配电快速仿真与模拟

唐明跃，郭 力

(1.重庆市电力公司璧山供电局，重庆璧山402760;2.天津大学自动化学院，天津300072)

0 引言

随着通信技术的发展，信息技术在各行各业得到了广泛应用，推进全社会的信息化成为当今时代发展的趋势。然而与早期电网相比，当前电网仍然是基于模拟技术设计，无法适应数字化社会的需要。电网在数字化技术应用方面的相对落后，严重制约了电力系统的发展。在此形势下，国际上特别是欧美发达国家，关于“智能电网”的研究和讨论孕育而生。

以美国EPRI为核心的智能电网联盟组织(IntelliGridSM)于2006年制定了一份详尽的智能电网工程计划及路线图［1］，内容涉及电力市场、分布式电源(Distributed Energy Resources-DER)、输电网、配电网、变电站、终端用户等电力系统的几乎所有领域，以及和这些领域相关的概念体系、商业案例、功能需求、系统框架、技术标准、软硬件系统开发、产品集成、试点及推广计划等各个方面。这份路线图还包含了与欧盟技术委员会、法国EDF以及各大厂商、财团、基金会的合作计划，另外还附有各个领域各个研发阶段的投资预算。欧盟委员会在2006年的绿皮书［2］——《欧洲可持续的、竞争的和安全的电能策略》中强调欧洲已经进入一个新能源时代。欧洲能源政策最重要的目标必须是供电的可持续性、竞争性和安全性。未来整个欧洲电网必须向所有用户提供高度可靠、经济有效的电能，充分开发利用大型集中发电机和小型分布式电源。智能电网技术［3］是保证欧盟电网电能质量和供电可靠性的关键技术和发展方向。

由于接入了各种形式的分布式电源和高级电力电子设备，智能电网需要大量的智能仪表和智能装置，需要新的更加灵活的网络重构方案、全局性的保护方案和电压控制方案。为了进一步提高资产利用率，电网的运行将越来越接近运行极限，在多级电力市场环境中电网的运行更加复杂和难以预计。因此，运行人员需要高级的实时计算分析工具来帮助他们做出正确的决策，以保证电网能安全有效地运行。这些工具统称为快速仿真与模拟(Fast Simulation and Modeling-FSM)。FSM是一套专门用于电网运行、规划和管理的软件工具集，它能够对电力系统进行实时的仿真分析，对电网故障提前做出预测和反应;为保证系统自动的、持续的优化运行，向操作员提出预防控制措施，达到改善电网稳定性、安全性、可靠性和提高运行效率的目的。输电环节的FSM简称为输电快速仿真与模拟(Transmission Fast Simulation and Modeling-TFSM)，配电环节的FSM简称配电快速仿真与模拟(Distribution Fast Simulation and Modeling-DFSM)。本文将重点介绍了配电快速仿真(D-FSM)的相关概念、研究目标和关键技术问题。

1 DFSM的研究目标

分布式电源、高级配电自动化、高级量测等智能配电网高级应用系统的开发和运行需要一个灵活、开放、自我组织的计算环境和支撑平台，DFSM正是在此背景下诞生的。研究DFSM的目的是对配电网进行实时运行优化，为全系统的FSM平台提供有益地补充。DFSM主要有两个设计目标:

1.1 自愈电网技术

目前，电力系统的运行主要是基于就地自动控制和人工开关，只有少数的远程控制行为。自愈技术要求电力系统的自动化控制水平更高，各种装置之间具备远程通讯能力，传统的就地自动控制可以被分布式的智能体控制(Intelligent Agent-IA)或者智能单元所代替。每个IA可以控制就地控制器、计算单元和通讯设备，全系统的运行要求所有智能单元具有精确的协调运行能力。由于大量的信息会流入这个信息系统内，为了提高系统的可靠性，DFSM将区别开一个IA的功能、关键参数、关键特征、关键信息和数据。

