Интегрированное программирование для эффективного проектирования компонентов Smart Grid

Для оптимизации их производительности инженеры все чаще применяют передовые математические методы, такие как целочисленное программирование. Эта методология поддерживает экономически эффективную и надежную конструкцию компонентов сети, от трансформаторов и переключателей до систем хранения энергии и контроллеров потока питания. Моделируя дискретные решения - будь то установка новой подстанции, сколько банков конденсаторов для развертывания или какой маршрут для линии передачи - целочисленное программирование обеспечивает строгую основу для принятия оптимальных решений в условиях ограничений. В этой статье рассматриваются основы целочисленного программирования, его конкретные приложения в дизайне компонентов целочисленной сети, проблемы, которые он представляет, и будущие направления, которые обещают сделать его еще более мощным.

Понимание целочисленного программирования

Целое программирование (IP) — это отрасль оптимизации, где некоторые или все переменные решения должны быть целыми. Это контрастирует с линейным программированием (LP), где переменные могут принимать любое реальное значение. Целое ограничение необходимо для моделирования реальных решений, которые включают неделимые единицы: нельзя устанавливать 2,7 трансформаторов или размещать дробное число блоков распределительных устройств. Проблемы IP можно классифицировать по нескольким категориям:

• Чистое целое число: Все переменные должны быть целыми числами.
• Миксированное целое число (MIP): Некоторые переменные реальны, другие целы.
• Бинарное (0-1) программирование: Целые переменные ограничены 0 или 1, часто используемые для решений да/нет.
• Комбинаторная оптимизация: Более широкий класс, который включает в себя такие проблемы, как коммивояжер, сетевой дизайн и планирование, многие из которых могут быть отлиты как IP.

Типичные формулировки IP включают линейную объективную функцию (для минимизации затрат, максимальной надежности и т. Д.), Предметом линейных ограничений, которые представляют технические, финансовые или нормативные ограничения. Ограничения интегральности делают проблему NP-трудной в целом, а это означает, что для крупномасштабных случаев поиск гарантированного наилучшего решения может быть вычислительно требовательным. Тем не менее, современные решатели, такие как CPLEX, Gurobi и SCIP, добились значительного прогресса, объединив ветви и границы, режущие плоскости, эвристику и параллельную обработку, позволяя инженерам решать проблемы с миллионами переменных.

Почему интегральное программирование для умных сетей?

Проектирование компонентов интеллектуальных сетей по своей сути включает дискретный выбор. Например, при планировании установки распределенного энергетического ресурса (DER) утилита должна решить, сколько солнечных панелей, аккумуляторных батарей и инверторов разместить на каждом участке. Мощности этих устройств приходят в стандартных размерах - вы покупаете целые блоки, а не их части. Аналогично, решения топологии сети (будь то строительство нового фидера или обновление существующего) являются двоичными. Целое программирование непосредственно захватывает эти реальности, тогда как непрерывные методы будут производить фракционные решения, которые непрактичны для реализации.

Кроме того, интеллектуальные сети должны балансировать между несколькими целями: минимизация капитальных и эксплуатационных затрат, обеспечение стабильности напряжения, снижение потерь электроэнергии и соблюдение стандартов портфеля возобновляемых источников энергии. Целое программирование может включать все эти цели в качестве линейных ограничений или взвешенных целей, и оно гарантирует глобально оптимальное решение (или доказуемый разрыв в оптимальности), если ему предоставлено достаточно вычислительных ресурсов. Эта строгость ценна в регулируемых средах, где инвестиционные решения должны быть оправданы количественным анализом.

Ключевые приложения в дизайне компонентов

Размер трансформатора и выбор типа

Трансформаторы являются основными компонентами любой сети, и их рейтинги приходят с дискретными приращениями (например, 10 MVA, 25 MVA, 50 MVA). Целая модель программирования может выбрать оптимальный набор трансформаторов для обслуживания прогнозируемых нагрузок при минимизации общих затрат на владение (покупка, установка, обслуживание и потери). Ограничения гарантируют, что тепловые ограничения, регулирование напряжения и критерии надежности N-1 удовлетворяются. Недавние исследования показали, что размер трансформатора на основе MIP может снизить затраты на жизненный цикл на 5-15% по сравнению с эвристическими правилами.

