供電設(shè)備的諧波污染分析和辨識(shí)

阮斌，徐功，潘悅維

(1.中國(guó)石化上海石油化工股份有限公司公用事業(yè)公司，上海 200540，2.華東理工大學(xué) 自動(dòng)化系，上海 200237)

0 引言

隨著生產(chǎn)技術(shù)水平的不斷發(fā)展，電力設(shè)備被廣泛地用于工業(yè)領(lǐng)域，工廠企業(yè)尤其是流程工業(yè)企業(yè)對(duì)電能質(zhì)量和可靠性的要求提出了很高的要求，影響電網(wǎng)質(zhì)量和可靠運(yùn)行的一個(gè)問(wèn)題就是供電裝置的誤動(dòng)作，如何避免誤動(dòng)作，減少誤動(dòng)作的發(fā)生成為輸配電技術(shù)中需要解決的問(wèn)題之一。

1 企業(yè)供電諧波的成因分析

電力系統(tǒng)諧波產(chǎn)生的根本原因是因?yàn)樵陔娏ο到y(tǒng)中某些用電設(shè)備、負(fù)荷的非線性特征造成的，即負(fù)載側(cè)的電壓與電流不是線性關(guān)系而導(dǎo)致的電壓畸變[1]。在工廠企業(yè)輸變電部門諧波的主要產(chǎn)生原因是:電力變壓器產(chǎn)生的諧波，是由于變壓器鐵芯飽和，磁化曲線的非線性特性，再加上變壓器設(shè)計(jì)過(guò)程中考慮到經(jīng)濟(jì)型因素，其工作磁密處在磁化曲線的近飽和段上面，這就導(dǎo)致磁化電流呈尖頂波形，從而含有了奇次諧波。與此同時(shí)，用電設(shè)備產(chǎn)生諧波，也是產(chǎn)生諧波的主要原因，其中包括各類換流裝置、電子調(diào)壓設(shè)備、感應(yīng)爐、電弧爐以及在現(xiàn)代工業(yè)裝備中為節(jié)能以及控制使用的各類電力電子設(shè)備等。其中變頻器由于采用了相位控制，導(dǎo)致諧波成分更復(fù)雜，除了含有整數(shù)次諧波以外，還有分?jǐn)?shù)次諧波，這類裝置功率一般都比較大，變頻器的諧波含量以及分布更大，對(duì)電網(wǎng)造成的諧波污染也越來(lái)越多。

以上這些具有非線性特性的用電設(shè)備，即便輸入側(cè)提供的是標(biāo)準(zhǔn)的正弦波電壓，也會(huì)由于其非線性特性產(chǎn)生諧波電流并注入系統(tǒng)，使得系統(tǒng)各處電壓和電流產(chǎn)生諧波分量，有些地方還可能由于系統(tǒng)參數(shù)的原因而產(chǎn)生諧波放大，這些用電設(shè)備產(chǎn)生的諧波電流大小僅僅取決于設(shè)備自身的參數(shù)以及工作狀態(tài)，與系統(tǒng)的參數(shù)和結(jié)構(gòu)無(wú)關(guān)。

2 諧波分析的模型與辨識(shí)機(jī)理

諧波源盡管是提供諧波電流的能量源，但是它的能量卻是由工頻的基波所提供的。非線性用電設(shè)備產(chǎn)生諧波電壓和電流的過(guò)程，實(shí)際上就是一個(gè)消耗工頻電能，并且將其中的一部分工頻電能轉(zhuǎn)換為各次諧波電能向系統(tǒng)注入的過(guò)程。由此可以看出，高次諧波是對(duì)電力系統(tǒng)電能質(zhì)量的一種污染。

本文提出了一種基于平均影響值(MIV，Mean Impact Value)的神經(jīng)網(wǎng)絡(luò)諧波源識(shí)別方法，利用平均影響值來(lái)得到在電力系統(tǒng)中對(duì)電能質(zhì)量影響較大的諧波源，MIV被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評(píng)價(jià)變量相關(guān)性最好的指標(biāo)之一，也為解決此類問(wèn)題開創(chuàng)了新思路。因此基于平均影響值(MIV，Mean Impact Value)的神經(jīng)網(wǎng)絡(luò)諧波源識(shí)別方法有很高的實(shí)際價(jià)值。

