張建國(guó)，常 倩

(中國(guó)石油集團(tuán)電能有限公司，黑龍江 大慶 163453)

0 引 言

大數(shù)據(jù)分析技術(shù)逐漸應(yīng)用于電力系統(tǒng)，有效提升電力系統(tǒng)數(shù)據(jù)的多元性，為系統(tǒng)分析與規(guī)劃提供多元的數(shù)據(jù)基礎(chǔ)，有助于電力系統(tǒng)實(shí)現(xiàn)負(fù)荷預(yù)測(cè)和斷面控制。為此，需要對(duì)基于大數(shù)據(jù)分析技術(shù)的高精度負(fù)荷預(yù)測(cè)與智能斷面調(diào)控進(jìn)行研究。針對(duì)負(fù)荷預(yù)測(cè)，文獻(xiàn)[1]提出一種基于EMD-DA-LSSVM的短期電力負(fù)荷預(yù)測(cè)方法，文獻(xiàn)[2]提出一種并行多模型融合的混合神經(jīng)網(wǎng)絡(luò)超短期負(fù)荷預(yù)測(cè)，文獻(xiàn)[3]提出一種利用溫度信息及深度學(xué)習(xí)方法實(shí)現(xiàn)高精度電力負(fù)荷預(yù)測(cè)方法，文獻(xiàn)[4]提出一種考慮多因素的深度學(xué)習(xí)融合方法實(shí)現(xiàn)負(fù)荷預(yù)測(cè)，文獻(xiàn)[5]提出基于改進(jìn)多因素灰色模型的高耗能行業(yè)負(fù)荷預(yù)測(cè)方法；針對(duì)電網(wǎng)斷面調(diào)控策略，文獻(xiàn)[6]提出電網(wǎng)輸電斷面動(dòng)態(tài)熱穩(wěn)定限值在線計(jì)算方法，文獻(xiàn)[7]針對(duì)考慮電網(wǎng)靜態(tài)安全的輸電線路動(dòng)態(tài)增容系統(tǒng)進(jìn)行了分析，文獻(xiàn)[8]提出一種特高壓交直流接入后電網(wǎng)斷面潮流綜合評(píng)價(jià)方法，文獻(xiàn)[9]針對(duì)考慮日內(nèi)來水不確定和電網(wǎng)斷面約束的梯級(jí)水電日前調(diào)度進(jìn)行了分析，文獻(xiàn)[10]提出一種區(qū)域電網(wǎng)內(nèi)多輸電斷面有功協(xié)同控制策略在線生成方法?？梢?，目前高精度負(fù)荷預(yù)測(cè)主要是指短期負(fù)荷預(yù)測(cè)，已有利用深度融合等數(shù)據(jù)分析技術(shù)進(jìn)行研究的內(nèi)容，而針對(duì)斷面調(diào)控策略，大多文獻(xiàn)主要研究斷面約束，具體的斷面調(diào)控策略與系統(tǒng)運(yùn)行特性還需進(jìn)一步分析。

因此，針對(duì)系統(tǒng)數(shù)據(jù)特點(diǎn)，分析基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短期記憶結(jié)構(gòu)，制定基于長(zhǎng)短期記憶高精度預(yù)測(cè)流程；針對(duì)互聯(lián)系統(tǒng)聯(lián)絡(luò)線功率交換進(jìn)行分析，提出智能斷面控制策略，建立考慮聯(lián)絡(luò)線功率的調(diào)度模型。

1 高精度負(fù)荷預(yù)測(cè)與電網(wǎng)智能斷面調(diào)控

電網(wǎng)斷面調(diào)控是對(duì)電力調(diào)度定義的斷面進(jìn)行負(fù)荷、出力以及全網(wǎng)潮流控制的方法。由于斷面控制與電力系統(tǒng)潮流控制密切相關(guān)，而電力系統(tǒng)潮流對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)需要通過潮流計(jì)算得到。因此，負(fù)荷預(yù)測(cè)的精度影響著潮流斷面的調(diào)控方式。

