2.793

                    2018影響因子

                    (CJCR)

                    • 中文核心
                    • EI
                    • 中國科技核心
                    • Scopus
                    • CSCD
                    • 英國科學文摘

                    留言板

                    尊敬的讀者、作者、審稿人, 關于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復。謝謝您的支持!

                    姓名
                    郵箱
                    手機號碼
                    標題
                    留言內容
                    驗證碼

                    綠色能源互補智能電廠云控制系統研究

                    夏元清 高潤澤 林敏 任延明 閆策

                    夏元清, 高潤澤, 林敏, 任延明, 閆策. 綠色能源互補智能電廠云控制系統研究. 自動化學報, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581
                    引用本文: 夏元清, 高潤澤, 林敏, 任延明, 閆策. 綠色能源互補智能電廠云控制系統研究. 自動化學報, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581
                    Xia Yuan-Qing, Gao Run-Ze, Lin Min, Ren Yan-Ming, Yan Ce. Green energy complementary based on intelligent power plant cloud control system. Acta Automatica Sinica, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581
                    Citation: Xia Yuan-Qing, Gao Run-Ze, Lin Min, Ren Yan-Ming, Yan Ce. Green energy complementary based on intelligent power plant cloud control system. Acta Automatica Sinica, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581

                    綠色能源互補智能電廠云控制系統研究


                    DOI: 10.16383/j.aas.c190581
                    詳細信息
                      作者簡介:

                      北京理工大學自動化學院教授. 主要研究方向為云控制系統, 云數據中心調度管理, 智能電廠, 智能交通, 模型預測控制, 自抗擾控制, 飛行器控制和空天地一體化控制. 本文通信作者.E-mail: xia_yuanqing@bit.edu.cn

                      北京理工大學自動化學院博士研究生. 主要研究方向為云控制系統, 智能電廠, 云工作流調度管理, 深度強化學習.E-mail: gaorunze0558@163.com

                      北京理工大學自動化學院博士研究生. 主要研究方向為云控制系統, 移動機器人控制與協同.E-mail: brucesimpsonlm@gmail.com

                      北京中水科水電科技開發有限公司工程師. 主要從事水電站和新能源計算機監控系統的項目管理和系統集成工作.E-mail: rym_bitc@163.com

                      北京理工大學自動化學院博士研究生. 主要研究方向為云控制系統, 智能交通, 云工作流調度管理, 執行器飽和控制, Delta 算子, 有限頻域.E-mail: yancemc@163.com

                    • 基金項目:  國家重點研發計劃(2018YFB1003700), 國家自然科學基金(61836001, 61803033), 國家自然科學基金國際合作交流項目(61720106010), 國家自然科學基金創新研究群體基金(61621063), 北京市自然科學基金(4161001, Z170039)資助

                    Green Energy Complementary Based on Intelligent Power Plant Cloud Control System

                    More Information
                    • Fund Project:  Supported by National Key Research and Development Program of China (2018YFB1003700), National Natural Science Foundation of China (61836001, 61803033), National Natural Science Foundation Projects of International Cooperation and Exchanges (61720106010), Foundation for Innovative Research Groups of the National Natural Science Foundation of China (61621063), and Beijing Natural Science Foundation (4161001, Z170039)
                    • 摘要: 針對現代電力系統中設施龐雜、多源異構海量數據難以有效處理、“信息孤島”長期存在以及整體優化調度管理能力不足等問題, 基于云控制系統理論, 以智能電廠為研究對象, 本文提出了智能電廠云控制系統(Intelligent power plant cloud control system, IPPCCS)解決方案. 基于智能電廠云控制系統, 針對綠色能源發電波動性強、抗擾能力差的問題, 利用機器學習算法對采集到的風電、光伏輸出功率進行短時預測, 獲知未來風、光機組功率輸出情況. 在云端使用經濟模型預測控制(Economic model predictive control, EMPC)算法, 通過實時滾動優化得到水輪機組的功率預測調度策略, 保證綠色能源互補發電的魯棒性, 充分消納風、光兩種能源, 減少水輪機組啟停和穿越振動區次數, 在為用戶清潔、穩定供電的同時降低了機組壽命損耗. 最后, 一個區域云數據中心的供電算例表明了本文方法的有效性.
                    • 圖  1  智能電廠云控制系統云網邊端架構

                      Fig.  1  Cloud-network-edge-terminal architecture of intelligent power plant cloud control system (IPPCCS)

                      圖  2  楚雄州風水光電站平均出力曲線

                      Fig.  2  Average output of wind, hydro and solar power in Chuxiong state

                      圖  3  智能電廠云控制系統云邊端協同控制架構

                      Fig.  3  Cloud-network-edge-terminal collaborative control architecture of IPPCCS

                      圖  4  智能電廠云控制關鍵技術體系

                      Fig.  4  Key technologies system of IPPCCS

                      圖  5  智能電廠云控制系統底層邊緣控制

                      Fig.  5  Edge control system in IPPCCS

                      圖  6  智能電廠云控制數字孿生虛擬化架構

                      Fig.  6  Digital-twins virtualization structure in IPPCCS

                      圖  7  智能電廠云端任務和資源匹配調度技術框架

                      Fig.  7  Cloud tasks and resources matching scheduling framework in IPPCCS

                      圖  8  智能電廠云控制云網邊端安全管控技術架構

                      Fig.  8  Cloud-network-edge-terminal security management and control framework in IPPCCS

                      圖  9  集控中心層網絡安全分區業務分布圖

                      Fig.  9  Services distribution in centralized control center for network security

                      圖  10  含安全防護機制的云端集控中心與場站現地通信和規約方式

                      Fig.  10  Cloud-local communication and protocol mode with security protection mechanism

                      圖  11  智能電廠云控制系統工作拓撲圖

                      Fig.  11  Work topology of IPPCCS

                      圖  12  LSTM神經網絡細胞結構

                      Fig.  12  Cell structure of LSTM neural network

                      圖  13  LSTM-EMPC算法框架及流程圖

                      Fig.  13  Framework and flow chart of LSTM-EMPC

                      圖  14  云端?邊緣預測控制算法流程圖

                      Fig.  14  Flow chart of cloud-edge predictive control algorithm

                      圖  15  區域新能源電廠和綠色數據中心聯合運行示意圖

                      Fig.  15  Schematic diagram of joint operation of regional new energy power plant and green data center

                      圖  16  基于LSTM網絡的機組輸出功率預測效果

                      Fig.  16  Prediction results and error rates of generators output power based on LSTM network

                      圖  17  聯合運行區域負載功率變化曲線

                      Fig.  17  Load power change curve of joint operation area

                      圖  18  場景1的水電輸出功率補償效果

                      Fig.  18  Compensation effect of hydro power in Scenario 1

                      圖  19  場景1的各水電機組輸出功率調度方案

                      Fig.  19  Scheduling plan of hydro generators in Scenario 1

                      圖  20  場景2的水電輸出功率補償效果

                      Fig.  20  Compensation effect of hydro power in Scenario 2

                      圖  21  場景2的各水電機組輸出功率調度方案

                      Fig.  21  Scheduling plan of hydro generators in Scenario 2

                      圖  22  場景3的水電輸出功率補償效果

                      Fig.  22  Compensation effect of hydro power in Scenario 3

                      圖  23  場景3的各水電機組輸出功率調度方案

                      Fig.  23  Scheduling plan of hydro generators in Scenario 3

                      表  1  1號風機與1號光機未來時段預測結果

                      Table  1  Prediction results of No.1 wind generator and No.1 solar generator

                      預測時段 1號風機 1號光機
                      時段1 時段2 時段3 時段1 時段2 時段3
                      RMSE 17.383 25.569 32.469 10.703 12.787 13.645
                      平均誤差 12.2974 19.3473 26.2758 6.2836 9.2977 11.2038
                      平均誤差率 0.0416 0.0649 0.0878 0.0197 0.0292 0.0354
                      下載: 導出CSV

                      表  2  2 ~ 5 號風機未來時段預測結果

                      Table  2  Prediction results of No. 2 ~ 5 wind generators

                      預測時段 2號風機 3號風機
                      時段1 時段2 時段3 時段1 時段2 時段3
                      RMSE 22.869 30.357 34.298 22.842 31.128 34.999
                      平均誤差 16.4035 23.7910 27.1607 16.4035 23.7910 27.1607
                      平均誤差率 0.0870 0.1290 0.1489 0.0813 0.1209 0.1291
                      預測時段 4號風機 5號風機
                      時段1 時段2 時段3 時段1 時段2 時段3
                      RMSE 25.314 37.057 41.635 28.273 37.187 44.354
                      平均誤差 22.0610 27.7490 33.7304 20.1751 28.2186 33.6929
                      平均誤差率 0.0770 0.0954 0.1169 0.0696 0.0974 0.1138
                      下載: 導出CSV

                      表  3  2 ~ 5 號光機未來時段預測結果

                      Table  3  Prediction results of No. 2 ~ 5 solar generators

                      預測時段 2號光機 3號光機
                      時段1 時段2 時段3 時段1 時段2 時段3
                      RMSE 6.778 14.388 19.350 9.624 11.194 14.049
                      平均誤差 5.5040 13.3298 16.5947 10.3386 11.2576 13.0231
                      平均誤差率 0.0187 0.0454 0.0566 0.0333 0.0365 0.0424
                      預測時段 4號光機 5號光機
                      時段1 時段2 時段3 時段1 時段2 時段3
                      RMSE 9.467 9.549 14.924 7.149 8.264 17.235
                      平均誤差 7.6231 12.4947 15.6101 8.6143 7.6891 9.6818
                      平均誤差率 0.0242 0.0398 0.0500 0.0301 0.0272 0.0344
                      下載: 導出CSV

                      表  4  風機與光機未來時段預測平均結果

                      Table  4  Average results of wind and solar generators

                      預測時段 $1\sim 5 $號風機 $1\sim 5 $號光機
                      時段1 時段2 時段3 時段1 時段2 時段3
                      平均RMSE 23.336 32.260 37.551 8.744 11.236 15.841
                      平均誤差 17.5651 24.8910 29.6411 7.6727 10.8138 13.2227
                      平均誤差率 0.0713 0.1015 0.1193 0.0252 0.0356 0.0438
                      下載: 導出CSV

                      表  5  開停機和穿越振動區次數對比

                      Table  5  Comparison of times of on/off and crossing vibration areas

                      調度方式 開停機次數 穿越振動區次數
                      平均分配調度 6 30
                      AGC模擬調度 3 4
                      下載: 導出CSV
                      360彩票
                    • [1] Xia Y Q, Gao Y L, Yan L P, Fu M Y. Recent progress in networked control systems—a survey. International Journal of Automation and Computing, 2015, 12(4): 343?367 doi:  10.1007/s11633-015-0894-x
                      [2] Zhang X M, Han Q L, Yu X H. Survey on recent advances in networked control systems. IEEE Transactions on Industrial Informatics, 2016, 12(5): 1740?1752 doi:  10.1109/TII.2015.2506545
                      [3] Wang S Y, Wan J F, Zhang D Q, Li D, Zhang C H. Towards smart factory for industry 4.0: A self-organized multi-agent system with big data based feedback and coordination. Computer Networks, 2016, 101: 158?168 doi:  10.1016/j.comnet.2015.12.017
                      [4] Hegazy T, Hefeeda M. Industrial automation as a cloud service. IEEE Transactions on Parallel and Distributed Systems, 2015, 26(10): 2750?2763 doi:  10.1109/TPDS.2014.2359894
                      [5] Xia Y Q. From networked control systems to cloud control systems. In: Proceedings of the 31st Chinese Control Conference. Hefei, China: IEEE, 2012. 5878?5883
                      [6] Xia Y Q. Cloud control systems. IEEE/CAA Journal of Automatica Sinica, 2015, 2(2): 134?142 doi:  10.1109/JAS.2015.7081652
                      [7] Xia Y Q, Qin Y M, Zhai D H, Chai S C. Further results on cloud control systems. Science China Information Sciences, 2016, 59(7): 1?5
                      [8] 夏元清. 云控制系統及其面臨的挑戰. 自動化學報, 2016, 42(1): 1?12

                      Xia Yuan-Qing. Cloud control systems and their challenges. Acta Automatica Sinica, 2016, 42(1): 1?12
                      [9] 夏元清, Mahmoud M S, 李慧芳, 張金會. 控制與計算理論的交互: 云控制. 指揮與控制學報, 2017, 3(2): 99?118 doi:  10.3969/j.issn.2096-0204.2017.02.0099

                      Xia Yuan-Qing, Mahmoud M S, Li Hui-Fang, Zhang Jin-Hui. The interaction between control and computing theories: Cloud control system. Journal of Command and Control, 2017, 3(2): 99?118 doi:  10.3969/j.issn.2096-0204.2017.02.0099
                      [10] Gao R Z, Xia Y Q, Ma L. A new approach of cloud control systems: CCSs based on data-driven predictive control. In: Proceedings of the 5th Chinese Automation Congress (CAC). Jinan, China: IEEE, 2017. 3419?3422
                      [11] Ali Y, Xia Y Q, Ma L, Hammad A. Secure design for cloud control system against distributed denial of service attack. Control Theory and Technology, 2018, 16(1): 14?24 doi:  10.1007/s11768-018-8002-8
                      [12] 夏元清, 閆策, 王笑京, 宋向輝. 智能交通信息物理融合云控制系統. 自動化學報, 2019, 45(1): 132?142

