袁敬中 ,傅守强 ,陈翔宇 ,赵福旺
(1.国网冀北电力有限公司经济技术研究院,北京 100038;2.唐山电力勘察设计院有限公司,河北 唐山 063004)
随着可再生能源渗透率水平的提高,占据工业主导地位的安全电力比以往任何时候都更加重要[1]。可再生能源的出力受外部场景影响较大,带来的波动性和不确定性可能导致的配电网络系统安全问题不可忽略[2]。同时,配电网的能源结构由于分布式电源的接入而变得越发复杂[3]。因此,如何建立有效的适用于未来配电网发展的优化模型已成为业界关注的一个焦点[4]。
现阶段,集中式配电网优化模型的实施效率较低,节点间信息传输的安全性较低[5],由此导致配电网的优化进程减慢,不符合未来配电网的发展趋势[6]。区块链是一种融合多种技术的分布式数据库[7],数据信息在网络中全权公开,而数据的保存只由管理者负责[8]。因此,区块链的特性主要表现为公开透明、去中心化以及不可篡改性,这与未来配电网的智能发展需求完美契合。区块链技术为解决配电网优化运行领域的问题提供了新的研究方向。
目前,区块链技术已被引入到配电网的相关研究领域中。Gong等[9]针对可再生能源带来的波动性等问题,提出将区块链技术集成应用在输配电网络中的能源路由器上,使得可再生能源的渗透率大大提高。Hayes等[10]提出了一种配电网络和本地点对点能源交易平台的联合仿真方法,并用典型的欧洲郊区配电网络的案例研究演示了所提出的联合仿真方法,由此证明了这种方法可用于分析点对点能源交易对网络运行性能的影响。Shah等[11]提出了基于分布式共识的乘法器交替方向的(DCADMM)优化算法,将优化问题分解为具有私有成本函数和约束的子问题,使得求解过程的寻优性能大大提高。李军等[12]提出了一种基于区块链的配电网系统自动化感应和问题优化方案,可使配电网系统在信号不足的情况下能有效提高运行水平。龚钢军等[13]将综合能源服务系统与区块链技术相融合,使得综合能源与区块链间的可适度大大提高。胡伟等[14]针对传统电力调度中的问题,在区块链理念下设计了电力能源供需网调度优化模型,以此提高电力系统的安全可靠性。上述文献对未来配电网的发展具有积极作用,也为进一步优化能源服务场景提供了参考和借鉴。但在现有研究中尚缺乏区块链与未来配电网优化模型设计相融合的内容,配电网相关优化模型的实施和求解效率较低。这些不足形成了未来配电网智能化发展的阻力。
基于上述分析,本文提出基于区块链的未来配电网优化模型。首先,借鉴区块链的去中心化以及安全透明等特性,构建了基于区块链的配电网架构;然后,考虑到可再生能源给配电网造成的波动性等问题,结合多场景分析法,建立考虑经济性和稳定性的未来配电网优化模型;最后,提出改进的蚁群进化算法以及分布式计算流程,完成了基于区块链的优化模型计算,以保障配电网优化模型的求解效率及准确性。
1.1 区块链与未来配电网优化运行的契合度分析
在现实情况下,配电网存在的问题是显而易见的,如信息沟通不及时、信息传递时间长以及调度模型求解慢等。此外,配电网内部节点多所带来的维护困难也无法有效保障配电网的安全。
从细节上看,典型的配电网内部节点间信息的传递模式为就近传递,即系统中的节点只限于和相邻节点传递信息[15]。处于下游位置的节点,需要先将自身潮流信息传递给“中间商节点”,之后由“中间商节点”传递给中心机构接收。中心机构根据相关数据计算出最优的调度指令后,再经过相同路径的反方向传播,完成对下游节点调度指令的分配[16-17]。由此可见,这种信息传递方式存在一定的节点故障隐患,一旦某一节点发生通信故障,其下游节点都无法接收调度指令,因而造成配电网优化规划目标的达成效率大大降低。
