CN103997044A - 电力负荷控制方法及系统 - Google Patents

Abstract

本发明公开了一种电力负荷控制方法及系统，包括：采集用电设备的耗电数据；分析耗电数据，预测下一时间段内用电设备的有功功率并生成预测值；分析预测值，并向用电设备发出调节用电负荷指令，对用电设备进行用电负荷调节。此外，该系统包括：数据采集模块，用于采集至少一个用电设备的耗电数据；预测模块，用于分析耗电数据，预测下一时间段内用电设备的有功功率并生成预测值；控制模块，用于分析预测值，并向用电设备发出调节用电负荷指令，对用电设备进行用电负荷调节。通过本发明的电力负荷控制方法及系统，能够对用电设备的用电负荷进行实时预测，采用平滑调节的方式实现对用电设备的最大有功功率的调节控制。

Description

电力负荷控制方法及系统

技术领域

本发明涉及电力领域，尤其是一种电力负荷控制方法及系统。

背景技术

负荷预测与控制技术，是通过实时采集用电设备的有功功率数据，并预测有功功率的运行趋势，然后采取措施将最大有功功率控制在合同约定值以内的技术。

由于生产能力、生产工艺、环境等不同因素，用电设备消耗的电能不是固定不变的，而是处于不断变化的，有的设备甚至是间歇工作。尤其对于钢铁企业，设计时考虑到的企业的最大生产能力或者出现特殊情况时产生的用电尖峰，设计人员会对供电设备的供电能力预留一定裕量，使得企业能对用电设备群的总用电负荷进行实时监控，最终在不影响正常生产的情况下，既能满足用户的最大需量，也能使企业尽可能降低用电基本费用，进而降低生产成本，而且使发电部门和供电部门可以根据用户的需量进行计划性生产，减少装机容量，减少线路损耗等，最大限度地减少浪费。