                      Xia Yuan-Qing, Yan Ce, Wang Xiao-Jing, Song Xiang-Hui. Intelligent transportation cyber-physical cloud control systems. Acta Automatica Sinica, 2019, 45(1): 132?142
                      [13] Botta A, De Donato W, Persico V, Pescapé A. Integration of cloud computing and internet of things: A survey. Future Generation Computer Systems, 2016, 56: 684?700 doi:  10.1016/j.future.2015.09.021
                      [14] Shi W S, Cao J, Zhang Q, Li Y, Xu L Y. Edge computing: Vision and challenges. IEEE Internet of Things Journal, 2016, 3(5): 637?646 doi:  10.1109/JIOT.2016.2579198
                      [15] Thounthong P, Luksanasakul A, Koseeyaporn P, Davat B. Intelligent model-based control of a standalone photovoltaic/fuel cell power plant with supercapacitor energy storage. IEEE Transactions on Sustainable Energy, 2013, 4(1): 240?249 doi:  10.1109/TSTE.2012.2214794
                      [16] 劉吉臻, 胡勇, 曾德良, 夏明, 崔青汝. 智能發電廠的架構及特征. 中國電機工程學報, 2017, 37(22): 6463?6470

                      Liu Ji-Zhen, Hu Yong, Zeng De-Liang, Xia Ming, Cui Qing-Ru. Architecture and feature of smart power generation. Proceedings of the CSEE, 2017, 37(22): 6463?6470
                      [17] Adhya S, Saha D, Das A, Jana J, Saha H. An IoT based smart solar photovoltaic remote monitoring and control unit. In: Proceedings of the 2nd International Conference on Control, Instrumentation, Energy and Communication (CIEC). Kolkata, India: IEEE, 2016. 432?436
                      [18] Zhan Z H, Liu X F, Gong Y J, Zhang J, Chung H S H, Li Y. Cloud computing resource scheduling and a survey of its evolutionary approaches. ACM Computing Surveys, 2015, 47(4): Article No. 63
                      [19] Qin Q F, Poularakis K, Iosifidis G, Tassulas L. SDN controller placement at the edge: Optimizing delay and overheads. In: Proceedings of the 37th Conference on Computer Communications. Honolulu, USA: IEEE, 2018. 684?692
                      [20] Hu L, Miao Y M, Wu G X, Hassan M, Humar I. iRobot-Factory: An intelligent robot factory based on cognitive manufacturing and edge computing. Future Generation Computer Systems, 2019, 90: 569?577 doi:  10.1016/j.future.2018.08.006
                      [21] 任延明. 新能源集控中心網絡設計及云控制實現 [碩士學位論文], 北京理工大學, 中國, 2018.

                      Ren Yan-Ming. Network Design and Cloud Control Implementation of New Energy Centralized Control Center [Master thesis], Beijing Institute of Technology, China, 2018.
                      [22] 馬巖巖. 大數據一體化平臺在電廠中的研究與應用. 世界電信, 2017, 30(4): 64?71 doi:  10.3969/j.issn.1001-4802.2017.04.013

                      Ma Yan-Yan. Research and application of big data integration platform in power plant. World Telecommunications, 2017, 30(4): 64?71 doi:  10.3969/j.issn.1001-4802.2017.04.013
                      [23] 耿清華. 淺談基于大數據的智慧水電廠建設. 水電與新能源, 2018, 32(10): 33?35

                      Geng Qing-Hua. Construction of the intelligent hydropower plant based on big data technology. Hydropower and New Energy, 2018, 32(10): 33?35
                      [24] 喻敏華. 智慧全析電廠信息平臺研究與設計. 電力與能源, 2018, 39(3): 392?396, 408

                      Yu Min-Hua. Research and design of intelligent comprehensive analysis power plant information platform. Power and Energy, 2018, 39(3): 392?396, 408
                      [25] Khan F A, Pal N, Saeed S H. Review of solar photovoltaic and wind hybrid energy systems for sizing strategies optimization techniques and cost analysis methodologies. Renewable and Sustainable Energy Reviews, 2018, 92: 937?947 doi:  10.1016/j.rser.2018.04.107
                      [26] 艾芊, 郝然. 多能互補、集成優化能源系統關鍵技術及挑戰. 電力系統自動化, 2018, 42(4): 2?10, 46 doi:  10.7500/AEPS20170927008

                      Ai Qian, Hao Ran. Key technologies and challenges for multi-energy complementarity and optimization of integrated energy system. Automation of Electric Power Systems, 2018, 42(4): 2?10, 46 doi:  10.7500/AEPS20170927008
                      [27] 趙澤. 風光水互補發電系統有功控制問題研究 [碩士學位論文]. 中國水利水電科學研究院, 中國, 2018.

                      Zhao Ze. Research on the AGC of Complementary Power Generation Pattern of Wind Power, Solar Power and Hydropower [Master thesis], China Institute of Water Resources and Hydropower Research, China, 2018.
                      [28] 陳麗媛, 陳俊文, 李知藝, 莊曉丹. “風光水”互補發電系統的調度策略. 電力建設, 2013, 34(12): 1?6 doi:  10.3969/j.issn.1000-7229.2013.12.001

                      Chen Li-Yuan, Chen Jun-Wen, Li Zhi-Yi, Zhuang Xiao-Dan. Scheduling strategy of wind-photovoltaic-hydro hybrid generation system. Electric Power Construction, 2013, 34(12): 1?6 doi:  10.3969/j.issn.1000-7229.2013.12.001
                      [29] Taleb T, Samdanis K, Mada B, Flinck H, Dutta S, Sabella D. On multi-access edge computing: A survey of the emerging 5G network edge cloud architecture and orchestration. IEEE Communications Surveys and Tutorials, 2017, 19(3): 1657?1681 doi:  10.1109/COMST.2017.2705720
                      [30] Xavier M G, Neves M V, Rossi F D, Ferreto T C, Lange T, De Rose C A F. Performance evaluation of container-based virtualization for high performance computing environments. In: Proceedings of the 21st Euromicro International Conference on Parallel, Distributed, and Network-Based Processing. Belfast, United Kingdom: IEEE, 2013. 233?240
                      [31] Liu G P. Predictive control of networked multiagent systems via cloud computing. IEEE Transactions on Cybernetics, 2017, 47(8): 1852?1859 doi:  10.1109/TCYB.2017.2647820
                      [32] He X, Ju Y M, Liu Y, Zhang B C. Cloud-based fault tolerant control for a DC motor system. Journal of Control Science and Engineering, 2017, 2017(3): Article ID 5670849
                      [33] Li L, Wang X J, Xia Y Q, Yang H J. Predictive cloud control for multiagent systems with stochastic event-triggered schedule. ISA Transactions, 2019, 94: 70?79 doi:  10.1016/j.isatra.2019.04.011
                      [34] Peinl R, Holzschuher F, Pfitzer F. Docker cluster management for the cloud-survey results and own solution. Journal of Grid Computing, 2016, 14(2): 265?282 doi:  10.1007/s10723-016-9366-y
                      [35] 羅軍舟, 金嘉暉, 宋愛波, 東方. 云計算: 體系架構與關鍵技術. 通信學報, 2011, 32(7): 3?21 doi:  10.3969/j.issn.1000-436X.2011.07.002

                      Luo Jun-Zhou, Jin Jia-Hui, Song Ai-Bo, Dong Fang. Cloud computing: Architecture and key technologies. Journal on Communications, 2011, 32(7): 3?21 doi:  10.3969/j.issn.1000-436X.2011.07.002
                      [36] Xiong Y, Sun Y L, Xing L, Huang Y. Extend cloud to edge with KubeEdge. In: Proceedings of the 2018 IEEE/ACM Symposium on Edge Computing (SEC). Seattle, WA, USA: IEEE, 2018. 373?377
                      [37] Haja D, Szalay M, Sonkoly B, Pongracz G, Toka L. Sharpening Kubernetes for the edge. In: Proceedings of the ACM SIGCOMM 2019 Conference Posters and Demos. Beijing, China: ACM, 2019. 136?137
                      [38] Majeed A A, Kilpatrick P, Spence I. Varghese B. Performance estimation of container-based cloud-to-fog offloading. arXiv: 1909.04945, 2019.
                      [39] Tao F, Cheng J F, Qi Q L, Zhang M, Zhang H, Sui F Y. Digital twin-driven product design, manufacturing and service with big data. The International Journal of Advanced Manufacturing Technology, 2018, 94(9-12): 3563?3576 doi:  10.1007/s00170-017-0233-1
                      [40] Wan J F, Tang S L, Shu Z G, Li D, Wang S Y, Imran M, et al. Software-defined industrial internet of things in the context of industry 4.0. IEEE Sensors Journal, 2016, 16(20): 7373?7380
                      [41] Wu D, Arkhipov D I, Asmare E, Qin Z J, McCann J A. UbiFlow: Mobility management in urban-scale software defined IoT. In: Proceedings of the 34th IEEE Conference on Computer Communications. Hong Kong, China: IEEE, 2015. 208?216
                      [42] Chung A, Park J W, Ganger G R. Stratus: Cost-aware container scheduling in the public cloud. In: Proceedings of the 9th ACM Symposium on Cloud Computing. Carlsbad, USA: ACM, 2018. 121?134
                      [43] Zhang Q, Zhani M F, Boutaba R, Hellerstein J L. Dynamic heterogeneity-aware resource provisioning in the cloud. IEEE Transactions on Cloud Computing, 2014, 2(1): 14?28 doi:  10.1109/TCC.2014.2306427
                      [44] Bernstein D. Containers and cloud: From LXC to docker to kubernetes. IEEE Cloud Computing, 2014, 1(3): 81?84 doi:  10.1109/MCC.2014.51
                      [45] Zhu J, Li X P, Ruiz R, Xu X L. Scheduling stochastic multi-stage jobs to elastic hybrid cloud resources. IEEE Transactions on Parallel and Distributed Systems, 2018, 29(6): 1401?1415 doi:  10.1109/TPDS.2018.2793254
                      [46] Malawski M, Juve G, Deelman E, Nabrzyski J. Algorithms for cost- and deadline-constrained provisioning for scientific workflow ensembles in IaaS clouds. Future Generation Computer Systems, 2015, 48: 1?18 doi:  10.1016/j.future.2015.01.004
                      [47] Mao H Z, Alizadeh M, Menache I, Kandula S. Resource management with deep reinforcement learning. In: Proceedings of the 15th ACM Workshop on Hot Topics in Networks. Atlanta, USA: ACM, 2016. 50?56
                      [48] Yuan H H, Xia Y Q, Zhang J H, Yang H J, Mahmoud M S. Stackelberg-game-based defense analysis against advanced persistent threats on cloud control system. IEEE Transactions on Industrial Informatics, 2020, 16(3): 1571?1580 doi:  10.1109/TII.2019.2925035
                      [49] Zhou J, Cao Z F, Dong X L, Vasilakos A V. Security and privacy for cloud-based IoT: Challenges. IEEE Communications Magazine, 2017, 55(1): 26?33 doi:  10.1109/MCOM.2017.1600363CM
                      [50] Manuel P. A trust model of cloud computing based on quality of service. Annals of Operations Research, 2015, 233(1): 281?292 doi:  10.1007/s10479-013-1380-x
                      [51] Li P, Li J, Huang Z G, Li T, Gao C Z, Yiu S M, et al. Multi-key privacy-preserving deep learning in cloud computing. Future Generation Computer Systems, 2017, 74: 76?85 doi:  10.1016/j.future.2017.02.006
                      [52] Habib M A, Ahmad M, Jabbar S, Ahmed S H, Rodrigues J J P C. Speeding up the internet of things: LEAIoT: A lightweight encryption algorithm toward low-latency communication for the internet of things. IEEE Consumer Electronics Magazine, 2018, 7(6): 31?37 doi:  10.1109/MCE.2018.2851722
                      [53] Dragomir D, Gheorghe L, Costea S, Radovici A. A survey on secure communication protocols for IoT systems. In: Proceedings of the 5th International Workshop on Secure Internet of Things (SIoT). Heraklion, Greece: IEEE, 2016. 47?62
                      [54] Kumari S, Karuppiah M, Das A K, Li X, Wu F, Kumar N. A secure authentication scheme based on elliptic curve cryptography for IoT and cloud servers. The Journal of Supercomputing, 2018, 74(12): 6428?6453 doi:  10.1007/s11227-017-2048-0
                      [55] 韓璇, 袁勇, 王飛躍. 區塊鏈安全問題: 研究現狀與展望. 自動化學報, 2019, 45(1): 206?225