1.2 预测分析法

电力系统的可靠性是电网规划领域非常重要的研究内容，主要采用N-1或者N-2原则来对全电网进行评估。当电力系统结构中失去一部分或者两部分时，系统仍然能够稳定运行。

DFSM的高级预测功能主要是针对系统实时运行和热备用中的各种偶然事故。DFSM提供的系统预测分析法，不仅能够评估现有系统状态，也包括对可能发生的事故或者运行费用的影响进行评估。

2 DFSM的功能

如图1所示，DFSM主要完成了“信息→知识→智能”的过程，即配电网自我认知过程和部分重要智能的产生过程，是智能配电网“智能”的核心部分。

图1 DFSM与智能系统模型的对比

DFSM的主要功能包括:

1)实时的状态估计，供安全监视、评估与优化使用;

2)系统(包括功率交换、系统效率、可靠性、电能质量等)性能的连续优化功能;

3)预测仿真能力(即安全分析)，能够避免可能对系统造成较大影响的预想事故发生;若事故发生，通过自愈能力尽量减少损失，恢复正常运行;

4)从运行和规划的角度对电网进行“What-if”分析，并为运行人员推荐运行方案;在多个层次上提供辅助决策功能。

5)把对市场、政策和风险的分析聚合到系统模型中去，把它们对系统安全性和可靠性的影响进行定量化的评估。

DFSM运行模式一般有如下三种:

1)实时模式——按预先设置的时间间隔(1～15)min周期运行，或在实时事件(如拓扑结构变化)的触发下即时启动。

2)研究模式——对配电网进行“What-if”分析和研究，为运行人员和管理人员提供推荐方案。

3)前瞻模式——使运行人员了解未来几分钟(超短期)、1小时到1周(短期、中长期)的运行状态变化趋势。

DFSM的主要模块组成如表1所示，由配电网仿真分析工具和建模工具两大部分组成。

表1 DFSM中的仿真和建模工具

在DFSM的各个功能模块中，有三个研究难点:配电网三相状态估计、网络等值和设备元件(含各种类型的DER)的静态、动态建模。

配电系统的智能化需要电力系统运行状态的准确信息，这是电网自我认知的基础。在获得大量量测数据的基础上，状态估计能够推算电力系统中的各种电气量，给出全面而准确的电网运行数据。由于配电网在网络结构、线路模型、运行方式等方面与输电网有显著的不同，并且三相运行不平衡。因此，输电网的状态估计算法并不适用于配电网对于配电网状态估计算法的研究。随着对配电网网络结构和运行特点的理解逐步加深，考虑配电网特点的各种状态估计算法不断被提出来［4-6］。文献［7］提出了利用MPI、PVM等并行软件工具在PC(或小型机)集群环境中实现状态估计的并行计算。文献［8］提出配电系统状态估计区域解耦算法，将配电网中每一个馈线分解成多个量测区域，使得分解后的各个区域之间解耦，即可以对各个区域单独进行状态估计，说明把馈线分割成几个较小的区域分别进行状态估计是可行的。基于MAS建立的DFSM分布式智能系统是一种新机制下的并行分布式计算环境，能够从根本上解决配电网状态估计(以及其它仿真分析计算软件)要求计算快速性的问题。文献［9］提出了基于MAS的配电网三相状态估计算法，有效提高了计算效率。

网络等值是一个非常复杂的建模工具，它给出网络中一个部分的电气等值，应用于负荷、发电机的等值聚合或者网络拓扑结构的简化，并做稳态或动态的等值计算分析。例如，对于110kV/10kV变压器低压侧的一个完整系统，可以等值为一个由RLC负荷、旋转负荷、发电机和一段馈线等虚拟元件组成的等值模型。网络等值的目的是为了把下一层次的网络向上一级系统做简化表达，在一定程度上减少未经处理的信息向控制中心系统集中，使电网的智能计算具有相对独立性和分布性。在DFSM中，网络等值和建模是一个非常复杂的研究内容，这是支持智能电网分布式仿真计算的基础性研究之一。文献［10］提出了非侵入式电力负荷的分解与监测方法。

