CN111049153A - 一种基于模糊神经网络的电压无功优化控制方法 - Google Patents
一种基于模糊神经网络的电压无功优化控制方法 Download PDFInfo
- Publication number
- CN111049153A CN111049153A CN201911148204.9A CN201911148204A CN111049153A CN 111049153 A CN111049153 A CN 111049153A CN 201911148204 A CN201911148204 A CN 201911148204A CN 111049153 A CN111049153 A CN 111049153A
- Authority
- CN
- China
- Prior art keywords
- voltage
- reactive power
- fuzzy
- input
- neural network
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 65
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000001537 neural effect Effects 0.000 claims abstract description 8
- 239000003990 capacitor Substances 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 4
- 210000000653 nervous system Anatomy 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010230 functional analysis Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
- H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
- H02J3/1835—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Electrical Variables (AREA)
Abstract
本发明公开了一种基于模糊神经网络的电压无功优化控制方法，具体按照以下步骤实施：步骤1、在电压无功优化控制电路中，检测整个电路的负荷侧的电压、变压器高压侧流入的无功；步骤2、根据步骤1检测的整个电路的负荷侧的电压、变压器高压侧流入的无功，选择模糊神经网络控制系统的隶属函数和模糊神经系统的解模糊方法；建立模糊神经网络的电压无功优化控制系统；步骤3、将检测整个电路的负荷侧的电压、变压器高压侧流入的无功代入基于模糊神经网络的电压无功优化控制系统，经对输入、输出样本作归一化处理后，可作为网络学习样本的输入量和输出量，完成电压无功优化控制，解决了现有技术存在的电压无功控制方法计算复杂的问题。
Description
技术领域
本发明属于电压无功控制技术领域，涉及一种基于模糊神经网络的电压无功优化控制方法。
背景技术
电力是国民经济的命脉。在社会经济不断发展的今天，人们对电能质量提出了更高的要求，因此电力企业把提高供电质量作为最主要发展的目标和方向。衡量电能质量重要的指标之一是电压。电压质量不佳不仅会降低用电设备的效率，增大网络的损耗，还会影响电网的安全稳定运行，甚至引发电网崩溃，导致电网大面积停电事故。衡量电能质量的另一指标是电网的无功功率水平。电网系统中，无功功率过少会引起系统运行电压下降，同时使网络损耗升高；无功功率过多会引起系统运行电压上升，同时降低输送容量，对电网运行产生不利影响。电力调度部门在电力生产中负责监控设备运行情况及电网各项实时数据，同时根据实际情况对各送变电设备进行调整，使电力系统尽可能处于最优化运行状态，从而确保用电设备获得更加优质、更加可靠的电能，但是，由于电压无功控制具有非线性、强耦合、多极限的特点，因此很难建立精确的数学模型，所以现有的电压无功控制方法具有控制性较差、计算复杂、鲁棒性差的问题，严重影响了供电电压质量和无功功率分配平衡、合理。
发明内容
本发明的目的是提供一种基于模糊神经网络的电压无功优化控制方法，解决了现有技术存在的电压无功控制方法计算复杂的问题。
本发明所采用的技术方案是，一种基于模糊神经网络的电压无功优化控制方法，具体按照以下步骤实施：
步骤1、在电压无功优化控制电路中，检测整个电路的负荷侧的电压、变压器高压侧流入的无功；
步骤2、根据步骤1检测的整个电路的负荷侧的电压、变压器高压侧流入的无功，选择模糊神经网络控制系统的隶属函数和模糊神经系统的解模糊方法；建立模糊神经网络的电压无功优化控制系统；
步骤3、将检测整个电路的负荷侧的电压、变压器高压侧流入的无功代入基于模糊神经网络的电压无功优化控制系统，经对输入、输出样本作归一化处理后，可作为网络学习样本的输入量和输出量，完成电压无功优化控制。
本发明的特点还在于：