現(xiàn)階段，可再生能源以及隨機(jī)性負(fù)荷不斷接入電網(wǎng)，電網(wǎng)的負(fù)荷波動(dòng)程度逐漸加大，并且隨著負(fù)荷的逐漸增長(zhǎng)，負(fù)荷預(yù)測(cè)水平也亟需提高。在電網(wǎng)智能斷電調(diào)控方面，負(fù)荷預(yù)測(cè)與機(jī)組出力的安排計(jì)劃密切相關(guān)，電網(wǎng)智能斷面調(diào)控反映了電力系統(tǒng)斷面的穩(wěn)定程度以及潮流控制方法，因此，實(shí)現(xiàn)負(fù)荷高精度預(yù)測(cè)有助于提升電網(wǎng)調(diào)控的可靠性和智能化水平。在電力系統(tǒng)調(diào)度管理領(lǐng)域，斷面調(diào)控也是針對(duì)負(fù)荷預(yù)測(cè)以及機(jī)組出力安排條件下的優(yōu)化問題，輸入條件精度越高，優(yōu)化結(jié)果也會(huì)更佳。

2 負(fù)荷預(yù)測(cè)方法

2.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短期記憶

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)是一種特殊的神經(jīng)網(wǎng)絡(luò)，能夠與個(gè)體層之間的反饋結(jié)構(gòu)進(jìn)行連接。循環(huán)神經(jīng)網(wǎng)絡(luò)能夠在序列中對(duì)所有的元素進(jìn)行同樣操作，因此，能夠?qū)崿F(xiàn)與非循環(huán)神經(jīng)網(wǎng)絡(luò)之間的時(shí)間序列特征互補(bǔ)，從而不依賴于輸入數(shù)據(jù)之間的關(guān)系。

如圖1所示，A為RNN神經(jīng)元，xt為t時(shí)刻序列輸入，ht為神經(jīng)元輸出，同時(shí)也是t+1時(shí)刻的輸入。循環(huán)神經(jīng)網(wǎng)絡(luò)擁有記憶功能，是依靠前一神經(jīng)元的輸出確定的。利用循環(huán)函數(shù)f可以計(jì)算時(shí)間序列的輸出，表達(dá)式如下：

ht=f(ht-1,xt)

(1)

圖1 長(zhǎng)短期記憶示意圖

循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度消失問題，即在后向傳播過程中，誤差逐漸變小，導(dǎo)致靠前的網(wǎng)絡(luò)層學(xué)習(xí)效率逐漸降低。因此，利用長(zhǎng)短期記憶可以有效克服這一問題，將神經(jīng)元狀態(tài)引入循環(huán)神經(jīng)元。在長(zhǎng)短期記憶中，需要加入神經(jīng)元狀態(tài)和三種門，如圖2所示。長(zhǎng)短期記憶的輸出如式(2)～(7)所示。

ft=σ(Wf[ht-1,xt]+bf)

(2)

it=σ(Wi[ht-1,xt]+bi)

(3)

ot=σ(Wo[ht-1,xt]+bo)

(4)

(5)

(6)

ht=ot·tanhCt

(7)

圖2 循環(huán)神經(jīng)網(wǎng)絡(luò)示意圖

為實(shí)現(xiàn)電力負(fù)荷的高精度預(yù)測(cè)，利用所提方法預(yù)測(cè)需要識(shí)別影響負(fù)荷預(yù)測(cè)的主要因素,如氣象條件、社會(huì)政策等。這些因素與負(fù)荷統(tǒng)計(jì)具有非線性關(guān)系，因此很難全面考慮這些因素對(duì)負(fù)荷預(yù)測(cè)的影響。同時(shí)，負(fù)荷有著很強(qiáng)的時(shí)間特性，每日、每周、每月的特性可能出現(xiàn)差異，負(fù)荷預(yù)測(cè)應(yīng)當(dāng)反映這些特點(diǎn)，基于長(zhǎng)短期記憶的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法能夠有效解決上述問題，反映負(fù)荷波動(dòng)以及相應(yīng)因素之間的影響結(jié)果。所提方法的輸出可以作為下一日的小時(shí)負(fù)荷輸入。

小時(shí)負(fù)荷有著明顯的周期性，這與用戶的用電行為習(xí)慣有關(guān)。一方面，所提方法需要利用歷史負(fù)荷作為輸入，以反映負(fù)荷的變動(dòng)趨勢(shì)，在利用歷史數(shù)據(jù)之前，需要對(duì)負(fù)荷進(jìn)行時(shí)間序列分析，從而預(yù)測(cè)負(fù)荷變動(dòng)趨勢(shì)、負(fù)荷特性以及異常狀況；另一方面，溫度的變化對(duì)于用電負(fù)荷的特性也有明顯的影響，人類的活動(dòng)與溫度的變化密切相關(guān)，因此電力負(fù)荷與溫度之間的關(guān)系也呈現(xiàn)明顯的周期變化特點(diǎn)。

