配网台区三相不平衡补偿装置优化配置方法研究

木孙渡

（云南电网有限责任公司丽江供电局，云南 丽江 674110）

0 引言

城市配网台区存在用户数量庞大、时空分布随机性强等特点，导致三相负荷存在不平衡的问题。近年来，随着经济快速发展和居民生活水平的提高，工业设备用电量和居民家庭用电量均呈现稳步上升的态势，用电三相不平衡问题日趋凸显。三相负荷不平衡会带来变压器和线路损耗增加、重载相供电电压水平下降、零序和负序电流占用线路有功输送能力等问题。目前，解决三相不平衡问题的主要措施有：1）电容器组补偿方式。该方法通过在台区布置一定数量的电容器组来补偿三相线路中存在的无功电流，提高台区内系统功率因数。该方法无法有效补偿零序电流和负序电流，且存在与电网产生谐振的可能性。2）人工调整相间负荷水平，通过断电切换负荷连接相，调整重载相负荷到轻载相，达到各相负荷基本平衡的目的，该方法影响台区供电可靠率，且不能及时与负荷水平匹配。3）台区内配置低压负荷在线自动换相装置，实现各相负荷的实时自动调整，该方法技术实现复杂，对自动换相策略的可靠性要求较高。

通过台变就地配置三相不平衡装置，实时补偿台区电网的零序和负序电流，是目前阶段解决台区电网不平衡问题的有效手段。该方法具有实时跟踪、连续供电、集中控制和分布补偿等优点，适合复杂台区内的负荷不平衡问题。丽江地区台网是云南电网的重要支网，区内负荷分散，单相电用户占比较大，部分台区长期过负荷运行，整体线损过高，三相负荷不平衡问题较为严重。近年来，为改善台区供电质量，丽江供电局实施了多个电网升级改进工程，针对三相不平衡这一典型电能质量问题，配置实时补偿装置来提高台区内的供电水平，取得了很好的效果。该文对三相不平衡补偿装置的区域配置进行了研究，提出了基于蚁群智能算法的装置优化配置方案，实现了经济性与补偿目标的最优化。

1 三相不平衡补偿装置基本工作原理

三相不平衡补偿装置以全控型半导体功率器件IGBT为核心，能快速连续地补偿电网的无功电流、零序和负序电流，并可抑制电压波动和闪变，使整个电网负荷的潮流分配更趋合理，使电力系统稳定、高效地运行，完美解决电网三相不平衡、谐波、无功等问题。三相不平衡装置的原理结构图如图1所示。

图1 三相不平衡装置原理图

该文的三相不平衡装置采用三相四线三电平全桥拓扑，通过系统侧CT，提取系统电流中零序分量和负序分量，控制不平衡补偿装置产生幅值相同、符号相反的补偿分量注入系统中。装置同时可实时检测系统电流的谐波分量，兼具谐波补偿功能，可根据用户需求进行选择性补偿。

装置采用模块化设计，每个模块规格为33kvar，对应电压电流规格为380V/50A，可具备补偿50A的负序电流和最大100A的零序电流，具备对13次以下谐波的滤除功能，动态响应时间约1ms。根据需要补偿电流总量，可对电气柜进行模块化扩展，最高支持6个模块/200kvar的总容量配置。模块间以主从方式进行并联，通过指定的主模块完成指令电流的计算与下发，各模块间平均输出电流，完成电流补偿功能。

2 台区三相不平衡补偿装置配置原则

丽江地区电网覆盖了区内古城区、玉龙县、永胜县、华坪县、宁蒗彝族自治县5个县级供电区域，各区域相距较远，海拔差异也较大。在此次电能质量改进项目中，拟选择不平衡较为严重的台区进行试点运行。经筛选，共有81个台区存在较为严重的负荷不平衡问题。各台区日均负荷水平变化较大，在24 h内的负荷分布情况也各不相同；部分台区最大负荷补偿量超出设备容量限制，但年平均负荷水平较低。因此，如何从补偿效果、补偿经济性方面考虑选择40个补偿装置的台区点变得较为困难。

