基于信息熵理论的配电网多目标负荷调度模型设计

林桂辉，吴伟，徐春华，麦家怡，姚芳，刘溪桥

（广东电网有限责任公司珠海供电局，广东珠海 519000）

随着新能源的开发与用户用电能力的提升，当前电力行业正经历一场巨大变革。原本的电力工业只要求稳定、持续的供电，但是在能源转换之后，开始向着拥有更高的能量利用率、更高的经济效益并能够继续稳定电能供应的角度转变。在这样的背景下，对于配电网的电力调度就成为了热点话题。文献[1]通过详细控制电网的运行状态控制电网负荷调度，并基于此建立调度模型。文献[2]利用各种电子元件实时采集电网的运行状态信息，并在一定的计算之后得到电网参数，进而实现对电网负荷调度模型的实际控制策略。文献[3]根据上一个时间段内电网的用电情况判断其接下来一段时间内的用电需求，进而进行电网调度。以上三种常规的电网多目标负荷调度均无法准确预测用户的实际需求，从而导致对一片区域内电网的电力需求预测出现误差，进而形成电力资源的浪费。

为了避免该问题，基于信息熵理论设计了配电网多目标负荷调度模型，从而得到用户在下一段时间内用电能力的不确定性度量，进而根据该度量数值建立配电网电力负荷的数学模型并设计电力调度模型。

1 配电网多目标负荷调度模型

1.1 计算配电网多目标负荷信息熵指数

信息熵理论最早应用于通信系统的研究中，其核心在于使用定量的方式度量某事件或某条信息不确定性的程度[4]。在配电网负荷调度模型的设计中，对于用电客户的用电量以及用电时间是完全随机的，因此想要精准地预测用户用电数值，就需要使用信息熵理论对其进行计算。设某随机事件N发展之后的结果有n种，其结果分别为x1,x2,x3,…,xn,可通过概率计算公式得到该随机事件的分布列P(N=Xi)=pi，此时的信息熵可以表示为：

式中，pi表示随机事件N发生后的第i个可能性发生的概率；n表示随机事件N所有可能性的个数。通过式（1）可知，当pi越大时U(N)就会越小，也就是说，如果一个事件中所蕴含的信息量相对较少，则该事件的不确定性也就会越小[5]。与之相反的，当一个事件相对较为复杂时，该事件的不确定性就会大大增加。所有信息熵均满足U(N)≥0，则当事件A与事件B相互独立时，这两个事件累加信息熵的表达式可以表示为：

式中，U(A)表示事A的信息熵；U(B)表示事件B的信息熵；U(A,B)表示两个相互独立事件A与B的累加信息熵。通过式（3）可以得到两个相互独立事件A与B累加信息熵指数的计算结果。

式中，ai表示事件A的第i个结果，bi表示事件B的第i个结果；p(ai|bi)表示两个相互独立的事件A与B的 联合概 率[6]。

1.2 构建配电网多目标负荷数学模型

想要以节约资源为根本目标，改善配电网的电力调度质量，需科学地构建配电网多目标数学模型[7]。该文将信息熵理论加入到配电网多目标负荷数学模型中，根据上节计算出的配电网多目标负荷信息熵指数，获取具体的目标函数如下所示：

式中，t表示数学模型中得到优化的时段数；α表示配电网多目标负荷调度的信息熵指数；a表示事件A的第一种可能，b表示事件B的第二种可能；U(A)和U(B)则分别表示事件A与事件B的信息熵；Pa(t)表示在t时段事件A的第a种可能发生的概率；Pb(t)表示在t时段事件B的第b种可能发生的概率。当该公式取最小值时，可以通过数学模型中分布式电源的功率差异计算得到不同目标状态下各配电局域网络的出力最小功率[8-10]。在上述目标函数中，还需要一定的约束条件作为平衡运算效率的表达式，因此可以得到功率平衡约束的计算公式如下：

式中，Pt表示t时段时配电网中的有功功率；Pui表示t时段时配电网中分布式电源的有功输出[11]；Pci表示t时段时配电网中的储能功率；Ppi表示t时段时配电网中的有功负荷功率；Qt表示t时段时配电网中的无功功率；Qui表示t时段时配电网中分布式电源的无功输出；Qci表示t时段时配电网中的静止补偿器的无功输出功率；Qpi表示t时段时配电网中的无功负荷功率[12-13]。

