面向燃气机组的天然气供应链关键环节辨识.pdf

d o i:1 0.3 9 6 9/j.i s s n.1 0 0 7-2 9 0 X.2 0 2 3.0 7.0 1 4收稿日期:2 0 2 3-0 3-3 1 修回日期:2 0 2 3-0 5-3 0基金项目:广东电网有限责任公司科技项目(0 3 6 0 0 0 KK 5 2 2 0 0 0 4 0)面向燃气机组的天然气供应链关键环节辨识杨韵1,曾凯乐2,苏炳洪1,陈卉灿1,王韵楚2,林振智2(1.广东电网有限责任公司电力调度控制中心,广东 广州 5 1 0 6 0 0;2.浙江大学 电气工程学院,浙江 杭州 3 1 0 0 2 7)摘要:随着“双碳”目标的提出,天然气逐渐成为发电的重要能源之一,天然气供应链关键环节的辨识对能源的安全可靠供应、电力系统的安全稳定运行具有重要意义。在此背景下,提出考虑输气损失量和电厂重要度的天然气供应链关键环节辨识方法。首先,构建考虑极端自然灾害的天然气管网输气损失量最大的优化模型;其次,建立基于分组差分粒子群算法的最大输气损失量优化模型求解方法;接着,提出天然气供应链关键环节的辨识方法。最后,以某城市实际的管网系统为例进行分析,以验证所提方法的有效性。分析结果表明,所提方法能够有效辨识天然气供应链关键环节,为保证电力的安全可靠供应提供参考。关键词:极端天气;天然气供应链;关键环节辨识;分组差分粒子群算法中图分类号:TM 6 1 1.2 4;T E 8 3 2.2 文献标志码:A 文章编号:1 0 0 7-2 9 0 X(2 0 2 3)0 7-0 1 2 4-0 9I d e n t i f i c a t i o n o f K e y L i n k s i n N a t u r a l G a s S u p p l y C h a i n f o r G a s T u r b i n e U n i t sYANG Y u n1,Z E NG K a i l e2,S U B i ngh o ng1,CH E N H u i c a n1,WANG Y u n c h u2,L I N Z h e n z h i2(1.E l e c t r i c P o w e r D i spa t c h i ng C o n t r o l C e n t e r o f G u a ngd o ng P o w e r G r i d C o.,L t d.,G u a ngz h o u,G u a ngd o ng 5 1 0 6 0 0,C h i n a;2.C o l l ege o f E l e c t r i c a l E ngi n e e r i ng,Z h eji a ng U n i v e r s i ty,H a ngz h o u,Z h eji a ng 3 1 0 0 2 7,C h i n a)A b s t r a c t:W i t h t h e go a l o f d o u b l e c a r b o n i n m i n d,n a t u r a l ga s h a s gr a d u a l ly b e c o m e a n i mpo r t a n t e n e rg y s o u r c e f o r po w e r ge n e r a t i o n.T h e i d e n t i f i c a t i o n o f t h e k ey l i n k s i n t h e n a t u r a l ga s s up ply c h a i n i s o f s ign i f i c a n t i mpo r t a n c e f o r e n s u r i ng a s e c u r e a n d r e l i a b l e e n e rg y s up ply a n d t h e s t a b l e ope r a t i o n o f t h e po w e r sys t e m.I n t h i s c o n t e x t,t h i s pape r pr opo s e s a m e t h o d f o r i d e n t i fyi ng t h e k ey l i n k s i n t h e n a t u r a