吳海偉,王曉忠,朱法順

(1.國網(wǎng)江蘇省電力有限公司，江蘇 南京 211106; 2.國網(wǎng)南京南瑞集團公司(國網(wǎng)電力科學研究院)，江蘇 南京 211106；3.國電南瑞科技股份有限公司，江蘇 南京 211106)

0 引 言

智慧電網(wǎng)這個概念作為能源電網(wǎng)的現(xiàn)代化機制，近些年已經(jīng)頻繁出現(xiàn)在傳統(tǒng)電力行業(yè)的各個角落[1-4]。在智慧電網(wǎng)中，傳感器、計算機和通信網(wǎng)絡被整合到發(fā)電、輸電、配電和負載元件等傳統(tǒng)電力行業(yè)組成元素中[5-7]。這種機制能夠收集各種信息，控制發(fā)電量和需求，甚至可以預測能源消耗。例如，智能電表被放置在用電負載單元上(如家庭、辦公樓)時，可用于收集非常精細的實時需求數(shù)據(jù)，并幫助系統(tǒng)運營商通過地理或時間維度來估計未來的用電需求[8-10]。對負載行為的評估可以與生成的數(shù)據(jù)信息結合起來，從而實現(xiàn)在更高階的需求場景下的需求響應策略。從這個方面來看，智慧電網(wǎng)升級了現(xiàn)有電網(wǎng)，使現(xiàn)有基礎設施得以重新利用，并降低了部署成本[11-12]。

但這種類型的網(wǎng)絡勢必會帶來一系列的問題，由于必須從電網(wǎng)中收集大量數(shù)據(jù)，所以需要相應的大數(shù)據(jù)技術來對這些信息進行管理[13-14]。此外，大量元素需要利用并行處理技術來進行跟蹤，這就導致了冗余的增加，所以需要對系統(tǒng)分析進行優(yōu)化[15]。

1 智慧電網(wǎng)的組成及數(shù)據(jù)來源

智慧電網(wǎng)是利用信息技術和通信技術對電網(wǎng)發(fā)電、配電和消耗進行優(yōu)化。智慧電網(wǎng)體系結構由3個主要系統(tǒng)組成：電力系統(tǒng)、通信系統(tǒng)和信息系統(tǒng)[12]。正確的架構是確保智慧電網(wǎng)功能完善的必要條件。未來智慧電網(wǎng)的設計和分析需要對電網(wǎng)拓撲結構和大數(shù)據(jù)綜合網(wǎng)絡控制的影響，以及物理層與網(wǎng)絡層之間復雜的交互進行基礎性的洞察，其中包括支持通信、信息、網(wǎng)絡以及計算系統(tǒng)等。智慧電網(wǎng)結構可以表示為一個分層結構，主要包括：電力系統(tǒng)層、通信層以及信息架構層，其中作為數(shù)據(jù)來源，信息架構層具有非常重大的研究價值[16]。

1.1 信息架構層

智慧電網(wǎng)之間的通信對于確保電網(wǎng)的靈活性、可擴展性、可靠和高效性是非常重要的。圖1展示了整個智慧電網(wǎng)的信息架構，從圖中可知，信息架構主要分為市場、生產(chǎn)、傳輸、配電、消費者幾個部分。在每個部分中，又可以細分為很多小類，其中既有傳統(tǒng)的電網(wǎng)組成部分，如控制系統(tǒng)等，也有新興的組成部分，如各類智慧應用、電子商務/互聯(lián)網(wǎng)、分布式發(fā)電等。在每個子類中都產(chǎn)生了大量信息數(shù)據(jù)。

