分布式园区综合能源系统经济调度监测与分析

李时, 王斌, 齐红涛, 王华伟

(国网安徽省电力有限公司 滁州供电公司,安徽 滁州 239000)

0 引 言

国网营销部印发《2020年综合能源服务工作安排通知》,提出全面推进综合能效、多能供应、清洁能源和新兴用能业务。国家电网公司计划到2021年建成以客户侧用能优化系统为基础,以构建综合能效服务生态圈为导向,以客户服务业务中台为枢纽的智慧能源服务平台。

在此背景下,为打破供电、供气、供冷和供热等各种能源供应系统的有机协调与优化的壁垒,充分利用可再生能源,满足客户端多元化能源生产与消费,就需要发展智慧综合能源,特别是用户侧园区级新能源的消纳以及能源的高效利用。在上述背景下,本文将实现园区级智慧能源作为本文研究的重点。

1 智慧型“源-网-荷-储”整体方案设计

本文结合综合能源电厂智慧园区提出了综合能源服务系统,采用融合型专网物联网调度技术作为优化调度系统的核心结构。通过改进传统多时间尺度系统的调度方案和管控方式,实现综合能源的高效率低损耗调度过程。综合能源服务系统架构如图1所示。

图1 综合能源服务系统架构

由图1可知,综合能耗通过“多表抄表”的能源计量装置完成,包括了风力发电、光伏发电和火力发电等不同能源子系统。通过在负载侧设立能源表,根据读数显示基础设施能源子系统的分级调度,能够更加充分地利用云边结构和负荷侧多能信息[1]。通过控制调度设备负载和设备可实现对上级信号的响应,由控制标签负载获取设备信息。由终端控制器中的风力涡轮机和光伏设备进行外场采集,实现全息感知和需求侧的优化控制,而其感知信息通过以太网/PLC/RS-485三种方式输入边缘计算终端[2-3]。

2 多种形式能源的耦合机理

本文完整构建包含源、网、荷、储等各个环节的关键技术,如电、气、热、风、光等。能源转换(energy converter,EC)设备将外部供应的能源形式转换为终端需求的能源形式,并通过能源网络(energy network,EN)传输给分散于区域内的各用户。此外,区域内还可能存在多种形式的储能设备(energy storage,ES)实现能源存储。

从能源转换角度,外部供应能源对应于EN 的输入Pα,Pβ,…,Pχ,而EN的输出Lα,Lβ,…,Lχ则对应于终端需求。通过构建耦合矩阵来描述EN的转换关系如下:

(1)

式中:α～χ分别为能源形式,如电、气、热、冷等;ηαβ为能源α转换至β的效率;υ为分配系数,表征某一种能源在多个EC之间的分配比例。

在式(1)中,假设转换效率η为常数,则此模型为线性模型。υ作为变量,可为多种形式能源之间的互补优势与经济调度提供优化空间。显然,υ应满足如下约束:

(2)

进一步定义耦合系数c:

(3)

用P,L,C分别表示式(1)中的输入矢量、输出矢量和耦合矩阵,则式(1)模型可表示为:

L=CP

(4)

如考虑ES,则式(4)可改写为:

(5)

3 基于蝙蝠算法(bat alogrithm, BA)的经济调度异常信息监测

本文提出一种基于BA,实现系统网络安全的经济调度异常信息监测。采用基于随机子空间的投票极限学习机作为待优化集成框架,BA选择合适的子分类器进行集成,用准确率和子分类器差异度相结合的方式定义BA算法的适应函数。异常数据信息监测模型如图2所示。

图2 经济调度异常信息监测模型流程示意图

结合上述流程示意图,将能源异常数据信息设定A={A1,A2,…,AL},AL为对不同的能源数据信息运用分类器的数据集合。计算多样性度量时生成差异性矩阵,两个分类器的差异性可表示为:

(6)

式中:N为样本总数;N11、N00、N01、N10为差异性矩阵。Qij的值域为[-1,1],分类器之间的差异度由Qij的绝对值决定。在集成设计阶段,为了增加分类器的多样性,基于不同特征子集训练生产的ELM1模型到ELM模型K作为系统的基分类器,采用BA从分类器池中删除冗余的模型,减少分类器池的规模。基于BA的集成剪枝框架如图3所示。

图3 基于BA的集成剪枝框架

在设计BA的适应度函数时,考虑到集成的分类准确率和多样性度量双重因素,将两者结合起来采用错误率和难度设计适应度函数。适应度函数可表示为:

(7)

式中:n为分类器的数量;acci为子模型的准确率;var为随机变量方差;w1为平均误差的权重;w2为多样性度量的权重。

通过Moore-Penrose矩阵对输出权重的计算,采用Oc(train)来表示训练阶段ELM的复杂度。基于BA的集成剪枝训练阶段,评估子模型子集算法的计算复杂度Oeval,模型子集的计算复杂度可表示为:

OZ=Oeval×K×N

(8)

