基于BP-PSO的SVC附加阻尼控制大電網(wǎng)試驗(yàn)

鄭連清，曾治強(qiáng)，唐永紅

(1.輸配電裝備及系統(tǒng)安全與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室(重慶大學(xué))，重慶 400044；2.國(guó)網(wǎng)四川省電力公司 電力科學(xué)研究院，四川 成都 610031)

0　引言

隨著電力系統(tǒng)的發(fā)展，電力系統(tǒng)的穩(wěn)定性已成為人們關(guān)注的重要問(wèn)題。為了提高電力系統(tǒng)阻尼，可以通過(guò)安裝附加阻尼控制的靜止型動(dòng)態(tài)無(wú)功補(bǔ)償裝置SVC來(lái)實(shí)現(xiàn)，通過(guò)控制TCR中晶閘管的開通角度來(lái)改變并聯(lián)電網(wǎng)電容容量大小，進(jìn)而提供可調(diào)的感性無(wú)功功率[1]。附加阻尼控制器SVC的設(shè)計(jì)方法多種多樣：文獻(xiàn)[2]根據(jù)阻尼轉(zhuǎn)矩概念提出了從理論上分析SVC阻尼調(diào)節(jié)和電壓控制之間的相互作用關(guān)系。文獻(xiàn)[3]將模糊邏輯控制智能算法和神經(jīng)網(wǎng)絡(luò)用于SVC附加阻尼控制器的設(shè)計(jì)，該算法過(guò)度依賴專家的經(jīng)驗(yàn)和知識(shí)。文獻(xiàn)[4]提出基于PSO的SVC附加阻尼控制器參數(shù)優(yōu)化設(shè)計(jì)，但是只適用于小型電網(wǎng)絡(luò)優(yōu)化。文獻(xiàn)[5]提出新型混合SVC模型及其基于人工免疫算法的控制策略，提高了系統(tǒng)穩(wěn)定性，但并未進(jìn)行大電網(wǎng)試驗(yàn)。文獻(xiàn)[6]進(jìn)行了實(shí)時(shí)仿真試驗(yàn)，但是并未提出具體的SVC阻尼控制器設(shè)計(jì)方法。

對(duì)于全網(wǎng)SVC附加阻尼控制器的設(shè)計(jì)，由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，模型階數(shù)過(guò)高，數(shù)學(xué)模型建立困難，導(dǎo)致傳統(tǒng)優(yōu)化算法的目標(biāo)函數(shù)難以確定。本文提出BP-PSO算法，在優(yōu)化過(guò)程中調(diào)用已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)來(lái)代替無(wú)法確定的目標(biāo)函數(shù)，達(dá)到優(yōu)化目的。基于PSASP-ADPSS進(jìn)行全網(wǎng)機(jī)電-電磁試驗(yàn)，驗(yàn)證該算法優(yōu)化后參數(shù)的有效性。

1　SVC工作原理

SVC的結(jié)構(gòu)有很多，本文采用TCR型SVC，穩(wěn)態(tài)時(shí)投入80%固定電容器，暫態(tài)時(shí)通過(guò)控制晶閘管觸發(fā)角來(lái)控制TCR輸出等效導(dǎo)納實(shí)現(xiàn)無(wú)功平滑補(bǔ)償[7-8]。SVC的主要功能是電壓無(wú)功調(diào)節(jié)，同時(shí)可以通過(guò)附加阻尼控制來(lái)增加系統(tǒng)阻尼，達(dá)到抑制電網(wǎng)低頻振蕩的目的。本文所用SVC動(dòng)態(tài)調(diào)節(jié)和暫態(tài)控制的策略框見圖1。

圖1　SVC動(dòng)態(tài)調(diào)節(jié)和暫態(tài)控制策略框圖

SVC動(dòng)態(tài)調(diào)節(jié)和暫態(tài)控制策略框圖，主要由3部分組成：暫態(tài)強(qiáng)補(bǔ)控制、暫態(tài)電壓控制和阻尼控制。其中暫態(tài)強(qiáng)補(bǔ)控制是在電網(wǎng)發(fā)生嚴(yán)重故障時(shí)投入的功能。為提高試驗(yàn)的可靠性，投入暫態(tài)強(qiáng)補(bǔ)控制能解決發(fā)生嚴(yán)重故障時(shí)物理裝置對(duì)變電站500 kV電壓鎖相不準(zhǔn)確的問(wèn)題。SVC裝置暫態(tài)強(qiáng)補(bǔ)以變電站500 kV電壓作為判斷條件，進(jìn)入暫態(tài)強(qiáng)補(bǔ)控制的門檻為任意一相電壓低于0.6 p.u.(以500 kV的相電壓為基準(zhǔn))，投入暫態(tài)強(qiáng)補(bǔ)的時(shí)間為0.9 s。

