基于DBN-RF 的配電網多能互補優化調度算法

湯俊峰

（國網浙江省電力有限公司龍泉市供電公司，浙江龍泉 323700）

在電力系統中，配電網的能源管理至關重要，調度方案的優劣直接決定了配電網能否安全、穩定地運行。配電網絡中控制單元的數量較多。因此，合理地規劃控制單元啟動、停止和輸出，并對其進行協調和優化是目前國內外相關領域的重要研究課題。

常規配電網以火電、水電、核電為主要動力來源，其輸出穩定、可控。由于風電、光伏出力預測的準確性不高，因此必須充分考慮配電網的隨機性和波動性。倪識遠[1]等人提出了一種考慮動態重構的調度方法，該方法通過使用環路網架十進制編碼方式，能夠為模型上下層決策變量提供電源出力。定義相同目標函數上下層決策變量，使用協同優化策略進行配電網主動最優調度。葉亮[2]等人提出了基于最優潮流的調度方法，運用二階錐松弛技術構建潮流規劃模型，并調用Gurobi 求解器進行求解。以優化的聯絡線功率為約束條件，構建配電網內可控電源調度模型，結合Tent 映射混沌技術求解調度結果。調度優化所得的決策方案使其能夠抵抗調度參數波動變化，但與此同時也意味著這兩種方法的保守性較強。

由于當配電網中含有儲能設備、需求響應以及電氣機組等各種能量時，調度過程的約束調節過程就會更加復雜。為此，結合深度置信網絡-隨機森林算法(Deep Belief Networks-Random Forest,DBN-RF)進行配電網多能互補優化調度。

1 基于DBN 的配電網多能互補優化調度

研究對象為配電網分布式電機、燃氣輪機組、分布式光伏機組，基于DBN 的多能互補耦合協調結構如圖1 所示。

圖1 深度置信網絡多能互補耦合協調結構

由圖1 可知，充分考慮風電與光伏出力不確定原因，結合耦合協調結構改變配電網中能量分布情況[3]，以應對不確定變量下惡劣場景預測值與真實值的偏差。

1.1 構建調度模型

電-氣-熱多能互補魯棒優化調度模型是以配電網運行成本最小為目標的，充分考慮儲能設備和多能耦合設備的聯合運維費用，構建調度模型如式（1）所示：

式中，Z電、Z氣、Z熱分別表示分布式電機、燃氣輪機組、分布式光伏機組發電費用；W電(t)、W氣(t)、W熱(t)分別表示t時段分布式電機、燃氣輪機組、分布式光伏機組發電平均功率；Z本、W本(t)分別表示t時段配電網接收到的售電電價、送電平均功率[4-6]，T表示總調度時間。針對該模型設置約束條件，如式（2）所示：

1.2 模型求解

由于DBN 深度置信網絡是由神經網絡層和受限玻爾茲曼機層組成的，所以在使用該網絡求解模型時，可以將其視為一個特征學習模型[10-11]。在該模型中，輸入配電網電-氣-熱互聯數據，針對最優調度問題，尋找電-氣-熱能源配電網最優日前調度方案，并給出了魯棒優化模型下限[12]。

假設DBN 中每個受限玻爾茲曼機具有二進制可視單元和隱藏單元，將以配電網運行成本最小為目標的調度結果代入求解過程中，通過獨立特征學習不會受到非線性回歸過程影響。

在當前調度模式下，求取惡劣場景下多能互補耦合協調調度方案，并給出關鍵問題的反饋。在此基礎上，將問題目標函數值與反饋問題函數值之和作為魯棒優化模型新的上界[13]。

DBN 網絡將各個層次的單元連接起來，利用無監督學習方法獲得初始參數，確保模型在訓練過程中不會陷入局部最佳狀態[14]。在DBN 網絡中，每一層信息都是由神經元數目來決定的。在信息傳遞過程中，為了確保信息的一致性，可將隱藏層的信息表示為式（3）：

式中，I可表示可視層的實際信息量；m表示隱藏單元數量；n表示可視單元的數量。

在確保信息量一致的情況下，判定調度模型函數的上下界。當上下界的值小于設定閾值時，算法停止迭代，此時的調度方案為最優調度方案[15]；反之，由該問題所產生的關鍵情景會代替該問題，并不斷進行迭代求解，直至達到設定的收斂條件為止。

2 基于RF的總體協調度評價

使用RF 隨機森林算法構建多能互補調度綜合評價模型，該模型的關鍵環節是樣本集的抽樣，并結合所有抽樣結果形成子決策樹。以子決策樹為基礎，對調度方案進行篩選，選擇最優方案作為多能互補優化調度方案。

