CN101957871A - 基于前传神经网络的同步发电机进相能力建模方法 - Google Patents
基于前传神经网络的同步发电机进相能力建模方法 Download PDFInfo
- Publication number
- CN101957871A CN101957871A CN 201010212024 CN201010212024A CN101957871A CN 101957871 A CN101957871 A CN 101957871A CN 201010212024 CN201010212024 CN 201010212024 CN 201010212024 A CN201010212024 A CN 201010212024A CN 101957871 A CN101957871 A CN 101957871A
- Authority
- CN
- China
- Prior art keywords
- generator
- neural network
- network
- phase advance
- under
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 23
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于前传神经网络的同步发电机进相能力建模方法，其特征在于：按以下步骤进行同步发电机进相能力建模：1)进行发电机进相运行试验，获取训练样本和泛化检验样本；2)建立网络拓扑结构，采用基于前传神经网络的梯度最速下降法训练网络；3)采用检验样本验证网络的泛化能力。本发明基于多层前传神经网络具有逼近任意非线性输入输出关系的能力，提出应用发电机进相典型试验结果为训练样本对BP神经网络、径向基神经网络进行训练，建立同步发电机进相运行能力模型的新方法，解决了发电机进相试验结果泛化问题，该模型可作为发电机进相运行时参数监视、无功负荷调节和制定现场运行规程的依据。
Description
技术领域
本发明涉及一种同步发电机进相运行调节电网电压及人工神经网络建模方法，属于发电机测试技术领域。
背景技术
发电机进相现场实测试验不可能穷举所有工况点，而电网运行需要进相的工况与试验时肯定会有差异，试验结果的可参照性较差。现场实测试验中未包含工况点的发电机进相能力分析，即进相试验结果泛化研究，是有待解决的关键问题。
当前使用的确定发电机进相能力的传统建模方法主要为：数学模型计算法、试验结果拟合法。其中，数学模型计算法主要通过建立发电机进相时各量值的解析数学模型，以计算出发电机进相运行能力，现有的发电机进相解析模型往往建立在假定机端电压不变，或者同步电抗不饱和等基础上，但同步发电机进相运行系统是一类复杂非线性系统，解析的数学模型难以精确建立，故该方法具有计算量大，精度低，普遍性差等局限；试验结果拟合法不考虑试验过程中各参数的关系和变化，仅从试验结果入手，拟合试验结果各量值之间的曲线，该类发电机进相能力分析方法通常包括：表格插值、曲线插值和最小二乘法对发电机进相结果曲线进行拟合等。但该方法是建立在发电机进相各变量间为线性函数关系假设上的，故也存在精度低的缺点。传统最小二乘之类的拟合主要依据残差、拟合优度等给出本台发电机的P-Q允许边界，对曲线外的未知数据的表述能力较差。
本发明基于多层前传神经网络(BP神经网络、径向基神经网络)具有逼近任意非线性输入输出关系的能力，提出应用发电机进相典型试验结果为训练样本对BP神经网络、径向基神经网络进行训练，建立同步发电机进相运行能力模型的新方法，以解决发电机进相试验结果泛化难题。
发明内容
本发明所要解决的技术问题是，针对当前发电机进相运行传统建模方法存在的精度低、泛化能力差的缺点，提供一种同步发电机进相能力建模方法，以解决发电机进相试验结果泛化难题。
为解决上述技术问题，本发明提供一种基于前传神经网络的同步发电机进相能力建模方法，其特征在于：采用以下步骤建立同步发电机进相能力神经网络模型：
1)进行发电机进相运行试验，获取训练样本和泛化检验样本；
2)建立网络拓扑结构，采用基于前传神经网络的梯度最速下降法训练网络；
3)采用检验样本验证网络的泛化能力。
前述的基于前传神经网络的同步发电机进相能力建模方法，其特征在于：在所述步骤1)中，根据发电机的额定有功功率PN，在50％PN\75％PN\100％PN典型工况下，在以发电机激磁电势和主变高压侧电压之间功角70度(为确保稳定裕度，一般以70度)为限计算出的对应有功工况下的最大允许进相无功功率限度内，进行不同进相深度的发电机进相试验，获得能够全面反映发电机进相特性的典型试验数据，并以此作为训练样本和泛化检验样本。
前述的基于前传神经网络的同步发电机进相能力建模方法，其特征在于：在所述步骤2)中，采用三到四层BP神经网络；其中输入端为2个，分别为发电机有功功率、无功功率，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量；隐层神经元采用双曲正切S型神经元或对数S型神经元；采用现有的Levenberg-Marquardt优化算法，对网络进行训练。
前述的基于前传神经网络的同步发电机进相能力建模方法，其特征在于：在所述步骤2)中，采用三层径向基神经网络，其中输入端为2个，分别为发电机有功功率、无功功率，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量，隐层为径向基神经元，采用MATLAB神经网络工具箱中的newrb函数建立发电机进相能力分析的RBF网络模型。
