煤矿配电系统节能降耗研究

李嘉仪，李小锋

(1.陕西工业职业技术学院 土木工程学院，陕西 咸阳 712000； 2.成都基准方中建筑设计股份有限公司 西安分公司，陕西 西安 710054)

煤矿配电系统是向矿井提供电力服务的系统，其主要由各级变电所、电压等级以及输配电线路组成，通常情况下该配电系统分为深井和浅井2种配电系统。煤矿在开采以及正常作业过程中[1]，电能是其主要能源。因此，需保证供电的安全性、电能的可靠性、良好的供电质量以及节能降耗。煤矿配电系统在选择时是依据矿井的深度决定，通常情况下矿井距离地表的距离在200 m以内的为小矿井[2]，该类矿井通常采用浅井配电系统，如果距离大于200 m的矿井则采用深井配电系统。配电系统在支撑煤矿供电过程中，机电设备的功率很大、并且供电距离较远，并且，随着开采作业面的不断加深，配电线路以及相应设备的不断深入，则会导致配电过程中发生不同程度的电能损耗，且能源消耗较大。对于煤矿企业造成一定的经济损失。因此，如何控制煤矿配电系统的能耗[3]，成为煤矿企业运行管理中的一个重要部分。BIM也称为建筑信息模型，其能够完成建筑工程的三维模型构建，并且可提供详细工程的信息，其依据数字化技术完成，多方人员可通过BIM模型协同工作[4]，可使工作效率显著提升。为实现能耗有效控制，李鹏等[5-6]分别对此展开研究，提出基于任务调度和基于功率预测的能耗控制方法，上述方法在能耗控制过程中，主要依据电能需求和运行功率完成能耗控制，但是在控制过程中，上述方法无法实现整个配电系统的所有信息集成以实时共享。本文提出基于BIM的煤矿配电系统节能降耗方法，利用BIM的优势实现配电系统的信息集成，实现能耗的优化控制。

1 配电系统节能耗控制方法

1.1 煤矿配电系统BIM平台

配电系统BIM通过参数化信息模型完成配电系统全部生命周期中信息的集成，可将该信息在决策、设计、运行、维护以及施工等过程中进行共享和传递，便于多方参与人员了解、掌握配电系统的全面运行状态和信息[7]。BIM能够在配电系统运行的全部过程中，可依据数字化技术完成配电系统实体数据信息的集成以及虚拟仿真化的呈现，用时形成完整项目，为相关人员的随时调用提供模型数据，并且能够进行模型数据的调整和修改，在满足配电系统物理和功能两种特性的基础上实现数字化建模(图1)。BIM具备8大主要特性，分别是可视化、实体模拟、沟通协调性、修改优化性、高效出图、参数化、一体化以及信息完备。基于其上述特性，BIM模型在描述配电系统的物理、几何、专业以及运行状态的同时，可完成时间和成本相关特性的描述。

1.2 系统能耗数据集成

在对煤矿配电系统实行能耗控制前，需对配电系统的能耗数据实行集成，依据BIM的数据集成优势，完成配电系统能耗数据集成[8]。在集成过程中，依据配电系统在不同应用阶段内的变化为依据，结合不同的软件完成能耗数据集成，同时实现相关几何和属性信息的转换，其中包含的软件有OBJ格式、解析DWG、DXF等文件格式、EPM Technology、BIMserve等，基于上述软件实现跨应用软件的数据转换和共享，基于BIM的配电系统能耗数据集成框架如图2所示。

图1 配电系统BIM数字化建模模型Fig.1 BIM digital modeling model of distribution system

图2 基于BIM的配电系统能耗数据集成框架Fig.2 Energy consumption data integration framework of distribution system based on BIM

配电系统能耗数据在集成过程中，通过AutoCAD平台完成数据的批量处理后导入3DMax/Maya建模软件中，实现配电系统的模型生成，同时以煤矿配电系统的能耗控制需求以及实际情况对模型的精度和粒度实行划分处理，利用3DS/OBJ等通用格式完成文件的导入和导出，将该文件导入至BIM软件中，将其作为配电系统的模型生成的构件或者单元，完成参数化建模以及空间位置的集成；在此基础上，通过GIS/BIM完成能耗数据的转换以及模型的轻量化处理，形成BIM模型存储数据库，存储全部的煤矿配电系统能耗数据，满足数据交互、查询的需求，同时为能耗控制提供全面、完整的能耗数据。

