[發(fā)明專利]一種基于人工神經(jīng)網(wǎng)絡的靜態(tài)無功補償器電壓調節(jié)方法

有效

• 申請?zhí)枺?/td>: 201810620131.8
• 申請日: 2018-06-14
• 公開（公告）號: CN108767869B
• 公開（公告）日: 2021-08-20
• 發(fā)明（設計）人: 蘇海濱;賀子芙;申偉;李震;徐志程;張文濤;楊文奇
• 申請（專利權）人: 華北水利水電大學
• 主分類號: H02J3/16
• 分類號: H02J3/16;H02J3/01
• 代理公司: 鄭州中原專利事務所有限公司 41109
• 代理人: 王曉麗

1.一種基于人工神經(jīng)網(wǎng)絡的靜態(tài)無功補償器電壓調節(jié)方法，其特征在于：包括以下步驟：

步驟1：數(shù)據(jù)采集，模擬多種不同負載和分布式發(fā)電DG的運行工況，收集公共耦合點處的電壓V_PCC及對應的濾波電容組接通數(shù)NCBF和晶閘管觸發(fā)角α，共采集N組數(shù)據(jù)；

所述步驟1中的數(shù)據(jù)收集方法具體步驟如下：

S1.1.設置N個不同的負載和DG的運行工況；

所述步驟S1.1中，模擬系統(tǒng)中負載、DG功率和諧波源的不同工況，可以根據(jù)方程(1)—(3)生成，方程所體現(xiàn)出的隨機性可以使收集的數(shù)據(jù)更加多樣性，從而更好的訓練人工神經(jīng)網(wǎng)絡；

G_c,k＝G_k,nomR_k,c (2)

其中，S_i,c是運行工況C中公共母線i的負載功率，S_i,min和S_i,max分別是母線i的最大和最小負載功率，N是工況總數(shù)，G_c,k是運行工況C中第k個DG單元產(chǎn)生的功率，G_k,nom是第k個DG單元的額定功率，R_i,c和R_k,c分別是負載和DG的隨機變化，I_h-n,c是運行工況C中母線n的非線性負載產(chǎn)生的h階諧波電流，I_h-n,min和I_h-n,max分別是h階的最小和最大諧波電流；

S1.2.向模擬系統(tǒng)中注入諧波電流，用來分析運行工況中的諧波干擾情況，測量出此時的公共耦合點電壓V_PCC，初始NCBF₀和α₀；

S1.3.靜態(tài)無功靜止補償器SVC輸出控制；

S1.4.參考電壓V_REG與V_PCC比較，得到差值ΔV；

S1.5.判斷ΔV是否在系統(tǒng)允許的誤差范圍內，如果在允許的誤差范圍內，則收集此時的NCBF和α；如果不在允許范圍內，則觸發(fā)角增加Δα；

S1.6.判斷增加Δα后的觸發(fā)角是否在極限值內，如果在極限值以內，則返回步驟S1.3；如果超過極限值，則生成新的NCBF；

S1.7.判斷新生成的NCBF是否在極限值內，如果在極限值以內，則返回步驟S1.3；如果超過極限值，則輸出數(shù)據(jù)NCBF＝0且α＝0⁰或NCBF＝3且α＝90⁰；

S1.8判斷模擬工況個數(shù)是否達到N個，如果達到N個，則結束運行工況的模擬；否則返回步驟S1.1，開始模擬新的運行工況；

步驟2：建立人工神經(jīng)網(wǎng)絡模型，以步驟1中收集到的數(shù)據(jù)訓練人工神經(jīng)網(wǎng)絡，達到最優(yōu)參數(shù)和結構；

步驟3：訓練好的人工神經(jīng)網(wǎng)絡ANN接入控制器，控制NCBF和α角，實現(xiàn)靜態(tài)無功靜止補償SVC；

步驟4：靜態(tài)無功靜止補償器SVC通過電壓調節(jié)維持耦合處電壓的穩(wěn)定性。

2.根據(jù)權利要求1所述的基于人工神經(jīng)網(wǎng)絡的靜態(tài)無功補償器電壓調節(jié)方法，其特征在于：所述步驟1中收集的數(shù)據(jù)在ANN訓練中，采用交叉驗證法，把數(shù)據(jù)隨機的分為2組，75％用于訓練，25％用于測試。

3.根據(jù)權利要求1所述的基于人工神經(jīng)網(wǎng)絡的靜態(tài)無功補償器電壓調節(jié)方法，其特征在于：所述步驟4中的SVC由一個與雙向晶閘管串聯(lián)的電抗器TCR和與之相并聯(lián)的有濾波功能的電容器組CBF組成。