配網臺區三相不平衡補償裝置優化配置方法研究

木孫渡

（云南電網有限責任公司麗江供電局，云南 麗江 674110）

0 引言

城市配網臺區存在用戶數量龐大、時空分布隨機性強等特點，導致三相負荷存在不平衡的問題。近年來，隨著經濟快速發展和居民生活水平的提高，工業設備用電量和居民家庭用電量均呈現穩步上升的態勢，用電三相不平衡問題日趨凸顯。三相負荷不平衡會帶來變壓器和線路損耗增加、重載相供電電壓水平下降、零序和負序電流占用線路有功輸送能力等問題。目前，解決三相不平衡問題的主要措施有：1）電容器組補償方式。該方法通過在臺區布置一定數量的電容器組來補償三相線路中存在的無功電流，提高臺區內系統功率因數。該方法無法有效補償零序電流和負序電流，且存在與電網產生諧振的可能性。2）人工調整相間負荷水平，通過斷電切換負荷連接相，調整重載相負荷到輕載相，達到各相負荷基本平衡的目的，該方法影響臺區供電可靠率，且不能及時與負荷水平匹配。3）臺區內配置低壓負荷在線自動換相裝置，實現各相負荷的實時自動調整，該方法技術實現復雜，對自動換相策略的可靠性要求較高。

通過臺變就地配置三相不平衡裝置，實時補償臺區電網的零序和負序電流，是目前階段解決臺區電網不平衡問題的有效手段。該方法具有實時跟蹤、連續供電、集中控制和分布補償等優點，適合復雜臺區內的負荷不平衡問題。麗江地區臺網是云南電網的重要支網，區內負荷分散，單相電用戶占比較大，部分臺區長期過負荷運行，整體線損過高，三相負荷不平衡問題較為嚴重。近年來，為改善臺區供電質量，麗江供電局實施了多個電網升級改進工程，針對三相不平衡這一典型電能質量問題，配置實時補償裝置來提高臺區內的供電水平，取得了很好的效果。該文對三相不平衡補償裝置的區域配置進行了研究，提出了基于蟻群智能算法的裝置優化配置方案，實現了經濟性與補償目標的最優化。

1 三相不平衡補償裝置基本工作原理

三相不平衡補償裝置以全控型半導體功率器件IGBT為核心，能快速連續地補償電網的無功電流、零序和負序電流，并可抑制電壓波動和閃變，使整個電網負荷的潮流分配更趨合理，使電力系統穩定、高效地運行，完美解決電網三相不平衡、諧波、無功等問題。三相不平衡裝置的原理結構圖如圖1所示。

圖1 三相不平衡裝置原理圖

該文的三相不平衡裝置采用三相四線三電平全橋拓撲，通過系統側CT，提取系統電流中零序分量和負序分量，控制不平衡補償裝置產生幅值相同、符號相反的補償分量注入系統中。裝置同時可實時檢測系統電流的諧波分量，兼具諧波補償功能，可根據用戶需求進行選擇性補償。

裝置采用模塊化設計，每個模塊規格為33kvar，對應電壓電流規格為380V/50A，可具備補償50A的負序電流和最大100A的零序電流，具備對13次以下諧波的濾除功能，動態響應時間約1ms。根據需要補償電流總量，可對電氣柜進行模塊化擴展，最高支持6個模塊/200kvar的總容量配置。模塊間以主從方式進行并聯，通過指定的主模塊完成指令電流的計算與下發，各模塊間平均輸出電流，完成電流補償功能。

2 臺區三相不平衡補償裝置配置原則

麗江地區電網覆蓋了區內古城區、玉龍縣、永勝縣、華坪縣、寧蒗彝族自治縣5個縣級供電區域，各區域相距較遠，海拔差異也較大。在此次電能質量改進項目中，擬選擇不平衡較為嚴重的臺區進行試點運行。經篩選，共有81個臺區存在較為嚴重的負荷不平衡問題。各臺區日均負荷水平變化較大，在24 h內的負荷分布情況也各不相同；部分臺區最大負荷補償量超出設備容量限制，但年平均負荷水平較低。因此，如何從補償效果、補償經濟性方面考慮選擇40個補償裝置的臺區點變得較為困難。

