CN102013697A - 一种风电场的电压/无功综合智能控制方法 - Google Patents

Abstract

本发明属于电力系统控制领域，具体涉及一种风电场的电压/无功综合智能控制方法。采用到基于神经网络和模糊控制的智能技术，不需要精确的数学模型，并能够结合一定的电力系统经验和知识——九区控制图来形成知识库和模糊控制表，实现对风电场电压无功的综合控制。不但降低了因电压波动引起的频繁动作，而且实现了风电场综合的无功电压控制，达到常规控制方法难以达到的理想控制效果，大大提高了对电能质量的控制能力。

Description

一种风电场的电压/无功综合智能控制方法

技术领域

本发明属于电力系统控制领域，具体涉及一种风电场的电压/无功综合智能控制方法。

背景技术

伴随风力发电在我国的迅速发展，风电场并网容量的不断增加，电网对风电场输出的电能质量提出了更高的要求。由于风能的随机性，风速预测存在一定误差，风电场不能提供稳定的功率，发电稳定性较差；另外，风电场的功率波动会影响当地电网的电能质量，产生电压波动。因而，风电场要求控制无功和电压要在一定范围内，以确保供电质量。

由于风电场的无功电压很难预测，我国并网运行的风电场，风机大多运行在恒功率控制方式下，即风机不参与调节。风电场控制无功/电压的手段，包括厂站或风场并网点电容器、电抗器的投切、SVC的控制、改变有载变压器的分接头等。这些设备进行无功/电压调节时，基本上是独立调节，不能做到整体综合的调控。这样，有时会造成各种无功/电压控制设备的频繁投切或动作，造成了不必要的浪费，造成电压震荡，缩短了设备使用的寿命。

本发明将利用神经网路和模糊控制的理论，不但使各种无功/电压调节设备得到综合的利用，而且，将具备无功调节能力的风力发电机加入无功/电压调节的行列中，充分利用可调节的设备，将设备利用率大大提高，并且延长设备的使用寿命，确保风电场输出良好的电能质量。

由于风电场的无功功率和电压综合调节，受许多现场情况和设备实际条件的约束，为多变量、强耦合非线性控制，其控制规律不能用一个统一、精确的数学模型来描述。采用常规的控制理论来解决不能得到满意结果，即便是现代控制理论也得不到非常满意的结果。利用模糊控制方法，不需要风电场的无功/电压控制具有精确的数学模型，并且能够克服风电场非线性因素的影响，对被调节对象有较强的鲁棒性，并能将电力系统的相关知识和控制经验表示为语言规则用于无功/电压综合控制中。它是处理推理系统和控制系统中不精确和不确定性对象的一种很有效方法。

但是，模糊控制中模糊规则的提取和隶属函数的优化是困扰模糊信息处理技术的难题。利用专家的经验得到的模糊控制规则和隶属度函数具有很大程度的不确定性，因此将这样的控制策略直接应用于控制中，往往不能得到理想的控制效果。而利用神经网络的自学习特性来进行模糊信息处理，可以很好的解决模糊规则的自动提取和隶属函数优化问题。

因而，本发明将在模糊控制的基础上，利用神经网络的神经元算法的自学习功能，自动提取模糊控制的模糊规则并对隶属度函数进行优化。充分发挥智能控制的优势，有效提高风电场电能质量的控制能力。

发明内容

本发明主要是提供一种风电场的电压/无功综合智能控制方法。采用到基于神经网络和模糊控制的智能技术，不需要精确的数学模型，并能够结合一定的电力系统经验和知识——九区控制图来形成知识库和模糊控制表，实现对风电场电压无功的综合控制。不但降低了因电压波动引起的频繁动作，而且实现了风电场综合的无功电压控制，达到常规控制方法难以达到的理想控制效果，大大提高了对电能质量的控制能力。

本发明技术方案的优点是：

1.根据传统变电站的九区图的控制思路，对其进行创新，形成适合风电场的无功电压控制思想，并将其融入智能控制规则中，最终实现对风电场无功电压的控制。

2.使风电场各种无功电压控制设备作为一个整体进行综合控制，提高了风电场无功电压调节设备的利用率，减少了离散无功投切设备和有载变压器分接头频繁动作，延长了其寿命。

3.由于对风电场并网点的电压无功进行调控，提高了风电场的低电压穿越能力，最终保证了风电场的供电质量。

附图说明

下面结合附图对本发明进一步说明。

图1示出电压/无功综合控制系统结构图。

图2示出基于神经网络的模糊控制系统结构图。

图3示出了改进的九区控制图。

图4示出模糊隶属度函数分布图。

具体实施方式

本发明调节对象是变压器高压侧即并网结点处的电压、无功值，结合模糊控制和神经网络的智能控制方法优点，将电力系统的相关知识、控制经验表示为语言规则用于无功/电压综合控制中，有效提高风电场电能质量的控制能力。改变风电场以往离散的控制模式，融入风机、SVC等连续无功投切设备，将风电场作为一个整体综合控制。在电压过低时，通过在投切无功设备来调节无功，以维持电压，提高风电场风机运行的低电压穿越能力。