因此,为了解决上述问题,本文借鉴区块链的去中心化以及可追溯等特性,提出基于区块链的配电网优化规划运行模型。该模型引入区块链后与传统的配电网模型相比具有两点优势:①智能合约可自动执行。为配电网的电源节点(如分布式电源、常规电源节点等)配置拥有计算、通信以及测量等功能的智能单元,由此完成区块链系统的构建。通信模块的作用是在分散部署的计算节点之间建立关联关系,根据需求配置相关的智能合约,在智能合约的执行系统下,多种功能将被封装在节点上,触发条件满足时即可执行相应的功能。②数据备份与可靠性有保障。由于区块链上的数据对于所有节点都是可见的,所以系统中的节点都具备通信能力。因此,所有节点都拥有全部数据的权力,从而解决了单点故障问题。当某一节点出现故障时,区块链系统可从正常节点内的备件将数据回复,从而促使配电网运行效率及调度可靠性的提升。
1.2 基于区块链的配电网架构
由于可再生分布式能源的大规模加入,传统的配电网已经不能满足可再生能源高渗透率的需求,需要向综合能源配电网方向转变。为此,本文构建了基于可再生能源高渗透率的配电网架构,如图1所示。在配电网侧接入冷热电联产系统(Combined Cooling Heating and Power,CCHP)和电制冷装置(Air Conditioning,AC),在天然气管网末端接入CCHP机组和燃气热水锅炉(Gas Fired Hot Water Boiler,GHB),以此向用户提供具有安全、经济和高效的电能、热能及冷能。
图1 基于区块链的配电网运行架构
本文所提出的配电网架构的特点是将区块链中的公有链和私有链特性引入到配电网系统中,目的是提高系统优化规划求解的效率。公有链的特性主要表现为系统内部的所有诚信节点都有参与基于Po W 共识机制[18]计算以及验证规划模型的机会,而私有链的特性表现为只有调控中心节点才有发布算例任务的权利,其他节点不可随意篡改区块上的信息,只有调控中心节点可以发布相应算力和激励。节点在对规划模型实施计算或者验证后都会获得相应的奖励。
区块链中一个非常重要的环节就是共识。从社会治理角度讲,共识决定了区块链社会中的经济形态,解决的是为什么参与以及能得到什么利益的问题。从技术上讲,共识的目的是促使交易达成一致。PoW(Proof of Work)意为共识机制(即工作量证明机制),通过运算生成满足规则的随机数,从而获得本次记账权,发出需要记录的数据,并通过网络中其他节点的验证后一并储存。
2.1 多场景分析
多场景分析的目的是选取简单、高效且具有确定性的场景,以便有效减少复杂公式的建模分析,降低模型的求解时间,提高求解效率[19]。
对于多场景有多种分析方法。例如,以四季作为分辨依据的时序划分法,该方法根据分布式电源的出力随季节变化的特性以提高划分结果的可靠性,但其对场景的处理不甚理想,较为粗糙,误差大;还有以决策变量与理想变量之间的插值效果为依据的场景分析法,该方法假设决策变量的误差服从一定的概率分布,并由此生成大规模随机数而确定场景的误差区间,根据随机数的发生概率计算场景概率,以此考察场景的决策效果。
基于上述分析方法的特点,本文将两种方法进行结合,用场景分析法弥补时序划分法的粗糙性,用时序划分法增强随机变量的季节特性。在此将这种方法称之为多场景分析法,并将其运用于配电网的优化规划当中。多场景分析法的主要特性体现在如下几个方面:
(1) 分布式电源出力时序性。风、光及各类负荷在不同季节下的变化曲线表示出风电、光伏的出力值及各类负荷的需求值与季节具有很大的相关性,由此提供了春夏秋冬四季场景时序划分的依据。
①风电出力时序性。天气、地理位置以及季节等因素都会对风速产生影响,因此,风电的有功出力会随着风速的变化而变化。通常四季风速的变化是有规律的,例如冬季风速均值最大而夏季较小,风速高值区一般在10～18时之间等。风速的规律在一定程度上揭示了风力发电机出力的规律,因此,风机发电机的出力与季节有很大的相关性。
②光伏出力时序性。白天的光照强度具有极大的不确定性,辐射大小随天气变动较大,因此,光伏出力具有时间不连续性和场景不确定性。一般情况下,夏季的光照强度大于冬季的光照强度。
