民航10 kV供配電線路的配置方法及線損分析方法研究

梁毅

(甘肅省民航建設(集團)有限公司, 甘肅, 蘭州 730020)

0 引言

電力系統在應用過程中,由于較遠負荷與配電中心分離,電力傳輸距離太遠,存在容量與負荷不匹配的問題,配電網線路的布局不合理導致了配電線路的損耗增加[1-2]。在配電線路分析和優化研究中,文獻[3]方法中應用智能化的斷路器和故障指示器在配電線路中,并對用電信息采集系統進行了完善,使系統反映電網線損真實情況。但系統的故障隔離只能用于局部線路故障的處理,線路中部分自動化開關的保護能力較弱。文獻[4]方法中結合了電網地理信息系統進行配電線損管理和分析,可以實時的獲取線損數據,并且計算出的線損數值根據準確。但由于負載類型比較復雜、損耗的原因較多,系統進行線損優化的能力有限。文獻[5]系統中應用了人工神經網絡,利用饋線數據建立網絡模型和統計模型進行線損率計算,提高了線損計算結果的收斂性和精度。但系統對電網各個區域的劃分程度不合理,導致對不同電壓等級的負荷的線損的計算結果存在差異。

針對上述技術問題,本文對民航10 kV供配電線路進行優化配置,對配電線路信息采集模塊進行了優化設計,加入了故障限流的功能,通過分壓電容、充電電容和鉗壓電容等元件對故障電流電壓進行抑制,將故障電流轉移到限流支路進行吸收,提高了信息采集的精度。

1 民航10 kV供配電線路的自動化主站系統

在配電線路線損計算模型中融入深度學習神經網絡,經過多層非線性變換得到配電線路線損率,并劃分閾值進行分類并劃分閾值進行分類管理[6]。使用“電壓-時間型”饋線模式,以饋線電壓和饋線時間變量作為饋線判斷量的依據[7],在配電線路視頻監控系統中加入了異物識別模塊,通過對前端攝像頭抓拍到目標區域的圖像進行處理[8],識別出配電線路上的異物信息并及時進行運維處理,有助于降低配電線路線損率。配電自動化主站系統架構如圖1所示。

圖1 配電自動化主站系統架構

系統采用雙層架構,主站內部通信網絡采用的是局部光纖,通過光纖將整個配電網獲取的實時數據進行雙向傳送,配電主站在獲取相關數據之后就對供配電線路進行優化配置,構建配電線路線損計算模型。同時對線路中的變壓器的使用狀況進行分析,通過分析獲取線路中設備使用信息。系統中使用了APACHE SPARK通用分布式計算引擎處理大量的電力負荷數據、用戶用電信息、變壓器損耗數據和變壓器功率數據等[9],通過內存緩存和計算優化的執行能力加快了數據分析處理效率,基于彈性分布式數據集進行編譯和執行兩種操作類型,計算集群內部通過多個優化執行器進行任務計劃的構建和優化。系統的電力數據統計任務和線損分析任務內包含了SPARK處理任務的數據項集合[10]和數據處理有向無環圖中的每一步轉換,為數據任務提供了訪問接口,實現了靈活的自定義數據任務的處理。系統對每一條線路輸入端的電壓、電流、頻率、有功功率以進行實時的監控,并對線路上的功率損耗進行實時的計算,如果線路超過系統設定的閾值上限,系統發生報警信號,并在數據監控界面上對主要線路標記為異常狀態。

2 關鍵技術分析

2.1 具有故障限流功能的配電線路信息采集模塊

該模塊在具體應用中,能夠提高配電線路信息采集效率和故障診斷能力,區別于常規技術,配電線路信息采集模塊不僅能夠實現信息采集的功能,還能夠實現故障數據信息診斷,大大提高了配電網線路信息分析和獲取能力。本文的信息采集模塊基于ARM設計底層數據信息采集和處理,使用基于Cortex-A9架構的Exynos4414芯片作為模塊的主控單元。模塊完成電氣數據采集工作后,結合RS485有線通信技術和SPI通信接口等方式將采集的數據發送給配電自動化主站[11]。采集模塊使用ATT7022E計量芯片完成配電線路電氣量采集并完成初步的數據處理,然后通過SPI通信將數據傳輸給主控芯片處理。信息采集模塊結構如圖2所示。

圖2 信息采集模塊結構

其中主控單元在接收到計量芯片采集的配電線路數據后,進一步分析處理判斷當前電能質量情況和電力設備的工作狀態,接收到開關量信號后經過判斷輸出開關量控制信號[12]。由于接入計量芯片的電壓值范圍較小,在計量模塊中加入了信號調理電路,將配電線路的大電壓和大電流信號轉換為范圍較小的電壓、電流信號。

該研究在采集模塊中設計有故障限流模塊,使用充電電容、耗能電容和耗能電阻吸收故障線路中的故障電流,通過模塊中能量耗散支路耗散故障線路中的能量,接入耗能電容和耗能電阻完成故障的清除。故障限流模塊電路如圖3所示。

圖3 故障限流模塊電路

圖3中包括了負載轉換開關、快速機械開關UFD、鉗壓電容Ct、二極管DC、充電電阻Rc、分壓電容Cc、耗能電容Cd等電氣元件組成。當模塊檢測到線路發生故障時,發生關閉通流支路的信號,并將通流支路中的電流進行轉移,當支路中電流下降為零時關斷機械開關UFD。

