基于改進孿生神經(jīng)網(wǎng)絡的低頻低壓減載裝置在線解耦控制方法

摘"要：低頻低壓減載裝置的過度應用導致裝置系統(tǒng)出現(xiàn)負荷大的問題，降低了低頻低壓減載裝置的實用性。為此，提出了基于改進孿生神經(jīng)網(wǎng)絡的低頻低壓減載裝置在線解耦控制方法。該方法通過分析低頻低壓減載裝置頻率特性，為低頻低壓減載裝置在線解耦控制提供了重要信息基礎；在此基礎上構建低頻低壓減載裝置混合模型，從該模型中生成可訓練的數(shù)據(jù)集，并依據(jù)潮流雅可比矩陣的減載特征最小值靈敏度，確定低頻低壓減載裝置系統(tǒng)減載量；為提升系統(tǒng)的控制精度，將獲取結果輸入至改進孿生神經(jīng)網(wǎng)絡中，訓練出最佳減載量，并將其分配到裝置系統(tǒng)減載節(jié)點中，達到切除負荷的目的，實現(xiàn)低頻低壓減載裝置在線解耦控制。通過對該方法開展減載效率對比測試、控制性能對比測試，實驗結果驗證了該方法具有較強的實用性。

關鍵詞：改進孿生神經(jīng)網(wǎng)絡；低頻低壓減載裝置；在線解耦控制；潮流雅可比矩陣

中圖分類號：TM76""""""文獻標識碼：A

On"Line"Decoupling"Control"Method"of"Low"

Frequency"and"Low"Voltage"Load"Shedding"Device"Based"

on"Improved"Siamese"Neural"Network

YU"Liqiang1，LIU"Jiayan1，LI"Lu1，HUO"Xiaoyan1，LI"Shijie2

（1.State"Grid"Jibei"Chengde"Electic"Co.，"Ltd.，"Chengde，Hebei"067000，China;

2.Beijing"Kedong"Electric"Power"Control"System"Co.，"Ltd.，Beijing"100192，China）

Abstract：The"excessive"application"of"low"frequency"and"low"voltage"load"shedding"devices"leads"to"the"problem"of"large"load"in"the"device"system，"which"reduces"the"practicability"of"low"frequency"and"low"voltage"load"shedding"devices."In"order"to"solve"this"problem，"an"online"decoupling"control"method"of"low"frequency"and"low"voltage"load"shedding"devices"based"on"improved"twin"neural"network"is"proposed."By"analyzing"the"frequency"characteristics"of"low"frequency"and"low"voltage"load"shedding"devices，"this"method"provides"important"information"for"online"decoupling"control"of"low"frequency"and"low"voltage"load"shedding"devices;"On"this"basis，"a"hybrid"model"of"low"frequency"and"low"voltage"load"shedding"device"is"constructed，"from"which"a"trainable"data"set"is"generated，"and"the"load"shedding"amount"of"low"frequency"and"low"voltage"load"shedding"device"system"is"determined"according"to"the"minimum"sensitivity"of"load"shedding"characteristics"of"power"flow"Jacobian"matrix;"In"order"to"improve"the"control"accuracy"of"the"system，"the"obtained"results"are"input"to"the"improved"twin"neural"network，"the"optimal"load"shedding"amount"is"trained，"and"distributed"to"the"load"shedding"node"of"the"device"system，"so"as"to"achieve"the"purpose"of"cutting"off"the"load，"and"realize"the"online"decoupling"control"of"lowfrequency"and"lowvoltage"load"shedding"devices."The"experimental"results"show"that"the"method"has"strong"practicability"through"the"comparative"test"of"load"shedding"efficiency"and"control"performance.

