摘　要　首次提出一种基于人工神经网络的无功预测和优化决策相结合的变电站电压和无功综合控制策略。根据电压发生变化的原因和变化趋势确定综合控制策略，该策略的有效性在于预测指导，将变压器分接头的调节次数降低到最少。仿真测试证明了预期的效果。在该系统中还构造了控制决策神经网络模型，可实现组合优化控制策略的灵活性。
关键词　变电站　电压和无功　综合自动控制　人工神经网络
分类号　TM 63　TM 761

0　引言
　　自从70年代以来，已有不少变电站电压和无功自动调节装置开发研究和投运，取得有效的成果［1～3］,国外对此也有大量研究［4，5］。但从装置的整体性能看，尚存在某些问题有待研究：由于控制判据对电压越限因素的综合识别能力不充分而导致自动调节判据缺陷，这样就会影响系统的调节性能，即影响电压合格率和最优调节率。因此，提出衡量变电站电压和无功综合自动控制的要求是，在无功基本平衡的前提下，实现电压合格率和最小调节率的全局最优。本文提出一种基于人工神经网络（ANN）的无功预测和优化策略相结合的变电站电压和无功综合自动控制。

1　现用的综合控制策略分析［6～8］
1.1　固定电压和无功边界特性分割区的综合控制策略
　　该系统是根据变电站当前的运行方式，利用实时监测的电压和无功两个判别量构成变电站综合自动控制策略，综合逻辑判据是基于给出的固定电压和固定无功的上下限特性，把电压和无功平面分割为9个控制区，如图1所示。
 

图1　固定电压和无功边界特性的控制分割区
Fig.1　Fixed reactive power
and voltage limit control zone

　　根据实时电压和无功在电压和无功控制平面上所处位置建立相应的控制逻辑规则。其中电压上下限由该变电站运行要求所规定，装置应把电压(U)控制在上下限之间（为合格范围），无功(Q)的上下限之差应大于一组电容器的容量，调节策略见表1。

表1　固定电压和无功边界特性的
控制分割区和基本控制策略
Table 1　Fixed voltage and reactive power limit
control zone and the basic control strategy
 

　　表中各分割区相应的基本控制策略是基于最基本原理来实现变电站电压和无功自动控制装置。不难看出其调节性能存在以下问题：
　　a.由于控制策略基于的电压和无功上下限都是固定的，没有充分考虑无功调节与电压相互协调关系，如电压接近上限，无功超越上限时，按上述控制策略投电容器，将导致电压升高越上限，继而又调变压器分接头，造成频繁调节和电压的不合格率增加。显然，在1区和4区之间、1区和8区之间的固定无功边界是不合理的，由于实时系统电压、有功和无功负荷之间的关系存在随机性，必须依据实时的电压和无功值进行协调控制计算，作出控制决策，克服调节的盲目性和不确定性。
　　b.由于各分割区控制策略都是依据实时电压、有功和无功进行，因此在无功不越限的情况下，电压出现越限时(2区、6区)，基本控制决策是调变压器的分接头。而实际上各变电站每天的有功和无功负荷的变化有一定的规律性，在无功负荷曲线上往往出现趋势变化陡峭的情况，即先出现电压下、上越限，紧接着又出现无功上、下越限的情况。它的控制过程为先由6区(2区)调变压器的分接头进入1区，紧接着又进入4区，则再投电容器又恢复进入1区。如果装置能够判定电压越限是由无功迅速增长而引起的，则完全可以在电压和无功不越限时的某个值就直接提前投入电容器。这样，就可减少变压器分接头的调节次数和提高电压的合格率。
　　c.由于实时系统电压、有功和无功负荷变化的随机性，对电压的波动控制适应性能差。
1.2　固定电压和模糊边界无功特性分割区的综合控制策略
　　为改进上述控制判据的不足，考虑系统电压和变电站的有功、无功负荷之间的随机关系，确保无功调节与电压的协调关系，提出了模糊边界的无功调节特性，将电压状态引入无功调节特性，对存在不确定性调节的边界引入模糊隶属度，以改善控制性能。根据投、切电容器时确保电压的不过调或不过补的原则，可获得无功上、下限和电压状态有关的两条斜线，如图2所示。显然，此控制策略对1.1节中分析的控制性能可有基本改善，但不能完全消除其缺陷。

图2　固定电压和模糊边界无功特性的控制分割区
Fig.2　Fixed voltage and fuzzy
reactive power limit control zone

