y)的負荷作為該點的高度值h，根據坐標(x,y,h)構建三維空間的曲面模型[14]。進一步根據地形學，將高度信息投射到平面上生成等高線信息，從而形成區域用電模型圖[15]。電網等高線圖生成步驟如圖1所示。

圖1 電力系統等高線模型生成步驟

1.1.1 三角形網格化處理

對于等高線的網格構建來說，其主要的方法包括網格序列法和網格無關法。序列法構建效率低，因此本文選用利用拓撲關系插值生成的三角形網格無關法[16]。

基于局部優化算法對Delaunay三角網圖形進行優化，使得最終生成的網格計算效率更高。該網格的生成結果如圖2所示，具體步驟如下。

圖2 三角形網格生成結果

(1) 將離散數據點坐標數據進行排序，按照坐標位置進行從小到大，從x到y的位置重布。

(2) 連接前2個數據點，生成線段AB。

(3) 取其后緊挨的2個數據點中距離更近的點為C點，構建三角形ABC。

(4) 構建結構體，并依次取剩余點中的前兩點D、E。并判斷其距AB、BC、CA三條邊中點的距離大小，如D點距BC距離是所有上述距離中最小值，連接DB、DC構成新三角形。

(5) 運用LOP方法對構建的三角形進行優化，保證最小內角最大化原則。

(6) 重復構建結構體，直到所有節點都被連接，算法完成。

1.1.2 網格加密處理

為了提高模型的精度，使等高線的排布更細致，可以通過增加離散點的方法，對已經構建好的三角形進行網格加密處理。

增加的離散點主要包括三角形的中點、重心以及任意隨機點等。但是為了保證構建后的三角形結構更平衡，效果更穩定，本文選用重心插值的方法，加密后的三角形如圖3所示。

圖3 重心插值法構建的新三角形

1.1.3 等值線處理方法

將所得到的三角形網格根據其點坐標的高度值h，將其投影到水平平面上，從而可以得到相應的等值線圖。為了使等值線更細致，圖形反映更清楚，需要將高度值h按等級劃分，從而可以得到依次遞進的分布圖，由繪圖區可知，閉合的等值線一定位于圖區內部，且區域相連，開放的等值線一定位于邊界。

等值線處理的過程采用一定的規則將等值線的線段轉換成表格，進而用于計算機的計算分析，整個處理的過程如下(如圖4)。

圖4 等值線追蹤示意圖

(1) 按照圖形規則，在繪圖區的邊界處尋找數據端點。比較邊界三角形的h值，比較得到最小值作為等值線端點。

(2) 在端點位置的周圍進行比較，尋找等值點，兩點數值相等時，用線段連接，不等時尋找下一點，已連過的點在數據庫中抹去，避免重復查找。

(3) 直到數據點周圍的標記點全部被查找后，未發現等值點，則最低電壓等級搜索結束。

(4) 選擇低一等級的等值點，重復上述操作，直至所有數據全部被查找完畢。構建好的等值線圖如圖5所示。

圖5 生成后的等值線分布圖

1.2 多源協同優化調度的設計與實現

1.2.1 設計的總體思路與原則

在可視化監控的基礎上，根據構建的等值線模型，構建光能、風能等不確定能源的輸出情況，并與整體的消耗情況進行對比，最大限度的利用可再生能源進行電力供給。不足和波動的部分采用儲能、火電等能源進行補充，實時監控系統的運行情況，整個系統的工作原理圖如圖6所示。

圖6 電力系統多源協同優化調度

1.2.2 風光儲火多源互補系統調度模型

本著系統穩定性最高，效率最高的原則，對整個系統的目標進行設定。設定目標為需要補充的差值負荷最穩定，峰值最低，構建目標函數。公式為

Pb(t)=Pc(t)-Pw(t)-Ps(t)-Pd(t)

(1)

其中，Pb(t)為備用差值負荷，Pc(t)為常規能源消耗，Pw(t)為模型預測風能，Ps(t)為模型預測的太陽能，Pd(t)為電池功率。

差值負荷的平均功率為

(2)

目標函數表示為

(3)

為了保證差值負荷的峰值最低，需要使整個周期內，有

minF2=min(max(Pb(t))T)

(4)

1.2.3 HCOS算法

對于電力系統的調度來說，需要構建的函數主要包括風能、太陽能、消耗、儲備能和應急火電能源等多個部分，如果采用傳統的粒子群算法的話，會面臨多維多目標優化，空間大、求解難，數據繁復的困難。為了解決這個問題，本文提出了HCOS算法。

HCOS算法采用分層分級的方式，對整個系統進行優化，主要分兩個層級。第一層利用多目標的遺傳算法，在等值線模型的基礎上，對風能、太陽能、電池儲能和消耗總體能源進行預測，保證兩個目標的協調。第二層利用粒子群算法對火電機組進行優化，保證整個系統的能源消耗和工作成本最低。利用隨機粒子群，構建二進制變量，使得粒子只具備開和關兩種狀態，將其分配給火電機組，添加火電機組的開關機最短時間等約束條件，按照機組運行成本效率從高到低的順序，依次開啟火電機組，直至滿足差值負荷的需求為止。根據剩余能耗的情況進行系統優化，保證整個滿足條件的火電系統的效率最高，成本最低。

通過兩級優化，避免了粒子群算法工作量大的問題，同時保證了系統的成本、效率最優，相比于粒子群算法，HCOS算法的變量更少，約束條件也少，因而優化時間更快，效率更高。其算法流程圖如圖7所示。

