CN117856673A - 基于神经网络的电力系统电压智能控制方法 - Google Patents
基于神经网络的电力系统电压智能控制方法 Download PDFInfo
- Publication number
- CN117856673A CN117856673A CN202410258713.1A CN202410258713A CN117856673A CN 117856673 A CN117856673 A CN 117856673A CN 202410258713 A CN202410258713 A CN 202410258713A CN 117856673 A CN117856673 A CN 117856673A
- Authority
- CN
- China
- Prior art keywords
- time point
- voltage
- transient
- sequence
- index
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 230000001052 transient effect Effects 0.000 claims abstract description 127
- 230000005284 excitation Effects 0.000 claims abstract description 66
- 230000033228 biological regulation Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及电压控制技术领域,具体涉及基于神经网络的电力系统电压智能控制方法,该方法包括:根据各时间点的实际励磁电压获取各时间点的暂态特征观测序列,构建各时间点的励磁电压小扰动失稳指数及励磁电压大扰动失稳指数,结合各时间点的励磁电压大、小扰动失稳指数构建各时间点的励磁电压暂态失稳指数,进而计算各时间点的发电机转速反馈强度,得到各时间点的发电机转速难控指数,根据各时间点的励磁电压暂态失稳指数、发电机转速反馈强度以及发电机转速难控指数,结合PID控制算法的参数获取下一时间点励磁电压的控制信号,完成电压的控制。本发明可实现对励磁电压进行及时准确的控制。
Description
技术领域
本申请涉及电压控制技术领域,具体涉及基于神经网络的电力系统电压智能控制方法。
背景技术
电力系统是由发电厂、送电线路、供配电所和用电等环节组成的系统,它的功能是将自然界的一次能源通过发电动力装置转换为电能,再经过输电、变电和配电将电能供应到各用户。为实现这一功能,电力系统在各个环节和不同层次设置有相应的信息与控制系统,对电能的生产过程进行测量、调节、控制、保护、通信和调度,以保证用户获得安全、优质的电能,其中对于电压的控制能够直接影响能源的利用效率,因此对电压进行合理的控制能够实现电力系统的能效优化,减少能源浪费。
对于电力系统中的电压控制,通常为励磁系统通过调整发电机的磁场,以保持输出电压的稳定性,而传统的励磁系统侧重于励磁电压特性,因此励磁控制策略均为机端电压闭环调节,控制目标为机端电压,控制目的是在一定范围内使机端电压波形平稳,避免出现大幅度震荡或者畸变的情况。而当系统异常运行导致电压出现暂态失衡时,由于暂态失衡后涉及到的因素较多,如发电机转速、励磁电压、电力系统负载情况等,使用传统的PID(proportion integration differentiation)控制算法无法根据实际情况确定合理的参数,进而无法及时调节发电机的励磁电压,导致无法对励磁系统进行较稳定的控制,使得无法对电压进行稳定的控制。
发明内容
为了解决上述技术问题,本发明提供基于神经网络的电力系统电压智能控制方法,以解决现有的问题。
本发明的基于神经网络的电力系统电压智能控制方法采用如下技术方案:
本发明一个实施例提供了基于神经网络的电力系统电压智能控制方法,该方法包括以下步骤:
获取各采集时间点发电机的实际励磁电压、输出电流;
根据各时间点的实际励磁电压获取各时间点的暂态特征观测序列,根据各时间点的暂态特征观测序列中元素分布趋势以及元素之间的关系构建各时间点的励磁电压小扰动失稳指数;根据各时间点的暂态特征观测序列中各元素的差异及暂态特征观测序列的赫斯特指数构建各时间点的励磁电压大扰动失稳指数;结合各时间点的励磁电压大、小扰动失稳指数构建各时间点的励磁电压暂态失稳指数;根据各时间点的励磁电压暂态失稳指数构建各时间点的扰动致紊序列,采用STL分解算法进行分解得到扰动致紊序列的趋势项、残差项,获取趋势项的拟合优度及斜率,根据拟合后的拟合优度及斜率以及残差项构建各时间点的发电机转速反馈强度;根据发电机的转动惯量以及各时间点的电流和发电机转速反馈强度得到各时间点的发电机转速难控指数;
根据各时间点的励磁电压暂态失稳指数、发电机转速反馈强度以及发电机转速难控指数,结合PID控制算法的参数获取下一时间点励磁电压的控制信号,完成电压的控制。