                      Han Xuan, Yuan Yong, Wang Fei-Yue. Security problems on blockchain: The state of the art and future trends. Acta Automatica Sinica, 2019, 45(1): 206?225
                      [56] Park J, Park J. Blockchain security in cloud computing: Use cases, challenges, and solutions. Symmetry, 2017, 9(8): 164 doi:  10.3390/sym9080164
                      [57] Khan M A, Salah K. IoT security: Review, blockchain solutions, and open challenges. Future Generation Computer Systems, 2018, 82: 395?411 doi:  10.1016/j.future.2017.11.022
                      [58] Bahga A, Madisetti V K. Blockchain platform for industrial internet of things. Journal of Software Engineering and Applications, 2016, 9(10): 533?546 doi:  10.4236/jsea.2016.910036
                      [59] Ahmad I, Kumar T, Liyanage M, Okwuibe J, Ylianttila M, Gurtov A. Overview of 5G security challenges and solutions. IEEE Communications Standards Magazine, 2018, 2(1): 36?43 doi:  10.1109/MCOMSTD.2018.1700063
                      [60] 金芬蘭, 王昊, 范廣民, 余建明, 米為民. 智能電網調度控制系統的變電站集中監控功能設計. 電力系統自動化, 2015, 39(1): 241?247 doi:  10.7500/AEPS20141009023

                      Jin Fen-Lan, Wang Hao, Fan Guang-Min, Yu Jian-Ming, Mi Wei-Min. Design of centralized substation monitoring functions for smart grid dispatching and control systems. Automation of Electric Power Systems, 2015, 39(1): 241?247 doi:  10.7500/AEPS20141009023
                      [61] Zaytar M A, El Amrani C. Sequence to sequence weather forecasting with long short-term memory recurrent neural networks. International Journal of Computer Applications, 2016, 143(11): 7?11 doi:  10.5120/ijca2016910497
                      [62] Rossiter J. Model-Based Predictive Control: A Practical Approach. Boca Raton: CRC Press, 2017. 52?74
                      [63] Müller M, Grüne L. Economic model predictive control without terminal constraints for optimal periodic behavior. Automatica, 2016, 70: 128?139 doi:  10.1016/j.automatica.2016.03.024
                      [64] Zong Y, B?ning G M, Santos R M, You S, Hu J J, Han X. Challenges of implementing economic model predictive control strategy for buildings interacting with smart energy systems. Applied Thermal Engineering, 2017, 114: 1476?1486 doi:  10.1016/j.applthermaleng.2016.11.141
                      [65] 喬亮亮, 李晨坤, 付亮, 唐衛平. 某250MW水電機組振動區劃分及AGC避振方法應用. 水電能源科學, 2018, 36(9): 152?154

                      Qiao Liang-Liang, Li Chen-Kun, Fu Liang, Tang Wei-Ping. Vibration zone division of a 250MW hydropower unit and application of AGC vibration avoidance method. Water Resources and Power, 2018, 36(9): 152?154
                      [66] 鄧維, 劉方明, 金海, 李丹. 云計算數據中心的新能源應用: 研究現狀與趨勢. 計算機學報, 2013, 36(3): 582?598

                      Deng Wei, Liu Fang-Ming, Jin Hai, Li Dan. Leveraging renewable energy in cloud computing datacenters: State of the art and future research. Chinese Journal of Computers, 2013, 36(3): 582?598
                      [67] 溫正楠, 劉繼春. 風光水互補發電系統與需求側數據中心聯動的優化調度方法. 電網技術, 2019, 43(7): 2449?2459

                      Wen Zheng-Nan, Liu Ji-Chun. A optimal scheduling method for hybrid wind-solar-hydro power generation system with data center in demand side. Power System Technology, 2019, 43(7): 2449?2459
                    • [1] 平作為, 何維, 李俊林, 楊濤. 基于稀疏學習的微電網負載建模[J]. 自動化學報, 2020, 46(9): 1798-1808. doi: 10.16383/j.aas.c200154
                      [2] 陳智強, 王作偉, 方龍偉, 菅鳳增, 吳毅紅, 李碩, 何暉光. 基于機器學習和幾何變換的實時2D/3D脊椎配準[J]. 自動化學報, 2018, 44(7): 1183-1194. doi: 10.16383/j.aas.2017.c160711
                      [3] 李金忠, 劉關俊, 閆春鋼, 蔣昌俊. 排序學習研究進展與展望[J]. 自動化學報, 2018, 44(8): 1345-1369. doi: 10.16383/j.aas.2018.c170246
                      [4] 鄭治豪, 吳文兵, 陳鑫, 胡榮鑫, 柳鑫, 王璞. 基于社交媒體大數據的交通感知分析系統[J]. 自動化學報, 2018, 44(4): 656-666. doi: 10.16383/j.aas.2017.c160537
                      [5] 李力, 林懿倫, 曹東璞, 鄭南寧, 王飛躍. 平行學習——機器學習的一個新型理論框架[J]. 自動化學報, 2017, 43(1): 1-8. doi: 10.16383/j.aas.2017.y000001
                      [6] 吳潮, 馬冬, 田??? 李鄉儒, 魏建彥. 天文瞬變源快速自動識別系統的研究與實現[J]. 自動化學報, 2017, 43(12): 2170-2177. doi: 10.16383/j.aas.2017.c160289
                      [7] 王彩璐, 陶躍鋼, 楊鵬, 劉作軍, 周穎. 云控制系統并行任務分配優化算法與并聯控制[J]. 自動化學報, 2017, 43(11): 1973-1983. doi: 10.16383/j.aas.2017.c160504
                      [8] 夏元清. 云控制系統及其面臨的挑戰[J]. 自動化學報, 2016, 42(1): 1-12. doi: 10.16383/j.aas.2016.c150541
                      [9] 張國山, 王巖浩. 基于數據的一類部分未知仿射非線性系統近似解[J]. 自動化學報, 2015, 41(10): 1745-1753. doi: 10.16383/j.aas.2015.c150272
                      [10] 周志華. 基于分歧的半監督學習[J]. 自動化學報, 2013, 39(11): 1871-1878. doi: 10.3724/SP.J.1004.2013.01871
                      [11] 杜友田, 李謙, 周亞東, 吳陳鶴. 基于異質信息融合的網絡圖像半監督學習方法[J]. 自動化學報, 2012, 38(12): 1923-1932. doi: 10.3724/SP.J.1004.2012.01923
                      [12] 徐昕, 沈棟, 高巖青, 王凱. 基于馬氏決策過程模型的動態系統學習控制:研究前沿與展望[J]. 自動化學報, 2012, 38(5): 673-687. doi: 10.3724/SP.J.1004.2012.00673
                      [13] 劉嶠, 秦志光, 陳偉, 張鳳荔. 基于零范數特征選擇的支持向量機模型[J]. 自動化學報, 2011, 37(2): 252-256. doi: 10.3724/SP.J.1004.2011.00252
                      [14] J.Renno, P.Remagnino, G.A.Jones. 針對自校準地面的學習監控跟蹤模型[J]. 自動化學報, 2003, 29(3): 381-392.
                      [15] 蘇曉紅, 王亞東, 郭茂祖, 馬培軍. 基于樣本空間學習算法的彩色匹配方法研究[J]. 自動化學報, 2001, 27(2): 186-193.
                      [16] 張學工. 關于統計學習理論與支持向量機[J]. 自動化學報, 2000, 26(1): 32-42.
                      [17] 周志華, 陳兆乾, 駱斌, 陳世福. 基于混合學習算法IHMCAP的故障診斷模型[J]. 自動化學報, 2000, 26(4): 529-532.
                      [18] 楊健, 席裕庚, 張鐘俊. 預測控制滾動優化的時間分解方法[J]. 自動化學報, 1995, 21(5): 555-561.
                      [19] 張偉, 劉積仁, 李華天. 基于函數逼近的學習式搜索[J]. 自動化學報, 1994, 20(2): 235-239.
                      [20] 王申康, 何欽銘, 黃志華. KAL:一個可學習的知識獲取環境[J]. 自動化學報, 1992, 18(3): 383-384.
                    • 加載中
                    圖(23) / 表(5)
                    計量
                    • 文章訪問數:  139
                    • HTML全文瀏覽量:  124
                    • PDF下載量:  49
                    • 被引次數: 0
                    出版歷程
                    • 收稿日期:  2019-08-13
                    • 錄用日期:  2020-02-23
                    • 網絡出版日期:  2020-09-28
                    • 刊出日期:  2020-09-20

                    綠色能源互補智能電廠云控制系統研究

                    doi: 10.16383/j.aas.c190581
                      基金項目:  國家重點研發計劃(2018YFB1003700), 國家自然科學基金(61836001, 61803033), 國家自然科學基金國際合作交流項目(61720106010), 國家自然科學基金創新研究群體基金(61621063), 北京市自然科學基金(4161001, Z170039)資助
                      作者簡介:

                      北京理工大學自動化學院教授. 主要研究方向為云控制系統, 云數據中心調度管理, 智能電廠, 智能交通, 模型預測控制, 自抗擾控制, 飛行器控制和空天地一體化控制. 本文通信作者.E-mail: xia_yuanqing@bit.edu.cn

                      北京理工大學自動化學院博士研究生. 主要研究方向為云控制系統, 智能電廠, 云工作流調度管理, 深度強化學習.E-mail: gaorunze0558@163.com

                      北京理工大學自動化學院博士研究生. 主要研究方向為云控制系統, 移動機器人控制與協同.E-mail: brucesimpsonlm@gmail.com

                      北京中水科水電科技開發有限公司工程師. 主要從事水電站和新能源計算機監控系統的項目管理和系統集成工作.E-mail: rym_bitc@163.com

                      北京理工大學自動化學院博士研究生. 主要研究方向為云控制系統, 智能交通, 云工作流調度管理, 執行器飽和控制, Delta 算子, 有限頻域.E-mail: yancemc@163.com

                    摘要: 針對現代電力系統中設施龐雜、多源異構海量數據難以有效處理、“信息孤島”長期存在以及整體優化調度管理能力不足等問題, 基于云控制系統理論, 以智能電廠為研究對象, 本文提出了智能電廠云控制系統(Intelligent power plant cloud control system, IPPCCS)解決方案. 基于智能電廠云控制系統, 針對綠色能源發電波動性強、抗擾能力差的問題, 利用機器學習算法對采集到的風電、光伏輸出功率進行短時預測, 獲知未來風、光機組功率輸出情況. 在云端使用經濟模型預測控制(Economic model predictive control, EMPC)算法, 通過實時滾動優化得到水輪機組的功率預測調度策略, 保證綠色能源互補發電的魯棒性, 充分消納風、光兩種能源, 減少水輪機組啟停和穿越振動區次數, 在為用戶清潔、穩定供電的同時降低了機組壽命損耗. 最后, 一個區域云數據中心的供電算例表明了本文方法的有效性.

                    English Abstract

                    夏元清, 高潤澤, 林敏, 任延明, 閆策. 綠色能源互補智能電廠云控制系統研究. 自動化學報, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581
                    引用本文: 夏元清, 高潤澤, 林敏, 任延明, 閆策. 綠色能源互補智能電廠云控制系統研究. 自動化學報, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581
                    Xia Yuan-Qing, Gao Run-Ze, Lin Min, Ren Yan-Ming, Yan Ce. Green energy complementary based on intelligent power plant cloud control system. Acta Automatica Sinica, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581
                    Citation: Xia Yuan-Qing, Gao Run-Ze, Lin Min, Ren Yan-Ming, Yan Ce. Green energy complementary based on intelligent power plant cloud control system. Acta Automatica Sinica, 2020, 46(9): 1844?1868. doi: 10.16383/j.aas.c190581
                    • 近年來, 網絡技術取得顯著發展, 越來越多的網絡技術應用于控制系統[1-2]. 為了滿足日益復雜、規模日益擴大的控制任務需求, 需要采集和存儲的數據越來越多, 控制系統必須能夠處理這些海量數據. 傳統控制體系面臨控制任務越來越復雜、計算能力和存儲空間存在約束等嚴峻挑戰, 迫切需要具有智能計算、優化控制與決策能力的新一代控制系統[3-5]. 云控制系統(Cloud control system, CCS)在傳統控制系統中引入云計算、大數據處理技術以及人工智能算法, 將各種傳感器感知匯聚而成的海量數據, 也即大數據, 存儲在云端; 在云端利用人工智能算法實現系統的在線辨識與建模, 應用任務的計劃、規劃、調度、預測、優化、決策和控制, 結合自適應模型預測控制、數據驅動預測控制等先進控制方法, 實現系統的自主智能控制, 即形成云控制[4-12]. 云計算具有強大的數據計算和存儲能力, 邊緣計算具有部署靈活、計算實時等特點, 在終端應用邊緣控制, 借助網絡交互信息, 形成云網邊端協作機制, 提高復雜智能系統的實時性和可用性[13-14]. 智能電廠是典型的復雜智能系統, 業務規模龐大、種類復雜, 對計算能力和控制品質需求很高[15-17]. 集成計算、通信和控制的云控制系統可為智能電廠提供可行的解決方案和先進技術, 云控制平臺接收到多種應用任務后, 將其分配給價格低廉、可動態配置的容器、虛擬機等云處理器資源池[18], 與邊緣場站和終端設備控制形成協作, 解決基于現代電廠電力大數據的整體協同計劃、規劃、調度、預測、優化、決策和控制等問題. 綠色能源互補是智能電廠和云控制系統融合的一個重要應用, 本文將利用人工智能和經濟模型預測控制(Economic model predictive control, EMPC), 實現風水光綠色能源互補發電滾動優化調度.

