基于ANN的變電站電壓和無功綜合自動控制

趙碩偉，關艷翠

（新疆輕工職業技術學院，新疆 烏魯木齊830021）

人工神經網絡主要由多個神經元相互連接而成，是對人腦神經系統的虛擬，與計算機相比具有信息綜合處理能力強、學習認知能力和邏輯能力強等特點，在信息自動處理上有著不可比擬的優勢。把ANN運用到變電站電壓無功綜合自動控制中能有效地調節電壓，保證電力系統的穩定性和可靠性，滿足人們日益增長的電力需求。本文分析了人工神經網絡的內涵，介紹了變電站電壓和無功綜合自動控制策略，論述了基于ANN的變電站電壓和無功綜合自動控制。

1 人工神經網絡（ANN）的內涵

人工神經網絡作為一種前沿技術，已成為當下國內外重點研究的對象。人工神經網絡是由很多神經元相互連接構成的復雜網絡系統，具有人腦的特有性質，在學習能力、記憶能力和信息處理能力上有著十分明顯的優勢，在信息處理領域得到廣泛的應用，如神經控制器、系統識別、智能檢測等。隨著現代化經濟和技術的不斷發展，人工神經網絡在變電站電壓無功綜合自動控制中得到應用。

2 基于ANN的變電站電壓和無功綜合自動控制設計

2.1 基于ANN的變電站電壓和無功綜合自動控制總體設計

基于ANN的變電站電壓和無功綜合自動控制系統的主要功能模塊有：①ANN無功負荷預測模塊（監測和通報無功的變化情況，為實現最優控制提供重要數據）；②A／D采樣模塊（獲取相關數據，方便電壓調節和無功計算）；③I／O模塊（是實現電壓無功科學、合理調節的重要依據）；④模糊化模塊（在多個控制因素之間不能精確處理時進行模糊處理，為調節決策模塊做好準備）；⑤調節決策模塊（根據電壓無功變化和功率變化等進行綜合判斷和決策，選擇最佳控制方式）；⑥計算模塊（對決策進行補充計算，保證數據在可控范圍內，保證電壓的穩定性）。

2.2 ANN無功負荷預測模塊設計

變電站無功除了受有功負荷影響外，還受到負荷供電電壓影響，在實際工作中變電站無功并不穩定，而ANN具有記憶聯想能力強等特點，能對無功負荷進行全面而精確的預測，實現最佳優化策略。ANN還有非線性函數特性，可以對前饋三層ANN的任意兩個隱含層中的節點進行連續函數計算，本文利用前饋三層ANN實現無功負荷預測設計。

在進行ANN無功負荷預測模塊設計時，除了要考慮到變電站的實際運用外，還要根據工作日和休息日電壓負荷差，進行相應的設計。即工作日構建一個無功預測模型，輸入為五個工作日同一時間的無功負荷，輸出為工作日無功負荷。休息日用另一個無功預測模型。為了簡化裝置，便于觀測與操作，本文主要針對過去三個休息日的無功負荷構建模型，輸入為三個休息日同一時間的無功負荷，輸出為休息日無功負荷。然后利用ANN非線性函數進行預測，在這個過程中，要選取合適數量的隱含層節點（若節點太少，會增加預測時間，降低預測精確性；若節點太多，一些不需要的數據如噪聲等也被記錄下來，影響無功負荷預測結果），保證無功負荷預測的精確性。本文根據實際情況選取ANN第1隱含層節點20個，第2隱含層節點30個，利用150多個樣本進行網絡訓練，每五分鐘進行一次，對半個月內的近2 250個樣本進行仿真，然后得出預測結果，大多數誤差小于4%，少數在8%左右，能為無功負荷提供有效數據信息。

2.3 A／D采樣模塊和I／O模塊設計

A／D采樣模塊對相關參數進行采樣，如變壓器電壓、電流，然后計算出變壓器的電壓、無功等數據，為電壓無功計算和調整提供參考數據。I／O模塊設計主要是對開關、刀閘等位置進行獲取，對變電站運行方式進行全面的分析和處理，為ANN控制決策模塊提供依據。

2.4 ANN控制決策模塊和計算模塊

ANN控制決策模塊采取的是前饋三層BP神經網絡（且是7輸入、4輸出），以模糊化模塊的輸出作為該控制決策模塊的輸入，而控制決策模塊的輸出為無功控制決策，具體來說，流程為：cos＆、V、qt、qt＋nΔt（n＝0，1，2，3）→輸入層→第1隱含層→第2隱含層→輸出層→分接頭上／小調、投／切電容器。

其中，cos＆是模糊處理前十分鐘內功率因數均值；

V是當前電壓模糊化輸出；

qt是無功的模糊化輸出；

qt＋nΔt（n＝0，1，2，3）是人工神經網絡預測模塊在相應時間內的無功負荷模糊化輸出。Δt取值在5～20分鐘之間。

若把功率因數均值和一定時間內的無功負荷等數據歸置為0，利用樣本對網絡進行訓練，就相當于固定電壓無功綜合控制。若利用ANN控制決策模塊進行控制，根據一定時間內的無功變化規律，判斷出引起低壓母線電壓變化的原因（一般有兩種：高壓側電壓或者無功需求變化），然后對變壓器分接頭或者投／切電容器進行相應的調節，減少不必要的環節和麻煩，保證電壓的穩定，實現最佳綜合調節控制。

此外，根據無功變化規律可以對無功負荷進行及時的判斷和分析，同時可以根據用戶的需求進行功率因數的設置，把電壓、無功負荷、功率因數相對應的權重進行分析，做出最優電壓無功綜合自動控制策略。決策模塊第1隱含層節點為20，第2隱含層節點為28，組織150多個樣本進行試驗，提高變壓器的調節精確度。

3 結 論

基于人工神經網絡的變電站電壓和無功綜合自動控制系統充分利用ANN的自學習、自組織和自適應能力，對變電站無功負荷變化進行預測、分析、調節和決策，有效利用電容器的功能，發揮其經濟價值和技術價值，可以提高變電站電壓穩定性和無功功率穩定性，減少變壓器的調節次數，避免盲目調節現象，提高經濟效益。據調查，目前變壓器出現故障大多數是由分接頭引起的，而基于ANN的變電站電壓和無功綜合自動控制系統能有效把變壓器分接頭調節次數降到最低，不僅可以提高變壓器的運行質量和使用壽命，而且可以減少維修成本，提高經濟效益。

ANN無功綜合自動控制系統根據用戶的需求對電壓、無功負荷、功率因數等進行對應的權重設置，且該系統還設置有備用網絡權值，利用無功負荷預測模塊進行預測，并將預測數據與當天實際無功負荷進行對比分析，然后利用調節決策模塊和計算模塊對誤差大的數據進行調整，保證無功負荷在合理范圍內。

［1］Samarasinghe著，史曉霞等譯.神經網絡在應用科學和工程中的應用——從基本原理到復雜的模式識別［M］.北京：機械工業出版社，2009.

［2］楊曉亮，李建軍，布文哲，等.變電站電壓無功綜合控制（VQC）策略的研究［J］.電源技術應用，2013，（6）：33－35.

［3］孫均梅，胡慶華，李國剛，等.一種基于十七區域圖的電壓無功控制方法及其應用［J］.電氣技術，2011，（7）：131.

［4］趙 浩.基于PLC的變電站電壓無功綜合控制系統的研究［J］.知識經濟，2011，（21）：55－56.