CN108767869B - 一种基于人工神经网络的静态无功补偿器电压调节方法 - Google Patents

一种基于人工神经网络的静态无功补偿器电压调节方法 Download PDF

Info

Publication number
CN108767869B
CN108767869B CN201810620131.8A CN201810620131A CN108767869B CN 108767869 B CN108767869 B CN 108767869B CN 201810620131 A CN201810620131 A CN 201810620131A CN 108767869 B CN108767869 B CN 108767869B
Authority
CN
China
Prior art keywords
neural network
artificial neural
ncbf
voltage
output
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.)
Expired - Fee Related
Application number
CN201810620131.8A
Other languages
English (en)
Other versions
CN108767869A (zh
Inventor
苏海滨
贺子芙
申伟
李震
徐志程
张文涛
杨文奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Water Resources and Electric Power
Original Assignee
North China University of Water Resources and Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Water Resources and Electric Power filed Critical North China University of Water Resources and Electric Power
Priority to CN201810620131.8A priority Critical patent/CN108767869B/zh
Publication of CN108767869A publication Critical patent/CN108767869A/zh
Application granted granted Critical
Publication of CN108767869B publication Critical patent/CN108767869B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/01—Arrangements for reducing harmonics or ripples
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/10—Flexible AC transmission systems [FACTS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Control Of Electrical Variables (AREA)

Abstract

一种基于人工神经网络的静态无功补偿器电压调节方法，包括以下步骤：数据采集，建立神经网络模型，训练好的人工神经网络ANN接入控制器，控制NCBF和α角，实现静态无功静止补偿SVC；静态无功静止补偿器SVC通过电压调节维持耦合处电压的稳定性。本发明采用的人工神经网络包含两个隐含层，且能够通过数据的训练得出两个隐含层中最佳匹配的神经元个数，形成最佳神经网络结构。将最佳的ANN控制应用于控制系统中，输入未调节的电压VPCC，输出NCBF和α用来直接控制SVC。本发明所提出的方法具有操作简单，准确性高，响应速度快，易于实施等优点，在提高耦合点处的电压稳定性的同时还能减小系统的总谐波失真(THD)。

