基于ANN模型的在线电压稳定裕度评估 .pdf

第 5 2卷第 5期 2 0 1 5年3月 1 0日 电测与仪表 El e c t r ic a l M e a s u r e me nt I n s t r ume nt a t io n V0 1 5 2 No 5 M a r 1 0 2 0 1 5 基 于 A N N模型 的在线 电压稳定裕 度评估 孔祥超 尹星月 张述铭 李国华 王涛4 1 东北电力大学 电气工程学院 吉林 吉林 1 3 2 0 1 2 2 西藏 电力有限公 司调控 中心 拉 萨 8 5 0 0 0 0 3 长春供 电公 司 长春 1 3 0 0 0 0 4 大庆供 电公 司 黑龙江 大庆 1 6 3 0 0 0 摘要 文章将 A N N网络模型引入电压稳定裕度的评估体系中 采用实时的相量测量单元 P M U 获得了电压幅 值和相位角 使电压稳定裕度就可以及时地被表示出来 进一步采用必要 的的控制手段来控制电力系统可以 有效的提高速率 最后在英格兰 3 9节点测试系统上进行了验证 证 明了 A N N网络模型可以很好地分析正常 状态系统和故障状态系统 人工神经 网络模型在计算 电力系统 电压稳定裕度具有可行性 关键词 A N N模型 P V曲线 负荷有功功率裕度 连续潮流 电压稳定 中图分类号 T M6 1 4 文献标识码 A 文章编号 1 0 0 1 1 3 9 0 2 0 1 5 0 5 0 0 2 0 0 5 On l in e e v a l ua t ing o f v o l t a g e s t a bil it y ma r g in b a s e d o n a r t ifi c ia l ne ur a l ne t wo r k Ko n g Xia ng c h a o Yin Xin g y ue Zh a n g S h u min g Li Gu o h u a W a n g T a o C o l l e g e o f E l e c t r ic a l E n g in e e r in g N o r t h e a s t D i a n l i U n iv e r s i t y J il in 1 3 2 0 1 2 J il i n C h in a 2 S t a t e G r id Ti b e t El e c t r i c Po we r Di s pa t c hi n g Co n t r o l Ce n t e r L a s a 85 oo 0 o Ch in a 3 Ch an gc hu n Po we r Co mpa n y C h a n g c h u n 1 3 0 0 0 0 C h in a 4 D a q i n g P o w e r C o m p a n y D a q in g 1 6 3 0 0 0 H e il o n g j i a n g C h in a A b s t r a c t I n t h is p a p e r a n A r t ific ia l N e u r a l N e t w o r k A N N me t h o d is i n t r o d u c e d in t o t h e e s t im a t io n s y s t e m a n d t h e a m p l it u d e s a n d p h a s e a n g l e s a r e o b t a in e d b y r e a l t im e p h a s o r m e a s u r e me n t u n i t s P MU t h e n t h e v o l t a g e s t a b il it y ma r g in c a n b e e x p r e s s e d i n t ime F ur t h e r mo r e c e r t a i n c o n t r o l me t h o d s a r e us e d t o c o n t r o l t he p o we r s y s t e m wh ic h c a n in c r e a s e t h e s p e e d e f f e c t i v e l y At l a s t En g l a n d 3 9 no d e s i s u s e d t o p r o v e t e s t t he s y s t e m Th e r e s u l t s s h o w t ha t ANN n e t wo r k mo d e l c a n a n a l y z e t h e n o r ma l o r f a il u r e s t a t e s y s t e ms An d t h e f e a s i bi l it y is p r o v e d in t h e c a l c u l a t i o n o f t h e p o we r s y s t e m v o l t a g e s t a bi l it y ma r g in u s in g ANN mo d e 1 Ke y wo r d s ANN mo d e l PV c u r v e l o a d a c t