l ga s s up ply c h a i n c o n s i d e r i ng n a t u r a l ga s l o s s,a n d t h e i mpo r t a n c e o f t h e po w e r pl a n t.F i r s t ly,a n opt i m a l m o d e l f o r m a x i m i z i ng n a t u r a l ga s l o s s i n t h e pipe l i n e n e t w o r k i s c o n s t r u c t e d,t a k i ng i n t o c o n s i d e r a t i o n e x t r e m e n a t u r a l d i s a s t e r s.S e c o n d ly,t h e pa c k e t d i f f e r e n c e pa r t i c l e s w a r m opt i m i z a t i o n a lgo r i t h m f o r s o l v i ng t h e pr opo s e d opt i m i z a t i o n m o d e l o f m a x i m i z i ng n a t u r a l ga s l o s s i s pr e s e n t e d.T h i r d ly,t h e m e t h o d f o r i d e n t i fyi ng t h e k ey l i n k s i n t h e n a t u r a l ga s s up ply c h a i n i s pr opo s e d.F i n a l ly,t h e pape r u s e s c a s e s t u d i e s o n a pipe n e t w o r k sys t e m i n a c e r t a i n c i ty i n C h i n a f o r v e r i fyi ng t h e e f f e c t i v e n e s s o f t h e pr opo s e d m e t h o d.T h e s i m u l a t i o n r e s u l t s s h o w t h a t t h e pr opo s e d m e t h o d c a n e f f e c t i v e ly i d e n t i fy t h e k ey l i n k s i n t h e ga s s up ply c h a i n a n d pr o v i d e a r e f e r e n c e f o r e n s u r i ng t h e s e c u r e a n d r e l i a b l e s up ply o f e l e c t r i c i ty.K e y w o r d s:e x t r e m e w e a t h e r;n a t u r a l ga s s up ply c h a i n;k ey l i n k i d e n t i f i c a t i o n;pa c k e t d i f f e r e n t i a l pa r t i c l e s w a r m opt i m i z a t i o n 随着新型电力系统对灵活性资源和减碳需求的增加,如何保证燃气机组的供气量成为许多国家可持续发展的议题。2 0 2 2年国家能源局颁布的2 0 2 2年能源工作指导意见 指出,要增强供应保障能力,到2 0 2 2年全国天然气产量将达到2 1 4 0亿m3左右1。可再生能源近年来发展迅猛,但与化石能源相比,其成本较高,且受限于地域资源禀赋,目前其应用很大一部分仍依赖于技术突破2。广东煤电清洁化发展进程较快,但即使燃煤机组经过了节能改造,煤耗降低空间依然有限3;而天然气作为相对清洁的化石能源,不仅供给更安全稳定,也能减少化石燃料对环境的污 第3 6卷 第7期广 东 电 力V o l.3 6 N o.7 2 0 2 3年7月G U A N G D O N G E L E C T R I C P OWE RJ u ly 2 0 2 3 染,因此受到各方青睐。