                      結合云控制系統理論和智能電廠實際場景及需求, 本文設計了智能電廠云控制系統(Intelligent power plant cloud control system, IPPCCS)和基于智能電廠云控制系統的綠色能源互補發電滾動優化方法. 如圖1所示, 左側表示云控制系統云網邊端架構, 其中云控制平臺層、邊緣控制層、終端設備層與智能電廠的集控層、場站層、現地層相互對應. 同時, 云端與邊緣、邊緣與終端設備的交互協同不能離開網絡, 因此網絡傳輸層也是云控制系統架構的重要部分. 云控制系統和智能電廠相互融合, 形成智能電廠云控制系統. 在智能電廠云控制系統中, 現地層部署電廠具體功能和業務, 包括升壓控制系統、巡檢安防系統、機組發電系統和工業IT系統等, 通過纜線、WiFi、5G等廉價、便利的通信方式連接、集成到分屬場站上. 場站層設有邊緣控制器(Edge controller), 利用邊緣計算(如邊緣Kubernetes系統)易于部署、實時性好和可靠性高的特點, 對該場站終端設備進行監視以及精準、穩定的實時管控[19-20]. 場站層獲取到終端設備的原始數據后, 根據任務類型, 對數據進行分類和預處理. 例如在綠色能源互補發電滾動優化中, 各場站采集到站內機組的原始數據后, 先挑選出風光輸出功率預測所需數據, 再在場站對其進行預測, 最后將各場站機組輸出功率預測結果發往云控制平臺. 將部分任務放置在邊緣, 既能充分利用場站的邊緣算力, 也可避免所有終端數據直接發往云端, 導致通信成本和云端計算負擔成倍增加[12, 20-21].

                      圖  1  智能電廠云控制系統云網邊端架構

                      Figure 1.  Cloud-network-edge-terminal architecture of intelligent power plant cloud control system (IPPCCS)

                      智能電廠云控制平臺部署包括云控制與決策、云存儲、規則庫和算法庫以及孿生電廠等模塊. 云控制與決策, 即數據計算和控制決策功能被部署在云端的服務器中, 其中涉及到的優化、管理、調度和控制等算法被集成為算法庫; 電廠終端設備在物理空間遵守的規則被封裝為規則庫; 場站層關鍵業務、運維數據通過網絡傳到云端, 形成云存儲. 規則庫和云存儲分別對應模型和數據, 通過二者融合和迭代更新, 在云控制與決策服務器中調用算法庫中的方法, 一方面在孿生電廠中模擬運行結果、進行態勢演判, 另一方面將得到的全局最優優化調度方案、指令發給各場站以至終端設備. 場站在上層指令指導與約束下, 對終端設備完成邊緣控制, 經由云網邊端四個層面協作互補, 形成對整個智能電廠系統的統一優化、管理、調度和控制.

                      在智能電廠云控制系統建立過程中, 計算和數據資源的整合共享處在核心位置. 云計算用網絡連接大量計算資源, 統一調度和管理, 形成一個可動態配置的共享資源池[5-9], 和邊緣計算協作, 為智能電廠終端設備以及管理人員按需提供計算服務. 在數據共享方面, 建立由云計算、邊緣計算、數據庫等技術支持, 綜合電廠集控、場站、現地三層業務運維信息采集、處理和應用的智能電廠信息云, 利用積壓的歷史數據, 形成共享資源池, 打破物理壁壘, 解決電廠“信息孤島”問題. 文獻[22]提出電力大數據信息資源庫的設計方案, 旨在解決電廠數據無序、分散、滯漲等問題. 文獻[23]設計了大數據場景下智能水電廠的新型架構, 將數據中心建設部署在核心位置. 文獻[24]則分析了電廠生產環境中的實際數據類型、特點, 基于云計算、虛擬化技術設計了智能全息電廠信息平臺架構. 目前, 主流電廠各生產環節都實現了成熟的自動化, 關鍵數據基本實現了自動采集、分類和整理. 例如四川大渡河流域發電公司充分接入生產環境各類數據, 結構化數據接入速度達到4 MB/s, 非結構化數據達到100 MB/s, 已具備智能電廠信息云建立的充分條件.

                      建立智能電廠信息云之后, 智能電廠云控制系統可以承載許多重要應用, 綠色能源互補發電即是其中之一[25]. 當前, 化石能源不斷消耗并且破壞生態環境, 風能、水能和太陽能等綠色能源得到廣泛的重視和開發利用. 如圖2所示, 風、水、光三種綠色能源在時間和空間上具有很好的互補性, 但純綠色能源的消納受偶然因素影響較大, 導致風水光等純綠色能源互補發電的魯棒性不高, 因此目前的研究多集中于煤炭、油氣等化石能源和一種或多種新能源, 即混合能源的互補優化[26-28]. 其次, 現有綠色能源或混合能源互補優化方法, 多采用單次優化求取策略的形式, 不能考慮綠色能源功率的變化, 單次優化存在偶然性較大的問題, 魯棒性也因此受到影響. 最后, 綠色能源互補優化問題面臨許多約束, 如水輪機組的功率調節限制、爬坡率限制等, 一般控制算法不易處理多約束問題. 模型預測控制是一種基于模型的最優控制策略, 將控制問題轉化為優化問題, 用滾動優化的方式求解最優預測控制序列, 由此具有較強的魯棒性, 并且適合處理多約束問題. 但在許多實際場景中, 性能目標不能簡單地設為對穩定點的跟蹤. 經濟模型預測控制(EMPC)不局限于標準的狀態空間模型, 不要求代價函數的具體形式, 只強調模型的功能, 直接將經濟目標作為優化函數, 因此特別適合綠色能源互補優化問題. 然而, 對于綠色能源互補優化問題, 沒有可迭代的模型以供推演和求解優化問題, 即EMPC不能直接應用于本問題.

                      圖  2  楚雄州風水光電站平均出力曲線

                      Figure 2.  Average output of wind, hydro and solar power in Chuxiong state

                      另一方面, 智能電廠信息云中蘊含著豐富的風電、光電功率等歷史數據, 這些數據暫未被充分利用. 本文綜合以上問題, 基于智能電廠云控制系統, 設計了一種LSTM-EMPC方法. 該方法使用EMPC的框架, 先用長短期記憶網絡(Long-short term memory, LSTM)預測未來風電、光電的功率輸出情況, 消解不確定性, 填充完整原本不可迭代的綠色能源互補優化模型, 使其滿足滾動優化的條件; 再用EMPC方法求解得到水輪機組的最優預測調度方案, 保證區域供電穩定, 減少水輪機組開停機次數, 降低功率波動對機組的損耗, 保證系統魯棒性.

                      本文主要貢獻如下: 1)面向現代電廠控制業務發展的技術需求, 首次提出智能電廠云控制系統設計方案以及關鍵技術體系, 給出云控制系統在智能電廠領域的應用示例; 2)針對智能電廠云控制系統中的綠色能源功率預測問題, 設計基于LSTM的風電、光伏輸出功率智能預測機制, 短時預測精度分別達到92%和97%, 為綠色能源互補發電滾動優化提供數據基礎; 3)建立風水光互補發電的數學模型, 在云端設計基于EMPC的綠色能源互補發電滾動優化方法, 求解得到水輪機組的最優預測調度方案; 4)針對區域新能源電廠和綠色數據中心聯立運行應用場景, 進行了基于電廠實際數據的優化調度, 仿真結果表明了本方案的有效性.

                      • 云控制系統集成了云計算、物聯網技術、網絡化控制理論以及其他最新研究成果[29-33], 能夠為智能電廠管控提供有力的支撐. 并且隨著云計算、邊緣計算和網絡通訊等能力的提升, 智能電廠云控制系統處理計算任務的能力也將不斷提高. 基于容器技術, 智能電廠云控制系統提供了一個可動態配置、獲取計算資源與數據的鏡像池[34], 包含機組控制調度、故障分析、電力大數據存儲與訪問等業務. 集控層和場站層的業務執行者無需知道服務提供者的物理位置和配置信息, 只需拉取鏡像就可使用. 如圖3所示, 將智能電廠管控需求和云控制閉環反饋以及邊緣控制技術結合, 采用大數據智能分析、協同控制、資源調度等技術, 能夠實現智能電廠的云端決策、云網邊端協同控制、云端虛擬資源和終端物理資源的協調調度等. 通過云端智能控制決策等和基于邊緣計算的終端閉環控制的交互協作, 實現智能電廠云控制系統的整體優化管控.

                        圖  3  智能電廠云控制系統云邊端協同控制架構

                        Figure 3.  Cloud-network-edge-terminal collaborative control architecture of IPPCCS

                        目前云計算體系有基礎設施即服務(Infrastru-cture as a service, IaaS)、平臺即服務(Platform as a service, PaaS)和軟件即服務(Software as a service, SaaS)三種服務模式[35]. 從控制角度分析, 智能電廠終端設備規模龐大、種類復雜, 應拆分成具體的業務單元, 而不是將其作為一個整體進行建模以及控制. 在本文云網邊端架構中, 將電廠關鍵數據存儲在云端, 計算任務運行時申請業務池中的鏡像, 拉取容器快速實例化執行云端任務; 云端下發全局命令后, 場站層按相同方式從場站服務器中申請資源執行邊緣計算任務; 現地層維持終端設備的自穩運轉, 接收到上層指令后執行動作完成邊緣控制, 提高智能電廠整體管控的實時性和可用性. 因此, 可將控制封裝為一種按需申請、隨取即用的服務, 也就是控制即服務(Control as a service, CaaS)[7-9].

                        CaaS面向智能電廠云控制云網邊端服務應用以及系統操作、開發人員. 業務申請者和系統操作人員向服務提供者申請獲得所需要的鏡像和容器執行業務應用; 系統開發人員則創建、修改、刪除鏡像, 調試確定所需容器CPU、內存和網絡帶寬等配置, 將其封裝進業務鏡像池中以供使用. CaaS也可基于虛擬機開發, 為用戶提供包含基礎操作系統、專業控制軟件、網絡和存儲等資源配置的控制開發平臺. 基于容器的CaaS與基于虛擬機的CaaS相比, 部署速度更快、靈活性更高, 系統穩定性較弱, 但都具有極高的系統集成度、經濟性和可復用性.

                        智能電廠的應用都可以通過網絡來執行, 業務請求者只需要連接上網絡, 通過接口平臺或者Web界面就可以定制調用修改部署在云端的服務器, 免去高昂的硬件設備費用和底層控制算法的冗余開發開銷. 終端設備采集業務和環境數據上傳到云端, 云控制器通過計算求解得到和實際任務相適應的系統參數、控制指令, 返回邊緣控制終端. 在智能電廠云控制系統中, 相關的優化、管理、調度和控制等服務被封裝成CaaS的形式, 通過云端融合邊緣接口提供給業務請求者, 其業務鏡像池機制能夠支撐智能電廠龐大的業務規模以及滿足具體場景、任務下的定制化需求.

                        智能電廠云控制系統包括智能電廠邊緣控制、數字孿生虛擬化、云端任務與資源匹配調度和云網邊端安全管控等關鍵技術, 技術體系如圖4所示. 對于底層智能電廠終端設備, 使用邊緣控制技術實現精準、自穩、基礎性的本地控制, 保證邊緣系統在獨立條件下依然能夠穩定運行, 同時充分利用本地計算資源, 降低云端的計算和通信負擔; 云端任務與資源匹配技術與邊緣控制技術配合, 通過合理分工, 信息、控制指令和應用鏡像的傳輸, 共同協作, 優化智能電廠整體運行; 左側云網邊端安全管控技術從云端、網絡、邊緣和終端四個層次保障智能電廠系統的安全性和可靠性. 右側為數字孿生虛擬化技術, 通過邊緣、終端兩層設施的映射, 在云端建立規則庫、算法庫以及孿生電廠, 再通過實時或關鍵數據的傳輸, 調度云資源池中的資源, 驅動孿生電廠更新運行, 得到全局優化管控方案. 智能電廠云控制系統的四項關鍵技術之間有著密切的聯系, 互相協作驅動, 形成一個有機的整體.

                        圖  4  智能電廠云控制關鍵技術體系

                        Figure 4.  Key technologies system of IPPCCS

                      • 在智能電廠云控制系統框架中, 我們提出了邊緣控制技術. 邊緣控制充分利用邊緣計算的優勢, 基于5G時代云端算力下沉、終端算力上移的特點, 無需把底層數據全部上傳至云端驅動決策, 只需在本地或小范圍內對目標系統進行控制, 以保證終端設備控制的實時性、可用性以及經濟性. 如圖5所示, 云控制平臺和終端設備及邊緣控制器通過云端融合邊緣接口相連接, 使用自適應智能網關技術實時調控網絡流量, 通過邊緣安全管控機制保護終端設備, 規避安全隱患. 在邊緣層, 部署邊緣控制、邊緣計算和邊緣感知模塊, 與終端層的升壓控制、智能機器人與無人機巡檢安防和機組發電等設備相連實現精準、穩定實時控制; 對于服務器、PLC板、控制柜等工業IT設備, 在邊緣層設有數據接入與I/O接口, 實時收集、處理IT設備數據, 進行信息交互. 在自適應智能網關和邊緣安全管控技術的保護下, 邊緣層和終端層組成邊緣?終端系統安全管控體系. 邊緣層和終端層使用WiFi、5G、纜線等多種靈活的方式連接, 其中5G傳輸速度可達每秒千兆位, 滿足未來智能電廠云控制系統的實時性需求.