1.3 配电系统BIM特征应用

由于BIM能够高度完成配电系统能耗数据的集成，参数配电系统整个生命周期，因此能够为煤矿配电管理决策提供可靠的依据，同时BIM集成的煤矿配电系统能耗数据中包含丰富的数据特征，为实现配电系统能耗的控制，需准确掌握数据中能耗数据的时间序列，组合可采用配电系统的BIM特征完善能耗数据时间序列，以此可提升能耗数据的准确描述和刻画。配电系统能耗数据的BIM特征是建立在配电系统全部能耗数据的基础上。因此，其可分为配电系统结构信息和运行信息，前者是描述配电系统整体结构，后者则是面向BIM开发人员的配电系统运行状态的显式特征，并依据该特征的直接相关性，完成配电系统的模型建立，确定的BIM特征描述见表1。表1中的4个分类特征可直接作为特征进行使用，采用数据转换的方式完成特征变换，使其形成向量，采用拼接组合的方式对多个向量化的类别特征实行处理，形成BIM特征。

表1 煤矿配电系统能耗数据的BIM特征Tab.1 BIM characteristics of energy consumption data of coal mine distribution system

1.4 煤矿配电系统能耗预测

1.4.1 煤矿配电系统能耗预测模型工作原理

为实现煤矿配电系统能耗的有效控制，需明确配电系统的能耗情况。本文在能耗控制前，对煤矿配电系统的能耗情况实行预测。在预测过程中，以表1的BIM特征为依据，将注意力机制(Attention Mechanism，AM)和长短记忆网络(Long Short-term Memory Units，LSTM)相结合，形成预测模型，完成煤矿配电系统的特征序列获取、重构以及预测。煤矿配电系统能耗预测模型工作原理如图3所示。

2.4.2 煤矿配电系统的特征序列获取以及重构

定义外因序列X，其是指长度为T的耗电单位时间序列，且不包含目标序列Y，Y的数量为n；数量为n+1的耗电单位的BIM特征用B表示，合理运用Z能够保证预测结果的可靠性。本文在对能耗预测前，需先获取以及重构煤矿配电系统的特征序列，采用AM和LSTM结合完成。通过编码器先对输入能耗数据实行特征提取[9]，形成每个特征对应的编码向量。

图3 煤矿配电系统能耗预测模型工作原理Fig.3 Schematic diagram of energy consumption prediction model of coal mine distribution system

但是煤矿配电系统存在多变量时间序列，并且与之间的关联程度不确定，因此定义输入编码器中的能耗数据为全电力序列为V=(v1，v2，…，vT)，其中Vt∈Rn+1，n为数量，对应外因序列；t时刻下，输入序列的编码向量用ht表示，vt至hf的映射关系为：hf=(fht-1，fvt)，m表示编码长度；f表示映射关系，对应输入和编码2种向量之间。对输入的V实行重构，对重构后的序vt←BIM-Attention(vt)实行编码；对分配权重实行学习，其通过注意力机制完成。则在t时刻时，第k个外因序列权重计算公式为：

(1)

(2)

为获取全电力序列的权重向量，计算全电力序列的权重，然后获取长短记忆网络的输入向量，从而获取煤矿配电系统的特征序列，从而获取煤矿配电系统的能耗预测值[10]，对特征序列实行解码处理，解码后，完成煤矿配电系统能耗数据的重构，并且解码后的序列与解码前序列的形式存在差异，BIM数据库的存储行为在此情况下不会发生改变，因此，表示解码后的数据内容不会发生变化，能够保证数据的完成性。

1.4.3 煤矿配电系统的能耗预测

通过上述步骤完成煤矿配电系统的特征序列获取以及重构，在此情况下，为了提升能耗预测结果的精度，对重构的配电能耗数据实行归一化处理，使数据均处于一定的区间内，不存在大小不一的数据，以此可提升预测效率以及精度。因此，将重构后的数据归一化处理使其位于[-1，1]，以此保证重构后数据中的BIM特征以及其他能耗特征均能够在预测中发挥最大作用，同时保证能耗数据中变量的维度相同，将能耗数据目标序列中的多个历史值和预测值实行拼接，将其通过LSTM完成能耗预测。

1.5 煤矿配电系统的能耗优化控制

获取煤矿配电系统能耗的预测值后，采用模糊能耗控制方法对预测实行优化控制，在煤矿配电系统信息管理模式下[13]，能耗控制决策函数为：

(3)

为获取煤矿配电系统能耗控制的适应度函数之间的分布关系，且在BIM环境下，利用最小二乘法对能耗数据实行回归分析完成，则在BIM环境下配电系统的能耗控制模糊决策函数，依据模糊控制的决策调度获取能耗控制的反馈函数，根据反馈函灵敏完成煤矿配电系统能耗控制。

