CN115986745A - 一种智能配电网谐波电压补偿方法 - Google Patents

Abstract

本发明提供了一种智能配电网谐波电压补偿方法，该方法是基于神经网络控制的配电网公共耦合点谐波电压补偿方法，其通过微电网变流器电压控制实现PCC谐波电压的精确补偿，可有效补偿不同线路阻抗变化对PCC谐波电压造成影响。采用复合式坐标变换锁相环控制完成谐波电压检测，并通过RBF神经网络算法构造谐波预测模型，计算微电网变流器的谐波补偿电压二次调压指令，基于该控制方法，可有效补偿PCC的谐波电压，提高智能配电网系统的电能质量，同时可改善二次调压控制的时滞问题。

Description

一种智能配电网谐波电压补偿方法

技术领域

本发明属于电能质量控制技术领域，尤其涉及一种基于神经网络控制的配电网公共耦合点谐波电压补偿方法。

背景技术

随着我国电网智能化进程的不断推进，基于智能控制和组网模式的智能配电网技术成为了配电网系统的重要发展方向。目前，智能配电网系统的关键技术构成主要由配电通信技术、先进传感测量技术、先进保护控制技术、柔性交流输电技术及微电网控制技术几部分构成。微电网系统作为智能配电网系统的基础构成部分，其重要性不言而喻，因此，微电网控制技术也成为了近年来的研究热点。微电网多位于配电网中，由分布式电源与负荷共同组成，与配电网系统通过公共耦合点(PCC)处的开关构建连接，具有并网和孤岛等多种工作模式，可有效提高配电网系统的灵活性和可靠性。

随着我国微电网建设进程的推进，大量分布式电源接入智能配电网系统，由于分布式电源多采用电力电子装置与配电网进行互动，而电力电子装置呈现非线性负载特性，导致配电网的负载电流发生畸变，进而导致微电网内变流器的输出电压存在谐波。而目前广泛采用的微电网变流器谐波电压控制策略多针对变流器接入点谐波电压进行控制，忽略了变流器接入点与线路阻抗间的压降，当线路长度不可忽略时，线路阻抗上的谐波压降将导致微电网系统PCC处电压发生较大畸变，进而降低智能配电网系统的电能质量，严重情况下将会对智能配电网系统稳定性造成影响。

为有效提高智能配电网系统的电能质量，应首要实现PCC处谐波电压的有效检测。目前，部分文献提出了基于两相静止坐标系的谐波检测技术与分层控制相结合的谐波补偿方法，只能够提取出二次谐波并将其补偿，而对其他谐波没有明显作用。同时，为了补偿线路阻抗造成的谐波压降，一些文献提出了采用串联有源电力滤波器(APF)的方式来实现补偿，但是APF以及分层控制等如今大多数补偿方法均没有考虑到补偿时由于线路以及通信造成的时间延迟问题，即使谐波检测技术足够精确，利用上一时刻所测谐波生成的补偿电压也会与此时系统所需的补偿电压不一致，因此会导致无法进行有效的微电网谐波补偿；且增加APF在智能配电网系统中将增加系统的建设成本，降低了系统的经济性。

综上所述，现有方法并未彻底解决兼顾微电网公共耦合点(PCC)电压谐波检测及谐波补偿等问题。目前已有方法多是只满足了一个方面，当谐波种类比较多或补偿过程中线路比较长时，此类方法均不能满足要求。因此，本专利提出一种基于微电网变流器二次控制的智能配电网谐波电压补偿方法，该方法基于微电网变流器实现线路谐波电压补偿，可有效降低智能配电网建设成本，同时考虑了复杂背景谐波条件下由于二次控制通信延迟造成的时间滞后问题，通过构建RBF神经网络预测模型，可有效提升谐波电压的检测精准度，有效改善微电网PCC处电网电压的电能质量。

发明内容

为解决上述技术问题，本发明提供了一种智能配电网谐波电压补偿方法，该方法基于神经网络控制的配电网公共耦合点谐波电压补偿方法，通过微电网变流器电压控制实现PCC谐波电压的精确补偿，可有效补偿不同线路阻抗变化对PCC谐波电压造成影响。采用复合式坐标变换锁相环控制完成谐波电压检测，并通过RBF神经网络算法构造谐波预测模型，计算微电网变流器的谐波补偿电压二次调压指令，基于该控制方法，可有效补偿PCC的谐波电压，提高智能配电网系统的电能质量，同时可改善二次调压控制的时滞问题。本发明具体采用如下技术方案：