Description

一种基于人工神经网络的静态无功补偿器电压调节方法
技术领域
本发明属于微电网控制领域，具体涉及一种维持公共连接点电压稳定性的控制，尤其是一种基于人工神经网络的静态无功补偿器电压调节方法。
背景技术
随着电网中的非线性、不平衡负载和分布式发电系统的接入，电网中电压波动以及电压不平衡等电能质量问题日益严重，给电力系带来了不利影响，电能质量的控制刻不容缓。静态无功补偿器(SVC)是一种重要的电力装置，当电压变化时SVC能快速、平滑地调节，以满足动态无功补偿的需要，同时还能做到分相补偿。但是，SVC在使用过程中会产生高次谐波，此外电容组切换过程中或出现的干扰会降低电能质量和损坏其他电子器件，这些问题限制了SVC的应用。
查阅相关文献如下：
发明专利《一种动态无功补偿系统积极控制方法》，授权公告号CN101420128B。其中提出的控制系统包括由三相电压型逆变器和电感器组成的STATCOM(静止同步补偿器)、作为离散子系统的晶闸管投切电容器和电感器组成。根据其给定的参考电流通过人工神经网络产生PWM信号来控制执行级的电压型逆变器，从而来完成母线电网电压的无功补偿。该发明使用电子元器件较多，易于产生畸变，控制过程复杂，不易操作，与本发明有本质的区别。本发明是利用训练完成的人工神经网络直接控制仅由一个单相晶闸管相控电抗器(TCR)和三个具有附加滤波功能的开关电容组(CBF)组成的SVC，操作简单，灵活性高，同时还能减少系统的谐波总失真(THD)。
发明专利《一种有谐波抑制功能的分散式发电无功补偿装置及方法》，申请公布号CN103219733A。其中提出的控制方法是利用由锁相环电路模块和脉冲发生模块组成的集中控制单元，输出PWM信号和触发脉冲信号控制无功补偿器。控制过程复杂，使用了较多的电子元器件易生成杂波。这与本发明有本质的区别，本发明是利用训练完成的人工神经网络直接控制仅由晶闸管相控电抗器(TCR)和三个具有附加滤波功能的开关电容组(CBF)组成的SVC，控制过程简单，较少使用电子元器件，提高控制器的稳定性。
发明专利《配电静止无功发生器的多变量控制方法》，授权公告号CN100466413C。其中提出的通过利用两个神经网络分别调节两个PID控制器参数，得到调制系数和相位差，作为静止无功发生器(SVG)的开关信号。该控制过程复杂，且与本发明由本质的区别。本发明是利用一个训练完成的人工神经网络直接控制仅由一个单相晶闸管相控电抗器(TCR)和三个具有附加滤波功能的开关电容组(CBF)组成的SVC，控制过程简单，易于操作。
发明专利《一种静止无功补偿器的不平衡补偿和蚁群优化方法》，授权公告号CN100585977C。其中提出的控制方法是基于蚁群算法优化PI控制器的参数，对KP、Ki适时调整、寻优。蚁群算法计算量大，且在实际操作中不予寻找到最优路线，这与本发明由本质的区别。本发明采用的是人工神经网络方法，响应快，准确性高，易于实施。
戴元海在文章《基于模糊-PI控制的SVC电压控制器的设计与实现[J]》(测控技术，2009,，28(9)：45-48)中提出了一种基于模糊-PI控制的SVC的电压控制器设计方法。文章中所采用的方法与本发明有本质的区别，本发明采用人工神经网络控制SVC，响应快，准确性高，易于实施。
马兆兴在文章《基于神经网络的SVC电压稳定性控制[J]》(电力系统保护与控制，2011,39(18):67-71)中使用神经网络优化PID控制器的三个参数，再通过PID控制器来控制SVC，控制过程复杂，这与本发明有本质区别。本发明采用人工神经网络直接输出合适的电容组个数和触发角这两个参数来直接控制SVC，控制过程简单，易于操作。