预想事故分析是以“What-if”方式对电力系统进行模拟分析。对未来可能发生的事件，分析它们发生的概率、对系统产生的影响，并给出应对预案。预想事故一般指非计划停运事故，是指电力系统的一个部分(例如线路)失去负荷或发生故障，或者变压器、发电机等单个设备的发生故障或被切除。预想事故分析通常作为一种离线分析和研究工具。也可以在线应用，对电网当前状态或正在发生的事件进行评估，快速定位故障，在损失最小的情况下隔离故障，并给出网络重构预案及时恢复故障失电区域的供电。

2 DFSM的关键技术问题

2.1 配电网量测系统评估与优化的理论与方法

量测系统是获得电网运行实时数据的主要途径，量测系统的建设及持续性优化对智能电网具有非常重要的意义。美国EPRI已经把它确定为智能电网基础设施建设中重要的策略性问题，并开始展开相应的研究工作［11］。

如果量测装置配置数量不足，所获得的量测数据亦不足，无法实现对配电系统运行状态的有效监控。输电网中的量测装置一般集中安装在变电站内，在变电站设计和建造时即已确定，并且维护比较方便。而在配电网，量测装置需要在馈线沿线布置，现场环境复杂，且维护成本较高;此外，配电网的网架结构变化较快，新建和改建线路多，需要及时安装和调整量测装置。配电网需要以最小的量测系统建设和维护成本获得必须的、足够多的、准确的实时数据。

配电网中，负荷功率测量仪表一般安装在重要负荷的开关处，但数量较少。为了保证足够的量测冗余度，一般将短期负荷预测数据作为节点注入功率或支路潮流功率类型的伪量测。由于伪量测误差较大，影响估计精度。通过安装一定数量的量测装置可以改善状态估计的性能。量测装置类型及安装位置的选择成为量测配置及优化的重点内容。文献［12］认为应从可观测性、状态估计精度、数值稳定性和经济性等几个方面对量测系统进行评价。文献［13］提出了基于动态规划方法的量测配置优化算法。

2.2 DFSM的分布式智能系统

智能电网是智能科学和电力系统相关学科与技术的交叉领域，智能电网的研究要和智能科学的相关理论与方法紧密结合起来。电力系统与一般人造系统相比有着鲜明的特点，它结构庞大复杂、分布范围广大、电力的生产和消费同时完成等，非线性和鲁棒性的特征同时存在且非常明显，是一个典型的复杂适应系统(CAS)。对CAS的仿真与模拟是分布式人工智能学科的研究热点和难点问题。

分布式人工智能是计算机科学和智能科学交叉的崭新学科分支，在理论研究、实现方法以及实践应用等方面取得了许多成果［14，15］。Agent和 MAS 的理论与方法是设计和建立分布式人工智能系统，实现对CAS的仿真与模拟的主要方法［16.17］，它们为DFSM分布式智能系统的实现提供了理论上和方法上的支持。

由于人工智能科学和计算机科学的交叉性和同源性，Agent和MAS必然要通过计算机程序来实现，计算机科学研究领域的专家和学者纷纷提出AOA［18］、AOM、AOP［19］等新的概念和方法。Jennings提出了面向 Agent的软件工程(AOSE)思想［20］，指出它是当代软件工程思想(面向对象、构件等)的必然发展趋势，并证明在解决复杂的现实问题上AOP方法优于OOP方法。但是，AOSE是一个新生事物，AOP方法正处于发展过程中，还不成熟，目前还面临许多问题和挑战［21］。在不同的应用领域，出于不同的研究目的，人们提出了各种Agent抽象结构和实现结构的描述。为了将Agent和MAS的理论与方法更好地应用于智能配电网尤其是DFSM的研究，提出一个具有良好适应性和灵活性的Agent实现结构模型是我们首先需要解决的一个问题。

