結合負荷預測的三相不平衡智能調節技術

蔣一萌，王哲旭，畢重盈，陳 成，嚴藝偉，姚潤馳，李燕梅

（1.三峽大學 電氣與新能源學院，湖北宜昌 443000；2.國網四川省電力公司鄰水縣供電分公司，四川廣安 638000；3.國網湖北省電力公司長陽縣供電公司，湖北宜昌 443000；4.國網四川鄰水縣供電有限責任公司，四川廣安 638000）

引言

在低壓配電網中，三相負荷不平衡現象是一個長期存在的難題，它會導致線路損耗增加，低壓配電網末端的“低壓電壓”等類似問題[1-4]。治理三相不平衡已成為提高配電網電能質量、降低網損的必要措施。三相換相開關型負荷智能調節裝置由于其成本低、靈活性高等特點在電網中廣泛應用，近年來得到了國內外專家學者的諸多關注[5,6]，這些文獻通過換相策略優化算法的改進來促進三相不平衡治理，算法較復雜，沒有重點關注負荷變動的影響及其預測。而現實情況中，負荷需求面對用戶是動態的，治理三相不平衡智能裝置應根據動態變化進行調節，才可以保證實際應用時處理程度達到精準。

針對這些情況，本文把負荷預測與換相開關型智能調節裝置相結合，引入了非線性自回歸神經網絡(NARX)，并驗證加入NARX神經預測后的智能調節裝置。

1 換相開關型三相智能調節裝置

圖1為換相開關型智能調節裝置，通常換相開關型負荷不平衡智能調節裝置分為主控模塊和換相開關箱。裝置是由一個主控模塊來控制多個換相開關箱，其中主控模塊[7,8]用來采集配電變壓器各相線的電壓、電流，采集換相執行終端的各負載電流信息及其所在相序等數據信息，計算后得到最佳換相方案，進行換相操作。

圖1 換相開關型智能調節裝置

換相執行終端是裝置系統的執行機構，主要負責采集所在負荷處的電流數據和當前所在相序。大量的換相開關接入可以使諸多的單相負荷平衡地接入三相電網中，從而抑制三相電網的三相不平衡。

2 帶神經網絡的智能調節裝置

換相開關對負荷進行采樣到換相操作完成需要一定的時間。為了增強穩定性，減少開關動作次數，裝置通常會設置控制周期，等換相周期過后再進行換相操作。在此期間，負荷變化會導致換相開關動作后三相不平衡度超過預期或誤動作，主要表現為投切序列相錯誤和換相開關過度投切或少投切。

為了抑制延時對三相不平衡自動調節裝置的影響，引入負荷預測，預測周期為換相開關的時滯，帶神經網絡計算的換相開關型智能調節裝置運行流程如圖2所示。

圖2 帶神經網絡的換相開關型智能控制流程

為了降低主控模塊的計算壓力，在換相開關控制器中加入自適應神經網絡進行負荷預測，同時換相開關會將獲取到的負荷數據通過電力線載波（PLC）通信的方法傳遞給主控模塊[9]。當接收到當前負荷與預測負荷信息時，主控模塊會快速進行換相策略[10-13]分析，采用適當的算法進行優化，得出最優解，并經由PLC通信的方式傳遞給每個換相開關，使換相終端開始換相。

3 NARX神經網絡控制

在換相開關智能調節裝置中，需要滿足負荷預測的要求，首先要與換相開關的時滯[14,15]相對應，時間一般為幾分鐘至幾小時，比常用的負荷預測方法快。其次主控模塊和換相開關的控制器一般為微處理器，因此在算法上需要簡潔。綜上，本研究選用自適應神經網絡的負荷預測方法。

在進行負荷預測之前，先要對收集的數據預處理，數字濾波可以選用加權平均值濾波法、程序判斷濾波、低通濾波法中的一種或幾種復合使用。數據異常指連續采集的數據的變化率出現較大畸變，畸變率θ(d,t)計算公式如下：

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根據具體情況可取0.6或0.8等值。若θ(d,t)＞ρ，則該數據為畸變數據，反之，為正常數據。異常數據的處理辦法亦可采用加權平均法來處理。

自適應神經網絡采用NARX，在拓撲連接關系上，其可等效為有輸入時延的BP神經網絡加上輸出到輸入的時延反饋[16]。由于其包含了多步輸入輸出時延，可以反映出系統的歷史狀態信息，因此該網絡具有記憶功能，可以更好地描述時變系統的特性。

NARX神經網絡的模型可以定義為：

式中，訓練目標輸出向量y(t)；非線性過程函數f(·)；輸入向量u(t)；時延后的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)。

在換相開關自動調節裝置中，輸入信號u(t)為負荷電流，輸出信號y(t)選為預測的電流，即根據原有的電流數據來預測下一時間段的電流。

4 試驗與仿真

選取某工業區30天負荷數據，時間間隔為10 min。利用現有試驗條件，搭建NARX負荷預測模型。訓練函數為LMS算法，隱含層-輸出層函數為logsig，輸入層-隱含層函數為tansig。NARX神經網絡訓練后預測數據和期望數據對比如圖3所示。

圖3 預測曲線與期望曲線

圖3中橫坐標為時間節點，縱坐標為輸出總功率。實線為訓練預測輸出（訓練后的預測值），虛線為期望輸出（期望的實際值）。日負荷集中在5:55-23:40這個時間段，通過訓練后從兩線對比圖可以看出趨勢走向明顯，相差很小。

圖4為誤差曲線，在數據訓練過程中，不斷地對最大訓練次數進行調試，當迭代次數為2004時，數據預測與實際相比差距變小，誤差曲線在允許范圍內。

圖4 誤差曲線

結合圖3、圖4來看，走勢基本一致并且兩組數據間誤差很小，基本維持在5%左右，由于初始模型一般預設誤差為15%以內，整個預測模型的建立達到了較高的準確性。

為了驗證算法對換相開關智能平衡系統的作用，對電網三相電流不平衡度進行比較，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為換相開關智能調節裝置在有NARX負荷預測下和無負荷預測下的三相不平衡度對比，其中虛線為無負荷預測下治理后的三相不平衡度，實線為結合NARX負荷預測下治理后的三相不平衡度。

圖5 三相不平衡度對比

在絕大多數時間段中，結合NARX的治理，使三相不平衡度平均處于0.05以下，而未進行負荷預測的智能調節下，普遍比結合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左右開始出現明顯的上升是因為這個時間節點后有部分換相開關負荷陸續退出，使自然狀態下電網三相不平衡度升高。

由此可見，結合NARX控制能顯著提升換相開關三相智能調節裝置的性能，降低了電網三相不平衡度。

5 結論

在剖析自適應神經網絡的優點下提出了結合NARX負荷預測的換相開關型負荷智能調節裝置技術。仿真試驗表明該技術在很大程度上提高了三相不平衡負荷的平衡效果，抑制了電網不平衡現象，提高電能質量。