一种未来电网调控策略研究

陶旭嫣，郝德荣，梁中会，张学清，梁军

（1.国网山东省电力公司烟台供电公司，山东烟台264000；2.山东大学电气工程学院，济南250061）

一种未来电网调控策略研究

陶旭嫣1，郝德荣1，梁中会1，张学清1，梁军2

（1.国网山东省电力公司烟台供电公司，山东烟台264000；2.山东大学电气工程学院，济南250061）

未来电网将广泛接入可再生能源发电等新能源电源，会出现电网潮流流向不清晰的问题，提出一种基于学习理论的未来电网调控策略模型。在未来电网全景可观测的背景下，对采集的电网运行过程信息进行挖掘，建立了未来电网的一种等值分析模型。利用现代学习理论建立具有自学习的、考虑时空关联的协调调控策略机制。最后以某实际电网运行数据为算例验证了调控策略的可行性，为未来电网的运行调控提供有益的思考。

未来电网；极端学习机；相关性分析；学习理论

0 引言

常规化石能源大量消耗，其碳排放引起的温室效应及雾霾等问题日益引起人们的重视，近年来环境污染的持续加剧，加速了人们对寻求可再生能源以替代常规能源的步伐。为了改善环境，可再生资源开发得到重视，其以分布或者集中等各种方式并入电网，引起电网架构悄然改变，由于可再生能源例如风力发电、光伏发电等具有明显的间歇性、波动性以及随机性等特点，造成大量弃风弃光，并使现有电网调控手段面临着威胁和挑战。所以，研究智能电网调控策略对于如何高效地进行可再生资源开发和利用具有重要意义。

文献［1-3］对含有风电场或同时含有风光电场的电力系统动态经济调度问题进行了研究，通过仿真验证了所提方法的有效性。文献［4-5］考虑能源环境效益的含风电场的电力系统多目标优化调度模型，以便在常规发电机组的经济性以及能源的环境经济效益之间折中取舍。以上大都是通过提高常规机组的旋转备用容量来增加电网接纳风电的能力，这有可能导致资源的浪费。文献［6］提出，为增加风电等可再生能源的消纳能力，引入电动汽车以建立多时间尺度的电动汽车—风电协同调度模型，并通过仿真验证了通过合理调度电动汽车充电可以增加电网风电的接纳能力。文献［7］为了消纳大规模风电提出了多时间尺度协调的有功调度策略，以应对可再生资源并入对电网的影响，其为增加风电等可再生资源的接纳能力提供了有效的途径。以上调度方法都是以某种或者某几种指标最优为目标，通过考虑各种约束条件以优化目标函数来得到调度方案。实际上，自然环境是存在周期性规律的，人类的社会活动也存在周期性规律，电力系统作为人类认识自然和改造自然的产物，构成电力系统的电源、负荷等各构成要素以及寓于其中的变化趋势或者调控手段（指具有主动调节能力的个体）等也必然存在周期性

规律；同时调控电网运行的管理者和决策者能应对这一周期性规律波动，并通过交互协调具有积累经验和形成规则的能力。因此，利用现代学习理论把握这种周期性规律并对电网进行调控成为可能。

在考虑传统电网调度策略的基础上，提出了一种基于学习理论的渐进学习电网调控策略，其实质是在挖掘电网运行过程化信息规律基础上，建立电网等值分析模型，依此演绎具有自学习的时空滚动且关联的渐进调控机制。

1 电网运行过程化信息挖掘和等值分析

当今电力系统量测手段日益丰富，厂站的数据采集与监控系统（SCADA）以及同步相量测量技术（PMU）引导的电网广域化系统（WAMS）日渐成型［8-9］；同时未来电网中的监测、计量手段也更富智能化，因此可实现电网运行状况的全景化观测。通过现代电网量测技术（发输电元件录波、厂站SCADA、WAMS、用户侧抄表）以各自的标准采集电网构成要素的运行状况数据，并按时间延续的过程，周期性地采集信息并存储，即全景过程化信息，该信息为电网等值分析的基础。在采集到电网全景过程化运行信息的基础上，对每个个体按照属性进行分类，如发电机组、变压器、输电线路、负荷等。视每个个体的运行周期为一个过程，对其运行状况和调控行为进行数据挖掘，建立拓扑分析下的复杂电网等值，并给出对应的过程化运行规律。以某电网的运行情况为例，即在全网实时信息数据采集的基础上，得到电网中各构成要素的数据信息，进而可得所关注节点或区域在每个时间点的注入功率信息，实际上就是在电网数据挖掘的基础上进行电网等值的分析。可分为源性等值、负荷等值和联络等值等，此处仅以源性等值进行分析。