                        圖  5  智能電廠云控制系統底層邊緣控制

                        Figure 5.  Edge control system in IPPCCS

                        面向智能電廠云控制系統底層的邊緣?終端安全管控系統, 其核心是基于電廠設備運行大數據的采集、處理、分析和對設備運行環境的實時感知, 利用邊緣計算實現電廠設備具體的控制策略, 完成對終端設備的本地控制[12]. 通過設置Kubernetes資源調度集群, 建立小型、輕量化的容器計算節點, 提供邊緣算力, 調度計算任務所需資源, 從而管理和控制終端設備[36-37]. 將Kubernetes系統部署在邊緣, 除了便于部署和管理, 提升受限條件下的資源利用率, 還可以有效地和云端相互協同[38]. 具體表現在:

                        1)任務分工協同. 云端完成上層的計劃、規劃、調度、決策、控制后, 將具體任務分配給邊緣計算資源, 由邊緣計算集群分析、處理任務, 并調度計算資源, 完成應用任務的計算過程, 交由終端設備執行.

                        2)鏡像傳輸協同. 容器的工作模式是將一定任務的執行程序, 以及所需要的資源規格和運行環境打包, 封裝成方便復制和傳輸的鏡像. 在云端和不同邊緣集群間有以下相互作用:

                        a)將云端非關鍵程序的鏡像卸載到邊緣上, 由邊緣設備啟動鏡像, 調度邊緣計算集群的資源并執行;

                        b)邊緣發現難以處理某項計算任務, 將鏡像上傳到云端, 借助云端的豐富資源進行處理;

                        c)對于功能相似但物理空間相距較遠的邊緣和終端, 則可以將已有任務的執行程序封裝成鏡像, 僅將鏡像復制傳輸至目標邊緣, 在目標邊緣配置資源、啟動容器即可, 從而降低系統的開發、運行成本.

                        由上所述, 邊緣?終端系統在智能電廠云控制系統中為云端控制提供局部信息, 與云端控制系統相互協作, 是智能電廠云邊端協同控制的重要組成部分[20-21]. 云端控制決策系統為參與業務的多個終端設備提供全局控制策略, 統籌整個智能電廠設備網絡, 通過云網邊端協作保證智能電廠云控制系統良好運轉.

                      • 智能電廠數字孿生虛擬化技術, 可將物理設備網絡虛擬成多個虛擬子網絡組成的虛擬設備網絡[36]. 核心思想是應用虛擬化技術對電廠設備進行精細化虛擬, 虛擬設備具有輕便化、可復用、弱耦合的特點, 易于被自動化部署在虛擬空間中, 降低智能電廠開發、管控和運維的復雜度. 如圖6所示, 智能電廠云控制網絡相互耦合的整體架構可被拆分為云控制平臺、虛擬化平臺和物理應用平臺三層架構.

                        圖  6  智能電廠云控制數字孿生虛擬化架構

                        Figure 6.  Digital-twins virtualization structure in IPPCCS

                        云控制平臺層包括云控制與決策、云存儲、規則庫和算法庫以及孿生電廠等模塊. 對規則庫中的模型和云存儲中的數據進行融合和更新, 在云控制與決策模塊中調取算法庫中的算法, 即業務池中的鏡像, 在云資源池中啟用容器, 驅動孿生電廠模擬運行、演判態勢, 得到全局優化管控方案, 將控制調度指令發到各場站及終端設備, 完成云網邊端協同. 孿生電廠為真實電廠提供了許多的擴展和可能性, 例如模擬真實電廠設備生命周期, 提前預判設備失效、故障時間并且更換設備避免影響電廠運行; 結合現場數據、孿生電廠運行結果判斷故障原因; 為操作人員提供仿真培訓環境; 以及作為偽系統蜜罐防范網絡攻擊等.

                        利用智能電廠虛擬化平臺, 底層電廠設備在云端依據物理世界的規則庫被抽象成多個邏輯實體. 智能電廠管理者看到的是虛擬化平臺給出的數字孿生電廠. 這樣云端服務可以和物理電廠設備解耦, 便于云端資源的靈活部署和快速優化決策. 隨著信息世界和物理世界的深度融合互聯, 軟件定義技術開始向物理世界延伸. 在智能電廠云控制系統中, 我們提出軟件定義電廠(Software defined power plant, SDPP)的概念, 利用軟件可編程技術對智能電廠設備網絡進行定義和映射, 用靈活度更高、可替代性更強、耦合性更弱、更易部署的虛擬資源來代替物理資源, 用軟件為硬件賦能, 更易實現云端精細化管理和控制, 達到開放共享和互聯互通的目的[37-38]. SDPP技術的核心是電廠設備硬件資源虛擬化、管理對象和功能可編程實現. 傳統電廠設備網絡抽象為虛擬資源, 利用云端部署軟件對虛擬電廠, 即數字孿生電廠進行計算和調度決策. 該技術可以實現電廠設備層和云端計算層的分離, 利用程序軟件既能保證虛擬化映射的完整性和準確性, 又可滿足電廠管控任務的多樣性及動態需求[39-41].

                      • 智能電廠系統中存在上千條控制策略的觸發、分析、回饋和流轉, 其中不乏輸入輸出/數據密集型任務請求. 智能電廠云控制系統需要充分利用云平臺的計算能力, 為任務最優化分配CPU、內存、網絡帶寬等資源, 降低任務完成時間, 提高資源利用率, 以高效、低成本地處理智能電廠云端計算任務. 資源調度一般分為基于容器和基于虛擬機兩種, 本節采用基于容器的方法[18, 42-43].

                        圖7所示, 在智能電廠云端任務和資源匹配調度技術框架中, 任務首先被提交并被云端收集到, 然后對這些任務進行分類和預估, 確定所需申請的計算資源量. 智能電廠云控制系統平臺由公有云和私有云(或私有服務器)集成, 由Kubernetes系統管理物理機和虛擬機的計算資源, 抽象成統一的混合資源池[44]. 智能電廠關鍵生產運維任務可部署在私有云中處理, 保障業務安全. 部分任務放在公有云中, 避免因可伸縮性不足導致資源請求過載或者浪費. 安全需求相對較低、計算量及資源請求量彈性較大的任務在公有云中運行, 實時申請到適額的計算資源, 保證系統穩定運行, 減少開銷和資源浪費, 提升智能電廠業務處理的彈性和經濟性.

                        圖  7  智能電廠云端任務和資源匹配調度技術框架

                        Figure 7.  Cloud tasks and resources matching scheduling framework in IPPCCS

                        任務經分類后被提交到調度器中, 由混合資源池提供資源的可選配置. 根據是否存在依賴關系, 任務請求被分為離散任務和云工作流, 其中云工作流是根據任務處理的實際邏輯關系形成的具有前后依賴的復雜任務. 針對不同場景、需求和任務種類, 調度器可采用考慮任務優先級、含截止時間/能耗約束、關鍵路徑分析、任務群并合以及深度強化學習等算法實現最優調度策略的選取, 將任務匹配給生存在Node節點池中的容器列表[18, 45-47]. 獲得調度方案即任務資源需求、容器啟動時間和順序后, 將需求交給Kubernetes系統, 后者提供資源建立和啟動容器, 完成巡檢機器人和無人機軌跡規劃、新能源機組排產調度、電廠生產環境音視頻直播數據分析處理等任務的處理.

                      • 工業場景接入云計算不可避免的一個問題是云的安全性考量, 智能電廠也不例外[11, 48-49]. 云安全是智能電廠云控制系統必須關注的重大關鍵問題, 也是目前電力企業將業務接入云計算系統的主要顧慮. 如圖8所示, 依據被攻擊對象以及安全隱患發生階段的不同, 智能電廠云控制系統安全問題可劃分為云、網、邊、端四個層面來考慮.

                        圖  8  智能電廠云控制云網邊端安全管控技術架構

                        Figure 8.  Cloud-network-edge-terminal security management and control framework in IPPCCS

                        在云端面臨的主要風險來自云平臺, 包括云平臺自身的可靠性、外部信號對云平臺的惡意攻擊, 以及客戶隱私數據對云服務商的透明性問題等. 針對這些問題, 在云平臺層面, 智能電廠云控制系統設計安全可信云技術機制, 實現云服務合規性驗證、云平臺安全防護, 以及云數據隱私保護等保障功能[29, 50-51], 保障云端控制決策系統安全、穩定運行. 在網絡傳輸層面, 面臨的則是從云到端通信故障以及數據隱私泄露的風險, 采用云端和邊緣雙向智能高效通信加密SDK (Software development kit)技術保證通信安全[52-53].

                        智能電廠邊緣控制系統和終端設備進行實時邊緣控制的交互, 在邊緣、終端雙層安全系統的保護下, 形成邊緣?終端系統安全管控體系. 具體而言, 邊緣安全防護系統采用軟硬件相結合的方式, 在軟件方面使用邊緣身份認證和自適應攻擊防護等算法, 在硬件層面則設計智能網關、安全控制器、隔離裝置、安全審計裝置等智能電廠安全防護設備, 同時配套防火墻、入侵檢測裝置等系統, 將以上軟件嵌入其中, 規避邊緣設備管控的安全隱患[19]. 在終端設備一側, 主要考慮操作者或者上層信號的真偽性問題, 針對種類不同、智能程度不同、重要性不同的各類底層設備, 使用差異化的身份終端認證方法, 保障云端調度優化指令、邊緣控制命令等準確無誤地執行下去[54]. 智能電廠云控制系統通過云網邊端四層安全管控機制, 實現對電廠各層級軟硬件及網絡的可信賴支持和保護.

                        特別地, 區塊鏈和5G作為兩種新興的技術, 將為智能電廠, 特別是在安全方面帶來新的機遇和挑戰. 對區塊鏈來說, 基于其追溯機制和共識算法設計對網絡攻擊的檢測與防御機制, 基于安全加密機制進行云網邊端數據可信采集與傳輸研究, 利用去中心化特性研究云數據中心安全管控機制, 利用非對稱加密機制進行數據通信和存儲中的隱私防護[55-58].

                        5G作為一種高效的通信手段, 具有大帶寬、低時延、高可靠性等優勢, 十分適合智能電廠云控制系統云網邊端協作的應用場景. 但是將其應用在智能電廠也相應地存在安全問題, 并且呈現多樣化的特點. 主要解決手段包括[59]: 在云平臺、邊緣場站和終端設備之間建立通信接入和雙向認證機制, 避免通信主體、內容信息被泄露; 使用基于軟件定義網絡(Software defined network, SDN)的5G切片安全隔離技術, 保障通信切片之間安全隔離, 應對非法訪問和越權管理; 在密鑰管理方面, 5G設計管理面、控制面和用戶面分離機制, 三者不能相互訪問, 通過傳輸層協議對數據進行機密性/完整性保護, 設計多種密鑰管理機制, 應對智能電廠內復雜的應用場景; 在5G網絡提供服務接口時, 設計智能電廠定制的授權機制, 對潛在沖突策略進行檢測, 控制相關權限和進行安全審查等.

                      • 集控中心是電廠集團級公司生產運營管理的專業化機構, 負責區域內電力場站、設備的生產運營管理, 借助網絡打通分散式、扁平化的生產管理模式, 轉向實現區域化、集約化的精益生產管理模式, 以期實現“無人值守、少人值守”的設計目的[19, 60]. 目前集控中心仍存在數據處理能力不足、信息壁壘難以打破、精細化管理程度不夠等系列問題, 但其設計理念和目標與智能電廠云控制系統有共同之處, 因此可以借助現有集控中心的設施框架, 將智能電廠云控制系統很好地嵌入其中, 降低部署難度和成本.

                      • 以江西南昌集控中心為例, 網絡設計基于成熟的工業以太網架構, 設計了“三層四分區”的網絡和設施部署結構. 從控制層級角度, 集控中心采用的是分層分布式網絡, 分為負責邊緣數據采集、處理和監控功能的現地層; 完成場站級數據采集、處理, 全場設備監視和控制, 統計運維數據的場站層; 以及負責所有接入場站的數據管理, 全局優化、調度、管理、決策和控制的集控層.

                        從系統安全分區的角度, 可劃為四個區域網絡, 分別是實時控制區(安全I區)、非控制生產區(安全II區)、生產管理區(安全III區)和信息管理區(安全Ⅳ區). 實時控制區和非控制生產區、生產管理區以及信息管理區之間用防火墻隔離, 非控制生產區和生產管理區用正反向隔離裝置隔離. 圖9是其分區結構和業務分布示意圖. 其中, 安全III區匯總安全I區、II區和自身III區的數據, 控制指令可達區域電廠的每個設施, 并且可通過安全Ⅳ區與外部網絡相連, 向外部世界發布電廠生產經營信息, 同時便于系統開發、更新部署和管理運維, 是理想的企業云端控制系統部署位置.