截至2 0 2 2年6月底,中国的燃气发电装机容量为1.1亿k W,排名世界第三,预计到2 0 2 5年,燃气发电装机规模将达到1.5亿k W左右4。未来的能源改革将进一步增加天然气消费,天然气的运输方式主要包括管道运输、压缩天然气和液化天然气,运输过程需要规避实际和潜在风险,以实现安全可靠供气;因此,需要构建可靠的天然气供应链并进行风险管控。为保证电力安全可靠供应,有学者针对天然气供应链的可靠性和电力系统关键环节辨识开展了研究。文献5 提出采用生态网络分析方法的供气安全网络模型,量化天然气流量并评定网络稳定性,提出天然气安全保供的建议;文献6 针对双边供应的市场竞争模式,提出基于混合整数二次规划和混合整数线性规划模型的多方竞争市场下的天然气供应优化方法,保证了各方供气的经济性和稳定性;文献7 考虑影响天然气供应链的内外因素,提出适合天然气产业实际的天然气供应能力测算方法,有效提高天然气供应能力的预测精度;文献8 依据马尔科夫模型和图论建立天然气管网容量网络随机模型,计算不同场景下的系统容量并评定天然气供应可靠性;文献9 将天然气供应链与以燃气汽车的生命周期分析相结合,研究天然气供应链中甲烷泄漏的影响;文献1 0 考虑市场需求的不确定性与天然气输送的动态过程,提出一种评估天然气管网系统供气可靠性的方法,并结合蒙特卡洛模拟量化供气可靠性的各项指标;文献1 1 根据图论的蒙特卡洛模拟,提出概率模型量化天然气网络的供气可靠性;文献1 2 根据可靠性理论与水力流量变化规律,量化天然气输送管道系统的供气能力,并评估天然气系统的可靠性。在电力系统关键环节辨识方面,文献1 3 提出基于最小二乘法的高压直流输电系统可靠性灵敏度的分析方法,实现了系统关键环节辨识;文献1 4 提出基于小世界拓扑模型的关键线路辨识方法,研究大电网中故障传播的机理;文献1 5 建立了基于故障树等方法的高压直流(h igh v o l t age d i r e c t c u r r e n t,HV D C)系统元件可靠性分析模型,不仅辨识了系统的薄弱环节,还研究各元件或子系统对元件备用的影响;文献1 6-1 7 根据可靠性跟踪理论建立复杂网络不可靠性跟踪模型,实现电力系统的关键环节辨识;文献1 8 结合电气距离、电力传输分配因子等电力系统的特定特征,提出对电力系统中关键线路进行排序的方法,完成电力系统关键环节辨识;文献1 9 提出考虑级联故障和方向加权的联网关键节点识别方法,模拟电网节点 受 到 级 联 故 障 的 场 景,并 计 算 各 节 点 的P age R a n k值来辨识系统中节点的关键程度;文献2 0 结合交流级联故障仿真与元启发式优化过程,提出一种电力系统脆弱度评估方法,用以识别输电网中的重要分支,并辨识电力系统的关键环节;文献2 1 考虑铁路与电网的耦合,提出铁路 电网相互依赖的网络建模与脆弱性分析方法,用以分析评估电网的脆弱性。综上所述,目前评估天然气供应链整体可靠性的方法未将受端电力系统纳入研究范围,而关键环节辨识的研究对象主要针对电力系统,鲜少将电力供应纳入到天然气供应链关键环节辨识中。针对以上研究的不足,本文提出考虑输气损失量和电厂重要度的天然气供应链关键环节辨识方法。首先,构建考虑极端自然灾害的天然气管网输气损失量最大的优化模型;其次,建立基于分组差分粒子群算法的最大输气损失量优化模型求解方法;接着,提出天然气供应链关键环节的辨识方法;最后,以某城市实际的管网系统为例进行计算,验证本文所提辨识方法的有效性。1 天然气供应链关键环节概述天然气供应链与电力网络类似,都属于复杂网络。基于复杂网络理论,综合电网拓扑结构和电气特性,通常将电网中的关键环节定义为关键断面、系统中的关键线路和关键节点等。关键断面即系统各个分区之间最薄弱、可靠性最低的环节,当断面中的所有线路断开,系统将会分解成各个独立的供电区域。而辨识关键节点和关键线路时通常需要引进关于网络拓扑的指标,如节点度数、节点介数和线路介数。节点度数用于衡量与该节点相连的线路密集程度,从该节点发散出去的输电线路越多,该节点就越关键;节点介数等于网络中所有加权的有向最短路径通过该节点的次数之和,线路介数定义与其类似。然而复杂网络理论中,介数值的大小能够表征线路或节点的关键程度,但并非是通过计算元件可靠性指标来实现,因而无法量化系统元件对可靠性指标的贡献。对于天然气供应链而言,关键环节就是在自然灾害(如极端天气)等外界因素的影响下导致输气能力下降最大的部分。