基于機器學習的分布式發電并網保護研究

白明輝, 袁紹軍

(國網冀北電力有限公司承德供電公司, 河北, 承德 067000)

0 引言

電力行業飛速發展以及生活水平不斷提高對電力能源的安全可靠性、質量以及供給提出了更高的要求,由此研究燃料電池、光伏發電和風力發電等新能源,并引入電網,建立分布式發電系統[1]。在分布式電源市場開發力度不斷增強的背景下,配電網中的分布式電源滲透率隨之升高,電網結構復雜度逐漸增大。將并網保護安裝在分布式電源接入配電網的公共耦合點處,可以確保電網在運行過程中的穩定性[2],因此研究分布式發電并網保護方法具有重要意義。

李爭等[3]在流體力學的基礎上分析了風力機的性能,結合空氣動力學計算風力機在并網后的轉矩和風能利用率,建立了風力機并網數學模型,通過最大功率跟蹤控制方法控制風力機的并網功率,以此實現并網保護,但該方法無法降低功率的波動程度,并網保護效果較差。胡衛豐等[4]在分布式發電并網保護中引入了不平衡分量檢測和諧波檢測算法,通過跟蹤控制電網電流調整逆變器的剩余容量,提高電能質量,但該方法無法準確檢測分布式發電并網系統中的事件,進而無法有效控制電網電流。

針對上述方法無法降低功率波動和提升并網保護效果的問題,本文提出基于機器學習的分布式發電并網保護方法。

1 支持向量機分類器的分布式發電并網事件預測

支持向量機是機器學習算法中的一種分類算法,通過尋找1條可以將兩類數據分開的超平面,最大化分類器的邊際來完成分類任務,該算法適用于各種數據類型的分類問題,能夠獲得較好的分類結果。針對分布式發電并網保護問題,需要識別電網中的事件類型,如擾動、故障、孤島等事件[5-6],因此并網保護屬于多分類問題。

使用支持向量機作為分類器來進行分布式發電并網保護。在訓練樣本集中,使用二進制標簽來表示擾動事件和孤島事件,同時剔除故障事件的相關樣本。利用剩余的孤島事件樣本和擾動時間樣本構成二分類訓練集F[1,2],分別用標簽-1和+1表示孤島和擾動,以相同的方式生成孤島對故障樣本F[2,3]和擾動對故障樣本F[1,3]。

通過訓練集F[1,2]、F[2,3]、F[1,3]生成對應的分類器V1,2、V1,3、V2,3。分類器根據測試樣本得到對應的預測類別,通常情況下采用投票法組合上述結果,但投票法在樣本處理過程中會出現分類重疊區域,因此選擇概率建模對二分類結果軟化處理。

支持向量機分類器在二分類問題中需要確定最優分類超平面ωTx+b=0[7-8],其中,x為平面上的點,b為偏置,ω為權值向量。

通過線性判別函數f(xi)計算測試樣本xi在高維空間中的分類結果yi=sgn[f(xi)],該結果屬于硬分類,為了組合3個分類器的結果,引入Sigmoid函數軟化處理二分類器的結果:

ri=[1+e-f(xi)]-1

(1)

式(1)中,ri為樣本屬于+1分類的概率。

分類器V1,2、V1,3、V2,3經過軟化處理后,獲得對應的二分類概率r12、r13、r23。

用馬爾科夫鏈[9-10]描述分布式發電并網保護的三分類問題,建立如下狀態方程:

(2)

式(2)中,p1為擾動事件的預測概率,p2為孤島事件的預測概率,p3為故障事件的預測概率,存在p1+p2+p3=1。

求解式(2),獲得并網事件的預測類別υ:

(3)

式(3)中,i=1,2,3。通過式(3)確定擾動事件、孤島事件和故障事件的預測類別。

通過對并網事件進行預測,可以提前發現隱患或異常情況,從而能夠及時采取必要的措施,對分布式發電系統進行維護和調整。

2 分布式發電并網保護

2.1 并網功率控制

根據對并網事件進行預測,可以預判發電系統的穩定性和安全性,為后續的功率控制提供依據和保障。分布式發電系統并網時,需要控制其輸送給電網的功率,以防止超功率并網給電網帶來穩定性問題。采用雙重濾波控制策略,對分布式發電并網的功率展開控制和跟蹤,以此避免擾動事件和故障事件的發生。

設計一階低通濾波器A1(k),利用低通濾波器A1(k)實現第一重濾波,以此提高并網過程中分布式發電系統的功率特性:

A1(k)=υ[Y1Apv(k)+(1-Y1)A1(k-1)]

(4)

式(4)中,Y1為濾波器參數,Apv為超級電容器組對應的輸出功率,A1(k-1)為上一周期中濾波器對應的輸出值。

將A1作為分布式發電并網系統的并網功率,令Aout=A1,光伏陣列經過低通濾波處理后對應的值即為分布式發電并網功率,以此降低系統功率的波動性能。一階低通濾波器A1(k)的主要作用是調節分布式發電系統的功率波動:減小并網功率A1時,A1(k)的截止頻率處于下降趨勢,此時并網系統的功率平滑性提高;增大并網功率A1時,A1(k)的截止頻率處于上升趨勢,此時分布式發電并網的功率波動性變大。