Key"words：improved"Siamese"neural"network;"low"frequency"and"low"voltage"load"shedding"device;"on"line"decoupling"control;"power"flow"Jacobian"matrix

由于當前所需電力供應日益提升，因而在多需求引領下現(xiàn)代電力系統(tǒng)大部分采用大機組容量、超高壓線路，且電力網(wǎng)絡的輸送范圍較大，具有較強的供電可靠性及經(jīng)濟性。在高電量供應下，我國城市對電力系統(tǒng)的依賴性增強，電力系統(tǒng)在多重壓力下出現(xiàn)頻率及電壓均崩潰的問題，在給國家?guī)硗{的同時還影響著人類的生命安全。為保證電力系統(tǒng)的供電質(zhì)量及安全穩(wěn)定性，我國開始采用低頻低壓減載設備[1-2]，以預防出現(xiàn)電壓崩潰事故。近幾年來，隨著我國電力技術的發(fā)展，低頻低壓減載裝置應用廣泛，但過度使用也會出現(xiàn)設備負荷大的問題，為提升低頻低壓減載裝置的實用性，需要對該裝置實施在線解耦控制研究。

林莉等人提出基于節(jié)點電動機最大自起動量的配電網(wǎng)低壓減載方法[3]，該方法優(yōu)先獲取低頻低壓減載裝置出現(xiàn)電壓崩潰的主要原因，制定減載計算方法和策略，獲取減載裝置在不同轉速下的減載量，通過對獲取結果的判定依據(jù)，進一步建立減載策略，在減載裝置中進行有效的切負荷處理，保證設備可以平穩(wěn)運行，實現(xiàn)了低頻低壓減載裝置控制。該方法的獲取結果不完善，存在控制效率低的問題。

王懷遠等人提出基于估測慣量計算的低頻減載方法[4]，該方法對低頻低壓減載裝置內(nèi)部功率缺額實施有效分析，針對這一不足提出量化算法，以此獲取擾動后的低頻低壓減載裝置負荷相應信息，通過計算系統(tǒng)功率缺額，設計出最佳切負荷方案，從而實現(xiàn)低頻低壓減載裝置控制。該方法獲取的信息結果有誤差，存在低頻低壓減載裝置恢復效果不佳的問題。

李世春等人提出大規(guī)模雙饋風電機組參與調(diào)頻的電網(wǎng)自適應低頻減載策略方法[5]，該方法根據(jù)減載裝置的有效研究，計算出首輪在低頻減載時的實際功率缺額，依據(jù)系統(tǒng)頻率、負載的定量表征，將其用作實際功率缺額的抵消，以此制定出合理的減載策略切除負荷，實現(xiàn)低壓減載裝置的控制。該方法的計算結果有缺陷，存在電壓恢復效果差的問題。

為此，提出了基于改進孿生神經(jīng)網(wǎng)絡的低頻低壓減載裝置在線解耦控制方法。

1"低頻低壓減載裝置特性分析

1.1"低頻低壓減載裝置頻率靜態(tài)特性分析

低頻低壓減載裝置發(fā)生頻率變化后，用戶會隨著頻率的變化而消耗一定功率。由于低壓低頻減載裝置負荷對頻率變化產(chǎn)生影響，所以根據(jù)低頻低壓減載裝置的負荷功率及頻率關系分析低頻低壓減載裝置的負荷靜態(tài)頻率特性。

低頻低壓減載裝置頻率降低后，耗失的功率會對裝置系統(tǒng)的靜態(tài)負荷頻率產(chǎn)生影響，所以可通過下式分析負荷靜態(tài)頻率特性[6-7]：

Pfhf=K0Pfhe+K1Pfhe（f/fe）+…+

KnPfhe（f/fe）n（1）

式中，Pfhf表示消耗后的負荷功率；Pfhe表示負荷功率；K0，K1，…，Kn均定義為比例系數(shù)；f標定頻率；fe標定額定頻率；n標定系數(shù)。

低頻低壓減載裝置頻率與額定值之間的偏離度較小時，可利用直線對不同頻率下的裝置負荷功率變化近似表示，即：

Pfhf=Pfhe+YPfhe（f－fe/fe）"（2）

式中，Y標定負荷調(diào)節(jié)效應系數(shù)；fhe標定額定值。

根據(jù)方程（2）可知，當Y表示頻率變化1%時，說明用戶消耗的功率對Y發(fā)生改變，且Y的取值均通過不同類型的負荷比重決定，所以不同的低頻低壓減載裝置Y的取值不同?？蛇M一步利用百分值表示負荷功率：

