結(jié)合負(fù)荷預(yù)測(cè)的三相不平衡智能調(diào)節(jié)技術(shù)

蔣一萌，王哲旭，畢重盈，陳 成，嚴(yán)藝偉，姚潤(rùn)馳，李燕梅

（1.三峽大學(xué) 電氣與新能源學(xué)院，湖北宜昌 443000；2.國(guó)網(wǎng)四川省電力公司鄰水縣供電分公司，四川廣安 638000；3.國(guó)網(wǎng)湖北省電力公司長(zhǎng)陽(yáng)縣供電公司，湖北宜昌 443000；4.國(guó)網(wǎng)四川鄰水縣供電有限責(zé)任公司，四川廣安 638000）

引言

在低壓配電網(wǎng)中，三相負(fù)荷不平衡現(xiàn)象是一個(gè)長(zhǎng)期存在的難題，它會(huì)導(dǎo)致線路損耗增加，低壓配電網(wǎng)末端的“低壓電壓”等類(lèi)似問(wèn)題[1-4]。治理三相不平衡已成為提高配電網(wǎng)電能質(zhì)量、降低網(wǎng)損的必要措施。三相換相開(kāi)關(guān)型負(fù)荷智能調(diào)節(jié)裝置由于其成本低、靈活性高等特點(diǎn)在電網(wǎng)中廣泛應(yīng)用，近年來(lái)得到了國(guó)內(nèi)外專(zhuān)家學(xué)者的諸多關(guān)注[5,6]，這些文獻(xiàn)通過(guò)換相策略?xún)?yōu)化算法的改進(jìn)來(lái)促進(jìn)三相不平衡治理，算法較復(fù)雜，沒(méi)有重點(diǎn)關(guān)注負(fù)荷變動(dòng)的影響及其預(yù)測(cè)。而現(xiàn)實(shí)情況中，負(fù)荷需求面對(duì)用戶(hù)是動(dòng)態(tài)的，治理三相不平衡智能裝置應(yīng)根據(jù)動(dòng)態(tài)變化進(jìn)行調(diào)節(jié)，才可以保證實(shí)際應(yīng)用時(shí)處理程度達(dá)到精準(zhǔn)。

針對(duì)這些情況，本文把負(fù)荷預(yù)測(cè)與換相開(kāi)關(guān)型智能調(diào)節(jié)裝置相結(jié)合，引入了非線性自回歸神經(jīng)網(wǎng)絡(luò)(NARX)，并驗(yàn)證加入NARX神經(jīng)預(yù)測(cè)后的智能調(diào)節(jié)裝置。

1 換相開(kāi)關(guān)型三相智能調(diào)節(jié)裝置

圖1為換相開(kāi)關(guān)型智能調(diào)節(jié)裝置，通常換相開(kāi)關(guān)型負(fù)荷不平衡智能調(diào)節(jié)裝置分為主控模塊和換相開(kāi)關(guān)箱。裝置是由一個(gè)主控模塊來(lái)控制多個(gè)換相開(kāi)關(guān)箱，其中主控模塊[7,8]用來(lái)采集配電變壓器各相線的電壓、電流，采集換相執(zhí)行終端的各負(fù)載電流信息及其所在相序等數(shù)據(jù)信息，計(jì)算后得到最佳換相方案，進(jìn)行換相操作。

圖1 換相開(kāi)關(guān)型智能調(diào)節(jié)裝置

換相執(zhí)行終端是裝置系統(tǒng)的執(zhí)行機(jī)構(gòu)，主要負(fù)責(zé)采集所在負(fù)荷處的電流數(shù)據(jù)和當(dāng)前所在相序。大量的換相開(kāi)關(guān)接入可以使諸多的單相負(fù)荷平衡地接入三相電網(wǎng)中，從而抑制三相電網(wǎng)的三相不平衡。

2 帶神經(jīng)網(wǎng)絡(luò)的智能調(diào)節(jié)裝置

換相開(kāi)關(guān)對(duì)負(fù)荷進(jìn)行采樣到換相操作完成需要一定的時(shí)間。為了增強(qiáng)穩(wěn)定性，減少開(kāi)關(guān)動(dòng)作次數(shù)，裝置通常會(huì)設(shè)置控制周期，等換相周期過(guò)后再進(jìn)行換相操作。在此期間，負(fù)荷變化會(huì)導(dǎo)致?lián)Q相開(kāi)關(guān)動(dòng)作后三相不平衡度超過(guò)預(yù)期或誤動(dòng)作，主要表現(xiàn)為投切序列相錯(cuò)誤和換相開(kāi)關(guān)過(guò)度投切或少投切。

