JPH0643948A - 電圧無効電力制御装置 - Google Patents
電圧無効電力制御装置Info
- Publication number
- JPH0643948A JPH0643948A JP4199960A JP19996092A JPH0643948A JP H0643948 A JPH0643948 A JP H0643948A JP 4199960 A JP4199960 A JP 4199960A JP 19996092 A JP19996092 A JP 19996092A JP H0643948 A JPH0643948 A JP H0643948A
- Authority
- JP
- Japan
- Prior art keywords
- voltage
- reactive power
- time series
- series data
- power
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
- Control Of Electrical Variables (AREA)
Abstract
(57)【要約】
【目的】 電力系統の負荷の動特性が大きく変動する場
合にも系統電圧等の予測が可能な電圧無効電力制御装置
を提供する。 【構成】 電圧無効電力制御装置は、過去の電力系統の
各種時系列データを保存する手段と、過去の電力系統の
各種時系列データから近い将来の電圧及び無効電力をニ
ューラルネットワークにより予測する手段と、ニューラ
ルネットワークのノードの重み係数を学習する手段とを
備える。 【効果】 対象の動特性が大きく変動する場合にも近い
将来の電圧及び無効電力を比較的高精度に予測可能であ
る。
合にも系統電圧等の予測が可能な電圧無効電力制御装置
を提供する。 【構成】 電圧無効電力制御装置は、過去の電力系統の
各種時系列データを保存する手段と、過去の電力系統の
各種時系列データから近い将来の電圧及び無効電力をニ
ューラルネットワークにより予測する手段と、ニューラ
ルネットワークのノードの重み係数を学習する手段とを
備える。 【効果】 対象の動特性が大きく変動する場合にも近い
将来の電圧及び無効電力を比較的高精度に予測可能であ
る。
Description
【０００１】
【産業上の利用分野】本発明は、電力系統の系統電圧及
び無効電力を制御する電圧無効電力制御装置に関し、特
に、近い将来の系統電圧及び無効電力を予測して制御を
行う電圧無効電力制御装置に関する。
び無効電力を制御する電圧無効電力制御装置に関し、特
に、近い将来の系統電圧及び無効電力を予測して制御を
行う電圧無効電力制御装置に関する。
【０００２】
【従来の技術】電圧無効電力制御装置は、変圧器に設け
られたタップ切替器（以下、ＬＴＣと称する）に駆動指
令を与え、当該変圧器のタップを調整することにより変
圧器２次側の出力電圧や無効電力を所望の範囲に制御す
る。かかる電圧無効電力制御装置の例について図４を参
照して説明する。
られたタップ切替器（以下、ＬＴＣと称する）に駆動指
令を与え、当該変圧器のタップを調整することにより変
圧器２次側の出力電圧や無効電力を所望の範囲に制御す
る。かかる電圧無効電力制御装置の例について図４を参
照して説明する。
【０００３】図４は、出願人が特願平４−４３７４６号
により提案している先行例を示しており、電圧無効電力
制御装置は電圧無効電力予測部１１及び電圧無効電力制
御部１２によって構成されている。
により提案している先行例を示しており、電圧無効電力
制御装置は電圧無効電力予測部１１及び電圧無効電力制
御部１２によって構成されている。
【０００４】電圧無効電力予測部１１は、電力系統の制
御パラメータを抽出する図示しないトランスデューサか
ら電力系統の有効電力あるいはそれに相当する信号の時
系列データと、電力系統の電圧の時系列データ及び無効
電力の時系列データの供給を受けて、将来の系統電圧の
予測値と無効電力の予測値を出力するもので、図５に示
されるように電圧モデル同定部１３、無効電力モデル同
定部１４、有効電力予測部１５、電圧予測部１６及び無
効電力予測部１７によって構成される。電圧モデル同定
部１３は、有効電力と系統電圧の時系列データから有効
電力を入力とし電圧を出力とする式（１）のＡＲＭＡ
（auto-regressive moving-average model）モデルのパ
ラメータ｛ａi ，ｂj ｝を最小２乗推定（例えば、線形
システムの同定：計測と制御Vol ２８−No４，PP２９１
