CN103501016A - 基于过程神经网络的tcsc控制方法及系统 - Google Patents

Abstract

本发明提供了一种基于过程神经网络的TCSC控制方法及系统，采用过程神经网络构造含TCSC单机无穷大电力系统的逆系统模型，并采取傅里叶分析方法和DSP控制，将基波和各谐波频率下TCSC的稳态阻抗之和作为TCSC的等值阻抗，充分考虑随时间变化的各过程，结合经典的线性控制，通过对发电机的功角进行测量和处理，生成控制信号对TCSC的触发角进行控制，灵活、连续、平滑、大范围调节输电线路的等值阻抗，增加系统的阻尼，控制发电机的功角跟踪稳定值，从而有效地抑制电力系统的低频振荡，提高系统的稳定性。

Description

基于过程神经网络的TCSC控制方法及系统

技术领域

本发明属于电力系统控制领域，涉及一种基于过程神经网络的TCSC（即可控串补）控制方法及系统。

背景技术

电力系统是非线性的复杂系统，而电力电子器件的应用又加剧了系统的非线性程度，采用灵活交流输电技术FACTS来增强系统的稳定性，从而尽可能地提高线路的传输能力，正成为电力系统领域的研究热点。TCSC（即可控串补）是FACTS概念提出后研究较多并得到实际应用的一种新型控制器。在系统稳态运行时，如果受到干扰导致发电机的功角减少或增加，角速度及角加速度增大或减少，通过调节TCSC的晶闸管的触发角可以灵活、连续、平滑、大范围调节输电线路的等值阻抗，增加系统的阻尼，控制发电机的功角跟踪稳定值，从而有效地抑制电力系统的低频振荡，提高系统的稳定性。

传统的线性控制方法，如反馈控制、PID控制和最优控制，只能在一个很小的范围内保证系统的稳定性。利用神经网络解决复杂系统的控制问题，无需知道系统的数学模型，且易于实现，适用于较一般的线性与非线性系统的控制。但是，迄今为止，对各种实际系统建立的神经网络模型都没有考虑与时间有关的变化过程，都是采取一些静止的输入量，而电力系统中的各个物理量通常都是随着时间而变化的，比如机械功率会随着负载的变化而变化，发电机的功角也是时间的函数，因此，考虑各个物理量随着时间而变化的过程，建立电力系统的模型，设计针对TCSC的等值阻抗的控制策略，是一个重要的研究课题。

发明内容

本发明所要解决的技术问题是提供一种基于过程神经网络的TCSC控制方法及系统，采用过程神经网络构造含TCSC单机无穷大电力系统的逆系统模型，充分考虑随时间变化的各过程，结合经典的线性控制，能够灵活、连续、平滑、大范围调节输电线路的等值阻抗，增加系统的阻尼，控制发电机的功角跟踪稳定值，从而有效地抑制电力系统的低频振荡，提高系统的稳定性。

发明的技术解决方案如下：

一种基于过程神经网络的TCSC控制方法，对含TCSC的单机无穷大电力系统，通过对发电机的功角进行测量和处理，生成控制信号对TCSC的触发角进行控制，改变TCSC的等值阻抗，控制发电机的功角跟踪期望功角，包含如下步骤：

步骤一、采用过程神经网络构造含TCSC单机无穷大电力系统的逆系统模型；

步骤二、测量TCSC的等值阻抗X_TCSC，并建立阻抗-触发角对应表α＝f(X_TCSC)；

步骤三、测量发电机的功角δ_a和机械功率P_m，通过一个附加线性控制器G_c(s)与步骤一中的过程神经网络连接，将发电机的期望功角δ_p和测量功角δ_a之差δ_e作为附加线性控制器的输入，附加线性控制器输出跟踪功角δ_t，将跟踪功角δ_t和机械功率P_m作为过程神经网络的输入，过程神经网络输出命令阻抗X_O；

步骤四、采用PID控制器对命令阻抗X_O与步骤二中测量的TCSC的等值阻抗X_TCSC之差进行校正，PID控制器输出调整阻抗分量，所述调整阻抗分量和命令阻抗X_O之和组成调整阻抗X_C，查询步骤二中的阻抗-触发角对应表，得到调整阻抗X_C对应的触发角α_c，采用触发脉冲发生器用触发角α_c触发TCSC，使得TCSC的等值阻抗等于调整阻抗X_C，从而使得TCSC系统的发电机的功角跟踪期望功角δ_p。

