基于模糊神經網絡的電網調度自動化控制系統

齊 霽，李 威，寧 亮，王 鷗，李 曦

（國網遼寧信通公司，沈陽 110006）

0 引言

電網調度是保證電網安全穩定運行、對外可靠供電、各類電力生產工作有序進行的有效手段之一，其工作內容就是根據電網各設備和線路的實時運行反饋數據信息，通過發布和執行操作指令，實現自動化調整。調度交換網絡是供電專用網絡的核心部件，承擔著供電公司的主要任務，對保證網絡的穩定和穩定供電具有十分重大的作用[1]。由于缺乏“雙機同組”和“異地備份”等多項工作，導致了調度開關的單一故障導致了運行的安全性問題，嚴重影響了電網以及電網調度工作的正常運行，為此設計并開發了電網調度自動化控制系統。

從當前的研究情況來看，現有的控制系統存在控制效果差，主要體現在控制誤差大和控制后電網調度線路容載不平衡兩個方面，且當出現多個電網調度任務時，存在控制時延長的問題，針對上述現有控制系統存在的問題，引入模糊神經網絡的概念。

模糊神經網絡將模糊理論與神經網絡進行結合，融合了神經網絡和基于模式識別技術的優勢。將模糊神經網絡理論以及算法應用到電網調度自動化控制系統的優化設計工作中，以期能夠提升系統的自動控制功能，間接的提高電網的調度效果以及運行穩定性。

1 電網調度自動化控制硬件系統設計

1.1 電網運行數據采集設備

數據采集實際上就是A/D變換過程，通過對配電網絡中的電壓和電流進行高準確率的計算，再把PT和CT轉化為模擬量，再由AD變換為可供微處理器接收的數據。優化控制系統采用的數據采集設備結構如圖1所示。

圖1 數據采集設備結構圖

在傳統系統數據采集設備的基礎上安裝變換器LXYA，變換器的相位差不高于5 V，線性范圍在5%～120%，滿足數據測量與采集要求。

1.2 電網調度自動化控制器

自動化控制器是電網調度自動化控制系統的核心部件，也是控制程序的運行環境，可以直接執行軟件系統編寫的控制程序。優化控制器的基本結構如圖2所示。

圖2 控制器優化設計結構圖

圖2中的KP、KI、KD和N分別對應控制器的比例、積分、微分和濾波系數。優化設計的控制器采用了完全的數字控制策略，使得整個系統的硬件架構得到了最大限度的精簡，從而提高了系統的穩定性，并便于系統的擴展和更新[2]。利用ARM硬件平臺降低了設備的運行費用和功耗，提高了運算速度，并增加了外圍設備的通訊功能。

1.3 系統電路設計

系統硬件設備由外部單電源供電，供電電壓范圍為[3.3V,4.25V]，該電力供應可在上端傳送時，供應大約2 A的最高功率，并可經受住突然傳送時的壓差。供電線路的結構，要求在任意時間內，外接供電不得少于3.3V，脈沖傳送中的壓差不得大于400毫伏。要減少功耗，必須盡量采用最少的聯結方式，同時還要兼顧到電線片上的線路電阻。利用LM2575可調節的穩壓器與大容量、高電阻共同工作，給系統硬件設備提供穩定的電壓。

另外，該設備還配置有一個屏幕，能為用戶提供直觀的接口，并使用欣瑞達公司生產的行業級的接口，并利用UART接口與主機連接，使用方便，具有很強的交互性。

2 電網調度自動化控制系統數據庫設計

從邏輯和物理兩個方面進行電網調度自動化控制系統數據庫的設計。數據庫的邏輯性是對有關的過程進行的研究，由此得出了包括在數據庫中的不同數據的個體和它們的關系。利用E-R圖表表示數據之間的邏輯性。通過對E-R圖形進行的數據處理，對不同數據的特征進行比較，得出了數據庫表的具體體系架構，即數據庫表設計結果[3]。以電網調度任務為例，其數據庫表設計結果如表1所示。