／２９９）により算出し、該パラメータと、有効電力Ｐ
及び系統電圧Ｖの時系列データとを電圧予測部１６に供
給する。
御パラメータを抽出する図示しないトランスデューサか
ら電力系統の有効電力あるいはそれに相当する信号の時
系列データと、電力系統の電圧の時系列データ及び無効
電力の時系列データの供給を受けて、将来の系統電圧の
予測値と無効電力の予測値を出力するもので、図５に示
されるように電圧モデル同定部１３、無効電力モデル同
定部１４、有効電力予測部１５、電圧予測部１６及び無
効電力予測部１７によって構成される。電圧モデル同定
部１３は、有効電力と系統電圧の時系列データから有効
電力を入力とし電圧を出力とする式（１）のＡＲＭＡ
（auto-regressive moving-average model）モデルのパ
ラメータ｛ａi ，ｂj ｝を最小２乗推定（例えば、線形
システムの同定：計測と制御Vol ２８−No４，PP２９１
／２９９）により算出し、該パラメータと、有効電力Ｐ
及び系統電圧Ｖの時系列データとを電圧予測部１６に供
給する。
【０００５】 ただし、Ｖ（ｋ）は系統電圧のｋ番目のサンプルデー
タ、Ｖ（ｋ−ｉ）は系統電圧のｋ−ｉ番目のサンプルデ
ータ、Ｐ（ｋ−ｊ）は有効電力のｋ−ｊ番目のサンプル
データ、ｎはＡＲモデル次数、ｍはＭＡモデル次数であ
る。
タ、Ｖ（ｋ−ｉ）は系統電圧のｋ−ｉ番目のサンプルデ
ータ、Ｐ（ｋ−ｊ）は有効電力のｋ−ｊ番目のサンプル
データ、ｎはＡＲモデル次数、ｍはＭＡモデル次数であ
る。
【０００６】同様に、無効電力モデル同定部１４は、有
効電力と無効電力の時系列データから有効電力を入力と
し無効電力を出力する式（２）のＡＲＭＡモデルのパラ
メータ｛ｃi ，ｄj ｝を最小２乗推定により算出し、該
パラメータと、有効電力Ｐ及び無効電力Ｑの時系列デー
タとを無効電力予測部１７に供給する。
効電力と無効電力の時系列データから有効電力を入力と
し無効電力を出力する式（２）のＡＲＭＡモデルのパラ
メータ｛ｃi ，ｄj ｝を最小２乗推定により算出し、該
パラメータと、有効電力Ｐ及び無効電力Ｑの時系列デー
タとを無効電力予測部１７に供給する。
【０００７】 ただし、Ｑ（ｋ）は無効電力のｋ番目のサンプルデー
タ、Ｑ（ｋ−ｉ）は無効電力のｋ−ｉ番目のサンプルデ
ータ、Ｐ（ｋ−ｊ）は有効電力のｋ−ｊ番目のサンプル
データ、ｎはＡＲモデル次数、ｍはＭＡモデル次数であ
る。
タ、Ｑ（ｋ−ｉ）は無効電力のｋ−ｉ番目のサンプルデ
ータ、Ｐ（ｋ−ｊ）は有効電力のｋ−ｊ番目のサンプル
データ、ｎはＡＲモデル次数、ｍはＭＡモデル次数であ
る。
【０００８】有効電力予測部１５は、有効電力の時系列
データから有効電力を時間ｔの関数、例えば、式（３）
で近似し、将来のサンプル点ｔ´，ｔ''，…における有
効電力を予測し、その予測値Ｐ´，Ｐ''…を電圧予測部
１６及び無効電力予測部１７に供給する。
データから有効電力を時間ｔの関数、例えば、式（３）
で近似し、将来のサンプル点ｔ´，ｔ''，…における有
効電力を予測し、その予測値Ｐ´，Ｐ''…を電圧予測部
１６及び無効電力予測部１７に供給する。
【０００９】 Ｐ（ｔ）＝Ｐ0 ＋Ｐ1 ＊ｔ＋Ｐ2 ＊ｔ2 （３） ただし、Ｐ0 、Ｐ1 、Ｐ2 はパラメータであり、例えば
最小２乗法で決定する。
最小２乗法で決定する。
【００１０】電圧予測部１６は、電圧モデル同定部１３
の出力である電圧モデルのパラメータ、有効電力の時系
列データ群、系統電圧の時系列データ群及び有効電力予
測部１５の出力である有効電力予測値に基づいて、系統
電圧の予測値を上記（１）式によって算出する。すなわ
ち、過去の系統電圧の時系列データ群及び有効電力の時
系列データ群を用いて（１）式により、次の系統電圧の
未来の第１サンプル点ｔ´におけるサンプル出力Ｖ
（ｋ）を求める。これは、予測値であり、未来の系統電
圧の第１サンプル値Ｖ' となる。これを系統電圧の時系
列データに追加する。有効電力予測部１５から上記第１
サンプル点ｔ´における有効電力Ｐ´を取込み、これを
有効電力の時系列データ群に追加する。系統電圧及び有
効電力の時系列データを用いて式（１）により、未来の
サンプル点ｔ''における系統電圧の第２サンプル値Ｖ''
を求める。また、有効電力予測部１５から第２サンプル
点ｔ''における有効電力の予測値Ｐ''を取込む。系統電
圧及び有効電力の時系列データ（Ｖ´及びＰ´を含んで
いる）に更にサンプル値Ｖ''，Ｐ''を追加し、式（１）
により、未来の第３サンプル点ｔ''' における系統電圧