步骤一中的过程神经网络采取具有2个输入节点、9个隐层节点和1个输出节点的过程神经网络，输入与输出之间的关系为

$y=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{v}_{i}f[\left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{\∫}_0^T\right[\underset{l=1}{\overset{18}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ji}}^{\left(l\right)}{b}_l\left(t\right)x_j\left(t\right)]\mathrm{dt}-\mathrm{\θ}],$

其中，x_j为过程神经网络的输入，j＝1,2,x₁和x₂分别为机械功率P_m和跟踪功角δ_t，y为过程神经网络的输出，为与跟踪功角δ_t对应的命令阻抗X_O，[0,T]为采样时间区间，T=75s，v_i为隐层到输出层的连接权值，初始值为0.01，

为输入层到隐层的连接权值，初始值为0.01，θ为输出层神经元阈值，初始值为0.03，bl(t)(l＝1,2,…,18)为权值基函数，

激励函数f(u)为Sigmoid函数，有

系统构造过程如下：

对于含TCSC单机无穷大电力系统，分别把阶跃、斜坡信号作为TCSC的阻抗

输入25次，测量发电机的功角δ′和机械功率P_m′，并将所测量的发电机的功角δ′和机械功率P_m′进行二次多项式拟合，获取50组样本数据：δ′_k(t)、P_mk′(t)，k＝1,2,…,50；以该50组样本数据作为过程神经网络的输入，以TCSC的阻抗分别为阶跃、斜坡信号作为过程神经网络的期望输出dXTCSCk，k＝1,2,…,50，对过程神经网络进行训练，采用基于梯度下降的学习算法，连接权值和阈值的学习效率均取为0.45，误差函数为

训练误差精度取为0.05，最大迭代次数为30000，直至误差精度满足要求，则训练完毕，该过程神经网络即为含TCSC单机无穷大电力系统的逆系统模型。

步骤二中测量TCSC的等值阻抗X_TCSC的步骤如下：

首先选取DSP、双向缓冲器、FFT处理芯片和数据存储器，数据存储器中包括实部存储器、虚部存储器和窗函数存储器；然后用DSP测量TCSC的电压电流数据并经双向缓冲器读入实部存储器和虚部存储器中，再从窗函数存储器中选取窗函数，将实部存储器和虚部存储器中的数据乘以窗函数，再由FFT处理芯片进行FFT变换，得到TCSC的电压、电流的基波和各谐波分量，进而由DSP计算出基波和各谐波分量频率下TCSC的稳态阻抗，将基波和各谐波分量频率下TCSC的稳态阻抗之和作为TCSC的等值阻抗。

步骤三中的附加线性控制器的传递函数为

步骤四中的PID控制器的比例、积分、微分系数分别为P=1.856，I=0，D=0.458。

基于过程神经网络的TCSC控制方法的系统，包括TCSC系统，和TCSC系统连接的阻抗测量单元、功角测量单元、机械功率测量单元、触发脉冲发生器，附加线性控制器，过程神经网络，PID控制器，查询并存储TCSC触发角和阻抗对应表的单片机系统,对期望功角δ_p和功角测量单元测量所得的测量功角δ_a进行比较的处理器，比较过程神经网络输出的命令阻抗X_O与阻抗测量单元测量的TCSC的等值阻抗X_TCSC的比较器，将PID控制器输出的调整阻抗分量与过程神经网络输出的命令阻抗X_O进行求和的计算器。处理器的输出端依次与附加线性控制器、过程神经网络连接。机械功率测量单元与过程神经网络连接。比较器分别与过程神经网络、阻抗测量单元、PID控制器连接。计算器分别与过程神经网络、PID控制器、单片机系统连接。单片机系统与触发脉冲发生器连接。TCSC系统为含TCSC的单机无穷大电力系统。过程神经网络具有2个输入节点、9个隐层节点和1个输出节点。阻抗测量单元中包括DSP控制器、双向缓冲器、FFT处理芯片和数据存储器。

有益效果：

本发明采用过程神经网络构造含TCSC单机无穷大电力系统的逆系统模型，充分考虑随时间变化的各过程，结合经典的线性控制，能够灵活、连续、平滑、大范围调节输电线路的等值阻抗，增加系统的阻尼，控制发电机的功角跟踪稳定值，从而有效地抑制电力系统的低频振荡，提高系统的稳定性。