供应链能否完成其规定的供应任务,取决于关键环节是否处于正常工作状态。对天然气供应链进行风险管控,能够以较低的成本保障供应链完成其既定功能,提高供应安全度和可靠521 第7期杨韵,等:面向燃气机组的天然气供应链关键环节辨识度。对天然气供应链来说,对管网系统产生冲击的自然灾害主要有地震、泥石流等,它们会造成管网的物理结构发生破坏,直接影响元件的输气能力,不同自然灾害之间存在的诱发和相互耦合作用,也会对供应链的设备元件产生影响。天然气管道作为典型天然气供应链的元件,其输气能力直接影响管网系统的输气总量。天然气管道直径和管道长度等实际参数可以通过工业统计数据获取,当天然气管网发生破裂、泄漏等故障,认为该输气管道将无法完成输气任务,管道的输气能力(F)此时为0。2 基于分组差分粒子群算法的天然气供应链关键环节辨识方法2.1 天然气供应链最大输气损失量优化模型天然气供应链在极端天气影响下的关键环节辨识是参考已知天然气管网参数和气负荷,通过优化进一步得到使得管网输送天然气损失量(指输送天然气的过程中由于极端天气等自然灾害导致的输送天然气损失量)最大的输气管道集合2 2,也即管网系统的关键环节。与传统目标函数(如成本最小化)相比,考虑输气损失量最大更贴合实际应用场景,准确反映管网系统在故障情况下的性能表现。天然气管网结构通常为多气源、环网设计,在关键因素急剧变化时,组成天然气管网系统的元件故障导致系统发生输气损失事件2 3-2 4时,对系统失气量贡献越大,也就越关键。因此本文以天然气管网系统气量损失Ll o s s最大为目标函数2 5,即:m a x Ll o s s=Pg,hNp,1Fg,h+Pm,nNp,2Fm,n+iNcLci.(1)式中:Fg,h为受极端天气直接影响而断开的管道Pg,h损失的天然气量;Fm,n为受极端天气间接影响而断开的管道Pm,n损失的天然气量;Lci为网络中受间接影响的第i个负荷节点削减的气负荷量;Np,1、Np,2和Nc分别为受极端天气直接影响、间接影响的输气管道集合、无天然气输送导致天然气负荷损失的负荷节点集合。此外,模型还需要考虑如下约束:气源出力约束Gw,m i nGwGw,m a x.(2)式中Gw,m a x和Gw,m i n分别为气源点w的出力Gw的上、下限。天然气节点压力2 6约束pkm i npkpkm a x.(3)式中pkm a x和pkm i n分别为天然气节点k的压力pk的上、下限。管道流量约束F2k,l=(4)2D5k,lxk,lFk,lR T Z 20(p2k-p2l);(4)Fk,l,m i nFk,lFk,l,m a x.(5)式中:xk,l和Dk,l分别为管道Pk,l的长度和直径;R为气体常数;T为天然气温度;Z为天然气压缩因子;0为标准条件下的天然气密度;Fk,l,m a x和Fk,l,m i n分别为管道Pk,l的流量Fk,t的上、下限。2.2 基于分组差分粒子群算法的最大输气损失量优化模型求解方法 粒子群算法能应用于配电网故障区间定位,但存在未成熟时过早收敛的情况2 7。本文定义天然气供应链的关键环节为引起系统输气损失量最大的部分,即对天然气供应链网络进行故障定位2 8。将差分粒子群算法用于关键环节辨识,可降低算法局部收敛的可能,提高计算准确性和快速性。粒子群算法开始时生成初始解,N个粒子在M维空间中寻找最优解,本文中每一个粒子都是一次天然气系统输气过程的模拟,M维空间则代表天然气管道总数。在二进制粒子群算法中,粒子的位置矩阵Lt o t a lOX=LO X 1 LOX 2 LO Xi LO XM,LOXi代表天然气管道i的输气状态,其中LO Xi取值为0或1;粒子 速 度Vt o t a lOX=VO X 1 VOX 2 VOXi VOXM,VOXi也即天然气管道i的输气状态LOXi取0或1的概率。速度和位置的关系可以由S igm o i d函数(fs igm o i d)表示,因此,二进制粒子群算法的速度更新和位置更新为:VOXi(t+1)=VO Xi(t)+k1d1LOXi,b e s t 1(t)-LO Xi(t)+k2d2LO Xi,b e s t 2(t)-LOXi(t).(6)CO Xi(t+1)=r VOXi(t+1)(7)LO Xi(t+1)=1,CO Xi(t+1)4.(9)fs igm o i d(VO Xi(t)=0.9 8,VO Xi(t)Vm a x;11+e-VO Xi(t),Vm i nVO Xi(t)Vm a x;-0.9 8,VO Xi(t)Vm i n.