对人工智能配电网络进行谐波分析的新方法

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

对人工智能配电网络进行谐波分析的新方法

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

Zahir J. Paracha / Akhtar Kalam / Rubbiya Ali

1 绪论

在电力系统中，持续供电已经变成对电力部门的一个挑战。用户对转换开关和现代化电子电路使用量的增加，为配电网络注入了不可预测的谐波，扰乱了供电质量。

公共电网提供的电力出现谐波失真的现象是由于电网中非线性负载产生的电流幅度增加。所以电网工程师必须认真分析非线性用户负载的电流波形。这些负载包括现代化的电子设备，如超级计算机、变速驱动器、现代电子镇流器以及在运行过程中需要经常切换的其他电子设备。

所有的电力公司都致力于使电压保持恒定的幅度和频率，没有任何失真。对于所有的线性用户负载(如加热器、白炽灯以及所有只包含电阻元器件的用电设备)，所产生的电流波形也是线性的，即正弦波。然而，当用户负载为非线性负载时，所产生的电流也随之改变，变成非正弦波，从而导致谐波失真。非正弦情况下的谐波失真波形是由不同振幅的谐波频率形成的。

2 配电网络中的谐波

配电网络中的电压和电流波形都可能出现谐波失真的现象，如式(1)和式(2)所示：

(1)

(2)

公式(1)和(2)分别给出了非正弦波形情况下的电压和电流的均方根值，Vh和Ih分别为在谐波分量h处的电压和电流的幅值。图1中给出了基础的正弦波形，并且图1和图2做了对比，在相同的正弦波条件上，输入不同幅度频率的谐波，所产生的曲线不同。图1和图2分别标出了第三次和第五次谐波输入时的曲线。

图1 基础波形 第三次和第五次谐波

图2 谐波失真波形

总谐波失真(THD)可以由失真波形中的谐波分量表示，如式(3)所示：

(3)

式中，Mh是总数量M中第h个谐波分量的均方根值。

3 谐波分析的意义和方法

最理想的配电网络设计是能够解决正弦电压和电流波形的形成问题。然而，随着现代电力电子设备使用量的增加，在正弦波的基础上保证电力的供应质量已经变成配电网络工程师的难题。在大多数情况下，配电网络中谐波失真的影响非常明显时，现有配电网络的设计只能够包容一定额度的谐波失真。电力系统的配电网络中，与谐波失真相关联的现象有：

1)过电压问题

2)断路器跳闸

3)设备故障和实效

4)通信干扰

5)电缆加热

6)数据记录和计量问题

3.2 审评要点 COU是生物标志物资格认定中最重要的审评内容，也是生物标志物区别于其他药物研发工具的特点。它包括一个涵盖生物标志物名称、身份和在药物研发过程中使用目的的 “使用声明 （use statement）”，以及如何在特定环境中使用生物标志物的全面描述即 “合格使用的条件（conditions for qualified use）”[8]。 提供所需的数据以支持特定COU是申请人的义务。申请人在与FDA沟通的早期就应尽可能全面清楚地阐明COU，并在随后的资格认定程序中不断完善。

7)绝缘故障

多年来，无数的技术、方法和工具被用于测量配电网络中的谐波失真。在最近一段时间，特别是在现代工业中，非线性负载的广泛使用使得对用户设备所产生的谐波量的精确测量变得十分困难。在这种情况下，通过人工智能技术对谐波信号进行测量和估计的方法显示出了良好的效果。

不同专业的研究人员都在对电力系统中的谐波检测进行研究，通过引入神经网络，研究人员提出可以通过有源滤波器来消除特定非线性负载所产生的谐波电流。

澳大利亚维多利亚州的一个电力公司对66/22V区变电站电压不平衡的电能质量数据进行了研究。然而，研究中只保留了10%的数据用于训练神经网络，并且谐波失真的数据并没有保留。目前的研究工作是对之前工作的延伸，目的在于通过使用智能算法来分析同一电力公司的谐波失真。通过电能质量仪对22kV母线变电站的电能质量参数进行检测。电压和电流的值通过相-相检测，并且检测了配电网2 232h的电能质量参数。

4 前馈反向传播神经网络算法(FFBP-ANN)

前馈反向传播算法是神经网络中使用最广泛的技术之一。由于所提供的电能质量数据集所构成的多层感知器的非收敛性，提出了FFBP算法。这种算法中采用了监督技术。需要被估算的谐波的训练误差使用“最小均方(LMSE)算法”来计算，算法总结如下：

1)随机初始化权重矩阵

2)训练网络取决于初始权矩阵

3)通过比较网络输出和期望输出计算LMSE

5)重复步骤2)～4)，以达到收敛(在本研究中收敛值取0.01)

5 结果讨论

在本研究中，人工神经网络可用于高效地预测在三相配电网络的谐波。在本研究中得到的实验结果讨论如下：

1)电能质量数据

在本研究中使用的配电网络的电能质量数据来自于澳大利亚维多利亚州电力公司；包含了配电网络谐波的19个属性参数；每个属性都拥有2 192个参数集；使用了电力质量数据的原始平均值；电能质量数据包括配电网络中的不同参数连续2232小时的平均值。

2)前馈反向传播算法

现有数据的20%用于测试，其余80%的数据用于训练神经网络；两层的神经网络由隐藏层和输出层组成；输出层估测出三项配电网络中的谐波值；表1、表2和表3分别列出了A相、B相和C相谐波的估计值和实际值。

表1 A相谐波的估计值和实际值

表2 B相谐波的估计值和实际值

表3 C相谐波的估计值和实际值

对配电网络谐波值的预测可精确到94.5%。这可以帮助电力公司对高谐波值采取一些预防措施。训练、测试和交叉验证误差曲线如图3～图5所示。A相谐波在第88步实现收敛。B相谐波在第67步实现收敛。C相谐波在第27步实现收敛。

图4 B相谐波电流培训，交叉验证和测试误差曲线

图5 C相谐波电流培训，交叉验证和测试误差曲线

6 结论

电力公司面临的谐波相关问题可以通过使用人工智能技术对其估算/预测而有效地避免，本研究对配电网络的A相、B相、C相的谐波预测准确度可达94.5%，这意味着人工智能技术可以很准确地预测和估计谐波值。因此，人工神经网络可以有效地对配电网络中的谐波进行估计，使电力公司提前做好预防和保护措施。

于娟编译自

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