在现有技术中，负荷控制系统是经负荷预测后直接对用电设备进行断电，因此会导致用电设备不连续工作，甚至会缩短高压开关的使用寿命。

发明内容

为了解决现有技术中由于供电不连续造成的用电设备不连续工作，并且导致高压开关寿命低的问题，本发明实施例提供了一种电力负荷控制方法及系统。

本发明的技术方案是提供一种电力负荷控制方法，用以平滑调节用电设备的用电负荷，该电力负荷控制方法包括：

采集至少一个用电设备的耗电数据；

分析耗电数据，预测特定时间段内用电设备的有功功率并生成预测值；

分析所述预测值，并向用电设备发出调节用电负荷指令，对用电设备进行用电负荷调节。

进一步的，分析预测值后还包括：

将预测值与阈值进行比较，并得出预测值与阈值的差值，发出调节用电负荷指令。

进一步的，将预测值与阈值进行比较后还包括：

若预测值大于或等于阈值，则发出用电负荷指令调节用电设备的技术性能参数。

若预测值小于阈值，则进行下一个检测周期。

进一步的，根据预测值与阈值的差值，发出调节用电负荷指令包括：根据预测值与阈值的差值设定用电设备的技术性能参数值。

本发明还提供一种电力负荷控制系统，其包括：

数据采集模块，用于采集至少一个用电设备的耗电数据；

预测模块，用于分析耗电数据，预测特定时间段内用电设备的有功功率并生成预测值；

控制模块，用于分析预测值，并向用电设备发出调节用电负荷指令，调节用电设备的用电负荷。

进一步的，预测模块主要包括：

负荷预测模型，用于分析这些耗电数据，预测特定时间段内用电设备的有功功率并生成预测值。

进一步的，控制模块主要包括：

负荷控制模型，用于将预测值与阈值进行比较，根据预测值与阈值的差值发出调节用电负荷指令，调节用电设备的技术性能参数。

通过本发明的电力负荷控制方法及系统，能够对用电设备的用电负荷进行实时预测，以采用平滑调节的方式实现对用电设备的最大有功功率的调节控制。

附图说明

图1是本发明的电力负荷控制方法的流程图。

图2是本发明的电力负荷控制系统的结构图。

图3是本发明的实施例1的电力负荷控制系统的结构框图。

图4是本发明的实施例1的电力负荷预测模型的示意图。

图5是本发明的实施例1的电力负荷预测模型的神经网络图。

图6是本发明的实施例2的电力负荷控制系统的结构框图。

主要元件符号说明

S101～S103步骤

201、301、601～用电设备

202～数据采集模块

203～预测模块

204～控制模块

302～变压器或进线柜

303～变送器

304～高速数据采集卡

305、605～服务器

602～PLC

603～数据采集站

604～交换机

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。为此，本发明的实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本发明实施例中提供了一种电力负荷控制方法，可以供冶金行业，特别是钢铁企业使用，考虑到钢铁企业的最大生产能力或者出现特殊情况时产生的用电尖峰，通过对钢铁企业中的用电设备进行实时高精度预测，并平滑调节用电负荷来限制最大有功功率借以满足合同用电值(以下简称阈值)。

下面进行具体说明。

图1为电力负荷控制方法实施流程示意图，如图1所示，可以包括如下步骤：

步骤101、采集至少一个用电设备的耗电数据；

步骤102、分析数据采集模块中的耗电数据，并预测特定时间段内这些用电设备的有功功率并生成预测值；

步骤103、分析预测值，并向这些用电设备发出调节用电负荷指令，对这些用电设备进行用电负荷调节；

作为本发明的一个实施例，所述分析预测值后还包括：

将预测值与阈值进行比较，并根据预测值与阈值的差值发出调节用电负荷指令。

作为本发明的一个实施例，将预测值与阈值进行比较后还包括：

若预测值大于或等于阈值，则发出用电负荷指令调节这些用电设备的技术性能参数；

若预测值小于阈值，则进行下一个检测循环周期。

作为本发明的一个实施例，根据预测值与阈值的差值发出调节用电负荷指令包括：根据预测值与阈值的差值设定调节这些用电设备的技术性能参数值。

通过本发明所提供的电力负荷控制方法，在不影响正常生产的情况下，能够实时对钢铁企业中的用电设备进行电力负荷预测，并且平滑调节这些正在进行生产作业过程当中的用电设备，使企业能够尽可能的降低用电费用，有效降低这类企业的生产成本。

图2为本发明显示的电力负荷控制系统的结构图，请结合图5所示，本发明的电力负荷控制系统具体包括如下：数据采集模块202，用于采集至少一个用电设备201的耗电数据；预测模块203，用于分析这些耗电数据，预测特定时间段内这些用电设备的有功功率并生成预测值；控制模块204，用于分析预测值，并向这些用电设备201发出调节用电负荷指令，对这些用电设备201进行用电负荷调节。

作为本发明的一个实施例，所述预测模块203包括：

负荷预测模型，用于分析所述耗电数据，预测特定时间段内这些用电设备的有功功率并生成预测值。

作为本发明的一个实施例，所述控制模块204包括：

负荷控制模型，用于将预测值与阈值进行比较，并得出预测值与阈值的差值，发出调节用电负荷指令，调节用电设备201。

作为本发明的一个实施例，所述调节所述用电设备201具体参数包括：

作为本发明的一个实施例，所述用电负荷指令调节用电设备201包括：

为便于理解，下面以电力负荷控制方法及系统在钢铁企业中的应用实例进行说明。

实施例1

请参见图3，如图所示是由一个用电设备组成的电力负荷控制系统示意图，特别要指出的是，在工控机10中安装有高速数据采集卡304。

首先，用电设备301的耗电数据经变压器(进线柜)302进行降压，之后输入到变送器303中，然后经变送器303将用电设备301的进线电压信号变送成为工控机10中的高速数据采集卡304能够接收的±10V交流电压。