(2)风光时序互补。图2和图3分别所示为夏季和冬季的风、光出力情形对比。在夏季光伏出力大于风电出力,而两者在冬季的出力性质相反。
图2 夏季风光出力对比
图3 冬季风光出力对比
上述场景凸显了分布式电源出力时序的重要性,因此,必须在充分考虑时序性的前提下,利用规划模型的求解结果,合理兼顾风电和光伏发电的特点与区别,以实现最大程度的资源节约。
2.2 多场景下配电网优化模型
在满足经济获益最高的前提下,需要全方面考虑待规划设备的扩充容量,旨在促使用户侧的用能成本最小,进而实现用户侧购电效益最大化。
本文所构建模型的约束条件表现在如下5 个方面。
约束1CCHP机组建模。
(1)CCHP机组规划容量的上、下限,即
(2)CCHP机组用气量限制,即
式中,V c,t,s为CCHP消耗的天然气。
约束2燃气热水锅炉建模。
GHB作为CCHP 机组供热的补充设备,通过燃烧天然气供应热能。
(1) 燃气热水锅炉规划容量的上、下限,即
(2) 燃气热水锅炉用气量的上、下限,即
式中,V g,t,s为燃气热水锅炉g在场景s下时刻t燃气热水锅炉节点集合。
约束3电制冷(AC)装置建模。
AC是通过电能制冷的装置,是CCHP 机组制冷的一种补充装备。
(1)AC装置规划容量的上、下限,即
(2)AC装置用电量的上、下限,即
式中,P k,t,s为电制冷装置k在场景s下时刻t消耗的有功功率。
约束4分布式电源模型。
式中:VPW为含DG时系统年电压指标;VPWO为不含DG时系统年电压指标。
约束5配电网模型。
配电网的规划内容与相关电站容量的扩充相关。由于分布式可再生能源的随机性较大,使得电网内部能源不再是单相传输的方式。因此,本文基于Distflow 模型建立配电网约束模型,使得配电网内部分无功功率供给得到极大的满足。
(1) 变电站规划容量上、下限,即
(2) 变电站有功功率上、下限,即
(3) 变电站无功功率限制,即
在上述约束条件基础上,本文设定的基于多场景分析的经济性目标函数如下所述。
经济效益最大化是配电网规划所要遵循的基本目标。针对配电网规划模型的设计,选用全寿命周期的年均成本现值表示经济性,同时建立了最小化的全寿命周期的年均成本现值表示目标函数。
全寿命周期成本是指整个运作期内产品消耗的总成本,为了突出配电网规划的经济性,以年寿命周期成本(即平均分布在年内的全寿命周期成本)为代表,对全寿命周期成本进行了简化,数值上等于风电光等分布式电源、CCHP机组、GHB 和AC设备投入后全寿命周期内年均投资费用的现值,目标函数如下式所示:
式中:Cp为年寿命周期成本;Cg为设备的初期投资成本;r0为折现率;n为经济使用年限;Cm为设备年运行费用;Co为年直接停电损失费用。设备的初期投资费用如下式所示:
在基于区块链的配电网络背景下,蚁群算法(Ant Colony Optimization,ACO)又称蚂蚁算法,更能突显它的特殊价值。蚁群算法是一种模拟进化的智能算法,其思路来源于蚂蚁寻找食物的行为。每只蚂蚁在寻找食物的过程中都会释放一些信息素,路径越短,挥发掉的信息素数量越少,其剩余的浓度就相对较高,从而其他蚂蚁被吸引的概率就越高。因此,随着时间的流逝,信息素浓度最高的路径将成为最优结果[20]。
由此原理可知,区块链与蚁群算法都具有去中心化的相同特性。因此,本文采用改进的蚁群算法(Improved Ant Colony Optimization Algorithm,IACO)求解上述优化模型。改进算法中,将挥发因子改成动态的自适应变化值,并对信息素进行了改进,以提高算法的全局搜索能力。算法中,信息素对应于启发因子。
从计算机工程的角度看,通常采用的是一个主机带动多个终端的集中式算法,在主机上进行全部的运算而终端不具备数据处理能力。相对的,分布式算法则是当前智能算法采用的主流技术,它是由集群或多层客户机与服务器为运行机制的一种运算技术。显然,集中式算法耗时耗力,为此,本文选取了基于PoW 共识机制的分布式算法以提高求解效率。具体的算法流程如图4所示。