圖1 智慧電網(wǎng)信息架構

從圖1及文獻[17]可知，智慧電網(wǎng)的電力信息系統(tǒng)除了圖中展示的：監(jiān)控與數(shù)據(jù)采集(SCADA)系統(tǒng)、高級計量基礎設施(AMI)、計量數(shù)據(jù)管理系統(tǒng)(MDMS)、需求響應管理系統(tǒng)(DRMS)外，還包括地理信息系統(tǒng)(GIS)、客戶信息系統(tǒng)(CIS)和中斷管理系統(tǒng)(OMS)。其中DRMS和OMS是整個網(wǎng)絡中的主要系統(tǒng)，因為它們與其他的系統(tǒng)互相交互，以保證對電網(wǎng)與消費者的滿意度整體視野。AMI系統(tǒng)處理來自電力用戶的數(shù)據(jù)，并相互交換信息。監(jiān)控與數(shù)據(jù)采集系統(tǒng)則從公用領域收集數(shù)據(jù)，然后使用它來管理電網(wǎng)基礎設施。

1.2 數(shù)據(jù)來源

智慧電網(wǎng)中的數(shù)據(jù)來源廣泛，不同的信息系統(tǒng)需要采樣不同的數(shù)據(jù)，如智能電表測量的能耗數(shù)據(jù)，電力基礎設施設備的運行數(shù)據(jù)，分布在輸配電網(wǎng)絡上的傳感器數(shù)據(jù)以及氣象、地理信息等輔助數(shù)據(jù)，以及消費者所產(chǎn)生的社交媒體和能源市場數(shù)據(jù)。在數(shù)據(jù)分析方面，智能電網(wǎng)的每個領域都包含許多挑戰(zhàn)和機遇，其中，最大的挑戰(zhàn)是滿足廣大消費者的需求，提高其對電力行業(yè)的滿意度。在服務提供商領域，來自智能電表、傳感器和電源管理單元(PMU)的數(shù)據(jù)可用于估計能源價格和消費者行為，它使供應商能夠捕獲能源需求和價格之間的相互依賴性，從而加強決策過程。收集到的數(shù)據(jù)可用于設計和實施需求側能源管理策略，根據(jù)隨時間變化的電價和公用事業(yè)公司的其他付款激勵，促進消費能源消耗情況的變化。這些數(shù)據(jù)還可用于需求響應機制，以最大限度地減少用電賬單和改變峰值負荷需求，最大限度地降低電網(wǎng)運行成本，最大限度地減少能源損失和溫室氣體排放。但由于目前傳統(tǒng)電力行業(yè)的局限性，對于用戶的用電需求未能進行有效且合理的規(guī)劃，因此，為更好地滿足用戶用電需求，優(yōu)化資源調配，本文提出一種基于遺傳算法的智能電網(wǎng)調度方法(Genetic-demand Side Management Algorithm， G-DSM)來規(guī)劃用戶的用電需求。

2 G-DSM算法原理

2.1 問題描述

需求側管理(Demand Side Management, DSM)是智慧電網(wǎng)中管理能源的重要特征。電力需求側管理的目標是有效利用現(xiàn)有的電網(wǎng)產(chǎn)能，提高電力系統(tǒng)的經(jīng)濟性[18]。對于電網(wǎng)的負荷調度問題通?？梢员幻枋鰹橐粋€最小化問題[19]。由于電力市場的間歇性，可以假設實時定價(Real-Time Pricing, RTP)信號的變化是以1 h為基礎，其值在1 h內是恒定的。最終目標是最大限度地減少用戶的電費，同時降低峰均比(Peak to Average Ratio, PAR)，以提高電網(wǎng)的效率。求最小化問題的公式如下:

(1)

在公式(1)中，t代表時間間隔，a代表電器數(shù)量，b表示電器種類；xab(t)代表a臺b型號的電器在t時間內的開關狀態(tài)(即運行狀態(tài))；Eab(t)代表a臺b型號電器在t時間內的總能耗；EP(t)代表t時刻的電價。

公式(1)中的最大用電消耗范圍可以用公式(2)表示：

(2)

其中，L(t)表示在t時刻的最大供電電力。公式(2)代表著在時間段t電力消耗的能量小于PAR的最大限制。在現(xiàn)實中，設備存在延時使用的情況，會因為各種因素超出預期使用時間長，進入下一個供電時間段，所以每個設備允許的最大延時使用可以用公式(3)表示：

mb=24-lb

(3)

