基于混沌神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)無功優(yōu)化

危雪

(三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002)

1 引言

隨著電力系統(tǒng)向智能電網(wǎng)發(fā)展，電網(wǎng)的經(jīng)濟(jì)運(yùn)行和電壓質(zhì)量日益重要。改善系統(tǒng)的電壓質(zhì)量，降低運(yùn)行成本的一個(gè)重要手段就是電力系統(tǒng)無功優(yōu)化。配電網(wǎng)無功優(yōu)化問題是一個(gè)多變量、多約束條件的混合非線性規(guī)劃問題，其操作變量既有連續(xù)變量(如節(jié)點(diǎn)電壓)，又有離散變量(如變壓器分接頭位置和電容器的配置容量)，所以其優(yōu)化過程比較復(fù)雜［1］。

常用的無功優(yōu)化方法中，Sachdeva采用了非線性規(guī)劃法來求解電力系統(tǒng)無功優(yōu)化的非線性數(shù)學(xué)模型［2］。但現(xiàn)有算法不同程度地存在計(jì)算量大和內(nèi)存需求量大、收斂性差、穩(wěn)定性不好、對(duì)不等式的處理存在一定困難等問題，因此該方法的應(yīng)用受到了一定限制。遺傳算法是一種模擬生物進(jìn)化的過程的方法，便于計(jì)算機(jī)實(shí)現(xiàn)全局優(yōu)化［3］。本文采用人工神經(jīng)網(wǎng)絡(luò)算法對(duì)配電網(wǎng)中無功進(jìn)行優(yōu)化，可以指導(dǎo)中低壓配電網(wǎng)有載調(diào)壓變壓器和并聯(lián)電容器的優(yōu)化控制問題，使之更適應(yīng)智能電網(wǎng)的要求［4］。

本文利用混沌人工神經(jīng)網(wǎng)絡(luò)模擬網(wǎng)絡(luò)中的“痛點(diǎn)”，即一旦出現(xiàn)無功配置不合理的線路，立即反映給神經(jīng)元，令神經(jīng)元出現(xiàn)“不適”的感覺，輸出“痛感”，根據(jù)“痛點(diǎn)”找到無功配置不合理的線路，重新分配無功，從而直到實(shí)現(xiàn)了配電網(wǎng)的無功優(yōu)化配置。混沌神經(jīng)網(wǎng)絡(luò)是結(jié)合感知器神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)重組而成的人工神經(jīng)網(wǎng)絡(luò)，可以比任何單一的神經(jīng)網(wǎng)絡(luò)提高算法的全局尋優(yōu)能力。

2 基于混沌神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)無功優(yōu)化

用混沌神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)配電網(wǎng)無功的優(yōu)化，從整體來看，其步驟大體可以分為:

(1)輸入配電網(wǎng)的初始數(shù)據(jù):如系統(tǒng)信息(節(jié)點(diǎn)數(shù)、支路數(shù)、變壓器數(shù))、節(jié)點(diǎn)信息(節(jié)點(diǎn)負(fù)荷、電壓上下限、無功補(bǔ)償裝置等)、支路信息(支路兩端節(jié)點(diǎn)編號(hào)、線路長度和型號(hào))、變壓器信息(高低壓節(jié)點(diǎn)編號(hào)、額定電壓、銘牌參數(shù)等);

(2)計(jì)算配電網(wǎng)初始潮流，得到基礎(chǔ)潮流數(shù)據(jù);如果初始潮流出現(xiàn)不收斂的情況，則需調(diào)整配電網(wǎng)初始數(shù)據(jù);

(3)建立混沌神經(jīng)網(wǎng)絡(luò)，以感知器為網(wǎng)絡(luò)第一層，其輸入為配電網(wǎng)初始潮流計(jì)算結(jié)果中的電壓值，輸出為0和1。［4］其中0代表其節(jié)點(diǎn)電壓不合格，為“痛點(diǎn)”，即越限，說明所在線路無功分配不合理，需要補(bǔ)償或者抑制無功;1代表正常電壓，無需補(bǔ)償或抑制無功處理。

(4)以Hopfield神經(jīng)網(wǎng)絡(luò)為網(wǎng)絡(luò)第二層，以第一層網(wǎng)絡(luò)輸出結(jié)果為Hopfield神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)控制變量進(jìn)行調(diào)節(jié)［4］。若節(jié)點(diǎn)電壓偏高為“痛點(diǎn)”，則減少無功補(bǔ)償裝置組數(shù)或增大變壓器變比，反之亦然;重新計(jì)算潮流，重復(fù)(3)、(4)步驟。最終輸出的為合理的電壓結(jié)果。

