基于自然語言處理技術(shù)的智能配電網(wǎng)調(diào)度優(yōu)化方法研究

岳寶強(qiáng), 袁森, 彭靜, 王軍, 亓富軍

(國網(wǎng)山東省電力公司臨沂供電公司, 山東, 臨沂 276000)

0 引言

電力系統(tǒng)的輸電網(wǎng)與終端用戶之間存在一個(gè)配電網(wǎng),其作為中間層,主要負(fù)責(zé)保證城市供電安全[1]。隨著供電規(guī)模的不斷擴(kuò)大,近年來配電網(wǎng)運(yùn)行過程中頻繁出現(xiàn)饋線老化、負(fù)荷波動(dòng)等問題[2],直接影響了城市輸供電的可靠性。智能電網(wǎng)投入應(yīng)用后,配電網(wǎng)的日常運(yùn)行實(shí)現(xiàn)了自動(dòng)化,配電網(wǎng)可以根據(jù)實(shí)際負(fù)荷情況和饋線故障情況自動(dòng)改變供電路徑。但是,在光伏等具有不確定性的新能源接入電網(wǎng)后,傳統(tǒng)的智能配電網(wǎng)調(diào)度運(yùn)行方法無法取得預(yù)期應(yīng)用效果。對(duì)此,有學(xué)者研究了配電網(wǎng)調(diào)度的優(yōu)化方法。

文獻(xiàn)[3]從主動(dòng)配電網(wǎng)的負(fù)荷需求入手,建立需求側(cè)響應(yīng)分析模型,建立多時(shí)間尺度調(diào)度框架,通過深度學(xué)習(xí)生成最優(yōu)調(diào)度方案。但是,該調(diào)度優(yōu)化方法應(yīng)用局限性較大。文獻(xiàn)[4]結(jié)合復(fù)雜網(wǎng)絡(luò)理論和潮流追蹤算法,建立能量二分模塊度指標(biāo),將整個(gè)配電網(wǎng)劃分為多個(gè)區(qū),運(yùn)用多目標(biāo)蟻群算法求出最優(yōu)解,從而得到智能配電網(wǎng)優(yōu)化調(diào)度方案。但是,采用該方法進(jìn)行調(diào)度優(yōu)化后,配電網(wǎng)運(yùn)行穩(wěn)定性不符合要求。文獻(xiàn)[5]運(yùn)用雙閉環(huán)反饋機(jī)制分析配電網(wǎng)數(shù)據(jù),確定智能配電網(wǎng)調(diào)度要求,應(yīng)用復(fù)合微分進(jìn)化算法進(jìn)行不斷計(jì)算,找到可以獲得最佳運(yùn)行效益的配電網(wǎng)調(diào)度優(yōu)化方案。但是,應(yīng)用該方法后電網(wǎng)運(yùn)行成本較高。

為了彌補(bǔ)現(xiàn)有的智能配電網(wǎng)調(diào)度優(yōu)化方法的不足之處,本文提出基于自然語言處理技術(shù)的調(diào)度優(yōu)化方法。依托于自然語言處理思想,分析配電網(wǎng)歷史運(yùn)行數(shù)據(jù),獲取負(fù)荷數(shù)據(jù)特征,以此為基礎(chǔ)完成電網(wǎng)負(fù)荷預(yù)測(cè),從而生成更加合理的調(diào)度優(yōu)化方案。

1 以自然語言處理技術(shù)為核心的智能配電網(wǎng)調(diào)度優(yōu)化方法設(shè)計(jì)

1.1 基于自然語言處理技術(shù)預(yù)測(cè)電網(wǎng)負(fù)荷

在執(zhí)行自然語言處理思想時(shí),為了更好地分析智能電網(wǎng)數(shù)據(jù)的上下文關(guān)聯(lián)[6],建立引入注意力機(jī)制的編碼器-解碼器框架,如圖1所示。