优选的,所述根据各时间点的实际励磁电压获取各时间点的暂态特征观测序列,包括:
按照时间顺序将各时间点之前的预设第一数量个时间点的实际励磁电压所构成的序列,作为各时间点的暂态特征观测序列;
其中,当各时间点之前的时间点数量不足预设数量时,采用回归填充法进行数据填充。
优选的,所述根据各时间点的暂态特征观测序列中元素分布趋势以及元素之间的关系构建各时间点的励磁电压小扰动失稳指数,包括:
对于各时间点的暂态特征观测序列,以暂态特征观测序列中每个元素为中心,从每个元素两侧共选取预设第二数量个元素,组成暂态特征观测序列的每个暂态滑动子序列,其中,当存在元素两侧的元素数量不足预设第二数量时,只选取两侧现有元素,预设第二数量小于预设第一数量;对每个暂态滑动子序列,采用威尔科克森符号秩检验计算p值;
第a个时间点的励磁电压小扰动失稳指数的表达式为:
式中,b表示暂态特征观测序列的长度,表示通过第a个时间点暂态特征观测序列中第c个暂态滑动子序列所计算出的威尔科克森符号秩检验的p值,d表示暂态滑动子序列的长度,/>、/>分别表示第a个时间点的暂态特征观测序列中第c个暂态滑动子序列内第e个、第(e-1)个元素与各自的前一个元素作差后的符号项的值,其中,当作差后的值大于等于0,所述符号项的值为1,反之,符号项的值为-1,/>表示预设数值。
优选的,所述根据各时间点的暂态特征观测序列中各元素的差异及暂态特征观测序列的赫斯特指数构建各时间点的励磁电压大扰动失稳指数,包括:
计算各时间点暂态特征观测序列的赫斯特指数,第a个时间点的励磁电压大扰动失稳指数的表达式为:
式中,、/>分别表示第a个时间点的暂态特征观测序列中第c个、第(c-1)个元素的值,/>表示第a个时间点的暂态特征观测序列中所有元素的均值,/>表示第a个时间点暂态特征观测序列的赫斯特指数。
优选的,所述结合各时间点的励磁电压大、小扰动失稳指数构建各时间点的励磁电压暂态失稳指数,包括:
将各时间点的励磁电压小扰动失稳指数与励磁电压大扰动失稳指数的加权求和结果,作为各时间点的励磁电压暂态失稳指数。
优选的,所述根据各时间点的励磁电压暂态失稳指数构建各时间点的扰动致紊序列,包括:
将各时间点的前预设数量个时间点的励磁电压暂态失稳指数组成各时间点的扰动致紊序列。
优选的,所述获取趋势项的拟合优度及斜率,包括:
对于各时间点的扰动致紊序列的趋势项,将趋势项所构成的序列记为各时间点的扰动致紊趋势序列,采用最小二乘法对扰动致紊趋势序列进行线性拟合,得到趋势项的拟合优度及斜率。
优选的,所述根据拟合后的拟合优度及斜率以及残差项构建各时间点的发电机转速反馈强度,包括:
计算所述斜率的绝对值与所述拟合优度的平方的和值,将残差项所构成的序列记为扰动致紊残差序列,计算所述扰动致紊残差序列中所有元素的标准差,将所述和值与所述标准差的乘积作为各时间点的发电机转速反馈强度。
优选的,所述根据发电机的转动惯量以及各时间点的电流和发电机转速反馈强度得到各时间点的发电机转速难控指数,包括:
对于各时间点,按照时间顺序选取时间点a之前的预设数量个时间点作为时间点a的历史时间点,获取时间点a的历史时间点f的发电机转速反馈强度,计算所述历史时间点f与历史时间点f-1的发电机输出电流的差值绝对值,计算所述历史时间点f的发电机转速反馈强度与所述差值绝对值的乘积,计算所述乘积与发电机转动惯量的比值,将时间点a的所有历史时间点计算得到的所述比值的和值,作为时间点a的发电机转速难控指数。
优选的,所述根据各时间点的励磁电压暂态失稳指数、发电机转速反馈强度以及发电机转速难控指数,结合PID控制算法的参数获取下一时间点励磁电压的控制信号,包括:
将各时间点的励磁电压暂态失稳指数、发电机转速反馈强度以及发电机转速难控指数组成各时间点的励磁电压调控向量;
将各时间点的励磁电压调控向量、励磁电压、电流作为RNN循环神经网络的输入,神经网络输出PID控制算法的比例系数、积分系数和微分系数,将PID控制算法的三个系数和各时间点的励磁电压、电流作为PID控制算法的输入,输出下一时间点励磁电压的控制信号。
本发明至少具有如下有益效果:
本发明通过分析电力系统中电压的暂态稳定特征分别构建励磁电压小扰动失稳指数与励磁电压大扰动失稳指数,分别反映电力系统中励磁电压的小扰动稳定特征与大扰动稳定特征,结合励磁电压小扰动失稳指数与励磁电压大扰动失稳指数构建励磁电压暂态失稳指数,综合反映电力系统中电压的扰动紊乱程度,较准确的识别出电力系统中的实际电压变化情况;通过分析励磁电压暂态失稳指数的变化构建发电机转速反馈强度,较准确的反映对发电机转速的调控量;基于发电机转速反馈强度分析电力系统中的负载情况构建发电机转速难控指数,反映在电力系统中对发电机转速调控的难易程度;结合励磁电压暂态失稳指数、发电机转速反馈强度、发电机转速难控指数构建励磁电压调控向量,使用RNN循环神经网络得到PID算法的相关参数,通过PID控制算法对励磁电压进行及时准确的控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的基于神经网络的电力系统电压智能控制方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于神经网络的电力系统电压智能控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于神经网络的电力系统电压智能控制方法的具体方案。