設計第二重濾波器A2(k),用于分配儲能元件的儲能功率[11-12]:

A2(k)=υ[Y2Apv(k)+(1-Y2)A2(k-1)]

(5)

(6)

式(6)中,Aout為超級電容器的總功率。

綜上所述,并網系統運行過程中超級電容器承擔的功率可通過控制Y2得以調節,并網系統中蓄電池承擔的功率可通過控制Y1得以調節,以此保證并網系統的功率穩定。

2.2 電壓控制

在分布式發電系統并網時,需先控制功率穩定,再進行電壓控制,以確保其并網后的穩定性和可靠性。因此,采用變系數下垂控制策略[13-14]對直流母線電壓展開控制,以確保并網系統在孤島運行狀態下的穩定性。

分布式發電并網的潮流流向以及功率波動可通過直流母線電壓獲取。結合儲能單元的SOC和母線電壓,調整儲能單元在系統中的下垂系數,以此提高直流母線電壓的穩定性,進而降低電流的波動情況。對儲能SOC和直流母線電壓展開分區處理,如圖1所示。

圖1 分區示意圖

由圖1可知,當V1

若儲能單元SOC處于SOC正常區域,則不需要調整下垂系數,否則利用式(7)、式(8)展開調整:

li(t+1)=li(t)-Δli(t)

(7)

(8)

當V2

(9)

式(9)中,εL1為母線電壓偏低1區內Δli(t)對應的加權值,設置li(t)的約束條件為

(10)

式(10)中,li_max和li_min分別為li(t)的上限和下限。

當V3εL1。

當V0

(11)

式(11)中,εH1為母線電壓偏高1區內Δli(t)的加權值。

當V4εH1。

當UdcV5時,分布式發電并網系統處于過壓或欠壓故障區域,并網系統停止運行,此時為了降低系統在不同區域內的切換次數,可增設滯環。

3 實驗與分析

為了驗證基于機器學習的分布式發電并網保護研究方法的整體有效性,需要展開測試,實驗采用MATLAB模擬分布式發電并網系統,并使用Python編寫代碼進行數據處理、特征提取、模型訓練等任務。此次測試的實驗仿真環境如表1所示。

表1 仿真環境

分布式發電并網系統中存在孤島事件、擾動事件和故障事件,為了提高保護效果,在并網保護之前需要識別上述事件。設置上述事件的數量均為1000,分別采用本文方法、文獻[3]方法和文獻[4]方法識別事件。不同方法的識別結果如圖2所示。

(a) 本文方法

由圖2可知,本文方法對3種事件的檢測結果均為1000,具有良好的識別精度,而文獻[3]方法和文獻[4]方法無法準確識別3種事件,且存在誤識現象。因此,本文方法對不同類型事件的識別結果最準確。

分布式發電并網系統存在擾動時的功率波動較大,如圖3(a)所示,現采用本文方法、文獻[3]方法和文獻[4]方法對其展開控制。不同方法的功率控制結果如圖3所示。

(a) 控制前

由圖3可知,采用本文方法可有效抑制功率波動,而采用文獻[3]方法和文獻[4]方法后,功率波動雖然有所減小,但控制效果劣于本文方法。因此,本文方法在擾動事件下能夠有效地控制功率波動,具備較好的魯棒性,可適應各種復雜環境條件,提高系統的穩定性和可靠性。

系統在孤島狀態下運行的電流變化情況如圖4所示。

圖4 控制前的電流

在系統運行的15 s處,引入本文方法、文獻[3]方法和文獻[4]方法展開控制。不同方法的電流控制結果如圖5所示。

(a) 本文方法

由圖5可知,采用本文方法后,電流的平滑性得以提高,而采用文獻[3]方法和文獻[4]方法后,電流仍然存在較大波動。因此,本文方法能夠有效地控制分布式發電并網系統的電流,降低電流的波動,具有良好的魯棒性,可以保護系統的穩定性。

通過上述測試可知,本文方法可有效控制分布式發電并網的功率,控制電流保持穩定,因為本文方法準確地識別了分布式發電并網中的事件,并制定了功率控制策略和電壓控制策略,以此保護分布式發電并網的穩定性。

4 總結

針對目前分布式發電并網保護方法存在的識別準確率低、功率與電流波動大的問題,為了確保分布式發電并網系統的穩定運行,本文提出基于機器學習的分布式發電并網保護方法。該方法利用支持向量機識別分布式發電并網系統中的事件類型,通過控制系統功率和電壓保護分布式發電并網系統,保證系統的穩定運行。實驗結果表明,本文方法能夠精準識別出分布式發電并網中的事件,且能夠有效控制系統功率以及電流的波動情況。然而,該方法在獲取真實可靠的故障、擾動和孤島事件的標記數據方面具有一定的困難,缺乏高質量標記數據會影響分類模型的準確性和魯棒性。未來的研究方向將集中在獲取高質量標記數據,以進一步提高分布式發電并網保護的可靠性和靈活性。