(1 0)621第3 6卷 式中:t为迭代次数;r为收缩因子;为惯性因子;k1、k2为学习因子;d1、d2为(0,1)内的随机数;LOXi,b e s t 1(t)为截止到t时刻时令粒子目标函数最大的输气管道i的状态;LOXi,b e s t 2(t)为截止到t时刻时,目标函数最大的那个粒子中输气管道i的状态;CO Xi(t+1)的取值范围为0,1。粒子群算法中的学习因子k1、k2直接决定了输气状态更新的收敛速度。k1较大会造成粒子群局部徘徊,而k2较大则会使粒子群陷入局部最优,无法判断哪些管道引起天然气系统输气损失量最大。并且针对个体粒子而言,其在接近个体历史最优和全局最优时,更新速度会变得极其缓慢。因此本文在粒子群算法中引入分组概念2 9,对粒子群算法进行改进。首先计算N个粒子的目标函数值,也即系统的输气损失量,将其从小到大排序。将N个粒子每隔f个粒子分为h组,即PF 1=P1,P2,P3,Pf,PF 2=Pf+1,Pf+2,Pf+3,P2f,PFh=P(h-1)f+1,P(h-1)f+2,P(h-1)f+3,Phf.(1 1)式中PFh为对粒子(也即系统的输气损失量)进行第1次分组后的结果。按照上述排序对粒子群再进行分组,式(1 1)中目标函数最大值分为一组,第二大值分为一组,以此类推,最小值分为一组,表示为PZf,即PZ 1=P1,Pf+1,P2f+1,P(h-1)f+1,PZ 2=P2,Pf+2,P2f+2,P(h-1)f+2,PZf=Pf,P2f,P3f,Phf.(1 2)通过上述分组,原粒子群分为f组,每一组都可以代表原始种群的特性,然后通过式(7)、(8)进行分组粒子群速度、位置更新,计算不同开关状态下天然气系统的输气损失量。分组粒子群寻优结束后,再将分组粒子群融合成1个种群进行目标函数排序,进行二次寻优,直到寻优结束。通过分组粒子群寻优,可以保证原粒子群种群多样性延续,不易使种群陷入局部最优,提高粒子群算法的准确性和容错性。为了进一步避免粒子群陷入局部最优,本文引入差分算法。首先确定分组粒子群中的最优粒子Pb e s t,其具有最大输气损失量;接着随机选取2个粒子Pb 1、Pb 2进行变异操作。Pb e s t、Pb 1、Pb 2在M维空间中各输气管道的状态为:Lb e s t=Lb e s t 1 Lb e s t 2 Lb e s t 3 Lb e s tM ,(1 3)Lb 1=Lb 1 1 Lb 1 2 Lb 1 3 Lb 1M ,(1 4)Lb 2=Lb 2 1 Lb 2 2 Lb 2 3 Lb 2M .(1 5)确定Lb 1和Lb 2的海明距离hm,计算Lb e s t需要变异的维数m。Hm=s hm;m=e n t(Hm),aHm-e n t(Hm);e n t(Hm)+1,aHm-e n t(Hm).(1 6)式中:Hm为缩放后的海明距离;s为缩放因子,取值为在0,2 范围的随机数;a为在0,1 内的随机数;e n t(Hm)表示将Hm向下取整数。通过式(1 6)计算得到Lb e s t需要变异的维数m,然后m维(也即天然气系统所代表的m条输气管道状态)进行变异,若m维Lb e s t中相应的元素为1,则变异为0;反之则变异为1,得到变异后粒子的位置Lb。最后对变异粒子的位置矩阵Lb和最优粒子的位置矩阵Lb e s t进行选择操作。Lc x=Lb,Z(Lb)4251#,EGA1+G?A1EGC)图2 天然气供应链关键环节辨识流程F i g.2 F l o w c h a r t o f i d e n t i f i c a t i o n m e t h o d o f k e y l i n k s i n n a t u r a l g a s s u p p l y c h a i n3 算例分析本文以某城市实际天然气管网系统作为算例进行分析,管网拓扑结构如图3所示。该管网共有3个天然气供应方向,其中s t a 1s t a 2 2代表站场及其编号,pip1pip2 2代表管道及编号,气源分布在管网系统的不同区域。该网络一共包括2 2个站场(节点)和2 2条管道支路,其中天然气分别从节点1、9、1 9注入系统,整个网络的天然气负荷为1 3 5 8 0 m3。考虑到网络有3个气源,设置自然灾害导致管网损坏的数目Np,1=5;考虑到实际情况管道1 3管道1 9对应位置的电厂较为密集,因此假定节点权重较高,其权重设置见表1。