在公式(3)中，mb表示每臺b類電器最大允許延遲使用時間，lb表示每臺電器的運行時長，即操作時間。

(4)

公式(4)表示a臺b類電器能否在額外時間進行工作。其中，Yab表示b類電器可操控的數(shù)量共有a臺。當Yab=0時，表示a臺b類電器可以在運行時間結束后進行其他安排。當Yab>0時，代表a臺b類電器不能在它的運行時間結束后再做進一步的安排。由實際情況可知，在時間段t中，更替的a臺b類電器的數(shù)量不能大于實際可控電器的數(shù)量。此外，參與調度的電器數(shù)量不能為負，即DSM控制器僅調度可控電器，而不是系統(tǒng)中的所有電器。最終的電力的需求關系可以用公式(5)表示。

(5)

其中，Ctab代表可轉移的b類a臺電器的數(shù)量，數(shù)量A(t)表示在時間段t中的可控電器的數(shù)量集合。

2.2 G-DSM算法實現(xiàn)

G-DSM算法的主要目的是為了對智慧電網(wǎng)中屬于不同能耗級別的大量可控制電器進行管理。每種類型的負荷都有不同的功耗模式和不同的運行時長，因此，設計方案應能解決所有這些錯綜復雜的關系。然而，目前許多常用于調度的算法，如LP、OSR以及動態(tài)規(guī)劃等，由于其復雜性，這些算法無法處理電網(wǎng)中大量的設備。遺傳算法提供了給定問題的近似最優(yōu)解，它具有解決這類復雜問題的潛力，因此本文使用遺傳算法來改進調度算法，提出G-DSM算法來解決成本優(yōu)化問題。

首先，應用程序請求DSM控制器獲得連接權限,然后，DSM控制器對每個時隙中的設備進行累積處理，最后，通過求解最小化問題給出一個完整的模式。G-DSM算法開始執(zhí)行時，當設備向DSM控制器發(fā)送請求時，它將根據(jù)預先執(zhí)行的G-DSM算法的結果采取相應的行動。

在G-DSM算法中，染色體模式代表解。在調度過程中，染色體(chromosome)被認為是一個代表電器開關狀態(tài)的位數(shù)組。因此，染色體的長度取決于可控裝置的數(shù)量，具體用公式(6)表示。

Lengthofchromosome=N

(6)

其中，N是每個區(qū)域中可控制的負載數(shù)。在評估適應度函數(shù)后，染色體群會有一個隨機初始化的過程。在這種情況下，使用適應度函數(shù)的評估利用公式(1)來完成。

G-DSM算法的具體流程如圖2所示。

圖2 G-DSM算法主要流程

在每一次迭代中，通過交叉和變異產(chǎn)生新的染色體群體。本文中主要采用單點交叉和二值變異。算法的收斂性取決于交叉率和變異率。較大的交叉率意味著較快的收斂速度，較大的變異率意味著較優(yōu)解的丟失，導致算法過早收斂。有時，在遺傳算法的早期就發(fā)現(xiàn)了近似最優(yōu)解，但由于交叉和變異而使得近似最優(yōu)解丟失。對于該問題的最好解決辦法是從數(shù)量上進行統(tǒng)計。精英主義(Elitism)被用來記住這個解決方案，并將其代代相傳。在現(xiàn)有種群的基礎上，采用基于錦標賽的選擇方法形成新的種群，當滿足生成條件時，算法終止。具體G-DSM算法如下：

算法1G-DSM的調度算法

輸入：電器數(shù)量

輸出：G-DSM算法調度結果

初始化t=0

隨機初始化代表不同模式電器的種群的數(shù)量

Whilet<24:

利用公式(1)計算適合性

從滿足約束條件的最佳種群中選擇模式,這個模式即為染色體，代表解。

檢查染色體中的所有設備狀態(tài),

Ifxab=1,la=la-1

Fork=1 to種群規(guī)模

選擇隨機的2對染色體

IfPc>rand1

交叉這對

End

IfPm>rand2

通過變異選擇下一代(迭代)