ΔPfhf（%）=2YΔf（3）

式中，Δf標定數(shù)值表示下的頻率。

低頻低壓減載裝置頻率穩(wěn)定性與負荷調(diào)節(jié)效應密切相關，低頻低壓減載裝置未發(fā)生事故前，設置裝置總負荷由Pfh1定義，總發(fā)電功率由Pg1定義，當兩者與fe平衡后，可滿足Pg1=Pfh1；若裝置出現(xiàn)功率缺額事故，裝置的有效功率下降至Pg2，裝置也會因此發(fā)生有功缺額，定義：ΔP=Pg2-Pg1。式中，ΔP標定有功缺額。

1.2"低頻低壓減載裝置頻率動態(tài)特性分析

當?shù)皖l低壓減載裝置出現(xiàn)功率缺額時，裝置系統(tǒng)頻率下降就是整個裝置的低頻動態(tài)頻率特性。

分析低頻低壓減載裝置頻率動態(tài)特性時，可將裝置看成可轉換的整體，由于裝置系統(tǒng)內(nèi)含有任一機械轉動點j，那么該裝置的機械角速度動態(tài)特性就由下式表述：

Jjωjt=Tgj－Tfhj"（4）

式中，Jj記作轉動慣量；ωj記作角速度；驅(qū)動機械的轉矩記作Tgj；制動機械轉矩記作Tfhj；t為時間。

假設在低頻低壓減載裝置中包含n個機械轉動點：

∑nj=JJj+ω2ejωjt=Pgj－Pfhj"（5）

式中，Pgj記作機械功率；Pfhj記作電氣功率；ω2ej記作額定角速度。

視低頻低壓減載裝置為機械能、電能轉換整體后，利用下式獲取機械角速度動態(tài)方程表達式：

Jxω2eωjt=Pg－Pfh（6）

式中，Jxω2e標定機械轉動慣量。

當?shù)皖l低壓減載裝置的慣性時間為Tx時，將其與系統(tǒng)的轉矩差相加，使驅(qū)動力矩為額定值，裝置從靜止狀態(tài)加速到角速度后所耗時間就由下式計算獲取：

Tx=ωeα=Jx+ω2ePge（7）

式中，α標定轉角加速度；Pge標定總發(fā)電功率。

裝置系統(tǒng)負荷處于額定狀態(tài)下，系統(tǒng)右端功率基值就是裝置系統(tǒng)的總功率。當系統(tǒng)出現(xiàn)事故后，裝置系統(tǒng)會自動減少負荷，而發(fā)電機組在系統(tǒng)內(nèi)會自動調(diào)到最大值，這時發(fā)電機組的進汽量、進水量都屬于定值，即ΔPg*=0。表達式中，ΔPg*為Pge的基值。

將該表達式代入到方程（2）后求解，得出：

Δf=ΔfSymboleB@

e1Tf"（8）

式中，ΔfSymboleB@

記作差值；Tf記作時間常數(shù)。

Tf表示為：Tf=（Pge/Pfhe）（Tx/Y）。

從方程（8）可知，低頻低壓減載裝置的頻率動態(tài)特性是一條指數(shù)曲線，且裝置的機械慣性就是時間常數(shù)的1/Y，代表全裝置的平均頻率變化。

2"低頻低壓減載裝置在線解耦控制

2.1"基于潮流雅可比矩陣的低頻低壓減載量獲取

根據(jù)分析的低頻低壓減載裝置頻率特性，構建低頻低壓減載裝置混合模型，以此生成用于訓練網(wǎng)絡的數(shù)據(jù)集，再基于潮流雅可比矩陣的減載特征最小值靈敏度，確定減載數(shù)據(jù)。

構建目標函數(shù)，表示如下：

A=min"aA1，A2A1=min"∑iPLi－ai（xmin"）－ai（xmax"）A2=min"（1－Vi），a（A1，A2）=κA1+A2（9）

該目標函數(shù)由A1、A2兩組目標函數(shù)構成，其中，a（A1，A2）定義為待優(yōu)化的目標函數(shù)；κ定義為權重因子；PLi定義為有功功率；Vi定義為電壓值；i定義為節(jié)點；ai（xmin"）定義為最小限值；ai（xmax"）定義為最大限值。上述構建的目標函數(shù)即為建立的混合模型，同時為避免減載裝置出現(xiàn)電壓崩潰現(xiàn)象，所以需要對裝置電壓總幅度變化最小化，確保在一定程度下實現(xiàn)最小化減載。