本发明一个实施例提供的基于神经网络的电力系统电压智能控制方法,具体的,提供了如下的基于神经网络的电力系统电压智能控制方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集数据并进行预处理。
通过电压传感器采集发电机的实际励磁电压,通过电流传感器采集发电机的输出电流,记采集时间间隔为A,本实施例中时间间隔A取值为0.1s,记采集次数为B,本实施例中采集次数B取值为6000。
由于在采集数据的过程中可能会由于通信问题或网络干扰导致数据传输中断,使采集到的数据中存在缺失值等异常情况,为避免缺失值对后续计算产生影响,本实施例使用回归填充法对缺失值进行填充处理,同时为避免量纲不同导致对后续步骤产生影响,本实施例使用Z-score归一化方法对所采集数据进行归一化处理。其中回归填充法、Z-score归一化方法为公知技术,具体过程本实施例不再赘述。
步骤S002,分析电力系统中的暂态稳定特征构建励磁电压暂态失稳指数,基于励磁电压暂态失稳指数分析对转速反馈单元的调控程度构建发电机转速反馈强度,基于发电机转速反馈强度分析电力系统中的负载情况构建发电机转速难控指数,结合励磁电压暂态失稳指数、发电机转速反馈强度、发电机转速难控指数构建励磁电压调控向量。
首先,本实施例将基于暂态稳定特征构建励磁电压暂态失稳指数。
在电力系统中,暂态稳定性是指面对严重的、相对短暂的扰动(如短路故障等)之后,系统能够保持稳定性的程度,所述保持稳定性的程度是指系统在受到扰动后的短时间内,是否能够恢复到新的稳定运行状态,而不会发生失稳或系统崩溃,通过分析暂态稳定特征可以维护电力系统的问题定性,提高电力系统的抗干扰能力。暂态稳定性分为小扰动稳定与大扰动稳定,小扰动通常涉及到电力系统中相对小幅度的频率振荡,主要关注电力系统在短时间内对小规模扰动的响应,如发电机失速或发电机的电压小波动;大扰动稳定通常涉及到电力系统中相对大幅度的频率振荡,如线路短路,设备大规模失效等,主要关注电力系统中相对较长时间内对大规模扰动的响应。据此本发明构建励磁电压暂态失稳指数,反映电力系统的暂态稳定特征,励磁电压暂态失稳指数的构建过程如下:
以第a个时间点为例,按照时间顺序将第a个时间点的前b个时间点的实际励磁电压所构成的序列记为第a个时间点的暂态特征观测序列,本实施例中b取值为70。若对于数据采集时间点的起始部分,即第a个时间点前的时间点数小于b时,通过回归填充法对数据进行填充处理,使填充后的暂态特征观测序列长度为b。进一步,本实施例将在暂态特征观测序列中设定暂态滑动子序列,其获取方法为,以暂态特征观测序列中第c个元素为中心,从左右两边共选取d个元素,且两侧所选取的元素的数量相等,组成暂态特征观测序列中第c个暂态滑动子序列,本实施例中d取值为10,若c在序列首尾,也即若存在元素两侧的元素数量不足d时,只选取两侧现有的元素组成暂态滑动子序列即可。将暂态滑动子序列中的元素作为威尔科克森符号秩检验的输入,输出为检验结果的p值,其中回归填充法、威尔科克森符号秩检验为公知技术,具体过程本实施例不再赘述。则可以计算励磁电压暂态失稳指数,其计算公式如下:
其中表示第a个时间点的励磁电压小扰动失稳指数,b表示暂态特征观测序列的长度,本实施例中为70,/>表示通过第a个时间点暂态特征观测序列中第c个暂态滑动子序列所计算出的威尔科克森符号秩检验的p值,d表示暂态滑动子序列的长度,/>、分别表示第a个时间点的暂态特征观测序列中第c个暂态滑动子序列内第e个、第(e-1)个元素与其前一项作差后的符号项的值,即作差后的值大于等于0,则符号项的值为1,作差后的值小于0,则符号项的值为-1,/>表示预设数值,本实施例中取值为1,实施者可自行设定;
表示第a个时间点的励磁电压大扰动失稳指数,/>、/>分别表示第a个时间点的暂态特征观测序列中第c个、第(c-1)个元素的值,/>表示第a个时间点的暂态特征观测序列中所有元素的均值,/>表示第a个时间点暂态特征观测序列的赫斯特指数,其中赫斯特指数的计算为公知技术,具体过程本实施例不再赘述;
表示第a个时间点的励磁电压暂态失稳指数,/>、/>分别表示励磁电压小扰动失稳指数、励磁电压大扰动失稳指数的暂态权重,在电力系统中,由于大扰动稳定相对更容易观测,小扰动稳定的观测相对较难,故反应小扰动稳定的励磁电压小扰动失稳指数的暂态权重较小,反应大扰动稳定的励磁电压大扰动失稳指数的暂态权重较大,故本实施例中暂态权重分别设定为0.4、0.6,需要说明的是,暂态权重的取值实施者也可根据实际情况自行设置,本实施例对此不做限制。
