基于短期負荷預測的電力系統無功電壓控制優化策略研究

國網上海市電力公司奉賢供電公司 崔 浩

近年來，我國工業和經濟的發展，致使用電客戶和電力系統中的設備對電能質量的要求也越來越高，特別是電壓的質量直接關系到電力系統的安全可靠運行[1]。為了能夠實現對電壓幅值、功率因數的控制，使用的是自動電壓無功控制技術（Automatic Voltage Control,AVC），在電力系統中還能夠降低輸電過程中的線路無功功率的損耗[2]。隨著智能電網的發展，無功的不合理分布會降低電壓質量，影響到用電設備的使用和系統的調度，無功電壓控制對電能質量和系統的安全穩定運行越來越重要[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域圖方法或是在傳統的九區圖方法的基礎上進行的改進，控制方法雖然簡單，但是容易出現進行無功控制后短時間回調的情況，不能從電力系統的負荷變換進行預判，從而進行頻繁控制，出現調節振蕩的問題[4-5]。因此，本文提出一種基于短期負荷預測的電力系統無功電壓控制策略，彌補傳統的AVC的不足，提高電力系統中的電壓和電能質量。

1 基于短期負荷預測的電壓無功控制策略分析

1.1 基于短期負荷預測的電壓無功控制策略

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

圖1 基于短期負荷預測的電壓無功控制流程

1.2 短期負荷預測分析與模型建立

傳統時間序列預測模型需要有大量電力系統的運行數據作為預測的訓練基礎，根據采集得到的數據進行時間序列上的分析，根據時間上的特性對未來相似的時間段建立預測模型，利用大量的數據進行檢驗和訓練模型對負荷進行預測。

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

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

在式公（2）中，β（1）是經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測模型的解為：

可以對公式（6）進行累減得到基本灰色預測模型的時間響應函數為：

在公式（6）和公式（7）中，k的取值為0，1，2，…，n。

采用的負荷預測模型是前饋人工神經網絡模型，如圖2所示，主要包括輸入層、隱含層和輸出層。

圖2 負荷預測前饋神經網絡模型

基于人工經網絡的負荷預測流程如圖3所示。

圖3 基于人工神經網絡模型的負荷預測流程

2 電力系統無功電壓控制算法研究

2.1 電壓無功優化算法分析

電壓無功控制對于電力系統的運行至關重要，與無功功率控制、系統無功損耗以及無功電源都有著密切的聯系。在無功優化控制使用的智能算法有神經網絡算法、遺傳算法以及混沌優化算法等。

內點法的本質是在標準值區間內部根據要求得到標準點，在內點法的基礎上利用松弛變量對函數不等式進行約束處理得到原對偶內點法，可以保證在優化區間內得到最優解。原對偶內點算法的實現流程如圖4所示。

圖4 原對偶內點算法流程

2.2 優化算法改進設計

利用人工神經網絡算法和原對偶內點算法結合的復合算法的流程如圖5所示。

圖5 改進后的復合算法實現流程

3 仿真實驗和結果分析

3.1 人工神經網絡負荷預測結果分析

為驗證人工神經網絡負荷預測模型在電力系統負荷預測中的有效性，根據得到的日負荷數據對未來48h內的負荷進行預測，利用Matlab級進行電力樣本數據處理和計算。

首先對使用的S型功能函數值下訓練過程中的變化進行研究，選取人工神經網絡模型訓練前100次的訓練結果進行分析，得到的功能函數誤差平方和的曲線如圖6所示。

圖6 功能函數誤差平方和訓練過程變化曲線

由圖6可以看出，在進行10次訓練后，功能函數的誤差平方和就已經收斂到要求范圍內，表明了使用的功能函數滿足要求。利用電力系統運行得到的48h無功功率數據對人工神經網絡模型進行學習訓練，得到的模型輸出值和實際樣本數據值如圖7所示。

圖7 人工神經網絡模型無功功率訓練測試結果

由圖7可以看出，人工神經網絡模型的訓練結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的無功樣本數據預測未來48h的無功功率結果如圖8所示。

圖8 人工神經網絡模型和基本灰色模型無功負荷預測結果

根據圖8得到預測結果和實際的48～72h的無功數據進行比較，得到的預測值和實際值基本相符，證明了預測的可靠性。

3.2 電壓無功優化控制仿真分析

利用IEEE33節點的配電電力系統對無功優化控制進行測試分析，和原對偶內點算法進行優化控制對比，證明人工神經網絡算法和原對偶內點算法結合后的復合算法優化控制的有效性，得到的優化控制對比結果見表1。

根據得到表1中的IEEE33節點的電壓幅值，可知人工神經網絡算法和原對偶內點算法結合后的復合算法優化控制的各個節點電壓幅值有了較大的改善，證明了復合算法在無功優化控制上具有較優的性能。

4 結語

電力系統的短期負荷預測和無功電壓控制，對于電力系統的穩定運行控制具有重要的意義。本文研究了基于人工神經網絡的負荷預測模型，對人工神經網絡預測的模型進行了構建，對模型的原理和實現流程進行了重點分析，并進行了人工神經網絡模型樣本數據訓練和預測，結果證明了人工神經網絡負荷預測模型預測誤差更小，精度更高。根據電力系統無功電壓控制的特點，研究了電壓無功優化控制算法，提出了人工神經網絡算法和原對偶內點算法結合的復合算法，并將復合算法用于配電網無功優化控制中，各個節點的電壓得到了較大的改善。

表1 IEEE33節點不同算法優化控制電壓幅值比較