2.2 基于優化深度學習神經網絡的配電線路線損分析方法

本文基于深度學習神經網絡構建供配電線路的線損計算模型,并結合配電網絡實際結構和配電線路實際情況,根據其歷史統計線損率樣本進行基于時間序列的數據分析?，F有算法在實現深度學習神經網絡的配電線路線損分析時,精度低,分析效率低下,無法提高配電線路線損分析能力。深度學習神經網絡線損計算模型結構如圖4所示。

圖4 深度學習神經網絡線損計算模型結構

線損計算模型中的配電線路線損統計數據主要由供電量、售電量、損失電量、變比偏差率等數據組成,模型的計算統計線損率公式可表示為

(1)

式(1)中,Ploss表示供配電線路的損失電量,Psup表示供配電線路的供電量,Psale表示供配電線路的售電量,Rloss表示線路的統計線損率。式(1)表示了線損計算模型計算配電線路線損需要的數據。本文的線損計算模型中基于深度學習神經網絡算法進行統計線損率預測填充。進行的歸一化處理可表示為

(2)

式(2)中,max(e)、min(e)表示模型中輸入的配電線路數據最大值、最小值。通過式(2)表示了模型對輸入的配電線路信息進行預處理。模型在衡量統計線損率與其它線損變量各因素之間的線性相關關系,并對現有樣本進行相關系數估計,相關性系數可表示為

(3)

(4)

(5)

(6)

式(6)中,K表示線損率考核閾值系數,Lt,min表示理論線損率下限值,Lt,max表示理論線損率上限值。通過式(6)將供配電線路分為多個類別進行管理,有利于配電網絡更好地進行線損管理,縮小了考核閾值范圍,更有利于診斷出線損異常的配電線路。

3 應用測試

實驗平臺由實驗計算機、服務器、路由器和交換機等網絡設備組成,實驗計算機使用Windows 10操作系統,研究涉及到的硬件配置中,試驗時采用JavaScript語言,計算機操作系統為Windows 10,64位,計算機的開發工具為Visual Studio 2019,OpenCV 3.0。計算機的硬件環境為CPU:Inter(R)Core(TM)i7;主頻為2.59 GHz;內存16 G,所用的軟件JavaScript的版本為ECMA Script 6。實驗配電線路架構如圖5所示。

圖5 實驗環境架構

實驗配電線路中10 kV配電線路有50條,線路總長度為13.6 km,絕緣線占比為44%,配電變壓器有45臺,其中配電線路參數如表1所示,配電變壓器參數如表2所示。

表1 配電線路參數

表2 配電變壓器參數

通過表1的試驗架構,可以通過設置配電線路參數的形式實現配電變壓器配置,采用的配電變壓器參數如表2所示。

通過應用表2的配電變壓器參數,可以從整體上衡量配電變壓器情況,將表2中的參數融入到實驗平臺中后,還可以使用實驗數據為實驗配電線路2018年～2021年4年內的配電線路損耗情況,系統建立線損計算模型,全面分析當前10 kV配電網現狀,部分配電線路線損情況如表3所示。

表3 配電線路線損情況

進行線路優化配置實驗時,實驗時間設定為24 h,設定負載電流運行區間為50～70 A,將經過優化配置后的配電線路的損失電量對未經過優化的線路進行對別,計算出各主要線路的電能損失情況如圖6所示。

圖6 主要線路的電能損失情況

由圖6可知,經過系統優化后配電線路的電能損失明顯下降,對不符合負載條件的線路進行優化配置的效果較好。其中未優化的配電線路的損失電量較高,整體電能損失在800 kWh以上,三號配電線路的損失電量最高可達到1396 kWh,五號配電線路的損失電量為1365 kWh。

優化后的配電線路的損失電量下降到1000 kWh以下,其中一號線路的損失電量為510 kWh,四號配電線路優化效果最為明顯,電能損失量降低到614 kWh,損失電量最多減小了608 kWh,六號配電線路的電能損失降低到600 kWh以下,經過系統線路的優化配置實現損耗的有效降低。經過預處理后將得到的2000個線損率數據集樣本中。使用本文線損分析模型進行計算,使用卷積神經網絡模型作為對比測試,計算出的配電線路線損率如表4所示,與真實數據進行對比得到計算誤差如圖7所示。

表4 配電線路線損率

圖7 線損計算誤差

對比本文線損分析模型和卷積神經網絡的線損計算誤差可知,本文線損分析模型的得到的配電線路線損率更加準確,模型的計算誤差更小。其中卷積神經網絡的計算誤差最大可達到2.24%,在第一組數據集的線損計算誤差最小為0.42%。該研究系統的線損分析模型整體誤差在1.0%以下,在第四組數據集中的線損計算誤差最小為0%,在第二組數據集中的計算誤差最大為0.81%。

4 總結

本文設計出民航10 kV供配電線路的自動化主站系統,對配電線路的供電量、售電量、損耗電量、線損率等各類線損相關數據進行存儲。根據所獲得的配電線路相關電力數據進行統計分析,對配電線路結構進行優化,使用線損分析模型計算線路線損率,并分析異常線損線路,識別對應的線損異常原因。系統不僅可以提高線損異常分析與配電線路優化配置的工作效率,并實現自動化主站對線路線損的精細化管理。

供電企業更加注重配電網絡系統中出現的降損問題,在以后工作中系統還需建立更加完善的線損管理制度,合理運用降損技術,并加快識別異常線損線路的效率。