人工智能賦能微電網(wǎng)運(yùn)行優(yōu)化的應(yīng)用及展望

［關(guān)鍵詞］微電網(wǎng)；人工智能；運(yùn)行；展望

1 微電網(wǎng)的基本架構(gòu)

微電網(wǎng)是一種小型發(fā)輸配電系統(tǒng)，具備強(qiáng)大的發(fā)電能力，可自主采集相關(guān)數(shù)據(jù)，是計(jì)算機(jī)、電力電子、通信等多項(xiàng)技術(shù)集成應(yīng)用的成果，在系統(tǒng)內(nèi)部可推動(dòng)多能流在各組件間的相互流動(dòng)，并通過耦合元件的幫助推動(dòng)能量形態(tài)的轉(zhuǎn)換，將能量在各類子系統(tǒng)之間進(jìn)行耦合。

微電網(wǎng)的分布式電源分為兩種，一種是以火力發(fā)電為主的常規(guī)發(fā)電單元，另一種是光伏和風(fēng)力等為主的可再生能源發(fā)電單元。分布式電源在運(yùn)行時(shí)產(chǎn)生的電能，除了可以將電能傳送給電網(wǎng)外，還可以利用儲(chǔ)能裝置來存儲(chǔ)電能，以便微電網(wǎng)供電能力不足時(shí)可以直接調(diào)用儲(chǔ)能裝置內(nèi)的電能，滿足系統(tǒng)內(nèi)各負(fù)荷的用電需求。微電網(wǎng)的能源調(diào)度結(jié)構(gòu)如圖1 所示。

2 微電網(wǎng)運(yùn)行優(yōu)化的原理

在優(yōu)化微電網(wǎng)運(yùn)行時(shí)，可根據(jù)系統(tǒng)內(nèi)不同單元的邊界特點(diǎn)以及運(yùn)行特性，建立特定的數(shù)學(xué)模型來描述微電網(wǎng)的運(yùn)行，并采用相應(yīng)的求解算法來計(jì)算各類指標(biāo)，找到最佳的運(yùn)行方案。在對(duì)微電網(wǎng)運(yùn)行進(jìn)行優(yōu)化時(shí)，要重點(diǎn)考慮系統(tǒng)的可再生能源預(yù)測(cè)、自動(dòng)化調(diào)度控制等的優(yōu)化，并且還要預(yù)測(cè)和解決微電網(wǎng)運(yùn)行面臨的各種不確定性。

光伏發(fā)電輸出功率用下式表示：

式中，V為風(fēng)力發(fā)電機(jī)組并網(wǎng)前發(fā)電的實(shí)時(shí)風(fēng)速，Vr為風(fēng)力發(fā)電機(jī)組并網(wǎng)后發(fā)電的實(shí)時(shí)風(fēng)速，Vin為風(fēng)力發(fā)電機(jī)組并網(wǎng)發(fā)電的風(fēng)速下限，Vout為風(fēng)力發(fā)電機(jī)組并網(wǎng)發(fā)電的風(fēng)速上限，VR為額定風(fēng)速，PR為額定輸出功率。

式中，CCoal為燃料售價(jià)，ωCoal為燃料熱凈值， （t）為發(fā)電機(jī)組實(shí)時(shí)輸出功率， （t）為發(fā)電機(jī)組實(shí)時(shí)工作效率。

3 人工智能賦能微電網(wǎng)運(yùn)行優(yōu)化的應(yīng)用

對(duì)微電網(wǎng)的運(yùn)行實(shí)施優(yōu)化，除了要在數(shù)學(xué)模型中錄入相應(yīng)的數(shù)據(jù)外，還要做好計(jì)算求解工作，制訂具體的優(yōu)化策略。微電網(wǎng)接入可再生能源后面對(duì)各種隨機(jī)性，可再生能源預(yù)測(cè)可為微電網(wǎng)運(yùn)行優(yōu)化提供可靠的數(shù)據(jù)源。

3.1 可再生能源預(yù)測(cè)