i v e p o we r ma r g in c o n t in u a t i o n p o we r flo w v o l t a g e s t a bi l it y 0 引 言 电压失稳在国内外都 曾引起过许 多大型电力系 统事故 J 所以电压稳定研究一直是各国专家研究 的主要 内容 文献 2 4 中对 电压稳定的各种方法 进行了研究 文 中所研究的长期 电压稳 定问题 电压 稳定评估决定了某给定运行条件是否安全 在 电压 稳定研究 中 系统负荷沿某特定方 向趋 向电压崩溃 点 P V曲线是负荷电压 幅值 随负荷 功率 P的 变化 此曲线上 当前运行 点到电压崩溃点 的距离就 是负荷有功功率 P 裕度 对于潮流计算算法 连续潮流 C P F 是一种常用 的算法 由于连续潮流法在大规模 电力系统 的计算 中非常耗 时 故需要一种更快捷 的算 法 智能学 习 技术与传统的分析技术相结合应用于电压稳定相关 一 2 0 一 问题研究 如模式识别 专家 系统 人工神经 网络 模 糊系统和生物进化程序 人工神经网络是一种智能 学习认知技术 这种方法应用 十分广泛 其优势有 人工神经网络可以实现输入数据到输 出数据 间任意 复杂的非线性 映射 因此人工神经 网络是解 决较复 杂问题的 良好 工具 训练好 的人工神 经网络模型进 行工作时 速度较快 一般都能达到要求 它的输入 相量 与输出相量 y存在一定 的映射关系 其中输 入矢量 代表系统 当前 的运行点 输出矢量 代表 负荷功率裕度 在文 中采用 A N N来模仿 C P F去快 速估计 负荷 功率裕 度进 而分析 电压稳 定 问题 在 A N N中选择输入矢量是非常重要 的 文献 5 各负 荷节点有功功率和无 功功率作 为输 入矢量 文献 6 7 输入矢量 为各负荷节点 和发电机节点 的有功 学兔兔 w w w x u e t u t u c o m 学兔兔 w w w x u e t u t u c o m 第5 2卷第 5期 2 0 1 5年3月 lO日 电测与仪表 Ele c t r ic a l M e a s ur e m e n t I n s t r u m e n t at io n V0 I 5 2 NO 5 M a r 1 0 2 0 1 5 当应用 A N N方法来评估 电压稳定裕度时 A N N 完全取代 了图 2方框中的计算过程 因为 A N N已经 学会输入矢量 和输 出矢 量之问的联系 从而代替 了 C P F中的许多迭代过程 因此 A N N就具有 了处理非 线性系统的能力 以英格 兰 3 9节点系统为例 应用 A N N模型计算 P功率犬约用时 0 5 s 而在相同的前 提条件下用 C P F大约需 要 7 s 因此一 个训练好 的 A N N较 C P F可以跟快速地评估 P裕度 2 神经网络的设计与应用 2 1 神 经 网络 的设计 人工神经网络中模型有很多种 文中采用的是多层 感知器 M L P 模 型 即多层前馈网络 引 其结构框 架如图 3所示 网络中包括输入层 隐含层 输 出层 每个圆代表一个神经元 两个神经元之 间有权值相联 系 每个神经元的激活函数用 S型曲线 输出层的输出 与目标函数相比较产生误差 误差通过反向传递进而调 整权值 使用 M A T L A B神经网络工具箱 进行研究 并通过大量的实验测得隐含层的神经元个数为 5个 对此网络进行训练 训练次数最大为 1 0 0次 直到网络 的均方差小于 e 在参考文献 1 7 中提到学习率 叼取 值在0 0 1 6 0 0 1 7时收敛性能较好 所以本文选取学 习速率 竹为0 0 1 6 动量因子 m为0 9 参 输出层 误差反馈传递 权值调整 图 3 多层 感知 器模 型结构 图 F ig 3 Mu lt i la y e r p e r c e p t io n mo d e l s t r uc t u r e 2 2 A N N训练 框 图 在 A N N 网络 的训 练框架 中 图 4说 明 了基 于 A N N评估电压稳定的完全设计过程 具体主要包括 以下三步 1 由于负荷和发电机的不同 随机给出一些状态 通过潮流程序集中验证这些状态的可行I生 如可行就进入 下一步 文中对 A N N网络采用3 0 3 O次训练 2 通过连续潮流法计算功率裕度作为 电压稳 定的 目标输出 利用 A N N网络的输出与之比较 3 通过以上给出的输入数据和输出数据训练 一 2 2 一 最优A NN 图 4 ANN训 练 流程 F ig 4 ANN t r a i ni n g p r o c e s s A N N网络 直到 A N N最优 2 3 A N N 工作评 估 A N N网络对样本的学习过程 就是选 取适当的 训练函数使误差极小化的过程 从输入层 向输 出层 计算 输入已知的学习样本 可按公式计算每一层神 经元 的输 出 若输出层结果的误差不满足精度要求 则再从输 出层 向输入层计算 修改连接权值 和偏置 值 两过程反复交替 直到满足精度要求 文 中 为了突出 A N N的优点 采用了两种误差形式 平均绝 对误 差 E 最大 误差 E 1 0 o 6 E 二 1 0 0 7 max 一 0 式 中 为通过 C P F计算的负荷功率裕度 为利用 A N N评估的负荷功率裕度 3结 果分 析 3 1 负荷 功 率裕 度 文中提出的算法通过选用英格兰 3 9节点系统进 行测试 