                        圖  9  集控中心層網絡安全分區業務分布圖

                        Figure 9.  Services distribution in centralized control center for network security

                      • 上述部署方式具有較為完善的通信功能, 能夠進一步實現整體的資源優化以及信息共享, 具備高效、實時處理的基本能力. 智能電廠云控制系統的通信包括云端集控層和場站層以及包括現地層在內的場站層一側通信. 在電力系統中, 為保證數據通信系統有效、可靠地通信, 規定雙方遵守一定的通信規約, 包括數據格式、順序速率、鏈路管理等. WiFi、5G等相當于消息管道, 也經由標準的規約進行通信. 云端集控和場站層之間一般用統一的Kafka或IEC104規約進行通信; 而場站和現地層之間的通信接口和規約比較龐雜, 通常不使用標準規約. 數據采集頻率和控制命令的響應速度是重要的考量指標.

                        圖10所示, 云控制系統在智能電廠環境中的通信部署還必須考慮安全問題. 根據云網邊端四層安全管控架構, 在云端與外界環境存在交互, 因此需注重云平臺自身安全的防護, 在對外發布時需考慮核心數據的篩選評判, 同時對云服務商建立數據隱私保護機制. 在云端集控中心和場站層信息的交互中, 使用自適應攻擊防護、場站身份認證、通信數據加密等機制, 通過智能網關和部署在場站的安全控制組件來保障云端和場站接收到的信息是安全、可信的. 在場站?現地一側, 因為場站層到現地層是一種較低層次的網絡傳輸, 還未到達邊緣終端, 所以也需使用網絡安全防護機制. 在現地層, 采取終端身份識別和認證機制, 對接入網絡的終端進行多尺度、細粒度的身份識別和認證, 確定接入終端的安全屬性身份, 保障邊緣控制精準施行、不受干擾.

                        圖  10  含安全防護機制的云端集控中心與場站現地通信和規約方式

                        Figure 10.  Cloud-local communication and protocol mode with security protection mechanism

                      • 智能電廠云控制系統的基礎在于智能電廠信息云的建立, 因此如何在邊緣和云端建立數據的穩定存儲結構和通信方式是十分重要的. 如圖11所示, 首先在安全I區和安全II區上以MongoDB的形式部署歷史數據庫. MongoDB以單個對象在某一時段的數據作為文檔單元進行存儲, 時間尺度為1分鐘/1小時/1天不等. 歷史數據庫直接和場站相連, 與機組控制系統、功率預測系統等交互信息. 歷史數據庫將數據單向轉發到實時數據庫中.

                        圖  11  智能電廠云控制系統工作拓撲圖

                        Figure 11.  Work topology of IPPCCS

                        云控制功能區和實時數據庫部署在安全III區上. 公有云和私有云集合成混合云平臺, 在其上進行開發形成智能電廠云控制功能區, 即云控制平臺層. 在實時數據庫中, 每個數據對象的實時值或狀態屬性按秒級刷新, 數據集大小不隨時間變化而增大. 實時數據庫與與視頻監控、綜合展示等系統相連. 完成數據處理后, 將全局指令返回場站及現地系統中, 完成智能電廠云控制系統云網邊端協同應用任務.

                        以綠色能源互補優化調度為例, 整個智能電廠云控制系統的運轉可歸納為: 部署在本地的風力、光伏等新能源機組和監控系統將現場數據和基于歷史數據的未來輸出功率預測結果實時上傳到安全Ⅰ區和安全Ⅱ區的歷史數據庫中, 由歷史數據庫將數據單向轉發到安全Ⅲ區的實時數據庫中. 云控制功能區根據實時數據庫中的數據計算出最優控制調度策略, 將控制調度策略按相反路徑返回本地, 從而實現各系統數據在云控制平臺上的統一管理和最優控制調度. 這一新型的智能電廠控制架構在現代電廠中引入了云控制系統, 提高了現代電廠共享經驗、信息、數據和智能化處理海量數據的能力, 實現了智能電廠云網邊端協同優化、管理、控制和調度等功能.

                      • 在本文中, 涉及到的基礎理論有長短期記憶時序預測網絡、經濟模型預測控制和風、光、水發電系統模型等, 以下將分別介紹.

                      • 長短期記憶網絡(LSTM)是一種時間遞歸神經網絡. 在普通的深度神經網絡中, 每層的節點都是無連接的. 當問題的當前狀態和之前狀態有關聯時, 容易導致處理結果不佳. 循環神經網絡(Recurrent neural netwrok, RNN)可以通過在隱含層神經元增加遞歸的邊, 使神經網絡有記憶性來解決這個問題. 但普通RNN網絡很難處理序列的長時間依賴問題, 而且當序列長度超過一定閾值時, RNN網絡會變得不穩定, 在訓練時會出現梯度消失或梯度爆炸. LSTM網絡彌補了RNN網絡的缺陷[61], 成為當前比較流行的循環神經網絡, 其內部結構如圖12所示.

                        圖  12  LSTM神經網絡細胞結構

                        Figure 12.  Cell structure of LSTM neural network

                        前向傳播公式如下:

                        $$ f_t = \sigma(W_f\times[h_{t-1},x_t]+b_f) \quad $$ (1)
                        $$ i_t = \sigma(W_i\times [h_{t-1},x_t]+b_i) \quad\;\; $$ (2)
                        $$ \tilde{c}_t = {\rm{tanh}}(W_c\times [h_{t-1},x_t]+b_c) $$ (3)
                        $$ c_t = f_t\times c_{t-1}+i_t\times \tilde{c}_t \qquad\qquad$$ (4)
                        $$ o_t = \sigma(W_o\times [h_{t-1},x_t]+b_o) \quad $$ (5)
                        $$ h_t = o_t\times {\rm{tanh}}(c_t) \qquad\qquad\quad\; $$ (6)

                        其中, $ f_t $表示遺忘門, $ i_t $表示輸入門, $ o_t $表示輸出門, $ W_f $、$ W_i $$ W_o $分別代表它們的權重, $ b_f $、$ b_i $$ b_o $是它們的偏置, $ h_t $表示$ t $時刻的輸出, $ c_t $表示$ t $時刻單元狀態, $ \sigma $表示sigmoid激活函數, tanh表示雙曲正切激活函數.

                      • 模型預測控制(Model predictive control, MPC)是一種基于模型的最優控制策略, 通過最優化某一涉及到系統未來行為的性能指標, 同時滿足系統約束, 從而確定系統未來的控制輸入[62]. 而性能指標中涉及到系統未來的行為, 根據預測模型由未來控制目標決定. 在某一采樣時刻$ t $, 控制器以系統當前時刻的狀態作為初始狀態, 通過系統模型預測在$ [t,t+N] $時間段內系統的動態行為; 同時, 按照給定的性能指標及約束求解一個最優問題, 確定$ [t,t+p] $時間段內的控制行為. 到下一采樣時刻, 獲得系統最新的實際輸出, 將預測時域$ N $和控制時域$ p $同時向前推進, 進行下一步的在線優化. 模型預測控制的優化不是一次離線完成的, 而是反復在線優化計算的, 因此模型預測控制又稱為滾動時域控制.

                        在許多工業場景中, 性能目標不能簡單地設定為控制問題中對穩態點的跟蹤. 經濟模型預測控制(Economic MPC, EMPC)不拘泥于模型的具體形式, 不要求代價函數關于平衡點的正定性, 只強調模型的功能, 即只要有預測功能的模型均可作為預測模型, 直接將經濟目標作為優化函數[63-64]. 經濟模型預測控制在保證控制性能、經濟效益的同時, 具有能夠有效處理多約束、多變量實際問題的特點. 基于此, 本文設計了針對綠色能源互補發電的滾動優化預測調度方法. 經濟模型預測控制問題通常表示如下:

                        考慮如下離散時間非線性系統模型

                        $$ \begin{split} & x(t+1) = f(x(t),u(t)) \\ & y(t) = g(x(t),u(t)) \end{split} $$ (7)

                        其中, $x(t)\in {\bf{R}}^{n}, u(t)\in {\bf{R}}^{m}, y(t)\in {\bf{R}}^{p}, t\in \bf{N}$分別代表系統的狀態量、控制量、輸出量和時間節點.

                        該系統滿足以下形式的狀態和輸入約束:

                        $$ x(t)\in{\cal X}, u(t)\in{\cal U} $$ (8)

                        其中, ${\cal X}\subseteq{\bf{R}}^{n}$${\cal U}\subseteq{\bf{R}}^{m}$代表狀態變量$ x(t) $和控制變量$ u(t) $的約束集合.

                        優化目標描述為

                        $${J_N}(t) = \sum\limits_{i = 0}^{N - 1} L (x(t + i|t),u(t + i|t))$$ (9)

                        對于含約束系統(7)和(8), 在采樣時刻$ t ,$給定狀態$ x(t) ,$可將經濟模型預測控制問題表述為如下的優化問題:

                        $$ \min\limits_{u(t+i|t),i = 0,1,\cdots,N-1}J_{N}(t) \qquad\qquad\qquad\qquad\quad\;\; $$ (10)
                        $$ {\rm{s.t.}}\;\; x(t+1) = f(x(t),u(t)),\; i = 0,1,\cdots,N-2 $$ (11)
                        $$ x(t|t) = x(t) \qquad\qquad\qquad\qquad\qquad\;\;\;\;\; $$ (12)
                        $$ x(t+i|t)\in{\cal X},\; i = 1,2,\cdots,N-1 \quad\quad $$ (13)
                        $$ u(t+i|t)\in{\cal U},\; i = 0,1,\cdots,N-1 \quad\quad $$ (14)

                        其中, $ U(t+i|t)\in {\cal U}, i = 0,1,\cdots,N-1 $是優化問題的決策變量. 在當前采樣時刻$ t, $如果優化問題$(10)\sim $(14)可行, 可以求解并得到最優控制輸入序列$ u^{*}_f(t) = $$ \{u^*(t|t),u^*(t+1|t),\cdots,u^*(t+N-1|t)\} ,$對應的最優評價函數記為$ J^{*}_{N}(t). $選擇$ u^{*}_f(t) $中的第1個元素$ u^*(t|t) $作為輸入量, 將其作用到被控系統上, 并保持到下一個采樣時刻$ t+1; $在下一采樣時刻$ t+1, $用系統狀態量$ x(t+1) $更新問題$(10)\sim (14) $的初始條件并且重新求解優化問題. 通過在線滾動地求解優化問題, 最終得到一個最優實際控制輸入量

                        $$ u^{*}(t) = u^{*}(t|t) $$ (15)
                      • 風機是一種將風的動能轉換為機械能的機械裝置, 其輸出功率的大小取決于風速. 實驗表明, 風機的輸出功率與風速的關系為[65]

                        $$ {P_w} = \left\{\!\! {\begin{array}{*{20}{l}} {0,}&{0 \le V < {V_{ci}},V \ge {V_{co}}}\\ {f(V),}&{{V_{ci}} \le V < {V_R}}\\ {{P_R},}&{{V_R} \le V < {V_{co}}} \end{array}} \right. $$ (16)

                        其中, $ P_R $是風力發電機組的額定功率; $ V_{ci} $、$ V_{co} $$ V_{R} $是機組切入、切出和額定風速;$ f(V) $是風速到輸出功率的函數.

                      • 光伏系統是將太陽能轉換為電能的靜態裝置, 該電能以直流電的形式輸出, 其輸出功率取決于太陽輻射及溫度條件. 光伏系統的輸出功率為[65]

                        $$ P_{s} = f_{s}Y_{s}(\frac{I_T}{I_S}) $$ (17)

                        其中, $ f_{s} $$ V_{s} $是光伏降額因子和光伏陣列容量; $ I_T $是光伏陣列上的實時太陽能輻照水平; $ I_S $是用來衡量光伏模塊容量的標準太陽能輻照量, 一般取$ I_S = 1 \; {\rm{kW}}/{\rm{m}}^{2} $.

                      • 水輪機組利用不同高度水的勢能差實現發電. 水輪機組的輸出功率由水口流量、水位以及能量損耗決定, 其中能量損耗取決于水輪發電機的效率, 其值為[65]

                        $$ P_{h} = \rho\eta QH $$ (18)

                        其中, $ \rho $是當地的重力加速度; $ \eta $是水輪機組的效率; $ Q $是測量到的單位時間內通過渦輪入口的水流量; $ H $是水位.

                      • 基于智能電廠云控制系統云網邊端協同控制架構, 本節設計了LSTM-EMPC綠色能源互補發電預測調度方法, 算法框架及流程如圖13所示. 方法具體步驟如下:

                        圖  13  LSTM-EMPC算法框架及流程圖

                        Figure 13.  Framework and flow chart of LSTM-EMPC

                        步驟1. 設計基于LSTM的風電、光伏機組輸出功率預測方法, 為綠色能源互補發電提供預測數據, 使其滿足EMPC滾動優化的條件;

                        步驟2. 在優先消納風、光能源的基礎上, 考慮耗水量最小、穿越振動區次數最少等優化目標, 結合一系列水輪機組調控約束條件, 建立綠色能源互補發電問題的數學模型;

                        步驟3. 在綠色能源互補發電數學模型的基礎上, 設計了一套優化互補機制, 即基于EMPC方法的滾動優化調度方法, 求解得到水輪機組最優預測調度策略, 保證系統的魯棒性.

