國網(wǎng)上海市電力公司奉賢供電公司 崔 浩

近年來，我國工業(yè)和經(jīng)濟的發(fā)展，致使用電客戶和電力系統(tǒng)中的設(shè)備對電能質(zhì)量的要求也越來越高，特別是電壓的質(zhì)量直接關(guān)系到電力系統(tǒng)的安全可靠運行[1]。為了能夠?qū)崿F(xiàn)對電壓幅值、功率因數(shù)的控制，使用的是自動電壓無功控制技術(shù)（Automatic Voltage Control,AVC），在電力系統(tǒng)中還能夠降低輸電過程中的線路無功功率的損耗[2]。隨著智能電網(wǎng)的發(fā)展，無功的不合理分布會降低電壓質(zhì)量，影響到用電設(shè)備的使用和系統(tǒng)的調(diào)度，無功電壓控制對電能質(zhì)量和系統(tǒng)的安全穩(wěn)定運行越來越重要[3]。

電壓無功控制主要有二層控制模式和三層控制模式，這些主要的控制模式都是利用的九區(qū)域圖方法或是在傳統(tǒng)的九區(qū)圖方法的基礎(chǔ)上進行的改進，控制方法雖然簡單，但是容易出現(xiàn)進行無功控制后短時間回調(diào)的情況，不能從電力系統(tǒng)的負荷變換進行預(yù)判，從而進行頻繁控制，出現(xiàn)調(diào)節(jié)振蕩的問題[4-5]。因此，本文提出一種基于短期負荷預(yù)測的電力系統(tǒng)無功電壓控制策略，彌補傳統(tǒng)的AVC的不足，提高電力系統(tǒng)中的電壓和電能質(zhì)量。

1 基于短期負荷預(yù)測的電壓無功控制策略分析

1.1 基于短期負荷預(yù)測的電壓無功控制策略

根據(jù)電力負荷預(yù)測的時間進行劃分，主要有長期預(yù)測、中期預(yù)測和短期預(yù)測，基于短期負荷預(yù)測的電壓無功控制流程如圖1所示。

圖1 基于短期負荷預(yù)測的電壓無功控制流程

1.2 短期負荷預(yù)測分析與模型建立

傳統(tǒng)時間序列預(yù)測模型需要有大量電力系統(tǒng)的運行數(shù)據(jù)作為預(yù)測的訓(xùn)練基礎(chǔ)，根據(jù)采集得到的數(shù)據(jù)進行時間序列上的分析，根據(jù)時間上的特性對未來相似的時間段建立預(yù)測模型，利用大量的數(shù)據(jù)進行檢驗和訓(xùn)練模型對負荷進行預(yù)測。

基本灰色預(yù)測模型是在對得到的電力數(shù)據(jù)進行處理后，對得到的n個變量x（0）的原始數(shù)據(jù)序列處理可以得到微分方程，即是：

在公式（1）中，a和u是用于預(yù)測的模型中的參數(shù)，將公式（1）進行離散化后可以得到：

在式公（2）中，β（1）是經(jīng)過一次累減運算得到的逆運算。對k和k+1項進行平均值計算，得到：

對公式（1）進行整理，可以得到：

利用最小二乘法可以得到：

利用微分方程得到基本灰色預(yù)測模型的解為：

可以對公式（6）進行累減得到基本灰色預(yù)測模型的時間響應(yīng)函數(shù)為：

在公式（6）和公式（7）中，k的取值為0，1，2，…，n。

采用的負荷預(yù)測模型是前饋人工神經(jīng)網(wǎng)絡(luò)模型，如圖2所示，主要包括輸入層、隱含層和輸出層。

圖2 負荷預(yù)測前饋神經(jīng)網(wǎng)絡(luò)模型

基于人工經(jīng)網(wǎng)絡(luò)的負荷預(yù)測流程如圖3所示。

圖3 基于人工神經(jīng)網(wǎng)絡(luò)模型的負荷預(yù)測流程

2 電力系統(tǒng)無功電壓控制算法研究

2.1 電壓無功優(yōu)化算法分析

電壓無功控制對于電力系統(tǒng)的運行至關(guān)重要，與無功功率控制、系統(tǒng)無功損耗以及無功電源都有著密切的聯(lián)系。在無功優(yōu)化控制使用的智能算法有神經(jīng)網(wǎng)絡(luò)算法、遺傳算法以及混沌優(yōu)化算法等。

內(nèi)點法的本質(zhì)是在標(biāo)準(zhǔn)值區(qū)間內(nèi)部根據(jù)要求得到標(biāo)準(zhǔn)點，在內(nèi)點法的基礎(chǔ)上利用松弛變量對函數(shù)不等式進行約束處理得到原對偶內(nèi)點法，可以保證在優(yōu)化區(qū)間內(nèi)得到最優(yōu)解。原對偶內(nèi)點算法的實現(xiàn)流程如圖4所示。

圖4 原對偶內(nèi)點算法流程

2.2 優(yōu)化算法改進設(shè)計

利用人工神經(jīng)網(wǎng)絡(luò)算法和原對偶內(nèi)點算法結(jié)合的復(fù)合算法的流程如圖5所示。

圖5 改進后的復(fù)合算法實現(xiàn)流程

3 仿真實驗和結(jié)果分析

3.1 人工神經(jīng)網(wǎng)絡(luò)負荷預(yù)測結(jié)果分析

為驗證人工神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型在電力系統(tǒng)負荷預(yù)測中的有效性，根據(jù)得到的日負荷數(shù)據(jù)對未來48h內(nèi)的負荷進行預(yù)測，利用Matlab級進行電力樣本數(shù)據(jù)處理和計算。

首先對使用的S型功能函數(shù)值下訓(xùn)練過程中的變化進行研究，選取人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練前100次的訓(xùn)練結(jié)果進行分析，得到的功能函數(shù)誤差平方和的曲線如圖6所示。

圖6 功能函數(shù)誤差平方和訓(xùn)練過程變化曲線

由圖6可以看出，在進行10次訓(xùn)練后，功能函數(shù)的誤差平方和就已經(jīng)收斂到要求范圍內(nèi)，表明了使用的功能函數(shù)滿足要求。利用電力系統(tǒng)運行得到的48h無功功率數(shù)據(jù)對人工神經(jīng)網(wǎng)絡(luò)模型進行學(xué)習(xí)訓(xùn)練，得到的模型輸出值和實際樣本數(shù)據(jù)值如圖7所示。

圖7 人工神經(jīng)網(wǎng)絡(luò)模型無功功率訓(xùn)練測試結(jié)果

由圖7可以看出，人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果得到的無功功率值和實際的無功樣本值大致相同。利用48h的無功樣本數(shù)據(jù)預(yù)測未來48h的無功功率結(jié)果如圖8所示。

圖8 人工神經(jīng)網(wǎng)絡(luò)模型和基本灰色模型無功負荷預(yù)測結(jié)果

根據(jù)圖8得到預(yù)測結(jié)果和實際的48～72h的無功數(shù)據(jù)進行比較，得到的預(yù)測值和實際值基本相符，證明了預(yù)測的可靠性。

3.2 電壓無功優(yōu)化控制仿真分析

利用IEEE33節(jié)點的配電電力系統(tǒng)對無功優(yōu)化控制進行測試分析，和原對偶內(nèi)點算法進行優(yōu)化控制對比，證明人工神經(jīng)網(wǎng)絡(luò)算法和原對偶內(nèi)點算法結(jié)合后的復(fù)合算法優(yōu)化控制的有效性，得到的優(yōu)化控制對比結(jié)果見表1。

根據(jù)得到表1中的IEEE33節(jié)點的電壓幅值，可知人工神經(jīng)網(wǎng)絡(luò)算法和原對偶內(nèi)點算法結(jié)合后的復(fù)合算法優(yōu)化控制的各個節(jié)點電壓幅值有了較大的改善，證明了復(fù)合算法在無功優(yōu)化控制上具有較優(yōu)的性能。

4 結(jié)語

電力系統(tǒng)的短期負荷預(yù)測和無功電壓控制，對于電力系統(tǒng)的穩(wěn)定運行控制具有重要的意義。本文研究了基于人工神經(jīng)網(wǎng)絡(luò)的負荷預(yù)測模型，對人工神經(jīng)網(wǎng)絡(luò)預(yù)測的模型進行了構(gòu)建，對模型的原理和實現(xiàn)流程進行了重點分析，并進行了人工神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)訓(xùn)練和預(yù)測，結(jié)果證明了人工神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型預(yù)測誤差更小，精度更高。根據(jù)電力系統(tǒng)無功電壓控制的特點，研究了電壓無功優(yōu)化控制算法，提出了人工神經(jīng)網(wǎng)絡(luò)算法和原對偶內(nèi)點算法結(jié)合的復(fù)合算法，并將復(fù)合算法用于配電網(wǎng)無功優(yōu)化控制中，各個節(jié)點的電壓得到了較大的改善。

表1 IEEE33節(jié)點不同算法優(yōu)化控制電壓幅值比較