A Novel Approach of Harmonic Analysis in Power Distribution Networks using Artificial Intelligence

對人工智能配電網(wǎng)絡(luò)進(jìn)行諧波分析的新方法

A Novel Approach of Harmonic Analysis in Power Distribution Networks using Artificial Intelligence

Zahir J. Paracha / Akhtar Kalam / Rubbiya Ali

1 緒論

在電力系統(tǒng)中，持續(xù)供電已經(jīng)變成對電力部門的一個挑戰(zhàn)。用戶對轉(zhuǎn)換開關(guān)和現(xiàn)代化電子電路使用量的增加，為配電網(wǎng)絡(luò)注入了不可預(yù)測的諧波，擾亂了供電質(zhì)量。

公共電網(wǎng)提供的電力出現(xiàn)諧波失真的現(xiàn)象是由于電網(wǎng)中非線性負(fù)載產(chǎn)生的電流幅度增加。所以電網(wǎng)工程師必須認(rèn)真分析非線性用戶負(fù)載的電流波形。這些負(fù)載包括現(xiàn)代化的電子設(shè)備，如超級計算機(jī)、變速驅(qū)動器、現(xiàn)代電子鎮(zhèn)流器以及在運行過程中需要經(jīng)常切換的其他電子設(shè)備。

所有的電力公司都致力于使電壓保持恒定的幅度和頻率，沒有任何失真。對于所有的線性用戶負(fù)載(如加熱器、白熾燈以及所有只包含電阻元器件的用電設(shè)備)，所產(chǎn)生的電流波形也是線性的，即正弦波。然而，當(dāng)用戶負(fù)載為非線性負(fù)載時，所產(chǎn)生的電流也隨之改變，變成非正弦波，從而導(dǎo)致諧波失真。非正弦情況下的諧波失真波形是由不同振幅的諧波頻率形成的。

2 配電網(wǎng)絡(luò)中的諧波

配電網(wǎng)絡(luò)中的電壓和電流波形都可能出現(xiàn)諧波失真的現(xiàn)象，如式(1)和式(2)所示：

(1)

(2)

公式(1)和(2)分別給出了非正弦波形情況下的電壓和電流的均方根值，Vh和Ih分別為在諧波分量h處的電壓和電流的幅值。圖1中給出了基礎(chǔ)的正弦波形，并且圖1和圖2做了對比，在相同的正弦波條件上，輸入不同幅度頻率的諧波，所產(chǎn)生的曲線不同。圖1和圖2分別標(biāo)出了第三次和第五次諧波輸入時的曲線。

圖1 基礎(chǔ)波形 第三次和第五次諧波

圖2 諧波失真波形

總諧波失真(THD)可以由失真波形中的諧波分量表示，如式(3)所示：

(3)

式中，Mh是總數(shù)量M中第h個諧波分量的均方根值。

3 諧波分析的意義和方法

最理想的配電網(wǎng)絡(luò)設(shè)計是能夠解決正弦電壓和電流波形的形成問題。然而，隨著現(xiàn)代電力電子設(shè)備使用量的增加，在正弦波的基礎(chǔ)上保證電力的供應(yīng)質(zhì)量已經(jīng)變成配電網(wǎng)絡(luò)工程師的難題。在大多數(shù)情況下，配電網(wǎng)絡(luò)中諧波失真的影響非常明顯時，現(xiàn)有配電網(wǎng)絡(luò)的設(shè)計只能夠包容一定額度的諧波失真。電力系統(tǒng)的配電網(wǎng)絡(luò)中，與諧波失真相關(guān)聯(lián)的現(xiàn)象有：

1)過電壓問題

2)斷路器跳閘

3)設(shè)備故障和實效

4)通信干擾

5)電纜加熱

6)數(shù)據(jù)記錄和計量問題

3.2 審評要點 COU是生物標(biāo)志物資格認(rèn)定中最重要的審評內(nèi)容，也是生物標(biāo)志物區(qū)別于其他藥物研發(fā)工具的特點。它包括一個涵蓋生物標(biāo)志物名稱、身份和在藥物研發(fā)過程中使用目的的 “使用聲明 （use statement）”，以及如何在特定環(huán)境中使用生物標(biāo)志物的全面描述即 “合格使用的條件（conditions for qualified use）”[8]。 提供所需的數(shù)據(jù)以支持特定COU是申請人的義務(wù)。申請人在與FDA溝通的早期就應(yīng)盡可能全面清楚地闡明COU，并在隨后的資格認(rèn)定程序中不斷完善。

7)絕緣故障

多年來，無數(shù)的技術(shù)、方法和工具被用于測量配電網(wǎng)絡(luò)中的諧波失真。在最近一段時間，特別是在現(xiàn)代工業(yè)中，非線性負(fù)載的廣泛使用使得對用戶設(shè)備所產(chǎn)生的諧波量的精確測量變得十分困難。在這種情況下，通過人工智能技術(shù)對諧波信號進(jìn)行測量和估計的方法顯示出了良好的效果。