步骤1具体按照以下实施：通过调节变压器分接头位置，来改变变压器变比，使负荷侧母线电压保持在规定范围内。通过调节补偿电容器投切组数，使变电站无功尽量就地保持平衡。整个系统的负荷侧的电压、变压器高压侧流入的无功作为输入量，与经过控制后，测量系统反馈的负荷侧的电压、变压器高压侧流入的无功量的差值，是模糊神经网络控制系统的输入量，经过模糊神经网络系统的调节，得到被控对象的输入值，检测的得到：U为电压输入从负载端获取的电压；Q为无功量取变压器高压侧输入的无功量；△U、△Q为电压和无功的误差量；△K为变压器有载调压开关分接头位置变化量；△QC为补偿电容器投切组数的变化量；K为变压器有载调压开关的分接头位置量；Qc为补偿电容器投入的组数；U1，Q1是调节后，根据K和 Qc，测量系统反馈输出的电压值和无功量。
步骤2中的选取模糊神经网络控制系统的隶属函数具体按照以下实施：
采用BP学习方法，学习模糊神经网络模型时，必须使用梯度下降法计算误差为E的权重的偏导数，要求隶属函数为连续可微函数，因此选择高斯型的隶属函数，其解析式为:
a,b分别表示高斯函数的中心和宽度。高斯函数的定义域为(-∞，+∞)，取值范围为[0,1]。该函数在定义域内处处连续可微，适用于电压无功模糊控制系统的隶属函数。
步骤2中选取模糊神经系统的解模糊方法具体按照以下实施：选择加权平均法作为变电站模糊神经系统的解模糊法，加权平均法是按以下公式选取输出x*值:
输出x*值为：
步骤2中建立模糊神经网络的电压无功优化控制系统具体按照以下实施：建立模糊神经网络的电压无功优化控制系统，网络输入量为△U、△Q，输出量为△K、△QC，
△U：负荷侧的电压与系统反馈电压的差值；
△Q：变压器高压侧流入的无功量与系统反馈无功量的差值；
△K：为变压器有载调压开关的分接头位置量；
△QC：为补偿电容器投切组数。
各层的功能分析如下:输入用x表示，输出用y表示，各符号的上标为层，下标为神经单元，net为隐层神经元的净输入，f(.)为神经元的转换函数。
第一层为输入层，输入向量值直接进入该层节点。这一层的节点将输入值传输到下一层，输出等于输入。这一层有两个输入节点。
第2层模糊化层，该层完成输入变量隶属函数的计算:
其中，i＝1,2,......n。j＝1,2,......,m。其分别表示输入量的维数(为2)和模糊分割集数(为7)。mij和σij分别表示隶属函数的中心和宽度。该层结点数为每个输入量的模糊子集之和。
第3层为模糊相联层。与模糊层的连接完成了模糊规则的匹配，即模糊规则库层的生成，其中每个节点表示一个控制规则
第4层为解模糊层，主要完成了各模糊控制规则的归一化操作，避免了学习过程中由于修正量大而产生的振荡。该层的输出为:
第5层为输出层，该层完成归一化加权线性和，并直接给出清晰的输出值。w表示连接权值。
在模糊神经网络中，为了完成对隶属函数和控制规则的自学习和改进，必须根据梯度下降法对样本误差进行调整。即反方向修正w、σ、m。
在网络中，误差函数E取平方型误差函数，d为期望值，σ为神经元的参考误差，y为网络的实际输出值，△w表示权值w的修正量，△σ表示σ的修正量，△m表示m的修正量。η为学习率，其取值为0<η<l。
误差函数E为:
其中，αji,αjmax,αjmin为各组样本数据中的归一化值、最大值和最小值。
模糊神经网络的学习过程是将训练样本的输入输出问题转化为非线性优化计算问题，然后利用梯度下降法求得权值的过程。
利用梯度下降法求得权值的过程：
1)赋予各隶属函数的中心和宽度、各权值的初值；
2)设定学习允许的误差；
3)计算网络的输出；
4)计算网络的误差函数；
5)修正隶属函数的网络的权值w，中心值m和宽度值σ；
6)重复步骤3)－6)，直到输出误差小于规定的误差允许值。
由于隶属函数为高斯型，其定义域为(－∞,+∞)，值域为[0,1]，所以要对输入样本进行处理，当其满足要求后，再进行计算。处理的方法是对样本作归一化处理，使输入样本数据归一化到(-1,+1)的区间内，其绝对值在(0,1)的范围内。
步骤3具体按照以下实施：。对电压、无功都取标幺值，所以电压的值在1.0左右，无功的值在小于1.0的范围内，再对电压进行减1处理，使经处理后的电压、无功都在零的附近，同样，对电容器组和变压器分接头位置也作同样处理，使其同样分布在零的附近，经对输入、输出样本作归一化处理后，可作为网络学习样本的输入量和输出量，完成电压无功优化控制。
本发明的有益效果是：本发明的一种基于模糊神经网络的电压无功优化控制方法，解决了现有技术存在的电压无功控制方法计算复杂的问题，利用模糊系统善于处理模糊性信息的能力，以及神经网络的对任意连续函数的强大的逼近能力，可以实现良好的控制，计算简单，鲁棒性好。
附图说明
图1是本发明一种基于模糊神经网络的电压无功优化控制方法的流程图；
图2是本发明一种基于模糊神经网络的电压无功优化控制方法的电路图；
图3是本发明一种基于模糊神经网络的电压无功优化控制方法的模糊控制前后电压变化情况图；
图4是本发明一种基于模糊神经网络的电压无功优化控制方法的模糊控制前后无功变化情况图；