2.2 高精度負(fù)荷預(yù)測(cè)方法

利用大數(shù)據(jù)預(yù)測(cè)方法，結(jié)合所提的深度神經(jīng)網(wǎng)絡(luò)，將數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，測(cè)試數(shù)據(jù)則用于測(cè)試訓(xùn)練結(jié)果，并實(shí)現(xiàn)預(yù)測(cè)日的負(fù)荷輸出。基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)對(duì)于訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)來說是相似的。因此將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)輸入作為目標(biāo)值，所提方法使用負(fù)荷的具體特征進(jìn)行輸入。神經(jīng)網(wǎng)絡(luò)需要利用相應(yīng)的層次進(jìn)行對(duì)比訓(xùn)練。訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)包括兩種輸入、歷史數(shù)據(jù)及預(yù)測(cè)數(shù)據(jù)。文中歷史數(shù)據(jù)意味著用于負(fù)荷預(yù)測(cè)的最新輸出數(shù)據(jù)，包括前一日數(shù)據(jù)、前一周數(shù)據(jù)、小時(shí)溫度、平均負(fù)荷等。預(yù)測(cè)數(shù)據(jù)主要是預(yù)測(cè)日的數(shù)據(jù)，包括時(shí)間、預(yù)測(cè)溫度、預(yù)測(cè)的平均負(fù)荷等。

選擇合適的神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中抽取相應(yīng)的特征，并對(duì)數(shù)據(jù)之間的關(guān)系進(jìn)行學(xué)習(xí)。負(fù)荷預(yù)測(cè)流程。如圖3所示，長(zhǎng)短期記憶用于從歷史數(shù)據(jù)中抽取特征，除了歷史數(shù)據(jù)，預(yù)測(cè)數(shù)據(jù)也需要引入神經(jīng)網(wǎng)絡(luò)。所提方法能夠有效利用大數(shù)據(jù)所提供的歷史數(shù)據(jù)以及預(yù)測(cè)信息，對(duì)預(yù)測(cè)負(fù)荷進(jìn)行計(jì)算所有來自神經(jīng)網(wǎng)絡(luò)和全連接層的輸出。

歷史數(shù)據(jù)中，D為日數(shù)據(jù)，H為小時(shí)數(shù)據(jù)，T為溫度數(shù)據(jù)，L為負(fù)荷，AL為平均數(shù)據(jù)；預(yù)測(cè)數(shù)據(jù)中，PD為預(yù)測(cè)日數(shù)據(jù)，PH為預(yù)測(cè)時(shí)間數(shù)據(jù)，PT為預(yù)測(cè)溫度，F(xiàn)L為預(yù)測(cè)負(fù)荷。最終輸出層和目標(biāo)值之間相差均方誤差，并需要將該誤差控制在指定范圍。

圖3 負(fù)荷預(yù)測(cè)流程

3 智能斷面控制方法

3.1 聯(lián)絡(luò)線功率

自動(dòng)發(fā)電控制是聯(lián)絡(luò)系統(tǒng)間功率控制的重要過程，也是用于平衡系統(tǒng)之間有功出力、負(fù)荷以及網(wǎng)損的重要方法。自動(dòng)發(fā)電控制能夠保證聯(lián)絡(luò)系統(tǒng)之間頻率的穩(wěn)定以及功率交換的穩(wěn)定，因此也被稱為聯(lián)絡(luò)線偏差控制。聯(lián)絡(luò)線功率交換示意圖如圖4所示。

圖4 聯(lián)絡(luò)線功率交換示意圖

自動(dòng)發(fā)電控制利用比例積分控制，相應(yīng)的自動(dòng)發(fā)電控制參數(shù)是電力系統(tǒng)設(shè)計(jì)中的重要內(nèi)容。每一區(qū)域的自動(dòng)發(fā)電控制需要將系統(tǒng)頻率保持在額定值。另外，區(qū)域1的自動(dòng)發(fā)電控制能夠基于區(qū)域2的PMU(power management unit, 電源管理單元)量測(cè)信息對(duì)聯(lián)絡(luò)線功率進(jìn)行調(diào)節(jié)[11]。理想狀態(tài)下，聯(lián)絡(luò)線的功率(areacontrol error, ACE)等于0。計(jì)算式如下。

ACE=ΔP1-2-λ·Δf

(9)

