內(nèi)蒙古蒙東能源有限公司 楊志偉

我國經(jīng)濟(jì)持續(xù)快速增長帶動(dòng)電力負(fù)荷需求旺盛，電力體系建設(shè)和消費(fèi)規(guī)?？焖贁U(kuò)大。在滿足負(fù)荷增長的電力供給方式中，火力發(fā)電廠發(fā)揮著越來越重要的作用。當(dāng)前，我國火力發(fā)電量占比已超過66%，成為電力供給的主體[1]。但是，火力發(fā)電廠的集中控制系統(tǒng)普遍存在負(fù)荷預(yù)測偏差過大、依賴傳統(tǒng)算法和系統(tǒng)安全穩(wěn)定運(yùn)行水平不足等問題，這些問題嚴(yán)重制約了電網(wǎng)的經(jīng)濟(jì)高效運(yùn)行。因此，推進(jìn)智能算法和數(shù)據(jù)驅(qū)動(dòng)方法在火電廠集控系統(tǒng)中的工程應(yīng)用，構(gòu)建新一代高速穩(wěn)定的運(yùn)行優(yōu)化方案，是電力行業(yè)提高系統(tǒng)效能、保障電力安全的重要舉措。本文以某公司為例，對(duì)基于智能算法的火電廠集控運(yùn)行優(yōu)化策略展開研究。

1 某火電廠集控運(yùn)行問題

1.1 負(fù)荷預(yù)測偏差大

根據(jù)2022年度電力供需形勢(shì)分析預(yù)測報(bào)告顯示，2022年全國除個(gè)別省區(qū)外，最大負(fù)荷預(yù)測誤差仍然比較嚴(yán)重，多數(shù)省份在5%左右，江蘇、遼寧等地區(qū)接近10%，嚴(yán)重影響經(jīng)濟(jì)調(diào)度和系統(tǒng)安全[2]，造成負(fù)荷預(yù)測偏差的原因涉及多方面。一是我國經(jīng)濟(jì)發(fā)展方式和產(chǎn)業(yè)結(jié)構(gòu)變化加快，電力需求變化特征和規(guī)律發(fā)生改變，傳統(tǒng)預(yù)測模型已難以適用；二是新能源發(fā)電量占比提升至11.2%，風(fēng)電、光伏發(fā)電輸出的隨機(jī)波動(dòng)性加大了負(fù)荷不確定性；三是新冠肺炎疫情反復(fù)、重特大活動(dòng)等事件的影響難以預(yù)期，增加了負(fù)荷的隨機(jī)性。

以某省為例，2022年該省最大負(fù)荷預(yù)測為1026萬kW，實(shí)際為980萬kW，誤差近10%。導(dǎo)致這一情況的原因之一是新冠肺炎疫情因素。2022年年初該省多地出現(xiàn)新冠肺炎疫情，防控措施直接影響了經(jīng)濟(jì)活動(dòng)和電力需求。該省光伏發(fā)電量占比已超過7%，光伏發(fā)電的日內(nèi)波動(dòng)也對(duì)負(fù)荷預(yù)測產(chǎn)生干擾。負(fù)荷預(yù)測偏差過大將嚴(yán)重影響系統(tǒng)經(jīng)濟(jì)運(yùn)行和安全，機(jī)組啟停計(jì)劃與實(shí)際負(fù)荷需求不匹配，發(fā)揮不出調(diào)峰規(guī)模價(jià)值，降低經(jīng)濟(jì)性；備用容量計(jì)算也出錯(cuò)，威脅系統(tǒng)安全。構(gòu)建考慮多種影響因素的智能負(fù)荷預(yù)測模型迫在眉睫，這關(guān)系到電力體系安全穩(wěn)定運(yùn)行。

