基于复数值神经网络的区域性电网谐波治理方法及装置与流程

[0001]
本发明属于电网电能质量优化领域，特别涉及一种基于复数值神经网络的区域性电网谐波治理方法及装置。


背景技术：

[0002]
随着近年来电力电子技术的发展，越来越多的电力电子设备诸如整流器、逆变器以及dc-dc变换器因其高效便利的变换电能的特点在电网中得到了广泛应用。然而，由于电力电子器件本身的非线性特性，电力电子设备的投入不可避免地在电网中产生了大量难以忽视的谐波问题，劣化了电网的电能质量。
[0003]
为了解决这类问题，各种各样的电能质量治理设备应运而生。其中，有源电力滤波器(apf)由于补偿灵活，响应速度快等优势具有很好的发展前景。有源电力滤波器按照安装方式可分为并联型、串联型两种。其中并联型有源电力滤波器(sapf)的工作方式一般是对问题负载进行就地补偿，通过将有源电力滤波器与待治理负载并联的方式进行补偿。首先检测负载向电网注入的谐波电流，并提取其中谐波分量，之后对谐波电流取反，将其作为主电路的输出指令，以此指令控制主电路向电网注入与负载相反的谐波电流，从而使由连接点流入电网的总电流不含谐波分量，达到谐波抑制的效果。从滤波的角度来看，相当于负载的谐波分量通过有源滤波器流出而不进入电网，因此称之为有源电力滤波器。
[0004]
当有源滤波器用于对集中的大功率非线性负载进行治理时，能够取得很好的治理效果。但是，对于含有多个分布式非线性负载的局域电网来说，要使电网整体的电能质量得到优化，按照就地补偿的方法则需要多个有源电力滤波器同时进行治理。一方面来说，会导致成本增加。另一方面，如果仅有部分问题负载得到了治理，或者当安装位置和补偿负载选择不合理时，电网的整体电能质量并不能保证一定得到优化，严重时甚至会导致电能质量相比于治理前恶化。因此，如何利用少量有源电力滤波器对包含许多分布式非线性负载的局域电网的电压谐波进行系统级的综合优化治理便成为一个值得研究的问题。


技术实现要素：

[0005]
本发明的目的是提供一种基于复数值神经网络的区域性电网谐波治理方法及装置，解决了现有技术中含有多个分布式非线性负载的局域电网的治理成本高、整体电能质量不能得到保证的问题。
[0006]
本发明的目的是通过以下技术方案实现的：
[0007]
第一方面，本发明提供一种基于复数值神经网络的区域性电网谐波治理方法，包括以下步骤：
[0008]
步骤s1、采集各节点的电压信息和电流信息，构成数据对；
[0009]
步骤s2、利用数据对训练复数值神经网络；
[0010]
步骤s3、利用复数值神经网络求解最优治理电流；
[0011]
步骤s4、控制apf输出最优治理电流给电网，完成治理。
[0012]
进一步的，所述的基于复数值神经网络的区域性电网谐波治理方法还包括实时监控谐波电流相量是否满足精度要求的步骤：
[0013]
实时采集电网的各谐波源输出的谐波电流相量，记为[i'1,i'2,...,i'
n
]，若小于设定的阈值，则视为满足精度要求；否则循环步骤s3，直至小于设定的阈值。
[0014]
进一步的，所述的采集各节点的电压信息和电流信息，是通过在电网的各个节点上安装实时监测装置，通过实时监测装置采集各节点的电压信息和电流信息。
[0015]
进一步的，所述的复数值神经网络的构建方法为：每个数据对中的谐波电流相量作为输入，谐波电压相量作为输出，建立谐波电流与谐波电压之间的拟合关系。
[0016]
进一步的，所述的谐波电流与谐波电压之间的拟合关系的表达式为：
[0017]
其中：
[0018]
代表各节点的h次谐波电压相量，代表n个分布式谐波源输出的h次谐波电流相量，代表apf输出的h次治理电流相量，代表电网的h次谐波传播特性。
[0019]
进一步的，利用复数值神经网络求解最优治理电流的方法为：将实时采集的当前谐波源输出电流相量设为前n个输入，对其余p个的输入采取遍历法，遍历中取治理电流幅值范围为相位范围为[0,2π]，取使神经网络输出相量幅值平方和最小的一组输入作为最优治理电流。
[0020]
第二方面，本发明提供一种基于复数值神经网络的区域性电网谐波治理装置，包括实时监测装置、有源电力滤波器和训练复数值神经网络；所述的实时监测装置安装在电网的各节点上，用于采集各节点的电压信息和电流信息；所述的训练复数值神经网络用于求解最优治理电流；所述的有源电力滤波器用于输出最优治理电流给电网，作为电网的补偿电流。
[0021]
进一步的，所述的实时监测装置还用于实时监控谐波电流相量是否满足精度要求。
[0022]