本发明所达到的有益效果：
本发明基于多层前传神经网络(BP神经网络、径向基神经网络)具有逼近任意非线性输入输出关系的能力，提出应用发电机进相典型试验结果为训练样本对BP神经网络、径向基神经网络进行训练，建立同步发电机进相运行能力模型的新方法，解决了发电机进相试验结果泛化问题，该模型可作为发电机进相运行时参数监视、无功负荷调节和制定现场运行规程的依据。
附图说明
图1为基于BP神经网络的发电机进相运行能力分析模型；
图2为基于RBF神经网络的发电机进相运行能力分析模型；
图3为BP神经网络的收敛精度图；
图4为RBF神经网络的收敛精度图。
具体实施方式
实施例一：基于BP神经网络的发电机进相能力建模实例
1、进行发电机进相运行试验，获取训练样本和泛化检验样本
根据发电机的额定有功PN，进行50％PN\75％PN\100％PN典型工况下，在以发电机激磁电势和主变高压侧电压之间功角70度为限计算出的对应有功工况下的最大允许进相无功功率限度内，进行不同进相深度的发电机进相试验，以获得能够全面反映发电机进相特性的典型试验数据，并以此作为训练样本和泛化检验样本。例如，某600MW发电机进相运行现场试验数据参见附表1。
2、建立网络拓扑结构，采用梯度最速下降法训练网络
以600MW发电机进相运行现场试验数据为训练样本和泛化验证样本，见表1(表1为训练样本和泛化验证样本列表)，图1为基于BP神经网络的发电机进相运行能力分析模型，采用四层BP网络，其中输入端为2个，分别为发电机有功功率、无功功率，第一隐层为11个双曲正切神经元，第二隐层为17个双曲正切神经元，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量。采用Levenberg-Marquardt优化算法，对网络进行训练，经4轮训练，均方差已降为3.4612×10-8，达到了良好的收敛精度，如图3所示。
3、采用检验样本验证网络的泛化能力
训练好的网络采用泛化验证样本检验，检验结果见表2(表2为BP网络的泛化能力检验结果表)，结果表明，所建立的发电机进相运行能力BP网络模型能以很高的精度映射发电机进相运行时的调压、功角特性，具有良好的泛化能力。
实施例二：基于径向基神经网络的发电机进相能力建模实例
1、进行发电机进行运行试验，获取训练样本和泛化检验样本
根据发电机的额定有功PN，进行50％PN\75％PN\100％PN典型工况下，在以发电机激磁电势和主变高压侧电压之间功角70度为限计算出的对应有功工况下的最大允许进相无功功率限度内，进行不同进相深度的发电机进相试验，以获得能够全面反映发电机进相特性的典型试验数据，并以此作为训练样本和泛化检验样本。例如，某600MW发电机进相运行现场试验数据参见附表1。
2、建立网络拓扑结构，采用梯度最速下降法训练网络
以600MW发电机进相运行现场试验数据为训练样本和泛化验证样本，见表1，设计径向基神经网络，图2为基于RBF神经网络的发电机进相运行能力分析模型，其中输入端为2个，分别为发电机有功功率、无功功率，隐层为18个径向基神经元，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量。采用MATLAB神经网络工具箱中的newrb函数建立发电机进相能力分析的RBF网络模型，其误差平方和为1.6412×10-29，达到了很高的收敛精度，见图4。
3、采用检验样本验证网络的泛化能力
训练好的网络采用泛化验证样本检验，检验结果见表3(表3为RBF神经网络的泛化能力检验结果表)，结果表明，所建立的发电机进相运行能力RBF网络模型能以很高的精度映射发电机进相运行时的调压、功角特性，具有良好的泛化能力。
建模实例表明，本发明有效地克服了当前发电机进相运行传统建模方法存在的精度低、泛化能力差的缺点，模型精度高、泛化能力强，可很好的满足生产和科研的要求。
表1中序号为14和20的数据为泛化验证样本，其它数据为训练样本。
表1
| 序号 | 有功MW | 无功Mvar | 功率因数 | 定子电压kV | 定子电流kA | 实测功角° | 转子电流A | 500kV电压kV |
| 1 | 308 | 71.0 | 0.974 | 20.10 | 9.00 | 24.0 | 3190 | 520.0 |
| 2 | 300 | 61.2 | 0.980 | 19.98 | 9.00 | 25.0 | 3110 | 520.0 |
| 3 | 311 | 3.45 | 1.000 | 19.74 | 9.17 | 28.5 | 2768 | 520.0 |
| 4 | 308 | -58.0 | -0.983 | 19.35 | 9.31 | 34.5 | 2464 | 517.0 |
| 5 | 311 | -138 | -0.914 | 18.97 | 10.35 | 44.5 | 2152 | 513.7 |
| 6 | 307 | -200 | -0.838 | 18.72 | 11.17 | 51.5 | 1936 | 513.0 |
| 7 | 306 | -257 | -0.766 | 18.34 | 12.58 | 62.5 | 1848 | 509.4 |