采用等式和不等式約束優(yōu)化目標函數(shù)。

利用功率約束低頻低壓減載裝置在當前運行下的功率，進一步計算減載裝置負載條件及減載后的功率[8]，其計算結果由潮流方程定義：

Pi=Vi+Vj（Hijcos"θij+Oijsin"θij）Qi=Vi+Vj（Hijsin"θij+Oijcos"θij）"（10）

式中，Pi為有功功率；Qi為無功功率；Hij為矩陣元素的實部；Oij為矩陣元素的虛部；（i，j）為元素；θij為負載。

考慮低頻低壓減載裝置在不等式約束條件下的功率，建立不等式約束條件：

ΔPHn－min"≤ΔPHn≤ΔPHn－max"ΔQHn－min"≤ΔQHn≤ΔQHn－max""（11）

式中，ΔPHn定義為第n個裝置有功功率變化量；ΔQHn定義為無功功率變化量。

進一步選取減載裝置全部節(jié)點電壓幅值，將其作為不等式約束：Vi_min"≤Vi≤Vi_max"。

利用潮流雅可比矩陣的最小特征值表述裝置系統(tǒng)在減載條件下的不等式約束，定義：

λinitial_min"（i）≥λthreshold_min"（i）

λshed_min"（i）≥λthreshold_min"（i）（12）

式中，λinitial_min"（i）為初始最小特征值；λthreshold_min"（i）為閾值；λshed_min"（i）為減載點的最小特征。

減載裝置的最小減載量取決于功率特征靈敏度，基于潮流雅可比矩陣特征值，獲取裝置系統(tǒng)的合適減載節(jié)點。因而通過下式計算特征值的斜率值及負荷功率變化：

Δλmin"=xiΔPi+ciΔQi（13）

式中，Δλmin"記作特征值靈敏度；xi記作斜率值變化，與有功功率有關；ci記作斜率特性變化，與無功功率有關。

根據(jù)方程（13）可獲取低頻低壓減載裝置的特征值變化，有利于確定低頻低壓減載裝置的發(fā)電量變化，以此確定減載量。

2.2"在線解耦控制

將計算的低頻低壓減載裝置減載量輸入到改進孿生神經(jīng)網(wǎng)絡中實施分類訓練，以此分類出最佳類標簽，即最佳減載量，并將其分配到合適的減載節(jié)點中，有效實現(xiàn)低頻低壓減載裝置的負荷減載，完成低頻低壓減載裝置在線解耦控制。

構建改進孿生神經(jīng)網(wǎng)絡結構[9-10]，如圖1所示。

改進孿生神經(jīng)網(wǎng)絡主要由三層結構組成，設置低頻低壓減載裝置減載量為輸入向量，記作s，利用卷積層轉化s，記作ψ（s），所以s經(jīng)池化處理后到輸出層，經(jīng)輸出層的分配器訓練數(shù)據(jù)。

孿生神經(jīng)網(wǎng)絡由兩個神經(jīng)網(wǎng)絡組成，為此孿生神經(jīng)網(wǎng)絡的誤差函數(shù)由E+1、E－1表示，如下所示：

E+1=（yi－oi）2+（wTφ+1（si）+b+1）2（14）

E－1=（yi－oi）2+（wTφ－1（si）+b－1）2（15）

式中，yi∈－1，+1表示樣本類標簽，當yi=－1時，說明與B類樣本相對應；當yi=+1時，說明與A類樣本相對應；oi表示輸出值，且oi=f（neti），f（neti）記作激活函數(shù)；wTφ+1（si）+b+1記作分類器超平面；E+1為第一個誤差函數(shù)輸出值；φ+1（si）為倒數(shù)第二層輸出向量；E－1為第二個誤差函數(shù)輸出值；b表示偏差。

