大型化學工業園電能負荷動態平衡控制技術優化設計

李蒙贊

(國網山西省電力公司 電力科學研究院，山西 太原 030001)

工業園區屬于工業企業相對集中的城市功能區域，區域內大負荷用電企業較為密集，部分企業采用多電源回路上的專用接入點接入，或在2條以上多電源回路上部署多個專用接入點接入；部分企業采用多路專線供電接入，或專線供電配合多電源回路接入。此處多電源回路包括拉手回路、環形回路等，拉手回路一般擁有至少2個電源接入點，環形回路一般擁有至少3個電源接入點，即多電源回路上的電源性質本身即為2級負荷電源[1]。

綜合能源信息管理管理系統是區域用電負荷調度的重要管理信息系統，通過將特定區域內的用電負荷需求統一管理，對不同電壓級別，不同供電回路的電源狀態、衍生電源狀態進行統一管理，以確保重點區域的供電可靠性[2]。

研究采用平衡調度理念，將某個案工業園區的綜合能源管理信息系統的調度專家系統算法進行充分優化，使其策略編制功能更貼近實際需求。

1 個案基本情況

該個案工業園區面積7.4平方km，為省級工業開發區，園區內擁有用電企業12個，用電總容量為28.1 MW，其中35 kV專線用電容量12.4 MW，共2個用戶；10 kV專線用電容量6.5 MW，共3個用戶；10 kV多電源回路雙節點接入用戶用電容量6.0 MW，共3個用戶；10 kV多電源回路單節點接入用戶用電容量3.2 MW，共4個用戶。具體線路分布情況如表1所示。

表1 園區內供電線路分布示意圖Tab.1 Distribution diagram of power supply lines in the park

由表1可知，園區內供電線路包括針對5個用戶的10條供電專線，其中35 kV專線4條，10 kV專線6條，另布置3條10 kV拉手線路[3]。因為工業園區拉手線路中每個用電節點的用電負荷需求均較高，所以其拉手回路內的接入點密度遠小于居民區接入點密度，3條拉手線路電源分別來自35 kV變電所的105站、108站、116站、109站共4個變電站。10 kV專線電源分別來自105站、108站、116站共3個變電站，專線電源站包含在拉手線路變電站內。35 kV專線電源分別來自35 kV的303站、307站、313站共3個變電站。

涉及到3個35 kV電源站和4個10 kV電源站，該7個電源站均分布在工業園內或工業園周邊。所有用戶分為4個級別，分別為：35 kV雙專線供電、10 kV雙專線供電、拉手線路雙節點供電、拉手下單節點供電。該4個級別均可實現2級負荷直接供電[4]。

2 平衡調度算法設計

2.1 平衡調度算法的數學模型

CLASS分析法是將用戶負荷和電源站負荷賦予數學屬性，將客觀實體轉化為數學實體的研究方法。在對該個案的研究中，分析12個用電用戶的最大用電容量，假定其最大用電容量為PU，則其可能產生負荷在Rand(0,PU)區間內，即采用隨機數模擬法可以產生12個用電用戶分別用電的負荷量[5]。而電源站的負荷量為其向用戶供應電能的回路通斷情況，即對于10 kV電源站，如式(1)：

PΣ=∑Rand(0,PUi)

(1)

式中：PUi為第i個接通負荷的最大負荷容量；Rand(*)為隨機數取值過程，自變量為隨機數取值空間。

對于35 kV電源站，如式(2)：

(2)

假定所有7個電源站的負荷量均為PΣi，其中i=7，要實現該7個電源站的負荷均衡，則需要對其標準偏差率進行計算，如式(3)：

(3)

2.2 平衡調度算法下的開關量提取

該模型下涉及到不同電壓等級的多種負荷，其電氣連接方式包括各種變壓器、互感器等線圈繞組設備，隔離開關、接地開關、斷路器等開關設備，且母線結構較為復雜，如果直接研究上述系統，勢必造成研究對象的復雜化導致無法提取對應的數學模型[6]。而該研究的本質只考慮到上級電源站對下級電源站的供電回路和對各負荷的供電回路，對任何供電回路來說，其回路兩側斷路器以及邊界回路的對應斷路器，可以看做是其唯一功能節點。所以，為了研究平衡調度算法的相關屬性，將上述系統充分簡化，即形成一套最簡開關量構成拓撲[7]。對網絡拓撲進行拓撲學模型提取，具體如圖1所示。

圖1 園區平衡調度所用開關拓撲關系圖Fig.1 Topological diagram of switches used for balanced dispatching in the park

從圖1可以看出，共涉及到33個開關，其中互斥開關共12對，即自由控制開關共21個。根據組合定律，上述開關量共可能形成開關組合模式為221=2.097×106種倒閘狀態，而其中經常使用的倒閘狀態遠小于該值，多數倒閘狀態會造成該網絡內大面積失電，屬于故障倒閘狀態[8]。所以，通過機器學習算法，在2.097×106種倒閘狀態中選擇出最適合當前平衡調度需求的倒閘狀態，避免可能發生的故障倒閘狀態，是本文研究的重點[9]。

2.3 神經網絡的設計

將上述21個開關節點設定為1個一維矩陣，如式(4)：

S={Si=(1,0),i∈1,2,…,n|n=21}

(4)

對上述7個母線負荷設定為1個一維矩陣，如式(5)：

P={Pi=Rand(0,PUi),i=1,2,…,n|n=7}

(5)