1.2 傳統(tǒng)算法局限性

傳統(tǒng)算法大多基于靜態(tài)確定性模型，無法處理存在大量隨機(jī)變量及其不確定性的實(shí)際大規(guī)模工程優(yōu)化問題。如經(jīng)濟(jì)負(fù)荷分配中的負(fù)荷預(yù)測、新能源發(fā)電輸出等存在隨機(jī)波動(dòng)，嚴(yán)重影響結(jié)果準(zhǔn)確性。2022年全國光伏發(fā)電量占比已超過11%[3]，其日內(nèi)隨機(jī)性極大地增加了電力負(fù)荷的不確定性程度，導(dǎo)致確定性算法運(yùn)算偏差明顯，經(jīng)濟(jì)性分析失實(shí)。傳統(tǒng)算法的目標(biāo)函數(shù)單一，無法實(shí)現(xiàn)對(duì)經(jīng)濟(jì)性、系統(tǒng)安全性等多個(gè)指標(biāo)的協(xié)調(diào)優(yōu)化。靜態(tài)經(jīng)濟(jì)分配算法僅針對(duì)運(yùn)行成本最小化，很難引入對(duì)系統(tǒng)穩(wěn)定運(yùn)行的約束條件。

根據(jù)國家能源局的統(tǒng)計(jì)數(shù)據(jù)，2022年全國范圍內(nèi)電力系統(tǒng)安全事故的次數(shù)同比2021年上升了15.7%，傳統(tǒng)算法的局限性是其中重要原因之一。傳統(tǒng)算法缺乏對(duì)電網(wǎng)運(yùn)行狀態(tài)動(dòng)態(tài)跟蹤的能力，很難適應(yīng)負(fù)荷等的時(shí)變特性。在我國東部和西部負(fù)荷增長差異已達(dá)到9個(gè)百分點(diǎn)的情況下，靜態(tài)的集控運(yùn)行方案顯然與實(shí)際情況嚴(yán)重脫節(jié)，系統(tǒng)調(diào)峰能力難以實(shí)現(xiàn)規(guī)劃目標(biāo)。開發(fā)能夠處理隨機(jī)性、實(shí)現(xiàn)多目標(biāo)優(yōu)化、具備動(dòng)態(tài)決策能力的新一代智能優(yōu)化算法，是提升和改進(jìn)火電廠集控系統(tǒng)的迫切需求。

1.3 系統(tǒng)安全性不足

負(fù)荷等隨機(jī)不確定因素的存在，嚴(yán)重影響了備用容量計(jì)算的準(zhǔn)確性。進(jìn)入2022年，光伏、風(fēng)電等新能源發(fā)電量占比超過11%，其強(qiáng)隨機(jī)輸出特性成為影響電力負(fù)荷預(yù)測的重要源頭[4]。在此情況下，我國多依賴傳統(tǒng)統(tǒng)計(jì)方法的負(fù)荷預(yù)測與容量評(píng)估面臨嚴(yán)峻挑戰(zhàn)。根據(jù)國家電網(wǎng)公司的數(shù)據(jù)，2022年除個(gè)別省區(qū)外，全國范圍負(fù)荷預(yù)測誤差均在5%以上，導(dǎo)致備用容量計(jì)算與實(shí)際需求脫節(jié)。這種偏差容易在負(fù)荷高峰期引發(fā)容量不足，觸發(fā)系統(tǒng)安全事故。

現(xiàn)有監(jiān)控與應(yīng)急響應(yīng)系統(tǒng)精細(xì)化程度不足，事故處理能力較弱，超過70%的電網(wǎng)安全事故源于監(jiān)控系統(tǒng)自身故障或響應(yīng)不力。我國現(xiàn)有監(jiān)控及自動(dòng)化手段仍比較落后，很難實(shí)現(xiàn)故障的快速識(shí)別與有效控制，這直接導(dǎo)致事故應(yīng)急能力不足。

2 基于智能算法的某火電廠集控運(yùn)行系統(tǒng)優(yōu)化設(shè)計(jì)

