基于人工神经网络的区域电网分布式电源平衡技术

胡勇，李志超

（许继电气股份有限公司，河南许昌，461000）

0 引言

随着人口的急剧增加对能源的需求量不断扩大，全社会在安全供电中面临着巨大挑战，如何应对环境问题与能源成本之间的矛盾，是当下推动电力改革的主要动力。受新能源的开发和再利用技术的成熟发展，部分国家已经完成可能源行业的改革，在加快建设分布式电源进程中取得了优异的成果，我国也在配电网结构转型中完成了不同能源的分布式建设。其中以风电和光伏发电为主的分布式能源网络结构，能够较好的改善能源供需矛盾和环境污染等问题，在不同城市内建立起光伏发电站和风力发电站，以此完成大规模的安全供电模式。

但由于不同模式的分布式电源处于初始建立阶段，在配电网的供电模型上仍存在不足，主要是在区域配电网组建过程中，对不同时段的发电峰期难以作出有效把控。即使在电网能效管理中逐渐从集约化处理，向分布式结构转型，但对于如何合理分配电源中仍处于起步阶段。在此基础上出现多种电源平衡技术，以提高负荷均衡度为主的应用方法，将静态负荷转换器安置在用户中，在实际用电过程中协调用电的功率，若出现不足以调度的余量功率时会造成调节失败。当配电网出现过大负载时会出现短路故障，若不能及时对其进行处理，对造成配电网中的供电灵敏度降低等问题，产生财产损失。由此本文借助人工神经网络的优势，重新对区域电网分布式电源的平衡技术进行设计，为配电网的安全运行提供理论支持。

1 基于人工神经网络的区域电网分布式电源平衡技术

■1.1 构建区域配电网分布式调度模型

设计电源的平衡调度方法能够对不同设备进行能源有效管理，实现不同模式下分布式能源的有效调度，在配电网中完成用电的供需平衡。以此在配电网中建立分布式的调度模型，对整个电网中能够被收集到的数据进行等量信号交换，在电力系统中公开处理所需的电力负荷问题，在供应和需求两者内进行电压和电流交换。设置电网内共包含

Q

个用电用户，每个用户的用电需求电力用

W

表示，在不同的电力需求下产生的电力数据构成集合用

W

表示，其中

W

的数据均属于

W

。不同用户的用电需求产生的电力集合不同，根据每个用户产生的电力数据，将能够调度的电力集合表示为

W

，其中每个用电用户数量用

q

表示，将不可调度的电力数据排除在集合内，每个用户产生的电力数据分别对应为一组，计算其能够用于调度的总负荷，表达式为：

■1.2 基于人工神经网络预测区域电网负荷

人工神经网络算法在初始化过程中不需要进行假设，在对整个电力系统内对不同的参数依次运行，并按照顺序标准进行电力负荷的调度转换。模型中需要包含数据的输出层和输入层，以不同的神经元数目进行数据整合，使预测的结果更加准确，在电网的分布调度模型中加入三个数据预测模块，通过人工神经网络在多个模块中加入分类预测标准，其中白盒预测为模型中的基础定数，黑盒预测为电力数据的统计模拟结果，并通过灰盒混合的方式将两个模块内的数据进行整个，在相互校正的过程中对特定的参数进行排序。将白盒测试中的校正法作为调度模型中的数据运载类型，对采集过程中出现的缺失数据进行弥补，当所有拟定的数据传输至模型层级内，利用黑盒的历史数据模拟规律进行预测。在模型中建立数据神经网络模型，其中隐含层的节点数目设置非常重要，在整合后的电力数据中将其设置为初始集合

G

，其中隐含节点的个数为集合样本的

G

-1个，对应的输入层节点个数为

g

和

g

-1。在多个轮次的神经训练过程中，加入隐含层的权值系数，分别对综合样本数据的误差值

ass

进行计算，表达式为：

公式中：调度模型中拟合的数据个数用

f

表示，输入层和输出层的神经元个数用

d

表示，电力负荷输出的数据值用

g

表示，在不断增加隐含层神经元个数的基础上，重复计算数据集合的预期误差

ass

，在其达到最小值后完成的个数设定为节点序目值。根据训练后的误差数值，在选定接入的电网中对连接电力的负荷进行极值计算，将每个神经元节点处的电流设置为

F

，大量电流流经时以短路电流为阻抗预测，通过节点的电压基准比值进行计算，在对不同数据依次计算后加入对应误差值，依次推断出不同神经元网络节点中的负荷极值。将所有收集到的数据结构完成负荷预测后，对不同的电力负荷极值进行集合分类，按照其接收到的先后顺序建立对应功率矩阵，在动态功率的分布模型下平衡电网电源。

■1.3 建立动态功率矩阵平衡电网分布式电源

在负荷调度模型中设置多个神经元网络节点，根据电网的动态功率理论，在对不同电力通信线路中建立其转换矩阵，以此对分布式电源进行调度和平衡控制。在电力系统的分析理论中，最常用的是基尔霍夫定律，表示在任意一个电力节点处，其支路所产生的输入电流和输出电流和代数总值为零，而其对应产生的闭合电力电压总值也为零。根据电力系统的线路连接结构，对每个线路中的供电元件进行电流的走向控制，以节点处产生相同负荷电流走向的信号进行连通，若在其中产生线路走向关系时，即可表明在线路的两端存在输出电流和输入电流的比值，能够进行对应极值的分配。通过电网的分布结构，采用图论法进行电力预测的负荷极值建立动态矩阵，设置每个支路

x

的节点

z

两端均包含连接的通路，在每个通路中对于任意一个节点包含有向图，对图中所有节点

m

和支路

n

依次编号，在每条支路与对应的节点中设置关联因素。当相关联的动态矩阵中任意去掉一个支路，则在此基础上可以得到另一个阶级的动态矩阵，两个矩形中若存在线性关联，则表示任意可以调度的支路都存在能够控制的电流负荷，支线相关联系的节点元素对应回路电流。在两个相邻的节点中对所有支路建立起来的矩阵，进行两两对应关联，当相同方向电流的支路能够对应回路电流时，表示在其中的电力负荷调节完成。至此本文在构建区域配电网的分布式调度模型基础上，基于人工神经网络预测不同区域内电网的负荷极值，通过负荷极值建立动态功率关联矩阵，用以控制区域电网中分布式电源的平衡，完成基于人工神经网络的区域电网分布式电源平衡技术设计。