圖1 基于Transformer結(jié)構(gòu)的自然語言處理模型

通過該自然語言處理模型中的多個(gè)注意力機(jī)制層,觀察輸入電網(wǎng)數(shù)據(jù)文本的不同位置信息,并進(jìn)行線性變換處理,得到查詢向量、鍵向量以及值向量,具體如下:

(1)

式中,i表示注意力機(jī)制層數(shù),A表示查詢向量,B表示鍵向量,C表示值向量,η表示輸入數(shù)據(jù)樣本向量,w表示線性變換矩陣。

按照上述模式進(jìn)行計(jì)算后,可以得到式(2)所示的注意力機(jī)制層的輸出結(jié)果[7]。

(2)

式中,y表示輸出結(jié)果,d表示線性變換矩陣的第一個(gè)維度值。

匯總所有注意力層的輸出結(jié)果,經(jīng)過拼接和線性降維處理后得到:

H=E(y1,y2,…,ym)w

(3)

式中,H表示拼接和降維處理后的電網(wǎng)數(shù)據(jù)自然語言處理結(jié)果,E表示拼接操作函數(shù),m表示自然語言處理模型中包含的注意力層數(shù)量。

自然語言處理模型中,整合歸一化計(jì)算的實(shí)現(xiàn)需要依托于殘差連接模塊[8],具體計(jì)算公式為

(4)

通過上述自然語言處理模型,提取出電網(wǎng)數(shù)據(jù)特征值,構(gòu)建包含短期電網(wǎng)負(fù)荷、氣象條件參數(shù)的特征值矩陣,并挖掘出不同類型的電網(wǎng)數(shù)據(jù)與負(fù)荷預(yù)測(cè)之間的關(guān)聯(lián)性,選擇部分有效的電網(wǎng)數(shù)據(jù)特征。將其看作輸入信息,導(dǎo)入圖2所示的多層深度學(xué)習(xí)模型中,得到配電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果。

通過圖2所示的電網(wǎng)負(fù)荷預(yù)測(cè)模型不斷學(xué)習(xí)和運(yùn)算后,準(zhǔn)確預(yù)測(cè)出未來一段時(shí)間智能配電網(wǎng)的負(fù)荷需求,從而確定電力調(diào)度目標(biāo)。

1.2 建立智能配電網(wǎng)優(yōu)化調(diào)度模型

以滿足電網(wǎng)負(fù)荷需求為前提,建立有功調(diào)度成本最低為目標(biāo)的多時(shí)間尺度主動(dòng)配電網(wǎng)日前調(diào)度優(yōu)化模型[9]:

(5)

(6)

式中,τ表示可中斷負(fù)荷的價(jià)格,λ表示儲(chǔ)能成本系數(shù),?表示電源單位發(fā)電成本,P1、P2、P3分別表示柔性負(fù)荷、儲(chǔ)能、放電變化量。

1.3 設(shè)置調(diào)度優(yōu)化模型約束條件

為了保證優(yōu)化后配電網(wǎng)調(diào)度方案是合理的,需要針對(duì)式(5)所示的調(diào)度優(yōu)化模型,提出一系列的約束條件。約束條件是有功平衡約束,其對(duì)應(yīng)的數(shù)學(xué)公式為

(7)

式中,φ表示滿足等式約束的置信度,R表示負(fù)荷需求量,μ表示電源總出力。

考慮到可再生能源的不穩(wěn)定性,因而電力系統(tǒng)中這部分能源的出力具有隨機(jī)性特點(diǎn)。對(duì)此,將平衡約束條件描述為機(jī)會(huì)約束[11],最終得到式(8)所示的轉(zhuǎn)化結(jié)果:

(8)

式中,θ-1表示反正態(tài)分布函數(shù),μ′表示期望電源總出力,ζ表示電源出力方差。

此外,按照智能配電網(wǎng)運(yùn)行要求,提出出力上下限爬坡約束條件和儲(chǔ)能約束條件,如式(9)～式(11)所示。

(9)

ΔPmin,3k(t)≤P3k(t)-P3k(t-1)≤Pmax,3k(t)