一种智能配电网谐波电压补偿方法包括以下步骤：

(1)基于下垂控制的微电网变流器控制系统构建：利用下垂控制环对微电网变流器的输出功率进行计算并得到该系统指令电压幅值和相角，经过电压控制器将输入指令电压与反馈电压的差输出电流控制环指令电流，经过电流控制环将指令电流与反馈电感电流的差输出PWM控制参考电压；

(2)多次复合谐波的检测：将PCC处测量电压在基波坐标系和各次谐波坐标系下分别进行坐标变换，并对基波以及各次谐波分量进行解耦控制，通过低通滤波获得基波及各次谐波电压；

(3)构建神经网络模型预测谐波电压模型：将(t-1)时刻和t时刻各次参数作为RBF神经网络输入，将(t+1)时刻各次谐波关键值作为神经网络输出，构建RBF神经网络模型，其中t为仿真周期；

(4)训练RBF神经网络预测模型得出预测谐波电压：利用K-均值聚类法和梯度下降法确定网络的聚类中心、基宽向量和权值，使用样本离线训练RBF神经网络，完成实际谐波电压的预测；

(5)计算微电网变流器谐波电压补偿：将神经网络预测模型得到的谐波预测电压作为控制器反馈值，与PCC理想谐波电压比较，通过控制器调整后获得微电网变流器谐波电压补偿指令。采用二次调压通信传递控制信号，将二次调压信号与下垂控制电压指令叠加，得到微电网变流器最终控制信号，实现谐波电压补偿。

优选地，所述步骤(1)具体包括如下步骤：

由于PWM输出电压为方波电压，包含基波分量与谐波分量，因此，根据叠加定理，得到变流器的输出电压表示为：

式中，v代表变流器的PWM输出电压、v_f代表PWM输出电压基波正序分量、v_h(h＝1,2,…,n)代表PWM输出电压h次谐波分量；

设变流器经由一段线路阻抗后与电网相连，根据变流器三相电路具有对称特性，其输出电压也具有对称特性，因此取出变流器的单相等效电路进行分析，得到变流器单相h次电压谐波等效电路。

优选地，所述步骤(2)具体包括如下步骤：

将谐波条件下的三相电压与其基波、谐波合成矢量的关系用下式表示：

U_abc＝U₁+U_k                               (2)

根据Clark变换原则和Park变换原则，得到

其中，d₁-q₁为基波旋转坐标系，d_k-q_k为k次谐波旋转坐标系。Φ₁为基波合成矢量U₁在d₁-q1旋转坐标系中的初始相角，Φ_k为谐波合成矢量U_k在d_k-q_k旋转坐标系中的初始相角；

各个基波谐波分量存在耦合，在对方的旋转坐标系中分别表现为(1-k)和(k-1)次的谐波，通过解耦控制方法来提取各次分量，将各个分量进行解耦控制之后，谐波分量与基波分量已经相互分离，因此加入低通滤波器即将谐波分量滤除，以实现在复杂背景谐波条件下对基波以及多次谐波的电量测量。

优选地，所述步骤(3)具体包括如下步骤：

设H＝[h₁，h₂，…，h_m]^T为隐含层的径向基向量，其中h_m选高斯基函数：

其中X＝[x₁，x₂，…，x_n]^T为神经网络的输入，Y＝[y₁，y₂，…，y_i]^T为神经网络的输出，||·||为欧式范数，c_m为聚类中心，组成中心向量为C＝[c₁，c₂，…，c_m]^T，b_m为基宽常量，组成基宽向量为B＝[b₁，b₂，…，b_m]^T。w_i为输出权重，组成权值向量为:W＝[w₁，w₂，…，w_i]^T，k时刻网络输出表示为:y_k＝WH＝w₁ h₁+w₂ h₂+…+w_i h_m；

将(t-1)时刻和t时刻各次参数作为RBF神经网络输入，将(t+1)时刻各次谐波关键值作为神经网络输出，构建RBF神经网络模型。

优选地，所述步骤(4)具体包括如下步骤：

RBF神经网络的训练分为两个阶段，第一阶段采用K均值聚类算法:根据聚类中心的设定数量，随机选取C＝[c₁，c₂，…，c_m]^T，分别计算输入到各聚类中心的欧式距离，根据距离最近原则分配到各聚类中心，求取每个聚类中心内数据的平均值，作为新的聚类中心，并重新分配输入数据，重复上述过程直到聚类中心位置不再变化；第二阶段采用最小二乘法确定输出权重；最后将剩余样本输入并根据训练得到的参数值对谐波电压完成预测。