電壓控制輸入為變電站500 kV相電壓標(biāo)幺值，采用傳統(tǒng)PI控制。

阻尼控制環(huán)節(jié)采用尖山—九江500kV 線路功率波動(dòng)之和DP作為輸入信號(hào)，該控制環(huán)節(jié)包括1個(gè)隔直環(huán)節(jié)、2個(gè)超前滯后環(huán)節(jié)和1個(gè)比例環(huán)節(jié)，其傳遞函數(shù)為：

(1)

式中：Tw為隔直環(huán)節(jié)時(shí)間常數(shù)；T1～T4為兩個(gè)超前滯后環(huán)節(jié)時(shí)間常數(shù)；KW為控制器增益。通過(guò)控制阻尼環(huán)節(jié)參數(shù)，使輸入功率在特定的頻段波動(dòng)超前或者之后輸出一定角度，即可以增加系統(tǒng)阻尼。阻尼環(huán)節(jié)輸入、輸出關(guān)系表達(dá)式為：

BPSDC=H(s)DP

(2)

式中：BPSDC為阻尼環(huán)輸出等效導(dǎo)納；H(s)為阻尼環(huán)傳函；DP為阻尼環(huán)輸入。

2　SVC阻尼環(huán)節(jié)的參數(shù)優(yōu)化

2.1　BP神經(jīng)網(wǎng)絡(luò)

1986年Rumelhart，Hinton和Williams提出一種ANN的誤差反向傳播訓(xùn)練算法(簡(jiǎn)稱BP算法)，它包含輸入層、隱含層和輸出層，是一種經(jīng)典的多層前向型神經(jīng)網(wǎng)絡(luò)。含有一個(gè)隱含層的網(wǎng)絡(luò)，可以擬合任何函數(shù)在理論上已經(jīng)得到證明[9-10]。BP算法的運(yùn)算過(guò)程是通過(guò)兩個(gè)部分組成：正向傳播過(guò)程給出每個(gè)單元實(shí)際輸出值，該值通過(guò)輸入信息和輸入層與隱含層關(guān)系得到(第一階段)；反向過(guò)程，若在輸出值未達(dá)到理想狀態(tài)時(shí)，逐次逆向計(jì)算期望輸出與實(shí)際輸出的差值(稱為誤差)，而后依據(jù)此值調(diào)整權(quán)值。具體運(yùn)算即為計(jì)算每一權(quán)重的發(fā)送單元的激活值與接收單元的誤差值之積。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖的結(jié)構(gòu)見圖2。

圖2　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由于在線路近端、遠(yuǎn)端發(fā)生三相短路故障時(shí)，尖九有功波動(dòng)頻率大致為0.76 Hz，所以阻尼環(huán)隔直環(huán)節(jié)時(shí)間常數(shù)可取Tw=10 s、T2=3 s、T3=0.1 s，待優(yōu)化參數(shù)為0

首先，根據(jù)所求目標(biāo)函數(shù)和要優(yōu)化的參數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。本文利用PSASP，基于同一潮流作業(yè)，對(duì)同一近端故障(雅安—蜀州N-1故障)進(jìn)行暫態(tài)計(jì)算，得到尖九線路有功波動(dòng)，通過(guò)PSASP曲線閱覽室的Prony擬合，得到其阻尼比。KW=0(無(wú)阻尼控制)時(shí)，尖九線路有功波動(dòng)Prony擬合如圖3所示。

圖3　Prony擬合分析

依據(jù)擬合結(jié)果得出，在無(wú)阻尼控制時(shí)，尖九有功波動(dòng)阻尼比為7.211%。根據(jù)待優(yōu)化參數(shù)取值范圍，獲取600組樣本，其中500組作為訓(xùn)練樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，剩下100組作為測(cè)試樣本。應(yīng)用測(cè)試樣本對(duì)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行準(zhǔn)確性驗(yàn)證，BP神經(jīng)網(wǎng)絡(luò)的實(shí)際值和計(jì)算值如圖4所示，可以看出，該網(wǎng)絡(luò)能準(zhǔn)確計(jì)算目標(biāo)函數(shù)。

圖4　BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

2.2　基于BP-PSO算法的參數(shù)優(yōu)化設(shè)計(jì)

