分布式新能源接入电网的电能质量异常监测方法研究

周凤华,王艳芹,张海宁,燕 凯,苗宏佳

(国网承德供电公司计量中心,河北 承德 067000)

0 引言

分布式新能源系统能够将清洁新能源和可再生能源转换为电能接入电网[1]。但受新能源不可预测性影响,将其接入电网可能引起电压波形畸变、电压波动等问题[2],造成配电网和输电网异常。构建电能质量异常监测能够实时监控并掌握电网电能质量状态,分析电能质量问题出现的规律,实现电网高质量电能输出[3]。因此,研究分布式新能源接入电网的电能质量异常监测具有重要意义。

刘杰等[4]引入控制图中心控制线以替代传统电能质量数据变化趋势,转换直线控制线为曲线,采用差分整合移动平均自回归模型对控制线进行动态计算,从而实现电能质量异常监测。李波等[5]采用小波分解法分解常规电压和常见电能质量扰动信号,以得到小波系数能量熵;通过遗传算法训练支持向量机,将小波系数的能量熵输入训练后的支持向量机中,以实现电能质量异常监测。凌万水等[6]通过直方图提取大部分电能质量异常类并采用离散小波变换提取电能质量特征,将提取的特征输入极限学习机中以实现电能质量异常监测。

分布式新能源接入电网易冲击电网电能质量。电能质量异常监测需要结合异常电压数据。但是这种冲击破坏了电压数据的完整性。以上方法没有考虑采集到数据的信息缺失问题,导致查准率和查全率较低、训练和测试所用时间较长。

为了解决上述方法中存在的问题,本文提出分布式新能源接入电网的电能质量异常监测方法。该方法采用最小二乘支持向量机,以填补电压信号中的缺失数据、提高数据质量,从而得到更理想的查准率和查全率。该方法利用小波变换提取电能质量特征,使用反向传播(back propagation,BP)神经网络作为电能质量异常监测模型,基于樽海鞘群算法优化神经网络对电能质量的异常监测,以此缩短训练时间和测试时间,为电网的稳定运行奠定基础。

1 提取电能质量扰动电压数据特征

1.1 电能质量缺失电压数据填补

针对分布式新能源电压信号非线性特点,所提方法引入最小二乘支持向量机[7]以填补电压信号中的缺失数据。本文以{xi,yi}表示电压数据样本集,i∈[1,m],xi为m维向量,yi为一维向量;采用函数H(x)映射输入向量x至n维特征空间;设σ和b均为待求参数。本文假设函数y(x)满足以下关系:

y(x)=σH(x)+b

(1)

参数σ和b是决定最小二乘支持向量机回归精度的关键。因此,本文引入综合学习粒子群算法优化σ和b[8]。主要优化流程如下。

①将多维数据输入最小二乘支持向量机后,输出一维数据。

②初始化综合学习粒子群算法相关参数。

③采用综合学习粒子群算法确定σ和b的初始值σ0和b0。

④通过当前σ和b的最优值构建最小二乘支持向量机模型,对每个个体和全局适应度加以计算,从而获取下一个最优超参数σbest和bbest。

⑤重复执行步骤④,直到满足终止条件。

⑥利用得到的σbest和bbest生成归一化插补值,将该值反归一化处理即可得到电压信号数据插补值,从而实现缺失数据填补。

1.2 电能质量数据分布特征

小波变换是用于信号时频特征分析的有效工具[9],能够依据信号频率变换情况对窗口大小加以调节。为了减少后续电能质量异常监测模型输入向量的波动,本文采用每层小波变换系数生成小波变换电能质量数据分布,以表述分解层能量。其方法如下。

①假设对信号实行J层分解,设信号长度为n,并将生成的小波变换系数记作dj(n)和aj(n)(j=1,2,…,J),则小波变换能量分布Edj和Eaj如式(2)所示。

(2)

通过式(2)计算可得到(J+1)个特征量。本文将全部向量汇总记作向量Esig=[Ed1,Ed2,…,Edj,Eaj]。

②依据常见电能质量扰动信号特征和标准信号参数模型方程,对相应能量分布加以计算。计算过程中,能量取值全部为正值。由于各能量特征之间差异较小,导致最终电能质量异常监测困难。

因此,本文计算参考信号能量分布,汇总生成向量Eref=[End1,End2,…,Endj,Enaj],并计算两者差值以得到差值能量ΔE=Esig-Eref=[ΔEd1,ΔEd2,…,ΔEdj,ΔEnaj]。ΔE特征性较强。将ΔE作为电能质量异常监测输入向量,有利于提高监测精度。

