吳海偉,王曉忠,朱法順

(1.國(guó)網(wǎng)江蘇省電力有限公司，江蘇 南京 211106; 2.國(guó)網(wǎng)南京南瑞集團(tuán)公司(國(guó)網(wǎng)電力科學(xué)研究院)，江蘇 南京 211106；3.國(guó)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(gè)概念作為能源電網(wǎng)的現(xiàn)代化機(jī)制，近些年已經(jīng)頻繁出現(xiàn)在傳統(tǒng)電力行業(yè)的各個(gè)角落[1-4]。在智慧電網(wǎng)中，傳感器、計(jì)算機(jī)和通信網(wǎng)絡(luò)被整合到發(fā)電、輸電、配電和負(fù)載元件等傳統(tǒng)電力行業(yè)組成元素中[5-7]。這種機(jī)制能夠收集各種信息，控制發(fā)電量和需求，甚至可以預(yù)測(cè)能源消耗。例如，智能電表被放置在用電負(fù)載單元上(如家庭、辦公樓)時(shí)，可用于收集非常精細(xì)的實(shí)時(shí)需求數(shù)據(jù)，并幫助系統(tǒng)運(yùn)營(yíng)商通過(guò)地理或時(shí)間維度來(lái)估計(jì)未來(lái)的用電需求[8-10]。對(duì)負(fù)載行為的評(píng)估可以與生成的數(shù)據(jù)信息結(jié)合起來(lái)，從而實(shí)現(xiàn)在更高階的需求場(chǎng)景下的需求響應(yīng)策略。從這個(gè)方面來(lái)看，智慧電網(wǎng)升級(jí)了現(xiàn)有電網(wǎng)，使現(xiàn)有基礎(chǔ)設(shè)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(luò)勢(shì)必會(huì)帶來(lái)一系列的問(wèn)題，由于必須從電網(wǎng)中收集大量數(shù)據(jù)，所以需要相應(yīng)的大數(shù)據(jù)技術(shù)來(lái)對(duì)這些信息進(jìn)行管理[13-14]。此外，大量元素需要利用并行處理技術(shù)來(lái)進(jìn)行跟蹤，這就導(dǎo)致了冗余的增加，所以需要對(duì)系統(tǒng)分析進(jìn)行優(yōu)化[15]。

1 智慧電網(wǎng)的組成及數(shù)據(jù)來(lái)源

智慧電網(wǎng)是利用信息技術(shù)和通信技術(shù)對(duì)電網(wǎng)發(fā)電、配電和消耗進(jìn)行優(yōu)化。智慧電網(wǎng)體系結(jié)構(gòu)由3個(gè)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(gòu)是確保智慧電網(wǎng)功能完善的必要條件。未來(lái)智慧電網(wǎng)的設(shè)計(jì)和分析需要對(duì)電網(wǎng)拓?fù)浣Y(jié)構(gòu)和大數(shù)據(jù)綜合網(wǎng)絡(luò)控制的影響，以及物理層與網(wǎng)絡(luò)層之間復(fù)雜的交互進(jìn)行基礎(chǔ)性的洞察，其中包括支持通信、信息、網(wǎng)絡(luò)以及計(jì)算系統(tǒng)等。智慧電網(wǎng)結(jié)構(gòu)可以表示為一個(gè)分層結(jié)構(gòu)，主要包括：電力系統(tǒng)層、通信層以及信息架構(gòu)層，其中作為數(shù)據(jù)來(lái)源，信息架構(gòu)層具有非常重大的研究?jī)r(jià)值[16]。

1.1 信息架構(gòu)層

智慧電網(wǎng)之間的通信對(duì)于確保電網(wǎng)的靈活性、可擴(kuò)展性、可靠和高效性是非常重要的。圖1展示了整個(gè)智慧電網(wǎng)的信息架構(gòu)，從圖中可知，信息架構(gòu)主要分為市場(chǎng)、生產(chǎn)、傳輸、配電、消費(fèi)者幾個(gè)部分。在每個(gè)部分中，又可以細(xì)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(yīng)用、電子商務(wù)/互聯(lián)網(wǎng)、分布式發(fā)電等。在每個(gè)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(gòu)

