基于分布式控制模型的自动化系统多时间尺度优化调度

李爱超，王 霞，张 景

（河北科技学院 智能制造工程学院，保定 071000）

0 引言

由于各地电力需求的增长，现有的电力线路容量有限，难以完全供给城市内所有的电力需求。且由于家用电器、电动汽车等电子产品数量的增加，直流电负荷不断地增加带来了大量的电力损耗成本。另外，现有的可再生能源大量接入配电网，其供电效应的不确定性对电力调度自动化系统造成了巨大的压力。传统的电力调度自动化系统已经难以规划当前的电力网络，电力调度与电力需求严重不符现象直接导致电能质量下降等问题[1]。在电网自动化调度系统面临挑战的同时，相关的研究人员正在研究解决问题的方法。其中，计及需求响应的多时间尺度优化调度方法可以较好地保证电力的有效调度。基于自适应步长ADMM的多时间尺度优化调度方法，建立了日间电力自动化调度的目标函数，并设置了约束条件。然而这些方法只能在整体电力调度过程中保证调度结果的准确性，在分布式的电力网络中无法有效调度子系统的各项参数，同时也难以保证不同电力节点的任务分配均匀性。因此，本文基于分布式控制模型，设计了一个自动化系统多时间尺度优化调度方法，并通过实验验证了多种时间尺度下该调度方法的可行性与优越性。

1 基于分布式控制模型设计自动化系统多时间尺度优化调度方法

1.1 自动化系统负荷值预测

电力自动化调度系统的核心点就在于对多时间尺度负荷的预测，在日内实施调度计划时，可以根据功率的变化，实时调整整个自动化系统的紧张状态，并在后续的负荷反弹过程中直接控制负荷管理中心。假设自动化系统在某时间段内所需功率负荷的容量为，则该段负荷容量的实际负荷功率可以表示如式(1)所示。

式(3)中，π(h，d)表示目标h个目标d之间的距离函数；πi(h，d)表示第i个目标函数下二者的距离；表示该目标函数的最大值；表示该目标函数的最小值。由此可以在无穷大的边界下定义拥挤距离的非边界模型，为了避免预测模型因过早收敛得到局部最优的解，可以在目标重组的过程中设定各个元素的支配向量[2]。此时可以直接通过计算电力自动化系统负荷值中的期望系数，来计算每个目标的自适应参数在分类对抗的过程中，可以得到计算公式如式(4)所示。

式(4)中，hp表示电力自动化系统在时间p的预测负荷值；gj表示稀疏区域内的搜索最优解。通过式(4)，计算自动化系统内的预测负荷值，并据此设计调度优化方法。

1.2 设计基于分布式控制模型的优化调度方法

为解决不同信息在电力系统内的冲击与拥塞现象，并保证分布式控制模型的调度完整性，需要对其进行优化调度，合理地提高网络性能，同时建立相关的控制模型。通过多时间尺度标准，以自动化系统的动态实时特征为中心，基于实时调度确定系统运行的同步方案。在此基础上，可以将分布式控制模型的调度层次大致地区分为任务分配和任务调度两个等级，在任务分配时，需要严格规定所有任务节点的执行标准，在任务调度时，需要在执行之前准确判断所有任务的执行方法[3]。任务分配时，应代入任务分配算法的规则，保证分配到的任务在节点能力范围之内，不能分配超出节点能力范围的任务。分布式任务调度的结构模型如图1所示。

图1 分配式调度控制模型结构示意图

首先需要将电力调度任务导入到任务分配起中，在分配任务结构时，需要首先读取所有原始任务集，并使用任务分配器将加权处理的队列全部分配到各个节点中，此时每个节点的能力需要大于各节点分配的任务量。在分配任务的过程中，主要通过任务调度算法自外向内输入，每一个任务分配器都由i个队列组成，其可以表示为(h1，h2，L，hi)。任务自分配器进入节点后，需要通过权值属性的高低计算个节点的能力大小，并以此处理队列任务的分配工作。此时，需要保证在多时间尺度内建立一个滚动的功率平衡，该平衡的表达式如式(5)所示。

式(5)中，tq表示日前阶段的电力分配任务；th表示在日中各阶段中的电力分配情况；Pi，h1表示在日间某个阶段节点i的输出功率；表示w时刻电能输入的平均值；Fd表示系统在第d次修正时的预测值。如此，在多时间尺度的优化调度过程中，各节点就会有一种相互独立的趋势，即节点能力大小不一，且每一个节点的能力都会在任务管理器中明确地表示出来[4]。调度算法分配了每一个节点在每一个阶段的任务，只有完成任务才能够在CPU中获取相对应的执行权限。如果根据贫富相对平均的原则，可以将权值相对较小的任务队列分配到权值属性相对较高的节点中，保证高权值的节点在相对条件下自动减少自身权值属性，从而达到负载平衡。

1.3 建立电力自动化系统调度优化函数模型

1.3.1 目标函数

在自动化电力调度系统中，日间优化模型是一种随机的变量，不仅需要考虑用电单位的用电量，还需要结合多种目标函数值，对其进行约束分析。假设用电单位的用电量在概率空间中是一种随机的模糊变量，则该模型可以满足：

式(6)中，ϖ(f)表示任意随机变量f的可测函数，所有的f均属于概率空间的参数；u(f)表示模糊变量的不确定性优化系数；pi表示一个机会测度的约束值。在该模糊随机变量的模型中，想要解决用电量的不确定性，可以得到一个随机机会的约束目标函数如式(7)所示。