此系统 总共有 2 0个负荷节点 1 0个发电机 节点 3 5条输电线路 根据线路节点有功功率 无功 功率基础值 按照一定 的负荷增长方 向选值 并利用 连续潮流法求取 P V曲线 这过程 中 通常假 设全部负荷节点 的负荷增 长率相同 全部 的发 电机 节点功率增长率一致 连续潮流法着重考虑发电机 无功限制 问题 2 1 1 图 5为部分节点的 P V曲线 图 5中标有 3 9节点 的曲线为发电机节点 且 发电机 到达它的无功极限时 A 0 6 5 在这点后发 电机的电 压迅速下降 直到最后电压崩溃 在初始状态下 A 学兔兔 w w w x u e t u t u c o m 第 5 2卷第 5期 2 0 1 5年3月 1 0日 电测与仪表 Eie c t r ic a l M e a s u r e me n t I ns t r u me n t at io n VO I 5 2 No 5 M a r 1 0 2 01 5 0 负荷 的有 功功率 P为 6 4 7 2 5 MW 当系统 到 达临界点时 A 0 8 3 4 负荷 的有功功率达 到最大 为 1 1 8 7 0 6 MW 因此对于这个初始运行点 负荷的 功率裕度为 5 3 9 8 1 MW 此过 程就是功率裕 度计算 过程 而 A N N 网络就是 利用大量计算 过程对其 训 练 知道 A N N最优 最后采用最优 AN N来模拟计算 负荷 的功率裕度 图 5 3 9节点 系统 P V曲线 Fig 5 3 9 n o d e s y s t e m P V c u r v e s 3 2 P MU测 量误 差 电压幅值和相位角是预测负荷功率裕度最优 的 两个 已知量 它们必须通过 P MU测量 虽然 P MU的 测量精度 比较 高 但 由于相位 角的信 号传输 的不稳 定很可能给计算带来误差 按照 I E E E标准 在系统稳定运行状态下 系 统 总矢量误差 T V E 必须小 于 1 这个系统 的总 矢量误差是在测量值和应用信号的不同造成 的 比 如一个精确的信号传递 的输入值为 而系 统的测量值为 X r j 则系统总矢量误差 T V E 就 为 X r 一 X i 2 8 P MU测量中引起 了电压 幅值误差 0 和功角 误差A0 而电压幅值误差 Av 直接与 T V E相联系 且在不计功 角误差 时 1 的 电压 幅值误 差 会 引起 1 的 T V E 如果在不计 电压误差 的情况下 那么 0 5 7 的功 角误 差 就会 导 致 1 的 T V E 因此 随机 选 择A 和A0 的标准的将 T V E 1 所 以带有测量 误差 的测量值 将会作为 A N N的输入值 以下列公 式输入 A N N模型中 V i V i 1 A v 0 0 A 0 9 表 1描述 了在不同状态下最大误差和平均绝对 误差 的值 结果显示在利用 A N N模型测量负荷功率 裕度时 应用 P MU s 测量误差变大 这些 问题在今后 的研究中有待改进 表 1 安装 P MU s 对 A N N测量的影响 Ta b 1 I n flu e n c e o f in s t a l l a t io n PMUs t o me a s u r e ANN 3 3 计 算 时 间 利用 A N N模型计算 电压稳定裕度时 所用时间 是人们关注 的 目标 文 中对 C P U使用 时间进行对 比 实验在同一台电脑上进行 采用 3 0 0 0组简单的训 练数据 1 0 0个测试状态 1 0 0个训练次数 表 2显示 了使用 A N N模型 的计算速度远远 高于 C P F的计算 速度 在进 行英 格 兰 3 9节 电系统 的计 算 时 训 练 A N N用了 1 4 6 s 而测试时仅用 了 0 0 7 8 2 s 因此 当 A N N模型训练完成后 它的计算速度是瞬时的 表 2 测试 时 C P U的时间对比 Ta b 2 Ti me o f c o n t r a s t b e t we e n CPU o n t e s t in g 4结束语 A N N是一种智能学习 网络 此 网络是 通过大量 输入数据对 电力系统当前运行点和电压稳定裕度之 间的非线性关系进行学习和模 拟 文 中明确地表 明 节点 电压和相位 角是 两个 重要 的输入矢量 因为功 率潮流在很大程度上取决 于相位角 而 电压崩 溃主 要由裕度决定 故 A N N网络模型可以很好地分析 电 力系统正常状态 和故 障状态 且利用 P MU s 可 以及 时地测量获得 电压 幅值 和功角大小 这对在线 预测 电压稳定裕度 的非常重要 的 结果也证 明 P MU s的 测量误差对 系统 的总误差影响很小 进一 步说 明应 用 P MU s 在文中的裕度预测中是一种可靠的技术 文中主要讨论 了 A N N模型预测 电压稳定裕度 问 题 并证实使用最优 A N N可以很好地预测电压稳定 裕度 并以新英格兰 3 9节点 系统为例证明此技术 的 可行性 但 由于在现实 的电力 系统的复杂性 应用 一 个简单 的 A N N是不可能完成电压稳定裕度测试 的 任务 因此 在不 同的系统状 态 中需要建立不 同 的 一 2 3 学兔兔 w w w x u e t u t u c o m 第 5 2卷 2 0 1 5 盎 第 5期 3月 1 0 日 电测与仪表 El e c t r ic a l M e a s ur e me n t I