附图说明

图1为本发明中基于过程神经网络的TCSC控制框图；

图2为本发明中过程神经网络结构图；

图3为本发明中TCSC等值阻抗测量框图；

图4为含TCSC单机无穷大电力系统简图；

图5为本发明实施例中发电机功角曲线。

其中：G为发电机，V_S为无限大系统母线电压，Vt为发电机机端电压，Xe为TCSC的阻抗。

具体实施方式

以下将结合附图和具体实施例对发明做进一步详细说明：

实施例1：

本发明中基于过程神经网络的TCSC控制系统如图1所示，含TCSC的单机无穷大电力系统如图4所示，其中：G为发电机，VS为无限大系统母线电压，Vt为发电机机端电压，Xe为TCSC的阻抗，T为变压器，AC，SC为母线，L1和L2为输电线路。本实施例中，参数（标幺值表示）选择如下：

变压器电抗为X_T＝0.1，输电线路L1的线路电抗为X_l1＝0.24，输电线路L2的线路电抗为X_l2＝0.24，发电机d轴稳态电抗为X_d＝1.2，发电机d轴暂态电抗为X_d'＝0.2，发电机q轴稳态电抗为X_q＝1.2，发电机q轴暂态电抗为X_q'＝0.1，发电机转子的惯性时间常数为T_J＝15.0，发电机阻尼转矩系数为D＝60，无限大系统母线电压为V_S＝1.0∠0°，

TCSC的电容为C＝119μF，电感感抗为X_L＝4.5Ω。

采用本发明中基于过程神经网络的TCSC控制方法对该单机无穷大系统进行控制，通过对发电机的功角进行测量和处理，生成控制信号对TCSC的触发角进行控制，改变TCSC的等值阻抗，控制发电机的功角跟踪期望功角，从而有效地抑制电力系统的低频振荡，提高系统的稳定性，步骤如下：

首先，采用过程神经网络构造图4所示系统的逆系统模型，过程神经网络结构图如图2所示，过程神经网络具有2个输入节点，9个隐层节点，1个输出节点的过程神经网络，输入与输出之间的关系为

$y=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{v}_{i}f[\left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{\∫}_0^T\right[\underset{l=1}{\overset{18}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ji}}^{\left(l\right)}{b}_l\left(t\right)x_j\left(t\right)]\mathrm{dt}-\mathrm{\θ}],$

其中，x_j(j＝1,2)为过程神经网络的输入，分别为机械功率P_m和跟踪功角δ_t，y为过程神经网络的输出，为与跟踪功角δ_t对应的命令阻抗X_O，[0,T]为时间采样区间，T=75，v_i为隐层到输出层的连接权值，初始值为0.01，

为输入层到隐层的连接权值，初始值为0.01，θ为输出层神经元阈值，初始值为0.03，b_l(t)(l＝1,2,…,18)为权值基函数，为傅里叶正交基函数： $b_l\left(t\right)=\frac{1}{\sqrt{\mathrm{\π}}}\sin \left(\frac{2\mathrm{\π}}{T}\mathrm{lt}\right),l=\mathrm{1,2}...18,$ 激励函数f(u)为Sigmoid函数，

系统构造过程如下：

对含TCSC单机无穷大电力系统，分别把阶跃、斜坡信号作为TCSC的阻抗

输入25次，测量发电机的功角δ′，机械功率P_m′，并将所测量的发电机的功角δ′，机械功率P_m′进行二次多项式拟合，获取50组样本数据：P_mk′(t)(k＝1,2,…,50）；以该50组样本数据作为过程神经网络的输入，以TCSC的阻抗分别为阶跃、斜坡信号作为过程神经网络的期望输出dX_TCSCk(k＝1,2,…,50)，对过程神经网络进行训练，采用基于梯度下降的学习算法，连接权值和阈值的学习效率均取为0.45，误差函数为

训练误差精度取为0.05，最大迭代次数为30000，本实施例中网络学习1698次后收敛，过程神经网络训练完毕，该过程神经网络即为该含TCSC单机无穷大电力系统的逆系统模型。