本发明设计的电压/无功综合控制系统结构图如附图1。

1.形成模糊控制系统

根据风电场运行情况，将风电场电压/无功模糊控制系统可抽象为“两入三出”结构。“两入”为：电压偏差和无功偏差作为模糊控制的输入；“三出”为：连续无功投切设备调节、变压器分接头调整和离散无功投切设备控制作为输出。

由于输出之间存在着耦合关系，为了便于控制，将上述电压/无功模糊控制系统解耦，变为三个独立的“两入一出”子系统的组合，即离散无功投切设备的子系统、有载变压器分接头控制子系统和连续无功投切设备控制子系统。每一个子系统的结构关系图如附图2。

2.连接方式和连接权值。

每个人工神经元相当于一个多输入单输出的非线性阀值器件，它有三个基本要素：

①一组连接权值，对应于生物神经元的突触；

②一个求和单元，用于求取各输入信息的加权和；

③一个非线性激励函数，起非线性映射作用并限制神经元输出在一定的范围之内。

此外还有一个阀值θ_j，单个神经元的输入输出关系为：

$\left\{\begin{array}{c}{I}_j=\underset{p=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{jp}}{x}_p-{\mathrm{\θ}}_j\\ y_j=f\left(I_j\right)\end{array}\right.$

式中x₁，x₂，...，x_n为输入信号，w_j1，w_j2，...w_jn为神经元j之权值，I_j为线性组合结果，θ_j为阀值，f为激励函数，y_j为神经元j的输出。

为了方便，将Ij统一表示为：

$I_j=\underset{p=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{jp}}{x}_p$

式中w_j0＝θ_j，x₀＝-1。将人工神经元通过一定的结构组织起来，就可构成人工神经元网络。

神经元第一层为输入层，输入是电压偏差和无功偏差。此层仅把输入值传递给下一层，其连接权值为1。

即：I_i ⁽¹⁾＝x_i

O_i ⁽¹⁾＝I_i ⁽¹⁾

第二层为对输入量进行模糊化。每个神经原代表一种语言值，表达为一个隶属函数。由于电压偏差和无功偏差各有7个语言值，因此第二层共有14个神经原。每个神经原的输出对应相应的隶属函数。

I_ij ⁽²⁾＝O_i ⁽¹⁾＝x_i

${O_{\mathrm{ij}}}^{\left(2\right)}=A_{\mathrm{ij}}\left(x_i\right)=\exp (-{\left(\frac{x_i-a_{\mathrm{ij}}}{b_{\mathrm{ij}}}\right)}^2)$

其中，A_ij(x_i)表示当输入为x_i时相应的隶属度，a_ij，b_ij表示采用正态分布的隶属函数的中心值和其宽度。调节中心值a_ij可以改变隶属度函数在论域上的分布，调节宽度b_ij可以改变其形状。i＝1，2，为输入变量标号；j＝1，2…，7为语言值标号。

3.确定模糊查询表和模糊控制规则

定义电压偏差的基本论域为X₁∈(-1.0，1.0)；无功偏差的基本论域为X₂∈(-3Q₀，+3Q₀)；作用于变压器分接头上控制输出的基本论域定义为Y₁＝{-3，-2，-1，0，1，2，3}，论域上一个值对应分接头的一个档位；控制离散无功投切设备的基本论域定义为Y₂＝{-3，-2，-1，0，1，2，3}，论域上的值表示投切电容器的组数，负数为切，正数为投；连续无功投切设备的基本论域定义为Y₃∈(-1，1)。按照论域中元素总数为模糊子集总数的2～3倍的规律定义模糊输入变量和输出模糊集论域均为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。定义模糊集为{NB NM NS O PS PM PB}，建立基本论域与模糊集论域的转换关系，如表1。

表1模糊控制规则表

推理的的过程，结合采用九区控制图的思想，并考虑优先调节风机和风机调节的极限等情况进行推理。依据设定的U_H、U_L、Q_max、Q_min，及可整定的电压死区与功率因素调节死区ΔQ、ΔU，结合当前的运行方式和状态，在不同区位点采取不同的控制策略，如附图3所示。根据控制思路，形成模糊查询表，如表2。