の第３サンプル値Ｖ'''を求める。このような演算を予
測すべき時間軸上の所望のサンプル点ｔn'の位置まで繰
り返し、例えば数サンプルから数十サンプル先の未来サ
ンプル点ｔn'における系統電圧Ｖn'を予測する。得られ
た系統電圧の所定時間後の予測値を電圧無効電力制御部
１２に供給する。
の出力である電圧モデルのパラメータ、有効電力の時系
列データ群、系統電圧の時系列データ群及び有効電力予
測部１５の出力である有効電力予測値に基づいて、系統
電圧の予測値を上記（１）式によって算出する。すなわ
ち、過去の系統電圧の時系列データ群及び有効電力の時
系列データ群を用いて（１）式により、次の系統電圧の
未来の第１サンプル点ｔ´におけるサンプル出力Ｖ
（ｋ）を求める。これは、予測値であり、未来の系統電
圧の第１サンプル値Ｖ' となる。これを系統電圧の時系
列データに追加する。有効電力予測部１５から上記第１
サンプル点ｔ´における有効電力Ｐ´を取込み、これを
有効電力の時系列データ群に追加する。系統電圧及び有
効電力の時系列データを用いて式（１）により、未来の
サンプル点ｔ''における系統電圧の第２サンプル値Ｖ''
を求める。また、有効電力予測部１５から第２サンプル
点ｔ''における有効電力の予測値Ｐ''を取込む。系統電
圧及び有効電力の時系列データ（Ｖ´及びＰ´を含んで
いる）に更にサンプル値Ｖ''，Ｐ''を追加し、式（１）
により、未来の第３サンプル点ｔ''' における系統電圧
の第３サンプル値Ｖ'''を求める。このような演算を予
測すべき時間軸上の所望のサンプル点ｔn'の位置まで繰
り返し、例えば数サンプルから数十サンプル先の未来サ
ンプル点ｔn'における系統電圧Ｖn'を予測する。得られ
た系統電圧の所定時間後の予測値を電圧無効電力制御部
１２に供給する。
【００１１】無効電力予測部１７は、無効電力モデル同
定部１４の出力である無効電力モデルのパラメータ、有
効電力の時系列データ群、無効電力の時系列データ群及
び有効電力予測部１５の出力である有効電力予測値に基
づいて、無効電力の予測値を上記（２）式によって算出
する。すなわち、過去の系統電圧の時系列データ群及び
有効電力の時系列データ群を用いて（２）式により、次
の無効電力の未来の第１サンプル点ｔ´におけるサンプ
ル出力Ｑ（ｋ）を求める。これは、予測値であり、未来
の系統電圧の第１サンプル値Ｑ' となる。これを無効電
力の時系列データに追加する。有効電力予測部１５から
上記第１サンプル点ｔ´における有効電力Ｐ´を取込
み、これを有効電力の時系列データ群に追加する。無効
電力及び有効電力の時系列データを用いて式（１）によ
り、未来のサンプル点ｔ''における無効電力の第２サン
プル値Ｑ''を求める。また、有効電力予測部１５から第
２サンプル点ｔ''における有効電力の予測値Ｐ''を取込
む。無効電力及び有効電力の時系列データ（Ｑ´及びＰ
´を含んでいる）に更にサンプル値Ｑ''，Ｐ''を追加
し、式（１）により、未来の第３サンプル点ｔ''' にお
ける無効電力の第３サンプル値Ｑ''' を求める。このよ
うな、演算を予測すべき時間軸上の所望のサンプル点ｔ
n'の位置まで繰り返し、例えば数サンプルから数十サン
プル先の未来サンプル点ｔn'における無効電力Ｑn'を予
測する。得られた無効電力の所定時間後の予測値を電圧
無効電力制御部１２に供給する。
定部１４の出力である無効電力モデルのパラメータ、有
効電力の時系列データ群、無効電力の時系列データ群及
び有効電力予測部１５の出力である有効電力予測値に基
づいて、無効電力の予測値を上記（２）式によって算出
する。すなわち、過去の系統電圧の時系列データ群及び
有効電力の時系列データ群を用いて（２）式により、次
の無効電力の未来の第１サンプル点ｔ´におけるサンプ
ル出力Ｑ（ｋ）を求める。これは、予測値であり、未来
の系統電圧の第１サンプル値Ｑ' となる。これを無効電
力の時系列データに追加する。有効電力予測部１５から
上記第１サンプル点ｔ´における有効電力Ｐ´を取込
み、これを有効電力の時系列データ群に追加する。無効
電力及び有効電力の時系列データを用いて式（１）によ
り、未来のサンプル点ｔ''における無効電力の第２サン
プル値Ｑ''を求める。また、有効電力予測部１５から第
２サンプル点ｔ''における有効電力の予測値Ｐ''を取込
む。無効電力及び有効電力の時系列データ（Ｑ´及びＰ
´を含んでいる）に更にサンプル値Ｑ''，Ｐ''を追加
し、式（１）により、未来の第３サンプル点ｔ''' にお