通過向神經網絡中輸入S與P矩陣，得到最終的S矩陣判斷結果，將S矩陣判斷結果輸入到后置仿真模塊中，判斷其產生的P矩陣結果，比較P矩陣結果的標準偏差率，當P矩陣標準偏差率小于閾值時，則輸出該結果到倒閘專家系統；具體結果如圖3所示。

圖2 神經網絡及外圍模塊數據流圖Fig.2 Data flow diagram of neural network and peripheral modules

該神經網絡中，輸入模塊共21+7=28個，為21個二值化變量(Logical格式)和7個雙精度浮點變量(Double格式)，輸出模塊共21個，為21個二值化變量(Logical格式)。21個輸出模塊分別直接從所有28個輸入模塊讀取信息，經過數據處理后輸出二值化分析結果，即該神經網絡是一族21列分列單模塊神經網絡架構[10]。

分析21個神經網絡模塊屬性，在統計學上需要對28個輸入數據進行充分降維融合，7個雙精度浮點變量即P數列因子，輸入數據之間需要將數據投影到[0,1]空間，以避免其量綱差異和投影區間差異對[0,1]區間上的二值化數據帶來影響，其重投影函數如式(6)：

(6)

式中：Pi為數列中第i個母線的負荷值；maxP為7個母線負荷值中的最大值；Yi為重投影的輸出值；當Pi=0時，Yi=0。

該神經網絡模塊前3層隱藏層的作用為數據降維，且在降維時將損失信息量保存到數據節點中，所以數據節點的待回歸系數應足夠豐富且其曲線拐點豐度應滿足復雜曲線的擬合要求，故應采用多項式函數進行節點設計，其基函數如式(7)：

(7)

式中：Xi為第i個輸入數據；Y為輸出數據；j為多項式階數；Aj為第j階多項式的待回歸系數。

為實現充分降維，前3層隱藏層的節點數量應分別布置為29、11和5個，該45個節點均采用式(5)的多項式回歸函數進行節點設計，因為每個節點包含6個待回歸系數，則該45個節點共包含270個待回歸系數[11]。

第4、5層隱藏層的統計學意義是將上述數據充分二值化，以實現最后形成1個充分二值化的輸出值；故第4層布置3個二值化節點，第5層布置1個二值化節點，二值化回歸函數的基函數可寫為式(8)：

(8)

式中：Xi為第i個輸入數據；Y為輸出數據；e為自然常數，此處取近似值e=2.718 281 828；A為待回歸系數[12]。

經過2層二值化輸出的1個二值化結果，因為存在多個二值化值的疊加，所以其二值化效果仍不可靠，所以在數據訓練過程中，確保連續50次未出現所有數據二值化結果未落點在[0.05,0.95]后，方認為該神經網絡已經充分收斂。

3 仿真測試結果

數據訓練過程中，選擇該工業園區自2018年1月1日至2019年12月31日實際運行數據作為訓練數據，在該時間戳范圍內隨機抽取真實運行數據對神經網絡進行訓練，使神經網絡得到充分收斂[13]。

仿真測試選用電力CAE平臺下的SimuWorks仿真控件，采用隨機負荷法對上述模型進行仿真分析。參照組選用該工業園之前使用的早期平衡調度平臺算法，采用同一數據對早期平衡調度平臺算法和革新平衡調度算法進行比較分析[14]。

2種算法平衡負荷后，實際負荷變化率曲線的標準偏差率σ如式(3)和最大偏差比如式(9)：

(9)

式中：maxP、minP分別為7個母線負荷值的最大值和最小值。

該σ值和ΔP值仿真比較結果如表2所示。

表2 系統控制精度仿真比較結果表Tab.2 Comparison results of system control accuracy simulation

由表2可知，革新算法平衡后的7個個案變電站負荷均得到了更為有效的平衡，革新算法較早期算法的標準偏差率提升5.1倍，最大偏差比提升3.8倍。標準偏差率和最大偏差比取值減小，標志著7個個案變電站的電源母線負荷的均一性得到更大程度的統一，電網負荷的平衡性更佳[15-16]。標準偏差率和最大偏差比關系到電網節點的調度控制精度，早期全人工編制倒閘策略，人工執行倒閘的過程中，因為倒閘頻率較低，倒閘過程的復雜性和現場管理風險導致現場無法對變電站節點的負荷比給出精密控制。

為考察該目標的實際控制效果，使用電力CAE平臺下的SimuWorks仿真控件產生12個用電用戶負荷的連續時域變化量，比較電網內的電能質量，結果如表3所示。

表3 電能質量控制效果比較表Tab.3 Comparison of power quality control effects

由表3可知，無功增壓比標志著工業園配電網絡中無功功率對電能質量的影響；電壓峰值波動比標志著工業園內的沖擊電壓對電能質量的影響，該2項指標的評價結果中，革新算法的表現顯著優于早期算法。而在革新算法的驅動下，開關倒閘頻率較早期算法略有增加，無功補償器投切頻率基本保持不變[17]。

4 結語

革新算法將倒閘頻率提升43.9%的前提下，實現無功增壓比和電壓峰值波動比分別下降71.2%和50.6%，同時實現7個電源站負荷情況最大偏差比提升3.8倍的控制效果。經過該技術革新，變電站的負荷管理控制過程更加精細化，對用電側提供的電能波形更加接近于理論波形，工業園企業獲得的電能質量服務更加負荷智能電網高質量純凈電能供應的技術要求，即，該算法對實現工業園區用電環境的平衡調度有積極意義。