基于数字孪生和深度学习的新一代调控系统预调度方法

doi:10.16183/j.cnki.jsjtu.2021.S2.006

基于数字孪生和深度学习的新一代调控系统预调度方法

王兴志^,¹, 翟海保¹, 严亚勤¹^,², 吴庆曦³

1.国家电网有限公司华东分部,上海 200120

2.国家电力调度控制中心,北京 100031

3.南瑞集团有限公司(国网电力科学研究院有限公司),南京 211106

Pre-Dispatching Method of New Generation Dispatching and Control System Based on Digital Twin and Deep Learning

WANG Xingzhi^,¹, ZHAI Haibao¹, YAN Yaqin¹^,², WU Qingxi³

1. East Branch of State Grid Corporation of China, Shanghai 200120, China

2. National Power Dispatching Control Center, Beijing 100031, China

3. Nari Group Corporation (State Grid Electric Power Research Institute), Nanjing 211106, China

责任编辑: 孙伟

收稿日期: 2021-10-26

基金资助:

国家重点研发计划资助项目(2017YFB0902600)

Received: 2021-10-26

作者简介 About authors

王兴志(1979-),男,江苏省连云港市人,高级工程师,从事电力系统自动化等研究.电话(Tel.):13671878688;E-mail:wang_xz@ec.sgcc.com.cn.

摘要

针对新型电力系统下传统调度自动化系统可扩展性和决策前瞻性不足等问题,提出新一代调控系统预调度方法.在描述子系统层建立能够反映电网一次设备、二次设备和环境等状态的电网数字孪生体;在预测子系统层,电网数字孪生体基于电网运行数据进行深度学习,并预测电网运行的未来态势和事故风险;以华东电网新一代调控系统的预调度试点应用为例,验证所提方法的可行性.应用结果表明:该预调度方法提高了系统处理新型电力系统运行控制问题的效率,可以为新一代调控系统的全面建设和推广应用提供有益参考.

关键词： 数字孪生; 深度学习; 预调度; 新一代调控系统

Abstract

To meet the demand of scalability and decision-making foresight of the traditional dispatching automation system in the new power system, a novel pre-dispatching method of new generation dispatching and control was proposed. First, the power grid digital twin was established in the description subsystem layer, which can reflect the state of power grid primary equipment, secondary equipment, and environment. Then, in the prediction subsystem level, the deep learning models were used to learn and predict future situation or accident risk of power grid operation in power grid digital twin. Finally, the feasibility of the proposed method was verified by the implementation example of East China Grid. The application results show that the pre-dispatching method improves the efficiency of system in dealing with the operation control problems of the new power system, which also provides a useful reference for comprehensive construction, popularization, and application of new generation power systems.

Keywords： digital twin; deep learning; pre-dispatching; new generation dispatching and control system

PDF (6067KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

王兴志, 翟海保, 严亚勤, 吴庆曦. 基于数字孪生和深度学习的新一代调控系统预调度方法[J]. 上海交通大学学报, 2021, 55(S2): 37-41 doi:10.16183/j.cnki.jsjtu.2021.S2.006

WANG Xingzhi, ZHAI Haibao, YAN Yaqin, WU Qingxi. Pre-Dispatching Method of New Generation Dispatching and Control System Based on Digital Twin and Deep Learning[J]. Journal of shanghai Jiaotong University, 2021, 55(S2): 37-41 doi:10.16183/j.cnki.jsjtu.2021.S2.006

随着碳达峰、碳中和战略的不断推进,强不确定性、弱可控出力的新能源发电成分不断加大,柔性、生产和消费兼具型负荷不断增多,新型电力系统需要具备清洁低碳、安全可控、灵活高效、智能友好和开放互动等特征,客观上要求加强电网数字化转型,提升能源互联网发展水平.

现有智能电网调度控制系统基于统一基础数据平台、实时监控预警类应用、调度计划和安全校核类应用、调度管理类应用等,实现了多级调度机构调度自动化业务横向贯通和纵向互联^[1].为了提高调度自动化系统全息感知和泛在互联能力,新一代电网调度控制系统基于各级电网统一电网模型、运行数据和实时数据,搭建“全面、快速、准确”的各类分析决策应用^[2].为了提高调度运行人员风险感知和前瞻性决策能力,新一代电网调度控制系统引入电网预调度功能.电网预调度作为一个多目标优化问题,要求在较短时间内完成调度业务信息采集、感知、处理和应用.该问题来源于调度员培训仿真,在国内外获得了广泛研究和工程实践^{[3,4,5,6,7,8]}.近年来,数字孪生技术和深度学习技术发展迅速,在各行业应用广泛^[9,10,11,12].但是,结合数字孪生技术和深度学习技术等进行新一代调控系统预调度尚未见报道.

在现有电网预调度研究基础上,本文结合数字孪生技术和深度学习技术,搭建物理子系统、描述子系统和预测子系统.一方面,利用电网数字孪生体缩短电网行为、状态和环境等描述性功能的建设和复用周期;另一方面,利用深度学习技术提高预调度的提前感知和快速决策能力,不断提升对电网未来时段若干运行工况风险的预判和预控水平.为了丰富预调度技术应用范围,设计新型电力系统下预调度典型应用场景.以大电网为例,利用具体应用实践,验证所提方法的合理性和有效性.