图4 分布式计算算法流程
4.1 算例设计
为验证本文所述优化模型的优越性与适用性,本节在IEEE33节点的配电网系统下构建综合能源系统(见图5),模拟配网环境进行算例分析。该配网中共包括37条支路,1个电源网络首端基准电压12.66 k V,同时,各节点的负荷类型如下:节点1～10均为商业负荷,11～25均为居民负荷,26～33均为工业负荷。该配网参数如表1所示。
表1 IEEE-33节点配电系统参数
这里比较详细地列举了配网环境相关系统参数,主要目的是突显优化模型计算中的区块链技术特性。
图5表示该配网综合能源系统中位于节点10和节点28处各有一个分布式光伏电站。并且,本文选择对风电和光伏发电电源进行规划,在此基础上,依据当前所研究场景的所需负荷量,设立4个节点,在这4个节点中安装风电(f)或光伏(g)设备。
图5 综合能源系统下修改的33节点配电网
4.2 结果分析
4.2.1ACO 与IACO 算法对比分析 本文分别采用IACO 与ACO 算法对分布式电源规划进行了计算,结果如图6所示。图6中,深色线和浅色线分别为采用IACO 和ACO 算法的寻优收敛曲线。对比可知,IACO 算法的收敛速度明显快于ACO 算法,结果表明,IACO 算法具有显著的优越性。
图6 DG 规划中IACO 和ACO 寻优对比
4.2.2基于IACO 算法的结果分析 上节证实了IACO 算法优于ACO 算法。据此,本节基于年均投资费用现值以及电压分布改善率两个指标,分别在考虑场景分析和不考虑场景分析两种模式下,采用IACO 算法进行了多目标仿真寻优运算,结果如图7所示。
图7 两种模式下的Pareto前沿
由图7可见,加入场景分析后的规划结果更具有优越性。这是由于考虑出力波动性的影响,合理设定了风电以及光伏发电的比例,使得负荷曲线与出力曲线实现最大程度的互补,进一步说明了场景分析对于模型规划求解的必要性,计算结果列于表2。
表2 基于场景分析的部分Pareto最优解
由表2可以明显看出,风机占比越大,目标值Cp越小,主要原因是风电机组造价较低;相反地,光伏机组的造价较高,对应的目标值也较大。虽然风电机组占比越高、投资成本越低,但其出力的稳定性却低于光伏发电的稳定性。因此,决策时不仅需要考虑经济指标,还应合理设置风电与光伏发电的比例,追求更好的能源出力效用。
配电网优化是一个涉及发电方式、机组配置、环境约束和经济优化的复杂问题。为了更好地解决配电网优化效果欠佳、优化模型求解效率低下等问题,本文提出了基于区块链的未来配电网优化模型。通过区块链技术的引入,进行了一种适应未来发展需求的配电网架构设计。同时,针对未来配电网可再生能源渗透率不断提高所带来的不确定性等问题,利用多场景分析法,把风电和光伏的时序互补性考虑到优化模型中,进而可以提高多场景分析下的配电网优化模型的可行性。在实践方面,把分布式计算算法与Po W 共识机制进行结合,可以达到每个节点公平竞争运算任务的目的,以确保配电网优化模型的求解效率与求解质量。
猜你喜欢出力分布式配电网配电网自动化的应用与发展趋势经济技术协作信息(2018年32期)2018-11-30分布式光伏热钱汹涌能源(2017年10期)2017-12-20分布式光伏:爆发还是徘徊能源(2017年5期)2017-07-06基于IEC61850的配电网数据传输保护机制电测与仪表(2016年5期)2016-04-22风电场有功出力的EEMD特性分析电测与仪表(2016年23期)2016-04-12要争做出力出彩的党员干部河南电力(2016年5期)2016-02-06配电网不止一步的跨越河南电力(2016年5期)2016-02-06基于DDS的分布式三维协同仿真研究雷达与对抗(2015年3期)2015-12-09风电场群出力的汇聚效应分析电测与仪表(2015年5期)2015-04-09基于CIM的配电网线损计算电测与仪表(2014年17期)2014-04-04