发明内容
为解决上述问题，本发明提供一种基于人工神经网络的静态无功补偿器电压调节方法，使用人工神经网络(ANN)控制的静态无功补偿器(SVC)，不仅能将微电网与大电网连接处的公共耦合点处电压VPCC控制在系统稳态要求的范围内，还能够减小系统的总谐波失真(THD)。
本发明的目的是以下述方式实现的：
一种基于人工神经网络的静态无功补偿器电压调节方法，其特征在于：包括以下步骤：
步骤1：数据采集：模拟多种不同负载和分布式发电DG的运行工况，收集公共耦合点处的电压VPCC及对应的滤波电容组接通数NCBF和晶闸管触发角α，共采集N组数据；
步骤2：建立神经网络模型，以步骤1中收集到的数据训练神经网络，达到最优参数和结构；
步骤3：训练好的人工神经网络ANN接入控制器，控制NCBF和α角，实现静态无功静止补偿SVC；
步骤4：静态无功静止补偿器SVC通过电压调节维持耦合处电压的稳定性。
上述基于人工神经网络的静态无功补偿器电压调节方法，所述步骤1中收集的数据在ANN训练中，采用交叉验证法，把数据随机的分为2组，75％用于训练，25％用于测试。
上述基于人工神经网络的静态无功补偿器电压调节方法，所述步骤4中的SVC由一个与双向晶闸管串联的电抗器TCR和与之相并联的有滤波功能的电容器组CBF组成。
上述基于人工神经网络的静态无功补偿器电压调节方法，所述步骤1中的数据收集方法具体如下：
S1.1.设置N个不同的负载和DG的运行工况；
S1.2.向模拟系统中注入谐波电流，用来分析运行工况中的谐波干扰情况，测量出此时的耦合点电压(未调节)VPCC，初始NCBF0和α0；
S1.3.静态无功静止补偿器(SVC)输出控制；
S1.4.参考电压VREG与VPCC比较，得到差值ΔV；
S1.5.判断ΔV是否在系统允许的误差范围内，如果在允许的误差范围内，则收集此时的NCBF和α；如果不在允许范围内，则触发角增加Δα；
S1.6.判断增加Δα后的触发角是否在极限值内，如果在极限值以内，则返回步骤S1.3；如果超过极限值，则生成新的NCBF；
S1.7.判断新生成的NCBF是否在极限值内，如果在极限值以内，则返回步骤S1.3；如果超过极限值，则输出数据NCBF＝0且α＝00或NCBF＝3且α＝900；
S1.8判断模拟工况个数是否达到N个，如果达到N个，则结束运行工况的模拟；否则则返回步骤S1.1，开始模拟新的运行工况。
上述基于人工神经网络的静态无功补偿器电压调节方法，所述步骤S1.1中，模拟系统中负载、DG功率和谐波源的不同工况，可以根据方程(1)—(3)生成，方程所体现出的随机性可以使收集的数据更加多样性，从而更好的训练神经网络；
Figure BDA0001695930990000041
Gc,k＝Gk,nomRk,c (2)
Figure BDA0001695930990000042
其中，Si,c是运行工况C中公共母线i的负载功率，Si,min和Si,max分别是母线i的最大和最小负载功率，N是工况总数，Gc,k是运行工况C中第k个DG单元产生的功率，Gk,nom是第k个DG单元的额定功率，Ri,c和Rk,c分别是负载和DG的随机变化，Ih-n,c是运行工况C中母线n的非线性负载产生的h阶谐波电流，Ih-n,min和Ih-n,max分别是h阶的最小和最大谐波电流。
上述基于人工神经网络的静态无功补偿器电压调节方法，所述步骤2中的人工神经网络ANN包括两个隐含层，输入是VPCC、输出是NCBF和α，具体如下：