2 应用性能分析

2.1 煤矿配电系统的设置

为测试本文方法在煤矿配电系统能耗控制中的应用性能和控制效果，将本文方法用于某煤矿中，对其配电系统实行节能降耗，实现其能耗控制。该配电系统中共包含36个节点，6组电容器组，共有3条馈线，其基准电压为10 kV。有载分接头变压器额定容量为10 MVA，该配电系统在实行能耗控制前。对该煤矿配电系统的运行数据实行采集，采集时间间隔为1 h，每天采集24次，采集获取的数据共720个，期望的数据失效率低于0.5%。采用本文方法依据应用对象的配电系统的结构构建BIM模型，模型的部分情况如图4所示。

2.2 煤矿配电系统的能耗数据集成效果

为衡量本文方法的配电系统能耗数据集成性能，以数据集成失效率作为衡量标准，测试本文在对不同属性数量的能耗数据实行集成时的失效率结果(图5)。分析图5测试结果可得，随着采集的能耗数量逐渐增加，不同属性数量的数据的集成失效率结果存在一定的差异，但是该差距较小，属性数量越多数据集成后的数据失效率则相对略高，但是整体数据失效率均低于 0.3%。因此，表明本文方法具备良好的数据集成性能，是由于本文方法采用GIS/BIM完成能耗数据的转换以及模型的轻量化处理，形成BIM模型存储数据库，因此，可最大限度保证数据的完整性。

图4 煤矿配电系统的BIM模型(局部)Fig.4 BIM model of coal mine power distribution system(local)

图5 煤矿配电系统能耗数据集成效果Fig.5 Energy consumption data integration effect of coal mine distribution system

2.3 煤矿配电系统能耗预测效果

为测试本文方法对于配电系统能耗预测的性能，采用拟合优度作为评价指标，其计算公式为：

(4)

拟合优度值越接近1表示拟合程度越好，即本文方法的预测性能越好；反之则越差。依据式(4)获取本文方法对采集的能耗数据实行预测，获取不同时段内的拟合优度(图6)。分析图6进行分析可得：在不同的时间段内，煤矿配电系统的能耗预测结果存在一定差异，表示煤矿配电系统在不同的时间段内损失的能量不相同，并且本文方法对能耗的预测结果与实际能耗结果之间的拟合优度值较高，表示本文方法能够可靠预测出配电系统的能耗结果。

图6 煤矿配电系统能耗的预测效果Fig.6 Prediction effect of energy consumption of coal mine distribution system

2.4 煤矿配电系统能耗控制最佳适应度系数

本文方法在对能耗实行控制时，需确定最佳的适应度系数，以能耗控制收敛值作为衡量标准，获取在不同取值下能耗控制收敛值的变化情况，将最小收敛值结果对应的适应度系数取值作为最佳取值，结果如图7所示。分析图7测试结果可得，在适应度系数取值为0.4时，能耗控制收敛值最小。因此，确定本文方法的适应度系数最佳取值为0.4，并用于后续应用中。

图7 最佳的适应度系数测试结果Fig.7 Best fitness coefficient test results

2.5 煤矿配电系统能耗控制效果

为测试本文方法的能耗控制效果，以功率耗损情况以及节点电压的变化情况作为衡量标准，测试应用对象的配电系统在控制前后功率损耗以及电压的变化情况，结果如图8和图9所示。由于篇幅有限，结果仅随机呈现10个节点的结果。分析图8和图9的测试结果可得：控制前后，36个节点的功率损耗结果之间存在明显差异，控制前，功率的损耗结果存在显著的波动变化，并且各个节点功率损耗结果均在0.025 MW以上；控制后，各节点的功率损耗结果均低于0.015 MW。此外，控制前各个节点的电压波动较大，控制后各个节点的电压相对较为平稳，均在0.94 p.u.左右波动。因此，本文方法的能耗控制效果良好，控制后，能够降低配电系统的能量损失，能够保证电压的平稳。

图8 煤矿配电系统的功率损耗测试结果Fig.8 Power loss test results of coal mine power distribution system

图9 煤矿配电系统的电压变化结果Fig.9 Voltage change results of coal mine power distribution system

3 结语

电能是保证煤矿正常、安全开采的保证，但是煤矿在实际开采过程中其配电系统在开采面不断深入的情况下，其供电线路也不断发生改变，会造成电能发生不同程度的损耗。为对该损耗实行有效控制，本文研究基于BIM的煤矿配电系统节能降耗方法，实现煤矿配电系统的能耗控制。经测试，本文方法具备良好煤矿配电系统数据集成性能，可最大限度保证数据的完整性，并且能够可靠预测配电系统的能耗结果，即使配电系统中各个节点的能耗存在差异时，预测结果依据与实际结果吻合，并且经过本文方法控制后，煤矿配电系统的功率损耗明显下降且稳定。