ける無効電力の第３サンプル値Ｑ''' を求める。このよ
うな、演算を予測すべき時間軸上の所望のサンプル点ｔ
n'の位置まで繰り返し、例えば数サンプルから数十サン
プル先の未来サンプル点ｔn'における無効電力Ｑn'を予
測する。得られた無効電力の所定時間後の予測値を電圧
無効電力制御部１２に供給する。
【００１２】電圧無効電力制御部１２は、系統電圧の現
在値Ｖ、無効電力の現在値Ｑ、系統電圧の所定時間後の
予測値Ｖn'及び無効電力の所定時間後の予測値Ｑn'に基
づいて図示しない変圧器のタップ切替指令を発令する。
すなわち、系統電圧の現在値、無効電力の現在値が設定
範囲から逸脱するとタップ切替指令を発生するという判
断に、比較的に近い将来における系統電圧及び無効電力
の予測値が設定範囲内に収まる場合にはタップ切替を行
わないという判断が追加されて、タップ上げ指令及びタ
ップ下げ指令の両切替指令を適宜に選択するようになさ
れる。また、系統電圧の現在値Ｖ、無効電力の現在値
Ｑ、系統電圧の予測値Ｖn'及び無効電力の予測値Ｑn'の
いずれもが設定範囲外となる場合には予測値の大きさを
参照してタップを設定することにより、比較的に短かい
時間間隔で再度タップを設定し直すべく切替指令を発す
るという事態を回避し得る。かかる切替指令はトランス
２のＬＴＣに供給され、電圧無効電力制御が行われる。
在値Ｖ、無効電力の現在値Ｑ、系統電圧の所定時間後の
予測値Ｖn'及び無効電力の所定時間後の予測値Ｑn'に基
づいて図示しない変圧器のタップ切替指令を発令する。
すなわち、系統電圧の現在値、無効電力の現在値が設定
範囲から逸脱するとタップ切替指令を発生するという判
断に、比較的に近い将来における系統電圧及び無効電力
の予測値が設定範囲内に収まる場合にはタップ切替を行
わないという判断が追加されて、タップ上げ指令及びタ
ップ下げ指令の両切替指令を適宜に選択するようになさ
れる。また、系統電圧の現在値Ｖ、無効電力の現在値
Ｑ、系統電圧の予測値Ｖn'及び無効電力の予測値Ｑn'の
いずれもが設定範囲外となる場合には予測値の大きさを
参照してタップを設定することにより、比較的に短かい
時間間隔で再度タップを設定し直すべく切替指令を発す
るという事態を回避し得る。かかる切替指令はトランス
２のＬＴＣに供給され、電圧無効電力制御が行われる。
【００１３】
【発明が解決しようとする課題】しかしながら、上述の
ＡＲＭＡモデルをベースとする方式では、ＡＲＭＡモデ
ルと呼ばれる線形モデルを用いているので、制御対象と
なる電力系統の動特性が大きく変動する場合には予測が
大きくずれてしまう。また、変動した動特性に対応する
新たな予測モデルが同定されるまでの間予測ができな
い、将来の予測値を求めるために入力データである有効
電力を外挿しているので、有効電力の測定ノイズに弱い
という改善すべき点があった。
ＡＲＭＡモデルをベースとする方式では、ＡＲＭＡモデ
ルと呼ばれる線形モデルを用いているので、制御対象と
なる電力系統の動特性が大きく変動する場合には予測が
大きくずれてしまう。また、変動した動特性に対応する
新たな予測モデルが同定されるまでの間予測ができな
い、将来の予測値を求めるために入力データである有効
電力を外挿しているので、有効電力の測定ノイズに弱い
という改善すべき点があった。
【００１４】よって、本発明は、制御対象の動特性が大
きく変動する場合にも予測可能であり、有効電力の外挿
を必要としない電圧無効電力装置を提供することを目的
とする。
きく変動する場合にも予測可能であり、有効電力の外挿
を必要としない電圧無効電力装置を提供することを目的
とする。
【００１５】
【課題を解決するための手段】上記目的を達成するため
本発明の電圧無効電力制御装置は、電力系統の過去の時
系列データから上記電力系統の将来の電圧と無効電力と
を予測して変圧器のタップ切替を制御する電圧無効電力
制御装置において、過去の電力系統の各種時系列データ
を保存するデータ保存手段と、保存された上記各種時系
列データから将来の電圧及び無効電力をニューラルネッ
トワークにより予測する予測手段と、上記ニューラルネ
ットワークの重み係数を学習する手段と、を備えること
を特徴とする。
本発明の電圧無効電力制御装置は、電力系統の過去の時
系列データから上記電力系統の将来の電圧と無効電力と
を予測して変圧器のタップ切替を制御する電圧無効電力
制御装置において、過去の電力系統の各種時系列データ
を保存するデータ保存手段と、保存された上記各種時系
列データから将来の電圧及び無効電力をニューラルネッ