设定粒子种群数N=1 0 0、迭代次数Nd=1 0、惯性因子=0.8、自我学习因子821第3 6卷 图3 某城市实际的天然气管网简化拓扑F i g.3 S i m p l i f i e d t o p o l o g y o f a c t u a l n a t u r a l g a s p i p e l i n e n e t w o r k i n a c i t y表1 天然气管网系统输气管道权重T a b.1 W e i g h t s o f g a s p i p e l i n e s i n n a t u r a l g a s p i p e n e t w o r k s y s t e m管道编号权重归一化值/1 0-2183.5 1262.6 3393.9 5462.6 3552.1 9693.9 5741.7 5852.1 9973.0 71 062.6 31 173.0 71 283.5 11 31 25.2 61 41 56.5 81 51 87.8 91 62 08.7 71 72 29.6 51 81 98.3 31 92 08.7 72 093.9 52 162.6 32 273.0 7k1=1.5、群体学习因子k2=1.5、f=5、h=1 0、缩放因子s=0.8,收敛条件为前后迭代2次天然气量差的模值最小值小于1 0-6。采用本文分组差分粒子群算法、模拟退火算法和遗传算法,分别得到天然气管网系统关键环节辨识结果,见表2。表2 天然气管网系统关键环节辨识结果T a b.2 I d e n t i f i c a t i o n r e s u l t s o f k e y l i n k s o f n a t u r a l g a s p i p e n e t w o r k s y s t e m算法管道编号输气管道归一化权重输气损失量贡献值/m3本文算法10.1 5 6 91 3 7 6.9 430.1 7 6 51 5 4 9.0 680.0 9 8 08 6 0.5 990.1 3 7 31 2 0 4.8 21 70.4 3 1 43 7 8 6.5 9模拟退火算法1 00.0 2 4 79 1.3 11 10.0 2 8 81 0 6.5 31 30.0 6 1 72 2 8.2 71 70.0 0 8 23 0.4 42 00.0 2 8 81 0 6.5 3遗传算法60.0 7 4 12 7 7.0 41 10.0 2 8 81 0 7.7 41 30.0 6 1 72 3 0.8 62 00.0 2 8 81 0 7.7 42 10.0 8 2 33 0 7.8 2由表2可知,本文算法计算得到天然气管网系统气量最小应断开的支路也即关键环节辨识结果为编号1、3、8、9和1 7的管道,系统最大损失气量为8 7 7 8 m3,编号1 01 6的管道和相应节点所带的气负荷也因此中断。而采用模拟退火算法和遗传算法得到的管网系统最大损失气量分别为3 6 9 8 m3和3 7 4 0 m3,关键环节辨识结果分别为管道1 0、1 1、1 3、1 7、2 0和管道6、1 1、1 3、2 0、2 1。相较于其他2种算法,本文所提分组差分粒子群算法计算得到的系统输气损失量最大,并改善了其他算法陷入局部最优的不足。以计算得到的关键环节辨识结果管道1 7为例,由于输气管道的归一化权重为0.4 3 1 4,且与气源3直接相连,在自然灾害导致管道1 7故障断裂时,其 对 整 个 系 统 的 输 气 损 失 量 贡 献 值 为3 7 8 6.5 9 m3。同时,管道9与气源2直接相连,若在模拟过程中自然灾害导致管道9和管道1 7同时发生故障,则管道9与管道1 7相连的链状管道和其所供应的电厂或其他气负荷将失去稳定的天然气供应,整个天然气供应链的失气量将等于管道9管道1 7的输气量与沿线所供应的所有电厂或其他气负荷的用气量。同时,关键环节辨识结果(即管道1、8、9和1 7)并不因为运行次数增加而发生921 第7期杨韵,等:面向燃气机组的天然气供应链关键环节辨识改变。因为管道2管道7分别通过管道1和管道8与气源1、气源2连接,当管道1、管道8发生故障,其必然发生输气损失,系统最大输气损失不变,这也说明管道1、8、9和1 7更为关键。各种算法的迭代次数和计算得到的管网输气量如图4所示。