                      • 由于風力和光照自然條件短時間內波動較大, 互補發電的效果受到嚴重影響. 為解決這個問題, 本節設計了一個預測模型來模擬輸出功率的變化, 從而使水輪機組更好地補償功率缺口. 傳統時間序列預測方法包括自回歸、線性回歸和正態分布模型等, 但它們依賴平穩數據集, 不能解決非平穩變化的輸出功率預測問題. 并且, 現有的多數方法(如自回歸綜合移動平均、ARIMA (Autoregressive integrated moving average model)等)都需要計算自相關函數和部分自相關函數來確定模型參數, 給輸出功率預測帶來額外的計算開銷.

                        為了能夠準確地估計輸出功率, 本文使用LSTM網絡來預測輸出功率隨時間的變化, 其優點是可以學習并自動提取輸出功率變化的非線性特征. 仿真使用的風電、光電數據分別來自江西基隆樟電廠和樂平電廠, 時段單位為分鐘. 使用如圖12所示的模型結構, 以連續18個時段機組功率作為輸入, 未來3個時段功率作為輸出, 經訓練得到未來功率與歷史功率的時序關系. 設置超參數如下: LSTM輸入層維數為18, 隱含層維數為108 (光伏功率預測隱含層維數為80), 輸出層維數為3, 訓練批次大小$ batchsize $為80, 訓練次數$ n_{\rm{iter}} $為500. 以2018年11月15日數據作為樣本, 預測結果如第4.2節所示.

                      • 智能電廠云控制系統的建立使得當前和歷史數據中蘊含的信息能被充分地發掘出來并加以利用, 電廠AGC (Automatic generation control)能夠根據新能源優先消納和電網的安全穩定原則, 制定合理的發電計劃, 對參與調節的機組下發功率調度指令.

                      • 水電可以通過調節導葉開度調控機組發電功率, 一定程度上可以起到存儲和削峰填谷的作用. 但風電和光電的不可調控性強, 波動性強, 并且不能存儲, 因此可用水電來補償風電和光電的波動, 滿足區域用戶的電力需求. 本文所述綠色能源互補發電的目的是盡可能消耗不可再生的風電和光電, 在其不能滿足調度指令的情況下, 啟用水電補償. 出于環保要求, 水力發電追求耗水量最少. 同時, 出于經濟效益角度, 要求水輪機組在振動區工作的時間盡可能少, 減少機組折舊成本. 因此, 可在當前$ t $時段建立如下優化目標[2]:

                        1)子優化目標1: 水輪機組的耗水量最小

                        水電站在風水光互補發電系統中的主要作用是補償調度下發值和新能源有功出力的差值, 水輪機組間合理的負荷分配可以減少耗水量, 從而節省水能以保證水電的能量儲備. 水電的耗水量來源于機組出力的耗水量和開停機的耗水量.

                        $$ \left\{ \begin{array}{*{20}{l}} W(T) = \\ \qquad\min \displaystyle\sum_{t = 1}^T \displaystyle\sum_{i = 1}^n [WF(P_{i}(t),H,t)+ WC(i,t)]\\ WF(P_{hi},H,t) = \\ \qquad\min \displaystyle\sum_{t = 1}^T \displaystyle\sum_{i = 1}^n Q(P_{i}(t),H,t) T(t) \\ \end{array}\right. $$ (19)

                        其中, $ P_{i}(t) $是決策變量, 代表第$ i $臺水輪機組在$ t $時刻的輸出功率; $ n $代表水輪機組的數量; $ W(T) $為水電廠的耗水量; $ WF(P_{i}(t),H,t) $為第$ i $臺機組在$ H $水口下的實發有功所對應的耗水量; $ WC(i,t) $為第$ i $臺機組的開停機耗水量; $ Q(P_{i}(t),H,t) $為第$ i $臺機組在$ H $水口下的流量.

                        2)子優化目標2: 水輪機組的折舊成本最小

                        水輪機組的折舊成本主要包括水輪機組跨越振動區和機組的啟停機次數較多帶來的設備磨損維修成本, 以及不合理的啟停機條件導致多臺機組在低效率區運轉所帶來的附加成本. 水輪機組要盡可能減少跨越振動區的次數. 水輪機組運行在振動區時使機組的振動和擺度加大, 造成機械部件的磨損加重, 嚴重影響機組的使用壽命[65], 所以本文主要考慮振動區對水電廠經濟運行的影響.

                        $$ \left\{ \begin{array}{*{20}{l}} N(T) = &\\ \quad\quad \min\sum\limits^{T}_{t = 1}\sum\limits^{N}_{i = 1}\left[\dfrac{1\!-\!SPAN1{i,t}}{2}\!+\!\dfrac{1\!-\!SPAN2{i,t}}{2}\right] &\\ SPAN1(i,t) = &\\ \quad\quad \dfrac{[P_{i}(t)-P_{i,1}][P_{i}(t-1)-P_{i,1}]}{|P_{i}(t)-P_{i,1}||P_{i}(t-1)-P_{i,1}|} &\\ SPAN2(i,t) = &\\ \quad\quad \dfrac{[P_{i}(t)-P_{i,2}][P_{i}(t-1)-P_{i,2}]}{|P_{i}(t)-P_{i,2}||P_{i}(t-1)-P_{i,2}|} &\\ P_{i,1},P_{i,2}\in &\\ \quad\quad (P_{i\rm{Down}1},P_{i\rm{Up}1})\cup(P_{i\rm{Down}2},P_{i\rm{Up}2}) &\\ P_i(t),P_i(t-1)\notin &\\ \quad\quad (P_{i\rm{Down}1},P_{i\rm{Up}1})\cup(P_{i\rm{Down}2},P_{i\rm{Up}2}) \\[-10pt] \end{array} \right. $$ (20)

                        式(20)代表水輪機組穿越振動區總次數. 其中, $ T $$ t $表示時段, $ n $表示水電機組的個數; $ N(T) $為全場$ T $時間段內機組穿越振動區的次數; $P_{i\rm{Down}1}$為第$ i $臺水電機組第1個振動區的下限; $P_{i\rm{Up}1}$為第$ i $臺水電機組第1個振動區的上限; $P_{i\rm{Down}2}$為第$ i $臺水輪機組第2個振動區的下限; $P_{i\rm{Up}2}$為第$ i $臺水輪機組第2個振動區的上限. 綜合上述兩個子優化目標, 可在智能電廠云控制系統中建立AGC控制目標函數

                        $$ \min J = C_{1} W(T)+C_{2} N(T) $$ (21)

                        其中, $ C_1 $為水電耗水量的加權系數(水電發電成本), $ C_2 $為水輪機組穿越振動區次數的加權系數(機組折舊成本), $ \Delta P_h $為水電補償風、光能源波動的功率.

                      • 1)負荷約束

                        智能電廠發電功率, 包括風電功率$ P_w $、光電功率$ P_s $、水電功率$ P_h $, 應該大于等于用電負荷$P_{\rm{load}},$即在風電、光電及用戶需求動態變化的情況下, 調節水輪機組功率, 滿足用戶的用電需求

                        $$ P_w+P_s+P_h\geq P_{\rm{load}} $$ (22)

                        $$ P_w+P_s+\sum_{i = 1}^{n}P_{i}(t)\geq P_{{\rm{load}}} $$ (23)

                        2)水輪機組功率約束

                        水輪機組功率不能超過調節限制, 不能超出調節能力的上下限值

                        $$ P_{i{\rm{Min}}} \leq P_{i} \leq P_{i{\rm{Max}}} $$ (24)

                        其中, $ P_{i} $為第$ i $臺水輪機組運行時的功率.

                        3)水電振動區約束

                        $$ P_{i} \notin\left(P_{i\rm{Down}1}, P_{i\rm{Up} 1}\right) \cup\left(P_{i\rm{Down}2}, P_{i\rm{Up} 2}\right) $$ (25)

                        4)調節死區約束

                        設置調節死區可以避免微小的功率波動帶來機組調節的頻繁動作, 死區設定值一般為1%$\sim 2 $%機組額定功率值, 這里取調節死區為1%的機組額定功率值, 即有功下發增量絕對值大于1%的機組額定功率值$P_{\rm{specified}}$時, 機組才動作

                        $$ |\Delta P_i|>0.01P_{\rm{specified}} $$ (26)

                        5)爬坡率約束

                        $$ R_{i\rm{Down}}<R_{it}<R_{i\rm{Up}} $$ (27)

                        其中, $ R_{it} $為第$ i $臺機組$ t $時段的爬坡率, $R_{i\rm{down}}$, $R_{i\rm{up}}$分別代表第$ i $臺機組在自動控制時可達到最大功率減少及增加速度(kW/min).

                      • 由于新能源的單機裝機容量不大、機組臺數眾多, 在少棄風棄光的情況下, 水輪機組的開停機可能會比較頻繁. 為了減少機組不必要的啟動、停機次數, 最優分配各個機組的有功功率, 本文設計了一套開停機機制, 根據功率補償需求, 確定預測時域內水輪機組開停機狀態. 同時, 受到AGC調節時間的限制, 需要在短時間內快速做出決策, 本文設定了各機組的啟動優先級, 大大縮減了所需要的計算時間.

                        1)水輪機組開機條件

                        $$ P_{\rm{load}}-(P_{w,\rm{forc}}+P_{s,\rm{forc}})+P_b>\sum P_T $$ (28)

                        其中, $ P_b $為水電廠的旋轉備用容量, $\sum P_T$是已投入水電AGC的并網機組的可調節容量, $P_{w,\rm{forc}}$$P_{s,\rm{forc}}$為風電、光電的功率預測值, 僅包含開機的機組. 同時, 計算水輪機組開機臺數

                        $$ N_{h, \rm{o p e n}} = 1+\dfrac{P_{\rm{load}}-P_{w, \rm{f o r c}}-P_{s, \rm{f o r c}}+P_-\sum P_{T}}{P_{m}} $$ (29)

                        其中, $ P_m $為水輪機組單機最大容量.

                        2)水輪機組停機條件

                        $$ \begin{split} \sum P_T- (P_{\rm{load}}-P_{w,\rm{forc}} - P_{s,\rm{forc}}+P_b)> P_m\end{split} $$ (30)

                        同時, 計算水輪機組停機臺數

                        $$ N_{h, \rm{c l o s e}} = \frac{\sum P_{T}-\left(P_{\rm{load}}-P_{w, \rm{f o r c}}-P_{s, \rm{f o r c}}+P_\right)}{P_{m}} $$ (31)
                      • $ t $時段, 有了上述優化目標和約束條件后, 只要獲取到風電、光電未來預測功率和水輪機組的數量、性能參數等, 就可以求解相應的滾動優化問題. 設定預測控制變量為

                        $$ \begin{split} u(t+t'|t) = \;&[P_1(t+t'|t),\\ &P_2(t+t'|t), \cdots, P_n(t+t'|t) ]^{\rm T}\\ &\qquad\qquad\qquad t' = 0,1,\cdots, T-1 \end{split} $$ (32)

                        其中, $ T $為整數的預測時域, 下標$ t|t+t' $代表從當前$ t $時段預測到之后的第$ t' $個時段, $ N $為水輪機組臺數, $P_i(t+t'|t),i = 1,2,\cdots ,N$代表第$ i $臺水輪機組從$ t $時段開始計算未來的第$ t' $個時段的預測控制調度功率. 設定預測控制序列為

                        $$ u_f(t) = [u(t|t),u(t+1|t),\cdots, u(t+T-1|t)] $$ (33)

                        即在$ t $時段對未來一個預測周期內的控制序列. 以$P_{i}(t+t'|t),i = 1,2,\cdots, N,t' = 0,1,\cdots ,T-1$為優化變量求解上述問題, 即可得到最優預測控制序列$ u^*_f(t)$.

                        t時段, 智能電廠云控制系統將最優預測調度序列$ u^*_f(t) $發往各水輪機組, 取序列中第1個時段的調度變量, 作為施加到各水輪機組的動作, 即控制調度功率, 調整機組狀態. 由于風電、光伏機組的數據和預測功率分別被實時上傳到場站數據庫和云端數據庫中, 智能電廠云控制系統根據更新的數據刷新最優化目標函數及約束, 重復上述步驟.

                        圖14所示, 每次智能電廠云控制系統下發調度指令時, 都會收集風、光機組實際發電功率數據, 預測未來短時輸出功率數值, 預測結果與水電站的參數一同上傳至云端, 由云端控制器滾動求解優化問題, 并在調度周期內, 將最優控制序列傳回本地, 本地機組采用控制序列的第1個值調節水輪機組的發電狀態. 這種方法相當于引入了預測、反饋和滾動優化, 增強了系統魯棒性, 可以有效預知綠色能源發電出力的未來狀態, 改善綠色能源互補發電方法應對波動性和偶然因素能力差的問題.