(10)

(11)

式中,max表示最大值,Pmax,3k(t)、ΔPmin,3k(t)表示電源的爬坡上下限參數(shù),O表示儲(chǔ)能裝置的荷電狀態(tài)。

1.4 生成配電網(wǎng)調(diào)度優(yōu)化方案

針對(duì)智能配電網(wǎng)調(diào)度優(yōu)化模型進(jìn)行求解時(shí),采用改進(jìn)和聲搜索算法,模擬音樂演奏中和聲創(chuàng)作過程進(jìn)行啟發(fā)式全局搜索,找到符合要求的最優(yōu)配電網(wǎng)調(diào)度方案。求解過程中初始和聲記憶庫可以表示為

(12)

式中,ψ表示初始和聲庫,ρ表示調(diào)度方案,U表示調(diào)度方案總數(shù)量,s表示調(diào)度階段數(shù)量。

以式(12)所示的初始和聲庫為基礎(chǔ),運(yùn)用改進(jìn)和聲搜索算法進(jìn)行最優(yōu)解分析,具體的求解流程如圖3所示。

圖3 基于和聲搜索算法的優(yōu)化調(diào)度方案求解流程

如圖3所示,初始和聲記憶庫中每個(gè)和聲向量都需要計(jì)算滿意度,并通過記憶庫搜索、局部擾動(dòng)和隨機(jī)選擇處理,刪除不符合要求的和聲并產(chǎn)生新的和聲,在達(dá)到迭代終止條件后得到最優(yōu)解,該解對(duì)應(yīng)的調(diào)度方案即為最優(yōu)調(diào)度方案。

2 算例測(cè)試

2.1 算例概況

為了驗(yàn)證本文調(diào)度優(yōu)化方法的實(shí)踐應(yīng)用效果,選擇IEEE33節(jié)點(diǎn)配電系統(tǒng)作為目標(biāo)算例,并向其中適當(dāng)添加幾個(gè)分布式電源,形成圖4所示的改進(jìn)配電網(wǎng)結(jié)構(gòu)。將本文方法應(yīng)用到算例結(jié)構(gòu)中,觀察該方法的具體調(diào)度優(yōu)化效果。

圖4 IEEE33節(jié)點(diǎn)配電網(wǎng)示意圖

針對(duì)圖4中包含的分布式發(fā)電單元和儲(chǔ)能裝置進(jìn)行設(shè)置,其參數(shù)如表1所示。

表1 分布式發(fā)電單元及儲(chǔ)能裝置參數(shù)

2.2 負(fù)荷預(yù)測(cè)

針對(duì)IEEE33節(jié)點(diǎn)配電系統(tǒng)的歷史數(shù)據(jù)進(jìn)行采集,運(yùn)用自然語言處理技術(shù)挖掘數(shù)據(jù)特征后,預(yù)測(cè)未來24小時(shí)內(nèi)的配電系統(tǒng)負(fù)荷情況,最終得到圖5所示的預(yù)測(cè)結(jié)果。

圖5 配電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果

根據(jù)圖5可知,運(yùn)用基于自然語言處理技術(shù)的預(yù)測(cè)方法進(jìn)行分析后,預(yù)測(cè)出配電網(wǎng)在一天中不同時(shí)段的負(fù)荷值,以此為基礎(chǔ)進(jìn)行后續(xù)調(diào)度優(yōu)化處理。

2.3 優(yōu)化調(diào)度方案

按照上文提出的方法建立優(yōu)化調(diào)度模型,并通過改進(jìn)和聲搜索算法進(jìn)行求解,得到最優(yōu)配電網(wǎng)調(diào)度方案。該調(diào)度方案涉及搭配光伏發(fā)電無功出力、風(fēng)機(jī)發(fā)電無功出力、燃?xì)廨啓C(jī)有功出力和儲(chǔ)能單元充放電等4個(gè)部分,如圖6所示。