| 8 | 308 | -242 | -0.786 | 18.46 | 12.40 | 62.0 | 1890 | 509.4 |
| 9 | 451 | 90.3 | 0.984 | 20.07 | 13.31 | 32.5 | 3872 | 520.5 |
| 10 | 458 | -6.2 | -0.999 | 19.59 | 13.48 | 40.0 | 3400 | 519.5 |
| 11 | 457 | -91.4 | -0.981 | 19.22 | 14.01 | 48.0 | 3080 | 517.0 |
| 12 | 455 | -147.9 | -0.951 | 18.84 | 14.69 | 54.5 | 2888 | 514.0 |
| 13 | 451 | -211.2 | -0.906 | 18.61 | 15.64 | 62.5 | 2768 | 511.0 |
| 14 | 454 | -208.0 | -0.909 | 18.49 | 15.63 | 62.0 | 2768 | 511.0 |
| 15 | 602 | 160.0 | 0.966 | 20.28 | 17.95 | 37.0 | 4970 | 523.7 |
| 16 | 609 | 121.8 | 0.981 | 19.99 | 17.96 | 40.0 | 4712 | 520.0 |
| 17 | 604 | 6.15 | 0.999 | 19.55 | 17.96 | 48.0 | 4144 | 516.8 |
| 18 | 607 | -71.0 | -0.990 | 19.18 | 18.48 | 55.0 | 3980 | 513.0 |
| 19 | 602 | -121.8 | -0.980 | 18.76 | 18.88 | 60.0 | 3800 | 510.0 |
| 20 | 602 | -171.7 | -0.962 | 18.45 | 19.51 | 66.0 | 3744 | 507.0 |
| 21 | 600 | -201.1 | -0.948 | 18.42 | 19.96 | 68.0 | 3740 | 507.0 |
表2
表3
建模实例表明，本发明有效地克服了当前发电机进相运行传统建模方法存在的精度低、泛化能力差的缺点，模型精度高、泛化能力强，可很好的满足生产和科研的要求。
以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。
Claims (4)
1.一种基于前传神经网络的同步发电机进相能力建模方法，其特征在于：采用以下步骤建立同步发电机进相能力神经网络模型：
1)进行发电机进相运行试验，获取训练样本和泛化检验样本；
2)建立网络拓扑结构，采用基于前传神经网络的梯度最速下降法训练网络；
3)采用检验样本验证网络的泛化能力。
2.根据权利要求1所述的基于前传神经网络的同步发电机进相能力建模方法，其特征在于：在所述步骤1)中，根据发电机的额定有功功率PN，在50％PN\75％PN\100％PN典型工况下，在以发电机激磁电势和主变高压侧电压之间功角70度为限计算出的对应有功工况下的最大允许进相无功功率限度内，进行不同进相深度的发电机进相试验，获得能够全面反映发电机进相特性的典型试验数据，并以此作为训练样本和泛化检验样本。
3.根据权利要求1所述的基于前传神经网络的同步发电机进相能力建模方法，其特征在于：在所述步骤2)中，采用三到四层BP神经网络；其中输入端为2个，分别为发电机有功功率、无功功率，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量；隐层神经元采用双曲正切S型神经元或对数S型神经元；采用现有的Levenberg-Marquardt优化算法，对网络进行训练。
4.根据权利要求1所述的基于前传神经网络的同步发电机进相能力建模方法，其特征在于：在所述步骤2)中，采用三层径向基神经网络，其中输入端为2个，分别为发电机有功功率、无功功率，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量，隐层为径向基神经元，采用MATLAB神经网络工具箱中的newrb函数建立发电机进相能力分析的RBF网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010212024 CN101957871B (zh) | 2010-06-28 | 2010-06-28 | 基于前传神经网络的同步发电机进相能力建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010212024 CN101957871B (zh) | 2010-06-28 | 2010-06-28 | 基于前传神经网络的同步发电机进相能力建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101957871A true CN101957871A (zh) | 2011-01-26 |
| CN101957871B CN101957871B (zh) | 2012-10-03 |
Family