S2.1初始化输入层、隐含层和输出层神经元之间的连接权值ωij、ωjs、ωso，初始化隐含层阈值a，输出层阈值b，输入层仅起到传输信号的作用，因此输入层和隐含层J之间的的连接权值ωij＝1；
S2.2隐含层输出计算，隐含层S的第m个节点神经元的输出：
Figure BDA0001695930990000043
其中，m为隐含层S的节点数，f为隐含层激励函数，本发明的激励函数选取的是双曲正切函数：
Figure BDA0001695930990000051
S2.3输出层计算，根据隐含层输出H，连接权值ωso和阈值b，计算神经网络输出O；
Figure BDA0001695930990000052
其中，k为输出层节点数；
S2.4计算输出及输出层误差，更新权值，输出层误差E为：
Figure BDA0001695930990000053
各神经元权值的改变量与误差的梯度下降成正比，权值调整量为：
Figure BDA0001695930990000054
Figure BDA0001695930990000055
S2.5判断网络总误差是否小于设定值；如果网络总误差小于设定值，则结束训练；否则，则返回步骤S3.1继续训练。
上述基于人工神经网络的静态无功补偿器电压调节方法，其特征在于：所述步骤S2.6和S2.7中的隐含层J的神经元数量设为13，隐含层S的神经元数量为18。
本发明采用的人工神经网络包含两个隐含层，且能够通过数据的训练得出两个隐含层中最佳匹配的神经元个数，形成最佳神经网络结构。将最佳的ANN控制应用于控制系统中，输入未调节的电压VPCC，输出NCBF和α用来直接控制SVC，相比较于现有方法，本发明所提出的方法具有操作简单，准确性高，响应速度快，易于实施等优点，在提高耦合点处的电压稳定性的同时还能减小系统的总谐波失真(THD)，另外，该控制方法易于与微控制器结合引用在实际设备中。
本发明的双向晶闸管串联的电抗器TCR和与之相并联的有滤波功能的电容器组与人工神经网络相结合，应用在具有滤波功能的SVC上，能够将电压总谐波失真(THD)保持在5％以下。
附图说明
图1是本发明系统控制原理图。
图2是本发明的TCR结构图。
图3是本发明的流程图。
图4是本发明的人工神经网络拓扑结构图。
图5是本发明的人工神经网络算法流程图。
图6是本发明的应用实例图。
图7是本发明的应用实例结果图。
图8是本发明对于电压总谐波失真的抑制效果对比图。
具体实施方式
以下结合具体实例，对本发明进行详细说明：
如图1-7所示，一种基于人工神经网络的静态无功补偿器电压调节方法，包括以下步骤：
步骤1：数据采集，模拟多种不同负载和分布式发电(DG)的运行工况，收集公共耦合点处的电压VPCC及对应的滤波电容组接通数NCBF和晶闸管触发角α，共采集N组数据；
步骤2：建立神经网络模型，以步骤1中收集到的数据训练神经网络，达到最优参数和结构；
步骤3：训练好的ANN接入控制器，控制NCBF和α角，实现静态无功静止补偿(SVC)；
步骤4：静态无功静止补偿器(SVC)通过电压调节维持耦合处电压的稳定性。
所述步骤1中收集的数据在ANN训练中,采用交叉验证法，把数据随机的分为2组，75％用于训练，25％用于测试。
所述步骤4中的SVC由一个与双向晶闸管串联的电抗器(TCR)和与之相并联的有滤波功能的电容器组(CBF)组成。
所述步骤1中的数据收集方法具体如下：
S1.1.设置N个不同的负载和DG的运行工况；
S1.2.向模拟系统中注入谐波电流，用来分析运行工况中的谐波干扰情况，测量出此时的耦合点电压(未调节)VPCC，初始NCBF0和α0；
S1.3.静态无功静止补偿器(SVC)输出控制；
S1.4.参考电压VREG与VPCC比较，得到差值ΔV；