进一步的，所述的复数值神经网络的神经元采用实部-虚部型神经元，网络结构采用全连接结构，训练算法为复数值误差反向传播算法。
[0023]
进一步的，所述的电流信息为谐波电流相量，所述的电压信息为谐波电压相量。
[0024]
本发明的基于复数值神经网络的区域性电网谐波治理方法及装置，可以对分布有若干谐波源的电网进行综合治理，使得电网整体的电压谐波情况得到改善。利用监测设备得到若干组待治理电网中治理设备与谐波源输出的电流信息及其对应的各节点电压信息，利用复数值神经网络拟合建模得到治理电流与节点电压的关系，从而在有源电力滤波器apf补偿指令生成时不只基于单个节点，还科学地考虑到电网中谐波的整体分布情况，从而
达到对电网整体谐波问题更好的治理效果。
附图说明
[0025]
图1为本发明的基于复数值神经网络的区域性电网谐波治理方法的算法流程示意图；
[0026]
图2为18节点的电网系统结构示意图；
[0027]
图3(a)为五次谐波神经网络误差随迭代变化折线图；
[0028]
图3(b)为七次谐波神经网络误差随迭代变化折线图；
[0029]
图4(a)为节点2五次谐波电压幅值；
[0030]
图4(b)为节点3五次谐波电压幅值；
[0031]
图4(c)为节点4五次谐波电压幅值；
[0032]
图4(d)为节点5五次谐波电压幅值；
[0033]
图4(e)为节点6五次谐波电压幅值；
[0034]
图4(f)为节点7五次谐波电压幅值；
[0035]
图4(g)为节点8五次谐波电压幅值；
[0036]
图4(h)为节点9五次谐波电压幅值；
[0037]
图4(i)为节点2～9五次谐波电压幅值平方和；
[0038]
图5(a)为节点2七次谐波电压幅值；
[0039]
图5(b)为节点3七次谐波电压幅值；
[0040]
图5(c)为节点4七次谐波电压幅值；
[0041]
图5(d)为节点5七次谐波电压幅值；
[0042]
图5(e)为节点6七次谐波电压幅值；
[0043]
图5(f)为节点7七次谐波电压幅值；
[0044]
图5(g)为节点8七次谐波电压幅值；
[0045]
图5(h)为节点9七次谐波电压幅值；
[0046]
图5(i)为节点2～9七次谐波电压幅值平方和；
[0047]
图6(a)为非线性负载1输出五次谐波电流幅值；
[0048]
图6(b)为非线性负载1输出五次谐波电流相位；
[0049]
图6(c)为非线性负载1输出七次谐波电流幅值；
[0050]
图6(d)为非线性负载1输出七次谐波电流相位；
[0051]
图7(a)为非线性负载2输出五次谐波电流幅值；
[0052]
图7(b)为非线性负载2输出五次谐波电流相位；
[0053]
图7(c)为非线性负载2输出七次谐波电流幅值；
[0054]
图7(d)为非线性负载2输出七次谐波电流相位；
[0055]
图8(a)为apf输出五次谐波电流幅值；
[0056]
图8(b)为apf输出五次谐波电流相位；
[0057]
图8(c)为apf输出七次谐波电流幅值；
[0058]
图8(d)为apf输出七次谐波电流相位。
具体实施方式
[0059]
下面结合附图对本公开实施例进行详细描述。
[0060]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0061]
本发明的基于复数值神经网络的区域性电网谐波治理方法，包括以下步骤：
[0062]
步骤s1、采集各节点的电压信息和电流信息，构成数据对。
[0063]
进一步的，在本申请的一种优选实施方式中，所述的采集各节点的电压信息和电流信息是通过在电网的各个节点上安装实时监测装置，通过实时监测装置采集各节点的电压信息和电流信息。
[0064]
本发明对实时监控装置的具体形式不做限定。
[0065]
所述的电流信息包括谐波源与apf的谐波电流相量，所述的电压信息包括谐波电压相量。由同一个谐波源的一个谐波电流相量与一个谐波电压相量构成一组数据对。数据对格式如表1所示，数据对的数量与电网节点数量及谐波源、apf的数目有关。以m个节点含n个谐波源、p个apf的电网为例，建议采集至少m*(n+p)组数据对。
[0066][0067]
表1
[0068]
步骤s2、利用数据对训练复数值神经网络。
[0069]
进一步的，在本申请的一种优选实施方式中，所述的复数值神经网络的神经元采用“实部-虚部”型神经元，网络结构采用全连接结构，训练算法为复数值误差反向传播算法。其包括输入层和输出层，输入层神经元数量为n+p,输出层神经元数量为m。
[0070]
进一步的，在本申请的一种优选实施方式中，所述的复数值神经网络的构建方法为：每个数据对中的谐波电流相量作为输入，谐波电压相量作为输出，建立治理节点的谐波电流与谐波电压之间的拟合关系。