ID=43485200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201010212024 Active CN101957871B (zh) | 2010-06-28 | 2010-06-28 | 基于前传神经网络的同步发电机进相能力建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101957871B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598686A (zh) * | 2015-01-24 | 2015-05-06 | 安徽大学 | 基于电磁计算及神经网络的水泵电机建模与优化方法 |
| CN104827928A (zh) * | 2014-09-09 | 2015-08-12 | 北汽福田汽车股份有限公司 | 电动汽车的控制系统及具有其的电动汽车 |
| CN106099979A (zh) * | 2016-07-19 | 2016-11-09 | 国网河北省电力公司电力科学研究院 | 一种考虑电网稳定限制的机组进相能力分析方法 |
| CN108565846A (zh) * | 2018-02-05 | 2018-09-21 | 大连理工大学 | 一种基于自适应神经模糊推理系统的特高压变压器励磁涌流预测算法 |
| CN111987750A (zh) * | 2020-09-03 | 2020-11-24 | 国网重庆市电力公司电力科学研究院 | 一种发电机安全进相能力裕度的在线监测方法及系统 |
| CN113484575A (zh) * | 2021-07-23 | 2021-10-08 | 国网重庆市电力公司电力科学研究院 | 基于功角搜索的发电机进相能力预评估方法、设备及介质 |
| CN117318052A (zh) * | 2023-11-28 | 2023-12-29 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1380553A (zh) * | 2002-04-09 | 2002-11-20 | 河海大学 | 发电机实时功角的测量方法 |
-
2010
- 2010-06-28 CN CN 201010212024 patent/CN101957871B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1380553A (zh) * | 2002-04-09 | 2002-11-20 | 河海大学 | 发电机实时功角的测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| > 20091231 王芳等 发电机进相运行研究现状 4,5,9 1-4 第38卷, 第6期 2 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104827928A (zh) * | 2014-09-09 | 2015-08-12 | 北汽福田汽车股份有限公司 | 电动汽车的控制系统及具有其的电动汽车 |
| CN104598686A (zh) * | 2015-01-24 | 2015-05-06 | 安徽大学 | 基于电磁计算及神经网络的水泵电机建模与优化方法 |
| CN106099979A (zh) * | 2016-07-19 | 2016-11-09 | 国网河北省电力公司电力科学研究院 | 一种考虑电网稳定限制的机组进相能力分析方法 |
| CN108565846A (zh) * | 2018-02-05 | 2018-09-21 | 大连理工大学 | 一种基于自适应神经模糊推理系统的特高压变压器励磁涌流预测算法 |
| CN111987750A (zh) * | 2020-09-03 | 2020-11-24 | 国网重庆市电力公司电力科学研究院 | 一种发电机安全进相能力裕度的在线监测方法及系统 |
| CN113484575A (zh) * | 2021-07-23 | 2021-10-08 | 国网重庆市电力公司电力科学研究院 | 基于功角搜索的发电机进相能力预评估方法、设备及介质 |
| CN117318052A (zh) * | 2023-11-28 | 2023-12-29 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
| CN117318052B (zh) * | 2023-11-28 | 2024-03-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101957871B (zh) | 2012-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101957871B (zh) | 基于前传神经网络的同步发电机进相能力建模方法 | |
| CN107453357B (zh) | 一种基于分层求解的配电网状态估计方法 | |
| CN101964525B (zh) | 一种支持大规模电流量测的配电网状态估计方法 | |
| CN101252280A (zh) | 一种城市电网最大供电能力在线评估方法 | |
| CN106099891B (zh) | 对海上风电场出线端海缆进行并联电抗器优化配置的分析方法 | |