2 实验结果分析

■2.1 选择测试电路结构

为验证此次设计的方法能够在区域分布式电网起到电源平衡作用，在实际应用中具有良好效果，采用实验测试的方法对不同结构的电源模块进行验证。在SIMULINK测试工具箱中准备模拟电力系统模块，在其内部配备电源模块和基础电路以及测量模块，依次对接各个模块，进行元件的有效连接。此次实验主要测试电源模块中不同类型的电流，在电力运输过程中的负载情况，在本文方法下是否能够在超强负载介入中完成电源平衡。受测试步骤和线路连接过程影响，在对所需元件模型连接前设置好参数范围，对拟建的分布式电网电路进行拓扑结构选择。此次测试对象选择交流电机，分别对不同线路的电流通过负载进行控制。交流电机的电路图如图1所示。

图1 交流电机的电路图

为达到电源平衡的要求，此次对电机的功率进行控制，在选定的电路模型中加入四组同型号的永磁电机。每组电机的输入电流为三相交流电，线路电压控制在1160V，电机的电流输通频率均为80Hz。在电流流转过程中，可以利用开关设置选择不同的交相电流。当I1号电机在选择A相电流时，其他三组电机可以对其自身的转速进行模拟，将四组的交相电流进行分配，并在统一的速度下传入到测试工具箱中，完成电力的输出反馈。测试开始前为使得出的结果更加真实有效，选择两组传统的电源平衡方法做对照，连接在MATLAB测试平台中，分别对三台电机的输出电流进行控制。

■2.2 电路负载测试过程

电源平衡主要是在电网出现超高负载时，在极短时间内进行有效控制，防止其过大电流对电机造成承载压力，出现电网电力事故。在模拟好的电力系统中将四组电机安置于输入电路主线内，分别通过三种平衡方法进行对比。将电机交相电流传入至主线电路时增加一组越阶信号，设置主线电路的频率负载在160-550Hz范围内运行，该信号出现在第四组电机电源接入状态的第2s，整体测试时间持续4s，不同平衡方法下对该信号的控制效果如表1所示。

表1 不同方法下四组电机负载控制效果

根据表中内容所示，在对第四组电机进行加压处理前，每组电机的初始工作状态处于稳定状态，对第四组电机电源处的负载加入越阶信号后，线路会发生较大抖动，说明此时的电路受到干扰信号影响。

以三种方法平衡后的结构来看，当第四台电机加入负载后，通过本文方法平衡干预后，负载在2s时出现了变化然后归于稳定，处在比原来负载大的位置上，其他三组电力负载也分别在2s～3s时间段内完成负载增加和稳定的相对过程，在比原有负载大的位置上稳定下来，说明能够提高其他三组的电机负荷，达到第四台电机额外负载的效果。但对于两组传统方法，虽然能够将加入负载的电机进行稳定控制后，并不能对其余三组电机完成加大负载，且时间均大于4s，在越阶信号加入的情况下，会发生同一线路电机不稳定的情况。

综合测试结果来看，在电网电路内包含加大负载的条件下，本文方法能够将其在短时间内完成控制，通过多组电机的分载作用，使得电路的电源达到均衡的负荷状态，具有实际应用效果。

■2.3 电源平衡结果分析

为更加直观的检验本文方法对电源的均衡效果，仍以上述测试条件为例，在测试工具箱中对控制前后的电源电流进行检验。其中四组电机的初始电流为240A，越阶信号承载的电流为160A，加入后使其一直保持在主线电路内，在保证其他变量一致的情况下，每组方法的平衡控制时间均设置为2s，具体测试结果如表2、图2所示。

表2 不同方法下电流变化结果（A）

图2 不同方法下电流变化结果

根据上述内容所示，在本文方法下四组电机的电流均稳定在280A左右，表示在负载加入情况下，能够对过高压力的电机进行处理，达到均衡的效果。但两组传统方法在实际加载过程中，只能对加压的电机进行稳定，在最终电流控制后其他三组电机的电流数值远远低于加压电机，一旦长时间运行会出现电路故障。

综合实验结果来看：在电网线路突然增加负荷时，利用本文方法能够对电源的负载进行快速处理，使其同一段线路中的电机负载保持基本一致的效果，能够达到电源平衡的效果，具有实际应用意义。

3 结束语

本文在人工神经网络的布置下，重新构建电网的可调度模型，通过电力负荷的极值预测，完成不同模式下电源的分布调度平衡方法设计。综合实验结果表明：以多个电机的输出电流为测试条件，在增加电力负荷的承载下，本文方法能够在较短时间内完成多个电机的均衡分配，且每组电机的电流能够恒定在一致状态下，具有实际应用效果。但由于在测试过程中只能对单一的电机进行负载调节，产生的结果会具有一定偏差性。后续研究中会针对测试的电机进行依次的负载加压，进行不同电机的电流均衡控制，为电网的超高压运行提供更加稳定的电力控制方法，保证电力系统的安全供电。