(a) 風(fēng)機(jī)無功出力優(yōu)化調(diào)度結(jié)果

(b) 光伏無功出力優(yōu)化調(diào)度結(jié)果

(c) 燃?xì)廨啓C(jī)出力優(yōu)化調(diào)度結(jié)果

(d) 儲(chǔ)能單元出力優(yōu)化調(diào)度結(jié)果圖6 配電網(wǎng)優(yōu)化調(diào)度方案

按照?qǐng)D6所示的最優(yōu)調(diào)度方案進(jìn)行處理后,相比風(fēng)電1和風(fēng)電2,風(fēng)電3的無功普遍較低,在15:00-20:00時(shí)段,風(fēng)電1和風(fēng)電2可達(dá)到0.47 kVar;在10:00時(shí),光伏2可達(dá)到0.3 kVar;燃?xì)廨啓C(jī)1和燃?xì)廨啓C(jī)2基本一致,僅在13:00-14:00時(shí)段相差較大;相比儲(chǔ)能1和儲(chǔ)能3,儲(chǔ)能2的儲(chǔ)能容量較大,最高可達(dá)到0.36 MW/h。

控制配電網(wǎng)中分布式能源出力不斷變化,但總發(fā)電量滿足負(fù)荷需求,并將剩余能源放置在儲(chǔ)能裝置中,保證了配電系統(tǒng)的經(jīng)濟(jì)運(yùn)行。

2.4 算法性能測(cè)試分析

考慮到電壓質(zhì)量的提升是當(dāng)前智能配電網(wǎng)調(diào)度優(yōu)化面臨的一大挑戰(zhàn),本次算例分析過程中,觀察優(yōu)化前后系統(tǒng)典型節(jié)點(diǎn)電壓變化情況,以此來了解調(diào)度優(yōu)化方法的電壓質(zhì)量提升效果。以系統(tǒng)典型節(jié)點(diǎn)18為例,其在優(yōu)化前后電壓分布情況,如圖7所示。

圖7 優(yōu)化前后節(jié)點(diǎn)18電壓分布示意圖

根據(jù)圖7可知:在優(yōu)化前該節(jié)點(diǎn)出現(xiàn)明顯的電壓越限情況,影響了供電穩(wěn)定性;而運(yùn)用所提方法進(jìn)行優(yōu)化處理后,節(jié)點(diǎn)的電壓越上限情況完全消失,而且節(jié)點(diǎn)電壓始終處于0.95～1.05 pu,屬于優(yōu)質(zhì)電壓范圍。

3 總結(jié)

在智能電網(wǎng)調(diào)度優(yōu)化發(fā)展過程中,為了更好地保證電力系統(tǒng)穩(wěn)定運(yùn)行,提出基于自然語言處理技術(shù)的新型調(diào)度優(yōu)化方法。構(gòu)建一個(gè)包含注意力機(jī)制的編碼器-解碼器框架,利用自然語言處理技術(shù)來深入挖掘電網(wǎng)歷史運(yùn)行數(shù)據(jù),并獲取負(fù)荷參數(shù)特征。基于這些特征,建立一個(gè)考慮有功調(diào)度成本最低的優(yōu)化調(diào)度模型。為了求解這個(gè)優(yōu)化調(diào)度模型,采用改進(jìn)的隨機(jī)搜索算法和啟發(fā)式搜索算法。通過這些方法,得到一個(gè)最優(yōu)的智能配電網(wǎng)調(diào)度方案。經(jīng)過測(cè)試可知,運(yùn)用所提方法進(jìn)行優(yōu)化處理后,節(jié)點(diǎn)的電壓越上限情況完全消失,而且節(jié)點(diǎn)電壓始終處于0.95～1.05 pu,儲(chǔ)能2的儲(chǔ)能容量較大,最高可達(dá)到0.36 MW/h,可以充分提升每個(gè)節(jié)點(diǎn)的電壓質(zhì)量水平,從而促進(jìn)智能配電網(wǎng)的安全發(fā)展。