Статистический учет многорежимности в задаче оптимальной компенсации реактивных нагрузок при построении интеллектуальных электроэнергетических систем

Бесплатный доступ

В статье рассмотрены перспективы развития интеллектуальных электроэнергетических систем. Подробно представлен подход к оптимизации режимов электроэнергетических систем по реактивной мощности. Решение данной задачи требует учета многорежимности, определения интегральных характеристик режимов и др. Аналитическое моделирование изменения нагрузок методом факторного анализа позволяет резко снизить объем информации без существенной потери точности получаемых решений. Для этого реально коррелированные электрические нагрузки различных узлов электроэнергетических систем представляются в виде линейной комбинации независимых случайных величин, а именно обобщенных графиков нагрузок. Показано, что учет многорежимности ортогональными графиками приводит к значительному упрощению решения многорежимных задач. Выбор состава зависимых и независимых переменных при решении задачи оптимизации с учетом режимов электропотребления оказывает основополагающее влияние как на моделирование ограничений, формирование приведенного градиента и основных расчетных выражений, так и на скорость оптимизационного поиска в целом.

Еще

Цифровая энергетика, интеллектуальная энергосистема, реактивная мощность, потери электроэнергии, статистический учет многорежимности, обобщенный график нагрузки, уравнение узловых напряжений

Короткий адрес: https://sciup.org/146282327

IDR: 146282327   |   DOI: 10.17516/1999-494X-0359

Текст научной статьи Статистический учет многорежимности в задаче оптимальной компенсации реактивных нагрузок при построении интеллектуальных электроэнергетических систем

В настоящее время в Российской Федерации активно реализуется политика перехода к цифровой экономике. В 2019 г. Правительством Российской Федерации была разработана национальная программа «Цифровая экономика Российской Федерации», утвержденная протоколом заседания президиума Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам от 04.03.2019 № 7, началось формирование отраслевых программ цифрового перехода, в том числе в сфере энергетики. При этом цифровую энергетику следует рассматривать как неотъемлемую составляющую цифровой экономики, особым предметом которой является экономическая деятельность, коммерческие транзакции и профессиональные взаимодействия, построенные на принципах использования информационнотелекоммуникационных технологий.

Так, в [1] сделаны выводы, что существующий технологический уклад в электроэнергетике достиг предела своей эффективности и в перспективе пяти лет в ряде сфер, где потребители предъявляют более высокие требования к надежности, качеству, доступности, экологичности электроснабжения, будет иметь меньшую конкурентоспособность по сравнению с решениями цифровой энергетики. При этом характерным признаком цифровой энергетики является ее ки-берфизический характер [2]. Он становится возможен, когда так называемые интеллектуальные системы начинают формировать и использовать цифровые модели физического мира. Именно это обеспечивает самостоятельность принятия ими решений в режиме, близком к реальному времени. Для этого они должны руководствоваться не жесткими стандартами, а заданными алгоритмами, целевыми функциями и цифровыми моделями реальных электроэнергетических систем.

Методы исследования

В этих условиях оптимизация режимов электроэнергетических систем (ЭЭС) по реактивной мощности позволяет значительно повысить эффективность их функционирования. Решение названной задачи в общей проблеме оптимального функционирования интеллектуальных ЭЭС требует учета многообразия их режимов (многорежимности), определения интегральных характеристик режимов, таких как потери электрической энергии, диапазоны изменения режимных параметров и др. Непосредственный переход к многорежимным моделям резко увеличивает размерность и трудоемкость решения оптимизационной задачи.

В [3, 4] реализован стохастический подход учета многорежимности, вызванный изменением электрических нагрузок, для целей анализа и оптимизации режимов ЭЭС по реактивной мощности, позволяющий учесть стохастическую природу значительной части информации о нагрузках. Аналитическое моделирование изменения нагрузок методом факторного (компонентного) анализа дает возможность резко снизить объем информации без существенной потери точности получаемых решений. На основе полученной статистической факторной модели нагрузок реально коррелированные электрические нагрузки различных узлов ЭЭС представляются в виде линейной комбинации небольшого количества М (достаточно принять равным трем-четырем ) независимых случайных величин (коэффициентов) - главных факторов, именуемых обобщенными (ортогональными) графиками нагрузок (ОГН) [5, 6].