2.3 DFSM并行分布计算的任务调度问题

单纯从计算机科学的角度来看，分布式人工智能系统的本质仍然是并行分布式计算。近年来提出的网格计算(Grid Computing)［22，23］和云计算(Cloud Computing)［24］等新概念深受 Google、IBM、Microsoft等世界著名公司的推崇，但究其实质仍然是并行分布式计算的发展和演化。在并行分布式计算中，存在着一个未能得到很好解决的难点问题——任务调度问题，它同时也是DFSM分布式智能系统研究中的一个难点问题。

无论是当前电网还是未来的智能配电网，可用的计算资源与庞大的电网和海量的数据相比，数量总是相对较少的，即计算资源总是稀缺的。因此，DFSM中大量的计算任务需要分配到数量相对较少的计算节点上执行，这就产生了DFSM并行分布式计算的任务调度问题。由于研究对象——电网的运行方式和拓扑结构总是处于变化之中，在配电网，这一情形更加突出;配电网运行方式发生变化后，使得计算任务的数量和各个计算任务的计算量都发生了变化，并且在任务执行之前它们是无法准确衡量的，这是DFSM中的任务调度问题与以往研究的调度问题的最大不同之处［25］。

根据任务特性、机器特性和调度优化目标的不同，调度问题的数学模型也随之变化［26-29］。文献［30］提出了Triplet算法，将任务和计算节点分别按3个一组进行组合，然后再优化匹配。文献［31］则将上述思想向异构环境推广，并考虑通信开销，提出了适用于细粒度任务调度的CHP(Clustering Tasks onto Heterogeneous Processors)算法。Deo［32］应用模糊聚类方法对任务和计算节点分别进行聚类分析，然后互相匹配，提出CMTA(Cluster-based Multiple Task Allocation)算法。

3 结论

DFSM是实现配电网自我认知和产生基本智能的关键环节，在智能配电网中处于核心地位，是智能配电网研究的重点内容之一。DFSM已逐渐成为未来智能配电网分布式智能系统及技术支撑平台的核心组成部分。

本文紧紧围绕DFSM及分布式智能系统展开论述，介绍了DFSM的相关概念、研究目标和关键技术问题。

［1］EPRI US，EDF R＆D.Profiling and Mapping of Intelligent Grid R＆D Programs［R］.US EPRI，Palo Alto，CA and EDF R＆D，Clamart，France，2006.

［2］European Commission. European Technology Platform Smart Grids:Vision and Strategy for Europe's Electricity Networks of the Future［R/OL］.European Commission，2006.http://ec.europa.eu/research/energy/pdf/smartgrids_en.pdf.

［3］COMMISSION OF THE EUROPEAN COMMUNITIES.GREEN PAPER:A European Strategy for Sustainable，Competitive and Secure Energy［R］.COMMUNITIES，COMMISSION OF THE EUROPEAN，2006.

［4］Mesut E.Baran，Arthur W.Kelley.A branch-currentbased state estimation method for distribution systems［J］.IEEE Transactions on Power Systems.1995，10(1):483-489.

［5］Wang Haibin，Schulz Noel.A Revised Branch Current-Based Distribution System State Estimation Algorithmand Meter Placement Impact［J］.IEEE Transactions on Power Systems.2004，19，(1):207-213.

［6］Lin W.M，Teng J.H.Distribution Fast Decoupled State Estimation by Measurement Pairing［J］.IEE Proc.-Gener.Transm.Distrib.1995，143，(1):43-48.

［7］Jose Beleza Carvalho，F.Maciel Barbosa.Parallel and Distributed Processing State Estimation of Power System Energy［C］.Electrotechnical Conference，2000.MELECON 2000.10th Mediterranean，2000:1128-1131.

［8］刘明，周双喜，邓佑满，等.配电系统状态估计区域解耦算法［J］.电力系统自动化，2005，(6):79-82.

［9］徐臣，余贻鑫，贾宏杰.基于MAS的配电网三相状态估计［J］.天津大学学报，2010，(2).

［10］黎鹏.非侵入式电力负荷分解与监测［D］.天津:天津大学，2009.