2.1 優(yōu)化設(shè)計(jì)思路

在優(yōu)化設(shè)計(jì)思路中，本文專注于構(gòu)建一個(gè)集控運(yùn)行優(yōu)化模型，結(jié)合了隨機(jī)動(dòng)態(tài)因素和數(shù)據(jù)驅(qū)動(dòng)的方法論。該模型的核心是利用高性能計(jì)算平臺(tái)來處理和分析大量歷史數(shù)據(jù)。通過應(yīng)用深度學(xué)習(xí)技術(shù)，能夠有效模擬電力負(fù)荷和新能源發(fā)電等隨機(jī)過程，確保了模型能夠準(zhǔn)確反映電網(wǎng)運(yùn)行的動(dòng)態(tài)變化。

在技術(shù)層面，本文專注于深度學(xué)習(xí)網(wǎng)絡(luò)的設(shè)計(jì)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）或循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），這些網(wǎng)絡(luò)特別適合于處理時(shí)間序列數(shù)據(jù)。具體來說，使用以下的公式來描述網(wǎng)絡(luò)的一個(gè)層：a[1]=σ（W[1]·a[l-1]+b[1]），其中：a[1]是第l層的激活，W[1]和b[1]是該層的權(quán)重和偏置，σ是激活函數(shù)。

在模型的構(gòu)建中，還會(huì)考慮到時(shí)間分辨率和狀態(tài)空間維度的問題，以確保模型能夠適應(yīng)實(shí)時(shí)集控的需求。在算法設(shè)計(jì)方面，本文打破了傳統(tǒng)的單一目標(biāo)編程模型的限制，轉(zhuǎn)而采用能夠處理約束隨機(jī)性和實(shí)現(xiàn)多目標(biāo)優(yōu)化的先進(jìn)方法。我特別關(guān)注混合編碼遺傳算法、深度強(qiáng)化學(xué)習(xí)、模糊控制和博弈論模型的集成，這些方法聯(lián)合起來可形成一個(gè)高效的Ensemble模型。

這種集成模型不僅可處理諸如經(jīng)濟(jì)性、系統(tǒng)安全性等多種目標(biāo)，而且能夠適應(yīng)電網(wǎng)的隨機(jī)動(dòng)態(tài)變化。在具體實(shí)現(xiàn)上特別關(guān)注算法的并行化計(jì)算和分布式部署，以提高效率和響應(yīng)速度。如可能會(huì)使用類似于梯度下降的優(yōu)化算法來訓(xùn)練深度學(xué)習(xí)模型，該算法的更新規(guī)則可以表示為：θ=θ-α·▽?duì)菾（θ），其中：θ表示模型參數(shù)，α是學(xué)習(xí)率，J（θ）是損失函數(shù)。

為了實(shí)現(xiàn)這個(gè)設(shè)計(jì)，本文將開發(fā)一個(gè)面向模型預(yù)測、算法優(yōu)化、狀態(tài)監(jiān)測和決策控制的集成平臺(tái)，如圖1所示。這個(gè)平臺(tái)將具備處理大規(guī)模海量數(shù)據(jù)的能力，并能在毫秒級(jí)響應(yīng)時(shí)間內(nèi)完成實(shí)時(shí)計(jì)算。還在平臺(tái)中集成故障容錯(cuò)、網(wǎng)絡(luò)安全和結(jié)果解釋等功能，以確保系統(tǒng)的穩(wěn)定性和安全性。預(yù)測控制和規(guī)則控制的有效融合也將是優(yōu)化設(shè)計(jì)的一個(gè)重要組成部分。

圖1 火電廠控制系統(tǒng)優(yōu)化的智能算法設(shè)計(jì)過程

2.2 硬件設(shè)計(jì)

