電爐工業與配電網節能降損動態優化模型研究

姚海燕,於志淵,馮姍姍,顧 悅,丁 力

(1.國網浙江省電力有限公司杭州市余杭區供電公司,浙江 杭州 310000;2.北京博思匯眾科技有限公司,北京 100080)

能源節約是當今我國社會、經濟發展中的一項長遠戰略方針。在我國政府工作報告中,將節能降損放在了工作突出位置。尤其是電力生產行業,是節能降損工作中的重點實施行業[1]。電加熱爐使用行業是能源消耗大戶之一,電力工業發展以燃煤火電為主,占比可以達到78%以上,發電廠供電線損電量高達324.9TW·h。另外,我國電力行業的能源利用效率較低,故在節能降損方面形勢較為嚴峻,提高電力行業節能降損能力是亟待解決的重點問題之一[2]。

隨著我國經濟的高速發展,能源緊張局勢也在逐漸地加劇,這對我國電加熱爐使用行業節能降損能力提出了更高的要求。電能是居民生產與生活的主要能源之一,在生產、傳輸、轉化、應用等環節中都存在著一定量的能量損耗,其中以電能線損為主。電能線損指的是電能在輸送、轉換、配電與營銷環節中產生的損失。常規情況下,在計算線損電量時,從發電廠主變壓器一次側開始,到用戶電能表為止。經過調查研究發現,電能線損主要集中在輸、配電線路及其變壓設備中。相對于發達國家電力行業來看,我國電加熱爐生產行業配電網損耗率較高,每年都會產生較大的電能損耗,極大地制約了電力行業的發展[3]。

就現有研究成果來看,電加熱爐生產行業配電網節能降損動態優化模型由于優化因子選取的不合理,致使其存在著配電網線損率較高的問題,無法滿足現今社會對配電網節能降損的需求,因此提出新的電加熱爐生產行業配電網節能降損動態優化模型研究,希望解決現有模型存在的問題,為我國電力行業發展提供一定的幫助。

1 電加熱爐使用行業配電網節能降損動態優化模型研究

1.1 配電網節能降損因子分析

電加熱爐使用行業配電網節能降損能力會受到多種因素的影響,故要想對其進行動態優化,必須對節能降損因子進行詳細分析,具體如下所示:

依據已有文獻研究可知,影響配電網節能降損的主要因素為材料因素、技術因素與檢修改造因素。其中,為了節能降損,在材料因素方向應該使用適當的大截面導線、適當減小供電導線長度、更換低電阻率導線等。常規情況下,導線截面積越大,電子移動速度越小,與金屬離子碰撞也就越弱,則電阻越小[4]。線損主要由于電阻增高導致的高溫消耗,并容易引起電氣設備的損壞,故最好使用大截面導線;由導線電阻計算公式可知,線路電阻與導線長度成正比例關系,也就是說,在相同條件下,導線長度越短,其電阻就越小,則線損也越小,故在適當范圍內減小供電導線的長度;不同導線材料具有不同的電阻率,一般情況下,導線材料為銅或者鋁,銅導線電阻率更低,其線路損耗也會更低,故選擇銅導線作為供電導線[5]。

技術因素是指通過一定技術來降低電加熱爐使用行業配電網損耗。現有技術因素主要分為三種,一是無功補償。無功補償裝置能夠提升負載的功率因數以及電氣設備的利用率,同時降低線路無功損耗,從而提升配電網的節能降損能力,為用戶提供優質的電能。另外,無功補償還能在一定程度上實現三相平衡負荷的目的。二是節能型變壓器應用。節能型變壓器可以根據負荷的變化,動態調整自身的經濟運行狀態,從而降低變壓器的電能損耗。目前,新型變壓器為非晶合金變壓器、S11型變壓器,均具備較好的節能降損性能。三是電子式電能表普及。研究數據表明,原有電能表使用一年耗損電量為12 kW·h,而電子式電能表使用一年耗損電量為4.8 kW·h,降低了約60%的電能損耗,因此普及電子式電能表能夠有效提升配電網的節能降損能力。