以山东电网某年2月24日至27日实际采集的数据为算例，对采集到的电网实际运行数据进行挖掘，以得到各个时段电网支路元件的运行过程信息，以各源性节点为例，3日共72个时段部分源性节点的注入功率信息进行分析。

2 电网运行数据信息的相关性分析

由于在正常工作日每个节点的注入功率都具有较强的日相似特性，为了定量地评价这种相似性，采用相关函数来度量。

相关函数值rk是反映变量x（t，k）及其下一周期x（t，k+T）间线性相关性的函数［11］，如式（1）～（4）所示。当k取T，2T，…，mT（m为正整数）时，rk表示在不同周期的相关函数值。当相关性函数值相差不大时，可认为在一段时间内，各周期数值具有较强的相关性，且越接近于1，相关性越强。如果相关函数出现了负值，说明其不具有相关性。由于每日共24个时段，所以注入功率的周期T为24。对每个节点的注入功率进行相关性分析，计算结果如表1所示。

表1 部分节点注入功率的日周期相关性分析

从表1可以看出，各个节点在相邻的两个日周期的相关函数值均为正值，且接近于1，说明各节点的注入功率变化情况具有较强的日相似特性，这与本文假设工作日下的电网运行情况具有相似特性是一致的，因此验证了电网的运行过程确实具有日周期性规律，从而为建立渐进学习型的未来电网调控理论提供了理论基础。

3 渐进学习型的电网调控

在构建电网等值分析模型的基础上，建立具有自学习的、时空滚动且关联的调控机制。采用极端学习机（ELM）理论建立渐进学习的电网调控模型。由于支持向量机的训练为二次规划过程，文献［12］非线性输入变量从低维空间映射到高维特征空间进行某种运算，在映射的过程中会引起空间维数增加，为了降低计算规模需要采用核函数理论来简化计算，

训练复杂且占用时间较长。ELM作为一种新型的前馈神经网络，已被证明具有优良的预测性能［13-14］，其具有训练时间短，算法简单，在学习理论领域得到了广泛的应用。

3.1 ELM

极端学习机是一种新型的前馈神经网络，其表示如下［15］：

式中：xk为输入向量；Win为连接输入节点和隐层节点的输入权值；b隐含层偏置；Ok为网络输出；ω为连接隐含层与输出层的输出权值；f为隐含层激活函数，一般取为Sigmoid函数；N为样本数［18］。

在训练开始时，Win和b随机生成并保持不变，仅需训练确定输出权值ω。假设单隐层前馈网络以零误差逼近训练样本，即。

则存在Win、b和ω使式（6）成立

由于ELM在某些情况进行训练，如训练样本数小于隐层节点数等可能会导致ELM的自相关矩阵出现奇异，导致常规的伪逆算法不再适用，采用岭回归方法以求解输出权值向量［16-17］，其主要思路是：

由式（6）知可以转化为如下的优化问题

式中：C为正则项系数。

基于KKT条件可以表示为

式中：αi为Lagrange乘子。

由文献［12-18］可推得

可见，ELM与支持向量机（SVM）一样都是将原始训练数据映射到某一高维特征空间，但是ELM的特征空间是可知的而SVM是未知的，从而导致了SVM严重依赖核函数，ELM则完全独立于核函数，是一种无核机学习方法，且经过原始岭回归改进算法的训练速度比原ELM以及LSSVM训练更方便快捷，不仅不会出现自相关矩阵奇异的现象，而且具有较好的算法稳定性。

3.2 渐进学习的电网调控思路

目前传统的调度方式主要采用日前调度计划和自动发电控制（AGC）等两个尺度的调度模式［7］，由于两个时间尺度时间跨度大，已无法适应未来电网的发展要求。同时风电机组、光发电等可再生资源由于受自身运行特性和发电不确定性影响，难以像水电、火电等常规机组一样进行功率调节，而将可再生能源纳入区域电网的有功调度和控制框架［19-21］，就可以很好地实行分布与集中的调控策略。实现时空关联的渐进学习调控策略，分为空间上和时间上协调关系：空间协调是指集中调控与局部自治相协调的协调策略，实质体现的是集中与分布的关联关系；时间协调是指聚合节点在多时间尺度上进行多时间级之间的协调控制，实质体现了时域关联的关系。采用文献［7］提出的多时间尺度分级策略，即把调控分解为4个阶段：日前计划、滚动计划、实时计划以及AGC等。

日前计划。由于该时间段有充足的时间进行调度方案的制定，所以可以利用最小二乘SVM在对以前的大量历史数据进行学习的基础上，做出未来日24个时段的调度计划。其在采用式（9）做出第t+1时刻的调度计划后将其加入历史数据中，这样不断地进行回归即可得到未来24个时段的有功调度方案。

