基于机器学习的分布式发电并网保护研究
2024-01-12白明辉袁绍军
白明辉, 袁绍军
(国网冀北电力有限公司承德供电公司, 河北, 承德 067000)
0 引言
电力行业飞速发展以及生活水平不断提高对电力能源的安全可靠性、质量以及供给提出了更高的要求,由此研究燃料电池、光伏发电和风力发电等新能源,并引入电网,建立分布式发电系统[1]。在分布式电源市场开发力度不断增强的背景下,配电网中的分布式电源渗透率随之升高,电网结构复杂度逐渐增大。将并网保护安装在分布式电源接入配电网的公共耦合点处,可以确保电网在运行过程中的稳定性[2],因此研究分布式发电并网保护方法具有重要意义。
李争等[3]在流体力学的基础上分析了风力机的性能,结合空气动力学计算风力机在并网后的转矩和风能利用率,建立了风力机并网数学模型,通过最大功率跟踪控制方法控制风力机的并网功率,以此实现并网保护,但该方法无法降低功率的波动程度,并网保护效果较差。胡卫丰等[4]在分布式发电并网保护中引入了不平衡分量检测和谐波检测算法,通过跟踪控制电网电流调整逆变器的剩余容量,提高电能质量,但该方法无法准确检测分布式发电并网系统中的事件,进而无法有效控制电网电流。
针对上述方法无法降低功率波动和提升并网保护效果的问题,本文提出基于机器学习的分布式发电并网保护方法。
1 支持向量机分类器的分布式发电并网事件预测
支持向量机是机器学习算法中的一种分类算法,通过寻找1条可以将两类数据分开的超平面,最大化分类器的边际来完成分类任务,该算法适用于各种数据类型的分类问题,能够获得较好的分类结果。针对分布式发电并网保护问题,需要识别电网中的事件类型,如扰动、故障、孤岛等事件[5-6],因此并网保护属于多分类问题。
使用支持向量机作为分类器来进行分布式发电并网保护。在训练样本集中,使用二进制标签来表示扰动事件和孤岛事件,同时剔除故障事件的相关样本。利用剩余的孤岛事件样本和扰动时间样本构成二分类训练集F[1,2],分别用标签-1和+1表示孤岛和扰动,以相同的方式生成孤岛对故障样本F[2,3]和扰动对故障样本F[1,3]。
通过训练集F[1,2]、F[2,3]、F[1,3]生成对应的分类器V1,2、V1,3、V2,3。分类器根据测试样本得到对应的预测类别,通常情况下采用投票法组合上述结果,但投票法在样本处理过程中会出现分类重叠区域,因此选择概率建模对二分类结果软化处理。
支持向量机分类器在二分类问题中需要确定最优分类超平面ωTx+b=0[7-8],其中,x为平面上的点,b为偏置,ω为权值向量。
通过线性判别函数f(xi)计算测试样本xi在高维空间中的分类结果yi=sgn[f(xi)],该结果属于硬分类,为了组合3个分类器的结果,引入Sigmoid函数软化处理二分类器的结果:
ri=[1+e-f(xi)]-1
(1)
式(1)中,ri为样本属于+1分类的概率。
分类器V1,2、V1,3、V2,3经过软化处理后,获得对应的二分类概率r12、r13、r23。
用马尔科夫链[9-10]描述分布式发电并网保护的三分类问题,建立如下状态方程:
(2)
式(2)中,p1为扰动事件的预测概率,p2为孤岛事件的预测概率,p3为故障事件的预测概率,存在p1+p2+p3=1。
求解式(2),获得并网事件的预测类别υ:
(3)
式(3)中,i=1,2,3。通过式(3)确定扰动事件、孤岛事件和故障事件的预测类别。
通过对并网事件进行预测,可以提前发现隐患或异常情况,从而能够及时采取必要的措施,对分布式发电系统进行维护和调整。
2 分布式发电并网保护
2.1 并网功率控制
根据对并网事件进行预测,可以预判发电系统的稳定性和安全性,为后续的功率控制提供依据和保障。分布式发电系统并网时,需要控制其输送给电网的功率,以防止超功率并网给电网带来稳定性问题。采用双重滤波控制策略,对分布式发电并网的功率展开控制和跟踪,以此避免扰动事件和故障事件的发生。
设计一阶低通滤波器A1(k),利用低通滤波器A1(k)实现第一重滤波,以此提高并网过程中分布式发电系统的功率特性:
A1(k)=υ[Y1Apv(k)+(1-Y1)A1(k-1)]
(4)
式(4)中,Y1为滤波器参数,Apv为超级电容器组对应的输出功率,A1(k-1)为上一周期中滤波器对应的输出值。
将A1作为分布式发电并网系统的并网功率,令Aout=A1,光伏阵列经过低通滤波处理后对应的值即为分布式发电并网功率,以此降低系统功率的波动性能。一阶低通滤波器A1(k)的主要作用是调节分布式发电系统的功率波动:减小并网功率A1时,A1(k)的截止频率处于下降趋势,此时并网系统的功率平滑性提高;增大并网功率A1时,A1(k)的截止频率处于上升趋势,此时分布式发电并网的功率波动性变大。
