结合负荷预测的三相不平衡智能调节技术

蒋一萌，王哲旭，毕重盈，陈 成，严艺伟，姚润驰，李燕梅

（1.三峡大学 电气与新能源学院，湖北宜昌 443000；2.国网四川省电力公司邻水县供电分公司，四川广安 638000；3.国网湖北省电力公司长阳县供电公司，湖北宜昌 443000；4.国网四川邻水县供电有限责任公司，四川广安 638000）

引言

在低压配电网中，三相负荷不平衡现象是一个长期存在的难题，它会导致线路损耗增加，低压配电网末端的“低压电压”等类似问题[1-4]。治理三相不平衡已成为提高配电网电能质量、降低网损的必要措施。三相换相开关型负荷智能调节装置由于其成本低、灵活性高等特点在电网中广泛应用，近年来得到了国内外专家学者的诸多关注[5,6]，这些文献通过换相策略优化算法的改进来促进三相不平衡治理，算法较复杂，没有重点关注负荷变动的影响及其预测。而现实情况中，负荷需求面对用户是动态的，治理三相不平衡智能装置应根据动态变化进行调节，才可以保证实际应用时处理程度达到精准。

针对这些情况，本文把负荷预测与换相开关型智能调节装置相结合，引入了非线性自回归神经网络(NARX)，并验证加入NARX神经预测后的智能调节装置。

1 换相开关型三相智能调节装置

图1为换相开关型智能调节装置，通常换相开关型负荷不平衡智能调节装置分为主控模块和换相开关箱。装置是由一个主控模块来控制多个换相开关箱，其中主控模块[7,8]用来采集配电变压器各相线的电压、电流，采集换相执行终端的各负载电流信息及其所在相序等数据信息，计算后得到最佳换相方案，进行换相操作。

图1 换相开关型智能调节装置

换相执行终端是装置系统的执行机构，主要负责采集所在负荷处的电流数据和当前所在相序。大量的换相开关接入可以使诸多的单相负荷平衡地接入三相电网中，从而抑制三相电网的三相不平衡。

2 带神经网络的智能调节装置

换相开关对负荷进行采样到换相操作完成需要一定的时间。为了增强稳定性，减少开关动作次数，装置通常会设置控制周期，等换相周期过后再进行换相操作。在此期间，负荷变化会导致换相开关动作后三相不平衡度超过预期或误动作，主要表现为投切序列相错误和换相开关过度投切或少投切。

为了抑制延时对三相不平衡自动调节装置的影响，引入负荷预测，预测周期为换相开关的时滞，带神经网络计算的换相开关型智能调节装置运行流程如图2所示。

图2 带神经网络的换相开关型智能控制流程

为了降低主控模块的计算压力，在换相开关控制器中加入自适应神经网络进行负荷预测，同时换相开关会将获取到的负荷数据通过电力线载波（PLC）通信的方法传递给主控模块[9]。当接收到当前负荷与预测负荷信息时，主控模块会快速进行换相策略[10-13]分析，采用适当的算法进行优化，得出最优解，并经由PLC通信的方式传递给每个换相开关，使换相终端开始换相。

3 NARX神经网络控制

在换相开关智能调节装置中，需要满足负荷预测的要求，首先要与换相开关的时滞[14,15]相对应，时间一般为几分钟至几小时，比常用的负荷预测方法快。其次主控模块和换相开关的控制器一般为微处理器，因此在算法上需要简洁。综上，本研究选用自适应神经网络的负荷预测方法。

在进行负荷预测之前，先要对收集的数据预处理，数字滤波可以选用加权平均值滤波法、程序判断滤波、低通滤波法中的一种或几种复合使用。数据异常指连续采集的数据的变化率出现较大畸变，畸变率θ(d,t)计算公式如下：

其中，A(t)为均值，E(t)为方差。

定义畸变率θ(d,t)的最大上限为ρ，ρ根据具体情况可取0.6或0.8等值。若θ(d,t)＞ρ，则该数据为畸变数据，反之，为正常数据。异常数据的处理办法亦可采用加权平均法来处理。

自适应神经网络采用NARX，在拓扑连接关系上，其可等效为有输入时延的BP神经网络加上输出到输入的时延反馈[16]。由于其包含了多步输入输出时延，可以反映出系统的历史状态信息，因此该网络具有记忆功能，可以更好地描述时变系统的特性。

NARX神经网络的模型可以定义为：

式中，训练目标输出向量y(t)；非线性过程函数f(·)；输入向量u(t)；时延后的y(t)和u(t)分别为y(t-1),y(t-2),…,y(t-ny)和u(t-1),u(t-2),…,u(t-nu)。

在换相开关自动调节装置中，输入信号u(t)为负荷电流，输出信号y(t)选为预测的电流，即根据原有的电流数据来预测下一时间段的电流。

4 试验与仿真

选取某工业区30天负荷数据，时间间隔为10 min。利用现有试验条件，搭建NARX负荷预测模型。训练函数为LMS算法，隐含层-输出层函数为logsig，输入层-隐含层函数为tansig。NARX神经网络训练后预测数据和期望数据对比如图3所示。

图3 预测曲线与期望曲线

图3中横坐标为时间节点，纵坐标为输出总功率。实线为训练预测输出（训练后的预测值），虚线为期望输出（期望的实际值）。日负荷集中在5:55-23:40这个时间段，通过训练后从两线对比图可以看出趋势走向明显，相差很小。

图4为误差曲线，在数据训练过程中，不断地对最大训练次数进行调试，当迭代次数为2004时，数据预测与实际相比差距变小，误差曲线在允许范围内。

图4 误差曲线

结合图3、图4来看，走势基本一致并且两组数据间误差很小，基本维持在5%左右，由于初始模型一般预设误差为15%以内，整个预测模型的建立达到了较高的准确性。

为了验证算法对换相开关智能平衡系统的作用，对电网三相电流不平衡度进行比较，其中采用的三相电流不平衡度的定义如下：

式中，三相电流不平衡度σi为各相电流不平衡度最大值。

图5为换相开关智能调节装置在有NARX负荷预测下和无负荷预测下的三相不平衡度对比，其中虚线为无负荷预测下治理后的三相不平衡度，实线为结合NARX负荷预测下治理后的三相不平衡度。

图5 三相不平衡度对比

在绝大多数时间段中，结合NARX的治理，使三相不平衡度平均处于0.05以下，而未进行负荷预测的智能调节下，普遍比结合NARX治理的三相不平衡度高，大部分介于0.05～0.09之间。图5中在23:00左右开始出现明显的上升是因为这个时间节点后有部分换相开关负荷陆续退出，使自然状态下电网三相不平衡度升高。

由此可见，结合NARX控制能显著提升换相开关三相智能调节装置的性能，降低了电网三相不平衡度。

5 结论

在剖析自适应神经网络的优点下提出了结合NARX负荷预测的换相开关型负荷智能调节装置技术。仿真试验表明该技术在很大程度上提高了三相不平衡负荷的平衡效果，抑制了电网不平衡现象，提高电能质量。