S1.5.判断ΔV是否在系统允许的误差范围内，如果在允许的误差范围内，则收集此时的NCBF和α；如果不在允许范围内，则触发角增加Δα；
S1.6.判断增加Δα后的触发角是否在极限值内，如果在极限值以内，则返回步骤S1.3；如果超过极限值，则生成新的NCBF；
S1.7.判断新生成的NCBF是否在极限值内，如果在极限值以内，则返回步骤S1.3；如果超过极限值，则输出数据NCBF＝0且α＝0°或NCBF＝3且α＝90°；
S1.8判断模拟工况个数是否达到N个，如果达到N个，则结束运行工况的模拟；否则，则返回步骤S1.1，开始模拟新的运行工况。
所述步骤S1.1中，模拟系统中负载、DG功率和谐波源的不同工况，可以根据方程(1)—(3)生成，方程所体现出的随机性可以使收集的数据更加多样性，从而更好的训练神经网络。
Figure BDA0001695930990000071
Gc,k＝Gk,nomRk,c (2)
Figure BDA0001695930990000072
其中，Si,c是运行工况C中公共母线i的负载功率，Si,min和Si,max分别是母线i的最大和最小负载功率，N是工况总数，Gc,k是运行工况C中第k个DG单元产生的功率，Gk,nom是第k个DG单元的额定功率，Ri,c和Rk,c分别是负载和DG的随机变化，Ih-n,c是运行工况C中母线n的非线性负载产生的h阶谐波电流，Ih-n,min和Ih-n,max分别是h阶的最小和最大谐波电流。
所述步骤2中的人工神经网络(ANN)包括两个隐含层，输入是VPCC、输出是NCBF和α，具体如下：
S2.1初始化输入层、隐含层和输出层神经元之间的连接权值ωij、ωjs、ωso，初始化隐含层阈值a，输出层阈值b。输入层仅起到传输信号的作用，因此输入层和隐含层J之间的的连接权值ωij＝1。
S2.2隐含层输出计算。隐含层S的第m个节点神经元的输出：
Figure BDA0001695930990000081
其中，m为隐含层S的节点数，f为隐含层激励函数，本发明的激励函数选取的是双曲正切函数：
Figure BDA0001695930990000082
S2.3输出层计算。根据隐含层输出H，连接权值ωso和阈值b，计算神经网络输出O。
Figure BDA0001695930990000083
其中，k为输出层节点数。
S2.4计算输出及输出层误差，更新权值。输出层误差E为：
Figure BDA0001695930990000084
各神经元权值的改变量与误差的梯度下降成正比，权值调整量为：
Figure BDA0001695930990000085
Figure BDA0001695930990000086
S2.5判断网络总误差是否小于设定值。如果网络总误差小于设定值，则结束训练；否则，则返回步骤S2.1继续训练。
所述步骤S2.6和S2.7中的隐含层J的神经元数量设为13，隐含层S的神经元数量为18。
图7中显示了具有ANN控制的SVC和没有ANN控制的耦合点电压，可以看出无ANN控制的电压变化很大，而经过ANN控制的电压几乎保持恒定，尤其在电容切换时，变化较小，体现了ANN控制有效性。因此，通过基人工神经网络调节的静态无功补偿器能够较好的维持耦合点电压的稳定性，提高电能质量且操作简单，灵活性较高。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明整体构思前提下，还可以作出若干改变和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。