Система хранения энергии Расположение и размер

Системы хранения энергии аккумуляторов (BESS) имеют решающее значение для интеграции возобновляемых источников энергии и предоставления сетевых услуг. Целые модели программирования определяют количество аккумуляторных батарей, их рейтинги мощности и их местоположение в распределительной сети. Бинарные переменные представляют, следует ли устанавливать хранилище на данном узле, в то время как целочисленные переменные захватывают количество модулей. Ограничения включают динамику состояния заряда, пределы перегрузки сети и графики зарядки / разрядки. Документ 2021 года демонстрирует, как MIP может одновременно оптимизировать размер BESS и ежедневное планирование, чтобы максимизировать чистую приведенную стоимость от энергетического арбитража и регулирования частоты.

Маршрутизация кормов и размещение подстанций

При расширении или строительстве новой распределительной сети инженеры должны выбирать маршруты для подземных кабелей или воздушных линий. Целое программирование обрабатывает дискретные решения, какие сегменты строить, с затратами, которые зависят от длины, рельефа местности и существующей инфраструктуры. Размещение подстанции включает в себя бинарные решения (построить на месте кандидата или нет) и непрерывные переменные для емкости, если размер постоянно регулируется. Полученная модель является классической проблемой размещения объекта с проектированием сети, часто решаемой с помощью методов разветвления и вырезания.

Координация устройств защиты от неисправностей

Защитные реле, реклосеры и предохранители должны быть установлены для изоляции неисправностей при сохранении обслуживания здоровых секций. Выбор типа и местоположения защитных устройств является комбинаторной проблемой. Целые формулы программирования минимизируют количество устройств (или общую стоимость), гарантируя, что токи неисправностей не превышают рейтинги оборудования и что поля координации поддерживаются. IEEE исследование применило MIP для оптимального размещения направленных сверхтоковых реле в сетчатых сетках.

EV Charging Infrastructure Planning (Бесплатное планирование инфраструктуры)

По мере роста внедрения электромобилей операторы сетей должны решить, сколько зарядных станций развернуть в различных местах и какие уровни мощности (быстрое зарядное устройство уровня 2, DC). Целые модели программирования учитывают спрос на поездки, ограничения пропускной способности сети и бюджеты капитала. Бинарные переменные указывают, следует ли строить станцию данного типа в месте назначения, а целочисленные переменные представляют количество точек зарядки. Такие модели помогают коммунальным службам избегать чрезмерных обновлений сети при достижении целей покрытия.

Преимущества целочисленного программирования для проектирования сетей

• Оптимизация затрат: Выявляет самую низкую конфигурацию затрат, которая отвечает всем техническим и нормативным ограничениям.
• Повышение надежности: Обеспечивает избыточность и соответствующий размер компонента для снижения рисков отключения.
• Эффективность ресурсов: Минимизирует избыточные мощности и потраченные впустую инвестиции.
• Масштабируемость: Современные решатели могут обрабатывать крупномасштабные экземпляры с тысячами целых переменных.
• Прозрачность: Модель оптимизации может быть проверена и адаптирована по мере изменения условий, в отличие от эвристики черного ящика.

Проблемы и ограничения

Несмотря на свои сильные стороны, целочисленное программирование не является серебряной пулей. Самой значительной проблемой является вычислительная тягостность. Проблема с 10 000 бинарными переменными и плотными ограничениями может легко перегрузить решатель, требуя часов или дней, чтобы сблизиться с оптимальным разрывом в 1-2%. В операциях сетки в реальном времени или в режиме реального времени (например, планирование гибких ресурсов на день вперед) это вычислительное бремя может быть неприемлемым.