通过暂态滑动子序列所计算出的维尔科克森符号秩检验的p值越大,即越大,表明该子序列所具有的趋势性越强,此时越可能发生小扰动导致励磁电压失稳,同时暂态滑动子序列内相邻元素与其前一项作差后符号项的值越小,即/>越小,表明暂态滑动子序列内各元素的增长或下降的连续强度越强,表明此时励磁电压出现连续失稳情况,故计算出的励磁电压小扰动失稳指数越大;
在暂态特征观测序列中,相邻元素之间的差异越大,即越大,表明在电力系统中,相邻时间点电压的变化越大,同时暂态特征观测序列中各元素与序列均值的差异越大,即/>越大,表明在电力系统中,电压偏离均值的程度越大,表明此时越可能出现较大扰动导致电压失稳,同时暂态特征观测序列的赫斯特指数越大,即/>越大,越表明暂态特征观测序列中的电压所具有的长期趋势性越强,即电压发生扰动的时间越长,越可能发生大扰动,故计算出的励磁电压大扰动失稳指数越大;
励磁电压小扰动失稳指数或励磁电压大扰动失稳指数越大,即或/>越大,表明此时电力系统中越可能出现小扰动或大扰动导致电力系统失稳,故计算出的励磁电压暂态失稳指数越大。
然后,本实施例将基于励磁电压暂态失稳指数构建发电机转速反馈强度。
通过上述步骤所得各时间点的励磁电压暂态失稳指数,反应电力系统中的失稳特征,当电力系统中的电压失稳时,会使从发电机传递出的电压的波形、频率等出现变化,此时需要向电力系统中发电机的速度反馈单元进行反馈,进而调整发电机的转速,使发电机传递出的电压保持稳定,据此本发明基于励磁电压暂态失稳指数构建发电机转速反馈强度,反应对发电机的速度反馈单元进行调整的程度,发电机转速反馈强度的构建过程如下:
以第a个时间点为例,将第a个时间点的前b个时间点的励磁电压暂态失稳指数所构成的序列记为扰动致紊序列,并将该序列作为STL(Seasonal-Trend decompositionusing LOESS)分解算法的输入,输出为扰动致紊序列的趋势项、周期项和残差项,将分解后的趋势项所构成的序列记为扰动致紊趋势序列、残差项所构成的序列记为扰动致紊残差序列,并通过最小二乘法对扰动致紊趋势序列进行线性拟合,得到拟合后的拟合优度与斜率,其中STL分解算法、最小二乘法为公知技术,具体过程本实施例不再赘述。则可以计算发电机转速反馈强度,其计算公式如下:
其中表示第a个时间点的发电机转速反馈强度,/>、/>分别表示通过最小二乘法对第a个时间点的扰动致紊趋势序列进行线性拟合后的斜率、拟合优度,/>表示第a个时间点的扰动致紊残差序列中所有元素的标准差。
通过最小二乘法对第a个时间点的扰动致紊趋势序列进行线性拟合后的斜率、拟合优度越大,即、/>越大,表明第a个时间点的励磁电压暂态失稳指数所存在的趋势性越强,即随着靠近第a个时间点,电压出现的扰动逐渐变强,同时扰动致紊残差序列中所有元素的标准差越大,即/>越大,表明扰动致紊序列去除趋势项后,仍具有较强的波动性,此时对发电机转速的调整程度应当越大,故计算出的发电机转速反馈强度越大。
进一步,本实施例基于发电机转速反馈强度构建发电机转速难控指数。
通过上述步骤所得各时间点的发电机转速反馈强度,反应对发电机转速的调整程度,在电力系统中,电力系统的频率对发动机转速有着直接的影响,当电力系统中存在负载波动等因素可能会使电力系统的频率发生变化,进而影响对发电机转速的调整与控制,据此本发明基于发电机转速反馈强度构建发电机转速难控指数,反映调控发电机转速的难易程度,发电机转速难控指数的计算公式如下:
其中表示第a个时间点的发电机转速难控指数,g表示按照时间顺序所选取的第a个时间点的历史时间点数量,本实施例中取值为15,/>表示第f个时间点的发电机转速反馈强度,/>、/>表示第f个、第(f-1)个时间点发电机的输出电流,/>表示发电机的转动惯量,通过发电机的技术规格书获取。
第f个时间点的发电机转速反馈强度越大,即越大,表明在电力系统中,此时对发动机转速的调整程度越大,同时相邻时间点的电流变化越大,即/>越大,表明电力系统中的电流变化越大,即电力系统中负载波动越大,此时对发电机转速进行调控时的难度越大,同时发电机的转动惯量越小,即/>越小,表明其对发电机转速的变化会更为敏感,会增加对发电机转速调控时的精密控制难度,故计算出的发电机转速难控指数越大。
最后,本实施例将基于励磁电压暂态失稳指数、发电机转速反馈强度、发电机转速难控指数构建励磁电压调控向量。
通过上述步骤所得各时间点的励磁电压暂态失稳指数、发电机转速反馈强度、发电机转速难控指数,则可以构建各时间点的励磁电压调控向量,反映各时间点电力系统中电压的暂态失稳特征、对发电机转速的调整程度、对发电机转速调整的难易程度,所述励磁电压调控向量具体可表示为如下形式:
其中表示第a个时间点的励磁电压调控向量,/>表示第a个时间点的励磁电压暂态失稳指数,/>表示第a个时间点的发电机转速反馈强度,/>表示第a个时间点的发电机转速难控指数。
步骤S003,基于各时间点的励磁电压调控向量,使用RNN循环神经网络得到PID算法的相关参数,通过PID控制算法控制励磁电压,进而对电压进行智能控制。
将上述步骤所得各时间点的励磁电压调控向量、励磁电压、电流作为RNN循环神经网络的输入,以Adam为优化算法,以均方根误差MSE为损失函数,输出为PID控制算法的三个参数,即分别为比例系数、积分系数、微分系数,将PID控制算法的三个系数和各时间点的励磁电压、电流作为PID控制算法的输入,输出为下一时间点励磁电压的控制信号,将所得控制信号发送至励磁系统,实现对励磁电压的控制,进而实现电力系统中对电压的智能控制。其中RNN循环神经网络、PID控制算法为公知技术,具体过程本实施例不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.基于神经网络的电力系统电压智能控制方法,其特征在于,该方法包括以下步骤:
获取各采集时间点发电机的实际励磁电压、输出电流;
根据各时间点的实际励磁电压获取各时间点的暂态特征观测序列,根据各时间点的暂态特征观测序列中元素分布趋势以及元素之间的关系构建各时间点的励磁电压小扰动失稳指数;根据各时间点的暂态特征观测序列中各元素的差异及暂态特征观测序列的赫斯特指数构建各时间点的励磁电压大扰动失稳指数;结合各时间点的励磁电压大、小扰动失稳指数构建各时间点的励磁电压暂态失稳指数;根据各时间点的励磁电压暂态失稳指数构建各时间点的扰动致紊序列,采用STL分解算法进行分解得到扰动致紊序列的趋势项、残差项,获取趋势项的拟合优度及斜率,根据拟合后的拟合优度及斜率以及残差项构建各时间点的发电机转速反馈强度;根据发电机的转动惯量以及各时间点的电流和发电机转速反馈强度得到各时间点的发电机转速难控指数;
根据各时间点的励磁电压暂态失稳指数、发电机转速反馈强度以及发电机转速难控指数,结合PID控制算法的参数获取下一时间点励磁电压的控制信号,完成电压的控制。
2.如权利要求1所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述根据各时间点的实际励磁电压获取各时间点的暂态特征观测序列,包括:
按照时间顺序将各时间点之前的预设第一数量个时间点的实际励磁电压所构成的序列,作为各时间点的暂态特征观测序列;
其中,当各时间点之前的时间点数量不足预设数量时,采用回归填充法进行数据填充。
3.如权利要求2所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述根据各时间点的暂态特征观测序列中元素分布趋势以及元素之间的关系构建各时间点的励磁电压小扰动失稳指数,包括:
对于各时间点的暂态特征观测序列,以暂态特征观测序列中每个元素为中心,从每个元素两侧共选取预设第二数量个元素,组成暂态特征观测序列的每个暂态滑动子序列,其中,当存在元素两侧的元素数量不足预设第二数量时,只选取两侧现有元素,预设第二数量小于预设第一数量;对每个暂态滑动子序列,采用威尔科克森符号秩检验计算p值;
第a个时间点的励磁电压小扰动失稳指数的表达式为:
式中,b表示暂态特征观测序列的长度,表示通过第a个时间点暂态特征观测序列中第c个暂态滑动子序列所计算出的威尔科克森符号秩检验的p值,d表示暂态滑动子序列的长度,/>、/>分别表示第a个时间点的暂态特征观测序列中第c个暂态滑动子序列内第e个、第(e-1)个元素与各自的前一个元素作差后的符号项的值,其中,当作差后的值大于等于0,所述符号项的值为1,反之,符号项的值为-1,/>表示预设数值。
4.如权利要求3所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述根据各时间点的暂态特征观测序列中各元素的差异及暂态特征观测序列的赫斯特指数构建各时间点的励磁电压大扰动失稳指数,包括:
计算各时间点暂态特征观测序列的赫斯特指数,第a个时间点的励磁电压大扰动失稳指数的表达式为:
式中,、/>分别表示第a个时间点的暂态特征观测序列中第c个、第(c-1)个元素的值,/>表示第a个时间点的暂态特征观测序列中所有元素的均值,/>表示第a个时间点暂态特征观测序列的赫斯特指数。
5.如权利要求1所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述结合各时间点的励磁电压大、小扰动失稳指数构建各时间点的励磁电压暂态失稳指数,包括:
将各时间点的励磁电压小扰动失稳指数与励磁电压大扰动失稳指数的加权求和结果,作为各时间点的励磁电压暂态失稳指数。
6.如权利要求5所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述根据各时间点的励磁电压暂态失稳指数构建各时间点的扰动致紊序列,包括:
将各时间点的前预设数量个时间点的励磁电压暂态失稳指数组成各时间点的扰动致紊序列。
7.如权利要求6所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述获取趋势项的拟合优度及斜率,包括:
对于各时间点的扰动致紊序列的趋势项,将趋势项所构成的序列记为各时间点的扰动致紊趋势序列,采用最小二乘法对扰动致紊趋势序列进行线性拟合,得到趋势项的拟合优度及斜率。
8.如权利要求7所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述根据拟合后的拟合优度及斜率以及残差项构建各时间点的发电机转速反馈强度,包括:
计算所述斜率的绝对值与所述拟合优度的平方的和值,将残差项所构成的序列记为扰动致紊残差序列,计算所述扰动致紊残差序列中所有元素的标准差,将所述和值与所述标准差的乘积作为各时间点的发电机转速反馈强度。
9.如权利要求1所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述根据发电机的转动惯量以及各时间点的电流和发电机转速反馈强度得到各时间点的发电机转速难控指数,包括:
对于各时间点,按照时间顺序选取时间点a之前的预设数量个时间点作为时间点a的历史时间点,获取时间点a的历史时间点f的发电机转速反馈强度,计算所述历史时间点f与历史时间点f-1的发电机输出电流的差值绝对值,计算所述历史时间点f的发电机转速反馈强度与所述差值绝对值的乘积,计算所述乘积与发电机转动惯量的比值,将时间点a的所有历史时间点计算得到的所述比值的和值,作为时间点a的发电机转速难控指数。
10.如权利要求1所述的基于神经网络的电力系统电压智能控制方法,其特征在于,所述根据各时间点的励磁电压暂态失稳指数、发电机转速反馈强度以及发电机转速难控指数,结合PID控制算法的参数获取下一时间点励磁电压的控制信号,包括:
将各时间点的励磁电压暂态失稳指数、发电机转速反馈强度以及发电机转速难控指数组成各时间点的励磁电压调控向量;
将各时间点的励磁电压调控向量、励磁电压、电流作为RNN循环神经网络的输入,神经网络输出PID控制算法的比例系数、积分系数和微分系数,将PID控制算法的三个系数和各时间点的励磁电压、电流作为PID控制算法的输入,输出下一时间点励磁电压的控制信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410258713.1A CN117856673B (zh) | 2024-03-07 | 2024-03-07 | 基于神经网络的电力系统电压智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410258713.1A CN117856673B (zh) | 2024-03-07 | 2024-03-07 | 基于神经网络的电力系统电压智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117856673A true CN117856673A (zh) | 2024-04-09 |
CN117856673B CN117856673B (zh) | 2024-05-14 |
Family
ID=90542063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410258713.1A Active CN117856673B (zh) | 2024-03-07 | 2024-03-07 | 基于神经网络的电力系统电压智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117856673B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664580A (zh) * | 2012-05-16 | 2012-09-12 | 重庆交通大学 | 电力系统多稳定器的混合智能控制方法 |
EP2703914A1 (en) * | 2011-10-13 | 2014-03-05 | Institute of Nuclear Energy Research Atomic Energy Council | Hybrid control system and method for automatic voltage regulator |
CN111969597A (zh) * | 2020-08-03 | 2020-11-20 | 东北电力大学 | 带有svc的多机无穷大电力系统动态面积分滑模控制器 |
CN111964645A (zh) * | 2020-08-04 | 2020-11-20 | 国网福建省电力有限公司莆田供电公司 | 一种基于信息融合的电力杆塔失稳监测方法及系统 |