從圖1及文獻(xiàn)[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(jí)計(jì)量基礎(chǔ)設(shè)施(AMI)、計(jì)量數(shù)據(jù)管理系統(tǒng)(MDMS)、需求響應(yīng)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(gè)網(wǎng)絡(luò)中的主要系統(tǒng)，因?yàn)樗鼈兣c其他的系統(tǒng)互相交互，以保證對(duì)電網(wǎng)與消費(fèi)者的滿意度整體視野。AMI系統(tǒng)處理來(lái)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(lǐng)域收集數(shù)據(jù)，然后使用它來(lái)管理電網(wǎng)基礎(chǔ)設(shè)施。

1.2 數(shù)據(jù)來(lái)源

智慧電網(wǎng)中的數(shù)據(jù)來(lái)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(cè)量的能耗數(shù)據(jù)，電力基礎(chǔ)設(shè)施設(shè)備的運(yùn)行數(shù)據(jù)，分布在輸配電網(wǎng)絡(luò)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(fèi)者所產(chǎn)生的社交媒體和能源市場(chǎng)數(shù)據(jù)。在數(shù)據(jù)分析方面，智能電網(wǎng)的每個(gè)領(lǐng)域都包含許多挑戰(zhàn)和機(jī)遇，其中，最大的挑戰(zhàn)是滿足廣大消費(fèi)者的需求，提高其對(duì)電力行業(yè)的滿意度。在服務(wù)提供商領(lǐng)域，來(lái)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(jì)能源價(jià)格和消費(fèi)者行為，它使供應(yīng)商能夠捕獲能源需求和價(jià)格之間的相互依賴性，從而加強(qiáng)決策過(guò)程。收集到的數(shù)據(jù)可用于設(shè)計(jì)和實(shí)施需求側(cè)能源管理策略，根據(jù)隨時(shí)間變化的電價(jià)和公用事業(yè)公司的其他付款激勵(lì)，促進(jìn)消費(fèi)能源消耗情況的變化。這些數(shù)據(jù)還可用于需求響應(yīng)機(jī)制，以最大限度地減少用電賬單和改變峰值負(fù)荷需求，最大限度地降低電網(wǎng)運(yùn)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(duì)于用戶的用電需求未能進(jìn)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(diào)配，本文提出一種基于遺傳算法的智能電網(wǎng)調(diào)度方法(Genetic-demand Side Management Algorithm， G-DSM)來(lái)規(guī)劃用戶的用電需求。

2 G-DSM算法原理

2.1 問(wèn)題描述

需求側(cè)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(cè)管理的目標(biāo)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(jì)性[18]。對(duì)于電網(wǎng)的負(fù)荷調(diào)度問(wèn)題通?？梢员幻枋鰹橐粋€(gè)最小化問(wèn)題[19]。由于電力市場(chǎng)的間歇性，可以假設(shè)實(shí)時(shí)定價(jià)(Real-Time Pricing, RTP)信號(hào)的變化是以1 h為基礎(chǔ)，其值在1 h內(nèi)是恒定的。最終目標(biāo)是最大限度地減少用戶的電費(fèi)，同時(shí)降低峰均比(Peak to Average Ratio, PAR)，以提高電網(wǎng)的效率。求最小化問(wèn)題的公式如下:

(1)

在公式(1)中，t代表時(shí)間間隔，a代表電器數(shù)量，b表示電器種類；xab(t)代表a臺(tái)b型號(hào)的電器在t時(shí)間內(nèi)的開關(guān)狀態(tài)(即運(yùn)行狀態(tài))；Eab(t)代表a臺(tái)b型號(hào)電器在t時(shí)間內(nèi)的總能耗；EP(t)代表t時(shí)刻的電價(jià)。

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(shí)刻的最大供電電力。公式(2)代表著在時(shí)間段t電力消耗的能量小于PAR的最大限制。在現(xiàn)實(shí)中，設(shè)備存在延時(shí)使用的情況，會(huì)因?yàn)楦鞣N因素超出預(yù)期使用時(shí)間長(zhǎng)，進(jìn)入下一個(gè)供電時(shí)間段，所以每個(gè)設(shè)備允許的最大延時(shí)使用可以用公式(3)表示：

mb=24-lb

(3)

在公式(3)中，mb表示每臺(tái)b類電器最大允許延遲使用時(shí)間，lb表示每臺(tái)電器的運(yùn)行時(shí)長(zhǎng)，即操作時(shí)間。

(4)