表2模糊查询表

然后进行模糊推理，即第三层。第二和第三层神经元之间的连接权值为1，共有7×7＝49个神经元，采用积复合推理法则，有：

I_pq ⁽³⁾＝A_1p(x₁)A_2q(x₂)

O_pq ⁽³⁾＝I_pq ⁽³⁾

第四层为去模糊化层，采用重心法有：

$I^{\left(4\right)}=\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{O^{\left(3\right)}}_{\mathrm{pq}}{w}_{\mathrm{pq}}$

$O^{\left(4\right)}=\frac{I^{\left(4\right)}}{\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{O^{\left(3\right)}}_{\mathrm{pq}}}=\mathrm{\Δu}$

式中，N＝7为每个输入语言变量所含的语言值数目，w_pq是结论语言值w_pq的最大隶属度。

4.选择适当比例因子

选择目标函数

其中Δu*_mn为FNN的期望输出量，Δu_mn为FNN的实际输出量。我们采用前向型多层反向传播的BP神经网络，利用BP算法调整a_ij，b_ij和w_pq值，直至目标函数小于或等于设定值，从而实现隶属度函数和模糊控制规则的离线记忆和优化。

为了使FNN应用到系统中去，使系统能保持稳定，要对FNN进行离线训练，使FNN能够记忆模糊控制规则。设电压偏差的语言变量为E，无功偏差的语言变量为EC，FNN的输出量为ΔU，，根据常规模糊控制得到的模糊查询表，对入N*N个(N＝13)个样本进行训练。在此我们使用批处理方式训练网络，即待组成一个训练周期的全部样本都依次输入后计算总的平均误差再求各修正值。针对BP算法收敛速度慢、有可能收敛于局部极值点的问题，根据总误差变化对收敛速度进行调整、对权系数引入了动量项避免了神经网络收敛于局部极值点。

具体规则如下列方程式：

式中，J(t)为在t时刻的总误差，η(t)为t时刻的学习率，参数的典型值为：a＝1.06，b＝0.7，n＝1.09。

引入动量项，考虑以前时刻连接权系数的变化量，有如下关系：

$w_{\mathrm{pq}}(t+1)=w_{\mathrm{pq}}\left(t\right)+\mathrm{\η}\left(t\right)\frac{\∂J}{\∂w_{\mathrm{pq}}}+\mathrm{\β\Δ}{w}_{\mathrm{pq}}\left(t\right)$

$a_{\mathrm{ij}}(t+1)=a_{\mathrm{ij}}\left(t\right)+\mathrm{\η}\left(t\right)\frac{\∂J}{\∂a_{\mathrm{ij}}}+\mathrm{\β\Δ}{a}_{\mathrm{ij}}\left(t\right)$

$b_{\mathrm{ij}}(t+1)=b_{\mathrm{ij}}\left(t\right)+\mathrm{\η}\left(t\right)\frac{\∂J}{\∂b_{\mathrm{ij}}}+\mathrm{\β\Δ}{b}_{\mathrm{ij}}\left(t\right)$

经过训练后X₁(角度偏差)的隶属函数如附图4所示。

式中，η(t)为t时刻的学习率，β为动量项系数；p，q，j＝1，2，3，…，N；i＝1，2，3。 $\frac{\∂J}{\∂w_{\mathrm{pq}}}=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂j_{\mathrm{mn}}}{\∂w_{\mathrm{pq}}}$ $\frac{\∂J}{\∂a_{\mathrm{ij}}}=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂j_{\mathrm{mn}}}{\∂a_{\mathrm{ij}}}$ $\frac{\∂J}{\∂b_{\mathrm{ij}}}=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\underset{m=1}{\overset{N}{\mathrm{\Σ}}}\frac{\∂j_{\mathrm{mn}}}{\∂b_{\mathrm{ij}}}$

基于神经网络的的模糊控制设计步骤如下：

①根据已知的风力发电机无功/电压综合控制的知识、经验等，初步确定出传统意义上的模糊控制系统；

②根据上述模糊控制系统的隶属函数与模糊控制规则，确定出神经网络的连接方式和连接权值；

③对操作人员的实际经验进行总结和归纳，得出风电场无功/电压综合控制规则表，将此表转化为适应于受控对象的输入量与输出量之间的关系表(即模糊查询表)，此即FNN的学习样本。利用BP算法对FNN进行离线训练，学习结果便确定了各参数a_ij，b_ij和w_pq，也就调整了各语言值隶属度函数并记住了模糊控制规则；