2.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的原理

圖1 BP網(wǎng)絡(luò)學(xué)習(xí)原理

在只考慮一個(gè)隱含層的圖1中，先給LA層單元與LB層單元之間和 LB層單元與LC層單元之間連結(jié)權(quán)重以及 LB層單元的閾值 θi、LC層單元閾值 γi賦[－ ε，+ε]區(qū)間的隨機(jī)值(ε＜ 0)[2－4]。對(duì) 每 個(gè)模式對(duì)(Ak，Tk)(k=1，2，……，m)，圖 2所示的學(xué)習(xí)流程框圖按下面的過(guò)程來(lái)學(xué)習(xí):

(1)將輸入模式送至 LA層，LA層單元激活值 ah通過(guò)連結(jié)權(quán)重矩陣V送至LB層，產(chǎn)生LB層中新的凈輸入 netbi，從而產(chǎn)生LB層單元輸出值bi;

圖2 BP網(wǎng)絡(luò)學(xué)習(xí)流程圖

式中 i=l，2，…，P，f為 S 型函數(shù)。

(2)計(jì)算LC層單元輸出值:

式中 j=1，2，…，q。

(3)計(jì)算輸出LC層單元一般化誤差:

式中 j=1，2，…，q，k=l，…m，m 為總體樣本數(shù);TKj為 LC層單元 j的期望輸出，為教師信號(hào)。

(4)計(jì)算輸出LB層單元一般化誤差:

式中i=1，2，…，p;上式就是將 LC層單元的誤差反向傳播到了LB層。

(5)調(diào)整LC層單元到LB層單元的連接權(quán)重以及閾值:

式中 i=1，2，…，P，j=1，2，…，q，η 是學(xué)習(xí)率(0 ＜ η ＜1)。(6)整LB層單元到LA層單元的連接權(quán)重和閾值:

式中 h=l，2，…，n，j=1，2，…，q。

2.2 MIV的基本原理

Dombi和Nandi等人提出了使用 MIV(Mean Impact Value)來(lái)體現(xiàn)神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的變化情況[5]，它是用來(lái)確定神經(jīng)網(wǎng)絡(luò)中輸入神經(jīng)元對(duì)于輸出神經(jīng)元影響程度的一個(gè)重要標(biāo)準(zhǔn)，其符號(hào)代表相關(guān)方向，絕對(duì)值大小代表了影響程度的相對(duì)重要性。具體的計(jì)算過(guò)程如下:在神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，將訓(xùn)練樣本X中每一個(gè)自變量特征在原始值的基礎(chǔ)上分別加減20%從而構(gòu)成新的兩個(gè)訓(xùn)練樣本X1和X2，將X1和X2分別作為仿真樣本利用已經(jīng)建好的神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，得到了兩個(gè)仿真結(jié)果 Y1和Y2，求出Y1和Y2的差值，即為變動(dòng)的自變量對(duì)于輸出所產(chǎn)生的影響變化值(IV，Impact Value)，最后將影響變化值按照觀測(cè)數(shù)平均得到該自變量對(duì)于應(yīng)變量在神經(jīng)網(wǎng)絡(luò)中的MIV。按照以上步驟一次算出每個(gè)自變量的MIV值，最后根據(jù)MIV的絕對(duì)值大小得到各個(gè)自變量對(duì)神經(jīng)網(wǎng)絡(luò)相對(duì)重要程度的位次表，從而判斷出輸入網(wǎng)絡(luò)特征對(duì)于網(wǎng)絡(luò)結(jié)果的影響程度大小，即可實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)諧波源辨識(shí)。MIV算法流程圖如圖3所示。