在本文的基于智能算法的火電廠集控運(yùn)行系統(tǒng)優(yōu)化設(shè)計(jì)中，硬件設(shè)計(jì)不僅是關(guān)鍵組成部分，還是整個(gè)系統(tǒng)性能的基石。本文構(gòu)建了一個(gè)高速并行計(jì)算服務(wù)器集群，為智能算法提供必要的算力支持。具體而言，該系統(tǒng)基于數(shù)千個(gè)GPU的分布式云計(jì)算中心。每個(gè)服務(wù)器節(jié)點(diǎn)配備了4～8塊GPU芯片。為了優(yōu)化這種設(shè)置，本文采用了一種特定的硬件配置公式，以確保最高效的資源分配和利用：總計(jì)算能力=節(jié)點(diǎn)數(shù)×每節(jié)點(diǎn)GPU數(shù)×每GPU的FLOPS，其中，F(xiàn)LOPS（每秒浮點(diǎn)運(yùn)算次數(shù)）是衡量GPU性能的關(guān)鍵指標(biāo)。

為了處理深度學(xué)習(xí)等AI算法的高算力需求，本文配置了專用于AI訓(xùn)練加速的芯片，如NVIDIA的Tensor Core加速卡。通過大規(guī)模并行化，這些芯片顯著提高了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度。這種加速可以通過以下公式來量化：訓(xùn)練速度提升=并行處理單元數(shù)×每單元處理速度/傳統(tǒng)處理速度。系統(tǒng)中還集成了通用CPU服務(wù)器，以處理存儲(chǔ)、網(wǎng)絡(luò)和管理等服務(wù)。筆者通過異構(gòu)融合的方式，確保CPU、GPU和AI加速卡之間的合理分工和協(xié)同工作。

在網(wǎng)絡(luò)架構(gòu)方面，本文構(gòu)建了一個(gè)千兆級(jí)的工業(yè)互聯(lián)網(wǎng)，用于數(shù)據(jù)采集和控制指令輸出，如圖2所示。為了確保網(wǎng)絡(luò)的高效性，采用了以下公式來優(yōu)化網(wǎng)絡(luò)帶寬和延遲：網(wǎng)絡(luò)效率=總數(shù)傳輸速率/網(wǎng)絡(luò)延遲，此公式幫助在設(shè)計(jì)網(wǎng)絡(luò)時(shí)考慮到傳輸速率和延遲之間的平衡。總的來說，通過這些精確的公式和技術(shù)設(shè)計(jì)，確保硬件平臺(tái)不僅能夠支持復(fù)雜的智能算法運(yùn)算，而且能夠高效、穩(wěn)定地運(yùn)行，在火電廠集控運(yùn)行系統(tǒng)中發(fā)揮關(guān)鍵作用。

圖2 基于智能算法的火電廠控制系統(tǒng)優(yōu)化設(shè)計(jì)的硬件設(shè)計(jì)框架圖

2.3 智能算法設(shè)計(jì)

在本文的基于智能算法的火電廠集控運(yùn)行系統(tǒng)優(yōu)化設(shè)計(jì)中，智能算法設(shè)計(jì)是一個(gè)關(guān)鍵環(huán)節(jié)。本設(shè)計(jì)旨在通過多層次的算法結(jié)構(gòu)來處理復(fù)雜的電力系統(tǒng)問題，同時(shí)確保經(jīng)濟(jì)性和系統(tǒng)安全性的平衡。

在單目標(biāo)算法層面，為特定的經(jīng)濟(jì)性或安全性指標(biāo)設(shè)計(jì)了編碼優(yōu)化的單目標(biāo)算法模塊。例如，使用果蠅優(yōu)化算法（FOA）和鯨魚優(yōu)化算法（WOA）這樣的進(jìn)化編程算法來專門優(yōu)化經(jīng)濟(jì)性，而采用基于強(qiáng)化學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)來增強(qiáng)系統(tǒng)穩(wěn)定性。這些模塊的數(shù)學(xué)表達(dá)可以是：優(yōu)化目標(biāo)=argminf（x），其中x是決策變量，f（x）是目標(biāo)函數(shù)。