然后测量TCSC的等值阻抗X_TCSC，并建立阻抗-触发角对应表α＝f(X_TCSC)。图3为本发明中TCSC等值阻抗测量框图，本发明中不是以传统的基波阻抗作为TCSC的等值阻抗，而是充分考虑各个谐波分量，采取傅里叶分析方法和DSP控制，将基波和各谐波频率下TCSC的稳态阻抗之和作为TCSC的等值阻抗。首先选取DSP、双向缓冲器、FFT处理芯片、数据存储器，数据存储器中包括实部存储器、虚部存储器和窗函数存储器；然后用DSP测量TCSC的电压电流数据并经双向缓冲器读入实部存储器和虚部存储器中，再从窗函数存储器中选取窗函数，将实部存储器和虚部存储器中的数据乘以窗函数，再由FFT处理芯片进行FFT变换，得到TCSC的电压电流的基波和各谐波分量，进而DSP计算出基波和各谐波分量频率下TCSC的稳态阻抗，将基波和各谐波分量频率下TCSC的稳态阻抗之和作为TCSC的等值阻抗。依次调整TCSC的触发角，并测量等值阻抗X_TCSC，建立阻抗-触发角对应表α＝f(X_TCSC)。

测量发电机的功角δ_a和机械功率P_m，采取一个附加线性控制器G_c(s)和过程神经网络连接，本实施例中附加线性控制器为

将发电机的期望功角δ_p和测量功角δ_a之差δ_e作为附加线性控制器的输入，附加线性控制器对功角进行校正，输出跟踪功角δ_t，将跟踪功角δ_t和机械功率P_m作为过程神经网络的输入，过程神经网络输出命令阻抗X_O；

采取PID控制器对命令阻抗X_O与前面测量的TCSC的等值阻抗X_TCSC之差进行校正，本实施例中PID控制器的比例、积分、微分系数分别为P=1.856，I=0，D=0.458，PID控制器输出调整阻抗分量，和命令阻抗X_O之和组成调整阻抗X_C，查询阻抗-触发角对应表α＝f(X_TCSC)，得到调整阻抗X_C对应的触发角α_c，采用一个触发脉冲发生器用与调整阻抗X_C对应的触发角α_c触发TCSC，使得其等值阻抗等于调整阻抗X_C，从而使得TCSC系统的发电机的功角跟踪期望功角δ_p。

利用matlab-simulink软件对本实施例单机无穷大系统进行仿真，仿真时假定，当系统稳态运行，发电机的电磁功率为P_e0＝1.1时，系统受到如下干扰：t=0秒时SC母线发生有功功率扰动量为ΔP＝0.3，无功功率扰动量为ΔQ＝0.2的节点功率扰动，t=0.1秒后扰动消失，稳定功角也就是期望功角为51.38°，采用本发明控制方法，系统在1.5秒时恢复稳定，功角达到期望值，如图5所示。

本发明采用过程神经网络构造含TCSC单机无穷大电力系统的逆系统模型，充分考虑随时间变化的各过程，结合经典的线性控制，能够灵活、连续、平滑、大范围调节输电线路的等值阻抗，增加系统的阻尼，控制发电机的功角跟踪稳定值，从而有效地抑制电力系统的低频振荡，提高系统的稳定性。

Claims (6)

1.一种基于过程神经网络的TCSC控制方法，对含TCSC的单机无穷大电力系统，通过对发电机的功角进行测量和处理，生成控制信号对TCSC的触发角进行控制，改变TCSC的等值阻抗，控制发电机的功角跟踪期望功角，其特征为，包含如下步骤：

步骤一、采用过程神经网络构造含TCSC单机无穷大电力系统的逆系统模型；

步骤二、测量TCSC的等值阻抗X_TCSC，并建立阻抗-触发角对应表α＝f(X_TCSC)；

步骤三、测量发电机的功角δ_a和机械功率P_m，通过一个附加线性控制器G_c(s)与步骤一中的过程神经网络连接，将发电机的期望功角δ_p和测量功角δ_a之差δ_e作为附加线性控制器的输入，附加线性控制器输出跟踪功角δ_t，将跟踪功角δ_t和机械功率P_m作为过程神经网络的输入，过程神经网络输出命令阻抗X_O；

步骤四、采用PID控制器对命令阻抗X_O与步骤二中测量的TCSC的等值阻抗X_TCSC之差进行校正，PID控制器输出调整阻抗分量，所述调整阻抗分量和命令阻抗X_O之和组成调整阻抗X_C，查询步骤二中的阻抗-触发角对应表，得到调整阻抗X_C对应的触发角α_c，采用触发脉冲发生器用触发角α_c触发TCSC，使得TCSC的等值阻抗等于调整阻抗X_C，从而使得TCSC系统的发电机的功角跟踪期望功角δ_p。

2.如权利要求1所述的基于过程神经网络的TCSC控制方法，其特征为，步骤一中的过程神经网络采取具有2个输入节点、9个隐层节点和1个输出节点的过程神经网络，输入与输出之间的关系为