式中:K为最大迭代次数;N为种群的大小。由于评估模型子集所需要的时间涉及到方差的计算,还需考虑到训练实际的总数和模型子集数目。最后采用多数投票法将独立的ELM输出进行组合做出最终的预测,预测结果可表示为:

(9)

式中:H(xt)为样本xt的预测类别;pij(xt)为样本xt被分类器判断为ωj的概率;K为分类器总数。

4 试验结果及分析

本文采用的硬件配置为CPU为Inter Core i7-9700H,运行内存为3 200 MHz 8×2 GB,硬盘大小为1 TB。将源侧、网侧、储侧和荷侧融为一体的微网,通过MATLAB形式虚拟仿真。试验架构示意图如图4所示。

图4 试验模拟简图

假设本文试验采用微网储能数据来自于风能、太阳能、气体发电和光伏发电等多种不同形式的能源输出的数据信息。为了试验的方便,将不同形式的能源信息通过发电过程中的数据库信息采集获取。则输入的微网储能数据样本信息如表1所示。

表1 多能源数据输入参数设置

将采集到的数据信息用本文技术方法与MMPC算法进行计算。经过12 h反复模拟和试验仿真曲线,如图5所示。

图5 试验对比示意图

通过图5的试验可知,本文方法园区级智慧型运营时,通过采集相同数据量时,采集时间短。在运用相同时间时,本文的方法园区级智慧型运营效率最高。使用本文方法的用电分析法进行验证。从多种不同能源数据库中抽取数据信息,如表2所示。

表2 试验数据信息表

将抽取的信息用本文研究的方法分别与文献[4]和文献[5]的方法进行对比分析。通过多种形式能源的耦合机理对包含源、网、荷和储等各个环节数据信息进行分析。经过100 min试验输出的误差绘成对比曲线如图6所示。

图6 误差对比曲线图

经过100 min试验和不同能源信息发电后,随机抽取的大量数据信息,发现本文方法在进行用户消费行为数据分析时,准确度远远大于文献[4]和文献[5]方法。因此本文方法在误差对比分析上,具有突出的技术优势。综上所述,本文方法具有突出的技术效果。

试验过程中再选取100组能源网络安全态势指数,取90组为训练样本,10组为测试样本。试验环境中攻击者对其他三个主机发起多次Ddos攻击和XXs攻击,调用MATLAB工具箱将数据融合到评估模型中,使用三种系统对攻击后的网络安全态势值进行评估,得到EN态势评估值如图7所示。

图7 EN安全态势评估值

由EN安全态势评估值变化可知:0～3 s时系统由于没有受到攻击的危险,EN数据信息态势评估值较低,在15左右,当前系统的各项指标状态良好;在3 s时系统受到攻击,系统的EN安全面临风险,EN态势评估值增长速度较快,最高达到89.2。

文献[6]系统在受到网络攻击后网络态势评估值增长较慢,到6 s时网络态势评估值仅为34.8,10 s时的网络态势评估值达到52.3。文献[6]系统的评估值整体较小,不能真实反映系统当前的网络安全状态,未考虑到物理节点受到攻击之后的系统运行危险等级。文献[7]系统的网络态势评估值变化存在滞后,在6 s之后才开始迅速增长,在10 s的网络态势评估值为64.2,不能较好地判断系统的危险等级。

为了体现采用的网络架构的性能优势,以文献[8]所采用的变换域通信系统作为参照对象。在24 h内通过检测点传感器收集得到多个时刻监测数据,总计数据样本50个通信节点参数并将其作为试验数据集输入到通信架构算法中,分别得到噪声离散点图如图8、图9所示。

图8 本文研究通信节点离散图

图9 文献[5]通信节点离散图

图8、图9中:粒子的标识代表一种样本数据类别,白色点代表通信节点噪声粒子群,粒子越紧凑,通信节点配置越具有能量,传输综合能源数据负荷越低,丢包现象越少。从图8与图9不难看出,本文研究所搭建的建立的网络架构通信节点更加紧凑。这是因为采用BA的经济调度异常信息监测,提高了数据信息检测出能力,配合插入特殊寄存器减少了网络数据的丢包现象。可见本文研究的通信网络架构更加适用于综合能源电厂智慧园区。

5 结束语

企业级综合能源应用是综合能源体系的最基础环节,企业级用能需求量巨大,但企业以电为核心实现多能源综合应用的适应性技术研究尚在起步阶段。从国内外研究情况分析,在企业级多能源规划、多能源管理、基于物联网的企业通信传感网络以及管控手段尚无系统性研究,导致企业多能源建设过程中无据可依,以电为核心多能互补效果体现不充分。作为企业级综合能源应用核心技术的多能综合利用关键技术的研究可以为园区综合能源建设提供灵活性用能解决方案,内部灵活性可以帮助企业盈利,外部灵活性可以提高国家能源供应安全稳定。本文研究技术为下一步技术研究奠定基础。