公式(4)表示a臺(tái)b類電器能否在額外時(shí)間進(jìn)行工作。其中，Yab表示b類電器可操控的數(shù)量共有a臺(tái)。當(dāng)Yab=0時(shí)，表示a臺(tái)b類電器可以在運(yùn)行時(shí)間結(jié)束后進(jìn)行其他安排。當(dāng)Yab>0時(shí)，代表a臺(tái)b類電器不能在它的運(yùn)行時(shí)間結(jié)束后再做進(jìn)一步的安排。由實(shí)際情況可知，在時(shí)間段t中，更替的a臺(tái)b類電器的數(shù)量不能大于實(shí)際可控電器的數(shù)量。此外，參與調(diào)度的電器數(shù)量不能為負(fù)，即DSM控制器僅調(diào)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(guān)系可以用公式(5)表示。

(5)

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

2.2 G-DSM算法實(shí)現(xiàn)

G-DSM算法的主要目的是為了對(duì)智慧電網(wǎng)中屬于不同能耗級(jí)別的大量可控制電器進(jìn)行管理。每種類型的負(fù)荷都有不同的功耗模式和不同的運(yùn)行時(shí)長(zhǎng)，因此，設(shè)計(jì)方案應(yīng)能解決所有這些錯(cuò)綜復(fù)雜的關(guān)系。然而，目前許多常用于調(diào)度的算法，如LP、OSR以及動(dòng)態(tài)規(guī)劃等，由于其復(fù)雜性，這些算法無(wú)法處理電網(wǎng)中大量的設(shè)備。遺傳算法提供了給定問(wèn)題的近似最優(yōu)解，它具有解決這類復(fù)雜問(wèn)題的潛力，因此本文使用遺傳算法來(lái)改進(jìn)調(diào)度算法，提出G-DSM算法來(lái)解決成本優(yōu)化問(wèn)題。

首先，應(yīng)用程序請(qǐng)求DSM控制器獲得連接權(quán)限,然后，DSM控制器對(duì)每個(gè)時(shí)隙中的設(shè)備進(jìn)行累積處理，最后，通過(guò)求解最小化問(wèn)題給出一個(gè)完整的模式。G-DSM算法開始執(zhí)行時(shí)，當(dāng)設(shè)備向DSM控制器發(fā)送請(qǐng)求時(shí)，它將根據(jù)預(yù)先執(zhí)行的G-DSM算法的結(jié)果采取相應(yīng)的行動(dòng)。

在G-DSM算法中，染色體模式代表解。在調(diào)度過(guò)程中，染色體(chromosome)被認(rèn)為是一個(gè)代表電器開關(guān)狀態(tài)的位數(shù)組。因此，染色體的長(zhǎng)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(gè)區(qū)域中可控制的負(fù)載數(shù)。在評(píng)估適應(yīng)度函數(shù)后，染色體群會(huì)有一個(gè)隨機(jī)初始化的過(guò)程。在這種情況下，使用適應(yīng)度函數(shù)的評(píng)估利用公式(1)來(lái)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(guò)交叉和變異產(chǎn)生新的染色體群體。本文中主要采用單點(diǎn)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(dǎo)致算法過(guò)早收斂。有時(shí)，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(duì)于該問(wèn)題的最好解決辦法是從數(shù)量上進(jìn)行統(tǒng)計(jì)。精英主義(Elitism)被用來(lái)記住這個(gè)解決方案，并將其代代相傳。在現(xiàn)有種群的基礎(chǔ)上，采用基于錦標(biāo)賽的選擇方法形成新的種群，當(dāng)滿足生成條件時(shí)，算法終止。具體G-DSM算法如下：

算法1G-DSM的調(diào)度算法

輸入：電器數(shù)量

輸出：G-DSM算法調(diào)度結(jié)果

初始化t=0

隨機(jī)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(jì)算適合性

從滿足約束條件的最佳種群中選擇模式,這個(gè)模式即為染色體，代表解。

檢查染色體中的所有設(shè)備狀態(tài),

Ifxab=1,la=la-1

Fork=1 to種群規(guī)模

選擇隨機(jī)的2對(duì)染色體

IfPc>rand1

交叉這對(duì)