Claims (5)

1.一种基于人工神经网络的静态无功补偿器电压调节方法，其特征在于：包括以下步骤：
步骤1：数据采集，模拟多种不同负载和分布式发电DG的运行工况，收集公共耦合点处的电压VPCC及对应的滤波电容组接通数NCBF和晶闸管触发角α，共采集N组数据；
所述步骤1中的数据收集方法具体步骤如下：
S1.1.设置N个不同的负载和DG的运行工况；
所述步骤S1.1中，模拟系统中负载、DG功率和谐波源的不同工况，可以根据方程(1)—(3)生成，方程所体现出的随机性可以使收集的数据更加多样性，从而更好的训练人工神经网络；
Figure FDA0003130315480000011
Gc,k＝Gk,nomRk,c (2)
Figure FDA0003130315480000012
其中，Si,c是运行工况C中公共母线i的负载功率，Si,min和Si,max分别是母线i的最大和最小负载功率，N是工况总数，Gc,k是运行工况C中第k个DG单元产生的功率，Gk,nom是第k个DG单元的额定功率，Ri,c和Rk,c分别是负载和DG的随机变化，Ih-n,c是运行工况C中母线n的非线性负载产生的h阶谐波电流，Ih-n,min和Ih-n,max分别是h阶的最小和最大谐波电流；
S1.2.向模拟系统中注入谐波电流，用来分析运行工况中的谐波干扰情况，测量出此时的公共耦合点电压VPCC，初始NCBF0和α0；
S1.3.静态无功静止补偿器SVC输出控制；
S1.4.参考电压VREG与VPCC比较，得到差值ΔV；
S1.5.判断ΔV是否在系统允许的误差范围内，如果在允许的误差范围内，则收集此时的NCBF和α；如果不在允许范围内，则触发角增加Δα；
S1.6.判断增加Δα后的触发角是否在极限值内，如果在极限值以内，则返回步骤S1.3；如果超过极限值，则生成新的NCBF；
S1.7.判断新生成的NCBF是否在极限值内，如果在极限值以内，则返回步骤S1.3；如果超过极限值，则输出数据NCBF＝0且α＝00或NCBF＝3且α＝900；
S1.8判断模拟工况个数是否达到N个，如果达到N个，则结束运行工况的模拟；否则返回步骤S1.1，开始模拟新的运行工况；
步骤2：建立人工神经网络模型，以步骤1中收集到的数据训练人工神经网络，达到最优参数和结构；
步骤3：训练好的人工神经网络ANN接入控制器，控制NCBF和α角，实现静态无功静止补偿SVC；
步骤4：静态无功静止补偿器SVC通过电压调节维持耦合处电压的稳定性。
2.根据权利要求1所述的基于人工神经网络的静态无功补偿器电压调节方法，其特征在于：所述步骤1中收集的数据在ANN训练中，采用交叉验证法，把数据随机的分为2组，75％用于训练，25％用于测试。
3.根据权利要求1所述的基于人工神经网络的静态无功补偿器电压调节方法，其特征在于：所述步骤4中的SVC由一个与双向晶闸管串联的电抗器TCR和与之相并联的有滤波功能的电容器组CBF组成。
4.根据权利要求1所述的基于人工神经网络的静态无功补偿器电压调节方法，其特征在于：所述步骤2中的人工神经网络ANN包括两个隐含层，输入是VPCC、
输出是NCBF和α，具体步骤如下：
S2.1初始化输入层、隐含层和输出层神经元之间的连接权值ωij、ωjs、ωso，初始化隐含层阈值a，输出层阈值b，输入层仅起到传输信号的作用，因此输入层和隐含层J之间的连接权值ωij＝1；
S2.2隐含层输出计算，隐含层S的第m个节点神经元的输出：
Figure FDA0003130315480000021
其中，m为隐含层S的节点数，f为隐含层激励函数，所述激励函数选取的是双曲正切函数：
Figure FDA0003130315480000022
S2.3输出层计算，根据隐含层输出H，连接权值ωso和阈值b，计算人工神经网络输出O；
Figure FDA0003130315480000031
其中，k为输出层节点数；
S2.4计算输出及输出层误差，更新权值，输出层误差E为：
Figure FDA0003130315480000032
各神经元权值的改变量与误差的梯度下降成正比，权值调整量为：
Figure FDA0003130315480000033
Figure FDA0003130315480000034
S2.5判断网络总误差是否小于设定值；如果网络总误差小于设定值，则结束训练；否则，则返回步骤S2.1继续训练。
5.根据权利要求4所述的基于人工神经网络的静态无功补偿器电压调节方法，其特征在于：所述步骤S2.1和S2.2中的隐含层J的神经元数量设为13，隐含层S的神经元数量为18。
CN201810620131.8A 2018-06-14 2018-06-14 一种基于人工神经网络的静态无功补偿器电压调节方法 Expired - Fee Related CN108767869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810620131.8A CN108767869B (zh) 2018-06-14 2018-06-14 一种基于人工神经网络的静态无功补偿器电压调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810620131.8A CN108767869B (zh) 2018-06-14 2018-06-14 一种基于人工神经网络的静态无功补偿器电压调节方法