Чтобы смягчить эти проблемы, исследователи и практики используют несколько методов:

• Методы разложения:] Разложение Бендеров, расслабление Лагранжа и разложение Данцига-Вольфа разбивают большую проблему на более мелкие подзадачи, которые решаются итеративно. Особенно эффективны, когда проблема имеет естественную разделимую структуру (например, временные периоды, географические регионы).
• Генерация колонок: Полезно для проблем с огромным количеством переменных, которые не могут быть перечислены явно (например, расписание экипажа).
• Очевидные неравенства и плоскости резания: Добавление ограничений, которые затягивают релаксацию линейного программирования без удаления возможных целых решений, может резко уменьшить ветвящиеся и связанные узлы.
• Эвристика и метаэвристика: Генетические алгоритмы, смоделированный отжиг или локальный поиск могут быстро обеспечить хорошие (но не гарантированные оптимальные) решения.

Другое ограничение — зависимость от линейности. Реальные компоненты сетки часто имеют нелинейные характеристики — кривые эффективности трансформатора выпуклые, деградация батареи зависит от глубины разряда (нелинейные), а уравнения потока мощности переменного тока нелинейные. Для использования целочисленного программирования инженеры должны линеаризовать эти отношения либо с помощью поштучно-линейных приближений, либо путем введения вспомогательных переменных. Это может увеличить размер модели и может принести в жертву точность. Такие новые методы, как смешанное целое нелинейное программирование (MINLP) и выпуклое релаксация (например, полуопределенное программирование) являются активными областями исследований, которые обещают преодолеть эти ограничения.

«Интегральное программирование — это не просто математическая техника; это философия дизайна, которая заставляет инженеров точно формулировать, какие решения возможны и какие компромиссы приемлемы», — говорится в одном из учебников по оптимизации в энергетических системах.

Интеграция с данными в реальном времени и машинным обучением

Сетка становится все более богатой данными, с интеллектуальными счетчиками, блоками измерения фазоров (PMU) и датчиками IoT, которые потоковую информацию на высокой скорости. Традиционные модели целочисленного программирования являются статическими - они предполагают известные параметры. Однако, комбинируя IP с прогнозированием в реальном времени и адаптивными схемами, мы можем создавать более адаптивные проекты. Например, стохастическая модель целочисленного программирования может включать в себя несколько сценариев для возобновляемой генерации и спроса, оптимизируя ожидаемую стоимость при обеспечении осуществимости в каждом сценарии. Это особенно ценно для размера хранения энергии, где решения должны быть надежными против неопределенных погодных и ценовых моделей.

Последние достижения в обучении-дополненной оптимизации используют нейронные сети для прогнозирования хороших решений-кандидатов или для сокращения ветвей-и-связанных. В контексте проектирования интеллектуальных сетей модель глубокого обучения может быть обучена для прогнозирования оптимального количества аккумуляторных батарей из исторических данных о нагрузке и цене, а затем целочисленное программирование уточняет решение для конкретного случая. Этот гибридный подход сохраняет гарантии строгой оптимизации при ускорении вычислений.

Инструменты программного обеспечения для реализации

Несколько коммерческих и open-source решателей доступны для развертывания целочисленного программирования в проектировании сетки:

• Gurobi: Высокопроизводительный коммерческий решатель, широко используемый в промышленности. Он поддерживает параллельные вычисления, обеспечивает высокоуровневый API Python и включает автоматическую настройку.
• IBM CPLEX: Ещё один отраслевой стандарт, с сильной поддержкой больших MIP и интеграцией с языками моделирования OPL и AMPL.
• SCIP: Некоммерческий решатель с конкурентоспособной производительностью, идеально подходит для академических исследований и проектов с высокой стоимостью.
• Google OR-Tools: Библиотека с открытым исходным кодом с обертками для CP-SAT и MIP-решателей, пригодная для прототипирования.
• Julia/JuMP: Мощная среда моделирования, которая может вызывать любой из вышеперечисленных решателей, предлагая гибкость и скорость.

Независимо от решателя, тщательная формулировка модели имеет решающее значение. Инженеры должны использовать структуру проблемы - например, разумно использовать ограничения большого М, избегая ненужной симметрии и добавляя ограничения, нарушающие симметрию. Такие этапы предварительной обработки, как затягивание границ и зондирование, также могут существенно сократить время решения.