微電網(wǎng)接入可再生能源后，可能面臨一定的波動(dòng)性、時(shí)變性、隨機(jī)性，如果要應(yīng)對(duì)微電網(wǎng)面臨的這些問題，可能要消耗大量成本，使微電網(wǎng)的供給端與需求端之間的平衡被打破，所以，可采用人工智能對(duì)可再生能源實(shí)施預(yù)測(cè)，以便在微電網(wǎng)中優(yōu)化應(yīng)用可再生能源，支持微電網(wǎng)穩(wěn)定運(yùn)行，合理地調(diào)度各類可再生能源。采用合理的預(yù)測(cè)方法來解決可再生能源生產(chǎn)與消費(fèi)不平衡問題的方法較多，具體如下。

（1）在預(yù)測(cè)時(shí)間角度上，可將時(shí)間標(biāo)準(zhǔn)劃分為4類，分別為超短期、短期、中期以及長(zhǎng)期預(yù)測(cè)。不同時(shí)間維度上的可再生能源預(yù)測(cè)，對(duì)應(yīng)的預(yù)測(cè)目標(biāo)存在差異。例如，超短期預(yù)測(cè)，將風(fēng)力、光伏等發(fā)電機(jī)組的負(fù)載跟蹤以及動(dòng)態(tài)控制等作為預(yù)測(cè)重點(diǎn)。

（2）利用物理模型對(duì)可再生能源進(jìn)行預(yù)測(cè)，輸入數(shù)據(jù)可選擇數(shù)值天氣預(yù)報(bào)，在全球數(shù)據(jù)庫(kù)等的幫助下對(duì)氣象過程變化展開描述。在采用模型物理時(shí)，可避免訓(xùn)練輸入歷史數(shù)據(jù)，但觀測(cè)資料、大氣規(guī)律、預(yù)報(bào)時(shí)效性等會(huì)影響物理模型的應(yīng)用效果。物理模型在采用數(shù)值天氣預(yù)報(bào)時(shí)，需收集海量數(shù)據(jù)校準(zhǔn)空氣動(dòng)力學(xué)，計(jì)算并掌握資源規(guī)律，注意考慮預(yù)報(bào)點(diǎn)和可再生能源發(fā)電機(jī)組之間的距離，否則會(huì)對(duì)預(yù)測(cè)結(jié)果的精度造成不良影響

（3）利用統(tǒng)計(jì)模型預(yù)測(cè)可再生能源，需考慮預(yù)測(cè)值與指定時(shí)間內(nèi)各項(xiàng)數(shù)據(jù)的關(guān)系，靈活采用統(tǒng)計(jì)方法來預(yù)測(cè)可再生能源。

（4）人工智能模型囊括神經(jīng)模糊網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)、經(jīng)驗(yàn)?zāi)B(tài)分解等。采用人工智能模型來預(yù)測(cè)可再生能源時(shí)，該模型的數(shù)據(jù)挖掘以及特征提取能力較強(qiáng)，可在一定程度上提升預(yù)測(cè)結(jié)果的精度。所以可以采用人工神經(jīng)網(wǎng)絡(luò)等方法來解決可再生能源預(yù)測(cè)時(shí)面臨的各種問題。

3.2 微電網(wǎng)調(diào)度控制優(yōu)化

微電網(wǎng)調(diào)度控制優(yōu)化，以實(shí)現(xiàn)自動(dòng)化控制和自動(dòng)化調(diào)度為目標(biāo)，采用人工智能時(shí)，蜂群策略在其中的實(shí)用性較強(qiáng)。蜂群策略是常用的人工智能算法，其應(yīng)用原理和蜂群的搜索行為有關(guān)，可有效地實(shí)現(xiàn)全局與局部最優(yōu)解的求解，特別適合在對(duì)單個(gè)微電網(wǎng)運(yùn)行優(yōu)化中的使用。在對(duì)單個(gè)微電網(wǎng)運(yùn)行進(jìn)行優(yōu)化時(shí)，蜂群所搜索的最優(yōu)解必須處于樣本空間之內(nèi)，以處理好優(yōu)化微電網(wǎng)自動(dòng)調(diào)度與控制的問題。