1.3 设计配电网多目标负荷调度模型

在上文基础上建立配电网多目标负荷调度模型，如图1 所示。

图1 配电网多目标负荷调度模型框架

如图1 所示，在配电网多目标负荷调度模型中，想要优化预测结果，就需要着重注意风力发电以及光伏发电，将风力发电和光伏发电的不确定性引入信息熵理论，就能够以最小的能耗误差代入计算模型[14-15]。将预测结果分为有储能与无储能两个方向，一般而言，无储能前提下的电力负荷会更加紧凑，而有储能的负荷调度模型容错率更高[16]。该文设计的配电网多目标负荷调度模型可以适用于任意配电网，只需要调整有功与无功的资源区间，并将时间节点控制在可控的自治区域内，就可以实现配电网多目标负荷调度模型的设计。

2 仿真实验

2.1 实验准备

为验证上文中提出的基于信息熵理论的配电网多目标负荷调度模型在实际应用中的可行性，以及其对比三种常规模型是否更具优越性，设计如下仿真实验。使用计算机对配电网系统进行测试，在相关软件中构造如图2 所示的配电网节点模型。

图2 配电网节点模型

为验证该调度模型所需要消耗的能源小于常规的几种模型，进行以下实验操作。为提高实验结果的准确性，反复操作三次，最后取实验结果的平均值作为最终的实验数据。

2.2 配电网调度模型测试

由于配电网多目标分配的特殊性，其在有储能与无储能的情况下具备相差较大的实验数据，因此在实验中分别对有储能的情况与无储能的情况进行讨论。使用文中模型进行电力调度时得到的电力消耗情况如图3 所示。

图3 文中方法

如图3 所示，有储能的电力消耗小于无储能，且随着电力负荷的加大，配电网中消耗的电力也在逐渐增大。当电力负荷为2.6 MW 时，有储能与无储能所需要消耗的电力分别为4.8×104kW 与8.2×104kW。当电力负荷为5 MW 时，有储能与无储能所需要消耗的电力分别为18.4×104kW 与20×104kW。在这个过程中，有储能与无储能所需要的电力消耗数值在不断接近，直至电力负荷达到5.0 MW 时相叠加。

如图4 所示，有储能与无储能的配电网电力消耗随着电力负荷的提高，增长幅度较为均匀。当电力负荷为2.6 MW 时，有储能与无储能的电力消耗分别为4.1×104kW 与6.2×104kW。当电力负荷为5.0 MW 时，有储能与无储能的电力消耗分别为25.4×104kW 与32.1×104kW。其增长幅度明显大于文中设计的调度模型。由此可知，文中设计的调度模型在电力负荷相同时所需要消耗的电力小于文献[1]方法，在一定程度上降低了能源消耗。

图4 文献[1]方法

如图5 所示，有储能与无储能的配电网电力消耗随着电力负荷的提高，且有储能的增长幅度小于无储能。当电力负荷为2.6 MW 时，有储能与无储能的电力消耗分别为4.5×104kW 与6.8×104kW。当电力负荷为5 MW 时，有储能与无储能的电力消耗分别为19.6×104kW 与33.4×104kW，其增长幅度明显大于文中设计的调度模型。由此可知，文中设计的调度模型在电力负荷相同时所需要消耗的电力小于文献[2]方法，在一定程度上降低了能源消耗。

图5 文献[2]方法

如图6 所示，有储能与无储能的配电网电力消耗随着电力负荷的提高，且二者的增长幅度较为平均。当电力负荷为2.6 MW 时，有储能与无储能的电力消耗分别为4.7×104kW 与13.9×104kW。当电力负荷为5.0 MW 时，有储能与无储能的电力消耗分别为21.4×104kW 与30.9×104kW。其增长幅度明显大于文中设计的调度模型。

图6 文献[3]方法

由此可知，文中设计的调度模型在电力负荷相同时所需要消耗的电力小于文献[3]方法，在一定程度上降低了能源消耗。根据图4-6 可知，当电力负荷为5 MW 时，文中设计的配电网调度模型在有储能时需要消耗的电能较常规的三种电力调度模型分别小约7×104kW、1.2×104kW、3×104kW，在无储能时所需要消耗的电能较常规的三种电力调度模型分别小约12.1×104kW、13.4×104kW、10.9×104kW。根据数据可知文中设计的配电网多目标负荷调度模型确实能够减少电能的浪费，提高能源利用率。

3 结束语

该文配电网多目标负荷调度模型的设计宗旨在于对客户用电能力的预测，设计并建立该负荷调度预测模型。根据实验可知该模型能够减少配电网电力调度误差，减少能源损耗，从而形成相对准确的调度程序，相对于常规的三种调度模型在调度的准确性方面更具优势。