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明一种基于模糊神经网络的电压无功优化控制方法，如图1所示，具体按照以下步骤实施：
步骤1，在电压无功优化控制电路中，检测整个电路的负荷侧的电压、变压器高压侧流入的无功；
具体的，如图2所示，通过调节变压器分接头位置，来改变变压器变比，使负荷侧母线电压保持在规定范围内。通过调节补偿电容器投切组数，使变电站无功尽量就地保持平衡。整个系统的负荷侧的电压、变压器高压侧流入的无功作为输入量，与经过控制后，测量系统反馈的负荷侧的电压、变压器高压侧流入的无功量的差值，是模糊神经网络控制系统的输入量，经过模糊神经网络系统的调节，得到被控对象(变压器有载分接开关、电容器组数) 的输入值。
检测的得到：U为电压输入从负载端获取的电压；Q为无功量取变压器高压侧输入的无功量；△U、△Q为电压和无功的误差量；△K为变压器有载调压开关分接头位置变化量；△QC为补偿电容器投切组数的变化量；K 为变压器有载调压开关的分接头位置量；Qc为补偿电容器投入的组数；U1， Q1是调节后，根据K和Qc，测量系统反馈输出的电压值和无功量。
步骤2，根据步骤1检测的整个电路的负荷侧的电压、变压器高压侧流入的无功，选择模糊神经网络控制系统的隶属函数和模糊神经系统的解模糊方法；建立模糊神经网络的电压无功优化控制系统；
具体的，采用BP学习方法，学习模糊神经网络模型时，必须使用梯度下降法计算误差为E的权重的偏导数，要求隶属函数为连续可微函数，因此选择高斯型的隶属函数，其解析式为:
a,b分别表示高斯函数的中心和宽度。高斯函数的定义域为(-∞，+∞)，取值范围为[0,1]。该函数在定义域内处处连续可微，适用于电压无功模糊控制系统的隶属函数。
选择加权平均法作为变电站模糊神经系统的解模糊法。加权平均法是按以下公式选取输出x*值:
输出x*值为：
建立模糊神经网络的电压无功优化控制系统，网络输入量为△U、△Q，输出量为△K、△QC，
△U：负荷侧的电压与系统反馈电压的差值；
△Q：变压器高压侧流入的无功量与系统反馈无功量的差值；
△K：为变压器有载调压开关的分接头位置量；
△QC：为补偿电容器投切组数。
各层的功能分析如下:输入用x表示，输出用y表示，各符号的上标为层，下标为神经单元，net为隐层神经元的净输入，f(.)为神经元的转换函数。
第一层为输入层，输入向量值直接进入该层节点。这一层的节点将输入值传输到下一层，输出等于输入。这一层有两个输入节点。
第2层模糊化层，该层完成输入变量隶属函数的计算:
其中，i＝1,2,......n。j＝1,2,......,m。其分别表示输入量的维数(为2)和模糊分割集数(为7)。mij和σij分别表示隶属函数的中心和宽度。该层结点数为每个输入量的模糊子集之和。
第3层为模糊相联层。与模糊层的连接完成了模糊规则的匹配，即模糊规则库层的生成，其中每个节点表示一个控制规则
第4层为解模糊层，主要完成了各模糊控制规则的归一化操作，避免了学习过程中由于修正量大而产生的振荡。该层的输出为:
第5层为输出层，该层完成归一化加权线性和，并直接给出清晰的输出值。w表示连接权值。
在模糊神经网络中，为了完成对隶属函数和控制规则的自学习和改进，必须根据梯度下降法对样本误差进行调整。即反方向修正w、σ、m。
在网络中，误差函数E取平方型误差函数，d为期望值，σ为神经元的参考误差，y为网络的实际输出值，△w表示权值w的修正量，△σ表示σ的修正量，△m表示m的修正量。η为学习率，其取值为0<η<l。
误差函数E为:
其中，αji,αjmax,αjmin为各组样本数据中的归一化值、最大值和最小值。
模糊神经网络的学习过程是将训练样本的输入输出问题转化为非线性优化计算问题，然后利用梯度下降法求得权值的过程。
利用梯度下降法求得权值的过程：
1)赋予各隶属函数的中心和宽度、各权值的初值；
2)设定学习允许的误差；
3)计算网络的输出；
4)计算网络的误差函数；
5)修正隶属函数的网络的权值w，中心值m和宽度值σ；
6)重复步骤3)－6)，直到输出误差小于规定的误差允许值。
由于隶属函数为高斯型，其定义域为(－∞,+∞)，值域为[0,1]，所以要对输入样本进行处理，当其满足要求后，再进行计算。处理的方法是对样本作归一化处理，使输入样本数据归一化到(-1,+1)的区间内，其绝对值在(0,1)的范围内。
步骤3，将检测整个电路的负荷侧的电压、变压器高压侧流入的无功代入基于模糊神经网络的电压无功优化控制系统，经对输入、输出样本作归一化处理后，可作为网络学习样本的输入量和输出量，完成电压无功优化控制。
具体的，对电压、无功都取标幺值，所以电压的值在1.0左右，无功的值在小于1.0的范围内，再对电压进行减1处理，使经处理后的电压、无功都在零的附近，同样，对电容器组和变压器分接头位置也作同样处理，使其同样分布在零的附近，经对输入、输出样本作归一化处理后，可作为网络学习样本的输入量和输出量，完成电压无功优化控制。
实验结果及分析
表1为截取的66kV变电站10kV母线电压及66kV母线无功的12小时数据，本申请使用的原始数据均来自该表。
表1 10kV变电站12小时的电压无功状况