3 基于蚁群算法的台区补偿装置配置方法

蚁群优化算法（Ant Colony Optimization， ACO）是一种群智能优化算法，该算法模拟蚁群觅食过程中个体之间信息交流和相互协作，通过正反馈、分布式计算和贪婪启发式搜索来完成对目标问题的优化设计。

考虑台区配置主要目标为：改善台区内电压质量水平，台区内供电电压不平衡度应改善到标准允许范围内，即尽量发挥补偿设备的设计容量，尽可能地减少向区域电网注入的负序电流和零序电流，避免在部分台区容量闲置。

台区内补偿装置配置的约束条件包括两点内容。1）补偿装置总数，在本例中，限定为40台。2）补偿容量限制，总容量为台数×单台设备容量。

综合考虑可设计目标函数为：

式中，εU2、εU0分别代表负序电压不平衡度和零序电压不平衡率，QN、Q表示不平衡治理装置额定容量和补偿容量（标么值），N表示台区总数，M表示补偿装置总数，ki为台区是否配置补偿装置的选定系数。

确定目标函数和可行域后，蚁群算法对目标问题进行优化的5个基本步骤。

3.1 蚁群信息初始化

对信息素浓度矩阵τ和启发式信息系数矩阵η进行初始化操作。在初次赋值时，可将相关系数取相等值。蚁群初始的位置可通过随机分布的m组数来确定。

3.2 蚁群位置转移

蚁群个体的位置转移主要取决于信息素浓度和启发式信息。按照概率大小进行下一位置的确定。蚂蚁个体k由位置i转移到位置j的概率定义为：

式中：α、β分别是信息素浓度和启发式信息相对应的重要度系数；τij（t）表征信息素浓度大小。

3.3 邻域搜索

在初始化结束、位置转移完成后，所有个体进行现有可行解区域的邻域搜索，以期获得更优的解来替换现有的解集合，搜索将以较小的步长进行，确保完成整个邻域的遍历。

3.4 信息素的更新

信息素理论是对本轮算法遍历寻找到的优质解集合进行信息素强化，以在下一轮的随机遍历搜索中获得更大的被寻找概率。定义如下：

ρ为信息素保留系数，Δτij表示信息素增加的总量，Q表示设定的表示浓度增量的常数。

实际确定相关系数时需要综合考虑算法收敛和精度等因素。例如ρ较大时，信息素挥发减弱，可以扩大搜索空间，但算法的收敛速度将变慢；ρ较小时，信息素挥发迅速，可以达到的搜索空间变小，可以迅速收敛，但通常会导致局部最优而失去更优质的解。可以动态调节信息素浓度来保持收敛和搜索空间的保持。动态调节函数为：

ρ0表示初始值，可以设为较高的值。nc表示迭代次数；NC表示迭代上限次数。

3.5 结果输出

重复搜索以及信息素更新，直至输出最优结果

4 计算结果

为了对上述优化设计方法进行验证，在MATLAB中编制了台区智能优化选择的程序。程序中蚁群算法的相关参数设置：蚁群规模m=30，信息素初始值Q0=100，信息素重要性系数α=2，启发式信息重要性系数β=1，信息素浓度增量常数Q=10，挥发系数初始值ρ0=0.95，算法迭代次数NC=50。

图2 蚁群优化算法的迭代运算图

图2是蚁群算法的迭代寻优图，从图2中可以看出，蚁群算法表现出了良好的优化性能，在50代以内就寻找到了较为理想的结果。根据优化结果得到的台区选择结果见表1。

表1 台区优化选择方法与补偿效果计算结果

台区选择结果表明，通过蚁群算法可实现不平衡装置的优化配置，在有限的容量条件下，在81个台区内实现最优台区的选择，同时，设备容量利用率也作为目标函数进行了约束，确保了容量能够得到有效利用。