由图4可见:模拟退火算法在迭代十几次后找到了最优解,遗传算法则通过数十次的迭代后找到了最优解,但这2种算法找到的最优解均为局部最优解,迭代速度慢且准确性不足;而本文所提分组差分粒子群算法的寻优效果最佳,其搜索全局最优解的准确性和快速性得到提高,在1 0次以内的迭代中就找到了导致天然气管网系统输气损失量最大的管道集合,实现了天然气管网系统关键环节的辨识,改善了其他算法可能陷入局部最优的不足。图4 不同求解算法寻优迭代效果对比F i g.4 C o m p a r i s o n s o f t h e e f f e c t s o f d i f f e r e n t a l g o r i t h m s o p t i m i z a t i o n s e a r c h i t e r a t i o n为研究电厂重要程度对关键环节辨识结果的影响,本文对靠近气源的管道设置更低的权重,运用分组差分粒子群算法,计算得到的关键环节辨识结果见表3。表3 权重变化后关键环节辨识结果T a b.3 I d e n t i f i c a t i o n r e s u l t s o f k e y l i n k s a f t e r w e i g h t m o d i f i c a t i o n管道编号输气管道归一化权重输气损失量贡献值/m310.1 9 2 3 1 6 8 8.0 8 80.1 9 2 3 1 6 8 8.0 8 90.2 6 9 2 2 3 6 3.3 1 1 70.0 7 6 9 6 7 5.2 3 1 80.2 6 9 2 2 3 6 3.3 1 表3的关键环节辨识结果随着输气管道权重改变而发生变化。仍以管道1 7为例,输气管道的归一化权重减小到0.0 7 6 9,对系统的输气损失量的贡献值从3 7 8 6.5 9 m3降低至6 7 5.2 3 m3,但系统最大输气损失量仍为8 7 7 8 m3。管道1和管道8虽然地理位置相距较远,分别与气源1和气源2相连,但输气管道权重的设置均为0.1 9 2 3,因此管道1和8对于整个天然气系统的输气损失量贡献值均为1 6 8 8.0 8 m3。管道9和管道1 8的归一化权重为0.2 6 9 2,对于天然气管网系统的输气损失量贡献值最大,为2 3 6 3.3 1 m3。结合图3分析可知,天然气管网系统的关键环节地理位置通常在气源附近,因为当气源附近的管道发生破裂,不仅使与该节点相连的电厂气量发生损失,同时也使与其相连的其他节点电厂发生气量损失,电力供应可靠性大大降低。管道1、8、9分布在气源1、气源2附近,其安全可靠运行保证了管道1管道8与管道9管道1 7供应的电厂发电可靠性,因此需要对其加强风险管控;管道1 7和管道1 8由于其附近的电力负荷分布密集,电厂重要程度更高,输气管道则具有更大的权重,因而对整个天然气管网系统的失气量贡献也更大,在实际运行时更应该对其加强风险管控,保证电力系统的电力电量平衡,进而保证电力系统的发电可靠性。该算法的迭代次数与种群最优适应度关系如图5所示。由图5可见:当k1=k2=0.5时,算法的收敛性能较差,迭代第8次时才接近最优解;当k1=k2=1.5时,迭代到第3次时算法就已接近最优解。因此,可以得出学习因子k1、k2太小会影响算法求解速度的结论。图5 学习因子不同时算法收敛情况F i g.5 A l g o r i t h m c o n v e r g e n c e u n d e r d i f f e r e n t s t u d y i n g f a c t o r s4 结论基于天然气供应链关键环节辨识日趋重要的现031第3 6卷 状,本文提出考虑输气损失量和电厂重要度的天然气供应链关键环节辨识方法。首先,构建考虑极端自然灾害的天然气管网输气损失量最大的优化模型;其次,建立基于分组差分粒子群算法的最大输气损失量优化模型求解方法;接着提出天然气供应链关键环节的辨识方法。最后,以某城市实际的管网系统为例进行分析,得到如下结论:a)地理位置影响关键环节辨识结果。靠近气源的管道关联着其他节点的供气,影响到电力供应可靠性,因而与气源直接相连的管道更为关键。b)系统元件权重影响关键环节辨识结果。输气管道权重下降,对系统供气损失量的贡献值下降,因而权重大的输气管道更为关键。c)本文所提的分组差分粒子群算法具有较好的寻优效果。