式中：Δf為頻率偏差；ΔP1-2為聯(lián)絡(luò)線功率偏差；λ為偏差因子。

某地區(qū)典型的功率偏差曲線如圖5所示。

圖5 頻率偏差曲線

自動(dòng)發(fā)電控制能夠以每秒為間隔調(diào)整系統(tǒng)之間的機(jī)組處理，自動(dòng)發(fā)電控制的響應(yīng)時(shí)間之和與全系統(tǒng)相比大于該間隔。也就是說，在時(shí)間t時(shí)刻自動(dòng)發(fā)電控制的輸入能夠在一個(gè)時(shí)間間隔之后提供相應(yīng)的改變量。該時(shí)間延遲也就是自動(dòng)發(fā)電控制的響應(yīng)時(shí)間，聯(lián)絡(luò)線的參考功率會(huì)隨著區(qū)域內(nèi)機(jī)組的發(fā)電量進(jìn)行動(dòng)態(tài)調(diào)整，聯(lián)絡(luò)線功率不考慮這個(gè)時(shí)延。因此，聯(lián)絡(luò)線功率的偏差可以進(jìn)行最小化優(yōu)化。

3.2 考慮聯(lián)絡(luò)線功率的調(diào)度控制模型

以系統(tǒng)發(fā)電機(jī)組成本最小為目標(biāo)，建立相應(yīng)斷面控制模型。

(9)

|dijsin[eij(Pij,min-Pij)]|

(10)

式中：aij,t，bij,t，cij,t為機(jī)組i的成本系數(shù)；dij，eij為區(qū)域j火力機(jī)組i的燃料消耗系數(shù)；Pij,t為區(qū)域j機(jī)組i在t時(shí)刻的出力；f為目標(biāo)函數(shù)；F為成本函數(shù)。

1)機(jī)組出力限值

Pij,min≤Pij,t≤Pij,max

(11)

式中：Pij,min和Pij,max分別為區(qū)域j機(jī)組i有功出力下限和上限。

2)聯(lián)絡(luò)線功率限值

PTjk,min≤PTjk,t≤PTjk,max

(12)

式中：PTjk,t為區(qū)域j和k的聯(lián)絡(luò)線功率；PTjk,min和PTjk,max為傳輸功率下限和上限。

3)區(qū)域功率平衡約束

(13)

式中：PL為傳輸網(wǎng)損；PDj為區(qū)域j的負(fù)荷需求。

4)網(wǎng)損約束

(14)

式中：Bij、B0j、B00為輸電線路網(wǎng)損系數(shù)。

3.3 斷面控制方法

由上述內(nèi)容可知，ACE是反映電網(wǎng)負(fù)荷與發(fā)電之間偏差的指標(biāo)。ACE等于0是電網(wǎng)理想狀態(tài)，表明發(fā)電與負(fù)荷平衡；當(dāng)ACE為正數(shù)時(shí)，表明發(fā)電過多，此時(shí)需下調(diào)發(fā)電出力；當(dāng)ACE為負(fù)數(shù)時(shí)，表明負(fù)荷增大，此時(shí)需上調(diào)發(fā)電出力。

而在對(duì)聯(lián)絡(luò)線偏差進(jìn)行調(diào)節(jié)時(shí)，必然會(huì)對(duì)機(jī)組、負(fù)荷相關(guān)的斷面有功產(chǎn)生影響，為了保證各網(wǎng)架斷面在安全限值內(nèi)運(yùn)行，因此，在進(jìn)行聯(lián)絡(luò)線調(diào)節(jié)時(shí)需兼顧斷面的安全，當(dāng)斷面越限時(shí)，斷面下關(guān)聯(lián)的機(jī)組將優(yōu)先對(duì)斷面進(jìn)行調(diào)節(jié)，保障斷面的安全運(yùn)行。

智能斷面調(diào)控是在聯(lián)絡(luò)線功率控制基礎(chǔ)上，將斷面的越限情況作為功率分配的參考，實(shí)現(xiàn)剩余調(diào)節(jié)功率?？刂七^程中，根據(jù)斷面有功和設(shè)定的斷面限值將斷面分為正常區(qū)、幫助區(qū)、緊急區(qū)和越限區(qū)。斷面在正常區(qū)時(shí)，機(jī)組跟蹤ACE進(jìn)行調(diào)節(jié)，不受斷面影響。而在越限區(qū)，需要計(jì)算斷面越限調(diào)節(jié)量，將斷面下可參與調(diào)節(jié)的機(jī)組按負(fù)荷率進(jìn)行排序，如果斷面越正向限值，排序靠前的機(jī)組依次下調(diào)一個(gè)步長(zhǎng)，直到斷面有功恢復(fù)到限值內(nèi)；如果斷面越反向限值，排序靠后的機(jī)組依次上調(diào)一個(gè)步長(zhǎng)，直到斷面有功恢復(fù)到限值內(nèi)。