设计第二重滤波器A2(k),用于分配储能元件的储能功率[11-12]:
A2(k)=υ[Y2Apv(k)+(1-Y2)A2(k-1)]
(5)
(6)
式(6)中,Aout为超级电容器的总功率。
综上所述,并网系统运行过程中超级电容器承担的功率可通过控制Y2得以调节,并网系统中蓄电池承担的功率可通过控制Y1得以调节,以此保证并网系统的功率稳定。
2.2 电压控制
在分布式发电系统并网时,需先控制功率稳定,再进行电压控制,以确保其并网后的稳定性和可靠性。因此,采用变系数下垂控制策略[13-14]对直流母线电压展开控制,以确保并网系统在孤岛运行状态下的稳定性。
分布式发电并网的潮流流向以及功率波动可通过直流母线电压获取。结合储能单元的SOC和母线电压,调整储能单元在系统中的下垂系数,以此提高直流母线电压的稳定性,进而降低电流的波动情况。对储能SOC和直流母线电压展开分区处理,如图1所示。
图1 分区示意图
由图1可知,当V1 若储能单元SOC处于SOC正常区域,则不需要调整下垂系数,否则利用式(7)、式(8)展开调整: li(t+1)=li(t)-Δli(t) (7) (8) 当V2 (9) 式(9)中,εL1为母线电压偏低1区内Δli(t)对应的加权值,设置li(t)的约束条件为 (10) 式(10)中,li_max和li_min分别为li(t)的上限和下限。 当V3 当V0 (11) 式(11)中,εH1为母线电压偏高1区内Δli(t)的加权值。 当V4 当Udc 为了验证基于机器学习的分布式发电并网保护研究方法的整体有效性,需要展开测试,实验采用MATLAB模拟分布式发电并网系统,并使用Python编写代码进行数据处理、特征提取、模型训练等任务。此次测试的实验仿真环境如表1所示。 表1 仿真环境 分布式发电并网系统中存在孤岛事件、扰动事件和故障事件,为了提高保护效果,在并网保护之前需要识别上述事件。设置上述事件的数量均为1000,分别采用本文方法、文献[3]方法和文献[4]方法识别事件。不同方法的识别结果如图2所示。 (a) 本文方法 由图2可知,本文方法对3种事件的检测结果均为1000,具有良好的识别精度,而文献[3]方法和文献[4]方法无法准确识别3种事件,且存在误识现象。因此,本文方法对不同类型事件的识别结果最准确。 分布式发电并网系统存在扰动时的功率波动较大,如图3(a)所示,现采用本文方法、文献[3]方法和文献[4]方法对其展开控制。不同方法的功率控制结果如图3所示。 (a) 控制前 由图3可知,采用本文方法可有效抑制功率波动,而采用文献[3]方法和文献[4]方法后,功率波动虽然有所减小,但控制效果劣于本文方法。因此,本文方法在扰动事件下能够有效地控制功率波动,具备较好的鲁棒性,可适应各种复杂环境条件,提高系统的稳定性和可靠性。 系统在孤岛状态下运行的电流变化情况如图4所示。 图4 控制前的电流 在系统运行的15 s处,引入本文方法、文献[3]方法和文献[4]方法展开控制。不同方法的电流控制结果如图5所示。 (a) 本文方法 由图5可知,采用本文方法后,电流的平滑性得以提高,而采用文献[3]方法和文献[4]方法后,电流仍然存在较大波动。因此,本文方法能够有效地控制分布式发电并网系统的电流,降低电流的波动,具有良好的鲁棒性,可以保护系统的稳定性。 通过上述测试可知,本文方法可有效控制分布式发电并网的功率,控制电流保持稳定,因为本文方法准确地识别了分布式发电并网中的事件,并制定了功率控制策略和电压控制策略,以此保护分布式发电并网的稳定性。 针对目前分布式发电并网保护方法存在的识别准确率低、功率与电流波动大的问题,为了确保分布式发电并网系统的稳定运行,本文提出基于机器学习的分布式发电并网保护方法。该方法利用支持向量机识别分布式发电并网系统中的事件类型,通过控制系统功率和电压保护分布式发电并网系统,保证系统的稳定运行。实验结果表明,本文方法能够精准识别出分布式发电并网中的事件,且能够有效控制系统功率以及电流的波动情况。然而,该方法在获取真实可靠的故障、扰动和孤岛事件的标记数据方面具有一定的困难,缺乏高质量标记数据会影响分类模型的准确性和鲁棒性。未来的研究方向将集中在获取高质量标记数据,以进一步提高分布式发电并网保护的可靠性和灵活性。
3 实验与分析
4 总结