式(8)中，pt表示电力运行负荷的预测值；Ha表示电能在发电设施内部损耗的日间运行负荷；Hb表示在电网中损耗的负荷指标；Hc表示在供电过程中损耗的负荷指标；Hu表示负荷平移指标；hg表示g个子系统的负荷功率。通过式(8)，可以建立一个自动化电力调度系统的日间预测函数。

1.3.2 约束条件

在当前的优化调度目标函数中，还需要设置大量的约束条件，以保证其在各个电力子系统中运行的稳定性。因此该目标函数需要在电能子系统的平移负荷中设置约束条件，在功率平衡中设置约束条件，并在电压平衡中设置约束条件。在平移负荷的约束中，可以在某个时间段内将电能子系统的最大供电效应作为负荷的最大值，如式(9)所示。

式(9)中，Pi(t)表示t时刻时i个子系统的供电能力；Pi，max表示i个子系统在所有时间刻度上最大供电负荷指标。可以以此建立不同时段的网损功率，其计算公式如式(10)所示。

式(10)中，Klo(t)表示t时刻内能源系统功率平衡的约束式；K2h(t)和G2h(t)分别表示t时段内电力子系统h的有功功率与无功功率；U2h(t)表示电力自动化调度系统的电压水平[5]。结合以上公式，在配电网的自动化调度系统中保证各个负荷节点的电压值，并满足所有支路电路的电压需求，可以得到约束表达式如式(11)所示。

式(11)中，Umin和Umax分别表示该时段内电压波动的最小值和最大值；Ui(t)表示t时刻 i 节点电压的负荷值。在以上公式下，可以将当前的自动化电力调度系统日间优化模型转化为非线性的优化模型，依据此时的函数模型，可以直接实现自动化系统多时间尺度的优化调度。

2 实验设计

文中设计了一种基于分布式控制模型的自动化系统多时间尺度优化调度方法，为证明该调度方法在保证电力自动化系统稳定性的情况下，所需调整容量更少，其调度方法最佳，将其与已有的计及需求侧响应的调度方法、基于自适应步长的调度优化方法进行对比，通过调度出力调整值判断三种方法的优劣。

2.1 电力自动化调度系统预测

在该系统框架中，以电能母线作为所有电力能量的汇集点，连接若干个电力子系统，将储能系统作为调度的能源支撑点，通过分布式控制模型实现各子系统之间的供能与用能互补。在实验中，采用某城市的实地电力数据，在此基础上等比例缩小，并将经典的10机系统以及1个电网系统组成该测试算例。通常情况下，进行预测的时间间隔越短，则电力自动化系统预测到结果越准确，在该预测结果下得到的调度方法就越好。在多时间尺度的协调优化调度下，可以将整个时间系统分为三类，分别是日内12h调度、日内1h调度、日内15min调度、日内1min调度。分别将三类时间系统划分为100个时段，可以得到不同时间尺度下电力自动化调度系统的电能出力预测曲线以及实测值如图2所示。

图2 电能处理功率预测值及实测值

在图2中，日内1min的电力自动化系统出力功率预测值最接近出力功率的实测值，其预测偏差约为3.74%，日内15min、日内1h、日内12h三类时间尺度的电力自动化调度系统出力功率的预测值相对实测值的预测偏差分别为6.74%、10.56%、12.37%。由此可见，在不同时间尺度的对比中，时间源越短，预测值越接近实测值。由于不同时间尺度的预测精度相差较大，其所得到的调整值也必然有很大的差距，因此在调整电力自动化系统调度方案的过程中，应将不同的时间源分别计算。

2.2 系统优化调度调整值对比

通过系统优化调度调整值的计算，可以判断不同算法的调度优化程度，进而得到三种方法的对比结果。系统优化调度调整值计算公式如式(12)所示。

式(12)中，Wf表示不同时间尺度下系统优化调度的调整值；ηi，m表示单位系统的出力调整功率，其中i表示电力机组的序号，m表示调整值的偏差系数；ΔPh表示机组满负荷运行时最后一次滚动调整的出力值；PL，t表示t时刻第L个负荷尺度的短期预测偏差。基于式(12)可以分别计算四种不同时间尺度下三种优化调度方法的调整值，并得到数据结果如图3所示。

图3 系统优化调度调整值

根据图3中的数据可知，在日内12h调度中，分布式控制模型的计划调整平均值为4.76MW，计及需求侧响应方法以及基于自适应步长的调度方法调整平均值为10.35MW和12.11MW。日内1h调度中，三种调度优化方法的计划平均调整量分别为3.06MW、8.02MW和7.19MW。日内15min的调度过程中，计划调整的平均值为2.54MW、6.22MW、4.69MW。日内1min的调整平均值为1.77MW、3.84MW、3.79MW。在以上数据中，时间尺度间隔越长，系统优化调度调整值就越高。且基于分布式控制模型的优化调度方法明显优于计及需求侧响应的优化调度方法和基于自适应步长的优化调度方法。

3 结语

基于分布式控制模型的自动化系统多时间尺度优化调度方法，不但优化了负荷值的预测算法，还同步控制各目标在不同节点中的调度结果，并据此设置目标函数与约束条件。最后设计对比实验，验证了该优化调度方法的优越性，其调整值在不同的时间尺度下均小于其他对比方法。通过该调度优化方法，可以更好地完善电力自动化系统的调度机制，对实现逐级消除电力自动化系统的功率偏差、提高电能质量以及完善安全运行机制均具备极大的促进作用。在保证了电力自动化系统运行的稳定性之后，便可以在保持经济稳定运行的同时，使优化调度方法更贴合实际，保证调度方法对每一个不同场景的适应性。