圖3 MIV算法流程圖

3 諧波源辨識(shí)的實(shí)際案例分析

根據(jù)母線段各個(gè)非線性用電設(shè)備的諧波特征參量來(lái)確定諧波源以及諧波源的性質(zhì)對(duì)于提高電力系統(tǒng)電能質(zhì)量，明確相關(guān)諧波責(zé)任，從而能夠有針對(duì)性地提出相關(guān)治理措施有著重要的現(xiàn)實(shí)意義。由于焦化5#400 V母線上的非線性電力設(shè)備主要為變頻器，所以主要對(duì)5、7、11、13次諧波電流數(shù)據(jù)進(jìn)行了檢測(cè)和記錄。實(shí)測(cè)數(shù)據(jù)來(lái)自上海石化焦化5#400 V母線，使用FLUKE 435電能質(zhì)量分析儀分別對(duì)400 V母線進(jìn)線側(cè)、變頻器BP1、變頻器BP7、變頻器BP8、變頻器BP13進(jìn)行了數(shù)據(jù)記錄。

圖4 BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)圖

由于常規(guī)測(cè)量的諧波電流為實(shí)際諧波電流大小，而諧波電流與諧波源的容量有關(guān)，因此本文提出以各個(gè)變頻器監(jiān)測(cè)點(diǎn)的5、7、11、13次諧波電流以及諧波電流總畸變率為神經(jīng)網(wǎng)絡(luò)輸入特征參量;以400 V母線監(jiān)測(cè)點(diǎn)的5、7、11、13次諧波電流以及諧波電流總畸變率為神經(jīng)網(wǎng)絡(luò)輸出特征參量[6]。神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)如圖4所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)運(yùn)行過(guò)程

本文分別選用5#400 V母線上的各臺(tái)變頻器的諧波源參量作為神經(jīng)網(wǎng)絡(luò)識(shí)別的學(xué)習(xí)樣本，對(duì)諧波的神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)進(jìn)行權(quán)值矩陣進(jìn)行調(diào)整。

各監(jiān)測(cè)點(diǎn)的瞬時(shí)檢測(cè)數(shù)據(jù)如表1所示。

將上述數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，對(duì)上海石化焦化5#400 V母線上測(cè)得的實(shí)際數(shù)據(jù)進(jìn)行基于MIV的諧波源辨識(shí)，諧波源辨識(shí)采用的是4輸入1輸出的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練數(shù)據(jù)300組，最大訓(xùn)練步數(shù)為5000，BP神經(jīng)網(wǎng)絡(luò)運(yùn)行過(guò)程如圖5所示，諧波源辨識(shí)結(jié)果如表2所示。

表1 各監(jiān)測(cè)點(diǎn)瞬時(shí)檢測(cè)數(shù)據(jù)

表2 諧波源辨識(shí)結(jié)果

從諧波源辨識(shí)結(jié)果上可以看出，BP1是5#400 V母線上污染最嚴(yán)重的諧波源;而從各次諧波的污染程度上來(lái)看5次諧波電流主要由BP1和BP13注入，7次諧波電流、11次諧波電流以及13次諧波電流主要由BP1注入。由此可以判定，BP1為該段母線上最主要的諧波污染源，建議對(duì)BP1采用有源濾波器進(jìn)行重點(diǎn)治理或是對(duì)該段母線上的5、7、11、13次諧波采用無(wú)源濾波器組進(jìn)行集中治理。

4 結(jié)束語(yǔ)

本文提出了一種基于平均影響值(MIV，Mean Impact Value)的神經(jīng)網(wǎng)絡(luò)諧波源識(shí)別方法，利用平均影響值來(lái)得到在電力系統(tǒng)中對(duì)電能質(zhì)量影響較大的諧波源，能夠較為準(zhǔn)確地辨識(shí)出電力系統(tǒng)中的主要諧波源，為電力系統(tǒng)諧波污染治理找到了一條新思路，具有較高的實(shí)際意義。

[1]林海雪，孫樹琴.電力網(wǎng)中的諧波[M].北京:中國(guó)電力出版社，1998.

[2]韓立群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社，2002.

[3]余立雪.神經(jīng)網(wǎng)絡(luò)與實(shí)例學(xué)習(xí)[M].北京:中國(guó)鐵道出版社，1996.

[4]周志華，曹存根.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京:清華大學(xué)出版社，2004.

[5]Dombi G W，Nandi P，Saxe J M，et al.Prediction of rib fracture injury outcome by an artificial neural network[J].The Journal of Trauma，1995，39(5):915－921.

[6]Hartana，Richards.Harmonic source monitoring and identification using neural networks[J].IEEE Transactions on Power Systems，1990，5(4):1098－1104.