為了抑制延時(shí)對(duì)三相不平衡自動(dòng)調(diào)節(jié)裝置的影響，引入負(fù)荷預(yù)測(cè)，預(yù)測(cè)周期為換相開(kāi)關(guān)的時(shí)滯，帶神經(jīng)網(wǎng)絡(luò)計(jì)算的換相開(kāi)關(guān)型智能調(diào)節(jié)裝置運(yùn)行流程如圖2所示。

圖2 帶神經(jīng)網(wǎng)絡(luò)的換相開(kāi)關(guān)型智能控制流程

為了降低主控模塊的計(jì)算壓力，在換相開(kāi)關(guān)控制器中加入自適應(yīng)神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)，同時(shí)換相開(kāi)關(guān)會(huì)將獲取到的負(fù)荷數(shù)據(jù)通過(guò)電力線載波（PLC）通信的方法傳遞給主控模塊[9]。當(dāng)接收到當(dāng)前負(fù)荷與預(yù)測(cè)負(fù)荷信息時(shí)，主控模塊會(huì)快速進(jìn)行換相策略[10-13]分析，采用適當(dāng)?shù)乃惴ㄟM(jìn)行優(yōu)化，得出最優(yōu)解，并經(jīng)由PLC通信的方式傳遞給每個(gè)換相開(kāi)關(guān)，使換相終端開(kāi)始換相。

3 NARX神經(jīng)網(wǎng)絡(luò)控制

在換相開(kāi)關(guān)智能調(diào)節(jié)裝置中，需要滿足負(fù)荷預(yù)測(cè)的要求，首先要與換相開(kāi)關(guān)的時(shí)滯[14,15]相對(duì)應(yīng)，時(shí)間一般為幾分鐘至幾小時(shí)，比常用的負(fù)荷預(yù)測(cè)方法快。其次主控模塊和換相開(kāi)關(guān)的控制器一般為微處理器，因此在算法上需要簡(jiǎn)潔。綜上，本研究選用自適應(yīng)神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法。

在進(jìn)行負(fù)荷預(yù)測(cè)之前，先要對(duì)收集的數(shù)據(jù)預(yù)處理，數(shù)字濾波可以選用加權(quán)平均值濾波法、程序判斷濾波、低通濾波法中的一種或幾種復(fù)合使用。數(shù)據(jù)異常指連續(xù)采集的數(shù)據(jù)的變化率出現(xiàn)較大畸變，畸變率θ(d,t)計(jì)算公式如下：

其中，A(t)為均值，E(t)為方差。

定義畸變率θ(d,t)的最大上限為ρ，ρ根據(jù)具體情況可取0.6或0.8等值。若θ(d,t)＞ρ，則該數(shù)據(jù)為畸變數(shù)據(jù)，反之，為正常數(shù)據(jù)。異常數(shù)據(jù)的處理辦法亦可采用加權(quán)平均法來(lái)處理。

自適應(yīng)神經(jīng)網(wǎng)絡(luò)采用NARX，在拓?fù)溥B接關(guān)系上，其可等效為有輸入時(shí)延的BP神經(jīng)網(wǎng)絡(luò)加上輸出到輸入的時(shí)延反饋[16]。由于其包含了多步輸入輸出時(shí)延，可以反映出系統(tǒng)的歷史狀態(tài)信息，因此該網(wǎng)絡(luò)具有記憶功能，可以更好地描述時(shí)變系統(tǒng)的特性。

NARX神經(jīng)網(wǎng)絡(luò)的模型可以定義為：

式中，訓(xùn)練目標(biāo)輸出向量y(t)；非線性過(guò)程函數(shù)f(·)；輸入向量u(t)；時(shí)延后的y(t)和u(t)分別為y(t-1),y(t-2),…,y(t-ny)和u(t-1),u(t-2),…,u(t-nu)。

在換相開(kāi)關(guān)自動(dòng)調(diào)節(jié)裝置中，輸入信號(hào)u(t)為負(fù)荷電流，輸出信號(hào)y(t)選為預(yù)測(cè)的電流，即根據(jù)原有的電流數(shù)據(jù)來(lái)預(yù)測(cè)下一時(shí)間段的電流。