                        圖  14  云端?邊緣預測控制算法流程圖

                        Figure 14.  Flow chart of cloud-edge predictive control algorithm

                      • 本案例選取區域中小型集中式云數據中心作為用電需求方. 因云時代到來而出現的現代化數據中心, 其最大的特點就是高能耗, 在計算節點上對數據的處理以及空調散熱上對電能需求極大, 而且對于電能消耗具有很大的波動性, 存在很大的峰谷差. 例如, 一座具有500臺服務器的中小型云數據中心, 滿載時電力能耗約為2 000 kW, 空閑時電力能耗為1000 kW, 峰谷差達到1000 kW左右. 而在新能源電廠中也有許多計算任務要處理, 這些任務全放在本地計算是困難的, 也是沒有必要的. 如本文所述, 新能源電廠必須借助云端管控系統的強大處理能力. 因此, 在中小型規模區域中, 新能源智能電廠和綠色數據中心的運行與設計具有天然的互補性.

                        圖15所示, 數據中心的能耗主要來自網絡傳輸、服務器耗電和空調水冷用電等, 由新能源智能電廠以能量流的形式提供. 新能源智能電廠邊緣端的監控管理由場站控制器執行, 而關鍵任務的分析、管理、決策與控制服務則借助信息流的交換統一交給數據中心中的云控制平臺進行處理. 同時, 區域內也有其他的民用、工業智能服務, 如智能家居、智能工廠、網購物流等應用, 這些應用也存在信息流交互和能量流提供的需求, 與新能源智能電廠、綠色數據中心構成了一個有機融合并且自洽的整體. 當區域內荷側負載過高, 源側無法滿足時, 則通過外部電網的輸入平抑內部需求[66-67].

                        圖  15  區域新能源電廠和綠色數據中心聯合運行示意圖

                        Figure 15.  Schematic diagram of joint operation of regional new energy power plant and green data center

                        案例假設了區域內綠色數據中心和智能應用的負載需求曲線, 研究負載波動時本文所提機制的有效性. 風力、光伏出力數據來自江西基隆樟和樂平電廠, 水輪機組參數參考大渡河流域發電有限公司. 在本文的場景中, 部署了風電機組、光伏逆變器各5臺, 水輪機組6臺.

                      • 選取2018年11月15日江西基隆樟電廠的風電出力功率和樂平電廠的光伏電出力功率數據作為樣本. 以該日$0:00\sim 14:00 $, 5臺風機各840組數據作為訓練集, $14:00\sim 15:00 $, 60組數據作為測試集; 以該日$8:00\sim 14:00 $, 5臺光伏逆變器各360組數據作為訓練集, $14:00\sim 15:00 $, 60組數據作為測試集, 設置連續18個時段機組功率作為輸入, 未來3個時段機組功率作為輸出, 得到以下結果.

                        圖16(a), 以1號風機為例, 未來3個時段的平均誤差分別為12.2974 kW, 19.3473 kW和26.2758 kW, 相對單臺風機輸出幾百至一千千瓦的功率值范圍很小, 平均誤差率分別為4.16%, 6.49%和8.78%, 小于10% (見表1). 圖16(a)的第1行是1號風機3個預測時段中對輸出功率的估計和真實值的對比, 可以看到, 未來時段1預測功率準確地跟蹤上了真實功率, 未來時段2和3也保持了較高的跟蹤精度. 從圖16(a)的第2行平均誤差率來看, 未來時段1的誤差基本在8%以內, 未來時段2和3的誤差則在10%以內. 考慮到風機輸出功率的不確定性較大, 該精度已經滿足了水輪機組補償調度的需求. 同時, 隨著預測時間增長, 預測精度降低, 為了保證后續調度優化的精確性, 我們將預測步長設為3個時段. 如圖16(b)所示, 對1號光機來說, 因為光照強度的變化緩慢, 所以預測精度更高, 平均誤差在10 kW左右, 平均誤差率在1%到4%以內. 表2表3反映了其余風機和光機的預測均方根誤差(Root mean squared error, EMSE)和平均誤差結果. 從表4來看, 所有風機和光機未來時段1的平均誤差率分別是7.13%和2.52%, 滿足調度需求.

                        表 1  1號風機與1號光機未來時段預測結果

                        Table 1.  Prediction results of No.1 wind generator and No.1 solar generator

                        預測時段 1號風機 1號光機
                        時段1 時段2 時段3 時段1 時段2 時段3
                        RMSE 17.383 25.569 32.469 10.703 12.787 13.645
                        平均誤差 12.2974 19.3473 26.2758 6.2836 9.2977 11.2038
                        平均誤差率 0.0416 0.0649 0.0878 0.0197 0.0292 0.0354

                        表 2  2 ~ 5 號風機未來時段預測結果

                        Table 2.  Prediction results of No. 2 ~ 5 wind generators

                        預測時段 2號風機 3號風機
                        時段1 時段2 時段3 時段1 時段2 時段3
                        RMSE 22.869 30.357 34.298 22.842 31.128 34.999
                        平均誤差 16.4035 23.7910 27.1607 16.4035 23.7910 27.1607
                        平均誤差率 0.0870 0.1290 0.1489 0.0813 0.1209 0.1291
                        預測時段 4號風機 5號風機
                        時段1 時段2 時段3 時段1 時段2 時段3
                        RMSE 25.314 37.057 41.635 28.273 37.187 44.354
                        平均誤差 22.0610 27.7490 33.7304 20.1751 28.2186 33.6929
                        平均誤差率 0.0770 0.0954 0.1169 0.0696 0.0974 0.1138

                        表 3  2 ~ 5 號光機未來時段預測結果

                        Table 3.  Prediction results of No. 2 ~ 5 solar generators

                        預測時段 2號光機 3號光機
                        時段1 時段2 時段3 時段1 時段2 時段3
                        RMSE 6.778 14.388 19.350 9.624 11.194 14.049
                        平均誤差 5.5040 13.3298 16.5947 10.3386 11.2576 13.0231
                        平均誤差率 0.0187 0.0454 0.0566 0.0333 0.0365 0.0424
                        預測時段 4號光機 5號光機
                        時段1 時段2 時段3 時段1 時段2 時段3
                        RMSE 9.467 9.549 14.924 7.149 8.264 17.235
                        平均誤差 7.6231 12.4947 15.6101 8.6143 7.6891 9.6818
                        平均誤差率 0.0242 0.0398 0.0500 0.0301 0.0272 0.0344

                        表 4  風機與光機未來時段預測平均結果

                        Table 4.  Average results of wind and solar generators

                        預測時段 $1\sim 5 $號風機 $1\sim 5 $號光機
                        時段1 時段2 時段3 時段1 時段2 時段3
                        平均RMSE 23.336 32.260 37.551 8.744 11.236 15.841
                        平均誤差 17.5651 24.8910 29.6411 7.6727 10.8138 13.2227
                        平均誤差率 0.0713 0.1015 0.1193 0.0252 0.0356 0.0438

                        圖  16  基于LSTM網絡的機組輸出功率預測效果

                        Figure 16.  Prediction results and error rates of generators output power based on LSTM network

                      • 得到未來時段5臺風機和5臺光機的輸出功率預測后, 通過求解第3節給出的優化問題, 可以得到水輪機組應輸出功率的調度分配方案. 圖17為該區域內所有負載功率的變化曲線, 可以看到在1個小時以內, 負載功率從5 000 kW左右升至5 500 kW左右, 峰值接近5 700 kW, 主要變化區間在15至40分鐘內, 該變化波動是劇烈的, 可以驗證算法應對偶然因素的魯棒性. 應對不同自然條件, 本節做了多個場景的仿真實驗.

                        圖  17  聯合運行區域負載功率變化曲線

                        Figure 17.  Load power change curve of joint operation area

                      • 場景1選擇春季, 多風期, 晴天, 特點是風電出力和光伏出力都比較大. 在此場景下得到仿真結果如下: 如圖18所示, 最上端曲線代表負載功率變化情況; 中部圓圈代表實際風力和光伏總的預測發電功率, 實心點代表風力和光伏總實際發電功率, 可以看到擬合效果良好; 下部叉形(“$\times $”)代表負載功率和風光總出力的差值, 也就是分配給水輪機組的應發電需求, 三角形代表水輪機組實際調度總發電功率, 除少許時刻高于應發電需求外, 其余時刻補償效果良好, 說明在該場景下, 方案取得了應有的效果.

                        圖  18  場景1的水電輸出功率補償效果

                        Figure 18.  Compensation effect of hydro power in Scenario 1

                        圖19是各臺水輪機組調度輸出功率結果. 圓圈代表使用本文方法(LSTM-EMPC)的輸出功率, 菱形代表負載使用平均分配方法的調度結果, 虛線分別表示水輪機組啟動和運行過程中經過的兩個振動區. 在整個補償過程中, LSTM-EMPC方法只啟動了3臺機器, 輸出功率基本都在第二振動區上部, 有時接近但不會在振動區上下波動, 而平均分配算法則啟動了所有6臺機組, 并且輸出功率波動較多, 對機組損壞較大. 具體啟停次數和穿越振動區次數如表5所示.

                        圖  19  場景1的各水電機組輸出功率調度方案

                        Figure 19.  Scheduling plan of hydro generators in Scenario 1

                        表 5  開停機和穿越振動區次數對比

                        Table 5.  Comparison of times of on/off and crossing vibration areas

                        調度方式 開停機次數 穿越振動區次數
                        平均分配調度 6 30
                        AGC模擬調度 3 4
                      • 場景2選擇春季, 多風期, 陰天, 特點是風電出力較大, 光伏出力較少. 如圖20所示, 本組仿真風力和光伏的總輸出功率明顯小于第1組, 在$2\;500\sim 3\;500 $ kW的范圍內, 對應水輪機組的補償需求在$2\;000\sim 3\;000 $ kW范圍內波動, 并且相較第1組波動更加頻繁、劇烈. 圖20表示水輪機組總輸出功率很好地跟蹤了區域負載功率的波動. 圖21則反映了各臺水輪機組調度輸出功率結果: LSTM-EMPC方法共啟動了5臺機組, 其中第5臺經歷了先啟動后關閉然后再啟動的過程, 這反映了負載需求的快速波動性. LSTM-EMPC方法的輸出功率曲線基本都在第二振動區上方, 對機組的損傷比較小. 而平均分配方法則頻繁穿越振動區, 對機組損傷較大.

                        圖  20  場景2的水電輸出功率補償效果

                        Figure 20.  Compensation effect of hydro power in Scenario 2

                        圖  21  場景2的各水電機組輸出功率調度方案

                        Figure 21.  Scheduling plan of hydro generators in Scenario 2

                      • 場景3選擇冬季, 少風期, 晴天, 特點是風電出力較小, 光伏出力較多. 因為光伏發電變化平緩, 且風電出力較小不足以影響總輸出功率, 所以總出力變化波動性較小. 在此場景下得到圖22所示的仿真結果. 如圖23所示, 水輪機組總輸出功率依然很好地補償了區域用電需求. 但圖22顯示采用LSTM-EMPC方法的各臺水輪機組穿越振動區的總次數多于平均分配方法. 原因在于此時水輪機組應補償功率較小, 且變化比較平穩, 平均分配方法在這個總功率需求區間內表現良好. 即便如此, LSTM-EMPC方法穿越振動區的次數也很少, 只有8次, 并且只啟動了3臺機組, 少于平均分配方法的6臺, 降低了操作和運行成本. 由此仿真實例可知, 本文提出算法還有提高空間, 應在智能電廠云控制系統中心上部署含規則過濾和篩選的多種智能算法, 在云端形成完備的規則庫和算法庫, 才能更好地應對復雜多變的實際情況, 以取得更好的經濟和實施效果.

                        圖  22  場景3的水電輸出功率補償效果

                        Figure 22.  Compensation effect of hydro power in Scenario 3

                        圖  23  場景3的各水電機組輸出功率調度方案

                        Figure 23.  Scheduling plan of hydro generators in Scenario 3

                      • 本文設計了智能電廠云控制系統的整體結構, 并對關鍵技術進行了詳細分析, 將云控制推廣到智能電廠系統中, 研究了其在智能電廠系統中的應用模式, 給出了具體的部署方案. 在綠色能源領域, 本文設計了基于LSTM網絡和經濟模型預測控制的風水光互補發電滾動優化方法, 利用電力系統風機、光機歷史輸出功率數據, 預測未來風光機組出力波動情況. 針對綠色能源互補發電最優問題, 滾動優化得到水輪機組最優預測調度策略, 提前消解不確定性, 改善綠色能源互補應對偶然因素差、魯棒性差的問題, 同時最小化耗水量和穿越振動區次數, 保障機組設備運行安全. 功率智能預測算法和優化調度算法分別在邊緣和云端運行, 充分利用邊緣和云端算力, 實現智能電廠云控制系統云網邊端協同控制, 規避傳統電廠業務計算存儲能力的局限, 節約智能電廠建設和運維成本. 事實上, 目前云控制系統理論和技術還在發展階段, 本文提出的智能電廠云控制系統是云控制的初步應用, 如何實現從大數據采集、處理到云網邊端協同安全管控的智能電廠全流程業務, 將云控制封裝成一種隨取即用、按需申請的服務, 實現現代電廠全業務環境控制策略的實時觸發、分析、回饋和流轉, 得到最優的實際電廠系統云控制解決方案, 仍然是智能電廠云控制系統的未來發展方向和需要解決的技術難點.

                    參考文獻 (67)

                    目錄

                      /

                      返回文章
                      返回