方程（14）、方程（15）的組合是孿生機制的基本思想，為此利用誤差計算出權重、偏差的偏導數(shù)，定義如下：

E+1/w+1=αw+1（yi－oi）2+

（wTφ+1（si）+b+1）2（16）

式中，α標定常數(shù)；w+1標定權重。

根據(jù)計算結果，將低頻低壓減載裝置減載量輸入到改進孿生神經(jīng)網(wǎng)絡中實施訓練，其控制流程如下所示[11-12]：

（1）將減載量作為訓練樣本的s類標簽；

（2）輸入到神經(jīng)網(wǎng)絡后通過隱含層將s類標簽映射到空間φ（·）中；

（3）映射完成后輸入到輸出層，并利用下式判斷出s的類標簽y，表示如下：

y=+1，wT+1φ（s）+b+1‖w+1‖≤wT－1φ（s）+b－1‖w－1‖－1，其他"（17）

（4）根據(jù)計算結果輸出判斷的最佳減載量。

依據(jù)訓練結果，分類出低頻低壓減載裝置的最佳減載量，將其分配到低頻低壓減載裝置的合適減載節(jié)點中，在保證電壓穩(wěn)定的情況下切除負荷，實現(xiàn)低頻低壓減載裝置在線解耦控制。

3"實驗與分析

為了驗證基于改進孿生神經(jīng)網(wǎng)絡的低頻低壓減載裝置在線解耦控制方法的整體有效性，需要對該方法開展實驗對比測試。

采用基于改進孿生神經(jīng)網(wǎng)絡的低頻低壓減載裝置在線解耦控制方法（方法1）、基于節(jié)點電動機最大自起動量的配電網(wǎng)低壓減載方法（方法2）和基于估測慣量計算的低頻減載方法（方法3）實施測試。

本次實驗選取低頻低壓減載裝置中的EPRI36節(jié)電系統(tǒng)作為研究對象，如圖2所示。

在該系統(tǒng)內(nèi)選取多個負荷節(jié)點用作切負荷節(jié)點，同時節(jié)點1屬于系統(tǒng)平衡節(jié)點。制定等比例減載方案，分別對低頻低壓減載裝置實施減載，該方案制定結果如下。

方案1：負荷節(jié)點22，分配減載量0.78"pu，減載百分比20%；

方案2：負荷節(jié)點20，分配減載量0.95"pu，減載百分比20%；

方案3：負荷節(jié)點19，分配減載量0.52"pu，減載百分比20%；

方案4：負荷節(jié)點17，分配減載量1.15"pu，減載百分比20%。

（1）根據(jù)制定的減載方案，分別采用方法1、方法2、方法3對低頻低壓減載裝置實施在線解耦控制，依據(jù)三種方法切負荷消耗的時間，判定三種方法的控制效率，測試結果如表1所示。

分析表1中的數(shù)據(jù)發(fā)現(xiàn)，根據(jù)設定的四種方案，方法1所消耗的低頻低壓減載裝置減載時間要少于方法2和方法3，而方法2和方法3在切負荷時所用時間較長，可證明這兩種方法的減載效率較低。

（2）設定低頻低壓減載裝置內(nèi)出現(xiàn)大擾動，系統(tǒng)發(fā)生擾動后會出現(xiàn)電壓紊亂的問題，為此采用方法1、方法2和方法3對擾動下的低頻低壓減載裝置實施在線解耦控制恢復測試，其控制結果如圖3所示。

根據(jù)圖3中的數(shù)據(jù)，發(fā)現(xiàn)系統(tǒng)擾動后電壓會出現(xiàn)大幅度下降現(xiàn)象，采用方法1實施減載控制后，可以經(jīng)過短暫的振蕩后重新回歸到正常的電壓狀態(tài)，保持電壓穩(wěn)定性。而方法2和方法3需要較長時間才可以恢復到正常狀態(tài)，說明方法2和方法3的控制性能要低于方法1。

（3）選取一個三機10節(jié)點的低頻低壓減載裝置系統(tǒng)，從該系統(tǒng)中分別出現(xiàn)三相短路，且短路時間維持在0.3s，導致系統(tǒng)節(jié)點出現(xiàn)功角失穩(wěn)的現(xiàn)象，同時低頻低壓減載裝置也出現(xiàn)電壓、頻率不穩(wěn)定的問題，詳情如圖4所示。