本发明具有如下有益的技术效果：

本发明的目的是提出利用RBF神经网络模型预测下一时刻谐波电压用以有效补偿谐波电压的方法，利用多旋转坐标系下的锁相环检测谐波突破了大多数谐波检测方法只能够检测特定某次谐波的限制，采用RBF神经网络预测模型计算实际的谐波电压，与目前大多数补偿方法相比，消除了控制过程中由于通信延迟引起的谐波误差。同时，该方法将线路阻抗作为计算的重要组成部分，具有更好的适应性与推广性。该方法可改善微电网系统PCC的电压特性，并提升系统的稳定性，可为新型微电网谐波的补偿提供有效参考，在微电网电能质量改善及稳定性提高方面具有较好的应用前景。

附图说明

下面结合附图和实例对本发明进一步说明：

图1基于下垂控制的微电网变流器控制原理图。

图2变流器h次单相谐波等效电路。

图3基于多旋转坐标系下锁相环的谐波检测方法原理图。

图4基于解耦控制的锁相环原理图。

图5RBF神经网络结构图。

图6RBF神经网络预测流程图。

图7补偿思路图。

图8补偿结构图。

具体实施方式

下面结合附图对本发明的实施例具体说明。一种基于神经网络控制的配电网公共耦合点谐波电压补偿方法包括以下具体实施步骤：

1)基于下垂控制的微电网变流器控制系统构建：三个控制环分别是下垂控制环、电压控制环和电流控制环，其中下垂控制环首先对DSMS的输出功率进行计算，并根据下垂特性得到DSMS的指令电压幅值和相角。DSMS的电压控制环输入为指令电压与反馈电压的差，经过电压控制器后输出电流控制环指令电流，电流控制环的输入为指令电流与反馈电感电流的差，经过电流控制器后输出PWM控制参考电压。如图1所示：

图中，v_ref代表DSMS指令电压、v_PWM代表PWM控制参考电压、v_PCC代表微网接入点电压、i_Lref代表DSMS指令电感电流，L代表滤波电感、C代表滤波电容、L_o代表交流母线侧滤波电感、v代表输出电压、i_L代表滤波电感电流、i代表输出电流。

由图1变流器控制原理可知，变流器最终与电网进行能量交互的基础为PWM电压控制，因此，可将变流器等效为一个电压源。由于PWM输出电压为方波电压，包含基波分量与谐波分量，因此，根据叠加定理，可得变流器的输出电压表示为：

式中，v代表变流器的PWM输出电压、v_f代表PWM输出电压基波正序分量、v_h(h＝1,2,…,n)代表PWM输出电压h次谐波分量。

设变流器经由一段线路阻抗后与电网相连。由于变流器三相电路具有对称特性，其输出电压也具有对称特性，因此，取出变流器的单相等效电路进行分析。可得到变流器单相h次电压谐波等效电路如图2所示：

图中，L_f代表变流器的滤波电感，A点为变流器的接入点(即PCC点)，Z_line代表PCC点与公共电网间线路阻抗，由于线路阻抗的存在，导致PCC处存在谐波。

2)多次复合谐波的检测：将PCC处测量电压在基波坐标系和各次谐波坐标系下分别进行坐标变换，并对基波以及各次谐波分量进行解耦控制，通过低通滤波获得基波及各次谐波电压，原理如图3所示：

图中，d₁-q₁为基波旋转坐标系，、d_k-q_k为k次谐波旋转坐标系。Φ₁为基波合成矢量U₁在d₁-q1旋转坐标系中的初始相角，Φ_k为谐波合成矢量U_k在d_k-q_k旋转坐标系中的初始相角。复杂背景谐波条件下的三相电压与其基波、谐波分量的关系可用下式表示：

U_abc＝U₁+U_k

(2)

根据Clark变换原则和Park变换原则，可得

由式可见，各个基波谐波分量存在耦合，在对方的旋转坐标系中分别表现为(1-k)和(k-1)次的谐波。为实现基波、k次谐波的精确测量，用图4所示的解耦控制方法来提取各次分量。