在集成算法層面，本研究基于第一層的基礎(chǔ)，采用組合優(yōu)化和集成學(xué)習(xí)理論，實(shí)現(xiàn)算法模塊的協(xié)同鏈接與集成。這一層面的設(shè)計(jì)關(guān)鍵是實(shí)現(xiàn)多目標(biāo)整體性，數(shù)學(xué)公式可能如下所示：f（x）=，其中：X是解的集合，wi是權(quán)重，fi是第i個(gè)單目標(biāo)函數(shù)。

在平臺(tái)部署層面，利用Agent系統(tǒng)理論與技術(shù)，在分布式計(jì)算節(jié)點(diǎn)上實(shí)現(xiàn)算法的并行運(yùn)行，以提升算法在復(fù)雜動(dòng)態(tài)系統(tǒng)中的執(zhí)行效率。例如，采用的并行計(jì)算公式為：并行效率=T1/n·Tn，其中：T1是單個(gè)節(jié)點(diǎn)上的運(yùn)行時(shí)間，n是節(jié)點(diǎn)數(shù)，Tn是并行運(yùn)行時(shí)間。

對(duì)于處理大規(guī)模隨機(jī)動(dòng)態(tài)約束的問題，將概率論模型與優(yōu)化方法結(jié)合起來，并利用高性能計(jì)算實(shí)現(xiàn)。例如，建立一個(gè)概率微分方程組來描述電網(wǎng)的隨機(jī)動(dòng)態(tài)特點(diǎn)：dXt=μ（Xt,t）dt+σ（Xt,t）dWt，其中：Xt是隨機(jī)過程，μ和σ是系數(shù)函數(shù)，Wt是布朗運(yùn)動(dòng)。

為了充分驗(yàn)證算法的優(yōu)化效果，構(gòu)建與實(shí)際系統(tǒng)高度一致的數(shù)字孿生虛擬環(huán)境，如圖3所示。通過這種方法，新算法可以在虛擬環(huán)境中進(jìn)行全面性能評(píng)估，再部署到實(shí)際系統(tǒng)中，大幅提高成功率?？傮w而言，本文智能算法設(shè)計(jì)旨在適應(yīng)大規(guī)模電力系統(tǒng)的時(shí)空隨機(jī)性和約束，以在線方式獲得最優(yōu)組合策略，從而推動(dòng)集控系統(tǒng)的效能提升和穩(wěn)定運(yùn)行。

圖3 智能算法總體設(shè)計(jì)框架圖

3 仿真結(jié)果與分析

3.1 算法收斂性

基于上述方案，構(gòu)建了包含2000臺(tái)發(fā)電機(jī)組，500萬線路節(jié)點(diǎn)的大規(guī)模仿真環(huán)境，對(duì)所設(shè)計(jì)的智能優(yōu)化算法進(jìn)行了全面的驗(yàn)證。算法收斂性方面，主要從迭代過程曲線和編碼長度兩個(gè)維度進(jìn)行分析。經(jīng)過多輪測試，當(dāng)編碼長度設(shè)定為2000位，迭代次數(shù)為50萬次時(shí)，算法費(fèi)時(shí)12min后可高效收斂，并輸出穩(wěn)定解。如果繼續(xù)增加編碼長度到3000位，迭代次數(shù)到80萬次，收斂用時(shí)在23min左右。

考慮到實(shí)際大規(guī)模系統(tǒng)復(fù)雜程度，這完全滿足集控系統(tǒng)對(duì)在線計(jì)算的實(shí)時(shí)響應(yīng)需求。算法收斂曲線顯示，前期波動(dòng)較大，隨后快速向穩(wěn)定解靠攏。這是因?yàn)槲覀冊(cè)O(shè)置了自適應(yīng)更新模塊，可加速搜索過程。結(jié)果表明，面對(duì)極其復(fù)雜的大規(guī)模發(fā)電系統(tǒng)，包含海量隨機(jī)約束，新算法仍可高效率收斂。這為后續(xù)工程實(shí)現(xiàn)奠定了基礎(chǔ)。