トワークにより予測する予測手段と、上記ニューラルネ
ットワークの重み係数を学習する手段と、を備えること
を特徴とする。
【００１６】
【作用】予測モデルとして、ニューラルネットワークを
用いることで、制御対象の動特性が大きく変動し従来の
線形モデルでは予測が大きくずれる場合にもニューラル
ネットワークの非線形写像により高精度の予測が可能と
なる。また、保存した各種系統データを用いたニューラ
ルネットワークの重み学習機能により過去のデータと将
来の予測値の直接的な関係を求めることにより有効電力
の外挿が不要となる。
用いることで、制御対象の動特性が大きく変動し従来の
線形モデルでは予測が大きくずれる場合にもニューラル
ネットワークの非線形写像により高精度の予測が可能と
なる。また、保存した各種系統データを用いたニューラ
ルネットワークの重み学習機能により過去のデータと将
来の予測値の直接的な関係を求めることにより有効電力
の外挿が不要となる。
【００１７】
【実施例】以下、本発明の電圧無効電力制御装置につい
て図面を参照して説明する。図１は、本発明の電圧無効
電力制御装置の電圧無効電力予測部１１の構成例を示し
ており、予測部１１１、データ保存部１１２及び重み係
数学習部１１３によって構成される。電圧無効電力制御
装置のその他の構成は従来構成と同様であり、かかる部
分の説明は省略する。
て図面を参照して説明する。図１は、本発明の電圧無効
電力制御装置の電圧無効電力予測部１１の構成例を示し
ており、予測部１１１、データ保存部１１２及び重み係
数学習部１１３によって構成される。電圧無効電力制御
装置のその他の構成は従来構成と同様であり、かかる部
分の説明は省略する。
【００１８】予測部１１１は、供給される有効電力Ｐ、
電圧Ｖ及び無効電力Ｑの過去の系統の時系列データに基
づいて電圧予測値と無効電流予測値を出力するニューラ
ルネットワーク装置によって形成される。データ保存部
１１２は過去の時系列データを保存する記憶装置によっ
て形成される。重み係数学習部１１３は、過去の時系列
データに基づいて予測部１１１のニューラルネットワー
クの出力の適合性を学習し、ニューラルネットワークの
重み係数を修正する。
電圧Ｖ及び無効電力Ｑの過去の系統の時系列データに基
づいて電圧予測値と無効電流予測値を出力するニューラ
ルネットワーク装置によって形成される。データ保存部
１１２は過去の時系列データを保存する記憶装置によっ
て形成される。重み係数学習部１１３は、過去の時系列
データに基づいて予測部１１１のニューラルネットワー
クの出力の適合性を学習し、ニューラルネットワークの
重み係数を修正する。
【００１９】図２は、予測部１１１の第１の構成例を示
しており、３層の階層型ニューラルネットワークで構成
されている。入力層４では、Ｌ個の有効電力の時系列デ
ータと、Ｍ個の電圧の時系列データと、Ｎ個の無効電力
の時系列データとを取り込む。中間層５では、入力層４
からのデータの重み付き総和演算と関数演算を行い、出
力層６に出力する。
しており、３層の階層型ニューラルネットワークで構成
されている。入力層４では、Ｌ個の有効電力の時系列デ
ータと、Ｍ個の電圧の時系列データと、Ｎ個の無効電力
の時系列データとを取り込む。中間層５では、入力層４
からのデータの重み付き総和演算と関数演算を行い、出
力層６に出力する。
【００２０】中間層５における処理について、第ｊ番目
のユニットを例にとって説明する。入力層４の第ｉ番目
のユニットから入力されたデータをｘi 、入力層４の第
ｉ番目のユニットから中間層の第ｊ番目のユニットへの
重み係数をＷijとすると中間層５の第ｊ番目のユニット
の出力データｒj は次式で計算される。
のユニットを例にとって説明する。入力層４の第ｉ番目
のユニットから入力されたデータをｘi 、入力層４の第
ｉ番目のユニットから中間層の第ｊ番目のユニットへの
重み係数をＷijとすると中間層５の第ｊ番目のユニット
の出力データｒj は次式で計算される。
【００２１】 （ただし、ｊ＝１〜ＮＡ， ＮＡは中間層の数である） 関数ｆ（・）としては、例えばシグモイド関数等を用い
る。
る。
【００２２】出力層５では、中間層からのデータの重み
付き総和演算と関数演算により近い将来の、例えば、現
在よりもＫステップ先のサンプリング点における電圧Ｖ
（ｋ＋Ｋ）と無効電力Ｑ（ｋ＋Ｋ）を予測値として出力
する。中間層５の第ｊ番目のユニットの出力をｒj 、中
間層の第ｊユニットから出力層６の電圧予測ユニットへ
