温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
大型
化学
工业园
电能
负荷
动态平衡
控制
技术
优化
设计
李蒙赞
化学化工资源2023 年 2 月第 50 卷第 2 期doi:10.3969/j.issn.1001-5922.2023.02.028Vol.50 No.02,Feb.2023收稿日期:2021-12-27;修回日期:2023-01-30作者简介:李蒙赞(1975-),女,高级工程师,主要从事电网线损管理与统计分析研究;E-mail:1208319383 qq com。引文格式:李蒙赞 大型化学工业园电能负荷动态平衡控制技术优化设计 J 粘接,2023,50(2):117-120大型化学工业园电能负荷动态平衡控制技术优化设计李蒙赞(国网山西省电力公司 电力科学研究院,山西 太原030001)摘要:研究一种适合大型化学工业园区集中大负荷用户能源需求条件的电网整合平衡控制调度方案。通过对电网内的电源站母线负荷和园区内企业用电负荷进行一维矩阵建模,通过神经网络循环自博弈学习模式进行数据挖掘分析,实现一种适应该调度环境的平衡调度智能新算法。结果表明,与该园区早期使用的平衡调度方案相比,该算法在倒闸频率提升 43 9%的前提下,实现无功增压比和电压峰值波动比分别下降71 2%和 50 6%,同时实现 7 个电源站负荷情况最大偏差比提升 3 8 倍的控制效果。关键词:工业园区;平衡调度;大负荷用户;神经网络;自博弈学习中图分类号:TM744;TQ 9文献标志码:A文章编号:1001-5922(2023)02-0117-04Optimal design of power load dynamic balance controltechnology in large chemical industrial parkLI Mengzan(Electric Power Research Institute of State Grid Shanxi Electric Power Company,Taiyuan 030001,Shanxi China)Abstract:A power grid integrated balanced dispatching scheme suitable for the energy demand conditions of cen-tralized large load power users in industrial park was studied Through one-dimensional matrix modeling of bus loadof power station and power load of enterprises in the park,and data mining and analysis by neural network cyclicself game learning mode,an innovative algorithm of balanced dispatching suitable for dispatching environment wasrealized Results show that compared with the balanced scheduling scheme used in the early stage of the park,theimproved algorithm can reduce the reactive power boost ratio and the peak voltage fluctuation ratio by 71 2%and50 6%respectively under the premise of increasing the switching frequency by 43 9%At the same time,the maxi-mum deviation ratio of seven power stations is increased by 3 8 timesKey words:industrial park;balanced scheduling;heavy load users;neural network;self game learning工业园区属于工业企业相对集中的城市功能区域,区域内大负荷用电企业较为密集,部分企业采用多电源回路上的专用接入点接入,或在 2 条以上多电源回路上部署多个专用接入点接入;部分企业采用多路专线供电接入,或专线供电配合多电源回路接入。此处多电源回路包括拉手回路、环形回路等,拉手回路一般拥有至少 2 个电源接入点,环形回路一般拥有至少 3 个电源接入点,即多电源回路上的电源性质本身即为 2 级负荷电源1。综合能源信息管理管理系统是区域用电负荷调度的重要管理信息系统,通过将特定区域内的用电负荷需求统一管理,对不同电压级别,不同供电回路711化学化工资源的电源状态、衍生电源状态进行统一管理,以确保重点区域的供电可靠性2。研究采用平衡调度理念,将某个案工业园区的综合能源管理信息系统的调度专家系统算法进行充分优化,使其策略编制功能更贴近实际需求。1个案基本情况该个案工业园区面积 7 4 平方 km,为省级工业开发区,园区内拥有用电企业 12 个,用电总容量为28 1 MW,其中 35 kV 专线用电容量 12 4 MW,共2 个用户;10 kV 专线用电容量 6 5 MW,共 3 个用户;10 kV 多电源回路双节点接入用户用电容量6 0 MW,共 3 个用户;10 kV 多电源回路单节点接入用户用电容量 3 2 MW,共 4 个用户。具体线路分布情况如表 1 所示。