然后，通过高速数据采集卡304以5000Hz的采样频率将其所采集到的耗电数据存入缓存(图中未标示)之中，用以存储高速数据采集卡304中经A/D芯片(图中未标示)转换后的耗电数据，并且按照10s的时间周期存入工控机10内的存储器(图中未标示)中。随后，工控机10将耗电数据传入与之连接的服务器305，经服务器305中求得t时刻15分钟的有功功率平均值，并基于服务器305中人工神经网络的预测模型会对这个用电设备301的耗电数据进行数据分析。

以下是BP人工神经网络(Back Propagation)的预测模型原理。

如图4和图5所示，是BP人工神经网络的预测模型，其中，P_t是t时刻时间段T的有功功率平均值，P’_t+1是下一时刻时间段T的有功功率均值预测值,采用三层神经元网络，即输入层、隐含层、输出层，其中输入层为TDNN时延神经网络，时延为1，长度为3，隐含层为10个神经元，输出层为一个神经元，θ_j为第j个神经元的阈值，为m层第i个神经元对下m+1层第j个神经元的网络权值，为第j个神经元的加权和，传递(激励)函数为使用如下Sigmoid函数，这里j为第j个神经元，j＝1，2，3，4…Km，m为神经元的层，则m＝1，2，3，4…M

$f\left(s_j^m\right)=\frac{1}{1+e^{-s_j^m}}$

第一层输出

$x_j^1=f\left(\underset{i=1}{\overset{K_1}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^1{x}_j^0(t-1)\right)=f\left(s_j^1\right)$

输出层输出

$p_{t=1}^{\′}=x_j^M=f\left(\underset{i=1}{\overset{K_M}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^M{X}_J^{M-1}\right)=f\left(s_j^M\right)$

中间层输出

$x_j^m=f\left(\underset{i=1}{\overset{K_m}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}^m{X}_J^{m-1}\right)=f\left(s_j^m\right)$

采用BP人工神经元网络采用带动量项修正的算法如下：

(1)设置各权值和阈值的初始值为小的随机数；

(2)输入训练样本(I_q，D_q)(q＝1,2，…Q)，I_q为输入值，D_q为期望值，对每个样本执行以下(3)～(5)步；

(3)计算网络各层的实际输出

x^(m)＝f(s^(m))＝f(w^(m)x^(m-1))

其中，x^(m-1)为m层神经元的输入值，x^(m)为m层神经元的输出值，也是m+1层神经元的输入值，w^(m)为m层神经元的权值，s^(m)为m层神经元的加权和，f为传递函数。

(4)计算误差

输出层误差： ${\mathrm{\δ}}_j^{\left(M\right)}=(d_{\mathrm{qj}}-x_j^{\left(M\right)})f^{\′}\left(s_j^{\left(M\right)}\right)$

其中，δ_j ^(M)为M层第j个神经元的误差，d_qj为期望值，来自于训练样本，x_j ^(M)为M层第j个神经元的输出值，f’(s_j ^(M)是传递函数的导数，s_j ^(M)为M层神经元的加权和。

隐含层和输入层误差： ${\mathrm{\δ}}_j^{\left(m\right)}=f^{\′}\left(s_j^{\left(m\right)}\right)\underset{i=1}{\overset{K_{m+1}}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{(m+1)}{w}_{\mathrm{ij}}^{(m+1)},$

其中，δ_j ^(m)为m层j个神经元的误差，f’(s_j ^(m))是传递函数的导数，s_j ^(m)为m层神经元的加权和，δ_i ^(m+1)为m+1层i个神经元的误差，W_ij ^(m+1)为m+1层i个神经元与m层j个神经元之间的权值。

(5)修正权值和阈值

$w_{\mathrm{ji}}^{\left(m\right)}[k+1]=w_{\mathrm{ji}}^{\left(m\right)}\left[k\right]+\mathrm{\μ}{\mathrm{\δ}}_j^{\left(m\right)}{x}_i^{(m-1)}+\mathrm{\η}\left(w_{\mathrm{ji}}^{\left(m\right)}\right[k]-w_{\mathrm{ji}}^{\left(m\right)}[k-1\left]\right)$

