基于改进PSO的智能变电站五防闭锁系统优化控制＊

刘士李,刘 军,朱晓虎,赵迎迎,刘 浩

(1．国网安徽省电力有限公司经济技术研究院，安徽 合肥 230071；2．国网安徽省电力有限公司，安徽 合肥 230071；3．安徽华电工程咨询设计有限公司，安徽 合肥 230071）

1 引言

供电需求不断上升，电力系统里各种变电操作也逐渐变得频繁，而一旦操作失误就可能出现变电设备的损坏，严重的甚至会给操作人员的人身安全，带来较大的隐患。为了有效的提升变电操作的安全性，就需要进行有效的闭锁操作。目前较为常用的就是五防闭锁系统，五防闭锁系统能够对不同种类的变电站进行防误闭锁操作，同时在运维检修人员对闭锁操作进行检测确认后，能够将操作过程传输至主机内。通过采集变电站装置情况信息，就能够把变电站实时信息传输到电脑中加以控制，能够通过各级电网调控值班人员对操作标准进行统一处理，防止错误的设备使用，但是五防闭锁系统还存在一些问题，例如：如果变电站充放电的电量过大，就会导致五防闭锁系统的转速增加，有可能缩短五防闭锁系统的使用寿命与性能下滑，同时，如果电量的浮动较大，就会使五防闭锁系统的运作出现延迟，这就导致无法精确的实时传输信息[1]。

近年来已有学者对智能变电站五防闭锁系统优化控制做出了研究。高旭等人提出基于连通状态矩阵的智能变电站安措校核方法，应用变电站配置描述文件构建智能变电站二次设备的静态拓扑模型，通过设备状态设计变电站安措校核方法[2]。该方法能够实现变电站二次设备安全校验，但无法实现五防闭锁系统控制。王同文等人提出基于Redis 技术的智能站二次设备运维系统设计。通过Redis 技术读取内存，获取信息交互情况，对运维系统模型进行初始化配置，实现智能站二次设备运维系统设计[3]。该方法能够实现实时海量信息交互处理，但对五防闭锁系统的优化控制仍有待提升。

针对上述问题，提出了一种基于改进PSO 的智能变电站五防闭锁系统优化控制，通过改进的PSO 算法对发电站进行优化，使其能够与优化后的五防闭锁系统产生较强关联，最后依靠优化控制五防闭锁系统的反馈能量来调解其整体的运行速度，继而实现五防闭锁系统的优化控制。

2 改进PSO 下智能变电站五防闭锁系统优化控制

2.1 变电站无功优化数学模型

在已经拟定的电力系统有功潮流调离下，以优化变电站电力流量为目标，设定无功优化模型，无功优化的数学模型能够表示成：

其中，f(x1，x2)代表变电站系统的有损消耗，g(x1，x2)代表潮流公式：x1=，UG与QC分别即无功补偿设备与发电机节点电压无功出力形成的矢量，TB即可调变压器的变比形成的矢量x1∈R(N)，N代表控制变量的总量，x1max与x1min分别代表x1的上下限值，x2=[UL，θG]T代表电压无功出力与负荷节点发电机形成的矢量，其也能够描述成状态变量。

依靠外电法构建辅助函数，使用罚函数算法将状态变量融入目标函数中：

其中，λ1与λ2代表罚因子[4]，△Uj即电压越限偏差，△QG即无功出力偏差，α 和β 分别表示无功越限节点与电压的集合。

2.2 改进MPSO算法及自适应的惯性系数

在一个N维的解搜空间内，PSO 可以表示为一群随机粒子，其能够被描述成粒子群，其中第i种粒子能够描述成一种N维的向量：Xi=(xi1，xi2，…，xiN)，i=1，2，…，m，代表第i种粒子在N维搜索空间里的坐标为Xi，就是所有粒子的坐标都可以被描述成搜索空间内的一种潜在解。粒子i的适应度值即通过优化函数[5]评定的，将Xi融入目标函数里就可以得到适应度值，凭借该值的尺寸就可以评测Xi的优劣状况。每一种粒子还具有一定的速度，凭借速度值来评测其飞行的尺寸与方向，其中第i个粒子的飞行效率可以被表示为vi=(vi1，vi2，…，viN)，每个速度矢量在第一时间内也是在一定范围里随机出现的。

设定第i种粒子搜索得到的最优坐标为Xpi=(xpi1，xpi2，…，xpiN)，该坐标的适应度值表示成Pbesti，即粒子群目前为止搜索获得的最优坐标是Xg=(xg1，xg2，…，xgN)，该坐标的适应度值是gbest，PSO使用以下公式对离子进行处理：