ОГН представляют собой совокупность статистически независимых базисных векторов, ориентированных так, что каждый из них отражает большую часть связи исходной совокупности графиков нагрузок, вносит наибольший вклад в дисперсию исходных переменных. Выделенные факторные модели отражают общие закономерности, основные свойства изменения конфигурации электрических нагрузок, обладают свойствами универсальности, придают статистическому методу и в целом процессу моделирования многорежимности свойства линейности и аддитивности и позволяют с достаточной точностью восстановить исходные параметры изменения нагрузок на рассматриваемом временном интервале [7].

Результаты и их обсуждение

В случае моделирования графиков нагрузки методом главных компонент на основе представительной выборки N исходных графиков нагрузок определяется матрица корреляционных моментов (МКМ) и выделяются М максимальных собственных чисел λi и соответствующие им собственные векторы со следующим построением ОГН:

G»=i А' М Aft )=V. ЬкМ.                (1)

Z=1                Z=1

где u'/n, и^. - компоненты собственного вектора \н- МКМ; A Pij , A Qij - компоненты j центрированных графиков активной Pi и реактивной Qi нагрузок узла i с d интервалами постоянства.

Данное статистическое преобразование МКМ позволяет достаточно точно моделировать исходные графики электрических нагрузок Pij, Qij с помощью известных математических ожиданий MPi, MQi и моделируемых отклонений нагрузок от математических ожиданий в виде М линейных комбинации статистически устойчивых ОГН:

Нагрузочные потери электроэнергии получены в виде суммы основной составляющей M A E , определяемой для режима средних нагрузок, и дисперсионной составляющей oA E , учитывающей отклонение нагрузок от средних значений:

АЕ - М^ \ а\р- Ы\МУ, МЬ^Т^

1 N N                 N N         ?r\P

+ -уужуо-^^+ууодд)-—

2и^ av^ им 3 av^

  • 1    N N         сГ\Р

+-УУ^8,)— 17,

  • 2    и и 55,55, J

где MJ^MV ,МЬ^ k^Vj ) ^(^<5 f) 4 (5,5 f)- потери мощности, корреляционные моменты, вычисленные для модулей MVM 5 напряжений в точке, соответствующей математическим ожидани-

Э"АР a'NP a'NP ям нагрузок;---вторые производные выражения потерь мощности по со-

8У^У. a^dSj 65^6j ответствующим переменным, вычисленные относительно той же точки; N – количество узлов в схеме без балансирующего.

Статистическая модель электрических нагрузок позволяет перейти от громоздких задач определения интегральных характеристик и оптимизации, переменными которой являются часовые (поинтервальные) нагрузки, к задаче, параметрами которой выступают математические ожидания нагрузок и небольшое М число ОГН, моделирующих отклонения нагрузки от математического ожидания. Показано, что учет многорежимности ортогональными графиками приводит к значительному упрощению решения многорежимных задач. Размерность названных задач, объем вычислений резко уменьшаются. Для определения интегральных характеристик необходимо выполнить одно решение нелинейной системы уравнений узловых напряжений для режима математических ожиданий нагрузок и М решений систем алгебраических уравнений с постоянной матрицей Якоби. Решение данной оптимизационной задачи сводится к ее стандартной форме - задаче нелинейного математического программирования, для решения которой применен наиболее эффективный и широко апробированный метод приведенного – 889 – градиента (МПГ), общая структура которого описана в известных работах Л. А. Крумма, например [8] и др.

МКМ напряжений получают на основе системы уравнений, представляемой аналогично линеаризованным уравнениям узловых напряжений (УУН):

epjdbj ; dPjdvA asz.

afi/a^tWa^A^

^Qt

U = l,N ,

где АР , -, A Qi , AVi , AS i - отклонения активных, реактивных мощностей, модулей, фаз напряжений узлов от своих математических ожиданий.