［11］ERPI US.Distribution Fast Simulation and Modeling Technical Update:First Sensor Location Strategy for the Enhancement of Distribution State Estimation［R］.US EPRI，Palo Alto，2008.

［12］王亮，高伏英，周京阳.华东电网实时量测系统评价与优化配置［J］.电网技术，2002，(10):30-32.

［13］［59］Carlo Muscas，Fabrizio Pilo，Giuditta Pisano.Optimal Placement of Measurement Devices in Electric Distribution Systems［C］.IMTC 2006 – Instrumentation and Measurement Technology Conference Sorrento，Italy，24-27 April 2006:20061873-1878.

［14］焦李成，刘静，钟伟才.协同进化计算与多智能体系统［M］.北京:科学出版社，2006.

［15］Weiss G.Multi-Agent Systems:A Modern Approache Distributed Artificial Intelligence［M］.Cambridge，MA:MIT Press，1999.

［16］Marvin Minsky.Society Of Mind［M］.Simon ＆ Schuster，1988.

［17］Michael Wooldridge，Nick Jennings.Intelligent Agents:Theory and Practice［J］.The Knowledge Engineering Review.1995，10，(2):115-152.

［18］周永林，潘云鹤.面向Agent的分析与建模［J］，计算机研究与发展，1999，(4):27-33.

［19］Shoham Y.Agent Oriented Programming［J］.Artificial Intelligence.1993，60，(1):51-92.

［20］Jennings N.R.，Nicholas R.On agent-based software engineering［J］.Artificial Intelligence.2000，117，(2):277-296.

［21］毛新军，常志明，王戟，等.面向Agent的软件工程:现状与挑战［J］.计算机研究与发展，2006，(10):1782-1789.

［22］王天擎，谢军，曾洲.网格计算中的资源调度不确定性分析［J］.计算机应用，2007，(2):489-491.

［23］汪林华，郑衍衡.高性能计算网格资源平台的一种实现方法［J］.计算机应用与软件，2007，(1):118-120.

［24］尹国定，卫红.云计算——实现概念计算的方法［J］.东南大学学报(自然科学版)，2003，(4):502-506.

［25］朱福喜，何炎祥.并行分布计算中的调度算法理论与设计［M］.武汉:武汉大学出版社，2003.

［26］Yu-Kwong Kwok，Ishfaq Ahmad.Benchmarking the Task Graph Scheduling Algorithms［C］.Proceedings of the First Merged Symposium IPPS/SPDP(the 12th International Parallel Processing Symposium＆the 9th Symposium on Parallel and Distributed Processing)，March 1998，Orlando，Florida，USA:531-537.

［27］Yu-Kwong Kwok，Ishfaq Ahmad.Benchmarking and Comparison of the Task Graph Scheduling Algorithms［C］.Proceedings of the 12th.International Parallel Processing Symposium，April 1999:381-422.

［28］陈华平，黄刘生，安虹.并行分布计算中的任务调度及其分类［J］.计算机科学，2001，(1):45-48.

［29］马丹，张薇，李肯立.并行任务调度算法研究［J］.计算机应用研究，2004，(4):91-94.

［30］Bertrand Cirou，Emmanuel Jeannot.Triplet:A clustering scheduling algorithm for heterogeneous systems［C］.Parallel Processing Workshops，2001 International Conference，3-7 Sept.2001:231-236.

［31］Cristina Boeres，Jose Viterbo Filho.A cluster-based strategy for scheduling task on heterogeneous processors［C］.Proceedings of the 16th Symposium on Computer Architecture and High Performance Computing(SBACPAD'04)，27-29 Oct.2004:214-221.

［32］Deo Prakash Vidyarthi，Anil Kumar Tripathi，Biplab Kumer Sarker.Cluster-based multiple task allocation in distributed computing system［C］.Proceedings of the 18th International Parallel and Distributed Processing Symposium(IPDPS'04)，26-30 April 2004:239-246.