Publications (2)

Publication Number Publication Date
CN108767869A CN108767869A (zh) 2018-11-06
CN108767869B true CN108767869B (zh) 2021-08-20

Family

ID=63978184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810620131.8A Expired - Fee Related CN108767869B (zh) 2018-06-14 2018-06-14 一种基于人工神经网络的静态无功补偿器电压调节方法

Country Status (1)

Country Link
CN (1) CN108767869B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10684634B1 (en) * 2019-01-30 2020-06-16 Quanta Computer Inc. Method and system for compensating for temperature rise effects
CN110011304B (zh) * 2019-04-15 2023-01-03 国网山西省电力公司大同供电公司 一种用于开关组网规划中的自优化路由系统
CN111769544B (zh) * 2020-05-06 2022-09-06 东北电力大学 一种配备svc的多机电力系统分布式数字控制器
CN111799796B (zh) * 2020-07-02 2023-11-17 云南电网有限责任公司电力科学研究院 一种h桥级联型静止同步补偿器的输出谐波抑制方法
CN114721446B (zh) * 2022-04-25 2024-04-02 云南电力试验研究院(集团)有限公司 一种调控svg功率模块运行温度的方法和系统
CN116760055B (zh) * 2023-06-07 2024-03-12 东南大学 一种基于神经网络的动态无功补偿方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017980A (zh) * 2007-02-15 2007-08-15 湖南大学 配电静止无功发生器的多变量控制方法
CN101247046A (zh) * 2007-12-19 2008-08-20 湖南大学 谐波动态治理与无功动态补偿复合控制方法及其实现装置
CN101882786A (zh) * 2010-07-31 2010-11-10 湖南大学 适用于高压系统的谐波与无功动态治理控制器及控制方法
CN103219733A (zh) * 2013-03-18 2013-07-24 辽宁省电力有限公司电力科学研究院 一种有谐波抑制功能的分散式发电无功补偿装置及方法
EP2793343A1 (en) * 2013-04-16 2014-10-22 Siemens Aktiengesellschaft Coordinating voltage controllers within a wind park being connected to a utility grid
CN106291170A (zh) * 2016-07-27 2017-01-04 中国科学院等离子体物理研究所 面向大容量冲击负荷的tcr型svc动态响应性能试验方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017980A (zh) * 2007-02-15 2007-08-15 湖南大学 配电静止无功发生器的多变量控制方法
CN101247046A (zh) * 2007-12-19 2008-08-20 湖南大学 谐波动态治理与无功动态补偿复合控制方法及其实现装置
CN101882786A (zh) * 2010-07-31 2010-11-10 湖南大学 适用于高压系统的谐波与无功动态治理控制器及控制方法
CN103219733A (zh) * 2013-03-18 2013-07-24 辽宁省电力有限公司电力科学研究院 一种有谐波抑制功能的分散式发电无功补偿装置及方法
EP2793343A1 (en) * 2013-04-16 2014-10-22 Siemens Aktiengesellschaft Coordinating voltage controllers within a wind park being connected to a utility grid
CN106291170A (zh) * 2016-07-27 2017-01-04 中国科学院等离子体物理研究所 面向大容量冲击负荷的tcr型svc动态响应性能试验方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络预测的电弧炉供电系统动态无功混合补偿方法;王育飞 等;《电力电容器与无功补偿》;20171031;第38卷(第5期);第66-71页 *

Also Published As

Publication number Publication date
CN108767869A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108767869B (zh) 一种基于人工神经网络的静态无功补偿器电压调节方法
CN109149620B (zh) 一种自储能多端柔直系统控制方法及系统
Gupta et al. Fuzzy logic controlled shunt active power filter for reactive power compensation and harmonic elimination
CN113541146B (zh) 计及分布式电源的电力系统潮流计算优化方法
Suliman Voltage profile enhancement in distribution network using static synchronous compensator STATCOM
Song et al. Security-constrained line loss minimization in distribution systems with high penetration of renewable energy using UPFC
CN109904881A (zh) 一种基于自适应虚拟电容的级联微电网功率均分控制方法
CN107154650A (zh) 一种混合微网中交直流断面多换流器的协调控制方法
Ganesh et al. Development of simple technique for STATCOM for voltage regulation and power quality improvement
Aziz et al. Hybrid control strategies of SVC for reactive power compensation
CN110518596A (zh) 含电弧炉的配网电压动态治理方法
Cao et al. Linear active disturbance rejection control for a dual unified power quality conditioner
CN115149582A (zh) 一种基于单调系统理论的光伏并网电力系统电压稳定分析方法
Kamarposhti Power quality compensation in distribution system based on instantaneous power theory and recursive fuzzy proportional-integral controller
Yuvaraj et al. STATCOM Based of Adaptive Control Technique to Enhance Voltage Stability on Power Grid
Spasojevic et al. Development of a control algorithm for a static VAR compensator used in industrial networks
Mahider et al. Optimization of STATCOM PI Controller Parameters Using the Hybrid GA-PSO Algorithm
CN109193711A (zh) 一种抵御电压畸变的不平衡补偿系统及方法
Azzam-Jai et al. A Novel Neural Instantaneous Power Theory for A Shunt Active Power Filter Interfaced Solar Photovoltaic System
Bhavya et al. Performance evaluation of weighted feedback based upqc under various power quality issues
Naqvi et al. Grid integration of a three phase multifunctional SECS using Lorentzian adaptive filter based control with impulsive disturbance rejection capability
Aung et al. A Fuzzy Logic Approach for Improvement of Power Quality Using FC-TCR
Wang et al. Controlling application of D-STATCOM based on RBF neural network PID
Choudhary et al. Investigation on power quality improvement using ml-fogi and jlhcaf based vsc control
Sabat et al. Improvement of power quality in distribution utility using X-LMS based adaptive algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210820

CF01 Termination of patent right due to non-payment of annual fee