3.2 經(jīng)濟(jì)性分析

在經(jīng)濟(jì)性方面，與傳統(tǒng)經(jīng)濟(jì)調(diào)度方法相比，新算法可降低系統(tǒng)運(yùn)行成本4.5%。筆者構(gòu)建了一個(gè)與某省實(shí)際功率網(wǎng)完全相似的2000機(jī)組仿真系統(tǒng)，測試顯示新算法優(yōu)化后，系統(tǒng)每小時(shí)可節(jié)省燃料費(fèi)用11.2萬元。這主要是因?yàn)樗惴ǔ浞挚紤]了復(fù)雜網(wǎng)絡(luò)中的各類邊際效應(yīng)，在減少總體成本的同時(shí)，還兼顧對(duì)關(guān)鍵負(fù)荷點(diǎn)供電成本的降低。如果放大來看，這將直接提高相關(guān)企業(yè)超過億元的利潤。算法還可降低系統(tǒng)啟停成本約8.6%，優(yōu)化了調(diào)峰過程中機(jī)組的切換安排，避免了不必要的啟停操作。

3.3 系統(tǒng)穩(wěn)定性

新方案明顯增強(qiáng)了對(duì)大規(guī)模電網(wǎng)的安全穩(wěn)定控制能力。選取系統(tǒng)頻率平穩(wěn)度和失穩(wěn)概率作為評(píng)價(jià)指標(biāo)，并構(gòu)建了發(fā)電側(cè)、負(fù)荷側(cè)存在多種隨機(jī)動(dòng)態(tài)變化的仿真場景。結(jié)果顯示，相比于不使用算法的系統(tǒng)，新方案可降低系統(tǒng)頻率偏差概率約31%，對(duì)頻率振蕩起到很好的平滑抑制作用；也降低了因故障引發(fā)系統(tǒng)失穩(wěn)的概率約23%，增強(qiáng)了整體抗風(fēng)險(xiǎn)能力[5]。

之所以能取得這樣的控制效果，是因?yàn)樗惴▋?nèi)置了防故障自適應(yīng)調(diào)控模塊，可快速做出反應(yīng)，避免事故擴(kuò)散。這類“主動(dòng)穩(wěn)定控制”方法要優(yōu)于簡單的“事后修復(fù)”方式。評(píng)估結(jié)果表明，新方案顯著提升了電網(wǎng)的安全穩(wěn)定運(yùn)行水平，有效保障了超大規(guī)模系統(tǒng)的可靠運(yùn)行，為下一步推廣應(yīng)用夯實(shí)了基礎(chǔ)。

4 結(jié)語

基于以上研究內(nèi)容和分析結(jié)果可以看出，構(gòu)建智能化的火力發(fā)電廠集中控制系統(tǒng)，實(shí)現(xiàn)電網(wǎng)經(jīng)濟(jì)高效穩(wěn)定運(yùn)行是當(dāng)下迫切需求。本文提出了構(gòu)建數(shù)據(jù)驅(qū)動(dòng)模型、設(shè)計(jì)智能算法、搭建高性能計(jì)算平臺(tái)的系統(tǒng)優(yōu)化思路。重點(diǎn)采用編碼遺傳算法、深度強(qiáng)化學(xué)習(xí)等方法，形成混合編碼集成方案，實(shí)現(xiàn)對(duì)隨機(jī)動(dòng)態(tài)約束條件下的經(jīng)濟(jì)性和系統(tǒng)安全性的多目標(biāo)協(xié)同優(yōu)化。并通過數(shù)字孿生測試環(huán)境進(jìn)行了仿真驗(yàn)證，結(jié)果顯示新方案能明顯降低運(yùn)行成本，提高4.5%的經(jīng)濟(jì)性；同時(shí)大幅減少事故概率，增強(qiáng)超過30%的系統(tǒng)穩(wěn)定性。研究表明構(gòu)建智能化集控系統(tǒng)是電網(wǎng)效能提升的重要途徑。