CN113505525A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 基于微分神经网络的电力系统动态元件建模方法及装置 |
CN113867141A (zh) * | 2021-09-06 | 2021-12-31 | 国网辽宁省电力有限公司鞍山供电公司 | 带有svc的多机电力系统固定时间动态面高阶滑模控制器 |
CN115238995A (zh) * | 2022-07-25 | 2022-10-25 | 北京化工大学 | 一种复杂过程的智能调度优化方法 |
CN117255454A (zh) * | 2023-11-17 | 2023-12-19 | 广东申创光电科技有限公司 | 一种城市照明智能化的控制方法及系统 |
-
2024
- 2024-03-07 CN CN202410258713.1A patent/CN117856673B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2703914A1 (en) * | 2011-10-13 | 2014-03-05 | Institute of Nuclear Energy Research Atomic Energy Council | Hybrid control system and method for automatic voltage regulator |
CN102664580A (zh) * | 2012-05-16 | 2012-09-12 | 重庆交通大学 | 电力系统多稳定器的混合智能控制方法 |
CN111969597A (zh) * | 2020-08-03 | 2020-11-20 | 东北电力大学 | 带有svc的多机无穷大电力系统动态面积分滑模控制器 |
CN111964645A (zh) * | 2020-08-04 | 2020-11-20 | 国网福建省电力有限公司莆田供电公司 | 一种基于信息融合的电力杆塔失稳监测方法及系统 |
CN113505525A (zh) * | 2021-06-22 | 2021-10-15 | 清华大学 | 基于微分神经网络的电力系统动态元件建模方法及装置 |
CN113867141A (zh) * | 2021-09-06 | 2021-12-31 | 国网辽宁省电力有限公司鞍山供电公司 | 带有svc的多机电力系统固定时间动态面高阶滑模控制器 |
CN115238995A (zh) * | 2022-07-25 | 2022-10-25 | 北京化工大学 | 一种复杂过程的智能调度优化方法 |
CN117255454A (zh) * | 2023-11-17 | 2023-12-19 | 广东申创光电科技有限公司 | 一种城市照明智能化的控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
TAHMIDA ISLAM ET AL.: "Design and performance analysis of neural network based dynamic stability controller for multi-generator power system", 《2017 4TH INTERNATIONAL CONFERENCE ON ADVANCES IN ELECTRICAL ENGINEERING (ICAEE)》, 15 January 2018 (2018-01-15), pages 601 - 606 * |
Also Published As
Publication number | Publication date |
---|---|
CN117856673B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahamed et al. | A reinforcement learning approach to automatic generation control | |
CN105119543B (zh) | 一种发电机组调速系统远端线路甩负荷的控制方法及系统 | |
Li et al. | Sensorless-based active disturbance rejection control for a wind energy conversion system with permanent magnet synchronous generator | |
Qudaih et al. | Model predictive based load frequency control design in the presence of DFIG wind turbine | |