在起始階段，設(shè)置好蜂群樣本的參數(shù)，結(jié)合預(yù)先設(shè)定的各項(xiàng)參數(shù)，對(duì)蜂群的樣本集合做初始化處理。

假設(shè)蜂群的樣本集合為Nj=（nj1，nj2…，njM），Nj為雇傭蜂對(duì)應(yīng)食物源所在位置，并將該集合所處的空間位置設(shè)置為M，那么在對(duì)應(yīng)的空間維度當(dāng)中，可用以下公式來表示不同食物源的起始位置：

式中，m=1，2，…M，Qm與Xm分別為樣本集合在空間中第m個(gè)維度上存在的空間邊界， 為區(qū)間[0，1]上均勻分布的隨機(jī)數(shù)。

在雇傭蜂時(shí)期，蜂群在搜索食物源達(dá)成目標(biāo)后，可自動(dòng)將食物源的特定參數(shù)提取出來，并實(shí)時(shí)將采集的相關(guān)參數(shù)傳輸給后續(xù)階段待運(yùn)行的輔助蜂蜂群。此時(shí)空間內(nèi)任意位置的食物源，都由雇傭蜂隨機(jī)進(jìn)行選取，可不用設(shè)置特定的搜索路徑，而該蜂群隨機(jī)搜索到的食物源，其位置可按照以下公式來計(jì)算：

式中，j為雇傭蜂，i為雇傭蜂搜索食物源時(shí)對(duì)應(yīng)的維度，nj，i為搜索食物源時(shí)隨機(jī)選擇的雇傭蜂，Randj，i為區(qū)間[0，1]上的均勻分布隨機(jī)數(shù)。

雇傭蜂隨機(jī)搜索到位置之后，可根據(jù)采集的數(shù)據(jù)參數(shù)來實(shí)施綜合評(píng)價(jià)，從而尋找到更具匹配度的參數(shù)，并對(duì)當(dāng)下認(rèn)定的雇傭蜂予以明確。

在進(jìn)入輔助蜂階段以后，首要是輔助蜂接受來自雇傭蜂傳遞的數(shù)據(jù)參數(shù)，在這些數(shù)據(jù)參數(shù)的支持下，輔助蜂可快速找到適合開采的食物源，此時(shí)可根據(jù)輔助蜂的匹配度參數(shù)來得出其相對(duì)應(yīng)的進(jìn)化功率，并在此基礎(chǔ)上對(duì)特定輔助蜂實(shí)施深度尋優(yōu)。蜂群樣本空間中雇傭蜂的進(jìn)化概率用以下公式表示：

式中，s為空間內(nèi)的樣本數(shù)量，mat（nj）為樣本空間中食物源個(gè)數(shù)，mat（ni）為匹配度函數(shù)。

進(jìn)化概率越高說明輔助蜂越有可能在高質(zhì)量食物源周邊搜索食物。

蜂群在前期完成食物源的搜索以后，倘若在規(guī)定時(shí)間或次數(shù)內(nèi)并未搜索到新的食物源，雇傭蜂則會(huì)重新轉(zhuǎn)化為搜索蜂，并按照前期步驟重新進(jìn)行食物源的搜索，直到滿足尋找最優(yōu)解的條件后才完成各項(xiàng)操作。

3.3 不確定性分析與控制

在對(duì)微電網(wǎng)的運(yùn)行實(shí)施優(yōu)化時(shí)，除了要考慮可再生能源接入產(chǎn)生的波動(dòng)可能引發(fā)的不確定性以外，還要考慮相關(guān)設(shè)備設(shè)施信息耦合的不確定性、故障類型不確定性、源– 荷– 網(wǎng)、儲(chǔ)設(shè)備參數(shù)不確定性等。

（1）對(duì)相關(guān)設(shè)備信息耦合的不確定性，可采用人工智能手段對(duì)系統(tǒng)內(nèi)的相關(guān)數(shù)據(jù)實(shí)施檢測(cè)，在人工智能技術(shù)的幫助下掌握其中存在的各項(xiàng)不確定性問題，以便根據(jù)分析得出的問題來制訂微電網(wǎng)系統(tǒng)的運(yùn)行優(yōu)化策略，從而解決系統(tǒng)在運(yùn)行時(shí)面臨的不確定性問題，為微電網(wǎng)的穩(wěn)定運(yùn)行創(chuàng)造更好的條件。

