国网咸宁供电公司 王 毅 彭梓元 徐 念 肖志豪 武汉市豪迈电力自动化技术有限责任公司 王 瑜 聂 蛟 王 彬 张 怡

在电网发生故障断电时和电力施工时，各种检修设备和继保设备需电源才能正常工作，此时检修电源就是保障现场作业最重要的设备之一[1]。在电力公司，会储备多个检修电源，分布安置在公司各个位置，以便不同区域调取使用；各电源输入输出模式有所差异，AC-DC，DC-AC 输出模式均有分布，多样化的电源能更好满足多元化的检修需求，这也为工作人员带来了困难，接到检修作业通知后，往往需要以最快的速度携带设备到达现场，在短时间内确定电量最合适、距离最近、最符合作业要求电能输出方式是作业人员亟待解决的问题[2]。

对于检修电源管理和快速寻优，国内外学者做了大量研究工作。文献[3]提出一种改进算法，基于蜻蜓算法从而检测电源的各相参数进而精准识别；文献[4]提出一种改进SOC 估算方法，引入多元参数交叉融合来判别熵值；文献[5]在分布式电源集群并网调控的体系架构与关键技术做了研究，建立了集群管理的模型；文献[6]在主动配网EMS 中引入集群管理，自律协调和协同叠加的概念在能量管理中应用；文献[7]将遗传算法与配电网规划进行有效结合，研究了遗传算法在规划方案中的染色体组编码方式。本文将遗传算法引入到检修电源的管理中，将检修电源电池剩余容量（SOC）、最佳电池健康度（SOH）、工作人员到检修电源的距离L 建立数学模型，运用遗传算法的寻优性能给出最优解，以便工作人员提升作业效率，为快速检修节省时间，对电网运维具有较大经济和安全意义。

1 集群管理引入检修电源

“集群”一词源自计算机技术，其核心是通过预先设定的模式，将网络中原本松散的计算机个体进行区分与归类，形成多个新的网络[8]。集群管理非计算机领域特有，在多个领域均有应用且效果良好，网络中各个计算机既相互独立又可以保持通信，协同服务于其所在集群；而不同集群统一受网络指令的控制，较大程度的提高了系统的工作效率，方便调度及管理。集群在电力系统中的应用能极大增加电力系统的智能化与管理能力，相同参数或相同电气特征的检修电源划分为一类，或根据电力需要进而划分，必要时集合管理，把各检修电源的参数收集起来汇总成实时数据库，以便后台管理系统使用优化算法处理数据。

分布式的检修电源因物理属性一致，但地理位置的分散性，若要集中统一监视与控制，通过后端服务器调用最优算法参与集群管理就能做好优化。当故障发生需要调用检修电源时，作业人员需要快速调用离故障点最近且健康状态最佳的电源，电池剩余电量百分比（SOC）和电池健康度（SOH）以及与作业人员的距离就成为关键性因素。后端服务器采用优化算法，综合距离、SOC、SOH、电压等因素做出最优判断，及时告知作业人员选择最近且健康状态最好的电源。