1 新一代调控系统预调度架构

为了更好地刻画真实物理世界中电力系统的运行状态,引入数字孪生技术构建镜像实体,并进行设备状态数字化描述和实时数据交互,从而达到物理电力系统实体的状态可观和可控.然后,基于数字化空间进行深度学习,预测其未来一段时间的状态变化.基于数字孪生技术和深度学习技术的新一代调控系统预调度整体框架如图1所示.该框架由物理子系统、描述子系统和预测子系统共3部分组成.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 改进的新一代电网调控系统预调度架构

Fig.1 Modified pre-dispatching architecture of a new generation dispatching and control system

1.1 物理子系统

物理子系统主要由发电、输变电、配电、用电等一次设备和二次设备以及外部环境等组成.一次设备主要完成电力能源传输,而二次设备主要采集和处理一次设备状态.一方面,物理子系统为描述子系统准备各种物理实体的状态和运行数据;另一方面,其接收预测子系统的预测信息,并进行辅助决策和优化调整.

1.2 描述子系统

描述子系统主要包括电网数字孪生体模型、参数数据、实时数据、能源互联网动力学方程和历史数据,其从物理子系统获得镜像数据,同时向预测子系统层提供感知信息.物理子系统通过元数据和字典等方式将电网数字孪生体模型实体映射到描述子系统数字化空间,主要涉及组织机构、电力设备容器、抽象容器、发电设备、输电设备、变电设备、补偿设备、直流设备、一次能源、公共环境和其他模型等.参数数据用于描述各种设备的静态和动态特征,主要包括一次设备静/动态参数、二次设备静/动态参数、环境参数和其他参数等.实时数据来源于物理子系统数据采集,主要涉及一次设备状态/模拟量、二次设备状态/模拟量、环境实时数据和其他实时数据等.能源互联网动力学方程提供各种数字孪生体演化数学方程,主要包括一次设备、其他设备和环境的运动学及动力学方程,以及二次设备信息学方程等.历史数据用于存储随时间变化的实时数据、参数数据和能源互联网动力学方程计算数据等,存储的时变数据主要包括一次设备状态/模拟量、二次设备状态/模拟量、环境历史数据和其他历史数据等.

1.3 预测子系统

预测子系统感知描述子系统的数据,通过分析、学习和预测等环节生成可供物理子系统辅助决策和优化调整的策略信息.预测算法和应用场景影响预测效果.传统预测主要涉及系统负荷预测、母线负荷预测、新能源发电能力预测和水电发电能力预测等,应用场景局限于仿真模拟类场景.实际上,描述子系统提供的所有时变数据均可以参与预测,有利于扩展传统预调度技术的涉及范围和应用场景.

2 预调度典型应用场景

2.1 基于电网态势预感知的监视控制类场景

在监视控制类场景中,电网态势感知模块根据获得的描述子系统层数据,提前分析基础电网数据、清洁能源、电网一二次设备和人员操作行为等变化规律,结合外部环境信息变化趋势,快速学习并预测下一步电网发展态势.告警模块根据电网态势感知模块的预告警信息,快速分析各类预告警间的关联关系,及时对外提供系统级预警信息.控制操作模块接收电网态势预感知和预告警,快速进行人工预操作或提前发出预自动控制指令,从而实现监视控制类预调度.

2.2 基于新能源预测的计划市场类场景

在计划市场类场景中,新能源预测和计划模块根据风电、太阳能等新能源发电曲线,提前分析新能源发电和计划编排规律,结合外部环境变化,快速学习并预测下一步新能源发电变化趋势.市场支撑模块在获得新能源发电预测信息基础上,及时开展现货或辅助服务市场预申报和预校核.电力电量平衡模块充分考虑上下级调度机构电力电量平衡、新能源发电趋势和市场化博弈等因素,快速生成发用电和停电预调度计划.

2.3 基于运行风险预判预控的分析决策类场景

在分析决策类场景中,电网运行风险预分析功能根据电网未来指定时段数据,快速分析电网未来态运行方式,学习并预测潜在运行风险.电网运行风险预控制功能基于未来态运行方式,重点关注检修计划、操作风险、运行薄弱环节、气象灾害、输电通道阻塞和电力电量平衡等情况,对不满足安全稳定条件的风险进行预防控制决策,并给出调度计划调整建议和辅助控制措施.

2.4 基于电网运行预评估的综合评估类场景

在综合评估类场景中,电网运行预评估功能构建电网运行评估指标体系,客观量化评价未来一段时间电网的运行情况,从而指导电网运行持续优化提升.预评估的运行评估指标主要包括静态安全、功角稳定、电压稳定、频率稳定、短路电流、平衡能力、调节能力和新能源消纳等.