将各个分量进行解耦控制之后，谐波分量与基波分量已经相互分离，因此只需加入低通滤波器即可将谐波分量几乎滤除，可以实现在复杂背景谐波条件下对基波以及多次谐波的电量测量。

3)构建神经网络模型预测谐波电压模型：如图5中所示X＝[x₁，x₂，…，x_n]^T为神经网络的输入，Y＝[y₁，y₂，…，y_i]^T为神经网络的输出，H＝[h₁，h₂，…，h_m]^T为隐含层的径向基向量，其中h_m一般选高斯基函数：

其中||·||为欧式范数，c_m为聚类中心，组成中心向量为C＝[c₁，c₂，…，c_m]^T，b_m为基宽常量，组成基宽向量为B＝[b₁，b₂，…，b_m]^T。w_i为输出权重，组成权值向量为:W＝[w₁，w₂，…，w_i]^T。k时刻网络输出可表示为:y_k＝WH＝w₁ h₁+w₂ h₂+…+w_i h_m。由此输入输出关系可以看出，RBF神经网络的整体建立，主要是由C，B以及W三个参数的训练结果决定的。

将(t-1)时刻和t时刻各次参数作为RBF神经网络输入，将(t+1)时刻各次谐波关键值作为神经网络输出，构建RBF神经网络模型。

4)训练RBF神经网络预测模型得出预测谐波电压：首先运行复杂背景谐波条件下基于多旋转坐标系锁相环的谐波电压检测方法仿真程序，仿真时间定为0.2s，间隔10μs采样一次，t为仿真周期，分别记录(t-1)及t时刻共20 000个谐波电压样本数据，其中前1500个样本对RBF进行训练，后500个样本用于验证。预测流程如图6所示：

RBF神经网络的训练分为两个阶段，第一阶段采用K均值聚类算法:根据聚类中心的设定数量，随机选取C＝[c₁，c₂，…，c_m]^T，分别计算输入到各聚类中心的欧式距离，根据距离最近原则分配到各聚类中心，求取每个聚类中心内数据的平均值，作为新的聚类中心，并重新分配输入数据，重复上述过程直到聚类中心位置不再变化；第二阶段采用最小二乘法确定输出权重。

最后将剩余样本输入并根据训练得到的参数值对谐波电压完成预测。

5)计算微电网变流器谐波电压补偿：谐波电压补偿思路如图7所示，首先利用多次复合谐波检测方法得出系统中的谐波电压，再利用RBF神经网络预测出实际谐波电压，将神经网络预测模型得到的谐波预测电压作为控制器反馈值，与PCC理想谐波电压比较，识别出时滞谐波信号，与实际谐波电压相加即提取出无滞后的谐波电压，通过控制器调整后获得微电网变流器谐波电压补偿指令。

图中，v*_PCC代表PCC理想谐波电压、v_PCC代表PCC谐波电压反馈值、v_{ref_h}代表变流器谐波电压补偿指令、G(s)代表控制器传递函数，一般采用PI控制器。

综上所述，在已有1)中变流器的基础上，加入2)中多次复合谐波检测模块检测谐波电压，采用上述补偿思路计算补偿指令信号通过通信方式使变流器产生补偿电压，但存在通信延迟。因此加入4)中RBF神经网络与预测算法相结合的预测模型，发挥各自优点来解决系统产生的时滞问题。补偿结构如图8所示：

图中，R_line代表DSMS的线路电阻、L_line代表DSMS的线路电感、Z_vir代表DSMS的虚拟阻抗，v_{ref_h}代表DSMS电压谐波补偿指令，其他符号的含义与图1一致。

将计算得到的谐波电压补偿指令经二次调压通信传递控制信号，将二次调压信号与下垂控制电压指令叠加，得到微电网变流器最终PWM控制信号，消除系统时滞，最后达到实时准确控制系统的目的。

Claims (5)

1.一种智能配电网谐波电压补偿方法，其特征在于，该方法包括以下步骤：

(1)基于下垂控制的微电网变流器控制系统构建：利用下垂控制环对微电网变流器的输出功率进行计算并得到该系统指令电压幅值和相角，经过电压控制器将输入指令电压与反馈电压的差输出电流控制环指令电流，经过电流控制环将指令电流与反馈电感电流的差输出PWM控制参考电压；