（2）對(duì)單個(gè)微電網(wǎng)系統(tǒng)當(dāng)中存在的關(guān)聯(lián)復(fù)雜與參數(shù)不確定性，可利用人工智能建立對(duì)應(yīng)微電網(wǎng)的信息物理動(dòng)態(tài)模型，在深度融合神經(jīng)網(wǎng)絡(luò)的幫助下，對(duì)該模型中存在的不確定性參數(shù)實(shí)施提取，并采用先驗(yàn)知識(shí)對(duì)這些參數(shù)實(shí)施校準(zhǔn)與訓(xùn)練，為制訂運(yùn)行優(yōu)化策略提供有力依據(jù)。

（3）針對(duì)故障類型及場(chǎng)景存在的不確定性，人工智能算法可挖掘任意場(chǎng)景中存在的多模態(tài)數(shù)據(jù)及其特征，篩選其中存在的故障模式，在此基礎(chǔ)上推理出單個(gè)微電網(wǎng)系統(tǒng)中存在的薄弱環(huán)節(jié)，并根據(jù)識(shí)別出的薄弱節(jié)點(diǎn)來制訂針對(duì)性的優(yōu)化策略，以此提升微電網(wǎng)系統(tǒng)在運(yùn)行時(shí)應(yīng)對(duì)各類復(fù)雜場(chǎng)景的能力，提高微電網(wǎng)預(yù)測(cè)和防控相關(guān)故障的能力。

4 微電網(wǎng)運(yùn)行優(yōu)化的未來趨勢(shì)展望

利用人工智能對(duì)微電網(wǎng)的運(yùn)行進(jìn)行優(yōu)化，對(duì)推動(dòng)我國(guó)能源轉(zhuǎn)型和創(chuàng)新傳統(tǒng)電力系統(tǒng)等具有重要意義，有利于實(shí)現(xiàn)微電網(wǎng)及電網(wǎng)的節(jié)能降耗、穩(wěn)定運(yùn)行，在滿足社會(huì)用電需求的同時(shí)，幫助電力系統(tǒng)實(shí)現(xiàn)“雙碳”目標(biāo)。人工智能賦能微電網(wǎng)運(yùn)行優(yōu)化是微電網(wǎng)未來發(fā)展的主要方向，在未來創(chuàng)新和優(yōu)化微電網(wǎng)時(shí)，要持續(xù)利用人工智能來提升數(shù)學(xué)模型對(duì)不確定性的表征能力，以便在多目標(biāo)協(xié)同的基礎(chǔ)上，對(duì)微電網(wǎng)運(yùn)行優(yōu)化過程建立特定數(shù)學(xué)模型，以在動(dòng)態(tài)建模的基礎(chǔ)上更有效地解析微電網(wǎng)復(fù)雜的優(yōu)化問題。

人工智能賦能微電網(wǎng)運(yùn)行，以提升微電網(wǎng)運(yùn)行穩(wěn)定性為目標(biāo)。通過優(yōu)化微電網(wǎng)運(yùn)行提升系統(tǒng)穩(wěn)定性時(shí)，要考慮與EMS 模型性能的關(guān)系，EMS 性能主要和建模精度與計(jì)算量有關(guān)?，F(xiàn)有研究成果中，有關(guān)微電網(wǎng)的設(shè)備數(shù)學(xué)模型較少?，F(xiàn)有模型的精度有待提升，如設(shè)備效率對(duì)儲(chǔ)能裝置、工作條件、設(shè)備老化及工作點(diǎn)等關(guān)系。高精度的模型會(huì)導(dǎo)致問題的復(fù)雜性提升，對(duì)時(shí)間的需求更強(qiáng)，且需要用到海量試驗(yàn)數(shù)據(jù)。現(xiàn)階段MG 設(shè)備建模主要是以物理表達(dá)方式或經(jīng)驗(yàn)?zāi)Ｐ妥鳛榛A(chǔ)，此類方法并不適合在所有物理模型中使用，所以未來需要?jiǎng)?chuàng)新開發(fā)出一種適用于多數(shù)甚至所有物理模型的方法，不斷創(chuàng)新建模方式。