式中，i=1，2，…，m，d=1，2，…，N，k代表迭代次数，加速因子与c1和c2惯性因子w代表非负常数，rand()代表[0，1]之间存在的随机数，离子速度vmax，vmax代表最大飞行速度[5]。

算法停止迭代的条件即：选取最大的粒子群搜索得到的最优坐标的适应值，该适应值需要满足最小的适应度阈值，以此完成迭代。PSO算法的操作模式非常简单，并且其收敛效果也是非常快的。但是该方法也存在以下几种问题：

(1)粒子都是凭借自身经验[6]与搜索粒子朝着最优解的方向飞行，在惯性因子的影响下，粒子可能会丢失对最优解的精准搜索能力，这就导致搜索的精准度降低。

(2)每一种粒子都会向着最优解飞行，在飞行时越接近最优粒子，其飞行的速度就会越来越慢，所以粒子群的趋向是相同的，因为趋向相同，所以该方法只便于收敛局部的最优解。

有研究表明，惯性因子w对算法的优化能力有着较大的影响[7-9]。如果w值过高就可以提升算法的收敛速度，而w较小时就会提升算法的收敛精度。凭借式(5)对w进行自适应调整，即随着迭代次数的增加，逐步缩减w值。

其中，σ代表正系数，以调节w的变化效率，kmax代表迭代次数的阈值，w0代表w(k)的上限，k即迭代次数。

2.3 基于MPSO的变电站系统无功优化

MPSO 算法求解无功优化问题，可以依靠以下步骤进行：

(1)输入原始数据，获得系统支路信息与节点信息，进而控制变量的取值范围与总量，这样就能够获得最大迭代次数kmax与粒子群的群体规模m等参数；

(2)在迭代次数达到k=0时，使用随机发生器在可行域内随机标注m个粒子的坐标Xi，同时在一定范围内随机设定粒子的初始速度vi，同时拟定所有原始粒子个体的最优解Pbesti与全局最优解，Gbest代表一足够大的值；

(3)估算所有粒子的适应度值，就是所有粒子Xi凭借潮流运算与式(2)运算获得的F(Xi)值；

(4)对比各微粒的适应度值F(Xi)与目前个体最优解Pbesti，如果某种微粒的适应度值F(Xi)并没有超过Pbesti，那么Pbesti=F(Xi)，Xpi=Xi；

(5)将每一种微粒F(Xi)内的最小值描述成Fmin，如果Fmin＜Gbest，即本代群体最优解没有超过上代群体的最优解，那么Gbest=Fmin，反之Gbest不变；

(6)所有粒子通过式(3)对飞行速度进行更新，然后凭借式(4)对目前坐标进行更新，同时检测新坐标是否出现越限变量点的情况，如果有，那么越限变量就会被转换成变量约束的上限值或下限值。

(7)对所有粒子进行变异处理。

(8)完成条件：评测k是否已经到达最大的迭代次数kmax，如果是，则输出估算结果，反之k=k+1转(3)。

2.4 含五防闭锁的变电站系统充放电功率指令值

五放闭锁系统主要是通过装机容量为Prated的变电厂、与基于MPSO 的中央控制区组成。其额定容量为CB的五防闭锁通过双向变流器与升压变压器链接母线。经过电功率PW与五防闭锁系统实际的输出功率PB合成总功率为PO的变电处理数值，再经由升压变压器接入变电站。五防闭锁的中央控制器经过实时检测电功率PW，综合功率波动平抑指数与荷电情况，向变电站系统的双向变流器下达充放电功率指令值PB-cmd。

2.5 控制模型

通过以往的研究能够得知，在五防闭锁系统严格响应充放电功率指令值时，可得五防闭锁系统的瞬时功率为：

其中，PO(k)为k时刻的五防闭锁系统的瞬时总功率，PW(k)为k时刻的五防闭锁系统的实时检测功率，PB(k)为k时刻的五防闭锁系统实际的输出功率，五防闭锁系统在目前时刻存储的能量是：

其中，EB(0)代表五防闭锁系统的起始能量，△t的取值是1s。

分别取PO(k)与EB(k)来描述状态变量，x1(k)与x2(k)，Pw(k)代表外部扰动变量r(k)，PB(k)代表控制输入量u(k)，那么平抑波动控制系统的状态空间模型如下所示：

其中，y(k)代表过程输出矩阵。

目标函数如下所示：

即控制时域里使用的五防闭锁出力最小。

模型的约束条件：

(1)功率波动平抑约束：

其中k=0，1，…，M-1。

合成输出功率需要同时满足1min 与30min 这两种时间尺度下的功率波动平抑标准。

(2)输出功率约束

(3)五防闭锁功率约束

其中，Pch(k)与Pdh(k)分别代表五防闭锁目前时刻k的最大可充电功率与最大可放电功率，△T代表充放电的时间，PB，max代表五防闭锁的最大输出功率，其取决于变流器容量与五防闭锁的交换功率，Smax与Smin分别代表五防闭锁系统荷电情况的上限值与下限值。