[0071]
以一含有n个分布式谐波源的m节点三相电网为例，需要利用一台apf输出治理电流，降低电网整体的谐波含量，则电网各节点任意h次谐波电压相量可视为谐波源与apf输出h次谐波电流相量的函数，即谐波电流与谐波电压之间的拟合关系为：
[0072][0073]
上式中代表各节点的h次谐波电压相量，代表n个分布式谐
波源输出的h次谐波电流相量，代表apf输出的h次治理电流相量，代表电网的h次谐波传播特性，复数值神经网络建模所得即
[0074]
复数值神经网络的训练过程不属于本发明内容，此处不再赘述。
[0075]
步骤s3、利用复数值神经网络求解最优治理电流。
[0076]
进一步的，在本申请的一种优选实施方式中，利用复数值神经网络求解得到最优治理电流的方法为：神经网络训练完成后，将实时监测装置采集的当前谐波源输出电流相量(记为[i1,i2,...,i
n
])设为前n个输入，对其余p的输入采取遍历法，遍历中取治理电流幅值范围为相位范围为[0,2π]，取使神经网络输出相量幅值平方和最小的一组输入作为最优治理电流。
[0077]
解最优治理电流问题可视为一受约束的优化问题，其表达式如下：
[0078][0079]
式中i1，
…
，i
n
代表当前电网运行状态下，各谐波源输出的谐波电流相量，amp(
·
)代表求相量幅值的函数。利用训练所得复数值神经网络，将当前各谐波源的电流作为前n个输入，即可采用遍历法求得使各节点谐波电压幅值平方和最小的治理电流相量。
[0080]
步骤s4、控制apf输出最优治理电流完成治理。
[0081]
优选的，在本申请的一种优选实施方式中，基于复数值神经网络的区域性电网谐波治理方法还包括实时监控谐波电流相量是否满足精度的步骤，具体包括：
[0082]
监测装置实时采集各谐波源输出的谐波电流相量，记为[i'1,i'2,...,i'
n
]，若小于设定的阈值，则视为满足精度要求。否则循环步骤s3，直至小于设定的阈值。
[0083]
其中设定的阈值可根据实际需求进行设定，阈值的大小不应作为对本发明的限制。
[0084]
实时监控谐波电流相量是否满足精度的有益效果为：当电网中的谐波源随着外加电压的变化而变化时，为了保证最优解的精确性，需要针对该类谐波源进行迭代优化。根据监测设备实时采集各个谐波源的电流，利用复数值神经网络实时求解并更新最优治理电流，从而保证电网整体的谐波含量始终为最小。
[0085]
本发明在构建复数值神经网络时，将各个谐波源视为电流源，避免了建立反映谐波源复杂外特性的模型，使复数值神经网络仅体现电网的谐波传播特性，降低了训练神经网络的难度。但在求解最优治理电流时，由于治理后电网工作状态的变化，将使谐波源的输出产生一定的偏移，进而使治理电流偏离“最优化”。因此，需要在治理中引入迭代过程，避免该现象的影响。
[0086]
本发明还提供一种基于复数值神经网络的区域性电网谐波治理装置，包括实时监测装置、有源电力滤波器和训练复数值神经网络。实时监测装置安装在电网的各节点上，用
于采集各节点的电压信息和电流信息。训练复数值神经网络用于求解最优治理电流。有源电力滤波器用于输出最优治理电流给电网，作为电网的补偿电流。所述的电流信息包括所有谐波源与apf的谐波电流相量，所述的电压信息包括包括所有谐波源与apf的谐波电压相量。
[0087]
进一步的，在本申请的一种优选实施方式中，实时监测装置还用于实时监控谐波电流相量是否满足精度要求。当电网中的谐波源随着外加电压的变化而变化时，为了保证最优解的精确性，需要针对该类谐波源进行迭代优化。根据监测设备实时采集各个谐波源的电流，利用复数值神经网络实时求解并更新最优治理电流，再通过apf将更新的最优治理电流补偿给电网，从而保证电网整体的谐波含量始终为最小。
[0088]
进一步的，在本申请的一种优选实施方式中，所述的复数值神经网络的神经元采用“实部-虚部”型神经元，网络结构采用全连接结构，训练算法为复数值误差反向传播算法。其包括输入层和输出层，输入层神经元数量为n+p,输出层神经元数量为m。
[0089]
为了能更好地说明本发明的有益效果，下面结合具体的测试过程和测试数据对本发明进行说明。
[0090]
在matlab/simulink中搭建了ieee典型18节点的电网系统，采用matlab-simulink联合仿真的方法进行测试。该18节点系统的结构如图2所示。
[0091]
为了更好地验证方法的有效性，取非线性负载为谐波源，由于非线性负载的谐波耦合特性，此类谐波源的h次谐波电流输出不仅受外加h次谐波电压的影响，同时也受其他次谐波电压的影响，因此增大了治理的难度。