Поскольку отклонения напряжений и мощностей от своих математических ожиданий приближенно связаны системой УУН (4), центрированные случайные параметры (изменения фаз и модулей напряжений) Δδ i , Δ Vi , так же как и величины Δ Pi , Δ Qi , аналогично (2) представляются линейными комбинациями ОГН:

м             м               __

^Ж+Е/УЗ. б^Мб.^у^,, i = VN. ^х.а.         (5)

к=\                           ^=1

После подстановки отклонений параметров режима из выражений (2) и (5) в систему (4) коэффициенты у'ь, у^ , моделирующие отклонения фаз и модулей напряжений от средних значений, вычисляются из решения уравнений, эквивалентных системе линеаризованных УУН

где коэффициенты ukj ук1 и^Д определяются с помощью исходных (восстановленных) графиков нагрузок и ОГН согласно (2) формулами вида

Р-,  ' V<, \/' ; р =-УОнАОй k = \,Mi = L N .

у 2-^ v Ч ’ to у 2-^    *4 ^Ч 9           9

М у=1                  U j=x

Стохастическая модель графиков нагрузок позволяет выразить элементы МКМ напряжений и мощностей с помощью моделирующих коэффициентов

Аналогичные выражениям (8) для элементов МКМ мощностей определяются в виде мм мдру^2 U'tiu’tj, едду=2 v'Mu-tj, кЩйу к=\к=1

ММ

= T.Uki»i,j.a\Qi'i=yjyp k=Yк=\

С учетом корреляционных моментов модулей и фаз напряжений (8) традиционное выражение нагрузочных потерь электроэнергии (3) представляется в виде

NE = [ NP^MV, Мб) + оДР] T =

_   _   1 М N N

Список литературы Статистический учет многорежимности в задаче оптимальной компенсации реактивных нагрузок при построении интеллектуальных электроэнергетических систем

  • Княгинин В. Н., Холкин Д. В. Цифровой переход в электроэнергетике России: экспертно-аналитический доклад - Режим доступа: https://www.csr.ru/uploads/2017/09/Doklad_energetika-Web.pdf - Заглавие с экрана. - Access: https://www.csr.ru/uploads/2017/09/Doklad_energetika-Web.pdf
  • Кобец Б. Б., Волкова И. О. Инновационное развитие электроэнергетики на базе концепции Smart Grid, М.: ИАЦ Энергия, 2010. 208 с.
  • Герасименко А. А., Нешатаев В. Б. Оптимальная компенсация реактивной мощности в системах распределения электрической энергии, Красноярск: СФУ, 2012. 218 с.
  • Беляевский Р. В. Разработка многоуровневой модели оптимизации размещения компенсирующих устройств в электрических сетях территориальных сетевых организаций. Вестн. Кузбас. гос. техн. ун-та, 2017, 5, 145-149
  • Buran A., Nizkodubov G., Pryahin I. Smart Grid Technologies: Trends and Perspectives, MATEC Web of Conferences, 2016, 91, 01054 (in Russia).
  • Shulgin I. V., Gerasimenko A. A., Su. Q. Z. Modified Stochastic Estimation of Load Dependent Energy Losses in Electric Distribution Network, International Journal of Electrical Power & Energy Systems, 2012, 43(1), 325-332 (in Netherlands).
  • Герасименко А. А., Шульгин И. В. Стохастический метод расчета нагрузочных потерь электроэнергии в распределительных электрических сетях. Электрические станции, 2013, 4, 44-59
  • Крумм Л. А. Методы приведенного градиента при управлении электроэнергетическими системами, Новосибирск.: Наука, 1977. 368 с.
  • Герасименко А. А., Нешатаев В. Б. Программа оптимизации режимов электроэнергетических систем по реактивной мощности на интервале времени "ORESA". Патент России № 2012610439, 2012
  • Belyaevsky R, Gerasimenko A. Development of Mechanisms for Active-Adaptive Control of Reactive Power Based on Intelligent Electrical Networks, E3S Web of Conferences, 2020, 209, 02004 (in Russia)
Еще
Статья научная