4 試驗(yàn)與仿真

選取某工業(yè)區(qū)30天負(fù)荷數(shù)據(jù)，時(shí)間間隔為10 min。利用現(xiàn)有試驗(yàn)條件，搭建NARX負(fù)荷預(yù)測(cè)模型。訓(xùn)練函數(shù)為L(zhǎng)MS算法，隱含層-輸出層函數(shù)為logsig，輸入層-隱含層函數(shù)為tansig。NARX神經(jīng)網(wǎng)絡(luò)訓(xùn)練后預(yù)測(cè)數(shù)據(jù)和期望數(shù)據(jù)對(duì)比如圖3所示。

圖3 預(yù)測(cè)曲線與期望曲線

圖3中橫坐標(biāo)為時(shí)間節(jié)點(diǎn)，縱坐標(biāo)為輸出總功率。實(shí)線為訓(xùn)練預(yù)測(cè)輸出（訓(xùn)練后的預(yù)測(cè)值），虛線為期望輸出（期望的實(shí)際值）。日負(fù)荷集中在5:55-23:40這個(gè)時(shí)間段，通過(guò)訓(xùn)練后從兩線對(duì)比圖可以看出趨勢(shì)走向明顯，相差很小。

圖4為誤差曲線，在數(shù)據(jù)訓(xùn)練過(guò)程中，不斷地對(duì)最大訓(xùn)練次數(shù)進(jìn)行調(diào)試，當(dāng)?shù)螖?shù)為2004時(shí)，數(shù)據(jù)預(yù)測(cè)與實(shí)際相比差距變小，誤差曲線在允許范圍內(nèi)。

圖4 誤差曲線

結(jié)合圖3、圖4來(lái)看，走勢(shì)基本一致并且兩組數(shù)據(jù)間誤差很小，基本維持在5%左右，由于初始模型一般預(yù)設(shè)誤差為15%以?xún)?nèi)，整個(gè)預(yù)測(cè)模型的建立達(dá)到了較高的準(zhǔn)確性。

為了驗(yàn)證算法對(duì)換相開(kāi)關(guān)智能平衡系統(tǒng)的作用，對(duì)電網(wǎng)三相電流不平衡度進(jìn)行比較，其中采用的三相電流不平衡度的定義如下：

式中，三相電流不平衡度σi為各相電流不平衡度最大值。

圖5為換相開(kāi)關(guān)智能調(diào)節(jié)裝置在有NARX負(fù)荷預(yù)測(cè)下和無(wú)負(fù)荷預(yù)測(cè)下的三相不平衡度對(duì)比，其中虛線為無(wú)負(fù)荷預(yù)測(cè)下治理后的三相不平衡度，實(shí)線為結(jié)合NARX負(fù)荷預(yù)測(cè)下治理后的三相不平衡度。

圖5 三相不平衡度對(duì)比

在絕大多數(shù)時(shí)間段中，結(jié)合NARX的治理，使三相不平衡度平均處于0.05以下，而未進(jìn)行負(fù)荷預(yù)測(cè)的智能調(diào)節(jié)下，普遍比結(jié)合NARX治理的三相不平衡度高，大部分介于0.05～0.09之間。圖5中在23:00左右開(kāi)始出現(xiàn)明顯的上升是因?yàn)檫@個(gè)時(shí)間節(jié)點(diǎn)后有部分換相開(kāi)關(guān)負(fù)荷陸續(xù)退出，使自然狀態(tài)下電網(wǎng)三相不平衡度升高。

由此可見(jiàn)，結(jié)合NARX控制能顯著提升換相開(kāi)關(guān)三相智能調(diào)節(jié)裝置的性能，降低了電網(wǎng)三相不平衡度。

5 結(jié)論

在剖析自適應(yīng)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)下提出了結(jié)合NARX負(fù)荷預(yù)測(cè)的換相開(kāi)關(guān)型負(fù)荷智能調(diào)節(jié)裝置技術(shù)。仿真試驗(yàn)表明該技術(shù)在很大程度上提高了三相不平衡負(fù)荷的平衡效果，抑制了電網(wǎng)不平衡現(xiàn)象，提高電能質(zhì)量。