相较于模拟退火算法和遗传算法,其准确性和快速性得到提升,且改善了陷入局部最优的不足;同时,算法迭代次数与学习因子有关,学习因子越大,算法收敛速度越快。综上所述,本文所提分组差分粒子群算法能够有效辨识天然气供应链关键环节,能够对天然气供应链的风险进行管控,保证电力系统的安全可靠运行。参考文献:1国家能源局.关于印发2 0 2 2年能源工作指南意见 的通知A/O L.(2 0 2 2-0 3-1 7)2 0 2 3-0 3-0 1.h t tp:/z f x xgk.n e a.go v.c n/2 0 2 2-0 3/1 7/c_1 3 1 0 5 3 4 1 3 4.h t m.2肖蔚然,孙锦余,陈钢,等.南方五省区天然气分布式能源发展现状分析J.广东电力,2 0 1 4,2 7(2):4 3-4 6.X I AO W e i r a n,S UN J i nyu,CH E N G a ng,e t a l.A n a lys i s o n s t a t u s qu o o f n a t u r a l ga s d i s t r i b u t e e n e rg y d e v e l opm e n t i n s o u t h f i v e pr o v i n c e sJ.G u a ngd o ng E l e c t r i c P o w e r J o u r n a l,2 0 1 4,2 7(2):4 3-4 6.3郑敏嘉,吴伟杰,李逸欣,等.广东电力碳达峰路径研究J.广东电力,2 0 2 3,3 6(1):2 9-3 4.ZH E NG M i nji a,WU W e iji e,L I Y i x i n,e t a l.R e s e a r c h o n c a r b o n pe a k pa t h o f po w e r i n d u s t ry i n G u a ngd o ngJ.G u a ngd o ng E l e c t r i c P o w e r,2 0 2 3,3 6(1):2 9-3 4.4中国能源报.装机世界第三,发电量仅占全国3%E B/O L.(2 0 2 2-0 8-1 7)2 0 2 3-0 3-0 1.h t tps:/b a iji a h a o.b a i d u.c o m/s?i d=1 7 4 1 4 2 0 1 7 4 8 7 2 2 1 2 2 1 3&w f r=spi d e r&f o r=pc.5崔巍,康立成,魏文治,等.基于生态网络分析的中国天然气供应安全评价J.安徽工业大学学报(自然科学版),2 0 2 2,3 9(1):9 1-9 9.CU I W e i,KANG L i c h e ng,WE I W e n z h i,e t a l.E v a l u a t i o n o f n a t u r a l ga s s up ply s e c u r i ty i n C h i n a b a s e d o n e c o l ogi c a l n e t w o r k a n a lys i sJ.J o u r n a l o f A n h u i U n i v e r s i ty o f T e c h n o l og y(N a t u r a l S c i e n c e),2 0 2 2,3 9(1):9 1-9 9.6李政兵,梁永图,徐宁,等.考虑市场竞争条件的管输天然气供应链优化J.油气储运,2 0 2 1,4 0(1):1 1 3-1 2 0.L I Z h e ngb i ng,L I ANG Y o ngt u,XU N i ng,e t a l.Opt i m i z a t i o n o f pipe l i n e n a t u r a l ga s s up ply c h a i n c o n s i d e r i ng m a r k e t c o mpe t i t i o nJ.O i l&G a s S t o r age a n d T r a n spo r t a t i o n,2 0 2 1,4 0(1):1 1 3-1 2 0.7赵素平,陆家亮,黄诚,等.天然气供应能力测算方法构建及分析软件开发J.天然气工业,2 0 2 1,4 1(7):1 4 4-1 5 1.ZHAO S upi ng,L U J i a l i a ng