圖7 HCOS算法流程圖

2 實驗分析和討論

以華東某區為例，通過等值線的方式，構建該區域的用電耗電統計數據。從而實時預測其負荷分布，用于電力系統配電調控。整個區的全部面積約為1 200平方公里，用戶總量超過200萬戶，2014年共計消耗電能約250億度，實時峰值功率約650萬千瓦。整個區域內部大型設施齊全，符合現代化都市的特征。

由圖8可知，基于可視化技術，采用等值線法可以對該區域的用電負荷情況進行預測，并將預測結果與傳統的ESM方法進行比較，從結果上可以看出，傳統方法的預測誤差約為6%左右，而本文的方法，預測誤差約為4%，說明本文采用的方法對于電力的評估預測具有比較好的效果。由圖8(b)可知在相同的置信度下，傳統方法的預測精度約為80%，而本文采用的方法，其預測精度可以達到90%，證明該方法的優越性，可以更有效的對電力系統的負荷情況做出準確的預估。

(a) 預測誤差分布

(b) 97%置信度下的預測精度圖8 等值線法用電負荷預測結果

在模型精確的基礎上，本文采用HCOS方法對于電力系統進行多源協同的資源優化調度。仿真條件設定這個電力系統的資源包括風電電場、太陽能電站、電池儲能電站各一個，火電廠待工作機組10個，從而構成一個風光儲火的多源電力系統。利用傳統的粒子群算法和本文提出HCOS算法分別對該系統進行資源協調，以小時為單位，設定仿真周期為24 h，電池儲能電站的容量設定為350 MW，充放電效率為0.95，并假定整個系統的漏電率為1.5%，計算其火電機組的運行成本為

(5)

其中，Prl為供給容量，Ey為有效發電量，Tz為投資折舊成本，Ts為燃燒成本。從而對火電機組的運行狀態進行監控，在不同裝機供給容量下，核算不同算法的運行成本如表1所示。

表1 兩種算法運行成本對比結果

根據表1中的數據可知，隨著供給容量的增大，兩種算法的運行成本隨之降低，當供給容量為50 MW時，本文提出HCOS算法的運行成本最大為0.95，而傳統的粒子群算法的運行成本最大為1.36；當供給容量為350 MW時，本文提出HCOS算法的運行成本最小為0.24，而傳統的粒子群算法的運行成本最小為0.45。由此可知，相比傳統的粒子群算法，本文提出HCOS算法的運行成本較小，因為本文提出HCOS算法采用分層分級方式，利用粒子群算法，優化火電機組，保證整個系統的能源消耗和工作成本最低，從而節約了整體發電成本，提高了電力系統的經濟性。

采用分層求解的方式，先利用多目標遺傳算法求得這個系統中的最優解，然后將得到的解代入到粒子群算法中，求得火力電站供電機組的出力部分，保證得到的解復合算法的目標設定條件。將求得的解記錄在數據系統中，得到如圖9所示的功率分配情況。

圖9 HCOS算法計算出的最優機組功率分配

計算結果如圖10所示，從圖10中整個周期可以看出，相對于傳統的粒子群算法，HCOS算法的計算結果系統更穩定，差值負荷的波動更小，從而可以使得火電機組工作更穩定，需要啟停的次數更少，證明該算法的優越性。

同時，對于白天由于光伏電站系統的工作，向整個電網輸出電能，使得需要迅速協調火電機組情況，圖10中可以看出，在早六點至晚六點的光伏電站工作時間，本算法的預測精度更高，快速有效的調整系統火電輸出，有效避免了應急措施不急情況下的大范圍輸出波動，造成能源的浪費。對于風電等具有實時變化特性的能源供應，該算法反映更靈敏，預估更準確，波動更小。而且該算法求解內容更少，速度更快，綜合各方面優于傳統算法，為電力系統多源互補優化調度提供了一種有效優化途徑。

為了進一步驗證優化后電力系統的安全性，設定該電力系統的用電負荷穩定范圍為800～1 200 kW·h，超出該范圍電力系統會出現運行異常情況。利用傳統的粒子群算法和本文提出HCOS算法分別對該系統進行資源協調，得到兩種算法用電負荷波動情況如圖11所示。

圖11 兩種算法用電負荷波動情況

根據圖11可知，當時間運行至24 h時，本文提出HCOS算法的用電負荷始終在800～1 200 kW·h的范圍內，而傳統的粒子群算法的用電負荷超出了800～1 200 kW·h的范圍。由此可知，本文提出HCOS算法優化后電力系統的安全性較高。因為當電力系統出現電源發電負荷大范圍波動，運行異常，突發緊急情況時，本文提出HCOS算法優化后的監控系統可以立刻發出響應，進入到緊急報警處理模式，啟動緊急預案。根據能源需求側的響應，協同調度各能源，從而平抑系統潛在的運行風險。電力系統需要協調能源發電、儲能系統、能源用戶三者關系，在確保最經濟運行的條件下，使三者關系達到最佳。

3 結束語

本文通過對可視化技術下的電力系統多源協同優化調度相關內容的研究。針對目前大規模的風電，光伏太陽能等新能源并網而導致電網運行不穩定問題，通過構建等值線模型，提出了一種解決多目標和多約束問題的HCOS優化算法。

目標設定原則采用風光等可再生能源貢獻最大，火電補充波動最小，成本最低為基本原則。在這個基礎上通過分層計算構建了HCOS算法，實驗結果證明該算法多方面都優于傳統的粒子群算法。

基于可視化技術，對全網電力系統做出精確監控和預測，使得供電系統可以有效保證工作效率。結合數據優化和人工智能，迅速有效的保證電網系統工作運行穩定，具有較好的應用價值，為電力系統的進一步發展提供了新的思路。