$y=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{v}_{i}f[\left(\underset{j=1}{\overset{2}{\mathrm{\Σ}}}{\∫}_0^T\right[\underset{l=1}{\overset{18}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ji}}^{\left(l\right)}{b}_l\left(t\right)x_j\left(t\right)]\mathrm{dt}-\mathrm{\θ}],$

其中，x_j为过程神经网络的输入，j＝1,2,x₁和x₂分别为机械功率P_m和跟踪功角δ_t，y为过程神经网络的输出，为与跟踪功角δ_t对应的命令阻抗X_O，[0,T]为采样时间区间，T=75s，v_i为隐层到输出层的连接权值，初始值为0.01，

为输入层到隐层的连接权值，初始值为0.01，θ为输出层神经元阈值，初始值为0.03，b_l(t)(l＝1,2,…,18)为权值基函数，

激励函数f(u)为Sigmoid函数，有 $f\left(u\right)=\frac{1}{1+e^{-u}};$

系统构造过程如下：

对于含TCSC单机无穷大电力系统，分别把阶跃、斜坡信号作为TCSC的阻抗

输入25次，测量发电机的功角δ′和机械功率P_m′，并将所测量的发电机的功角δ′和机械功率P_m′进行二次多项式拟合，获取50组样本数据：δ′_k(t)、P_mk′(t)，k＝1,2,…,50；以该50组样本数据作为过程神经网络的输入，以TCSC的阻抗分别为阶跃、斜坡信号作为过程神经网络的期望输出dX_TCSCk，k＝1,2,…,50，对过程神经网络进行训练，采用基于梯度下降的学习算法，连接权值和阈值的学习效率均取为0.45，误差函数为

训练误差精度取为0.05，最大迭代次数为30000，直至误差精度满足要求，则训练完毕，该过程神经网络即为含TCSC单机无穷大电力系统的逆系统模型。

3.如权利要求1中所述的基于过程神经网络的TCSC控制方法，其特征为，所述步骤二中测量TCSC的等值阻抗X_TCSC的步骤如下：

首先选取DSP、双向缓冲器、FFT处理芯片和数据存储器，数据存储器中包括实部存储器、虚部存储器和窗函数存储器；然后用DSP测量TCSC的电压电流数据并经双向缓冲器读入实部存储器和虚部存储器中，再从窗函数存储器中选取窗函数，将实部存储器和虚部存储器中的数据乘以窗函数，再由FFT处理芯片进行FFT变换，得到TCSC的电压、电流的基波和各谐波分量，进而由DSP计算出基波和各谐波分量频率下TCSC的稳态阻抗，将基波和各谐波分量频率下TCSC的稳态阻抗之和作为TCSC的等值阻抗。

4.如权利要求1中所述的基于过程神经网络的TCSC控制方法，其特征为，所述步骤三中的附加线性控制器的传递函数为

5.如权利要求1中所述的基于过程神经网络的TCSC控制方法，其特征为，步骤四中的PID控制器的比例、积分、微分系数分别为P=1.856，I=0，D=0.458。

6.如权利要求1—5所述的基于过程神经网络的TCSC控制方法的系统，其特征为，包括TCSC系统，和TCSC系统连接的阻抗测量单元、功角测量单元、机械功率测量单元、触发脉冲发生器，附加线性控制器，过程神经网络，PID控制器，查询并存储TCSC触发角和阻抗对应表的单片机系统,对期望功角δ_p和功角测量单元测量所得的测量功角δ_a进行比较的处理器，比较过程神经网络输出的命令阻抗X_O与阻抗测量单元测量的TCSC的等值阻抗X_TCSC的比较器，将PID控制器输出的调整阻抗分量与过程神经网络输出的命令阻抗X_O进行求和的计算器；

所述处理器的输出端依次与附加线性控制器、过程神经网络连接；

所述机械功率测量单元与过程神经网络连接；

所述比较器分别与过程神经网络、阻抗测量单元、PID控制器连接；

所述计算器分别与过程神经网络、PID控制器、单片机系统连接；

所述单片机系统与触发脉冲发生器连接；

所述TCSC系统为含TCSC的单机无穷大电力系统；

所述过程神经网络具有2个输入节点、9个隐层节点和1个输出节点；

所述阻抗测量单元中包括DSP控制器、双向缓冲器、FFT处理芯片和数据存储器。

Images