${\mathrm{\θ}}_j^{\left(m\right)}[k+1]={\mathrm{\θ}}_j^{\left(m\right)}\left[k\right]+\mathrm{\μ}{\mathrm{\δ}}_j^{\left(m\right)}+\mathrm{\η}\left({\mathrm{\θ}}_j^{\left(m\right)}\right[k]-{\mathrm{\θ}}_j^{\left(m\right)}[k-1\left]\right)$

其中，w_ji ^(m)[k+1]为k+1次修正第m层第j个神经元第i个输出值的权值，w_ji ^(m)[k]为k次修正第m层第j个神经元第i个输出值的权值，w_ji ^(m)[k-1]为k-1次修正第m层第j个神经元第i个输出值的权值，θ_j ^(m)[k+1]为k+1次修正第m层第j个神经元的阈值，θ_j ^(m)[k]为k次修正第m层第j个神经元的阈值，θ_j ^(m)[k-1]为k-1次修正第m层第j个神经元的阈值，δ_j ^(m)为ml层j个神经元的误差，x_j ^(m-1)为第m层第j个神经元的输入值，μ为学习率，一般取值0.5。η为动量项的学习率，一般取值0.5。

(6)当样本集中的所有样本都经历了(3)～(5)，即完成一个周期，计算评价指标E，

$E=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}\mathrm{Eq}$

其中，Eq是输出误差函数为：

$\mathrm{Eq}=\frac{1}{2}\underset{j=1}{\overset{n_3}{\mathrm{\Σ}}}{(d_{\mathrm{qj}}-y_{\mathrm{qj}})}^2$

d_qj为第j个参数期望值，y_qj为神经元网络第j个参数输出值，n₃为神经元网络输出参数个数，本案例为1。

(7)如果评价指标满足精度要求，那么训练结束，否则，转到(2)，继续下一个训练周期，训练精度要求为一个小的正数，根据实际情况选取，例如0.01。

经过上述步骤(1)-(7)的训练，获得一组满足误差要求的模型参数w⁽¹⁾、w⁽²⁾、w⁽³⁾，即完成了建模过程。

将实时数据T时间段的平均值P_t代入该模型中，预测下一个T时间段的平均值P’_t+1。

经过预测模型即可得出这个用电设备301以某一特定时刻为时间节点后的15分钟内的有功功率的预测值。然后，控制模型会将这个预测值与阈值进行比较运算，控制模型通过比较运算后的结果，依据控制策略对这个用电设备发出相应调节用电负荷的指令。

如果预测值小于阈值，即这个用电设备301在将来15分钟内的有功功率值没有超出合同用电值，符合用电设备301的用电要求，则根据控制策略将不会对这个用电设备301进行用电负荷调节，随即对数据采集卡304采集的新的耗电数据执行上述预测算法的(3)～(6)步，以上过程重复进行。

如果预测值大于等于阈值，即这个用电设备301在将来15分钟内的有功功率值很可能超出了合同用电值，不符合用电设备301的用电要求，则控制模型会根据预测值与阈值的差值确定调节这个用电设备301的有功功率的技术性能参数以及具体实际参数数值，然后向这个用电设备301发出调节用电负荷指令。

更具体的来说，对于炼钢电弧炉和钢包精炼炉(LF炉)，调节炼钢电弧炉和钢包精炼炉(LF炉)的技术性能参数包括电极电压、钢水的升温(降温)时间以及升温(降温)速度，变压器容量、最高二次电压、最低二次电压以及分档电压。例如，具体上升(下降)的数值等性能参数值得大小，则根据比较预测值与阈值的差值大小进行确定，借以避免超出合同用电负荷值。

控制模型通过工控机10中的高速数据采集卡304的输出点，将调节用电负荷指令发送至用电设备，调节用电设备301的实际运行参数，例如变压器容量、二次电压、二次电流等技术性能参数。

以上就是具有一个用电设备的电力负荷控制系统的运行过程，再此特别指出的是，以上过程约以10S作为一个时间周期，所以对于电力负荷控制系统是以实时预测和控制的方式对用电设备进行的。