在BP-PSO算法中，所有粒子的行為都是作為群體行為而相互影響的：每個(gè)粒子的搜索趨勢(shì)和行為都會(huì)被該種群中其他粒子的行為影響。在算法優(yōu)化初期，需要對(duì)粒子群進(jìn)行初始化，即在目標(biāo)函數(shù)解空間的可行域中，隨機(jī)產(chǎn)生一個(gè)粒子群[11-12]。所以這些通過(guò)初始化生成的粒子都是目標(biāo)函數(shù)的可行解，并且由訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)代替目標(biāo)函數(shù)決定種群的適應(yīng)度值。各個(gè)粒子將在可行解空間中運(yùn)動(dòng)，下一次粒子的行為(運(yùn)動(dòng)距離和運(yùn)動(dòng)方向)是取決于粒子這一次的搜索速度。在一次迭代結(jié)束后，由各個(gè)粒子統(tǒng)計(jì)出的群體極值pgd和個(gè)體極值pid對(duì)每個(gè)粒子的位置進(jìn)行實(shí)時(shí)更新。

在BP-PSO算法中，每個(gè)粒子都是D維空間的一個(gè)點(diǎn)，其位置和速度都是D維空間的向量。例如，對(duì)于第i個(gè)粒子，它的位置表示為Xi=(xi0,xi1,xi2,…,xiDim)，i=1，2，…，N，其中N是粒子數(shù)目，Dim是粒子的維數(shù)。各個(gè)粒子逼近最優(yōu)解的規(guī)則都是依據(jù)種群的群體極值pgd和自身的個(gè)體極值pid來(lái)選擇決定其運(yùn)動(dòng)速度和方向。種群中不同粒子在運(yùn)動(dòng)過(guò)程的最優(yōu)性是依據(jù)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)算出具體的個(gè)體適應(yīng)度值決定的。下式給出進(jìn)行優(yōu)化迭代時(shí)，粒子的位置和速度更新公式：

vid(t+1)=wvid(t)+c1r1(pid-xid(t))

+c2r2(pgd-xid(t))

(3)

xid(t+1)=xid(t)+vid(t+1)

(4)

式中：r1、r2為[0，1]的隨機(jī)數(shù)；w、c1和c2是分別為這3部分的權(quán)重系數(shù)。其中w稱為慣性權(quán)重系數(shù)，c1和c2為粒子速度更新的加速因子。w的值越大搜索速度越慢但全局搜索能力強(qiáng)，進(jìn)而難以達(dá)到最優(yōu)值。上式可以看出粒子的速度公式包括以下3部分：(1)粒子上一時(shí)刻的搜索行為，即速度信息vi(t)，具有原先的速度信息；(2)自身的個(gè)體極值pid與當(dāng)前位置的距離，該差值反映自身的搜索經(jīng)驗(yàn)；(3)還涉及到了群體極值pgd來(lái)進(jìn)行速度更新，該部分反映了各個(gè)粒子與整個(gè)群里的聯(lián)系。為了使算法更加準(zhǔn)確、快速，本文的w值依據(jù)文獻(xiàn)[13]提出的線性遞減慣性權(quán)重策略決定，在算法初期，有較大的w，后期逐漸遞減，使尋優(yōu)過(guò)程快速且不易陷入局部最優(yōu)。w表達(dá)式如下：

式中：wstart為算法初始時(shí)的慣性權(quán)重；wend為當(dāng)?shù)螖?shù)達(dá)到最大值時(shí)的慣性權(quán)重，一般取wstart=0.9，wend=0.4；k為當(dāng)前迭代代數(shù)；Tmax則為最大迭代次數(shù)[14～15]。

該算法的流程圖見圖5。

圖5　BP-PSO算法流程圖

種群規(guī)模為20，迭代代數(shù)為300。優(yōu)化結(jié)果如下：T1=0.045 1、T3=0.029、KW=2.514 1。

利用MATLAB可以畫出阻尼環(huán)節(jié)傳函H(s)的伯德圖見圖6，可以看出在低頻段0.7～2 Hz，阻尼環(huán)節(jié)輸出之后輸入一定角度。

圖6　阻尼環(huán)的幅頻和相頻特性曲線

3　SVC投入大電網(wǎng)試驗(yàn)

3.1　SVC主電路參數(shù)

本試驗(yàn)基于全網(wǎng)模型作為電網(wǎng)系統(tǒng)的仿真模型。系統(tǒng)功率基準(zhǔn)值為100 MVA，電壓基準(zhǔn)值為各母線的額定相電壓。SVC裝設(shè)在500 kV變電站低壓側(cè)(66 kV)，由1組180 MVar TCR、3組并聯(lián)電容器組。見表1。

