模糊神经网络型中压无功补偿控制器

【摘 要】 从应用角度出发，尝试将模糊神经网络控制原理应用在中压无功补偿控制中，通过网络的学习和记忆功能来调节模糊控制的自适应性和鲁棒性，从而来克服SVG系统中存在的电容器反复投切所引起的电网信号的波动，减少投切谐波，提高控制精度。同时也控制电压分接头的投切次数，来保护分接头开关，延长开关的使用寿命，减少系统的维修成本。针对电力系统无功补偿的特点，确定了模糊控制的输入输出隶属度函数和控制规则，并引入BP网络来调节隶属度函数和控制规则，对电压和无功的双重控制，达到对电压和无功补偿的目的，从而提供更高质量的电能。并进行实验仿真，将实验数据与理论数据进行比较，证明模糊控制理论在无功补偿控制中的应用是可行可靠的。 关键词 无功补偿 功率因数 模糊神经网络控制 1 引言 随着世界能源问题的日趋严重化，减小电力系统的无功损耗是电网充分节约电耗的重要措施；同时，无功功率对于调节电压的稳定，保障高质电能的供应也具有重要的决定意义，对于电网硬件设备的经济效益也有重要的影响。所以无功补偿对目前电力系统意义重大。 目前主要应用的补偿控制器是SVG，其具有优良的性能。但是SVG在控制过程中经常会出现电容器和电压分接头的频繁投切，频繁地投切电容产生大量的投切谐波，使系统变得不稳定。而且，有载变压器的损坏80％是由变压器电压分接头的开关引起的，电压分接头开关损坏维修十分困难，维修成本高，对系统的影响也很大。因此，采用更加有效的控制方式、提高投切的精度、减少器件的投切次数，特别是减少电压分接头的投切次数，是十分有意义的。为此引入了模糊神经网络控制理论。 常规模糊控制器的模糊控制规则是通过总结手工操作者或该领域专家的控制策略、经验及知识而制定的，在整个控制过程中固定不变。这使得模糊控制规则不可能确切反映被控对象的实际情况。因此，常规模糊控制器对于那些严重非线性的复杂被控对象不能取得优良的控制效果。人工神经具有较强的自学习和自适应能力，利用单个神经元在线调整其模糊控制查询表，即间接调整了控制规则，又对丢失的信息进行了补偿，因此可增强控制系统的鲁棒性、自适应能力和提高控制精度，使系统性能不断完善。 神经网络在模糊控制器中的应用有三种方式：①利用神经网络驱动模糊控制器。②利用神经网络记忆模糊控制规则。③利用神经网络优化模糊控制器的参数。这样，控制系统可以直接从经验中获取知识，自动建立模糊规则和隶属函数，只需通过在线计算，便可得到控制器输出，节省了内存，提高了运行速度。 2 并联电容无功补偿的原理及现状 在实际电力系统中，大部分负载为异步电动机。包括异步电动机在内的绝大部分电气设备的等效电路可看作电阻R与电感L串联的电路，其功率因数为 3 系统设计 3.1 系统说明 该系统针对我国目前网损消耗最大的10kV等级的电网应用来进行研究。控制系统采用九区域控制图，如图2所示。 其中0区（由电压上下限和无功上下限围成）是稳定的工作区间，也是目标区。周围的八个区都要经过无功补偿系统对其发出各种控制命令，调节电容器和电压分接头的投切，从而进入0区，即稳定区。外围八个区工作状态及系统将发出的控制命令分别如下： 1区——电压偏低，无功补偿不足；首先发出投入电容器的指令，投入电容器组，后发升压指令，即调节主变压器分接头。 2区——电压正常，无功补偿不足；发投入电容器的指令，电容器组投完后如果还在该区，则维持并发报警信号。 3区——电压偏高，无功补偿不足；先降压档位调节指令，当变压器档位调到下限位置后，仍在该区，则强切电容器组，并发报警信号。 4区——电压偏高，无功补偿正常；先发降压档位调节指令，当变压器档位调到下限位置后，仍在该区，则强切电容器组，并发报警信号。 5区——电压偏高，无功补偿过剩；先切电容器组，后发降压档位调节指令。仍在该区，报警。 6区——电压正常，无功补偿过剩；先切电容器组，后升压。若电容器组切完后仍在该区，则维持，并发报警信号。 7区——电压偏低，无功补偿过剩；先发升压档位调节指令，当变压器档位调到上限位置后仍在该区，则强投电容器组，并发报警信号。 8区——电压偏低、无功补偿正常；先升压档位调节指令，当变压器档位调到上限后仍在该区，则强投电容器组，并发报警信号。 系统的硬件系统采用DSP芯片，TMS320C2407为控制核心，其结构如图3所示。 3.2 模糊控制规则的确定 在电力系统中，无功变化和电压变化也相互影响，因此在制定模糊控制规则时也必须考虑。式（3）给出了无功补偿量对电压的影响 将输入变量电压误差△U和无功误差△Q分别用输入语言变量E，F表示。将不同区域的电压和无功误差分别用数字值加以表示，如负数表示电压偏低或者无功不足。选定E（F）的论域为X（Y）＝{－3，－2，－1，0，＋1，＋2，＋3}，为语言变量取7个语言值：PB，PM，PS，0，NS，NM和NB。将输出电压U和电容Qc分别用输出语言变量M，W表示。选定P（Q）的论域为M（W）＝{－3，－2，－1，0，＋1，＋2，＋3}，为语言变量取7个语言值：PB，PM，PS，0，NS，NM和NB。其隶属度函数均采用高斯函数表示。根据专家的经验，得出表1，表2所示条件语句构成的控制规则。 3.3 模糊神经网络控制器 图4给出了基于神经网络的模糊控制器的简图。其中的神经网络一方面来控制输入量的运算，一方面来调节模糊控制规则的隶属度函数，从而对控制变量起到调节作用。其中的网络均采用BP网络。 4 实验仿真 根据某容量为30Mvar的民用变电站的参数和技术指标及国际电工委员会（IEC）的标准，10kV最高偏压不得高出500V，调整后的功率因数不应该低于0.85，试验确定调解范围为：电压［－250，500］，功率因数角的临界值为15°。对一相电压和功率因数进行采样试验仿真，得到补偿后的结果并与理论结果进行比较。图5给出了变量隶属度函数的调节对比，图5a，5c为原隶属度，图5b，5d为调解后的隶属度。可以看出神经网络调节了隶属度函数的赋值范围，使模糊控制更能动态准确地描述跟踪系统变量之间的变化关系。表3列出了实验仿真的补偿结果数据与理论计算的补偿结果的对比，可以看出实验补偿的结果和理论数据还是比较吻合的，由此得出，采用模糊控制方式对电网进行无功补偿取得了比较理想的效果。 注：表中星号“*”表示超出控制要求范围的数值；横线“—”表示无数据。 5 结束语 本文从理论与试验讨论了模糊神经控制在电力系统无功补偿中的应用，对于静止无功补偿器的控制方式是很大的改进。模糊神经网络控制使得控制更加简洁便利，通过在线调整控制规则和隶属度函数，更加精确了控制变量的精度，减少了电子器件的投切次数，从而既保护了元件，又较大地减少了由于投切而引起的电量的波动，使控制器有了重大的改观。实验表明，该系统比传统SVG控制精度提高10％左右，控制时间减少1/15，同条件下电容器和分接头的投切次数分别减少10％～15％。相比较传统的SVG而言，引进模糊神经网络控制方式后系统更快速更准确，同时也具有更好的动态特性。