End

IfPm>rand2

通過(guò)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(gè)體交叉產(chǎn)生的后代個(gè)數(shù)與總個(gè)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(huì)增加運(yùn)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(wú)法對(duì)基因進(jìn)行篩選，如果突變率太大，則好的基因會(huì)出現(xiàn)丟失。所以Pm值的范圍是0.005～0.01。

3 實(shí)驗(yàn)與結(jié)果

3.1 實(shí)驗(yàn)部署

本文數(shù)據(jù)分析平臺(tái)使用了Apache Spark工具。相對(duì)于目前主流的數(shù)據(jù)分析平臺(tái)，Apache Spark的運(yùn)算速度更快。相對(duì)于Hadoop，Spark的運(yùn)行速度是其的100倍，并且更適合解決迭代問(wèn)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(jí)軟件。Spark在獨(dú)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(shí)間和處理所需的內(nèi)存都非常少。Apache Spark支持的編程語(yǔ)言有Java、Scala、Python SQL和R等。本文主要使用Java編程語(yǔ)言對(duì)算法進(jìn)行了實(shí)現(xiàn)。

3.2 實(shí)驗(yàn)結(jié)果

將算法應(yīng)用于濟(jì)南市甸新佳園和平里4號(hào)樓的用電需求調(diào)度管理中。該棟樓一共有8種不同類型的1000多臺(tái)不同額定功率的可控基本家用電器。一般來(lái)說(shuō)，居民區(qū)負(fù)荷具有低功耗和小占空比的特點(diǎn)。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(shè)備

實(shí)時(shí)定價(jià)數(shù)據(jù)如圖3所示。

圖3 實(shí)時(shí)電力定價(jià)圖

通過(guò)智慧電網(wǎng)使用G-DSM算法進(jìn)行調(diào)度的運(yùn)行結(jié)果與未施行G-DSM算法結(jié)果對(duì)比如圖4～圖6所示。

圖4 規(guī)劃前和規(guī)劃后和平里4號(hào)樓每天電力消耗對(duì)比圖

圖5 規(guī)劃前和規(guī)劃后和平里4號(hào)樓每天用電花費(fèi)

圖6 規(guī)劃前后住宅區(qū)域能耗對(duì)比圖

通過(guò)實(shí)驗(yàn)結(jié)果可知，所提出的G-DSM方案能夠有效地管理所選區(qū)域內(nèi)的大量可控負(fù)載。該算法通過(guò)改變負(fù)載來(lái)最小化成本和峰均比，家庭用戶可以在價(jià)格較低時(shí)安排其最大負(fù)荷。從圖4中可以清楚地看出，居民樓的峰值負(fù)荷從98.8 kWh降至91 kWh，峰值負(fù)荷降低了約7.96%。圖5中，用戶通過(guò)適當(dāng)?shù)呢?fù)荷調(diào)度，將每日電費(fèi)降至最低，電費(fèi)從每天1367元減少到每天1269元，每天電費(fèi)減少了約7.13%。

一般來(lái)說(shuō)，住宅區(qū)有大量的可控電器，圖6顯示了將G-DSM算法應(yīng)用擴(kuò)大到整個(gè)小區(qū)(共10棟樓)的調(diào)度結(jié)果，并與算法應(yīng)用前的情況進(jìn)行了對(duì)比。從圖中可以看到，通過(guò)G-DSM算法，整個(gè)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(duì)RTP信號(hào)，居民區(qū)域用電負(fù)荷得到了有效的管理。

4 結(jié)束語(yǔ)

本文研究了DSM在新興智慧電網(wǎng)中的應(yīng)用效果及其對(duì)消費(fèi)者行為的影響。目前，通過(guò)適當(dāng)?shù)膬?yōu)化算法和技術(shù)來(lái)實(shí)現(xiàn)最優(yōu)的負(fù)荷調(diào)度已經(jīng)成為人們關(guān)注的焦點(diǎn)。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(fù)荷調(diào)度問(wèn)題定義為成本最小化問(wèn)題，并用遺傳算法求解，實(shí)驗(yàn)結(jié)果表明，G-DSM可使?jié)系樾录褕@和平里4號(hào)樓住戶有效地利用電力能源，并且減少了用電開銷費(fèi)用。整個(gè)G-DSM算法可以運(yùn)用于整個(gè)智慧電網(wǎng)，尤其是在配電網(wǎng)絡(luò)中，通過(guò)降低峰值負(fù)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(lái)的智慧電網(wǎng)。