斷面既包括電網(wǎng)實(shí)際斷面，也包括調(diào)度定義的虛擬斷面，如全網(wǎng)機(jī)組總出力、各區(qū)域總出力等。在進(jìn)行斷面控制時(shí)，需要先計(jì)算出控制斷面的控制偏差，該控制偏差為斷面輸出潮流限值與斷面實(shí)際潮流值，并留有一定的穩(wěn)定裕度。

聯(lián)絡(luò)線控制功能模塊自動(dòng)將斷面控制偏差按照給定的機(jī)組功率分配策略分配給各個(gè)參與調(diào)整的區(qū)域，參與斷面控制分配得到的分配量對(duì)參與調(diào)整區(qū)域電量按原計(jì)劃進(jìn)行修正得到控制目標(biāo)后，再將其發(fā)送至各個(gè)子系統(tǒng)。

斷面調(diào)節(jié)功率分配算法流程如圖6所示。各層次的斷面的優(yōu)化搜索過程類似，因此采用遞歸算法將復(fù)雜的多級(jí)優(yōu)化問題層層轉(zhuǎn)化為一個(gè)與原問題相似的規(guī)模較小的問題來求解。

圖6 斷面控制流程圖

4 算例分析

4.1 負(fù)荷預(yù)測(cè)

為說明所提方法的有效性，將所提長(zhǎng)短期記憶預(yù)測(cè)方法與短期負(fù)荷預(yù)測(cè)方法進(jìn)行對(duì)比。將某地區(qū)3日24 h負(fù)荷作為歷史數(shù)據(jù)進(jìn)行輸入。

定義負(fù)荷預(yù)測(cè)誤差[12]如下式：

(15)

式中：Lm,t為時(shí)間t的負(fù)荷量測(cè)值；Lf,t為時(shí)間t的負(fù)荷預(yù)測(cè)值；n為時(shí)間步長(zhǎng)。

日內(nèi)平均負(fù)荷誤差結(jié)果見表1。與短期負(fù)荷預(yù)測(cè)方法相比，所提方法的誤差更?。欢唐谪?fù)荷預(yù)測(cè)中，后兩日的負(fù)荷是根據(jù)之前三日的負(fù)荷進(jìn)行預(yù)測(cè)的，因此傳統(tǒng)短期預(yù)測(cè)方法不能反映相鄰日之間負(fù)荷的相關(guān)性；而所提方法利用相鄰日的數(shù)據(jù)進(jìn)行輸入，彌補(bǔ)了傳統(tǒng)方法的不足。

4.2 聯(lián)絡(luò)線功率控制

采用兩區(qū)域6機(jī)進(jìn)行仿真，考慮含有聯(lián)絡(luò)線控制和不含聯(lián)絡(luò)線控制兩種情況進(jìn)行分析。含有聯(lián)絡(luò)線控制的功率求解結(jié)果見表2。

表1 日內(nèi)平均負(fù)荷誤差結(jié)果

表2 考慮聯(lián)絡(luò)線功率求解結(jié)果

采用同樣的方法，對(duì)不含有聯(lián)絡(luò)線控制約束的模型進(jìn)行仿真分析，功率求解結(jié)果見表3。

表3 不考慮聯(lián)絡(luò)線功率求解結(jié)果

可以看出，對(duì)于含有聯(lián)絡(luò)線功率控制的模型，機(jī)組的出力更加保守、成本更低，考慮到聯(lián)絡(luò)線功率之間的交換，雖然存在一定誤差，但可以實(shí)現(xiàn)不同區(qū)域之間機(jī)組功率的協(xié)調(diào)匹配;而沒有含聯(lián)絡(luò)線功率控制的模型求解，功率結(jié)果偏大，成本也較高。

5 結(jié) 語

利用所提方法進(jìn)行負(fù)荷預(yù)測(cè)與電網(wǎng)智能斷面調(diào)控仿真，通過仿真試驗(yàn)得到如下結(jié)論。

1)長(zhǎng)短期記憶負(fù)荷預(yù)測(cè)能夠有效利用數(shù)據(jù)的歷史，反映歷史數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)之間的相關(guān)性，彌補(bǔ)了傳統(tǒng)方法的不足，預(yù)測(cè)精度更高；

2)聯(lián)絡(luò)線斷面預(yù)測(cè)模型利用機(jī)組最優(yōu)控制策略，能夠確定機(jī)組出力、聯(lián)絡(luò)線功率，實(shí)現(xiàn)機(jī)組出力和區(qū)域控制偏差的最優(yōu)結(jié)果，有效控制了系統(tǒng)成本。