3 基于蟻群算法的臺區補償裝置配置方法

蟻群優化算法（Ant Colony Optimization， ACO）是一種群智能優化算法，該算法模擬蟻群覓食過程中個體之間信息交流和相互協作，通過正反饋、分布式計算和貪婪啟發式搜索來完成對目標問題的優化設計。

考慮臺區配置主要目標為：改善臺區內電壓質量水平，臺區內供電電壓不平衡度應改善到標準允許范圍內，即盡量發揮補償設備的設計容量，盡可能地減少向區域電網注入的負序電流和零序電流，避免在部分臺區容量閑置。

臺區內補償裝置配置的約束條件包括兩點內容。1）補償裝置總數，在本例中，限定為40臺。2）補償容量限制，總容量為臺數×單臺設備容量。

綜合考慮可設計目標函數為：

式中，εU2、εU0分別代表負序電壓不平衡度和零序電壓不平衡率，QN、Q表示不平衡治理裝置額定容量和補償容量（標么值），N表示臺區總數，M表示補償裝置總數，ki為臺區是否配置補償裝置的選定系數。

確定目標函數和可行域后，蟻群算法對目標問題進行優化的5個基本步驟。

3.1 蟻群信息初始化

對信息素濃度矩陣τ和啟發式信息系數矩陣η進行初始化操作。在初次賦值時，可將相關系數取相等值。蟻群初始的位置可通過隨機分布的m組數來確定。

3.2 蟻群位置轉移

蟻群個體的位置轉移主要取決于信息素濃度和啟發式信息。按照概率大小進行下一位置的確定。螞蟻個體k由位置i轉移到位置j的概率定義為：

式中：α、β分別是信息素濃度和啟發式信息相對應的重要度系數；τij（t）表征信息素濃度大小。

3.3 鄰域搜索

在初始化結束、位置轉移完成后，所有個體進行現有可行解區域的鄰域搜索，以期獲得更優的解來替換現有的解集合，搜索將以較小的步長進行，確保完成整個鄰域的遍歷。

3.4 信息素的更新

信息素理論是對本輪算法遍歷尋找到的優質解集合進行信息素強化，以在下一輪的隨機遍歷搜索中獲得更大的被尋找概率。定義如下：

ρ為信息素保留系數，Δτij表示信息素增加的總量，Q表示設定的表示濃度增量的常數。

實際確定相關系數時需要綜合考慮算法收斂和精度等因素。例如ρ較大時，信息素揮發減弱，可以擴大搜索空間，但算法的收斂速度將變慢；ρ較小時，信息素揮發迅速，可以達到的搜索空間變小，可以迅速收斂，但通常會導致局部最優而失去更優質的解。可以動態調節信息素濃度來保持收斂和搜索空間的保持。動態調節函數為：

ρ0表示初始值，可以設為較高的值。nc表示迭代次數；NC表示迭代上限次數。

3.5 結果輸出

重復搜索以及信息素更新，直至輸出最優結果

4 計算結果

為了對上述優化設計方法進行驗證，在MATLAB中編制了臺區智能優化選擇的程序。程序中蟻群算法的相關參數設置：蟻群規模m=30，信息素初始值Q0=100，信息素重要性系數α=2，啟發式信息重要性系數β=1，信息素濃度增量常數Q=10，揮發系數初始值ρ0=0.95，算法迭代次數NC=50。

圖2 蟻群優化算法的迭代運算圖

圖2是蟻群算法的迭代尋優圖，從圖2中可以看出，蟻群算法表現出了良好的優化性能，在50代以內就尋找到了較為理想的結果。根據優化結果得到的臺區選擇結果見表1。

表1 臺區優化選擇方法與補償效果計算結果

臺區選擇結果表明，通過蟻群算法可實現不平衡裝置的優化配置，在有限的容量條件下，在81個臺區內實現最優臺區的選擇，同時，設備容量利用率也作為目標函數進行了約束，確保了容量能夠得到有效利用。