| Yang et al. | Dynamic reduction of large power system in PSS/E | |
| CN105305438B (zh) | 基于变阻抗和受控交流电压源的新能源电站模型验证方法 | |
| CN104104081B (zh) | 一种基于优化方法的非迭代不确定潮流分析方法 | |
| Biserica et al. | Network partition for coordinated control in active distribution networks | |
| CN104882884A (zh) | 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法 | |
| Mouco et al. | A robust state estimator for power systems with HVDC components | |
| CN105680442B (zh) | 考虑潮流和灵敏度一致性等值的期望缺供电量评估方法 | |
| Dubey | Load flow analysis of power systems | |
| Chertkov et al. | Voltage collapse and ODE approach to power flows: Analysis of a feeder line with static disorder in consumption/production | |
| CN102855382A (zh) | 一种电力系统三相短路故障临界切除时间的在线求取方法 | |
| Dalali et al. | Voltage instability prediction based on reactive power reserve of generating units and zone selection | |
| Shen et al. | Generalized discrete‐time equivalent model for interfacing the grid‐connected photovoltaic system | |
| CN107230982B (zh) | 一种微电网线性化潮流计算方法 | |
| CN112036010A (zh) | 一种基于数据驱动的光伏系统动态过程混合等效建模方法 | |
| Pagnetti et al. | Probabilistic methods moving towards the field: a tool for DG connection studies featuring the alternatives to grid reinforcement | |
| CN111339624A (zh) | 基于psasp和emtp/atp短路电流直流分量计算方法 | |
| Obrenić et al. | A novel intervals-based algorithm for the distribution short-circuit calculation | |
| CN104037756A (zh) | 一种含复杂电力设备模型的电力系统稳定评估方法 | |
| CN110854850A (zh) | 一种最小化网损的电网拓扑优化方法 | |
| CN107546742B (zh) | 一种日前计划潮流有功及电压计算误差分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| ASS | Succession or assignment of patent right |
Owner name: HEHAI UNIV. JIANGSU ELECTRIC POWER CO. STATE ELECT Free format text: FORMER OWNER: HEHAI UNIV. Effective date: 20121029 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20121029 Address after: 211102 Su mansion, No. 58 Su Fang Avenue, Jiangning District, Jiangsu, Nanjing Patentee after: JIANGSU FANGTIAN POWER TECHNOLOGY Co.,Ltd. Patentee after: HOHAI University Patentee after: JIANGSU ELECTRIC POWER Co. Patentee after: State Grid Corporation of China Address before: 211102 Su mansion, No. 58 Su Fang Avenue, Jiangning District, Jiangsu, Nanjing Patentee before: JIANGSU FANGTIAN POWER TECHNOLOGY Co.,Ltd. Patentee before: HOHAI University |