表 1园区内供电线路分布示意图Tab 1Distribution diagram of power supplylines in the park线路编号电源长度km负荷MW接入点量35 I I110/35#303 站14 47 4135 I II110/35#307 站19 77 4135 II I110/35#307 站11 35 0135 II II110/35#313 站8 25 0110 01 I35/10#105 站3 62 5110 01 II35/10#108 站4 22 5110 02 I35/10#105 站3 92 0110 02 II35/10#116 站4 72 0110 03 I35/10#108 站4 32 0110 03 II35/10#116 站5 42 0110 00 I35/10#105 站35/10#108 站19 6310 00 II35/10#105 站35/10#116 站14 2410 00 III35/10#116 站35/10#109 站16 73由表 1 可知,园区内供电线路包括针对 5 个用户的10 条供电专线,其中35 kV 专线4 条,10 kV 专线 6 条,另布置 3 条 10 kV 拉手线路3。因为工业园区拉手线路中每个用电节点的用电负荷需求均较高,所以其拉手回路内的接入点密度远小于居民区接入点密度,3 条拉手线路电源分别来自 35 kV 变电所的 105 站、108 站、116 站、109 站共 4 个变电站。10 kV 专线电源分别来自 105 站、108 站、116 站共 3 个变电站,专线电源站包含在拉手线路变电站内。35 kV 专线电源分别来自 35 kV 的303 站、307 站、313 站共 3 个变电站。涉及到 3 个 35 kV 电源站和 4 个 10 kV 电源站,该 7 个电源站均分布在工业园内或工业园周边。所有用户分为 4 个级别,分别为:35 kV 双专线供电、10 kV 双专线供电、拉手线路双节点供电、拉手下单节点供电。该 4 个级别均可实现 2 级负荷直接供电4。2平衡调度算法设计2 1平衡调度算法的数学模型CLASS 分析法是将用户负荷和电源站负荷赋予数学属性,将客观实体转化为数学实体的研究方法。在对该个案的研究中,分析 12 个用电用户的最大用电容量,假定其最大用电容量为 PU,则其可能产生负荷在 Rand(0,PU)区间内,即采用随机数模拟法可以产生12 个用电用户分别用电的负荷量5。而电源站的负荷量为其向用户供应电能的回路通断情况,即对于 10 kV 电源站,如式(1):P=Rand(0,PUi)(1)式中:PUi为第 i 个接通负荷的最大负荷容量;Rand(*)为随机数取值过程,自变量为随机数取值空间。对于 35 kV 电源站,如式(2):P=P10 kVj+Rand(0,PUi)(2)式中:P10 kVj为接入该电源站的第 j 个 10 kV 电源站负荷;其他变量含义同式(1)。假定所有 7 个电源站的负荷量均为 Pi,其中i=7,要实现该 7 个电源站的负荷均衡,则需要对其标准偏差率进行计算,如式(3):=1n xi x()2(3)式中:xi=Pi,为第 i 个变电站的总负荷;x=1nPi,为所有考察的变电站的负荷均值;n 为考察变电站的总量,n=7。2 2平衡调度算法下的开关量提取平衡调度算法是在电能负荷分配过程中,确保每个电源站的负荷比保持一致,假定其装机总容量为 Q,实际运行负荷 Q*,则第 i 个站点的 Q*i/Qi的比值,应保持一致性。该模型下涉及到不同电压等级的多种负荷,其电气连接方式包括各种变压器、互感器等线圈绕组设备,隔离开关、接地开关、断路器等开关设备,且母线结构较为复杂,如果直接研究上述系统,势必造成研究对象的复杂化导致无法提取对应的数学模型6。而该研究的本质只考虑到上级电源站对下级电源站的供电回路和对各负荷的供电回路,对任何供电回路来说,其回路两侧断路器以及边界回路的对应断路器,可以看做是其唯一功能节点。所以,为了研究平衡调度算法的相关属性,将上述系统充分简化,即形成一套最简开关量构成拓扑7。对网811化学化工资源络拓扑进行拓扑学模型提取,具体如图 1 所示。图 1园区平衡调度所用开关拓扑关系图Fig 1Topological diagram of switches used forbalanced dispatching in the park从图 1 可以看出,共涉及到 33 个开关,其中互斥开关共 12 对,即自由控制开关共 21 个。根据组合定律,上述开关量共可能形成开关组合模式为221=2 097 106种倒闸状态,而其中经常使用的倒闸状态远小于该值,多数倒闸状态会造成该网络内大面积失电,属于故障倒闸状态8。所以,通过机器学习算法,在 2 097 106种倒闸状态中选择出最适合当前平衡调度需求的倒闸状态,避免可能发生的故障倒闸状态,是本文研究的重点9。2 3神经网络的设计将上述 21 个开关节点设定为 1 个一维矩阵,如式(4):S=Si=1,()0,i1,2,n|n=21(4)对上述 7 个母线负荷设定为 1 个一维矩阵,如式(5):P=Pi=Rand 0,PU()i,i=1,2,n|n=7(5)通过向神经网络中输入 S 与 P 矩阵,得到最终的 S 矩阵判断结果,将 S 矩阵判断结果输入到后置仿真模块中,判断其产生的 P 矩阵结果,比较 P 矩阵结果的标准偏差率,当 P 矩阵标准偏差率小于阈值时,则输出该结果到倒闸专家系统;具体结果如图 3所示。图 2神经网络及外围模块数据流图Fig 2Data flow diagram of neural networkand peripheral modules该神经网络中,输入模块共 21+7=28 个,为21 个二值化变量(Logical 格式)和 7 个双精度浮点变量(Double 格式),输出模块共 21 个,为 21 个二值化变量(Logical 格式)。21 个输出模块分别直接从所有 28 个输入模块读取信息,经过数据处理后输出二值化分析结果,即该神经网络是一族 21 列分列单模块神经网络架构10。分析 21 个神经网络模块属性,在统计学上需要对 28 个输入数据进行充分降维融合,7 个双精度浮点