表1　SVC主電路參數(shù)表

SVC控制器有兩種工作狀態(tài)：自動(dòng)狀態(tài)和手動(dòng)狀態(tài)。處于自動(dòng)狀態(tài)時(shí)，SVC控制器投入動(dòng)態(tài)調(diào)節(jié)和暫態(tài)強(qiáng)補(bǔ)功能，輸出觸發(fā)脈沖的角度由SVC控制器根據(jù)輸入的電壓功率信號(hào)進(jìn)行動(dòng)態(tài)調(diào)節(jié)。處于手動(dòng)狀態(tài)時(shí)，SVC控制器退出動(dòng)態(tài)調(diào)節(jié)和暫態(tài)強(qiáng)補(bǔ)功能，輸出觸發(fā)脈沖的角度定為定角度調(diào)節(jié)角度(即定值所設(shè)定的角度值)，這種方式下TCR僅作為固定容量無(wú)功補(bǔ)償設(shè)備。本文采用自動(dòng)狀態(tài)，穩(wěn)態(tài)時(shí)投入3組60 Mvar電容器和TCR，TCR出力為80%，即輸出等效導(dǎo)納為144 Mvar。SVC控制器等值導(dǎo)納輸出范圍標(biāo)幺值為 -0.36～1.4 p.u.，無(wú)功出力為-144 Mvar(容性)～36 Mvar(感性)。

3.2　閉環(huán)試驗(yàn)系統(tǒng)

試驗(yàn)系統(tǒng)由PSASP-ADPSS共同完成，整個(gè)大電網(wǎng)在PSASP上進(jìn)行建模，基于全網(wǎng)對(duì)整個(gè)系統(tǒng)進(jìn)行自動(dòng)子網(wǎng)劃分，其中包括6個(gè)機(jī)電子網(wǎng)和1個(gè)電磁子網(wǎng)(500 kV變電站SVC部分)，電磁子網(wǎng)在ADPSS上搭建，并外接SVC實(shí)際控制器，通過(guò)并行計(jì)算和混合仿真方式實(shí)現(xiàn)全網(wǎng)的實(shí)時(shí)仿真。SVC接線示意圖見圖7，該圖部分為電磁子網(wǎng)部分。

圖7　SVC接線示意圖

閉環(huán)試驗(yàn)系統(tǒng)組成見圖8，ADPSS仿真裝置通過(guò)物理接口(含功率放大器)向SVC控制器提供所需的電壓、電流信號(hào)，同時(shí)接收SVC控制器發(fā)出的TCR各支路晶閘管的觸發(fā)脈沖信號(hào)。SVC控制器從物理接口箱(含功率放大器)采集電壓、電流信號(hào)，并通過(guò)物理接口箱(含功率放大器)輸出觸發(fā)脈沖信號(hào)至ADPSS仿真裝置，從而在大電網(wǎng)仿真平臺(tái)中實(shí)現(xiàn)對(duì)SVC控制器的閉環(huán)控制。

圖8　閉環(huán)試驗(yàn)系統(tǒng)組成

3.3　SVC投入大電網(wǎng)試驗(yàn)

把由BP-PSO算法優(yōu)化后的SVC控制參數(shù)代入SVC阻尼控制環(huán)節(jié)，對(duì)裝設(shè)SVC的變電站近端、遠(yuǎn)端相關(guān)線路故障進(jìn)行三相短路故障，分析SVC裝置的動(dòng)態(tài)無(wú)功調(diào)節(jié)和暫態(tài)強(qiáng)補(bǔ)功能對(duì)系統(tǒng)阻尼的影響。幾種故障后尖九500 kV線路有功功率的阻尼比對(duì)比情況見表2。故障開始時(shí)間為5 s，并在0.1 s后切除故障。

表2　投與不投SVC阻尼比對(duì)比表

再次掃描近端、遠(yuǎn)端故障后，SVC控制器不投入和投入兩種情況下二灘#1機(jī)組相對(duì)于三峽左#1機(jī)組功角振蕩曲線的對(duì)比圖、尖九有功波動(dòng)圖見圖9 (a)～(c)。

圖9　尖九有功(左)、二灘—三峽功角(右)

在雅安—蜀州N-1故障下，變電站500 kV母線電壓、TCR無(wú)功出力波動(dòng)圖見圖10，從下圖可以看出，故障在5 s時(shí)開始，并在0.1 s后切除，在故障開始的0.9 s內(nèi)，TCR電感全切，完全釋放TCR無(wú)功出力，之后推出暫態(tài)強(qiáng)補(bǔ)，進(jìn)步電壓—阻尼環(huán)控制，動(dòng)態(tài)調(diào)節(jié)TCR出力。