(2)多次复合谐波的检测：将PCC处测量电压在基波坐标系和各次谐波坐标系下分别进行坐标变换，并对基波以及各次谐波分量进行解耦控制，通过低通滤波获得基波及各次谐波电压；

(3)构建神经网络模型预测谐波电压模型：将(t-1)时刻和t时刻各次参数作为RBF神经网络输入，将(t+1)时刻各次谐波关键值作为神经网络输出，构建RBF神经网络模型，其中t为仿真周期；

(4)训练RBF神经网络预测模型得出预测谐波电压：利用K-均值聚类法和梯度下降法确定网络的聚类中心、基宽向量和权值，使用样本离线训练RBF神经网络，完成实际谐波电压的预测；

(5)计算微电网变流器谐波电压补偿：将神经网络预测模型得到的谐波预测电压作为控制器反馈值，与PCC理想谐波电压比较，通过控制器调整后获得微电网变流器谐波电压补偿指令。采用二次调压通信传递控制信号，将二次调压信号与下垂控制电压指令叠加，得到微电网变流器最终控制信号，实现谐波电压补偿。

2.如权利要求1所述的一种智能配电网谐波电压补偿方法，其特征在于，所述步骤(1)具体包括如下步骤：

由于PWM输出电压为方波电压，包含基波分量与谐波分量，因此，根据叠加定理，得到变流器的输出电压表示为：

式中，v代表变流器的PWM输出电压、v_f代表PWM输出电压基波正序分量、v_h(h＝1,2,…,n)代表PWM输出电压h次谐波分量；

设变流器经由一段线路阻抗后与电网相连，根据变流器三相电路具有对称特性，其输出电压也具有对称特性，因此取出变流器的单相等效电路进行分析，得到变流器单相h次电压谐波等效电路。

3.如权利要求2所述的一种智能配电网谐波电压补偿方法，其特征在于，所述步骤(2)具体包括如下步骤：

将谐波条件下的三相电压与其基波、谐波合成矢量的关系用下式表示：

U_abc＝U₁+U_k                               (2)

根据Clark变换原则和Park变换原则，得到

其中，d₁-q₁为基波旋转坐标系，d_k-q_k为k次谐波旋转坐标系。Φ₁为基波合成矢量U₁在d₁-q1旋转坐标系中的初始相角，Φ_k为谐波合成矢量U_k在d_k-q_k旋转坐标系中的初始相角；

各个基波谐波分量存在耦合，在对方的旋转坐标系中分别表现为(1-k)和(k-1)次的谐波，通过解耦控制方法来提取各次分量，将各个分量进行解耦控制之后，谐波分量与基波分量已经相互分离，因此加入低通滤波器即将谐波分量滤除，以实现在复杂背景谐波条件下对基波以及多次谐波的电量测量。

4.如权利要求3所述的一种智能配电网谐波电压补偿方法，其特征在于，所述步骤(3)具体包括如下步骤：

设H＝[h₁，h₂，…，h_m]^T为隐含层的径向基向量，其中h_m选高斯基函数：

其中X＝[x₁，x₂，…，x_n]^T为神经网络的输入，Y＝[y₁，y₂，…，y_i]^T为神经网络的输出，||·||为欧式范数，c_m为聚类中心，组成中心向量为C＝[c₁，c₂，…，c_m]^T，b_m为基宽常量，组成基宽向量为B＝[b₁，b₂，…，b_m]^T。w_i为输出权重，组成权值向量为:W＝[w₁，w₂，…，w_i]^T，k时刻网络输出表示为:y_k＝WH＝w₁ h₁+w₂ h₂+…+w_i h_m；

将(t-1)时刻和t时刻各次参数作为RBF神经网络输入，将(t+1)时刻各次谐波关键值作为神经网络输出，构建RBF神经网络模型。

5.如权利要求4所述的一种智能配电网谐波电压补偿方法，其特征在于，所述步骤(4)具体包括如下步骤：

RBF神经网络的训练分为两个阶段，第一阶段采用K均值聚类算法:根据聚类中心的设定数量，随机选取C＝[c₁，c₂，…，c_m]^T，分别计算输入到各聚类中心的欧式距离，根据距离最近原则分配到各聚类中心，求取每个聚类中心内数据的平均值，作为新的聚类中心，并重新分配输入数据，重复上述过程直到聚类中心位置不再变化；第二阶段采用最小二乘法确定输出权重；最后将剩余样本输入并根据训练得到的参数值对谐波电压完成预测。

Images