Optimization of operation mode of distribution networks with oil industry active-adaptive elements

Full Text

Введение Электроснабжение большей части потребителей осуществляется с использованием радиальных электрических сетей. Главным недостатком таких сетей является наличие одного источника питания. Наиболее загруженными элементами сети являются линии электропередачи (ЛЭП), расположенные вблизи главной понизительной подстанции [1]. Одним из способов разгрузки ЛЭП и повышения их пропускной способности является уменьшение потребляемой мощности путем локальной выработки электроэнергии. Это дает толчок к внедрению активно-адаптивных элементов (ААЭ) в распределительные сети, которые играют важную роль в электроэнергетической системе. Использование распределенной генерации (РГ) в пассивной распределительной сети делает ее активной распределительной сетью [2]. Распределенные источники помогут эффективно снизить потери мощности в сети и улучшить стабилизацию уровней напряжения на шинах потребителей в радиальных распределительных сетях (РРС). Эффективность применения ААЭ можно контролировать при помощи различных методов оптимизации. Многие алгоритмы строятся на базе генетических алгоритмов (ГА), эволюционной стратегии, эволюционного программирования, алгоритмов дифференциальной эволюции и генетического программирования. Такие технологии дополняют друг друга и применяются в разных комбинациях или самостоятельно при оценке режимов работы интеллектуальных систем. Актуальность и цель применения генетических алгоритмов Под генетическим алгоритмом подразумевается простая модель природной эволюции, которая реализуется как компьютерная программа. В ГА используются как аналоги механизма генетического наследования, так и аналоги естественного отбора. Надо заметить, что, соответствуя определению приспособленности, главной целью такой искусственной эволюции будет именно создание лучших решений. Сначала функция ГА воспроизводит определенное число возможных решений. Назначается функция оптимальности f(x), которая определяет эффективность каждого из найденных решений, а для того чтобы полученные решения не выходили из области допустимых значений, в функцию допустимо включать штрафные функции. Ввиду того, что качество решения, как правило, оценивается некоторой оценочной функцией, ГА в свою очередь называют методами оптимизации многоэкстремальных функций. Достоинства и недостатки генетических алгоритмов Генетический алгоритм является часто используемым, но не единственным возможным методом решения задач оптимизации. Уже долгое время существуют два главных пути решения такого рода задач - локально-градиентный и переборный. Такие методы имеют как достоинства, так и недостатки. Если комбинировать переборный и градиентный методы, то можно рассчитывать на получение хотя бы приближенного решения, точность которого будет увеличиваться при увеличении времени расчета. ГА представляет собой именно такой комбинированный метод. Механизмы постепенного приближения в каком-то смысле реализуют переборную часть метода, а отбор лучших решений - градиентный спуск. Исследования и расчеты Для оптимизации радиальной распределительной сети (рис. 1) номинальным напряжением 35 кВ был произведен анализ использования источников распределенной генерации на шинах потребителей для покрытия собственных нужд подстанций без выдачи мощности на ближайшие соседние подстанции при помощи генетического алгоритма. Такие меры в первую очередь связаны с сохранением существующего потокораспределения в электрической сети, что не приводит к изменению уставок в комплектах релейной защиты на подстанциях собственного потребителя при сохранении архитектуры всей сети. В состав распределительной сети входят: 11 подстанций (п/ст) с собственной нагрузкой Sн, 10 ЛЭП (W1-W10), источник питания E1, трансформаторы (Т1-Т10). Характеристики ЛЭП и нагрузок сведены в таблицу. Для оптимизации электрической сети использовался генетический алгоритм, производимый путем перебора узлов установки источников РГ. Ввиду того, что нагрузка на каждой подстанции отличается, а источники распределенной генерации покрывают только собственные нужды подстанции, положительный эффект от внедрения источников будет зависеть от величины нагрузки и топологии сети. Рис. 1. Схема электрической сети Характеристики ЛЭП и нагрузок Характеристики ЛЭП Характеристики нагрузок Наименование Длина, км Марка провода № п/ст P, кВт Q, квар W1 9 АС-150/11 2 1500 720 W2 4 АС-120/11 3 700 340 W3 4 АС-120/11 4 500 240 W4 9 АС-150/11 5 1000 480 W5 4 АС-120/11 6 500 240 W6 3 АС-120/11 7 400 190 W7 7,5 АС-120/11 8 1000 480 W8 4 АС-120/11 9 800 380 W9 3 АС-120/11 10 500 240 W10 4 АС-120/11 11 700 340 Для оптимизации электрической сети использовался генетический алгоритм, производимый путем перебора узлов установки источников РГ. Ввиду того, что нагрузка на каждой подстанции отличается, а источники распределенной генерации покрывают только собственные нужды подстанции, положительный эффект от внедрения источников будет зависеть от величины нагрузки и топологии сети. Анализ включения РГ показал, что наилучший эффект по показателю уровня напряжения на шинах подстанций достигается при установке РГ в узле 9 (рис. 2). На рис. 3 представлен график потерь активной и реактивной мощности для нормального режима и режимов при установке РГ в указанные узлы. Потери активной и реактивной мощности при установке распределенного источника в узле 9 имеют наименьшие значения. Рис. 2. Изменения напряжений при установке РГ в узлы и в нормальном режиме (НР) Рис. 3. Потери активной (P) и реактивной (Q) мощности при установке РГ в узлы и в нормальном режиме (НР) Выводы Установка источников распределенной генерации приводит к увеличению уровня напряжения на шинах потребителей, при этом эффект от внедрения будет зависеть от топологии сети и нагрузки ближайших потребителей. Кроме этого наблюдается сокращение потерь мощности в элементах сети. Для более эффективного сокращения потерь мощности в рассматриваемой сети возможна установка батарей статических конденсаторов на шинах потребителей.

About the authors

Yury P Kubarkov

Samara State Technical University

(Dr. Sci. (Techn.)), Professor 244, Molodogvardeyskaya st., Samara, 443100, Russian Federation

Yaroslav V Makarov

Samara State Technical University

Postgraduate Student 244, Molodogvardeyskaya st., Samara, 443100, Russian Federation

Kristina A Golubeva

Samara State Technical University

Postgraduate Student 244, Molodogvardeyskaya st., Samara, 443100, Russian Federation

References

Supplementary files