2.1 總體協調度評價函數構建

根據基于DBN 的配電網多能互補優化調度方案，從原始樣本集中抽取多個子樣本集，形成子決策樹。對于樣本集的子決策樹，計算樣本集的信息熵，信息熵可表示為式（4）：

式中，Pi表示樣本集x中第i類分類結果所對應的樣本占比。對所有樣本進行處理后，將屬性節點加入決策樹中，即可構建子決策樹[16]。統計子決策樹輸出結果，在多能互補優化調度問題中，最理想的狀態是滿足所有單一目標均達到理想值。然而，各個目標函數都存在著矛盾，難以在滿足函數的最優條件下實現。因此，需要構建一個能使各個目標函數協調一致的數值，具體計算過程如式（5）所示：

式中，R1(x)、R2(x)、R3(x)分別表示電能、氣能、熱能調度函數的最理想值。在這個調度過程中尋找一個決策向量x，使其表示與理想函數值最接近。因此，確定總體協調度評價函數，可表示為式（6）：

式中，R′(x) 表示綜合目標函數值。在此基礎上，以歐氏距離為矢量空間，對其進行綜合評估。

2.2 多能互補調度綜合評價

對于基于DBN 的配電網多能互補優化調度模型，求出單個目標函數的最優值，再求出每個目標的滿足度函數，并在全局解空間內求出最接近最優解的最佳方案，從而獲取最佳調度結果?；赗F 隨機森林算法的求解步驟如下：

將多目標決策問題轉換成單一目標最優問題，其表達式如式（7）所示：

式中，、T1分別表示電能總理想值和綜合函數值；、T2分別表示光能總理想值和綜合函數值；、T3分別表示熱能總理想值和綜合函數值。

利用RF 隨機森林算法進行求解計算，確定最終評價結果。結合深度置信網絡多能互補調度方案，確定整個配電網最佳運行模式。

3 實驗與分析

3.1 實驗架構

以電-氣-熱聯供型配電網為研究對象，其結構如圖2 所示。

圖2 電-氣-熱聯供型配電網結構

由圖2 可知，配電網主要由分布式風力發電機、分布式光伏和小型燃氣鍋爐組成，這些組件都是以潔凈能源為動力運行的，且燃氣鍋爐機組對配電網的凈負載變化有較強適應性。

3.2 優化調度數據分析

設置了以下四種調度場景進行對比，分析不同運行模式下調度算法的經濟性。四種場景分別是：

場景1：電機-光伏聯合運行，不考慮燃氣鍋爐，配電網常規調度。

場景2：電機-燃氣鍋爐聯合運行，不考慮光伏，配電網常規調度。

場景3：光伏-燃氣鍋爐聯合運行，不考慮電機，配電網常規調度。

場景4：電機-光伏-燃氣鍋爐聯合運行，配電網常規調度。

四種場景下配電網調度結果如表1 所示。

表1 四種場景下配電網調度結果

場景1：當電機、光伏機組作為一個整體接入配電網時，這兩部分能源的日前調度總成本相對于基礎價有所增加，這是因為配電網為應對不確定變量，大幅度增加配電網的購電、光伏利用行為，其中購電行為在達到用電負荷后，剩余部分主要供給燃氣鍋爐出力，轉換為更多熱能。

場景2：當電機、燃氣鍋爐作為一個整體接入配電網時，大幅度增加配電網的購電、購氣行為，其中購電、購氣行為在達到用電、用氣負荷后，剩余部分主要供給光伏機組出力。

場景3：當光伏、燃氣鍋爐作為一個整體接入配電網時，這兩部分能源調度總成本大幅度增加，通過配電網光伏利用、購氣行為，將剩余部分供給電機出力，轉換為更多電能。

場景4：當電機、光伏機組、燃氣鍋爐作為一個整體接入配電網時，這三個部分的調度總成本相對于基礎價有所減少，其原因是當電機、光伏機組在惡劣情況下使出力達到最大值時，燃氣鍋爐可停止運行。同理，電機、光伏機組在出力充裕情況下，配電網在一定程度上提升了消納能源的能力，保證配電網調度成本最低。

3.3 實驗結果與分析

為了進一步驗證基于DBN-RF 的配電網多能互補優化調度算法應用的合理性，將其與考慮動態重構的調度方法、基于最優潮流的調度方法進行實驗對比分析。三種方法配電網出力的輸出有功功率情況如圖3 所示。

圖3 三種方法配電網出力對比分析

由圖3 中所示的實驗結果可以看出，使用考慮動態重構的調度方法在10 h 時，與理想出力數據存在最大誤差，最大差值為90 kW；使用基于最優潮流的調度方法在10 h 時，與理想出力數據存在最大誤差，最大差值為40 kW；使用基于DBN-RF 的調度方法與理想出力數據一致。上述結果說明基于DBNRF 的配電網多能互補優化調度算法的應用效果較為理想，能夠有效提升配電網消納能源的能力，提高整體的調峰效益。

4 結束語

針對電機、燃氣輪機組、光伏機組等大規模可再生能源接入配電網發電所帶來的調峰問題，提出了基于DBN-RF 的配電網多能互補優化調度算法。

該算法通過DBN 構建多能互補優化調度模型，再利用RF 算法評價模型調度結果。模型在保證調度成本最小的前提下，有效促進多個能源的消納，提高整體調峰利益。