2 目标函数的建立

建立目标函数:最优的选择策略由最佳的电池剩余容量、最佳电池健康度、距离最优和电压偏差满足要求为条件：

式（1）中Fmax为最佳目标函数，fsoc为剩余电量百分比最佳，fsoh为电池健康度最佳，Imin为工作人员到检修电源的距离最短，Δu 为电压偏差满足要求。

考虑到检修电源的寿命和日常充放电规律，检修电源不能常处于高电量状态也不能常出于低电量状态，并且要对充放电的规律进行约束。

SOCmin为电源容量的最小值，SOC(t)为电源在t 时刻的剩余电量，SOCmax为最大容量。同时对充放电功率要考虑参数：

PESSN为电源储能的额定功率，PESS(t)为t 时刻的功率。在集群管理这个过程中，各分布式检修电源可看作一个节点，各节点的电压应该被时刻管控。

Umax为检修电源允许的电压最大值，Umin为检修电源电压允许的最小值小值，ui,t为节点i 在t 时刻的电压。电压允许偏差可进一步归一化处理：

λad为调节比例；Uad为实际调节电压，包括调节电压上限UN与下限，Vm为电压允许偏差范围。

3 遗传算法求解模型

3.1 遗传算法构建

遗传算法一类依据进化理论设想得到的寻求最优解集的仿生取优策略，本质为一类高效、并行、全方位搜索的办法。为检修电源寻优规划协调各目标提供了有力工具，在使用遗传算法解决检修电源寻优路径问题时，其每一组可行解将会被编译为一条“染色体”，称之为“个体”，若干条个体组合为群体。遗传算法与智能检修电源寻优问题的结合表现为染色体的编码方式，一个个体表示一种优化方案，无数个体构成一个群体，每个个体包含一条染色体，SOC=X1,SOH=X2,L=X3，将各要素数学编码：

式6中[.]表示函数向上取整；Xi表示第i 个基因位的取值；Ximax和Ximin分别表示约束最大值与最小值；ran[0,1]表示区间[0,1]内的任意数值。

确定适应值和编码方式：

n 为训练样本数，q 为输出单元个数，本文有x，y 输出，所以q 取值为2。ykj，ckj为第j 个输出单元的实际输出与期望输出的差。

选择、交叉、变异：

α 为一参数，X1t+1、X2t+1分别为待交叉的个体。

X'k表示原染色体中第k 个位置基因Xk经过非均匀变异后的基因，Δ(t,y)表示在[0,y]符合非均匀分布的一个任意数，t 代表进化代数，t 随着进化代数的增加。遗传算法的流程如图1所示。建立好求解模型之后，对建立的求解函数进行测试，选取常用函数测试其寻优性能：预先的真实数据集由于其真实性，但是情况变化有可能受条件影响而不够全面，而仿真的可以设定各种数据比较全面，选取测试函数对遗传算法进行寻优测试（图2）。

图1 遗传算法流程图

图2 遗传算法测试函数

3.2 寻优仿真

遗传算法是能对全局自适应搜索将电池健康度和剩余电量使用二进制编码，等位基因[0,1]，个体基因[0,1]T,在交叉和繁殖的步骤领域独立别分进行，先后经历初始化、个体评估、种群进化、选择母体、交叉、变异、选择子代最后终止检验。确定检修电源的种群规模N、检修电源的交叉概率为Pc、检修电源的变异概率Pm以及终止进化准则都需要被确定，检修电源的N 个个体参与初始化之后便生成初始化种群X(0)。对每个检修电源的各相电气参数综合评估，计算其个体适应度之后加速种群进化。从种群里挑选出M/2对母体，按照概率Pc 执行交叉形成M 个中间个体；对M 个中间个体分别按照概率Pm执行变异形成候选的检修电源。依次类推通过设定各移动智能电源箱的参数，SOH、SOC、Δu、L 综合最优解的情况下，能较快寻找到最近且健康状态最好的电源。

从寻优收敛曲线（图3）来看，刚开始对检修电源建模初始化种群N 建立起来后，开始交叉迭代迭代到60次开始收敛，只有小幅度的波动，到达80次的维度，已经能够稳定的收敛，能达到快速寻找检修电源的目的。

图3 寻优曲线

4 结语

智能检修电源集群管理多由各个分布式电源所构成，为了兼顾集群结构与功能性，集群划分指标的建立综合考虑电源的SOC、SOH、SOC、Δu、L 和输出电能方式等参数，建立考虑综合性能的划分指标。在此基础上，通过二进制编码定义集群划分个体解，最后通过遗传算法对所构建模型进行优化，通过使用遗传算法对检修电源寻优，能再发生紧急情况下让检修人员快速定位最准确的电源位置。