配电网信息智能分析与自适应控制策略研究

朱军飞，徐 民，李 京

（国网湖南省电力有限公司，湖南长沙 410004）

随着传统化石能源的日益枯竭，具有可持续发展特性的清洁能源已被广泛应用[1]。具有代表性的为光伏和风电等清洁能源，以分布式发电（Distributed Generation，DG）形式接入电网，实现能源结构调整和环境保护[2]。然而大量的DG 并网后，将影响电网的规划、运行和控制，尤其对于含DG 的配网负荷预测与自适应控制会带来新的挑战。针对上述情况，国际上提出了主动配电网（Active Distribution，ADN）的概念。ADN 是智能电网的高级发展阶段，与传统配电网相比，强调电网中的资源应积极参与电网的运行和控制[3]。即在除了传统的网侧设备外，电网中的分布式发电与用户侧资源也应参与电网的运行和控制。其中无功电压优化控制是电力系统的一个重要研究课题，国内外学者对此做出了大量的研究，主要集中在目标函数的构造和算法的改进上[4]。文献[5]提出了一种基于非参数估计的无功电压控制方法，通过建立分布式发电模型来分析控制效果。文献[6]以配电网购电费用、DG 运维费用和DG 补贴费用之和最小为经济性目标，同时以节点电压的稳定性指标为优化目标，采用归一化权重方法进行多目标优化。文献[7]采用遗传算法，求解带分布式电源的配电网无功优化。虽上述文献的研究对象是具有分布式电源的配电网，但并未考虑DG 在无功和电压优化等自适应控制策略中的作用。

因此，对于配电网缺乏负荷信息综合分析能力以及自适应调控能力的缺点，对配电网进行控制策略研究，提出了一种能够综合考虑负荷信息，实现配网自适应控制的综合分析系统。

1 系统设计

配电网信息智能分析与控制系统主要包括3 个部分：基础层、支撑层和应用层，如图1 所示。

图1 系统中各模块功能及关系

基础层的功能是收集配电网的相关数据信息，如PMS 系统、SCADA 系统、电能量采集系统等。上述信息大致涵盖了配电网的所有数据，这也是智能分析与实施自适应控制策略的基础[8]。

支撑层利用通信体系，将基础层收集的数据进行融合，完成数据的初步分析、存储，并建立相关的理论模型，如配电网供电能力等[9]。

应用层的功能为深入剖析配电网的数据信息，完成其供电能力分析、配电网网络重构方案辅助分析、配网快速仿真与模拟等功能。

2 配电网智能分析

配电网智能分析过程主要包括数据采集、数据预处理和大数据分析与应用3个大的过程框架，具体的处理细节如图2所示。

图2 智能分析过程

数据采集来自电力信息采集数据、外部数据等[10]。面对海量的配电网数据，在导入大数据平台数据库实现多源数据融合前，根据不同的融合需求进行关联和分类是不可缺少的数据预处理程序[11]。然后在数据融合的基础上，提取反映负荷特性的特征向量，完成信息的智能分析。

2.1 多源数据融合

数据融合可以看作是从原始数据到成熟数据的映射过程。定义映射F∶X to Y，X 为原始数据集，Y为数据融合集，映射F 为数据融合过程。对于原始数据，根据规划数据模型和数据融合维数提取特征向量。特征向量由数据的各个方面组成，代表融合维下数据的属性。然后将特征向量与数据流标准等数据处理规则融合，得到标准特征向量。标准特征向量的内容与成熟数据的相关属性相对应，可以从标准特征向量中恢复成熟数据。

2.2 特征提取

经过数据预处理，从规划需求中提取特征向量。这一向量是一个广义向量，可以是一维向量，也可以是多维向量。特征提取对象主要是反映负荷特征的指标，例如节点压降、线路损耗等[12]。为此，选取用电信息采集系统数据、气象信息系统数据、PMS 系统数据、海量历史/准实时数据平台数据和电网规划数据五类数据融合特征。另外，在特征提取后，为了便于数据聚类分析，数据预处理还应完成矢量单位、格式、精度的标准化，实现描述字段的统一。

2.3 智能分析

配电网的智能分析侧重于负荷，以提升系统的供电能力[13]。考虑一个12.66 kV、33 节点的配电网，实际与无功总需求分别为3.715 MW 和2.3 MVA，系统基本无功功率为100 MVA。采用一个与时间相关的时变负荷模型，可以表示为：

式中，Pload、Qload分别为实际有功和无功功率，PL、QL为额定电压下的有功和无功功率。V为电压幅值，pr、qr为有功和无功负荷系数。

3 自适应控制策略

结合配电网当前的负荷状态以及节点电压降、线路损耗、各个电源点的供电能力等具体情况，当配电网的供电能力无法满足所有负荷需求时，利用自适应遗传算法获得最佳的开关投切次序，以实现负荷调整，保证系统内最大的负荷供电能力[14]。