表1 電網調度任務數據庫表

同理可以得出電網調度自動化控制中其他信息的存儲方式以及數據庫表構建結果。利用數據庫和電網的網絡結構，使其滿足各種類型的數據模式要求，無需進行任意的映照即可滿足各種類型的數據模式要求，而使用OOP模式則可以有效地降低建模和數據的變換、數據的繪制等問題，同時也保證了數據庫的存取速度，使得公開與實時的有機統一。該數據處理的架構可以在數據庫中隨意設置，各數據庫僅有一個本體，其他功能只是起著補充功能，其功能就是與拷貝的數據進行并行處理，并采用緊密連接的方法來完成，已經滿足了對存儲空間的要求。一旦出現問題，就會被自動接入到一個沒有任何負荷的伺服器上，等到主機重新開始工作，它就會重新回到原來的位置，從而維持更高的存取速率。

3 電網調度自動化控制系統軟件功能設計

在電力系統上進行電網自動調度，其目的在于改善電網的工作狀態，以便在出現事故后能夠進行維修，從而降低造成的經濟效益。在進行最優的規劃時，必須保證數據采集、監控和控制能量，在進行控制時，要充分利用調度職責、調度自動化的現狀和情況。在硬件設備和數據庫的支持下，通過軟件功能的設計與程序編寫，實現電網調度自動化控制任務。

3.1 采集電網運行數據

根據電網結構設置運行數據采集測點，一般來講電網的結構會隨著負荷需求的差異而產生一定變動，基本可以分為電源、儲能元件、開關器件等多個部分。在上述各個器件位置上安裝硬件系統中的數據采集器件，并按照圖3流程實現實時電網運行數據的采集。

圖3 電網運行數據采集流程圖

將圖3實時采集輸出的數據進行融合，得出電網實時運行數據的采集與處理結果。

3.2 利用模糊神經網絡算法預測電網調度負荷

模糊神經網絡包括輸入層、模糊化層、模糊推理層、歸一化層、輸出層等多個層級，其基本結構如圖4所示。

圖4 模糊神經網絡結構圖

可以將輸入層的輸入樣本集合標記為X，利用模糊化層表示各輸入結點的從屬程度，并將各神經網絡表示為一種具有一定程度的模糊化準則，選擇隸屬函數為徑向對稱的高斯函數，第j個神經元輸出函數定義為：

其中cij和σij分別表示的是第j個高斯隸屬函數的中心和寬度。經過模糊推理層的處理得出的輸出結果為：

最終通過歸一化層的處理，得出輸出結果如下：

將式(2)的計算結果代入到式(5)中，可以得出歸一化層的輸出結果FUnify，另外模糊神經網絡輸出層的最終輸出結果為Fout，變量Wlj為歸一化輸出神經元與輸出神經元之間的連接權。在電網負荷的預測過程中，將實時采集并處理完成的數據代入到上述模擬神經網絡的輸入層中，輸出層的輸出結果，即為數據的變化量特征提取結果[4]。那么任意時刻電網測點的負荷值預測結果可以表示為：

式中Δβ為模糊神經網絡的輸出結果，xto為當前時刻的電網負荷數據值，（t-t0）為負荷電網預測時刻與當前時刻的時間差。由此可以得出任意時刻電網的運行負荷，從而確定該測點的調度狀態。

3.3 度量電網調度自動控制量

根據電網調度任務數據的調取，可以得出調度任務執行狀態下，電網各個節點的實際負荷值，則此時電網調度的自動控制量度量結果可以表示為：

其中xt-act為電網調度下的負荷值，可以通過數據采集器件直接得出，xt-forecast為預測值，可以通過式(4)的計算得出[5]。由此可以計算得出各個測點的負荷調度控制量度量結果。

3.4 實現電網調度自動控制

將度量計算得出的電網調度自動控制量通過通信網絡輸入到硬件系統中的控制器中，采用集中控制的方式，實現對電網調度的自動化控制。若在實際的調度控制過程中存在故障情況，需要對其進行區域隔離，并利用控制器斷開對應區域的開關，避免該區域執行電網的調度任務。