2　基于ANN和优化策略的综合控制
2.1　总体模型构造
　　基于ANN无功预测和优化策略相结合的电压、无功综合控制系统由ANN无功预测模块、I/O模块、A/D采样模块、模糊化模块、调节决策ANN模块和计算模块组成。ANN无功预测模块的功能是根据对无功变化的预报，实现全局最优的控制策略；I/O模块是实现按运行方式调节的依据；A/D采样模块获得实时调节和计算所需的基本数据；模糊化模块在对多控制因素之间存在的不等同处理时，给予模糊化处理，是为调节决策模块作预处理；调节决策模块功能是根据电压变化的原因（如是否高压偏离正常）、无功变化的性质（大小、急变、缓变）、功率因数要考虑的权重等，作出综合优化策略。
　　变电站的日有功负荷曲线与无功负荷曲线是有规律性联系的，有功峰值的出现将伴随无功负荷峰值的出现。因此，由上述分析可知，在无功急剧上升的时段内，调节变压器分接头后，无功又很快越限，须投切电容器。基于ANN的无功负荷预测判断此时电压变化是由较剧烈的无功变化引起的（一般地区日负荷曲线上可能出现2次～4次），则提前投、切电容器，就可减少变压器分接头的调节次数。
　　在该系统中，还构造了控制决策神经网络模型和训练样本以获取多种综合控制因素，即可综合考虑电压、无功和功率因数等因素并列控制时的相对权重，用以实现组合优化控制策略的灵活性。系统总体结构如图3所示。

图3　电压和无功综合控制框图
Fig.3　Synthetic control pattern
of reactive power and voltage

2.2　ANN无功负荷预测模型
　　变电站无功负荷不像有功负荷那样稳定，除了随有功变化而变化外，还与负荷的供电电压有密切关系。
　　ANN具有极强的非线性函数拟合能力、联想记忆功能、鲁棒性等性能。理论证明，对于前馈3层ANN，适当选取2个隐含层的节点个数，可以任意精度逼近任一连续函数。本文在变电站采用前馈3层ANN进行无功负荷预测，干预电压和无功的综合控制。考虑到工作日和休息日负荷曲线相差较大，将工作日和休息日无功负荷分别用不同的ANN模型来预测：工作日无功预测网络以前5个工作日中同一时刻的无功负荷作为输入，输出为当天同一时刻的无功负荷；鉴于装置采用自动整理样本，为简化数据整理，休息日无功负荷预测网络是以前3个休息日同一时刻的无功负荷作为输入，输出为当天（休息日）无功预测。下面以休息日预测模块为例加以介绍。结构如图4所示，Q1，Q2，Q3，Q分别为前3周休息日和要预测的休息日的无功负荷。在选取隐含层节点数和误差精度时应注意，如隐含层节点过少，训练时间将大大增加，甚至不收敛，节点过多或误差精度过小，则网络记忆能力加强，一些噪声和干扰信号也被当作规律记忆下来，外推和内插效果也很差；如果隐含层节点数选取适当，网络权值就会消除噪声信号的干扰而记住负荷变化的主要规律。本文选取网络第1隐含层节点数为15，第2隐含层节点数为25，相对误差精度为0.01。组织100多个样本对本网络进行训练，以5 min为间隔，对10 d近3000个样本进行仿真，统计结果列于表2。由测试结果可知预测相对误差大多在4%左右，只有个别点超过9%。考虑到在本系统中此模块主要作为无功负荷变化趋势（相对变化）的参考，该预测精度已经足够了。

图4　ANN无功负荷预测模型结构
Fig.4　Reactive power forecatign model based of ANN

表2　负荷预测误差统计
Table 2　Errors of load forecasting
 

2.3　A/D采样和I/O模块
　　A/D采样模块对变压器高低压侧电压、电流采样，计算当前电压、无功和功率因数，作为调节和计算的主要依据。
　　I/O模块读取开关和刀闸位置信息，分析变电站运行方式，供决策模块使用。
2.4　模糊化模块
　　预测模块和A/D采样模块的输出数据较大，不易直接输入决策神经网络，需要进行归一化处理。电压和无功负荷在上下限附近变化时对决策影响较大，而在上下限中间变化时对决策影响较小，因此，在对电压、无功和功率因数归一化时进行了模糊处理，使输入数据在上下限附近变化较大，而在上下限中间变化较缓，利于ANN发现控制规律。对于电压、无功和功率因数3类数据，可以采用同一个模糊隶属度函数，也可根据具体要求设计各自的隶属函数，为简单说明，本文使用了以下的同一个模糊化隶属度函数：

其中　x为待输入的电压、无功和功率因数；A(x)为模糊化输出；ll和ul分别为待控量的上、下限；δ=(ul-ll)/10，函数中的参数可以根据需要调整。
2.5　控制决策ANN模型结构
　　调节决策ANN模型是7输入、4输出的前馈3层BP神经网络，输入来自于模糊化模块的输出，它的输出为控制决策，结构如图5所示。

cosφ为模糊处理后的前10min内的平均功率因数；V为当前电压的模糊化输出；qt为当前无功的模糊化输出；qt+Δt～qt+4Δt为来自ANN预测模块的Δt～4Δt时间后的无功负荷的模糊化输出。

