陈 浩,陈正炳
(中国南方电网有限责任公司超高压输电公司昆明局,云南 昆明 650000)
特高压直流输电(Ultra High Voltage Direct Current Transmission,UHVDC)系统具有独特的技术特性,在电力系统中发挥着重要作用。该系统不仅能长距离传输大量电能,而且在连接异构电网、提高传输效率方面表现卓越。传统的电压控制方法,如比例-积分-微分(Proportion-Integral-Differential,PID)控制策略和模糊逻辑控制策略,虽然在某些场景下有效,但是在面对复杂和快速变化的电网环境时,性能会受到限制。近年来,随着人工智能技术的发展,基于人工智能的控制策略在电力系统中广泛应用。本研究将结合传统控制方法和人工智能技术,探索一种新型的动态电压控制策略,以提升UHVDC 系统的性能和可靠性。
UHVDC系统是一种大规模电能长距离传输技术,可以更有效地传输大量电力,从而减少能量损失。该系统由换流站、输电线路、地面设备以及控制系统等部分组成。其中,换流站位于输电系统两端,负责将交流电转换为直流电(在发送端),也可将直流电转换为交流电(在接收端);输电线路负责连接两个换流站的高压电缆或架空线路,用于直流电远距离传输;地面设备包括电缆、绝缘子、塔架等,确保输电线路物理稳定性与电气安全性;控制系统则是UHVDC 系统的核心,负责监控与调节电力流动,确保电力传输稳定性[1]。
UHVDC 系统在长距离、大规模电力传输方面表现出色。直流输电过程中的电抗损失较少,因此UHVDC 系统能在极长的距离上传输电力,同时保持极小的能量损失。直流输电系统能避免交流系统中的同步问题,提供更加稳定、可控的电力供应。在灵活性方面,UHVDC 系统能快速响应负荷变化,满足不同类型电网需求,且能与可再生能源结合[2]。其还具有较好的电压控制能力,能够有效管理跨区域电力流动,优化电网运行。
在UHVDC 系统中应用动态电压控制原理可以优化系统稳定性与效率,以应对复杂多变的电网运行条件。控制策略基于精准电压与负荷监测,结合先进算法,实时调节电压水平以应对电网负荷波动与外部干扰,核心原理涉及实时电压监测、数据分析、控制决策制定与执行4 个环节[3]。在电压监测方面,通过在关键节点布置高精度传感器,实时捕获电压数据,包括电压级别、波动频率、幅度等。数据通过高速通信网络传输至中央控制系统,为后续数据处理分析提供基础。在数据分析环节,控制系统利用高级算法深度分析收集到的数据[4]。采用的算法包括机器学习、模式识别、预测建模。在控制决策制定环节,系统基于数据分析结果预设电压稳定标准,并制定相应调节策略。例如,调整换流站运行参数时,可以控制触发角度和开关状态,或启动辅助设备,如电压稳定器与调相机。在执行环节,控制命令被传输至相应硬件组件,实施电压调节,确保在不同电网运行条件下都能快速有效地稳定电压。
2.2.1 PID 控制
在电压控制领域,由于PID 控制器结构简单、稳定性好、调节性能优越,广泛应用于UHVDC 系统电压调节[5]。PID 控制器的基本原理是根据系统偏差(即期望值与实际值之间的差异)来控制信号,信号用于调节系统以减少偏差。PID 控制器的控制信号u(t)可以表示为偏差e(t)函数,即
式中:Kp、Ki和Kd分别为比例、积分和微分项的增益系数。其t表示当前时间,τ表示在积分过程中的某个具体的时间点,在0 到t之间变化。中,比例项Kpe(t)提供与当前偏差成比例的反馈,以减少偏差,并快速响应系统变化;积分项负责消除稳态误差,提高系统的精确度;微分项用于预测系统的未来行为,通过减少偏差变化率来抑制系统过度响应与振荡。
在UHVDC 电系统中,PID 控制用于调节换流站操作参数,如变换器触发角度,确保电压在设定稳定范围内。通过精确调整PID 控制器参数,可加快系统响应速度,以满足不同电网条件与负荷需求。PID 控制器的性能在面对系统动态性较强或参数变化较大情况下会受到限制,因此在复杂或快速变化电网环境中,需要采取更高级的控制策略实现更优的控制性能。
2.2.2 模糊逻辑控制
在UHVDC 系统的电压控制中,由于模糊逻辑控制对不确定性与模糊性具有高容忍度和良好适应性,得到广泛应用。不同于传统的PID 控制,模糊逻辑控制能更好地处理系统非线性与不确定性,特别是在电网条件快速变化时。模糊逻辑控制器的设计包括3 个主要部分,即模糊化、模糊推理、去模糊化。其中,模糊化是将准确输入值转换为模糊值的过程。例如,将电压偏差量转换为模糊集合(如低、中、高);模糊推理是基于一组预先定义的模糊规则来处理模糊输入的过程。规则表达为“如果……那么……”语句,如“如果电压偏差过高,那么增加控制输出”。推理过程涉及模糊逻辑操作(如AND、OR、NOT)与隶属函数。隶属函数用于定义1 个量如何属于1 个模糊集合,通常采用三角形、梯形或高斯分布形式表示,用公式可以表示为