電加熱爐使用行業配電網具備線路長、接點較多、連接復雜等特點,故檢修改造因素包含因子較多,由于字符的限制,此研究只對接點過熱缺陷治理與增加并列運行線路進行詳細分析。其中,由于自然氧化銹蝕、螺栓松動、施工工藝差、運行時間長等因素導致接點部位產生過熱現象,從而導致設備損壞事故與電能損耗問題。為了降低電加熱爐使用行業配電網的電能損耗,管理人員必須對接點進行實時監測,防止接點過熱現象的出現。若是接點過熱現象出現,需要對其進行及時處理,降低整體電能消耗;增加并列運行線路指的是在原有線路上添加一條或者幾條導線,以此來加大截面積,降低供電線路的電路,從而起到節能降損的作用[6]。為了直觀顯示增加并列運行線路的功效,節能損耗百分率數據如表1所示。

表1 增加并列運行線路功效數據表

1.2 配電網負荷預測

以上述電加熱爐使用行業配電網節能降損因子分析結果為基礎,應用神經網絡算法對電加熱爐使用行業配電網的負荷進行預測,為后續配電網重構與無功補償提供基礎與依據[7]。

此研究設置電加熱爐使用行業配電網負荷預測間隔時間為2 h,則整天時間被劃分為12段。電加熱爐使用行業配電網負荷曲線具有連續性特點,若無較大事故的發生,負荷曲線不會出現較大的變化。應用神經網絡算法進行配電網負荷預測時,設置算法的輸入向量為負荷數據(12個分量),每個分量指的是前一日對應負荷段的數值。輸出向量也是負荷數據(12個分量),表示的是未來一天負荷的預測數值[8]。

神經網絡算法訓練集合選取歷史電加熱爐使用行業配電網負荷實際數據,在神經網絡算法訓練開始前,需要對訓練集合中的負荷數據進行歸一化處理,表達式為

(1)

神經網絡算法采用Matlab7進行編程,具體算法流程如下:

步驟一:對神經網絡算法基本參數進行適當選擇,例如傳遞函數、輸入閾值、輸出閾值、神經元數量等。

步驟二:對采集的全部歷史負荷實際數據進行統一的歸一化處理。

步驟三:在歷史負荷實際數據中隨機選取固定數量數據,整合為訓練集合,以此為基礎,訓練神經網絡算法。在算法訓練完成后,利用測試集合對神經網絡算法的性能進行測試。

步驟四:將歷史負荷數據輸入至步驟三獲得的神經網絡算法中,即可獲得電加熱爐使用行業配電網負荷預測數值結果[9]。

1.3 配電網重構模型建立

以上述獲得的電加熱爐使用行業配電網負荷預測結果為依據,劃分負荷等級,建立配電網重構模型,優化電加熱爐使用行業配電網的結構,以此來達到節能降損的目的。

為了方便研究的進行,此研究將連續變化的配電網負荷數據表達為離散的變量,同時將其劃分為七個等級,如表2所示。

表2 負荷等級劃分表

對于電加熱爐使用行業配電網來說,若每段負荷母線的負荷數值均為確定的等級時,即形成了一個固定的負荷模式。也就是說假設電加熱爐使用行業配電網中具有m條負荷母線,則配電網負荷模式有7m種。若是配電網負荷數值出現變化,對應的負荷模式也會產生變化[10]。

依據上述描述可知,神經網絡算法輸入向量分量數量為m,每個分量對應的數值就是負荷母線的負荷數值。神經網絡算法輸出層神經元數量由配電網中開關的數量決定,記為n,則每一個輸出分量與配電網中的一個開關相對應。算法輸出數值表示的是開關的開合狀態,常規情況下,神經網絡算法輸出數值為0,認為開關狀態為打開,輸出數值為1,認為開關狀態為閉合[11]。