の重みをＹＶj とすると電圧予測値Ｖ（ｋ＋Ｋ）は次式
で計算される。
付き総和演算と関数演算により近い将来の、例えば、現
在よりもＫステップ先のサンプリング点における電圧Ｖ
（ｋ＋Ｋ）と無効電力Ｑ（ｋ＋Ｋ）を予測値として出力
する。中間層５の第ｊ番目のユニットの出力をｒj 、中
間層の第ｊユニットから出力層６の電圧予測ユニットへ
の重みをＹＶj とすると電圧予測値Ｖ（ｋ＋Ｋ）は次式
で計算される。
【００２３】 関数ｇv （・）としては、例えばシグモイド関数等を用
いる。同様に、中間層５の第ｊ番目のユニットから出力
層６の無効電力予測ユニットへの重みをＹＱj とすると
無効電力予測値Ｑ（ｋ＋Ｋ）は次式で計算される。
いる。同様に、中間層５の第ｊ番目のユニットから出力
層６の無効電力予測ユニットへの重みをＹＱj とすると
無効電力予測値Ｑ（ｋ＋Ｋ）は次式で計算される。
【００２４】 関数ｇQ （・）としては、例えばシグモイド関数等を用
いる。図３は、予測部１１１の第２の構成例を示してい
る。この構成例の予測部は、電圧を予測する第１のニュ
ーラルネットワークと、無効電力を予測する第２のニュ
ーラルネットワークとから構成される。第１のニューラ
ルネットワークは、無効電力の時系列データと電圧の時
系列データとを取り込み、第１の構成例と同様の演算に
より電圧予測値を計算する。第２のニューラルネットワ
ークは、有効電力の時系列データと無効電力の時系列デ
ータを取り込み、第１の構成例と同様の演算により無効
電力予測値を計算する。
いる。図３は、予測部１１１の第２の構成例を示してい
る。この構成例の予測部は、電圧を予測する第１のニュ
ーラルネットワークと、無効電力を予測する第２のニュ
ーラルネットワークとから構成される。第１のニューラ
ルネットワークは、無効電力の時系列データと電圧の時
系列データとを取り込み、第１の構成例と同様の演算に
より電圧予測値を計算する。第２のニューラルネットワ
ークは、有効電力の時系列データと無効電力の時系列デ
ータを取り込み、第１の構成例と同様の演算により無効
電力予測値を計算する。
【００２５】前述したようにデータ保存部１１２は、図
示しないトランスデューサから供給される有効電力の時
系列データ、電圧の時系列データ、無効電力の時系列デ
ータを保存する。重み係数学習部１１３は、保存された
時系列データを用いて、例えば、バックプロパゲーショ
ン法、Vogl法などの知られている方法を利用してニュー
ラルネットワークの重み係数（Ｗij、ＹＶj 、ＹＱj ）
を学習し、重み係数を予測部に出力する。これにより、
ニューラルネットワークの重み係数が更新される。ま
た、重み係数学習部１１３は、再学習や予測部１１１の
ニューラルネットワークの重み係数を変更させる機能も
有している。
示しないトランスデューサから供給される有効電力の時
系列データ、電圧の時系列データ、無効電力の時系列デ
ータを保存する。重み係数学習部１１３は、保存された
時系列データを用いて、例えば、バックプロパゲーショ
ン法、Vogl法などの知られている方法を利用してニュー
ラルネットワークの重み係数（Ｗij、ＹＶj 、ＹＱj ）
を学習し、重み係数を予測部に出力する。これにより、
ニューラルネットワークの重み係数が更新される。ま
た、重み係数学習部１１３は、再学習や予測部１１１の
ニューラルネットワークの重み係数を変更させる機能も
有している。
【００２６】予測部１１１のニューラルネットワークに
よって得られた電圧及び無効電力の予測値は、電圧無効
電力制御部１２に、現在の系統電圧及び無効電力と共に
与えられる。電圧無効電力制御部１２は、供給されるこ
れ等の信号に基づいて従来と同様の制御態様による変圧
器のタップ切替制御を実行する。
よって得られた電圧及び無効電力の予測値は、電圧無効
電力制御部１２に、現在の系統電圧及び無効電力と共に
与えられる。電圧無効電力制御部１２は、供給されるこ
れ等の信号に基づいて従来と同様の制御態様による変圧
器のタップ切替制御を実行する。
【００２７】こうして、今回の予測値を次回の予測の基
礎とすることを繰り返す予測手法を回避して、高精度の
予測機能を実現することができ、電圧無効電力制御装置
の制御性能を向上させることが可能となる。
礎とすることを繰り返す予測手法を回避して、高精度の
予測機能を実現することができ、電圧無効電力制御装置
の制御性能を向上させることが可能となる。
【００２８】
【発明の効果】以上説明したように本発明の電圧無効電
力制御装置は、将来の電圧及び無効電力の予測手段とし
