配电物联网架构下基于深度学习的电压控制方法.pdf

ElectricalAutomationPowerSystem&Automation电力系统及其自动化电气自动化2 0 2 3年第45卷第4期配电物联网架构下基于深度学习的电压控制方法付建锋，李国强，聂琪鹤，杨其，张京川，杨文（北京智芯微电子科技有限公司，北京10 0 19 2）摘要：针对配电网受到源端光伏出力和负荷需求随机性波动而影响电压稳定性的问题，提出一种配电物联网架构下基于深度学习的电压控制方法。首先将配电网划分若干个子区域，并在云端部署长短期记忆网络对光伏出力与用户负荷需求进行预测。然后，基于云端下发的功率预测不确定集，提出在子区域内部署边缘计算设备，对日前节点电压参考值进行下垂控制。算例结果表明，提出的方法在保证各节点电压不越限的前提下将调控成本降低了52.0 2%。关键词：长短期记忆网络；电压控制；配电物联网；下垂控制；功率预测D01:10.3969/j.issn.1000-3886.2023.04.003中图分类号TM72文献标志码A文章编号10 0 0-38 8 6（2 0 2 3）0 4-0 0 0 7-0 3Voltage Control Method Based on Deep Learning underthe Architecture of Power Distribution Internet of ThingsFu Jianfeng,Li Guoqiang,Nie Qihe,Yang Qi,Zhang Jingchuan,Yang Wen(Bejing Smartchip Microelectronics Technology Co.,Ltd.,Beijing 100192,China)Abstract:Aiming at the problem that the voltage stability of the distribution network was affected by the random fluctuations of the photovoltaicoutput and load demand at the source end,a voltage control method based on deep learning under the architecture of the distributionInternet of Things was proposed.The distribution network was divided into several sub-regions,and a long short-term memory networkwas deployed in the cloud to predict the photovoltaic output and user load demand.Then,based on the uncertainty set of powerprediction issued by the cloud,it was proposed to deploy edge computing equipment in sub-regions to control the droop of the day-ahead node voltage reference value.The calculation example results show that the proposed method reduces the control cost by52.02%on the premise that the voltage of each node does not exceed the limit.Keywords:long short-term memory network;voltage control;power distribution Internet of Things;droop control;power prediction0引言随着我国“碳达峰、碳中和”战略目标的提出，提升以光伏（p h o t o v o l t a i c,PV）为代表的新能源发电系统以及电动汽车等新型负荷在电力系统中的占比成为必然趋势。然而，新能源出力间歇性与负荷波动将导致配电网电压越限问题。因此，需要在精准预测功率出力与需求的基础上，保证配电网电压波动在允许范围内。对于负荷预测，文献2 提出基于线性回归的短期负荷预测方法，但异常值对预测精度有很大影响。文献3提出基于深度信念网络的负荷预测方法，但存在泛化能力较差的缺点。对于电压控制，文献4提出多时间尺度趋优控制方法，通过构建随机优化调度模型，获取光伏（photovoltaics,PV）逆变器有功削减与无功输出参考值。文献5采用样本均值近似方法将电压越限概率约束转化为确定性约束，然而两种方案均难以保证小概率场景下的配电网可靠运行。近年来，随着云计算与边缘计算在配电系统中的逐步应用，形成了云-管-边-端新型配电物联网架构，利用边缘计算提供辅助计算支撑和本地化决策控制，与主站侧的云计算进行协同配合，可显著提升配电网的运行灵活性与可靠性。