④根据被控对象的实际工作情况，选择适当的比例因子，将FNN接入到控制系统中进行控制。

此处已经根据特定的示例性实施例对本发明进行了描述。对本领域的技术人员来说在不脱离本发明的范围下进行适当的替换或修改将是显而易见的。示例性的实施例仅仅是例证性的，而不是对本发明的范围的限制，本发明的范围由所附的权利要求定义。

Claims (1)

1.一种风电场的电压/无功综合智能控制方法，其特征在于包括以下步骤：

(1)构建风电场并网点的无功电压综合控制模型，确定输入量和输出量；确立基本论域，以及模糊集论域，并建立基本论域和模糊集论域的关系；

根据风电场运行情况，将风电场并网点的电压/无功模糊控制系统可抽象为“两入三出”结构，其中“两入”为：电压偏差和无功偏差作为模糊控制的输入；“三出”为：连续无功投切设备调节、变压器分接头调整和离散无功投切设备控制作为输出；

定义电压偏差的基本论域为X1∈(-1.0，1.0)；无功偏差的基本论域为X2∈(-3Q0，+3Q0)；作用于变压器分接头上控制输出的基本论域定义为Y1＝{-3，-2，-1，0，1，2，3}，论域上一个值对应分接头的一个档位；控制离散无功投切设备的基本论域定义为Y2＝{-3，-2，-1，0，1，2，3}，论域上的值表示投切电容器的组数，负数为切，正数为投；连续无功投切设备的基本论域定义为Y3∈(-1，1)；按照论域中元素总数为模糊子集总数的2～3倍的规律定义模糊输入变量和输出模糊集论域均为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}；定义模糊集为{NB NM NS O PS PM PB}，建立基本论域与模糊集论域的转换关系；

(2)对模糊变量进行赋值；

对模糊变量赋值的隶属函数有多种形式，包括梯形、三角形和钟型的形状；由于模糊规则提取和隶属函数优化是困扰模糊控制的难题，利用神经网络的自学习特性来进行模糊信息的处理；

单个神经元的输入输出关系为：

$\left\{\begin{array}{c}{I}_j=\underset{p=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{jp}}{x}_p-{\mathrm{\θ}}_j\\ y_j=f\left(I_j\right)\end{array}\right.$

式中x₁，x₂，...，x_n为输入信号，w_j1，w_j2，...w_jn为神经元j之权值，Ij为线性组合结果，θ_j为阀值，f为激励函数，yj为神经元j的输出；

将人工神经元通过一定的结构组织起来，从而构成人工神经元网络；

(3)对输入量进行模糊化，每个神经原的输出对应相应的隶属函数：

I_ij ⁽²⁾＝O_i ⁽¹⁾＝x_i

${O_{\mathrm{ij}}}^{\left(2\right)}=A_{\mathrm{ij}}\left(x_i\right)=\exp (-{\left(\frac{x_i-a_{\mathrm{ij}}}{b_{\mathrm{ij}}}\right)}^2)$

其中，Aij(xi)表示当输入为xi时相应的隶属度，a_ij，b_ij表示采用正态分布的隶属函数的中心值和其宽度；调节中心值a_ij可以改变隶属度函数在论域上的分布，调节宽度b_ij可以改变其形状，然后进行模糊推理，结合采用九区控制图控制变压器低压侧电压无功的规则，并考虑优先调节风机和风机调节的极限的情况进行推理；依据设定的U_H、U_L、Qmax、Qmin，及可整定的电压死区与功率因素调节死区ΔQ、ΔU，结合当前的运行方式和状态，在不同区位点采取不同的控制策略，形成模糊控制规则表；神经元之间的连接权值为1，共有7×7＝49个神经元，采用积复合推理法则，有：

I_pq ⁽³⁾＝A_1p(x₁)A_2q(x₂)

O_pq ⁽³⁾＝I_pq ⁽³⁾

去模糊化采用重心法：

$I^{\left(4\right)}=\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{O^{\left(3\right)}}_{\mathrm{pq}}{w}_{\mathrm{pq}}$

$O^{\left(4\right)}=\frac{I^{\left(4\right)}}{\underset{p=1}{\overset{N}{\mathrm{\Σ}}}\underset{q=1}{\overset{N}{\mathrm{\Σ}}}{O^{\left(3\right)}}_{\mathrm{pq}}}=\mathrm{\Δu}$

式中，N＝7为每个输入语言变量所含的语言值数目，w_pq是结论语言值w_pq的最大隶属度；

(4)选择适当比例因子

选择目标函数

其中Δu*_mn为FNN的期望输出量，Δu_mn为FNN的实际输出量；采用前向型多层反向传播的BP神经网络，利用BP算法调整a_ij，b_ij和w_pq值，直至目标函数小于或等于设定值，从而实现隶属度函数和模糊控制规则的离线记忆和优化。

Images