不同專業(yè)的研究人員都在對電力系統(tǒng)中的諧波檢測進(jìn)行研究，通過引入神經(jīng)網(wǎng)絡(luò)，研究人員提出可以通過有源濾波器來消除特定非線性負(fù)載所產(chǎn)生的諧波電流。

澳大利亞維多利亞州的一個電力公司對66/22V區(qū)變電站電壓不平衡的電能質(zhì)量數(shù)據(jù)進(jìn)行了研究。然而，研究中只保留了10%的數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并且諧波失真的數(shù)據(jù)并沒有保留。目前的研究工作是對之前工作的延伸，目的在于通過使用智能算法來分析同一電力公司的諧波失真。通過電能質(zhì)量儀對22kV母線變電站的電能質(zhì)量參數(shù)進(jìn)行檢測。電壓和電流的值通過相-相檢測，并且檢測了配電網(wǎng)2 232h的電能質(zhì)量參數(shù)。

4 前饋反向傳播神經(jīng)網(wǎng)絡(luò)算法(FFBP-ANN)

前饋反向傳播算法是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的技術(shù)之一。由于所提供的電能質(zhì)量數(shù)據(jù)集所構(gòu)成的多層感知器的非收斂性，提出了FFBP算法。這種算法中采用了監(jiān)督技術(shù)。需要被估算的諧波的訓(xùn)練誤差使用“最小均方(LMSE)算法”來計算，算法總結(jié)如下：

1)隨機(jī)初始化權(quán)重矩陣

2)訓(xùn)練網(wǎng)絡(luò)取決于初始權(quán)矩陣

3)通過比較網(wǎng)絡(luò)輸出和期望輸出計算LMSE

5)重復(fù)步驟2)～4)，以達(dá)到收斂(在本研究中收斂值取0.01)

5 結(jié)果討論

在本研究中，人工神經(jīng)網(wǎng)絡(luò)可用于高效地預(yù)測在三相配電網(wǎng)絡(luò)的諧波。在本研究中得到的實驗結(jié)果討論如下：

1)電能質(zhì)量數(shù)據(jù)

在本研究中使用的配電網(wǎng)絡(luò)的電能質(zhì)量數(shù)據(jù)來自于澳大利亞維多利亞州電力公司；包含了配電網(wǎng)絡(luò)諧波的19個屬性參數(shù)；每個屬性都擁有2 192個參數(shù)集；使用了電力質(zhì)量數(shù)據(jù)的原始平均值；電能質(zhì)量數(shù)據(jù)包括配電網(wǎng)絡(luò)中的不同參數(shù)連續(xù)2232小時的平均值。

2)前饋反向傳播算法

現(xiàn)有數(shù)據(jù)的20%用于測試，其余80%的數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)；兩層的神經(jīng)網(wǎng)絡(luò)由隱藏層和輸出層組成；輸出層估測出三項配電網(wǎng)絡(luò)中的諧波值；表1、表2和表3分別列出了A相、B相和C相諧波的估計值和實際值。

表1 A相諧波的估計值和實際值

表2 B相諧波的估計值和實際值

表3 C相諧波的估計值和實際值

對配電網(wǎng)絡(luò)諧波值的預(yù)測可精確到94.5%。這可以幫助電力公司對高諧波值采取一些預(yù)防措施。訓(xùn)練、測試和交叉驗證誤差曲線如圖3～圖5所示。A相諧波在第88步實現(xiàn)收斂。B相諧波在第67步實現(xiàn)收斂。C相諧波在第27步實現(xiàn)收斂。

圖4 B相諧波電流培訓(xùn)，交叉驗證和測試誤差曲線

圖5 C相諧波電流培訓(xùn)，交叉驗證和測試誤差曲線

6 結(jié)論

電力公司面臨的諧波相關(guān)問題可以通過使用人工智能技術(shù)對其估算/預(yù)測而有效地避免，本研究對配電網(wǎng)絡(luò)的A相、B相、C相的諧波預(yù)測準(zhǔn)確度可達(dá)94.5%，這意味著人工智能技術(shù)可以很準(zhǔn)確地預(yù)測和估計諧波值。因此，人工神經(jīng)網(wǎng)絡(luò)可以有效地對配電網(wǎng)絡(luò)中的諧波進(jìn)行估計，使電力公司提前做好預(yù)防和保護(hù)措施。

于娟編譯自

http://ieeexplore.ieee.org/xpl/articleDetails.jsp?reload=true&arnumber=5267198&contentType=Conference%20Publications，肖昕宇校對。