てニューラルネットワークを用いているので、制御対象
である電力系統の負荷の動特性が大きく変動し、従来の
線形モデルでは予測が大きくずれるような場合でも、ニ
ューラルネットワークの非線形写像により高精度の予測
が可能となる。また、保存した各種系統データを用いた
ニューラルネットワークの重み学習機能により過去のデ
ータと将来の予測値の直接的な関係が得られることによ
り有効電力の外挿が不要となる。
力制御装置は、将来の電圧及び無効電力の予測手段とし
てニューラルネットワークを用いているので、制御対象
である電力系統の負荷の動特性が大きく変動し、従来の
線形モデルでは予測が大きくずれるような場合でも、ニ
ューラルネットワークの非線形写像により高精度の予測
が可能となる。また、保存した各種系統データを用いた
ニューラルネットワークの重み学習機能により過去のデ
ータと将来の予測値の直接的な関係が得られることによ
り有効電力の外挿が不要となる。
【図１】本発明の電圧無効電力制御装置の構成例を示す
ブロック図。
ブロック図。
【図２】電圧無効電力予測部の第１の構成例を示すブロ
ック図。
ック図。
【図３】電圧無効電力予測部の第２の構成例を示すブロ
ック図。
ック図。
【図４】従来の電圧無効電力制御装置の構成例を示すブ
ロック図。
ロック図。
【図５】従来の電圧無効電力予測部の構成例を示すブロ
ック図。
ック図。
１１ 電圧無効電力予測部 １２ 電圧無効電力制御部 １１１ 予測部 １１２ データ保存部 １１３ 重み係数学習部
───────────────────────────────────────────────────── フロントページの続き (72)発明者 林 真 司 神奈川県川崎市幸区小向東芝町１ 株式会 社東芝総合研究所内 (72)発明者 豊 住 隆 寛 東京都港区芝浦一丁目１番１号 株式会社 東芝本社事務所内
Claims (2)
- 【請求項１】電力系統の過去の時系列データから前記電
力系統の将来の電圧と無効電力とを予測して変圧器のタ
ップ切替を制御する電圧無効電力制御装置において、 過去の電力系統の各種時系列データを保存するデータ保
存手段と、 保存された前記各種時系列データから将来の電圧及び無
効電力をニューラルネットワークにより予測する予測手
段と、 前記ニューラルネットワークの重み係数を学習する手段
と、を備えることを特徴とする電圧無効電力制御装置。 - 【請求項２】前記予測手段は、 前記過去の電力系統の各種時系列データから前記将来の
電圧を予測する第１のニューラルネットワークと、 前記過去の電力系統の各種時系列データから前記将来の
無効電力を予測する第２のニューラルネットワークと、
によって構成されることを特徴とする請求項１記載の電
圧無効電力制御装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4199960A JPH0643948A (ja) | 1992-07-27 | 1992-07-27 | 電圧無効電力制御装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4199960A JPH0643948A (ja) | 1992-07-27 | 1992-07-27 | 電圧無効電力制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0643948A true JPH0643948A (ja) | 1994-02-18 |
Family
ID=16416472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4199960A Pending JPH0643948A (ja) | 1992-07-27 | 1992-07-27 | 電圧無効電力制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0643948A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112600244A (zh) * | 2020-12-10 | 2021-04-02 | 江苏派尔高智能科技有限公司 | 一种基于神经网络的光伏电站电压控制方法 |
| CN113316752A (zh) * | 2019-01-24 | 2021-08-27 | 索尼半导体解决方案公司 | 电压控制装置 |
-
1992