2.5 其他场景

随着碳达峰、碳中和等新型场景的加入,预调度典型应用场景还可以包括碳达峰、碳中和预调度场景.在“双碳”预调度场景中,分析风、光、水、核、区外来电等清洁能源和燃煤、燃气、燃油等传统火电未来态数据情况,及时预测碳排放速率、发电碳排放强度、有电碳排放强度、发电零碳电能占比和用电零碳占比等趋势信息,有利于指导“双碳”等新型电力系统战略进一步落地实施.

3 应用实例

以某区域实际电网为例,验证所提预调度技术的可行性和有效性.在物理子系统中,厂站数量为 2500 座,其中 1000 kV以上厂站10座,500 kV厂站270座,其他电压等级厂站 2220 座.采集遥测数据 46700 个,采集遥信数据和其他类型数据共 93000 个.在描述子系统中,以元数据和字典等方式分别建立电网数字孪生体模型,并获得参数数据.利用服务化方式封装实时数据和历史数据访问接口,提高其他子系统或功能模块访问的便捷性和通用性.以计及有功/无功控制的电网长过程模拟算法描述一次设备运动学和动力学方程,同时考虑环境等因素变化影响,重点涉及电网长过程模拟计算、多区域自动增益控制模拟、多区域无功电压自动控制模拟和新能源消纳模拟等算法.在预测子系统层中,以台风外部环境下的分析决策类场景为例,展示预调度场景核心算法的处理流程,如图2所示.首先,获得未来时间点运行数据集合,并处理预想故障智能生成和筛选;其次通过静态安全、灵敏度、安全稳定等分析过程研判电网运行态势;再次通过学习和预测环节进行预防控制和紧急状态等辅助决策;最后将预调度高风险故障和辅助控制策略发送给调度运行人员,并进行物理电力系统控制和辅助决策.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 台风环境下分析决策预调度图

Fig.2 Pre-dispatching diagram of analysis and decision-making in typhoon environment

预调度基于松弛等式约束和不等式约束建立运行风险点筛选模型,利用引入的节点有功功率和节点无功功率不平衡量进行松弛约束.以节点功率不平衡量最小为目标,寻求最小化模型不可解的程度,具体计算公式如下:

(1)min

\sum_{i}

[(ΔP_i)²+(ΔQ_i)²]

其中:

ΔP_i=P_G,_i-P_L,_i-V_i $\sum_{j \in i}$ V_j(G_ijcos θ_ij+B_ijsin θ_ij)

ΔQ_i=Q_G,_i-Q_L,_i-V_i $\sum_{j \in i}$ V_j(G_ijsin θ_ij+B_ijcos θ_ij)

P_ij=V_iV_j(G_ijcos θ_ij+B_ijsin θ_ij)-G_ij $V_{i}^{2}$

P_ij_,min≤P_ij≤P_ij_,max, P_G,_i= $P_{G, i}^{0}$

$Q_{G, i}^{\min}$ ≤Q_G,_i≤ $Q_{G, i}^{\max}$ , $V_{i}^{\min}$ ≤V_i≤ $V_{i}^{\max}$

式中:下标i和j为电力系统节点;j∈i表示与节点i相连的节点j;ΔP_i和ΔQ_i分别为有功功率和无功功率的不平衡量;P_G,_i和Q_G,_i分别为与节点i相连的发电机有功和无功出力;P_L,_i和Q_L,_i分别为有功和无功负荷;V_i和V_j为电压幅值;G_ij、B_ij和θ_ij分别为节点i、j之间的互电导、互电纳和电压相角差;P_ij为连接节点i和j的线路传输有功功率; $P_{G, i}^{0}$ 为基准调度下与节点i相连的发电机有功出力.

表1为不同算法的预测准确度比较结果.以某年上半年每天的不同负荷为算例进行分析,预测算法采用深度森林和多项式回归,预测准确度取180次计算方差的平均值.可知,与多项式回归算法相比,深度森林算法具有较高的预测准确度.同时,全口径数据包含非统调口径数据,基础数据质量一般,导致全口径数据预测结果比调度口径结果略差.此外,新能源预测结果验证了风电和光伏等较强的随机性对预测结果精度有一定影响.

表1 不同算法下的预测准确度

Tab.1 Prediction accuracy of different algorithms

算例	算法	预测准确度/%
全口径系统负荷	深度森林	97.43
全口径系统负荷	多项式回归	96.76
全口径新能源负荷	深度森林	83.27
全口径新能源负荷	多项式回归	83.21
调度口径系统负荷	深度森林	98.72
调度口径系统负荷	多项式回归	97.65
调度口径新能源负荷	深度森林	86.58
调度口径新能源负荷	多项式回归	85.88

新窗口打开| 下载CSV

4 结语

本文基于数字孪生和深度学习技术,重构新一代调控系统预调度方法,将数据、分析、学习和预测全面贯穿至应用场景中,提升了系统全息感知和泛在互联能力.大电网范例应用表明,预调度有利于提前揭示调度运行的更多细节,提升预感知、预计划、预分析和预评估等运行安全和效率水平.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

辛耀中, 郭建成, 杨胜春, 等. 智能电网调度控制系统: 总体架构[M]. 北京: 中国电力出版社, 2016.