滚动计划。以日前计划为基础，60 min为周期的滚动计划也是利用极端学习机对下一时段的计划进行回归，不停修正剩余时段的日前计划，同时利用最新得到的实时数据加入到原24点的ELM进行训练，使模型总是朝着更为准确的方向改进。

实时计划。与滚动计划类似，但是以15 min为周期的计划，其以每天96点的数据进行回归学习，不停修正剩余时段的滚动计划，在得到最新的实时数据后再送入96点的极端学习机进行实时更新训练，改进模型的回归性能。

AGC。AGC主要负责校正控制。调度秒级的AGC源性聚合节点，并使频率和联络线功率满足CPS考核指标［7］，可以与实时计划不断地协调配合。

图1给出了渐进学习的时空关联电网调控策略体系，由学习理论贯穿其中，并由空间和时间两大体系构成。空间协调由集中与分布的调控构成，分布调控主要是基于就地的智能调控，而集中调控主要是

基于同步时钟的高度自动化全局调控，实质体现的是集中与分布的关联关系；而时间协调由日前计划、实时计划、滚动计划以及AGC的调控构成。空间与时间协调是交互的关系，二者共同构成了渐进学习的电网调控体系。

图1 电网调控体系

4 算例分析

以山东电网某年2月25日至27日的每个时段实时运行数据为算例检验该电网聚合调控策略的可行性。山东电网500 kV节点共25个，500节点的区域分布如图2所示。山东电网大部分负荷位于东部，而电源主要位于西部，具有典型的“西电东输”特征。其中1、6、45、46以及48号母线等均为源性节点，取46号源性节点为例来验证渐进学习的电网调控策略的可行性。

首先在电网等值分析的基础上，得到每个节点的实际注入功率。取46号源性节点的25和26日的注入功率数据对24点的ELM进行学习训练。其中输入向量维数为7，第1项为待训练时刻的全网总负荷，2～7项为待训练时刻之前6个时刻的源性节点的实际注入功率值。通过反复验证隐层节点数和正则项系数C取为240和54.2。训练完毕之后，以27日00∶00的500 kV节点总的负荷注入功率以及26日18∶00—24∶00时的山东电网46号节点注入功率为输入向量，输入到极端学习机得到27日00∶00计划功率，再把得到的功率加入到历史数据中去，不断地进行功率回归就可得到27日24个时段的日前计划功率曲线，日计划功率曲线与27日实际的发出功率曲线如图3所示。滚动计划有两种方案：一种称为原始滚动计划，即保持之前日计划训练好的ELM模型不变，分别把23日每一时段实际的注入功率加入历史数据回归得到24个时段的滚动计划；另一种称为渐进学习的滚动计划，即将每一时段实际的注入功率加入样本集之前进行KKT条件判断，如果新增实际数据满足KKT条件，说明原日计划ELM模型仍可以很好地拟合数据，不必将其送入模型训练。若不能满足KKT条件，则需将其送入原模型进行训练后再继续回归下一个时段的注入功率。两种方案的曲线如图3所示。

图2 电网节点接线示意

表2 各调度计划误差指标

图3 各调度计划曲线

从图3可以看出，从日计划曲线、原始滚动计划以及渐进学习的滚动计划曲线可以看出，滚动计划曲线明显比原始的日计划曲线更接近实际的运行情况，而且具有渐进学习调节功能的滚动计划比原始滚动计划更接近实际情况，说明了渐进学习的电网调控策略是可行的。而渐进学习的滚动计划与实际的运行误差则可由实时计划和AGC联合协调解决。3种计划曲线与实际的运行曲线的偏离程度采用绝对平均误差Emae和均方根误差Ermse进行衡量，对比结果如表2所示。从表2知，渐进学习的滚动计划与

实际值绝对平均误差和均方根误差最小，分别为3.11%和4.85%，其余的误差再由实时计划和AGC联合平滑解决。综上所述，所提出的调控策略可有效解决可再生资源接入未来电网出现的问题，可为未来电网的调控提供了新的有效的研究和解决思路。

5 结语

针对未来可再生能源发电等广泛接入电网引起电网潮流流向不清晰的问题，在考虑传统电网调度策略的基础上，提出了一种渐进学习的未来电网调控策略。其在电网全景可观测的前提下，通过对电网全景过程化运行的信息规律挖掘，进行电网等值分析的基础上建立了渐进学习的电网调控策略。其与传统电网调控手段是兼容的，并能在渐进学习中不断改进，体现了智能化，为电网的调控提供了新的有益参考。

［1］孙元章，吴俊，李国杰.基于风速预测和随机规划的含风电场电力系统动态经济调度［J］.中国电机工程学报，2009，29（4）：41-47.

［2］YANG H，LU L，ZHOU W.A novel optimization sizing model for hybrid solar wind power generation system［J］.Solar Energy，2007，81（1）：76-84.