從圖4可見，在三相短路下低頻低壓減載裝置系統(tǒng)存在頻率、最大功角差、電壓波動起伏不平穩(wěn)的問題，針對這一問題，采用本文所提方法對低頻低壓減載裝置開展協(xié)調(diào)控制，根據(jù)控制后的低頻低壓減載裝置系統(tǒng)狀態(tài)，判定本文所提方法的整體控制效果，其測試結果如圖5所示。

分析圖5發(fā)現(xiàn)，采用本文所提方法對三相短路下的系統(tǒng)實施協(xié)調(diào)控制后，系統(tǒng)內(nèi)的電壓、頻率、最大功角差可以在最短時間內(nèi)恢復平穩(wěn)，可見所提方法的整體控制效果極佳。這是因為本文所提方法優(yōu)先分析了低頻低壓減載裝置的動靜態(tài)頻率特性，以此為低頻低壓減載裝置在線解耦控制提供了重要信息，大大地提升了低頻低壓減載裝置在線解耦控制性能。

4"結"論

低頻低壓減載裝置的不適當使用會加大該裝置的壓力，影響使用效果，為此，提出了基于改進孿生神經(jīng)網(wǎng)絡的低頻低壓減載裝置在線解耦控制方法。該方法首先分析了低頻低壓減載裝置特性，以此為基礎利用建立的混合模型生成出可訓練的數(shù)據(jù)集，從中確定減載節(jié)點數(shù)據(jù)。進一步將獲取結果輸入到改進孿生神經(jīng)網(wǎng)絡中分類訓練，其輸出結果就是最佳類標簽，再將其分配到合適的減載節(jié)點內(nèi)，即可實現(xiàn)低頻低壓減載裝置在線解耦控制。由于該方法在減載量獲取方面還不夠完善，日后會加強對這一缺陷的研究。

參考文獻

［１］"劉克天，張鈞，李軍，等.基于頻率偏移面積的功率缺額計算及低頻減載整定[J].電工技術學報，2021，36（5）：1040-1051.

[2]"劉慶楷，劉明波，陸文甜.預防暫態(tài)低頻減載的儲能容量配置多目標動態(tài)優(yōu)化方法[J].電力建設，2021，42（3）：81-88.

[3]"林莉，羅皓，楊仕燕，等.基于節(jié)點電動機最大自起動量的配電網(wǎng)低壓減載[J].電力系統(tǒng)保護與控制，2020，48（9）：77-87.

[4]"王懷遠，何培燦，江岳文，等.基于估測慣量計算的低頻減載方法[J].電力自動化設備，2019，39（7）：51-56+63.

[5]"李世春，呂翔生，鐘浩，等.大規(guī)模雙饋風電機組參與調(diào)頻的電網(wǎng)自適應低頻減載策略[J].電力系統(tǒng)自動化，2019，43（15）：109-115.

[6]"孫濤，仇寶云，黃先北，等.雙向鋼閘門反向擋水啟門力CFD分析與減載對策[J].排灌機械工程學報，2021，39（9）：904-909.

[7]"趙允剛，王鑫濤，趙晉，等.減載式聲屏障對高速列車氣動阻力影響分析[J].北京交通大學學報，2020，44（1）：77-83.

[8]"洪哲揚，薛凌云，錢依凡.基于光電熱理論和BP神經(jīng)網(wǎng)絡的LED陣列光功率計算方法[J].激光與光電子學進展，2022，59（5）：282-289.

[9]"徐先峰，張麗，郎彬，等.引入感知模型的改進孿生卷積神經(jīng)網(wǎng)絡實現(xiàn)人臉識別算法研究[J].電子學報，2020，48（4）：643-647.

[10]張宏偉，李曉霞，朱斌，等.基于孿生神經(jīng)網(wǎng)絡的兩階段目標跟蹤方法[J].紅外與激光工程，2021，50（9）：341-352.

[11]梁海濤，黨凱，王弋飛，等.綜合低電壓治理裝置及其解耦控制研究[J].電力電容器與無功補償，2020，41（3）：156-162.

[12]趙希梅，吳岑.基于滑模自抗擾的PMLSM電流偏差解耦控制[J].光學精密工程，2022，30（4）：431-441.