End

End

End

t=t+1

End

在算法中Pc代表交叉率，意味著個體交叉產(chǎn)生的后代個數(shù)與總個數(shù)的比值，雖然較大的交叉率代表著得到最優(yōu)解的概率大，但是會增加運算開銷。所以一般Pc取值為0.6～1。Pm代表變異率，表示種群中突變的基因占總基因的百分比。如果突變率太小，則無法對基因進行篩選，如果突變率太大，則好的基因會出現(xiàn)丟失。所以Pm值的范圍是0.005～0.01。

3 實驗與結果

3.1 實驗部署

本文數(shù)據(jù)分析平臺使用了Apache Spark工具。相對于目前主流的數(shù)據(jù)分析平臺，Apache Spark的運算速度更快。相對于Hadoop，Spark的運行速度是其的100倍，并且更適合解決迭代問題[20-23]。與Hadoop和其他數(shù)據(jù)分析工具相比，Spark是一款輕量級軟件。Spark在獨立和群集模式下工作。Apache-Spark支持諸如Ntfs、Ext、Hadoop等分布式文件系統(tǒng)，與其他大數(shù)據(jù)處理工具相比，處理時間和處理所需的內存都非常少。Apache Spark支持的編程語言有Java、Scala、Python SQL和R等。本文主要使用Java編程語言對算法進行了實現(xiàn)。

3.2 實驗結果

將算法應用于濟南市甸新佳園和平里4號樓的用電需求調度管理中。該棟樓一共有8種不同類型的1000多臺不同額定功率的可控基本家用電器。一般來說，居民區(qū)負荷具有低功耗和小占空比的特點。不同類型的家用電器及其額定功率見表1。

表1 居民區(qū)的可控設備

實時定價數(shù)據(jù)如圖3所示。

圖3 實時電力定價圖

通過智慧電網(wǎng)使用G-DSM算法進行調度的運行結果與未施行G-DSM算法結果對比如圖4～圖6所示。

圖4 規(guī)劃前和規(guī)劃后和平里4號樓每天電力消耗對比圖

圖5 規(guī)劃前和規(guī)劃后和平里4號樓每天用電花費

圖6 規(guī)劃前后住宅區(qū)域能耗對比圖

通過實驗結果可知，所提出的G-DSM方案能夠有效地管理所選區(qū)域內的大量可控負載。該算法通過改變負載來最小化成本和峰均比，家庭用戶可以在價格較低時安排其最大負荷。從圖4中可以清楚地看出，居民樓的峰值負荷從98.8 kWh降至91 kWh，峰值負荷降低了約7.96%。圖5中，用戶通過適當?shù)呢摵烧{度，將每日電費降至最低，電費從每天1367元減少到每天1269元，每天電費減少了約7.13%。

一般來說，住宅區(qū)有大量的可控電器，圖6顯示了將G-DSM算法應用擴大到整個小區(qū)(共10棟樓)的調度結果，并與算法應用前的情況進行了對比。從圖中可以看到，通過G-DSM算法，整個規(guī)劃后的一天用電消耗的差有明顯的下降，并且一天中的用電消耗較為平均。因此，針對RTP信號，居民區(qū)域用電負荷得到了有效的管理。

4 結束語

本文研究了DSM在新興智慧電網(wǎng)中的應用效果及其對消費者行為的影響。目前，通過適當?shù)膬?yōu)化算法和技術來實現(xiàn)最優(yōu)的負荷調度已經(jīng)成為人們關注的焦點。在研究工作中，本文利用遺傳算法提出了多種類型可控電器的G-DSM算法，將負荷調度問題定義為成本最小化問題，并用遺傳算法求解，實驗結果表明，G-DSM可使?jié)系樾录褕@和平里4號樓住戶有效地利用電力能源，并且減少了用電開銷費用。整個G-DSM算法可以運用于整個智慧電網(wǎng)，尤其是在配電網(wǎng)絡中，通過降低峰值負荷需求，提高了配電網(wǎng)的容量和可靠性。該策略非常適用于未來的智慧電網(wǎng)。