表2为使用改进模糊神经网络进行电压无功控制后电压无功状况，可以看出，用改进模糊神经网络进行控制的10kV侧电压范围在9.5716到 10.743之间，无功功率范围在-1.4263到4.4186之间，12小时内主变分接头动作1次，66kV母线电容器组投切4次。
表2进行改进后的电压无功控制后电压无功状况、
改进模糊控制前后电压变化如图3所示，可以看出通过本发明设计的模糊神经网络电压无功优化控制，10kV母线电压可以控制在电压合格的上下限范围内，并且电压变化趋势平缓，可以更好的保证电压稳定性。
模糊控制前后无功变化如图4所示，可以看出通过模糊神经网络优化控制，66kV母线无功可以控制在无功功率和各的上下限范围内，并且无功功率更接近于零，证明模糊神经网络对无功的控制性能更优。
本发明的一种基于模糊神经网络的电压无功优化控制方法，解决了现有技术存在的电压无功控制方法计算复杂的问题，利用模糊系统善于处理模糊性信息的能力，以及神经网络的对任意连续函数的强大的逼近能力，可以实现良好的控制，计算简单，鲁棒性好。
Claims (6)
1.一种基于模糊神经网络的电压无功优化控制方法，其特征在于，具体按照以下步骤实施：
步骤1、在电压无功优化控制电路中，检测整个电路的负荷侧的电压、变压器高压侧流入的无功；
步骤2、根据步骤1检测的整个电路的负荷侧的电压、变压器高压侧流入的无功，选择模糊神经网络控制系统的隶属函数和模糊神经系统的解模糊方法；建立模糊神经网络的电压无功优化控制系统；
步骤3、将检测整个电路的负荷侧的电压、变压器高压侧流入的无功代入基于模糊神经网络的电压无功优化控制系统，经对输入、输出样本作归一化处理后，可作为网络学习样本的输入量和输出量，完成电压无功优化控制。
2.根据权利要求1所述的一种基于模糊神经网络的电压无功优化控制方法，其特征在于，所述步骤1具体按照以下实施：通过调节变压器分接头位置，来改变变压器变比，使负荷侧母线电压保持在规定范围内。通过调节补偿电容器投切组数，使变电站无功尽量就地保持平衡。整个系统的负荷侧的电压、变压器高压侧流入的无功作为输入量，与经过控制后，测量系统反馈的负荷侧的电压、变压器高压侧流入的无功量的差值，是模糊神经网络控制系统的输入量，经过模糊神经网络系统的调节，得到被控对象的输入值，检测的得到：U为电压输入从负载端获取的电压；Q为无功量取变压器高压侧输入的无功量；△U、△Q为电压和无功的误差量；△K为变压器有载调压开关分接头位置变化量；△QC为补偿电容器投切组数的变化量；K为变压器有载调压开关的分接头位置量；Qc为补偿电容器投入的组数；U1，Q1是调节后，根据K和Qc，测量系统反馈输出的电压值和无功量。
3.根据权利要求1所述的一种基于模糊神经网络的电压无功优化控制方法，其特征在于，所述步骤2中的选取模糊神经网络控制系统的隶属函数具体按照以下实施：
采用BP学习方法，学习模糊神经网络模型时，必须使用梯度下降法计算误差为E的权重的偏导数，要求隶属函数为连续可微函数，因此选择高斯型的隶属函数，其解析式为:
a,b分别表示高斯函数的中心和宽度。高斯函数的定义域为(-∞，+∞)，取值范围为[0,1]。该函数在定义域内处处连续可微，适用于电压无功模糊控制系统的隶属函数。
4.根据权利要求1所述的一种基于模糊神经网络的电压无功优化控制方法，其特征在于，所述步骤2中选取模糊神经系统的解模糊方法具体按照以下实施：选择加权平均法作为变电站模糊神经系统的解模糊法，加权平均法是按以下公式选取输出x*值:
输出x*值为：
5.根据权利要求1所述的一种基于模糊神经网络的电压无功优化控制方法，其特征在于，所述步骤2中建立模糊神经网络的电压无功优化控制系统具体按照以下实施：建立模糊神经网络的电压无功优化控制系统，网络输入量为△U、△Q，输出量为△K、△QC，
△U：负荷侧的电压与系统反馈电压的差值；
△Q：变压器高压侧流入的无功量与系统反馈无功量的差值；
△K：为变压器有载调压开关的分接头位置量；
△QC：为补偿电容器投切组数。
各层的功能分析如下:输入用x表示，输出用y表示，各符号的上标为层，下标为神经单元，net为隐层神经元的净输入，f(.)为神经元的转换函数。
第一层为输入层，输入向量值直接进入该层节点。这一层的节点将输入值传输到下一层，输出等于输入。这一层有两个输入节点。
第2层模糊化层，该层完成输入变量隶属函数的计算:
其中，i＝1,2,......n。j＝1,2,......,m。其分别表示输入量的维数(为2)和模糊分割集数(为7)。mij和σij分别表示隶属函数的中心和宽度。该层结点数为每个输入量的模糊子集之和。
第3层为模糊相联层。与模糊层的连接完成了模糊规则的匹配，即模糊规则库层的生成，其中每个节点表示一个控制规则
第4层为解模糊层，主要完成了各模糊控制规则的归一化操作，避免了学习过程中由于修正量大而产生的振荡。该层的输出为:
第5层为输出层，该层完成归一化加权线性和，并直接给出清晰的输出值。w表示连接权值。
在模糊神经网络中，为了完成对隶属函数和控制规则的自学习和改进，必须根据梯度下降法对样本误差进行调整。即反方向修正w、σ、m。