圖10　雅蜀N-1，變電站500kV電壓、TCR出力

結(jié)合上表的分析和各種故障方式下的二灘—三峽的功角圖看出，投入SVC阻尼控制器后，通過(guò)SVC的暫態(tài)強(qiáng)補(bǔ)和阻尼控制功能有助于提高二灘機(jī)組相對(duì)于三峽機(jī)組間功角振蕩的阻尼比。類似地，江邊—三峽等機(jī)組的功角差、尖九有功功率的振蕩阻尼比也較未投入SVC控制器時(shí)有所提高，均無(wú)阻尼比下降的情況。因此，經(jīng)BP-PSO算法優(yōu)化后的九江SVC裝置具有提高系統(tǒng)阻尼的作用。

4　結(jié)論

(1)本文提出了BP-PSO算法用于SVC阻尼環(huán)節(jié)參數(shù)優(yōu)化，利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)代替目標(biāo)函數(shù)求解PSO適應(yīng)度，解決對(duì)于建模困難、目標(biāo)函數(shù)難以確定的大電網(wǎng)的SVC參數(shù)優(yōu)化。

(2)基于PSASP-ADPSS搭建SVC閉環(huán)試驗(yàn)系統(tǒng)，對(duì)大電網(wǎng)進(jìn)行投入SVC試驗(yàn)，試驗(yàn)表明：BP-PSO算法優(yōu)化之后的SVC阻尼控制器投入大電網(wǎng)與未投入SVC在各種故障下比較，尖九線路有功功率阻尼比大致可以提高2%～3%，該算法優(yōu)化下的SVC可以很好地抑制大電網(wǎng)系統(tǒng)低頻振蕩，提高系統(tǒng)的暫態(tài)穩(wěn)定性。

參考文獻(xiàn)：

[1]付偉,劉天琪,李興源,等.靜止無(wú)功補(bǔ)償器運(yùn)行特性分析和控制方法綜述[J].電力系統(tǒng)保護(hù)與控制,2014,42(22):147-154.

[2]劉雋,李興源,湯廣福.SVC電壓控制與阻尼調(diào)節(jié)間的相互作用機(jī)理[J].中國(guó)電機(jī)工程學(xué)報(bào),2008,28(1):12-17.

[3]KUMKRATUG P.Static var compensator based on fuzzy logic control for damping power system oscillation[J].American Journal of Applied Sciences,2011,8(10):1027-1031.

[4]呂鋒,張健.基于PSO的SVC附加阻尼控制器參數(shù)優(yōu)化設(shè)計(jì)[J].電力電容器與無(wú)功補(bǔ)償,2016,37(2):11-15.

[5]陳賽賽,李可軍,王卓迪,等.新型混合SVC模型及其基于人工免疫算法的控制策略[J].電力自動(dòng)化設(shè)備,2016,36(4):93-99.

[6]胡濤,劉翀,班連庚,等.藏中電網(wǎng)SVC控制策略實(shí)時(shí)仿真及參數(shù)優(yōu)化[J].電網(wǎng)技術(shù),2014,38(4):1001-1007.

[7]朱金奇.TCR+FC型SVC原理及應(yīng)用[J].電氣傳動(dòng)自動(dòng)化,2006,29(5):114-116.

[8]粟時(shí)平,左鵬輝,劉桂英.基于滾動(dòng)投切型SVC的智能控制器的研究[J].電力科學(xué)與工程,2014(5):28-33.

[9]XIE R,WANG X,LI Y.Research and application on improved BP neural network algorithm[C]//Industrial Electronics and Applications.IEEE,2010:1462-1466.

[10]袁圃,毛劍琳,向鳳紅,等.改進(jìn)的基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2017,29(1):118-122.

[11]李炳宇,蕭蘊(yùn)詩(shī),汪鐳.PSO算法在工程優(yōu)化問(wèn)題中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2004,40(18):74-76.

[12]郁磊.MATLAB智能算法30個(gè)案例分析[M].北京: 北京航空航天大學(xué)出版社,2015.

[13]EBERHART R C,SHI Y.Comparing inertia weights and constriction factors in particle swarm optimization[C].Evolutionary Computation,2000.Proceedings of the 2000 Congress on.IEEE Xplore,2000:84-88.

[14]馬立新,王繼銀,項(xiàng)慶,等.三目標(biāo)混合骨干粒子群算法的電力系統(tǒng)無(wú)功優(yōu)化[J].電力科學(xué)與工程,2015(11):18-23.

[15]王東風(fēng),孟麗.粒子群優(yōu)化算法的性能分析和參數(shù)選擇[J].自動(dòng)化學(xué)報(bào),2016,42(10):1552-1561.