在所有配電網負荷模式中隨機選取訓練集合與測試集合,并尋找出負荷模式下,損耗最小的拓撲結構。神經網絡算法訓練后必須滿足誤差需求,再應用測試集合測試神經網絡算法,將輸出結果與最優拓撲結構進行比較,以此來驗證神經網絡算法的性能[12]。

則配電網重構具體步驟如下:

步驟一:依據電加熱爐使用行業配電網具體結構尋找出全部的負荷模式。

步驟二:對神經網絡算法基本參數進行適當選擇,例如傳遞函數、輸入閾值、輸出閾值、神經元數量等。

步驟三:在步驟一結果中,隨機選取訓練集合與測試集合,訓練并測試神經網絡算法。

步驟四:將1.2節配電網負荷預測結果輸入至訓練好的神經網絡算法中,輸出結果即為損耗最小的配電網重構模型。

1.4 配電網無功補償

無功補償是電加熱爐使用行業配電網節能降損動態優化過程中的關鍵環節。在無功補償問題解決過程中,神經網絡數量與無功補償裝置數量保持一致,每組無功補償裝置問題均由對應神經網絡解決。

該環節與配電網重構環節類似,神經網絡算法輸入向量不變,而輸出層神經元的數量由無功補償裝置容量調節范圍(投切位置)決定,設置投切位置數量為p,輸出向量即為p個分量構成的向量[13]。

在7m種負荷模式中隨機選取一部分,并尋找出負荷模式下損耗最低的無功補償容量(投切位置),對神經網絡算法進行訓練與測試。

則配電網無功補償具體步驟如下:

步驟一:依據不同無功補償裝置選取對應的神經網絡。

步驟二:對不同神經網絡參數進行適當選擇。

步驟三:在全部負荷模式中隨機選取訓練集合與測試集合,訓練并測試神經網絡算法。

步驟四:將負荷預測結果與配電網重構結果輸入至步驟三訓練好的各個神經網絡中,輸出結果即為損耗最低的無功補償投切位置數據。

通過上述過程即實現了電加熱爐使用行業配電網節能降損的動態優化,為電加熱爐使用行業配電網穩定運行提供幫助,也為居民提供更加優質的電能。

2 實驗與結果分析

為了驗證構建模型與現有模型之間的應用性能差異,應用Matlab仿真平臺設計實驗,具體實驗過程如下所示。

2.1 實驗準備階段

此研究選取某電加熱爐使用行業的配電網作為實驗對象,其實物圖如圖1所示。

圖1 實驗對象實物圖

實驗對象——配電網中存在多種類型的線損,例如配變有功線損、支路有功線損、配變無功線損、支路無功線損等。

2.2 實驗結果分析

依據上述選取的實驗對象為基礎,將現有模型與構建模型均應用到實驗對象中,將節能降損數據進行比較,以此來顯示模型的應用性能。實驗過程中,采用SVG選取實驗對象10個節點,并測量固定節點對應的線損率數據。常規情況下,線損率數值越大,表明模型節能降損性能越差;反之,線損率數值越小,表明模型節能降損性能越好。

通過實驗獲得線損率數據如表3所示。

表3 線損率數據表 %

如表3數據顯示,現有模型線損率數值范圍為20.01%～30.12%,構建模型線損率數值范圍為10.03%～12.07%。通過上述實驗數值對比發現,相較于現有模型,構建模型線損率得到了大幅度的降低,充分證實了構建模型應用性能更好。

3 結 語

此研究引入神經網絡算法構建了新的電加熱爐使用行業配電網節能降損動態優化模型,大幅度降低了配電網線損率,能夠為配電網穩定運行提供更加有效的幫助。但是此研究實驗部分依然存在著不足,主要表現在測量數據的準確性上,為了方便實驗,缺少了測量數據檢驗的步驟。雖然不會對實驗結論不會產生較大影響,但對節能降損優化分析研究不夠嚴謹,需要對其進行進一步的探究。