在网络中，误差函数E取平方型误差函数，d为期望值，σ为神经元的参考误差，y为网络的实际输出值，△w表示权值w的修正量，△σ表示σ的修正量，△m表示m的修正量。η为学习率，其取值为0<η<l。
误差函数E为:
∵
∴
∴
∵
∴
∴
其中，αji,αjmax,αjmin为各组样本数据中的归一化值、最大值和最小值。
模糊神经网络的学习过程是将训练样本的输入输出问题转化为非线性优化计算问题，然后利用梯度下降法求得权值的过程。
利用梯度下降法求得权值的过程：
1)赋予各隶属函数的中心和宽度、各权值的初值；
2)设定学习允许的误差；
3)计算网络的输出；
4)计算网络的误差函数；
5)修正隶属函数的网络的权值w，中心值m和宽度值σ；
6)重复步骤3)－6)，直到输出误差小于规定的误差允许值。
由于隶属函数为高斯型，其定义域为(－∞,+∞)，值域为[0,1]，所以要对输入样本进行处理，当其满足要求后，再进行计算。处理的方法是对样本作归一化处理，使输入样本数据归一化到(-1,+1)的区间内，其绝对值在(0,1)的范围内。
6.根据权利要求1所述的一种基于模糊神经网络的电压无功优化控制方法，其特征在于，所述步骤3具体按照以下实施：。对电压、无功都取标幺值，所以电压的值在1.0左右，无功的值在小于1.0的范围内，再对电压进行减1处理，使经处理后的电压、无功都在零的附近，同样，对电容器组和变压器分接头位置也作同样处理，使其同样分布在零的附近，经对输入、输出样本作归一化处理后，可作为网络学习样本的输入量和输出量，完成电压无功优化控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148204.9A CN111049153A (zh) | 2019-11-21 | 2019-11-21 | 一种基于模糊神经网络的电压无功优化控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148204.9A CN111049153A (zh) | 2019-11-21 | 2019-11-21 | 一种基于模糊神经网络的电压无功优化控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111049153A true CN111049153A (zh) | 2020-04-21 |
Family
ID=70233021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911148204.9A Pending CN111049153A (zh) | 2019-11-21 | 2019-11-21 | 一种基于模糊神经网络的电压无功优化控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111049153A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111952960A (zh) * | 2020-07-17 | 2020-11-17 | 国网上海市电力公司 | 基于电力弹簧的智能负载柔性多目标协调控制方法 |
| WO2022088591A1 (zh) * | 2020-10-28 | 2022-05-05 | 广州汽车集团股份有限公司 | 一种估计新能源汽车电池包均衡状态的方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009076968A2 (en) * | 2007-12-19 | 2009-06-25 | Vestas Wind Systems A/S | Event-based control system for wind turbine generators |
| CN102013697A (zh) * | 2010-10-13 | 2011-04-13 | 中电普瑞科技有限公司 | 一种风电场的电压/无功综合智能控制方法 |
-
2019
- 2019-11-21 CN CN201911148204.9A patent/CN111049153A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009076968A2 (en) * | 2007-12-19 | 2009-06-25 | Vestas Wind Systems A/S | Event-based control system for wind turbine generators |
| CN102013697A (zh) * | 2010-10-13 | 2011-04-13 | 中电普瑞科技有限公司 | 一种风电场的电压/无功综合智能控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 魏远航: "基于模糊神经网络的变电站电压无功控制的研究" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111952960A (zh) * | 2020-07-17 | 2020-11-17 | 国网上海市电力公司 | 基于电力弹簧的智能负载柔性多目标协调控制方法 |