图5　控制决策ANN模型结构框图
Fig.5　Control decision-making model based on ANN

　　如果不考虑qt+Δt～qt+4Δt和cos φ输入，将其全置为零，组织样本对网络进行训练，就成为前面开始提到的现用的固定电压和无功综合控制策略和模糊边界的无功调节控制策略。通过引入qt+Δt～qt+4Δt输入，给出了Δt～4Δt时间内的无功变化趋势，Δt可以根据需要选择，一般取5 min～20 min为好。据此决策模块可以判定低压母线电压变化是由高压侧电压变化或是由无功需求变化而引起的，决定是调变压器分接头或是投、切电容器，从而避免了盲目或不充分调节，以实现电压高合格率和最低调节率的综合最优，从而充分发挥电容器的利用率，将变压器分接头的调节率降至最少。
　　由于有了无功变化趋势的指导，装置可以判断出短时间的无功负荷波动越限，而不进行调节，同时解决了多控制因素的综合协调控制，如功率因数的引入，考虑到变电站的电压允许有一定偏移范围，同时它的被调节设备是非连续性的，功率因数cos φ作为主或辅助调节因素，其重要程度可以根据用户的要求而定，可在组织训练样本时体现出来。综合考虑电压、无功和功率因数等因素的并列控制时的相对权重，以实现组合优化控制策略的灵活性。
　　决策模块第1隐含层节点数取18，第2隐含层节点数取25，误差精度取0.002，组织100多个样本对网络进行训练，并以已投运的变电所为例进行仿真，消除了变压器分接头的盲目调节，效果良好。
2.6　计算模块
　　决策结果出来以后，如需要调节，程序根据变电所当前的运行方式决定如何调节变压器分接头或者投切哪一组电容器，对假定调节后的系统进行运行参数整理和潮流预计算，判断调节后电压、无功等被控量是否在限定范围之内。如不在限定范围之内，可修正调节策略，重新计算；如在限定范围之内，则发调节命令；如属异常调节，则发告警提醒运行人员。

3　结论
　　a.基于ANN的无功负荷预测和调节决策相结合的电压和无功综合自动控制的优化策略，以无功变化趋势为指导，充分发挥了电容器的经济技术效益，能在无功基本平衡和保证电压合格的前提条件下，使变压器分接头的调节次数降至最少，消除了盲目调节。实际调查表明，变压器故障大约有80%是由分接头故障引起的，减少分接头调节次数，可以降低变压器故障几率和减少维护量。
　　b.可根据用户要求的控制规律，决定调节电压、无功和功率因数在调节决策中的权重。控制装置还训练了一套不考虑预测负荷的备用网络权值，程序不断将预测负荷与当天实际负荷相比较，如果预测与实际无功负荷相差很大，可信度较低，程序自动将决策模块的预测负荷输入置零，启用备用网络权值，按模糊边界控制策略进行控制调节，可避免负荷预测偏差较大时引起的误调。
　　c.对已投运变电站的仿真结果与现场控制结果相比优点非常明显。
　　按本文所提出的原理实现的系统将有两套在南宁供电局投入运行，该系统将在现场运行中不断总结、改进和完善。

基金项目：国家攀登计划认知科学(神经网络)重大关键项目(NSC92097)
作者简介：杨争林，男，1974年生，硕士，目前从事变电站自动化的研究。
　　　　　孙雅明，女，1934年生，教授，博士生导师，主要研究方向为电力系统智能控制、故障诊断和分析。
作者单位：天津大学电气自动化与能源工程学院　300072　天津

参考文献

　[1]　胡志淳.YWK-VQP型电压无功自动控制装置在变电所的应用.贵州电力技术，1994(4)：47～48
　[2]　张玉屏.500 kV变电所电压与无功功率的控制.湖南电力技术，1989(1)：30～35
　[3]　刘新民.农村35 kV变电站电压管理探讨.电工技术，1996(7)：32～36
　[4]　Bridenbaugh C J, DiMascio D A, Aquila R D. Voltage Control Improvement Through Capacitor and Transformer Tap Optimization. IEEE Trans on Power Systems, 1992, 7(1):222～227
　[5]　Tomsovic K. A Fuzzy Linear Programming Approach to the Reactive Power/Voltage Control Problem. IEEE Trans on Power Systems, 1992, 7(1):287～293
　[6]　孙淑信，游志成,李小平,等.大型变电站微机自动调压系统的研究.电力系统自动化，1995，19(7)
　[7]　施玉祥，陶晓农.中低

[1] [2] 下一页