式中:V为模糊变量;μA(V)为隶属函数,A为模糊集合;a、b、c分别为三角函数的左端点、顶点、右端点。
去模糊化则是将模糊推理结果转换为精确的控制输出过程。常用的去模糊化方法包括质心法(求模糊集合的质心位置)和最大隶属度原则(选择隶属度最高的输出)。
在UHVDC 系统中,模糊逻辑控制器可根据电压波动、系统负荷变化等因素动态调整控制策略,从而提升电压稳定性、系统可靠性。
2.3.1 基于深度学习电压预测模型设计
在设计基于深度学习电压预测模型时,具体步骤如下:第一,进行数据收集与预处理,包括历史电压数据、负载数据、天气条件等,并对数据进行清洗、标准化或归一化处理。第二,特征选择,利用主成分分析(Principal Component Analysis,PCA)法确定影响电压的关键因素。第三,选择合适的深度学习模型,采用循环神经网络(Recurrent Neural Network,RNN)处理时间序列数据。第四,确定层数、神经元数量、激活函数类型等内容。例如,长短期记忆网络(Long Short Term Memory networks,LSTM)模型包含LSTM 层、后接全连接层、输出层。其中输出层用于预测电压值,计算公式为
式中:ht-1为前一时间步的隐藏状态;xt为当前时间步的输入;W、U、b分别为模型参数;f(·)为激活函数。在训练模型时,需要利用历史数据,通过前向传播来计算预测结果。同时,使用均方误差(Mean Square Error,MSE)计算预测值、实际值之间的差异,并据此进行反向传播与参数优化。一旦完成模型训练,就将其集成到UHVDC 系统,实时接收数据并提供电压预测,从而辅助系统制定电压控制决策。
2.3.2 控制算法实现与优化
控制算法的实现与优化目标是结合基于深度学习电压预测模型与传统控制技术,提高UHVDC 系统电压控制的效率与准确性。具体的操作主要包括以下4 个步骤。
第一,定义1 个综合的控制目标函数,考虑电压稳定性和系统效率,可以用公式表示为
式中:Jv表示电压偏离目标值的程度;Je表示系统能效;α、β表示权衡电压偏离目标值的程度和系统能效的系数。
第二,结合基于深度学习模型预测与PID 控制器设计混合控制算法。其中,深度学习模型负责预测短期内的电压波动,PID 控制器则调整控制策略以维持电压稳定。PID 控制器调整电压偏差e(t)和预测值,计算公式为式(1)。
第三,设计优化控制算法。本研究使用模拟退火、遗传算法等方法来调整PID 参数与深度学习模型超参数,以最小化目标函数J(·)调整权重α、β,以及PID 控制器的Kp、Ki、Kd参数。通过迭代过程,逐步优化参数,以提高控制性能。
第四,算法法实现。将深度学习模型与PID 控制器集成1 个统一控制框架中,确保两者协同工作。在系统运行时,深度学习模型持续提供电压预测,PID 控制器则根据预测结果和实际电压读数进行实时调节。
为验证文章所提控制方法的功能和有效性,进行对比实验,测试工具主要使用MATLAB/Simulink。MATLAB/Simulink 具有强大的电力系统模拟功能,能准确模拟UHVDC 系统的运行环境,允许实现和测试自定义的控制算法。
测试场景主要包括4 种。第一种,正常运行条件下的性能测试。在标准负载与电源条件下,测试新型控制方法与传统PID 控制方法在电压稳定性与能效方面的表现。第二种,负载波动场景。模拟负载快速增加或减少的情况,测试两种控制方法的突变响应速度与电压调节能力。第三种,电源不稳定场景。模拟电源侧波动(如可再生能源输出不稳定),观察两种控制策略在维持电压稳定性方面的效果。第四种,极端条件测试。模拟极端天气或系统故障等情况,评估两种控制方法在应对极端情况时的稳健性。
在进行测试时,要记录并分析各种性能指标,如电压偏差范围、响应时间、系统效率以及能源消耗等。MATLAB/Simulink 具备详细数据记录分析功能,能够帮助准确地评估两种控制方法性能。通过这些测试,能全面了解新型控制方法在实际电网条件下性能,并与传统方法进行对比。
利用新型控制方法和PID控制方法分别进行测试,测试结果如表1 所示。
表1 测试结果
由测试结果可知,新型动态电压控制方法在各项性能指标上均优于传统的PID 控制方法,电压稳定性为0.30%,响应速度为40 ms,能效为20 kW·h,均低于PID 控制方法。极端条件下,新型控制方稳健性只下降15 个百分点。由此可知,新型控制方法在保持电压稳定性、快速响应系统变化、提高能效以及增强系统在极端条件下的稳定性等方面具有显著优势。
文章结合深度学习预测模型与传统控制算法,设计一种新型动态电压控制方法。该方法在电压稳定性、响应速度、能效以及稳健性方面均表现出显著优势。新型控制方法的实施,反映电力系统领域对智能化、自动化技术日益增长的需求。通过应用先进算法技术,电力系统稳定性与工作效率可得到显著提升,为未来电网的智能化管理与可持续发展奠定坚实基础。