- 1992-07-27 JP JP4199960A patent/JPH0643948A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113316752A (zh) * | 2019-01-24 | 2021-08-27 | 索尼半导体解决方案公司 | 电压控制装置 |
| CN112600244A (zh) * | 2020-12-10 | 2021-04-02 | 江苏派尔高智能科技有限公司 | 一种基于神经网络的光伏电站电压控制方法 |
| CN112600244B (zh) * | 2020-12-10 | 2023-04-28 | 江苏派尔高智能科技有限公司 | 一种基于神经网络的光伏电站电压控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Incremental backpropagation learning networks | |
| JP2539540B2 (ja) | プロセス制御装置 | |
| DE102007001025B4 (de) | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems | |
| Platt | Leaning by combining memorization and gradient descent | |
| CN112000001A (zh) | 一种基于改进贝叶斯模型的pid参数整定优化方法 | |
| JPH05308535A (ja) | テレビジョン用の制御回路と電源 | |
| Yu et al. | A novel average dwell time strategy for stability analysis of discrete-time switched systems by T–S fuzzy modeling | |
| JPH09273795A (ja) | 熱負荷予測装置 | |
| JPH0643948A (ja) | 電圧無効電力制御装置 | |
| Dash et al. | Fuzzy and neuro-fuzzy computing models for electric load forecasting | |
| Andersen et al. | Single net indirect learning architecture | |
| JPH07141313A (ja) | 神経回路素子 | |
| JPH0814627A (ja) | 予測データ作成システムおよびこのシステムを用いた熱負荷予測装置 | |
| JPH06266450A (ja) | 自動電圧・無効電力制御装置 | |
| Carpinteiro et al. | A hierarchical self-organizing map model in short-term load forecasting | |
| JP2515076B2 (ja) | 電圧無効電力の制御方法及び装置 | |
| JPH0895938A (ja) | 時系列データの学習方法及び時系列データの学習装置 | |
| US5490236A (en) | Method of assigning initial values of connection parameters to a multilayered neural network | |
| Motter et al. | Predictive multiple model switching control with the self‐organizing map | |
| Onoda | Next day's peak load forecasting using an artificial neural network | |
| EP0985181B1 (en) | Associative neural network | |
| Peterson et al. | An RBF network alternative for a hybrid architecture | |
| JPH0744221A (ja) | フィードバック制御装置におけるむだ時間補償装置 | |
| Koivisto | Minimum prediction error neural controller | |
| JP2000122985A (ja) | アクセス予測方法および装置とアクセス負荷分散方法および装置と前記方法を実施するプログラムを記録した記録媒体 |