| WO2022088591A1 (zh) * | 2020-10-28 | 2022-05-05 | 广州汽车集团股份有限公司 | 一种估计新能源汽车电池包均衡状态的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Niknam et al. | Impact of distributed generation on volt/var control in distribution networks | |
| Chen et al. | Two-stage dynamic reactive power dispatch strategy in distribution network considering the reactive power regulation of distributed generations | |
| Pertl et al. | Voltage estimation in active distribution grids using neural networks | |
| CN109829560B (zh) | 一种配电网可再生能源发电集群接入规划方法 | |
| CN109687469B (zh) | 基于机会约束规划的有源配电网智能软开关电压控制方法 | |
| CN111049153A (zh) | 一种基于模糊神经网络的电压无功优化控制方法 | |
| CN112785119B (zh) | 基于聚类和层次分析算法的配网电压越限原因分析方法 | |
| CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
| CN114069687B (zh) | 一种计及逆变器无功调节作用的分布式光伏规划方法 | |
| CN110783913B (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
| CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
| CN117808151A (zh) | 一种基于粒子群-遗传融合算法的变电站无功优化方法 | |
| CN104298834A (zh) | 基于面向对象技术的直流系统建模方法及故障仿真方法 | |
| Hannan et al. | Particle swarm optimization algorithm based fuzzy controller for solid-state transfer switch toward fast power transfer and power quality mitigation | |
| Abusorrah | The application of the linear adaptive genetic algorithm to optimal power flow problem | |
| CN112838622A (zh) | 一种10kV供电区域的无功电压优化控制方法及系统 | |
| Shinde et al. | Performance comparison of PI & ANN based STATCOM for 132 KV transmission line | |
| CN109508062B (zh) | 一种基于模糊电导的光伏发电控制方法及系统 | |
| 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 | |
| CN116073447A (zh) | 一种基于鲁棒优化的分布式光伏分层控制方法 | |
| CN114844051A (zh) | 一种主动配电网的无功电源优化配置方法及终端 | |
| Abdallah et al. | Voltage and reactive power control simulations using neural networks | |
| Abraham et al. | Artificial neural networks for intelligent real time power quality monitoring systems | |
| Wang et al. | A multi-agent deep reinforcement learning based multi-timescale voltage control for distribution system | |
| Wang et al. | Neural network-based model predictive control approach for modular multilevel converters |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |