對人工智能配電網絡進行諧波分析的新方法

A Novel Approach of Harmonic Analysis in Power Distribution Networks using Artificial Intelligence

對人工智能配電網絡進行諧波分析的新方法

A Novel Approach of Harmonic Analysis in Power Distribution Networks using Artificial Intelligence

Zahir J. Paracha / Akhtar Kalam / Rubbiya Ali

1 緒論

在電力系統中，持續供電已經變成對電力部門的一個挑戰。用戶對轉換開關和現代化電子電路使用量的增加，為配電網絡注入了不可預測的諧波，擾亂了供電質量。

公共電網提供的電力出現諧波失真的現象是由于電網中非線性負載產生的電流幅度增加。所以電網工程師必須認真分析非線性用戶負載的電流波形。這些負載包括現代化的電子設備，如超級計算機、變速驅動器、現代電子鎮流器以及在運行過程中需要經常切換的其他電子設備。

所有的電力公司都致力于使電壓保持恒定的幅度和頻率，沒有任何失真。對于所有的線性用戶負載(如加熱器、白熾燈以及所有只包含電阻元器件的用電設備)，所產生的電流波形也是線性的，即正弦波。然而，當用戶負載為非線性負載時，所產生的電流也隨之改變，變成非正弦波，從而導致諧波失真。非正弦情況下的諧波失真波形是由不同振幅的諧波頻率形成的。

2 配電網絡中的諧波

配電網絡中的電壓和電流波形都可能出現諧波失真的現象，如式(1)和式(2)所示：

(1)

(2)

公式(1)和(2)分別給出了非正弦波形情況下的電壓和電流的均方根值，Vh和Ih分別為在諧波分量h處的電壓和電流的幅值。圖1中給出了基礎的正弦波形，并且圖1和圖2做了對比，在相同的正弦波條件上，輸入不同幅度頻率的諧波，所產生的曲線不同。圖1和圖2分別標出了第三次和第五次諧波輸入時的曲線。

圖1 基礎波形 第三次和第五次諧波

圖2 諧波失真波形

總諧波失真(THD)可以由失真波形中的諧波分量表示，如式(3)所示：

(3)

式中，Mh是總數量M中第h個諧波分量的均方根值。

3 諧波分析的意義和方法

最理想的配電網絡設計是能夠解決正弦電壓和電流波形的形成問題。然而，隨著現代電力電子設備使用量的增加，在正弦波的基礎上保證電力的供應質量已經變成配電網絡工程師的難題。在大多數情況下，配電網絡中諧波失真的影響非常明顯時，現有配電網絡的設計只能夠包容一定額度的諧波失真。電力系統的配電網絡中，與諧波失真相關聯的現象有：

1)過電壓問題

2)斷路器跳閘

3)設備故障和實效

4)通信干擾

5)電纜加熱

6)數據記錄和計量問題

3.2 審評要點 COU是生物標志物資格認定中最重要的審評內容，也是生物標志物區別于其他藥物研發工具的特點。它包括一個涵蓋生物標志物名稱、身份和在藥物研發過程中使用目的的 “使用聲明 （use statement）”，以及如何在特定環境中使用生物標志物的全面描述即 “合格使用的條件（conditions for qualified use）”[8]。 提供所需的數據以支持特定COU是申請人的義務。申請人在與FDA溝通的早期就應盡可能全面清楚地闡明COU，并在隨后的資格認定程序中不斷完善。

7)絕緣故障

多年來，無數的技術、方法和工具被用于測量配電網絡中的諧波失真。在最近一段時間，特別是在現代工業中，非線性負載的廣泛使用使得對用戶設備所產生的諧波量的精確測量變得十分困難。在這種情況下，通過人工智能技術對諧波信號進行測量和估計的方法顯示出了良好的效果。

不同專業的研究人員都在對電力系統中的諧波檢測進行研究，通過引入神經網絡，研究人員提出可以通過有源濾波器來消除特定非線性負載所產生的諧波電流。

澳大利亞維多利亞州的一個電力公司對66/22V區變電站電壓不平衡的電能質量數據進行了研究。然而，研究中只保留了10%的數據用于訓練神經網絡，并且諧波失真的數據并沒有保留。目前的研究工作是對之前工作的延伸，目的在于通過使用智能算法來分析同一電力公司的諧波失真。通過電能質量儀對22kV母線變電站的電能質量參數進行檢測。電壓和電流的值通過相-相檢測，并且檢測了配電網2 232h的電能質量參數。

4 前饋反向傳播神經網絡算法(FFBP-ANN)

前饋反向傳播算法是神經網絡中使用最廣泛的技術之一。由于所提供的電能質量數據集所構成的多層感知器的非收斂性，提出了FFBP算法。這種算法中采用了監督技術。需要被估算的諧波的訓練誤差使用“最小均方(LMSE)算法”來計算，算法總結如下：

1)隨機初始化權重矩陣

2)訓練網絡取決于初始權矩陣

3)通過比較網絡輸出和期望輸出計算LMSE

5)重復步驟2)～4)，以達到收斂(在本研究中收斂值取0.01)

5 結果討論

在本研究中，人工神經網絡可用于高效地預測在三相配電網絡的諧波。在本研究中得到的實驗結果討論如下：

1)電能質量數據

在本研究中使用的配電網絡的電能質量數據來自于澳大利亞維多利亞州電力公司；包含了配電網絡諧波的19個屬性參數；每個屬性都擁有2 192個參數集；使用了電力質量數據的原始平均值；電能質量數據包括配電網絡中的不同參數連續2232小時的平均值。

2)前饋反向傳播算法

現有數據的20%用于測試，其余80%的數據用于訓練神經網絡；兩層的神經網絡由隱藏層和輸出層組成；輸出層估測出三項配電網絡中的諧波值；表1、表2和表3分別列出了A相、B相和C相諧波的估計值和實際值。

表1 A相諧波的估計值和實際值

表2 B相諧波的估計值和實際值

表3 C相諧波的估計值和實際值

對配電網絡諧波值的預測可精確到94.5%。這可以幫助電力公司對高諧波值采取一些預防措施。訓練、測試和交叉驗證誤差曲線如圖3～圖5所示。A相諧波在第88步實現收斂。B相諧波在第67步實現收斂。C相諧波在第27步實現收斂。

圖4 B相諧波電流培訓，交叉驗證和測試誤差曲線

圖5 C相諧波電流培訓，交叉驗證和測試誤差曲線

6 結論

電力公司面臨的諧波相關問題可以通過使用人工智能技術對其估算/預測而有效地避免，本研究對配電網絡的A相、B相、C相的諧波預測準確度可達94.5%，這意味著人工智能技術可以很準確地預測和估計諧波值。因此，人工神經網絡可以有效地對配電網絡中的諧波進行估計，使電力公司提前做好預防和保護措施。

于娟編譯自

http://ieeexplore.ieee.org/xpl/articleDetails.jsp?reload=true&arnumber=5267198&contentType=Conference%20Publications，肖昕宇校對。