为定稿日期：2 0 2 2-0 1-2 8基金项目：国家电网有限公司科技项目资助（540 0-2 0 19 18 145A-0-0-00)此，在配电物联网架构下，提出了日前-日内两阶段的配电网电压控制策略。1配电物联网下的电压控制总体方案如图1所示，所提配电物联网架构下的配电网电压控制方案包含：云端长短期记忆（longshort-termmemory，LST M）网络功率预测模块，采用输入数据时序信息的LSTM网络解决传统基于反馈机制神经网络存在的梯度爆炸与梯度消失问题，利用天气和时节等数据特征作为输入量，实现对本区域内光伏出力与负荷需求的预测；边端日前调度模块，考虑到云计算中心已承担了功率预测等多项复杂任务，引人了“分解-协调”的日前分布式优化策略，将配电网划分成多个子区域，各个子区域于边缘控制中心进行区域内调控，在获取优化决策的过程中，相邻子区域间进行信息交互，保证决策的全局最优性。2云端LSTM功率预测新能源出力与负荷需求一般以15min为采样间隔，因此一天中的配电网功率预测时间段的数量为9 6。设样本数据的原始输人数据X=x,n=1,2，,N,N为特征数量，特征量包含上一时段功率值、温度、工作日/休息日和季节等。如图2 所示，LSTM是深度学习的一种，其通过引人输入门、遗门和输出门机制将时间序列历史状态引人下一时段的预测过程中。8ElectricalAutomationPowerSystem&Automation电气自动化2 0 2 3年第45卷第4期电力系统及其自动化云端控制中心功率预测结果下发信息交互1111边缘计算设备1边缘计算设备2111边界11子网a子网b7各子区域解耦基于虚拟负荷的构建方法形成增广子网，各增广子网独立进行电压控制P,QlujP+igP,QiluiPiQkKVV虚拟负荷V1增广子网a增广子网b图1配电物联网架构下电压控制框图输出，tanhhtanh输入图2LSTM 结构图2 中：C,、C,-1分别为当前时刻和上一时刻的记忆单元;h,、h,-1分别为当前时刻和上一时刻的隐含单元；i为当前时刻的输人门;f.为遗忘门；o，为输出门；Xnm为第t天第m时间段的n个特征量取值（其他以此类推）。LSTM网络状态更新如下：C,=f,C,-1+i,C,C,=tanh/W,h-1,Xm(t-1)+b。1f,=o/W,hr-1,Xmm+b,li,=g/W,hi-1,Xm+b,1(1)o,=g/W,ht-1,Xnm+b,h,=o,tanh(C,)11+e-(a)式中：WW、W.、W。分别为记忆单元、遗忘门、输人门和输出门的权重;b。b,、b;、b。为对应的偏置系数;（x）为sigmoid函数。由于LSTM采用了sigmoid函数（即函数）作为激励，将（，+）的输人映射到了0，1区间内，从而等效为确定了LSTM中每个单元间的权重系数。换言之，当权重系数为0 时，则该单元所有信息都将被舍弃，不输入至与之相连的其他单元；当权重为1时，则该单元所有信息都将完全保留并输人至与之相连的其他单元；而权重为（0，1）时则仅存在部分的信息交换。因此，LSTM记忆单元保存相邻两个时刻的所有状态信息，输入门决定当前时刻的信息进入记忆单元的比重，遗忘门将上一时刻记忆单元信息的一部分丢弃，剩余部分则更新到当前时刻，输出门则确定当前信息有多少传递至隐含单元并参与下一次状态更新。最终的预测结果输出om（即第t天内第m时间段的预测结果）为权重矩阵W、偏置矩阵b和关联强度的高维非线性函数，即0m(W,b,8):(W,b,8)-0mt(2)3边端日前一日内电压控制3.1日前模型建立与求解考虑到在云端进行功率预测已占用大量云计算数据中心的资源，且随着配电网规模扩大、新能源并网点增多，云端计算与存储压力将越来越大。为此，引人了分布式日前优化策略，将原始的配电网分解成多个子区域，在各个子区域部署边缘控制中心，于各个子区域进行内部调控。在获取优化决策的过程中，相邻子区域间进行信息交互，保证决策的全局趋优能力。如图1所示a和b分别为子区域的编号，a,beG,G为子区域编号集。为保证分布式计算的快速收敛，采用包含虚拟负荷的边界条件构建方法。对于子区域a而言，其与子区域b之间的边界条件为xa.b=（V,V,Pg，Q,，l g,，Q ）。对于子区域b而言，其对应子区域a之间的边界条件为xb.a=（V，Vj,Pj，Q，l g,Pi，Qk）。其中：V、V为边界节点上的节点电压幅值；P、Q 和I,分别为边界支路ii上的有功功率、无功功率和电流；Pb、Q 分别为区域b对区域a等效的虚拟负荷有功功率和无功功率；Pk、Q i 分别为支路j、h 上的有功功率和无功功率。不同于现有方法仅考虑全局各节点电压偏差的最小化，本文在日前调控阶段进一步考虑各区域间功率交互带来的调控成本。以区域a为例，选择目标函数如下：min(3)QPVaECV(4)VtETeEB式中：J.为a区域的均方误差；QPV为调度周期内的PV无功出力；Ga为与区域a相邻的区域集合V为理想电压；c,为边界功率交互成本系数；T为调度时刻集合;B。为区域a内的节点集合;e为节点e电压平方。基于预测的电压控制模型为一个二次优化问题，采用交替向量乘子法进行求解，将边界条件一致性约束式进行松驰，构建求解函数L，为：La=E(J)+a.b.