(4)五防闭锁容量约束

2.6 五防闭锁系统优化控制实现

2.6.1 约束调整与软化

在含有五防闭锁功率或容量缺额时，合成输出功率就无法被抑制在一定的范围里，不满足两种时间尺度下的功率波动平抑标准，程序不收敛。此时需要使用约束软化策略，松弛约束从而重新回归至可行性状态。为抑制过分超限在原目标函数内添加平方惩罚项，其能够通过下式进行描述：

其中，ρ代表惩罚系数，ε代表松弛向量，这两种数值，只在约束不可行时才不为零，其也作为优化变量。

约束条件调整成：

2.6.2 五防闭锁系统的能量反馈优化控制

五防闭锁系统快速提供充放电功率可能会导致过充或过放。过充会严重影响五防闭锁系统的使用周期，过放则会导致五防闭锁系统的输出功率受到限制，所以，本文通过优化控制能量反馈来实现对五防闭锁系统的优化控制，凭借前一时刻的荷电情况S(t-1)，在功率波动平抑区间里对平滑输出目标值PO-exp(t)进行动态调整，尽量让储能系统的荷电情况处于安全的范围里。

主动式能量反馈优化控制能够分成以下步骤。

步骤1：使Smin-alert=30%，Smax-alert=70%，如图1所示，其能够分成以下三种情况对PO-exp(t)进行调整。

图1 五防闭锁系统荷电状态反馈优化控制规则

(1)S(t-1)＜Smin-alert，缩减PO-exp(t)能够使五防闭锁系统在充电时多充电，放电时少放电。

(2)S(t-1)＞Smax-alert，提升PO-exp(t)能够使五防闭锁系统在充电时少充电，放电时多放电。

(3)Smin-alert≤S(t-1)≤Smax-alert，此时荷电情况位于安全范围里，五防闭锁系统严格响应充放电功率指令值PB-cmd(k)。

步骤2：拟定五防闭锁系统响应通过步骤1运算获得的充放电功率指令值，那么能够运算t时刻的荷电状态值S(t)。使Smin-alert=2%，Smax-alert=80%，同时把S(t-1)转换成S(t)，迭代操作步骤1。

步骤3：五防闭锁系统响应步骤2获得的五防闭锁系统充放电功率指令值，如果输出功率是PB(t)，那么最终五防闭锁系统的合成输出功率如式(20)所示：

考虑到长期运行的情况，使用上述方法能够充分的利用储能，从而延长五防闭锁系统的使用寿命，提升系统对电能的响应速度。

3 实验证明

五防闭锁系统的参数拟定如下：电机极对数为2，额定电压为530V，额定功率为500kW，额定转速为3600r/min，转动惯量为205kg．m2，最大储能量14．6MJ，电机直轴电感为0．268mH，交轴电感为0．913mH。直流母线电压为750V。

因为五防闭锁系统的转动惯性较大，实验耗时长，并且对计算机内存要有较高，不易观测出整体过程，因此，在实验内大幅缩减系统的转动惯性，对优化控制后五防闭锁系统的性能进行实验，实验结果如图2～4所示。

通过图2～4 能够看出，五防闭锁系统内的相电流基本不会出现变动，五防闭锁系统以恒转矩的形式进行加速，输入功率会不断提升，这就说明，通过本文方法进行优化控制后，会提升五防闭锁系统的运行速度，而在五防闭锁系统转读达到最小工作转速时，系统会迅速通过恒转矩变换到恒功率的形式运行，并且随着转速的提升，系统的相电流会逐渐变小，使得五防闭锁系统能够适应不同情况，且不会因为转速的突然提升导致变电站系统出现不稳定的问题。

图2 五防闭锁系统充电过程内电机相电流

图3 五防闭锁系统充电过程内电机转速

图4 五防闭锁系统充电过程内电磁转矩

4 结束语

为了使五防闭锁系统能够更为安全高效地处理变电站的充放电过程，提出基于改进PSO 的智能变电站五防闭锁系统优化控制。虽然本文方法解决了五防闭锁系统的寿命周期短与适应度的问题，但其还存在一些问题，即变电站系统内存在较多种类的数据，如果数据量过大或数据库内存在冗余数据，就会导致优化后的五防闭锁系统出现传输信息错误的问题。因此下一步需要研究的课题即：在五防闭锁系统内添加数据挖掘，通过数据挖掘剔除冗余数据。使五防闭锁系统能够更精确的完成信息的传输。