基于機器學習的分布式發(fā)電并網(wǎng)保護研究

白明輝, 袁紹軍

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

李爭等[3]在流體力學的基礎(chǔ)上分析了風力機的性能,結(jié)合空氣動力學計算風力機在并網(wǎng)后的轉(zhuǎn)矩和風能利用率,建立了風力機并網(wǎng)數(shù)學模型,通過最大功率跟蹤控制方法控制風力機的并網(wǎng)功率,以此實現(xiàn)并網(wǎng)保護,但該方法無法降低功率的波動程度,并網(wǎng)保護效果較差。胡衛(wèi)豐等[4]在分布式發(fā)電并網(wǎng)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(wǎng)電流調(diào)整逆變器的剩余容量,提高電能質(zhì)量,但該方法無法準確檢測分布式發(fā)電并網(wǎng)系統(tǒng)中的事件,進而無法有效控制電網(wǎng)電流。

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

1 支持向量機分類器的分布式發(fā)電并網(wǎng)事件預(yù)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(shù)據(jù)分開的超平面,最大化分類器的邊際來完成分類任務(wù),該算法適用于各種數(shù)據(jù)類型的分類問題,能夠獲得較好的分類結(jié)果。針對分布式發(fā)電并網(wǎng)保護問題,需要識別電網(wǎng)中的事件類型,如擾動、故障、孤島等事件[5-6],因此并網(wǎng)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(fā)電并網(wǎng)保護。在訓(xùn)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(guān)樣本。利用剩余的孤島事件樣本和擾動時間樣本構(gòu)成二分類訓(xùn)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(xùn)練集F[1,2]、F[2,3]、F[1,3]生成對應(yīng)的分類器V1,2、V1,3、V2,3。分類器根據(jù)測試樣本得到對應(yīng)的預(yù)測類別,通常情況下采用投票法組合上述結(jié)果,但投票法在樣本處理過程中會出現(xiàn)分類重疊區(qū)域,因此選擇概率建模對二分類結(jié)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(yōu)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(quán)值向量。

通過線性判別函數(shù)f(xi)計算測試樣本xi在高維空間中的分類結(jié)果yi=sgn[f(xi)],該結(jié)果屬于硬分類,為了組合3個分類器的結(jié)果,引入Sigmoid函數(shù)軟化處理二分類器的結(jié)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(jīng)過軟化處理后,獲得對應(yīng)的二分類概率r12、r13、r23。

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

(2)

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

求解式(2),獲得并網(wǎng)事件的預(yù)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(yù)測類別。

通過對并網(wǎng)事件進行預(yù)測,可以提前發(fā)現(xiàn)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(fā)電系統(tǒng)進行維護和調(diào)整。

2 分布式發(fā)電并網(wǎng)保護

2.1 并網(wǎng)功率控制

根據(jù)對并網(wǎng)事件進行預(yù)測,可以預(yù)判發(fā)電系統(tǒng)的穩(wěn)定性和安全性,為后續(xù)的功率控制提供依據(jù)和保障。分布式發(fā)電系統(tǒng)并網(wǎng)時,需要控制其輸送給電網(wǎng)的功率,以防止超功率并網(wǎng)給電網(wǎng)帶來穩(wěn)定性問題。采用雙重濾波控制策略,對分布式發(fā)電并網(wǎng)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(fā)生。

設(shè)計一階低通濾波器A1(k),利用低通濾波器A1(k)實現(xiàn)第一重濾波,以此提高并網(wǎng)過程中分布式發(fā)電系統(tǒng)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(shù),Apv為超級電容器組對應(yīng)的輸出功率,A1(k-1)為上一周期中濾波器對應(yīng)的輸出值。

將A1作為分布式發(fā)電并網(wǎng)系統(tǒng)的并網(wǎng)功率,令A(yù)out=A1,光伏陣列經(jīng)過低通濾波處理后對應(yīng)的值即為分布式發(fā)電并網(wǎng)功率,以此降低系統(tǒng)功率的波動性能。一階低通濾波器A1(k)的主要作用是調(diào)節(jié)分布式發(fā)電系統(tǒng)的功率波動:減小并網(wǎng)功率A1時,A1(k)的截止頻率處于下降趨勢,此時并網(wǎng)系統(tǒng)的功率平滑性提高;增大并網(wǎng)功率A1時,A1(k)的截止頻率處于上升趨勢,此時分布式發(fā)電并網(wǎng)的功率波動性變大。