(5)以自組織神經(jīng)網(wǎng)絡(luò)為網(wǎng)絡(luò)第三層［4］。將第二層穩(wěn)定輸出的結(jié)果作為自組織神經(jīng)網(wǎng)絡(luò)的輸入，同時(shí)將系統(tǒng)的有功網(wǎng)損和電壓偏移作為另外兩個(gè)輸入，進(jìn)行分類，找到使系統(tǒng)的有功網(wǎng)損最小以及節(jié)點(diǎn)電壓偏移總和最小的類別，根據(jù)實(shí)際需要進(jìn)行選擇。

3 算例和結(jié)果分析

針對(duì)上述的配電網(wǎng)無功優(yōu)化算法，本文編制了相應(yīng)的計(jì)算程序，并以IEEE中23kV的30節(jié)點(diǎn)實(shí)際配電系統(tǒng)為例進(jìn)行驗(yàn)證。

圖1 30節(jié)點(diǎn)配電系統(tǒng)示意圖

初始計(jì)算潮流的結(jié)果如表1所示。

混沌神經(jīng)網(wǎng)絡(luò)第一層輸出結(jié)果如表2所示。

其中0代表其節(jié)點(diǎn)電壓不合格，即越限，有12處“痛點(diǎn)”，其所在線路無功分配不合理，需要補(bǔ)償或者抑制無功;1代表正常電壓，無需補(bǔ)償或抑制無功處理。

表1 無控制下的初始計(jì)算所得各節(jié)點(diǎn)的電壓值

表2 混沌神經(jīng)網(wǎng)絡(luò)第一層輸出結(jié)果

混沌神經(jīng)網(wǎng)絡(luò)第二層輸出結(jié)果如表3所示。

表3 混沌神經(jīng)網(wǎng)絡(luò)第二層輸出結(jié)果

可見，輸出結(jié)果均為1。說明第二層最終輸出的為合理的潮流結(jié)果。

混沌神經(jīng)網(wǎng)絡(luò)第三層輸出結(jié)果如表4所示。

表4 混沌神經(jīng)網(wǎng)絡(luò)第三層輸出結(jié)果

由第二層輸出的中間結(jié)果可以得出對(duì)此配電網(wǎng)絡(luò)的11種最好的無功優(yōu)化方式，第三層則將其中系統(tǒng)的有功網(wǎng)損和電壓偏移相對(duì)最小的幾種方式分為一類，有功網(wǎng)損和電壓偏移相對(duì)最大的幾種方式分為一類，剩余介于這兩類的方式分為一類輸出。表4中的1類就是有功網(wǎng)損和電壓偏移相對(duì)最大的，2類就是相對(duì)最小的，3類是介于1類與2類之間的。據(jù)此，在實(shí)際應(yīng)用中，就能夠根據(jù)實(shí)際情況需要，選擇相應(yīng)的控制策略，用最佳的方式進(jìn)行無功優(yōu)化。

4 結(jié)論

本文在總結(jié)前人取得的成果和經(jīng)驗(yàn)的基礎(chǔ)上，提出了用混沌神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)配電網(wǎng)無功優(yōu)化的計(jì)算;結(jié)果表明在實(shí)際應(yīng)用中，能夠根據(jù)實(shí)際情況需要，選擇相應(yīng)的控制方式進(jìn)行無功優(yōu)化。為了進(jìn)一步提高混沌神經(jīng)網(wǎng)絡(luò)優(yōu)化配置的效率，未來可以結(jié)合對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)和局部遞歸神經(jīng)網(wǎng)絡(luò)重組混沌人工神經(jīng)網(wǎng)絡(luò)，對(duì)其進(jìn)行改進(jìn)，以期提高算法的計(jì)算效率和全局尋優(yōu)能力。

［1］宋軍英，劉滌塵，陳允平.電力系統(tǒng)模糊無功優(yōu)化的建模及算法［J］.電網(wǎng)技術(shù)，2002，25(3):22 －25.

［2］舒崇軍，楊嬋.電力配網(wǎng)系統(tǒng)的無功補(bǔ)償及其優(yōu)化的研究［J］.電氣開關(guān)，2010，(6):47 －55.

［3］刑文訓(xùn)，卸金星.現(xiàn)代優(yōu)化算法方法［M］.北京:清華大學(xué)出版社，1999.

［4］聞新.MATLAB神經(jīng)網(wǎng)絡(luò)的仿真與應(yīng)用［M］.北京:科學(xué)出版社，2003.