［3］LIANG R H，LIAO Jianliao.A fuzzy-optimization approach for generation scheduling with wind and solar energy systems［J］. IEEE Trans on Power Systems，2007，22（4）：1 665-1 674.

［4］邱威，张建华，刘念.含大型风电场的环境经济调度模型与解法［J］.中国电机工程学报，2011，31（19）：8-16.

［5］陈道君，龚庆武，张茂林，等.考虑能源环境效益的含风电场多目标优化调度［J］.中国电机工程学报，2011，31（13）：10-17.

［6］于大洋，宋曙光，张波，等.区域电网电动汽车充电与风电协同调度的分析［J］.电力系统自动化，2011，35（14）：2 429.

［7］张伯明，吴文传，郑太一，等.消纳大规模风电的多时间尺度协调的有功调度系统设计［J］.电力系统自动化，2011，35（1）：1-6.

［8］刘新东，江全元，曹一家.N-1条件下不失去可观测性的PMU优化配置方法［J］.中国电机工程学报，2009，29（10）：47-51.

［9］Askounis D T，Kalfaoglou E.The Greek EMS-SCADA：From the Contractor to the User［J］.IEEE Transactions on Power Systems，2000，15（4）：1 423-1 427.

［10］梁军，贠志皓，任姝霏，等.小波变换的二抽取环节对行波测距精度的影响［J］.电力自动化设备，2006，26（10）：28-31.

［11］周云龙，张学清，孙斌.应用电导探针技术识别气液两相流流行方法及电导波动信号噪声的辨识［J］.传感技术学报，2008，21（10）：1 708-1 712.

［12］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine：Theory and application［J］.Neurocomputing，2006，70（1-3）：489-501.

［13］HUANG G B，DING X J，ZHOU H M.Optimization method based extreme learning machine for classification［J］. Neurocomputing，2010，74：155-163.

［14］HUANG G B，ZHOU H M，DING X J，et al.Extreme learning machine for regression and multiclass classification［J］.IEEE Trans.On System，Man and Cybernetics-Part B：Cybernetics，2012，42（2）：513-529

［15］袁琦，周卫东，李淑芳，等.基于ELM和近似熵的脑电信号检测方法［J］.仪器仪表学报，2012，33（3）：514-519.

［16］HOERL A E，KENNARD R W.Ridge regression：Biased esti mation for nonorthogonal problems［J］.Technometrics，1970，12（1），55-67.

［17］HUANG N E，SHEN Z，LONG S R.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［J］.Proceedings of The Royal Society Soc Lond.，1998，454（1971）：903-995.

［18］张学清，梁军，张熙，等.基于样本熵和极端学习机的超短期风电功率组合预测模型［J］.中国电机工程学报，2013，33（25）：33-40.

［19］李智，韩学山，韩力，等.地区电网风电场功率超短期预测方法［J］.电力系统自动化，2010，34（7）：90-94.

［20］LIANG R H，LIAO Jianliao.A fuzzy-optimization approach for generation scheduling with wind and solar energy systems［J］. IEEE Trans.on Power Systems，2007，22（4）：1 665-1 674.

［21］高宗和，滕贤亮，张小白.适应大规模风电接入的互联电网有功调度与控制方案［J］.电力系统自动化，2010，34（17）：37-41，96.

Study on One Control Strategy of the Future Power Grids

TAO Xuyan1，HAO Derong1，LIANG Zhonghui1，ZHANG Xueqing1，LIANG Jun2
（1.State Grid Yantai Power Supply Company，Yantai 264000，China；2.School of Electrical Engineering，Shandong University，Jinan 250061，China）

In order to solve the problem of the ambiguity on power flow caused by the wide access of renewable power，a control strategy model for future power grids based on learning theory was proposed.Under the background of the panoramic observation of the future power grid，the equivalent model of power grid was established by mining the operation process information of power grids.Thereby，the coordination mechanism of control strategy with self-learning and space time correlation was constructed by using modern learning theory.Finally，the feasibility of the proposed control strategy was identified by taking a real operation data example of power grids，which provided effective

to the running and the controlling of the future power grids.

future power grid；extreme learning machine；correlation analysis association；learning theory

TM73

A

1007－9904（2016）10－0007－05

2016-04-22

陶旭嫣（1967），女，高级工程师，主要研究方向为电力系统运行与控制；

郝德荣（1969），男，高级技师，主要研究方向为电力系统运行与控制；

梁中会（1969），男，高级工程师，主要研究方向为电力系统运行与控制；

张学清（1982），男，博士，工程师，主要研究方向为电力系统运行与控制；

梁军（1956），男，教授，博士生导师，主要研究方向为电力系统运行与控制。