基于自然语言处理技术的智能配电网调度优化方法研究

岳宝强, 袁森, 彭静, 王军, 亓富军

(国网山东省电力公司临沂供电公司, 山东, 临沂 276000)

0 引言

电力系统的输电网与终端用户之间存在一个配电网,其作为中间层,主要负责保证城市供电安全[1]。随着供电规模的不断扩大,近年来配电网运行过程中频繁出现馈线老化、负荷波动等问题[2],直接影响了城市输供电的可靠性。智能电网投入应用后,配电网的日常运行实现了自动化,配电网可以根据实际负荷情况和馈线故障情况自动改变供电路径。但是,在光伏等具有不确定性的新能源接入电网后,传统的智能配电网调度运行方法无法取得预期应用效果。对此,有学者研究了配电网调度的优化方法。

文献[3]从主动配电网的负荷需求入手,建立需求侧响应分析模型,建立多时间尺度调度框架,通过深度学习生成最优调度方案。但是,该调度优化方法应用局限性较大。文献[4]结合复杂网络理论和潮流追踪算法,建立能量二分模块度指标,将整个配电网划分为多个区,运用多目标蚁群算法求出最优解,从而得到智能配电网优化调度方案。但是,采用该方法进行调度优化后,配电网运行稳定性不符合要求。文献[5]运用双闭环反馈机制分析配电网数据,确定智能配电网调度要求,应用复合微分进化算法进行不断计算,找到可以获得最佳运行效益的配电网调度优化方案。但是,应用该方法后电网运行成本较高。

为了弥补现有的智能配电网调度优化方法的不足之处,本文提出基于自然语言处理技术的调度优化方法。依托于自然语言处理思想,分析配电网历史运行数据,获取负荷数据特征,以此为基础完成电网负荷预测,从而生成更加合理的调度优化方案。

1 以自然语言处理技术为核心的智能配电网调度优化方法设计

1.1 基于自然语言处理技术预测电网负荷

在执行自然语言处理思想时,为了更好地分析智能电网数据的上下文关联[6],建立引入注意力机制的编码器-解码器框架,如图1所示。

图1 基于Transformer结构的自然语言处理模型

通过该自然语言处理模型中的多个注意力机制层,观察输入电网数据文本的不同位置信息,并进行线性变换处理,得到查询向量、键向量以及值向量,具体如下:

(1)

式中,i表示注意力机制层数,A表示查询向量,B表示键向量,C表示值向量,η表示输入数据样本向量,w表示线性变换矩阵。

按照上述模式进行计算后,可以得到式(2)所示的注意力机制层的输出结果[7]。

(2)

式中,y表示输出结果,d表示线性变换矩阵的第一个维度值。

汇总所有注意力层的输出结果,经过拼接和线性降维处理后得到:

H=E(y1,y2,…,ym)w

(3)

式中,H表示拼接和降维处理后的电网数据自然语言处理结果,E表示拼接操作函数,m表示自然语言处理模型中包含的注意力层数量。

自然语言处理模型中,整合归一化计算的实现需要依托于残差连接模块[8],具体计算公式为

(4)

通过上述自然语言处理模型,提取出电网数据特征值,构建包含短期电网负荷、气象条件参数的特征值矩阵,并挖掘出不同类型的电网数据与负荷预测之间的关联性,选择部分有效的电网数据特征。将其看作输入信息,导入图2所示的多层深度学习模型中,得到配电网负荷预测结果。

通过图2所示的电网负荷预测模型不断学习和运算后,准确预测出未来一段时间智能配电网的负荷需求,从而确定电力调度目标。

1.2 建立智能配电网优化调度模型

以满足电网负荷需求为前提,建立有功调度成本最低为目标的多时间尺度主动配电网日前调度优化模型[9]:

(5)

(6)

式中,τ表示可中断负荷的价格,λ表示储能成本系数,ϖ表示电源单位发电成本,P1、P2、P3分别表示柔性负荷、储能、放电变化量。

1.3 设置调度优化模型约束条件

为了保证优化后配电网调度方案是合理的,需要针对式(5)所示的调度优化模型,提出一系列的约束条件。约束条件是有功平衡约束,其对应的数学公式为

(7)

式中,φ表示满足等式约束的置信度,R表示负荷需求量,μ表示电源总出力。

考虑到可再生能源的不稳定性,因而电力系统中这部分能源的出力具有随机性特点。对此,将平衡约束条件描述为机会约束[11],最终得到式(8)所示的转化结果:

(8)