(xa.b-.,)+号(5)2E式中：xa.b为辅助变量;入a,b.，为对偶变量;p为罚函数;E（）为数学期望；u为由PV有功功率和负荷需求构成的不确定变量。3.2日内下垂控制为保证在功率预测偏差过大的小概率极端场景下配电网仍9ElectricalAutomationPowerSystem&Automation电力系统及其自动化电气自动化2 0 2 3年第45卷第4期能安全可靠运行，日内PV依据日前优化所产生的下垂控制参数与日内电压量测值进行无功功率的实时调整6。在日前安排的调度开始时刻，局部控制中心会向各PV发送控制信号，实时运行中各PV逆变器根据本地电压量测值进行控制。PV,maxVAVmaxe,te,tPVAVminmax(6)Vee,te,te,tSete/,minAVmine.te,t式中：Q为节点e的PV在t时刻的无功功率；Q、Q w 分别为节点e的PV在t时刻无功功率的上限和下限；Ve，为日内实际电压;V为日前计划调度在节点e的电压幅值；AVAV分别为下垂控制电压变化下限与上限；s。为节点e的电压幅值对无功功率的灵敏度；Wa为区域a的下垂增益。所述的下垂控制曲线如图3所示。4算例验证与结果分析为验证本文所提方法的有效性与可行性，使用某地市电网100个工作日的日负荷与PV出力数据集进行预测模型训练与测试，其中6 0 日数据作为训练集合，剩余40 日作为测试集合。算法实现的硬件环境为：Inteli5-3230MCPU2.60Hz，运行内存16GB，软件平台为Python3.7.3，选择IEEE33节点系统作为仿真算例。对比算法为基于样本均值近似的随机优化方法和基于不确定集处理的鲁棒优化方法。图4为配电网全天内各节点电压的平均电压偏差情况。表1为不同方法下配电网节点电压偏(%)/赠甲03691215182124273033节点编号（a）本文所提方法（%）/美王甲4.04.003691215182124273033节点编号（b）随机优化方法（%）/王甲4.02.02.04.003691215182124273033节点编号（c）鲁棒优化方法图4各节点电压平均偏差PV,maxO.YAVmiVVeV,min图3分散式Q-V下垂控制表1不同控制方法性能指标电压偏差电压偏差方法调控成本/万元绝对值均值/(%）均方差/(%）本文方法12.6113.970.535随机优化5.917.421.115鲁棒优化23.3826.492.595差绝对值均值、均方差以及调控成本。从图4可知：采用随机优化方法的节点电压偏差波动为三种方法中最小；鲁棒优化方法的节点电压偏差波动为三种方法中最大。结合表1可知：与随机优化方法相比，所提方法的电压偏差绝对值均值以及均方差分别上升了2.13倍和1.8 8 倍；与鲁棒优化方法相比，本文所提方法的电压偏差绝对值均值以及均方差则分别下降了46.0 7%和47.2 6%。由于本文所提方法在保证各节点电压不越限的前提下进一步关注了调控成本的最小化，与其他两种方案相比，本文提出的方法在保证较低的电压波形情况下将调控成本降低了52.0 2%。5结束语本文提出了一种基于配电物联网架构的日前日内两阶段无功电压控制策略，在云端控制中心部署基于LSTM的功率预测模块对全网功率进行预测，在边端通过日前最优运行点设定以及日内实时下垂校正实现区域内电压调控。算例结果表明，所提方法具备更经济的运行成本，对“双碳”背景下以新能源为主体的新型电力系统电压控制的推广实施具有重要意义。参考文献：1 GUTIERREZ-LACOS L,OCHOA L.OPF-based CVR operation in PV-rich MV-LV distribution networksJJ.IEEE Transactions on PowerSystems,2019,34(4);2778-2789.2 J MAHMUD K,AZAM S,KARIM A,et al.Machine learning based PVpower generation forecasting in alice springsJ.IEEE Access,2021,9(1):46117 46128.3陈培垠，方彦军.基于卡尔曼滤波预测节假日逐点增长率的电力系统短期负荷预测J武汉大学学报（工学版），2 0 2 0，53（2）：139-144.4许寅，李佳旭，王颖，等考虑光伏出力不确定性的园区配电网日前运行计划J.电力自动化设备，2 0 2 0，40（5）：8 5-9 4.【5胡若男，王玮，吴学智，等含智能软开关的主动配电网3阶段鲁棒电压控制方法J.高电压技术，2 0 2 0，46（11）：37 52-37 6 3.【6 徐先峰，陈雨露，王研，等.考虑多因素的深度学习融合方法实现负荷预测J.电气自动化，2 0 2 0,42（5）：6 1-6 3.【作者简介】付建锋（19 8 5一），男，陕西人，工程师，专业：物联网。李国强（19 8 7 一），男，河北人，工程师，专业：物联网。聂琪鹤（19 8 4一），男，湖北人，高级工程师，专业：物联网。杨其（19 8 2 一），男，河北人，工程师，专业：物联网。张京川（19 8 4一），男，北京人，工程师，专业：物联网。杨文（19 8 9 一），男，辽宁人，工程师，专业：物联网。