Roy et al. | Nonlinear backstepping controller design for improving fault ride through capabilities of DFIG-based wind farms | |
Ibrahim et al. | STATCOM controller design and experimental investigation for wind generation system | |
Ostroverkhov et al. | DEVELOPMENT OF THE CONTROL SYSTEM FOR TAKING OFF THE MAXIMUM POWER OF AN AUTONOMOUS WIND PLANT WITH A SYNCHRONOUS MAGNETOELECTRIC GENERATOR. | |
CN107317477A (zh) | 一种dc/dc变换器的控制方法、控制系统及控制装置 | |
Bobanac et al. | Linear parameter varying approach to wind turbine control | |
CN117856673B (zh) | 基于神经网络的电力系统电压智能控制方法 | |
Valikhani et al. | A brain emotional learning-based intelligent controller (BELBIC) for DFIG system | |
Kamel et al. | Performance enhancement of wind farms integrated with UPFC using adaptive neuro-fuzzy inference system | |
Karad et al. | Enhanced control of doubly fed induction generator based wind turbine system using soft computing assisted fractional order controller | |
Yang et al. | Fuzzy PID control of induction generators | |
CN114024340A (zh) | 一种海上风电装置控制系统及模型预测控制方法 | |
Qiu et al. | Research on Precise Voltage Regulation Control Strategy of High and Low Voltage Ride Through Test Device of Inverter | |
Elgammal | Adaptive fuzzy sliding mode controller for grid interface ocean wave energy conversion | |
Sharadbhai et al. | Artificial neural network based control of doubly fed induction generator for active filtering capabilities | |
Kassem | Predictive voltage control of stand alone wind energy conversion system | |
Pounraj et al. | Dynamic performance investigation of DQ model based UPFC with various controlling techniques | |
Beura et al. | Load frequency control of two area microgrid using reinforcement learning controller | |
CN108110805B (zh) | 一种控制新能源电力系统在异常调控域运行的系统及方法 | |
CN117277400B (zh) | 一种目标函数在线优化水-光发电系统的控制方法 | |
Mitin | Studying the Algorithm of Optimal Correction of Control Structure Parameters for Generator Excitation Control | |
Zolfaghari et al. | Optimal fractional order PID controller design for DFIGs in wind turbine systems |
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 |