人工智能優(yōu)化微電網(wǎng)運(yùn)行，對(duì)人工智能的可信性以及泛化性需求較高，這是未來人工智能賦能微電網(wǎng)運(yùn)行優(yōu)化的重點(diǎn)。此外，還要注重大模型技術(shù)的發(fā)展，盡快突破人工智能在微電網(wǎng)運(yùn)行優(yōu)化中面臨的瓶頸，拓寬微電網(wǎng)運(yùn)行優(yōu)化的途徑。目前，國(guó)內(nèi)對(duì)人工智能技術(shù)的研究，越來越看重人工智能在各個(gè)領(lǐng)域的泛化性、功能性、可解釋性以及大模型等方面的提升。這可提高人工智能在建模與決策等方面的能力，有利于人工智能突破當(dāng)前面臨的瓶頸，提升人工智能賦能微電網(wǎng)運(yùn)行優(yōu)化的效果。

未來，微電網(wǎng)在人工智能不斷創(chuàng)新和應(yīng)用的過程中，將進(jìn)一步實(shí)現(xiàn)跨越式發(fā)展。人工智能在微電網(wǎng)中的應(yīng)用，能持續(xù)提升對(duì)微電網(wǎng)可再生能源預(yù)測(cè)、自動(dòng)化調(diào)度與控制以及不確定性分析等方面的支持能力，其對(duì)微電網(wǎng)運(yùn)行優(yōu)化的賦能將體現(xiàn)在以下方面：①在人工智能技術(shù)的幫助下，微電網(wǎng)中火力發(fā)電占比逐漸下降，以光伏、風(fēng)力為主的可再生能源發(fā)電比例持續(xù)提升，在維持自身正常功能能力和強(qiáng)化儲(chǔ)能效果的同時(shí)，微電網(wǎng)的碳排放量逐漸下降；可再生能源利用效果不斷提升，開發(fā)利用成本逐漸下降，在保證微電網(wǎng)運(yùn)行穩(wěn)定性和安全性的基礎(chǔ)上，全面優(yōu)化微電網(wǎng)總體結(jié)構(gòu)。②在人工智能的幫助下，微電網(wǎng)中各參與主體的協(xié)同性進(jìn)一步提升，微電網(wǎng)中各要素之間的聯(lián)系愈發(fā)緊密。③隨著人工智能技術(shù)的創(chuàng)新，微電網(wǎng)形成高效、安全利用清潔能源的態(tài)勢(shì)，短期內(nèi)將建成深度脫碳的新型微電網(wǎng)系統(tǒng)，其中存在的各種不確定性將逐漸被解決。④人工智能技術(shù)憑借強(qiáng)大的自主學(xué)習(xí)能力，將確定微電網(wǎng)向智能化的方向發(fā)展。

5 結(jié)束語

人工智能賦能微電網(wǎng)運(yùn)行優(yōu)化，要以解決微電網(wǎng)系統(tǒng)現(xiàn)存的問題為導(dǎo)向，通過采集和整合微電網(wǎng)運(yùn)行相關(guān)數(shù)據(jù)參數(shù)，建立多樣化的數(shù)學(xué)模型，利用人工智能尋取模型的最優(yōu)解。未來，要想更好地發(fā)揮人工智能賦能微電網(wǎng)運(yùn)行優(yōu)化的過程中，要以微電網(wǎng)運(yùn)行優(yōu)化目標(biāo)為導(dǎo)向，適當(dāng)創(chuàng)新人工智能技術(shù)，持續(xù)發(fā)揮人工智能技術(shù)在微電網(wǎng)中的應(yīng)用價(jià)值，提升微電網(wǎng)運(yùn)行穩(wěn)定性、清潔性、節(jié)能性和經(jīng)濟(jì)性。