ns t r u me n t a t io n V0 I 5 2 No 5 M a r 1 0 2 01 5 A N N 文中虽然 A N N模型能够很好地学习了非线性 关系 但 A N N模型理论在其他电力系统的应用很少 所以今后还要不断的加强 A N N模型在电力系统 中的 应用 参 考 1 c w T a y l o r P o w e r s y s t e m Mc Gr a w Hil l Ed u c a t io n 1 9 9 4 文 献 v o l t a g e s t a b i l i t y M N e w Y o r k 2 V A j j a r a p u a n d B L e e B i b l i o g r a p h y o n v o l t a g e s t a b i l i t y I EE E T r a n s Po we r S y s t v o 1 I 3 n o 1 P P 1 1 5 Fe b 1 9 9 8 J 1 25 3 S u g g e s t e d t e ch n i q u e s f o r v o l t a g e s t a b i l i t y a n aly s i s Z I E E E S p e ci a l Pu b l ica t io n 9 3 T H0 6 2 0 5 PW R 1 9 9 3 4 V o l t a g e S t a b i l i t y A s s e s s me n t C o n ce p t s P r a ct i ce s a n d T o o l s Z I EEE P o we r En g in e e ri n g S o cie t y 2 0 0 2 0 78 0 3 7 8 6 9 5 S P1 01 P S S 5 V R D i n a v a h i a n d S C S riv a s t a v a A N N b a s e d v o l t a g e s t a b i l i t y m a r g i n p r e d i ct i o n i n P r o c J I E E E P o w e r E n g S o c S u mm e r Me e t in g J a 1 2 0 01 v o 1 2 P P 1 2 7 5 1 2 8 0 6 S K a mal a s a d a n A K S riv a s t a v a a n d D T h u k a r a m N o v e l a l g o r it h m f o r o n l in e v o l t a g e s t a b il it y a s s e s s me n t b a s e d o n f e e d f o r w a r d n e u r a l n e t w o r k i n P r o c J I E E E P o w e r E n g S o c G e n e r a l Me e t in g J an 1 8 2 2 2 0 0 6 7 P J A b r a o A P A l v e s d a S i l v a a n d A C Z a mb r o n i d e S o u z a Ru l e e x t r a ct io n f r o m a r t ifi c i a l n e u r a l n e t wo r k s for v o l t a g e s e cu ri t y a n a l y s i s in P r o c J 2 0 0 2 I n t J o i n t C o n f N e u r a l N e t w o r k s I J C N N 0 2 Ma y 1 2 1 7 2 0 0 2 v o 1 3 P P 2 1 2 6 2 1 3 1 8 T M L A s s is A R N u n e s a n d D M F a l ca o Mi d a n d l o n g t e r m v o l t a g e s t a b il it y a s s e s s me n t u s in g n e ur a l n e t wo r k s a n d q u a s i s t e a d y s t a t e s i mu l a t i o n i n P r o e J P o w e r E n g i n e e r i n g 2 0 0 7 L a r g e En g in e e ri n g S y s t e ms C o n f Oc t 1 0 1 2 2 0 0 7 P P 2 1 3 2 1 7 9 B J e y a s u r y a A r t i fici a l n e u r a l n e t w o r k s f o r o n l i n e v o l t a g e s t a b i l i t y a s s e s s m e n t i n P r o c J I E E E P o w e r E n g S o c S u mm e r Me e t i n g J u 1 1 6 2 0 2 0 00 v o 1 4 P P 2 0 1 4 2 