Тематическое исследование: оптимизация модернизации подстанции под передачу

Рассмотрим утилиту, которая должна модернизировать подстанцию 69 кВ для обслуживания растущей нагрузки в промышленной зоне. Варианты включают замену существующих двух трансформаторов 30 МВА на более крупные агрегаты (40 МВА или 60 МВА) и добавление нового трансформатора 60 МВА. Каждый вариант имеет дискретную стоимость: 1,2 млн долларов за блок 40 МВА, 1,8 млн долларов за блок 60 МВА. Подстанция может вместить до трех трансформаторов из-за ограничений пространства. Прогнозы роста нагрузки указывают на пиковый спрос в 110 МВА через пять лет с вероятностью 80%; сценарий низкого роста пики на 80 МВА. Утилита сталкивается с решением в условиях неопределенности: какие размеры трансформатора и сколько устанавливать сейчас, с возможностью отложить модернизацию на три года с дополнительной премией 10% на будущие расходы.

Целая модель программирования с бинарными переменными (установка или нет) и целыми переменными (число единиц) может захватить эти варианты. Стохастические сценарии представляют результаты роста. Цель минимизирует ожидаемые текущие затраты, включая штраф за капитал, эксплуатацию и сбой. Ограничения обеспечивают, что общая мощность в каждом сценарии соответствует или превышает пиковый спрос с 1,2 фактором безопасности, и что не более трех трансформаторов. Решение этого MIP дает рекомендуемую конфигурацию двух 60 трансформаторов MVA сейчас и возможность добавить третью 60 MVA единицу, если сценарий высокого роста материализуется. Общая ожидаемая стоимость составляет 3,1 млн. долларов США по сравнению с 3,7 млн. долларов США от наивного детерминированного подхода, который предполагает высокий рост.

Этот случай иллюстрирует, как целочисленное программирование может включать в себя несколько периодов времени, неопределенности и дискретного выбора оборудования для создания надежной, минимизирующей затраты конструкции. Модель была решена до 0,5% оптимальности за 14 секунд с использованием Gurobi, демонстрируя практическую тягостность.

Сравнение с другими методами оптимизации

Целое программирование не единственный инструмент для проектирования интеллектуальных сетей. Ниже приведено краткое сравнение:

На практике многие проекты объединяют эти методы. Например, эвристика может генерировать пул конфигураций кандидатов, а затем целочисленное программирование выбирает лучшее из них с учетом подробных ограничений. Альтернативно, целочисленное программирование используется для долгосрочного планирования, в то время как LP или нелинейное программирование обрабатывает оперативные решения.

Будущие направления

Область целочисленного программирования для проектирования интеллектуальных сетей быстро развивается. Ключевые тенденции включают:

• Машинные решения для обучения: Нейронные сети предсказывают ветвящиеся приоритеты, сокращая выбор плоскости и решения с теплым стартом, сокращая время решения на порядки.
• Распределенная оптимизация: По мере того, как сети становятся более децентрализованными (микрогриды, одноранговая торговля энергией), методы разложения, которые сохраняют конфиденциальность и масштабируемость, становятся необходимыми. ADMM и консенсусная IP набирают обороты.
• Дискретная оптимизация в реальном времени: Достижения в вычислительном оборудовании (FPGA, квантовые компьютеры) могут однажды позволить решать IP в миллисекундах, обеспечивая динамическую реконфигурацию компонентов сетки.
• Интеграция с цифровыми двойниками: Моделирование высокой точности в сочетании с IP может непрерывно обновлять проекты компонентов по мере поступления новых данных.
• Ограниченное и ограниченное шансами программирование: Расширение IP, которое явно учитывает наихудший случай или вероятностную неопределенность без необходимости дискретизации сценария.

Заключение

Целое программирование предлагает принципиальную и мощную основу для проектирования компонентов умной сети, которые являются экономически эффективными, надежными и масштабируемыми. Путем моделирования дискретного, комбинаторного характера реального оборудования, оно дает решения, которые сразу реализуемы и математически строгие. В то время как вычислительные задачи сохраняются, постоянные улучшения в решателях, методах разложения и гибридных подходах машинного обучения продолжают расширять спектр проблем, которые могут быть решены. По мере ускорения энергетического перехода, целое программирование останется незаменимым инструментом в арсенале инженера для построения сети будущего.