2 电能质量异常监测方法

2.1 BP神经网络设计

本文采用BP神经网络[10]作为电能质量异常监测模型,将输入值输入模型以执行正向传播,经隐含层激励函数处理后与真实数据进行比较。若误差不符合期望精度,则执行误差BP[11],通过不断调节权值和阈值以达到训练要求。

①确定BP神经网络结构和初始权值、阈值。

②设f(·)为隐含层激励函数,则经信号正向传播可得zj和yk。

(3)

(4)

④设η为学习效率。权值和阈值的更新规则如式(5)所示。

(5)

⑤重复以上计算过程,直至达到最大训练次数或精度满足预期要求。

2.2 樽海鞘群算法设计

(6)

(7)

本文对樽海鞘的适应度进行持续计算,在达到最大迭代次数前不断更新领导樽海鞘和追随樽海鞘位置,直至获取最佳适应度所处位置。

2.3 电能质量异常监测方法设计

BP神经网络的监测性能受初始权值和阈值的直接影响,采用樽海鞘群算法优化后的BP神经网络可对电能质量进行异常监测。其主要通过以下步骤实现电能质量异常监测。

①参数初始化:对相关参数进行预处理,并确定适应度函数。

②计算适应度:对樽海鞘群进行初始化,确定食物位置和樽海鞘位置后对其进行更新,以计算适应度值。

③判断:若达到最高迭代次数,则继续步骤④;否则,重新计算食物位置和樽海鞘位置。

④误差计算:确定神经网络拓扑结构后,对权值和阈值进行初始化处理,并计算输出层输出与期望输出的误差。

⑤获取异常监测结果:根据计算结果更新权值和阈值。若满足训练终止条件,则训练完成,输出最终监测结果;若不满足训练终止条件,则返回步骤④ 。

本文将小波变换能量分布与参考信号能量分布差值ΔE输入至训练后BP神经网络输入层中,并输出监测结果,以实现电能质量异常监测。

3 试验与结果

为了验证分布式新能源接入电网的电能质量异常监测方法的有效性,本文选取某市监测点电压数据作为试验数据,以文献[5]方法和文献[6]方法作为对照。监测指标选取常见的电压偏差指标。

试验数据波形如图1所示。

图1 试验数据波形图

由图1可知,某市监测点电压数据存在一定程度的波动情况。其中,正常数据的电压波动范围在-0.6～-0.2 V之间,而异常数据的电压波动范围在-0.1～+0.2 V之间,波动范围较大。根据试验数据波形测试三种方法的监测效果。

不同方法的监测结果如图2所示。由图2可知,利用所提方法监测到的异常数据和正常数据波形与原始数据波形更为接近,而文献[5]和文献[6]方法监测结果与原始数据波形相比均存在一定偏差。这说明所提方法具有良好的监测效果。所提方法通过综合学习粒子群算法获取模型超参数,优化最小二乘支持向量机模型,填补了电压信号缺失数据,可准确监测电网数据。

图2 不同方法的监测结果

为了进一步对比所提方法、文献[5]方法和文献[6]方法的监测结果,本文引入查准率和查全率,以量化三种方法的监测结果。查准率和查全率越接近于100%,则对应方法监测效果越好。

查准率和查全率监测结果如表1所示。

表1 查准率和查全率监测结果

由表1可知,在电压偏差监测试验中,所提方法的查准率和查全率均在95%以上,始终高于文献[5]方法和文献[6]方法。这说明所提方法的电能质量异常监测结果优于另外两种方法。因为所提方法在监测电能质量异常前对采集到的数据进行了预处理,采用最小二乘支持向量机填补其中的缺失数据,提高了数据质量,所以得到了更理想的查准率和查全率。

电能质量异常监测对实时性有较高要求,因此需对所提方法、文献[5]方法和文献[6]方法监测模型的训练时间和测试时间加以统计。

训练和测试时间监测结果如表2所示。

表2 训练和测试时间监测结果

由表2可知,所提方法训练时间在15 ms左右,而文献[5]方法和文献[6]方法均在40 ms以上;所提方法测试时间在15 ms以内,而文献[5]方法和文献[6]方法均在15 ms以上。由此可知,所提方法训练和测试所用时间均小于另外两种方法,表明所提方法更符合电能质量监测的实时性要求。

4 结论

本文提出了分布式新能源接入电网的电能质量异常监测方法。该方法首先采用通过综合学习粒子群算法优化后的最小二乘支持向量机填补电压信号缺失数据;然后引入小波变换分解电压信号获取能量分布与标准信号能量分布的差值;最后采用樽海鞘群优化算法优化BP神经网络,将差值输入至训练后BP神经网络中,以实现电能质量异常监测。该方法能够有效地提升查准率和查全率、缩短训练时间和测试时间,从而保证电网的稳定运行。