实施例2

请参见图6，如图所示是对多个用电设备组成电力负荷控制系统的示意图，相对于图3，实施例2的原理与实施例1相同，并无实质上的区别。

具体说来，数据采集站603将与其所连接的多个用电设备601的耗电数据采集后，通过工业以太网将这些耗电数据发送至服务器605。然后，服务器605对所收集到的这些用电设备601的耗电数据进行分析并计算这些用电设备601的总有功功率，即服务器605中的预测模型对多个用电设备601的耗电数据进行数据分析(原理同实施例1中预测模型相同)，最终得出以特定时刻的将来15分钟内的这些用电设备601的总有功功率的预测值。在此特别要说的是，由于用电设备的数量不唯一，若一个用电设备的用电负荷的预测值超出该单一用电设备601的合同值，则负荷预测与控制模型服务器605将负荷调节指令通过工业以太网发送至PLC(负荷调节器)602，使之对这个用电设备601进行调节。若是多个用电设备的总用电负荷预测值超出了总的用电负荷合同值，则将通过对其中至少一个用电设备进行调节，以使总用电负荷预测值降低，恢复到合理范围内。具体来说，将这些用电设备601按照调节作用及生产的重要性划分不同的等级(如：炼钢电弧炉为1、LF炉为2、…)，根据这些用电设备的等级确定具体的调节量，或者也可以根据生产匹配情况手动调节。服务器605将根据预测差值，计算调节量，并给出调节方案和控制值，包括是选择对一个设备深度调节，还是对几个设备进行微调。

对这些用电设备的电力控制方式与一个用电设备的电力控制方式原理相同，在此不再赘述。

由上述实施例的说明可知，当本发明提供的技术方案供钢铁企业等冶金企业使用时，提供了一种电力负荷控制方法及系统。在对用电设备进行负荷预测和控制的整个过程中，通过本发明的电力负荷控制方法及系统，能够对用电设备的用电负荷进行实时预测和监控，以采用平滑调节的方式实现对用电设备的最大有功功率的调节控制。

对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (7)

1.一种电力负荷控制方法，其特征在于，包括：

采集至少一个用电设备的耗电数据；

分析所述耗电数据，预测特定时间段内所述用电设备的有功功率并生成预测值；

分析所述预测值，并向所述用电设备发出调节用电负荷指令，对所述用电设备进行用电负荷调节。

2.根据权利要求1所述的电力负荷控制方法，其特征在于，所述分析预测值后还包括：

将所述预测值与阈值进行比较，并根据所述预测值与所述阈值的差值发出调节所述用电负荷指令。

3.根据权利要求2所述的电力负荷控制方法，其特征在于，所述将所述预测值与阈值进行比较后还包括：

若所述预测值大于或等于阈值，则发出所述用电负荷指令调节所述用电设备的技术性能参数；

若所述预测值小于阈值，则进行下一个检测周期。

4.根据权利要求2所述的电力负荷控制方法，其特征在于，所述根据所述预测值与所述阈值的差值发出调节所述用电负荷指令包括：根据所述差值设定所述用电设备的技术性能参数值。

5.一种电力负荷控制系统，其特征在于，包括：

一数据采集模块，用于采集至少一个用电设备的耗电数据；

一预测模块，用于分析所述耗电数据，预测特定时间段内所述用电设备的有功功率并生成预测值；

一控制模块，用于分析所述预测值，并向所述用电设备发出调节用电负荷指令，调节所述用电设备的用电负荷。

6.根据权利要求5所述的电力负荷控制系统，其特征在于，所述预测模块包括：

负荷预测模型，用于分析所述耗电数据，预测特定时间段内所述用电设备的有功功率并生成所述预测值。

7.根据权利要求5所述的电力负荷控制系统，其特征在于，所述控制模块包括：

负荷控制模型，用于将所述预测值与阈值进行比较，根据所述预测值与阈值的差值发出调节所述用电负荷指令，调节所述用电设备的技术性能参数。