4 系統測試

在基于模糊神經網絡的電網調度自動化控制系統功能設計和實現工作研究的基礎上，對系統功能實現進行測試。在系統測試和調試時，僅將Web Server和客戶端作為主要的應用程序，而不需要調度工作站、維護工作站等屬于客戶端的軟件，這樣可以方便地進行整個開發。

4.1 研究電網運行概況

系統測試實驗以遼寧地區的500kV變電所為試驗對象進行了試驗，遼寧運維范圍內500kV變電站共計34座，其中58.8%已經進入了退役年限。因老式機組運行中出現的問題時有發生，加之大部分機型已出現停工狀態，4個站出現單一電源供電情況，3個站內部出現單臺供電情況無法得到有效的整改。為了降低實驗難度，選擇電網中的4個調度任務作為研究對象，每個調度任務均涉及6條電網線路。

4.2 系統測試部署與數據準備

選擇上述獨立電網調試站點作為測試目標對象，在電網環境中，利用設計通信網絡的路由裝置與其進行信息交流。在網絡環境中登陸該系統，檢驗該系統所有設備與功能程序的運行情況，并與選定的終端進行數據交換。在電網開關、變壓器等位置上安裝數據采集器件以及控制器設備，并根據軟件程序實現硬件設備的調用，保證電網調度自動化控制功能能夠在實驗環境中正常運行。利用數據采集器件和通信網絡收集調度任務執行狀態下各個電網設備與線路的運行和負載情況，以此作為系統測試實驗的初始樣本。

4.3 選擇系統測試指標

根據系統設計目的，此次系統測試實驗主要針對系統的控制功能進行測試，通過IAE和容載平衡指數兩個指標，反映系統的電網調度自動控制效果。其中IAE指標指的是絕對誤差積分，其數值結果如下：

式(6)中xMol和xExp分別表示實際電網調度數值和實際控制數值，IAE指標取值越大，說明控制誤差越大，即控制效果越差。另外容載平衡指數指的是電網中各個線路之間的負荷容載比的平衡程度，其數值結果可以表示為：

式中ηratio,i和ηratio,i-1分別為編號i和i-1電網線路的容載比，n為調度線路數量，Vcapacity和Vload代表指定線路的調度容量和實際負荷值，由于選擇的電網研究線路規格相同，因此Vcapacity取值為定值，均為45KVA。最終計算得出的μ越接近0，說明對應系統的容載平衡度越高。為了保證設計系統在控制功能方面的優勢，要求其IAE值不得高于0.01KVA，μ取值不得大于0.3。

4.4 實驗過程與結果分析

由于設計系統應用了模糊神經網絡算法，因此在啟動系統程序之前需要設置模糊神經網絡的基本運行參數，設置神經網絡的學習迭代次數為150，學習率為0.2，另外在系統運行過程中構建模糊神經網絡的層級數為5。將準備的電網調度任務數據代入到測試系統中，得出在設計系統的控制下，電網調度任務的最終響應輸出結果，如圖5所示。

圖5 電網調度自動化控制輸出響應結果

將理想電網調度數據與實際輸出響應結果進行比對，得出反映系統控制精度效果的測試結果，其中線路A1在執行01號調度任務的控制效果測試結果如圖6所示。

圖6 電網調度自動化控制效果測試結果

同理可以得出其他調度任務以及線路的控制結果，如表2所示。

表2 系統控制效果測試數據表

將表2中的數據代入到式(6)中，計算得出設計系統IAE指標的平均值為0.0076KVA，低于預設值。另外將表2中的數據代入到式(7)中，可以得出容載平衡指數的平均值為0.138，低于0.3，即設計系統的控制效果滿足應用要求。

5 結語

由于信息化建設的快速發展，目前的電網公司的生產計劃管理已經由過去的人工監控、人工控制逐步向綜合監控和控制的一體化的自動控制體系。自動化控制的任務是對下屬各個電廠數據采集、存儲以及電廠的起閉管理，其可靠性與可靠性間接關系著功率管理網絡的運作品質。通過模糊神經網絡算法的應用，有效的提高了系統的控制效果。然而系統測試未對系統性能進行測試，且選擇樣本的調度線路數量較少，因此在今后的研究工作中還需要補充測試樣本數據，并針對系統運行性能進行優化。