3.1 优化目标

为了最大限度地减少网络内的功率损耗、改善电压分布、提高供电能力，目标函数如下：

1）损耗最小化：

式中，N为支路数，Ri为支路电阻，Pi、Qi分别为支路有功功率和无功功率，Ui为节点i处的电压。

2）系统电压偏移最小化：

式中，i为系统节点数；Ui为节点i处的电压；Umax、Umin分别为节点电压的上限和下限。

同时，适应度函数为：

式中，W1、W2为权重，两者之和为1。

3.2 约束条件

在优化功率损耗和降低压降的同时，需要考虑其他约束：

1）配电线路容量Si的限制：

式中，Sk,max为线路容量的最大值。

2）电压限制：

3）潮流约束：

式中，Sij是各馈线潮流，Lj为总的负荷需求。

3.3 基于自适应遗传算法的控制策略

利用自适应遗传算法求解上述优化问题，其中遗传算法是一种由自然选择过程产生的元启发式算法，属于一类进化算法。在此进化算法中，优化问题的候选解（染色体）群体可进化为更优或更适合的解[15-16]。而在配电网负荷转供需求的问题中，种群染色体可以用来表示问题的候选解，若一个解满足问题的约束条件，则其是可行的；否则，不可行。根据得到的最优解控制开关的状态，从而实现配网重构，提升网络的整体供电能力。

基于自适应遗传算法的控制策略流程如图3所示。

图3 自适应遗传算法控制流程

首先定义问题的规模，并生成种群数量的候选解（染色体或个体），以初始化群体。然后评估每个染色体的适应度fitness，并选择即将进行交叉和突变的配偶或亲本个体（染色体），从当前种群中创建新的后代种群。在完成交叉和变异后，该算法根据适应度函数fitness来评价每个产生的子代染色体的适应度值。最终使用一个程序确定不可行的染色体，以及使用另一个程序惩罚其中的一些染色体。此外，该算法保留了所有产生种群中的最优染色体，即适应值最小的染色体。遗传算法会不断重复上述步骤，直到满足一些终止的条件。当迭代终止时，遗传算法会返回代表优化问题解决方案的最佳染色体。

4 实验结果与分析

为验证所提配电网信息智能分析与自适应控制策略的有效性，在Matlab/Simulink 环境下建立了相应的配电网信息智能分析与自适应控制系统，对控制策略使用前后的供电能力进行对比。

4.1 有功功率损耗

提升配电网供电能力的一个关键指标就是实际的有功功率损耗，功率损耗降低意味着有更多的电能被有效使用。优化控制前后配电网的有功损耗如图4 所示。

图4 配电网的有功损耗

从图4 中可以看出，经过自适应控制后，配电网的有功功率损耗有了明显的降低。经过每小时一次的信息分析和网络重构，网络的实际功率损耗显著下降。在14 小时，实际功率损失达到最大值344.986 4 kW。经过24 小时的系统运行，相比于优化控制前，配电网的功耗下降了53.87%，降至159.121 3 kW。

4.2 无功功率损耗

经过自适应控制，配电网的实际有功功率损耗明显降低。同样，无功损耗分量明显减小。优化控制前后配电网的无功损耗如图5 所示。

图5 配电网的无功损耗

从图5 中可以看出，优化控制前后，无功功率损失变化较为明显。因此在对配电网信息智能分析的基础上，实现自适应遗传控制有着较好的优化作用，且在特定季节，无功损耗每小时下降一次。

4.3 最小电压幅值

除了功率损耗外，提高电压幅值也是所提出系统的另一个目标。优化控制前后配电网的最小电压幅值如图6 所示。

图6 配电网的最小电压幅值

从图6 中可以看出，在优化控制后，系统的每小时最小流量均超过0.95 p.u.，且较为稳定。尤其是在第14、15小时，优化前的最小电压幅值低于0.90 p.u.，且变化较大，不利于系统的稳定运行。经过配网重构，提高到0.96 p.u.，因此所提控制策略能够较好地提高系统的供电能力。

5 结束语

该文提出了一种配电网信息智能分析与自适应控制策略。在构建的配电网信息智能分析与自适应控制系统的基础上，对基础层获得的各种信息进行融合及特征提取，以完成信息的智能分析。同时在应用层根据智能分析的结果，利用自适应遗传算法完成系统的优化控制，实现损耗最小化，改善电压分布。通过Matlab 对所提优化控制策略进行仿真论证，仿真结果表明，优化控制后系统的有功和无功功耗均明显下降，且最小电压幅值趋于稳定。由于文中仅在24 小时内进行实验论证，对长时间的系统运行效果是未知的，接下来的研究中将侧重于所提策略在长时间系统运行中的有效性。