式中,θ-1表示反正态分布函数,μ′表示期望电源总出力,ζ表示电源出力方差。

此外,按照智能配电网运行要求,提出出力上下限爬坡约束条件和储能约束条件,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)表示电源的爬坡上下限参数,O表示储能装置的荷电状态。

1.4 生成配电网调度优化方案

针对智能配电网调度优化模型进行求解时,采用改进和声搜索算法,模拟音乐演奏中和声创作过程进行启发式全局搜索,找到符合要求的最优配电网调度方案。求解过程中初始和声记忆库可以表示为

(12)

式中,ψ表示初始和声库,ρ表示调度方案,U表示调度方案总数量,s表示调度阶段数量。

以式(12)所示的初始和声库为基础,运用改进和声搜索算法进行最优解分析,具体的求解流程如图3所示。

图3 基于和声搜索算法的优化调度方案求解流程

如图3所示,初始和声记忆库中每个和声向量都需要计算满意度,并通过记忆库搜索、局部扰动和随机选择处理,删除不符合要求的和声并产生新的和声,在达到迭代终止条件后得到最优解,该解对应的调度方案即为最优调度方案。

2 算例测试

2.1 算例概况

为了验证本文调度优化方法的实践应用效果,选择IEEE33节点配电系统作为目标算例,并向其中适当添加几个分布式电源,形成图4所示的改进配电网结构。将本文方法应用到算例结构中,观察该方法的具体调度优化效果。

图4 IEEE33节点配电网示意图

针对图4中包含的分布式发电单元和储能装置进行设置,其参数如表1所示。

表1 分布式发电单元及储能装置参数

2.2 负荷预测

针对IEEE33节点配电系统的历史数据进行采集,运用自然语言处理技术挖掘数据特征后,预测未来24小时内的配电系统负荷情况,最终得到图5所示的预测结果。

图5 配电网负荷预测结果

根据图5可知,运用基于自然语言处理技术的预测方法进行分析后,预测出配电网在一天中不同时段的负荷值,以此为基础进行后续调度优化处理。

2.3 优化调度方案

按照上文提出的方法建立优化调度模型,并通过改进和声搜索算法进行求解,得到最优配电网调度方案。该调度方案涉及搭配光伏发电无功出力、风机发电无功出力、燃气轮机有功出力和储能单元充放电等4个部分,如图6所示。

(a) 风机无功出力优化调度结果

(b) 光伏无功出力优化调度结果

(c) 燃气轮机出力优化调度结果

(d) 储能单元出力优化调度结果图6 配电网优化调度方案

按照图6所示的最优调度方案进行处理后,相比风电1和风电2,风电3的无功普遍较低,在15:00-20:00时段,风电1和风电2可达到0.47 kVar;在10:00时,光伏2可达到0.3 kVar;燃气轮机1和燃气轮机2基本一致,仅在13:00-14:00时段相差较大;相比储能1和储能3,储能2的储能容量较大,最高可达到0.36 MW/h。

控制配电网中分布式能源出力不断变化,但总发电量满足负荷需求,并将剩余能源放置在储能装置中,保证了配电系统的经济运行。

2.4 算法性能测试分析

考虑到电压质量的提升是当前智能配电网调度优化面临的一大挑战,本次算例分析过程中,观察优化前后系统典型节点电压变化情况,以此来了解调度优化方法的电压质量提升效果。以系统典型节点18为例,其在优化前后电压分布情况,如图7所示。

图7 优化前后节点18电压分布示意图

根据图7可知:在优化前该节点出现明显的电压越限情况,影响了供电稳定性;而运用所提方法进行优化处理后,节点的电压越上限情况完全消失,而且节点电压始终处于0.95～1.05 pu,属于优质电压范围。

3 总结

在智能电网调度优化发展过程中,为了更好地保证电力系统稳定运行,提出基于自然语言处理技术的新型调度优化方法。构建一个包含注意力机制的编码器-解码器框架,利用自然语言处理技术来深入挖掘电网历史运行数据,并获取负荷参数特征。基于这些特征,建立一个考虑有功调度成本最低的优化调度模型。为了求解这个优化调度模型,采用改进的随机搜索算法和启发式搜索算法。通过这些方法,得到一个最优的智能配电网调度方案。经过测试可知,运用所提方法进行优化处理后,节点的电压越上限情况完全消失,而且节点电压始终处于0.95～1.05 pu,储能2的储能容量较大,最高可达到0.36 MW/h,可以充分提升每个节点的电压质量水平,从而促进智能配电网的安全发展。