0 1 8 1 O 刘建华 李天玉 付娟娟 等 基于 B P和 E l m a n神经 网络 的智 能变 电站录波启动判据算法 J 电力系统保护 与控 制 2 0 1 4 4 2 5 1 1 0 1 1 5 L i u J i a n h u a L i T i a n y u F u J u a n j u a n e t a1 C ri t e r i a a l g o ri t h m fo r s ma r t s u b s t a t io n r e co r d e r s t a rtin g b a s e d o n BP Eh na n n e u r a l n e t w o r k J P o w e r S y s t e m P r o t e ct i o n a n d C o n t r o l 2 0 1 4 4 2 5 l 1 0 一 l 1 5 1 1 P K u n d u r P o w e r S y s t e m S t a b i l i t y a n d C o n t r o l M N e w Y o r k McGr a w Hil l E d u c a t io n 1 9 9 4 1 2 V A j j a r a p u a n d C C h ris t y T h e co n t i n u a t i o n p o w e r fl o w A t o o l f o r s t e a d y s t a t e v o h a g e s t abi l i t y a n a l y s i s J I E E E T r a n s P o w e r S y s t v o 1 7 n o 1 P P 4 1 6 42 3 F e b 1 9 9 2 1 3 H D C h i a n g A J F l u e ck K S S h a h a n d N B a l u cP F LOW A p r a ct i ca l t o o l for t r a cin g p o we r s y s t e m s t e a d y s t a t e s t a t io n a r y b e h a v i o r d u e t o l o a d a n d g e n e r a t i o n v a r i a t i o n s J I E E E T r a n s P o we r S y s t v o 1 1 0 n o 2 P P 6 2 3 3 4 Ma y 1 9 9 5 24 1 4 P D e v i j v e r a n d J K i t l e r P a t t e r n R e co g n i t io n A S t a t i s t ica l A p p r o a ch E n g l e wo o d Cl if f s NJ P r e n t ice Ha l l 1 9 8 2 1 5 从爽 面 向 M a t l a b工具箱 的神经 网络理论与应用 M 中国科学 技术大学 出版社 2 0 0 3 1 6 H D e m u t h M B e a l e a n d M H a g a n N e u r a l N e t w o r k T o o l b o x U s e r s G u i d e M N a t i e k MA Ma t h Wo r k s O ct 2 0 0 8 1 7 陈淑华 付青 马贵龙 等 基于神经 网络 自适 应预测 算法 的谐 波检测 J 电工技术学报 2 0 1 1 2 6 1 2 0 0 2 0 6 C h e n S h u h u a F u Q i n g Ma G u i l o n g e t a 1 Ha rmo n i c d e t e ct i o n b a s e d o n a rt ifi cial n e u r a l n e t wo r k a n d a d a p t iv e p r e d ict iv e alg o r it h m J T r a n s a ct i o n s o f C h i n a E l e ct r o t e ch n i ca l S o ci e t y 2 0 1 1 2 6 1 2 0 0 2 0 6 1 8 姚仲舒 吴键荣 杨成梧 基 于神经 网络 的学习控制及其在 机器 人中的应用 J 电工技术学报 2 0 1 1 1 8 3 7 2 7 6 Ya o Zh o n g s h u W u J ia n r o n g Ya n g Ch e n g wu Ne u r a l Ne t wo r k B a s e d l e a r n in g co n t r o l a n d i t s a p p l i ca t i o n f o r r o b o t J T r a n s a ct i o n s o f C h i n a E l e ct r o t e ch n ica l S o ci e t y 2 0 1 1 1 8 3 7 2 7 6 1 9 蔡忠法 陈隆道 陈 国志 基于 自适应神经网络 的谐 波分析模 型 与算法 J 电工技术学报 2 0 0 8 2 3 7 1 1 8 1 2 3