[0092]
(一)治理目标与参数设计
[0093]
典型非线性负载(non-linear load，nll)三相六脉波不控整流桥作为谐波源与节点7、9相连，apf置于节点4，采集与apf的5、7次谐波电流为输入，节点2～9的5、7次谐波电压为输出，训练两个复数值神经网络。再利用apf对节点2～9治理，使这8个节点的5、7次谐波电压幅值平方和最小。仿真参数信息如下表2、3、4所示。
[0094][0095][0096]
表2各节点负载、并联电容器参数
[0097][0098]
表3线路阻抗参数
[0099][0100]
表4电源、非线性负载参数
[0101]
(二)训练神经网络
[0102]
采集得到100组5次谐波数据对、100组7次谐波数据对后，对两个结构为3-10-10-8的复数值神经网络(实部—虚部型)进行训练，将100组数据分为75组训练集、15组验证集以及15组测试集，三集误差随迭代次数变化的折线图如图3(a)和图3(b)所示。
[0103]
由图3可知，五次谐波神经网络与七次谐波神经网络的误差均于30000次迭代后达到0.3左右，神经网络预测值为节点2～9的五、七次谐波电压相量，因此，神经网络对单个节点电压的预测值相量(归一化)与该节点电压实际值相量(归一化)的差相量幅值平方平均为0.0375，精度满足治理要求。
[0104]
(三)治理波形分析
[0105]
完成建模后，便可以通过五、七次谐波神经网络对节点2～9的谐波电压进行综合治理。治理中，每隔0.06s对两个非线性负载的五、七次谐波电流采样，通过模型将采样所得
五、七次谐波电流作为优化问题的约束条件，从而计算出当前谐波电流下，使节点2～9五、七次谐波电压幅值平方和最小的治理电流并进行治理。图4(a)至图4(i)、图5(a)至图5(i)所示为各节点五、七次谐波电压幅值及其平方和随治理变化波形，电压为标幺值，基准值为12.5kv。
[0106]
由图4(a)至图4(i)可知，随着治理的进行，8个节点的幅值平方和逐步降低，算法起到了综合治理五次谐波的效果。各个节点的五次谐波电压幅值也均有一定的降低，但节点2、3、4在0.3～0.5s时产生了反弹。少部分节点的谐波电压幅值略有反弹，而大部分节点的谐波电压幅值随治理进行而单调下降，且幅值平方和没有反弹现象，说明算法牺牲了部分节点的电能质量，以保证整体的谐波含量最低，在实际工程中，对于某些重要节点，可在优化式中采取加权的方式加以保护。
[0107]
由图5(a)至图5(i)可知，治理过程中，仅节点8的电压幅值随治理进行而单调减小，大部分节点有反弹现象，且幅值平方和也产生了一定的反弹，可知由于谐波耦合特性的存在，在五次谐波电压稳定之前，每次对于五次谐波电压的治理都会因此改变非线性负载输出的七次谐波电流，导致七次谐波网络传播特性的变化。随着0.5s五次谐波治理稳定后，七次谐波电流不再受五次治理的影响，各节点七次谐波电压幅值随之降低，并在0.7s后趋于稳态。这也可以从两个非线性负载的谐波电流输出得到，图6(a)至图6(d)、图7(a)至图7(d)所示为两个非线性负载输出的谐波电流。
[0108]
由图6(a)至图6(d)可知，非线性负载1输出的五次谐波电流随着治理的进行而逐渐稳定，而输出的七次谐波电流在0.5s前波动较大，其幅值变化先是降低而后再次升高，直到0.5s后才趋于稳态，验证了六脉波不控整流桥的特性，即低次谐波对高次谐波的影响较大，而高次谐波对低次谐波影响相对较小。
[0109]
根据图7(a)至图7(d)中的非线性负载2输出的五、七次谐波电流的幅值及相位，也可以得出同样的结论。apf输出的治理电流也因此受到同样的影响，如图8(a)至图8(d)所示。
[0110]
综上所述，本发明利用复数值神经网络可对分布式谐波源系统中谐波源电流与节点谐波电压关系进行建模，其所得模型可用于计算在谐波源当下工作状态时使各节点谐波电压幅值平方和最小的最优治理电流，从而达到谐波综合治理的效果。并且由于模型不包含谐波源，在谐波源发生变化时，无需重新建模，而可以基于已完成的模型迭代计算不同状态下的最优治理电流，从而避免因谐波源输出变化产生的不利影响，并令各次谐波的治理效果不致互相抵消，使各次谐波含量均达到最小。
[0111]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0112]
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。