設(shè)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(wǎng)系統(tǒng)運行過程中超級電容器承擔的功率可通過控制Y2得以調(diào)節(jié),并網(wǎng)系統(tǒng)中蓄電池承擔的功率可通過控制Y1得以調(diào)節(jié),以此保證并網(wǎng)系統(tǒng)的功率穩(wěn)定。

2.2 電壓控制

在分布式發(fā)電系統(tǒng)并網(wǎng)時,需先控制功率穩(wěn)定,再進行電壓控制,以確保其并網(wǎng)后的穩(wěn)定性和可靠性。因此,采用變系數(shù)下垂控制策略[13-14]對直流母線電壓展開控制,以確保并網(wǎng)系統(tǒng)在孤島運行狀態(tài)下的穩(wěn)定性。

分布式發(fā)電并網(wǎng)的潮流流向以及功率波動可通過直流母線電壓獲取。結(jié)合儲能單元的SOC和母線電壓,調(diào)整儲能單元在系統(tǒng)中的下垂系數(shù),以此提高直流母線電壓的穩(wěn)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(qū)處理,如圖1所示。

圖1 分區(qū)示意圖

由圖1可知,當V1

若儲能單元SOC處于SOC正常區(qū)域,則不需要調(diào)整下垂系數(shù),否則利用式(7)、式(8)展開調(diào)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(qū)內(nèi)Δli(t)對應(yīng)的加權(quán)值,設(shè)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(qū)內(nèi)Δli(t)的加權(quán)值。

當V4εH1。

當UdcV5時,分布式發(fā)電并網(wǎng)系統(tǒng)處于過壓或欠壓故障區(qū)域,并網(wǎng)系統(tǒng)停止運行,此時為了降低系統(tǒng)在不同區(qū)域內(nèi)的切換次數(shù),可增設(shè)滯環(huán)。

3 實驗與分析

為了驗證基于機器學習的分布式發(fā)電并網(wǎng)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(fā)電并網(wǎng)系統(tǒng),并使用Python編寫代碼進行數(shù)據(jù)處理、特征提取、模型訓(xùn)練等任務(wù)。此次測試的實驗仿真環(huán)境如表1所示。

表1 仿真環(huán)境

分布式發(fā)電并網(wǎng)系統(tǒng)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(wǎng)保護之前需要識別上述事件。設(shè)置上述事件的數(shù)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(jié)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(jié)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(xiàn)象。因此,本文方法對不同類型事件的識別結(jié)果最準確。

分布式發(fā)電并網(wǎng)系統(tǒng)存在擾動時的功率波動較大,如圖3(a)所示,現(xiàn)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(jié)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(yīng)各種復(fù)雜環(huán)境條件,提高系統(tǒng)的穩(wěn)定性和可靠性。

系統(tǒng)在孤島狀態(tài)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(tǒng)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(jié)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(fā)電并網(wǎng)系統(tǒng)的電流,降低電流的波動,具有良好的魯棒性,可以保護系統(tǒng)的穩(wěn)定性。

通過上述測試可知,本文方法可有效控制分布式發(fā)電并網(wǎng)的功率,控制電流保持穩(wěn)定,因為本文方法準確地識別了分布式發(fā)電并網(wǎng)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(fā)電并網(wǎng)的穩(wěn)定性。

4 總結(jié)

針對目前分布式發(fā)電并網(wǎng)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(fā)電并網(wǎng)系統(tǒng)的穩(wěn)定運行,本文提出基于機器學習的分布式發(fā)電并網(wǎng)保護方法。該方法利用支持向量機識別分布式發(fā)電并網(wǎng)系統(tǒng)中的事件類型,通過控制系統(tǒng)功率和電壓保護分布式發(fā)電并網(wǎng)系統(tǒng),保證系統(tǒng)的穩(wěn)定運行。實驗結(jié)果表明,本文方法能夠精準識別出分布式發(fā)電并網(wǎng)中的事件,且能夠有效控制系統(tǒng)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(shù)據(jù)方面具有一定的困難,缺乏高質(zhì)量標記數(shù)據(jù)會影響分類模型的準確性和魯棒性。未來的研究方向?qū)⒓性讷@取高質(zhì)量標記數(shù)據(jù),以進一步提高分布式發(fā)電并網(wǎng)保護的可靠性和靈活性。